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/
, h! ]3 M! d1 G% e% y: Q
├──1--人工智能基础-快速入门
; F- O- J& I( E) M& o3 m
| ├──1--人工智能就业、薪资、各行业应用
( x* W) c% A( D" Y! `6 W. N
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
% w% ^) R* M9 c8 ` ?; G
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
# ?5 ]" K7 h1 C4 A. B: V4 |, N
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
( A) \: B6 x% J$ F' c% |7 o) m7 r
| | └──4-人工智能在各领域的应用 .mp4 57.73M
5 V- f" c4 ^6 e0 o+ v
| └──2--机器学习和深度学习、有监督和无监督
% V3 r9 k" {5 s- r5 S/ a
| | ├──1-人工智能常见流程 .mp4 89.62M
" T* R" G- ^2 c x; g
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
' F+ ~, x7 c7 i
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
, c' n' R! Q( n
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
% \4 a9 @) ~" Q7 V1 n: _% }' @
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
- \; A1 B% H. p) n, z2 ]7 L0 M
├──10--机器学习与大数据-Kaggle竞赛实战
K7 }- C5 y' y! g a. q
| ├──1--药店销量预测案例
3 u5 d* Z( V. t8 |
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
& [8 @/ J" e9 _
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
: r' n" A0 a0 r! Z' z
| | ├──3-自定义损失函数 .mp4 21.12M
" b5 ]8 p& ~0 B
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
- g, ^ V! M" r: c' Q# v
| | ├──5-数据的预处理 .mp4 111.81M
! x7 N- e$ h1 q0 z2 e
| | ├──6-模型的训练_评估 .mp4 66.64M
( s' c* `( Y3 N6 M6 z. N! n
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
7 |8 M% i1 i' e
| └──2--网页分类案例
( s+ g$ F& c% S/ P% y/ B
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
. g* B; [1 H" ?8 i, u( W/ A
| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M
% d a* R2 R0 I3 F" U
| | ├──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
. D9 n* f6 }- p! G$ @5 c& p
| | ├──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
7 c2 p) c6 {3 S* y2 a1 Y; ]9 A
| | ├──2-评估指标ROC和AUC .mp4 56.19M
% p1 n: T4 V1 c- N+ X- [0 m
| | ├──3-评估指标ROC和AUC .mp4 49.03M
! V( S( r5 k ~. y- p
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
X2 n. U3 O8 t8 l; F0 Q! z) p
| | ├──5-数据导入 .mp4 68.41M
% R; L, J' q5 B/ [ n% [" J) C
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
( u# d8 _4 S# R8 ]2 ]
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
. g1 J6 y0 M( ^( f9 U7 q3 h
| | ├──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
+ z4 n4 u/ G" G) x' T i
| | └──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 r0 T' l [! o* k' b" A
├──11--机器学习与大数据-海量数据挖掘工具
) D+ U# i2 w" ^8 l M
| ├──1--Spark计算框架基础
1 F3 n7 u+ k' T& U; X! S: Z
| | ├──1-Spark特性_01 .mp4 41.68M
& @( j6 m) L2 b5 c( X7 t+ P& x& \( @/ P
| | ├──10-分布式计算所需进程 .mp4 26.30M
1 V9 p9 _7 E6 Q% M. F
| | ├──11-两种算子操作本质区别 .mp4 56.31M
; U& V+ U* U0 U5 H
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
& O8 `( b K2 K/ \$ l7 e3 x
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
# G4 H, i; @% F
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
, H( l$ [7 D( W2 M
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
. F- Q" {' v, N8 w. ^
| | ├──2-Spark特性_02 .mp4 35.15M
" K- L+ F0 I# b
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
L2 l. S& e6 w1 |7 Q: R o
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
" b& I/ ^ V, ? Q Q
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
$ ]+ x4 }1 B' I+ U) L
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
: h$ s8 F3 n' K2 `1 c; S
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
8 Z; p; s# P7 t+ b# A! u3 i
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
9 s- Y0 M8 Z U M3 T- ~( Z
| | └──9-Spark的RDD特性_02 .mp4 33.41M
8 k! q I3 t) o- B$ E' b1 W
| ├──2--Spark计算框架深入
0 D+ c0 k$ p/ C" J2 Q! C
| | ├──1-Spark数据缓存机制 .mp4 54.43M
6 O' z, Y6 J, n4 u
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
& v: C: n O* x! @0 `2 A
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
# X8 \$ a. B7 g+ d9 K6 [
| | ├──12-构建LabeledPoint .mp4 111.08M
' F1 n" l6 s" ?
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
1 U; J$ z6 ^' U- D$ ~ | h' h8 M
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
n2 _+ E' _3 K8 h2 o7 t- g
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
+ p( O1 \( c4 P' ]9 Z, [! ?9 F
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
$ f: [1 G7 V+ ^
| | ├──5-Spark术语总结 .mp4 89.66M
8 R. k) M1 B% f- L
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
, |3 N6 N. W" `$ Z6 {
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
: F% S8 j( n& P# V: ]5 T
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
% Y T7 r) K* ~( @' G" D
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
& M+ c$ F; u( J/ m$ T& V( ~& t
| └──3--Spark机器学习MLlib和ML模块
1 L; |' P) t1 r% i4 }$ |
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
& h% A& N0 o; W( B
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
; ~) j. [9 C+ f! Q# ?9 P
| | ├──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
7 {" C8 I- y2 ^1 k2 B
| | ├──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
?) W6 W9 x8 x' N
| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M
, g* V. d/ M# G9 w" p
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
+ U( ^) N$ A+ T- B+ a% p
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
/ \1 q. L k) N+ n- X4 o; Y
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
' K! u; F9 Q: d* _( y g8 m" k
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
* T7 H6 n; T: ^/ k6 L* I9 f$ T" v; z
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
( c# i' l5 M# I0 q! d' H/ X
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
' W' G2 z# t: W& y8 s1 U, q
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
$ R4 i3 l1 ~0 Q) B
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
. x9 x* }& @" s
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
/ H% k9 C; {: b4 j0 b1 o
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
. a! r" u& b3 N$ C
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
7 x4 W2 e# }9 A; n2 r0 s
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
9 q% J3 O$ E% |( I) P# q" V% I
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
3 ?7 x) q/ f, W" J0 X
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
& ^& Z1 {8 P0 b. P# O
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
! c! `. b7 B' `8 X
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
, ]) ]' N+ \ X8 O. M+ B
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
3 R; M2 W. o/ r
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
/ @2 x$ [1 Z2 D5 G* F$ q4 b9 {: B
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
% ~: }+ _: V) [) t& x j
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
+ j5 ?4 {. M9 I- {# ], i
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
1 i& v- H: J; n' B
├──12--机器学习与大数据-推荐系统项目实战
: q7 ~2 |9 d% o6 c% W" z- `- C
| ├──1--推荐系统--流程与架构
! }* f$ M$ }# q* T' N
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
6 b7 g( l( o+ A9 B
| | ├──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- q6 [* x2 j e$ [5 n+ l, t/ Z
| | ├──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
& u: |5 c. y) c5 W: T/ @
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
* @- D9 i$ m# t/ T$ H$ V. `5 X
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
7 O8 N& U! S/ _+ c3 q
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
7 G/ k- x3 o$ f( d
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
$ j8 j5 }# ^5 g% b
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
; }9 P- |7 Q/ z5 H$ m, ^8 Z) X
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
: ]! O" @4 _9 F9 I
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
. Q7 X' l, {& X
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
! Z5 ]" Z# d4 K
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
/ g3 t' J3 s& {1 q3 Y; B; k
| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M
. i: z0 N* w9 f; f& [* N. H
| ├──2--推荐系统--数据预处理和模型构建评估实战
3 e$ d8 }& a5 x& \" ?
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
( C, S z! X) z5 W# o+ j
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
% F$ z9 d+ w3 C3 y2 H0 r C
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
! x3 w0 k! B# t4 P0 {
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
2 o* \! A0 w9 B( V# Z+ [, T/ T
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
+ \. e5 \5 F9 `3 @* i; C- R
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
! u: v+ }& g; L' M- i
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
7 l& ~, A4 ]# h8 x ]& h# g1 Q2 H
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
/ [" c5 u6 \' V2 i
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
. R& l' X+ v5 ~3 n
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
" G. k6 i8 F% K0 A4 o
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
9 ^* A6 S: g/ {5 R
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
/ [9 ^4 k5 `! K, K' r
| └──3--推荐系统--模型使用和推荐服务
) m" N/ S5 _( u6 X& F
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
% w+ N/ T( V& i5 c# |% `
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
$ A; w" }6 q+ U
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
2 \$ w/ @9 G: {" K8 k2 O3 C% C
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
; S- [9 m" i* m! X, [+ M+ g
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
, ]7 T5 C/ X9 c0 `% s# M! G% s
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
4 |9 @. S) |& i# M: V. I
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
, x8 n% l' x! H
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
a, {& D h- W" V% H# ?
