PyTorch之简介与下载

• PyTorch简介
• PyTorch环境搭建

PyTorch之60min入门教程

• PyTorch 入门
• PyTorch 自动微分
• PyTorch 神经网络
• PyTorch 图像分类器
• PyTorch 数据并行处理

PyTorch之入门强化教程

• 数据加载和处理
• PyTorch小试牛刀
• 迁移学习
• 混合前端的seq2seq模型部署
• 保存和加载模型

PyTorch之图像篇

• 微调基于torchvision 0.3的目标检测模型
• 微调TorchVision模型
• 空间变换器网络
• 使用PyTorch进行Neural-Transfer
• 生成对抗示例
• 使用ONNX将模型转移至Caffe2和移动端

PyTorch之文本篇

• 聊天机器人教程
• 使用字符级RNN生成名字
• 使用字符级RNN进行名字分类
• 在深度学习和NLP中使用Pytorch
• 使用Sequence2Sequence网络和注意力进行翻译

PyTorch之生成对抗网络

• 生成对抗网络

PyTorch之强化学习

• 强化学习

基础篇

• 理解 NumPy
• NumPy 简单入门教程
• Python Numpy 教程
• 创建 NumPy 数组的不同方式
• NumPy 中的矩阵和向量

进阶篇

• NumPy 数据分析练习
• NumPy 神经网络
• 使用 NumPy 进行数组编程
• NumPy 实现k均值聚类算法
• NumPy 实现DNC、RNN和LSTM神经网络算法

其他篇

• OpenCV中的图像的基本操作
• MinPy：MXNet后端的NumPy接口

深度学习基础教程

• 前言
• 线性回归
• 数字识别
• 图像分类
• 词向量
• 个性化推荐
• 情感分析
• 语义角色标注
• 机器翻译
• 生成对抗网络

七日入门深度学习

• Day 1：初识深度学习
• Day 1：如何快速入门深度学习？
• Day 2：图像识别基础与实战
• Day 3：目标检测基础与实践（一）
• Day 3：目标检测实战-RCNN算法讲解
• Day 3：目标检测实战-YOLOv3检测物体

数组对象

• 目录
• N维数组(ndarray)
• 标量
• 数据类型对象(dtype)
• 索引
• 迭代数组
• 标准数组子类
• 掩码数组
• 数组接口
• 日期时间和时间增量

常量

• 常量

通函数(ufunc)

• 通函数(ufunc)

常用API

• 目录
• 创建数组
• 数组操作
• 二进制操作
• 字符串操作
• C-Types外部函数接口(numpy.ctypeslib)
• 时间日期相关
• 数据类型相关
• 可选的Scipy加速支持(numpy.dual)
• 具有自动域的数学函数(numpy.emath)
• 浮点错误处理
• 离散傅立叶变换(numpy.fft)
• 财金相关
• 实用的功能
• 特殊的NumPy帮助功能
• 索引相关
• 输入和输出
• 线性代数(numpy.linalg)
• 逻辑函数
• 操作掩码数组
• 数学函数
• 矩阵库(numpy.matlib)
• 杂项
• 填充数组
• 多项式
• 随机抽样(numpy.random)
• 集合操作
• 排序、搜索和计数
• 统计相关
• 测试支持(numpy.testing)
• 窗口函数

打包（numpy.distutils）

• 打包（numpy.distutils）

NumPy Distutils 的用户指南

• NumPy Distutils 的用户指南

NumPy C-API

• 目录
• Python类型和C结构
• 系统配置
• 数据类型API
• 数组API
• 数组迭代API
• UFunc API
• 一般的通函数API
• NumPy核心库
• 弃用的 C API

NumPy 内部

• 目录
• NumPy C代码说明
• 内存校准

NumPy 和 SWIG

• 目录
• numpy.i：NumPy的SWIG接口文件
• 测试numpy.i Typemaps

NumPy 介绍

• NumPy 介绍

快速入门教程

• 快速入门教程

NumPy 基础知识

• 目录
• 数据类型
• 创建数组
• NumPy与输入输出
• 索引
• 广播
• 字节交换
• 结构化数组
• 编写自定义数组容器
• 子类化ndarray

其他杂项

• 其他杂项

与 Matlab 比较

• 与 Matlab 比较

从源代码构建

• 从源代码构建

使用NumPy的C-API

• 目录
• 如何扩展NumPy
• 使用Python作为胶水
• 编写自己的ufunc
• 深入的知识

• 使用Keras进行深度学习
• Keras 入门
• CNN讲解及实践
• 使用text-CNN处理自然语言（上）
• 使用text-CNN处理自然语言（下）
• RNN和双向RNN讲解及实践
• LSTM和双向LSTM讲解及实践
• GRU讲解及实践

• 主页
• 为什么选择 Keras?

快速开始

• Sequential 顺序模型指引
• 函数式 API 指引
• FAQ 常见问题解答

模型

• 关于 Keras 模型
• Sequential 顺序模型
• Model (函数式 API)

网络层

• 关于 Keras 网络层
• 核心网络层
• 卷积层 Convolutional Layers
• 池化层 Pooling Layers
• 局部连接层 Locally-connected Layers
• 循环层 Recurrent Layers
• 嵌入层 Embedding Layers
• 融合层 Merge Layers
• 高级激活层 Advanced Activations Layers
• 标准化层 Normalization Layers
• 噪声层 Noise layers
• 层封装器 Layer wrappers
• 编写你自己的层

数据预处理

• 序列预处理
• 文本预处理
• 图像预处理
• 损失函数 Losses
• 评估标准 Metrics
• 优化器 Optimizers
• 激活函数 Activations
• 回调 Callbacks
• 常用数据集 Datasets
• 应用 Applications
• 后端 Backend
• 初始化 Initializers
• 正则化 Regularizers
• 约束项 Constraints
• 可视化 Visualization
• Scikit-learn API
• 工具 Utils
• 贡献

经典样例

• RNN 加法
• 自定义层 - antirectifier
• Baby RNN
• Baby MemNN
• CIFAR-10 CNN
• CIFAR-10 ResNet
• 卷积滤波器可视化
• 卷积 LSTM
• Deep Dream
• 图片 OCR
• 双向 LSTM
• 1D CNN 文本分类
• CNN-LSTM 情感分类
• Fasttext 文本分类
• LSTM 情感分类
• Sequence to sequence - 训练
• Sequence to sequence - 预测
• Stateful LSTM
• LSTM for 文本生成
• GAN 辅助分类器

• 介绍

一、Pytorch的建模流程

• 一、Pytorch的建模流程
• 1-1 结构化数据建模流程范例
• 1-2 图片数据建模流程范例
• 1-3 文本数据建模流程范例
• 1-4 时间序列数据建模流程范例

二、Pytorch的核心概念

• 二、Pytorch的核心概念
• 2-1 张量数据结构
• 2-2 自动微分机制
• 2-3 动态计算图

三、Pytorch的层次结构

• 三、Pytorch的层次结构
• 3-1 低阶API示范
• 3-2 中阶API示范
• 3-3 高阶API示范

四、Pytorch的低阶API

• 四、Pytorch的低阶API
• 4-1 张量的结构操作
• 4-2 张量的数学运算
• 4-3 nn.functional和n

五、Pytorch的中阶API

• 五、Pytorch的中阶API
• 5-1 Dataset和DataLoader
• 5-2 模型层
• 5-3 损失函数
• 5-4 TensorBoard可视化

六、Pytorch的高阶API

• 六、Pytorch的高阶API
• 6-1 构建模型的3种方法
• 6-2 训练模型的3种方法
• 6-3 使用GPU训练模型

• README
• 安装指南
• 快速入门指南
• Python 包的相关介绍
• 特性
• 实验
• 参数
• 参数优化
• Python API
• 并行学习指南
• LightGBM GPU 教程
• 进阶主题
• LightGBM FAQ 常见问题解答
• Development Guide

• 魔图互联知识图谱推荐系统
• 知识图谱与机器学习
• 图深度学习
• 建立知识图谱
• 文档构建知识图谱

• 首页

OpenCV简介

• 0_OpenCV-Python Tutorials

OpenCV安装

• 1_1_OpenCV-Python教程简介
• 1_2_在Windows中安装OpenCV-Python
• 1_3_在Fedora中安装OpenCV-Python
• 1_4_在Ubuntu中安装OpenCV-Python

OpenCV中的GUI特性

• 2_1_图像入门
• 2_2_视频入门
• 2_3_OpenCV中的绘图功能
• 2_4_鼠标作为画笔
• 2_5_轨迹栏作为调色板

核心操作

• 3_1_图像的基本操作
• 3_2_图像上的算法运算
• 3_3_性能衡量和提升技术

OpenCV中的图像处理

• 4_1_改变颜色空间
• 4_2_图像几何变换
• 4_3_图像阈值
• 4_4_图像平滑
• 4_5_形态转换
• 4_6_图像梯度
• 4_7_Canny边缘检测
• 4_8_图像金字塔
• 4_9_1_OpenCV中的轮廓
• 4_9_2_轮廓特征
• 4_9_3_轮廓属性
• 4_9_4_轮廓：更多属性
• 4_9_5_轮廓分层
• 4_10_1_直方图-1：查找，绘制，分析
• 4_10_2_直方图-2：直方图均衡
• 4_10_3_直方图3：二维直方图
• 4_10_4_直方图-4：直方图反投影
• 4_11_傅里叶变换
• 4_12_模板匹配
• 4_13_霍夫线变换
• 4_14_霍夫圈变换
• 4_15_图像分割与分水岭算法
• 4_16_交互式前景提取使用GrabCut算法

特征检测与描述

• 5_1_理解特征
• 5_2_哈里斯角检测
• 5_3_Shi-Tomasi拐角探测器和良好的跟踪功能
• 5_4_SIFT（尺度不变特征变换）简介
• 5_5_SURF简介（加速的强大功能）
• 5_6_用于角点检测的FAST算法
• 5_7_BRIEF（二进制的鲁棒独立基本特征）
• 5_8_ORB（定向快速和旋转简要）
• 5_9_特征匹配
• 5_10_特征匹配+单应性查找对象

视频分析

• 6_1_如何使用背景分离方法
• 6_2_Meanshift和Camshift
• 6_3_光流

相机校准和3D重建

• 7_1_相机校准
• 7_2_姿态估计
• 7_3_对极几何
• 7_4_立体图像的深度图

机器学习

• 8_1_理解KNN
• 8_2_使用OCR手写数据集运行KNN
• 8_3_理解SVM
• 8_4_使用OCR手写数据集运行SVM
• 8_5_理解K均值聚类
• 8_6_OpenCV中的K均值

