程序源码论坛-1024
标题:
百战-AI算法工程师就业班2022年(完结）
[打印本页]
作者:
cx
时间:
2023-9-16 21:48
标题:
百战-AI算法工程师就业班2022年(完结）
战-人工智能2022/
/ I; @2 G" a f
├──1--人工智能基础-快速入门
/ L& j& u" p+ `& |3 d0 z
| ├──1--人工智能就业、薪资、各行业应用
* n y" w! N: _" V$ I8 p
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
4 x( d( V; m5 a: T! _" s6 K
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
8 i* z6 t) i1 [ A
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
9 [' H$ q/ e, I7 u
| | └──4-人工智能在各领域的应用 .mp4 57.73M
: n7 ]; n) A. W1 ]& O( |# [; { `- R
| └──2--机器学习和深度学习、有监督和无监督
' z5 V1 T: S6 D
| | ├──1-人工智能常见流程 .mp4 89.62M
5 s& \ H* \% v0 t6 I6 G
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
5 V2 s; l# L7 i8 o0 f8 P
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
: c6 Y% r3 b' o1 A9 |! ~ D
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
/ \" d3 t0 T( M+ V. B
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
6 y5 k- W- O" g( X) f. ~
├──10--机器学习与大数据-Kaggle竞赛实战
. ?2 p) b: ]1 I
| ├──1--药店销量预测案例
$ ?- j5 Y5 R+ `( Q: o/ _+ ~ J
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
5 H$ e* P) o9 i. U; Z
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
% V+ e! w. I/ b i! X6 N
| | ├──3-自定义损失函数 .mp4 21.12M
* }4 g9 R+ u; h7 j' Q0 S) u
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
9 l9 a( l o0 w" y( Q, R1 ?
| | ├──5-数据的预处理 .mp4 111.81M
. o3 ?7 @8 b2 q) T
| | ├──6-模型的训练_评估 .mp4 66.64M
( ^( A+ s8 {2 k, |% X1 t
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
; D; q: H$ f8 t1 }& x8 S
| └──2--网页分类案例
$ d1 p$ Y# U0 Y9 ]2 q5 h
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
, K/ |& o/ U( O, m* H8 p3 H
| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M
" y& `. b1 u) K1 Y7 G: K1 |" g
| | ├──11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03 .mp4 68.80M
; Z9 x# e9 ~2 ^: A( s; w( R
| | ├──12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp4 74.74M
# N9 a0 V; f' K7 S7 v
| | ├──2-评估指标ROC和AUC .mp4 56.19M
5 K$ z5 S- h! _4 H
| | ├──3-评估指标ROC和AUC .mp4 49.03M
# ^+ g9 [1 l+ d# m
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
% I |7 F0 x9 x! T5 _+ k
| | ├──5-数据导入 .mp4 68.41M
7 ?9 z; D9 z) S; O `9 E! y! S, \
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
6 i } K. Z1 M6 ?, b% y3 M1 K) x0 F7 G
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
2 e9 J) H7 {( S/ x5 \5 ?. {
| | ├──8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数 .mp4 62.48M
1 S- B7 h8 C1 x0 W! n5 T- H3 Y, L+ w
| | └──9-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01 .mp4 87.47M
9 A9 M5 g( ~+ L& c
├──11--机器学习与大数据-海量数据挖掘工具
/ y, i+ d) G* p+ j+ x F5 q; G
| ├──1--Spark计算框架基础
& |. ]( p! j$ A+ F. P8 Q* I
| | ├──1-Spark特性_01 .mp4 41.68M
) Q( E J9 r# Z: ]9 s
| | ├──10-分布式计算所需进程 .mp4 26.30M
4 y& Z+ Q7 m- D3 Y: M
| | ├──11-两种算子操作本质区别 .mp4 56.31M
% s- Z$ K- l- A# }' S3 P% V
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
3 Z! }1 I/ C) _1 @. x+ l
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
5 T6 k8 c' d2 E- p( j. C: _3 M; b
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
: g9 t! T- c% B8 J1 K
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
! a+ y( _) ^& M$ |4 z
| | ├──2-Spark特性_02 .mp4 35.15M
: C: k9 R1 a' P7 E) w
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
. `) H% {: i$ Z
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
% `! b$ p9 P# g. |5 N3 [: n7 Y
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
- w9 j0 b/ p; j0 S g+ T" T: i; M: S6 I
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
5 L8 j* R! s& _1 u1 [8 X
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
$ ]# z, `5 S& g0 A3 S- B
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
9 x1 I$ |7 M0 r8 T( b
| | └──9-Spark的RDD特性_02 .mp4 33.41M
) d K" A3 L. s" G' x
| ├──2--Spark计算框架深入
+ k7 m7 ?1 R: D, J# F) G2 W2 g
| | ├──1-Spark数据缓存机制 .mp4 54.43M
& A; {- A9 a) y7 a0 p" m" s8 r
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
6 x; s8 W, A# t5 |3 j
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
$ y2 {; G3 R: U- V, O4 F
| | ├──12-构建LabeledPoint .mp4 111.08M
& \0 k% h* h* H- h2 t
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
3 T2 w( o; ?" ~* [( u$ w
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
* e, B8 X( D4 e2 Y p4 ]
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
" `9 j* x# }. u# K V6 M
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
, K6 T {6 I3 S; }% P
| | ├──5-Spark术语总结 .mp4 89.66M
7 `& D( m6 ~4 z) x5 D9 A# o( q
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
- A& K& t' B2 d6 s$ \0 V
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
# W3 t7 W: @5 B7 D4 `3 e: l
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
3 V# e9 V( F1 }4 z8 U
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
$ B; t5 g7 s7 d
| └──3--Spark机器学习MLlib和ML模块
8 A0 g" y z2 B4 b. Z
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
3 V: B5 w7 Z8 y; x" I
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
* o# t' `& d, d. z) L$ [. v, I
| | ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4 89.72M
I! r# V L. X" N; h% \
| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M
2 ~2 _* J j1 S* E7 k, C* d
| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M
& ]$ x( M6 O9 s+ r+ |3 E
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
: e+ \ X+ n9 j* }5 ?. u, V5 X7 n
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
` z% r% F2 j- ?6 e& H. f
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
0 z) n0 I+ H' P8 O
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
) g9 o3 d a5 A V1 o3 L8 I' j
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
6 D! n& ~$ \+ p6 [4 s- U: U
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
, Y% u( S/ j: R
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
& X+ P1 A6 ^! F J* A( ?, ]) W
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
2 ^5 D# q( ^' W$ Z% W
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
. W9 a; V7 [+ ]" k1 x
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
. W; w' ]" T5 r
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
) ~+ ?& D: U9 a" p
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
8 |5 |, t( y5 T) ^/ C d. t+ F
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
6 w. t/ h% B6 l8 P6 X, {/ m
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
% S( s6 r" `- j% i
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
k0 ]3 ~ f4 ?9 q
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
* { _8 P* ?' A! I7 A5 j/ i
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
; r0 m8 M3 {7 k. @8 `: [# P
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
4 r' A0 Z2 i9 Z# ^" N% A' Y* g. j
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
) C+ z, e2 N. k/ R
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
+ r( A% u& f8 e! h6 D+ `
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
9 E2 T8 T3 A! u; W# J& D. A
├──12--机器学习与大数据-推荐系统项目实战
$ [! U y0 |( f5 E
| ├──1--推荐系统--流程与架构
) D0 i3 s7 m. k3 @! t9 O
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
1 \" B* t% I5 k+ H$ y) x
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M
/ {# R( J9 I% e) h6 P1 u
| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M
7 T! q+ m, X* V0 `
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
% A# P( }) S+ W/ P# o3 W
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
+ y3 n6 c/ Z- E$ I- T# k
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
, K& ~2 ?0 p+ y( H, ^) O
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
9 F- x* Q v9 n. j, \: J
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
! c5 X, X4 ~, T) a! q
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
) w- d8 @) u* c) T/ m
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
4 O) k. M* ?7 Z* K
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
% m3 c0 L0 K' p; _9 g7 E
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
4 @) _- [. g8 R' ]# n0 j
| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M
. @2 D4 |: A, G
| ├──2--推荐系统--数据预处理和模型构建评估实战
4 n+ j+ }$ l5 G1 W$ K N
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
7 {8 h+ l( @% _- I6 i4 S
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
" t1 m* Z" O; ^# v) p
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
- F/ v; N( }8 y7 \9 i1 X! _
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
' A# N; E7 L$ ^% X# n
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
1 O6 M) x6 P: v! l
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
: W. f3 ~; e1 f. I7 F: P6 N2 s
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
6 L! Y, N& l8 R: R+ o. S0 d
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
* A# j' n5 r1 y$ C. ]
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
% }- r1 ~& M. z, }/ V
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
8 z. p/ W3 @6 {+ E
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
) F* x2 I$ ~7 I+ E* H2 m. h
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
- L i2 j. O% t
| └──3--推荐系统--模型使用和推荐服务
3 y% z8 U0 }; o, c4 ?: `7 J
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
8 G/ u1 Y6 G1 w, S- V/ R
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
; `+ N+ T4 e. u: y5 B. y- F2 Y! w
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
+ d8 [6 w8 \" q5 G" Y3 O- D
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
3 _7 R7 m; i, x- R" _
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
. F2 ^0 c6 O: J7 U7 o* S4 ]4 u- Y
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
# ^! q' i6 d. s/ E' Y# N
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
' t/ i' ^3 @4 D+ v6 K# d4 W
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
. w5 W/ j# N2 f& A' s k
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
4 _ ]) @# e: j, s
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
! m9 T2 H& K9 c3 n# s! Q$ I0 B6 \
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
, R& C9 {; E' P& @3 w5 M" w
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
, @( p; U7 a8 \
├──13--深度学习-原理和进阶
; h1 Y! B0 M7 n7 t2 V2 v
| ├──1--神经网络算法
( @9 t& c B$ Y3 l b0 {
| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M
7 E' N) Q, N5 q( l i+ D; m' X
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
, x/ H2 y z$ l9 g
| | ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M
! j5 n# `( d" y a! L5 b& f
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
+ `: B6 Y+ P& v F( J, V
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M
1 R3 q/ Y; N- O2 S# @- _
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
/ u; e; a+ D1 {' H- m3 g% P
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
