战-人工智能2022/
7 S5 ~+ T% `! d( [- @- \. |& t├──1--人工智能基础-快速入门 $ b/ |* x5 I1 J; e
| ├──1--人工智能就业、薪资、各行业应用 " s f2 P: l4 k& Y
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
, {1 K Z3 F: G1 k# ^| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
( A+ E4 A) G% U) O% E& ~| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
$ u& o" K8 E7 r+ c' z! i5 d, \| | └──4-人工智能在各领域的应用 .mp4 57.73M1 {" T& e, K, K7 O! k
| └──2--机器学习和深度学习、有监督和无监督
7 b$ ~5 y4 h) u| | ├──1-人工智能常见流程 .mp4 89.62M" C. A- [5 E3 p
| | ├──2-机器学习不同的学习方式 .mp4 83.51M G5 [; R3 D3 ]4 J9 j
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
7 q, v% k( w O| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
7 B$ d/ N n/ n* {/ q% J& X p| | └──5-无监督机器学习任务与本质 .mp4 50.15M
% w0 {7 J7 g, a2 P2 ?# p1 p├──10--机器学习与大数据-Kaggle竞赛实战 : ?; a+ s& ~ J5 R$ g9 j W
| ├──1--药店销量预测案例
8 A* V, g3 u2 C. V7 Q$ b| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M4 m, o9 z& R. z' B
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M* G6 I, D: Q4 ^: S+ T$ T
| | ├──3-自定义损失函数 .mp4 21.12M
- w @$ B- j; k: a2 r7 ?+ \4 i| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
7 F. i* D9 ~3 @' U| | ├──5-数据的预处理 .mp4 111.81M5 J- p2 s! L+ y: ?# }- F
| | ├──6-模型的训练_评估 .mp4 66.64M6 u6 |9 w1 W/ @7 z
| | └──7-kaggle竞赛网站学习 .mp4 172.16M1 M' [* U. b+ a. X9 D: M# r8 Q2 [
| └──2--网页分类案例
3 \- ^7 R! I+ f" a( s* N$ C| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
, G8 R& }: L( d( }+ k; n2 \0 S9 q| | ├──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 85.63M9 R$ N5 h2 p6 {2 w; y9 }
| | ├──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: q7 `8 Y3 m- g5 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
1 c' e7 @. v! d0 h| | ├──2-评估指标ROC和AUC .mp4 56.19M
& W* i$ l+ ]1 v9 C# k; C4 D* Q2 l| | ├──3-评估指标ROC和AUC .mp4 49.03M
+ V, r7 G7 i" S! z* P2 K| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
, U. n3 z$ P% w( j7 u$ i/ C8 O| | ├──5-数据导入 .mp4 68.41M" J9 Q5 A) L3 X! ?: Z! T5 Q
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M/ M, @2 C, x% r5 f }7 P0 u8 X
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M& N& Q# p. w) B# n! p3 ?/ p" h
| | ├──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
2 n# G6 v& O+ t2 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+ I# H4 y- q" q/ r& ?: f1 _9 ~2 k
├──11--机器学习与大数据-海量数据挖掘工具
- f1 M( i, N- F c+ T7 z$ u: t/ A| ├──1--Spark计算框架基础 % l g* G& J# T" k
| | ├──1-Spark特性_01 .mp4 41.68M' s1 l% N- |% L$ _
| | ├──10-分布式计算所需进程 .mp4 26.30M* z* L$ p% _1 W8 V6 ?9 l
| | ├──11-两种算子操作本质区别 .mp4 56.31M
+ x t; n1 ^4 T$ Y+ X# W z| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
+ \( R) Q6 M' `: W$ E| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M( R9 q$ x% _, m
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
0 d" M% M7 [) Q( F| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
) T; R8 _- |8 V9 d0 z: b| | ├──2-Spark特性_02 .mp4 35.15M7 k! L$ {! Y+ Z3 Z
| | ├──3-Spark对比hadoop优势 .mp4 19.34M, d3 q( t1 }: \ t0 G
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M: {- y, _6 ]$ q$ z
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M( l# X, F& A, ?% p; A8 s
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M) u9 n$ H2 @6 R7 y% y
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M1 \. Q. u* W7 Z7 o
| | ├──8-Spark的RDD特性_01 .mp4 33.08M2 Q( H6 L' ^3 Y. A& F" ^. v; W
| | └──9-Spark的RDD特性_02 .mp4 33.41M& h) Y2 h8 ~; z$ N* N9 G
| ├──2--Spark计算框架深入
- ?) I; \: }7 V& _| | ├──1-Spark数据缓存机制 .mp4 54.43M! v. b: B; ]! ^& i! M2 z1 Y H3 n1 w
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
# A5 M( ~4 E( X. g' k9 @0 E4 w| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M$ I/ D' `& {7 O; t* H/ c9 J6 w
| | ├──12-构建LabeledPoint .mp4 111.08M
! J. W' l/ J4 R1 I; S# Q3 {. I| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M( u. G2 @5 w" t3 }- y) p
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M0 R, l$ A" b1 g) F' j) d5 f
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M; F( \+ _ A C, ]
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
0 C S2 A- J0 @; Z8 T| | ├──5-Spark术语总结 .mp4 89.66M- o5 n5 j; q- h8 g E/ v
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
3 ]# o* j7 `5 ~& Y| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
+ w7 | f; Y$ T2 \9 F4 N( i* A0 _( Y: P| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M% v5 \5 m, V9 @
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M2 Q$ r6 ~4 E9 T* {, @$ V& d
| └──3--Spark机器学习MLlib和ML模块 # {1 D4 H4 v" w3 A
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
- Z3 }0 I" n% P8 p# M' | S| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M( _( U) @0 _, w I1 F: H; g
| | ├──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
, @4 Z; n O3 i% w| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M6 N' ]% R4 B0 q! }$ e% O% 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& x6 |9 c* M! I" K
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M' b$ W2 X3 D+ v) g1 ?- Q
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M* p8 [* D% h& [7 {
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
/ W9 V( b( q B4 \$ {* j: F& }| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M2 U7 e+ M: e0 G2 ^2 ]- E
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M; c7 | L0 n/ V( Q0 A7 G" p& x
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
& r- l) s5 |& K: e% n| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M* E3 x$ \# [. V3 G+ v$ f# B4 U, e4 [
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
% O% i- {. [7 p| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
0 W: V0 Z# J1 Y2 L| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M7 L, d$ | h, i7 R
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M. j5 u& B0 _. ~/ N7 y
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M$ ~( y; L h5 g. O0 e ?& ~
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
( ?: T0 s# L& {6 ?8 i, q| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
: y0 B7 z3 P1 Y5 f3 @. B| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M% _/ z7 \ ?# \0 c J- \
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
; a3 i# y v* ~1 }/ V1 ~| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M3 ?- D y9 t/ V8 r
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M$ |4 n) K! `4 e# R& p |
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
: }! h+ x& T/ D/ A/ B+ [, g$ ?" d| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
4 I9 G1 r6 z. A: j, `/ u0 c/ `8 U8 `| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M+ K+ ]- f9 r: w% e
├──12--机器学习与大数据-推荐系统项目实战
: e8 Z' `: m/ D& i| ├──1--推荐系统--流程与架构 8 r7 M% G2 u, T. P
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M T# `2 X7 |" J7 ?
