01，从0开始学人工智能，快速入门攻略大揭秘
08:40
02，为什么暂时不讲数学推导......
06:09
03，揭秘人工智能的无限潜力：它如何在各个领域崭露头角？
09:34
04，从图灵测试到ChatGPT：人工智能的历史演进和当今惊人现状
11:56
05，机器学习是如何实现自动化决策的？
14:13
06，深度学习是如何让神经网络变得更聪明？
09:42
07，强化学习是如何通过不断试错和学习，成为下一个超级大脑？
11:05
08，图像识别：如何让机器“看”懂世界
10:43
09，自然语言处理：探索机器语言的魅力，让机器能够理解你的言语和心思！
14:03
10，轻松搭建Python环境：用Miniconda让你的AI之路畅通无阻！
15:16
11，开发工具Pycharm，小白也能轻松搭建！
13:05
12，机器学习算法：多元线性回归，算法世界的从0到1！
16:07
13，项目实战：糖尿病预测神器，你的健康守护者！
18:00
14，机器学习算法：逻辑回归，助你找出人生赢家！
16:38
15，机器学习算法：Softmax回归，掌握多分类新技能！
17:42
16，项目实战：鸢尾花大作战，快来一决高下！
18:02
17，正则化技术：让你的模型更强大！
19:50
18，项目实战：新闻分类，不再错过热门资讯！
20:29
19，掌握AI必备技能，跟着梯度下降攀登巅峰！
14:50
20，小批量梯度下降：让模型训练又快又稳！
14:39
21，数据归一化：数据处理好帮手！
12:43
22，项目实战：手写数字识别，从MNIST数据集开始
20:26
23，机器学习算法：KMeans聚类，让你的模型具有智能洞察力！
16:53
24，项目实战：轻松搞定KMeans聚类代码实现
21:14
25，机器学习算法：高斯混合模型，走进神秘的世界！
09:17
26，项目实战：说话人识别，带你走入声音世界！
14:31
27，项目实战：说话人识别，模型预测让你体验神奇！
16:57
28，感知机：神经网络的起点
07:57
29，神经网络：跨越人工智能的门槛！
16:06
30，激活函数，让你的神经网络更加智能！
11:24
31，正向反向传播，学习神经网络的核心技术！
14:12
32，梯度消失问题，探寻神经网络的黑暗面！
12:40
33，Dropout防止过拟合，成为优秀的神经网络工程师！
10:39
34，PyTorch项目创建，掌握专业开发技巧！
11:39
35，项目实战：MNIST数据集读取，让你轻松入门图像识别！
10:52
36，项目实战：训练集数据处理，让你的模型更加精准！
06:52
37，项目实战：用PyTorch轻松构建深度学习模型！
08:00
38，项目实战：定义模型训练和测试，让你的模型更加智能！
09:26
39，项目实战：分批次训练，让你的模型效率倍增！
13:44
40，全连接层网络，探究图像识别的难点！
11:03
41，卷积神经网络，让你的图像识别更上一层楼！
09:09
42，卷积层计算详解
10:12
43，多输入通道场景下的卷积：让卷积更有效
07:44
44，多输出通道场景与批量操作：更快、更准
12:13
45，感受野：神经网络“视野”的大小
07:58
46，卷积层的Padding填充：防止信息丢失
10:51
47，VALID填充与SAME填充的区别：填充不同，结果不同
11:44
48，卷积层的Stride步长：如何调整卷积核的移动距离
03:44
49，卷积神经网络中的Pooling池化：压缩特征、减少计算
09:19
50，典型卷积神经网络结构：告诉你搭建CNN网络的基本套路
10:52
51，项目实战：代码构建卷积神经网络模型，让手写数字识别更准
13:30
52，图片数据增强：让模型更强大、更健壮
09:40
53，项目实战：代码构建CNN网络，猫狗识别不再难！
10:58
54，项目实战：使用图片数据增强，让模型见多识广
10:14
55，项目实战：又快又简单的读取本地图片数据
08:11
56，项目实战：设置损失函数和优化器，提高模型精度的重要步骤
07:25
57，项目实战：训练模型、提高准确率
08:12
58，项目实战：模型验证，实操如何测试模型的准确性
11:31
59，项目实战：程序出错不要害怕，细心根据错误信息Debug
05:23
60，LeNet-5网络模型：为神经网络开创新纪元
11:47
61，项目实战：代码实现LeNet-5网络结构
11:23
62，项目实战：代码实操数据归一化步骤
09:33
63，项目实战：代码实现LeNet-5训练神经网络
15:00
64，迁移学习：让训练更高效，模型更优秀
10:09
65，深度学习框架中可用的分类模型：找到最适合自己的模型
09:46
66，AlexNet-8网络模型：将神经网络应用于实际场景
11:36
67，项目实战：如何使用预训练的模型直接预测
13:10
68，项目实战：如何获取预训练模型中的参数
08:50
69，项目实战：如何对预训练模型进行一些DIY
