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/
0 E# C0 G* t" T& W+ C2 t
├──1--人工智能基础-快速入门
, k8 g8 m4 W8 c Q3 W. F" W
| ├──1--人工智能就业、薪资、各行业应用
$ e3 ?" s, d' L7 E+ B
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
% J q* g% g4 }+ _ X
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
) [. u) A& o* X4 z7 d
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
0 p. `9 F* N" D4 ?: [, R
| | └──4-人工智能在各领域的应用 .mp4 57.73M
3 X& S- N# T0 C0 _ C! L1 h
| └──2--机器学习和深度学习、有监督和无监督
) ~. p* j& m: J: |
| | ├──1-人工智能常见流程 .mp4 89.62M
5 A; o1 |. H; H9 s# V
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
5 I% X3 {$ K, z; T$ j
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
7 \( P6 ~5 ]9 X9 u& t
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
; N4 _1 E9 ?# {* j+ x% F& w
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
( W$ u4 m8 C* g' o! n' b
├──10--机器学习与大数据-Kaggle竞赛实战
9 J+ Y( T; |5 O
| ├──1--药店销量预测案例
; Y8 v) k) m- ^: x
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
$ E4 V# P) W$ n5 w
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
9 m& [9 g1 Q+ X: H
| | ├──3-自定义损失函数 .mp4 21.12M
; T& T0 y$ R* @5 V+ G" L
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
5 ?; c) z6 U0 j: i# \' w0 r
| | ├──5-数据的预处理 .mp4 111.81M
- r! _6 {# J) J! p
| | ├──6-模型的训练_评估 .mp4 66.64M
. h* Z" m2 A/ U9 J" _: f
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
) Z% w f* p* A2 `& {$ N
| └──2--网页分类案例
: u' j$ F1 u& \5 P2 a3 O3 S2 F. }
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
* T/ Z5 }; v( }* f
| | ├──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
2 X' x$ u! @, E- P. }0 k 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
2 E( @# T2 A2 A6 M
| | ├──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
' t! J! v/ \ e
| | ├──2-评估指标ROC和AUC .mp4 56.19M
" Q# l" V( U) u7 G- P
| | ├──3-评估指标ROC和AUC .mp4 49.03M
" a7 |; C8 X) H# R( Q' I
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
8 {1 [$ K. F* X9 G
| | ├──5-数据导入 .mp4 68.41M
' q8 X* r. p V: b+ E+ O
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
: I) q" x. Q( v
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
' E9 @6 i( u' K' S% v* N
| | ├──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
9 D, u D. Z8 J- H- E
| | └──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
' z Q, H" G9 \* n. v \5 O
├──11--机器学习与大数据-海量数据挖掘工具
, }, }1 o" r6 z
| ├──1--Spark计算框架基础
& w, {: L1 r( b
| | ├──1-Spark特性_01 .mp4 41.68M
' U8 H5 ~9 K9 q
| | ├──10-分布式计算所需进程 .mp4 26.30M
y' A9 c8 M$ m+ K
| | ├──11-两种算子操作本质区别 .mp4 56.31M
# L5 f8 t1 |( B4 E" P
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
( @6 c# e' \1 x, A+ {% i0 _7 }
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
U% K2 Q p" ]2 ]6 T& B5 Q2 \
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
3 R( S$ _+ G7 F! c* ~) g
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
6 w/ u# @) E/ L
| | ├──2-Spark特性_02 .mp4 35.15M
8 }) m' p6 R5 [* g' R
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
8 \( h( o# I" v j; J( G% ]& N
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
! Z0 j/ F, y2 J5 A& K& m5 o
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
7 B0 E, a5 w# s* u1 n8 {
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
* M8 ] \( k+ l
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
5 N# l5 f2 m+ ?
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
+ {0 i0 G. d# Y9 d. ?8 `9 j
| | └──9-Spark的RDD特性_02 .mp4 33.41M
8 C# Y5 a- Y) M, w) W. B
| ├──2--Spark计算框架深入
% D" O/ d, h4 a6 U7 {$ ?
| | ├──1-Spark数据缓存机制 .mp4 54.43M
- ~6 V$ g7 T6 _4 ^- H/ R
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
& S+ M7 o- h' c2 U. x4 m4 W* E2 d
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
/ _* E- u* _& {$ Z
| | ├──12-构建LabeledPoint .mp4 111.08M
7 y+ e6 E) T. {' N+ h8 T
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
5 _# t/ B2 _" ]
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
, f; g& {- w" j8 t& P: {' Q
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
# I7 ^4 y2 }+ k& N8 n7 i
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
4 V" R0 h- c' ?
| | ├──5-Spark术语总结 .mp4 89.66M
+ T9 J8 k/ j0 K. }9 ]/ _
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
0 c1 ~% ~) F$ ?; n; u
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
1 J* {- ?6 C/ [( v( p6 i1 U
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
* e; ?9 s- [9 u, t& @- I. s% s
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
! _$ _& |; e- e/ I' b4 i7 {
| └──3--Spark机器学习MLlib和ML模块
2 ] V8 ]: q' S" p
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
+ k0 u: l) C2 {
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
2 ?/ F% K4 ~1 @9 _5 q9 p, 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
0 ~& Q( H* |9 p1 _( }9 z
| | ├──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
; ^" R) C" ]( ]/ {
| | ├──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
* C$ K: j; H' h. ~+ m# A: S6 T
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
" v$ I' K+ r0 U3 D0 `7 N
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
; H+ }1 f- Y$ O0 w
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
3 U9 j' r6 @& Z4 g
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
8 U* R6 H$ Q# \8 r8 K" D/ q3 V
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
3 v9 {3 I0 p, G9 N5 t; h, `
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
+ \: c- a8 z* ^9 q" Q: a
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
5 z' K0 x+ Q. ^! Q
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
/ H1 y l& w! i- p* C8 u" m4 r
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
% n" j G! n) @/ |' s' }
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
r% @) a' ?9 h" e6 x. p2 Y/ S
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
$ h, n! l H5 R. ]3 l8 o
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
# r; D0 X, X8 p( i: M6 ~. X ?. J
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
4 l! b: q t5 \5 Q4 Q9 l, X
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
+ y) M! a+ Z7 C9 }! j
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
P* L1 E6 P. o
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
1 t8 D6 I2 V* I2 X0 n
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
+ P" B8 B* d% F: l6 G( N
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
0 r! |2 e+ `. s+ y5 D6 C
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
1 ~, w; `+ a; G$ a
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
7 e( k% S1 N- p
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
7 U9 M. z" o" [6 o+ Y3 O. E' B' m
├──12--机器学习与大数据-推荐系统项目实战
2 W+ G. V V& k1 m
| ├──1--推荐系统--流程与架构
) y1 l/ x! G: y3 Y
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
+ K0 j! v% I4 N T
| | ├──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
% {+ ^; b( _2 f
| | ├──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
/ E/ h8 w+ O; H- Y9 P( a6 F
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
# |# d+ j7 @4 f' w$ m
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
' a, m( q% B/ D( l; E
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
4 d, ?7 C6 H, p) S. R* \& Y
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
) D1 T6 D x, e! O
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
8 x! y4 J5 a' k; @0 \
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
: A2 `, k6 H- _+ N4 ?# x; h
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
; h, j( v1 _* ~7 z
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
# K. T3 d! a: i- K; Z
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
) E0 u% z/ o8 l
| | └──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
6 ?! N' D7 M5 z( ~0 r4 S
| ├──2--推荐系统--数据预处理和模型构建评估实战
; e E, z" Z/ K
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
, Y- ~+ i$ Q7 V0 v+ \ q8 R6 l
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
: r* e; X# S* }. u/ ~$ |) e- g
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
- s" O w9 g' i, H
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
. @" ?* R2 s4 _5 {% ~
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
6 t- t1 S9 u- W$ I) @ l
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
7 b' S2 ^0 J9 _( J/ c
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
/ V5 ~" W% Q' H( f! D
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
, b0 a- F3 S( J4 R2 g
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
% j% X6 L; e5 ]5 [0 g
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
+ d0 u" K& M! ~+ D' ~
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
* x, Q) U, {- s7 T- G
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
/ k5 ~3 U ]' J* F3 u" c. b
| └──3--推荐系统--模型使用和推荐服务
5 Y( Z' r9 J: M1 w B
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
J0 y5 P8 \8 A2 V8 c
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
3 p% K' Q8 b) [" d
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
* Y6 [7 D1 {& z, A/ l. S
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
2 V, ^$ n0 |; D6 U
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
/ ^9 \1 X0 y3 u# ?) }* y/ h& f
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
. g9 W; f% Z' m- R% o5 a, q
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
/ e3 B. x4 U' l: {
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
J1 Y2 ?+ n0 ~7 b( W, b( K
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
9 G, C" y* L: i& c0 p7 j$ D
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
$ ?( ^0 X, w6 k4 [2 k2 M
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
/ T/ Z% O! O* W4 ~& T
