战-人工智能2022/0 E3 y! W! A# z; o! t, |1 \9 F
├──1--人工智能基础-快速入门 : t! x% p7 a$ i
| ├──1--人工智能就业、薪资、各行业应用 3 e" z$ p9 y6 O' f8 U
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
/ N. l3 Q8 W6 k| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
: E `1 l! w* b* D5 x1 ^( E| | ├──3-人工智能时代是发展的必然 .mp4 23.22M9 j) n2 r: E* a/ h( F
| | └──4-人工智能在各领域的应用 .mp4 57.73M
, R$ V1 H, W; J9 e* A| └──2--机器学习和深度学习、有监督和无监督 ( [: U- V& m6 U+ \ a$ N: \9 s
| | ├──1-人工智能常见流程 .mp4 89.62M, Y# F4 l5 b9 O" n6 z1 k
| | ├──2-机器学习不同的学习方式 .mp4 83.51M! \$ E4 h( y4 n, p3 K: `
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
. o2 \0 w7 L) D* v6 b1 g| | ├──4-有监督机器学习任务与本质 .mp4 37.50M4 `, F: { w* o0 G
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
1 Y1 W" ?% c; L' y( J├──10--机器学习与大数据-Kaggle竞赛实战
* V$ X1 e1 j- {5 y| ├──1--药店销量预测案例
9 _. \- r6 X! d- w3 ~& e* `' A| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M" h* j# x* N( M
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
B" L4 K% M# R4 X) i$ u| | ├──3-自定义损失函数 .mp4 21.12M
; Y1 t3 O2 [+ o; R/ k* j| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
3 v) z9 R0 x- z# M6 w; ]| | ├──5-数据的预处理 .mp4 111.81M, ?7 q7 d7 x9 j9 a( T3 T
| | ├──6-模型的训练_评估 .mp4 66.64M
# L( d& j. l( U& w| | └──7-kaggle竞赛网站学习 .mp4 172.16M
; l7 ^( @' @/ H0 j| └──2--网页分类案例 7 z9 K; C6 L! G5 t$ Y
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
Z1 S6 |. I2 U& {$ }; U# [| | ├──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 85.63M4 w% S+ s- u1 U2 W1 u1 r& d5 o
| | ├──11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03 .mp4 68.80M! Z) Y' x7 f3 j4 C) \
| | ├──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
: \# i1 B( G& `; l, Y6 e| | ├──2-评估指标ROC和AUC .mp4 56.19M4 \5 W3 ^& a6 Z. [; D
| | ├──3-评估指标ROC和AUC .mp4 49.03M
1 T/ x2 d2 ]% v% i; F% m1 ~| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M" Z9 ~, y/ M& `7 r! \ S* D5 r: w
| | ├──5-数据导入 .mp4 68.41M
, @% A8 o/ ?5 Z2 x| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
) ]2 m& e5 L, R. Y: ?$ || | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
& B* ^( U! D3 ]% T| | ├──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
* q& g+ q+ _7 m& y# A7 g| | └──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
) S$ L* S" \; H6 p7 b├──11--机器学习与大数据-海量数据挖掘工具 2 n2 T5 R9 [: S4 g3 _9 ?9 _- B
| ├──1--Spark计算框架基础 t5 \9 {2 ?; I2 `! @' f% @
| | ├──1-Spark特性_01 .mp4 41.68M6 \ E& L7 c; K
| | ├──10-分布式计算所需进程 .mp4 26.30M q3 O" W& k( x1 ?1 e
| | ├──11-两种算子操作本质区别 .mp4 56.31M
: f7 T5 r' w* e6 M% I% W| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M R1 W/ I, R& D; T- g( H! X
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M4 W# b: i, Z; x5 s [# o1 k
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M* d5 ]+ x% z& Q% w$ G/ S9 c- {9 l1 S
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M5 u, c& L2 c7 O O6 H3 x
| | ├──2-Spark特性_02 .mp4 35.15M8 k+ x# g7 r' T; D7 |
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
# \$ |7 {; O/ a4 X) b3 _| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
+ y* h# |5 F2 T0 {; l| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M: b' J% r/ N" y( X. t+ G. m
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M. H. Z- T8 z2 ?& z( Q) z8 S) g
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
! S( o5 ]) o1 u3 M' C| | ├──8-Spark的RDD特性_01 .mp4 33.08M
& W1 }- i8 D) L| | └──9-Spark的RDD特性_02 .mp4 33.41M
! `% w: }* l! g8 D4 K) n6 g| ├──2--Spark计算框架深入 / k4 a' G" H+ T" X- o9 Z* x! F' y
| | ├──1-Spark数据缓存机制 .mp4 54.43M
7 {0 {: j; K) K) N3 a| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M( U" M( j' L2 ~) u- m. \- L
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
; w! e' D6 h$ e' B4 W2 c6 Z+ |" d| | ├──12-构建LabeledPoint .mp4 111.08M( s3 f4 Z6 q# W% c
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
2 i# B1 J* f& V3 ^9 i: j; d) T| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
. J. W, f g. f& j/ V l$ Y1 j| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
8 ~% s* l* D$ }| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
6 V1 c7 V4 W6 H) s9 d9 ]| | ├──5-Spark术语总结 .mp4 89.66M
- q$ h: Q& O1 W5 n M- [/ X; S| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
6 @% d5 m* h9 ~! `4 q| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M2 H9 b* F. V! M: S
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M5 X* M& E) D! h! \ p% L' A
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
5 z0 O; Y5 i; g| └──3--Spark机器学习MLlib和ML模块 9 Z2 j2 @) ]) i m% T% i
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
6 E' K, s$ U$ Y0 { a2 A1 }( B; P| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M o& |' q( S1 T/ ^5 ]& s* \1 ~
| | ├──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/ |1 E. @- A* P1 j! A$ s
| | ├──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
4 q( m$ ^0 `0 T8 s0 [" p- ]| | ├──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
, p) l0 g, e% \; u8 O| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
6 Q$ x! I8 I" T" |7 g| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
4 J$ P. p3 ?6 g4 X8 p| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M: Z/ ^: w" U- x, n' e
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
8 `/ N7 w9 o/ e( t| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
. C( u6 |% I* q, H4 b: O| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M6 \* C# h& R- S9 v2 E+ y
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M+ \! }2 h" h( W0 N% O$ Q
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M5 F r2 y1 }. y
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
6 p3 C4 \6 M4 }" {| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
T% {& y+ E9 V2 U( _| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
; q5 M, h" O& t( G/ v* K* A| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
. X5 K! b2 w$ ^4 I| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M. m7 X/ h6 _# [
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
% j$ n' e! S" y: r* C: D" f| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
8 x% B) Q" T& [: T5 K9 x| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
2 o. E4 r# d3 X3 m6 Z5 M" D) b8 u9 N| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
6 A6 o: ?& `" g/ P% [1 }| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M' i/ b- M8 v) A" }; l0 L
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
+ S( P3 P1 |; r$ L; v| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M! ^& g/ h- |( F
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
; w6 `, l$ Z, J├──12--机器学习与大数据-推荐系统项目实战 ( l" s7 v" [, z# C! e3 m6 K! r
| ├──1--推荐系统--流程与架构 2 y3 Z! r4 y4 f& f9 `
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M! a7 `% \" U! M' ~3 I, W
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M9 R8 v: v1 v. q, T
| | ├──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% ~6 ~" ~ B- w/ n
| | ├──12-推荐系统_数据源_1 .mp4 79.07M5 k( Y& i' J O7 g% |
| | ├──13-推荐系统_数据源_2 .mp4 82.90M5 B) I; z# L) a8 S+ u$ s3 {% Z( d
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M2 f9 ?5 _/ W7 x; V1 H
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
& {" L+ r0 Q P9 |% a| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M7 k! M2 e' o5 \! L5 M/ n
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M! B7 X' A) J) S T6 W3 U" p
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
M& `9 L/ p7 D& [* O| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M+ G+ H; g; q: D# e+ U
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M) e3 f, G2 B+ L5 U) L% K. ~
| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M6 d+ F! E! L9 \
| ├──2--推荐系统--数据预处理和模型构建评估实战
3 U9 g2 U1 J5 X3 U& ]| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
# F2 p0 l: i: x8 `! Q; N+ P| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
- V9 L$ F, E0 Q0 l6 o6 z' t) n% S| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
2 ^. z: N( w! ~. ]+ h| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M" d' R( S( L0 \ t8 w: P
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
' C; q! L* V2 g| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
* H# B# m9 o# i9 P; x4 E| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
3 Y# s6 p6 `+ i% A, C; C| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M+ y0 {: X4 H+ c* ~1 K- d' m4 O8 z
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
! l) B1 g# k( \7 D* h) g' `9 ^| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M* U7 Z4 J* g3 _2 o& F# W/ N
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M+ S+ u2 b; F! v9 z
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
: H. t6 y9 u6 {- Y| └──3--推荐系统--模型使用和推荐服务
* |+ U! a# t2 H/ K| | ├──1-推荐模型文件使用思路 .mp4 61.89M% f$ g1 \9 h8 v4 L7 N7 ]2 r. t8 P1 _( _
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
5 _) M) x; _& n( r7 v0 U| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
5 |7 l/ ~! r) L| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M3 h7 l) J' m' \' X' F0 ~
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M, E4 O1 P; \" W
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M( F1 C- \9 n( E/ x
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
$ t+ ^1 P5 q }: t$ Y- U' u; D| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
$ o2 ]/ s! w1 l7 `; j| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M3 i) M' d; |6 e% W$ d; m9 U
