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/
+ V+ s8 x+ m& E
├──1--人工智能基础-快速入门
2 ~! s- e6 q2 }* \% ?+ b% b
| ├──1--人工智能就业、薪资、各行业应用
+ k$ Z5 Q i l& G" o- m: ~8 ?
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
: ?6 y/ @0 G& T* M8 o- _
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
$ Z7 P: b& W1 O |7 y* n. y
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
. h' T& ?% w: {5 J4 G! r3 ~% n X
| | └──4-人工智能在各领域的应用 .mp4 57.73M
! o; b" B5 [( j# I% |: E% s* {3 m B1 I
| └──2--机器学习和深度学习、有监督和无监督
& g# }& E* u" K- q+ |" _
| | ├──1-人工智能常见流程 .mp4 89.62M
8 t* _ p/ ]9 ~1 e
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
' X$ B! M/ m2 r7 y2 o& J
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
/ A% u7 [7 t- T! N: T% j
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
6 f0 u( e* O' M: W! F5 {2 f' G
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
$ H1 Q! ?4 L! |# I
├──10--机器学习与大数据-Kaggle竞赛实战
6 y) b; R* p! L6 X7 K9 f- H
| ├──1--药店销量预测案例
- d! t: d/ }! ~' m
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
5 M. m O: S% t' l1 Y) {0 y9 d
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
# A4 [: b, c7 u8 W; a6 `9 V
| | ├──3-自定义损失函数 .mp4 21.12M
1 Z& @, B' j+ I7 R4 p
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
. G! d4 U# _( H$ U
| | ├──5-数据的预处理 .mp4 111.81M
' e+ L9 b9 ?( A# f1 a
| | ├──6-模型的训练_评估 .mp4 66.64M
7 b: t4 [# u8 Q/ |
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
. _( U @ D( M* B8 b, c9 a
| └──2--网页分类案例
5 V5 @) }/ ]0 A; F. \3 w9 i/ {+ k: t
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
0 E9 N1 ]7 V/ y4 ?
| | ├──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
3 S) |2 O8 ^( w) L$ s! d1 u3 V& s
| | ├──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 j! G a; {3 ?; I
| | ├──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
; d" _8 _3 K# e8 g+ D
| | ├──2-评估指标ROC和AUC .mp4 56.19M
, e {- w9 `1 P/ N) ^9 O* U! S
| | ├──3-评估指标ROC和AUC .mp4 49.03M
& l; j- M' f: D1 S
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
2 z1 z9 [; ?& \
| | ├──5-数据导入 .mp4 68.41M
: z! O: t1 Z5 @! v, s# U
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
- y' L8 p. h4 ^4 ?
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
3 K R* W6 J, T3 c+ J* m j) `
| | ├──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
! S6 A: n/ K5 j3 P
| | └──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
& L& Q9 w+ m% X7 ]9 u# ^$ \$ ~
├──11--机器学习与大数据-海量数据挖掘工具
( {1 I3 C7 f- Z; ^1 P9 D
| ├──1--Spark计算框架基础
, s$ d4 P3 H& @5 _2 Z
| | ├──1-Spark特性_01 .mp4 41.68M
$ k5 ]8 ~3 ~0 r
| | ├──10-分布式计算所需进程 .mp4 26.30M
6 Y) m, @; {; z0 n
| | ├──11-两种算子操作本质区别 .mp4 56.31M
+ E0 P7 ^9 x* ~8 D' F0 {
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
' P$ S( u" o* \5 ]' G
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
; c' R) C2 D6 V6 N- T1 N3 G2 T
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
- [) N4 f* v- e1 |
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
. u+ K+ q: f# S7 P0 R3 M5 O
| | ├──2-Spark特性_02 .mp4 35.15M
0 T8 x# ?# t* W. w2 ~9 i; O
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
# F# g" H* X+ g
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
7 L- S& W" _9 I! ?0 I7 h
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
; m! f" A1 J( }" E9 ]
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
" M- ?! U# q/ T
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
* n8 e" b) ?, i+ _% G5 W2 a) D2 ~! b
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
$ d+ J5 y. Y6 K2 p) i) D6 d6 j
| | └──9-Spark的RDD特性_02 .mp4 33.41M
! H7 P7 H0 _, G' {
| ├──2--Spark计算框架深入
# G0 F. C1 b; Z, q% @ t' H& V
| | ├──1-Spark数据缓存机制 .mp4 54.43M
* K2 v& T8 O1 o: s; V( P
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
! j) Y; O5 S. w" d- ~
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
3 a& y; G6 d0 g: R& w
| | ├──12-构建LabeledPoint .mp4 111.08M
/ Y5 x# M* m2 O1 v( }7 D7 f
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
& }% Z$ r2 P* s/ ^) T
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
9 ]- w) h! z( Q0 g5 k
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
. n1 [6 b4 a( \% h, m; i0 e
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
3 A8 F# l' x7 Q! E5 }
| | ├──5-Spark术语总结 .mp4 89.66M
) H, }% z3 S) B/ q
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
4 e( T# n' J' l; n1 z
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
" T* U* d& ~ M a
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
7 W5 ]# m/ o2 l" Y. l$ T8 h/ L
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
& A+ s& v Q7 ?4 |2 u% ^; N
| └──3--Spark机器学习MLlib和ML模块
+ z' M' ^0 D+ e9 D
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
0 t8 W7 e; A" Y; H
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
9 C' R9 l0 \2 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
4 o. O0 a) r" V, T* a
| | ├──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 X) o) E0 q4 d) k ]
| | ├──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
' d# L: h$ ~* ^9 A* }" F- A
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
, E% G2 f# u! s! v/ j9 r
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
) V5 \# j Z& d0 F1 m$ o3 {& N- r
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
- V" J7 q( N% _ F4 R- ]( |
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
; s6 f9 L5 {( b. i1 l5 f
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
9 h' c# ~' R# M3 q. i0 U% t
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
$ c8 D6 V1 E, O* U: F
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
1 L! E- ~" d, u! e; f8 N" _" V
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
' K3 t+ m$ V, K3 [1 w
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
: Y/ k% @: ]8 w+ h: \* p3 M
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
M7 H; t6 N8 _1 [1 w! w
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
5 a/ M3 |( @3 H1 y; H& l8 k
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
: m# H2 I$ z6 K6 W* i* p
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
+ n& K% B7 R% p) e- p
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
3 T! j2 ]$ A5 R3 `
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
4 j2 V6 w+ h! d9 ^8 R9 r% [
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
3 r3 ] o5 h; K+ R" M [8 S2 M& r% e' ]
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
k" D, B6 f% Z! P
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
- f9 o1 Y6 y$ d7 z7 t& N! Q2 r0 g
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
2 l9 p9 g5 ~5 S3 A8 A
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
: r/ {# k# ?. V W( T
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
2 |! h6 V1 X) W9 m, [
├──12--机器学习与大数据-推荐系统项目实战
& b' r) V8 d, T
| ├──1--推荐系统--流程与架构
0 Y7 ]8 H/ W* k* g w3 e7 N
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
6 _7 f/ T1 y& \0 z2 V+ N( d
| | ├──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
8 H. ^, c Z v6 k
| | ├──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
9 c; }( T$ S1 Q( {: m) ~* [8 Q
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
$ E2 i3 q# L4 m
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
0 U2 k4 w$ D0 [* T
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
) M8 I( Z" [- R" }( f
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
2 I4 f1 Y) p* p( Z& \; [
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
! k8 f; p( m$ W0 \
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
0 R6 H% N) N% |3 o+ h2 Y
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
, H0 f5 t, ]3 w6 j
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
5 W1 B4 U- d$ [/ `! c
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
. o+ B$ r5 Y# K
| | └──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
% A7 e2 r9 S2 a1 a: _
| ├──2--推荐系统--数据预处理和模型构建评估实战
0 C, M `, Q& j0 _1 I
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
& J% `, v0 B2 W$ f# s# U
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
6 z, o% y* H9 b; {
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
* @* ~* {8 g2 O: p
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
+ L- A3 r9 C( v6 ~8 j7 h9 \
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
* D* j. D+ I6 U3 Y6 \4 E; C
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
3 y* b+ s: G2 m" V9 h: e/ K) r% a; h
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
4 M3 W: P: Y0 @6 t$ y1 c- v
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
" q; W9 u- b) L3 h
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
+ Y" e8 f7 J# L/ p# J
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
% c* G3 ~3 [# H" i. ~' E
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
9 r8 G6 z9 ^: P& r: q/ K* i
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
/ S1 \4 b. ?) u( w
| └──3--推荐系统--模型使用和推荐服务
6 i# S+ b }$ Z
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
! h4 \- ]3 u" N1 _
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
& e6 `7 P e ]; O! h
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
/ K1 Y% r0 z/ P
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
( O, Y D8 u9 I$ o9 f
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
) s, k/ X c! G/ l) R' k" G7 {
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
% f* E! O+ s0 g' ^% S9 m
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
% A5 ?: m! c/ ^( m' E& g6 {
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
5 W/ G9 q+ ~; M1 u3 X
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
+ ], e, J+ L- Y6 h4 \: m
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
1 X+ H1 w a- M4 a. X
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
; ~" R5 O5 p5 m8 ?9 U* h, _7 q
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
9 J, y. [ x( ~6 y
├──13--深度学习-原理和进阶
$ }8 ]* O4 ^9 B, U9 n# m
| ├──1--神经网络算法
- |6 v: o! v, o& ?( }% H+ v
| | ├──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
( ?/ v2 L0 _) P2 r5 ^1 u
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
3 ~" p* S K' k3 m4 g: s+ _
| | ├──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
/ K7 q" _* w" c% c1 ~9 y' y
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
* w5 L/ _9 ~, S) q3 I k. s
| | ├──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
' f2 Q$ ~; ^6 X4 t( F4 U
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
! [: Q# L" k7 p1 F' }- D# @$ z
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
% E$ {; d- a$ t8 p) N+ x
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
/ J7 {7 o( V2 u
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
5 ^( ]" W4 H( W
| ├──2--TensorFlow深度学习工具
( W% g6 @) e" H) W& g
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
0 Z4 m" H$ O$ \7 w2 u8 [
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
. Z1 a: \0 P* T" q9 `
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
( R2 Q1 D6 _) G0 R! B* V( e/ S
| | ├──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
0 |( [0 t/ q. {( }. @* q
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
- }& b1 z/ Y1 Y# V/ T
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
! C/ ?' j, h7 a' n2 Y, [- n! }
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
- z5 V ]3 u' F ^# Y
| └──3--反向传播推导_Python代码实现神经网络
% L, x ~$ Q& h# w8 T& r. ?