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
; e' u5 P+ b3 W- L" m$ w1 t$ L
├──13--深度学习-原理和进阶
" V% b* Z: N5 h0 v N
| ├──1--神经网络算法
1 C y% @+ j9 v& }7 f. I( x
| | ├──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
' o! q/ E0 y2 V. }* S7 F: \! w
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
. F, H2 b( ^ u7 T8 w: b6 r- _
| | ├──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
- _4 L! O, U+ \" x% x" r$ F' H/ e' q
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
9 |* v! \* R$ G; G' T
| | ├──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
, y# z3 i# t& M7 _6 P5 o$ q7 J
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
' ` m: ?9 ~3 d Y& D$ A
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
" P; R. Y' y( T8 ~/ g: ^# q
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
s3 f. E% }; _" ^7 L5 }1 \
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
( {* ~* H+ J; ]3 R
| ├──2--TensorFlow深度学习工具
3 Y5 ]2 [6 z& \, i! n6 R8 {0 h/ h) g
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
3 n6 \/ u2 t8 E0 @
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
+ } t4 p0 r4 ^
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
! `: \8 d7 f& i" l; H0 L7 u
| | ├──4-TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式 .mp4 173.47M
$ ]; e6 p( ]% Q) d! e% f7 n* h" 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
" c+ ?6 b4 H+ z7 ~( p
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
2 x/ N$ [1 \# D2 h
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
q/ Q: h' H6 U8 K) y
| └──3--反向传播推导_Python代码实现神经网络
7 K7 J9 E9 a+ W% x2 S2 U G% S; s
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
: D# v, k5 o. P v
| | ├──2-反向传播推导(一) .mp4 127.90M
1 y# D* y1 y, q# L3 u0 K
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
6 J# C' Z* v1 z& I; p; ]
| | ├──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
7 F7 n; l( ~7 o
| | ├──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
9 ^% e0 g5 W# b1 s m+ _" y
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
9 O: o8 o0 ~( v$ _, z
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
4 z) J2 K/ Q. f4 l, m
├──14--深度学习-图像识别原理
' S0 ?% w F( Z% M1 g
| ├──1--卷积神经网络原理
8 m5 ], ^- O& [
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
" X2 X% R: i# P9 p8 p* O5 G" n
| | ├──2-单通道卷积的计算 .mp4 104.01M
& s. S1 @1 t- G* g+ s
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
! Y* r i5 z7 h: h. g1 d* v
| | ├──4-卷积层权值共享 .mp4 63.93M
7 t3 }* u% i9 [1 ^
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
' }# S* y9 z; z
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
) P9 [( s- m, s) \( q- G, u
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
+ ^* s: T! ]+ l8 ?& o. ^4 _
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
/ P$ d0 m3 `& Z1 V
| ├──2--卷积神经网络优化
( q8 E @2 `' i- `
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
* F* T, T6 P* c5 _& C3 ^
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
{- M* y4 U( R, |/ B) ]9 f; G
| | ├──11-Optimizer_Adam .mp4 141.12M
5 n4 O, \9 ~ Z' A
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
; v) |3 O0 I0 `- L/ U2 A
| | ├──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
* f$ z" _, d3 F1 V1 O |, P5 b
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
! G. ^: L# r( B% f& f z) ^
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
8 d- C; H% o3 N' H& r( M$ m8 A
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
8 }; J, D; k2 T
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
& V- G) V2 @* o6 \0 x7 y* O& ^* J
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
( V6 g% X8 P/ W' f
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
7 e' P& k; N6 K( h( q6 h; W2 A4 A' J' _
| ├──3--经典卷积网络算法
& D) N2 H% E% f I# h
| | ├──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
! s1 [9 |$ d4 Z8 X0 t
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
) Y3 M6 X# o' n7 b1 O) g
| | ├──3-InceptionV1_V2 .mp4 165.86M
' y( v6 C. L2 T6 K" e) a$ J8 Y
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
9 }" _* G( P& J* P; C
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
" ~: L) u4 }8 M w/ `
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
) d. L$ E l0 a* o! d
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
# p& P6 d: ?+ R$ t
| | ├──8-BatchNormalization .mp4 99.23M
/ [0 L7 Z1 N. b& u7 `' ]+ R" e
| | └──9-Mobilenet网络架构 .mp4 150.05M
% P+ \4 e7 ?3 y2 d3 w1 ^
| ├──4--古典目标检测
: U a, H3 b E; p$ ~
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
9 T6 e) _! [& L* y" B
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
z/ M, A: o4 S
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
: i: Y" F) x. z- l
| | ├──4-R-CNN和SPP-net .mp4 124.06M
( F, K* P+ I" k
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
1 e3 a% S6 z: W
| └──5--现代目标检测之FasterRCNN
/ g6 E- A6 V! I' ~
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
* H5 W* a# e5 R6 c; C
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
! o% K$ m6 Z9 ~$ f. [% u
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
( L$ k1 P" r1 u) M2 q; y+ `% g
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
4 \! ^6 c6 x( [* E3 U: K4 F5 a! t% f
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
m7 g: u' t' Q7 m
├──15--深度学习-图像识别项目实战
4 B* g' q, E9 i6 s; E
| ├──1--车牌识别
: L. g) @( O, A2 Q% f
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
0 e: D5 o% z4 n
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
& N& _7 ]/ C: L8 V6 m+ B, T, |
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
; s. Q9 H4 z$ b( m/ \& K
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
, n% e* Y+ N9 d( T+ A( ]
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
" [/ D3 U( p Q4 w" ^7 o5 X
| ├──2--自然场景下的目标检测及源码分析
+ c" e7 K8 @+ w$ N+ X0 v
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
6 a; D- f- W; C- ^. Y, K
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
4 Q# j' F% j; E9 g8 Q8 V
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
% o% w, P# X2 E! w5 b& `
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
% w% \1 a% i8 K0 S3 d- x
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
6 l7 M/ L* j& T; x
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
7 A3 x6 u8 K, k
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
0 W' C# ~# y! V# t
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
4 f; o. |6 C. b" Q3 V: J
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
# R9 C8 }4 z% W/ _9 ]8 O
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
E, B2 T( M9 J7 F- F
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
5 q1 b+ _% [4 e9 ?/ c4 p3 t
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
' e1 w# q' J9 r! h+ X9 R( ~
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
* F0 Z+ n7 H4 H. D7 C
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
' M: o h* k* Y! U
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
+ U1 m# o0 L' s- d
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
; t) g! @1 A+ M& G. V% A ^
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
" }; b$ {6 Y7 y! U
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
: W5 |% O: N# @9 T1 d/ j
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
& F. m9 Q0 e9 U3 d. X7 y/ q
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
/ e9 [+ J! [5 A* o
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
, F! Y, {, L% _ Z9 e6 K& Z
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
' b1 U" t7 {+ H: F$ Q1 F
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
, q4 e j7 d( \$ @8 O
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
9 v, e+ Q9 U; d. E R; G. k0 c
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
; G. s* a: D8 R: J' W
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
+ O4 E$ o c. [
| └──3--图像风格迁移
& n% n6 ~* E% M, v- m
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
D% ~/ ?& z3 ]6 H
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
: v# W5 f; h/ p. C
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
& t* }4 j. X/ d
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
! H8 {, e( M/ {% H8 d7 z; S; J
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
8 w% m; [% d7 N; G& B% I: i, O" j
| ├──1--YOLOv1详解
4 z& v7 o3 i$ j8 d6 q
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
3 Y+ }. K+ B, I# y" y9 f
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
- a$ V$ N, j- `! t5 A' _
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
" Q1 C) [ y+ F$ r$ X" z
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
% U# Q8 S7 L0 I$ [, ]+ z" S
| ├──2--YOLOv2详解
0 T' W4 s0 ]- r8 Y& J
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
& d0 j4 Y$ j6 R5 {. _: W
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
4 a. `& i( z+ P( ]
| | ├──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
( j+ n3 W1 S* k3 ~% W
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
* w9 A. x1 U0 `$ P+ m
| ├──3--YOLOv3详解
7 S/ b& K9 e1 g$ i
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
$ g7 w& E- s3 Z+ Q8 D: L2 t3 n H
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M
1 u. @ M- d7 Y$ j& S" U% s1 y% h
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
/ `7 z$ A) y$ U* x
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
' T U5 U( _5 C/ G
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
8 m+ W, S' w+ T1 d& q, m2 S0 |
| ├──4--YOLOv3代码实战
# ?/ g' H9 G; i3 x
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
1 O# g8 g m( G
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
% l @* h9 }% v; \1 x, s/ ^$ W: ?
