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/
) y% u1 Y5 Z! I! r+ _+ e9 K
├──1--人工智能基础-快速入门
. s! i! Q, ~ Y& L+ p8 x% `
| ├──1--人工智能就业、薪资、各行业应用
8 O1 U! P+ Z/ N, w" `0 ~
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
; C" T6 d: F: @/ o9 s Z
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
: ^2 k. E1 t. G+ _& l( A! M0 U
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
$ D! F) N, P; u/ k
| | └──4-人工智能在各领域的应用 .mp4 57.73M
5 o* W2 }# P) f7 h9 L' A
| └──2--机器学习和深度学习、有监督和无监督
, l, H$ c6 O) j' Q8 K# c
| | ├──1-人工智能常见流程 .mp4 89.62M
% G$ X( o6 t) Q* c- F, e
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
4 V$ T5 w2 H& S) e1 }
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
4 V+ ]7 A' r$ u# N' M. q
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
' D% L& G5 }# {$ A5 P. p+ e7 \
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
7 j6 p$ M. Z, A) T; e
├──10--机器学习与大数据-Kaggle竞赛实战
. z$ n, _ }" O1 Q$ o
| ├──1--药店销量预测案例
* U/ {$ i1 s' q, T
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
: f1 y& ?6 m7 C8 v( J' \
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
: r+ G4 s4 ~' `# G* w4 n
| | ├──3-自定义损失函数 .mp4 21.12M
5 n8 ~, o9 r- ~2 l
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
/ [ o4 w. | K/ m8 w8 J/ J- |# O
| | ├──5-数据的预处理 .mp4 111.81M
o" ]$ A4 Z3 u( N+ t% U
| | ├──6-模型的训练_评估 .mp4 66.64M
) T8 ? ]& R/ Z9 B7 a' |& j
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
* z0 U0 @) t2 n, n" Q7 J- e
| └──2--网页分类案例
3 r9 g" d* e2 j+ p, O. P
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
3 {$ s2 P: u8 r) U! V/ z3 ~
| | ├──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
' A% K& @: O0 h- i
| | ├──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
9 @+ E; D: K+ f( d/ G! T2 G
| | ├──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
) ^0 h0 W. N* |& c
| | ├──2-评估指标ROC和AUC .mp4 56.19M
1 M7 H* x1 q# E: n1 u
| | ├──3-评估指标ROC和AUC .mp4 49.03M
3 Q& B. d0 r7 _9 c: [! D
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
s: S9 G. F- r# }6 U8 K8 i
| | ├──5-数据导入 .mp4 68.41M
9 U* ?4 D; x" U7 Y
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
2 m4 p. r2 N0 o( h
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
3 S0 ?( D& z i3 L* ^0 F/ I
| | ├──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
v3 `# \7 M6 D$ ^: e0 `% j7 j3 F
| | └──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
& M# R; c& x! _6 g6 Z3 D& L
├──11--机器学习与大数据-海量数据挖掘工具
+ ?% s9 m0 @- i0 T% x1 y9 s
| ├──1--Spark计算框架基础
5 p0 ]1 n4 F" m8 I% \, D+ _
| | ├──1-Spark特性_01 .mp4 41.68M
D& Z' Y0 M% \5 k8 J+ g8 N
| | ├──10-分布式计算所需进程 .mp4 26.30M
; Y$ F- P; }% b; s8 F& C- E" p
| | ├──11-两种算子操作本质区别 .mp4 56.31M
5 ^$ W" r' I1 L* r' u* |
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
. p0 q4 ^- d) B# a9 e
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
2 a! f- {0 i1 U8 W0 f5 w' g
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
2 e/ `- E! k% |) i) o# Z
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
& O: f7 O; D7 R6 E+ Q% a
| | ├──2-Spark特性_02 .mp4 35.15M
- w) w; p/ ?3 B' ?
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
3 v% C& B# S! W! i/ D
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
5 U7 q0 B! l4 |$ T" O8 j
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
1 G7 T& m) ]$ S/ Z9 k9 z
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
: c# T! x0 n$ u
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
* l( G( C0 {. c
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
+ L6 ?5 ^; l4 F; j
| | └──9-Spark的RDD特性_02 .mp4 33.41M
1 Y9 A+ _, m( C% w
| ├──2--Spark计算框架深入
2 f- m8 N- G' j( Z( ~9 `
| | ├──1-Spark数据缓存机制 .mp4 54.43M
0 Z' ~# F' r; n. V5 N
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
* ]: ? U: W: g( F ]3 G
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
0 W: f/ P- U' f2 M6 o
| | ├──12-构建LabeledPoint .mp4 111.08M
, V% N4 S. @1 a9 t9 A
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
' A2 A( _' J5 O$ ]+ X g0 o7 j
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
' v! H& x* a# l$ P- ? i
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
0 P" ^5 O8 c( F3 x
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
, z! A9 t9 B8 G& _' }$ O$ P
| | ├──5-Spark术语总结 .mp4 89.66M
. u" s. A. \2 V$ ~
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
6 i: h- B2 G; D
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
" K v5 P! _1 g% i- ^! E2 J' p0 l
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
* _: B) w% M" T- h) B/ Y: Q) |
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
4 F6 a: ~ t' a5 g1 b* v1 p
| └──3--Spark机器学习MLlib和ML模块
% c. H7 a" o9 E1 Q2 t- l! [$ [
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
S) v, {2 p4 w1 T
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
. F3 d) W; l$ a6 B/ Y
| | ├──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
9 I4 N. g5 Y7 w7 ?7 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
) O% l- U& b( E) f
| | ├──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
" Q: ~% ?& i) |) J! w6 Y/ u9 H
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
8 R% @8 I/ k, Q, \8 J
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
$ D4 S% a+ G. d6 [
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
! ]. X5 O, Z; v
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
2 V- ]% c5 e# Z& | V7 r+ Q/ y
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
9 P$ b$ a1 t, b8 o
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
1 X* g- Y M. @' z& e. W7 j) X% V6 f
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
. {! c; d7 i1 ]3 u% i& v% I- t
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
, x8 Y5 v# m/ ~/ G
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
! a8 k& s3 @& c4 u: Q$ `
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
7 N, x+ T4 \2 i
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
2 A, V# E) O% D
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
. F1 W2 G3 w* x$ J6 r
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
( e+ O3 Z& ]- s' P- F# h
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
" }+ U0 q1 o3 n2 C8 o7 h
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
) b5 a$ |9 Y- x& B
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
4 [; B' l. }3 [3 }
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
( F% K" @. V- r; u4 ?$ }& \) Z
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
6 A4 I, Y- r7 B6 c
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
' X% Z2 Y6 X' R6 }
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
" _% J' [/ ]3 E5 q2 y
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
% O4 t+ d# d' m+ R: r! k
├──12--机器学习与大数据-推荐系统项目实战
% U/ Y" E, C6 V$ r2 p) y w
| ├──1--推荐系统--流程与架构
5 e% v' l2 _: B* |9 F
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
% u& M* N3 P! C8 ]
| | ├──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
, L( _ ^$ ]$ J) t
| | ├──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
/ O$ d2 |5 g: k
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
$ T! m; T4 i9 _( X
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
& a* l4 o1 E6 B
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
' u2 t0 \. j: B/ w: t
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
. t. Y4 V& u" O0 x
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
8 p7 v5 d( N9 F
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
: ^0 h& c$ e+ u5 |0 T
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
1 i* j$ F& B1 M/ Q
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
7 y0 b5 I5 x8 c+ O
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
1 h9 B2 g3 L; P0 Y
| | └──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
8 X" q0 n1 }! i- _$ X
| ├──2--推荐系统--数据预处理和模型构建评估实战
1 K, u% m$ s( A
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
( A) S; \/ q4 e; A9 ]$ o" S
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
u" I# J5 l1 a8 m
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
: @. n8 `- D( U. G- c& ]
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
& s3 C$ Y9 H, M, r: p
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
7 q+ D. }9 H$ |* p) z& ?; q
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
+ g: d; |/ V0 [2 T5 x, x
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
a1 D( H7 j O, R8 V, b+ o! p0 G3 {
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
" s4 O: [/ }3 L' A
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
- L l; W% {( f. O7 o
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
0 |) h' Z# [+ w
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
( t: \ m7 [/ x; q
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
" p- d& \ h0 `$ T- |& l
| └──3--推荐系统--模型使用和推荐服务
: @( T: o- {# P* u% T& J
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
! a4 V* @, I2 d' e
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
2 \7 z0 M$ l& c
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
/ b% \% F# \% S
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
# g$ g7 }% @8 v: A( e
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
G: q; s T: @/ t( y
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
, p) h1 G6 G6 Q3 J7 x5 Z
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
1 Y" x1 i4 X( X& x% D P
