战-人工智能2022// z; S" n2 `- B. D4 J3 ~+ C$ f6 `
├──1--人工智能基础-快速入门
7 i0 I% ~# z% \# {4 `| ├──1--人工智能就业、薪资、各行业应用 6 B2 C0 r: y0 W2 ^9 W+ _
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M$ j) ^+ k9 i; @6 S* }4 G Z7 |
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
( h( w" w9 K* _ ?| | ├──3-人工智能时代是发展的必然 .mp4 23.22M$ E0 K& B! s0 s! Y, _% C; T4 N' r
| | └──4-人工智能在各领域的应用 .mp4 57.73M
/ I) X+ T! N, T/ F: w7 v8 D- m| └──2--机器学习和深度学习、有监督和无监督
@! G0 T! L6 Y i3 s| | ├──1-人工智能常见流程 .mp4 89.62M5 I7 h e$ l; W' H
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
5 J. W/ E- V A! [# ?' H| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M0 X6 j" C v+ S5 Q
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
3 {; `: M5 @ s0 j6 `$ Y4 B# ?| | └──5-无监督机器学习任务与本质 .mp4 50.15M
4 A0 u- W8 I" l├──10--机器学习与大数据-Kaggle竞赛实战
/ V) B5 W, g7 T w4 [| ├──1--药店销量预测案例
3 w1 I+ J/ U" J| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M$ ^1 e+ R2 O% V, U
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M2 U1 O; s$ ~8 S5 K& e" u* Y
| | ├──3-自定义损失函数 .mp4 21.12M
7 Z! w( a, L0 _$ a| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M2 p- |* v+ e, E7 q
| | ├──5-数据的预处理 .mp4 111.81M
: ?2 p: ^. q1 U( w| | ├──6-模型的训练_评估 .mp4 66.64M* F3 I- K7 j6 l- n. M2 ^
| | └──7-kaggle竞赛网站学习 .mp4 172.16M% T5 Q0 R( L! p7 |
| └──2--网页分类案例 ! [3 T* D" Q# u1 w, [5 h( y
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M* q' _% Z, g+ v; `% B
| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M! \* X& J( u, D
| | ├──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
% `% i1 Z5 d: j$ Y| | ├──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
* G4 @8 o3 y, g8 |' S| | ├──2-评估指标ROC和AUC .mp4 56.19M( O- A) I4 U |
| | ├──3-评估指标ROC和AUC .mp4 49.03M
7 Q% D2 q- B" P| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M6 c" ~; S4 R' ?8 x: H" z4 F% Q. z
| | ├──5-数据导入 .mp4 68.41M5 a' s) P$ O( }$ k. R6 t+ |
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M [3 y7 p! k. M8 r3 k
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M, q7 L( M4 i9 L' U' b: o3 A) Y
| | ├──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& p4 R2 f7 S! p( @' p" }. y9 U
| | └──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# r# |; p$ J1 l
├──11--机器学习与大数据-海量数据挖掘工具
8 o+ F h6 L2 F3 y- v3 z7 L0 m| ├──1--Spark计算框架基础
- z% d; D& P8 x( i: |0 \ \| | ├──1-Spark特性_01 .mp4 41.68M
- l" H7 m' M: O# Q, P| | ├──10-分布式计算所需进程 .mp4 26.30M
% ~' D. ^8 I) P| | ├──11-两种算子操作本质区别 .mp4 56.31M
" i U* @0 l2 n8 h! X- }| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
% K$ o& Z6 |- ~+ J4 M1 s! ~5 b3 `, [5 }| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
. X) e* Y! }& X* Z6 I% |& S: H1 v| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
) E5 a! l; l. |* n( q6 o. @| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
& t; V) ]8 C% [% o% S0 M6 k# F! a| | ├──2-Spark特性_02 .mp4 35.15M
4 ^. n, \2 E6 ~9 s3 H5 V8 X5 }| | ├──3-Spark对比hadoop优势 .mp4 19.34M
6 E7 M, Y, r5 r3 q1 {| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
! e; b D8 }4 P6 D| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M+ L/ f9 s3 m2 Y: u" g9 m4 q
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M8 k- c+ |# J8 ~2 k
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
5 [- C. f0 {' \9 b/ I/ j w| | ├──8-Spark的RDD特性_01 .mp4 33.08M: ]& Q e+ X" ?9 U3 X
| | └──9-Spark的RDD特性_02 .mp4 33.41M& i- A" p, L6 P* n
| ├──2--Spark计算框架深入 3 L, [! O% w A) @2 U+ H5 k- c
| | ├──1-Spark数据缓存机制 .mp4 54.43M7 W. V/ g8 E/ E0 S$ ^
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M9 X/ r, I" b) }
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M: I0 L9 o( J. L: j6 \
| | ├──12-构建LabeledPoint .mp4 111.08M
' D. x/ v- W$ Z5 s' q| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M- Y1 {# n- w& ]. t( o
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M; ?, z P9 h0 j) K A
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M; O" i- }# j! |- K8 O: B: g* A) q
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M4 e5 C9 N/ J3 R' P( @8 H
| | ├──5-Spark术语总结 .mp4 89.66M. U* F# J; C0 S9 j& ]
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
. Y4 x5 _8 s$ H. @| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M% M. z6 Q0 T% K
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
' f' K0 |) w: r" W# R' s _9 d| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
( F$ H- x' ~) s& M, B* ]| └──3--Spark机器学习MLlib和ML模块
7 Y! V, r* v3 i| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M$ z: E& q4 g, w6 U9 \# Z
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M& y$ O# @4 h1 C# B4 [7 s9 l
| | ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4 89.72M2 G9 E+ B3 O6 t. C V7 K, f
| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M4 D- z& H5 n6 c* n4 d( ]
| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M5 h% n) d7 t& O" O+ J2 @8 n
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M- D$ }0 F7 A, E& _) @# R k: S
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
, Z! X( }$ r8 @* ?, M4 N; k| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M) R# m- L, F+ J' a7 w- L0 U# x# @
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M2 ^$ C; x: U8 q' ]; z5 P$ o& ~
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M& U5 n* p! ?. s0 O' V( u. Q& y' d
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
/ Q4 v1 ~/ z* S5 a# P| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
' O" s4 j! h. I0 T| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
8 X. E/ W/ r8 D6 R! X+ |* c& || | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M% R! b5 C/ e+ Y$ c
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M2 W. z x' Q# l# T) V6 ?, K5 |
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
8 W Q9 g; d2 K" G1 f| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
7 @ C9 H. ^$ ~) c| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
& p" D8 s! y5 O* s| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
7 m) g+ b; R9 M- S3 `7 }% m| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M* N+ T- N: {" u% t
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
; M5 G% }6 d; [/ H; n" u1 || | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
3 {4 i4 L# |/ z+ N& s% H| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M; k/ ~$ w) B/ B" h2 J
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
; E7 d, j, P! [1 M5 c| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
9 L1 A1 B' \+ b0 E: C| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M. {7 b' q% s. A' _* W
├──12--机器学习与大数据-推荐系统项目实战 & c% ^3 [9 d! m
| ├──1--推荐系统--流程与架构
7 F- {6 K& e4 n% _9 a* j| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M/ S; b& L& c+ W: T" k8 B
| | ├──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
5 y( A) {/ D: K6 F' Y( @| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M2 X. d' d' X& c4 h
| | ├──12-推荐系统_数据源_1 .mp4 79.07M3 L' b0 @8 N6 ~6 n P: j- r3 z
| | ├──13-推荐系统_数据源_2 .mp4 82.90M8 D6 I5 R: l' }% P r- C
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
+ } M Q$ Z, Y+ F* _| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M8 s$ j, U' n) ~2 B
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M0 P; v' _. b$ K
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M+ [7 B# I, ^: u
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
' o. a, a8 F5 u' y4 G* l8 T| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M. x. r, @2 B' t6 C+ P' l8 N
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M7 K' w0 l( q. e% T1 D
| | └──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: n; w2 | E5 x& e: t2 n* }% ^, X
| ├──2--推荐系统--数据预处理和模型构建评估实战 ; \8 i+ ^/ U6 s- c
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M/ v& d5 Q9 ^$ L5 y/ t
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
% k: D3 e0 J; Z: Q, ^, Q6 l3 [, r$ {| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M3 S' H- }. r4 C4 t# F) j' W7 j
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
! W1 A& v) M% P' f) Z| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
" y# x, d* M( ^" x; r6 i| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
6 Z- \: B% o! s; i) p& P7 \% o4 t| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M2 s* q N! D Z6 ]/ V5 k* G
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
% ? _3 C4 x- S# p5 i+ N; }| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
. V+ P6 ^( g- R8 N7 I3 g| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
/ Y. R' N8 b9 F+ a| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M( T* X J% L/ d- q6 g
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M) Y2 \4 m, T# q) S$ r
| └──3--推荐系统--模型使用和推荐服务 - K5 V! I2 k; p# K! I! y6 C5 f$ ~
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
0 P* t5 g% [: N- u, b7 g& c| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
3 Q; z1 F; H4 || | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M# R8 I; l6 o4 Z7 I
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
