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/
6 I1 d: Q4 [$ F2 b
├──1--人工智能基础-快速入门
6 l) l) K0 [& e9 A
| ├──1--人工智能就业、薪资、各行业应用
' b; C6 A. l3 T+ C, H6 Q
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
2 ^) n: s- q6 F8 E
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
1 Z, B# J O8 j Z0 G5 V3 u
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
% C3 v/ O- v. l; P; e, L
| | └──4-人工智能在各领域的应用 .mp4 57.73M
9 _9 T7 L4 m& E) V0 K. n7 N L
| └──2--机器学习和深度学习、有监督和无监督
# e6 {( r: S' @! @, D# Q8 J
| | ├──1-人工智能常见流程 .mp4 89.62M
: i9 L" S( J0 y' N
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
7 x6 X; B) N5 Y6 f t1 P
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
) ^+ G+ O$ s/ E& r; C- J; `3 _1 q+ Z
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
" F* ]4 \1 J. s7 v7 q* y. J! Z2 e
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
* d$ R# k; A Z* p- _$ [% S! [
├──10--机器学习与大数据-Kaggle竞赛实战
3 I; l+ L6 K( V' R' R
| ├──1--药店销量预测案例
* M! f5 D* |& a% J6 }
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
1 H0 \- o4 O/ `! ?% s
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
2 T' x" n7 X& z1 Q- n+ x
| | ├──3-自定义损失函数 .mp4 21.12M
2 z. Z7 t, ^# q K. f% A# l+ _
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
- \) z: G L0 ~* n
| | ├──5-数据的预处理 .mp4 111.81M
& p1 G. q4 J. ~" B
| | ├──6-模型的训练_评估 .mp4 66.64M
5 n0 o, X$ G# r/ l; q
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
5 h$ Z0 Y0 b) c8 y
| └──2--网页分类案例
; }! }4 j) W0 P
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
- f3 K- G! ?$ d/ a
| | ├──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
: n6 y/ G- N' u% a
| | ├──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
1 s/ G- V" N0 \+ {2 t2 J" w1 `
| | ├──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
& i. s Q! A0 ~2 {" ~' ?% F
| | ├──2-评估指标ROC和AUC .mp4 56.19M
/ O# M9 x* G2 d2 S+ w1 G r7 n
| | ├──3-评估指标ROC和AUC .mp4 49.03M
: m+ E9 U% _, a( Y& s3 u! ^8 f
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
6 `! [9 D2 t! |+ d3 D
| | ├──5-数据导入 .mp4 68.41M
) g! S$ R% j% H8 X+ G" W1 r7 [$ a
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
/ \! q4 r6 F2 H8 d( m
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
* n0 l, e' O6 m @2 G
| | ├──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
+ F! x* D4 P9 `8 t; r z
| | └──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
4 y0 O4 x2 t; |
├──11--机器学习与大数据-海量数据挖掘工具
+ ~- Z( W0 v0 [* k+ V
| ├──1--Spark计算框架基础
. J6 P$ t& U( E. t, T: i
| | ├──1-Spark特性_01 .mp4 41.68M
, P6 s* L5 W4 a7 Z- `9 g
| | ├──10-分布式计算所需进程 .mp4 26.30M
8 D+ j8 J: S& S5 e9 y l; _- R* v# i
| | ├──11-两种算子操作本质区别 .mp4 56.31M
$ o- k2 U8 I2 s8 }: w
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
: m2 l; Q7 F9 Q4 p7 a
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
2 o( R! G, f; k' k2 `5 F
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
4 _; H' T/ E" w
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
8 D2 N* O+ @# M* f
| | ├──2-Spark特性_02 .mp4 35.15M
3 ~9 F" J5 V8 _
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
0 D |( H* ? w# Q) k+ c! l1 j
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
# ?, n G: |8 F+ n3 i# z
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
4 T' G+ E# Y! T# E8 g- \- y8 p
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
% H! j7 p% m, @' z5 W1 M
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
) z) F% g, ~' s, x" D$ I
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
3 n9 {3 ?) m7 T' \; o3 l9 ]
| | └──9-Spark的RDD特性_02 .mp4 33.41M
, g8 i5 w, i$ b: D1 M6 Q+ F8 r% w" z
| ├──2--Spark计算框架深入
# B9 F! w# X: `2 d4 D4 S
| | ├──1-Spark数据缓存机制 .mp4 54.43M
) ]5 q& q4 ]+ r# ]# U& ]' N4 C% C6 w
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
+ S* P& D- A3 V' Z1 e3 w
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
; V) p5 i4 a5 Z
| | ├──12-构建LabeledPoint .mp4 111.08M
# Y4 @3 ]( t) o' H7 I1 \2 O% U
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
7 c$ V" w0 E" J* G0 g" e
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
: k) s6 ~$ \2 _; @) `; m1 Z8 r2 v
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
' y9 i/ ~& m D2 s: {9 W
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
. Y7 h; S+ V; u/ i, t% g
| | ├──5-Spark术语总结 .mp4 89.66M
; U5 p, U! z" @ k6 t: j, K
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
( q y2 f+ ?+ p. Q2 l$ F: x
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
7 U& h' z! V( s! |. B
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
z+ V9 u7 _' S& U3 @
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
, q* k2 g/ s3 p8 f# O( w4 O( z9 i
| └──3--Spark机器学习MLlib和ML模块
/ u3 ~# P* G, Q4 ^8 }6 q5 x. D
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
5 g5 g' |% Z* D. C9 B) [
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
. S7 x5 |7 y; m' 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
: P4 Q) a0 H' M9 }1 {* v
| | ├──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
& W( `% F3 x! {
| | ├──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
! g+ J/ f/ l7 l7 ?, `( E
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
, d# {. S _4 H. R1 y, u. I
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
7 ~% _- C; G! [1 c, l
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
& T$ c8 y. ]- U2 ?
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
: Y4 D. W. T! P
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
N, R7 ~! f0 r7 u; H" t
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
& i+ d8 r, h1 ?5 [" N( `" \
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
4 j# Q- p7 J' n/ ^# j$ |
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
$ Z* H7 M6 l, i5 x8 t" W% U# L
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
* q% E5 ?3 v# E: B2 p: L& p
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
% {$ l) s4 [) k# s
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
( [0 G& y1 H, u: ?
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
, Z) `" [! K& @; n1 L! w, H* a
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
2 o4 p- Z7 Z' [( V9 }. m' O W
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
$ }- }( w7 ]5 w
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
. h" G% ~6 [# W W
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
' }2 e0 \- B+ ?# h- y: `
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
3 |5 l( L1 B9 s* y# U3 [4 T
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
$ l- M. ]/ e2 ?" b* f
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
) o. R7 ^, a- g: p
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
( t& {5 o- x1 O |
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
9 a( S. W+ J8 q/ t) J0 u3 _
├──12--机器学习与大数据-推荐系统项目实战
3 u$ W- p, I' Q6 ~1 `7 P# P
| ├──1--推荐系统--流程与架构
$ _5 n5 V; \& C& l" P6 w1 y
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
( O4 {. n- r" W$ j. R" z) S
| | ├──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
3 W' [& f' m! y1 |: }3 |3 N9 |
| | ├──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
0 ?' F8 w9 T9 ^9 \3 c8 o
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
- w% j! O5 P5 E
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
e2 y, l' ]6 [: z: \
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
3 Y- X; v3 H0 b! g
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
' P, X& e+ {/ V& T+ B k. I
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
' f0 Z% `% ?6 n5 T, {4 \
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
F9 _' [0 n5 d5 O. F/ }* r
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
; t: `% A# ?0 a- g, U! h* @* H
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
; A: S9 A% ]- Q7 `# X" l3 G% Y
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
( B( `' G1 r, G1 s9 R
| | └──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
& Z1 {) l1 ]3 h' a9 i
| ├──2--推荐系统--数据预处理和模型构建评估实战
n1 H( }) ? k7 O
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
6 Z" s: o: O! c; S, h1 o' y, |; W5 k
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
n8 L h1 O1 w
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
( Q3 r& |$ h0 y
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
! f. B2 Y4 V, Q. f
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
2 m, I+ H2 p* m1 e* t
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
/ ]0 s$ z. F! H( E# [1 C
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
0 A( E n) ? E# S' i! r: m0 ?
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
5 ?4 Q" C: V6 }: ^
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
# ]' H5 t3 {. E# L* {& R% W
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
% i2 B) j, X* D* j
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
4 K, l2 l- I0 V a0 z
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
5 y" t/ ~, `2 h
| └──3--推荐系统--模型使用和推荐服务
! N: z0 D7 \& B9 V( t# e
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
' {3 y7 |( f/ j, g+ U9 I
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
3 U8 I# t8 P+ W1 `5 l* ~
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
" H( z, }6 t S) I* V8 d
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
3 x& a' w; v" m- r- k
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
" [- P. b% a' s, B$ ?
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
3 f" o2 ?" e- ^4 ?
