程序源码论坛-1024

标题: 百战-AI算法工程师就业班2022年(完结） [打印本页]

---

作者: cx    时间: 2023-9-16 21:48
标题: 百战-AI算法工程师就业班2022年(完结）
战-人工智能2022/
├──1--人工智能基础-快速入门  
|   ├──1--人工智能就业、薪资、各行业应用  
|   |   ├──1-人工智能就业前景与薪资 .mp4  52.07M
1 w8 ^$ K2 I& U! |2 w5 ?|   |   ├──2-人工智能适合人群与必备技能 .mp4  44.57M
0 \$ H$ K6 q* W5 r+ u- @) u|   |   ├──3-人工智能时代是发展的必然 .mp4  23.22M
|   |   └──4-人工智能在各领域的应用 .mp4  57.73M
  @! W1 l  a7 b* ]. g# b- D( [- _# s|   └──2--机器学习和深度学习、有监督和无监督  
|   |   ├──1-人工智能常见流程 .mp4  89.62M
|   |   ├──2-机器学习不同的学习方式 .mp4  83.51M
|   |   ├──3-深度学习比传统机器学习有优势 .mp4  84.81M
8 {( s7 ^5 L  o9 @|   |   ├──4-有监督机器学习任务与本质 .mp4  37.50M
: v) h; P+ [+ c# Z( u* \- b% u3 v|   |   └──5-无监督机器学习任务与本质 .mp4  50.15M
├──10--机器学习与大数据-Kaggle竞赛实战  
" I( {4 j2 h4 K' G. P  n+ o+ \|   ├──1--药店销量预测案例  
0 M' p$ P' S* U|   |   ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4  36.33M
% A( l: n8 t: J! x|   |   ├──2-对数据字段的介绍_导包 .mp4  19.90M
|   |   ├──3-自定义损失函数 .mp4  21.12M
! u' L+ F8 v3 c( R: A|   |   ├──4-对数据里面的目标变量sales的一个分析 .mp4  44.88M
/ J) a8 O; x) N5 w( t: _|   |   ├──5-数据的预处理 .mp4  111.81M
|   |   ├──6-模型的训练_评估 .mp4  66.64M
) _* Q: h$ p; c|   |   └──7-kaggle竞赛网站学习 .mp4  172.16M
& X0 v# a  r, x( }) F8 J|   └──2--网页分类案例  
|   |   ├──1-Kaggle网页分类竞赛介绍 .mp4  25.08M
|   |   ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4  85.63M
|   |   ├──11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03 .mp4  68.80M
|   |   ├──12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp4  74.74M
+ f* t- R0 Y6 F0 d2 w|   |   ├──2-评估指标ROC和AUC .mp4  56.19M
|   |   ├──3-评估指标ROC和AUC .mp4  49.03M
|   |   ├──4-竞赛其他相关提交成绩排行榜 .mp4  40.19M
|   |   ├──5-数据导入 .mp4  68.41M
|   |   ├──6-MLlib对网页分类竞赛数据预处理 .mp4  102.96M
|   |   ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4  71.27M
! s% t  \! z: y8 C% v* s|   |   ├──8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数 .mp4  62.48M
|   |   └──9-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01 .mp4  87.47M
├──11--机器学习与大数据-海量数据挖掘工具  
. z& a+ `$ x' J4 x* }5 b|   ├──1--Spark计算框架基础  
/ _5 p7 V9 n7 U2 F% s* R, ^|   |   ├──1-Spark特性_01 .mp4  41.68M
, x. x+ t3 e7 k|   |   ├──10-分布式计算所需进程 .mp4  26.30M
|   |   ├──11-两种算子操作本质区别 .mp4  56.31M
|   |   ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4  69.39M
|   |   ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4  56.06M
|   |   ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4  44.12M
|   |   ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4  41.91M
|   |   ├──2-Spark特性_02 .mp4  35.15M
|   |   ├──3-Spark对比hadoop优势 .mp4  19.34M
! Z/ L- c( ]/ {( K- J- r|   |   ├──4-回顾hadoop讲解shuffle .mp4  35.80M
1 P" d1 M1 a+ Z' F: q; v8 |) T|   |   ├──5-分布式计算框架Shuffle的原理_01 .mp4  46.22M
|   |   ├──6-分布式计算框架Shuffle的原理_02 .mp4  44.94M
|   |   ├──7-分布式计算框架Shuffle的原理_03 .mp4  29.26M
+ f( g; k0 H0 V; m: r/ S|   |   ├──8-Spark的RDD特性_01 .mp4  33.08M
|   |   └──9-Spark的RDD特性_02 .mp4  33.41M
|   ├──2--Spark计算框架深入  
' j* E! p/ O7 B$ i, s|   |   ├──1-Spark数据缓存机制 .mp4  54.43M
|   |   ├──10-讲解构建稀疏和稠密向量_01 .mp4  80.62M
|   |   ├──11-讲解构建稀疏和稠密向量_01 .mp4  101.76M
$ z8 s. z$ F: n4 s8 G0 c|   |   ├──12-构建LabeledPoint .mp4  111.08M
- v2 Z) V; i4 T2 [" k' U( X|   |   ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4  91.18M
" ^/ T  R3 d3 N9 c|   |   ├──2-Spark宽依赖和窄依赖_01 .mp4  39.74M
4 b/ I' {; K4 @2 k% U) [|   |   ├──3-Spark宽依赖和窄依赖_02 .mp4  38.86M
|   |   ├──4-Spark宽依赖和窄依赖_03 .mp4  28.03M
|   |   ├──5-Spark术语总结 .mp4  89.66M
# b! @5 m( f) y7 a3 X1 P: R|   |   ├──6-分布式文件系统Block块的大小配置 .mp4  114.54M
|   |   ├──7-Spark程序启动运行流程详解_01 .mp4  49.37M
  Y+ p. s) Y/ R1 K( O|   |   ├──8-Spark程序启动运行流程详解_02 .mp4  71.40M
|   |   └──9-Spark程序启动运行流程详解_03 .mp4  47.28M
|   └──3--Spark机器学习MLlib和ML模块  
* z! I: d1 G1 }- ~1 [: R|   |   ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4  170.37M
# D5 ?) I: k, @+ d( o9 V" w|   |   ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4  104.55M
|   |   ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4  89.72M
  R7 y2 y; f. _: @8 m|   |   ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4  92.22M
|   |   ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4  84.20M
|   |   ├──14-从数据转化到训练集的构建 .mp4  146.40M
|   |   ├──15-模型的训练以及评估和调超参_1 .mp4  84.62M
+ k5 K: u9 l, |% v2 l) D1 L; g|   |   ├──16-模型的训练以及评估和调超参_2 .mp4  88.90M
|   |   ├──17-模型的训练以及评估和调超参_3 .mp4  161.69M
|   |   ├──18-SparkML机器学习库概念讲解_1 .mp4  146.78M
|   |   ├──19-SparkML机器学习库概念讲解_2 .mp4  121.35M
|   |   ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4  120.62M
|   |   ├──20-SparkML机器学习库代码实战讲解_1 .mp4  146.48M
$ f# O& a& W. h. I& G) @  w% g" N|   |   ├──21-SparkML机器学习库代码实战讲解_2 .mp4  169.53M
|   |   ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4  143.99M
- Z/ E( E( s; ^; d5 [|   |   ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4  143.95M
$ Y8 }, ~) ^/ r- l/ X0 Q|   |   ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4  177.12M
|   |   ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4  99.25M
+ a$ `2 |; z2 y5 L|   |   ├──26-SparkML网页分类案例代码实战续（3） .mp4  9.82M
. F  l* a! S+ ?|   |   ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4  109.35M
7 ~0 r7 I) l8 B. B) ~4 f7 v|   |   ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4  105.05M
|   |   ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4  255.32M
|   |   ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4  63.11M
|   |   ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4  140.87M
: l1 N: R8 @: w+ X9 [$ J|   |   ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4  80.22M
: \# F% N& e$ G4 d|   |   └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4  145.67M
├──12--机器学习与大数据-推荐系统项目实战  
& u+ Y; G! S) z+ M# {1 `|   ├──1--推荐系统--流程与架构  
6 y: K+ U! r5 k) J! ?: [2 o% X0 _|   |   ├──1-推荐系统_隐式用户反馈_1 .mp4  88.31M
% P% j0 P& B9 B2 e% Y7 {# F6 [|   |   ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4  112.85M
" c* |7 S3 F7 _+ E4 J. Q3 s|   |   ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4  103.28M
|   |   ├──12-推荐系统_数据源_1 .mp4  79.07M
|   |   ├──13-推荐系统_数据源_2 .mp4  82.90M
; q' }5 R/ ?1 P|   |   ├──2-推荐系统_隐式用户反馈_2 .mp4  119.78M
|   |   ├──3-推荐系统_协同过滤_1 .mp4  60.31M
|   |   ├──4-推荐系统_协同过滤_2 .mp4  61.36M
* F. y$ `! g( `' p+ T' l|   |   ├──5-推荐系统_协同过滤_3 .mp4  60.51M
) X2 J7 O, k  [  w" v! B3 F2 R|   |   ├──6-推荐系统_协同过滤_4 .mp4  56.16M
|   |   ├──7-推荐系统架构_实时_离线_1 .mp4  100.65M
|   |   ├──8-推荐系统架构_实时_离线_2 .mp4  104.74M
|   |   └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4  77.80M
1 C6 ]  F9 t* l0 S4 @|   ├──2--推荐系统--数据预处理和模型构建评估实战  
5 f6 r: w$ s9 e5 p! x0 r5 M$ m|   |   ├──1-HQL语句_python脚本构建中间结果_1 .mp4  155.76M
|   |   ├──10-MLlib调用算法计算模型文件并存储_2 .mp4  93.65M
|   |   ├──11-MLlib调用算法计算模型文件并存储_3 .mp4  107.32M
|   |   ├──12-ACC准确率和AUC面积的计算以及意义 .mp4  214.40M
|   |   ├──2-HQL语句_python脚本构建中间结果_2 .mp4  122.28M
|   |   ├──3-HQL语句_python脚本构建中间结果_3 .mp4  123.74M
|   |   ├──4-HQL语句_python脚本构建中间结果_4 .mp4  111.87M
|   |   ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4  116.88M
8 U, \  ?1 l" N* H$ K* v|   |   ├──6-spark构建特征索引_标签列_2 .mp4  91.86M
, |; Z; A3 s0 a8 E( A|   |   ├──7-spark构建特征索引_标签列_3 .mp4  97.86M
+ Z/ u$ a$ |7 J- S( ^, K3 S& c8 W|   |   ├──8-spark构建特征索引_标签列_4 .mp4  98.61M
|   |   └──9-MLlib调用算法计算模型文件并存储_1 .mp4  99.64M
2 {+ k2 d; D  n  a9 M* \4 X|   └──3--推荐系统--模型使用和推荐服务  
- S# a+ m9 w7 ~# C; h% Q|   |   ├──1-推荐模型文件使用思路 .mp4  61.89M
7 \7 z: E7 b5 W6 _' ~' B4 a9 @|   |   ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4  110.16M
|   |   ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4  140.10M
& d7 h. R5 F  U. p|   |   ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4  157.45M
|   |   ├──2-Redis数据库安装及其使用 .mp4  47.93M
- Y& c& l* `' s$ _3 u|   |   ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4  165.06M
. B% i, d, f  ^$ l! ?4 ^. K9 A|   |   ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4  98.49M
7 n9 D. T. @. G|   |   ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4  90.57M
# U' V! b4 g7 u  z/ b& v: a& s|   |   ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4  94.68M
|   |   ├──7-使用Dubbo将推荐系统做成服务_1 .mp4  82.21M
|   |   ├──8-使用Dubbo将推荐系统做成服务_2 .mp4  103.88M
|   |   └──9-使用Dubbo将推荐系统做成服务_3 .mp4  119.95M
├──13--深度学习-原理和进阶  
4 n& j3 \) s& I. }. z|   ├──1--神经网络算法  
5 x, M" j1 l: Y- N/ W0 p|   |   ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4  94.41M
|   |   ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4  53.63M
