1671 lines
42 KiB
Markdown
1671 lines
42 KiB
Markdown
---
|
||
atlas: "[[Task Tracker]]"
|
||
completed: 40
|
||
created: 2023-07-08 03:18:59
|
||
incomplete: 1233
|
||
modified: 2024-01-23 02:30:49
|
||
tags:
|
||
- Task
|
||
title: 全栈工程师
|
||
total: 1273
|
||
---
|
||
|
||
# GitHub
|
||
|
||
## 尚硅谷 git 快速入门
|
||
|
||
- [x] 教程简介 ✅ 2023-09-14
|
||
- [x] 为什么学习 Git 软件 ✅ 2023-09-14
|
||
- [x] 版本控制 ✅ 2023-09-14
|
||
- [x] 版本控制软件基础功能 ✅ 2023-09-14
|
||
- [x] 集中式、分布式版本控制软件 ✅ 2023-09-14
|
||
- [x] Git 安装 ✅ 2023-09-20
|
||
- [x] GitHub Desktop - 介绍 ✅ 2023-09-20
|
||
- [x] GitHub Desktop - 仓库操作 ✅ 2023-09-20
|
||
- [x] GitHub Desktop - 文件操作 ✅ 2023-09-20
|
||
- [x] GitHub Desktop - 分支原理 ✅ 2023-09-20
|
||
- [x] GitHub Desktop - 分支操作 ✅ 2023-09-20
|
||
- [x] GitHub Desktop - 标签 ✅ 2023-09-20
|
||
- [x] GitHub Desktop - 远程仓库 GitHub ✅ 2023-09-20
|
||
- [x] GitHub Desktop - 远程仓库 Gitee ✅ 2023-09-20
|
||
- [x] GitHub Desktop - README, IGNORE ✅ 2023-09-20
|
||
- [x] GitHub Desktop - 文件图标和比对功能 ✅ 2023-09-20
|
||
- [x] IDEA 集成 - GitHub ✅ 2023-09-20
|
||
- [x] IDEA 集成 - Gitee ✅ 2023-09-20
|
||
- [x] 版本号 - 介绍 ✅ 2023-09-20
|
||
- [x] 版本号 - 文件操作 ✅ 2023-09-20
|
||
- [x] 版本号 - 分支操作 ✅ 2023-09-20
|
||
- [x] 命令 - 介绍 ✅ 2023-09-20
|
||
- [x] 命令 - 仓库操作 ✅ 2023-09-20
|
||
- [x] 命令 - 文件操作 ✅ 2023-09-20
|
||
- [x] 命令 - 文件操作误删除 ✅ 2023-09-20
|
||
- [x] 命令 - 分支操作 ✅ 2023-09-20
|
||
- [x] 命令 - 分支操作合并和冲突 ✅ 2023-09-20
|
||
- [x] 命令 - 标签操作 ✅ 2023-09-20
|
||
- [x] 命令 - 远程仓库 ✅ 2023-09-20
|
||
- [x] 搭建自己的代码托管平台 GitLab ✅ 2023-09-20
|
||
- [x] 总结 ✅ 2023-09-20
|
||
|
||
## 韩顺平 GitHub 教程
|
||
|
||
- [x] 课程内容 ✅ 2023-09-11
|
||
- [x] 创建仓库 ✅ 2023-09-11
|
||
- [x] 上传网站 ✅ 2023-09-11
|
||
- [x] 顶级域名 ✅ 2023-09-11
|
||
- [x] 项目结构 ✅ 2023-09-11
|
||
- [x] 版本比较 ✅ 2023-09-11
|
||
- [x] issues pull action ✅ 2023-09-11
|
||
- [x] 项目板 ✅ 2023-09-11
|
||
- [x] 项目设置 ✅ 2023-09-11
|
||
|
||
# Python
|
||
|
||
## Python for everybody
|
||
|
||
### 人人都会编程
|
||
|
||
#### 为什么要编程
|
||
|
||
- [ ] 欢迎来到 Python
|
||
- [ ] 为什么要编程
|
||
- [ ] 硬件概述
|
||
- [ ] Python 作为一种语言
|
||
- [ ] 编写代码段落
|
||
- [ ] 演示：完成 "Hello World" 作业
|
||
|
||
#### 变量和表达式
|
||
|
||
- [ ] 表达式（1）
|
||
- [ ] 表达式（2）
|
||
- [ ] 表达式（3）
|
||
- [ ] 练习
|
||
|
||
#### 条件代码
|
||
|
||
- [ ] 条件语句
|
||
- [ ] 更多条件语句
|
||
- [ ] 练习
|
||
|
||
#### 函数
|
||
|
||
- [ ] 使用函数
|
||
- [ ] 构造函数
|
||
|
||
#### 循环与迭代
|
||
|
||
- [ ] 循环和迭代
|
||
- [ ] 确定循环
|
||
- [ ] 找出最大值
|
||
- [ ] 循环语句
|
||
- [ ] 练习
|
||
|
||
### Python 数据结构
|
||
|
||
#### 字符串
|
||
|
||
- [ ] 字符串
|
||
- [ ] 操作字符串
|
||
- [ ] 练习
|
||
|
||
#### 文件
|
||
|
||
- [ ] 文件
|
||
- [ ] 处理文件
|
||
- [ ] 练习
|
||
|
||
#### 列表
|
||
|
||
- [ ] 列表
|
||
- [ ] 操作列表
|
||
- [ ] 列表和字符串
|
||
- [ ] 练习
|
||
|
||
#### 字典
|
||
|
||
- [ ] 字典
|
||
- [ ] 用字典计数
|
||
- [ ] 字典和文件
|
||
- [ ] 练习
|
||
|
||
#### 元组
|
||
|
||
- [ ] 元组
|
||
- [ ] 练习
|
||
|
||
### 使用 Python 访问 Web 数据
|
||
|
||
#### 正则表达式
|
||
|
||
- [ ] 正则表达式
|
||
- [ ] 提取数据
|
||
|
||
#### 网络和套接字
|
||
|
||
- [ ] 网络化技术
|
||
- [ ] 超文本传输协议（HTTP）
|
||
- [ ] 示例：套接字
|
||
- [ ] 使用开发者控制台探索HTTP
|
||
|
||
#### 网上冲浪程序
|
||
|
||
- [ ] Unicode 字符和字符串
|
||
- [ ] 检索网页
|
||
- [ ] 示例：使用 Urllib
|
||
- [ ] 解析网页
|
||
- [ ] 示例：使用 beautifulsoap
|
||
|
||
#### 网络服务和 XML
|
||
|
||
- [ ] 网络数据
|
||
- [ ] 可扩展标记语言（XML）
|
||
- [ ] XML Schema
|
||
- [ ] 解析 XML
|
||
- [ ] 示例：XML
|
||
|
||
#### JSON 和 REST 架构
|
||
|
||
- [ ] JavaScript 对象符号（JSON）
|
||
- [ ] 示例：JSON
|
||
- [ ] 面向服务法
|
||
- [ ] 面向服务的架构
|
||
- [ ] 使用应用程序接口
|
||
- [ ] 示例：GroJSON API
|
||
- [ ] 安全 API 请求
|
||
- [ ] 示例：Twitter API
|
||
|
||
### 使用 Python 操作数据库
|
||
|
||
#### 面向对象的 Python
|
||
|
||
- [ ] 面向对象的定义和术语
|
||
- [ ] 我们的第一个类和对象
|
||
- [ ] 对象生命周期
|
||
- [ ] 对象继承
|
||
|
||
#### 基础结构化查询语言
|
||
|
||
- [ ] 关系型数据库
|
||
- [ ] 使用数据库
|
||
- [ ] 单表 CRUD
|
||
- [ ] 示例：计算数据库中的电子邮件
|
||
|
||
#### 数据模型和关系型 SQL
|
||
|
||
- [ ] 设计数据模型
|
||
- [ ] 用表格表示数据模型
|
||
- [ ] 插入管信息数据
|
||
- [ ] 使用 JOIN 重构数据
|
||
- [ ] 示例：Tracks.py
|
||
|
||
#### SQL 中的多对多关系
|
||
|
||
- [ ] 多对多关系
|
||
- [ ] 示例：roster.py
|
||
- [ ] 示例：Twfriends. py
|
||
|
||
#### 数据库和可视化
|
||
|
||
- [ ] 地理编码
|
||
