战-人工智能2022/' T" d" s. N5 }3 w6 E' A% a& @
├──1--人工智能基础-快速入门 4 I0 l1 [, D" `7 [; c6 Y+ X$ }8 `, C' i
| ├──1--人工智能就业、薪资、各行业应用
, Y+ a9 M# x$ g8 ?. ]8 {: F. Z( u| | ├──1-人工智能就业前景与薪资 .mp4 52.07M! {0 z% w* w6 N
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M/ _$ b3 n4 H; s$ M) j C
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M% y9 ~# | t9 L8 n
| | └──4-人工智能在各领域的应用 .mp4 57.73M) R& _& z; ?3 b. w2 F
| └──2--机器学习和深度学习、有监督和无监督
# \# ~( O! r$ z: C2 q1 N1 _: C| | ├──1-人工智能常见流程 .mp4 89.62M& ?# z3 e$ c$ x& l8 L
| | ├──2-机器学习不同的学习方式 .mp4 83.51M, b/ [: u1 F9 O2 t6 r
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
7 A' q. @$ ^7 E3 c" k, A3 B| | ├──4-有监督机器学习任务与本质 .mp4 37.50M; a/ Y" P6 J) C# R% R9 S
| | └──5-无监督机器学习任务与本质 .mp4 50.15M8 x2 t r) {: j0 f/ c* p
├──10--机器学习与大数据-Kaggle竞赛实战
! x0 s) \7 A9 x& N4 n| ├──1--药店销量预测案例
% d6 ~' q H* r( l& n% Q| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
+ X1 G1 ^2 o \2 S( S1 ^| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
# b2 {1 I( x0 g5 o, M5 L| | ├──3-自定义损失函数 .mp4 21.12M5 R# |! _8 d$ w# u$ A5 u$ q
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M, w7 s% P! B2 F m+ j k. q6 [8 z
| | ├──5-数据的预处理 .mp4 111.81M R8 `; y5 ^$ }: M1 |
| | ├──6-模型的训练_评估 .mp4 66.64M
5 E! C2 I4 O- _7 a" `$ D0 D) A| | └──7-kaggle竞赛网站学习 .mp4 172.16M& R7 R1 K9 F/ L& K. x$ s' s
| └──2--网页分类案例 ' s% p9 e! V8 f7 m( a; q
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M9 r# o* m3 m- ^0 o& b
| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M$ i8 j/ x$ Z7 n% q: I
| | ├──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( z# l% B& u/ s
| | ├──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" Y1 _) }% B. N3 e
| | ├──2-评估指标ROC和AUC .mp4 56.19M4 y$ D/ \ z' m0 e6 S$ l2 _
| | ├──3-评估指标ROC和AUC .mp4 49.03M
`+ [8 F# C6 X$ r# h8 H* q3 @| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M/ P+ J3 `, c6 ^; D' j: V) y4 z, z
| | ├──5-数据导入 .mp4 68.41M
) O# O9 K i7 s9 ~| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M/ Z# [6 |$ i9 x! N0 ]
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M) u' j8 Z! I, f' i, g
| | ├──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! N8 _0 C4 z, U) U# Z2 X
| | └──9-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01 .mp4 87.47M
: p8 f2 G0 \5 q9 ~├──11--机器学习与大数据-海量数据挖掘工具 & p& J( Z/ Z8 e3 m: G8 Z
| ├──1--Spark计算框架基础 H1 h1 u& m# b$ f2 n
| | ├──1-Spark特性_01 .mp4 41.68M y7 s3 r; C+ ^6 y- r9 p# i: o9 a' |
| | ├──10-分布式计算所需进程 .mp4 26.30M
: A& I9 V) q4 u1 R3 O2 I! }& || | ├──11-两种算子操作本质区别 .mp4 56.31M* E0 E- V3 X3 T% D4 r
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M- q0 t% S( n9 j2 X& r
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M9 O* k$ c9 t/ U+ ~ P, I
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
9 } B# f1 s" w$ o/ s, d7 m| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
% U" O* }4 f. q3 m+ H( T4 o* c/ Q| | ├──2-Spark特性_02 .mp4 35.15M- G5 E7 c. l4 F/ | n. L( R2 L; ?( N
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
1 u2 G" O7 Q3 y% `3 l| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
9 E O: q# Z8 j6 y3 R- m. S" L# N| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
5 G$ m' u! u" y7 U) s+ X2 K| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
+ ?; q: h; ^' M# X6 X| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
0 L) o( l7 j1 t$ ?| | ├──8-Spark的RDD特性_01 .mp4 33.08M
& r1 f" t) Z2 k* a/ \, J| | └──9-Spark的RDD特性_02 .mp4 33.41M
2 Z( Y. e8 E' t( w3 M1 f| ├──2--Spark计算框架深入
* U! C/ R1 q" M/ V- o| | ├──1-Spark数据缓存机制 .mp4 54.43M
/ R* g+ g# ?/ l/ P| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M2 c6 \4 o/ d9 u8 T: E9 ?) w% S
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
) n5 e! ~* T& ?4 p* [5 {$ V* U| | ├──12-构建LabeledPoint .mp4 111.08M0 ]6 x. c+ A9 p; L
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M5 o$ [1 j* `) h3 x! r& H
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M4 f. G5 \9 z5 H- e4 z; H& F/ n
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M0 e7 O) `0 j2 o8 r( E" Q$ p
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
. C3 y( m# r7 F| | ├──5-Spark术语总结 .mp4 89.66M3 k) P0 u4 @* v
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M: R8 t1 P, N8 ^) g2 R/ T
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
' |' P8 G& C7 a$ w7 n| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
" a' \% Q, N- b* G2 |% g) _| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
% w/ P" Z5 d/ z) K| └──3--Spark机器学习MLlib和ML模块 ! }% Z, P$ k ^, k. R( v8 c* e
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
: Q+ v9 L' t" A* M+ }$ k7 x8 b| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M S6 J A/ c1 k7 t! ~ ~/ Y2 m
| | ├──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& S) t0 Y' e8 f/ `
| | ├──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 M3 m, G; L" \6 K' j) t! l. [$ d* S
| | ├──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- I6 r! Q! m6 d. J6 ]7 P
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M, |& s e. ]' M8 O3 w) a; R
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
0 ~5 j; z* k0 u9 a" E| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
. `6 M4 [0 B" S4 q0 Z& e9 c% r| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
, j) `7 ~- @, `0 e| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
4 ^' Y3 p/ \) j- n# ]4 c- Q| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
' x+ @; x2 b6 f7 ?. [ {6 ]" Y| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M9 J& b% R/ Q; a2 C8 T! c/ C0 [4 c
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
- I8 _0 Y n; ~7 R' I| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M! N( b2 h8 @$ G) w7 ^' V
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
3 `3 }' I8 X1 o1 }! N& `| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
7 e7 g& M1 P8 }% T; @: v| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
9 [- k# D0 k6 l( S+ H: f| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M6 F* ]/ K5 p5 ?% l$ `! U8 B" `
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
; h# ]% V! i3 n5 Z9 Z2 E| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
# v0 F5 a3 h: G M% b$ D' Q| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M; ^3 l0 F7 j6 R' m
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M6 {3 O/ u9 r: a5 m2 _7 c% R- w7 Q0 Z
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M* |9 `. _: ]* R* q
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
. p5 O2 x+ U; h: _( o| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M) `! x. H- A! ^+ K# e" h
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M4 n0 K. y- N: j- C
├──12--机器学习与大数据-推荐系统项目实战
' G; P: l# B R| ├──1--推荐系统--流程与架构 " v0 v0 R$ U k, a" L
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
: V+ Y! L: \' e8 _* O# z| | ├──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) O8 R2 A8 U$ ~ J3 I0 Y7 \6 q
| | ├──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
" \% [4 B' h9 f7 Q! u| | ├──12-推荐系统_数据源_1 .mp4 79.07M$ Z% W( T) P [. V4 U
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
1 h5 b* B& M6 Q0 s| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M0 \* a% c3 r4 Y0 u% m
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M- [4 g, g3 a: w, r
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M# b- t5 G1 M! X$ o. x
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M1 u( Y& u2 u. }2 j1 S4 U. V9 F6 `
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
! Z2 E* Y5 Z3 z( z% o| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
6 g1 x5 F& q) `5 k3 t) \| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
7 s5 }3 Z# e* e2 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, ^7 y" B' n) V- g3 q C
| ├──2--推荐系统--数据预处理和模型构建评估实战 - i2 J3 @+ q1 `. f( P. m5 v( n
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M2 f1 u# F' h! W2 p$ k2 ]& f0 L8 c
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
2 v2 r. k7 ?$ Y; w+ a6 i5 ?| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M, t* D( I, @8 w
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
2 X2 i6 x2 }1 i; k) s4 i| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M% v6 T+ [9 y [( @
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
# K/ R; p$ A* z% p9 h| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
+ m* t* q! @8 v) J| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M: L; v5 z$ a' t
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M9 [$ ?8 B) A5 ]" c! ^4 D
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M! @. d6 ]1 R6 i t' X- j
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M6 _8 h! D0 f$ o4 @ P. q" r+ R
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
" t P/ H1 b. _$ n" N7 z| └──3--推荐系统--模型使用和推荐服务 / @0 r' B5 E$ x% ?) L0 t e
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
4 |# `1 z) Q' ]2 W| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
" Y: Z _3 A8 r2 x: I| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
' J- N: f& e! T| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