* E( ]5 h& J! e8 K4 t4 I| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
6 z9 {6 P* \! _( E| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M6 k+ C+ E- x, x0 f5 X$ E# O
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M3 |7 ~* ]8 g$ l: O5 h! f# \
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M. V" L5 V' f7 f) g9 o8 x9 H
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
2 U2 c, F6 ^; n$ `| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M9 u' _* |. Z- x% c& v8 {/ m
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M( B, Y4 J+ s5 y3 B7 p0 e
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M' z5 r0 i; |9 r: ^* \2 r
├──13--深度学习-原理和进阶 * l! N3 e5 R! y3 I* w1 K n
| ├──1--神经网络算法
" L6 B- N( N3 ]2 N7 C! A1 u [% v| | ├──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- c4 n1 s8 e; `$ Q
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M9 p) K( |8 j+ I1 F" R9 U
| | ├──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 67.67M8 x" ? i# M0 }9 I$ x
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M: O& G: @5 r, H* ^% o' {
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M6 A" m, y8 {' G" Z, F
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
7 O1 }: T3 r+ @0 n p/ C| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M( X3 P" x3 A4 S p+ R
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M1 z N+ S. V0 c7 h: _; q0 ]# }, t
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
0 t& X) A: B( Z# Q8 V% `' g/ z| ├──2--TensorFlow深度学习工具
& ^1 b0 g2 H5 H- d4 ^& V| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
W4 z3 C. F9 w- D| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
' N8 \* W q3 p) K) x/ w- Q| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
* j' U4 t( C# ^) e8 s& [5 f| | ├──4-TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式 .mp4 173.47M
( p, t X* j8 e- l( D4 F| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M9 U: [- `; p/ p3 h; Q; g
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
+ d! c( l. n& [0 E; M| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
7 @1 _2 ^ ?: R4 ?3 h! {| └──3--反向传播推导_Python代码实现神经网络 : E6 p) b8 Q' g6 ?) P
| | ├──1-反向传播_链式求导法则 .mp4 86.47M0 f" o5 m' e7 }) k9 P0 b9 O
| | ├──2-反向传播推导(一) .mp4 127.90M
. u7 @: A' ]! K/ ?) G| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
" Z' r! j# R# x& T6 U5 b- S$ q* g| | ├──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 81.20M0 N2 F4 q- q+ Y
| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M! { ~0 _0 I, J, D
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
% H! }% D4 T: {| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M+ U" R6 W7 Q) h- u/ } \4 Z
├──14--深度学习-图像识别原理
; L" y1 R( B, S% X# J8 |$ i| ├──1--卷积神经网络原理 " w# b; w' s! d( l# @% @
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
) u( M& [9 x* G5 m! O| | ├──2-单通道卷积的计算 .mp4 104.01M
% q4 f% x6 J& o: W| | ├──3-彩色图片卷积的计算 .mp4 52.79M4 `* W4 B% ^7 I3 T$ o" B5 t
| | ├──4-卷积层权值共享 .mp4 63.93M
+ r% L" [% o1 e- Y3 u( v% X| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M) n8 m# g& }# o, E6 f- h4 Z
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M9 X" p# F* ~8 |
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
# o( R/ D9 b- v| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M/ N7 g9 G v5 X g; q
| ├──2--卷积神经网络优化
9 g0 P1 u5 D8 f3 V% [| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
/ \% e7 V4 d$ D7 n' X* V; A0 D" a! k| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M# m+ u, B, f4 t# \3 \
| | ├──11-Optimizer_Adam .mp4 141.12M
1 A" m' L% ?' G6 _: _0 M| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
3 J9 a. ~% Z7 q2 x, n+ K5 P- z| | ├──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 D% R: D1 D7 I) i% l! a( M
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
9 _. d' s+ e) M. s+ n5 F, q/ }" _' B| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M* r, @8 A! r" w, v, J/ ?
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
b; M0 n. `6 t7 y5 m' o; W$ v| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M6 O- Q2 K6 S r+ l" G, }/ v; J
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M$ m& f! ]4 A p7 ~
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M2 O0 @! e! }/ z. ~/ F, Z O' W
| ├──3--经典卷积网络算法 x; r4 R/ X: j4 I9 S1 P
| | ├──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+ ^" q; ~( G3 @9 U0 x9 z# t
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
+ Z! |% `" o5 a. Q' `! b| | ├──3-InceptionV1_V2 .mp4 165.86M
! I* ^, c) u/ u# s| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M7 b( p4 v: B8 F2 P' x
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M: m1 G/ Z; F& m# a( ?7 e
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
4 }9 U& q1 D( y$ K& x| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
& k5 z3 [2 h8 O. h/ X# B' S| | ├──8-BatchNormalization .mp4 99.23M
* g+ T. j( A+ X5 V: {! c0 T| | └──9-Mobilenet网络架构 .mp4 150.05M
; r+ Q7 M: B+ }* `| ├──4--古典目标检测 . q# B7 n+ ?1 r* E
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
$ y! v2 f% E6 j4 J7 {4 c| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M0 f9 C: ~3 q- \( ]
| | ├──3-IOU以及python计算的代码 .mp4 23.56M. p. b' d8 H6 _5 Q& e5 S* m+ e
| | ├──4-R-CNN和SPP-net .mp4 124.06M
+ J; f% w! D$ c. D3 y| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M7 b4 b. l, r/ C5 \1 y
| └──5--现代目标检测之FasterRCNN
+ @2 ^, T5 N3 |1 b| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M- e1 z2 G$ E! V# B2 U1 J
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
* v- o! ^3 ~" I x| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M/ [5 h0 G+ \! ~( }1 k- C) |
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M+ p: D+ f8 D/ L
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M. r7 s5 w: S2 O) U7 x4 N5 K
├──15--深度学习-图像识别项目实战 # b' m6 ~3 }$ B0 K% M+ E5 w1 U0 y
| ├──1--车牌识别 4 D9 R" e7 }9 q9 q! Z4 {/ \
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
4 Y, u1 ~8 @; ~# u| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
6 W h# q' t6 n" ~2 A+ ~ B h| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M% z6 x* r2 b! a/ t
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M% Y8 h; a$ q! f3 h
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
@2 f5 U( W. N3 a1 M# K; R| ├──2--自然场景下的目标检测及源码分析 0 ?8 r7 d6 v7 z" s
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
# I+ Y+ m; P$ w6 \9 q) [2 q| | ├──10-FasterRCNN代码_构建head .mp4 67.56M7 N, P1 H. W; S1 v( E J5 M5 v
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M. F6 ^$ h- G0 G. V! L4 ? t. h+ m
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M( e$ ]/ H# [ n/ ^* \! h
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M O& H) y" j: }! G
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
3 ?) }0 k0 _+ T| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M2 G. k& M4 Z0 F, L
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M" l9 t+ @% M* C' a& \% L2 w
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
) A a% v) `8 m7 D. `| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
& b) K0 G' y' L; B# ` T( T7 A| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
' G1 Y* F" q( `; x- C| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M5 N, @1 }9 H* }/ \7 R
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M6 A* S5 Q% l( r3 u- g
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M: o3 [" l4 u$ f/ X9 A
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M5 O3 h/ T! ?- S, |7 M- J
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
6 { C1 V E7 F8 C| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M3 ^- V2 q& o+ ^ A# u& f9 u
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M3 o7 c. f% G& X& S
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
& N6 d; n' w; T: `5 d7 L| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
; n/ q2 F' e7 C- B9 A| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
/ U1 R" z9 L( n% {0 F1 ?9 h, M) k| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
' Y7 e9 K% m8 \" L! j/ _$ H| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M! m$ x1 E/ W9 n: V
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
% V$ m5 G5 `; `4 T4 j| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
6 ]7 r% r- a0 n( y/ R& b| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
2 }2 P* ~2 v' E9 ~. I5 w| └──3--图像风格迁移
4 T! j$ Z8 R( }| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M2 } K7 v. q' D7 s
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M0 J0 T6 h5 c9 |2 @. U7 j
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M9 z ?. m. u' R8 X
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
! S: W9 x/ ?$ w. }0 L: f/ o├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 ( [* b5 L6 I* x6 F2 r) D
| ├──1--YOLOv1详解
7 ~4 x; v2 W/ S| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
( ^: ^( P9 e1 H5 f7 ?$ l( n3 M( m| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M: j; l. V' v. x: @! O' S
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M2 g( L V% N4 M7 {2 B( ?