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
8 K" ]+ R0 }* c5 f$ M
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
& B* M& y1 n3 `
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
) w' k. N N* C* G
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
0 h5 `" K: k9 F' S. b) e
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
' G( R" `1 U4 c1 ?8 Z Z
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
0 _: p7 c/ W: L+ g5 F6 t" y- v
├──13--深度学习-原理和进阶
- B$ j, L2 ]0 d1 }
| ├──1--神经网络算法
4 c) R& m: n; u- d; B
| | ├──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
4 N; x+ @/ q4 C3 l7 P: u$ [
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
# ?0 h' V3 k$ u! S6 Y
| | ├──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
8 s }4 E* e" W, |( M W; P; `: S
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
( P Q: \* V, ]+ d! T/ C6 A0 q
| | ├──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
% h2 Q6 M q" V- h w
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
E) f, d$ M" [, I1 R0 h
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
# [3 }: x( {0 R% g4 }/ [( p# c# |
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
, c) W( L8 g9 E4 N, _8 T( P0 q$ @* `
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
, C6 Q3 A% o6 Q2 o" l' b
| ├──2--TensorFlow深度学习工具
. T& |* X; m0 r1 ~
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
; I2 [5 e7 n. U# C/ e
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
c) j2 S! u# A' H
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
+ U( B* z5 N/ b7 A
| | ├──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
4 r* X7 z0 n2 x2 a; i C
| | ├──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 u- b; d$ C- A( m6 V' B
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
. B% E& N, `! o( }0 \
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
& c# n' a& z/ x
| └──3--反向传播推导_Python代码实现神经网络
0 }1 K0 R( S) E! N: h% i
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
* h) S* h, P# [& P
| | ├──2-反向传播推导(一) .mp4 127.90M
; f" O/ L3 S! `. U; w# f1 E
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
; T/ ^- c2 K6 q, l2 \
| | ├──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
- x* T# ` N$ o1 p' g) D
| | ├──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
( c$ n% {; h# g( n
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
4 p- d- _, {& T5 b
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
' a& r( L1 s* {6 \( V: B
├──14--深度学习-图像识别原理
C4 ^# E6 m. @; b) w+ i' k
| ├──1--卷积神经网络原理
$ p# I( a6 ^4 N+ O. w
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
, ?0 N( H3 A0 i1 Z
| | ├──2-单通道卷积的计算 .mp4 104.01M
7 j3 ]- K3 M P' j3 k l5 u
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
# E- r" \; ~$ f* D) S% z/ }# O3 z0 I
| | ├──4-卷积层权值共享 .mp4 63.93M
. {, o$ D8 ^5 I1 R' o! R+ @
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
# V) p% z: o4 O* n2 D3 P- O% v
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
% H" X! R, [+ Q0 B( G* G
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
" Q1 {. l: a; h
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
; m, f3 I( w' J# @+ {3 E2 n0 M
| ├──2--卷积神经网络优化
! D9 g G A: \1 D* Q% V6 i
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
( r$ E& U4 K# w: M9 j* @/ J4 a
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
% ]$ _7 ~$ r2 G3 a, b+ F b/ v
| | ├──11-Optimizer_Adam .mp4 141.12M
- m: e3 ^& w! {, K D
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
3 ]2 U! L- I; c7 k; T6 N: Z. @% }! D( L
| | ├──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
# m% h9 `9 ]: l6 c( U5 s5 f
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
0 W9 M! P- D, T0 b/ e( [% f, A& A0 R
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
2 M7 U* X- X7 i3 q: C, d9 U3 B
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
( a" Q1 b; g4 x h6 ]5 d
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
6 e: z( ^$ S8 U6 @
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
7 `% L* l* k" l' p
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
# b' P$ r& f1 O$ h* k
| ├──3--经典卷积网络算法
2 o/ ?# K3 B$ V: V: {, G+ i8 Q9 o
| | ├──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
1 c5 V6 b0 z3 T* J3 r# T
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
5 ?( o" H: ~3 I* y C
| | ├──3-InceptionV1_V2 .mp4 165.86M
( H: a. e# V8 I# w
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
9 l% [. j8 n' z- {5 z
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
8 K5 |2 T% O; k% \; w0 I7 Q3 @( D
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
" t8 p2 l# c9 a- S
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
6 W& t+ z' i8 a1 P, f7 u* q3 t
| | ├──8-BatchNormalization .mp4 99.23M
+ Z1 S3 a+ Y6 Y) z; C9 s
| | └──9-Mobilenet网络架构 .mp4 150.05M
6 x' h J. b0 A) ]1 }7 f( O/ Z
| ├──4--古典目标检测
! w; d' {1 l2 Z
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
3 b! V* W% u! k% z# ^! T% f
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
: V7 {1 b' f% }9 n
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
+ u& c% k0 \5 Z* j; [5 H6 v
| | ├──4-R-CNN和SPP-net .mp4 124.06M
' }" O& g' m) u% Q! G3 y) i0 I$ ?
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
+ l) W, c% L" X# d6 |) F
| └──5--现代目标检测之FasterRCNN
( x, g& g* b7 _) _
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
- M# N% H, o+ k& W
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
{ \& V6 G8 ?, u' o/ ?3 F
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
; c8 A4 }$ f; o5 U7 Z% r$ m
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
/ l% w- M+ R2 h- y( S$ G/ k7 E
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
( E5 v0 z% O, e' C- ?
├──15--深度学习-图像识别项目实战
6 A' ?7 L- D, v5 _; A2 _0 e: t' `, @" O
| ├──1--车牌识别
# i' A( u$ ^% q, p% y1 d- S
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
" a+ p/ Y7 k ^* l- x, L/ R4 _
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
9 o0 \' k* {7 i
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
* j' d5 N) b, h
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
. G2 X- B% f3 N$ [1 Q
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
' C6 I4 H% O) j3 u/ p1 f, Y
| ├──2--自然场景下的目标检测及源码分析
: v% G/ `+ b, q' z- |
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
& [. |% v [! R; w2 e) p0 b
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
( V' ]# Z% u7 s: B( i! ^' y
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
, \4 h. |9 p$ c2 \- T
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
3 ?. \1 k5 D2 V- T6 k. D* K, d4 |: ]
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
% ]5 ~ n# L9 _
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
2 U9 w, |6 k+ q' ]! K: j% l
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
' i/ L0 L/ D, h* y3 `4 k8 A: U: a
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
, e' G8 j& |* W# _6 g! T
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
" R7 ]$ b- b& |, O+ q2 t
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
# L) r8 n# ]. ?
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
6 B3 q, S/ g$ ~; ~
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
: Y( q: q0 v$ D- f) m e
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
+ B; I2 [0 j% m; l6 }
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
3 B8 c% {+ w$ p1 T" g! `
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
. s2 j+ @/ \# X$ p
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
; J4 W* t5 `; w) j0 g
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
5 c r2 L6 Q2 ~ X8 A/ B
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
8 s. a0 u* L# G4 L) C
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
% F$ z k5 c4 [) I
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
3 K2 J$ [ Q' |! E: b
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
3 A5 T2 s1 t8 l+ G! m
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
+ ]/ H+ ^/ |. x0 w0 ? @- K+ w2 s
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
3 e! `; k2 l4 L- U1 j& [
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
6 @& g( h7 L; y
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
/ B, ~ O3 }- ^) A J( a
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
+ p( h( f) L2 Z0 n% k! a
| └──3--图像风格迁移
' M0 \/ N; K2 |. w5 h2 C: P3 z3 {
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
3 V% m: M( G, S( ]9 W' T
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
# n4 S9 Y; L* ]( G/ ?. J
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
* e6 t0 t% O: ^$ j9 h8 l; j
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
3 }, q9 X! n& ~& J$ }. T: K+ _
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
6 \4 V& x" z3 `. p
| ├──1--YOLOv1详解
2 H7 X! X' A$ l) e! m2 n5 R. L
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
4 j0 P: u: O1 L6 h$ Y% G
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
: ]" L0 y6 _' K" A( E7 p, l. e* v
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
5 J v) @% R3 n* I( s
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
' |9 N$ L5 g6 m( ]
| ├──2--YOLOv2详解
: t8 k" q3 t5 N0 A6 f
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
) {: d4 t' _4 {1 ^7 k
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
& k V, S- D. G w( X" Y
| | ├──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
) P+ m P4 a- [* S) y3 s! f4 Y
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
5 c, X& y' r% C: D! q: O
| ├──3--YOLOv3详解
5 ^5 r0 Z1 V7 A, \
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
1 a" d4 G1 ~- V% W9 X. K$ z
| | ├──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
* p- b1 Y8 p5 b7 S# O
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
2 }( p& U7 s& m( U
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
+ Q) p) |7 L) A) V7 x8 h
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
" c, n' ?! V5 ^0 F2 R) z6 K
| ├──4--YOLOv3代码实战
, L9 C: p# o2 V+ O. p" U
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
! L6 V2 Y$ l* s
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
7 q8 s# A# H8 t, G+ Q# {; u* G9 {* e% Z
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
5 r L5 C0 p5 o, n, p2 i( Y
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
0 G- H- @6 c. g; ~. a: [- h
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
' o6 p) N' T7 {7 S$ v4 W
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
" t0 n1 T! J, B. R
| └──5--YOLOv4详解
4 B m( y$ }# ~7 A4 c j2 }1 T
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
3 p- }/ R* M# _9 S
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
, C. n8 V& i9 A. \: ?
