战-人工智能2022// [4 B {/ \0 ^/ s5 L" W% D
├──1--人工智能基础-快速入门
7 M: `3 w; O& k' V8 B; m# O- n$ W| ├──1--人工智能就业、薪资、各行业应用
& k8 x. b! E" X7 m' k/ D| | ├──1-人工智能就业前景与薪资 .mp4 52.07M) {% @/ E" D( @, `
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M, u1 u- W8 n/ q( k' f6 B/ F4 |
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M* b, B; {# P& b
| | └──4-人工智能在各领域的应用 .mp4 57.73M
/ ?& G! T2 T7 s( j( i. D/ B| └──2--机器学习和深度学习、有监督和无监督
& D$ f* Q; [: F| | ├──1-人工智能常见流程 .mp4 89.62M# l: w4 e& @/ r- H8 w8 u
| | ├──2-机器学习不同的学习方式 .mp4 83.51M$ J0 L5 }2 p$ D
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
v; v) g8 m }| | ├──4-有监督机器学习任务与本质 .mp4 37.50M9 M" N+ A* }* V
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
$ s2 Z1 n7 \( ^4 F4 s- t├──10--机器学习与大数据-Kaggle竞赛实战 + G& b/ ~1 @; x: r1 O: Z, i
| ├──1--药店销量预测案例 1 A0 V& H& u$ k. T D
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M" `% X! `. N, ~8 p' r- X! p l+ D
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
, D" G8 x, R G# X" a3 l| | ├──3-自定义损失函数 .mp4 21.12M
0 L: v1 T! X* k) A8 b* J V1 b| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
; k, m6 T) K% m% {, }| | ├──5-数据的预处理 .mp4 111.81M
: s& s! p Q' d% o5 }' S% a7 o| | ├──6-模型的训练_评估 .mp4 66.64M7 B3 m9 ?! }3 `
| | └──7-kaggle竞赛网站学习 .mp4 172.16M) s8 k! F# K: h& |1 D( F
| └──2--网页分类案例
, w3 H+ g/ z+ q+ t3 K3 u| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M* P, O& |7 c- q, N; a, O+ M
| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M" |5 C% U/ k, `- y6 n4 \2 J
| | ├──11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03 .mp4 68.80M7 r1 |4 A' y9 k1 r5 r( A% {
| | ├──12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp4 74.74M
! l& U9 x0 k' b( t4 @| | ├──2-评估指标ROC和AUC .mp4 56.19M: ]5 M' H0 Z- k3 T1 M0 _3 p3 E
| | ├──3-评估指标ROC和AUC .mp4 49.03M# R. S; u4 y s" j: L( b: f
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
$ v7 q$ O( U' J& Z0 P% m5 i| | ├──5-数据导入 .mp4 68.41M0 h/ X9 a8 G# x( K( S- w
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M" i. F6 K S! }3 h) t& h
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M8 y1 n- M" A1 l& s" i! ^6 {* ~9 S
| | ├──8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数 .mp4 62.48M
9 v& ^0 Q6 k! D, l| | └──9-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01 .mp4 87.47M3 O4 P9 P9 b& B) T& m
├──11--机器学习与大数据-海量数据挖掘工具
: T+ S5 G# v$ b" H| ├──1--Spark计算框架基础 6 X+ @, [( \& n: U' p
| | ├──1-Spark特性_01 .mp4 41.68M
* e) i/ D! \' H6 t- X6 W1 k| | ├──10-分布式计算所需进程 .mp4 26.30M/ k. k0 j) ?9 ?0 G: Y0 r4 J
| | ├──11-两种算子操作本质区别 .mp4 56.31M
; c E. M9 j9 s9 `! B& H! B| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M( `; p' t7 { I& \) }
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
7 z4 B5 `( z. d/ `" A% _| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
( ?; h. \9 A% ]* }| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
. {2 I% E( r0 _2 p9 `; O/ O| | ├──2-Spark特性_02 .mp4 35.15M2 w* _, E. `& R' B$ W
| | ├──3-Spark对比hadoop优势 .mp4 19.34M- A) d& S* ^+ |4 H+ G
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
* p( F" t$ m+ }* k2 S2 j| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M+ T$ x7 C( a7 ], c6 s5 U, G- q4 v ^" S- K8 y
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
) m5 F( i% o: x; I| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M; ]- Q/ U$ x, |, a8 [$ U8 y
| | ├──8-Spark的RDD特性_01 .mp4 33.08M9 @' ~8 H# }3 v) Z( l0 v! n
| | └──9-Spark的RDD特性_02 .mp4 33.41M+ `2 g5 s# ~' H
| ├──2--Spark计算框架深入 7 j( f1 D* ?- J0 Q& S
| | ├──1-Spark数据缓存机制 .mp4 54.43M; `* M1 X a( f3 E' B: J
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M7 {) J" }% [( K3 k( ?; c% B3 W3 j
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M1 I8 z% n3 \: O2 U8 c4 l" v
| | ├──12-构建LabeledPoint .mp4 111.08M
* b2 X3 |, c& {9 _| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M/ k/ \1 w- U9 l% Y
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
/ T A. m, G: K! C3 K4 }| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M! G6 B3 S' V. i6 H' j1 s4 V4 M
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M$ j. o+ c# }0 f4 D. T" T
| | ├──5-Spark术语总结 .mp4 89.66M# [9 J$ w f& s
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
5 }; i# k: A% z* u/ H$ `8 [1 } k| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M5 \1 l. g7 _! L6 q! d+ z4 X
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M! q$ x, }2 T, s4 V2 \! k. z
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
5 [& }: b( I. ?; ^4 C$ m| └──3--Spark机器学习MLlib和ML模块
* ^/ A3 R2 r& [: ^| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
1 _; ~7 y" g8 b( O: m| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M2 ^, J! V' w/ o. h2 d& i" i: T
| | ├──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# i" e3 m: ~- g2 I7 s# n! e8 B
| | ├──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) [$ U' ?) F. d0 E* q
| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M6 U; v( o( v a A! {+ r, N
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
0 Q3 |+ Y4 ?! v( s( A| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M6 r$ x8 P S5 Q3 L& v
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
5 {( Z3 M' {: X+ V| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M, v, M" M& b1 t: U, U+ q
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M$ N0 l7 w5 j; t7 \8 M$ t+ f
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
, b8 _* w$ o) k4 B8 ~6 Q- {| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M C% Z0 M3 p- i: x* Y! ?
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
4 {+ ^' L2 J% u, g2 Q, }| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
4 X7 O- ~3 u, h- c| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
8 o# F5 A. q5 T. O8 m7 z# O| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
2 l; m5 `% ~3 {| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
" s* B- o1 `2 L- _7 s) i| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
& j! n0 Q# _* b: J- U5 T| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M3 k3 w( K; l( y1 }( r- r
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M% U. L$ Y+ y. Y9 N
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
" c2 Y# N& |: C0 e( x; q; o" || | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M }. g3 P0 |" S# Z- ^$ \9 ]1 D
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M1 w% D3 d, d3 o) j
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M! s5 y3 G3 n5 O: p1 d
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M: b7 x8 P# h- F1 i
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
2 s. [9 x3 R$ k' z├──12--机器学习与大数据-推荐系统项目实战
9 P* [: A2 O% W0 b! \6 y& _! W| ├──1--推荐系统--流程与架构
d6 ?+ l8 `9 c, E| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M" g* \+ B7 v4 z) D# Z/ l" r
| | ├──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
* j2 [( E, t( \$ n1 W. S1 L% ^| | ├──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
* h' M3 g/ J! L4 B1 N: c- e$ H2 c| | ├──12-推荐系统_数据源_1 .mp4 79.07M& ]# D2 f. x; q( y
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
+ H- M6 D5 G4 s8 {) t| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M r3 Y( b2 i/ s4 ~, u
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M; b$ D3 Y# V5 p( n8 ^
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M2 R" @, z) u1 ?. g# z3 S
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M0 i: _4 `( J1 c; B
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
. E3 d6 D, G. s \8 m1 || | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
4 M# [+ ]7 Z) n* p2 m. m| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
. m4 U* ^. I8 r| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M9 p! M& h/ B' [0 P
| ├──2--推荐系统--数据预处理和模型构建评估实战
2 Q" c) G* G! c+ r| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M/ W0 D4 t) {% ?) y8 \
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
' `9 K9 O7 I m" n3 ]: X1 ^0 Y% E| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
1 l& {1 _) d! J8 w$ j| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
3 t1 m9 }7 k% U0 q" J+ R| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
0 U! b0 R% y7 H- ~- k| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
) y$ o6 U# u% ]: e. z| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M. ~' X) c3 Q3 q! Y- V @% r
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M7 w. d+ b1 u' m+ M5 Z
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
9 a) P+ }; C2 X' q* ~+ @& G| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M L1 e7 P; j/ c
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M( N1 r; e) A; E4 G4 R
