这门课针对的是那些“只懂理论，不会落地”的技术学习者。市面上很多教程讲算法原理讲得天花乱坠，一涉及到代码实现就含糊其辞，或者只教你怎么调包，却不让你理解数据在内存中是如何流动的。本课程直击这一痛点，拒绝照本宣科，专注于将机器学习、强化学习和深度学习的抽象概念，转化为可运行的 Python 代码。你不再需要死记硬背复杂的数学公式，而是通过代码去“看见”数据是如何被清洗、转换，并最终输入到模型中完成预测的。课程强调工程实践，让你明白每个参数背后的物理意义，解决“知其然不知其所以然”的困境，确保你学完就能独立动手写代码，而不是只会复制粘贴别人的脚本。

先看清门槛，再定学习路线

本系列课程属于进阶型体系课，虽然是从头梳理三大 AI 领域，但对前置知识有明确要求。如果你连 Python 基础语法（列表、字典、函数）都没摸过，直接听强化学习或深度学习会非常痛苦，因为代码逻辑的复杂度会让你瞬间放弃。建议先确认自己已经熟悉 Python 基本操作，最好对 Numpy 和 Pandas 有初步接触，了解数组的概念和矩阵运算的基本逻辑。

关于学习顺序，课程内部有着严格的逻辑递进关系，不可随意跳跃。请务必按照“机器学习基础 -> 数据科学工具 -> 经典算法实战 -> 深度学习进阶 -> 强化学习”的路径进行。特别是第三部分的 Numpy 数组操作和第四部分的数据可视化，这是后续所有深度学习模型训练的基石。如果你跳过 Numpy 的矩阵运算直接去看神经网络的反向传播，大概率是云里雾里，完全看不懂梯度下降的推导过程。因此，在学习强化学习或深度学习之前，必须先把数据预处理和数值计算这块地基打牢，否则后续的学习效率会大打折扣，甚至可能根本跟不上老师的节奏。

学完能独立做什么？资料怎么配合练习？

学完这套课程，你应当具备独立构建完整机器学习项目的能力。具体而言，你能够独立编写一个完整的分类或回归程序：从读取 Excel 或 CSV 文件，到进行数据清洗和特征工程，再到选择并实现具体的算法模型（如 KNN、逻辑回归或简单的神经网络），最后使用可视化图表输出分析结果。你不再依赖现成的 GUI 软件，而是能够熟练运用 Python 生态，在本地或服务器上运行自己的模型，并尝试调整超参数来优化效果。对于强化学习部分，你应能理解智能体如何通过试错与环境交互来学习策略，并具备复现经典游戏（如 CartPole）代码的能力，这是迈向高阶 AI 开发的必经之路。

关于资料配合，切勿“只看不练”。视频中的代码演示只是示范，真正的掌握来自于亲手敲入每一行代码。建议在观看涉及 Numpy 数组运算、Matplotlib 绘图以及具体算法实现的视频时，同步打开电脑上的 Jupyter Notebook 或本地 IDE，跟着视频一步步敲代码，并尝试微调其中的参数，观察输出结果的变化。资料包中提供的辅助文档和代码模板，不要直接复制粘贴，而应作为对照参考，自己先尝试写一遍，卡住的地方再去对照视频讲解。通过这种“看 - 想 - 练 - 改”的闭环，你才能真正把知识内化，形成自己的代码库，为将来应对实际工作中的数据分析与模型开发任务打下坚实基础。

课程目录

梗直哥-【机器学习必修课：经典算法与Python实战】
01-1课程内容和理念.mp4 60.86M
01-2初识机器学习.mp4 36.89M
01-3课程使用的技术栈.mp4 37.01M
02-1本章总览.mp4 7.86M
02-2数据长什么样：常见数据集、典型实例、如何使用.mp4 35.28M
02-3研究哪些问题：分类、回归等.mp4 39.98M
02-4如何分门别类：监督、无监督、强化学习等.mp4 29.27M
02-5机器学习的七大常见误区和局限.mp4 35.12M
03-10Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp4 32.97M
03-11Numpy数组统计运算：常用的都在这儿了.mp4 16.03M
03-12Numpy数组arg运算和排序.mp4 18.39M
03-13Numpy数组神奇索引和布尔索引.mp4 23.67M
03-14Matplotlib数据可视化：基础绘制与设置.mp4 22.99M
03-1本章总览：相互关系与学习路线.mp4 9.16M
