战-人工智能2022/
2 o; z( o( {/ r3 z├──1--人工智能基础-快速入门
8 c' ?4 X [: C- U3 {| ├──1--人工智能就业、薪资、各行业应用
4 m8 Q, U q6 v" l| | ├──1-人工智能就业前景与薪资 .mp4 52.07M" Z! U0 V6 p+ }8 K, c" @. R
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M5 D6 n4 r! m& d- q6 q$ L/ R
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M2 ?. a8 |! I q5 q# P
| | └──4-人工智能在各领域的应用 .mp4 57.73M2 \3 c! @% X0 t+ z: ]% x/ \
| └──2--机器学习和深度学习、有监督和无监督 8 W' ]( T, E/ l! g
| | ├──1-人工智能常见流程 .mp4 89.62M( ~, G6 }0 D# a' J7 _; ]2 Z
| | ├──2-机器学习不同的学习方式 .mp4 83.51M: P7 W4 \/ C' @( n9 e
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
1 e% ]. N$ [* L6 @& }! Y% D| | ├──4-有监督机器学习任务与本质 .mp4 37.50M$ e6 x6 {0 T$ T: o" q2 Q! J
| | └──5-无监督机器学习任务与本质 .mp4 50.15M3 H. a8 M0 W9 X- [% t9 |( C
├──10--机器学习与大数据-Kaggle竞赛实战 , j& g% e9 R& O6 [( N( Z* v+ ?
| ├──1--药店销量预测案例
! x1 {5 ~9 x9 ]4 i| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M6 U. W" j5 O, Z
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M1 w( } @$ C* i6 e5 ]% C
| | ├──3-自定义损失函数 .mp4 21.12M
4 y' U8 v4 U# {( a) G1 J4 W6 ^| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M- e# J. A) S. O; G
| | ├──5-数据的预处理 .mp4 111.81M
. K5 s0 W7 _7 ^/ D7 x| | ├──6-模型的训练_评估 .mp4 66.64M8 n7 U* ~. ~2 p6 \$ q0 H+ W6 L
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
1 r! I! m8 ^& L4 ~' z" X| └──2--网页分类案例 ; ?& l3 N3 O" H" v! v4 S: P
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
3 g( _+ y$ A0 }) b| | ├──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* s C/ B2 }6 r5 E- h
| | ├──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
! y6 o1 x0 B p8 B| | ├──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
" ~9 f) |! |" N| | ├──2-评估指标ROC和AUC .mp4 56.19M
( O& ]. F1 l5 ?; E' F3 U| | ├──3-评估指标ROC和AUC .mp4 49.03M
4 ]1 b! K3 [, N$ a8 || | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
: I, H$ @7 Z0 x| | ├──5-数据导入 .mp4 68.41M: E; T+ O# M+ v, a- r
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M" ?# J# n3 n" V2 ^. C+ _6 R
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
, u( y; h& _9 u- e| | ├──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/ E8 j" O- H' L1 ~: }4 Y. X
| | └──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 87.47M6 o. M1 C$ E& s6 t) \9 R
├──11--机器学习与大数据-海量数据挖掘工具 . D) t6 C# r" z
| ├──1--Spark计算框架基础
' S( b# h# \2 L6 q8 q| | ├──1-Spark特性_01 .mp4 41.68M
$ A! [/ E( V3 p4 Z( @$ R& @$ i- w& y| | ├──10-分布式计算所需进程 .mp4 26.30M
6 ]4 u, ~" J8 q/ ]* ~9 z| | ├──11-两种算子操作本质区别 .mp4 56.31M" }9 M8 z) u4 @
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M1 T# J2 H7 N# j; s" d/ D5 M
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
2 {' [! k0 B2 a/ i$ B4 {3 S| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
9 M' V! B& \8 A# j0 x1 E3 R, p. [2 X| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
4 ~1 ~, Z: w: h O3 U8 m( e. M6 u| | ├──2-Spark特性_02 .mp4 35.15M
7 }+ o; F. p7 _( h. h4 S| | ├──3-Spark对比hadoop优势 .mp4 19.34M
7 [# a/ Y* x1 @+ E0 n| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M" `1 a9 [% S( i; g; ^, T' N7 |
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
# P# \1 {& H/ t5 ~3 Q! Z| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
2 C1 P6 u* t# L2 X) _| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M' f9 L- }5 V. c
| | ├──8-Spark的RDD特性_01 .mp4 33.08M1 H. v! N$ s5 ]5 \' B% l, D: q
| | └──9-Spark的RDD特性_02 .mp4 33.41M
( v% N5 S! F/ }, P$ Y9 Z$ T( F| ├──2--Spark计算框架深入 # M/ F# R! j4 _0 [5 F6 x& Y' v
| | ├──1-Spark数据缓存机制 .mp4 54.43M3 s3 o6 O/ h$ g
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M4 Y/ l+ e7 U- X$ _/ B
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
8 ]: G- g8 Y8 S1 b| | ├──12-构建LabeledPoint .mp4 111.08M
9 }6 a% d- k6 i6 l* F# }1 J( b" t4 G| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
- j5 D0 C6 J9 {1 y$ N| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
4 ]+ x0 O2 I0 o3 X, w- }/ a| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M. X9 _: k1 R- x" P, D$ H1 Q
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
. H! ?. W) Y7 t7 ?; h| | ├──5-Spark术语总结 .mp4 89.66M1 b7 R6 C$ r `/ b6 }$ ?0 Y
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M7 S8 d: g* Y: K7 G6 p# O, {/ [
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M. d" O( m* L9 q
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
, K6 \5 Y- h7 ^' K) D* K. i0 [- O| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M% W* D- _+ |. z a5 V
| └──3--Spark机器学习MLlib和ML模块 ! ]. p% _' ]( f# s
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
! N' t( C$ j2 E) ~# A| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
% D" a/ L3 o8 l: B) n| | ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4 89.72M8 l1 k6 F6 F* }) n& N7 G) i7 i
| | ├──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
5 x: N" \8 @+ |5 |$ [3 C) q| | ├──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. r- ]( `0 k" Q2 K9 i/ I3 r
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
* F" d0 C) ?4 L, X! z- ^! `+ s- [| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M* e P) M6 Z6 m4 A2 N
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
. Z8 v* A" @5 }9 h| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
4 _- @ \+ j# n& w) a| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
1 \/ L8 y! t8 j0 q8 ~& G% }| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M+ D; [* |/ X% w$ d& m; u/ Q5 e
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
3 Y0 i ]7 G6 ~& H' ?| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M9 }8 [+ v2 L1 k5 h% p4 B8 [, ]
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M7 x$ A. G- U* W; R3 l. y
| | ├──22-SparkML网页分类案例代码实战续(1)_1 .mp4 143.99M7 r- o2 s+ V/ q. \; G
| | ├──23-SparkML网页分类案例代码实战续(1)_2 .mp4 143.95M
# F8 @' F P/ {: O| | ├──24-SparkML网页分类案例代码实战续(2)_1 .mp4 177.12M
6 a8 {* R1 Q2 i! C D, t1 I| | ├──25-SparkML网页分类案例代码实战续(2)_2 .mp4 99.25M
) W* o( d7 w- g0 {3 V2 j9 ?| | ├──26-SparkML网页分类案例代码实战续(3) .mp4 9.82M
, r2 r4 ?, U' n. V| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M1 Y& v" i0 u+ a, [0 f2 _
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M* i$ g/ v. A1 |) ^" \7 S
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
! q+ R2 a2 K! L# ?| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
& X: e6 m0 B/ \| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M% T, f8 F1 {& L2 g6 K3 t. |/ K2 M% B
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
- b& m( _3 [+ u/ Z| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M) T5 {, X! |3 x- M7 f
├──12--机器学习与大数据-推荐系统项目实战
1 z; i3 r: |0 e; g| ├──1--推荐系统--流程与架构 ( i, Q% R. r- r- r6 w, q: A7 A
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M+ A0 c9 y5 |3 ~4 }' B" E0 ]
| | ├──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
" ^0 H: o6 P' f9 F6 ~| | ├──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
0 F( O5 |9 O0 M" J7 {6 F| | ├──12-推荐系统_数据源_1 .mp4 79.07M M( o- D+ l7 N8 {: c
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
) x; G' Q* p) `0 F- \" G: N, g! I| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M; N6 l# I0 W9 W- U4 Y# t) w/ f
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
6 O: y- [# J& Q) T: I: C| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M7 _. f4 i( O: T0 e/ }- @
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
0 l3 X2 K* Y* s0 W0 m0 |% t N| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
8 X0 N Z/ }* l, m+ ^9 K7 s$ }| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M: _, x$ d' N2 |8 M, ]4 e
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M" g4 Z. ~- r$ [& l- [
| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M
" x* V; n- W! i| ├──2--推荐系统--数据预处理和模型构建评估实战 4 ]/ E/ z/ h6 n( B; R
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
H" l% f- B Y| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M9 l& u- F, W3 n9 G; J6 Z2 }3 a
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
: p; L8 q# w6 I* v: Z' K* N4 z! A| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M. a/ W' G8 m9 _- }% `
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M; N" U; F1 Q) H+ L% T3 X
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M# c; y8 S0 `0 w" }
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M: R5 c) u" D! ]% m! O9 M9 v {
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M% a! G9 C& t M* u
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
$ f6 Y; A c6 T ~| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
5 v" j" t8 I1 L: Q| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
$ D5 c; W% _* l| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M$ q8 E: p5 U& Q2 C% p1 y8 i+ z- S