|   |   ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4  67.67M
( ^7 S; `* m( K8 |1 S|   |   ├──4-用神经网络理解Softmax回归 .mp4  67.20M
) ~$ j) t4 K6 b|   |   ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4  117.52M
# f; S, b. I, @9 |3 j$ U|   |   ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4  90.57M
|   |   ├──7-sklearn中NN模型的代码使用 .mp4  123.62M
|   |   ├──8-隐藏层激活函数必须是非线性的 .mp4  21.95M
|   |   └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4  155.50M
8 v& {8 q+ ]# l7 {" H|   ├──2--TensorFlow深度学习工具  
0 @9 ^4 @: z* [0 j" q1 ^) s# Y2 V|   |   ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4  68.65M
( v! U: c3 U$ @7 v! h|   |   ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4  74.12M
|   |   ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4  120.73M
& T& `. O$ W) l" |5 U: T) z" B. ^|   |   ├──4-TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式 .mp4  173.47M
7 ~6 D5 f& C& U8 p  R|   |   ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4  233.26M
|   |   ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4  137.04M
|   |   └──7-TF实现DNN来识别MNIST手写数字 .mp4  132.73M
|   └──3--反向传播推导_Python代码实现神经网络  
|   |   ├──1-反向传播_链式求导法则 .mp4  86.47M
|   |   ├──2-反向传播推导(一) .mp4  127.90M
4 o+ k$ H& L4 f/ b3 l# s6 x|   |   ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4  121.37M
; S" Z; O. X3 l  O" ^|   |   ├──4-反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例 .mp4  81.20M
+ S! v9 f: G8 B& e|   |   ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4  34.57M
8 p% B2 [! n/ l1 W|   |   ├──6-python实现神经网络训练代码讲解(一) .mp4  84.17M
|   |   └──7-python实现神经网络正向反向传播训练 .mp4  112.23M
2 s: X% }6 L2 r4 n* P- c2 U├──14--深度学习-图像识别原理  
' j" x, P9 S% W( g/ f, S% S|   ├──1--卷积神经网络原理  
% N; B: p, Z  X8 o' ?# x|   |   ├──1-回顾深度神经网络_卷积层是局部连接 .mp4  131.17M
|   |   ├──2-单通道卷积的计算 .mp4  104.01M
5 ~& z& [$ v' i/ a|   |   ├──3-彩色图片卷积的计算 .mp4  52.79M
|   |   ├──4-卷积层权值共享 .mp4  63.93M
|   |   ├──5-卷积的补充与Padding填充模式 .mp4  97.00M
9 L3 P( L; n' P% Y|   |   ├──6-卷积的计算TF中的API操作与参数 .mp4  93.50M
|   |   ├──7-池化的概念和TF中的API的操作与参数 .mp4  64.09M
/ h' W8 ]$ H6 D# K; \|   |   └──8-经典的CNN架构和LeNet5 .mp4  137.21M
8 D+ v) a8 L' d, q9 T|   ├──2--卷积神经网络优化  
; S. J- O; _) L( y|   |   ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4  109.38M
9 e, v8 t7 G9 n% e, f6 e0 t! v3 d|   |   ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4  121.41M
$ Q3 j( d& y, R1 d6 u, }% k|   |   ├──11-Optimizer_Adam .mp4  141.12M
|   |   ├──2-Dropout技术点思想和运用 .mp4  113.94M
|   |   ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4  77.55M
( W# S4 V( l9 T+ t' \1 C|   |   ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4  125.88M
|   |   ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4  104.08M
|   |   ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4  42.02M
|   |   ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4  66.51M
  o7 Z$ ^) i/ C9 F0 Y0 Y' D|   |   ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4  123.25M
0 Q: _9 v9 n2 P3 d  u: g; u7 J) ?$ T|   |   └──9-Optimizer_SGD_Momentum .mp4  89.70M
3 ^& y$ E3 r) ~+ T# I|   ├──3--经典卷积网络算法  
|   |   ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4  141.12M
|   |   ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4  116.63M
1 Z( @' ^8 j, m: S|   |   ├──3-InceptionV1_V2 .mp4  165.86M
|   |   ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4  166.97M
|   |   ├──5-ResNet残差单元_BottlenetBlocK .mp4  121.51M
- M- U0 P2 P2 ~|   |   ├──6-DenseNet和Keras里面的实现 .mp4  150.61M
  T" w- L, }; f; {" z" `|   |   ├──7-DenseNet在Keras里面的代码实现 .mp4  66.75M
|   |   ├──8-BatchNormalization .mp4  99.23M
. D# M' D" O% j7 {' A8 y|   |   └──9-Mobilenet网络架构 .mp4  150.05M
|   ├──4--古典目标检测  
|   |   ├──1-图像识别任务_古典目标检测 .mp4  196.48M
( Z0 q! s, m6 T) g2 S+ u7 U$ O3 q|   |   ├──2-使用OpenCV调用分类器找到目标框 .mp4  98.21M
8 n/ O4 E5 ]4 M( f9 j|   |   ├──3-IOU以及python计算的代码 .mp4  23.56M
|   |   ├──4-R-CNN和SPP-net .mp4  124.06M
. t5 k3 [( F; D; \|   |   └──5-从FastRCNN引入FasterRCNN .mp4  120.81M
|   └──5--现代目标检测之FasterRCNN  
3 C- y' S$ t  F1 h' p. h|   |   ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4  121.18M
|   |   ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4  214.14M
+ D6 _, d, @! I|   |   ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4  157.18M
|   |   ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4  210.02M
1 X0 ?1 S: q6 {" u0 z. r2 o|   |   └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4  247.99M
1 C8 l! l  g! x├──15--深度学习-图像识别项目实战  
8 B1 A9 [: w9 j$ B* }1 ~|   ├──1--车牌识别  
- y8 v% T$ F" y# V9 v( P|   |   ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4  83.16M
|   |   ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4  86.40M
9 f' H7 C1 h7 R  [3 k4 d5 f|   |   ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4  48.80M
7 }0 @5 a! v* `|   |   ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4  73.07M
& U* {4 @% X+ [: }2 w|   |   └──5-车牌识别项目关于目标检测的问题 .mp4  39.48M
|   ├──2--自然场景下的目标检测及源码分析  
|   |   ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4  116.49M
, S% ^1 V- W# s|   |   ├──10-FasterRCNN代码_构建head .mp4  67.56M
|   |   ├──11-FasterRCNN代码_构建RPN网络_01 .mp4  124.40M
|   |   ├──12-FasterRCNN代码_构建RPN网络_02 .mp4  88.47M
: Q0 T9 C6 q, {& P|   |   ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4  83.97M
|   |   ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4  119.92M
' ^( Z; u0 K' F: r# J|   |   ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4  91.40M
- G- z. d0 X5 k$ N7 j|   |   ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4  100.30M
|   |   ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4  165.71M
|   |   ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4  43.58M
|   |   ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4  46.68M
|   |   ├──2-FasterRCNN项目代码_数据加载 .mp4  96.17M
8 y+ d9 u. m8 S% Y* y|   |   ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4  78.02M
|   |   ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4  114.63M
|   |   ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4  100.02M
|   |   ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4  57.32M
|   |   ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4  53.41M
* ]! I3 W, |5 d8 w2 C- Q- [. j8 I|   |   ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4  74.40M
|   |   ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4  76.44M
2 j0 Z/ i  d8 Q$ b9 S* o- Y7 \8 C|   |   ├──3-FasterRCNN项目代码_数据增强 .mp4  71.78M
|   |   ├──4-FasterRCNN项目代码_数据初始化 .mp4  73.27M
|   |   ├──5-FasterRCNN项目代码_模型的训练 .mp4  39.33M
* |, S: a  V' @1 i$ D8 U|   |   ├──6-回归整体训练流程_详解读取数据blob_01 .mp4  81.18M
|   |   ├──7-回归整体训练流程_详解读取数据blob_02 .mp4  75.71M
|   |   ├──8-回归整体训练流程_详解读取数据blob_03 .mp4  39.22M
/ d  I& d8 Q" [, ^" e" Z|   |   └──9-回归整体训练流程_详解读取数据blob_04 .mp4  64.48M
+ m3 H5 w( x# }. x|   └──3--图像风格迁移  
5 `) W- K% g- Q: Y; s& S' a7 y|   |   ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4  81.07M
|   |   ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4  85.15M
& y) p: }2 m  \' |( T6 b|   |   ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4  75.40M
|   |   └──4-图片风格融合项目_架构_代码实现要点_4 .mp4  86.94M
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战  
% c% F& j* R, [% N& ~* x, Q) F|   ├──1--YOLOv1详解  
|   |   ├──1-YOLOv1论文详解_算法特点介绍 .mp4  179.69M
; b) q: p% f! O5 G1 {8 y' Y8 ~|   |   ├──2-YOLOv1论文详解_网络架构_思想 .mp4  215.92M
|   |   ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4  253.21M
|   |   └──4-YOLOv1论文详解_NMS_局限性 .mp4  82.07M
6 b$ m! _& i% X! h/ \: o|   ├──2--YOLOv2详解  
|   |   ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4  158.76M
|   |   ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4  257.43M
& `8 R; E4 c& y/ m9 {; `- l9 l|   |   ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4  141.41M
! M3 q' F! V  V0 _( ?|   |   └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4  183.51M
# h% A  {( D4 R+ J& y|   ├──3--YOLOv3详解  
|   |   ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4  86.51M
* s6 v4 b* ^" N6 N|   |   ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4  158.58M
|   |   ├──3-YOLOv3论文详解_总结_FocalLoss .mp4  147.48M
0 f, [8 T  x/ p" @. ?|   |   ├──4-YOLOv4论文概述_介绍 .mp4  139.49M
|   |   └──5-YOLOv4论文概述_BOS_BOF .mp4  297.31M
|   ├──4--YOLOv3代码实战  
|   |   ├──1-YOLOv3代码剖析_项目介绍 .mp4  157.02M
|   |   ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4  238.06M