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
! m( f1 n5 L& J
| | ├──2-反向传播推导(一) .mp4 127.90M
9 r6 b4 |* E) `# A$ l( E# o
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
1 @, J* Q# X7 x# @
| | ├──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
- }! f- h% N6 v! S* F9 E4 v; z
| | ├──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
* |6 \2 d6 ^2 `5 l, z8 k8 Q/ `2 u" d
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
) F" E1 J9 ^- ^( l: p
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
% ^, g" j/ ~5 H9 ]
├──14--深度学习-图像识别原理
! @5 q: V# z6 K" ]) H4 c
| ├──1--卷积神经网络原理
% o8 ~1 |" r' `/ H# g- _
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
3 Z' w+ b! f2 P( D2 E) ^- D) ]9 f
| | ├──2-单通道卷积的计算 .mp4 104.01M
1 a. c4 X1 m, b$ O
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
' A* y T3 D S8 T6 A- o
| | ├──4-卷积层权值共享 .mp4 63.93M
l2 H+ N. s8 W3 A% P
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
( c0 O5 ^; h" m( S3 y
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
$ \/ J$ y( P* ?# {
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
5 `. R4 [6 U9 ]% Q0 L9 E
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
! r* J+ {$ r! [7 r6 Y
| ├──2--卷积神经网络优化
' L! @& @! S$ m. ]0 U
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
( X6 V. A+ @# Z' q9 U
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
1 P; ^: r, ~2 [6 a
| | ├──11-Optimizer_Adam .mp4 141.12M
/ y# s* u2 S" e- z- V4 @
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
8 Y+ J9 a+ w; w s% E
| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M
/ v7 G" ^. k" t
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
$ P8 n# }- h6 q# O( k l& z4 d6 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
. c( B9 }; v3 ]" _0 r" [4 L: G- p
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
3 `) I9 t; N2 I, R9 w3 T
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
' Z0 [1 y V: _" t6 q
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
( @9 { }3 K9 _; A, X" s1 o! o8 {
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
5 S/ o6 U! {; |7 x' ?
| ├──3--经典卷积网络算法
" Z* w, }: b, N0 r) E4 ^: O# C* P
| | ├──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
0 | e, ]" _$ \; s
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
4 k8 f6 `! e3 e* x/ {1 d( v, \: ]
| | ├──3-InceptionV1_V2 .mp4 165.86M
% T/ Y" d! p" ^! R
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
5 B7 z7 j3 c! K2 ~( q5 Y; A0 C" t
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
# {) ^- Q X" h( a- E
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
" y/ w, `7 k. S" h/ t
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
' d2 t0 U0 x5 y% u, a7 |
| | ├──8-BatchNormalization .mp4 99.23M
, v% C$ }3 g- [& v) M [4 t
| | └──9-Mobilenet网络架构 .mp4 150.05M
1 N- m8 ?+ E' ]5 g) u6 I c3 s
| ├──4--古典目标检测
* e) Q1 r( m9 V% R$ ^: B
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
# Q" H" c6 n2 D8 i
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
# x, K9 P v( y" y2 R" i P f3 j% d
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
' X6 h: ]% m: H8 y4 G
| | ├──4-R-CNN和SPP-net .mp4 124.06M
w3 j% {4 X8 q: D
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
& p, P( t3 p, k7 x ~- ^2 m
| └──5--现代目标检测之FasterRCNN
9 S2 r' c8 ^) p! [# ?; N
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
# H$ {' ?7 s5 P, [. e$ p
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
" n- l5 B. A. P
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
. D' t; w) B. ]; R
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
3 ]2 I9 c4 Q1 h* H: H; p
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
2 _! ^" f9 g1 g5 I s
├──15--深度学习-图像识别项目实战
* [5 d& l5 L- J7 P
| ├──1--车牌识别
+ D: [) M U' s2 T0 ~1 |
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
. w& }7 J; e' Q n7 l
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
% R. s4 U: ^7 y; l" W
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
' @9 t9 z; h! d9 `7 G
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
. E( r! N i; r
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
* B0 W1 ? D5 W7 q3 _
| ├──2--自然场景下的目标检测及源码分析
: }; b2 v# b/ i' ^+ h6 @: ~
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
6 P+ V! C- n; |4 }9 b( z$ p6 Y
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
" F L2 a! P* i) U
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
( _8 }" [; [4 c/ w3 h
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
: R d7 @' {: _7 s4 w
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
V2 K+ O. E8 Q+ D4 G8 j8 \
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
8 k/ |' q; W; ]5 r# d1 [+ ]
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
" g2 V; ~ }. g+ z. A4 S
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
( y5 J t" n% ]) x. z7 K
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
8 c- Z) q4 O4 \' L
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
9 h1 ]. F7 Q* x0 I1 e1 x. f" [
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
' G5 s. B9 H/ S: m8 c9 |
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
* c( X) ~$ `; I
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
8 k; C6 ^0 z% v
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
, J. z+ H: n6 o6 V3 S% h+ z) L
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
0 G( B8 r. c5 E3 y8 |
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
8 Z' H6 A# ]! g- g) J' m! h+ _
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
5 n- g7 E% l3 \3 _
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
) Z( C# v9 k a6 C+ Z, R
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
5 ?( n" Z" ?$ x' |2 q
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
7 @$ e( L2 R4 t9 G
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
, D6 a. d% P: [: c. v+ X& f" S# T
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
/ w c5 \8 Y/ M& ?4 F5 y7 _. G
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
; |6 Q. Z$ c w4 K
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
- m. A7 P2 `6 y4 O9 [- F
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
& K* A: a% N" J
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
6 q/ ?6 E- p, J
| └──3--图像风格迁移
7 b+ @% s# r" \: Z
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
5 H0 G4 q- I) Z; \
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
$ f( P# Q$ ~5 }% n$ G
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
) n% P& h; N- P f+ C) R0 l9 z
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
# W; O# v, u4 F. {
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
4 i2 \4 r9 l* s+ j% A0 r
| ├──1--YOLOv1详解
6 r+ e, R* I. S! R1 t3 w3 y
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
/ \$ b2 h, ?& f; L2 n
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
; B6 G# r0 K- l* h" T9 D b
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
1 ]2 V8 d# |& u- u2 ?/ K. o; v
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
! W* \0 h! P& i0 e
| ├──2--YOLOv2详解
( J/ O4 r+ ]( d# e! h9 ]% x+ G, }
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
8 \/ d1 C( s k' s8 d# w) r
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
* A" o! \- a7 m9 T
| | ├──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
8 f- @7 J) P1 y8 Q/ x( @
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
1 }5 ~9 l0 U7 I& o, G4 d I
| ├──3--YOLOv3详解
" L( ^6 y& i( i6 I: L
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
( H: I, m4 k0 ~9 ^- h
| | ├──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
# W" n9 @' ^$ |# Z
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
. `: e# u8 r. Z! Q/ J% G+ t: E" }
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
" w; [2 @& R7 N- X1 N
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
2 U3 d/ L/ G' R! D4 l1 b$ z# k! R
| ├──4--YOLOv3代码实战
) q z, p" r) a) i
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
1 I4 q7 o# m7 o, j0 g
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
' `* l5 }5 i9 m
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
. T& h" R; O7 Q9 P- }$ u0 T5 m) W
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
+ h) O1 O6 k/ [$ Z
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
* G( _3 Q6 K1 h; ?7 G7 ]& `
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