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
' v8 W1 L0 s! k( |9 k+ E& z| └──3--推荐系统--模型使用和推荐服务
o" j8 u/ Z% W; C| | ├──1-推荐模型文件使用思路 .mp4 61.89M
4 X2 s) F4 J( [% p| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M ]2 g# e7 U0 m% n
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
$ C( c% \) v$ H! h1 I3 C% L| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
" P% t" {; A. `3 d* q- n| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
% e" ^" D1 s1 S. {( G, k0 N| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
3 t0 d8 m' E& \% d4 k| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M& p$ N0 e8 F' I# g7 V9 p# s
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M$ q- R. b: \) q
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
8 g( z/ Z% u% x* Y, L| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
$ B' P0 V2 k2 H$ o A! n| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M# s. U+ e% o; I, ]
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
8 O: a( L( _9 |: ^; F. _7 L├──13--深度学习-原理和进阶
4 l% z4 h) a/ t I+ v6 t| ├──1--神经网络算法
3 {! O/ B0 }% [' P| | ├──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
9 k: s2 ~2 C2 d| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
- j- _, S- B. p) ?/ d) ~| | ├──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 67.67M3 Z3 X' C) u3 o7 q
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M `' k4 C2 C' z1 z; k5 R8 [9 u
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M; L0 j8 i/ R+ E8 l
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
1 n+ C3 X7 u0 n| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M# Y4 g. u- P: s$ h7 A* T0 P
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
( n0 Q8 c" y6 J| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M2 n* l2 ^. M4 h, v
| ├──2--TensorFlow深度学习工具
9 [" z5 K8 \4 [| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M5 b* n0 \+ D" F1 v
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M9 v9 N) p: r5 i4 s/ K. s, J
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M0 T; o, o) R2 U" E2 c' d
| | ├──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! S1 S) l* X& h5 u
| | ├──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 D2 I2 q2 x2 i
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M% h1 o7 `% |8 [4 [$ [
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M" \+ f8 {+ x! t6 C2 Z" Q
| └──3--反向传播推导_Python代码实现神经网络
$ Y+ R$ o) a) s4 D| | ├──1-反向传播_链式求导法则 .mp4 86.47M0 b5 N0 F) e6 H7 F6 s3 k
| | ├──2-反向传播推导(一) .mp4 127.90M c, S$ s. ?6 ~3 N6 f. R
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
* F" J- R- y. ^9 e% g$ 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 81.20M$ G3 p8 P6 a/ z* ^9 w' w* L
| | ├──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$ `# w" j+ G, `+ E0 B, l
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
2 R0 y6 `9 i6 Z% A/ e| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
, o, R- ?9 i& d* k/ l8 n├──14--深度学习-图像识别原理
. A8 A1 ]" m: |) C3 i| ├──1--卷积神经网络原理 9 _6 B$ p @- _
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M3 q7 z; |; d% F5 `0 L
| | ├──2-单通道卷积的计算 .mp4 104.01M
! D5 ?$ I6 g3 R% A- i- A# N4 Q/ Y| | ├──3-彩色图片卷积的计算 .mp4 52.79M( Q, f0 X, f! U4 D
| | ├──4-卷积层权值共享 .mp4 63.93M
/ s( |. G2 [7 \( \| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M# }8 y& j, w# A* g% H/ T
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
) e4 N) H8 i! l- s4 ?4 H Z$ J| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M# x5 e9 F9 \+ q# U
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M, j2 C8 M1 K! d* R/ ?* ^; ]" t/ [
| ├──2--卷积神经网络优化 ! e. b; R7 M0 m! j: v: Y* V5 L
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
3 |5 {) c% p+ F) e( a| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
9 f+ D* h, H$ p) g8 p| | ├──11-Optimizer_Adam .mp4 141.12M; b0 K& j( C: c3 ]2 {3 Q. N
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M, o) X! N* n1 p4 g, c
| | ├──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& t2 M0 d) q" `! Z5 ~; t
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M; }3 o9 W1 C! k
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
5 N$ h! e1 f. n| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
5 I! {1 J5 n @- u3 @5 B h| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M' ]5 b( p& R2 u! k4 _9 ], f+ J
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M6 T& K- E" O9 S
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M5 X8 n2 G8 \" L6 u
| ├──3--经典卷积网络算法
; i0 @7 d* x7 K7 g. A+ T8 Z9 A| | ├──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
8 |0 K5 _) u H7 s3 g6 b% \| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M/ }* B1 V' k# f+ ~$ g/ V* e
| | ├──3-InceptionV1_V2 .mp4 165.86M9 \, K9 n& q0 I
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
( l. `9 R' N! _1 p* E" j2 w| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
0 E/ [: t- Y2 K& d6 l6 n9 B| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
' q. m0 I) o" o5 h! u' x2 K; }| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
" ^: I8 X; ?+ E5 D| | ├──8-BatchNormalization .mp4 99.23M7 j) i/ Z, B9 N
| | └──9-Mobilenet网络架构 .mp4 150.05M
: `# K" {- }4 F| ├──4--古典目标检测 6 P/ R% r! Q+ D
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
D( J; H/ \0 s" R$ C- U! C) _| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M" L6 c* z; x+ x; p* s
| | ├──3-IOU以及python计算的代码 .mp4 23.56M1 z! a3 }' D/ k6 G' V8 P
| | ├──4-R-CNN和SPP-net .mp4 124.06M+ C% S- h% Z4 i
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
- @0 b% [) Z# y* x; ], Q| └──5--现代目标检测之FasterRCNN
2 S5 s: S1 {$ N! ~/ c0 |; ?| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M1 g" s( N& O# R2 M9 m5 A
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M1 b. o. k* t0 ]6 |
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
5 F$ N% L6 [: Y- o| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
T. M9 n- @" b| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M8 I2 _6 q! g4 v& o
├──15--深度学习-图像识别项目实战
9 w9 K0 T+ _8 q; j: @% N3 C* B: I; x| ├──1--车牌识别 ! Z' w( B _5 B- j4 @0 N. Q. K
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M/ `: l% w8 C2 T- B: T" C& } W% p
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
/ {$ g6 ~' a" O( y) A5 n8 g| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M$ O$ k5 k4 ]! h L
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M P4 b/ ?# k e$ C5 p5 [- S' f& \
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
) V9 b- l, N/ t- n. q; ]8 d/ V6 U| ├──2--自然场景下的目标检测及源码分析
M2 G) C& B0 G- G| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
- ?/ h2 O* R l/ P8 q" `+ I| | ├──10-FasterRCNN代码_构建head .mp4 67.56M& {/ `& H& K6 M c4 J; A
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
4 ~- ^6 p+ Q# s* k M5 {( G| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
) s: s/ \! B$ @- |6 H1 _| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M# N, Y: \8 b* @& K) q
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M3 X0 i9 c! D2 x
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M, e, {( W7 P9 N" u$ \! {# G8 |, p
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M0 j" m: @4 ]& N7 y- }/ F9 w) n
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
9 T9 k* h- _; i| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
" e% C& a# m4 K1 [# @6 a| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M( I$ w' B, y; S7 l, w! F
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M+ G8 M$ A' }/ E0 \3 s4 G/ I Q
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M* r Z# F, Z+ P# K2 @$ J$ k4 k. C
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M6 ^+ Z2 j Z0 A2 K: E8 q
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
1 u1 s6 s7 T% T0 }| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
; c9 v' o1 W& O8 k/ @$ K6 q( i* p+ O| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
2 f8 l+ @4 L$ c- J9 M6 Y% O| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M% O" H3 j* k% {+ Y, ]
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
: o: D3 R+ `/ l6 G* U; | A" ~5 j| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M+ C: h9 P4 [( h1 ^* C1 v
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
8 H$ S( U. m) U: q| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M3 L9 r5 _( W' V3 V3 D6 P, a
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M q1 s2 f4 s+ v4 l0 E V. r! I
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M" \7 f( n$ {0 d1 B) d
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M+ U4 u! m! a& W, s: y( M% M
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
8 t8 N7 N6 ]4 ~9 R- F| └──3--图像风格迁移