$ I. x' P6 A. Y1 c3 |+ O e. P| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
* |; s! r8 I) Y) Z" U$ N3 x3 ]$ M| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
1 W6 \0 I- v7 |4 B" z0 u$ R8 a6 y| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M( X" j: q0 k# m; `3 ^2 U" ]
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M! D7 v" \6 g/ o1 y! r
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M- T2 K, L* f" h3 W" b* F: I+ V
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M( z z V+ o, {7 n" D4 O5 `
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
6 n( {' T5 ]1 I0 P5 Y| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
8 i2 ^% Y9 ^- J! s$ c2 H# C. B├──13--深度学习-原理和进阶 6 v5 R3 O$ |. w9 z! P
| ├──1--神经网络算法
& D/ E8 h k- Z! X A| | ├──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
/ ?5 q- S: N: x. [: l y, O" M9 r| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
# _, k* V% Q1 o3 r; o/ `| | ├──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
, W3 A- m0 z" d4 g, R4 z) n| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
! V$ K% c% }! T! j| | ├──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
, D( V) P! ^. E. E8 r| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M S& b2 `, u) t1 T7 E8 ]
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
' i+ J% W( n6 ^| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
$ o% `% u4 _( [" | z' w" l| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
6 C& {# h p! s, O* q| ├──2--TensorFlow深度学习工具 + o- P6 s! h1 I* t7 J
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M+ C; ?0 m! z9 R U8 _/ ]7 `
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M6 P0 U% u4 T7 m; K* ?' I
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M. U( E/ U5 U' Q
| | ├──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
1 L: q" z" B3 y3 q" `( n| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
9 g8 @( L, Q; o _$ N" X% M8 W| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M( q0 ~4 W7 s& F% I
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
+ C) w) _5 g2 d$ s| └──3--反向传播推导_Python代码实现神经网络
) g0 K) n( x: r" \& V| | ├──1-反向传播_链式求导法则 .mp4 86.47M
6 }) o# m$ \1 I L| | ├──2-反向传播推导(一) .mp4 127.90M1 m- E. p" v* O4 C/ t
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
* f$ J, T. g7 v* P( || | ├──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
9 J8 m) v U! V| | ├──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/ a5 t+ N/ H- _6 i% r+ S" T
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
: A3 Y; d1 c2 N$ h7 Q| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
2 Z& e: G, X- t5 J$ m' i: s5 d├──14--深度学习-图像识别原理 8 L4 z. \, k2 X. v, F- \
| ├──1--卷积神经网络原理 1 X ~( x/ o9 f9 {
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
5 x* V6 z/ Y& w2 l| | ├──2-单通道卷积的计算 .mp4 104.01M/ B" q8 ^' n/ x/ d
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
! Z: E* T9 r- }' R| | ├──4-卷积层权值共享 .mp4 63.93M
4 ~/ w& M* p. @+ R" L| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M9 w+ p/ ]% }0 _
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
8 y' i6 h% M) a) U- E| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
* E+ p/ D+ s: K' B| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M. ?% t3 i7 y9 ?
| ├──2--卷积神经网络优化
7 W/ f# [6 j0 j: {+ L| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M3 n8 y5 l5 X0 o0 l$ T5 s
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M6 p! l+ N+ Q5 i3 ]) i+ s6 m- {: x
| | ├──11-Optimizer_Adam .mp4 141.12M
- J2 A3 r- j+ T9 z6 ]! f* g1 q| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
! {9 [0 a1 q5 ], q4 D| | ├──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
) ]4 S- h! `) g8 W| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
# p6 y. j- L! l0 P$ Z l| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
$ C3 w7 P) p) W! d$ @, N| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M7 m* A/ g& N+ n
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M) o" L$ r {) m/ h6 J4 c& t
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
& u+ D7 @# c4 O0 t6 w& {/ K. b7 ]| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
3 n y! o4 W4 N$ }: Q6 w3 T) p| ├──3--经典卷积网络算法
( k1 ]8 r- A# Z| | ├──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
, F" P8 Q3 Z d8 `| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
4 A* m9 H! w% I| | ├──3-InceptionV1_V2 .mp4 165.86M
) j+ V; I2 A; _. k J| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
4 V$ ]$ v0 ?( h" w8 J, v| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M) Q. q& R+ n% Q# w, a5 s! Z
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M% @* k$ Y1 o/ H% Y7 C1 D
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M# V4 X: I( ]& q6 y1 A: S
| | ├──8-BatchNormalization .mp4 99.23M
) u! r7 b, ~5 e0 }, o| | └──9-Mobilenet网络架构 .mp4 150.05M
5 [4 @ c: I6 i& X m. r| ├──4--古典目标检测 9 s$ b0 e; u S) c
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
% `, ^+ r% s8 A3 Q, i& R| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M2 K& X6 I: M c7 q- X+ n! ]/ K) i. q
| | ├──3-IOU以及python计算的代码 .mp4 23.56M* s& U7 Q! q3 U. O' C
| | ├──4-R-CNN和SPP-net .mp4 124.06M
5 u4 h$ p1 o1 r| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
% F. K1 x7 W v, H$ g| └──5--现代目标检测之FasterRCNN $ _9 A, I$ Q# j
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
3 q% z q. O# W7 ` c6 l| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M$ A! ?0 I2 B7 y3 N* Q n
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
# q8 y) W; |& m9 b8 l: _- S7 ?| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
( v% x0 B# z& n6 g* H0 e2 }| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
( J1 Q. y8 @% R# z5 S9 I9 d+ ?├──15--深度学习-图像识别项目实战 / B2 v9 c6 Z b5 G6 A9 c, u
| ├──1--车牌识别 + i7 I) e" B4 x% w
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
+ K' J0 ~0 N, n| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
1 T. `% k* g6 p| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
) R8 V% I) W( a, V/ W| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
- y/ Y) p! D3 j| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M' w) ?/ m, i$ j9 u) g* x
| ├──2--自然场景下的目标检测及源码分析 & j. {$ |! W1 m7 P& G- Z# W# O k
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
: M0 ^* j$ t3 T* T& n& N| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
# G; V2 A r4 G1 G0 v% c| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
2 s$ O- Q/ l3 d$ ~, [6 a| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M I2 E9 E- x8 F9 M6 L2 K( i
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M; i, N, _5 f! l/ M8 L7 O
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
7 V' U0 n( K; Y! E* i: w$ v+ L| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
! K+ c4 E7 a1 ]5 _( f) q4 _| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M" [8 H/ l6 M7 i! _+ I. E
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M o' C+ p! P, ^; e4 S+ _
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
" O6 |! v% }- s: X' u0 P+ `$ v/ K| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M! u! O0 B) p' G- O
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
+ e0 ^# M4 ^0 u8 ?| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
5 D6 n7 z+ c, H0 j% |$ f| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M& Z" c/ c( C" h
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M, D& C2 h+ J% [8 K. Z
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
2 x' @. h% l2 V ]6 S) b| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
$ V5 @( @+ C: h8 q0 r| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M& g9 d+ C3 V; F1 F* k
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M L0 f' j8 Q8 s
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M* V% J" `2 [( Q3 J7 Q& }+ W
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
! k* W+ x; T( A! o. x1 \! P| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M0 F) {( S1 C: M0 }- K
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M4 c, T0 H) P- {) o. @) I
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M1 x5 [/ b, M1 \: M; G- J
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M+ W9 B5 I4 ?$ c/ k# ?
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M. p; K$ x1 D0 n) K& U( J- v+ N" X
| └──3--图像风格迁移 : c0 o# f# @& m
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M* p' P! d! [3 ]/ K+ e( o4 d. j
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M! Y6 L$ W" l/ O0 p6 R
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M( C' T/ v7 G; U9 X" S3 N
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M8 z* O6 l; _0 j# D& c4 y
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
/ \3 n% O, L9 X; m1 j, f- a, M5 `| ├──1--YOLOv1详解 r( ?% \4 K: o# K1 w, o1 i, J
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
+ q: ^. \% A" H/ S; ~3 x| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M, Y+ d% ^ a. t, P* \
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
! f- H( X6 r& u4 o$ Q' E7 H: q| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M6 o3 O0 s6 C* o: I! z( X, @0 ?