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
; F; m, r* D& R; p& O| ├──2--YOLOv2详解 ( N# s/ Q J/ f9 a! n3 X# N
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M1 ]4 _ g& u. a9 e
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
6 ~, R' y/ }+ H: s+ F2 J| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M8 P; O8 k, w) r0 t* s0 U' J
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M: P- t; S: r+ P) D- W4 v
| ├──3--YOLOv3详解
0 F" O4 i X# t/ Q+ y2 w1 y. d| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
6 n b s, Q3 ^+ J3 V| | ├──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
2 m3 X5 A: V% q3 A/ T| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
7 Z; [9 [+ B5 [% Q$ V| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M+ r, H8 x6 j. E0 B6 L6 m$ \
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M4 {6 @! r3 V9 O0 v3 e ]9 f
| ├──4--YOLOv3代码实战 . y4 ?; m" ?( u6 c
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
6 h' y$ o) V* T2 o| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M+ p3 f1 ]% Y8 z6 z1 i( N# Y
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M- \( q4 P% O# r0 m
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M. F1 s" y3 b8 @0 P$ [2 l
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M& h# _+ K5 Q4 Q, M: `$ j; s6 E: t
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M' c* V ^7 _. ~ u1 x
| └──5--YOLOv4详解
6 B3 `8 l- ]2 B' G| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
9 Y1 ^9 F$ x# L: ]/ W. \6 n6 S| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M+ r# p) N$ G; \% g, s# {/ i; t
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M: L( Q/ T+ b; l! C9 V+ o! j
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
) y6 @8 o' i% P$ k Y& f. C+ o├──17--深度学习-语义分割原理和实战 e( U. U# H% J9 ?. U6 e8 I3 p
| ├──1--上采样_双线性插值_转置卷积 4 ?2 }5 B/ ?4 X, f8 L3 S
| | ├──1-前言 .mp4 19.46M! i$ {2 u: v0 x3 _' j
| | ├──2-上采样_repeat .mp4 23.90M1 h# Q1 z0 y9 ?
| | ├──3-线性插值 .mp4 34.48M
$ n. S* J0 E: L| | ├──4-双线性插值 .mp4 125.71M' p. H- H; N b( L
| | ├──5-转置卷积_以及TF的API .mp4 114.25M2 |# Y( F- C* Y" }# E" _8 ]9 J/ y
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M( `) m. ~& \; S0 ]
| | ├──7-ROI Align .mp4 58.38M
3 |& U" W1 a# W& I| | ├──8-FPN思想与网络结构 .mp4 92.14M' V4 z/ Q" `) G6 O1 p5 L: o
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M P4 t) v- {1 \8 Z* y+ i
| ├──2--医疗图像UNet语义分割 ) T$ E' {" G; G6 t" H$ X
| | ├──1-语义分割的基本概念 .mp4 18.33M
1 Y( p: p4 e5 {4 Z' V! r* Q% A| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M0 R& X9 B- \9 }! Q3 @0 ~, F
| | ├──3-UNet网络结构 .mp4 30.41M
5 @! Q" ?% ]( a, A| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M y; e+ Y/ x) [4 ^( P) c
| └──3--蒙版弹幕MaskRCNN语义分割 ! d4 h! g( b( i9 R
| | ├──1-MaskRCNN网络结构 .mp4 106.38M& ~1 U6 K& Z( i8 \. v# u H
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M1 a6 O8 V0 \: [, m
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
$ p) z: C/ S, m- J. F| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M+ l6 V3 L& l T
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M8 p f$ w+ g6 i9 d" J1 ]
| | └──6-MaskRCNN源码config和model .mp4 244.48M
8 }% c4 `: f0 d( a9 N* ^9 [├──18--深度学习-人脸识别项目实战
7 r; z# ]8 q' f$ T( R| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
- R: A; ]. u' _& x! t9 U, b| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M) Y. T$ k/ ?- ^! M% P
| ├──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
) [ Z$ U$ D3 m8 _| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M8 r! f1 n; m+ e: D1 p9 d0 J
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M6 c( M. c( q0 \4 b& E: E
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
+ v, M) c3 Q! Z! B( J| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
: b9 @/ U- X! C* R, y* h5 M| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
+ J1 C8 I4 W6 {. r8 a| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
/ z1 R/ ^: u; O p| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
( Z. E% s( {# Q4 h! x! ~| ├──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
( Y3 B7 S2 f" `+ {| ├──2-开源的FaceNet项目介绍 .mp4 38.07M# @) r# p+ O, e
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
& M; X7 E- I9 l! Z| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M, |- v9 R) N- T2 m
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
. y6 B* F; Z) b& a9 S6 C7 K9 V| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
3 r: D2 y- T1 z- H2 X+ M| ├──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* W- K6 w4 a" J8 Q, a, t; u
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
3 A9 T1 Y7 t+ H `; I0 v| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
+ j" W- x9 P8 u; z8 C. {├──19--深度学习-NLP自然语言处理原理和进阶 0 `5 s* q3 D' V/ q( l8 R& P8 z
| ├──1--词向量与词嵌入
8 ?# L; I7 M. a| | ├──1-N-gram语言模型 .mp4 116.32M0 M) d2 G6 o3 v4 L& a
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M/ c/ S1 ~2 J1 G8 V$ c
| | ├──3-词向量的作用 .mp4 58.00M9 A8 ]' k5 V3 }! u# C5 Z; X
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M/ Q6 f: D Y* [( }7 d$ p1 H
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M$ r- T R8 d) a
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M9 F0 C1 k+ Y) ]2 Y z' i4 s
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M" d- ~" I; ~8 e7 T4 T$ m
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M+ C" e6 {& S# m" n1 s4 M9 q
| ├──2--循环神经网络原理与优化 ' _% ], v3 ]4 ]+ R. A
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
8 E/ |9 U7 N) ~ M| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
; X8 ^ S# g# w: E+ T$ `8 {| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M4 }; o& C9 V4 e8 J g
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
" d9 g* Y3 L- w. [ ~| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
" P: B, s9 n* i. a, P| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M4 l2 I& i/ I* w: {& P
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M& ~4 V5 d9 \% G; C
| | ├──8-双向RNN_LSTM .mp4 52.01M: Q1 U$ t: a; S+ l
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
% D+ j* C- r6 X" c. }2 N9 L1 ^% I| ├──3--从Attention机制到Transformer
! o% o( X N( H7 @4 u1 Y/ d* M$ O: q+ F| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M7 b: H' @3 C2 B# a g) ?9 z0 r
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
" @0 {2 E. A% U) K9 |4 r| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M, D F. R8 h% K0 s; d/ i
| └──4--ELMO_BERT_GPT , E- g1 O$ ~& F7 A$ R" F2 w" {
| | ├──1-ELMO .mp4 62.44M
+ Y( u6 O& i& V. r| | ├──2-BERT理论 .mp4 99.73M
# S+ c* w# ?- ~/ k' y/ Q, m# ]0 Z| | └──3-ERNIE_GPT .mp4 56.34M
- P; F* r# H2 L: H) h& H$ {├──2--人工智能基础-Python基础 ' P% J+ |0 }- w1 V6 X$ h" E" d
| ├──1--Python开发环境搭建
5 G7 K2 V3 p9 t6 H- ]4 a4 U# ~| | ├──1-下载Miniconda运行环境 .mp4 100.75M" K) B9 O3 P9 T9 p* l! E0 ^
| | ├──2-Miniconda安装和测试 .mp4 57.12M. r# u6 h- f+ P" T$ ^5 T
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M: p- ~3 ^% `# v% Y' l0 [4 [# X! L1 e8 V
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M2 X) V. c0 @) L/ V' ~6 k
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
3 i* V2 ^% Y$ R( m7 F| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
" D w8 E8 z) {| | └──7-关联虚拟环境运行代码 .mp4 38.14M
% P# H" R: V, K6 i, `* u| └──2--Python基础语法 8 t: l3 b7 o0 l
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M7 \- y& I/ ?9 z9 k9 B8 X
| | ├──10-Python_集合操作_列表 .mp4 34.71M
- `3 B& v$ [9 \; x# D| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M. W8 t. N% e5 x! K$ f# e7 M" Y$ T
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
+ c1 G$ T1 E% S" x" M: } I/ x| | ├──13-Python_集合操作_元组 .mp4 43.46M9 ?0 _+ H8 g& O7 O" E+ e
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
& O) f' z3 D4 r/ `| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
' f* y2 I k7 s! K) || | ├──16-Python_os模块_shutil模块 .mp4 51.54M. v! i% ]7 X4 y m' A, A! d' u
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
, G- t6 X0 | r3 o$ a7 B& F! L1 e| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M9 S' i7 I U, O! M
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
( t* D- N3 {5 q( u| | ├──2-Python_控制语句_单双分支 .mp4 50.66M1 v0 A5 u+ S/ p# l
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
7 l2 `! }- U, W1 M8 R, z| | ├──21-Python_函数_递归 .mp4 23.46M3 d% \# n, \) \
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M4 q( G8 k: n% ~7 q& U
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
$ b: m0 M4 w: q7 k, X2 P( B9 D& Y| | ├──24-Python_函数_闭包 .mp4 41.61M3 c6 N1 W' y0 Z