4 s( ~3 V2 j% U/ \| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M" V6 I& ^) i& w2 q9 \6 j
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M. a: S3 T- h* o' w
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
+ s/ E+ K6 f; R* ? g/ _! |" C5 o8 z| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
: k2 J! _8 `$ M3 R: ]├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 " x) b! u$ p, p" I/ B% E" U0 W
| ├──1--YOLOv1详解
6 F) d6 K! ^/ r s5 L| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
$ ~) a; r; d0 w5 Q* y# E| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M0 n) G; d- `. x
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M' J* q! N9 \: |, x
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M- a/ e! ?! ?! o0 ]$ O
| ├──2--YOLOv2详解
* X- p7 L* M, l' u5 ]( i, H- u| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M) X. L& B. s5 I$ R1 b) F, U+ E/ d9 a
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
. I1 x( S, g$ X# \, [| | ├──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- ] [6 b4 f# d
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M e$ T+ K! j1 R
| ├──3--YOLOv3详解
* `# s/ K( V, m9 R/ x- P- f' v| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
( ]$ \6 N, x8 E6 p, s- B& {) 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
1 x+ m1 W% r( @- L0 f0 r| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
% M2 _- i5 I1 d8 F| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M) a; W& u" c5 e6 x7 p, q0 D
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M% }! h& w" T5 T( z% A% K) Q
| ├──4--YOLOv3代码实战 9 |9 C6 L) l- F# U; U
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M# E7 C; D' @ ^
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M6 `, W1 q! C8 S( @8 S3 ~
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
; b( m: t8 ?0 R) h+ ?1 F+ O| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
2 L, I2 r2 C7 Z9 r1 X8 `| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
' e i8 T& |# N% f% y: W| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M! U9 B$ G& \" Q5 s. L& C
| └──5--YOLOv4详解
$ U2 z9 n3 J5 g, O: _1 f5 r" j| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
0 V" _) l7 S: B; c3 F# q) o- x| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
- g/ n& P' s0 C A% C: T6 U* F3 s2 Y| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M& ?, K- Y$ F3 j
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
) [7 |; T$ ~3 a0 B├──17--深度学习-语义分割原理和实战 8 e& F0 y& V1 D" E: E/ {! j
| ├──1--上采样_双线性插值_转置卷积 1 j( d9 n. [! F" c( Y/ S0 p9 ]7 @
| | ├──1-前言 .mp4 19.46M
; `/ ^# A* B2 x* E3 A3 w| | ├──2-上采样_repeat .mp4 23.90M2 a. V1 z) L+ c5 L" n
| | ├──3-线性插值 .mp4 34.48M
j/ G5 V5 {4 i| | ├──4-双线性插值 .mp4 125.71M
+ ~3 E* G; ^$ ], W0 `2 E1 e| | ├──5-转置卷积_以及TF的API .mp4 114.25M, r# ?0 m2 x5 l5 d( K. R9 z
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M1 k9 r& F: C$ i1 i; k/ r, }; }
| | ├──7-ROI Align .mp4 58.38M
$ a; L" i x9 x0 u| | ├──8-FPN思想与网络结构 .mp4 92.14M1 Q2 x9 i, u( Z# a% M% A, @
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
5 S6 Z2 x) |5 E! J# f) X& U7 T| ├──2--医疗图像UNet语义分割
! f# F& u9 t5 c' R7 I1 A0 ]. @| | ├──1-语义分割的基本概念 .mp4 18.33M5 X* V; g4 j- ]6 c
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M. m+ n' {; C: q- F6 ]0 }% [9 I
| | ├──3-UNet网络结构 .mp4 30.41M1 k0 o9 |: v; M1 v1 |$ A4 b. I
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
0 K' [3 u# @, s5 T0 d| └──3--蒙版弹幕MaskRCNN语义分割 $ t' L2 R; w# Z- I( _+ b, P
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
" B% O6 Z9 x- F$ J$ M! K9 _) e5 L| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
) X& v3 Q- i, [" |7 p% K$ B6 N| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
$ F% d0 ]- s( K" O h% t| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M. m9 V% v, P6 m. C
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
' E* j8 `1 j% F- D5 o+ ?! G| | └──6-MaskRCNN源码config和model .mp4 244.48M8 b! U* N' _; [ ]
├──18--深度学习-人脸识别项目实战 & Z% Q; }+ K, b
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
" H: i+ d6 Z; L; x( l| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M% [/ K+ m0 I1 N" j6 ~& X# t5 F6 \
| ├──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" L+ k8 Y7 L8 Y- j; J& E
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M& n# z/ H* I0 T
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
& P6 k! ]/ i W& Z+ c| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M6 {1 _. k: N! P3 V. G- d
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M! b" F' Z, d9 N! V& t k) ]
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
" @+ y4 f: C6 w9 r7 B* r f, R0 T4 w| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M7 V) m2 A5 B/ k! T; `; u( Z0 b
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
! g1 ]* ~9 b, j+ p$ a) u; A| ├──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( O2 F" Z9 B& ]" J2 j% U6 K: A) F
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
- o { N3 s% w( q4 Q- {| ├──3-人脸识别项目代码整体结构 .mp4 30.40M- f2 s/ p6 I, N+ L- [/ F# J
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M% ~, _$ }8 `& V# x1 E6 t1 V
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
$ n% a8 C- Y# j' r8 H1 }2 I| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M6 D# W2 r! `& G# Z g5 g R2 r! X
| ├──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) P5 e6 B! [/ t& W) \
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
+ ~, E5 v' J: T A4 W| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M6 ^! x3 d6 m6 C! K! d
├──19--深度学习-NLP自然语言处理原理和进阶
% m$ D3 z, Q! x8 g6 i6 [8 h' |$ ^| ├──1--词向量与词嵌入
9 o' g* c1 _% l2 X0 N# t( D| | ├──1-N-gram语言模型 .mp4 116.32M
h* R6 Z" ?% L! O| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
5 p+ ]4 S2 ]9 Z* R& \& D| | ├──3-词向量的作用 .mp4 58.00M7 X `) Z* I2 ?' O. t
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
8 V; F6 \" O& s; b. j| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M* Q% ^/ @' `: e/ Q e( {
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M# f9 S+ _- ?/ I+ \- N
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M: q* H: l' C4 M2 f* X) b
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
2 t0 R' ` o' N, p$ f' ~| ├──2--循环神经网络原理与优化 $ l/ n; H( ^0 I7 e- p+ c3 O
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M" H+ O/ \8 R& P; y" _! z! o
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
, _5 [. Y9 p+ g" k V- t* r| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
" q1 b) i! M. ?4 r- K# ]& ^| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
2 l! y4 o" J# k# w( F" P/ S+ J| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
$ ?0 }& G+ h1 q| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
0 h$ Z/ \5 E. z: v, X* a: z5 n| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
" s* p) @) Q4 P1 c& C| | ├──8-双向RNN_LSTM .mp4 52.01M
6 Q1 f) @- ~6 r5 ?2 W P/ [- ^0 A| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
" B. D6 T" y7 S' S/ l3 X| ├──3--从Attention机制到Transformer
) t# F# j) v$ l; X| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
* p2 ]: f" D1 S8 @; D| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
$ g! U* H+ Q2 e| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
4 R- G- b% c+ W0 L| └──4--ELMO_BERT_GPT
) s( e& h) V" ~% M$ I! M) U: u r| | ├──1-ELMO .mp4 62.44M
& q; j P, n" |9 U0 X1 r7 D| | ├──2-BERT理论 .mp4 99.73M* P! |# N0 K9 E3 [7 `! X- d
| | └──3-ERNIE_GPT .mp4 56.34M
9 w( d6 z4 y2 w- Q├──2--人工智能基础-Python基础
+ X" j! s8 C8 U, _3 y| ├──1--Python开发环境搭建
: _3 a0 F0 P5 `, [& i( N! }| | ├──1-下载Miniconda运行环境 .mp4 100.75M* w G8 |$ N* B4 Z' |
| | ├──2-Miniconda安装和测试 .mp4 57.12M9 O9 E9 R% h$ d- m
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
) Y' y" C: i' M u% V+ h2 d| | ├──4-Jupyter安装和代码运行 .mp4 37.10M0 u3 S9 Z, U* Z& d
| | ├──5-Jupyter常用快捷键 .mp4 32.23M0 z2 ~0 j! ]' q; A# Z$ k
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
; l# }& F" G D+ V& E: O0 n| | └──7-关联虚拟环境运行代码 .mp4 38.14M0 G a* P! S, p* l; o( k% R2 D
| └──2--Python基础语法 - `9 A7 E5 i# e, g" w% H
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M; f. x1 X X. c: E% K; h
| | ├──10-Python_集合操作_列表 .mp4 34.71M2 {# [0 @" m$ z) c
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
8 Q. O1 [- t" C0 {/ y9 y| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
! Q, s* J9 ^/ S; a3 U! a ]| | ├──13-Python_集合操作_元组 .mp4 43.46M. Q1 \+ w8 j, C: S+ Y; R
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
2 L* r2 d1 ^& Y9 h5 u| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M: P4 f2 y* w; R" i5 I% [+ n
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
- E. g9 T2 q2 T. f) v+ f! E8 r| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
