战-人工智能2022/: W3 D+ H+ o) @! R, r9 m
├──1--人工智能基础-快速入门 ! W& Z" u ~8 K# C
| ├──1--人工智能就业、薪资、各行业应用 8 o7 [1 G c1 X6 u1 P" A9 k
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M/ y0 Z3 K9 r4 _, S5 ?9 O+ i# G; a
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
9 R9 I0 V, k: h+ S| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
+ Q% R/ ?- [! l# e4 n& M| | └──4-人工智能在各领域的应用 .mp4 57.73M+ Q5 {, U, ^% _, z# s6 Z
| └──2--机器学习和深度学习、有监督和无监督 6 `( o9 \1 R4 }, h/ j. N, Q4 E- G
| | ├──1-人工智能常见流程 .mp4 89.62M
4 w4 U3 g( ?. J% p& R| | ├──2-机器学习不同的学习方式 .mp4 83.51M
, z- A( o8 @! T+ {| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M* N6 l& N; e$ L6 n @5 W# R
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M/ x/ u2 A% q# i- h
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
6 x1 @! v( T0 p& P# [├──10--机器学习与大数据-Kaggle竞赛实战
5 j( o7 K g( j% F% l. A" t| ├──1--药店销量预测案例
- W, B3 w* i" H% f5 H| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
- Q1 A5 A( @" l8 Q$ S; k C: s| | ├──2-对数据字段的介绍_导包 .mp4 19.90M; T" ~: p2 c% U
| | ├──3-自定义损失函数 .mp4 21.12M
( h$ F! U, a3 B0 P; ^& X. E| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M% ~. d7 y* s' h( M2 E7 q! D; F6 E
| | ├──5-数据的预处理 .mp4 111.81M
" \, C+ R5 p# A! {| | ├──6-模型的训练_评估 .mp4 66.64M7 J- q9 M: e) V, Y. E
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
/ S7 }+ l0 q& L3 ?) `/ ]$ B| └──2--网页分类案例 & f. Y% D+ T3 q' H- W
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
5 c* n2 R+ d2 E' X| | ├──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 85.63M3 ~: ?( K6 w* D) R
| | ├──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 68.80M6 b' F1 G* u3 q7 R7 P5 f% F5 q
| | ├──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
7 v7 J% r" W8 e" s| | ├──2-评估指标ROC和AUC .mp4 56.19M/ w) N. _$ S6 D, C2 b. y! t0 B/ h8 P
| | ├──3-评估指标ROC和AUC .mp4 49.03M
' ]2 }/ `: v! e t) Z. f| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M5 k' F8 w9 U% f, _) x. b+ a$ C
| | ├──5-数据导入 .mp4 68.41M
% j2 `! C; t0 B6 Y6 w4 x| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M+ F% H6 R3 ~6 r& g9 _
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
L2 y$ G- r Y( E| | ├──8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数 .mp4 62.48M
4 t' c. {5 H( p, d, K| | └──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
, Q" M, y5 S4 H2 r├──11--机器学习与大数据-海量数据挖掘工具 ; A+ ^# e. [% _: S* `% D
| ├──1--Spark计算框架基础 9 _/ I) ~5 v- B+ A; |
| | ├──1-Spark特性_01 .mp4 41.68M
/ V2 e2 \+ H) R0 a- Z0 o| | ├──10-分布式计算所需进程 .mp4 26.30M
* O+ q( H4 J X, @9 L7 v| | ├──11-两种算子操作本质区别 .mp4 56.31M. | m$ P* A) o4 G' n" f( E
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
: I F! S( T% T: E6 z: F; V& _* K| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
4 t0 Z8 L F. S3 g1 s% I0 P8 t| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M" }6 j1 g' i" O
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M' i# w+ [. t, v: l7 c; s4 W' v
| | ├──2-Spark特性_02 .mp4 35.15M) s* E+ K8 O! X* a
| | ├──3-Spark对比hadoop优势 .mp4 19.34M% {/ ?$ }' N3 j
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M2 \9 n( l# ~& N: N
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
. O, h: {5 |1 m' g/ H- Y9 h9 l9 H| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M8 }7 C1 }5 s! I4 j6 `' Q5 @8 R9 y
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
& q/ {. N F |7 d1 v" }8 o' Q| | ├──8-Spark的RDD特性_01 .mp4 33.08M
4 L* W/ H! j4 D. g/ k% P' || | └──9-Spark的RDD特性_02 .mp4 33.41M2 b! ^$ B( [# x7 f. @. R
| ├──2--Spark计算框架深入 % y* z4 g: \+ H2 g6 b/ h
| | ├──1-Spark数据缓存机制 .mp4 54.43M! s8 Q# [" i6 w% k: k
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
' n5 V; G" ?# ]' P0 ~! f| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M# s1 K% k: P5 ]+ j
| | ├──12-构建LabeledPoint .mp4 111.08M
% \5 G5 V0 x& W% {6 L3 k: _| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
- K% M$ x: |# ~| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
Y0 |& g8 }& L* a. m8 q$ P| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M5 {4 V) A. }$ l1 L
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M3 d/ {* m! j4 a) F
| | ├──5-Spark术语总结 .mp4 89.66M
" P) `$ q- g5 @2 G8 Q4 d% @% X# X| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
+ q4 _) y8 [8 h; W. F| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M: s* k) m& E$ h
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M. _" U. |9 A& t9 g
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
& c1 \$ j+ c( G) y5 @0 V% V# k| └──3--Spark机器学习MLlib和ML模块 ' I; w1 z- U; B, s
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M/ l. O8 s, M! D5 j$ a
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M" \; P) d' L: c
| | ├──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! K+ J" \' D1 U- {, p
| | ├──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
) e" X2 N: F$ N5 S3 h. y8 [* v0 v| | ├──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
, n M6 Y, ~% M( H& V, ~6 q5 h! b& e| | ├──14-从数据转化到训练集的构建 .mp4 146.40M$ P& w, V. Z' `2 }/ l8 p) F1 D
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
- a- r# v3 ~' W) I| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M, k0 K0 ]4 s- I' l( |" i# i- {
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
/ \, n% f* T( @/ ^; p- T! m; \8 a| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
' B% {: ?1 v5 l8 Z- g/ s' L6 f" i2 W& H| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
& _* t1 Z( t4 I| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
! Z1 S% K& Q& T& Q4 _| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
& B3 s" G! G P3 |4 R8 W$ H* x| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
) T! B" A1 Y& F& m1 b$ M| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M+ B- M8 @9 c% K" d4 j7 a) E8 E, I4 W6 T
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M9 l7 [! R k- C5 ~
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
3 `* `7 ?( y/ z* c) y| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
" a; U. b& p2 c4 \| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M: C7 s; ^( s8 C) E# E8 v
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M" h( ], J, N& z/ ?3 m/ o" \
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
0 U3 X' L: C% o- s6 q5 k+ ^| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
6 V7 f4 I! a3 h0 M! c| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M0 r4 l3 j& F1 B* e$ z9 s( {
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
+ I5 D/ D5 a4 [( b5 Q) t& @| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
! E" w7 _* D) F| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
$ B. j$ E7 N1 I' P( @├──12--机器学习与大数据-推荐系统项目实战 . }( j: c+ [7 Q/ s' g/ E; d
| ├──1--推荐系统--流程与架构 7 ^, l% G) U, J
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M o. O! k6 v- v* c3 x s- D
| | ├──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; P9 ^7 J1 ~+ Q; O8 ~; r
| | ├──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
8 {8 T/ i1 s. C1 A E( ^ v* a| | ├──12-推荐系统_数据源_1 .mp4 79.07M
7 {* g5 {) y$ Q8 F! ?| | ├──13-推荐系统_数据源_2 .mp4 82.90M
) H/ f# c2 `' A9 u9 N7 v; \8 f/ N| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M5 D/ D( K0 k! P/ q7 w$ \0 r
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
" U* p" B1 W+ U h5 b| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
% U! l& ?9 P: [% A2 o| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M$ p5 G& ]& W# t5 c2 F* @$ y! U; \
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
. y* e" W ?0 T* F: {| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M! P- |5 _ q6 U3 u. E
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
0 x8 W, F! ]- y o! J| | └──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( u$ {7 Y9 G! c- n1 i7 @; b, q
| ├──2--推荐系统--数据预处理和模型构建评估实战
, F4 s% p6 b$ C) P; y; p9 s4 P| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M7 c) U8 {" N% o9 ^
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
) Q5 a4 u+ P0 p3 ]4 c" r9 s| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
- I: e: W0 O; w| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
+ B! i* u5 z( o/ N( _! || | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M; O0 I7 |6 W+ W. ?) L* s* @* v
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
' A& D; L2 {' l6 I; N% G$ o7 D| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
& U" K. ?" N1 d: {9 {| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
5 i M W5 S: Y7 Y! J* D# C| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
) J1 z6 h. C5 N e) @+ r6 ^| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
+ p$ \) ] s5 Z7 F& ?' I+ S4 U| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M) P9 j' K; [; H
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M* s( T! ~( T1 c
| └──3--推荐系统--模型使用和推荐服务 ! w! e: n4 I' _2 r) i7 z% A1 \: q# @
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
" I1 g" e6 ~$ Q, p* I| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M$ \+ h$ w0 K* B" O
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
3 X/ k5 k4 u3 g9 w, [| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M# [/ K0 o% V7 l% \9 y7 _1 `
