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/
" e" J( r) t0 Q6 k$ A1 c1 h- N- ~* H
├──1--人工智能基础-快速入门
+ l6 ]2 w9 J& A+ ?" y' X8 n. \
| ├──1--人工智能就业、薪资、各行业应用
% |9 P% v3 J# p5 Q( e$ w
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
/ g6 B3 R/ e+ a1 Q' ?# u) a: v" n
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
7 L7 E! r% C @- U- u+ m% L3 B
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
1 b; U5 U4 F$ k
| | └──4-人工智能在各领域的应用 .mp4 57.73M
9 h& h5 a- Q9 {3 C+ G- ?1 ?
| └──2--机器学习和深度学习、有监督和无监督
& H5 }" t5 {/ z x1 e
| | ├──1-人工智能常见流程 .mp4 89.62M
7 f6 y/ O6 P' i V; a
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
6 u4 S4 c4 \# T& N1 J" n
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
# R! Y4 y2 l; A" L- H5 B9 J/ f: p+ S
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
+ P3 t+ x: C" t' }
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
" I* z: A( J: o e& C# S4 O, K
├──10--机器学习与大数据-Kaggle竞赛实战
) u& ?. B/ ?) `1 y; G: d: b) _2 P4 {1 v
| ├──1--药店销量预测案例
. v8 S% U. J# i" }7 O8 ~' Q. {3 {, Z
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
' S4 e! s( I" N8 }- R
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
! H8 C+ Z/ ?' V) f' ?& n
| | ├──3-自定义损失函数 .mp4 21.12M
9 B9 _1 j" U& t r
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
+ C. J, t6 F8 |) S& J- C
| | ├──5-数据的预处理 .mp4 111.81M
$ ^* r" S1 t& M+ D6 W! J9 f" B; ]
| | ├──6-模型的训练_评估 .mp4 66.64M
5 E9 ?, L3 {! |5 Y4 I3 d
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
/ `' j5 f3 \ o5 [" i, X4 N5 j
| └──2--网页分类案例
. U6 w Z" J2 \7 _
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
* O, p0 j, }, L- R4 }$ v* p( ]4 n! T9 G
| | ├──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
, e+ `! o0 s0 G* R2 _) K* w; z1 S
| | ├──11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03 .mp4 68.80M
1 _3 M R: _; J
| | ├──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
8 P; z9 T% J+ Z- s7 Q
| | ├──2-评估指标ROC和AUC .mp4 56.19M
2 J7 s' T: e; T' E
| | ├──3-评估指标ROC和AUC .mp4 49.03M
+ R7 ]) g" j5 {4 y- |! w
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
2 j+ o* u% p( V9 N( E
| | ├──5-数据导入 .mp4 68.41M
( ^8 z$ T4 B2 E4 \1 A* T5 C) C& A
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
k5 _8 k2 ~. y1 h8 I
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
0 H* \/ a1 E+ M# v; V
| | ├──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
5 v" M# |: V, c5 s! V
| | └──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
: T. P z; F5 x: ^4 g$ t P% I
├──11--机器学习与大数据-海量数据挖掘工具
8 F4 g; Q- S7 b2 T
| ├──1--Spark计算框架基础
P# U% t7 i( q$ R
| | ├──1-Spark特性_01 .mp4 41.68M
' {' {7 t- U9 I" ]( v# {) d
| | ├──10-分布式计算所需进程 .mp4 26.30M
% g4 A# c; |6 g9 K4 j
| | ├──11-两种算子操作本质区别 .mp4 56.31M
0 B2 a, T7 C: @! J9 r
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
# p8 ]" s" m1 B0 T. N
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
# E1 ]) q) Q1 a: @- t( K2 u* h) \# P* m
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
) @$ y; _6 P/ t! B6 T* m+ i
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
: T6 u; L$ G" B9 c: ^2 z! n
| | ├──2-Spark特性_02 .mp4 35.15M
+ P$ S6 R& Y, Y" D3 _6 d
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
( P+ M/ o7 E, N
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
5 P; s9 S; y" p$ D2 e5 g( A
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
. _7 e; j8 c& t8 I5 [" C
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
, k$ z1 ]& H+ C" a
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
& w# Z9 E) A$ }/ t7 P7 A6 \
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
- ~6 x& H- f" z6 f
| | └──9-Spark的RDD特性_02 .mp4 33.41M
5 t2 r; w1 ]6 Z5 ]3 {
| ├──2--Spark计算框架深入
" F c8 T2 k( i7 T; N
| | ├──1-Spark数据缓存机制 .mp4 54.43M
6 s U( _2 {) l1 }- b
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
# c1 L J3 e1 [
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
- R$ Y8 K& k: G
| | ├──12-构建LabeledPoint .mp4 111.08M
( C. p- ~ C- u
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
: ]4 G3 V9 e7 e$ g5 s2 O! e/ l# Q
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
0 W" A( S6 W0 F. |- z3 }% {/ o( ]
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
L7 @8 H. @7 \) y V1 ~
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
& l8 g$ y. d3 Q2 V2 \3 @$ |$ Y
| | ├──5-Spark术语总结 .mp4 89.66M
; Q; V! h6 o6 m4 k! s
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
: [# ^9 [5 M& H, S
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
" X' b. P; ~. B; F- L
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
]! s2 t: ~! g8 m$ _- e0 j- D
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
( c$ o; R# v- C, Z* x$ R! H
| └──3--Spark机器学习MLlib和ML模块
; i& v5 e: a) n; C% z8 T
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
& ?* g9 h) n8 B+ q
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
& e/ k. r( |! k) I- |5 C5 O! |
| | ├──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
: D! J0 w; g% q- z) t
| | ├──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
* L: t. X$ m$ [4 k8 U8 x1 Z
| | ├──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
& l+ p9 N7 u5 S `: d; V
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
5 b$ A, }7 q+ b( Y7 N# p/ E- ^
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
$ e. g4 v2 t N9 }; X
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
- y* N. M/ J( E
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
4 ]: @$ p7 H$ o- y, L) I
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
: y& N6 c- b% X; T
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
5 t Z7 |; k7 y4 h8 P& ` W
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
) B8 `( |5 n9 [" |: G
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
3 t/ M6 L$ R, x X# K, l5 N5 h& y
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
/ |; U0 }/ d! Q& u# t8 L
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
1 c4 o6 @3 x8 v* X# J1 {+ j" A; j
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
1 r' E- i+ D) q. w {
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
2 Z: M! f, l% f% f# n+ C3 |$ u
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
, y4 z4 m/ Q0 ~* N6 _7 B; w
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
' y; s, B; A! y9 f
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
$ t- D1 ~2 J) K3 u% r% F6 f2 }
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
+ T/ p O: N- d! N" \4 a
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
$ A1 K& w8 X- u1 _" x
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
( C0 E% Y/ K) R4 s% G! p" R9 }7 Q
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
6 S3 k, d% Z9 ^( ^" |! L
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
/ h2 ?# C' v l. X
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
8 \& }% E0 w {$ w2 |5 ]
├──12--机器学习与大数据-推荐系统项目实战
& i( ^8 n& w+ [) L
| ├──1--推荐系统--流程与架构
3 E# I4 H5 a3 P! ~; O7 d! Q
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
9 W% Y* {/ t* v' D; `
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M
/ y: d; t8 d5 F" g& M. D p9 T
| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M
! |) p4 [5 ]& B/ K) I" P2 V
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
$ Q' }- L& G7 b5 o" h% B7 q8 R% x+ e
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
2 E6 f, b, f O5 d
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
0 ?" B3 ` l6 G% ]5 s
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
3 X& l$ A8 y- C. ?' N; R
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
1 l' q9 I" R, K1 [
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
" S7 O/ l4 o2 S8 I+ L
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
+ \* G6 h+ N6 q& g/ y9 Y9 E3 L' [2 O: i
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
+ t7 b0 b5 y2 j. s* q1 S- s9 Q
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
^: Q" `* P) R3 A+ o
| | └──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
* k" R+ }" U( ?* L; I/ e8 T3 E
| ├──2--推荐系统--数据预处理和模型构建评估实战
( m+ |, g1 t. @9 l
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
% v) v& P" e; P" R& B
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
' v+ \6 \3 ]) r8 \* K4 o+ A8 ?
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
\% s0 L4 f4 }) u$ i6 v
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
' Q$ M1 X8 h3 r! p; x* B- A/ }
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
% s5 d( p: A; h% {5 y
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
& Q; b( Z. V2 l1 [3 e, @
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
# z, U# j" T, n! _
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
# d, \6 G# Y. C5 h
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
* F2 E+ f6 g- e
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
1 j2 \8 |7 K ]8 C1 Y6 \) I4 o
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
: \" I) k9 t% [* a
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
+ @' t' i% |% h& \2 Z4 L% G
| └──3--推荐系统--模型使用和推荐服务
$ }% B. G+ d; `8 w
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
4 E7 }0 K- i" c% w! f& A
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
5 {! a5 f0 C; W) W# M( U8 q5 i7 u
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
: i3 _ t. \: J" \9 z
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
- H1 N5 G m, F
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
, F% b6 a' d! V$ J: y( j+ ]
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
3 A+ W- Y3 O( t( k" Y- }4 |
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
5 ~) e* b Z" N. f" g+ D
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
% O# O; a& B- m- [& n! e! \
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
8 a. w$ A# p, p5 c, s
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
' ~; |1 g) o+ I8 u
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
8 Q7 y& a+ Z; V. {
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
: \! ]8 U" t" k# b
├──13--深度学习-原理和进阶
# |9 k- `$ n; m4 r% }
| ├──1--神经网络算法
5 w+ ^2 o$ T, D9 T9 W6 g2 ?
| | ├──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
) ~$ c4 @0 u, A' Z+ v3 |" k$ y. t
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
$ }. g9 a* N' R8 P3 _% ?
