战-人工智能2022/
* E% e4 @. O2 U7 i3 C- f T9 A├──1--人工智能基础-快速入门
# @, T) [8 g0 U& J: _* c| ├──1--人工智能就业、薪资、各行业应用
3 [% a3 r: l' U. Q; e- E- ^| | ├──1-人工智能就业前景与薪资 .mp4 52.07M/ Y1 s {7 B" @. M- C: b
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
) _$ ^* J& T3 O, c5 K, Y' P& E0 q| | ├──3-人工智能时代是发展的必然 .mp4 23.22M) Y, [2 u( u3 a/ L4 f5 I# a7 r
| | └──4-人工智能在各领域的应用 .mp4 57.73M4 C: ]1 Q/ t3 d* n" p1 M
| └──2--机器学习和深度学习、有监督和无监督
# C3 P% i7 B) C/ b| | ├──1-人工智能常见流程 .mp4 89.62M4 d2 n8 M! w/ E
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
# F! @8 d: j+ |; \; `5 S| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
1 J9 g( j5 _0 w- Q| | ├──4-有监督机器学习任务与本质 .mp4 37.50M# f! S8 k7 O! |/ |+ V7 N2 Q" G
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
$ r0 ?, ^& [# t2 ?7 J; F6 i├──10--机器学习与大数据-Kaggle竞赛实战
4 ~; Z2 d( y& u' Y| ├──1--药店销量预测案例
' L% y/ R0 a/ Y4 W| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
# f; R, ]- i+ B2 s| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
+ k$ u3 y j- k) `+ B| | ├──3-自定义损失函数 .mp4 21.12M2 S1 r- u, M o$ P' z! }$ p* Z
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
( | c+ N" H+ |) ]| | ├──5-数据的预处理 .mp4 111.81M: M1 W, z9 l$ X% B4 L8 `5 H
| | ├──6-模型的训练_评估 .mp4 66.64M9 Q7 \& d2 z0 D9 E6 `0 O$ F
| | └──7-kaggle竞赛网站学习 .mp4 172.16M: f$ g2 f! J3 N. r- _: {! x. C
| └──2--网页分类案例
- F/ e: L! g0 `* h| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
2 n5 P+ k, e; Y% D| | ├──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 85.63M0 C/ P' s [" k
| | ├──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
, s, s5 p8 \. ]| | ├──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# T6 B( S% E7 H0 l8 G5 a
| | ├──2-评估指标ROC和AUC .mp4 56.19M
3 g3 ^! a( M- D) c& T| | ├──3-评估指标ROC和AUC .mp4 49.03M
# M- c Y4 x; Z0 \| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
/ ^5 |; V9 |( R+ q1 B, v4 g| | ├──5-数据导入 .mp4 68.41M! C6 }& J0 E G# I8 o3 l' z/ d3 l0 U
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M# y8 l) ]+ g u
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
9 S4 B( f3 }$ O v5 u* P) }| | ├──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 W% h! v; y5 p2 P" z3 h
| | └──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
; F9 E7 [& \3 v1 k/ r2 U├──11--机器学习与大数据-海量数据挖掘工具 ) w/ Q% r/ ~1 y: g
| ├──1--Spark计算框架基础 7 g7 w z$ P p2 H4 y; ?
| | ├──1-Spark特性_01 .mp4 41.68M
' {) T' ?/ A6 p6 J| | ├──10-分布式计算所需进程 .mp4 26.30M
8 k! m8 H% G: R+ {| | ├──11-两种算子操作本质区别 .mp4 56.31M
8 @3 t. Y2 \+ W0 X8 E: E8 t8 \" _7 ]5 m| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M7 Q8 L; [! G& I: t) B1 T
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
4 B$ n8 W+ S g/ T; Z: [4 a| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M! X! N8 M8 S) l" P4 b9 [
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M5 s% i7 ~7 f% g, `5 e+ R
| | ├──2-Spark特性_02 .mp4 35.15M
% U2 s' u; ^7 ^& g6 P| | ├──3-Spark对比hadoop优势 .mp4 19.34M: b5 K* T5 e5 g2 l
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
; T5 Z2 r) I. ?| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M3 H& D! N$ ? b
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M$ n) A3 j ~- g3 o V
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
# F/ k- k1 J; K( n) h| | ├──8-Spark的RDD特性_01 .mp4 33.08M
" A( Q( e. N4 S| | └──9-Spark的RDD特性_02 .mp4 33.41M3 ^1 Q" e; n2 a/ ]0 m$ Y) y$ n
| ├──2--Spark计算框架深入
& L- Z, @2 C* E/ h, H| | ├──1-Spark数据缓存机制 .mp4 54.43M! G5 q& Z' y$ z! W s: u
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M% X9 E! p5 d& g j1 s d
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
: z# i$ D! Z9 u| | ├──12-构建LabeledPoint .mp4 111.08M2 u. R" I# W6 L
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
2 t0 S" @/ n8 J) n2 c: ^| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M! o0 L% w1 w2 G7 x7 `9 K% J
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
1 x! T" F8 N. V3 |( h" ^1 |) z| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M7 {( l2 B1 n: K' R7 `' E
| | ├──5-Spark术语总结 .mp4 89.66M
3 ^' F$ R- N4 b" C| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
, s7 a2 \3 A8 }- k- l7 i| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
4 q3 d1 a3 {- s| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M3 d4 e) k0 f2 C- Q% a2 S0 j
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
; n$ U3 f2 q# `. z% B1 k2 ~8 @7 l$ G| └──3--Spark机器学习MLlib和ML模块 + w0 d3 [# _( z/ V7 a( W# m4 l- Q' E
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
% e6 k' v* D2 x6 r| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
* |9 P) }8 f( w- e( I' F W| | ├──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
( m6 ]2 m2 Y0 I3 B( B7 Z8 N| | ├──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
( T6 l) K2 `- K) x- k8 ?| | ├──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* l9 R; }8 z1 `4 F| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
7 r' c: I& u f9 n# z* B# l| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M1 p2 V# r8 M& C0 x
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M3 C% F1 m1 x" n- E& j2 Y0 R
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
" l, g) |$ m& p. w# A+ w- ?8 O| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
% V1 n- q4 i6 s1 @+ N| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
: v8 ~: ]* b0 k( z4 }| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
! r7 l% p! n0 d& |. o) f8 w$ P3 W| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
1 q: W- T# a4 }; p/ g4 r| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M6 P I4 P6 k, Y3 _) p2 w9 b
| | ├──22-SparkML网页分类案例代码实战续(1)_1 .mp4 143.99M; M5 T% i, t. d* G) C; T: X: x' K y. Y5 z
| | ├──23-SparkML网页分类案例代码实战续(1)_2 .mp4 143.95M
+ ?' n; ?3 y& R7 `7 b0 Q2 C| | ├──24-SparkML网页分类案例代码实战续(2)_1 .mp4 177.12M; |) c0 F4 ~+ c; o! R9 r
| | ├──25-SparkML网页分类案例代码实战续(2)_2 .mp4 99.25M, A1 U* S Z+ V2 F6 @
| | ├──26-SparkML网页分类案例代码实战续(3) .mp4 9.82M i" [- _% ?# i$ D- @1 G" G+ _
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
4 n! `+ a% V9 q8 y! B| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
# f8 g6 p) L+ }! D) x$ F- E| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M: j& [% C2 i) i7 [8 n! h" r
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
$ F5 X5 g$ {' I5 F* T" n' z| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
- z$ o2 ^( P. V) U" V* Y| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
) F3 [0 Q& Z0 H; Q6 s4 T| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M! I- x- S; \/ t8 [: K1 b# m4 l
├──12--机器学习与大数据-推荐系统项目实战
+ G& p5 W4 u5 j! E+ }| ├──1--推荐系统--流程与架构
7 H" X2 I* D/ D! O) C" `3 p" w| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M2 i$ ?4 E; A6 D0 h; p H& Z- k$ I
| | ├──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
1 e+ @5 |9 Z& r$ S| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M
* y, M" O9 r+ Z; N2 K| | ├──12-推荐系统_数据源_1 .mp4 79.07M
$ ?) [# Y( H8 i5 h1 i0 c% a2 k| | ├──13-推荐系统_数据源_2 .mp4 82.90M. k) D6 g6 z; L
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
S0 c' c8 X! p" a" d) t| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
$ O" R3 d1 O: ~( y8 C4 R4 D| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
& T7 b$ T/ N! `$ \1 k4 u- o| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M5 {1 I ~4 b: k: u
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
+ p- t/ d4 i. W| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
7 W- p# ]0 _5 B4 e( P3 \| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
+ }6 p% N9 v: I4 M% p& F| | └──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
) J4 [; W3 @' U _* o" x, `3 [| ├──2--推荐系统--数据预处理和模型构建评估实战 : ^# [9 D4 D( b" t/ G
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
" F. j7 i& \6 x$ _ N" [5 O| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M( u. G! b1 d/ ?6 |& C0 ^$ g
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M3 ], d( J. o" s. k2 S7 G6 w
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
8 H. j) M Z' o3 H2 U8 _" N1 |4 A| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
# B9 W$ f+ N1 A3 g" p+ t& `+ S+ G( P| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
* e% T) z, t# _( E# X1 j/ [| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M# F5 q( P% Y) G! a0 [
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M. W1 f! \2 H) l4 I# O
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
( i* A* B) {( ]% {/ g| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
* ?. {) K- R& A| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
3 J7 o1 h0 w. [! {2 z* ^| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
! k6 a! N3 M; a% h0 h| └──3--推荐系统--模型使用和推荐服务
. Q8 s7 H% ^# q6 X2 D( a8 l8 R' c4 G% d| | ├──1-推荐模型文件使用思路 .mp4 61.89M
1 d& M/ S# ^1 b1 O% K| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
6 P" s' O" @; k3 X| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M! D+ n; L* J- E+ c) ]
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
# H- F; k5 A1 R% \| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
! T" A: R8 M. c8 H7 n2 O9 i| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