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
7 M4 U5 P8 C+ n9 f- Y9 X8 c| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
. o$ C; Z9 k; e% x& N| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
9 N7 v H- c0 x| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M, ?* G$ h( Y, t! p' f* I+ B
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M) A- ?2 R3 {# n( @' V
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M _" ]+ t, f- t' i0 o" |2 B4 a
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M# G2 }; C0 Z% W& ~$ l6 b, G) P- X
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
: t( k1 o+ G$ I3 b) P }4 U* M$ W├──13--深度学习-原理和进阶
' Y; e8 u& R) j- }9 V7 Z| ├──1--神经网络算法 ; h2 |: c: F7 Q! I
| | ├──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
# m. r8 S6 e4 y0 Z4 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! l" U0 t* g0 p# O7 d M3 K/ Y| | ├──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
2 c4 n# k; m5 @& [- D7 c| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M- `9 y1 h! a4 z7 Z) k' m* R
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M2 s+ M1 W7 I2 W" Y: | I. |
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M0 D8 \/ p2 I3 d) m! H, s* g
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
" h4 O; g& l- o1 @$ I| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M7 Y1 ?3 B1 r# N: g# ^
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M$ H- ^; {+ ^2 k9 o4 `: H- m
| ├──2--TensorFlow深度学习工具 : O( [8 L* k$ ~
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
/ g8 K6 j3 V$ W2 r| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M! M1 L* N' w' {9 q4 M
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
( h1 W$ ]! Y# O| | ├──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 173.47M5 A( F; D- d2 W2 p) E- z9 v
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M% ^1 P. ~8 } s% |/ P6 E
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M: n9 {) o: U/ \0 ?" T
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
" m: i7 x5 T! C$ |6 q. h+ Q| └──3--反向传播推导_Python代码实现神经网络
7 K' f2 j. A* B3 N7 x| | ├──1-反向传播_链式求导法则 .mp4 86.47M4 S7 a3 p3 h/ j2 X" y% E3 g4 n* v/ I- G
| | ├──2-反向传播推导(一) .mp4 127.90M
9 X% [; Y) _8 s' v9 u| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M% b" \2 \. M0 c$ E
| | ├──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# S) Q# K6 i% L$ n6 x6 |
| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M8 i7 T3 T* A8 ?% U. M* a& e0 n
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M* K8 E! Z1 ?) B J8 v
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
" j7 t3 V* u0 Z% S0 K( ]0 Q├──14--深度学习-图像识别原理 ' y6 u! K f3 c" X- V# e: o
| ├──1--卷积神经网络原理
# o1 _8 H! k6 L5 M7 V| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
- f1 R. ~4 B6 t% M| | ├──2-单通道卷积的计算 .mp4 104.01M
# N- l2 V, O% _* ]| | ├──3-彩色图片卷积的计算 .mp4 52.79M
& m7 C# [4 P8 O" r- J| | ├──4-卷积层权值共享 .mp4 63.93M
, @/ `$ X& P' ~4 U/ p- G| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
; E4 f- k+ }0 T0 w4 ]| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M+ Y7 f& c% z' D! @6 x
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M3 v3 Z6 K, i# N$ @2 o& f: q2 \
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M/ v4 H2 @( {9 B' J* a
| ├──2--卷积神经网络优化
( k; L9 N" `5 ^0 Q1 Z _% F| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
+ Z; |7 ?: {8 j9 n| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M3 v# Q1 |. K' M! }* x! W
| | ├──11-Optimizer_Adam .mp4 141.12M6 x! |6 U$ C9 ~4 y: q+ Y
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
: F& v* b! B( u| | ├──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
5 @) X1 a8 p- A5 j0 j; Y8 r' [- ^| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
' X5 I) w0 D- Z* n i" c3 t; W$ ~| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M6 Z' C- J V' }8 ~; ~, q! [3 [
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M5 G5 k \2 _( K- [
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M$ H E6 ~( x4 ^8 B7 x( j- b" J2 z
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
0 r0 y. K; S, C+ Q* J; G| | └──9-Optimizer_SGD_Momentum .mp4 89.70M1 C& ~$ V# o' D: t
| ├──3--经典卷积网络算法 $ |! Y; j; g" |) o8 ^/ C
| | ├──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
2 a$ D+ n) I7 l# Y| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M/ M" h# O( x9 V4 g: J4 h( l$ I
| | ├──3-InceptionV1_V2 .mp4 165.86M
! Y6 ~# v; d* T| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M! O+ ^' y# ]) f7 l7 k
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M; j6 ?/ E& @8 M8 t: v
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M0 E, U0 u' s# F8 l) M* K3 x0 E9 X
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M9 z0 [9 |5 o) ?$ F
| | ├──8-BatchNormalization .mp4 99.23M
- ]# q) n2 P8 H A/ d| | └──9-Mobilenet网络架构 .mp4 150.05M4 P) X2 l! Z+ U2 r V1 ?" H
| ├──4--古典目标检测 ! T2 N) h" q+ [3 W$ e% M2 N
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
2 T4 V# @3 R& }9 O| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M- E& C* v o0 I, ~/ c. E
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
$ t7 x+ u$ Y0 b t% v( p| | ├──4-R-CNN和SPP-net .mp4 124.06M+ E, Q# | t* t. ^9 K9 V
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
$ Z8 D& s; ?3 A, A; y+ @| └──5--现代目标检测之FasterRCNN
- N9 x1 ]$ O* j; T- r| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
! v. [* H: e( L7 c: {| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
4 w- c8 ?: d$ ~9 K/ B9 j+ S3 C3 `| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
+ C1 {! _) N# d) I| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M8 `$ O+ |8 n) r5 k+ E' d, \6 H7 u
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M4 U& H0 `/ }: O; f$ `
├──15--深度学习-图像识别项目实战 / S, _3 ^7 J d9 M
| ├──1--车牌识别 ; f+ ^ ^( k m, K. Q
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
; r+ r4 h1 S" W| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M+ g; s2 A9 w& [, r# h
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M* Q5 Y* H1 n1 w, V
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M9 C) a' Y3 J- s$ R8 y: n% E3 e( h
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
4 X$ y- b3 J$ G" T# w( V| ├──2--自然场景下的目标检测及源码分析
3 V* L+ k+ i8 ~( Z. F| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M0 F; u+ o: g8 n) R
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
. d% E4 B8 o7 k' |3 j( i| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M1 x! e5 M1 l0 i! l: U5 g
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
j' v4 @" n/ d8 Q8 ]| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
6 V( p/ s8 u0 z$ i8 h| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M* n" G4 ]) |' ]6 R* B1 u- Y" q
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
' |4 q# Z1 ?* ]4 ]| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M8 i7 p0 t1 U& P! K; P
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
* L1 R- ?4 u% B| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
; n" L0 c+ ~! d9 D6 C| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M, _1 M0 N1 R9 K! l. y
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
5 i# w: {* u/ l8 `% F3 O| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
9 J2 D& r# J; v2 d- B( F* X| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M3 l0 ?5 R. \) h) j$ P- P5 v
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
" R4 S7 c; q5 n7 O9 H( `' T5 q| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
6 W, M7 i/ ]6 O, { h# d| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
6 P8 y& l& s2 q, T H/ S| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
6 z) n$ C4 s+ o' c' |4 l" i y| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M. x8 ~- c% x1 S v. I( Y1 R2 o: ]
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
) `" K# `" L0 `% g9 x7 P| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M0 d% c- a3 o2 L7 E. d- \
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M w- [! k0 f/ b {& `1 S9 ^$ V9 }
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M( n% ^, j% Z. O. F$ g3 O. h3 d
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M5 i( t" A' } e% Z2 J
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
; B: [7 T9 J0 v3 K3 @& o( D/ C| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M$ \/ j. W& q1 M1 Q7 f. u5 d J9 w
| └──3--图像风格迁移 & b2 x1 T. P) B$ m6 l
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
+ y( C' T" _. N! L0 V6 }+ C( l' m9 Q| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M) I6 J2 ]- Z) G" J' n
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M3 x }9 M# q$ X z9 A
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M% r, `- a: K# w: W6 M- X) L, R
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
1 ~6 m0 O. y. y, P I. o| ├──1--YOLOv1详解
! L% ^* H' ^ y( [7 b| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
- L" C% |& C# n5 x| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M% j/ u0 B8 p1 t" r" `$ Y2 ]5 C# i
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M/ n, T4 `2 D# E% `9 D
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M$ h. Z) n: n% d1 K
