Nanodegree key: nd089-cn-vip
Version: 10.0.0
Locale: zh-cn
该版本的纳米学位仅供Python人工智能编程基础VIP班学员学习。
学习 Python, NumPy, Pandas, Matplotlib, PyTorch 和线性代数—建立神经网络的基础。
Content
Part 01 : 在线学习第一课
-
Module 01: 在线学习第一课
-
Lesson 03: 学习困境急诊室(选学)
在这里你可以根据需要,选修破解各种学习困境的实用技巧。我们也为你提供了不同技能对应的书籍和有用的链接。
Part 02 : 欢迎学习人工智能编程基础纳米学位
欢迎学习人工智能编程基础纳米学位!跟我们一起探索 AI 的世界吧!
-
Module 01: 欢迎学习人工智能编程基础纳米学位
-
Lesson 01: 简介
让我们带领你开启通往人工智能世界的大门,一起探索这个神奇的领域吧!在这节课,我们将介绍这门纳米学位和课程讲师,以及我们提供的支持工具。
-
Lesson 02: 教室使用指南
在这里查看教室使用指南。
-
Part 03 : Python 入门
-
Module 01: Python 入门
-
Lesson 01: 为何要学习 Python 编程
欢迎学习 Python 编程课程!我迫不及待地想要带着你学习这门精彩的语言了。
-
Lesson 02: 数据类型和运算符
在这节课,你将学习 Python 中用到的所有数据类型和运算符。
- Concept 01: 简介
- Concept 02: 算术运算符
- Concept 03: 练习:算术运算符
- Concept 04: 变量和赋值运算符
- Concept 05: 练习:变量和赋值运算符
- Concept 06: 解决方案:变量和赋值运算符
- Concept 07: 整数和浮点数
- Concept 08: 练习:整数和浮点数
- Concept 09: 布尔型运算符、比较运算符和逻辑运算符
- Concept 10: 练习:布尔型运算符、比较运算符和逻辑运算符
- Concept 11: 字符串
- Concept 12: 练习:字符串
- Concept 13: 类型和类型转换
- Concept 14: 练习:类型和类型转换
- Concept 15: 字符串方法
- Concept 16: 字符串方法
- Concept 17: 列表和成员运算符
- Concept 18: 练习:列表和成员运算符
- Concept 19: 列表方法
- Concept 20: 练习:列表方法
- Concept 21: 元组
- Concept 22: 练习:元组
- Concept 23: 集合
- Concept 24: 练习:集合
- Concept 25: 字典和恒等运算符
- Concept 26: 练习:字典和恒等运算符
- Concept 27: 解决方案:字典与恒等运算符
- Concept 28: 复合数据结构
- Concept 29: 练习:复合数据结构
- Concept 30: 总结
-
Lesson 03: 控制流
在这节课,你将开始通过控制流为你的程序创建逻辑!
- Concept 01: 什么是控制流
- Concept 02: 简介
- Concept 03: 条件语句
- Concept 04: 练习:条件语句
- Concept 05: 解决方案:条件语句
- Concept 06: 条件布尔表达式
- Concept 07: 练习:条件布尔表达式
- Concept 08: 解决方案:条件布尔表达式
- Concept 09: For 循环
- Concept 10: 练习:For 循环
- Concept 11: 解决方案:For 循环
- Concept 12: While 循环
- Concept 13: 练习:While 循环
- Concept 14: 解决方案:While 循环
- Concept 15: Break、Continue
- Concept 16: 练习:Break、Continue
- Concept 17: 解决方案:Break、Continue
- Concept 18: Zip 和 Enumerate(选学)
- Concept 19: 练习:Zip 和 Enumerate(选学)
- Concept 20: 解决方案:Zip 和 Enumerate(选学)
- Concept 21: 列表推导式(选学)
- Concept 22: 练习:列表推导式(选学)
- Concept 23: 解决方案:列表推导式(选学)
- Concept 24: 总结
-
Lesson 04: 函数
你将学习如何定义函数。还将学习如何将程序拆分为多个部分,使得代码的结构更加合理。这部分不是必学,但学习后能更好地掌握和理解实战项目。
- Concept 01: 简介
- Concept 02: 定义函数
- Concept 03: 练习:定义函数
- Concept 04: 解决方案:定义函数
- Concept 05: 变量作用域
- Concept 06: 变量作用域
- Concept 07: 解决方案:变量作用域
- Concept 08: 文档
- Concept 09: 练习:文档
- Concept 10: 解决方案:文档
- Concept 11: Lambda 表达式
- Concept 12: 练习:Lambda 表达式
- Concept 13: 解决方案:Lambda 表达式
- Concept 14: 【选修】迭代器和生成器
