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// I; @2 G" a  f
├──1--人工智能基础-快速入门  / L& j& u" p+ `& |3 d0 z
|   ├──1--人工智能就业、薪资、各行业应用  * n  y" w! N: _" V$ I8 p
|   |   ├──1-人工智能就业前景与薪资 .mp4  52.07M4 x( d( V; m5 a: T! _" s6 K
|   |   ├──2-人工智能适合人群与必备技能 .mp4  44.57M8 i* z6 t) i1 [  A
|   |   ├──3-人工智能时代是发展的必然 .mp4  23.22M9 [' H$ q/ e, I7 u
|   |   └──4-人工智能在各领域的应用 .mp4  57.73M
: n7 ]; n) A. W1 ]& O( |# [; {  `- R|   └──2--机器学习和深度学习、有监督和无监督  
' z5 V1 T: S6 D|   |   ├──1-人工智能常见流程 .mp4  89.62M5 s& \  H* \% v0 t6 I6 G
|   |   ├──2-机器学习不同的学习方式 .mp4  83.51M
5 V2 s; l# L7 i8 o0 f8 P|   |   ├──3-深度学习比传统机器学习有优势 .mp4  84.81M: c6 Y% r3 b' o1 A9 |! ~  D
|   |   ├──4-有监督机器学习任务与本质 .mp4  37.50M/ \" d3 t0 T( M+ V. B
|   |   └──5-无监督机器学习任务与本质 .mp4  50.15M
6 y5 k- W- O" g( X) f. ~├──10--机器学习与大数据-Kaggle竞赛实战  
. ?2 p) b: ]1 I|   ├──1--药店销量预测案例  
$ ?- j5 Y5 R+ `( Q: o/ _+ ~  J|   |   ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4  36.33M5 H$ e* P) o9 i. U; Z
|   |   ├──2-对数据字段的介绍_导包 .mp4  19.90M% V+ e! w. I/ b  i! X6 N
|   |   ├──3-自定义损失函数 .mp4  21.12M
* }4 g9 R+ u; h7 j' Q0 S) u|   |   ├──4-对数据里面的目标变量sales的一个分析 .mp4  44.88M
9 l9 a( l  o0 w" y( Q, R1 ?|   |   ├──5-数据的预处理 .mp4  111.81M
. o3 ?7 @8 b2 q) T|   |   ├──6-模型的训练_评估 .mp4  66.64M
( ^( A+ s8 {2 k, |% X1 t|   |   └──7-kaggle竞赛网站学习 .mp4  172.16M; D; q: H$ f8 t1 }& x8 S
|   └──2--网页分类案例  $ d1 p$ Y# U0 Y9 ]2 q5 h
|   |   ├──1-Kaggle网页分类竞赛介绍 .mp4  25.08M, K/ |& o/ U( O, m* H8 p3 H
|   |   ├──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
" y& `. b1 u) K1 Y7 G: K1 |" g|   |   ├──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
; Z9 x# e9 ~2 ^: A( s; w( R|   |   ├──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
# N9 a0 V; f' K7 S7 v|   |   ├──2-评估指标ROC和AUC .mp4  56.19M5 K$ z5 S- h! _4 H
|   |   ├──3-评估指标ROC和AUC .mp4  49.03M# ^+ g9 [1 l+ d# m
|   |   ├──4-竞赛其他相关提交成绩排行榜 .mp4  40.19M
% I  |7 F0 x9 x! T5 _+ k|   |   ├──5-数据导入 .mp4  68.41M
7 ?9 z; D9 z) S; O  `9 E! y! S, \|   |   ├──6-MLlib对网页分类竞赛数据预处理 .mp4  102.96M
6 i  }  K. Z1 M6 ?, b% y3 M1 K) x0 F7 G|   |   ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4  71.27M
2 e9 J) H7 {( S/ x5 \5 ?. {|   |   ├──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  62.48M1 S- B7 h8 C1 x0 W! n5 T- H3 Y, L+ w
|   |   └──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
9 A9 M5 g( ~+ L& c├──11--机器学习与大数据-海量数据挖掘工具  / y, i+ d) G* p+ j+ x  F5 q; G
|   ├──1--Spark计算框架基础  & |. ]( p! j$ A+ F. P8 Q* I
|   |   ├──1-Spark特性_01 .mp4  41.68M) Q( E  J9 r# Z: ]9 s
|   |   ├──10-分布式计算所需进程 .mp4  26.30M4 y& Z+ Q7 m- D3 Y: M
|   |   ├──11-两种算子操作本质区别 .mp4  56.31M
% s- Z$ K- l- A# }' S3 P% V|   |   ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4  69.39M
3 Z! }1 I/ C) _1 @. x+ l|   |   ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4  56.06M
5 T6 k8 c' d2 E- p( j. C: _3 M; b|   |   ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4  44.12M: g9 t! T- c% B8 J1 K
|   |   ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4  41.91M
! a+ y( _) ^& M$ |4 z|   |   ├──2-Spark特性_02 .mp4  35.15M
: C: k9 R1 a' P7 E) w|   |   ├──3-Spark对比hadoop优势 .mp4  19.34M
. `) H% {: i$ Z|   |   ├──4-回顾hadoop讲解shuffle .mp4  35.80M% `! b$ p9 P# g. |5 N3 [: n7 Y
|   |   ├──5-分布式计算框架Shuffle的原理_01 .mp4  46.22M
- w9 j0 b/ p; j0 S  g+ T" T: i; M: S6 I|   |   ├──6-分布式计算框架Shuffle的原理_02 .mp4  44.94M5 L8 j* R! s& _1 u1 [8 X
|   |   ├──7-分布式计算框架Shuffle的原理_03 .mp4  29.26M
$ ]# z, `5 S& g0 A3 S- B|   |   ├──8-Spark的RDD特性_01 .mp4  33.08M
9 x1 I$ |7 M0 r8 T( b|   |   └──9-Spark的RDD特性_02 .mp4  33.41M
) d  K" A3 L. s" G' x|   ├──2--Spark计算框架深入  + k7 m7 ?1 R: D, J# F) G2 W2 g
|   |   ├──1-Spark数据缓存机制 .mp4  54.43M& A; {- A9 a) y7 a0 p" m" s8 r
|   |   ├──10-讲解构建稀疏和稠密向量_01 .mp4  80.62M
6 x; s8 W, A# t5 |3 j|   |   ├──11-讲解构建稀疏和稠密向量_01 .mp4  101.76M$ y2 {; G3 R: U- V, O4 F
|   |   ├──12-构建LabeledPoint .mp4  111.08M
& \0 k% h* h* H- h2 t|   |   ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4  91.18M3 T2 w( o; ?" ~* [( u$ w
|   |   ├──2-Spark宽依赖和窄依赖_01 .mp4  39.74M* e, B8 X( D4 e2 Y  p4 ]
|   |   ├──3-Spark宽依赖和窄依赖_02 .mp4  38.86M" `9 j* x# }. u# K  V6 M
|   |   ├──4-Spark宽依赖和窄依赖_03 .mp4  28.03M
, K6 T  {6 I3 S; }% P|   |   ├──5-Spark术语总结 .mp4  89.66M
7 `& D( m6 ~4 z) x5 D9 A# o( q|   |   ├──6-分布式文件系统Block块的大小配置 .mp4  114.54M
- A& K& t' B2 d6 s$ \0 V|   |   ├──7-Spark程序启动运行流程详解_01 .mp4  49.37M
# W3 t7 W: @5 B7 D4 `3 e: l|   |   ├──8-Spark程序启动运行流程详解_02 .mp4  71.40M
3 V# e9 V( F1 }4 z8 U|   |   └──9-Spark程序启动运行流程详解_03 .mp4  47.28M
$ B; t5 g7 s7 d|   └──3--Spark机器学习MLlib和ML模块  8 A0 g" y  z2 B4 b. Z
|   |   ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4  170.37M3 V: B5 w7 Z8 y; x" I
|   |   ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4  104.55M* o# t' `& d, d. z) L$ [. v, I
|   |   ├──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
  I! r# V  L. X" N; h% \|   |   ├──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
2 ~2 _* J  j1 S* E7 k, C* d|   |   ├──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
& ]$ x( M6 O9 s+ r+ |3 E|   |   ├──14-从数据转化到训练集的构建 .mp4  146.40M: e+ \  X+ n9 j* }5 ?. u, V5 X7 n
|   |   ├──15-模型的训练以及评估和调超参_1 .mp4  84.62M  `  z% r% F2 j- ?6 e& H. f
|   |   ├──16-模型的训练以及评估和调超参_2 .mp4  88.90M
0 z) n0 I+ H' P8 O|   |   ├──17-模型的训练以及评估和调超参_3 .mp4  161.69M
) g9 o3 d  a5 A  V1 o3 L8 I' j|   |   ├──18-SparkML机器学习库概念讲解_1 .mp4  146.78M6 D! n& ~$ \+ p6 [4 s- U: U
|   |   ├──19-SparkML机器学习库概念讲解_2 .mp4  121.35M, Y% u( S/ j: R
|   |   ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4  120.62M
& X+ P1 A6 ^! F  J* A( ?, ]) W|   |   ├──20-SparkML机器学习库代码实战讲解_1 .mp4  146.48M
2 ^5 D# q( ^' W$ Z% W|   |   ├──21-SparkML机器学习库代码实战讲解_2 .mp4  169.53M. W9 a; V7 [+ ]" k1 x
|   |   ├──22-SparkML网页分类案例代码实战续(1)_1 .mp4  143.99M. W; w' ]" T5 r
|   |   ├──23-SparkML网页分类案例代码实战续(1)_2 .mp4  143.95M
) ~+ ?& D: U9 a" p|   |   ├──24-SparkML网页分类案例代码实战续(2)_1 .mp4  177.12M
8 |5 |, t( y5 T) ^/ C  d. t+ F|   |   ├──25-SparkML网页分类案例代码实战续(2)_2 .mp4  99.25M
6 w. t/ h% B6 l8 P6 X, {/ m|   |   ├──26-SparkML网页分类案例代码实战续(3) .mp4  9.82M% S( s6 r" `- j% i
|   |   ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4  109.35M  k0 ]3 ~  f4 ?9 q
|   |   ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4  105.05M* {  _8 P* ?' A! I7 A5 j/ i
|   |   ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4  255.32M
; r0 m8 M3 {7 k. @8 `: [# P|   |   ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4  63.11M4 r' A0 Z2 i9 Z# ^" N% A' Y* g. j
|   |   ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4  140.87M
) C+ z, e2 N. k/ R|   |   ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4  80.22M+ r( A% u& f8 e! h6 D+ `
|   |   └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4  145.67M
9 E2 T8 T3 A! u; W# J& D. A├──12--机器学习与大数据-推荐系统项目实战  $ [! U  y0 |( f5 E
|   ├──1--推荐系统--流程与架构  
) D0 i3 s7 m. k3 @! t9 O|   |   ├──1-推荐系统_隐式用户反馈_1 .mp4  88.31M1 \" B* t% I5 k+ H$ y) x
|   |   ├──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/ {# R( J9 I% e) h6 P1 u
|   |   ├──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
7 T! q+ m, X* V0 `|   |   ├──12-推荐系统_数据源_1 .mp4  79.07M% A# P( }) S+ W/ P# o3 W
|   |   ├──13-推荐系统_数据源_2 .mp4  82.90M
+ y3 n6 c/ Z- E$ I- T# k|   |   ├──2-推荐系统_隐式用户反馈_2 .mp4  119.78M, K& ~2 ?0 p+ y( H, ^) O
|   |   ├──3-推荐系统_协同过滤_1 .mp4  60.31M9 F- x* Q  v9 n. j, \: J
|   |   ├──4-推荐系统_协同过滤_2 .mp4  61.36M! c5 X, X4 ~, T) a! q
|   |   ├──5-推荐系统_协同过滤_3 .mp4  60.51M
) w- d8 @) u* c) T/ m|   |   ├──6-推荐系统_协同过滤_4 .mp4  56.16M
4 O) k. M* ?7 Z* K|   |   ├──7-推荐系统架构_实时_离线_1 .mp4  100.65M% m3 c0 L0 K' p; _9 g7 E
|   |   ├──8-推荐系统架构_实时_离线_2 .mp4  104.74M4 @) _- [. g8 R' ]# n0 j
|   |   └──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
. @2 D4 |: A, G|   ├──2--推荐系统--数据预处理和模型构建评估实战  4 n+ j+ }$ l5 G1 W$ K  N
|   |   ├──1-HQL语句_python脚本构建中间结果_1 .mp4  155.76M7 {8 h+ l( @% _- I6 i4 S
|   |   ├──10-MLlib调用算法计算模型文件并存储_2 .mp4  93.65M
" t1 m* Z" O; ^# v) p|   |   ├──11-MLlib调用算法计算模型文件并存储_3 .mp4  107.32M- F/ v; N( }8 y7 \9 i1 X! _
|   |   ├──12-ACC准确率和AUC面积的计算以及意义 .mp4  214.40M' A# N; E7 L$ ^% X# n
|   |   ├──2-HQL语句_python脚本构建中间结果_2 .mp4  122.28M1 O6 M) x6 P: v! l
|   |   ├──3-HQL语句_python脚本构建中间结果_3 .mp4  123.74M
: W. f3 ~; e1 f. I7 F: P6 N2 s|   |   ├──4-HQL语句_python脚本构建中间结果_4 .mp4  111.87M
6 L! Y, N& l8 R: R+ o. S0 d|   |   ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4  116.88M* A# j' n5 r1 y$ C. ]
|   |   ├──6-spark构建特征索引_标签列_2 .mp4  91.86M% }- r1 ~& M. z, }/ V
|   |   ├──7-spark构建特征索引_标签列_3 .mp4  97.86M
8 z. p/ W3 @6 {+ E|   |   ├──8-spark构建特征索引_标签列_4 .mp4  98.61M
) F* x2 I$ ~7 I+ E* H2 m. h|   |   └──9-MLlib调用算法计算模型文件并存储_1 .mp4  99.64M
- L  i2 j. O% t|   └──3--推荐系统--模型使用和推荐服务  3 y% z8 U0 }; o, c4 ?: `7 J
|   |   ├──1-推荐模型文件使用思路 .mp4  61.89M8 G/ u1 Y6 G1 w, S- V/ R
|   |   ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4  110.16M
; `+ N+ T4 e. u: y5 B. y- F2 Y! w|   |   ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4  140.10M
+ d8 [6 w8 \" q5 G" Y3 O- D|   |   ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4  157.45M3 _7 R7 m; i, x- R" _
|   |   ├──2-Redis数据库安装及其使用 .mp4  47.93M. F2 ^0 c6 O: J7 U7 o* S4 ]4 u- Y
|   |   ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4  165.06M
# ^! q' i6 d. s/ E' Y# N|   |   ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4  98.49M' t/ i' ^3 @4 D+ v6 K# d4 W
|   |   ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4  90.57M
. w5 W/ j# N2 f& A' s  k|   |   ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4  94.68M
4 _  ]) @# e: j, s|   |   ├──7-使用Dubbo将推荐系统做成服务_1 .mp4  82.21M
! m9 T2 H& K9 c3 n# s! Q$ I0 B6 \|   |   ├──8-使用Dubbo将推荐系统做成服务_2 .mp4  103.88M, R& C9 {; E' P& @3 w5 M" w
|   |   └──9-使用Dubbo将推荐系统做成服务_3 .mp4  119.95M, @( p; U7 a8 \
├──13--深度学习-原理和进阶  ; h1 Y! B0 M7 n7 t2 V2 v
|   ├──1--神经网络算法  ( @9 t& c  B$ Y3 l  b0 {
|   |   ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4  94.41M7 E' N) Q, N5 q( l  i+ D; m' X
|   |   ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4  53.63M
, x/ H2 y  z$ l9 g|   |   ├──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
! j5 n# `( d" y  a! L5 b& f|   |   ├──4-用神经网络理解Softmax回归 .mp4  67.20M
+ `: B6 Y+ P& v  F( J, V|   |   ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4  117.52M1 R3 q/ Y; N- O2 S# @- _
|   |   ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4  90.57M/ u; e; a+ D1 {' H- m3 g% P
|   |   ├──7-sklearn中NN模型的代码使用 .mp4  123.62M
% s- W9 l) {6 H1 E" J|   |   ├──8-隐藏层激活函数必须是非线性的 .mp4  21.95M6 r8 x/ E  ?9 \5 |: w* A# H
|   |   └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4  155.50M
% ?7 A+ @( L) z. X; S7 z|   ├──2--TensorFlow深度学习工具  
5 `& [) r3 {3 j  B  F" I|   |   ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4  68.65M
; Z$ Z, K8 `3 D! u/ t|   |   ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4  74.12M  |; h. T/ r9 u+ b0 u( k( @