2 }* s* s, M- ]; U# g|   |   ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4  223.57M
|   |   ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4  86.53M
|   |   ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4  144.69M
7 \" `& w. i& O|   |   └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4  316.56M
' h" @% T5 q% B, Z8 j9 F|   └──5--YOLOv4详解  
|   |   ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4  207.14M
|   |   ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4  90.48M
|   |   ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4  216.07M
|   |   └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4  220.91M
" J1 q, i4 X1 Z- A├──17--深度学习-语义分割原理和实战  
|   ├──1--上采样_双线性插值_转置卷积  
& O: T7 F, A4 d; G/ P4 S0 a|   |   ├──1-前言 .mp4  19.46M
% z. R7 x- X$ |/ J0 {|   |   ├──2-上采样_repeat .mp4  23.90M
) j2 @# Y( a' L+ V" J* ^1 f|   |   ├──3-线性插值 .mp4  34.48M
|   |   ├──4-双线性插值 .mp4  125.71M
4 q/ X, \+ Z7 @6 m- K- T2 t|   |   ├──5-转置卷积_以及TF的API .mp4  114.25M
4 y8 C. X* T/ q; N: I" B9 H7 U|   |   ├──6-双线性插值作为转置卷积核的初始参数 .mp4  145.01M
; J) k: t) J% T  W0 a# v% ?7 j|   |   ├──7-ROI Align .mp4  58.38M
. y! N0 m; |# ^|   |   ├──8-FPN思想与网络结构 .mp4  92.14M
' M8 G& x% D% |" @# A|   |   └──9-FPN应用于FasterRCNN_ResNetFPN .mp4  95.52M
- x( ]$ W2 _! ~! s; c) e|   ├──2--医疗图像UNet语义分割  
|   |   ├──1-语义分割的基本概念 .mp4  18.33M
: n& X! y: r( c9 C. J. o- K|   |   ├──2-FCN全卷积网络做语义分割 .mp4  36.54M
* m% [4 y) I: T5 ?/ R  P7 S0 {; J) ?0 `) y|   |   ├──3-UNet网络结构 .mp4  30.41M
|   |   └──4-UNet网络医疗图像的语义分割 .mp4  81.21M
|   └──3--蒙版弹幕MaskRCNN语义分割  
. ?) N, j2 L4 p: D|   |   ├──1-MaskRCNN网络结构 .mp4  106.38M
; Z. Z! L. @2 e: h0 n8 V|   |   ├──2-MaskRCNN的项目展示 .mp4  250.54M
|   |   ├──3-MaskRCNN网络架构回顾 .mp4  151.34M
) i% p' U/ K! R3 o|   |   ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4  239.08M
/ G: ]$ h: _' {6 E% J|   |   ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4  44.16M
|   |   └──6-MaskRCNN源码config和model .mp4  244.48M
├──18--深度学习-人脸识别项目实战  
; b7 I5 t# O1 a|   ├──1-人脸识别任务种类_具体做法思路 .mp4  40.67M
|   ├──10-人脸识别项目代码_加载MTCNN模型 .mp4  72.07M
|   ├──11-人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框 .mp4  66.61M
/ N/ f! p/ B3 t- p+ F|   ├──12-FaceNet论文_摘要和前情介绍 .mp4  71.54M
|   ├──13-FaceNet论文_相关的介绍 .mp4  39.55M
. b) E. U7 e* t8 z|   ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4  44.25M
/ a2 d: ]% G* `: W1 g" Z|   ├──15-FaceNet论文_TripleLoss损失函数 .mp4  63.78M
|   ├──16-FaceNet论文_TripleSelection很至关重要 .mp4  131.75M
|   ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4  59.21M
. O! S2 e9 P, u& F|   ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4  42.82M
|   ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4  40.37M
. R) L6 G* H1 @4 S/ q* ?|   ├──2-开源的FaceNet项目介绍 .mp4  38.07M
|   ├──3-人脸识别项目代码整体结构 .mp4  30.40M
, x, T! k/ K+ \4 u. F|   ├──4-MTCNN论文_摘要和介绍 .mp4  68.50M
) T. o$ z7 g4 W$ g|   ├──5-MTCNN论文_网络整体架构 .mp4  76.57M
7 N0 S2 x( @! z. N" t( G|   ├──6-PRelu_每阶段输出多分支意义 .mp4  56.12M
|   ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4  69.95M
|   ├──8-训练数据的准备_每一阶段训练的流程 .mp4  98.08M
' O/ t$ K4 z# ?|   └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4  54.79M
├──19--深度学习-NLP自然语言处理原理和进阶  
|   ├──1--词向量与词嵌入  
! T' C: @- [* m% `  N7 w: E|   |   ├──1-N-gram语言模型 .mp4  116.32M
|   |   ├──2-NPLM神经网络语言模型 .mp4  155.81M
|   |   ├──3-词向量的作用 .mp4  58.00M
7 Q4 }5 O4 M5 Y# }8 ^" T|   |   ├──4-CBOW模型思想和计算过程 .mp4  196.59M
5 \( l/ w% Z6 a( v2 ^( W8 S- {|   |   ├──5-Skip-gram模型思想和计算过程 .mp4  44.35M
|   |   ├──6-Huffman树_分层Softmax的思想 .mp4  113.79M
|   |   ├──7-分层Softmax应用到CBOW模型上 .mp4  64.28M
; M8 B& c$ s7 Z/ ?+ C- i' V( S|   |   └──8-负采样和负采样应用到CBOW模型上 .mp4  66.07M
& \1 D- {3 h: r|   ├──2--循环神经网络原理与优化  
|   |   ├──1-理解RNN循环神经网络拓扑结构 .mp4  122.64M
3 B, ?& U% l6 f) P- n|   |   ├──2-理解RNN循环神经网络计算流程 .mp4  55.91M
$ U& C; L' \  p. k; n. f|   |   ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4  127.75M
) y7 N7 ?4 M8 U4 g& H|   |   ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4  185.30M
|   |   ├──5-VanillaRNN的回顾复习 .mp4  123.51M
1 s$ k. V; D& Y1 r3 \7 F|   |   ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4  44.24M
|   |   ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4  35.32M
|   |   ├──8-双向RNN_LSTM .mp4  52.01M
|   |   └──9-RNN里面应用的Topology结构 .mp4  23.04M
|   ├──3--从Attention机制到Transformer  
' t  [  m+ [8 T|   |   ├──1-Seq2Seq中Attention注意力机制 .mp4  87.67M
+ P% v  h4 J. J, e3 P* ||   |   ├──2-Transformer_Self-Attention_Multi-head .mp4  100.40M
6 }; u* U) t' }|   |   └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4  102.40M
|   └──4--ELMO_BERT_GPT  
|   |   ├──1-ELMO .mp4  62.44M
|   |   ├──2-BERT理论 .mp4  99.73M
|   |   └──3-ERNIE_GPT .mp4  56.34M
3 }4 p2 |: n% ?5 x# l├──2--人工智能基础-Python基础  
! M- _: B0 B' L: T) K' t$ _|   ├──1--Python开发环境搭建  
|   |   ├──1-下载Miniconda运行环境 .mp4  100.75M
|   |   ├──2-Miniconda安装和测试 .mp4  57.12M
|   |   ├──3-Pycharm安装和代码运行 .mp4  71.57M
|   |   ├──4-Jupyter安装和代码运行 .mp4  37.10M
- v2 x" G; P4 c* N3 u$ ^8 [|   |   ├──5-Jupyter常用快捷键 .mp4  32.23M
|   |   ├──6-Conda虚拟环境创建与Python模块安装 .mp4  73.12M
|   |   └──7-关联虚拟环境运行代码 .mp4  38.14M
|   └──2--Python基础语法  
9 i/ J$ K6 r" j|   |   ├──1-Python是强类型的动态脚本语言 .mp4  44.15M
|   |   ├──10-Python_集合操作_列表 .mp4  34.71M
|   |   ├──11-Python_集合操作_列表的基本操作 .mp4  49.44M
|   |   ├──12-Python_集合操作_列表的常用方法 .mp4  37.35M
. P9 `3 h" l/ a|   |   ├──13-Python_集合操作_元组 .mp4  43.46M
- Z6 O: W: k* h! B+ X|   |   ├──14-Python_集合操作_字典和常见操作 .mp4  38.01M
( T+ Z8 ~* A3 g; ]. h7 O. P: J' ?|   |   ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4  22.40M
% x3 _* `( O" w' J5 H+ G! l- B/ ^|   |   ├──16-Python_os模块_shutil模块 .mp4  51.54M
|   |   ├──17-Python_打开并读取文件_中文编码问题 .mp4  58.82M
, @. d5 i! d; [4 B8 \: `|   |   ├──18-Python_函数_定义_调用_返回值_注释 .mp4  23.77M
: C. H" w8 {/ v|   |   ├──19-Python_函数_局部变量_全局变量 .mp4  31.20M
|   |   ├──2-Python_控制语句_单双分支 .mp4  50.66M
8 G6 _9 r8 [; I. X" j) V( h5 |' j|   |   ├──20-Python_函数_默认参数_可变参数 .mp4  24.47M
( K% h9 h7 ~, n0 h3 T|   |   ├──21-Python_函数_递归 .mp4  23.46M
- C$ g3 Z, }6 @: q|   |   ├──22-Python_函数式编程_高阶函数 .mp4  24.65M
7 L+ [+ N# o# E; h|   |   ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4  37.86M
|   |   ├──24-Python_函数_闭包 .mp4  41.61M
|   |   ├──25-Python_函数_装饰器 .mp4  30.35M
7 S0 R0 @3 o! t1 B7 x3 v- D/ c' w- b|   |   ├──26-Python_类对象_定义与实例化对象 .mp4  44.21M
|   |   ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4  38.35M
|   |   ├──28-Python_类对象_内置方法 .mp4  29.17M
|   |   ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4  38.46M
|   |   ├──3-Python_控制语句_多分支_三元条件运算符 .mp4  31.02M
' j4 H* ?6 G2 O9 \' ]|   |   ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4  24.66M
; c+ [1 D7 f  B: N1 ~3 F; Z|   |   ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4  32.00M
2 O6 L7 _- Q* z6 F4 u4 E|   |   ├──4-Python_控制语句_while循环 .mp4  25.02M
+ ]1 J* x. f. j6 m# i|   |   ├──5-Python_控制语句_for循环 .mp4  22.82M
|   |   ├──6-Python_控制语句_嵌套循环 .mp4  36.15M
|   |   ├──7-Python_控制语句_break_continue .mp4  25.23M
|   |   ├──8-Python_切片操作 .mp4  40.20M
, e& F- @/ k" G- p|   |   └──9-Python_数据类型 .mp4  25.38M
& ~5 t: p' ~1 ]" ]& v5 _$ Q├──20--深度学习-NLP自然语言处理项目实战  
5 B- I0 N) n/ S9 L* o|   ├──1--词向量  
1 Q( O) x1 ?% P" u# O2 i|   |   ├──1-回顾了词向量里面训练的Topology .mp4  121.72M
|   |   ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4  96.76M
8 b+ i) j- H+ v0 n$ ~! A7 {|   |   ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4  82.29M
5 {  \9 }! O% z( Z! |7 ]5 l7 ?|   |   ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4  102.84M
|   |   ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4  83.28M
. W' E4 e4 m( A! ~4 H" K4 ]|   |   └──6-Word2Vec项目代码_总结串讲 .mp4  22.52M
|   ├──2--自然语言处理--情感分析  
|   |   ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4  71.10M
|   |   ├──2-数据预处理_01 .mp4  79.65M
! b7 f2 H7 ?; {7 {|   |   ├──3-数据预处理_02 .mp4  45.68M
|   |   ├──4-代码讲解_01 .mp4  52.29M
|   |   ├──5-代码讲解_02 .mp4  60.85M
|   |   ├──6-代码讲解_03 .mp4  53.89M
7 a- F0 v/ R( V, |- b) C% v4 l|   |   ├──7-代码讲解_04 .mp4  57.19M
& O$ Z; A2 s0 }! m|   |   └──8-代码讲解_05 .mp4  35.88M
) T; ~  _# T' s! k9 U|   ├──3--AI写唐诗  
|   |   ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4  114.96M
. R' L8 Z- {7 u7 c, g|   |   ├──2-AI写唐诗_训练数据的构建 .mp4  69.75M
" ]" \0 U4 w8 Z  `|   |   ├──3-MultiRNNCell单元 .mp4  38.93M
|   |   ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4  67.03M
