Nanodegree key: nd009-cn-advanced-career
Version: 6.0.0
Locale: zh-cn
该版本的纳米学位仅供机器学习（进阶求职）学员学习。
学习机器学习专项知识，磨炼求职技能，成功踏入人工智能领域！
Content
Part 01 : 欢迎学习机器学习工程师
-
Module 01:
简介
-
Module 02:
GitHub个人资料的建立和完善
-
Lesson 01: GitHub个人资料的建立和完善
通过本节内容，你将了解：
1）GitHub的重要性；
2）为什么要使用GitHub？
3）如何创建及优化你的GitHub个人资料。- Concept 01: 简介
- Concept 02: Github个人资料的重要事项
- Concept 03: 出色的 GitHub 代码库
- Concept 04: 第一部分：用人经理如何看待GitHub
- Concept 05: 快速修改你的资料
- Concept 06: 快速修改你的资料
- Concept 07: 编写 README
- Concept 08: 第二部分：用人经理如何看待GitHub
- Concept 09: 提交 Commit 最佳做法
- Concept 10: 反思你的提交说明
- Concept 11: 参与开源项目之一
- Concept 12: 第三部分：用人经理如何看待GitHub
- Concept 13: 参与开源项目之二
- Concept 14: 关注代码库
- Concept 15: 结尾
-
-
Module 03:
（可选）使用Git和GitHub进行版本控制
-
Lesson 01: 什么是版本控制？
版本控制是专业程序员应该掌握的重要技能。在这节课，你将了解版本控制的优势，并学习如何安装版本控制工具 Git！
-
Lesson 02: 创建 Git 仓库
你已经了解版本控制的优势并安装了 Git，现在该学习如何创建仓库了。
-
Lesson 03: 查看仓库的历史记录
了解如何查看现有 git 仓库的 commit 历史记录至关重要。你将在这节课学习如何查看历史记录。
-
Lesson 04: 向仓库中添加 commit
没有 commit 的仓库就什么也不是。在这节课，你将学习如何提交 commit，编写具有描述性的提交说明，以及验证要保存到仓库中的更改。
-
Lesson 05: 标签、分支和合并
能够在不受其他更改的影响的情况下处理项目，将大大提高工作效率。你将学习如何利用 git 的分支实现这种隔离开发过程。
-
Lesson 06: 撤消更改
救命啊！出现故障了！但是不用担心，因为项目已经处于版本控制下了！你将学习如何撤消和修改保存到仓库中的更改。
-
Lesson 07: 使用远程仓库
你将学习如何在 GitHub 上创建远程仓库，以及如何获取和推送对远程仓库的更改。
-
Lesson 08: 使用其他开发者的仓库
在这节课中，你将学习如何 fork 另一位开发者的项目。与其他开发者合作是个复杂的过程，所以接下来你将学习如何为公共项目做贡献。
-
Lesson 09: 与远程仓库保持同步
你将学习如何使用 Pull Request（拉取请求）向其他开发者发送建议的更改，以及如何使用强大的
git rebase命令将 commit 压制（squash）在一起。
-
-
Module 04:
什么是机器学习？
-
Lesson 01: 什么是机器学习？
在本节课中了解一些机器学习的相关概念。
- Concept 01: 简介
- Concept 02: 决策树
- Concept 03: 决策树练习
- Concept 04: 决策树答案
- Concept 05: 朴素贝叶斯练习
- Concept 06: 朴素贝叶斯
- Concept 07: 朴素贝叶斯答案
- Concept 08: 梯度下降
- Concept 09: 线性回归练习
- Concept 10: 线性回归答案
- Concept 11: Logistic Regression 练习
- Concept 12: Logistic Regression 答案
- Concept 13: 支持向量机 SVM
- Concept 14: 支持向量机 SVM 练习
- Concept 15: 支持向量机 SVM 答案
- Concept 16: 神经网络
- Concept 17: 核函数
- Concept 18: 核函数练习
- Concept 19: 核函数答案
- Concept 20: 回顾和挑战
- Concept 21: K均值聚类
- Concept 22: 层次聚类
- Concept 23: 阶段总结
-
Lesson 02: 入门实战项目