计算摄影学

• 9_1_图像去噪
• 9_2_图像修补
• 9_3_高动态范围

目标检测

• 10_1_级联分类器
• 10_2_级联分类器训练

OpenCV-Python Binding

• 11_1_OpenCV-Python Bindings

• Tensorflow入门教程
• 深度学习发展史
• 特征工程
• 深度学习之激活函数
• 损失函数
• 反向传播算法【上】
• 反向传播算法【下】
• Tensorflow 介绍和安装
• Tensorflow基本操作
• 卷积神经网络概述
• 卷积神经网络基础操作
• 手写数字识别数据集介绍
• 卷积神经实现手写数字识别
• 卷积神经网络经典模型概述
• 卷积神经网络经典模型 LeNet
• 综述RNN循环神经网络
• 七步带你实现RNN循环神经网络小示例
• 常用RNN网络结构及依赖优化问题
• RNN的应用及注意力模型
• Tensorboard【上】
• Tensorboard【下】
• tensorflow_multi_gpu
• Awesome_Tensorflow

• 互联网 Java 工程师进阶知识完全扫盲
• 面试场景
• 为什么使用消息队列？消息队列有什么优点和缺点？Kafka、ActiveMQ、RabbitMQ、RocketMQ 都有什么优点和缺点？
• 如何保证消息队列的高可用？
• 如何保证消息不被重复消费？（如何保证消息消费的幂等性）
• 如何保证消息的可靠性传输？（如何处理消息丢失的问题）
• 如何保证消息的顺序性？
• 如何解决消息队列的延时以及过期失效问题？消息队列满了以后该怎么处理？有几百万消息持续积压几小时，说说怎么解决？
• 如果让你写一个消息队列，该如何进行架构设计啊？说一下你的思路。

• 基础知识
• ES 的分布式架构原理能说一下么（ES 是如何实现分布式的啊）？
• ES 写入数据的工作原理是什么啊？ES 查询数据的工作原理是什么啊？底层的 Lucene 介绍一下呗？倒排索引了解吗？
• ES 在数据量很大的情况下（数十亿级别）如何提高查询效率啊？
• ES 生产集群的部署架构是什么？每个索引的数据量大概有多少？每个索引大概有多少个分片？

• 在项目中缓存是如何使用的？缓存如果使用不当会造成什么后果？
• Redis 和 Memcached 有什么区别？Redis 的线程模型是什么？为什么单线程的 Redis 比多线程的 Memcached 效率要高得多？
• Redis 都有哪些数据类型？分别在哪些场景下使用比较合适？
• Redis 的过期策略都有哪些？手写一下 LRU 代码实现？
• 如何保证 Redis 高并发、高可用？Redis 的主从复制原理能介绍一下么？Redis 的哨兵原理能介绍一下么？
• Redis 的持久化有哪几种方式？不同的持久化机制都有什么优缺点？持久化机制具体底层是如何实现的？
• Redis 集群模式的工作原理能说一下么？在集群模式下，Redis 的 key 是如何寻址的？分布式寻址都有哪些算法？了解一致性 hash 算法吗？如何动态增加和删除一个节点？
• 了解什么是 Redis 的雪崩、穿透和击穿？Redis 崩溃之后会怎么样？系统该如何应对这种情况？如何处理 Redis 的穿透？
• 如何保证缓存与数据库的双写一致性？
• Redis 的并发竞争问题是什么？如何解决这个问题？了解 Redis 事务的 CAS 方案吗？
• 生产环境中的 Redis 是怎么部署的？
• 为什么要分库分表（设计高并发系统的时候，数据库层面该如何设计）？用过哪些分库分表中间件？不同的分库分表中间件都有什么优点和缺点？你们具体是如何对数据库如何进行垂直拆分或水平拆分的？

• 现在有一个未分库分表的系统，未来要分库分表，如何设计才可以让系统从未分库分表动态切换到分库分表上？
• 如何设计可以动态扩容缩容的分库分表方案？
• 分库分表之后，id 主键如何处理？

• 如何实现 MySQL 的读写分离？MySQL 主从复制原理是啥？如何解决 MySQL 主从同步的延时问题？

• 如何设计一个高并发系统？
• 面试连环炮
• 为什么要进行系统拆分？如何进行系统拆分？拆分后不用 Dubbo 可以吗？
• 说一下 Dubbo 的工作原理？注册中心挂了可以继续通信吗？
• Dubbo 支持哪些序列化协议？说一下 Hessian 的数据结构？PB 知道吗？为什么 PB 的效率是最高的？
• Dubbo 负载均衡策略和集群容错策略都有哪些？动态代理策略呢？
• Dubbo 的 spi 思想是什么？
• 如何基于 Dubbo 进行服务治理、服务降级、失败重试以及超时重试？
• 分布式服务接口的幂等性如何设计（比如不能重复扣款）？
• 分布式服务接口请求的顺序性如何保证？
• 如何自己设计一个类似 Dubbo 的 RPC 框架？
• CAP 定理的 P 是什么？
• Zookeeper 都有哪些应用场景？
• 使用 Redis 如何设计分布式锁？使用 Zookeeper 来设计分布式锁可以吗？以上两种分布式锁的实现方式哪种效率比较高？
• 分布式事务了解吗？你们如何解决分布式事务问题的？TCC 如果出现网络连不通怎么办？XA 的一致性如何保证？
• 集群部署时的分布式 Session 如何实现？
• Hystrix 介绍
• 电商网站详情页系统架构
• Hystrix 线程池技术实现资源隔离
• Hystrix 信号量机制实现资源隔离
• Hystrix 隔离策略细粒度控制
• 深入 Hystrix 执行时内部原理
• 基于 request cache 请求缓存技术优化批量商品数据查询接口
• 基于本地缓存的 fallback 降级机制
• 深入 Hystrix 断路器执行原理
• 深入 Hystrix 线程池隔离与接口限流
• 基于 timeout 机制为服务接口调用超时提供安全保护
• 如何限流？在工作中是怎么做的？说一下具体的实现？
• 如何进行熔断？
• 熔断框架都有哪些？具体实现原理知道吗？
• 熔断框架如何做技术选型？选用 Sentinel 还是 Hystrix？
• 如何进行降级？
• 微服务架构整个章节内容属额外新增，后续抽空更新，也欢迎读者们参与补充完善
• 关于微服务架构的描述
• 从单体式架构迁移到微服务架构
• 微服务的事件驱动数据管理
• 选择微服务部署策略
• 微服务架构的优势与不足
• 什么是微服务？微服务之间是如何独立通讯的？
• Spring Cloud 和 Dubbo 有哪些区别？
• Spring Boot 和 Spring Cloud，谈谈你对它们的理解？
• 什么是服务熔断？什么是服务降级？
• 微服务的优缺点分别是什么？说一下你在项目开发中碰到的坑？
• 你所知道的微服务技术栈都有哪些？
• 微服务治理策略
• Eureka 和 Zookeeper 都可以提供服务注册与发现的功能，它们有什么区别？
• 谈谈服务发现组件 Eureka 的主要调用过程？
• 如何从大量的 URL 中找出相同的 URL？
• 如何从大量数据中找出高频词？
• 如何找出某一天访问百度网站最多的 IP？
• 如何在大量的数据中找出不重复的整数？
• 如何在大量的数据中判断一个数是否存在？
• 如何查询最热门的查询串？
• 如何统计不同电话号码的个数？
• 如何从 5 亿个数中找出中位数？
• 如何按照 query 的频度排序？
• 如何找出排名前 500 的数？

• 技术面试必备基础知识
• 剑指 Offer 题解
• Leetcode 题解
• 算法
• 笔试面试题库
• 计算机操作系统
• Linux
• 计算机网络
• HTTP
• Socket
• 面向对象思想
• 设计模式
• 数据库系统原理
• SQL
• Leetcode-Database 题解
• MySQL
• Redis
• Java 基础
• Java 容器
• Java 虚拟机
• Java I/O
• 系统设计基础
• 分布式
• 集群
• 攻击技术
• 缓存
• 消息队列
• Git
• Docker
• 构建工具
• 正则表达式
• 代码可读性
• 代码风格规范