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
- ~9 q" H6 \/ W/ ]3 W1 M- Y
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
; `, \) A+ O- Z) T
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
; I5 d* U1 X0 L1 @( J
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
( s4 { f2 o/ A- }
| └──5--YOLOv4详解
) |/ ~6 F$ D6 T% B, H5 Q( O
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
! O7 Q8 W w8 W2 E; S
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
! y! M7 I ?, s9 h
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
7 Q" z: P9 x$ f9 { R; ~$ w; C
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
) z R4 U: ?' ?
├──17--深度学习-语义分割原理和实战
" ]/ K5 S. ?, }# `$ e5 {5 V. _
| ├──1--上采样_双线性插值_转置卷积
9 W) ?8 U1 f+ j& @% b( \
| | ├──1-前言 .mp4 19.46M
! r7 c, P7 ~. b) L/ B& T
| | ├──2-上采样_repeat .mp4 23.90M
0 H& o+ j* s2 C r
| | ├──3-线性插值 .mp4 34.48M
5 {1 f% z1 ~8 i
| | ├──4-双线性插值 .mp4 125.71M
0 m, S& x0 E" M& l' f! v
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
( ]) t0 z! A& X9 m. k! F
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
. @! [9 V0 l9 `% G6 u4 E
| | ├──7-ROI Align .mp4 58.38M
. {( j( A7 f2 ^& k
| | ├──8-FPN思想与网络结构 .mp4 92.14M
* V0 z, r0 t' n; E Y+ I9 y
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
0 w6 M) J3 Z4 y$ G
| ├──2--医疗图像UNet语义分割
) x' y( X8 T0 | V2 d
| | ├──1-语义分割的基本概念 .mp4 18.33M
' Q) K4 o; o* L
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
# R$ W B4 j* F6 ?
| | ├──3-UNet网络结构 .mp4 30.41M
1 F6 Z7 N" e) Z" H. Z8 C
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
% q; |! j, c4 i0 c8 S6 l
| └──3--蒙版弹幕MaskRCNN语义分割
1 X# `+ \- B8 D; J% B% {; @
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
" H7 F1 G* b; S% L
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
/ w# H+ W# x' f* @/ W: T+ g
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
3 z0 N2 V A6 b
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
5 y1 A( `5 s; ]2 S3 r
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
: d! o0 w8 |' Z- d( C7 E( ?
| | └──6-MaskRCNN源码config和model .mp4 244.48M
9 y% I1 `9 n: M2 I0 q) a
├──18--深度学习-人脸识别项目实战
) d/ S& K% X% O* y# k2 {' r7 k
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
. d g9 o K+ |0 L
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
% @9 F8 T3 G1 E. L, |
| ├──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
5 h8 c6 B/ M; d/ K( G. p
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
! v0 Z6 h$ c3 r' `7 x0 l% @+ A
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
7 W! d4 J# x+ l X' h
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
3 b, R! ]4 D# G. C% q9 c8 ~/ M! g
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
$ f3 l( L& Y+ j7 m) x. B
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
& Z% `3 S1 a! j4 j+ U
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
9 D+ \9 k$ q% @
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
- ~2 q! b/ v* m
| ├──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
+ e" K9 N. o4 | @$ j! N2 T
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
' v; E3 a6 Y- n: g( Z \( {# n
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
/ @ \2 Y" o; k9 m7 R
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
, f) Y$ O, e* Z+ t
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
' t) X/ |% k( S0 p
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
5 f8 l# p W5 o) j- 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
+ y7 C' n* k1 V& i) s: N
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
' ^% u" J3 J L. |2 C& q
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
; T8 h) V2 }5 p& m/ ?2 q& q
├──19--深度学习-NLP自然语言处理原理和进阶
1 T* e7 B1 Y4 p' A
| ├──1--词向量与词嵌入
$ l- J; u+ ~' F/ t s" m( d$ k
| | ├──1-N-gram语言模型 .mp4 116.32M
% d |3 N) e1 f: I
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
, V5 f0 Z+ ?' j/ l+ e& ^
| | ├──3-词向量的作用 .mp4 58.00M
* u2 H3 p3 P G
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
8 t# ^: d G) w! ]
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
" k/ ]" W+ ]" w" e* W4 U
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
+ I2 s& O- `. v& d' M
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
# L' G0 z5 h3 @' O
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
* ?. i4 U+ W7 A* _
| ├──2--循环神经网络原理与优化
6 P) A" l! @- R' h8 `
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
9 A, G) z7 _/ `2 f7 e0 ~% ?
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
* {) n. x- k5 K
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
9 t( I! G+ V# C6 L
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
1 n( b+ q b7 d- q/ O2 [* A
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
+ `0 t3 W' H" ~: v9 q* q i
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
0 E5 Y- R6 c' O0 Z
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
, E" o' ~6 A& s
| | ├──8-双向RNN_LSTM .mp4 52.01M
' m- Y) Y. X/ }) G
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
6 S! [5 i% h/ T2 h1 X
| ├──3--从Attention机制到Transformer
9 K$ d' Q9 C, P
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
% P3 j) c+ r4 k
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
# e5 C& h- j% @
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
1 h1 c& @ v% [6 c
| └──4--ELMO_BERT_GPT
8 E, y" L$ q/ c: g; u- L1 v9 ^
| | ├──1-ELMO .mp4 62.44M
+ o% j D3 m% f" h1 R
| | ├──2-BERT理论 .mp4 99.73M
2 H! ~8 T9 ]( ?0 c4 Q9 k0 b
| | └──3-ERNIE_GPT .mp4 56.34M
6 n8 M' c. [$ s/ o; e1 b5 b
├──2--人工智能基础-Python基础
( u7 H% H/ H9 C
| ├──1--Python开发环境搭建
7 F' V1 z# D) B, D
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
8 o2 b: \' k7 D! O0 W( t4 y
| | ├──2-Miniconda安装和测试 .mp4 57.12M
7 M" f3 Q1 z- { k9 p+ |
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
# [9 n& _: P' F! b1 q5 J- U
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
" p6 W4 U2 `& l: ~
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
c9 J# z- u. ~) d0 O* x
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
, h' O% S6 R* j4 s6 y% s
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
, {" I+ o/ a3 W
| └──2--Python基础语法
8 T" E }) s7 }" K2 O
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
0 [5 J1 U2 r/ S7 o9 j# h/ y/ B
| | ├──10-Python_集合操作_列表 .mp4 34.71M
6 [& i8 @1 T1 u. `& p& V+ [
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
0 g+ b& U* v; k
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
2 S( X& ?* u2 E2 q. {+ i9 K
| | ├──13-Python_集合操作_元组 .mp4 43.46M
( C8 }1 P+ N! `
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
: D1 v. z8 w2 Q6 j1 I7 D& p- o* y
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
) I1 _- _8 ^! I' }) t; z+ h
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
" i; }& R8 k4 u: t! f5 W
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
" x" Y( j9 m7 d6 U+ c6 l
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
, E" f3 @0 z; F$ N
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
x; J' L+ o% a7 p3 n; l
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
! `8 y& h: O! K% p2 a1 [- R1 j
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
M8 d3 F( k6 k; v( P7 C( ]
| | ├──21-Python_函数_递归 .mp4 23.46M
! @6 o$ B: U1 h1 w9 d" U
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
; T$ @( B4 `7 [& J3 @. o( Y; T
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
9 G I/ k' k( i
| | ├──24-Python_函数_闭包 .mp4 41.61M
q( d. \7 _ \
| | ├──25-Python_函数_装饰器 .mp4 30.35M
9 ?4 m, _; L! Q6 a) o2 n# Y
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
+ D+ _, E: F. F g' c4 O h( f
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
1 D* {1 a# d& t5 j5 S2 L( u
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
: z2 \) E( `# u2 J
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
9 O2 i+ j0 `* o3 [; f6 R
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
; V" b; a5 d# E9 T# ^5 d
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
3 i; J4 x0 u$ E* X1 l
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
' _+ I5 ]/ s1 M' b+ b
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
. k# d1 {3 X0 f+ x
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
- {% C8 j. E2 i+ L
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
9 y% K$ S d, a1 F, H% ]
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
& @; y# M1 Y' p7 s6 z
| | ├──8-Python_切片操作 .mp4 40.20M
9 \2 W) U8 f, |, w
| | └──9-Python_数据类型 .mp4 25.38M
0 f' E7 M& K' m
├──20--深度学习-NLP自然语言处理项目实战
6 T& V2 Q' R. N" g/ g9 b
| ├──1--词向量