在这个入门实战项目中，你将创建决策函数，尝试根据每位乘客的特征（如性别和年龄）预测1912年泰坦尼克号灾难的生存结果。
-
Part 02 : 机器学习基础
-
Module 01:
模型评估与验证
-
Lesson 03: 模型选择
了解模型培训过程中可能出现的各类错误，解决这类问题的方法，并优化你的机器学习模型。
-
Lesson 04: 自我评估：NumPy 与 pandas
通过快速自我评估测试你的 NumPy 和 pandas 技能。
-
Lesson 05: 模型评估与验证自我评估
学习完模型评估与验证，开始进行快速的自我评估吧！
-
Lesson 06: 实战项目: 预测波士顿房价
你已学习了模型评估和验证，接下来将所学知识应用在实战项目中，构建并优化一个预测波士顿房价的模型吧！
Part 03 : 监督学习
-
Module 01:
监督学习
-
Lesson 01: 线性回归
线性回归是一种用于预测数值数据的非常有效的算法。
- Concept 01: 简介
- Concept 02: 练习：房价
- Concept 03: 参考答案：房价
- Concept 04: 用数据拟合直线
- Concept 05: 调整一条直线
- Concept 06: 绝对值技巧
- Concept 07: 平方技巧
- Concept 08: 梯度下降
- Concept 09: 平均绝对值误差
- Concept 10: 平均平方误差
- Concept 11: 最小化误差函数
- Concept 12: 均方误差与总平方误差
- Concept 13: 小批量梯度下降法
- Concept 14: 绝对值误差 VS 平方误差
- Concept 15: scikit-learn 中的线性回归
- Concept 16: 高维度
- Concept 17: 多元线性回归
- Concept 18: 解数学方程表组
- Concept 19: 参考答案：解数学方程组
- Concept 20: 线性回归注意事项
- Concept 21: 多项式回归
- Concept 22: 正则化
- Concept 23: 神经网络回归
- Concept 24: 尝试神经网络
- Concept 25: 小结
-
Lesson 03: 决策树
决策树是一种决策结构，每个决策都会导致一系列后果或附加决策。
- Concept 01: 简介
- Concept 02: 推荐应用 1
- Concept 03: 推荐应用 2
- Concept 04: 推荐应用 3
- Concept 05: 练习：学生录取资格
- Concept 06: 参考答案：学生录取资格
- Concept 07: 熵
- Concept 08: 熵公式 1
- Concept 09: 熵公式 2
- Concept 10: 熵公式 3
- Concept 11: 练习：信息增益
- Concept 12: 参考答案：信息增益
- Concept 13: 信息增益最大化
- Concept 14: 随机森林
- Concept 15: 超参数
- Concept 16: sklearn 中的决策树
- Concept 17: [Lab] 使用决策树探索泰坦尼克乘客存活模型
- Concept 18: [解决方案] 使用决策树探索泰坦尼克乘客存活模型
- Concept 19: 小结
-
Lesson 04: 朴素贝叶斯
朴素贝叶斯算法是为传入的标记数据创建分类器的强大工具。
- Concept 01: 简介
- Concept 02: 猜测人
- Concept 03: 已知与推断
- Concept 04: 再次猜测
- Concept 05: 贝叶斯定理
- Concept 06: 练习：误报
- Concept 07: 参考答案：误报
- Concept 08: 贝叶斯学习 1
- Concept 09: 贝叶斯学习 2
- Concept 10: 贝叶斯学习 3
- Concept 11: 朴素贝叶斯算法 1
- Concept 12: 朴素贝叶斯算法 2
- Concept 13: 项目简介：构建垃圾邮件分类器
- Concept 14: 项目概述
- Concept 15: [Workspace] 构建垃圾邮件分类
- Concept 16: 小结
-
Lesson 05: 支持向量机
支持向量机是用于分类的非常有效的模型。
- Concept 01: 简介
- Concept 02: 哪条线更好？
- Concept 03: 距离最小化
- Concept 04: 误差最小化
- Concept 05: 感知器算法
- Concept 06: 分类误差
- Concept 07: 边际误差