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M: [5 H: F+ S, z( ?9 y1 j1 v9 A7 \
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M1 x% V. s" I3 N& A9 ?/ t
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
+ R$ F. L, t+ i. ]( i B% r7 ~' A├──13--深度学习-原理和进阶
: a0 b# c6 h2 M7 ?$ K! d( W* @| ├──1--神经网络算法
! L# q6 d f/ t/ E) ^| | ├──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( u, J- L/ n( c, n. E
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M& W( o! |8 A8 g. o+ t
| | ├──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, P" U, i# F. }7 y6 M! y3 v: A
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
: g I) R4 A, c1 H0 d| | ├──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
v9 \- g2 `& W. M6 h) u6 ]| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
* r. R7 O9 z" y0 j* {2 B| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
3 Z* c3 r1 G: l# S' M" F: {| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M2 y( y, d! ?2 }1 \/ D3 B) P) b, G2 q
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
/ A0 B* X* j2 r! O# l4 v6 {| ├──2--TensorFlow深度学习工具
% W- i& K/ R# p# W4 V% q5 N| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
6 b7 D- i( z% l% O7 v: ^4 z) M| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
& r3 I* u+ Z3 u V* j& e| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M3 u: [. W3 p0 Q7 \! R6 z; n: a& y
| | ├──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 173.47M3 V' o, s( F) R& h
| | ├──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 H, {5 C8 I/ Y+ A/ d2 W5 K, ^, w| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M9 K! }% ~7 g1 k" H9 B, M
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
' \" g- s o4 o {) G9 Y| └──3--反向传播推导_Python代码实现神经网络 + |: W, s U0 R. [
| | ├──1-反向传播_链式求导法则 .mp4 86.47M( q8 d7 Q8 i) c% t- g
| | ├──2-反向传播推导(一) .mp4 127.90M
% R2 L/ Q' t5 }& B' y| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
' d7 `- z) z. G/ n K8 T| | ├──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
8 a2 J- d5 t1 S8 E5 `| | ├──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* c. V1 F3 Y6 x2 Z8 C+ r! Q& E2 M
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
( @; g/ i& w1 [" a% E X1 `| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
5 V% |+ @/ a5 T0 D. D6 v& c; l├──14--深度学习-图像识别原理 " U* m% h! W# a" D
| ├──1--卷积神经网络原理
; a! v" b' D* o) f| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M1 E' u9 Y4 M, O$ o s
| | ├──2-单通道卷积的计算 .mp4 104.01M
) j f. ?9 ]2 N( W- B) L" E| | ├──3-彩色图片卷积的计算 .mp4 52.79M
0 }! Q( m- u- Z- G6 s| | ├──4-卷积层权值共享 .mp4 63.93M1 `+ i8 ]: C% ~* y" D
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M# N" ]$ {+ V) ?
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M8 i4 f% |" X# R4 t8 _, G
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
, c/ l, P- }! t8 O# H' n| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M1 D3 Q, C) U/ D' \+ H6 R
| ├──2--卷积神经网络优化
- b2 x1 [% l" {| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
- k$ B: S( S1 p* m$ W" w6 o| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
9 T- a6 d0 f/ t| | ├──11-Optimizer_Adam .mp4 141.12M
. ?- Z K5 k A' h& E| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
: c0 c5 n0 N$ D6 _| | ├──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" H H: J4 `, c: |
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
1 v/ k! N5 H9 ]| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M+ C. W% Z$ k' } Q3 @' S9 i
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M3 ?2 t" v+ c; \0 v Z8 i" w
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M7 B, D2 [5 u( s; c: I/ N. P
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M' x' U1 m' X/ P5 ^. a8 D
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M* v1 g; w2 u& O, D u( `
| ├──3--经典卷积网络算法 " [& Z( s- l9 i9 j
| | ├──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
. l( D O1 U8 s# C: ]+ k| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
l5 q* S& B5 T. g' {7 [: ]3 {| | ├──3-InceptionV1_V2 .mp4 165.86M
, n. ~5 i- m7 b( ?6 I9 Z/ A| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M) p1 v4 X& Q. F* m
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M3 N- T% P* p9 t. W/ r# `" c
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M6 i1 s3 X# p1 ^% R- k: a4 T
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
1 {- e* \ a* D) n' u| | ├──8-BatchNormalization .mp4 99.23M- C; |3 E. Z" g: z* x: g8 I
| | └──9-Mobilenet网络架构 .mp4 150.05M0 D5 _0 a6 O V/ \) I
| ├──4--古典目标检测
! K7 `2 Q: n* E H| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M4 r9 N3 ^, F5 `! y) e) r0 g
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M, ^# G( s- y. `: R8 @
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
3 c+ h/ \5 d: j3 h9 c# c| | ├──4-R-CNN和SPP-net .mp4 124.06M* U3 Y& Y+ k+ Q* f3 W( v
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M% U. t% L; o5 S/ m" ]- d F1 D
| └──5--现代目标检测之FasterRCNN * M2 ?" @3 G1 y+ V
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M, s# [. y1 O' E# i' g& \
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M: _& p4 x$ q* C$ C/ z8 W& I1 e
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
+ ^# M, s) x) c) R1 @| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M% x& b6 Z2 ]) r7 `+ v- J8 }9 X
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
8 j W8 F0 |- @, m" T: ?├──15--深度学习-图像识别项目实战
7 C' U9 |: U" ]: o3 e| ├──1--车牌识别 . z5 }) g" N: t7 ~
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
0 Y F7 v" L2 [- y; i* C' G| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
) h+ C, T) d ]3 [# b. r2 p7 z9 h| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M* w. i' h3 S+ Q4 P7 }% E0 c1 G7 f
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M+ B1 P% b* Y: l1 I. u
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M$ @# I0 |5 [4 k
| ├──2--自然场景下的目标检测及源码分析
/ d3 _2 j- c. W! k/ Y| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M, h9 U/ X' R6 t, K3 }# C
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M8 E# \5 F. T+ A: m q8 }' r
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
+ K& v% `' l4 p+ E# x9 c| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
8 F( } U2 W: z2 z5 I0 H& f" I| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
J' @- Y! Y" K8 F| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
; `; ]' C6 n% L0 ]( e! w| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
* w2 R& n A$ B8 G2 C1 @| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M* e, S( s8 q& w0 u' a" B4 }7 r$ ^
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
* c: H; q) B! t, k' A* ]| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M" }% c# n1 w1 f2 x- T" ?
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
1 y* G" ^% W2 j| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M& {* h' H) ^) C
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
4 t7 e8 q& {0 g: P| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
; y8 \3 j% C1 `| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M z( Y7 j' d; Y9 d
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M4 }9 K. ^* p4 ?0 e7 _, A
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
) N( d+ g5 e6 x! n0 F| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M; I/ z" u5 X$ I
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M# ]8 a$ H/ [& P9 q4 @8 H C
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
! A7 [# g1 O1 V( U7 |+ j| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
% o) [5 @; l+ N3 s& W) {- y| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M, `3 u4 A! C+ |% y; E+ r# M* F
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
4 f" I! Z8 m1 n- f; L3 H| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
+ q5 ? Z2 `5 Z| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
8 @/ ~. T( j% f' I4 Q9 X| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M; c2 r$ X' L8 {' l' [: S4 O
| └──3--图像风格迁移 % X2 Y" V- X0 O+ ]# x% ]3 K
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
5 Q& }3 L2 R6 Z0 Y/ x, @| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
5 b/ R& D6 v# B7 o' s5 T$ g0 \8 c% @| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M' A4 b& S8 A$ Y. W
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
, L+ m! b1 Z8 L├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
4 r8 D; O% ], n) X' _3 d| ├──1--YOLOv1详解
0 P d. O2 T% T; p. ~| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
0 j. P* o. J t; d5 R, ?| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M; q! Q- A" W8 Y' J
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M% k1 X7 x- c3 i8 A
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M) @; b4 Q+ N) t, V0 |
| ├──2--YOLOv2详解 6 S/ d! ~5 R' Y! }+ @" o/ B
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M8 x9 B( v' f9 I( y
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M6 X" y) \2 q/ C+ q0 a
| | ├──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
, m2 r1 S) L8 L8 ]& f6 y| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M& }0 `5 ]$ R4 U" c0 `7 P
| ├──3--YOLOv3详解
) ?: Y+ A1 h1 v7 u4 |( f( W- c3 I) h| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M8 \) @! o! q }0 }+ H2 i/ {
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M% L: c) K" V7 V- e
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M9 ^/ f" _' Y6 @2 H0 ?