% s- W9 l) {6 H1 E" J
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
6 r8 x/ E ?9 \5 |: w* A# H
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
% ?7 A+ @( L) z. X; S7 z
| ├──2--TensorFlow深度学习工具
5 `& [) r3 {3 j B F" I
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
; Z$ Z, K8 `3 D! u/ t
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
|; h. T/ r9 u+ b0 u( k( @
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
1 D" R% {3 U: ?1 b8 Z/ U' ~
| | ├──4-TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式 .mp4 173.47M
3 W: C* e+ C" I! [ U9 l
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
7 }7 j- V+ }! G y' R! o1 j4 o, s
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
! C2 n1 w( [( Y% d" f
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
/ V. K7 v2 m2 b8 |
| └──3--反向传播推导_Python代码实现神经网络
. p! O$ Y+ a" W6 v; U
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
1 a+ K- Y; P% J) i6 e/ G
| | ├──2-反向传播推导(一) .mp4 127.90M
9 f# D. E3 {- t d0 O; v# C
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
4 {/ P% T7 T" k' N
| | ├──4-反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例 .mp4 81.20M
& S1 w; K, j% F. r
| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M
' s, E# \; w, v
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
, ~* \; r0 }0 u7 M% f+ Z
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
2 m* l( v$ A+ r- j$ i% D% {! |( G
├──14--深度学习-图像识别原理
6 t; @$ V$ v, M) D
| ├──1--卷积神经网络原理
0 p2 X) F6 M- X. R" H9 a7 ^2 @, @
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
6 b- e# _! n2 h5 h6 c
| | ├──2-单通道卷积的计算 .mp4 104.01M
8 ^" Q8 R: @4 v3 R8 w# Z
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
6 G# Q7 {5 ]! q0 U
| | ├──4-卷积层权值共享 .mp4 63.93M
7 \+ d1 U4 X" G$ m. _ ~
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
4 y0 V2 ~/ C6 U+ @9 Z( F% P- O/ B4 [
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
/ ^. B' L' `" \& e' n7 m
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
) k1 A$ `* ]' F
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
# d0 Q( l- N6 b* X2 d9 r/ j
| ├──2--卷积神经网络优化
) j5 D; M$ f( v' B2 t% A4 H
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
' E* ~- z& e P
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
7 w! G/ {8 _0 P: T
| | ├──11-Optimizer_Adam .mp4 141.12M
. O% n, z7 r& |* u% z: x' z a9 t
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
( [$ M, n( c7 L+ e
| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M
1 n" o$ Z5 u: M$ x4 o
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
9 ^: E1 e' o1 |7 I. J
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
: n5 l" M9 X5 b' Z/ D
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
; V1 R, g$ G* ~/ _# n t6 K
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
1 J% _- k7 W7 W% w
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
5 F0 E8 G& W3 B7 E: Q
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
6 l& c; U/ W- Z' G) f( T1 \* G( T
| ├──3--经典卷积网络算法
+ ?! g/ t9 a( h6 A; N6 {
| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M
( ^/ A3 S" r! I) J
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
" C8 b( R+ N- A
| | ├──3-InceptionV1_V2 .mp4 165.86M
" c( M9 P7 h1 r2 v
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
1 K8 {1 S5 D) C2 i* J5 c$ a, T
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
% ^) R$ o- r/ h% h* {
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
, O2 F% f% t: L: {$ \
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
/ C, X/ e6 G( O
| | ├──8-BatchNormalization .mp4 99.23M
/ Z: ]- l2 u# V; _" N& L r
| | └──9-Mobilenet网络架构 .mp4 150.05M
6 s j5 L& q+ v9 p0 q% Y
| ├──4--古典目标检测
8 `# j3 p! c3 p1 e
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
; t! Z! W0 B+ a9 r9 t
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
; x" [4 g L4 k4 u4 F$ v
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
" Q9 }* K9 ?# ?) t- {2 [+ V
| | ├──4-R-CNN和SPP-net .mp4 124.06M
9 j' L& A M2 p8 \6 |
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
% O, @; P1 h' b
| └──5--现代目标检测之FasterRCNN
" X; M9 | Q9 M
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
. p) k' C2 T+ Q9 r/ G- o/ t; D
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
9 K, }, A# f! T
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
l6 N- h5 l' ~9 D0 v, D
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
. w# B, s2 \, ?; u4 |+ [2 i, D
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
6 Z( I4 l* l4 {# [( A B
├──15--深度学习-图像识别项目实战
; u4 c# G* H+ `" k* m! G3 N
| ├──1--车牌识别
+ E+ g! y, ]% d" g' A0 j+ U
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
# S. Y+ b. h% N. W# s& s) k
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
# f9 O9 k" k W( a3 ?2 y J, t
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
$ } G" M& v( Z2 S. O' M
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
2 _# X- F1 }. e1 G* s- y
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
" V% X- H4 C0 D! s( O
| ├──2--自然场景下的目标检测及源码分析
! i! L0 U% q! R$ ~
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
4 D2 [0 O y9 m' e& a
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
, U2 t; ?8 ?; \: {
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
' K% ?9 A, E8 Y
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
$ a+ T/ Q1 g( u0 l2 [! k- H
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
+ W: O! o4 j6 R: C/ X, ?' w2 U, Y
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
1 q3 M' o" }7 C( f6 V+ @, k" P% E
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
/ m; R3 H$ r y6 \/ [. H! Q3 N: F
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
4 A/ r* O5 I, w9 i3 c
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
3 N s& ^1 B0 U7 q% V
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
& `4 b5 y+ E1 @
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
: x7 u( A0 b K) E4 A5 P' H5 {
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
8 \! o& L( q/ U5 T# T9 C0 a
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
4 q3 i2 ]2 X& Y4 H
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
) R; ]8 H4 F ^8 D: E: k3 w2 e5 o
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
, Y/ `) ^: e1 ?4 H F2 Q* Z
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
' {, K' c ]8 U
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
6 p# E2 e# t% R
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
0 u5 j# A. ^* ?+ T, ~. f
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
) o( F. f) J' V5 y
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
0 |6 C1 G3 f8 c# s" K2 D" X( Q
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
4 A6 ~7 C D5 x+ U3 Z7 B
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
+ m& c& M7 A9 a- j( X6 @
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
& g0 c0 A- i6 X/ M( E
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
6 ?0 v, }- ~3 C& G" `8 W7 o
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
7 W k8 {3 R9 O7 W! C: e [
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
- L& d4 `3 X3 Y* X
| └──3--图像风格迁移
& F; X* {. T7 T
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
4 y$ a6 a: s( J! s6 m; v# e
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
& G- T4 {6 |; @5 }1 q
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
5 b% ~1 E5 K4 }, T9 \
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
7 Z( S, G9 { ^% R3 b8 y5 _
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
7 O \8 M! N+ E" b& Q
| ├──1--YOLOv1详解
5 W- _# V5 G5 C( I( B' N( v6 o
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
, F4 ^* Q7 v" @0 I7 K
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
# F; x- \5 Y+ S# c) U
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
: ^7 ?) f- F# q, M3 S; v2 ]
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
/ E, D: a7 O' Z& z: p: o% g
| ├──2--YOLOv2详解
; K7 Q5 H0 Y2 N4 }( m
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
7 } g/ _! D0 T2 N% t
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
# c: e0 M4 G0 D6 n, X
| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M
7 k' ^! c$ r6 c0 B+ H, j4 ?
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
. e0 ^$ q5 n( A
| ├──3--YOLOv3详解
: u& k$ f% f) p9 L3 G8 F( [
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
" T5 o6 N5 j' a( f
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M
- W3 M5 }& I6 b i* p; \9 F5 ~9 y
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
( J5 s# Z' b2 _
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
$ I: v, F- g+ W+ w
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
, d+ q' \7 E/ h* c: i9 `8 }9 ~
| ├──4--YOLOv3代码实战
2 o1 F/ v, I/ P7 \) ]1 V
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
2 v9 D3 L. o5 P h
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
2 _; b& O7 y% | b2 ^: m8 y
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
: j7 q: d# t+ x& A2 i# `
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
& s6 e- j* O, }+ n- @
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
) Z2 F1 I. t+ H/ e
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
0 [) k$ x h1 q0 |2 d
| └──5--YOLOv4详解
0 X$ i5 [3 ^: V$ J
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
+ c9 f$ v' k6 M4 E; f
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
* U5 m' A" E" W8 v4 s
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
2 }1 y" s- r4 u, M4 d; I
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
j% C* N: F, |$ ~
├──17--深度学习-语义分割原理和实战
, A \& a, O1 p2 s6 T
| ├──1--上采样_双线性插值_转置卷积
) g. g. C7 S" P" a' [
| | ├──1-前言 .mp4 19.46M
% }% H* j' Z/ s1 E+ }0 v
| | ├──2-上采样_repeat .mp4 23.90M
# E& e+ C# a2 M, k: M( P
| | ├──3-线性插值 .mp4 34.48M
* N* N5 s- z7 r% h) o2 J
| | ├──4-双线性插值 .mp4 125.71M
4 \8 C7 n, s. F$ o3 t
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
( g; q) o, [% O5 |/ O( \8 e
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
5 j- t( b9 h) @' ~% U' |4 z
| | ├──7-ROI Align .mp4 58.38M
6 `& N7 N, `' X0 T1 a1 b
| | ├──8-FPN思想与网络结构 .mp4 92.14M
0 q0 t3 O7 M3 [3 U" r" G$ t7 a
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
& F) n& |8 }8 X6 ?5 B& O
| ├──2--医疗图像UNet语义分割
; |+ d& m' s- r
| | ├──1-语义分割的基本概念 .mp4 18.33M
; l$ w3 \: ~& O7 B0 \1 I) r
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
, w$ a% K5 o" i% n
| | ├──3-UNet网络结构 .mp4 30.41M
* L0 ?: Z, \9 Q- k4 g1 E/ U
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
0 M- y/ d1 u+ a+ Y4 B- c/ Y
| └──3--蒙版弹幕MaskRCNN语义分割
, w Q6 ?* W; P. [
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
) s1 t. B* [, [! s2 w- j& ?
