课时01

AI学习曲线图

课时02

AI学习曲线图（二）

课时03

图像识别的一些需求

课时04

图像识别的一些需求（二）

课时05

年龄向量和分类

课时06

图像例子

课时07

汽车向量表示

课时08

组合特征

课时09

组合特征（二）

课时10

应用场景

课时11

应用场景（二）

课时12

总结

课时13

上节课特征的提取

课时14

线性回归

课时15

线性回归误差

课时16

有解析解，无解析解

课时17

机器学习在python中的应用

课时18

机器学习在python中的应用（二）

课时19

训练集测试集MSE

课时20

训练集测试集MSE（二）

课时21

训练集测试集MSE（三）

课时22

训练集测试集MSE（四）

课时23

全量数据

课时24

全量数据（二）

课时25

上节课线性回归

课时26

上节课线性回归（二）

课时27

线性回归例题

课时28

线性回归例题（四）

课时29

线性回归例题代码实现

课时30

线性回归例题（五）

课时31

线性回归例题（六）

课时32

线性回归例题（七）

课时33

MSE训练集

课时34

例题训练

课时35

例题训练（二）

课时36

学习书籍推荐

课时37

例题训练（三）

课时38

MSE平法问题

课时39

MSE平法问题（二）

课时40

多元线性回归

课时41

多元线性回归（二）

课时42

多元线性回归（三）

课时43

多元线性回归和泰勒公式

课时44

花式玩法

课时45

抗噪能力

课时46

抗噪能力（二）

课时47

代码实现

课时48

数据场景

课时49

问题答疑

课时50

线性回归回顾

课时51

多分类

课时52

多分类（二）

课时53

线性回归，字母识别

课时54

字母识别

课时55

线性回归训练

课时56

线性回归训练（二）

课时57

线性回归训练（三）

课时58

KL距离问题

课时59

KL距离问题（二）

课时60

KL距离问题（三）

课时61

KL距离问题（四）

课时62

KL距离问题（五）

课时63

KL距离问题（六）

课时64

KL距离问题（七）

课时65

KL距离问题代码实现

课时66

KL距离问题代码实现（二）

课时67

KL距离问题

课时68

为什么不用MSE

课时69

为什么不用MSE（二）

课时70

机器学习分级

课时71

分类

课时72

线性不可分

课时73

线性不可分（二）

课时74

计算逻辑回归模型

课时75

分类器

课时76

分类器（二）

课时77

分类器（三）

课时78

逻辑回归指标

课时79

准确率和召回率

课时80

准确率和召回率跟阈值相关

课时81

准确率和召回率跟阈值相关（二）

课时82

用模型预测样本

课时83

预测分值正样本比负样本大的情况数量

课时84

预测分值正样本比负样本大的情况数量例子

课时85

正反样本的组合数量

课时86

AUC

课时87

正确率，准确率和召回率，ROC曲线和auc值

课时88

正确率，准确率和召回率，ROC曲线和auc值（二）

课时89

正确率，准确率和召回率，ROC曲线和auc值（三）

课时90

w预测硬币的正面概率

课时91

分类函数输出概率

课时92

分类函数输出概率（二）

课时93

信息冗余

课时94

训练集差异

课时95

逻辑回归损失函数

课时96

逻辑回归损失函数

课时97

L1和L2的区别

课时98

L1和L2的区别（二）

课时99

L1和L2的区别（三）

课时100

我们想要的测试集效果

课时101

等高线

课时102

等高线（二）

课时103

等高线（三）

课时104

等高线（四）

课时105

等高线（五）

课时106

KL距离问题

课时107

等高线问题

课时108

特征转换

课时109

连续值概率

课时110

概率密度，高斯分布

课时111

对于具体一个类别来说它的特征分布符合正态分布

课时112

贝叶斯公式

课时113

贝叶斯公式（二）

课时114

贝叶斯公式（三）

课时115

逻辑回归的两个实时

课时116

最大似然估计

课时117

最大似然估计（二）

课时118

最大似然估计（三）

课时119

问题答疑

课时120

朴素贝叶斯

课时121

耦合根本原因

课时122

耦合根本原因（二）

课时123

正态分布

课时124

朴素贝叶斯训练

课时125

问题答疑

课时126

先验

课时127

二项分布

课时128

二项分布，正态分布，多项分布

课时129

二项分布，正态分布，多项分布（二）

课时130

信息量

课时131

信号量（二）

课时132

问题答疑（二）

课时133

问题答疑（三）

课时134

支持向量机

课时135

支持向量机（二）

课时136

支持向量机（三）

课时137

泛化能力

课时138

泛化能力正则项

课时139

泛化能力正则项（二）

课时140

支持向量机SVM

课时141

抗噪声

课时142

多分类

课时143

KNN

课时144

权重

课时145

训练集代码实现

课时146

问题答疑

课时147

分类，线性可分

课时148

分类，线性可分（二）

