AiLearning Theory Applying

AiLearning-Theory-Applying

快速上手Ai理論及應用實戰：基礎知識Basic knowledge、機器學習MachineLearning、深度學習DeepLearning2、自然語言處理BERT，持續更新中。含大量註釋及數據集，力求每一位能看懂並複現。

學習章節：

• 必備數學基礎Basic knowledge
  • 高等數學基礎
  • 微積分
  • 泰勒公式
  • 線性代數基礎
  • 隨機變數
  • 概率論基礎
  • 數據科學的幾種分佈
  • 核函數
  • 熵和激活函數
  • 回歸分析
  • 假設檢驗
  • 相關分析
  • 方差分析
  • KMEANS算法
  • 貝葉斯分析
• 人人都能看懂的Transformer
  • 第一章——Transformer網絡架構
  • 第二章——文字向量化
  • 第三章——位置編碼
  • 第四章——多頭注意力機制——QK矩陣相乘
  • 第五章——多頭注意力機制——全流程
  • 第六章——數值縮放
  • 第七章——前饋神經網絡
  • 第八章——最後的輸出
• 機器學習MachineLearning
  • 信用卡欺詐檢測（含數據集）
  • 工業化工生產預測（含數據集）
  • 智慧城市-道路通行時間預測（含數據集）
  • 建築能源利用率預測（含數據集）
  • Indoor Location & Navigation（數據集在kaggle）
  • 第三屆阿里雲磐久智維算法大賽（數據集在天池）
  • 機器學習實戰小項目（含數據集）
• 深度學習入門DeepLearning
  • 深度學習必備知識點
  • 走進深度學習的世界神經網絡模型
  • 卷積神經網絡
  • 遞歸神經網絡與詞向量原理解讀
  • LSTM網絡架構與情感分析應用實例
  • 快手用戶活躍預測（含數據集）
  • ACM SIGSPATIAL 2021預估到達時間（含數據集）
• NLP通用框架BERT項目實戰
  • NLP通用框架BERT原理解讀
  • BERT源碼解讀與應用實例
  • 基於BERT的中文情感分析實戰.md
• 機器學習算法原理及推導
  • 李航——統計學習方法
  • 李宏毅——異常檢測

  說明

  本專題並不用於商業用途，轉載請註明本專題地址，如有侵權，請務必郵件通知作者。

  如有文字、代碼等遺漏或錯誤的地方，望不吝賜教，萬分感謝。

  Email：[email protected]

  License

  本文使用的許可見LICENSE