| | ├──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
5 k; Q! L: N. j% Z
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
5 A% N9 @0 `7 G* ]
| | ├──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
& D. E8 p6 z) I
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
; O2 k+ r* E6 Q* m
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
+ w9 Y# t# D9 l9 `3 l
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
" T' ?3 Z) D( U: V, y: o \
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
: z; H7 I# w5 D
| ├──2--TensorFlow深度学习工具
4 T1 ] X/ X& E
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
Y3 H) Q- E5 [$ a
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
3 {6 ^! F7 C5 i! i6 R& {2 V
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
, E$ l/ E% `# o! @( V6 }
| | ├──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
% u% }' @3 I! ?! [! M, N
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
" V: L- b3 r [4 m( A" w; F* I
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
# P' w1 J7 N7 }+ R9 S% g9 t
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
3 E$ M6 p: }* X
| └──3--反向传播推导_Python代码实现神经网络
6 ~; l5 P- I. {! {2 w
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
+ X# q8 S0 E) L4 [+ l! F& S
| | ├──2-反向传播推导(一) .mp4 127.90M
H3 E6 ~) {8 M* R& Q
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
) V' V6 _1 r. m( j' |8 K) g- s- j
| | ├──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
1 F' Q2 u/ ?& z
| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M
& [/ j8 {3 W% K# [1 c2 S
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
' |8 H5 G$ _- G [; ~
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
9 R) u& r/ ` w( |' J+ @
├──14--深度学习-图像识别原理
7 n. {8 ^' L5 B$ C( b
| ├──1--卷积神经网络原理
" r5 V; \" X, v; w& k, H6 P
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
, h; R' _$ z, I! k3 i% Y
| | ├──2-单通道卷积的计算 .mp4 104.01M
/ Z0 n. F% N7 q0 b% f0 f
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
4 k# X/ U ` s
| | ├──4-卷积层权值共享 .mp4 63.93M
8 Z A* _1 S) x$ F) t3 u5 Y$ i
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
# f; X- w% S [
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
: G0 B7 j, W7 c5 ]: q/ _ q9 b, L7 U
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
$ U- L+ E. E: n4 H8 d
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
6 W8 Q L2 a, |# q2 F
| ├──2--卷积神经网络优化
/ d* i7 X4 n' U% ]# U# V
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
( R2 |9 A0 h1 h, b6 T; [
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
. [2 y+ |* T, \! y$ j% c& f5 }) {
| | ├──11-Optimizer_Adam .mp4 141.12M
" d. M: Z8 o' d2 |- k
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
x1 ]# ~/ G. |1 j2 n* V
| | ├──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
# U. C/ W* x0 T- d
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
7 p8 d2 [ B, e/ N$ p3 ]
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
" U) T# Z( H0 p! B
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
3 H# q' x2 n s2 E
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
1 n' P; g2 U$ R4 X8 M
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
9 E5 {5 {0 z6 O, ~# x
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
5 X$ y9 ], r- y1 o+ ]
| ├──3--经典卷积网络算法
+ B+ J+ r& V- j5 N$ v* k1 @
| | ├──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
4 G, k: M0 B6 y! y
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
( e. i0 Z! S( E) y/ C. I
| | ├──3-InceptionV1_V2 .mp4 165.86M
3 Z4 ]% ~3 I! ?# W' r
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
; [* p$ X# ?6 _
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
! E$ s# c6 {6 o
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
+ K! p0 N7 @7 I; i
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
' S7 A8 {6 V- r; k' S% P# W5 N1 M( l
| | ├──8-BatchNormalization .mp4 99.23M
/ u2 ]1 p8 u6 k# d2 e& i. c
| | └──9-Mobilenet网络架构 .mp4 150.05M
0 s2 v* Y* H0 ?* i2 P
| ├──4--古典目标检测
1 e* V3 u! H4 ~1 K
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
' ?5 Z+ O% X; {7 e- M
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
, s, N# G/ g, l/ k$ n5 c2 d
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
9 ^( U8 _3 J! r& \
| | ├──4-R-CNN和SPP-net .mp4 124.06M
7 k) o" ]+ V0 p) T
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
0 L3 J, I, G- X$ e" C
| └──5--现代目标检测之FasterRCNN
5 L; t8 C" T$ N: Z
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
) I; x6 p6 c H% ?
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
+ n2 }+ w4 L/ H1 V, O0 b) a/ O& C
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
3 G( ]# X5 H& c9 x( M8 A
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
' K4 c0 k8 j7 h# }: Y5 Z# f8 O
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
/ a% [, O+ h( ?/ |! l+ q0 V A. f
├──15--深度学习-图像识别项目实战
% |1 O: m5 n' n- v2 H! H/ Z+ a
| ├──1--车牌识别
/ n) N; R1 I4 y; e3 B6 l! x
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
7 x* L! i0 K m' I0 V
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
8 O' `8 ?/ f4 t! S4 s. w" h
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
7 g2 ~% K- j/ d; y3 t5 @
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
$ B0 C5 W: Y- B p+ L9 }/ @2 Z
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
( O- ^+ V- J5 e& M. @6 ~
| ├──2--自然场景下的目标检测及源码分析
+ z) u! c! ~: N3 s' {
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
; Q1 s# `& ~4 f, R0 ?" `
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
& w# w1 s& b( x( g V. }+ t
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
; N0 K2 f. v& k8 c; c3 L9 r
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
3 G8 R- E U5 b% W1 w7 J
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
7 ]. m) ^ t# i; M, }3 D k
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
/ r% V9 Q* g! F
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
- x3 m5 H. G) U" d$ N
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
1 K: r+ k- r6 x0 a% _
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
6 O k- u* k$ f- E _) T O$ U
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
9 a8 R6 ]/ ]5 k C1 K8 H- P
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
% X V8 t9 A# _4 o" r/ \" q- Z& |- Y
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
+ i$ L0 C0 P4 w& g, |" O& @5 h8 n
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
2 D3 o% K- F% N1 P+ D
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
1 U5 f6 V2 f% l8 |7 F/ C
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
- G- d2 z# O# Z6 n% u6 H8 z3 B
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
4 {4 z. \. @7 n: I- v: L" a
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
0 @. ~1 ?3 S. B+ E* ?3 u$ i5 _
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
# Z2 Y5 S/ E8 y5 t; U# v& a
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
) j" c; P) D, j$ T( p( w
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
4 U% D4 Z3 B& z4 E1 E" z. K
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
3 D' E, s: `) {0 D3 p
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
- v _/ i; q4 \* W8 R
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
, P" R* A' o& d$ s& w H; R
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
K5 ^& G* v$ a9 y1 ]
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
) N0 e! }4 }) B" D! P+ o
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
5 e5 A/ T0 k. t: j" Z2 M: v% e1 u
| └──3--图像风格迁移
$ ^; c1 M: w* L Q0 _% L1 Q3 M
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
J3 k L- v- Z+ E$ P6 L8 ~
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
6 q1 _" D i, ]7 K+ K' g* _ l4 ~
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
/ d; O7 @/ k/ M- k
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
. i% d: e% \; V( y n
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
+ r4 u* H5 z& s
| ├──1--YOLOv1详解
& y. P! X0 g' |/ f6 S! a; N
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
- J+ [- ?4 n( M2 C
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
- M E+ v3 e7 L, c" e$ {- M3 Q
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
+ I$ d1 ^! ^! W- x) }. }
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
) y5 P0 s) l2 v( a
| ├──2--YOLOv2详解
6 C5 h" q- h- e7 U7 w. [: s1 g
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
: T e% y) V; h0 C' E
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
( a3 J4 u* R2 w* S3 S
| | ├──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
5 V6 x/ A3 P- V( U, u! L
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
% e( v+ ?5 {( ^" R
| ├──3--YOLOv3详解
* j+ P# S: K2 A( G
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
5 ?2 @1 l! H, F& _/ b- A* u
| | ├──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
) `0 `& x+ _5 s5 T U( ^
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
2 I7 C+ D4 H& L4 A d' A/ V
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
) J2 C: r$ p. C$ H2 t+ ^3 \+ y3 ^
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
& W: c3 T+ g' K
| ├──4--YOLOv3代码实战
% p& ~- Q" F$ ~7 T' H8 ~7 u
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
; t6 z* e% d; @( [4 ~/ R
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
9 x9 n7 @0 B3 `! y5 m S- O
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
B9 K- B l+ Q1 G, D! ^
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
0 t6 e; l- H$ w; H4 `8 N, o
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
# J- \. t0 W8 K+ k
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
+ f. B5 i+ u' r5 G5 p* ?