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
% ?; {" G$ P/ l0 Y( E
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
. N" R5 l2 B' s/ a
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
, Y- i; j( }8 n! T/ ~# g0 b
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
; `* r0 T, }( U' o; G8 g
| | └──6-MaskRCNN源码config和model .mp4 244.48M
" c5 ?4 Q' j+ u2 Y
├──18--深度学习-人脸识别项目实战
0 \1 Y# Q2 S( S
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
/ \& @+ K3 D1 @/ ]# d- J ]+ x+ P
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
9 U G; H9 e( O/ S4 z8 |# z
| ├──11-人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框 .mp4 66.61M
C, I1 d4 [9 P5 M6 E
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
* U* H6 [) m/ K% \9 y, Q
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
! L& [ f( A8 K# F$ M
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
9 O J2 e) u+ e* m/ A
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
% s+ U( _# y9 V0 T% F' W1 Y$ G
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
2 T* d+ h K5 L0 o4 N& G
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
. K* `/ l3 C# ~
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
) F( O& U% J1 J2 n5 g: w) o
| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M
1 _; G+ ?" {1 L6 `" O; E
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
% g+ {) M9 z v* n
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
/ y- _) M8 s+ |. ~7 K3 b4 k* h) ^
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
7 f; j% ~1 |, @' e
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
- ]' W8 Q% x* |3 w2 t
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
$ F1 E& l& Y2 C& k8 O
| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M
/ J2 m0 X' z4 t' t
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
6 F! b/ \3 g- g
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
. O9 B1 I/ t6 q J! E; g2 I
├──19--深度学习-NLP自然语言处理原理和进阶
$ d/ c q2 Y# Z7 ?
| ├──1--词向量与词嵌入
( J% c! v# c; |- F8 n; H
| | ├──1-N-gram语言模型 .mp4 116.32M
9 F9 D- t; F% [$ s M4 P
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
1 x% U" K6 Z a3 v8 ?& X) g' B" s
| | ├──3-词向量的作用 .mp4 58.00M
; t. x! K9 @3 i% ]
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
9 H6 X4 {: R5 |- ?
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
9 q _' M' P t- N
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
. h& `* O5 u5 A l# Q" @; k6 g
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
. ? v* |4 A8 S w1 G% V5 N% ^
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
1 ?" y" c2 l) U; H
| ├──2--循环神经网络原理与优化
5 @5 V; T6 p$ L* r$ R, _0 J
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
4 f! ~; \" N, z* G( |$ R5 f2 q
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
% I% V8 }1 y. T* I! E! B7 m2 n1 q
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
" F- k: i, P$ G) z8 J
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
; w& e; e0 g; w% X
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
, P/ o, K$ P; W5 F* P. N
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
+ G4 R" g" \+ X' w, {# \! K o
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
$ | D( t4 N# w/ d
| | ├──8-双向RNN_LSTM .mp4 52.01M
: B2 j# g1 {8 o# e+ I9 t; t
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
6 O$ j1 L1 o$ n6 x
| ├──3--从Attention机制到Transformer
( p' J' Y ^' h9 P
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
( h5 V1 S& z/ f: ?5 V! R8 f
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
$ n) E0 Y3 H6 a4 A* ~/ S# B9 k: A
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
/ ~1 S& }$ m# ^% I
| └──4--ELMO_BERT_GPT
7 T0 P, j8 u- o# A% `/ X% J7 P: F7 v
| | ├──1-ELMO .mp4 62.44M
6 a+ h) m" m) ~ Z: {/ R8 i
| | ├──2-BERT理论 .mp4 99.73M
' k& _4 ?5 I& Z9 }. g( W4 g
| | └──3-ERNIE_GPT .mp4 56.34M
* s/ P2 n/ I, P, j$ N, \" `: Q% }
├──2--人工智能基础-Python基础
* Z0 z# A, d! @! k" a8 R" O
| ├──1--Python开发环境搭建
7 I/ I' g5 A$ y0 l1 B8 p, w
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
4 ]) |, x5 `5 F& W; d: E
| | ├──2-Miniconda安装和测试 .mp4 57.12M
0 W3 j5 f4 H$ }2 {+ K9 ~. T
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
$ S$ [+ k+ u! ]% I. z% c( K$ z$ ^( J+ H
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
4 o! h: D4 H6 Z/ _ x) f
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
3 c0 g# [3 S& z* r4 M2 D8 [
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
; _3 T( \' N9 N$ M) s2 O
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
: s* Z, }, W3 {. x6 K
| └──2--Python基础语法
; _4 S' O' x/ _; `" ?, h( ]
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
" o! V8 f: d6 W! \3 Y
| | ├──10-Python_集合操作_列表 .mp4 34.71M
0 }5 q' H, b8 E! g; N% k9 |7 f
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
/ w* S/ u$ m! E$ r
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
( ~8 W1 h6 T& h$ ?
| | ├──13-Python_集合操作_元组 .mp4 43.46M
& _& a: W; H# V; F
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
5 d" K: d/ O( {$ r* q3 D
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
* f6 a: N1 ^" P: b" ^. r/ p
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
: `' f' \, I9 s
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
4 d2 P% A( F+ b F: }5 h! U
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
/ S- Y" [! |5 h$ m5 h7 a9 U: d/ w
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
4 L- T; D& ~9 M, s3 m
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
' k6 l# q2 L+ C1 r
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
( L/ d) J7 f$ ^/ v
| | ├──21-Python_函数_递归 .mp4 23.46M
. K, y( n! G# ~( C+ w& s! {
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
* o1 M0 W' M- ? P
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
8 g7 J' h* A6 M, y
| | ├──24-Python_函数_闭包 .mp4 41.61M
) Y# ~7 m* a f w
| | ├──25-Python_函数_装饰器 .mp4 30.35M
5 Q* l4 h/ w# K& n- l
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
0 b( [. ~* N0 U
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
0 p4 v/ H- X: [' _" Z% Z# s
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
% i7 T# W* ?5 A% U' a. W
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
9 }! u7 m+ ]0 ~
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
) y+ p8 O" M4 l8 t' ]0 R) a+ i9 c
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
: X1 Z H" V7 c! P
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
5 n$ E# W7 M6 l- `) ]
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
/ Q+ Y3 j( j% v, o J- W
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
( s4 |+ F0 f" l% h1 _4 _
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
0 w% S* Y7 D7 m2 Z# F
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
8 y# p/ P* L8 p0 |& k+ j- R
| | ├──8-Python_切片操作 .mp4 40.20M
' }$ z9 Q% h$ v# E
| | └──9-Python_数据类型 .mp4 25.38M
$ @) ]: l, @5 m1 {! ]3 A: F; L
├──20--深度学习-NLP自然语言处理项目实战
" T$ N+ L) B- F+ \ y9 v
| ├──1--词向量
+ g. h) `( ~# Z9 l2 V+ f- i; R
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
: ~% u! r" o# @. V/ ]
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
# e7 D6 W$ d5 I9 W$ P9 M
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
% B% r- K# a- t
| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M
8 o- k5 X1 M. W5 Z7 |1 Y
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
" Y- ~* [: y+ ?5 w' R7 s
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
; }7 O: E0 x& G2 F0 e
| ├──2--自然语言处理--情感分析
# }1 W4 y* k) [9 T: v- z. ^
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
6 k# j+ s0 q- ^5 |0 v/ g; L5 e9 l
| | ├──2-数据预处理_01 .mp4 79.65M
/ Z6 n$ K7 _2 a u/ G
| | ├──3-数据预处理_02 .mp4 45.68M
3 ^5 }/ E/ P' E: d: g" j( U
| | ├──4-代码讲解_01 .mp4 52.29M
- b& d: m q$ F9 |6 v
| | ├──5-代码讲解_02 .mp4 60.85M
" l1 d4 B. w8 _4 B. @0 l
| | ├──6-代码讲解_03 .mp4 53.89M
1 K! _; `# G& ~6 `! O* u
| | ├──7-代码讲解_04 .mp4 57.19M
) |% ^! Z7 ?; p% h' N! ~
| | └──8-代码讲解_05 .mp4 35.88M
! r3 c4 X* o+ b9 ?# _( j' L
| ├──3--AI写唐诗
$ [+ _, u4 }2 [4 }4 i
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
/ Q9 `/ f! k* E! m
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
; t# r" r: L) c- D
| | ├──3-MultiRNNCell单元 .mp4 38.93M
! n& l8 h X6 g% i
| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M
& ] U& |4 y+ `$ ?