. h) N- |( u1 P0 X" L8 z
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
8 ?' X# Q; c$ W# j9 m0 |! H4 C
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
/ r7 ^2 f- H9 f7 ^+ x% |
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
- a% @# `' L( s1 R5 @9 n
| | ├──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
' ]2 g2 }) p) y. [+ R
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
/ Q4 O: o A$ R4 x+ o. V( W
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
d2 G; u4 q/ ?) Q. E+ G1 E. A
| ├──2--自然语言处理--情感分析
' X5 F" y6 Y( _6 a
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
& F1 ~/ u/ |& l7 u( d' S/ m4 T
| | ├──2-数据预处理_01 .mp4 79.65M
5 h& ?- v( `' o+ y$ M9 |. Y A5 p
| | ├──3-数据预处理_02 .mp4 45.68M
. _9 X' ]' W3 }2 |
| | ├──4-代码讲解_01 .mp4 52.29M
# _6 `1 Y+ w9 @* u1 V, z
| | ├──5-代码讲解_02 .mp4 60.85M
) _" a4 a. b, z
| | ├──6-代码讲解_03 .mp4 53.89M
7 |# m ~- ^" A" H; n: B- t
| | ├──7-代码讲解_04 .mp4 57.19M
* z2 D6 X6 p$ b. ?! _: {/ {
| | └──8-代码讲解_05 .mp4 35.88M
3 G* ^4 S5 u( F1 L- G& v6 u
| ├──3--AI写唐诗
% U2 D$ h" s. |2 [4 O4 b
| | ├──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 F% p6 o- x$ l" S M
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
+ d$ o) G# w n5 E
| | ├──3-MultiRNNCell单元 .mp4 38.93M
, N6 E( O7 E7 z; p
| | ├──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
* c0 R! t, g6 L' L
| | ├──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
1 o; _ ~0 h/ ~, J
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
7 E2 n+ U6 ?) A# M5 S" q
| ├──4--Seq2Seq聊天机器人
0 s/ I& _8 [, |. K* K
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
x) _; @. E) S Y. T0 g4 }# x
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
( s, G7 F: l% S
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
/ r- }/ x U, L W+ i0 t% ?8 [( S
| ├──5--实战NER命名实体识别项目
3 a& T1 Z" n: e$ } D/ F$ c" X
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
) T! v5 U+ b: k# f7 F) Y" W, [- S
| | ├──2-介绍了代码目录结构 .mp4 23.44M
; {' ^: M5 e) D8 d+ O
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
! Q8 g6 E$ }3 F b8 D6 b
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
% q) O- E1 V" h$ X+ h; j
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
T: Z1 t2 c2 }3 R; }
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
% D2 t, Y7 X. `1 _- \
| | ├──7-CRF中的特征函数们 .mp4 125.97M
: o* ]- g* O7 g$ b
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
" \6 K7 p5 v& U. }. \5 b7 n
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
$ v) H1 o$ g% v* l. V
| ├──6--BERT新浪新闻10分类项目
2 |! M" W0 R& p
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
6 |. [ U+ ^' l1 d; R
| └──7--GPT2聊天机器人
1 ~ p5 I2 r9 q
| | └──1-GPT2闲聊机器人 .mp4 62.28M
3 D9 L2 l9 t8 y: ]7 m
├──21--深度学习-OCR文本识别
@) h, W& x; F( x# @
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
8 k" X! P2 P, }0 d
| ├──10-CRNN项目代码剖析 .mp4 306.48M
; k: R( S$ u ]" f
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
) }% u9 Z/ f# P b l w6 S
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
/ B4 @1 T, X9 u, w/ f+ g
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
# N4 c( F1 F. E4 j2 o) {6 V
| ├──5-CTC损失函数的理解 .mp4 330.64M
4 n1 h; w, `/ |6 |- S+ 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
5 H0 u2 x# s8 s3 J: s c4 m3 X
| ├──7-CTC前向后向算法代码 .mp4 225.41M
# I' L' n% T7 R9 {9 i; ^
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
; Y* j0 _' K1 G+ ]& Z4 x
| └──9-CPTN项目代码剖析 .mp4 491.69M
5 g. B2 h' J% ?& ]& p9 J
├──24--【加课】Pytorch项目实战
' c/ J- L4 T4 \7 L0 B. ^) O+ o
| ├──1--PyTorch运行环境安装_运行环境测试
# i3 W, ^1 x) B* K* Y# V
| | ├──1-PyTorch概述 .mp4 29.29M
: f+ t0 V5 a* {
| | ├──2-PyTorch的安装 .mp4 76.45M
( t8 e& v/ Z/ E0 q7 U6 ~! U
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
0 J$ A& q! k& n& _+ f" {
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
& _/ b; z5 q1 S1 A% m! }& |5 m
| ├──2--PyTorch基础_Tensor张量运算
: s. @. {. l) P$ T8 o! K/ M8 ~/ b4 J
| | ├──1-Tensor的创建 .mp4 55.14M
/ r! _) o" u; e% H9 s
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
" ^$ d- F6 F' W; u( c1 F
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
d& r5 `& h0 W9 T1 F4 g7 R' N. L0 f
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
( N) ^0 x) E8 L( a
| ├──3--PyTorch卷积神经网络_实战CIFAR10
' O( v- e( t8 u% t/ M7 [+ z) E
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
6 t; _6 O. g: I5 b4 Q( ~/ }- w
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
& f) Q" f b8 {% i
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
% A$ z6 `! x: J' R, v3 P- L
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
& _9 R- }: _8 j; A+ h! I3 v Z
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
# y( a0 p- c5 I# P0 z, y* B, }
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
% U+ R: h6 s' A" j- C
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
7 ~4 x. F; Q7 Y* Y& L: i4 N
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
. A# D3 t, [1 ^8 [: q) f
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
3 j+ I! F! O" w
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
, p; r7 |5 K$ p9 {' t
| ├──4--PyTorch循环神经网络_词性标注
1 r/ m% v" w7 q; i
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
& Z7 Z0 t1 s0 f
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
% {3 t. [4 M. q6 Y1 a5 ]8 H+ o
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
$ u9 o# M3 a3 [: g# b O
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
, _/ ~$ ~0 y Q9 c, `; A& C
| └──5--PyTorch编码器解码器_机器翻译
P* V8 w: p, w) [! j p _
| | ├──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
( l2 k8 j& K# E
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
( ]) `4 v. [: C! a" P2 @
| | ├──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
+ P5 o3 a+ C, Q* V" i7 k
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
& j5 J$ R6 r7 m7 n2 a
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
, q4 `: K- A! O( W# P
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
4 o; G. n1 M0 s/ f% E5 w6 A% A) i
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
2 N8 `2 L4 H2 r
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
+ y' j8 e0 E& D1 X! b& T
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
/ c! ~- s0 u* Z8 X
| ├──1--PaddlePaddle框架安装_波士顿房价预测
7 c! A' P; f h0 _% z' t* d
| | ├──1-安装PaddlePaddle .mp4 87.34M
1 B% ^- Z$ Z3 j& f; S
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
* {; l: T% e. I- E, G7 r
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
6 i* o6 J6 P* J7 T: r% z
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
( u6 y' P2 _6 |
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
3 o& C7 A& I1 S' w4 O9 p
| ├──2--PaddlePaddle卷积网络_病理性近视识别
9 }2 j& b0 g' c1 [# [1 A! B
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
- k; c% v+ I( [
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
+ h+ B K8 Y# ]. r& V6 H# m
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
, X* L# g6 ^- ^; ^7 Q
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
5 A* Z0 L5 G# u( ~4 ^& b2 L. }
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
, w; |$ K6 }! f
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
$ k9 v9 x, }. ]4 t2 j. e, W
| | ├──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
2 w$ B1 y# C6 w) A
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
8 @& [ @- C+ F, Z9 P1 m% R
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
4 i5 `3 [1 N( G( u( O0 D' \* G
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
6 t) S; c9 G+ b; q! }" w" \
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
0 ?$ o1 \* c6 |9 u
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
- ]) v3 k3 x/ `; q7 [; J( k U
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
; X0 E; ] l( M6 t6 z+ \) ?5 Z
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
9 p2 R. u* e; p: Y
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
* P4 f3 N' k3 N |2 d1 T% [
| | ├──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
0 W+ i' }) ~3 \ c+ g$ _% S
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
+ V6 n7 l h5 P
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
' y2 r7 | j }
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
2 a+ N2 b8 C/ ]
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
! S( \( `7 P1 R) Y4 c! _
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
2 g; Y8 A$ l% m" p" m1 o
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
; ?9 s* v# m# o9 }2 k9 q# \
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