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
, O2 E0 X* r4 }- g+ e
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
, d" Y+ h$ e/ @; A, n
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
: D0 u1 ~8 k- ` e# t$ s% c
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
$ ] Z& X5 X3 g$ L% A
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
" @7 |1 N/ b5 J' C
├──13--深度学习-原理和进阶
% `' l0 g" y3 v2 R) f7 ]
| ├──1--神经网络算法
. i) j6 T, L% Z
| | ├──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
! E' ?& u9 `6 b% |2 I# D- O
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
& c6 @) ?+ ]! e& @; _) u* h
| | ├──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
& K% B' u+ x. S: w9 X
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
[. _; F* k( ^) @; {% y V- y
| | ├──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
# E) L/ _# C+ [1 B+ X5 J2 K
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
5 q/ c4 P0 w/ {
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
) ~4 v8 \ h& S( D) f8 j
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
9 Q8 U2 Q0 g$ F5 O, C: T
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
. a3 t- I( A/ W" t
| ├──2--TensorFlow深度学习工具
2 B/ M& f/ x9 X( y) I. x/ e* d3 }
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
, {! \- d: ~! B1 U) q
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
0 V; P- I2 m/ `+ Q
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
! w6 z8 [1 ~/ Q5 l* b$ l4 R3 h
| | ├──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
. s3 _2 B: v- `
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
; K6 W4 E& T/ r$ J
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
* v0 T8 t: u& j/ ~) e
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
' c$ e \$ M3 ]% B. W' A
| └──3--反向传播推导_Python代码实现神经网络
7 p& A+ v; I0 v' w% I2 b
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
9 ~: y% K) b2 `( b& k8 |
| | ├──2-反向传播推导(一) .mp4 127.90M
5 T; D5 g: Y: A2 m! i9 M& o
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
~+ x# ]* A9 F4 a
| | ├──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
$ ^" T' B% H: U: q% c4 Y
| | ├──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
5 G6 H& E7 r4 ?0 L- o
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
8 x! J( x! C9 ?% u4 G9 L
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
: e c: a! j7 X( G% `( ` o
├──14--深度学习-图像识别原理
7 F1 v/ G8 k7 h1 k: y+ T; A9 s8 w
| ├──1--卷积神经网络原理
+ K) b5 z5 l5 l) x5 `
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
* L& Q9 z; ?; L; Z
| | ├──2-单通道卷积的计算 .mp4 104.01M
7 e: l5 U5 D5 G0 }8 H2 G" I
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
+ k1 I4 Q) n; S" m# G& E$ V
| | ├──4-卷积层权值共享 .mp4 63.93M
9 g, @( a( _8 U/ W2 l4 J+ O
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
/ n6 s7 ~4 W, e) x( v$ Y
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
- o+ b l9 `5 R; k" [2 D% j$ o3 }
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
/ k: m/ Y8 }8 \$ _
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
( N7 E2 d5 w& Z, g
| ├──2--卷积神经网络优化
+ n1 Y/ y0 k$ k: T- L! \
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
# [6 O$ b; u# I% E, t
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
& I, s, n% `( s8 n
| | ├──11-Optimizer_Adam .mp4 141.12M
2 T9 n4 @. d: l- d y; V: u
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
7 |9 o( E* t: ^1 K& x1 {$ E: Z
| | ├──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
4 J4 h! J+ ?. m j4 K, C' m% `
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
0 b! F+ W$ E8 K$ q3 ]
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
0 P8 v7 x1 E" W
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
P% o4 R2 p- Y; n9 _
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
( h5 F4 R* e5 O) Y, }
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
; L& g: u& u9 g1 T1 I2 w4 A
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
5 ?+ \ [' Z3 Z# }& l! o
| ├──3--经典卷积网络算法
. S3 r6 p9 q" T8 G) V
| | ├──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
" ~, m ~ q# B) _# A
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
- x1 O9 l, D/ V
| | ├──3-InceptionV1_V2 .mp4 165.86M
# _4 T8 _! w! e- ^$ y; @" R. T
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
* p1 _$ d5 O$ R8 f) P" W) [
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
/ F; ~, n F1 k
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
( ^" B7 ?/ g) r, E
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
8 f3 j# k+ ]) u1 c7 n6 K
| | ├──8-BatchNormalization .mp4 99.23M
( ]" o/ I0 }( i
| | └──9-Mobilenet网络架构 .mp4 150.05M
i+ X g4 K3 J8 d i
| ├──4--古典目标检测
W2 C4 H5 q* `# u& [, w" j4 x
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
2 u! a9 l' L J. c, Q& x* J" H
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
3 y5 c- o! z# A ?1 W/ X
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
- l" K* B K4 q& {
| | ├──4-R-CNN和SPP-net .mp4 124.06M
9 W( T. j; ?. f) F
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
5 s! _, } N) Q2 H4 b! i
| └──5--现代目标检测之FasterRCNN
9 J6 _# R! N7 [% g
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
. N) G* I% S$ K0 j: @4 d+ M% m8 s( w
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
1 {" A2 ~+ S; N, i5 g0 D# V
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
+ h& h5 k& c* g; N1 y' V
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
# O+ O9 d% S: o3 i
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
& n/ G/ _$ Q: A! F+ {0 b {
├──15--深度学习-图像识别项目实战
( t) v" }2 ?5 j1 n* @
| ├──1--车牌识别
+ u# a0 `$ f5 o5 E4 g/ P6 ?
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
/ R. |. D4 c4 b8 O
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
" D$ x4 N5 G) o$ j. G
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
8 c' k5 Q8 F6 S5 V9 y
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
, q. \( u3 I2 `# r p% @0 T. ]
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
: G' x" h* i( z) }9 t" E$ @
| ├──2--自然场景下的目标检测及源码分析
+ q9 P1 j- L. ~- k0 y
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
, [+ p0 o' j; y
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
, W. r! E- L9 e) C
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
9 I3 K; I- |9 A- K7 w7 J
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
7 r- ^+ M6 Q, g6 x* m
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
9 I7 V0 k# {5 T: i& P/ o9 c' C
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
; J% g4 K( v% V2 H
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
! J( B0 Z# ?+ x- ~4 A# B
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
4 l1 I& W/ _, s* X
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
5 `$ _3 X/ O! @! }/ ]# j
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
( I1 V/ D+ t7 y
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
. N( ^5 \, ^! \/ Z6 {0 \. Z: L
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
3 A0 l4 H! `/ n" x" W; o3 P
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
2 v6 f \$ K- r, u
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
' T0 o% H, t P X
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
) w! B" K) E: A- m/ P
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
D9 X5 l e: z# A5 a
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
& M" w, Z: O x$ i9 d1 I7 f
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
; ^) [! p4 s+ [9 j+ s- R
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
$ J% q% n; n6 v( o- \6 X
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
) y X3 R* Z5 _0 X/ F. |
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
6 H3 D) Y u7 J% T" x0 B
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
* ^5 T; X3 q, ^# e$ k; J
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
0 ^ n, P8 j7 l4 H
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
Y6 P. x2 {' W5 n2 h k- {
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
6 b, H8 `! d/ o! C
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
( l: E$ W4 ^" G# j h2 L: N8 w
| └──3--图像风格迁移
% N5 r. r+ l4 X4 i! Y2 j
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
# F( I1 `8 H' T4 }
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
( E N% T: H1 d0 t2 Y! R* R: h
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
, o: U( ~6 c3 t" s; h5 F$ _# Z
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
2 D T1 }: j0 l
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
' O- g& w; s* z1 L
| ├──1--YOLOv1详解
8 W& \+ X5 n4 ]9 h; P
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
) j8 `, @8 c$ A
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
4 y/ N7 Z% b! N, u3 w
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
7 W) d, Z* c4 T/ u& v, b8 i
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
\8 E! u: ]0 A% X' S3 C
| ├──2--YOLOv2详解
6 Y! z9 n4 ~5 X! t+ @ k
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
4 n" b- M0 z9 N& A5 I! j' p; z. t
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
0 i2 B3 {. i8 e" y% H* 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
3 j6 U9 m& P( R9 E1 L, `
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
* z; M$ ?* _) u! w" x' D/ v
| ├──3--YOLOv3详解
. q: D2 Y9 R/ t
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
" p" J7 {; e1 v2 W2 p
