Tencent-Cloud

---

• https://cloud.tencent.com/edu/learning/courses?cid=10182

• https://cloud.tencent.com/edu/learning/courses

• https://cloud.tencent.com/edu/paths/series/CODING%20DevOps

1、数学及AI基础

• https://cloud.tencent.com/edu/learning/courses?cid=10192

序号		阶段	课程	说明	其他
1		数学基础	5分钟一个人工智能小知识	本课程以轻松的手绘方式，讲述一些基础的AI概念。首先介绍了什么是机器学习、深度学习、神经网络、人工智能以及它们之间的关系；然后详细讲解了贝叶斯、神经网络、随机森林等概念的原理和应用，以及如何评价一个预测模型的好坏；同时，还聊到了AlphaGo、因果关系、面相等贴近生活的有趣话题。
2		数学基础	10分钟机器学习数学课	本课程首先介绍了一阶优化法（梯度下降法）的流程，并对比讲解了需要计算二阶导数的二阶优化法（牛顿法）；接着解释了向量及其相关概念，比如：矩阵、标量、张量等；然后是神经网络，展示了4种类型神经网络的构建并讲解了它背后数学原理；接着介绍了用于发现数据中非线性和非局部的关系的降维，包括：特征选择、特征提取、主成分分析等内容；最后通过垃圾邮件分类器的案例展示了概率论在机器学习的应用，同时对比了几种模型调参的策略。
3		数学基础	人工智能数学基础	人工智能数学基础的在线文档
		AI基础	Python 基础和编码规范	Python是一种清晰且功能强大的、面向对象的编程语言，广泛应用于Web开发、GUI开发、科学计算等领域。
4		AI基础	【独家授权】神经网络系列课——Google Brain Hugo Larochelle	本课程是Python语言的入门课程，首先介绍了Python语言的特点以及安装部署方式；接着依次讲解了标准数据类型、条件和循环语句、函数、异常等知识点，部分知识点的讲解辅以现场编码演示的方式进行，直观易懂；最后，讲解了一些对初学者非常重要的编码规范，比如：缩进、函数命名等。
5		AI基础	深度学习入门基础——算法工程师带你读AI圣经《Deep Learning》	本课程首先介绍了深度学习的发展历史、优势、应用领域及其与机器学习的关系，建立整体认识；接下来从数学基础和深度学习算法两方面进行展开，数学基础部分包含线性代数、概率、信息论、数值计算、机器学习基础等内容，深度学习算法部分包含深度前馈网络、正则化、优化、卷积神经网络CNN、循环神经网络RNN等。
6		AI基础	斯坦福大学公开课CS231n:深度学习视觉识别	本课程是斯坦福大学的CS231n深度视觉识别课程。课程从算法到公式到实践进行了全面的介绍。课程首先介绍了计算机视觉的历史，随后开始讲解图像识别中的关键算法，如k近邻算法和线性分类。课程将重点介绍卷积神经网络，从简单的神经网络和反向传播算法到卷积、池化等概念。课程将介绍神经网络训练过程中的一些细节，比如如何在建立神经网络，选择什么样的激活函数，怎样做数据预处理、权重初始化、正则化和梯度检查。课程还会介绍训练过程中的动态监控，以及怎样做参数的优化。除此之外，课程还会介绍深度学习的软件，如Caffe、Torch、Tensorflow等。课程还将进一步介绍递归神经网络，并讲解神经网络进行图像识别的原理。
7		AI基础	牛津大学xDeepMind自然语言处理	本课程讲述了语言的计算机处理方式以及语言和人工智能的关系，是一门关于自然语言处理的高阶课程，需要有线性代数、微积分、概率论等高等数学基础以及机器学习相关的知识储备。课程内容包含：基础的机器学习和神经网络知识，比如：第一性原理、反向传播算法BP等；循环神经网络RNN、语言模型和模型的应用；运行模型的计算设备GPU以及GPU对模型的重要性；模型在翻译、语音、语言理解方面的应用等。