' Z* W) r# X0 r4 L
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
6 {$ S+ M- q8 L% Q6 _
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
3 N. v, R5 e2 C) [# J3 E
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
1 x% ~4 I: a' K) c, }% a& A3 @& |0 S
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
4 D7 Q$ n" l+ g m1 j9 a* A. V- Z7 [
| | └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4 80.58M
8 y" A( L; `3 C2 A' N7 R9 j
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
& B! \9 A/ d7 j- U. G
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
1 l8 s7 z5 o( M. o
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
' d' ?2 \1 j& H# c0 Z) B. O
| | ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4 47.78M
5 G$ X% B& i4 {/ S U$ q& t- \" Y7 q
| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M
: c! }, G" P. `" E. P+ D/ I* d& V
├──26--【加课】Linux 环境编程基础
. |% _0 z% C* t9 U$ L H
| └──1--Linux
6 c4 K9 E2 C2 C5 e
| | ├──1-Linux_课程介绍 .mp4 3.72M
) Y! B8 ~6 G: r
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
: T' S, F3 C- d. K. O9 m* ~
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
P, ?7 m/ \) l- t
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
. \( u8 O0 v8 Z7 C
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
4 ?( y# y: ^+ m3 o# x: d
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
, r( x" S8 Y( e+ f. _* j
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
% Y+ h) k$ z p$ ~/ J( u8 x
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
" r d% A% h. j% v" [0 h
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
1 k: v3 T% P$ K( L. T! C
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
$ Y# E% ~* C$ q
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
' M) B' m# U* p# }( V
| | ├──2-Linux_Linux简介 .mp4 17.59M
, z# p) d1 k. K0 `* v# i" i, U
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
2 ?$ q: y' |* f6 d( n1 [
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
6 v2 f2 y/ T8 A3 f
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
/ _6 e% X! p1 o7 z' p
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
/ } _8 R) ?. I( S- N, {
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
( k, j* h Q6 t
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
- ~$ F0 K/ M+ Z% s9 F$ ?, e
| | ├──26-Linux_安装MySQL .mp4 79.02M
5 |6 x2 z# ?1 a6 w+ U
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
: a) P" t/ r: x& V. Y
| | ├──4-Linux_安装Linux .mp4 41.97M
4 O4 r) L! M, f F+ g4 H- _2 c
| | ├──5-Linux_目录介绍 .mp4 20.31M
+ j, }% F& x4 t
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
# l+ T# ~+ f. u/ [1 S
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
' v. l! a8 P" i" F/ k2 [# P
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
$ t- o+ e, A# P5 [
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
- w" k. X0 n* I6 ~3 u' J
├──27--【加课】算法与数据结构
/ [3 g. z+ P) U! b2 Q0 b
| └──1--算法与数据结构
5 H9 ~, U9 ^$ F* C6 |
| | ├──1-数据结构与算法简介 .mp4 35.68M
6 F( Y# ~7 k+ q( ?5 h" E
| | ├──10-哈希表的基本结构 .mp4 54.34M
& c, C2 d! }; H+ e! c7 H
| | ├──11-哈希表冲突问题 .mp4 75.92M
6 J- W% B! E3 R2 z6 j
| | ├──12-哈希表冲突问题2 .mp4 72.30M
1 P o% M. s- L+ i% G, H- a, ~ l6 W
| | ├──13-哈希扩容 .mp4 111.03M
1 h& a: c) s, Z5 K. |9 O, B
| | ├──14-递归与栈 .mp4 50.77M
6 z0 s: G! D3 }% L, n. a, \
| | ├──15-线性查找 .mp4 57.80M
* }5 ]0 i$ i7 q- w" V
| | ├──16-二分查找 .mp4 52.32M
) s0 e7 F& u# @. J/ q' u
| | ├──17-冒泡排序 .mp4 53.19M
& [0 o6 J! n1 D+ g4 H
| | ├──18-选择排序 .mp4 43.29M
. p% ]! p2 a1 h+ W9 y
| | ├──19-插入排序 .mp4 31.39M
4 ?! ~5 e, X4 B9 d6 l" ]
| | ├──2-大O表示法 .mp4 25.59M
n' A" O$ w6 u( D, Y# H5 T ?
| | ├──20-归并排序 .mp4 84.48M
+ A$ q& |5 q" N$ X9 F; H1 Z
| | ├──21-快速排序 .mp4 36.63M
+ R' o1 N4 S% J' w
| | ├──22-树结构 .mp4 96.85M
/ c: u2 i8 g. Z* w
| | ├──23-树结构的遍历 .mp4 61.05M
* S8 K$ G9 d* C% |2 D& j
| | ├──24-最大堆的增加操作 .mp4 45.43M
* g1 o l# t1 _ y* D/ w4 H0 A1 n& g0 @
| | ├──25-最大堆的删除操作 .mp4 45.63M
' `* f: @0 L% o0 w) Y4 g: _
| | ├──26-二叉树的查找 .mp4 100.24M
0 D& G% K7 ^5 E8 o
| | ├──27-二叉树获取最小值 .mp4 25.21M
# \2 y& q$ q0 c, [% z: G
| | ├──28-二叉树的添加 .mp4 72.66M
) G0 ^5 t" u4 o2 [3 F3 |
| | ├──29-二叉树的删除 .mp4 120.06M
) X4 H+ L. B5 |( C. v2 G7 [4 B. \
| | ├──3-线性结构 .mp4 53.14M
8 U- r. ] R' E. v/ m4 q
| | ├──4-单线链表1 .mp4 68.36M
8 T! [8 G( N* E D1 v6 t0 c
| | ├──5-单链表2 .mp4 221.69M
! G' R5 q; K: D3 ?
| | ├──6-双链表 .mp4 103.57M
) s& K' P7 a5 C" S3 S/ e6 E2 v
| | ├──7-队列(链式) .mp4 74.12M
! \5 I. ^" `! v! c% r4 c5 S) l
| | ├──8-队列(线式) .mp4 30.99M
3 D1 g$ r2 a% U) T- |" E& s8 U1 Y1 Z
| | └──9-栈与双端队列 .mp4 28.12M
F7 s& c) u, j( b6 f0 l' ~. G
├──3--人工智能基础-Python科学计算和可视化
4 ^ J' Z& a8 }! \
| ├──1--科学计算模型Numpy
( T# b6 n- W s" f, z5 `. U: _$ N
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
" L; w" W0 t3 \. H' ]# h: P" |: U
| | ├──2-Numpy_array_arange .mp4 35.45M
2 W% w+ |2 S4 g) A0 @
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
9 b1 n9 R9 n3 {+ A8 v; q( G
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
6 O4 X& g" ~9 A4 W
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
# O$ o' r! i7 b' ~8 A# A/ z
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
# g5 o' t `1 f
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
, m4 i5 V( ]% H
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
_' ]$ C* q1 n' { y; C& }
| | └──9-Numpy_聚合函数 .mp4 23.68M
$ S3 {$ g& R( ]' y" g
| ├──2--数据可视化模块
9 G$ t. j7 n( N; B
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
" g* `$ P! c- R) c0 G( h3 p6 `
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
; s1 F' @% m5 \% O
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
5 z0 v Q2 U4 Y0 a. v# W& j
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
' |2 P. ]3 C. _" O1 m1 F
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
1 f5 |3 S, l; G
| └──3--数据处理分析模块Pandas
- @( _0 G/ _: U/ @7 p# c
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
- u8 {3 q: ?/ v1 \: c3 T+ B. V
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
; W$ y/ @8 c; T0 i$ J1 i
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
( H3 U( G: e; R# x& X2 f
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
9 M4 K2 o; |; J+ Z) i3 U% f
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
, q1 U5 ?% E, V- Y6 H7 }& l, X
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
}! P) e/ n0 ^5 ^+ {
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
8 L- _1 r! I. ^" `2 w
├──31--【加课】 强化学习【新增】
7 F+ m& ?' r9 F) `+ [
| ├──1--Q-Learning与SARSA算法
6 h8 O/ `# u& U s! Q T* U
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
: `& p$ Y2 t6 j: ?6 @
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
6 N" h0 z |' [. [* K
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
/ H p: c2 j& ?% y d4 a, Y
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
/ i, k% K/ Q$ u* V3 Q9 Z
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
5 G5 _3 N8 W J/ m3 d
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
: d' j9 i+ T0 C: a
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
S0 Q0 N* A- e; u7 h5 i6 D: }( t
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
: p- q9 H0 V" Q6 ]2 N
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
8 L1 b/ @$ S" p2 d8 [
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
E0 s5 g( ?6 T7 f0 y
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
" n4 `) h) |% c% @" Q: G6 d
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
7 c; s- o# `& r0 v
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
7 L; D0 e; r, ~: _
| ├──2--Deep Q-Learning Network
( N* {( b5 e @& N5 j# h6 \/ L
| | ├──1-DQN算法思想 .mp4 59.24M
2 {+ L# J' ~) q: j
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
4 [$ b- T/ V) A3 L! J- @! O
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
% F, B2 ~6 v0 p6 [, L# E s& E
| | ├──12-DuelingDQN .mp4 88.12M
* c/ f. _5 {% l% B0 _% s0 V
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
7 n; m8 {9 Q, O; Z
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
6 I' Q1 o7 ^0 X* j
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
3 _/ O: r9 T0 O, P3 p
| | ├──2-DQN算法具体流程 .mp4 56.17M
; v$ R3 z7 D* e
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
* Z' ]# S3 e% M* M
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
8 t" x4 {" `/ _
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
, s' m- u( a1 D n3 J6 N
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
- A% @3 J( G( ?" c3 L: r+ X
| | ├──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
6 H8 M# E8 b4 }
