战-人工智能2022/
) ~: i ] x9 y8 \8 x+ E* I├──1--人工智能基础-快速入门
! @, |+ p4 _: {6 {& r( w| ├──1--人工智能就业、薪资、各行业应用
6 |' y* A$ I( O, I+ o8 F7 C| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
) g5 b+ q# P- J1 u$ u* S| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M/ s; J% T$ k! ], y2 g) L# [
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
5 w- O$ r: d. E" \| | └──4-人工智能在各领域的应用 .mp4 57.73M
1 W" L# I9 I/ M" q- A4 y7 T* ?| └──2--机器学习和深度学习、有监督和无监督 ; L( o. f5 [9 ]$ q& Z4 D
| | ├──1-人工智能常见流程 .mp4 89.62M
/ G* y, ~# e9 x- J6 h9 H# a7 `4 o, n| | ├──2-机器学习不同的学习方式 .mp4 83.51M& I# u, s% `) E0 I! M
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M+ R: P: A1 \6 @- w# ?2 R
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
' v) j1 S, t, q! s/ v| | └──5-无监督机器学习任务与本质 .mp4 50.15M, S" h& g( X- u; W0 O0 V* G
├──10--机器学习与大数据-Kaggle竞赛实战
! g9 @7 J6 Q" B5 p5 k& }2 Z) ?| ├──1--药店销量预测案例
9 S2 D& {) p: H' Y| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M9 l T9 k7 U K- P
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M- {& ?! G! S. G. ]" f. c
| | ├──3-自定义损失函数 .mp4 21.12M
8 \% n+ G- a. k( ^. A4 k- L| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
- t& K; D ^, ]. V| | ├──5-数据的预处理 .mp4 111.81M
: h9 d7 P, a( |. K| | ├──6-模型的训练_评估 .mp4 66.64M% z; K# B/ q; `1 ^* o+ L
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
% G Y" Z! V9 Q1 l) D- z' J% z: u6 g| └──2--网页分类案例
5 c G& j9 @6 ^: H3 T) c| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M/ } C+ s$ ~0 B7 G
| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M
& `( _. u6 x3 o| | ├──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
$ k& d, u' |# n, m| | ├──12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp4 74.74M( h! ]+ X! x% \/ S5 x% H. s
| | ├──2-评估指标ROC和AUC .mp4 56.19M& H* M1 f6 s4 _6 R
| | ├──3-评估指标ROC和AUC .mp4 49.03M
: P+ k2 v# l8 L, `6 U: Y/ i. `1 N| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
- q8 w. B0 H$ l& w: B- k& q+ D7 p| | ├──5-数据导入 .mp4 68.41M- e2 R' d. R1 N7 c% m; p
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
& O. Z: u3 s: B1 U| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
3 y; k" \' j7 t* L6 J8 \* A| | ├──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* p$ n# p3 f1 }7 y( P& p7 v4 B# y
| | └──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
; n( i* y, g9 q- W$ C8 X. j% z├──11--机器学习与大数据-海量数据挖掘工具
, i+ s& G9 d) O# Z| ├──1--Spark计算框架基础
8 h# K/ c9 m3 x| | ├──1-Spark特性_01 .mp4 41.68M
0 c4 W& Q! ]; _1 m| | ├──10-分布式计算所需进程 .mp4 26.30M9 F3 X) e0 {. Y5 A: Z
| | ├──11-两种算子操作本质区别 .mp4 56.31M
5 _7 s; C5 n& d: ^9 y1 U5 H P| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M& `& V1 ~8 t7 B) U
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
$ B; l) T) X# I" Z| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M2 D& g: n; |% I: s
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
7 ]+ Z1 @/ z+ }1 x| | ├──2-Spark特性_02 .mp4 35.15M
( a# D: P. L* L3 K| | ├──3-Spark对比hadoop优势 .mp4 19.34M! s( e! C/ J6 D# C
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M n- Y/ \+ l7 D9 \) k
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
2 x( M" Z5 P3 l) I| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M7 D ?( t9 v _
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M2 i, A1 e1 J+ z6 {+ f$ d$ Y/ d' [5 D
| | ├──8-Spark的RDD特性_01 .mp4 33.08M* ~( E; s' u$ w) h9 p
| | └──9-Spark的RDD特性_02 .mp4 33.41M
1 v: b1 E' e y| ├──2--Spark计算框架深入 ! E# U% P) u0 W7 _& A! H9 t9 F) ~2 \( E
| | ├──1-Spark数据缓存机制 .mp4 54.43M
1 C( |& S, _5 Q| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M& q0 N$ G! l e4 \* f8 {: n8 f
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
' Q& ]1 q8 K) z$ | f6 b( d( V V| | ├──12-构建LabeledPoint .mp4 111.08M% |! h- J: J1 ^$ Q5 J$ [" h+ j0 P
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M+ e/ b! V2 x: z1 a7 p$ S' N
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
3 ~/ O. Q9 |/ W$ v) ~, S4 U9 ^| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M' t2 x& T: P6 m' V9 b: e
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
. i; M# b; N- F| | ├──5-Spark术语总结 .mp4 89.66M
1 Z- r; ?4 A3 o( ^2 d! Y8 E0 ~- [| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M7 k; |6 v8 c) L; r9 I
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M, z( A; j, G: T/ R" j; ?" M
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
7 k5 ]$ h3 x$ B( S/ J5 y| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M# n' L9 W4 M9 B; w" ?& M0 N. S
| └──3--Spark机器学习MLlib和ML模块 . L- Y2 O2 J, B6 r3 f' T. H( H
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
; } u" K! y9 s. X* W8 [| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M' Q" e6 W8 q' l! N3 X1 C
| | ├──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
" `# C, Y' d$ f& Y0 k% S* y5 V' g* K| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M9 z/ C/ s$ k% _' v
| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M4 X* g& [! J3 i4 e$ S* [" M* c/ _
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M1 `$ d' q! q" H; U8 U! m
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
" c8 g4 y: C+ X/ Q| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
3 t1 C! ^( p8 ] d3 @' v# J| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M% e6 i1 ]9 i3 ]' s" Q# D, A0 l
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
3 F: D1 S, K3 t: R| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
8 M: M$ `$ @; G+ q| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M8 N: T9 ?8 A Z: v5 O; p
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
4 q2 J3 k& {& \| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M# s# a9 h# D; U0 B) y+ l
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M0 F+ a9 W6 ?! S# i% U! g3 H8 G
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
4 L, x. c! h: O: Z, ]: P" Z| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M" G0 `5 j4 n' ?4 ^
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M4 ~% L. U7 M9 V
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
: Y7 o: G& L6 b* P/ r: H& ?# K| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
& R/ ?- }( j( B8 Y$ E| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M5 v4 `' i# B+ b' X: ]
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M/ _" h5 k6 X, H. I# N
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M" U& c% d* L! O4 X9 W, F& Q0 w
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M& v& m( q/ u' p; v, D, C0 }1 V. Z
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
1 x0 _- B) E. C/ E" K r| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M$ @1 d- `8 s* H' g
├──12--机器学习与大数据-推荐系统项目实战 $ l' b( Z! a7 B# v: s8 O0 a) g
| ├──1--推荐系统--流程与架构 5 ?& p" @9 O! A" {) i" T: ~! B
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M _( Q D9 p7 ?1 O
| | ├──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
$ k1 e5 _+ S, Q3 M3 S2 k| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M0 G, d p8 y" [. T% _+ p
| | ├──12-推荐系统_数据源_1 .mp4 79.07M3 a0 K! u& p# k0 O8 K' P
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
- ^) I w: \7 t: ~% B; J| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M+ w `% ^4 M, s# K: z2 P- @
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
6 Y: p' Z6 Y9 \' m v| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
7 n$ \; T# P6 v+ t' I, H# l* J$ c| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
/ Z) s/ H C, a| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
+ U) F6 O* U7 q, @$ b| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M+ Z! \1 B# ^, V' M ?
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M$ U. p0 m+ J4 [- f4 ^& q
| | └──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' ~5 H: ^5 L$ v
| ├──2--推荐系统--数据预处理和模型构建评估实战
* ?/ _% r& G- H1 ?+ C1 S: L| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M3 n! `8 V8 A0 e% o
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M* Y+ l! X+ S" Q' Q0 Y8 Y
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
, v+ [% |8 g2 s; {/ |3 E| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M8 J1 v6 \8 d5 n+ V9 I B ?
