- AI 算法工程师
- Content
- Part 01 : 欢迎学习 AI 求职直通班纳米学位！
- Part 02 : 机器学习基础
- Part 03 : 监督学习
- Part 04 : 非监督学习
- Part 05 : 深度学习
- Part 06 : 计算机视觉（一）
- Part 07 : 计算机视觉（二）
- Part 08 : 自然语言处理（一）
- Part 09 : 自然语言处理（二）
- Part 10 : 毕业项目
- Part 11 : 求职辅导：建立你的个人品牌
- Part 12 : 求职辅导：模拟面试
- Part 13 (Elective)__ : 语音识别
- Part 14 (Elective)__ : 深度学习框架
- Part 15 (Elective)__ : C++
- Part 16 (Elective)__ : GitHub 的使用
- Part 17 (Elective)__ : Shell Workshop
- Content
AI 算法工程师
助教微信
udacity公众号
Nanodegree key: nd009-cn-advanced-vip
Version: 6.0.0
Locale: zh-cn
Content
Part 01 : 欢迎学习 AI 求职直通班纳米学位！
Module 01: 什么是机器学习？
- Lesson 01: 什么是机器学习？通过几个短视频来探索机器学习概念！
- Concept 01: 简介
- Concept 02: 决策树
- Concept 03: 决策树练习
- Concept 04: 决策树答案
- Concept 05: 朴素贝叶斯
- Concept 06: 朴素贝叶斯答案
- Concept 07: 梯度下降
- Concept 08: 线性回归练习
- Concept 09: 线性回归答案
- Concept 10: Logistic Regression 练习
- Concept 11: Logistic Regression 答案
- Concept 12: 支持向量机 SVM
- Concept 13: 支持向量机 SVM 练习
- Concept 14: 支持向量机 SVM 答案
- Concept 15: 神经网络
- Concept 16: 核函数
- Concept 17: 核函数练习
- Concept 18: 核函数答案
- Concept 19: 回顾和挑战
- Concept 20: K均值聚类
- Concept 21: 层次聚类
- Concept 22: 阶段总结
- Lesson 02: 案例演练: 泰坦尼克号乘客生存率分析在本练习项目中，您将创建决策函数，尝试根据每位乘客的特征（如性别和年龄）预测1912年泰坦尼克号灾难的生存结果。
- Lesson 01: 什么是机器学习？通过几个短视频来探索机器学习概念！
Module 01: 模型评估与验证
- Lesson 01: 训练与测试模型学会使用 NumPy 与 Pandas 培训和测试模型。
- Concept 01: 简介
- Concept 02: 概述
- Concept 03: 统计学知识复习
- Concept 04: 在 Pandas 中加载数据
- Concept 05: Numpy 数组
- Concept 06: 在 sklearn 中训练模型
- Concept 07: 手动调整参数
- Concept 08: 自动调整参数
- Concept 09: 测试你的模型
- Concept 10: 练习：在 sklearn 中进行测试
- Lesson 02: 评估指标学习评估模型的指标，比如准确率、精确率和召回率，等等。
- Concept 01: 混淆矩阵
- Concept 02: 答案 - 混淆矩阵
- Concept 03: 准确率
- Concept 04: 答案 - 准确率
- Concept 05: 准确率不适用的情形
- Concept 06: 假阴性与假阳性
- Concept 07: 答案 - 假阴性与假阳性
- Concept 08: 精度
- Concept 09: 召回率
- Concept 10: F1 得分
- Concept 11: F-β 得分
- Concept 12: ROC 曲线
- Concept 13: 回归指标
- Lesson 03: 模型选择了解模型培训过程中可能出现的各类错误，解决这类问题的方法，并优化你的机器学习模型。
- Concept 01: 错误类型
- Concept 02: 模型复杂度图表
- Concept 03: 交叉验证
- Concept 04: K 折交叉验证
- Concept 05: 学习曲线
- Concept 06: 通过学习曲线检测过拟合和欠拟合
- Concept 07: 解决方案：检测过拟合与欠拟合
- Concept 08: 网格搜索
- Concept 09: 在 sklearn 中的网格搜索
- Concept 10: [workspace] 网格搜索
- Concept 11: [workspace 解决方案] 网格搜索
- Concept 12: 总结
- Concept 13: 回顾
- Lesson 04: 自我评估：NumPy 与 pandas通过快速自我评估测试你的 NumPy 和 pandas 技能。
- Concept 01: 自我评估
- Lesson 05: 模型评估与验证自我评估学习完模型评估与验证，开始进行快速的自我评估吧！
- Concept 01: 自我评估：模型评估与验证
- Lesson 06: 案例演练：预测你的下一道世界料理（选做）
- Concept 01: [Lab]在线工作坊
- Lesson 07: 预测波士顿房价Project Description - 预测房价Project Rubric - 预测房价
- Lesson 01: 训练与测试模型学会使用 NumPy 与 Pandas 培训和测试模型。
Module 01: 监督学习
- Lesson 01: 线性回归线性回归是一种用于预测数值数据的非常有效的算法。
- Concept 01: 简介
- Concept 02: 练习：房价
- Concept 03: 参考答案：房价
- Concept 04: 用数据拟合直线
- Concept 05: 调整一条直线
- Concept 06: 绝对值技巧
- Concept 07: 平方技巧
- Concept 08: 梯度下降
- Concept 09: 平均绝对值误差
- Concept 10: 平均平方误差
- Concept 11: 最小化误差函数
- Concept 12: 均方误差与总平方误差
- Concept 13: 小批量梯度下降法
- Concept 14: 绝对值误差 VS 平方误差
- Concept 15: scikit-learn 中的线性回归
- Concept 16: 高维度
- Concept 17: 多元线性回归
- Concept 18: 解数学方程表组
- Concept 19: 参考答案：解数学方程组
- Concept 20: 线性回归注意事项
- Concept 21: 多项式回归
- Concept 22: 正则化
- Concept 23: 神经网络回归
- Concept 24: 尝试神经网络
- Concept 25: 小结
- Lesson 02: 感知器算法感知器算法是一种分类数据的算法，它是神经网络的基石。
- Concept 01: 简介
- Concept 02: 分类问题
- Concept 03: 分类问题 2
- Concept 04: 线性界线
- Concept 05: 更高维度的界线
- Concept 06: 感知器
- Concept 07: 用感知器实现简单逻辑运算
- Concept 08: 感知器技巧 - 计算机如何“学习”分类？
- Concept 09: 感知器算法
- Concept 10: 小结
- Lesson 03: 决策树决策树是一种决策结构，每个决策都会导致一系列后果或附加决策。
- Concept 01: 简介
- Concept 02: 推荐应用 1
- Concept 03: 推荐应用 2
- Concept 04: 推荐应用 3
- Concept 05: 练习：学生录取资格
- Concept 06: 参考答案：学生录取资格
- Concept 07: 熵
- Concept 08: 熵公式 1
- Concept 09: 熵公式 2
- Concept 10: 熵公式 3
- Concept 11: 练习：信息增益
- Concept 12: 参考答案：信息增益
- Concept 13: 信息增益最大化
- Concept 14: 随机森林
- Concept 15: 超参数
- Concept 16: sklearn 中的决策树
- Concept 17: [Lab] 使用决策树探索泰坦尼克乘客存活模型
- Concept 18: [解决方案] 使用决策树探索泰坦尼克乘客存活模型
- Concept 19: 小结
- Lesson 04: 朴素贝叶斯朴素贝叶斯算法是为传入的标记数据创建分类器的强大工具。
- Concept 01: 简介
- Concept 02: Alex or Brenda?