| | ├──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% A z. z" v; Y6 m# [, e
| | ├──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
1 X6 l" \# W" A! R/ R| | ├──12-推荐系统_数据源_1 .mp4 79.07M
: m- [) k; W2 }6 p7 z( \+ q| | ├──13-推荐系统_数据源_2 .mp4 82.90M- S. g2 X. _2 V% P* ?! }
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M# `0 z% e- D% u0 ?! I7 d {
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M/ k4 A r5 X# d3 j
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M" x9 u$ D2 ]( A
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M% H Q. B4 e, h2 w+ M
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
9 Y' N$ @! D! F! K$ U& H; t5 I# L| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
5 w; @0 ]( L# P- c, C( b& g/ l| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
9 E1 H! q+ ~7 s4 W( H 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: |/ B, T! O) f- D/ b
| ├──2--推荐系统--数据预处理和模型构建评估实战
6 {" x3 w6 W, a" A$ @| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M5 d' n; m% @- K3 v) b8 ^
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
0 O+ s8 r) ~" ]0 ?" m, n| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M8 [" Q2 ?5 u( F
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M0 b. t) ]3 a% C! R
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
3 U5 L* G4 Q" I u+ U2 o| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
! d" B0 p+ _9 d s/ M| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M; }4 p4 S6 G! _ p. z
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
0 q' ]8 [" P( n+ F4 L. Z- Z| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M. N5 a1 a* ~7 V% _5 W) i! V0 }
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M9 {' ]. m& R4 G$ {+ Y
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
& f! S& N! q; d* c: b6 x| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M4 v" w" E2 ^+ u8 A# ^
| └──3--推荐系统--模型使用和推荐服务 % D' P1 S5 Q3 q. P( s) G
| | ├──1-推荐模型文件使用思路 .mp4 61.89M Z& Y, a3 H; H4 }5 e) T
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
$ t4 Z' t7 F! q) a| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M$ P9 \0 H& O: _' V. D
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
* K+ k+ h. q* _: N5 ?* b1 B" O| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
+ C" B) K/ f% C| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
! X$ p* D) @3 t3 K! k| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
* d7 j/ a4 [% E% u1 v- N| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M* e7 I+ W- |' S
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M; S4 l# x3 f* z+ }- `$ a G
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M: h4 [) u* J- k& g5 D
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
' t5 s: p" F, l4 z| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
; n/ s" i, B+ A0 n' G* _7 M├──13--深度学习-原理和进阶
5 L' S+ @9 H/ }, {| ├──1--神经网络算法
F' M5 R4 P7 E+ w| | ├──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
) p0 s6 R5 D0 I% ~5 F| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
0 {9 d" F' k7 d1 C- _8 T& i| | ├──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 W4 d1 D- @7 F( L) Z. I| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
7 `/ V, H* t0 @| | ├──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
* C6 Y6 B' |4 A: b) F# Q& N- s6 B| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M! ]- k. r* Q& U# u3 `: L6 c1 g
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M. S0 _8 N& R* B. W9 d) p- i' T+ C
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M' o/ O# o, ~" U" t2 G5 t }7 l
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M# o- Z* Y7 ^; [$ B1 I
| ├──2--TensorFlow深度学习工具
; z+ Z# K3 y/ J4 [| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
5 X, K5 J0 c9 _4 X, ]| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M, c! U/ e7 G8 a, V( P9 S: {8 E
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M9 J" d- Y1 k+ p: _2 v- g& O$ g
| | ├──4-TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式 .mp4 173.47M
# s8 N4 p! J. ~| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M8 u3 U$ K+ s9 ?8 ^
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
6 A0 g& W' T4 H( r| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
$ O5 V* m: ~. }' d| └──3--反向传播推导_Python代码实现神经网络
, D/ \4 S2 W: g; u& a$ r| | ├──1-反向传播_链式求导法则 .mp4 86.47M
7 R5 c+ w" ?" w5 y| | ├──2-反向传播推导(一) .mp4 127.90M
' Y4 ~; X" ?5 v5 q# {; ~| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
# ]8 K* o1 C7 T S* H| | ├──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
5 |$ y' e+ @0 ?9 p4 c| | ├──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
% X, W8 X$ [; h' u9 z Q| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M$ b+ S0 [7 J- U+ C7 L1 N; w
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M! V+ i/ P7 `+ ?% c5 P; U+ U5 O
├──14--深度学习-图像识别原理
' w1 d* E7 W# L: Z5 y2 F3 [$ k. Z| ├──1--卷积神经网络原理
5 @, y( f' h7 X( {| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
+ r6 y' L; h P| | ├──2-单通道卷积的计算 .mp4 104.01M
% v. e/ q% y+ }2 t) e7 K| | ├──3-彩色图片卷积的计算 .mp4 52.79M6 e# Q6 P* C, W5 v6 N4 l# I# q
| | ├──4-卷积层权值共享 .mp4 63.93M
- J- P9 x- W9 o% ^; y| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
1 R F: [0 c! r. {2 Q| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M$ i" }. _: o& m/ C
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
( {5 m% F) Y" F: z& H1 I| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
( b% |8 d' z. L| ├──2--卷积神经网络优化 1 T2 F" K$ o I/ B ^4 p: T
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M* k+ M3 Y: k" ]0 ^- Y. i/ T
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M7 [0 j1 P4 M0 W4 k
| | ├──11-Optimizer_Adam .mp4 141.12M
. A% B. E( h# X+ ~4 N| | ├──2-Dropout技术点思想和运用 .mp4 113.94M& k" c, j' o$ U/ h; h
| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M( v' h- n$ N. Z" i( x# N
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
. ?& ?9 d+ F2 Q0 e5 S8 T( Z3 m% w9 K| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M; Z, i' ^- T0 P& \! A7 j9 g
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
/ ]3 i: n: C0 E5 Q5 P2 W4 d3 \| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
3 ^1 W/ U2 x, N- c| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M+ F/ V9 ^2 s3 ?; `
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
- _" K I( n) m! Y| ├──3--经典卷积网络算法 ) C& S4 P6 X% Y9 s4 R3 }$ E9 P: j4 k# Z0 [
| | ├──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$ P& m) q: T- c( }
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M/ m9 \, Q' L8 D5 T
| | ├──3-InceptionV1_V2 .mp4 165.86M" i f$ ~2 B4 `8 t
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
1 n0 \% Y+ d; v7 s% p| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
5 }5 B6 I; ^& e$ t/ n0 q% g! ^| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
% E" c9 U- w/ l8 a, k8 S| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
) S% q9 b* Q& z0 D) g4 ~3 c; U| | ├──8-BatchNormalization .mp4 99.23M
" _8 E9 W- `) e; H% B| | └──9-Mobilenet网络架构 .mp4 150.05M6 `: |7 O+ b$ ^" h* T5 g/ O! j
| ├──4--古典目标检测
( m2 K+ T+ Q- M& Z' O/ n+ U+ |" K| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
8 S) m9 l. R9 w& c8 S| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M5 ]9 h" M& t3 j5 s5 P
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
" Y7 R; L* c" u* r$ v- G' q| | ├──4-R-CNN和SPP-net .mp4 124.06M; n9 C/ ~( Z/ L( {6 w/ S
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
* t6 h9 n. c8 C# q- b& e| └──5--现代目标检测之FasterRCNN ; _7 M6 s# ~: m% F; l
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M4 [! p$ e. Y( ~) B
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
6 n; E2 K7 x! h9 _| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M5 C: j6 t/ U) Y% W _1 b
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
" @) I* C2 g/ q. F6 A| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
) m" @1 q9 Z( i* k├──15--深度学习-图像识别项目实战 : L: v" F% }8 C8 y- Q
| ├──1--车牌识别 % `1 U7 ] d! l
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
$ m9 P0 ?: Q' e0 u! h: ^| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
; |: j/ _: a: C| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M0 i" v6 c' [; C. l, A* t3 R
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
9 i2 c5 l/ K# d0 H5 v| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
1 B4 U+ R9 j$ d9 r: x7 j7 a+ U| ├──2--自然场景下的目标检测及源码分析
( J& j9 t/ D' ~; Q, l# C| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M6 X6 B3 m) ~: F9 }
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M1 q1 q! ]3 a9 x. {5 V( z
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M2 ^9 U; n* c4 R y) Z3 r
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
0 ] `1 Q' f2 D0 M0 C4 \% M| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
9 a& T. X9 \$ D# h b/ W- H| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M% i9 V p/ w1 }! X( m( M
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M( B; r" x8 y( d) D1 u1 S2 ~/ {
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M$ x; A7 y5 e1 Y8 u: z$ p
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M4 q! ?8 @6 [7 l! G; [& r. D- A
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M6 \7 P1 a' ^" H1 P( F* P
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M3 w& R( g- `9 { R