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M+ B9 o9 \: @, V1 } P3 ^4 w
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
6 ] u$ M( i6 F2 Y| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M2 v" z7 K& Q h1 e8 T4 I7 E+ X( x( N) j
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M4 H7 n. ^0 ?% {! H0 t9 {' B5 Q
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
' n9 e/ C) C4 o) q9 R$ |4 D| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
( Z0 {' c0 S) r) i. i0 v| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M2 i% \. ~" S4 N/ ~4 G z1 A6 ]9 ~
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
' H6 ?: i" ~: E* Y: l| └──3--推荐系统--模型使用和推荐服务 & g% ]; B/ a/ o% S) u" z( {- G
| | ├──1-推荐模型文件使用思路 .mp4 61.89M* l/ N7 b+ I5 F i! J6 w+ p
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M( i7 L& P3 h' V# y8 V
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M' F7 y+ n" [% q
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
" Q" D" }7 p: R+ g| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
8 B0 l9 [7 D$ W2 e8 v& i) E$ m| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
/ x. v! t2 \, v& k| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
- I2 |! Z7 J7 f! e, L3 Q| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M( s) V0 X4 p F& Y
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
; ~. f( |5 |/ O0 Z3 W4 I! \| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M" i3 f/ y& h, d
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
3 M; H* U _! f! x6 a3 c" n| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M+ L6 M# U6 k+ I3 L
├──13--深度学习-原理和进阶 5 v6 U" ]! V+ Q) h) D6 Z
| ├──1--神经网络算法
7 s; V+ e5 W5 u' {| | ├──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 u: W/ @, s2 O7 U& k# ?| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
2 L' g% D6 G% h7 X| | ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M
4 t8 Z, Y2 g( l. H5 N' M| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M$ a. I8 v, t3 v8 z8 S. u
| | ├──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
2 ?2 J3 ^1 z; C2 L5 _6 c4 M| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M# G+ V3 I. e7 i: E
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
3 P4 }/ x' c' {' f! {# w| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
! D9 H; y+ O$ q. _; ?4 ^/ q| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M9 W6 c5 f* M& ]& ]
| ├──2--TensorFlow深度学习工具 * S" r( A6 y2 b5 ^1 y, l+ O
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M% x5 k) K0 K' g& X) y" d' j
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
$ X! b( R6 o7 B* Z4 q1 a4 x: P2 E| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M/ {( I! i- i6 s; B% ~# ^$ X
| | ├──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 173.47M8 [0 _ m$ q8 u9 C c# \* E
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
+ x" M5 @) ~- b4 B| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M2 O8 j8 p. m3 g, \3 {& X- S
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M- @, q# Z( E: \" E' U
| └──3--反向传播推导_Python代码实现神经网络 % c+ b! a7 p# M( U0 x& y
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
' z7 E( ?* y9 K7 g4 \" c5 V7 n) h5 q| | ├──2-反向传播推导(一) .mp4 127.90M
+ h( v5 o* y3 N( F- Q/ f n| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M. u7 n+ q' _% X- c$ n
| | ├──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
J* s( b4 ^8 K" H| | ├──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
% R9 o0 v! z/ w' B| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
' Z9 q/ s* K7 K| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M) F2 ]9 y: i+ O
├──14--深度学习-图像识别原理 / h: E0 l0 E$ {
| ├──1--卷积神经网络原理 & U& p d( ?$ h6 R Q. `
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M$ k& g0 E+ E* v8 f R4 q
| | ├──2-单通道卷积的计算 .mp4 104.01M P0 u* j( H& J9 t! g
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
( @0 T! _$ [! [ U( o% u| | ├──4-卷积层权值共享 .mp4 63.93M
: I2 o9 s7 j6 j) C! V" p4 D2 c9 s5 Y4 j| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M8 V- W% u) q9 A& u( y' K
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M2 j0 @# g7 I- T; H
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
2 p6 t: a( o7 a$ E6 k0 X7 X| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M- Y5 B, V& `; C8 O5 e2 c
| ├──2--卷积神经网络优化 : ^' B0 R4 T! v, V( @0 O! u/ I3 Z8 Y- }
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M( ]2 h7 f9 u _, c( `( N# H
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M, x* h8 |1 k$ o7 d' z
| | ├──11-Optimizer_Adam .mp4 141.12M
6 Z: k2 E$ F6 _| | ├──2-Dropout技术点思想和运用 .mp4 113.94M5 t2 G8 w. N% ?
| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M8 r/ K) S3 S+ ~4 g7 B. z! V: j5 m' N
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
( ]2 V% w8 m1 V6 V. u) k; F| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M {1 j! Z L: F% n; G! `1 u& l p9 W
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M8 [( A( ^+ {0 k4 M0 V- l. |$ }
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
- j- [ H, A$ S% D6 x| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M8 v r" E* I) r _. N/ p
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
* R8 |! U. x7 |( E/ d: l* }| ├──3--经典卷积网络算法 U A' l: Q; P1 L+ S6 G
| | ├──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# s. N8 `1 W3 `( V
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
- U7 P! |9 ^" _9 D& k: h| | ├──3-InceptionV1_V2 .mp4 165.86M
* w. [1 f5 l/ n4 D7 S| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M! I. J* L6 f* {, A% H6 Z' Q2 R, M
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
" y$ ~: e7 W, r4 I- t7 D| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
5 _4 [: C1 [) I0 u& A| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
. H% T6 w# f3 w$ d| | ├──8-BatchNormalization .mp4 99.23M
1 T% j) {. s! w; l. y| | └──9-Mobilenet网络架构 .mp4 150.05M3 e: i* k; V+ p0 `7 a9 c: F4 T, I
| ├──4--古典目标检测 ) y# a. C7 T' q. ^
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
$ w C Z7 L2 O2 b s| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
# F! e5 f) @) b- Q. R| | ├──3-IOU以及python计算的代码 .mp4 23.56M
) w* ?! @5 d. I3 ?1 B- S| | ├──4-R-CNN和SPP-net .mp4 124.06M7 M" j5 ?0 h3 t9 D. ^$ C3 h
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
5 C: V K1 } T2 _4 l| └──5--现代目标检测之FasterRCNN
7 q5 M* K' n3 V% D7 K$ d; U| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M7 @8 |6 ^0 C2 q- }( @7 u' e
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
& `! _9 m; U- S| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
, I+ o9 ^- m+ T% l8 M r| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M$ u p/ u/ {4 t7 [; T- D
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M' d/ E4 Y0 H& E; g
├──15--深度学习-图像识别项目实战 7 ~" ^6 J& E; o
| ├──1--车牌识别 4 k# L* F7 _6 t
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M$ k, z& [3 D0 d8 ?3 z
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M: M7 ^3 G# f& w4 m2 m) Y6 }
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M( p x- Q0 l# I0 t4 D
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
2 b* q R: l; P0 T| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M; S! F% g& a4 D! t0 ]
| ├──2--自然场景下的目标检测及源码分析
7 a' c: o6 I C8 M1 y% q E# c| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
" ]) ~. x) C0 D& ~. p| | ├──10-FasterRCNN代码_构建head .mp4 67.56M+ o4 u* z4 t7 Q+ a& X
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
) g3 C5 r2 X# L| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
, \1 [2 q/ d- ^, H+ Q, i7 R| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
2 S, f# m" l, |6 v8 D/ m4 S| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M9 o3 m( F$ l! r5 S$ R. P/ g
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
& [. T/ u% Q; O' x N4 C+ O' Y| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M. J! h& t4 \' U7 c9 V
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
# o+ |, g3 [* Y8 R2 h% `$ W| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
! y/ q1 a8 @; d' L| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M" j0 K8 t1 m$ ] b
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
" [/ ~+ z. U& o D| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
7 S a# S W( S4 g# r| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
; f: V7 W; k }3 S8 ^# t| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M6 X; ~5 Z4 V+ \* c; F
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M3 U* }2 f- B# n
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
# l7 k2 T" Q+ M" C| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M3 o+ R- A1 ]7 E
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
! ?! X% Y4 ?7 T| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M, \- T2 k- q" W1 h& o
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
! K1 P t/ c/ F| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
4 U$ b$ n3 i3 \+ Z3 h+ v) P| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M. H8 ^5 w& W4 r
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M+ ~7 T' U% Q. H5 f; F, o) M/ s" o- [
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
# i! z$ V/ Y. N3 s+ i| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
5 Y$ G U/ Q" p3 f G; X7 g( T| └──3--图像风格迁移
5 W+ c6 E! M0 D! u, q, e7 u+ D5 Q, E; U| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M1 C- l3 Z3 W, Q6 x) g( n% A- H$ I. D