| | ├──5-AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码 .mp4 61.73M
E, K5 G, U. Z! y- E
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
: { O- O' @0 B" W
| ├──4--Seq2Seq聊天机器人
l- K. Y0 f% R% h3 d
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
! ? J9 k( J' c. O6 Y7 D5 g
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
& y( d5 d: C& ]! A3 P0 N# g" z
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
2 C( L+ N2 p9 X$ W' z. ~, z; \: Z
| ├──5--实战NER命名实体识别项目
* N$ _ W* ], b4 \% S& I( G
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
) s8 ]4 H7 L* \( E; w3 @- e# s W
| | ├──2-介绍了代码目录结构 .mp4 23.44M
* q l% i# U( e2 p
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
3 {. W6 |* P( A9 n( C+ V4 o
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
, _; `8 I+ r! D8 V: z
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
7 u% |9 ] |9 y/ y: c( F
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
8 b {1 H- q3 S
| | ├──7-CRF中的特征函数们 .mp4 125.97M
6 ?. W4 C2 o* ?( b+ Q. u
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
9 v" l/ C$ ~1 m* \" h3 G( m
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
, S$ v h, X3 e; R2 @( Q1 c9 G' p5 k
| ├──6--BERT新浪新闻10分类项目
& @+ p( I1 M. q+ Q7 t5 N' z* ?; n8 ]6 ~
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
) J+ z) ]+ U+ i" N# \
| └──7--GPT2聊天机器人
' G5 P( b) M% i
| | └──1-GPT2闲聊机器人 .mp4 62.28M
5 W* Y. Z! u' R% I6 g8 h' Z
├──21--深度学习-OCR文本识别
9 c1 w; H1 l! j
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
) w. S8 ^% e* U6 x, Z; A
| ├──10-CRNN项目代码剖析 .mp4 306.48M
- I& m5 i. R F& a
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
" P# j0 I% D" J( K
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
* X8 ?; T& b6 U3 R
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
9 A( a4 f) Q, C2 [
| ├──5-CTC损失函数的理解 .mp4 330.64M
, B* Q. v& L+ `$ b D9 R1 y: D
| ├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4 200.52M
; L" z. t" m; g( p' O, a
| ├──7-CTC前向后向算法代码 .mp4 225.41M
j; O6 x+ E2 `9 z
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
2 H1 J- u; L& F( W, [
| └──9-CPTN项目代码剖析 .mp4 491.69M
0 J, f, a; p O
├──24--【加课】Pytorch项目实战
& W9 x; W" I' R4 \3 A% Y
| ├──1--PyTorch运行环境安装_运行环境测试
2 `# c! F- ]7 h2 Y0 E
| | ├──1-PyTorch概述 .mp4 29.29M
* E2 Z" U# z" x" g j6 A
| | ├──2-PyTorch的安装 .mp4 76.45M
0 Q; G2 s9 r3 {2 m/ a
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
H+ l/ d+ f. N0 r
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
$ h+ n V* z7 d7 j3 |9 B
| ├──2--PyTorch基础_Tensor张量运算
2 ^* Z- K5 L, B) I1 j+ a
| | ├──1-Tensor的创建 .mp4 55.14M
1 {# e# s- N2 A/ \! m
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
% w6 ]+ E. a6 ]$ t, O+ d6 e6 C6 D
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
% b2 {8 Y3 X) A0 I( q& C
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
. b6 Y _7 ~0 x/ o8 m
| ├──3--PyTorch卷积神经网络_实战CIFAR10
( z3 O# C6 ~$ X1 t- T, u2 K
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
# m" n( J9 i$ v6 p/ t T% o
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
9 W- e. b, r6 c& k. E0 }
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
| U+ B/ {+ \
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
" {1 i9 V9 |& z; K( C5 b7 z1 M
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
' j: j+ d8 ]: G) e: c- M& Q
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
* @% G( O8 |/ o
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
* F8 e" [4 ]" D" I# _. q# ^
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
% ?2 I8 A, A6 w
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
; d: d* Y9 p/ T) l: M! q0 ~
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
9 A6 k" a1 F* }# ?: c
| ├──4--PyTorch循环神经网络_词性标注
( Y! g5 v/ J5 A" }2 E! x: V
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
: d r9 _( `6 b" h3 B
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
- P. t+ {0 S8 ?3 u7 u( H2 Z c
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
4 g" c( i1 b8 e* a- Z
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
+ O$ C4 k! o& l$ O" G
| └──5--PyTorch编码器解码器_机器翻译
* c+ D2 W" C( {# E6 l: ?1 M
| | ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4 50.41M
2 i% W) S; V+ F# F [
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
3 }5 L5 y/ i. b N, g4 F
| | ├──3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器 .mp4 57.69M
2 ^$ y7 H8 l3 `8 \: K- f0 K
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
: _! U6 N2 h. |* Q7 v
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
. I1 r8 {0 D5 o
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
& b* a K% [& B& p; S& s! `0 ^. \
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
8 T7 b" V- v. U' K, O* m
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
, H8 ?: r% e$ V$ R6 u0 T
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
. j; r2 }/ e; i$ @( R$ w
| ├──1--PaddlePaddle框架安装_波士顿房价预测
$ s* `( q- ?7 u% D9 `% t! |; D
| | ├──1-安装PaddlePaddle .mp4 87.34M
1 V. F% V! u4 [5 @0 V6 Z$ P0 {
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
5 v1 d; @2 N4 L6 [( S
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
3 X! _7 `* \3 s/ {' V% }
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
. M9 l( Z* i. O
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
: B1 v6 b/ I! W0 k" [0 N: J0 Y; Z
| ├──2--PaddlePaddle卷积网络_病理性近视识别
, r0 R5 x8 o' t4 t( V
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
- o3 N) W# [$ P7 e f: ~
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
9 X7 J, Z( h" J; [, Q
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
$ {$ _+ z1 P# S
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
& K% L) I1 X2 F1 Q) n: H
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
0 s" Z3 {( V6 s0 Q/ o, d
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
7 K( g3 O+ @6 [( j8 _* v
| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M
$ v) j( F' W7 l( W8 L) l7 M
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
/ t1 k7 W5 Q0 H$ V7 E8 V4 } J
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
6 K% [# x7 D; W7 U
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
& D0 E& L0 P6 c/ @
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
) o! N& }3 z2 K" r- a& T5 j1 u
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
0 W0 S2 U, b( A5 y4 l0 M
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
- m. F) `5 W* Y# x% Z
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
; |5 k8 Q- Y9 Y# ^0 H
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
9 |0 r7 S( y9 l( Z8 R
| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M
7 P, p/ O) [, o1 l1 n+ \ p& r/ z
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
1 P4 g6 |; F( I! @9 Z4 M
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
9 J6 }* `. ?* Y$ N2 L
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
* r, M/ R3 q2 Z+ o. s
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
: @; o; x5 I7 f; ^, I- X `
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
+ @. a' Y8 N2 h9 }% I( Q
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
0 T% G. E; R d0 \
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
' k: ^9 i0 N4 U- Z) N/ @ G
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
; Q- x5 ?( M @( i
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
) s6 w5 P# }& X; z$ n9 n: j8 P' e& r
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
/ i' F* y) V" v
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
, o) k( X" f; B6 c7 J3 g4 R O
| | └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4 80.58M
' f( G: q8 W u" v. w2 f
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
' u, f' d; y- }; c) ~! e
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
/ O& Y2 [( ]% g
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
9 C, D, t% ?$ C3 W2 R9 E) e
| | ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4 47.78M
, T- b% ~( r; p+ t+ M: z( K& }% h
| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M
( R( C( H8 X4 E, k/ E- {( ]
├──26--【加课】Linux 环境编程基础
3 F! T, @% d, w7 B
| └──1--Linux
" |) r& w4 @# n" J9 T
| | ├──1-Linux_课程介绍 .mp4 3.72M
. c" q, L# R4 p _! R: F5 a
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
+ N0 Q6 R" i3 U, N$ z) h+ x
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
% b5 U- U$ m: V
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
. ]% C }" A% D3 |
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
" o/ g- s( G7 b/ X ]
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
) U3 f6 |$ g! Z8 j* K! y' x
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
) x9 u! E2 n9 [! d! @
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
* Q; R% l V5 S% a5 z
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
' P( ^" y+ n I
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
% W1 ]2 |9 E/ g& }
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
- r9 `( K% n. u: A/ ~4 d
| | ├──2-Linux_Linux简介 .mp4 17.59M
- r; v. w# T2 Z1 E
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
9 B$ o$ W' K% q0 U3 e/ c9 Q# W
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
' C4 ^2 c; J4 c4 `3 o0 L; y
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
# E' W2 M7 S5 U
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
. ]# o! x+ O$ ~; N+ {& W- K! t, c5 u
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
7 y# f% n9 C. d" d# a
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
7 z( U7 E. ^+ ^% Q- q$ m
| | ├──26-Linux_安装MySQL .mp4 79.02M
! w% S# e5 {" W( P. M
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
- f4 \4 ?& m6 E! g
| | ├──4-Linux_安装Linux .mp4 41.97M
" A% X3 y% \! b# t6 h1 I: j
| | ├──5-Linux_目录介绍 .mp4 20.31M
: s) s9 _5 b, F( ^5 q
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
' R. K( }9 r& H, s& h
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
) F) [- p: W9 @) Z
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
: G& O( L h7 i) }9 i" ^6 G
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
( C0 a* N) a* X2 e0 v
├──27--【加课】算法与数据结构
; U8 O* f9 X9 M& `
| └──1--算法与数据结构
. C4 c8 D, |4 h' \7 m7 v& n
| | ├──1-数据结构与算法简介 .mp4 35.68M
; N5 n7 ?8 N9 d+ e* E- E
| | ├──10-哈希表的基本结构 .mp4 54.34M
) T6 Y) t' _- u4 P. V
| | ├──11-哈希表冲突问题 .mp4 75.92M
+ n( }1 V7 B5 I7 n0 K1 s* I# L
| | ├──12-哈希表冲突问题2 .mp4 72.30M
3 @$ w3 M( } t* }/ _. M. Z
