LEARN / TUTORIALS

系统教程

从基础概念到实践应用,按章节逐步建立知识体系。

当前方向 · 8 门教程

机器学习与深度学习

推荐系统实战:从召回排序到在线服务

推荐系统从离线算法走到线上业务,难点不只在模型精度,还在候选生成、特征一致性、实时性能与实验闭环。课程以信息流推荐为主线,覆盖协同过滤、矩阵分解、双塔召回、向量检索、排序模型、离线评估和 A/B 测试,完成可评测、可部署的在线推荐服务。

机器学习与深度学习

CNN 从卷积原理到图像分类部署

图像分类模型常能跑通,却容易在卷积尺寸、梯度传播、过拟合和部署性能上失控。课程以 PyTorch 为实验框架,从像素张量、卷积和感受野推到残差网络、迁移学习、可解释性与推理优化,最终能独立训练、诊断并部署可靠的 CNN 图像分类模型。

机器学习与深度学习

深度学习基础教程

面向具备基础 Python 编程能力、希望系统进入深度学习领域的学习者。课程以 PyTorch 2.x 为主要实践框架,从张量、自动微分和神经网络原理起步,逐步学习优化、正则化、卷积网络、序列模型、Transformer 与生成模型,并覆盖数据管线、实验管理、性能优化、部署监控和常见故障排查,最终完成一个可复现、可评估、可交付的综合项目。

机器学习与深度学习

PyTorch 入门到部署实战

面向具备 Python 基础、希望进入深度学习开发的学习者,以 PyTorch 2.x 为主线,从环境配置、张量与自动微分开始,逐步学习神经网络构建、数据管道、训练优化、卷积网络、序列模型、Transformer 和迁移学习,并通过完整项目掌握实验管理、性能加速、模型导出、部署监控与常见故障排查。

机器学习与深度学习

机器学习基础教程

本课程面向具备 Python 基础、希望系统进入机器学习领域的学习者,从机器学习基本概念、数学直觉和数据处理出发,循序讲解回归、分类、决策树、集成学习、聚类、降维、特征工程、模型评估与超参数调优。课程强调可运行实践、结果解释和工程规范,最终帮助学习者独立完成从数据分析、模型训练到部署交付的完整机器学习项目。

机器学习与深度学习

PyTorch 深度学习教程

本课程面向具备 Python 基础、希望系统学习深度学习开发的学习者,从 PyTorch 环境搭建、张量运算和自动求导出发,循序讲解神经网络构建、数据加载、卷积网络、序列模型、迁移学习、训练优化、模型评估与部署。课程强调原理理解、可运行实践和工程规范,最终帮助学习者独立完成模型训练、调优、导出和服务化交付。

登录哪都通