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
& l* J8 y! ?4 X! z
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
. f) u: c' m( i
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
4 ]6 i, G* v0 i. b/ b8 a! N b
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
; R) Z; h9 {8 Z+ @& M G! y0 [
├──13--深度学习-原理和进阶
3 G. ?" ?- Z0 p% @
| ├──1--神经网络算法
. ?: d/ I+ A/ c* T) w% T6 H, m
| | ├──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 U+ n8 O' J7 T; m5 r' q
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
3 A3 t# j9 R( q9 n q
| | ├──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
0 ?' P. v1 ~9 D. Y1 {
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
4 R9 f- R1 u9 [* W
| | ├──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
0 T8 D1 S/ t! E% L8 B
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
M5 Y+ N0 X# G i4 ]2 g
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
, [0 y/ R( c. I
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
7 D1 t- D: [/ \& Q8 G. }
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
% E" M' b: _; g' q
| ├──2--TensorFlow深度学习工具
5 ]& ?6 e# h6 O' ^" l7 \
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
! `& Y; y9 E0 @& ?% y
| | ├──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 @) r: h+ `" X' t& A, S9 G
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
/ ^8 n' E( P8 T0 V2 _5 j/ A
| | ├──4-TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式 .mp4 173.47M
& J6 r# E. G. J0 A1 c
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
5 N f, A! f5 s, g; p8 }) }' \7 {
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
8 m4 n7 W# e; ~: d& i# z1 m
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
. i* v n0 l( T3 {. T. K
| └──3--反向传播推导_Python代码实现神经网络
' \3 R, Z; L# U
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
; \, f4 r. ?( j( O
| | ├──2-反向传播推导(一) .mp4 127.90M
) S7 X: I2 n) z; c9 Z+ g* f- a
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
5 _& {" v. T% y
| | ├──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
l$ P5 c2 J3 A, S$ D8 t, g) L
| | ├──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
2 b# ]9 K ]! Y- a
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
3 k; `& U- [, T# D- O
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
, J( \9 m7 f! {- ~* @* G( {, I
├──14--深度学习-图像识别原理
1 Y+ `! n7 |. h5 O0 k+ y( H% M) T
| ├──1--卷积神经网络原理
# D* q* y c6 ^
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
4 x8 L9 K1 T7 a, V
| | ├──2-单通道卷积的计算 .mp4 104.01M
; u- B0 h) h5 @2 Z d$ r
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
% R1 E/ d; K- b: F( H8 M* L6 N8 H
| | ├──4-卷积层权值共享 .mp4 63.93M
9 H1 v) O9 W3 X* s3 A- u: [$ n( M
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
0 a2 o3 ?% Z8 S) C$ E* E) g+ b. `
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
: F7 _3 I% p6 |/ I; U$ u+ f
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
1 I8 ^; b. C# [! W8 Q
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
$ Y+ G& Y, U, V! P* t
| ├──2--卷积神经网络优化
" |) i; |1 o* O( {
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
$ {8 |% g# q5 R/ N$ Y
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
! t0 a6 R& s# `& p* e$ V
| | ├──11-Optimizer_Adam .mp4 141.12M
: \, r& H' D: i8 j
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
# f& h( {1 ~' G+ |! 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
! ?- z9 B# a3 r: ]7 s" x
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
5 m9 O# P* a, D1 t) T5 k( |+ q; V
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
- b! N4 K" z8 ^- Y
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
) \& Z) b7 A1 |0 Y
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
% \5 C9 z5 q% a( l3 J; [5 [
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
6 J/ l2 Y- m% \1 |7 A) S
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
4 e, _$ X8 W w: w: V4 T
| ├──3--经典卷积网络算法
1 F! C/ J' D2 X/ Q: U5 R T$ r
| | ├──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
( T, |$ q+ i; Z4 ]; X
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
$ o- b) L ^) ]! i; O
| | ├──3-InceptionV1_V2 .mp4 165.86M
3 y3 E% W# L, _6 S" g$ [+ @2 ?
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
" K. Q' x; A5 m9 ~6 W0 x3 g& b
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
7 d1 M3 r3 R' k' X5 L7 @
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
& I7 h1 A# z5 W% X \
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
3 h* Q& g* d! S% E, c! B
| | ├──8-BatchNormalization .mp4 99.23M
7 R# M- } \ o; I
| | └──9-Mobilenet网络架构 .mp4 150.05M
0 x$ p- M2 Q' l- ?
| ├──4--古典目标检测
3 O7 C+ [# l" _) J- Y$ I
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
2 X8 U# _; J; Y$ [
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
' c7 `3 f/ A0 J! q% n
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
8 d$ w S( q8 G( T- G3 G
| | ├──4-R-CNN和SPP-net .mp4 124.06M
/ B( S4 b1 E5 [* d
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
: `3 `. m0 @- M- k0 `
| └──5--现代目标检测之FasterRCNN
4 X- v" [7 ~3 }
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
5 s: `7 M7 l @: Z2 a, A7 y
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
* K6 N4 c0 V$ I q
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
/ S9 {5 a4 h/ a! { f
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
/ x8 P7 @6 C/ W' j3 A! o( M
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
$ \" ^8 Y$ M% i3 _* r: s2 X6 N
├──15--深度学习-图像识别项目实战
+ W1 v! a8 q2 S; g# P- d: z
| ├──1--车牌识别
" ?! [8 x6 G$ _! ]3 \/ M+ m& ]
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
8 L! c* H8 B# n a
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
$ ]8 C/ x4 u7 P: _# {( s# }+ j
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
# e; k& g: v7 `# O6 K) F
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
. Z! {. M' p) x0 Q
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
8 V/ d! L% p* i- h4 v1 \1 O
| ├──2--自然场景下的目标检测及源码分析
0 n( C' l. `, M! q
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
, [. Y+ F* t/ C4 S
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
& F4 c. z5 m; G& D9 V7 E6 k, C9 t4 s
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
9 `! I" A" z( M& X) F7 V
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
1 B) M Q' A; N2 J+ j$ o' V$ D5 z
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
, i( ^( V5 J# }5 B6 o) k, w9 ~) m9 {
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
9 u+ c0 S: r) W/ ~9 A
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
7 t* y# b, U! t) Y' T: N; q6 g8 P
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
J0 ?- q. G. [0 T0 i
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
8 d4 e% I t2 y: |7 c
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
" \; _" _5 h6 h" l. s9 ]3 a5 x
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
) M$ L1 d! A( R3 j$ R$ T& V
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
$ m# W. _* K& r1 J( j7 Y$ U
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
) e0 B$ F- E; ], [9 L" e
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
- K* Q; I& C, q) J% G' b5 F
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
; j6 f6 a" X% t0 }3 \, n9 K
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
% ?& d7 l" I. P+ w2 q1 {/ K6 K
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
. L5 ~. R# j5 c$ |8 @
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
% y* a* e0 W" j2 F$ }4 G
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
* `2 o" a# [3 |* }
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
|9 a, W. D: `2 j5 ~# E
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
, p4 C! c7 `" |- N
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
/ [! w+ x$ c3 d
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
# M( S4 U) n$ S! x4 _7 N
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
T; N; ~8 d) j+ m
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
3 B; x5 m' \: o
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
* H/ x) R2 [/ f% {
| └──3--图像风格迁移
7 h- D( h. E6 `# Y$ p
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