|   |   ├──5-AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码 .mp4  61.73M
|   |   └──6-AI写唐诗_模型的使用_增加随机性 .mp4  93.87M
|   ├──4--Seq2Seq聊天机器人  
|   |   ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4  118.79M
|   |   ├──2-Seq2Seq版Chatbot的数据预处理 .mp4  93.85M
. H9 F& s5 [2 {9 n% V) d|   |   └──3-Seq2Seq版Chatbot训练和模型使用 .mp4  133.29M
) c% f3 L2 s) }5 F3 z|   ├──5--实战NER命名实体识别项目  
|   |   ├──1-回顾了一下CRF训练和使用过程 .mp4  73.72M
|   |   ├──2-介绍了代码目录结构 .mp4  23.44M
6 {& q# H- O( t# b  B* k9 m/ h  H4 d( w|   |   ├──3-NER代码读取数据和预处理 .mp4  97.61M
4 I6 K0 R% a) K5 q! l. R0 @|   |   ├──4-feature进入BiLSTM进行正向传播的过程 .mp4  70.91M
|   |   ├──5-通过CRF层来计算Loss损失以及训练 .mp4  80.51M
|   |   ├──6-BiLSTM-CRF模型的预测代码 .mp4  64.10M
: m' @) V2 f7 B|   |   ├──7-CRF中的特征函数们 .mp4  125.97M
: C& P0 v' k; k|   |   ├──8-对比逻辑回归_相比HMM优势 .mp4  143.56M
  a  a" D2 Z$ ^|   |   └──9-补充标注偏置问题_HMM做分词代码结构 .mp4  141.43M
|   ├──6--BERT新浪新闻10分类项目  
|   |   └──1-BERT新浪新闻10分类项目 .mp4  104.54M
|   └──7--GPT2聊天机器人  
|   |   └──1-GPT2闲聊机器人 .mp4  62.28M
' k1 M8 s1 Q5 ^4 {├──21--深度学习-OCR文本识别  
" R7 j) a0 [! f6 I4 S% e|   ├──1-传统OCR识别_深度学习OCR识别 .mp4  369.94M
|   ├──10-CRNN项目代码剖析 .mp4  306.48M
. w* ]+ ~3 t5 i; b; J  m7 L+ x|   ├──2-OCR识别本质就是文字检测和文字识别 .mp4  253.34M
# E: X( H, r& @  a8 _+ H  w|   ├──3-OCR识别的CTC损失思想 .mp4  327.69M
|   ├──4-总结理解深度学习文字识别架构 .mp4  121.59M
|   ├──5-CTC损失函数的理解 .mp4  330.64M
5 X* i, \) ?3 K$ F9 ^6 ^7 F: s|   ├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4  200.52M
|   ├──7-CTC前向后向算法代码 .mp4  225.41M
|   ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4  308.23M
|   └──9-CPTN项目代码剖析 .mp4  491.69M
├──24--【加课】Pytorch项目实战  
( o3 D% h4 e/ g( B+ ^9 d|   ├──1--PyTorch运行环境安装_运行环境测试  
|   |   ├──1-PyTorch概述 .mp4  29.29M
* T  j: T9 B- r% w7 d8 @6 }2 O|   |   ├──2-PyTorch的安装 .mp4  76.45M
& V% {" q9 l( Y% y) L|   |   ├──3-Pycharm关联PyTorch运行环境 .mp4  37.96M
9 E+ K1 p7 E4 i|   |   └──4-Jupyter关联PyTorch运行环境 .mp4  31.22M
" u8 j* l. [7 B9 ]- h|   ├──2--PyTorch基础_Tensor张量运算  
- a& @$ C8 C8 Q* }4 G|   |   ├──1-Tensor的创建 .mp4  55.14M
  o$ d8 |& L- I0 B; g6 w5 @|   |   ├──2-修改Tensor的形状_索引操作 .mp4  76.51M
|   |   ├──3-广播机制_逐元素操作 .mp4  44.46M
- i' |' _& A! _3 R- [% a  ||   |   └──4-归并操作_比较操作_矩阵操作 .mp4  59.39M
2 o6 m3 D0 Z4 _+ h. q3 n: L: h: @) \|   ├──3--PyTorch卷积神经网络_实战CIFAR10  
6 S0 U7 p& ]8 P8 G% p0 \, b/ p2 j( D|   |   ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4  83.93M
|   |   ├──10-PyTorch代码实战加入数据增强 .mp4  34.15M
|   |   ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4  58.61M
. y( f2 u% t% _' u& Q! k7 `4 G|   |   ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4  51.47M
|   |   ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4  30.60M
6 S4 s# ~3 m( o' P1 w; G4 |3 x: m|   |   ├──5-使用全局平均池化_使用LeNet模型 .mp4  40.97M
3 m6 Q  @8 a0 B' T" D|   |   ├──6-使用集成学习思想训练识别模型 .mp4  86.96M
$ K, q6 ~2 J7 z; m' \|   |   ├──7-使用VGG16模型提供准确率 .mp4  52.90M
$ m/ K. `4 z- W% K- j|   |   ├──8-torchvision里面的预训练模型 .mp4  29.84M
|   |   └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4  67.71M
: m) n. u& S6 z9 e9 c& s|   ├──4--PyTorch循环神经网络_词性标注  
5 o9 B: m0 ]: q3 h|   |   ├──1-PyTorch词性标注_构建数据和词索引号 .mp4  28.07M
: m0 U$ M) k1 [3 Q# y) g. Y! r|   |   ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4  47.01M
|   |   ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4  44.59M
|   |   └──4-PyTorch词性标注_测试模型效果 .mp4  11.67M
|   └──5--PyTorch编码器解码器_机器翻译  
|   |   ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4  50.41M
1 u) p0 `0 g, z0 [9 n|   |   ├──2-PyTorch中英文翻译_数据预处理 .mp4  42.68M
|   |   ├──3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器 .mp4  57.69M
) W& \- G4 p+ j( D2 z|   |   ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4  50.92M
|   |   ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4  79.33M
|   |   ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4  59.08M
* O5 Y0 w  s5 n2 @( c" J+ d|   |   ├──7-PyTorch中英文翻译_评估模型函数 .mp4  56.52M
|   |   └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4  33.74M
├──25--【加课】百度飞桨PaddlePaddle实战【新增】  
% M- t: b, s/ p* S4 m8 L. N7 K|   ├──1--PaddlePaddle框架安装_波士顿房价预测  
|   |   ├──1-安装PaddlePaddle .mp4  87.34M
/ b1 n! J1 j# |6 m  Y9 e|   |   ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4  45.21M
|   |   ├──3-PaddlePaddle求解线性模型 .mp4  50.63M
|   |   ├──4-预测波士顿房价_数据读取_正向传播 .mp4  60.49M
|   |   └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4  43.72M
0 C: x8 i6 Q# [( F0 q9 t6 ~|   ├──2--PaddlePaddle卷积网络_病理性近视识别  
3 @6 S( q! L. C, Z6 O" p|   |   ├──1-预测病理性近视_图片数据读取 .mp4  97.18M
|   |   ├──2-预测病理性近视_模型训练 .mp4  86.66M
& I& g# U% L; n6 z* ]|   |   ├──3-预测病理性近视_定义模型结构_评估模型 .mp4  84.10M
5 g* ^" h9 i4 x# m; w. ^|   |   └──4-预测病理性近视_调用经典卷积神经网络 .mp4  91.83M
|   ├──3--PaddleDetection工具_PCB电路板缺陷检测  
|   |   ├──1-PaddleDetection_项目配置 .mp4  82.88M
|   |   ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4  65.48M
* U/ K0 B9 b+ x9 Y- L4 b|   |   ├──3-PCB电路板缺陷检测_Images和Annotations .mp4  83.10M
|   |   ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4  133.78M
) T  p5 T( F- b6 U3 \6 F: K|   |   ├──5-PCB电路板缺陷检测_项目配置文件 .mp4  42.77M
|   |   ├──6-PCB电路板缺陷检测_模型训练 .mp4  64.62M
|   |   └──7-PCB电路板缺陷检测_模型预测 .mp4  51.73M
|   ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)  
& D( n( i: z7 ~! p% m|   |   ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4  69.65M
|   |   ├──2-车牌识别项目_详解数据准备阶段代码 .mp4  42.93M
|   |   ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4  57.48M
|   |   ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4  61.62M
+ f4 a% q# L/ ]+ S& Q% o|   |   ├──5-车牌识别项目_车牌字符识别模型训练 .mp4  61.89M
- _4 t4 I+ }1 a2 F9 m" I|   |   └──6-车牌识别项目_车牌识别模型导出及预测 .mp4  75.61M
|   ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）  
2 w6 c3 w0 y0 Y+ h* y7 I|   |   ├──1-PaddleNLP_项目配置 .mp4  49.37M
|   |   ├──2-PaddleNLP_物流信息提取项目介绍 .mp4  48.01M
|   |   ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4  106.19M
|   |   ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4  55.51M
2 g0 |  m0 Z6 [6 V|   |   ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4  51.88M
|   |   ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4  48.53M
|   |   ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4  47.34M
  V6 |( l6 V& V5 k|   |   └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4  80.58M
|   └──6--PaddleNLP模块_物流信息提取（ERNIE版）  
|   |   ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4  49.47M
$ u! _% B; }) Q7 {' `9 T% g( v( _9 ?|   |   ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4  57.44M
|   |   ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4  47.78M
; ]$ L  i5 `# J* o9 f( v|   |   └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4  57.88M
├──26--【加课】Linux 环境编程基础  
' x1 Q$ _+ r# o# K  e$ O|   └──1--Linux  
: B: N, N$ F0 Z- {! J  z% Z|   |   ├──1-Linux_课程介绍 .mp4  3.72M
6 C& ~2 l  I7 h2 Z! u: U2 W. F" A  ]|   |   ├──10-Linux_常用命令_clear、touch、cat命令 .mp4  10.13M
* K) X4 j4 \! @; ]|   |   ├──11-Linux_常用命令more、head、tail命令 .mp4  16.32M
|   |   ├──12-Linux_常用命令_mkdir命令 .mp4  10.57M
/ \2 p# H. q$ V6 m7 W2 b' \( F|   |   ├──13-Linux_常用命令_cp命令 .mp4  16.08M
. p. R# G. u1 h3 u|   |   ├──14-Linux_常用命令_rm、mv命令 .mp4  31.83M
|   |   ├──15-Linux_常用命令_vi、vim .mp4  30.63M
|   |   ├──16-Linux_常用命令_reboot、halt .mp4  4.75M
6 Z+ w0 O7 G2 W8 t* A|   |   ├──17-Linux_常用配置_设置时区 .mp4  28.84M
|   |   ├──18-Linux_常用配置_启动网络 .mp4  15.64M
|   |   ├──19-Linux_常用配置_修改网段 .mp4  12.83M
|   |   ├──2-Linux_Linux简介 .mp4  17.59M
|   |   ├──20-Linux_常用配置_设置网络类型 .mp4  25.66M
|   |   ├──21-Linux_常用配置_快照与克隆 .mp4  16.47M
|   |   ├──22-Linux_Xshell的安装与使用 .mp4  19.51M
|   |   ├──23-Linux_上传与下载_Xftp的使用 .mp4  20.33M
|   |   ├──24-Linux_上传与下载_lrzsz工具 .mp4  43.32M
) L3 h- n" Y" n. U8 l|   |   ├──25-Linux_文件的压缩与解压缩处理 .mp4  43.12M
" x! }) X# r" o& L: t|   |   ├──26-Linux_安装MySQL .mp4  79.02M
|   |   ├──3-Linux_VMWare安装及使用 .mp4  20.92M
* K# J1 p+ Y! p, }3 M% J8 @4 v' y|   |   ├──4-Linux_安装Linux .mp4  41.97M
|   |   ├──5-Linux_目录介绍 .mp4  20.31M
: L* }% H6 L. _3 P0 G" z) e/ M/ t|   |   ├──6-Linux_Linux中的路径 .mp4  18.65M
|   |   ├──7-Linux_常用命令_pwd命令 .mp4  5.79M
, J9 {5 h8 Y& K5 S4 M# L|   |   ├──8-Linux_常用命令_cd命令 .mp4  8.15M
|   |   └──9-Linux_常用命令_ls与ll命令 .mp4  34.39M
├──27--【加课】算法与数据结构  
|   └──1--算法与数据结构  
. Y9 O8 f% J; I8 M|   |   ├──1-数据结构与算法简介 .mp4  35.68M
; X) ~5 }8 ^4 @$ z- k9 v4 q- f|   |   ├──10-哈希表的基本结构 .mp4  54.34M
|   |   ├──11-哈希表冲突问题 .mp4  75.92M
|   |   ├──12-哈希表冲突问题2 .mp4  72.30M