| └──3--推荐系统--模型使用和推荐服务
/ d& Z; X9 f1 K* r- a| | ├──1-推荐模型文件使用思路 .mp4 61.89M# H+ p# h4 }1 {. y8 l. P0 W
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M5 `% r0 I7 q' k# y
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M" ]+ ]1 ]% w% o8 P6 b& J* ]
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M+ c( q+ _1 l9 T' ~7 B( }
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
* |7 {& M, x4 \' c Z( U$ p| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
& ]$ L3 n( Z) r! N| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
6 }2 Q: |' u/ o| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M3 q: {" |4 s- H
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M) }" |2 Y# `3 g, H. k _
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M2 y B' b- Y2 N& \4 e$ N
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M2 E4 \9 E9 _* U' w9 `9 N# M E
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
6 ~$ F- m. F/ W5 h* M1 s- n├──13--深度学习-原理和进阶
) a' X( M" z: W: H( \7 R| ├──1--神经网络算法
: {: _. m7 h2 F, K5 `4 n7 o| | ├──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
9 F N' T/ V# T| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M4 }3 Q& _* `" |$ d
| | ├──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
+ K- ]1 a0 b) S- J1 }) F& d| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M b! X; u9 t* y
| | ├──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# {$ P/ Y' O( O g. c; e
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M6 e" U5 e( f5 n6 T7 n
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
" ^" K0 K, i/ q| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
, S3 U @, I' k% t| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
0 P0 N: x- O8 {4 Y' k* U, b# a& K% ]| ├──2--TensorFlow深度学习工具
* M: o. N4 K- G1 ?6 E; d| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M0 Y7 c) n% D0 j* t2 t
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M4 O# A: A& h$ M; T$ A8 y
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
6 s6 h' j' ^! E- t+ ]! p1 b8 n| | ├──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 173.47M4 f0 e0 _5 z; X% r- I2 W# r; ^8 F
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M f$ i7 X; a+ Z
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
$ Q, e( r( j3 B- B, ]| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M- y! O( ~4 W. I! e) Z5 D4 C
| └──3--反向传播推导_Python代码实现神经网络
( E( _: ~" q/ M| | ├──1-反向传播_链式求导法则 .mp4 86.47M
C% \/ F/ P p% ~+ D, a+ U8 [- O| | ├──2-反向传播推导(一) .mp4 127.90M8 z1 D+ ~5 O9 _' m8 G3 E
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M( @# h# b% L0 y0 c/ ~9 v6 z
| | ├──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
6 B- X7 @% R6 N. o| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M
2 J, ?: y2 [' w2 f& _| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
, ^$ ?& L! R) Q| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M' u- d$ Z: |* `) Z$ }$ V% d
├──14--深度学习-图像识别原理 6 S+ S4 B( U0 f x7 Y+ P
| ├──1--卷积神经网络原理 , Z4 p' Y1 B+ f
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
% a$ O5 O6 x: O( k# o4 {9 M4 i| | ├──2-单通道卷积的计算 .mp4 104.01M
, b% p& [; c5 z2 M| | ├──3-彩色图片卷积的计算 .mp4 52.79M
+ g- t. T8 P! _5 z4 e$ U| | ├──4-卷积层权值共享 .mp4 63.93M
; T& V( T/ C) X" L6 g" U| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
' E4 b& S k5 @+ K+ f# R| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
$ K7 H* ^6 e# {0 _3 S! `| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M3 Y5 u {* ]) S$ k# P
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M8 s7 ~* }% N T4 r- T: n
| ├──2--卷积神经网络优化
& x6 S9 u( k% d! c( w| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M2 g8 p) i6 D% ?/ p; Z6 M3 ~5 E9 B
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M E6 s9 L+ [. u. S, c
| | ├──11-Optimizer_Adam .mp4 141.12M& J/ P3 b4 [5 C- x2 V
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M$ a e& Z! {. h6 k" {3 T" n
| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M2 @3 a# B& s/ H; a5 T
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M0 U! ]0 Q1 r. l0 a
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
/ V; k) B, n+ i# Q/ T+ u; w5 w| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M9 K5 t( D- t, e8 t
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M( \3 n, K' s G5 g% t) S$ e
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
3 _5 x" r' ~8 o( `% t m {7 ?| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
$ E2 Y0 e9 q7 @! H' R) x2 c| ├──3--经典卷积网络算法 3 i9 |! l$ T" H: B
| | ├──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& O+ w8 ?5 X& Q4 F
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M. y- c8 M P) i/ J- x
| | ├──3-InceptionV1_V2 .mp4 165.86M' ?% d. w# j3 b# b2 l
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M6 |: q" \. z3 ?- g
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
F d9 v6 ^0 h& o! K# e+ L: T| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
\" y- Q, O% J+ B, u- ]8 L| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M1 [5 O7 w1 z' V% L
| | ├──8-BatchNormalization .mp4 99.23M
0 c0 [% V6 |9 c! q! _, V| | └──9-Mobilenet网络架构 .mp4 150.05M/ K1 J1 R- t- a9 Q
| ├──4--古典目标检测
6 e1 N0 }1 L! r2 y: N4 N4 S5 ?| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M. h2 @3 g- C6 M4 {
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
& ?+ Z% d0 {& V8 u/ p: M* Y: i/ C5 W7 M| | ├──3-IOU以及python计算的代码 .mp4 23.56M
) e1 w8 c6 `. || | ├──4-R-CNN和SPP-net .mp4 124.06M+ k- `8 N m1 j4 L
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M7 s# _& p" K. o0 F
| └──5--现代目标检测之FasterRCNN 4 l. A3 e, B5 B7 b* ?7 w' o
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
" _8 L8 {5 Y7 O/ G( j+ K& }| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M- f( T% B* I' E6 p" I3 p
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
$ M; j. _; i) W9 s. a3 Q* g8 y| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M. }( o* Q8 s p; V |3 R4 P
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
( Y2 k7 V9 g( Y# D3 L: S├──15--深度学习-图像识别项目实战 ; L4 M4 J V; n: c
| ├──1--车牌识别
/ B, s# P: _4 x: z; D+ j) B| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M& I, o5 Q, S9 E; x" X
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M9 C8 F2 z: R$ I' c
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M, D5 p$ n8 L/ H% [
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M" g* J% @4 {' s! z) B
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
8 V& @- Z3 S" w) v/ l| ├──2--自然场景下的目标检测及源码分析
8 a0 n/ |- V7 n9 j& t" o: e| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
J$ ^& L2 v2 u1 I. j6 F| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
# l& u* d5 w4 s6 L J8 {( s| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
. a( r6 B4 q( k# v8 K: A4 X( e| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M6 `% I- t# P. h) M* g9 w' W6 S
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M6 q1 W& o0 `, p, y) @$ I
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M) S; i% y) N, @- b' S( e
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M. }# F1 z! ]6 W, b* K; }7 M; g# e4 a
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
! q" }1 I, W0 X7 r0 J| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
( X, G- \" g" ^| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M- L* t: C" K! W$ r5 G
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M3 J- n& g; A0 h, g6 b6 r. G
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
- G( N7 \/ _. _1 n1 y; _* H9 S| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M: }+ I% F0 |1 r% C5 I9 T
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
6 r5 G1 u/ G8 M/ Z: K| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
' U7 v. p2 D8 a t- j* T| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
. K2 M5 R# \, F! m| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M9 x! S0 {! y" Q0 G% M1 l! a1 u
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M, K7 I) t7 L% f4 ?
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M' u: s: d/ y9 K+ o7 q' ?- D
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
/ } D1 f; N$ q) |) E7 D| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
3 Y* D+ n6 ~! h# w- R& f| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
4 |3 Q% Y9 d( A- c| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
; F( w* }' Y9 j/ a+ w| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M p5 ~2 N" D( _# F% [( ]4 G! ]
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
* t' O) v8 I% O7 i" a| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M5 g! H) Z3 x7 v8 a y: ~, ?