- Concept 03: 已知与推断
- Concept 04: Alex or Brenda (2)
- Concept 05: 贝叶斯定理
- Concept 06: 练习：误报
- Concept 07: 参考答案：误报
- Concept 08: 贝叶斯学习 1
- Concept 09: 贝叶斯学习 2
- Concept 10: 贝叶斯学习 3
- Concept 11: 朴素贝叶斯算法 1
- Concept 12: 朴素贝叶斯算法 2
- Concept 13: 项目简介：构建垃圾邮件分类器
- Concept 14: 项目概述
- Concept 15: [Workspace] 构建垃圾邮件分类
- Concept 16: 小结
- Lesson 05: 支持向量机支持向量机是用于分类的非常有效的模型。
- Concept 01: 简介
- Concept 02: 哪条线更好？
- Concept 03: 距离最小化
- Concept 04: 误差最小化
- Concept 05: 感知器算法
- Concept 06: 分类误差
- Concept 07: 边际误差
- Concept 08: [选修] 边际误差计算
- Concept 09: 误差函数
- Concept 10: C 参数
- Concept 11: 多项式内核 1
- Concept 12: 多项式内核 2
- Concept 13: 多项式内核 3
- Concept 14: RBF 核函数 1
- Concept 15: RBF 核函数 2
- Concept 16: RBF 核函数 3
- Concept 17: sklearn 中的支持向量机
- Concept 18: 总结
- Lesson 06: 集成方法bagging 和 boosting 是提高监督式学习方法准确性的两种常用集合方法。
- Concept 01: 简介
- Concept 02: Bagging
- Concept 03: AdaBoost
- Concept 04: 数据权重
- Concept 05: 为模型赋值 1
- Concept 06: 为模型赋值 2
- Concept 07: 为模型赋值 3
- Concept 08: 集合模型
- Concept 09: sklearn 中的 AdaBoost
- Concept 10: 相关学习资源
- Concept 11: 小结
- Lesson 07: 自我评估：监督学习学完监督学习这一节课，开始进行快速的自我评估吧！
- Concept 01: 监督学习自我评估
- Lesson 08: 监督学习实战项目Project Description - 为慈善机构寻找捐助者Project Rubric - 为慈善机构寻找捐助者
- Concept 01: 项目概述
- Concept 02: 软件要求
- Concept 03: 开始项目
- Concept 04: 提交项目
- Concept 05: 项目工作区
- Lesson 01: 线性回归线性回归是一种用于预测数值数据的非常有效的算法。
- Module 02: 案例演练: 游戏玩家付费金额预测
- Lesson 01: 案例演练：游戏玩家付费金额预测
- Concept 01: [workspace] 游戏玩家付费金额预测
- Lesson 01: 案例演练：游戏玩家付费金额预测
Module 03: 案例演练: 企业广告点击率预测
Module 01: 非监督学习
- Lesson 01: 聚类聚类是最常见的非监督学习方法之一。在这节课，我们将讨论 K-means 和执行聚类的其他方法。
- Concept 01: 简介
- Concept 02: 非监督学习
- Concept 03: 聚类电影
- Concept 04: 多少个聚类？
- Concept 05: 将点与聚类匹配
- Concept 06: 优化中心（橡皮筋）
- Concept 07: 移动中心 2
- Concept 08: 匹配点（再次）
- Concept 09: 移交给 Katie
- Concept 10: K-均值聚类可视化
- Concept 11: K-均值聚类可视化 2
- Concept 12: K-均值聚类可视化 3
- Concept 13: Sklearn
- Concept 14: K-均值的挑战
- Concept 15: K-均值的局限
- Concept 16: 反直觉的聚类
- Concept 17: 反直觉的聚类 2
- Lesson 02: 聚类迷你项目在这个迷你项目中，你将使用 K-means 来对电影评级聚类并使用这些聚类来提供电影推荐。
- Concept 01: 项目简介
- Concept 02: [Lab] 电影评分的 k 均值聚类
- Concept 03: 解决方案
- Lesson 03: 层次聚类法与密度聚类我们继续研究聚类方法。 我们将探讨层次聚类与密度聚类 (DBSCAN)。
- Concept 01: K-均值聚类
- Concept 02: 其他聚类方法概述
- Concept 03: 层次聚类：单连接聚类法
- Concept 04: 检验单连接聚类法
- Concept 05: 三种不同的层次聚类法
- Concept 06: 层次聚类法的具体使用
- Concept 07: [Lab] 层次聚类
- Concept 08: [Lab 解决方案] 层次聚类
- Concept 09: HC 示例与应用
- Concept 10: 层次聚类
- Concept 11: DBSCAN
- Concept 12: DBSCAN 运行
- Concept 13: [Lab] DBSCAN
- Concept 14: [Lab 解决方案] DBSCAN
- Concept 15: DBSCAN 示例与应用
- Concept 16: DBSCAN
- Lesson 04: 高斯混合模型与聚类验证本节课中，我们学习高斯混合模型，聚类验证分析过程，并验证聚类结果。
- Concept 01: 简介
- Concept 02: 高斯混合模型 (GMM) 聚类
- Concept 03: 一维高斯分布
- Concept 04: 一维高斯混合模型 (GMM) 聚类
- Concept 05: 二维高斯分布
- Concept 06: 二维高斯混合模型
- Concept 07: 练习：高斯混合
- Concept 08: 期望最大化算法概述
- Concept 09: 期望最大化 - 第一部分
- Concept 10: 期望最大化 - 第二部分
- Concept 11: 期望最大化示例
- Concept 12: 期望最大化
- Concept 13: GMM 实现
- Concept 14: GMM 示例与应用
- Concept 15: 聚类分析过程
- Concept 16: 聚类验证
- Concept 17: 外部评价指标
- Concept 18: 练习：调整兰德系数 (Adjusted Rand Index)
- Concept 19: 内部评价指标
- Concept 20: 轮廓系数
- Lesson 05: 特征缩放特征缩放是执行非监督式学习时的一个重要预处理步骤，以允许同时分析多个特征。
- Concept 01: Chris 的 T 恤尺寸
- Concept 02: 针对 Chris 的度量
- Concept 03: Cameron 的身高 + 体重
- Concept 04: Sarah 的身高 + 体重
- Concept 05: 由我们的度量确定的 Chris T恤尺寸
- Concept 06: 利用不同的尺度来比较特征
- Concept 07: 特征缩放公式练习 1
- Concept 08: 特征缩放公式练习 2
- Concept 09: 特征缩放公式练习 3
- Concept 10: 最小值/最大值重缩放器编码练习
- Concept 11: sklearn 中的最小值/最大值缩放器
- Concept 12: 需要重缩放的算法练习
- Lesson 06: PCA（主成分分析）PCA（即主成分分析）是一种特征选择方法，可将一组相关的变量转变为一组基础正交变量。
- Concept 01: 数据维度
- Concept 02: 较棘手的数据维度
- Concept 03: 一维或二维？
- Concept 04: 略微不完美的数据
- Concept 05: 最棘手的数据维度
- Concept 06: 用于数据转换的 PCA
- Concept 07: 新坐标系的中心
- Concept 08: 新坐标系的主轴
- Concept 09: 新系统的第二主成分
- Concept 10: 练习：查找中心
- Concept 11: 练习：查找新轴
- Concept 12: 哪些数据可用于 PCA
- Concept 13: 轴何时占主导地位
- Concept 14: 可测量的特征与潜在的特征练习
- Concept 15: 从四个特征到两个
- Concept 16: 在保留信息的同时压缩
- Concept 17: 复合特征
- Concept 18: 最大方差
- Concept 19: 最大方差的优点
- Concept 20: 最大方差与信息损失
- Concept 21: 信息损失和主成分
- Concept 22: 相邻复合特征
- Concept 23: 用于特征转换的 PCA
- Concept 24: 最大主成分数量
- Concept 25: PCA 的回顾/定义
- Concept 26: 将 PCA 应用到实际数据
- Concept 27: 安然财务数据的 PCA
- Concept 28: sklearn 中的 PCA
- Concept 29: 何时使用 PCA
- Concept 30: 用于人脸识别的 PCA
- Concept 31: 特征脸方法代码
- Lesson 07: PCA 迷你项目在这个迷你项目中，你将运用主成分分析到面部识别。
- Concept 01: PCA 迷你项目
- Lesson 08: 随机投影与 ICA在本课中，我们将介绍两种用于特征提取和降维的方法：随机投影和独立分量分析（ICA）。