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M9 A3 e& H" m) O4 Q
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
- `: {- p& }7 `" A| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M6 D, i- L# s0 `3 b& x% X5 I
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
3 ]3 _5 {) ?6 F; {| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M3 H9 @) s) n1 Z2 b( I1 S1 l& t" U
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
$ w1 i5 u3 ^/ Y! [| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
; `2 f/ C7 W6 J* |, E| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M4 M: O2 [; A( B" r( A
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
/ X5 o; u5 y3 @$ y7 N9 M8 s" l| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M1 D1 O( c& K/ J0 a- [1 z! |( b
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
8 q6 L- E" u6 U* ]1 m| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M2 N' |8 O- f* B! B" G
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M* T4 W/ ? K! J/ A% m- _) n+ {
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
9 m& B' A1 x& B6 i& p: y# G4 ^| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M4 h& q: d: z" }8 T
| └──3--图像风格迁移
& o4 c. {. {' g! `" M8 y| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M; k6 X4 u- R9 K
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M H+ B, i6 E6 [% ~' E5 X' K+ L/ \
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M" N; B6 C- i& _$ E* V2 H* R
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
! E* m/ }9 g: a- n I├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
+ I% t1 ?! Q; v1 x% S| ├──1--YOLOv1详解 : g" V8 d& w9 Y# \- h$ R# F
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
2 w5 C4 |/ m5 X3 N" h| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
# W: g& \* x6 ]| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
& P k% G/ K3 h, R- d; s8 i| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
; ^# h6 R0 |0 F| ├──2--YOLOv2详解
/ _# O) I; c" R! w| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M4 a" Z# i! `+ T0 G& q c
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M0 o# r* I; j' Z \5 \. K8 \7 Z4 ~
| | ├──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
' N- ~' n' v8 i. r6 P| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M+ N' t) @" A& i
| ├──3--YOLOv3详解 ; A U; c+ A+ \& G+ c1 ~
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M. k2 ^* \3 A: b
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M+ t O7 k5 [; K2 v
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
! I1 X* q5 N9 E4 Q) e| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M# G" k. ^3 \9 d7 ~
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M5 ]0 S. k; O* J$ u( E! @/ V
| ├──4--YOLOv3代码实战
' y) w7 v$ ^8 Y2 q( l4 n0 v| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
) s2 S8 X; L9 y; ?& ~6 || | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
5 Q% O+ a! Q. C2 T| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M# w2 b, k% h3 X
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M1 Q1 M1 h8 U; s* Y" [) X& V
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
9 H" E# p! t* B; f| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
+ {: e7 \% _" w# O: i0 q| └──5--YOLOv4详解 % u# R4 h3 |) T3 y9 \) T0 t2 b
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M" m! m+ y/ Q6 j1 \
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M3 w7 A1 F* l" C% O$ _2 X/ z8 c& ]
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
7 |+ H% c7 s. `( r1 i N' @+ w* x. n+ s| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M5 [% R: g& p& T; k
├──17--深度学习-语义分割原理和实战
; N* B, q F( V- T8 \& c/ s| ├──1--上采样_双线性插值_转置卷积
9 R$ O6 g8 B1 `* B% J- U| | ├──1-前言 .mp4 19.46M
4 K! K9 _0 x7 ]2 x9 T1 K| | ├──2-上采样_repeat .mp4 23.90M1 N8 i9 b8 m3 u7 c
| | ├──3-线性插值 .mp4 34.48M1 o7 m( K+ S# s& W1 M7 w' H. t3 R
| | ├──4-双线性插值 .mp4 125.71M" ]( a0 S2 u& }' s& v* @
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
; Z8 m# K4 w6 p" c! K4 W4 y7 A| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M6 q" N1 \9 S( j* S, P8 t
| | ├──7-ROI Align .mp4 58.38M
7 g" f& N0 V% V& {0 ?| | ├──8-FPN思想与网络结构 .mp4 92.14M
3 \! S$ R. t$ Y8 s H) X4 h| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M3 a( `' a ^8 x5 F$ ~5 @* V9 C! [! J
| ├──2--医疗图像UNet语义分割
- r$ G' X6 M9 v" c5 ?2 E: O1 b| | ├──1-语义分割的基本概念 .mp4 18.33M: v G0 W- l- I9 q) G$ M
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
; {6 [& Z8 l. ?1 |2 w0 a| | ├──3-UNet网络结构 .mp4 30.41M
# t: Y! ~3 n( y| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M9 S4 w2 W. K$ s- ]5 Z) k7 T
| └──3--蒙版弹幕MaskRCNN语义分割 3 N7 x! ]8 `8 r- E; _4 h z2 ]
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
) N8 L1 s( p* {% D& N& K' e| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
e, G0 Y: L+ D. ~| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
; R) E [+ r b! S| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
2 \8 m' |& }. u: y+ I| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
# N N0 `3 G/ @; l+ b3 q| | └──6-MaskRCNN源码config和model .mp4 244.48M2 r" g. W5 t# ?6 y3 R5 ?+ x2 L
├──18--深度学习-人脸识别项目实战 3 d( K- ^9 _6 _. V6 q h* Q' m" T
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M+ w3 q' ]& g4 i, g% A& {' t5 ?
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
9 x! m; M; B c0 U, c; n| ├──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: U8 j- P1 w3 T# ^0 W
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M& q& K: s3 F0 a+ V0 W( K4 ] N
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
9 w( |$ g- V; y0 ^8 @| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M0 g; K4 i, ~: t- E$ H
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M B3 c$ j6 q# Z$ U$ x) w
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M( h: B3 o; m1 B0 A% b5 ]' r6 G
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M7 ^/ r" P8 b# T5 o) y
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M/ d2 r5 W- B5 E* }4 I
| ├──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/ }% G7 @$ X' S+ K0 L3 y
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M6 f1 v. |8 o( G- U* N: E
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
. h. [4 m( s1 N) P+ c| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M1 y1 b. k( N1 D2 Z
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
9 |1 w J$ L' p/ g" [7 v| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M% O( E/ d0 x. u5 F) n* l) J; _) Y
| ├──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
* q/ v5 w0 A- |0 X, U| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
' v% l) F" C$ C# y9 c' N; I| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
& W9 w% J6 @( l7 D/ `' B├──19--深度学习-NLP自然语言处理原理和进阶
/ t' l* c* D! V' D7 e. [1 G| ├──1--词向量与词嵌入 " L8 v( H" F4 w+ e9 v: o
| | ├──1-N-gram语言模型 .mp4 116.32M4 ?; f+ X4 d, U- H( T, V8 o1 a# o2 ^
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
/ |! ]9 @8 D1 q$ Y: U% q3 n7 w| | ├──3-词向量的作用 .mp4 58.00M
% [: N [5 ^4 M- A- p7 p| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M1 C# K" X: ~: _4 A+ O! V
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M9 U0 v: `. |+ r; Q4 x+ d- `% \# W& G A
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M: Y$ Z8 o: ~2 `! l
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M- x( d" N4 K# q L* r# ~' ?. H( \
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M7 G n- n" J9 J" R! a D. D, m( y
| ├──2--循环神经网络原理与优化 ; m2 l( m0 v8 j7 a/ O5 Z
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
. t) D0 ?4 u) a| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
) F6 o) Y( F' B| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M/ s, `" X/ X5 |( R" l A. w9 `
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M E' `: Y/ R* Q% _ @- J! _, a1 J5 v
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
+ L# A8 F p+ R7 m7 R| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
. J l6 f8 Q' B6 @| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M( h+ f" i/ A/ w1 y
| | ├──8-双向RNN_LSTM .mp4 52.01M4 q* _# h3 X: [# X% q- ~
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M0 A5 L s. _) }2 Z! q
| ├──3--从Attention机制到Transformer ) v' B5 s! N, b) B' G5 `' A
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M' C( q- l% n. G/ U3 s+ G; l8 W' a
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
0 @2 E7 Z6 [# J7 M- n9 X, K/ \5 \& || | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
. a2 Q8 u& x; ]: c, `| └──4--ELMO_BERT_GPT
9 k- D2 C U8 W" c G2 @) R1 Z| | ├──1-ELMO .mp4 62.44M
) c) m7 l$ L, j r9 M s. F| | ├──2-BERT理论 .mp4 99.73M
/ j5 q0 x1 f% P" S+ K" l- X/ L1 `| | └──3-ERNIE_GPT .mp4 56.34M
6 _1 S, ?. l; K% P) P6 t├──2--人工智能基础-Python基础 % N7 \9 F: j/ [; H! A/ {9 \
| ├──1--Python开发环境搭建 1 H3 A$ n. V! d. y0 Y) ~& U+ t* \
| | ├──1-下载Miniconda运行环境 .mp4 100.75M" ~* z* A2 Q! Y* J8 S2 e
| | ├──2-Miniconda安装和测试 .mp4 57.12M
+ ~. q' F: V+ ?: C5 k. h4 @& C| | ├──3-Pycharm安装和代码运行 .mp4 71.57M; D! g- s; h$ |4 _
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
6 T6 C( }9 b+ x| | ├──5-Jupyter常用快捷键 .mp4 32.23M( x, q) _# x7 l ^
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M8 b0 J% {# U- P& N5 }* O; P+ Y9 J" s
| | └──7-关联虚拟环境运行代码 .mp4 38.14M# C7 l; S" @9 w2 V! G c+ @
| └──2--Python基础语法 0 m3 ] [+ t& d1 @+ y8 X
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M. O5 W1 W" v! s2 p' H* w$ j
