课时01

机器学习与人工智能.mp4

课时02

平滑性和特征提取.mp4

课时03

如何特征提取.mp4

课时04

图片特征和文件编码.mp4

课时05

数字特征.mp4

课时06

汽车特征.mp4

课时07

微博特征如何表示.mp4

课时08

向量的距离.mp4

课时09

曼哈顿距离.mp4

课时10

切比雪夫距离.mp4

课时11

距离通用公式.mp4

课时12

真实产品需求.mp4

课时13

流型面：瑞士卷.mp4

课时14

欧式距离问题.mp4

课时15

欧式距离局限性，流型面：瑞士卷.mp4

课时16

电商场景.mp4

课时17

余弦相似度.mp4

课时18

余弦相似度，内积.mp4

课时19

字符串相似度（一）.mp4

课时20

字符串相似度（二）.mp4

课时21

多元线性回归（一）.mp4

课时22

多元线性回归（二）.mp4

课时23

解方程的问题，数据分布.mp4

课时24

解方程.mp4

课时25

梯度下降法.mp4

课时26

例题.mp4

课时27

梯度下降法流程.mp4

课时28

梯度下降法流程.mp4

课时29

模型效果测评.mp4

课时30

多项式回归.mp4

课时31

特征敏感性研究.mp4

课时32

特征冗余.mp4

课时33

损失函数的选择.mp4

课时34

真实数据的产生.mp4

课时35

最小化.mp4

课时36

MSE最根本的原因.mp4

课时37

分类模型.mp4

课时38

最简单的分类.mp4

课时39

逻辑回归（一）.mp4

课时40

逻辑回归（二）.mp4

课时41

线性分类.mp4

课时42

丑小鸭定律.mp4

课时43

逻辑回归训练（一）.mp4

课时44

逻辑回归训练（二）.mp4

课时45

逻辑回归训练（三）.mp4

课时46

梯度下降法（一）.mp4

课时47

梯度下降法（二）.mp4

课时48

类别不均衡，泛化能力的影响.mp4

课时49

样本平衡（一）.mp4

课时50

样本平衡（二）.mp4

课时51

线性不可分（一）.mp4

课时52

线性不可分（二）.mp4

课时53

线性回归问题（一）.mp4

课时54

线性回归问题（二）.mp4

课时55

特征分析.mp4

课时56

线性回归问题（三）.mp4

课时57

L1和L2正则（一）.mp4

课时58

L1和L2正则（二）.mp4

课时59

L1和L2正则（三）.mp4

课时60

L2正则.mp4

课时61

训练样本是线性可分的，则损失函数可以有如下变换.mp4

课时62

模型测评.mp4

课时63

更加细腻的指标.mp4

课时64

准确率，召回率.mp4

课时65

AUC值（一）.mp4

课时66

AUC值（二）.mp4

课时67

AUC存在的问题（一）.mp4

课时68

AUC存在的问题（二）.mp4

课时69

更加细粒度的描述.mp4

课时70

准确率，正确率，AUC.mp4

课时71

逻辑回归在互联网最成功的的应用.mp4

课时72

特征归一化（一）.mp4

课时73

训练等高线.mp4

课时74

特征归一化（二）.mp4

课时75

特征分段.mp4

课时76

更精准的特征分段.mp4

课时77

深入理解损失函数（一）.mp4

课时78

深入理解损失函数（二）.mp4

课时79

不能用MSE作为损失函数.mp4

课时80

KL距离背后逻辑.mp4

课时81

似然函数（一）.mp4

课时82

似然函数（二）.mp4

课时83

似然函数（三）.mp4

课时84

分类人物的匹配.mp4

课时85

因子匹配任务.mp4

课时86

特征升维.mp4

课时87

交叉项系数w12解耦（一）.mp4

课时88

交叉项系数w12解耦（二）.mp4

课时89

改造版逻辑回归（一）.mp4

课时90

改造版逻辑回归（二）.mp4

课时91

改造版逻辑回归（三）.mp4

课时92

改造版逻辑回归（四）.mp4

课时93

FM模型（一）.mp4

课时94

FM模型（二）.mp4

课时95

FM模型（三）.mp4

课时96

无监督模型.mp4

课时97

加权质心.mp4

课时98

EM算法.mp4

课时99

Kmeans算法使用欧式距离.mp4