| | ├──13-哈希扩容 .mp4 111.03M
- M$ C) I# B8 ~/ v& t
| | ├──14-递归与栈 .mp4 50.77M
6 b1 b$ X$ H( |( ~* s5 }; p
| | ├──15-线性查找 .mp4 57.80M
( S" K' T, n7 l% t }: p
| | ├──16-二分查找 .mp4 52.32M
6 A) O4 A2 b/ o% ~1 a* @
| | ├──17-冒泡排序 .mp4 53.19M
+ x2 x' f/ U, W7 E6 x
| | ├──18-选择排序 .mp4 43.29M
( P5 M2 u) E* L/ B
| | ├──19-插入排序 .mp4 31.39M
3 G4 y# ]$ c& t0 `
| | ├──2-大O表示法 .mp4 25.59M
( t) s: b8 U3 x9 M3 U8 q, S
| | ├──20-归并排序 .mp4 84.48M
( Q3 L# H( h) D% X: ]5 X' G
| | ├──21-快速排序 .mp4 36.63M
1 u# {; p( L4 V8 E U+ K
| | ├──22-树结构 .mp4 96.85M
0 i) M) y7 ^' y( @' C
| | ├──23-树结构的遍历 .mp4 61.05M
- u! o$ J- |# Y& `9 f* V* p
| | ├──24-最大堆的增加操作 .mp4 45.43M
! \6 i2 H) H7 |
| | ├──25-最大堆的删除操作 .mp4 45.63M
0 Z ]6 c& M1 @$ P, [% |
| | ├──26-二叉树的查找 .mp4 100.24M
/ c. h+ [9 H* f2 @9 l& f
| | ├──27-二叉树获取最小值 .mp4 25.21M
F8 ^, d; G( H' a; P
| | ├──28-二叉树的添加 .mp4 72.66M
9 {. u! Y5 P+ C2 p' N, I
| | ├──29-二叉树的删除 .mp4 120.06M
* d+ [2 q& I8 m3 K
| | ├──3-线性结构 .mp4 53.14M
, i" V7 o) Z. c5 T" e. {
| | ├──4-单线链表1 .mp4 68.36M
2 M$ D9 `# m1 E+ J
| | ├──5-单链表2 .mp4 221.69M
2 y5 v5 [+ v4 M. _5 l, @: Q1 m# n) o
| | ├──6-双链表 .mp4 103.57M
7 r% {: b, y* \3 l
| | ├──7-队列(链式) .mp4 74.12M
) P/ ^ x# P' }/ q3 V
| | ├──8-队列(线式) .mp4 30.99M
; J" _! W3 `# d
| | └──9-栈与双端队列 .mp4 28.12M
: J- C: \: M) F8 \* X# b
├──3--人工智能基础-Python科学计算和可视化
8 n7 K5 M" S# W6 ~' L: ~- F/ \
| ├──1--科学计算模型Numpy
8 a( V7 P8 G* h7 I* I
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
* Y1 V( s; w' i- I2 n# F
| | ├──2-Numpy_array_arange .mp4 35.45M
3 t: s W1 h9 c
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
! l; f8 R5 X% u: E) Q7 N. _9 k
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
& k& e3 l" X. X3 r
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
: u9 t8 V2 `( S" \; M r$ ]
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
& l. c( k V3 D. A; u; U% o0 r
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
/ Y; E7 T7 G$ b0 k
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
' A3 l' O0 A( y& |% C
| | └──9-Numpy_聚合函数 .mp4 23.68M
$ f" q# o0 |* q) `& J' w! B' k& t
| ├──2--数据可视化模块
/ M" _% M% _/ r( d6 I: D" |2 z+ @
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
: P, \' i' g3 B3 g7 p8 l
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
; Q; H" M- d, c/ j! p0 I. `" Q
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
* g5 l6 o6 _( V
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
; P6 K8 I* Y! ~6 h
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
4 L4 ^2 w& Y* }) M. S, H# G
| └──3--数据处理分析模块Pandas
) ~# ] S' }, f3 W8 o" P4 U5 S
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
3 p0 X$ h4 q0 }8 d$ R
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
3 ?3 g, W% [- \3 f- ?
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
. F* X/ E' l) {
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
6 p5 G# j. X& s! \7 M3 L
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
4 ^; X, J. s6 z% L
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
' k% r0 u. a0 T& }; O1 @2 i! f# c
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
8 w0 K$ `3 j$ E, n
├──31--【加课】 强化学习【新增】
$ m, N& R& Q& s4 e7 e6 O
| ├──1--Q-Learning与SARSA算法
, P& |& T3 H- _/ S
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
$ q3 c* |3 {0 X& h( J" z
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
; w7 x8 S" n: B7 X' k0 F4 A
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
( E, W" P* j; ?' p. ]
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
# O/ O) Y2 e) r* O% z) a- E: o
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
2 ]- D4 z- Z' B' R7 c
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
- _2 l: \! P" ]5 l
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
. I! ` f3 a: B0 O. _( _% s g
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
! S' O# D' y0 |. @
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
- q# v/ t1 o. ^3 o% h4 d
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
. l4 P9 F- P: K3 V! U6 b. b: a. V: i
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
4 x" t8 d6 B" [$ u( x8 y8 |
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
$ S' y9 N; V1 i* U3 V
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
) O# {; A" A, s% {" V( H S
| ├──2--Deep Q-Learning Network
4 |* @! @* |# b5 h
| | ├──1-DQN算法思想 .mp4 59.24M
, x O# K) ]3 k5 s3 E
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
9 A6 h& {; G5 l& q
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
. U& E, X1 w7 Z
| | ├──12-DuelingDQN .mp4 88.12M
& z- g2 b) t: S6 i9 [8 w: j3 B
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
+ r$ ]' a' K8 _( N( h
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
2 u! i6 V& L% i+ G2 I
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
: m5 S3 s9 @" b/ T9 {
| | ├──2-DQN算法具体流程 .mp4 56.17M
' ^# M" ? J* |3 b* l
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
9 @% _3 o# P, c& q' \* z/ K) ~! p4 |( q
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
6 w+ `1 r F6 I& m$ m! B
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
+ f" L0 p' U6 Y3 m2 M
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
9 ], x8 R+ t0 O1 e9 B& H* a
| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M
( [" o& Z% h. ]
| | ├──8-代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小 .mp4 58.93M
/ ~: ?. u% d5 H) i6 w
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
" F. A. n% F3 V& ~( u4 v- w7 D( z
| ├──3--Policy Gradient 策略梯度
, A, _0 G& v/ p+ [
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
) E% I% M* j' O/ s. V8 |
| | ├──10-策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战 .mp4 34.22M
; o2 E" @4 o# Q# V
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
, _; g) [7 [5 y3 M, H( d( C4 ^
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
5 S2 Y1 |3 G7 ~& S' Z% \5 B1 a
| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M
3 ^; g; g* M+ d
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
l! X- v5 e/ U0 ` {5 {% x; o
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
- ?% N: M& P' \
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
$ S3 p5 Y& [' A" l6 i
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
9 I$ A1 B8 D, r, ]7 J$ d& \* a
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
+ T4 F* P0 I4 | k. \
| ├──4--Actor Critic (A3C)
1 f7 F' I9 j x* j2 M6 C
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
6 Z+ M8 Q4 l, Y
| | ├──10-代码实战_A3C_增加actor探索性用到熵_定义worker正太分布抽样和求梯度的逻辑 .mp4 36.14M
/ c7 U$ u7 y8 G5 B3 {8 \. ~/ l
| | ├──11-代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑 .mp4 40.24M
/ b+ m! @1 y1 `1 a2 T" b
| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M
1 K* O. O' U+ O1 ]3 c2 [4 z
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
* Y3 Y1 ~& {0 }& H% R0 i0 @2 L) K
| | ├──14-代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示 .mp4 47.18M
" x% @' V! _8 K- ?; ~5 t$ D
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
( F6 G5 f) C# E0 v j
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
% w8 q+ [% w; |
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
7 f" R% m6 f8 W+ w4 t7 u
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
# h4 u! e5 N3 ]
| | ├──6-A3C架构和训练流程 .mp4 74.66M
$ W, R4 g0 q) d' @" H/ l" p! @
| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M
+ K+ X: m* |. S- p% m
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
6 a8 Q9 N8 j1 t' {) ]
| | └──9-代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性 .mp4 36.62M
7 {6 w3 x1 u# p' \* L1 w6 k
| └──5--DDPG、PPO、DPPO算法
( Q* Q# x6 D8 {4 F% j9 A, K! X4 D
| | ├──1-DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic .mp4 81.92M
. e, m0 J0 N; i$ \+ [+ g# w
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
$ E/ J* n# y" D a* V/ Q3 O
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
]* G$ R7 ^# U9 l# ~4 s- F3 E
| | ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4 42.12M
4 ^$ d2 H E8 B
| | ├──13-DPPO分布式PPO .mp4 63.81M
2 F" I( _. }7 D x
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
7 A. k( @4 t) u B, u
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
4 n8 \+ J( M' Y2 \5 i0 O
| | ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4 51.45M
* _9 v, b& s8 A
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
% A+ R. e7 ]; g
| | ├──4-代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示 .mp4 44.17M
' f% T. Z {0 ?$ }% Y# ~ }
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
( c% ^ A5 E3 J9 u6 ^: _0 x! _% B1 t& H1 X
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
' U+ X' G; |' l8 _0 Q
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
) X2 z+ l# H; z4 s8 B+ t& l) N
| | ├──8-PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题 .mp4 38.09M
2 n; w( J, x" [3 [% U
| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M
; C4 Y9 ?7 B3 N+ \& N
├──4--人工智能基础-高等数学知识强化
) q/ e, e% \" u
| ├──1--数学内容概述
# f' x; v, T7 E! K3 D. T
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
* I) W: C' i2 `0 s9 @
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
, }1 y, p* T/ _$ k1 F% R
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
3 @" {- w' K1 C( k4 ]; x" t
| ├──2--一元函数微分学
! L* Q7 Y9 k0 y8 Z+ `! u
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
8 f0 ~0 y, p% i9 l+ p0 O' M9 s
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
; }" b- E! P! y0 ]
| | ├──3-常见函数的求导公式 .mp4 22.76M
* ]( D( k) Q) n& I1 J+ z
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
" l, T' b% u' v2 t% X
| | ├──5-复合函数求导法则 .mp4 19.68M
9 q7 b2 g. \( M! N5 _
| | ├──6-推导激活函数的导函数 .mp4 33.40M
: n- `' r2 w2 q
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
" C/ }; Z' T0 y5 M: H% p5 m
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
4 {* |/ m0 W* X' x4 H# ]% g1 l, K# n9 ^: g
| ├──3--线性代数基础
1 w! V8 _; k2 R) \0 _: K
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
- L4 |- F& t4 k9 P% X
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
# [) p7 e- J" |
| | ├──11-矩阵的行列式 .mp4 20.13M
4 \& M, w% Q5 m
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
& D' F) h$ v$ q
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
# G! U5 V% T* F, @' Q4 g& A# G5 w
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
) [6 \1 D( u. ~4 R
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
- b% z2 ?! P, ?
