Python60天打卡训练营

要求与目标

60天内完成50天打卡全额退款
面向0基础，从最简单的代码教学开始由浅入深，从0基础小白到熟悉深度学习代码
20多天即可完成机器学习项目的复现，60天即可完成复杂的深度学习项目复现

训练营进度

第一期：4.20--6.18
第二期：5.15--7.14
目前一二期内容保持一致，在day60完结后会腾出手来修改和优化内容

day1：了解变量和格式化字符串输出
day2：字符串的基础操作+比较运算
day3：列表的基础操作+循环for语句
day4：pandas库：数据的读取和连续变量缺失值的补全
day5：pandas库：离散特征的独热编码
day6：matplotlib与seaborn库：数据初步可视化
day7：复习日
day8：初识字典、标签编码和连续数据的处理
day9：热力图和子图的绘制
day10：模型的训练与评估（基础版本）
day11: 超参数优化-----网格搜索和贝叶斯优化
day12：启发式算法
day13：不平衡数据集的处理策略
day14：shap图的绘制
day15：复习日
day16：numpy数组的认识->shap值的深入理解
day17：常见聚类算法实战
day18: 聚类后簇类型的含义推断
day19：常见特征筛选算法
day20：奇异值分解原理讲解
day21：常见的降维算法
day22：复习日
day23：pipeline管道
day24：元组和os模块
day25：异常处理
day26：函数专题1：函数定义与参数
day27：函数专题2：修饰器
day28：类的定义和方法
day29：复习日：类的装饰器
day30：模块和库的导入
day31：文件的规范拆分与写法
day32：官方文档的阅读
day33：MLP神经网络的训练
day34：GPU训练及类的call方法
day35：模型可视化与推理
day36：复习日
day37：早停策略和模型权重的保存
day38：Dataset和Dateloader类
day39：图像数据与显存
day40：训练和测试的规范写法
day41：简单CNN
day42：Grad-CAM与HOOK函数
day43：复习日
day44：预训练模型
day45：Tensorboard使用介绍
day46：通道注意力（SE注意力）
day47：注意力热图可视化
day48：随机函数与广播机制
day49: CBAM注意力
day50：预训练模型+CBAM模块
day51：复习日
day52：神经网络调参指南
day53：对抗生成网络
day54：Inception网络及其思考
day55：序列预测任务介绍
day56：时序数据的检验
day57：经典时序预测模型1
day58：经典时序预测模型2
day59：经典时序预测模型3
day60：复习日

心得总结

至此，我们训练营的内容到这里就宣告结束了，知识密度基本覆盖了之前复试课的90%的知识点（NLP内容、RNN变体实在来不及说了），day60将会是自由学习（复习日），打卡训练营更新到现在，确实不容易，也没想到能完成工作量这么庞大的一次积累，也很感谢能够坚持到这里的各位，说一些打卡训练营的一些心得。

在这个训练营中其实我的个人能力也是提升的，这是实话，因为过去在科研中，很多问题我知道如何做的，但是我并没有体系化的思考过这样做的原因，接着这次机会也让我把整个体系给串起来，个人觉得逻辑是完全闭环，该重点交代的都交代了，不至于出现知识点断层的情况。这也是为什么你们能看到很多人做的感觉很高大上，但是仔细去研究发现他甚至有一些逻辑上的错误，这是因为他没有扎实的基础，对很多问题在基础的认识上就有问题。
学习是需要持续性的，之前大家肯定看到很多所谓的速成xxx，但是实际你思考下，哪怕是一个小的专题，比如时序预测的小demo，粗略估计没有十多天的内容你都没法理解整个闭环的流程，比如为什么和arima做对比？为什么用arima做特征工程？很多知识背后有很多隐知识在里面，只有实践和思考才能真正理解这些问题，这里只能堆时间，而且只有持续的堆时间才不至于下次重来------工科就是一个堆时间的科目，任何的短期捷径到后面肯定要付出双倍的时间。

后续安排

篇幅和设备限制，有一些任务必须搭配视频才能讲清楚，比如多个文件协同的任务等，会在科研班的后续提到，科研班的人工智能进阶部分也会沿用目前的这个体系化的形式更新---------代码+讲义（体系化梳理）+视频，这样每个大的知识点拆成多个小知识点的方式会极大提高输出的知识密度和逻辑闭环的可能性。

本期训练营之前的知识点还有一些由于篇幅问题无法交代，我会在科研班中交代，这里我列举出来一些和目前内容接轨的知识点，如果没有在科研班的同学建议大家自行学习：

●远程服务器的本地连接: 1.服务器的路径地址 2.数据的传输 3.无卡模式等操作 ●py文件训练时命令行的参数（文件中定义main（args），在通过parser.add_argument ●即可使用） ●tansfomer架构的代码解读 1. 自注意力机制 2. 多头注意力机制 3. 交叉注意力机制 ●张量维度变换的总结 ●git工具的使用 ●optuna超参数优化框架

