17. 持續更新...
16. 目標檢測演算法(第16期)--yolo-v2演算法結構詳解
15. 目標檢測演算法(第15期)--yolo-v1損失函式詳解
14. 目標檢測演算法(第14期)--yolo-v1檢測演算法詳解
13. 目標檢測演算法(第13期)--ssd檢測演算法必須知道的幾個關鍵點
12. 目標檢測演算法(第12期)--ssd檢測演算法結構詳解
11. 目標檢測演算法(第11期)--faster rcnn的損失函式以及如何訓練？
10. 目標檢測演算法(第10期)--faster rcnn檢測演算法結構詳解
9. 目標檢測演算法(第9期)--fast r-cnn目標檢測演算法詳解
8. 目標檢測演算法(第8期)--spp-net目標檢測演算法詳解
7. 目標檢測演算法(第7期)--r-cnn目標檢測演算法通俗詳解
6. 目標檢測演算法(第6期)--常見的評價指標有哪些？
5. 目標檢測演算法(第5期)--全卷積神經網路(fcn)演算法詳解
4. 目標檢測演算法(第4期)--傳統目標檢測演算法思路
3. 目標檢測演算法(第3期)--cnn中常用的四種卷積詳解
2. 目標檢測演算法(第2期)--為什麼要用空洞卷積？
1. 目標檢測演算法(第1期)--cnn中神奇的1x1卷積
深度學習入門系列
37. 深度學習演算法(第37期)----如何用強化學習玩遊戲？
36. 深度學習演算法(第36期)----強化學習之時間差分學習與近似q學習
35. 深度學習演算法(第35期)----強化學習之馬爾科夫決策過程
34. 深度學習演算法(第34期)----強化學習之梯度策略實現
33. 深度學習演算法(第33期)----強化學習之神經網路策略學習平衡車
32. 深度學習演算法(第32期)----強化學習入門必讀
31. 深度學習演算法(第31期)----變分自編碼器及其實現
30. 深度學習演算法(第30期)----降噪自編碼器和稀疏自編碼器及其實現
29. 深度學習演算法(第29期)----視覺化自編碼器和無監督預訓練
28. 深度學習演算法(第28期)----如何高效的訓練自編碼器？
27. 深度學習演算法(第27期)----棧式自編碼器
26. 深度學習演算法(第26期)----深度網路中的自編碼器
25. 深度學習演算法(第25期)----機器翻譯中的編碼解碼器網路
24. 深度學習演算法(第24期)----自然語言處理中的word embedding
23. 深度學習演算法(第23期)----rnn中的gru模組
22. 深度學習演算法(第22期)----rnn中的lstm模組
21. 深度學習演算法(第21期)----rnn中的dropout技術
20. 深度學習演算法(第20期)----創意rnn和深度rnn的簡單實現
19. 深度學習演算法(第19期)----rnn如何訓練並**時序訊號？
18. 深度學習演算法(第18期)----用rnn也能玩分類
17. 深度學習演算法(第17期)----rnn如何處理變化長度的輸入和輸出？
16. 深度學習演算法(第16期)----靜態rnn和動態rnn
15. 深度學習演算法(第15期)----基本rnn的tensorflow實現
14. 深度學習演算法(第14期)----rnn輸入輸出的組合有多任性
13. 深度學習演算法(第13期)----初識迴圈神經網路(rnn)
12. 深度學習演算法(第12期)----cnn經典網路之resnet
11. 深度學習演算法(第11期)----cnn經典網路之googlenet
10. 深度學習演算法(第10期)----cnn經典網路之lenet-5和alexnet
9. 深度學習演算法(第9期)----卷積神經網路實戰高階(附**)
8. 深度學習演算法(第8期)----卷積神經網路通俗原理
7. 深度學習演算法(第7期)----深度學習之避免過擬合(正則化)
6. 深度學習演算法(第6期)----深度學習之學習率的命運
5. 深度學習演算法(第5期)----深度學習中的優化器選擇
4. 深度學習演算法(第4期)----tf訓練dnn之高階
3. 深度學習演算法(第3期)----tensorflow從dnn入手
2. 深度學習演算法(第2期)---- ensorflow愛之再體驗
1. 深度學習演算法(第1期)----tensorflow愛之初體驗
0. 深度學習演算法(第0期)----深度學習通俗理解
機器學習演算法
37.機器學習演算法--蒙特卡洛方法入門
36.機器學習演算法--趣味理解樸素貝葉斯
35.機器學習演算法--svm 模糊最小二乘