|   |   ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4  120.73M
1 D" R% {3 U: ?1 b8 Z/ U' ~|   |   ├──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  173.47M3 W: C* e+ C" I! [  U9 l
|   |   ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4  233.26M
7 }7 j- V+ }! G  y' R! o1 j4 o, s|   |   ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4  137.04M! C2 n1 w( [( Y% d" f
|   |   └──7-TF实现DNN来识别MNIST手写数字 .mp4  132.73M
/ V. K7 v2 m2 b8 ||   └──3--反向传播推导_Python代码实现神经网络  . p! O$ Y+ a" W6 v; U
|   |   ├──1-反向传播_链式求导法则 .mp4  86.47M1 a+ K- Y; P% J) i6 e/ G
|   |   ├──2-反向传播推导(一) .mp4  127.90M
9 f# D. E3 {- t  d0 O; v# C|   |   ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4  121.37M
4 {/ P% T7 T" k' N|   |   ├──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& S1 w; K, j% F. r
|   |   ├──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
' s, E# \; w, v|   |   ├──6-python实现神经网络训练代码讲解(一) .mp4  84.17M
, ~* \; r0 }0 u7 M% f+ Z|   |   └──7-python实现神经网络正向反向传播训练 .mp4  112.23M2 m* l( v$ A+ r- j$ i% D% {! |( G
├──14--深度学习-图像识别原理  6 t; @$ V$ v, M) D
|   ├──1--卷积神经网络原理  
0 p2 X) F6 M- X. R" H9 a7 ^2 @, @|   |   ├──1-回顾深度神经网络_卷积层是局部连接 .mp4  131.17M
6 b- e# _! n2 h5 h6 c|   |   ├──2-单通道卷积的计算 .mp4  104.01M
8 ^" Q8 R: @4 v3 R8 w# Z|   |   ├──3-彩色图片卷积的计算 .mp4  52.79M6 G# Q7 {5 ]! q0 U
|   |   ├──4-卷积层权值共享 .mp4  63.93M7 \+ d1 U4 X" G$ m. _  ~
|   |   ├──5-卷积的补充与Padding填充模式 .mp4  97.00M4 y0 V2 ~/ C6 U+ @9 Z( F% P- O/ B4 [
|   |   ├──6-卷积的计算TF中的API操作与参数 .mp4  93.50M
/ ^. B' L' `" \& e' n7 m|   |   ├──7-池化的概念和TF中的API的操作与参数 .mp4  64.09M
) k1 A$ `* ]' F|   |   └──8-经典的CNN架构和LeNet5 .mp4  137.21M
# d0 Q( l- N6 b* X2 d9 r/ j|   ├──2--卷积神经网络优化  
) j5 D; M$ f( v' B2 t% A4 H|   |   ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4  109.38M
' E* ~- z& e  P|   |   ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4  121.41M
7 w! G/ {8 _0 P: T|   |   ├──11-Optimizer_Adam .mp4  141.12M. O% n, z7 r& |* u% z: x' z  a9 t
|   |   ├──2-Dropout技术点思想和运用 .mp4  113.94M
( [$ M, n( c7 L+ e|   |   ├──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
1 n" o$ Z5 u: M$ x4 o|   |   ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4  125.88M9 ^: E1 e' o1 |7 I. J
|   |   ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4  104.08M
: n5 l" M9 X5 b' Z/ D|   |   ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4  42.02M; V1 R, g$ G* ~/ _# n  t6 K
|   |   ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4  66.51M
1 J% _- k7 W7 W% w|   |   ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4  123.25M
5 F0 E8 G& W3 B7 E: Q|   |   └──9-Optimizer_SGD_Momentum .mp4  89.70M
6 l& c; U/ W- Z' G) f( T1 \* G( T|   ├──3--经典卷积网络算法  + ?! g/ t9 a( h6 A; N6 {
|   |   ├──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
( ^/ A3 S" r! I) J|   |   ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4  116.63M" C8 b( R+ N- A
|   |   ├──3-InceptionV1_V2 .mp4  165.86M" c( M9 P7 h1 r2 v
|   |   ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4  166.97M
1 K8 {1 S5 D) C2 i* J5 c$ a, T|   |   ├──5-ResNet残差单元_BottlenetBlocK .mp4  121.51M% ^) R$ o- r/ h% h* {
|   |   ├──6-DenseNet和Keras里面的实现 .mp4  150.61M
, O2 F% f% t: L: {$ \|   |   ├──7-DenseNet在Keras里面的代码实现 .mp4  66.75M
/ C, X/ e6 G( O|   |   ├──8-BatchNormalization .mp4  99.23M/ Z: ]- l2 u# V; _" N& L  r
|   |   └──9-Mobilenet网络架构 .mp4  150.05M6 s  j5 L& q+ v9 p0 q% Y
|   ├──4--古典目标检测  
8 `# j3 p! c3 p1 e|   |   ├──1-图像识别任务_古典目标检测 .mp4  196.48M; t! Z! W0 B+ a9 r9 t
|   |   ├──2-使用OpenCV调用分类器找到目标框 .mp4  98.21M; x" [4 g  L4 k4 u4 F$ v
|   |   ├──3-IOU以及python计算的代码 .mp4  23.56M" Q9 }* K9 ?# ?) t- {2 [+ V
|   |   ├──4-R-CNN和SPP-net .mp4  124.06M
9 j' L& A  M2 p8 \6 ||   |   └──5-从FastRCNN引入FasterRCNN .mp4  120.81M% O, @; P1 h' b
|   └──5--现代目标检测之FasterRCNN  
" X; M9 |  Q9 M|   |   ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4  121.18M
. p) k' C2 T+ Q9 r/ G- o/ t; D|   |   ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4  214.14M
9 K, }, A# f! T|   |   ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4  157.18M  l6 N- h5 l' ~9 D0 v, D
|   |   ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4  210.02M
. w# B, s2 \, ?; u4 |+ [2 i, D|   |   └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4  247.99M6 Z( I4 l* l4 {# [( A  B
├──15--深度学习-图像识别项目实战  ; u4 c# G* H+ `" k* m! G3 N
|   ├──1--车牌识别  
+ E+ g! y, ]% d" g' A0 j+ U|   |   ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4  83.16M
# S. Y+ b. h% N. W# s& s) k|   |   ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4  86.40M# f9 O9 k" k  W( a3 ?2 y  J, t
|   |   ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4  48.80M$ }  G" M& v( Z2 S. O' M
|   |   ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4  73.07M2 _# X- F1 }. e1 G* s- y
|   |   └──5-车牌识别项目关于目标检测的问题 .mp4  39.48M
" V% X- H4 C0 D! s( O|   ├──2--自然场景下的目标检测及源码分析  
! i! L0 U% q! R$ ~|   |   ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4  116.49M
4 D2 [0 O  y9 m' e& a|   |   ├──10-FasterRCNN代码_构建head .mp4  67.56M, U2 t; ?8 ?; \: {
|   |   ├──11-FasterRCNN代码_构建RPN网络_01 .mp4  124.40M' K% ?9 A, E8 Y
|   |   ├──12-FasterRCNN代码_构建RPN网络_02 .mp4  88.47M
$ a+ T/ Q1 g( u0 l2 [! k- H|   |   ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4  83.97M
+ W: O! o4 j6 R: C/ X, ?' w2 U, Y|   |   ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4  119.92M
1 q3 M' o" }7 C( f6 V+ @, k" P% E|   |   ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4  91.40M/ m; R3 H$ r  y6 \/ [. H! Q3 N: F
|   |   ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4  100.30M4 A/ r* O5 I, w9 i3 c
|   |   ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4  165.71M3 N  s& ^1 B0 U7 q% V
|   |   ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4  43.58M& `4 b5 y+ E1 @
|   |   ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4  46.68M: x7 u( A0 b  K) E4 A5 P' H5 {
|   |   ├──2-FasterRCNN项目代码_数据加载 .mp4  96.17M
8 \! o& L( q/ U5 T# T9 C0 a|   |   ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4  78.02M4 q3 i2 ]2 X& Y4 H
|   |   ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4  114.63M
) R; ]8 H4 F  ^8 D: E: k3 w2 e5 o|   |   ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4  100.02M
, Y/ `) ^: e1 ?4 H  F2 Q* Z|   |   ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4  57.32M' {, K' c  ]8 U
|   |   ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4  53.41M6 p# E2 e# t% R
|   |   ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4  74.40M
0 u5 j# A. ^* ?+ T, ~. f|   |   ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4  76.44M
) o( F. f) J' V5 y|   |   ├──3-FasterRCNN项目代码_数据增强 .mp4  71.78M
0 |6 C1 G3 f8 c# s" K2 D" X( Q|   |   ├──4-FasterRCNN项目代码_数据初始化 .mp4  73.27M4 A6 ~7 C  D5 x+ U3 Z7 B
|   |   ├──5-FasterRCNN项目代码_模型的训练 .mp4  39.33M+ m& c& M7 A9 a- j( X6 @
|   |   ├──6-回归整体训练流程_详解读取数据blob_01 .mp4  81.18M& g0 c0 A- i6 X/ M( E
|   |   ├──7-回归整体训练流程_详解读取数据blob_02 .mp4  75.71M
6 ?0 v, }- ~3 C& G" `8 W7 o|   |   ├──8-回归整体训练流程_详解读取数据blob_03 .mp4  39.22M7 W  k8 {3 R9 O7 W! C: e  [
|   |   └──9-回归整体训练流程_详解读取数据blob_04 .mp4  64.48M- L& d4 `3 X3 Y* X
|   └──3--图像风格迁移  
& F; X* {. T7 T|   |   ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4  81.07M
4 y$ a6 a: s( J! s6 m; v# e|   |   ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4  85.15M
& G- T4 {6 |; @5 }1 q|   |   ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4  75.40M
5 b% ~1 E5 K4 }, T9 \|   |   └──4-图片风格融合项目_架构_代码实现要点_4 .mp4  86.94M
7 Z( S, G9 {  ^% R3 b8 y5 _├──16--深度学习-目标检测YOLO(V1-V4全版本)实战  
7 O  \8 M! N+ E" b& Q|   ├──1--YOLOv1详解  
5 W- _# V5 G5 C( I( B' N( v6 o|   |   ├──1-YOLOv1论文详解_算法特点介绍 .mp4  179.69M, F4 ^* Q7 v" @0 I7 K
|   |   ├──2-YOLOv1论文详解_网络架构_思想 .mp4  215.92M# F; x- \5 Y+ S# c) U
|   |   ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4  253.21M
: ^7 ?) f- F# q, M3 S; v2 ]|   |   └──4-YOLOv1论文详解_NMS_局限性 .mp4  82.07M
/ E, D: a7 O' Z& z: p: o% g|   ├──2--YOLOv2详解  
; K7 Q5 H0 Y2 N4 }( m|   |   ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4  158.76M7 }  g/ _! D0 T2 N% t
|   |   ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4  257.43M
# c: e0 M4 G0 D6 n, X|   |   ├──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
7 k' ^! c$ r6 c0 B+ H, j4 ?|   |   └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4  183.51M
. e0 ^$ q5 n( A|   ├──3--YOLOv3详解  : u& k$ f% f) p9 L3 G8 F( [
|   |   ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4  86.51M
" T5 o6 N5 j' a( f|   |   ├──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- W3 M5 }& I6 b  i* p; \9 F5 ~9 y
|   |   ├──3-YOLOv3论文详解_总结_FocalLoss .mp4  147.48M
( J5 s# Z' b2 _|   |   ├──4-YOLOv4论文概述_介绍 .mp4  139.49M$ I: v, F- g+ W+ w
|   |   └──5-YOLOv4论文概述_BOS_BOF .mp4  297.31M
, d+ q' \7 E/ h* c: i9 `8 }9 ~|   ├──4--YOLOv3代码实战  
2 o1 F/ v, I/ P7 \) ]1 V|   |   ├──1-YOLOv3代码剖析_项目介绍 .mp4  157.02M2 v9 D3 L. o5 P  h
|   |   ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4  238.06M2 _; b& O7 y% |  b2 ^: m8 y
|   |   ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4  223.57M: j7 q: d# t+ x& A2 i# `
|   |   ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4  86.53M& s6 e- j* O, }+ n- @
|   |   ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4  144.69M
) Z2 F1 I. t+ H/ e|   |   └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4  316.56M0 [) k$ x  h1 q0 |2 d
|   └──5--YOLOv4详解  0 X$ i5 [3 ^: V$ J
|   |   ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4  207.14M+ c9 f$ v' k6 M4 E; f
|   |   ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4  90.48M* U5 m' A" E" W8 v4 s
|   |   ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4  216.07M
2 }1 y" s- r4 u, M4 d; I|   |   └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4  220.91M  j% C* N: F, |$ ~
├──17--深度学习-语义分割原理和实战  , A  \& a, O1 p2 s6 T
|   ├──1--上采样_双线性插值_转置卷积  ) g. g. C7 S" P" a' [
|   |   ├──1-前言 .mp4  19.46M% }% H* j' Z/ s1 E+ }0 v
|   |   ├──2-上采样_repeat .mp4  23.90M# E& e+ C# a2 M, k: M( P
|   |   ├──3-线性插值 .mp4  34.48M* N* N5 s- z7 r% h) o2 J
|   |   ├──4-双线性插值 .mp4  125.71M
4 \8 C7 n, s. F$ o3 t|   |   ├──5-转置卷积_以及TF的API .mp4  114.25M( g; q) o, [% O5 |/ O( \8 e
|   |   ├──6-双线性插值作为转置卷积核的初始参数 .mp4  145.01M5 j- t( b9 h) @' ~% U' |4 z
|   |   ├──7-ROI Align .mp4  58.38M
6 `& N7 N, `' X0 T1 a1 b|   |   ├──8-FPN思想与网络结构 .mp4  92.14M
0 q0 t3 O7 M3 [3 U" r" G$ t7 a|   |   └──9-FPN应用于FasterRCNN_ResNetFPN .mp4  95.52M& F) n& |8 }8 X6 ?5 B& O
|   ├──2--医疗图像UNet语义分割  
; |+ d& m' s- r|   |   ├──1-语义分割的基本概念 .mp4  18.33M; l$ w3 \: ~& O7 B0 \1 I) r
|   |   ├──2-FCN全卷积网络做语义分割 .mp4  36.54M, w$ a% K5 o" i% n
|   |   ├──3-UNet网络结构 .mp4  30.41M* L0 ?: Z, \9 Q- k4 g1 E/ U
|   |   └──4-UNet网络医疗图像的语义分割 .mp4  81.21M0 M- y/ d1 u+ a+ Y4 B- c/ Y
|   └──3--蒙版弹幕MaskRCNN语义分割  
, w  Q6 ?* W; P. [|   |   ├──1-MaskRCNN网络结构 .mp4  106.38M) s1 t. B* [, [! s2 w- j& ?