03-2Anaconda图形化操作.mp4 15.87M
03-3Anaconda命令行操作.mp4 18.94M
03-4JupyterNotebook基础使用.mp4 19.82M
03-5JupyterNotebook高级使用：常用魔法命令.mp4 14.99M
03-6Numpy基础：安装与性能对比.mp4 15.47M
03-7Numpy数组创建：特定数组、等差数组、随机数组.mp4 36.91M
03-8Numpy数组基础索引：索引和切片.mp4 16.82M
03-9Numpy非常重要的数组合并与拆分操作.mp4 18.71M
04-1本章总览.mp4 12.11M
04-2KNN算法核心思想和原理.mp4 39.42M
04-3KNN分类任务代码实现.mp4 32.76M
04-4数据集划分：训练集与预测集.mp4 31.74M
04-5模型评价.mp4 33.82M
04-6超参数.mp4 30.33M
04-7特征归一化.mp4 27.78M
04-8KNN回归任务代码实现.mp4 29.45M
04-9KNN优缺点和适用条件.mp4 20.86M
05-10复杂逻辑回归及代码实现.mp4 18.03M
05-11线性算法优缺点和适用条件.mp4 21.56M
05-1本章总览.mp4 14.52M
05-2线性回归核心思想和原理.mp4 40.35M
05-3逻辑回归核心思想和原理.mp4 25.37M
05-4线性回归代码实现.mp4 27.96M
05-5模型评价：MSE、RMSE、MAE和R方.mp4 29.13M
05-6多项式回归代码实现.mp4 19.65M
05-7逻辑回归算法.mp4 21.81M
05-8线性逻辑回归代码实现.mp4 28.49M
05-9多分类策略.mp4 8.68M
06-10LASSO和岭回归代码实现.mp4 23.94M
06-11模型泛化.mp4 24.56M
06-12评价指标：混淆矩阵、精准率和召回率.mp4 36.52M
06-13评价指标：ROC曲线.mp4 33.80M
06-1本章总览.mp4 30.55M
06-2损失函数.mp4 39.35M
06-3梯度下降.mp4 35.66M
06-4决策边界.mp4 25.28M
06-5过拟合与欠拟合.mp4 25.13M
06-6学习曲线.mp4 26.73M
06-7交叉验证.mp4 23.90M
06-8模型误差.mp4 42.80M
06-9正则化.mp4 45.01M
07-1本章总览.mp4 14.39M
07-2决策树核心思想和原理.mp4 22.73M
07-3信息熵.mp4 39.70M
07-4决策树分类任务代码实现.mp4 38.72M
07-5基尼系数.mp4 19.63M
07-6决策树剪枝.mp4 25.97M
07-7决策树回归任务代码实现.mp4 12.60M
07-8决策树优缺点和适用条件.mp4 16.52M
08-1本章总览.mp4 26.78M
08-2神经网络核心思想和原理.mp4 56.43M
08-3激活函数.mp4 36.11M
08-4正向传播与反向传播.mp4 23.42M
08-5梯度下降优化算法.mp4 36.83M
08-6神经网络简单代码实现.mp4 28.88M
08-7梯度消失和梯度爆炸.mp4 28.50M
08-8模型选择.mp4 39.68M
08-9神经网络优缺点和适用条件.mp4 20.20M
09-10SVM优缺点和适用条件.mp4 11.32M
09-1本章总览.mp4 35.65M
09-2SVM核心思想和原理.mp4 15.71M
09-3硬间隔SVM.mp4 33.05M
09-4SVM软间隔.mp4 25.49M
09-5线性SVM分类任务代码实现.mp4 17.88M
09-6非线性SVM：核技巧.mp4 35.30M
09-7SVM核函数.mp4 21.91M
09-8非线性SVM代码实现.mp4 22.93M
09-9SVM回归任务代码实现.mp4 14.35M
10-1本章总览.mp4 22.39M
10-2贝叶斯方法核心思想和原理.mp4 31.95M
10-3朴素贝叶斯分类.mp4 20.30M
10-4朴素贝叶斯的代码实现.mp4 27.24M