• 首页
• 学习linux命令，看这篇2w多字的命令详解就够了
• 图解HTTP协议
• 面试 HTTP ，99% 的面试官都爱问这些问题
• 实战！敖丙用“大白鲨”让你看见 TCP
• 跟着动画学习TCP三次握手和四次挥手
• 敖丙用近 40 张图解被问千百遍的 TCP 三次握手和四次挥手面试题
• 键入网址后，期间发生了什么？
• IP 基础知识“全家桶”，敖丙45 张图一套带走你
• 你还在为 TCP 重传、滑动窗口、流量控制、拥塞控制发愁吗？看完图解就不愁了
• 敖丙说了这么多次 I/O，可你知道其中的原理么？
• 敖丙听说你 ping 用的很 6 ？给我图解一下 ping 的工作原理！
• 硬核！30 张图解 HTTP 常见的面试题
• 一次相亲经历，我彻底搞懂了什么叫阻塞非阻塞，同步异步
• HashMap
• 面试官：HashMap 为什么线程不安全？
• 万万没想到，HashMap默认容量的选择，竟然背后有这么多思考！？
• ConcurrentHashMap & Hashtable（文末送书）
• ArrayList
• ArrayList源码解析，老哥，来一起复习一哈？
• 面试官问我同步容器（如Vector）的所有操作一定是线程安全的吗？我懵了！
• 全网最透彻HTTPS（面试常问）
• 枚举
• 我就知道面试官接下来要问我 ConcurrentHashMap 底层原理了
• 【JVM故事】了解JVM的结构，好在面试时吹牛
• 看完这篇垃圾回收，和面试官扯皮没问题了
• Java堆内存是线程共享的！面试官：你确定吗？
• 线上服务的FGC问题排查，看这篇就够了！
• 【面试】如果把线程当作一个人来对待，所有问题都瞬间明白了
• Java 并发进阶常见面试题总结
• 如果你这样回答“什么是线程安全”，面试官都会对你刮目相看（建议珍藏）
• 乐观锁、悲观锁
• 死磕Synchronized源码
• 我画了35张图就是为了让你深入 AQS
• 终于有人把 CountDownLatch，CyclicBarrier，Semaphore 说明白了!
• 面试官想到，一个Volatile，敖丙都能吹半小时
• 记一次线程池引发的故障 排查下来是三歪的锅
• 怎么排查堆内存溢出啊？
• CPU100%，排查
• 图解红黑树
• 一分钟带你玩转 Spring IoC
• Spring事务传播行为
• 外行人都能看懂的SpringCloud，错过了血亏！
• 敖丙说精通字符串，面试官竟然问Java中的String有没有长度限制！
• 敖丙RPC的超时设置，一不小心搞了线上事故
• 敖丙找出Dubbo源码BUG，三歪夸了我一天
• 20000 字的 Spring Cloud 总结
• 什么是Zookeeper
• 什么是单点登录(SSO)
• 分布式锁之Zookeeper
• Zookeeper之ZAB协议
• 高并发架构基石-缓存
• 敖丙在蘑菇街的redis技术分享
• Redis基础知识
• 缓存击穿、雪崩、穿透
• 集群高可用、哨兵、持久化、LRU
• 分布式锁、并发竞争、双写一致性
• Redis常见面试题
• 布隆过滤器(BloomFilter)
• 秒杀系统设计
• 全栈秒杀系统设计
• 课代表总结
• 短小精悍之 Redis 命令行工具有趣的罕见用法
• 布隆过滤器实战【防止缓存击穿】
• 布隆过滤器过时了，未来属于布谷鸟过滤器？
• 什么鬼，面试官竟然让敖丙用Redis实现一个消息队列！！？
• Redis—分布式锁深入探究
• Redis—跳跃表
• Redis—5种基本数据结构
• Redis—持久化
• Reids—神奇的HyperLoglog解决统计问题
• Redis分布式锁
• 妈妈再也不担心我面试被Redis问得脸都绿了
• 消息队列
• 消息队列基础知识
• 消息重复消费、分布式事务、顺序消费
• Kafka架构与原理
• RocketMQ
• MySQL调优
• MySQL的索引是怎么加速查询的？
• 数据库索引
• MySql主从复制，从原理到实践！
• MySQL 的 InnoDB 存储引擎是怎么设计的？
• 数据库基础知识
• 原来MySQL面试还会问这些(undo log)
• 数据库连接池到底应该设多大？这篇文章可能会颠覆你的认知
• 漫话：如何给女朋友解释什么是撞库、脱库和洗库？
• 阿里巴巴开源限流系统 Sentinel 全解析
• 支付宝的架构到底有多牛逼？还没看完我就跪了！
• 简历怎么写?
• 能不能好好写简历？
• 简历这样写，技术人都不直男了！
• 自我介绍
• 互联网公司面试流程 注意事项 加分点 防骗指南
• 互联网公司面试流程&加分点，别跟敖丙一样被无良HR坑了
• 为什么阿里巴巴禁止开发人员使用isSuccess作为变量名？
• 为什么阿里巴巴要求谨慎使用ArrayList中的subList方法
• 为什么阿里巴巴不建议在for循环中使用"+"进行字符串拼接
• 被裁一个月面试的面经和经验分享
• 互联网寒冬，敖丙挚友7面阿里，终获Offer
• 二本 两年经验读者 阿里P6面经
• 3 年经验的 Java 后端妹子，横扫阿里、滴滴、美团，看完面经我觉得敖丙是垃圾！
• 2020 字节跳动后端面经分享！已拿 offer!
• 春招字节跳动、蘑菇街四轮面试，分别问了啥？
• 敖丙8年经验读者，疫情期间面20家大厂总结
• 京东+百度一面，不小心都拿了Offer
• 蚂蚁金服2019实习生面经总结(已拿口头offer)
• Bigo的Java面试，我挂在了第三轮技术面上......
• 15个经典的Spring面试常见问题
• Spring常见问题总结（补充版）
• 我是如何在面试别人Spring事务时“套路”对方的
• 我和阿里面试官的一次“邂逅”(附问题详解)
• 一份还热乎的蚂蚁金服面经（已拿Offer）！附答案！！
• 十道校招常见的面试题
• JVM必问知识点:类加载过程
• 迄今为止把同步/异步/阻塞/非阻塞/BIO/NIO/AIO讲的这么清楚的好文章（快快珍藏）
• 互联网寒冬，敖丙挚友7面阿里，终获Offer
• Java后端实习面经，电子科大大三读者投稿！看了之后感触颇深！很开心！
• 敖丙读者只复习了半年，怒拿字节跳动Offer
• 敖丙读者一个月面试近20家大中小厂，在互联网寒冬突破重围，成功上岸阿里云 ！
• 读研or工作？
• 人生如水，由溪入海
• 提离职，涨薪 走，别回头
• 大学个人经历 | 如诗的青春
• 蘑菇街裁员说明 海阔凭鱼跃，天高任鸟飞
• 我知道互联网不相信眼泪，但是敖丙今天还是没忍住
• 2020无畏年少青春，迎风潇洒前行
• 写作一个月的感受
• 敖丙用20行代码拿了比赛冠军
• 应届毕业生工作7个月小结
• 教你在服务器搭建个人面试项目
• 记一次害敖丙差点丢工作的线上P0事故
• 阿里五年老员工有什么话想对大家说？
• 从毕业到技术专家我做了啥
• 50天全网2W粉，感谢坚持！
• MacBook Pro 入手一年了，到底香不香？
• 【互联网寒冬】经历裁员，拿20W被迫去大厂
• 【相亲】95年高颜值妹子，喜欢上进的男生
• 我的青春结束了
• 时间刺客--敖丙
• 敖丙参加了一场温州游资的婚礼
• 敖丙枯燥无味的假期，一直在吃狗粮
• 送别了好友，敖丙跟你聊聊【离职】这个话题
• 请照顾好自己，周末病魔差点一套带走我。
• 敖丙我参加了蘑菇街年会，流了一晚上鼻血
• 曾经我们并肩作战，敬未来一杯，敬资本一杯
• 敖丙我写了一个新手都写不出的低级bug，被骂惨了。
• 敖丙的第一次相亲，还没开始，就已经结束了。
• 我的母亲
• 贵州打工仔回家过年，遭遇流感，被隔离，偶遇读者，偶遇直播同行...
• 敖丙回家过年，外婆说没带女朋友别回来了？喝了老爸89年的酒，当场反目。
• 书房翻杂物，看到初恋的信件，看到奖牌，看到梅西、力宏，帅丙的眼角又湿了.....
• 疫情之下，从一座空城，到另一座空城，贵州小伙带你看不一样的杭州
• 昂，我24岁了
• Java/后端学习路线
• 整理的书单(附个人喜欢的文学书)
• 敖丙大学四年自学走来，这些私藏的实用工具/学习网站我贡献出来了
• 整理好用的工具集
• 通用的学习方法
• IDEA破解(请勿传播)
• 电子书(请勿传播)
• 面试资料(持续更新)
• 简历模板(欢迎补充)
• 概要设计模板

