战-人工智能2022/
\% t- I5 M9 P, y& p5 @7 l├──1--人工智能基础-快速入门
6 r) N9 I/ i1 || ├──1--人工智能就业、薪资、各行业应用 9 H$ Z# d" p* {; ~# k/ c
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
0 b! P+ o1 Y; ~# C- v) y. [| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
" u# w; E d1 R3 O/ e4 S9 Y) v8 d| | ├──3-人工智能时代是发展的必然 .mp4 23.22M1 A! d5 Y% Z$ {6 Y6 z+ w
| | └──4-人工智能在各领域的应用 .mp4 57.73M ^( g: S0 X: A. h# V
| └──2--机器学习和深度学习、有监督和无监督 # Y: V3 h8 d& H, N
| | ├──1-人工智能常见流程 .mp4 89.62M
; q' r3 r( c! ~5 b| | ├──2-机器学习不同的学习方式 .mp4 83.51M
' v6 d. f% d% z* C+ s3 W) i| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
0 |; [# S) ]! |2 N, e3 p| | ├──4-有监督机器学习任务与本质 .mp4 37.50M$ u3 w+ A* ?5 |- q k
| | └──5-无监督机器学习任务与本质 .mp4 50.15M m( b8 i5 ~) @2 S2 g! i" N
├──10--机器学习与大数据-Kaggle竞赛实战 / B& s9 B' w' L/ G' o4 U3 ~. Q
| ├──1--药店销量预测案例 6 |- U$ T' `! o9 L9 @
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M4 r# l2 I2 k$ y- F6 P, M6 a. N2 C4 H
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M" l* z/ y Y3 A5 d4 t3 o; }
| | ├──3-自定义损失函数 .mp4 21.12M9 l! C9 n8 r" _8 q+ H* \
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M. j0 P( u6 F# z1 S
| | ├──5-数据的预处理 .mp4 111.81M, F4 l. d% K% C4 \; `* g( x+ |7 q
| | ├──6-模型的训练_评估 .mp4 66.64M2 D( w. L) l; R4 N! }/ t$ P
| | └──7-kaggle竞赛网站学习 .mp4 172.16M5 N) [! B% X" B# r! s- |
| └──2--网页分类案例 0 ?$ f D/ I4 {1 i; R B" M/ A% P
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M, e2 D6 t, D/ n' `
| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M0 W6 s' f7 A; {1 t. _. q
| | ├──11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03 .mp4 68.80M
" S/ A2 E& a: g& [; T| | ├──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 74.74M6 v) c) e1 q2 R3 `
| | ├──2-评估指标ROC和AUC .mp4 56.19M# U( h( q/ L/ R( U" R$ Y4 n
| | ├──3-评估指标ROC和AUC .mp4 49.03M
4 B( g1 e% U' e/ b- l3 F, b; n3 d| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
+ D9 U3 {; A% I| | ├──5-数据导入 .mp4 68.41M I i; u4 ?: I1 A& E$ d1 X8 R
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M$ Z/ h; R/ w3 U. \) ^2 m
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M; e' u# }1 i( I6 F- p& p( Z
| | ├──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
$ a9 m( \0 F) m1 j. f+ F| | └──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
' [8 T6 r# V- Z' [- I( k├──11--机器学习与大数据-海量数据挖掘工具 % T1 t: p& u: d. o* ~
| ├──1--Spark计算框架基础 0 Q$ w( E! h- Z( R
| | ├──1-Spark特性_01 .mp4 41.68M( M1 t& w; l2 b, w, o3 O0 u k( r. L
| | ├──10-分布式计算所需进程 .mp4 26.30M' m3 p' D) c' J& f9 a
| | ├──11-两种算子操作本质区别 .mp4 56.31M! f8 n+ m k6 \' [/ a* O
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
$ [2 L3 K+ q* S5 }/ \| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
9 a+ l, A: \; F( |/ ]| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M1 ]2 {; B3 v. u v _3 \. \) c
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
: Z% g, E, Y8 E, d# U; K$ \: F| | ├──2-Spark特性_02 .mp4 35.15M
$ L x2 }" f% N0 P W| | ├──3-Spark对比hadoop优势 .mp4 19.34M) k, L8 L9 Y' w1 K! y
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
- @2 y. ^' Y" ]| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
: v- B+ P: \: s* l% }, s| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
$ C6 R( x2 l' R% b| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M! c" k2 m8 }8 O. @4 |* U$ _" m
| | ├──8-Spark的RDD特性_01 .mp4 33.08M6 e; M8 ] U0 l% Q4 q, ^
| | └──9-Spark的RDD特性_02 .mp4 33.41M. ~: f3 X' T/ H$ I
| ├──2--Spark计算框架深入
9 I7 j# m7 `7 X| | ├──1-Spark数据缓存机制 .mp4 54.43M
9 O% g" g1 G0 Y' I% E4 X| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
; m% _, b- r, \- u| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M! A5 C k s( A
| | ├──12-构建LabeledPoint .mp4 111.08M- i+ H7 R) ~$ d3 M7 r" F" n" g
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M3 t3 ?/ P4 b- x* O+ G: v" T4 T
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M; d( f7 j' q! F/ l% L
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M3 y0 L4 A9 R4 y9 }
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
) z, X% w& w: H" j( I$ c| | ├──5-Spark术语总结 .mp4 89.66M
/ J4 V2 C, X1 k- L| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
1 c2 p7 J. p7 X+ D0 W1 i| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M# a" L& k0 \1 W# {+ d) [
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M* V0 D6 ^: p: r/ _/ m1 M
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M+ b5 C! ]& k7 i1 ]3 I# I5 S
| └──3--Spark机器学习MLlib和ML模块
; o' [! M; b( a) e, r: w3 J| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
& Z* F8 w$ B1 u& Z: O- \8 P( Q| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M7 Q6 [% N! ?1 ]& S
| | ├──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 w. y" f+ K. b' t| | ├──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
0 m! {7 R6 a9 r| | ├──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: d& U$ }+ n C2 R* N( S: n6 I
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
' Q1 s+ ^6 M7 \9 L. Q2 s| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M# l7 x: z6 c! \8 p% Z: B; S, R
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M4 P. G% V0 o8 ^+ s7 O$ j: q0 r
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
5 p. X) {5 ?& H& B! q| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
" G/ w4 m) a* h2 Y% y| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
0 K" ], ?2 l# j2 W6 ?5 I| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
+ S9 [% a2 F8 |' d| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M. m: T' X0 l* ?' w, J
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M3 C: L, A8 a0 Q" D$ _
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M5 L% {# }' c, C3 \0 _
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M2 S* e3 h* m2 C( R2 f6 _
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M- Q; z# W1 h b' u9 W' d; e) ?
