百战-AI算法工程师就业班2022年(完结）

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
|   |   ├──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
|   |   └──4-人工智能在各领域的应用 .mp4  57.73M
|   └──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  89.62M
|   |   ├──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
|   |   └──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  21.12M
|   |   ├──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
|   |   ├──6-模型的训练_评估 .mp4  66.64M
|   |   └──7-kaggle竞赛网站学习 .mp4  172.16M
|   └──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  85.63M
|   |   ├──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
|   |   ├──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
|   |   ├──6-MLlib对网页分类竞赛数据预处理 .mp4  102.96M
|   |   ├──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
|   |   └──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  
|   ├──1--Spark计算框架基础  
|   |   ├──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  69.39M
|   |   ├──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
|   |   ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4  41.91M
|   |   ├──2-Spark特性_02 .mp4  35.15M
% U2 s' u; ^7 ^& g6 P|   |   ├──3-Spark对比hadoop优势 .mp4  19.34M
|   |   ├──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  46.22M
|   |   ├──6-分布式计算框架Shuffle的原理_02 .mp4  44.94M
|   |   ├──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  33.41M
|   ├──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
|   |   ├──10-讲解构建稀疏和稠密向量_01 .mp4  80.62M
|   |   ├──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  111.08M
|   |   ├──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
|   |   ├──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  28.03M
|   |   ├──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  71.40M
|   |   └──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  
|   |   ├──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  84.62M
|   |   ├──16-模型的训练以及评估和调超参_2 .mp4  88.90M
|   |   ├──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  169.53M
|   |   ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4  143.99M
|   |   ├──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
|   |   ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4  99.25M
|   |   ├──26-SparkML网页分类案例代码实战续（3） .mp4  9.82M
|   |   ├──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
|   |   ├──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
├──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  88.31M
|   |   ├──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
|   |   ├──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  60.51M
|   |   ├──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  
|   |   ├──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
|   |   ├──11-MLlib调用算法计算模型文件并存储_3 .mp4  107.32M
|   |   ├──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
|   |   ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4  116.88M
|   |   ├──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
|   |   ├──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  98.49M
|   |   ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4  90.57M
|   |   ├──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  119.95M
├──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
|   |   ├──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
|   |   ├──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
|   |   ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4  90.57M
|   |   ├──7-sklearn中NN模型的代码使用 .mp4  123.62M
|   |   ├──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  155.50M
|   ├──2--TensorFlow深度学习工具  
|   |   ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4  68.65M
|   |   ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4  74.12M
|   |   ├──3-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
|   |   ├──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  132.73M
|   └──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  86.47M
|   |   ├──2-反向传播推导(一) .mp4  127.90M
|   |   ├──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
|   |   └──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
|   |   ├──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
|   |   ├──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
|   |   ├──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  64.09M
|   |   └──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  
|   |   ├──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  121.41M
|   |   ├──11-Optimizer_Adam .mp4  141.12M
|   |   ├──2-Dropout技术点思想和运用 .mp4  113.94M
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4  166.97M
|   |   ├──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  66.75M
|   |   ├──8-BatchNormalization .mp4  99.23M
|   |   └──9-Mobilenet网络架构 .mp4  150.05M
|   ├──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  120.81M
|   └──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
|   |   ├──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  247.99M
├──15--深度学习-图像识别项目实战  
|   ├──1--车牌识别  
|   |   ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4  83.16M
|   |   ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4  86.40M
|   |   ├──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