- Concept 01: 随机投影
- Concept 02: 随机投影
- Concept 03: sklearn 中的随机投影
- Concept 04: 独立成分分析 (ICA)
- Concept 05: 独立成分分析算法
- Concept 06: ICA
- Concept 07: sklearn 中的独立成分分析
- Concept 08: [Lab] 独立成分分析
- Concept 09: [Lab 解决方案] 独立成分分析
- Concept 10: ICA 应用
- Lesson 09: 非监督学习自我评估学完非监督学习这一节课，开始进行快速的自我评估吧！
- Concept 01: 自我评估
- Lesson 10: 创建客户细分Project Description - 创建客户细分Project Rubric - 创建客户细分
- Concept 01: 项目概述
- Concept 02: 软件要求
- Concept 03: 开始项目
- Concept 04: 提交项目
- Concept 05: 项目工作区：创建客户细分
- Lesson 01: 聚类聚类是最常见的非监督学习方法之一。在这节课，我们将讨论 K-means 和执行聚类的其他方法。
Module 02: 案例演练：为信贷公司搭建金融风控模型
Module 01: 深度学习
- Lesson 01: 神经网络简介在这一课里，Luis 将带给你夯实的深度学习与神经网络的基础知识。你也将在教室里亲手用 python 实现梯度下降法与反向传播。
- Concept 01: 简介
- Concept 02: 分类问题
- Concept 03: 分类问题 2
- Concept 04: 线性界线
- Concept 05: 更高维度的界线
- Concept 06: 感知器
- Concept 07: 为何称为“神经网络”？
- Concept 08: 用感知器实现简单逻辑运算
- Concept 09: 感知器技巧 - 计算机如何“学习”分类？
- Concept 10: 感知器算法
- Concept 11: 非线性界线
- Concept 12: 误差函数
- Concept 13: 误差函数与梯度下降
- Concept 14: 离散型与连续型 - 为什么使用sigmoid函数
- Concept 15: 多类别分类与Softmax 函数
- Concept 16: One-Hot 编码
- Concept 17: 最大似然率
- Concept 18: 最大化概率
- Concept 19: 交叉熵 1-损失函数
- Concept 20: 交叉熵 2-损失函数
- Concept 21: 多类别交叉熵
- Concept 22: Logistic 回归
- Concept 23: 梯度下降
- Concept 24: 梯度下降算法推导与实现
- Concept 25: [Lab 准备] 梯度下降
- Concept 26: [Lab] 梯度下降
- Concept 27: 感知器和梯度下降
- Concept 28: 连续型感知器
- Concept 29: 非线性数据
- Concept 30: 非线性模型
- Concept 31: 神经网络结构
- Concept 32: 前向反馈
- Concept 33: 反向传播
- Concept 34: [Lab 准备] 分析学生录取数据
- Concept 35: [Lab] 分析学生数据
- Lesson 02: 实现梯度下降Mat 会向你介绍另一个误差函数，并带领你使用 numpy 矩阵乘法实现梯度下降。
- Concept 01: 平方平均误差函数
- Concept 02: 梯度下降
- Concept 03: 梯度下降：数学
- Concept 04: 梯度下降：代码
- Concept 05: 实现梯度下降
- Concept 06: 多层感知器
- Concept 07: 反向传播
- Concept 08: 实现一个反向传播
- Concept 09: 进阶阅读
- Lesson 03: 训练神经网络现在你已经了解了什么是神经网络。在这一课中你将学会几种方法，以提升神经网络的训练效果。
- Concept 01: 训练优化
- Concept 02: 测试
- Concept 03: 过拟合和欠拟合
- Concept 04: 早期停止
- Concept 05: 正则化
- Concept 06: 正则化 2
- Concept 07: Dropout
- Concept 08: 局部最低点
- Concept 09: 随机重新开始
- Concept 10: 梯度消失
- Concept 11: 其他激活函数
- Concept 12: Batch 和随机梯度下降
- Concept 13: 学习速率衰退
- Concept 14: 动量
- Concept 15: 世界各地的误差函数
- Lesson 04: 项目：预测共享单车使用情况在这个项目中，你将从头开始构建和训练你自己的神经网络，预测特定一天中的共享单车用户数。加油！Project Description - 你的第一个神经网络Project Rubric - 你的第一个神经网络
- Concept 01: 项目简介
- Concept 02: Notebook:共享单车使用情况
- Lesson 05: Lab: 情感分析在这节课中，《Grokking Deep Learning》一书的作者 Andrew Trask，将指导你一步步来运用神经网络进行情感分析。具体而言，你将构建一个神经网络，完全根据评论文本内容将影评归类为正面影评或负面影评！
- Concept 01: 介绍 Andrew Trask
- Concept 02: 认识 Andrew
- Concept 03: 材料
- Concept 04: Notebook:情感分析
- Concept 05: 分析问题
- Concept 06: 迷你项目 1
- Concept 07: 迷你项目 1 解决方案
- Concept 08: 将文本转化为数字
- Concept 09: 迷你项目 2
- Concept 10: 迷你项目 2 解决方案
- Concept 11: 构建神经网络
- Concept 12: 迷你项目 3
- Concept 13: 迷你项目 3 解决方案
- Concept 14: 理解神经网络中的噪音
- Concept 15: 迷你项目 4
- Concept 16: 理解网络中的低效情况
- Concept 17: 迷你项目 5
- Concept 18: 迷你项目 5 解决方案
- Concept 19: 进一步减少噪音
- Concept 20: 迷你项目 6
- Concept 21: 迷你项目 6 解决方案
- Concept 22: 分析：权重发生了什么？
- Concept 23: 总结
Part 06 : 计算机视觉（一）
- Lesson 01: 神经网络简介在这一课里，Luis 将带给你夯实的深度学习与神经网络的基础知识。你也将在教室里亲手用 python 实现梯度下降法与反向传播。
Module 01: 计算机视觉基础
- Lesson 01: 欢迎学习深度学习计算机视觉课程欢迎学习深度学习计算机视觉纳米学位课程！
- Concept 01: 欢迎学习计算机视觉纳米学位课程
- Concept 02: 计算机视觉行业应用
- Concept 03: 项目和主题
- Concept 04: 与行业领军者合作
- Concept 05: 开始学习！
- Lesson 02: 图像表示法和分类了解如何以数字方式表示图像并实施图像处理技巧，例如颜色遮罩和二元分类。
- Concept 01: 模式识别简介
- Concept 02: 情感智力
- Concept 03: 计算机视觉管道
- Concept 04: 训练模型
- Concept 05: 划分数据
- Concept 06: AffdexMe 演示
- Concept 07: 图像形成
- Concept 08: 作为网格像素的图像
- Concept 09: Notebook: 作为数字数据的图像
- Concept 10: 颜色图像
- Concept 11: 颜色或灰度？
- Concept 12: Notebook: 可视化 RGB 通道
- Concept 13: 颜色阈值
- Concept 14: 编写蓝色屏幕
- Concept 15: Notebook：蓝色屏幕
- Concept 16: Notebook：绿色屏幕
- Concept 17: 颜色空间和转换
- Concept 18: Notebook：颜色转换
- Concept 19: 昼夜分类挑战
- Concept 20: Notebook: 加载和可视化数据
- Concept 21: 标签数据和准确性
- Concept 22: 显著特征
- Concept 23: 特征
- Concept 24: 标准化输出
- Concept 25: Notebook：标准化白天和夜晚图像
- Concept 26: 平均亮度
- Concept 27: Notebook: 平均亮度特征提取
- Concept 28: 分类
- Concept 29: Notebook: 分类
- Concept 30: 评估指标
- Concept 31: Notebook: 准确性和错误分类
- Concept 32: 复习和计算机视觉管道
- Lesson 03: 卷积过滤器和边缘检测学习图像中的频率并实现你自己的图像过滤器，用于检测图像中的边缘和形状。使用计算机视觉进行脸部检测。
- Concept 01: 过滤和查找边缘
- Concept 02: 图像中的频率
- Concept 03: Notebook：傅里叶变换
- Concept 04: 练习：傅里叶变换
- Concept 05: 高通滤波器
- Concept 06: 练习：核
- Concept 07: 创建过滤器
- Concept 08: 梯度和索贝尔过滤器