课时149

网络搜索

课时150

线性不可分

课时151

线性不可分（二）

课时152

SVM

课时153

MSE，高斯

课时154

无穷方程

课时155

线性可分，线性不可分，核函数

课时156

线性可分，线性不可分，核函数（二）

课时157

分类器集成

课时158

维数灾难

课时159

维数灾难（二）

课时160

模型表达力

课时161

KNN，SVM，DT

课时162

表达能力，Vc维，二分类

课时163

表达能力，Vc维，二分类（二）

课时164

泛化能力，问题答疑

课时165

偏差

课时166

丑小鸭定律

课时167

没有免费的午餐定律

课时168

奥卡姆剃刀

课时169

奥卡姆剃刀（二）

课时170

奥卡姆剃刀（三）

课时171

问题答疑

课时172

问题答疑（二）

课时173

集成学习

课时174

集成学习（二）

课时175

增强泛化能力

课时176

增强泛化能力（二）

课时177

随机森林

课时178

随机森林（二）

课时179

随机森林代码实现

课时180

问题答疑

课时181

问题答疑（二）

课时182

问题答疑（三）

课时183

初始化样本权重

课时184

分类器GM权重

课时185

分类器训练

课时186

随机森林

课时187

集成学习

课时188

GBDT

课时189

预测，分类

课时190

预测

课时191

GBDT

课时192

梯度下降法

课时193

梯度下降法（二）

课时194

GBDT的数学

课时195

GBDT的数学（二）

课时196

GBDT的数学（三）

课时197

垃圾分类

课时198

聚类

课时199

打标团队

课时200

寻找中心点

课时201

寻找中心点代码实现

课时202

kmeans

课时203

内聚

课时204

异常点的影响

课时205

数值问题，归一化

课时206

归一化

课时207

网络搜索

课时208

问题答疑

课时209

问题答疑（二）

课时210

问题答疑（三）

课时211

kmeans

课时212

annoy

课时213

annoy训练

课时214

annoy训练代码实现

课时215

DBscan

课时216

寻找核心点

课时217

聚类的点

课时218

聚类训练代码实现

课时219

反欺诈

课时220

自然语言处理

课时221

自然语言处理（二）

课时222

逻辑回归的高斯解释

课时223

LDA

课时224

怎么求每个词对应的主题

课时225

怎么求每个词对应的主题（二）

课时226

怎么求每个词对应的主题（三）

课时227

怎么求每个词对应的主题（四）

课时228

LDA数学八卦

课时229

怎么求每个词对应的主题代码实现

课时230

怎么求每个词对应的主题代码实现（二）

课时231

怎么求每个词对应的主题代码实现（三）

课时232

怎么求每个词对应的主题代码实现（四）

课时233

学习方法

课时234

线性变换

课时235

线性变换（二）

课时236

线性变换（三）

课时237

二分类

课时238

特征值和特征向量

课时239

特征值和特征向量（二）

课时240

多分类

课时241

二分类

课时242

CPU命令集

课时243

训练集代码实现

课时244

softmax

课时245

GPU

课时246

GPU（二）

课时247

keras惯序模型，函数模型

课时248

keras惯序模型，函数模型（二）

课时249

keras惯序模型，函数模型（三）

课时250

keras惯序模型，函数模型（四）

课时251

神经网络

课时252

图片识别

课时253

自动特征选择器

课时254

自动特征选择器（二）

课时255

需要考虑的情况

课时256

线性变换+激活

课时257

深度学习DNN

课时258

DNN

课时259

神经网络训练

课时260

神经网络训练（二）

课时261

神经网络训练（三）

课时262

神经网络训练（四）

课时263

Wm的更新

课时264

更新Wm1

课时265

更新Wm1（二）

课时266

更新Wm1（三）

课时267

多层神经网络

课时268

问题答疑

课时269

深度学习DNN

课时270

深度学习DNN（二）

课时271

relu

课时272

多层神经元网络

课时273

多层神经元网络（二）

课时274

多层神经元网络（三）

课时275

学习方法

课时276

多层神经元网络（四）

课时277

多层神经元网络（五）

课时278

真实类别

课时279

真实类别（二）

课时280

softmax

课时281

逻辑回归正态分布分类

课时282

逻辑回归正态分布分类（二）

课时283

激活函数导数连乘问题

课时284

梯度消失

课时285

梯度消失训练

课时286

梯度消失训练（二）

课时287

每一小段的线性

课时288

梯度问题

课时289

Relu函数分析

课时290

Relu神经元的真死和假死

课时291

特征选择

课时292

Relu神经元的真死和假死训练

课时293

Relu和Elu

课时294

Relu和Elu（二）

课时295