| | ├──10-Python_集合操作_列表 .mp4 34.71M
6 @5 t, w G" Z; k8 c| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
: r* y# N' d6 J' h6 Q| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
$ d, ]" E1 ^2 B, R, h| | ├──13-Python_集合操作_元组 .mp4 43.46M
* e) f4 u1 C, }; p( T| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M2 {0 G% v1 C" r. ?: A; I) c$ F0 S
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M7 t( T8 x+ q' b. ^$ `
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M1 [& o1 E* ]. A) C* p
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
Y5 P$ K; w9 R# U0 d0 q| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
' P. _0 d0 Q# I/ k8 @| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M% c( ]- N! P% m% `
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M1 F. T+ {/ N! ?8 a7 j4 D Q
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
, m% _. O; C* Q! w7 X) a| | ├──21-Python_函数_递归 .mp4 23.46M5 p6 K6 r3 X) ~
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M4 ^* X0 W4 r+ I2 y- C( t( h
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
, O( q1 Z0 F+ j3 J" R& `| | ├──24-Python_函数_闭包 .mp4 41.61M
# n# x4 I, k3 h& b| | ├──25-Python_函数_装饰器 .mp4 30.35M
6 o( R$ C6 U2 e$ B; K6 }# \( O7 R d' _0 u" D| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M! u5 W7 e* v8 m
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
( u. M X/ |- |7 x8 K" R1 Z, {: P| | ├──28-Python_类对象_内置方法 .mp4 29.17M
7 c' q5 B, A( J| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M( o9 H" b0 |9 \6 y# J3 c
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
# k2 [( Q+ P! d| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
! d4 I, M' ^2 U$ {) e| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M$ D; o: ^& S; m3 m
| | ├──4-Python_控制语句_while循环 .mp4 25.02M0 e; s; P0 _' Q+ ~/ {
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
3 l8 G1 M/ U( t| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
2 Z) z% ^' s u( j) J| | ├──7-Python_控制语句_break_continue .mp4 25.23M
2 t1 c* Q" w" t| | ├──8-Python_切片操作 .mp4 40.20M
* h* ?5 G5 Q- c$ w$ || | └──9-Python_数据类型 .mp4 25.38M
6 V- k, O9 e; o; f. z├──20--深度学习-NLP自然语言处理项目实战 - K1 V" t2 I; O$ K9 `4 J
| ├──1--词向量 ' ]5 c6 D% u0 T0 _1 c/ |$ k
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M7 {4 H: d2 T: |- g7 g |5 M. T! V
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
$ Z' J B2 h# v& g| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M; w; x4 j' n& E/ e8 X' M2 t+ M
| | ├──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
! K9 w* S+ a* f+ M: [| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M+ _3 g- }* I+ D* A. X, [) z8 x
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
+ B( {+ Z6 H4 C8 I1 Q, L| ├──2--自然语言处理--情感分析 4 _* k/ U+ o& O! {* E) U
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
( |, R- n. D. A6 S6 V; o| | ├──2-数据预处理_01 .mp4 79.65M7 `0 Q- P: [# E6 ^ }9 m9 S( p
| | ├──3-数据预处理_02 .mp4 45.68M
9 X" a2 H; y: C; q6 s. h9 ]| | ├──4-代码讲解_01 .mp4 52.29M$ G) ^' U) q H- ]$ A
| | ├──5-代码讲解_02 .mp4 60.85M9 P& t6 r3 h1 L5 b/ G! f
| | ├──6-代码讲解_03 .mp4 53.89M
) w+ w, V- S. U8 u| | ├──7-代码讲解_04 .mp4 57.19M2 a1 R6 X8 |* Z. k7 B% n
| | └──8-代码讲解_05 .mp4 35.88M
$ N* t6 n8 _& G7 a| ├──3--AI写唐诗 + j- m" Y) ?; D( p
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M& v& `& A, ?6 P& I/ o3 W V( H: |4 Z1 B" P
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
5 _7 V6 v+ A- r5 y: [7 W| | ├──3-MultiRNNCell单元 .mp4 38.93M
! M- h- k' g/ |$ f7 l! x| | ├──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
) G, t8 n2 j$ }- H| | ├──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
3 f; F' ^* \. e) F; O; F5 g| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
; W+ i* ]# d+ t* q: M| ├──4--Seq2Seq聊天机器人 : o2 @/ I8 ]) V; o v
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
' U% ?$ q9 V7 _7 n8 F| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M8 z& x% k% P& J) Y1 m* s: F
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
$ Q& E/ Y6 H5 O* h7 M0 H b| ├──5--实战NER命名实体识别项目 ) G) a9 b0 \0 g! O) m: l' y
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M/ ` N0 n" j9 F4 A h/ e. z; x, A
| | ├──2-介绍了代码目录结构 .mp4 23.44M
& T: f9 Q1 t7 A) @| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
( u3 I f$ K1 E/ m- W* F- ] q| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M2 Z! a. M" @# _
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
5 M( R7 k8 v& P; G8 n! J# Q/ R' I| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
' O+ A& M: w4 g9 ?, A6 Z. x0 l( j| | ├──7-CRF中的特征函数们 .mp4 125.97M: e$ `; w7 |. X3 W6 b& _5 @$ Q5 [. Y* C B
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M+ S( m9 i/ \* I; u
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M4 w! c8 q! T1 o# S9 A8 u: N
| ├──6--BERT新浪新闻10分类项目
7 d1 P6 v. e) q| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
) A# E# ]* ]! S0 o$ _| └──7--GPT2聊天机器人 / a- w$ n0 K3 O$ A
| | └──1-GPT2闲聊机器人 .mp4 62.28M6 M+ n- l. d0 {
├──21--深度学习-OCR文本识别
) P* J" }4 \" _3 v| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M& U( m$ j( ~9 }& n+ P) I
| ├──10-CRNN项目代码剖析 .mp4 306.48M' n$ g# X: ] U; R, ?4 E+ U
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M% S1 ~# y G- Q1 K; K4 ~
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
' A1 i7 R8 ^: P9 k| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
+ v" y* t# N$ q0 t) y| ├──5-CTC损失函数的理解 .mp4 330.64M
' Q- j2 ?! D; Y1 }| ├──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: u+ {1 n. \: f% y% H0 o9 L
| ├──7-CTC前向后向算法代码 .mp4 225.41M5 Q' D" {4 }4 d$ v! P( W
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
4 [4 n1 K7 P7 @# w| └──9-CPTN项目代码剖析 .mp4 491.69M( v1 A: J1 C' p7 {( B2 z
├──24--【加课】Pytorch项目实战
# N. K) p0 w6 q$ C+ H4 S| ├──1--PyTorch运行环境安装_运行环境测试 # ?; ~3 Z; v [
| | ├──1-PyTorch概述 .mp4 29.29M
7 [- d, o7 W; C| | ├──2-PyTorch的安装 .mp4 76.45M* d% T3 p4 U* r/ P v
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
# r( Z* a N* T" j x2 ?# A| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
. u( Q1 W0 f; ~1 d. ^7 d7 ?| ├──2--PyTorch基础_Tensor张量运算 & P! P1 [4 d2 R$ [0 `7 N0 I
| | ├──1-Tensor的创建 .mp4 55.14M- }3 a' ^" N. d1 F
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M: f' w/ B+ m5 g/ ]4 K
| | ├──3-广播机制_逐元素操作 .mp4 44.46M& H: `% ^5 V+ w. i. |6 S$ @. H
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M: b& O2 f! k8 e$ P9 {3 A
| ├──3--PyTorch卷积神经网络_实战CIFAR10
Q H$ T% G: Q. z, p; r| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M w2 r- ?3 f6 S
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M$ `' G; U0 ]+ o2 P8 g0 U. E
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
% } Y1 K' {( v* K8 n4 i3 z| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M) c8 A, g* h$ ~1 }- l( K
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
3 [- R A4 k: k8 n) e| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M/ t! h4 K' I$ o5 B# I) Z/ G
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M; v4 D: _ k( q$ d, ?3 H' H4 \
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
7 z4 N* [ {" {1 C0 o1 C; M| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
& l* I. y: [% R& {+ k| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
1 C9 C3 }( {6 h6 R| ├──4--PyTorch循环神经网络_词性标注
0 S; c, r8 b+ Y| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
" v& i6 v7 o% \1 r8 I| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M- `4 _8 R W1 s% g0 U
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
% W+ [" M% I9 b( y* H8 C| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
2 i* E9 u4 e- v( s| └──5--PyTorch编码器解码器_机器翻译 + y( ? i n H9 e3 [6 O( w& [
| | ├──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
$ I$ i+ F' B1 R2 f$ J$ F1 ]| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
# S. b3 M; ]/ Q7 k| | ├──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
; L( ]# e' D6 i+ f: h. ]| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
! ^) a( P9 [9 S) a| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
, o3 M2 e+ A, H3 {0 [8 v| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M' z% B( D4 |% O$ T* Q' D6 g
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
$ L. G4 O+ P1 J! a| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M* @" e. _+ m: X: V3 M) `& }
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 4 @$ h/ v4 H: A
| ├──1--PaddlePaddle框架安装_波士顿房价预测
5 a: J0 Y- M) T# ]. [| | ├──1-安装PaddlePaddle .mp4 87.34M7 Q$ p' x4 B$ a. l$ f
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
% e9 D% P/ S$ ~7 X| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
; O; k9 U( s% |' B7 x| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M1 D7 s0 P0 o/ W9 p4 u5 n! S% W
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
( I" k% R9 h1 L; g3 z' v| ├──2--PaddlePaddle卷积网络_病理性近视识别
1 U% i. m5 l/ h| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
$ x$ k8 T2 [5 Y; m3 D% D( k| | ├──2-预测病理性近视_模型训练 .mp4 86.66M6 {; ]. t, L! O7 R+ y0 x3 H/ K
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M: c0 E' C* ~ P. s) W# T( ~
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M0 A9 N. T, i+ j( f! O/ G
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 ) g2 D7 s" {. z$ Q' g% \+ ^
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M$ _' I+ G& ?0 \; n, s3 i
| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M6 Z4 E1 K/ s" U( O5 n3 Q