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M" u4 T* d' e) E* l, }, b% o
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
( R) e2 S; o+ q1 Z+ @0 D: A| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
3 l. Y4 s4 c3 d* s: p! B2 A| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
- c0 t ^) Y5 N4 E| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
. j6 |6 l. d: U3 K& H0 ^| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M& e9 Z* s0 `4 h+ J& \5 A
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M3 W" i$ }' n& K) f* j
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M6 C ?& A8 z# U% [
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M; r7 O' D ]' Z+ g
├──12--机器学习与大数据-推荐系统项目实战
( ^1 e! _& K2 A| ├──1--推荐系统--流程与架构 / o: P6 s2 {3 E7 w; y
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
4 R1 c' g3 V* h; s0 x$ _% ^' m9 ]| | ├──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) t! M/ R; \. d# I, @: h
| | ├──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/ O( F- z. a( K7 h2 X& X
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
/ N3 E' Z# C% t8 K, \- g8 t| | ├──13-推荐系统_数据源_2 .mp4 82.90M
$ r9 q6 @4 z- }3 a! g! s| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
+ |" W$ |8 c) ^5 B" R4 N| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M1 t9 N9 G$ Q; v" m5 m* _$ R
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M) h/ `7 n) g) r6 ^0 Z
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
9 T4 B9 V& A' o9 E| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M% W$ e) K4 D% M2 ]/ {1 s
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M! }" t$ Q( B5 T' u6 Z
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
7 t- s7 ]" H% Q- z: u| | └──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
3 g q) u! r1 f' X- \& y# y| ├──2--推荐系统--数据预处理和模型构建评估实战
6 C8 M4 V4 A$ N. x8 b| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
z% V k( g+ e+ ?| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M$ N/ B7 f/ \! n0 z& ~; Y
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M5 d. G( x; q) d" p+ K
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
* [, i4 ~. A4 s* Z9 }2 h% y B1 J| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
, a \* D, q& n* A# S- \| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
& ~1 J7 s. I. n& l4 F, f| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
" ^) s1 y5 s* L4 S. u" 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/ M. e/ ? q+ f
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M$ l+ M6 n; G5 s5 \2 c9 W( m2 Z
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M1 z* R( ~5 B( ]" t) |3 g
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
# m9 g i2 M, k) r ?* n9 N| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M8 E5 T8 s7 C$ I" j C j: Q. p
| └──3--推荐系统--模型使用和推荐服务
$ T1 u5 n1 k6 h1 d| | ├──1-推荐模型文件使用思路 .mp4 61.89M
\0 x* Z+ F/ p5 c+ G; L' c| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
) z8 h" P6 {% }& P; n) \| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M7 }* q& g! `' p3 w# z* t7 h4 e
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M2 m& o( U# R+ g/ E$ t8 c
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M" P Q) Z* p6 k- v/ m
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
3 J3 X, ~# Q6 s% ?5 N+ v) Z+ L0 U| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
! e4 a3 |* k4 B3 s6 g% f* x w! _| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M! `* F" [ i/ ]0 l. _% j9 p0 v
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
( T$ Y6 P5 m" o. ?7 L, O$ K6 [| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
i& b5 X3 t6 s8 g0 q0 Q$ X| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
2 u5 O3 n# `4 i5 W| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M: F* i8 p9 \% {
├──13--深度学习-原理和进阶 }- I& e6 {& \/ t+ l
| ├──1--神经网络算法 1 U4 v! l7 j$ g! F
| | ├──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
) X1 e- d! F1 _/ B4 R| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
! H5 a1 C0 M5 L! a" T6 x| | ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M
6 u, S+ t6 J+ d' ?- j| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
) J: }4 W0 F$ X/ i7 {, k9 \| | ├──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. t) Z2 J G0 Q6 z# `' @
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
" q r: j9 ^; s' q| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M. @- p# {4 c2 f5 j
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
, Q1 M/ f/ s; C- E2 l* T| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
. K" v3 S0 s/ S* m+ s$ s| ├──2--TensorFlow深度学习工具
: ~% O" V: y8 L! _% ~| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M) ~$ M1 s0 d3 u% W6 f2 ^
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
! m0 M" n( S/ v7 C| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M j* M, W& Z7 i! T- Y2 |
| | ├──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
- s: U: _ _5 n( N9 [5 |$ O8 D| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M" R0 i9 I" m0 c; r" m6 q
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
0 E) U: ?& z9 _4 R$ a- W" N| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M- `$ x6 {) g6 J3 m0 `8 C: e6 Q
| └──3--反向传播推导_Python代码实现神经网络
7 l9 x( A: G/ u& ` @: ~| | ├──1-反向传播_链式求导法则 .mp4 86.47M
: ]$ m) v7 _6 V/ F" A s; a| | ├──2-反向传播推导(一) .mp4 127.90M
8 }! B. N, O$ a, T$ g9 {| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
7 ~, z# }, E8 F6 S, \| | ├──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 X" d8 g* V% x5 p* f" x ^1 Y% \| | ├──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/ a5 a/ J; w4 @
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M! r& C3 ^, ?+ [- ?+ w% {8 q) R
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
9 V1 N' ~& |4 g+ G: @* _2 H# J4 R├──14--深度学习-图像识别原理 * i4 a8 e- I& o3 b4 @9 Z/ c7 K1 c* H
| ├──1--卷积神经网络原理 0 v: E0 w1 o' s& Q, m Y
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M t. l- w4 v+ R* K/ D: ~
| | ├──2-单通道卷积的计算 .mp4 104.01M' P; N8 h% t; y) V/ |- e
| | ├──3-彩色图片卷积的计算 .mp4 52.79M5 S k( g. u% M z$ r+ G) }
| | ├──4-卷积层权值共享 .mp4 63.93M
) U+ w' i$ V2 C" ~+ R) K| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M2 a9 Z1 A$ e" m/ J% F8 X/ l
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M, L! }1 \0 ~& `2 i
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
# B) T4 r- X9 b! t! K6 h" C| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M9 c' I* |5 Q: t; \- Y- K% Q/ X1 l
| ├──2--卷积神经网络优化 ' T9 J1 Y* z$ `" W1 F8 i1 i
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M5 e/ ]+ ~ j4 |5 N
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
: y! A, G/ ?$ `; {3 r9 F+ g }| | ├──11-Optimizer_Adam .mp4 141.12M
+ a. E W* X$ [3 n| | ├──2-Dropout技术点思想和运用 .mp4 113.94M. D! C2 J7 m0 Y9 j1 v
| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M1 Z$ @( x4 {! G
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
) c u S& ?# Q+ K1 J, h| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
# d$ O' r: y' k) Y! w! c| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
% R W! I; ?% z' J# G| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M9 D% P+ {2 C: `. e3 T3 N
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M$ t+ H0 h1 d- R. q" F
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
8 {! ^3 x* o6 B% Q+ } l" F @, V0 G| ├──3--经典卷积网络算法
- h0 `+ a& y5 y/ F. x| | ├──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. g$ r: u6 ]0 o- Q! ~( V, p
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
) b% l: S$ C* b: o. [1 ^" y| | ├──3-InceptionV1_V2 .mp4 165.86M
) s$ e' V+ P4 y, J/ [6 r& k| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M0 b, B1 _+ {' X: G
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
4 b$ B+ H& |2 c9 H1 w! O1 || | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M8 @$ V; j. C3 P0 N' t+ s' G( s
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M8 t l3 Z% `) I' s; {( i
| | ├──8-BatchNormalization .mp4 99.23M8 u; K& F2 f$ K0 B
| | └──9-Mobilenet网络架构 .mp4 150.05M1 V G- u5 n8 N0 Z% u
| ├──4--古典目标检测
9 v. y* h* c' T) ^' R5 e* B| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
3 @2 `4 B/ k# W5 |6 B3 ~( Y| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
: ?7 V! q& V/ O0 b# k- Y: l' U& P| | ├──3-IOU以及python计算的代码 .mp4 23.56M8 ?6 C& ^# @3 `
| | ├──4-R-CNN和SPP-net .mp4 124.06M' l" L3 s& U- S {
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
% N! j- t; D+ f: [/ q/ }| └──5--现代目标检测之FasterRCNN
; c' ^& }! _) r4 D| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M( D' p3 s. R7 @- E) i. `+ ^& y
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
! v! N$ o. D5 ^4 R/ l| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M5 J5 I* g! U4 x5 q' I
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M7 X; {4 `' I1 `2 g
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M5 H2 R# ~# z! G: t1 @
├──15--深度学习-图像识别项目实战
e% n; {" m1 E( n0 N) r7 P| ├──1--车牌识别 " P- }5 ` V/ f% p. U5 R
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
6 r5 ^1 ^$ G6 C% y1 W| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
# Z! |; T1 Z+ s| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M, G& G( n* j2 ?
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M6 A" a$ U( X; h: B+ y/ v