- Concept 08: [选修] 边际误差计算
- Concept 09: 误差函数
- Concept 10: C 参数
- Concept 11: 多项式内核 1
- Concept 12: 多项式内核 2
- Concept 13: 多项式内核 3
- Concept 14: RBF 核函数 1
- Concept 15: RBF 核函数 2
- Concept 16: RBF 核函数 3
- Concept 17: sklearn 中的支持向量机
- Concept 18: 总结
-
Lesson 07: 自我评估：监督学习
学完监督学习这一节课，开始进行快速的自我评估吧！
-
Lesson 08: 监督学习实战项目
你已经了解了各式各样的监督学习方法 - 现在可以将这些方法付诸实践啦！
-
Part 04 : 非监督学习
-
Module 01:
非监督学习
-
Lesson 01: 聚类
聚类是最常见的非监督学习方法之一。在这节课，我们将讨论 K-means 和执行聚类的其他方法。
- Concept 01: 简介
- Concept 02: 非监督学习
- Concept 03: 聚类电影
- Concept 04: 多少个聚类？
- Concept 05: 将点与聚类匹配
- Concept 06: 优化中心（橡皮筋）
- Concept 07: 移动中心 2
- Concept 08: 匹配点（再次）
- Concept 09: 移交给 Katie
- Concept 10: K-均值聚类可视化
- Concept 11: K-均值聚类可视化 2
- Concept 12: K-均值聚类可视化 3
- Concept 13: Sklearn
- Concept 14: K-均值的挑战
- Concept 15: K-均值的局限
- Concept 16: 反直觉的聚类
- Concept 17: 反直觉的聚类 2
-
Lesson 02: 聚类迷你项目
在这个迷你项目中，你将使用 K-means 来对电影评级聚类并使用这些聚类来提供电影推荐。
-
Lesson 03: 层次聚类法与密度聚类
我们继续研究聚类方法。 我们将探讨层次聚类与密度聚类 (DBSCAN)。
- Concept 01: K-均值聚类
- Concept 02: 其他聚类方法概述
- Concept 03: 层次聚类：单连接聚类法
- Concept 04: 检验单连接聚类法
- Concept 05: 三种不同的层次聚类法
- Concept 06: 层次聚类法的具体使用
- Concept 07: [Lab] 层次聚类
- Concept 08: [Lab 解决方案] 层次聚类
- Concept 09: HC 示例与应用
- Concept 10: 层次聚类
- Concept 11: DBSCAN
- Concept 12: DBSCAN 运行
- Concept 13: [Lab] DBSCAN
- Concept 14: [Lab 解决方案] DBSCAN
- Concept 15: DBSCAN 示例与应用
- Concept 16: DBSCAN
-
Lesson 04: 高斯混合模型与聚类验证
本节课中，我们学习高斯混合模型，聚类验证分析过程，并验证聚类结果。
- Concept 01: 简介
- Concept 02: 高斯混合模型 (GMM) 聚类
- Concept 03: 一维高斯分布
- Concept 04: 一维高斯混合模型 (GMM) 聚类
- Concept 05: 二维高斯分布
- Concept 06: 二维高斯混合模型
- Concept 07: 练习：高斯混合
- Concept 08: 期望最大化算法概述
- Concept 09: 期望最大化 - 第一部分
- Concept 10: 期望最大化 - 第二部分
- Concept 11: 期望最大化示例
- Concept 12: 期望最大化
- Concept 13: GMM 实现
- Concept 14: GMM 示例与应用
- Concept 15: 聚类分析过程
- Concept 16: 聚类验证
- Concept 17: 外部评价指标
- Concept 18: 练习：调整兰德系数 (Adjusted Rand Index)
- Concept 19: 内部评价指标
- Concept 20: 轮廓系数
-
Lesson 05: 特征缩放
特征缩放是执行非监督式学习时的一个重要预处理步骤，以允许同时分析多个特征。
- Concept 01: Chris 的 T 恤尺寸
- Concept 02: 针对 Chris 的度量
- Concept 03: Cameron 的身高 + 体重