5 d; C5 Z* X# r2 ~9 }1 f2 _+ v& m| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M7 K \3 e T* C6 a+ v( v, s$ g
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
, h( S/ y* O# r* J2 h' a. Z| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
; h) T* H0 p. Y& q" P5 ?| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M- b1 m7 R! h$ W* V, N: C$ _% j0 g
| | ├──21-Python_函数_递归 .mp4 23.46M
0 W% v- u- s$ Q" Z2 z| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M& s, G! l. t: y7 e3 V% @
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
0 ^3 e$ \1 ?7 N# E5 w* `, X1 u! E| | ├──24-Python_函数_闭包 .mp4 41.61M
. b) ?) x; q/ K0 O4 M5 L: ^| | ├──25-Python_函数_装饰器 .mp4 30.35M4 \% U2 N; k6 Q% |* g$ x$ e
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
) K) t) o4 B) T8 U+ a0 o4 x1 ]4 T: v| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
3 q8 b) x0 G; f| | ├──28-Python_类对象_内置方法 .mp4 29.17M! W# j' Z6 U; t
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
5 F$ |/ v3 R% u* ~' l# J" l| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M' H/ Z( s2 \' }; N4 Q- p7 Z `
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M& s% `) ^( @, p; k B4 y: }4 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
8 N- v; N0 r9 I; L9 i1 P, I| | ├──4-Python_控制语句_while循环 .mp4 25.02M
3 f8 s2 ?7 k1 s2 j: G| | ├──5-Python_控制语句_for循环 .mp4 22.82M
7 r0 u6 V4 q4 Z% m| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M2 h! D# e6 C. u) ^ C, H" g% i) g
| | ├──7-Python_控制语句_break_continue .mp4 25.23M3 R% u+ G0 q$ ~
| | ├──8-Python_切片操作 .mp4 40.20M$ T# o7 t1 C) Y3 N$ h
| | └──9-Python_数据类型 .mp4 25.38M' l, `5 W- F! c+ ?$ x. Y9 T) V
├──20--深度学习-NLP自然语言处理项目实战
2 j) d/ P4 w& C0 ~| ├──1--词向量 % l3 b5 c& I" u }
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
6 U, r! u& u- H$ @" z7 c| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
# T. H: A# R2 y0 Y$ S' l+ H- Y| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M: M" j( {+ l- `! B
| | ├──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
7 C# M4 @; ^% t/ C3 s @| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
! E. c$ ]* A5 a( u% a. t6 E2 c| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
( w4 W4 F/ W9 q8 ~1 M3 q, J y* x3 S| ├──2--自然语言处理--情感分析
. l5 l2 H: T# \0 ~; g4 V| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
* q1 E3 T5 n9 U| | ├──2-数据预处理_01 .mp4 79.65M
- `/ I* g- z6 L3 j| | ├──3-数据预处理_02 .mp4 45.68M# a S, G8 ]8 ~
| | ├──4-代码讲解_01 .mp4 52.29M
} z9 c: j5 ?# i9 D| | ├──5-代码讲解_02 .mp4 60.85M1 ~% H8 l7 E9 [
| | ├──6-代码讲解_03 .mp4 53.89M$ A# ^* }6 z1 L/ f2 L; f3 f8 A
| | ├──7-代码讲解_04 .mp4 57.19M8 R9 \" f$ H. ~! a% @6 a* l( m
| | └──8-代码讲解_05 .mp4 35.88M
/ f4 q0 M6 ~! `# H& n. c| ├──3--AI写唐诗
0 o/ u* Y7 f8 l| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M7 ~( U; L1 n7 d
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M5 B9 b9 m) u1 I; v
| | ├──3-MultiRNNCell单元 .mp4 38.93M, T9 ]& U' m, x/ N
| | ├──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
' s8 A5 E- C/ j% b) D: C| | ├──5-AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码 .mp4 61.73M
* V8 f6 b( \; a A1 k+ U: V& K$ H| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M( e/ K+ N% p. `5 j8 t+ s9 _3 v* a
| ├──4--Seq2Seq聊天机器人
0 }; K" j# }5 C& W| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M' ^8 A3 V' b: k1 `' L
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M* r0 n& ~2 R$ @6 E8 o
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M' b3 l6 u, s+ |2 J1 E8 O& j2 G
| ├──5--实战NER命名实体识别项目
7 y( }4 a9 u4 x, p2 S| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
0 k* `1 J, F' f9 L9 ^ @ g5 B3 \| | ├──2-介绍了代码目录结构 .mp4 23.44M% z- [; b8 `( K1 H) a
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
: R" Q9 j6 j% V| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M3 g1 e7 e( ~, {6 V
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M% f& Y+ i% y. U" x' U) {% y$ U, F9 b
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
8 ?8 Y2 m( w, Z2 K: v% g| | ├──7-CRF中的特征函数们 .mp4 125.97M% D) {- n- Q/ r0 |# ~2 }2 K
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
! u6 |% q8 j3 C8 B. Z| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
) l @ ?8 Y. L7 p| ├──6--BERT新浪新闻10分类项目 # i J6 ]0 s$ q, P. O# I
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M" T0 ~! }- y3 i# _4 n
| └──7--GPT2聊天机器人
. Y6 Q: J$ K. }5 x6 c6 P+ I7 L8 e| | └──1-GPT2闲聊机器人 .mp4 62.28M
$ m! L. `! M0 c; v! C0 q8 S+ l├──21--深度学习-OCR文本识别 " ~. U4 Z8 T- F9 x a9 p; l
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
9 g: h* E, C3 p| ├──10-CRNN项目代码剖析 .mp4 306.48M
6 m6 m! O3 d) N: y6 a. J1 J: j7 g| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
5 V2 y' x' e3 ]/ p- l| ├──3-OCR识别的CTC损失思想 .mp4 327.69M/ U8 q0 S; V' s0 ]
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
' d- W& ~8 s3 G5 V* Q) g& {/ s- `| ├──5-CTC损失函数的理解 .mp4 330.64M) ^& ^$ V# U) C% U: w& r: a
| ├──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# d( a, q. O- p. S8 |2 @1 W! f
| ├──7-CTC前向后向算法代码 .mp4 225.41M
{5 h2 K/ a$ Q6 i. z" T% o| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
8 F9 l& i! j. h3 B ]| └──9-CPTN项目代码剖析 .mp4 491.69M
' ]+ }) k Y, @) C5 q( {1 T: D. J. v- {├──24--【加课】Pytorch项目实战
1 S& u& R& d- k- V# G0 a. S| ├──1--PyTorch运行环境安装_运行环境测试
& i) M6 T1 ?0 I2 W5 Q9 ^" B| | ├──1-PyTorch概述 .mp4 29.29M4 C+ T, D, u$ c9 {1 B
| | ├──2-PyTorch的安装 .mp4 76.45M6 v" T/ ]0 i3 f
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M7 {' H' }0 J5 u& z; c2 g- H5 m* U
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M n5 ?! m% z' R; ^3 x. e, W+ W
| ├──2--PyTorch基础_Tensor张量运算 ) \, n5 l! k5 X' |2 ?- @$ t
| | ├──1-Tensor的创建 .mp4 55.14M
' u9 H! J5 }6 L( \| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M% W4 ?) r6 u0 k" r y! B6 t3 }
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
8 ]$ X: o7 ^! W, O- H E| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
* @( x0 T5 e+ j3 S9 B) Q+ F. H| ├──3--PyTorch卷积神经网络_实战CIFAR10 ) F& z0 B) _+ d. O9 _( g
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M' V/ }, s: d; @, l& [
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
8 R5 q) B/ `4 i4 m6 w| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M% k. m( H2 T6 Y. `! f- \
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
8 z: D0 @3 F$ j| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
' M: ?" @0 Z( C, f4 \* |& X| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M+ u3 B9 {: T0 W: s f& W% w( e/ u7 \
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M6 c8 n2 T1 { E& ]4 [; f+ F! G
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M( `1 o4 j2 I2 u% w: T
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
7 A% t- r/ I! Z2 x% {4 y. E; a/ \| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M3 N o: D1 u9 K- z# A6 w
| ├──4--PyTorch循环神经网络_词性标注 , W) @* I1 o5 k. U
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
$ k2 O3 A% k# C& q| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M; e0 p/ ]( k" I1 ]1 P+ Y
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M/ ` U) h8 p0 F# I$ [
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M: B( \9 ~- ?6 k: a8 L! k7 x- x
| └──5--PyTorch编码器解码器_机器翻译
9 J. w4 }7 w+ }- }& ?1 j6 _| | ├──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% U$ X1 A2 S: J) Y! N: t& b
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
4 ^5 X4 b& d/ X; ]| | ├──3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器 .mp4 57.69M
; s: ]! e% U. \$ d2 K| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
7 Q" J4 y E1 h7 X; X| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
* |1 e# S+ z, ` F$ S% d/ z& e$ b. {| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
- _, b& D5 D1 {" o U' W4 N& || | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
% J9 S: b; N8 h9 ~/ _( ~| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
# c/ q0 z- B+ P7 S├──25--【加课】百度飞桨PaddlePaddle实战【新增】
5 `: W7 |0 p" a# R: z: J" h| ├──1--PaddlePaddle框架安装_波士顿房价预测
6 |* i9 g& q" V" j" r- M| | ├──1-安装PaddlePaddle .mp4 87.34M( g5 `+ P1 C0 m9 U# C
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M0 Q; E4 E( ?2 A" _+ ~
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M. w, W+ Q# O4 d2 }# a l& X/ m
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M& n c4 d6 B/ H6 n
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M6 n( R3 j8 q: M' {9 W
| ├──2--PaddlePaddle卷积网络_病理性近视识别
5 z J( U. l6 c0 F3 || | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
/ x" {$ S3 m! F7 w& U D| | ├──2-预测病理性近视_模型训练 .mp4 86.66M- E5 p5 B: t/ @$ x H! f
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M& I0 w% R5 O T; ?4 p