10-5多项式朴素贝叶斯代码实现.mp4 23.65M
10-6贝叶斯方法优缺点和适用条件.mp4 25.46M
11-1本章总览.mp4 14.58M
11-2集成学习核心思想和原理.mp4 19.98M
11-3集成学习代码实现.mp4 24.36M
11-4并行策略：Bagging、OOB等方法.mp4 38.79M
11-5并行策略：随机森林.mp4 17.55M
11-6串行策略：Boosting.mp4 27.39M
11-7结合策略：Stacking方法.mp4 13.32M
11-8集成学习优缺点和适用条件.mp4 24.86M
12-1本章总览.mp4 9.93M
12-2聚类算法核心思想和原理.mp4 16.26M
12-3k-means和分层聚类.mp4 22.78M
12-4聚类算法代码实现.mp4 21.93M
12-5聚类评估代码实现.mp4 20.30M
12-6聚类算法优缺点和适用条件.mp4 19.69M
13-1本章总览.mp4 17.31M
13-2PCA核心思想和原理.mp4 25.38M
13-3PCA求解算法.mp4 21.56M
13-4PCA算法代码实现.mp4 15.17M
13-5降维任务代码实现.mp4 23.61M
13-6PCA在数据降噪中的应用.mp4 13.79M
13-7PCA在人脸识别中的应用.mp4 28.39M
13-8主成分分析优缺点和适用条件.mp4 9.45M
14-1本章总览.mp4 13.97M
14-2概率图模型核心思想和原理.mp4 52.82M
14-3EM算法参数估计.mp4 20.45M
14-4隐马尔可夫模型代码实现.mp4 43.03M
14-5概率图模型优缺点和适用条件.mp4 11.60M
15-1本章总览.mp4 8.53M
15-2泰坦尼克生还预测.mp4 61.96M
15-3房价预测.mp4 67.17M
15-4交易反欺诈代码实现.mp4 35.90M
15-5如何深入研究机器学习.mp4 11.51M
梗直哥–强化学习必修课：引领智能新时代
1_1-1-课程内容和理念.mp4 59.03M
1_10-1-基于模型的强化学习核心思想和原理.mp4 47.96M
1_11-1模仿学习.mp4 48.35M
1_12-1-项目实战：Gym游戏.mp4 51.39M
1_2-1-线性代数.mp4 26.89M
1_3-1-CUDA+Anaconda深度学习环境配置.mp4 18.73M
1_4-1-序列建模与概率图模型.mp4 38.12M
1_5-1-动态回归核心思想和原理.mp4 30.86M
1_6-1-蒙特卡洛方法.mp4 32.50M
1_7-1-深度Q网络核心思想和原理.mp4 44.71M
1_8-1-策略梯度核心思想和原理.mp4 44.18M
1_9-1-演员评论家算法核心思想和原理.mp4 20.12M
2_1-2-认识强化学习.mp4 53.78M
2_10-2-Dyna-Q算法.mp4 44.61M
2_11-2-博弈论与强化学习.mp4 64.74M
2_12-2-项目实战：大模型RLHF.mp4 31.35M
2_2-2-微积分.mp4 30.04M
2_3-2-conda使用命令.mp4 11.87M
2_4-2-马尔可夫观测过程：学会“看”.mp4 40.93M
2_5-2-策略迭代.mp4 40.01M
2_6-2-时序差分方法.mp4 34.17M
2_7-2-DQN-代码实现.mp4 35.82M
2_8-2-蒙特卡洛策略梯度.mp4 24.23M
2_9-2-改进型演员评论家算法.mp4 23.04M
3_1-3-课程使用的技术栈.mp4 12.01M
3_10-3-Dyna-Q算法代码实现.mp4 17.74M
3_11-3-多智能体强化学习.mp4 44.45M
3_12-3-强化学习最新发展趋势.mp4 65.61M
3_2-3-概率.mp4 46.60M
3_3-3-Jupyter-Notebook快速上手.mp4 14.13M
3_4-3-马尔可夫决策过程：试着-“干”.mp4 29.63M
3_5-3-价值迭代.mp4 19.17M
3_6-3-蒙特卡洛方法和时序差分代码实现.mp4 22.84M
3_7-3-常见问题改进和扩展.mp4 27.54M