| | ├──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
+ ?2 }6 r6 P0 g# C0 ^0 f( t
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
* y8 C' m; P2 K) q6 \* o
| ├──3--Policy Gradient 策略梯度
( H: k' F+ J* ?* {
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
+ R4 q& s7 U( S8 A# S
| | ├──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
- o- G. B* K+ P: S: }3 t
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
, S6 g" c, o6 Y7 O9 i5 F/ O
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
. U* E7 L, i2 f, r
| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M
3 m g$ V! `" E
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
& E0 n! C; d6 r9 q2 G
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
3 F7 i: b" M) S3 i7 l% E
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
$ C+ w! o7 A. h) `* T
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
. V' D* X- g4 c3 P3 ^
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
+ u/ U' n5 u, D) R
| ├──4--Actor Critic (A3C)
2 ]3 J5 _4 [ \2 ~9 _, J0 r4 H
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
0 J% g4 I; ^( w' V5 ]+ l1 L' v6 {+ {
| | ├──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
6 B- O4 g' H3 G& i( b
| | ├──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
' `& @; g: o/ t/ g/ `# 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
+ T4 |. w( v$ j: s( K
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
$ @- e. ?" E/ z' }. i
| | ├──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 ]! N' n0 K! w! l: \8 P5 x
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
2 ~& e6 N% h, U+ h% G( D
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
$ E8 c6 z- K* `# ^7 x( L' S
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
* p$ [$ f4 @0 G
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
( ~( ^% f& q6 l% ?' x
| | ├──6-A3C架构和训练流程 .mp4 74.66M
, \* n7 f+ G3 {/ A$ N
| | ├──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
: `5 m. l$ B( Z0 E! N7 D/ {
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
: s% G2 |1 Z9 r5 v
| | └──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
) {1 M+ e8 D# x) y* o
| └──5--DDPG、PPO、DPPO算法
5 d& l5 H8 A0 O3 G e# }
| | ├──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
6 q8 }+ [* x& k5 U
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
; v4 \/ v4 }! w8 `. q- F: [' h- o
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
/ ^7 y2 F. L8 z& X$ `
| | ├──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
( m; O! f% I" k5 X$ l+ u/ {, m
| | ├──13-DPPO分布式PPO .mp4 63.81M
0 t: ?( p1 h6 Y& d j* m5 Z
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
7 W, H3 {& ] z9 S6 g5 i' M
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
2 H) r, I. N4 \) \
| | ├──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
B! v5 }+ o0 A) i1 @% M
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
: R0 h' F* t: M0 S$ @* R
| | ├──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
9 Z7 |2 e0 L3 f$ W
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
' X' u. `- B' z7 R' _
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
+ F, X0 F6 D0 P7 h7 j
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
" s; s" p+ Q$ S* i' f. }$ f
| | ├──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 q2 c5 ?- N6 z; 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
8 m O9 X1 p9 h/ M4 n
├──4--人工智能基础-高等数学知识强化
, u$ o( V' H$ O c, |" p! o; p9 Q
| ├──1--数学内容概述
* f+ X( D" T. I
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
* }% |2 z. j! a; y9 E: {
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
! C& E) O4 T8 Y' m2 h
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
7 m' @$ j& d- o0 W4 J
| ├──2--一元函数微分学
$ k7 h0 I6 _4 q% m
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
! P+ D9 Z% E* K) s
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
& Z5 [! B. j5 H+ g
| | ├──3-常见函数的求导公式 .mp4 22.76M
t7 W) G8 G6 N* U
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
; n3 V4 p4 D* ~3 |$ j
| | ├──5-复合函数求导法则 .mp4 19.68M
7 _& Q2 Z1 C+ K, T# a9 ]! q
| | ├──6-推导激活函数的导函数 .mp4 33.40M
( x) O* y( }8 N" B' j
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
2 a7 |9 }4 m, b, T
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
8 O% S5 I3 h, V4 a8 v& `" [8 T$ W
| ├──3--线性代数基础
& x0 k; X; W- l* z( A. a
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
/ }6 [/ G3 L* t( k
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
+ E% l' _+ |) X; L3 Y
| | ├──11-矩阵的行列式 .mp4 20.13M
" l' A! [3 X. A3 ^0 k8 p
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
. F7 u0 V" ^8 {- P- R
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
: K/ s1 B- A- H) }
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
; H* S+ Z8 l% t$ r1 Y
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
1 a% }) g% e# U3 w& Q" D! S) V
| | ├──6-特殊的向量 .mp4 26.45M
; G! F( D+ `2 b
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
0 S8 \/ f+ i3 X. o
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
! s9 N* e$ ? N7 l1 }
| | └──9-矩阵相乘 .mp4 20.02M
/ L1 f* d9 d5 C7 i3 z7 \7 y y" j
| ├──4--多元函数微分学
" z D$ d2 C. @* \# U5 K4 w: l" y5 b
| | ├──1-多元函数求偏导 .mp4 22.61M
5 }# g' M; l& ~6 N2 I" `$ _
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
+ P. j) n# o4 T1 V
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
0 M) Z: `% i9 A' }3 X' D) v6 F2 b
| | └──4-Hessian矩阵 .mp4 32.93M
& A1 H. m$ x" z" D7 S9 y
| ├──5--线性代数高级
* l$ b9 p r) `* v" y/ ^
| | ├──1-二次型 .mp4 27.70M
5 L9 w+ k7 Z0 e6 p! |
| | ├──10-SVD用于PCA降维 .mp4 24.90M
6 P3 }% b/ k+ d
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
6 b2 n- [% z7 o6 P+ L% O
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
1 m3 `- F0 X7 H( S0 j" ?9 u& L
| | ├──3-特征值和特征向量(1) .mp4 29.83M
' |2 j$ H9 }9 [- q# A3 S# u
| | ├──4-特征值和特征向量(2) .mp4 30.07M
( r% M& m$ {5 l, p
| | ├──5-特征值分解 .mp4 38.68M
$ c/ |$ n7 s/ e0 Y
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
3 g' ^- Q3 t/ b+ F4 B3 R8 j
| | ├──7-奇异值分解定义 .mp4 22.58M
3 H* e2 c% l: V v* }* w
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
* y; I- `' d: ^+ \9 o
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
( g# L* k' B! V, k2 Y R8 U6 {1 P
| ├──6--概率论
7 m' A1 P5 m1 _, P. W
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
9 _2 }5 |0 s+ ^. l; a& w
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
. O- n7 u) h1 B5 g* `
| | ├──3-随机变量 .mp4 22.57M
# y7 Q' G9 |. e7 W& o% D
| | ├──4-数学期望和方差 .mp4 22.96M
# o' f" J( M. A7 {
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
) H! {1 y! T. l7 X1 b
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
8 r/ x9 {" M1 F( D& I5 A7 }
| | └──7-最大似然估计思想 .mp4 23.42M
& x0 ^2 U) S' S5 s- z9 b
| └──7--最优化
" S; q% S) V! u% o$ |
| | ├──1-最优化的基本概念 .mp4 35.14M
: Q. N4 s( X. u- A: X$ Z
| | ├──10-拉格朗日函数 .mp4 27.46M
. [( o8 P' e( E9 d: }+ Q: e
| | ├──2-迭代求解的原因 .mp4 20.15M
# U. g) ^; `8 [( w: I* ^
| | ├──3-梯度下降法思路 .mp4 26.33M
; r" @ p6 p" U' k. r9 I
| | ├──4-梯度下降法的推导 .mp4 43.56M
3 W7 { }/ M3 K- i$ @& L
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
: C' G* U0 L$ z8 F
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
1 _5 x0 v* s+ j* T" r; J
| | ├──7-凸集 .mp4 21.90M
! B6 l) a* v/ \9 z6 j, B3 Z
| | ├──8-凸函数 .mp4 16.93M
1 r# L k3 C2 Z# [, B" y* `. P. R
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
# y; d) k& P& q. U V: q
├──5--机器学习-线性回归
% _5 M, [% q- c' `# O( U* ]3 \ G
| ├──1--多元线性回归
" G8 i/ v6 [4 t0 u7 x- R# r7 v, g
| | ├──1-理解简单线性回归 .mp4 51.11M
" J, ?" a# ]2 ?" v: w O! W( }
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
- V" h z% k, b& d% V* s
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
& i; `0 W2 V# ~/ |
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
1 t+ _" I, U" V+ P8 L
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
- ~( f) v% j4 D+ c; e+ B* r
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
/ S1 b; E; t, Q5 y$ N# U- ~. G+ W
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
; I8 R& \+ V3 A$ k" `( J- H" b
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
2 ], d" c7 k, e8 J+ ]1 _! n6 l+ ]. f
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
# D/ U1 B- l( r
| | ├──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
4 E% s" A% Y" R- q1 ?0 H
| | ├──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
0 F2 }1 b% H3 ~8 @+ t- I* A5 A
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
" L: W Z* T( E: L, b- n
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