- [ ] 地理编码可视化
|
||
- [ ] 示例：地理数据
|
||
|
||
### 使用 Python 检索、处理和可视化数据
|
||
|
||
#### 建立搜索引擎
|
||
|
||
- [ ] 网页排名概述
|
||
- [ ] 示例：网页排名-爬虫
|
||
- [ ] 示例：网页排名-计算
|
||
- [ ] 示例：网页排名-可视化
|
||
|
||
#### 搜索和模拟电子邮件数据
|
||
|
||
- [ ] Gmane 简介
|
||
- [ ] 示例：邮件检索
|
||
- [ ] 示例：邮件模型
|
||
|
||
#### 电子邮件数据可视化
|
||
|
||
- [ ] 示例：邮件可视化
|
||
|
||
## 黑马程序员
|
||
|
||
- [ ] 初识 python
|
||
- [ ] 什么是编程语言
|
||
- [ ] Python 环境安装
|
||
- [ ] 第一个 Python 程序 - Hello World
|
||
- [ ] 第一个 Python 程序 - 练习讲解
|
||
- [ ] 第一个 Python 程序 - 常见问题解答
|
||
- [ ] Python 解释器
|
||
- [ ] PyCharm 开发工具的安装和基础使用
|
||
- [ ] PyCharm 的基础使用
|
||
- [ ] 第一章重点内容回顾
|
||
- [ ] 字面量
|
||
- [ ] 注释
|
||
- [ ] 变量
|
||
- [ ] 数据类型
|
||
- [ ] 数据类型转换
|
||
- [ ] 标识符
|
||
- [ ] 运算符
|
||
- [ ] 字符串的三种定义方式
|
||
- [ ] 字符串的拼接
|
||
- [ ] 字符串的格式化
|
||
- [ ] 字符串格式化的精度控制
|
||
- [ ] 字符串格式化的方式 2
|
||
- [ ] 对表达式进行格式化
|
||
- [ ] 字符串格式化练习题讲解
|
||
- [ ] 数据输入（input 语句）
|
||
- [ ] 布尔类型和比较运算符
|
||
- [ ] if 语句的基本格式
|
||
- [ ] 【案例】成年人判断讲解
|
||
- [ ] if else 组合判断语句
|
||
- [ ] 【案例】我要买票吗讲解
|
||
- [ ] if elif else 组合使用的语法
|
||
- [ ] 【案例】猜猜心里数字讲解
|
||
- [ ] 判断语句的嵌套
|
||
- [ ] 判断语句综合案例
|
||
- [ ] while 循环的基础应用
|
||
- [ ] 【案例】求 1-100 的和讲解
|
||
- [ ] while 循环猜数字案例
|
||
- [ ] while 循环的嵌套应用
|
||
- [ ] 【案例】九九乘法表
|
||
- [ ] for 循环的基础语法
|
||
- [ ] 【案例】数一数多少字母 a 详解
|
||
- [ ] range 语句
|
||
- [ ] for 循环临时变量作用域
|
||
- [ ] for 循环的嵌套使用
|
||
- [ ] for 循环打印九九乘法表
|
||
- [ ] continue 和 break
|
||
- [ ] 循环综合案例
|
||
- [ ] 函数的初体验
|
||
- [ ] 函数的基础定义语法
|
||
- [ ] 函数基础定义练习案例
|
||
- [ ] 函数的传入参数
|
||
- [ ] 函数的参数练习案例
|
||
- [ ] 函数的返回值自定义语法
|
||
- [ ] 函数返回值之 None 类型
|
||
- [ ] 函数的说明文档
|
||
- [ ] 函数的嵌套调用
|
||
- [ ] 变量在函数中的作用域
|
||
- [ ] 函数综合案例
|
||
- [ ] 数据容器入门
|
||
- [ ] 列表的定义语法
|
||
- [ ] 列表的下标索引
|
||
- [ ] 列表的常用操作方法
|
||
- [ ] 列表的常用操作课后练习讲解
|
||
- [ ] 列表的循环遍历
|
||
- [ ] 元组的定义和操作
|
||
- [ ] 字符串的定义和操作
|
||
- [ ] 字符串的课后练习讲解
|
||
- [ ] 数据容器（序列）的切片
|
||
- [ ] 序列的切片课后练习讲解
|
||
- [ ] 集合的定义和操作
|
||
- [ ] 集合的课后练习
|
||
- [ ] 字典的定义
|
||
- [ ] 字典的常用操作
|
||
- [ ] 字典课后联系讲解
|
||
- [ ] 五类数据容器的总结对比
|
||
- [ ] 数据容器的通用操作
|
||
- [ ] 字符串大小比较的方式
|
||
- [ ] 函数的多返回值
|
||
- [ ] 函数的多种参数使用形式
|
||
- [ ] 函数作为参数传递
|
||
- [ ] lambda 匿名函数
|
||
- [ ] 文件编码概念
|
||
- [ ] 文件的读取操作
|
||
- [ ] 文件读取的课后练习讲解
|
||
- [ ] 文件的写出操作
|
||
- [ ] 文件的追加写入操作
|
||
- [ ] 文件操作的综合案例
|
||
- [ ] 了解异常
|
||
- [ ] 异常的捕获
|
||
- [ ] 异常的传递性
|
||
- [ ] 模块的概念和导入
|
||
- [ ] 自定义模块并导入
|
||
- [ ] 自定义 Python 包
|
||
- [ ] 安装第三方包
|
||
- [ ] 异常、模块、包综合案例讲解
|
||
- [ ] 案例介绍
|
||
- [ ] JSON 数据格式的转换
|
||
- [ ] pyecharts 的入门使用
|
||
- [ ] 数据准备
|
||
- [ ] 生成折线图
|
||
- [ ] 数据可视化案例 - 地图
|
||
- [ ] 全国疫情地图构建
|
||
- [ ] 河南省疫情地图绘制
|
||
- [ ] 基础柱状图构建
|
||
- [ ] 基础时间线柱状图绘制
|
||
- [ ] 动态 GDP 柱状图绘制
|
||
- [ ] 初识对象
|
||
- [ ] 类的成员方法
|
||
- [ ] 类和对象
|
||
- [ ] 构造方法
|
||
- [ ] 魔术方法
|
||
- [ ] 封装
|
||
- [ ] 封装的课后练习题讲解
|
||
- [ ] 继承的基础语法
|
||
- [ ] 复写父类成员和调用父类成员
|
||
- [ ] 变量的类型注解
|
||
- [ ] 函数和方法类型注解
|
||
- [ ] Union 联合类型注解
|
||
- [ ] 多态
|
||
- [ ] 数据分析案例步骤 1 文件读取
|
||
- [ ] 数据分析案例步骤 2 数据计算
|
||
- [ ] 数据分析案例步骤 3 可视化开发
|
||
- [ ] SQL 章节前言
|
||
- [ ] 数据库介绍
|
||
- [ ] MySQL 安装
|
||
- [ ] MySQL 的入门使用
|
||
- [ ] SQL 基础和 DDL
|
||
- [ ] SQL - DQL - 基础查询
|
||
- [ ] SQL - DQL - 分组聚合
|
||
- [ ] SQL - DQL - 排序分页
|
||
- [ ] Python 操作 MySQL 基础使用
|
||
- [ ] Python 操作 MySQL 数据插入
|
||
- [ ] 综合案例
|
||
- [ ] PySpark 实战前言介绍
|
||
- [ ] 基础准备
|
||
- [ ] 数据输入
|
||
- [ ] 数据计算 - map 方法
|
||
- [ ] 数据计算 - flatmap 方法
|
||
- [ ] 数据计算 - reducebykey 方法
|
||
- [ ] 数据计算 - 练习案例 1
|
||
- [ ] 数据计算 - filter 方法
|
||
- [ ] 数据计算 - distinct 方法
|
||
- [ ] 数据计算 - sortby 方法
|
||
- [ ] 数据计算 - 练习案例 2
|
||
- [ ] 数据输出 - 输出为 Python 对象
|
||
- [ ] 数据输出 - 输出到文件中
|
||
- [ ] 综合案例
|
||
- [ ] 大数据分布式集群运行综合案例代码
|
||
- [ ] 闭包
|
||
- [ ] 装饰器
|
||
- [ ] 设计模式 - 单例模式
|
||
- [ ] 设计模式 - 工厂模式
|
||
- [ ] 多线程并行执行概念
|
||
- [ ] 多线程编程
|
||
- [ ] Socket 服务端开发
|
||
- [ ] Socket 客户端开发
|
||
- [ ] 正则表达式 - 基础方法
|
||
- [ ] 正则表达式 - 元字符匹配
|
||
- [ ] 递归
|
||
|
||
# 爬虫
|
||
|
||
## Genji
|
||
|
||
- [ ] 课程介绍
|
||
- [ ] 快速易懂 Python 入门
|
||
- [ ] 爬虫的流程？从入门到入狱？
|
||
- [ ] 什么是 HTTP 请求和相应？
|
||
- [ ] 如何用 Python Requests 发送请求
|
||
- [ ] 如何用 Python Requests 拿到豆瓣源码