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
9 S$ ~4 X& i9 e0 |, Y| ├──2--自然场景下的目标检测及源码分析
7 a$ V: H1 n7 Q* ?4 p| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
q7 i y" p; A2 z& v| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
; ^3 f, b) J n9 b$ \) A| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
. P4 j! k7 i4 P/ H| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
/ e( B9 r- Z8 }| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
2 t4 `: q: O! s: T- j, `% @| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M6 y6 x2 a6 r8 Y% A ^
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M' {+ k7 y l8 Q2 U1 o7 B
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M+ V; Z1 g! o" x- L0 f. ?7 A H
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M# F$ I$ g8 A1 _* x) {" F' n
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M$ B6 M7 n# s$ a: e
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
: g! t I0 \! Q% b! U| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M1 N1 u) S6 u x' T8 k0 g
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
I6 i6 x( {1 z! a% m. m) B| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
* a+ S6 Y, y" p0 b3 c| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M9 t& u3 l: n* `
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
) H: A; r$ g5 V+ H| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M# z* j, X4 j- Q4 B3 ^1 I7 z( M
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
/ j7 R" M( D) p% t- E; _| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M* }& z. ~" f3 s6 {3 O; R
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M5 D6 g3 z# O7 B; B. R
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
9 t/ d, Z5 N4 K- b8 _+ D* n6 }| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
! }6 t/ P6 L4 }! S1 z| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M- b3 n6 {, b6 _6 f! ` Y
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M9 W& _8 P0 v! z9 Z& c Z- S1 D
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M$ H' U# n% ?2 n; U
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
0 i. E* t/ U; d+ l| └──3--图像风格迁移 ( i* ~. z4 w; q0 a, Y; P
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
% }0 M. Q" H& {- l, K| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M0 v" C% G g$ V* {: E0 X
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
, ?3 F% ?% b: r+ x H| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
6 s" Q, i2 B( r( d├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
$ v7 D4 z& ?+ Z; b2 M| ├──1--YOLOv1详解
: {+ \9 v6 I; z# l8 i2 Y| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
7 a9 H( c0 W- [) @9 s| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M1 d+ y- a5 v3 W# B+ E/ J$ y; _
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
) j, H! r( Q; X2 e9 s| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
0 o' W8 I, g: ]& e) `5 t| ├──2--YOLOv2详解
0 M. g @/ e% {: I| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M' H% A) D$ _' ] B* X' W7 }" H
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M' B/ D7 E( ?( W( i' i0 x0 `
| | ├──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+ x# d/ P; o8 b/ f' {
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
9 ~7 ?8 C3 S# p* w2 I9 Y$ y' o| ├──3--YOLOv3详解
, R h' b% o+ J$ q( `| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M& t# Q2 {: D# I
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M0 A8 H* n6 z+ H0 e6 u) s7 Q
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
( l% Y; e/ @ W, E| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M1 y6 b$ c- E1 b# q
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M. b* m! c, h" d1 m4 V
| ├──4--YOLOv3代码实战 ! t% A: `7 h% \) d' y
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
- ?2 y0 v0 I! t| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
( ^9 [( Y% O" `$ h$ x5 m- D/ y| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
3 t1 @, ]6 V9 i1 o) V| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M* l" L( v- L8 b5 e& z1 I }
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M w1 w+ d% O5 o/ F: ^
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
& o& G/ b0 _) j0 w3 Z ~| └──5--YOLOv4详解 ) X- ?% `3 @, f" b, b0 J% F* r
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M; s# q% l$ d9 ]4 z
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M4 w. b% m$ w6 |$ A7 e2 v
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
6 f, }# b' j, A0 I$ m" F5 O( _. X& s| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M" I3 V8 b8 `1 m9 v" x: h+ G
├──17--深度学习-语义分割原理和实战
7 W$ A0 r" l/ t* p) P; r| ├──1--上采样_双线性插值_转置卷积 7 H3 t O8 z7 S' n( l
| | ├──1-前言 .mp4 19.46M1 n! s$ x4 O B
| | ├──2-上采样_repeat .mp4 23.90M" F$ q7 Z, q, s; P- }' C8 Z3 B
| | ├──3-线性插值 .mp4 34.48M
2 c* i v5 O$ F| | ├──4-双线性插值 .mp4 125.71M
+ u% r8 ?1 K7 S, G' E| | ├──5-转置卷积_以及TF的API .mp4 114.25M
7 R/ x. ^7 @! L6 g7 d* {2 Q& _8 R6 t| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
& f! r5 @ U+ P: Q, e& d: Q7 p| | ├──7-ROI Align .mp4 58.38M. ]% h+ h* W- J0 g' _$ Z
| | ├──8-FPN思想与网络结构 .mp4 92.14M2 y) u" {! l) t' w/ |4 U! B
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M4 }7 A9 L# [2 k( v: Q. ^6 ? e
| ├──2--医疗图像UNet语义分割 0 T0 v: f% k/ A% A2 m* _2 ^
| | ├──1-语义分割的基本概念 .mp4 18.33M
q$ o; G. \5 a$ K8 ]9 A| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
" d0 V ~/ v3 ] t% ~1 t; D| | ├──3-UNet网络结构 .mp4 30.41M8 h6 @9 L* {5 e# O: |2 O" l
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
& J* \7 l" K) j* ^| └──3--蒙版弹幕MaskRCNN语义分割 8 h3 j; u6 }) }( J) @: [" M
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
1 g, W- w& |+ }( n3 Q| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
1 ]6 {9 P0 W5 @4 W" F& x) {) ^: Y| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M4 u. E: T6 M& i x
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
: M% H. B( `, {5 a& k6 E7 v| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
$ g n% t, Q P7 X2 r| | └──6-MaskRCNN源码config和model .mp4 244.48M
9 I5 w. \* z( B├──18--深度学习-人脸识别项目实战 2 h9 K7 r7 @- @2 @
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M |: g4 Q/ x% \8 p7 z) N) l- W7 g
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
" N6 U4 x4 s' _" v3 | @4 `| ├──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$ O. A7 e- M' Y! j x. h- j
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M# r q* V6 e5 f4 l! j: c' C3 t
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
0 q" a# X, z4 n( V# v* f' r| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M; M; J7 v: r6 S2 q+ U
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
. v o! i/ j: V4 ^, |! ]! {9 U x' A| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M9 j9 }! v6 _" x6 i: z) m
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
9 {+ w; p3 l/ r" s1 d2 z( g3 z| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M% P* A) x: F9 [5 n" \
| ├──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
3 F+ k) e4 t8 V% K4 R( v| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
# w: K+ _) \ `" o| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
, X8 ^( z# k: F, || ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
, b2 {/ e1 m3 |& X5 Z; V| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
' ~5 p" T: {: _, g' ?| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
1 G: v/ G( b1 B3 d, @/ Z: B| ├──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
: P) _* l( F6 H( N% n9 Q% P& D, t| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
' {# c7 k0 e; N| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M, T% F9 e! \) e7 N
├──19--深度学习-NLP自然语言处理原理和进阶 h* _# Z0 ]( Y# T `
| ├──1--词向量与词嵌入
% L/ V- n6 m* m d; b| | ├──1-N-gram语言模型 .mp4 116.32M& ]2 H% S1 i% b7 H/ n3 Y
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M; q. L( C- \' W0 p9 P
| | ├──3-词向量的作用 .mp4 58.00M
W3 h6 r& e$ w: [| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M% w& x+ d- C) O) M4 g% T. b, e
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
" N5 \" M' b9 G* m& m9 A5 @| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M! ~$ N' b2 u1 K: |6 Q k% Z
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
$ F+ t3 \; W+ w( t3 L5 o| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M- C/ n, g- U9 F! Q
| ├──2--循环神经网络原理与优化
( Y# j& ]* O* ?8 p& z" x) Y* l| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
2 s4 D& h( n6 K/ i$ G& n| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
; r+ s8 j( p G' i' g$ z: ]8 j| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
# O: W1 J7 r: R6 }, M0 [| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M% J# {8 ?6 B7 |5 o0 p
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M, F4 p c2 N/ c2 S4 ]/ a
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M; P" V: _. @8 ^ n0 a, m
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
$ e3 o" m; e' H. @$ w( i| | ├──8-双向RNN_LSTM .mp4 52.01M
+ g& ? o3 P" g6 w, @6 C; x! `| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
}. j( ]3 V; q6 `) J* s| ├──3--从Attention机制到Transformer
' y9 z( B3 F) j| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M! u6 D% \8 j! n/ t; f/ M
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M8 k+ y! {0 n$ e* @
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