| ├──2--YOLOv2详解 ; p' f# \2 D5 s0 q7 O- |
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M6 z9 I1 W e" c* o* k
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M( t E, t' E9 J9 l! u# L2 G1 C: Q9 O5 E9 F
| | ├──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
" i; T# b( R: s+ Q* || | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
: i4 W/ L9 }9 @, [2 \" E| ├──3--YOLOv3详解
3 o; T1 R- W P; V7 Q% d| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
F' Z) @: S- z2 K! v5 H' G| | ├──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+ Y. ^4 I" ^, _) N8 s4 G ]
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M- [- F! C3 \; a2 d
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M" ]$ V6 X) J% s' M {& W# a
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M+ E: h; \$ R* y3 H
| ├──4--YOLOv3代码实战 1 b6 {% U9 s; A+ E$ D8 t6 S7 W+ [5 U
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M7 [2 C$ i* g# _5 d1 P2 M3 f9 @
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M7 @' b# i8 r6 L8 G: _9 ~% h
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
% F6 }0 x. b1 ~: Y4 l' w2 \| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
L: r0 x/ C, i( P$ r! y6 i3 ]# w| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
: a {$ I1 z/ j8 K" p| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
: n, w) E2 L& P8 D' O, C! t6 x7 H| └──5--YOLOv4详解
! x) Y) y1 ]+ T! A| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
( i/ J( Q8 O+ z# L) v$ `| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
5 Q, l) ?) D, [/ w( y| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M `8 l& L2 D/ J) j6 t; r' n+ \
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
/ o) z' y4 P2 @, K+ p6 S/ E5 t├──17--深度学习-语义分割原理和实战 # G: c: T$ `0 T: n- e: O
| ├──1--上采样_双线性插值_转置卷积
6 k, \# x. Y& ^) j+ F/ B0 {4 h3 K| | ├──1-前言 .mp4 19.46M
4 j! V0 A5 F8 b| | ├──2-上采样_repeat .mp4 23.90M- e/ c$ }( m$ {4 J4 ]* m+ J5 J. }& Y5 i
| | ├──3-线性插值 .mp4 34.48M* _) P" w" o# _, v" p' ~
| | ├──4-双线性插值 .mp4 125.71M
0 |9 d2 B- D. W| | ├──5-转置卷积_以及TF的API .mp4 114.25M7 D. S9 {1 T; e4 }5 P4 G) Z
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M8 T4 w' @$ N6 y. }2 h o9 @2 d
| | ├──7-ROI Align .mp4 58.38M8 k; h5 J/ A9 B5 ?, w7 E
| | ├──8-FPN思想与网络结构 .mp4 92.14M
! n" q; b R: P$ V| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M+ L2 t% ~) R$ C
| ├──2--医疗图像UNet语义分割 4 N# M# E/ X9 Z* v
| | ├──1-语义分割的基本概念 .mp4 18.33M* S1 @. P( K* i% [
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
9 u1 ? U& _( p) L4 q6 S Q| | ├──3-UNet网络结构 .mp4 30.41M _8 g5 ?6 q6 t) \- n2 J6 A {' {
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M! o ~7 `3 ]; l2 c
| └──3--蒙版弹幕MaskRCNN语义分割
3 a0 p# q1 r3 Q2 c- g4 T| | ├──1-MaskRCNN网络结构 .mp4 106.38M2 r+ `& A# R0 a! Q
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
( q5 `8 i; L+ ~; e# t| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M2 m$ d# u9 @1 y5 Z; x. g
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
1 S( R l1 p# p8 ^( |/ {| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M* U5 N# k: b$ I i8 v
| | └──6-MaskRCNN源码config和model .mp4 244.48M
6 e( y4 N6 _: T, H├──18--深度学习-人脸识别项目实战 % k2 [0 F n7 w, [3 B
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
6 n0 J- z0 M) A% [! x2 [| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M- X" W3 H) a4 g& R
| ├──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
/ M) [; R8 ^5 f/ D) w| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
3 t( J# n- F3 s/ @7 P4 q| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M& \3 O7 {0 t& [( Y# D0 S% {
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M0 w+ Y- Q0 a3 n, n; t
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
' P% N6 u0 r: D7 i2 ~# }1 m| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
9 f7 ~2 N) {1 t( Q| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M$ h$ k0 j+ N2 X+ T& O8 {: V( M
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M4 z2 T- H$ i1 b6 I! T e: v+ m
| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M4 k l$ a* S! [& ^. g- l' c
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
0 L6 `1 D, }8 \| ├──3-人脸识别项目代码整体结构 .mp4 30.40M$ O P- P# ~1 K" \3 ?: I
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
# B" L s2 }- ?| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
! `/ F0 `& q$ Q1 ^| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M% S" `# W8 y0 u
| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M
! E: z, s# G0 \- q| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
( `' U) s8 J/ e| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
6 b+ ~! Q1 S, [( t├──19--深度学习-NLP自然语言处理原理和进阶
( }. q' J% I: Q) z( N4 d| ├──1--词向量与词嵌入
! V! y: o; b5 u+ K. G3 g4 N| | ├──1-N-gram语言模型 .mp4 116.32M
& r7 Y2 z$ ~2 Q. b" D| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
2 C; h0 d, c0 I3 `+ y- R, I, @; _. ?| | ├──3-词向量的作用 .mp4 58.00M. A Z2 \7 ~: V* X2 e
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M$ X; H2 C, e, b: V' R9 u
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M& f% o/ ?. o [- u5 [4 R
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
/ O2 T. [9 t4 V' N k| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M% ~% Q; P' _" @. }4 M% N
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
; t @% y: |# ^, u| ├──2--循环神经网络原理与优化
' `% d8 }, E0 t* R| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
* C! L4 k1 l: q. Q; R) z| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
4 y+ O0 z$ n J U4 h( j4 _4 q| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
! K/ f# Q. O3 @: p& y| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
8 E$ N: o4 {( {$ T/ B| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M7 W) ]) T* _# j
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M5 z! S% p( a; a6 o8 _) j6 k
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
" C( H, t6 E0 R4 i| | ├──8-双向RNN_LSTM .mp4 52.01M
4 N, Y' z+ W! D9 ?| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
9 z! ~$ t4 D9 I: S| ├──3--从Attention机制到Transformer 1 F0 G$ O$ L, e' Z: u2 Y
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
2 W0 x) U! L( c| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
- n. }3 y/ L0 J. A0 n- l| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
8 S0 E( Z4 U: n* ?+ K a+ D| └──4--ELMO_BERT_GPT . Z/ M( x/ M) n
| | ├──1-ELMO .mp4 62.44M
: {# q4 `! s5 T. [& p% c| | ├──2-BERT理论 .mp4 99.73M6 C" `/ w5 N% x( N
| | └──3-ERNIE_GPT .mp4 56.34M# v. y% S% Q9 x
├──2--人工智能基础-Python基础
: C/ \) E; h1 x$ y6 N| ├──1--Python开发环境搭建 # r/ m$ Z3 \) ~( ?: ?# J5 N; U+ _ Q0 W
| | ├──1-下载Miniconda运行环境 .mp4 100.75M$ O" k0 _, U& M! x* _6 a9 J
| | ├──2-Miniconda安装和测试 .mp4 57.12M
I6 ~3 c+ a* R7 {| | ├──3-Pycharm安装和代码运行 .mp4 71.57M3 g* D: }- ^' d5 Z3 R& ^
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M5 Z9 n3 F& u2 U7 b4 I) h: p
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
3 P$ C1 X9 K4 u, j| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
4 D" Y6 t8 e- p+ I1 c8 ? x| | └──7-关联虚拟环境运行代码 .mp4 38.14M( W7 k$ ]5 H. l) t2 C
| └──2--Python基础语法 ; e$ N, K$ [2 |* W* E& w) u+ T
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
7 L. d. _( Z9 v9 f& }2 S& f| | ├──10-Python_集合操作_列表 .mp4 34.71M
0 @/ d! O" @! h: ~- Y- F| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
( |/ K" a+ {& x2 q$ u1 X; F: O| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M: r/ [1 |& D: Y+ r/ S: x
| | ├──13-Python_集合操作_元组 .mp4 43.46M5 P+ V! ~4 Q2 A1 c, A
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M2 R r+ e( p) i b: ?2 u
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
# ` u- h4 n& M$ ~4 Z) ~! z y| | ├──16-Python_os模块_shutil模块 .mp4 51.54M% M6 ]: y& x2 ?1 l# ^7 z
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
) [+ Z X$ n& G7 l# G, {| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
9 W2 F k" g" f! d9 K7 q: u6 J, g| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M& j* Q! W0 i% y3 E0 _* k, p
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
0 @0 i e# m; b0 K3 l( _- B| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
* T, l: ~( \3 {7 n| | ├──21-Python_函数_递归 .mp4 23.46M; q# z' z+ E" f6 A/ U2 Q* D+ c' v" M4 S: r
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
' K3 i4 C6 z y1 y| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M+ E# g/ S( p! L5 G1 ], l- P, a
| | ├──24-Python_函数_闭包 .mp4 41.61M
/ b8 n0 @9 {9 [, m2 F| | ├──25-Python_函数_装饰器 .mp4 30.35M
% O& L9 V, P! ?8 X+ j3 G) J| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M! b: a5 ?( f5 w# N# j6 L4 X5 s/ x" z
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
8 a' K" g! v; J0 v& L+ k/ \* T7 ~| | ├──28-Python_类对象_内置方法 .mp4 29.17M/ w2 H) g9 P a
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M w0 W, R, i3 s7 a+ ^; e$ _! m
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M0 X& N. J/ _7 ?7 T5 [' T
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
. `0 k; b' R- O' u3 R2 k3 R| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
* e& n0 U" q- K4 ~4 ]| | ├──4-Python_控制语句_while循环 .mp4 25.02M3 X8 K: s" o- u# L5 z& ?