0 w5 r/ t7 L$ G* C, |% e8 j" z6 s| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M9 A6 L% y! \4 }! x% [' }
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M' R/ ~9 @! U" ]7 V, W+ \
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
& S. |3 z# h5 \' K8 B/ i| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
4 ^! \8 l1 g1 ^" Z: F4 h/ E| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
4 r3 y: b$ W/ b3 D8 y| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M5 i' C1 _6 P ?5 W0 E0 X
├──13--深度学习-原理和进阶
' D! `) Y) o, n7 L' x3 Q| ├──1--神经网络算法
. Z+ @6 r+ y' W# J+ n+ s8 J| | ├──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& u+ i, @0 \, N
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
5 L, c9 X. {$ u7 h* ~, ^| | ├──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
3 y1 O: a" s* S| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M$ X" F5 `# x5 r% Y5 }9 p4 n9 n
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M2 Z" S% i9 I0 o0 \
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M! x+ `: r5 q- {: L; C" u
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M/ c5 B) U; j: K2 R
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
9 c( H8 N+ Z+ V9 t| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M8 U3 P2 o; J9 }2 G* v8 H
| ├──2--TensorFlow深度学习工具 # p; l% l1 d0 l: c) D
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M0 l- H$ b; U; H! Z2 v7 r
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M, T+ {2 J$ H9 `1 |; D+ C
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
- |- R5 z+ v2 E| | ├──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: T, p5 f) Y- t% H
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
# L/ d' Y( X4 j9 E| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
% f0 t0 j* L+ m. D7 g| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M8 q6 j, f8 [: V
| └──3--反向传播推导_Python代码实现神经网络
/ g3 Y. z* J# g| | ├──1-反向传播_链式求导法则 .mp4 86.47M5 p; g3 w H( T9 O- [* e
| | ├──2-反向传播推导(一) .mp4 127.90M/ X `( ~/ Z* b) X
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
5 P' |5 _2 H S9 Q6 C| | ├──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
0 C2 @8 @& q8 d# ^| | ├──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
' n4 L- D, |& N# Q6 {| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M. k: q# }2 w, L% P6 ^# u
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
. K! ^) U- B% t% ?# k8 c0 V; A├──14--深度学习-图像识别原理
( e6 Z: K+ o- H% t+ l+ h| ├──1--卷积神经网络原理
& `. y+ K7 w5 { [) M4 G| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M/ }/ D6 M1 O6 ^) i
| | ├──2-单通道卷积的计算 .mp4 104.01M
1 x* w$ u6 O! |( B. y| | ├──3-彩色图片卷积的计算 .mp4 52.79M" X2 t4 C: h5 F' s. [& g* \, ~
| | ├──4-卷积层权值共享 .mp4 63.93M
% G2 `& T r+ Q! `$ F7 F2 j| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M; [3 V, K8 w+ R5 |
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
4 _0 r% |& S/ |* J& E6 r| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M2 ~1 d) }7 [ n* o; n
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
7 S4 m- q3 Y7 Q: N) k$ v' r| ├──2--卷积神经网络优化 " z4 S0 P6 `: S, P, S9 }0 y+ C$ ^1 u
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
' ]1 k( }0 z& s0 S) c8 w* ~+ h! T| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M8 T% |- p( |$ }1 B! E' O
| | ├──11-Optimizer_Adam .mp4 141.12M4 h! M. ], y9 z0 B& }' k( Y$ J# c
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M, i5 X0 H4 d. D Y1 n
| | ├──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
6 |7 @3 H& r4 r# n| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
0 t# f/ f: i2 ^8 O! c: g| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M* G" ~3 o n+ L1 C6 s5 a5 J
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
- }. K; q6 u) ^4 O6 |1 u8 G0 W| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M" q D. S( M* b) x* O1 v! ^( ]
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
) V& n$ Q! q3 V2 X% u; i$ v/ ^; h| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
& P" K1 p b/ X. U' V; F/ R| ├──3--经典卷积网络算法
% P& @$ u9 u, b7 L j. }| | ├──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* f; v: F% I( H: W
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
: C5 x! T5 \, s2 g) `, M" j| | ├──3-InceptionV1_V2 .mp4 165.86M: L) @4 n) j4 }! K w( O& V
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M6 w( | L5 l0 ~& N& v$ n
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
& R0 P7 d! z' n! j# T a( X| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
; u' F( G/ S0 W. k6 V| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M4 [$ C* K2 L k1 ?" T" s8 [8 i
| | ├──8-BatchNormalization .mp4 99.23M1 ~* G7 r6 m: k
| | └──9-Mobilenet网络架构 .mp4 150.05M' S* M2 j, P3 I) D# M; @3 `
| ├──4--古典目标检测
4 i, |) Q* `5 S9 i| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
! s3 K9 b! t) \* q| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
0 ^+ i3 }- D& v| | ├──3-IOU以及python计算的代码 .mp4 23.56M
' _. Y# B1 N/ B| | ├──4-R-CNN和SPP-net .mp4 124.06M
' I* z/ a' R2 {| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M3 K- [7 W6 r$ ~, V5 J
| └──5--现代目标检测之FasterRCNN
8 B- \; ?9 A: w, u4 P) H| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M! h1 O. R1 b: e3 W- _! \6 i9 y
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
% W0 W; {% c, F% U; A| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
+ g6 Y3 K2 |" Q, y4 ]! w| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
' ? K9 G' I5 e( n @' ?/ _! p| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M6 L) e6 }+ f& r% Y( r, Y
├──15--深度学习-图像识别项目实战 5 `6 `( }6 O ~$ ^2 Y( O
| ├──1--车牌识别 2 H" ?1 ^2 s- u5 U% N1 A( u; B. W
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M3 x1 |. N1 Y; F
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M% R; d* x8 F; N$ k ~1 o
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
8 @: |! D3 d% Y& I' i4 O1 ^| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M( \6 g& T0 P. `# D0 J( Z5 f
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M( B* C) K4 d6 G! j! i7 b
| ├──2--自然场景下的目标检测及源码分析 . @) P |. m7 e( i
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M* c/ z- z2 X/ e. C6 Y- `
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
* D8 I% p! Y- F! x" ]| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
4 C- M* g* H2 k) Q" G| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
' Z, J# Q2 V, b" w| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
3 r5 k" O3 k$ m. o. W* u/ _| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
- d$ q2 ^/ Y# X6 ~' a% U. r! D3 }| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M. h8 Q9 e* m7 A7 Y' ~' H
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M7 ]* G7 W, j! l
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M5 }3 z+ D g' ?$ {3 Q/ `$ O
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M8 k h6 ?& D0 @) v, X6 O
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M- s# ^7 y$ B0 k0 U1 W
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
' z- p9 K1 k2 O| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
3 ]! r/ i; A. D4 G0 z| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M* c. |: k ~% M6 \! o
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M( ]8 h% n2 F) n, l* V" Z
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
4 D" f1 N+ J+ B& }; |3 ~, t| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M3 N7 y# Z1 ~6 R* v
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
8 g( \5 f. l1 W| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M' }0 }) o: f# L" J/ o4 {
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M$ j$ r+ b8 W' \+ v
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
, d2 n" h7 k4 R# R& m| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
+ Q3 S& d& T" ~6 y a9 {| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
4 G$ Q$ _/ ]$ p0 |$ `| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
! ~' W4 _) x$ E& Z5 w| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M* P% ~$ y n# o$ F; z* P
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
. b( A' q0 ^ y2 C8 M, H; w| └──3--图像风格迁移 }- v. q. d3 K& @/ @) T
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
; M9 C& ]# s' _* E6 b| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M+ ?2 X' D r/ V! I; O8 Z
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M- i' Q) W1 B [7 ~
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M* ~5 z( D. u0 [3 @; ]
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
! m5 u- M! J% f* @| ├──1--YOLOv1详解 ) B* L! e6 x9 b) j8 d
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
% z9 M$ S+ E+ R# b. @+ D) G+ X| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M1 J3 U* K3 W/ M8 }, v2 l' Q
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M0 q# T) o" c4 Q; I G8 O/ E: R$ ^
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
: L3 V* A8 t& ~7 E7 D I5 W| ├──2--YOLOv2详解 1 s- {- W' n# F- f# `