|
||
- [ ] 什么是 HTML 网页结构
|
||
- [ ] HTML 有哪些常见标签
|
||
- [ ] 练习 HTML 常见标签
|
||
- [ ] 如何用 Beautiful Soup 解析 HTML 内容
|
||
- [ ] 从源码获取豆瓣电影 TOP250
|
||
- [ ] 下一步是什么？
|
||
|
||
# 数据分析
|
||
|
||
## Google 数据分析
|
||
|
||
### 基础：无处不在的数据
|
||
|
||
#### 介绍数据分析和分析思维
|
||
|
||
- [ ] 欢迎
|
||
- [ ] 课程介绍
|
||
- [ ] 日常生活中的数据分析
|
||
- [ ] 数据分析的维度
|
||
- [ ] 什么是数据生态系统
|
||
- [ ] 数据如何帮助做出更好的决策
|
||
- [ ] 发现数据技能集
|
||
- [ ] 数据分析师的关键技能
|
||
- [ ] 关于分析思维
|
||
- [ ] 探索核心分析技能
|
||
- [ ] 数据驱动成功结果
|
||
- [ ] 见证数据魔术
|
||
- [ ] 接下来会发生什么
|
||
|
||
#### 数据的精彩世界
|
||
|
||
- [ ] 了解数据阶段和工具
|
||
- [ ] 数据生命周期的各个阶段
|
||
- [ ] 六个数据分析阶段
|
||
- [ ] 数据分析过程示例
|
||
- [ ] 探索数据分析师工具
|
||
|
||
#### 建立数据分析工具箱
|
||
|
||
- [ ] 核心数据工具的来龙去脉
|
||
- [ ] 让电子表格成为你的朋友
|
||
- [ ] SQL 的实际应用
|
||
- [ ] 每天学习新技能都面临困难
|
||
- [ ] 成为数据可视化专家
|
||
- [ ] 数据可视化的力量
|
||
|
||
#### 成为公平且有影响力的数据专家
|
||
|
||
- [ ] 言归正传
|
||
- [ ] 数据分析师的工作
|
||
- [ ] 成为数据分析师的道路
|
||
- [ ] 支持数据分析领域的职业发展
|
||
- [ ] 数据在商业中的力量
|
||
- [ ] 数据侦探
|
||
- [ ] 了解数据和公平
|
||
- [ ] 公平和合乎道德的数据决策
|
||
- [ ] 不同行业的数据分析师
|
||
- [ ] 面试最佳做法
|
||
- [ ] 课程小结
|
||
|
||
### 提出问题以做出数据驱动的决策
|
||
|
||
#### 提出有效问题
|
||
|
||
- [ ] 解决问题和有效提问的入门
|
||
- [ ] 实际应用中的数据
|
||
- [ ] 数据处理流程
|
||
- [ ] 常见问题类型
|
||
- [ ] 继续探索业务应用
|
||
- [ ] 从假设到结果
|
||
- [ ] 明智的问题
|
||
- [ ] 数据开启大门
|
||
|
||
#### 做出数据驱动的决策
|
||
|
||
- [ ] 数据和决策
|
||
- [ ] 数据如何赋能决策
|
||
- [ ] 定性和定量数据
|
||
- [ ] 分享您的发现
|
||
- [ ] 数据与指标
|
||
- [ ] 数学思维
|
||
|
||
#### 电子表格的魔力
|
||
|
||
- [ ] 令人惊叹的电子表格
|
||
- [ ] 开始使用电子表格
|
||
- [ ] 基本电子表格任务
|
||
- [ ] 成功公式
|
||
- [ ] 函数 101
|
||
- [ ] 解决问题之前先理解它
|
||
- [ ] 工作范围和结构化思维
|
||
- [ ] 保持客观
|
||
|
||
#### 永远记住利益相关者
|
||
|
||
- [ ] 与你的团队保持沟通
|
||
- [ ] 平衡团队的需求和期望
|
||
- [ ] 专注于重要的事情
|
||
- [ ] 清晰的沟通是关键
|
||
- [ ] 有效沟通技巧
|
||
- [ ] 在项目目标间平衡期望值和现实
|
||
- [ ] 如何与利益相关者沟通
|
||
- [ ] 数据权衡：速度与准确性
|
||
- [ ] 思考你的流程和产出
|
||
- [ ] 满足最佳实践
|
||
- [ ] 加入新团队
|
||
- [ ] 从冲突到合作
|
||
- [ ] 来自美国海军陆战队的数据分析
|
||
- [ ] 课程小结
|
||
|
||
### 为探索准备数据
|
||
|
||
#### 数据类型和结构
|
||
|
||
- [ ] 数据探索入门
|
||
- [ ] 令人着迷的数据洞察力
|
||
- [ ] 我们世界的数据收集
|
||
- [ ] 确定要收集什么数据
|
||
- [ ] 探索数据格式
|
||
- [ ] 继续探索结构化数据
|
||
- [ ] 了解你正在使用的数据类型
|
||
- [ ] 数据表组件
|
||
- [ ] 满足宽表和长表
|
||
|
||
#### 数据可靠性
|
||
|
||
- [ ] 偏见、可信度、隐私和道德入门
|
||
- [ ] 偏差：从问题到结论
|
||
- [ ] 有偏差和无偏差的数据
|
||
- [ ] 了解数据中的偏差
|
||
- [ ] 确定好的数据源
|
||
- [ ] 什么是坏数据
|
||
- [ ] 基本数据伦理
|
||
- [ ] 数据伦理的重要性
|
||
- [ ] 优先考虑数据隐私
|
||
- [ ] 合乎道德地使用数据
|
||
- [ ] 开放数据的特点
|
||
- [ ] 合乎道德的数据使用步骤
|
||
|
||
#### 数据库要点
|
||
|
||
- [ ] 关于数据库的一切
|
||
- [ ] 数据库特性和组件
|
||
- [ ] 揭开元数据的神秘面纱
|
||
- [ ] 用元数据管理数据
|
||
- [ ] 元数据的乐趣
|
||
- [ ] 这么多地方可以找到数据
|
||
- [ ] 从电子表格和数据库导入数据
|
||
- [ ] 排序和过滤，以集中处理相关数据
|
||
- [ ] 了解 BigQuery，包括沙盒和计费选项
|
||
- [ ] BigQuery 实际应用
|
||
|
||
#### 整理和保护数据
|
||
|
||
- [ ] 对你的数据充满信心
|
||
- [ ] 让我们整理起来
|
||
- [ ] 电子表格中的安全功能
|
||
|
||
#### 参与数据社区
|
||
|
||
- [ ] 管理您作为数据分析师的存在
|
||
- [ ] 为什么在线展示很重要
|
||
- [ ] 提升在线形象的技巧
|
||
- [ ] 网络知识
|
||
- [ ] 导师制的好处
|
||
- [ ] 导师是关键
|
||
- [ ] 课程小结
|
||
|
||
### 从脏数据到干净数据的处理
|
||
|
||
#### 数据完整性的重要性
|
||
|
||
- [ ] 数据完整性入门
|
||
- [ ] 为什么数据完整性很重要
|
||
- [ ] 平衡目标与数据完整性
|
||
- [ ] 处理不足的数据
|
||
- [ ] 样本量的重要性
|
||
- [ ] 使用统计能力
|
||
- [ ] 确定最佳样本量
|
||
- [ ] 评估数据完整性
|
||
|
||
#### 清洗数据以获得更准确的洞察力
|
||
|
||
- [ ] 清洗
|
||
- [ ] 为什么数据清洗至关重要
|
||
- [ ] 我喜欢清洗数据
|
||
- [ ] 识别并修复脏数据
|
||
- [ ] 数据清洗工具和技术
|
||
- [ ] 清洗来自多个来源的数据
|
||
- [ ] 电子表格中的数据清洗功能
|
||
- [ ] 优化数据清洗流程
|
||
- [ ] 不同的数据视角
|
||
- [ ] 更多数据清洗技术
|
||
|
||
#### 使用 SQL 进行数据清洗
|
||
|
||
- [ ] 使用 SQL 进行数据清洗
|
||
- [ ] 对 SQL 的热爱
|
||
- [ ] 理解 SQL 的功能
|
||
- [ ] 电子表格与 SQL
|
||
- [ ] 广泛使用的 SQL 查询
|
||
- [ ] 体验 SQL 的乐趣
|
||
- [ ] 使用 SQL 清洗字符串变量
|
||
- [ ] 高级数据清洗函数（1）
|
||
- [ ] 高级数据清洗函数（2）
|
||
|
||
#### 核实与报告清洁结果
|
||
|
||
- [ ] 核实与报告结果
|
||
- [ ] 确认数据清洗符合业务预期
|
||
- [ ] 核实数据清洗
|
||
- [ ] 捕捉清洗变化
|
||
- [ ] 为什么文档很重要
|
||
- [ ] 反馈和清洗
|
||
|
||
#### 添加数据到你的简历中
|
||
|
||
- [ ] 关于数据分析师招聘流程
|
||
- [ ] 数据分析师职位申请
|
||
- [ ] 制作简历
|
||
- [ ] 使你的简历独一无二
|
||
- [ ] 黑人和非裔美国人融入数据行业
|
||
- [ ] 翻译过去的工作经验
|
||
- [ ] 我的数据分析师之路
|
||
- [ ] 你的兴趣在哪里
|
||
- [ ] 课程小结
|
||
|
||
### 分析数据回答问题
|