| └──3--图像风格迁移 7 i2 X# z0 T7 S3 n1 I; g" f
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M( @' g! _- I6 {7 i
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
2 `- J/ ^9 T# O+ T, W| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
/ T( h2 d" ^; p9 k' A, r( x| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
) H. m! q9 E: l$ I7 g├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 3 m- G* b; y/ i0 b
| ├──1--YOLOv1详解 * U) M$ K7 J6 s. F
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M7 W$ s, Q5 Y9 s3 D& d( H
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
' W& y$ x4 f& V& S W4 T; L* d+ G| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M+ T4 |( K+ @' _
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M$ q9 S3 a$ @( B- ^
| ├──2--YOLOv2详解
* N5 Z9 z6 C0 E& b* `, n7 s| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
& d' v* t# Z9 c5 p7 @| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M% Z9 i: w/ P: M* d) \7 E* s0 V
| | ├──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
- b7 {" `; \1 q/ `| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M5 p+ t- l: P& X% a: Q
| ├──3--YOLOv3详解
. K+ S9 h& D O8 _; b| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
+ T* G0 r) ]/ R O| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M8 Z3 L* C8 p4 u/ U
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
9 V* B' m+ x4 l| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M M3 L& F4 W2 g) D
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M0 ?3 \; g$ t+ H
| ├──4--YOLOv3代码实战
% Q6 P) }! n+ j9 u+ V1 G| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
3 L% g: H+ q) Y5 q! ]| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
& @5 A( [; O3 h* Z' W) r| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M! G8 X7 h1 X2 R$ s) O7 y
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M1 V3 t4 K, S) U
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M8 J- N4 y% `( }8 e" c& K+ p$ E" X/ m
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
% X a+ g/ ]7 w| └──5--YOLOv4详解 1 K8 r) B* [3 V& g0 [, I( y
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M" m9 T% F" X: `7 |7 h5 u. p1 E
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M- n4 S5 N# x% ]4 ]
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M0 G$ x9 ?/ C7 [
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
) b) D: N9 r" @├──17--深度学习-语义分割原理和实战 d5 j \$ y% X* t- r9 R# h
| ├──1--上采样_双线性插值_转置卷积 1 d( c7 i7 y& U
| | ├──1-前言 .mp4 19.46M
+ m' n* o5 R* M( e- j3 w5 G9 S| | ├──2-上采样_repeat .mp4 23.90M
0 w7 S1 K9 C# W* R) Q2 t$ _| | ├──3-线性插值 .mp4 34.48M: O# W- H/ g9 D
| | ├──4-双线性插值 .mp4 125.71M
, U; E0 _- h$ l9 D' }* N6 V| | ├──5-转置卷积_以及TF的API .mp4 114.25M7 ]! w3 v8 z3 S9 {& Z$ P
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
1 R4 ^; t A7 |5 c| | ├──7-ROI Align .mp4 58.38M- p5 c1 P; [' Z
| | ├──8-FPN思想与网络结构 .mp4 92.14M
! K4 U i6 }1 M+ A| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
0 f: i- p( r! {0 V6 ~| ├──2--医疗图像UNet语义分割 8 @! n2 E3 I H
| | ├──1-语义分割的基本概念 .mp4 18.33M- k& O: J3 k( V7 a' ?# C
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M! N( `# y4 q$ d/ } I/ `: c4 l4 ?
| | ├──3-UNet网络结构 .mp4 30.41M% \0 S: A" M8 Y4 z6 {* a9 g
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M% [2 [- F+ ^8 H6 D- p- Q
| └──3--蒙版弹幕MaskRCNN语义分割
) U1 s0 p; \1 l; y* I& `" M| | ├──1-MaskRCNN网络结构 .mp4 106.38M" }$ f7 F8 m9 w; M9 r! Q
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M1 @! @% h$ t" K4 L& p0 m$ ~0 k1 m
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
/ R- l' a4 l4 D3 ?, u, J| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
3 G; f( G7 O" n& O/ B| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M* D& j# D# K- J5 h4 q) O
| | └──6-MaskRCNN源码config和model .mp4 244.48M. k7 I* J" w1 V" |1 i1 S5 w0 s6 B
├──18--深度学习-人脸识别项目实战
, P, P, S" X( M2 Q; o2 l| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
# R. H. i" h* ?; X) k& h( O| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
( @; _# e, g. ~0 s) z/ d$ 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
* S# O6 r9 o ]) ^$ O| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
9 T' H4 m! e3 k| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
% n/ V( `0 Z5 H8 Z| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
+ I, E% K# b& ]7 ?| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M. G, W! u7 i8 W6 y* h0 a
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
2 ^9 d- ~* e+ I$ D5 w) `- o! ?| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M2 A* H# `/ v- C; }# s
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
$ n0 g/ Z: |* m1 y* Z| ├──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 R! G3 O4 y8 J& j| ├──2-开源的FaceNet项目介绍 .mp4 38.07M* w% W4 w' P* V% P. r
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
) ^$ N1 ?9 O+ w, v| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M1 }, \, h; x o1 E- H( A5 t7 ^
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M F0 V+ g* S, p& v, n6 p
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M) \, J' w8 h' {
| ├──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
. y* Y. e& a8 G' u+ z| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M2 }; e8 ^: B2 T" `
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
2 n% [1 r% s& }3 Q" f, p# T├──19--深度学习-NLP自然语言处理原理和进阶 1 I: p* C9 a! o
| ├──1--词向量与词嵌入
9 k" f/ {& Y& C0 R| | ├──1-N-gram语言模型 .mp4 116.32M% w/ Z# ?9 ]( ], B( h& m" i6 h! g
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M6 f5 w$ x7 e# e; z: D R: K
| | ├──3-词向量的作用 .mp4 58.00M
8 n" `" t$ L7 e| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
* U; ?0 \* b& D| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M% u: t% n# d9 q+ Y. \
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
' s% T2 q+ N7 X: I' d4 r| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M8 a: }; {! w+ K) L$ p
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
8 F; y& a* Y j+ L6 B| ├──2--循环神经网络原理与优化 & [4 A1 _; t, I# i6 k8 K3 ]: ^
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
% p8 g; p& ]: ^9 }8 e8 S& K5 c| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M) c L) G+ \- V6 w$ O: l
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M6 y2 _, ]) u6 b1 I( Z( H8 l
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
% K( |4 k( T3 U+ A| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
' P. q- t |1 S; y2 U! [! G3 _| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
: U! O$ e8 ^- ^5 t| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
5 B8 N+ D0 h' V* }. ]| | ├──8-双向RNN_LSTM .mp4 52.01M
u. D6 C1 A+ I1 o/ s t| | └──9-RNN里面应用的Topology结构 .mp4 23.04M% \, Q# F/ u+ h/ z
| ├──3--从Attention机制到Transformer
, q8 T0 Z- g! \5 O| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
; N) q2 W0 {+ f$ w2 l| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
* q T ^. ^. [- r$ @| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M$ R& W: w7 [7 _3 l3 Z
| └──4--ELMO_BERT_GPT
8 N- C2 ^7 H- C' D7 R| | ├──1-ELMO .mp4 62.44M
: ~" I3 R' \# L( x+ l| | ├──2-BERT理论 .mp4 99.73M K/ O/ \. k! ~: D: r6 s- W/ t1 p
| | └──3-ERNIE_GPT .mp4 56.34M
* S$ F: j& y' i I. V. ]- Y/ c├──2--人工智能基础-Python基础
; B; e* P" \( b| ├──1--Python开发环境搭建 G H8 f" |+ x9 F9 D
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
) M' [% `0 t1 Z, `& X3 C9 F* V| | ├──2-Miniconda安装和测试 .mp4 57.12M- `; T) B0 ^: f$ {
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
; S p. q" X; L# z| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
8 P8 q: u; Z P) ] W| | ├──5-Jupyter常用快捷键 .mp4 32.23M; `# p. D- _" ~# `" E [
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
* m1 [$ u! b3 W6 h! U; Z, h| | └──7-关联虚拟环境运行代码 .mp4 38.14M
$ ~$ ?1 a5 z. d W7 q| └──2--Python基础语法
% S+ z! n5 \; r/ u5 m| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M6 H' a- ^; }- Q0 W
| | ├──10-Python_集合操作_列表 .mp4 34.71M
/ t8 B, ?! S8 h8 L6 z, Q| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
7 d" V! T5 i4 R| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M, F0 T# O( p: p4 ?& R: ~6 `
| | ├──13-Python_集合操作_元组 .mp4 43.46M" S: B0 T4 z" L! [& q6 M9 W; U
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
! ^0 H, ]8 k" N8 r- U; `, { S3 h| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
3 w6 B( g1 s$ r, [( W| | ├──16-Python_os模块_shutil模块 .mp4 51.54M4 A; _1 y$ P: d7 T4 z
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M: J/ ]/ H3 o: v, ]1 e% t
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
9 N( G3 _# f$ ?| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M" [! p$ b0 Y- z' k" t
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
) O$ C- B* y4 D+ g8 x" b3 C| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M2 L1 `0 [( O3 D7 b
| | ├──21-Python_函数_递归 .mp4 23.46M$ j" B8 r' U! c0 x
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
( b1 ?) x \4 _| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
( Q4 z% H ]' C: I| | ├──24-Python_函数_闭包 .mp4 41.61M+ D2 h$ M. Q8 y( w0 p
| | ├──25-Python_函数_装饰器 .mp4 30.35M- H$ P4 @1 Q2 ^5 P3 o
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
+ a& s$ ]4 B: Q. K9 u8 I| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
* X- |6 s- E2 L+ x; Z| | ├──28-Python_类对象_内置方法 .mp4 29.17M/ v! ]7 x' E4 ]0 v/ P6 g
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