|   |   └──5-车牌识别项目关于目标检测的问题 .mp4  39.48M
|   ├──2--自然场景下的目标检测及源码分析  
|   |   ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4  116.49M
|   |   ├──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
|   |   ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4  100.30M
|   |   ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4  165.71M
|   |   ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4  43.58M
|   |   ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4  46.68M
|   |   ├──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
|   |   ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4  100.02M
|   |   ├──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  53.41M
|   |   ├──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
|   |   ├──3-FasterRCNN项目代码_数据增强 .mp4  71.78M
|   |   ├──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
|   |   └──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  
|   |   ├──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
|   |   ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4  75.40M
|   |   └──4-图片风格融合项目_架构_代码实现要点_4 .mp4  86.94M
├──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  
|   |   ├──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  215.92M
|   |   ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4  253.21M
|   |   └──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-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
|   |   ├──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
|   |   └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4  183.51M
|   ├──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
|   |   ├──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
|   |   ├──3-YOLOv3论文详解_总结_FocalLoss .mp4  147.48M
|   |   ├──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
|   ├──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
|   |   ├──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
|   |   ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4  86.53M
|   |   ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4  144.69M
|   |   └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4  316.56M
|   └──5--YOLOv4详解  
|   |   ├──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  19.46M
|   |   ├──2-上采样_repeat .mp4  23.90M
|   |   ├──3-线性插值 .mp4  34.48M
|   |   ├──4-双线性插值 .mp4  125.71M
|   |   ├──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  
|   |   ├──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
|   |   ├──3-MaskRCNN网络架构回顾 .mp4  151.34M
|   |   ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4  239.08M
|   |   ├──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  
|   ├──1-人脸识别任务种类_具体做法思路 .mp4  40.67M
|   ├──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  66.61M
|   ├──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  44.25M
|   ├──15-FaceNet论文_TripleLoss损失函数 .mp4  63.78M
|   ├──16-FaceNet论文_TripleSelection很至关重要 .mp4  131.75M
|   ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4  59.21M
|   ├──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
|   ├──4-MTCNN论文_摘要和介绍 .mp4  68.50M
|   ├──5-MTCNN论文_网络整体架构 .mp4  76.57M
|   ├──6-PRelu_每阶段输出多分支意义 .mp4  56.12M
|   ├──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
|   ├──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
|   |   ├──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
|   |   ├──5-Skip-gram模型思想和计算过程 .mp4  44.35M
|   |   ├──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
|   ├──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  122.64M
|   |   ├──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
|   |   ├──5-VanillaRNN的回顾复习 .mp4  123.51M
|   |   ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4  44.24M
|   |   ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4  35.32M
|   |   ├──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  23.04M
|   ├──3--从Attention机制到Transformer  
|   |   ├──1-Seq2Seq中Attention注意力机制 .mp4  87.67M
|   |   ├──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
|   |   ├──2-BERT理论 .mp4  99.73M
/ `( P; j3 U4 D% r2 z|   |   └──3-ERNIE_GPT .mp4  56.34M
├──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  
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   └──7-关联虚拟环境运行代码 .mp4  38.14M
|   └──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
|   |   ├──10-Python_集合操作_列表 .mp4  34.71M
|   |   ├──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
|   |   ├──14-Python_集合操作_字典和常见操作 .mp4  38.01M
|   |   ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4  22.40M
|   |   ├──16-Python_os模块_shutil模块 .mp4  51.54M
|   |   ├──17-Python_打开并读取文件_中文编码问题 .mp4  58.82M
|   |   ├──18-Python_函数_定义_调用_返回值_注释 .mp4  23.77M
|   |   ├──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
|   |   ├──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
|   |   ├──24-Python_函数_闭包 .mp4  41.61M
|   |   ├──25-Python_函数_装饰器 .mp4  30.35M
|   |   ├──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  38.35M
|   |   ├──28-Python_类对象_内置方法 .mp4  29.17M
|   |   ├──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
|   |   ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4  24.66M
|   |   ├──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
|   |   ├──6-Python_控制语句_嵌套循环 .mp4  36.15M