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
; K, M- p- a2 d| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M$ `2 [1 P! c" S% x6 f% W
| ├──4--YOLOv3代码实战
( O. s2 P/ w+ C| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M) M; L6 @* t( H# `
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
& d, R& u, ^4 Z/ x$ y) g| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M2 C9 L3 `8 O2 b% `7 g1 Z
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
/ e* t d* U! ^0 |4 F' w| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M0 y8 L5 K/ N2 v3 d' w- Z0 }5 m
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
4 r: ^/ U; f4 f* I3 @ H$ E| └──5--YOLOv4详解 / p; h9 @# i& {' H' ?
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
0 A$ v1 |; ^3 m- m2 T6 x# o/ I/ T| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M: n1 G; g) @3 C }8 ^" a% R
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
0 l! ?8 p3 D. q1 _| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
6 @1 y6 u# g4 B q3 D# X8 C6 [+ _0 S├──17--深度学习-语义分割原理和实战 $ d4 P. i. X# S
| ├──1--上采样_双线性插值_转置卷积
, [% b2 n# w) g+ j2 Q| | ├──1-前言 .mp4 19.46M4 O# k" S" j7 [( I6 }! h3 S
| | ├──2-上采样_repeat .mp4 23.90M+ Y# L3 g$ E0 h) }' t$ z2 B* X
| | ├──3-线性插值 .mp4 34.48M
( Y. O1 i5 ?2 w. Z| | ├──4-双线性插值 .mp4 125.71M
; q) r, h* {( F" d0 k$ O S% u| | ├──5-转置卷积_以及TF的API .mp4 114.25M7 N6 t2 a- C, G, g/ J4 r
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M) R" k! A/ d+ s
| | ├──7-ROI Align .mp4 58.38M( T- d5 W& ]: v6 O% e: i
| | ├──8-FPN思想与网络结构 .mp4 92.14M
6 \' U, e" t m% U| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M' o! o% j: A+ `: O
| ├──2--医疗图像UNet语义分割
/ g' j _! m j s; V, u/ V' ?3 ?- |% w| | ├──1-语义分割的基本概念 .mp4 18.33M
" R2 @1 s5 d u- w# a| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M1 S* _7 I A& |& d; r5 n8 Q/ z
| | ├──3-UNet网络结构 .mp4 30.41M
4 C& I" W" g" ?! y5 M2 S4 a| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
+ _- ]2 j# Q( I5 l# [6 h| └──3--蒙版弹幕MaskRCNN语义分割
) }" q+ t/ @2 s| | ├──1-MaskRCNN网络结构 .mp4 106.38M3 i2 N% o3 `+ p7 @
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M. T/ V) k* p5 [# n% g |
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M6 m8 `! K. p0 G) Q; R% m( @1 O
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
5 \ H9 R" U0 E) }| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M2 K$ F" O/ I3 O: z( `
| | └──6-MaskRCNN源码config和model .mp4 244.48M
4 E$ [6 Y3 D; j' X o( n# h+ K9 f├──18--深度学习-人脸识别项目实战
* w5 a* S/ X$ I) J' U/ A| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
. e5 A! m, G" N- z# H! O- Z| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M. I* X/ ]6 y/ p, X# U
| ├──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
! B/ I5 x7 ?! H" H6 Y# h" C: F( ?| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
. X( i8 g9 u/ M* s- j| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M: x$ d3 p9 _1 _& s+ A! L; m, H
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
8 S+ g% U& Y3 ~& ]( Q7 g| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
" P$ r3 z; r. R$ `8 n& O| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
+ P! N* e' m- ~' H| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
, h, E! X' T H$ o0 X0 }6 m8 ?| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M% `" `/ S. o! E8 |
| ├──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
1 @) z" k( w C& e o| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
u8 l# r0 n8 j7 T* i| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
8 M( y& B4 \! b* X0 b% Z| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M L M+ j% M& e& A7 X
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M& y, z/ y: C1 g# F, R
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M' W5 I2 ?1 |+ I s4 f/ I
| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M9 E0 K$ x; j: w" r6 K2 C
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
$ d V8 i; a/ `9 T| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
+ F. S: n# X- \- c├──19--深度学习-NLP自然语言处理原理和进阶
. z. i5 q0 V6 \; S| ├──1--词向量与词嵌入 1 ^' @. L8 N( ]+ ~! ]* p
| | ├──1-N-gram语言模型 .mp4 116.32M/ }& [; g1 U( G. }
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
- C1 U2 T9 g# a. t% G/ e6 || | ├──3-词向量的作用 .mp4 58.00M0 T4 [8 F/ x5 I) U& G
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M/ n/ D7 A+ T2 ?$ V: j/ m
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
; _9 R2 T. b) ?( e0 f& V+ {! c0 g4 J| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
# G8 G1 t0 |9 d- e9 e| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M9 j' Q' t9 S( Z0 Q" r- d
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M- K- g2 L( m$ `( K4 w; d, o
| ├──2--循环神经网络原理与优化 4 K9 v" B7 A8 J3 z( c
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M7 ^. `! k& F/ m4 h; P8 I" Q R9 M
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
9 i- L* r" Z* ?& X2 V$ g; O: [| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M* G( `5 l. _. o+ L# _# l+ V7 L
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
% \- X3 E* k: Z6 [' G| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
t& _0 Q H6 J# m N; g( q| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
' R4 d5 J; N( M& \, r| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M: }, R, v' B2 g' K% @6 W
| | ├──8-双向RNN_LSTM .mp4 52.01M" y) x) ] C: \) s& a: p% U. u
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M: f( }: R) E) t
| ├──3--从Attention机制到Transformer 6 G( d* m6 {0 |$ j
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
: A9 [( ]6 x5 }6 y0 W| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M+ v2 a n2 O, F( Y
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M1 u5 i$ U0 y; ]: i+ N' I/ \- z
| └──4--ELMO_BERT_GPT - G: C- @4 V# L! h
| | ├──1-ELMO .mp4 62.44M5 X! D+ E+ ^1 m) U" v9 c% M
| | ├──2-BERT理论 .mp4 99.73M* O/ W) p* J W) l! s
| | └──3-ERNIE_GPT .mp4 56.34M
7 g4 ~; J/ ~: S# L' g. a% D├──2--人工智能基础-Python基础
! S1 Y4 @: g/ x3 f2 K( r| ├──1--Python开发环境搭建
; c. {7 t. w1 F! \6 h| | ├──1-下载Miniconda运行环境 .mp4 100.75M/ t$ ]6 a" O$ O! T( _* L o
| | ├──2-Miniconda安装和测试 .mp4 57.12M
" |& ]1 o/ a& C: e7 ]1 R: m| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
- }8 O6 y5 l% C! Z" N. a| | ├──4-Jupyter安装和代码运行 .mp4 37.10M6 k4 B# O2 h' c7 m# L
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
0 K3 ^2 M, k# y9 {| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
$ U: [: b4 [5 _2 `7 W| | └──7-关联虚拟环境运行代码 .mp4 38.14M
+ G: q5 ~7 m; a9 m' g| └──2--Python基础语法
3 a. [1 N9 P+ p( X$ z- \; S2 o: l2 |2 }| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
" \( S6 k9 N7 y" f8 l$ R| | ├──10-Python_集合操作_列表 .mp4 34.71M1 P; E1 t- \) _: A4 L4 r9 V
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
0 `, G8 E- B9 d0 l8 o. i| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M! b: D1 t! N! L& L2 j7 e- |& z- |$ r, c
| | ├──13-Python_集合操作_元组 .mp4 43.46M& Y8 Q f2 j% k8 m
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
# D5 r% E. W0 j! x8 s| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
$ T7 Z3 ~% s) N; i$ h9 o/ [| | ├──16-Python_os模块_shutil模块 .mp4 51.54M: t, w1 W) ~4 U- A; f; H) g+ B
