战-人工智能2022/
* e L; P; H8 d2 R# [0 j% v├──1--人工智能基础-快速入门 * p0 P' S/ s% J8 o! s
| ├──1--人工智能就业、薪资、各行业应用 * T3 b( g _; `) q. g
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
9 e @0 [6 G+ X, a| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
2 I( \( w$ j% z) B| | ├──3-人工智能时代是发展的必然 .mp4 23.22M& I- ?* k( h4 z0 d( M# Q" r' ]& ]
| | └──4-人工智能在各领域的应用 .mp4 57.73M
, q) b) C$ m$ f8 `" z6 a) j# g| └──2--机器学习和深度学习、有监督和无监督
) Z1 ~. r$ C% [) \, l| | ├──1-人工智能常见流程 .mp4 89.62M) H2 n' V5 `( ~& [/ \9 D# y) }
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
6 y- ~. j# ~ y+ R2 M1 {# O| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
5 _* ^1 f) r3 E; w. t* `5 z J& o6 L| | ├──4-有监督机器学习任务与本质 .mp4 37.50M6 ^9 g `( q6 o
| | └──5-无监督机器学习任务与本质 .mp4 50.15M+ i! L( c* i4 S% ~% P* P
├──10--机器学习与大数据-Kaggle竞赛实战
3 @7 E& g/ W/ @/ F/ {) Q| ├──1--药店销量预测案例 8 Y$ j( i; k; P; [
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M D7 u: @; U5 u& q$ [
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M0 y0 ?5 o: B' @7 C5 W# @2 ?
| | ├──3-自定义损失函数 .mp4 21.12M
0 Y B6 a0 U3 [5 c# `, Y6 i/ Q| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
5 e: N* D2 Z2 D, j" l! P/ a! Q| | ├──5-数据的预处理 .mp4 111.81M
! y' r$ W* W* T1 q2 I; B| | ├──6-模型的训练_评估 .mp4 66.64M
4 c: x$ k; _+ C, @& @ _| | └──7-kaggle竞赛网站学习 .mp4 172.16M
; I, }4 f; j3 k$ M6 T( V| └──2--网页分类案例 / N% o3 P& Q t4 ^
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
/ \/ V5 \2 ^8 W. u| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M
; L5 Z0 G6 x% E& ]" R| | ├──11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03 .mp4 68.80M4 K- F. Z+ m0 S1 E" c$ u/ y. Z
| | ├──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
2 X& E6 u( m; a, P| | ├──2-评估指标ROC和AUC .mp4 56.19M* I# q4 T% _" A7 E; {# X& E3 a
| | ├──3-评估指标ROC和AUC .mp4 49.03M( H- @% e% J/ W
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M: {* Y) ? m* R( @
| | ├──5-数据导入 .mp4 68.41M
5 A# Z7 ?$ j7 d" M* M5 R| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
$ G/ f* T/ M; S" z# i, P, c| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
; I' _0 g, ~) R4 v$ x- B/ X| | ├──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 62.48M7 j7 ~) h+ H9 b) b( L& ]: i
| | └──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" w+ B1 P* }0 O; Q
├──11--机器学习与大数据-海量数据挖掘工具
* @# w8 H. R! i# Y8 l8 x2 t5 z| ├──1--Spark计算框架基础 - {4 _) ~' ^9 ?
| | ├──1-Spark特性_01 .mp4 41.68M
2 P$ Y9 [# p3 [6 E4 {| | ├──10-分布式计算所需进程 .mp4 26.30M
. V% z1 V# W& ]+ L8 g" g3 H" ]| | ├──11-两种算子操作本质区别 .mp4 56.31M
6 [; m6 ^ [! T/ e| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M' w5 o& e) r$ n- L8 j/ o
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
! R! A" [1 S$ B( M| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M7 S; E" _& `. V5 m2 i6 J; b
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M ~/ f9 e+ c; w0 j
| | ├──2-Spark特性_02 .mp4 35.15M! ]- q1 c% t4 o: z: }% H
| | ├──3-Spark对比hadoop优势 .mp4 19.34M) k- B1 c1 ~3 i. I) m
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M5 E* k V5 N; @2 ^2 l1 z& y6 R
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M: Y$ Z D+ ~+ i0 p# A1 y$ B
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
8 o) }) v9 ~8 _( n" x) O. C- l| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M# Q% y* }3 H. r9 ~9 i5 K# u
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
7 A: j& A6 @. S| | └──9-Spark的RDD特性_02 .mp4 33.41M6 z4 ]! z! C( y- c
| ├──2--Spark计算框架深入 9 ~, } E/ x1 W
| | ├──1-Spark数据缓存机制 .mp4 54.43M/ [. e, _; h" Q
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M; F4 l9 G4 Y& w
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
* W* ]0 B$ j9 u! N6 \, x F| | ├──12-构建LabeledPoint .mp4 111.08M; i) p K) P' c, ?