: G1 S0 H! V. M) ~- T) a7 m6 T
| └──5--YOLOv4详解
+ r0 O7 K- A; O* Y ^; x
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
, Y2 W7 _, `5 X2 p# g
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
9 y" x" j$ J ]& N, f
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
( ~* I {+ f' l7 X# X' { {
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
" G" U/ @0 d& n% g1 P6 m6 E5 E2 M5 a
├──17--深度学习-语义分割原理和实战
t7 H! C: J) x3 G3 S0 T. S
| ├──1--上采样_双线性插值_转置卷积
2 s3 {' ?4 P& d# c5 E% o6 M: W. T
| | ├──1-前言 .mp4 19.46M
4 Q3 y4 F5 i: ~5 o
| | ├──2-上采样_repeat .mp4 23.90M
; M* F: P! X& C) q% e5 G
| | ├──3-线性插值 .mp4 34.48M
6 i' ]- N7 E7 {
| | ├──4-双线性插值 .mp4 125.71M
4 m- x7 Y8 V# k
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
) _4 y v K( e1 L- a% v; d1 V
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
$ Y) g7 v4 j. k- }; X5 k
| | ├──7-ROI Align .mp4 58.38M
% _% c4 a0 e7 O' {
| | ├──8-FPN思想与网络结构 .mp4 92.14M
/ S8 [- A6 W( r
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
+ Z5 w3 L$ G* S) H3 F* E) W: h1 i# x
| ├──2--医疗图像UNet语义分割
$ s! S4 j, M+ ?) ^
| | ├──1-语义分割的基本概念 .mp4 18.33M
4 A9 `7 O( G3 `
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
* i. z- w0 `5 y7 I' z# w
| | ├──3-UNet网络结构 .mp4 30.41M
2 @/ |9 k C, r% u/ r5 K
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
, m6 M3 V7 a2 J6 P
| └──3--蒙版弹幕MaskRCNN语义分割
4 R0 n ^) i0 I. l( M+ N
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
( _9 a" V) b( D: x$ V. s# }) o
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
y3 a Y: S3 A3 f5 R
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
8 r; r: u) w+ y* {
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
6 e% o7 [' T2 e8 N) T9 s
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
% b1 T+ E7 n0 e9 z
| | └──6-MaskRCNN源码config和model .mp4 244.48M
$ B; `5 h8 o1 `, K1 o7 {( r
├──18--深度学习-人脸识别项目实战
8 Z( o o6 v) M0 M& q: z" k( W
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
: A( L, F+ _! g8 S% x' E3 F
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
3 G9 Y( a+ o' W0 F( h8 R
| ├──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
' U# L* K' O) H- W3 V
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
% K9 y, L4 w2 d4 v7 ]( d
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
7 `% O% R: j: t4 d$ m6 s1 b
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
; j! l! K1 ~2 E, C/ W
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
% P, s2 J" H7 a7 z$ G5 I
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
2 y4 }1 n' b$ ?5 \) W% v
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
/ `. V! K; d1 X
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
0 {; a$ y! Q% W
| ├──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
) t+ ^; [! L2 @" _! }; u* j
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
$ f! N4 W* y6 Z- t% d
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
6 G# K- ]: _1 H" z/ }# o( l, ?5 R# d
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
$ \: q, _( ~; B1 _
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
' t% E N- G' E" _; l2 p4 a
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
* N) m2 [: J- I J; Z- R4 }
| ├──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
6 d, J& b9 y, T) e: D
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
' |6 b% s6 C/ ]- i( ?7 V
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
4 G5 L3 r; Z5 b% ]5 B
├──19--深度学习-NLP自然语言处理原理和进阶
, D f' @& d. x y- m7 `9 s
| ├──1--词向量与词嵌入
/ u, w/ K/ V# l D& k$ _+ n. |5 V
| | ├──1-N-gram语言模型 .mp4 116.32M
2 E+ B6 {1 n( Z6 v7 u" s, w' O
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
/ O0 T/ F4 `. n/ ^. g! Z! a2 y" E
| | ├──3-词向量的作用 .mp4 58.00M
/ I/ Z ]! e% Z' g2 ] }5 ~$ ~
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
3 j, J2 U7 F+ a$ [' e
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
/ _* p( u# x* T6 O6 V
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
3 {4 t; O9 n. t: H5 D/ i+ F$ F
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
# a2 `/ x& \- v" I# H
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
2 J; H0 N3 k( M4 q$ @" e
| ├──2--循环神经网络原理与优化
! b: n% M) U; s: Y' c) ]1 F
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
+ p* U$ ~; Y m s2 a
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
( F6 C$ w% Y. h% {( P
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
4 o' n% f' { q: a3 `: \
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
/ I7 F4 l: G, ?3 M' S( e
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
: M- ]5 _ l8 C
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
. W' g; i, [# ~6 k
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
- w- z' R7 s/ t! H! y2 J( @ `
| | ├──8-双向RNN_LSTM .mp4 52.01M
2 J+ N6 U) f! [: u+ q$ |7 y: y
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
; x" c; f+ U0 v5 F! ^
| ├──3--从Attention机制到Transformer
) m) o* w/ e. r
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
1 ?+ C+ f) B* B) @
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
* S, M: l: y) E! q7 o/ @
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
+ e9 c6 |! W- M0 ^9 P- x
| └──4--ELMO_BERT_GPT
2 w' E- G5 a/ `. [" \* J; y
| | ├──1-ELMO .mp4 62.44M
3 x4 F9 b" B6 B( ? V
| | ├──2-BERT理论 .mp4 99.73M
) C" C4 o2 k' X: y& T- J
| | └──3-ERNIE_GPT .mp4 56.34M
& U8 r5 u; f/ H' S
├──2--人工智能基础-Python基础
' h0 B( c' E- p. W; G
| ├──1--Python开发环境搭建
0 o( u/ ]! E, [% e
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
3 s) |' D/ \2 y! v
| | ├──2-Miniconda安装和测试 .mp4 57.12M
; n4 @- i0 ^% r) \( f7 \. S7 g
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
3 P1 a2 H6 ~: N! w, \' n9 d
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
4 _0 t' ?, g2 [& f& z" X7 q1 I
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
0 T) r% m3 [* J
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
# _; c; Q! D2 X1 t
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
8 P' L. N1 B$ Q1 U: c
| └──2--Python基础语法
+ P1 m6 ~0 X( r( v3 u3 v
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
$ Y* z2 p' c) k- h
| | ├──10-Python_集合操作_列表 .mp4 34.71M
8 \' o* |+ t0 p/ m% v; G
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
( u8 ^6 Q0 B2 m9 @
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
# T: q6 ^" T! Y
| | ├──13-Python_集合操作_元组 .mp4 43.46M
R) O( v8 v, N" f) {
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
, H. H1 ~3 m- h# W/ R4 b* B7 h7 {6 x
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
1 e( j O/ t: c
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
7 e* [- ^# t Z- {
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
4 O0 k$ i3 y7 h) S* |
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
1 U9 J ^$ w* X5 ~1 c$ K l- {
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
7 B7 j" }7 _4 X F6 N) S
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
6 |5 `) |0 c& p2 p
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
' i2 P J; O6 `9 l- W
| | ├──21-Python_函数_递归 .mp4 23.46M
' S- o& J! [7 h! z8 U) H& p
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
% Q3 i2 u7 }' |" m, K4 O$ B; ^8 B
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
7 X: a$ g8 I! G4 _8 o2 P
| | ├──24-Python_函数_闭包 .mp4 41.61M
& y' U$ w- o* o4 q7 K; {
| | ├──25-Python_函数_装饰器 .mp4 30.35M
6 {2 |& w# J1 D
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
7 W5 L7 a0 T. ^
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
3 }, T: _0 Q, ^# b* k/ Q% @
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
/ m) \+ N. w. F& ]: O
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
) H" j# M- y& @# F! q" B, j! ^
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
, S! T0 P9 d' O9 o; B# t- @
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
: b/ A! t( ` F& M- I" `8 s. a0 z: c
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
( F$ G/ C- P9 |8 l* E8 A
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
) E7 s) n* `9 `! l
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
. G% l5 w" L* g/ m; \8 ?& n! j( f
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
) R4 Z* ^/ C+ u9 C0 W1 q
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
; O& Q. K; A7 o2 B; W
| | ├──8-Python_切片操作 .mp4 40.20M
% r& Z( {% z" D- I. P
| | └──9-Python_数据类型 .mp4 25.38M
; j# H0 \" x5 Q3 c* V. [: ?