09:25
70，项目实战：训练AlexNet-8模型以及运行效果
11:52
71，揭秘PyTorch源码中Alexnet网络模型的封装策略
12:30
72，VGG-16网络模型：揭秘一度火爆深度学习的原因
10:39
73，小卷积核大应用，性能提升大揭秘
10:43
74，项目实战：用VGG16做迁移学习，让你的模型更智能
10:58
75，项目实战：神经网络“锁定”技巧，适当固定参数，让你的模型更稳定
09:42
76，项目实战：人工智能在医疗行业应用，新冠肺炎COVID-19识别
15:13
77，PyTorch源码中VGG16网络模型的深度解析
12:58
78，图像视频的识别与定位，科技的力量让生活更美好
08:07
79，FastRCNN架构揭秘，更快速更准确的目标检测
11:15
80，FasterRCNN架构细节解读，打造高效目标检测系统
11:57
81，YOLO目标检测，只瞥一眼即可得到结果
09:17
82，YOLO目标检测的整体模型与网格单元
06:13
83，语言模型，让机器具备推断能力
08:52
84，从神经网络语言模型逐步到大语音模型
06:57
85，词向量技术，让机器更接近人类思维
09:23
86，词向量的两种不同训练方法CBOW和SkipGram
09:34
87，循环神经网络，让机器学会记忆，掌握时间序列数据预测
11:56
88，什么是长短时记忆单元LSTM，为什么需要它？
07:35
89，LSTM单元中数据流转的过程，以及与VanillaRNN的区别
08:46
90，Seq2Seq网络模型，也叫做Encoder-Decoder结构
13:27
91，什么是Attention注意力机制
06:13
92，项目实战：明确机器翻译任务，构建不同语言需要的字典
10:27
93，项目实战：读取语料库，构建训练机器翻译所需的句子对
09:12
94，项目实战：机器翻译之数据预处理，为模型训练打好基础
11:03
95，项目实战：机器翻译之网络搭建Encoder编码器
08:48
96，项目实战：机器翻译之网络搭建Decoder解码器
07:30
97，项目实战：搭建带注意力机制的Decoder解码器
18:10
98，项目实战：将句子对转换成Pytorch训练所需的Tensor张量
07:43
99，项目实战：训练中Encoder的正向传播
08:20
100，项目实战：训练中Decoder端引入Teacher Forcing
09:12
101，项目实战：通过多次迭代训练EncoderDecoder模型
10:16
102，项目实战：评估EncoderDecoder模型
11:16
103，项目实战：开始从前往后的训练，遇到报错不用慌，细心分析解决
11:52
104，项目实战：模型效果展示，利用项目举一反三做更多的任务
07:32
105，强化学习：Q-Learning算法，强化学习领域的常青
12:28
106，如何理解Q-table？打造自己的游戏交互环境！
10:39
107，充分理解Q-Learning中的贝尔曼方程式
14:59
108：项目实战：代码构造智能体Agent的类，并定义初始化Q-Table的函数
13:01
109，项目实战：实现Agent智能体行为的选择，贪婪的选择Q值最大的action
07:57
110，项目实战：e-greedy让Agent智能体具备探索精神
04:32
111，项目实战：实现Agent智能体Q-Learning训练
11:57
112，项目实战：实现RL强化学习智能体与环境之间的交互
11:03
113，项目实战：展示Q-Learning运行效果
01:40
114，强化学习Q-Learning遇到连续状态需要从Q-Table过渡到神经网络来解决
10:52
115，10分钟带你理解Q-Learning中的Q网络用法
12:17
116，项目实战：构建DQN训练所需要的FlappyBird游戏环境
07:16
117，项目实战：获取鼠标点击事件并与FlappyBird游戏环境进行互动
08:48
118，项目实战：代码实现智能体背后的核心，DQN网络结构
12:03
119，项目实战：规范的写好获取超参数的函数
09:48
120，项目实战：初始化训练脚本中的必要实例对象，以及通过opencv对输入图片进行预处理
11:18
121，项目实战：将数据转换成Tensor张量，以及生成一开始的状态State
07:01
122，项目实战：让智能体开始推理预测，然后根据智能体预测得出Action动作
07:08
123，项目实战：把Action交给环境互动，同时将数据记录到缓存中备用
08:31
124，项目实战：使用缓存中的数据训练模型，同时保存模型
13:09
125，项目实战：程序调试与BUG解决
05:34
126，项目实战：重构代码，然后加载训练好的模型
08:37
127，项目实战：编写测试模型脚本
08:21
128，效果展示：DQN玩FlappyBird飞翔的小鸟
00:55