9 y) [0 M/ O% W) H| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M4 }; I& P: `5 E$ y: m
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M5 U0 |: `4 W n6 g- x+ A3 A# m# f7 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) U. G, n! g6 C| | ├──4-Python_控制语句_while循环 .mp4 25.02M
o ^3 E8 L& A0 a# G| | ├──5-Python_控制语句_for循环 .mp4 22.82M
% a! g9 W6 P) L) ~| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M; R, }" ~5 ]$ L7 a |0 D) a
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
6 O$ D( X% g' u( }| | ├──8-Python_切片操作 .mp4 40.20M
% Y, n: I+ M% X3 ^/ z0 K& W| | └──9-Python_数据类型 .mp4 25.38M! v' |- E6 B. `
├──20--深度学习-NLP自然语言处理项目实战
7 z. ~/ q& j" H) v# ?; \| ├──1--词向量 6 s2 M( L" f# h& y
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
0 M. `3 I) G5 y" q5 S6 Y. c6 }| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M' U- m# A" \' x1 O; [. c
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
+ @% } b1 s- ]% C5 j5 R6 l| | ├──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
' }) N; D: n% U" b% B/ S, l| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
$ c0 S' \7 J1 f| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M" [" ?4 n1 S' L. o
| ├──2--自然语言处理--情感分析 * @5 [ e t6 e: r4 w+ {4 d
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M* I6 T& M! o9 j% M6 D9 k9 l. d
| | ├──2-数据预处理_01 .mp4 79.65M
- r9 z4 A0 `4 o! e J; J8 h: `| | ├──3-数据预处理_02 .mp4 45.68M2 M$ J5 B# A2 f- D) X4 J! A O
| | ├──4-代码讲解_01 .mp4 52.29M
8 S, a3 ^9 ~: r% _$ d2 j| | ├──5-代码讲解_02 .mp4 60.85M
, E+ l3 V _) @. R+ x0 C6 M: E| | ├──6-代码讲解_03 .mp4 53.89M7 ]0 C' R3 h+ b% A3 R
| | ├──7-代码讲解_04 .mp4 57.19M0 a6 J5 u2 ^" ~2 ^* y
| | └──8-代码讲解_05 .mp4 35.88M
$ {2 o# i% U. \# T/ f| ├──3--AI写唐诗 8 B: N( z3 {2 A3 p) o
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
; a7 Z @) C. o0 w+ o| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
+ `) b3 h! K4 S( _' j| | ├──3-MultiRNNCell单元 .mp4 38.93M
- q% ]. ~9 k3 p! m; w| | ├──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
( c( D8 c7 k( x, X: y| | ├──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$ L, a, g8 S9 y0 T* ^* B
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M9 J3 t- u6 F9 n9 ]& |# f0 M* H/ q
| ├──4--Seq2Seq聊天机器人 8 p, @; c* [9 Y. Y0 c/ T
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
|& f+ S: X: p+ ?" d2 D* d9 T( \| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
3 D4 {- |* S' h| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
( f! w6 f" Z3 ?+ B$ b| ├──5--实战NER命名实体识别项目 6 B/ K2 y2 w6 W |4 I9 c
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M9 C- Y( Q4 p% Q- ^
| | ├──2-介绍了代码目录结构 .mp4 23.44M& v ?& Q4 H9 {0 y
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
8 t4 W& m( |7 T p) n| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M& N6 J3 E/ k6 a& \" x
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
+ {& F$ I; Q# E7 F' @% `* y| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
8 ^% b y# K' s% m| | ├──7-CRF中的特征函数们 .mp4 125.97M
) p2 K* l6 C( U| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M, A! k5 ~# Z! l) f0 a7 L
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M8 w9 F B+ j7 D3 z) K
| ├──6--BERT新浪新闻10分类项目 , Q k0 e+ G9 Z% W1 c+ l
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
: B1 X0 v( I8 o3 W g# V' j| └──7--GPT2聊天机器人
# Y0 V/ p2 g3 |* W| | └──1-GPT2闲聊机器人 .mp4 62.28M1 T+ p- t6 d0 c+ L
├──21--深度学习-OCR文本识别
3 {- [" x- ^7 B7 `| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
- }6 J8 e$ M$ X- [| ├──10-CRNN项目代码剖析 .mp4 306.48M
( b# Q: j8 \; E6 _| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M2 X e4 P: J- u; a- L3 d
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
2 A( R3 I, @" `/ g6 N6 U| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M/ O+ ]3 [ L* N
| ├──5-CTC损失函数的理解 .mp4 330.64M' e G- r# }9 [( q+ J
| ├──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
, `0 n7 y2 s) I* Z: k) g* a" e| ├──7-CTC前向后向算法代码 .mp4 225.41M
" {8 j2 `6 M, t6 P) b4 z6 G| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
! f$ H0 q& Q1 |$ v; g4 U| └──9-CPTN项目代码剖析 .mp4 491.69M
0 _' o% T5 _+ p$ ^ v; m├──24--【加课】Pytorch项目实战
/ o" f7 U! N" r+ h" b| ├──1--PyTorch运行环境安装_运行环境测试
9 ]: P) G1 z8 i* N3 ~| | ├──1-PyTorch概述 .mp4 29.29M
' [& y `- Q0 t4 W, q# V| | ├──2-PyTorch的安装 .mp4 76.45M
' q; K) v! B5 x1 v0 m" g| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M5 w# ]0 a) R+ V
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
7 `* U0 u) D3 x, Y6 f; c+ f2 @; l: d| ├──2--PyTorch基础_Tensor张量运算 : t& W. v0 X. K
| | ├──1-Tensor的创建 .mp4 55.14M/ L- ?3 F0 h4 J8 D- V) Z
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
% w( o! \5 u3 a, c4 d5 h) j1 Y6 }| | ├──3-广播机制_逐元素操作 .mp4 44.46M
7 B$ | T2 d6 d, R. O, P8 w% ]| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
4 M4 K. G% ~9 o7 ?$ R8 v| ├──3--PyTorch卷积神经网络_实战CIFAR10
# R: g0 r1 O# ^7 F| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M" m3 \) c0 {" B/ x3 }+ }! w; y
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
" G/ V) b6 w* E| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
5 O( Q: X% }: F Z& f8 O| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M0 R5 D t- X/ [& V; n8 l
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
D& i+ ]# F6 M R/ w( M| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M5 C r/ n Y) @" X
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M. Q$ t+ Y( y7 ^% o& v
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M9 z2 G/ a; v* S/ K$ X" ]
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
! v9 u* [/ x9 o$ Z# O3 `| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
. _8 K1 S4 j3 @; n3 F0 s! v0 F| ├──4--PyTorch循环神经网络_词性标注
' a- ~& }+ A) x6 X9 c* ]) Y4 D- V| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
0 a# C. a8 [8 D5 a$ ^| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M4 e4 S9 n U* ^9 w
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
l9 r: k5 J9 d N2 h| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
P3 o! o! f( z' \: B| └──5--PyTorch编码器解码器_机器翻译 ; J& J1 r* E# I- B
| | ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4 50.41M8 p' ~/ v1 o& A1 R( F
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M6 S$ h; C9 Y) E3 G# e. W/ W0 g
| | ├──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- L8 l) d' C% u
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
' X8 m' n9 h$ |3 i2 z| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
" S9 R' ]& c0 z/ V9 y. k* Y5 K! v/ ~) s; R! {| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M$ F- Q. `! A1 {& F# N
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M% _+ Z0 E% x; A8 H2 B( Z5 s
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
" X; `2 ]. ]( z- P8 b& I├──25--【加课】百度飞桨PaddlePaddle实战【新增】
3 ~* z8 o$ t) l1 E| ├──1--PaddlePaddle框架安装_波士顿房价预测
& m. Q6 V1 R' Q6 g| | ├──1-安装PaddlePaddle .mp4 87.34M
2 l3 ]: ^. O9 ^& e0 p/ U; [| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
) S; t" N9 E: A% g; V/ D| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M; ~5 A: X- l; R" U+ l
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
: d1 y& B. s1 I/ t| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
" o7 H. L6 E% [ G; y; d6 A| ├──2--PaddlePaddle卷积网络_病理性近视识别 ) ?; o: U' y% A% O9 r% l) b
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M7 T; o0 A, Z5 ~1 o! Q/ i' H
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M1 B% s _' ]$ c: |& }0 T# P
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M. ~- X1 H0 g3 [9 Y0 ~) d
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
) V; H( P) u6 y7 R5 u6 [' [- K6 x| ├──3--PaddleDetection工具_PCB电路板缺陷检测
: \$ b6 n; A- a& B! _! V| | ├──1-PaddleDetection_项目配置 .mp4 82.88M, f A7 e* d9 R1 i9 N% F- G
| | ├──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
; {' l) T# q* N6 H3 i0 n$ \& v. U| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M+ x$ d% t- S/ J/ e& v8 d
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M' @2 m4 g' @7 f. Z, k+ M, ^
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M2 r, z! e+ _6 X+ A+ Z3 }
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M, z3 V3 k+ f8 L) {, L& n# B& c% J/ {
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
, f3 D* |5 r8 ~$ X- N; s| ├──4--PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss) , a% {" ^) N; T' b' w* {
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
6 a B2 _5 q; J| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
) U' }" q3 G! ]5 F! Z" m. @" s" E: [% A| | ├──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
+ p8 c3 O" Y+ D8 J| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M3 {- r5 w e+ y3 b* d* |
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
# A$ q- c V- `; j% o) v| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
' I, y$ r2 A3 P! e% B/ Q# k| ├──5--PaddleNLP模块_物流信息提取(BiGRU+CRF) 6 y6 p$ B- v V
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
Z: k3 r: Q D4 z| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
( F) d" o( u" U& p| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
( N) I/ U- k* V* E( p| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
' ?0 t' o. P, M: V( v; }" `: u| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M7 A/ w( O6 h/ |' E- Y, ~" s
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M X5 B1 x& ~7 f& ?