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
2 a) q$ N b$ p) n8 b
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
% F d3 ?$ Y( r1 O3 v
├──17--深度学习-语义分割原理和实战
& w I8 T' H5 ?! _
| ├──1--上采样_双线性插值_转置卷积
$ v, @. N- h) _3 y$ ^
| | ├──1-前言 .mp4 19.46M
Y# j$ q E* _8 c; o
| | ├──2-上采样_repeat .mp4 23.90M
: S% D) U6 {9 L8 `. G
| | ├──3-线性插值 .mp4 34.48M
; C. v) |" W3 X& i
| | ├──4-双线性插值 .mp4 125.71M
* y2 _# @6 I* H. m
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
9 I* @: d6 s" J# _
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
! B0 ]. ~# u+ t- e' o+ T' _8 r
| | ├──7-ROI Align .mp4 58.38M
- ~# t( f1 ? t6 e- k
| | ├──8-FPN思想与网络结构 .mp4 92.14M
, f* C2 ]( _) U+ @
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
. j8 @$ D8 U W: T, ?8 ~% l
| ├──2--医疗图像UNet语义分割
% C) S1 d$ R5 Y6 U& T: W/ U
| | ├──1-语义分割的基本概念 .mp4 18.33M
4 @ W0 |' i6 z! c% V
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
h: F2 D8 G0 Y+ @3 l
| | ├──3-UNet网络结构 .mp4 30.41M
\. v1 r2 y. t4 S N4 t( g
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
0 U0 n! E' Y- G# {
| └──3--蒙版弹幕MaskRCNN语义分割
. E# p$ e+ Y- H4 K2 n) |# G0 A
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
s. h! V, p5 ^9 W; x
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
/ d8 ^6 K0 U$ W: c
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
5 @, v6 b3 F7 k( k$ C
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
8 U2 u8 L9 x2 M- e% s; O! p
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
! s' I, W* j; a! u
| | └──6-MaskRCNN源码config和model .mp4 244.48M
! I K" \; O C. v/ r& J* M7 X' M
├──18--深度学习-人脸识别项目实战
! C' @8 p1 y1 W, u! F
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
2 O6 Q/ d: X. Q4 e2 E7 {- u
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
" r. ~! _, f+ A$ K" l# F
| ├──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
: a+ d7 O. i# M& S3 |; A1 y
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
6 ?/ v, K7 H1 h3 e
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
8 H9 S& H- K: B) o3 Z
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
2 R2 e9 Q; r2 S7 o# w& W, \
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
$ \( w$ {( y5 v4 r5 X
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
+ O7 s$ z# R+ A( b" `0 W Y
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
* g" O* V T9 ~! T2 F# }3 A
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
8 A5 E. T$ i6 [# ~
| ├──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
0 K' Z- ^1 V: b: J/ Q5 [# ]
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
" N& `# \1 J% ]; ~3 N6 L
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
' U h! u, {4 [" d0 p
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
# y# \! }2 Z4 M3 I) y0 O: v/ Y2 i
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
4 m! ^/ i( ^0 h/ _) s( O
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
) e5 c* j9 W% w" g
| ├──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
' [& b& [$ n7 c, L
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
0 c0 j3 r0 }8 k3 _2 y7 J/ ?
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
# F$ C. M' A B) s% ^" G
├──19--深度学习-NLP自然语言处理原理和进阶
/ g+ m8 B7 V) p3 l' p: l
| ├──1--词向量与词嵌入
: ^) j8 X; L/ ?# \0 d( b
| | ├──1-N-gram语言模型 .mp4 116.32M
& N( b( a+ n+ ^/ Z
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
- o! L7 n1 X7 X
| | ├──3-词向量的作用 .mp4 58.00M
& ]8 e. @7 y7 y' ]
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
0 B% K: j# |& A p6 a4 r
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
; m# j) p" k3 d4 a0 ]" u) `
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
2 Z2 x" y& ], S" h# m) D0 ?
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
, F& u% F. }. c' d5 k2 ?8 U
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
6 Q& j$ F$ H1 j$ E$ E
| ├──2--循环神经网络原理与优化
" n5 d- X* x/ V$ N: u! n% d
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
; M3 A7 W7 D/ }, n) l, u I- n
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
# p7 _7 b% T3 s: w' l
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
3 V( R7 J. u+ _8 Q7 R3 n
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
: }% E$ ~- N# _, w9 u+ j# r
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
- h _2 N. Q3 P0 U2 f6 @
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
5 b; w3 ] u$ n% l( X! p
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
' Q5 v% |/ E$ A) E% _8 e' o. Q4 _
| | ├──8-双向RNN_LSTM .mp4 52.01M
6 f( y9 I/ p t( w, u9 T
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
1 x3 {$ }6 m/ m7 p
| ├──3--从Attention机制到Transformer
5 C/ S3 Z" O* ]: o) h0 n- k& u" S
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
! S n9 E& Y' O Z) T
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
3 o- k- k' r2 z9 X, D
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
x6 o% t4 h/ d6 J
| └──4--ELMO_BERT_GPT
$ H1 K' b" i. h& \* j1 L: V
| | ├──1-ELMO .mp4 62.44M
+ q0 C3 {- H. f- G/ K8 F
| | ├──2-BERT理论 .mp4 99.73M
4 Z/ s5 F7 z6 j9 y. t% I: c' Y
| | └──3-ERNIE_GPT .mp4 56.34M
8 f9 x0 ^: S5 M+ e0 n& M. ]
├──2--人工智能基础-Python基础
+ ?" m, e8 U, t$ x
| ├──1--Python开发环境搭建
+ U! G. p0 A: v4 g0 W$ f5 _4 c
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
M& R2 I; f- e$ W$ m
| | ├──2-Miniconda安装和测试 .mp4 57.12M
+ P+ N1 ` w+ a
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
/ x, z5 G+ n: Z
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
# b: t/ T: X" J
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
; D4 A. P9 O3 `4 f/ Z
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
% v0 o9 e" ^7 C* Q) f
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
* \" ]# A9 O) l! }
| └──2--Python基础语法
, z1 q! |$ r/ }+ e
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
' I6 H6 O( Z& m' d' N% r, D5 M
| | ├──10-Python_集合操作_列表 .mp4 34.71M
3 g$ J# v, i7 l6 i/ j/ H" ?4 N! |$ `8 g
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
! K! s! z& L b) ^7 }
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
; F# s- J1 A) Q
| | ├──13-Python_集合操作_元组 .mp4 43.46M
' t- n. Y) h: V8 P1 u- W5 z$ Q; T) Z
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
% c! f) a* }7 E( J
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
* G& U# q9 R; k" h
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
8 s2 q! B4 e. {* @( x3 s
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
, ?% v# v6 V/ d, [. p
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
( P% d) u3 B8 U2 F! X; ?! N" O
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
" G2 k1 v' x, ^
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
( y3 B' l4 e7 w# `/ A
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
g O2 \% L4 P
| | ├──21-Python_函数_递归 .mp4 23.46M
, B: k* p: T; G! G" G8 ]8 ]8 [
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
+ I( e' S2 d* J* w: o. {
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
) ~' |# W; }& H
| | ├──24-Python_函数_闭包 .mp4 41.61M
2 e. M4 w1 O- T
| | ├──25-Python_函数_装饰器 .mp4 30.35M
! Z! T9 d3 ~3 S- D9 D/ P
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
- A X+ y% b6 R' |; D5 z9 a
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
% S2 k5 q/ B" `6 C! F% T: N6 r
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
9 p: K% p! q2 Q0 \
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
: f1 u6 x- v: W. s0 i1 S& S
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
2 q% ~* c9 t* _; S) f
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
+ n _) t x5 d6 B9 @% 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
) _ D0 b3 n- B- W2 O- |' h
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
) H$ z5 f, s2 y3 Y$ f/ C
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
' f0 h! K* @: E' ^& J
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
( V5 q, d' Q6 W3 B- t& W
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
9 `9 s6 U" \0 Y/ e4 w/ [- ?0 X8 V# M7 [
| | ├──8-Python_切片操作 .mp4 40.20M
, D4 R( u" h* X3 }1 ^
| | └──9-Python_数据类型 .mp4 25.38M
( u7 F" j4 m, o7 d/ o3 G3 c
├──20--深度学习-NLP自然语言处理项目实战
) w3 p2 F+ d( m- D6 K% x0 S
| ├──1--词向量
9 S6 `+ b& i8 w! Z! |
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
$ |! w9 ~! _- q- d8 p9 ^
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
1 N. o/ i- O( ^& X: i# _; G4 W
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
( R8 L* a" e5 ]2 m- B6 n! x" H
| | ├──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
) O& Y4 W* d4 b0 E
