Algorithms_Note 算法工程师技术栈学习笔记 01-Python学习 Scipy处理稀疏矩阵 Pandas 操作Json文件 02-线性代数 03-最优化 梯度下降、加速梯度下降、随机梯度下降、随机坐标下降 04-传统机器学习 1. 线性回归 2. 感知机 3. K近邻 05-概率论机器学习 06-深度学习框架 PyTorch教程1-Tensor核心知识点 PyTorch教程2-DataSet与DataLoaders PyTorch教程3-DataSet与DataLoaders源码解析 PyTorch教程4-神经网络基础功能模块 PyTorch教程5-nn.Module类的源码讲解 PyTorch教程6-自动微分以及autograd的使用.ipynb PyTorch教程7-神经网络整体训练流程 PyTorch教程8-保存与加载PyTorch训练模型和超参数 07-深度学习 01-深度学习基础 02-卷积神经网络 01-卷积网络代码级原理理解 02-卷积操作在PyTorch中实现与使用 03-卷积算子融合 03-循环神经网络 01-序列模型、语言模型 02-RNN原理与Numpy实现 03-LSTM原理与Numpy实现 04-GRU原理与Numpy实现 04-Transformer 01-Transformer-API详解 02-Attention机制 03-Transformer全流程代码 05-图网络 06-生成对抗学习 07-多任务学习 08-少样本学习 08-自然语言处理 09-推荐系统 10-语音处理 11-强化学习 12-组合优化 遗传算法求解TSP问题 分支定界 13-机器视觉 14-深度视觉 15-迁移学习 16-联邦学习 17-机器博弈 参考 nlp_notes