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
7 y/ g- ~% Q& w$ s- [& p4 c| | └──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
3 N2 Q: x: g: g| └──6--PaddleNLP模块_物流信息提取(ERNIE版)
6 e/ d* a& }$ {" D* U% X3 b| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
! V" M, N5 r* U2 U5 i H; p! C. q| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M9 n2 w6 ^& H2 _. |- |/ z S
| | ├──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% v4 P: H6 m, |& Z: J( H
| | └──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
2 |4 n9 G- t) B& D! m, G3 I├──26--【加课】Linux 环境编程基础
* l$ f# p. l3 \7 || └──1--Linux
: y9 M) s: k, x% ]2 l| | ├──1-Linux_课程介绍 .mp4 3.72M
) O7 u/ E% {$ S: G( @% Y' i: }0 I| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
# w7 z$ D0 k* b$ Q Y# `. z| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M( R; H3 D" ?+ v0 ?
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
4 }5 y @1 t9 j| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
( T3 x9 [+ K9 y8 z| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
& ^, ]! W: h9 K6 p# Z9 c* R; s! O| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
( p5 U6 O$ P* N7 I& k) e O: A| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
5 q( H4 Y3 U$ I| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M9 Q" W+ C6 H3 I4 i
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M+ t) \1 _) p5 T( ^
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
/ S, e9 I: G' j2 c4 B0 R6 C| | ├──2-Linux_Linux简介 .mp4 17.59M
. b$ W3 h2 a0 J$ T2 T/ m0 i( h- X5 n% b| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
# t9 t! {( m- p2 e| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M! k) w) S, l6 F' V* l8 x
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
# E, ~* E$ ~' t| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
; f5 o1 D4 X% s4 o+ Q4 K| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M: r, E$ P5 D! v* f8 b
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M* N9 \9 x; q+ G
| | ├──26-Linux_安装MySQL .mp4 79.02M
4 e9 r8 M2 C; O) D" d| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
8 m5 Y5 y$ X( o, Y% f( p| | ├──4-Linux_安装Linux .mp4 41.97M; x2 F8 U5 K4 s {6 M
| | ├──5-Linux_目录介绍 .mp4 20.31M% c8 A+ u" `7 o2 T B7 B
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
3 a5 T; a, c( t) @% T. g# n| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
4 ]* i. Y8 H+ ~+ S| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M) y D. H9 y6 H% Y; _2 V
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M2 ~ ^. e2 ~) c, A: R, ~4 O
├──27--【加课】算法与数据结构 ! F. i- B, C- n/ S" v
| └──1--算法与数据结构 . N( U1 ?) G, ?9 J5 C; [) m- ^7 m1 l
| | ├──1-数据结构与算法简介 .mp4 35.68M. Z. u1 R/ ?- J T" G0 ~8 K
| | ├──10-哈希表的基本结构 .mp4 54.34M7 s3 Z7 r* l& N, i* q
| | ├──11-哈希表冲突问题 .mp4 75.92M
" }/ [: R$ O& q2 W8 v3 Z \0 `, y| | ├──12-哈希表冲突问题2 .mp4 72.30M
2 {& R& H" f. S X4 A& F9 q7 b4 v) g| | ├──13-哈希扩容 .mp4 111.03M! K3 ]' `1 W" i; B$ |9 M; {
| | ├──14-递归与栈 .mp4 50.77M" f8 }& A3 i+ A- V0 b+ M" I8 F
| | ├──15-线性查找 .mp4 57.80M% P2 Y& m( v! y
| | ├──16-二分查找 .mp4 52.32M, v# ?# h; n& k4 j/ M( r
| | ├──17-冒泡排序 .mp4 53.19M
' H: V! z/ O1 h# H2 p. z' m1 G| | ├──18-选择排序 .mp4 43.29M
* y; n* E- C: C' w| | ├──19-插入排序 .mp4 31.39M
; t9 d. g) [& L6 ^! T6 v| | ├──2-大O表示法 .mp4 25.59M, J8 Z& \, l1 G
| | ├──20-归并排序 .mp4 84.48M, ]# O, H) O' `) T" x( u! L
| | ├──21-快速排序 .mp4 36.63M. R* q6 { V! K: h0 s- w& o
| | ├──22-树结构 .mp4 96.85M
) s; @- o# z1 H2 U. V2 L| | ├──23-树结构的遍历 .mp4 61.05M+ L: \! \+ V3 V h# Q6 y
| | ├──24-最大堆的增加操作 .mp4 45.43M
( g& K: f( H0 ^' M4 t- z| | ├──25-最大堆的删除操作 .mp4 45.63M( T4 J( u0 F8 Z$ J7 B
| | ├──26-二叉树的查找 .mp4 100.24M9 j8 k3 z4 ?% h( Y( y
| | ├──27-二叉树获取最小值 .mp4 25.21M
; F B& M, |" b. e| | ├──28-二叉树的添加 .mp4 72.66M
+ O8 l. e3 U+ r z8 \| | ├──29-二叉树的删除 .mp4 120.06M
8 k/ A) D" ~; Y( \7 }. B| | ├──3-线性结构 .mp4 53.14M6 b1 a$ o) ?4 G; Y$ A* O& @
| | ├──4-单线链表1 .mp4 68.36M( Q9 _& y0 w# C0 c+ `, Q5 S0 w
| | ├──5-单链表2 .mp4 221.69M1 x/ i* J' Q1 d3 ?) B
| | ├──6-双链表 .mp4 103.57M' ^/ h8 v; s& ?% ~) g+ ^/ s, Y( V
| | ├──7-队列(链式) .mp4 74.12M
5 X9 I) y9 t( R: Y9 E6 T| | ├──8-队列(线式) .mp4 30.99M1 q+ ?0 ` ?* {9 k) A: z
| | └──9-栈与双端队列 .mp4 28.12M
0 S" y7 r# H$ X$ D: I/ _! N├──3--人工智能基础-Python科学计算和可视化
( f% T2 X4 M5 S+ K( D| ├──1--科学计算模型Numpy . }) S( b: ^+ t W+ C3 M
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
7 _7 }3 Y) k$ b+ O4 I- `; H. I* D| | ├──2-Numpy_array_arange .mp4 35.45M
: E! F# J. O# H) G' s' J$ [) n| | ├──3-Numpy_random随机数生成 .mp4 50.54M
! X T' I: M8 }6 s) L8 `| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
; _, b6 T$ P) g5 T7 P| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
0 k9 m& _% d9 g0 u+ M| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
) ? B u+ n" K| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
p/ G. ?/ G4 I0 `* k1 a+ l| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
7 R s' x) h* e/ u| | └──9-Numpy_聚合函数 .mp4 23.68M
7 l& }6 _$ v9 A& {2 z/ x| ├──2--数据可视化模块
4 { R$ {; w4 D7 I; z" W: b# T8 [| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M- j9 c" `: T3 G4 Q/ h
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M4 k7 ~2 s) R$ K: J
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M& G' R. H9 p: Y' h5 q# W: {
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
' |8 z4 }) I' q- V| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M5 B+ B: T3 m. P1 V, M( }' c
| └──3--数据处理分析模块Pandas
5 {9 K3 l7 H2 H! u0 z+ G, U| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
7 ?0 |9 i* y% `) O0 B: H4 [| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M/ o2 _8 D9 j5 T/ c
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
7 S" z& l+ J7 f! }, |3 q! E7 ~| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M: G; @! u E( z, y" W7 t
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M) m8 s/ E9 j6 y, H) k
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M; g1 D1 v5 d+ Y2 w4 N0 E/ \$ P2 i
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
. ]4 c( q: ?; C/ b/ B8 P5 p( J├──31--【加课】 强化学习【新增】
& v0 ?7 [6 ^7 U: i| ├──1--Q-Learning与SARSA算法
6 m& M8 g G/ }. L. k| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M7 F# s* L1 E! o8 |% T, J
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
1 T- S% k6 H& f9 `* I| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
" Y$ q# U, \- A/ `2 ~0 F5 T| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
4 m `" F0 P, R6 K4 D4 b| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
- [! {, c! l* m% m, F% G; d| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
" e1 f8 d8 c1 n* k/ p| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M) I4 v m9 V8 N8 X! W: w& _- }; v( s* q
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
# u% G6 U1 k; J' q7 X+ ]! b| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M7 L2 r8 I# `, Z" i
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
& ?# ^( \3 o1 }7 C: _| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
W* l: N% b6 F0 y| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M z/ E; i; k0 X' Q" K; ]" @
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M& \: u- B* W: J; |. D
| ├──2--Deep Q-Learning Network . L" w% W) ^7 X$ @
| | ├──1-DQN算法思想 .mp4 59.24M
, [3 ~+ a+ l" e3 [' r) @1 G| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M5 a' L. [' B3 w' H& o' X+ l0 r; \
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
# ]' N/ B6 Q, u) f+ h. j; ]0 ^1 R3 g| | ├──12-DuelingDQN .mp4 88.12M8 R/ ~3 z* u1 u5 ^ {" k \9 \# Y
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
. O7 Y8 ^3 y. D1 A| | ├──14-计算Action的方差避免风险 .mp4 54.23M
9 O/ V/ I7 [, A| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
. ^3 s+ R! F! ^' S5 q3 O| | ├──2-DQN算法具体流程 .mp4 56.17M- n/ \. q; t2 @8 P1 l) {/ W& j, N6 z
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M! ~ v: @) k$ o" C" p7 [; o3 g
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
8 |, P; `" i2 h& G* S& K" h3 ~| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
# b: z' ?. p: F* R2 n5 I| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M8 @! \. o! `1 P) t9 t
| | ├──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) { d8 e. @( j H: J
| | ├──8-代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小 .mp4 58.93M
4 O0 k" ^) q# i R$ ^- n| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M: q3 M" `; O" G# M
| ├──3--Policy Gradient 策略梯度 4 f; |$ o, `* S- i3 a+ C
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M" @6 Y3 g) `; j* r
| | ├──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 34.22M7 W5 V. D% b; g5 B4 y0 [2 ]! o
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M! _- @% i+ f4 \: B$ Z2 n( I2 Y, ~
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
- X1 e" `6 j) A( p* \: R& {" `| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M8 p; Y6 U* Q Q! k$ k$ b; I# i5 ?
