|
|
发表于 2025-9-17 01:27:50
|
查看: 15 |
回复: 0
## 📘 **课程简介**
本课程专为希望系统学习Python数据科学技术的开发者设计，通过实战项目带你从数据处理到机器学习建模，构建完整的数据分析流程。课程重点涵盖Pandas数据处理、NumPy数值计算、Matplotlib/Seaborn数据可视化、Scikit-learn机器学习等核心技术栈。学员将学会数据清洗、特征工程、统计分析和预测建模等关键技能，最终能够独立完成端到端的数据科学项目。无论你是数据分析师、软件工程师还是数据科学爱好者，本课程都将帮助你快速掌握业界主流的数据科学技术栈，提升解决实际业务问题的能力。
---
## 📂 **课程目录**
- 🎬 001-课程介绍-.mp4
- 🎬 002-1-神经网络要完成的任务分析-.mp4
- 🎬 003-2-模型更新方法解读-.mp4
- 🎬 004-3-损失函数计算方法-.mp4
- 🎬 005-4-前向传播流程解读-.mp4
- 🎬 006-5-反向传播演示-.mp4
- 🎬 007-6-神经网络整体架构详细拆解-.mp4
- 🎬 008-7-神经网络效果可视化分析-.mp4
- 🎬 009-8-神经元个数的作用-.mp4
- 🎬 010-9-预处理与dropout的作用-.mp4
- 🎬 011-1-卷积神经网络概述分析-.mp4
- 🎬 012-2-卷积要完成的任务解读-.mp4
- 🎬 013-3-卷积计算详细流程演示-.mp4
- 🎬 014-4-层次结构的作用-.mp4
- 🎬 015-5-参数共享的作用-.mp4
- 🎬 016-6-池化层的作用与效果-.mp4
- 🎬 017-7-整体网络结构架构分析-.mp4
- 🎬 018-8-经典网络架构概述-.mp4
- 🎬 019-1-RNN网络结构原理与问题-.mp4
- 🎬 020-2-注意力结构历史故事介绍-.mp4
- 🎬 021-3-self-attention要解决的问题-.mp4
- 🎬 022-4-QKV的来源与作用-.mp4
- 🎬 023-5-多头注意力机制的效果-.mp4
- 🎬 024-6-位置编码与解码器-.mp4
- 🎬 025-7-整体架构总结-.mp4
- 🎬 026-8-BERT训练方式分析-.mp4
- 🎬 027-1-PyTorch框架与其他框架区别分析-.mp4
- 🎬 028-2-CPU与GPU版本安装方法解读-.mp4
- 🎬 029-1-数据集与任务概述-.mp4
- 🎬 030-2-基本模块应用测试-.mp4
- 🎬 031-3-网络结构定义方法-.mp4
- 🎬 032-4-数据源定义简介-.mp4
- 🎬 033-5-损失与训练模块分析-.mp4
- 🎬 034-6-训练一个基本的分类模型-.mp4
- 🎬 035-7-参数对结果的影响-.mp4
- 🎬 036-1-任务与数据集解读-.mp4
- 🎬 037-2-参数初始化操作解读-.mp4
- 🎬 038-3-训练流程实例-.mp4
- 🎬 039-4-模型学习与预测-.mp4
- 🎬 040-1-输入特征通道分析-.mp4
- 🎬 041-2-卷积网络参数解读-.mp4
- 🎬 042-3-卷积网络模型训练-.mp4
- 🎬 043-1-任务分析与图像数据基本处理-.mp4
- 🎬 044-2-数据增强模块-.mp4
- 🎬 045-3-数据集与模型选择-.mp4
- 🎬 046-4-迁移学习方法解读-.mp4
- 🎬 047-5-输出层与梯度设置-.mp4
- 🎬 048-6-输出类别个数修改-.mp4
- 🎬 049-7-优化器与学习率衰减-.mp4
- 🎬 050-8-模型训练方法-.mp4
- 🎬 051-9-重新训练全部模型-.mp4
- 🎬 052-10-测试结果演示分析-.mp4
- 🎬 053-4-实用Dataloader加载数据并训练模型-.mp4
- 🎬 054-1-Dataloader要完成的任务分析-.mp4
- 🎬 055-2-图像数据与标签路径处理-.mp4
- 🎬 056-3-Dataloader中需要实现的方法分析-.mp4
- 🎬 057-1-数据集与任务目标分析-.mp4
- 🎬 058-2-文本数据处理基本流程分析-.mp4
- 🎬 059-3-命令行参数与DEBUG-.mp4
- 🎬 060-4-训练模型所需基本配置参数分析-.mp4
- 🎬 061-5-预料表与字符切分-.mp4
- 🎬 062-6-字符预处理转换ID-.mp4
- 🎬 063-7-LSTM网络结构基本定义-.mp4
- 🎬 064-8-网络模型预测结果输出-.mp4
- 🎬 065-9-模型训练任务与总结-.mp4
- 🎬 066-1-基本结构与训练好的模型加载-.mp4
- 🎬 067-2-服务端处理与预测函数-.mp4
- 🎬 068-3-基于Flask测试模型预测结果-.mp4
- 🎬 069-1-视觉transformer要完成的任务解读-.mp4
- 🎬 072-3-Embedding模块实现方法-.mp4
- 🎬 073-4-分块要完成的任务-.mp4
- 🎬 074-5-QKV计算方法-.mp4
- 🎬 075-6-特征加权分配-.mp4
- 🎬 076-7-完成前向传播-.mp4
- 🎬 077-8-损失计算与训练-.mp4 |
|