- Concept 04: Sarah 的身高 + 体重
- Concept 05: 由我们的度量确定的 Chris T恤尺寸
- Concept 06: 利用不同的尺度来比较特征
- Concept 07: 特征缩放公式练习 1
- Concept 08: 特征缩放公式练习 2
- Concept 09: 特征缩放公式练习 3
- Concept 10: 最小值/最大值重缩放器编码练习
- Concept 11: sklearn 中的最小值/最大值缩放器
- Concept 12: 需要重缩放的算法练习
-
Lesson 06: PCA（主成分分析）
PCA（即主成分分析）是一种特征选择方法，可将一组相关的变量转变为一组基础正交变量。
- Concept 01: 数据维度
- Concept 02: 较棘手的数据维度
- Concept 03: 一维或二维？
- Concept 04: 略微不完美的数据
- Concept 05: 最棘手的数据维度
- Concept 06: 用于数据转换的 PCA
- Concept 07: 新坐标系的中心
- Concept 08: 新坐标系的主轴
- Concept 09: 新系统的第二主成分
- Concept 10: 练习：查找中心
- Concept 11: 练习：查找新轴
- Concept 12: 哪些数据可用于 PCA
- Concept 13: 轴何时占主导地位
- Concept 14: 可测量的特征与潜在的特征练习
- Concept 15: 从四个特征到两个
- Concept 16: 在保留信息的同时压缩
- Concept 17: 复合特征
- Concept 18: 最大方差
- Concept 19: 最大方差的优点
- Concept 20: 最大方差与信息损失
- Concept 21: 信息损失和主成分
- Concept 22: 相邻复合特征
- Concept 23: 用于特征转换的 PCA
- Concept 24: 最大主成分数量
- Concept 25: PCA 的回顾/定义
- Concept 26: 将 PCA 应用到实际数据
- Concept 27: 安然财务数据的 PCA
- Concept 28: sklearn 中的 PCA
- Concept 29: 何时使用 PCA
- Concept 30: 用于人脸识别的 PCA
- Concept 31: 特征脸方法代码
-
Lesson 07: PCA 迷你项目
在这个迷你项目中，你将运用主成分分析到面部识别。
-
Lesson 09: 非监督学习自我评估
学完非监督学习这一节课，开始进行快速的自我评估吧！
-
Part 05 : GitHub个人资料实战项目
-
Module 01:
GitHub个人资料实战项目
-
Lesson 01: GitHub个人资料项目提交
在此项目中，你将从用人经理的角度出发审视你的 GitHub 主页来评估你是否是潜在候选人或项目需要的工程师。
-
Part 06 : 深度学习
-
Module 01:
深度学习
-
Lesson 01: 神经网络
Luis 会对逻辑回归、梯度下降和神经网络构建进行概述。
- Concept 01: 欢迎
- Concept 02: 简介
- Concept 03: 分类问题
- Concept 04: 分类问题 2
- Concept 05: 线性界线
- Concept 06: 更高维度的界线
- Concept 07: 感知器
- Concept 08: 用感知器实现简单逻辑运算
- Concept 09: 为何称为“神经网络”？
- Concept 10: 感知器技巧 - 计算机如何“学习”分类？
- Concept 11: 感知器算法
- Concept 12: 非线性界线
- Concept 13: 误差函数
- Concept 14: 误差函数与梯度下降
- Concept 15: 离散型与连续型 - 为什么使用sigmoid函数
- Concept 16: 多类别分类与Softmax 函数
- Concept 17: One-Hot 编码
- Concept 18: 最大似然率
- Concept 19: 最大化概率
- Concept 20: 交叉熵 1-损失函数
- Concept 21: 交叉熵 2-损失函数
- Concept 22: 多类别交叉熵
- Concept 23: Logistic 回归
- Concept 24: 梯度下降实现
- Concept 25: 梯度下降算法推导与实现
- Concept 26: [Lab 准备] 梯度下降
- Concept 27: [Lab] 梯度下降
- Concept 28: 感知器和梯度下降