| | ├──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
" ]4 N0 w6 y3 g- g: Q/ o$ T. M3 r& z
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
6 V+ }3 G$ B- A8 l4 `
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
% w% ?. ^ Z) b
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
' N! e% [3 _# @0 I" x# ^3 Z
| ├──4--YOLOv3代码实战
( @, }, R5 ]4 ]+ _5 k
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
& m8 n1 A% i) e. T
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
# [1 C$ S! M1 I( ~
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
E% O0 d4 g6 _
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
$ ?- c h$ ], Q0 Z
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
" O, v% A3 h, N5 o
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
# t% @- C' K! G2 f: U
| └──5--YOLOv4详解
; ^9 l2 Z2 B/ i- r8 P2 i
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
' W o' g7 \2 P4 R: Y# h) Y
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
( [3 @$ {6 c: F+ V H8 y3 u3 A& O
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
, [- |6 p! c [4 J
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
8 e5 B) N1 f& Y
├──17--深度学习-语义分割原理和实战
2 r. Y# o! b2 p: K: \) Q3 F p- H
| ├──1--上采样_双线性插值_转置卷积
2 T$ K* a& m; E/ m! ~. {! i+ A9 _# o
| | ├──1-前言 .mp4 19.46M
' ^# N5 Q2 d; s$ [: a* r1 _
| | ├──2-上采样_repeat .mp4 23.90M
5 w7 ]. q! c( r' K+ ?% x; X
| | ├──3-线性插值 .mp4 34.48M
5 H4 G% [9 O6 a, p" n- x
| | ├──4-双线性插值 .mp4 125.71M
6 ?* [. c+ |" a# ]
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
' [/ W# j: Z+ a$ k' `" Q3 a0 O
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
, ?* f* e+ j$ @$ t: [! \& E! B( E
| | ├──7-ROI Align .mp4 58.38M
" i- a5 I2 D" g7 p- v
| | ├──8-FPN思想与网络结构 .mp4 92.14M
+ f3 l3 B) X3 s
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
. S8 @1 [* r7 }! ~2 Z* J. E
| ├──2--医疗图像UNet语义分割
6 Z! _7 j1 a5 k9 v" S- X' I& ?& {
| | ├──1-语义分割的基本概念 .mp4 18.33M
- d) T! `& J1 g" C' O+ l2 q
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
) ^- t: F- q! ~' x+ l% U) n
| | ├──3-UNet网络结构 .mp4 30.41M
+ r$ X+ L7 n, H" S
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
6 g: @/ U0 K, [
| └──3--蒙版弹幕MaskRCNN语义分割
/ S. d* y, j- ^; c$ w; E* K, F, \' D
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
$ | Q& l2 q* ?: ~) [5 ]
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
) ]7 t$ \5 c9 Z, K. f" x
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
6 ?0 C/ C0 Y0 p% u: x: T
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
% }+ y* ]& q/ K2 {. e
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
( T2 z' \8 f: M2 [8 s2 `
| | └──6-MaskRCNN源码config和model .mp4 244.48M
2 T+ Z Q$ K+ s: E' T( P# v/ G
├──18--深度学习-人脸识别项目实战
0 ?. ]. Q$ {3 T5 q* D4 V! K6 |
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
, g1 z% I! u# p; |
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
. \3 }( l( w/ P# T$ J2 i' B
| ├──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
+ w+ d* ?# v/ C0 J: P2 |7 A1 G
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
$ J* s* s6 Z/ l' M+ t' z h: q1 G$ i
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
- t' L5 W: B; C5 R3 L% {1 n
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
# t+ K9 I% x P2 g' n) P& b
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
W( `, L' u, p5 g
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
* m3 ~# O- L' V. R
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
9 V& t; L7 v4 T4 ?8 L
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
* v* F& ~5 K; H# O6 _1 M6 W. m8 Y9 h
| ├──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
# b8 F/ B- M; p, A# ~( B
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
; \% i7 L' W3 w' T n3 M. l
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
" D/ y* r/ Q7 r
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
3 w* F3 E5 O/ W: o
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
. }& p: h) a0 f
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
, [% L3 q' F9 I U* R
| ├──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
; f: G1 A. f7 ^) R! ^: K7 V! n
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
% p7 S! h1 ], n3 [" A% c
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
7 _4 x" s; |. z% k
├──19--深度学习-NLP自然语言处理原理和进阶
3 Z" [* [# t8 I
| ├──1--词向量与词嵌入
) l1 K% N% q* w# X
| | ├──1-N-gram语言模型 .mp4 116.32M
% r, `! p3 D8 @) S( m. ^0 I& ~2 |% C$ |
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
6 U: Y4 U4 h, y! H. ~- n1 ~8 d
| | ├──3-词向量的作用 .mp4 58.00M
. l! |& ?& _* }% o9 G% a; |, v, K
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
$ D; Z& a! l6 U9 Q v$ U( Q& m7 M
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
# w& i' U' D8 k, d+ l" k9 R
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
/ g+ Q8 ^7 v: h2 ?- A( ^0 E
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
@" v3 L2 m( ~, D! n5 h
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
0 s( v% b. t4 I# |2 w* M
| ├──2--循环神经网络原理与优化
0 w& V; {2 t5 [9 T d5 o
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
& ^4 i) ~6 l$ k4 w0 d
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
3 r* r8 L$ D8 b2 y; M3 Q
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
0 w. U* O; V+ P7 `3 L
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
, z U7 N) h* f' Q. p* _8 |0 @
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
- U6 Q) H) S j3 I* j
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
' k6 |# u5 J7 X8 i) a
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
$ R2 i O6 i/ R8 l! k9 _
| | ├──8-双向RNN_LSTM .mp4 52.01M
# X, W. f2 r# R) ~1 o+ g
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
$ F! l5 G& \! S( O0 k5 m
| ├──3--从Attention机制到Transformer
5 b; L% x8 b, \, }) w7 i
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
( X; [6 J' B% g5 X9 R/ G
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
/ _) D2 ^( Z. w' v, o- h
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
+ K( m$ L; |' c$ V. Y1 u
| └──4--ELMO_BERT_GPT
4 u6 H! \# f) h' O0 H `9 i U' F9 {
| | ├──1-ELMO .mp4 62.44M
1 S5 e! H- s: G
| | ├──2-BERT理论 .mp4 99.73M
K* S Y/ C6 @: v( B. P, _
| | └──3-ERNIE_GPT .mp4 56.34M
: H0 @* l# Y O4 r
├──2--人工智能基础-Python基础
5 x2 C( p0 p' Q% T: ~! e, i
| ├──1--Python开发环境搭建
, c8 M# C7 q* b2 e, i
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
, @( m" U2 r& l! b6 L& |
| | ├──2-Miniconda安装和测试 .mp4 57.12M
+ l% j! E1 R( x
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
$ m5 R4 _* l5 d7 z, }, E- D8 B
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
/ M$ u& v$ |* K$ Z" i6 t q
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
. Q* ~5 c9 c" n. l: ]' p" c# w+ E' E" C( f
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
, P$ ~1 s+ s# q. R, w7 u3 N
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
; F( {9 @2 K8 m& Y- J1 Q
| └──2--Python基础语法
8 G7 N4 a2 |( s8 @" [# E" o
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
" _, g. y8 q/ f% A7 O
| | ├──10-Python_集合操作_列表 .mp4 34.71M
2 o, t r$ A" B8 ^3 N l5 Y
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
# W# j! \9 h3 w8 h' r
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
& P- n3 N0 R, S8 s8 W7 G2 Z/ w( z8 f* Z
| | ├──13-Python_集合操作_元组 .mp4 43.46M
1 S5 M: x: [3 H3 ~, M: K! y6 |
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
, _' g# i. ]0 y% ^3 w) B
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
8 h0 K* }$ l; x* ~8 D3 i9 T
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
* j5 c: p; f! e5 I
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
6 ^# t. V0 P) z' f# A
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
# i0 `, B9 s. V5 \
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
- w3 B3 U. _; ?1 a' z! T
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
$ D) t% U3 Z5 i) e2 e
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
+ E# M) ?6 ^) n$ l( L. w% [2 `
| | ├──21-Python_函数_递归 .mp4 23.46M
) ~1 J3 Y+ w4 H }" v# j+ g
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
6 O3 L0 P; ^$ m- h9 k' X
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
$ H0 p% K' }" K; t7 u$ q, [
| | ├──24-Python_函数_闭包 .mp4 41.61M
D" o" N* k/ {# C0 p) ?- o
| | ├──25-Python_函数_装饰器 .mp4 30.35M
' U3 L6 S* j: s# P r1 T' c
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
3 z j7 E4 A! L4 e2 Z0 N7 ~* O
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
& t/ B! V/ h0 W# K8 t3 o
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
$ L1 m1 [, _' n/ p5 ]
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
) r2 Q% r5 Z9 U: N! P
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
1 S7 q% f' o; b/ _% W
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
# F5 A3 N, f1 ~
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
. Z1 B+ G8 v+ R% [. K; w7 l
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
1 s, p: n- a5 G3 P
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
& \3 E. Z. A! }5 c! k8 V2 z7 ~
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
h+ w+ z6 w, P9 y. U5 G% K
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
$ K8 i) j, ~4 v' Z5 m: U s
| | ├──8-Python_切片操作 .mp4 40.20M
4 A$ s9 F2 E1 D! M- q5 B' g' c
| | └──9-Python_数据类型 .mp4 25.38M
3 h8 |' }, l4 d7 T
├──20--深度学习-NLP自然语言处理项目实战
& m, q) L* n& e1 f
| ├──1--词向量
. i9 q* Q+ X% c& f; U v& ?
