【模型基础】200个强大算法模型
一套面向机器学习、数据分析、人工智能入门与进阶学习者的系统化算法课程
从数学基础、机器学习模型、深度学习、PyTorch 到大模型应用,深度智学把零散知识整理成可执行的系统学习路线。
不是碎片教程,而是一套持续更新的机器学习成长体系。
当前推荐路径
Python 数据科学
已完成 80%
数学基础
进行中 40%
机器学习基础
待开始 0%
深度学习与 PyTorch
待开始 0%
项目实战与大模型应用
待开始 0%
本周学习建议
学习 2 节模型原理
完成 1 个代码实验
复习 1 条学习路线
学习时长
8.6 小时
本周累计
先选阶段,再看系统推荐,减少无效学习和反复试错。
先建立机器学习基础概念和 Python 数据处理能力。
一套面向机器学习、数据分析、人工智能入门与进阶学习者的系统化算法课程
我们希望大家学完之后,能独立负责一个时间序列项目:从数据检查、基准模型、特征构造、模型选择、结果评估,到上线后的监控与维护。
机器学习基础
围绕 Tensor、Autograd、训练循环和模型部署构建深度学习基础。
基于 PyTorch 框架掌握模型训练、调优与项目落地。
全面覆盖经典机器学习算法与模型原理,从理论到实践形成系统课程。
从基础、模型、代码到项目实战,按路线推进,比盲目收藏课程更有效。
1
7
个阶段
15
门课程
3
人学习
从文本表示、基础任务到模型训练,为自然语言处理学习打底。
1
个阶段
1
门课程
自定节奏
学习周期
以 PyTorch 为主线,系统掌握训练、调试和推理部署的关键环节。
1
个阶段
1
门课程
自定节奏
学习周期
从张量、自动求导到训练循环和模型调试,建立深度学习起步能力。
2
个阶段
1
门课程
自定节奏
学习周期
围绕数据处理、分析、实验和建模,建立 Python 数据科学工作流。
1
个阶段
0
门课程
自定节奏
学习周期
从监督学习、评估方法到工程实践,建立机器学习基础地图。
2
个阶段
1
门课程
自定节奏
学习周期
把常见机器学习模型拆成可以真正理解的知识单元,适合查漏补缺、面试复习和系统学习。
系统学习的价值,是让每个知识点回到正确的位置。
先解决学习顺序问题,再解决单点知识问题。
每个模型都尽量讲清楚直觉、公式、代码和应用场景。
不只讲概念,也强调数据处理、训练、评估和调参。
课程、路线、文章和模型专题会持续扩展。
不是买一门课,可以长期沉浸在一个AI学习体系中
会员学习系统
解锁全部系统课程
围绕课程、路线与学习记录持续沉淀。
学习路线持续更新
围绕课程、路线与学习记录持续沉淀。
模型知识库长期扩展
围绕课程、路线与学习记录持续沉淀。
新课程持续加入
围绕课程、路线与学习记录持续沉淀。
学习记录与收藏同步
围绕课程、路线与学习记录持续沉淀。
适合项目、面试、论文和长期进阶
围绕课程、路线与学习记录持续沉淀。
用文章补充课程之外的模型理解、案例分析和学习方法。