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M/ K6 ]1 J' k5 J, h; J+ j
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M5 F; K; Q5 l/ [3 l; V1 U- n
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
7 d) n2 j$ L& F+ a) Y| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M, s0 Z: `3 s6 l) U
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M# m0 i! c% H0 R5 }8 k
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) # A) I# x8 ~" L2 @1 f' `
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
* ], X1 \ `' Y l6 X: A| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
& D# i1 p7 R& g5 u| | ├──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
5 D7 d. v( |, z; \/ I| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
' w! `9 Y$ h: `| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
0 \2 M( x+ E# f% c| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
7 L% n. y! Y6 v$ O+ V. {| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
& q7 ~8 s# P: S5 J) M8 K& A/ D| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
/ f1 P; R$ d) N" C2 c' H+ v' K( v| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M! t3 B$ s+ Y3 a7 P( H
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M' O. ]$ {; X& ^- N: w- }2 ?% A" c
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M1 Y4 S2 Z6 c" ?4 Y% @0 V5 v
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
, L7 n& r/ h% o6 V9 s D| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M l0 I1 Q+ N% }' T; W# w
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M) M( }3 ~: S! f" X( _" ?* k' @
| | └──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
6 m8 i9 P' _2 i; Y" G) R| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
& S. w6 L( ]7 F& w! D| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M2 x/ {1 f! `3 d/ ~5 g( c' n8 K
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
( o4 ^8 l8 R6 e1 s+ u: }| | ├──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 ?) w; L: U1 a
| | └──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* i: O2 N% b2 P1 W# o" P
├──26--【加课】Linux 环境编程基础
0 x* p3 o/ H, f" \" M+ i ?| └──1--Linux $ I" w8 @8 a8 I2 _; A( R% e
| | ├──1-Linux_课程介绍 .mp4 3.72M
9 P6 G3 o+ e1 d1 W8 u! {5 K| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M- _, f! W3 u+ G0 a9 J, Q( ]1 ]
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
. w7 M, b1 R" I9 W: e3 S; \| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M5 I: X: |" {# A# i
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M. e: Y) n1 F) }. C! Q4 k
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
! ]1 @: i6 l3 H7 f8 p! q| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M/ F) J/ a7 b8 [, _; d
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M! r2 t B) \* {% Q
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
3 Z9 H9 A' M$ n a* P, c, L) E6 D$ t| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
) Y. u. \0 K% R4 q| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M. t! I! H5 q/ z$ s/ p
| | ├──2-Linux_Linux简介 .mp4 17.59M# v& B o$ [8 W; q8 N7 y
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
0 l+ B- d% c2 K+ |: q" d| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
& c, B1 d% E1 L; {| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
$ h, t, N; I$ Q! Z4 \0 `' e| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M8 ^$ W7 i% L( v1 _9 l* I
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
- |5 c$ {/ J9 ]| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
( G' i i, ?- z/ `2 w+ L i| | ├──26-Linux_安装MySQL .mp4 79.02M
2 g" n5 X: V% [# r* }6 c2 X| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
5 t% d9 F$ Q1 R$ ~4 M| | ├──4-Linux_安装Linux .mp4 41.97M- @3 e) q$ W8 j1 _" s9 x+ `
| | ├──5-Linux_目录介绍 .mp4 20.31M
$ o) m+ i. G8 M/ S| | ├──6-Linux_Linux中的路径 .mp4 18.65M
9 C) Q$ g( P) ^& o# l( v7 X) W| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M6 S& q" d% ?) y( }" p6 a$ v- B8 b
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M4 `, f' N/ J; N/ D; o9 C# |
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M* P( {4 m/ `, {
├──27--【加课】算法与数据结构
& l. b |' U, q2 k3 B# d- v| └──1--算法与数据结构 & o* c1 d! `& R% r2 h* O
| | ├──1-数据结构与算法简介 .mp4 35.68M% Z% ]% v' P# e& _, I- z" `
| | ├──10-哈希表的基本结构 .mp4 54.34M1 P: \6 L/ }& d3 W$ L6 ^
| | ├──11-哈希表冲突问题 .mp4 75.92M( S# p/ q) z0 T5 i0 e, h: d
| | ├──12-哈希表冲突问题2 .mp4 72.30M) F, m2 t! z; z- _ o) v
| | ├──13-哈希扩容 .mp4 111.03M
4 x+ r1 |4 y6 I7 L+ G! b9 U| | ├──14-递归与栈 .mp4 50.77M. K" p3 D! R/ ?6 s
| | ├──15-线性查找 .mp4 57.80M) V H. W4 Z1 p) x3 @( G; w
| | ├──16-二分查找 .mp4 52.32M ^3 i4 X% i. J5 [% M' B- S7 e! u6 I
| | ├──17-冒泡排序 .mp4 53.19M1 c3 F: |% Z$ A; a% g) i
| | ├──18-选择排序 .mp4 43.29M; X2 q x4 u# N1 c$ K1 y
| | ├──19-插入排序 .mp4 31.39M! T4 p5 K! I7 T* L# @* \* Z
| | ├──2-大O表示法 .mp4 25.59M
3 [( @: W) T1 f0 n) x! G ?| | ├──20-归并排序 .mp4 84.48M" Q y9 H6 U- O% r& v
| | ├──21-快速排序 .mp4 36.63M
; q5 s6 q; S7 }! d. V| | ├──22-树结构 .mp4 96.85M3 b. Q" ^ k% H, H
| | ├──23-树结构的遍历 .mp4 61.05M! R% b) L! {/ h. O8 o
| | ├──24-最大堆的增加操作 .mp4 45.43M3 z. j9 g/ m4 _2 U5 o4 j
| | ├──25-最大堆的删除操作 .mp4 45.63M3 b2 X4 \' [: n9 t2 u; u
| | ├──26-二叉树的查找 .mp4 100.24M: J# z$ e6 n4 ~" h7 @; K
| | ├──27-二叉树获取最小值 .mp4 25.21M
) E+ J. f* M; F, X2 t| | ├──28-二叉树的添加 .mp4 72.66M" [. a ?- z0 ^* d4 O
| | ├──29-二叉树的删除 .mp4 120.06M
0 f; X: N3 N" E2 f6 v2 V| | ├──3-线性结构 .mp4 53.14M4 G; T5 ]# \$ w1 a; j
| | ├──4-单线链表1 .mp4 68.36M( N9 F! Z2 o0 M9 c
| | ├──5-单链表2 .mp4 221.69M: c C$ i5 h- Z4 [6 Y+ s
| | ├──6-双链表 .mp4 103.57M( b D: A2 i+ [9 C
| | ├──7-队列(链式) .mp4 74.12M; b I" O+ j" f7 k0 t+ s$ p9 x$ d
| | ├──8-队列(线式) .mp4 30.99M
- S6 T8 ?5 W0 ?* `7 a, A| | └──9-栈与双端队列 .mp4 28.12M/ l5 U5 I9 i) I2 }6 k" w9 L
├──3--人工智能基础-Python科学计算和可视化
) d: H. u6 {7 c* O8 l9 x| ├──1--科学计算模型Numpy 8 t3 p$ v- q# e* E- J- b
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
d/ T! M9 D6 x' n2 r8 r. W| | ├──2-Numpy_array_arange .mp4 35.45M
' ?4 r* w4 L) l% ]+ K| | ├──3-Numpy_random随机数生成 .mp4 50.54M% J; A- X4 b7 r3 c- p
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
8 y. q7 U0 J n7 }6 Q# W| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M) B0 }6 c( m4 e8 h8 U
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
- M; c: y! P y/ Y| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M2 K4 a# c' e% i% y; U2 s& }" P
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M5 Q2 J, ~+ r1 \+ t) E! p
| | └──9-Numpy_聚合函数 .mp4 23.68M" J' x# w, k8 C @8 _) e. w; J
| ├──2--数据可视化模块 3 J w. r& f4 {' Z$ M
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M0 S- @+ k0 t' C+ ~8 X) Q5 s
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
% m. t8 U( ^9 \' M" b| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M0 S9 K* Y$ S- d5 A
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
& y7 d/ Q7 J; _8 V9 `| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
. }# i1 h3 i# c1 O, O| └──3--数据处理分析模块Pandas
' V, l; M' R J3 S| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
+ ~0 q- r3 l6 W| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M& s. n6 l" x* R$ [( T, |6 f
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
' z0 k& F7 w8 }; Q% O- @: w/ N| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M' P0 [* B- y; w9 ]8 c
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M9 ~$ Q* w6 g' A0 |0 w+ y
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
' e8 O% G, `9 k| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
8 e7 U2 r# G8 A5 m/ h' v! B7 [( i├──31--【加课】 强化学习【新增】 $ N$ \% [5 |8 U6 n: i4 m
| ├──1--Q-Learning与SARSA算法
+ X' s1 P" ^9 G, b0 }| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M8 S5 ~# }6 q% F; c9 U5 w
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M4 o+ T5 c) C0 ]3 |) q
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
3 K) @& V4 e( A' m* w. a| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
& ?& X/ w# s- k| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M- L. N9 O7 y. f& H( b
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M# [+ Y( X- K0 x& S P
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M5 S6 B6 @# I3 ~) }0 D
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
! O4 O' \) S7 P2 z' A3 y$ H| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
9 u8 U3 {8 e; E4 W# @| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M, Z/ P$ W% Z9 _
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M# p$ j- _ n" j. ]
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
1 g3 w6 ]8 x2 V7 U) L| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M: i# A% K+ M) J/ g! y
| ├──2--Deep Q-Learning Network
6 x; v- e" O3 d+ [# ?/ T) ]$ u# m( k| | ├──1-DQN算法思想 .mp4 59.24M
1 ], u" o2 n. C, W| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
1 R( L* R1 A1 ]8 F5 V' ?* d| | ├──11-DoubleDQN代码实战 .mp4 44.49M" g" V) z! H R% p: @4 G
| | ├──12-DuelingDQN .mp4 88.12M d; T, |3 {! b: j. o) s! y4 t, z9 \3 z
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M8 L5 n0 f" X. d& }- n
| | ├──14-计算Action的方差避免风险 .mp4 54.23M2 E% F2 e; A" g; A/ V1 B
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M b7 x, c2 k0 S5 C4 v
| | ├──2-DQN算法具体流程 .mp4 56.17M$ B2 F+ D. p/ D3 l C8 }; }
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
H6 c- g5 M. n1 N" ~0 c% ^2 q; F| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M2 Q6 M4 Z5 Z- G/ ?