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
8 k* l4 ?. y# q) n6 E! J( {, B9 x| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M! G. b" U4 ?5 ] T2 i5 x
| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M; g% X: W; Y) T+ H! o( w
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M% P' ^/ j7 X. o* P! J
| ├──3--YOLOv3详解
6 u D% a2 G8 E: }1 ~9 @8 U| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M- q* r! t! ^* h9 m8 _. P
| | ├──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' m x! O/ `; E+ S+ f# W0 a' h
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M( V% F2 k8 q- P+ p4 U4 a7 L
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
* m, X- U8 q8 e7 ?| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M: N# r2 Y2 N! ~5 u/ Q7 p
| ├──4--YOLOv3代码实战
7 Q1 {. \' R1 E$ d" ?! { s* c2 o| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M' h4 T6 J5 P! f+ a) [9 o
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
6 j; q: `+ X' Z3 j8 y; ?5 y3 ~5 _, T5 z| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M# ]5 p, J; P/ f2 G8 y
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M p A# w: ]! B
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M+ C" _: m. A7 D# K
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M+ Q8 j2 ^( T' H9 N5 z
| └──5--YOLOv4详解 5 r: F% z" V9 l; `
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
0 r$ x- X& g. M+ ]2 G| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
- z* j# N) H# h! R% A; [! e6 N| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
9 K# K# s3 P; R. D, R+ A" I$ S| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
; O, ~* h& U4 H$ S' R├──17--深度学习-语义分割原理和实战
0 G+ b9 I8 h3 r/ H| ├──1--上采样_双线性插值_转置卷积
$ B ^5 Z- C( y$ v0 Y' a |7 || | ├──1-前言 .mp4 19.46M8 }$ O: r: j# Y7 M# C" K+ Z
| | ├──2-上采样_repeat .mp4 23.90M. s$ B# r2 w. C \$ L! G
| | ├──3-线性插值 .mp4 34.48M; ?! c9 c/ T s) }: |
| | ├──4-双线性插值 .mp4 125.71M$ d, W9 q7 O) H
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
, t! h" A, i! f* k- `9 k/ }5 m. e| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
) `* J8 O1 u2 || | ├──7-ROI Align .mp4 58.38M
0 ?, g0 B7 J5 e# \( R* w1 Z| | ├──8-FPN思想与网络结构 .mp4 92.14M
9 s m) ?4 O. {- t% y0 Y1 [2 a! H| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
- a* X: K D d) i! x| ├──2--医疗图像UNet语义分割
; |- z0 Q! o- y| | ├──1-语义分割的基本概念 .mp4 18.33M
5 w% R8 m# o* V: Z N* z+ t| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
3 `2 S8 ^4 ?4 [% ^( D% P0 l| | ├──3-UNet网络结构 .mp4 30.41M
) g3 U% r; i3 P% g3 J* ?6 _& T| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
. S: E/ u9 x b( v- o5 ]| └──3--蒙版弹幕MaskRCNN语义分割 + T4 l. p1 Y& Y. V& i. B
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
! f: I& |8 x9 a5 u# L4 C| | ├──2-MaskRCNN的项目展示 .mp4 250.54M% N' ]) O2 X0 h7 w
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M" D( z9 m. V e
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M9 B1 j/ N" |4 N" r, |3 d) g
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
@' y9 O) i" \+ A" o5 {: s; z( u| | └──6-MaskRCNN源码config和model .mp4 244.48M
" I H* t- h2 P├──18--深度学习-人脸识别项目实战 9 P/ L1 T/ }# Z$ u8 P9 y: q' l
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M' Y/ ?/ Z( p$ D# p
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
; j4 K6 n$ X% Z3 v E; I a| ├──11-人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框 .mp4 66.61M2 A, V% c3 {9 B# a* {% u
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
- ^8 p* |7 a e B- R- \( O# r6 _| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
6 `5 N. T1 B- G| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M3 H* R6 g, G6 _( B4 B& R
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M4 u) l! y3 H( s+ Q; w# D
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M2 {2 {; K4 e* X/ G) h8 z& h$ Q
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M4 T; j' P5 o O
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
: @4 l3 C# r4 n8 c| ├──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
& k/ u% Z2 k3 A5 p| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
7 R2 @$ N, e5 _+ E! z7 \1 q| ├──3-人脸识别项目代码整体结构 .mp4 30.40M- d& T4 X' A. s' P6 u& b" ?: [- P8 e
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M, w) D; Y4 }8 V; \& c- U" M: V! k
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M, D; Z0 e$ t0 v: \2 f
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M8 l9 p2 l2 Z7 X. Y7 ]
| ├──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/ ?, w0 f. Q3 u; C7 d, K' \
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
: \" U$ w* X4 ]- o; x| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
9 P: D) y* E8 h" u& k3 ]5 w├──19--深度学习-NLP自然语言处理原理和进阶
4 r# v& J0 J4 N4 \9 q7 d| ├──1--词向量与词嵌入
( R7 F2 \$ s+ T% w9 z+ ~. u| | ├──1-N-gram语言模型 .mp4 116.32M
. S4 |( o& q k5 e: p4 G1 V| | ├──2-NPLM神经网络语言模型 .mp4 155.81M! l$ q% c' o6 H" @ U: H
| | ├──3-词向量的作用 .mp4 58.00M
- [2 _* X% p; ~7 r* ]: Z4 E| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M+ X0 u( a; p& _# w) d7 n* L! ^6 m
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M8 [. Y+ F# G9 l/ ]9 M) ]% \
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
9 ^- m: r y) G" ]" O6 Q! {| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
: W3 f3 Q4 {4 U" k5 U8 O( a| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M+ C! Q# Y" D% W- F
| ├──2--循环神经网络原理与优化
3 @3 u& m& X C. \9 w| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M3 w" y6 J M8 _# x
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
/ H+ p( X8 @9 a7 G1 N+ S9 j| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
* I: ~; l: ^. V| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M& f- K5 T$ O! X9 d& R0 h
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M5 l) P: c& J, d/ q2 l
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M( M) q( n6 |+ H& z9 s t V; m
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M2 U z" v- l( X( Z! f9 G3 s# P; R4 N! F
| | ├──8-双向RNN_LSTM .mp4 52.01M
4 P) K+ m# K& O+ m7 p| | └──9-RNN里面应用的Topology结构 .mp4 23.04M2 I; P4 p! g5 {- W: s+ @
| ├──3--从Attention机制到Transformer 2 m- {7 W$ p z: i. C/ f! N
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M3 ?( A0 v- {7 y8 H' H. ~
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
4 g* f( g( B; A* u/ L- I& e| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
+ q4 p: h) A2 S; u% J; || └──4--ELMO_BERT_GPT
8 j; e, q7 X& B9 w| | ├──1-ELMO .mp4 62.44M$ N* ~# n% X5 N0 c% h
| | ├──2-BERT理论 .mp4 99.73M
/ `( P; j3 U4 D% r2 z| | └──3-ERNIE_GPT .mp4 56.34M; e7 \# L( l L3 v9 B
├──2--人工智能基础-Python基础
4 b, B1 e( g6 D! f" B% q6 U$ T| ├──1--Python开发环境搭建 & S5 z+ l8 _$ o1 s- q' @ W
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
# k- _: W9 C6 B, t| | ├──2-Miniconda安装和测试 .mp4 57.12M, D$ r) i" H& @) ~0 P9 X% y c
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
* ~8 Q2 B! k& y3 k| | ├──4-Jupyter安装和代码运行 .mp4 37.10M, v* ^2 |2 F7 t# P4 k- @' k
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
# @- g' u3 E* y7 |8 s| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M/ C' w; X' A, F8 m, g( r
| | └──7-关联虚拟环境运行代码 .mp4 38.14M6 t+ j+ u' x- e Q
| └──2--Python基础语法
' ?& p8 J+ ^3 b/ B- R \4 m$ E| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M' S" v; Q$ \: Z9 s! D' G5 N/ h
| | ├──10-Python_集合操作_列表 .mp4 34.71M) b4 C1 S5 U$ W
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
9 i. _, o! k2 f# I| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
2 N- s7 T8 u+ R| | ├──13-Python_集合操作_元组 .mp4 43.46M) x3 r% _# a0 F6 _! {0 r( B) z+ o4 }" r
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M/ a4 w# i5 S2 p. n+ w* { D
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M* ^) z! A; Y3 n1 Z& G
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M4 [1 E3 x" a. e' U4 I6 }
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M8 {3 _2 K$ s/ n# m
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M* _" i& ]8 ?2 `% x. ~
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
2 Z0 Z* r4 m" }, g3 m| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
/ [8 a& @, @& _% R| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M' Q; {$ H/ j. `: x
| | ├──21-Python_函数_递归 .mp4 23.46M
5 z7 j9 @2 ?4 C( _8 w9 ^| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
/ T. V' r& R! C4 g0 M| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M# O2 }8 X5 f& m' F6 z
| | ├──24-Python_函数_闭包 .mp4 41.61M7 \' W5 `3 A4 M+ T- E3 T3 v
| | ├──25-Python_函数_装饰器 .mp4 30.35M W) L$ r2 r/ Q9 [: i, l
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
" \% F8 e, P9 W* J- T| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M3 E' O. I2 |3 P4 Q% p
| | ├──28-Python_类对象_内置方法 .mp4 29.17M$ f0 t! g& K; }
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
) [* Q% F) O# I' X; ?3 P| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M# ?! P' }: ~2 U8 }. I
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M9 }# v8 \0 d$ ~9 ]
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
5 j2 P7 @: Q3 S4 [; z1 k9 }| | ├──4-Python_控制语句_while循环 .mp4 25.02M