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
" H5 ]5 f9 F$ p| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M. Z! k! ^% o2 }% Z6 L
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
* W! q0 S% D5 G3 b| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
+ i- R; g) r, n- w) J| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
3 \: C: j5 K/ W3 s| | ├──21-Python_函数_递归 .mp4 23.46M
1 z9 j5 s. \* U \/ Q; D, v; j| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
! ]# R5 a6 `+ G+ r1 y6 P| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
+ h) F4 k% E; O0 k| | ├──24-Python_函数_闭包 .mp4 41.61M
& S1 h- B$ j2 | c| | ├──25-Python_函数_装饰器 .mp4 30.35M
9 I' c& X, T- E! F0 q| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
' E F( T3 r& N; J0 j6 M5 ?9 U| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M- Q2 L: G& q, F3 y; O1 F) k
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
" V3 V% G7 A1 P| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
: }$ q( \9 Y, d# O& n- f- [' S1 d| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
+ d; B5 b( \9 j7 W. C| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
1 ]' A1 f! ~# B' ~7 g, @" i| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
# h0 I+ G; n' w! I| | ├──4-Python_控制语句_while循环 .mp4 25.02M' k; u. Q) B; M
| | ├──5-Python_控制语句_for循环 .mp4 22.82M- h6 o) A/ x5 a* F/ n9 v! e
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
* q1 Y: P* R% Z& x/ F: w| | ├──7-Python_控制语句_break_continue .mp4 25.23M
8 l" x. V4 \$ J' c1 }% d1 F( N| | ├──8-Python_切片操作 .mp4 40.20M
8 J7 `9 X) I H, m| | └──9-Python_数据类型 .mp4 25.38M
- T; z: Q B8 U# X* a├──20--深度学习-NLP自然语言处理项目实战
% E( D% ]7 G x* L0 d| ├──1--词向量 4 |6 i# Q3 k6 q2 b u( ~" J
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
- X2 k5 f+ b$ K/ u| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M8 E1 E% a4 y8 p6 W
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
+ f0 \; J7 A* r+ E$ X( `: q, z' i| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M$ N- D J" G! w8 p
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M2 y& S( ^3 z- O
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M& i! D1 `0 Q9 y$ C# V4 u
| ├──2--自然语言处理--情感分析
* \" e: Z! L0 w, o1 H8 ~. T0 || | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M5 c9 G" D6 I- H* L- D& ^
| | ├──2-数据预处理_01 .mp4 79.65M+ D2 ^& ]/ u0 t+ o
| | ├──3-数据预处理_02 .mp4 45.68M# k; s$ V; j( X% b
| | ├──4-代码讲解_01 .mp4 52.29M
9 Y& Q7 o9 x/ U, O4 \' s$ n8 o| | ├──5-代码讲解_02 .mp4 60.85M8 n. m6 T, g$ Q+ S* n9 v) c
| | ├──6-代码讲解_03 .mp4 53.89M
# n0 K' K, b" Y* k3 Q| | ├──7-代码讲解_04 .mp4 57.19M
5 e9 R1 K, e6 V| | └──8-代码讲解_05 .mp4 35.88M
, o# k( u/ d" M4 ?6 v6 `3 Y| ├──3--AI写唐诗
+ A% @ K8 D8 w. \$ r( T) {% ?% z| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
' F8 Q5 w, X" R| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
0 \. D- ]( A ^& }5 S# C' w' h| | ├──3-MultiRNNCell单元 .mp4 38.93M# ~+ r2 m! [3 i% ~# t
| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M6 ?/ L( e0 C1 N' |: n, ?9 X* U5 I
| | ├──5-AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码 .mp4 61.73M
3 Y+ _) ]3 Q" G; f6 T! q| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
5 H" Z3 S9 F7 O! Z1 G; @| ├──4--Seq2Seq聊天机器人 8 ^# y/ x, w( C. j( K
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
8 p+ @/ {' {7 }5 {/ \, Z4 D| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
2 f/ ?; ~% s: i: v3 W6 D9 _9 [| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
1 [- q) O$ _$ i( Z+ @3 p| ├──5--实战NER命名实体识别项目 ; x8 n* S1 |& t# H) K( U
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M0 ?; S3 e( u* m6 x3 a! ]9 X" o
| | ├──2-介绍了代码目录结构 .mp4 23.44M6 ]1 J5 a7 A7 b, q0 W1 _
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M' c; Y6 D2 e7 t6 Y
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M) Y- O: _0 J ~) k: V
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
+ [4 Z$ E( c7 w( K, H f; N' l8 m| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
- Y7 J, M3 X/ K* V% x/ g# J| | ├──7-CRF中的特征函数们 .mp4 125.97M0 x0 v0 \8 A6 A
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
8 }' a9 f8 g e, V| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M0 S* _/ w, y+ L5 r
| ├──6--BERT新浪新闻10分类项目 + \ Y5 N) _7 ~7 B5 W
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M% G/ m! O; \, s* n; g
| └──7--GPT2聊天机器人 " T, p7 E* b G8 H$ C
| | └──1-GPT2闲聊机器人 .mp4 62.28M
* B- D4 |# B4 N. u7 G9 W# x├──21--深度学习-OCR文本识别 " B. p) O" o: f, L
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
8 T6 y) t% J; U4 b* V1 U| ├──10-CRNN项目代码剖析 .mp4 306.48M
' S/ s7 r! I+ |; }& S0 w7 I| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M& o! V. `' |5 g u0 }
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M. D V! D8 t: S. i
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M M3 m1 ?7 a+ i8 y8 [/ k6 U
| ├──5-CTC损失函数的理解 .mp4 330.64M- @+ p) q7 I8 U) Y4 a- G
| ├──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
( N( _2 P* E5 n* Z8 h| ├──7-CTC前向后向算法代码 .mp4 225.41M/ W( m. p( {) ^" [% [
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
+ `- D: O E$ E4 l, y7 O| └──9-CPTN项目代码剖析 .mp4 491.69M
! B; ^7 g* W& M9 T6 R# R( B├──24--【加课】Pytorch项目实战
7 s. P$ E6 D* c2 w; d6 u" F9 l| ├──1--PyTorch运行环境安装_运行环境测试
! D+ ~# I, W- q1 Q; ~2 d| | ├──1-PyTorch概述 .mp4 29.29M6 ~5 D% O( z" {+ y4 {: [
| | ├──2-PyTorch的安装 .mp4 76.45M
. @- G) h: j6 l/ |2 p' m, u| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M. l' q* k" D9 X, {7 B$ r! V2 k! S9 l
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
5 B$ r0 G+ l+ Y4 ^8 |. i| ├──2--PyTorch基础_Tensor张量运算
: h0 m m1 o6 g| | ├──1-Tensor的创建 .mp4 55.14M
3 C8 V) ?) Y! \| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
# R! [9 `4 Q! S, l| | ├──3-广播机制_逐元素操作 .mp4 44.46M# V9 Z. B/ G: R* K
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M" `5 ?4 r+ Y, U, h
| ├──3--PyTorch卷积神经网络_实战CIFAR10
: U4 [) V n2 ~& n' Z' ?| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M* O% o+ w6 O; N2 [
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
. Y+ ^+ S" ~0 N& ~ ], G1 V5 e7 ]| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M+ J* a/ R7 L8 C& {8 A/ U3 Z, O
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
, Y0 X1 H# M3 G( ?# B( h| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M: z6 v8 v& c! S" y3 a
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
6 S9 O0 j$ @0 P3 g7 ~, O| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M( O' {& ~, @, @ C: T+ S" o- W
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
A. _) T/ h2 N" s| | ├──8-torchvision里面的预训练模型 .mp4 29.84M" B. M1 u3 x& l: g
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
% P9 m, V, E E: J2 \4 X| ├──4--PyTorch循环神经网络_词性标注 2 r9 u2 x2 r% }9 A
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
# d" n7 h) ?- E% q2 Z# B. N- D| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
@. T. S( r0 @9 `$ Q# \| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
1 e2 g/ S& J6 Y| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M8 z* O+ O( B' @4 \3 u/ N
| └──5--PyTorch编码器解码器_机器翻译 / c7 [" s1 g! D/ ^4 m
| | ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4 50.41M6 i$ H' B& B$ l3 ?