- Concept 09: Notebook：寻找边缘
- Concept 10: 低通过滤器
- Concept 11: 高斯模糊
- Concept 12: Notebook：高斯模糊
- Concept 13: Notebook：过滤器的傅里叶变换
- Concept 14: 卷积层
- Concept 15: Canny 边缘检测器
- Concept 16: Notebook：Canny 边缘检测
- Concept 17: 形状检测
- Concept 18: 霍夫变换
- Concept 19: 练习：霍夫空间
- Concept 20: 霍夫线检测
- Concept 21: Notebook：霍夫检测
- Concept 22: 对象识别和哈尔特征简介
- Concept 23: 哈尔特征
- Concept 24: Notebook：哈尔特征脸部检测
- Concept 25: 脸部识别和偏差风险
- Concept 26: 除了边缘之外，选择其他特征
- Lesson 04: 特征类型和图像分割开发角点检测器，并学习 k 均值聚类等技巧以将图像分割为独特的部分。
- Concept 01: 特征类型
- Concept 02: 角点检测器
- Concept 03: Notebook：查找角点
- Concept 04: 膨胀和腐蚀
- Concept 05: 图像分割
- Concept 06: 图像轮廓
- Concept 07: Notebook：查找轮廓和特征
- Concept 08: 解决方案：查找轮廓和特征
- Concept 09: K 均值聚类
- Concept 10: K 均值实现
- Concept 11: Notebook：K 均值聚类
- Lesson 05: 特征向量学习如何使用特征向量描述对象和图像。
- Concept 01: 角点和对象检测
- Concept 02: 特征向量
- Concept 03: 实时特征检测
- Concept 04: ORB 简介
- Concept 05: FAST
- Concept 06: 练习：FAST 关键点
- Concept 07: BRIEF
- Concept 08: 缩放和旋转不变性
- Concept 09: Notebook：图像金字塔
- Concept 10: 特征匹配
- Concept 11: 视频中的 ORB
- Concept 12: Notebook：实施 ORB
- Concept 13: HOG
- Concept 14: Notebook：实施 HOG
- Concept 15: 学习查找特征
- Lesson 06: CNN 层级和特征可视化定义并训练你自己的服饰识别卷积神经网络。使用特征可视化技巧了解网络学习的规律。
- Concept 01: CNN 层级简介
- Concept 02: 复习：训练神经网络
- Concept 03: 课程大纲和数据
- Concept 04: CNN 架构，VGG-16
- Concept 05: 卷积层
- Concept 06: 在 PyTorch 中定义层级
- Concept 07: Notebook：可视化卷积层
- Concept 08: 池化，VGG-16 架构
- Concept 09: 池化层
- Concept 10: Notebook：可视化池化层
- Concept 11: 全连接层，VGG-16
- Concept 12: Notebook：可视化 FashionMNIST
- Concept 13: 在 PyTorch 中训练
- Concept 14: Notebook：Fashion MNIST 训练练习
- Concept 15: Notebook：FashionMNIST，解决方案 1
- Concept 16: 复习：丢弃
- Concept 17: Notebook：FashionMNIST，解决方案 2
- Concept 18: 网络结构
- Concept 19: 特征可视化
- Concept 20: 特征图
- Concept 21: 首个卷积层
- Concept 22: 可视化 CNN（第 2 部分）
- Concept 23: 可视化激活函数
- Concept 24: Notebook：FashionMNIST 特征可视化
- Concept 25: Notebook：可视化网络层级
- Concept 26: 最终特征向量和 t-SNE
- Concept 27: 遮挡、显著性和导向反向传播
- Concept 28: 特征可视化总结
- Concept 29: 图像分类和递归挑战
- Lesson 07: 项目：脸部关键点检测运用图像处理和深度学习知识创建一个脸部关键点（眼睛、嘴巴等）检测 CNN。Project Description - 人脸关键点检测Project Rubric - 人脸关键点检测
- Concept 01: 项目概述
- Concept 02: Workspace：最佳做法
- Concept 03: 项目：脸部关键点检测
- Lesson 08: 癌症检测深度学习在本课中，听 Sebastian Thrun 介绍他用卷积神经网络检测皮肤癌的开创性工作。
- Concept 01: 介绍
- Concept 02: 皮肤癌
- Concept 03: 皮肤癌生存概率
- Concept 04: 医学分类
- Concept 05: 数据
- Concept 06: 图像挑战
- Concept 07: 练习：数据挑战
- Concept 08: 参考答案：数据挑战
- Concept 09: 训练神经网络
- Concept 10: 练习：随机权重与预初始化权重
- Concept 11: 参考答案：随机权重与预初始化权重
- Concept 12: 训练验证
- Concept 13: 练习：敏感性与特异性
- Concept 14: 参考答案：敏感性与特异性
- Concept 15: 敏感性与特异性进一步介绍
- Concept 16: 练习：癌症诊断
- Concept 17: 参考答案：癌症诊断
- Concept 18: ROC 曲线回顾
- Concept 19: 练习：ROC 曲线
- Concept 20: 参考答案：ROC 曲线
- Concept 21: 将我们的结果与医生诊断结果相比较
- Concept 22: 可视化
- Concept 23: 神经网络关注的是什么
- Concept 24: 混淆矩阵回顾
- Concept 25: 混淆矩阵
- Concept 26: 总结
- Concept 27: 有用资源
- Concept 28: 小项目介绍
- Concept 29: 小项目：皮肤科医生的人工智能
Part 07 : 计算机视觉（二）
- Lesson 01: 欢迎学习深度学习计算机视觉课程欢迎学习深度学习计算机视觉纳米学位课程！
Module 01: Advanced Computer Vision and Deep Learning
- Lesson 01: 高级 CNN 架构了解高级 CNN 架构并了解基于区域的 CNN（例如 Faster R-CNN）如何快速定位并识别图像中的对象。
- Concept 01: CNN 和场景理解
- Concept 02: 不止分类
- Concept 03: 分类和定位
- Concept 04: 边界框和递归
- Concept 05: 练习：损失值
- Concept 06: 区域建议
- Concept 07: R-CNN
- Concept 08: Fast R-CNN
- Concept 09: Faster R-CNN
- Concept 10: 包含/不含建议的检测
- Lesson 02: YOLO了解 YOLO (You Only Look Once) 多对象检测模型，并实现 YOLO 算法。
- Concept 01: YOLO 简介
- Concept 02: YOLO 输出
- Concept 03: 滑动窗口，重新访问
- Concept 04: CNN 与滑动窗口
- Concept 05: 使用网格
- Concept 06: 用网格训练
- Concept 07: 生成边界框
- Concept 08: 练习：生成边界框和检测对象
- Concept 09: 太多边界框
- Concept 10: 交并比 (IoU)
- Concept 11: 练习：IoU 和重叠限制
- Concept 12: 非最大值抑制
- Concept 13: 锚点框
- Concept 14: YOLO 算法
- Concept 15: Notebook：YOLO 实现
- Lesson 03: RNN学习如何使用递归神经网络 (RNN) 使深度学习网络具有记忆。了解 RNN 如何从有序数据中学习规律并生成有序数据。
- Concept 01: 计算机视觉中的 RNN
- Concept 02: 循环神经网络简介
- Concept 03: 循环神经网络历史
- Concept 04: 循环神经网络的应用
- Concept 05: 前馈神经网络：提醒
- Concept 06: 前馈过程
- Concept 07: 前馈练习
- Concept 08: 反向传播算法：理论
- Concept 09: 反向传播算法：示例(第一部分)
- Concept 10: 反向传播算法：示例(第二部分)
- Concept 11: 反向传播算法练习
- Concept 12: 循环神经网络(第一部分)
- Concept 13: 循环神经网络(第二部分)
- Concept 14: 循环神经网络：展开模型
- Concept 15: 展开模型练习
- Concept 16: 循环神经网络：示例
- Concept 17: 基于时间的反向传播算法 （第一部分）
- Concept 18: 基于时间的反向传播算法（第二部分）
- Concept 19: 基于时间的反向传播算法（第三部分）
- Concept 20: 基于时间的反向传播算法练习 1
- Concept 21: 基于时间的反向传播算法练习 2