课时100

Kmeans基于欧式距离进行聚类（一）.mp4

课时101

Kmeans基于欧式距离进行聚类（二）.mp4

课时102

EM算法.mp4

课时103

异常点聚类问题（一）.mp4

课时104

异常点聚类问题（二）.mp4

课时105

异常点聚类问题（三）.mp4

课时106

无解问题，NLP场景.mp4

课时107

聚类+分类的综合应用.mp4

课时108

机器学习中最大的难点

课时109

FM模型

课时110

一层神经网络

课时111

非线性变换

课时112

再来一次逻辑回归

课时113

深度学习

课时114

损失函数

课时115

为什么一定要激活函数

课时116

没有激活函数的两层线性变换真的一点价值都没有吗？

课时117

泰勒公式的解释

课时118

神经网络中不加激活函数

课时119

Softmax函数

课时120

只有2类时的sofmax

课时121

softmax函数求导

课时122

多分类的KL距离

课时123

损失函数

课时124

矩阵求导术

课时125

向量对向量求导

课时126

标量对矩阵求导

课时127

矩阵求导的链式法则

课时128

答疑

课时129

公式2

课时130

神经网络一层

课时131

列向量对行向量求导

课时132

偏执项

课时133

逻辑回归

课时134

梯度下降法的问题

课时135

度量学习

课时136

损失函数

课时137

两种模型的优势

课时138

激活函数的选型

课时139

常用激活函数relu

课时140

Relu的改进和权重初始化

课时141

均匀分布

课时142

正向传播

课时143

综合结果

课时144

梯度下降法

课时145

batchsize

课时146

逃离尖锐极小值

课时147

鞍点问题

课时148

震荡问题

课时149

学习因子设定问题

课时150

RMSprop和SGD

课时151

Adam和正规化

课时152

子网络和dropout

课时153

批标准化技术

课时154

循环神经网络和层标准化

课时155

层标准化和批标准化的区别

课时156

总结

课时157

NlP问题特点和语言模型

课时158

贝叶斯公式和马尔科夫性和估计公式

课时159

词向量的改进和词袋模型及最终方案

课时160

最终改进模型和两种模型

课时161

改进型学习方法

课时162

负采样

课时163

Fasttext模型

课时164

hash技术

课时165

embedding和子词模型

课时166

小结

课时167

CNN卷积神经网络和图像的特点

课时168

图像上滑行和补充0和多通道卷积

课时169

多个卷积核

课时170

池化操作和意义

课时171

卷积和池化的区别

课时172

一套操作

课时173

多层卷积池化层

课时174

卷积特殊的全连接

课时175

TestCNN和字模型

课时176

高级卷积技巧

课时177

NLP和折成更小的卷积

课时178

卷积小结

课时179

多尺寸卷积

课时180

改进inception和单通道卷积

课时181

通道加权与通道注意力和空间注意力

课时182

逻辑回归和时序信息的输入

课时183

RNN时序不变性和公式推导讲解

课时184

在深层DNN中是否存在这种情况和RNN的改进版本

课时185

Lstm和textCNN文本分类的区别

课时186

Attention模型

课时187

归纳偏置和Attention三要素

课时188

相似度计算的优化和自注意力

课时189

词袋和短文本分类和文章分类

课时190

多抽头Attention

课时191

Transsformer原理

课时192

Bert模型

课时193

Bert模型改进

课时194

ViT

课时195

MLP-Mixer

课时196

线性代数-向量和矩阵

课时197

矩阵的几何角度

课时198

矩阵的转置

课时199

线性变化和激活函数

课时200

E矩阵和逆矩阵

课时201

正交矩阵

课时202

特征值和特征向量

课时203

对角矩阵和对称矩阵

课时204

奇异值分解1

课时205

奇异值分解2

课时206

矩阵的范数

课时207

总结线性代数