• matplotlib 中文文档
• Stacked Bar Graph
• Grouped bar chart with labels
• Horizontal bar chart
• Broken Barh
• Plotting categorical variables
• Plotting the coherence of two signals
• CSD Demo
• Errorbar limit selection
• Errorbar Subsample
• EventCollection Demo
• Eventplot Demo
• Filled polygon
• Filling the area between lines
• Fill Betweenx Demo
• Hatch-filled histograms
• Bar chart with gradients
• Discrete distribution as horizontal bar chart
• Join styles and cap styles
• Customizing dashed line styles
• Linestyles
• Marker filling-styles
• Marker Reference
• Markevery Demo
• prop_cycle property markevery in rcParams
• Masked Demo
• Multicolored lines
• Nan Test
• Psd Demo
• Scatter Custom Symbol
• Scatter Demo2
• Scatter plot with histograms
• Scatter Masked
• Scatter plot with pie chart markers
• Scatter Star Poly
• Scatter Symbol
• Scatter plots with a legend
• Simple Plot
• Using span_where
• Spectrum Representations
• Stackplot Demo
• Stem Plot
• Step Demo
• Creating a timeline with lines, dates, and text
• hlines and vlines
• Cross- and Auto-Correlation Demo
• Affine transform of an image
• Barb Demo
• Barcode Demo
• Contour Corner Mask
• Contour Demo
• Contour Image
• Contour Label Demo
• Contourf Demo
• Contourf Hatching
• Contourf and log color scale
• BboxImage Demo
• Figimage Demo
• Creating annotated heatmaps
• Clipping images with patches
• Image Demo
• Image Masked
• Image Nonuniform
• Blend transparency with color in 2-D images
• Modifying the coordinate formatter
• Interpolations for imshow/matshow
• Contour plot of irregularly spaced data
• Layer Images
• Matshow
• Multi Image
• Pcolor Demo
• pcolormesh
• Streamplot
• QuadMesh Demo
• Advanced quiver and quiverkey functions
• Quiver Simple Demo
• Shading example
• Spectrogram Demo
• Spy Demos
• Tricontour Demo
• Tricontour Smooth Delaunay
• Tricontour Smooth User
• Trigradient Demo
• Triinterp Demo
• Tripcolor Demo
• Triplot Demo
• Watermark image
• Aligning Labels
• Axes Demo
• Zooming in and out using Axes.margins and the subject of "stickiness"
• Axes Props
• Axes Zoom Effect
• axhspan Demo
• Axis Equal Demo
• Broken Axis
• Placing Colorbars
• Custom Figure Class
• Resizing axes with constrained layout
• Resizing axes with tight layout
• Different scales on the same axes
• Figure Title
• Creating adjacent subplots
• Geographic Projections
• Combining two subplots using subplots and GridSpec
• Using Gridspec to make multi-column/row subplot layouts
• Nested Gridspecs
• Invert Axes
• Multiple Figs Demo
• Secondary Axis
• Shared Axis Demo
• Multiple subplots
• Basic Subplot Demo
• Subplot Toolbar
• Subplots Adjust
• Creating multiple subplots using plt.subplots
• Plots with different scales
• Zoom region inset axes
• Percentiles as horizontal bar chart
• Artist customization in box plots
• Box plots with custom fill colors
• Boxplots
• Box plot vs. violin plot comparison
• Boxplot drawer function
• Plot a confidence ellipse of a two-dimensional dataset
• Violin plot customization
• Errorbar function
• Different ways of specifying error bars
• Including upper and lower limits in error bars
• Creating boxes from error bars using PatchCollection
• Hexbin Demo
• Histograms
• Using histograms to plot a cumulative distribution
• Demo of the histogram hist function with a few features
• Demo of the histogram functions different histtype settings
• The histogram hist function with multiple data sets
• Producing multiple histograms side by side
• Violin plot basics
• Basic pie chart
• Pie Demo2
• Bar of pie
• Nested pie charts
• Labeling a pie and a donut
• Bar chart on polar axis
• Polar Demo
• Polar Legend
• Scatter plot on polar axis
• Using accented text in matplotlib
• Annotating Plots
• Arrow Demo
• Arrow Simple Demo
• Auto-wrapping text
• Composing Custom Legends
• Dashpoint Label
• Date tick labels
• Custom tick formatter for time series
• Demo Annotation Box
• Demo Text Path
• Demo Text Rotation Mode
• The difference between \dfrac and \frac
• Labeling ticks using engineering notation
• Fancyarrow Demo
• Fancytextbox Demo
• Figure legend demo
• Configuring the font family
• Using a ttf font file in Matplotlib
• Font table
• Fonts demo object-oriented style
• Fonts demo kwargs
• Legend using pre-defined labels
• Legend Demo
• Artist within an artist
• A mathtext image as numpy array
• Mathtext Demo
• Mathtext Examples
• Multiline
• Rainbow text
• STIX Fonts Demo
• Rendering math equation using TeX
• Precise text layout
• Controlling style of text and labels using a dictionary
• Default text rotation demonstration
• Text Rotation Relative To Line
• Titles Demo
• Unicode minus
• Usetex Baseline Test
• Usetex Demo
• Usetex Fonteffects
• Text watermark
• Align y-labels
• Annotate Transform
• Annotating a plot
• Annotation Polar
• Auto Subplots Adjust
• Boxplot Demo
• Dollar Ticks
• Fig Axes Customize Simple
• Simple axes labels
• Adding lines to figures
• plot format string
• Pyplot Mathtext
• Pyplot Scales
• Pyplot Simple
• Pyplot Text
• Pyplot Three
• Pyplot Two Subplots
• Text Commands
• Text Layout
• Whats New 1 Subplot3d
• Whats New 0.98.4 Fancy
• Fill Between
• Whats New 0.98.4 Legend
• Whats New 0.99 Axes Grid
• Whats New 0.99 Mplot3d
• Whats New 0.99 Spines
• Color Demo
• Color by y-value
• Colors in the default property cycle
• Styling with cycler
• Colorbar
• Colormap reference
• Creating a colormap from a list of colors
• List of named colors
• Arrow guide
• Reference for Matplotlib artists
• Line, Poly and RegularPoly Collection with autoscaling
• Compound path
• Dolphins
• Mmh Donuts!!!
• Ellipse Collection
• Ellipse Demo
• Fancybox Demo
• Hatch Demo
• Line Collection
• Marker Path
• Circles, Wedges and Polygons
• PathPatch object
• Bezier Curve
• Scatter plot
• Bayesian Methods for Hackers style sheet
• Dark background style sheet
• FiveThirtyEight style sheet
• ggplot style sheet
• Grayscale style sheet
• Solarized Light stylesheet
• Style sheets reference
• Demo Anchored Direction Arrow
• Demo Axes Divider
• Demo Axes Grid
• Demo Axes Grid2
• Demo Axes Hbox Divider
• Demo Axes RGB
• Demo Colorbar of Inset Axes
• Demo Colorbar with Axes Divider
• Controlling the position and size of colorbars with Inset Axes
• Demo Edge Colorbar
• Demo Fixed Size Axes
• Demo Imagegrid Aspect
• Inset Locator Demo
• Inset Locator Demo2
• Make Room For Ylabel Using Axesgrid
• Parasite Simple
• Parasite Simple2
• Scatter Hist
• Simple Anchored Artists
• Simple Axes Divider 1
• Simple Axes Divider 2
• Simple Axes Divider 3
• Simple ImageGrid
• Simple ImageGrid 2
• Simple Axisline4
• Simple Colorbar
• Simple RGB
• Axis Direction Demo Step01
• Axis Direction Demo Step02
• Axis Direction Demo Step03
• Axis Direction Demo Step04
• Demo Axis Direction
• Axis line styles
• Curvilinear grid demo
• Demo Curvelinear Grid2
• mpl_toolkits.axisartist.floating_axes features
• Demo Floating Axis
• Parasite Axes demo
• Demo Parasite Axes2
• Demo Ticklabel Alignment
• Demo Ticklabel Direction
• Simple Axis Direction01
• Simple Axis Direction03
• Simple Axis Pad
• Simple Axisartist1
• Simple Axisline
• Simple Axisline2
• Simple Axisline3
• Anatomy of a figure
• Bachelors degrees by gender
• Firefox
• Integral as the area under a curve
• Shaded & power normalized rendering
• XKCD
• Decay
• Animated histogram
• pyplot animation
• The Bayes update
• The double pendulum problem
• Animated image using a precomputed list of images
• Frame grabbing
• Rain simulation
• Animated 3D random walk
• Animated line plot
• Oscilloscope
• MATPLOTLIB UNCHAINED
• Close Event
• Coords demo
• Data Browser
• Figure Axes Enter Leave
• Interactive functions
• Image Slices Viewer
• Keypress Demo
• Lasso Demo
• Legend Picking
• Looking Glass
• Path Editor
• Pick Event Demo
• Pick Event Demo2
• Pipong
• Poly Editor
• Pong
• Resampling Data
• Timers
• Trifinder Event Demo
• Viewlims
• Zoom Window
• Frontpage 3D example
• Frontpage contour example
• Frontpage histogram example
• Frontpage plot example
• Agg Buffer
• Agg Buffer To Array
• Anchored Artists
• Changing colors of lines intersecting a box
• Manual Contour
• Coords Report
• Cursor Demo
• Custom projection
• Customize Rc
• Demo Agg Filter
• Ribbon Box
• Fill Spiral
• Findobj Demo
• Font indexing
• Font properties
• Building histograms using Rectangles and PolyCollections
• Hyperlinks
• Image Thumbnail
• Plotting with keywords
• Load converter
• Matplotlib logo
• Multipage PDF
• Multiprocess
• Patheffect Demo
• Plotfile Demo
• Print Stdout
• Pythonic Matplotlib
• Rasterization Demo
• Set And Get
• SVG Filter Line
• SVG Filter Pie
• Table Demo
• Transoffset
• Zorder Demo
• Plot 2D data on 3D plot
• Demo of 3D bar charts
• Create 2D bar graphs in different planes
• Demonstrates plotting contour level curves in 3D
• Demonstrates plotting contour level curves in 3D using the extend3d option
• Projecting contour profiles onto a graph
• Filled contours
• Projecting filled contour onto a graph
• Custom hillshading in a 3D surface plot
• Create 3D histogram of 2D data
• Parametric Curve
• Lorenz Attractor
• 2D and 3D Axes in same Figure
• Automatic Text Offsetting
• Draw flat objects in 3D plot
• Generate polygons to fill under 3D line graph
• 3D quiver plot
• Rotating a 3D plot
• 3D scatterplot
• 3D plots as subplots
• 3D surface color map
• 3D surface solid color
• 3D surface checkerboard
• 3D surface with polar coordinates
• Text annotations in 3D
• Triangular 3D contour plot
• Triangular 3D filled contour plot
• Triangular 3D surfaces
• More triangular 3D surfaces
• 3D voxel / volumetric plot
• 3D voxel plot of the numpy logo
• 3D voxel / volumetric plot with rgb colors
• 3D voxel / volumetric plot with cylindrical coordinates
• 3D wireframe plot
• Rotating 3D wireframe plot
• 3D wireframe plots in one direction
• Fixing common date annoyances
• Easily creating subplots
• Fill Between and Alpha
• Placing text boxes
• Sharing axis limits and views
• Loglog Aspect
• Custom scale
• Log Bar
• Log Demo
• Log Axis
• Exploring normalizations
• Scales
• Symlog Demo
• Hillshading
• Anscombes Quartet
• Hinton diagrams
• Left ventricle bullseye
• MRI
• MRI With EEG
• Radar chart aka spider or star chart
• The Sankey class
• Long chain of connections using Sankey
• Rankine power cycle
• SkewT-logP diagram: using transforms and custom projections
• Topographic hillshading
• Automatically setting tick labels
• Centering labels between ticks
• Colorbar Tick Labelling Demo
• Custom Ticker1
• Formatting date ticks using ConciseDateFormatter
• Date Demo Convert
• Date Demo Rrule
• Date Index Formatter
• Major and minor ticks
• Multiple Yaxis With Spines
• Tick formatting using the ScalarFormatter
• Spine Placement Demo
• Spines
• Custom spine bounds
• Dropped spines
• Tick formatters
• Tick locators
• Set default y-axis tick labels on the right
• Setting tick labels from a list of values
• Set default x-axis tick labels on the top
• Rotating custom tick labels
• Annotation with units
• Artist tests
• Bar demo with units
• Group barchart with units
• Basic Units
• Ellipse With Units
• Evans test
• Radian ticks
• Inches and Centimeters
• Unit handling
• CanvasAgg demo
• Embedding in GTK3 with a navigation toolbar
• Embedding in GTK3
• Embedding in Qt
• Embedding in Tk
• Embedding in wx #2
• Embedding in wx #3
• Embedding in wx #4
• Embedding in wx #5
• Embedding WebAgg
• Fourier Demo WX
• GTK Spreadsheet
• MathText WX
• Matplotlib With Glade 3
• pyplot with GTK
• SVG Histogram
• SVG Tooltip
• Tool Manager
• WXcursor Demo
• Anchored Box01
• Anchored Box02
• Anchored Box03
• Anchored Box04
• Annotate Explain
• Annotate Simple01
• Annotate Simple02
• Annotate Simple03
• Annotate Simple04
• Annotate Simple Coord01
• Annotate Simple Coord02
• Annotate Simple Coord03
• Annotate Text Arrow
• Colormap Normalizations
• Colormap Normalizations Bounds
• Colormap Normalizations Custom
• DivergingNorm colormap normalization
• Colormap Normalizations Lognorm
• Colormap Normalizations Power
• Colormap Normalizations Symlognorm
• Connect Simple01
• Connectionstyle Demo
• Custom Boxstyle01
• Custom Boxstyle02
• subplot2grid demo
• GridSpec demo
• Nested GridSpecs
• Pgf Fonts
• Pgf Preamble
• Pgf Texsystem
• Simple Annotate01
• Simple Legend01
• Simple Legend02
• Buttons
• Check Buttons
• Cursor
• Lasso Selector Demo
• Menu
• Multicursor
• Polygon Selector Demo
• Radio Buttons
• Rectangle Selector
• Slider Demo
• Span Selector
• Textbox