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
$ z4 T7 Q! G% h! t$ R- C# A' Q& y
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
- T) W) U0 s" b+ |# f# f9 X
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
6 h! b9 J9 |6 v
| | ├──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
8 @: S7 ~4 h5 S2 U: ?* m: l
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
' K2 }% L4 B& \* P( ^
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
/ G6 z( R: J1 t# Q% p
| ├──2--自然语言处理--情感分析
6 {3 N7 C1 w5 j' p
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
8 y) |( r# z6 `2 x7 Q2 s4 b
| | ├──2-数据预处理_01 .mp4 79.65M
; Q" E0 Q5 t4 d
| | ├──3-数据预处理_02 .mp4 45.68M
& Z$ S8 a3 E+ f5 g& a* Q4 ^
| | ├──4-代码讲解_01 .mp4 52.29M
: g2 A& p, W; f& ]" ^3 e
| | ├──5-代码讲解_02 .mp4 60.85M
) a5 K* t& C7 I4 x2 D
| | ├──6-代码讲解_03 .mp4 53.89M
$ l' z) ~6 B; R6 {9 {( B
| | ├──7-代码讲解_04 .mp4 57.19M
% M4 B+ k( H6 x6 m8 \- \5 I a. T0 \
| | └──8-代码讲解_05 .mp4 35.88M
; u b# S# i8 T& L
| ├──3--AI写唐诗
0 G6 K; f# W7 m7 y$ V9 P3 \' M" Y$ q
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
3 \, o; `4 R! Y
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
' K+ x- A1 t8 T; Z
| | ├──3-MultiRNNCell单元 .mp4 38.93M
( p* M2 q5 V2 E4 J' a
| | ├──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
& T. ~6 P/ A& Q1 _( j+ Q
| | ├──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
r3 R0 f/ l& ?5 y1 U( T" |
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
1 z2 m1 V& I8 [5 ?4 |/ z# p
| ├──4--Seq2Seq聊天机器人
' I2 O2 J' a/ V
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
1 `( h) X+ a' k* @$ D
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
9 k% F" [ Q) C7 S! M; I$ Q# _
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
# `0 ~- e* q* E: i7 T" ]# k$ O
| ├──5--实战NER命名实体识别项目
; C+ v+ ]' l' k) }3 U; _
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
( @: B* T2 B- T- N4 R
| | ├──2-介绍了代码目录结构 .mp4 23.44M
8 J6 u" {5 ?) O$ j b2 C! |8 p: j- }# W
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
! K2 h- G' ~( q, D
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
1 I5 M2 z! T' L) W
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
# b. S! C! Z, p/ M
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
# H- L; L/ m- J" M4 [5 M) g
| | ├──7-CRF中的特征函数们 .mp4 125.97M
" D% Z! { e; l# ^ `
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
, R. R3 X" A' a' A7 F# i) t
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
1 Y$ v A2 e3 p/ L. b: a
| ├──6--BERT新浪新闻10分类项目
% k# [( R `9 u* H4 m# R
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
. i- e0 E8 b- U# `: s! ^
| └──7--GPT2聊天机器人
. m3 b F+ A1 I! k, P6 c
| | └──1-GPT2闲聊机器人 .mp4 62.28M
8 d; U: { r/ b! N$ _% l- h [
├──21--深度学习-OCR文本识别
$ H2 q3 Z# ?7 N- I
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
9 S( I+ |, h% s) J) N+ D" ~; J0 w
| ├──10-CRNN项目代码剖析 .mp4 306.48M
1 f- g8 x% F. l+ O: V3 |' c# M3 X, ^
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
; W3 }9 I$ T ~+ o$ N4 K
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
! [$ I; X% N g$ ]
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
; M0 e" O6 J2 q- V- B: a
| ├──5-CTC损失函数的理解 .mp4 330.64M
. G3 q4 P2 I' K6 x) C- t' [
| ├──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
% E2 l, a5 w3 [, x4 @: \) N
| ├──7-CTC前向后向算法代码 .mp4 225.41M
4 @; o: |( j2 f6 c5 I
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
; ?) X% T! l5 L( } l3 H* X$ c
| └──9-CPTN项目代码剖析 .mp4 491.69M
0 s& y+ B. l* b$ B0 ]& P1 D6 K* U
├──24--【加课】Pytorch项目实战
. i4 T9 G, N" b6 @1 w) M' o( V
| ├──1--PyTorch运行环境安装_运行环境测试
0 b2 C; g7 b7 O/ c' C, k
| | ├──1-PyTorch概述 .mp4 29.29M
( H$ |4 W( L! T! w x% D
| | ├──2-PyTorch的安装 .mp4 76.45M
! p7 x3 V; F5 m0 [ ]
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
t/ F/ K4 c# d0 u5 j" F2 I1 A
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
/ I0 N+ Q3 q4 q# G7 X
| ├──2--PyTorch基础_Tensor张量运算
# F7 M9 E R+ f# H; @
| | ├──1-Tensor的创建 .mp4 55.14M
, I* k) ?7 R7 r2 c* I
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
, l% B8 [; K7 t0 t/ y6 I5 X8 G! q
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
8 A+ [1 p" X; r$ ?
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
3 }- N# z0 b% ]# f+ q& [; b
| ├──3--PyTorch卷积神经网络_实战CIFAR10
: c$ J O( D; e) b# t- T
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
4 v0 x, j8 s8 ~" o% T
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
3 `- ^8 a! o+ Z$ m7 S. }
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
( [5 ?: H8 P. a* p
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
) Q. f3 {& x0 p* h3 L
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
4 `$ y# i* u! d
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
8 Z' A, w: I$ T- v
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
/ i: q8 X S3 n) |5 P( D9 r
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
% @1 [) P$ F; _, ~3 T, b; C9 ^
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
- Q. y: ^- w- ]2 N+ l% [& X: {
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
0 `, ^. s8 a2 a2 [$ q* o0 `
| ├──4--PyTorch循环神经网络_词性标注
' O' _7 s) h6 o9 h: y
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
# E: \! F, L8 @' l- D5 ?# j
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
7 B: a% z2 O3 Y9 L( E) z
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
. z' g6 U: P' k* a
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
; ?- u2 O% _0 H2 W* C2 Z# Y" ^
| └──5--PyTorch编码器解码器_机器翻译
+ @, w! }0 w1 O) d' g% p6 z: ?
| | ├──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
. | b q1 A6 ~% ]0 A j
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
) w' P9 ], R( P: }* K' ?& |
| | ├──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
% Z. `; X9 {8 \8 `
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
9 {$ S! i7 w! M8 v% @3 p
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
. v3 s. F- v" r; x. X0 P) ?