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
- j4 {$ x' `9 Y5 L8 I| ├──3--PaddleDetection工具_PCB电路板缺陷检测
; p' K9 o1 P) ^/ ^, N$ w4 x| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
- Y/ U1 I: j( g0 e( g| | ├──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+ v6 M/ h4 J% D6 c
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M/ K) J0 X# }) H2 [' I
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M8 K, @; @: `, X+ [
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
; _0 F6 z U" t1 ]# ]7 l( ~| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M1 ]5 e$ K3 A3 ^! }: N: U
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M. d3 G0 Z. a! s2 f& k1 ~
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) 6 L+ x/ ?% @0 B4 k1 O
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M) E9 v7 K2 G7 Q+ b: E, I
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
# t: {2 z. {+ t4 P+ n" @9 L| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M3 @. x" Y: h$ B2 F: {
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
5 J. Q5 B8 x$ a% X$ O| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
3 K; S1 r x5 h- r( I6 E: I- P( ~| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M! I* }; ~6 Q/ P) O2 f
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） : a- [" L* ]9 P9 t0 j
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
. M) ]4 _9 C ~' n1 e r| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M0 |+ ~" B% \7 x9 X# A5 ~1 |
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M. M! B" D8 T/ z9 f5 V
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M+ ?7 h6 ]( [1 G
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M" F9 @& D7 j' O% _* f% q! \
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M+ M* j) {: p. A7 I$ e
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
& ^$ q8 l- G6 j) G8 N! O. D. v| | └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4 80.58M
\; R# ?$ ~1 e, L% w! t7 T& @4 N| └──6--PaddleNLP模块_物流信息提取（ERNIE版） 4 h. W% c0 L/ b5 b5 U
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M- Q& O, N% Y5 O8 b& @: Y* B& N' Q
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
2 j r/ q* O6 D! t/ w/ j+ Q5 S2 Y| | ├──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
: h" F% G. `9 g6 M- |. n5 v| | └──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
0 }3 q; z$ x v& ^+ y├──26--【加课】Linux 环境编程基础 2 H' n+ U0 F) k* J
| └──1--Linux
4 x0 O7 D8 ^; B) _4 M" w3 ?5 y7 I| | ├──1-Linux_课程介绍 .mp4 3.72M: `1 t2 U, u# {$ M
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
+ M3 F% Z# M8 G& \& _2 U# N5 T* m5 f| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M( y; @7 d2 Z) l8 u) f1 l; L" L
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M* A( K* u3 Q; w9 D2 C
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
- X0 i; g: Z( }' e( c' L| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
G4 \3 c, z3 G% z# Y| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M$ q: ~2 e% L& I- E
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M; A p- { x8 z+ V# T' M, }6 b
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M. z- M h j; m e( I$ d
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
" y O. G+ `5 v+ d| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M% }* t2 b: p0 N) H _) y
| | ├──2-Linux_Linux简介 .mp4 17.59M
) i( x: ~/ o" O* d+ t2 X| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M5 l: u2 T4 |% {% B, `: V7 B
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
" ~7 i1 c+ p9 d/ v& Q+ A6 B: B7 y7 y0 M| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M( L& d2 ~3 @! w! h3 P8 ^/ g
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M! O* p& |# t4 O
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M( W8 M0 t1 m8 Y5 z0 }0 s
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M4 F/ l% O7 e% R* D8 N( W' [
| | ├──26-Linux_安装MySQL .mp4 79.02M9 h3 W+ j0 R4 X' j, Q$ w
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M9 H+ [- x" W( J9 H- R7 z# _7 v
| | ├──4-Linux_安装Linux .mp4 41.97M/ T2 ^* |/ P. ^0 w" y, W* V. a* P, r
| | ├──5-Linux_目录介绍 .mp4 20.31M) Y! {6 F) w! s7 n, g5 C
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
$ z: U& h# `) j| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
- Z$ g3 t7 p+ L( K p0 {| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M& Q8 d$ e; R+ z; b
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
! d7 |+ @) A9 ~2 J+ `├──27--【加课】算法与数据结构 6 C% N, J( Y; M+ u
| └──1--算法与数据结构
9 M( R: i$ e2 W4 R5 l7 o| | ├──1-数据结构与算法简介 .mp4 35.68M
+ T7 {$ I) S$ C2 Q B( w) `8 T| | ├──10-哈希表的基本结构 .mp4 54.34M: c6 d7 T6 H8 y/ O: |1 S
| | ├──11-哈希表冲突问题 .mp4 75.92M
; I: K$ v& m% g; {& Z" P| | ├──12-哈希表冲突问题2 .mp4 72.30M
& g5 n$ ~" K# {0 T" @3 S2 Z| | ├──13-哈希扩容 .mp4 111.03M9 k5 S! y: n" n
| | ├──14-递归与栈 .mp4 50.77M
% W% Z0 t) c* x: c3 B9 p) ?. a0 {4 B| | ├──15-线性查找 .mp4 57.80M
$ S! A4 `3 e) u5 h| | ├──16-二分查找 .mp4 52.32M
/ _! Y0 L1 j% L* i| | ├──17-冒泡排序 .mp4 53.19M
0 b1 V) W- f4 Z, J9 O" M| | ├──18-选择排序 .mp4 43.29M; O' T7 N% j: T% H. p
| | ├──19-插入排序 .mp4 31.39M2 c. L, r3 N/ W' Z! m7 n$ V
| | ├──2-大O表示法 .mp4 25.59M
, R% Q+ G$ S" S7 \$ ~: u6 ~| | ├──20-归并排序 .mp4 84.48M
7 f2 _' T$ X/ D0 U8 z| | ├──21-快速排序 .mp4 36.63M
f% V/ g, _% K% ]3 R! Y+ V' X| | ├──22-树结构 .mp4 96.85M
, M2 H$ i2 `+ V+ c( Q1 J| | ├──23-树结构的遍历 .mp4 61.05M
+ B7 \0 f* N1 l* |; t( n| | ├──24-最大堆的增加操作 .mp4 45.43M
6 o$ }4 F0 E( O4 a$ ~. k% r| | ├──25-最大堆的删除操作 .mp4 45.63M* z5 o" V5 D/ v, Z1 i& x' v/ G, a
| | ├──26-二叉树的查找 .mp4 100.24M1 c! ~7 f5 X! n+ U' a/ i( c; ?" p, M
| | ├──27-二叉树获取最小值 .mp4 25.21M- k5 }/ o. I2 {: A- I$ J, J
| | ├──28-二叉树的添加 .mp4 72.66M1 _; c5 A1 D7 T y2 W W( b
| | ├──29-二叉树的删除 .mp4 120.06M2 b3 |% m( l* S& m+ j, L. V, V8 {
| | ├──3-线性结构 .mp4 53.14M
* r* A7 g, [9 V4 X$ x1 U2 [| | ├──4-单线链表1 .mp4 68.36M" Q# \7 c( U, e+ O' H4 w8 ?
| | ├──5-单链表2 .mp4 221.69M
# f. Z w$ z" |- n| | ├──6-双链表 .mp4 103.57M
1 A6 O8 c7 Q, c% ^0 y+ l| | ├──7-队列(链式) .mp4 74.12M g5 a2 J2 j. S# ~# p2 a! Q0 C
| | ├──8-队列(线式) .mp4 30.99M y6 \- |* H* b0 K2 F' \: s0 s
| | └──9-栈与双端队列 .mp4 28.12M2 N) S% S! ~- D6 ?2 g$ L8 H h
├──3--人工智能基础-Python科学计算和可视化
& u6 [1 e: h& I3 p| ├──1--科学计算模型Numpy * P# d" d; f0 B+ K
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M* Q2 v2 a7 c4 ^
| | ├──2-Numpy_array_arange .mp4 35.45M$ [, h. R ?% g2 E
| | ├──3-Numpy_random随机数生成 .mp4 50.54M: A0 _) O/ n0 d- X1 j3 t
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
6 I. K; G( }6 k6 {# e- X| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M& {0 Z+ e& W m/ |+ }
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
' v6 Q+ ^& [" K: w8 y' Q! Z0 u1 k1 j| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M5 s$ e; n+ b9 \, }- A
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
5 r5 \/ B; G. \' E: [| | └──9-Numpy_聚合函数 .mp4 23.68M
( y# t9 u6 u: Y* K1 \- q$ w; t| ├──2--数据可视化模块 , G/ i7 L6 D* s/ m
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M% l* X. j# f- H: m8 b! |; B/ K9 \
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
/ {; X( W: B1 \& b) M# R" X/ f| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M7 w; E7 G. F0 P3 ]
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M0 l2 N9 e2 J% ~8 m8 \, Y( ^. q8 ^
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
5 V+ `# Q: j/ G' J: S. t' ?| └──3--数据处理分析模块Pandas
8 L9 s$ r2 i, m; v| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M* N/ V* T0 Y8 Y
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M% e# E! }, E+ Q
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
% _9 g8 y% V7 I| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M! t8 b- C; E( f3 {" g
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M9 X; Y9 U: a2 x0 x4 V. S
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M# E! Y* V: X8 U4 b! V
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M8 \8 D' t: K, |! {
├──31--【加课】 强化学习【新增】
! }- E5 K h5 v# H$ d- ]: M| ├──1--Q-Learning与SARSA算法
9 P h4 u6 F) Y# t; `2 H# T| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M; x/ {" z/ m- ]# \0 C* h/ d `3 ]0 o+ x
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M( p! ? m4 {1 Q O; L& Y$ t
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M. r9 H* w. a8 C
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
; n" @: C$ T. C% K3 f| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M, N. [% A; e# Z( u. K9 G
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
7 w) [! j L! `| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M; V/ d6 @* D4 |5 M0 S4 q
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M4 {$ }# a3 l; e ^# I* l0 ?