||
|
||
#### 整理数据以进行更有效的分析
|
||
|
||
- [ ] 整理入门
|
||
- [ ] 分析过程
|
||
- [ ] 坚持不懈
|
||
- [ ] 总是需要整理
|
||
- [ ] 使用 SQL 筛选数据
|
||
- [ ] 对电子表格中的数据进行排序
|
||
- [ ] 在电子表格中使用排序函数
|
||
- [ ] 有意义的职业之旅
|
||
- [ ] 使用 SQL 排序数据
|
||
|
||
#### 格式化和调整数据
|
||
|
||
- [ ] 数据格式化入门
|
||
- [ ] 从一种类型到另一种类型
|
||
- [ ] 数据验证
|
||
- [ ] 条件格式化
|
||
- [ ] 合并文本字符串以获得洞察力
|
||
- [ ] 电子表格中的字符串
|
||
- [ ] 当你陷入困境时
|
||
- [ ] 关于分析阶段的一切
|
||
- [ ] 遇到挑战不用担心
|
||
- [ ] 何时使用哪种工具
|
||
|
||
#### 汇总分析数据
|
||
|
||
- [ ] 汇总数据进行分析
|
||
- [ ] 准备 VLOOKUP
|
||
- [ ] VLOOKUP 的实际应用
|
||
- [ ] 识别并修复常见的 VLOOKUP 错误
|
||
- [ ] 探索 JOIN 的如何运作
|
||
- [ ] 嵌套查询
|
||
- [ ] 使用子查询汇总数据
|
||
- [ ] 数据分析带您去往何处
|
||
|
||
#### 执行数据计算
|
||
|
||
- [ ] 数据计算
|
||
- [ ] 常用计算公式
|
||
- [ ] 函数和条件
|
||
- [ ] 复合函数
|
||
- [ ] 开始使用数据透视表
|
||
- [ ] 数据透视表续
|
||
- [ ] 查询与计算
|
||
- [ ] 在 SQL 中嵌入简单计算
|
||
- [ ] 与其他语句的计算
|
||
- [ ] 检查和重新检查
|
||
- [ ] 临时表
|
||
- [ ] 多表变体
|
||
- [ ] 课程小结
|
||
|
||
### 通过可视化艺术共享数据
|
||
|
||
#### 数据可视化
|
||
|
||
- [ ] 数据洞察交流入门
|
||
- [ ] 数据可视化的力量
|
||
- [ ] 数据可视化为何重要
|
||
- [ ] 连接图像与数据
|
||
- [ ] 强大可视化的秘诀
|
||
- [ ] 动态可视化
|
||
- [ ] 艺术元素
|
||
- [ ] 数据可视化的影响
|
||
- [ ] 设计思维和可视化
|
||
- [ ] 无障碍可视化
|
||
- [ ] 让数据易于访问
|
||
|
||
#### 使用 Tablesu 创建数据可视化
|
||
|
||
- [ ] 使用 Tablesu 进行数据可视化
|
||
- [ ] Tableau Public 和其他在线工具
|
||
- [ ] 了解 Tableau
|
||
- [ ] 在 Tableau 中创建数据可视化
|
||
- [ ] 优化数据可视化的调色板
|
||
- [ ] 发挥创意
|
||
- [ ] 在 Tableau 中链接多个数据集
|
||
|
||
#### 制作数据故事
|
||
|
||
- [ ] 制作数据故事
|
||
- [ ] 将想法变为现实
|
||
- [ ] 与观众交谈
|
||
- [ ] 数据新闻
|
||
- [ ] Tableau 仪表盘基础知识
|
||
- [ ] 从过滤器到图表
|
||
- [ ] 引人入胜的演示技巧
|
||
- [ ] 分享叙述
|
||
- [ ] 如何应对冒名顶替综合症
|
||
|
||
#### 制作演示文稿和幻灯片
|
||
|
||
- [ ] 把各种数据组合起来
|
||
- [ ] 使用框架进行演示
|
||
- [ ] 将数据融入演示中
|
||
- [ ] 新数据分析师的演示技能
|
||
- [ ] 杂乱无章的数据演示案例
|
||
- [ ] 良好的数据演示案例
|
||
- [ ] 行之有效的演示技巧
|
||
- [ ] 像专业人员一样演示
|
||
- [ ] 预测问题
|
||
- [ ] 处理异议
|
||
- [ ] 最佳问答技巧
|
||
- [ ] 成为数据翻译专家
|
||
- [ ] 课程小结
|
||
|
||
### 使用 R 编程进行数据分析
|
||
|
||
#### 编程和数据分析
|
||
|
||
- [ ] 精彩编程世界入门
|
||
- [ ] R 语言的乐趣
|
||
- [ ] R 语言入门
|
||
- [ ] 编程语言
|
||
- [ ] R 语言简介
|
||
- [ ] RStudio 入门
|
||
|
||
#### 使用 RStudio 编程
|
||
|
||
- [ ] 使用 RStudio 编程
|
||
- [ ] 编程基础
|
||
- [ ] 运算符和计算
|
||
- [ ] 源源不断的礼物
|
||
- [ ] 欢迎来到 tidyverse
|
||
- [ ] 有关 tidyverse 的更多信息
|
||
- [ ] 使用管道
|
||
- [ ] 编程技巧
|
||
|
||
#### 用 R 处理数据
|
||
|
||
- [ ] R 中的数据
|
||
- [ ] R 数据框架
|
||
- [ ] 使用数据框架
|
||
- [ ] 清洗基础工作
|
||
- [ ] 整理你的数据
|
||
- [ ] 转换数据
|
||
- [ ] 相同数据不同结果
|
||
- [ ] 偏差函数
|
||
|
||
#### 更多关于可视化、美学和注释的内容
|
||
|
||
- [ ] R 中的可视化
|
||
- [ ] R 和 tidyverse 中的可视化基础
|
||
- [ ] 开始使用 ggplot
|
||
- [ ] 通往人力资源分析的职业道路
|
||
- [ ] 在 R 中增强可视化
|
||
- [ ] 使用 ggplot 做更多事情
|
||
- [ ] 美学与切面
|
||
- [ ] 注释层
|
||
- [ ] 保存你的可视化
|
||
|
||
#### 文档和报告
|
||
|
||
- [ ] 文档和报告
|
||
- [ ] R Markdown 概述
|
||
- [ ] 在 RStudio 中使用 R Markdown
|
||
- [ ] Markdown 文档结构
|
||
- [ ] 编程增强能力
|
||
- [ ] 更多文档元素
|
||
- [ ] 代码块
|
||
- [ ] 导出文档
|
||
|
||
### 结业项目
|
||
|
||
#### 结业项目介绍
|
||
|
||
- [ ] 结业项目介绍
|
||
- [ ] 雇主寻找什么样的数据分析师
|
||
- [ ] 同类最佳
|
||
|
||
#### 创建你的作品集
|
||
|
||
- [ ] 开始案例研究
|
||
- [ ] 分析案例研究的无限潜力
|
||
- [ ] 分享你的作品集
|
||
|
||
#### 使用你的作品集
|
||
|
||
- [ ] 讨论你的作品集
|
||
- [ ] 情景视频：介绍
|
||
- [ ] 情景视频：案例研究
|
||
- [ ] 情景视频：解决问题
|
||
- [ ] 情景视频：谈判条款
|
||
- [ ] 向兽医提供建议
|
||
|
||
## Google 高级数据分析
|
||
|
||
### 数据科学基础
|
||
|
||
### Python 入门
|
||
|
||
### 超越数字：将数据转化为洞察
|
||
|
||
### 统计的力量
|
||
|
||
### 回归分析：简化复杂的数据关系
|
||
|
||
### 机器学习的基础知识
|
||
|
||
### 结业项目
|
||
|
||
## IBM 数据分析师
|
||
|
||
### 数据分析入门
|
||
|
||
### 数据分析 Excel 基础
|
||
|
||
### 使用 Excel 和 Cognos 实现数据可视化和仪表盘
|
||
|
||
### 用于数据科学、人工智能和开发的 Python
|
||
|
||
### 数据科学 Python 项目
|
||
|
||
### 使用 Python 的数据科学数据库和 SQL
|
||
|
||
### 使用 Python 进行数据分析
|
||
|
||
### 使用 Python 进行数据可视化
|
||
|
||
### 结业项目
|
||
|
||
## IBM 数据科学
|
||
|
||
### 什么是数据科学
|
||
|
||
### 数据科学工具
|
||
|
||
### 数据科学方法论
|
||
|
||
### 用于数据科学、人工智能和开发的 Python
|
||
|
||
### 数据科学 Python 项目
|
||
|
||
### 使用 Python 的数据科学数据库和 SQL
|
||
|
||
### 使用 Python 进行数据分析
|
||
|
||
### 使用 Python 进行数据可视化
|
||
|
||
### 使用 Python 进行机器学习
|
||
|
||
### 结业项目
|
||
|
||