| ├──2--YOLOv2详解 " t' y) X* S; t7 m& W- p5 z
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
2 E7 n' B6 |2 @| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M. p* l3 r( t7 R: s! Q, i) P5 e% C
| | ├──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
3 j7 g9 u1 D& y' v| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M! _8 }$ `! k4 U# }8 e/ V
| ├──3--YOLOv3详解 6 t: o' d7 c$ j J8 V0 D$ w Y
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
; ^6 l) X8 f# _* R1 r| | ├──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
; f" p5 M# i: b" o2 o; M4 _| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
5 p/ V7 ~* C7 i; U+ z8 W: e" n* L| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
3 w5 N: E0 _, K| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
# u) H! I$ e) P6 t" c" p| ├──4--YOLOv3代码实战 o' G) T9 r4 v4 ^* X' K8 J. r
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
5 X, I3 g: f0 A| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M" O6 M: R; Q/ T3 M c, c
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M, l5 C8 R8 X; [* h' Q
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M/ s7 a& O/ A6 r
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
2 f* A P# t, b: ^& a| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
1 j/ [0 p1 `: B| └──5--YOLOv4详解
) O! X; U8 G4 ?* g) @* D& u/ I| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
7 N# o: Q/ i8 J# R$ r! \, F' P| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
0 d$ A9 f7 h* X3 c2 l: ?5 p| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
3 v) H- T1 V; U3 H. b8 P( q7 S* t$ i| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M. y E2 e4 D% ~6 q
├──17--深度学习-语义分割原理和实战
7 T, G( [5 y" H| ├──1--上采样_双线性插值_转置卷积
( x, P2 [( n5 @! i9 d2 D# Y| | ├──1-前言 .mp4 19.46M
$ U4 {- X0 q5 U+ |3 k" F| | ├──2-上采样_repeat .mp4 23.90M
$ @! [. x5 C2 {, @' v( ]/ V| | ├──3-线性插值 .mp4 34.48M6 Z' A6 ]" ?7 c
| | ├──4-双线性插值 .mp4 125.71M8 e( g5 ~1 O8 s# G( o
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
$ q/ i/ C4 Y: z| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M3 M( W1 H! @' b$ O L D) E, _
| | ├──7-ROI Align .mp4 58.38M# c$ s2 B( V& N9 Q. C
| | ├──8-FPN思想与网络结构 .mp4 92.14M
- `$ B5 R1 [0 P' H- n| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
6 H. f, J& v) E; Q l| ├──2--医疗图像UNet语义分割
2 ]' h u% G% H) G h: j) H| | ├──1-语义分割的基本概念 .mp4 18.33M& I, I+ `: I( `' y7 y7 t5 `
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
3 F" j4 ]$ c7 [) G| | ├──3-UNet网络结构 .mp4 30.41M& u5 U0 c- o* M' x* V" S' }9 E
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M3 a: D" S3 O& q
| └──3--蒙版弹幕MaskRCNN语义分割
& @& W$ b- d# o" y. j. o| | ├──1-MaskRCNN网络结构 .mp4 106.38M
: r' ~# p0 K/ w) G2 T| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
& Z1 {5 O. T4 l| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
" z- [* ^! A# c! X6 q5 p| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M# d: w+ |8 k7 F6 ` }
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
% w8 K% R; ^% t: n* V" l) S. [| | └──6-MaskRCNN源码config和model .mp4 244.48M& ], e& d% Z0 b3 m
├──18--深度学习-人脸识别项目实战 2 X' e) s/ M6 Q6 {
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
5 ~) Y6 T1 }) ~$ b. }2 X| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
0 o' d# o/ x! L3 l| ├──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; p, g& Y5 d0 c. [$ y$ z
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M8 h% c( { M9 y, i
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M# w$ |. a1 `6 ]5 u- a- K
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M+ F, V5 r6 t$ P+ j% o; m5 J/ ?
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
9 ^( t) W8 Y- _# t| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
$ v* I8 j6 P: i; \| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
( P: K/ J9 I( ^$ y8 N; i| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
J6 p- ~1 {, y; k8 E| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M; R; i, b2 @' |4 @$ q
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
, B# X, d' M+ b2 L, ^7 c s| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
$ q3 A# `/ }! a5 S| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
1 G" \! T5 @0 |( v% @# N k| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M" _8 `* O8 R, \2 R+ `
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M+ c" Q# k& F P" D+ d4 r1 g
| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M1 X' G' K" z, r( h
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
) d* Z/ u; I1 Z; z| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M& E. r2 t9 t5 S
├──19--深度学习-NLP自然语言处理原理和进阶 - a$ H$ C% r+ E( F9 N8 X5 q
| ├──1--词向量与词嵌入 & c+ M, m! r! T3 ^9 I. ]1 P
| | ├──1-N-gram语言模型 .mp4 116.32M/ S5 M- ]# A; r6 F4 b% o
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M7 ^1 I5 Z2 ]6 t1 V |
| | ├──3-词向量的作用 .mp4 58.00M- F. f8 |0 s/ l" I3 ?/ P
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
. I" d) ]& o$ I6 p, V| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
( a0 P" J& X8 s$ w) r# Q y| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
( A7 |3 w* Q: \( y8 w0 K| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M3 m* J# q3 j2 `% k+ z% v
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
0 F" I8 H+ @ M# @( p- E| ├──2--循环神经网络原理与优化 5 r" @; X; z0 U& q6 e% w8 v9 b
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M$ N0 w2 R' D" V9 [" E
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
1 g- n9 C1 L' \! q4 _# b& D| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M; b5 F8 T' f: S) c
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
; u; u; W8 q& g| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M4 M3 g9 o9 z! s! Z# x5 T$ W
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
# n0 f! |8 I3 R4 Y9 Q. [| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
# @2 L0 O9 F0 \/ g" S7 `| | ├──8-双向RNN_LSTM .mp4 52.01M7 ]4 E6 k; J$ }5 j/ K F
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
7 K, k: a* q8 K* L9 [2 U| ├──3--从Attention机制到Transformer
# m- Q% s0 Y- G6 ?7 f| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M E9 W; w! _: f
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
- x- m2 p9 j' [ @3 [1 P3 ?| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
; q, G0 c, j& k6 {$ {4 Y* z| └──4--ELMO_BERT_GPT 0 \% L* O; ?: ]$ ]3 q. l
| | ├──1-ELMO .mp4 62.44M
, l3 ]) {1 \+ I) W& b| | ├──2-BERT理论 .mp4 99.73M& D( Q( }4 Y( y$ X! c
| | └──3-ERNIE_GPT .mp4 56.34M$ t1 p( S, Q- h# x8 ^" i3 l. m" u
├──2--人工智能基础-Python基础
1 s* [: e2 t$ U' w8 O0 a| ├──1--Python开发环境搭建
6 Q3 b& z% q7 n5 f| | ├──1-下载Miniconda运行环境 .mp4 100.75M4 T! s+ N# z- Y5 |
| | ├──2-Miniconda安装和测试 .mp4 57.12M
4 H7 M; r. y) B( N: I# j6 f: V: x| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
# e* W0 K& a1 I0 || | ├──4-Jupyter安装和代码运行 .mp4 37.10M
l. q% c5 C7 k; g1 M+ u| | ├──5-Jupyter常用快捷键 .mp4 32.23M* m0 p8 D6 G. A J3 j2 F1 h
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M0 h2 S# a6 l/ a+ Y$ X8 Y2 t
| | └──7-关联虚拟环境运行代码 .mp4 38.14M# k( V, M) z0 Q
| └──2--Python基础语法
5 i6 n4 k& c7 s: S% P2 _4 _| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
( K4 f4 X6 \, K% B| | ├──10-Python_集合操作_列表 .mp4 34.71M
7 U( g/ }7 L9 `/ h| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M3 f! m2 C$ K7 ?. z# B5 P. j
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M( w3 `6 O k' v6 `! k% B9 P6 _8 X7 |
| | ├──13-Python_集合操作_元组 .mp4 43.46M' @3 M1 E4 V4 i# n2 \2 a4 w
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M: m8 a+ D# G4 _% M, B$ |6 T$ v
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M6 a9 v6 y5 u5 Y7 ]+ _; Z/ m
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M9 o3 E, i1 ]: T+ @( N$ [; @% M
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M9 w. c( |% V/ c& Q
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
+ Y- p W' ]: n+ i) w7 B p| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
8 n! s) }0 e b- I6 s& s| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
' J1 G% x; y0 F0 [8 o| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M6 c; p# r# C6 {
| | ├──21-Python_函数_递归 .mp4 23.46M: ^- X7 Q8 I7 e# d
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M3 p l& y9 L/ ]2 h
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
( k9 \3 j. ^9 m% @| | ├──24-Python_函数_闭包 .mp4 41.61M. C" V- y+ Q* u7 B# C4 m