$ X4 D# M$ y* O/ W, Z; v* q
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
0 W* }: L; D. y4 G
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
2 f, t" d% A4 D$ A
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
! E9 m- F- m9 Y+ h/ c2 i& }
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
; |% l/ b3 Z$ o' R7 k5 {
| ├──1--YOLOv1详解
' C. z% E/ ]! V& j" B
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
, U4 K; p% O/ ~
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
% i% k5 Z1 J7 |" W
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
5 i! G7 j" Y, \
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
% c" _+ }/ _: t1 h" r+ s
| ├──2--YOLOv2详解
! e z% ?8 L& l; D% b( H
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
8 a. }. p) N2 H
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
; @# ~: ?* T2 f+ R4 ^8 p2 B
| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M
8 ?# u/ \2 x6 G+ ]" J" }# W
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
5 K- M( r4 @6 k1 T% \0 i7 D
| ├──3--YOLOv3详解
' J: G% c4 k2 P- ^* Y# z
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
" {7 w& B8 h2 P0 X0 Z0 w
| | ├──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
2 T; B* r- @* v; H+ M* W/ {4 w
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
# v) Q6 X% \$ X+ f
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
1 u0 C& s; F5 S4 }* d! u
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
7 y$ l/ }3 X ]
| ├──4--YOLOv3代码实战
; P: P/ \. r& b/ f: ~& H! N
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
+ j2 o) ~' k T( {" T
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
! p8 S" [( Q6 Z2 [" l& V" Y' m
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
5 o; y$ m; g1 m2 }0 t; t! B; b
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
, L3 I4 O H0 }
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
) I& K% T% f4 w, Y9 z
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
" [. Z% {# r0 A4 Q% \
| └──5--YOLOv4详解
5 I+ C" X1 ^! g# Y
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
7 b8 Y, V+ A% M7 b8 k/ W4 s1 H
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
. X P) Y8 k$ f: w) s, n
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
3 l# X1 v7 T- I: w& K. g
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
- O0 w, s/ j% h. j0 M
├──17--深度学习-语义分割原理和实战
2 M+ @" \$ ?* I7 U* ^3 t) h
| ├──1--上采样_双线性插值_转置卷积
* }- ^9 E. D& y( l7 I* s8 A
| | ├──1-前言 .mp4 19.46M
* J- h. @& c |* _4 V6 r* O
| | ├──2-上采样_repeat .mp4 23.90M
% A I. A. N0 e- [
| | ├──3-线性插值 .mp4 34.48M
; a3 F) l, [% a) m" P" b7 \* X' M
| | ├──4-双线性插值 .mp4 125.71M
9 @ t7 h, S& M$ Y) |- _: x
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
& m- b( N9 |; t" T3 L- }
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
: `6 {8 ~8 s9 N; B% E
| | ├──7-ROI Align .mp4 58.38M
* e. e0 @% N: T, y
| | ├──8-FPN思想与网络结构 .mp4 92.14M
( f) w& u t$ h3 ^
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
: k' a% z" h0 {
| ├──2--医疗图像UNet语义分割
S" Z4 H3 g9 P. J7 A' Q
| | ├──1-语义分割的基本概念 .mp4 18.33M
* d! U9 q# U3 l" Y. ]. T. o$ T" V
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
; m( I! ?6 V+ C. w3 T
| | ├──3-UNet网络结构 .mp4 30.41M
# b) P7 x* ^9 N! u3 f
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
1 E p7 \( ^. ]$ q
| └──3--蒙版弹幕MaskRCNN语义分割
, ~# U; x& X5 ~; c0 p
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
; S8 W4 u1 \+ L2 {* v
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
. K! F7 T" @9 Q8 L# F+ x& [
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
) k% U( e& E3 W& a# w
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
0 I7 Z L4 Z9 P S3 w5 J+ j
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
, M) t3 e. ~: n2 n: Q
| | └──6-MaskRCNN源码config和model .mp4 244.48M
( }6 T) I4 ^9 d
├──18--深度学习-人脸识别项目实战
/ I5 ~0 T5 o' Z# {9 k2 P0 Y l
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
; `' Q! O: g1 L% q4 C
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
& O( {+ L2 j$ S, a) x- |; i, W9 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
! \6 [" b4 `) `' j7 v, S ^8 i
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
; v" D# w. D H; k, `. }& y+ t6 b
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
7 y# G% J1 s1 n6 }$ ?
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
8 _ t& p2 }2 I2 q9 S9 A
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
3 ?" s; |& j2 ~% e" R; p
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
, `1 s9 s1 J( R0 Z+ E( k
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
( }0 u/ j- ?( h4 O' f" e: h6 ?
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
( R$ h0 \; q! R3 j9 g
| ├──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
9 g5 G; x; ~( I3 J1 _, c
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
& ]9 e4 G8 r, i
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
# w( S' g* _/ e1 g
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
: n$ ?4 S( b r) @. ^6 r; y* E s
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
1 p* }# U' \, j1 y
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
l9 p! l# c9 c
| ├──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
' w: C. B T- ~. U- g/ U7 A" W
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
# M- S' s: H' n, g* W7 h( D
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
; |4 e+ h4 n, U6 B# A
├──19--深度学习-NLP自然语言处理原理和进阶
* k; u- ~) s6 ^4 w
| ├──1--词向量与词嵌入
) w. S; J1 ?" s& F( U2 s9 ?) C
| | ├──1-N-gram语言模型 .mp4 116.32M
4 N. \1 J6 d8 i; d
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
4 p, Y8 P: F( W8 p$ u& I1 t
| | ├──3-词向量的作用 .mp4 58.00M
1 Z* g3 P5 B1 b" V. D
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
0 e( g- @ m- v: ~3 `1 }# |
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
+ T9 g4 h+ ~$ p% N7 t3 O j
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
) I6 Q n% m' T9 m. ]; F( G5 r* V
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
! Z" S7 }" j3 x4 F4 `( T; y
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
+ c3 J% p. H( \9 D: K
| ├──2--循环神经网络原理与优化
% }' e0 @0 c. G5 J
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
. m# e, _, D% `5 b: M( Q
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
# A3 S8 B" b/ E; u. G
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
* i1 Z, e+ L" V/ B7 w4 {& F: ^
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
# q$ {. S& Z7 X2 T
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
7 J2 x8 L( h; o( x$ Z; t" b. ^7 g
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
i( {0 ?6 B$ [: P) E
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
* O. p9 I4 R# ^1 l, x) Y
| | ├──8-双向RNN_LSTM .mp4 52.01M
# U, J. t* @' F' n
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
; k+ @2 ^! M: y+ k6 E
| ├──3--从Attention机制到Transformer
: v8 B6 q2 y/ w+ @# P, A& w- t
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
r( S; E, z: m8 H! b
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
- E) O# G( R; C2 |! q3 R
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
" x: v6 E. u1 b; |) o3 B/ }% \
| └──4--ELMO_BERT_GPT
8 g0 p% t& R) I* g9 e
| | ├──1-ELMO .mp4 62.44M
. t5 m1 [0 x T8 F6 k
| | ├──2-BERT理论 .mp4 99.73M
0 t4 g# a b9 z P* q
| | └──3-ERNIE_GPT .mp4 56.34M
2 u. L7 n' M2 {( Z' _" x; U
├──2--人工智能基础-Python基础
% c4 H% T9 p1 H1 C& X1 Q
| ├──1--Python开发环境搭建
2 X6 B. g& j' C' ]* t
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
- ], b; d8 K7 c2 l3 r
| | ├──2-Miniconda安装和测试 .mp4 57.12M
% W- @, L3 T) f5 M4 Q: P
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
7 Z2 X: p8 y6 z
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
, g9 p# S( g; j9 m/ M
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
4 s9 s* B* {8 Q C! {* e
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
b, s( O" Y" v
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
: B; w- y! Z# _. I4 B: a
| └──2--Python基础语法
9 k }7 V% R) \" m. H4 `% I
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
7 U+ }; K4 a& C: M4 J
| | ├──10-Python_集合操作_列表 .mp4 34.71M
& t) \* ^1 ?/ C
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