# 机器学习
|
||
|
||
## 有监督的机器学习：回归与分类
|
||
|
||
### 机器学习入门
|
||
|
||
- [ ] 课程介绍
|
||
- [ ] 机器学习应用
|
||
- [ ] 机器学习定义
|
||
- [ ] 监督学习（1）
|
||
- [ ] 监督学习（2）
|
||
- [ ] 无监督学习（1）
|
||
- [ ] 无监督学习（2）
|
||
- [ ] Jupyter notebooks
|
||
- [ ] 线性回归模型（1）
|
||
- [ ] 线性回归模型（2）
|
||
- [ ] 代价函数公式
|
||
- [ ] 理解代价函数
|
||
- [ ] 可视化代价函数
|
||
- [ ] 可视化举例
|
||
- [ ] 梯度下降
|
||
- [ ] 梯度下降的实现
|
||
- [ ] 理解梯度下降
|
||
- [ ] 学习率
|
||
- [ ] 用于线性回归的梯度下降法
|
||
- [ ] 运行梯度下降
|
||
|
||
### 多元线性回归
|
||
|
||
- [ ] 多维特征
|
||
- [ ] 向量化（1）
|
||
- [ ] 向量化（2）
|
||
- [ ] 用于多元线性回归的梯度下降法
|
||
- [ ] 特征缩放（1）
|
||
- [ ] 特征缩放（2）
|
||
- [ ] 判断梯度下降是否收敛
|
||
- [ ] 如何设置学习率
|
||
- [ ] 特征工程
|
||
- [ ] 多项式回归
|
||
|
||
### 分类
|
||
|
||
- [ ] 动机
|
||
- [ ] 逻辑回归
|
||
- [ ] 决策边界
|
||
- [ ] 逻辑回归中的代价函数
|
||
- [ ] 简化逻辑回归代价函数
|
||
- [ ] 实现梯度下降
|
||
- [ ] 过拟合问题
|
||
- [ ] 解决过拟合
|
||
- [ ] 正则化
|
||
- [ ] 用于线性回归的正则方法
|
||
- [ ] 用于逻辑回归的正则方法
|
||
- [ ] Andrew Ng 和 Fei-Fei Li 谈以人为中心的人工智能
|
||
|
||
## 高级学习算法
|
||
|
||
### 神经网络
|
||
|
||
- [ ] 欢迎
|
||
- [ ] 神经元和大脑
|
||
- [ ] 需求预测
|
||
- [ ] 示例：图像感知
|
||
- [ ] 神经网络层
|
||
- [ ] 更复杂的神经网络
|
||
- [ ] 神经网络向前传播
|
||
- [ ] 如何用代码实现推理
|
||
- [ ] Tensorflow 中数据形式
|
||
- [ ] 搭建一个神经网络
|
||
- [ ] 单个网络层上的前向传播
|
||
- [ ] 前向传播的一般实现
|
||
- [ ] 强人工智能
|
||
- [ ] 神经网络为何如此高效
|
||
- [ ] 矩阵乘法
|
||
- [ ] 矩阵乘法规则
|
||
- [ ] 矩阵乘法代码
|
||
|
||
### 神经网络训练
|
||
|
||
- [ ] Tensorflow 实现
|
||
- [ ] 模型训练细节
|
||
- [ ] Sigmoid 激活函数的替代方案
|
||
- [ ] 如何选择激活函数
|
||
- [ ] 为什么模型需要激活函数
|
||
- [ ] 多分类问题
|
||
- [ ] Softmax
|
||
- [ ] 神经网络的 Softmax 输出
|
||
- [ ] Softmax 的改进实现
|
||
- [ ] 多个输出的分类
|
||
- [ ] 高级优化方法
|
||
- [ ] 其它的网络层类型
|
||
- [ ] 什么是导数
|
||
- [ ] 计算图
|
||
- [ ] 大型神经网络案例
|
||
|
||
### 应用机器学习的建议
|
||
|
||
- [ ] 决定下一步做什么
|
||
- [ ] 模型评估
|
||
- [ ] 模型选择和交叉验证测试集的训练方法
|
||
- [ ] 通过偏差与方法进行诊断
|
||
- [ ] 正则化、偏差、方差
|
||
- [ ] 指定一个用于性能评估的基准
|
||
- [ ] 学习曲线
|
||
- [ ] 决定下一步做什么
|
||
- [ ] 方差与偏差
|
||
- [ ] 机器学习开发的迭代
|
||
- [ ] 误差分析
|
||
- [ ] 添加更多数据
|
||
- [ ] 迁移学习 - 使用其他任务中的数据
|
||
- [ ] 机器学习项目的完整周期
|
||
- [ ] 公平、偏见与伦理
|
||
- [ ] 倾斜数据集的误差指标
|
||
- [ ] 精确率与召回率的权衡
|
||
|
||
### 决策树
|
||
|
||
- [ ] 决策树模型
|
||
- [ ] 学习过程
|
||
- [ ] 纯度
|
||
- [ ] 选择拆分信息增益
|
||
- [ ] 整合
|
||
- [ ] 独热编码 One-hot
|
||
- [ ] 连续有价值的功能
|
||
- [ ] 回归树
|
||
- [ ] 使用多个决策树
|
||
- [ ] 有放回抽样
|
||
- [ ] 随机森林
|
||
- [ ] XGBoost
|
||
- [ ] 何时使用决策树
|
||
|
||
## 无监督学习、推荐器、强化学习
|
||
|
||
### 无监督学习
|
||
|
||
- [ ] 欢迎
|
||
- [ ] 什么是聚类
|
||
- [ ] K-means 直观理解
|
||
- [ ] K-means 算法
|
||
- [ ] 优化目标
|
||
- [ ] 初始化 K-means
|
||
- [ ] 选择聚类数量
|
||
- [ ] 发现异常事件
|
||
- [ ] 高斯正态分布
|
||
- [ ] 异常检测算法
|
||
- [ ] 开发与评估异常检测系统
|
||
- [ ] 异常检测与监督学习对比
|
||
- [ ] 选择使用什么特征
|
||
|
||
### 推荐系统
|
||
|
||
- [ ] 提出建议
|
||
- [ ] 使用每个特征
|
||
- [ ] 协同过滤算法
|
||
- [ ] 二进制标签
|
||
- [ ] 均值归一化
|
||
- [ ] 协同过滤 Tensorflow 实现
|
||
- [ ] 寻找相关特征
|
||
- [ ] 协同过滤与基于内容过滤对比
|
||
- [ ] 基于内容过滤的深度学习方法
|
||
- [ ] 从大型目录中推荐
|
||
- [ ] 推荐系统中的伦理
|
||
- [ ] 基于内容过滤的 Tensorflow 实现
|
||
- [ ] 降低特征数量
|
||
- [ ] PCA 算法
|
||
- [ ] PCA 代码实现
|
||
|
||
### 强化学习
|
||
|
||
- [ ] 什么是强化学习
|
||
- [ ] 示例：火星探测器
|
||
- [ ] 强化学习的回报
|
||
- [ ] 决策：强化学习的策略
|
||
- [ ] 审查关键概念
|
||
- [ ] 动作价值函数定义
|
||
- [ ] 动作价值函数示例
|
||
- [ ] 贝尔曼方程
|
||
- [ ] random stochastic environment
|
||
- [ ] 示例：连续状态空间应用
|
||
- [ ] 登月器
|
||
- [ ] 学习状态值函数
|
||
- [ ] 改进的神经网络架构
|
||
- [ ] ϵ贪婪策略
|
||
- [ ] 小批量和软更新
|
||
- [ ] 强化学习的状态
|
||
- [ ] 课程总结和致谢
|
||
- [ ] 吴恩达和切尔西芬谈人工智能和机器人技术
|
||
|
||
# 深度学习
|
||
|
||
## 神经网络和深度学习
|
||
|
||
### 深度学习简介
|
||
|
||
- [ ] 欢迎
|
||
- [ ] 什么是神经网络
|
||
- [ ] 用神经网络进行监督学习
|
||
- [ ] 为什么深度学习会兴起
|
||
- [ ] 关于这门课
|
||
- [ ] 杰弗里辛顿访谈
|
||
- [ ] 课程资源
|
||
|
||
### 神经网络基础知识
|
||
|
||
- [ ] 二分类
|
||
- [ ] logistic 回归
|
||
- [ ] logistic 回归成本函数
|
||
- [ ] 梯度下降法
|
||
- [ ] 导数
|
||
- [ ] 更多导数的例子
|
||
- [ ] 计算图
|
||
- [ ] 使用计算图求导
|
||
- [ ] logistic 回归中的梯度下降
|
||
- [ ] m 个样本的梯度下降
|
||
- [ ] 向量化
|
||
- [ ] 向量化的更多例子
|
||
- [ ] 向量化 logistic 回归
|
||
- [ ] 向量化 logistic 回归的梯度输出
|
||
- [ ] Python 中的广播
|
||
- [ ] 关于 Python_numpy 向量的说明
|
||
- [ ] Jupyter_ipython 笔记本的快速指南
|
||
- [ ] logistic 成本函数的解释
|
||
- [ ] 彼得阿贝尔访谈
|
||
|
||
### 浅层神经网络
|
||
|
||