7 x/ |: P% k( b2 a, u3 i+ |$ E( o| └──4--ELMO_BERT_GPT " g, P3 B8 J6 y& }
| | ├──1-ELMO .mp4 62.44M
3 O7 C G5 A; C" Y2 B| | ├──2-BERT理论 .mp4 99.73M& L; I* V C0 C4 h
| | └──3-ERNIE_GPT .mp4 56.34M; `. C+ ^3 Y/ w! B6 N4 u9 s: a
├──2--人工智能基础-Python基础
7 F) D) X+ c9 T& ]" K| ├──1--Python开发环境搭建
4 R b4 s6 W) }9 g0 e3 s: \| | ├──1-下载Miniconda运行环境 .mp4 100.75M
9 H; v: K& S* F5 O3 v5 C6 u* n| | ├──2-Miniconda安装和测试 .mp4 57.12M0 a& K) t/ k% F2 q5 d( ]
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M& U/ G* k8 r6 V v
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
- z2 i. J/ {& _) G" X- e- C0 c| | ├──5-Jupyter常用快捷键 .mp4 32.23M6 A/ l x6 R O, @" {) ?; S+ v
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
9 y6 R! p, G) c9 \& R: G# v| | └──7-关联虚拟环境运行代码 .mp4 38.14M; _ { q, g* l% m
| └──2--Python基础语法
0 A9 [5 u" P; J1 {5 u% k4 J| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
7 M* k& K5 ~6 [+ A7 ?| | ├──10-Python_集合操作_列表 .mp4 34.71M
. v2 h0 M+ l) O3 Q6 ^; N& Y0 N| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
$ r% J$ e4 x; i3 c& m5 S6 V| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M+ ?' x( f C" D' O/ D0 `2 \+ p
| | ├──13-Python_集合操作_元组 .mp4 43.46M
. ~" j1 [7 S9 s( L" y| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
' j8 F# N7 F8 M# n6 o| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
0 k' t$ n e; G' J8 P| | ├──16-Python_os模块_shutil模块 .mp4 51.54M# q$ {" z' {# G& i
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
( x. t5 D( y9 R; c* \# i| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
0 X+ E8 B$ V- G& g6 {| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
% I) o4 m. @, C( ~& k& ^| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
% R3 o( |' ?, A4 H" n( I& _- `* L| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
- f5 w3 N+ Q' D# G| | ├──21-Python_函数_递归 .mp4 23.46M
; u) T! ^* {( }: l1 i% q/ |- \/ ]! q| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
* k- }* L# |( o4 d q: S| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M! h& I6 f+ n, Q
| | ├──24-Python_函数_闭包 .mp4 41.61M
9 w( `, g* F+ R8 {* d| | ├──25-Python_函数_装饰器 .mp4 30.35M
+ \, z7 k U" N4 z! L+ _| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M0 t. F9 T3 J' Z6 p
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
{7 d& }' I, \| | ├──28-Python_类对象_内置方法 .mp4 29.17M
, D& }1 F' H" ~" w: D2 q! h| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
1 W% u5 Q7 w; w9 [7 D8 u# @% b| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
6 f; v) y9 O; k( ^7 S| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M2 D' s" y$ s+ c; m4 h
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
! u4 C* @4 F# p" K$ j& e| | ├──4-Python_控制语句_while循环 .mp4 25.02M8 k1 z& M+ E, A7 {
| | ├──5-Python_控制语句_for循环 .mp4 22.82M/ l9 D( W7 v( [0 l3 E
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
1 I! @6 G5 P3 x/ d2 }| | ├──7-Python_控制语句_break_continue .mp4 25.23M6 O: _ S% Y( c7 J. K- X. U! d
| | ├──8-Python_切片操作 .mp4 40.20M5 O: ?/ P" ~! a% m; x+ y
| | └──9-Python_数据类型 .mp4 25.38M
3 r. N. p) B u. I5 @$ n$ B r├──20--深度学习-NLP自然语言处理项目实战
3 u1 R8 g0 Y+ G8 m# @; p| ├──1--词向量 * a" C: d5 @6 K: u% v/ N
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
$ G3 G5 v/ }& G# v4 B- ^| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M1 _; h1 `' s% P4 B$ W F
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
# O" P* P6 D5 i+ Y! a| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M7 j, M# o( @" r/ |0 \
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
. O2 ?7 v4 I0 P% n$ ^' _: v| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
1 W# U$ s9 ^' i| ├──2--自然语言处理--情感分析 . E: ~6 D, \3 |2 U7 v/ h i2 w
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
, R3 Z$ T9 B9 o9 @| | ├──2-数据预处理_01 .mp4 79.65M
) c) {; d- r: p! c" B/ N| | ├──3-数据预处理_02 .mp4 45.68M
4 Q4 j/ p0 a5 A" r* T. }% P| | ├──4-代码讲解_01 .mp4 52.29M
8 h0 ^( }5 l. S) [0 L| | ├──5-代码讲解_02 .mp4 60.85M
4 n9 m6 b$ L0 Z% i: K$ O' {% i| | ├──6-代码讲解_03 .mp4 53.89M
3 M9 Q/ k0 Q' f, {| | ├──7-代码讲解_04 .mp4 57.19M/ }" K) k0 _1 `
| | └──8-代码讲解_05 .mp4 35.88M
! I0 \ X% C3 w& G| ├──3--AI写唐诗
+ s5 j9 C' z4 m% S| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
% M. c% R* k# }; v! u# r+ S# d8 z| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M. y, M3 {# E5 o' i, H; v
| | ├──3-MultiRNNCell单元 .mp4 38.93M
Y9 n* H+ }1 O8 t* z6 L5 M| | ├──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
! z5 e" q6 b- v0 S| | ├──5-AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码 .mp4 61.73M
2 g( @; H: I5 d8 F, O% @| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
) T9 b. J: }3 `| ├──4--Seq2Seq聊天机器人 & R2 d# p- y! R. H3 S. h3 V1 C
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
3 r% `6 a4 h6 O| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M- Q9 O. K: h1 @- X9 Z9 Y. C
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
* ]4 b! N2 A" p @0 N, T! Y| ├──5--实战NER命名实体识别项目 & y! d: O/ X. _% v/ Q: c! L1 X
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M- h6 O. c) M+ \
| | ├──2-介绍了代码目录结构 .mp4 23.44M
" B4 ^2 q/ |! t) _* x" D# g| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
6 M/ V1 O" E$ @( x| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
! s6 Z% E4 {, l3 U* Z| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M" L) A7 }1 m% L8 L: r5 y. e2 v
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
7 H1 ~) G) ^0 ^9 U; u5 o: `| | ├──7-CRF中的特征函数们 .mp4 125.97M, s# Q* T/ ~' q" P
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M/ \/ ~# s- W7 Y8 Q/ |! S0 W
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M, I( ^! E0 p' x
| ├──6--BERT新浪新闻10分类项目
2 Z0 a/ | O5 P| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
1 H m$ `+ R+ V$ G: v+ t3 p| └──7--GPT2聊天机器人 2 _+ R9 B5 t# k9 l2 ^7 q
| | └──1-GPT2闲聊机器人 .mp4 62.28M/ N, n/ h# ?; p
├──21--深度学习-OCR文本识别 9 D; \/ ^& ~' K8 N, {$ j
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
0 _9 i/ X; l6 Q4 W6 J; H| ├──10-CRNN项目代码剖析 .mp4 306.48M
' t& Y7 O l( a/ U; H3 ]" l| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M, E" S- L$ G8 }+ t4 @0 U) L& ]4 z
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M- g0 i( O z: H0 S y
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
7 \ |2 x& E* [) P7 X| ├──5-CTC损失函数的理解 .mp4 330.64M
5 F& j/ t& u4 V- N# ?( L| ├──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" ?: Y1 L0 D+ g, l7 M; o
| ├──7-CTC前向后向算法代码 .mp4 225.41M
5 c8 I& w; v, [5 o3 r2 ?| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M" }4 K% X' z ^8 G0 p
| └──9-CPTN项目代码剖析 .mp4 491.69M+ Y) Z6 l$ A! B% M& R R
├──24--【加课】Pytorch项目实战
0 U1 K: b J" i7 |- R6 z| ├──1--PyTorch运行环境安装_运行环境测试
* {8 E( E: ]# ` s8 M1 F* U6 A| | ├──1-PyTorch概述 .mp4 29.29M1 A: i3 i4 W/ ]( ^. `
| | ├──2-PyTorch的安装 .mp4 76.45M. t8 x9 p, B$ ?: ^ P5 m
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M# u5 D: X$ O0 t4 l* M& [8 N9 Z. A
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
A+ i) Q* _4 W4 W| ├──2--PyTorch基础_Tensor张量运算
: A, y" u. g% T. V. T, g2 Z| | ├──1-Tensor的创建 .mp4 55.14M
/ J- _' d6 @6 R) k2 z: s1 u* Y- }* ?| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
r6 H3 J1 T x; N* ]9 I| | ├──3-广播机制_逐元素操作 .mp4 44.46M; B6 `8 _$ v" M, g ?5 H2 t+ j% G
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M3 K) u+ ]. [2 L6 b$ m3 c
| ├──3--PyTorch卷积神经网络_实战CIFAR10
. K" |& o5 \# k| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M6 r9 z( [; F/ X5 j, L
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
4 l7 Y( g& F" A| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
& |" G- b6 s# r3 A/ |0 W8 U| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M' E$ K# x6 m6 Z; Z O
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
; C( v- @& C# _/ J% x0 n% P| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
/ \+ f: g& h- y! Q$ n+ G# T| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
+ \# {6 G& z3 I3 g| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
+ v% n, |$ F9 T# A2 u; P0 x" X| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
" ~; \4 `4 }# ^6 c1 k| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M7 `8 H0 o8 H, t- B3 C- t% F
| ├──4--PyTorch循环神经网络_词性标注
; G9 p0 X3 a5 V" m3 ] q! R| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M% H: g" b# E. y; f" g! ^/ }
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
' `+ c6 p4 f) T4 G| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M% t" ~' S; s7 M" g$ d
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
8 p6 e; L! a% y) g( c: a| └──5--PyTorch编码器解码器_机器翻译
# `3 D- F2 K6 O$ R| | ├──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( r* P( X' N7 x( g) l) r
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M$ B E- L {. o% f3 Y7 F: i& O
| | ├──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
' x: }9 P0 @1 b; A| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M7 R; U) q6 W" G# q8 l
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M0 C+ n+ f- g1 {3 X3 M
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
D& B& {8 t) Y$ g& b| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
) M& O2 w0 e' k9 Y2 Z" N| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M: a& z5 a. b# V/ ~+ O% T
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 ; c0 q- }5 S, g$ j, _ Y9 E ?