| └──5--YOLOv4详解
0 P1 d3 k; r: a0 B$ Z+ [
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
/ k- A. l- Y5 W7 K
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
' L) j- Y. t2 }+ h$ _2 ^
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
- I, R, W* d! D
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
7 O" a k( o$ p. {
├──17--深度学习-语义分割原理和实战
3 i" w& L1 e4 B6 F: Z
| ├──1--上采样_双线性插值_转置卷积
8 b/ W& B3 ^: `5 D9 M
| | ├──1-前言 .mp4 19.46M
- s5 {6 y$ u# M! a" K! d
| | ├──2-上采样_repeat .mp4 23.90M
6 X% T1 }7 |8 F) T
| | ├──3-线性插值 .mp4 34.48M
9 a* ?- {' z$ c ]/ y- p, o
| | ├──4-双线性插值 .mp4 125.71M
5 e3 t$ e; w& \
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
& I* ]1 J- C+ G
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
$ r; u* P. y" g5 A" y
| | ├──7-ROI Align .mp4 58.38M
% F, R; j5 S9 u8 c$ T( i9 i \
| | ├──8-FPN思想与网络结构 .mp4 92.14M
# f5 m7 G; V, [" I6 I! |% B+ C' t
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
5 X5 c# L. {0 V0 z9 \4 K7 S
| ├──2--医疗图像UNet语义分割
2 e) Q7 R t( g5 b& {9 P
| | ├──1-语义分割的基本概念 .mp4 18.33M
- j8 l$ a$ l: c/ ]8 b4 u
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
( x& Q) ]# A9 P7 }4 z4 x% M! j* ]
| | ├──3-UNet网络结构 .mp4 30.41M
" k$ ?3 s8 x5 t( j
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
( n7 ]# c& T- P; N9 l
| └──3--蒙版弹幕MaskRCNN语义分割
* t2 W F0 f( x& x) @' v% L2 K! F
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
4 f$ Z5 e7 G7 o% Y9 Z( }
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
7 v% U; x! \1 o; }2 e4 q/ k
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
+ r, z: C- i- g e j1 E
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
' y- M" B1 A$ c
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
' H: ]7 \/ G+ g5 J' I% m! ^
| | └──6-MaskRCNN源码config和model .mp4 244.48M
! H8 f4 \& D* \/ x
├──18--深度学习-人脸识别项目实战
/ w0 q2 g3 _: R+ P4 @7 x. B; n
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
8 I1 w9 s# O' i: K0 p; Q
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
( o% Y, }$ ~* g% A6 F& A- g
| ├──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
' V3 x4 p7 \" o# p
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
3 E- k& g- m5 J1 B- n7 [7 ?
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
7 y: P) ]; L( O) E, r
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
+ p# ?/ N3 [! Q1 |" ?$ Z, G
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
/ J7 b: \1 q c& A" s; _
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
1 o3 {1 u9 y& _
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
5 H i2 n3 A) T- m: F d1 I2 y" D
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
3 I& C1 P5 Y7 Q5 k" G, v; k
| ├──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
% F6 N% w8 T- e7 R
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
! e7 Z1 b* U% T
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
; h" L% I O2 O' c, Q
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
8 P5 u2 C+ |9 T4 t+ }$ j
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
% J: @; ?- d- W2 X. {
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
. E) c' f& V/ _1 Y
| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M
6 w! v0 o3 i: ]$ u4 c+ F
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
3 I. {/ e+ Q7 }: G& R
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
; x+ a) H; m( u4 X! a
├──19--深度学习-NLP自然语言处理原理和进阶
# G% R: ^5 x7 N
| ├──1--词向量与词嵌入
- v5 `2 p8 W% C K4 Q' D- `
| | ├──1-N-gram语言模型 .mp4 116.32M
: q1 t* B# |9 d# ]% \
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
. K6 d0 I8 B, z: G
| | ├──3-词向量的作用 .mp4 58.00M
}: C4 c& H. O" }5 S$ z* h$ ]
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
; j. A1 b9 ~! R* o
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
' F& d8 `7 [* N
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
# ^. t/ Z7 c* ?) L/ V
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
+ j# a/ I9 l& T% X; ^1 K
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
) b7 t3 b9 ]9 {# S
| ├──2--循环神经网络原理与优化
# d5 N8 w3 {6 ?5 F+ M+ {: R! p
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
% O4 x, C0 I) c* A2 c3 r0 I$ q4 `
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
' g3 p' L: [5 S
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
" i0 p/ I2 A9 @" D/ Y/ Y8 F' N5 Q
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
, I R) [5 N% x4 Z+ B1 ?8 c
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
$ |' T* D% l% s+ Z4 s" D# B
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
/ D- i! U1 @- O5 p7 Q
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
, O: ~: ?$ h: e0 {- H0 I
| | ├──8-双向RNN_LSTM .mp4 52.01M
1 n+ U5 U/ Y2 F2 D/ m3 g, }
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
* t7 Q$ p' r3 h9 a
| ├──3--从Attention机制到Transformer
5 N* a& @6 ?) i% D6 Z
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
, f% u. F- v* P# B7 C
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
) Q T5 ?0 B) |6 D! J3 u
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
9 F7 S% _ o- R
| └──4--ELMO_BERT_GPT
( S/ N, {, V* @/ c- ^* Q E1 f1 A7 [
| | ├──1-ELMO .mp4 62.44M
w } V$ `: y0 g
| | ├──2-BERT理论 .mp4 99.73M
" l7 I5 u5 J/ A* X, x6 [% @
| | └──3-ERNIE_GPT .mp4 56.34M
( _- J* x h0 g" `
├──2--人工智能基础-Python基础
2 D) g! B n& U
| ├──1--Python开发环境搭建
" I: E' i$ M0 X6 a* o9 d1 x8 I& s
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
1 H" ~4 |- b4 M) h% w9 |2 }0 i
| | ├──2-Miniconda安装和测试 .mp4 57.12M
1 z2 |9 ]: M& Z4 u
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
6 K+ f. i2 N- Q( q; g5 h( q- ~: @
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
1 p# c. k& [- R
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
# z/ p' |* d9 m8 c7 V8 N9 X
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
6 f# c; g+ g2 ?# Q* u9 T
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
4 U! X8 v5 {" }0 q
| └──2--Python基础语法
3 m' T. {" n& a/ g% ^6 L/ j
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
8 _- M$ w9 R5 T& M+ Q* C
| | ├──10-Python_集合操作_列表 .mp4 34.71M
2 e! G0 o1 B- o3 [
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
8 F/ ^ B# N! r- q G
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
# Y1 E) t% y, v- K/ _
| | ├──13-Python_集合操作_元组 .mp4 43.46M
% u- x8 s( \1 `' X- \
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
8 V4 V! {2 |7 P2 H% R
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
i5 E o D \3 k3 B* E. ], q+ _# W
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
( g% @& r1 p+ Y( \2 x- A2 u1 U
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
Z- c, z) F. ]7 L x. f* ~
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
' P# g4 R( _$ T* o; o8 B" O% \
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
0 j% P& V4 A6 p# R* s% d+ k _; Q. G
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
% }. `2 Z; P' W$ `+ @9 ]
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
3 ^% r, {4 g2 v9 i+ I
| | ├──21-Python_函数_递归 .mp4 23.46M
, D* z, U4 `& _& B/ C; ^# n" {
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
f, L+ v2 a. a$ J/ V; f; K3 m; ^
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
# H8 n: }( |7 u8 q4 |
| | ├──24-Python_函数_闭包 .mp4 41.61M
+ q/ w1 f+ c g( t% l
| | ├──25-Python_函数_装饰器 .mp4 30.35M
8 B, s @6 B9 h6 r9 [( ]' b
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
" p& D; ~0 O4 p* _( ?" j* \
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
" O3 L% L# A4 e5 {7 ^
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
6 T9 R0 K; K! f' S" T" i; N
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
% s9 A8 M0 F% [1 v; ?8 o
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
& g. e% F8 Q4 g% y$ b
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
2 c4 W* Z* \4 B# `) k; G3 }
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
- M+ i3 u% ~. {
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
7 l8 _5 J5 t' } J( x" p/ |" ]
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
" H+ c ?7 s1 N% D
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
& ^& J" `$ ]/ P" z) e! f6 i6 g
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
. h6 G7 v r: P3 C A4 n
| | ├──8-Python_切片操作 .mp4 40.20M
: c( }) ~( Z; q$ Q, K/ Y
| | └──9-Python_数据类型 .mp4 25.38M
: b1 Q, k' Q8 J0 F! g% a: o/ C
├──20--深度学习-NLP自然语言处理项目实战
1 S6 ]; L; ^+ s
| ├──1--词向量
5 V+ B% r2 c- L8 r6 o' z
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
$ m. { ^5 k' ~- E$ y' Q
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
1 z) |, L0 W/ J2 ~% c
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
4 [. \% q# H- Q% j/ I5 p5 g
| | ├──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
+ H2 s( b& q: D3 P1 S
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
3 Q7 V6 r) L! L5 j& N4 A
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
& s0 E$ p% f( G* ]* x
| ├──2--自然语言处理--情感分析
1 F9 |( B% ^- B, x
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
! f3 H' p% J, I- o8 T$ E+ M5 {
| | ├──2-数据预处理_01 .mp4 79.65M
$ [1 @ Q( U/ Y
| | ├──3-数据预处理_02 .mp4 45.68M
' S0 {) C& p0 r% h
| | ├──4-代码讲解_01 .mp4 52.29M
% L% J4 E5 `% j9 p& c
| | ├──5-代码讲解_02 .mp4 60.85M
. k% K# K4 W- H& t% v/ e
| | ├──6-代码讲解_03 .mp4 53.89M
; U" [& Q! l) B, X: g6 u6 h
| | ├──7-代码讲解_04 .mp4 57.19M
0 {. ^4 K5 Q% }) q) s& |7 L
| | └──8-代码讲解_05 .mp4 35.88M
1 Z ^* c* x! I, _5 ]& u1 w
| ├──3--AI写唐诗
3 I8 q& B; V( E2 [# w9 S; s
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
$ X3 F% N2 |9 C8 ^/ S
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
; v: R% q S/ n. l% A" X Z* k) A
| | ├──3-MultiRNNCell单元 .mp4 38.93M
+ m7 U y. n" M" t# ~; m" B2 o4 d" C
| | ├──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
2 K+ |' J+ I9 e' C) |: \/ `
| | ├──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
$ U- J3 D" H3 y; b' E4 Q
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
& b# }% k, N5 n8 y& r2 ~# w0 u/ D5 g( C
| ├──4--Seq2Seq聊天机器人
1 ` B3 M) l% T, j( B9 A
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
9 j. Z. h4 i) k
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
* p$ F- Z; B# |2 d
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
6 t" V1 f% v3 H! [ o$ U
| ├──5--实战NER命名实体识别项目
3 _* y1 R7 O& i7 M9 h
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
8 |& @8 M/ K8 ?