好的函数有哪些特点

课时296

零均值

课时297

激活函数和梯度爆炸

课时298

单调性

课时299

周期性

课时300

权重问题

课时301

权重问题（二）

课时302

数据冗余（一）

课时303

数据冗余（二）

课时304

Relu

课时305

上节课权重问题

课时306

随机差

课时307

均匀分布初始化

课时308

神经元权重

课时309

用集成的角度看神经元网络

课时310

大神经网络

课时311

训练网络

课时312

dropout

课时313

dropout比例对效果的影响

课时314

子网络独立性

课时315

梯度下降法

课时316

鞍点

课时317

二阶导

课时318

SGD

课时319

悬崖问题

课时320

梯度的幅度

课时321

动量法

课时322

机器学习的难点

课时323

Ada Grad

课时324

Adam

课时325

梯度下降

课时326

Relu

课时327

课程目标

课时328

激活函数

课时329

DNN权重，学习方法

课时330

Dropout

课时331

图像分类的问题OCR

课时332

分析需求，用DNN模型进行分类输出函数

课时333

传统的图像领域中,分类问题处理彩色图片

课时334

图像归一化

课时335

图像归一化（二）

课时336

深度学习

课时337

深度学习（二）

课时338

上节课遗留问题

课时339

数据反馈系统

课时340

定期收集badcase进行二次学习

课时341

以图搜图

课时342

以图搜图（二）

课时343

hash

课时344

图像压缩

课时345

图像压缩（二）

课时346

Encode

课时347

Encode（二）

课时348

计算图像之间的相似度

课时349

图库

课时350

图库（二）

课时351

深度特征自动学习

课时352

编码

课时353

Kmeans

课时354

扩展

课时355

编码怎么做

课时356

图片特征排索引

课时357

倒排索引

课时358

扩展：手机话费

课时359

自然语言处理

课时360

语言模型

课时361

模型简化，语料库小的问题

课时362

语料库

课时363

概率估计

课时364

语料库和神经网络

课时365

语料库和神经网络（二）

课时366

向量相加

课时367

向量相加（二）

课时368

训练输入

课时369

语义型模型

课时370

语言模型

课时371

简化语言模型

课时372

语言模型，二叉树改造

课时373

Huffman树

课时374

用word2vec，做寻找近义词

课时375

用word2vec，做寻找近义词（二）

课时376

召回和准确

课时377

召回和准确，负采样

课时378

Word2vec

课时379

语义训练

课时380

孤岛效应

课时381

Word2vec问题无法解决一词多义

课时382

多义词，特殊场景

课时383

用相加后的向量对目标词进行预测

课时384

互联网信息

课时385

推荐系统

课时386

推荐系统（二）

课时387

推荐系统（三）

课时388

推荐系统，机器学习

课时389

多路召回

课时390

多路召回（二）

课时391

深度学习，信息日志

课时392

简历

课时393

推荐系统，机器学习

课时394

推荐系统

课时395

什么是好的推荐系统

课时396

什么是好的推荐系统（二）

课时397

产品形态，人均时长

课时398

桶bucket

课时399

桶bucket（二）

课时400

桶bucket（三）

课时401

AAB实验

课时402

AAB实验（二）

课时403

策略

课时404

提取关键词

课时405

提取关键词，Tf-idf

课时406

提取关键词，Tf-idf（二）

课时407

每个词的权重

课时408

关键词的提取方法

课时409

关键词两种

课时410

用户画像和文章召回

课时411

内容池，全量池

课时412

基于内容的推荐,基于行为的召回

课时413

隐式数据表达

课时414

相似度构建损失函数

课时415

随机采样

课时416

DNN，梯度下降

课时417

更加优化

课时418

用Love空间所对应的向量

课时419

用Love空间所对应的向量代码实现

课时420

用Love空间所对应的向量代码实现（二）

课时421

产品定位推荐

课时422

召回粗排序

课时423

召回粗排序

课时424

推荐系统session

课时425

推荐系统session（二）

课时426

相似列表

课时427

例子电商APP

课时428

电商APP（二）

课时429

对预定序列进行word2vec

课时430

对预定序列进行word2vec（二）

课时431

embedding计算相似度，社交友好推荐

课时432

社交友好推荐（一）

课时433

社交友好推荐（二）

课时434

项目分析

课时435

项目之公司类型

课时436

网页分类

课时437

Fasttext Facebook

课时438

Fattext文本分类word2vec

课时439