| ├──1--PaddlePaddle框架安装_波士顿房价预测 0 d( q/ t3 `3 i" w+ }$ J
| | ├──1-安装PaddlePaddle .mp4 87.34M+ q8 C0 P. f) m. s- q: k5 V
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M% ]. N" k" `5 Y) @0 H# M
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
5 b9 H$ r1 I0 V$ n8 s! K| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
8 X# s' g1 U4 y h+ [| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
1 c: |5 p- T* }0 m9 w4 l| ├──2--PaddlePaddle卷积网络_病理性近视识别 + I$ [8 A! g# i9 X }
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M) W6 j& M! @( a% q: V* r
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
! V8 u5 e ]2 Y4 t0 n+ q| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
% X6 v, N3 k+ D( b" m6 _# [| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
# j0 @4 z5 k. H: ^8 Y| ├──3--PaddleDetection工具_PCB电路板缺陷检测
9 v" P1 G; E5 x$ S1 G0 d- B8 ^: k, b| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
4 Q& q( `4 h& [2 J2 ?- J| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M, t# | N! O5 }
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M' \$ D4 z F; C3 z( Z
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
" T. Z& J) ^$ O9 f2 n. y( E7 s| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M5 h' I% v$ K, X, J0 N1 u& _
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
2 A% q. _& `; e! f A, i| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
0 |6 K2 W8 `7 n+ [, Z| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
% `, y+ V: E0 |; E: J2 O& z| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
7 S, E) o$ j: e6 j6 `2 C4 V| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M0 M: S: p: y3 p
| | ├──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( i$ `* F* b8 T" T s
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M4 _9 @ ~4 ]4 P7 I9 n5 \$ o1 Q
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M$ w# t' v+ U0 X7 ~
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
9 o( ^) g1 n: j! N) c& r. t| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） 5 ] p; s0 j& D% z0 j. U
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
7 f1 A$ P9 m: P- l, a' d* E: c' v% p| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
! K. W) u& l# T. ]" E/ D) ?# M. I| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
. D0 z5 a& P' U% o" O+ U3 P/ `| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M4 k; T! i8 b. R- m' n; _! [
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M2 h6 Z8 s" D, c& h6 l
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
- u3 x$ `5 } @" n" |/ ]% D5 r| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M, C0 F# N$ D5 \) \9 U
| | └──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
) I$ M; y; O+ j0 B. {: g% V3 M| └──6--PaddleNLP模块_物流信息提取（ERNIE版） 8 T3 m+ d# r# ^) v( {* x$ ]
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
4 v" N, \/ E3 S+ S2 \| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
. S* S- `/ e3 n' W4 {" Q P| | ├──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 47.78M7 M% ?. m6 A' J! {: E) |8 e7 F
| | └──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
; M7 z5 [9 Q' S8 l$ v9 z' s1 T├──26--【加课】Linux 环境编程基础
8 D. g: D9 Q/ q2 g! C, T$ X8 _| └──1--Linux 3 R( {0 y$ A' f( W1 ]
| | ├──1-Linux_课程介绍 .mp4 3.72M
, Z, [1 X) P, m4 g) ^; U$ `- M| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
, X A0 H0 F6 B: n! x| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M. k0 N, S% R" E* L6 C2 a! z
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M- g4 }* O h: t/ O# A
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
' m0 S& e1 D, H3 E| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M) y" @7 H7 i& V
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M+ j4 ?' `$ Y8 V& X- f
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
% G$ r, }! M+ i% C| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
& N5 f9 J# f& O' K$ | r% y| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M# t6 u0 h0 P) O4 j' ~; p0 U' q
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
7 ~( {* P6 u* T4 ?7 F| | ├──2-Linux_Linux简介 .mp4 17.59M
- ^: y( L8 G; r q2 Z3 y| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M, j9 f9 K. J$ {) s& K+ K# {/ c
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M# o9 }5 o0 ~* v
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
& K6 J V4 `8 b6 q- x| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
, I3 v3 T- d8 h$ E| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
5 G. ?* {6 }; c9 f5 N, s5 n| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
4 f x* r) N [7 [3 ^( e& _' M$ c| | ├──26-Linux_安装MySQL .mp4 79.02M/ u0 {; T8 w- T
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M+ W. s6 ~( M& V4 m0 ]0 l
| | ├──4-Linux_安装Linux .mp4 41.97M& J% H# ?! t$ |5 o, {3 ]5 b1 t5 f
| | ├──5-Linux_目录介绍 .mp4 20.31M
# ^7 \: Z5 M5 X, q6 b| | ├──6-Linux_Linux中的路径 .mp4 18.65M7 L X+ e4 O; H
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
Z1 i9 D. n1 P3 h! a| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
" i: J8 ?3 w+ K! q+ r) V| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M! }4 ^; F% R# |6 [. ]- L% o
├──27--【加课】算法与数据结构 5 [+ D) A( _1 [0 O8 ]
| └──1--算法与数据结构 6 t' S% |1 K+ M4 j- m/ o
| | ├──1-数据结构与算法简介 .mp4 35.68M
9 y/ U% ]3 G: }* M( N2 |) F| | ├──10-哈希表的基本结构 .mp4 54.34M
& @9 X6 J) J7 ]5 \! z u1 q| | ├──11-哈希表冲突问题 .mp4 75.92M
, ~& P) y; s7 h9 W0 _, \& _| | ├──12-哈希表冲突问题2 .mp4 72.30M9 W+ F" A. z3 o% D+ n8 `; m' b
| | ├──13-哈希扩容 .mp4 111.03M
# J1 Y! M9 H0 P, Q* \| | ├──14-递归与栈 .mp4 50.77M7 I4 L! a6 M' T# X
| | ├──15-线性查找 .mp4 57.80M3 ]- T) u0 j+ [: g/ d- D( ~* L
| | ├──16-二分查找 .mp4 52.32M. Z5 C2 v& G6 s, q! d F
| | ├──17-冒泡排序 .mp4 53.19M6 T \% m4 P$ ~+ P4 d
| | ├──18-选择排序 .mp4 43.29M
/ \+ h, G7 z* n| | ├──19-插入排序 .mp4 31.39M8 n$ N; k+ r1 `2 X) B" p8 v$ R& b
| | ├──2-大O表示法 .mp4 25.59M
/ q$ x r2 L( f+ n/ V% B$ s, @+ F| | ├──20-归并排序 .mp4 84.48M
/ l, u( e" R+ ~+ i" ~/ B. l| | ├──21-快速排序 .mp4 36.63M+ Q* w+ L- Q; @
| | ├──22-树结构 .mp4 96.85M0 T! x. N9 v+ N. | j7 F+ A1 U; \
| | ├──23-树结构的遍历 .mp4 61.05M
6 B% Y% t9 o4 P! q3 v* m| | ├──24-最大堆的增加操作 .mp4 45.43M$ m# P0 p6 I# b6 k5 k6 u
| | ├──25-最大堆的删除操作 .mp4 45.63M
' Y% |" I6 s0 ~2 v; }# H8 c| | ├──26-二叉树的查找 .mp4 100.24M
" \9 p& T2 X6 j- M9 d+ Y| | ├──27-二叉树获取最小值 .mp4 25.21M
- d: ^* E1 R8 ^) d9 K7 v7 _3 x| | ├──28-二叉树的添加 .mp4 72.66M
6 o' j/ A+ ]" F- m1 ]| | ├──29-二叉树的删除 .mp4 120.06M# [& e4 v$ Q5 G$ H, m% ]- [
| | ├──3-线性结构 .mp4 53.14M
; N3 s3 r, T: A+ c. ?4 A| | ├──4-单线链表1 .mp4 68.36M
\0 t/ B& f" o4 t: e; G7 N/ V| | ├──5-单链表2 .mp4 221.69M/ H9 L0 s; g# }, P! p4 @$ k/ T" g
| | ├──6-双链表 .mp4 103.57M
3 c( f6 Z+ }. V- C( A| | ├──7-队列(链式) .mp4 74.12M
: b' y2 m5 q7 k| | ├──8-队列(线式) .mp4 30.99M$ H: |! \5 y8 X( t
| | └──9-栈与双端队列 .mp4 28.12M
$ @* f6 x% d4 m3 |) o; t├──3--人工智能基础-Python科学计算和可视化 1 P3 q S+ M( @' f* k
| ├──1--科学计算模型Numpy # q* [* w5 K% Y/ V
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
/ a2 k/ U2 ?( o/ c* s$ S" \| | ├──2-Numpy_array_arange .mp4 35.45M
! t4 Q; m. Y5 w* g| | ├──3-Numpy_random随机数生成 .mp4 50.54M
& i" c: V1 F) |; M( }6 ~| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
5 A, y7 r0 @; N9 T+ s% J A6 j| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M2 |5 |2 m. G$ l9 j1 X. U; H0 c% W
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M2 V3 t# g4 W+ e* n4 W3 m K# t0 G
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
' {' m$ w" w8 W$ f| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M) v% o3 Z& _/ d! V$ m8 h4 F# i$ A
| | └──9-Numpy_聚合函数 .mp4 23.68M
6 r: E# s% ^1 s( U| ├──2--数据可视化模块 / ~' `- ^2 c! V u
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M3 P' M# s$ J- [9 J' O
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
- N* c" p. l3 X. m s* O| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M, p3 R. F6 J/ G: }: M/ T9 y% R5 _
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
' n% z2 n2 j$ c1 L| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
, `0 G( F9 E; k8 z3 l| └──3--数据处理分析模块Pandas 7 D: p/ l! [! V1 q5 b: T, K
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M* E5 j; R' \4 Q0 ]& W/ G