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
% _2 J- J, Y+ L' ^$ B| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
, h% q' f9 P/ Q! d| | ├──7-Python_控制语句_break_continue .mp4 25.23M
# a* ~) \, n7 G; J( c: M| | ├──8-Python_切片操作 .mp4 40.20M0 c! K4 P8 I0 \: \0 W
| | └──9-Python_数据类型 .mp4 25.38M
4 J7 F5 e- Q2 N- m8 F( [; g├──20--深度学习-NLP自然语言处理项目实战
# n2 f' L' l) P| ├──1--词向量
4 o9 n8 F5 V0 l. g5 n% ~| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M- y' _2 q- a' |! Y
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M! Q+ F5 k* s2 u. R8 J1 P: _
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
- y" r8 q d, H; U: J+ _| | ├──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 V% y; z% [' U
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
! m/ s2 ^5 m0 h1 ]7 \| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
* ?. f/ a& l, K| ├──2--自然语言处理--情感分析
, E* r ]) J# _$ S| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
" h) V! N J. V6 o* ?7 }| | ├──2-数据预处理_01 .mp4 79.65M
5 }3 g8 w! p2 U0 c+ C| | ├──3-数据预处理_02 .mp4 45.68M
! V5 c0 q* I0 B! d* W) k7 M& ]| | ├──4-代码讲解_01 .mp4 52.29M
5 m' K) ]$ x H1 F" `& R- {| | ├──5-代码讲解_02 .mp4 60.85M& C' T7 a, C8 C6 M
| | ├──6-代码讲解_03 .mp4 53.89M
. o) |3 i7 D& A9 P) `+ P' |* n| | ├──7-代码讲解_04 .mp4 57.19M
# x7 P2 ], p$ M! K& L) n| | └──8-代码讲解_05 .mp4 35.88M8 @2 s D, f. O6 F9 L& i7 O% w
| ├──3--AI写唐诗
1 o! }$ h' t5 Y9 D% u- B| | ├──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) b% c8 z; p0 m# @0 Q/ Q
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M' Q2 J4 E/ r, P7 ~. ?- ]
| | ├──3-MultiRNNCell单元 .mp4 38.93M
& P0 v/ {+ r, E" l+ y$ u| | ├──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+ ~/ F& e, s9 H& l7 l3 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 61.73M4 \" Z& ^! Y' D- T! s1 R
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M4 d9 l8 X, ?8 n
| ├──4--Seq2Seq聊天机器人 % W! s3 V' _9 Y& K
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
6 Q6 R; t. O" r5 h3 b# L# @| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M3 B' u5 I9 f/ B0 m" j/ n' Y# s
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M: O1 L1 _' c( v8 D
| ├──5--实战NER命名实体识别项目 & g1 Y' q A8 C* Y1 g4 i
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
" p' W% I9 v- }| | ├──2-介绍了代码目录结构 .mp4 23.44M
3 n, R I1 b7 D, V1 H3 M. l$ J& f |0 N5 w| | ├──3-NER代码读取数据和预处理 .mp4 97.61M$ i/ J" b2 Y- T) c M
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M" d1 \$ q4 \% c1 x8 v& j- l
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M* |; t5 [: `: [- m
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M1 I2 C- F- y" q) k8 h
| | ├──7-CRF中的特征函数们 .mp4 125.97M' \- m# O" v8 A& k" m
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
: ]0 M5 j% y7 x; Q| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
% A L H) r/ s| ├──6--BERT新浪新闻10分类项目
7 p# _( R. g* p$ j2 L5 x| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
O+ u8 y! K1 H, x [1 m| └──7--GPT2聊天机器人 + d/ K0 H( d5 C" P8 Q }+ ?: t1 x
| | └──1-GPT2闲聊机器人 .mp4 62.28M
; ~7 K0 T0 j: [6 e. L0 a├──21--深度学习-OCR文本识别
1 g J. p5 T. E. u9 T: x| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M5 u" {2 r( R' M& a
| ├──10-CRNN项目代码剖析 .mp4 306.48M
# R3 J; r3 z/ h| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
& k. D! b) K# s" c( S/ ]: T2 ]| ├──3-OCR识别的CTC损失思想 .mp4 327.69M/ A) P" I) l0 R4 }
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M; \7 S4 A2 P! Y; w1 j4 J& C
| ├──5-CTC损失函数的理解 .mp4 330.64M8 G* ]; x' B* x# G6 W) V
| ├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4 200.52M6 B) i0 a# D5 {* B! N
| ├──7-CTC前向后向算法代码 .mp4 225.41M [% `( R" q! b6 j) X
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
( I" Y2 v) `% E# w$ a| └──9-CPTN项目代码剖析 .mp4 491.69M# P1 [% e% ^: n( N! Z. _
├──24--【加课】Pytorch项目实战
* H" W; z2 l9 Z# V) c| ├──1--PyTorch运行环境安装_运行环境测试 9 T+ J v Z# d, y6 [ j9 N
| | ├──1-PyTorch概述 .mp4 29.29M* z2 q2 L: F; s% Q. [6 q5 o
| | ├──2-PyTorch的安装 .mp4 76.45M
7 h/ M; V: F g* P| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M* Z% Y( Y4 a: P# g, P
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M& V8 D. N( Y4 ~% c( d8 ^4 K
| ├──2--PyTorch基础_Tensor张量运算
1 t ?! s5 F& h, o| | ├──1-Tensor的创建 .mp4 55.14M
3 r4 _. {( L/ D6 _5 ]# a( a| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
0 y$ O* f# c9 |9 o| | ├──3-广播机制_逐元素操作 .mp4 44.46M
8 ?+ t$ V/ L5 [8 u# ?/ j* l& q| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
$ \2 ], V: |% C) R0 b- o7 o) `| ├──3--PyTorch卷积神经网络_实战CIFAR10
" i2 Z6 w% n, w* c& n) m+ C& ]| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
# [8 l3 R) o# M' p8 p3 || | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
. h/ O* M3 V8 e( {| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M0 z+ j7 k! d" W# _ P ]0 m2 @) G' |) t
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
) K* Y& c& u8 G| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M3 f' z2 K! I+ ~. W$ d, D
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M) }. h' D$ E5 y6 C
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
# O% w# K# M0 Q) t* k* [7 W| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M2 b; {: u2 o% p" p& a- \, ^/ w& _ o
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
2 n. ^; Y0 B& |) R| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M8 R* z( q+ X4 V/ j' _+ W* d
| ├──4--PyTorch循环神经网络_词性标注
3 O! h# @% e) b6 c2 ]+ Z/ U1 m+ m| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
: i0 x. q& p2 d4 f& t$ |) M| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
) p5 g" R. y! p: m: H% D| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
. [) P+ [1 M( q$ f| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M$ z+ U/ r- u+ M8 S7 _% }
| └──5--PyTorch编码器解码器_机器翻译 % h8 {: \: C- w
| | ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4 50.41M8 M% P3 t0 b/ ^; F6 N% j" m
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M- ~# T0 y- P0 w' U$ i& _8 t
| | ├──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' f; `3 y S9 A) M+ i# X
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
% X' @$ h3 C2 d9 @- ?* C% E. U1 `3 A| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
`7 ~4 W) k& I: \0 _8 e2 M| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M- L q% s1 t' W0 ]( p
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
4 }% x' i2 w+ \& j; v- ^- s& c) O| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M- p- _ N- q9 E2 G/ M& g4 v
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 ) Y7 t* i D$ e6 ~) Z" D
| ├──1--PaddlePaddle框架安装_波士顿房价预测
; ~0 h/ s7 _& R: y. c| | ├──1-安装PaddlePaddle .mp4 87.34M
3 Z# f+ F* ^4 i8 e& N| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M+ X7 M4 }. v# k# k
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M, c, Z* O$ h9 q4 ~
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M; E- G9 c7 k0 B1 u
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M' d ?% B7 F' t8 M/ i
| ├──2--PaddlePaddle卷积网络_病理性近视识别 6 A& h* _1 R: D, R' E
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M$ c) ~; B8 o2 R$ |; [+ i |
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
7 N# n* @2 @/ S5 u+ Q| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M0 u! U0 P# T6 ?+ m
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M: M7 P7 X& \, D' j, q8 x6 @' g
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
! E6 G, D8 a. x. _| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
9 ?1 W( d @- c; q| | ├──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
: b* I5 L8 L ^; K0 i4 I& d| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M2 u- e8 A4 H3 s M1 X
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M: m% T: O9 F/ ]/ M1 k7 H$ W: x* D
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
4 X- k" b' j* B$ r1 s1 ?6 E| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M1 `) ^' p j& y: W, ]. N F& h