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M, b* m$ |6 ?" V. M; Q
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
* j- H) Q3 h; m% Z| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M/ u( N/ ?+ n$ C4 f1 U+ W
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 6 o! Q+ v# H: x' d9 f
| ├──1--YOLOv1详解
. K& {. P8 r4 Z9 o o| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M, h: }/ Z( V# ]5 D
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
0 _2 D( { H9 Q; G. a| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M" e! ?5 A* C( _1 @
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M$ W+ E- D5 `0 W2 P) Q# d% K# P
| ├──2--YOLOv2详解
- }& r/ l9 @ v. s8 g| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M% h Q* K2 X. k6 G
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M4 l1 M) n5 j& y' ]
| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M
5 v, x, G! Z! w| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
9 K/ y. V! G) _( \3 P- p* ^; W| ├──3--YOLOv3详解 6 M0 G( N: t H3 O! S8 D+ [" D! ~
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M Q3 Q C1 I4 T* y% \9 Z
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M2 @: X: Z& j- D, ~8 U
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M% r- w& o# z4 Z' V+ i
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M. A, {" A+ r/ y5 v
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
% q* ~& W! z5 }7 H| ├──4--YOLOv3代码实战 * T; U7 N, R$ \8 a4 R
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M6 ^& B7 G: z3 D6 L& d/ Z) E
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
- {: |' O) d/ N4 g- G| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M( @# k( `$ e( v4 K9 S; y' v$ r
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M& {9 F$ }/ m2 q9 K
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M0 ~5 a2 v2 h6 b
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
9 Z, `* t: z6 ^% N4 l8 g| └──5--YOLOv4详解 4 x) L- B' ? t0 k( w% w$ q. Q
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
; [. J* E3 v3 s3 F7 Y| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M; h2 P9 ~3 a% L
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
E! L6 j7 P* |: ~) T: O. G| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
( L* I4 p' m ]+ U├──17--深度学习-语义分割原理和实战 ' j4 l2 O, M* q" o; c8 r2 {* B
| ├──1--上采样_双线性插值_转置卷积
+ z @, Y3 n9 R3 ~4 ~4 r) O| | ├──1-前言 .mp4 19.46M2 w; c \9 M7 w+ w4 i' [7 U
| | ├──2-上采样_repeat .mp4 23.90M! J% i' {& W9 ?8 J7 N
| | ├──3-线性插值 .mp4 34.48M
! Z4 D5 T8 h' H: j" z; o$ D| | ├──4-双线性插值 .mp4 125.71M% ?/ u! L# l! B8 \9 f# [, v
| | ├──5-转置卷积_以及TF的API .mp4 114.25M! M( ?8 ~) I1 F P5 x4 s
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M$ Z1 y0 P1 s: A, {3 i. J4 l
| | ├──7-ROI Align .mp4 58.38M, P% G: o; B( m6 P# e! M
| | ├──8-FPN思想与网络结构 .mp4 92.14M
; d! W6 n: Q$ n8 P1 p' e" |8 s9 m| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
% ]* z; [+ r% M) W| ├──2--医疗图像UNet语义分割
$ a7 v( W! h; [9 h+ b+ O| | ├──1-语义分割的基本概念 .mp4 18.33M
* G* H) ]" l; L5 ?) M0 T8 g4 ?6 v| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
7 _2 a3 c" V7 ~ F" p" Y' P$ w, || | ├──3-UNet网络结构 .mp4 30.41M
3 A1 w+ O' Z" P| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M9 r* i( x0 Q, P8 Q8 \) C; Q
| └──3--蒙版弹幕MaskRCNN语义分割 * \6 |( _9 G: e% D
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
$ T( c* g% N( \7 L w| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
% v( I- @" X4 v, t" M| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
$ u5 X% W" w1 b! S8 }( `* v' F| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M1 z* v F4 K5 ^$ Y
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
6 A9 G6 w; b& W& n3 m| | └──6-MaskRCNN源码config和model .mp4 244.48M
8 f, X! Z0 x! O├──18--深度学习-人脸识别项目实战 1 y3 N, n9 m) t. d+ m& I
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
' @# s% w$ a5 L) ~0 p7 w$ v! H| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
% S* c9 r& @3 C( l, k$ I| ├──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
. x$ T# G# D1 r, K5 c J$ X% [+ L| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
) ^1 f9 c0 ?& N, q: D| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
3 N+ ?" O3 J# W" N [! v| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
I* Z \6 F& \! A) X| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M9 f6 r9 r d% g1 O4 p( N) t& q2 U
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M' s5 b' E; j+ h$ h
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
7 b4 @! @" e _; Z. ]( c3 f6 P) ^3 Y- f| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M0 m+ a3 h8 p. ^' Q+ e- ^
| ├──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. ^' }5 @: }& O
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M& A2 i e! @# J9 k: f2 F( S
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
0 n, j E3 ~+ I$ G! l$ e: V| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
8 k4 M D1 [; m. h# X V+ G% s6 T| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M, ^# u% F! P0 t" q! _
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
- o3 u+ v! j) F# k/ E| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M
6 J( l9 e1 n v6 g: V| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M3 X7 R4 v6 V5 y: Q
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
! z! L5 b3 f5 j├──19--深度学习-NLP自然语言处理原理和进阶
; E$ [) q# m5 K( r' S) V| ├──1--词向量与词嵌入 % u$ \' m. L& c0 M) [6 D
| | ├──1-N-gram语言模型 .mp4 116.32M! h; t' o; {7 T) B: D
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M7 o+ C0 m w; ~0 H' L5 o
| | ├──3-词向量的作用 .mp4 58.00M: \8 k7 e9 l6 J& K/ L- d2 B
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
1 q( m' h u) k% x+ w| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M1 T2 i3 w' U, I' D/ [
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
; s7 Y. j+ Y1 r0 ]8 v| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M h2 S, j! t5 h' z. J; n4 |6 U1 P
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
: \& M+ `$ i m- b4 D" u| ├──2--循环神经网络原理与优化 7 \5 V+ h, H( F5 f2 x, Q+ u) b
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M' Q6 M! K9 U# ?( t3 C) A. b
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
$ v! Y& [0 r) {- F) S0 L* |1 b| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M' w5 V" g1 I5 c* v/ }
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
1 d7 A' ?5 a- X9 q( h/ }- D4 z| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
9 {, C- b% m6 B& U# b9 x" l| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M3 ]9 n* a0 \# e4 p7 W+ M
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M* E- D2 ?* d: W0 L L
| | ├──8-双向RNN_LSTM .mp4 52.01M
5 R0 l' Q( T& V' Q+ ?* Z) k6 Z| | └──9-RNN里面应用的Topology结构 .mp4 23.04M1 A) S) f% _, g. C
| ├──3--从Attention机制到Transformer
! i' ^2 H3 G+ C5 r2 u* [| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M( I2 ^, e) j- _. u, W: [
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M2 {) Z9 M7 g, R
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M7 x9 T p. i: j. }. S+ b' s
| └──4--ELMO_BERT_GPT
7 c- K( ]: I% u; N* ]| | ├──1-ELMO .mp4 62.44M) }/ k/ Z) Q% l7 f$ |, W- x
| | ├──2-BERT理论 .mp4 99.73M0 D' H: e L2 C/ @
| | └──3-ERNIE_GPT .mp4 56.34M) t( E4 P: ^8 r7 k5 C; |
├──2--人工智能基础-Python基础 , f9 x& p* m) U) H2 ^
| ├──1--Python开发环境搭建
2 N5 I; Z5 x; l9 O| | ├──1-下载Miniconda运行环境 .mp4 100.75M( y# N6 T2 R+ S
| | ├──2-Miniconda安装和测试 .mp4 57.12M
$ I% O7 v) Z+ h" O( y, y1 a$ }| | ├──3-Pycharm安装和代码运行 .mp4 71.57M# u" q" H3 ~/ g/ G0 M
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
R: P4 {" h3 t: P% B| | ├──5-Jupyter常用快捷键 .mp4 32.23M% j: O7 z" G2 w
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
$ B' R, _% N6 t4 n2 Z| | └──7-关联虚拟环境运行代码 .mp4 38.14M
2 u2 _4 ^( W! H2 w| └──2--Python基础语法 0 M6 `. _1 E5 Q, \" m) Q
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M! m- ?5 E% Y* N5 L
| | ├──10-Python_集合操作_列表 .mp4 34.71M4 R; H( z! R; I# z) \ C
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M! M% O' t, C5 v a7 U/ k. L
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M' d+ W$ j; J: Q1 d* T5 L6 I
| | ├──13-Python_集合操作_元组 .mp4 43.46M
- B. L5 H/ v8 I2 \& p| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M2 C, t* |8 q5 T; B
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
% Y3 Z6 o& B' p9 Y f. v| | ├──16-Python_os模块_shutil模块 .mp4 51.54M( m. N# x/ ~+ I$ ]( q
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M7 e" f7 E0 Z- d9 a& q! @
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
9 c% y0 x. j$ p1 A# s% q$ E7 g| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
" c j9 S) y) h% t7 S+ o! k9 x| | ├──2-Python_控制语句_单双分支 .mp4 50.66M& Y- @4 L$ a9 Q* d' I6 E. |
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
; k* L" z; P3 c& z' l| | ├──21-Python_函数_递归 .mp4 23.46M
- x6 \1 {8 K# M8 T( C2 {| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
6 T6 [, X9 B. T; E" \& }| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
" \- s5 b9 |1 ~6 r$ X| | ├──24-Python_函数_闭包 .mp4 41.61M
7 p n& k0 f9 D/ L% _2 _+ M/ _| | ├──25-Python_函数_装饰器 .mp4 30.35M3 I/ ` j) k3 @" Q
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M0 s; A9 N4 X3 }
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M! Z2 u0 l) m: K% K/ A
| | ├──28-Python_类对象_内置方法 .mp4 29.17M, U1 F" N B: m2 M9 F$ b1 m' J
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
: ?* @4 y5 K0 }* h6 D| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M) d$ D' k1 A7 h2 R L9 U