| | ├──6-特殊的向量 .mp4 26.45M
, _, K9 f0 d9 G, m
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
/ z& l& U3 n4 _5 f ~
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
# U$ N% H! w+ J4 i
| | └──9-矩阵相乘 .mp4 20.02M
7 ?7 r1 _3 a) L: {& E3 l
| ├──4--多元函数微分学
3 W0 E( A5 y0 H% [& c+ |( m0 e
| | ├──1-多元函数求偏导 .mp4 22.61M
9 K& x; Q* K1 V% d/ O+ [% v
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
8 f! c% X1 h" }
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
- A: b4 |% t! N# e( `
| | └──4-Hessian矩阵 .mp4 32.93M
i6 b; w' Z4 z* e
| ├──5--线性代数高级
$ R7 F- |" M2 N6 m$ }! k- k
| | ├──1-二次型 .mp4 27.70M
9 E; a7 f, Z* \+ G% k' v& X
| | ├──10-SVD用于PCA降维 .mp4 24.90M
6 b9 E% j) Q# m, h
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
/ E, N% A$ \/ m1 u( Q* K/ a
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
4 E8 H% L: } `3 S7 x
| | ├──3-特征值和特征向量(1) .mp4 29.83M
1 f e. P$ K7 {
| | ├──4-特征值和特征向量(2) .mp4 30.07M
5 U) k* a- L6 Z3 A# S% `, ~
| | ├──5-特征值分解 .mp4 38.68M
- \ W% x1 a3 }! ^% b" z3 P$ \
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
8 z( M2 p% W. ^3 [# {) j2 g
| | ├──7-奇异值分解定义 .mp4 22.58M
" L; V+ Q# B" l) W) T. O) F! x5 `- f
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
+ l3 Y0 t2 y% {! C. {& X3 X
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
9 C, b. Y, x( Y3 {0 Y" W# Z
| ├──6--概率论
: N1 u1 G$ u1 @2 F4 E+ I% B1 d
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
7 o: u) Z: \$ T1 A+ i- V
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
2 _4 \6 m& j% p* T R* Q+ C! x
| | ├──3-随机变量 .mp4 22.57M
" ?6 I9 V/ o& c, \7 C
| | ├──4-数学期望和方差 .mp4 22.96M
6 Y# n6 |& b# P+ r6 C) A' E; }
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
$ Z% M3 S/ n7 K0 ]1 f
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
- ]$ }# c9 x. a$ ^, x0 B; r- v5 v
| | └──7-最大似然估计思想 .mp4 23.42M
4 g/ r% H; u8 E6 k. F
| └──7--最优化
5 }# T0 P5 k) \: |
| | ├──1-最优化的基本概念 .mp4 35.14M
, a% ~7 Y/ A) J4 N
| | ├──10-拉格朗日函数 .mp4 27.46M
( r2 U0 A) C9 p" Q4 f3 h- \% Z* i
| | ├──2-迭代求解的原因 .mp4 20.15M
R6 ~; e" y% d" e6 ~
| | ├──3-梯度下降法思路 .mp4 26.33M
C8 r, E: w l- Y
| | ├──4-梯度下降法的推导 .mp4 43.56M
A3 B6 J" G# o+ z% l% l
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
) o* s& d' Z$ }: k# @+ P2 l0 k
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
7 q, x8 S* f! w- S" f: {2 r$ |4 l( g
| | ├──7-凸集 .mp4 21.90M
5 M6 s1 ?0 R( v3 m1 n! X5 b% C( {
| | ├──8-凸函数 .mp4 16.93M
: A3 B8 |4 o$ _# M) z8 ?' R: y
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
1 h. W3 m D$ C
├──5--机器学习-线性回归
3 k0 y+ ] i7 r+ D( i) q
| ├──1--多元线性回归
/ H* ^' U4 z3 d% g7 _% e
| | ├──1-理解简单线性回归 .mp4 51.11M
" s" C0 n$ r" F9 \
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
: K ?7 V7 Y6 _. r) A) h
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
& \3 t( {' R/ o
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
W- `1 c; @9 n3 ]% j" H
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
8 j: _ g1 n' x+ @: N5 h
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
; |5 G# r$ Y5 @- y+ W1 u f6 |
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
- `5 c/ B7 P6 @* r' ^, o+ S
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
7 B9 ` i9 ^* |% [. s: I2 f& a
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
. v: `- m0 e. S+ K W# K6 e( H
| | ├──18-解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形 .mp4 48.31M
6 \, p& `, {3 i0 X8 {+ w
| | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4 34.67M
9 P6 G- k) y; A3 Z8 p/ E. A. r
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
7 P+ _8 F2 B" Y7 {6 O" \4 Z- ?
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
" c" ?* j' b2 {! [5 C8 X% a
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
! i* ~" b, h; s* R" H6 R
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
& v5 r% ]7 w$ V) P+ r# ]
| | ├──3-扩展到多元线性回归 .mp4 32.15M
8 |, I/ w0 N( p7 y4 i& M" [4 v" f/ N
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
: r$ z3 I6 Q' M4 n* I
| | ├──5-理解维度这个概念 .mp4 41.41M
, ?6 ~& O" L% }) r X0 ~
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
9 H: U; H2 d8 o' S( ]6 p6 Y! o
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
0 L- x8 t. }- x
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
6 O6 g$ E3 W2 J- @# I( j7 V* s, B
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
; G. R, s* B2 d; _* a0 t1 m
| ├──2--梯度下降法
) Y. w W$ w9 R8 b7 T- n C
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
; T2 `* x/ K2 G7 E1 l7 X; @! r
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
9 a* J0 w |6 c
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
0 v- C& j$ W( l
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
1 r8 _, M/ U( i# q8 G5 M& M3 W
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
7 E% k3 Z; o; F$ o ~, T
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
: N- }% D- F4 p7 l3 e0 \2 P/ `
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
; J) _2 q; K. Q4 z: E
| | ├──2-梯度下降法公式 .mp4 57.12M
4 y0 Q& k. U' M* K. P8 \
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
. T/ r9 o+ m- f5 W/ v
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
% i( p4 r6 Q" q9 G& Q5 N
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
2 q# Q7 y* P b, @; Z1 N6 D
| | ├──6-全量梯度下降 .mp4 62.84M
) X. e9 T" M" N5 B& w6 u( V( f' _" u" L
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
+ p2 u; s1 V5 G' h3 j. `2 S
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
6 E0 `$ Q+ N- n) W: Q9 l, \/ H3 w H! o
| | └──9-轮次和批次 .mp4 45.22M
( u, f# a* Q7 F1 ~, S
| ├──3--归一化
" T$ Z3 i R- ?
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
0 ~& ^' [+ P! D# T( a5 h
| | ├──2-归一化的目的_举例子来理解做归一化和不做归一化的区别 .mp4 34.11M
: N$ O+ G7 |8 G/ l, }- e* Q' C
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
) p5 ]& H0 g/ O9 J0 l
| | ├──4-最大值最小值归一化 .mp4 24.87M
# Y: I5 L- H/ p3 y
| | ├──5-标准归一化 .mp4 51.86M
$ ~5 W* A8 {* g1 U2 w# a
| | └──6-代码完成标准归一化 .mp4 41.13M
- P4 h( N) s* L1 g( O
| ├──4--正则化
5 S8 H0 I. o9 n+ ~
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
+ W% Z+ i/ h. f" g
| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M
$ ]4 a$ Q% C) l2 j' Y
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
" H) d8 C: ]. N; h+ ^2 |
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
1 v; l$ @; O" v+ u; z
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
( s1 G' h1 _+ K8 y
| └──5--Lasso回归_Ridge回归_多项式回归
0 K' W9 C6 s7 ]6 g) g
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
) h9 v# P, E1 K7 i1 i$ @
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
5 ?/ p' s9 V0 i" R
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
1 H/ i: F _" n9 m% i0 ~: m7 N# M
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
) P% ^. |6 X" c0 a0 s5 ^1 J2 W1 p
| | ├──2-代码调用Lasso回归 .mp4 28.73M
' I* `; f, L9 T
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
- Q! }4 b+ v9 p) O4 J! H+ u, a$ S
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
& N$ {+ d+ F* x
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
/ T4 G* j [: S
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
1 q- ?" ]6 O5 W$ z1 E7 [! C/ A
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
1 n% x& H i+ o$ |' k6 }8 Z5 u
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
0 G; M5 ~1 S8 b" }. O' y t% @
| | └──9-实战保险花销预测_模型训练和评估_选择非线性算法改进 .mp4 84.12M
$ P+ V! w' i# q9 Z$ Q
├──6--机器学习-线性分类
' {% C: y6 t; c' B7 r0 ]( c! c
| ├──1--逻辑回归
4 G! E; e3 u( g* h& m g/ K
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
4 [8 F( o* e8 Z9 U0 Q7 W
| | ├──10-绘制逻辑回归损失函数_探索两个参数和损失函数变换关系 .mp4 39.83M
& g$ j. {' D2 v* H0 k2 [7 D
| | ├──11-绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度 .mp4 43.87M
/ j4 z3 V; _ U0 Q& N9 Y
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
' h* h) P9 h h- @$ \, c
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M
8 p; Y* |) D- j9 E0 P
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
( c0 _1 L" Q! |
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
& ]3 _4 Q# D; d& Y
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
2 N5 B; J3 `0 C* t/ I
| | ├──2-sigmoid函数作用 .mp4 38.15M
U# Z/ X6 t' ?