├──20--深度学习-NLP自然语言处理项目实战
% `( b$ |: W+ e$ C3 G( U" l ?* i9 f
| ├──1--词向量
$ x0 f7 E) s! S _+ |2 Q ]
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
$ [3 G5 i2 G- O+ t' T$ l: j7 P8 B" \
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
: l* S- N: p8 r+ Q$ g9 c
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
9 D. \2 K3 w8 n# o4 D- b0 C
| | ├──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
9 T5 Q8 m0 U! ?1 Q) c* `
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
+ D- S s+ L) f& c3 P9 P/ E
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
) K7 p ` X: ? _: Q4 X6 e
| ├──2--自然语言处理--情感分析
: I3 o) v7 X% N% ^ i5 Q: Q
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
; |& ?6 t3 G7 O3 w6 Z8 H$ A' {
| | ├──2-数据预处理_01 .mp4 79.65M
/ ~1 u& a7 {; U( V8 @
| | ├──3-数据预处理_02 .mp4 45.68M
( i+ V# W7 Q, \3 J3 y' G; m+ T2 T l
| | ├──4-代码讲解_01 .mp4 52.29M
$ y9 W. ] O9 o7 V- d4 C- n
| | ├──5-代码讲解_02 .mp4 60.85M
7 X* ? k1 D: D
| | ├──6-代码讲解_03 .mp4 53.89M
- Q. w: `# _, d' p
| | ├──7-代码讲解_04 .mp4 57.19M
7 E( F' r. k0 t: k9 n/ S! d
| | └──8-代码讲解_05 .mp4 35.88M
4 D2 t* }) e. b2 R, q9 x
| ├──3--AI写唐诗
' E e, w; O" N6 \
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
7 M, \! k6 U) [# a5 L$ T' \5 j
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
$ }0 R" y z/ [) K" g0 V7 M
| | ├──3-MultiRNNCell单元 .mp4 38.93M
X8 Y4 d& f- \2 Y& D% j' o; s; ~
| | ├──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
0 U: `. y! y3 p. a+ l2 G- J) G* L) w
| | ├──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
7 ], u6 X( t$ t: ]9 K
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
+ X. y i, X/ Z6 A4 |" z9 _
| ├──4--Seq2Seq聊天机器人
$ |" h0 Z& C4 h6 ?) D7 N
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
# N: K. A' u7 B1 D
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
' R- u4 l2 {# b- Y. f
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
; R0 D) D% g, }6 z K7 d
| ├──5--实战NER命名实体识别项目
: k, {2 u. y6 I2 N# \- m+ {3 S8 d6 S) s
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
6 o! c4 b# G' h! E) B+ l8 R2 W
| | ├──2-介绍了代码目录结构 .mp4 23.44M
$ r: w6 {' y2 q" M
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
/ R' G5 y$ s% g! b7 L# g2 J
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
( S* N4 H* O! N0 a X
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
' D; ?& a7 O; D: U; C* \
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
. m# c' F+ p, d) V# g! W8 }
| | ├──7-CRF中的特征函数们 .mp4 125.97M
1 e" c* a$ _6 I
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
( k- |# h1 M% N: L& r
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
0 [( L- q- B+ ^0 Q
| ├──6--BERT新浪新闻10分类项目
X2 e8 I- B1 Z1 J. Q; j
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
4 i8 }) f/ O$ K& i8 N8 }
| └──7--GPT2聊天机器人
9 ]- {# `9 L) P
| | └──1-GPT2闲聊机器人 .mp4 62.28M
) O, U9 v: a0 p. N7 B; H
├──21--深度学习-OCR文本识别
# F ]3 O6 X; ?
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
% m0 {8 `) E: J- p& |) a
| ├──10-CRNN项目代码剖析 .mp4 306.48M
4 _( _2 O4 O$ x# Y" U
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
! i- \6 B1 `! q4 a
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
) }1 C) S6 P" {) r% g/ q7 D
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
* c$ A L! w- F" p, y8 I) N6 u9 V
| ├──5-CTC损失函数的理解 .mp4 330.64M
* H* E8 D5 X ~3 B0 W4 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
y* w. q+ y/ N" C$ V K
| ├──7-CTC前向后向算法代码 .mp4 225.41M
# G" J* l+ q6 ?4 |" v: d' y/ w
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
. B. O z9 H. u8 j5 ?" {
| └──9-CPTN项目代码剖析 .mp4 491.69M
G; C1 J+ B; z) O/ S4 X8 e
├──24--【加课】Pytorch项目实战
. Z; g0 |: z& q
| ├──1--PyTorch运行环境安装_运行环境测试
6 \* m3 l3 Z9 V/ s2 S, i- g
| | ├──1-PyTorch概述 .mp4 29.29M
0 G% v& k* r& ~- l* n, ^
| | ├──2-PyTorch的安装 .mp4 76.45M
5 w, Z7 d1 h; L" A0 j
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
- ], X% W. g% _/ b8 J7 @3 R
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
! s2 L8 ~3 A9 `1 H. X4 F8 [% w
| ├──2--PyTorch基础_Tensor张量运算
$ ~& _7 s9 D: g
| | ├──1-Tensor的创建 .mp4 55.14M
: j1 n y/ o/ Z* [. Z& H
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
8 M! @! T' D% d4 o- K, }
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
) ?6 b3 G! r# M( W
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
! u+ ]8 {. j8 m
| ├──3--PyTorch卷积神经网络_实战CIFAR10
6 u x% B9 C5 c: v" X
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
0 a3 u. j0 z+ n% \6 f) ?8 @
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
2 ]8 o/ g: M$ h3 i' ^5 H( s
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
1 _2 G s8 X4 j# J: Y
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
* f: E+ O1 K4 l: F9 c5 b; x5 q
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
5 c# n5 p) M6 m, m
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
: u N. Z; k7 H5 \/ W- S/ d# y5 f
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
1 ?" q( ?* v- B* u
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
' l- S' l0 O( W- J" T$ r
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
: L: w. e; i0 d+ \- s! T
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
6 n n6 ?; x$ Z
| ├──4--PyTorch循环神经网络_词性标注
" V, Y% T) l0 ^ n6 ^) U) {
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
9 K4 A$ [0 ~) F3 w+ f2 {! O
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
0 H7 E0 z2 N2 T( O
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
, a4 l% `/ d4 B5 ~# @$ ?* O/ E
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
4 r1 ]) t9 w( T5 L2 U8 E
| └──5--PyTorch编码器解码器_机器翻译
. }6 ~: x# \& }( A" j7 I
| | ├──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
6 p# S2 ]! W8 z" m" [8 Y4 u
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
: f' e5 G0 I8 h# c8 X
| | ├──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" ^( Y: d5 c1 f4 |: N5 ~
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
" f4 c# a2 [* s5 S: v2 v4 c
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
. j9 R( K- N, Y( c" D. u5 d! t2 Z" ]
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
2 c! L3 M# b5 b+ o: a
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
$ D0 X9 O% k* f! W, @
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
& h& N4 D& N8 \7 [6 P& a) f
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
5 P2 i; M( g! [7 [
| ├──1--PaddlePaddle框架安装_波士顿房价预测
- ]3 ^" ~ e9 C8 c
| | ├──1-安装PaddlePaddle .mp4 87.34M
, A1 f% I' w7 ~& ^# I. A
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
) l9 o; o8 s2 F; j+ y
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
* c- T3 a6 q, v/ n7 S& t! O, I
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
3 Z( k* C2 R8 y4 A
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
' x" {$ K% x) q! k& m" q l' Q
| ├──2--PaddlePaddle卷积网络_病理性近视识别
8 Q. w( O2 v8 h, K
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
- |* j+ `( F( K0 E8 v. d
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
7 _! B; ]* a9 [' @; H( M! H
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
2 J7 c( m4 {% O. o. Y2 W
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
) N7 i& p8 t3 P7 x, X- U
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
6 @& X: d( Z) l9 g7 j5 V6 s1 T6 ]
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
- m4 P: e% D! G
| | ├──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
: w) V; k3 a& [$ Z, n
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
, E# g8 |+ [% E* E
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
2 D" r8 g9 [! x c. X; T
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
% V u" r0 F7 G. n0 P
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
0 h# V. s4 K& [. L& u# M5 I
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
4 K, h" f* n& d
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
) n& M* Q& H% R* x+ h: l, H
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
! ^5 ^( |) ?) |
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
- [% V1 B2 J) E
| | ├──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
) Y- V9 h& [$ b6 `8 t- o
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
6 M3 ~. F% E# H# R. r& Q
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
) M* L" }: t0 G4 `
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
h' `# X0 T8 M/ R8 G8 d5 e
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
3 Q" o# _; T& K
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
! I$ |) K- U0 L
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
/ ` P G, K2 a8 A7 |" U
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
y+ G' z4 z* X
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
6 B+ d' a, V6 c8 R
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
3 v2 e; Q/ ?3 |% s, o* B$ B
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
" u7 D z9 n, \0 [9 U
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
4 D( g! }- w* q8 H" A2 F
| | └──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
: L0 s. c/ @& p7 q9 C7 y
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
" w' r( D2 C9 I) s+ b& b' 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
8 G8 i) a6 l! A% ]" e. F
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
; X7 b8 L& I. A( {1 H9 W
| | ├──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
K8 Z2 x+ x! D- U% C; r P) q
| | └──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
2 h6 C' ~, c: D d. ~& J* s
├──26--【加课】Linux 环境编程基础
8 p m6 a. ~; L
| └──1--Linux
& b+ }4 z" Q. I3 i" d+ a& r. _
| | ├──1-Linux_课程介绍 .mp4 3.72M
, ~+ E8 P* b d/ s
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
$ G: D) C/ m7 _1 T% \ P" `
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
2 d$ w1 z& U& Q7 E* m
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
- K9 i) T! u$ }, B0 `/ W
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
+ F5 W: w- g1 _: K+ a# ]4 W
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
, r6 m4 [# D6 o- U
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
0 h+ b! g! [* p# h8 d2 b) L
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
7 m4 |$ N' N' r8 I
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
/ F* @( q3 V1 @: s# I0 \0 ?
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
5 i) k5 E& ~9 W6 I- \1 I
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
5 T: K- k0 f$ W; r8 _4 c
| | ├──2-Linux_Linux简介 .mp4 17.59M
5 H; Z6 e3 E* T# V
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
! M3 d2 P. F" Y6 t3 |
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
8 H8 w y; _4 @- e) k% Y+ x( Q1 v; ^
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
) d7 j0 z& }/ H( j# c
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
6 e& K3 V) V0 E; f" M* D
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
2 F; a! \; \; z/ Q
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
3 \6 z8 f0 u5 y$ U5 r/ B
| | ├──26-Linux_安装MySQL .mp4 79.02M
4 c/ n0 i0 @+ g f/ {
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
) S! \' r& X' j" [! f8 R
| | ├──4-Linux_安装Linux .mp4 41.97M
+ y- b# M9 x$ _, d
| | ├──5-Linux_目录介绍 .mp4 20.31M
8 [! Y. K. J7 s; F A
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
, F2 V0 J: x% c4 d% ?5 e
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
. Z2 u: B0 {3 L3 Z" Z; w+ j
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
3 b, q3 Z; i2 p; L
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
1 v1 q _# ]& D6 b- `1 `
├──27--【加课】算法与数据结构
9 b% t& L" Z# \3 `3 a
| └──1--算法与数据结构
( V9 |6 G2 N' L
| | ├──1-数据结构与算法简介 .mp4 35.68M
# k& S- ^) V* H2 K/ [
| | ├──10-哈希表的基本结构 .mp4 54.34M
0 k! @( e5 S8 |( W0 y
| | ├──11-哈希表冲突问题 .mp4 75.92M
; o8 f, x. z2 f
| | ├──12-哈希表冲突问题2 .mp4 72.30M
) s, g2 c) T* a" j1 I
| | ├──13-哈希扩容 .mp4 111.03M
. v2 ^# t) Y0 {. [5 r) T, d
| | ├──14-递归与栈 .mp4 50.77M
5 x8 n0 z& k9 [$ o2 R1 A
| | ├──15-线性查找 .mp4 57.80M
" l/ f- Q" c9 w& ~
| | ├──16-二分查找 .mp4 52.32M
. x {2 @9 y; N$ H
| | ├──17-冒泡排序 .mp4 53.19M
9 V3 F* A2 y2 c4 i; v! g6 w% W
| | ├──18-选择排序 .mp4 43.29M
6 N- b) K3 n2 S4 U+ q2 q
| | ├──19-插入排序 .mp4 31.39M
7 ]# ~" N! u* ^9 F* T& F2 ~4 K* c8 n
| | ├──2-大O表示法 .mp4 25.59M
7 R# ^/ g4 ~' d4 e; I
| | ├──20-归并排序 .mp4 84.48M
/ P* q( X3 P( ?8 S
| | ├──21-快速排序 .mp4 36.63M
4 y% m+ W \+ z9 h) A# d
| | ├──22-树结构 .mp4 96.85M
: q: H# S3 R# L1 ^9 E
| | ├──23-树结构的遍历 .mp4 61.05M
& X3 o; ~3 r: I1 S' G
| | ├──24-最大堆的增加操作 .mp4 45.43M
" R4 |* h7 K1 D& R# B: n
| | ├──25-最大堆的删除操作 .mp4 45.63M
+ o& a2 z- z: ]3 p
| | ├──26-二叉树的查找 .mp4 100.24M
! ?$ a* j8 }: F, w: f2 ]
| | ├──27-二叉树获取最小值 .mp4 25.21M
; l$ S r9 x8 P5 w1 s/ e
| | ├──28-二叉树的添加 .mp4 72.66M
) w( @# K& f, a1 R
| | ├──29-二叉树的删除 .mp4 120.06M
5 u( g) P) q" ^) Y- W$ T
| | ├──3-线性结构 .mp4 53.14M
9 y5 {1 l# N6 W' T, T z8 A5 ] ^
| | ├──4-单线链表1 .mp4 68.36M
& Z3 D9 d" X8 N$ N+ w" z
| | ├──5-单链表2 .mp4 221.69M
/ k3 x* b9 q9 p% U% H6 n
| | ├──6-双链表 .mp4 103.57M
0 i2 |- P9 B" f d/ Y, P* y6 O
| | ├──7-队列(链式) .mp4 74.12M
8 C3 s- V7 X5 x! H0 J, d! x9 P
| | ├──8-队列(线式) .mp4 30.99M
3 a4 ]$ x4 j, f4 Z. }
| | └──9-栈与双端队列 .mp4 28.12M
* e) D' ]" x+ h% }; h
├──3--人工智能基础-Python科学计算和可视化
$ }6 J, ?) I0 ~3 \. v- X
| ├──1--科学计算模型Numpy
. @2 Z! C8 v d& [! g0 a8 v
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
: K$ n. F! S/ S) L/ K# S
| | ├──2-Numpy_array_arange .mp4 35.45M
/ F+ z5 Q; z7 [5 b) \* q3 _; a
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
% X- w% |0 [; n6 E$ n! R& X1 Y4 E
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
, m2 E i; } B4 { F4 u
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
8 F9 n9 M4 X9 |- U* g& m
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
. l$ O' g. `& a* c% R
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
2 ~: `0 W z4 M/ m/ V$ k
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
# h1 i9 A) q5 S7 U0 P
| | └──9-Numpy_聚合函数 .mp4 23.68M
! A4 ^8 q" y, M, R
| ├──2--数据可视化模块
7 {7 ~- q: Z0 d; e8 u4 D$ `5 ^: f% C
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
7 q5 v ^. M0 w% R7 n3 ]7 i) ]
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
$ S8 ^! M5 \; _7 |4 n1 c. w
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
" C! I3 x$ W. s
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
5 y( c: t2 u5 p/ Z3 Z+ F/ E( q
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
/ f' [% M o/ L; ?' A& S2 Y! x
| └──3--数据处理分析模块Pandas
$ o% d6 ]4 o7 W& e1 d# ]3 q
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
0 n, Q0 F, [. J! ^+ K g8 B
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
: {* Q9 i; C& \: q. A; k
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
: \, S4 B' f/ U5 \1 d
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
5 K0 P+ \( Q5 Q J, ?* n
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
+ Y! _7 ~9 G/ \
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
, c' \ t7 L2 H( F+ x: J* I
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
& R7 r5 [7 P/ N$ {/ t9 n, k8 {* W
├──31--【加课】 强化学习【新增】
; y. J" w- D! f6 q2 K% o
| ├──1--Q-Learning与SARSA算法
( J, I: k* c! [' ~7 y9 L
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
8 b7 y% r( D# K7 X' \+ P# p
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
; r7 [4 e C/ r$ y
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
: P8 U6 i& i% o# a3 G. l1 p
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
4 g( ?% a/ b& C" ^% T* a+ w
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
. M9 B& G( C3 e+ Q6 I
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
/ a9 {) H: w5 n. i# Q2 N! W5 p; J
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
) R7 N/ n, Z/ x! m
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
/ I$ }# _- d) l0 a3 U
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
" u: b2 h4 D, [: d
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
* \$ `$ b$ S" t' C, A' G4 d
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
# Q1 H# _$ L- H3 C! @# N* k" n, f
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
. v- A6 H, D0 W9 D+ A
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
- t9 E% M1 g: ?1 V! `8 m
| ├──2--Deep Q-Learning Network
* S) y* p1 e% Z, g: s+ B# l8 I( B
| | ├──1-DQN算法思想 .mp4 59.24M
. \! @) ~/ l* v: a
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
1 \( ~/ O( u! } x0 J5 ^2 w% ^
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
6 y# g5 |, ?. F. f. w( }% T& o
| | ├──12-DuelingDQN .mp4 88.12M
7 x4 c; n) i# Y6 V, k C% F
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
' {$ E6 g V- ^' K6 z5 r/ U2 E; y
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
+ \9 ^2 H% C$ t: i, Q4 i4 V
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
/ L$ s7 y L- R9 T. B
| | ├──2-DQN算法具体流程 .mp4 56.17M
# u& K: L' a* c1 r$ E
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
- M; ] c! ]! q) T! `/ A# ?
