探索AI人工智能的奥秘，只需5天！本训练营专为初学者设计，涵盖从基础理论到实战应用的全方位课程。内容包括线性回归、神经网络、TensorFlow、图像识别与分割、人脸识别、目标检测及语义分割等核心技能。通过系统学习，您将快速掌握AI技术，提升个人竞争力。立即加入，开启您的AI之旅，成为未来科技的领航者！
以下云资源目录树快照生成于[1年前]，该学习资料由百度云用户[小**跑8]分享（只展示大部分文件和目录）
AI人工智能5天速成训练营7.77 GB(mp4、mkv视频88节；)
AI人工智能训练营课程合集125046
人工智能之线性回归优化与逻辑回归
视频
08_逻辑回归代码实战Iris二分类和多分类任务.mp492.69MB07_逻辑回归表达式的推导_逻辑回归损失函数的推导.mp4116.58MB06_基于保险案例进行更多的数据的EDA.mp480.73MB05_多项式回归_保险花销预测案例.mp4250.19MB04_ScikitLearn介绍_岭回归的本质_Lasso回归的本质.mp4104.94MB03_正则化.mp4137.4MB02_归一化.mp4219.49MB01_利用GD来求解多元线性回归的最优解.mp4106.68MB人工智能之图像识别与图像分割
视频
07_U-Net网络进行细胞核切分的训练代码.mp497.18MB06_U-Net网络模型_细胞核数据的读取.mp4206.55MB05_VGG16网络模型_数据增强_COVID19医疗图片的识别.mp4224.26MB04_TensorFlow实训CNN分类MNIST手写数字识别.mp4179.17MB03_池化的计算_SAME和VALID模式_经典CNN结构.mp478.54MB02_卷积神经网络卷积层_卷积的计算.mp4112.66MB01_TensorFlow实现DNN分类MNIST手写数字识别.mp4223.51MB人工智能之神经网络与TensorFlow
视频
09_TensorFlow实现Softmax回归分类MNIST手写数字识别.mp4123.59MB08_TensorFlow实现多元线性回归预测房价.mp4198.4MB07_TensorFlow对于GPU版本的安装.mp4109.41MB06_TensorFlow对于CPU版本的安装.mp462.89MB05_多层神经网络的好处_隐藏层的激活函数必须是非线性的原因.mp490.59MB04_讲解Softmax回归算法.mp4111.07MB03_NN神经元_常用的3种激活函数_NN理解LR做多分类.mp4103.11MB02_打鸡血_聊一下图像算法工程师就业薪资水平.mp4154.87MB01_作业讲解_回顾昨日知识.mp488.88MB人工智能之人脸识别与目标检测、语义分割
视频
09_MaskRCNN的架构_思想_蒙版弹幕项目效果.mp4163.45MB08_FasterRCNN论文_架构_思想.mp4353.67MB07_FasterRCNN目标检测口罩项目展示_图片标注工具labelimg的使用.mp4178.27MB06_人脸识别项目代码_实操作业要求.mp4372.12MB05_facenet-master项目的下载和导入.mp476.46MB04_MTCNN论文_架构_损失函数.mp4130.16MB03_FaceNet论文_架构_三元组损失.mp4258.29MB02_人脸识别的架构流程分析.mp4120.53MB01_作业的讲解_知识的回顾.mp465.88MB人工智能之快速入门与线性回归
视频
09_根据损失函数MSE推导梯度的公式.mp470.61MB08_梯度下降法的步骤_公式.mp4119.16MB07_python代码实现多元线性回归解析解的求解方法.mp477.23MB06_安装Anaconda和PyCharm运行和开发软件.mp470.57MB05_从MSE到θ的解析解形式.mp483.55MB04_推导出多元线性回归的损失函数.mp4203.2MB03_线性回归的表达式_损失函数MSE.mp4127.24MB02_AI的流程_ML和DL关系_回归、分类、聚类、降维的本质.mp4164.31MB01_五天实训的内容_人工智能应用.mp4181.05MB人工智能5天入门训练营
视频
46_代码改进实现随着迭代增加动态调整学习率.mp434.4MB45_代码改进保证训练数据全都能被随机取到.mp423.98MB44_代码实现小批量梯度下降.mp422.88MB43_代码实现随机梯度下降.mp421.67MB42_代码实现全量梯度下降第3步和第4步.mp426.15MB41_代码实现全量梯度下降第1步和第2步.mp420.2MB40_轮次和批次.mp450.95MB39_对应梯度下降法的问题和挑战.mp442.27MB38_随机梯度下降_小批量梯度下降.mp444.03MB37_全量梯度下降.mp459.09MB36_多元线性回归下的梯度下降法.mp438.5MB35_梯度下降法迭代流程总结.mp424.64MB34_学习率设置的学问_全局最优解.mp448.04MB33_梯度下降法公式.mp450.89MB32_梯度下降法产生的目的和原因以及思想.mp453.78MB31_调用Scikit-learn中的多元线性回归求解模型(下).mp434.57MB30_调用Scikit-learn中的多元线性回归求解模型(上).mp424.4MB29_Scikit-learn模块的介绍.mp430.04MB28_解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换.mp430.1MB27_解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形.mp439.21MB26_解析解的方式求解多元线性回归_数据Xy.mp430.7MB25_Pycharm创建脚本并测试python开发环境.mp426.32MB24_Anaconda环境安装_Pycharm环境安装.mp464.6MB23_Python开发环境版本的选择及下载.mp446.05MB22_θ解析解的公式_是否要考虑损失函数是凸函数.mp458.06MB21_推导出目标函数的导函数形式.mp439.87MB20_把目标函数按照线性代数的方式去表达.mp422.13MB19_对数似然函数_推导出损失函数MSE.mp439.79MB18_明确目标通过最大总似然求解θ.mp425.92MB17_引入正太分布的概率密度函数.mp426.41MB16_假设误差服从正太分布_最大似然估计MLE.mp442.39MB15_理解回归一词_中心极限定理_正太分布和做预测.mp461.58MB14_理解维度这个概念.mp437.16MB13_理解多元线性回归表达式几种写法的原因.mp437.63MB12_扩展到多元线性回归.mp426.7MB11_最优解_损失函数_MSE.mp434.87MB10_理解简单线性回归.mp428.03MB09_无监督机器学习任务与本质.mp448.96MB08_有监督机器学习任务与本质.mp437.29MB
07_深度学习比传统机器学习有优势.mkv75.36MB06_机器学习不同的学习方式.mkv72.58MB05_人工智能常见流程.mkv83.93MB04_人工智能在各领域的应用.mp461.82MB03_人工智能时代是发展的必然.mp425.66MB02_人工智能适合人群与必备技能.mkv47.41MB01_人工智能就业前景与薪资.mp449.43MB