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M. }# b5 {; i9 ^0 z7 R; l
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
! \' g- ?, Z- o2 j| | ├──4-Python_控制语句_while循环 .mp4 25.02M
2 |, x6 r3 T$ G4 a0 G( ^5 W7 K| | ├──5-Python_控制语句_for循环 .mp4 22.82M- p/ D8 g! M. \, R
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
3 I6 X$ U% r. M1 |/ X| | ├──7-Python_控制语句_break_continue .mp4 25.23M
. J1 O6 `; s4 ]0 h, @# e4 j6 B| | ├──8-Python_切片操作 .mp4 40.20M$ x5 ^" M+ o6 Y& \* q& N+ c
| | └──9-Python_数据类型 .mp4 25.38M
+ D4 ?: A/ s, F, ^# i. L' u├──20--深度学习-NLP自然语言处理项目实战 9 c) x# _4 q$ q
| ├──1--词向量
. d3 e7 P4 T7 K! c) Q; H4 W- K| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
8 W; F( o+ T( r! ^, U3 C+ n! ^| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M/ a4 }) i; z, p: D7 o8 |: P" [0 B
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
u# k( f3 \3 k* T: I8 J6 z| | ├──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 U% V2 N9 g2 V; H1 o6 H9 R4 M K$ i
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M8 r. Y7 U& Y! N+ x
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M$ o) C1 ^* U7 E, S
| ├──2--自然语言处理--情感分析 " F3 m* f: _4 A% w* \
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M. A7 J1 w1 G& u5 |
| | ├──2-数据预处理_01 .mp4 79.65M+ B* l! Z1 Q" n2 U
| | ├──3-数据预处理_02 .mp4 45.68M
; i: i" Y, ~* A' G| | ├──4-代码讲解_01 .mp4 52.29M
2 T, L( \2 ^0 m$ e M& I! L2 w| | ├──5-代码讲解_02 .mp4 60.85M0 N3 Z3 X& P/ x# Z( o
| | ├──6-代码讲解_03 .mp4 53.89M! @7 I. E5 z$ H
| | ├──7-代码讲解_04 .mp4 57.19M
7 S8 e) }9 Y0 q" B9 k9 D2 K0 [2 S| | └──8-代码讲解_05 .mp4 35.88M l; Y+ n- E! z5 Q7 @
| ├──3--AI写唐诗 : ~5 |4 ^) b3 y
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
3 L# U N, @, b| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
( M# h4 k. ~( X5 j/ |' h| | ├──3-MultiRNNCell单元 .mp4 38.93M9 Q& r/ R! T, }2 h3 m8 n
| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M8 u) ~' F5 o2 k; s
| | ├──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
; H2 ^1 z- _( e. x| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M( L. M7 P0 I0 h/ V% Y F
| ├──4--Seq2Seq聊天机器人 . Y7 ^- @; V8 g- a7 H- g1 V
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M, n' [4 T0 v, ^) v% x3 O
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
0 C! P, Y( k$ n9 e- R0 d7 ?| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M2 h) }1 z7 R1 C. f0 U1 s
| ├──5--实战NER命名实体识别项目
' y6 A9 D8 X: u0 x| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M) Z3 K% q# S& f
| | ├──2-介绍了代码目录结构 .mp4 23.44M
) Q- U! j1 s8 C9 y9 q( U2 w! L+ e| | ├──3-NER代码读取数据和预处理 .mp4 97.61M1 ~3 [7 t' o) R: Q0 Q8 ^5 }# p
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
9 O) ?* V$ m- j2 Z/ a6 F| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M, J* K+ T4 ^3 R
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M9 y* C; b7 P6 k# V1 @
| | ├──7-CRF中的特征函数们 .mp4 125.97M' h$ x2 I7 x: l7 _" X
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M: M8 T- f: n; y$ z6 H: q
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M2 S9 G; @8 \/ A6 w8 `9 |. a
| ├──6--BERT新浪新闻10分类项目
2 P0 S# j" |# Q0 C| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M# F: o2 |/ \. D# C
| └──7--GPT2聊天机器人
/ y+ s& a, ]& ~| | └──1-GPT2闲聊机器人 .mp4 62.28M3 \* |: A7 s, X. W, z
├──21--深度学习-OCR文本识别
, _3 |4 I) u9 }: {4 _| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
9 H! `: x9 g j) z) s6 s| ├──10-CRNN项目代码剖析 .mp4 306.48M! v6 q( ?: e% | A" E8 S* K" C y& l
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M% K" @4 W9 W& l# o9 @
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
/ i. a8 N' v: `/ a| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
. e& U$ V/ k( v8 B5 \4 D3 A6 ~| ├──5-CTC损失函数的理解 .mp4 330.64M
7 R) S' M' C) y# u6 _| ├──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
& I0 }- @+ G* S5 {- }% R* x| ├──7-CTC前向后向算法代码 .mp4 225.41M
8 f9 ~5 a3 k2 N) q, j7 _. q| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M& Z! G- s. P; f& D
| └──9-CPTN项目代码剖析 .mp4 491.69M( l9 l& h3 v6 d! ?0 z( J4 U5 G
├──24--【加课】Pytorch项目实战 7 p! ~+ m& |, ?9 t% e" G
| ├──1--PyTorch运行环境安装_运行环境测试 7 S. s+ f* k" v7 n' [
| | ├──1-PyTorch概述 .mp4 29.29M
9 U1 e7 F- {! Z5 V| | ├──2-PyTorch的安装 .mp4 76.45M8 h1 y3 J5 v- Z
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M n) Y) W8 j" w
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
! C i3 o6 a$ ?/ b| ├──2--PyTorch基础_Tensor张量运算
3 U$ {! U( [3 G+ Z% Q| | ├──1-Tensor的创建 .mp4 55.14M
; t! j+ j( {, m% C) D3 Y. u| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M, b% R* U" M! x F- b: S
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
1 T7 D+ U5 H+ a2 {/ S2 D0 k$ v" F| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
4 _6 _3 q; @, y0 R' M& [4 i| ├──3--PyTorch卷积神经网络_实战CIFAR10
1 K' u* w0 a3 J1 w: d| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M" y' N ]# e2 o3 J; c
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M% M5 h! X! S! R3 }0 Q
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
7 v. f9 d3 D# Y4 Z& ?6 T| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M ~; u1 V1 C5 w4 O: d8 [
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
% B# k3 ?9 }2 R* C| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
8 J$ m7 s/ f! b| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M% d+ o2 s7 k2 p5 k
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
2 j3 Z! \2 @6 i| | ├──8-torchvision里面的预训练模型 .mp4 29.84M" ]1 J+ w1 N) B
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
% U. _6 J! T' L1 @3 g p| ├──4--PyTorch循环神经网络_词性标注
7 k& ?2 O, n( u2 K1 K( V| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M" _9 M5 n2 L6 }" T1 K0 ~; v
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M, w9 w, k( D5 v' t1 W7 t
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M: p% d) O; d) k* M; Z2 `2 q
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
* [) T6 T/ d/ e: a| └──5--PyTorch编码器解码器_机器翻译 ! H$ I Y7 }( N' ]5 n
| | ├──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
7 N! l: U$ v% L% l| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
4 n0 v; Y4 W* M8 Y/ i1 v| | ├──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 57.69M2 R" _% o8 A% N0 a& b1 [
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
# ?9 s! u; v) v' [( c. H| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
. ?8 k' C2 T( f) T4 R- S| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M$ k+ Z2 u4 p7 m+ @
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M6 Y' v4 `2 h! h; m& F
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M. u7 q" @' f5 \/ \8 `) s+ C& _- K$ Y
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 8 Z( K0 F5 s1 a3 h* ~, G! `( E% w
| ├──1--PaddlePaddle框架安装_波士顿房价预测
3 m+ B# t% ? I! r| | ├──1-安装PaddlePaddle .mp4 87.34M) Z7 L& G# U- E; M: l
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
) l9 f6 |2 E+ d. G j| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M7 J* q* P# D4 H) U. s `
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M. ` D$ ^. ^1 q, Q+ k7 [3 E
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
; @' l5 i' o0 v; ]2 z/ J6 C| ├──2--PaddlePaddle卷积网络_病理性近视识别
6 d* W( j, q1 D! G' H: U8 N| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
! |# R7 v4 x! S `3 {8 b| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
9 d1 m, ]% R3 l$ i- }: E0 `| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M# g1 ]( i g# h+ l
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M L- M' Y) G9 ^8 u
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
2 j% _1 k! U1 g [; J; f- g5 ~! p( }| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
1 N1 s) h+ W5 h9 j| | ├──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
$ A- x% C) c! A: \| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M! ?& D/ X+ p4 A0 U% T
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
- f" @8 y- a4 g) m8 H| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M* Z; p, w/ Y1 J7 w1 f
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M1 k% g& E# b, ?$ G6 S; Z2 F
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
9 \5 F" }! Y6 c6 V2 s| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) 2 l& e0 M- F, M+ s+ Z5 \
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M* n# o5 ^/ A3 j" {# ?7 m
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
5 g5 V/ ]! B+ E a8 P4 G3 || | ├──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
1 v1 o; Z+ k; m| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M% S' J# D7 v: i! b! X
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
- y6 Q; G( p' i* R( r| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
8 X: F( g. l$ i| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） ! x9 c/ _" C2 p$ L$ Q' N. G; Y
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
8 R% q4 b/ Q7 C$ p/ o6 d| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
. P" M! H& G6 K| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
Z. S. ^2 U% a: w$ \% y/ Y* r- @| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
6 R0 C s. b' s. B0 G8 ^0 U| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M& a; X; ?/ }# {% Q& ?+ Y+ V
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
, ~8 f+ B1 L. z8 [2 Y; S! F: a9 h4 {| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
, M) F) K) H/ [; o# R/ [& 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& R- p1 a* N: S& h' j% ?