| | ├──25-Python_函数_装饰器 .mp4 30.35M
" K9 K7 X9 c, w+ |- i6 N6 P| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
+ U- u4 \- \) B8 S5 Q1 G| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
- } w: G$ o8 u| | ├──28-Python_类对象_内置方法 .mp4 29.17M7 X9 K' x9 T8 @' T* f: P$ Z% `4 {
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
2 O( c. }- J1 V| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M ?* r7 a1 T; M
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M+ i4 h1 Q7 u2 T" ]0 k
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M. E6 E/ [: l( N
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
7 w. x: {/ z: s5 y* x3 ?1 S| | ├──5-Python_控制语句_for循环 .mp4 22.82M2 `/ I- Z9 T* Y9 K8 X y" L
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M: O; g9 }# J+ N0 J
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
' P2 }, c% B, L$ f7 q2 O| | ├──8-Python_切片操作 .mp4 40.20M# f# u. Z3 q% o1 e9 r
| | └──9-Python_数据类型 .mp4 25.38M
4 r" ~1 U* M1 S$ m7 D _├──20--深度学习-NLP自然语言处理项目实战
6 {1 L8 ]# \& p% v| ├──1--词向量
( m( F3 L. d9 P| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M1 y0 }& D+ k6 S6 m8 D/ J
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M. \, R" T# E* c
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
6 [; g5 L1 M7 O| | ├──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
5 K4 S4 ?6 J$ ?' E& P6 u| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M( J, w( R2 B' g# c$ _+ h
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
$ Q3 j5 |4 O( A- P- T2 I( d| ├──2--自然语言处理--情感分析 3 Z& a" g( B- y( |
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
5 i' A$ G1 \- q( P4 s| | ├──2-数据预处理_01 .mp4 79.65M8 l3 [" p. t0 x1 L3 ?, ?: Q) J
| | ├──3-数据预处理_02 .mp4 45.68M
! _; M @; i/ y) q( R* q4 g9 T- w| | ├──4-代码讲解_01 .mp4 52.29M
& x( n, P$ M- |5 k) [2 [| | ├──5-代码讲解_02 .mp4 60.85M
. t! y. {, U% ?2 ^| | ├──6-代码讲解_03 .mp4 53.89M
# A. z0 `2 Z3 i6 V. `# h0 b| | ├──7-代码讲解_04 .mp4 57.19M3 D4 |, B2 G" g8 I
| | └──8-代码讲解_05 .mp4 35.88M5 p C7 U% ^/ V7 v, L
| ├──3--AI写唐诗 0 N- ?. C) p# }4 J3 M, z4 y
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M5 x' P; {- w- h4 G: t- k+ [
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
8 i4 B) i( N# k8 _1 T| | ├──3-MultiRNNCell单元 .mp4 38.93M
: v3 `- C& U4 n5 R| | ├──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
3 g3 Q3 Z! z* O6 \! A| | ├──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: ]# T. ^/ @5 W9 _9 u
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M. ]* v/ u5 C0 f1 w1 Q
| ├──4--Seq2Seq聊天机器人 3 C9 q# f/ `1 Y9 x j5 x
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
5 K! J; }6 \9 k1 t% J5 t8 E. w| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M ^+ N1 h' Y* S4 r
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
b. M7 r" t6 K* R$ n# ]5 Q" E+ B2 {| ├──5--实战NER命名实体识别项目
# A2 E* J3 K% v3 k8 @% W" V1 z. _| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
% L9 r# u* T! B- H1 }| | ├──2-介绍了代码目录结构 .mp4 23.44M4 H% X5 e: U1 I2 s2 f& S7 n- E
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
# w, d# Y! B9 Q8 g: F8 m) E| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M4 W5 J* S7 n; c A1 i0 \1 @
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
" u6 B, Y( s; V| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
& D4 g3 \: J& t# j# D* Z| | ├──7-CRF中的特征函数们 .mp4 125.97M) T, H8 T) i3 Y D+ Z8 W: o2 E& ^) d
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M' C; O! j. F& O9 g; N
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M. q3 _3 V+ L- }2 m$ ]8 `& P% b
| ├──6--BERT新浪新闻10分类项目 9 @9 c; @6 J* O4 v
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
" v6 m H6 w7 F/ t. {| └──7--GPT2聊天机器人 ' c: |! N$ F- U5 k# l9 s3 D
| | └──1-GPT2闲聊机器人 .mp4 62.28M
6 N' ~1 V, h4 y8 w3 \: O├──21--深度学习-OCR文本识别
, d& M# ?7 r$ r/ F+ t| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
# m- r4 I; V) f* a ^. n+ u, [| ├──10-CRNN项目代码剖析 .mp4 306.48M
2 K1 a# h0 s1 k2 M! S# ^| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
1 q8 a6 a/ V, T% a1 Z5 }| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
$ s; F% j0 I# R4 N8 [| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
) A8 C( h1 E. z/ q O| ├──5-CTC损失函数的理解 .mp4 330.64M
: l3 |) B. ~2 h% x0 V+ m| ├──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
/ K4 q5 x7 D! d5 ?: u, D| ├──7-CTC前向后向算法代码 .mp4 225.41M5 J9 ^( o* \5 {6 d9 S) N
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
3 ^9 y9 v$ B8 P| └──9-CPTN项目代码剖析 .mp4 491.69M
7 `$ e7 x# w# B, L- R1 Q├──24--【加课】Pytorch项目实战 , g# v# l7 [; I+ z
| ├──1--PyTorch运行环境安装_运行环境测试
- |: Z1 N% u* g: _| | ├──1-PyTorch概述 .mp4 29.29M% v3 C7 Z3 m" z( ]6 z* f
| | ├──2-PyTorch的安装 .mp4 76.45M
/ |2 L) [6 o1 Q \| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M- C8 b# `3 G I7 s3 L! ~) a4 g
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M! T V6 c2 _" J: ?: u0 }7 I
| ├──2--PyTorch基础_Tensor张量运算 7 b, k" ?+ s6 W' R/ s( Y
| | ├──1-Tensor的创建 .mp4 55.14M6 C. b8 N4 ~+ n
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
* d) q/ z& @; o7 W| | ├──3-广播机制_逐元素操作 .mp4 44.46M
! ~' |( I* V; E$ U6 t$ e| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M+ D5 f$ L* b/ m5 T; m5 P& m0 d
| ├──3--PyTorch卷积神经网络_实战CIFAR10
" o9 U! s* J z' v( m6 \2 ?9 |, u+ M| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
$ I5 M% v* M, q$ V! ~$ H: ^| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M) `" r/ P7 j1 `, W* R: F, Q$ ^. l4 F$ O( o
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M# l( l' ]) C0 A' J* q8 n/ L. H' P/ K
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M0 m4 X/ s& ]' \* e+ l( U Y
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M- ]) k4 N6 E( G8 y: R- l6 z- S
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
0 C& k) f* X5 g+ [. ^| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
% X- i% m& P8 P m$ q& g5 b| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M D Q: I3 k4 s4 |- M4 J
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
+ `) T% G! b8 `9 c5 W7 o( ]| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
8 R5 e- G. J. r3 d' v9 n- V| ├──4--PyTorch循环神经网络_词性标注 7 q T' ?2 Z$ t
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M4 x1 K* L, l# Y# h
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
5 h: z# L, G% G4 |! Z0 i| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M4 g& [* H9 e: }+ y. h" l
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
7 {8 J9 J- A5 ?8 b2 e3 ]; a1 b$ J| └──5--PyTorch编码器解码器_机器翻译
0 P) {% p, S- O) u @3 q; s% h- x# q- o| | ├──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
" A0 `6 J; P/ n1 k* ?| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
- B5 y) C* N) d3 U+ H) ?4 H- X| | ├──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
' E, [. r% b7 X| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
/ W" I/ X0 t: D, S8 q| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M) I- F: R9 A' h% _* o0 ^* N. A7 e
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
" D; ?5 a: K( J0 `2 x" D| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M8 f) M9 k( U2 J% ]- W1 y$ m
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M0 H- T7 C Z* x' p, D: O4 v
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 4 W+ r& s/ u! F" @2 _' u1 L* C
| ├──1--PaddlePaddle框架安装_波士顿房价预测 : q5 X* ]0 H; \% I, s. C: P
| | ├──1-安装PaddlePaddle .mp4 87.34M
5 Z2 \( S& t! y# O: j! w: || | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
" q$ {, _8 e: y: D3 j1 j3 A( S8 ~8 R7 ^| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
6 c" R! A3 S, w6 V8 c6 b/ q1 [ o| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M W* O) \8 H! B! l0 m6 V* i6 Z% [
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
* S0 X/ @% [, f+ Z9 g) `7 X7 h8 E| ├──2--PaddlePaddle卷积网络_病理性近视识别 " {& m: h% S6 o& R6 D
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
! @/ N; b9 e2 b) H* U* x| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
; q, r" P( H- ~$ `* R/ y| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M. d1 o/ z- x/ }7 p4 k
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M3 S( K6 W: [! h
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 4 r7 b5 G8 d3 t1 j% A% q6 q
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