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
, G) v2 ~0 c* y: J+ Y9 r
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
( t7 h( Y6 @$ f3 v6 n$ j5 L
| ├──2--自然语言处理--情感分析
* e% o+ \7 v; H1 k c9 @. P
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
: I0 s' X0 K& S& r d2 ~& t
| | ├──2-数据预处理_01 .mp4 79.65M
5 x" L2 |1 U' q$ D% o' }7 I: |
| | ├──3-数据预处理_02 .mp4 45.68M
3 \7 ? k) z: J
| | ├──4-代码讲解_01 .mp4 52.29M
7 O5 e8 M' \1 j0 @6 G
| | ├──5-代码讲解_02 .mp4 60.85M
( Z5 o. X, }7 \2 O
| | ├──6-代码讲解_03 .mp4 53.89M
3 {# ]7 u4 }; E/ N, `' m
| | ├──7-代码讲解_04 .mp4 57.19M
+ R. e7 F" @- m! T% t" j6 z/ D1 A, S
| | └──8-代码讲解_05 .mp4 35.88M
- \5 a! c2 O! A$ S
| ├──3--AI写唐诗
0 F6 s, u: a# j
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
1 p! k* G! V; `5 m1 q7 i. h7 { ^
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
% R9 f5 \2 q% h! t1 k. {
| | ├──3-MultiRNNCell单元 .mp4 38.93M
' ]" A' `$ Y1 ]3 w9 e
| | ├──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
- X% B, K! x* D1 O* u* U
| | ├──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
, t7 X1 o3 n# Y& Z- G3 w* f9 g/ E8 J& j
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
* d) F. `7 {( Q- S
| ├──4--Seq2Seq聊天机器人
# C" b! U& a! v6 C% T
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
* l6 T3 }9 ^8 {
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
# B b4 I( A/ ]
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
1 ?4 k1 B1 R9 Y6 C" q$ z( q' [# [
| ├──5--实战NER命名实体识别项目
% U+ _. O3 r# ]6 _
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
+ ~5 ~0 m- x- r/ I }) R7 K; t8 k
| | ├──2-介绍了代码目录结构 .mp4 23.44M
# `4 x% E: I e$ e, v% I; h% b
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
* i1 E- b' s; h8 u- h. [9 g( s
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
! H/ |; M+ K7 q6 T
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
: X6 ]6 H2 ~* [5 ]) l
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
( w& G/ m6 K( ~( `
| | ├──7-CRF中的特征函数们 .mp4 125.97M
; h' t$ X3 J! ], w
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
# |2 C# V1 G& u% o
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
3 v+ M7 q. v6 k! P# q9 m
| ├──6--BERT新浪新闻10分类项目
3 e; i! f4 a4 D$ ?
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
- y9 j* |7 i' v0 s3 _# d+ B& \% i
| └──7--GPT2聊天机器人
+ d9 |1 a0 X1 Y7 _
| | └──1-GPT2闲聊机器人 .mp4 62.28M
- C& I6 x8 e- V; Y) J
├──21--深度学习-OCR文本识别
: v/ Q. _. A" a" E: U: D
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
7 S* }/ f5 ?, i* j
| ├──10-CRNN项目代码剖析 .mp4 306.48M
2 C! V4 M' T( L; b1 m* I# J
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
6 |9 ?; \9 T: }. f0 v; U
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
& W: K# K+ p. U+ V1 R. d9 |
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
2 t) L- V3 o4 |4 T
| ├──5-CTC损失函数的理解 .mp4 330.64M
9 `/ X; d) m; W1 U( t( ^' q& f
| ├──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
* Y; q" y, E+ C' M
| ├──7-CTC前向后向算法代码 .mp4 225.41M
9 ^) v! \ @" B$ ~* ^
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
: n0 p% \( y' Q2 K2 @* b7 [+ w
| └──9-CPTN项目代码剖析 .mp4 491.69M
7 P! F$ g" u3 G2 s8 T
├──24--【加课】Pytorch项目实战
6 J2 u u* n# \/ Z+ u& ~
| ├──1--PyTorch运行环境安装_运行环境测试
$ N5 F; {" r3 ~1 t% h! A1 [$ Y/ B/ Z
| | ├──1-PyTorch概述 .mp4 29.29M
0 c! p: ?0 n5 d$ C# [
| | ├──2-PyTorch的安装 .mp4 76.45M
7 }4 J( _" i2 S' \0 B) X
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
# W6 a* s- w+ E4 ]
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
' P' u* C/ c/ r, L
| ├──2--PyTorch基础_Tensor张量运算
5 Q& V: @$ X% i5 g, Z3 T* V2 d5 |
| | ├──1-Tensor的创建 .mp4 55.14M
) l3 N; q' s6 \7 {# @
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
& ]$ C. Z6 t( `' W2 u
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
' p; p" _3 n& b& T/ A6 v2 l9 D
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
* ^/ E' j! |- B. {
| ├──3--PyTorch卷积神经网络_实战CIFAR10
" N; u" x% _7 f2 `! a8 d
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
* v1 t% ~. I; \* I; [7 b/ ?
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
+ C4 s+ U* l7 z! S6 M+ e0 F
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
/ P* W" ]- Y. |. Q" t% J2 P
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
+ k' D' n. j% X# R. u8 ]
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
& S1 j9 [. V: G4 B- | x
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
, [$ z1 x' ?3 G+ h0 H9 {% D" i0 u9 N
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
; P* z5 e& N( z7 z5 O0 l% {
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
3 j/ t' v4 R- C
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
7 C4 S G {9 ~& G: r% p
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
7 M( b X# p1 o6 |; [
| ├──4--PyTorch循环神经网络_词性标注
! W7 }8 B) c p; t1 x! i
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
! `8 J( `7 L# A5 o1 S& p+ r
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
9 t( o& T! z" F( M3 I, G# S8 }
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
/ |1 j( L0 x2 _# o* @$ m! K
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
7 d" k3 e; V, n, Q8 f6 K9 ^
| └──5--PyTorch编码器解码器_机器翻译
$ K S2 d$ g/ {+ c8 o5 X
| | ├──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
/ V& D% `- d; X5 A2 @1 Y8 m
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
+ j$ `+ v9 {4 |* t/ L3 X. D2 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
& K5 c$ _( J8 q$ [6 |( e
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
1 K- B7 D; x& u5 E
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
% z8 [: p3 |% M- E% ]
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
6 ]' p* ]# v. b' R) ]: c
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
7 t* j, P" o" P' B3 a3 V
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
+ Y9 N: r3 m* n* W/ r
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
/ b% ], j: `5 u; J1 b
| ├──1--PaddlePaddle框架安装_波士顿房价预测
0 P8 w3 g) |# z# z0 B% R
| | ├──1-安装PaddlePaddle .mp4 87.34M
, i* H8 z& V5 [ e
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
" j4 s) W- }) D4 D m" b; Z$ g5 Z, N
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
; q* E3 @# _9 p7 ]* j2 q' ~
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
' K) o2 ?" f) a+ q. U) z2 U, t7 u
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
6 b/ X) @* V0 N0 h
| ├──2--PaddlePaddle卷积网络_病理性近视识别
7 i3 y# G! r* H
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
O3 V$ a- h( H9 C/ j) d
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
9 l2 p' Y/ X, t' D. H6 Z
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
$ `. W# T) P7 h8 C# U
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
% R. x/ O7 g; M, Y0 Z( p
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
, {% R: M) L6 u0 O
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
9 M' N4 ~2 L" c6 e5 C
| | ├──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
6 h/ @3 d1 I, X& g) W! t
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
9 l. {! o- n; B1 V/ w# V
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
7 M! u0 R% G# P9 O' V( U7 T) W
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
4 ^# Y) q0 \- B+ D( v4 L* V
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
* \% K& M: z) n- ?5 v
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
* C- O" i0 B# `9 U: Z( o' q$ z
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
# h' d m: Q* Y B4 X
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
4 G" Q" b; N( T2 N
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
% b: i# [* c$ o4 K7 d0 `, j
| | ├──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
& k- J$ n! \% W! w5 `2 f. U4 z: D( R
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
~9 S4 ^$ y6 l( @' T# m
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
1 F, Z' Y" \( u1 @
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
" c8 e" Z! a& [" Q$ {
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
$ O0 O1 R3 ?1 H
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
4 ?7 h: ?1 Y0 S$ T. w
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
' P$ o' f& T, b1 H
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
8 K1 r! B6 Z5 v6 f+ e5 m
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
) V- `$ y8 k8 d7 O9 Z
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
) |* }4 v$ A; }0 Q& }: r* e
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
# e5 t; p7 v7 \
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