|   |   ├──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
|   |   └──9-Python_数据类型 .mp4  25.38M
├──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  
|   |   ├──1-回顾了词向量里面训练的Topology .mp4  121.72M
|   |   ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4  96.76M
|   |   ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4  82.29M
|   |   ├──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
|   |   ├──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  52.29M
|   |   ├──5-代码讲解_02 .mp4  60.85M
/ D( @. `2 o+ s|   |   ├──6-代码讲解_03 .mp4  53.89M
|   |   ├──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
|   ├──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  
|   |   ├──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  
|   |   ├──1-回顾了一下CRF训练和使用过程 .mp4  73.72M
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   ├──6--BERT新浪新闻10分类项目  
|   |   └──1-BERT新浪新闻10分类项目 .mp4  104.54M
|   └──7--GPT2聊天机器人  
- H* |8 g# {( \# E: s|   |   └──1-GPT2闲聊机器人 .mp4  62.28M
├──21--深度学习-OCR文本识别  
|   ├──1-传统OCR识别_深度学习OCR识别 .mp4  369.94M
|   ├──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
|   ├──5-CTC损失函数的理解 .mp4  330.64M
|   ├──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
|   └──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  
|   |   ├──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
|   |   └──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  55.14M
|   |   ├──2-修改Tensor的形状_索引操作 .mp4  76.51M
|   |   ├──3-广播机制_逐元素操作 .mp4  44.46M
|   |   └──4-归并操作_比较操作_矩阵操作 .mp4  59.39M
|   ├──3--PyTorch卷积神经网络_实战CIFAR10  
|   |   ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4  83.93M
|   |   ├──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
|   |   ├──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
|   |   ├──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  67.71M
|   ├──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
|   |   ├──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  11.67M
|   └──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
|   |   ├──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  59.08M
|   |   ├──7-PyTorch中英文翻译_评估模型函数 .mp4  56.52M
|   |   └──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】  
|   ├──1--PaddlePaddle框架安装_波士顿房价预测  
|   |   ├──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  84.10M
|   |   └──4-预测病理性近视_调用经典卷积神经网络 .mp4  91.83M
|   ├──3--PaddleDetection工具_PCB电路板缺陷检测  
|   |   ├──1-PaddleDetection_项目配置 .mp4  82.88M
|   |   ├──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
|   |   ├──5-PCB电路板缺陷检测_项目配置文件 .mp4  42.77M
|   |   ├──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  51.73M
|   ├──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  69.65M
|   |   ├──2-车牌识别项目_详解数据准备阶段代码 .mp4  42.93M
|   |   ├──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
|   |   ├──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  75.61M
|   ├──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
|   |   ├──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
|   |   ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4  51.88M
|   |   ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4  48.53M
|   |   ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4  47.34M
|   |   └──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）  
|   |   ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4  49.47M
|   |   ├──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
├──26--【加课】Linux 环境编程基础  
|   └──1--Linux  
, d$ f( s& O  z4 o0 v|   |   ├──1-Linux_课程介绍 .mp4  3.72M
|   |   ├──10-Linux_常用命令_clear、touch、cat命令 .mp4  10.13M
|   |   ├──11-Linux_常用命令more、head、tail命令 .mp4  16.32M
|   |   ├──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
|   |   ├──14-Linux_常用命令_rm、mv命令 .mp4  31.83M
|   |   ├──15-Linux_常用命令_vi、vim .mp4  30.63M
|   |   ├──16-Linux_常用命令_reboot、halt .mp4  4.75M
|   |   ├──17-Linux_常用配置_设置时区 .mp4  28.84M
|   |   ├──18-Linux_常用配置_启动网络 .mp4  15.64M
|   |   ├──19-Linux_常用配置_修改网段 .mp4  12.83M
, L! |) ?; z! ^|   |   ├──2-Linux_Linux简介 .mp4  17.59M
|   |   ├──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  20.92M
|   |   ├──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
|   |   ├──8-Linux_常用命令_cd命令 .mp4  8.15M
|   |   └──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  
|   |   ├──1-数据结构与算法简介 .mp4  35.68M
|   |   ├──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
|   |   ├──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
|   |   ├──14-递归与栈 .mp4  50.77M
|   |   ├──15-线性查找 .mp4  57.80M
|   |   ├──16-二分查找 .mp4  52.32M
|   |   ├──17-冒泡排序 .mp4  53.19M
|   |   ├──18-选择排序 .mp4  43.29M
/ Z, c7 d! b( C% v3 U|   |   ├──19-插入排序 .mp4  31.39M
|   |   ├──2-大O表示法 .mp4  25.59M
|   |   ├──20-归并排序 .mp4  84.48M
|   |   ├──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
|   |   ├──24-最大堆的增加操作 .mp4  45.43M
|   |   ├──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  72.66M
|   |   ├──29-二叉树的删除 .mp4  120.06M
|   |   ├──3-线性结构 .mp4  53.14M
4 G0 _7 |; ~" @2 K1 a* [  e|   |   ├──4-单线链表1 .mp4  68.36M
|   |   ├──5-单链表2 .mp4  221.69M
|   |   ├──6-双链表 .mp4  103.57M
|   |   ├──7-队列(链式) .mp4  74.12M
|   |   ├──8-队列(线式) .mp4  30.99M
|   |   └──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  
|   |   ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4  39.89M