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
3 }/ D z2 I5 E2 M7 F/ h) }
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
2 D8 D- [+ m& k6 J3 Z; g
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
9 P, X- Q2 @2 \3 s4 L( U6 N; J2 l
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
# J& z' m$ p2 m4 x' f
| ├──1--PaddlePaddle框架安装_波士顿房价预测
1 C# w! B3 J8 g; `. B9 t: f |& U4 t
| | ├──1-安装PaddlePaddle .mp4 87.34M
& J8 Y5 Z! s4 q' G
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
, n& R; x& {9 s
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
8 D8 i9 G* x* ^4 |- U, F
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
7 s' g; V7 g3 E" G. l
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
& o3 q6 N! w8 V: E, `4 Y- Z
| ├──2--PaddlePaddle卷积网络_病理性近视识别
: w; v4 U9 |( |+ i0 c; U
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
, j5 F( G. a2 |4 n6 n0 k& o
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
9 q6 t1 ~3 G0 g3 r+ {+ Z6 W1 P! p' S1 j
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
1 [9 }5 m; ?1 F: z
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
6 W. s/ S! e% Z/ {" B! Q
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
( W% Q9 g- |* N3 h. k) A9 h
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
, w: Z; r6 @+ O- p
| | ├──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
* K. l: I N. H3 ?' P' s2 q
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
& u k6 l7 T1 x% s8 E0 L- i
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
* ]) l/ ?$ m5 \8 w2 P. j* w
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
' b$ \. a& \7 f
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
; P) c/ t- t+ Y6 X
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
2 c; R5 e+ v% i( \2 k1 \* }8 q
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
! ~3 \) [3 d* l3 ~8 D- a8 x
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
0 O9 C& t8 ^' v4 U5 n% W
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
! A# e' X; g% o! e4 P, W
| | ├──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
1 G8 ?) x9 ]) i- J
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
/ b+ q9 i4 F C/ N6 R
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
2 d! @( X+ m( {' s8 y7 Q* O6 u
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
0 B% A. u; i/ g( e- w) P4 ~
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
7 E" l! K: Y! M/ M( |# Q/ g* C: ~
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
% s, e) A. M0 d0 M! g. t
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
/ y. c+ Y8 p/ N: S0 \: X9 t2 \
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
1 \" \5 W. R; D, y1 F$ T
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
* |% ?6 s& u0 T, e# I+ b% I
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
3 b. _- u6 s4 b- @4 w- Q3 t
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
. X L0 C/ Y! k- A G
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
5 x( }1 T/ R! R
| | └──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
0 {0 r$ F; e' p5 @$ Z/ Z* l: w
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
9 q {5 ]1 s7 l
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
" b/ |4 E9 L: ~7 V Q
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
" R" N& D9 P& d* r1 a) v
| | ├──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
6 C( d ]6 Y6 r4 X
| | └──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
- \4 t& |: u1 m- b' A6 N
├──26--【加课】Linux 环境编程基础
) ?/ Q$ e% ?& E$ z8 m
| └──1--Linux
7 f3 Z# z2 o; p9 V, }
| | ├──1-Linux_课程介绍 .mp4 3.72M
% F1 {" K+ x+ g% |5 q* \' i
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
5 S) k' c) B9 d3 R% ?+ H' w2 j
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
6 e0 @2 l1 d- G; k' j
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
% E \# u- y2 R y; z
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
5 P; P! F& _" n
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
# w# Y+ S5 k+ h; C2 c8 E j$ D
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
, u, p4 X) \$ M; K6 y' g
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
& I( F# q5 ~; `) P
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
. E, i) w2 a! y# s0 ?0 G
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
/ v/ d0 @7 U) [0 h3 D0 q
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
* f. B7 a6 `+ X" s" j5 [
| | ├──2-Linux_Linux简介 .mp4 17.59M
5 q5 Z3 E6 Q4 F" K
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
@9 _0 m/ h6 T) j( u
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
3 n9 y# R: G) K) U0 T
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
% W- D1 @" f T2 m0 P
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
" n, ]1 i( O0 l( \
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
9 j( g1 m1 k% v8 P% o
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
' ^6 J, u/ H3 U7 h1 o. _
| | ├──26-Linux_安装MySQL .mp4 79.02M
2 j2 C0 c8 g! N$ Y
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
: ^' O* P* p) @- V' n, s: X, y( C- X
| | ├──4-Linux_安装Linux .mp4 41.97M
/ ]! ]0 y, w1 U" b4 r
| | ├──5-Linux_目录介绍 .mp4 20.31M
. d% t( k9 e# M' A0 {* @
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
* S1 E8 J* @8 E+ u o
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
! y0 W/ j+ N. @
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
/ j% z7 o6 s0 _- j
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
/ w+ @* ]0 n. P2 q6 X. n1 c1 w
├──27--【加课】算法与数据结构
1 a& C( \8 G0 t
| └──1--算法与数据结构
5 S _, A0 T8 m
| | ├──1-数据结构与算法简介 .mp4 35.68M
, O+ ?4 |, t2 n" j; ~
| | ├──10-哈希表的基本结构 .mp4 54.34M
4 u5 k! r% _5 A4 e
| | ├──11-哈希表冲突问题 .mp4 75.92M
; Q% l, T9 B0 K2 m; z3 C
| | ├──12-哈希表冲突问题2 .mp4 72.30M
B9 P2 g' T; B3 {: w5 p
| | ├──13-哈希扩容 .mp4 111.03M
8 b2 J g' P: m& W) Q
| | ├──14-递归与栈 .mp4 50.77M
! K4 _- d. D$ Q! ~3 |; e# ?- n2 z
| | ├──15-线性查找 .mp4 57.80M
9 O2 L6 I4 ~* N& N- o
| | ├──16-二分查找 .mp4 52.32M
- M3 L& N, _6 ]/ z; } }
| | ├──17-冒泡排序 .mp4 53.19M
, |' o4 u1 X9 f8 b- [# `
| | ├──18-选择排序 .mp4 43.29M
9 b$ D' H- s, y( N) w. h
| | ├──19-插入排序 .mp4 31.39M
" `* q, T$ ^7 I% x4 |9 D/ {) J4 u7 A
| | ├──2-大O表示法 .mp4 25.59M
: n* Q! O1 t# a7 B& |1 W7 U W2 a
| | ├──20-归并排序 .mp4 84.48M
6 ], }5 ?3 V- _- M" }9 _
| | ├──21-快速排序 .mp4 36.63M
6 E; Z; ^4 I- h# F. v
| | ├──22-树结构 .mp4 96.85M
. E8 q' ~: p5 C! c2 G
| | ├──23-树结构的遍历 .mp4 61.05M
* b. p- S; M" M& \5 _
| | ├──24-最大堆的增加操作 .mp4 45.43M
6 z# T) e/ U* x$ c+ w% G& d5 _4 f ^5 W
| | ├──25-最大堆的删除操作 .mp4 45.63M
! f+ `1 B& ^' E/ q/ [
| | ├──26-二叉树的查找 .mp4 100.24M
5 \& f/ M7 b$ @1 E0 ^ c! y
| | ├──27-二叉树获取最小值 .mp4 25.21M
% a/ v2 ]. J. j$ W$ x
| | ├──28-二叉树的添加 .mp4 72.66M
) f- \% c$ y. E8 U$ C
| | ├──29-二叉树的删除 .mp4 120.06M
- v7 T( H& w. b3 `" A9 |! ~
| | ├──3-线性结构 .mp4 53.14M
9 E9 ?: Y4 L; D% P) g6 ]6 W; P
| | ├──4-单线链表1 .mp4 68.36M
- B, t# P9 c& F- {1 r- v( h
| | ├──5-单链表2 .mp4 221.69M
# `" y* X7 I$ s
| | ├──6-双链表 .mp4 103.57M
% j P4 z- i6 {4 ]# S8 m3 i
| | ├──7-队列(链式) .mp4 74.12M
% k# l4 D1 e$ s9 k1 Y1 D2 p4 o% I
| | ├──8-队列(线式) .mp4 30.99M
+ T2 ~1 `' _2 O- ^) g: ]! A; G+ R
| | └──9-栈与双端队列 .mp4 28.12M
- g4 R, S6 \' S7 P8 f2 _
├──3--人工智能基础-Python科学计算和可视化
% q) l+ z0 J- o4 p
| ├──1--科学计算模型Numpy
% v- B, G8 F# C2 D& G' w2 m
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
7 M' B5 b& ?/ C+ p* A! p. T
| | ├──2-Numpy_array_arange .mp4 35.45M
+ [$ e3 l( D$ @" m; f9 g
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
3 U/ \# k* Q8 Q0 I8 A
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
6 p+ z* H+ R7 p
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
" Z0 N' B% K3 g! e
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
1 O E1 ^/ K4 ^2 S8 k2 R. s+ ~
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
w% {. R3 u* r( W, k/ P5 F1 F
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
9 B9 [) E7 k) s5 q2 W2 V
| | └──9-Numpy_聚合函数 .mp4 23.68M
" Q+ B& u% N# d$ R5 K/ d
| ├──2--数据可视化模块
% v" [- X# _* [, @ j0 d" \4 J1 w
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
: X0 {* h. ~! v' |
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
d8 g3 J [, v1 ^2 E, G. R
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
9 J9 k4 F# ~% q3 C% l8 t
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
0 ~7 k3 V- ~/ ?! ~3 q M* h
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
3 O' F4 B- Y9 f
| └──3--数据处理分析模块Pandas
o7 |$ M/ @( H: L# R, Z
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
+ K7 |% a9 F' n1 x# T2 q2 V
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
/ a3 X& A) X. `1 ]
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
8 F& S! ]& r$ _
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
8 J8 Q+ h8 G P' h# L1 y' `
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
# e) c8 V+ i+ W' Y- S7 U
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
/ Q# S. ~5 }3 h% p$ Q, I
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
( m! H0 }+ Z, k/ F4 g
├──31--【加课】 强化学习【新增】
# Y- Q( R9 b! ~: z
| ├──1--Q-Learning与SARSA算法
2 i: N# B" I7 S9 V
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
. L9 h1 Z' M0 g+ Y
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
1 g7 z+ L& B5 z9 e) h
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
) D9 j3 \! k6 E! ^! A8 h$ D
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
9 K. [3 t6 p- `- J1 j
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
# O! b( E2 R, T# @7 m
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
. |! s" n6 u9 u, C8 Q1 D7 d( N, _6 O
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
% }, M3 {! H) A' J4 R) |( c0 J
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
# x+ V2 O; L% r# X* Z; c
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
' k& {9 z- D1 J, P5 {
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
; C8 j$ u {- F! j- ~: x
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
* N1 Z7 w# @8 Y$ B$ A
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
9 h! X- G& S# F$ C8 r* B5 r3 z7 R2 A, S
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
7 x9 _) ?9 V- }) ^8 \8 j
| ├──2--Deep Q-Learning Network
9 @7 S3 H% ?0 N8 ?