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
1 K' a' r& i& i3 W1 f' H| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M" B% G7 o! {; B/ k: a v& S( \
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M/ n. d/ t8 i5 K9 n" ^* Q: A% K
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M+ t+ |! b/ p* X H# x/ V
| | ├──5-Spark术语总结 .mp4 89.66M1 O9 q4 A1 t% G8 q1 j5 g
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
$ e; T0 q9 ?. ?0 s4 T3 o| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M7 l# V, e4 O! J) }
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M0 p1 w* s" y: }
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M. d& o- Z" _% }4 Z$ }* K" R5 Z
| └──3--Spark机器学习MLlib和ML模块
7 z' }6 h( f3 f, p' N| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
( D& C& W2 M9 u, r' `$ O& V m! \| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M, W" h) u, I. Y6 ]! i. s% Y, p4 c
| | ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4 89.72M
S( k- p0 w, a4 F5 {' D| | ├──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
6 r: D2 \- O1 T# z2 |; m& e2 ]| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M: L' U/ R' y$ J" c
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M2 X8 q8 O+ m& V+ D8 _+ m2 n
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
6 e4 \+ b5 ?: u+ E& H| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
. G3 J, D* t- \' l| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
9 n! X' T; K' ^# \. x6 I2 Z) B| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
/ R/ N% i% ]- d; R| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
7 p O7 [+ d* ~2 `3 ~9 k| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
! v3 t1 h0 j! A# W; k" O z* d2 M| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M( K4 e2 f9 a! v% y) M; j6 Y' R9 j
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M4 ]: ?" C" q& }7 {
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
2 G2 N' b& P0 \$ U' J| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
, r. p& ^7 N8 p( || | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
0 i# P' \2 c# Y2 A| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M) m9 h) G2 P9 h2 a) I6 i
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
) V4 |" Q6 x9 r| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
' h9 {! G1 Q$ ~8 B2 G| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M Z+ L% q! Z& A5 {) u% n, Y
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
9 R h6 k; E" l% W6 h| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
# A) R9 t) E2 ^3 c7 m1 r0 c& ]| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
3 a$ k% e. A6 }. x; D1 B| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
: D/ g# Z+ l! \$ \0 M7 E+ O6 Y| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
. a9 b+ X0 [4 l- ~' h├──12--机器学习与大数据-推荐系统项目实战
% g o3 g8 e. e0 C5 G/ F- u( X| ├──1--推荐系统--流程与架构 7 c2 r/ q* W9 M# s
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M: S# _4 }3 q1 x4 {; k
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M5 B1 A( P) i+ w
| | ├──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
- U2 U/ z2 U0 g- _3 C| | ├──12-推荐系统_数据源_1 .mp4 79.07M3 A: _# ^1 c+ `9 b2 `1 M; Z) n
| | ├──13-推荐系统_数据源_2 .mp4 82.90M0 B: k( h: o! C8 y Q
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
4 L, X+ h# l, ~% R- Y! X| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M" ~# |: \+ ~- J' S3 l2 R4 Q
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M8 g3 l9 ?+ Q# k! ] d. U
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M( }1 B. y1 C2 N/ d
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M7 L4 U9 V* U3 p- i" O; j$ {
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
* w4 j" @7 V% N# Q& C: O# h J, ]| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
8 d& d' {+ T: ?) P0 C7 @| | └──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
, p- e* C h" e" U| ├──2--推荐系统--数据预处理和模型构建评估实战
4 l5 w. O& g+ q7 U| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M4 A# J1 e% ^6 J) C: F+ k
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M. D4 L1 p" u. C0 s& b* Z6 p
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
& H+ b! t% n- \( I9 h: l% P| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
0 v* B: Q" ~, O| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M9 I) P2 z0 o9 [+ f- O% v- y- I
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M$ z6 h, d. t1 t( s$ c7 Q
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
+ q; E1 Y4 t; n$ V4 N) D| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
+ G9 L- U$ A' T( n+ s2 G! H" M" l( V| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
