CSDN-AI7-学习笔记.plan

[ice-melt]

• [ ] 第1周-机器学习简介
  • [ ] 01. 一个Kaggle竞赛优胜解决方案
  • [ ] 02. 机器学习任务类型
  • [ ] 03. 一个典型的机器学习案例 —— 对鱼进行分类
  • [ ] 04. 机器学习算法的组成部分
  • [ ] 05. 学习环境简介
  • [ ] 06. 线性回归模型
  • [ ] 07. 线性回归模型 ——优化算法
  • [ ] 08. 线性回归模型 ——模型选择
  • [ ] 09. 波士顿房价预测案例详解——数据探索
  • [ ] 10. 波士顿房价预测案例详解——数据探索代码
  • [ ] 11. 波士顿房价预测案例详解
  • [ ] 12. 波士顿房价预测案例详解-代码
• [ ] 第2周-Logistic回归、SVM
  • [ ] 01. Logistic回归
  • [ ] 02. Softmax分类器
  • [ ] 03. Scikit learn中的Logistic回归实现
  • [ ] 04. 不平衡数据分类学习
  • [ ] 05. 分类模型的评价
  • [ ] 06. Logistic回归之模型选择／参数调优
  • [ ] 07. Logistic回归-Otto商品分类代码
  • [ ] 08. 支持向量机 （Support Vector Machines, SVM）
  • [ ] 09. 带松弛因子的SVM：C-SVM
  • [ ] 10. 核方法
  • [ ] 11. 支持向量回归 （SVR）
  • [ ] 12. sklearn中的SVM实现
  • [ ] 13. SVM-Otto
• [ ] 第3周-决策树模型（CART）、基于树的集成学习算法（随机森林、GBDT）
  • [ ] 01. 决策树
  • [ ] 02. 随机森林
  • [ ] 03. CartRF_Mushroom
  • [ ] 04. GBDT
  • [ ] 05. XGBoost基本原理
  • [ ] 06. XGBoost使用指南 (一)
  • [ ] 07. xgboost_Mushroom
  • [ ] 08. XGBoost使用指南（二）
  • [ ] 09. xgboost_Otto
• [ ] 第4周-聚类、降维、矩阵分解
  • [ ] 01. LightGBM
  • [ ] 02. LightGBM_Otto
  • [ ] 03. PCA
  • [ ] 04. PCA_Minist
  • [ ] 05. 聚类（Clustering）
  • [ ] 06. KMeans
  • [ ] 07. 层次聚类 (Hierarchical Clustering)
  • [ ] 08. 吸引力传播（Affinity Propagation，AP）
  • [ ] 09. DBSCAN
  • [ ] 10. 聚类算法评估
  • [ ] 11. Clustering_Minsit
• [ ] 第5周-推荐系统&点击率预估
  • [ ] 01. 推荐系统简介
  • [ ] 02. 基于用户的协同过滤推荐
  • [ ] 03. 基于物品的协同过滤推荐
  • [ ] 04. 基于模型的协同过滤推荐
  • [ ] 05. 基于内容的推荐
  • [ ] 06. 推荐系统评价
  • [ ] 07. CTR预估-Intro
  • [ ] 08. CTR预估-FTRL
  • [ ] 09. CTR预估-GBDT
  • [ ] 10. CTR预估-FM
  • [ ] 11. CTR预估-Criteo
  • [ ] 12. 电影推荐案例

第二阶段 深度学习原理及实战项目强化训练

• [ ] 第6周-神经网络入门
  • [ ] 01. 欢迎和介绍
  • [ ] 02. 感知器
  • [ ] 03. 多层感知机和反向传播
  • [ ] 04. 更好的神经网络
  • [ ] 05. 正则项、softmax和交叉熵
  • [ ] 06. tensorflow基础
  • [ ] 07. 作业
  • [ ] 08. tinymind使用说明
• [ ] 第7周-神经网络基础
  • [ ] 01. 卷积神经网络介绍
  • [ ] 02. 卷积运算介绍
  • [ ] 03. 池化
  • [ ] 04. 几种卷积神经网络介绍
  • [ ] 05. 卷积神经网络的BP算法
  • [ ] 06. 卷积神经网络的可视化
  • [ ] 07. BatchNormalization_Dropout_Finetune
  • [ ] 08. TensorFlow的四种写法
  • [ ] 09. 第一阶段作业
• [ ] 第8周-卷积神经网络
  • [ ] 01. slim_models简介
  • [ ] 02. inception网络解读
  • [ ] 03. slim框架介绍
  • [ ] 04. slim框架介绍_代码部分
  • [ ] 05. 保存_导出和运行
  • [ ] 06. DenseNet解读
• [ ] 第9周-卷积神经网络分类任务和检测任务
  • [ ] 01. 目标检测简介
  • [ ] 02. 提供位置信息的数据集
  • [ ] 03. 名词解释
  • [ ] 04. 目标检测综述
  • [ ] 05. detection过程中的一些细节
  • [ ] 06. slim目标检测基础演示
• [ ] 第10周-卷积神经网络分割任务
  • [ ] 01. 分割简介
  • [ ] 02. 分割任务的数据集
  • [ ] 03. 分割发展简述及FCN
  • [ ] 04. FCN代码示例
  • [ ] 05. 多孔卷积以及语义分割的发展
  • [ ] 06. 实例分割简介
• [ ] 第11周-循环神经网络
  • [ ] 01. 循环神经网络
  • [ ] 02. 第一节小作业
  • [ ] 03. RNN的Tensorflow实现
  • [ ] 04. LSTM
  • [ ] 05. WordEmbedding_Attention

[hellomijia]

请问代码在哪里下载？