- Concept 15: 【选修】练习:迭代器和生成器
- Concept 16: 【选修】解决方案:迭代器和生成器
- Concept 17: 总结
-
Lesson 05: 脚本编写
你将学习用来开发程序的不同环境。要分享你的代码并与其他开发者合作,必须了解这些环境。
- Concept 01: 脚本
- Concept 02: 简介
- Concept 03: 安装 Python
- Concept 04: 方法 1:安装 Anaconda
- Concept 05: 方法 2:安装 Python
- Concept 06: 运行 Python 脚本
- Concept 07: 编程环境设置
- Concept 08: 修改 Python 脚本
- Concept 09: 在脚本中接受原始输入
- Concept 10: 练习:在脚本中接受原始输入
- Concept 11: 解决方案:在脚本中接受原始输入
- Concept 12: 错误和异常
- Concept 13: 练习:错误和异常
- Concept 14: 处理错误
- Concept 15: 练习:处理错误
- Concept 16: 解决方案:处理错误
- Concept 17: 访问错误消息
- Concept 18: 读写文件
- Concept 19: 练习:读写文件
- Concept 20: 解决方案:读写文件
- Concept 21: 导入本地脚本
- Concept 22: 标准库
- Concept 23: 练习:标准库
- Concept 24: 解决方案:标准库
- Concept 25: 导入模块技巧
- Concept 26: 练习:导入模块技巧
- Concept 27: 第三方库
- Concept 28: 在解释器中进行实验
- Concept 29: 在线资源
- Concept 30: 总结
-
Lesson 07: Jupyter Notebooks
兵欲善其事必先利其器。在开始挑战非常有意思的实战项目前,快来快速了解如何使用 Jupyter Notebooks 创建包含代码、文本、图片的文档。
-
Lesson 08: Lab: 分类图像
学习如何使用预先训练的 CNN 图像分类器编写一个识别图像是否为小狗图像的脚本。如果图像中包含狗,程序将识别狗的品种。
- Concept 01: 讲师
- Concept 02: Lab 说明
- Concept 03: Lab 说明
- Concept 04: Workspace 使用方式
- Concept 05: Lab Workspace
- Concept 06: 计算代码运行时间
- Concept 07: 命令行参数
- Concept 08: 可变数据类型和函数
- Concept 09: 创建宠物图像标签 - 第 1 部分
- Concept 10: 创建宠物图像标签 - 第 2 部分
- Concept 11: 分类图像 - 第 1 部分
- Concept 12: 分类图像 - 第 2 部分
- Concept 13: 将标签分类为小狗
- Concept 14: 计算结果
- Concept 15: 输出结果
- Concept 16: 结果
- Concept 17: 结论
-
Lesson 09: 项目:控制迷宫寻宝机器人
在该项目中,你将使用刚刚学到的 Python 编程知识,分析模拟迷宫环境的数据,比如机器人的起点、障碍物、宝藏箱,然后控制一个机器人,在模拟环境中随机行走,最终走到终点,并找到目标宝藏。在最后,尝试使用 A* 搜索算法输出机器人的行动策略,使之能够走到终点。
-
Part 04 : Numpy, Pandas, Matplotlib
-
Module 01: Numpy, Pandas, Matplotlib
-
Lesson 01: Anaconda(试听)
Anaconda 是一个专门用于数据处理的程序包和环境管理器。在这节课中,你学习如何搭建编程环境,为之后的学习做准备,是你入门 Python 的必备利器!
-
Lesson 02: Jupyter Notebooks
学习如何使用 Jupyter Notebooks 创建包含代码、文本、图片等的文档。
-
Lesson 03: NumPy
在这节课,你将学习 NumPy 基本知识,以及如何使用 NumPy 创建和操作数组。
- Concept 01: 课程讲师
- Concept 02: NumPy 简介
- Concept 03: 为何要使用 NumPy
- Concept 04: 创建和保存 NumPy ndarray
- Concept 05: 使用内置函数创建 ndarray
- Concept 06: 创建 ndarray
- Concept 07: 访问和删除 ndarray 中的元素及向其中插入元素
- Concept 08: ndarray 切片
- Concept 09: 布尔型索引、集合运算和排序
- Concept 10: 操纵 ndarray
- Concept 11: 算术运算和广播
- Concept 12: 通过广播创建 ndarray
- Concept 13: 为迷你项目做准备
- Concept 14: 迷你项目:均值标准化和数据分离
- Concept 15: 课程经理小贴士:查询函数文档
-
Lesson 04: Pandas
在这节课,你将学习 Pandas Series 和 DataFrame 基本知识,以及如何使用它们加载和处理数据。
- Concept 01: 课程讲师
- Concept 02: Pandas 简介
- Concept 03: 为何要使用 Pandas?