2 u0 ~2 e% ~9 r# T+ U| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M% L+ ^7 ?" \; v% m% k. G
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M, x" ^. K% u3 O9 k
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
3 Y2 G. y* N/ m4 ]( k! Z2 O1 m2 n| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M. `7 T# ~' g% L; P- a0 E# ^" G! y
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
' Z& Q' | q! L8 c/ f+ d| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M1 o. Z ^$ @0 X
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
/ s9 y) a: ~: f" N A| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
+ R( F2 B3 k9 {' }7 \3 N: C9 n/ l| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M8 Z4 W( c" I% 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
5 P$ Z3 W, g: p| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
) ?8 J$ @( ?/ M/ A% U+ K- k| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
$ F- |" b5 r0 i% s3 Y| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M% w3 |4 X) O- G% d
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） / |+ W6 I" }. L4 ?2 L3 Y
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M: @( P/ @% v$ j2 m$ i3 _1 @
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
p+ `0 f& l0 t# j7 ]+ g/ S| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
# v" M+ C, A: w9 _0 b( }6 J| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M+ a$ j/ h' C1 i1 e) b+ z
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
5 w' z! n6 f: U1 P| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
& F, J4 C2 K5 O4 t| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M; r% `4 b& }3 h7 ]6 ~( x9 E" O" B, W
| | └──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" @9 u8 {1 S& u3 }' r# j
| └──6--PaddleNLP模块_物流信息提取（ERNIE版） 9 I) h& ]- X. N8 M. b! u1 _3 S- a
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M4 E8 t5 R; U% G2 ]2 q( F
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
2 e2 \0 S' ]) a/ T2 y J9 S. D% Z| | ├──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
/ z3 f- F" `. O8 N4 e6 g9 w| | └──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) ^9 `% |7 u: Y d7 e. U7 [
├──26--【加课】Linux 环境编程基础 t( W% ^# p0 J
| └──1--Linux ) B9 p7 x8 j7 J4 E) _
| | ├──1-Linux_课程介绍 .mp4 3.72M
; M/ K9 k5 R* I& r# E| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M+ }- z5 x) j- W8 n( |
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M0 R! V0 h$ X9 M! c1 J
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
/ Q8 _4 x( D: `: N6 Z& ]7 ]; y| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
$ I3 b9 B5 ]) u5 h& s| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
; o, c; D" ~" _, e| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M3 t6 y5 J1 F/ Z# _; f7 @+ }, R% r D6 M
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
: |) q" R5 H" e) h# G" `% ]| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
7 i) I& Z3 u- w+ [| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
: E8 a9 \2 q* t/ S$ l1 c5 B| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M7 p5 T- O5 E; h1 }
| | ├──2-Linux_Linux简介 .mp4 17.59M8 g( k& @ v4 F4 C. l8 q
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M& v0 `2 l5 e- u1 r6 S; c
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
% o( v1 T* V/ ^, ^| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M5 p& T( x6 m0 n+ d( o' f, M: |
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M9 Q' e+ T5 f: H$ J2 V/ S
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
9 H& p, K8 V E2 R4 {3 u( h| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M% p0 X2 B0 P' y3 o6 p5 A; _
| | ├──26-Linux_安装MySQL .mp4 79.02M3 a% ?# J8 o. J& ]
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
! F' O2 y% x( c/ B$ o/ d) Q0 _| | ├──4-Linux_安装Linux .mp4 41.97M
" S# T. c$ i M9 b| | ├──5-Linux_目录介绍 .mp4 20.31M
+ L4 q9 i" v. Z& R6 x# R| | ├──6-Linux_Linux中的路径 .mp4 18.65M
! B; w) k1 e( L+ d8 J/ \1 G| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
& ]0 o7 m0 q: N5 m| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M3 K& C& s: X# [" k$ F
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M/ I% C$ I+ j7 b
├──27--【加课】算法与数据结构
' f6 a) e$ O" t" i5 s/ y| └──1--算法与数据结构
+ H! v8 Z- ~* y9 c6 X1 g% e( C| | ├──1-数据结构与算法简介 .mp4 35.68M
, w- O: n5 [. b- V) s8 b; a; Y6 [| | ├──10-哈希表的基本结构 .mp4 54.34M# B9 V& e/ }* [! H) Z8 B1 ?
| | ├──11-哈希表冲突问题 .mp4 75.92M
' k5 Q. b* C! o! x- w* P| | ├──12-哈希表冲突问题2 .mp4 72.30M& z; t) I) d& ?$ V
| | ├──13-哈希扩容 .mp4 111.03M2 G c$ a* L/ C" o; m0 ]/ F1 Y8 T4 ]
| | ├──14-递归与栈 .mp4 50.77M
2 [' s4 Y7 a' ?2 t| | ├──15-线性查找 .mp4 57.80M7 O$ I0 `! `& |* _' w+ B8 w5 c
| | ├──16-二分查找 .mp4 52.32M: s' w2 H' H. W, A$ X
| | ├──17-冒泡排序 .mp4 53.19M
; `; a z( n! }. c2 j| | ├──18-选择排序 .mp4 43.29M/ h3 h, e- Y6 r* p& T9 \
| | ├──19-插入排序 .mp4 31.39M
, S$ _3 {' f# Q" z# H; D| | ├──2-大O表示法 .mp4 25.59M
2 s. o- d; z& |% u/ U| | ├──20-归并排序 .mp4 84.48M; K; w0 E0 W( L, G3 A) c* T1 H
| | ├──21-快速排序 .mp4 36.63M3 l, b6 f( P( F! ^
| | ├──22-树结构 .mp4 96.85M& n7 I1 ?$ H* `2 W
| | ├──23-树结构的遍历 .mp4 61.05M
) S. z0 I; e9 y" w* N+ F| | ├──24-最大堆的增加操作 .mp4 45.43M; c9 D6 M7 _! t9 U, n* E3 W5 u
| | ├──25-最大堆的删除操作 .mp4 45.63M
; y- p. @' F+ e% _ Y| | ├──26-二叉树的查找 .mp4 100.24M
3 ^* C# `& i/ P9 I' ]| | ├──27-二叉树获取最小值 .mp4 25.21M) p# s$ w7 w A" ~6 l
| | ├──28-二叉树的添加 .mp4 72.66M: |5 t) G9 m+ X+ R# U
| | ├──29-二叉树的删除 .mp4 120.06M+ H ?8 S' I X9 i
| | ├──3-线性结构 .mp4 53.14M
7 C2 m: M0 |) v6 W4 S# y5 p| | ├──4-单线链表1 .mp4 68.36M& A" Q" _, B4 n5 y' p& ?
| | ├──5-单链表2 .mp4 221.69M, }. u& i# g/ u) k* K
| | ├──6-双链表 .mp4 103.57M( I* V8 C; s4 @& g9 j8 K7 Q
| | ├──7-队列(链式) .mp4 74.12M& h9 Y% f% P. \9 Q& n# ]
| | ├──8-队列(线式) .mp4 30.99M
1 `- s* }6 E* P) j: U6 || | └──9-栈与双端队列 .mp4 28.12M
0 c0 L, z- J, @, g E* @! E, Z├──3--人工智能基础-Python科学计算和可视化 ! l4 h( a$ \" o$ G) Z' p$ O& m
| ├──1--科学计算模型Numpy * Z. U& r+ T, K
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M& x0 c3 B+ \# {
| | ├──2-Numpy_array_arange .mp4 35.45M7 ?: |* {" y* o
| | ├──3-Numpy_random随机数生成 .mp4 50.54M' t% ]% G) ?; Y4 w# i- ~9 i' B
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
' L. B. v a( E; K9 M+ Y; o| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
7 C0 h6 F! r- @# X# Q7 y7 j, `0 s| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
9 Q/ ]+ h* n0 `' j7 m+ B| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
4 w, h2 G5 L4 o# A C| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M- j- m7 r5 D1 T& d+ Q+ t2 X
| | └──9-Numpy_聚合函数 .mp4 23.68M+ u0 V. Y# X7 i* P
| ├──2--数据可视化模块
! U. U4 |7 Z0 T7 @( ?| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
- ]: j2 N+ w; | j: @) p/ f| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
8 Z* E" B5 U) G# E' R| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M/ Y, q0 `& M! q6 b6 C- K
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M9 Z+ Z6 x: Q# _+ @' B3 }8 s
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M, Y T4 S. \! V) c1 n" E
| └──3--数据处理分析模块Pandas + N* e' q3 v7 p& ?" M$ U( k
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
" B M& y/ |9 t1 v4 J, p| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
: t7 l* x) ~/ W- G! X| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
9 k" a0 E$ _: K* `9 N" P| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
# N% V+ h. g0 w, [( T5 z| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
9 E+ y9 E- J6 ~+ r4 x; T; X8 E| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M3 E! X4 Q& h5 D4 i" u: h6 C2 M& V
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M# q' |3 g. g1 C
├──31--【加课】 强化学习【新增】
8 p: W3 H0 y$ H- b' m| ├──1--Q-Learning与SARSA算法
- b; r. c' [1 Q n+ V| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
w4 Z8 r' Q! k2 T4 U% }| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
% F! }7 y3 z3 P7 ~+ E| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M8 [- p+ [5 G7 h
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
0 Q- w/ Y* s& H v- T, v: L| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M6 ^. W0 w" c d4 L B
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M( Y0 k4 |% v. b: f3 R/ n- A: m
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M0 j$ a6 o' n5 y9 ^% h( \
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M# s j% }* }* j$ y8 h% E2 w
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