- Concept 22: 基于时间的反向传播算法练习3
- Concept 23: 更多数学知识
- Concept 24: 循环神经网络总结
- Concept 25: 从循环神经网络到长短期记忆网络
- Concept 26: 小结
- Lesson 04: 长短期记忆网络 (LSTM)Luis 介绍了长短期记忆网络 (LSTM) 以及有助于保留长期记忆的类似架构。
- Concept 01: LSTM 介绍
- Concept 02: RNN vs LSTM
- Concept 03: LSTM 基础
- Concept 04: LSTM 的架构
- Concept 06: 学习门
- Concept 07: 遗忘门
- Concept 08: 记忆门
- Concept 09: 应用门
- Concept 10: 组合在一起
- Concept 11: Quiz
- Concept 12: Notebook：词性标注 LSTM
- Concept 13: 字符级 RNN
- Concept 14: 序列批处理
- Concept 15: Notebook：字符级 LSTM
- Concept 16: 其他架构
- Lesson 05: 超参数了解用于定义和训练深度学习模型的不同超参数。 我们将讨论调整每个超参数的起始值。
- Concept 01: 讲师简介
- Concept 02: 简介
- Concept 03: 学习率简介
- Concept 04: 学习率
- Concept 05: Minibatch 大小
- Concept 06: 训练迭代 / Epoch 的次数
- Concept 07: 隐藏单元/层的数量
- Concept 08: RNN 超参数
- Concept 09: RNN 超参数
- Concept 10: 资源和参考
- Lesson 06: 深度学习注意力机制注意力是近期深度学习的最重要创新技术之一。在此部分，你将学习注意力模型的原理并完成基本的代码实现过程。
- Concept 01: 注意力简介
- Concept 02: 编码器和解码器
- Concept 03: 选修：文本情感分析
- Concept 04: 序列到序列小结
- Concept 05: 编码 — 注意力概述
- Concept 06: 解码 — 注意力概述
- Concept 07: 注意力概述
- Concept 08: 注意力编码器
- Concept 09: 注意力解码器
- Concept 10: 注意力编码器和解码器
- Concept 11: Bahdanau 注意力与 Luong 注意力
- Concept 12: 乘法注意力
- Concept 13: 加法注意力
- Concept 14: 加法和乘法注意力
- Concept 15: 计算机视觉应用
- Concept 16: 其他注意力方法
- Concept 17: Transformer 和自注意力
- Concept 18: Notebook：注意力基础知识
- Concept 19: [解决方案]：注意力基础知识
- Concept 20: 小结
- Lesson 07: 图像说明学习如何结合 CNN 和 RNN 构建复杂的自动图像说明模型。
- Concept 01: 图像说明简介
- Concept 02: 利用神经网络
- Concept 03: 图像说明和 COCO 数据集
- Concept 04: 可视化数据集
- Concept 05: CNN-RNN 模型
- Concept 06: 粘合剂特征向量
- Concept 07: 标记化说明
- Concept 08: 标记化单词
- Concept 09: RNN 训练
- Concept 10: 视频说明
- Concept 11: 介绍项目！
- Lesson 08: 项目：图像说明训练 CNN-RNN 模型，预测给定图像的图像说明。你的主要任务是为 CNN 编码器实现一个有效的 RNN 解码器。Project Description - 图像标注Project Rubric - 图像标注
- Concept 01: 项目概述
- Concept 02: LSTM 输入/输出
- Concept 03: GPU Workspace 简介
- Concept 04: [从此处提交]项目：图像说明，PyTorch 0.4
- Lesson 01: 高级 CNN 架构了解高级 CNN 架构并了解基于区域的 CNN（例如 Faster R-CNN）如何快速定位并识别图像中的对象。
Module 02: 选修部分：更多的深度模型
- Lesson 01: 选修：全卷积神经网络和语义分割
- Concept 01: 简介
- Concept 02: 为何要使用全卷积神经网络 (FCN)？
- Concept 03: 全卷积网络
- Concept 04: 全连接到 1x1 卷积
- Concept 05: 转置卷积
- Concept 06: 跳过连接
- Concept 07: FCN 应用
- Concept 08: 边界框
- Concept 09: 语义分割
- Concept 10: 语义分割和 FCN
- Concept 11: 场景理解
- Concept 12: IoU
- Concept 13: IOU 示例
- Concept 14: FCN-8 架构
- Concept 15: 小结
- Lesson 02: 选修：3D CNN 架构
- Lesson 01: 选修：全卷积神经网络和语义分割
Module 01: Introduction to the Nanodegree
- Lesson 01: 欢迎来到自然语言处理课程！Welcome to the Natural Language Processing Nanodegree program!
- Concept 01: 欢迎学习自然语言处理纳米学位课程
- Concept 02: 截止期限规定
- Concept 03: 社区指南
- Concept 04: 课程计划 - 第 1 周
- Lesson 02: 自然语言处理简介Arpan 将简要介绍如何构建自然语言处理管道。
- Concept 01: Arpan 简介
- Concept 02: 自然语言处理概述
- Concept 03: 结构化语言
- Concept 04: 语法
- Concept 05: 无结构文本
- Concept 06: 单词计数
- Concept 07: 语境最重要
- Concept 08: 自然语言处理和管道
- Concept 09: 自然语言处理管道的工作原理
- Concept 10: 文本处理
- Concept 11: 特征提取
- Concept 12: 建模
- Lesson 03: 文本处理‘学习通过以下方式整理来自不同来源的文本以进一步处理这些文本：清理、标准化并拆分为单个单词或标记。’
- Concept 01: 文本处理
- Concept 02: 编程练习
- Concept 03: GPU Workspace 简介
- Concept 04: Workspace：最佳做法
- Concept 05: Workspace
- Concept 06: 捕获文本数据
- Concept 07: 清理
- Concept 08: 标准化
- Concept 09: 标记化
- Concept 10: 删除停用词
- Concept 11: 词性标注
- Concept 12: 识别命名实体
- Concept 13: 词干提取和词形还原
- Concept 14: 总结
- Lesson 04: 利用朴素贝叶斯的垃圾邮件分类器在此部分，你将学习如何使用朴素贝叶斯算法构建垃圾邮件分类器。
- Concept 01: 简介
- Concept 02: Alex or Brenda?
- Concept 03: 已知与推断
- Concept 04: Alex or Brenda (2)
- Concept 05: 贝叶斯定理
- Concept 06: 练习：误报
- Concept 07: 参考答案：误报
- Concept 08: 贝叶斯学习 1
- Concept 09: 贝叶斯学习 2
- Concept 10: 贝叶斯学习 3
- Concept 11: 朴素贝叶斯算法 1
- Concept 12: 朴素贝叶斯算法 2
- Concept 13: 项目简介：构建垃圾邮件分类器
- Concept 14: 项目概述
- Concept 15: [Workspace] 构建垃圾邮件分类
- Concept 16: 小结
- Lesson 05: 利用 HMM 进行词性标注Luis 将简要介绍多个词性标注方法，并深入讲解隐马尔可夫模型。
- Concept 01: 简介
- Concept 02: 词性标注
- Concept 03: 查询表
- Concept 04: 双字母组
- Concept 05: 双字母组不可行时
- Concept 06: 隐马尔可夫模型
- Concept 07: 练习：有多少条路径？
- Concept 08: 解决方案：有多少条路径
- Concept 09: 练习：现在有多少条路径？
- Concept 10: 练习：哪条路径的概率更高？
- Concept 11: 解决方案：哪条路径概率更高？
- Concept 12: 维特比算法概念
- Concept 13: 维特比算法
- Concept 14: 延伸阅读
- Concept 15: 小结
- Lesson 06: 项目：词性标注在此项目中，你将构建一个隐马尔可夫模型，用于使用通用标签集进行词性标注。Project Description - 词性标注Project Rubric - 词性标注
- Concept 01: 简介
- Concept 02: Workspace：词性标注
- Lesson 07: 书虫学习如何使用 IBM Watson 构建简单的问答代理。
- Lesson 01: 欢迎来到自然语言处理课程！Welcome to the Natural Language Processing Nanodegree program!