1 y) U% U* b+ ` P7 t, f
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
- L+ e Z7 Q3 A5 J, H
| | ├──13-Python_集合操作_元组 .mp4 43.46M
' y- a+ U7 W( J. Q6 r% y
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
) Y" Q6 J; h* ]6 t
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
2 `3 _& p! w# [6 W6 i& j
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
3 A1 m6 [) t( \6 S) E, D% t
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
6 k9 O5 S" {/ P# @5 L
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
" ~5 Z5 R0 K/ Q8 o# s4 o
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
* W9 A2 o9 y* O5 T! a" Z- r! M
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
; r2 G2 K' n E
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
% R6 i; a1 g7 P( H( ?' F; P8 m
| | ├──21-Python_函数_递归 .mp4 23.46M
- H X! M3 @1 |2 m
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
3 v$ R5 ?) E: a; j7 ^! R
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
7 t. n5 P- F- [% U* |
| | ├──24-Python_函数_闭包 .mp4 41.61M
" h/ Y h: l; ?3 X
| | ├──25-Python_函数_装饰器 .mp4 30.35M
$ `* U4 @) R6 S( }. c3 t- i
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
, x; d! m9 j1 X8 O4 p& E# \2 s
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
( O# D4 e, w2 B! I9 ]' e! w
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
7 a G& i! [' L# V$ @
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
# f! X) d. e- @( N; [
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
4 ^, r( D) N' J' ]+ U
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
1 N# |+ M8 u+ C! ^1 |7 @, m- q! q
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
/ Z7 J8 t0 U0 H
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
( J4 z% j8 s* Q! [# e6 r
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
2 C, N# G+ k0 o
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
' W h+ H; p6 D
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
4 X* a# X3 |8 T
| | ├──8-Python_切片操作 .mp4 40.20M
4 v' N) I- ?& o, Z9 H+ {# r8 t
| | └──9-Python_数据类型 .mp4 25.38M
% [, K9 Y. V$ ~. a% P; q
├──20--深度学习-NLP自然语言处理项目实战
+ \1 h9 y y c& M2 L2 [) S
| ├──1--词向量
6 S" \# l+ s& K, W0 g
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
( F9 B# x! ~/ c# o$ K) o) \, B {
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
: Z: M; o* G3 ]9 o3 \2 y7 m
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
5 `+ z, P d+ l3 q! v( r) h& B+ e
| | ├──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
; g7 B; t. P% Q; d" |1 ^# k
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
5 Z" P. j" t* k) g) _
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
/ v' n- O' D1 t' |! m9 x: I
| ├──2--自然语言处理--情感分析
* _; @, v, j! T6 M
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
* p# u; l" b4 E9 [! y- {: |! g
| | ├──2-数据预处理_01 .mp4 79.65M
0 a* F+ [; {- c* i( `2 C0 k
| | ├──3-数据预处理_02 .mp4 45.68M
4 v) x4 e/ Y% F$ l- {: p0 ~
| | ├──4-代码讲解_01 .mp4 52.29M
2 Q0 P" \; \/ H/ g" T( s+ p) u4 A) d
| | ├──5-代码讲解_02 .mp4 60.85M
- m7 b$ ~3 z* }& l8 N
| | ├──6-代码讲解_03 .mp4 53.89M
& Z+ A& A- k: |3 z. ?2 E* I7 `
| | ├──7-代码讲解_04 .mp4 57.19M
& j, l1 Y. v, @* f7 ^: @5 e6 y/ G' X
| | └──8-代码讲解_05 .mp4 35.88M
5 D& R& |9 k0 ~. {2 x! K
| ├──3--AI写唐诗
& ?$ z& ^( i2 }
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
. {9 Q/ ]* ^; M# q
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
& J( {9 s3 K- n$ x2 w& h
| | ├──3-MultiRNNCell单元 .mp4 38.93M
2 I' M8 p5 s/ d# t2 r9 a! H
| | ├──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
" \- L/ I5 w8 z; u+ l- f7 `4 \
| | ├──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
5 e, x2 v8 Z/ G
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
" g, b3 D+ |% @+ d# L
| ├──4--Seq2Seq聊天机器人
. D7 |: q7 ?7 t/ Z
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
" n4 Q5 k" K( {( Q) g
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
* Z8 h, C% T) r S$ r/ `2 S" d
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
2 `+ E& k( o# u2 _
| ├──5--实战NER命名实体识别项目
) i0 p% W T. w5 W2 _
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
8 |5 w# |' P! f H7 D
| | ├──2-介绍了代码目录结构 .mp4 23.44M
* S0 a/ w& R+ ~3 a' I
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
( K' C- r) c2 Z8 h" v
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
& d0 B J/ X& V
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
* c8 x# a, D3 R, e$ l
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
: {1 L( a# c. b+ W0 d. V. \; F
| | ├──7-CRF中的特征函数们 .mp4 125.97M
) o3 J: q* C3 O8 g& P. J
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
I% {: H1 h+ e; T
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
/ ?' Q+ G" L) a L+ L3 M* W' A. q- Y
| ├──6--BERT新浪新闻10分类项目
J; V% Z, }' f
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
! Z" L7 N5 p! e3 |* B4 u. u
| └──7--GPT2聊天机器人
/ Z! R% T8 H+ M& H7 B [" R
| | └──1-GPT2闲聊机器人 .mp4 62.28M
- b( D9 M% s% k9 N1 F7 P4 p
├──21--深度学习-OCR文本识别
- j( g# Y; t7 E
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
+ ?) [# m- L* k3 q) r: V
| ├──10-CRNN项目代码剖析 .mp4 306.48M
9 t/ {9 ^: T. b( M0 v
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
3 k0 k/ T* t# m1 }6 N
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
1 S$ B, }- P5 y/ V' E" Z
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
2 P/ @1 i# g& B% A) z9 f. {
| ├──5-CTC损失函数的理解 .mp4 330.64M
& S8 U: O: ^9 Y" ]# E& u$ C# g0 ^
| ├──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
5 d5 B- O3 t6 u6 F
| ├──7-CTC前向后向算法代码 .mp4 225.41M
+ Q' x2 p' R4 \5 x% g0 w+ U; Z
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
. |& B6 j3 O! I2 d
| └──9-CPTN项目代码剖析 .mp4 491.69M
+ W( {6 `' u9 U5 t
├──24--【加课】Pytorch项目实战
; \) @3 k5 K; c) V2 P0 C/ ?
| ├──1--PyTorch运行环境安装_运行环境测试
1 E" x$ A0 y& F7 W1 @8 O3 B8 a" q
| | ├──1-PyTorch概述 .mp4 29.29M
, H: t3 N) A% {- {) [; J
| | ├──2-PyTorch的安装 .mp4 76.45M
( z4 n" m' ~* h4 `7 U" u: z o
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
4 A3 S( \! J- Z7 q4 q& b" |3 j
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
0 d5 A e" b% B
| ├──2--PyTorch基础_Tensor张量运算
( j4 Y" V1 y7 |
| | ├──1-Tensor的创建 .mp4 55.14M
: g* r( r# W' r! S2 W/ k6 e- g# l
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
}" L8 v& T6 z1 Y( M' [
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
; ]5 d* J1 M% s* f5 r: y) I, S
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
4 a4 I; Z E+ n; p
| ├──3--PyTorch卷积神经网络_实战CIFAR10
6 o/ l# w, T L9 Z) W
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
' @. V; C% q# N7 K8 _# ~
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
0 c% M; N+ W6 v) O5 H1 ]
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
& [7 f6 W, t5 E( S8 m- h; k. Z
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
! B8 D+ ?0 B' G
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
2 q3 [; K9 h0 Q, h
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
" J1 Q. r# E. |& j7 {$ t: R
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
: |7 }% ^2 U5 v' `! u& X3 t) s
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
3 k0 ~3 {5 @: k1 k
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
; O1 u# u9 O# F
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
; B5 Y) b: ?- b5 g( x' B
| ├──4--PyTorch循环神经网络_词性标注
) w5 s+ D" B$ n2 r8 H
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
9 B( S- n4 i0 J) ]* z4 l
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
3 ^6 D. O. n( c
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
: j% w( g# \" u7 I6 [( ~( K
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
/ P) E J3 z1 P0 T
| └──5--PyTorch编码器解码器_机器翻译
0 p1 A/ O/ G3 Y
| | ├──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
# N: c- K5 H; F( T: v
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
. w6 P4 e+ X7 t9 O
| | ├──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 G. R( R, Q% G$ X, ?) @; U. m6 G2 F
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
: P( L5 z; f2 \1 |3 [+ x3 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
5 e4 F: s8 r5 W8 n- _5 p4 r
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
& [3 ^9 F; \% m4 t# ?