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M# E2 J/ F; l% W# p1 N& t
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M" D; h- K- Q9 C/ B& D; C( T% n
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M9 L4 w9 a9 ]+ m# P" G6 I
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M7 F0 c* s4 A! y9 R* Y; Z
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M- ]5 q+ Z" X( L; a
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M; ?( S! q% w% y+ u. [8 a# E
├──31--【加课】 强化学习【新增】 1 v8 L0 Y( g* z0 G0 I! z
| ├──1--Q-Learning与SARSA算法
w8 {, d- z7 R' I7 x# i% U0 W& J| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
1 f/ E5 \! w( r+ O' ~, W* ]+ w% h| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M+ S* M( E5 H ~. X
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M$ s8 F7 p( D1 I" L j& Z
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
) o$ X4 e3 E% }# O L; l| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M" Y3 }" s& g+ ~: ^& t; z
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M5 {: F: n7 h' g! S( [
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
2 f$ @2 Z2 n- a2 Z3 x| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
$ z. }8 @- K8 ^$ I| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
$ C$ u( G# L6 N) }| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
/ O% K$ i4 T: Z| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M7 O: B0 ]. r& c/ y5 J7 X Y* l
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M0 l; r, ^, i1 [' v- h8 p- H
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M6 a# ?4 T/ z" j5 _# g* z
| ├──2--Deep Q-Learning Network 8 \% V3 [1 {' w! P u. z
| | ├──1-DQN算法思想 .mp4 59.24M
8 x8 g. d* x7 ~6 A| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M5 n0 k) T9 N! I5 _0 k/ V% z
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
9 w9 O/ N( v4 }| | ├──12-DuelingDQN .mp4 88.12M8 \3 D1 l7 I/ D8 K5 L3 b
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
, O% w6 a% ^) m5 ^8 f3 z+ b| | ├──14-计算Action的方差避免风险 .mp4 54.23M9 R! [& D6 X4 I( X
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M7 y; h! n8 L0 w5 |( ~+ t8 u
| | ├──2-DQN算法具体流程 .mp4 56.17M5 x% {) a V: } {
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
$ c$ W! O# m0 j, n4 Y| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M3 w, Q- O% P( w+ o1 p
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M5 D% r' R+ [4 ^1 ?: g2 ]# t
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M! ?- v, z" ^1 H; R4 ^
| | ├──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, W; f a! H5 D! s N, e9 e
| | ├──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
# z+ N3 U D: _" W) R6 T" `| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
; l% D5 I# Q/ e0 {0 z| ├──3--Policy Gradient 策略梯度
0 H; P3 E" F3 F1 A+ B& K4 |7 Z| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M. i& I% c& b( ?/ o: Q& i
| | ├──10-策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战 .mp4 34.22M
8 d" K* I4 n5 s) z| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M$ I2 d/ D/ D( [: p* Q; S) n2 s N
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
+ v8 G3 _) ?2 S; `| | ├──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
" v5 c+ @( ]- d- e' Q) a| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M& v/ H, i- a1 d) ]
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M* t7 D+ z: w, @
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
8 m6 m5 {0 C, R: k- M% p7 w. k- A| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M+ N+ P1 {; T) ~8 ~' J6 N; r1 E
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
& w7 i G1 u: Q+ n& u6 ]: I| ├──4--Actor Critic (A3C)
% u9 K6 A9 z6 P( ^) M n+ W* x* B| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
- j1 X+ X* ~2 V; U2 @| | ├──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
& X7 S% E& |6 o$ o| | ├──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 40.24M5 I+ V/ @$ T1 x `# G: D% y, h1 g
| | ├──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
2 v3 s' d$ ]0 m! v4 N2 `1 x3 q$ Z| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
o; Q q' f! x7 }| | ├──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 47.18M9 J' r; S7 P5 b4 v2 |1 l/ S
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
3 X+ S# @+ Q* w# @| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
8 ~6 t( q3 b0 R( B| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
6 v+ s' X Z# o W! R+ I% N| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M' w n, g4 a( L: O: }! R3 V
| | ├──6-A3C架构和训练流程 .mp4 74.66M* `% c# ~: [8 O7 h( W
| | ├──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
( ?7 E$ n" X0 l| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
/ h7 B( T/ t2 A| | └──9-代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性 .mp4 36.62M& B% E- a7 o2 `' M/ i, D6 k8 v
| └──5--DDPG、PPO、DPPO算法 3 n# q7 A& b( N; {
| | ├──1-DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic .mp4 81.92M
* _% d& M2 G( ^* z; `4 F| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
1 a! n0 e+ L- A1 `| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M, t; s. Q4 `1 D3 q* p2 T
| | ├──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
$ Q: {3 ^* p. P| | ├──13-DPPO分布式PPO .mp4 63.81M: B9 ^0 O1 ]' I, R0 w5 K
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
1 ~/ {3 _! T! {, x, n1 R| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
! U; a2 ^3 [8 W| | ├──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, |" H( V" ?* g
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
) A9 W6 e! M* D0 x* g6 p/ N) C| | ├──4-代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示 .mp4 44.17M
1 z- Z/ |1 f# Q- K! q/ F0 P }| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M4 ]1 P% Z' ~4 M. G( K
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
8 l, {* y7 J6 Q! o| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
7 T" B7 O7 o- `' o4 ~! o| | ├──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
0 v+ ^( ]4 }4 a" E' r8 e* N5 ]| | └──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
+ n& N9 T" I @/ K├──4--人工智能基础-高等数学知识强化 ( A% V3 A- `( a" _
| ├──1--数学内容概述 # X4 `" _1 b1 S4 a
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
w1 }9 P! T1 P6 s| | ├──2-线性代数_概率论知识点 .mp4 26.81M
K& ^1 S" l3 H# n. H, x4 c| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
9 ]: B/ T# [1 s* k| ├──2--一元函数微分学
5 A3 w" `. X7 T% i, @| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M5 L0 y2 F- k0 h1 r' Z% O8 d/ m
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M- z: ?2 G8 @5 R
| | ├──3-常见函数的求导公式 .mp4 22.76M
1 S3 G* q+ L6 j8 c) r: l| | ├──4-导数求解的四则运算法则 .mp4 26.52M
" G% F( f r, N& Y; U5 @* K| | ├──5-复合函数求导法则 .mp4 19.68M
; N0 d4 K z F/ b$ Q! F| | ├──6-推导激活函数的导函数 .mp4 33.40M! }3 L, P- f5 J8 K
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
7 c+ A: {) G8 D' D& ]| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
( B* i) p; s+ @& i# N3 v. {4 h) c| ├──3--线性代数基础 ( A: `6 `6 M, z( q3 d/ A8 }
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M- r+ h# _7 v5 y' O: L. t
| | ├──10-矩阵的逆矩阵 .mp4 38.54M5 x4 i/ ~- U6 b2 v a
| | ├──11-矩阵的行列式 .mp4 20.13M! A$ n/ E$ n: t7 k4 w1 o; }
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M9 Z. v5 u: n% @! z
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M! M: H5 E/ N0 Q% k
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
, j- M% k! z! r' || | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
) F4 C+ h* z- k+ `; u+ E, o% O0 [| | ├──6-特殊的向量 .mp4 26.45M5 z% a- M& V% ?% @) q8 G
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
) A4 D4 A1 {2 K6 W+ r8 Q( h| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M$ P1 l. R6 j! D7 v6 T$ Q0 L& P) _
| | └──9-矩阵相乘 .mp4 20.02M
2 D3 L U" q' X/ u| ├──4--多元函数微分学
1 u V7 C0 p) T7 E) Q) M, B| | ├──1-多元函数求偏导 .mp4 22.61M4 z' U |9 {& N+ W- ?
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
' u4 ^& D9 l0 E) E! C| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
& v; u9 P" ^. D| | └──4-Hessian矩阵 .mp4 32.93M0 B5 C$ R# u$ \+ n) ]/ E( ]" ?