Module 01: Computing with Natural Language
- Lesson 01: 特征提取和嵌入利用词袋、TF-IDF、Word2Vec 和 GloVE 等方法转换文本，以提取可以用于机器学习模型的特征。
- Concept 01: 特征提取
- Concept 02: 词袋
- Concept 03: TF-IDF
- Concept 04: 独热编码
- Concept 05: 单词嵌入
- Concept 06: Word2Vec
- Concept 07: GloVe
- Concept 08: 深度学习的嵌入
- Concept 09: t-SNE
- Concept 10: 总结
- Lesson 02: 主题建模在此部分，你将学习如何使用潜在狄利克雷分析 (LDA) 将文档集合划分为主题。在 Lab 中，你会将此模型应用到一个新闻数据库上。
- Concept 01: 简介
- Concept 02: 参考资料
- Concept 03: 词袋
- Concept 04: 潜在变量
- Concept 05: 矩阵乘法
- Concept 06: 矩阵
- Concept 07: 练习：选择主题
- Concept 08: 解决方案：选择主题
- Concept 09: β 分布
- Concept 10: 狄利克雷分布
- Concept 11: 潜在狄利克雷分布
- Concept 12: 单词抽样
- Concept 13: 合并模型
- Concept 14: 小结
- Concept 15: Notebook：主题建模
- Concept 16: [解决方案]主题建模
- Lesson 03: 情感分析学习如何使用几种机器学习分类器（包括递归神经网络）预测文字情感，并将所学知识运用到影评数据库中。
- Concept 01: 简介
- Concept 02: 利用常规分类器进行情感分析
- Concept 03: Notebook：利用常规分类器进行情感分析
- Concept 04: [解决方案]：利用常规分类器进行情感分析
- Concept 05: 利用 RNN 进行情感分析
- Concept 06: Notebook：利用 RNN 进行情感分析
- Concept 07: [解决方案]：利用 RNN 进行情感分析
- Concept 08: 小结
- Lesson 04: 序列到序列在此部分，你将学习一种特定的 RNN 架构，用于从一种序列生成另一种序列。这些 RNN 适合聊天机器人、机器翻译等应用！
- Concept 01: 介绍 Jay Alammar
- Concept 02: 介绍 Jay
- Concept 03: 应用
- Concept 04: 架构
- Concept 05: 更深的架构
- Concept 06: 小结
- Lesson 05: 深度学习注意力机制注意力是近期最重要的深度学习创新技术之一。在此部分，你将学习注意力，并在 Lab 中了解注意力的基本实现过程。
- Concept 01: 注意力简介
- Concept 02: 序列到序列小结
- Concept 03: 编码 — 注意力概述
- Concept 04: 解码 — 注意力概述
- Concept 05: 注意力概述
- Concept 06: 注意力编码器
- Concept 07: 注意力解码器
- Concept 08: 注意力编码器和解码器
- Concept 09: Bahdanau 注意力与 Luong 注意力
- Concept 10: 乘法注意力
- Concept 11: 加法注意力
- Concept 12: 加法和乘法注意力
- Concept 13: 计算机视觉应用
- Concept 14: 自然语言处理应用：Google 神经机器翻译
- Concept 15: 其他注意力方法
- Concept 16: Transformer 和自注意力
- Concept 17: Notebook：注意力基础知识
- Concept 18: [解决方案]：注意力基础知识
- Concept 19: 小结
- Lesson 06: RNN Keras Lab此部分将为机器翻译部分做好准备。在此部分，你将有机会在 Keras 中获得 RNN 实操经验。
- Concept 01: 简介
- Concept 02: 机器翻译
- Concept 03: 解密字符级 RNN 的代码
- Concept 04: [解决方案]解密字符级 RNN 的代码
- Concept 05: 恭喜！
- Lesson 07: 云端计算设置说明概述了为 GPU 加速训练配置远程环境的步骤（注意：自然语言处理纳米学位课程不提供 AWS 积分）
- Concept 01: 概述
- Concept 02: 创建帐号
- Concept 03: 获得 GPU 实例的访问权限
- Concept 04: 启动实例
- Concept 05: 远程连接实例
- Lesson 08: 项目：机器翻译将在自然语言处理课程中学到的技能运用到一个很有挑战性但是收获会颇丰的机器翻译任务中。 _祝你好运！_Project Description - 项目 2：机器翻译Project Rubric - 项目 2：机器翻译
- Concept 01: GPU Workspace 简介
- Concept 02: Workspace：最佳做法
- Concept 03: 自然语言处理机器翻译 Workspace
- Concept 04: 项目：机器翻译
- Lesson 01: 特征提取和嵌入利用词袋、TF-IDF、Word2Vec 和 GloVE 等方法转换文本，以提取可以用于机器学习模型的特征。
Module 02: 案例演练：预测股票价格
Module 01: 毕业项目
Module 01: GitHub 个人资料建立与优化
- Lesson 01: GitHub 个人资料的建立与优化GitHub是目前全世界范围内最广泛使用的代码托管平台，且普及度也在不断提高。通过本节内容，你将了解：
1）GitHub的重要性；
2）为什么要使用GitHub？
3）如何创建及优化你的GitHub个人资料。- Concept 01: 简介
- Concept 02: Github个人资料的重要事项
- Concept 03: 出色的 GitHub 代码库
- Concept 04: 第一部分：用人经理如何看待GitHub
- Concept 05: 快速修改你的资料
- Concept 06: 快速修改你的资料
- Concept 07: 编写 README
- Concept 08: 第二部分：用人经理如何看待GitHub
- Concept 09: 提交 Commit 最佳做法
- Concept 10: 反思你的提交说明
- Concept 11: 参与开源项目之一
- Concept 12: 第三部分：用人经理如何看待GitHub
- Concept 13: 参与开源项目之二
- Concept 14: 关注代码库
- Concept 15: 结尾
- Lesson 01: GitHub 个人资料的建立与优化GitHub是目前全世界范围内最广泛使用的代码托管平台，且普及度也在不断提高。通过本节内容，你将了解：
- Module 02: 找工作策略
- Lesson 01: 寻找工作机会通过本节内容，你将了解如何有效地搜索心仪职位，减少无效搜索耗费的时间，以便你能够针对具体职位优化你的申请。
- Concept 01: 简介
- Concept 02: 找工作的心态
- Concept 03: 针对招聘者优化你的申请
- Concept 04: 乐于迎接机遇和改变
- Lesson 01: 寻找工作机会通过本节内容，你将了解如何有效地搜索心仪职位，减少无效搜索耗费的时间，以便你能够针对具体职位优化你的申请。
- Module 03: 个人简历的创建和优化
- Lesson 01: 个人简历的创建和优化个人简历不仅是对自身经历的概括，更是进入心仪领域的敲门砖。通过本章节你将学习到如何准备一份有效的个人简历。Project Description - 简历审阅 - AI 方向Project Rubric - 简历审阅 - AI 方向
- Concept 01: 简介
- Concept 02: 优秀简历的组成部分
- Concept 03: 简历的主要内容
- Concept 04: 如何描述工作经验？
- Concept 05: 简历的共性和特性
- Concept 06: 注重简历的细节
- Concept 07: 选择与你的情况最相符的项目
- Concept 08: 开始准备你的简历
- Lesson 01: 个人简历的创建和优化个人简历不仅是对自身经历的概括，更是进入心仪领域的敲门砖。通过本章节你将学习到如何准备一份有效的个人简历。Project Description - 简历审阅 - AI 方向Project Rubric - 简历审阅 - AI 方向
- Module 04: 拓展你的职业人脉
- Lesson 01: 拓展你的职业人脉在本章节中，我们将分享如何建立高质量职业人脉网络，扩大自身行业影响力，并从中脱颖而出。