- Concept 04: 创建 Pandas Series
- Concept 05: 访问和删除 Pandas Series 中的元素
- Concept 06: 对 Pandas Series 执行算术运算
- Concept 07: 操纵 Series
- Concept 08: 创建 Pandas DataFrame
- Concept 09: 访问 Pandas DataFrame 中的元素
- Concept 10: 处理 NaN
- Concept 11: 操纵 DataFrame
- Concept 12: 将数据加载到 Pandas DataFrame 中
- Concept 13: 为迷你项目做准备
- Concept 14: 迷你项目:股票数据的统计信息
-
Lesson 05: Matplotlib 和 Seaborn(第 1 部分)
学习如何使用 Matplotlib 和 Seaborn 可视化数据。在这节课,你将学习如何创建可视化图表来描述单个变量的分布情况。
-
Lesson 06: Matplotlib 和 Seaborn(第 2 部分)
在这节课,我们将利用 matplotlib 和 seaborn 绘制可视化图形,以描绘两个变量之间的关系。
- Concept 01: 课程简介
- Concept 02: 散点图和相关性
- Concept 03: 重叠、透明度和抖动
- Concept 04: 热图
- Concept 05: 散点图练习
- Concept 06: 小提琴图
- Concept 07: 箱线图
- Concept 08: 小提琴图和箱线图练习
- Concept 09: 分组条形图
- Concept 10: 分类图表练习
- Concept 11: 分面
- Concept 12: 调整单变量图表
- Concept 13: 折线图
- Concept 14: 其他图表练习
- Concept 15: 课程总结
- Concept 16: 附录:多变量可视化
- Concept 17: 补充内容:蜂群图
- Concept 18: 补充内容:轴须图和带状图
- Concept 19: 补充内容:堆积图
-
Lesson 07: 项目: 探索电影数据集
在该项目中, 你将获得一个电影数据集,对数据进行清洗、探索、分析,并使用 Matplotlib、Seaborn 库中的函数,对不同的数据类型进行多达十多种图像类别的可视化。通过此,你将分析最热门的电影有哪些、电影净利润与年份变化的关系、最受欢迎的导演,以及最高产的导演的电影票房情况等。
-
Part 05 : 线性代数基础
-
Module 01: 线性代数基础
-
Lesson 02: 向量
了解线性代数的基本概念——向量。
-
Lesson 04: 线性变换和矩阵
什么是线性变换,它与矩阵有何直接联系?你将学习如何运用数学知识并可视化这些概念。
-
Lesson 05: 向量 Lab
了解如何绘制二维向量。
-
Lesson 06: 线性组合 Lab
学习如何以计算方式确定向量的张成并求解简单的方程组。
-
Lesson 07: 线性映射 Lab
学习如何使用向量和矩阵以计算方式解决一些问题。
-
Lesson 09: 实现线性回归
在本项目中,不借助任何库进行矩阵运算,并实现高斯消元法与线性回归,更深刻的理解神经网络中基于线性代数的本质。
Part 06 : 神经网络
-
Module 01: 神经网络
-
Lesson 01: 神经网络简介
在这一课里,Luis 将带给你夯实的深度学习与神经网络的基础知识。你也将在教室里亲手用 python 实现梯度下降法与反向传播。
- Concept 01: 简介
- Concept 02: 分类问题 1
- Concept 03: 分类问题 2
- Concept 04: 线性界线
- Concept 05: 更高维度的界线
- Concept 06: 感知器
- Concept 07: 为何称为“神经网络”?
- Concept 08: 用感知器实现简单逻辑运算
- Concept 09: 感知器技巧 - 计算机如何“学习”分类?
- Concept 10: 感知器算法
- Concept 11: 非线性界线
- Concept 12: 误差函数
- Concept 13: 误差函数与梯度下降
- Concept 14: 离散型与连续型 - 为什么使用sigmoid函数
- Concept 15: 多类别分类与Softmax 函数
- Concept 16: One-Hot 编码
- Concept 17: 最大似然率
- Concept 18: 最大化概率
- Concept 19: 交叉熵 1-损失函数
- Concept 20: 交叉熵 2-损失函数
- Concept 21: 多类别交叉熵
- Concept 22: Logistic 回归
- Concept 23: 梯度下降
- Concept 24: 梯度下降算法推导与实现
- Concept 25: [Lab 准备] 梯度下降
- Concept 26: [Lab] 梯度下降
- Concept 27: 感知器和梯度下降
- Concept 28: 连续型感知器
- Concept 29: 非线性数据
- Concept 30: 非线性模型
- Concept 31: 神经网络结构
- Concept 32: 前向反馈
- Concept 33: 反向传播
- Concept 34: [Lab 准备] 分析学生录取数据
- Concept 35: [Lab] 分析学生数据
-
Lesson 02: 训练神经网络
现在你已经了解了什么是神经网络。在这一课中你将学会几种方法,以提升神经网络的训练效果。
-
Part 07 : 图像分类项目
-
Module 01: 图像分类项目
-
Lesson 01: 实战项目:图像分类
在此项目中,你将构建一个 Python 应用,该应用可以用数据集训练图像分类器,然后使用训练的模型预测新图像。
-
Part 08 : 下一步!
-
Module 01: 下一步!