| | ├──25-Python_函数_装饰器 .mp4 30.35M; R# P) G8 p/ x9 @* J- \: M `# C5 x
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
3 x# c t* l9 i| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
: [4 v, e+ d% q4 k1 N! g| | ├──28-Python_类对象_内置方法 .mp4 29.17M
% E! u' i2 N. Z| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M! Q1 t. J0 G! ?4 O/ ?/ l+ v
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M1 [. J/ i7 i- E2 ]9 C, G
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M) d1 s; ]7 n" O. K- e! X
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M) c0 }1 p. @: M# L+ I9 F
| | ├──4-Python_控制语句_while循环 .mp4 25.02M8 n+ i7 E- @: Y$ r
| | ├──5-Python_控制语句_for循环 .mp4 22.82M/ }. c; I7 p2 `. j0 e( H, o! B
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M3 u2 b: a4 F, y" g- n4 }6 u! [
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
& X% J! D. q4 P| | ├──8-Python_切片操作 .mp4 40.20M
+ @& p* W$ f1 t9 E* S| | └──9-Python_数据类型 .mp4 25.38M
) U8 ]# g: }2 R$ [├──20--深度学习-NLP自然语言处理项目实战
6 z/ m: {- |8 e% [2 G4 `% d: l: M| ├──1--词向量
* v& a. r. Z6 q3 g! b| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
* X: J" Z; G0 K/ P. R| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M6 p; k; m, z6 u6 [1 {" I) G" I
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
: g1 u. I! O7 z$ z| | ├──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" ^1 t+ E& R! T
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
/ g/ e9 s8 V2 D| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M6 m+ E6 c R9 B8 a( ~: @( i$ {
| ├──2--自然语言处理--情感分析
0 t+ G- j! G* B2 U$ L F) E| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M* i& Z- S8 f* {& l5 {9 v, b0 U
| | ├──2-数据预处理_01 .mp4 79.65M
9 T" x3 T: C! w. R| | ├──3-数据预处理_02 .mp4 45.68M2 O o/ W: @ d/ ?! U ]% W! k
| | ├──4-代码讲解_01 .mp4 52.29M
5 c6 q5 t$ D% }9 E| | ├──5-代码讲解_02 .mp4 60.85M
! l% t3 B( _# |( S| | ├──6-代码讲解_03 .mp4 53.89M$ z" _! i/ D# y3 @- @2 ]4 W' G
| | ├──7-代码讲解_04 .mp4 57.19M1 r* ` h. t$ V- `
| | └──8-代码讲解_05 .mp4 35.88M
# H# @# X4 B8 f) m8 h| ├──3--AI写唐诗 : A. ~7 n4 T* q9 [
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M4 U; X/ U) g) C5 @3 E- C
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M+ [" L6 q3 z" Z+ R- ~
| | ├──3-MultiRNNCell单元 .mp4 38.93M; B: N. c# J+ K3 I$ L5 j
| | ├──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: q0 n1 L, X7 V7 d4 r
| | ├──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 m! t- x6 d1 L& M
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M( g) `5 G/ g6 C- I' i
| ├──4--Seq2Seq聊天机器人
( v3 I( u* V/ k4 b( W' l| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
# }0 f9 E, n; A, f| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M* M- u# ` X; S; o* I( s
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
; b9 I; N. m( s# B& |7 B0 v' c| ├──5--实战NER命名实体识别项目
+ l/ H @4 }. e, Q) R2 @| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M3 g6 X! v/ n+ ]5 u( W( q
| | ├──2-介绍了代码目录结构 .mp4 23.44M
7 Z! w! A0 T( r2 H1 t5 E, s| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
# Y6 ?- G9 Q) r| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M V: ^1 G' E8 _/ d# r2 ^
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
- J( o" L9 D& f; o$ Z3 Z" h| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M, H2 D$ |& s; P
| | ├──7-CRF中的特征函数们 .mp4 125.97M
3 W, J+ n' X* s| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
2 ?: \- m: N t; D, s| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
4 O& b" _! s* J4 L# N! \" T6 ]| ├──6--BERT新浪新闻10分类项目 0 q" a* w* S$ _+ B* {
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
: r0 D2 t* S; i| └──7--GPT2聊天机器人
* \8 A; r9 ~0 V! K0 c| | └──1-GPT2闲聊机器人 .mp4 62.28M7 C. G3 C: Y- C0 ^3 u
├──21--深度学习-OCR文本识别 ( d5 D$ y/ ?. F9 Q2 B* ]
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M, u Z) q6 m0 W3 V
| ├──10-CRNN项目代码剖析 .mp4 306.48M' g. q, [$ `" U2 \
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M6 U/ ^+ ?/ u3 ~9 M% ^" P- n6 N7 j
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
* Q) Y8 T9 O' s: ?/ Q$ t2 ?| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
% l6 s' R+ i9 w6 z, e1 h( u, K" I3 r, e| ├──5-CTC损失函数的理解 .mp4 330.64M6 ]) s- j& s" {7 z( D8 W `0 C1 p1 F; |
| ├──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' b* p4 T) x: R2 ]
| ├──7-CTC前向后向算法代码 .mp4 225.41M
/ w! b' A' V, u& I# p% I| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M" C' V7 P% n- r' e/ k
| └──9-CPTN项目代码剖析 .mp4 491.69M: j+ k/ b `( O! k" y
├──24--【加课】Pytorch项目实战 1 j" r _$ T7 w3 _8 L
| ├──1--PyTorch运行环境安装_运行环境测试
% Q! i1 Z m+ f5 N) c$ P0 {| | ├──1-PyTorch概述 .mp4 29.29M
6 G5 N: \3 f+ Y& J& J| | ├──2-PyTorch的安装 .mp4 76.45M6 I# W; [% M8 z, w1 n7 r6 ]4 a
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
6 E8 n' `4 O" u| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M' J" d% E1 z; Y8 \
| ├──2--PyTorch基础_Tensor张量运算
$ o( J2 {8 ~. [! D- s( ]$ C9 ~* q' ?| | ├──1-Tensor的创建 .mp4 55.14M
- t8 P" P% u) H$ i" @. P0 ~7 e0 j, e| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M, e$ I/ u6 I5 w& }% a0 ^; H
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
9 |( _! {* }2 ~( z7 n7 f4 ?| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M$ f5 N1 \+ b, F8 A$ d
| ├──3--PyTorch卷积神经网络_实战CIFAR10 9 l, `& c8 Q: \$ b0 w( z; Z! A
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M% z5 @3 s. q; ]: T+ M. K% H9 V
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M7 N8 O2 p" M9 y
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
0 y# k! @/ E, b4 _: p| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
# t! S0 P, K6 w6 h% F+ g! V| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M; v! s7 p* ]1 v7 R7 d
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
9 t& X) i! t1 p4 g( P| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M" e6 F! _. v$ r9 i' j8 g
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M x! F' e' y! X- h& T
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
! y! x+ v0 W+ R, u| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
( \/ v) ~8 G( y% Z. ~& g| ├──4--PyTorch循环神经网络_词性标注 ' M7 ?' ~: p4 {& |
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M l O; l7 O* \0 q# o/ R- [2 f* i8 l
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M p. v! A2 B7 _, ?
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M3 P. Q; d- Z: y4 J! h+ R! Z$ E. Y8 z
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M! x w* y' Z) T
| └──5--PyTorch编码器解码器_机器翻译 0 m% U- B. Y; X3 N H
| | ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4 50.41M
( y B# a- B1 Q Y# W| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M7 s4 _" i N2 L: A! n
| | ├──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/ T2 `' C# i4 S1 c6 h
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
; ?) t. r: \; H/ P| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
& H8 V. k% S3 k w5 a8 j) }0 r| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
" ~6 J2 x2 W$ R| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M: h+ I4 V; p. h3 |: ]! X I
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
: v' N* d7 z& b! \; q2 u/ R├──25--【加课】百度飞桨PaddlePaddle实战【新增】 8 F. F4 z4 {3 J9 j' x @
| ├──1--PaddlePaddle框架安装_波士顿房价预测
* b5 J4 J. g* ~/ T| | ├──1-安装PaddlePaddle .mp4 87.34M
; Y7 A- Z) l+ n( @9 g5 Z| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
3 ?# v1 W2 C. H: ` e| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M& {1 D$ U- Q" }+ n$ w+ x
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
8 A" r) y! D9 Q5 S) ]; }7 G8 R1 H' b| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M. X' m {$ S1 ^# \) u% d5 t
| ├──2--PaddlePaddle卷积网络_病理性近视识别
7 b, }4 Z. N: r4 c- r( V| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
: Y. n+ Q4 ]2 U7 k7 q5 g3 ^) T| | ├──2-预测病理性近视_模型训练 .mp4 86.66M+ Z3 J7 @9 }8 W- S f
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M5 W# _) h# P% e; @/ \: l
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M" ` J% U- w! G
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 / B8 [% b1 P3 Y7 ~' S$ p7 W- H
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
7 Z9 W F) F: g3 q; s% J9 x" U| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M
: O/ l% S( [3 j% q| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M, Z/ E* f4 v8 b# D/ E6 k. w
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
* Z7 Q1 T4 \- V" D- ~| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
; E4 }; e# `8 z" o$ ]/ c: e4 B* || | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M& L/ B! i' _6 m" `6 L# h9 ?