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M' O; Y/ x o/ n1 j
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
8 o4 e* f- H1 R. e+ p, j| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
: _+ E5 f8 A* i% c| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
3 s# i9 s4 W }+ h| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
1 x u/ a3 l4 @' v; H9 ^/ V| ├──4--Actor Critic (A3C)
6 B5 V8 w1 j9 W* |& s| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M- J8 g6 ]4 ^* l+ d U4 P# ]' q0 W
| | ├──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 \8 i( f7 w" z* 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
- p2 a+ C/ ]7 h& h3 f" G; t7 B| | ├──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. w* w, C. Q/ V! A Q; u/ G+ J
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M+ ?4 c: U/ U2 S( F) R
| | ├──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
% Q& {% c0 W7 z6 c| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
8 J0 U) u. _+ O/ Y9 O" }/ D| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M6 l6 F* C( Z0 c' J1 i
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M Q V* S6 j2 C6 r7 F
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
/ K9 O* X* `1 A1 B5 m! r| | ├──6-A3C架构和训练流程 .mp4 74.66M6 O& `# d. k: ]% D2 U
| | ├──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
- H# K/ V6 z1 `$ O- m1 p| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M: _" _3 a9 o$ t* X
| | └──9-代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性 .mp4 36.62M
5 }# m! Q1 M/ B3 ]0 b| └──5--DDPG、PPO、DPPO算法 . v/ L& {7 J5 {, A. e
| | ├──1-DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic .mp4 81.92M
1 m6 s& k2 N5 L8 r* _, }+ q) y0 N| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M2 n! T" S1 k/ h; j* L! l, H
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M6 k! N( _" Y/ }8 l, u2 F7 q* c
| | ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4 42.12M
+ t0 K* b' L! B {4 ^6 `| | ├──13-DPPO分布式PPO .mp4 63.81M
7 S# l* l% B. P9 C2 R| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
" I0 P E1 N0 I1 C: W0 A$ f3 N2 W| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M) G6 S( P. H- m" O% [' [# _5 R
| | ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4 51.45M2 N1 A/ a: B! _" A6 N) g( s0 S
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M% a' @" M+ ~ \. M0 u4 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
3 D, q, g l, D" D" I& L8 [7 o$ v' y| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M$ z' a/ x. L- }
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
' p( s6 ^/ M( V1 b/ y- D| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M3 M3 v# l2 k3 {8 I! F0 n B
| | ├──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( L" W% o# T, w" t- t0 h
| | └──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
+ _3 [. s$ {1 y" w4 o: ?├──4--人工智能基础-高等数学知识强化 8 s1 V7 v# S4 j" k
| ├──1--数学内容概述 + ?8 M0 Z- {5 z4 h- b4 p
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
0 m( D: v1 K0 L% P$ O| | ├──2-线性代数_概率论知识点 .mp4 26.81M0 ^7 A C8 [+ b D9 P3 N/ [
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
. Y* a, w4 o. B' V! [| ├──2--一元函数微分学 . U7 U0 S" R6 A1 u" x) N
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
: d9 `8 c! N3 c| | ├──2-导数的几何意义和物理意义 .mp4 14.49M; n8 ^0 c W2 ~. z: O
| | ├──3-常见函数的求导公式 .mp4 22.76M
5 B5 h; L8 }3 R# g% S| | ├──4-导数求解的四则运算法则 .mp4 26.52M
9 g2 H* C* [# \% @! m% t| | ├──5-复合函数求导法则 .mp4 19.68M
6 v' }, _6 c$ }9 ?+ f! f2 G, i& x| | ├──6-推导激活函数的导函数 .mp4 33.40M F' J; P0 ?' ?+ p4 z. @
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
. T7 p2 T7 E! g. `4 Q0 T4 _| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M/ c6 d) I( B# G, b) T/ ? a
| ├──3--线性代数基础
8 i5 Q9 ~* ~5 X, E4 t$ e) ]: `1 S' L| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
# n7 i. x6 k; B1 ?9 a| | ├──10-矩阵的逆矩阵 .mp4 38.54M
7 [' C; D. b$ B- ~; _2 R) M| | ├──11-矩阵的行列式 .mp4 20.13M J- m7 B4 r0 O6 D
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M, w5 T# n, x1 q, M
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
6 H" G& [% Z) D. P3 v9 p! I) s, E| | ├──4-学习向量计算的用途举例 .mp4 20.32M O. Z/ @+ X# q: V' ^
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M1 r8 e- Y- ~! D, n4 G5 b& x% ^( ~
| | ├──6-特殊的向量 .mp4 26.45M
- E: M5 q9 d7 Y1 Z+ A! N' d| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M) L' T8 n- [7 J+ M+ h3 a8 ~
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M6 I$ S8 d6 K. p" }& ^# A" C E
| | └──9-矩阵相乘 .mp4 20.02M
$ u/ G( l; j: s2 _# }| ├──4--多元函数微分学
/ x6 y* c& E; o# g! t6 O| | ├──1-多元函数求偏导 .mp4 22.61M7 D! k0 z% W7 F& ~
| | ├──2-高阶偏导数_梯度 .mp4 27.15M' G# F5 ]0 ^# _/ k7 S
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M, O6 ~( ~! a, o( F
| | └──4-Hessian矩阵 .mp4 32.93M
, m& H/ ]1 S. y+ y$ n# @) l% s| ├──5--线性代数高级
: |7 ?7 s& l0 `- e4 b- o| | ├──1-二次型 .mp4 27.70M
3 B9 a' y$ ?8 t0 v$ v( A1 m# I| | ├──10-SVD用于PCA降维 .mp4 24.90M
, U5 x" c. k! E+ S| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M) k* Z7 q1 `! }) n
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
& ^ N; E. B/ P* c# i9 o, P| | ├──3-特征值和特征向量(1) .mp4 29.83M
7 ]' L P2 |) z/ q| | ├──4-特征值和特征向量(2) .mp4 30.07M
+ l4 y4 y* O5 h9 ]5 A8 d| | ├──5-特征值分解 .mp4 38.68M2 t" W* q( d+ q3 M, m
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M* h; G0 s7 ~- _ h: g# e
| | ├──7-奇异值分解定义 .mp4 22.58M8 D+ T3 ]+ I8 p( e
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M4 D$ l$ {: |, {; o& U" U
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M6 `6 N% V) r2 `7 i
| ├──6--概率论 $ U+ v2 w0 ?: H; ^8 m- A4 v; K
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
2 Z1 U! @7 J' }3 g$ n$ T9 v* W| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
& U8 p& S: \" Q% @ R| | ├──3-随机变量 .mp4 22.57M, v- S! m6 ?5 Q( M
| | ├──4-数学期望和方差 .mp4 22.96M# e) p6 u- ~ k1 @$ I
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
: T# {1 x, k1 Z' S4 b/ ?( u| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M+ C6 a3 v# O9 {9 e
| | └──7-最大似然估计思想 .mp4 23.42M0 K0 V. q! Y+ f3 h. _
| └──7--最优化 + d: Y: T* U" }3 V5 N- ?$ A' R: X
| | ├──1-最优化的基本概念 .mp4 35.14M
. z! D: Y& }3 o! D% C| | ├──10-拉格朗日函数 .mp4 27.46M
: m" M+ }& q: E+ y& F| | ├──2-迭代求解的原因 .mp4 20.15M
1 ~2 u3 ?4 B0 w1 b" v5 v) A| | ├──3-梯度下降法思路 .mp4 26.33M
4 ^2 I6 T; z, t" K( i| | ├──4-梯度下降法的推导 .mp4 43.56M
* x) D% z/ Y" W| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M) w0 T# ?0 t: k: ~
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M, ]- U9 p) _- b0 L
| | ├──7-凸集 .mp4 21.90M
2 |% F" d$ U ]: |6 }$ g1 a4 w! \| | ├──8-凸函数 .mp4 16.93M$ r0 U8 v5 r7 g/ b- S$ ?* o' ]' c7 L
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M, R u _7 c1 E6 V
├──5--机器学习-线性回归 & S% N( U3 |3 p8 s% K- j
| ├──1--多元线性回归 0 C9 r' Z0 T8 l" R
| | ├──1-理解简单线性回归 .mp4 51.11M1 l9 `9 \& N1 w8 v" s0 G4 z
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M5 J2 T1 ~" W3 u( f3 A: d y5 z
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
2 j9 l) G1 Y- R; w% M| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
8 J. i+ w( t+ c9 w: W. c" i| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
4 o/ ]0 o: v. J| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M. R5 m m% j) p0 k
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M; F. K9 F. l/ W1 M( v0 r. v! q
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
" G9 j9 l; R9 F) N8 C* g| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
0 I6 D0 z; y& W7 r ~ Y- E- 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
" c" ~2 q6 k3 ?6 i7 U6 R| | ├──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
/ i: {0 t) v3 A0 L6 S* s; m| | ├──2-最优解_损失函数_MSE .mp4 39.58M
, K1 x1 q: U% d6 b X7 d| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M B/ C# l9 y5 s- [
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
+ l, q- W% }& M| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M. U6 U/ F, ]. G/ q4 `/ s
| | ├──3-扩展到多元线性回归 .mp4 32.15M
7 |2 Y9 S, g/ A5 o* K| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M- L9 b) q0 ^( \7 c) Y D6 [
| | ├──5-理解维度这个概念 .mp4 41.41M
, y5 p" Y1 ^/ s| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M5 c1 c1 L8 i. ~
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M9 L8 j1 J! l; m2 C3 \" {# o4 e
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
% Z- G2 Q) I4 t1 A| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