9 A, z, z/ C8 l! v+ Q| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
" d5 }" d; V3 _; P3 H9 q| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M0 ?" f, @ j b: i- {# ]$ ]5 f
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
1 e# p. X- p) u$ x1 x| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M8 l- m3 ]! W( t0 r$ ]- D
| ├──2--Deep Q-Learning Network
! k: j3 X: }$ W9 E0 q4 g+ c| | ├──1-DQN算法思想 .mp4 59.24M/ m" _- [# a0 u* d
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M+ u0 p/ N, k2 _1 k
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
`1 r# d- _8 C" b| | ├──12-DuelingDQN .mp4 88.12M8 l1 P, z0 @9 G
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
$ i" S; o% G4 Y, F, C5 || | ├──14-计算Action的方差避免风险 .mp4 54.23M
2 m: @6 K; `# K3 ]| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
* H1 `. i- T$ Q; D" Y' J) D! W( W| | ├──2-DQN算法具体流程 .mp4 56.17M
9 {2 E; D- p3 o5 n& a$ z& f| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M, k. Q7 D' \/ n. r. q* |2 }
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
7 d4 K' \. M. X| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
1 U# h7 C9 \) q, k; 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
9 q, d5 Z3 c1 j1 r/ M$ `* o2 Z$ R| | ├──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
# C/ P$ V4 W k6 o- z| | ├──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) n+ M4 V+ f5 _) r
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M7 P+ r) u7 @! m3 |; ]9 ^* G
| ├──3--Policy Gradient 策略梯度
+ q/ U& {; @; {. f| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
% K5 m0 z! q K$ }$ Q' k2 o8 W| | ├──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
5 {: p) p# V* r1 N: i| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
8 P; p! B# [$ ?/ v y+ }, m0 C4 y# f| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M( l5 g8 S! F7 M# i9 d" w0 p
| | ├──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* k% ^. e8 t5 w. J" U0 }& [! ]
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M) U8 Y( R2 z" |' v& l
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
8 Y/ J8 R* {# s- n p! f3 w9 S| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
( j: G' n. H' m| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
' o$ M; H' ^% F/ V' A/ v6 q- v/ s| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
* y+ ~3 `& n, e& X( t- u6 e| ├──4--Actor Critic (A3C) & D9 G/ \$ m2 b! C W! X3 U. a7 T
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M2 ]: Y2 Z/ |+ b
| | ├──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
9 q9 A/ C/ k# ]2 g4 D* N7 g, X, h| | ├──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
. U! H8 ~1 Q2 g( }. {9 P+ @8 c| | ├──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
$ N, U3 F6 k" P1 \/ D| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M. Q3 G4 t6 C3 l4 y8 p
| | ├──14-代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示 .mp4 47.18M
9 c0 F8 r: @' m% M| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
- U9 e# D2 W; |2 s$ K, o| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
. L/ v1 ~% y8 |+ K| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
& r9 ]3 I( v. ~, N6 R* R$ h& a| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
# N9 q; q* `# C; H/ W| | ├──6-A3C架构和训练流程 .mp4 74.66M
7 Y" t y, C/ |0 t! d! \9 x| | ├──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; O2 U& e: i1 r3 A* B# f' @
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
( Q1 t! w9 V' d% x% H6 R| | └──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
9 A. u- D" U3 k) [" v! \% H| └──5--DDPG、PPO、DPPO算法 ; D" O! w7 K1 j, l
| | ├──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& ^+ {% b# z- n% H% B9 K" s
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
2 t) f( G3 A ?7 S0 x' W| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
5 U @' E! N0 M$ L% S9 h) }* V| | ├──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
7 `- ?) @0 u' C) D| | ├──13-DPPO分布式PPO .mp4 63.81M
, e8 c6 J. B0 T- p! X2 E| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
( ~6 @0 M, k4 A) s7 E$ ?| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
1 _& ]' H* Q0 M& h6 l. g| | ├──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
9 D$ r- g6 u0 z8 V) [. }6 w| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M+ b7 K) ?% E' P! I
| | ├──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
& L( q$ L Q/ Y& d| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M" R. H" v3 C: D* Q6 ]- b3 W# i
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
+ J% h9 ?9 N$ f' O| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
* H e; n1 P9 [. ^| | ├──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& A% Y% |2 M) {% {: ~
| | └──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$ ? K& a/ U6 k1 `' K
├──4--人工智能基础-高等数学知识强化
) M. a% \# u: w# s" \| ├──1--数学内容概述 % a* s8 T7 z" F' I9 p8 e. h1 o% D
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M# l# c3 b* j/ Q
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
+ Y6 \5 T! C# J. H' S8 [$ I/ l3 _| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M( p3 B. Z, W/ _. ~4 B
| ├──2--一元函数微分学 % `3 ^1 ]+ U# R: [
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M- j' d' U9 f6 O. @# x
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M2 e1 v' n- C; X3 V4 O7 m
| | ├──3-常见函数的求导公式 .mp4 22.76M
% W4 x7 W& S W& u& t; D| | ├──4-导数求解的四则运算法则 .mp4 26.52M8 d3 C0 M4 V( E) V# S$ Y
| | ├──5-复合函数求导法则 .mp4 19.68M
1 x6 B- n/ i* m2 _! }0 R" c3 L| | ├──6-推导激活函数的导函数 .mp4 33.40M
, F% U6 R' B. d1 B| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M1 k/ S+ I$ m* i" r% c/ t+ o
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
- Q# y# Z, [+ j8 M5 x| ├──3--线性代数基础 # @; h( o8 g: m% j: ]
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M$ H* }3 y! q% r# B$ K
| | ├──10-矩阵的逆矩阵 .mp4 38.54M7 q* k' U, K$ r" `) L
| | ├──11-矩阵的行列式 .mp4 20.13M
. O$ G2 }5 H0 J0 o* B9 l5 d| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M+ z; l1 Y. t2 S
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M* k4 j. w {' Q% G2 e
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
* P) u1 n& o* `: {| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M% h0 X9 r2 r3 O4 `# t
| | ├──6-特殊的向量 .mp4 26.45M* j5 V, f4 l$ ]9 P: m+ j. Y4 V8 ]
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
4 Q' T5 y+ r0 ?& Z( ~| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
. N, F0 s% Y, s: F+ d c% M9 l$ L| | └──9-矩阵相乘 .mp4 20.02M, \" }( Y9 M% P! y1 H8 p
| ├──4--多元函数微分学
, t j: i0 z7 |7 s$ m: X| | ├──1-多元函数求偏导 .mp4 22.61M
. z* J! g W% y* T$ H* [$ [| | ├──2-高阶偏导数_梯度 .mp4 27.15M
9 i2 m) @& `# l5 S% a| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M; X8 S4 f, ]: q( @6 C% }# e
| | └──4-Hessian矩阵 .mp4 32.93M
0 i5 H; z( j+ g3 ~| ├──5--线性代数高级 2 W- H/ z# j/ n
| | ├──1-二次型 .mp4 27.70M
6 i' Y6 ^8 j. f. p| | ├──10-SVD用于PCA降维 .mp4 24.90M
: q7 d3 c8 `7 M; u| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M9 D. q6 H0 A3 q1 c+ s
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
1 x0 @3 a2 {9 U| | ├──3-特征值和特征向量(1) .mp4 29.83M' Q& h8 `9 v( Y; c
| | ├──4-特征值和特征向量(2) .mp4 30.07M" F6 ]2 g, ]; s7 w' P* \$ U7 Z% n
| | ├──5-特征值分解 .mp4 38.68M, ]4 ]6 y7 I' U0 I, T' {' f
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
; N# u) n* x8 \| | ├──7-奇异值分解定义 .mp4 22.58M
' d9 Y6 C2 l" }8 h| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M9 y) F: J6 b' o$ c
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
( R8 _; j( R( O9 i| ├──6--概率论 - u2 W; X' ^2 b1 R* }
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M& i% {9 F. X; F+ u4 ]
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
6 L! F# v4 z( {+ i% o+ b% ~| | ├──3-随机变量 .mp4 22.57M
- n( u& W% ~" w. q- t| | ├──4-数学期望和方差 .mp4 22.96M1 a5 b$ o" L! B( ^
| | ├──5-常用随机变量服从的分布 .mp4 22.48M" v9 P# K5 S! |0 n& [ Q
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M: R! }6 A( F6 X# B4 G* r
| | └──7-最大似然估计思想 .mp4 23.42M! z( u) @$ L4 @! q) t( U ^) w( c
| └──7--最优化 ) G* x% R( l9 U& ^
| | ├──1-最优化的基本概念 .mp4 35.14M3 Q$ w6 Z, [/ M' X& p% N: V
| | ├──10-拉格朗日函数 .mp4 27.46M
0 j; O3 e- F' p2 X( s| | ├──2-迭代求解的原因 .mp4 20.15M" q: l: I- L# N% ]" }' ?5 {- }
| | ├──3-梯度下降法思路 .mp4 26.33M
( P: }" B2 y/ Q/ o Z M| | ├──4-梯度下降法的推导 .mp4 43.56M
9 P8 r, l/ k4 C% n k4 e9 h| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M& o/ d" m4 A; Y. t" P/ m& m9 r