| | ├──2-介绍了代码目录结构 .mp4 23.44M
4 J% A0 ^1 ^2 K1 w9 d6 z
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
+ x& j& w% g! u5 \- o
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
5 C8 N& `; y. D$ [6 Z+ Q: N
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
# u1 y3 Y; m8 _( c) T
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
- R7 o7 {( H4 T6 B' X
| | ├──7-CRF中的特征函数们 .mp4 125.97M
; t8 l# U' q! e. l" K/ U
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
0 M& M u" e5 s3 p) Y* j: w. B% l
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
( w* \6 ^- `6 g, Z( y/ z
| ├──6--BERT新浪新闻10分类项目
+ \' N# A7 y1 y4 @$ u# G
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
& n) Q$ e$ q0 k; q6 z ?! t
| └──7--GPT2聊天机器人
8 e1 h; a, [ z5 A7 M
| | └──1-GPT2闲聊机器人 .mp4 62.28M
0 t" e. |0 K' K. m4 U
├──21--深度学习-OCR文本识别
+ F' [8 X. k2 t( [
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
( s+ X* y. ]! A. B8 w
| ├──10-CRNN项目代码剖析 .mp4 306.48M
6 x* ~9 w9 k- R
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
% E u6 a$ I# |3 R" j3 @0 {) W
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
$ G+ @/ M6 b* s; L+ j/ J. M
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
- S" G/ N4 w: u" S( t
| ├──5-CTC损失函数的理解 .mp4 330.64M
& |% t a7 Q5 k/ ~- x
| ├──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 N7 q( j* P6 M Z
| ├──7-CTC前向后向算法代码 .mp4 225.41M
' W1 K# {- @' s( c6 x6 F* {
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
# J I9 d0 \3 C5 P- C+ b
| └──9-CPTN项目代码剖析 .mp4 491.69M
- B' b2 m& K. u; m9 P5 R# ~% g$ h# D+ ^( t
├──24--【加课】Pytorch项目实战
3 o1 g8 t" j4 \: j
| ├──1--PyTorch运行环境安装_运行环境测试
# W. f* W0 y# f. k% ~+ d& o
| | ├──1-PyTorch概述 .mp4 29.29M
* M$ c% _; X4 k+ J7 _8 u: l& h% i& g
| | ├──2-PyTorch的安装 .mp4 76.45M
3 n/ D3 ^8 X7 @/ b R
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
x1 n, P7 y2 m6 L. \
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
. h) Z- } q& y* @4 ^
| ├──2--PyTorch基础_Tensor张量运算
$ y5 n- ?, s7 y
| | ├──1-Tensor的创建 .mp4 55.14M
7 @9 F- m& t4 W; S
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
' C. V; R$ e9 Q4 R, f
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
% P6 n/ L+ ^! e
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
3 |. H/ B# u$ \- h2 `$ Q
| ├──3--PyTorch卷积神经网络_实战CIFAR10
7 V7 V$ b8 W. u+ R
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
& | M2 e; O r( p/ Z
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
# `) n% `+ ?% U! `- w* j
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
- O' t7 _7 k4 L$ L0 V5 ^" i
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
! X4 k6 E( `/ k; l
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
; s$ F/ | i0 Q6 Z' p. J
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
$ Z. j/ M% I0 ^2 y. s* \. W+ D
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
& h( A1 a% z% L" E# v, s! j
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
7 z3 J; T% d, F0 o' {
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
* t9 m* F: M- P! g) f
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
7 ~& i( q9 q; i7 Z/ b% [) v0 p
| ├──4--PyTorch循环神经网络_词性标注
3 x. X1 N4 h s: ?
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
w% Y# U6 |( Y, Q7 i
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
) ~8 b' Z# T# M, ^0 D/ [9 u
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
. l2 D m* B$ q; w1 R8 X( m9 E3 R
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
- v- [- a2 j5 @
| └──5--PyTorch编码器解码器_机器翻译
! j5 A0 ~2 E7 ` z8 v7 E5 l
| | ├──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
- k- \9 }) H7 o9 V3 G$ a z
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
3 S+ ^- n$ P$ o3 H- Y6 _* {& h/ i" 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
' i7 L# j' [6 Q- E+ q% s
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
2 C1 ^1 J! I! c4 Q7 g- 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
( b2 d2 G" s0 v7 G& P% ~: o* ?+ L
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
4 B! m" v# B( P2 R
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
7 e: _0 N. `2 |0 U9 @
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
) t5 g7 \3 O- U! J- b* G; Q+ P6 b
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
- l, b( v2 T+ U7 I* W$ j( S
| ├──1--PaddlePaddle框架安装_波士顿房价预测
1 @) u% F1 m: e- {! R+ y
| | ├──1-安装PaddlePaddle .mp4 87.34M
) v8 t2 E9 K9 d
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
/ P0 }: O6 { i( Y7 h6 R: b
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
/ {. S$ t0 R* T# Z8 ^
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
/ S$ Z y- T& S+ l
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
/ K' [% g* ?( E' b$ h& {
| ├──2--PaddlePaddle卷积网络_病理性近视识别
# S7 ~% K" c; f* @8 q+ T* a6 `
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
: k3 g( Y+ ~' J1 z& b
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
$ o h! e- y4 D/ t2 t, q
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
0 i, f/ S3 _- Y, L' `4 j
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
3 y3 x3 g9 ^; t0 S& v6 I
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
% e! T5 i. T8 q/ m
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
& H7 l6 d9 K- j& L$ z: {
| | ├──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
8 Q+ Q) }; C( y) L; B
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
( g- x2 \( j8 l9 `3 b
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
- L R6 C$ c0 m6 w
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
; V" l2 o) Z: f" b/ V
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
' Y& o% N# D& s4 f6 p7 i7 I5 P
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
7 M) |9 i) E$ x2 |
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
. S- H, U$ S/ c7 V- b# |( a
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
3 T# z6 w1 @1 X4 |" `9 V2 t
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
M5 _% k# h- B2 B, |/ u
| | ├──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
% p: Z$ v2 b9 P" e" s5 m4 X& F
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
3 H* l" J; t% ~# Z/ ^4 l! y
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
j, e3 V6 v' {' J( O
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
) o5 }5 V& V' K: R! `& o
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
! B, M. N& ^; [
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
8 F( D( b& V9 ^4 i6 [6 r" C5 m
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
; u: E# B- j) O0 q
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
1 \1 [ \& |. A- S C8 f
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
/ K0 }. M$ s6 p4 z5 `) F* r
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
' r# c! N: S3 B, X% j
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
3 ]0 d" N3 W4 @* K) T
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
8 o- V/ \9 m g& a* S# w6 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
3 N [' t8 `- c( W
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
: x( Z4 C0 ^& h: U
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
7 G! G9 ^$ E3 y6 Z0 _' ?
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
7 C/ h! V- f- r$ U! |& J+ [* o5 m
| | ├──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
. U* K; g* d) c7 x
| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M
w, g0 [) j+ w5 m) Y- S
├──26--【加课】Linux 环境编程基础
6 V# r' g) n4 E! q7 V r% r
| └──1--Linux
: S8 G9 ^* Y8 X- E6 z
| | ├──1-Linux_课程介绍 .mp4 3.72M
v7 W( v1 t, ]. P
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
5 p, A' i! b. }- h: s8 y
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
& N! m7 ~; l$ u
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
1 v! i5 W! B, I/ x
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
# G+ ?0 Z) v' c9 f% p( t$ C
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
6 `& S9 A$ O' o: f
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
7 n; f3 p+ e2 n7 `4 L+ A0 d
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
; c. T6 m- Y2 R
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
, P X. B. M, z7 M3 S( N0 u
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
4 R0 h' ^; J( o- m* I# u6 H
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
3 _9 b1 g4 e! w ]" a6 O; s
| | ├──2-Linux_Linux简介 .mp4 17.59M
3 A5 e" R% a) i1 F5 G
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
( H) C5 f: D$ h4 s4 Q5 R
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
( i- @' {$ d2 R& S) k# a
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
( K$ R) l: a7 Z* i' m+ J3 \
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
- u7 V8 f4 H; I1 `$ k% |
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
. G( i; L0 u. C7 l9 L" L3 f- _
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
2 F, [/ j" n) L7 Q7 s
| | ├──26-Linux_安装MySQL .mp4 79.02M
) `8 ?0 E4 q1 C) d
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
, _ n$ d& _& ^, G( Z! U
| | ├──4-Linux_安装Linux .mp4 41.97M
( S% _) ]% B. o# R) P0 M
| | ├──5-Linux_目录介绍 .mp4 20.31M
2 l; T8 O! C# @( y
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
8 V9 g6 n* H4 G+ {6 A
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
* G$ H" ^# w5 E8 k! \1 `0 q K
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
% [' }( p7 W8 k: I1 I/ q
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
- @" j( h1 j$ z9 K
├──27--【加课】算法与数据结构
U9 i( x$ ]2 j1 x
| └──1--算法与数据结构
7 z' q$ A8 @0 E8 q# m6 S
| | ├──1-数据结构与算法简介 .mp4 35.68M
9 A! F: a0 s% Z( z
| | ├──10-哈希表的基本结构 .mp4 54.34M
* l9 y+ I% v0 a* X: ^9 _
| | ├──11-哈希表冲突问题 .mp4 75.92M
& |; W, U0 {- I
| | ├──12-哈希表冲突问题2 .mp4 72.30M
4 z$ o. V, K @2 P- w6 t( h
| | ├──13-哈希扩容 .mp4 111.03M
6 e/ v0 E5 F+ i( V7 O' w* a* |. S
| | ├──14-递归与栈 .mp4 50.77M
8 g1 ]3 |9 t6 d* i' C3 N
| | ├──15-线性查找 .mp4 57.80M
" B" H: {# F' i0 _; E Y
| | ├──16-二分查找 .mp4 52.32M
0 B; ]+ m; W2 s6 Y$ f; B$ g
| | ├──17-冒泡排序 .mp4 53.19M
. x1 Z6 P& b- ~* M# {$ c
| | ├──18-选择排序 .mp4 43.29M
4 I1 ]* ~# i/ t6 e. ^+ \
| | ├──19-插入排序 .mp4 31.39M
- A1 W4 K, n8 Y: U3 k
| | ├──2-大O表示法 .mp4 25.59M
" [8 ^1 c; W6 l4 h+ [" `+ d3 c O
| | ├──20-归并排序 .mp4 84.48M
4 m% m; {8 }7 K r. k2 E
| | ├──21-快速排序 .mp4 36.63M
$ h- y& {3 f- _; c9 F
| | ├──22-树结构 .mp4 96.85M
2 {$ r% @) @0 E, e6 u
| | ├──23-树结构的遍历 .mp4 61.05M
! U* o# `0 w( k, _+ M( z% {1 e
| | ├──24-最大堆的增加操作 .mp4 45.43M
X3 n+ h9 H m1 E* b: l4 K2 |
| | ├──25-最大堆的删除操作 .mp4 45.63M
) n: M" y( D1 Y E; S5 y
| | ├──26-二叉树的查找 .mp4 100.24M
/ i- {6 H& K* m( V5 }4 |# `- F
| | ├──27-二叉树获取最小值 .mp4 25.21M
! |0 p$ d6 h6 ^! y0 I# r4 S2 e# R
| | ├──28-二叉树的添加 .mp4 72.66M
" e `7 b; v3 e+ m
| | ├──29-二叉树的删除 .mp4 120.06M
9 r+ q1 b# k* _2 U4 V
| | ├──3-线性结构 .mp4 53.14M
. D' [8 L9 q& o& h9 s6 ?