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M' f' h! Q$ y9 k
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) ' u/ \# d. e& T# R
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M. V0 C; _5 A2 j, j% ~
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
4 M, d/ t; [" t' || | ├──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( W# o- U7 _1 f s) X# V
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M( i4 q/ l* g3 e- O1 }, W/ u
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
1 O8 k* b/ O( \& A| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
; [, U3 O0 @* K( V, \8 ?/ Y6 z| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
$ m8 f- W! }! P9 @' F$ @6 [| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
# `* i6 z X( F% i# P| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M0 ~2 e0 k5 L9 F0 l: m
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
* X2 t: s6 b4 ?5 f4 q| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
1 Y: `" z- G2 s& a, X" p4 u| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M- h+ J2 X8 ]. ~3 Y3 T
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M# V& v8 r/ ~- J# y
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
" |$ P$ c; {2 ]8 P* S$ `| | └──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 80.58M6 P1 J$ X5 A0 k: ~
| └──6--PaddleNLP模块_物流信息提取（ERNIE版） 5 n" b' z f+ E3 y$ D7 r5 W; E8 v: Z
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M& ~) S5 F# }* S9 G( \& B( y* }# V5 P
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
% o" O7 ]8 }& A- H$ d/ L$ ^| | ├──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
* U6 K0 L: X# D3 |/ N. N2 O' B: u| | └──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/ x7 q! f- Q+ i; E3 K5 [
├──26--【加课】Linux 环境编程基础 . l- k5 ^8 u! ~& K2 E
| └──1--Linux
* B& e$ c% E5 \, t! W* M| | ├──1-Linux_课程介绍 .mp4 3.72M4 E; J5 x# O* A/ I9 W
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M" g& D1 P- o X
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M# {5 e8 }1 R, G/ y$ W
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
* m& j* E9 Y; B: E6 i| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M6 M7 q! V0 a6 I3 ^$ {- |& v' G' l
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M& R- c9 X( [6 y6 {! ~3 s
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M& s8 y2 {0 S; [ v. \' K
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
& f( E8 N* t- P| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
# C p* k. E4 Q( n. U' S. I| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
+ G$ N' X2 c" h| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M, N y- G7 c6 r5 D- O/ V
| | ├──2-Linux_Linux简介 .mp4 17.59M
# N/ K/ r( n# [! X| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M S9 C2 ~2 _7 m1 u# s! q
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
5 ~ g5 k) y) {- m| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
+ w- l- b+ w6 R- X2 V| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M% c" {3 e8 j) f! T5 B
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M( X5 m* k1 t) Q; x7 M( _3 f0 A
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
' C& d' m, ~$ } p4 c: O5 ^. y| | ├──26-Linux_安装MySQL .mp4 79.02M0 h1 b1 ^1 f* P. x" M
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M/ W0 X, m) `1 r/ \6 z
| | ├──4-Linux_安装Linux .mp4 41.97M* N! z! Q! \6 R2 t# H9 e$ H
| | ├──5-Linux_目录介绍 .mp4 20.31M
$ X/ h4 Y) h6 ]! Y+ u& A `| | ├──6-Linux_Linux中的路径 .mp4 18.65M0 P1 x% ^0 A0 O& j4 n0 _9 {2 `
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
, H/ t/ P0 w8 M% Y% j4 K! }+ i| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M- L3 P% h/ f6 ~9 K: v! [; C
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
+ B) @$ T6 |4 G+ V├──27--【加课】算法与数据结构
. ^4 G" k& F+ A- y$ @9 P8 c9 F| └──1--算法与数据结构
3 X- L n5 F9 Z, A x2 ^| | ├──1-数据结构与算法简介 .mp4 35.68M
+ o7 O* x- B' S& U| | ├──10-哈希表的基本结构 .mp4 54.34M
) y" p r( @5 G| | ├──11-哈希表冲突问题 .mp4 75.92M
; P0 h. P- L* d. o( a3 F| | ├──12-哈希表冲突问题2 .mp4 72.30M; m4 @+ J6 E# _1 v0 K
| | ├──13-哈希扩容 .mp4 111.03M6 i z% n, P% D4 x6 |
| | ├──14-递归与栈 .mp4 50.77M5 s, [; x' f8 Y4 Q
| | ├──15-线性查找 .mp4 57.80M* E& s6 O+ [- ]$ N" C) ?: C
| | ├──16-二分查找 .mp4 52.32M
4 b2 m( ]5 X7 m' t+ f4 {| | ├──17-冒泡排序 .mp4 53.19M
% j+ x/ s. W0 Z| | ├──18-选择排序 .mp4 43.29M
$ r! G' @$ K9 F0 Q8 H% T5 ~* [| | ├──19-插入排序 .mp4 31.39M6 l# N+ g7 r" Z+ s
| | ├──2-大O表示法 .mp4 25.59M
% T8 U J/ y) w7 d: \| | ├──20-归并排序 .mp4 84.48M9 x# ~, v2 {4 `# L2 h: }0 e7 p
| | ├──21-快速排序 .mp4 36.63M. v9 m& [3 H* P- t% L
| | ├──22-树结构 .mp4 96.85M
6 h! v2 h: |9 d, ~3 P/ o: i C| | ├──23-树结构的遍历 .mp4 61.05M3 p" a) K6 B6 k- U5 v, i9 `+ v0 C
| | ├──24-最大堆的增加操作 .mp4 45.43M2 N2 N0 d1 B! O( ?. o5 C" k
| | ├──25-最大堆的删除操作 .mp4 45.63M& t2 ?; [% |- z+ O" G& J" x* n
| | ├──26-二叉树的查找 .mp4 100.24M$ n _6 M+ r- i8 ?7 L5 f- ]
| | ├──27-二叉树获取最小值 .mp4 25.21M! c) U% g0 v& T7 g2 m$ A! N
| | ├──28-二叉树的添加 .mp4 72.66M
; F$ ?6 y/ X+ A$ h) K* n! I| | ├──29-二叉树的删除 .mp4 120.06M0 s# M6 Y. c2 B, G
| | ├──3-线性结构 .mp4 53.14M, t+ y2 u u; j% V) e# `( P$ \3 q
| | ├──4-单线链表1 .mp4 68.36M
3 u6 }/ T$ _' G- l% V* k| | ├──5-单链表2 .mp4 221.69M
; H, ^* b4 u8 ~& k8 r- C; y| | ├──6-双链表 .mp4 103.57M8 _: Q! G9 \& `, ?5 U, N) Y; v
| | ├──7-队列(链式) .mp4 74.12M
$ |" p; T+ {7 Y1 K& i9 r| | ├──8-队列(线式) .mp4 30.99M; _/ q/ w b' i8 Y$ B' i- t6 H; c
| | └──9-栈与双端队列 .mp4 28.12M
7 L) i3 }' R4 ~├──3--人工智能基础-Python科学计算和可视化 3 y8 v- \4 P* I$ W( v
| ├──1--科学计算模型Numpy 6 H- f+ Y7 B6 t; D* w# P
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
0 ]- E9 m; Q* {| | ├──2-Numpy_array_arange .mp4 35.45M
/ `: |! \/ `8 f4 w| | ├──3-Numpy_random随机数生成 .mp4 50.54M! E4 K9 |4 f+ u
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M/ J* v ^3 K4 m8 E! {1 I" n
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
& z3 I5 {8 m" _( K$ T0 Z. W- l| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M8 j% s+ k: K L' g# X, L" ~
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M& h4 ]; Y o# E5 ]% h3 g
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
5 F& h& n! O" ~& j) H9 E3 [$ S6 q& t. O| | └──9-Numpy_聚合函数 .mp4 23.68M
@% @* d W# d2 ]. u2 H| ├──2--数据可视化模块 . f5 b/ f# [6 A% M% S3 @2 d
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
% p7 C/ |1 U# F' `| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
# N4 w% ~$ u, H4 r| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M$ ` A O9 z& f* `+ Q( y) V- t
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
|1 v: d5 \7 z# T# }| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
4 N+ E2 f2 h# P: U| └──3--数据处理分析模块Pandas
& J' w. f1 S9 T- \. I* |0 J| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M2 y5 E- Y6 U+ {! f, X, t. R' Q* |' S
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M: d, ~7 W8 o _6 ^, u! W) l0 Q
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
( _ r% O/ }6 A$ n| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M' s7 ? U/ l/ H) J ]+ s2 ]3 F
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
w( h/ T' N0 R! C/ o| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M4 @& s! b& @4 T; }* q4 U# u- k3 a
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
+ M4 C2 z! f5 `) B! C├──31--【加课】 强化学习【新增】 ; W6 l5 {; y& O' q
| ├──1--Q-Learning与SARSA算法
. f1 c% {5 H; p9 ]3 K| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
/ Q& j) ~6 G$ H( f$ e' w9 S+ k| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M- N: N: L: Z, `. q
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M/ w7 w- b' }% D8 Y
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M" ` u+ [% f& G! m
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
/ V* g+ k! F! _$ s( ~5 v| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M+ R2 R4 [! ?. k, `) v k( h. U. ?