3_8-3-策略梯度方法代码实现.mp4 19.41M
3_9-3-演员评论家算法代码实现.mp4 19.74M
4_10-4-基于模型的策略优化.mp4 19.66M
4_11-4-MADDP的代码实现.mp4 45.07M
4_12-4-下一步的学习建议.mp4 33.28M
4_3-4-仿真环境Gym安装.mp4 18.95M
4_4-4-马尔可夫奖励过程：懂得“想”.mp4 49.39M
4_5-4-动态规划代码实现.mp4 43.48M
4_6-4-广义策略迭代.mp4 19.56M
4_7-4-DQN改进算法代码实现.mp4 31.02M
4_8-4-近端策略优化算法.mp4 36.16M
4_9-4-深度确定性策略梯度.mp4 30.35M
5_10-5-MBPO的代码实现.mp4 53.79M
5_11-5-AlphaStar系统.mp4 82.38M
5_3-5-深度学习库PyTorch的安装.mp4 9.24M
5_4-5-贝尔曼方程：迭代求解价值函数.mp4 30.56M
5_6-5-Q-Learning算法.mp4 32.26M
5_8-5-近端策略优化（PPO）代码实现.mp4 34.58M
5_9-5-DDPG算法代码实现.mp4 22.50M
6_11-6-基于人类反馈大强化学习.mp4 47.15M
6_4-6-模型分类与选择.mp4 30.84M
6_6-6-SARSA算法.mp4 20.84M
6_9-6-软性演员评论家算法.mp4 38.57M
7_4-7-常见问题解析.mp4 21.65M
7_6-7-Q-Learning&SARSA代码实现.mp4 23.78M
7_9-7-SAC代码实现.mp4 35.08M
8_4-8-马尔可夫过程代码实现.mp4 40.23M
梗直哥–深度学习必修课：进击算法工程师
001.1-1 课程内容和理念.mp4 52.23M
002.1-2 初识深度学习.mp4 52.86M
003.1-3 课程使用的技术栈.mp4 12.65M
004.2-1 线性代数.mp4 56.44M
005.2-2 微积分.mp4 49.04M
006.2-3 概率.mp4 59.21M
007.3-1 CUDA+Anaconda深度学习环境搭建.mp4 20.94M
008.3-2 conda实用命令.mp4 13.03M
009.3-3 Jupyter Notebook快速上手.mp4 15.54M
010.3-4 深度学习库PyTorch安装.mp4 9.01M
011.4-1 神经网络原理.mp4 44.83M
012.4-2 多层感知机.mp4 47.25M
013.4-3 前向传播和反向传播.mp4 39.52M
014.4-4 多层感知机代码实现.mp4 29.34M
015.4-5 回归问题.mp4 35.59M
016.4-6 线性回归代码实现.mp4 23.14M
017.4-7 分类问题.mp4 23.05M
018.4-8 多分类问题代码实现.mp4 42.84M
019.5-1 训练的常见问题.mp4 33.80M
020.5-2 过拟合欠拟合应对策略.mp4 41.17M
021.5-3 过拟合和欠拟合示例.mp4 22.37M
022.5-4 正则化.mp4 42.24M
023.5-5 Dropout.mp4 32.08M
024.5-6 Dropout代码实现.mp4 17.32M
025.5-7 梯度消失和梯度爆炸.mp4 47.20M
026.5-8 模型文件的读写.mp4 16.50M
027.6-1 最优化与深度学习.mp4 48.05M
028.6-2 损失函数.mp4 42.80M
029.6-3 损失函数性质.mp4 29.22M
030.6-4 梯度下降.mp4 31.56M
031.6-5 随机梯度下降法.mp4 20.63M
032.6-6 小批量梯度下降法.mp4 32.04M
033.6-7 动量法.mp4 25.04M
034.6-8 AdaGrad算法.mp4 24.77M
035.6-9 RMSProp_Adadelta算法.mp4 15.89M
036.6-10 Adam算法.mp4 47.07M
037.6-11 梯度下降代码实现.mp4 30.92M