7 x; |: R9 M6 i| | ├──5-Python_控制语句_for循环 .mp4 22.82M# A" J- s/ w0 Y& y q
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M6 L# g: S6 d- s/ U! Z
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
" e3 V; ]9 L' l( O' U$ A; r| | ├──8-Python_切片操作 .mp4 40.20M- [% e( ^2 A5 i7 L
| | └──9-Python_数据类型 .mp4 25.38M9 ` f0 M) u* U
├──20--深度学习-NLP自然语言处理项目实战
8 p) Z$ y, X/ O2 B3 b- w| ├──1--词向量 7 I$ E2 C+ G- R! s" m
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M, u% i5 J2 N" S6 F7 j: v8 r
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M' |8 i) C. N- ]" }
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M R4 \) B$ V& ]" g# C6 i
| | ├──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
. v" k0 s2 d" I" b| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
! g0 l% V1 U; B( o# d( ~- c4 n| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
7 C ]$ U" F9 r' W1 U6 ?| ├──2--自然语言处理--情感分析
, e. v4 U9 o M| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M! }6 Z( W) f( ?% R& Q
| | ├──2-数据预处理_01 .mp4 79.65M
0 c$ s+ n2 X6 M! _- p| | ├──3-数据预处理_02 .mp4 45.68M
; Q8 H) x5 b. e. Y| | ├──4-代码讲解_01 .mp4 52.29M8 N$ o% o1 R: {' D* g4 s
| | ├──5-代码讲解_02 .mp4 60.85M
/ D( @. `2 o+ s| | ├──6-代码讲解_03 .mp4 53.89M: Q2 g" Y: g: l. d8 W+ S6 L
| | ├──7-代码讲解_04 .mp4 57.19M
9 u8 v0 I. t: T: `! s| | └──8-代码讲解_05 .mp4 35.88M- d2 Y! H4 O" B, p. [' k' j1 V& \
| ├──3--AI写唐诗
/ W# v9 M w8 p| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
: k7 F) w, T I: m- g/ T| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
+ C" U; h7 t; }3 P| | ├──3-MultiRNNCell单元 .mp4 38.93M
3 O7 ~& y8 x# W$ D% ?9 A| | ├──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
1 e, q( C: I8 z| | ├──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
% v0 C4 ?7 o: [| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
/ z2 T4 j3 f8 D+ d& R4 G| ├──4--Seq2Seq聊天机器人 , |# Q! l9 V7 d% X6 _' n% L
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
. U5 d4 a: E0 z* ]| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
8 y" t) D F, B& j6 B# U| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
1 H7 Y0 G; t5 m- d" ]8 {| ├──5--实战NER命名实体识别项目 % Y# C# {/ {" s- N
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M& f' b1 t' r8 _0 p' w
| | ├──2-介绍了代码目录结构 .mp4 23.44M
6 Z) O7 p' _, j' q5 `- B7 f! s| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
$ m, p! E* ^" i! P0 C| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
% Q8 b) v- w; S: X& E/ O" f9 K| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M# X/ X. n# A; y4 f. X
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
" z4 ^, Z _4 s# S s| | ├──7-CRF中的特征函数们 .mp4 125.97M( V6 d q2 G! t* T' I
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
1 K. C# F( Y6 b! E# `# `| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M' ]' H1 u, A7 c1 l- o
| ├──6--BERT新浪新闻10分类项目 3 m( U- w8 Z( h$ E+ K
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M7 _$ u8 W. j" i( K$ M3 s* a0 }, S
| └──7--GPT2聊天机器人
- H* |8 g# {( \# E: s| | └──1-GPT2闲聊机器人 .mp4 62.28M% S: k; f" z4 f" ]5 C% Q3 K
├──21--深度学习-OCR文本识别 5 ?8 Y& ?8 T% M4 \2 Q
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M0 X: o) a! y8 n
| ├──10-CRNN项目代码剖析 .mp4 306.48M
/ k @* J, I5 a0 m% u| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
e1 z5 x9 w/ t| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
+ t( s" J$ q4 r: G4 H3 Q( ]| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M O. P- L9 N7 H V5 d! d
| ├──5-CTC损失函数的理解 .mp4 330.64M; L4 b( b4 }; |
| ├──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
$ y( b6 P# M& o p' Q; L+ M| ├──7-CTC前向后向算法代码 .mp4 225.41M
3 b" F# W8 V+ p8 Y$ D8 U| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M, J2 O/ J- t. Q! U! z' K
| └──9-CPTN项目代码剖析 .mp4 491.69M
M2 `* |2 C \% ^" H5 X├──24--【加课】Pytorch项目实战
0 ~& W" `8 p' G9 b/ n+ [) a| ├──1--PyTorch运行环境安装_运行环境测试 ! m3 S$ f+ {9 n, R9 l; l& u+ I
| | ├──1-PyTorch概述 .mp4 29.29M
; h7 B3 i" ?. ?( N2 X| | ├──2-PyTorch的安装 .mp4 76.45M
2 C' z# D4 c" c| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M, M: ?4 t" a$ R `/ r7 \" z
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
( }4 ] w5 t: O! B. V& ~6 V| ├──2--PyTorch基础_Tensor张量运算
6 f: o( R+ m* g3 w| | ├──1-Tensor的创建 .mp4 55.14M5 ]5 k0 g2 |* r( c
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M/ ^; s8 O% q- @9 [
| | ├──3-广播机制_逐元素操作 .mp4 44.46M" m1 U/ V% W/ ]7 k, S
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M8 J9 k0 e( w% p& Z
| ├──3--PyTorch卷积神经网络_实战CIFAR10 0 l/ U8 a; w) L+ g: E
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M9 S1 I! a: K; Z8 u& A
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
g+ C5 A0 ?" j! h+ j| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M" q- [/ V. A/ V# W, R& s
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
' @3 [0 t' t! ]| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
* F/ ?6 ^$ y8 g. v# c| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
J* j; o$ I( L( a) w T P| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M/ a$ @3 O$ m9 _2 M, ^# R
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
2 s3 U2 ?8 S; v+ L8 @6 z2 Z, Z| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
$ }7 G3 n9 u2 l( y4 w| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M0 c( C9 R4 u5 d3 A) S0 _
| ├──4--PyTorch循环神经网络_词性标注
" R5 h! T7 ]6 s1 V; {| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
+ ?+ ]& n( n t4 s8 d8 A# x| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M# A: H7 E1 m& T& R! w$ [
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
$ [! a9 X$ ] K3 t$ W* F E; e| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M2 V/ I) e( k) q# T
| └──5--PyTorch编码器解码器_机器翻译
# `8 W3 _- f% J- s0 `3 f. {6 Y) k. A| | ├──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
: l/ G- U; p8 d: q1 l4 Y| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
* I5 I) f, d$ T6 [4 G3 z| | ├──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
1 S2 w' S+ u! b+ s# [5 }% d| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M: q5 [% `8 E! p& t8 z( M
| | ├──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 T# K1 j) j0 b7 @9 t/ G| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M0 V; _7 g7 J o4 u
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M% [! D: r2 J! C% u6 s S+ f' }' a# f# H
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
: F% p, D' x4 w* a: y├──25--【加课】百度飞桨PaddlePaddle实战【新增】 8 y1 \0 k. y7 p) {: H- u* z" |2 |
| ├──1--PaddlePaddle框架安装_波士顿房价预测 % c1 y$ x1 G/ c6 A7 ^5 J( W
| | ├──1-安装PaddlePaddle .mp4 87.34M
4 E8 \4 _( F; z4 ?) s| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
3 W# Y* ?( I& g$ A2 y$ w7 T| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
5 u* B$ M/ E, O+ B- X| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
3 B0 \6 T5 K% s: Q2 f| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
2 ~) t9 m, T( w( u| ├──2--PaddlePaddle卷积网络_病理性近视识别
' A8 p- o( K! a; q- S| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
W* {+ H: {. i" A4 p$ m| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
8 |# w0 _8 n7 l, w$ [7 C| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M1 T2 x3 e' J' G3 ^2 |# m. R) z0 f
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M+ c$ l8 [# E8 J! T
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 / M; e( ] m2 w2 E7 s% p3 u/ R
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M7 x' P1 s0 w7 p D7 o! l
| | ├──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
6 [% r9 [4 R( v, }& d9 h6 _| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
8 J* a( k0 T7 [7 D8 W$ H2 I1 B) P| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M& g7 `3 ^! a2 k6 L/ _6 Z
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M! ^/ R n2 E, {) i2 k: R$ K' n8 g) w2 F
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
' M" {) R8 i! V- p+ i$ X| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M8 B2 @: Z- K7 S
| ├──4--PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss)
6 }0 T, k9 a: O: ^( B| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M7 S+ v, m' G8 c
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M' H! B# X' y( ]0 ^
| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M9 U6 C; ]4 T+ C6 T$ Y0 v( t; Z
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
& J( ]: X! o, n/ u8 f1 c4 ^| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
9 v5 @* Q- i9 O| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M3 L" b P/ v, P" Q; Y
| ├──5--PaddleNLP模块_物流信息提取(BiGRU+CRF)
. i8 ~; c3 ]4 L. T& Q" J( B| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
6 L0 N c. d! j( Z4 V4 [7 U" H| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M" w+ S1 X% Z' u3 m
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
: q8 Y; i4 s+ ? z8 @' G| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M) G2 n' p' z: u% }- b
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M1 I* e6 P0 X! P1 o
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M1 W' w8 {2 G2 ~3 T/ y2 A7 n- z