|   |   ├──13-哈希扩容 .mp4  111.03M
% ^2 r# c$ V+ X8 P+ C; F|   |   ├──14-递归与栈 .mp4  50.77M
, E! Z* o1 U0 ~1 ^7 p|   |   ├──15-线性查找 .mp4  57.80M
|   |   ├──16-二分查找 .mp4  52.32M
# Y3 J1 E$ P; f3 @3 A! W|   |   ├──17-冒泡排序 .mp4  53.19M
|   |   ├──18-选择排序 .mp4  43.29M
# Q1 u; x- Y% V* x- p4 K; c|   |   ├──19-插入排序 .mp4  31.39M
$ T& q2 P& E+ V; r& `7 _|   |   ├──2-大O表示法 .mp4  25.59M
% J7 h4 O4 L. J0 n& Z; p# C# g8 f|   |   ├──20-归并排序 .mp4  84.48M
3 e* ?! g8 `7 ~  v* f( d|   |   ├──21-快速排序 .mp4  36.63M
; D% @" z7 g6 U7 l% j, X|   |   ├──22-树结构 .mp4  96.85M
|   |   ├──23-树结构的遍历 .mp4  61.05M
( t, T1 j1 k6 G7 l9 \2 q2 a|   |   ├──24-最大堆的增加操作 .mp4  45.43M
2 j- @* `  I$ T7 k# F! p& }|   |   ├──25-最大堆的删除操作 .mp4  45.63M
; ^' k) ]; q' \! z" b6 M4 S|   |   ├──26-二叉树的查找 .mp4  100.24M
|   |   ├──27-二叉树获取最小值 .mp4  25.21M
|   |   ├──28-二叉树的添加 .mp4  72.66M
7 D1 L' X# c, D3 \7 V|   |   ├──29-二叉树的删除 .mp4  120.06M
- N6 Y9 V/ Z' w/ A|   |   ├──3-线性结构 .mp4  53.14M
|   |   ├──4-单线链表1 .mp4  68.36M
|   |   ├──5-单链表2 .mp4  221.69M
! z3 x6 W2 Z! K8 M: _+ p|   |   ├──6-双链表 .mp4  103.57M
|   |   ├──7-队列(链式) .mp4  74.12M
+ C. X, ^7 W  L, f5 a" ^7 p% i2 O* M|   |   ├──8-队列(线式) .mp4  30.99M
/ H6 ]2 G, D% o9 D4 W; x|   |   └──9-栈与双端队列 .mp4  28.12M
├──3--人工智能基础-Python科学计算和可视化  
|   ├──1--科学计算模型Numpy  
|   |   ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4  39.89M
|   |   ├──2-Numpy_array_arange .mp4  35.45M
|   |   ├──3-Numpy_random随机数生成 .mp4  50.54M
|   |   ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4  45.37M
|   |   ├──5-NumPy_reshape_切片操作_copy函数 .mp4  34.47M
0 t* a$ E; M: b) F/ d|   |   ├──6-Numpy_改变数组维度_数组的拼接 .mp4  46.50M
|   |   ├──7-Numpy_数组的切分和转置 .mp4  28.34M
9 a3 h. j! H& B! E) |( y- \|   |   ├──8-Numpy_算术运算_向上向下取整 .mp4  34.59M
" F4 i/ Y$ a4 m+ z( S|   |   └──9-Numpy_聚合函数 .mp4  23.68M
|   ├──2--数据可视化模块  
& y% F$ m* ?4 h! ]  L, ^|   |   ├──1-Matplotlib_概述_绘制直线图 .mp4  40.79M
# x! ]2 z) f* z; L2 u+ s( m|   |   ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4  37.73M
$ P7 W! C7 X) V/ \, t* G% z+ O|   |   ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4  52.15M
|   |   ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4  29.54M
|   |   └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4  34.90M
/ d: J0 D1 K! q" \, L6 K! w. z|   └──3--数据处理分析模块Pandas  
  e' K* k0 `. S" E+ j6 }4 V|   |   ├──1-Python_Pandas_Series对象创建 .mp4  33.35M
|   |   ├──2-Python_Pandas_DataFrame对象创建 .mp4  37.19M
0 H; g( R; Q" P|   |   ├──3-Python_Pandas_获取Series对象的值 .mp4  22.41M
0 o5 g& Y) E4 [, k5 F7 }( {% A|   |   ├──4-Python_Pandas_获取DataFrame对象的值 .mp4  28.31M
- \* N4 {0 W$ L4 \# d& w|   |   ├──5-Python_Pandas_条件过滤 .mp4  24.66M
|   |   ├──6-Python_Pandas_空值的删除与填充 .mp4  46.66M
|   |   └──7-Python_Pandas_拼接和合并 .mp4  44.84M
├──31--【加课】 强化学习【新增】  
2 q" F/ T/ h  ~8 \5 \+ [, Q% g|   ├──1--Q-Learning与SARSA算法  
. o5 ]( V* h! F7 S/ \( E|   |   ├──1-强化学习通过智能体与环境交互进行学习 .mp4  81.83M
4 \& d3 p( Y* `* d: v1 p% B& g|   |   ├──10-代码实战Q-Learning智能体训练模型 .mp4  40.30M
5 Z* l. k$ w( n$ S|   |   ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4  45.38M
|   |   ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4  42.69M
2 m+ T  c3 e5 \/ F5 P/ q/ H|   |   ├──13-代码实战SarsaLambda_训练模型 .mp4  42.49M
" k% l+ m% J5 K' l|   |   ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4  59.84M
# m+ i! r; }- b" S/ s  F( [; m3 L|   |   ├──3-详解Q值和V值以及它们之间关系 .mp4  82.69M
" o9 r- o/ n) c3 B$ p) |) n! E7 ]|   |   ├──4-蒙特卡洛采样回溯计算V值 .mp4  74.25M
|   |   ├──5-蒙特卡洛和时序差分估算状态V值 .mp4  82.14M
|   |   ├──6-SARSA算法和Q-learning算法 .mp4  76.34M
|   |   ├──7-理解Q-table_创建maze交互环境 .mp4  78.55M
" C& b3 a5 z2 p  ^( D1 Z+ w|   |   ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4  34.23M
|   |   └──9-代码实战Q-Learning智能体选择行为 .mp4  38.39M
# w" E8 f& _; U, k|   ├──2--Deep Q-Learning Network  
|   |   ├──1-DQN算法思想 .mp4  59.24M
) l) g# k' s, D) e8 i0 E|   |   ├──10-DoubleDQN缓解over-estimate .mp4  44.14M
|   |   ├──11-DoubleDQN代码实战 .mp4  44.49M
|   |   ├──12-DuelingDQN .mp4  88.12M
& o- D) Y5 Q& h7 G|   |   ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4  91.00M
|   |   ├──14-计算Action的方差避免风险 .mp4  54.23M
|   |   ├──15-Rainbow_DQN如何计算连续型的Actions .mp4  65.35M
|   |   ├──2-DQN算法具体流程 .mp4  56.17M
|   |   ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4  96.70M
|   |   ├──4-代码实战DQN_Agent和Env整体交互 .mp4  52.25M
# a; e8 Y/ u' Z4 D6 _! V' K) W|   |   ├──5-代码实战DQN_构建Q网络 .mp4  70.52M
|   |   ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4  85.79M
|   |   ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4  53.49M
/ U& e" o) }, o( v( _. {0 \7 N|   |   ├──8-代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小 .mp4  58.93M
|   |   └──9-DQN会over-estimate的本质原因 .mp4  44.92M
+ P  X7 `1 h6 I9 q|   ├──3--Policy Gradient 策略梯度  
. }& N9 ?% _5 U1 C7 }|   |   ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4  68.21M
5 L) G+ h+ c) E/ o7 _! W0 z$ X! I( W7 [/ l|   |   ├──10-策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战 .mp4  34.22M
|   |   ├──2-策略梯度PG_明确目标函数和导函数 .mp4  62.20M
|   |   ├──3-策略梯度PG_简化导函数的公式推导 .mp4  36.66M
|   |   ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4  33.38M
|   |   ├──5-策略梯度PG_讲解CartPole环境 .mp4  55.59M
8 K; W. u# B) ]! A( _) f|   |   ├──6-代码实战_策略梯度PG和CartPole交互 .mp4  75.57M
|   |   ├──7-代码实战_策略梯度PG网络构建 .mp4  48.86M
|   |   ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4  54.67M
|   |   └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4  33.07M
& J0 x/ D$ m$ o- x|   ├──4--Actor Critic (A3C)  
( K: x4 @; `. @, N) L|   |   ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4  55.33M
% g% M- j, ]/ j( m( v' e|   |   ├──10-代码实战_A3C_增加actor探索性用到熵_定义worker正太分布抽样和求梯度的逻辑 .mp4  36.14M
- p6 m* w) l- I( S|   |   ├──11-代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑 .mp4  40.24M
1 w1 w. k! d3 z|   |   ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4  39.73M
|   |   ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4  51.55M
1 Y1 b4 q) I! l3 K2 M1 h, g- R|   |   ├──14-代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示 .mp4  47.18M
|   |   ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4  86.42M
|   |   ├──3-代码实战_ActorCritic与环境交互 .mp4  82.51M
|   |   ├──4-代码实战_Actor网络构建及训练 .mp4  58.07M
- O, t, m% m% [6 e3 f5 w|   |   ├──5-代码实战_详解Critic网络构建及训练 .mp4  87.92M
|   |   ├──6-A3C架构和训练流程 .mp4  74.66M
8 H0 j0 R+ ^0 O/ M  U|   |   ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4  77.58M
- g) z/ S' m7 v! V  t, f|   |   ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4  32.03M
|   |   └──9-代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性 .mp4  36.62M
|   └──5--DDPG、PPO、DPPO算法  
- g. F( j$ ^" ?0 v4 J- @8 N|   |   ├──1-DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic .mp4  81.92M
& U) @; W$ O# a  `5 y|   |   ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4  32.54M
|   |   ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4  41.02M
|   |   ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4  42.12M
0 y9 K+ @- p1 N|   |   ├──13-DPPO分布式PPO .mp4  63.81M
|   |   ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4  37.79M
|   |   ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4  54.72M
|   |   ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4  51.45M
" ^; X6 t% y. j0 t|   |   ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4  57.06M
1 x: A- j3 {6 e|   |   ├──4-代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示 .mp4  44.17M
% S/ A3 Q3 d' r  l$ i# A|   |   ├──5-TD3_使用DoubleNetwork优化DDPG .mp4  63.92M
|   |   ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4  38.45M
  Q0 F% `4 J+ ?4 d|   |   ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4  35.49M
|   |   ├──8-PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题 .mp4  38.09M
0 [4 B% k5 V+ k3 X. O|   |   └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4  61.79M
1 j) }$ Y' \( t+ c├──4--人工智能基础-高等数学知识强化  
" k1 l8 l3 W! V  _- D|   ├──1--数学内容概述  
+ k) t6 Y$ U" N( Q$ k$ |- @0 a|   |   ├──1-人工智能学习数学的必要性_微积分知识点 .mp4  28.76M
|   |   ├──2-线性代数_概率论知识点 .mp4  26.81M
|   |   └──3-最优化知识_数学内容学习重点 .mp4  40.43M
|   ├──2--一元函数微分学  
8 |- O( C3 M  j|   |   ├──1-导数的定义_左导数和右导数 .mp4  28.39M
  h$ ]! q5 {4 m8 O|   |   ├──2-导数的几何意义和物理意义 .mp4  14.49M
$ a% X  M. k5 O4 R2 R5 y|   |   ├──3-常见函数的求导公式 .mp4  22.76M
|   |   ├──4-导数求解的四则运算法则 .mp4  26.52M
|   |   ├──5-复合函数求导法则 .mp4  19.68M
|   |   ├──6-推导激活函数的导函数 .mp4  33.40M