|   |   ├──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  28.34M
|   |   ├──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  
|   |   ├──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  37.73M
|   |   ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4  52.15M
|   |   ├──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  
|   |   ├──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
|   |   ├──3-Python_Pandas_获取Series对象的值 .mp4  22.41M
|   |   ├──4-Python_Pandas_获取DataFrame对象的值 .mp4  28.31M
|   |   ├──5-Python_Pandas_条件过滤 .mp4  24.66M
|   |   ├──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
├──31--【加课】 强化学习【新增】  
/ ?, L( K; F4 I) x$ f4 Z|   ├──1--Q-Learning与SARSA算法  
|   |   ├──1-强化学习通过智能体与环境交互进行学习 .mp4  81.83M
|   |   ├──10-代码实战Q-Learning智能体训练模型 .mp4  40.30M
|   |   ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4  45.38M
|   |   ├──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
|   |   ├──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
|   |   ├──4-蒙特卡洛采样回溯计算V值 .mp4  74.25M
|   |   ├──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  38.39M
|   ├──2--Deep Q-Learning Network  
8 h) r' r1 K6 e1 }|   |   ├──1-DQN算法思想 .mp4  59.24M
|   |   ├──10-DoubleDQN缓解over-estimate .mp4  44.14M
|   |   ├──11-DoubleDQN代码实战 .mp4  44.49M
|   |   ├──12-DuelingDQN .mp4  88.12M
|   |   ├──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  65.35M
|   |   ├──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
|   |   ├──4-代码实战DQN_Agent和Env整体交互 .mp4  52.25M
|   |   ├──5-代码实战DQN_构建Q网络 .mp4  70.52M
|   |   ├──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
|   |   └──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
|   |   ├──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
|   |   ├──5-策略梯度PG_讲解CartPole环境 .mp4  55.59M
|   |   ├──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
|   |   └──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
|   |   ├──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
|   |   ├──3-代码实战_ActorCritic与环境交互 .mp4  82.51M
|   |   ├──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
|   |   ├──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
|   |   └──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  81.92M
|   |   ├──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
|   |   ├──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  54.72M
|   |   ├──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
|   |   ├──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  63.92M
|   |   ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4  38.45M
|   |   ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4  35.49M
|   |   ├──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  61.79M
├──4--人工智能基础-高等数学知识强化  
|   ├──1--数学内容概述  
|   |   ├──1-人工智能学习数学的必要性_微积分知识点 .mp4  28.76M
|   |   ├──2-线性代数_概率论知识点 .mp4  26.81M
|   |   └──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  
|   |   ├──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
|   |   ├──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  33.40M
|   |   ├──7-高阶导数_导数判断单调性_导数与极值 .mp4  21.95M
|   |   └──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
|   |   ├──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  20.32M
|   |   ├──5-向量的范数_范数与正则项的关系 .mp4  32.40M
|   |   ├──6-特殊的向量 .mp4  26.45M
|   |   ├──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  20.02M
|   ├──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
|   |   ├──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
|   ├──5--线性代数高级  
/ E& C/ b6 S$ M6 t|   |   ├──1-二次型 .mp4  27.70M
|   |   ├──10-SVD用于PCA降维 .mp4  24.90M
|   |   ├──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  23.48M
|   |   ├──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
|   |   ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4  44.77M
|   |   ├──7-奇异值分解定义 .mp4  22.58M
|   |   ├──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
|   ├──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
|   |   ├──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
|   |   ├──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  
|   |   ├──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  20.15M
|   |   ├──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  23.90M
|   |   ├──7-凸集 .mp4  21.90M
|   |   ├──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
|   |   ├──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
|   |   ├──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  61.07M
|   |   ├──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  48.31M
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──8-引入正太分布的概率密度函数 .mp4  26.54M
|   |   └──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  
|   |   ├──1-梯度下降法产生的目的和原因以及思想 .mp4  59.45M
|   |   ├──10-代码实现全量梯度下降第1步和第2步 .mp4  25.70M
|   |   ├──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
|   |   ├──13-代码实现小批量梯度下降 .mp4  27.32M
|   |   ├──14-代码改进保证训练数据全都能被随机取到 .mp4  40.28M
|   |   ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4  39.24M
|   |   ├──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
|   |   ├──5-多元线性回归下的梯度下降法 .mp4  43.27M
|   |   ├──6-全量梯度下降 .mp4  62.84M
|   |   ├──7-随机梯度下降_小批量梯度下降 .mp4  47.62M
|   |   ├──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  