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M$ g. a, g: t% R3 s H& i
| | └──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
1 W) D( z* h# {5 Q+ u| └──6--PaddleNLP模块_物流信息提取(ERNIE版) 4 f5 C- W, w6 z' S' B m6 q- W6 N* d
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M- W! T" G0 ~* W+ _0 E
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
* J. z6 N, Q$ F) }* H. O) r| | ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4 47.78M
/ t ?1 F* B* u b) R: n+ g0 [| | └──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: b* \5 Y9 T( Y
├──26--【加课】Linux 环境编程基础 + w3 O7 `5 Q; s2 {; q
| └──1--Linux
, d$ f( s& O z4 o0 v| | ├──1-Linux_课程介绍 .mp4 3.72M" R4 _2 D2 y# g( ^" x3 V
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M _+ E: N, n$ [
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M" w/ M9 j6 m' t8 { Q9 `# j
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
3 O+ {; F( j, ~ Y$ ?2 D V| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M L9 `+ {1 E7 _, P# C: R3 X
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M* |' u3 L" e& J5 {2 q
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M6 p. g: Y, D/ c
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M4 h1 S, E/ p1 u
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M/ Q% R( c m" ]! y; e
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M |6 r& t, ^1 p' [; c: g
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
, L! |) ?; z! ^| | ├──2-Linux_Linux简介 .mp4 17.59M" G% F; W$ b; r4 t, @
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
$ P4 ^* Z% g; y% }5 {0 }; |$ b' h1 P| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
7 U( I3 ^' f' b: D% |4 g, ~( ?| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
6 [1 X p# j& Q/ I% A9 e( D/ H| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
4 e6 @( ~! A& e( \| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
+ I1 S' s$ j/ M; V- K% x| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
) \+ i T1 O4 z( {* e| | ├──26-Linux_安装MySQL .mp4 79.02M
; T6 p. |- j" ~) o" e4 F5 ]7 y| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M6 Q) w( L. g- e- C
| | ├──4-Linux_安装Linux .mp4 41.97M
* @* M/ O3 J5 D+ x6 v| | ├──5-Linux_目录介绍 .mp4 20.31M
9 T- y5 S$ _0 w0 e4 g| | ├──6-Linux_Linux中的路径 .mp4 18.65M
" V5 ?9 U3 E) }* N3 U- k9 I| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M. D- p; g$ L% i6 Y3 y/ M0 T/ k
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M9 ~- D+ {6 U3 I& ^8 v
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
! q7 M3 R$ w2 ]2 _, U9 h9 w├──27--【加课】算法与数据结构
4 n2 n; i# L. [+ H$ w6 q$ x| └──1--算法与数据结构 / x4 ]0 ?8 q) T& L
| | ├──1-数据结构与算法简介 .mp4 35.68M. R8 F' @& D3 b/ K& R
| | ├──10-哈希表的基本结构 .mp4 54.34M
% W3 S, ^* ^8 S; l) L Q| | ├──11-哈希表冲突问题 .mp4 75.92M& o; v! v1 {2 ]9 C/ M
| | ├──12-哈希表冲突问题2 .mp4 72.30M
" f/ W6 C- u3 {0 h3 B| | ├──13-哈希扩容 .mp4 111.03M' v0 j1 l) f' ~( F) y
| | ├──14-递归与栈 .mp4 50.77M3 I8 ]; _5 @* f `; N9 g, d
| | ├──15-线性查找 .mp4 57.80M- `6 e9 l$ N s9 k
| | ├──16-二分查找 .mp4 52.32M+ B: o4 h) ^. A! D( t9 I' D4 l, n
| | ├──17-冒泡排序 .mp4 53.19M6 u: u* v" Q& ]7 s( s# j7 D. s
| | ├──18-选择排序 .mp4 43.29M
/ Z, c7 d! b( C% v3 U| | ├──19-插入排序 .mp4 31.39M* ~$ ?3 \5 E' B' Z! |
| | ├──2-大O表示法 .mp4 25.59M% f* i; v5 S' h' C
| | ├──20-归并排序 .mp4 84.48M& p7 C/ C0 ?- n1 R9 ^" I4 |
| | ├──21-快速排序 .mp4 36.63M
~* s( b ~3 e6 q9 _: g" W! {| | ├──22-树结构 .mp4 96.85M
9 @# t! m* ]$ X ]* ~# J/ D| | ├──23-树结构的遍历 .mp4 61.05M( t, I' F! C, u: _) ~& K8 Z
| | ├──24-最大堆的增加操作 .mp4 45.43M x+ H. M/ A+ c; N+ l3 K2 X1 [
| | ├──25-最大堆的删除操作 .mp4 45.63M
* Y9 W) F% m) K3 d| | ├──26-二叉树的查找 .mp4 100.24M
. M* i% U! R2 R0 R1 v& r| | ├──27-二叉树获取最小值 .mp4 25.21M
, n2 D: }% g# a6 y+ c| | ├──28-二叉树的添加 .mp4 72.66M8 Q) U4 U, M7 s. U
| | ├──29-二叉树的删除 .mp4 120.06M/ w$ B# e" o; V- `
| | ├──3-线性结构 .mp4 53.14M
4 G0 _7 |; ~" @2 K1 a* [ e| | ├──4-单线链表1 .mp4 68.36M0 o/ [* O8 t1 f
| | ├──5-单链表2 .mp4 221.69M6 d# R/ a9 }( ?, \
| | ├──6-双链表 .mp4 103.57M6 b; ^7 A3 y7 L% s6 G8 a' c2 H
| | ├──7-队列(链式) .mp4 74.12M* \! d C- n# V7 J) ?. a
| | ├──8-队列(线式) .mp4 30.99M K7 U) D3 a' h' Q
| | └──9-栈与双端队列 .mp4 28.12M
" n) D* m3 d: Y' ]2 t9 g├──3--人工智能基础-Python科学计算和可视化
2 s- F( c0 _6 Q3 e) Q9 G/ U| ├──1--科学计算模型Numpy ; B7 ~( T" _8 E6 J% L
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M1 d- k+ D7 l# m" R! U1 [- r; _
| | ├──2-Numpy_array_arange .mp4 35.45M
9 X9 t( U) F8 B+ V, L0 y2 C| | ├──3-Numpy_random随机数生成 .mp4 50.54M
; m! T; B0 {4 r e/ r| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
6 w, x' J+ e5 v$ t( G) {/ s| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
. R, Q" R( ]% E% V- Q s. O( G| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
$ J2 ?$ A+ q+ J9 @2 y| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M6 H4 _8 w0 G# r5 j) |. H4 Z0 E
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
) a8 s$ z7 c7 ]) \7 V( `! r| | └──9-Numpy_聚合函数 .mp4 23.68M
2 Q3 }& m6 `: N/ z) S| ├──2--数据可视化模块 8 }- J J( o/ ^5 G. B% R2 B7 R- |
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
) W" e" b, D4 _0 Y5 { x) d% z! h| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M9 q, M# m9 N6 a, u+ U* I+ P
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M8 M2 w6 S* @8 x7 z
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
- W: v7 P( X0 k7 \& w6 ~' c| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
- q7 Z3 P! {/ c8 Z; j* ^9 G" \! ]| └──3--数据处理分析模块Pandas * b# V5 }/ t5 Z' F
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
3 i4 x2 A! U+ `' N) ^: I, ~| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M" e, a+ N4 N* g
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M/ p8 E: b; G$ I) {, Y! q) k
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M! V5 y+ ~5 ~) }* l$ g4 V
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M N& S6 c% N$ \2 H: B) B1 j i
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
# S7 m7 ]) S# o7 ^1 B0 ?. i| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M& y& [4 N: ]2 w4 ^( W
├──31--【加课】 强化学习【新增】
/ ?, L( K; F4 I) x$ f4 Z| ├──1--Q-Learning与SARSA算法 - @7 i$ L: `) e1 H, i+ K
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M: M5 |, t( `* X3 u, x
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M R4 w3 g$ J6 [3 ^: c
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M+ i9 k7 k! \' B i1 P9 d2 V3 E# N
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
. g( M! b) `- c8 Z& x$ \| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M) X1 A5 }' ~' M1 I6 K6 }+ B
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
[/ a# x, Y5 i+ s& ]9 n" ]: o| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M$ m/ V7 ^9 o8 [ x* t, U5 r
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M" z1 l+ |! n1 u
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
* G' I$ x3 F- t" s: y: w| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
' E% [! E/ c9 h| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
* T* I( `! e2 I# u- \% P| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
- T% V1 ^/ b. [& \" Z6 x5 W| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M8 U+ d8 n- t9 s$ j) Q0 V
| ├──2--Deep Q-Learning Network
8 h) r' r1 K6 e1 }| | ├──1-DQN算法思想 .mp4 59.24M, W, g3 r9 p [; P3 `
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M; S! l+ ]$ g" c' O7 E; g
| | ├──11-DoubleDQN代码实战 .mp4 44.49M; j) N+ c. i8 c9 j
| | ├──12-DuelingDQN .mp4 88.12M3 B/ g+ S1 m& O$ }
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
_7 v$ O2 D, p| | ├──14-计算Action的方差避免风险 .mp4 54.23M
/ Z" I$ b0 N& e+ M$ w| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M0 m0 y% Z4 n$ q+ v5 t3 Q
| | ├──2-DQN算法具体流程 .mp4 56.17M
( w2 e- b5 Y( H% d| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M! n/ k" F- R1 z# e/ I+ s7 z% e0 [
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M1 `, m f- W6 A6 \' f
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M# a! m7 }" f2 E4 D& C c
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
, S" i& M4 X0 [8 o- E| | ├──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
8 J0 [0 h3 Y9 M( \* I, O. q| | ├──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& i( S# \0 ~- J
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
+ y4 _- K# }+ K% f; }8 j| ├──3--Policy Gradient 策略梯度
* A+ n( P5 r' M$ m/ k| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
7 A/ ~ R. I/ _- f0 w+ C* P& p| | ├──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
$ h" |$ |7 G. L| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M! O/ w u. W* u4 |5 p z
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
7 o- A' F, D. W( [4 u! C% 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% x8 |5 P$ j6 Z7 M
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M4 Q2 c5 n0 V# e E# u$ o
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
% U# O$ B- b! w9 r8 {; ]; h3 @5 f' W| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
& X, Z1 I% v& J9 x2 s| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M; s* L" Q9 y3 P" h2 E8 K% ?