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M s6 t1 k6 H* @) @' k2 j
| | ├──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
! I% S- m. e* t# U. J) S| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
7 Y5 @4 Y5 A2 O| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
. [' E' Z& Z2 P; |! t| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
, A9 U) L5 r5 h( S4 ]/ v5 y| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
* b v1 N. e) H1 G q| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
$ {+ _9 `( A) ?3 A# n├──25--【加课】百度飞桨PaddlePaddle实战【新增】
& }8 j* {3 _0 r# M7 f| ├──1--PaddlePaddle框架安装_波士顿房价预测
+ ?) S+ Y# M3 I| | ├──1-安装PaddlePaddle .mp4 87.34M' K. h; v3 S& }4 @
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M" B$ F: C; r' d" `
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
# ^3 v/ n# p; e: i* U/ G| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M' q1 p3 }2 \2 h0 Y; e/ P% _
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
, F; b, i: ^* B& h7 ?, p% U4 e$ y' X| ├──2--PaddlePaddle卷积网络_病理性近视识别
, j. E/ ]( ~* F! w9 R| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M) g0 u0 B: y/ y4 R
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
% k/ s; J0 ~4 K( c| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M+ C9 b! W' t5 g. j. `, v
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M6 R; Q/ s$ M! T1 Q
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
# y' E+ I5 `6 M| | ├──1-PaddleDetection_项目配置 .mp4 82.88M0 f. h u* M# ^2 X$ m
| | ├──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
% g6 D- T8 Z1 v1 G| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M8 K# a2 v( @. r4 Z4 y' Q9 e% r
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M" x3 X2 u' j1 K# n
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
6 B7 y) l* @: e8 c7 D6 V1 }' X; _| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M+ z8 z8 O; Q' n& ?) }
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M5 R" o# C, W6 m
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) * }' N# ?( H, q& K; T, X
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M! b6 ~8 a7 k; l/ W7 i! u$ Z# `
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
) ]& L+ H) V. j) Y& N% R( K| | ├──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* l# b3 n$ H5 }
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
+ F0 ^% Z" o& r, j| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
- ^6 B$ l! K1 d/ J| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
, Z; i0 ^: ]% q2 A| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
( }7 k% b+ j- N| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
( q* y; |% b2 i, t| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
$ n* p- p8 V% e: o| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
; A5 I" C2 E( ~" X| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
- ^2 p1 m+ h( x( J. N0 [| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
0 O5 l6 k" U& @+ n9 C; Y| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
4 b, n- F3 r) a- O! J" L$ P7 b' w- d| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M6 k0 d; @1 w5 c4 E3 A- M
| | └──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 F( q* f. F7 h% t| └──6--PaddleNLP模块_物流信息提取（ERNIE版） - g+ I$ \% T& N( _" o8 J
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M7 |9 l8 H0 ]" G1 k
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
! d/ B& R4 l' M9 I1 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 47.78M f6 a/ C5 ?5 Z
| | └──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
' \6 Y) H" h) F4 n1 K( _├──26--【加课】Linux 环境编程基础 O. H: {! k+ L/ L
| └──1--Linux
5 P, n% t& [: w- j7 J| | ├──1-Linux_课程介绍 .mp4 3.72M
1 V0 h z8 \2 O5 L( [$ _( B| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
( C: Q" d7 o9 k- E3 s| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M- `; r V- ~0 e$ w& p
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M5 P, u0 z8 H, C( j/ F# Y
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
$ ]7 a6 ?) k- T e# w| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M/ {- O' i5 T- a
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M2 H" x' x+ e& F, p% t @$ o7 [5 N
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M0 A* I# F8 D3 `3 l
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
" p& m+ R* \, c! [# _: s4 t; L& T# e| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
3 X% [4 R* p' J| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M. f2 D+ D- @ o8 `) w
| | ├──2-Linux_Linux简介 .mp4 17.59M6 u ^. _0 f3 M4 o
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
9 V9 ]- D8 X& d7 l0 u! F| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
9 N+ f$ T3 m" C| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
$ Y8 h( Y- n/ O ~| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
& C/ k7 H" l9 v+ Z+ ~8 I, Q| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M. z$ s* v/ C) Z- j1 d5 P* b
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M: Z/ q: Q+ f- n# w
| | ├──26-Linux_安装MySQL .mp4 79.02M: d) F. d2 {) H. C% N/ g
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
- m* {+ K+ b* j3 A5 s. {! I8 u( W5 I2 T| | ├──4-Linux_安装Linux .mp4 41.97M
4 s8 E3 K! r3 b. X% j| | ├──5-Linux_目录介绍 .mp4 20.31M4 G' |6 L8 k1 f" |" R+ e+ V
| | ├──6-Linux_Linux中的路径 .mp4 18.65M$ r" |' N( N, { Z2 `2 k
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M+ U4 ~# h# [1 V4 g* {/ W
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M0 F% I1 o& w7 C* r8 e. ]. f
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M& ?+ f$ a, e7 @9 T# A8 q
├──27--【加课】算法与数据结构 ' N+ Y" P, J; O! L1 w$ S
| └──1--算法与数据结构 - A! P/ L I& S$ N' d3 ~& k! ?
| | ├──1-数据结构与算法简介 .mp4 35.68M
- x' ~2 v' O: m7 j| | ├──10-哈希表的基本结构 .mp4 54.34M; p: Y9 u6 V- }5 f( E4 p. N. s
| | ├──11-哈希表冲突问题 .mp4 75.92M) @& Z; a1 g0 Q4 z
| | ├──12-哈希表冲突问题2 .mp4 72.30M9 r* W) A* A j* Z
| | ├──13-哈希扩容 .mp4 111.03M4 t/ k% C _" x+ |( h
| | ├──14-递归与栈 .mp4 50.77M
3 _* X7 j# l' u# i' }| | ├──15-线性查找 .mp4 57.80M
' a) i9 `9 t4 J; `4 j4 A3 I| | ├──16-二分查找 .mp4 52.32M) Y( X: M/ d% A1 p
| | ├──17-冒泡排序 .mp4 53.19M
+ m/ u! e5 d9 i% X( Z- X7 t+ g| | ├──18-选择排序 .mp4 43.29M/ c8 M8 {: X$ \3 ~) n
| | ├──19-插入排序 .mp4 31.39M5 H) J( R9 K# E- M
| | ├──2-大O表示法 .mp4 25.59M
6 p$ W" F& w$ s/ h| | ├──20-归并排序 .mp4 84.48M
, v% b! O9 z# u# V5 T| | ├──21-快速排序 .mp4 36.63M0 |; m9 i- p- U! f; R) M% H q3 M" o
| | ├──22-树结构 .mp4 96.85M
; d/ {* q5 p7 u. ]) U; _. Y| | ├──23-树结构的遍历 .mp4 61.05M) _* _( N; Y) Z8 }/ a* C
| | ├──24-最大堆的增加操作 .mp4 45.43M0 s9 v% [- q% n) q9 R
| | ├──25-最大堆的删除操作 .mp4 45.63M
; z* G* x& {' K| | ├──26-二叉树的查找 .mp4 100.24M( @" [# [; }( q$ r M
| | ├──27-二叉树获取最小值 .mp4 25.21M2 s- ?! {* S2 g+ I% `
| | ├──28-二叉树的添加 .mp4 72.66M% [5 Q' o5 T1 J! o
| | ├──29-二叉树的删除 .mp4 120.06M+ j3 |+ K/ n8 H8 h5 h
| | ├──3-线性结构 .mp4 53.14M
: X" K) v$ X3 g| | ├──4-单线链表1 .mp4 68.36M, _ c% |3 O' H. B
| | ├──5-单链表2 .mp4 221.69M6 Q/ x$ w9 g% y* ]# |
| | ├──6-双链表 .mp4 103.57M& m" Q& n: `* J( W% |* F; O
| | ├──7-队列(链式) .mp4 74.12M( G, I% }# J T* R. ~' v5 g& g; c4 L
| | ├──8-队列(线式) .mp4 30.99M
* J9 }$ q' \3 M3 x) u0 Z| | └──9-栈与双端队列 .mp4 28.12M7 ]- H! K* a0 |; R. u- @
├──3--人工智能基础-Python科学计算和可视化 5 W3 Q U- t* u: N( t6 E6 b
| ├──1--科学计算模型Numpy
/ e4 `' P* r( \7 C/ B| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M: A; W( v& N4 X/ b' Y
| | ├──2-Numpy_array_arange .mp4 35.45M2 y! {* n0 r5 v6 s2 `
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
# D9 h3 q2 n/ S; D# i+ D, {& o7 k+ D| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M) g6 [4 C9 G5 i4 e$ i! q( z4 W! z
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
1 `" f* W- i* i" J' l2 S9 o| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
* G: q0 K, H& p$ h* r$ {| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M: X+ y" J6 q& e! S
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
8 U+ O X; ?1 A/ {* K| | └──9-Numpy_聚合函数 .mp4 23.68M$ a9 b0 H: e+ m7 B% R, P" B5 A4 L
| ├──2--数据可视化模块
5 D! m7 [2 A6 N: e7 f| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M/ ~; M! f# M2 ^; R
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
- t' t, c7 D3 L l+ Y| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M" D# \5 \' \( K7 P
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
; n3 i' i' t# k9 x| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
7 H- e8 I9 ]7 _! Y# Q' e6 i| └──3--数据处理分析模块Pandas / U# ?- N/ I, F- N' [
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
3 y3 T: v) ~" A( l| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M$ O V9 {0 e" m4 D6 s
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
4 ~$ k$ ~) X: |4 R) _1 \+ X| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M# T) Y7 q6 b; w
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M# y# m3 [ c' ]* Y. z
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M: W8 u% C& u; B. u) E7 U
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
; i" e- C" V8 [$ y0 P├──31--【加课】 强化学习【新增】
0 \& H4 C- R, [( a# `1 j- s/ ^| ├──1--Q-Learning与SARSA算法
8 ^7 `/ _' \$ j9 m. D* f| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M+ \' V1 D! K$ K; I% w( T; j
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
9 c: ^% K" ?6 ]% N| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M9 a7 E6 q: m" n5 i( H1 ?9 g
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M/ D8 P9 t$ a2 w9 F. ^
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
T- F3 S0 g( R; O| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M- n6 x d7 I$ E$ |6 j# Q
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
0 g2 w, `5 Z% s) y5 P, O7 F| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