7 }* t4 {7 ]" X2 s6 o| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M! l4 A& t* a' a
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
2 K. O3 p$ S' \| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M6 T4 N8 m2 S* h
| └──3--推荐系统--模型使用和推荐服务 # ~, ?+ x6 j- ^% ~1 y7 G2 N
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
2 l9 d( x1 _6 Q* c" b% k| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M% E9 @" q5 o5 Y! ~( n( r. a
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
7 H6 f9 J% _- R$ ]3 G8 A, x$ f| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
" E& z# W* y; T" a/ z1 }& L6 f| | ├──2-Redis数据库安装及其使用 .mp4 47.93M& M7 `! L6 O4 J) s$ I2 L1 [
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M' k) T; v& T7 W- l$ Q3 O
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
: ^# {( i; J, s* @| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M& R/ }. i" d; A& r) p* q
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
2 N$ S5 O" V1 \! m| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M$ _; ~2 b0 p5 p; O
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
) m1 c4 w* T! k( P; v8 j| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
1 y! U" p# P( |. M├──13--深度学习-原理和进阶 . |/ }; @9 F+ c8 U: s5 {
| ├──1--神经网络算法 & z: V0 z2 E$ D% \( d
| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M4 I9 y# \5 ?/ K6 i
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
! O5 y/ z/ t% [% V) C& U- ~| | ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M
% S* c' p! ?4 n. X9 J2 O+ _| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
) S) ~8 W: p6 \) I! S| | ├──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
+ |$ R- |% R, n- D2 K+ C| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
' H1 m1 j. ?8 C1 C4 X1 ]$ @" z5 n% l| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M' t" \6 P' m: m* Z1 Z6 V6 }/ U
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M5 y& c$ U! v" v, l7 B& h
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
4 J( n& \. I" e9 Y2 T* p| ├──2--TensorFlow深度学习工具
$ [9 e6 K' D. ] ^, y2 W| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
/ M# ~( p# O7 q! J' Z, }, [9 ?" P| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
5 o4 y/ ^6 x1 Q8 @+ \1 V& u/ H" f| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M0 J; P3 D$ @# O1 P" O/ a
| | ├──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
+ l( x, p B& A- ~7 y! X( G| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M1 J. u8 a- x) M$ [6 u" |
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M1 ~/ d) ^1 i* L! B$ |' D& U& N
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
; T- u/ d; G$ \. I [2 l| └──3--反向传播推导_Python代码实现神经网络
* f+ g, [4 x8 W {; f| | ├──1-反向传播_链式求导法则 .mp4 86.47M
( h9 X, @/ \3 u( D% f| | ├──2-反向传播推导(一) .mp4 127.90M
! K# b, P, ]( ^% s( ~# W| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M( E: ]3 s) J% k, }6 @3 D
| | ├──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
0 A; E1 B. I# i| | ├──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
9 |8 u \! s' V6 u' N( n+ X' u| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M+ y' w) H. `! ~2 f
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
1 R) `6 I; l0 [. {4 ?├──14--深度学习-图像识别原理
* M# v7 |& p: w2 @- G| ├──1--卷积神经网络原理
! n6 K: u5 @- y, w! X' P" J* r$ P| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M; Z/ W1 q9 d2 F6 r0 r; `
| | ├──2-单通道卷积的计算 .mp4 104.01M
/ v A' Z1 o U- t+ P. G4 K0 D& `1 I| | ├──3-彩色图片卷积的计算 .mp4 52.79M
% W- e2 W- ?. Q" c6 q( N* j T| | ├──4-卷积层权值共享 .mp4 63.93M
! i" f$ M% f4 o| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M5 i8 I& p7 N% n& `2 L2 r
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
- H' _/ ?! l# W1 u+ j5 b| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M: X, @) Y* s+ c
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
6 X6 r8 N2 k( p| ├──2--卷积神经网络优化
9 W; d9 k/ o8 U/ C6 H| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M1 Q: J2 `2 X+ K- l8 k( j
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M: r: {7 u4 [) O9 i/ x
| | ├──11-Optimizer_Adam .mp4 141.12M" p, X% ^: X6 ^. J
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M/ F5 H; o3 X. A- R" b
| | ├──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& U7 S. z' E; Z6 _4 \' d
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
( H/ I1 t+ W: w' ]: E( \$ e| | ├──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& Y! X3 J6 C4 t| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
: E2 [7 m0 J5 K) Y2 X- V| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M# W; L* A# f- z$ u3 B/ Z) D9 f' e