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
5 w1 p4 q4 _) A6 r- ^( z
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
* C5 U ? B( X) X4 S/ F6 z- q% Z! X4 q
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
: |+ e+ C" \6 T& b5 d; g9 [ |) P
| ├──1--PaddlePaddle框架安装_波士顿房价预测
( n; Y* Z9 f& B. _+ G$ Q" P% G. z
| | ├──1-安装PaddlePaddle .mp4 87.34M
V% S+ j6 Y4 k, T
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
6 s" V+ r( Q- @1 W) n
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
4 m9 p# A k( n" }; {/ u0 J3 ~ h
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
5 J4 k% q+ v( |, F4 e8 \8 O
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
1 s* e0 N1 q c4 Q2 Z! T' O
| ├──2--PaddlePaddle卷积网络_病理性近视识别
; [1 {5 O; A. `
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
) r' N4 C$ }1 _) H8 F- T
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
. p$ O% n1 Q. a. z: k- F
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
, [* n4 d( k z3 I% B& y% O
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
* R- a* Z5 u& b+ l
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
/ G! H# o5 {: v5 R" z: K6 a
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
& a( x- d- F9 }& Q
| | ├──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
1 ]" X+ [, f* G: ?. u, w
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
+ K) l) h8 w+ [
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
8 H6 [' y' g& M1 T- }6 k
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
" ?7 e, V" R* a3 W7 w
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
+ f# L( e1 J* ~' |
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
6 V. D: x2 ^ }# o) T. W
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
' e* c X+ M, X4 S; W( e }
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
& `2 L8 D* |1 f6 n, R- b$ ]
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
* ?* G0 R. X$ G9 D
| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M
) E$ u& o# B2 `: t1 A) B
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
q8 P% x% w% W3 D* G
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
6 L+ V0 X1 m, e7 N$ z9 O
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
! E `0 y) J' V; P0 C& a
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
* j( N) v% [% L* u2 n
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
3 v6 e5 O9 I+ k
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
9 M- |8 q& L" s! s5 s
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
9 ]. e$ h2 \2 u9 J/ d; x& m
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
3 ]" O0 q7 X# X- O' j/ |! a
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
0 T2 m$ H- I/ [( `9 h4 p
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
9 s% I( i; O8 }& y4 }& ^3 T
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
/ ~; J m t/ w' n" U" W
| | └──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
! p$ O2 R) r6 k; M7 `$ y4 y, Q
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
- F! n6 U" c6 i' L2 N/ l
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
" |3 e4 Q: M7 P/ |) j
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
# z4 l$ b+ ~( x s( X
| | ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4 47.78M
6 @& y. K3 m4 G# @
| | └──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
6 z z$ m: R' f
├──26--【加课】Linux 环境编程基础
1 b4 o- x. W$ F+ T
| └──1--Linux
) J' [) v+ k) i e Y) a0 p* e
| | ├──1-Linux_课程介绍 .mp4 3.72M
7 Z& c `/ m4 b3 w& B/ F" b
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
& M4 [: \; J# B. |* i( P
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
! H+ `- k9 f5 I
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
. t6 Q: D# W' Y4 l
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
/ {" U% s& m6 q& ~: U' C
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
& h3 ^$ H7 _# c9 r$ L& y
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
. @2 f1 s9 f' J3 K! ]+ U" c
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
! o; e, s9 ]: K9 ~ H4 y
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
% ~4 G# W2 V7 v5 {- c" O5 E$ I, s
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
6 e: B' E# J8 a B
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
: O% h7 p, b- `0 k, q* V
| | ├──2-Linux_Linux简介 .mp4 17.59M
) r, |7 @6 x5 _1 k" f, T8 J
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
$ `' l& C" i$ O* \) M) u5 [
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
. H0 m$ i* t# G& \
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
8 {: z3 b, w* Y* f
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
2 w0 E4 B( w) ` |$ C/ T* w
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
3 [! Z1 r) v, v# @3 I% }
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
7 K. ], M! @: L9 R0 K
| | ├──26-Linux_安装MySQL .mp4 79.02M
8 a, x h: Y- n. I8 c
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
$ f- g Q" ?& O; a
| | ├──4-Linux_安装Linux .mp4 41.97M
/ \! V& B$ g# O! \8 g, r5 J. `6 n
| | ├──5-Linux_目录介绍 .mp4 20.31M
6 @7 }6 _% g. x4 l* b4 s+ Z- p
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
& y+ ^9 j0 C/ F5 O/ I
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
/ @! |6 q9 p- |
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
" M* R: z) k; Q1 Y- A) y' `% p% o( y# E
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
% A4 l' x2 P) T0 y% H, }
├──27--【加课】算法与数据结构
: g4 [2 K* t: k9 L9 ?. _* I9 S
| └──1--算法与数据结构
; {- C7 H* U1 F9 M' F+ K% i+ N
| | ├──1-数据结构与算法简介 .mp4 35.68M
# p, b8 Z' v: k4 f
| | ├──10-哈希表的基本结构 .mp4 54.34M
7 ?; N, w" J' q& _6 q
| | ├──11-哈希表冲突问题 .mp4 75.92M
# t( H( Q0 n& }% j4 `0 g8 Z- c9 q! c! j
| | ├──12-哈希表冲突问题2 .mp4 72.30M
4 `* d; ?2 @( c% E+ W
| | ├──13-哈希扩容 .mp4 111.03M
7 b4 H( n* j" h. u! q) e9 A! W
| | ├──14-递归与栈 .mp4 50.77M
- R; S# H' p' q u
| | ├──15-线性查找 .mp4 57.80M
. u: n# p. K3 O) D
| | ├──16-二分查找 .mp4 52.32M
+ K- |9 s% Z- S
| | ├──17-冒泡排序 .mp4 53.19M
5 P7 P1 N8 u7 `
| | ├──18-选择排序 .mp4 43.29M
6 R* x2 X" n* L
| | ├──19-插入排序 .mp4 31.39M
/ k3 W) v' v( P; r4 b
| | ├──2-大O表示法 .mp4 25.59M
9 D Q, M. ^: m
| | ├──20-归并排序 .mp4 84.48M
( z2 S/ P2 x# C; K2 @/ X0 c
| | ├──21-快速排序 .mp4 36.63M
" Y9 K! }1 Y5 d
| | ├──22-树结构 .mp4 96.85M
# [" v7 I" w8 V0 `* w
| | ├──23-树结构的遍历 .mp4 61.05M
- {1 w8 d# z: T1 Q' I* c) j0 A
| | ├──24-最大堆的增加操作 .mp4 45.43M
9 `! m. Q* a$ J2 E4 Y8 [* A
| | ├──25-最大堆的删除操作 .mp4 45.63M
% H* R8 \" y* \5 m2 j0 _
| | ├──26-二叉树的查找 .mp4 100.24M
' [4 `8 P- B8 w; a
| | ├──27-二叉树获取最小值 .mp4 25.21M
5 `3 ^- u+ |% P6 t" t
| | ├──28-二叉树的添加 .mp4 72.66M
5 S" I$ B. V1 r6 W7 ^3 ~
| | ├──29-二叉树的删除 .mp4 120.06M
0 i9 `7 z9 y! Y) Y5 L
| | ├──3-线性结构 .mp4 53.14M
) V: P! W+ O* N b4 E$ L
| | ├──4-单线链表1 .mp4 68.36M
$ n% |; w5 E7 u5 l- Q! R! W3 Z
| | ├──5-单链表2 .mp4 221.69M
8 A) f, Y5 y/ B# q) s4 _. S* G/ S
| | ├──6-双链表 .mp4 103.57M
0 r! l$ a( l5 I) A% a' D
| | ├──7-队列(链式) .mp4 74.12M
8 _, m$ E+ e% @. a: X% ?
| | ├──8-队列(线式) .mp4 30.99M
% u. k% q) A- B4 x% M( Z
| | └──9-栈与双端队列 .mp4 28.12M
9 @2 ]5 |" D; B9 { }' }1 Q8 _
├──3--人工智能基础-Python科学计算和可视化
# p8 @% z& B# V3 O3 d1 w% ~6 h; m6 d) T
| ├──1--科学计算模型Numpy
2 r8 }9 `9 ?4 X5 t: {9 M2 S
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
1 w% \& N5 b+ C
| | ├──2-Numpy_array_arange .mp4 35.45M
" C& k" x" o1 L) i5 x4 [. o
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
5 C. U( x4 m5 C
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
# K8 \4 [: q& `( b5 E: a
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
# R& e$ o t% s6 ]0 e3 W) X
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
% }- t" ^9 V5 ~
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
3 U r Z0 S# v1 D, [! x
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
# s% w% j+ M& }3 S6 z' @/ f/ D
| | └──9-Numpy_聚合函数 .mp4 23.68M
, C. B* q) ]6 ~) p1 @
| ├──2--数据可视化模块
( b: U/ c: Z+ t1 ^% h1 z/ ]6 f
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
" ]9 E0 Z, u9 ~9 b
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
' X, e8 W& b* f$ S) _8 s9 b3 b
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
: p9 f0 R# A, ?2 L% L1 ?+ d; x
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
- J. Z+ H3 R, D% `; t( q
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
* H$ C, b: l1 w! m
| └──3--数据处理分析模块Pandas
+ s! @- b7 Y$ H: t
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
. b+ a G% S: [/ O8 W
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
4 r, F; t( b7 _6 r* ~9 ]; K9 v
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
1 a, e1 X$ I Q/ o
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
- n& x( i5 j& R1 k( Q+ l5 D
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
0 U; r+ g+ @: k, X1 j' K& M
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
* e% o6 u' ?( _; r
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
. U& K' j' q8 ]) \3 h2 Q: j
├──31--【加课】 强化学习【新增】
4 i) s/ p0 X6 }) `( X2 v. r
| ├──1--Q-Learning与SARSA算法
2 ?' _$ V3 q6 m" S; }
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
' T, R- g1 U0 d! L. K; e
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
3 G, O8 e. j' T, ?3 P
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
5 T a- t& o, m9 b/ Z2 T9 e4 ]
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
+ m2 V. i3 @" w, R7 b5 _. |
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
; R/ x- M: K) P. S4 F
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
J3 r3 [$ W7 `9 z8 c+ X
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
4 @) K, m: J% Z1 }4 ?! O
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
, @; N0 i3 o# K0 O# [
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
, E! p+ k( E6 Y0 f
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
$ J N% ?3 I/ E, w0 y( o2 ?