• Pandas 中文文档
• v0.25.0 版本特性
• 安装方法
• 目录
• Pandas 概览
• 十分钟入门Pandas
• 基础用法
• 数据结构简介
• 与其他工具比较
• 教程资料
• 目录
• IO工具（文本，CSV，HDF5，…）
• 索引和数据选择器
• 多索引和高级索引
• 合并、联接和连接
• 重塑和数据透视表
• 处理文本字符串
• 处理丢失的数据
• 分类数据
• Nullable整型数据类型
• 可视化
• 计算工具
• 组操作: 拆分-应用-组合
• 时间序列/日期方法
• 时间增量
• 样式
• 选项和设置
• 提高性能
• 稀疏数据结构
• 常见问题(FAQ)
• 烹饪指南
• Pandas 生态
• 目录
• 目录
• 发布日志
• 前言
• 线性回归
• 数字识别
• 图像分类
• 词向量
• 个性化推荐
• 情感分析
• 语义角色标注
• 机器翻译
• 生成对抗网络
• Day 1：初识深度学习
• Day 1：如何快速入门深度学习？
• Day 2：图像识别基础与实战
• Day 3：目标检测基础与实践（一）
• Day 3：目标检测实战-RCNN算法讲解
• Day 3：目标检测实战-YOLOv3检测物体

• 首页
• PyTorch 简介
• PyTorch 环境搭建
• PyTorch 深度学习：60分钟快速入门（官方）
• 张量
• Autograd：自动求导
• 神经网络
• 训练一个分类器
• 选读：数据并行处理（多GPU）
• 相关资源介绍
• 张量
• 自动求导
• 神经网络包nn和优化器optm
• 数据的加载和预处理
• 深度学习基础及数学原理
• 神经网络简介
• 卷积神经网络
• 循环神经网络
• logistic回归二元分类
• CNN:MNIST数据集手写数字识别
• RNN实例：通过Sin预测Cos
• Fine-tuning
• visdom
• tensorboardx
• 可视化理解卷积神经网络
• Fast.ai
• 多GPU并行计算
• 在PyTorch中使用DistributedDataParallel进行多GPU分布式模型训练
• Kaggle介绍
• Pytorch处理结构化数据
• Fashion MNIST 图像分类
• 树莓派编译安装 pytorch 1.4

• 首页
• 一、基础介绍
• 二、传统 NLP 快速回顾
• 三、神经网络基础组件
• 四、自然语言处理的前馈网络
• 五、嵌入单词和类型
• 六、自然语言处理的序列模型
• 七、自然语言处理的进阶序列模型
• 八、自然语言处理的高级序列模型
• 九、经典, 前沿和后续步骤

• Rasa 聊天机器人
• Rasa 安装
• Rasa 教程
• Rasa 命令行界面
• Rasa 架构
• Rasa 消息和语音通道
• Rasa 模型评估
• Rasa 验证数据
• Rasa 运行服务
• Rasa 在 Docker 中运行
• Rasa 云存储

• 首页
• 安装 scikit-learn
• 1.0 监督学习
• 1.1. 广义线性模型
• 1.2. 线性和二次判别分析
• 1.3. 内核岭回归
• 1.4. 支持向量机
• 1.5. 随机梯度下降
• 1.6. 最近邻
• 1.7. 高斯过程
• 1.8. 交叉分解
• 1.9. 朴素贝叶斯
• 1.10. 决策树
• 1.11. 集成方法
• 1.12. 多类和多标签算法
• 1.13. 特征选择
• 1.14. 半监督学习
• 1.15. 等式回归
• 1.16. 概率校准
• 1.17. 神经网络模型（有监督）
• 2.0 无监督学习
• 2.1. 高斯混合模型
• 2.2. 流形学习
• 2.3. 聚类
• 2.4. 双聚类
• 2.5. 分解成分中的信号（矩阵分解问题）
• 2.6. 协方差估计
• 2.7. 新奇和异常值检测
• 2.8. 密度估计
• 2.9. 神经网络模型（无监督）
• 3.0 模型选择和评估
• 3.1. 交叉验证：评估估算器的表现
• 3.2. 调整估计器的超参数
• 3.3. 模型评估: 量化预测的质量
• 3.4. 模型持久化
• 3.5. 验证曲线: 绘制分数以评估模型
• 4.0 检验
• 4.1. 部分依赖图
• 5.0 数据集转换
• 5.1. Pipeline（管道）和 FeatureUnion（特征联合）：合并的评估器
• 5.2. 特征提取
• 5.3 预处理数据
• 5.4 缺失值插补
• 5.5. 无监督降维
• 5.6. 随机投影
• 5.7. 内核近似
• 5.8. 成对的矩阵, 类别和核函数
• 5.9. 预测目标
• 6.0 数据集加载工具
• 6.1. 通用数据集 API
• 6.2. 玩具数据集
• 6.3 真实世界中的数据集
• 6.4. 样本生成器
• 6.5. 加载其他数据集
• 7.0 使用scikit-learn计算
• 7.1. 大规模计算的策略: 更大量的数据
• 7.2. 计算性能
• 7.3. 并行性、资源管理和配置
• 教程
• 使用 scikit-learn 介绍机器学习
• 关于科学数据处理的统计学习教程
• 机器学习: scikit-learn 中的设置以及预估对象
• 监督学习：从高维观察预测输出变量
• 模型选择：选择估计量及其参数
• 无监督学习: 寻求数据表示
• 把它们放在一起
• 寻求帮助
• 处理文本数据
• 选择正确的评估器(estimator
• 外部资源，视频和谈话
• API 参考
• 常见问题
• 时光轴

• 欢迎来到 scikit-learn
• 安装 scikit-learn
• 特定平台说明
• 常见问题
• scikit-learn机器学习简介
• 科学数据处理统计学习指南
• 统计学习：scikit-learn 中的设置与估计器对象
• 监督学习：从高维数据中预测输出变量
• 模型选择：选择估计器及其参数
• 无监督学习：寻求数据的表示形式
• 把所有的东西集中在一起
• 寻求帮助
• 处理文本数据
• 选择合适的估计器(estimator)
• 外部资源，视频和讲座
• 线性模型
• 线性判别分析和二次判别分析
• 内核岭回归
• 支持向量机
• 随机梯度下降
• 最近邻方法
• 高斯过程
• 交叉分解
• 朴素贝叶斯
• 决策树
• 集成学习方法(Ensemble methods)
• 多类和多标签算法
• 特征选择(Feature selection)
• 半监督学习
• 等式回归
• 概率校准(Probability calibration)
• 神经网络模型（有监督）
• 高斯混合模型(Gaussian mixture models)
• 流形学习(Manifold learning)
• 聚类(Clustering)
• 双聚类(Biclustering)
• 信号分量分解(矩阵因子分解问题)
• 协方差估计(Covariance estimation)
• 新奇点与离群点检测(Novelty and Outlier Detection)
• 密度估计(Density Estimation)
• 神经网络模型（无监督）

• 简介
• Hello World
• TensorFlow 基本操作
• 线性回归
• 逻辑回归
• 词向量
• 神经网络底层实现
• 神经网络高级实现
• 卷积神经网络底层实现
• 卷积神经网络高级实现
• 循环神经网络底层实现
• 双向循环神经网络底层实现

• 为什么学Python?
• Python代码规范
• 简明概述
• 注释
• 命名规范
• 第一个Python程序
• Python 简介
• Python 的安装
• 第一个 Python 程序
• 集成开发环境（IDE）: PyCharm
• 基本数据类型和变量
• Python 语法的简要说明
• print() 函数
• Python 的基本数据类型
• 字符串的编码问题
• 基本数据类型转换
• Python 中的变量
• List 和 Tuple
• List（列表）
• tuple（元组）
• Dict 和 Set
• 字典(Dictionary)
• set
• 条件语句和循环语句
• 条件语句
• 循环语句
• 条件语句和循环语句综合实例
• 函数
• Python 自定义函数的基本步骤
• 函数返回值
• 函数的参数
• 函数传值问题
• 匿名函数
• 迭代器和生成器
• 迭代
• Python 迭代器
• lsit 生成式（列表生成式）
• 生成器
• 迭代器和生成器综合例子
• 面向对象
• 面向对象的概念
• 类的定义和调用
• 类方法
• 修改和增加类属性
• 类和对象
• 初始化函数
• 类的继承
• 类的多态
• 类的访问控制
• 模块与包
• Python 模块简介
• 模块的使用
• 主模块和非主模块
• 包
• 作用域
• Python 的 Magic Method Preface
• Python 的 Magic Method
• 构造(`__new__`)和初始化(`__init__`)
• 属性的访问控制
• 对象的描述器
• 自定义容器（Container）
• 运算符相关的魔术方法
• 枚举类
• 枚举类的使用
• Enum 的源码
• 自定义类型的枚举
• 枚举的比较
• 元类
• Python 中类也是对象
• 使用 `type()` 动态创建类
• 什么是元类
• 自定义元类
• 使用元类
• 线程与进程
• 线程与进程
• 多线程编程
• 进程
• 一步一步了解正则表达式
• 初识 Python 正则表达式
• 字符集
• 数量词
• 边界匹配符和组
• re.sub
• re.match 和 re.search
• 闭包
• 装饰器
• 知识点补漏
• Python 关键字 yield
• **Python 进阶部分**
• 使用Python虚拟环境
• Mac中使用virtualenv和virtualenvwrapper