|   |   ├──2-MaskRCNN的项目展示 .mp4  250.54M% ?; {" G$ P/ l0 Y( E
|   |   ├──3-MaskRCNN网络架构回顾 .mp4  151.34M
. N" R5 l2 B' s/ a|   |   ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4  239.08M
, Y- i; j( }8 n! T/ ~# g0 b|   |   ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4  44.16M
; `* r0 T, }( U' o; G8 g|   |   └──6-MaskRCNN源码config和model .mp4  244.48M" c5 ?4 Q' j+ u2 Y
├──18--深度学习-人脸识别项目实战  0 \1 Y# Q2 S( S
|   ├──1-人脸识别任务种类_具体做法思路 .mp4  40.67M
/ \& @+ K3 D1 @/ ]# d- J  ]+ x+ P|   ├──10-人脸识别项目代码_加载MTCNN模型 .mp4  72.07M
9 U  G; H9 e( O/ S4 z8 |# z|   ├──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  C, I1 d4 [9 P5 M6 E
|   ├──12-FaceNet论文_摘要和前情介绍 .mp4  71.54M* U* H6 [) m/ K% \9 y, Q
|   ├──13-FaceNet论文_相关的介绍 .mp4  39.55M! L& [  f( A8 K# F$ M
|   ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4  44.25M9 O  J2 e) u+ e* m/ A
|   ├──15-FaceNet论文_TripleLoss损失函数 .mp4  63.78M% s+ U( _# y9 V0 T% F' W1 Y$ G
|   ├──16-FaceNet论文_TripleSelection很至关重要 .mp4  131.75M
2 T* d+ h  K5 L0 o4 N& G|   ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4  59.21M. K* `/ l3 C# ~
|   ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4  42.82M
) F( O& U% J1 J2 n5 g: w) o|   ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4  40.37M1 _; G+ ?" {1 L6 `" O; E
|   ├──2-开源的FaceNet项目介绍 .mp4  38.07M
% g+ {) M9 z  v* n|   ├──3-人脸识别项目代码整体结构 .mp4  30.40M
/ y- _) M8 s+ |. ~7 K3 b4 k* h) ^|   ├──4-MTCNN论文_摘要和介绍 .mp4  68.50M7 f; j% ~1 |, @' e
|   ├──5-MTCNN论文_网络整体架构 .mp4  76.57M- ]' W8 Q% x* |3 w2 t
|   ├──6-PRelu_每阶段输出多分支意义 .mp4  56.12M$ F1 E& l& Y2 C& k8 O
|   ├──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/ J2 m0 X' z4 t' t
|   ├──8-训练数据的准备_每一阶段训练的流程 .mp4  98.08M
6 F! b/ \3 g- g|   └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4  54.79M
. O9 B1 I/ t6 q  J! E; g2 I├──19--深度学习-NLP自然语言处理原理和进阶  
$ d/ c  q2 Y# Z7 ?|   ├──1--词向量与词嵌入  
( J% c! v# c; |- F8 n; H|   |   ├──1-N-gram语言模型 .mp4  116.32M9 F9 D- t; F% [$ s  M4 P
|   |   ├──2-NPLM神经网络语言模型 .mp4  155.81M
1 x% U" K6 Z  a3 v8 ?& X) g' B" s|   |   ├──3-词向量的作用 .mp4  58.00M
; t. x! K9 @3 i% ]|   |   ├──4-CBOW模型思想和计算过程 .mp4  196.59M9 H6 X4 {: R5 |- ?
|   |   ├──5-Skip-gram模型思想和计算过程 .mp4  44.35M
9 q  _' M' P  t- N|   |   ├──6-Huffman树_分层Softmax的思想 .mp4  113.79M
. h& `* O5 u5 A  l# Q" @; k6 g|   |   ├──7-分层Softmax应用到CBOW模型上 .mp4  64.28M. ?  v* |4 A8 S  w1 G% V5 N% ^
|   |   └──8-负采样和负采样应用到CBOW模型上 .mp4  66.07M
1 ?" y" c2 l) U; H|   ├──2--循环神经网络原理与优化  
5 @5 V; T6 p$ L* r$ R, _0 J|   |   ├──1-理解RNN循环神经网络拓扑结构 .mp4  122.64M4 f! ~; \" N, z* G( |$ R5 f2 q
|   |   ├──2-理解RNN循环神经网络计算流程 .mp4  55.91M% I% V8 }1 y. T* I! E! B7 m2 n1 q
|   |   ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4  127.75M" F- k: i, P$ G) z8 J
|   |   ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4  185.30M
; w& e; e0 g; w% X|   |   ├──5-VanillaRNN的回顾复习 .mp4  123.51M, P/ o, K$ P; W5 F* P. N
|   |   ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4  44.24M+ G4 R" g" \+ X' w, {# \! K  o
|   |   ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4  35.32M
$ |  D( t4 N# w/ d|   |   ├──8-双向RNN_LSTM .mp4  52.01M: B2 j# g1 {8 o# e+ I9 t; t
|   |   └──9-RNN里面应用的Topology结构 .mp4  23.04M
6 O$ j1 L1 o$ n6 x|   ├──3--从Attention机制到Transformer  ( p' J' Y  ^' h9 P
|   |   ├──1-Seq2Seq中Attention注意力机制 .mp4  87.67M
( h5 V1 S& z/ f: ?5 V! R8 f|   |   ├──2-Transformer_Self-Attention_Multi-head .mp4  100.40M$ n) E0 Y3 H6 a4 A* ~/ S# B9 k: A
|   |   └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4  102.40M/ ~1 S& }$ m# ^% I
|   └──4--ELMO_BERT_GPT  
7 T0 P, j8 u- o# A% `/ X% J7 P: F7 v|   |   ├──1-ELMO .mp4  62.44M6 a+ h) m" m) ~  Z: {/ R8 i
|   |   ├──2-BERT理论 .mp4  99.73M' k& _4 ?5 I& Z9 }. g( W4 g
|   |   └──3-ERNIE_GPT .mp4  56.34M
* s/ P2 n/ I, P, j$ N, \" `: Q% }├──2--人工智能基础-Python基础  
* Z0 z# A, d! @! k" a8 R" O|   ├──1--Python开发环境搭建  7 I/ I' g5 A$ y0 l1 B8 p, w
|   |   ├──1-下载Miniconda运行环境 .mp4  100.75M4 ]) |, x5 `5 F& W; d: E
|   |   ├──2-Miniconda安装和测试 .mp4  57.12M0 W3 j5 f4 H$ }2 {+ K9 ~. T
|   |   ├──3-Pycharm安装和代码运行 .mp4  71.57M
$ S$ [+ k+ u! ]% I. z% c( K$ z$ ^( J+ H|   |   ├──4-Jupyter安装和代码运行 .mp4  37.10M
4 o! h: D4 H6 Z/ _  x) f|   |   ├──5-Jupyter常用快捷键 .mp4  32.23M
3 c0 g# [3 S& z* r4 M2 D8 [|   |   ├──6-Conda虚拟环境创建与Python模块安装 .mp4  73.12M
; _3 T( \' N9 N$ M) s2 O|   |   └──7-关联虚拟环境运行代码 .mp4  38.14M: s* Z, }, W3 {. x6 K
|   └──2--Python基础语法  ; _4 S' O' x/ _; `" ?, h( ]
|   |   ├──1-Python是强类型的动态脚本语言 .mp4  44.15M
" o! V8 f: d6 W! \3 Y|   |   ├──10-Python_集合操作_列表 .mp4  34.71M0 }5 q' H, b8 E! g; N% k9 |7 f
|   |   ├──11-Python_集合操作_列表的基本操作 .mp4  49.44M
/ w* S/ u$ m! E$ r|   |   ├──12-Python_集合操作_列表的常用方法 .mp4  37.35M
( ~8 W1 h6 T& h$ ?|   |   ├──13-Python_集合操作_元组 .mp4  43.46M
& _& a: W; H# V; F|   |   ├──14-Python_集合操作_字典和常见操作 .mp4  38.01M
5 d" K: d/ O( {$ r* q3 D|   |   ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4  22.40M
* f6 a: N1 ^" P: b" ^. r/ p|   |   ├──16-Python_os模块_shutil模块 .mp4  51.54M
: `' f' \, I9 s|   |   ├──17-Python_打开并读取文件_中文编码问题 .mp4  58.82M4 d2 P% A( F+ b  F: }5 h! U
|   |   ├──18-Python_函数_定义_调用_返回值_注释 .mp4  23.77M/ S- Y" [! |5 h$ m5 h7 a9 U: d/ w
|   |   ├──19-Python_函数_局部变量_全局变量 .mp4  31.20M
4 L- T; D& ~9 M, s3 m|   |   ├──2-Python_控制语句_单双分支 .mp4  50.66M
' k6 l# q2 L+ C1 r|   |   ├──20-Python_函数_默认参数_可变参数 .mp4  24.47M( L/ d) J7 f$ ^/ v
|   |   ├──21-Python_函数_递归 .mp4  23.46M. K, y( n! G# ~( C+ w& s! {
|   |   ├──22-Python_函数式编程_高阶函数 .mp4  24.65M* o1 M0 W' M- ?  P
|   |   ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4  37.86M
8 g7 J' h* A6 M, y|   |   ├──24-Python_函数_闭包 .mp4  41.61M) Y# ~7 m* a  f  w
|   |   ├──25-Python_函数_装饰器 .mp4  30.35M5 Q* l4 h/ w# K& n- l
|   |   ├──26-Python_类对象_定义与实例化对象 .mp4  44.21M
0 b( [. ~* N0 U|   |   ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4  38.35M
0 p4 v/ H- X: [' _" Z% Z# s|   |   ├──28-Python_类对象_内置方法 .mp4  29.17M
% i7 T# W* ?5 A% U' a. W|   |   ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4  38.46M
9 }! u7 m+ ]0 ~|   |   ├──3-Python_控制语句_多分支_三元条件运算符 .mp4  31.02M) y+ p8 O" M4 l8 t' ]0 R) a+ i9 c
|   |   ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4  24.66M: X1 Z  H" V7 c! P
|   |   ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4  32.00M
5 n$ E# W7 M6 l- `) ]|   |   ├──4-Python_控制语句_while循环 .mp4  25.02M/ Q+ Y3 j( j% v, o  J- W
|   |   ├──5-Python_控制语句_for循环 .mp4  22.82M( s4 |+ F0 f" l% h1 _4 _
|   |   ├──6-Python_控制语句_嵌套循环 .mp4  36.15M
0 w% S* Y7 D7 m2 Z# F|   |   ├──7-Python_控制语句_break_continue .mp4  25.23M
8 y# p/ P* L8 p0 |& k+ j- R|   |   ├──8-Python_切片操作 .mp4  40.20M' }$ z9 Q% h$ v# E
|   |   └──9-Python_数据类型 .mp4  25.38M
$ @) ]: l, @5 m1 {! ]3 A: F; L├──20--深度学习-NLP自然语言处理项目实战  
" T$ N+ L) B- F+ \  y9 v|   ├──1--词向量  + g. h) `( ~# Z9 l2 V+ f- i; R
|   |   ├──1-回顾了词向量里面训练的Topology .mp4  121.72M: ~% u! r" o# @. V/ ]
|   |   ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4  96.76M
# e7 D6 W$ d5 I9 W$ P9 M|   |   ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4  82.29M
% B% r- K# a- t|   |   ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4  102.84M8 o- k5 X1 M. W5 Z7 |1 Y
|   |   ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4  83.28M" Y- ~* [: y+ ?5 w' R7 s
|   |   └──6-Word2Vec项目代码_总结串讲 .mp4  22.52M
; }7 O: E0 x& G2 F0 e|   ├──2--自然语言处理--情感分析  # }1 W4 y* k) [9 T: v- z. ^
|   |   ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4  71.10M6 k# j+ s0 q- ^5 |0 v/ g; L5 e9 l
|   |   ├──2-数据预处理_01 .mp4  79.65M
/ Z6 n$ K7 _2 a  u/ G|   |   ├──3-数据预处理_02 .mp4  45.68M3 ^5 }/ E/ P' E: d: g" j( U
|   |   ├──4-代码讲解_01 .mp4  52.29M
- b& d: m  q$ F9 |6 v|   |   ├──5-代码讲解_02 .mp4  60.85M
" l1 d4 B. w8 _4 B. @0 l|   |   ├──6-代码讲解_03 .mp4  53.89M
1 K! _; `# G& ~6 `! O* u|   |   ├──7-代码讲解_04 .mp4  57.19M) |% ^! Z7 ?; p% h' N! ~
|   |   └──8-代码讲解_05 .mp4  35.88M
! r3 c4 X* o+ b9 ?# _( j' L|   ├──3--AI写唐诗  
$ [+ _, u4 }2 [4 }4 i|   |   ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4  114.96M/ Q9 `/ f! k* E! m
|   |   ├──2-AI写唐诗_训练数据的构建 .mp4  69.75M; t# r" r: L) c- D
|   |   ├──3-MultiRNNCell单元 .mp4  38.93M