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
w7 I) c) `6 {2 ~& P| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M$ R5 p% M% U( z0 V, W0 @' k1 v
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
& p& W# Y5 A) |! y/ X) y0 P: V| | ├──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
& C7 u/ F6 U/ T/ L1 p9 ]| | └──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
$ x9 k2 w5 \0 C& i├──26--【加课】Linux 环境编程基础 ' y2 n7 _$ f7 b7 K$ S6 ^
| └──1--Linux
% y) L2 q. G2 h0 l| | ├──1-Linux_课程介绍 .mp4 3.72M# W* Z7 F3 e! E7 a3 t
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
9 j3 L2 C. a7 f| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
% T) ^+ |3 P8 E4 D2 I9 P$ D! L| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
) K+ x; J" W8 N1 k; f( G| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
+ c& p. B ~" m2 I) F| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M, U2 X( E2 v) M1 O- A4 V8 C. D
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
" V+ n! Q; M1 X6 _1 f2 k| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M* E R3 }3 z3 n5 X( L F# w
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M2 ]5 |" V* Z1 m
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M( T2 r3 G8 |* ^4 R; @" y; c' d( _. r
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
- M7 I8 a- A6 C y. W/ u @| | ├──2-Linux_Linux简介 .mp4 17.59M! @% w1 Z7 O$ O9 [* A* ~! I$ J
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M5 {$ T, {6 v, M8 U7 R$ W j# u
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
- ^2 i9 H; h7 C& _* K& \ b0 k| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M* A ^, w4 N& T# M* ?$ Q
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M/ n3 A9 a, P4 Z. s4 k, }6 C
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
4 i& l. ~2 F7 W. A6 ], p4 S| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M: M v4 g$ C; f5 c* i) A' R, \
| | ├──26-Linux_安装MySQL .mp4 79.02M
' b6 ]4 ^: O" }. H( k| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
0 g) w9 n4 T+ a G K; E& a| | ├──4-Linux_安装Linux .mp4 41.97M% j6 f+ n5 @9 P8 Q
| | ├──5-Linux_目录介绍 .mp4 20.31M; o0 K' w [6 h g& G
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
$ ?9 _' c9 y' e9 F0 Z; }| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
/ N9 S3 I5 I: ]5 X! c| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
9 B# b5 w. j% \ [" m6 f| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
; X7 ?) h$ ^( {, f6 w( h5 t, G├──27--【加课】算法与数据结构
! q3 j* z. g1 q9 F& S( D" d( X' x| └──1--算法与数据结构
4 y, Y! s0 G- u+ x' m| | ├──1-数据结构与算法简介 .mp4 35.68M
# Q0 h+ ^: Z7 c) u0 Z8 ?| | ├──10-哈希表的基本结构 .mp4 54.34M6 r( v+ s& @ m* h0 e
| | ├──11-哈希表冲突问题 .mp4 75.92M$ _3 o3 o% {) F' |# l2 c; m( J
| | ├──12-哈希表冲突问题2 .mp4 72.30M5 T, ~1 j4 m& j+ ?: B$ G8 |
| | ├──13-哈希扩容 .mp4 111.03M2 @5 U" r) c* B/ x# K
| | ├──14-递归与栈 .mp4 50.77M& B0 {( S0 S7 q5 {) a3 Z# l* u9 g
| | ├──15-线性查找 .mp4 57.80M
- Q, Y* l' g' z( G. [1 V! X| | ├──16-二分查找 .mp4 52.32M; u6 ?1 M! T7 D
| | ├──17-冒泡排序 .mp4 53.19M
' M- m+ t3 f& ?' w* X2 _7 y| | ├──18-选择排序 .mp4 43.29M
1 {8 l7 d4 V! z9 V| | ├──19-插入排序 .mp4 31.39M
) z+ P6 {5 ?: Q" A| | ├──2-大O表示法 .mp4 25.59M. d2 w$ e5 Q5 L1 g* Z! a
| | ├──20-归并排序 .mp4 84.48M
W( q0 h9 S1 E5 p4 e1 t& |1 w; `| | ├──21-快速排序 .mp4 36.63M/ p+ d" i Y3 s. o0 o" P& X' A6 Z
| | ├──22-树结构 .mp4 96.85M
0 w' l, |+ |! l1 q| | ├──23-树结构的遍历 .mp4 61.05M8 W2 d/ t* }5 m( k1 z: Q
| | ├──24-最大堆的增加操作 .mp4 45.43M" a' @! C3 G1 N+ I, C
| | ├──25-最大堆的删除操作 .mp4 45.63M, I# m; l2 k4 q- V% _' @- e
| | ├──26-二叉树的查找 .mp4 100.24M
7 t0 Y9 c; R9 h$ V8 A1 B| | ├──27-二叉树获取最小值 .mp4 25.21M. a! h! v: x) @! t3 l( c- @
| | ├──28-二叉树的添加 .mp4 72.66M
3 I" B! i! _% G| | ├──29-二叉树的删除 .mp4 120.06M: C9 b. t7 U- j/ f. ^
| | ├──3-线性结构 .mp4 53.14M$ {" T" r& C' f2 a; G8 N9 M0 x
| | ├──4-单线链表1 .mp4 68.36M
5 l) R3 \% D5 b8 b, _| | ├──5-单链表2 .mp4 221.69M: E# G% r. f: l8 i9 |+ v* t2 @
| | ├──6-双链表 .mp4 103.57M6 e1 @ j) m: a% @9 N4 k ^
| | ├──7-队列(链式) .mp4 74.12M
8 V! k% k" _5 N2 q( X| | ├──8-队列(线式) .mp4 30.99M
! |$ Q, s& Q+ M; S' ?2 D& c| | └──9-栈与双端队列 .mp4 28.12M4 n) X, m! V0 e# p. ~5 K* b
├──3--人工智能基础-Python科学计算和可视化
: [8 u1 |/ i0 x/ K1 j| ├──1--科学计算模型Numpy + `" ?$ E* A, C1 Q9 s
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M; v7 P( R7 F% ~
| | ├──2-Numpy_array_arange .mp4 35.45M# h9 ~# F! G7 _% H& M. y0 n5 k
| | ├──3-Numpy_random随机数生成 .mp4 50.54M9 u1 I% A, R" n) r+ z
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
" w3 F$ Y6 _7 V| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M3 ~" N* y1 s% L2 w% ]+ w
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M% h5 n# J7 m3 ^7 k- \
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M7 I; ]8 {* q% T5 d& O! C3 E8 @9 q
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M3 K% M& v; g. F
| | └──9-Numpy_聚合函数 .mp4 23.68M; A+ H2 N2 s' Z3 C8 v
| ├──2--数据可视化模块 ' Y) Z! e4 {& V6 Z/ x7 ]" w
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M) S! l" V' S: c" `$ N m& h5 K
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
; m6 C& Y. R; n5 L O9 r" x/ d| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M# v/ P0 o3 x4 S9 K
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
0 n- R) J9 ` a1 U. m$ Y| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
( O5 U; E c4 P" K' M| └──3--数据处理分析模块Pandas
# d! g+ y' u0 P3 z0 T| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M$ C4 R. n$ P0 n; h" _2 [6 {6 F
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M& _( q% d) h7 y% e* ?4 [. ^$ Z
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
( ^' H/ I% |7 g) U, s# O5 A1 a0 M| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
% J# y0 p+ l) @: y( k# i. e| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M Z9 D" E w. `% {1 B% X
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
+ m& t$ C7 ~ @* n, `# @| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
$ d- c7 `* q+ S# l7 X! [) W" D├──31--【加课】 强化学习【新增】
, O; @" }+ s7 w; G| ├──1--Q-Learning与SARSA算法
: A6 n; l( w) f0 V5 T( m| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
0 {8 Z _3 N' h) @. v# w# e| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M6 ?2 o5 X o7 k& N
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
+ N, @" V2 k8 p: q$ v| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M0 G) Q0 @) f" n# b/ z5 k
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M4 t# c: c( F3 h) z% x8 }+ C. [9 R
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M+ N0 G" M$ O( R5 U; b
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
8 f; E8 A z! j* F| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
: u c3 g: X! x1 V+ K6 Z2 R| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
# l8 \6 e3 }: g| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M9 U6 j) u) o! N1 ^" b! J
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M& t% v1 }9 b& f9 b$ V, ]2 c
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
( V& s, A4 w1 m/ @2 f+ k ?| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M5 p! n) I# W. n1 J0 v
| ├──2--Deep Q-Learning Network 6 c9 x4 }* |$ A
| | ├──1-DQN算法思想 .mp4 59.24M
/ E- a% U9 @( l) ~' @" V| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M' b% q- a1 N2 J
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
( |. ]- m+ D9 d z6 D| | ├──12-DuelingDQN .mp4 88.12M
5 h6 I% |4 s. D# Y% P* m6 {| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M% E: h7 u; [8 ^, K5 b2 Y* b/ o
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
- a4 ? K) m' t4 Z: L- t| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
$ E! H/ p0 _8 u5 e| | ├──2-DQN算法具体流程 .mp4 56.17M
$ O( h) H" f" i. t1 Q0 Y| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
3 e# p3 T5 B# X% D| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
; ~! r3 }$ b0 J2 `, N4 {| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
$ k4 b( y2 |0 X* K4 u7 R| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
' c2 e/ g7 N( n& m| | ├──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
' g; _' ]! B# y: |* m2 f| | ├──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
3 U' ?+ x0 b, F6 x" t! Z8 ~| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M! t' F- o: q" X
| ├──3--Policy Gradient 策略梯度
( H4 F/ ?9 ^9 i& H- g0 s* D6 Z% p| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
8 a) Z" H& \* z7 O# C: D" U| | ├──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 34.22M3 C( R8 l; h# W- O' Q
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M C; S3 P/ W$ `- f0 o: ^( t
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
9 ]' E+ h3 _# M- q) [6 V% o% ?0 U0 K| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M5 D" f4 i9 F! }* a/ K5 Y. [
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M# a& U7 ^& M% D2 I: f% L
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M5 O5 c* U$ e0 M
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M- |+ O* ? s' R- U0 ^
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
& d9 P0 o# g/ e4 r9 X% V# R2 [| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
' ]. z7 r w5 H6 _5 P8 l+ T0 @8 y| ├──4--Actor Critic (A3C)
! H$ d3 a0 o6 j' o$ Y0 ~ d n| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
4 q0 Z- t3 t9 a% |$ ]| | ├──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
2 h) M3 s. J" W7 g( ^' {| | ├──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( \# O1 G; c$ M* |4 j8 ?