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
7 B) T7 S0 z% m- [+ H| ├──4--Actor Critic (A3C)
# g" Z0 w& `' _" R$ ?; E5 y1 q" }| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M( P+ ]6 F- \$ p0 w1 a3 q6 ^
| | ├──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
" D3 L& [2 E3 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
2 E! u! d% K" t5 ]| | ├──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
% {% j h5 U7 u# f$ ?8 P| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
) X. Z, V. N9 s| | ├──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
2 K' I% {3 m3 U: v" J# {* x% P/ ~: V| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M. S( O! | W) |% S2 r% Y
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M) D# T; v% f3 k2 Z# |
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
# ]$ ?, z7 F3 f D7 U| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M" M* i# @* d2 i& w7 P2 m
| | ├──6-A3C架构和训练流程 .mp4 74.66M
5 T# c/ g4 U" A$ G0 d| | ├──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
& q3 U1 A. S$ O7 b| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M/ j2 T+ Y% e3 a; Q; b) _9 g9 `5 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
+ Y3 s' Z6 }% W8 b& o| └──5--DDPG、PPO、DPPO算法
8 p3 E5 o- z7 i M| | ├──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 81.92M3 N' `8 w5 E: u
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
( r4 ?/ W8 G2 I. 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! {" X% l4 a9 o# i- z$ P: i
| | ├──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
D& y1 i, P% i9 _| | ├──13-DPPO分布式PPO .mp4 63.81M
. Y4 l3 \) `4 y| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
8 Y u% w) |+ [' x% O, Y/ Y1 A' B| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M3 f1 V2 ]$ a: x+ m
| | ├──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) E' Q4 ]* U& n- F8 n0 u
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
# D d6 D0 A9 D N' f| | ├──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
1 c: e2 @" }: g- `* E| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M9 ?" Y' t' S$ l& q7 N% i4 s. B" O
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M2 O) u" q2 r: Z
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M/ ~" t8 I& t' T4 i& S6 B- G2 S, h0 y9 v
| | ├──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
7 h r! [0 z) q$ A3 J) o+ z| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M2 C& w' x& F6 P
├──4--人工智能基础-高等数学知识强化 , v4 p! A; J+ ?3 H9 D1 `" m
| ├──1--数学内容概述 2 H( z9 }; Y8 s1 V" a0 x
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M2 m5 x: a6 y$ G5 p
| | ├──2-线性代数_概率论知识点 .mp4 26.81M3 v$ Y E, G o
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
+ [0 z: p3 t: b( U, { F* G3 x| ├──2--一元函数微分学 # B1 K* t1 _3 x
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
, h1 ~2 P$ T1 u; s" R+ U8 w| | ├──2-导数的几何意义和物理意义 .mp4 14.49M* ~& c' h: A1 q. i& V
| | ├──3-常见函数的求导公式 .mp4 22.76M
/ w; ~! z" Y. a& [| | ├──4-导数求解的四则运算法则 .mp4 26.52M
1 r5 b! [) R" u| | ├──5-复合函数求导法则 .mp4 19.68M
, |# o M! i' R( [| | ├──6-推导激活函数的导函数 .mp4 33.40M5 t) `' d4 h3 n; u
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M& D! y( ?0 d) G0 S# z/ ]
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
2 i3 S# L9 o' T6 d| ├──3--线性代数基础
6 N: Y! Y" K! }- v| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
3 i1 k1 p# n% V; s- }% H% }| | ├──10-矩阵的逆矩阵 .mp4 38.54M
/ R# R! I' A3 O0 G, Y5 b! |( U| | ├──11-矩阵的行列式 .mp4 20.13M
+ ^1 I. }: V) M& `/ J| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M% Y0 \# _) k6 j, _
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
. R; k9 U( Z1 w5 P| | ├──4-学习向量计算的用途举例 .mp4 20.32M4 c: _; e8 I+ K6 v) f% E* B R* A
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M5 k0 D8 y* l& t8 F7 Z$ z
| | ├──6-特殊的向量 .mp4 26.45M6 S1 ~9 \4 E& i k' [5 U
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
: Q2 f$ }3 y! f, G$ d5 ?| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
! i% m/ l8 Q9 w* [, C2 o| | └──9-矩阵相乘 .mp4 20.02M1 o6 x- v6 k6 a1 S9 X
| ├──4--多元函数微分学
# n! p' M& g' C- H| | ├──1-多元函数求偏导 .mp4 22.61M( P; E4 ^/ B3 d1 T
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
/ e, }( ?* ?0 @0 g1 ^| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
8 \5 {! j/ a( \, U# g" V$ f4 u| | └──4-Hessian矩阵 .mp4 32.93M" K( C8 p J6 v$ V/ ^: k
| ├──5--线性代数高级
/ E& C/ b6 S$ M6 t| | ├──1-二次型 .mp4 27.70M. ]( E. H, K) r* Z8 P: L/ F- _& L: @. M' D
| | ├──10-SVD用于PCA降维 .mp4 24.90M5 q' }# A# X- o, X6 Y1 Q: @9 |
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
l6 c6 E$ {& l9 ^| | ├──2-补充关于正定负定的理解 .mp4 23.48M1 g3 n1 P6 x9 a! H2 c5 a# k
| | ├──3-特征值和特征向量(1) .mp4 29.83M
: a3 N+ u d% E| | ├──4-特征值和特征向量(2) .mp4 30.07M
- W% |3 F- p7 x- H" N7 M( w5 Z6 K% L5 U| | ├──5-特征值分解 .mp4 38.68M- W8 d* M6 l( m) P
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M2 m1 b* v+ H( B5 G6 m: e5 {
| | ├──7-奇异值分解定义 .mp4 22.58M- d5 Y. ~6 v0 }" W5 T1 ]
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
$ X- g) \8 Y6 p# D1 s3 ?| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M+ \+ {, j: G& w
| ├──6--概率论
( s8 K: |3 C) p5 l9 G6 T| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
! I: w- x% _ I, ^; h: y1 r* J5 ?| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
5 [, s& G6 d& v8 t' d| | ├──3-随机变量 .mp4 22.57M) A% c- X/ ]5 v s
| | ├──4-数学期望和方差 .mp4 22.96M
3 w3 c! i% I- Z L4 y| | ├──5-常用随机变量服从的分布 .mp4 22.48M; `" c! u7 q \ R. P+ S6 s
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
% W% ~4 N8 O; j- @# H| | └──7-最大似然估计思想 .mp4 23.42M
0 G/ Y: ?/ I. e- {| └──7--最优化 % U' {- J) Q! e6 E/ y# _& y1 `
| | ├──1-最优化的基本概念 .mp4 35.14M
/ C; N* P N* j$ u) _! l| | ├──10-拉格朗日函数 .mp4 27.46M
+ {( H6 W7 O) b+ w: v| | ├──2-迭代求解的原因 .mp4 20.15M4 R( q0 s* N" g. o! ]; D! a3 x
| | ├──3-梯度下降法思路 .mp4 26.33M
# y& j" c R, k3 ?( i| | ├──4-梯度下降法的推导 .mp4 43.56M
! Y- h+ }& h; y6 O% K" f. `| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
; E) @, \ C+ n: _* f# c0 r| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M8 t2 S+ R9 C d9 a H- _5 p1 j
| | ├──7-凸集 .mp4 21.90M* V3 s$ W/ c% S
| | ├──8-凸函数 .mp4 16.93M
" c2 z4 ?. }9 v| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
5 R& Q' M! d2 G: u' |3 D├──5--机器学习-线性回归
& l/ e8 [) ~8 a3 H# \| ├──1--多元线性回归
8 ^9 d8 Y5 d# k7 Y| | ├──1-理解简单线性回归 .mp4 51.11M
4 L* s ~: g# p( s4 k+ g, W; ] Y| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
5 K, D5 C3 S; G| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M$ j T o, I2 j& S+ J! `
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
4 o2 L4 C! ?) f# O* w3 b0 e- f| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M. e* D" B- W% Y0 X* b' w
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
6 Q3 X' ~# N2 X% {: J# r| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M2 S+ G% ]; m4 s6 V- t
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
6 s( A4 y9 ?' \. k+ || | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
9 P) c) _' e$ |) C: L6 V% F0 j# B| | ├──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 48.31M1 ~: P5 P7 f1 j# K% O9 n
| | ├──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
5 U( m0 v. N+ ]: q7 w l! ^4 z| | ├──2-最优解_损失函数_MSE .mp4 39.58M
" G- R# N! O% ^& n a) L6 ^* J* I| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
a/ @7 l5 Q( I| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M' [" {% W0 P4 t+ t, U+ ]3 j* e+ m
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
' }, N% j' A. N% C k3 N$ ~: a" Y8 r| | ├──3-扩展到多元线性回归 .mp4 32.15M
% |- N* V# J* q) x1 _| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
. h2 |/ N5 t$ m$ _0 M| | ├──5-理解维度这个概念 .mp4 41.41M* `- d' c( J' \4 x" V) v7 l
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
: i' i: A- m, l' x6 \$ s- U| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M% Z- [+ a2 z7 h1 {