6 e# l* ]4 k7 A/ t3 F& v! Y* t
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
6 I& L7 h: z' U
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
) E5 H+ `' ]0 Y( N
| | ├──3-扩展到多元线性回归 .mp4 32.15M
# r) z+ d8 I. l. T, B8 m" K# b
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
" p% j3 q& H1 ]$ o7 P
| | ├──5-理解维度这个概念 .mp4 41.41M
. W: u, |' b- J/ U- H
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
; n7 o, {# E$ z3 U9 d/ h) i! Y& M; U: N
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
! j8 J" P* {" C& G, v6 U6 p
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
8 ~% f6 m$ y4 c& m; [
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
0 j- z$ ~2 b0 }; @0 `
| ├──2--梯度下降法
8 n, F9 a! G' n9 Q- o. ?. ]: H2 g6 k
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
8 k9 a% B0 }- `( e- ?2 _
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
" X+ v8 }, t8 Q# I- R
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
2 S4 C% s1 q) s+ y' v4 x! N
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
/ c& y/ g0 d1 S1 L h
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
/ o4 V I0 q, x R( e* y/ H9 Z
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
; ^2 O& y) H4 G# I3 o
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
) X, ?7 ]$ d% S2 O& ~
| | ├──2-梯度下降法公式 .mp4 57.12M
$ h0 n# f( x# a+ e
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
$ y! p# F& b+ T: Z$ x
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
, L1 G% r( E2 T t) Y4 i o
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
$ v* e7 W% X3 r% |) z' V
| | ├──6-全量梯度下降 .mp4 62.84M
% V) [1 m1 b6 b, ]* S
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
: c( q+ G" F1 k# F# `
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
+ Z0 M9 ]* U/ I5 ~1 W6 p J) E
| | └──9-轮次和批次 .mp4 45.22M
) Z( N& d0 w- a) h2 f8 r
| ├──3--归一化
# E* M. a' G7 ]' P: ^
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
( g: X4 Z* Q ~" E( D- \9 x
| | ├──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
/ l1 C$ Y+ t0 I3 H. ]( A P
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
2 c, v& S0 A8 \! r) p
| | ├──4-最大值最小值归一化 .mp4 24.87M
I8 ^& u- \( R6 ?4 ^# w
| | ├──5-标准归一化 .mp4 51.86M
" _* L5 T) S: M+ x$ {9 ]5 a
| | └──6-代码完成标准归一化 .mp4 41.13M
4 W' w0 c' {! m- Q4 h; S
| ├──4--正则化
|$ S2 v( K* E3 _6 @
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
. n( {, x& i4 o" A* W: A
| | ├──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
& r2 d4 x1 W" N: ?+ J3 E
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
: t1 J+ E7 X& }* x6 [( A. D
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
" s4 g' `* ]' Y: u9 K: p0 S
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
" Z% a) F6 f0 E' b q, q/ b
| └──5--Lasso回归_Ridge回归_多项式回归
0 I# r9 a! Z& ~ r
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
" M( `$ J" C3 Q) M& N" S
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
/ u7 v$ g1 i3 p2 s) q8 y2 B% J. ?
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
" Q* f: C5 x6 C3 I9 V" d) j9 p7 V
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
* k6 s% [# ?- n( J) E
| | ├──2-代码调用Lasso回归 .mp4 28.73M
, X- l1 m4 l2 z; ~0 S
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
; _& D/ T- r. r0 `
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
% o! o; _# C+ r5 N& g& Q
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
) o7 b$ Q# Q1 ]4 P
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
5 T: [7 m8 o! @7 ^
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
+ E) ^" V. H- b+ {; t
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
8 V7 D+ ~. s6 y6 q: o
| | └──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
: }1 a- ^0 x/ d: Q. I1 N
├──6--机器学习-线性分类
( B, q& g& D8 k' d
| ├──1--逻辑回归
0 d9 `0 O% J' W& O% k. I# V
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
0 l& \' H# m; E5 W( Y
| | ├──10-绘制逻辑回归损失函数_探索两个参数和损失函数变换关系 .mp4 39.83M
+ R' q" H4 k9 P4 N7 n4 ~; Z
| | ├──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
! p2 R! r+ P( \
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
1 }! N- w8 d4 C; I6 o, j
| | ├──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
( j0 K, Z; a0 \ s# `( ?
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
/ L' y- r1 y6 [' Z& _* |
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
3 j6 n# Z1 `/ f7 F1 w# x
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
8 B4 X0 }/ W% x
| | ├──2-sigmoid函数作用 .mp4 38.15M
% r- {. x0 P& a9 O
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
8 F6 O9 R4 y& C+ E6 O
| | ├──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
, g! w" z3 j* \ v0 @" G+ J& t
| | ├──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 j6 K6 i C+ b, J
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
$ b( r& n1 {/ N: M3 Q
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
; k) ~3 f" {/ k, H z- J4 h2 Z1 G: o
| | ├──8-绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数 .mp4 56.56M
! j) f* S; ]) p
| | └──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
* i& Q% S* P6 Z0 P, ^. ^0 Z
| ├──2--Softmax回归
* {4 j1 I* X" A8 g9 O" c, I4 N
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
( i% J0 M1 _1 [ y
| | ├──10-实战音乐分类器_代码使用傅里叶变换将混音文件进行投影 .mp4 42.74M
- p7 u/ w& y- ?
| | ├──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
$ x; M) a+ X5 g7 K7 g% e$ J( O
| | ├──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
% l# ^9 w, ^8 y: }
| | ├──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 s8 C. p, W7 h& S' h* W" {) F
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
1 x! {$ t3 G- Q7 v2 ]4 Q% U! x
| | ├──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
" W& c) M# w* ?+ ~! v
| | ├──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
8 M7 B. z: M- E A4 {) Q+ u' }
| | ├──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
1 c! b8 f7 U1 Z8 ]
| | ├──6-逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别 .mp4 46.67M
) ]% ?: |- l$ Q9 T
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
' B$ `' d- y7 H
| | ├──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
# B0 ]0 Q2 |0 J: P+ L; H
| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M
5 o9 G; y. a0 [8 U3 k
| ├──3--SVM支持向量机算法
6 {, i% H) X. [- H6 y# N% V8 P
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
: h. w* w: A A$ o5 o% N; s; h
| | ├──2-SVM的思想 .mp4 55.56M
( b( U5 X( Q' ]* m+ B3 N3 t3 j9 G
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
/ X% V% g8 h2 u3 I/ a
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
' b% k7 f( e5 b# Q! m/ d- w: C
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
- ~' W( ?+ E6 i# ^
| | ├──6-总结硬间隔SVM .mp4 39.01M
6 J" {, d) J H
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
1 E) @; c# B) ?+ y) E R x7 @9 s
| | ├──8-非线性SVM .mp4 54.43M
+ H3 K2 p' O/ E, R' k E
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
5 B0 u k" L4 n) R% g" o* n
| └──4--SMO优化算法
; X. b/ X4 Y" [! f
| | ├──1-SVM算法流程总结 .mp4 58.36M
( P% k N, I- o7 G1 O2 \% A! S
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
' `# _* Y" m5 |6 c* Q: E2 o. s
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
' i' w, K* |8 I' l( T% U; l
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
3 y: `. W9 z4 K6 M% b% D
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
4 V- D: }. m* j, `, t
| | ├──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
4 _- l4 U9 U6 g2 H+ a, Y
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
" q: H+ h: D- t- g' M4 Y3 F
| | ├──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
8 {# W: d/ |9 K" j# `
| | ├──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
& i* c% X U7 T% U4 t7 f. E
| | ├──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
' L5 c6 `+ D+ o$ Z/ A; |6 l
| | ├──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
6 E- g9 T1 v8 Q: k, H. [
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
" {$ q1 ]7 L8 p3 X
| | ├──7-启发式选择两个α .mp4 23.11M
/ Y s+ I1 e! s! I9 p% S
| | ├──8-如何计算阈值b .mp4 50.18M
/ R ]* S x2 Y! D+ x3 @; y
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
3 ^$ @9 B% A* s9 }: s: L ?9 \$ H
├──7--机器学习-无监督学习
. ^( v3 R( K% i$ t! C
| ├──1--聚类系列算法
% t' C4 Y1 ?: `3 r. _9 _
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
i I5 u" v- |- r# b
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
; C5 u) ^; `1 |4 K% j1 K6 j
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
6 x% T2 K/ c$ v# f. S% M
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