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
9 Y: f' x2 X+ ?: F& p$ p4 [| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
9 L5 G1 t& A/ x4 h$ \3 || | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M0 e7 S& f* J+ ?2 I, e
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M% W7 Y& e2 t2 ? o
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
' ^: d1 M! R& d L1 a5 N| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
0 ]( P M6 I4 h" \) m! s. i- M| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
# n. D0 r' H. }* ?8 S- j9 ]) n) k. M) `| ├──2--Deep Q-Learning Network ; D, v: z. j- i* _! W n
| | ├──1-DQN算法思想 .mp4 59.24M% b: ~$ h+ ~8 Z( ^" Q# C
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
7 j3 s; i8 w$ d1 f5 F. q; H7 H| | ├──11-DoubleDQN代码实战 .mp4 44.49M+ d+ N% l5 R+ O
| | ├──12-DuelingDQN .mp4 88.12M" ~4 Z' I9 _ V2 s; e
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
3 X. _( b* L) Q. d7 O+ t7 X| | ├──14-计算Action的方差避免风险 .mp4 54.23M/ a: Y/ x+ T" k) ~; C5 L# w7 O0 Z
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M ?3 b9 ^1 k8 k$ C5 [, V
| | ├──2-DQN算法具体流程 .mp4 56.17M: k# }, t, H3 r. G: v* y3 n9 B
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M, r1 @9 r g* e1 W$ ]7 b5 d, E
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
- f1 K% t# L2 m# w6 V: o! b| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
! u! G( [) y' h* f| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
l- {+ V5 `8 R| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M
+ B2 ?! }, H( X% v/ v- S" s4 u4 V| | ├──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
4 h& [# n H* E* O" w& }* V| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M$ s+ ~4 {, f4 t B, ^
| ├──3--Policy Gradient 策略梯度
) Z+ a/ W& K. i+ 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
* s& }" e u6 i8 f3 H( @/ L| | ├──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
; |3 o' K/ T5 t) v8 r6 J1 j| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M2 W; U; o' N5 ^& i0 E6 M' c4 w
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
p! O& @! u- K) T$ |9 n| | ├──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: M9 p3 p$ ]( H/ g; @4 d7 Z
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
+ i, j2 W m r4 Y| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
( O \9 ?: ~3 y/ A| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
1 t% M* {6 W5 }' ]# d| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
0 d: z7 C5 j( h4 o+ k| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M9 p& D5 i) F$ L- P& C; a6 Y
| ├──4--Actor Critic (A3C)
' [3 D6 n0 r7 t+ p| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
' j' V& H+ M& J' y/ }) m' L& R| | ├──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
7 L1 T/ G1 d9 @4 d, P9 f# n| | ├──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
* B- ^: K y7 h6 j* }| | ├──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
: w1 V0 i4 `$ K6 K N| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
" P* A# Y8 ?* o) k| | ├──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
- N8 K( u; K5 W; Q| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
) u8 Z% B6 I+ ]* v, @1 l0 e| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M& Z n' D* J- t. N0 z- \* x, A5 I
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M" J- D# s! s3 ~8 G+ x
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M4 f$ h: k- C$ P6 q8 R
| | ├──6-A3C架构和训练流程 .mp4 74.66M
7 y3 _9 l* e$ `6 J& G, l| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M4 t0 ?8 L* a! _3 C/ m# _' i
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
+ w4 l2 \0 M- \3 U/ P9 t2 [- U| | └──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
6 ]) @2 C* @& Q1 D- W4 `| └──5--DDPG、PPO、DPPO算法 |! q/ X0 }1 @0 M
| | ├──1-DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic .mp4 81.92M
- d+ d0 q% @6 J) T| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M* V9 g+ k2 \# z' U/ x
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M' ~( H' X- i4 f; ]. k$ p
| | ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4 42.12M
& q! o/ h& k/ t4 h1 K7 a4 Q| | ├──13-DPPO分布式PPO .mp4 63.81M4 }4 Q6 Z6 Q, u
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M6 ?5 K, a3 O5 _" Q2 ] W4 d
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M- m2 r# V3 A$ e3 i
| | ├──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- K; ?/ ^/ ~/ c1 A
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
) J8 I, i% {, V2 e0 D+ i4 F9 |/ E| | ├──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
: P# p& F# S+ \+ u0 n6 }7 ?| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
5 Q5 x8 N' a. V& e, @: z+ f! F| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M5 o1 G4 p1 l8 M$ `& X- E( r
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
- O+ z" _- k% i6 U8 H$ || | ├──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
9 Q- ?; U* m9 j4 W! V" v| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M6 m M. f* ?8 c: v. ^. p9 D+ y7 v2 m
├──4--人工智能基础-高等数学知识强化 7 f5 B, n2 [, M1 s* J8 t9 X* A) ?% }
| ├──1--数学内容概述 & ^: m; o3 @# b5 H& p9 k
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
4 J3 P% n3 N- a% e! i| | ├──2-线性代数_概率论知识点 .mp4 26.81M
4 U1 h, p$ X9 R! h5 W3 \& p+ A| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
) F2 _, x+ J0 S% }9 p| ├──2--一元函数微分学 4 R0 s+ e0 I9 G9 z3 n4 y, C/ _3 i
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M1 A* y* G* d$ l7 S) n
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M' a6 u: O# h) u# \9 F
| | ├──3-常见函数的求导公式 .mp4 22.76M
' B! ~$ z0 U1 e% K3 C) \. [| | ├──4-导数求解的四则运算法则 .mp4 26.52M, R$ g8 D. i' l
| | ├──5-复合函数求导法则 .mp4 19.68M
; h' C u) m7 g6 G4 M S| | ├──6-推导激活函数的导函数 .mp4 33.40M. e- p( m, ]' h0 p; ~: z% m
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
; D# O& c/ \) I! j$ e| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M% Y3 ^- x7 \- V4 J' M
| ├──3--线性代数基础 + }1 U2 l0 N) {8 E
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M! L% ^6 q8 P6 x7 H4 G, `
| | ├──10-矩阵的逆矩阵 .mp4 38.54M1 S x2 `; ?2 Y
| | ├──11-矩阵的行列式 .mp4 20.13M# O9 I+ |, V' D5 Z# g
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
6 o6 @9 V8 t" |% Y( Q* ?| | ├──3-向量的内积_向量运算法则 .mp4 19.78M4 v0 [/ r. G% a8 t1 {* @
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
; o2 D' r9 C! G' W' n3 D| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M" S3 ?" D" R" v" R0 h; |
| | ├──6-特殊的向量 .mp4 26.45M
$ n, z2 E' h5 i2 a: ~3 p4 { {| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M, q4 f D3 x9 |. U: r8 `
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M" Q2 _. v- |0 s2 ~) f) T9 Z
| | └──9-矩阵相乘 .mp4 20.02M
5 V) X8 r- Z6 K6 H: D| ├──4--多元函数微分学 2 b2 G+ V6 L) ~5 ~0 }
| | ├──1-多元函数求偏导 .mp4 22.61M' L" U: \8 u/ n: e
| | ├──2-高阶偏导数_梯度 .mp4 27.15M1 T: ~9 M# h- E5 }# d& K
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
5 |) y# g5 a# G5 P0 f| | └──4-Hessian矩阵 .mp4 32.93M
H6 B; ]3 r) B1 ^5 _+ F/ @| ├──5--线性代数高级
0 s% {" a$ R: [. R! L2 r: v| | ├──1-二次型 .mp4 27.70M' R8 T! R; y7 ]5 n/ }( V
| | ├──10-SVD用于PCA降维 .mp4 24.90M6 d8 J: k, G, J2 {* U& ?
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M4 S+ W+ \. X V5 I2 c/ \$ M
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
9 S5 j( J) M! I9 R| | ├──3-特征值和特征向量(1) .mp4 29.83M
9 S% H5 V7 C) T% Q! u| | ├──4-特征值和特征向量(2) .mp4 30.07M
7 `$ S* u1 c. p C| | ├──5-特征值分解 .mp4 38.68M
1 @$ ^$ L' N8 X' R| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
! g2 L% v# R8 ?( t5 d( E+ {| | ├──7-奇异值分解定义 .mp4 22.58M8 K) c: {) a5 i' B- T- ^% @
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
+ _6 ~7 a$ d% x' E% H| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M6 E' a: H8 \& M0 N
| ├──6--概率论
2 p! o7 Q8 v4 n( k: j9 R$ m9 P. W) C) d| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
" z: U9 k# v; r. @0 G1 m| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
' V) e; l) M( m+ A W- w) N| | ├──3-随机变量 .mp4 22.57M
) A9 Q! C3 I; U. } G5 d+ i| | ├──4-数学期望和方差 .mp4 22.96M
8 O1 q6 ~3 R3 t- r- {0 `# y# ^5 d| | ├──5-常用随机变量服从的分布 .mp4 22.48M
" O; K2 H6 ~- m0 m4 |& E; D }| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
2 @7 {+ U7 {% W" G| | └──7-最大似然估计思想 .mp4 23.42M
" J$ x3 @( q8 k; b. K2 n| └──7--最优化
2 s0 i' P4 _! G* G+ e| | ├──1-最优化的基本概念 .mp4 35.14M
: K; i. b- w. ~2 w8 |0 X| | ├──10-拉格朗日函数 .mp4 27.46M5 | F" W' b0 p
| | ├──2-迭代求解的原因 .mp4 20.15M
; K V, g, [/ v1 M2 c% o- \7 ?| | ├──3-梯度下降法思路 .mp4 26.33M# l8 i2 Y9 n# t5 n* c6 E: ?