038.6-12 学习率调节器.mp4 27.91M
039.7-1 全连接层问题.mp4 38.55M
040.7-2 图像卷积.mp4 34.77M
041.7-3 卷积层.mp4 44.83M
042.7-4 卷积层常见操作.mp4 35.21M
043.7-5 池化层Pooling.mp4 33.64M
044.7-6 卷积神经网络代码实现（LeNet）.mp4 27.22M
045.8-1 AlexNet.mp4 49.57M
046.8-2 VGGNet.mp4 47.71M
047.8-3 批量规范化.mp4 23.62M
048.8-4 GoogLeNet.mp4 40.98M
049.8-5 ResNet.mp4 65.01M
050.8-6 DenseNet.mp4 58.47M
051.9-1 序列建模.mp4 30.32M
052.9-2 文本数据预处理.mp4 60.04M
053.9-3 循环神经网络.mp4 48.25M
054.9-4 随时间反向传播算法.mp4 43.86M
055.9-5 循环神经网络代码实现.mp4 27.84M
056.9-6 RNN的长期依赖问题.mp4 37.66M
057.10-1 深度循环神经网络.mp4 24.18M
058.10-2 双向循环神经网络.mp4 25.84M
059.10-3 门控循环单元.mp4 28.59M
060.10-4 长短期记忆网络.mp4 43.06M
061.10-5 复杂循环神经网络代码实现.mp4 35.82M
062.10-6 编码器-解码器网络.mp4 41.10M
063.10-7 序列到序列模型代码实现.mp4 32.96M
064.10-8 束搜索算法.mp4 25.71M
065.10-9 机器翻译简单代码实现.mp4 39.34M
066.11-1 什么是注意力机制.mp4 43.37M
067.11-2 注意力的计算.mp4 57.52M
068.11-3 键值对注意力和多头注意力.mp4 24.14M
069.11-4 自注意力机制.mp4 30.16M
070.11-5 注意力池化及代码实现.mp4 29.63M
071.11-6 Transformer模型.mp4 43.91M
072.11-7 Transformer代码实现.mp4 38.00M
073.12-1BERT模型.mp4 50.18M
074.12-2 GPT系列模型.mp4 79.60M
075.12-3 T5模型.mp4 37.76M
076.12-4 ViT模型.mp4 31.02M
077.12-5 Swin Transformer模型.mp4 54.91M
078.12-6 GPT模型代码实现.mp4 37.95M
079.13-1 蒙特卡洛方法.mp4 28.52M
080.13-2 变分推断.mp4 40.75M
081.13-3 变分自编码器.mp4 56.20M
082.13-4 生成对抗网络.mp4 39.85M
083.13-5 Diffusion扩散模型.mp4 77.56M
084.13-6 图像生成.mp4 56.13M
085.14-1 自定义数据加载.mp4 48.72M
086.14-2 图像数据增强.mp4 33.44M
087.14-3 迁移学习.mp4 31.80M
088.14-4 经典视觉数据集.mp4 37.27M
089.14-5 项目实战：猫狗大战.mp4 64.10M
090.15-1 词嵌入和word2vec.mp4 33.25M
091.15-2 词义搜索和句意表示.mp4 44.83M
092.15-3 预训练模型.mp4 55.01M
093.15-4 Hugging Face库介绍.mp4 36.40M
094.15-5 经典NLP数据集.mp4 36.42M
095.15-6 项目实战：电影评论情感分析.mp4 35.74M
096.16-1 InstructGPT模型.mp4 76.99M
097.16-2 CLIP模型.mp4 37.65M
098.16-3 DALL-E模型.mp4 54.33M
099.16-4 深度学习最新发展趋势分析.mp4 37.03M
100.16-5 下一步学习的建议.mp4 18.52M