-
Lesson 02: 深度神经网络
深入了解反向传播和神经网络的训练过程，包括改善训练的技巧。
- Concept 01: 连续型感知器
- Concept 02: 非线性数据
- Concept 03: 非线性模型
- Concept 04: 神经网络结构
- Concept 05: 前向反馈
- Concept 06: 反向传播
- Concept 07: Keras
- Concept 08: [Keras Lab准备] 录取学生
- Concept 09: [Keras Lab] 录取学生
- Concept 10: 训练优化
- Concept 11: 早期停止
- Concept 12: 正则化
- Concept 13: 正则化 2
- Concept 14: Dropout
- Concept 15: 局部最低点
- Concept 16: 梯度消失
- Concept 17: 其他激活函数
- Concept 18: 批次与随机梯度下降
- Concept 19: 学习速率衰退
- Concept 20: 随机重新开始
- Concept 21: 动量
- Concept 22: Keras 中的优化程序
- Concept 23: 世界各地的误差函数
- Concept 24: 神经网络回归
- Concept 25: 尝试神经网络
- Concept 26: 迷你项目简介
- Concept 27: [Keras Lab 准备] IMDB 数据
- Concept 28: [Keras Lab] IMDB 数据
- Concept 29: 总结
-
Lesson 03: 卷积神经网络
Alexis 解释了卷积神经网络的原理以及此类网络可以如何帮助我们显著改善图片分类的效果。
- Concept 01: 介绍 Alexis
- Concept 02: CNN 的应用
- Concept 03: 计算机是如何解析图片的
- Concept 04: 图片分类 MLP
- Concept 05: 分类交叉熵
- Concept 06: Keras 中的模型验证
- Concept 07: MLP 何时效果不错？
- Concept 08: 局部连接性
- Concept 09: 卷积层（第 1 部分）
- Concept 10: 卷积层（第 2 部分）
- Concept 11: Stride 和填充
- Concept 12: Keras 中的卷积层
- Concept 13: 练习：维度
- Concept 14: 池化层
- Concept 15: Keras 中的最大池化层
- Concept 16: 图片分类 CNN
- Concept 17: AWS GPU 实例 搭建
- Concept 18: Keras 中的 CNN：实例
- Concept 19: Keras 中的图片增强功能
- Concept 20: 突破性的 CNN 架构
- Concept 21: 可视化 CNN（第 1 部分）
- Concept 22: 可视化 CNN（第 2 部分）
- Concept 23: 迁移学习
- Concept 24: Keras 中的迁移学习
-
Lesson 04: 癌症检测深度学习（Sebastian Thrun）
在这一节课，Sebastian Thrun 将讲授他用卷积神经网络进行的开创性皮肤癌检测研究。
- Concept 01: 介绍
- Concept 02: 皮肤癌
- Concept 03: 皮肤癌生存概率
- Concept 04: 医学分类
- Concept 05: 数据
- Concept 06: 图像挑战
- Concept 07: 练习：数据挑战
- Concept 08: 参考答案：数据挑战
- Concept 09: 训练神经网络
- Concept 10: 练习：随机权重与预初始化权重
- Concept 11: 参考答案：随机权重与预初始化权重
- Concept 12: 训练验证
- Concept 13: 练习：敏感性与特异性
- Concept 14: 参考答案：敏感性与特异性
- Concept 15: 敏感性与特异性进一步介绍
- Concept 16: 练习：癌症诊断
- Concept 17: 参考答案：癌症诊断
- Concept 18: ROC 曲线回顾
- Concept 19: 练习：ROC 曲线
- Concept 20: 参考答案：ROC 曲线
- Concept 21: 将我们的结果与医生诊断结果相比较
- Concept 22: 可视化
- Concept 23: 神经网络关注的是什么
- Concept 24: 混淆矩阵回顾
- Concept 25: 混淆矩阵