- [ ] 神经网络概览
|
||
- [ ] 神经网络表示
|
||
- [ ] 计算神经网络的输出
|
||
- [ ] 多个样本的向量化
|
||
- [ ] 向量化实现的解释
|
||
- [ ] 激活函数
|
||
- [ ] 为什么需要非线性激活函数
|
||
- [ ] 激活函数的导数
|
||
- [ ] 神经网络的梯度下降法
|
||
- [ ] 直观理解反向传播
|
||
- [ ] 随机初始化
|
||
- [ ] 伊恩古德费洛访谈
|
||
|
||
### 深度神经网络
|
||
|
||
- [ ] 深层神经网络
|
||
- [ ] 前向和反向传播
|
||
- [ ] 深层网络中的前向传播
|
||
- [ ] 正确设置矩阵维度
|
||
- [ ] 为什么使用深层表示
|
||
- [ ] 搭建深层神经网络块
|
||
- [ ] 参数 VS 超参数
|
||
- [ ] 这和大脑有什么关系
|
||
|
||
## 改进深度神经网络：超参数调整、正则化和优化
|
||
|
||
### 深度学习的实践方面
|
||
|
||
- [ ] 训练集 / 开发集 / 测试集
|
||
- [ ] 偏差 / 方差
|
||
- [ ] 机器学习基础
|
||
- [ ] 正则化
|
||
- [ ] 为什么正则化能减少过拟合
|
||
- [ ] Dropout 正则化
|
||
- [ ] 理解 Dropout
|
||
- [ ] 其他正则化方法
|
||
- [ ] 输入规范化
|
||
- [ ] 梯度消失与梯度爆炸
|
||
- [ ] 神经网络的权重初始化
|
||
- [ ] 梯度的数值近似
|
||
- [ ] 梯度检验
|
||
- [ ] 关于梯度检验实现的注记
|
||
- [ ] 约书亚本吉奥访谈
|
||
|
||
### 优化算法
|
||
|
||
- [ ] 小批量梯度下降法
|
||
- [ ] 理解小批量梯度下降法
|
||
- [ ] 指数加权平均
|
||
- [ ] 理解指数加权平均
|
||
- [ ] 指数加权平均的偏差校正
|
||
- [ ] 动量梯度下降法
|
||
- [ ] RMSprop
|
||
- [ ] Adam 优化算法
|
||
- [ ] 学习率衰减
|
||
- [ ] 局部最优的问题
|
||
- [ ] 林元庆访谈
|
||
|
||
### 超参数调优、正则化和编程框架
|
||
|
||
- [ ] 调优过程
|
||
- [ ] 使用适当的量级来选取超参数
|
||
- [ ] 超参数调优的实践：Pandas VS Caviar
|
||
- [ ] 正则化网络的激活函数
|
||
- [ ] 将 Batch Norm 拟合进神经网络
|
||
- [ ] Batch Norm 为什么奏效
|
||
- [ ] 测试时的 Batch Norm
|
||
- [ ] Softmax 回归
|
||
- [ ] 训练一个 Softmax 分类器
|
||
- [ ] 深度学习框架
|
||
- [ ] TensorFlow
|
||
|
||
## 构建机器学习项目
|
||
|
||
### ML 策略
|
||
|
||
- [ ] 为什么要制定 ML 策略
|
||
- [ ] 正交化
|
||
- [ ] 单一评估指标
|
||
- [ ] 满足要求和优化指标
|
||
- [ ] 训练集 / 开发集 / 测试集的分布
|
||
- [ ] 开发集和测试集的大小
|
||
- [ ] 什么时候该更改开发集 / 测试集和指标
|
||
- [ ] 为什么需要人类水平的性能
|
||
- [ ] 可避免偏差
|
||
- [ ] 理解人类水平的性能
|
||
- [ ] 超过人类水平的性能
|
||
- [ ] 提高模型性能
|
||
- [ ] 安德烈卡尔帕斯访谈
|
||
- [ ] 进行误差分析
|
||
- [ ] 清除标注错误的数据
|
||
- [ ] 快速搭建你的第一个系统并进行迭代
|
||
- [ ] 在不同的划分上进行训练并测试
|
||
- [ ] 不匹配数据划分的偏差和方差
|
||
- [ ] 解决数据不匹配
|
||
- [ ] 迁移学习
|
||
- [ ] 多任务学习
|
||
- [ ] 什么是端到端的深度学习
|
||
- [ ] 是否要使用端到端的深度学习
|
||
- [ ] 鲁斯兰萨拉胡季诺夫访谈
|
||
|
||
## 卷积神经网络
|
||
|
||
### 卷积神经网络基础
|
||
|
||
- [ ] 计算机视觉
|
||
- [ ] 边缘检测示例
|
||
- [ ] 更多边缘检测内容
|
||
- [ ] 填充
|
||
- [ ] 卷积步长
|
||
- [ ] 三维卷积
|
||
- [ ] 单层卷积网络
|
||
- [ ] 简单卷积网络示例
|
||
- [ ] 池化层
|
||
- [ ] 卷积神经网络示例
|
||
- [ ] 为什么使用卷积
|
||
- [ ] Yann LeCun 访谈
|
||
|
||
### 深度卷积模型：案例研究
|
||
|
||
- [ ] 为什么要进行案例研究
|
||
- [ ] 经典网络
|
||
- [ ] 残差网络
|
||
- [ ] 残差网络为什么有用
|
||
- [ ] 网络中的网络以及 1x1 卷积
|
||
- [ ] 谷歌 Inception 网络简介
|
||
- [ ] Inception 网络
|
||
- [ ] 使用开源的实现方案
|
||
- [ ] 迁移学习
|
||
- [ ] 数据扩充
|
||
- [ ] 计算机视觉现状
|
||
|
||
### 物体检测
|
||
|
||
- [ ] 目标定位
|
||
- [ ] 特征点检测
|
||
- [ ] 物体检测
|
||
- [ ] 卷积的滑动窗口实现
|
||
- [ ] 边界框预测
|
||
- [ ] 交并比
|
||
- [ ] 非极大值抑制
|
||
- [ ] Anchor Boxes
|
||
- [ ] YOLO 算法
|
||
- [ ] 候选区域
|
||
- [ ] 利用 U-Net 进行语义分割
|
||
- [ ] 移调卷积
|
||
- [ ] U-Net 架构直观理解
|
||
- [ ] U-Net 架构
|
||
|
||
### 特殊应用：人脸识别与神经风格转换
|
||
|
||
- [ ] 什么是人脸识别
|
||
- [ ] One-Shot 学习
|
||
- [ ] Siamese 网络
|
||
- [ ] Triplet 损失
|
||
- [ ] 人脸识别与二分类
|
||
- [ ] 什么是神经风格转换
|
||
- [ ] 什么是深度卷积网络
|
||
- [ ] 代价函数
|
||
- [ ] 内容代价函数
|
||
- [ ] 风格 / 代价 / 功能
|
||
- [ ] 一维到三维推广
|
||
|
||
## 序列模型
|
||
|
||
### 递归神经网络
|
||
|
||
- [ ] 为什么选择序列模型
|
||
- [ ] 数学符号
|
||
- [ ] 循环神经网络
|
||
- [ ] 通过时间的反向传播
|
||
- [ ] 不同类型的循环神经网络
|
||
- [ ] 语言模型和序列生成
|
||
- [ ] 新序列采样
|
||
- [ ] 带有循环神经网络的梯度消失
|
||
- [ ] GRU 单元
|
||
- [ ] 长短期记忆
|
||
- [ ] 双向循环神经网络
|
||
- [ ] 深层循环神经网络
|
||
|
||
### 自然语言处理与单词嵌入
|
||
|
||
- [ ] 词汇表征
|
||
- [ ] 使用词嵌入
|
||
- [ ] 词嵌入的特性
|
||
- [ ] 嵌入矩阵
|
||
- [ ] 学习词嵌入
|
||
- [ ] Word2Vec
|
||
- [ ] 负采样
|
||
- [ ] GloVe 词向量
|
||
- [ ] 情绪分类
|
||
- [ ] 词嵌入除偏
|
||
|
||
### 序列模型和注意机制
|
||
|
||
- [ ] 基础模型
|
||
- [ ] 选择最可能的句子
|
||
- [ ] 定向搜索
|
||
- [ ] 改进定向搜索
|
||
- [ ] 定向搜索的误差分析
|
||
- [ ] Bleu 得分
|
||
- [ ] 注意力模型直观理解
|
||
- [ ] 注意力模型
|
||
- [ ] 语音辨识
|
||
- [ ] 触发词检测
|
||
|
||
### Transformer 神经网络
|
||
|
||
- [ ] Transformer 神经网络直观理解
|
||
- [ ] Self Attention
|
||
- [ ] Multi-Head Attention
|
||
- [ ] Transformer 神经网络
|
||
- [ ] 结论和致谢
|
||
|
||
# Linux
|
||
|
||
## 韩顺平
|
||
|
||
- [ ] 课程内容
|
||
- [ ] 应用领域
|
||
- [ ] 概述
|
||
- [ ] Linux 与 Unix
|
||
- [ ] VMware 安装
|
||
- [ ] CentOS 安装
|
||
- [ ] 网络连接的三种方式