| | ├──4-单线链表1 .mp4 68.36M
3 c& y% I3 `2 a1 L2 @6 d) X+ t
| | ├──5-单链表2 .mp4 221.69M
: c" Z4 \- S% a) r. N8 P
| | ├──6-双链表 .mp4 103.57M
0 Q2 s! r6 N, Y }" c: P [$ {
| | ├──7-队列(链式) .mp4 74.12M
- a2 j3 O* I8 a) c2 Y2 [" U9 ^
| | ├──8-队列(线式) .mp4 30.99M
2 H3 }% T1 N( K4 O
| | └──9-栈与双端队列 .mp4 28.12M
1 V2 [' X3 n9 G- D: M
├──3--人工智能基础-Python科学计算和可视化
# D b5 f: |% V0 Y& X3 [* o
| ├──1--科学计算模型Numpy
5 z' v* f" F. T5 |0 {; \) V. X) v
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
" v0 j# F5 A( y& m, \5 R& A5 O
| | ├──2-Numpy_array_arange .mp4 35.45M
; Q/ |# s' r+ j: s; |; W
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
/ `# ]' c- q3 k. I+ a
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
$ x: |5 x6 B9 n
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
4 U/ e, V0 W$ z2 ^$ D X
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
# E6 n( m5 Z: r4 t. x/ ?9 [5 C
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
! X" a6 R. `0 i$ ?; A
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
0 s- m4 R; x0 Z7 X+ v
| | └──9-Numpy_聚合函数 .mp4 23.68M
5 Q* \* [9 [; t6 Z) Y7 K
| ├──2--数据可视化模块
; R9 l& Q; h/ \0 J! v7 f; c
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
, L1 P- ^% @1 e
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
$ E& s5 \) Y" H9 P
| | ├──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 b; X& d) }! |% g4 @& c
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
" t( ?1 x) H. V7 \ d) G3 P
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
+ H8 |& M1 q" @+ K: T1 [
| └──3--数据处理分析模块Pandas
7 B" k: Y) X2 e, F0 \
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
3 D. z* }9 B1 g! f/ U& T( U# x
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
9 v- o' d5 Y' n, {/ e( I
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
' N' K/ i+ b4 n; V' O
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
9 m7 I# t, ~6 L; r/ r
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
" B4 S9 {0 A5 [/ [, n
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
' {& t+ P9 Q0 T1 T3 c- E5 n& R# i
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
6 ` Z! g! E& q: \
├──31--【加课】 强化学习【新增】
8 c9 h" M4 w- j7 w; f# h
| ├──1--Q-Learning与SARSA算法
, F0 F5 u5 [$ J/ i2 B( N
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
9 }) m; O- D. V2 q( T* ?0 \4 m
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
. _6 h! D: I. u( G2 q/ X
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
3 z) u8 a I: A9 l; Z/ v
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
3 g. d1 [5 F9 p* P
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
+ [: Z: Z; t$ |$ \" e: m$ u
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
R! L% v5 h$ O/ a% g
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
0 T3 p5 Q) l' \# N
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
+ |6 X& D$ E% D' j4 A+ `% o' [
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
9 S( E$ V0 w ?7 E. k
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
; i; c$ d4 q r6 J
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
, z8 t/ i3 Z: g7 I5 G2 ^
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
7 N$ y/ v& T" j M8 o5 U! }( |4 r8 E2 d- O
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
* G/ ~* q' J. I6 q
| ├──2--Deep Q-Learning Network
4 s3 Y& ?# i( t8 D. F% b
| | ├──1-DQN算法思想 .mp4 59.24M
( y/ Z+ u* i0 A
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
( b4 A* {+ y$ e9 C6 o
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
6 n0 R5 Q, j1 u I; \, F
| | ├──12-DuelingDQN .mp4 88.12M
+ X% v$ h7 ]# z8 Z) ~4 X0 g
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
! f: N, Z j( t' u
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
" k$ `$ g, X4 L9 d' F8 ?) B+ z
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
% D% O! _8 V8 c" b
| | ├──2-DQN算法具体流程 .mp4 56.17M
: T$ K) Z# d4 P0 j
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
6 Y5 H) I/ P- a7 n; j$ d
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
2 [$ V6 j" l, {6 U8 e* I
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
! d0 Z$ l. N0 h( l( T$ @
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
. J2 F' U8 }5 }5 ]
| | ├──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
2 C- G1 |: t% `7 ]9 a
| | ├──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
9 q7 t. t. A( a+ ]( g' R b7 O
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
. A# m. m! I1 @. p
| ├──3--Policy Gradient 策略梯度
, l) `# d" ^; m, a0 |" M2 ]1 ~
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
" V: W7 _. m/ k+ E! B) R% v3 ~
| | ├──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
6 M+ C- k8 R' D& L; R/ `# a, ^
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
3 |& z- O" L# F9 a V' @ m- G
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
! Q5 H1 i( `5 e, e
| | ├──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
" S$ z4 J- E2 }1 |
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
! G" w3 d2 v1 b: q- E3 j( j
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
8 i8 V6 C! |) b) V0 b; [
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
$ [. b, i+ I1 _4 R) X
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
% Y& N- P( T, E4 R6 c( Q
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
* o$ U! ]' y, [, r+ c9 }
| ├──4--Actor Critic (A3C)
* s. v& \& @4 c
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
8 |- b, @" K& h- E6 s6 d
| | ├──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
. ~/ ^9 a! T2 q! O* l7 C7 C }
| | ├──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
4 C7 P) {' {- c) b; a! 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
2 U! ?1 Q+ q2 j, P: S
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
3 J; y* g3 A+ {' b
| | ├──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
9 a% m, Z+ a, V9 m4 A& C: b
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
% }3 z b0 D9 {; ?) Q* }
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
i# D1 K3 r: X( u
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
3 u; e# ]. M& W
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
- ]7 t; K2 [5 \ c& h
| | ├──6-A3C架构和训练流程 .mp4 74.66M
. J. E8 s3 {3 F" v7 s% A' C" g8 V: j
| | ├──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
2 {+ n5 }% l, `2 O! B
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
) e, i" o4 l7 K A0 B0 q
| | └──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
0 Y9 b& }# v$ o+ N) {
| └──5--DDPG、PPO、DPPO算法
. X P* y+ C7 d c- |
| | ├──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
0 A7 B/ x: G" g) |
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
. m' `9 U/ P2 N! v) e7 f7 ?