* @' j- r+ r/ Y; h4 w; H @
| | └──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
. ?" N: y) @5 k1 D
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
9 Z s# W/ l5 p( g) e% q% Q% o
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
0 h5 I0 R" Q! b5 N: H8 S2 U- i
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
' T' z: _3 q9 X
| | ├──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 q Q9 Q$ h7 V3 M
| | └──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
, ?& F6 R* U; _# k' @ w" B% |* N3 f
├──26--【加课】Linux 环境编程基础
: f% w' a+ J* ?7 l. n
| └──1--Linux
, X/ Z4 y' H" ]) n8 g4 I0 @
| | ├──1-Linux_课程介绍 .mp4 3.72M
9 F/ }4 u1 \* O4 j
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
4 l- e B Q/ O$ E' N M9 w- Z
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
8 |/ G5 s! D: V( v# j: p
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
/ U# t8 k: k, o2 B* ?8 R
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
) c" I% i6 I' l( Q
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
1 P, L" D3 w# ^- s
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
9 O: V9 }7 K! N- L2 u5 r5 h4 T1 D
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
3 F4 a5 [% W2 ?, S
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
* P, j/ l* J" ?. y) T6 S
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
, k/ B3 M3 |9 R3 T( X6 k
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
7 H& c* K& `3 S+ s* Z9 t
| | ├──2-Linux_Linux简介 .mp4 17.59M
; s. r! [3 a0 x9 z$ ^7 w( N
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
3 ?; B' h c. L% t7 L
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
% M, [4 r6 F+ |" g' S
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
1 `) L3 F- a1 [& c- F
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
; f& }2 P5 ~7 G/ |7 U
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
) h; p% ~9 k, d; l3 ~
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
6 B, X) @; V& J! [. a
| | ├──26-Linux_安装MySQL .mp4 79.02M
2 ?" o/ {: }( c( Q2 h, }
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
, W0 n9 d5 S/ X
| | ├──4-Linux_安装Linux .mp4 41.97M
5 L9 R8 q/ R6 q: g, z
| | ├──5-Linux_目录介绍 .mp4 20.31M
- [) |5 p, d4 {2 z- m
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
3 T: o/ [9 H: l
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
' [9 R* W7 m1 B7 e. I3 t
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
7 m* m: I3 P, y( M6 {5 p
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
0 ?: P! H+ q# S
├──27--【加课】算法与数据结构
$ v2 D# }; J3 z' L: F8 Z* [
| └──1--算法与数据结构
' w" x* @9 a- S( N6 g
| | ├──1-数据结构与算法简介 .mp4 35.68M
. H& o! J! \2 A! I
| | ├──10-哈希表的基本结构 .mp4 54.34M
# R. Z; ~- P, ?! g
| | ├──11-哈希表冲突问题 .mp4 75.92M
- @4 C Z9 i7 y- T& ^0 r
| | ├──12-哈希表冲突问题2 .mp4 72.30M
" a' D0 v2 ]# @' r* b E4 b' O
| | ├──13-哈希扩容 .mp4 111.03M
6 ]( X1 \- A$ ?& i: z
| | ├──14-递归与栈 .mp4 50.77M
7 S+ a. ], _ ~
| | ├──15-线性查找 .mp4 57.80M
; H4 R( y' t e' W) d* b9 p
| | ├──16-二分查找 .mp4 52.32M
- S6 E% s% w. S) ?! {$ h
| | ├──17-冒泡排序 .mp4 53.19M
9 M; k' t" ?! n* O5 U3 Z% D" j6 l- V
| | ├──18-选择排序 .mp4 43.29M
3 H6 G v1 d J6 ^
| | ├──19-插入排序 .mp4 31.39M
6 k/ W+ Z2 p- l a: }
| | ├──2-大O表示法 .mp4 25.59M
' q7 K. H) g/ L3 r' ~) m/ H
| | ├──20-归并排序 .mp4 84.48M
D l% W( @& Z) h7 o
| | ├──21-快速排序 .mp4 36.63M
9 s; J* r$ Y- O1 H; s6 e+ e2 \$ Q
| | ├──22-树结构 .mp4 96.85M
7 D1 J+ S( ]3 V: f. W7 ]
| | ├──23-树结构的遍历 .mp4 61.05M
V1 z7 L, g) |
| | ├──24-最大堆的增加操作 .mp4 45.43M
. M& x9 L! O8 G: Q! C( c" r
| | ├──25-最大堆的删除操作 .mp4 45.63M
/ ~/ n' ?$ k! v5 E P
| | ├──26-二叉树的查找 .mp4 100.24M
: {/ o7 B8 { w j/ W- w% _; I; h/ W! p
| | ├──27-二叉树获取最小值 .mp4 25.21M
! |' c% m" b; N+ E
| | ├──28-二叉树的添加 .mp4 72.66M
, d# b( b: g% ~7 M& W7 a
| | ├──29-二叉树的删除 .mp4 120.06M
E$ X) E) h! u/ `# j w
| | ├──3-线性结构 .mp4 53.14M
. s' W6 I% X$ h' `9 }8 A* L
| | ├──4-单线链表1 .mp4 68.36M
/ Q$ u C( @9 ^( U9 a, s. o% L- O: U
| | ├──5-单链表2 .mp4 221.69M
8 v5 R4 x- ^# l( |
| | ├──6-双链表 .mp4 103.57M
) v4 ?: F2 a& }' r% S5 z
| | ├──7-队列(链式) .mp4 74.12M
- e, b, k2 b5 G/ f4 f; x, b/ {: K. }
| | ├──8-队列(线式) .mp4 30.99M
5 _1 B# @' a _$ J
| | └──9-栈与双端队列 .mp4 28.12M
) Y1 N7 g$ _- o( e0 s9 l: T
├──3--人工智能基础-Python科学计算和可视化
# E, ~1 F( n- z6 j5 a0 v
| ├──1--科学计算模型Numpy
9 g6 O5 _- v/ u: |2 V5 @% q
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
$ E7 f# N' f) P4 o; J: q6 {( b
| | ├──2-Numpy_array_arange .mp4 35.45M
6 w% G8 z; C: ]; A/ z! k
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
+ E' J' ^+ v/ P' V1 A; }& \
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
6 k& V6 i( D6 v( j
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
" ]/ k& H2 o" c9 {* G p/ a
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
; ^" ~ x Q7 x* O
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
3 y w8 s# o9 Z
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
. i6 }# _! Z8 Y7 o& g
| | └──9-Numpy_聚合函数 .mp4 23.68M
9 |& n: A" W- p1 S, A
| ├──2--数据可视化模块
- W5 S0 F) T& \. H! y; o/ p, v
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
# u& \- m, v+ |* B) h
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
; d9 l. L2 W) a! u* x; I
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
2 ^8 n" e7 z! \, i- q
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
8 e, m! L( `4 D% n$ W) N ~# g
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
3 Z1 q3 }# H# N+ s9 n0 A& g
| └──3--数据处理分析模块Pandas
- s4 i5 D: ^& p2 X7 O- G
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
( @8 T. E$ i8 d* W- m2 W
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
2 \: { v& \! P# b
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
. g4 x* J4 W$ G" O4 i) `0 @
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
! b. ~4 t% y# P Y
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
" ^+ g6 e, X; D4 u6 M( \9 q. P
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
$ Q* {. e1 x6 U7 L6 O5 R
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
4 F) f% }5 T) V0 N
├──31--【加课】 强化学习【新增】
& p3 k( j: M+ y5 H/ N1 @6 M
| ├──1--Q-Learning与SARSA算法
( m; x/ Z: _4 n+ \, |/ f
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
/ ]2 v' b$ I' e: }7 ?" t
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
. }. t3 s& j E5 T: F1 {
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
: a) H1 R3 n2 g# N' a8 d: u n3 M
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
7 i, I9 J% o) T0 i0 _
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
0 [+ O4 w7 b, m$ W2 L1 K: c8 V* ^& R. c
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
7 Q8 a5 ~, X) `3 y% }
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
# s) B. p5 }5 A# }# R% O1 H. e
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
( W( p& I% |* @4 v7 w* N9 W
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
8 M4 s* p2 v7 X* F
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
+ Z0 t1 g+ w* g% B3 \, W
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
: V) c- W ?$ q j7 d$ P; x
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
+ T8 a v4 z' ?! ]3 g3 ]5 V4 g' I
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
; C, p: P' E2 T8 {0 K' R' V
| ├──2--Deep Q-Learning Network
7 i0 T4 y1 a |0 q% ^
| | ├──1-DQN算法思想 .mp4 59.24M
$ d5 H( u) i+ P" }* X7 T3 Q
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
+ u# x* W) W. ~' B( t
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
. M X7 L6 `- V2 ?( [& T7 E
| | ├──12-DuelingDQN .mp4 88.12M
) X6 u) W5 ?& J% C
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
8 o7 f3 n# G& @4 T# }. T
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
1 J6 p7 c) S6 j7 o) `& U% V
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
1 ~0 S% w+ V4 ~0 e1 T8 S9 g4 u( O5 }
| | ├──2-DQN算法具体流程 .mp4 56.17M
' M) o% a7 I8 M; C; F1 Z7 q
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
x8 c5 |6 f# V% {1 l: r0 F/ P. x
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
1 P8 _/ E$ b3 L
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
' V1 M0 N: p1 M, _/ T& _2 m$ Z" _
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
( i' T% E' X& w- ~/ i
| | ├──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
o2 }+ U6 ^7 Y# `
| | ├──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
' x6 \4 {$ U, J+ Q- w5 V
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
8 K$ k! g" S0 S& K' R( Z0 m1 K6 H
| ├──3--Policy Gradient 策略梯度
4 d$ u L) n& A2 y! ]* l
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
: o; v4 C( f# ]7 V* ?