| | ├──1-DQN算法思想 .mp4 59.24M
) N, `& e2 \: E
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
9 c+ ]- Y: c1 C F3 W: y3 U2 g
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
3 R& m! |% h' ~
| | ├──12-DuelingDQN .mp4 88.12M
2 [& P6 Q; n8 U# d2 [
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
/ ]! |5 {! ]% g" o$ F. M+ I
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
5 V* k4 C" U* f' g* f' q
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
; L+ z7 W2 X0 ~0 t% [
| | ├──2-DQN算法具体流程 .mp4 56.17M
( u2 O* o( g, ]! a+ \) {
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
% C1 k) O# _* p; |& J/ N/ q. R
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
6 ?9 E! \2 _- \( r* A1 q
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
) M1 `0 M& Z& P; c+ _4 c
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
2 Z( t) i9 F7 f8 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
8 W( A: @/ G8 l0 e: G
| | ├──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
. m6 W2 G' W+ u
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
' o* w! y. F" ^! `+ y' Y" a8 ]
| ├──3--Policy Gradient 策略梯度
3 X5 E+ V# A- ^4 m! ^6 n; f3 s6 w/ H
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
+ c0 e6 F3 f) {5 R2 t
| | ├──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
1 a, @2 m( X( ~2 r8 w
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
; j9 D7 l. @5 k
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
1 m, I- z8 Y6 _) C0 u- [! x
| | ├──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
8 q; ^8 G! Y+ b' Q- K/ u
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
0 z- i" U; p& U! J3 h
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
! H% f! ]. f& S5 g
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
& N q( n k7 U8 L. i: c
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
- s1 t# S' w2 X' T7 [
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
; q) P5 p( ~7 M, R
| ├──4--Actor Critic (A3C)
0 E4 F% G& h8 {$ ~4 h
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
- f, G2 j7 _, _* a
| | ├──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
( s2 z& O! C* |8 J: W+ v
| | ├──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
6 n2 i6 `" }# q+ I' x' V
| | ├──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
; L1 l% t5 t; `
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
2 Z2 l u; z- I: ]3 U0 R& \, f
| | ├──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
. Z% s, l. z8 Q: m! w0 P0 j8 {
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
: k" V# m- u/ j8 y
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
7 Z. T# n r8 m
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
5 ^# N3 o9 d! C7 T/ |5 i
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
; N& Z, _3 y+ n: V) q& a7 Z1 E
| | ├──6-A3C架构和训练流程 .mp4 74.66M
* B/ n7 d( t+ ? G$ y5 n
| | ├──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
) w( u' Z) M# z4 S/ y7 V+ d g
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
6 p1 q. v4 T* z" ? {
| | └──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
% g; N* x5 D+ N2 K
| └──5--DDPG、PPO、DPPO算法
$ Q/ }% m; V/ A- {! C* }8 F$ z0 b- `
| | ├──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
" o5 [& [) g8 U: p7 a$ ~
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
% v, S8 K* F0 T6 `4 g' l# Z$ V2 {
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
! z! z& Y7 b- y* n9 ]5 u3 w2 a
| | ├──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 Y8 N, @- ]* g. Z ]% {% f0 N
| | ├──13-DPPO分布式PPO .mp4 63.81M
. V4 K1 E+ g& S7 Y$ p" G2 b
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
5 K, K# i. n6 m! P' H4 m8 d
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
" G* E+ R/ q+ q$ _, v/ R5 T2 W
| | ├──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
& K% B7 }8 g. X, B3 w
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
( Q2 Q3 D, N" Z7 |0 T: w: C# `: V
| | ├──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
* J0 A: m( ^4 y6 w2 P Q F
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
0 W9 o, t3 C5 z
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
* i" I k+ ]9 D
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
) h" S6 ]* G6 o$ z3 p7 t
| | ├──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
" k% S* ]' n2 @7 t7 P) ?' x
| | └──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
5 ?" n, k# t2 y9 E& ~4 Q; S
├──4--人工智能基础-高等数学知识强化
* q( z9 p6 F1 _2 h) O
| ├──1--数学内容概述
+ t% V. ?. r, a/ C8 M/ ?( M
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
\" {# d: i$ |6 l! N8 r
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
/ }* L/ w% e7 ?
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
- ^* v# `3 F8 f; |. t
| ├──2--一元函数微分学
6 f- ^' R O, f! k0 l/ m. w/ h" N7 E
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
- H' f* S! R% {$ m, l! v
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
+ ]6 R) ^, p1 H* m+ C
| | ├──3-常见函数的求导公式 .mp4 22.76M
9 o9 t( `! ?! N! N% |# `# ?8 M
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
; @. y5 ^2 ~1 b& H
| | ├──5-复合函数求导法则 .mp4 19.68M
) \4 B# l# P4 [2 T! X" G, N& X& D
| | ├──6-推导激活函数的导函数 .mp4 33.40M
. N# \' q" p3 U' _" t7 d; f+ s" |/ m
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
+ i y2 F3 L, B+ Q, S9 Z' \
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
. `$ w: r/ H) D( }6 s
| ├──3--线性代数基础
8 B$ Z6 V5 n" s. `
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
`6 `+ x& p2 s& V* o
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
7 k. g6 Y P( f# C" v3 B# t
| | ├──11-矩阵的行列式 .mp4 20.13M
! J$ g$ ~& G5 `% l, Y7 C( `' W3 W
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
3 F% p, | [/ Y* N, |* _. ]6 c! w
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
% n# q7 u+ |8 t' I7 b" p
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
: o4 b6 B" Z- N
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
& z; p, E( h. @+ s- X$ w" ]" G, ?
| | ├──6-特殊的向量 .mp4 26.45M
; m5 f$ f4 D& I1 I# Y; G& s/ _
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
0 _- P9 s( \3 ^- ^2 v
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
' ~" H3 e/ u" M. N. p9 U+ o# Z
| | └──9-矩阵相乘 .mp4 20.02M
, o) D; q: ` e' D9 d1 k
| ├──4--多元函数微分学
7 M+ Y7 m; j! L# E) v0 d! b z$ a
| | ├──1-多元函数求偏导 .mp4 22.61M
! ^7 T1 B2 T- a- X+ Q q2 ]
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
$ C. Y8 E- B" ?
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
" r% B: m/ e$ A* t
| | └──4-Hessian矩阵 .mp4 32.93M
9 Q( f+ ^/ X1 A- e W
| ├──5--线性代数高级
, d+ P; @. o4 g/ u) W
| | ├──1-二次型 .mp4 27.70M
# C+ i% N' C+ e. b+ x
| | ├──10-SVD用于PCA降维 .mp4 24.90M
+ U: b) o- s& q' e
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
& q! R2 V Y y6 A
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
$ u5 y' ]+ J7 A& n# [8 o
| | ├──3-特征值和特征向量(1) .mp4 29.83M
1 b9 W' x. [ O
| | ├──4-特征值和特征向量(2) .mp4 30.07M
3 `, `* W9 b4 I
| | ├──5-特征值分解 .mp4 38.68M
( E! J; U, j7 ?: W
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
3 _9 n2 Z: ~! @% q$ Y6 @
| | ├──7-奇异值分解定义 .mp4 22.58M
/ n, v& \. ^4 N- S( q' I
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
" V' X1 a: J! v- j
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
$ C& l# {( P% Q
| ├──6--概率论
2 e, ?+ Q! g5 N4 T3 S* n& J8 n3 z
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
, e1 K0 k/ l8 M ?3 z/ }
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
, [# h; Y; C. p# Y: F/ X7 \& ]1 @9 l
| | ├──3-随机变量 .mp4 22.57M
4 L, Q7 s7 \/ u- H1 X) k# r3 `
| | ├──4-数学期望和方差 .mp4 22.96M
/ T% _2 l. Z! y' y8 y( U
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
2 I+ A# Q9 M, ~8 ^" F1 C
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
6 ^/ \- X# T1 X6 q2 f
| | └──7-最大似然估计思想 .mp4 23.42M
4 c5 E3 S, O& D% z- R
| └──7--最优化
' O+ z' P/ \* L* e5 K: {0 P
| | ├──1-最优化的基本概念 .mp4 35.14M
4 Y; i/ D. Z' b% g! l. C9 z# O1 s
| | ├──10-拉格朗日函数 .mp4 27.46M
4 Z. u2 V ^7 u; m& m. n4 W+ T# l
| | ├──2-迭代求解的原因 .mp4 20.15M
) h. b2 D( U4 _/ z+ K9 f* h. K
| | ├──3-梯度下降法思路 .mp4 26.33M
# q4 {$ q1 |* Z
| | ├──4-梯度下降法的推导 .mp4 43.56M
- E( g g! _' f/ `& c& ^
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
& ^: s7 `& L) u1 P( q0 H
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
! i2 T3 V4 K6 u% H0 U+ t
| | ├──7-凸集 .mp4 21.90M
4 M9 |- |) d1 d" _$ v# U
| | ├──8-凸函数 .mp4 16.93M
$ {. Z& i6 s) x- a
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
s+ U9 P6 M' p: O5 u! K7 N% j5 a" _
├──5--机器学习-线性回归
5 \/ x4 X Q1 Q; D3 ~8 g$ [ K
| ├──1--多元线性回归
O8 m, a# @/ \3 p# Z( U
| | ├──1-理解简单线性回归 .mp4 51.11M
% f% U" o9 Y6 |$ E' S" ^
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
9 P$ S+ M* |( d. {% O, t
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
3 A6 H" H9 y) y# Z/ g( w1 {8 l0 c1 X. ~
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
4 m3 v# z# ?5 X% B9 R2 \# C( D2 x
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
* m# M, w/ Y5 b4 q. c, g
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
" Z: M* e1 A8 Q& f* G
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
6 [, `* \9 E! G% _# s
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
5 e+ _# M7 }0 Y& h( P
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