| | ├──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
! Q' j8 |2 s2 ]4 R- a& m x9 S" y| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
8 F3 H7 o/ l+ F$ x| | ├──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
, r u! P5 C: ^" Z| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
' ?! E! h* u% j+ H) D+ `% k| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
: I- j# X+ t; s/ h% f# n| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
- k2 B+ @% k: K1 {! || | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M+ \. k5 L: t: ]" t& k
| | ├──6-A3C架构和训练流程 .mp4 74.66M
9 ~; a* [9 M% ~0 j! P3 N3 || | ├──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
% W1 `. Q7 X* Y% r- V4 o| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M; |( i- S: j7 g
| | └──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. B# b+ i( M* U' r+ W$ ~
| └──5--DDPG、PPO、DPPO算法 ' R$ ]; e7 m0 o0 c' G n
| | ├──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( I0 u4 S @( G9 _6 F) S
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M7 a9 E# U* P5 g; s7 W ]
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
$ |. s4 ]- y, k) ^+ J| | ├──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( A6 ]9 C j4 f' D0 s! D R$ j- u
| | ├──13-DPPO分布式PPO .mp4 63.81M
- w8 u9 m6 H4 j% K| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M! p! t- m& A3 ]. U
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
' }9 W6 I9 y! U" Y; z6 l6 P| | ├──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
: E7 f8 G0 c% a| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M" e6 Q! G0 S1 u. v: 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
" I% Z* ~, J i| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
7 j" d1 U# F5 e5 X, b| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M, T9 G1 U' Q) @# J2 Y: }
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
^2 {0 s' u4 r| | ├──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 38.09M3 A! v2 b, p+ x# q1 ^
| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M0 a5 I( S5 j% n1 V/ K# x. t& f5 ^
├──4--人工智能基础-高等数学知识强化
) E9 I3 ~3 R+ D| ├──1--数学内容概述
8 L& I5 |9 l4 D+ Z. H3 H& V* j& _# }| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M5 i1 l' P/ [, d! X4 m. E
| | ├──2-线性代数_概率论知识点 .mp4 26.81M' Y8 n# n* H$ l
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M: f9 j# c% x7 Y
| ├──2--一元函数微分学
1 \% |5 r/ y9 b: }| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M- c) Y6 i v1 x, M0 E
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M# o( S0 P# Z: [0 x' L6 x2 G
| | ├──3-常见函数的求导公式 .mp4 22.76M# \/ Z- m, e, Z" z3 T' h. I0 G
| | ├──4-导数求解的四则运算法则 .mp4 26.52M+ ^) }" y; b7 x5 p N6 w8 u* m* s
| | ├──5-复合函数求导法则 .mp4 19.68M9 O7 q9 m2 W) N6 ^9 J$ o
| | ├──6-推导激活函数的导函数 .mp4 33.40M
5 ~# d# U+ S1 b0 |% P| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M; n: S+ r s( N u
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
& R* p* S+ U7 a3 F" l+ h| ├──3--线性代数基础
& T0 H' u' f4 D0 ^2 U| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
) w i# S/ [9 @* \; F| | ├──10-矩阵的逆矩阵 .mp4 38.54M ] v, N/ i# Q4 z7 C. S" u7 M
| | ├──11-矩阵的行列式 .mp4 20.13M
6 Z6 b- w9 P5 G5 s: R! v$ {* ]| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
/ @6 f0 A) @+ q7 [; H| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
; F" l' R) a/ G5 ]' e8 h! T' o6 M0 Q| | ├──4-学习向量计算的用途举例 .mp4 20.32M
2 q$ E3 I: [8 c Q! J( ^5 g# ?| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M1 u5 l8 ^8 s. T3 v
| | ├──6-特殊的向量 .mp4 26.45M( X" d; y& d$ C! x& P4 q
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M7 o$ i: j5 _# T4 H2 m$ o/ r
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
& U7 w! W. c5 ?! u9 X6 x| | └──9-矩阵相乘 .mp4 20.02M: A, L) A8 l3 Z! T* {( E
| ├──4--多元函数微分学 7 c/ ^; a4 H {6 C0 S5 ?) g
| | ├──1-多元函数求偏导 .mp4 22.61M
2 p' X2 f- y6 @5 x" d- Z| | ├──2-高阶偏导数_梯度 .mp4 27.15M, ^0 H1 V& Y$ M0 C! V& a
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M1 Y$ l4 i& a0 U; J
| | └──4-Hessian矩阵 .mp4 32.93M
+ g W) i" I6 }. K/ T0 n| ├──5--线性代数高级
; t/ X8 O# u2 ~9 P1 k7 w( @" || | ├──1-二次型 .mp4 27.70M, G7 c. u& l! e+ |8 U, t
| | ├──10-SVD用于PCA降维 .mp4 24.90M A+ n- K5 |: _: R/ s) w1 \" m
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M+ `) o# j: f& V2 i, h$ P
| | ├──2-补充关于正定负定的理解 .mp4 23.48M" ?8 W- m/ {# ]: {
| | ├──3-特征值和特征向量(1) .mp4 29.83M) d' i. N+ ~; s+ J# Q8 v& @
| | ├──4-特征值和特征向量(2) .mp4 30.07M" D2 K0 u8 h! ^( d$ ~9 u
| | ├──5-特征值分解 .mp4 38.68M
) E4 ?( n/ H2 Q3 k: r| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
# I- x+ U( l7 \* o| | ├──7-奇异值分解定义 .mp4 22.58M
' S4 v' ?4 }9 U, y- V5 [| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M* q8 a7 q0 a. o
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M$ F5 P# b9 J( s% m
| ├──6--概率论
3 |/ c# t. `3 S, S| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M3 |" ~& y- j/ K2 g
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M4 V8 O! D: O* F, s* k& f6 k8 U
| | ├──3-随机变量 .mp4 22.57M
; E: T* [8 r! Z% e6 u" K| | ├──4-数学期望和方差 .mp4 22.96M8 o1 h, @6 h& V" o7 k' }# h
| | ├──5-常用随机变量服从的分布 .mp4 22.48M4 f( }2 _% ]) n2 x# i* J$ G* F
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
* x5 ^8 `6 l/ ? L i$ l| | └──7-最大似然估计思想 .mp4 23.42M
3 n+ x- b' J( h9 Q4 D9 m| └──7--最优化
- _! R8 F3 a' l: o1 j B0 t| | ├──1-最优化的基本概念 .mp4 35.14M
$ G: [ B7 r) l% ]2 x# z4 t' C| | ├──10-拉格朗日函数 .mp4 27.46M8 r+ T: w2 q9 Z2 c2 S1 t8 ?
| | ├──2-迭代求解的原因 .mp4 20.15M2 E! I8 M# Y$ z% M, b r) _8 X
| | ├──3-梯度下降法思路 .mp4 26.33M$ a- E' Q+ w5 _0 m( }( C( T
| | ├──4-梯度下降法的推导 .mp4 43.56M
8 `. t8 q# A2 k6 u; j7 A| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M. f7 q! g1 t" b, u& O% H+ h
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M1 z* K: P0 A7 U: l# ?