34.機器學習演算法--svm 深入理解
33.機器學習演算法--svm 初識原理
32.機器學習演算法--gbdt演算法(詳細版)
31.機器學習演算法--gbdt演算法(簡明版)
30.機器學習演算法--邏輯回歸(lr)
29.機器學習演算法--k-means演算法
28.機器學習演算法--knn最近鄰演算法
27.機器學習演算法--整合演算法之隨機森林
26.機器學習演算法--整合學習演算法之adaboost
25.機器學習演算法--決策樹演算法之cart
24. 機器學習演算法--決策樹演算法之c4.5
23.機器學習演算法--關聯規則之apriori演算法
22.機器學習演算法--樸素貝葉斯分類
21.機器學習演算法--網頁排序演算法之pagerank
20.機器學習演算法--通俗理解em演算法
19. 機器學習演算法--隱馬爾可夫模型(hmm)
18.機器學習演算法--人臉識別演算法(eigenface)
17.機器學習演算法--通俗理解卡爾曼濾波
16.機器學習演算法--推薦演算法
15.機器學習演算法--對偶學習
14.機器學習演算法--金融大資料使用者畫像
12.機器學習演算法--scikit-learn特徵選擇(下)
11.機器學習演算法--scikit-learn特徵選擇(上)
10.機器學習演算法--資料異常檢測(二)
9. 機器學習演算法--資料異常檢測(一)
8. 機器學習演算法--損失函式小結
7. 機器學習演算法--引數估計方法
6. 機器學習--七種常用特徵工程
5. 機器學習--各式各樣的距離
4. 機器學習--常見演算法分類彙總
3. 機器學習--常見的七種回歸技術
2. 機器學習--面試簡單梳理
1. 機器學習--常用評估指標
機器學習實戰
10.機器學習三人行(十)--機器學習降壓神器(附**)
9.機器學習三人行(九)--千變萬化的組合演算法(附**)
8.機器學習三人行(八)--神奇的分類回歸決策樹(附**)
7.機器學習三人行(七)--支援向量機實踐指南(附**)
6.機器學習三人行(六)--logistic和softmax回歸實戰剖析(附**)
5.機器學習三人行(五)--你不了解的線性模型(附**)
4.機器學習三人行(四)--手寫數字識別實戰(附**)
3.機器學習三人行(三)--end-to-end機器學習
2.機器學習三人行(二)--洞悉資料之美
1.機器學習三人行(一)--機器學習花樣入門
優化演算法系列
9. 優化演算法--外部存檔多目標進化
8. 優化演算法--螢火蟲演算法
7. 優化演算法--粒子群演算法
6. 優化演算法--模擬退火
5. 優化演算法--蟻群演算法
4. 優化演算法--水波模擬演算法
3. 優化演算法--果蠅演算法
2. 優化演算法--人工蜂群演算法(abc)
1. 優化演算法--遺傳演算法
語言小實踐
7. 實踐篇--jupyter notebook使用指南
6. 實踐篇--資料分析小實驗(下)
5. 實踐篇--資料分析小實驗(上)
4. 實踐篇--極簡python入門
3. 實踐篇--python相關機器學習『**庫』
2. 實踐篇--sklearn做單機特徵工程
1. 實踐篇--svm的r語言實戰
降維系列演算法
5. 降維值多少--因子分析法(fam)
4. 降維知多少--線性判別分析(lda)
3. 降維知多少--奇異值分解(svd)
2. 降維值多少--主成分分析(pca)
1. 降維知多少--綜述簡介
硬核乾貨！指標！！！（6）
指標即記憶體位址！指標即記憶體位址！指標即記憶體位址！1 程式對記憶體位址進行編號 0，4g 本質上是乙個整數 2 儲存乙個位址需要4位元組的空間 3 sizeof 指標 4 seziof char 4位元組 seziof short 4位元組 seziof int 4位元組 seziof floa...
硬核乾貨！初識Linux（1）
在這第乙個星期的學習中，因為需要在oracle vm virtualbox虛擬機器上的ubuntu上進行操作，所以先是了解了linux的一些背景以及一些日常使用到的基礎命令。在pc端，目前的作業系統主要有著windows mac os 以及unix三大操作系，而linux是unix作業系統的最重要的...
保研雜記（中）硬核乾貨篇
生活不止眼前的苟且，還有詩和遠方。以平和的心態去迎接每一天，驀然回首，每一天都會有滿滿的收穫。幹完雞湯，接下來分享點實惠的乾貨。自己總結，僅供參考，若有不妥之處，諸位莫見笑。正所謂未見其人先觀其書，簡歷是文案方面的重頭戲。老師對學生的第一印象往往 於簡歷，因此懂得如何包裝自己能增加贏得老師青睞的可能...