Name		Name	Last commit message	Last commit date
Latest commit History 98 Commits
day30 模块和包的导入		day30 模块和包的导入
day31 文件的拆分		day31 文件的拆分
Day1 变量与格式化字符串.ipynb		Day1 变量与格式化字符串.ipynb
Day10 机器学习建模与评估.ipynb		Day10 机器学习建模与评估.ipynb
Day11 常见的调参方式.ipynb		Day11 常见的调参方式.ipynb
Day12 随机森林原理和贝叶斯可视化.ipynb		Day12 随机森林原理和贝叶斯可视化.ipynb
Day13 启发式算法.ipynb		Day13 启发式算法.ipynb
Day14 多目标优化算法.ipynb		Day14 多目标优化算法.ipynb
Day15 不平衡数据集的处理 copy.ipynb		Day15 不平衡数据集的处理 copy.ipynb
Day16 ROC曲线和PR曲线.ipynb		Day16 ROC曲线和PR曲线.ipynb
Day17 多分类问题.ipynb		Day17 多分类问题.ipynb
Day18 回归问题与置信区间.ipynb		Day18 回归问题与置信区间.ipynb
Day2 字符串操作与比较运算.ipynb		Day2 字符串操作与比较运算.ipynb
Day3 列表、循环和判断语句.ipynb		Day3 列表、循环和判断语句.ipynb
Day4 缺失值的处理（认识pandas）.ipynb		Day4 缺失值的处理（认识pandas）.ipynb
Day5 离散特征的处理（独热编码）.ipynb		Day5 离散特征的处理（独热编码）.ipynb
Day6 数据可视化.ipynb		Day6 数据可视化.ipynb
Day7 复习日+查看函数参数.ipynb		Day7 复习日+查看函数参数.ipynb
Day8 标签编码与连续变量处理.ipynb		Day8 标签编码与连续变量处理.ipynb
Day9 热力图与子图绘制.ipynb		Day9 热力图与子图绘制.ipynb
README.md		README.md
data.csv		data.csv
data.xlsx		data.xlsx
day 26 函数专题1.ipynb		day 26 函数专题1.ipynb
day12.ipynb		day12.ipynb
day13.ipynb		day13.ipynb
day14.ipynb		day14.ipynb
day16.ipynb		day16.ipynb
day17.ipynb		day17.ipynb
day18.ipynb		day18.ipynb
day19.ipynb		day19.ipynb
day20 奇异值分解.ipynb		day20 奇异值分解.ipynb
day21 常见的降维算法.ipynb		day21 常见的降维算法.ipynb
day23 机器学习流水线.ipynb		day23 机器学习流水线.ipynb
day24 元组和OS模块.ipynb		day24 元组和OS模块.ipynb
day25 异常处理.ipynb		day25 异常处理.ipynb
day27 函数专题2 装饰器.ipynb		day27 函数专题2 装饰器.ipynb
day28 类的定义和方法.ipynb		day28 类的定义和方法.ipynb
day29 类的装饰器.ipynb		day29 类的装饰器.ipynb
day32 官方文档的阅读.ipynb		day32 官方文档的阅读.ipynb
day33 简单的神经网络.ipynb		day33 简单的神经网络.ipynb
day34 GPU训练和call方法.ipynb		day34 GPU训练和call方法.ipynb
day35 模型可视化与推理.ipynb		day35 模型可视化与推理.ipynb
day37 早停策略和模型权重的保存.ipynb		day37 早停策略和模型权重的保存.ipynb
day38 Dataset和Dataloader.ipynb		day38 Dataset和Dataloader.ipynb
day39 图像数据与显存.ipynb		day39 图像数据与显存.ipynb
day40 训练和测试的规范写法.ipynb		day40 训练和测试的规范写法.ipynb
day41 简单CNN.ipynb		day41 简单CNN.ipynb
day42 Grad-CAM.ipynb		day42 Grad-CAM.ipynb
day44 预训练模型.ipynb		day44 预训练模型.ipynb
day45 TensorBoard使用介绍.ipynb		day45 TensorBoard使用介绍.ipynb
day46.通道注意力.ipynb		day46.通道注意力.ipynb
day48.随机函数与广播机制.ipynb		day48.随机函数与广播机制.ipynb
day49 CBAM注意力.ipynb		day49 CBAM注意力.ipynb
day50预训练模型+CBAM注意力.ipynb		day50预训练模型+CBAM注意力.ipynb
day52 神经网络调参指南.ipynb		day52 神经网络调参指南.ipynb
day53 对抗生成网络.ipynb		day53 对抗生成网络.ipynb
day55 序列预测任务.ipynb		day55 序列预测任务.ipynb
day56 时序数据的检验.ipynb		day56 时序数据的检验.ipynb
day57 经典时序模型1.ipynb		day57 经典时序模型1.ipynb
day58 经典时序模型2.ipynb		day58 经典时序模型2.ipynb
day59 经典时序模型3.ipynb		day59 经典时序模型3.ipynb

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Repository files navigation

Python60天打卡训练营

要求与目标

训练营进度

目录

心得总结

后续安排

About

Uh oh!

Releases

Packages

Uh oh!

Contributors

Uh oh!

Languages

Folders and files

Latest commit

History

Repository files navigation

Python60天打卡训练营

要求与目标

训练营进度

目录

心得总结

后续安排

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages