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/
4 K3 G8 u/ r; I* @& @
├──1--人工智能基础-快速入门
4 `' ]. d& B! e7 e9 e% r$ w' A
| ├──1--人工智能就业、薪资、各行业应用
) J3 y" ?; S0 g
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
1 w8 ^$ K2 I& U! |2 w5 ?
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
0 \$ H$ K6 q* W5 r+ u- @) u
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
" ?' j# Q2 P. T0 f" D. q4 N3 j- ~* @
| | └──4-人工智能在各领域的应用 .mp4 57.73M
@! W1 l a7 b* ]. g# b- D( [- _# s
| └──2--机器学习和深度学习、有监督和无监督
+ P: u; v" }0 N) c9 O }6 S
| | ├──1-人工智能常见流程 .mp4 89.62M
* `. I; Y0 C* a8 k
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
" B ?) K. X3 h
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
8 {( s7 ^5 L o9 @
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
: v) h; P+ [+ c# Z( u* \- b% u3 v
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
2 J( j' G6 D E. Y2 o
├──10--机器学习与大数据-Kaggle竞赛实战
" I( {4 j2 h4 K' G. P n+ o+ \
| ├──1--药店销量预测案例
0 M' p$ P' S* U
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
% A( l: n8 t: J! x
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
: l* X: {* Z- Z+ o, F4 e5 L4 }
| | ├──3-自定义损失函数 .mp4 21.12M
! u' L+ F8 v3 c( R: A
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
/ J) a8 O; x) N5 w( t: _
| | ├──5-数据的预处理 .mp4 111.81M
# R7 {1 S/ ^& G
| | ├──6-模型的训练_评估 .mp4 66.64M
) _* Q: h$ p; c
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
& X0 v# a r, x( }) F8 J
| └──2--网页分类案例
9 z- L: {1 b+ i/ x, c b+ u
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
0 T& ?0 `: F) k0 w! q* ^8 W
| | ├──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
9 @# `& Z t z, W2 I* E. U0 w
| | ├──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
, @' b1 O9 {* A9 U; F$ Q! D! d" A
| | ├──12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp4 74.74M
+ f* t- R0 Y6 F0 d2 w
| | ├──2-评估指标ROC和AUC .mp4 56.19M
; h# T0 g: g" d& ]( F
| | ├──3-评估指标ROC和AUC .mp4 49.03M
4 m$ V( ` i8 x T) |
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
' e3 c" h! U( w1 y
| | ├──5-数据导入 .mp4 68.41M
/ {( L: U1 P0 g8 m
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
7 x9 p1 N; b% g+ L/ t
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
! s% t \! z: y8 C% v* s
| | ├──8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数 .mp4 62.48M
" X4 w/ z A. u5 p2 y4 {, I3 O
| | └──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
: H- w/ |' t. T. [- D5 O/ U$ p
├──11--机器学习与大数据-海量数据挖掘工具
. z& a+ `$ x' J4 x* }5 b
| ├──1--Spark计算框架基础
/ _5 p7 V9 n7 U2 F% s* R, ^
| | ├──1-Spark特性_01 .mp4 41.68M
, x. x+ t3 e7 k
| | ├──10-分布式计算所需进程 .mp4 26.30M
1 p- _- S/ K4 i1 J. _
| | ├──11-两种算子操作本质区别 .mp4 56.31M
" B5 j% T7 g. Z; j- K
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
7 ^8 @! z3 X7 Z0 e2 P9 v# H
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
5 {! z% W$ | ^
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
" J+ d" v! z! P( a
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
* R- l( Z( \) v; s1 n# [ {0 ]
| | ├──2-Spark特性_02 .mp4 35.15M
/ I" s* f8 Q9 a% z0 \3 @
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
! Z/ L- c( ]/ {( K- J- r
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
1 P" d1 M1 a+ Z' F: q; v8 |) T
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
1 M1 R* B/ e: `% u9 M; M& E% D7 l
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
5 Q7 W6 b' H/ M" E
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
+ f( g; k0 H0 V; m: r/ S
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
9 Q4 p9 T( _0 ^' ]$ W
| | └──9-Spark的RDD特性_02 .mp4 33.41M
; V; S) }' Z2 ^
| ├──2--Spark计算框架深入
' j* E! p/ O7 B$ i, s
| | ├──1-Spark数据缓存机制 .mp4 54.43M
; T' r% Y; s5 O" c3 D" z
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
) i9 I6 J0 N% [- L
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
$ z8 s. z$ F: n4 s8 G0 c
| | ├──12-构建LabeledPoint .mp4 111.08M
- v2 Z) V; i4 T2 [" k' U( X
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
" ^/ T R3 d3 N9 c
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
4 b/ I' {; K4 @2 k% U) [
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
% @/ A; b& {. }- k* T8 z3 D p$ |
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
: ^% T2 ~# Q3 n' s5 `7 A
| | ├──5-Spark术语总结 .mp4 89.66M
# b! @5 m( f) y7 a3 X1 P: R
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
0 I; B$ v. x/ g, A3 l! h9 H
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
Y+ p. s) Y/ R1 K( O
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
, ~6 m5 m: N* }* d) {7 Z
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
3 T$ S% }+ e5 ]
| └──3--Spark机器学习MLlib和ML模块
* z! I: d1 G1 }- ~1 [: R
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
# D5 ?) I: k, @+ d( o9 V" w
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
8 ~5 F. w* q" X5 X0 P4 Z I
| | ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4 89.72M
R7 y2 y; f. _: @8 m
| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M
' b* Y3 d7 g6 Y* ?# F7 M
| | ├──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
" e z u4 e. V) \/ U1 U
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
) R" g5 z9 k* a) G. a0 r
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
+ k5 K: u9 l, |% v2 l) D1 L; g
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
: J0 `& x' ]2 [- V% [$ g
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
8 h3 o2 ^) ?: J# D
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
2 K C8 R$ P2 E# h' Z! w( l
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
2 m9 D! n1 m' J/ l* R7 T; ^+ I, e
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
2 c: q: K; M8 W& j6 O& @
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
$ f# O& a& W. h. I& G) @ w% g" N
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
& ^+ r* @. ~: B: P& b7 N9 M# R& @
| | ├──22-SparkML网页分类案例代码实战续(1)_1 .mp4 143.99M
- Z/ E( E( s; ^; d5 [
| | ├──23-SparkML网页分类案例代码实战续(1)_2 .mp4 143.95M
$ Y8 }, ~) ^/ r- l/ X0 Q
| | ├──24-SparkML网页分类案例代码实战续(2)_1 .mp4 177.12M
4 x" a0 W# O* k' y0 ~6 }( T
| | ├──25-SparkML网页分类案例代码实战续(2)_2 .mp4 99.25M
+ a$ `2 |; z2 y5 L
| | ├──26-SparkML网页分类案例代码实战续(3) .mp4 9.82M
. F l* a! S+ ?
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
7 ~0 r7 I) l8 B. B) ~4 f7 v
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
3 h/ I' S+ Q4 Y- X) Z
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
8 e0 z; f9 y: K0 S2 N- i
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
; E- N) E: C h( r
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
: l1 N: R8 @: w+ X9 [$ J
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
: \# F% N& e$ G4 d
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
$ v& A ]5 J, ?8 B* D
├──12--机器学习与大数据-推荐系统项目实战
& u+ Y; G! S) z+ M# {1 `
| ├──1--推荐系统--流程与架构
6 y: K+ U! r5 k) J! ?: [2 o% X0 _
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
% P% j0 P& B9 B2 e% Y7 {# F6 [
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M
" c* |7 S3 F7 _+ E4 J. Q3 s
| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M
4 C; `: V1 H3 x1 C" I3 s% k9 b8 Z
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
) U' m4 j+ q) {6 `
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
; q' }5 R/ ?1 P
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
) U, Q# N3 [/ q9 H5 c3 P/ x
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
& M1 d5 L' i( x3 |# V0 j7 u) J* c8 y
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
* F. y$ `! g( `' p+ T' l
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
) X2 J7 O, k [ w" v! B3 F2 R
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
9 B$ `% H; Q5 C' ~% B6 k
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
8 ]& x4 U/ E4 e, y, R" C6 w
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
: x* s$ W# `# b5 G
| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M
1 C6 ] F9 t* l0 S4 @
| ├──2--推荐系统--数据预处理和模型构建评估实战
5 f6 r: w$ s9 e5 p! x0 r5 M$ m
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
: [- O1 @1 F" r- x$ `. X
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
, R9 ^3 P& s& O9 w
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
_8 W1 G3 @; D* v, N
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
/ L7 C6 d. X# _# ]: g
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
" _: E/ n" A1 k
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
( W' {' D: Q& w5 K& }, V6 K% U
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
% y9 c" @/ F7 w( n. q6 J: [
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
8 U, \ ?1 l" N* H$ K* v
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
, |; Z; A3 s0 a8 E( A
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
+ Z/ u$ a$ |7 J- S( ^, K3 S& c8 W
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
4 ]& O: c+ K1 `/ q" O2 x2 [4 a; x
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
2 {+ k2 d; D n a9 M* \4 X
| └──3--推荐系统--模型使用和推荐服务
- S# a+ m9 w7 ~# C; h% Q
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
7 \7 z: E7 b5 W6 _' ~' B4 a9 @
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
" k& d0 u& b$ w% i2 p
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
& d7 h. R5 F U. p
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
# v) e4 |7 Y' b R7 q0 t ?5 m
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
- Y& c& l* `' s$ _3 u
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
. B% i, d, f ^$ l! ?4 ^. K9 A
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
7 n9 D. T. @. G
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
# U' V! b4 g7 u z/ b& v: a& s
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
' s$ b( z$ |# F
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
! F) `0 w7 B! @$ I3 T3 }8 u+ Y* T* ^% w
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
4 ~1 h# M: S0 q8 |# {
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
% l# h1 E3 r i8 s
├──13--深度学习-原理和进阶
4 n& j3 \) s& I. }. z
| ├──1--神经网络算法
5 x, M" j1 l: Y- N/ W0 p
| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M
0 u3 F; m$ I! u- m4 S$ Q7 M
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
7 O& }( J* ` [, p! m
| | ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M
( ^7 S; `* m( K8 |1 S
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
) ~$ j) t4 K6 b
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M
# f; S, b. I, @9 |3 j$ U
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
, n# n4 O' @( j. i0 Q: o+ ~
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
" _( Z/ z: W [; X: t/ f& t
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
- c w5 R- B+ I- z' [# o0 T. O: H; ?
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
8 v& {8 q+ ]# l7 {" H
| ├──2--TensorFlow深度学习工具
0 @9 ^4 @: z* [0 j" q1 ^) s# Y2 V
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
( v! U: c3 U$ @7 v! h
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
7 y9 e1 q1 h; f& n2 U# |
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
& T& `. O$ W) l" |5 U: T) z" B. ^
| | ├──4-TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式 .mp4 173.47M
7 ~6 D5 f& C& U8 p R
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
3 \) J* t+ X6 B8 |9 j/ q( Y
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
2 i* [$ Z: A u
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
1 T# [$ G* c; h' M9 m! _
| └──3--反向传播推导_Python代码实现神经网络
9 `( w% [# |5 B' c3 y
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
- S6 }# t& p W$ K. L: E( s5 n
| | ├──2-反向传播推导(一) .mp4 127.90M
4 o+ k$ H& L4 f/ b3 l# s6 x
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
; S" Z; O. X3 l O" ^
| | ├──4-反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例 .mp4 81.20M
+ S! v9 f: G8 B& e
| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M
8 p% B2 [! n/ l1 W
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
1 G B( ]4 u4 O% n6 m
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
2 s: X% }6 L2 r4 n* P- c2 U
├──14--深度学习-图像识别原理
' j" x, P9 S% W( g/ f, S% S
| ├──1--卷积神经网络原理
% N; B: p, Z X8 o' ?# x
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
& D; v3 Q) H) m, ^, t; H+ r N
| | ├──2-单通道卷积的计算 .mp4 104.01M
5 ~& z& [$ v' i/ a
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
8 D- {2 N6 x, _9 I/ u
| | ├──4-卷积层权值共享 .mp4 63.93M
0 N2 S1 G* `$ {
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
9 L3 P( L; n' P% Y
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
- `' }% r8 n/ l8 D: l2 n% x
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
/ h' W8 ]$ H6 D# K; \
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
8 D+ v) a8 L' d, q9 T
| ├──2--卷积神经网络优化
; S. J- O; _) L( y
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
9 e, v8 t7 G9 n% e, f6 e0 t! v3 d
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
$ Q3 j( d& y, R1 d6 u, }% k
| | ├──11-Optimizer_Adam .mp4 141.12M
9 G7 U5 Y% e! x* Y
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
2 s$ p6 @, [0 \( S
| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M
( W# S4 V( l9 T+ t' \1 C
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
* P8 c, Y7 Z \; h/ u/ I
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
) E( @2 ^; ~: o% X: M |3 L: T% R# ^
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
& {/ s' D% m5 ~
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
o7 Z$ ^) i/ C9 F0 Y0 Y' D
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
0 Q: _9 v9 n2 P3 d u: g; u7 J) ?$ T
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
3 ^& y$ E3 r) ~+ T# I
| ├──3--经典卷积网络算法
. o9 [( D' a' {/ c
| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M
\+ I3 `0 ^: o( p7 X& j/ N9 P6 H
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
1 Z( @' ^8 j, m: S
| | ├──3-InceptionV1_V2 .mp4 165.86M
) G& d W% y% v: {0 U
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
& Z2 s/ e* s/ l/ \5 @. M
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
- M- U0 P2 P2 ~
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
T" w- L, }; f; {" z" `
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
/ D! t& Q8 V" O; x) E2 s! \) Z
| | ├──8-BatchNormalization .mp4 99.23M
. D# M' D" O% j7 {' A8 y
| | └──9-Mobilenet网络架构 .mp4 150.05M
: `3 i- A4 v9 h$ Q7 w" p( ~. R7 X
| ├──4--古典目标检测
+ L6 [6 S0 w2 u2 [& y' c
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
( Z0 q! s, m6 T) g2 S+ u7 U$ O3 q
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
8 n/ O4 E5 ]4 M( f9 j
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
; _8 g ] o* c" r) K. u7 Q
| | ├──4-R-CNN和SPP-net .mp4 124.06M
. t5 k3 [( F; D; \
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
. L5 s. G2 L7 }( O" n
| └──5--现代目标检测之FasterRCNN
3 C- y' S$ t F1 h' p. h
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
2 t" d/ _+ I7 n- w0 t+ N1 a7 I
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
+ D6 _, d, @! I
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
0 T9 F9 j% m5 {" z$ i5 B# H
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
1 X0 ?1 S: q6 {" u0 z. r2 o
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
1 C8 l! l g! x
├──15--深度学习-图像识别项目实战
8 B1 A9 [: w9 j$ B* }1 ~
| ├──1--车牌识别
- y8 v% T$ F" y# V9 v( P
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
$ T4 b5 D; C7 s7 M+ g: q
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
9 f' H7 C1 h7 R [3 k4 d5 f
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
7 }0 @5 a! v* `
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
& U* {4 @% X+ [: }2 w
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
7 {2 x8 Y" u9 R1 b1 J# Q+ {
| ├──2--自然场景下的目标检测及源码分析
3 A; c4 T& z' s8 N' D7 U7 e
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
, S% ^1 V- W# s
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
; M& r& ~2 t7 T3 V2 F9 c$ G
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
( s3 d' w, }9 q9 j- R
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
: Q0 T9 C6 q, {& P
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
( p: u" W! Y3 `9 V3 @
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
' ^( Z; u0 K' F: r# J
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
- G- z. d0 X5 k$ N7 j
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
/ ^% K$ `) V( L; s
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
, Y3 |4 I: i0 U8 p
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
/ a$ v% O8 ^/ M9 ^
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
. y5 O1 t1 `) m5 R- e
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
8 y+ d9 u. m8 S% Y* y
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
' O' m& X) d! m( [
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
1 s: r! n4 O' h0 D( K2 ]
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
% P) i* i% e5 a. E7 F' O
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
5 A' m% u5 z$ `5 K V
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
* ]! I3 W, |5 d8 w2 C- Q- [. j8 I
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
6 |# W6 L" Z1 \8 W% k" k
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
2 j0 Z/ i d8 Q$ b9 S* o- Y7 \8 C
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
7 M& W4 B1 R9 h N
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
! y+ N( ^0 h* T, U$ b- j# I
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
* |, S: a V' @1 i$ D8 U
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
9 o9 s" m. f9 \4 K' M
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
: N3 m1 v0 i7 m% G
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
/ d I& d8 Q" [, ^" e" Z
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
+ m3 H5 w( x# }. x
| └──3--图像风格迁移
5 `) W- K% g- Q: Y; s& S' a7 y
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
9 X% q7 [% c+ Z. z# {8 z
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
& y) p: }2 m \' |( T6 b
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
" j2 Y3 Q6 l) m; s, \ b
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
- B* o4 x1 U- `' Q5 v
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
% c% F& j* R, [% N& ~* x, Q) F
| ├──1--YOLOv1详解
; q/ ?# r" b/ J
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
; b) q: p% f! O5 G1 {8 y' Y8 ~
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
8 o# ]- j5 @8 C
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
# T; w5 \& p2 r+ Z0 h4 A1 t
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
6 b$ m! _& i% X! h/ \: o
| ├──2--YOLOv2详解
: S8 k* u# h! j6 R7 j
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
8 J* F0 B: T) T& s4 X* @, X
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
& `8 R; E4 c& y/ m9 {; `- l9 l
| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M
! M3 q' F! V V0 _( ?
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
# h% A {( D4 R+ J& y
| ├──3--YOLOv3详解
) @3 G- z/ J; O- H
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
* s6 v4 b* ^" N6 N
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M
( _# q, Y/ j! _6 U0 x$ ~7 j
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
0 f, [8 T x/ p" @. ?
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
/ m' z% _ T6 ?9 X9 |0 h4 P7 b
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
6 k3 F+ d$ g. w* t' M' G
| ├──4--YOLOv3代码实战
; k& s4 o- C! _/ `0 t* C* N2 u6 K
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
- B+ h1 ~" M! Y# @, k; A
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
2 }* s* s, M- ]; U# g
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
% h" z( B7 Z9 y; u
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
0 M* i. w" j) R6 E& f5 b+ ]
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
7 \" `& w. i& O
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
' h" @% T5 q% B, Z8 j9 F
| └──5--YOLOv4详解
I9 X+ ~) E, w, }( p- h
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
* \. V! L! l. d, w6 j
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
& ~2 g/ N/ r( K- V5 Q6 K
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
* S+ A5 i0 i+ M
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
" J1 q, i4 X1 Z- A
├──17--深度学习-语义分割原理和实战
1 T% D2 y5 y2 E/ U0 E
| ├──1--上采样_双线性插值_转置卷积
& O: T7 F, A4 d; G/ P4 S0 a
| | ├──1-前言 .mp4 19.46M
% z. R7 x- X$ |/ J0 {
| | ├──2-上采样_repeat .mp4 23.90M
) j2 @# Y( a' L+ V" J* ^1 f
| | ├──3-线性插值 .mp4 34.48M
/ e0 a* A! Z/ S6 o% W& h
| | ├──4-双线性插值 .mp4 125.71M
4 q/ X, \+ Z7 @6 m- K- T2 t
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
4 y8 C. X* T/ q; N: I" B9 H7 U
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
; J) k: t) J% T W0 a# v% ?7 j
| | ├──7-ROI Align .mp4 58.38M
. y! N0 m; |# ^
| | ├──8-FPN思想与网络结构 .mp4 92.14M
' M8 G& x% D% |" @# A
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
- x( ]$ W2 _! ~! s; c) e
| ├──2--医疗图像UNet语义分割
. N/ |# x; B8 ~) @+ V! G6 D2 s+ a
| | ├──1-语义分割的基本概念 .mp4 18.33M
: n& X! y: r( c9 C. J. o- K
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
* m% [4 y) I: T5 ?/ R P7 S0 {; J) ?0 `) y
| | ├──3-UNet网络结构 .mp4 30.41M
( m8 Q6 b2 T$ }2 ^, s
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
1 d5 v8 g6 l& n4 I1 s' F
| └──3--蒙版弹幕MaskRCNN语义分割
. ?) N, j2 L4 p: D
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
; Z. Z! L. @2 e: h0 n8 V
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
8 f* E+ `! W) o+ I5 x7 b! `
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
) i% p' U/ K! R3 o
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
/ G: ]$ h: _' {6 E% J
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
3 H$ B$ ^" E% j1 s
| | └──6-MaskRCNN源码config和model .mp4 244.48M
' ~2 f9 a. Y6 x% g! S8 \2 O/ k$ S* v5 [
├──18--深度学习-人脸识别项目实战
; b7 I5 t# O1 a
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
6 _0 }: e. o. X
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
& ^) `" r% I7 S. P" A
| ├──11-人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框 .mp4 66.61M
/ N/ f! p/ B3 t- p+ F
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
# {! k) q" Y/ j' x9 T% ^
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
. b) E. U7 e* t8 z
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
/ a2 d: ]% G* `: W1 g" Z
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
. l+ M }3 a1 k5 K5 K6 q
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
# ~$ _4 c, g5 w( I0 t9 b" s
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
. O! S2 e9 P, u& F
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
7 ?/ i) S$ p4 i
| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M
. R) L6 G* H1 @4 S/ q* ?
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
9 q' W' m- A2 h
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
, x, T! k/ K+ \4 u. F
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
) T. o$ z7 g4 W$ g
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
7 N0 S2 x( @! z. N" t( G
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
# \ N- T; j$ @& \1 t( E f
| ├──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
7 w0 @( j, T) O- o r; v
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
' O/ t$ K4 z# ?
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
" p; g# L/ u6 w" j5 }3 `
├──19--深度学习-NLP自然语言处理原理和进阶
6 i* R5 a& B1 g6 }& X3 ?, P
| ├──1--词向量与词嵌入
! T' C: @- [* m% ` N7 w: E
| | ├──1-N-gram语言模型 .mp4 116.32M
# I! W Y" O$ f0 Y, T. G) E
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
! w. U4 @5 {( w
| | ├──3-词向量的作用 .mp4 58.00M
7 Q4 }5 O4 M5 Y# }8 ^" T
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
5 \( l/ w% Z6 a( v2 ^( W8 S- {
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
% f5 d2 ]' k0 e9 ~9 M! V
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
! S! Z( E3 w' i F" F: u: d
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
; M8 B& c$ s7 Z/ ?+ C- i' V( S
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
& \1 D- {3 h: r
| ├──2--循环神经网络原理与优化
' c. V2 [( F) |# b1 b
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
3 B, ?& U% l6 f) P- n
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
$ U& C; L' \ p. k; n. f
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
) y7 N7 ?4 M8 U4 g& H
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
" P; w [) @" a2 j" T
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
1 s$ k. V; D& Y1 r3 \7 F
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
* {" l4 @3 K8 y" Y+ f
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
3 z2 Z8 B% q' y+ m
| | ├──8-双向RNN_LSTM .mp4 52.01M
& Y9 }* I, \( C/ m" T) h
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
5 k; x u: Q$ g; ^) D
| ├──3--从Attention机制到Transformer
' t [ m+ [8 T
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
+ P% v h4 J. J, e3 P* |
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
6 }; u* U) t' }
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
7 N6 J9 K) t9 I2 @* ^% J
| └──4--ELMO_BERT_GPT
5 S9 J: b, P9 Z
| | ├──1-ELMO .mp4 62.44M
! r6 ~2 a2 t1 U
| | ├──2-BERT理论 .mp4 99.73M
! U m- G; g0 h/ l
| | └──3-ERNIE_GPT .mp4 56.34M
3 }4 p2 |: n% ?5 x# l
├──2--人工智能基础-Python基础
! M- _: B0 B' L: T) K' t$ _
| ├──1--Python开发环境搭建
0 ]6 E3 K0 K/ y v
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
' g: }6 r( s R$ i T' \
| | ├──2-Miniconda安装和测试 .mp4 57.12M
+ t& E" R" ~, J
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
. s; O, q/ b& u/ ^" c1 V4 f
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
- v2 x" G; P4 c* N3 u$ ^8 [
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
2 a7 b1 O" i1 j9 M% T0 a
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
. P4 I$ x0 P# C( y% r* ?
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
2 h l$ ~6 G8 C$ I
| └──2--Python基础语法
9 i/ J$ K6 r" j
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
1 Z$ b/ d! x4 q n* y! ^2 J% L
| | ├──10-Python_集合操作_列表 .mp4 34.71M
* L- ~. y; M1 a" F: z( ^
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
0 G. K! u6 q+ z
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
. P9 `3 h" l/ a
| | ├──13-Python_集合操作_元组 .mp4 43.46M
- Z6 O: W: k* h! B+ X
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
( T+ Z8 ~* A3 g; ]. h7 O. P: J' ?
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
% x3 _* `( O" w' J5 H+ G! l- B/ ^
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
. o+ e" w5 n: j d) P$ f0 \
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
, @. d5 i! d; [4 B8 \: `
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
: C. H" w8 {/ v
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
- }0 D% ?. I1 Q+ y9 ]
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
8 G6 _9 r8 [; I. X" j) V( h5 |' j
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
( K% h9 h7 ~, n0 h3 T
| | ├──21-Python_函数_递归 .mp4 23.46M
- C$ g3 Z, }6 @: q
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
7 L+ [+ N# o# E; h
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
! m( C& K& H1 H; `* Q
| | ├──24-Python_函数_闭包 .mp4 41.61M
- K. A$ u. Z& y0 d- P: i
| | ├──25-Python_函数_装饰器 .mp4 30.35M
7 S0 R0 @3 o! t1 B7 x3 v- D/ c' w- b
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
) q( [$ f8 Z' T6 x& l% r6 v
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
3 a' l" ]) _. G' ^
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
+ I# V' R0 r0 J- l6 N
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
_- E J" T% V8 t' t7 Z+ g
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
' j4 H* ?6 G2 O9 \' ]
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
; c+ [1 D7 f B: N1 ~3 F; Z
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
2 O6 L7 _- Q* z6 F4 u4 E
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
+ ]1 J* x. f. j6 m# i
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
: {; r2 x. W' w7 t7 d3 i, c$ Z& P
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
, q) ]. K) U* y
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
1 _: p+ b% O( Y6 F3 n7 N$ M$ m
| | ├──8-Python_切片操作 .mp4 40.20M
, e& F- @/ k" G- p
| | └──9-Python_数据类型 .mp4 25.38M
& ~5 t: p' ~1 ]" ]& v5 _$ Q
├──20--深度学习-NLP自然语言处理项目实战
5 B- I0 N) n/ S9 L* o
| ├──1--词向量
1 Q( O) x1 ?% P" u# O2 i
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
. U; x b5 }1 J' M. `% ]0 U' W
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
8 b+ i) j- H+ v0 n$ ~! A7 {
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
5 { \9 }! O% z( Z! |7 ]5 l7 ?
| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M
$ A$ k" a# ^1 F) o# C( e/ [
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
. W' E4 e4 m( A! ~4 H" K4 ]
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
. M: e7 C' N. z( t
| ├──2--自然语言处理--情感分析
$ e4 H1 h9 B i5 Q
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
- A3 e& X/ l0 h+ Q% e
| | ├──2-数据预处理_01 .mp4 79.65M
! b7 f2 H7 ?; {7 {
| | ├──3-数据预处理_02 .mp4 45.68M
# j2 O- W1 m) C% e: i
| | ├──4-代码讲解_01 .mp4 52.29M
1 j+ p+ J; Q a' U
| | ├──5-代码讲解_02 .mp4 60.85M
! [! \: Y0 |+ @9 Q5 S
| | ├──6-代码讲解_03 .mp4 53.89M
7 a- F0 v/ R( V, |- b) C% v4 l
| | ├──7-代码讲解_04 .mp4 57.19M
& O$ Z; A2 s0 }! m
| | └──8-代码讲解_05 .mp4 35.88M
) T; ~ _# T' s! k9 U
| ├──3--AI写唐诗
, B. ]- m* k/ ?
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
. R' L8 Z- {7 u7 c, g
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
" ]" \0 U4 w8 Z `
| | ├──3-MultiRNNCell单元 .mp4 38.93M
: v3 t2 }1 e! u! m8 ~5 E: `+ N+ O
| | ├──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
. g I, P9 {1 c% `" j) d! Y
| | ├──5-AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码 .mp4 61.73M
! i0 Q4 V0 n1 d% a' M- ~% L+ Q H- a
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
( M# @- C( b5 a) E4 V* O$ ?- I+ Q9 |
| ├──4--Seq2Seq聊天机器人
+ c- }* @6 J( ?2 f1 {
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
1 a7 S; G* m2 x! U" x: |( i
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
. H9 F& s5 [2 {9 n% V) d
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
) c% f3 L2 s) }5 F3 z
| ├──5--实战NER命名实体识别项目
1 t, ^9 j! E' Q' P; H1 {
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
5 ]7 r$ T5 O! G$ U/ J0 _1 k
| | ├──2-介绍了代码目录结构 .mp4 23.44M
6 {& q# H- O( t# b B* k9 m/ h H4 d( w
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
4 I6 K0 R% a) K5 q! l. R0 @
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
4 H( F2 x: K# b8 ~# V
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
7 |2 o; ?; F0 `# |$ O
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
: m' @) V2 f7 B
| | ├──7-CRF中的特征函数们 .mp4 125.97M
: C& P0 v' k; k
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
a a" D2 Z$ ^
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
% Y6 ?& ]$ X; }$ d" i5 e- R' f
| ├──6--BERT新浪新闻10分类项目
. G8 G% M3 _# v3 X+ }$ P
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
% |5 C! d; |8 }; i
| └──7--GPT2聊天机器人
9 o9 L Z5 w h6 g* c# Q& g
| | └──1-GPT2闲聊机器人 .mp4 62.28M
' k1 M8 s1 Q5 ^4 {
├──21--深度学习-OCR文本识别
" R7 j) a0 [! f6 I4 S% e
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
+ \7 @ V. _( E( Y4 x' }/ J. U
| ├──10-CRNN项目代码剖析 .mp4 306.48M
. w* ]+ ~3 t5 i; b; J m7 L+ x
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
# E: X( H, r& @ a8 _+ H w
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
{6 {% ]* D, h/ z: `' m0 h
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
5 m/ R$ \. o& R4 t
| ├──5-CTC损失函数的理解 .mp4 330.64M
5 X* i, \) ?3 K$ F9 ^6 ^7 F: s
| ├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4 200.52M
7 C1 v8 C: x6 e ?4 ?' o
| ├──7-CTC前向后向算法代码 .mp4 225.41M
1 r5 r% |3 @3 N* V" ~# D) {
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
( ?" {2 Y0 \! {' Z2 h
| └──9-CPTN项目代码剖析 .mp4 491.69M
7 o; y$ T% c2 n( G [
├──24--【加课】Pytorch项目实战
( o3 D% h4 e/ g( B+ ^9 d
| ├──1--PyTorch运行环境安装_运行环境测试
5 K- Q; \8 ?0 z* c' V# F# \
| | ├──1-PyTorch概述 .mp4 29.29M
* T j: T9 B- r% w7 d8 @6 }2 O
| | ├──2-PyTorch的安装 .mp4 76.45M
& V% {" q9 l( Y% y) L
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
9 E+ K1 p7 E4 i
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
" u8 j* l. [7 B9 ]- h
| ├──2--PyTorch基础_Tensor张量运算
- a& @$ C8 C8 Q* }4 G
| | ├──1-Tensor的创建 .mp4 55.14M
o$ d8 |& L- I0 B; g6 w5 @
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
5 m! D* o6 _" j0 F8 j, n- D; P
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
- i' |' _& A! _3 R- [% a |
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
2 o6 m3 D0 Z4 _+ h. q3 n: L: h: @) \
| ├──3--PyTorch卷积神经网络_实战CIFAR10
6 S0 U7 p& ]8 P8 G% p0 \, b/ p2 j( D
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
% R6 D; C6 }5 h) u+ m3 a3 \
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
9 j; p' `0 j3 P, |
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
. y( f2 u% t% _' u& Q! k7 `4 G
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
9 ]! Q1 q, I p0 L% F1 J% _6 L% j
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
6 S4 s# ~3 m( o' P1 w; G4 |3 x: m
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
3 m6 Q @8 a0 B' T" D
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
$ K, q6 ~2 J7 z; m' \
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
$ m/ K. `4 z- W% K- j
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
) f9 R* v* _9 T, l7 C% f
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
: m) n. u& S6 z9 e9 c& s
| ├──4--PyTorch循环神经网络_词性标注
5 o9 B: m0 ]: q3 h
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
: m0 U$ M) k1 [3 Q# y) g. Y! r
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
8 V- |- u2 z5 A: a
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
}! [1 G+ S# J9 W: u" a% j# n( A5 x
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
7 k4 r/ e- y7 G& m
| └──5--PyTorch编码器解码器_机器翻译
/ Z5 m: X( ]" d% t, E0 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
1 u) p0 `0 g, z0 [9 n
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
* C6 \' ]3 X* c: y6 @3 ^
| | ├──3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器 .mp4 57.69M
) W& \- G4 p+ j( D2 z
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
$ R5 _: V- s. J t, ?/ r
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
4 K( p; P, A+ @4 m0 [. u# l( {' }% G
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
* O5 Y0 w s5 n2 @( c" J+ d
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
0 @* u4 v# Z& w7 V
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
, c! b8 ~' u1 f& S! E
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
% M- t: b, s/ p* S4 m8 L. N7 K
| ├──1--PaddlePaddle框架安装_波士顿房价预测
7 l$ e, R1 i T! ]: V+ ^
| | ├──1-安装PaddlePaddle .mp4 87.34M
/ b1 n! J1 j# |6 m Y9 e
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
* L0 @( L1 Q1 `+ O& j* P$ o
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
+ M/ i% g2 }% x& e+ G+ `1 ^: }
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
6 t7 v7 x8 P0 A0 i
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
0 C: x8 i6 Q# [( F0 q9 t6 ~
| ├──2--PaddlePaddle卷积网络_病理性近视识别
3 @6 S( q! L. C, Z6 O" p
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
3 k5 z8 U, i+ h; \! r p
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
& I& g# U% L; n6 z* ]
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
5 g* ^" h9 i4 x# m; w. ^
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
7 `$ ~* X1 ^ c' R/ f
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
2 H( \/ x4 q7 D* o# b$ y' M2 _
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
$ `1 ~$ O1 J9 r5 |
| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M
* U/ K0 B9 b+ x9 Y- L4 b
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
) m7 U1 d% X' R% V- b) ]
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
) T p5 T( F- b6 U3 \6 F: K
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
# w9 y; |, R a7 s: R
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
* l$ V: z( K) @! s1 o
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
% F: R& E3 R4 A# s" E- ?& p/ k% t
| ├──4--PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss)
& D( n( i: z7 ~! p% m
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
g% |; e5 ~1 E) H/ v
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
0 Z% A* w) S' D" l* g$ I
| | ├──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
( E* n' }% v1 T$ R5 k G
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
+ f4 a% q# L/ ]+ S& Q% o
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
- _4 t4 I+ }1 a2 F9 m" I
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
: X6 ?: X \+ q, _" t
| ├──5--PaddleNLP模块_物流信息提取(BiGRU+CRF)
2 w6 c3 w0 y0 Y+ h* y7 I
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
) ~! v& e0 A! b
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
4 h- H- J+ C- g0 e6 l
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
3 z; K6 [# R k- S2 Y
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
2 g0 | m0 Z6 [6 V
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
$ T. X% p2 o8 ?2 D
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
, T" R% D" u1 a* a
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
V6 |( l6 V& V5 k
| | └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4 80.58M
- }/ H4 @% O# c3 i% D1 ?
| └──6--PaddleNLP模块_物流信息提取(ERNIE版)
+ _2 l3 u# h. e% Z4 m) `' `
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
$ u! _% B; }) Q7 {' `9 T% g( v( _9 ?
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
. ]2 G& I+ V/ P2 V& t# L1 k# N) z' n
| | ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4 47.78M
; ]$ L i5 `# J* o9 f( v
| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M
' n8 Q) a+ f5 V4 m |" V% F
├──26--【加课】Linux 环境编程基础
' x1 Q$ _+ r# o# K e$ O
| └──1--Linux
: B: N, N$ F0 Z- {! J z% Z
| | ├──1-Linux_课程介绍 .mp4 3.72M
6 C& ~2 l I7 h2 Z! u: U2 W. F" A ]
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
* K) X4 j4 \! @; ]
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
7 z# I3 {, j! S5 D( l; i6 C4 t
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
/ \2 p# H. q$ V6 m7 W2 b' \( F
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
. p. R# G. u1 h3 u
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
, r. A Q5 Q& q+ ]. ?) c4 N
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
' p4 S& \/ N$ y9 e+ P7 d/ X: y
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
6 Z+ w0 O7 G2 W8 t* A
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
( g/ Y" ^$ k' b% a. d( l$ a) A3 N
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
?$ }# r- M: r$ l
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
; ?7 F# g, p" W, O0 A9 B, k7 i' G
| | ├──2-Linux_Linux简介 .mp4 17.59M
1 F% d- O" o: n+ u8 Y% I. @) @6 S& u m
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
. ?2 _0 j Z3 p: ~
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
% n& P3 O9 y" F4 ~7 p
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
5 x8 t6 ?$ U+ u. j2 r# L
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
7 [9 I8 v" n/ H' p1 c( j* y8 v" x
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
) L3 h- n" Y" n. U8 l
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
" x! }) X# r" o& L: t
| | ├──26-Linux_安装MySQL .mp4 79.02M
: k% P0 |6 j+ m
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
* K# J1 p+ Y! p, }3 M% J8 @4 v' y
| | ├──4-Linux_安装Linux .mp4 41.97M
/ o4 J+ f1 P% ]) R' ?
| | ├──5-Linux_目录介绍 .mp4 20.31M
: L* }% H6 L. _3 P0 G" z) e/ M/ t
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
, L2 @/ h6 R- s* Y" `9 Z! t
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
, J9 {5 h8 Y& K5 S4 M# L
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
/ s' f% I: r! V" `
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
: n* n% E: D8 N1 E. f$ `3 Q
├──27--【加课】算法与数据结构
6 e6 R. u" L3 @
| └──1--算法与数据结构
. Y9 O8 f% J; I8 M
| | ├──1-数据结构与算法简介 .mp4 35.68M
; X) ~5 }8 ^4 @$ z- k9 v4 q- f
| | ├──10-哈希表的基本结构 .mp4 54.34M
# N- A; ?) c1 J# p& w! g
| | ├──11-哈希表冲突问题 .mp4 75.92M
1 X- a$ Q+ {- ~- u7 {1 G
| | ├──12-哈希表冲突问题2 .mp4 72.30M
7 P% s( \* g) V" z
| | ├──13-哈希扩容 .mp4 111.03M
% ^2 r# c$ V+ X8 P+ C; F
| | ├──14-递归与栈 .mp4 50.77M
, E! Z* o1 U0 ~1 ^7 p
| | ├──15-线性查找 .mp4 57.80M
2 D. j: q3 s" {* K$ ^' `6 N6 I# |
| | ├──16-二分查找 .mp4 52.32M
# Y3 J1 E$ P; f3 @3 A! W
| | ├──17-冒泡排序 .mp4 53.19M
6 i+ t: _' ~8 B, H$ Q
| | ├──18-选择排序 .mp4 43.29M
# Q1 u; x- Y% V* x- p4 K; c
| | ├──19-插入排序 .mp4 31.39M
$ T& q2 P& E+ V; r& `7 _
| | ├──2-大O表示法 .mp4 25.59M
% J7 h4 O4 L. J0 n& Z; p# C# g8 f
| | ├──20-归并排序 .mp4 84.48M
3 e* ?! g8 `7 ~ v* f( d
| | ├──21-快速排序 .mp4 36.63M
; D% @" z7 g6 U7 l% j, X
| | ├──22-树结构 .mp4 96.85M
4 x2 C1 }3 A. K: D
| | ├──23-树结构的遍历 .mp4 61.05M
( t, T1 j1 k6 G7 l9 \2 q2 a
| | ├──24-最大堆的增加操作 .mp4 45.43M
2 j- @* ` I$ T7 k# F! p& }
| | ├──25-最大堆的删除操作 .mp4 45.63M
; ^' k) ]; q' \! z" b6 M4 S
| | ├──26-二叉树的查找 .mp4 100.24M
1 k, b! Z7 Y/ E8 g$ G" F
| | ├──27-二叉树获取最小值 .mp4 25.21M
! t" I" X% Y4 D
| | ├──28-二叉树的添加 .mp4 72.66M
7 D1 L' X# c, D3 \7 V
| | ├──29-二叉树的删除 .mp4 120.06M
- N6 Y9 V/ Z' w/ A
| | ├──3-线性结构 .mp4 53.14M
$ T6 X8 U$ J" ], x
| | ├──4-单线链表1 .mp4 68.36M
1 S- k; J( t3 {5 `+ @
| | ├──5-单链表2 .mp4 221.69M
! z3 x6 W2 Z! K8 M: _+ p
| | ├──6-双链表 .mp4 103.57M
4 j$ d+ T9 {; O0 }" O
| | ├──7-队列(链式) .mp4 74.12M
+ C. X, ^7 W L, f5 a" ^7 p% i2 O* M
| | ├──8-队列(线式) .mp4 30.99M
/ H6 ]2 G, D% o9 D4 W; x
| | └──9-栈与双端队列 .mp4 28.12M
$ L$ c$ Z7 j: E6 e0 p
├──3--人工智能基础-Python科学计算和可视化
5 q9 o( k3 g* L) F/ \- @
| ├──1--科学计算模型Numpy
/ p. J- @3 G& |3 s, L5 s
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
0 W$ |# e$ L3 `' J: N4 G4 p
| | ├──2-Numpy_array_arange .mp4 35.45M
9 d( {5 V1 ]1 q8 c# ?
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
$ S! b- g# e m( K; g
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
8 c- D( A: {5 _7 X% }: ^2 y" Y
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
0 t* a$ E; M: b) F/ d
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
+ g0 A' i& X, q8 m
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
9 a3 h. j! H& B! E) |( y- \
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
" F4 i/ Y$ a4 m+ z( S
| | └──9-Numpy_聚合函数 .mp4 23.68M
7 f5 L* A2 ^' l3 ]
| ├──2--数据可视化模块
& y% F$ m* ?4 h! ] L, ^
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
# x! ]2 z) f* z; L2 u+ s( m
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
$ P7 W! C7 X) V/ \, t* G% z+ O
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
3 v/ Z& t( P% w4 v% F8 w+ G- w8 i
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
3 p8 @' V e* }8 \5 N. I3 w# U$ Q
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
/ d: J0 D1 K! q" \, L6 K! w. z
| └──3--数据处理分析模块Pandas
e' K* k0 `. S" E+ j6 }4 V
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
: Q, n. u) O7 v# o" E: S
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
0 H; g( R; Q" P
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
0 o5 g& Y) E4 [, k5 F7 }( {% A
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
- \* N4 {0 W$ L4 \# d& w
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
2 N& l4 Z- h1 X( K
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
9 Z( h2 l, G' U% L$ c
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
, ]' p% S, G" U
├──31--【加课】 强化学习【新增】
2 q" F/ T/ h ~8 \5 \+ [, Q% g
| ├──1--Q-Learning与SARSA算法
. o5 ]( V* h! F7 S/ \( E
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
4 \& d3 p( Y* `* d: v1 p% B& g
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
5 Z* l. k$ w( n$ S
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
6 n( K# R: P0 T1 j: Z( k, J
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
2 m+ T c3 e5 \/ F5 P/ q/ H
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
" k% l+ m% J5 K' l
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
# m+ i! r; }- b" S/ s F( [; m3 L
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
" o9 r- o/ n) c3 B$ p) |) n! E7 ]
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
& j* M5 r% D( I
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
- D4 L3 j3 l `% U$ [
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
; ` [/ X" y1 o7 g" `
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
" C& b3 a5 z2 p ^( D1 Z+ w
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
3 A. Q0 n3 _ e: ]; W4 {) ^/ W" c
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
# w" E8 f& _; U, k
| ├──2--Deep Q-Learning Network
- E% U- U" z& N4 d) N
| | ├──1-DQN算法思想 .mp4 59.24M
) l) g# k' s, D) e8 i0 E
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
! F4 o& k8 _0 }( T& h
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
* E2 a ?. ^% ]5 w; {
| | ├──12-DuelingDQN .mp4 88.12M
& o- D) Y5 Q& h7 G
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
8 Q# \. s2 q, C) n4 l8 J* O
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
/ l. M3 V! {1 }
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
" q: H$ W5 y0 i) @! s" D, Y) e
| | ├──2-DQN算法具体流程 .mp4 56.17M
$ Z. t2 x7 O. h* S2 O4 i9 L. ~* y
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
- E* w2 n2 {" M; a( {
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
# a; e8 Y/ u' Z4 D6 _! V' K) W
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
, G# u P/ t5 D: _' d( R/ d3 {/ y
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
# B/ ^; g3 [) v7 K; r5 p; R1 e; {! { 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
/ U& e" o) }, o( v( _. {0 \7 N
| | ├──8-代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小 .mp4 58.93M
1 W6 P3 H0 s4 i/ w; K: G2 O N
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
+ P X7 `1 h6 I9 q
| ├──3--Policy Gradient 策略梯度
. }& N9 ?% _5 U1 C7 }
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
5 L) G+ h+ c) E/ o7 _! W0 z$ X! I( W7 [/ l
| | ├──10-策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战 .mp4 34.22M
# f5 _5 |) J, C; \" Y& u
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
+ u5 ~) C3 _' e I' K$ a! H
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
8 {1 R2 Q) v/ t' ?
| | ├──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
' p. {6 L# B/ N4 a2 G1 C0 y* K1 M2 n
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
8 K; W. u# B) ]! A( _) f
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
" q0 L1 J/ z" R( k: z
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
, z/ Q! q* h! Y" b* z; }
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
- y1 I. P# _" |/ g" N' K
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
& J0 x/ D$ m$ o- x
| ├──4--Actor Critic (A3C)
( K: x4 @; `. @, N) L
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
% g% M- j, ]/ j( m( v' e
| | ├──10-代码实战_A3C_增加actor探索性用到熵_定义worker正太分布抽样和求梯度的逻辑 .mp4 36.14M
- p6 m* w) l- I( S
| | ├──11-代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑 .mp4 40.24M
1 w1 w. k! d3 z
| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M
/ o5 M8 W: R: K& z% C2 J
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
1 Y1 b4 q) I! l3 K2 M1 h, g- R
| | ├──14-代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示 .mp4 47.18M
4 e+ D% F' _( E: U0 Q z
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
& @3 _( f8 H( F6 o$ T, E0 i
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
& {! h' {0 a' q) Y$ |% ?- q
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
- O, t, m% m% [6 e3 f5 w
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
1 |# m! M* w& j4 z2 m* u
| | ├──6-A3C架构和训练流程 .mp4 74.66M
8 H0 j0 R+ ^0 O/ M U
| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M
- g) z/ S' m7 v! V t, f
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
" i! |7 |8 ?6 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
9 ?0 x) {! a' F6 p
| └──5--DDPG、PPO、DPPO算法
- g. F( j$ ^" ?0 v4 J- @8 N
| | ├──1-DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic .mp4 81.92M
& U) @; W$ O# a `5 y
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
0 H: Q& Z* v$ e& b
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
/ [' J0 R: m* M, P$ {* u1 l: D
| | ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4 42.12M
0 y9 K+ @- p1 N
| | ├──13-DPPO分布式PPO .mp4 63.81M
8 i* N% F( i2 ]" {4 ?. P$ H
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
1 |1 `2 o' K$ J+ r
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
& I" X# j$ F' q* ?1 y4 E, B& 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
" ^; X6 t% y. j0 t
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
1 x: A- j3 {6 e
| | ├──4-代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示 .mp4 44.17M
% S/ A3 Q3 d' r l$ i# A
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
1 Z3 E0 r, v% j. h- M
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
Q0 F% `4 J+ ?4 d
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
8 o4 F+ g( F/ K* _0 O4 W+ ?
| | ├──8-PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题 .mp4 38.09M
0 [4 B% k5 V+ k3 X. O
| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M
1 j) }$ Y' \( t+ c
├──4--人工智能基础-高等数学知识强化
" k1 l8 l3 W! V _- D
| ├──1--数学内容概述
+ k) t6 Y$ U" N( Q$ k$ |- @0 a
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
9 E4 m2 }/ r e7 H$ z
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
4 r% D, c8 F" S( V
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
" [4 H- y: X2 v) f1 O/ F0 I% Q' i! B' z
| ├──2--一元函数微分学
8 |- O( C3 M j
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
h$ ]! q5 {4 m8 O
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
$ a% X M. k5 O4 R2 R5 y
| | ├──3-常见函数的求导公式 .mp4 22.76M
# ^5 g, ~/ k9 n) M4 m6 h8 @4 L& b
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
! I! ]1 y# `& g1 A. m
| | ├──5-复合函数求导法则 .mp4 19.68M
" i; |1 T( y H* i( w9 l6 o
| | ├──6-推导激活函数的导函数 .mp4 33.40M
6 O! W( x5 O+ g! k7 O3 D) m
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
& s4 c4 J2 M- g2 a0 ]
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
/ s c1 L6 Q3 S& }; i- d: W! D
| ├──3--线性代数基础
; |# z; V+ G$ O/ W/ S6 V
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
3 _2 C2 I- w( {/ T' x- A
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
) \" ]4 p. c* C1 k4 _
| | ├──11-矩阵的行列式 .mp4 20.13M
6 ^4 J5 [3 p/ A$ Q! r X
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
, [6 ~( U3 N; s6 ~ P4 V
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
) R1 X8 [6 X( ?
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
- S% g8 ^) F3 C$ ]% L: A* j9 }
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
: V" [5 {9 p2 R
| | ├──6-特殊的向量 .mp4 26.45M
/ R X0 x1 `/ \7 P
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
! d% D6 L3 ]" U/ E
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
' }% u, w. v2 H1 k8 Y
| | └──9-矩阵相乘 .mp4 20.02M
2 T, g1 u3 v, [" B; ~4 k' Z
| ├──4--多元函数微分学
8 Z9 ]4 j$ R. v4 N$ _0 x1 Z1 k
| | ├──1-多元函数求偏导 .mp4 22.61M
* s4 n) _6 _% T8 o1 i( a5 `
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
* e6 Y- _0 B* u! X3 P
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
- v% `/ M; a6 D7 n8 x0 E6 {1 m/ J
| | └──4-Hessian矩阵 .mp4 32.93M
2 x- S4 z0 z0 `: k, h& ^
| ├──5--线性代数高级
% v" F: r' z: q( }
| | ├──1-二次型 .mp4 27.70M
6 N. U0 [! Y4 {/ v6 Q% q- v
| | ├──10-SVD用于PCA降维 .mp4 24.90M
4 W, g9 f( o* _ _- t5 e
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
0 {7 a$ G3 m3 h' @ h: [
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
; q' _7 t* U; B- T& d0 P- O$ O+ h
| | ├──3-特征值和特征向量(1) .mp4 29.83M
7 u# ?% l; p# j
| | ├──4-特征值和特征向量(2) .mp4 30.07M
. c; @' D$ ~/ w" r1 s' V( A- x2 A
| | ├──5-特征值分解 .mp4 38.68M
" A& y' x1 L* }9 l+ P, p, ?1 Q
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
; x. @6 U* Y3 \. c/ c& ~% d0 F
| | ├──7-奇异值分解定义 .mp4 22.58M
1 s h: S# l- H$ o k5 l
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
( `+ x9 N) {. B( m, L
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
. s8 p k' m& [
| ├──6--概率论
- q- E0 ]& u _6 P, e! j
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
y M5 ^' E* o
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
& E: w M6 t5 }2 l8 [ |
| | ├──3-随机变量 .mp4 22.57M
1 E& c% o6 i" H3 @) Q; Z# l
| | ├──4-数学期望和方差 .mp4 22.96M
5 h$ @( ~3 v2 s* S7 ]0 p c9 n. G6 |
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
: z! \9 j' m5 b% }/ H" O- b5 I$ Y
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
B+ L+ K4 I. a9 K8 a$ d9 _
| | └──7-最大似然估计思想 .mp4 23.42M
$ [: f) M; G4 w$ A' J9 A3 n
| └──7--最优化
]* N* ~ ]3 s
| | ├──1-最优化的基本概念 .mp4 35.14M
! c% _' c' ~5 H/ c9 K9 P2 Q
| | ├──10-拉格朗日函数 .mp4 27.46M
, |9 o- E+ g+ ~
| | ├──2-迭代求解的原因 .mp4 20.15M
; g- t9 J& C2 I" Q
| | ├──3-梯度下降法思路 .mp4 26.33M
9 a$ q7 ~8 j2 H" z( r, N* a. W
| | ├──4-梯度下降法的推导 .mp4 43.56M
/ k6 q6 l( C# z
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
& ]) \+ A! n% F, o
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
& P1 r9 D; _: f8 Z6 c* O
| | ├──7-凸集 .mp4 21.90M
3 @/ z; r' m+ U9 {9 L; G
| | ├──8-凸函数 .mp4 16.93M
2 k; O; E: i+ z* C! M. }
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
6 G: [& Q# L. b9 O
├──5--机器学习-线性回归
; a8 o J" u" B2 Z% K) ~4 u
| ├──1--多元线性回归
q9 c; b _6 E% o/ x
| | ├──1-理解简单线性回归 .mp4 51.11M
& j# u% j/ c) m
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
) q# }5 f! j8 h; u$ r& o/ s
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
- T- c- i& x' J& w
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
4 i4 ^0 w {% L5 ^0 w0 {
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
1 ]1 Z8 o) U6 q% D) C
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
B. z* t* q+ C2 [" U6 C
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
$ U6 \. \2 m1 q7 q' F
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
. m! n3 n7 D# G: w1 U4 |$ c& j6 v
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
" n! w/ J# k4 I; `& E
| | ├──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
" `% o, `; U: x8 b7 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
; A# D% [' a7 _: ] L
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
' d6 u3 J. I3 P
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
# g( R, k- p; r \4 n' ^) @2 F+ _& w
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
9 @ Z0 e- g# P
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
, G/ e5 Q/ y9 I; Q4 j+ p4 o
| | ├──3-扩展到多元线性回归 .mp4 32.15M
9 ^( V$ t' X9 z0 L* A% X5 y3 b+ R
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
. B; Q4 v/ q# c
| | ├──5-理解维度这个概念 .mp4 41.41M
s8 M0 f8 K0 y" n
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
_ E& X* ~3 ?8 W! _+ Q
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
7 Y, l- j" u4 L
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
* \& E i$ M2 H1 X. m, b. _
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
- p) s" N! a6 `8 i
| ├──2--梯度下降法
B2 p! q. L1 }% O0 f8 S
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
- {, `4 V) L$ s* o6 \/ q( A
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
' U4 j! P( A/ `7 W
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
$ [* Z: }3 @$ Y6 w: a
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
7 P( j2 b( }7 j& }: I. G. U
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
/ f# i: K3 H3 B
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
$ f+ y; y, _& N% @" m! s
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
+ x* G( Q j$ t1 U5 R. i, x3 I
| | ├──2-梯度下降法公式 .mp4 57.12M
+ t5 l. ^# Z9 a; K3 y! x
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
2 L$ x7 B: S0 Q
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
/ D2 g: u ^( [8 h$ M4 `7 Q/ h
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
U- ]- O# M: T& B2 z* g3 a
| | ├──6-全量梯度下降 .mp4 62.84M
1 V. G: j. }: d8 p
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
+ ~9 v- }4 c8 \
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
+ F& R+ l2 x+ B- ]' G
| | └──9-轮次和批次 .mp4 45.22M
$ ~( k( C/ l% S8 N: O
| ├──3--归一化
5 n/ V+ G9 U6 B2 j+ W# s
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
6 U/ `+ y6 U0 Y
| | ├──2-归一化的目的_举例子来理解做归一化和不做归一化的区别 .mp4 34.11M
" E. _. |' s# Z$ G. d
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
2 e* K9 r- q! N- `! n3 f
| | ├──4-最大值最小值归一化 .mp4 24.87M
; K q" i7 y7 g8 u5 g
| | ├──5-标准归一化 .mp4 51.86M
$ _! E& o! p+ Q: j
| | └──6-代码完成标准归一化 .mp4 41.13M
4 x) t! e; [/ e
| ├──4--正则化
! }' o/ C, b3 o: ]5 h) h! F& F
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
' G( u/ @ \! v1 [( P6 l K
| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M
$ w: T. U# K: C, M7 `
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
2 b: ]8 O6 u, G; t( j, ^5 O
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
) w2 V- o/ {4 \! x+ A
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
' y; v8 Y* Z$ p5 t/ @
| └──5--Lasso回归_Ridge回归_多项式回归
3 y0 L( z3 t9 K
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
0 L- m0 v3 ]" H
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
' q" q B* X2 {2 |: q0 l
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
7 K" Q( t l- ], {2 i' a9 T) o
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
! M# O9 I) [4 Q( D
| | ├──2-代码调用Lasso回归 .mp4 28.73M
! j* C5 L, n( {( w
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
8 U+ Q m& O3 N5 |" ]' q
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
. H2 r6 i, q* A0 d! [
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
J. E6 U* b' A/ ^
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
/ \' M7 ~, I f* B
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
/ O% Z2 t, W7 l% ?( _) P+ J* g" q" w
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
- [2 [' T7 x. v1 e7 v. d
| | └──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
7 c$ n. g& A: j% v$ g
├──6--机器学习-线性分类
8 X* ]. V7 i4 L
| ├──1--逻辑回归
7 k& W. i. P' J) |4 `: ?) `& {) v
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
+ C4 X' M# ? s% ?+ r5 w5 X% J- J
| | ├──10-绘制逻辑回归损失函数_探索两个参数和损失函数变换关系 .mp4 39.83M
" f E( b. q# w$ {9 |! `+ `* D
| | ├──11-绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度 .mp4 43.87M
! O* s' R% ^ I* z4 s) q
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
% n4 @2 A ]! M. Y$ p+ g# ?
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M
& a0 r! }$ R* K! o
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
# m+ T" Z2 p# L ~/ X& X3 d/ ~
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
3 A# U; l6 J2 j; }" H
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
2 E4 s+ y$ a# K
| | ├──2-sigmoid函数作用 .mp4 38.15M
" \/ T& J' M7 {
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
9 L+ O% R( K# R8 ^6 P% @) s8 f x
| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M
% o! J% a3 L- i5 ~
| | ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的 .mp4 6.71M
3 ]8 Z& q2 \& s9 l* L7 q' C+ k
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
- h" k- |7 ]; z1 V8 z( ]5 W9 |
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
5 P( @5 ]: G) e7 \/ B
| | ├──8-绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数 .mp4 56.56M
# ^) _7 r/ X% x7 Q2 P, Q
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M
- P' l: p% b |$ H+ t1 l& L2 V/ h
| ├──2--Softmax回归
6 {5 V" H7 u& o$ k
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
1 b6 M6 ^1 E' H3 z, w
| | ├──10-实战音乐分类器_代码使用傅里叶变换将混音文件进行投影 .mp4 42.74M
, H) n9 P1 S5 O* j
| | ├──11-实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果 .mp4 49.16M
* [9 F& f1 r% N" R6 w8 F1 }
| | ├──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
8 f: L9 o8 i& }2 s2 _
| | ├──13-实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题 .mp4 78.03M
9 b7 N9 f* l' e e/ }
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
' z: A# [+ v' b" t2 [
| | ├──3-有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本 .mp4 33.42M
* D, \% ]2 f5 S8 b0 m5 w
| | ├──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
: R; u- ?, T1 v$ L7 X* S9 S
| | ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性 .mp4 13.92M
- @' Z6 R. z4 V' W4 n
| | ├──6-逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别 .mp4 46.67M
( u, B' `" d/ o- x3 }$ F" u, f& {
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
% D( E' \+ d6 O+ E8 [# G3 V t
| | ├──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
$ c9 T. h' E. u
| | └──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
9 m, D- T: ]5 m0 A, L: a: N
| ├──3--SVM支持向量机算法
5 n* y6 F% ]- k) U d4 ?0 x
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
9 h4 l2 c, h2 d2 R" Z+ Y; x
| | ├──2-SVM的思想 .mp4 55.56M
& S( g9 o ~7 y3 |7 R2 \8 E
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
4 w6 [: x& |- \& s0 }
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
# H/ ? S: z, m! G4 n
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
( G$ O; @! L3 N
| | ├──6-总结硬间隔SVM .mp4 39.01M
+ ~& ~+ p9 Q& a+ S& a+ K9 N3 a7 }
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
; ^ `! L% |4 k8 ]5 W( a
| | ├──8-非线性SVM .mp4 54.43M
& o2 Q* p/ ~) n2 i3 N7 N
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
% h) t# h! \7 u& |- B
| └──4--SMO优化算法
! S1 _+ o4 M( [: V- |) d
| | ├──1-SVM算法流程总结 .mp4 58.36M
9 C: U1 e: k) s
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
7 @3 s V. P! v+ H4 }4 v6 I
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
. m. S$ h4 W8 p, Y( ]. t
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
- c( K7 f p& f0 K# Y
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
8 K @* a' d# ^7 D
| | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 69.00M
6 q' N; Z3 ~2 V; e& _8 L0 [0 ^
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
6 Q3 f0 `- n$ f' Q$ ^; }% N
| | ├──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
7 I* C3 b; e5 e/ x
| | ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数 .mp4 63.23M
/ W* U9 H& K& U% G k' Y7 Z
| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M
1 x. H" D8 t. f l* T
| | ├──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
# a( _- `+ I2 {9 }
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
3 R h8 J, G( t6 H
| | ├──7-启发式选择两个α .mp4 23.11M
% S# J: S6 K/ Y( I% e* I. ], j
| | ├──8-如何计算阈值b .mp4 50.18M
7 Z7 R9 Q. k5 C c) Q% g, S
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
8 K0 x$ r" K& w4 K z
├──7--机器学习-无监督学习
# v/ C6 w% g( U- n7 N( ~
| ├──1--聚类系列算法
A' u% z [" d# j+ }
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
A, w" S. H ~5 M; R3 b7 M& {0 B
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
0 t$ r+ w7 y3 X/ V" o2 w/ L+ e' n
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
, f3 w) B6 K/ w
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
8 ~6 T. y) L( h4 E0 G
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
- @4 `* {* X9 \) d" X# G- Y1 ~( e5 ~
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
+ W8 m& T, S i- s) R7 z
| ├──2--EM算法和GMM高斯混合模型
4 I7 Q' T1 k3 f8 n! ^
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
& g, w! \6 c2 `5 @+ u0 }: S# [
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
4 z3 Y, }3 W1 q( E$ x: `& h
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
9 z. ^% P" B5 m5 v
| | ├──4-Jensen不等式的应用 .mp4 109.17M
' g! Y9 S$ L* M- ]/ t
| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M
6 L" A7 A- h& z1 q2 K
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
: r- `6 K( \! q6 W% W O6 A1 n
| | ├──7-GMM前景背景分离 .mp4 16.01M
# K% b. V- \2 u/ p- G. G6 y6 H. S
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
+ T4 V1 Y% i2 i4 h8 F2 Q2 T5 V
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
$ {2 |' }2 r; y% m/ e
| └──3--PCA降维算法
7 s/ A" y9 e1 {8 B( y
| | ├──1-特征选择与特征映射 .mp4 49.38M
& ^6 ]& T: c1 h- @% Y% ?6 k# r
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
2 T, N+ G& f; [4 z% f/ R
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
1 Z5 l1 q; |$ _* ^4 W u
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
* \, ~$ n" B+ y
| | └──5-PCA的几种应用 .mp4 54.58M
+ r5 p5 P2 C1 ]& w; Y( r2 m# U
├──8--机器学习-决策树系列
: b0 ~0 D8 }3 M4 I. |$ l
| ├──1--决策树
2 k, [4 [) t6 q9 L0 x$ Q' u
| | ├──1-决策树模型的特点 .mp4 74.88M
/ \7 E2 o- p* E2 v
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
! @/ z. G; `, A+ [* b3 j
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
) a# h; x) @1 N! `
| | ├──12-后剪枝的意义 .mp4 50.49M
$ N( p+ D6 E- i* K: O+ P
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
% ?9 v8 `! M. n
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
6 U# D$ q' K2 P2 h
| | ├──2-决策树的数学表达 .mp4 89.94M
/ f" c4 V) Q& ~- I# _7 W
| | ├──3-如何构建一颗决策树 .mp4 84.87M
. N; j' o) Q H- f( V
| | ├──4-什么是更好的一次划分 .mp4 57.02M
U l3 ?! D) ^% j9 O
| | ├──5-Gini系数 .mp4 107.54M
: x& ^5 c4 l& [& t$ P4 E) B
| | ├──6-信息增益 .mp4 75.26M
; @9 }" V x5 r% H" s- m
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
4 W. |0 i" _2 @5 d: H" i
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
5 w( b+ B L3 p% b+ k% |
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
. V9 ^. o6 ]; f3 n- z1 Z
| ├──2--集成学习和随机森林
9 D5 B+ A" u9 k% c2 |: b1 w
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
: U) r( a3 Q7 @. I/ w* J
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
5 N9 I; _/ K+ B& T# Y
| | ├──3-随机森林 .mp4 108.14M
2 f: o+ W! j$ P K0 [
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
/ M9 [ F* `3 A
| | ├──5-OOB袋外数据 .mp4 106.07M
0 E( o+ Y4 }& e$ m& I& f) b6 o4 f1 e
| | ├──6-Adaboost算法思路 .mp4 106.30M
( Q4 `2 |$ K2 `/ g! d/ {
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
5 W) q. `7 j) f
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
* w4 H$ z" b1 j& |1 H- k
| ├──3--GBDT
, k' k6 {. \% 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
C; S7 i3 B- |) c' W
| | ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度 .mp4 72.09M
. \/ g. J* R; h6 {! ?$ H
| | ├──11-GBDT多分类流程 .mp4 73.80M
8 b( D( ^2 m. B( Y; @ R/ e, D1 S
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
, Q7 C6 ?/ a4 j9 x2 f, i
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
1 E: k% G5 R6 U4 z; E j
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
4 d8 w. a% o( {' b% D
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
" N5 C' c7 l8 T, U; F/ X
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
1 }6 _0 |3 U. s: ~
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
: o- n1 T8 K( K6 ~9 @& h' U
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
% O! O3 n6 o* R3 \) ]% _
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
) J. @- `: V7 ^5 c: @+ V
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
# ~: S3 O* O! U/ Y0 `0 W
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
$ F- I& `+ I r0 m
| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M
* F. S( K" ?0 b& y
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
0 s4 I* D8 O0 i; T
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
. R% c& _: f, P
| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M
( ~) i8 B( b0 Q1 W! |
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
; S- U/ I9 l7 h1 c% R( t- i$ t' w; ]
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
7 }8 A: L- [! y/ u. L9 M( ?
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
8 ]1 o3 A( }) P
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
# z1 D% }6 A3 y5 \7 k+ h
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
! v8 n# {) d. U8 Y
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
( {! Y" u( c: X2 n$ v3 Z7 z+ b
| └──4--XGBoost
/ @" _- J x4 @/ Z+ n. I! F
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
' B( s2 e& V" G. g
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
5 R& ]! J9 D* b2 s/ O
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
3 ~$ D+ ?0 m! W4 I
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
8 J; u4 ~; c2 j3 \/ A4 F, j3 M
| | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构 .mp4 106.69M
}, g% t# r$ t- G7 w+ ^/ U Q) E, s
| | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件 .mp4 73.80M
/ c: X- h) ]0 }0 O
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
! t" b3 h" K( f4 n4 Z* V4 ~
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
1 a4 k+ k# }; z- L$ Z, K3 @, r
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
* f) `9 ?8 C) g2 b% X
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
T: Y' i) V" p0 W
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
2 j$ F4 S" k V
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
5 v& I- ]% s$ A( M1 v1 T7 y/ m
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
g0 I9 b3 r; `9 ~
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
. p) T: K; n- F$ T% }& l) F
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
, a6 a3 E2 F2 ^7 \
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
+ b- u/ B _: c* m& M
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M
; q3 v# {9 \3 v3 E" C
├──9--机器学习-概率图模型
l E* t' Z- g2 G+ j
| ├──1--贝叶斯分类
, ]/ [9 j5 E, W
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
/ z I) X. T5 E2 g# B+ p1 q2 W
| | ├──2-TF-IDF .mp4 53.08M
& d- t) q. @% v, Z) o2 P
| | ├──3-NB代码实现解析 .mp4 126.73M
8 d7 D; Y3 N; r6 J1 r( d
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
8 f3 e: a: ]- V& r& _6 |. ~
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
+ ~* [4 ]/ N& X
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
" a% u/ T3 ] m$ [; E" Y
| ├──2--HMM算法
1 q% T2 w+ u+ B2 c
| | ├──1-HMM隐马的定义 .mp4 36.82M
( J7 P0 d; W5 b$ ~) P
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
B; F) V1 f8 M# p* C# h" M
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
) g+ R% }" G' d/ b4 j7 b
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
7 v Z1 x$ ^5 o6 c
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
, [! j q" P8 n9 a" j
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
% ~1 R+ c& C+ H% J" s5 j- [
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
$ C0 C! k, j4 o' N$ V
| | └──8-Viterbi算法代码实现 .mp4 42.43M
& U5 o/ B$ ] B- g5 I8 h# @5 T
| └──3--CRF算法
1 M2 s" z9 H* M! W
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M
2 f1 G _2 t1 `* Y+ P2 j9 z
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
" I# w9 Q$ Y0 B, s, Q4 t S
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
6 m# @* ^2 @' r# v, o
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
5 N5 h% Z! C' W
| | ├──5-CRF的目标函数 .mp4 23.74M
/ y4 P) w; R; Y/ r- I
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
! _0 Z7 W' }( \# T' C' t
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
8 |: |0 Z- K F1 _) z5 g8 l: [
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
8 \* o. B; X" K, m
└──课件.zip 2.54kb
; O) v1 [3 O2 g( n* q5 D
1 i K$ v; y8 J; q, _% s
- o1 M; B# S" Z2 ]5 ?, l7 `
永久至尊VIP回复即可下载学习,非至尊VIP暂不支持下载此资源!
4 g& O7 K6 ]7 `; [# q6 F/ C
+ _) g" E5 h# _6 U8 b3 ~0 D
8 q. w" _$ I3 g6 ?; ?/ F
作者:
5s7997fg2n
时间:
2023-9-16 21:48
太给力的学习资源,非常感谢 www.cx1314.cn
作者:
ujv59204f5
时间:
2023-9-16 23:14
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
作者:
ia8w95a305
时间:
2023-9-16 23:21
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
作者:
lus4hh46c2
时间:
2023-9-17 04:46
IT学习者必备啊,我是2年工作者,这里的资源很符合企业条件,强烈推荐!!!
作者:
28te2ykbi5
时间:
2023-9-17 05:08
我是Java初学者,开心,会员是永久使用。找了几天终于找到这资源了,感谢分享!
作者:
0h5d7edrtj
时间:
2023-9-17 05:08
6666666,确实不错,比其他地方好。开了VIP,爽歪歪~
作者:
9r1d81ohvl
时间:
2023-9-17 05:13
厉害了,好资源,谢谢博主
作者:
e7drkgq901
时间:
2023-9-17 05:15
谢谢 程序源码论坛 www.cx1314.cn 帮我这小白收集此资源,我开了个荣耀会员,每天来逛逛!
作者:
r2e97fjqy6
时间:
2023-9-17 05:18
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
作者:
7pxxc7ylhh
时间:
2023-9-17 05:18
牛批啊,这么多好东西,美滋滋
作者:
1tip52w6r8
时间:
2023-9-17 05:21
反正给力,太激动了,无法HOLD啦 >_<......多来这里收藏。
作者:
82699y4j16
时间:
2023-9-17 05:29
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
作者:
qa5ii6n54f
时间:
2023-9-17 05:34
真的给力!其他地方的太贵了,这里实惠且优质,早点来这里就好了
作者:
3i29o2800i
时间:
2023-9-17 05:36
这套资源不错,我是荣耀vip,全部免费下载,强烈顶下,我会常来这里的!
作者:
qga9ce4qek
时间:
2023-9-17 05:36
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
作者:
le3d8b7322
时间:
2023-9-17 05:36
太给力的学习资源,非常感谢 www.cx1314.cn
作者:
beg6bj065x
时间:
2023-9-17 05:44
厉害啊!程序源码论坛真是IT必备学习平台,学这些干货就够了!
作者:
0us1txa0nl
时间:
2023-9-17 05:45
谢谢博主,收藏了,学习一下
作者:
56652dz521
时间:
2023-9-17 05:46
厉害啊!程序源码论坛真是IT必备学习平台,学这些干货就够了!
作者:
ht284xt2db
时间:
2023-9-17 05:56
这套资源不错,我是荣耀vip,全部免费下载,强烈顶下,我会常来这里的!
作者:
09p92jdokc
时间:
2023-9-17 05:57
厉害啊!程序源码论坛真是IT必备学习平台,学这些干货就够了!
作者:
91cz779w6h
时间:
2023-9-17 05:58
真的给力!其他地方的太贵了,这里实惠且优质,早点来这里就好了
作者:
41d1juqkhn
时间:
2023-9-17 05:59
IT学习者必备啊,我是2年工作者,这里的资源很符合企业条件,强烈推荐!!!
作者:
rb4rd9a2fl
时间:
2023-9-17 05:59
谢谢博主,收藏了,学习一下
作者:
us8717p9cp
时间:
2023-9-17 06:00
自从开了永久VIP,全站资源下的太爽了!哎呦我去,快存不下了,QAQ
作者:
i860wz4955
时间:
2023-9-17 06:03
相见恨晚,终于发现一个即便宜又牛逼的论坛了,真心不错!花几百开的其他平台的会员,没这里好...
作者:
397jcmppn9
时间:
2023-9-17 06:10
都是最新精品好资源,在这里我想要的基本上都有,希望一直更新下去!~~~
作者:
gd046vs219
时间:
2023-9-17 06:12
不错收下了,www.cx1314.cn 在这里开会员确实值
作者:
of5soo3gh2
时间:
2023-9-17 06:12
真的给力!其他地方的太贵了,这里实惠且优质,早点来这里就好了
作者:
07g0ap77fk
时间:
2023-9-17 06:15
相见恨晚,终于发现一个即便宜又牛逼的论坛了,真心不错!花几百开的其他平台的会员,没这里好...
作者:
8z978j4kz3
时间:
2023-9-17 06:19
我发现这里没有垃圾资源,都是精心筛选的好东西~我工作3年的人,来这里找资源提升
作者:
187snm6hs8
时间:
2023-9-17 06:22
相见恨晚,终于发现一个即便宜又牛逼的论坛了,真心不错!花几百开的其他平台的会员,没这里好...
作者:
w7h8b1e98a
时间:
2023-9-17 06:28
谢谢 程序源码论坛 www.cx1314.cn 帮我这小白收集此资源,我开了个荣耀会员,每天来逛逛!
作者:
2293040tt1
时间:
2023-9-17 06:38
厉害了,好资源,谢谢博主
作者:
i60hh9syjw
时间:
2023-9-17 06:40
我发现这里没有垃圾资源,都是精心筛选的好东西~我工作3年的人,来这里找资源提升
作者:
sm2e0nm7a2
时间:
2023-9-17 06:41
谢谢博主,收藏了,学习一下
作者:
m98s17y973
时间:
2023-9-17 06:41
这套资源不错,我是荣耀vip,全部免费下载,强烈顶下,我会常来这里的!
作者:
770njlx677
时间:
2023-9-17 06:54
这套资源不错,我是荣耀vip,全部免费下载,强烈顶下,我会常来这里的!
作者:
69hhx85e2y
时间:
2023-9-17 07:07
希望 程序源码论坛 www.cx1314.cn 越做越好,我支持此平台!
作者:
h2dh43dqij
时间:
2023-9-17 07:14
太给力的学习资源,非常感谢 www.cx1314.cn
作者:
3w39qn3w7x
时间:
2023-9-17 07:24
反正给力,太激动了,无法HOLD啦 >_<......多来这里收藏。
作者:
167uu0r5hr
时间:
2023-9-17 07:42
厉害啊!程序源码论坛真是IT必备学习平台,学这些干货就够了!
作者:
199sjem1el
时间:
2023-9-17 07:43
自从开了永久VIP,全站资源下的太爽了!哎呦我去,快存不下了,QAQ
作者:
848063v6m0
时间:
2023-9-17 07:45
谢谢博主,收藏了,学习一下
作者:
75zs5qzs19
时间:
2023-9-17 07:46
真的给力!其他地方的太贵了,这里实惠且优质,早点来这里就好了
作者:
wt2s4p9q52
时间:
2023-9-17 07:47
厉害啊!程序源码论坛真是IT必备学习平台,学这些干货就够了!
作者:
l170jfu8y4
时间:
2023-9-17 08:02
自从开了永久VIP,全站资源下的太爽了!哎呦我去,快存不下了,QAQ
作者:
4h38qbmky6
时间:
2023-9-17 08:09
我发现这里没有垃圾资源,都是精心筛选的好东西~我工作3年的人,来这里找资源提升
作者:
9a0b74ba29
时间:
2023-9-17 08:12
真的给力!其他地方的太贵了,这里实惠且优质,早点来这里就好了
作者:
f9cc62ut16
时间:
2023-9-17 08:17
6666666,确实不错,比其他地方好。开了VIP,爽歪歪~
作者:
jinxieqing
时间:
2024-2-5 15:40
非常感谢
作者:
Billlee
时间:
2024-2-22 09:54
如何下载?
作者:
itlan
时间:
2024-3-31 15:43
太给力了,感谢分享
作者:
醉醉
时间:
2024-4-1 12:36
楼主加油,看好你哦,我会常来,此
www.cx1314.cn
源码论坛是我每天必逛的网站!
0 e' i: D/ p$ L* Y3 p
作者:
kai2524554088
时间:
2024-4-2 11:44
太给力的学习资源,非常感谢
作者:
fludia
时间:
2024-4-7 10:42
. F% }5 e5 F* x
这套资源不错,太给力了,谢谢楼主
作者:
mumumumu
时间:
2024-5-17 14:35
; Z% R! @; _ Y4 g% M& e5 d% I
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