| | ├──7-凸集 .mp4 21.90M p2 j/ [- Q. E' {4 E
| | ├──8-凸函数 .mp4 16.93M* A- Z1 {8 } I ~3 _/ t- D
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M* R$ L/ B7 @, _- s& v$ s
├──5--机器学习-线性回归
/ M+ ]1 p+ w/ D. Y3 U& I| ├──1--多元线性回归 7 d( S# `+ i9 I5 ]7 e
| | ├──1-理解简单线性回归 .mp4 51.11M9 z0 N. m1 Q! G; a5 D' }
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
6 Z; q5 v( C0 {- a; Z; T- p$ W| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M% G# A! m2 T2 x' T Y
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M e K# |) i; G ?. r: P
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M. K% m& l+ X; U- q3 t' P9 u
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
c# F6 n! C# `- X# ]| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M1 d" c. \/ a+ E& N1 T5 E# B
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M4 }8 _. O' x3 X6 g1 ^
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M1 d p- D* i* {# i& i
| | ├──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
}; j3 @7 G! u| | ├──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
$ ]/ k- F# |7 E2 t2 I( S! x e) L| | ├──2-最优解_损失函数_MSE .mp4 39.58M, C* Q) a8 @+ G! O" d/ W
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M1 ^" w7 u1 `/ U: q9 l2 ?3 `* |
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M8 S: a6 D4 d V4 X
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
3 C8 z' }. b$ d| | ├──3-扩展到多元线性回归 .mp4 32.15M2 P; U& f6 Y! f. b0 B: ~) B1 `
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
- l* i {& H/ a. M! }- J/ s| | ├──5-理解维度这个概念 .mp4 41.41M9 ?& a- q0 G3 V6 X" p6 @
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M7 w1 w0 u& m) ~1 v! R' V
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
7 B* ~$ b& t' W: \3 ~| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M7 ~ J- R* [2 o
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M' b: [3 V- v$ Q) b' }# x/ K
| ├──2--梯度下降法 : j+ n# Z+ r6 n+ c4 K* A
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
6 ^' _2 \4 u# D* m| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M/ B! h& \7 l( G( \1 L) ?; z% G
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M5 V) Y2 z$ r8 [1 O* d
| | ├──12-代码实现随机梯度下降 .mp4 26.67M( p, H: B/ ]- B2 ^( H" X
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
& \ c' Q! j& b z; |, N| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
7 K% E0 d. Y5 a2 y! K& V| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
2 H+ b% Q0 Q$ U| | ├──2-梯度下降法公式 .mp4 57.12M9 b) w/ f" I7 \, O3 s0 D
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M i( t% ?; @( E4 M+ T
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
5 M. L* N2 i4 l( ^| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
. R' v, A S0 O6 n" D| | ├──6-全量梯度下降 .mp4 62.84M
0 o- O5 m$ \& D5 `$ d| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
$ ~" E: e0 W# P6 W H: t5 _| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M8 a8 g* n. G9 {" k$ T; g+ A# X
| | └──9-轮次和批次 .mp4 45.22M6 n2 Y- s. x( o' C9 k4 ?$ \
| ├──3--归一化 - w2 o$ t) ?3 U6 g! R9 L
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M5 E+ g- R. w) j0 r
| | ├──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
# g7 e& P0 K) I T! }( X| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M3 }, T, o9 @" C) C6 S
| | ├──4-最大值最小值归一化 .mp4 24.87M
) Z% t5 I. ?+ D h1 d| | ├──5-标准归一化 .mp4 51.86M
- X4 u! S; l" i3 O| | └──6-代码完成标准归一化 .mp4 41.13M+ R0 V2 E3 |8 c0 H, z9 ~ [
| ├──4--正则化
7 z3 `- ^3 e; i. e- z! k| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
4 Y0 v( t* Y, n/ |: n| | ├──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
5 i: h7 N: X: l| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
: o1 T9 @! n2 e| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
2 u, c) @" ]5 o/ I( r5 c; z| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M, R5 ?* I1 ^' g4 O9 E4 i
| └──5--Lasso回归_Ridge回归_多项式回归
9 d% N3 I: C6 |& x0 t3 [3 y V2 l| | ├──1-代码调用Ridge岭回归 .mp4 76.32M! B8 }$ h& W. @
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
& R# E1 ^% ]8 v| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
& {# t0 p) l$ d: d& f| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
1 c o. j8 G5 L1 c+ Y| | ├──2-代码调用Lasso回归 .mp4 28.73M
: G+ C o% h, _7 r4 v3 u! s) Y' d! a| | ├──3-代码调用ElasticNet回归 .mp4 53.67M3 u, L- I) p8 g) c; R
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
" @( q6 R" W: P$ S7 i" \ p/ j| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M- \# k+ Y ?. e* X+ x
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M; a2 B8 I- ~1 X8 d$ R! t6 s; N
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
y2 N6 e) n7 a% T# _| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
4 j/ _3 a1 p5 J| | └──9-实战保险花销预测_模型训练和评估_选择非线性算法改进 .mp4 84.12M
# Q- Z+ R; l$ [4 x1 s├──6--机器学习-线性分类
9 b H4 r% i; }7 n| ├──1--逻辑回归
0 X- U S3 y+ V9 I' l( m| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
1 o" C1 G1 A7 ~6 V- W# ^8 f- a| | ├──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- D! R+ h/ @8 n7 a1 l8 W3 K6 O& z
| | ├──11-绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度 .mp4 43.87M" V/ U6 K6 r4 M# \; o5 @: J
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
9 M1 y2 c( u! ^" Z- W1 g| | ├──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
! i; n0 ]( X$ f: d) X, j| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M$ G% T& `) v' x. P
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
; Y8 u$ L! W3 K, `| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
. a# L/ g' w `0 n5 v4 _9 o| | ├──2-sigmoid函数作用 .mp4 38.15M
' ?% \. N/ B+ {! V- {* h4 I| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
5 q! y! F& {5 j( G; O- F- Z| | ├──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" L1 [: Q( x# m: Z: @
| | ├──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
C5 I' O- f2 a& T0 e0 I9 O/ i, `| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
+ r/ ?" W# K! g5 O) i! v) z+ O| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M% |' J2 l& K) L6 L. R" u& A- p1 X
| | ├──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
" F* m, n- o3 l" f: z, }+ U5 P| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M
6 A& q7 B" w) {2 w% \" {| ├──2--Softmax回归 ' ?& M/ L, u8 Y4 z/ I
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M, ^5 L" H9 s# S, w
| | ├──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
% u9 ^3 j3 q; n0 L| | ├──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
0 B# h' N; b6 N1 L$ T, M| | ├──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( Z4 E7 x4 t9 ^' T. ]" c( e G6 s+ |
| | ├──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; n" ?, m' Q/ X& E9 M
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M5 B d( q, T0 k7 n- Y# p
| | ├──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
, N4 N% S. B; p4 B' [1 e4 \| | ├──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
* D9 @: L" i6 ^# C% R- i `" v( e| | ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性 .mp4 13.92M& d/ o: q$ B" C0 U
| | ├──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
# B2 B) R+ D2 N! H| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M$ F: _- O9 O, V M) i0 n
| | ├──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
3 ^7 j! l9 u# x| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M% l( E7 G9 T4 z9 S2 D5 _
| ├──3--SVM支持向量机算法 8 O! o( H! v$ p( u8 I( A7 M
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M1 t- E3 u$ f% ~: u/ d
| | ├──2-SVM的思想 .mp4 55.56M! X( R8 t, f/ w9 b5 T0 R
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M2 J+ ]: j9 f: Q3 x/ H& E D
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M# W+ M+ v/ }4 E" M( _2 u4 ?. d
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
' i. \; }9 I1 [| | ├──6-总结硬间隔SVM .mp4 39.01M
& p! E5 c+ l1 M+ a| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
* V7 s$ v. H8 C" s6 {% l! V| | ├──8-非线性SVM .mp4 54.43M0 N+ K, o3 i) h5 o
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
. a2 n7 t1 \3 P0 P| └──4--SMO优化算法 0 W$ | ]2 Y# L) `' m- l, W
| | ├──1-SVM算法流程总结 .mp4 58.36M7 D, C" H* K# d* G; F
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M2 O0 s5 e- W# ^2 t
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M2 L; c% V8 |3 q' B/ D
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M& S" y. D/ v* ^% k6 N- d% L0 w
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M0 S. V0 B8 G& _# a8 [4 G" L, u
| | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 69.00M9 s* a- ^1 ]+ A
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
) _6 a5 e& w" n% O T( ?, c| | ├──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 65.42M0 ^9 _) ]. V& h$ I P, _- M( B* g
| | ├──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