| | ├──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
* d/ j G }7 p8 o
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
* |& }7 k9 m1 m& U( J
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
4 j* x0 ]5 J+ \7 }: p3 M: f- O
| | ├──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
2 H$ |4 C- h. {5 l% W1 n/ I0 Q! J
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
0 T+ v) v2 D* e" a
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
1 ~+ A( K$ W% h0 D: j" c4 E% J
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
' P3 b4 |8 T' w( K0 M; h
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
8 q5 m( f) t& x9 u% ]5 q6 k
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
/ n* K3 y" E3 Z0 o- P
| ├──4--Actor Critic (A3C)
8 t) J' {" [: i
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
4 k( L5 ?; @2 h8 n. O
| | ├──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
t& \7 |4 b- [0 c2 G, \
| | ├──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
\3 ]# J- {; s; `" n: M
| | ├──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
- \8 {8 p6 Y5 k* y" m6 t
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
% I, Q2 b0 {8 \0 {0 b) w4 T( M
| | ├──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
3 _8 w! B( b2 g, `+ [1 S
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
0 Z& i8 O" Y, _5 A2 P) Y; N
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
" S0 N4 M! ]1 j7 g$ Q- H# [9 Z; F
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
! ^" N6 b. F& u% x P2 ?, p3 f2 ~' E
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
# c3 r. A% u9 _: N7 l4 H1 J
| | ├──6-A3C架构和训练流程 .mp4 74.66M
8 {; Q( O8 q2 z2 G( O) A: d/ Z
| | ├──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
) Y1 T* |; p* L) R
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
; j5 }8 L: O3 J& u
| | └──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
3 D; H" t) U) G( s7 U. K
| └──5--DDPG、PPO、DPPO算法
' ?, X/ A4 n$ g* O* C: V
| | ├──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
& O0 H, b1 B5 h0 U5 F
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
7 n+ S$ |) I r+ `' Q. N2 W; ~
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
- t* f0 t: @. p: 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
* z" F( Q" {6 e) {2 P
| | ├──13-DPPO分布式PPO .mp4 63.81M
6 E) \* A8 ]8 }$ [ R% R
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
6 z0 t `3 N* I% }- E! K
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
! Q0 q- Z" F2 |# l {6 c+ 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
( a, v" K+ c5 O3 b: ?; |
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
9 ~. c. t5 i7 `: i
| | ├──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
7 |3 ~: v7 R9 Z4 q( @
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
% ?( L# _# ^+ t6 a
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
; O9 r- P( p7 x; d5 z7 b
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
" o; ^7 s# e* X) G; L
| | ├──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
$ D6 r, m+ ~8 l) i' Z; s! L
| | └──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
# l4 ^9 f5 l3 C$ T6 H
├──4--人工智能基础-高等数学知识强化
2 O) ]* ?" y4 t; X, J, h
| ├──1--数学内容概述
. F# y9 |, W. G6 t3 @; ?7 A: N- J1 n
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
}: l9 J2 q. U2 O# }
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
T% q3 l7 ?! e# ~# h M
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
) `1 g3 o9 j K2 z! u; T
| ├──2--一元函数微分学
6 L- w4 Z0 M" A
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
2 ?8 o% ?* P" F# m/ e
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
- m% i# X0 Q2 v
| | ├──3-常见函数的求导公式 .mp4 22.76M
+ U! z# e' [* @: x1 t( {
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
7 F+ E! B- r: {7 _2 K
| | ├──5-复合函数求导法则 .mp4 19.68M
( F5 P7 l/ X" g# ~; h
| | ├──6-推导激活函数的导函数 .mp4 33.40M
4 V; m8 K( |# z7 k9 P
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
. Z$ A3 O% A' Z1 @+ P) u
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
8 F4 J5 ?) x* v* N3 y& Q" d
| ├──3--线性代数基础
9 C: e; |: ]2 N2 B# i% Q
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
$ {5 i- F. t R' G4 t
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
# h) p, x% }4 w5 v; n% j+ i+ f
| | ├──11-矩阵的行列式 .mp4 20.13M
) Y7 E7 v& f( ^& t+ V1 B
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
$ R+ a# g& |6 ~: k; ]% c
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
& h$ ?2 l( X3 `4 W. p- J7 X
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
" P& ?6 P' X; X8 g1 F( `! g& S. z
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
" q2 I, ]" @# M! I0 t$ Z) b0 a6 r7 G- c+ P" I
| | ├──6-特殊的向量 .mp4 26.45M
% P; j, T# h; b4 i! B
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
* D' q8 p; A- [
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
6 B# F4 ]8 L' w
| | └──9-矩阵相乘 .mp4 20.02M
# A8 m' `% z P7 s& f+ h! O
| ├──4--多元函数微分学
5 k0 q" ?8 U4 P6 ] T
| | ├──1-多元函数求偏导 .mp4 22.61M
; G8 _- `/ n: M. s
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
( ?% q2 M6 h0 O* ? Y
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
; b0 V: g$ J$ I% ?, L& B
| | └──4-Hessian矩阵 .mp4 32.93M
2 ^8 E+ X9 i. [9 c4 w4 F
| ├──5--线性代数高级
7 y+ z7 n6 P! t8 ~) e
| | ├──1-二次型 .mp4 27.70M
1 P. g; D1 v9 I# Y
| | ├──10-SVD用于PCA降维 .mp4 24.90M
- {; R8 c' u9 H' {2 `
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
, q, a9 o. q s) u% s9 x. A, D( d
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
" Y" ]+ ~( g" u
| | ├──3-特征值和特征向量(1) .mp4 29.83M
. y' s- D6 u1 Y& t
| | ├──4-特征值和特征向量(2) .mp4 30.07M
3 G2 S8 |% [! Q9 Z! O
| | ├──5-特征值分解 .mp4 38.68M
$ p1 C F9 q1 F9 j+ C0 B. Q
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
3 o4 _0 e0 Y& w9 q, |/ ~4 b6 f
| | ├──7-奇异值分解定义 .mp4 22.58M
$ G9 B5 A5 m+ C4 \5 t
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
: J8 a# z# y* u* e- u# e
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
; B* ^8 f! |8 F1 Q
| ├──6--概率论
9 w1 Q( q, i. a5 q6 \, X
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
1 i- [9 F; B* c) Z8 I! A; ^7 b
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
* J+ ~- J! `7 z) c
| | ├──3-随机变量 .mp4 22.57M
# z& T$ y2 ]+ O1 f7 V1 J
| | ├──4-数学期望和方差 .mp4 22.96M
. d0 z2 E& X3 l' e* G$ E
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
5 G, H. A; P% O9 j9 a5 ?' W5 R0 T1 }
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
7 i5 q0 I/ k Y4 }- n
| | └──7-最大似然估计思想 .mp4 23.42M
0 D4 Z2 d, E8 ^4 N0 z' B
| └──7--最优化
& [9 L# g H( F/ O. {. U
| | ├──1-最优化的基本概念 .mp4 35.14M
. F2 A) a5 Q$ U5 d8 M/ ~$ L
| | ├──10-拉格朗日函数 .mp4 27.46M
, e5 [. H0 z, V0 Z$ x
| | ├──2-迭代求解的原因 .mp4 20.15M
* H- p9 ]& b2 ^: }
| | ├──3-梯度下降法思路 .mp4 26.33M
. Y/ D: O4 @2 W" y* P
| | ├──4-梯度下降法的推导 .mp4 43.56M
8 a$ I, {5 M: m2 z& [1 o
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
$ r8 p4 _% b$ q* S/ L! F: C, y
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
9 \8 A! v0 c" ?6 V9 P
| | ├──7-凸集 .mp4 21.90M
. e6 f, [$ \9 H2 O) v5 i" p( X
| | ├──8-凸函数 .mp4 16.93M
* {& A3 a6 U8 m, P/ A6 h9 A
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
6 J! v6 R! O9 ~- ^" ^
├──5--机器学习-线性回归
- A' q0 N4 n8 b
| ├──1--多元线性回归
: m' L5 y: Z& H8 t
| | ├──1-理解简单线性回归 .mp4 51.11M
& g: D5 \" W" `/ Z* _4 T Z
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
* b" p% ^5 ]( J6 o/ E; x4 ~4 e& }
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
, y }+ H& ` x$ X8 _/ y) A% D3 z
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
- G+ Z6 h# G) \/ S3 m3 f2 k
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
5 A. J [$ B* X4 |4 O- T
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
( G4 O5 H2 F& C, t! V) {5 ?