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
; S% | h) y; y6 {
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
9 a2 U/ s F$ [
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
7 I2 h* y1 [+ K y' ?# ? Y! v% k
| | ├──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
' y5 M- Q& Q1 Q9 v" k
| | ├──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
! A* u2 I) E% q6 C# J
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
' h9 n7 P! @7 G* I
| ├──3--Policy Gradient 策略梯度
/ w! r+ ~7 ?+ Y8 B5 I+ F! ?# U
| | ├──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; q6 Y0 L! I3 C$ Q9 n
| | ├──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
4 S/ G% e, R! `1 a. A! [
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
7 a) H6 R$ O5 ? Q: Z* N" u
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
+ W( M, u: q, O" P0 Y- F' z
| | ├──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
& L4 @. M- t# [% ^4 h
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
% c( l* l; Y1 ~; c' a
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
9 ^, U2 X: q* j1 U
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
. p D2 w9 x! l( B, B5 S3 g
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
1 D$ T7 l: z) C# O$ R+ D
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
0 R u" C9 A% e
| ├──4--Actor Critic (A3C)
8 L3 v, }6 h7 G1 p6 Y. A4 U5 L
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
! E! ~+ Z* Q* }% p" b+ \3 l
| | ├──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
3 [( _9 M+ V/ _( W% ?6 L7 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
9 n# a# C. v4 K" C
| | ├──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 p2 L5 q2 [5 a
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
; ]$ ~( k% M. Y# s' d6 |
| | ├──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
, Q# u& E+ T+ o# I& Y& B
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
( t4 `8 p7 o) ~: Y
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
: ^) @, Q i9 ~% P5 H9 ~
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
]) j- t2 ^; }! T7 O8 i
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
* i7 t" b# D1 M' x! i+ ?$ B
| | ├──6-A3C架构和训练流程 .mp4 74.66M
# y$ a. q+ C+ q4 `
| | ├──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
& Z; W2 e! E0 p, h! L
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
+ F( u) t# l' _/ p, W) T
| | └──9-代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性 .mp4 36.62M
2 `( M. T8 U5 r4 ]' [$ L
| └──5--DDPG、PPO、DPPO算法
1 G5 {+ ~/ ^( |- O
| | ├──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
3 [% V- T% p$ H0 T+ b, ^& g
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
5 d4 _' v8 l! f6 V
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
6 X* R6 }- n4 v2 R
| | ├──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
: T( [" v- f. O9 v- p* Q1 y
| | ├──13-DPPO分布式PPO .mp4 63.81M
( o/ P2 Z$ x& |* p- F- i* G( z
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
. e! q7 A' U9 J" x' Q8 n8 N
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
2 N/ V) Z+ q+ @2 f
| | ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4 51.45M
9 [3 y8 k" S5 T F9 }& V5 Y2 P, q
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
" P; i& C, [+ t. ?
| | ├──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
+ `0 U! E: _; K3 o' C$ p' \
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
0 V1 s/ r2 G) H+ X6 ]/ T$ M3 O+ h
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
% c& m* L4 n3 E" Y* B; m
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
M6 t, u: `3 R
| | ├──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
% @. B5 _8 u4 V# T! J- c" H
| | └──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
/ z& @& `6 f* r7 T/ b4 _: h
├──4--人工智能基础-高等数学知识强化
4 m( @: \: @6 |9 h( `7 [5 I+ C% ?6 o% S
| ├──1--数学内容概述
1 M0 O: |! c6 I) d: n8 ~6 b$ U
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
% y7 K) ?0 ~2 D2 E* X
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
% ]( u |- e0 W. k _7 n8 g
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
$ {$ B1 _3 e$ j0 Z- Y. m% V( e9 p- G
| ├──2--一元函数微分学
* m, H8 @; u6 [2 L. L; N) V
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
* F5 G/ w! I! A; h7 ?1 g
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
' N" W5 r! L6 \. Z
| | ├──3-常见函数的求导公式 .mp4 22.76M
9 n/ t* S- f8 U3 a: O) b
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
/ E4 U, }! V+ Q8 e# X& F
| | ├──5-复合函数求导法则 .mp4 19.68M
+ B4 x, t/ w* ~1 z2 I8 W
| | ├──6-推导激活函数的导函数 .mp4 33.40M
" A6 W! c E4 v2 `1 N
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
: f2 [& k! l' [6 U0 b
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
( ~3 G& {1 }' b+ F
| ├──3--线性代数基础
/ k1 P7 b1 S* v+ `4 s1 m
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
6 z5 S7 S5 A, I9 j, s
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
1 o, S0 M& [0 O) N% Z* r& A
| | ├──11-矩阵的行列式 .mp4 20.13M
@0 S) _' L2 F J6 u
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
: T" X/ w/ u, n) I" s5 n* f) P1 j
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
: X9 m* s8 @ \ i' ]+ y2 }
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
4 |1 y2 \, o' m/ q8 v$ Y
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
- G' g% i) M# \$ X/ H1 ^$ p
| | ├──6-特殊的向量 .mp4 26.45M
" N" S+ W" Z; e z7 j
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
8 P6 Z7 z! P& ^( {* F
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
6 a( D* v# }1 J# @/ N: d
| | └──9-矩阵相乘 .mp4 20.02M
% f+ o0 n+ W$ X2 ?
| ├──4--多元函数微分学
: e5 b( } j- C
| | ├──1-多元函数求偏导 .mp4 22.61M
8 D- I: Q* s H2 V% v K
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
" N9 C" T, p8 W9 Z4 x
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
# o4 Q1 h `; H* F5 n
| | └──4-Hessian矩阵 .mp4 32.93M
/ D4 o5 Q) B% T
| ├──5--线性代数高级
" f# O5 n0 R; H. [) \/ H; S
| | ├──1-二次型 .mp4 27.70M
6 p' m, G9 C6 u G0 z+ I' _
| | ├──10-SVD用于PCA降维 .mp4 24.90M
9 n! h, f: J1 L8 q) ]6 ]' {' e
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
! N0 l( m2 w& n K+ @& A
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
! B6 L; H v0 C9 {% x9 c) Z$ f) f
| | ├──3-特征值和特征向量(1) .mp4 29.83M
% d5 O$ \* T% W2 _
| | ├──4-特征值和特征向量(2) .mp4 30.07M
2 v: t8 o! E3 o7 i
| | ├──5-特征值分解 .mp4 38.68M
/ t7 l8 H5 R7 e8 ]8 \' G, f; q1 P
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
* Q( u7 `1 O7 X
| | ├──7-奇异值分解定义 .mp4 22.58M
- N* R! T3 U& [- Q$ _( v
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
2 _+ G- M# O/ o' Q
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
$ I# i0 J3 [/ _& S2 V) o
| ├──6--概率论
7 y7 l; U' X3 ]) ]
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
0 H; d3 g3 j7 y0 M& h" r. y
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
9 p1 O/ N4 C. S: [; o# ^0 m
| | ├──3-随机变量 .mp4 22.57M
: D1 H7 X' k, w( m3 @* o9 q
| | ├──4-数学期望和方差 .mp4 22.96M
, E1 c0 O6 A$ _* G1 ?
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
& _- d+ J" L1 G ~; b
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
# x' N: B0 x* L, }& H+ d
| | └──7-最大似然估计思想 .mp4 23.42M
4 d5 j. a7 w9 H9 z/ A9 p, O
| └──7--最优化
+ u" l. L7 v, x/ h# b. n
| | ├──1-最优化的基本概念 .mp4 35.14M
# E2 m7 M) j9 i! ~0 w2 A0 f& k
| | ├──10-拉格朗日函数 .mp4 27.46M
; D/ F' ?: {: o% P
| | ├──2-迭代求解的原因 .mp4 20.15M
5 I/ R2 e" _9 S
| | ├──3-梯度下降法思路 .mp4 26.33M
* g4 j, V& x2 \! x
| | ├──4-梯度下降法的推导 .mp4 43.56M
1 L0 `7 L! v7 F! @
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
- J1 M% ~6 O0 u& G$ w0 K
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
( w) F! R" M+ R# C- W3 J
| | ├──7-凸集 .mp4 21.90M
% Z5 `4 R: J. ~; S: f" O; \& M
| | ├──8-凸函数 .mp4 16.93M
9 V/ O! t) d# W
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
0 ^! g( F: }- T |$ Z3 \! _6 S
├──5--机器学习-线性回归
$ A/ A' [& d z5 v2 I. _' X: ^
| ├──1--多元线性回归
7 y. B6 [4 E" \1 E4 S2 v
| | ├──1-理解简单线性回归 .mp4 51.11M
1 p- ~4 n& F# d; C; c4 ^: `, ?