• index
• Java 基础知识
• Java 基础知识疑难点/易错点
• 【选看】J2EE 基础知识
• 枚举
• Java 常见关键字总结：final、static、this、super
• 什么是反射机制?反射机制的应用场景有哪些
• JAD反编译
• 手把手教你定位常见Java性能问题
• Java容器常见面试题/知识点总结
• ArrayList 源码
• LinkedList 源码
• HashMap(JDK1.8)源码
• ConcurrentHashMap源码
• 多线程学习指南
• Java 并发基础常见面试题总结
• Java 并发进阶常见面试题总结
• 并发容器总结
• Java线程池学习总结
• 来即用的线程池最佳实践
• 乐观锁与悲观锁
• 万字图文深度解析ThreadLocal
• JUC 中的 Atomic 原子类总结
• AQS 原理以及 AQS 同步组件总结
• Java内存区域
• JVM垃圾回收
• JDK 监控和故障处理工具
• 类文件结构
• 类加载过程
• 类加载器
• 【待完成】最重要的 JVM 参数指南（翻译完善了一半）
• JVM 配置常用参数和常用 GC 调优策略
• 【加餐】大白话带你认识JVM
• BIO,NIO,AIO 总结
• Java 8 新特性总结
• Java 8 学习资源推荐
• Java8 forEach 指南
• 一文带你看遍JDK9~14的重要新特性！
• Java 编程规范以及优雅 Java 代码实践总结
• 告别编码5分钟命名2小时史上最全的Java命名规范参考
• 设计模式系列文章
• 计算机网络常见面试题
• 计算机网络基础知识总结
• 最硬核的操作系统常见问题总结！
• 后端程序员必备的 Linux 基础知识
• Shell 编程入门
• 完全使用GNU_Linux学习
• Linux 性能分析工具合集
• 不了解布隆过滤器？一文给你整的明明白白！
• 数据结构知识学习与面试
• 硬核的算法学习书籍+资源推荐
• 几道常见的字符串算法题总结
• 几道常见的链表算法题总结
• 剑指offer部分编程题
• 公司真题
• 回溯算法经典案例之N皇后问题
• 【推荐】MySQL/数据库 知识点总结
• 阿里巴巴开发手册数据库部分的一些最佳实践
• 一千行MySQL学习笔记
• MySQL高性能优化规范建议
• 数据库索引总结1
• 数据库索引总结2
• 事务隔离级别(图文详解)
• 一条SQL语句在MySQL中如何执行的
• 关于数据库中如何存储时间的一点思考
• Redis 常见问题总结
• 5种基本数据结构
• 跳跃表
• 分布式锁深入探究
• Redlock分布式锁
• 如何做可靠的分布式锁，Redlock真的可么
• 神奇的HyperLoglog解决统计问题
• 亿级数据过滤和布隆过滤器
• GeoHash查找附近的人
• 持久化
• 发布订阅与Stream
• 史上最强【集群】入门实践教程
• Redis数据类型、编码、底层数据结构的关系看这篇
• RestFul API 简明教程
• 因为命名被diss无数次。Guide简单聊聊编程最头疼的事情之一:命名
• Spring 常见问题总结
• Spring/Spring常用注解总结！安排！
• Spring事务总结
• Spring中 Bean 的作用域与生命周期
• SpringMVC 工作原理详解
• Spring中都用到了那些设计模式?
• MyBatis常见面试题总结
• 认证授权基础:搞清Authentication,Authorization以及Cookie、Session、Token、OAuth 2、SSO
• JWT 优缺点分析以及常见问题解决方案
• SSO 单点登录看这篇就够了！
• 分布式相关概念入门
• Dubbo 总结：关于 Dubbo 的重要知识点
• 服务之间的调用为啥不直接用 HTTP 而用 RPC？
• 消息队列总结
• RabbitMQ 入门
• RocketMQ 入门
• RocketMQ的几个简单问题与答案
• Kafka 常见面试题总结
• 【加餐】Kafka入门看这一篇就够了
• 为什么要网关？你知道有哪些常见的网关系统？
• 如何设计一个亿级网关(API Gateway)？
• 为什么要分布式 id ？分布式 id 生成方案有哪些？
• 限流算法有哪些？
• 【入门】ZooKeeper 相关概念总结
• 【进阶】Zookeeper 原理简单入门！
• 【拓展】ZooKeeper 数据模型和常见命令
• 8 张图读懂大型网站技术架构
• 关于大型网站系统架构你不得不懂的10个问题
• 如何设计一个高可用系统？要考虑哪些地方？
• 大白话入门 Spring Cloud
• Git入门
• Docker 基本概念解读
• 一文搞懂 Docker 镜像的常用操作！
• 【备战面试1】程序员的简历就该这样写
• 【备战面试2】初出茅庐的程序员该如何准备面试？
• 【备战面试3】7个大部分程序员在面试前很关心的问题
• 【备战面试4】Github上开源的Java面试/学习相关的仓库推荐
• 【备战面试5】如果面试官问你你有什么问题问我吗？时，你该如何回答
• 【备战面试6】应届生面试最爱问的几道 Java 基础问题
• 【备战面试6】美团面试常见问题总结(附详解答案)
• Java学习路线和方法推荐
• Java培训四个月能学会吗？
• 新手学习Java，有哪些Java相关的博客，专栏，和技术学习网站推荐？
• Java 还是大数据，你需要了解这些东西！
• 「基础篇」Java后端书架来啦！都是Java程序员必看的书籍？
• Github 上非常棒的 Java 开源项目集合
• Github 上 Star 数最多的 10 个项目，看完之后很意外!
• 年末将至，值得你关注的16个Java 开源项目！
• Java 项目历史月榜单

统计机器学习

• AILearning 第1章_基础知识
• CS229 中文笔记 一、引言
• CS229 中文笔记 三、线性代数回顾
• 机器学习基石 1 -- The Learning Problem
• 机器学习基石 2 -- Learning to Answer Yes/No
• 机器学习基石 3 -- Types of Learning
• 机器学习基石 4 -- Feasibility of Learning
• 机器学习基石 6 -- Theory of Generalization
• 机器学习基石 7 -- The VC Dimension
• 机器学习基石 8 -- Noise and Error
• 机器学习基石 16 -- Three Learning Principles
• 写给人类的机器学习 一、为什么机器学习重要
• SciPyCon 2018 sklearn 教程 一、Python 机器学习简介
• SciPyCon 2018 sklearn 教程 二、Python 中的科学计算工具
• SciPyCon 2018 sklearn 教程 九、sklearn 估计器接口回顾
• SciPyCon 2018 sklearn 教程 十五、估计器流水线
• 数据科学和人工智能技术笔记 一、向量、矩阵和数组
• Sklearn 学习指南 第一章：机器学习 - 温和的介绍

线性回归/逻辑回归/softmax 回归

• AILearning 第5章_逻辑回归
• AILearning 第8章_回归
• CS229 中文笔记 二、单变量线性回归
• CS229 中文笔记 四、多变量线性回归
• CS229 中文笔记 六、逻辑回归
• DLAI 深度学习笔记 第一门课 第二周：神经网络的编程基础
• 机器学习基石 9 -- Linear Regression
• 机器学习基石 10 -- Logistic Regression
• 机器学习基石 11 -- Linear Models for Classification
• 机器学习基石 12 -- Nonlinear Transformation
• 机器学习技法 5 -- Kernel Logistic Regression
• Scikit-learn 秘籍 第二章 处理线性模型
• Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
• PythonProgramming.net 系列教程 第一部分 回归
• 写给人类的机器学习 2.1 监督学习
• 写给人类的机器学习 2.2 监督学习 II
• Python 数据分析与挖掘实战 第5章　挖掘建模
• Python 数据分析与挖掘实战 第13章　财政收入影响因素分析及预测模型
• 与 TensorFlow 的初次接触 2. TensorFlow 中的线性回归
• SciPyCon 2018 sklearn 教程 五、监督学习第一部分：分类
• SciPyCon 2018 sklearn 教程 六、监督学习第二部分：回归分析
• SciPyCon 2018 sklearn 教程 十七、深入：线性模型
• 数据科学和人工智能技术笔记 十一、线性回归
• 数据科学和人工智能技术笔记 十二、逻辑回归
• Sklearn 学习指南 第二章：监督学习

决策树/随机森林

• AILearning 第3章_决策树算法
• AILearning 第9章_树回归
• 机器学习技法 9 -- Decision Tree
• 机器学习技法 10 -- Random Forest
• Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
• 写给人类的机器学习 2.3 监督学习 III
• Python 数据分析与挖掘实战 第5章　挖掘建模
• Python 数据分析与挖掘实战 第6章　电力窃漏电用户自动识别
• SciPyCon 2018 sklearn 教程 十八、深入：决策树与森林
• 数据科学和人工智能技术笔记 十三、树和森林
• Sklearn 学习指南 第二章：监督学习

GDBT/XGBoost

• 机器学习技法 11 -- Gradient Boosted Decision Tree
- 朴素贝叶斯:
• AILearning 第4章_朴素贝叶斯
• Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
• 数据科学和人工智能技术笔记 十六、朴素贝叶斯
• Sklearn 学习指南 第二章：监督学习

支持向量机

• AILearning 第6章_支持向量机
• AILearning 支持向量机的几个通俗理解
• CS229 中文笔记 十二、支持向量机
• 机器学习技法 1 -- Linear Support Vector Machine
• 机器学习技法 2 -- Dual Support Vector Machine
• 机器学习技法 3 -- Kernel Support Vector Machine
• 机器学习技法 4 -- Soft-Margin Support Vector Machine
• 机器学习技法 6 -- Support Vector Regression
• Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
• PythonProgramming.net 系列教程 第二部分 分类
• 写给人类的机器学习 2.2 监督学习 II
• Python 数据分析与挖掘实战 第9章　基于水色图像的水质评价
• 数据科学和人工智能技术笔记 十五、支持向量机
• Sklearn 学习指南 第二章：监督学习

K 近邻

• AILearning 第2章_K近邻算法
• Scikit-learn 秘籍 第三章 使用距离向量构建模型
• PythonProgramming.net 系列教程 第二部分 分类
• 写给人类的机器学习 2.3 监督学习 III
• SciPyCon 2018 sklearn 教程 五、监督学习第一部分：分类
• SciPyCon 2018 sklearn 教程 六、监督学习第二部分：回归分析
• 数据科学和人工智能技术笔记 十四、K 最近邻

KMeans

• AILearning 第10章_KMeans聚类
• CS229 中文笔记 十三、聚类
• Scikit-learn 秘籍 第三章 使用距离向量构建模型
• PythonProgramming.net 系列教程 第三部分 聚类
• 写给人类的机器学习 三、无监督学习
• Python 数据分析与挖掘实战 第5章　挖掘建模
• Python 数据分析与挖掘实战 第7章　航空公司客户价值分析
• Python 数据分析与挖掘实战 第8章　中医证型关联规则挖掘
• 与 TensorFlow 的初次接触 3. TensorFlow 中的聚类
• SciPyCon 2018 sklearn 教程 八、无监督学习第二部分：聚类
• TensorFlow 学习指南 三、学习
• 数据科学和人工智能技术笔记 十七、聚类
• Sklearn 学习指南 第三章：无监督学习

均值移动

• PythonProgramming.net 系列教程 第三部分 聚类
• 数据科学和人工智能技术笔记 十七、聚类
• Sklearn 学习指南 第三章：无监督学习

层次聚类

• 写给人类的机器学习 三、无监督学习
• Python 数据分析与挖掘实战 第14章　基于基站定位数据的商圈分析
• SciPyCon 2018 sklearn 教程 二十、无监督学习：层次和基于密度的聚类算法
• 数据科学和人工智能技术笔记 十七、聚类
• Sklearn 学习指南 第三章：无监督学习