( N5 n2 P" U0 S' o+ E
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
C5 _9 R. D4 ] W0 @7 I3 `9 @
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
; h( S4 e4 \. J/ F7 E5 Y
| ├──2--EM算法和GMM高斯混合模型
! R0 m" U% D8 c* v% l& |0 `
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
+ D: B% I v8 X: D4 g" k" E8 }
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
2 ^, E( d+ X8 @8 j. `
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
: z/ `7 r. e1 i" D! L3 f- S
| | ├──4-Jensen不等式的应用 .mp4 109.17M
( |2 f* B$ n1 C# Y
| | ├──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
! K: D. Z9 t6 b! d6 }$ A
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
2 z8 {& l" b4 z. x! D
| | ├──7-GMM前景背景分离 .mp4 16.01M
* u' p0 t# B( E2 Q5 x7 q- h" c
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
t5 l0 R- x+ f
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
# @3 Q! a2 ~& M
| └──3--PCA降维算法
$ E$ U+ j1 n2 l( t) p0 C& W
| | ├──1-特征选择与特征映射 .mp4 49.38M
) \2 V' B/ i; @, b; S/ u
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
4 T' B4 h4 I" p- g( b7 Q0 u
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
$ s8 z) r; U4 x8 m) v' A
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
4 }2 {! i, @2 z) `/ `
| | └──5-PCA的几种应用 .mp4 54.58M
# b8 y! E; W5 u' I' d+ U
├──8--机器学习-决策树系列
" a1 f. t0 [' U7 z6 `
| ├──1--决策树
% N) C/ m$ r% c
| | ├──1-决策树模型的特点 .mp4 74.88M
# \& K' [# B4 k9 B' o9 P
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
8 f/ z+ J9 y- P5 c0 Z2 R/ J3 ~
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
# W/ x; g4 k- [- M
| | ├──12-后剪枝的意义 .mp4 50.49M
' i- M* k' D3 D; r9 V0 r
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
* O& \3 j9 V1 O9 V3 i& Q" B8 Y: I
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
) o& J) \$ X$ D Q a
| | ├──2-决策树的数学表达 .mp4 89.94M
H, ?& n; U2 b4 x
| | ├──3-如何构建一颗决策树 .mp4 84.87M
: }& F# T6 M% h' W# ^3 n
| | ├──4-什么是更好的一次划分 .mp4 57.02M
" |& R. k) u- {$ V: q( N
| | ├──5-Gini系数 .mp4 107.54M
6 c+ ^/ `( I" G4 {
| | ├──6-信息增益 .mp4 75.26M
, e& u4 A& @3 E9 {1 v7 o( A" J. Z5 J6 O# h
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
5 a" Z3 @. P5 S+ S
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
6 J: s: q7 \6 p
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
' M9 m c! Z( B* p4 X
| ├──2--集成学习和随机森林
1 C: ^% n$ A4 e u) B
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
6 t( K% I5 u& `" h
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
: f1 s5 z( m U# R( l( F
| | ├──3-随机森林 .mp4 108.14M
8 c5 {8 p! I% T! U6 {
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
: {- t( A# A8 Z
| | ├──5-OOB袋外数据 .mp4 106.07M
: ~7 s+ f: O4 U) l
| | ├──6-Adaboost算法思路 .mp4 106.30M
; M$ }2 H, r: K6 ]+ D8 W) A
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
$ J, x; e" W1 ~+ X0 D! `5 ]" {' m
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
- R& k8 l, Q9 T$ d! m1 W
| ├──3--GBDT
$ A5 c. `! O9 M: a/ 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
: \, {' M/ ], J" M
| | ├──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
' m* j7 U4 S& Y& L9 U( z
| | ├──11-GBDT多分类流程 .mp4 73.80M
5 d: D# B5 T u% q9 R/ J2 e: i; K: S
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
+ v9 k+ b" z; X, V+ w" _
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
; _% r/ M! n5 H9 o) s9 g
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
3 h7 Q! d) U' K$ l/ j
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
+ E' N+ R! C0 o
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
0 ~8 M) n. w& E5 v C: D
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
% z: H3 O& U1 z
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
3 i3 C! p! v% [' U' }
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
- c5 O$ ^+ c- w5 d! G
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
0 g2 p1 } I" g
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
) q8 m) @! e. D! Z) x
| | ├──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
1 G; S0 Y: d& T1 ]5 J! X
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
l# Q7 V& L+ P) \' l) w9 x
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
: S! ?. a) ^% R. q
| | ├──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
: Z6 p* a$ B; Q" }7 g
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
: r( G6 U3 {- ^7 K! V* k8 n
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
& K' E3 N* T6 G( V' f& n* D
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
, S! ~' Q3 S2 D& g
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
; S- K4 D" T8 Q' l
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
' A% G3 i* {9 R. X. q; ~- \; D
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
. `4 _: I0 C' A: ]# g
| └──4--XGBoost
8 q7 G! ~7 j5 @$ C V L/ s
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
! p! [, F$ G2 K0 F. h# j; J
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
# x( D* V" i6 K
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
- g9 E I% r7 A8 W7 o0 W
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
& {" D' S$ \( g# R! e, [4 L
| | ├──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
, g5 P6 O2 v" |9 _8 A% Q
| | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件 .mp4 73.80M
$ h, q* X1 D8 b Z4 Y, P
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
1 H8 }; f2 Z& V9 O) e- [
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
/ D+ c" o5 `# w/ j0 J- L% n9 l9 F
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
, Y6 u+ q8 c# ~) W! X1 C8 D
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
8 A; R- z3 e4 q: O& C& C; Y- w
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
9 d: [- ~9 Y! @
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
4 B6 q3 ^7 y4 i# J
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
) S: r+ g; w# ~+ n- ?) U( v( E
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
: M2 l3 `& ~6 H( Y9 }. }2 W& q
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
6 r, I% E8 G/ x9 `0 Z: r( B
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
0 \5 ~% G: g, R( B
| | └──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
; ~- \1 o( `0 {; h7 p
├──9--机器学习-概率图模型
2 W1 q* a3 A A8 F8 e6 c" u
| ├──1--贝叶斯分类
4 U6 P7 @# F8 Q2 O( A
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
& C' w9 @- _; i- ? |5 G! u6 [
| | ├──2-TF-IDF .mp4 53.08M
+ f1 Z0 I/ B( w! W7 v. ^
| | ├──3-NB代码实现解析 .mp4 126.73M
! f8 t- n/ T/ b3 e# [7 V, a0 \! ?
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
) u/ U2 ^/ B4 N; n: S
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
7 @ a) ~& g" ?9 T4 e3 n
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
A$ i5 C9 V: J: y, V) z
| ├──2--HMM算法
: r' Q3 c+ r5 c; C1 M7 b
| | ├──1-HMM隐马的定义 .mp4 36.82M
. g; [) ^% y% V
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
9 l$ P2 j( o% |2 M, L3 Z
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
# } T4 Z' M: w" [) A5 e W
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
: Y% I" \9 Z" s0 {5 d
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
' [) J. Z8 k; L! H. M$ `# n
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
: r* p9 }! E; X) G* i/ |
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
" O" P/ ]" i# D
| | └──8-Viterbi算法代码实现 .mp4 42.43M
i2 G" o2 R( Z y$ a# J9 `
| └──3--CRF算法
* I! N8 q$ r" F. \
| | ├──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
' p; w& b* I! c( G& |
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
9 m Q- K. k3 {! l9 r! [
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
' y$ z$ k8 p9 a) o2 u- V5 f
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
2 d* F7 Y& k& I
| | ├──5-CRF的目标函数 .mp4 23.74M
5 T7 M! T/ Z. s& ?
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
( X. J3 J0 |2 Y$ e2 ~
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
8 q+ B q1 A/ {& {: r8 W# B
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
8 E3 u4 Q1 L7 \
└──课件.zip 2.54kb
( c; L+ U9 F, a$ W
C0 S1 u, f3 A3 B
3 P. G9 v o0 l0 [2 W2 C% @
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！
3 T9 u4 R6 ]/ U& t
! [" f( O; t9 u5 _9 @2 m* t
/ V* N* `- Z" Q/ C1 k
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！
! f3 w0 a" M+ {# O1 m# V4 ^1 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
# K- y% }! s) F* u" r
这套资源不错，太给力了，谢谢楼主
作者:
mumumumu
时间:
2024-5-17 14:35
5 ]3 ~+ t+ }! J: {
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
欢迎光临 程序源码论坛-1024 (http://www.cx1314.cn/)
Powered by Discuz! X3.3