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
* e5 c. Q! X2 n( p& ?| | ├──7-凸集 .mp4 21.90M& V% m0 D K d8 l9 _( }
| | ├──8-凸函数 .mp4 16.93M
3 L& L1 K& T- K) W! Y; f+ a6 Z# S| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M& D: p0 w- d1 S" T; K9 g
├──5--机器学习-线性回归 , V' U5 ?4 f- F3 S+ e: v- m, _
| ├──1--多元线性回归 7 { o: g/ h: I& F
| | ├──1-理解简单线性回归 .mp4 51.11M
! J- r( r. F+ K5 B| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
4 y+ A! F+ Q0 ^" S& |6 L! s+ H| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M# L- q8 c, H8 }$ v
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
( W2 j; u& j8 _3 X- T o| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M1 i. |7 d& _7 w1 `! R+ Z6 t6 Q3 x
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M5 o& W" K$ u- o+ o6 B
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M2 d5 o, j8 X0 i+ s& [/ Y" X
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M- \- I) t9 D# p) Y0 I
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M0 k6 z- m$ Z! ]4 u/ B4 R! v( i
| | ├──18-解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形 .mp4 48.31M5 u! K! v+ Z( M: z3 B
| | ├──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
+ a; T: U! w4 ?: C| | ├──2-最优解_损失函数_MSE .mp4 39.58M# d+ {1 M6 L& N/ h# O
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M0 ^4 e3 X3 d8 [- G2 @& T7 f2 k
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M, Q3 I& Q$ k5 V6 E1 [! W# X
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
" j' I- F& L4 ~4 v" |) _9 @/ `| | ├──3-扩展到多元线性回归 .mp4 32.15M& e+ Z# u7 r+ F
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
& k8 N! q1 q3 x* q# B| | ├──5-理解维度这个概念 .mp4 41.41M
% D4 v5 Q. Q5 n8 U| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M v* o9 q& s$ `: S
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
/ L( }: L) J2 k7 d+ k| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
& |+ \: ]0 S5 |6 g( R! u, m| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M' W4 \. ^& q; @/ U4 t8 z
| ├──2--梯度下降法
N( e4 s, k) p& u| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
) x% x0 | f8 U% @5 d, d! t| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
+ k: Y! W5 E- [8 M| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M6 E! V; Q: }+ g8 A$ r& C8 l
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
, i; c- Y$ j' r/ H| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
- A: ^' S* j( T) t| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
+ u9 x- t; m5 M O3 n| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M% O, i( Q- k+ P, h+ [& F4 g: g& S
| | ├──2-梯度下降法公式 .mp4 57.12M) `0 l W# g+ z$ m: g1 E6 ], r
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
' X& @7 M0 X+ X, W ^| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
- S, W$ o( U$ O( x0 O. Y| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
7 {) p1 a+ o' G% R, I| | ├──6-全量梯度下降 .mp4 62.84M
9 R: I4 U, `8 A! G* x& |$ e| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
, C% f, u, |2 X. M7 ~: h| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
7 X( b1 Y4 l! D2 N8 R8 h| | └──9-轮次和批次 .mp4 45.22M
; V% T7 D9 V U+ K- o- ?$ X* \| ├──3--归一化 9 U7 `3 R. j- V: i/ f/ V6 t
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M7 x1 k2 X. E4 I2 }+ b2 x N
| | ├──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
2 z/ {7 B2 s( m4 ]! {: `| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
' i+ F5 n# H/ U2 J2 ^| | ├──4-最大值最小值归一化 .mp4 24.87M; r" L& F! J- M7 t+ c
| | ├──5-标准归一化 .mp4 51.86M! [% c1 ]0 G, l; [# |& T! L
| | └──6-代码完成标准归一化 .mp4 41.13M1 N, }6 S3 e- J! ]: k
| ├──4--正则化 ! I6 T* T" O8 k1 N4 i% n: O! H @6 t: D
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
* @3 c1 Y- Z. V8 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* T! k1 k* \( w! X+ |; D7 p
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M( f+ R0 v% g3 k& k( x3 K
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
+ w0 K. A' O: U: P| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
2 H# f3 _1 k) s| └──5--Lasso回归_Ridge回归_多项式回归
: M& C( ^6 Z1 a) x| | ├──1-代码调用Ridge岭回归 .mp4 76.32M) Y* D- J; G L! d6 `
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M, h# c w$ T: h+ c+ `) X
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
b1 o+ U. o$ q! m* `- q| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M7 \' A" }* {4 ~% d
| | ├──2-代码调用Lasso回归 .mp4 28.73M
8 X9 g3 d1 u4 ]: U| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
7 z6 j+ [4 q0 k- m8 @- h5 `| | ├──4-升维的意义_多项式回归 .mp4 48.06M
! N& i0 Q7 y# F4 U4 O9 B5 n/ Z| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M" `+ g! x8 d: y& e: ?
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
# H' V& ^) F* W0 Q! W| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M$ ]/ q5 @( ]+ J5 D6 a% J8 e
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M: N/ [9 z. e ^- O, |' W4 v
| | └──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
$ |# \4 t: z0 U7 k6 z2 ]& e- O├──6--机器学习-线性分类 # t) x$ E1 `- }( _( q
| ├──1--逻辑回归
% M- o# R9 s0 @5 F; U- O' r- u/ O4 B| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
) v4 P5 W4 ^/ l0 o# }| | ├──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
( j3 |+ U( [: F# p9 s# t| | ├──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
4 x3 m3 k; A' n' h| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M _$ R: O; f" \0 ]* C3 U" E# p4 F" D
| | ├──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
' E6 V" G7 B, }, }| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
" d6 U$ `" P$ Y& f8 z2 |# b| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M" i* O. w1 E* i/ p* F" `! w8 D$ X
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M g4 x6 N! n; G$ f- d9 ]0 i0 X* H
| | ├──2-sigmoid函数作用 .mp4 38.15M; i9 C+ l' \2 }) b' W% A0 ~
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
* V& g6 n9 }* `| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M7 g& G; F) e& }$ l2 I& ~7 N
| | ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的 .mp4 6.71M
5 m$ C2 E/ R1 r+ i) B% X: || | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M' Q6 ]( C' j6 T: S' h
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
. E+ ~5 _' }5 v( a& Y| | ├──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
' N& i7 k( \! F2 x7 w0 x| | └──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
) q, q+ V9 Z4 e* }| ├──2--Softmax回归
* H7 c7 k9 r! j: ]- || | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
, n- ^$ b V5 f' l% e| | ├──10-实战音乐分类器_代码使用傅里叶变换将混音文件进行投影 .mp4 42.74M' V; j" t7 @( r* ]9 y2 \9 W
| | ├──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
, r8 _" U; [7 T8 a2 e- H6 Y| | ├──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 47.67M3 F: F% {- o* q
| | ├──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
, }% u! Z- z7 Q2 [| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
* ^# L) ]+ \( J: e' F; N| | ├──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
) }- f% ?; `1 h% G. p x! v| | ├──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) L# i+ v6 V( i4 l; Y, U
| | ├──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
1 O4 {( g& i/ s5 c( O2 Y| | ├──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
H1 `- n- Y2 H9 p9 H6 k| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
) s0 c, h, ?4 E0 o. || | ├──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
! V' h& q/ D8 \" C8 Q| | └──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
9 f/ e, t# C- I! j| ├──3--SVM支持向量机算法 . W3 R) S6 u+ N+ C# A$ V
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
, J$ n' u9 _5 n' C+ \| | ├──2-SVM的思想 .mp4 55.56M
0 a, R) C' O4 ^- M| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M+ V9 x3 T# e) x" ^7 _! W
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
6 x' v- f% b2 o; h# T9 ]) {| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
# P" ]$ A/ W& Z: G* ^3 A z- h| | ├──6-总结硬间隔SVM .mp4 39.01M2 d0 e7 P. }& m1 i' o; U2 a$ b
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M/ s5 x0 X3 j+ ~* ]4 e9 v% B' l4 M* P$ |
| | ├──8-非线性SVM .mp4 54.43M
4 J( I( X8 E- W/ D1 n2 {- \1 I* m| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M' K: q$ c# a' [ D/ O- I
| └──4--SMO优化算法
) O; q- |5 y6 S, J: ^| | ├──1-SVM算法流程总结 .mp4 58.36M+ B5 ?) T. K% }! C& s5 ?