|   |   ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4  63.62M
|   |   ├──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
|   |   ├──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
|   |   └──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  30.71M
|   |   ├──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
|   |   ├──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  51.64M
|   |   └──5-通过L1和L2的导函数理解区别的本质原因 .mp4  55.58M
|   └──5--Lasso回归_Ridge回归_多项式回归  
|   |   ├──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
|   |   ├──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  28.73M
|   |   ├──3-代码调用ElasticNet回归 .mp4  53.67M
|   |   ├──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
|   |   └──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  
|   |   ├──1-逻辑回归_Sigmoid函数 .mp4  21.14M
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   ├──2--Softmax回归  
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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  52.39M
|   |   └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4  25.13M
|   ├──3--SVM支持向量机算法  
|   |   ├──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
|   |   ├──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
|   |   ├──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  39.01M
|   |   ├──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  144.30M
|   └──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
|   |   ├──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
|   |   ├──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  92.38M
|   |   ├──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
|   |   ├──8-如何计算阈值b .mp4  50.18M
|   |   └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4  73.44M
├──7--机器学习-无监督学习  
|   ├──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
|   |   ├──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  264.04M
|   ├──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
|   |   ├──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  157.57M
|   |   ├──6-将EM算法应用到GMM中并且推导出Π的公式  .mp4  44.12M
|   |   ├──7-GMM前景背景分离  .mp4  16.01M
|   |   ├──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
|   └──3--PCA降维算法  
|   |   ├──1-特征选择与特征映射  .mp4  49.38M
|   |   ├──2-PCA的最大投影方差思路  .mp4  186.75M
|   |   ├──3-最大投影方差推导_最小投影距离思路  .mp4  115.67M
|   |   ├──4-SVD其实就可以去实现PCA了  .mp4  92.97M
|   |   └──5-PCA的几种应用  .mp4  54.58M
├──8--机器学习-决策树系列  
|   ├──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  97.10M
|   |   ├──11-代码训练回归树拟合SineWave  .mp4  93.81M
|   |   ├──12-后剪枝的意义  .mp4  50.49M
|   |   ├──13-CCP代价复杂度后剪枝  .mp4  130.67M
|   |   ├──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
|   |   ├──3-如何构建一颗决策树  .mp4  84.87M
|   |   ├──4-什么是更好的一次划分  .mp4  57.02M
|   |   ├──5-Gini系数  .mp4  107.54M
|   |   ├──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  118.18M
|   |   ├──8-预剪枝以及相关超参数  .mp4  127.06M
|   |   └──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
|   |   ├──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
|   |   ├──7-调整数据权重让权重正确率达到50%  .mp4  66.83M
|   |   └──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  
|   |   ├──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
|   |   ├──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
|   |   ├──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  60.80M
|   |   ├──13-GBDT二分类叶子节点分值计算推导  .mp4  73.96M
|   |   ├──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  86.67M
|   |   ├──16-GBDT多分类举例详解  .mp4  91.71M
|   |   ├──17-计算特征重要度进行特征选择  .mp4  54.87M
|   |   ├──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
|   |   ├──22-GBDT+LR架构训练模型代码实现  .mp4  88.40M
|   |   ├──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
|   |   ├──5-GBDT回归举例_总结  .mp4  108.52M
|   |   ├──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
|   |   ├──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
|   └──4--XGBoost  
|   |   ├──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  77.70M
|   |   ├──11-由每个叶子节点重组目标函数Obj  .mp4  68.56M
|   |   ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj  .mp4  72.32M
|   |   ├──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
|   |   ├──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  93.39M
|   |   ├──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
|   |   └──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
├──9--机器学习-概率图模型  
|   ├──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
|   |   ├──3-NB代码实现解析  .mp4  126.73M
|   |   ├──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  107.12M
|   |   └──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
|   |   ├──2-HMM隐马的三组参数_三个基本问题  .mp4  104.28M
|   |   ├──3-HMM预测问题使用前向算法  .mp4  44.33M
|   |   ├──4-HMM预测问题使用维特比算法  .mp4  33.43M
|   |   ├──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
|   |   └──8-Viterbi算法代码实现  .mp4  42.43M
|   └──3--CRF算法  
|   |   ├──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
|   |   ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑  .mp4  71.88M
|   |   ├──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  23.74M
|   |   ├──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


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

游客，如果您要查看本帖隐藏内容请回复