! n& l8 h  X6 g% i|   |   ├──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
& ]  U& |4 y+ `$ ?|   |   ├──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  E, K5 G, U. Z! y- E
|   |   └──6-AI写唐诗_模型的使用_增加随机性 .mp4  93.87M
: {  O- O' @0 B" W|   ├──4--Seq2Seq聊天机器人    l- K. Y0 f% R% h3 d
|   |   ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4  118.79M! ?  J9 k( J' c. O6 Y7 D5 g
|   |   ├──2-Seq2Seq版Chatbot的数据预处理 .mp4  93.85M& y( d5 d: C& ]! A3 P0 N# g" z
|   |   └──3-Seq2Seq版Chatbot训练和模型使用 .mp4  133.29M2 C( L+ N2 p9 X$ W' z. ~, z; \: Z
|   ├──5--实战NER命名实体识别项目  
* N$ _  W* ], b4 \% S& I( G|   |   ├──1-回顾了一下CRF训练和使用过程 .mp4  73.72M) s8 ]4 H7 L* \( E; w3 @- e# s  W
|   |   ├──2-介绍了代码目录结构 .mp4  23.44M* q  l% i# U( e2 p
|   |   ├──3-NER代码读取数据和预处理 .mp4  97.61M
3 {. W6 |* P( A9 n( C+ V4 o|   |   ├──4-feature进入BiLSTM进行正向传播的过程 .mp4  70.91M
, _; `8 I+ r! D8 V: z|   |   ├──5-通过CRF层来计算Loss损失以及训练 .mp4  80.51M
7 u% |9 ]  |9 y/ y: c( F|   |   ├──6-BiLSTM-CRF模型的预测代码 .mp4  64.10M8 b  {1 H- q3 S
|   |   ├──7-CRF中的特征函数们 .mp4  125.97M
6 ?. W4 C2 o* ?( b+ Q. u|   |   ├──8-对比逻辑回归_相比HMM优势 .mp4  143.56M
9 v" l/ C$ ~1 m* \" h3 G( m|   |   └──9-补充标注偏置问题_HMM做分词代码结构 .mp4  141.43M, S$ v  h, X3 e; R2 @( Q1 c9 G' p5 k
|   ├──6--BERT新浪新闻10分类项目  & @+ p( I1 M. q+ Q7 t5 N' z* ?; n8 ]6 ~
|   |   └──1-BERT新浪新闻10分类项目 .mp4  104.54M) J+ z) ]+ U+ i" N# \
|   └──7--GPT2聊天机器人  
' G5 P( b) M% i|   |   └──1-GPT2闲聊机器人 .mp4  62.28M
5 W* Y. Z! u' R% I6 g8 h' Z├──21--深度学习-OCR文本识别  9 c1 w; H1 l! j
|   ├──1-传统OCR识别_深度学习OCR识别 .mp4  369.94M
) w. S8 ^% e* U6 x, Z; A|   ├──10-CRNN项目代码剖析 .mp4  306.48M- I& m5 i. R  F& a
|   ├──2-OCR识别本质就是文字检测和文字识别 .mp4  253.34M
" P# j0 I% D" J( K|   ├──3-OCR识别的CTC损失思想 .mp4  327.69M* X8 ?; T& b6 U3 R
|   ├──4-总结理解深度学习文字识别架构 .mp4  121.59M9 A( a4 f) Q, C2 [
|   ├──5-CTC损失函数的理解 .mp4  330.64M, B* Q. v& L+ `$ b  D9 R1 y: D
|   ├──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
; L" z. t" m; g( p' O, a|   ├──7-CTC前向后向算法代码 .mp4  225.41M
  j; O6 x+ E2 `9 z|   ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4  308.23M2 H1 J- u; L& F( W, [
|   └──9-CPTN项目代码剖析 .mp4  491.69M
0 J, f, a; p  O├──24--【加课】Pytorch项目实战  
& W9 x; W" I' R4 \3 A% Y|   ├──1--PyTorch运行环境安装_运行环境测试  
2 `# c! F- ]7 h2 Y0 E|   |   ├──1-PyTorch概述 .mp4  29.29M* E2 Z" U# z" x" g  j6 A
|   |   ├──2-PyTorch的安装 .mp4  76.45M
0 Q; G2 s9 r3 {2 m/ a|   |   ├──3-Pycharm关联PyTorch运行环境 .mp4  37.96M  H+ l/ d+ f. N0 r
|   |   └──4-Jupyter关联PyTorch运行环境 .mp4  31.22M
$ h+ n  V* z7 d7 j3 |9 B|   ├──2--PyTorch基础_Tensor张量运算  
2 ^* Z- K5 L, B) I1 j+ a|   |   ├──1-Tensor的创建 .mp4  55.14M1 {# e# s- N2 A/ \! m
|   |   ├──2-修改Tensor的形状_索引操作 .mp4  76.51M% w6 ]+ E. a6 ]$ t, O+ d6 e6 C6 D
|   |   ├──3-广播机制_逐元素操作 .mp4  44.46M
% b2 {8 Y3 X) A0 I( q& C|   |   └──4-归并操作_比较操作_矩阵操作 .mp4  59.39M. b6 Y  _7 ~0 x/ o8 m
|   ├──3--PyTorch卷积神经网络_实战CIFAR10  
( z3 O# C6 ~$ X1 t- T, u2 K|   |   ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4  83.93M# m" n( J9 i$ v6 p/ t  T% o
|   |   ├──10-PyTorch代码实战加入数据增强 .mp4  34.15M
9 W- e. b, r6 c& k. E0 }|   |   ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4  58.61M
  |  U+ B/ {+ \|   |   ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4  51.47M
" {1 i9 V9 |& z; K( C5 b7 z1 M|   |   ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4  30.60M' j: j+ d8 ]: G) e: c- M& Q
|   |   ├──5-使用全局平均池化_使用LeNet模型 .mp4  40.97M
* @% G( O8 |/ o|   |   ├──6-使用集成学习思想训练识别模型 .mp4  86.96M
* F8 e" [4 ]" D" I# _. q# ^|   |   ├──7-使用VGG16模型提供准确率 .mp4  52.90M% ?2 I8 A, A6 w
|   |   ├──8-torchvision里面的预训练模型 .mp4  29.84M
; d: d* Y9 p/ T) l: M! q0 ~|   |   └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4  67.71M
9 A6 k" a1 F* }# ?: c|   ├──4--PyTorch循环神经网络_词性标注  ( Y! g5 v/ J5 A" }2 E! x: V
|   |   ├──1-PyTorch词性标注_构建数据和词索引号 .mp4  28.07M
: d  r9 _( `6 b" h3 B|   |   ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4  47.01M
- P. t+ {0 S8 ?3 u7 u( H2 Z  c|   |   ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4  44.59M4 g" c( i1 b8 e* a- Z
|   |   └──4-PyTorch词性标注_测试模型效果 .mp4  11.67M
+ O$ C4 k! o& l$ O" G|   └──5--PyTorch编码器解码器_机器翻译  * c+ D2 W" C( {# E6 l: ?1 M
|   |   ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4  50.41M2 i% W) S; V+ F# F  [
|   |   ├──2-PyTorch中英文翻译_数据预处理 .mp4  42.68M3 }5 L5 y/ i. b  N, g4 F
|   |   ├──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
2 ^$ y7 H8 l3 `8 \: K- f0 K|   |   ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4  50.92M
: _! U6 N2 h. |* Q7 v|   |   ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4  79.33M
. I1 r8 {0 D5 o|   |   ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4  59.08M& b* a  K% [& B& p; S& s! `0 ^. \
|   |   ├──7-PyTorch中英文翻译_评估模型函数 .mp4  56.52M8 T7 b" V- v. U' K, O* m
|   |   └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4  33.74M
, H8 ?: r% e$ V$ R6 u0 T├──25--【加课】百度飞桨PaddlePaddle实战【新增】  . j; r2 }/ e; i$ @( R$ w
|   ├──1--PaddlePaddle框架安装_波士顿房价预测  $ s* `( q- ?7 u% D9 `% t! |; D
|   |   ├──1-安装PaddlePaddle .mp4  87.34M
1 V. F% V! u4 [5 @0 V6 Z$ P0 {|   |   ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4  45.21M5 v1 d; @2 N4 L6 [( S
|   |   ├──3-PaddlePaddle求解线性模型 .mp4  50.63M3 X! _7 `* \3 s/ {' V% }
|   |   ├──4-预测波士顿房价_数据读取_正向传播 .mp4  60.49M. M9 l( Z* i. O
|   |   └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4  43.72M
: B1 v6 b/ I! W0 k" [0 N: J0 Y; Z|   ├──2--PaddlePaddle卷积网络_病理性近视识别  
, r0 R5 x8 o' t4 t( V|   |   ├──1-预测病理性近视_图片数据读取 .mp4  97.18M- o3 N) W# [$ P7 e  f: ~
|   |   ├──2-预测病理性近视_模型训练 .mp4  86.66M
9 X7 J, Z( h" J; [, Q|   |   ├──3-预测病理性近视_定义模型结构_评估模型 .mp4  84.10M
$ {$ _+ z1 P# S|   |   └──4-预测病理性近视_调用经典卷积神经网络 .mp4  91.83M& K% L) I1 X2 F1 Q) n: H
|   ├──3--PaddleDetection工具_PCB电路板缺陷检测  0 s" Z3 {( V6 s0 Q/ o, d
|   |   ├──1-PaddleDetection_项目配置 .mp4  82.88M
7 K( g3 O+ @6 [( j8 _* v|   |   ├──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$ v) j( F' W7 l( W8 L) l7 M
|   |   ├──3-PCB电路板缺陷检测_Images和Annotations .mp4  83.10M
/ t1 k7 W5 Q0 H$ V7 E8 V4 }  J|   |   ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4  133.78M6 K% [# x7 D; W7 U
|   |   ├──5-PCB电路板缺陷检测_项目配置文件 .mp4  42.77M
& D0 E& L0 P6 c/ @|   |   ├──6-PCB电路板缺陷检测_模型训练 .mp4  64.62M
) o! N& }3 z2 K" r- a& T5 j1 u|   |   └──7-PCB电路板缺陷检测_模型预测 .mp4  51.73M0 W0 S2 U, b( A5 y4 l0 M
|   ├──4--PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss)  
- m. F) `5 W* Y# x% Z|   |   ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4  69.65M
; |5 k8 Q- Y9 Y# ^0 H|   |   ├──2-车牌识别项目_详解数据准备阶段代码 .mp4  42.93M
9 |0 r7 S( y9 l( Z8 R|   |   ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4  57.48M7 P, p/ O) [, o1 l1 n+ \  p& r/ z
|   |   ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4  61.62M
1 P4 g6 |; F( I! @9 Z4 M|   |   ├──5-车牌识别项目_车牌字符识别模型训练 .mp4  61.89M9 J6 }* `. ?* Y$ N2 L
|   |   └──6-车牌识别项目_车牌识别模型导出及预测 .mp4  75.61M
* r, M/ R3 q2 Z+ o. s|   ├──5--PaddleNLP模块_物流信息提取(BiGRU+CRF)  
: @; o; x5 I7 f; ^, I- X  `|   |   ├──1-PaddleNLP_项目配置 .mp4  49.37M+ @. a' Y8 N2 h9 }% I( Q
|   |   ├──2-PaddleNLP_物流信息提取项目介绍 .mp4  48.01M
0 T% G. E; R  d0 \|   |   ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4  106.19M
' k: ^9 i0 N4 U- Z) N/ @  G|   |   ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4  55.51M; Q- x5 ?( M  @( i
|   |   ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4  51.88M) s6 w5 P# }& X; z$ n9 n: j8 P' e& r
|   |   ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4  48.53M/ i' F* y) V" v
|   |   ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4  47.34M
, o) k( X" f; B6 c7 J3 g4 R  O|   |   └──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
' f( G: q8 W  u" v. w2 f|   └──6--PaddleNLP模块_物流信息提取(ERNIE版)  
' u, f' d; y- }; c) ~! e|   |   ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4  49.47M
/ O& Y2 [( ]% g|   |   ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4  57.44M9 C, D, t% ?$ C3 W2 R9 E) e
|   |   ├──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
, T- b% ~( r; p+ t+ M: z( K& }% h|   |   └──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( R( C( H8 X4 E, k/ E- {( ]
├──26--【加课】Linux 环境编程基础  
3 F! T, @% d, w7 B|   └──1--Linux  " |) r& w4 @# n" J9 T