' [8 A3 n, N+ N" i
| | ├──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
; `& e x0 N& j$ D* A7 o' s
| | ├──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
% Z4 f/ Y, U3 w. G
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
) i3 W- T1 Q% d8 q+ l {4 @
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
) \; b! m0 h4 ~0 C f# @' T
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
: n/ V6 |0 ^$ ]' q4 V4 c
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
2 I3 H6 ~2 |$ y
| | ├──3-扩展到多元线性回归 .mp4 32.15M
1 f$ O `, G! p p( u
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
1 X) E9 {+ h$ @; J- P! \/ U
| | ├──5-理解维度这个概念 .mp4 41.41M
* }: ^) m4 Z7 R3 d- ^; ^0 ?* K" K* Y
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
/ p; a$ A/ y D; g) F
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
0 N3 j) A& W9 C' Y3 z @+ \6 [
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
' }+ y$ _3 _7 @ A
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
5 Z j( N' k1 B( x3 o. k0 f5 P; n
| ├──2--梯度下降法
8 o. j3 U" `8 ?; o7 ]; a
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
]- b5 s, c* s! f- _( H
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
& w- ~+ P+ [* @- {# u# R m1 ^
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
0 K' E" i$ `7 \
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
2 P: Y7 ~2 F5 y$ S- g
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
, S6 {7 v/ r& c8 V$ k
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
, e' U; j& M$ v6 y' @+ ~
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
; t% n% T0 R8 @6 K
| | ├──2-梯度下降法公式 .mp4 57.12M
( R6 u$ ~0 [% \: S+ ]1 p3 S
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
8 E$ H1 B5 E: e+ m% H3 Y% @: x
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
' }0 W/ K% L2 g
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
4 k5 ^9 r" j2 t
| | ├──6-全量梯度下降 .mp4 62.84M
) t; [8 C; O2 R4 I
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
2 A# W/ U! A1 y3 I
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
7 V1 \6 }5 K- P% _% {% [
| | └──9-轮次和批次 .mp4 45.22M
5 O9 e+ a: Z) V7 {6 r3 S/ \
| ├──3--归一化
1 ~( M+ Z7 P: d! x9 N
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
- Y9 L3 W+ M% C/ B; t2 y* x
| | ├──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
0 b0 B# B7 X `5 i9 y2 T# B
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
* o6 V; S- x- @( a, ]8 U8 Q
| | ├──4-最大值最小值归一化 .mp4 24.87M
, ^# G" u6 v4 w5 W2 a5 h
| | ├──5-标准归一化 .mp4 51.86M
; [4 h0 m! {& ]! Z: w
| | └──6-代码完成标准归一化 .mp4 41.13M
! H2 e# s4 v) z9 Q) ?
| ├──4--正则化
0 u& E& C; O+ L& h5 `2 P
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
7 S5 v7 X0 |/ {0 a- \8 F5 z
| | ├──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
( w J% p) v* x0 K
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
5 f4 K6 ?0 t- r6 q5 y
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
8 i, F- m8 ^( u/ v: D2 p2 D" `
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
" n4 G% t$ [. d: R3 q, M
| └──5--Lasso回归_Ridge回归_多项式回归
: c7 b) ^: q! W$ t4 M
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
/ M; N1 v. P7 j2 E: u
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
; B- r, W" f7 m
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
; q. J) U3 }1 ]( D; N( O: X
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
& g2 U4 C# r; @$ A$ p# f
| | ├──2-代码调用Lasso回归 .mp4 28.73M
' Q" e/ G) s! p) c. a; [
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
( m: n( R" f7 J6 v
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
: r+ N% m8 z3 z% t# ]
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
. k/ E ^+ ^% p# I6 k+ Q
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
* \- O0 y0 {' f& s, N2 v1 [
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
. w1 C, q' _: T- y; X: L; m" W: t
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
1 @, `! F' b3 s; L
| | └──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
, g! x( j3 O! ~ [: w, B
├──6--机器学习-线性分类
$ I* x s: [- q) m% i3 n
| ├──1--逻辑回归
6 D' f0 l9 _3 Q. K3 Z5 ]
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
* a8 u* g" t, ^7 z8 ^& c
| | ├──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
2 ? s* x0 W* X! F! e$ k v& c
| | ├──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
+ W4 O3 \* b4 W
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
! B5 R( l: E4 a8 f
| | ├──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
" w/ i! V9 W8 i- S
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
/ n, R3 z/ m7 {) q4 t1 [
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
0 Z5 ^" ?. R: b$ h
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
7 B3 a) V A* k
| | ├──2-sigmoid函数作用 .mp4 38.15M
' u! b7 s! m3 G. T) X5 [1 x
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
# l2 ]$ A% n) L/ H8 [5 t# z% r, s
| | ├──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
- U2 c u' O" D8 P9 @
| | ├──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
% v) C( ?/ b' W& F2 T0 k" a
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
- m; I9 V. [$ D! B$ m! D0 R
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
' d1 L5 i! _% v+ W
| | ├──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
0 z9 t' T" a- Z/ O! e1 [
| | └──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
4 \% ?& ~5 W( |
| ├──2--Softmax回归
( D5 Q( [: X X& T' @
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
, z, \ E& |8 A p+ o* N6 Z
| | ├──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
8 }3 D) D7 N' F
| | ├──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
9 q( N4 @8 n4 Y: Z4 x' e) S
| | ├──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
" ?0 O6 B7 D/ l/ K
| | ├──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
5 M6 x1 k* ^% P9 q( X/ {
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
8 A& \/ \! J! }9 [
| | ├──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
, r: J# ]8 D$ S
| | ├──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
. y3 }0 b* S* e' y+ g
| | ├──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
0 S& k* y4 D, H# j; D# z8 Q1 ~
| | ├──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
* f# w! X5 ?2 B$ d1 x$ V
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
2 T) o/ |6 T! i3 N* Y
| | ├──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
# V5 `. ]1 E8 i& @$ j' A" y, [
| | └──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
0 h$ _6 U0 y$ T& i
| ├──3--SVM支持向量机算法
2 _3 ` Z/ _" L4 t# @
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
* K9 J0 \. i* y0 D
| | ├──2-SVM的思想 .mp4 55.56M
% H t7 ?, f( Q: {! D4 t# t: B5 \
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
6 T* R6 o4 d/ c$ `5 i
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
$ e+ D Y, T1 I, c# G/ n
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
. o# ~1 t3 a& O
| | ├──6-总结硬间隔SVM .mp4 39.01M
3 R2 Y; ^. ` p7 C3 h, }& }; R
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
. b8 u9 w4 X" d3 q
| | ├──8-非线性SVM .mp4 54.43M
0 X4 T0 J; N* P1 J; K
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
: d5 i5 F: ], F5 ]9 u# k% M
| └──4--SMO优化算法
1 F0 b( h/ p: T r! c C
| | ├──1-SVM算法流程总结 .mp4 58.36M
' q' P7 u: _+ T# j! q
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
" p3 d" I/ L! m" i: R
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
# |9 x5 q$ s' B3 p2 F, n( I: R U0 e- T
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
4 S& L& k, w8 V9 ?2 t
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
o* d! E: j. A5 y. h8 K
| | ├──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
# M9 J8 r0 {3 I4 ~
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
/ k3 s" P8 O6 m/ c) ^, U. k
| | ├──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
1 `* N4 a, U5 g9 W
| | ├──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
, y" w+ t9 Z" I" H
| | ├──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
8 l7 D; B& ^0 P( C/ z+ W
| | ├──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
# t' Q: b0 C( `; L4 |/ R6 A
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
7 W7 q, N" k7 P" z
| | ├──7-启发式选择两个α .mp4 23.11M
. R* }5 X7 j: x2 u$ }6 @4 n
| | ├──8-如何计算阈值b .mp4 50.18M
/ @% M1 J: h6 d, e" I# Q
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
, f4 a; U, l3 E9 t- v f1 ]
├──7--机器学习-无监督学习
% P* [: e, h! j% h W% |3 t, h
| ├──1--聚类系列算法
3 C+ I9 q" ~* k$ e4 ^# K9 T6 v+ q
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
% x. J% ] Z5 [2 F9 ?& `5 e5 Q
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
. B( \$ c. H( f+ O' n
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
% h4 } j) n" n8 L h5 z; ]
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
; s8 ^* M1 Z: | H
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
2 o+ p: G( R, d O7 d. m: k
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
# U: m4 t. N( u, \, C6 G
| ├──2--EM算法和GMM高斯混合模型
. ^8 M+ U0 K; \' _) f
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
( p; e& q3 P2 ]2 _4 V
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
6 H1 a) m7 _/ R
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
e+ w2 O a' ?