| ├──5--线性代数高级 2 @+ m* U( J5 K- ]5 I6 _! P
| | ├──1-二次型 .mp4 27.70M
% o/ F0 b1 T2 H% t A' l$ k| | ├──10-SVD用于PCA降维 .mp4 24.90M
6 h4 Q4 X3 {$ j, G* ]. |9 W" P| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
9 R" S9 h% U D$ R% B| | ├──2-补充关于正定负定的理解 .mp4 23.48M
9 T2 G v! O% ~, s- r& g| | ├──3-特征值和特征向量(1) .mp4 29.83M
U9 h2 w1 f- W% E( _* w| | ├──4-特征值和特征向量(2) .mp4 30.07M$ v# b' D9 `. D8 P
| | ├──5-特征值分解 .mp4 38.68M
. A4 q8 Z; L/ [- o( X| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M6 ?0 D, D/ x1 b
| | ├──7-奇异值分解定义 .mp4 22.58M
L! |: E8 j8 N9 J8 {1 ?% o5 T1 m| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M2 r$ n# T# P: }, H- x! D+ w
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
, R1 O/ Q4 N8 s4 J| ├──6--概率论
m) s* n& E0 t( j| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
* E& o o$ e, n6 j| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
+ S8 |2 q- Y7 e- l5 R| | ├──3-随机变量 .mp4 22.57M
0 F' [$ M6 B: w4 b| | ├──4-数学期望和方差 .mp4 22.96M
3 [ c' }1 c" E6 s) [| | ├──5-常用随机变量服从的分布 .mp4 22.48M
* o/ n) p4 Z! U. J3 n' g| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M- D8 ~) \+ v$ E. Y
| | └──7-最大似然估计思想 .mp4 23.42M' l4 O! u0 B4 F5 n( c$ {3 [0 G
| └──7--最优化 ! X0 j2 Q+ ?" W9 H. G* x
| | ├──1-最优化的基本概念 .mp4 35.14M
* u9 q/ r/ A# `3 b3 {) r| | ├──10-拉格朗日函数 .mp4 27.46M
* R1 L, ?: `) l- _| | ├──2-迭代求解的原因 .mp4 20.15M
. V9 t/ X$ V6 K7 o| | ├──3-梯度下降法思路 .mp4 26.33M
& P0 x* n/ ]' _% R| | ├──4-梯度下降法的推导 .mp4 43.56M
( n8 r/ ~5 i. d/ `, @% C1 \ U$ T) z| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M- W/ \) ~0 ?! s5 d, h! B4 v9 _
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
- L+ v$ N- {. x| | ├──7-凸集 .mp4 21.90M2 [% g. w. S& c3 u d1 G- D* P
| | ├──8-凸函数 .mp4 16.93M/ T4 `6 a- \2 I1 U& L5 ~' l" M
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
0 A( {+ u/ `8 X* V├──5--机器学习-线性回归
! G. L0 e7 ~9 \( E| ├──1--多元线性回归
% P1 {$ S3 V: h0 P| | ├──1-理解简单线性回归 .mp4 51.11M* E; s; T0 n, C/ O
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M+ t' `+ W I" ?8 b& j
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M- n3 e( O ~. ^! a9 o" @2 a, I
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
6 r! @( Q. H7 P8 ?! V| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M0 |% C& P. z" Z
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M6 o0 J1 }7 O& Z
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
& U- _. M4 i0 N2 H3 q$ h| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
+ P- l& h; }* ~ f, |2 o8 Y! O| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
2 I- P i8 O2 ~2 s& }| | ├──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 48.31M7 a# Y4 \3 n( I8 K
| | ├──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
- t; ~ F l* ^| | ├──2-最优解_损失函数_MSE .mp4 39.58M
\# m) j- s( U! o* z| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M+ U5 }. l8 u, i2 Y
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M2 X0 t$ b9 H& X! a
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M; ^4 q$ q Z" d3 O
| | ├──3-扩展到多元线性回归 .mp4 32.15M- y( }% Q b: K# a
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
# s# w1 a! t2 A( f| | ├──5-理解维度这个概念 .mp4 41.41M! G; z9 x" J- O* X( W
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
) E# }6 v- T/ \! ^( I: b' ^| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
2 W5 F- ]2 f3 c/ F! c. R9 H| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M8 i8 B- p& b. U7 i# ?$ i# v
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
3 V- e5 X" h2 r3 K7 Q# m' m6 h| ├──2--梯度下降法 8 ]) ~" W- g# }! B& z8 e, t* {
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M1 c0 E0 k8 {" o9 l2 k6 z) v3 I. `
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
% I5 P; b. Z& J3 n% L/ m/ e| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M. Z7 m9 N6 g8 ]1 f2 |; @
| | ├──12-代码实现随机梯度下降 .mp4 26.67M- Q9 f7 G# l5 p a, |5 |! M
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M; z B, h! K; ?. _# _0 C0 e) A @
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
5 v9 d* T' R( J+ S7 I| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
. O; L1 ]: b6 k" y4 L| | ├──2-梯度下降法公式 .mp4 57.12M% h( E* Z6 O& X! G% A" v
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
6 A/ ^3 h% ]6 b1 U9 J$ `$ ]| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
( }, _& G5 E3 F" Z# z( ^, k| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M) Z) v* E! R9 H. {
| | ├──6-全量梯度下降 .mp4 62.84M: j% ?# Y! C/ K% B
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M5 x* K7 o+ A' B& ?; _6 M: x8 V3 L' z
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
5 `* J2 O* A( v6 o% a| | └──9-轮次和批次 .mp4 45.22M
6 @( E! Z1 m6 s5 _$ i2 G- || ├──3--归一化 - V. w5 i! g% {1 S' ^' ^( f! B# Z
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
! F" s6 `: a/ s8 m! z& o7 Q| | ├──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
: o4 B: k1 K+ H+ x4 c| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M) I s# P; E6 c
| | ├──4-最大值最小值归一化 .mp4 24.87M
: d& Y( v1 A! @% U4 I8 x9 @| | ├──5-标准归一化 .mp4 51.86M0 W: D, K0 z; k: p: e
| | └──6-代码完成标准归一化 .mp4 41.13M
3 n& D" x* w2 A. S, ~* }| ├──4--正则化 ) u% D# U6 ?. I
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M5 Y3 X# i C$ Q! j6 l
| | ├──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! e4 c$ T( G* [6 c( ?| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
" J w2 C& f2 [| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
1 H0 a5 i; p" I3 l: `| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
$ h' B1 R3 z1 ]% L7 R| └──5--Lasso回归_Ridge回归_多项式回归 0 P8 x3 ^3 I( s0 D. t y; n
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
. ~5 u8 A: `: C0 p| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M! O* ^8 P C6 Q, X A+ J- }
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M# J8 N& V" ^8 h2 V7 M4 ?8 @1 k$ g
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M1 U; `7 ~* {; E: I. Q! j
| | ├──2-代码调用Lasso回归 .mp4 28.73M
3 x6 b; y, |% A3 m) g| | ├──3-代码调用ElasticNet回归 .mp4 53.67M, q8 e$ C! x7 q" M0 P
| | ├──4-升维的意义_多项式回归 .mp4 48.06M# x1 {+ Q. P2 g7 R6 l d( j
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
8 _; g# F$ l d6 [: x| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
) [. f( [7 P1 Y4 _6 y| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
! B. i9 Y" i$ J| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M0 t+ D% W0 y2 h, j3 e( s
| | └──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" L1 G q `0 _8 B: u+ X8 |
├──6--机器学习-线性分类
* d. u/ s- q- G0 T5 y) Y& X| ├──1--逻辑回归
6 F: \1 t8 c, m9 p$ L# A3 L$ Z| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
- ~! i( W8 c5 f| | ├──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
/ w& t$ q V x" \| | ├──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
& e0 R1 e# p) J K+ W| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
0 [6 l4 z" E/ `; E Y| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M7 A" _" W1 D/ V v
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M$ ^* d3 v( ~5 ~3 _! y# I" s
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
% q# ]! ^2 ?3 [( l| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M G, g& j$ Z- `' E! V
| | ├──2-sigmoid函数作用 .mp4 38.15M
) X0 N# d8 r& a% ]8 ?8 v; K' k. r| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
) K+ G9 b/ |- d9 S| | ├──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
! E& @+ q+ g' A7 L9 A% B* m( |& {- 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
% Y3 L; a! B% i$ R9 g$ Y5 u0 e) [| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M, n; T; g* W. {# y
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M" j& m) m: a- i
| | ├──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 56.56M6 J. v6 a8 s$ P6 D" {
| | └──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$ w! ^4 k, V6 _# L1 d$ O
| ├──2--Softmax回归
# |1 c) F! S, \8 D3 d( {| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
% S; b' b( t: R9 Y4 t* @| | ├──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" R* |4 w; ?# S" @
| | ├──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
6 ^ i) y: {$ |2 t0 Z9 o| | ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4 47.67M- l; Y: y" \' O, Z2 E- ]& b
| | ├──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
5 X$ P+ G- ]5 f9 `* U3 P$ g| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
/ M6 J4 u9 p) _6 k| | ├──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
) ~8 J. U I9 X9 s/ v* d/ q| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M
+ f. f; p" ]/ @ ? S# S| | ├──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* e9 B2 \2 r$ N) c' J4 I/ 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# ^! ?: b$ l* |" s; F
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M; ]7 j/ {4 |. a ^8 J% a
| | ├──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 52.39M8 S9 r# D& k9 V+ z+ D6 O
| | └──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% U: p7 d4 h$ ~7 Z! B0 e+ |& a. F3 {; y
| ├──3--SVM支持向量机算法
. L! ~) ? [/ n# o9 @2 k| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M4 T. E; c4 V5 m2 S, f" S# A
| | ├──2-SVM的思想 .mp4 55.56M& N. n1 u. x1 @& S- v" Z
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M7 d- L; i, M6 ]) Z2 b! r0 X
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M# W9 P% l1 K: A
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
4 E5 A& s- Z4 v' J* N( |8 t6 T9 e| | ├──6-总结硬间隔SVM .mp4 39.01M
/ A/ o; _3 j+ N: n4 @% ~3 V. q| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
, [+ h- f( S9 U4 Y* j| | ├──8-非线性SVM .mp4 54.43M
, S6 [) [, R, N2 W| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