|   |   ├──1-Linux_课程介绍 .mp4  3.72M
. c" q, L# R4 p  _! R: F5 a|   |   ├──10-Linux_常用命令_clear、touch、cat命令 .mp4  10.13M+ N0 Q6 R" i3 U, N$ z) h+ x
|   |   ├──11-Linux_常用命令more、head、tail命令 .mp4  16.32M
% b5 U- U$ m: V|   |   ├──12-Linux_常用命令_mkdir命令 .mp4  10.57M. ]% C  }" A% D3 |
|   |   ├──13-Linux_常用命令_cp命令 .mp4  16.08M
" o/ g- s( G7 b/ X  ]|   |   ├──14-Linux_常用命令_rm、mv命令 .mp4  31.83M) U3 f6 |$ g! Z8 j* K! y' x
|   |   ├──15-Linux_常用命令_vi、vim .mp4  30.63M) x9 u! E2 n9 [! d! @
|   |   ├──16-Linux_常用命令_reboot、halt .mp4  4.75M
* Q; R% l  V5 S% a5 z|   |   ├──17-Linux_常用配置_设置时区 .mp4  28.84M
' P( ^" y+ n  I|   |   ├──18-Linux_常用配置_启动网络 .mp4  15.64M
% W1 ]2 |9 E/ g& }|   |   ├──19-Linux_常用配置_修改网段 .mp4  12.83M- r9 `( K% n. u: A/ ~4 d
|   |   ├──2-Linux_Linux简介 .mp4  17.59M
- r; v. w# T2 Z1 E|   |   ├──20-Linux_常用配置_设置网络类型 .mp4  25.66M
9 B$ o$ W' K% q0 U3 e/ c9 Q# W|   |   ├──21-Linux_常用配置_快照与克隆 .mp4  16.47M
' C4 ^2 c; J4 c4 `3 o0 L; y|   |   ├──22-Linux_Xshell的安装与使用 .mp4  19.51M# E' W2 M7 S5 U
|   |   ├──23-Linux_上传与下载_Xftp的使用 .mp4  20.33M. ]# o! x+ O$ ~; N+ {& W- K! t, c5 u
|   |   ├──24-Linux_上传与下载_lrzsz工具 .mp4  43.32M
7 y# f% n9 C. d" d# a|   |   ├──25-Linux_文件的压缩与解压缩处理 .mp4  43.12M
7 z( U7 E. ^+ ^% Q- q$ m|   |   ├──26-Linux_安装MySQL .mp4  79.02M
! w% S# e5 {" W( P. M|   |   ├──3-Linux_VMWare安装及使用 .mp4  20.92M- f4 \4 ?& m6 E! g
|   |   ├──4-Linux_安装Linux .mp4  41.97M
" A% X3 y% \! b# t6 h1 I: j|   |   ├──5-Linux_目录介绍 .mp4  20.31M: s) s9 _5 b, F( ^5 q
|   |   ├──6-Linux_Linux中的路径 .mp4  18.65M
' R. K( }9 r& H, s& h|   |   ├──7-Linux_常用命令_pwd命令 .mp4  5.79M) F) [- p: W9 @) Z
|   |   ├──8-Linux_常用命令_cd命令 .mp4  8.15M
: G& O( L  h7 i) }9 i" ^6 G|   |   └──9-Linux_常用命令_ls与ll命令 .mp4  34.39M( C0 a* N) a* X2 e0 v
├──27--【加课】算法与数据结构  
; U8 O* f9 X9 M& `|   └──1--算法与数据结构  . C4 c8 D, |4 h' \7 m7 v& n
|   |   ├──1-数据结构与算法简介 .mp4  35.68M; N5 n7 ?8 N9 d+ e* E- E
|   |   ├──10-哈希表的基本结构 .mp4  54.34M
) T6 Y) t' _- u4 P. V|   |   ├──11-哈希表冲突问题 .mp4  75.92M
+ n( }1 V7 B5 I7 n0 K1 s* I# L|   |   ├──12-哈希表冲突问题2 .mp4  72.30M
3 @$ w3 M( }  t* }/ _. M. Z|   |   ├──13-哈希扩容 .mp4  111.03M- M$ C) I# B8 ~/ v& t
|   |   ├──14-递归与栈 .mp4  50.77M6 b1 b$ X$ H( |( ~* s5 }; p
|   |   ├──15-线性查找 .mp4  57.80M( S" K' T, n7 l% t  }: p
|   |   ├──16-二分查找 .mp4  52.32M6 A) O4 A2 b/ o% ~1 a* @
|   |   ├──17-冒泡排序 .mp4  53.19M
+ x2 x' f/ U, W7 E6 x|   |   ├──18-选择排序 .mp4  43.29M
( P5 M2 u) E* L/ B|   |   ├──19-插入排序 .mp4  31.39M
3 G4 y# ]$ c& t0 `|   |   ├──2-大O表示法 .mp4  25.59M( t) s: b8 U3 x9 M3 U8 q, S
|   |   ├──20-归并排序 .mp4  84.48M( Q3 L# H( h) D% X: ]5 X' G
|   |   ├──21-快速排序 .mp4  36.63M
1 u# {; p( L4 V8 E  U+ K|   |   ├──22-树结构 .mp4  96.85M
0 i) M) y7 ^' y( @' C|   |   ├──23-树结构的遍历 .mp4  61.05M- u! o$ J- |# Y& `9 f* V* p
|   |   ├──24-最大堆的增加操作 .mp4  45.43M
! \6 i2 H) H7 ||   |   ├──25-最大堆的删除操作 .mp4  45.63M
0 Z  ]6 c& M1 @$ P, [% ||   |   ├──26-二叉树的查找 .mp4  100.24M/ c. h+ [9 H* f2 @9 l& f
|   |   ├──27-二叉树获取最小值 .mp4  25.21M
  F8 ^, d; G( H' a; P|   |   ├──28-二叉树的添加 .mp4  72.66M
9 {. u! Y5 P+ C2 p' N, I|   |   ├──29-二叉树的删除 .mp4  120.06M* d+ [2 q& I8 m3 K
|   |   ├──3-线性结构 .mp4  53.14M
, i" V7 o) Z. c5 T" e. {|   |   ├──4-单线链表1 .mp4  68.36M2 M$ D9 `# m1 E+ J
|   |   ├──5-单链表2 .mp4  221.69M2 y5 v5 [+ v4 M. _5 l, @: Q1 m# n) o
|   |   ├──6-双链表 .mp4  103.57M
7 r% {: b, y* \3 l|   |   ├──7-队列(链式) .mp4  74.12M
) P/ ^  x# P' }/ q3 V|   |   ├──8-队列(线式) .mp4  30.99M
; J" _! W3 `# d|   |   └──9-栈与双端队列 .mp4  28.12M
: J- C: \: M) F8 \* X# b├──3--人工智能基础-Python科学计算和可视化  
8 n7 K5 M" S# W6 ~' L: ~- F/ \|   ├──1--科学计算模型Numpy  
8 a( V7 P8 G* h7 I* I|   |   ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4  39.89M* Y1 V( s; w' i- I2 n# F
|   |   ├──2-Numpy_array_arange .mp4  35.45M
3 t: s  W1 h9 c|   |   ├──3-Numpy_random随机数生成 .mp4  50.54M! l; f8 R5 X% u: E) Q7 N. _9 k
|   |   ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4  45.37M& k& e3 l" X. X3 r
|   |   ├──5-NumPy_reshape_切片操作_copy函数 .mp4  34.47M
: u9 t8 V2 `( S" \; M  r$ ]|   |   ├──6-Numpy_改变数组维度_数组的拼接 .mp4  46.50M& l. c( k  V3 D. A; u; U% o0 r
|   |   ├──7-Numpy_数组的切分和转置 .mp4  28.34M/ Y; E7 T7 G$ b0 k
|   |   ├──8-Numpy_算术运算_向上向下取整 .mp4  34.59M
' A3 l' O0 A( y& |% C|   |   └──9-Numpy_聚合函数 .mp4  23.68M$ f" q# o0 |* q) `& J' w! B' k& t
|   ├──2--数据可视化模块  / M" _% M% _/ r( d6 I: D" |2 z+ @
|   |   ├──1-Matplotlib_概述_绘制直线图 .mp4  40.79M: P, \' i' g3 B3 g7 p8 l
|   |   ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4  37.73M
; Q; H" M- d, c/ j! p0 I. `" Q|   |   ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4  52.15M
* g5 l6 o6 _( V|   |   ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4  29.54M; P6 K8 I* Y! ~6 h
|   |   └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4  34.90M
4 L4 ^2 w& Y* }) M. S, H# G|   └──3--数据处理分析模块Pandas  ) ~# ]  S' }, f3 W8 o" P4 U5 S
|   |   ├──1-Python_Pandas_Series对象创建 .mp4  33.35M
3 p0 X$ h4 q0 }8 d$ R|   |   ├──2-Python_Pandas_DataFrame对象创建 .mp4  37.19M
3 ?3 g, W% [- \3 f- ?|   |   ├──3-Python_Pandas_获取Series对象的值 .mp4  22.41M. F* X/ E' l) {
|   |   ├──4-Python_Pandas_获取DataFrame对象的值 .mp4  28.31M6 p5 G# j. X& s! \7 M3 L
|   |   ├──5-Python_Pandas_条件过滤 .mp4  24.66M4 ^; X, J. s6 z% L
|   |   ├──6-Python_Pandas_空值的删除与填充 .mp4  46.66M' k% r0 u. a0 T& }; O1 @2 i! f# c
|   |   └──7-Python_Pandas_拼接和合并 .mp4  44.84M8 w0 K$ `3 j$ E, n
├──31--【加课】 强化学习【新增】  
$ m, N& R& Q& s4 e7 e6 O|   ├──1--Q-Learning与SARSA算法  
, P& |& T3 H- _/ S|   |   ├──1-强化学习通过智能体与环境交互进行学习 .mp4  81.83M
$ q3 c* |3 {0 X& h( J" z|   |   ├──10-代码实战Q-Learning智能体训练模型 .mp4  40.30M; w7 x8 S" n: B7 X' k0 F4 A
|   |   ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4  45.38M
( E, W" P* j; ?' p. ]|   |   ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4  42.69M# O/ O) Y2 e) r* O% z) a- E: o
|   |   ├──13-代码实战SarsaLambda_训练模型 .mp4  42.49M
2 ]- D4 z- Z' B' R7 c|   |   ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4  59.84M- _2 l: \! P" ]5 l
|   |   ├──3-详解Q值和V值以及它们之间关系 .mp4  82.69M. I! `  f3 a: B0 O. _( _% s  g
|   |   ├──4-蒙特卡洛采样回溯计算V值 .mp4  74.25M
! S' O# D' y0 |. @|   |   ├──5-蒙特卡洛和时序差分估算状态V值 .mp4  82.14M
- q# v/ t1 o. ^3 o% h4 d|   |   ├──6-SARSA算法和Q-learning算法 .mp4  76.34M
. l4 P9 F- P: K3 V! U6 b. b: a. V: i|   |   ├──7-理解Q-table_创建maze交互环境 .mp4  78.55M4 x" t8 d6 B" [$ u( x8 y8 |
|   |   ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4  34.23M
$ S' y9 N; V1 i* U3 V|   |   └──9-代码实战Q-Learning智能体选择行为 .mp4  38.39M
) O# {; A" A, s% {" V( H  S|   ├──2--Deep Q-Learning Network  
4 |* @! @* |# b5 h|   |   ├──1-DQN算法思想 .mp4  59.24M
, x  O# K) ]3 k5 s3 E|   |   ├──10-DoubleDQN缓解over-estimate .mp4  44.14M
9 A6 h& {; G5 l& q|   |   ├──11-DoubleDQN代码实战 .mp4  44.49M. U& E, X1 w7 Z
|   |   ├──12-DuelingDQN .mp4  88.12M
& z- g2 b) t: S6 i9 [8 w: j3 B|   |   ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4  91.00M
+ r$ ]' a' K8 _( N( h|   |   ├──14-计算Action的方差避免风险 .mp4  54.23M
2 u! i6 V& L% i+ G2 I|   |   ├──15-Rainbow_DQN如何计算连续型的Actions .mp4  65.35M
: m5 S3 s9 @" b/ T9 {|   |   ├──2-DQN算法具体流程 .mp4  56.17M
' ^# M" ?  J* |3 b* l|   |   ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4  96.70M
9 @% _3 o# P, c& q' \* z/ K) ~! p4 |( q|   |   ├──4-代码实战DQN_Agent和Env整体交互 .mp4  52.25M6 w+ `1 r  F6 I& m$ m! B
|   |   ├──5-代码实战DQN_构建Q网络 .mp4  70.52M
+ f" L0 p' U6 Y3 m2 M|   |   ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4  85.79M
9 ], x8 R+ t0 O1 e9 B& H* a|   |   ├──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( [" o& Z% h. ]
|   |   ├──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/ ~: ?. u% d5 H) i6 w
|   |   └──9-DQN会over-estimate的本质原因 .mp4  44.92M" F. A. n% F3 V& ~( u4 v- w7 D( z
|   ├──3--Policy Gradient 策略梯度  , A, _0 G& v/ p+ [
|   |   ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4  68.21M
) E% I% M* j' O/ s. V8 ||   |   ├──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; o2 E" @4 o# Q# V
|   |   ├──2-策略梯度PG_明确目标函数和导函数 .mp4  62.20M
, _; g) [7 [5 y3 M, H( d( C4 ^|   |   ├──3-策略梯度PG_简化导函数的公式推导 .mp4  36.66M
5 S2 Y1 |3 G7 ~& S' Z% \5 B1 a|   |   ├──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