7 w% B* x) Z9 b" R( j| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M4 _1 \$ N% ~, ` r8 j
| | ├──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
* H9 l8 l z$ j2 }| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
2 D; H/ e! w# G9 D1 X| | ├──7-启发式选择两个α .mp4 23.11M' F) Z% \' ?6 [; B/ F% }
| | ├──8-如何计算阈值b .mp4 50.18M
1 @* I, ]( U2 {8 a| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M3 b: t& ^# [& {* C H% U
├──7--机器学习-无监督学习
& Q" P; f7 N# q* V; h| ├──1--聚类系列算法 5 p, M) r4 N# ^8 a7 |' e8 ~3 {
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M7 B& v. a$ B0 A% t- m/ O
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M& ~# m. h6 r" l- g
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
- C( _! w& h P" l: _6 s| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
+ l) t& _" B8 f7 ^, n| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
- l3 \4 I5 z" t% f4 |" O| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M' Y! ?4 p" E3 s7 L5 J# r3 l8 \
| ├──2--EM算法和GMM高斯混合模型 & p! A! Z$ a! C: Q- M
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
; H* V+ o1 F2 P% R0 O7 q| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M9 l7 M; l2 O v7 L
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
4 m' F4 P! i& j9 H F| | ├──4-Jensen不等式的应用 .mp4 109.17M h. }6 H3 M! y0 M9 Q! P
| | ├──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
7 b5 W4 `( x2 h, J" J1 ~6 t| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
. ^+ n% e6 _8 R: x$ t1 P/ _| | ├──7-GMM前景背景分离 .mp4 16.01M9 `7 Q8 X% J1 W6 G0 l. ^& W0 p
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M1 n4 y0 t7 P' x3 d# j/ j" U
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M9 Z- Z( I- | i j Q2 n$ j4 b& j# |
| └──3--PCA降维算法 2 O `3 m+ S, S8 U
| | ├──1-特征选择与特征映射 .mp4 49.38M8 H2 \& ?; |3 P& W* H
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M8 l! H2 C7 V! `3 @
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M: h) X" I' v7 L. y7 s$ a
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
3 D7 ^2 V5 w) Q; w9 O- k0 r| | └──5-PCA的几种应用 .mp4 54.58M/ v5 Q5 V! n2 }& u* k- ]- a" L
├──8--机器学习-决策树系列 ( i( m$ W7 P$ v# e. s
| ├──1--决策树
, X6 C7 y" z+ A1 x/ e| | ├──1-决策树模型的特点 .mp4 74.88M' |" x1 W" `, m' [ C1 Q$ E+ W# }
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M5 o6 v7 }* z0 s
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
) t* n& [9 i2 a! }' d* ?0 V( \| | ├──12-后剪枝的意义 .mp4 50.49M
" R$ C( X$ ]7 ]# S| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M4 v! H+ Z& _1 T6 R
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
$ L0 o6 ^* H* p1 u| | ├──2-决策树的数学表达 .mp4 89.94M
+ i# ]' Q$ Y$ F" e9 q| | ├──3-如何构建一颗决策树 .mp4 84.87M. V, y) c8 [, s2 N9 L9 z' _
| | ├──4-什么是更好的一次划分 .mp4 57.02M% P4 `7 S) B& T1 d$ b9 i: m
| | ├──5-Gini系数 .mp4 107.54M4 I( N$ O# Y9 e( [5 } M/ e
| | ├──6-信息增益 .mp4 75.26M
' w2 i! N, F: T1 m# I| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M4 Y: I% N9 y. ?: V$ r# Q
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
2 h) h1 F' p2 f! T| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
! `, E3 F% d1 f9 u9 G| ├──2--集成学习和随机森林
2 V: K) Z" K6 i$ Q, v" S| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M# ^. ^5 m" I; P7 w/ o X+ ?* E9 ~
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M$ f- g; H L6 {0 |. Z$ @8 ?
| | ├──3-随机森林 .mp4 108.14M
2 {$ f! h" `; O+ H4 s$ K& t$ I; i| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
' f j, W. i6 x4 a: m$ e| | ├──5-OOB袋外数据 .mp4 106.07M
. | w0 ?' `9 l; p* p| | ├──6-Adaboost算法思路 .mp4 106.30M+ @: Y) w6 `( f
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M/ U1 N# P' |: T/ q; x3 B7 r
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
% j# Q' Z( O3 W| ├──3--GBDT & K+ M+ x0 m" C8 K
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M* M$ S; `0 `/ T5 B |& q
| | ├──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
( G- R8 i0 k) }4 b2 [) n) }5 z6 A| | ├──11-GBDT多分类流程 .mp4 73.80M, U) L7 O% B4 ]' q* Z, L
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M Q# w1 y( Q: z, `6 B5 t
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M( T3 x w; ^4 L
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
2 l/ [$ k( A6 b| | ├──15-GBDT二分类举例详解 .mp4 86.67M- |. \+ V9 Z$ L) X
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
% D7 P6 z5 Q& g! E' b| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M) ^" g5 p# s7 J* R. B3 M) N" I
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M# A% p& y7 E) ]# M7 C5 [
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
# m+ y. S4 @* C" `| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
8 D& M5 x1 W+ u& [| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
5 G$ |# Z8 m) R4 \7 ?| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M1 K6 T7 L w/ ^) ?7 ^
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
' Q3 Z8 y1 ^; o9 J, w/ n| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
& M( c& f# F% y r" \| | ├──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
( Z! F6 e1 D& H0 O* F; j; U| | ├──4-GBDT应用于回归问题 .mp4 84.66M
( C6 T, J5 P5 a5 Y i6 y# ~7 u| | ├──5-GBDT回归举例_总结 .mp4 108.52M$ _" X; |3 Z; k1 G- e
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
! p1 v( E& f J* I| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
6 p5 ^9 ?! ~, n| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
5 a1 R9 y2 K' ]: e* I| | └──9-GBDT应用于多分类任务 .mp4 73.34M! m, s% ^, ?. C7 Z5 [# k4 }' p
| └──4--XGBoost 9 ^$ s; x) p* \' w$ _( W
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
! f/ K& O8 ]+ r& g$ i+ i| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
7 c' ]1 u' s. f2 n& Z2 x* g| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M% s5 r+ w% C1 x# m9 n ~
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M0 g) e o5 [' q X) S8 G# v) j
| | ├──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/ N0 e- B6 c+ e6 ~) t* t* h4 q
| | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件 .mp4 73.80M! J3 l8 J; p+ n% O1 z+ V% ~% _
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M S; q# q* j* `; G
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M7 o& C% s2 B ~& U" o) B0 _. z& X
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M' O0 D% i, X3 z2 j* G. f* N2 d/ ^9 F
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
; S5 q8 }: d/ U6 o$ Z3 A| | ├──3-基于树集成学习4个优点 .mp4 91.36M
2 t/ g& K0 C4 P4 n: V| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M$ q/ A; B4 N3 x3 @
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M H5 i3 K! V7 Q" V
| | ├──6-Objective_vs_Heuristic .mp4 60.42M8 J& ~( k, o. J, R
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M( D1 q. D! k8 n
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M. V# I" m7 V- o, }( r0 \
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M6 F5 R7 v% e6 H) q
├──9--机器学习-概率图模型
* K' ?. N f5 C* L; c7 V| ├──1--贝叶斯分类
. R: P* D1 t# V1 z; P6 l| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
9 d) D& U: T* L6 r| | ├──2-TF-IDF .mp4 53.08M
; L1 a+ j) f* s1 Q( C: D| | ├──3-NB代码实现解析 .mp4 126.73M
. W6 t9 z3 p& O' N% Q| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M$ T/ f% z$ M2 _
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
2 \% u" O% G/ ?| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M1 G8 t& y, X6 M% \+ N, I9 ~
| ├──2--HMM算法 : X5 z: i; ~0 }2 }( p
| | ├──1-HMM隐马的定义 .mp4 36.82M
5 t m4 q9 G+ q# T i% e5 M( w% T& s| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M4 U6 y5 P9 h b! B# {
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M8 P& h9 i. {3 K0 h
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M: H) J, l( F+ J2 ^& z
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M/ F& f7 d9 a1 o ?$ X% G; u. l% J2 H* r
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M1 L: W2 j1 Y9 o! o0 H+ C& L
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
, ?! u+ j' B" t! B/ ~4 r6 `| | └──8-Viterbi算法代码实现 .mp4 42.43M
, H) k2 U& v: S| └──3--CRF算法
# ]1 K; R" n, P| | ├──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/ O' B' U4 B7 c! ?9 O4 X
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
" z6 X/ ?5 a4 l| | ├──3-了解CRF层添加的好处 .mp4 105.90M8 \* k/ |% `% K2 V" W. {% e4 O
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M5 u$ F) O6 ^* O8 d# v5 ^- @/ {3 X
| | ├──5-CRF的目标函数 .mp4 23.74M
. O8 f& L- t7 A3 F| | ├──6-计算CRF真实路径的分数 .mp4 50.37M! f, X1 X N; |5 Y4 t
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
8 H0 R5 G5 v. Y$ S. p| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M h8 }9 K2 T. K( x6 i
└──课件.zip 2.54kb8 a; Y$ h; E- g. b& H
, [" a/ ], j7 L4 ]/ g5 b4 m$ }) B" q! q. Q4 s7 k7 v( p
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！
4 T* s% H+ X( W1 {: p d/ X' p( s/ \5 T) i+ ^3 D6 n( P+ \
! R' @7 A7 F0 D' E
|
/1 