|
||
- [ ] 虚拟机克隆
|
||
- [ ] 虚拟机快照
|
||
- [ ] 虚拟机迁移删除
|
||
- [ ] VMtools
|
||
- [ ] 目录结构介绍
|
||
- [ ] 目录结构详解
|
||
- [ ] 远程登陆
|
||
- [ ] 远程文件传输
|
||
- [ ] vim 快速入门
|
||
- [ ] vim 快捷键
|
||
- [ ] vim 内容梳理
|
||
- [ ] 关机重启
|
||
- [ ] 登陆注销
|
||
- [ ] 用户管理（1）
|
||
- [ ] 用户管理（2）
|
||
- [ ] 用户管理（3）
|
||
- [ ] 用户管理（4）
|
||
- [ ] 运行级别
|
||
- [ ] 找回 root 密码
|
||
- [ ] 帮助指令
|
||
- [ ] 文件目录指令（1）
|
||
- [ ] 文件目录指令（2）
|
||
- [ ] 文件目录指令（3）
|
||
- [ ] 文件目录指令（4）
|
||
- [ ] 文件目录指令（5）
|
||
- [ ] 文件目录指令（6）
|
||
- [ ] 时间日期指令
|
||
- [ ] 查找指令（1）
|
||
- [ ] 查找指令（2）
|
||
- [ ] 压缩和解压（1）
|
||
- [ ] 压缩和解压（2）
|
||
- [ ] 实用指令小结
|
||
- [ ] Linux 组的介绍
|
||
- [ ] 所有者
|
||
- [ ] 所在组
|
||
- [ ] 修改所在组
|
||
- [ ] rwx 权限
|
||
- [ ] 权限说明案例
|
||
- [ ] 修改权限
|
||
- [ ] 修改所有者和所在组
|
||
- [ ] 权限管理应用实例（1）
|
||
- [ ] 权限管理应用实例（2）
|
||
- [ ] 权限管理应用实例（3）
|
||
- [ ] 权限管理应用实例（4）
|
||
- [ ] crond 快速入门
|
||
- [ ] crond 时间规则
|
||
- [ ] crond 应用实例
|
||
- [ ] at 任务调度机制
|
||
- [ ] at 任务调度实例
|
||
- [ ] 任务调度小结
|
||
- [ ] 磁盘分区机制
|
||
- [ ] 增加磁盘应用实例
|
||
- [ ] 磁盘情况查询
|
||
- [ ] 磁盘实用指令
|
||
- [ ] 磁盘分区挂载小结
|
||
- [ ] NAT 网络原理图
|
||
- [ ] 网络配置指令
|
||
- [ ] 网络配置实例
|
||
- [ ] 主机名和 hosts 映射
|
||
- [ ] 网络配置小结
|
||
- [ ] 进程基本介绍
|
||
- [ ] ps 指令详解
|
||
- [ ] 父子进程
|
||
- [ ] 终止进程
|
||
- [ ] pstree 指令
|
||
- [ ] 服务管理（1）
|
||
- [ ] 服务管理（2）
|
||
- [ ] 服务管理（3）
|
||
- [ ] 服务管理（4）
|
||
- [ ] 服务管理（5）
|
||
- [ ] 动态监控系统（1）
|
||
- [ ] 动态监控系统（2）
|
||
- [ ] 监控网络状态
|
||
- [ ] 进程管理小结
|
||
- [ ] rpm 管理（1）
|
||
- [ ] rpm 管理（2）
|
||
- [ ] yum
|
||
- [ ] 软件包管理小结
|
||
- [ ] 安装配置 JDK 8
|
||
- [ ] 安装配置 tomcat8
|
||
- [ ] 安装配置 IDEA
|
||
- [ ] 安装配置 MySQL
|
||
- [ ] 小结
|
||
- [ ] shell 编程快速入门
|
||
- [ ] shell 变量
|
||
- [ ] 设置环境变量
|
||
- [ ] 设置参数变量
|
||
- [ ] 预定义变量
|
||
- [ ] 运算符
|
||
- [ ] 条件判断
|
||
- [ ] 单分支多分支
|
||
- [ ] case 语句
|
||
- [ ] for 循环
|
||
- [ ] while 循环
|
||
- [ ] read 获取输入
|
||
- [ ] 系统函数
|
||
- [ ] 自定义函数
|
||
- [ ] 定时备份数据库（1）
|
||
- [ ] 定时备份数据库（2）
|
||
- [ ] shell 编程笔记梳理
|
||
- [ ] Ubuntu 安装
|
||
- [ ] Ubuntu 的中文支持
|
||
- [ ] Ubuntu 的 root
|
||
- [ ] hello python
|
||
- [ ] APT 原理机制图
|
||
- [ ] APT 更新源和实例
|
||
- [ ] Ubuntu 远程登录和集群
|
||
- [ ] python 定制篇梳理
|
||
- [ ] CentOS 安装和介绍
|
||
- [ ] 日志介绍和实例
|
||
- [ ] 日志服务原理图
|
||
- [ ] 日志服务配置文件
|
||
- [ ] 自定义日志服务
|
||
- [ ] 日志轮替介绍
|
||
- [ ] 自定义日志轮替
|
||
- [ ] 日志轮替机制
|
||
- [ ] 内存日志
|
||
- [ ] 日志管理笔记梳理
|
||
- [ ] 定制自己的 Linux（1）
|
||
- [ ] 定制自己的 Linux（2）
|
||
- [ ] 定制自己的 Linux（3）
|
||
- [ ] 阅读 Linux 内核源码好处
|
||
- [ ] 阅读 Linux 内核源码技巧
|
||
- [ ] 内核源码阅读及 main
|
||
- [ ] 内核升级
|
||
- [ ] 备份与恢复介绍
|
||
- [ ] 数据备份 dump
|
||
- [ ] 数据恢复 restore
|
||
- [ ] 数据备份恢复梳理
|
||
- [ ] webmin 安装和配置
|
||
- [ ] webmin 功能演示
|
||
- [ ] 宝塔介绍和安装
|
||
- [ ] 宝塔应用实例
|
||
- [ ] 可视化管理小结
|
||
- [ ] 统计访问量和连接数
|
||
- [ ] 找回 MySQL 的 root 密码
|
||
- [ ] 访问量排名和 tcpdump
|
||
- [ ] 系统权限划分（1）
|
||
- [ ] 系统权限划分（2）
|
||
- [ ] 权限思考题
|
||
- [ ] CentOS 启动流程详解
|
||
- [ ] I/O 读写监控
|
||
- [ ] 统计文件个数和行数
|
||
- [ ] 无人值守备份目录
|
||
- [ ] Linux 系统优化策略
|
||
- [ ] 卖油翁和老黄牛
|
||
|
||
# MySQL
|
||
|
||
## 黑马程序员
|
||
|
||
- [ ] 基础篇介绍
|
||
- [ ] 课程内容和数据库相关概念
|
||
- [ ] MySQL 安装及启动
|
||
- [ ] 数据模型
|
||
- [ ] DDL - 通用语法及分类
|
||
- [ ] DDL - 数据库操作
|
||
- [ ] DDL - 表操作 - 创建和查询
|
||
- [ ] DDL - 数据类型及案例
|
||
- [ ] DDL - 表操作 - 删除和修改
|
||
- [ ] DDL 小结
|
||
- [ ] 图形化界面 DataGrip
|
||
- [ ] DML - 插入
|
||
- [ ] DML - 更新和删除
|
||
- [ ] DML 小结
|
||
- [ ] DQL - 基础查询
|
||
- [ ] DQL - 条件查询
|
||
- [ ] DQL - 聚合函数
|
||
- [ ] DQL - 分组查询
|
||
- [ ] DQL - 排序查询
|
||
- [ ] DQL - 分页查询
|
||
- [ ] DQL - 案例练习
|
||
- [ ] DQL - 执行顺序
|
||
- [ ] DQL 小结
|
||
- [ ] DCL - 用户管理
|
||
- [ ] DCL - 权限控制
|
||
- [ ] DCL 小结
|
||
- [ ] 函数 - 字符串函数
|
||
- [ ] 函数 - 数值函数
|
||
- [ ] 函数 - 日期函数
|
||
- [ ] 函数 - 流程函数
|
||
- [ ] 函数小结
|
||
- [ ] 约束 - 概述
|
||
- [ ] 约束 - 演示
|
||
- [ ] 约束 - 外键约束
|
||
- [ ] 约束 - 外键删除更新行为
|
||
- [ ] 约束小结
|
||
- [ ] 多表查询 - 多表关系介绍
|
||
- [ ] 多表查询 - 概述
|
||
- [ ] 多表查询 - 内连接
|
||
- [ ] 多表查询 - 外连接
|
||
- [ ] 多表查询 - 自连接
|
||
- [ ] 多表查询 - 联合查询
|
||
- [ ] 多表查询 - 子查询介绍
|
||
- [ ] 多表查询 - 标量子查询
|
||
- [ ] 多表查询 - 列子查询
|
||
- [ ] 多表查询 - 行子查询
|
||
- [ ] 多表查询 - 表子查询
|
||
- [ ] 多表查询 - 练习 1