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
! U- G0 G& \' a& [, h2 h a. K
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
" Y# z L Q# Q2 o$ _5 W
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
: k" T+ C$ k3 n! J
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
$ A" g2 D% O* ?5 x% h" X% ? e
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
Y1 k% y' R. ]! w5 Q3 g9 B
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
3 v' R) ]& n# p, ]( J; u
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
) ?2 w {! m$ P2 d) q( E0 u9 v
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
( A _+ g8 `2 @$ w
| | ├──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
2 v! d4 ^/ D' e" y, k5 a
| | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4 34.67M
9 W/ ^( }8 }' c6 V/ r# [5 v4 e# j
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
6 A- @3 L% D' v/ K7 l1 C7 a: j
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
5 _4 I3 [. n8 P+ o; o
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
, l. M9 j; I+ l9 e7 w4 m" _
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
- d5 j J3 M& j; R/ K3 i3 E
| | ├──3-扩展到多元线性回归 .mp4 32.15M
6 v u7 {7 `7 p5 t2 {4 y1 r9 D9 N
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
- s7 u3 U# h& c/ g7 u1 i9 l
| | ├──5-理解维度这个概念 .mp4 41.41M
* S+ Q% Q7 S$ e$ J* {8 V
| | ├──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 Q. |! T: @ X4 K* ^0 I. H
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
- _: O* F4 A) _3 D3 J
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
7 o% F. W0 |" U3 v/ P7 X
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
8 w! f* K2 {$ T9 x/ e2 ?
| ├──2--梯度下降法
( h. J- \, i: k$ R' G2 ]: T
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
, i1 P$ [ C; o- }! |* t) z
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
8 q F& @5 `4 Y' f& Q, c! L8 r
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
0 F3 z& f" ]4 R3 {7 ?5 {
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
! ?6 A1 A1 L; y& m; G6 r
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
7 }2 G& w, x, k, A6 }
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
( j7 `: P& X& V/ P5 a9 A
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
: f |/ e8 B+ G1 G5 S! ]
| | ├──2-梯度下降法公式 .mp4 57.12M
$ D7 d3 x/ N/ Q
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
4 P9 i8 p4 }1 I. a
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
( |5 h8 I- S7 \# ^. E/ u! v7 J
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
: t- G9 C4 w4 P. T; K" y9 ~
| | ├──6-全量梯度下降 .mp4 62.84M
+ ~1 o7 l( q! \0 w
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
% L5 K( {* ?2 t+ \3 h: D3 Q# a
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
" Y+ T% u* T9 o0 z8 X) b
| | └──9-轮次和批次 .mp4 45.22M
, R* d7 e1 K( l/ [ {1 T: g
| ├──3--归一化
( ]: @/ n, n" |+ q. a
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
+ d9 u9 T+ M, `0 q4 t2 ]/ R
| | ├──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
7 e; x) H+ {2 {7 r' L# |
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
4 x' c, E. e/ e3 J& R
| | ├──4-最大值最小值归一化 .mp4 24.87M
X5 Q; P6 g, N; e2 N5 Z5 U
| | ├──5-标准归一化 .mp4 51.86M
: [" z- Z1 `4 t+ [
| | └──6-代码完成标准归一化 .mp4 41.13M
- y5 M+ {0 U+ Y7 b6 F2 c5 Z g( \
| ├──4--正则化
5 \* [- N7 S: \* T
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
6 s' w; F- Z& D+ {' \7 M" ^4 F
| | ├──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
9 z$ @. ? I' w L
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
% t3 y5 `/ }7 V1 @
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
. d- B. B9 _* Q* e5 f
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
0 y1 @6 j' M# h3 W- F1 f) h
| └──5--Lasso回归_Ridge回归_多项式回归
- \: D( L3 [+ C0 f, E E6 v: n
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
) g) ^/ z4 V4 P( S( b
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
, p6 u. F6 B7 m) y# c1 B' v
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
- ^1 B# O( x" g
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
6 `5 k- h' I6 T- I+ b
| | ├──2-代码调用Lasso回归 .mp4 28.73M
: Q$ h% ~, q) ]& ~$ S2 ^ _
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
+ @* @- v4 h3 N8 q7 k4 T- @- Z7 V# T
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
4 Q/ y1 w. F* }; V p1 `
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
V: W. n' j8 M8 w) X- g2 P3 Z8 B
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
) S, M' h; v) C) } j
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
+ B! h R7 k: w3 `# @2 X! P
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
% Z/ S$ s4 M$ R+ m0 Q5 ?: e9 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
8 o s5 G) b1 N+ Z
├──6--机器学习-线性分类
2 Z# R2 e8 J& N, `. h
| ├──1--逻辑回归
8 g6 l: f; g! g$ d5 _. G2 I
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
( {4 b( F5 ^9 V/ {+ }5 Y
| | ├──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
, W) _% M: q, P" R( H7 [6 E( ~
| | ├──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
3 X/ U2 t5 ~9 D6 `7 S, c
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
) y3 }* j% b/ r4 V
| | ├──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
3 W9 d( ]3 b9 f+ z# A# y1 [
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
6 U2 E3 o1 Q5 Z9 J. x: s- d9 L
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
1 u$ R, ^/ l' e: p5 ~5 n
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
# m+ u) q* ^ R1 G6 R2 n
| | ├──2-sigmoid函数作用 .mp4 38.15M
% G8 `# H$ h( L7 e- [- i9 |/ U
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
3 ?! Z/ v3 U8 J! G4 | H
| | ├──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
* h, c6 X' U2 ]( n& ]$ t6 \
| | ├──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
7 x0 }# \# `( [. M7 t
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
( F! Z- f/ Z$ k/ N( i; g
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
& n6 W" I. @6 C- ?. s4 I( o
| | ├──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$ v3 c2 o. B2 Q' @& O4 R
| | └──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
9 T: v1 C$ D# R2 X
| ├──2--Softmax回归
" G9 o' e% G$ P# n$ L" Z3 @* Q" C
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
( P, w( C. ]* b. F4 Y
| | ├──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
% v1 V, @7 l& E+ r, i8 W0 J5 s2 b
| | ├──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
* s i. r1 R9 c) d; z
| | ├──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
; Y" T9 d9 Z' ?% m
| | ├──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
* n0 C ?0 E9 a/ Z# x0 y$ ]
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
z9 q7 a, Q$ I6 L
| | ├──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
$ e: s" g" ~) C
| | ├──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
I3 H4 _$ T' `' 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 L- T$ C7 `) s
| | ├──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
' L W/ w; e2 I. N1 w
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
4 J5 [. P( L5 D+ [
| | ├──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
7 y5 j1 ^+ ?0 q# I& G( b+ @
| | └──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
6 t, V% A9 y. c+ h4 {
| ├──3--SVM支持向量机算法
+ U; p, [' Z2 E$ S: A
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
. S- _; d- r" y$ F- I
| | ├──2-SVM的思想 .mp4 55.56M
7 O3 C2 _- N2 ~% _$ Q, Q* E6 K
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
# {6 a9 k* N9 D- a
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
2 F' ^5 J* G4 B3 J# P4 J
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
$ b3 N5 e2 l. a
| | ├──6-总结硬间隔SVM .mp4 39.01M
! k7 I( ~! b8 L- L" y4 K' H- E
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
# d4 B+ F9 L0 w) t
| | ├──8-非线性SVM .mp4 54.43M
8 C1 @* b/ U! h9 e6 W, \0 s3 U8 C p
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
0 n2 H0 \/ n, l
| └──4--SMO优化算法
# B( W2 i' j3 M
| | ├──1-SVM算法流程总结 .mp4 58.36M
# `0 P' I( n! Z% p: `9 z
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
5 Z' n6 q" H% Z7 @/ ]5 D: f# x
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
2 r i! [+ W, Y6 o6 a4 R. j: _! r
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
- b% D P, [3 B! c8 w
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
# ^ K4 {0 b% Q6 z- 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
/ k& P2 d: f7 `- A f- c* \1 N) B6 L
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
7 }& l+ Z- }7 q! q; m6 |7 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
5 f0 f$ V8 O: v& a% _, o1 O
| | ├──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
- d- i7 [" T. }' H. n* Y+ c. z
| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M
. q1 C# d/ J, Z* R$ a
| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M
# {9 b8 c% T7 x# F1 p1 ~$ _1 }
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
* u3 C( D) k) A( \
| | ├──7-启发式选择两个α .mp4 23.11M
4 p Q' Y9 [0 N/ o5 h' x
| | ├──8-如何计算阈值b .mp4 50.18M
: i! ?4 `, T' g; t6 k5 b) d
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
3 x m b& J$ n4 {
├──7--机器学习-无监督学习
5 r/ }6 O$ b3 `. Y! m# m+ ?