| | ├──4-梯度下降法的推导 .mp4 43.56M) g9 Z& N8 P- j8 p5 k0 x# Q% E: _
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
5 f& n A) u) w: ]% M| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
; D a1 b* {! M, W- V| | ├──7-凸集 .mp4 21.90M
. z4 z7 q& G, V. b| | ├──8-凸函数 .mp4 16.93M
5 c" l0 h) O# Y" M1 [" `: M| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
9 y" R }0 P& I, q├──5--机器学习-线性回归
3 \7 U( s: h- |. [| ├──1--多元线性回归 ) o- j. X) n7 ~, g; q, [6 U) T" x9 d+ R
| | ├──1-理解简单线性回归 .mp4 51.11M9 h8 C+ j9 s# k. q6 b K- }; o5 c7 _9 ]
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M, ^. ] _7 `9 H: l3 [
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M- W; G) {5 ~ } J- {- _9 o
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
9 y4 m q( N: h( A+ u| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M) e5 z# Q* k; I/ a
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
3 `" o" R; ~+ }| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M/ b- [, Q7 B1 h6 ~
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
: G& u5 A" u7 G2 |1 F* C| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
3 J/ ]5 D+ n8 u) m6 B6 H0 {| | ├──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
" H) S4 J& ]7 k- Z| | ├──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& Y% Y) N# H! D: U: o, M* V; P4 W9 Y
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
* u4 d9 ^4 f) p4 M$ ~6 Q| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M9 Q- Q; V* N( e; l% n, m* I
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
8 j9 G* s! V; [1 p) B| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
1 L* e8 C9 r" z& L. D+ S; H| | ├──3-扩展到多元线性回归 .mp4 32.15M9 I5 M0 i5 T! ?/ {: r
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
_( e, g* b4 k" ]( j| | ├──5-理解维度这个概念 .mp4 41.41M" I* t: L* Y$ [6 i8 V$ N
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
7 l+ e2 x0 v. a! G0 ^+ e' F$ ]| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M9 F, M* H7 E: r# i
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M2 g2 r( t: T# {: y" G
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M7 p6 e+ l+ Y% F. ?( D4 P
| ├──2--梯度下降法
; v4 m3 C8 ?2 Y3 l) u8 B5 W& n6 B& Z| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M/ b8 L5 o. \) v6 e6 @) k
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
" Z" i$ E* f, f/ B| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M- g F; n# X( n# O" R# f4 Q* k& R* d& W4 p
| | ├──12-代码实现随机梯度下降 .mp4 26.67M' b. e7 N; y4 E' |5 v
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
4 d, A# @, ?4 N: W2 f| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
1 k% k0 ^3 \/ \9 T# n| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
1 g6 [' K1 I, T% m| | ├──2-梯度下降法公式 .mp4 57.12M
1 M4 d9 H/ J7 [& M* o6 Y| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
/ p9 D1 G: u& b% E| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M$ m3 t9 R0 @7 U4 z; B1 @
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
7 t# j3 j. f; ?* R, Y| | ├──6-全量梯度下降 .mp4 62.84M
6 m# p5 p3 b( w! Y- n* c| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M/ q; F. p: v1 S" _/ x
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M4 ?) ~/ k# ~7 k6 {* j8 K
| | └──9-轮次和批次 .mp4 45.22M6 Q% n. \( O" M0 N
| ├──3--归一化 # z4 ?& N' R: \ F1 T* M, M7 H, m
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
/ f- R( C/ D' d5 X| | ├──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- `: m6 R0 u$ I- G: \( n, U# I
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
S5 p0 Y* X. v$ u/ O$ {" B| | ├──4-最大值最小值归一化 .mp4 24.87M
- W* x4 d; q ~( c: {0 E0 `; z| | ├──5-标准归一化 .mp4 51.86M
, f3 i- ^7 }, u0 @| | └──6-代码完成标准归一化 .mp4 41.13M
+ d l7 W$ i$ y6 W0 ]| ├──4--正则化
: B0 m3 k1 `( A# X| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
! h9 K: B- z5 r, u/ g$ 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
9 r% P; f0 C& |7 p% G| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
: {7 ?& _3 u O8 p8 ?7 o, n2 f| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M1 K+ L4 V- [9 ~
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M4 |% q6 H2 D( s; y
| └──5--Lasso回归_Ridge回归_多项式回归
. a4 h' I2 k* m2 h$ || | ├──1-代码调用Ridge岭回归 .mp4 76.32M
3 X% o& e0 |+ v8 D! m2 a| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M% e) K' ]/ _5 Z- M
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
' K1 ~; n. p# p. ]| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M3 I/ { O( L1 [& ?& v
| | ├──2-代码调用Lasso回归 .mp4 28.73M; n x7 B' ~* v u- f5 ^$ K2 k! Z
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M$ `/ x" q0 p' g3 i% T
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
- i9 J! u3 J7 w4 Z, I* ?| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M4 h/ ?5 d' E) A/ y/ D8 Q
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
/ h7 K( e4 G: V0 B| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
6 n; ^' E5 L8 P| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
! ?3 k( Z7 _9 z( ^& P0 i3 U" 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
$ d" J; z Y" o. m' d( E├──6--机器学习-线性分类
* G. f8 o/ {; E| ├──1--逻辑回归
- }; ^3 b+ O) I2 ?. `| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M0 D# }5 r! \. F, G' `
| | ├──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
# t) k: V- ]. P/ a| | ├──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
0 g! s8 F5 `, k| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M' O! F- T- e- O1 q1 y, @5 ^
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M0 k/ N( N' x* x7 p; g- k! V
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
1 f/ g1 l e, q| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
, W& @$ X @3 {+ h5 f$ h| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M. I0 j( l: |- N% o7 G: i f
| | ├──2-sigmoid函数作用 .mp4 38.15M) f# b" N9 r/ ` q2 f7 G1 W, V: U
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
# A0 |- o; q* R8 ~" x| | ├──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; ~: J' J) C% [
| | ├──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: T0 v* {; l5 L5 j
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M8 z( z' W @2 g# t* W; D
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M0 E! }" W4 f. ~. D8 G4 M+ `
| | ├──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
. z( R% {9 A& V' Q0 t# R| | └──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* M7 a( n2 k7 M9 p( D% d6 m
| ├──2--Softmax回归
( B+ l! H# R0 `4 m3 z" R6 ]. \- }| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
# J3 K+ W; O! y" l6 m( A- r$ u| | ├──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
/ O. E7 x- j1 E. D9 J9 g# c| | ├──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/ ]. @' j' I9 b1 Q0 F( `0 z- o
| | ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4 47.67M; a8 p% y4 p7 [
| | ├──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 78.03M7 W" Q o9 g* k. A
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M M! L/ f, M' ]3 K5 A0 x
| | ├──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
. C! i; j9 e6 @. l) ]- w3 Q( V4 a| | ├──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; |5 n+ Z! ?1 {
| | ├──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
0 Z5 g6 n. C: `/ M/ c7 o, Y& F| | ├──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
# D% V: x) Z8 m6 d9 h# G| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M9 ^9 j7 W4 o' |* \# V! b+ l
| | ├──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
: c* ^/ }' S* c! p; e$ r| | └──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+ Z+ a$ Q9 R* M! h2 _. n
| ├──3--SVM支持向量机算法
7 _# P: K+ l$ `: c5 v$ A3 v| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M; _( Y% m) ?# C5 U8 _+ @
| | ├──2-SVM的思想 .mp4 55.56M# a7 X/ t' a2 Y9 h& m& r0 V
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M4 k5 W: _( f! |, S O7 z7 I) {9 `) ^
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M- Y! W6 s7 B L1 V5 \
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M0 y' U6 Q: W8 `
| | ├──6-总结硬间隔SVM .mp4 39.01M
% e# o. m! F: n| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
& W% ]' |. q& I6 O% V0 Q9 x- e| | ├──8-非线性SVM .mp4 54.43M
. [5 g, W1 y& ~. b6 Y, H! W| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
! J1 _9 D, i8 y: L- N| └──4--SMO优化算法 0 h- O( [) s8 l) O5 D& ~
| | ├──1-SVM算法流程总结 .mp4 58.36M0 l/ E% z! {* O8 X: s D0 ~/ N7 c
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M* a s5 T' p/ U- [& I$ F5 S
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M* m; t8 W I$ Z. n& R/ `3 ?