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
1 d7 Z9 M }) y| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M( W( c. C; f' ?# p, l5 @9 t. C
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
/ E7 B( y. J. { \# f. H| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M1 f# e. O$ m& ]" m+ u/ j+ e
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M& w, @% k: J! A8 \1 y
| ├──2--Deep Q-Learning Network 1 b1 E |" e s2 n# L' x9 f
| | ├──1-DQN算法思想 .mp4 59.24M
; s9 O; P/ B6 z| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M; J2 u& C; ]7 K7 }: j! w! H
| | ├──11-DoubleDQN代码实战 .mp4 44.49M2 Z5 Y. M1 K0 O# f- ?
| | ├──12-DuelingDQN .mp4 88.12M7 l0 s1 Y6 a4 k% h% ^; f
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M7 P, Z* l- `8 Z; H9 d
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
E o) L1 X6 ?5 U| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M5 v4 r. U8 _% b2 e; l) u8 g
| | ├──2-DQN算法具体流程 .mp4 56.17M" Y/ a) p1 v1 d; A8 [* N8 R
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M2 W) B8 D/ m$ Q. E6 ^
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
) e- i2 @# m, N# P; U2 \5 h0 e| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
+ {' K- M `5 E| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M9 Q# i. F. _* N: u! X$ X
| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M5 o. r% c6 y/ Q! }& k
| | ├──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
# ?' i. {2 o/ |" ]$ f| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M2 e9 q( r4 y4 `, p
| ├──3--Policy Gradient 策略梯度
$ X" l, D9 T' i/ d( F+ L9 T2 t| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M0 w6 G1 \3 H, |
| | ├──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
( `- _; b# T, j/ V- b! x+ E! G| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M M2 u/ K& k7 `# q
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M% c0 G J, J: E% F
| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M
1 F# T) f9 _" n. X- _* b2 h| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M) ~3 s* e. o3 e
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
( ^( B; ^) u' f G' |; m) G# B6 V3 p| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
( O! r+ L9 a7 X3 Z+ ]/ R| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M9 {% O3 X, B7 D- v1 k3 p
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M' u2 B6 P3 a* N: r
| ├──4--Actor Critic (A3C)
3 b" g) R/ s$ a! \6 p| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M3 r6 l; t; `5 T. v1 Q6 l) M- K( }0 _ u
| | ├──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 @3 M p4 [, {8 m# `7 b
| | ├──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
) n3 i/ y! L+ F' J$ ~| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M6 v# T0 F) R: a7 r {! v! u
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M8 o) |/ N' g1 w8 p8 H" n% j
| | ├──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
4 q: N- D5 X6 {' F- \| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
4 A' V: z; }$ B# s* f+ b! Z; s| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M1 P7 w( b S+ N; b7 Q8 I! a0 J1 w
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M& D( j. Z3 \4 Q5 C& y
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
x3 ]1 h( q5 g9 [: p| | ├──6-A3C架构和训练流程 .mp4 74.66M4 X( `7 X+ G" n8 U* K+ o
| | ├──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
( J% L! `& N; y: l, T! \| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M O6 m/ q# d, o' f3 N. l) N1 t$ }
| | └──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' ?1 u& s. ^! Q
| └──5--DDPG、PPO、DPPO算法 Z L7 b& H- h
| | ├──1-DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic .mp4 81.92M, s6 w8 y7 h1 j
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M" h; D* M& A" |: X
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M1 y \/ F5 f2 g5 B! g
| | ├──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
- `+ s+ \) Q+ W& q- D" I) U% I: y| | ├──13-DPPO分布式PPO .mp4 63.81M
7 t; p; w5 n7 x7 L$ I| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
/ J( H9 `$ z% P/ I; D: r' e| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
: n: T) Z4 c8 l8 n| | ├──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 51.45M6 f* t7 K" V, u* I {0 Q- K& d
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
( j/ m# w. ~+ q) M3 f. ?* J& a| | ├──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
+ d; F- j* j3 v6 D| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M3 K% i0 n; a. Y p
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M: M2 j! D0 a' A- {, z9 F0 S3 ?
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
# J$ \5 c# T- B| | ├──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 38.09M1 \$ {# e" m1 Q& W+ r7 W; ~: s
| | └──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
/ y. P: }' j# m& U├──4--人工智能基础-高等数学知识强化 0 g1 D. j0 t3 [- C0 W. E
| ├──1--数学内容概述
4 {1 H7 d2 Q- g" z2 o7 N| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M8 X0 m& Q& Z6 \7 u
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
4 u$ ?! P9 J0 p1 ?( E! O| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
$ o2 J9 G. M2 C| ├──2--一元函数微分学 O. |% b O9 f# |% R
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M7 Y z0 p% i* n7 k( m: Q
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
( O& X, ]' j5 T$ o l" q7 y| | ├──3-常见函数的求导公式 .mp4 22.76M& m3 z) {: f2 b1 |9 F
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
; S* m: O# j. i3 I' B/ d| | ├──5-复合函数求导法则 .mp4 19.68M, @: `% h2 H* N3 k
| | ├──6-推导激活函数的导函数 .mp4 33.40M, a1 R/ F! c5 w7 g. B
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
. M" b t+ p& ]. _9 S$ f" {; i| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M G& E) l! h0 B- t
| ├──3--线性代数基础 & i6 p, Q8 Q4 l' @, @# y2 s; V' K
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M$ H z& R# H% F3 C1 }! C8 a5 ~ y
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
9 E% |7 C" v2 d. J, f| | ├──11-矩阵的行列式 .mp4 20.13M
) L% Z+ d5 d6 K! v2 u| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
) O- c4 k! D& _6 D* S| | ├──3-向量的内积_向量运算法则 .mp4 19.78M3 @) w* c1 ^1 n2 g! w5 l
| | ├──4-学习向量计算的用途举例 .mp4 20.32M: }1 T3 D# j. m
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
5 \+ A* |2 b) k) ?( ^, e! S| | ├──6-特殊的向量 .mp4 26.45M5 A. }0 x3 l! ~6 S" V' Q
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
% Z- k# G9 X8 Y; P| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M; L% {) C9 N7 r- t( P) k6 U+ P
| | └──9-矩阵相乘 .mp4 20.02M9 b8 S# ` X; E8 \# S
| ├──4--多元函数微分学
2 [; K* @. g) ?$ [% |: m| | ├──1-多元函数求偏导 .mp4 22.61M' Y% k# k0 P5 @' k7 h
| | ├──2-高阶偏导数_梯度 .mp4 27.15M d7 T2 M- n6 ]1 \
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M* q, c$ h2 U8 U+ B, u
| | └──4-Hessian矩阵 .mp4 32.93M
2 Y: }4 K# ~+ r6 N! f% @% r6 B2 y- x| ├──5--线性代数高级
8 n' e* w$ N% W3 C4 w| | ├──1-二次型 .mp4 27.70M9 Z( H- B& I0 F: I: H1 b4 p! |
| | ├──10-SVD用于PCA降维 .mp4 24.90M- A3 Q& F! u# w S1 U
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
, f* v; [2 Z# a9 L| | ├──2-补充关于正定负定的理解 .mp4 23.48M
% o0 Q$ o) J: I {2 D9 q. T| | ├──3-特征值和特征向量(1) .mp4 29.83M
) C' y9 t9 a+ x9 D+ p* G/ p; V| | ├──4-特征值和特征向量(2) .mp4 30.07M
9 ^2 S) T( z1 s- N0 L0 R1 S. l# @9 r| | ├──5-特征值分解 .mp4 38.68M1 _% u q4 j0 G r4 ^& z