| ├──1--聚类系列算法
+ Z9 W; Y# A0 v* p+ R, a
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
2 O& C1 e5 e, ~$ p2 u
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
! B u9 B r1 ~3 I( i
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
5 y5 F1 N' f8 [
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
$ ~+ J# X( |# P( m
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
2 R- D; D. r5 q% D
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
0 O2 T9 Q* |. ]# B
| ├──2--EM算法和GMM高斯混合模型
+ [( c) @- @/ c
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
. o" l& V* y! ?- u
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
: u2 l) w- Q9 U) {
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
; E2 g! s2 ?. `( X9 X
| | ├──4-Jensen不等式的应用 .mp4 109.17M
$ Y& v; w5 x* J# L5 z
| | ├──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
% }/ V, E% P0 p5 N
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
3 G' u; J0 I; P! `
| | ├──7-GMM前景背景分离 .mp4 16.01M
( e' p" h3 W" b# r, a% M6 g
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
2 u: M/ O8 D @+ m4 p. w+ A+ @
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
9 ?/ `2 g, ~: I* U+ @( S
| └──3--PCA降维算法
& ~0 k- P7 h) O, f
| | ├──1-特征选择与特征映射 .mp4 49.38M
7 w! y o/ ~" d8 v' f/ Q; d- V5 Z
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
0 P w+ K/ w7 V' \# \- w! {
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
* N" [4 s( C0 z% z: j9 G
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
' }2 q& j; H0 V7 b% P5 v: ]: V* U0 J
| | └──5-PCA的几种应用 .mp4 54.58M
& Q) `) P5 m, I9 c, y
├──8--机器学习-决策树系列
& K8 f0 t1 g; S. V2 t Y3 K6 ]
| ├──1--决策树
* @- W, `* `9 X0 i1 r1 V
| | ├──1-决策树模型的特点 .mp4 74.88M
) h5 _( P1 G Q j0 m
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
6 B* Q& O+ }6 p7 s0 t
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
. `2 s8 y6 k6 ^9 }
| | ├──12-后剪枝的意义 .mp4 50.49M
3 o) w& s, Y. [8 d; O
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
; a1 S1 b; J Y5 Z
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
, C8 P: @$ L- R0 X* g W) ~
| | ├──2-决策树的数学表达 .mp4 89.94M
: ]' X0 X. E9 q1 |) I1 H; u# D- S
| | ├──3-如何构建一颗决策树 .mp4 84.87M
6 \ C3 C( F0 i, c* w0 x' Q
| | ├──4-什么是更好的一次划分 .mp4 57.02M
7 R# I4 [6 S) E8 @; }
| | ├──5-Gini系数 .mp4 107.54M
8 A) H6 X" y+ t- `% ]& p
| | ├──6-信息增益 .mp4 75.26M
$ t0 u& }! j R# G9 h
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
1 r: C8 g' u f. O8 h2 T3 ~
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
, `! q O) q7 [! ] J
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
0 U" b `6 W, T, `
| ├──2--集成学习和随机森林
. k# A: q1 K/ O" ?
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
" b' e5 W. a& l& g; Q
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
' F# [, H* p! v9 v
| | ├──3-随机森林 .mp4 108.14M
* w8 b& g; W) T c8 Y
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
T( k/ w5 [: {
| | ├──5-OOB袋外数据 .mp4 106.07M
b2 k2 a; H0 d s
| | ├──6-Adaboost算法思路 .mp4 106.30M
: K, r% i* w y& K5 L
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
7 D) D6 M/ V2 ?# ^ K! T) h/ y
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
2 y1 G7 y) S! n2 U+ l
| ├──3--GBDT
. r2 ~( A# z7 S% Q
| | ├──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
, _$ B! T# b: g& E0 P, p l, r) 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
3 b2 G7 i+ C( e2 V0 A0 X
| | ├──11-GBDT多分类流程 .mp4 73.80M
" N# {9 r# e$ ?5 \' w; s
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
4 ?$ q4 K& Z4 m. Y$ x% K( u
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
2 G5 f2 Y7 U$ z4 I: x% ?
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
3 |6 f L/ Q) _3 Z8 U/ g
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
0 n& z B. w% ?( a
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
. e) n; j' F/ u
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
% |# W3 V( s+ y- k9 R2 ]1 J
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
5 Q+ n1 v4 a V8 _
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
) e7 K3 s8 }) X6 E0 Q' y- q" w
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
6 x' H0 o1 Z. |6 p1 ?
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
+ _# o) [9 \. g9 E- I0 J1 T
| | ├──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
* I& L/ L6 n3 E6 X/ \' P
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
6 H( J9 `0 D2 ~5 j+ ^# S3 j
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
8 D+ k8 q" a& }% ^+ f3 F g" @: R* b
| | ├──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
! E g$ o, t# a# K5 q2 J7 q
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
+ C' F: y6 K' Q
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
$ j; g4 n% S Q# p7 e% w& K6 k
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
- V" E/ V- j9 Z& v8 d
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
3 s1 s5 l) S% X/ f( p1 X+ `# d
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
( G' x( m; d; G, A3 D
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
( ^6 _4 C5 F9 E# F& X' a
| └──4--XGBoost
0 A% u2 v& l8 V# b, y5 Y \
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
! T: W' c4 n) x1 k5 }
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
! O# B0 l% R) S! o5 W; d
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
5 D' @' |2 {- V1 U
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
2 P3 R' y9 O: R7 i3 g( `! o4 ]. s+ ?
| | ├──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
, d* A0 V& d& W5 b1 y3 W% K3 N" x
| | ├──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
2 N3 N5 Z! j; g, {+ h
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
" }+ W/ T/ {# J) ^3 G
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
" l2 T, k; M* p- _: [ G( o
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
M$ e2 j( [* U0 y
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
: T/ S& D5 H# g5 X7 ^
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
: o( y! n/ S0 G& y/ n9 @
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
- v6 @# L! `) L; S1 I
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
0 W" w& J9 g) P4 B C) Z
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
) B( t9 o: l- g5 Z3 w" f
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
& y/ p0 o4 L, S; J* Y6 ?* A( y
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
8 O- ~1 {7 T8 Y' s8 X) g
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M
/ E# l0 P/ Y$ }3 d+ X
├──9--机器学习-概率图模型
; }" ?5 K9 j& s+ X" _ v4 ?% p
| ├──1--贝叶斯分类
+ l( {/ J! s: i3 q/ W# V
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
4 Y: ?8 F6 X! Y8 m/ \
| | ├──2-TF-IDF .mp4 53.08M
1 a) j0 A+ B+ g% W) q2 `# [
| | ├──3-NB代码实现解析 .mp4 126.73M
' D1 r$ I+ i" ?) {
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
* p2 N! S1 Q& D+ H# {/ M
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
6 O1 `3 v4 A: L1 h
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
+ f& e: p: v ?. b5 @( y# M
| ├──2--HMM算法
( b n/ I; }, t& Z: g; O2 f
| | ├──1-HMM隐马的定义 .mp4 36.82M
/ `9 Y; _" C* J# T) V5 Z
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
4 _7 I( A' D/ ~1 v- a
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
+ k, ]9 g/ k# W
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
$ O/ k( H- N9 h
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
2 ~* e/ Q6 x2 D5 N: C
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
" F% z# d. W" Q( a. q, a) u
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
' t% x6 w7 l" A& B- E
| | └──8-Viterbi算法代码实现 .mp4 42.43M
" u5 X# F8 o% P" |) V# F
| └──3--CRF算法
# a n+ x* d# X! l$ Y- ~
| | ├──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
: {1 b- C4 {& t0 [. ~! e. J
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
8 k& r: u# s( \4 n8 X
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
" ?2 D+ E6 O5 s# E6 g' Z- v* A- h
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
- s+ n' d* q+ Z+ ]2 \. x; t/ I9 v% S
| | ├──5-CRF的目标函数 .mp4 23.74M
1 Z$ T% F m$ I7 b( y9 |; M* J' Y
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
" C3 p* O3 L! L
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
$ g9 ^& R. W6 ?0 Q* L
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
# v2 Y3 V! h" Y/ o. w/ S
└──课件.zip 2.54kb
) D$ Z/ h2 P) l
7 o* |7 d% N, h3 C( G' |
. Z8 r/ |& n7 {& k
永久至尊VIP回复即可下载学习，非至尊VIP暂不支持下载此资源！
- c- d$ M, u- s( ~) [5 Q/ n
; [' g) s: x a
. i, G5 R( l$ d# k1 l
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！
% d0 L" Z7 G% I- m. A& G
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
) E6 q0 Z! h& ^4 X) y: 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
3 t: i, x6 ~7 i& J" \: p
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