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M3 x6 H( g" E6 L) P9 n/ G
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M) b0 v9 m5 m* L* l, e
| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M
& Y- A/ s8 e7 x: m| | ├──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, q0 {7 e' B( H% ~- a3 u
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
" q' v- {" p1 \0 ]3 || ├──3--Policy Gradient 策略梯度
0 U1 A o/ a1 l) s) K* k- F% U* I| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M; q7 @) T) H q1 b8 q
| | ├──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 34.22M1 n: I! J9 H* ]3 N' k" C3 b
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M" r. O6 M/ R* j4 D
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
" X/ O* C6 d: P0 q| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M
' j1 o& s' }7 {! r% y# I+ c| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
: e& K4 H. D/ I8 e9 R/ ?| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
1 F9 c4 U0 A2 L% q8 m8 E) T| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
5 y9 z$ ~4 c' j8 h- z' M0 j| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M6 O. l" n5 x9 W* q1 ^1 ^: C
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M6 t6 k& @' s# q- A' @4 }& Y& ~$ V
| ├──4--Actor Critic (A3C)
. j: j+ B, h) m& ^5 z* j8 x| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M$ a' ~1 `( E6 @ I
| | ├──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
( @; } U; z1 H$ J| | ├──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
; P0 t: c( G; l+ T {/ k| | ├──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
) I6 u7 A6 m2 Y2 o& o| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
9 D* a0 y2 ]- F' T2 Q6 u| | ├──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 47.18M6 Y7 \. |6 k z, ]: p/ e
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
4 ]" M7 t6 G4 ~( b/ t7 L6 n" J" w| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M6 ~' z* e$ ^6 a/ \( H" Q9 E2 E; W& Y
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
* j, o: B/ d: A| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M$ A8 g" v0 L( z, W% T
| | ├──6-A3C架构和训练流程 .mp4 74.66M3 n( h- B2 N" Q4 \' X! h' J, k( `& Z
| | ├──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+ I7 p6 L) b3 f) U: ?
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
4 P% Z0 L/ Q; g6 s5 i" ]; 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
) D6 s5 g) O, w+ D* w& h" i# ^% F| └──5--DDPG、PPO、DPPO算法 9 @# C/ V2 J" X' a
| | ├──1-DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic .mp4 81.92M
6 x; \. k5 h6 h q" J| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
, G* N+ p6 x; h2 |( U) k: u/ e( U| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M6 X+ o6 C6 F1 z7 k) s5 o. d& B
| | ├──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
4 R# x' `' Y; b: V, a1 [/ J! u2 X| | ├──13-DPPO分布式PPO .mp4 63.81M
6 b. F' p/ r+ ^. D8 q| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M) Z; k" L( t$ A. \! o ]
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
( ?4 D3 ^ O! e( [| | ├──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' Y$ Y0 m7 E. S j& F8 U
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M w' w' O) F. A0 O
| | ├──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, P2 K! L- v5 X7 G! s
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M& T- n, j7 k9 \0 q- \$ ]7 S
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M& d3 P4 p) r& ?; M/ f
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M, q o# k* e$ H6 z5 T
| | ├──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
6 ~1 z$ `) P+ M+ t6 d* H# n| | └──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
- G& v+ g9 [" N- V* P, [├──4--人工智能基础-高等数学知识强化
+ w3 n/ j2 j; \3 b3 V: I5 H| ├──1--数学内容概述
\7 g' k3 I. J8 ~/ i1 G| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
" {, ?3 A( I. S. p$ ^" K6 m7 y| | ├──2-线性代数_概率论知识点 .mp4 26.81M- d% a9 B) C, e+ [
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M; t6 _- t9 F* K# Y C
| ├──2--一元函数微分学 i9 }, P" F& r+ D* f% Z. Q6 P
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M% X" E" w& d" {+ c
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M! G: _( R/ u+ u
| | ├──3-常见函数的求导公式 .mp4 22.76M
6 y }6 ]& M, Y% u @; j1 z| | ├──4-导数求解的四则运算法则 .mp4 26.52M
& P4 @( F, K8 J| | ├──5-复合函数求导法则 .mp4 19.68M. z7 Q5 o- x8 i& |6 q9 M9 i
| | ├──6-推导激活函数的导函数 .mp4 33.40M
7 G: q0 D. g( k% W6 P) K| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
5 L0 R8 @) |, ]9 }* v& j| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
/ j+ V4 b ^( X* N. [. {% U0 P| ├──3--线性代数基础
% _ i3 v/ c" k" s| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M0 n! K$ Z7 G1 E1 Y
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
+ d( v) ?1 X2 [( ]( N2 F" h! o4 j9 k| | ├──11-矩阵的行列式 .mp4 20.13M
6 ^- X1 R1 h+ }; e7 a% T| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
+ q+ P9 z/ m3 S# G' Y6 a* R$ Z| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
; L8 l: \% b% T- L" t9 a% U. ~| | ├──4-学习向量计算的用途举例 .mp4 20.32M
6 Y. J( k' ?3 C4 u* E| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
# o' K& I' \8 B7 s n; M| | ├──6-特殊的向量 .mp4 26.45M
) M% Y2 R4 \) v8 D, ]| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
: t8 G& E7 F8 D. s& ^3 e. h5 \5 P| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M1 |% J8 v8 E; \3 [9 C8 _' L. t
| | └──9-矩阵相乘 .mp4 20.02M# G% ~& H* s" `6 M; O
| ├──4--多元函数微分学 . P$ G8 k0 r. u2 c
| | ├──1-多元函数求偏导 .mp4 22.61M
& N, R- g: _* ^2 P! l( R0 h# N$ d| | ├──2-高阶偏导数_梯度 .mp4 27.15M& b; w+ _/ @$ ]0 K, w
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M( D' M" `" k+ I, Z4 v7 u$ W) _7 U }
| | └──4-Hessian矩阵 .mp4 32.93M. s5 Z4 Q H5 C$ b8 E8 R' @
| ├──5--线性代数高级 5 ^0 |! Y) K) F$ Q, a
| | ├──1-二次型 .mp4 27.70M
: E4 s# b* H/ z M| | ├──10-SVD用于PCA降维 .mp4 24.90M7 f9 W1 r+ d. n/ Y+ l# B
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
; ~* o$ u5 x5 G6 F| | ├──2-补充关于正定负定的理解 .mp4 23.48M
" A; u# ?1 l( a" [& _/ ^0 Q A| | ├──3-特征值和特征向量(1) .mp4 29.83M! D/ T& Y, x& V' |( a1 w2 {
| | ├──4-特征值和特征向量(2) .mp4 30.07M4 \6 q4 Z2 O, E7 W2 C; t
| | ├──5-特征值分解 .mp4 38.68M. d9 ?! P; o- d) F
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
- n& H5 i7 ?3 W. u| | ├──7-奇异值分解定义 .mp4 22.58M
) r* s! [ u$ i4 V u5 i( i$ E' T) J| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M% f; b8 f! H5 m
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M: T) z4 t# B' c# L4 r, X! D
| ├──6--概率论 3 F- Q; [3 S* X' N9 V
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M3 E+ c9 W2 [4 N0 u8 I
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
$ V: }; i/ C; }+ r0 A| | ├──3-随机变量 .mp4 22.57M# N" b% I) q5 V5 z4 o: a& I& Q
| | ├──4-数学期望和方差 .mp4 22.96M; v2 X- G2 j- s3 m
| | ├──5-常用随机变量服从的分布 .mp4 22.48M6 ]# g/ f; P1 M
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M8 }1 M/ p$ w2 {( n2 w5 c
| | └──7-最大似然估计思想 .mp4 23.42M
0 J2 v* W3 t) N' c& j+ n0 W* B| └──7--最优化
/ n& _; X5 L) _7 W% L| | ├──1-最优化的基本概念 .mp4 35.14M- f( l0 ]8 u$ X: p- N
| | ├──10-拉格朗日函数 .mp4 27.46M# y6 V2 F! _+ ?( c' E
| | ├──2-迭代求解的原因 .mp4 20.15M
; O6 `3 I7 F. i7 \5 A4 J& J% G- m| | ├──3-梯度下降法思路 .mp4 26.33M! b" k! x: ~) Q+ K& C, t
| | ├──4-梯度下降法的推导 .mp4 43.56M1 x& S( k0 s; g# K. T* K6 {
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
2 q$ q+ z4 ]6 G% J; O! `. z| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M) k+ E3 x; i% K. p2 D7 ?