6 O! W( x5 O+ g! k7 O3 D) m|   |   ├──7-高阶导数_导数判断单调性_导数与极值 .mp4  21.95M
|   |   └──8-导数判断凹凸性_导数用于泰勒展开 .mp4  44.22M
|   ├──3--线性代数基础  
; |# z; V+ G$ O/ W/ S6 V|   |   ├──1-向量的意义_n维欧式空间空间 .mp4  20.82M
3 _2 C2 I- w( {/ T' x- A|   |   ├──10-矩阵的逆矩阵 .mp4  38.54M
) \" ]4 p. c* C1 k4 _|   |   ├──11-矩阵的行列式 .mp4  20.13M
6 ^4 J5 [3 p/ A$ Q! r  X|   |   ├──2-行向量列向量_转置_数乘_加减乘除 .mp4  19.28M
, [6 ~( U3 N; s6 ~  P4 V|   |   ├──3-向量的内积_向量运算法则 .mp4  19.78M
) R1 X8 [6 X( ?|   |   ├──4-学习向量计算的用途举例 .mp4  20.32M
- S% g8 ^) F3 C$ ]% L: A* j9 }|   |   ├──5-向量的范数_范数与正则项的关系 .mp4  32.40M
|   |   ├──6-特殊的向量 .mp4  26.45M
/ R  X0 x1 `/ \7 P|   |   ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4  18.06M
! d% D6 L3 ]" U/ E|   |   ├──8-矩阵的运算_加减法_转置 .mp4  22.76M
' }% u, w. v2 H1 k8 Y|   |   └──9-矩阵相乘 .mp4  20.02M
2 T, g1 u3 v, [" B; ~4 k' Z|   ├──4--多元函数微分学  
|   |   ├──1-多元函数求偏导 .mp4  22.61M
* s4 n) _6 _% T8 o1 i( a5 `|   |   ├──2-高阶偏导数_梯度 .mp4  27.15M
* e6 Y- _0 B* u! X3 P|   |   ├──3-雅可比矩阵_在神经网络中应用 .mp4  37.65M
- v% `/ M; a6 D7 n8 x0 E6 {1 m/ J|   |   └──4-Hessian矩阵 .mp4  32.93M
|   ├──5--线性代数高级  
% v" F: r' z: q( }|   |   ├──1-二次型 .mp4  27.70M
6 N. U0 [! Y4 {/ v6 Q% q- v|   |   ├──10-SVD用于PCA降维 .mp4  24.90M
|   |   ├──11-SVD用于协同过滤_求逆矩阵 .mp4  35.85M
0 {7 a$ G3 m3 h' @  h: [|   |   ├──2-补充关于正定负定的理解 .mp4  23.48M
; q' _7 t* U; B- T& d0 P- O$ O+ h|   |   ├──3-特征值和特征向量(1) .mp4  29.83M
7 u# ?% l; p# j|   |   ├──4-特征值和特征向量(2) .mp4  30.07M
. c; @' D$ ~/ w" r1 s' V( A- x2 A|   |   ├──5-特征值分解 .mp4  38.68M
" A& y' x1 L* }9 l+ P, p, ?1 Q|   |   ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4  44.77M
; x. @6 U* Y3 \. c/ c& ~% d0 F|   |   ├──7-奇异值分解定义 .mp4  22.58M
|   |   ├──8-求解奇异值分解中的UΣV矩阵 .mp4  49.47M
( `+ x9 N) {. B( m, L|   |   └──9-奇异值分解性质_数据压缩 .mp4  38.70M
|   ├──6--概率论  
- q- E0 ]& u  _6 P, e! j|   |   ├──1-概率论_随机事件与随机事件概率 .mp4  21.71M
  y  M5 ^' E* o|   |   ├──2-条件概率_贝叶斯公式 .mp4  32.64M
& E: w  M6 t5 }2 l8 [  ||   |   ├──3-随机变量 .mp4  22.57M
|   |   ├──4-数学期望和方差 .mp4  22.96M
5 h$ @( ~3 v2 s* S7 ]0 p  c9 n. G6 ||   |   ├──5-常用随机变量服从的分布 .mp4  22.48M
|   |   ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4  32.48M
|   |   └──7-最大似然估计思想 .mp4  23.42M
|   └──7--最优化  
|   |   ├──1-最优化的基本概念 .mp4  35.14M
! c% _' c' ~5 H/ c9 K9 P2 Q|   |   ├──10-拉格朗日函数 .mp4  27.46M
|   |   ├──2-迭代求解的原因 .mp4  20.15M
; g- t9 J& C2 I" Q|   |   ├──3-梯度下降法思路 .mp4  26.33M
9 a$ q7 ~8 j2 H" z( r, N* a. W|   |   ├──4-梯度下降法的推导 .mp4  43.56M
|   |   ├──5-牛顿法公式推导以及优缺点 .mp4  45.83M
|   |   ├──6-坐标下降法_数值优化面临的问题 .mp4  23.90M
& P1 r9 D; _: f8 Z6 c* O|   |   ├──7-凸集 .mp4  21.90M
|   |   ├──8-凸函数 .mp4  16.93M
|   |   └──9-凸优化的性质_一般表达形式 .mp4  20.81M
6 G: [& Q# L. b9 O├──5--机器学习-线性回归  
|   ├──1--多元线性回归  
  q9 c; b  _6 E% o/ x|   |   ├──1-理解简单线性回归 .mp4  51.11M
& j# u% j/ c) m|   |   ├──10-对数似然函数_推导出损失函数MSE .mp4  41.92M
) q# }5 f! j8 h; u$ r& o/ s|   |   ├──11-把目标函数按照线性代数的方式去表达 .mp4  27.00M
- T- c- i& x' J& w|   |   ├──12-推导出目标函数的导函数形式 .mp4  46.38M
|   |   ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4  59.19M
|   |   ├──14-Python开发环境版本的选择及下载 .mp4  54.07M
  B. z* t* q+ C2 [" U6 C|   |   ├──15-Anaconda环境安装_Pycharm环境安装 .mp4  61.07M
|   |   ├──16-Pycharm创建脚本并测试python开发环境 .mp4  40.51M
|   |   ├──17-解析解的方式求解多元线性回归_数据Xy .mp4  40.41M
|   |   ├──18-解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形 .mp4  48.31M
|   |   ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4  34.67M
; A# D% [' a7 _: ]  L|   |   ├──2-最优解_损失函数_MSE .mp4  39.58M
|   |   ├──20-Scikit-learn模块的介绍 .mp4  29.18M
|   |   ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4  25.20M
|   |   ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4  41.02M
, G/ e5 Q/ y9 I; Q4 j+ p4 o|   |   ├──3-扩展到多元线性回归 .mp4  32.15M
|   |   ├──4-理解多元线性回归表达式几种写法的原因 .mp4  33.97M
. B; Q4 v/ q# c|   |   ├──5-理解维度这个概念 .mp4  41.41M
  s8 M0 f8 K0 y" n|   |   ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4  65.82M
  _  E& X* ~3 ?8 W! _+ Q|   |   ├──7-假设误差服从正太分布_最大似然估计MLE .mp4  43.11M
|   |   ├──8-引入正太分布的概率密度函数 .mp4  26.54M
* \& E  i$ M2 H1 X. m, b. _|   |   └──9-明确目标通过最大总似然求解θ .mp4  25.83M
|   ├──2--梯度下降法  
|   |   ├──1-梯度下降法产生的目的和原因以及思想 .mp4  59.45M
|   |   ├──10-代码实现全量梯度下降第1步和第2步 .mp4  25.70M
' U4 j! P( A/ `7 W|   |   ├──11-代码实现全量梯度下降第3步和第4步 .mp4  30.73M
$ [* Z: }3 @$ Y6 w: a|   |   ├──12-代码实现随机梯度下降 .mp4  26.67M
7 P( j2 b( }7 j& }: I. G. U|   |   ├──13-代码实现小批量梯度下降 .mp4  27.32M
|   |   ├──14-代码改进保证训练数据全都能被随机取到 .mp4  40.28M
|   |   ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4  39.24M
+ x* G( Q  j$ t1 U5 R. i, x3 I|   |   ├──2-梯度下降法公式 .mp4  57.12M
+ t5 l. ^# Z9 a; K3 y! x|   |   ├──3-学习率设置的学问_全局最优解 .mp4  56.52M
2 L$ x7 B: S0 Q|   |   ├──4-梯度下降法迭代流程总结 .mp4  30.28M
/ D2 g: u  ^( [8 h$ M4 `7 Q/ h|   |   ├──5-多元线性回归下的梯度下降法 .mp4  43.27M
  U- ]- O# M: T& B2 z* g3 a|   |   ├──6-全量梯度下降 .mp4  62.84M
|   |   ├──7-随机梯度下降_小批量梯度下降 .mp4  47.62M
|   |   ├──8-对应梯度下降法的问题和挑战 .mp4  47.07M
|   |   └──9-轮次和批次 .mp4  45.22M
|   ├──3--归一化  
5 n/ V+ G9 U6 B2 j+ W# s|   |   ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4  63.62M
|   |   ├──2-归一化的目的_举例子来理解做归一化和不做归一化的区别 .mp4  34.11M
" E. _. |' s# Z$ G. d|   |   ├──3-归一化的副产品_有可能会提高模型的精度 .mp4  21.61M
2 e* K9 r- q! N- `! n3 f|   |   ├──4-最大值最小值归一化 .mp4  24.87M
|   |   ├──5-标准归一化 .mp4  51.86M
$ _! E& o! p+ Q: j|   |   └──6-代码完成标准归一化 .mp4  41.13M
|   ├──4--正则化  
! }' o/ C, b3 o: ]5 h) h! F& F|   |   ├──1-正则化的目的防止过拟合 .mp4  30.71M
|   |   ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4  35.27M
|   |   ├──3-常用的L1和L2正则项以及数学意义 .mp4  41.55M
|   |   ├──4-L1稀疏性和L2平滑性 .mp4  51.64M
|   |   └──5-通过L1和L2的导函数理解区别的本质原因 .mp4  55.58M
|   └──5--Lasso回归_Ridge回归_多项式回归  
|   |   ├──1-代码调用Ridge岭回归 .mp4  76.32M
|   |   ├──10-实战保险花销预测_特征选择思路 .mp4  40.29M
|   |   ├──11-实战保险花销预测_特征工程 .mp4  17.96M
7 K" Q( t  l- ], {2 i' a9 T) o|   |   ├──12-实战保险花销预测_模型训练和评估 .mp4  58.86M
! M# O9 I) [4 Q( D|   |   ├──2-代码调用Lasso回归 .mp4  28.73M
|   |   ├──3-代码调用ElasticNet回归 .mp4  53.67M
8 U+ Q  m& O3 N5 |" ]' q|   |   ├──4-升维的意义_多项式回归 .mp4  48.06M
. H2 r6 i, q* A0 d! [|   |   ├──5-多项式升维代码实战_传入不同超参数对比 .mp4  44.78M
|   |   ├──6-多项式升维代码实战_训练模型和评估 .mp4  35.06M
|   |   ├──7-实战保险花销预测_数据介绍和加载数据 .mp4  35.25M
/ O% Z2 t, W7 l% ?( _) P+ J* g" q" w|   |   ├──8-实战保险花销预测_数据预处理 .mp4  41.38M
|   |   └──9-实战保险花销预测_模型训练和评估_选择非线性算法改进 .mp4  84.12M
├──6--机器学习-线性分类  
8 X* ]. V7 i4 L|   ├──1--逻辑回归  
|   |   ├──1-逻辑回归_Sigmoid函数 .mp4  21.14M
|   |   ├──10-绘制逻辑回归损失函数_探索两个参数和损失函数变换关系 .mp4  39.83M
" f  E( b. q# w$ {9 |! `+ `* D|   |   ├──11-绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度 .mp4  43.87M
! O* s' R% ^  I* z4 s) q|   |   ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4  20.50M
% n4 @2 A  ]! M. Y$ p+ g# ?|   |   ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4  42.50M
& a0 r! }$ R* K! o|   |   ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4  46.63M
# m+ T" Z2 p# L  ~/ X& X3 d/ ~|   |   ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4  26.13M
|   |   ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4  40.46M
|   |   ├──2-sigmoid函数作用 .mp4  38.15M
|   |   ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4  31.00M
|   |   ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4  41.97M
% o! J% a3 L- i5 ~|   |   ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的 .mp4  6.71M
|   |   ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4  29.61M
- h" k- |7 ]; z1 V8 z( ]5 W9 ||   |   ├──7-推导逻辑回归损失函数_得到最终形式 .mp4  12.43M
5 P( @5 ]: G) e7 \/ B|   |   ├──8-绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数 .mp4  56.56M
# ^) _7 r/ X% x7 Q2 P, Q|   |   └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4  30.72M
|   ├──2--Softmax回归  
|   |   ├──1-证明多项式分布属于指数族分布一种 .mp4  27.93M
|   |   ├──10-实战音乐分类器_代码使用傅里叶变换将混音文件进行投影 .mp4  42.74M
, H) n9 P1 S5 O* j|   |   ├──11-实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果 .mp4  49.16M
|   |   ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4  47.67M
|   |   ├──13-实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题 .mp4  78.03M
9 b7 N9 f* l' e  e/ }|   |   ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4  21.35M
' z: A# [+ v' b" t2 [|   |   ├──3-有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本 .mp4  33.42M
|   |   ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4  28.15M
|   |   ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性 .mp4  13.92M
- @' Z6 R. z4 V' W4 n|   |   ├──6-逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别 .mp4  46.67M