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M4 a( u1 D, Z0 ]) O) Q: p7 V
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
; a5 {& C5 f' M1 o" A| ├──2--梯度下降法 % B$ ]+ F: b* U8 j4 Z9 G
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M w8 M, K! E* L8 X, I; ], P$ B
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M' k6 a0 w3 w$ w
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
1 p+ [$ w4 U" W3 F, d| | ├──12-代码实现随机梯度下降 .mp4 26.67M. B" }2 u# `3 v& M; O
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M4 j& F! ?$ p8 D1 F8 V5 I9 j% e
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M. f) i* G% G; ^4 j) J
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M2 n* K) |8 A2 h$ b/ f' G/ U
| | ├──2-梯度下降法公式 .mp4 57.12M
: P& O* h* r+ u+ i) O| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
# o! z1 ]0 [) b0 U0 o| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M; D5 \5 f- b4 S
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M* b- i( J* X! w6 r1 @
| | ├──6-全量梯度下降 .mp4 62.84M* w6 f2 s0 N4 S3 J4 P
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M; I9 M' ]0 V7 ?, V1 d3 z6 ?1 O
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
2 i+ Q" A/ t3 n9 g# m: k| | └──9-轮次和批次 .mp4 45.22M
1 |: J% X1 c6 S6 c, V5 m* _: }| ├──3--归一化 ' ?; g' f2 \( B. X
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M7 _% A$ z% y+ L g% a/ e
| | ├──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' S* I8 q' ]0 g7 Q6 A) p
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
6 B6 j B) i& a$ \; L3 {| | ├──4-最大值最小值归一化 .mp4 24.87M
& L( a9 x! F0 c0 ]/ Z) b% w+ s: \| | ├──5-标准归一化 .mp4 51.86M D' r- v' S0 B9 R' q x3 u8 c
| | └──6-代码完成标准归一化 .mp4 41.13M
) k( c2 l/ D( _| ├──4--正则化
# y5 ~% g6 \8 m| | ├──1-正则化的目的防止过拟合 .mp4 30.71M5 _ k" p5 N" q3 v8 H6 E( k) ?: ]* Z9 j
| | ├──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 T- J: t* t0 u1 [4 ~
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
/ K1 u! X) a# K( A| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M8 T- E4 I$ W$ N6 I5 V
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M, `; S2 W2 _$ t, @8 ~
| └──5--Lasso回归_Ridge回归_多项式回归 6 _" x/ X% z" E5 T1 ]
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
5 g5 v) q/ _8 `7 j| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
* Q* G- F( n% Y) q: Q| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M W- g3 _9 S, ` u* e: g8 |
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
8 M( S* B# k) j c& l$ f/ ?| | ├──2-代码调用Lasso回归 .mp4 28.73M9 ~. J9 Q9 x# E3 b8 a1 O, Q& c/ F C
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M, N9 u8 C5 X% z3 x/ V, g
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
! g3 A1 a1 c* j4 T; B3 B- v| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
. z) a& e; K# |$ y$ H/ o* ~| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
. k- H* }2 S1 u$ c4 A2 g| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
$ J, \$ X _2 s+ [7 ]! i7 W' K| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M, U& ?$ M8 C: m
| | └──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
+ Z( S7 C- V" v( G├──6--机器学习-线性分类
5 ~1 m) ?3 X7 @% z- V6 ~! P| ├──1--逻辑回归 ; {. i O+ J, o; [8 X/ j! B+ |1 Z/ ]" X
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M- M* N/ k3 ?# K5 \
| | ├──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# H( z- }1 C7 {' e) s6 a/ r5 Y( N" b
| | ├──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
: j: C: j; ~1 i- X1 ?| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
' e+ x* q: x0 }! Y| | ├──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
& ~) X! T( J: o& Q4 Z* x' s" O| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M- K) c `$ ^5 h, T; J# ~
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
: D; x" @& K8 i$ _( T# @| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
1 s: a2 U' L$ L, {7 d1 a. {| | ├──2-sigmoid函数作用 .mp4 38.15M
& n) m9 ?! t" v7 ^' ?9 }5 e| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M. @) S: S1 n8 F, 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
2 E% l I3 Z4 O3 L) _# N% 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
" K# j4 r; |/ L' i2 e( @| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
" O% K c* G4 d; A1 ]& q| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M% c3 h( F# ]2 c+ r
| | ├──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
' q% J: M! s# L| | └──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" V$ o9 M* I+ d( y! n* m
| ├──2--Softmax回归 8 F# `* W9 t; |# g1 `/ w
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
8 m4 \ ^, Z. Z# J| | ├──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+ Z4 k: i0 R* S# y; C! {" 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
2 g4 }2 C& R0 ?* Y0 L0 i! P6 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
# `0 K7 Z2 {+ | H/ K| | ├──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
: H) t [/ V# E- |* w: f3 x| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M B! x6 R" S: _; x2 k7 |
| | ├──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
! A* |2 N2 N* Y( D) P6 Y* `| | ├──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
; w& R, l+ B$ M| | ├──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' U* }) Y, J7 O- D# |/ W
| | ├──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 46.67M0 V; k3 d; x4 f* N9 ]( p n
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
3 [3 l) @4 w3 f, g| | ├──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 52.39M3 }! W9 U+ T- |. t. r+ d0 B
| | └──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, R+ I8 u3 X$ X+ l
| ├──3--SVM支持向量机算法 5 k! K- V7 }0 A
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
4 ]& Q: J$ Z7 s| | ├──2-SVM的思想 .mp4 55.56M* L" o- L5 @* L2 K, M' ?7 R" u
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
J; z8 y- ^2 d# t; `4 B4 {+ ^| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M. X6 Z5 h; S6 l5 Y
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
/ j3 o' Q/ R. E| | ├──6-总结硬间隔SVM .mp4 39.01M4 E% H8 L3 ?8 x! ~# X$ l
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
" B. w- O! F( h' T| | ├──8-非线性SVM .mp4 54.43M
& @% {/ _% ~, G) O! J| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M5 J$ M d$ n0 u9 z5 y" U
| └──4--SMO优化算法
( T" t( L6 U* X5 z7 }$ P| | ├──1-SVM算法流程总结 .mp4 58.36M
8 S* R% I- l! G: {( k| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M. Z3 ~) P# r! A" T* u) p |# C
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
* j" i' Y+ t% {! X* @5 _| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
5 _3 g3 a: Q: H; F1 h| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M+ C0 j, Z" X$ T( m3 l
| | ├──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
; s" s* x# j+ I$ g* N u| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
) G5 h. U6 C0 B3 z0 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
# X A! r- ?6 x5 o, m+ E" B| | ├──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! P( |3 i6 r+ L. ^| | ├──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
+ [0 r: I: R) \8 i2 t# @# E3 d| | ├──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 92.38M1 d' `4 \/ j3 d H/ B& [# R
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
( U2 G' L+ ~ B1 Q$ `2 C| | ├──7-启发式选择两个α .mp4 23.11M; \5 J& U- w) P- J2 e
| | ├──8-如何计算阈值b .mp4 50.18M7 g1 [: }# V5 S3 @& ^: y" n
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M' r N! y6 f% b4 C! j
├──7--机器学习-无监督学习 3 q# N+ Y- A, O" S! _
| ├──1--聚类系列算法
: x+ D5 k; t; Y6 b| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
: s* J+ i! F" v0 e- T! \/ X| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
- h6 S3 c# s! y6 o4 J| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
& m" j1 a6 I! W* G; |1 ^# A| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M! H) o. [4 Y7 F