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M$ S0 {% g6 U0 _; L T
| | ├──7-奇异值分解定义 .mp4 22.58M. i& _+ P4 F; \+ q4 M2 N
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
# b* w- i3 j) h3 V) O6 T+ b$ a| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M8 t/ A/ ^" D( b7 `: C ?
| ├──6--概率论
- S1 M: A0 S" r* b5 r| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M J* o" z. \1 S
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
/ M3 c% c0 m( n9 H5 o% } h| | ├──3-随机变量 .mp4 22.57M
8 _% b: a% [2 x* b4 a; L _| | ├──4-数学期望和方差 .mp4 22.96M
( y% c! a Y2 s; | w! F| | ├──5-常用随机变量服从的分布 .mp4 22.48M
2 _1 t: b1 n2 O) t2 |' C| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
2 I5 P' S5 i$ v5 f& h Q| | └──7-最大似然估计思想 .mp4 23.42M
/ X9 l3 D: ?' B6 o; y' [$ v A0 z| └──7--最优化 * c5 ]5 }6 ~; @# w: u! ?3 Z
| | ├──1-最优化的基本概念 .mp4 35.14M! u5 ]) x' \" r, { a2 [5 | @ U& b
| | ├──10-拉格朗日函数 .mp4 27.46M
' A/ G; S6 T4 P4 b7 a. m/ H| | ├──2-迭代求解的原因 .mp4 20.15M6 i4 f. }6 a) Z- L. z9 ?/ O9 D
| | ├──3-梯度下降法思路 .mp4 26.33M% L: z' }' V9 i* s" n: ]
| | ├──4-梯度下降法的推导 .mp4 43.56M# S& f. V& o' k
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
5 Z# k2 U; W2 i| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M) n) _: j1 ~6 V2 K, x" }
| | ├──7-凸集 .mp4 21.90M
( Y/ M( j4 h* U/ R| | ├──8-凸函数 .mp4 16.93M8 R: r$ {9 G0 J+ \8 [) ~
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
* n/ D. O: ~5 |1 E* Z├──5--机器学习-线性回归
3 o, P/ \& C; j" W3 v8 b! s5 X4 A| ├──1--多元线性回归
; H; X- C& G l| | ├──1-理解简单线性回归 .mp4 51.11M- ?+ q X3 W3 K
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M2 [1 {% z) D2 y8 }* U1 w
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M4 q0 e, C, J a, f+ x' p t
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
P5 v: c8 ~4 Y8 T4 ]& b# Q| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
# a6 c6 o& F- v- p# N| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
: g8 |! |& o$ ]| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
& I B/ ^3 n& B- u5 M9 Q9 C| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M& Z' B9 ?2 F/ r7 D5 }3 A6 Q
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
) b3 {; [5 G; d2 k| | ├──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! g; x) ~' n4 D/ x3 K, b
| | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4 34.67M
. o- ` _; Y# X+ \1 ?# o| | ├──2-最优解_损失函数_MSE .mp4 39.58M0 P8 X- B" R u* w7 M, k
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M+ }7 n9 s7 H8 ~' C0 `) q
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
2 e- X9 b+ P, K1 j% `| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
5 X8 P. F4 e$ f# x- v1 {+ {+ ~| | ├──3-扩展到多元线性回归 .mp4 32.15M$ c- K1 l5 R0 D0 Q
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
& C4 T7 T/ t% h5 ^, \| | ├──5-理解维度这个概念 .mp4 41.41M
! }$ l: [5 X6 _- M# c4 {1 K* s( Z6 B| | ├──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 p' W, X/ u, O# ]4 E| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M6 _& q- {0 R( y
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
5 d" @% ~8 o: [, P9 t* n ^| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M, X" q( l% P6 V4 x9 H
| ├──2--梯度下降法 , @, v! j7 p! R) W
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M, B P; W! G* |6 r' @3 ~- |
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
- B7 }% w2 N% {) V+ E4 o' [| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
, l; N6 H1 K# {4 f) x, y+ l| | ├──12-代码实现随机梯度下降 .mp4 26.67M
# c+ i6 _; ~' E2 Z6 y| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
; h( A6 s! ]2 a! j6 F| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
6 z2 H. o5 Z4 t. I7 h# U| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M$ V( A; ]: e* `# M( D* \3 @, C5 _& G
| | ├──2-梯度下降法公式 .mp4 57.12M
8 E- C1 Y* U1 Q| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M/ P# Y# G3 i e) N
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M. K0 g$ y' m( r
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M) S9 z4 g6 o/ A" C# [* z
| | ├──6-全量梯度下降 .mp4 62.84M
9 F( G% y8 T0 Z0 a8 {6 F| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
# d$ S. H% t' Q& K: v| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
# D8 p. a# x+ X9 Y" W2 ] @# U| | └──9-轮次和批次 .mp4 45.22M: t1 F) s" S+ ?# _- }. ^
| ├──3--归一化 % o- Z9 ^6 w8 X# F# O
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M1 ~; y: |0 s8 y4 N" R
| | ├──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
9 q/ H* @4 ~0 ^- ?. U" }4 m0 L+ L: y| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M3 E7 U7 F+ E9 S" | s" K
| | ├──4-最大值最小值归一化 .mp4 24.87M6 q8 k! p1 u% k* W
| | ├──5-标准归一化 .mp4 51.86M8 U$ @0 A* ~8 _8 l- F1 ~; h
| | └──6-代码完成标准归一化 .mp4 41.13M% R' q S1 A7 ?. {* _
| ├──4--正则化 1 G) k/ p9 ~! r6 @. B
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
4 T) S' U) K8 \2 @! U| | ├──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$ k) L9 X! c1 b4 I; J. z
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
$ Q8 w% F: f9 W( c# g( u: P| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M% ~* i, m. E8 W
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M& t, d: M! B( e, W/ s1 y
| └──5--Lasso回归_Ridge回归_多项式回归 7 ]. R4 j. S- ^
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
! C' ^: u2 R2 w+ p| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
" G4 w5 z& U v$ d| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M1 K$ z6 c% L* D* K, K
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
9 S Q, b8 c8 [" i p| | ├──2-代码调用Lasso回归 .mp4 28.73M
& B% Y1 G* c% C9 G8 ^' ^2 t| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
; j' W1 _% j: \$ G7 K% Y2 R" t| | ├──4-升维的意义_多项式回归 .mp4 48.06M. c; @. ? D# B) A8 S3 F
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M% Z5 Y* C2 r2 [4 [4 h
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
: Q" e. Z( p2 e9 O2 B; H| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M: ?- F3 Z- `$ `8 M7 l' ?( u0 J
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M8 O* P1 L) ?8 t$ i3 t2 _% R. k
| | └──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
& e; F: ^% z/ m" b* T; L! ~/ ^) q├──6--机器学习-线性分类 / h0 G; [& P* l- c% o+ E8 d, c
| ├──1--逻辑回归
; \9 V0 ?3 F; W| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
$ I, J2 N& M) n4 r, K# t| | ├──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 39.83M9 u( B0 V6 K: m+ K
| | ├──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 43.87M3 v6 w9 F! `, v6 v& D+ @( t+ z, C
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
) Y( `* V: p% A% c| | ├──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% `! E N0 \7 r! D
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
$ }0 x7 e Q; \. X9 L. h# j1 P3 [| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M3 |5 i. O/ T% h* S( j9 m
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
& ~5 \" }; A {' z| | ├──2-sigmoid函数作用 .mp4 38.15M
2 O+ |: p' Q( z1 u| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
# U. p! ^$ I' L( n| | ├──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
( h& i S- @4 u6 ?$ |$ e| | ├──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
# o( W7 ~3 `7 s% c| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M$ _5 W6 m, s; l2 B9 [+ {8 n
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M6 M6 d* I' N) P$ u2 @* R, ~
| | ├──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 56.56M5 B& h+ Z0 v0 Z. |$ M L0 ?% 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 30.72M7 {' j5 c2 o% @6 h6 k
| ├──2--Softmax回归 $ u5 p" L! J8 d# E' @/ l) ?4 Y4 j
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M# F8 p+ O: ^9 n" A6 X4 I: J
| | ├──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 42.74M2 J2 H- G5 E- G6 M3 l \9 ~
| | ├──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
5 I3 l1 s8 @, }+ |8 r6 h2 \| | ├──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' ~3 T, s! ?; }/ k: ^6 C( N
| | ├──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
8 {; D# d- F. b& i' c, P% h| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
- g8 d% C5 b: ~% j' m" \) A| | ├──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 33.42M9 g- ]) ]- ^9 s" J4 f, ]5 [
| | ├──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
! V# U8 o) T; E. p| | ├──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
+ m7 ^' h0 Z T2 c% {: 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
3 W, o8 T( c6 {' P1 B6 Z| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
' K. V4 Z q4 q| | ├──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+ w* b7 @8 J8 _% c3 v. k7 ^
| | └──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' W6 q0 m* e3 V4 p B5 u q# q
| ├──3--SVM支持向量机算法
( F% R1 c( |$ {" q* N0 ]| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
. l, e$ C1 ~; m B6 }! ^| | ├──2-SVM的思想 .mp4 55.56M
+ W+ v+ R( L' C' O5 ]| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M: l1 r/ C1 D3 m5 G5 f) s
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M% V2 J D/ `! i9 e o- I6 _% f/ G$ j
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
/ e! z8 M! I4 o* T# }| | ├──6-总结硬间隔SVM .mp4 39.01M
) i+ k* [) x- l; q x. M| | ├──7-软间隔SVM和总结流程 .mp4 135.76M, O( x9 O. q9 H! M
| | ├──8-非线性SVM .mp4 54.43M
+ Y/ h' x( q" h7 Q, j$ n| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M2 B+ M/ H# ]; H0 `. {& K
| └──4--SMO优化算法 , y* g. U) N9 E. l9 c9 O
| | ├──1-SVM算法流程总结 .mp4 58.36M