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M6 K" B6 c6 [, t6 ]+ @- o% r
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M9 ?; x% ~2 e% g: b
| | ├──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
" z* }7 c9 O6 t% T| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M4 d) |4 @! [8 H* M$ {# D. t/ e
| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M6 m6 R6 V8 d8 v6 v
| | ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数 .mp4 63.23M
7 o# j" a7 k8 ^| | ├──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) x2 P2 g5 ]$ l. T: B
| | ├──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
5 D$ \5 q% }9 o# ^3 B e| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
4 V/ t* S7 V' {$ J0 k: @8 E* \8 n| | ├──7-启发式选择两个α .mp4 23.11M- R& ]; H6 R# k ? X0 @
| | ├──8-如何计算阈值b .mp4 50.18M
( H: @2 E9 h) E9 o+ s8 `| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M5 k3 P/ M. b# Q' R
├──7--机器学习-无监督学习 - R t: }& r) z2 S# z2 i
| ├──1--聚类系列算法 : w+ w# X0 H' `
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
) C6 D7 W5 x) r3 s| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
/ U2 H+ s( W% S1 v| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M3 Y% t, n) T8 \$ F, R, U6 l4 Z
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
) L% _* \0 T; t1 t3 C| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M) t5 Q6 Y. |6 V# a+ V$ k+ [# H
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M5 G# U, h8 O: f% l2 C8 z- N2 g4 A) o
| ├──2--EM算法和GMM高斯混合模型
# K& j. V$ v0 t% Z: ?. B! }% Q/ I# M| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
+ j* _' d: J u0 F+ F9 A2 s$ V| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M. _/ B, l; d- ~( N" y
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M; H( T: p, L$ F$ r# b5 N5 {7 x* H
| | ├──4-Jensen不等式的应用 .mp4 109.17M
9 G) B( x/ j+ O/ Z' I| | ├──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
& h. `/ A& T$ j0 B| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
0 f# M# B1 C2 N+ ^& A' p9 ^| | ├──7-GMM前景背景分离 .mp4 16.01M
; z, y7 F1 @, f, F| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
2 g6 f4 N1 l7 u9 j* L| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M. v+ u) X+ { |6 i
| └──3--PCA降维算法 9 @( ?0 w. s6 [5 x' M4 ~
| | ├──1-特征选择与特征映射 .mp4 49.38M
* N1 r+ v t5 X) @; P3 ^' [| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
" e& e. f7 Z; L A; A+ F7 || | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M+ e2 b& Q% `- k- d
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
$ B. A' ?5 l/ b- r| | └──5-PCA的几种应用 .mp4 54.58M$ k$ n6 a$ M, a! I7 b
├──8--机器学习-决策树系列
* h$ s; _7 O( @1 z9 s. l0 D8 || ├──1--决策树
8 F, s1 p2 A& ?| | ├──1-决策树模型的特点 .mp4 74.88M
& @& n' @/ T2 S. I: C4 }6 e| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M& T. D! x3 c2 b: L7 b! j
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
( W0 G2 ]/ |9 A2 _" || | ├──12-后剪枝的意义 .mp4 50.49M
" X( n: Q8 Z9 L9 r( V0 T| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
0 r! A+ u7 q% K| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
* [$ h: M; m! N% L% o' b& A0 g* X| | ├──2-决策树的数学表达 .mp4 89.94M% D1 j9 |/ r% C( c5 a, C
| | ├──3-如何构建一颗决策树 .mp4 84.87M- n8 \$ N- s% c$ k
| | ├──4-什么是更好的一次划分 .mp4 57.02M& j* x5 x/ S4 b( U1 o/ W% o1 B
| | ├──5-Gini系数 .mp4 107.54M
. B, J! @3 C3 W, N| | ├──6-信息增益 .mp4 75.26M6 N( i- i$ l, c# \" v" H q8 |. A
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M: N3 {& T9 I% x
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M$ t b. {; m0 a( M g, y) [
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M$ D( M+ G& ]% ~ T$ N
| ├──2--集成学习和随机森林 7 V3 G; L/ o6 I1 Y
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M# d6 @3 g7 Z" n1 Z: z: A" F
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
6 R4 t0 R! |% ?5 G) ^| | ├──3-随机森林 .mp4 108.14M
) f7 d' @) M, n* j7 |' H% q# ~: v| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M& l5 d( U' m' B5 l5 }
| | ├──5-OOB袋外数据 .mp4 106.07M
6 \/ q' x$ `" f& u0 i| | ├──6-Adaboost算法思路 .mp4 106.30M
0 S6 `7 a6 J/ c' N| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
" x" b" N; h5 B8 w5 j| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
# q9 o# B* s8 v6 ?5 j1 U| ├──3--GBDT 6 q& L2 A- U1 f
| | ├──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
0 s% V7 P/ J( r* n# A| | ├──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
$ a' i5 b) L: f8 ]! x9 y| | ├──11-GBDT多分类流程 .mp4 73.80M( s/ ~! A/ Z+ q" |( \. W% q& `, p# k
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M& b' {9 j( G Z
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
" U8 Z3 g A/ k" y6 Y/ Y| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M4 F" A. A0 G; |* }. U
| | ├──15-GBDT二分类举例详解 .mp4 86.67M: x0 k- E S( V* z! k
| | ├──16-GBDT多分类举例详解 .mp4 91.71M/ f. k/ R2 g: L2 R+ v; m2 S
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M2 a" j! m; U* g$ I8 |3 @3 I5 u1 ^
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
7 O. {' y) M& O+ {( U# U| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
3 b' V/ e( }2 S| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M% u H& @. f m/ S) e" k
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
4 j9 s* e. y' N9 R0 d. h) a1 \| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M2 i' E" L' s; Y8 i4 `. q/ h
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
! |& e7 p4 O" a| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M- k6 W5 v3 f5 @ a$ F; i
| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M1 J o) S" G7 b. R: w
| | ├──4-GBDT应用于回归问题 .mp4 84.66M: Y. J" T# {& ?- e
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
3 X$ n6 r7 P! N| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
$ U% P+ w4 g6 L0 @( q$ D1 v" b! @; n' _| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
5 L0 f7 A8 o& b1 E) ]; i| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M# B# R# K- [0 i
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
; r2 g3 f. v" x8 H& F2 H; W% k| └──4--XGBoost
' D y" d7 Z# _2 a3 `| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
+ d- N# C! o K9 V* w' T| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M9 U6 M, u5 T$ s' m L& s7 \
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M/ o5 V" C& @' Z1 |
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M$ I9 D: ^4 F; u2 ^2 k [
| | ├──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
' h: b( `1 j& @8 h/ b7 g| | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件 .mp4 73.80M" k. e( B+ R) N, j$ \
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M+ l; e4 k+ X3 m. g$ A9 D0 H
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
0 _* U7 O+ i! X| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
( M$ L( w% M4 ~& ~$ V# D' X| | ├──2-Bias_Variance_Trade-off .mp4 66.00M3 C1 j3 v8 Q3 Y7 T G$ Q# w
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
8 b4 X. r2 N' j# h| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
4 s9 O8 C$ n: f/ {# E| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
# E3 _' y2 Z& f| | ├──6-Objective_vs_Heuristic .mp4 60.42M% p: z0 ?1 O8 T
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
0 K6 Y/ T5 {% c: A| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
9 ~% d! o, l( ^0 D+ O; C. Y. S| | └──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 V* h8 h4 d, T" J; P, R├──9--机器学习-概率图模型 ( b P+ U, X; U
| ├──1--贝叶斯分类 " d( Y7 C. k6 x) h1 t
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
) B$ X9 W* t! Z3 I1 ~: C| | ├──2-TF-IDF .mp4 53.08M
& L8 n2 a0 J* A| | ├──3-NB代码实现解析 .mp4 126.73M# z" J& B9 j& L" i+ e1 v$ J
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M3 I9 R9 C+ b2 W! t
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
/ i6 M8 S$ M/ ^* _7 a Q| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M$ K+ I% ~9 c' U0 e( ^
| ├──2--HMM算法 z% t- \( y) s k$ p
| | ├──1-HMM隐马的定义 .mp4 36.82M7 v# e$ w( X* g
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
d! o7 o, e* g4 q| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
5 Q: r$ Z x2 s8 _& t. Y| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
' Y) _4 m, f2 m5 |0 `8 @# @$ U| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M$ o# {3 X6 U% M/ }$ o# \
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
* w/ ~8 M3 J% T- p c6 d5 G| | ├──7-Viterbi算法案例详解 .mp4 107.12M
1 Q' m* I+ P Y& F| | └──8-Viterbi算法代码实现 .mp4 42.43M5 W* Z. `5 `7 F0 a6 L& W- @; t
| └──3--CRF算法
2 `* z; q2 J# a$ b2 Z% y| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M& Y" x9 o( i7 v& u- A
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
8 h+ F9 [+ V) |8 N' L| | ├──3-了解CRF层添加的好处 .mp4 105.90M
, R. Y1 `: [+ j5 M7 d h| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
3 T# m9 W+ A8 B8 t+ ^| | ├──5-CRF的目标函数 .mp4 23.74M
( l0 F4 F9 ^. A, Q# j5 R% \* c| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
- g0 B9 N3 p3 S+ \6 z- D| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
; h2 i" o1 T1 F! P3 q5 S( {" v* r| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
6 `8 t5 W/ r9 b+ b; c└──课件.zip 2.54kb* e6 X, [7 l6 Q
( c9 t/ r) r( x" W, n+ L" W* k
$ \& E2 E+ F J' F+ H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！* _; ?. x, j# v/ u/ {( \
* u4 [' s, D. ~* p: r4 g( e3 B+ `
|
/1 