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
u- ]/ y; _& u7 u
| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M
0 x6 K8 ^1 p' z0 N! q5 }7 P- \
| | ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的 .mp4 6.71M
& \8 ?8 `/ V; H E/ t) I
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
5 a$ v* ]2 y) ~( M
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
2 P# G* f& t* n$ ~
| | ├──8-绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数 .mp4 56.56M
% w% A* v+ U4 d# T
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M
' b) X2 z0 k' G* x- ] W
| ├──2--Softmax回归
9 R, f9 y/ k8 W' W Q
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
$ m8 I$ v) @1 L* B+ ~+ m2 ]+ ^
| | ├──10-实战音乐分类器_代码使用傅里叶变换将混音文件进行投影 .mp4 42.74M
- ?9 u1 o; K1 X1 o: m4 |, F6 y0 j
| | ├──11-实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果 .mp4 49.16M
6 m6 O+ C. Y- q( j% y% d6 q
| | ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4 47.67M
4 Z4 b$ ^/ _2 O, _& I/ k7 a
| | ├──13-实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题 .mp4 78.03M
" c' R3 m, ~ Q3 A( r5 A7 `- m) b4 F
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
* V+ H5 v) r/ Y: V0 D
| | ├──3-有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本 .mp4 33.42M
! w2 O4 e% @1 Z; x. x2 |9 h' a$ I
| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M
; ~$ n" m7 m1 B- J2 M- p) q
| | ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性 .mp4 13.92M
) e r# Z+ Z1 A' D8 [
| | ├──6-逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别 .mp4 46.67M
! P$ J. L: _" W/ |
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
% X4 d0 }* R$ q, P
| | ├──8-实战音乐分类器_探索不同曲风音乐文件的时间频率图 .mp4 52.39M
. |; T! R u2 [: J c: H
| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M
$ u( a- U4 [7 i2 ]
| ├──3--SVM支持向量机算法
8 O% B% z. d5 ~3 n$ y9 k
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
5 d/ @) A& |8 r$ }/ j: @9 E
| | ├──2-SVM的思想 .mp4 55.56M
7 F" e1 Q1 {; o1 `
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
* I2 K( Z3 P8 z7 C% I
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
' E& i( J, e1 w3 _! B7 _
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
9 ]9 ~; o7 J: b2 R- M2 E' w! p- o
| | ├──6-总结硬间隔SVM .mp4 39.01M
/ b, S) v9 ]% m: ~8 `
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
) {3 z9 ^0 r+ [) u- h+ r
| | ├──8-非线性SVM .mp4 54.43M
2 Z8 f' o$ `; E- Z- M. q
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
- N; L. a+ v' o' D
| └──4--SMO优化算法
* M" ?0 B" y, n& A
| | ├──1-SVM算法流程总结 .mp4 58.36M
* K, o; e7 e, [, O f3 n
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
8 P& ~& Y `1 @8 K. B3 [. N
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
5 f* |$ v/ m9 u1 Z8 D' B2 m
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
3 p6 q9 [* a% o" n9 n E
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
; `/ N/ K* L' k9 A- R
| | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 69.00M
5 f+ j$ `; H ?" I0 Y$ J
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
2 _) v3 }1 d. p5 }, ?8 l' W
| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M
0 H1 j% v. D- G5 e* z
| | ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数 .mp4 63.23M
( o7 v2 S5 e( p# v# P
| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M
/ j, w( q8 _0 ?% f3 ?; C
| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M
: ]- `9 K+ ]6 a% e
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
4 A* a+ o ^. Q9 h5 C2 f
| | ├──7-启发式选择两个α .mp4 23.11M
0 J0 U. U) c Q+ I2 {/ z# E
| | ├──8-如何计算阈值b .mp4 50.18M
% \7 T; j; }1 h- P* U9 X8 c9 S
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
% I. D- K2 [: j" K
├──7--机器学习-无监督学习
7 g, p1 z$ F% U# p% `; |: b& M
| ├──1--聚类系列算法
; J2 a' F: Q+ }& ]
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
& E& n6 V9 f" H# ^6 F) I9 w
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
& @4 R9 s9 O }% B, r
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
: v1 l3 d6 \& y$ a
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
0 J# h2 b- s, |( [9 n- D
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
1 b8 y( l5 N, i, Z6 T
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
& [+ x) M" W# p, o7 A% v: _" y. v0 V3 I! J
| ├──2--EM算法和GMM高斯混合模型
1 n" T! `1 R4 s3 E" D& X* B6 n
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
0 \6 h3 t& G! r, L; N* P! ~! o
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
- q3 x2 j& P4 n
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
6 e& O7 g; n) W' e
| | ├──4-Jensen不等式的应用 .mp4 109.17M
! M& a' i6 k" _% L0 _" U, X
| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M
, G0 E1 j" g0 f; \) X
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
! W$ u! O/ a: Q
| | ├──7-GMM前景背景分离 .mp4 16.01M
5 Y/ o- j9 j# D( R
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
( A3 W' O! L6 p3 O1 D7 @/ s
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
) b" X) [; J+ q9 s# m. A9 Y
| └──3--PCA降维算法
9 u$ L6 {* O; I, c( z/ A% k
| | ├──1-特征选择与特征映射 .mp4 49.38M
2 G7 ^. g$ Q7 q+ x$ ?* @) } I1 p- B
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
5 }. B {" j. r- r
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
- I* z9 G4 Y% h
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
. |- X7 M- p8 z5 N7 \
| | └──5-PCA的几种应用 .mp4 54.58M
0 ^* S2 ]( H) X6 H6 b0 w# s
├──8--机器学习-决策树系列
" |5 H6 g5 G% X. {0 l. ?
| ├──1--决策树
% }$ \2 a- Q/ Q4 b% ]2 F. c
| | ├──1-决策树模型的特点 .mp4 74.88M
4 ]* h9 }# d5 Q8 H3 f9 }% E
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
- q) {. B0 D6 ^3 p& R, |$ f6 U% v% A! X
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
, l. \& \( p, M! h8 R
| | ├──12-后剪枝的意义 .mp4 50.49M
4 a. V$ R( s, b
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
5 a4 X" m; t1 h
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
6 }7 ] _$ S6 l1 d' {5 t
| | ├──2-决策树的数学表达 .mp4 89.94M
, |) R7 f3 M0 V) A/ X9 _
| | ├──3-如何构建一颗决策树 .mp4 84.87M
# w0 q/ A6 M s
| | ├──4-什么是更好的一次划分 .mp4 57.02M
1 d; d* V5 p1 Y% K
| | ├──5-Gini系数 .mp4 107.54M
' p" ^* r" p. b2 c( h2 @ `
| | ├──6-信息增益 .mp4 75.26M
9 T" I$ H+ d/ P/ x
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
0 o3 M- d* l# F8 X7 H3 I: I$ T
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
4 B+ h" l* ~7 s9 U( M7 S% } `
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
5 Q/ H& D" G j& p* o
| ├──2--集成学习和随机森林
% U$ [2 b/ S; z- o |5 x' l$ e3 [' s
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
- k9 P( w' n4 i4 f; L: k3 d
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
, s' v5 |3 @" b; ]8 r
| | ├──3-随机森林 .mp4 108.14M
/ ^6 ]% H( n- ?. b8 W% _
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
- t: Z2 [9 t! K0 n6 k- m
| | ├──5-OOB袋外数据 .mp4 106.07M
& W1 T0 A. Q2 t4 M `
| | ├──6-Adaboost算法思路 .mp4 106.30M
. L( M) L7 j% ]8 a
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
) U& t6 ]' d" }7 u
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
/ Q7 B9 ^( m* v8 m
| ├──3--GBDT
5 E! j! r, X9 c9 g6 j9 {# i
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M
! Y) _: ]5 V/ V( j/ e3 G2 |
| | ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度 .mp4 72.09M
( }+ a6 s4 B$ X ]; _3 Y
| | ├──11-GBDT多分类流程 .mp4 73.80M
# O5 P0 V6 _- w2 g
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
- @* Q0 V! O: p3 y+ G# a& }
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
$ Y) J8 Q. E! ]* V0 x
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
7 t9 V' }/ N3 x' t4 @3 y
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
- b$ d! {# ? G& P1 V
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
4 J! X* F9 l$ P) a7 K* K
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
! D6 v6 e! f4 c. q
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
7 }& k4 D/ n0 _- t
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
) [: X- r+ K, X0 L$ c% ~: Q9 ^
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
) P* r+ j$ t" x# A3 X
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
# }! v- y# _$ x/ P% B8 F
| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M
/ ]& n# X+ B: ]% S8 P. X; Y
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
, B* g) W- \% x( z2 H
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
- E( p5 G! P; V9 h
| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M
: H* T, { s- t* O, i4 s% t* |1 b
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
: d2 ?* F1 V: p% |
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
3 C! j( T3 ~( n6 N7 |; \( _
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
) j. P" U+ p6 \2 c
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
' K' ^ I+ ?4 {( }. ^+ }
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
2 d7 _4 a% B9 T* t
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
9 l1 t1 J4 O& Q( u
| └──4--XGBoost
% K! N. L5 y; {
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
. t' u* o9 _2 E! `; e) k
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
0 o5 J7 M; x% z
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
# y3 z' M ?5 g
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
0 V% N5 D! _ t# c& f
| | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构 .mp4 106.69M
% I: u$ S# X& H/ |7 q
| | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件 .mp4 73.80M
& f6 n! R7 ?- B+ H( |" n+ M6 p" f% w
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
! o- v4 n* A$ s- b8 T& [
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
4 c6 R8 x! s/ Y; [; T
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
o2 b+ _4 K0 N: `
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
' J6 y' O( G7 [* f5 {: e; ~; n& X
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
$ m: V- ?+ \, | g. O/ S7 ]( V5 D
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
; ?7 e: j1 x7 s- P
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
2 k1 l/ E+ d. S/ x
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
! r" ~, J% g5 T! O5 [; }
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
4 @$ g4 v8 [5 B. x# j2 \' S g/ L# b) T
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
) Q- P% G0 k8 G
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M
( i, k! P; B2 x/ T2 X; ^" m
├──9--机器学习-概率图模型
2 z% {# C/ }; j& v8 y2 f8 x1 W& v
| ├──1--贝叶斯分类
( o/ I8 k! Z# F1 f7 f
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
+ L+ N7 G, n5 F1 ?