! g- \0 W/ t) k6 ~8 u| └──4--SMO优化算法 ! h2 {3 C. a+ t$ }" J" Y: \
| | ├──1-SVM算法流程总结 .mp4 58.36M
& o5 o2 y3 ` `3 I7 T4 ?1 h4 I5 i| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M8 y ^* g- D) U6 D0 l7 k
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M- x8 ]2 t5 b" o
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M1 ^4 n) p2 f/ }4 ^6 e" w. {! T/ ~& u
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M) w# c2 v" A. ]" E8 F
| | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 69.00M
" S# F' U. X/ ?' V, B8 n: a| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M$ v" f! f, E/ n }. P$ t 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 65.42M2 R4 g' \& W9 V6 \- _: d @
| | ├──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- i$ n3 D- P- V! t
| | ├──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, `& t! y: E4 A- x/ R8 ?# ^. P% V
| | ├──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 92.38M3 v5 d4 Q2 t2 F e, Z+ k; {
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M" M. k# m3 B: m; N: v6 h& ]
| | ├──7-启发式选择两个α .mp4 23.11M
1 Z( [* \: _: n, R& H6 S/ l| | ├──8-如何计算阈值b .mp4 50.18M
5 H& m- @/ H$ ?# || | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
) S. J6 ?) d* p1 |3 q├──7--机器学习-无监督学习 # H* D/ B0 N2 Y3 |& l
| ├──1--聚类系列算法 7 ], k/ L4 J4 n+ o9 L
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M" a. r; h1 m0 k1 J
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
4 f4 H9 \% l: u5 _3 L' d# T| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
6 P9 A3 [6 s& U- W3 s2 S| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M: I0 u, H7 a0 W: ~4 d6 e* o
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M# N9 h# U3 ]) k! o
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
0 S) G4 k0 M, j+ C4 |+ Y| ├──2--EM算法和GMM高斯混合模型
. r* \( B# k6 E3 B- `- ?( {| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M; t- g; ~' e2 P: G. z) _
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M; F% a. s9 ?5 U9 g2 L3 I
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M3 G7 @6 [ E; I0 |. f. k9 x3 u
| | ├──4-Jensen不等式的应用 .mp4 109.17M
, ]& L ?+ b* l* h/ k6 `2 o1 ~9 Q| | ├──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) F V( i. x7 ]
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
4 Z0 T5 Y! C: C7 l* o| | ├──7-GMM前景背景分离 .mp4 16.01M, M. h/ l: Y% y2 |- {% A* [
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
0 i) Q+ j$ T$ B9 g$ P8 M. }| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
* l) ~# Y7 A0 [| └──3--PCA降维算法 f" x; Q8 t+ O- w' A' }
| | ├──1-特征选择与特征映射 .mp4 49.38M. ?* Z/ m, _6 B! M( Y( v
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
; f( ~5 l2 F F, {+ x; |9 V$ E0 Q! R| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M$ _1 ~: l' `% N* }* p& E! R
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
6 Y7 R3 S0 s' v" l% a| | └──5-PCA的几种应用 .mp4 54.58M; `) Z9 L: P# n
├──8--机器学习-决策树系列
8 p3 t' E& B! t2 W| ├──1--决策树
: A3 E( U" ?1 u| | ├──1-决策树模型的特点 .mp4 74.88M
/ i0 z7 d4 i, m( H6 P, t| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
4 n* o- }" s* X| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M* O+ g; h6 z u- R+ ~. y
| | ├──12-后剪枝的意义 .mp4 50.49M' X$ H) v" @- f" ~$ v
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
0 B, a: b, I! F# b% X8 X| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
5 v5 M3 q/ O( z| | ├──2-决策树的数学表达 .mp4 89.94M
5 E) K+ l7 U$ N# v6 C( `1 m- b| | ├──3-如何构建一颗决策树 .mp4 84.87M
7 o! v/ O! g: I' g' ~ }9 c| | ├──4-什么是更好的一次划分 .mp4 57.02M7 |$ E2 V5 W& b# V; O% L7 y
| | ├──5-Gini系数 .mp4 107.54M4 J5 q% _% Z& S* W! x. u6 j# C( o
| | ├──6-信息增益 .mp4 75.26M
2 V+ x" N2 J# k6 r" S1 `| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M5 _( q3 W5 T4 f/ s8 a
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
# d2 w+ @$ F. v| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
7 c! H" S! R$ W6 U2 p7 K, e| ├──2--集成学习和随机森林 $ k7 u( a" o1 u5 D
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
0 `1 Y) b5 ~2 Q$ s6 s5 O4 O| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M9 W* Z4 f" \( R. U, K7 S
| | ├──3-随机森林 .mp4 108.14M8 X) h {+ ^ ]( K% |- s; y
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
# `- ^8 S/ v/ e5 l* y/ ~| | ├──5-OOB袋外数据 .mp4 106.07M
1 c h9 t/ v7 D v1 k1 z, i9 M| | ├──6-Adaboost算法思路 .mp4 106.30M* Q! o9 @4 \/ A( P2 H
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M0 K3 v. R) k: Y2 Z' u% I' R+ D
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
' A( y4 H! m$ d# c# [+ i| ├──3--GBDT 1 _7 U% p2 y9 J
| | ├──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
" C2 o* O- x& l| | ├──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
3 ]$ e' ?5 ], ]$ b+ }: B4 S1 e8 H| | ├──11-GBDT多分类流程 .mp4 73.80M
8 D/ e* E, A% N6 @/ l$ N9 J| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
& q5 z' u6 ^" R- w5 Y( W| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
1 d* O9 o& k3 k0 c7 b2 g| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M# O1 C: @5 m" P5 x% r- \
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
+ P6 X& ]7 m/ f% a* L| | ├──16-GBDT多分类举例详解 .mp4 91.71M9 x; ^* K. Y2 B% k1 E
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M! ~6 t0 p: t3 ~1 H4 x
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
7 g( ]1 U# M7 F% b# c2 L# B| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M: V1 S! c8 n( b# F! z! K5 t
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M7 {1 i. n) F K* V. ?- h
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M2 E0 y1 _5 u4 @
| | ├──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$ K0 {9 \- s# z) L# s: e" q/ O
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M' J# R1 U+ q2 e5 k' d: i' G
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
7 E s4 D6 O2 l& [) k5 P0 ^" m3 C. r| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M
# \# e) z% x' `. F$ T8 y: {| | ├──4-GBDT应用于回归问题 .mp4 84.66M
]; ]5 J4 a# k( L4 `! ~| | ├──5-GBDT回归举例_总结 .mp4 108.52M
( n) o; `% u6 R. x4 p* || | ├──6-GBDT应用于二分类问题 .mp4 70.42M4 `) Q4 S2 T; Q0 S7 u2 \6 u
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
, K/ Z0 O$ c, W2 p| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
: b' W: p- _* q8 V4 e| | └──9-GBDT应用于多分类任务 .mp4 73.34M
3 S9 X- ?6 g; A9 l# Q| └──4--XGBoost 9 A9 D# `/ G, ~/ V. a2 s! t3 I- R
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M, C% T v+ H+ h" `: C( x
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M7 `- @7 c# n J7 i
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M; `0 E% s! V2 D; [2 o0 l
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
* e v8 @1 ?. l' ~| | ├──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- n& t. n+ k0 i* L# n& u# Y
| | ├──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 73.80M1 y, w) `& g& k# B
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M' M$ |' H! W5 H9 t/ z4 O
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
1 b; { [3 @! G2 J; }7 m| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
( x7 g& h- X) ]& p) G| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
& b4 \, V- j7 n5 w7 A0 V( w* l! H/ v| | ├──3-基于树集成学习4个优点 .mp4 91.36M8 |0 O* C0 A) {. n6 q1 d: I/ L
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
; O; F+ U' ^& `% ]! l| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M% w1 o* f" F" ^: a" q& x& e: H
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
. r% {6 p" f$ g$ x* h8 w- u| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M' r0 ?: b. ?* ^! \. i! B! A8 M3 H
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
( j1 P) `. W$ G B+ V/ c| | └──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
4 @. w v3 j e( P1 I( B5 L5 j! m2 c├──9--机器学习-概率图模型
, K, ~# T8 ?. n' W O| ├──1--贝叶斯分类
+ f" R8 F) I+ H4 o* F( g% @2 ^| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
) ~! E9 p4 J( g| | ├──2-TF-IDF .mp4 53.08M! V$ b7 y: i. z, N$ }
| | ├──3-NB代码实现解析 .mp4 126.73M
7 N2 M- I# z2 N% W! M. K0 u$ r0 X| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
9 j/ U% y4 Y. M4 ^: `! d0 z( u! T| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
$ A5 g" f9 Q5 ]3 l% \# \| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
K0 S4 J5 A2 ^| ├──2--HMM算法
" P2 |$ r# F5 @" V6 O2 N1 h j| | ├──1-HMM隐马的定义 .mp4 36.82M
, d. Q$ w0 V' s1 f: a8 i! w| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
6 K7 r' \) e8 f, N: G! n| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
9 X# O% t Y1 ~+ J7 ~7 I| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
0 ^# e6 R0 D8 v' R7 D6 O- [* I| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M! ^- N5 Q+ ^6 H" C7 D% Y
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M$ e6 N& z* N# v5 w) `
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
! s0 ]( w% B* N' S| | └──8-Viterbi算法代码实现 .mp4 42.43M
! k5 \4 a0 @6 Y" ?8 j/ u| └──3--CRF算法 5 h% W. C5 o% {* o' d
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M0 k4 c) f1 ?$ d$ g; ~
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M2 M, ^9 q! e. @. @
| | ├──3-了解CRF层添加的好处 .mp4 105.90M" |! ?" E: q( u5 S
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
: `: p& _1 y' A* Q: L+ W7 y6 {| | ├──5-CRF的目标函数 .mp4 23.74M
! j) L& ?; ?3 j3 v| | ├──6-计算CRF真实路径的分数 .mp4 50.37M, w/ \. ?8 q- c
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M K$ J; V4 A0 d! m' _
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M* {5 O( F6 l* ^- h% S0 M
└──课件.zip 2.54kb
& a9 F& l- }0 _) y" X
; l# A, L1 H! `" F) ]) b5 }* {7 @4 i* c% m% V+ i' ]
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！
" Q+ |6 ~ g! u5 X6 \ {! h# O R$ F+ w f3 X- ~& I8 f
) C8 w4 z1 C3 z
|
/1 