+ q/ p" f! s4 o! ? F| ├──2--梯度下降法
' @1 u1 y( w/ l# d" ?: a/ J| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
* m3 Q8 r0 d* J" o1 q: I| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M7 z% u' f9 x N
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M6 O$ z5 v0 ]; b+ O: T
| | ├──12-代码实现随机梯度下降 .mp4 26.67M1 @* x6 H+ c' v2 V
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
2 a( k3 ?2 o5 M3 w$ E| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M! z/ e7 W0 @0 T8 y
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
4 A. ?$ ]8 T' h: r" D# K9 t0 k| | ├──2-梯度下降法公式 .mp4 57.12M
8 q8 u6 o4 Y/ E3 s| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M4 D- L' T; ` T, |
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
6 i8 b( Q |, X) v: O. D0 L| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
+ h* ^* |, {# x; U2 p5 U# I8 J& ^| | ├──6-全量梯度下降 .mp4 62.84M
) X: d/ F9 m6 \4 P3 C7 Y" p) B| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
8 t5 N5 t( _) R; y0 b| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
( J/ E/ J+ E- B- ~| | └──9-轮次和批次 .mp4 45.22M
$ V' [7 Y; b# Z3 \# {| ├──3--归一化 6 L3 f/ g9 G& j1 d# B5 ]
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M6 x" z e. p" q8 @
| | ├──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
' m0 p C* k2 w3 k2 ?| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
, e2 D' ^, V; l| | ├──4-最大值最小值归一化 .mp4 24.87M& z L; h6 B, Q. [+ j" b t) l6 [
| | ├──5-标准归一化 .mp4 51.86M
8 g9 x1 P+ S8 O1 o| | └──6-代码完成标准归一化 .mp4 41.13M
) V) d7 {3 Q; L3 H| ├──4--正则化 $ l7 w9 V/ I/ A/ B5 c
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M' [* f. H: F. U/ k1 J$ b, D w
| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M5 y4 T2 W! p( G p
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M* @+ r; G* {3 N5 t, v, N
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
4 b9 C# e" C, c4 A0 A| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M- f/ G5 P' Q7 e* Q/ K: o# t
| └──5--Lasso回归_Ridge回归_多项式回归
: }8 r. T. I* x. O( ]0 s| | ├──1-代码调用Ridge岭回归 .mp4 76.32M; j/ f+ q1 k# w5 J6 p. L) E' }
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
& Y7 k: Q4 b, O( t| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M5 B/ Z5 c) w) X2 `% l% P, b
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
4 n- Z. h2 ? d' E. L8 n3 |9 P| | ├──2-代码调用Lasso回归 .mp4 28.73M
3 W* L9 g7 l) o* K$ E6 a" || | ├──3-代码调用ElasticNet回归 .mp4 53.67M" s5 v8 y' G, }! {
| | ├──4-升维的意义_多项式回归 .mp4 48.06M# O7 X; ~9 u5 O2 F. n
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
. d/ t) ?( W) ~3 o \| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M' X; i" r0 p9 _4 p- N& v+ p. O, O# x
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M4 I1 R# M8 L( H/ x P& O
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
6 m" w& q" d1 D+ m| | └──9-实战保险花销预测_模型训练和评估_选择非线性算法改进 .mp4 84.12M8 Y& K8 j6 S$ ~1 O% q: o- W
├──6--机器学习-线性分类 ( [' _9 v! I8 P# G
| ├──1--逻辑回归
: V6 L9 O2 v5 o Y+ E3 ?| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M7 p) \7 {( F* ^' n$ }; M: M
| | ├──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& `/ K5 X4 }9 z3 d
| | ├──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
8 G* I1 g4 f) H3 s4 `# ]3 T| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
% `* Y& g) k4 D0 m2 N H| | ├──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
8 ?: Z' v5 w# A$ }1 }5 F2 K# E| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
. F2 W" M- \5 ~ P c| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M( y( s9 n( ]3 d$ |9 N' Y
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
0 N7 f! S* Y* Y| | ├──2-sigmoid函数作用 .mp4 38.15M: Y* D+ c8 n; L: ^. f+ O9 m0 U5 y
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M* C0 R5 x6 J& ~) \ M1 @# H) i3 A
| | ├──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
: a) G/ s6 O) Z+ 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
" [5 @' r) l( L! s- N( r| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
. j4 \0 B1 R1 ]2 y6 W5 N/ z0 Z* l| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
( d. m& }3 }7 d& a| | ├──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 56.56M8 a- Y: V [7 ~# n. 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
. Y- _6 O( ?' `' z| ├──2--Softmax回归 % R9 E& i% f+ @. m5 c
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
+ Q& r* f% L9 J3 e| | ├──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
! K( ?9 D$ u, M8 P% Q7 o| | ├──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! l) j$ V6 i; B* E
| | ├──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
; ^4 ^( |% q3 f$ s) Y: T| | ├──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; i7 |: h- {# V* @2 d G0 L
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
4 B7 c/ s; q! T5 o| | ├──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
, |: d, m7 ^) s5 K! e; H| | ├──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 28.15M7 K) _ \; C4 e" k
| | ├──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
# S% |0 ^- M3 @' i L8 B& I| | ├──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
$ }% h" |$ e% Q. Y* B| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M3 y6 ]3 X5 P/ P+ k0 O: 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 52.39M4 L6 i( m! f* {+ A/ ^7 {% Y
| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M7 g; V& n+ N+ ]2 X+ w" W3 \
| ├──3--SVM支持向量机算法 4 ?3 |7 V& @- [; K4 F5 H* ~. `
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M$ h% n) T8 `, i7 I9 A: l6 e
| | ├──2-SVM的思想 .mp4 55.56M8 T* H; }9 X! J2 s" p0 [
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
! X3 P% v) A9 I* l1 F+ ?| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M6 d! ]# ~- U! x3 B, `+ `- g
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M3 G/ |& Y8 L' y. F# ?" x% ~
| | ├──6-总结硬间隔SVM .mp4 39.01M5 |9 e2 c1 f- M# b, m
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M9 } ]; H/ L/ {" Z2 b8 }4 \
| | ├──8-非线性SVM .mp4 54.43M
8 B+ @4 B5 z& S& L! A| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M; x8 k, m. _0 l, F8 S4 n; `$ E
| └──4--SMO优化算法
. k4 H* K4 ~4 b8 {* M| | ├──1-SVM算法流程总结 .mp4 58.36M! ?+ j+ O8 l9 h7 v
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M" V+ q6 Z( l0 f; _( D) _! ^' T
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
3 |! N+ \& \2 F+ v! _| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M1 n8 b2 A) k; l
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
: f( b7 L5 \- U! \! Y| | ├──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! l4 y. S) o3 [( [% b5 u
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M0 J# r) L6 o: L% Z
| | ├──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
' I/ U1 G2 a) J/ j) J% Y3 t" A6 L7 X| | ├──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: h3 @ s9 n# ^) v1 U0 `9 H
| | ├──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
1 @5 m7 E" h2 t/ j; O8 {| | ├──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
' i$ @' Q5 S3 w c# U9 s5 _* o8 ^| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
2 z0 O: T7 L; k# r/ q* Z4 L| | ├──7-启发式选择两个α .mp4 23.11M
' |$ c4 Y; p0 F0 t0 ]( l| | ├──8-如何计算阈值b .mp4 50.18M
5 E. h: d6 o! s+ t7 y3 p| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
* o9 B, R3 |( Y$ F9 ^0 ?) E7 |2 Y├──7--机器学习-无监督学习
8 y( [8 ]7 o- O1 C' g2 ~| ├──1--聚类系列算法 & i, [6 E) g4 m1 _9 [
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M3 ~" k! g2 a+ I; h
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M b% `4 k9 f: F! [- ^' J& C
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M, W3 o- f9 H7 S2 u5 }( _5 t" G- Y
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
' @3 F+ `. E: \) T| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M/ b% ~+ A" }5 F
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M% o$ b/ B4 s$ |3 P* u) n6 l
| ├──2--EM算法和GMM高斯混合模型 4 [% L8 C+ w# Y9 U, j1 c
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
- A& ]# V4 J- e! t/ _5 b& G| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
. g7 }9 J D* d3 F| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M' I$ R% X3 R& r4 i
| | ├──4-Jensen不等式的应用 .mp4 109.17M
" U+ x$ Y& O2 B6 H* c' F| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M2 C: @; \% Y1 W: F9 }* A2 s
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M' o7 p$ D( l7 q* V7 ?