| | ├──7-凸集 .mp4 21.90M
5 p; Q! |0 L5 `5 ^| | ├──8-凸函数 .mp4 16.93M* }/ S4 I9 I O2 q* l: b5 \
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M5 l/ }; d n3 \: _
├──5--机器学习-线性回归 h$ k+ e S( K! L0 X* i
| ├──1--多元线性回归
( A/ @7 ?% Z( D. f3 P6 q2 s! d& }| | ├──1-理解简单线性回归 .mp4 51.11M2 c! j: N9 t7 G! s' v2 ^5 S
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M6 Y f5 N4 z$ Z* `; {6 O4 Y
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M/ A2 R- {8 \ {. E' W
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M. e3 y5 f$ R" f5 G5 F4 n
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M( |9 }1 j, _+ g" w6 p7 ~) F
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M* f5 X0 v3 Z$ ?! e/ A
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
, U5 I, ?/ G! Q- l6 X7 F0 g| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
* q- I: Z i$ M| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
& V3 e/ m4 t% ^% [- o& `| | ├──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* X- F5 d% ]/ A' F1 K1 S
| | ├──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 34.67M8 S! m9 w* {% n! C' q
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
' W7 R( d* N- i: \4 W3 K8 Q0 p# K| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M8 i8 D7 `+ h; o, l, ^5 T3 |
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M/ ~ I) V& Z8 x; {# e3 O
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M( L/ x% Z8 d" T# {* X+ B2 h5 ^
| | ├──3-扩展到多元线性回归 .mp4 32.15M8 n4 `- w5 [* ^9 _# X: E
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M) ^4 c, e, U. n2 V i% ]/ a; A2 O. ^
| | ├──5-理解维度这个概念 .mp4 41.41M3 B# u: D( ?9 Y- E
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M0 y8 m7 `* O x! Y# T
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M' b) Y' e. R* b( w8 W S0 P3 K; a1 }
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
' C7 p$ u$ }5 t. s D( \| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M, Y& \3 G, m1 b
| ├──2--梯度下降法 M2 {# \, l4 J( g, c8 I/ t
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
5 `7 F7 j$ y) P| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M% p1 q( c) g+ q: w) E
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M' i4 i# V- R; ^3 e3 e. ]: p
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
4 [3 e5 F1 ?3 a, S) E9 Z| | ├──13-代码实现小批量梯度下降 .mp4 27.32M) Q$ k) z0 d3 U
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
* Z, P7 c+ w' J- y, ?6 n| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
4 }6 E' Z& k. K- i0 r5 j| | ├──2-梯度下降法公式 .mp4 57.12M
7 c0 N+ q7 Q# I5 V| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
+ {. |9 ~' p/ @+ @| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
" t/ t E, P/ f+ C5 l5 Z3 _, t' ^| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M4 u5 o; Z7 I( n% u1 ?- W& ~
| | ├──6-全量梯度下降 .mp4 62.84M
1 M- u- E$ ~4 e3 d' i. l| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
; l( e8 f1 a) ~' J5 v. j| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
" ?; ^- j* r. Z% k5 t, ]9 U" J3 s| | └──9-轮次和批次 .mp4 45.22M/ I& `1 J" _% B$ R; R6 L! r5 c4 j
| ├──3--归一化 4 v3 Z) b" S% V S2 V- M) Y
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
& X9 ] M# J y: U `| | ├──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
* P7 {3 f! O. T# r' V' O| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M- e6 J0 L* t& b7 h
| | ├──4-最大值最小值归一化 .mp4 24.87M
9 C( K% U- `- ]$ w5 T| | ├──5-标准归一化 .mp4 51.86M+ `) O E8 \1 J, h
| | └──6-代码完成标准归一化 .mp4 41.13M
! ]; c) Y/ z S: z; F6 r6 Z# {| ├──4--正则化
2 m$ `# k2 @4 z$ O| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
. Q& S& t% t* r# m; `0 g( g| | ├──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* C. u8 |# h; L$ I- a" w
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
' E$ ^& G# d- D* {| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
, K3 U% R7 _" S) s: i0 B/ b) X| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M$ o2 e0 b2 K s
| └──5--Lasso回归_Ridge回归_多项式回归
% R f( w1 z* _2 E" F1 k) _| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
- b4 j" b8 { c( h/ n| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
9 z, g _1 q$ g/ K) V| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
/ V- N: o+ m) m! G s) m3 n| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M" z' B: x, m; y6 I
| | ├──2-代码调用Lasso回归 .mp4 28.73M
0 G" o! e$ N- c3 S| | ├──3-代码调用ElasticNet回归 .mp4 53.67M7 H% P6 L5 |. J2 `' U6 `; V
| | ├──4-升维的意义_多项式回归 .mp4 48.06M/ a* [6 `4 g I( R3 }
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M* ]& n% @* S S i9 _" f! u4 `
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M# @# c9 C8 W+ _# L
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M5 K+ H1 A. A, Y9 i5 [3 b8 i* g- u3 M
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M. H" q4 r7 p8 i# M/ F8 [; g
| | └──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
/ E; C% j7 c Y% }4 T. |' c├──6--机器学习-线性分类
" [. ?* N# L+ m O$ r8 V| ├──1--逻辑回归 , Z, T( I5 T q0 ]
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
( w. n( ]: b) |% @% ^8 r, W3 \. i, u- H| | ├──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: Q3 {9 T9 b ^4 L% g: Z0 \
| | ├──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. w+ R8 p2 v' m
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M j) B1 p7 \( b2 K6 C
| | ├──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
: S" ^, W& v+ z' ?8 s2 z z: _8 ?| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M& Q% c; {& Y! v, b( \8 w: K4 t% K
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M; A( `0 ~3 u% @! b6 U' c
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
3 p# H7 @7 }* O$ Z6 x( W7 y# T| | ├──2-sigmoid函数作用 .mp4 38.15M, J9 A! c! P* h, y
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M3 ?4 P! v/ Z, R, p
| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M5 P! ]+ p# A8 I
| | ├──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 6.71M9 k& k7 e' _: ?7 T) t2 @5 `
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
6 ~2 ^2 a( A+ q: ~| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
9 ?2 r8 B2 p5 i7 f9 e: }| | ├──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
g' _' V5 {- o- [+ N6 v| | └──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
4 t1 m' F; X& H' b M6 l) H5 ~| ├──2--Softmax回归
+ ]$ v# W2 J1 ^" f3 C' K| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M& |; e8 O( t$ F# C% [" V$ @: u2 j/ b, H
| | ├──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
: N$ N: j. u6 g. U% f) E| | ├──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+ h3 e8 S+ v" f# T5 t; p/ T' L
| | ├──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" q R' \8 W5 { @ i0 o4 I
| | ├──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
2 ^8 u" W2 \& Z3 q| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
9 E0 ?& v6 R: o& q0 L, q| | ├──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' h8 |% v" H2 w; D6 {4 ^. ?, W& q( y
| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M5 @1 T V* \, i4 N
| | ├──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
( l( n2 ]0 Y6 D) W$ n, A6 G| | ├──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* G3 T1 J$ Q; P7 u0 {5 ]
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M+ f. J) p/ z, K# e P* C
| | ├──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
) t6 {4 v, x1 `' q% ?2 A( K/ U| | └──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
% ?, d# j6 ]. }0 K3 G. ]( w6 |- n| ├──3--SVM支持向量机算法
- {8 R8 P2 @# A. i| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M, R8 V# L4 I, P& q, K+ I
| | ├──2-SVM的思想 .mp4 55.56M' ?2 q0 p$ l' l. Y7 F* L" _6 i
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
' ?1 Z6 Q a* q# T4 S| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
( [8 ~( n: y, p z+ u+ B2 p| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M5 m% C3 P R$ z3 g9 N' |
| | ├──6-总结硬间隔SVM .mp4 39.01M& j- t/ ^) b0 G. O
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
* d* r' i4 w, \8 E& |1 y| | ├──8-非线性SVM .mp4 54.43M2 ~. b3 H; X$ n% j0 Y+ x9 ^1 H
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M2 t: m/ P6 J0 x) H$ z" R; {
| └──4--SMO优化算法 3 ?8 ?% v w1 v+ x
| | ├──1-SVM算法流程总结 .mp4 58.36M9 p1 f3 h5 L! G
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
8 K4 B' t: q3 v5 X* ]| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
6 N% k' n$ |) C- J( T h4 Q* @| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
/ _2 `1 D) Z6 |9 a| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M/ ?. H7 Q2 v# N5 b3 |1 q7 r% D e6 S" N9 R
| | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 69.00M6 j- e- C n7 _- K/ z
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M* K3 p8 {/ h+ P+ `
| | ├──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
+ C/ \6 i' Q+ k| | ├──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
$ |# n2 S9 m( W& h& B& g| | ├──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
7 H- X! a7 c! b' `2 }- |3 t! v3 _% n| | ├──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 92.38M4 E8 F8 f+ o* j0 {# r ?