- Concept 26: 总结
- Concept 27: 有用资源
- Concept 28: 小项目介绍
- Concept 29: 小项目：皮肤科医生的人工智能
- Concept 30: 分享你的成果！
-
Lesson 05: 深度学习自我评估
学完深度学习这一节课，开始进行快速的自我评估吧！
-
Part 07 : 优化你的个人品牌
-
Module 01:
找工作策略
-
Lesson 01: 寻找工作机会
通过本节内容，你将了解如何有效地搜索心仪职位，减少无效搜索耗费的时间，以便你能够针对具体职位优化你的申请。
-
-
Module 02:
个人简历的创建和优化
-
Lesson 01: 个人简历的创建和优化
个人简历不仅是对自身经历的概括，更是进入心仪领域的敲门砖。通过本章节你将学习到如何准备一份有效的个人简历。
-
Part 08 : 强化学习
-
Module 01:
强化学习
-
Lesson 01: 欢迎学习强化学习！
强化学习是一种机器学习方法，其中机器或软件智能体会学习如何最大化在某个任务中的性能。
-
Lesson 02: 强化学习框架：问题
了解如何以数学方式将任务构建为 Markov 决策流程。
- Concept 01: 简介
- Concept 02: 设置 - 回顾
- Concept 03: 阶段性任务与连续性任务
- Concept 04: 练习：知识测验
- Concept 05: 练习：阶段性或连续性？
- Concept 06: 奖励假设
- Concept 07: 目标和奖励（第 1 部分）
- Concept 08: 目标和奖励（第 2 部分）
- Concept 09: 练习：目标和奖励
- Concept 10: 累积奖励
- Concept 11: 折扣回报
- Concept 12: 练习：杆平衡
- Concept 13: MDP（第 1 部分）
- Concept 14: MDP（第 2 部分）
- Concept 15: 练习：一步动态特性（第 1 部分）
- Concept 16: 练习：一步动态特性（第 2 部分）
- Concept 17: MDP（第 3 部分）
- Concept 18: 有限 MDP
- Concept 19: 总结
-
Lesson 03: 强化学习框架：解决方案
在强化学习中，智能体学习根据与不同结果相关的奖励和惩罚优先选择不同的决策。
-
Lesson 04: 动态规划
动态规划设置是解决强化学习问题的第一个实用步骤。
- Concept 01: 简介
- Concept 02: 迷你项目：动态规划 (OpenAI Gym-FrozenLakeEnv)
- Concept 03: 另一个网格世界示例
- Concept 04: 迭代方法（第 1 部分）
- Concept 05: 迭代方法（第 2 部分）
- Concept 06: 练习：迭代方法
- Concept 07: 迭代策略评估
- Concept 08: 实现
- Concept 09: 迷你项目：动态规划（第 0 部分和第 1 部分）
- Concept 10: 动作值
- Concept 11: 实现
- Concept 12: 迷你项目：动态规划（第 2 部分）
- Concept 13: 策略改进
- Concept 14: 实现
- Concept 15: 迷你项目：动态规划（第 3 部分）
- Concept 16: 策略迭代
- Concept 17: 实现
- Concept 18: 迷你项目：动态规划（第 4 部分）
- Concept 19: 截断策略迭代
- Concept 20: 实现
- Concept 21: 迷你项目：动态规划（第 5 部分）
- Concept 22: 值迭代
- Concept 23: 实现
- Concept 24: 迷你项目：动态规划（第 6 部分）
- Concept 25: 知识检验
- Concept 26: 总结
-
Lesson 05: 蒙特卡洛方法
自己编写蒙特卡洛控制方法的实现代码，指导智能体玩二十一点！
- Concept 01: 简介
- Concept 02: 迷你项目：蒙特卡洛方法 (OpenAI Gym-BlackjackEnv)
- Concept 03: MC 预测：状态值
- Concept 04: 实现
- Concept 05: 迷你项目：蒙特卡洛方法（第 0 和 1 部分）
- Concept 06: MC 预测：动作值
- Concept 07: 实现
- Concept 08: 迷你项目：蒙特卡洛方法（第 2 部分）
- Concept 09: 广义策略迭代
- Concept 10: MC 控制：增量均值