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
]1 p9 W* C6 `7 o0 P| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M1 e, I- D7 m: s) w7 s: @
| ├──2--EM算法和GMM高斯混合模型
4 `( D( {" W6 ]* {) P! P+ w7 y/ L| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M* o, R3 G; l: c5 {) d
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
4 F, G3 @, W v$ B| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
) ^; L! ^; |2 O' }" ^; j4 U| | ├──4-Jensen不等式的应用 .mp4 109.17M
2 d% j: ^2 ^" r; \| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M9 P* @6 b& M8 m" q+ J! `
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M+ S) j" E/ G1 n l( u$ {. j$ ^1 F
| | ├──7-GMM前景背景分离 .mp4 16.01M* u# R9 c2 E, E$ v& s: ~2 Y
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
% k/ t. n- D; Z| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M$ ~( x9 W7 b; `: y3 g% t4 [$ u
| └──3--PCA降维算法 / x' y. o. J, J4 m' k
| | ├──1-特征选择与特征映射 .mp4 49.38M8 K% F: Y8 P& Z3 {1 `. Q
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M% n0 p- k4 H" [3 v
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M( v! Q: R# ~" B( K/ Y
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M$ W7 p; u/ T2 V( ^& W
| | └──5-PCA的几种应用 .mp4 54.58M+ H" b! X6 s+ U( u
├──8--机器学习-决策树系列 ; m- A- I- m' E1 U! p+ _
| ├──1--决策树
( M6 X7 M* D C# D$ E# {+ \| | ├──1-决策树模型的特点 .mp4 74.88M
3 T+ E7 V+ n8 n, s| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M4 c4 Y- ]7 N8 W7 q P
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M* d9 `6 C4 Z8 s# V$ ]6 p8 v
| | ├──12-后剪枝的意义 .mp4 50.49M. R" s: m8 J2 [
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M" Z2 y- E$ W4 a+ k9 g
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
% o5 z7 i" G) b" n k| | ├──2-决策树的数学表达 .mp4 89.94M" \% { e" N s1 b: _
| | ├──3-如何构建一颗决策树 .mp4 84.87M0 {% g, w) E: t8 O! Z0 R x6 g; B t
| | ├──4-什么是更好的一次划分 .mp4 57.02M7 |4 `2 h& O* b! u% \
| | ├──5-Gini系数 .mp4 107.54M( p4 F; \1 b3 S# `2 ~3 H
| | ├──6-信息增益 .mp4 75.26M
) N6 n% T/ i# b4 Z| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M2 F6 Y. t+ A) F2 p9 F
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M) {$ `$ _- h. K0 ^; [
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
K0 a7 E1 N2 z; G8 \+ {| ├──2--集成学习和随机森林
5 k) B$ J5 @6 i; J* ]| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
& P L, ?5 T4 p- N" @; A: {| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M' Q+ |' M' r( {( N, y7 O4 n
| | ├──3-随机森林 .mp4 108.14M
' @! X) X1 p. @0 } w| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
3 C) m. p; z6 ]/ G3 r/ R! F1 o$ i' T0 J0 {| | ├──5-OOB袋外数据 .mp4 106.07M
* o' V3 b: @$ Y. _) Y0 t/ p3 O! B| | ├──6-Adaboost算法思路 .mp4 106.30M. E$ \2 ~" }: \
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M$ x5 K+ _ R4 b- j
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
2 u9 A9 ^ z( l6 ^; T! F3 m| ├──3--GBDT 2 {1 Q, Y \$ A3 n% f& b
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M' Y! |, f( X2 k7 }
| | ├──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( n- K! c S5 {( Q* i9 \ ]
| | ├──11-GBDT多分类流程 .mp4 73.80M
5 i/ U. p P) c6 H8 k d| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M4 `+ b% e" `& |4 m, H" R' R
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M* P" u4 h; d5 e1 \: d; i c: w
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
$ M' W8 Y7 I; J# }) l| | ├──15-GBDT二分类举例详解 .mp4 86.67M5 f6 W/ h% E8 `" t4 F7 G$ e
| | ├──16-GBDT多分类举例详解 .mp4 91.71M$ I1 p9 j& p: ~
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M$ @* \8 S, I/ a" O P* A# O
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
' \' l: ^, s, d+ C% m| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
# m: X9 }, U0 U0 _| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
/ h$ b; z, u4 M- q( W* l9 e/ A| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
% } [3 |, C5 i) `7 T| | ├──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" q- ~$ W4 e- k
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M& |/ A J2 ~' Y4 U* Z
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
; J% u4 l) S# w" c8 @3 a| | ├──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
0 I& \' K% l0 R5 i, b) `) d" e# I! P| | ├──4-GBDT应用于回归问题 .mp4 84.66M( n5 q6 {3 G% }; G" N9 g
| | ├──5-GBDT回归举例_总结 .mp4 108.52M2 P; D# i# s" `" h4 @
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
' b5 X' p8 r( V) v! g* u| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M( R4 E9 v! I1 w
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
- a2 S* X; P) T& j% ~" |& F| | └──9-GBDT应用于多分类任务 .mp4 73.34M! c, C+ o, F8 P v1 \: b" q$ o
| └──4--XGBoost 7 y$ i9 c" G1 _ E: U
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
5 z6 S4 R7 {6 v' X| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M6 B3 O( ]+ D" d: x4 v' l, G+ k, i. `: w
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M h+ V8 K; r2 A. [
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M1 J5 S8 x+ T: ^" X0 Q/ _
| | ├──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
6 o1 D, {7 W2 P, d1 y' ^5 `+ ~| | ├──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
- Z: H4 w% Y+ n, i- @; {| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
+ n: f& t5 X w| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
. l- A6 a. I* d| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
, S* r; z4 W S/ f: f8 @| | ├──2-Bias_Variance_Trade-off .mp4 66.00M( w$ c! M7 Q0 {
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
5 ^4 c) ]9 R+ `2 ]% G6 j| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M2 t P8 r) G! W* Y/ G, K
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
: h5 d/ P) {8 _* K| | ├──6-Objective_vs_Heuristic .mp4 60.42M
7 y- v" _6 S* Z: X| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
. [% o; e/ W- v ~* U# M| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M! D, a J; t6 q$ g/ i& V" o7 i
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M5 l3 K7 d4 P, U2 V9 y+ S. L
├──9--机器学习-概率图模型 / g* {: `! w! ~9 g
| ├──1--贝叶斯分类
( A9 v# O* ?) ~) t& d: m7 O| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
7 A7 }+ [5 Z, s& W! h9 j| | ├──2-TF-IDF .mp4 53.08M$ d& t8 D# z9 J* h
| | ├──3-NB代码实现解析 .mp4 126.73M1 D) X: _1 Z6 T4 i3 D1 Y& \
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
: G6 ^' m8 o: r' x3 t5 h* f% || | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M0 q) E7 u9 z% G5 D) R) \
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
% h Q% Y+ _) A; G, X| ├──2--HMM算法
/ R, ^. n3 z3 Z( U: L| | ├──1-HMM隐马的定义 .mp4 36.82M/ q! ^, \' W4 `6 ~' C
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M1 x( V1 ?# Y, ^2 h1 ?
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M+ y( H8 s/ A3 @* `' \6 H
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M* q2 F. v) Z$ V" w
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
7 S' m/ f; ?& A| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
- k. y+ A. v A8 p0 C: Y7 ]| | ├──7-Viterbi算法案例详解 .mp4 107.12M+ E. C) {* V! w' w; `, _7 p
| | └──8-Viterbi算法代码实现 .mp4 42.43M; C8 O8 Y. z; d* X, y* ?
| └──3--CRF算法 # Q: }* {; D& s- K
| | ├──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; d c2 L8 v8 M) }
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M* p$ ?! b& ^0 v) C0 o; G% {7 `
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
% r6 C/ ^) F, [| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
; N9 C- {$ ?. b1 z| | ├──5-CRF的目标函数 .mp4 23.74M0 U9 m/ V) U" c. [4 @
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
% W& i8 G" q, U( L| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
" j) P( x; Y- M0 ~| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
' B" [& n" O, A7 h( F7 c└──课件.zip 2.54kb; O( L/ @ k- Z! P. p+ a* v
9 q P2 c+ n: L
# u' `/ M: j2 t( r1 X/ P7 s
永久至尊VIP回复即可下载学习,非至尊VIP暂不支持下载此资源!
9 u# ~/ F- m0 e, ^1 f! t
4 P# F( n* w" S& h3 `, C/ `; y* [4 s( o3 |& \4 j1 F
|