9 }1 S. g) p3 v. E- X4 h| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
$ h/ E" W; Z, \: n0 T0 w| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M, B% I A% M3 ~" ^. F# \0 Z. q
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M6 Y: o7 v3 l+ P! w
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
% ~7 N4 U5 n+ `# Z, n| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M# V* \& p. Y; f7 J! ]
| ├──2--Deep Q-Learning Network 8 I' L4 ?4 q) I, P1 \3 ^
| | ├──1-DQN算法思想 .mp4 59.24M6 k: u: z4 D. {9 F6 r& P
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
1 k6 W1 l5 k% R# ~| | ├──11-DoubleDQN代码实战 .mp4 44.49M/ x, C9 `2 V# A6 P/ J
| | ├──12-DuelingDQN .mp4 88.12M
# e1 I! l1 `& U: }$ c| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
+ k: u$ j4 [- b p2 l) m. _| | ├──14-计算Action的方差避免风险 .mp4 54.23M
/ T* C0 \' t) b7 `: R| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M8 i! M8 r( w' s; v5 I
| | ├──2-DQN算法具体流程 .mp4 56.17M2 \, F7 n6 y" D F
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
% @" a) ~/ \$ j4 v| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M# @; P* e! Z% M! S% A4 e8 a
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M! p4 `: B( _, T2 j* A2 K5 l: J
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M. m2 {+ a, Q1 S) v- G% v. u3 s; q' c
| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M8 H, m3 J" x% N0 l2 m0 a- h
| | ├──8-代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小 .mp4 58.93M
# Q0 t8 \7 ]1 [0 y* A5 n! C$ r| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
/ ]2 R) z+ ]( l8 G. L8 z| ├──3--Policy Gradient 策略梯度
$ e7 I$ a) C# z6 X9 y| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M& v7 t# z0 M k" y4 Z4 S, \
| | ├──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
6 J! N6 W# z4 B| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
7 r; g% i% E" m# i* ~# z H| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M" D5 @" k8 {( B; F
| | ├──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
4 z$ @* n1 y2 ]; e- K$ h| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
- w" x9 T2 W' Q. T) G| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
* V0 k) p" L7 I" S- J- y| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M# p1 v& b' A& b% r6 U
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M+ I/ A2 M' _: A, v
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M t4 N6 q# G4 n- R0 L3 P3 @
| ├──4--Actor Critic (A3C)
& N, |, x7 K7 L! s; j7 V; N0 t| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
! ^7 O | L3 Y: ^! R6 p| | ├──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) [$ D+ `% Y# D1 f6 ^) @; r
| | ├──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- `* Z1 r( [% m: Q
| | ├──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
6 a5 ~1 W, u( W4 q' ~0 e0 T; `% c| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
- e0 ]$ X+ L+ F" S6 n' v4 ]| | ├──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
" u4 T+ c2 c* || | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M+ q7 H7 r# v2 ?/ |: N8 D
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
; `8 m7 Q; w. I4 h| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
+ _: p6 {0 C1 e| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M6 Q( W# t4 I: ~# o
| | ├──6-A3C架构和训练流程 .mp4 74.66M
6 d& M- Q. j( ~| | ├──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 \% A; Z' G" c+ R1 M3 B5 b1 h
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M4 i7 ~$ `3 Q/ I" w. x( 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 36.62M7 o# |) r; v \1 Y" g% e8 m7 r$ [* p
| └──5--DDPG、PPO、DPPO算法 & ] a! Q9 D: H
| | ├──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! E# d- f9 ` N" t' l
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
f% J$ A& _) K4 ?9 M- w# U| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
+ I# x; T6 Z+ `0 b a| | ├──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
% G5 ]4 Y5 ?9 ]2 I9 O) v [| | ├──13-DPPO分布式PPO .mp4 63.81M+ E' d$ G+ v8 h+ c: @
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M% q6 z' R8 c7 m
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M* L5 j; s. P3 f d% B+ I. ~3 ^/ 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: i f. X. o @. T6 P( m- p
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M, ]4 Y0 R8 D S# ?6 ]
| | ├──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
. k) Z* w8 X. f5 E9 X; J# X) D| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M8 f( G7 Q* y7 f) r: 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# o2 h% m+ g6 [8 T" V
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
% S! c+ d" B. T; u, t$ t| | ├──8-PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题 .mp4 38.09M. i7 c5 T K8 w S9 Y& k% t: Q- b
| | └──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
2 f2 G- S" \* @% w' ]+ J├──4--人工智能基础-高等数学知识强化
% u9 z. a) o* |4 ?" X! U| ├──1--数学内容概述 ! |8 I9 \8 J$ }- v% b
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M1 ~, L3 J' {& n7 i
| | ├──2-线性代数_概率论知识点 .mp4 26.81M" g( Y* W, z3 [5 X8 ]* G
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M9 g2 o6 u" P& R- f
| ├──2--一元函数微分学
4 O: W0 p5 n, B' X9 g4 H0 Y. t| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
" p5 ~6 F. C4 c+ b# Q4 u0 G| | ├──2-导数的几何意义和物理意义 .mp4 14.49M4 s( }- Y- l# }5 u1 c/ x$ J3 i
| | ├──3-常见函数的求导公式 .mp4 22.76M9 K2 }3 _- X8 A4 |/ T: C
| | ├──4-导数求解的四则运算法则 .mp4 26.52M& }' H) Z" A6 J* U
| | ├──5-复合函数求导法则 .mp4 19.68M4 _' a+ L5 I( O9 k: W$ ^2 w5 `2 A- a
| | ├──6-推导激活函数的导函数 .mp4 33.40M% G) z9 t. ?! B5 z6 H4 I% U
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
/ n% U, B# ^ X7 K; x, K| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M$ N; J5 r j4 b, ]1 G0 T1 z3 E# v# c6 k
| ├──3--线性代数基础
0 c$ c; h2 ^ G+ R/ V| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
$ N# J) m( }8 w m' Q9 N# j| | ├──10-矩阵的逆矩阵 .mp4 38.54M6 f4 \/ o1 t q7 e! j' U* ]/ N
| | ├──11-矩阵的行列式 .mp4 20.13M
5 B1 T6 }$ g+ A" D' z| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
1 v) q; u/ C7 x/ y6 }| | ├──3-向量的内积_向量运算法则 .mp4 19.78M2 w' x( ?( {% K, }( A$ r& e
| | ├──4-学习向量计算的用途举例 .mp4 20.32M2 a. z) T! H9 S( [
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
& u5 A1 Z" V% [, ^; j| | ├──6-特殊的向量 .mp4 26.45M
+ y. u r# u2 c- m2 x| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M; M6 t# T( i. z# v
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
$ O7 c+ z. n- a8 _| | └──9-矩阵相乘 .mp4 20.02M t, U: @% }& O
| ├──4--多元函数微分学 / h1 k4 m; B6 K3 Z, |. A
| | ├──1-多元函数求偏导 .mp4 22.61M# l+ t) H/ s3 _# _7 w+ c$ A8 ~) z% c
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
0 f. P" W S7 ~8 r% W. S8 f, J| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M \5 f' q0 G/ _. B( d6 x) g9 w
| | └──4-Hessian矩阵 .mp4 32.93M0 o. k) c6 m* s% O2 j. K, @
| ├──5--线性代数高级
0 k$ F' \; l- w! L5 @/ z| | ├──1-二次型 .mp4 27.70M) H8 Z4 p) T# e& z
| | ├──10-SVD用于PCA降维 .mp4 24.90M. h& ?. l1 L% h# O/ b, n
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M. P5 K9 M2 N' n" J- [4 Y
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
. a4 {0 c, s1 X- l' w- N6 {* z| | ├──3-特征值和特征向量(1) .mp4 29.83M3 w. W0 D: M% k3 Y4 v F' _
| | ├──4-特征值和特征向量(2) .mp4 30.07M
0 b& |8 W, h3 ~: o" `| | ├──5-特征值分解 .mp4 38.68M$ T ^4 z6 _6 K6 z. J* o5 T
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M: E0 ^ {' ^$ o) l) I! i- A `
| | ├──7-奇异值分解定义 .mp4 22.58M+ k) [. c% m* R( ^8 ]- L2 d+ N$ H/ k
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
: D! V) J, r: T0 u| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
+ G2 A4 h' u3 K a( v) `| ├──6--概率论 4 ~8 l0 @: ?& |4 L( @" l
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M) |( E5 D4 J; D7 y8 y0 y. m# H
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
9 `# T, b t6 S Y| | ├──3-随机变量 .mp4 22.57M
5 p# r5 A% v/ D8 G0 P! d| | ├──4-数学期望和方差 .mp4 22.96M! a! ~: a' m( u/ K9 s a( T/ k& R
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
: J0 B: ]3 v) }! E3 p( u' I) T| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M" f- m+ C, Y7 H# h: f
| | └──7-最大似然估计思想 .mp4 23.42M$ B' U: j$ ^! _
| └──7--最优化 , b/ t( K' N' p: V
| | ├──1-最优化的基本概念 .mp4 35.14M
4 T. r8 n& N7 Q" B; Y0 `| | ├──10-拉格朗日函数 .mp4 27.46M
" ^2 u) k! V" j9 o) M t| | ├──2-迭代求解的原因 .mp4 20.15M
& a7 g! J: K( t1 r| | ├──3-梯度下降法思路 .mp4 26.33M
( x. Y+ f0 u! z| | ├──4-梯度下降法的推导 .mp4 43.56M
% n( z3 a; z4 v3 J3 || | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
1 y7 }9 O, _/ C) z- w( h| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
' ]. _1 G7 q9 l C* D| | ├──7-凸集 .mp4 21.90M' _6 a5 Z4 X3 n% |( l
| | ├──8-凸函数 .mp4 16.93M8 D6 _0 y5 J4 R# T& N X8 Y5 j2 w
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M$ W" w0 ?+ i! {2 |
├──5--机器学习-线性回归 , J3 {* `+ w( ?$ p- b }
| ├──1--多元线性回归 ! q) W# m2 Q" O" l/ h8 k* L: |( u
| | ├──1-理解简单线性回归 .mp4 51.11M
1 k9 K" m6 q& X| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
* i7 O2 i: v: U| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
/ z$ A: C% O( _; h) z| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
' W8 l4 N |6 n. || | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
6 W% t; i3 e2 f- Y+ L( i| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
4 [' x: n( @; V| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M1 @# t! O$ |4 {1 _
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M# T$ q8 {6 o; Y0 D7 u3 ?6 i, C) [
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M5 Y, ~$ v& C% l- R
| | ├──18-解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形 .mp4 48.31M' X8 Q' z; l" [/ \, u
| | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4 34.67M" K; T" t P6 |5 G4 L2 P4 U
| | ├──2-最优解_损失函数_MSE .mp4 39.58M/ \( ?; [4 X' y3 i
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M Q4 M6 c1 l2 k' m( n