3 ^; g; g* M+ d|   |   ├──5-策略梯度PG_讲解CartPole环境 .mp4  55.59M  l! X- v5 e/ U0 `  {5 {% x; o
|   |   ├──6-代码实战_策略梯度PG和CartPole交互 .mp4  75.57M- ?% N: M& P' \
|   |   ├──7-代码实战_策略梯度PG网络构建 .mp4  48.86M$ S3 p5 Y& [' A" l6 i
|   |   ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4  54.67M
9 I$ A1 B8 D, r, ]7 J$ d& \* a|   |   └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4  33.07M
+ T4 F* P0 I4 |  k. \|   ├──4--Actor Critic (A3C)  1 f7 F' I9 j  x* j2 M6 C
|   |   ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4  55.33M6 Z+ M8 Q4 l, Y
|   |   ├──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/ c7 U$ u7 y8 G5 B3 {8 \. ~/ l
|   |   ├──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/ b+ m! @1 y1 `1 a2 T" b
|   |   ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4  39.73M1 K* O. O' U+ O1 ]3 c2 [4 z
|   |   ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4  51.55M* Y3 Y1 ~& {0 }& H% R0 i0 @2 L) K
|   |   ├──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
" x% @' V! _8 K- ?; ~5 t$ D|   |   ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4  86.42M
( F6 G5 f) C# E0 v  j|   |   ├──3-代码实战_ActorCritic与环境交互 .mp4  82.51M
% w8 q+ [% w; ||   |   ├──4-代码实战_Actor网络构建及训练 .mp4  58.07M
7 f" R% m6 f8 W+ w4 t7 u|   |   ├──5-代码实战_详解Critic网络构建及训练 .mp4  87.92M
# h4 u! e5 N3 ]|   |   ├──6-A3C架构和训练流程 .mp4  74.66M
$ W, R4 g0 q) d' @" H/ l" p! @|   |   ├──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
+ K+ X: m* |. S- p% m|   |   ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4  32.03M6 a8 Q9 N8 j1 t' {) ]
|   |   └──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
7 {6 w3 x1 u# p' \* L1 w6 k|   └──5--DDPG、PPO、DPPO算法  
( Q* Q# x6 D8 {4 F% j9 A, K! X4 D|   |   ├──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
. e, m0 J0 N; i$ \+ [+ g# w|   |   ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4  32.54M$ E/ J* n# y" D  a* V/ Q3 O
|   |   ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4  41.02M
  ]* G$ R7 ^# U9 l# ~4 s- F3 E|   |   ├──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
4 ^$ d2 H  E8 B|   |   ├──13-DPPO分布式PPO .mp4  63.81M
2 F" I( _. }7 D  x|   |   ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4  37.79M7 A. k( @4 t) u  B, u
|   |   ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4  54.72M
4 n8 \+ J( M' Y2 \5 i0 O|   |   ├──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
* _9 v, b& s8 A|   |   ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4  57.06M
% A+ R. e7 ]; g|   |   ├──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
' f% T. Z  {0 ?$ }% Y# ~  }|   |   ├──5-TD3_使用DoubleNetwork优化DDPG .mp4  63.92M( c% ^  A5 E3 J9 u6 ^: _0 x! _% B1 t& H1 X
|   |   ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4  38.45M' U+ X' G; |' l8 _0 Q
|   |   ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4  35.49M
) X2 z+ l# H; z4 s8 B+ t& l) N|   |   ├──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  38.09M2 n; w( J, x" [3 [% U
|   |   └──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; C4 Y9 ?7 B3 N+ \& N
├──4--人工智能基础-高等数学知识强化  
) q/ e, e% \" u|   ├──1--数学内容概述  
# f' x; v, T7 E! K3 D. T|   |   ├──1-人工智能学习数学的必要性_微积分知识点 .mp4  28.76M
* I) W: C' i2 `0 s9 @|   |   ├──2-线性代数_概率论知识点 .mp4  26.81M
, }1 y, p* T/ _$ k1 F% R|   |   └──3-最优化知识_数学内容学习重点 .mp4  40.43M
3 @" {- w' K1 C( k4 ]; x" t|   ├──2--一元函数微分学  
! L* Q7 Y9 k0 y8 Z+ `! u|   |   ├──1-导数的定义_左导数和右导数 .mp4  28.39M8 f0 ~0 y, p% i9 l+ p0 O' M9 s
|   |   ├──2-导数的几何意义和物理意义 .mp4  14.49M
; }" b- E! P! y0 ]|   |   ├──3-常见函数的求导公式 .mp4  22.76M* ]( D( k) Q) n& I1 J+ z
|   |   ├──4-导数求解的四则运算法则 .mp4  26.52M
" l, T' b% u' v2 t% X|   |   ├──5-复合函数求导法则 .mp4  19.68M
9 q7 b2 g. \( M! N5 _|   |   ├──6-推导激活函数的导函数 .mp4  33.40M
: n- `' r2 w2 q|   |   ├──7-高阶导数_导数判断单调性_导数与极值 .mp4  21.95M
" C/ }; Z' T0 y5 M: H% p5 m|   |   └──8-导数判断凹凸性_导数用于泰勒展开 .mp4  44.22M4 {* |/ m0 W* X' x4 H# ]% g1 l, K# n9 ^: g
|   ├──3--线性代数基础  1 w! V8 _; k2 R) \0 _: K
|   |   ├──1-向量的意义_n维欧式空间空间 .mp4  20.82M- L4 |- F& t4 k9 P% X
|   |   ├──10-矩阵的逆矩阵 .mp4  38.54M
# [) p7 e- J" ||   |   ├──11-矩阵的行列式 .mp4  20.13M4 \& M, w% Q5 m
|   |   ├──2-行向量列向量_转置_数乘_加减乘除 .mp4  19.28M& D' F) h$ v$ q
|   |   ├──3-向量的内积_向量运算法则 .mp4  19.78M
# G! U5 V% T* F, @' Q4 g& A# G5 w|   |   ├──4-学习向量计算的用途举例 .mp4  20.32M
) [6 \1 D( u. ~4 R|   |   ├──5-向量的范数_范数与正则项的关系 .mp4  32.40M- b% z2 ?! P, ?
|   |   ├──6-特殊的向量 .mp4  26.45M
, _, K9 f0 d9 G, m|   |   ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4  18.06M
/ z& l& U3 n4 _5 f  ~|   |   ├──8-矩阵的运算_加减法_转置 .mp4  22.76M# U$ N% H! w+ J4 i
|   |   └──9-矩阵相乘 .mp4  20.02M
7 ?7 r1 _3 a) L: {& E3 l|   ├──4--多元函数微分学  3 W0 E( A5 y0 H% [& c+ |( m0 e
|   |   ├──1-多元函数求偏导 .mp4  22.61M9 K& x; Q* K1 V% d/ O+ [% v
|   |   ├──2-高阶偏导数_梯度 .mp4  27.15M8 f! c% X1 h" }
|   |   ├──3-雅可比矩阵_在神经网络中应用 .mp4  37.65M
- A: b4 |% t! N# e( `|   |   └──4-Hessian矩阵 .mp4  32.93M
  i6 b; w' Z4 z* e|   ├──5--线性代数高级  $ R7 F- |" M2 N6 m$ }! k- k
|   |   ├──1-二次型 .mp4  27.70M9 E; a7 f, Z* \+ G% k' v& X
|   |   ├──10-SVD用于PCA降维 .mp4  24.90M
6 b9 E% j) Q# m, h|   |   ├──11-SVD用于协同过滤_求逆矩阵 .mp4  35.85M
/ E, N% A$ \/ m1 u( Q* K/ a|   |   ├──2-补充关于正定负定的理解 .mp4  23.48M
4 E8 H% L: }  `3 S7 x|   |   ├──3-特征值和特征向量(1) .mp4  29.83M1 f  e. P$ K7 {
|   |   ├──4-特征值和特征向量(2) .mp4  30.07M
5 U) k* a- L6 Z3 A# S% `, ~|   |   ├──5-特征值分解 .mp4  38.68M
- \  W% x1 a3 }! ^% b" z3 P$ \|   |   ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4  44.77M
8 z( M2 p% W. ^3 [# {) j2 g|   |   ├──7-奇异值分解定义 .mp4  22.58M
" L; V+ Q# B" l) W) T. O) F! x5 `- f|   |   ├──8-求解奇异值分解中的UΣV矩阵 .mp4  49.47M+ l3 Y0 t2 y% {! C. {& X3 X
|   |   └──9-奇异值分解性质_数据压缩 .mp4  38.70M
9 C, b. Y, x( Y3 {0 Y" W# Z|   ├──6--概率论  
: N1 u1 G$ u1 @2 F4 E+ I% B1 d|   |   ├──1-概率论_随机事件与随机事件概率 .mp4  21.71M7 o: u) Z: \$ T1 A+ i- V
|   |   ├──2-条件概率_贝叶斯公式 .mp4  32.64M2 _4 \6 m& j% p* T  R* Q+ C! x
|   |   ├──3-随机变量 .mp4  22.57M
" ?6 I9 V/ o& c, \7 C|   |   ├──4-数学期望和方差 .mp4  22.96M6 Y# n6 |& b# P+ r6 C) A' E; }
|   |   ├──5-常用随机变量服从的分布 .mp4  22.48M$ Z% M3 S/ n7 K0 ]1 f
|   |   ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4  32.48M
- ]$ }# c9 x. a$ ^, x0 B; r- v5 v|   |   └──7-最大似然估计思想 .mp4  23.42M
4 g/ r% H; u8 E6 k. F|   └──7--最优化  
5 }# T0 P5 k) \: ||   |   ├──1-最优化的基本概念 .mp4  35.14M, a% ~7 Y/ A) J4 N
|   |   ├──10-拉格朗日函数 .mp4  27.46M( r2 U0 A) C9 p" Q4 f3 h- \% Z* i
|   |   ├──2-迭代求解的原因 .mp4  20.15M
  R6 ~; e" y% d" e6 ~|   |   ├──3-梯度下降法思路 .mp4  26.33M  C8 r, E: w  l- Y
|   |   ├──4-梯度下降法的推导 .mp4  43.56M  A3 B6 J" G# o+ z% l% l
|   |   ├──5-牛顿法公式推导以及优缺点 .mp4  45.83M) o* s& d' Z$ }: k# @+ P2 l0 k
|   |   ├──6-坐标下降法_数值优化面临的问题 .mp4  23.90M7 q, x8 S* f! w- S" f: {2 r$ |4 l( g
|   |   ├──7-凸集 .mp4  21.90M
5 M6 s1 ?0 R( v3 m1 n! X5 b% C( {|   |   ├──8-凸函数 .mp4  16.93M: A3 B8 |4 o$ _# M) z8 ?' R: y
|   |   └──9-凸优化的性质_一般表达形式 .mp4  20.81M
1 h. W3 m  D$ C├──5--机器学习-线性回归  3 k0 y+ ]  i7 r+ D( i) q
|   ├──1--多元线性回归  
/ H* ^' U4 z3 d% g7 _% e|   |   ├──1-理解简单线性回归 .mp4  51.11M" s" C0 n$ r" F9 \
|   |   ├──10-对数似然函数_推导出损失函数MSE .mp4  41.92M
: K  ?7 V7 Y6 _. r) A) h|   |   ├──11-把目标函数按照线性代数的方式去表达 .mp4  27.00M& \3 t( {' R/ o
|   |   ├──12-推导出目标函数的导函数形式 .mp4  46.38M  W- `1 c; @9 n3 ]% j" H
|   |   ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4  59.19M
8 j: _  g1 n' x+ @: N5 h|   |   ├──14-Python开发环境版本的选择及下载 .mp4  54.07M; |5 G# r$ Y5 @- y+ W1 u  f6 |
|   |   ├──15-Anaconda环境安装_Pycharm环境安装 .mp4  61.07M- `5 c/ B7 P6 @* r' ^, o+ S
|   |   ├──16-Pycharm创建脚本并测试python开发环境 .mp4  40.51M
7 B9 `  i9 ^* |% [. s: I2 f& a|   |   ├──17-解析解的方式求解多元线性回归_数据Xy .mp4  40.41M
. v: `- m0 e. S+ K  W# K6 e( H|   |   ├──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  48.31M6 \, p& `, {3 i0 X8 {+ w
|   |   ├──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
9 P6 G- k) y; A3 Z8 p/ E. A. r|   |   ├──2-最优解_损失函数_MSE .mp4  39.58M
7 P+ _8 F2 B" Y7 {6 O" \4 Z- ?|   |   ├──20-Scikit-learn模块的介绍 .mp4  29.18M
" c" ?* j' b2 {! [5 C8 X% a|   |   ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4  25.20M
! i* ~" b, h; s* R" H6 R|   |   ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4  41.02M
& v5 r% ]7 w$ V) P+ r# ]|   |   ├──3-扩展到多元线性回归 .mp4  32.15M