DBSCAN

• SciPyCon 2018 sklearn 教程 二十、无监督学习：层次和基于密度的聚类算法
• 数据科学和人工智能技术笔记 十七、聚类

高斯混合

• Scikit-learn 秘籍 第三章 使用距离向量构建模型
• Sklearn 学习指南 第三章：无监督学习

Boosting/Bagging/Blending

• 机器学习技法 7 -- Blending and Bagging

AdaBoost

• AILearning 第7章_集成方法
• 机器学习技法 8 -- Adaptive Boosting

PCA

• AILearning 第13章_PCA降维
• AILearning 第14章_SVD简化数据
• CS229 中文笔记 十四、降维
• 写给人类的机器学习 三、无监督学习
• SciPyCon 2018 sklearn 教程 七、无监督学习第一部分：变换
• Sklearn 学习指南 第三章：无监督学习

LDA

• Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类

流形学习

• SciPyCon 2018 sklearn 教程 二十一、无监督学习：非线性降维

异常检测

• CS229 中文笔记 十五、异常检测
• SciPyCon 2018 sklearn 教程 二十二、无监督学习：异常检测

Apriori/FP-growth

• AILearning 第11章_Apriori算法
• AILearning 第12章_FP-growth算法
• Python 数据分析与挖掘实战 第5章　挖掘建模
• Python 数据分析与挖掘实战 第8章　中医证型关联规则挖掘

深度学习 基础知识

• DLAI 深度学习笔记 第一门课 第一周：深度学习引言
• 与 TensorFlow 的初次接触 1. TensorFlow 基础知识
• TensorFlow 学习指南 一、基础

MLP

• CS229 中文笔记 八、神经网络：表述
• CS229 中文笔记 九、神经网络的学习
• DLAI 深度学习笔记 第一门课 第三周：浅层神经网络
• DLAI 深度学习笔记 第一门课 第四周：深层神经网络
• 机器学习技法 12 -- Neural Network
• 机器学习技法 13 -- Deep Learning
• 机器学习技法 14 -- Radial Basis Function Network
• PythonProgramming.net 系列教程 第四部分 神经网络
• 写给人类的机器学习 四、神经网络和深度学习
• Python 数据分析与挖掘实战 第5章　挖掘建模
• Python 数据分析与挖掘实战 第6章　电力窃漏电用户自动识别
• Python 数据分析与挖掘实战 第10章　家用电器用户行为分析与事件识别
• Python 数据分析与挖掘实战 第13章　财政收入影响因素分析及预测模型
• 与 TensorFlow 的初次接触 4. TensorFlow 中的单层神经网络
• 与 TensorFlow 的初次接触 5. TensorFlow 中的多层神经网络
• TensorFlow Rager 教程 一、如何使用 TensorFlow Eager 构建简单的神经网络
• 数据科学和人工智能技术笔记 十八、Keras

CNN

• DLAI 深度学习笔记 第四门课 第一周 卷积神经网络
• DLAI 深度学习笔记 第四门课 第二周 深度卷积网络：实例探究
• TensorFlow Rager 教程 七、使用 TensorFlow Eager 构建用于情感识别的卷积神经网络（CNN）

RNN

• DLAI 深度学习笔记 第五门课 第一周 循环序列模型
• DLAI 深度学习笔记 第五门课 第三周 序列模型和注意力机制
• TensorFlow Rager 教程 八、用于 TensorFlow Eager 序列分类的动态循坏神经网络
• TensorFlow Rager 教程 九、用于 TensorFlow Eager 时间序列回归的递归神经网络

时间序列

• 第5章　挖掘建模
• Python 数据分析与挖掘实战 第11章　应用系统负载分析与磁盘容量预测
• TensorFlow Rager 教程 九、用于 TensorFlow Eager 时间序列回归的递归神经网络

机器视觉

• CS229 中文笔记 十八、应用实例：图片文字识别
• DLAI 深度学习笔记 第四门课 第三周 目标检测
• DLAI 深度学习笔记 第四门课 第四周 特殊应用：人脸识别和神经风格转换
• PythonProgramming.net 系列教程 图像和视频分析
• PythonProgramming.net 系列教程 TensorFlow 目标检测
• 数据科学和人工智能技术笔记 四、图像预处理

图嵌入/图的表示学习

• 图嵌入综述：问题，技术与应用 第一、二章
• 图嵌入综述：问题，技术与应用 第三章
• 图嵌入综述：问题，技术与应用 4.1 ~ 4.2
• 图嵌入综述：问题，技术与应用 4.3 ~ 4.7
• 图嵌入综述：问题，技术与应用 第五、六、七章

自然语言处理

• DLAI 深度学习笔记 第五门课 第二周 自然语言处理与词嵌入
• PythonProgramming.net 系列教程 自然语言处理教程
• PythonProgramming.net 系列教程 TensorFlow 聊天机器人
• Python 数据分析与挖掘实战 第15章　电商产品评论数据情感分析
• TensorFlow Rager 教程 七、使用 TensorFlow Eager 构建用于情感识别的卷积神经网络（CNN）
• TensorFlow Rager 教程 八、用于 TensorFlow Eager 序列分类的动态循坏神经网络
• SciPyCon 2018 sklearn 教程 十一、文本特征提取
• SciPyCon 2018 sklearn 教程 十二、案例学习：用于 SMS 垃圾检测的文本分类
• SciPyCon 2018 sklearn 教程 二十三、核外学习 - 用于语义分析的大规模文本分类
• 数据科学和人工智能技术笔记 五、文本预处理

强化学习

• 写给人类的机器学习 五、强化学习

推荐系统

• AILearning 第16章_推荐系统
• CS229 中文笔记 十六、推荐系统
• 机器学习技法 15 -- Matrix Factorization
• Python 数据分析与挖掘实战 第12章　电子商务网站用户行为分析及服务推荐
• 基于深度学习的推荐系统：综述和新视角 第一、二章
• 基于深度学习的推荐系统：综述和新视角 3.1 ~ 3.3
• 基于深度学习的推荐系统：综述和新视角 3.4 ~ 3.11

预处理/特征工程

• Scikit-learn 秘籍 第一章 模型预处理
• Python 数据分析与挖掘实战 第3章　数据探索
• Python 数据分析与挖掘实战 第4章　数据预处理
• TensorFlow Rager 教程 四、文本序列到 TFRecords
• TensorFlow Rager 教程 五、如何将原始图片数据转换为 TFRecords
• TensorFlow Rager 教程 六、如何使用 TensorFlow Eager 从 TFRecords 批量读取数据
• SciPyCon 2018 sklearn 教程 三、数据表示和可视化
• SciPyCon 2018 sklearn 教程 七、无监督学习第一部分：变换
• SciPyCon 2018 sklearn 教程 十、案例学习：泰坦尼克幸存者
• SciPyCon 2018 sklearn 教程 十一、文本特征提取
• SciPyCon 2018 sklearn 教程 十九、自动特征选择
• 数据科学和人工智能技术笔记 二、数据准备
• 数据科学和人工智能技术笔记 三、数据预处理
• 数据科学和人工智能技术笔记 四、图像预处理
• 数据科学和人工智能技术笔记 五、文本预处理
• 数据科学和人工智能技术笔记 六、日期时间预处理
• 数据科学和人工智能技术笔记 七、特征工程
• 数据科学和人工智能技术笔记 八、特征选择
• 数据科学和人工智能技术笔记 十九、数据整理（上）
• 数据科学和人工智能技术笔记 十九、数据整理（下）
• 数据科学和人工智能技术笔记 二十、数据可视化
• Sklearn 学习指南 第四章：高级功能

模型评估/模型调优

• CS229 中文笔记 七、正则化
• CS229 中文笔记 十、应用机器学习的建议
• CS229 中文笔记 十一、机器学习系统的设计
• DLAI 深度学习笔记 第二门课 第一周：深度学习的实用层面
• DLAI 深度学习笔记 第二门课 第三周超参数调试，batch正则化和程序框架
• DLAI 深度学习笔记 第三门课 第一周：机器学习策略（1）
• DLAI 深度学习笔记 第三门课 第二周：机器学习策略（2）
• 机器学习基石 5 -- Training versus Testing
• 机器学习基石 13 -- Hazard of Overfitting
• 机器学习基石 14 -- Regularization
• 机器学习基石 15 -- Validation
• Scikit-learn 秘籍 第二章 处理线性模型
• Scikit-learn 秘籍 第五章 模型后处理
• TensorFlow Rager 教程 二、在 Eager 模式中使用指标
• SciPyCon 2018 sklearn 教程 四、训练和测试数据
• SciPyCon 2018 sklearn 教程 十三、交叉验证和得分方法
• SciPyCon 2018 sklearn 教程 十四、参数选择、验证和测试
• SciPyCon 2018 sklearn 教程 十六、模型评估、得分指标和处理不平衡类别
• TensorFlow 学习指南 二、线性模型
• 数据科学和人工智能技术笔记 九、模型验证
• 数据科学和人工智能技术笔记 十、模型选择
• Sklearn 学习指南 第四章：高级功能

梯度下降

• CS229 中文笔记 十七、大规模机器学习
• DLAI 深度学习笔记 第一门课 第二周：优化算法

其它

• 机器学习技法 16（完结） -- Finale
• CS229 中文笔记 十九、总结
• 写给人类的机器学习 六、最好的机器学习资源
• 与 TensorFlow 的初次接触 6. 并行
• TensorFlow Rager 教程 三、如何保存和恢复训练模型
• TensorFlow 学习指南 四、分布式
• 数据科学和人工智能技术笔记 二十一、统计学

• 监督学习&梯度下降法
• 线性回归
• 过拟合&局部加权回归
• 线性模型的概率解释
• 二分类问题
• 牛顿法
• 广义线性模型
• 生成学习算法的概念
• 生成学习算法的例子
• SVM（一）概念
• SVM（二）最优间隔分类器
• SVM（三）核函数
• SVM（四）非线性决策边界
• 经验风险最小化
• Vapnik-Chervonenkis Dimension

• Introduction

第一部分 分类

• 1. 机器学习基础
• 2. k-近邻算法
• 3. 决策树
• 4. 基于概率论的分类方法：朴素贝叶斯
• 5. Logistic回归
• 6. 支持向量机
• 7. 集成方法-随机森林和AdaBoost

第二部分 利用回归预测数值型数据

• 8. 预测数值型数据：回归
• 9. 树回归

第三部分 无监督学习

• 10. 使用K-均值聚类算法对未标注数据分组:k-means聚类
• 11. 使用Apriori算法进行关联分析
• 12. 使用FP-growth算法来高效发现频繁项集

第四部分 其他工具

• 13. 利用PCA来简化数据
• 14. 利用SVD简化数据
• 15. 大数据与MapReduce

第五部分 项目实战(非课本内容)