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
! ^6 C. z% ?+ e. W( _
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
. z8 C9 O2 i W) k
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
: {* ^& e8 q9 b3 ?1 C- G; h! @
| ├──2--Deep Q-Learning Network
6 x7 t8 P' V# g! N, v6 a
| | ├──1-DQN算法思想 .mp4 59.24M
) i& W6 I/ W! d( H y# c
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
( D5 c0 l" z9 v: b; }( j0 k8 _
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
5 `& M/ g8 z& s8 ?
| | ├──12-DuelingDQN .mp4 88.12M
T! Y+ b: |6 E4 g) l6 ^$ s
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
9 P; z7 h2 m) s, r
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
1 g6 [+ ?' K6 n
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
8 U. j1 U- \: }
| | ├──2-DQN算法具体流程 .mp4 56.17M
1 W8 V; x+ U1 I
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
5 I& ~! B8 o: \8 a& ?6 `
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
2 ^8 I% Y7 Q" u6 c- h! z* @
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
4 f1 d% J% f: y6 R
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
+ O0 m8 t" m; w1 @; ]
| | ├──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
: [0 Z, a- { s. v
| | ├──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
4 [ p0 n- d, e! C% U0 x* Z& `3 |
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
& w" C0 n' g: E. h* o
| ├──3--Policy Gradient 策略梯度
4 j1 v5 L x( t3 O
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
) ]2 \5 B0 Z' D
| | ├──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
% W, |" Y& s6 a% B6 W
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
; y2 ~7 ~0 c h% t3 ]+ I
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
1 I# k) J" [1 ]* a% j) U
| | ├──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
6 n0 Y$ U" K( m
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
1 `) \7 p5 K3 J: r9 _1 J, a
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
# `1 n( l& V3 Q% K% S+ y4 X) e+ W
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
" @1 B3 q* x4 Z) }: k7 `9 j
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
. Y: v$ {8 S6 _
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
# J% K X3 f1 y& I% F! A4 w
| ├──4--Actor Critic (A3C)
4 J! H, e6 ]: v7 |# b$ G
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
* H& C H4 k Z& _: o
| | ├──10-代码实战_A3C_增加actor探索性用到熵_定义worker正太分布抽样和求梯度的逻辑 .mp4 36.14M
: Q* e4 F. \/ Z3 u
| | ├──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
" j, G: r+ x! ~- r4 r
| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M
8 H* U6 u& F0 n) S
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
: x: y* f1 U( L, p/ 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
( u0 ]; j* ^$ z1 S) S' E x5 \
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
+ @& h) P: Q# A+ u, I- p/ G5 U
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
4 H/ v( G# p9 X& m* o$ t6 \
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
1 K# h, y0 Y& `. I
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
, X2 s6 e) b8 O/ ]
| | ├──6-A3C架构和训练流程 .mp4 74.66M
0 K4 s8 ?4 t& m
| | ├──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
8 C* V& c Z$ Y
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
0 m( ?3 y3 G' w( P6 S
| | └──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
5 k6 e6 Y: r/ `0 D1 |' O
| └──5--DDPG、PPO、DPPO算法
( j- j& Y, B3 g! M3 g
| | ├──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" `& p- L4 B- t: S) E$ ]2 z
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
, o5 I2 f+ T( ^# c2 ]( W* Q. y. j) K3 f" I
| | ├──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: S3 Z5 \6 _ C
| | ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4 42.12M
! Z/ F% B! f) B# D
| | ├──13-DPPO分布式PPO .mp4 63.81M
( D% r" S4 R- ~/ Y5 ?
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
* n9 m% D2 } W- ?0 t
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
' @# r9 @9 ?. W: r
| | ├──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 \ c' i9 w- U
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
4 t7 h% p6 i+ e, ?9 c, {/ c
| | ├──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
5 D+ g+ y% g! u" O% ]' \# R2 Q
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
/ Z% r8 q/ |8 G& Z' Q/ G
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
J: S6 `4 v4 f
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
9 @$ g$ ?- _4 f& N3 S3 A6 {' G' I( y
| | ├──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
K- {$ a* u& D u f. [' s4 W3 A: P ]
| | └──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
: G1 y0 j9 x: B5 f3 l0 N
├──4--人工智能基础-高等数学知识强化
( N- \" U& T* t, n- @
| ├──1--数学内容概述
2 ?5 _2 }9 h- t
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
% c5 d- n/ d# P: E) \: e
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
' ^6 w9 l% n0 A9 F) A
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
! ~$ S* n' G/ g/ ^8 S. D
| ├──2--一元函数微分学
, l$ v( }# L: v5 b% e# O% {3 m
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
3 ^5 I' e% \! g$ l4 K% [" r8 B
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
, T, ]/ |/ s; x' Z6 h {! X2 E: r$ h
| | ├──3-常见函数的求导公式 .mp4 22.76M
( w9 x% H3 K$ l, a* A; V
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
/ g. w, Y, T: b
| | ├──5-复合函数求导法则 .mp4 19.68M
" z1 w0 {, x7 h
| | ├──6-推导激活函数的导函数 .mp4 33.40M
- j( |$ H8 o+ G2 d) A2 {
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
' X% j# J5 ]8 g9 t9 P) \
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
% S( V$ T5 h3 l. _7 J
| ├──3--线性代数基础
+ N4 D9 i" q: R! B& v7 l: X
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
# a9 u$ L$ ]8 j& i
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
$ X# T- }: u( T' P& F# c2 k) j
| | ├──11-矩阵的行列式 .mp4 20.13M
0 y! b9 R7 t& k5 B/ @
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
) A9 l, T$ G7 L8 g* ^
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
* A8 i8 Q) k2 ^: ~% r
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
: m3 |+ X& s/ N2 h j' t- [
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
0 S3 N1 M! p& H E
| | ├──6-特殊的向量 .mp4 26.45M
2 V( f- I& R/ e+ h
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
5 \ R0 s( }- X/ K2 V+ _0 d, p
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
& X. W4 e6 I% K
| | └──9-矩阵相乘 .mp4 20.02M
1 W( u; c" w* y" e
| ├──4--多元函数微分学
5 W1 ~$ j" c: P) M0 w
| | ├──1-多元函数求偏导 .mp4 22.61M
u& k. p2 K/ Y0 Y
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
- H% c: W0 u% B( W+ ~3 ~
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
0 F3 s: y7 v" v. b2 X9 A
| | └──4-Hessian矩阵 .mp4 32.93M
3 ~9 Q, b: R# M' d' R
| ├──5--线性代数高级
. \8 @: O! G; u' y9 p
| | ├──1-二次型 .mp4 27.70M
4 G( n% m5 I' c& R+ S8 N
| | ├──10-SVD用于PCA降维 .mp4 24.90M
G0 {3 c) J X/ N% @3 b' u
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
! R4 L' @/ W) e( E
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
, k; {! A. F2 l+ M' v" o* k
| | ├──3-特征值和特征向量(1) .mp4 29.83M
; B5 \3 x2 G o& l
| | ├──4-特征值和特征向量(2) .mp4 30.07M
7 G l; W+ p( g
| | ├──5-特征值分解 .mp4 38.68M
6 u, ?( N. o& H! q1 C" ?$ D* e4 ~) h
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
% s( \) D1 c. N) K4 M
| | ├──7-奇异值分解定义 .mp4 22.58M
5 }) M: ]& N2 x0 }* \% b
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
4 t- ]0 F' {# n) M. H+ G# B
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
- y: r1 V. f* U& V1 P8 j
| ├──6--概率论
: {. W3 W# F' V, Q
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
1 a3 J! T7 W6 l( k
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
0 P* l/ O$ v, |6 j
| | ├──3-随机变量 .mp4 22.57M
, Q$ I6 O4 ^3 y& j9 C' K. P* E {8 l7 @
| | ├──4-数学期望和方差 .mp4 22.96M
n# x2 k+ q6 I" A1 H
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
& L5 J4 k, [, K$ o
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
6 l0 `/ z& s$ G( w
| | └──7-最大似然估计思想 .mp4 23.42M
. H! g1 m$ e; Y9 b
| └──7--最优化
$ L7 y2 s/ E6 N& H" O
| | ├──1-最优化的基本概念 .mp4 35.14M
0 r# O6 H' ?5 P' M6 y
| | ├──10-拉格朗日函数 .mp4 27.46M
/ R8 W, y3 S0 c5 V$ X% b9 a* V+ Y& z
| | ├──2-迭代求解的原因 .mp4 20.15M
# f6 o/ Q, K l4 z9 N& x
| | ├──3-梯度下降法思路 .mp4 26.33M
( Z) }! G! p1 u: V
| | ├──4-梯度下降法的推导 .mp4 43.56M
. U3 F' A* u/ U0 g8 }( ^2 A; U
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
% a* k# c' ?' R1 c6 [
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
' ]( S+ I. z) R5 B# x( ~, J: `4 G' n' Z
| | ├──7-凸集 .mp4 21.90M
7 h4 g" s4 p9 Y6 B$ A% H
| | ├──8-凸函数 .mp4 16.93M
! ?, b" i0 R" R* x
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
7 s. y T0 W' X7 P0 i `$ C5 ~3 b
├──5--机器学习-线性回归
- _7 o. F5 m: {7 Y$ ]2 }
| ├──1--多元线性回归
! T ]9 T s' l
| | ├──1-理解简单线性回归 .mp4 51.11M
, `1 _" `4 K1 V% m C
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
0 I2 W2 I5 `# I1 G8 b( {* d4 ^7 w
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
/ p' u- H# X$ }0 u w
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