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
! n* I1 V5 k6 ^9 m* u" I# R3 L1 A
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
2 X+ \3 d1 S+ b" Y. c4 C0 B
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
" `9 b0 r$ s! v, C% y
| | ├──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
" |% q$ K# _( n0 y& D1 f% G
| | ├──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
" G8 m% g4 G7 H" W7 X1 \- Q% S
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
1 P8 S c. u, e; Q% T3 x
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
9 e3 [9 ]% F; t5 Q- B7 T- V) T
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
! h3 n$ }9 [. c- I2 C
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
+ P. J o9 R) d5 Q& ^2 a& Y
| | ├──3-扩展到多元线性回归 .mp4 32.15M
" x- Y5 Q; g X
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
" z, R, F* e1 O- x( a) J9 x7 t9 _
| | ├──5-理解维度这个概念 .mp4 41.41M
+ }" \- R2 w1 v8 h6 _0 |
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
0 s5 w2 N7 K x
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
; D$ Q5 e/ c2 H Q
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
# E# k& A' ^: c5 E' r9 w5 N0 C
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
\- A& S" G, h. x
| ├──2--梯度下降法
5 `! `8 a% F w" }
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
2 U. B; D- e( {: ?3 q, y6 H8 j, m
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
; a7 e3 N+ l9 F8 L, S4 g0 d% \
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
) B5 ~) H u, N3 r" w) w3 t
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
, P3 w: t7 d! [ j5 i' H; G2 ^
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
0 P& k% |( ^; I" e& e( t/ }6 h
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
}1 |7 r" F7 ` G4 z5 e0 a; C; J
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
2 ?+ j+ e% q/ X/ ]4 g
| | ├──2-梯度下降法公式 .mp4 57.12M
4 I, }' y i* {: q' r: U2 t
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
9 t5 u4 B6 ?* U" @3 f. p& Q0 M
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
* q4 I: N! d& o; ~4 _( q
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
# s- _4 l# a: Y3 V& Q
| | ├──6-全量梯度下降 .mp4 62.84M
* l; ^9 g! [* b& I$ G1 _' e0 n
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
; k M+ u7 [+ {+ }3 e6 _3 t
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
: t( O( R7 i3 x$ G" X
| | └──9-轮次和批次 .mp4 45.22M
7 Q; x! U- O: | b% `7 ^- n" e
| ├──3--归一化
/ a, X2 O" |+ } E( \# X- L/ F
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
3 X0 W2 Y S* u* m" P( ]: l
| | ├──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
' z4 R' K7 r8 K- G( [( a2 X1 o
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
2 _% B' s4 M$ M3 d
| | ├──4-最大值最小值归一化 .mp4 24.87M
% y- e4 x1 n( u) B. e
| | ├──5-标准归一化 .mp4 51.86M
& T' |7 m. @- C3 p# k4 x% H8 n( I
| | └──6-代码完成标准归一化 .mp4 41.13M
S! _4 B- e5 E" D, v
| ├──4--正则化
2 k. _* G! M' R) b
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
4 P% ?7 h/ g# M& G7 U, q4 q
| | ├──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
* `+ y. A; q7 f/ L+ ]
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
% Y; \( X" \$ {4 J o
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
' B! G3 ^: N: {; f" r
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
0 r$ Z& f3 f* D3 Y* ?4 v! F
| └──5--Lasso回归_Ridge回归_多项式回归
7 ]8 I+ |8 n- A2 R8 F; j
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
j2 b0 N/ [+ @6 v& f9 d
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
0 D' X: U3 S, Z8 H6 K8 R# d( z
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
5 `9 X6 L4 W4 y. B1 p
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
4 a9 |& Y* h6 G
| | ├──2-代码调用Lasso回归 .mp4 28.73M
+ B/ I# D/ r4 d0 ^; v! d
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
' p, t) l: f' ^8 m4 p
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
5 W8 d" A% }" c2 B
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
' r3 E4 V1 p# F& _# ]$ y# ]( ]
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
8 M7 { B5 P. q5 n7 O
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
( b# k$ E+ O3 ^ r
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
" N" I0 }2 I; ^
| | └──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
; K2 n+ S: ]5 p
├──6--机器学习-线性分类
w/ A# p, n8 q+ W, k2 X
| ├──1--逻辑回归
# T2 c0 g V9 @/ S
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
; C1 ?9 R+ n9 _ D5 L* w. O
| | ├──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
: M/ `% S8 M$ i% o8 i! |" j2 Y6 Q
| | ├──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
. o3 F% c2 V% F$ x2 ?
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
' ^; f: a/ t4 b8 u* ?
| | ├──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
, q2 Z- ~2 c; A) t9 n
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
, G+ \& @+ H' Q' A: u8 c
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
$ T+ K! K9 Q8 F( Y7 C. Y/ O, ~7 I9 E% Y
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
/ j& M9 |+ S. T( m" e7 }9 \
| | ├──2-sigmoid函数作用 .mp4 38.15M
* U U# d2 A- {, d# I: y
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
1 G e' Y7 {4 _5 K8 L( n( G5 y
| | ├──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
. A; r: K* C. d2 Z
| | ├──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
|2 p$ R, X: k& {" F
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
9 u1 T0 B# M/ z& Q8 {
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
0 V* W; y& b# m$ d
| | ├──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
, f: I7 [- y2 H/ o
| | └──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 i4 {7 S# @5 }4 [8 G
| ├──2--Softmax回归
) |( z+ n; F# O$ Z4 d! F/ J
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
, J2 k4 Y+ H6 w0 ]/ q
| | ├──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
" O$ R% E3 h) r# ]
| | ├──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
3 c& ?( R7 P- w) N8 i
| | ├──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
4 l5 P5 U( y" ~4 H% _8 j
| | ├──13-实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题 .mp4 78.03M
9 H6 T A {$ l: S$ q6 b7 D5 r. M
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
Z: I, P/ c( Z9 a B! m
| | ├──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
1 h# A5 k( ?" ?" ?+ _
| | ├──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
1 L- o) D8 D# K; s+ `* _7 s6 N7 y
| | ├──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
4 |7 s7 R5 f9 [3 L" q
| | ├──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
3 c0 V9 G% d }) E
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
: J7 X& k& v, J& [ N
| | ├──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
# ?5 S5 v1 W4 u. b: a
| | └──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 l; U( D+ [: M! C/ g3 _% E, Q
| ├──3--SVM支持向量机算法
9 G; n, k# @7 }6 G
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
2 `# a/ f/ W$ i) K! I
| | ├──2-SVM的思想 .mp4 55.56M
0 v. B6 K' ]' H( {6 L
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
9 Q9 M4 [7 ]) Z/ H2 W, i4 f
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
' j" W: b! u, O7 [6 T2 `8 w
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
8 b2 ^( ^. j. C6 S9 h& \ _
| | ├──6-总结硬间隔SVM .mp4 39.01M
$ g7 n$ a+ i/ i# o: ^' P* H
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
& p% J: k5 e% V( Z: z
| | ├──8-非线性SVM .mp4 54.43M
8 x+ W4 s- \3 K% ]) j. G
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
) h; _6 q7 g8 b# j
| └──4--SMO优化算法
1 o0 h+ @* n3 w5 @4 B4 a/ {% q7 U7 k
| | ├──1-SVM算法流程总结 .mp4 58.36M
- t, L& P2 {7 O1 p
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
( |# k' V ?' U7 d
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
( X/ U! C2 H: R" O1 N" {4 x
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
7 N0 ]! i) \- s9 I: P3 m8 P7 \
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
7 L7 p2 m5 X, L# g
| | ├──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
3 s9 E- `5 g$ w7 Y
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
: y- f g% x9 S# }, }
| | ├──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
( e3 z- [% ?: D( ]) l, N
| | ├──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
$ H! ^# A% ~; b4 B6 u" _9 s
| | ├──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
6 B3 i( w1 j2 U o5 r5 }
| | ├──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
$ M5 ?: w2 `) W- N* k
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
/ p/ T; |4 W3 s; ~
| | ├──7-启发式选择两个α .mp4 23.11M
+ p) Q4 ^2 W7 ^; E6 U
| | ├──8-如何计算阈值b .mp4 50.18M
& \+ h% y1 @3 k, s b3 c0 V4 \0 }
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
& a# ~. ~/ C" d0 m* N: N# x
├──7--机器学习-无监督学习
: a; k X' W& C( B
| ├──1--聚类系列算法
: b% {' T( C" O8 w/ A: x
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