1 K" J- n$ X' e1 j3 w5 Z5 V0 v| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M! D3 Q: r" h$ K
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
1 I5 ]: l: n. o9 @! L| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
h. g4 a! m2 @$ |1 |/ b& n| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M7 |- ^8 {' D% o4 l
| | ├──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
/ d1 Q9 t+ R3 S5 @| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
; k4 [1 |& Z# }7 C3 r| | ├──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
/ H# ]8 g: }3 ]2 I4 r% X| | ├──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
9 v* X5 t7 H3 K/ p$ d1 l7 ^| | ├──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
9 z& h2 v! T9 Y# j b$ f9 F4 q| | ├──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
* H7 I3 j Q* `) f! R, n; R| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
' t+ H6 h, V6 i1 p4 l4 m8 f5 N| | ├──7-启发式选择两个α .mp4 23.11M6 L* G- l% V/ N; m" i0 ]3 t8 c" I
| | ├──8-如何计算阈值b .mp4 50.18M; s0 K: D: F# |
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M4 @1 w% K" Z) G( h3 g
├──7--机器学习-无监督学习
8 u7 k2 T @. b% [1 D: C, G5 c! t| ├──1--聚类系列算法 # c- q5 w) j" b
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
$ z( C8 q9 @" j) g b4 y| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
# ]; U1 z% q2 ]| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M S; C3 K! k# x5 r
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M6 N3 a9 e" G6 S7 g0 ^, e( |( i- o* v
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
+ a" S/ _6 f2 M( I/ e" X, |, ^! Q| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M$ s! L. b# q, [' C! R$ ^+ d }
| ├──2--EM算法和GMM高斯混合模型
' S, X% ?$ s! a| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M& g7 \; B, r5 F
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
4 m2 j6 E: g2 x$ e/ W$ N* ~9 Y) R: Q| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M$ ~4 o) |! P2 _5 N" ]
| | ├──4-Jensen不等式的应用 .mp4 109.17M. {+ q1 y5 x% ]
| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M
' r6 B, y5 R0 c# P" C5 ]( \% K| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
; i% M! Q9 X0 |: t| | ├──7-GMM前景背景分离 .mp4 16.01M" `; v z6 P( B; ]1 Q F
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M6 T: |% w# l* g- B5 u5 d1 N3 S: l
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
; o( I2 _, |" x: p2 ? M| └──3--PCA降维算法 + S: U* p, l& r$ X
| | ├──1-特征选择与特征映射 .mp4 49.38M
, R& A$ `! w) X" h; O+ y( ^6 z| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
: a K, Y6 T4 g" G2 d4 a5 T| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M( K& D: {$ L! n/ ]' ?* E {
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
+ G6 X+ V0 X o6 w/ K+ G: l| | └──5-PCA的几种应用 .mp4 54.58M2 J0 F' a8 k: K
├──8--机器学习-决策树系列
% q' x( k+ Q, R! E0 v0 n( D| ├──1--决策树 # O7 e- Y- G- a
| | ├──1-决策树模型的特点 .mp4 74.88M: L- V7 q/ o4 u8 U
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M) V. |3 k. ^: i! c
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M- z! q, p F" y8 K C8 m
| | ├──12-后剪枝的意义 .mp4 50.49M0 |* H3 [6 s& ]9 U: F
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M8 K3 n5 @1 s! t& v$ J6 e
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
9 J" ]4 ^- s; P, y% M| | ├──2-决策树的数学表达 .mp4 89.94M
8 `$ e" G/ y2 V" \' m$ ^; _| | ├──3-如何构建一颗决策树 .mp4 84.87M& A, [6 m, L: X8 w! v
| | ├──4-什么是更好的一次划分 .mp4 57.02M
' N) V& P* |. D3 n! |& h| | ├──5-Gini系数 .mp4 107.54M0 [' D$ U2 V2 c0 j7 S% q
| | ├──6-信息增益 .mp4 75.26M; X* u' c o- Z9 @3 B
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M' p: F9 o& x* ~* q
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M+ P/ n) k: q( I7 L. z' N1 W5 e2 ^% }
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M2 N4 S# S5 ~$ ^) M# W
| ├──2--集成学习和随机森林
( j8 K, W2 x- c| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
1 o/ P7 v( n; t; u+ K5 _| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M' \2 g+ K5 |/ ]; v1 a8 s _
| | ├──3-随机森林 .mp4 108.14M! M1 _4 c$ W! |
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M$ P2 {1 c& G7 P1 ?) T
| | ├──5-OOB袋外数据 .mp4 106.07M
% }6 m$ S6 r" J8 O- O- c9 Q| | ├──6-Adaboost算法思路 .mp4 106.30M5 |0 ]) M7 o" P3 W
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
# h( W) d, G) j1 [7 _| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
2 O& r" Z, k H| ├──3--GBDT , e3 V3 ]8 U+ y% H p
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M
" \: S: B! X6 p+ f| | ├──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
" v- m9 b+ ~5 n% N n4 q7 U- o| | ├──11-GBDT多分类流程 .mp4 73.80M- y v* G0 X, ]
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
/ @: `. d) \9 @( y% h0 U7 N( s! B& X| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
) W) g& l) A* z3 }| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
9 k- B/ @; m: f- ^2 o* E| | ├──15-GBDT二分类举例详解 .mp4 86.67M
( n5 j% Z, D$ R. K| | ├──16-GBDT多分类举例详解 .mp4 91.71M
u8 }& J9 |& L1 M1 S# J/ z| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
* {/ w/ ~4 E8 c9 j# I6 g| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
( x* X+ n4 Z& `7 c* s p| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M1 _; V) c7 f ~2 n- u3 Q7 t
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
# `9 ^1 ]6 t# y& y| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M- m3 `: ~( m6 {! H) d
| | ├──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
. [$ P4 Y5 F5 m8 q| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M% ]) ^. c: W/ y$ t
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
; N' r5 }8 f9 S' {| | ├──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
+ d, a8 Q: @4 J5 F9 T F. `6 Q. N0 Z| | ├──4-GBDT应用于回归问题 .mp4 84.66M
8 m. ?) K1 i+ m+ Q| | ├──5-GBDT回归举例_总结 .mp4 108.52M
7 j3 O/ c; Q: I+ e6 J) q1 b8 i+ K# q0 r| | ├──6-GBDT应用于二分类问题 .mp4 70.42M/ `3 C+ J! i. Z
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
Q/ N4 c8 }: B2 n! K# W z| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M2 ]# o# M( @) p4 ?, |2 N; m
| | └──9-GBDT应用于多分类任务 .mp4 73.34M2 B1 i) Y( r; G1 p5 G
| └──4--XGBoost ' I: |' r$ U* b3 _( X7 r
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M6 S' r# G% I7 }9 Q/ W& q
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M% k, k- _9 e: O4 @3 W& o7 U G9 u5 H
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M$ l, j% L/ p- G( T3 H9 Z
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M! T# }% R$ Y. S' i
| | ├──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
7 o( J) N% t4 d( l| | ├──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
: s$ }9 y& w* `) L9 v- _& o| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
# W# q p6 H' O l! r9 R| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M* ?% W* T i: v8 X# \" C# ^" T& v
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
/ C$ q D- m) O+ l8 V2 K' q| | ├──2-Bias_Variance_Trade-off .mp4 66.00M% Q0 Z! b. C+ G8 Y2 X2 f
| | ├──3-基于树集成学习4个优点 .mp4 91.36M% l# f1 E% `; d- z
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M% V4 N3 S7 p* _* u, e& A& k
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M1 ^9 I% s: ?. w$ Q
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
& `! j. ]! W/ Y7 \4 E9 T" C| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
; Q) A, z$ g! P$ o" F4 }| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
3 w6 I8 ?( }6 m8 T5 p6 Y+ q. x| | └──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
% Q0 J$ o5 H! ~. y* @2 L# r5 W├──9--机器学习-概率图模型
* V S! k+ o6 ]0 V: x( j| ├──1--贝叶斯分类
) s$ j u* c+ b$ M r3 }9 X| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
( {4 w% I! I& y; N; G9 ~| | ├──2-TF-IDF .mp4 53.08M
: Y, J/ t- F7 p( Y: ^| | ├──3-NB代码实现解析 .mp4 126.73M! \+ q# K3 H3 |9 B' B+ \
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M. G0 w+ b, i& O4 H, P# Q% j
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
, Q: ]9 G6 X+ p| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M* U" A2 u/ m& ~- \
| ├──2--HMM算法 " w& M3 d% ]/ W/ a+ p" k) C" j
| | ├──1-HMM隐马的定义 .mp4 36.82M/ m0 }* w- E L! d2 e* w9 l
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M8 X. y: D. A0 ]5 C1 A2 y
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M* P7 E; W8 }. Z* w: j6 G- \2 f
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M9 ?. p4 A3 l- n7 N; U+ X
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M8 z/ v# q/ g6 I* L9 r n. K8 t
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M" I; m \3 `) v0 ?0 q3 l
| | ├──7-Viterbi算法案例详解 .mp4 107.12M3 C8 j$ y4 Q3 L& I9 u
| | └──8-Viterbi算法代码实现 .mp4 42.43M
& y3 m( X' t3 ~| └──3--CRF算法 G" l3 l) U; M1 S1 [3 o$ ~1 D
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M
) R# ], F, Q: G1 g* w| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M( E3 j. H# Z, p7 s2 r
| | ├──3-了解CRF层添加的好处 .mp4 105.90M6 R0 l- v! g9 T/ w$ w5 m
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
3 ^: C; b! T3 D+ c5 [) t5 X% s( `| | ├──5-CRF的目标函数 .mp4 23.74M
4 X5 B9 ^0 \- y9 ^( T( ]( [| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
8 V/ E/ W; K: o6 q& Z- q! [| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
& B* E. |* D2 V0 q9 _ O| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
$ B6 Q' ~* t4 {7 K. p└──课件.zip 2.54kb. u# W: Q( m' L0 ]/ ]# f7 M% w, w
6 ]4 \* w1 u/ q6 E0 z% ?$ X0 ^2 W
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！
' I0 [) o4 ]+ O9 Y; E
' U" Q' r+ k7 A
- u4 X6 m3 J: Z( N# M' H4 T |
/1 