| | ├──4-Jensen不等式的应用 .mp4 109.17M
" X! ~) L0 T" H' U
| | ├──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
% r- y2 p2 i' b. W; Y& B
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
( V% W7 X- t$ v7 l4 X/ v
| | ├──7-GMM前景背景分离 .mp4 16.01M
! k Y% Z% f0 n2 `& p. T9 O/ I
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
- E! G% _/ C0 R' W4 `4 v2 T' J0 m
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
7 }! w4 u/ s6 z0 F7 P( x* i
| └──3--PCA降维算法
& V6 n8 _% H" @+ e- ]; [4 v0 G
| | ├──1-特征选择与特征映射 .mp4 49.38M
) J& l$ k: Q# y6 u( o8 W, p1 u. K
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
) u& L' A% Q* x: F9 F- I
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
2 _! i4 K! E8 w- x# v
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
: }" F, d6 I, m/ k
| | └──5-PCA的几种应用 .mp4 54.58M
4 \6 `7 S. e& I1 b
├──8--机器学习-决策树系列
, Z! S5 \) l: |: g1 j) g7 B3 i- ~
| ├──1--决策树
& F) a2 r/ b) j; a
| | ├──1-决策树模型的特点 .mp4 74.88M
9 q: m3 Q: H0 V$ B9 y
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
, D0 y$ n4 O0 ?6 Y' i4 k. _3 W
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
; S" X+ Y D! A, j
| | ├──12-后剪枝的意义 .mp4 50.49M
9 \% p/ A. [6 @# K% \% T
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
& d% k ^7 L5 T0 i) U$ d% T
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
/ v; C6 V) A* x* @" X0 u) R8 U
| | ├──2-决策树的数学表达 .mp4 89.94M
7 y: e, V) b" d s
| | ├──3-如何构建一颗决策树 .mp4 84.87M
: d$ j: ~' V8 ?4 h* |8 [0 W3 F
| | ├──4-什么是更好的一次划分 .mp4 57.02M
; J1 e2 {! B- y: r9 f
| | ├──5-Gini系数 .mp4 107.54M
k' }. Y3 a; J E6 Z( K
| | ├──6-信息增益 .mp4 75.26M
- }' H {; y7 V) U( F
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
' o; J5 K5 F! M5 m% r
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
/ E! C4 q9 {: t$ }+ o6 D
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
; T& O; v1 q0 I" {5 P) v5 o3 [; t
| ├──2--集成学习和随机森林
+ S3 @: F7 G6 I$ F- n
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
3 V1 j R6 F; y% r
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
2 a; ~1 d( a: l) `$ L) R
| | ├──3-随机森林 .mp4 108.14M
7 S" S8 e+ c7 m# R4 s4 R/ d
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
4 h9 o6 u2 O; j
| | ├──5-OOB袋外数据 .mp4 106.07M
& O8 s2 {- D5 A+ u7 _
| | ├──6-Adaboost算法思路 .mp4 106.30M
0 r( Z- r" k- }7 Y" n$ e2 ?
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
$ p9 ]) b; J6 \, w
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
! m- i) r( n1 Q8 p" Y
| ├──3--GBDT
) V7 W2 o, N# ]0 x7 l, E8 y
| | ├──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
! \4 T* H+ M% L2 s# t3 H
| | ├──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
+ F' [ e! i9 c) ?3 T/ M2 s
| | ├──11-GBDT多分类流程 .mp4 73.80M
7 W0 Q9 v4 j" X, R, W
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
/ z e1 n5 w0 l2 F: L# Q
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
6 X' F8 H! r; E( B# \, \ k
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
# u$ h' _# k+ }3 T
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
4 J$ u5 q* @1 d7 Q# F X
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
+ F1 a- d% W7 H- n1 P
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
& J* q m# w7 A
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
9 Z, y, V, \7 s, J/ m" J% P( e
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
( o M: p5 f3 I
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
. t j) b, E) e$ j7 m; n7 T. R
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
% ^! [# I7 A R8 `2 G- g$ I K
| | ├──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
( R) w4 I/ `; \% U& U. m
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
* V$ w2 Q6 A2 E* w2 n- w/ z& A2 G
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
% G# B$ M8 w W* G
| | ├──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
( b/ W- ^" Z+ p
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
# c/ `2 e# S- Z3 y" C
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
7 q/ E, u0 Y: e
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
8 d, Z8 Z N2 V! H/ _. \$ K+ Z% ]1 c
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
+ }1 ]# u. `. P3 u
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
/ u( b }6 | D4 s1 g
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
1 X6 W. |6 g3 ?4 y& F: `- k# _1 u
| └──4--XGBoost
0 o( P1 X; H7 P' P! r3 _6 G
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
( p1 }- s0 ~# t! r$ L
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
+ r# `. F b5 o2 d# H' x6 x
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
6 p- }6 ^) z9 l. d8 F' \, w
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
- r5 \ x+ |: }9 b: O
| | ├──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
) }) l( q1 n2 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
' K( Y& A/ t% @" u2 O
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
2 {. R9 |( z: D5 O/ }' Y
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
7 Q' N( @# j2 d. z0 E
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
, |' [0 `4 ]' g& i# N2 @/ A
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
; _! T0 ]/ M7 ~' }8 p5 m
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
- \# C" i3 p, V: | N- I+ `0 P
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
* W$ e9 U: P& G5 _8 e& w( l7 `
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
) G r0 R$ H3 z( f$ U
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
/ h ]* |1 z+ v! u
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
; A/ n _% N" I0 | W; P
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
. B, w) P# o% _2 {" ]: J
| | └──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
0 c. d1 w7 `& b& L2 X v
├──9--机器学习-概率图模型
# W, S& B- }! L# i/ @& y
| ├──1--贝叶斯分类
, n: }0 s4 o2 C. f; `
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
$ F$ r* W% X+ C6 w+ T* W7 u
| | ├──2-TF-IDF .mp4 53.08M
- k1 e1 b3 S' {( F; g _
| | ├──3-NB代码实现解析 .mp4 126.73M
* V6 Z. C( `+ u* [7 \1 \
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
% `) ~* G+ a7 [+ h/ n0 @$ r r
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
$ C2 k- w' H5 j# Q4 q
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
' u0 A! f8 D7 ^- A( v/ {
| ├──2--HMM算法
9 E( [4 M; z8 F) F! l t5 O H! ?
| | ├──1-HMM隐马的定义 .mp4 36.82M
2 N5 f. h0 {0 p% i/ C
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
2 H* }3 k7 _/ P& B' X. Z. @: M
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
* V. `: ]5 @8 V3 ` k' V$ m
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
4 u v7 T" E0 X; h! F
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
5 y8 y9 b |% X; t: ^- K H8 Z
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
' _& u6 K& s4 d) T0 R4 P+ G# i
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
. z9 `4 \1 Y8 a$ m% _
| | └──8-Viterbi算法代码实现 .mp4 42.43M
1 I/ L! d- ^4 K3 }& ^
| └──3--CRF算法
% q. ?( o4 T+ g' c( I3 D% x
| | ├──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
4 h' ~2 v# ]" }& N# w o9 v
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
w: \- i( ?# r8 Y
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
' c5 S$ a# X5 [1 R) w' B
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
7 r* G+ O( X+ T6 W
| | ├──5-CRF的目标函数 .mp4 23.74M
, A* x% z6 k+ c' |/ h, F6 h7 A# K
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
' Z- i; N& V- b2 P1 v
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
4 u4 A. f z4 V' r
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
, g( p' t/ W: w2 m: ^ z+ D% y: f) E
└──课件.zip 2.54kb
: M5 x* @, u$ p7 \ D* \) d
) F$ h6 ` o& C; _: d
* N$ Y/ s' d# J; F8 A! z
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！
& a/ o9 N3 D" q( y
+ [- F X) V2 I. n& q
9 P" {1 _# i& L# K+ a5 A; j
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！
1 ]) J6 [% H, Q8 ~# o$ t) S" q
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
8 ?5 f+ D2 w$ y! i4 E9 A6 ^. F0 {6 W
这套资源不错，太给力了，谢谢楼主
作者:
mumumumu
时间:
2024-5-17 14:35
( B8 y6 q$ h+ | n5 j
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