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
7 e; S9 I, C. }( C! Y! K' i3 y* q| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M+ q, k. Q9 Y/ s U4 L: x4 ] i
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
9 {7 v$ ?/ n: `% V. E' S| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
0 I, X U, d" S, _0 u8 V, e. 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 69.00M
( b4 z0 D7 e0 ~3 r( w% g# U, ^| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M4 U2 W# `+ {2 ]$ \# E
| | ├──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
b+ H3 U) H; o5 S' b7 Z| | ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数 .mp4 63.23M
* P: x. p0 K& L( B% v4 z/ || | ├──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
8 ^, o: r0 f7 o# g3 h2 m| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M# a' Z5 B* X! p! Y8 Y- }* `
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M6 n. ?$ q# C. M) e4 h
| | ├──7-启发式选择两个α .mp4 23.11M
. S! ]; g# @& U8 Q5 n* n9 n* k| | ├──8-如何计算阈值b .mp4 50.18M {# U' H8 a2 n
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
' F+ n! G/ x, \+ u3 U+ P, x+ [# p4 V├──7--机器学习-无监督学习 0 ~7 {7 ]% _. N6 P
| ├──1--聚类系列算法
, ~! Z% g# c T& O) d9 l9 B| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M. h* \6 z3 g, _
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M& ?6 d7 K% G V7 d( L
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
# g7 G0 [& F3 O5 S, I6 `6 P: s| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
& x# N; r2 x7 j6 ?( D| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
5 C% m6 F* y4 g3 h4 n0 K" _& A| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M: \# ?3 r* F. |/ n- o
| ├──2--EM算法和GMM高斯混合模型
8 f' o3 y0 v" F$ t: s. Q( K5 @| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M/ d, r' w: V ?$ a$ S& E
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
4 X' R6 f& R0 W# }| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
j- { A, J7 {, C% C| | ├──4-Jensen不等式的应用 .mp4 109.17M
/ {$ }3 J5 X3 h9 p6 ?$ a# g+ x| | ├──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
1 V+ [% S; v# v+ Q3 G" C% P| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M5 |; C5 n3 Q4 K) M) c
| | ├──7-GMM前景背景分离 .mp4 16.01M0 v5 G3 \( B4 a8 U+ d
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
( m' E6 h9 \( d6 z& Q, j9 q# X/ C# W& q| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M; ?. [( y- [9 d0 v6 c1 N; `
| └──3--PCA降维算法 % s0 b/ c3 s1 [
| | ├──1-特征选择与特征映射 .mp4 49.38M% ~5 F0 \+ r8 m: w. N( ?
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
4 w: D' \5 q2 o9 X2 k. @6 t| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M3 Z# Q. ]2 h% V; e- K: z
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M+ X& X6 q# ~. I% M4 O& [
| | └──5-PCA的几种应用 .mp4 54.58M6 S: z) Y3 C/ Q: S8 _* O
├──8--机器学习-决策树系列 & [* o/ K4 _& X7 M9 U N
| ├──1--决策树
0 u8 p* o) @2 N| | ├──1-决策树模型的特点 .mp4 74.88M) S% Y4 `6 y; }5 B- U3 ~+ }
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
3 M! A' j' A% F$ j* m4 {3 d| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M+ h& R3 I* Q) ]+ [; C1 T8 i" _+ H
| | ├──12-后剪枝的意义 .mp4 50.49M0 L* \$ J* }0 E# d u, Z6 j/ P: K
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
) p* @4 X) S, F% a' w| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M, v" u! Z, i" {
| | ├──2-决策树的数学表达 .mp4 89.94M9 |/ p1 [1 F- N- N* ]5 j
| | ├──3-如何构建一颗决策树 .mp4 84.87M; U# {( _& X& Q( k2 H- |
| | ├──4-什么是更好的一次划分 .mp4 57.02M* h) P# s/ |7 ~5 O* b
| | ├──5-Gini系数 .mp4 107.54M
) R) e* v/ ]0 g8 `. G| | ├──6-信息增益 .mp4 75.26M
+ ^3 G7 S. i+ v4 Y4 ^| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M4 x/ A( i( F" j6 P# V0 m5 E5 m
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M" p# D) f4 k+ ?# t, _
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M4 Q }% z' I* ]5 ^; z2 p
| ├──2--集成学习和随机森林
4 [5 f' F6 A ~8 W4 m| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
1 _1 T+ q; q- I6 h9 u3 A. G' x0 ^| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
5 X: X& V7 U# i& X& x| | ├──3-随机森林 .mp4 108.14M5 |1 y9 y& g Z% O/ W- h
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M: f) d3 j9 X8 S x# b
| | ├──5-OOB袋外数据 .mp4 106.07M5 k3 o0 K$ O) Q, ^
| | ├──6-Adaboost算法思路 .mp4 106.30M
4 T7 P: t/ g- [| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
* a6 r$ g3 w$ ^0 L3 w, v| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
; k9 E' ~- {/ e, j3 O7 z| ├──3--GBDT . ?/ T& A$ ^* z( A( D
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M7 n$ I' Y7 P8 g$ L0 X( y* O
| | ├──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 [0 ~8 c8 L+ L9 Q4 n
| | ├──11-GBDT多分类流程 .mp4 73.80M
2 ?8 q5 Y+ R+ V| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M, {3 q$ I1 l6 S; t( d. Q5 X3 O
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
9 N1 H# S4 a$ q* X$ B: y0 [2 o| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
; x7 a4 } L4 a n9 ]| | ├──15-GBDT二分类举例详解 .mp4 86.67M
8 T5 Y. I2 p1 |' ] K| | ├──16-GBDT多分类举例详解 .mp4 91.71M. e! {0 R" W) ?5 M" Q4 X
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
% E6 m9 I* }2 T0 t4 B, J9 R! N. S| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
0 M h8 j- S7 P6 K2 Z| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
! \2 T3 Q0 _3 C$ E) f| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
3 U& }4 {2 m) o6 }: \- { G| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M3 N6 h2 O/ F L1 B
| | ├──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
' o" K( Z7 F* F: E2 X& Y| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
1 @! D$ F; I7 s* h" w0 D| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M8 y* j: ?9 {/ n$ u. Q F6 _1 B
| | ├──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 M' l- J6 R# g+ Y, T* G
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
8 |. n, C# z' N- C| | ├──5-GBDT回归举例_总结 .mp4 108.52M+ |$ @4 m8 Q. n5 x) n
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
& K Y/ \ E4 G+ v: f7 m| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
) A& S+ u4 H: e% T+ g& }9 R5 y| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M- K. C8 y3 i+ h
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
, W' x1 a: I" j* _) i/ e6 X$ m0 q5 Z| └──4--XGBoost
9 ^* F- ]$ v7 V) u0 O1 e$ Z; m| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M+ M6 X9 O- f# |. T
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M2 f" W% r" `6 c5 k! J. \, D
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M; R# C2 A9 j9 `/ z2 ]% Y9 W# }
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
2 D( z& F4 [7 H2 v| | ├──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% k7 I6 W) g4 o9 D1 V
| | ├──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
/ u2 Y s: B- d' o3 v( `9 i, w( J| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M3 i# H! M4 d; x
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M3 O3 C! o4 U% x1 @+ E# ^( c" V, F
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M$ D' q p( `: l( I
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
/ h+ |6 t. t) h8 W! i6 s| | ├──3-基于树集成学习4个优点 .mp4 91.36M
4 b' [8 Y9 [/ o0 B1 k6 n| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M% }' ^; B: _! [, b5 ^& I0 ]
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M7 h8 T$ {/ w. N* y
| | ├──6-Objective_vs_Heuristic .mp4 60.42M/ g- \* T$ W/ B& H# Z
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
+ S7 U% y( L1 A7 F! V; C: [& a, h W| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M/ X( ^7 }8 G/ Z6 |7 R
| | └──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
" k/ Y, p6 k: R. [, {├──9--机器学习-概率图模型 ) [; J( x( |$ J9 V; N# ^3 y3 m3 F. h
| ├──1--贝叶斯分类 " H& b: ]- h& L1 @9 z: U
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M% W9 p# |& f& W8 v
| | ├──2-TF-IDF .mp4 53.08M
1 x+ q( T+ i: V* @& B' G| | ├──3-NB代码实现解析 .mp4 126.73M
5 S, _9 W! v4 i, e( _. ?. ]| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M; o9 t. }# v Z8 T' T9 ]5 j
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
8 k7 G% \; J9 J7 H+ _% p! ]| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
6 C" @: s) t9 @& w) }! C| ├──2--HMM算法 0 p- I9 l, C- H, l$ ^0 w
| | ├──1-HMM隐马的定义 .mp4 36.82M
$ X7 y! g' S2 b4 A& f$ T| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
: @0 [4 l7 P8 D| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
{! M% ?1 i Z* T2 H: g| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
& t& ?, F5 i. g* M! h8 A2 Y% u| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
/ i8 v, }6 h/ ^$ ^, q| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M+ a# b- K8 g$ ^6 V# u: j
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
, j6 C. `4 D& |2 [" P# T" ?2 g| | └──8-Viterbi算法代码实现 .mp4 42.43M
8 f9 T2 K o2 C; }7 n, u$ |! W6 q| └──3--CRF算法
" @3 T% l3 |7 _8 v( M8 \8 Z. O| | ├──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
! I5 o1 B" H! m# J4 [* V, N| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
) V" k# D' I3 E& c* _6 d| | ├──3-了解CRF层添加的好处 .mp4 105.90M
1 I! E5 c, U, u2 X [+ A| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
- R' z# u3 q8 v* @/ [| | ├──5-CRF的目标函数 .mp4 23.74M) i3 ]) h+ C, K
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M. J0 U! H8 w; Y# {- g8 o1 m
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M: X" v- a9 ], C$ j9 P
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M0 f& v9 x& k4 D( O) D1 i
└──课件.zip 2.54kb
/ ^5 X/ J8 `8 p/ A# f
/ G4 a! \# y5 k% A9 T+ I! Z$ c+ o+ |
8 m A" d, p6 j: l7 m6 Y( K- J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！
2 n2 K" b% i3 h; C& r& s: ~
$ v" E* Q/ r) s% v3 Q
+ B5 P2 H) x- D: Y( a |
/1 