- Concept 11: 练习：增量均值
- Concept 12: MC 控制：策略评估
- Concept 13: MC 控制：策略改进
- Concept 14: 练习：Epsilon 贪婪策略
- Concept 15: 探索与利用
- Concept 16: 实现
- Concept 17: 迷你项目：蒙特卡洛方法（第 3 部分）
- Concept 18: MC 控制：常量 α（第 1 部分）
- Concept 19: MC 控制：常量 α（第 2 部分）
- Concept 20: 实现
- Concept 21: 迷你项目：蒙特卡洛方法（第 4 部分）
- Concept 22: 总结
-
Lesson 06: 时间差分方法
学习如何应用时间差分方法（例如 Sarsa、Q 学习和预期）解决阶段性任务和连续性任务。
- Concept 01: 简介
- Concept 02: 迷你项目：时间差分方法 (OpenAI Gym-CliffWalkingEnv）
- Concept 03: TD 预测：TD(0)
- Concept 04: 实现
- Concept 05: 迷你项目：时间差分方法（第 0 部分和第 1 部分）
- Concept 06: TD 预测：动作值
- Concept 07: TD 控制：Sarsa(0)
- Concept 08: 实现
- Concept 09: 迷你项目：时间差分方法（第 2 部分）
- Concept 10: TD 控制：Sarsamax
- Concept 11: 实现
- Concept 12: 迷你项目：时间差分方法（第 3 部分）
- Concept 13: TD 控制：预期 Sarsa
- Concept 14: 实现
- Concept 15: 迷你项目：时间差分方法（第 4 部分）
- Concept 16: 分析性能
- Concept 17: 总结
-
Lesson 07: 迷你项目：解决 OpenAI Gym 的 Taxi-v2 任务
现在你已经掌握了强化学习技巧，可以使用 OpenAI Gym 探索一个迷你项目了！
-
Lesson 08: 项目：机器人走迷宫
我们将会应用 Q-learning 算法完成一个经典的 Markov 决策问题 -- 走迷宫！
-
Lesson 10: 深度Q-学习
使用深度神经网络对基于值的强化学习方法进行扩展，以解决复杂的问题。
-
Lesson 11: 策略梯度
基于策略的方法会尝试直接进行优化以获得最优策略。我们将了解这些方法的原理，以及为何很重要，尤其是对于连续状态空间领域的问题来说。
-
Lesson 12: 行动者-评论者方法
了解如何将基于值的方法和基于策略的方法相结合，并充分利用二者的优势来解决具有挑战性的强化学习问题。
-
Part 09 : 拓展你的职业人脉
-
Module 01:
拓展你的职业人脉
-
Lesson 01: 拓展你的职业人脉
在本章节中，我们将分享如何建立高质量职业人脉网络，扩大自身行业影响力，并从中脱颖而出。
-
-
Module 02:
领英档案的创建和优化
-
Lesson 01: 领英档案的创建和优化
我们鼓励你创建或定期更新你的领英个人资料，以便潜在雇主能够在线上找到你，并就潜在职位与你联系。
-
Part 10 : 技术考核毕业项目开题报告
-
Module 01:
技术考核毕业项目开题报告
-
Module 02:
机器学习工程师模拟面试准备
Part 11 : 技术考核毕业项目
-
Module 01:
完成技术考核毕业项目
Part 12 : 模拟面试
-
Module 01:
行为导向模拟面试
-
Lesson 01: 如何积极准备面试
恭喜你成功提交了毕业项目的开题报告！在完成正式的毕业项目之前，我们希望与你分享一些面试中重要的注意事项和小技巧，让你能够提前为未来的面试做准备哦！
-
Lesson 02: 行为面试
让我们通过一些行为面试小练习和模拟面试项目帮助你巩固“STAR”方法的掌握和运用！
-
Lesson 03: 如何正确应对面试失败
这里有一些面试失败的真实例子 ——不要担心，面试失败是件非常常见的事！千万不要气馁！
-
Lesson 04: 行为导向面试实战项目
恭喜你进入行为导向模拟面试！回顾一下之前的知识点，放轻松，祝你好运！
-
-
Module 02:
机器学习模拟面试
-
Lesson 01: 机器学习模拟面试实战项目
恭喜你来到最关注的技术模拟面试！放轻松，回顾过往知识点，祝你好运！
-
-
Module 03:
成功获得工作机会
-
Lesson 01: 成功获得工作机会
你已经为自己打磨准备好了必需的求职利器了，接下来就是真正上战场的时候啦！祝你面试成功，我们期待你的故事！
-