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
- o, }" l: D' ?. ]( e" [, {$ p9 E+ h
| | ├──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
! @. M0 Z6 F' _6 \: y: d
| | ├──13-DPPO分布式PPO .mp4 63.81M
2 s( h! T% q, ?( D. O
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
1 D4 n5 H! Q, x) K* q
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
0 Z4 x9 D$ G1 K, K" k6 B1 x
| | ├──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
* R( m9 ?( q0 Z
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
2 o. s) K, H9 L1 m
| | ├──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
2 g6 f e' A! _* H
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
7 ^2 [7 M2 a2 I. F( d
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
6 |& s$ P, T. s5 X" T
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
$ B" O) i9 w ?$ b, l4 q i$ g x
| | ├──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 W: X+ \* S* M/ B% `
| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M
- |5 B ~( {! X' b6 e
├──4--人工智能基础-高等数学知识强化
& f( a% E3 G% \, O, A
| ├──1--数学内容概述
$ {5 ?1 `$ e$ r$ \( Y. a3 a
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
6 u+ C* L( e$ `3 ]' a
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
( V! _6 g0 f8 N0 i: c
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
1 x) R. a( z+ _% o+ z9 T: p. M$ s
| ├──2--一元函数微分学
2 T. A( I! O% g$ ~% O
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
" K$ {( {8 D. m* H
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
, I3 n$ a% r \+ `6 z
| | ├──3-常见函数的求导公式 .mp4 22.76M
, _( Q# ~# Y3 ~, l/ E8 ~5 J
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
2 r5 p: S" [- y4 _8 v
| | ├──5-复合函数求导法则 .mp4 19.68M
; J3 C1 A1 O6 c8 D' e% A
| | ├──6-推导激活函数的导函数 .mp4 33.40M
c2 y/ k' h8 X' Z- P. F; ~' ]7 p
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
1 f0 C7 Z$ A5 G/ N7 ^
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
6 I8 l% c+ w2 i% s* w6 m6 H. Q
| ├──3--线性代数基础
6 r G* j' J' @9 ^ f
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
% g8 _- W$ N+ k! i# L5 D2 W
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
- V. {: S" L7 G6 [
| | ├──11-矩阵的行列式 .mp4 20.13M
9 n0 G% W2 j: d; o, ^' v
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
2 `4 z/ l" S6 H& U3 x
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
$ Z* F7 j C6 T! P
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
% H( W7 v% F M4 r3 w% f( c/ |
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
; G5 b1 q X' q( g
| | ├──6-特殊的向量 .mp4 26.45M
4 A: r% {; [+ B9 z C }. `9 ~7 \' ~2 S
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
1 G2 }) s6 p/ Q) V# S
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
$ e: Z7 {+ n' A5 U6 \+ a& d4 F' h
| | └──9-矩阵相乘 .mp4 20.02M
3 E; J, w" T! p- E$ f; i
| ├──4--多元函数微分学
# M: I$ U+ Y, Y6 X Y
| | ├──1-多元函数求偏导 .mp4 22.61M
\% n& X* R+ w$ z' N, g5 P) ~* t
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
0 ], z. f0 ~* |2 S5 a1 t( @: y
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
# @+ R c' L* l& G2 _
| | └──4-Hessian矩阵 .mp4 32.93M
0 `; U. ]) R) V) C2 q
| ├──5--线性代数高级
5 o( l, @( H2 r* H
| | ├──1-二次型 .mp4 27.70M
- c( n j, A; V
| | ├──10-SVD用于PCA降维 .mp4 24.90M
. v% Q0 u7 ~, I( ?. Z O2 |
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
# } Z6 v4 w$ g I) {; l
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
7 M; ?/ y) ~" ]* y6 U3 w# V/ V9 D
| | ├──3-特征值和特征向量(1) .mp4 29.83M
+ ^6 B; l/ s% I$ i$ x8 k. G3 `7 _$ g
| | ├──4-特征值和特征向量(2) .mp4 30.07M
3 z& K* y- y' A
| | ├──5-特征值分解 .mp4 38.68M
: p8 j$ S3 ?' e
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
5 P1 z6 f+ D9 n% _
| | ├──7-奇异值分解定义 .mp4 22.58M
) V: v3 G& S' Z/ S4 c+ d: W# e
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
% v- z9 F3 D7 E) p
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
& Z; |2 w" C7 P
| ├──6--概率论
9 @7 `6 r. U" l; R; K
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
4 y( M: z& V7 J+ M
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
! M+ s0 a n2 ^
| | ├──3-随机变量 .mp4 22.57M
# `$ u [, M( @% r
| | ├──4-数学期望和方差 .mp4 22.96M
. w) j( \0 V1 J
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
( ~( f2 P# A3 ]; k& f7 L" @0 m
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
+ |, i: t! N) l6 ^. y
| | └──7-最大似然估计思想 .mp4 23.42M
1 Z# m2 X* b1 J7 B1 G: Y; i7 {1 s
| └──7--最优化
4 y" C( f; ]7 x3 g* g' P
| | ├──1-最优化的基本概念 .mp4 35.14M
$ |) {( H3 R; m( H6 w' L' {( \7 R8 I5 `
| | ├──10-拉格朗日函数 .mp4 27.46M
9 J z; l f% q8 F7 L/ `) T3 r, u: v
| | ├──2-迭代求解的原因 .mp4 20.15M
/ q% o" c. }5 t D0 @
| | ├──3-梯度下降法思路 .mp4 26.33M
3 b) y. Q" j- |$ z0 Y' P
| | ├──4-梯度下降法的推导 .mp4 43.56M
/ `6 `3 R8 v( d X8 G7 k- y1 ~! L( m& l
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
2 y* W* ^- j0 d- w
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
! T- J+ s- b( U. B/ {
| | ├──7-凸集 .mp4 21.90M
8 J1 ?8 C& \' f
| | ├──8-凸函数 .mp4 16.93M
9 n+ |: h& P( `, t" ^. P7 e
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
, c0 x$ y2 C. q; D5 V6 t& j% E
├──5--机器学习-线性回归
9 Z+ O5 U0 ^0 r# @& i$ C- j
| ├──1--多元线性回归
. E/ h6 u& ?7 E% s t5 a
| | ├──1-理解简单线性回归 .mp4 51.11M
" Y3 t- b2 ~# ?' |* {! S% l0 u& c
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
) v. q1 v8 f9 ]/ ^8 t3 v) v% |
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
) ]& u% L& s e9 Z" O
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
2 z: c6 V" ^# |5 t, j! B# f, i+ E+ \
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
* S, [& \0 T; N
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
9 k1 ]3 b3 \, Y1 x5 I
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
! Q; f: X$ p! j
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
, @% g8 Y! R' g) [" {" v6 g7 N
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
6 S# m' i( V" T0 c
| | ├──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
: h2 V3 T3 i& H8 D2 X3 y
| | ├──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
. W" l6 |& O F' i3 u9 i. M
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
( s* q; y: Y5 @6 n: d% V1 y- ^
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
y& ?' k) S7 M. N& H$ V" A) { i
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
+ O5 Q. m" ] j; S' M: d5 l
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
! i. c- x g$ `: z6 ~* r
| | ├──3-扩展到多元线性回归 .mp4 32.15M
1 |( ]' b, \. f3 o# U5 O
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
6 ]* o' p5 c# D6 P( W p
| | ├──5-理解维度这个概念 .mp4 41.41M
5 L0 D4 g8 o* D+ L
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
/ k( N4 {! H0 Z+ I2 _
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
T! b" L7 {3 r+ Y& X q" P
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
; Z$ q: r( Z2 ]- r2 Y; f5 z
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
7 q& _: T. B5 X# ?8 a! M) M3 V: O
| ├──2--梯度下降法
7 M6 d+ e, m3 p& K$ H, B2 ?( ?
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
3 N# }" _, ]2 j; U; j) v$ l
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
: |6 G1 s3 L, q- ?
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
7 C# I3 S& ~! ]$ W
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
; [) \, y. [1 _: z9 f
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
7 G( b8 o* k6 @! W, K! r
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
3 i" k% R& }: @0 u) P& X, l# |8 g
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
* Q% c- H1 W! s. w% }; o- g' P( w7 X
| | ├──2-梯度下降法公式 .mp4 57.12M
1 t D2 U8 c' ^* i+ L( V* Q @6 K
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
! E( k0 V6 S8 t. [
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
+ O7 w ]" R# Q n& x
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
) k, j% X. s! l& K
| | ├──6-全量梯度下降 .mp4 62.84M
& r3 O$ G# o9 x/ L9 Q% M
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
0 K3 i5 t2 C# _
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
' Y2 T7 b% t9 |( g
| | └──9-轮次和批次 .mp4 45.22M
# d# F% \& q# F; F4 r
| ├──3--归一化
: L1 @+ k& I0 N
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
: O2 q/ C7 ?: P% H2 v% e5 c
| | ├──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
+ v0 \/ }. y' T A
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
% k- O. r) f) p. L. T) u v
| | ├──4-最大值最小值归一化 .mp4 24.87M
- v2 t, V: J6 O0 {$ g7 C
| | ├──5-标准归一化 .mp4 51.86M
( t! o5 N$ B& j7 D5 m
| | └──6-代码完成标准归一化 .mp4 41.13M
% V( i G% K' o9 Y1 k8 T; S
| ├──4--正则化
0 w9 j$ v9 ]$ U, E* n
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
& `# k( I# T4 w# o
| | ├──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
8 Z, t1 N$ M5 t6 g7 h( O0 a# C
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
1 Y( O6 \$ m1 J9 v& T4 ~7 ^* U/ M4 T
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
! F/ G" R# T% F% w* q. F5 m8 A' _+ u( \
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
, ]) y4 K% Y! ^# I e9 t8 U' X
| └──5--Lasso回归_Ridge回归_多项式回归
8 q O. U: L2 x' }" C/ [
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
$ g' _( n- T) i+ f+ x: u8 q
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
/ B3 e5 _1 a+ V, O* T* s: r( V/ s
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
' S* `2 ~0 B4 `% d4 P
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
) H9 G' ?* z q/ \$ g( a% T* n
| | ├──2-代码调用Lasso回归 .mp4 28.73M
( j2 o5 a8 W4 n& o* ?' n; r$ Y$ v# I
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
' H/ R$ \8 C1 k" b, o% @% [0 P
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
0 G( }7 f C1 O2 X9 {' o
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
( V Q. U1 u# p) _/ P& c S' l
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
$ c1 @* j3 [1 B- g# |
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
' b8 O& ~. c7 y* L( h/ Z' s5 Y
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
9 }% g1 Z: Z3 L+ O4 k) B. J
| | └──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' X9 u* i7 N# Y" H
├──6--机器学习-线性分类
F9 c3 {/ d4 K8 E
| ├──1--逻辑回归
- R3 e7 ~# f4 ^( Q" _, p
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
0 g5 U. L+ b" G0 K z& }