# V; I7 W1 ^) J3 ~9 i+ j3 x( b- T5 {
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
. ?) ]( p5 J$ b- D3 w
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
5 ~ ?3 }" L5 b
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
. B; R+ Z/ Y) S+ s3 O4 e
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
2 P$ _5 f. p9 i. P0 a6 a
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
8 j; Z% O3 I7 N' A5 }
| ├──2--EM算法和GMM高斯混合模型
7 ^: y, {/ [* V. o7 _6 e( ]3 O) n! k
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
+ r7 }! \2 V. X0 l, F; t
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
3 g8 O0 i5 Z6 X* D' D
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
3 r3 r) l% b1 @$ Z4 W' N$ T. G
| | ├──4-Jensen不等式的应用 .mp4 109.17M
" v/ m7 L h& f4 o$ {! M; P( L) _1 F
| | ├──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
. y0 _+ p! ^, y( G1 k
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
; G/ M" |' w8 b( j
| | ├──7-GMM前景背景分离 .mp4 16.01M
( u- Q! h! p) r) x, R% Z3 q8 G
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
, E, t8 |2 S2 K. I- v
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
. p4 r! o) n6 {9 t5 I# B& ^* O
| └──3--PCA降维算法
: \9 ~5 Q2 _2 {( E. t9 d
| | ├──1-特征选择与特征映射 .mp4 49.38M
$ J2 d9 q5 v6 K
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
% e3 x2 R ?# q. f: Y+ v
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
. c; z1 D5 L" m7 N
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
" {4 j0 O. E8 V9 c
| | └──5-PCA的几种应用 .mp4 54.58M
% a- Y& C: o3 L- E g7 O. h! S
├──8--机器学习-决策树系列
; ~) T1 }: c T1 R& q% }0 ?3 }, G
| ├──1--决策树
) d' K3 p7 b8 F3 a; U9 X7 w: Z# H
| | ├──1-决策树模型的特点 .mp4 74.88M
* H9 { B+ o* A& w5 N" Z$ d: G
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
% f3 r. U1 A( x5 S
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
, \6 f9 e7 B; u( f3 @
| | ├──12-后剪枝的意义 .mp4 50.49M
# y9 Q* n# _0 {
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
8 a5 S0 H5 i' O$ E& {9 R* U
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
2 G+ d! ^( r3 @- q* U
| | ├──2-决策树的数学表达 .mp4 89.94M
- t+ L D4 K- @& `! N6 T/ r# i
| | ├──3-如何构建一颗决策树 .mp4 84.87M
9 d3 Z# T# s8 _" J8 j+ \* w ~
| | ├──4-什么是更好的一次划分 .mp4 57.02M
) b7 P9 _$ L8 A" V8 L
| | ├──5-Gini系数 .mp4 107.54M
* h/ _! p5 s) Q3 U) [1 x ~" [
| | ├──6-信息增益 .mp4 75.26M
3 V) A4 c1 U% d. k
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
2 g! l6 ]7 i* T& w) e* c
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
* w% _1 g! i/ ]0 N( }( B& F+ \
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
$ `6 J! h3 H" x2 r
| ├──2--集成学习和随机森林
* b- B: ^1 x0 ~! y- H
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
* T! y; O/ J3 g; C1 Z1 _9 u" ?
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
J: G; Q( D# Z# Y4 \/ R3 O" ?
| | ├──3-随机森林 .mp4 108.14M
8 t3 W3 _, G& T1 ]4 s, n
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
! \* ?( E7 i* Y( Z8 T( w
| | ├──5-OOB袋外数据 .mp4 106.07M
4 H3 C8 z7 U+ M8 J3 z
| | ├──6-Adaboost算法思路 .mp4 106.30M
- `8 H- m- g. b( t& }. k' D
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
W7 G, l$ l% r ?' H$ o8 \2 D
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
+ a' W/ s7 X6 F2 V
| ├──3--GBDT
5 W! A2 ]/ W* O# x' c
| | ├──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
( r; `" l% ~ X6 L6 f" Y" z
| | ├──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
# x% {! q3 A0 ~1 F# q' j; p
| | ├──11-GBDT多分类流程 .mp4 73.80M
) O# y" M% C. L: f' Y
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
( F' }2 ~& r4 w, R
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
2 [! G; N, o% d' q' i9 Y5 K
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
+ v! o% F! x- Z2 i5 d
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
$ R4 d( B# r( h/ U4 |. k( Z/ ~! h
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
5 s3 R, d K- o4 ~
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
9 ]( h8 T* {! |3 i6 O7 V5 M) [
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
( u/ _# w5 ]) g" J* z6 G
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
8 [+ d# t. H4 }4 j- L! d) k
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
+ r8 Q8 `! w8 _) l$ s* s- x* A2 J
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
) J; [0 n: C0 n6 l7 I/ w: N; S+ J
| | ├──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
: C2 _; V. z) R& y( H% ?) D
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
* ~& z0 D" s& c( Y3 \6 M# q: D/ L
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
+ f& o$ e K1 P# i( R
| | ├──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
$ a z$ I+ V- l2 g4 S
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
0 F' x0 [+ M8 w
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
& j* e7 X3 I0 B; g* i t
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
5 p9 {, h* y, i& k: T
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
9 P; J1 B. j: ]" n% A! d5 m
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
" y. }6 Y- q1 J) i0 k
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
0 m V0 j- B% u
| └──4--XGBoost
% N; ]7 N8 \' @* ^) S0 u2 d B
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
3 V2 P! m) k, ^
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
. p- U: \0 ~. I: \# {
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
1 } O4 T4 i" z1 ]# n/ x
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
* n1 S- t$ O- J* z8 t) _6 q
| | ├──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
& B3 ~$ v7 h0 t/ q2 [2 y5 K
| | ├──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! T# d/ @1 D
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
/ }+ g$ S! a% S/ f+ ^
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
M8 t" D5 @0 n! l' d
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
6 d8 k; H9 Q Y0 n- z3 }* M _
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
) b6 t9 J: R4 c! E
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
3 z q* a+ D# y; B# Y1 K
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
0 k/ u. P3 f- T* T; ~* [4 q( k2 O
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
/ Q. \9 d; f6 B/ z& ~% z
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
* ^! U. x4 v( |; J+ t) M0 u* S
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
* ?# H; g4 h2 k E/ s' g( o5 ?
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
' |' [6 U5 E1 @2 ~. l8 a3 @) u
| | └──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
1 V# h5 j( z4 B7 Z; t1 z. W7 f
├──9--机器学习-概率图模型
+ O6 ^; W% i' I9 A: D0 K
| ├──1--贝叶斯分类
% @7 z: t! e, ^
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
2 w( W c4 r) E! G1 V
| | ├──2-TF-IDF .mp4 53.08M
6 H3 w3 K" f4 I4 U0 l
| | ├──3-NB代码实现解析 .mp4 126.73M
k9 w* U8 N8 ?3 l7 a- h2 r
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
: F1 M( D: u' O! O& u
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
, m# o3 |8 `) ?* M( F
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
' T: n5 \ a9 ?8 {3 x/ p9 _
| ├──2--HMM算法
9 [) V2 Z/ C. B6 @; ~' E) N
| | ├──1-HMM隐马的定义 .mp4 36.82M
6 F2 \8 Q+ V' `: j7 q5 ^5 H) a
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
+ ]! q7 b7 u( K. Z+ Z
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
2 M7 B C) L4 t5 h$ ` x2 h0 p
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
8 I' L3 t/ a* S4 v; x8 l2 \
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
- C& h7 Y; h& z/ {( z! C
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
3 F. O/ i+ j2 x$ k. W
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
& v2 ]. T4 ~' U
| | └──8-Viterbi算法代码实现 .mp4 42.43M
' g/ o7 T% J: l2 [
| └──3--CRF算法
- o. E0 I+ l6 |0 L8 f
| | ├──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
3 ]. s$ V0 I: I" A8 x8 |
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
$ G8 p _# g& V5 J+ i
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
$ \% A& \! B/ q& h5 o8 L$ R5 K) ~
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
% n$ O9 | `: u9 z6 x
| | ├──5-CRF的目标函数 .mp4 23.74M
2 t4 u' c; ?4 w3 u
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
8 j( [* M$ j3 l' {0 B- D; u
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
9 `2 H4 r2 x; @! m5 g# y
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
. T$ ?. m$ W/ o% s
└──课件.zip 2.54kb
8 v0 }& l, C; R# n
. W- R% r: A. N
6 }$ g3 K! a3 a
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！
! D1 E- \: w9 @8 P5 V$ P/ o
/ ?. X! }; [: W4 r* B7 ~" j) ]
) V, P* \: e, p1 B' w: Z( r
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！
7 d* t/ U$ ~, K* i7 ^- g8 M+ L/ C
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
! a7 ] U0 E3 h; ^* Q( d. f
这套资源不错，太给力了，谢谢楼主
作者:
mumumumu
时间:
2024-5-17 14:35
' m- q! s3 X9 b
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