• 16. 推荐系统

• 写给人类的机器学习
• 一、为什么机器学习重要
• 2.1 监督学习
• 2.2 监督学习 II
• 2.3 监督学习 III
• 三、无监督学习
• 四、神经网络和深度学习
• 五、强化学习
• 六、最好的机器学习资源

• 前言
• 第一部分 数学基础
• 第一章 数学分析
• 常用函数
• 牛顿法
• 梯度下降
• 最小二乘
• 拉格朗日乘子法（Lagrange Multiplier\' 和KKT条件
• 凸优化
• 数值计算
• 第二章 概率论和统计
• 统计学习方法概论
• 最大似然估计
• 蒙特卡罗方法
• 马尔科夫链
• MCMC采样和M-H采样
• Gibbs采样
• 第三章 线性代数和矩阵
• LAPACK
• 特征值与特征向量
• 第二部分 机器学习
• 第四章 机器学习基础
• 机器学习库（numpy,scikit）
• 机器学习库（Pandas,pySpark）
• 机器学习库（tensorflow, keras）
• 模型度量
• 交叉验证
• 生成模型和判别模型
• 机器学习中的距离
• 机器翻译模型度量
- 机器学习库（tensorflow, keras）
• 第六课：数据清洗和特征选择
• PCA
• ICA
• One-hot编码
• scikit-learn PCA
• 线性判别分析LDA
• 用scikit-learn进行LDA降维
• 奇异值分解\(SVD\'原理与在降维中的应用
• 局部线性嵌入\(LLE\'原理
• scikit-learn LLE
• spark特征选择
• Spark特征提取
• 异常数据监测
• 数据预处理
• 特征工程
• 第七课： 回归
• 1. 线性回归
• 10.最大熵模型
• 11.K-L散度
• 坐标下降和最小角
• 线性回归小结
• Logistic回归
• Logistic回归小结
• SoftMax回归
• 第九课：决策树
• ID3
• C4.5
• CART
• 总结
• 实现代码
• 第十三课：SVM
• 感知机模型
• 线性SVM
• 软间隔最大化模型
• 核函数
• SMO算法原理
• SVM回归
• scikit-learn SVM
• 支持向量机高斯核调参
• SVM代码实现
• 集成学习
• Adaboost原理
• scikit-learn Adaboost
• 梯度提升树（GBDT）
• scikit GBDT
• Bagging与随机森林
• XGBOOST
• scikit-learn 随机森林
• 第十五课：聚类
• K-Mean
• KNN
• scikit-learn KNN
• KNN 代码
• scikit-learn K-Means
• BIRCH聚类算法原理
• scikit-learn BIRCH
• DBSCAN密度聚类算法
• scikit-learn DBSCAN
• 谱聚类（spectral clustering）原理
• scikit-learn 谱聚类
• 近邻传播算法
• 混合高斯模型
• 关联分析
• 典型关联分析\(CCA\'原理
• Apriori算法原理
• FP Tree算法原理
• PrefixSpan算法原理
• Spark FP Tree算法和PrefixSpan算法
• 推荐算法
• 矩阵分解协同过滤推荐算法
• SimRank协同过滤推荐算法
• Spark矩阵分解推荐算法
• 分解机\(Factorization Machines\'推荐算法原理
• 美团推荐算法
• MapReduce ItemCF
• 基于标签的用户推荐系统
• 10种传统机器学习算法，阿里工程师总结
• 第十七课：EM算法
• 第十九课：贝叶斯网络
• 朴素贝叶斯
• scikit-learn朴素贝叶斯
• 朴素贝叶斯实际应用
• 朴素贝叶斯代码
• 变分贝叶斯推断
• 第二十一课：LDA主题模型
• 第二十三课：隐马尔科夫模型HMM
• HMM前向后向算法评估观察序列概率
• 鲍姆-韦尔奇算法求解HMM参数
• 维特比算法解码隐藏状态序列
• 用hmmlearn学习隐马尔科夫模型HMM
• 马尔科夫蒙特卡洛
• 条件随机场CRF
• 从随机场到线性链条件随机场
• 前向后向算法评估标记序列概率
• 维特比算法解码
• 第三部分 深度学习
• 深度学习层
• 核心层
• 卷积层
• 池化层
• 局部连接层
• 循环层
• 嵌入层
• 合并层
• 高级激活层
• 归一化层
• 噪声层
• 层包裹
• 自定义层
• 第二十五课：深度学习
• 基本概念
• 深度神经网络（DNN）模型与前向传播算法
• 深度神经网络（DNN）反向传播算法\(BP\'
• 反向传播
• 反向传播2
• DNN损失函数和激活函数的选择
• 深度神经网络（DNN）的正则化
• 参考文献
• 第二十六课 卷积神 经网络\(Convolutional Neural Netowrk\'
• 卷积神经网络\(CNN\'模型结构
• 卷积神经网络\(CNN\'前向传播算法
• 卷积神经网络\(CNN\'反向传播算法
• 对抗生成网络\(Generative Adversarial Networks\'
• GAN原理
• InfoGAN
• DCGAN
• VAE
• 受限波尔兹曼机
• RBM code
• DBN
• RBM原理
• RNN
• Bidirectional RNNs
• Deep \(Bidirectional\' RNNs
• LSTM模型与前向反向传播算法
• 随时间反向传播（BPTT）算法
• 循环神经网络\(RNN\'模型与前向反向传播算法
• 自动编码器
• 堆叠降噪自动编码器
• 降噪自动编码器
• sparse自动编码器
• Keras自动编码器
• word2vec
• CBOW与Skip-Gram模型基础
• 基于Hierarchical Softmax的模型
• 基于Negative Sampling的模型
• 强化学习
• Q-Learning
• 梯度下降策略优化推导
• 策略网络
• bandit算法
• 蒙特卡洛树搜索
• 多臂赌博机\(Multi-arm Bandits\'
• 马尔可夫决策过程MDP
• 动态编程
• 蒙特卡洛方法
• 时序差分学习
• A3C算法
• Multi-steps bootstraping
• Planning and Learning with Tabular Methods
• DQN
• Policy Gridient
• Actor Critic
• DDPG \(Deep Deterministic Policy Gradient\'
• PPO\(Proximal Policy Optimization \'
• Alpha-Beta剪枝算法详解
• 进化算法
• 遗传算法
• 进化策略
• NEAT
• 自然语言处理
• 文本挖掘的分词原理
• HashTrick
• TF-IDF
• 中文文本挖掘预处理
• 英文文本挖掘预处理
• 潜在语义索引\(LSI\'
• 非负矩阵分解\(NMF\'
• LDA基础
• LDA求解之Gibbs采样算法
• LDA求解之变分推断EM算法
• scikit-learn LDA主题模型
• 语音识别
• GMM-HMM
• 目录
• 第四部分 学习资源
• 机器学习
• 强化学习
• 自然语言处理
• 深度学习
• 流行网络结构
• mobilenet
• ResNet
• 美团并行学习实践
• 美团外卖AI技术
• 美团推荐排序
• AutoML在推荐系统应用
• AI领域国内创业公司

• 首页

Lesson 1

• Machine Learning to Deep Learning
• Logistic Classification
• Logistic Classification实践
• Stochastic Optimization

Lesson 2

• Deep Neural Network
• Limit of Linear Model
• Neural network
• 神经网络实践
• 优化神经网络：Deep Network
• 深度神经网络实践

Lesson 3

• Convolutional Networks
• 卷积神经网络实践

Lessson 4

• Deep Models for Text and Sequence
• 循环神经网络实践

附录

• NumPy笔记
• matplotlib笔记
• sklearn笔记
• TensorFlow笔记

• 首页

起步

• 介绍
• 下载及安装
• 基本用法

教程

• 总览
• MNIST 机器学习入门
• 深入 MNIST
• TensorFlow 运作方式入门
• 卷积神经网络
• 字词的向量表示
• 递归神经网络
• 曼德布洛特(Mandelbrot)集合
• 偏微分方程
• MNIST数据下载

运作方式

• 总览
• 变量:创建、初始化、保存和加载
• TensorBoard:可视化学习
• TensorBoard:图表可视化
• 读取数据
• 线程和队列
• 添加新的Op
• 自定义数据读取
• 使用gpu
• 共享变量

资源

• 总览
• BibTex 引用
• 示例使用
• FAQ
• 术语表
• Tensor排名、形状和类型

其他

• 常见问题汇总
• 相关资源
• 个人学习心得

• 第一章 使用神经网络识别手写数字
• 第二章 反向传播算法如何工作的？
• 第三章 改进神经网络的学习方法（上）
• 第三章 改进神经网络的学习方法（下）
• 第四章 可视化证明神经网络可以计算任何函数
• 第五章 深度神经网络为何很难训练
• 第六章 深度学习

• 前言
• 符号表
• 监督式学习
• 感知机
• 感知机模型
• 感知机学习算法
• 算法python实现
• Logistic回归
• Logistic分布
• Logistic回归模型
• 算法python实现
• 线性回归
• 线性回归模型
• 算法python实现
• K近邻法
• k近邻模型
• kd树方法
• kd树python实现
• knn实例
• 朴素贝叶斯法
• 模型和原理
• 参数估计
• 算法和实现
• 决策树
• 模型与学习
• 特征选择
• 生成算法和剪枝
• python实现
• 支持向量机
• 神经网络
• 神经元模型和感知机
• 神经网络
• 神经网络的矩阵表达
• 反向传播算法
• 算法证明
• 算法代码
• 基于矩阵的计算
• 改进神经网络的学习方法
• 交叉熵代价函数
• softmax
• regularization
• 权重初始化
• 卷积神经网络
• 基本介绍
• 数学基础
• 线性代数
• 特征值和特征向量
• 概率统计
• 随机变量的特征
• 样本统计量
• 先验后验概率
• 微积分
• 向量内积
• 方向导数和梯度
• 梯度下降法
• 信息论
• 熵
• 相对熵和交叉熵
• 条件熵
• 互信息

• 零、前言
• 一、机器学习概览
• 二、端到端的机器学习项目
• 三、分类
• 四、训练模型
• 五、支持向量机
• 六、决策树
• 七、集成学习和随机森林
• 八、降维
• 十、使用 Keras 搭建人工神经网络
• 十一、训练深度神经网络
• 十二、使用 TensorFlow 自定义模型并训练
• 十三、使用 TensorFlow 加载和预处理数据
• 十四、使用卷积神经网络实现深度计算机视觉
• 十五、使用 RNN 和 CNN 处理序列
• 十六、使用 RNN 和注意力机制进行自然语言处理
• 十七、使用自编码器和 GAN 做表征学习和生成式学习
• 十八、强化学习
• 十九、规模化训练和部署 TensorFlow 模型