| | ├──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
0 J1 c1 d5 C. n0 _$ W! ]
| | ├──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
* ?" ], D4 i/ d/ `+ Q
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
0 X' ~6 k D/ F1 n% C1 @" O
| | ├──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
" x4 [/ i4 @- @ q1 m) F" m
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
% m; V$ s; J3 U3 l# `
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
/ r$ t" H$ u" `! O" r, T# C' m
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
* o! e: v9 C3 y
| | ├──2-sigmoid函数作用 .mp4 38.15M
6 o) _0 Q7 T. j( v
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
" B% {% z3 v( N: A& C: t; v
| | ├──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
5 z- Q! ~9 v" G9 x. p/ F" K
| | ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的 .mp4 6.71M
7 p* Z( B+ m& Z+ M. m6 d/ A7 O
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
( W7 {3 U7 H7 Z+ h; u( u8 l. S
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
1 H1 N4 R2 P0 L7 o4 O+ W, ~! h
| | ├──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
$ J9 c5 X3 d- _1 v
| | └──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
, l6 M4 M& h) d% D2 p
| ├──2--Softmax回归
7 t8 U' ?$ f! @- `0 Z. S: A
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
: B1 q0 v/ ]! r: r8 a! H7 b }
| | ├──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
+ R9 m5 j p5 n$ M/ u
| | ├──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
/ Y0 m' i" m7 j$ n* I* C! b
| | ├──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
. i# I' z- {% l
| | ├──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
' r! ~! i* w, F$ V* R$ A% D5 d
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
! X* H* y$ i8 V
| | ├──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
0 [) ?; S0 X% P/ x) a" ^. h, ~/ k: ]. \
| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M
/ x7 I& [7 ~$ |) d" K* u# r4 a
| | ├──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
) s4 m0 k% w& d/ f. c6 k* @
| | ├──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
( Z& N+ c8 _- g4 z7 v7 j
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
' o( N6 j& g* r* s$ y5 D% g" u
| | ├──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
6 q: s! p2 G5 e" E2 X
| | └──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
3 N) w2 T7 \6 _1 N5 b! V
| ├──3--SVM支持向量机算法
; T/ {0 G3 z$ G( z7 ` P; p8 Z
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
5 c! V/ f- c1 f. R
| | ├──2-SVM的思想 .mp4 55.56M
6 F0 N: Y& ?+ o
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
1 h0 H7 A0 {% }. I R( z; L, J
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
( h2 L5 ?! I. ]5 l& c$ r$ Y, f
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
2 K+ I$ @- \' \
| | ├──6-总结硬间隔SVM .mp4 39.01M
9 u" g ^+ f$ _' p* E) `) e
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
3 d6 A5 g. ]# A
| | ├──8-非线性SVM .mp4 54.43M
/ [4 t, K! @5 S7 l0 h" ?3 m! g
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
2 X7 c) P, ~9 ^# h7 y. H! A
| └──4--SMO优化算法
( A. E4 `) M" Q" h; L) u
| | ├──1-SVM算法流程总结 .mp4 58.36M
' N6 _. E6 T7 M& S1 F
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
& C# p& @1 V* f; L$ J7 k# t/ x3 i i' X
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
; |1 U4 C2 E2 s" n* G5 o2 p# h
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
3 Q5 x" u8 s2 v( p
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
/ q" k( @3 @- V' x
| | ├──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
8 s& ]" M/ J; h" _' b
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
# a x( }: B% h; P6 Z/ S
| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M
# G8 L, V2 K, ?7 B. L3 n; p1 ]3 b! d
| | ├──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
5 S- B% T9 l1 j
| | ├──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
2 f; F' s/ y) M* Y8 D7 g
| | ├──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
7 }; D! m& M9 ~- t. ~: y& z# A* j
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
1 g8 F6 ~1 f! M: K
| | ├──7-启发式选择两个α .mp4 23.11M
7 A9 W% O& Q) g: G' ~
| | ├──8-如何计算阈值b .mp4 50.18M
7 \% l6 D+ V d/ k; a+ j! o. |
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
$ o7 r6 C1 M2 X& w8 h* d7 C# x
├──7--机器学习-无监督学习
; C9 q9 y6 t# A7 E4 ]6 T* v
| ├──1--聚类系列算法
0 O) O! g9 U0 M# C! c" H
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
9 P& `* N$ A% T8 v0 `
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
% W* H: k; b. h4 R. M# O
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
* q* h! E/ r2 D% \+ m. u
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
2 m/ P m, a8 z6 }6 x' l
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
6 W, u- r8 d$ P+ g1 w2 U& b
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
^1 L* W9 q; ~' | j) `( T
| ├──2--EM算法和GMM高斯混合模型
( w- H7 {* g* E( z
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
$ d$ M3 u; U* F: q: c- b" _
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
+ x6 b; t0 n! W2 Z$ k# G; v2 E0 p
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
% d& W, w! F; | O) W( h, m1 I, [' f
| | ├──4-Jensen不等式的应用 .mp4 109.17M
0 |7 p' N; a' o5 B9 p4 W
| | ├──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
3 D# A/ N: T" l6 v; j
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
* e! d# f0 P' Q \
| | ├──7-GMM前景背景分离 .mp4 16.01M
( w2 T/ H5 b% \; {* V# @4 b3 n: O
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
1 f1 z% m6 V6 I$ S. O
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
- H* U3 V E* G( o
| └──3--PCA降维算法
4 ]8 p2 }( a/ z: n' f. p) _+ E
| | ├──1-特征选择与特征映射 .mp4 49.38M
5 H0 x# h! A) z$ E: C7 D6 P; w
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
: [" _( B' h8 c& x
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
1 l* m# q _$ |, a
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
" D# m) r8 |' A: s" J- ~
| | └──5-PCA的几种应用 .mp4 54.58M
, W: `$ c8 y: f
├──8--机器学习-决策树系列
# n) I+ K9 |+ I* j+ E |# N3 o5 u
| ├──1--决策树
. i( _, j! B m
| | ├──1-决策树模型的特点 .mp4 74.88M
% O. R( r' @5 e
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
0 v! t3 O& |( r* R
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
e' A( o2 ~ _; E6 |
| | ├──12-后剪枝的意义 .mp4 50.49M
: \4 n/ j6 L0 l7 t5 |! M6 X
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
5 s. F5 B& _' P+ z
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
& @4 V2 I. O: A& O v5 O
| | ├──2-决策树的数学表达 .mp4 89.94M
( @% J3 E( H. s. ^- t# I1 o
| | ├──3-如何构建一颗决策树 .mp4 84.87M
- O' r& L, @% j, ?6 Z4 n3 _
| | ├──4-什么是更好的一次划分 .mp4 57.02M
0 `9 [: j9 {6 @, D3 [+ `# u5 a
| | ├──5-Gini系数 .mp4 107.54M
! y; [$ V8 l# }4 A
| | ├──6-信息增益 .mp4 75.26M
9 i+ E [+ m6 m% }1 r# q4 X" V' M8 `
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
8 e* q3 Y5 g7 K6 A, q- E' i" m. |
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
6 Q7 V! P) Y. m% k2 d
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
Z( X1 n% Q2 G% x
| ├──2--集成学习和随机森林
* k6 v m, q# \% H
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
" G9 v% u0 s1 Z2 S3 {+ Z
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
6 x/ t I2 z8 t# G
| | ├──3-随机森林 .mp4 108.14M
I4 T) R7 a. R2 |/ w5 i, d
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
, C! d6 t9 @5 M7 R- ~! `9 V$ s- {
| | ├──5-OOB袋外数据 .mp4 106.07M
) x6 h7 x3 q3 q- S' l( ^
| | ├──6-Adaboost算法思路 .mp4 106.30M
1 H5 _# z g. W% J& E" Z
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
2 J# C- A' `* w& F2 e% |* I
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
+ ~* n9 A( }# x7 F1 [
| ├──3--GBDT
6 A! ?! |0 H+ j; A% \
| | ├──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
: v1 M) N6 |8 v
| | ├──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
6 {/ g0 f9 |" }: D' h
| | ├──11-GBDT多分类流程 .mp4 73.80M
2 C" m/ i; }& l; T1 Z0 b
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
& v) M/ L% {7 v
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
; {' _9 m5 Y% Q# G' p% h0 b, ]
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
$ `! T# x7 `0 }' ^# G. ^
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
* q) ]" R5 b m' g
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
/ a+ Q z8 L3 J. @
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
' S! O" S9 Z7 ^8 }$ T* G
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
5 h" A& _! w f3 K1 J3 F0 o
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
" s. v$ l: X" P0 M- I
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
' A7 k1 G4 O0 H! b- d) d' `) N; W
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
1 b4 n) Z! ?9 N3 d( o' M% o" X& e
| | ├──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
% W( ~+ Z2 L' ]8 q" c" c4 `
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
; g1 C( `+ E ?; t$ b7 r8 h2 P
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
; q; M" S+ ?6 I, N
| | ├──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
{8 p1 q. a1 Q8 H8 T% v
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
1 t: o7 E6 _5 @/ _ U$ `, a% y" W
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
, L3 @+ Z2 t5 E0 k4 ~
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
$ R/ M# U& L6 l# M- B
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
f) V# G p$ R/ ^1 ?
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
+ q# V. H2 M, r4 C8 r) e
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
: ]; k- K5 N0 x
| └──4--XGBoost
, F. }0 G, ?" D3 @$ i
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
/ A+ V' u" h# C4 @
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
4 o3 \! D J6 I/ E6 e- e0 ~) H' M+ _
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
4 i4 m, [6 L' @
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
; Q0 M# U C6 g- o9 s# U7 u4 u
| | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构 .mp4 106.69M
% D) Y0 D5 T2 Z7 P
| | ├──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
% A- M5 s/ c7 W- H i2 \& h2 j! O
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
8 d/ {$ J& I3 A* E9 D. v1 ?