|
||
- [ ] 多表查询 - 练习 2
|
||
- [ ] 多表查询小结
|
||
- [ ] 事务 - 简介
|
||
- [ ] 事务 - 操作演示
|
||
- [ ] 事务 - 四大特性 ACID
|
||
- [ ] 事务 - 并发事务问题
|
||
- [ ] 事务 - 并发事务演示及隔离级别
|
||
- [ ] 事务小结
|
||
- [ ] 基础篇总结
|
||
- [ ] 进阶篇介绍
|
||
- [ ] 存储引擎 - MySQL 体系结构
|
||
- [ ] 存储引擎 - 简介
|
||
- [ ] 存储引擎 - InnoDB 介绍
|
||
- [ ] 存储引擎 - MyISAM 和 Memory
|
||
- [ ] 存储引擎 - 选择
|
||
- [ ] 存储引擎小结
|
||
- [ ] MySQL 安装（Linux 版本）
|
||
- [ ] 索引 - 概述
|
||
- [ ] 索引 - 结构 - 介绍
|
||
- [ ] 索引 - 结构 - Btree
|
||
- [ ] 索引 - 结构 - B+tree
|
||
- [ ] 索引 - 结构 - hash
|
||
- [ ] 索引 - 结构思考题
|
||
- [ ] 索引 - 分类
|
||
- [ ] 索引 - 思考题
|
||
- [ ] 索引 - 语法
|
||
- [ ] 索引 - 性能分析 - 查看执行频次
|
||
- [ ] 索引 - 性能分析 - 慢查询日志
|
||
- [ ] 索引 - 性能分析 - show profiles
|
||
- [ ] 索引 - 性能分析 - explain
|
||
- [ ] 索引 - 使用规则 - 验证索引效率
|
||
- [ ] 索引 - 使用规则 - 最左前缀法则
|
||
- [ ] 索引 - 使用规则 - 索引失效情况（1）
|
||
- [ ] 索引 - 使用规则 - 索引失效情况（2）
|
||
- [ ] 索引 - 使用规则 - SQL 提示
|
||
- [ ] 索引 - 使用规则 - 覆盖索引和回表查询
|
||
- [ ] 索引 - 使用规则 - 前缀索引
|
||
- [ ] 索引 - 使用规则 - 单列索引和联合索引
|
||
- [ ] 索引 - 设计原则
|
||
- [ ] 索引小结
|
||
- [ ] SQL 优化 - 插入数据
|
||
- [ ] SQL 优化 - 主键优化
|
||
- [ ] SQL 优化 - order by 优化
|
||
- [ ] SQL 优化 - group by 优化
|
||
- [ ] SQL 优化 - limit 优化
|
||
- [ ] SQL 优化 - count 优化
|
||
- [ ] SQL 优化 - update 优化
|
||
- [ ] SQL 优化小结
|
||
- [ ] 视图 - 介绍及基本语法
|
||
- [ ] 视图 - 检查选项（cascaded）
|
||
- [ ] 视图 - 检查选项（local）
|
||
- [ ] 视图 - 更新及作用
|
||
- [ ] 视图 - 案例
|
||
- [ ] 存储过程 - 介绍
|
||
- [ ] 存储过程 - 基本语法
|
||
- [ ] 存储过程 - 变量 - 系统变量
|
||
- [ ] 存储过程 - 变量 - 用户定义变量
|
||
- [ ] 存储过程 - 变量 - 局部变量
|
||
- [ ] 存储过程 - if 判断
|
||
- [ ] 存储过程 - 参数（IN, OUT, INOUT）
|
||
- [ ] 存储过程 - case
|
||
- [ ] 存储过程 - 循环 - while
|
||
- [ ] 存储过程 - 循环 - repeat
|
||
- [ ] 存储过程 - 循环 - loop
|
||
- [ ] 存储过程 - 游标 - cursor
|
||
- [ ] 存储过程 - 条件处理程序 - handler
|
||
- [ ] 存储函数
|
||
- [ ] 触发器 - 介绍
|
||
- [ ] 触发器 - 案例 1（insert 类型）
|
||
- [ ] 触发器 - 案例 2（update 类型）
|
||
- [ ] 触发器 - 案例 3（delete 类型）
|
||
- [ ] 视图&存储过程&触发器小结
|
||
- [ ] 锁 - 介绍
|
||
- [ ] 锁 - 全局锁 - 介绍
|
||
- [ ] 锁 - 全局锁 - 一致性数据备份
|
||
- [ ] 锁 - 表级锁 - 表锁
|
||
- [ ] 锁 - 表级锁 - 元数据锁
|
||
- [ ] 锁 - 表级锁 - 意向锁
|
||
- [ ] 锁 - 表级锁 - 意向锁测试
|
||
- [ ] 锁 - 行级锁 - 介绍
|
||
- [ ] 锁 - 行级锁 - 行锁
|
||
- [ ] 锁 - 行级锁 - 间隙锁&临键锁（1）
|
||
- [ ] 锁 - 行级锁 - 间隙锁&临键锁（2）
|
||
- [ ] 锁小结
|
||
- [ ] InnoDB 引擎 - 逻辑存储结构
|
||
- [ ] InnoDB 引擎 - 架构 - 内存结构（1）
|
||
- [ ] InnoDB 引擎 - 架构 - 内存结构（2）
|
||
- [ ] InnoDB 引擎 - 架构 - 磁盘结构
|
||
- [ ] InnoDB 引擎 - 架构 - 后台线程
|
||
- [ ] InnoDB 引擎 - 事务原理 - 概述
|
||
- [ ] InnoDB 引擎 - 事务原理 - redolog
|
||
- [ ] InnoDB 引擎 - 事务原理 - undolog
|
||
- [ ] InnoDB 引擎 - MVCC - 基本概念
|
||
- [ ] InnoDB 引擎 - MVCC - 隐藏字段
|
||
- [ ] InnoDB 引擎 - MVCC - undolog 版本链
|
||
- [ ] InnoDB 引擎 - MVCC - readview 介绍
|
||
- [ ] InnoDB 引擎 - MVCC - 原理分析（RC 级别）
|
||
- [ ] InnoDB 引擎 - MVCC - 原理分析（RR 级别）
|
||
- [ ] InnoDB 引擎小结
|
||
- [ ] MySQL 管理 - 系统数据库介绍
|
||
- [ ] MySQL 管理 - 常用工具（1）
|
||
- [ ] MySQL 管理 - 常用工具（2）
|
||
- [ ] MySQL 管理小结
|
||
- [ ] 进阶篇总结
|
||
- [ ] 运维篇介绍
|
||
- [ ] 日志 - 错误日志
|
||
- [ ] 日志 - 二进制日志
|
||
- [ ] 日志 - 查询日志
|
||
- [ ] 日志 - 慢查询日志
|
||
- [ ] 主从复制 - 概述
|
||
- [ ] 主从复制 - 原理
|
||
- [ ] 主从复制 - 主库配置
|
||
- [ ] 主从复制 - 从库配置
|
||
- [ ] 主从复制 - 测试
|
||
- [ ] 分库分表 - 介绍
|
||
- [ ] 分库分表 - 介绍 - 拆分方式
|
||
- [ ] 分库分表 - MyCat 概述 - 安装
|
||
- [ ] 分库分表 - MyCat 概述 - 核心概念
|
||
- [ ] 分库分表 - MyCat 入门
|
||
- [ ] 分库分表 - MyCat 入门 - 测试
|
||
- [ ] 分库分表 - MyCat 配置（1）
|
||
- [ ] 分库分表 - MyCat 配置（2）
|
||
- [ ] 分库分表 - MyCat 分片 - 垂直分库
|
||
- [ ] 分库分表 - MyCat 分片 - 垂直分库测试
|
||
- [ ] 分库分表 - MyCat 分片 - 水平分表
|
||
- [ ] 分库分表 - 分片规则 - 范围分片
|
||
- [ ] 分库分表 - 分片规则 - 取模分片
|
||
- [ ] 分库分表 - 分片规则 - 一致性 hash 算法
|
||
- [ ] 分库分表 - 分片规则 - 枚举分片
|
||
- [ ] 分库分表 - 分片规则 - 应用指定算法
|
||
- [ ] 分库分表 - 分片规则 - 固定 hash 算法
|
||
- [ ] 分库分表 - 分片规则 - 字符串 hash 解析
|
||
- [ ] 分库分表 - 分片规则 - 按天分片
|
||
- [ ] 分库分表 - 分片规则 - 按自然月分片
|
||
- [ ] 分库分表 - MyCat 管理与监控原理
|
||
- [ ] 分库分表 - MyCat 管理工具
|
||
- [ ] 分库分表 - MyCat 监控（1）
|
||
- [ ] 分库分表 - MyCat 监控（2）
|
||
- [ ] 分库分表总结
|
||
- [ ] 读写分离 - 介绍
|
||
- [ ] 读写分离 - 一主一从准备
|
||
- [ ] 读写分离 - 一主一从读写分离
|
||
- [ ] 读写分离 - 双主双从介绍
|
||
- [ ] 读写分离 - 双主双从搭建
|
||
- [ ] 读写分离 - 双主双从读写分离
|
||
- [ ] 读写分离总结
|
||
- [ ] 运维篇总结 |