| | ├──2-TF-IDF .mp4 53.08M
0 \6 n% x) N1 z5 w# O8 d5 d# Y
| | ├──3-NB代码实现解析 .mp4 126.73M
6 B7 ?9 F% r+ F' f$ A
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
; r! L. I8 u1 I9 N8 }/ m* h C
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
8 ]* {1 W8 d7 W* p5 x
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
: i& a! L+ |9 v3 x' j
| ├──2--HMM算法
2 v0 ]" L+ A9 c
| | ├──1-HMM隐马的定义 .mp4 36.82M
) j; G; z9 v2 `
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
0 e8 o' D, I+ r' D$ I6 o, j
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
) g$ ~2 x5 o- |! g# s" W$ C
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
6 S& e! Z4 R ^
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
; k, [) d8 s3 s1 Y' p
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
3 o/ _. {2 [4 [7 m- l) t
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
9 O, n! G; d) @# F: Z
| | └──8-Viterbi算法代码实现 .mp4 42.43M
( [% i2 N4 |2 b" i# ~! u `; {
| └──3--CRF算法
0 e8 }5 D' n v
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M
8 }. {7 F3 \) C; V, q$ i
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
9 N- Q( U8 O" _2 Q' ~
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
* x$ Z- N4 h- _7 Y
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
. J! z. E) C U$ M( I+ `
| | ├──5-CRF的目标函数 .mp4 23.74M
& |8 e+ l. R" E8 k% |/ ~# k( o, }
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
7 v8 Z4 d( E' ?& F, x" `0 z& H
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
k0 i5 w4 V4 _( p
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
7 _2 P% S* [9 l& t: m) I- v
└──课件.zip 2.54kb
& [& ?/ ?! M$ @: ~5 Y
6 v4 t" s6 g4 } D0 {6 [! S
! q' [5 Q" H& O1 Y2 K
永久至尊VIP回复即可下载学习，非至尊VIP暂不支持下载此资源！
5 t3 c/ V( k; N' c1 t0 s0 k
4 U; a* P8 I, x R" b: P
+ F: \ F) } f
作者:
5s7997fg2n
时间:
2023-9-16 21:48
太给力的学习资源，非常感谢 www.cx1314.cn
作者:
ujv59204f5
时间:
2023-9-16 23:14
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！
作者:
ia8w95a305
时间:
2023-9-16 23:21
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！
作者:
lus4hh46c2
时间:
2023-9-17 04:46
IT学习者必备啊，我是2年工作者，这里的资源很符合企业条件，强烈推荐！！！
作者:
28te2ykbi5
时间:
2023-9-17 05:08
我是Java初学者，开心，会员是永久使用。找了几天终于找到这资源了，感谢分享！
作者:
0h5d7edrtj
时间:
2023-9-17 05:08
6666666，确实不错，比其他地方好。开了VIP，爽歪歪~
作者:
9r1d81ohvl
时间:
2023-9-17 05:13
厉害了，好资源，谢谢博主
作者:
e7drkgq901
时间:
2023-9-17 05:15
谢谢 程序源码论坛 www.cx1314.cn 帮我这小白收集此资源，我开了个荣耀会员，每天来逛逛！
作者:
r2e97fjqy6
时间:
2023-9-17 05:18
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！
作者:
7pxxc7ylhh
时间:
2023-9-17 05:18
牛批啊，这么多好东西，美滋滋
作者:
1tip52w6r8
时间:
2023-9-17 05:21
反正给力，太激动了，无法HOLD啦 >_<......多来这里收藏。
作者:
82699y4j16
时间:
2023-9-17 05:29
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！
作者:
qa5ii6n54f
时间:
2023-9-17 05:34
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了
作者:
3i29o2800i
时间:
2023-9-17 05:36
这套资源不错，我是荣耀vip，全部免费下载，强烈顶下，我会常来这里的！
作者:
qga9ce4qek
时间:
2023-9-17 05:36
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！
作者:
le3d8b7322
时间:
2023-9-17 05:36
太给力的学习资源，非常感谢 www.cx1314.cn
作者:
beg6bj065x
时间:
2023-9-17 05:44
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！
作者:
0us1txa0nl
时间:
2023-9-17 05:45
谢谢博主，收藏了，学习一下
作者:
56652dz521
时间:
2023-9-17 05:46
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！
作者:
ht284xt2db
时间:
2023-9-17 05:56
这套资源不错，我是荣耀vip，全部免费下载，强烈顶下，我会常来这里的！
作者:
09p92jdokc
时间:
2023-9-17 05:57
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！
作者:
91cz779w6h
时间:
2023-9-17 05:58
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了
作者:
41d1juqkhn
时间:
2023-9-17 05:59
IT学习者必备啊，我是2年工作者，这里的资源很符合企业条件，强烈推荐！！！
作者:
rb4rd9a2fl
时间:
2023-9-17 05:59
谢谢博主，收藏了，学习一下
作者:
us8717p9cp
时间:
2023-9-17 06:00
自从开了永久VIP，全站资源下的太爽了！哎呦我去，快存不下了，QAQ
作者:
i860wz4955
时间:
2023-9-17 06:03
相见恨晚，终于发现一个即便宜又牛逼的论坛了，真心不错！花几百开的其他平台的会员，没这里好...
作者:
397jcmppn9
时间:
2023-9-17 06:10
都是最新精品好资源，在这里我想要的基本上都有，希望一直更新下去！~~~
作者:
gd046vs219
时间:
2023-9-17 06:12
不错收下了，www.cx1314.cn 在这里开会员确实值
作者:
of5soo3gh2
时间:
2023-9-17 06:12
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了
作者:
07g0ap77fk
时间:
2023-9-17 06:15
相见恨晚，终于发现一个即便宜又牛逼的论坛了，真心不错！花几百开的其他平台的会员，没这里好...
作者:
8z978j4kz3
时间:
2023-9-17 06:19
我发现这里没有垃圾资源，都是精心筛选的好东西~我工作3年的人，来这里找资源提升
作者:
187snm6hs8
时间:
2023-9-17 06:22
相见恨晚，终于发现一个即便宜又牛逼的论坛了，真心不错！花几百开的其他平台的会员，没这里好...
作者:
w7h8b1e98a
时间:
2023-9-17 06:28
谢谢 程序源码论坛 www.cx1314.cn 帮我这小白收集此资源，我开了个荣耀会员，每天来逛逛！
作者:
2293040tt1
时间:
2023-9-17 06:38
厉害了，好资源，谢谢博主
作者:
i60hh9syjw
时间:
2023-9-17 06:40
我发现这里没有垃圾资源，都是精心筛选的好东西~我工作3年的人，来这里找资源提升
作者:
sm2e0nm7a2
时间:
2023-9-17 06:41
谢谢博主，收藏了，学习一下
作者:
m98s17y973
时间:
2023-9-17 06:41
这套资源不错，我是荣耀vip，全部免费下载，强烈顶下，我会常来这里的！
作者:
770njlx677
时间:
2023-9-17 06:54
这套资源不错，我是荣耀vip，全部免费下载，强烈顶下，我会常来这里的！
作者:
69hhx85e2y
时间:
2023-9-17 07:07
希望 程序源码论坛 www.cx1314.cn 越做越好，我支持此平台！
作者:
h2dh43dqij
时间:
2023-9-17 07:14
太给力的学习资源，非常感谢 www.cx1314.cn
作者:
3w39qn3w7x
时间:
2023-9-17 07:24
反正给力，太激动了，无法HOLD啦 >_<......多来这里收藏。
作者:
167uu0r5hr
时间:
2023-9-17 07:42
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！
作者:
199sjem1el
时间:
2023-9-17 07:43
自从开了永久VIP，全站资源下的太爽了！哎呦我去，快存不下了，QAQ
作者:
848063v6m0
时间:
2023-9-17 07:45
谢谢博主，收藏了，学习一下
作者:
75zs5qzs19
时间:
2023-9-17 07:46
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了
作者:
wt2s4p9q52
时间:
2023-9-17 07:47
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！
作者:
l170jfu8y4
时间:
2023-9-17 08:02
自从开了永久VIP，全站资源下的太爽了！哎呦我去，快存不下了，QAQ
作者:
4h38qbmky6
时间:
2023-9-17 08:09
我发现这里没有垃圾资源，都是精心筛选的好东西~我工作3年的人，来这里找资源提升
作者:
9a0b74ba29
时间:
2023-9-17 08:12
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了
作者:
f9cc62ut16
时间:
2023-9-17 08:17
6666666，确实不错，比其他地方好。开了VIP，爽歪歪~
作者:
jinxieqing
时间:
2024-2-5 15:40
非常感谢
作者:
Billlee
时间:
2024-2-22 09:54
如何下载？
作者:
itlan
时间:
2024-3-31 15:43
太给力了，感谢分享
作者:
醉醉
时间:
2024-4-1 12:36
楼主加油，看好你哦，我会常来，此
www.cx1314.cn
源码论坛是我每天必逛的网站！
& f, l. F g6 E
作者:
kai2524554088
时间:
2024-4-2 11:44
太给力的学习资源，非常感谢
作者:
fludia
时间:
2024-4-7 10:42
* w5 W7 `4 X3 J. x7 X
这套资源不错，太给力了，谢谢楼主
作者:
mumumumu
时间:
2024-5-17 14:35
& E4 L# o+ b- m% j/ O* l
厉害了，好资源，谢谢博主
作者:
Billlee
时间:
2024-7-18 10:52
百战怎么下载？
作者:
zeng1bo
时间:
2024-7-23 09:11
百战-AI算法工程师就业班2022年(完结）
作者:
摸着石头过河
时间:
2024-7-29 21:03
终于等到你，还好没放弃
作者:
duzx
时间:
2024-9-12 11:33
太给力的学习资源，非常感谢
www.cx1314.cn
作者:
3266498985
时间:
2025-2-3 21:12
非常完美
作者:
cde601
时间:
2025-5-18 08:56
好东西，推荐，不错。
欢迎光临 程序源码论坛-1024 (http://www.cx1314.cn/)
Powered by Discuz! X3.3