|   |   ├──7-实战音乐分类器_讲解需求和读取数据 .mp4  32.57M
|   |   ├──8-实战音乐分类器_探索不同曲风音乐文件的时间频率图 .mp4  52.39M
|   |   └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4  25.13M
|   ├──3--SVM支持向量机算法  
|   |   ├──1-SVM与感知机关系_几何距离与函数距离 .mp4  114.25M
9 h4 l2 c, h2 d2 R" Z+ Y; x|   |   ├──2-SVM的思想 .mp4  55.56M
|   |   ├──3-几种SVM_SVM的损失函数 .mp4  74.91M
|   |   ├──4-数学预备知识_拉格朗日函数 .mp4  122.44M
# H/ ?  S: z, m! G4 n|   |   ├──5-硬间隔SVM的两步优化 .mp4  102.88M
( G$ O; @! L3 N|   |   ├──6-总结硬间隔SVM .mp4  39.01M
+ ~& ~+ p9 Q& a+ S& a+ K9 N3 a7 }|   |   ├──7-软间隔SVM和总结流程 .mp4  135.76M
|   |   ├──8-非线性SVM .mp4  54.43M
|   |   └──9-SVM在sklearn中的使用_超参数 .mp4  144.30M
% h) t# h! \7 u& |- B|   └──4--SMO优化算法  
! S1 _+ o4 M( [: V- |) d|   |   ├──1-SVM算法流程总结 .mp4  58.36M
9 C: U1 e: k) s|   |   ├──10-SVM的SMO实现判断违背条件的α1 .mp4  19.23M
|   |   ├──11-SVM的SMO实现应用公式计算alphas和b .mp4  20.88M
. m. S$ h4 W8 p, Y( ]. t|   |   ├──12-SVM绘制已有数据点和超平面以及边界 .mp4  21.13M
|   |   ├──13-关于sklearn中的SVM封装的类和超参 .mp4  15.47M
|   |   ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4  69.00M
6 q' N; Z3 ~2 V; e& _8 L0 [0 ^|   |   ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4  36.52M
|   |   ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4  65.42M
|   |   ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数 .mp4  63.23M
/ W* U9 H& K& U% G  k' Y7 Z|   |   ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4  53.19M
|   |   ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4  92.38M
|   |   ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4  37.62M
|   |   ├──7-启发式选择两个α .mp4  23.11M
|   |   ├──8-如何计算阈值b .mp4  50.18M
|   |   └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4  73.44M
8 K0 x$ r" K& w4 K  z├──7--机器学习-无监督学习  
|   ├──1--聚类系列算法  
|   |   ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离  .mp4  173.95M
|   |   ├──2-距离测度欧式距离和余弦距离的场景_TFIDF  .mp4  153.55M
0 t$ r+ w7 y3 X/ V" o2 w/ L+ e' n|   |   ├──3-KMeans的一些变形_KMeans的损失函数推导及假设  .mp4  167.16M
|   |   ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标  .mp4  214.69M
8 ~6 T. y) L( h4 E0 G|   |   ├──5-KMeans代码测试不同情况下的聚类效果  .mp4  148.66M
|   |   └──6-层次聚类_密度聚类_谱聚类  .mp4  264.04M
|   ├──2--EM算法和GMM高斯混合模型  
|   |   ├──1-单个高斯分布GM的参数估计  .mp4  112.72M
|   |   ├──2-理解GMM高斯混合分布的对数似然函数  .mp4  95.22M
4 z3 Y, }3 W1 q( E$ x: `& h|   |   ├──3-GMM参数估计Πμσ的流程  .mp4  112.23M
9 z. ^% P" B5 m5 v|   |   ├──4-Jensen不等式的应用  .mp4  109.17M
' g! Y9 S$ L* M- ]/ t|   |   ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式  .mp4  157.57M
6 L" A7 A- h& z1 q2 K|   |   ├──6-将EM算法应用到GMM中并且推导出Π的公式  .mp4  44.12M
: r- `6 K( \! q6 W% W  O6 A1 n|   |   ├──7-GMM前景背景分离  .mp4  16.01M
# K% b. V- \2 u/ p- G. G6 y6 H. S|   |   ├──8-通过声音文件利用GMM算法识别性别  .mp4  134.39M
+ T4 V1 Y% i2 i4 h8 F2 Q2 T5 V|   |   └──9-通过声音文件利用GMM算法识别是谁  .mp4  51.52M
|   └──3--PCA降维算法  
7 s/ A" y9 e1 {8 B( y|   |   ├──1-特征选择与特征映射  .mp4  49.38M
|   |   ├──2-PCA的最大投影方差思路  .mp4  186.75M
2 T, N+ G& f; [4 z% f/ R|   |   ├──3-最大投影方差推导_最小投影距离思路  .mp4  115.67M
1 Z5 l1 q; |$ _* ^4 W  u|   |   ├──4-SVD其实就可以去实现PCA了  .mp4  92.97M
* \, ~$ n" B+ y|   |   └──5-PCA的几种应用  .mp4  54.58M
├──8--机器学习-决策树系列  
: b0 ~0 D8 }3 M4 I. |$ l|   ├──1--决策树  
2 k, [4 [) t6 q9 L0 x$ Q' u|   |   ├──1-决策树模型的特点  .mp4  74.88M
/ \7 E2 o- p* E2 v|   |   ├──10-绘制决策树模型_寻找最优树深度  .mp4  97.10M
|   |   ├──11-代码训练回归树拟合SineWave  .mp4  93.81M
|   |   ├──12-后剪枝的意义  .mp4  50.49M
$ N( p+ D6 E- i* K: O+ P|   |   ├──13-CCP代价复杂度后剪枝  .mp4  130.67M
|   |   ├──14-CCP代价复杂度剪枝_α超参数设定  .mp4  62.18M
|   |   ├──2-决策树的数学表达  .mp4  89.94M
|   |   ├──3-如何构建一颗决策树  .mp4  84.87M
|   |   ├──4-什么是更好的一次划分  .mp4  57.02M
|   |   ├──5-Gini系数  .mp4  107.54M
: x& ^5 c4 l& [& t$ P4 E) B|   |   ├──6-信息增益  .mp4  75.26M
|   |   ├──7-熵与Gini系数关系_信息增益率  .mp4  118.18M
4 W. |0 i" _2 @5 d: H" i|   |   ├──8-预剪枝以及相关超参数  .mp4  127.06M
5 w( b+ B  L3 p% b+ k% ||   |   └──9-代码实战决策树对鸢尾花数据集分类  .mp4  77.90M
|   ├──2--集成学习和随机森林  
9 D5 B+ A" u9 k% c2 |: b1 w|   |   ├──1-不同聚合方式_生成不同弱学习器方式  .mp4  80.47M
|   |   ├──2-Bagging_Boosting_Stacking  .mp4  59.02M
|   |   ├──3-随机森林  .mp4  108.14M
|   |   ├──4-代码实战随机森林对鸢尾花数据集分类  .mp4  101.81M
/ M9 [  F* `3 A|   |   ├──5-OOB袋外数据  .mp4  106.07M
|   |   ├──6-Adaboost算法思路  .mp4  106.30M
( Q4 `2 |$ K2 `/ g! d/ {|   |   ├──7-调整数据权重让权重正确率达到50%  .mp4  66.83M
|   |   └──8-Adaboost如何调整样本权重和求基模型权重  .mp4  90.51M
* w4 H$ z" b1 j& |1 H- k|   ├──3--GBDT  
|   |   ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x)  .mp4  65.49M
  C; S7 i3 B- |) c' W|   |   ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度  .mp4  72.09M
. \/ g. J* R; h6 {! ?$ H|   |   ├──11-GBDT多分类流程  .mp4  73.80M
|   |   ├──12-对比GBDT回归、二分类、多分类相同点与不同点  .mp4  60.80M
, Q7 C6 ?/ a4 j9 x2 f, i|   |   ├──13-GBDT二分类叶子节点分值计算推导  .mp4  73.96M
|   |   ├──14-GBDT多分类叶子节点分值计算  .mp4  54.63M
|   |   ├──15-GBDT二分类举例详解  .mp4  86.67M
|   |   ├──16-GBDT多分类举例详解  .mp4  91.71M
|   |   ├──17-计算特征重要度进行特征选择  .mp4  54.87M
: o- n1 T8 K( K6 ~9 @& h' U|   |   ├──18-GBDT用于特征组合降维  .mp4  43.72M
% O! O3 n6 o* R3 \) ]% _|   |   ├──19-特征组合降维在GBDT+LR架构应用  .mp4  51.28M
) J. @- `: V7 ^5 c: @+ V|   |   ├──2-GBDT令每个弱学习器f(x)去拟合负梯度  .mp4  88.39M
# ~: S3 O* O! U/ Y0 `0 W|   |   ├──20-GBDT在sklearn中源码剖析_初始化F(x)  .mp4  115.14M
|   |   ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算  .mp4  71.74M
* F. S( K" ?0 b& y|   |   ├──22-GBDT+LR架构训练模型代码实现  .mp4  88.40M
|   |   ├──23-GBDT+LR架构预测评估代码实现  .mp4  66.47M
. R% c& _: f, P|   |   ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树  .mp4  77.36M
|   |   ├──4-GBDT应用于回归问题  .mp4  84.66M
|   |   ├──5-GBDT回归举例_总结  .mp4  108.52M
|   |   ├──6-GBDT应用于二分类问题  .mp4  70.42M
8 ]1 o3 A( }) P|   |   ├──7-GBDT二分类拟合的负梯度依然是残差  .mp4  83.81M
|   |   ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存  .mp4  61.49M
|   |   └──9-GBDT应用于多分类任务  .mp4  73.34M
|   └──4--XGBoost  
/ @" _- J  x4 @/ Z+ n. I! F|   |   ├──1-回顾有监督机器学习三要素  .mp4  82.52M
|   |   ├──10-重新定义树ft和树的复杂度Ω  .mp4  77.70M
5 R& ]! J9 D* b2 s/ O|   |   ├──11-由每个叶子节点重组目标函数Obj  .mp4  68.56M
|   |   ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj  .mp4  72.32M
8 J; u4 ~; c2 j3 \/ A4 F, j3 M|   |   ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构  .mp4  106.69M
  }, g% t# r$ t- G7 w+ ^/ U  Q) E, s|   |   ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件  .mp4  73.80M
/ c: X- h) ]0 }0 O|   |   ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率  .mp4  71.21M
|   |   ├──16-样本权重对于模型学习的影响  .mp4  59.81M
|   |   ├──17-总结XGBoost的特性_包括缺失值的处理策略  .mp4  101.47M
|   |   ├──2-Bias_Variance_Trade-off  .mp4  66.00M
|   |   ├──3-基于树集成学习4个优点  .mp4  91.36M
2 j$ F4 S" k  V|   |   ├──4-回顾基于树集成学习的模型和参数并举例说明  .mp4  93.39M
|   |   ├──5-通过目标函数Obj来达到准确率和复杂度平衡  .mp4  48.31M
|   |   ├──6-Objective_vs_Heuristic  .mp4  60.42M
|   |   ├──7-得出XGBoost最开始的Obj目标函数  .mp4  94.87M
, a6 a3 E2 F2 ^7 \|   |   ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj  .mp4  48.62M
+ b- u/ B  _: c* m& M|   |   └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi  .mp4  67.39M
├──9--机器学习-概率图模型  
|   ├──1--贝叶斯分类  
|   |   ├──1-朴素贝叶斯分类算法  .mp4  126.74M
/ z  I) X. T5 E2 g# B+ p1 q2 W|   |   ├──2-TF-IDF  .mp4  53.08M
|   |   ├──3-NB代码实现解析  .mp4  126.73M
8 d7 D; Y3 N; r6 J1 r( d|   |   ├──4-sklearn中调用NB_顺便讲解了GridSearchCV  .mp4  131.83M
8 f3 e: a: ]- V& r& _6 |. ~|   |   ├──5-语言模型的设计目的_MLE的作用进行参数估计  .mp4  107.12M
+ ~* [4 ]/ N& X|   |   └──6-贝叶斯网络_马尔可夫链  .mp4  38.75M
" a% u/ T3 ]  m$ [; E" Y|   ├──2--HMM算法  
1 q% T2 w+ u+ B2 c|   |   ├──1-HMM隐马的定义  .mp4  36.82M
|   |   ├──2-HMM隐马的三组参数_三个基本问题  .mp4  104.28M
  B; F) V1 f8 M# p* C# h" M|   |   ├──3-HMM预测问题使用前向算法  .mp4  44.33M
) g+ R% }" G' d/ b4 j7 b|   |   ├──4-HMM预测问题使用维特比算法  .mp4  33.43M
7 v  Z1 x$ ^5 o6 c|   |   ├──5-HMM复习_明确概率计算问题要解决的目标  .mp4  76.05M
|   |   ├──6-前向算法来解决概率计算问题  .mp4  33.05M
|   |   ├──7-Viterbi算法案例详解  .mp4  107.12M
$ C0 C! k, j4 o' N$ V|   |   └──8-Viterbi算法代码实现  .mp4  42.43M
|   └──3--CRF算法  
1 M2 s" z9 H* M! W|   |   ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法  .mp4  127.78M
|   |   ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑  .mp4  71.88M
|   |   ├──3-了解CRF层添加的好处  .mp4  105.90M
|   |   ├──4-EmissionScore_TransitionScore  .mp4  61.33M
5 N5 h% Z! C' W|   |   ├──5-CRF的目标函数  .mp4  23.74M
/ y4 P) w; R; Y/ r- I|   |   ├──6-计算CRF真实路径的分数  .mp4  50.37M
|   |   ├──7-计算CRF所有可能路径的总分数  .mp4  135.58M
8 |: |0 Z- K  F1 _) z5 g8 l: [|   |   └──8-通过模型来预测新的句子的序列标签  .mp4  83.16M
8 \* o. B; X" K, m└──课件.zip  2.54kb
; O) v1 [3 O2 g( n* q5 D