- Concept 01: 为何要拓展人脉？
- Concept 02: 什么是电梯演讲？
- Concept 03: 个人品牌
- Concept 04: 情景模拟
- Concept 05: 电梯演讲示例
- Concept 06: 主动与招聘者对话
- Concept 07: 实践你的电梯演讲
- Lesson 01: 拓展你的职业人脉在本章节中，我们将分享如何建立高质量职业人脉网络，扩大自身行业影响力，并从中脱颖而出。
Module 05: 领英档案的创建与优化
Module 01: 如何准备行为导向面试
- Lesson 01: 如何积极准备面试恭喜你成功提交了毕业项目的开题报告！在完成正式的毕业项目之前，我们希望与你分享一些面试中重要的注意事项和小技巧，让你能够提前为未来的面试做准备哦！
- Concept 01: 简介
- Concept 02: 面试是一场对话
- Concept 03: STAR 方法
- Concept 04: 面试中的注意事项
- Lesson 02: 行为导向面试让我们通过一些行为面试小练习和模拟面试项目帮助你巩固“STAR”方法的掌握和运用！
- Concept 01: 行为面试案例分析
- Concept 02: 练习：你对公司有什么了解？
- Concept 03: 练习：分享一个能展示你积极性的案例
- Concept 04: 练习：分享一个失败的例子，以及你是如何应对的
- Concept 05: 练习：在工作中，你以什么作为自己的动力？
- Concept 06: 自身实践：行为面试资源
- Lesson 03: 如何正确应对面试失败这里有一些面试失败的真实例子 ——不要担心，面试失败是件非常常见的事！千万不要气馁！
- Concept 01: 简介
- Concept 02: 面试失败示例1：Siya Raj Purohit
- Concept 03: 面试失败示例2：Lyla Fujiwara
- Lesson 04: 行为导向面试实战项目恭喜你进入行为导向模拟面试！回顾一下之前的知识点，放轻松，祝你好运！Project Description - 行为导向面试 - AI 方向Project Rubric - 行为导向面试 - AI 方向
- Concept 01: 行为面试的注意事项
- Lesson 01: 如何积极准备面试恭喜你成功提交了毕业项目的开题报告！在完成正式的毕业项目之前，我们希望与你分享一些面试中重要的注意事项和小技巧，让你能够提前为未来的面试做准备哦！
- Module 02: 机器学习模拟面试
- Lesson 01: 机器学习工程师模拟面试准备通过本章节的情景模拟，你会对即将到来的模拟面试做好前期准备哦！
- Concept 01: 机器学习面试
- Concept 02: 心态和技巧
- Concept 03: Q1 - 预测雨天
- Concept 04: Q2 - 找出鱼
- Concept 05: Q3 - 检测抄袭行为
- Concept 06: Q4 - 降低数据纬度
- Concept 07: Q5 - 介绍你的机器学习项目
- Concept 08: Q6 - 解释 SVM 的原理
- Concept 09: 结论
- Lesson 02: 机器学习模拟面试实战项目恭喜你来到最关注的技术模拟面试！放轻松，回顾过往知识点，祝你好运！Project Description - 机器学习模拟面试实战项目Project Rubric - 机器学习模拟面试实战项目
- Concept 01: 机器学习模拟面试注意事项
- Lesson 01: 机器学习工程师模拟面试准备通过本章节的情景模拟，你会对即将到来的模拟面试做好前期准备哦！
Module 03: 成功获得工作机会
Module 01: 自然语言交流
- Lesson 01: 语音用户界面简介‘熟悉语音用户界面的原则和应用，并了解 Alexa 的技能。’
- Concept 01: 欢迎学习语音用户界面课程！
- Concept 02: 语音用户界面概述
- Concept 03: 语音用户界面应用
- Lesson 02: 语音识别了解 ASR 管道的工作原理。
- Concept 01: 简介
- Concept 02: 自动语音识别面临的挑战
- Concept 03: 信号分析
- Concept 04: 参考资料：信号分析
- Concept 05: 练习：FFT
- Concept 06: 通过 MFCC 进行特征提取
- Concept 07: 参考资料：特征提取
- Concept 08: 练习：MFCC
- Concept 09: 语音学
- Concept 10: 参考资料：语音学
- Concept 11: 练习：语音学
- Concept 12: 语音数据 Lab 简介
- Concept 13: Lab：语音数据
- Concept 14: 声学模型和时间问题
- Concept 15: 语音识别 HMM
- Concept 16: 语言模型
- Concept 17: N-Gram
- Concept 18: 练习：N-Gram
- Concept 19: 参考资料：传统 ASR
- Concept 20: 新示意图
- Concept 21: 深度神经网络语音模型
- Concept 22: Connectionist Temporal Classification (CTC)
- Concept 23: 参考资料：深度神经网络 ASR
- Concept 24: 小结
- Lesson 03: Lab: DNN 语音识别器
- Lesson 01: 语音用户界面简介‘熟悉语音用户界面的原则和应用，并了解 Alexa 的技能。’
Module 01: Keras
- Lesson 01: Keras 入门In this section you’ll define a neural network with Keras, and apply the framework to analyze movie reviews.
- Concept 01: Intro
- Concept 02: Keras
- Concept 03: [Keras Lab准备] 录取学生
- Concept 04: [Keras Lab] 录取学生
- Concept 05: Keras 中的优化程序
- Concept 06: 迷你项目简介
- Concept 07: [Keras Lab 准备] IMDB 数据
- Concept 08: [Keras Lab] IMDB 数据
- Lesson 01: Keras 入门In this section you’ll define a neural network with Keras, and apply the framework to analyze movie reviews.
- Module 02: TensorFlow
- Lesson 01: TensorFlow 入门In this section you’ll get an introduction to TensorFlow, Google’s deep learning framework, and you’ll be able to apply it on an image dataset.
- Concept 01: Intro
- Concept 02: 安装 TensorFlow
- Concept 03: Hello, Tensor World!
- Concept 04: 练习：TensorFlow 输入
- Concept 05: 练习：TensorFlow 数学
- Concept 06: 练习：TensorFlow 里的线性函数
- Concept 07: 练习: TensorFlow Softmax
- Concept 08: 练习: TensorFlow 交叉熵
- Concept 09: 练习: Mini-batch
- Concept 10: Epochs（代）
- Concept 11: TensorFlow 实验准备：NotMNIST
- Concept 12: TensorFlow 实验：NotMNIST
- Concept 13: Two-layer Neural Network
- Concept 14: 练习：TensorFlow ReLUs
- Concept 15: TensorFlow 中的深度神经网络
- Concept 16: 保存和读取 TensorFlow 模型
- Concept 17: 参数微调
- Concept 18: 练习：TensorFlow Dropout
- Concept 19: 总结
- Lesson 01: TensorFlow 入门In this section you’ll get an introduction to TensorFlow, Google’s deep learning framework, and you’ll be able to apply it on an image dataset.
Module 03: Pytorch
- Lesson 01: 通过 PyTorch 进行深度学习学习如何使用 PyTorch 构建深度学习模型。
Module 01: C++ 基础
- Lesson 01: C++ 入门C++ 和 Python 的区别，以及如何写 C++ 代码。
- Concept 01: 介绍
- Concept 02: 课程概述
- Concept 03: Elecia White
- Concept 04: 为什么选择 C++
- Concept 05: Python 和 C++ 比较
- Concept 06: 静态 vs 动态类型
- Concept 07: C++ - 静态类型语言
- Concept 08: 数据的基本类型
- Concept 09: 单精度和双精度浮点数[示范区]
- Concept 10: 双精度浮点数占用空间更大
- Concept 11: 常见错误和错误消息
- Concept 12: C++ 函数
- Concept 13: 函数剖析
- Concept 14: 多输出
- Concept 15: 两个同名函数
- Concept 16: 函数签名 1
- Concept 17: 函数签名 2
- Concept 18: If 和布尔逻辑
- Concept 19: While 和 For 循环
- Concept 20: Switch 语句
- Concept 21: 库
- Concept 22: 继续加油！
- Lesson 02: C++ 向量为了进行矩阵代数的程序运算和翻译 Python 代码，你将需要用到 C++ 向量。这些向量同 Python 列表相似，但其中的句法更为复杂。
- Concept 01: C++ 向量
- Concept 02: 命名空间
- Concept 03: Python 与 C++ 向量
- Concept 04: 初始化向量值
- Concept 05: 向量方法
- Concept 06: 向量和 for 循环
- Concept 07: 数学和向量
- Concept 08: 1D 向量练习区
- Concept 09: 二维向量
- Concept 10: 二维向量与 for 循环
- Concept 11: 二维向量练习区
- Concept 12: 下节课预告
- Lesson 03: C++ 实战学习如何在自己的计算机上编写 C++代码，并将其编译为可执行程序，同时尽量避免编译错误。
- Concept 01: 编译介绍
- Concept 02: 本地运行代码
- Concept 03: C++ 版本
- Concept 04: 构造函数和文件组织
- Concept 05: 输入和输出
- Concept 06: 读入文本文件
- Concept 07: 输出到文本文件
- Concept 08: 练习
- Lesson 04: C++ 面向对象编程学习 C++ 面向对象编程的语法，以及该语言提供的一些额外的 OOP 特性。
- Concept 01: 介绍
- Concept 02: Python vs. C++ 高斯分布例子
- Concept 03: 为什么使用面向对象编程？
- Concept 04: Python vs. C++：类的使用
- Concept 05: 类的剖析
- Concept 06: 类文件结构
- Concept 07: 练习类的使用
- Concept 08: Include 防范
- Concept 09: 私有和公开
- Concept 10: 类变量
- Concept 11: 类函数声明
- Concept 12: 构造函数
- Concept 13: Set 和 Get 函数
- Concept 14: 矩阵函数
- Concept 15: 使用 Include 防范
- Concept 16: 实例化一个对象
- Concept 17: 在本地运行你的程序
- Lesson 05: Python 和 C++ 的速度本堂课上，我们会对比 C++ 和 Python 程序的运行速度。
- Concept 01: 简介
- Concept 02: 执行移动函数
- Concept 03: Python 中的移动
- Concept 04: C++ 中的移动
- Concept 05: 速度对比
- Lesson 01: C++ 入门C++ 和 Python 的区别，以及如何写 C++ 代码。
Module 02: C++ 的性能编程
- Lesson 01: C++ 优化实战现在，你已经知道了 C++ 程序是如何运行的。接下来，我们会学习一些具体的优化技巧，并付诸实践。学完本课，你就可以完成代码优化实战项目了。
- Concept 01: 介绍
- Concept 02: 软件开发和优化
- Concept 03: 优化技巧
- Concept 04: 无用代码
- Concept 05: 练习：删除无用代码
- Concept 06: If 语句
- Concept 07: 练习：If 语句
- Concept 08: For 循环
- Concept 09: 练习：for 循环
- Concept 10: 中间变量
- Concept 11: 练习：中间变量
- Concept 12: 向量存储
- Concept 13: 练习：向量存储
- Concept 14: 引用
- Concept 15: 练习：引用
- Concept 16: Sebastian 的故事
- Concept 17: 静态关键词
- Concept 18: 练习：静态关键词
- Concept 19: 速度挑战
- Lesson 02: 实战项目 4 - 高性能粒子滤波器准备好优化 C++ 代码了吗？本实战项目里，我们提供了一个功能正常的二维直方图滤波器。你的任务是让这个滤波器的代码运行速度更快！
- Lesson 01: C++ 优化实战现在，你已经知道了 C++ 程序是如何运行的。接下来，我们会学习一些具体的优化技巧，并付诸实践。学完本课，你就可以完成代码优化实战项目了。
Module 01: Version Control with Git
- Lesson 01: 什么是版本控制？版本控制是专业程序员应该掌握的重要技能。在这节课，你将了解版本控制的优势，并学习如何安装版本控制工具 Git！
- Concept 01: 什么是版本控制
- Concept 02: 日常开发中的版本控制
- Concept 03: Git 和版本控制术语
- Concept 04: Mac/Linux 设置
- Concept 05: Windows 设置步骤
- Concept 06: 总结
- Lesson 02: 创建 Git 仓库你已经了解版本控制的优势并安装了 Git，现在该学习如何创建仓库了。
- Concept 01: 简介
- Concept 02: 从头创建仓库
- Concept 03: 克隆现有仓库
- Concept 04: 判断仓库的状态
- Concept 05: 总结
- Lesson 03: 查看仓库的历史记录了解如何查看现有 git 仓库的 commit 历史记录至关重要。你将在这节课学习如何查看历史记录。
- Concept 01: 简介
- Concept 02: 显示仓库的 commit
- Concept 03: 更改 git log 显示信息的方式
- Concept 04: 查看修改后的文件
- Concept 05: 查看文件更改
- Concept 06: 查看特定的 commit
- Concept 07: 总结
- Lesson 04: 向仓库中添加 commit没有 commit 的仓库就什么也不是。在这节课，你将学习如何提交 commit，编写具有描述性的提交说明，以及验证要保存到仓库中的更改。
- Concept 01: 简介
- Concept 02: git add
- Concept 03: git commit
- Concept 04: 提交说明
- Concept 05: git diff
- Concept 06: 让 git 忽略某些文件
- Concept 07: 总结
- Lesson 05: 标签、分支和合并能够在不受其他更改的影响的情况下处理项目，将大大提高工作效率。你将学习如何利用 git 的分支实现这种隔离开发过程。
- Concept 01: 简介
- Concept 02: 标签
- Concept 03: 分支
- Concept 04: 高效分支
- Concept 05: 合并
- Concept 06: 合并冲突
- Concept 07: 总结
- Lesson 06: 撤消更改救命啊！出现故障了！但是不用担心，因为项目已经处于版本控制下了！你将学习如何撤消和修改保存到仓库中的更改。
- Concept 01: 简介
- Concept 02: 更改最后一个 commit
- Concept 03: 还原 commit
- Concept 04: 重置 commit
- Concept 05: 总结
- Concept 06: 课程小结
- Lesson 01: 什么是版本控制？版本控制是专业程序员应该掌握的重要技能。在这节课，你将了解版本控制的优势，并学习如何安装版本控制工具 Git！
Module 02: GitHub & Collaboration
- Lesson 01: 使用远程仓库你将学习如何在 GitHub 上创建远程仓库，以及如何获取和推送对远程仓库的更改。
- Concept 01: 简介
- Concept 02: 远程仓库
- Concept 03: 添加远程仓库
- Concept 04: 将更改推送到远程仓库
- Concept 05: 从远程仓库拉取修改
- Concept 06: Pull 与 Fetch
- Concept 07: 总结
- Lesson 02: 使用其他开发者的仓库在这节课中，你将学习如何 fork 另一位开发者的项目。与其他开发者合作是个复杂的过程，所以接下来你将学习如何为公共项目做贡献。
- Concept 01: 简介
- Concept 02: fork 仓库
- Concept 03: 查看现有工作
- Concept 04: 确定你的任务
- Lesson 03: 与远程仓库保持同步你将学习如何使用 Pull Request（拉取请求）向其他开发者发送建议的更改，以及如何使用强大的 git rebase 命令将 commit 压制（squash）在一起。
- Lesson 01: 使用远程仓库你将学习如何在 GitHub 上创建远程仓库，以及如何获取和推送对远程仓库的更改。
Module 01: Lesson
- Lesson 01: Shell 讲习班Unix shell 对所有领域的开发工程师来说都是一款强大的工具。在这节课，我们将快速讲解下在计算机上使用该工具的基本知识。
- Concept 01: 欢迎！
- Concept 02: Windows：安装 Git Bash
- Concept 03: 打开终端
- Concept 04: 你的第一个命令 (echo)
- Concept 05: 浏览目录 (ls, cd, ..)
- Concept 06: 当前工作目录 (pwd)
- Concept 07: 参数和选项 (ls -l)
- Concept 08: 整理文件 (mkdir, mv)
- Concept 09: 下载 (curl)
- Concept 10: 查看文件 (cat, less)
- Concept 11: 删除内容 (rm, rmdir)
- Concept 12: 搜索和管道 (grep, wc)
- Concept 13: Shell 和环境变量
- Concept 14: 起始文件 (.bash_profile)
- Concept 15: 控制 shell 提示符 ($PS1)
- Concept 16: 别名
- Concept 17: 继续学习！
- Lesson 01: Shell 讲习班Unix shell 对所有领域的开发工程师来说都是一款强大的工具。在这节课，我们将快速讲解下在计算机上使用该工具的基本知识。
【点击购买】
若有收获，就点个赞吧
0 人点赞