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
7 ` H. V M- d* K* z| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M( o6 Y- y2 x! D4 K& O: T0 w
| | ├──3-扩展到多元线性回归 .mp4 32.15M
! X! G& d1 Y' M" G% e2 E5 B' x1 Y| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
, ?: w, u/ }7 b/ B| | ├──5-理解维度这个概念 .mp4 41.41M
# ^: h* m: Z% e' P( E| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
- b& i) {, h- ?1 i| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
: K# h. V# K/ Z6 C: G| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M& s# I' W- B* Y8 Y8 N( p' `
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
+ M: o6 j* c) m' o! }0 F u| ├──2--梯度下降法
[7 _/ I4 O4 c$ l5 J; Y| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M2 \7 c5 q, u$ f* O$ [, v
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M& [7 I0 r- i" t4 s
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M5 Y" {- Q9 S9 d" {0 w' ?' Z
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
5 f0 [( s. R7 {- {6 m- m| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
! \9 A( M, m) o E* p! s) Z: O! Z| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
( t7 Z) v$ L+ H" r" q9 l* v| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M7 p5 p7 x' j2 [& A6 Y
| | ├──2-梯度下降法公式 .mp4 57.12M
4 I0 B* @9 z. [; n# B. n V. d" q| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M0 b# D, D+ W5 _9 X6 ]* v" K- N
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
5 B$ x U& i4 {6 J0 s| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M; l6 A. Q6 o9 w& }1 e6 E! Y2 {- E; s
| | ├──6-全量梯度下降 .mp4 62.84M
+ Y7 {3 q; \1 _* q/ ]* W| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M2 b4 G$ ]' o5 I# V6 y6 u5 @
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M( \. G( |# L: G; X9 L! ~
| | └──9-轮次和批次 .mp4 45.22M" g- @. _9 P( } L
| ├──3--归一化 , e/ d) t, O' T6 _1 z G# T
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M" i, F2 m0 z! [" y
| | ├──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
- @& l. a! A) h; i" O. u7 A2 E| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
" @1 {% m. |' o: V* Y1 i A0 o| | ├──4-最大值最小值归一化 .mp4 24.87M
3 L- q* ~% o4 h, M1 @& A; W| | ├──5-标准归一化 .mp4 51.86M
& J8 ^" v: O6 p0 q| | └──6-代码完成标准归一化 .mp4 41.13M
* n; Q8 K3 O( Y9 ~2 s) Z| ├──4--正则化
* n8 h6 Q A; ~' K| | ├──1-正则化的目的防止过拟合 .mp4 30.71M% d- g2 J4 _( w- N
| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M
$ U% {- J ~3 e| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
. X; }, f9 r# q% ~4 x/ _" E| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
% g" y6 N& b7 g' g- P, s| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M s0 ^1 k2 a6 W3 D9 `1 `
| └──5--Lasso回归_Ridge回归_多项式回归
" F1 o) p+ v& b z# B* t| | ├──1-代码调用Ridge岭回归 .mp4 76.32M9 R4 x$ s0 {, h: Y9 T! v
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
; q9 [! ?. N+ z| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
0 t5 X6 Y, ~- R" W) y1 p, i| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M$ R7 T+ w# {! s6 T! |
| | ├──2-代码调用Lasso回归 .mp4 28.73M; T8 d$ A- M" e3 P; ^) E
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
( i+ m2 S8 Y, J| | ├──4-升维的意义_多项式回归 .mp4 48.06M' @8 l& S% O( Z; _) l3 j5 W2 M
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
, Y4 P3 N, h2 x: u7 }! {| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M) i1 k9 I- } p0 }: V/ j9 t( g
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
" ?( I; c8 C% @+ h| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
2 j( D6 K; l- C) E) s- b8 A# {# O| | └──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
. n# _3 ~4 n7 t" \9 T├──6--机器学习-线性分类
! z# h4 A! C1 m& Y; q$ c# a$ D# B| ├──1--逻辑回归
3 y- V, W& K7 p! v9 ]8 C5 g| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M6 u6 O" T8 m* o3 A$ y8 _& I' a
| | ├──10-绘制逻辑回归损失函数_探索两个参数和损失函数变换关系 .mp4 39.83M2 Z D3 M; z2 B" P- f6 O
| | ├──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
7 {7 r- g* P# m7 `9 Q) F| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M: F8 v% ]' c7 g) g4 b$ n3 j; C% T
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M6 i5 @7 k7 T! I% C
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
r% e9 Y! O, Q) F1 p| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
; V2 B, P4 I: W$ E( G| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
- m- i! g+ o! L| | ├──2-sigmoid函数作用 .mp4 38.15M: E4 f0 S7 q& w- c# G
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M% F: [' o8 o% ~& J0 B4 `8 C/ I; s3 [+ l
| | ├──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$ `: C/ }- T( k# Z0 l$ y
| | ├──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$ ~4 Z+ z. a2 a
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M7 X* D& o/ T6 O# w( S- ^, w' F
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
0 w% M1 G3 l) i0 g( E4 r8 r& _8 \- n| | ├──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! I3 k: W# k, b9 U
| | └──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
: ~* t L5 o7 S) `9 g) J| ├──2--Softmax回归
6 H6 @" Q" {8 a5 F1 g| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
+ ~, E$ c2 \3 y% A9 @0 v, I4 S| | ├──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
- C+ a* e5 p" M3 j| | ├──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& X4 D" o3 s$ H; q. [
| | ├──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 |6 r6 {/ I* C7 o2 R/ a
| | ├──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$ v" x7 A* ?4 Z
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M# t/ M3 u! ]7 u$ j. T- l9 M( ^
| | ├──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. k" V/ q. Z2 H" \0 \
| | ├──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
+ s- A% T* b6 W. ~9 p5 a" F, g| | ├──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" c! B# h: g1 v0 A2 d- c
| | ├──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
m4 @7 k) F+ K" J; T, n| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M, }0 `' Y( b6 w% X! W) X' y4 ^
| | ├──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" H& S. H5 V% e( @3 p
| | └──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
$ G6 `- S9 i& W. P E6 P' e| ├──3--SVM支持向量机算法
, @2 `: E9 h6 E" b) b- ^3 C| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M; L4 \6 `4 o3 U" D
| | ├──2-SVM的思想 .mp4 55.56M
+ Y1 k9 q3 a' L) {1 m7 E( M| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
) _, @ c+ ]% ]| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
( \: D: C2 h* [* N| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
* f: a5 i2 s" M3 o0 A| | ├──6-总结硬间隔SVM .mp4 39.01M8 z' _# }% ~5 S7 G* h3 i4 O7 c9 _/ j
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
: h f6 Y* w% ?; u9 @9 `| | ├──8-非线性SVM .mp4 54.43M
, ^' W( H- d+ v| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M* J. b. P) [5 v7 p8 c
| └──4--SMO优化算法
' e8 [8 o4 j" ?" Q/ p+ o| | ├──1-SVM算法流程总结 .mp4 58.36M4 [$ A( D* G |6 C' K
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
2 x2 s5 }# D1 d5 c. d# \6 ~7 \| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
5 ^7 e3 m" I+ T1 d2 q9 }| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
0 L) B1 ]% Z2 P8 X| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M0 ~- q4 V8 Z& j, H3 k
| | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 69.00M2 l/ }+ s8 ?6 x, J
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
- f# X1 @3 `' Q! g0 Q1 T0 ^| | ├──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 65.42M5 V. Q1 C7 N8 L! U4 \
| | ├──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 63.23M6 T7 p; f5 e: J
| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M
' O( r9 `0 w3 w* w! \! g1 Y5 f* c| | ├──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
" @( T6 \( R5 P1 X| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M" n* w' w( c j5 n: x
| | ├──7-启发式选择两个α .mp4 23.11M
9 X, _, o* i3 ^. N( @& Z- K3 d| | ├──8-如何计算阈值b .mp4 50.18M; E+ a8 ^$ m. q+ N8 n
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
|4 `& R; @. i3 Z j) U6 `! ^├──7--机器学习-无监督学习
6 i- d6 I: {; E* J- || ├──1--聚类系列算法 * A2 E, V7 Q/ }- M' B/ k
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
. F. |1 ~2 l; M8 S6 r- v| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
! {- N/ c8 B, g4 ?# D! P1 X; y* v| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M* V' C2 m% s( G+ M1 F7 K0 P8 J& G8 _) t
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
5 s5 |, e$ a9 Y, y% G| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M& f6 V6 i! f3 n A1 |# V( \; W
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M5 {, a" q: _3 i
| ├──2--EM算法和GMM高斯混合模型
( N, o: N. v# X( a2 p. x$ C| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M# s& h5 m9 a# D- f
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
- j- F9 v/ o1 m- y% c| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
: h$ K+ P, z$ Q! C| | ├──4-Jensen不等式的应用 .mp4 109.17M/ {9 F6 b o0 z" E& |. z. Z! J7 {
| | ├──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% A: E6 C2 }0 n* c0 x/ T
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M2 w$ x/ Q4 a/ o( p6 }* u$ _
| | ├──7-GMM前景背景分离 .mp4 16.01M( ~# C' ^3 q. `8 G; }3 t
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M6 f( q9 x b* o& c+ M2 s% @- f
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
) S5 q) i0 u* A9 v- @9 p& [| └──3--PCA降维算法
j4 J1 ~% r" [- W$ U9 N+ Y9 w| | ├──1-特征选择与特征映射 .mp4 49.38M
0 I, _# i L+ t4 D6 y| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
% z9 A1 u7 @0 C) K+ R/ E2 n! B. t| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
* B0 b, F6 R9 ^7 ]| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
% ?* p) y6 K5 C9 b- w( q| | └──5-PCA的几种应用 .mp4 54.58M& G5 @8 G& f- m) ?