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M0 N7 j; C1 J5 A
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) 7 A& u! ~" ?# u1 H
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
) u3 ?; q( W% Z# P4 M, L! j! || | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
. o Q4 _% q4 Z( l! H| | ├──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& t% Y; s$ ~+ a
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
. m! I8 k! b$ z) ?& k3 Z, ~| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
9 Y5 f0 }' s* i4 G6 E| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
1 T M0 c8 a- }, l$ ?4 X| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） ' V2 x+ S2 c6 i: w
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M; w6 j. m3 j% M8 C
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M8 n: y% v* j2 c4 j4 F" a
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M! Q; p: F2 Q( h( z g; d/ r
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M% o! o! \2 J/ c
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
0 I/ r1 i6 i0 I0 `5 S| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M- I! L9 m8 ] x M5 g
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M9 w( q: n1 R3 _8 e# K) N
| | └──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 80.58M4 V4 o' S5 ^. i5 }% B1 ]& e: p& }
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
$ Y6 a6 q2 p2 c' c8 q4 Q| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M% X% |+ s0 Y# \ H- }+ j
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
3 F, B* D' [5 j" q! [1 u4 \| | ├──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 h0 V/ H% {( K6 U7 M b
| | └──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
* z ^3 r' Y9 L├──26--【加课】Linux 环境编程基础 & d% g" J4 J) X8 Y& i. [2 f1 G5 d' T
| └──1--Linux 6 X$ t9 g+ O7 S% l0 B1 F
| | ├──1-Linux_课程介绍 .mp4 3.72M
$ Q* G' z1 I6 G {2 }& v| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
2 L4 x$ h0 Y$ _* e$ h- S- b| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
0 [4 R+ S) R, F| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M1 }: S Y. v* g; I. l
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
! V# H8 [9 `: A3 c4 n v| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M: d9 [7 i, x6 Y) M. J8 u8 z$ W& u. Y
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M0 M# }0 [/ E1 v o1 l( h* _0 X
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
% B, r% b/ I) e$ _6 ?* a8 `/ ~5 Y| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M2 g- n- M$ L9 x) i
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
6 o1 P6 H# d/ w* P8 S| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M/ o+ E' [9 U% s! R! h ~3 F4 ^
| | ├──2-Linux_Linux简介 .mp4 17.59M
4 j1 R) A: F1 m7 O& B% \| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
) h) S# H5 ^' p0 j1 z5 g! W" s| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M" b3 I3 O- C# I; W
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
# S: _2 G& W4 B& Q| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M, h7 c) ^9 ]; I: u
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
$ X1 _6 j9 f* o8 D' b7 I| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M( G; H) l7 y$ c% R
| | ├──26-Linux_安装MySQL .mp4 79.02M
" \2 I, U, h, m" \' `| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
B# O3 H' V# a/ E4 }/ ]$ ]% a& _& d| | ├──4-Linux_安装Linux .mp4 41.97M* t5 O) K. L# d. R, @
| | ├──5-Linux_目录介绍 .mp4 20.31M
/ y0 t2 @0 N, j* _| | ├──6-Linux_Linux中的路径 .mp4 18.65M) p2 I. |; @5 d6 c" G/ y$ ]7 x
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
+ ?% H( G: o9 y& n| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
" } b$ u4 Y% F% \4 G: n8 D r; t| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
% [9 x* ^9 j; V├──27--【加课】算法与数据结构 ! t2 o/ V4 ?8 c+ R' i
| └──1--算法与数据结构
9 A$ x: J2 J( l. J: \* O7 i6 \| | ├──1-数据结构与算法简介 .mp4 35.68M; l1 ?( @1 j7 q) A, r
| | ├──10-哈希表的基本结构 .mp4 54.34M
1 T8 ^# c) L6 }$ T' A- ?| | ├──11-哈希表冲突问题 .mp4 75.92M" Y8 C" T) _0 Q2 f3 g9 z
| | ├──12-哈希表冲突问题2 .mp4 72.30M
8 s+ }+ _. ]6 K3 \! P| | ├──13-哈希扩容 .mp4 111.03M) r4 D$ y* z( K! h7 T
| | ├──14-递归与栈 .mp4 50.77M" w! m V5 e- K; O* ?$ o: M D2 @+ ^
| | ├──15-线性查找 .mp4 57.80M
3 U4 R" K6 G+ P3 |5 s| | ├──16-二分查找 .mp4 52.32M# N0 P& j: a# l* V3 J
| | ├──17-冒泡排序 .mp4 53.19M
4 D: R. {4 T* u4 G! ^- P1 V| | ├──18-选择排序 .mp4 43.29M; J$ C" u" U. a7 h5 R- A' H
| | ├──19-插入排序 .mp4 31.39M
. f1 `& k$ _7 j( o: F( G& T9 j: x| | ├──2-大O表示法 .mp4 25.59M
5 p* {$ X: U. }) l5 l- Y| | ├──20-归并排序 .mp4 84.48M
/ f5 g3 B& c3 _. \' l! l; K| | ├──21-快速排序 .mp4 36.63M
9 W7 B% t. m2 o) C8 i# N: c8 [% j$ a| | ├──22-树结构 .mp4 96.85M+ j' B1 T% P0 ~8 d* Y: `
| | ├──23-树结构的遍历 .mp4 61.05M7 @5 @0 e5 `3 H
| | ├──24-最大堆的增加操作 .mp4 45.43M
1 t# X1 w D3 a7 ?2 @( i% I| | ├──25-最大堆的删除操作 .mp4 45.63M
" k6 r9 N; r. k. T! e" V| | ├──26-二叉树的查找 .mp4 100.24M
) f3 G& P3 ?! J| | ├──27-二叉树获取最小值 .mp4 25.21M
' M9 b+ w$ m( b8 t3 r/ t| | ├──28-二叉树的添加 .mp4 72.66M; f' ]1 V/ Q* p) u1 a; |1 R
| | ├──29-二叉树的删除 .mp4 120.06M8 O- S1 Z7 h$ O( ~ k0 o
| | ├──3-线性结构 .mp4 53.14M
5 g) o) `, g B% A; K( C# F| | ├──4-单线链表1 .mp4 68.36M6 k: E1 x- V' z ?! k) H
| | ├──5-单链表2 .mp4 221.69M- t, {/ `9 F/ E9 ]! Z8 g
| | ├──6-双链表 .mp4 103.57M
5 P/ k5 ?( T' e5 m) K7 ^% _% J| | ├──7-队列(链式) .mp4 74.12M' ~) C! _ ?! o/ E+ t2 D) w
| | ├──8-队列(线式) .mp4 30.99M" a& a4 S; V) b) R P H9 E
| | └──9-栈与双端队列 .mp4 28.12M/ @. X8 j4 O" t0 S& H1 }. ]
├──3--人工智能基础-Python科学计算和可视化 ( d% u, Z+ H1 m$ J
| ├──1--科学计算模型Numpy
% D, z/ W% s: I# l3 t| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
7 E3 E8 j4 b' g% w" [8 V| | ├──2-Numpy_array_arange .mp4 35.45M7 R! I% F& C! H2 U" N7 d
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
( c6 a2 U1 ^% v- N: D" ]4 P+ U| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M: J: h# c" F0 V7 G G, e2 B
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
3 M; S L- D G# O$ H1 f| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
$ l& k- R% L: q. N& G| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M2 w& i4 [ b8 r9 i+ i
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
+ |( r& y* Z1 M' D( m2 a& D f| | └──9-Numpy_聚合函数 .mp4 23.68M
+ a* {' P6 x- T6 y* c7 [8 E| ├──2--数据可视化模块
* A- `' E1 j( C# T" H% }| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
: b8 C2 {3 K0 M9 p O| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M; b' j" z4 F$ P0 ]( I8 G1 N2 `# Z
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M0 ~. {: n! i: f. a: \
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M3 v5 B+ s% Z% V, ]- [" {
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
' N7 P; k) X+ M+ x| └──3--数据处理分析模块Pandas
" H& D8 i8 X' ]$ I| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
. X( j/ i( G' S| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M# m4 ]/ l9 V; d3 x3 B
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M, G% P4 N8 L3 m/ \3 G
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
3 s W+ Z& F6 L| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M0 u$ I2 G0 I5 S* P" q% H& |4 I( C
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
$ ~( H" N$ I3 @0 e! o| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M! P* p# ?7 L2 Z7 g% m
├──31--【加课】 强化学习【新增】 # y2 P, f) x+ V+ p$ c* d
| ├──1--Q-Learning与SARSA算法 . W! h/ k$ w9 f T
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M! W- f% A- E X; V; @, C" V( ~
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M V9 G1 A9 N5 x( g" _" Y; k2 F
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
# l, k& Q6 c q9 H| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
6 C% {& p) j9 o8 y# l| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
) x- X$ a& s6 V1 O) y: n" v| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M5 y( G; D" t2 o
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M; k7 ^& `9 i) U1 ?