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
" k5 B" T9 ?4 o| | ├──7-启发式选择两个α .mp4 23.11M1 w1 ?0 Z+ v4 a0 I; c9 ]
| | ├──8-如何计算阈值b .mp4 50.18M
* e ? G( I8 ^ R$ S| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M, {! T& }0 H6 v6 G
├──7--机器学习-无监督学习 ; P, S: _' v# O5 x1 O6 t0 {
| ├──1--聚类系列算法 7 n& R4 b3 e# T3 U0 e
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
: p. G' y5 P! o! l9 s4 J| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
9 j' p6 o. x+ {, ?% _4 q* J4 F, y0 l| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M) j! p0 h7 h0 {) E2 h
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
* s. [! ?( n0 Y# K8 O5 L( _| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M! ^, o4 Y* y. F3 h4 t/ l
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M5 i, O' }. q" Z5 K
| ├──2--EM算法和GMM高斯混合模型 % m1 u- { b# i6 z$ O9 {3 {
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M$ V2 f6 t: ] C
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
! w; o0 j. \, t, l| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M, Q; J6 Z% q' D4 F' Z! b
| | ├──4-Jensen不等式的应用 .mp4 109.17M
, y% }& m0 G! s; }5 W| | ├──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+ T0 j M. N# e: p U3 A
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M Z) V% p; R: T8 R
| | ├──7-GMM前景背景分离 .mp4 16.01M Y5 ~. }# ~. F
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
2 R1 D2 J/ m% T+ x| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
( u1 E5 v m& T8 X/ H| └──3--PCA降维算法 1 c5 `8 l8 \8 r( t: @
| | ├──1-特征选择与特征映射 .mp4 49.38M- T. x7 P' b" @8 ^5 t, W
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M" }4 g2 J D5 Z6 a0 w$ h4 d9 h
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
s& Q" ^- s- o9 U, a0 {$ ]* {) `| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M9 q9 D# C2 {: H! K) I
| | └──5-PCA的几种应用 .mp4 54.58M+ |) x; @. X4 l% ]& l7 s0 \2 _
├──8--机器学习-决策树系列 8 t* D! ^2 S# q1 b3 m" ]
| ├──1--决策树 8 N4 F9 i7 A8 x9 k) s" g
| | ├──1-决策树模型的特点 .mp4 74.88M" h; @8 {+ Y* Q6 F. D% F
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
6 b5 B& D9 Y; w0 x| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M1 _* ?) M# b. x9 H3 Q, E2 K
| | ├──12-后剪枝的意义 .mp4 50.49M
4 I3 h. k5 g6 v7 o8 i| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M$ S+ c9 g6 x! }3 {; W4 Q! [* F" ^
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M7 ? i ^. k* }3 z# I* j E n8 q x
| | ├──2-决策树的数学表达 .mp4 89.94M
9 u; ~, G) X. D& \3 j3 M8 C| | ├──3-如何构建一颗决策树 .mp4 84.87M9 z- D& ~( P! P6 |( D5 t: V
| | ├──4-什么是更好的一次划分 .mp4 57.02M/ g2 d2 n$ n$ _0 Z
| | ├──5-Gini系数 .mp4 107.54M* i$ v- x( N8 ~: `
| | ├──6-信息增益 .mp4 75.26M
) l# E! t0 v2 [ || | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
# d3 t+ E" ]# q| | ├──8-预剪枝以及相关超参数 .mp4 127.06M& s# B. m9 x V, i( y+ X
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
! G% z3 o7 o* ]% Z( k: q. E( K/ Z) b| ├──2--集成学习和随机森林
8 p( i! Q% H! K w# [6 q| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
% `; h7 W6 L$ \6 t2 ]$ a: e| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
1 G5 a7 F. e- P! T! l| | ├──3-随机森林 .mp4 108.14M
* A$ A. ^5 \4 Y0 n0 X| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M7 y( y# g {$ ]7 u& ^8 c
| | ├──5-OOB袋外数据 .mp4 106.07M
. @) e$ g% E8 X, S; Z8 W| | ├──6-Adaboost算法思路 .mp4 106.30M! N7 F' \8 _5 B2 Y
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
2 ? h/ C d9 U- H" c$ T5 y| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M y2 [$ H$ [& W! p7 S* B+ l' Y2 i
| ├──3--GBDT ( }0 p8 w8 x; W0 q) U' X' L
| | ├──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
5 G& }; Q7 G; w( Q8 h| | ├──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& r2 G% l: G5 a8 a. ?/ W+ M$ ~0 c. T
| | ├──11-GBDT多分类流程 .mp4 73.80M
1 | ?2 S# Y4 M) F# A| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M! ?% d/ t# ~- ?# U
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M" O) G% y0 G2 n% c
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M+ A' W) W$ |" ?& l+ c m4 u- U
| | ├──15-GBDT二分类举例详解 .mp4 86.67M6 ^1 o$ M3 H% N3 Z0 `% D+ v ]& D
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
; {9 z8 y: q9 d8 Q| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
( d# Z- [# o$ z: m) a7 y| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
) J" b* Z- {9 S) U4 u) c| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
6 t8 ~$ @( N" J% K& a3 o1 ?) I, V0 c| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M$ x0 b9 u8 U2 m9 R/ Q3 [
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
" j6 S1 D' ~2 W3 i, {, m' H| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M
. c( b6 ]3 t* M( q0 e9 M% I| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M9 i. n- r% \/ d5 a9 T
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M, Q) [9 ?& H/ F* ]- k5 S3 X+ g* N
| | ├──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
1 h T; }0 s/ M# e| | ├──4-GBDT应用于回归问题 .mp4 84.66M! f+ `5 ]- k( ~! G+ h2 `
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
9 a/ G! Q' ?: p+ h4 ?( K: S3 X| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
( j! S' D; U+ f" i9 B& ?, ~' {% r| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
8 C$ P: Q6 {0 I/ `/ r U| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M4 e5 `8 D/ ]2 Y# E5 z* j3 ]
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
+ q. f( q4 [& o; v| └──4--XGBoost / T* O# _( s! N
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M% j$ j* t8 w3 H3 R2 ~0 v
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M( E' ^( O2 \9 I# y ]
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
: H% g: \ m( w3 x| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M# z& S. w" M5 P$ n9 {- R. d! o
| | ├──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
( S1 Q% S: S, p! `0 @: g| | ├──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
4 E& |: x- T* U% Z, r5 E| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
- h6 a' D0 R2 p# r' W3 O5 P| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M0 d: M9 v7 i! q; ^3 n
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
# B6 p9 b& }+ }& C4 [; \# R| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
0 w9 a, j* y6 X" ]| | ├──3-基于树集成学习4个优点 .mp4 91.36M0 \# @1 \1 ~* i4 u; }
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M3 z6 a* x% k& Y, q3 L& a; J
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
7 r& b/ G( c. P% f, K# y, N| | ├──6-Objective_vs_Heuristic .mp4 60.42M
\. Q6 y9 O7 A" ?2 S6 Y9 O$ p| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M3 F( `$ x& t2 Z3 q: ]) V
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M. x9 o+ Q- e2 y% p
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M
9 d% S& @9 G$ ?; L' }& ^# b6 ]├──9--机器学习-概率图模型
$ F9 W! [9 L, l% ^( P| ├──1--贝叶斯分类
4 h* M. N7 l$ F3 n; T' @| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
/ g0 D& d# {# Y6 Z4 @: t; p| | ├──2-TF-IDF .mp4 53.08M
+ D/ D. ~: L- r2 w* w) s| | ├──3-NB代码实现解析 .mp4 126.73M9 p1 V4 P2 R* |: F7 x
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M; L- `. ]/ `8 H8 U( x( r2 o
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
4 ]0 N7 v2 X7 s4 C8 |* y| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M: y( t, i% R" B* s: U1 }
| ├──2--HMM算法
2 D$ `2 J- L+ L0 _; w% M; O, v| | ├──1-HMM隐马的定义 .mp4 36.82M
3 P! ^+ h; e! X2 Y1 n5 h$ F| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M ?* w& U) k* R. J# Y. l
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
% M/ X5 e) W1 m/ y. s| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M4 }$ f1 s5 R- J9 H; ~! \
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
2 d& t1 \+ D# x% I5 K3 w| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
( a4 n3 c4 U1 u$ C, { F6 `| | ├──7-Viterbi算法案例详解 .mp4 107.12M
: ~' ^. o9 q/ k| | └──8-Viterbi算法代码实现 .mp4 42.43M
V! P3 M# I# ^. q0 X$ I- E( w2 l% q| └──3--CRF算法 2 Q% X! T! R7 F: `: y
| | ├──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
3 m' G0 x; e# v( L2 ]! t+ j$ S| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
) O! L( M# X X2 Y- i| | ├──3-了解CRF层添加的好处 .mp4 105.90M
w; K, z( ^- Z7 o! o| | ├──4-EmissionScore_TransitionScore .mp4 61.33M- e4 W; R M, Y+ U
| | ├──5-CRF的目标函数 .mp4 23.74M
. ~4 i3 q. o) l& D| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
# ]2 V1 A1 g: a| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M1 V8 w0 h7 r4 u% {9 r4 t
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
$ a0 @0 D5 q% A/ }5 f4 r9 h└──课件.zip 2.54kb
3 n7 Z" t5 S2 p2 ^- L( M7 J. b' n
& L+ H- t: D* f6 J% i
( L! e) m8 N+ v( k% K: \4 s9 F% `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！# C8 U4 f' E9 \9 G
$ R2 ~0 t$ b# i4 W7 f5 Z( T/ R6 ^7 Y1 v
|
/1 