2、机器学习与大数据

序号		阶段	课程	说明	其他
1		理论基础	统计学习	统计学习的在线文档
2		机器学习	进化算法Evolutionary Algorithms	本课程首先介绍了进化算法的概念和范畴，并展示了一些使用进化算法实现的项目的效果；然后开始讲解第一种进化算法——遗传算法，通过句子配对、旅行商人等案例展示了遗传算法不同构造和搭配方式，同时讲解了遗传算法的进化版本——微生物遗传算法的原理；接着介绍了进化策略算法，包括它与遗传算法的异同、(1+1)-ES、Natural ES等内容；最后讲解了如何将进化算法应用到神经网络中。
3		机器学习	机器学习Scikit-Learn教学	本课程首先简单介绍了什么是机器学习、什么是Scikit-learn以及如何安装Scikit-learn；然后讲解了如何选择合适的机器学习方法，并以iris数据集为例展示了Scikit-learn的通用学习模式，同时分享了一些有用的数据集及其用法；接着是Scikit-learn模型的讲解，包括其常用属性和功能；最后结合案例详细讲解了如何进行数据标准化，以及如何通过交叉验证选择合适的模型。
4		机器学习	Xgboost使用指南	Xgboost 使用指南(在线文档)
5		机器学习	LightGBM使用指南	LightGBM 使用指南(在线文档)
6		机器学习	Pytorch tutorials神经网络	本课程首先介绍了什么是PyTorch以及如何安装它，接着讲解了PyTorch神经网络相关的基础知识，比如：变量、激励函数等；然后展示了如何建造神经网络，包括回归和分类两种类型；接着讲解了一些高级神经网络结构，包括卷积神经网络CNN、循环神经网络RNN、自编码AutoEncoder、DQN加强学习、生成对抗网络GAN等，并给出了具体的实现案例；最后是PyTorch相关的高阶内容，包括：GPU加速运算、过拟合及缓解、批标准化等。
7		机器学习	知乎KOL阿萨姆：机器学习实践经验分享	本课程围绕机器学习的实践展开，首先分享了一些使用机器学习的经验和建议，包含确定最小预测单元、确定最优框架、依赖性分析、从回归到分类、舍弃和切分数据等；然后详细讲解了如何选择并处理数据、如何选择和评估模型、如何进行模型调试和提升，并对每个主题给出了相应的流程或建议；最后对一些常见的问题做了解释，比如如何快速掌握机器学习基础知识、TensorFlow对普通机器学习使用者的意义、神经网络是否可以代替据册数模型等。
8		强化学习	强化学习(Reinforcement Learning)Python教学	本课程首先介绍了什么是强化学习，并展示了使用强化学习可以实现的效果；然后结合具体案例分别展示了Q Learning、Sarsa、将Q Learining优势与神经网络结合的DQN、Policy Gradients等算法的原理和实现，一般包含算法更新和思维决策两个环节；最后，扩展讲解了Actor Critic、DDPG、A3C、PPO/DPPO等强化学习算法。
9		大数据	快速上手Greenplum系列课程-Greenplum 的介绍、安装与部署	快速上手 Greenplum 系列课程之一Greenplum 的介绍、安装与部署
10		大数据	快速上手Greenplum系列课程-Greenplum生态与工具	快速上手Greenplum系列课程-生态与工具
11		大数据	快速上手Greenplum系列课程-Greenplum备份、安全与高可用	快速上手Greenplum系列课程-Greenplum备份、安全与高可用
12		大数据	基于 Greenplum 的机器学习算法与实践-数据分析扩展语言	本课程将讲解数据分析拓展语言，包括R语言，Python语言等，并将结合实例介绍如何利用GreenplumR, plcontainer进行Greenplum中的数据分析。
13		大数据	快速上手Greenplum系列课程-Greenplum快速调优	快速上手Greenplum系列课程-Greenplum快速调优
14		大数据&ML	基于 Greenplum 的机器学习算法与实践-机器学习的前世今生	本课程会讲解机器学习的历史发展脉络，当前进展，以及未来发展，以及机器学习需要的数学准备。
15		大数据&ML	基于 Greenplum 的机器学习算法与实践-朴素贝叶斯分类	本课程将结合例子讲解朴素贝叶斯的数学原理公式，以及在Greenplum MADlib中的实现。
16		大数据&ML	基于 Greenplum 的机器学习算法与实践-回归算法	本课程将介绍回归基本原理，结合MADlib介绍若干典型回归算法，包括Logistic回归，线性回归等。
17		大数据&ML	基于 Greenplum 的机器学习算法与实践-图算法	本课程将结合Greenplum机器学习库MADlib介绍大数据集上的图算法。
18		大数据&ML	基于 Greenplum 的机器学习算法与实践-基于树的分类	决策树（Decision Tree）是一种基本的分类与回归方法，当决策树用于分类时称为分类树，用于回归时称为回归树。本章节将讲解树的学习算法及思想，包括决策树和随机森林。
19		大数据&ML	基于 Greenplum 的机器学习算法与实践-非监督学习算法	本课程将通过一系列实例介绍Greenplum机器学习库MADlib中若干无监督学习算法及其实现k-means算法和关联规则的思路和实现。
20		大数据&ML	基于 Greenplum 的机器学习算法与实践-支持向量机	本课程将介绍 Greenplum 机器学习库 MADlib 中的 SVM 回归算法。
21		大数据&ML	基于 Greenplum 的机器学习算法与实践-时间序列经典算法	本课程将结合实例 Greenplum 机器学习库 MADlib 介绍基于时间序列的分析 ARIMA。
22		大数据&ML	基于 Greenplum 的机器学习算法与实践-人工神经网路与深度学习	本课程将理论加实例介绍 Keras 及图片预处理。

3、深度学习

序号		阶段	课程	说明	其他
1		深度学习	硅谷技术大牛Siraj带你入门深度学习	本课程首先讲解了机器学习、神经网络和深度学习的概念和关系，并展示了如何利用监督学习实现根据大脑重量预测其对应体重；然后介绍了神经网络的架构和类型，并展示了如何使用TFLearn搭建神经网络实现电影数据情感分类器；接着讲解了一些深度学习所需要的数学知识，包含线性代数、统计学和数值计算方法等，同时还讲解了数据集预处理的流程和方法；最后展示了几个有趣的案例，比如图像分类器、股市变动预测、艺术作品和音乐生成等。
2		深度学习	麻省理工学院公开课6.S094：深度学习与自动驾驶	本课程将介绍一些深度学习的方法，比如卷积神经网络CNN、循环神经网络RNN等，并学习如何利用这些方法来帮助提高自动驾驶的各个组件，包括知觉、视觉、定位、映射、控制规划、驾驶状态检测等。同时，课程中包含两个实战项目，第一个是“DeepTraffic”，它的目的是通过控制和设计神经网络的各种参数，来控制模拟小车的驾驶；第二个项目是“DeepTesla”，它的目的是使用端到端学习，将特斯拉汽车驾驶中关于前行道路的数据放入卷积神经网络，以预测汽车的转向角。
3		深度学习	Pytorch Handbook	PyTorch Handbook(在线文档)
4		深度学习	英特尔OpenVINO工具包新特性介绍	OpenVINO是英特尔提供的AI开源工具包，本课程将介绍深度学习的突破和基础，部署深度学习的挑战以及英特尔OpenVINO在2020年发布的2020.1和2020.2新功能特性。

4、应用实战

• https://cloud.tencent.com/edu/learning/courses?p=1&cid=10169