Keras和Fasttext

课时440

CNN

课时441

CNN（二）

课时442

设计模板

课时443

设计模板：圆

课时444

模板：基本形状

课时445

模板：基本形状（二）

课时446

模板：基本形状（三）

课时447

识别图像

课时448

池化pool，基本形状的强度

课时449

卷积-池化层

课时450

卷积

课时451

卷积和激活函数

课时452

神经网络识别输入图片

课时453

神经网络识别输入图片（二）

课时454

神经网络识别输入图片（三）

课时455

神经网络识别输入图片（四）

课时456

卷积的本质

课时457

CNN本质

课时458

卷积概述

课时459

数字识别和图像识别

课时460

问题答疑

课时461

训练样本总结

课时462

CNN卷积神经网络

课时463

卷积，池化

课时464

超参数选定原则

课时465

机器学习测评

课时466

CNN再文本方面的应用

课时467

CNN再文本方面的应用（二）

课时468

CNN再文本方面的应用（三）

课时469

CNN再文本方面的应用（四）

课时470

CNN再文本方面的应用（五）

课时471

CNN再文本方面的应用（六）

课时472

CNN再文本方面的应用（七）

课时473

CNN再文本方面的应用（八）

课时474

文本分类中CNN能取代fasttext

课时475

文本分类中CNN能取代fasttext（二）

课时476

文本分类中CNN能取代fasttext（三）

课时477

word2vec是否支持新词增量

课时478

word2vec是否支持新词增量（二）

课时479

线性回归

课时480

逻辑回归

课时481

三评价指标和模型能万

课时482

支持向量机SVM

课时483

朴素贝叶斯

课时484

集成学习

课时485

无监督学习

课时486

深度学习DNN

课时487

word2vec fasttext和CNN

课时488

项目，推荐系统

课时489

以图搜图

课时490

文本分类和CNN图像分类，RNN LSTM bi-LSTM

课时491

学习建议，问题答疑

课时492

答疑

课时493

投递简历

课时494

面试邀请

课时495

面试流程

课时496

技术面试的时候注意要点

课时497

技术面试的时候注意要点

课时498

一面面试要领

课时499

一面要领

课时500

常见的面试方向

课时501

HR面

课时502

常见面试题解析

课时503

常见面试题解析

课时504

常见逻辑回归怎么做

课时505

朴素贝叶斯的优缺点

课时506

说下kmeans的聚类过程以及存在问题和阐述准确率,召回率, AUC值

课时507

阐述准确率,召回率, AUC值

课时508

阐述机器学习整个流程，如何解决样本不平衡问题，深度学习网络常用激活函数是哪些

课时509

简述梯度消失和梯度爆炸，深度学习中常见损失函数有哪些

课时510

Relu函数存在的问题，简述dropout，深度学习中常见损失函数有哪些

课时511

简述多分类ЖА的方法

课时512

Word2vec和CNN和fasttext相关问题

课时513

卷积，CNN在文本分类下如何作用和fasttext有啥区别

课时514

深入解读Airbnb推荐算法

课时515

深入解读Airbnb推荐算法（二）

课时516

导数

课时517

导数（二）

课时518

导数一定存在吗？

课时519

relu

课时520

函数的最大值和最小值

课时521

函数的最大值和最小值（二）

课时522

极大值和极小值

课时523

导数极大值和极小值

课时524

最大值，最小值，极大值，极小值

课时525

在机器学习的损失函数中Loss

课时526

在机器学习的损失函数中Loss（二）

课时527

局部极小

课时528

神经网络的函数曲线

课时529

二阶导数

课时530

二阶导数（二）

课时531

二阶导数（三）

课时532

凸函数

课时533

凸函数（二）

课时534

线性可分的逻辑回归

课时535

凸函数相加也为凸函数

课时536

当逻辑回归使用KL距离作为损失函数的时候,是凸函数

课时537

当线性可分的时候逻辑回归损失函数没有最小值

课时538

凸函数

课时539

问题答疑

课时540

如果是线性不可分的情况下,逻辑回归的损失函数

课时541

Lerror

课时542

凸函数

课时543

如果逻辑回归使用mse做损失函数,还是凸函数吗

课时544

如果逻辑回归使用mse做损失函数,还是凸函数吗

课时545

是否是凸函数

课时546

泰勒公式

课时547

泰勒公式（二）

课时548

单层神经网络

课时549

通过神经网络的一层输出是一组序列

课时550

神经网络输出

课时551

一层神经网络神经元足够多可以拟合任意函数

课时552

函数展开成泰勒公式,越高阶的项,系数越小

课时553

神经网络越深,高阶项系数出现的数值越大

课时554

神经网络越深,高阶项系数出现的数值越大（二）

课时555

阶数越高,函数形状越复杂,弯曲越灵活

课时556

问题答疑

课时557

模型复杂和模型简单

课时558

机器学习都搞不定的问题

课时559