# p* x" u3 s e/ S( V
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
/ Y2 j1 F, N6 N+ n @: r+ g' ~
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
8 a8 ]' u0 \2 i9 z; |5 l$ O5 D
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
- e2 q" T; T7 C3 n% W3 `
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
- e! I- r, \ Y6 f) e
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
$ z' A; E( x# [- y1 J( t4 }
| | ├──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
- T' F3 O3 t, I- Q6 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
$ c: v; O6 B/ t q) s
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
! `: ~: k: z- d% v) P# F0 c7 h
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
$ g: ]% B9 w: i
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
( @, z% u h [+ E; _
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
* [1 L O. |( m
| | ├──3-扩展到多元线性回归 .mp4 32.15M
! e9 y& i2 o# k' p
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
: w2 w6 h, j) b0 a/ W% y' l% k4 |
| | ├──5-理解维度这个概念 .mp4 41.41M
0 S3 c/ i! E1 ~" i0 B Z
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
# m# i- V0 K9 W7 z! t2 F3 @
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
: P) V" \- S6 {& y* h
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
2 G! a( I& x+ e" }+ v
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
: P' O; u! I- x) g( m: e; a
| ├──2--梯度下降法
5 E; k9 t+ Q+ b5 F
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
. }2 Z' }# }3 \% S
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
- k& u9 D# z) f
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
( i0 P: f8 P" j% K7 f
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
. E" f/ t+ V3 r* b+ h6 I
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
* \3 ], f1 K/ f/ S% @
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
) V; ^5 c) W3 }2 q$ @
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
. i4 A: Z1 ]' A0 E7 b9 v
| | ├──2-梯度下降法公式 .mp4 57.12M
$ t+ b6 i, r7 {' a
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
1 F- ^0 }8 v. u5 k& C; T8 q
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
4 Q7 ~( W7 a3 D3 V- X: ]
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
" k8 Z3 a2 r; s* x2 n: f
| | ├──6-全量梯度下降 .mp4 62.84M
4 W# w7 S6 I/ k* b! D. E5 q4 G$ a
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
4 N0 o0 J" J! ^5 A9 n0 S
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
0 U5 ]7 J( m. Q7 C* x$ I
| | └──9-轮次和批次 .mp4 45.22M
! T6 C- X$ s& G( x) p3 [# t$ s
| ├──3--归一化
: C9 Q8 z z- y& e
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
L6 d! D1 q7 X, { u/ A+ u4 E9 N
| | ├──2-归一化的目的_举例子来理解做归一化和不做归一化的区别 .mp4 34.11M
7 x. _- _- y! O* i* W) g
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
. a) ~. s2 X# e4 x' d% X: ?8 g
| | ├──4-最大值最小值归一化 .mp4 24.87M
6 a: r7 V' S c9 }% B* r8 b
| | ├──5-标准归一化 .mp4 51.86M
( `0 S( w$ f6 D4 h% J# p
| | └──6-代码完成标准归一化 .mp4 41.13M
) C' r j( O! q: j) @
| ├──4--正则化
7 Y, k) z: J2 s; J: w1 R
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
% j" c, }: j1 h, ] ^& u
| | ├──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
], p! F; P! Q' Q1 r
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
* J B) R2 U5 B \
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
- U8 a# S" `' Y* j5 L
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
% ]/ R! b8 p, u
| └──5--Lasso回归_Ridge回归_多项式回归
7 _! A5 B, K3 d
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
2 m6 y8 n+ k: [7 r6 ~
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
" `( r) Z; ], c' F
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
% R3 p/ ?. L( y+ N3 c
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
8 Q& D: a4 m @2 v4 \, F
| | ├──2-代码调用Lasso回归 .mp4 28.73M
. w( [% @; q; A! g
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
( W1 p. t4 `$ I7 B
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
- D/ {; H1 ~+ j1 R E R, Y
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
2 [ p- w& J6 I3 @2 n/ ?. k% a
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
1 y8 H+ U& e& G/ c: b
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
" [. V( i2 o( T3 Q
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
# M( j! f' e% D: n, p
| | └──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
% |# J$ d1 f* I
├──6--机器学习-线性分类
; e0 N* G% G: S. N7 N
| ├──1--逻辑回归
: g* [; b+ t* n2 F+ o
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
" R; `/ V* ^2 H% \. m4 h; ~
| | ├──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
* `( i2 L H% ^1 G3 f' p7 A. u3 L% t- J
| | ├──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
+ h& W' [; O4 L. V1 m0 k4 B6 e
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
7 r! a, N# h$ ^( t! e% 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
, A6 i* c) D0 W- }: w9 G# V
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
$ Z2 U. }% ?; N v
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
& T: x1 J- `0 S3 ]
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
6 V) M. w% T) K/ g1 w* x9 R; r
| | ├──2-sigmoid函数作用 .mp4 38.15M
( {) b$ l, X9 Z o3 j' H
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
( ?3 ~3 _# L1 R2 }* H( e
| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M
( o& R& k. K0 ]
| | ├──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
. B- O! P" ?; E" T- W' c( X+ O: l, f
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
0 _% z7 @9 Q/ V
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
/ U+ Y6 j( _* H$ R2 s# _
| | ├──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
# E5 v5 p1 C R+ p3 m; `
| | └──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
1 ^6 q$ e+ S/ Y d; C1 e6 W
| ├──2--Softmax回归
1 q$ l& P" P: B
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
, W1 @8 ]: N" W }/ y# ^( H: S0 ?( `+ l
| | ├──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
& ~$ ?* N* G* [6 d) a# w' z
| | ├──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
* |. ]8 n7 q8 @, [
| | ├──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
& k0 d, l; X6 u# P
| | ├──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
4 d( V7 Y2 z3 {* |7 G
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
7 [8 V* f6 ]- J7 E; i6 u9 c( ~
| | ├──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
7 Q; C4 [1 F" }, a( 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
3 a! L `& k6 E4 F5 m9 g3 @
| | ├──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
& d& k# H! T( [, F
| | ├──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
) V: b7 M1 W0 U( P9 y0 ]
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
: u1 f/ g6 o7 w4 P6 V, u; V
| | ├──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
@0 S. R* ?1 g0 K2 u j4 @" C
| | └──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
+ C2 J. a* O) Q! `
| ├──3--SVM支持向量机算法
8 m3 O' G2 [; n' V
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
- v5 U9 q% t1 ]; `/ `
| | ├──2-SVM的思想 .mp4 55.56M
; K ~6 D& e6 m* N+ h: }- z
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
u' U* r H) J4 [) z- k" k
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
# m- j' r/ o+ D. d* p3 d* c
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
3 J/ L8 [4 d7 Q* h- D
| | ├──6-总结硬间隔SVM .mp4 39.01M
/ V& i7 B; i& _
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
$ {/ |* ]2 H; V5 C5 F( M4 K
| | ├──8-非线性SVM .mp4 54.43M
; @) M* ^2 A4 u: K1 Z! V
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
# W# l" h7 F) }2 m
| └──4--SMO优化算法
; e$ L7 ^/ G5 @
| | ├──1-SVM算法流程总结 .mp4 58.36M
; I: A9 K C2 t$ ~
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
$ f9 d* I7 c! ~2 n; {3 X
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
1 x; v, D& Q0 j% T; d$ V7 |' F" S" E
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
7 \/ \. L- b! Y( r% n; c7 B, ^% e' \
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
0 _( L% z5 X- [4 K- U
| | ├──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
. n: Y2 ~9 D8 k8 o8 q. u& R
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
) l" i# }; c! E; [+ e u; ]7 d5 ]* `
| | ├──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
# ]; r0 y2 U& v' o
| | ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数 .mp4 63.23M
! p, l5 J: F- X5 t, U
| | ├──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
! h, l) F" y% z$ k
| | ├──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
+ c5 k8 D. ]9 J/ O- d0 y* k
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
- k. V/ C% a$ r- B! T i, p1 e/ }* O
| | ├──7-启发式选择两个α .mp4 23.11M
6 `8 f* T. A# E' {1 U
| | ├──8-如何计算阈值b .mp4 50.18M
% N6 I( @/ s' K: A
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
9 d' l" M0 [. p4 d! q
├──7--机器学习-无监督学习
" ~. E3 k3 Y5 Q6 F& S
| ├──1--聚类系列算法
' n0 |" }4 r4 S5 g& A: {3 C
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
# b% `4 r9 @! K) g$ J# S
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