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M7 {; W# l" y+ r) c- Z5 l- z
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M' L f, n* h; ?- B+ e
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
5 s8 z& Y% J; `| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M: s Q! k) D, z+ J" X( z( _( R
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M9 v* [( ]; H5 R) @+ [
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
2 E/ @6 j# O( b8 Z# U| ├──2--Deep Q-Learning Network
# @6 B$ U: U/ y& R" G7 g; A% z0 R| | ├──1-DQN算法思想 .mp4 59.24M
# G; Y. u; ~. o Q: p; r! C1 D1 c| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M/ U+ [) s! o! q& ^; v5 @1 i# q: ~
| | ├──11-DoubleDQN代码实战 .mp4 44.49M; n( g' O3 g, h9 e7 Q
| | ├──12-DuelingDQN .mp4 88.12M3 s! k8 D5 s( w$ Q# }; e. M1 k G: Y+ L
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M+ y+ A8 f/ a2 M+ y7 J* E
| | ├──14-计算Action的方差避免风险 .mp4 54.23M" V: v$ e# @5 R( g
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M* a/ r7 k/ o. A
| | ├──2-DQN算法具体流程 .mp4 56.17M* ]" G" a6 z* h( [4 R: Z
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
o4 [0 k) |9 K* z5 G1 U| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M& Z4 k: @$ O! r) S
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
6 r) S$ @- t* H/ J" q3 X| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
: m9 D V& q0 r/ N| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M1 N( }7 L' A/ ^# Z' ^* Y& F; L {6 L
| | ├──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! W% i, a2 r" [6 ` u$ c8 Y
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
9 [# X& t& E! j' a1 z. x6 b| ├──3--Policy Gradient 策略梯度
: S5 f5 N1 u: j8 M1 T| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
+ I9 |4 p0 Y# H7 J3 d: l& K& [6 ]| | ├──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- P- j5 ?' Q& w! P- Z+ K
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M# D, W' S8 s: E/ f+ {
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
! Y" {2 r" r+ k, l, ?; o| | ├──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; w f3 u" F& X( k/ [! c4 t
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
( X }1 o. l; v| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M0 v2 f5 W' E# U. _# j2 z/ [
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M$ i7 R2 M' P* Y& j
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M* d& `2 [- C- a$ ^( O. A" a9 o
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M" |; m3 ^' c8 ]5 Q# ~* S9 ?" D
| ├──4--Actor Critic (A3C) + J b6 ^, D; K3 t9 b9 Q- P+ f
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M$ T! \ @' T" u' R, d
| | ├──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
6 W ?" l- K- m- q( ]) b0 }| | ├──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- U3 {$ v. i| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M0 ~" ~7 v/ T, \6 X4 X" N
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
X N( P1 j! _3 v| | ├──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. h% D, t4 t. A: _; T
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M e8 X# {3 q$ E! H/ R! Y
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M7 y# \ H5 }1 D9 R7 [4 |
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
2 J0 o0 `9 p% L& N& D7 z* }| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M# q! a' O; z! ?
| | ├──6-A3C架构和训练流程 .mp4 74.66M9 D4 A" j6 Z5 g: A
| | ├──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
: }: ~! c4 Q# ~3 n! w| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
: m7 F& q: z/ ?; \: L1 a! W| | └──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! i2 x5 Y$ X9 T; `/ s
| └──5--DDPG、PPO、DPPO算法 5 a) c2 ^* r& z' @$ T
| | ├──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# N t+ S0 W/ o8 w* U7 E
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M- _% y! d# l* q2 n
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
# {- S/ |# {+ D r, h& _| | ├──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
; w$ Z9 N2 W( g1 z' ^9 Q0 i* R1 D0 c| | ├──13-DPPO分布式PPO .mp4 63.81M7 a" h9 Z& U. f
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
: E' i& [* g' O- C( ~7 m| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
( E1 ?, A' H$ Z: l4 A| | ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4 51.45M
" y+ `! T: x! l$ k3 N8 N& y| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
6 Y Q" Z Q$ u+ X0 b0 O' q| | ├──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 44.17M4 G2 d% ]6 |$ K$ {- B3 x3 U( F
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M# H: Q' T! d) g1 W8 ^/ ^
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
5 O7 v% ]: p! D| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
/ N- I! K( m7 h3 N| | ├──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 38.09M6 M) X8 X# ^* `4 z% L
| | └──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; \1 l, G q; p m' }" e1 j
├──4--人工智能基础-高等数学知识强化
' c g+ d( R& H| ├──1--数学内容概述 2 y) V- r& g$ {9 r: E
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
0 f; z: K+ Q$ g+ B5 ^6 }( N# C! K| | ├──2-线性代数_概率论知识点 .mp4 26.81M
( U. u( w1 u% `. || | └──3-最优化知识_数学内容学习重点 .mp4 40.43M% L8 j! Z$ C; \, |- C2 H; t9 c
| ├──2--一元函数微分学
' Q- O6 o) W# @ E( q/ Z| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
! } W. X6 d B# H8 d| | ├──2-导数的几何意义和物理意义 .mp4 14.49M4 w5 b. h" S! l/ ]
| | ├──3-常见函数的求导公式 .mp4 22.76M
( G, Y1 D' z: i0 g% ?| | ├──4-导数求解的四则运算法则 .mp4 26.52M+ y: o7 C( V1 g4 F1 g3 Q" O
| | ├──5-复合函数求导法则 .mp4 19.68M
p5 L9 d) ~- d) w9 k8 a1 I, Q| | ├──6-推导激活函数的导函数 .mp4 33.40M
/ m$ S5 n3 R! || | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
1 ?0 g, G6 e1 i, \8 ]| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M } u4 }2 G! Q% f2 Y$ z1 @, Z
| ├──3--线性代数基础
7 F9 v/ c) G0 r5 m5 S3 v. M| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
0 s8 N% D$ K1 f| | ├──10-矩阵的逆矩阵 .mp4 38.54M
- I. e7 z9 q x+ P3 q| | ├──11-矩阵的行列式 .mp4 20.13M2 e( g1 v# \) y. s$ f5 [
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M0 d$ S5 |" e0 E
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
7 c$ V$ y+ y5 }8 }2 x| | ├──4-学习向量计算的用途举例 .mp4 20.32M
( M" L% S# C `| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
6 r9 t" f3 ]/ m, n0 k, J1 g1 @" S| | ├──6-特殊的向量 .mp4 26.45M8 R R. A& v& c& [6 d2 o. R
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
; g; b2 F5 ^$ k3 X+ P" K| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M. g- E" t+ L# M. A! b
| | └──9-矩阵相乘 .mp4 20.02M
4 F6 A) h+ k) {: c9 ^( o# J# Q6 m| ├──4--多元函数微分学 1 Y2 w- ?8 J3 F9 E' i" @7 k r
| | ├──1-多元函数求偏导 .mp4 22.61M
4 z2 ~3 [: P8 \| | ├──2-高阶偏导数_梯度 .mp4 27.15M
& l' c& d, { K1 T& |; X& ~4 M% Q| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M. Q& M3 U3 K3 v5 a: X$ }
| | └──4-Hessian矩阵 .mp4 32.93M
- @6 d' G3 p) ]; S( ~8 t n| ├──5--线性代数高级 3 u! w/ Y# j! m1 w y) C( L8 }
| | ├──1-二次型 .mp4 27.70M
& R; u+ ^; L2 B, C1 a7 [| | ├──10-SVD用于PCA降维 .mp4 24.90M5 c, B0 h) u- `2 L4 C
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
' Q; ^1 t: ~2 o K5 \- n% l9 g, o| | ├──2-补充关于正定负定的理解 .mp4 23.48M/ s6 u; {; H) w( Z0 n) u" H
| | ├──3-特征值和特征向量(1) .mp4 29.83M
( _$ _' y$ C% x4 w| | ├──4-特征值和特征向量(2) .mp4 30.07M
7 t* n' n" o, |) }' X& V| | ├──5-特征值分解 .mp4 38.68M
2 X* z# Y7 h& n/ {% N& S$ b3 }| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
1 B+ s% ?% f0 E; t6 |. k| | ├──7-奇异值分解定义 .mp4 22.58M
; e+ Y( z+ W. ?0 J6 b U| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
' N* L0 i. _/ h& M| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
5 N% M9 Q$ B; l2 v- s& h| ├──6--概率论 ' u) j1 b% C2 G) b* ?6 d
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M1 S4 ~' n, [8 C( j
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M' S) _( y$ A8 P# ~
| | ├──3-随机变量 .mp4 22.57M, R. _) h/ D1 w5 Z& R. L
| | ├──4-数学期望和方差 .mp4 22.96M( K& K: }, N$ M5 t
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
( K) `2 M3 O T% B9 e# j| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M9 c1 b, |1 h' L$ S0 K6 K2 X
| | └──7-最大似然估计思想 .mp4 23.42M
) A0 J3 x& J+ K4 Y3 X, M5 ^7 g T' K| └──7--最优化 . z' K# o! o) G: }$ h! u
| | ├──1-最优化的基本概念 .mp4 35.14M8 f9 I8 k4 X! z1 t d( C
| | ├──10-拉格朗日函数 .mp4 27.46M0 P& Q# [; z) J8 v& h2 B
| | ├──2-迭代求解的原因 .mp4 20.15M
$ Y5 ]6 {8 T4 I2 N4 V) ]; A: b| | ├──3-梯度下降法思路 .mp4 26.33M
! i8 f. P" I$ L# X- K| | ├──4-梯度下降法的推导 .mp4 43.56M& y1 ^( |4 z: H, s/ ]/ ~
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M, X6 h) @/ Y0 E3 @9 B. ^
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
8 j. |; @! Y+ `: c' g| | ├──7-凸集 .mp4 21.90M" n; S1 {- s y: {/ a$ ?+ R) @
| | ├──8-凸函数 .mp4 16.93M
9 b. b# R0 G) B/ p! W6 p" w" N| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M: \0 N0 Q h0 y7 H
├──5--机器学习-线性回归
& i( @0 x9 m% g9 x| ├──1--多元线性回归
# j; E# L9 ?! R# g* U2 ~| | ├──1-理解简单线性回归 .mp4 51.11M
+ l, p1 q4 u8 Y| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