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
% ]9 o4 U) L( L9 E0 i
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
; B' E$ r0 ^% o. ^
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
# K0 [3 j" @, G" y- G. p+ k
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
' ?4 q$ S8 N g, G
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
/ e5 |" b+ \* {8 g7 U* V) g* Q1 M
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
3 z; Z; h. g1 i3 I; e. ^3 }
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
d1 W% K3 B* l, K% f4 h
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
6 Y( t9 t' U7 z X, E5 x
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
' d/ s3 G) u! @+ i0 S
| | └──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
2 U5 w. i$ c4 b) Z6 `" [
├──9--机器学习-概率图模型
& c1 ]0 p" U/ ^
| ├──1--贝叶斯分类
2 v! N# ?2 v3 c
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
2 V* s$ m) x; @# q$ g
| | ├──2-TF-IDF .mp4 53.08M
Y$ j, S0 h* i/ M: s& b
| | ├──3-NB代码实现解析 .mp4 126.73M
6 k b: s3 U8 i$ L
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
% c% r" g' y9 X& h
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
4 u0 o$ W3 _2 f. D N
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
* [2 E2 l( b7 C: O. R
| ├──2--HMM算法
" U# ]5 W1 U V$ [7 [
| | ├──1-HMM隐马的定义 .mp4 36.82M
7 Z, l: r9 U" P
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
/ ~* z: ?9 T a* R- T+ L
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
: i& G+ v0 X- J& P1 A
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
0 Q6 J$ I) A& [2 x8 T" { a
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
q( Z- D c. B. S) ], a
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
3 a8 K8 i2 o# y* C: X
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
, B* B# q0 N6 |7 I* `
| | └──8-Viterbi算法代码实现 .mp4 42.43M
! t' G$ O- T* k7 }8 d- u
| └──3--CRF算法
, R! |+ B% W4 N/ \9 y
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M
, T! B5 P2 D, | A
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
! a7 y8 R; X/ t; r: s
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
6 c i# D* |" g9 a% C
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
! y6 ~ x: P2 ^ A5 S
| | ├──5-CRF的目标函数 .mp4 23.74M
, k6 M9 a" O. }0 Z5 y7 x; e
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
" i# t7 x3 y/ M. u) |1 j0 j- p
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
# E5 D4 |6 E' S# F+ G' Q5 N# c0 P) t
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
& \: |; G5 b5 e4 Q
└──课件.zip 2.54kb
/ D. I+ t {* A+ @4 S+ B1 m. [9 o0 `
5 ^: ~! A+ I/ Z" T" C2 {
# G7 g8 z% Y( S
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！
1 y5 |' u, f# }# }3 s0 l% i- t6 O' z
. f: C. {, E, q9 r0 a/ U }. z
( L: }. H9 n1 K4 r# k( c8 a
作者:
5s7997fg2n
时间:
2023-9-16 21:48
太给力的学习资源，非常感谢 www.cx1314.cn
作者:
ujv59204f5
时间:
2023-9-16 23:14
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！
作者:
ia8w95a305
时间:
2023-9-16 23:21
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！
作者:
lus4hh46c2
时间:
2023-9-17 04:46
IT学习者必备啊，我是2年工作者，这里的资源很符合企业条件，强烈推荐！！！
作者:
28te2ykbi5
时间:
2023-9-17 05:08
我是Java初学者，开心，会员是永久使用。找了几天终于找到这资源了，感谢分享！
作者:
0h5d7edrtj
时间:
2023-9-17 05:08
6666666，确实不错，比其他地方好。开了VIP，爽歪歪~
作者:
9r1d81ohvl
时间:
2023-9-17 05:13
厉害了，好资源，谢谢博主
作者:
e7drkgq901
时间:
2023-9-17 05:15
谢谢 程序源码论坛 www.cx1314.cn 帮我这小白收集此资源，我开了个荣耀会员，每天来逛逛！
作者:
r2e97fjqy6
时间:
2023-9-17 05:18
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！
作者:
7pxxc7ylhh
时间:
2023-9-17 05:18
牛批啊，这么多好东西，美滋滋
作者:
1tip52w6r8
时间:
2023-9-17 05:21
反正给力，太激动了，无法HOLD啦 >_<......多来这里收藏。
作者:
82699y4j16
时间:
2023-9-17 05:29
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！
作者:
qa5ii6n54f
时间:
2023-9-17 05:34
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了
作者:
3i29o2800i
时间:
2023-9-17 05:36
这套资源不错，我是荣耀vip，全部免费下载，强烈顶下，我会常来这里的！
作者:
qga9ce4qek
时间:
2023-9-17 05:36
楼主加油，看好你哦，我会常来，此 www.cx1314.cn 源码论坛是我每天必逛的网站！
作者:
le3d8b7322
时间:
2023-9-17 05:36
太给力的学习资源，非常感谢 www.cx1314.cn
作者:
beg6bj065x
时间:
2023-9-17 05:44
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！
作者:
0us1txa0nl
时间:
2023-9-17 05:45
谢谢博主，收藏了，学习一下
作者:
56652dz521
时间:
2023-9-17 05:46
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！
作者:
ht284xt2db
时间:
2023-9-17 05:56
这套资源不错，我是荣耀vip，全部免费下载，强烈顶下，我会常来这里的！
作者:
09p92jdokc
时间:
2023-9-17 05:57
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！
作者:
91cz779w6h
时间:
2023-9-17 05:58
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了
作者:
41d1juqkhn
时间:
2023-9-17 05:59
IT学习者必备啊，我是2年工作者，这里的资源很符合企业条件，强烈推荐！！！
作者:
rb4rd9a2fl
时间:
2023-9-17 05:59
谢谢博主，收藏了，学习一下
作者:
us8717p9cp
时间:
2023-9-17 06:00
自从开了永久VIP，全站资源下的太爽了！哎呦我去，快存不下了，QAQ
作者:
i860wz4955
时间:
2023-9-17 06:03
相见恨晚，终于发现一个即便宜又牛逼的论坛了，真心不错！花几百开的其他平台的会员，没这里好...
作者:
397jcmppn9
时间:
2023-9-17 06:10
都是最新精品好资源，在这里我想要的基本上都有，希望一直更新下去！~~~
作者:
gd046vs219
时间:
2023-9-17 06:12
不错收下了，www.cx1314.cn 在这里开会员确实值
作者:
of5soo3gh2
时间:
2023-9-17 06:12
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了
作者:
07g0ap77fk
时间:
2023-9-17 06:15
相见恨晚，终于发现一个即便宜又牛逼的论坛了，真心不错！花几百开的其他平台的会员，没这里好...
作者:
8z978j4kz3
时间:
2023-9-17 06:19
我发现这里没有垃圾资源，都是精心筛选的好东西~我工作3年的人，来这里找资源提升
作者:
187snm6hs8
时间:
2023-9-17 06:22
相见恨晚，终于发现一个即便宜又牛逼的论坛了，真心不错！花几百开的其他平台的会员，没这里好...
作者:
w7h8b1e98a
时间:
2023-9-17 06:28
谢谢 程序源码论坛 www.cx1314.cn 帮我这小白收集此资源，我开了个荣耀会员，每天来逛逛！
作者:
2293040tt1
时间:
2023-9-17 06:38
厉害了，好资源，谢谢博主
作者:
i60hh9syjw
时间:
2023-9-17 06:40
我发现这里没有垃圾资源，都是精心筛选的好东西~我工作3年的人，来这里找资源提升
作者:
sm2e0nm7a2
时间:
2023-9-17 06:41
谢谢博主，收藏了，学习一下
作者:
m98s17y973
时间:
2023-9-17 06:41
这套资源不错，我是荣耀vip，全部免费下载，强烈顶下，我会常来这里的！
作者:
770njlx677
时间:
2023-9-17 06:54
这套资源不错，我是荣耀vip，全部免费下载，强烈顶下，我会常来这里的！
作者:
69hhx85e2y
时间:
2023-9-17 07:07
希望 程序源码论坛 www.cx1314.cn 越做越好，我支持此平台！
作者:
h2dh43dqij
时间:
2023-9-17 07:14
太给力的学习资源，非常感谢 www.cx1314.cn
作者:
3w39qn3w7x
时间:
2023-9-17 07:24
反正给力，太激动了，无法HOLD啦 >_<......多来这里收藏。
作者:
167uu0r5hr
时间:
2023-9-17 07:42
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！
作者:
199sjem1el
时间:
2023-9-17 07:43
自从开了永久VIP，全站资源下的太爽了！哎呦我去，快存不下了，QAQ
作者:
848063v6m0
时间:
2023-9-17 07:45
谢谢博主，收藏了，学习一下
作者:
75zs5qzs19
时间:
2023-9-17 07:46
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了
作者:
wt2s4p9q52
时间:
2023-9-17 07:47
厉害啊！程序源码论坛真是IT必备学习平台，学这些干货就够了！
作者:
l170jfu8y4
时间:
2023-9-17 08:02
自从开了永久VIP，全站资源下的太爽了！哎呦我去，快存不下了，QAQ
作者:
4h38qbmky6
时间:
2023-9-17 08:09
我发现这里没有垃圾资源，都是精心筛选的好东西~我工作3年的人，来这里找资源提升
作者:
9a0b74ba29
时间:
2023-9-17 08:12
真的给力！其他地方的太贵了，这里实惠且优质，早点来这里就好了
作者:
f9cc62ut16
时间:
2023-9-17 08:17
6666666，确实不错，比其他地方好。开了VIP，爽歪歪~
作者:
jinxieqing
时间:
2024-2-5 15:40
非常感谢
作者:
Billlee
时间:
2024-2-22 09:54
如何下载？
作者:
itlan
时间:
2024-3-31 15:43
太给力了，感谢分享
作者:
醉醉
时间:
2024-4-1 12:36
楼主加油，看好你哦，我会常来，此
www.cx1314.cn
源码论坛是我每天必逛的网站！
7 `3 `# a; G2 w. S- j3 H4 J+ y
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
% _( e- q# f5 v% ?) r4 v
这套资源不错，太给力了，谢谢楼主
作者:
mumumumu
时间:
2024-5-17 14:35
- c0 W' p6 s. C4 t# j/ E
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