8 |, I/ w0 N( p7 y4 i& M" [4 v" f/ N|   |   ├──4-理解多元线性回归表达式几种写法的原因 .mp4  33.97M
: r$ z3 I6 Q' M4 n* I|   |   ├──5-理解维度这个概念 .mp4  41.41M, ?6 ~& O" L% }) r  X0 ~
|   |   ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4  65.82M9 H: U; H2 d8 o' S( ]6 p6 Y! o
|   |   ├──7-假设误差服从正太分布_最大似然估计MLE .mp4  43.11M
0 L- x8 t. }- x|   |   ├──8-引入正太分布的概率密度函数 .mp4  26.54M
6 O6 g$ E3 W2 J- @# I( j7 V* s, B|   |   └──9-明确目标通过最大总似然求解θ .mp4  25.83M
; G. R, s* B2 d; _* a0 t1 m|   ├──2--梯度下降法  
) Y. w  W$ w9 R8 b7 T- n  C|   |   ├──1-梯度下降法产生的目的和原因以及思想 .mp4  59.45M
; T2 `* x/ K2 G7 E1 l7 X; @! r|   |   ├──10-代码实现全量梯度下降第1步和第2步 .mp4  25.70M9 a* J0 w  |6 c
|   |   ├──11-代码实现全量梯度下降第3步和第4步 .mp4  30.73M
0 v- C& j$ W( l|   |   ├──12-代码实现随机梯度下降 .mp4  26.67M
1 r8 _, M/ U( i# q8 G5 M& M3 W|   |   ├──13-代码实现小批量梯度下降 .mp4  27.32M7 E% k3 Z; o; F$ o  ~, T
|   |   ├──14-代码改进保证训练数据全都能被随机取到 .mp4  40.28M: N- }% D- F4 p7 l3 e0 \2 P/ `
|   |   ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4  39.24M; J) _2 q; K. Q4 z: E
|   |   ├──2-梯度下降法公式 .mp4  57.12M
4 y0 Q& k. U' M* K. P8 \|   |   ├──3-学习率设置的学问_全局最优解 .mp4  56.52M
. T/ r9 o+ m- f5 W/ v|   |   ├──4-梯度下降法迭代流程总结 .mp4  30.28M
% i( p4 r6 Q" q9 G& Q5 N|   |   ├──5-多元线性回归下的梯度下降法 .mp4  43.27M2 q# Q7 y* P  b, @; Z1 N6 D
|   |   ├──6-全量梯度下降 .mp4  62.84M
) X. e9 T" M" N5 B& w6 u( V( f' _" u" L|   |   ├──7-随机梯度下降_小批量梯度下降 .mp4  47.62M+ p2 u; s1 V5 G' h3 j. `2 S
|   |   ├──8-对应梯度下降法的问题和挑战 .mp4  47.07M
6 E0 `$ Q+ N- n) W: Q9 l, \/ H3 w  H! o|   |   └──9-轮次和批次 .mp4  45.22M
( u, f# a* Q7 F1 ~, S|   ├──3--归一化  
" T$ Z3 i  R- ?|   |   ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4  63.62M
0 ~& ^' [+ P! D# T( a5 h|   |   ├──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: N$ O+ G7 |8 G/ l, }- e* Q' C
|   |   ├──3-归一化的副产品_有可能会提高模型的精度 .mp4  21.61M
) p5 ]& H0 g/ O9 J0 l|   |   ├──4-最大值最小值归一化 .mp4  24.87M
# Y: I5 L- H/ p3 y|   |   ├──5-标准归一化 .mp4  51.86M$ ~5 W* A8 {* g1 U2 w# a
|   |   └──6-代码完成标准归一化 .mp4  41.13M- P4 h( N) s* L1 g( O
|   ├──4--正则化  5 S8 H0 I. o9 n+ ~
|   |   ├──1-正则化的目的防止过拟合 .mp4  30.71M
+ W% Z+ i/ h. f" g|   |   ├──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
$ ]4 a$ Q% C) l2 j' Y|   |   ├──3-常用的L1和L2正则项以及数学意义 .mp4  41.55M" H) d8 C: ]. N; h+ ^2 |
|   |   ├──4-L1稀疏性和L2平滑性 .mp4  51.64M
1 v; l$ @; O" v+ u; z|   |   └──5-通过L1和L2的导函数理解区别的本质原因 .mp4  55.58M( s1 G' h1 _+ K8 y
|   └──5--Lasso回归_Ridge回归_多项式回归  0 K' W9 C6 s7 ]6 g) g
|   |   ├──1-代码调用Ridge岭回归 .mp4  76.32M) h9 v# P, E1 K7 i1 i$ @
|   |   ├──10-实战保险花销预测_特征选择思路 .mp4  40.29M
5 ?/ p' s9 V0 i" R|   |   ├──11-实战保险花销预测_特征工程 .mp4  17.96M1 H/ i: F  _" n9 m% i0 ~: m7 N# M
|   |   ├──12-实战保险花销预测_模型训练和评估 .mp4  58.86M) P% ^. |6 X" c0 a0 s5 ^1 J2 W1 p
|   |   ├──2-代码调用Lasso回归 .mp4  28.73M
' I* `; f, L9 T|   |   ├──3-代码调用ElasticNet回归 .mp4  53.67M
- Q! }4 b+ v9 p) O4 J! H+ u, a$ S|   |   ├──4-升维的意义_多项式回归 .mp4  48.06M
& N$ {+ d+ F* x|   |   ├──5-多项式升维代码实战_传入不同超参数对比 .mp4  44.78M
/ T4 G* j  [: S|   |   ├──6-多项式升维代码实战_训练模型和评估 .mp4  35.06M1 q- ?" ]6 O5 W$ z1 E7 [! C/ A
|   |   ├──7-实战保险花销预测_数据介绍和加载数据 .mp4  35.25M
1 n% x& H  i+ o$ |' k6 }8 Z5 u|   |   ├──8-实战保险花销预测_数据预处理 .mp4  41.38M0 G; M5 ~1 S8 b" }. O' y  t% @
|   |   └──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$ P+ V! w' i# q9 Z$ Q
├──6--机器学习-线性分类  ' {% C: y6 t; c' B7 r0 ]( c! c
|   ├──1--逻辑回归  
4 G! E; e3 u( g* h& m  g/ K|   |   ├──1-逻辑回归_Sigmoid函数 .mp4  21.14M
4 [8 F( o* e8 Z9 U0 Q7 W|   |   ├──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& g$ j. {' D2 v* H0 k2 [7 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
/ j4 z3 V; _  U0 Q& N9 Y|   |   ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4  20.50M
' h* h) P9 h  h- @$ \, c|   |   ├──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
8 p; Y* |) D- j9 E0 P|   |   ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4  46.63M( c0 _1 L" Q! |
|   |   ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4  26.13M& ]3 _4 Q# D; d& Y
|   |   ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4  40.46M2 N5 B; J3 `0 C* t/ I
|   |   ├──2-sigmoid函数作用 .mp4  38.15M  U# Z/ X6 t' ?
|   |   ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4  31.00M  u- ]/ y; _& u7 u
|   |   ├──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
0 x6 K8 ^1 p' z0 N! q5 }7 P- \|   |   ├──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& \8 ?8 `/ V; H  E/ t) I
|   |   ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4  29.61M5 a$ v* ]2 y) ~( M
|   |   ├──7-推导逻辑回归损失函数_得到最终形式 .mp4  12.43M
2 P# G* f& t* n$ ~|   |   ├──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
% w% A* v+ U4 d# T|   |   └──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' b) X2 z0 k' G* x- ]  W
|   ├──2--Softmax回归  
9 R, f9 y/ k8 W' W  Q|   |   ├──1-证明多项式分布属于指数族分布一种 .mp4  27.93M
$ m8 I$ v) @1 L* B+ ~+ m2 ]+ ^|   |   ├──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
- ?9 u1 o; K1 X1 o: m4 |, F6 y0 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
6 m6 O+ C. Y- q( j% y% d6 q|   |   ├──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  47.67M4 Z4 b$ ^/ _2 O, _& I/ k7 a
|   |   ├──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" c' R3 m, ~  Q3 A( r5 A7 `- m) b4 F
|   |   ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4  21.35M* V+ H5 v) r/ Y: V0 D
|   |   ├──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
! w2 O4 e% @1 Z; x. x2 |9 h' a$ I|   |   ├──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
; ~$ n" m7 m1 B- J2 M- p) q|   |   ├──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
) e  r# Z+ Z1 A' D8 [|   |   ├──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
! P$ J. L: _" W/ ||   |   ├──7-实战音乐分类器_讲解需求和读取数据 .mp4  32.57M
% X4 d0 }* R$ q, P|   |   ├──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. |; T! R  u2 [: J  c: H
|   |   └──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$ u( a- U4 [7 i2 ]
|   ├──3--SVM支持向量机算法  8 O% B% z. d5 ~3 n$ y9 k
|   |   ├──1-SVM与感知机关系_几何距离与函数距离 .mp4  114.25M
5 d/ @) A& |8 r$ }/ j: @9 E|   |   ├──2-SVM的思想 .mp4  55.56M7 F" e1 Q1 {; o1 `
|   |   ├──3-几种SVM_SVM的损失函数 .mp4  74.91M* I2 K( Z3 P8 z7 C% I
|   |   ├──4-数学预备知识_拉格朗日函数 .mp4  122.44M' E& i( J, e1 w3 _! B7 _
|   |   ├──5-硬间隔SVM的两步优化 .mp4  102.88M9 ]9 ~; o7 J: b2 R- M2 E' w! p- o
|   |   ├──6-总结硬间隔SVM .mp4  39.01M/ b, S) v9 ]% m: ~8 `
|   |   ├──7-软间隔SVM和总结流程 .mp4  135.76M
) {3 z9 ^0 r+ [) u- h+ r|   |   ├──8-非线性SVM .mp4  54.43M
2 Z8 f' o$ `; E- Z- M. q|   |   └──9-SVM在sklearn中的使用_超参数 .mp4  144.30M
- N; L. a+ v' o' D|   └──4--SMO优化算法  
* M" ?0 B" y, n& A|   |   ├──1-SVM算法流程总结 .mp4  58.36M
* K, o; e7 e, [, O  f3 n|   |   ├──10-SVM的SMO实现判断违背条件的α1 .mp4  19.23M
8 P& ~& Y  `1 @8 K. B3 [. N|   |   ├──11-SVM的SMO实现应用公式计算alphas和b .mp4  20.88M5 f* |$ v/ m9 u1 Z8 D' B2 m
|   |   ├──12-SVM绘制已有数据点和超平面以及边界 .mp4  21.13M3 p6 q9 [* a% o" n9 n  E
|   |   ├──13-关于sklearn中的SVM封装的类和超参 .mp4  15.47M; `/ N/ K* L' k9 A- R
|   |   ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4  69.00M5 f+ j$ `; H  ?" I0 Y$ J
|   |   ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4  36.52M2 _) v3 }1 d. p5 }, ?8 l' W
|   |   ├──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  65.42M0 H1 j% v. D- G5 e* z
|   |   ├──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
( o7 v2 S5 e( p# v# P|   |   ├──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
/ j, w( q8 _0 ?% f3 ?; C|   |   ├──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: ]- `9 K+ ]6 a% e
|   |   ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4  37.62M4 A* a+ o  ^. Q9 h5 C2 f
|   |   ├──7-启发式选择两个α .mp4  23.11M0 J0 U. U) c  Q+ I2 {/ z# E
|   |   ├──8-如何计算阈值b .mp4  50.18M% \7 T; j; }1 h- P* U9 X8 c9 S
|   |   └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4  73.44M
% I. D- K2 [: j" K├──7--机器学习-无监督学习  7 g, p1 z$ F% U# p% `; |: b& M
|   ├──1--聚类系列算法  ; J2 a' F: Q+ }& ]
|   |   ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离  .mp4  173.95M
& E& n6 V9 f" H# ^6 F) I9 w|   |   ├──2-距离测度欧式距离和余弦距离的场景_TFIDF  .mp4  153.55M
& @4 R9 s9 O  }% B, r|   |   ├──3-KMeans的一些变形_KMeans的损失函数推导及假设  .mp4  167.16M: v1 l3 d6 \& y$ a