! f0 c# }5 R1 h: f8 h5 o; w| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
5 e! u& b m2 z2 A2 P# r| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M1 k1 l5 Q' I" J Y' F% X! P4 v
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M4 X; G2 t3 C9 d. P) ^; A
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
6 U) `% W8 [0 _/ K" U| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M. f+ r" A# c8 K. Z x! I$ g
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M/ D+ _- W8 F# U4 v2 j
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
- W! P3 T8 W3 k" Z| | ├──18-解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形 .mp4 48.31M7 G" W& m4 L' r# q
| | ├──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
4 U7 U( [7 v5 F& }( \9 e9 p% q| | ├──2-最优解_损失函数_MSE .mp4 39.58M& L; N9 O; J3 _6 ]
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M5 w" N- N: |, D D5 \3 ~
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
/ X! r$ t; ~1 {1 O O2 g| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M. G9 |1 |% J4 K7 S& o, L
| | ├──3-扩展到多元线性回归 .mp4 32.15M! M* A, S- H* L$ A3 ]1 |
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M8 }6 E$ N$ s* i, }; Y! Q; ?7 u
| | ├──5-理解维度这个概念 .mp4 41.41M
# s% Z- D6 \* @ V| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
, [0 `3 G2 `1 h/ K/ H+ Y1 }: Y| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
% } \7 x; J; p; u/ P- b| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M/ ?2 Q8 X4 r& L0 D2 P# y
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
% |1 r9 c0 Y3 ?5 w5 }$ y- R! T| ├──2--梯度下降法 - ^" e2 d& \& @, g5 I
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
+ ~3 z6 w, k8 c| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
! u: ~7 L% A3 C% }* f8 \* J| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
: [% z7 D! M# e: f' F| | ├──12-代码实现随机梯度下降 .mp4 26.67M1 z1 N3 c- ~$ g1 F) o
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
! v8 M2 l9 Q$ m: r$ M$ U" {| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M8 h; t9 x. r: _: E2 O9 y, A
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M: g4 d! W7 d" B7 e; H, z
| | ├──2-梯度下降法公式 .mp4 57.12M1 X6 `0 I+ k6 H8 t+ N) F
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
* _8 g' ^4 F$ [| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
. [& W! h" Y2 p% `8 X* o| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M3 f7 W( L$ Q! q8 r2 ~3 y! J; W
| | ├──6-全量梯度下降 .mp4 62.84M
% L* m+ N/ }2 p V( f+ H3 k! y| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
( k( V+ M8 f4 p, S( s| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
2 N, x0 g$ y! N6 b" w# C- m6 c| | └──9-轮次和批次 .mp4 45.22M# q5 m& E4 ^* a
| ├──3--归一化
E; U; }' } O+ ~/ W. y| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
+ Y0 a" `1 a( H2 Y" y9 e+ 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
+ T8 Z- C! I8 V! b C% R1 w- X$ M4 {| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
. U3 M( M/ e0 V2 P: [| | ├──4-最大值最小值归一化 .mp4 24.87M
2 S. U2 T0 `# H: `* b5 O/ J| | ├──5-标准归一化 .mp4 51.86M
( i! _3 q5 H& M| | └──6-代码完成标准归一化 .mp4 41.13M' ~8 j9 Y* ]2 m/ j: `
| ├──4--正则化
* d# L1 g P5 z' y7 M( W| | ├──1-正则化的目的防止过拟合 .mp4 30.71M% t8 l& C, G" b. |) c
| | ├──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& p8 t5 [4 x" l# E- T* V! K' a
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
' v% z' M' O( ]3 o1 T8 D2 P5 F! N% [| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
. D0 S# _3 `1 i$ S6 ]| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
# G6 M; p* ? C! [9 |$ @$ I| └──5--Lasso回归_Ridge回归_多项式回归
. _3 P8 y# p' u8 n6 X: W| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
' t3 \) H" s! p1 l3 [- W| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
; R4 e/ @5 B N* v1 F& E| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
' l3 o* J5 R$ n O; J| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
2 F, O O, Y- t% a8 k| | ├──2-代码调用Lasso回归 .mp4 28.73M
! W) ~# @' v& q9 U| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
5 k1 L7 m, A6 o: \) x; ^& M, ~/ C| | ├──4-升维的意义_多项式回归 .mp4 48.06M. }' h# c+ q/ E
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
' G3 p: [5 ?' Q% b| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
7 P/ v- }3 H/ l* V( d: ^| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
f, M8 B( ?; P. ~+ W! K| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
0 d) v& b3 U5 O; `9 X$ N5 m6 a| | └──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
% W) d) M9 n7 h& j% y6 Q8 q├──6--机器学习-线性分类 3 q6 G! k: s' U
| ├──1--逻辑回归
# [8 g9 O+ G9 @ h0 i* A' I| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M2 L Y* a- b3 Q/ H. I* I0 c
| | ├──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/ ^* }3 ~: d# ^
| | ├──11-绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度 .mp4 43.87M
3 ]6 T" h- G' N, z6 q1 O/ p) [| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
' E! K+ G! a* F. H( r| | ├──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+ K; _; ?8 C6 I' v' F# h. W
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
$ {- B& Q2 X: e& n( G| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
, [1 h! p& j3 D, C, W0 N% e7 ^| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M7 {3 ]* v; c) R4 c5 \- C
| | ├──2-sigmoid函数作用 .mp4 38.15M
' ~& n: l2 Z( }; s. C/ Q- e7 w7 v3 r6 f: v| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M/ l w; `1 }! l5 U
| | ├──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
: }9 z* O; U V| | ├──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 i% Y& N8 y0 @( v b) p, k| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
" w- h }: y. a2 y| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
; ^0 b, j% }. T1 [% o O| | ├──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
9 p6 M1 h0 m: B" z* e| | └──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
& H- o+ w- b$ S/ v5 f% e/ ?# N; L| ├──2--Softmax回归 8 N, o$ c' @% e5 _! K
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M- i! P5 K6 `8 O8 [1 ]% i |
| | ├──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
4 e4 r& y3 x9 K) N6 r- \. _| | ├──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 49.16M6 ~& {; t" B* h+ w
| | ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4 47.67M' b( V8 Y7 S: S3 l
| | ├──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' M; k+ j. c9 P2 v
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M, v/ W$ R( k, x' A" ?, O2 |
| | ├──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 33.42M0 T# z4 c5 y5 @
| | ├──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
) N( k; e- r! L8 h6 R+ @| | ├──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( q& S2 w, r; z
| | ├──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
, G5 V) W: L& z+ M, v" V| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M/ R/ K% O7 B; F& u3 D& c
| | ├──8-实战音乐分类器_探索不同曲风音乐文件的时间频率图 .mp4 52.39M
X( `6 p/ P8 n| | └──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
) R* D; v l% u; _| ├──3--SVM支持向量机算法
/ p/ G1 f1 W A$ G n0 S| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M; F! @' c+ s" @/ _) m
| | ├──2-SVM的思想 .mp4 55.56M
# {( n$ b7 Q+ y; G4 Y| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
# P( d6 F1 n, A% H; Z( \8 U| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
9 S2 }% }6 R. Z9 K1 R/ ^3 M| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M: X( y- p* F( i. F9 ?
| | ├──6-总结硬间隔SVM .mp4 39.01M
7 x7 P$ O- C& _/ Z| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
4 g- ~* _8 e5 {/ }, P| | ├──8-非线性SVM .mp4 54.43M
/ ]' l7 B" P, L) H( g) g| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M2 ]% A: K1 b# B
| └──4--SMO优化算法
+ ?; F' J( X+ _| | ├──1-SVM算法流程总结 .mp4 58.36M
# w/ h k' w' H& T. g$ T| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M8 z3 _7 t# h& x! ~2 A" Z
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
; H) N9 M9 x5 \# x| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M- d; R' o% \9 a- h6 [
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M4 @ r2 J4 y* C. [ T" O
| | ├──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, F! b/ n& D" x3 ]9 L
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M- I/ Q( u9 @3 K0 Q/ k
| | ├──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
) J+ M+ ?/ q4 N; h) K! G| | ├──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 63.23M9 m8 D$ L4 U/ ~, R9 x
| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M9 }: j% O0 c7 A k2 S" q% E
| | ├──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) T: i7 V8 S: E
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
& e/ i- ?7 b0 d5 i/ e7 t# l| | ├──7-启发式选择两个α .mp4 23.11M. [& r* R1 O8 x4 r% e
| | ├──8-如何计算阈值b .mp4 50.18M
. ?$ t/ O3 ~ W* r| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M" ?/ h$ @, N$ h9 w* U7 ?