| | ├──7-GMM前景背景分离 .mp4 16.01M
7 x- W6 s; F' o; ~5 t$ }9 u| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M* `9 p; W0 X s9 m
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
# Y8 T' d( n$ P* R/ v, M3 ], j| └──3--PCA降维算法 . e1 ]" c% `& ^; y+ _0 X: r
| | ├──1-特征选择与特征映射 .mp4 49.38M; o' M1 Q& Y2 d5 U4 i. B
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
5 ?8 N4 A9 \. c+ W% R| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
5 W, A: X V x6 h" y) Y% P| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
& x/ X* c5 t' t# @& Q7 V3 Z+ `| | └──5-PCA的几种应用 .mp4 54.58M: x J- ^( ~& z4 G8 g
├──8--机器学习-决策树系列 6 T" U% O9 R( E) N
| ├──1--决策树 + {0 u8 T( @( S# P7 V" |( Q5 N d
| | ├──1-决策树模型的特点 .mp4 74.88M3 d& Q$ I1 n# Y! { _+ g' D- P
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M4 E% q3 n& M2 \* p1 n; ` l9 B; c
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M0 d$ |3 x6 ~$ J. c+ m7 |
| | ├──12-后剪枝的意义 .mp4 50.49M
; W: {* A- ]- x$ p+ c2 L| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
5 b# \+ f9 @" q| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
' \1 s/ W8 {8 k| | ├──2-决策树的数学表达 .mp4 89.94M
0 [) c. j6 z+ p| | ├──3-如何构建一颗决策树 .mp4 84.87M
% T0 ?1 j$ ^5 M s| | ├──4-什么是更好的一次划分 .mp4 57.02M4 [. N/ L( \8 _: f- k1 L
| | ├──5-Gini系数 .mp4 107.54M
! x9 g$ g9 g+ |8 g| | ├──6-信息增益 .mp4 75.26M
3 p) q# O. b6 O8 A| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M0 J" j+ W) L* D2 e, i: l/ H5 q
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M8 I9 ~. p/ @8 D1 k
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
# x8 m$ d: I: L6 D3 W* c' M| ├──2--集成学习和随机森林
1 e/ L3 }% w, e$ r& h2 E+ t| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
* M+ k6 l( E* [: p4 d| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
/ Y! ~+ U8 v8 w| | ├──3-随机森林 .mp4 108.14M- b" J: J- J# n4 G1 L9 y
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
8 Y* M1 L0 W/ O+ U7 h! m| | ├──5-OOB袋外数据 .mp4 106.07M7 z% t; W5 c E+ ?: b; |
| | ├──6-Adaboost算法思路 .mp4 106.30M' x# Z t J, U% o/ H! ?
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
- v) e D9 c8 `, |' a/ h: W9 t| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
8 w/ K. }7 {6 G0 a% j| ├──3--GBDT ; a1 K8 v* ^- b9 e2 d# J& i: Y
| | ├──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( t/ |0 d+ {) g$ J# J+ Q4 u; T
| | ├──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
' O: Z0 `9 P" {3 P| | ├──11-GBDT多分类流程 .mp4 73.80M+ u) \5 Q9 ~+ D3 n. N
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
% v" L& p* \7 v2 _* s3 M$ ~| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
& ]8 }( X7 ~% V+ V( \( J| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M! ?: Z: R/ l+ h* x( }
| | ├──15-GBDT二分类举例详解 .mp4 86.67M: d6 n: W2 I/ W/ n- [( \6 P
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
# F: G+ B3 Z8 }) h, w9 N1 j| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M( m1 O! \! r5 R7 h! _- q
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M: `# z) V* W& D" [1 x: a
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
9 b9 A3 K2 Y; M* v| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M2 r3 f+ R2 l/ V, g! \. z. L
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
6 s% P8 c* A) D1 q) _| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M9 Z" Q" O7 d5 l5 Y" z
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M! L/ g7 a6 S! c! e0 [
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
% a& y9 }* O9 b8 A4 O* t| | ├──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
. \3 c3 X0 o: Z( F* y" K) N| | ├──4-GBDT应用于回归问题 .mp4 84.66M% V D) X0 M' p* X' w# J. n8 g
| | ├──5-GBDT回归举例_总结 .mp4 108.52M. B0 t9 o) B. p( q P7 Z2 \$ v
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
2 ?4 _' W: _( V) n1 |2 }4 J8 p| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M9 D/ o1 \9 ~- u4 z
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
2 e& c- B8 d* S* [3 I$ }" O4 H7 z| | └──9-GBDT应用于多分类任务 .mp4 73.34M
& N; L% {/ i1 v P0 s9 l* v| └──4--XGBoost
9 ^" d- y6 B. W4 m| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
% ~, @$ w* j u9 W4 F! V' Q% h| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M" }4 G7 Y3 q" h! |0 x. u6 u8 e) z
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
3 L" A4 V2 ]9 l- K| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M2 T; ?1 N( M9 a( l S: q& i2 }
| | ├──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& q8 a5 j0 g- X# X; j, M
| | ├──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 73.80M6 d, X* y M7 v
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
0 P' d/ a& S8 g1 G% q" ] E5 F6 J| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
, ^- [! t' d: C6 r" y| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
4 Z& m7 B, E% N7 ~* ~| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
; D" c0 @! h. _8 T' n4 T| | ├──3-基于树集成学习4个优点 .mp4 91.36M T$ @) ?! I. p. M
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M; U2 K8 K; x, G$ \; u. ?: ` e
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
' R2 m# F' F" M| | ├──6-Objective_vs_Heuristic .mp4 60.42M
t7 s! D w" Z v; B( Z8 E2 ?| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
. E* D5 s! y/ B: K! D# O/ v| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M5 x( M2 c# C) o+ o0 e4 }" @* a" t
| | └──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
+ U* J7 }! i6 {├──9--机器学习-概率图模型 * U! u6 E+ f) n3 T3 M
| ├──1--贝叶斯分类 k$ K2 t6 N( x$ J6 M3 U+ b
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M; w5 @5 B6 ^& u0 G& _5 j9 V
| | ├──2-TF-IDF .mp4 53.08M
3 U+ I7 M- g' `. C4 i| | ├──3-NB代码实现解析 .mp4 126.73M6 t" l" A& d9 w3 o4 Y! W3 s% y" \
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M* C" p: U; y8 r8 }% F) r' b1 n
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M5 p8 q- K) Y3 P' w% t! h- O
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M1 o+ r$ U5 p: b
| ├──2--HMM算法 * }- H/ y+ |0 o1 Y
| | ├──1-HMM隐马的定义 .mp4 36.82M/ q) ?$ B% z. f: k/ E; r
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M- d2 A: Z. v; q4 u3 O% d
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
5 R& g/ q2 W: l' T% N; X| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M9 J) X* C+ x$ h, E7 v0 ]( i9 O
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M( Y: {. A6 @; Y- v) M" ?2 y/ G
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
) B& W2 S% |( E5 J7 f| | ├──7-Viterbi算法案例详解 .mp4 107.12M, D# \6 e/ f+ U/ @& S8 a
| | └──8-Viterbi算法代码实现 .mp4 42.43M
$ c6 r& X4 A+ W% v0 m| └──3--CRF算法 0 v( e, B! g; U/ o7 H$ i3 q
| | ├──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
* a* S! F" ^/ B8 H/ O| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M ]8 A; O N2 l
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
, \5 C) g) r$ g) V| | ├──4-EmissionScore_TransitionScore .mp4 61.33M" ~) J( l1 U4 H
| | ├──5-CRF的目标函数 .mp4 23.74M$ D: @- R z3 U- A. e
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M S+ B; F; O! Y8 H% e& P- s
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
9 Z* }, N8 r& g" @4 ?: M' y+ W| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
1 S W, O/ ~8 Y" i0 X9 f* q└──课件.zip 2.54kb! @& j9 y* r: w7 t, A8 A4 K
7 m/ r* Q' j* w* d( b7 H) }- \) r) T' @ @3 @
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!/ g5 u1 |' N9 w9 m/ s3 b P
3 o- Q P* @$ b" w5 ]
6 {3 T) g( X7 C% | |