永久至尊VIP回复即可下载学习，非至尊VIP暂不支持下载此资源！
4 g& O7 K6 ]7 `; [# q6 F/ C

8 q. w" _$ I3 g6 ?; ?/ F

---

作者: 5s7997fg2n    时间: 2023-9-16 21:48
太给力的学习资源，非常感谢 www.cx1314.cn

---

作者: ujv59204f5    时间: 2023-9-16 23:14
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！

---

作者: ia8w95a305    时间: 2023-9-16 23:21
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！

---

作者: lus4hh46c2    时间: 2023-9-17 04:46
IT学习者必备啊，我是2年工作者，这里的资源很符合企业条件，强烈推荐！！！

---

作者: 28te2ykbi5    时间: 2023-9-17 05:08
我是Java初学者，开心，会员是永久使用。找了几天终于找到这资源了，感谢分享！

---

作者: 0h5d7edrtj    时间: 2023-9-17 05:08
6666666，确实不错，比其他地方好。开了VIP，爽歪歪~

---

作者: 9r1d81ohvl    时间: 2023-9-17 05:13
厉害了，好资源，谢谢博主

---

作者: e7drkgq901    时间: 2023-9-17 05:15
谢谢 程序源码论坛 www.cx1314.cn 帮我这小白收集此资源，我开了个荣耀会员，每天来逛逛！

---

作者: r2e97fjqy6    时间: 2023-9-17 05:18
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！

---

作者: 7pxxc7ylhh    时间: 2023-9-17 05:18
牛批啊，这么多好东西，美滋滋

---

作者: 1tip52w6r8    时间: 2023-9-17 05:21
反正给力，太激动了，无法HOLD啦 >_<......多来这里收藏。

---

作者: 82699y4j16    时间: 2023-9-17 05:29
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！

---

作者: qa5ii6n54f    时间: 2023-9-17 05:34
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了

---

作者: 3i29o2800i    时间: 2023-9-17 05:36
这套资源不错，我是荣耀vip，全部免费下载，强烈顶下，我会常来这里的！

---

作者: qga9ce4qek    时间: 2023-9-17 05:36
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！

---

作者: le3d8b7322    时间: 2023-9-17 05:36
太给力的学习资源，非常感谢 www.cx1314.cn

---

作者: beg6bj065x    时间: 2023-9-17 05:44
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！

---

作者: 0us1txa0nl    时间: 2023-9-17 05:45
谢谢博主，收藏了，学习一下

---

作者: 56652dz521    时间: 2023-9-17 05:46
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！

---

作者: ht284xt2db    时间: 2023-9-17 05:56
这套资源不错，我是荣耀vip，全部免费下载，强烈顶下，我会常来这里的！

---

作者: 09p92jdokc    时间: 2023-9-17 05:57
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！

---

作者: 91cz779w6h    时间: 2023-9-17 05:58
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了

---

作者: 41d1juqkhn    时间: 2023-9-17 05:59
IT学习者必备啊，我是2年工作者，这里的资源很符合企业条件，强烈推荐！！！

---

作者: rb4rd9a2fl    时间: 2023-9-17 05:59
谢谢博主，收藏了，学习一下

---

作者: us8717p9cp    时间: 2023-9-17 06:00
自从开了永久VIP，全站资源下的太爽了！哎呦我去，快存不下了，QAQ

---

作者: i860wz4955    时间: 2023-9-17 06:03
相见恨晚，终于发现一个即便宜又牛逼的论坛了，真心不错！花几百开的其他平台的会员，没这里好...

---

作者: 397jcmppn9    时间: 2023-9-17 06:10
都是最新精品好资源，在这里我想要的基本上都有，希望一直更新下去！~~~

---

作者: gd046vs219    时间: 2023-9-17 06:12
不错收下了，www.cx1314.cn 在这里开会员确实值

---

作者: of5soo3gh2    时间: 2023-9-17 06:12
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了

---

作者: 07g0ap77fk    时间: 2023-9-17 06:15
相见恨晚，终于发现一个即便宜又牛逼的论坛了，真心不错！花几百开的其他平台的会员，没这里好...

---

作者: 8z978j4kz3    时间: 2023-9-17 06:19
我发现这里没有垃圾资源，都是精心筛选的好东西~我工作3年的人，来这里找资源提升

---

作者: 187snm6hs8    时间: 2023-9-17 06:22
相见恨晚，终于发现一个即便宜又牛逼的论坛了，真心不错！花几百开的其他平台的会员，没这里好...

---

作者: w7h8b1e98a    时间: 2023-9-17 06:28
谢谢 程序源码论坛 www.cx1314.cn 帮我这小白收集此资源，我开了个荣耀会员，每天来逛逛！

---

作者: 2293040tt1    时间: 2023-9-17 06:38
厉害了，好资源，谢谢博主

---

作者: i60hh9syjw    时间: 2023-9-17 06:40
我发现这里没有垃圾资源，都是精心筛选的好东西~我工作3年的人，来这里找资源提升

---

作者: sm2e0nm7a2    时间: 2023-9-17 06:41
谢谢博主，收藏了，学习一下

---

作者: m98s17y973    时间: 2023-9-17 06:41
这套资源不错，我是荣耀vip，全部免费下载，强烈顶下，我会常来这里的！

---

作者: 770njlx677    时间: 2023-9-17 06:54
这套资源不错，我是荣耀vip，全部免费下载，强烈顶下，我会常来这里的！

---

作者: 69hhx85e2y    时间: 2023-9-17 07:07
希望 程序源码论坛 www.cx1314.cn 越做越好，我支持此平台！

---

作者: h2dh43dqij    时间: 2023-9-17 07:14
太给力的学习资源，非常感谢 www.cx1314.cn

---

作者: 3w39qn3w7x    时间: 2023-9-17 07:24
反正给力，太激动了，无法HOLD啦 >_<......多来这里收藏。

---

作者: 167uu0r5hr    时间: 2023-9-17 07:42
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！

---

作者: 199sjem1el    时间: 2023-9-17 07:43
自从开了永久VIP，全站资源下的太爽了！哎呦我去，快存不下了，QAQ

---

作者: 848063v6m0    时间: 2023-9-17 07:45
谢谢博主，收藏了，学习一下

---

作者: 75zs5qzs19    时间: 2023-9-17 07:46
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了

---

作者: wt2s4p9q52    时间: 2023-9-17 07:47
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！

---

作者: l170jfu8y4    时间: 2023-9-17 08:02
自从开了永久VIP，全站资源下的太爽了！哎呦我去，快存不下了，QAQ

---

作者: 4h38qbmky6    时间: 2023-9-17 08:09
我发现这里没有垃圾资源，都是精心筛选的好东西~我工作3年的人，来这里找资源提升

---

作者: 9a0b74ba29    时间: 2023-9-17 08:12
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了

---

作者: f9cc62ut16    时间: 2023-9-17 08:17
6666666，确实不错，比其他地方好。开了VIP，爽歪歪~

---

作者: jinxieqing    时间: 2024-2-5 15:40
非常感谢

---

作者: Billlee    时间: 2024-2-22 09:54
如何下载？

---

作者: itlan    时间: 2024-3-31 15:43
太给力了，感谢分享

---

作者: 醉醉    时间: 2024-4-1 12:36
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！
0 e' i: D/ p$ L* Y3 p

---

作者: kai2524554088    时间: 2024-4-2 11:44
太给力的学习资源，非常感谢

---

作者: fludia    时间: 2024-4-7 10:42

这套资源不错，太给力了，谢谢楼主

---

作者: mumumumu    时间: 2024-5-17 14:35

厉害了，好资源，谢谢博主

---

作者: Billlee    时间: 2024-7-18 10:52
百战怎么下载？

---

作者: zeng1bo    时间: 2024-7-23 09:11
百战-AI算法工程师就业班2022年(完结）

---

作者: 摸着石头过河    时间: 2024-7-29 21:03
终于等到你，还好没放弃

---

作者: duzx    时间: 2024-9-12 11:33
太给力的学习资源，非常感谢 www.cx1314.cn

---

作者: 3266498985    时间: 2025-2-3 21:12
非常完美

---

作者: cde601    时间: 2025-5-18 08:56
好东西，推荐，不错。

---

欢迎光临 程序源码论坛-1024 (http://www.cx1314.cn/)

Powered by Discuz! X3.3