├──7--机器学习-无监督学习 ?+ V5 D9 E" Y( S9 _) R3 Y. R
| ├──1--聚类系列算法 ( R' T; a3 v) ?; o- ^; t
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M. A3 v) j/ y8 K+ O
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M( o( N9 |2 c0 r/ L% |/ U7 O7 n+ x
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
6 ` S' G9 e" k# Q1 G0 z| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M& m$ T# @& P2 ^: W, B( d
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M! [" E% F. M* w6 i6 G# q' Q! F
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
. E0 M& B$ P P1 [| ├──2--EM算法和GMM高斯混合模型 # c6 W3 y7 F5 J K n2 S! f
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
1 V) K0 D( ? r( g! X" p0 c: ~| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M7 ?' }1 W v7 P+ a" g$ n" r. G' L
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
7 Z( o+ y0 S6 H$ Z| | ├──4-Jensen不等式的应用 .mp4 109.17M
9 r* ?0 c& e# v7 F- A7 p| | ├──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: I2 P! S7 Z0 {6 D( }- N5 z3 S
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M$ _0 w, O* o9 n; Q' s. ?
| | ├──7-GMM前景背景分离 .mp4 16.01M
$ T0 a0 u* D9 ?7 V| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
6 T% `( A7 Z R4 |* z$ |0 \| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M/ G, ?2 ]& `; x. Q& P: [
| └──3--PCA降维算法
2 r+ w/ Y5 Q- v, a _- ?| | ├──1-特征选择与特征映射 .mp4 49.38M# m5 e: K& p# U4 w1 u5 u% g' k
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
" `+ b: ^9 Z& V$ d| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M' L) S; h+ D7 {8 X
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
2 @& O( W% {7 _& u+ C| | └──5-PCA的几种应用 .mp4 54.58M
. U& g* G: N5 s/ t├──8--机器学习-决策树系列 ; f* b5 M1 n8 L6 ~
| ├──1--决策树 * ]* p# x- M" H& j$ T" j
| | ├──1-决策树模型的特点 .mp4 74.88M7 I# }. ` l( q
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
5 M' p1 e( `% S| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
; x" i S$ u7 l+ C8 C3 n| | ├──12-后剪枝的意义 .mp4 50.49M
- w: @1 B, @( k5 m/ ]2 P| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M: K/ }5 C+ ]7 j1 Z6 a" `7 T
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M* `: \3 S& S* ^, j5 D" B
| | ├──2-决策树的数学表达 .mp4 89.94M$ t# [# \1 @0 \6 a
| | ├──3-如何构建一颗决策树 .mp4 84.87M
4 l; o0 b1 }% Y& W1 P1 `/ s| | ├──4-什么是更好的一次划分 .mp4 57.02M
5 E' I; Y8 w3 G! K| | ├──5-Gini系数 .mp4 107.54M' l {# D* C' C3 R+ A; L
| | ├──6-信息增益 .mp4 75.26M
1 T _/ M) e1 m+ @1 K' f| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M8 r2 \7 c5 T# x5 f7 e
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
9 W+ `4 h; H- h2 C: Q2 e' ~5 n( T! S| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
5 M2 i% A4 P4 k- l" ^" a| ├──2--集成学习和随机森林
: w. Q6 l. M' l8 o0 A' ?| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M' m4 D2 f n% w0 [5 ?
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
2 U( m6 V5 ^7 || | ├──3-随机森林 .mp4 108.14M% J! K6 q7 b+ F, u9 I2 J
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
5 E) S( C# }2 Q3 c& G2 E5 U| | ├──5-OOB袋外数据 .mp4 106.07M
, a9 V, w8 N1 y( V2 D+ p3 c| | ├──6-Adaboost算法思路 .mp4 106.30M# B, Y& p* o0 h5 X2 Q
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M7 Y: W" c# t+ m" G
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M. o9 T( e9 {5 j( M' Y; g& r$ j; M
| ├──3--GBDT 1 m- _- d7 Y+ y
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M; L+ v! i1 n$ q; ^
| | ├──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 Z8 t1 A3 c/ o) W Y( J
| | ├──11-GBDT多分类流程 .mp4 73.80M
8 c, R2 A1 h/ O$ i* `| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M5 Q: Q. t" k+ Y4 p {+ X6 e2 \
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
+ \, Z. O, Y3 t+ w| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M7 {* h. s2 h- N1 |
| | ├──15-GBDT二分类举例详解 .mp4 86.67M* H; _. t& v r* _6 V, V
| | ├──16-GBDT多分类举例详解 .mp4 91.71M) p# `) g, N8 [
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
`. @$ R, s+ c( k. g* W2 X V| | ├──18-GBDT用于特征组合降维 .mp4 43.72M9 K- E3 N+ }' y( ]
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
, [; T: m. C% p4 t| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
: u I; M2 B" b9 l" n| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
9 i5 U( m) A6 ~* h6 F! Z- A| | ├──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
5 \5 ~) \: q4 G! f2 X ?" r| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
0 A$ ^. @% g2 U9 K- N# P| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M; e, S. R- Z; h( W# k# {1 e
| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M
! |3 g& Y5 L, J| | ├──4-GBDT应用于回归问题 .mp4 84.66M4 }% s0 ~4 Z* h
| | ├──5-GBDT回归举例_总结 .mp4 108.52M0 ^6 U' v" F1 b2 d
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
2 S9 V1 l( q; l3 c1 q! r| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
) L* s4 S0 [7 m$ O9 [. U2 G) V' l| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
# a0 B9 W% I4 {) k; K1 g| | └──9-GBDT应用于多分类任务 .mp4 73.34M
' K# l5 `: V. q* I| └──4--XGBoost ; Z2 A' w- H9 _, B8 \* \" O! x1 x0 z
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M& ^. a; v) Z/ q5 a
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M/ U/ |/ l7 O$ l0 J* ^
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
% V' d4 ^% i6 g8 a: u8 L$ B| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M& b4 L( y. i4 A2 S: g
| | ├──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/ r! e- J3 |, w! x7 ^
| | ├──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
) h- z1 M G ?3 W| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M9 k+ G+ m+ {3 e) U8 i& s
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
) V4 L% q3 Y2 M, Z8 R| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
) f+ @; e; |" L1 L| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
2 F% Y& Q* K6 x; c( ~| | ├──3-基于树集成学习4个优点 .mp4 91.36M
( o) Z- ?, M7 s1 y6 k| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
0 ?; n7 |. @0 @! M- w! u% O& I| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
8 \# V4 o1 F1 L g+ c| | ├──6-Objective_vs_Heuristic .mp4 60.42M
4 k7 D2 k' y+ `& d- B; P: s| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M U0 K- t! k5 Y7 K
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M8 [/ E2 x0 `; i3 ]
| | └──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% C9 t4 @3 h) {8 z4 s/ E9 b
├──9--机器学习-概率图模型
q+ s+ E C; ~8 k2 O+ }- ?$ M6 O| ├──1--贝叶斯分类
' q# S8 }5 H8 @" ]1 s1 {' Z4 B| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M r' K3 w8 n% k* n
| | ├──2-TF-IDF .mp4 53.08M4 m! [ M7 b0 r4 X" j
| | ├──3-NB代码实现解析 .mp4 126.73M; L M) l" U6 r5 k! A* J6 }
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
7 f ]4 Z* H) S2 F| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M# [( L# i& u6 l+ P v$ z
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M3 R" m% R) ^7 J q2 t5 k+ Q0 ?
| ├──2--HMM算法
( s9 W3 F8 u! i1 Y1 ]| | ├──1-HMM隐马的定义 .mp4 36.82M
! Q4 \* M4 X1 Y0 R: H5 u1 V3 ~| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M8 @ X( u, B$ ?- l0 M5 `
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M k& ^! R' {7 F5 {0 @1 A
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
, E# O( L' n! R) J$ E( k7 g| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
0 h4 d, Q- m7 U9 `6 J| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M$ P' ^$ X4 q; P4 z c
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
* K5 Q" y' j a5 u| | └──8-Viterbi算法代码实现 .mp4 42.43M7 Q0 M# j6 h) l; {
| └──3--CRF算法
8 `" ~* k3 t1 G% u. O# y& q| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M
; [% O1 M) H1 x' U5 ^| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M+ z& M& s9 m) K9 C# M7 s8 I
| | ├──3-了解CRF层添加的好处 .mp4 105.90M7 Q3 ?. V K6 ^
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
% J4 a" A% c1 j* M$ H5 f| | ├──5-CRF的目标函数 .mp4 23.74M! [2 S/ G) F/ O, p" `
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M, y* t5 V0 u+ z m2 |! S, ?
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M1 b2 D+ S( b* m3 k
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M4 \: v! s' J8 W6 m F
└──课件.zip 2.54kb7 S! j1 a$ v S
5 q% b# T7 h) B" z4 n) i0 M9 _
* @& \ }% W3 D& i5 r% w4 g$ l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！
5 D; U) A7 e/ p1 y
3 P6 r& D/ C" _0 q3 A; K9 _; s; {. L3 v
|
/1 