6 c S5 v7 f/ i1 a( y9 ~$ b
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
& s8 O8 H) V$ A# K
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
7 |* @# j+ D o" ?# f& s6 e5 S Z
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
3 E: ~, m) n' x' C. r
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
. `/ M' m- F8 i$ S
| ├──2--EM算法和GMM高斯混合模型
# d4 n7 W* s5 \7 d
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
) @4 _& D# G: u( Q) k$ V
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
" w& m8 R& L( i$ ]
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
0 ~8 c+ @3 z# w2 }! Q' A \6 B
| | ├──4-Jensen不等式的应用 .mp4 109.17M
- S" |! }' N7 s4 u; i
| | ├──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
2 T. |- Q' w2 f4 M* E6 T/ c7 A
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
8 s! Z8 e) I2 e$ l) o4 D
| | ├──7-GMM前景背景分离 .mp4 16.01M
8 n: A* d) C \: g. J
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
2 D: m3 }' j. S( F r' `8 V9 ]
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
$ o$ E! @! \* ^5 D) Q$ _
| └──3--PCA降维算法
; k) r: P% E+ S% ]( \+ C
| | ├──1-特征选择与特征映射 .mp4 49.38M
4 n* l, w# D$ g8 u7 T7 P; w: y
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
6 H5 L$ O; a: D% W
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
2 p: m0 Y& R$ l: E3 L% K' d
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
; W# b6 q. M6 K% g
| | └──5-PCA的几种应用 .mp4 54.58M
2 o- m3 b) \& c M2 v
├──8--机器学习-决策树系列
2 J- i8 @% ~4 X# R( `- U I9 x4 E4 M
| ├──1--决策树
0 c X3 }7 V$ q9 a3 n# i' H
| | ├──1-决策树模型的特点 .mp4 74.88M
. n& a' q4 I3 |3 N
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
6 h; I7 Y5 _5 C1 e- {/ V7 Y2 B
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
) A8 G5 ~& S9 O) w+ l
| | ├──12-后剪枝的意义 .mp4 50.49M
7 r) W+ u; |- z; q- N
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
4 m$ U/ l+ ~4 ?' O7 @' b
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
3 H, W7 B& S0 [% n
| | ├──2-决策树的数学表达 .mp4 89.94M
& s2 x, q$ u2 e& c3 Z
| | ├──3-如何构建一颗决策树 .mp4 84.87M
[: O) h3 Y8 e4 Z; ~
| | ├──4-什么是更好的一次划分 .mp4 57.02M
& r8 d* B+ t$ H; g. G: z
| | ├──5-Gini系数 .mp4 107.54M
1 {; ~9 |; P( M- k/ S* K+ @
| | ├──6-信息增益 .mp4 75.26M
( s" ]2 I+ t7 \3 T9 {
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
# n0 T) C: q3 B( t4 W: ^/ d4 t
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
8 ]' D6 a1 v" y2 S ~2 h
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
: i8 D; U& [- O0 J& d: k
| ├──2--集成学习和随机森林
- y. p$ ?$ P* H
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
& x; o- Y. E3 ]7 s
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
9 v B/ ?: h7 F3 W' ^
| | ├──3-随机森林 .mp4 108.14M
; }, S3 g/ s4 j8 \6 @
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
% i1 p( I1 S }; Y/ R
| | ├──5-OOB袋外数据 .mp4 106.07M
. N$ |3 \! N. U- b% n' c
| | ├──6-Adaboost算法思路 .mp4 106.30M
! P# i8 r! V# o
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
- U+ r0 i( w+ a, Y- E2 T
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
* w+ Z" P0 @' @' t6 K) }9 c+ D, \
| ├──3--GBDT
a: m/ W9 z0 j# h
| | ├──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
. n2 G, v/ j% n$ H6 N
| | ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度 .mp4 72.09M
# x) y. Z1 R: |1 E* Y, Z1 u: O: ^
| | ├──11-GBDT多分类流程 .mp4 73.80M
& [5 w1 i4 u6 c2 P$ p
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
% V* x$ u* ]3 `8 T& R* k- f
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
5 w. y: i: o9 k' i
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
) O% D; @. {8 Y) B i! e
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
4 j. a" @. L! b- d9 g
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
" g; D8 w. Z3 P2 K$ [$ R/ m
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
- E0 A+ `& Z; b
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
: y* d5 n$ E5 p
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
1 c/ Y$ ^4 T q: p2 l* j5 W5 A, p
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
: C, }4 d1 w% l8 y. d
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
! V7 t& t9 [& e q+ _
| | ├──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
" p9 p& E$ p/ I0 d9 g4 n- O; ?
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
6 [* B j; Y5 O0 j6 F1 C4 G
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
& r/ h% }6 J/ Q: x" f$ \) S
| | ├──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
5 N8 F6 F {2 ?; T/ u4 h3 G, q
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
, f ~5 R1 `7 n9 E
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
2 h* u2 |, M9 ~ e
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
5 w' S- `$ m; s l5 R: {5 O
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
g$ E" \6 ^' o( @+ c+ J- D0 d1 D
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
9 C3 _0 _0 ?, Y! Q. _
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
' G6 D* |, \; n* _
| └──4--XGBoost
. E! u7 D) s- H& [
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
y8 [# z0 {0 ^2 o( M8 ]7 c# z
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
, w" j' ]0 |- t/ M8 B! j3 R- n- O
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
: S }( `" l' g
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
% P3 R: g# B0 x( D
| | ├──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
9 c, X1 w3 v# C/ N* C1 X. `# {: W: x
| | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件 .mp4 73.80M
# S3 Y, r3 I2 S' R. n
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
; I6 ^4 o* w9 H" W' U
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
- Z; b" b5 r3 E* c& Q8 ^3 ^$ T
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
8 @$ H+ \' V4 Q& Z. \' o
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
' M0 \9 e* R/ X
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
8 T' B$ A1 C" N1 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
" q3 O$ J* z) s4 R0 E# D4 O( C
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
- U# w+ S. S0 f( F B
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
: e+ i+ U6 C6 f% S" q: r
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
) p n* a4 e$ G8 A$ _+ i9 J
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
9 M: A. D: X) u
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M
C3 _# A, ~( J$ i' `; @* B
├──9--机器学习-概率图模型
/ n. {2 h- X3 C
| ├──1--贝叶斯分类
+ f2 F# t! u: c: A; A
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
7 m3 D. d/ V; P, Z9 M7 Q7 x
| | ├──2-TF-IDF .mp4 53.08M
. n5 Q( R5 ` y7 s0 Q x! d
| | ├──3-NB代码实现解析 .mp4 126.73M
) B+ J. ~8 Y0 t$ G7 ]) |
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
q& q& U: Y e7 \3 H$ z( ]4 j
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
; ~ E" z. H, g0 F7 Z/ \
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
# |! I& D8 }+ \1 l; a p
| ├──2--HMM算法
4 v( u0 S; D4 C" k8 D% S, m$ r
| | ├──1-HMM隐马的定义 .mp4 36.82M
. F) A! C7 H" v1 h
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
! q( Z' w! W5 g, D& ], ^
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
S6 m u% \. l4 r0 ~. Q1 T1 A ^
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
+ H u/ ^- |2 V6 q
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
+ Y) m$ ~9 y5 l6 |$ U; Q2 F2 q
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
' G6 O' M1 P) N% \* s
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
+ s! R; h/ M% b
| | └──8-Viterbi算法代码实现 .mp4 42.43M
6 O8 ^" U% B. a) s v1 s' V2 F
| └──3--CRF算法
+ E: j7 {/ Q; N) Y; n% @5 T
| | ├──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
0 }6 f" l8 ^# X
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
- p d: Y1 R! S9 J! g
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
/ N6 B% ~" l; o5 J7 o& W. F9 H4 M% R
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
. V8 m) e3 ~! v0 ?( t, j
| | ├──5-CRF的目标函数 .mp4 23.74M
0 I8 M5 p, F' S1 _4 \
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
8 ~3 h/ F. @' r/ W
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
+ H+ }1 R- X) Q4 U) v
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
" p) D- _& b$ R. {- ^
└──课件.zip 2.54kb
8 K& V, g: b! E; `4 N2 F0 p m
0 r% B5 I# @5 x
6 V" v9 ^2 Q# [5 G$ T2 [& ^
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！
; p. M6 k# d/ t/ u; b& j2 `1 r
2 M4 l# n( r% T" V$ A
% g4 Z' G0 C ~) ]4 }
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！
' h) A9 a! G+ U6 }4 o( [0 ?
作者:
kai2524554088
时间:
2024-4-2 11:44
太给力的学习资源，非常感谢
作者:
fludia
时间:
2024-4-7 10:42
! F! s* Y# ^& w% b: t. o
这套资源不错，太给力了，谢谢楼主
作者:
mumumumu
时间:
2024-5-17 14:35
4 N0 |+ ?3 R, b
厉害了，好资源，谢谢博主
作者:
Billlee
时间:
2024-7-18 10:52
百战怎么下载？
作者:
zeng1bo
时间:
2024-7-23 09:11
百战-AI算法工程师就业班2022年(完结）
作者:
摸着石头过河
时间:
2024-7-29 21:03
终于等到你，还好没放弃
作者:
duzx
时间:
2024-9-12 11:33
太给力的学习资源，非常感谢
www.cx1314.cn
作者:
3266498985
时间:
2025-2-3 21:12
非常完美
作者:
cde601
时间:
2025-5-18 08:56
好东西，推荐，不错。
欢迎光临 程序源码论坛-1024 (http://www.cx1314.cn/)
Powered by Discuz! X3.3