李宏毅2020机器学习深度学习 P1. Machine Learning 2020_ Course Introduction P2. Rule of ML 2020 P3. Regression - Case Study P4. Basic Concept P5. Gradient Descent_1 P6. Gradient Descent_2 P7. Gradient Descent_3 P8. Optimization for Deep Learning 1_2 选学 P9. Optimization for Deep Learning 2_2 选学 P10. Classification_1 P11. Logistic Regression P12. Brief Introduction of Deep Learning P13. Backpropagation P14. Tips for Training DNN P15. Why Deep- P16. PyTorch Tutorial P17. Convolutional Neural Network P18. Graph Neural Network 1_2 选学 P19. Graph Neural Network 2_2 选学 P20. Recurrent Neural Network Part I P21. Recurrent Neural Network Part II P22. Unsupervised Learning - Word Embedding P23. Transformer P24. Semi-supervised P25. ELMO, BERT, GPT P26. Explainable ML 1_8 P27. Explainable ML 2_8 P28. Explainable ML 3_8 P29. Explainable ML 4_8 P30. Explainable ML 5_8 P31. Explainable ML 6_8 P32. Explainable ML 7_8 P33. Explainable ML 8_8 P34. More about Explainable AI 选学 P35. Attack ML Models 1_8 P36. Attack ML Models 2_8 P37. Attack ML Models 3_8 P38. Attack ML Models 4_8 P39. Attack ML Models 5_8 P40. Attack ML Models 6_8 P41. Attack ML Models 7_8 P42. Attack ML Models 8_8 P43. More about Adversarial Attack 1_2 选学 P44. More about Adversarial Attack 2_2 选学 P45. Network Compression 1_6 P46. Network Compression 2_6 P47. Network Compression 3_6 P48. Network Compression 4_6 P49. Network Compression 5_6 P50. Network Compression 6_6 P51. Network Compression 1_2 - Knowledge Distillation .flv P52. Network Compression 2_2 - Network Pruning 选学 P53. Conditional Generation by RNN & Attention P54. Pointer Network P55. Recursive P56. Transformer and its variant 选学 P57. Unsupervised Learning - Linear Methods P58. Unsupervised Learning - Neighbor Embedding P59. Unsupervised Learning - Auto-encoder P60. Unsupervised Learning - Deep Generative Model Part.flv P61. Unsupervised Learning - Deep Generative Model Part.flv P62. More about Auto-encoder 1_

人脸检测yolov4-tiny-pytorch源码，里面有大量人脸数据集训练成的人脸模型，识别人脸准确度高达百分之98，速度超过20帧每秒，下载即可运行

基于Python的情感分析，包括数据预处理，向量化（两种方法），4种模型比较，包括SVM，CNN，LSTM和混合CLSTM，绝对适合初学者或者了解情感分析，文本分析的人………………………………

此PPT为本人对《深度学习入门-基于Python的理论与实现》一书的学习总结

图像字幕生成器：LSTM模型从预先训练的VGG-16模型中提取特征后，会为输入图像生成字幕。 （计算机视觉，自然语言处理，深度学习，Python）

在Anaconda Jupyter Noteboo下实现的基于sklearn的手写数字识别（ipynb文件）

计算机视觉-物体检测-通用解决框架Mask-Rcnn实战课程旨在帮助同学们快速学习物体检测领域当下主流解决方案与网络框架构建原理，基于开源项目解读其应用领域与使用方法。通过debug方式，详细解读项目中每一模块核心源码，在代码角度理解网络实现方法与建模流程。为了方便同学们能将项目应用到自己的数据与任务中，实例演示如何针对自己的数据集制作标签与代码调整方法，全程实战操作，通俗讲解其中复杂的网络架构。

人体姿态检测摔倒检测源码，内含训练好的模型和素材，下载即可运行检测老人行人摔倒，可支持图片检测本地视频检测网络摄像头检测。

4伯克利课程作业决策，贪婪，等等

基于python平台，用LSTM网络结构完成对数据的分类识别