|   |   ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标  .mp4  214.69M0 J# h2 b- s, |( [9 n- D
|   |   ├──5-KMeans代码测试不同情况下的聚类效果  .mp4  148.66M
1 b8 y( l5 N, i, Z6 T|   |   └──6-层次聚类_密度聚类_谱聚类  .mp4  264.04M& [+ x) M" W# p, o7 A% v: _" y. v0 V3 I! J
|   ├──2--EM算法和GMM高斯混合模型  1 n" T! `1 R4 s3 E" D& X* B6 n
|   |   ├──1-单个高斯分布GM的参数估计  .mp4  112.72M0 \6 h3 t& G! r, L; N* P! ~! o
|   |   ├──2-理解GMM高斯混合分布的对数似然函数  .mp4  95.22M- q3 x2 j& P4 n
|   |   ├──3-GMM参数估计Πμσ的流程  .mp4  112.23M6 e& O7 g; n) W' e
|   |   ├──4-Jensen不等式的应用  .mp4  109.17M! M& a' i6 k" _% L0 _" U, X
|   |   ├──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
, G0 E1 j" g0 f; \) X|   |   ├──6-将EM算法应用到GMM中并且推导出Π的公式  .mp4  44.12M! W$ u! O/ a: Q
|   |   ├──7-GMM前景背景分离  .mp4  16.01M5 Y/ o- j9 j# D( R
|   |   ├──8-通过声音文件利用GMM算法识别性别  .mp4  134.39M
( A3 W' O! L6 p3 O1 D7 @/ s|   |   └──9-通过声音文件利用GMM算法识别是谁  .mp4  51.52M
) b" X) [; J+ q9 s# m. A9 Y|   └──3--PCA降维算法  9 u$ L6 {* O; I, c( z/ A% k
|   |   ├──1-特征选择与特征映射  .mp4  49.38M2 G7 ^. g$ Q7 q+ x$ ?* @) }  I1 p- B
|   |   ├──2-PCA的最大投影方差思路  .mp4  186.75M
5 }. B  {" j. r- r|   |   ├──3-最大投影方差推导_最小投影距离思路  .mp4  115.67M- I* z9 G4 Y% h
|   |   ├──4-SVD其实就可以去实现PCA了  .mp4  92.97M. |- X7 M- p8 z5 N7 \
|   |   └──5-PCA的几种应用  .mp4  54.58M0 ^* S2 ]( H) X6 H6 b0 w# s
├──8--机器学习-决策树系列  
" |5 H6 g5 G% X. {0 l. ?|   ├──1--决策树  % }$ \2 a- Q/ Q4 b% ]2 F. c
|   |   ├──1-决策树模型的特点  .mp4  74.88M4 ]* h9 }# d5 Q8 H3 f9 }% E
|   |   ├──10-绘制决策树模型_寻找最优树深度  .mp4  97.10M
- q) {. B0 D6 ^3 p& R, |$ f6 U% v% A! X|   |   ├──11-代码训练回归树拟合SineWave  .mp4  93.81M
, l. \& \( p, M! h8 R|   |   ├──12-后剪枝的意义  .mp4  50.49M
4 a. V$ R( s, b|   |   ├──13-CCP代价复杂度后剪枝  .mp4  130.67M5 a4 X" m; t1 h
|   |   ├──14-CCP代价复杂度剪枝_α超参数设定  .mp4  62.18M6 }7 ]  _$ S6 l1 d' {5 t
|   |   ├──2-决策树的数学表达  .mp4  89.94M
, |) R7 f3 M0 V) A/ X9 _|   |   ├──3-如何构建一颗决策树  .mp4  84.87M# w0 q/ A6 M  s
|   |   ├──4-什么是更好的一次划分  .mp4  57.02M1 d; d* V5 p1 Y% K
|   |   ├──5-Gini系数  .mp4  107.54M
' p" ^* r" p. b2 c( h2 @  `|   |   ├──6-信息增益  .mp4  75.26M
9 T" I$ H+ d/ P/ x|   |   ├──7-熵与Gini系数关系_信息增益率  .mp4  118.18M0 o3 M- d* l# F8 X7 H3 I: I$ T
|   |   ├──8-预剪枝以及相关超参数  .mp4  127.06M4 B+ h" l* ~7 s9 U( M7 S% }  `
|   |   └──9-代码实战决策树对鸢尾花数据集分类  .mp4  77.90M5 Q/ H& D" G  j& p* o
|   ├──2--集成学习和随机森林  
% U$ [2 b/ S; z- o  |5 x' l$ e3 [' s|   |   ├──1-不同聚合方式_生成不同弱学习器方式  .mp4  80.47M- k9 P( w' n4 i4 f; L: k3 d
|   |   ├──2-Bagging_Boosting_Stacking  .mp4  59.02M
, s' v5 |3 @" b; ]8 r|   |   ├──3-随机森林  .mp4  108.14M
/ ^6 ]% H( n- ?. b8 W% _|   |   ├──4-代码实战随机森林对鸢尾花数据集分类  .mp4  101.81M
- t: Z2 [9 t! K0 n6 k- m|   |   ├──5-OOB袋外数据  .mp4  106.07M& W1 T0 A. Q2 t4 M  `
|   |   ├──6-Adaboost算法思路  .mp4  106.30M. L( M) L7 j% ]8 a
|   |   ├──7-调整数据权重让权重正确率达到50%  .mp4  66.83M) U& t6 ]' d" }7 u
|   |   └──8-Adaboost如何调整样本权重和求基模型权重  .mp4  90.51M/ Q7 B9 ^( m* v8 m
|   ├──3--GBDT  5 E! j! r, X9 c9 g6 j9 {# i
|   |   ├──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
! Y) _: ]5 V/ V( j/ e3 G2 ||   |   ├──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
( }+ a6 s4 B$ X  ]; _3 Y|   |   ├──11-GBDT多分类流程  .mp4  73.80M
# O5 P0 V6 _- w2 g|   |   ├──12-对比GBDT回归、二分类、多分类相同点与不同点  .mp4  60.80M- @* Q0 V! O: p3 y+ G# a& }
|   |   ├──13-GBDT二分类叶子节点分值计算推导  .mp4  73.96M
$ Y) J8 Q. E! ]* V0 x|   |   ├──14-GBDT多分类叶子节点分值计算  .mp4  54.63M7 t9 V' }/ N3 x' t4 @3 y
|   |   ├──15-GBDT二分类举例详解  .mp4  86.67M
- b$ d! {# ?  G& P1 V|   |   ├──16-GBDT多分类举例详解  .mp4  91.71M
4 J! X* F9 l$ P) a7 K* K|   |   ├──17-计算特征重要度进行特征选择  .mp4  54.87M! D6 v6 e! f4 c. q
|   |   ├──18-GBDT用于特征组合降维  .mp4  43.72M
7 }& k4 D/ n0 _- t|   |   ├──19-特征组合降维在GBDT+LR架构应用  .mp4  51.28M) [: X- r+ K, X0 L$ c% ~: Q9 ^
|   |   ├──2-GBDT令每个弱学习器f(x)去拟合负梯度  .mp4  88.39M
) P* r+ j$ t" x# A3 X|   |   ├──20-GBDT在sklearn中源码剖析_初始化F(x)  .mp4  115.14M# }! v- y# _$ x/ P% B8 F
|   |   ├──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/ ]& n# X+ B: ]% S8 P. X; Y
|   |   ├──22-GBDT+LR架构训练模型代码实现  .mp4  88.40M, B* g) W- \% x( z2 H
|   |   ├──23-GBDT+LR架构预测评估代码实现  .mp4  66.47M- E( p5 G! P; V9 h
|   |   ├──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: H* T, {  s- t* O, i4 s% t* |1 b
|   |   ├──4-GBDT应用于回归问题  .mp4  84.66M
: d2 ?* F1 V: p% ||   |   ├──5-GBDT回归举例_总结  .mp4  108.52M
3 C! j( T3 ~( n6 N7 |; \( _|   |   ├──6-GBDT应用于二分类问题  .mp4  70.42M
) j. P" U+ p6 \2 c|   |   ├──7-GBDT二分类拟合的负梯度依然是残差  .mp4  83.81M' K' ^  I+ ?4 {( }. ^+ }
|   |   ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存  .mp4  61.49M2 d7 _4 a% B9 T* t
|   |   └──9-GBDT应用于多分类任务  .mp4  73.34M9 l1 t1 J4 O& Q( u
|   └──4--XGBoost  
% K! N. L5 y; {|   |   ├──1-回顾有监督机器学习三要素  .mp4  82.52M
. t' u* o9 _2 E! `; e) k|   |   ├──10-重新定义树ft和树的复杂度Ω  .mp4  77.70M0 o5 J7 M; x% z
|   |   ├──11-由每个叶子节点重组目标函数Obj  .mp4  68.56M# y3 z' M  ?5 g
|   |   ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj  .mp4  72.32M
0 V% N5 D! _  t# c& f|   |   ├──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% I: u$ S# X& H/ |7 q
|   |   ├──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& f6 n! R7 ?- B+ H( |" n+ M6 p" f% w
|   |   ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率  .mp4  71.21M! o- v4 n* A$ s- b8 T& [
|   |   ├──16-样本权重对于模型学习的影响  .mp4  59.81M4 c6 R8 x! s/ Y; [; T
|   |   ├──17-总结XGBoost的特性_包括缺失值的处理策略  .mp4  101.47M
  o2 b+ _4 K0 N: `|   |   ├──2-Bias_Variance_Trade-off  .mp4  66.00M
' J6 y' O( G7 [* f5 {: e; ~; n& X|   |   ├──3-基于树集成学习4个优点  .mp4  91.36M
$ m: V- ?+ \, |  g. O/ S7 ]( V5 D|   |   ├──4-回顾基于树集成学习的模型和参数并举例说明  .mp4  93.39M
; ?7 e: j1 x7 s- P|   |   ├──5-通过目标函数Obj来达到准确率和复杂度平衡  .mp4  48.31M
2 k1 l/ E+ d. S/ x|   |   ├──6-Objective_vs_Heuristic  .mp4  60.42M
! r" ~, J% g5 T! O5 [; }|   |   ├──7-得出XGBoost最开始的Obj目标函数  .mp4  94.87M4 @$ g4 v8 [5 B. x# j2 \' S  g/ L# b) T
|   |   ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj  .mp4  48.62M) Q- P% G0 k8 G
|   |   └──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
( i, k! P; B2 x/ T2 X; ^" m├──9--机器学习-概率图模型  
2 z% {# C/ }; j& v8 y2 f8 x1 W& v|   ├──1--贝叶斯分类  ( o/ I8 k! Z# F1 f7 f
|   |   ├──1-朴素贝叶斯分类算法  .mp4  126.74M
+ L+ N7 G, n5 F1 ?|   |   ├──2-TF-IDF  .mp4  53.08M
0 \6 n% x) N1 z5 w# O8 d5 d# Y|   |   ├──3-NB代码实现解析  .mp4  126.73M6 B7 ?9 F% r+ F' f$ A
|   |   ├──4-sklearn中调用NB_顺便讲解了GridSearchCV  .mp4  131.83M
; r! L. I8 u1 I9 N8 }/ m* h  C|   |   ├──5-语言模型的设计目的_MLE的作用进行参数估计  .mp4  107.12M
8 ]* {1 W8 d7 W* p5 x|   |   └──6-贝叶斯网络_马尔可夫链  .mp4  38.75M: i& a! L+ |9 v3 x' j
|   ├──2--HMM算法  
2 v0 ]" L+ A9 c|   |   ├──1-HMM隐马的定义  .mp4  36.82M
) j; G; z9 v2 `|   |   ├──2-HMM隐马的三组参数_三个基本问题  .mp4  104.28M0 e8 o' D, I+ r' D$ I6 o, j
|   |   ├──3-HMM预测问题使用前向算法  .mp4  44.33M
) g$ ~2 x5 o- |! g# s" W$ C|   |   ├──4-HMM预测问题使用维特比算法  .mp4  33.43M
6 S& e! Z4 R  ^|   |   ├──5-HMM复习_明确概率计算问题要解决的目标  .mp4  76.05M; k, [) d8 s3 s1 Y' p
|   |   ├──6-前向算法来解决概率计算问题  .mp4  33.05M3 o/ _. {2 [4 [7 m- l) t
|   |   ├──7-Viterbi算法案例详解  .mp4  107.12M
9 O, n! G; d) @# F: Z|   |   └──8-Viterbi算法代码实现  .mp4  42.43M
( [% i2 N4 |2 b" i# ~! u  `; {|   └──3--CRF算法  0 e8 }5 D' n  v
|   |   ├──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
8 }. {7 F3 \) C; V, q$ i|   |   ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑  .mp4  71.88M9 N- Q( U8 O" _2 Q' ~
|   |   ├──3-了解CRF层添加的好处  .mp4  105.90M
* x$ Z- N4 h- _7 Y|   |   ├──4-EmissionScore_TransitionScore  .mp4  61.33M. J! z. E) C  U$ M( I+ `
|   |   ├──5-CRF的目标函数  .mp4  23.74M& |8 e+ l. R" E8 k% |/ ~# k( o, }
|   |   ├──6-计算CRF真实路径的分数  .mp4  50.37M
7 v8 Z4 d( E' ?& F, x" `0 z& H|   |   ├──7-计算CRF所有可能路径的总分数  .mp4  135.58M
  k0 i5 w4 V4 _( p|   |   └──8-通过模型来预测新的句子的序列标签  .mp4  83.16M7 _2 P% S* [9 l& t: m) I- v
└──课件.zip  2.54kb& [& ?/ ?! M$ @: ~5 Y

6 v4 t" s6 g4 }  D0 {6 [! S
! q' [5 Q" H& O1 Y2 K
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!5 t3 c/ V( k; N' c1 t0 s0 k

4 U; a* P8 I, x  R" b: P
+ F: \  F) }  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!& f, l. F  g6 E

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

* w5 W7 `4 X3 J. x7 X这套资源不错,太给力了,谢谢楼主
作者: mumumumu    时间: 2024-5-17 14:35
& E4 L# o+ b- m% j/ O* l
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