├──8--机器学习-决策树系列 ! u, L5 H, a3 n+ E) L
| ├──1--决策树
5 V0 ^( o! G& d| | ├──1-决策树模型的特点 .mp4 74.88M
0 a( r& h& I; e, i2 B| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
$ F. u/ _; e# {! T: F, }- p| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
* S9 |1 T7 v5 ^1 s; |" t5 w* g| | ├──12-后剪枝的意义 .mp4 50.49M
: P* K# G, C- ~( m- \( R| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M# \3 e) i% Q4 \( m& ?5 d
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M2 a$ B O7 r" @! l/ z
| | ├──2-决策树的数学表达 .mp4 89.94M) a) @- W0 X) J/ K* K1 @
| | ├──3-如何构建一颗决策树 .mp4 84.87M) p* R. n8 n1 V/ J2 w9 ^. d- `" o; r
| | ├──4-什么是更好的一次划分 .mp4 57.02M
4 G& ]/ n1 Z+ S) P' c8 t; q0 R6 J| | ├──5-Gini系数 .mp4 107.54M
& [2 z U& P/ ~ M3 Y| | ├──6-信息增益 .mp4 75.26M5 C4 S+ U( k. U1 { ^' q
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
6 {; ]; A$ }/ L4 c- x8 I- || | ├──8-预剪枝以及相关超参数 .mp4 127.06M
3 ^& B5 u, \% J# D) }| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M. |6 }. ?: I* i' U n( e& O
| ├──2--集成学习和随机森林 ' K4 N. ~5 Y1 F# |
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
) r( Z. d: }2 B$ P' E| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M/ z% m0 i: R$ F9 b7 p, A
| | ├──3-随机森林 .mp4 108.14M
2 Y" k* O! n5 O! v| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M, Y1 \( f+ T" s9 P
| | ├──5-OOB袋外数据 .mp4 106.07M8 E3 m8 P* X. h' q
| | ├──6-Adaboost算法思路 .mp4 106.30M
l5 A5 a4 ?) A| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M" }9 Z _" a/ l3 Z8 E% U
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M. ^$ T5 p0 a0 I9 T2 f1 z+ z
| ├──3--GBDT 4 R. |( v+ n. p* `
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M3 {) e* b1 n4 ]
| | ├──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 72.09M5 L0 Y; r! F! M1 j; A+ o [
| | ├──11-GBDT多分类流程 .mp4 73.80M: x8 L! z7 P0 x5 P
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
( i1 U8 y% n9 }. X| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
" n( L V. c+ j* Y7 }8 h! Y! a" y| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M, U; K! k8 E" X
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
7 _0 s7 m6 Z# Z9 N& z* m| | ├──16-GBDT多分类举例详解 .mp4 91.71M0 }" h$ \- n) n9 }6 a# y6 f
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
' j+ W. `* w! ^| | ├──18-GBDT用于特征组合降维 .mp4 43.72M/ S S+ G- b& z: q7 p
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
L& g3 _) L7 p( M6 B1 ^' j) i| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
7 v5 T5 i) r5 D| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
+ R4 u8 ^; ~' M( C| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M6 ^$ N& f+ O% n) d z
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
$ h y/ I( ^. || | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
, J/ ~; D5 u: J5 X4 J* A| | ├──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
) `" ]; \# \/ q3 K| | ├──4-GBDT应用于回归问题 .mp4 84.66M
R4 J6 w5 R2 O8 l" i* H7 @: O; I| | ├──5-GBDT回归举例_总结 .mp4 108.52M5 }7 y" h9 a {1 W+ @" q- @% ]
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
7 b% ~; [4 M n| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
& j2 L3 k+ o" F+ q| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M( i* J( e7 f2 _, y1 G$ q
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
: ?. g+ I1 y5 y- ?| └──4--XGBoost ; X" Z3 t0 O; D% h F
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M% s: e5 E# K( H% G# v
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
1 i% ^/ _, x4 k) r| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
2 ^ |& e9 N" v% U, W" }$ O8 r| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M8 \: r6 C F, e* z& a' _, E
| | ├──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
/ k! L1 p& b. X3 B2 r| | ├──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
$ Y7 ?7 g5 H2 V+ N| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
, n) x" T; v* v: M* r" o| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M' p$ |' K5 E' Y( u9 p! o( }% d
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
: `: Y* V* E, m| | ├──2-Bias_Variance_Trade-off .mp4 66.00M) I6 \' \8 j5 {% W2 Q/ F
| | ├──3-基于树集成学习4个优点 .mp4 91.36M% n5 x$ G1 p( U% s" ]0 ?) b! J. L
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M7 W; Q2 F* \3 {- e: G$ T" c& T
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M% H4 L5 h5 F1 F
| | ├──6-Objective_vs_Heuristic .mp4 60.42M. q( U; c# r4 Z
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
) M6 C2 F4 e" L| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
8 E) p! U% B T7 }| | └──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
& ]3 F; d. C. T1 `; h2 }# _# O├──9--机器学习-概率图模型
; V2 {7 S9 O, \9 }" O| ├──1--贝叶斯分类
G9 f0 x. {8 m1 y: d| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
- u3 }6 D. w3 p. b4 `% x( F; `2 b| | ├──2-TF-IDF .mp4 53.08M- {' o; \. p$ w" t
| | ├──3-NB代码实现解析 .mp4 126.73M
( F3 v. w8 t& w8 E| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M# `; ~* ], ~# W$ r4 Z! S
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M: t- r: v* V! N4 J6 T6 ?1 w
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M) J9 Y; j& N; _7 w n5 f0 n
| ├──2--HMM算法
1 S3 P7 t* |7 E5 S| | ├──1-HMM隐马的定义 .mp4 36.82M; t$ H. q1 [" R* z/ ?5 z) R; y
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M/ A/ \8 `' @0 A" L k8 s# ^$ L
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M) W' k" L7 b9 \6 i4 K1 D% R) P
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M; Z5 H/ ]' g, ]" K, s
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M4 _1 c/ M/ f6 Z: G* v. k
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M/ R( x/ i' _, w; ]" P9 H
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
, \ V- `, d6 Z' N7 _- j| | └──8-Viterbi算法代码实现 .mp4 42.43M4 D+ {5 b1 u# ^* S% {0 r8 X
| └──3--CRF算法
1 _6 O2 a; S) u ?0 G| | ├──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& u. q) D; |& u( X ?# T# ]
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M: A$ w7 s$ a) a" T% i2 P2 M4 k1 C$ `
| | ├──3-了解CRF层添加的好处 .mp4 105.90M; K; G; {9 ?( h7 l, h
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M6 K; Y% L# ?% `3 [- \( S7 M
| | ├──5-CRF的目标函数 .mp4 23.74M' O, v& E. K1 v0 S" b
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M6 t; S1 [- {1 E% N
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M, w1 V3 u1 p# [" G, p5 |
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
6 d6 \) `% u* k$ [0 t0 x└──课件.zip 2.54kb
( s1 Z( A- ?" e4 s2 L8 l1 H( u" n( _% c
3 K6 d X( C* s/ f
永久至尊VIP回复即可下载学习，非至尊VIP暂不支持下载此资源！
3 {- p. w7 J+ V' N3 s
# Y$ u$ j7 d k) v$ b/ y% W. r( L! \* L+ N2 J, x
|
/1 