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M* `, q/ {; @ g
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M" Z2 q, o+ Z+ v+ t/ Z6 d2 M3 u2 z- |( b
| ├──3--经典卷积网络算法 2 o" q' L6 {( m) O+ P2 [
| | ├──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 C7 P7 f- v2 H, V0 |7 `| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
& r# L3 J O9 \' l3 Q9 k2 `* Z8 s| | ├──3-InceptionV1_V2 .mp4 165.86M5 H, p- i. j: c4 I8 x/ J
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M0 d& {& X/ |& @" t6 |+ a
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
( Y/ d8 W6 Z9 {/ Y: O7 W- t1 A| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
3 P" a/ g! O1 }: G| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
/ u/ o6 M4 k K| | ├──8-BatchNormalization .mp4 99.23M
4 }& ]0 q1 r) [8 \+ \| | └──9-Mobilenet网络架构 .mp4 150.05M
% B) q! k" g3 W! X& H| ├──4--古典目标检测 # c1 H6 A! u: x+ M$ a' P$ ]/ m
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
- `) k* p& F# a" s| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M2 r; W( k y$ I* Z& z
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
8 b/ Y% [2 h# J- X. p$ G/ {3 C9 J| | ├──4-R-CNN和SPP-net .mp4 124.06M0 V- H; P8 u( ~) ]2 F: V
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
( Q+ t4 m5 z8 ]; a; h) h0 b| └──5--现代目标检测之FasterRCNN
7 X0 [0 ~! J- K| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
$ i, @& o' m0 K+ O' w1 J| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
6 @% m! x- ]$ b* z( d* H| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
# N) _5 \: T0 O7 U3 Q A0 i| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
5 n! j$ F. v+ }5 `+ p1 i) F. J" l7 _| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
7 J3 M1 O" K9 n A; f8 ^├──15--深度学习-图像识别项目实战 5 U3 ^6 w R5 j1 f/ F" a* Z
| ├──1--车牌识别
3 b! O2 h' b6 x5 _' P7 u* r) ?| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
' O; f7 e$ v! q+ M. X3 l" K R| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M' q+ w9 ~1 d2 L
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M9 M" L: f. L5 x: r$ i9 r
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M0 a+ T, f# D" e6 J2 b" a8 c
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M6 }1 C& o. J! x) m8 O# q
| ├──2--自然场景下的目标检测及源码分析 % ?+ {' ?4 z# t' Y9 o
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
9 U% Y% i7 b0 a6 q! N7 J9 y| | ├──10-FasterRCNN代码_构建head .mp4 67.56M7 \$ Y. ?1 `9 \" z, B
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
2 }6 e" e# Y r9 [- e3 y( }| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
2 P3 I% K1 S! f1 Z8 ` F| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
`1 a! ^. g4 f! @1 c| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M% N X3 t6 ]) ^* @2 x
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
; C9 z0 z* H& b| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
& q+ y/ s2 _2 f/ N+ O4 {| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
2 N1 W3 k( k: a; N0 z+ U+ h| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
# q5 k T9 C$ O4 u! P5 Y& }| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
1 {" Z) ~4 Z% c& ~* }5 _| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M- k: W2 E( @' Q$ b" z$ Q
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
' Y, ]" K+ y' D- x| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M: H( S) y; s4 ~; t
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M' `! j2 I N0 O3 L8 [2 L* w
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
|3 e6 k% s9 A2 T| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M. K: W1 z3 q7 H+ O4 p: L: S4 z
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
9 M/ J% J; o; z* `| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
+ W: v0 q, v8 |8 O: ?( w( c$ f6 T| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M6 X0 D+ d9 j& W" s V! N% ^3 b8 U& v* K
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
2 F5 U$ C4 x' n8 G* {6 G| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
4 v/ L2 w3 `, [$ N. X| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M i# s2 M5 S; q* y9 l4 t- o; X
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
# p5 v& f7 U9 F* v% o| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
; H1 O4 z8 f- K" N) @+ w# E& A: s8 b| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M+ c w. ^2 s4 k+ }7 _, U
| └──3--图像风格迁移 / `; \/ }& a# @1 U, R& i! D
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
2 w, p# P; m% B" T0 X| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
9 [7 a: L, p4 S& e& V2 C: M| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M$ U$ I; b: a4 y4 X' t& A
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
, [, J- U& Y3 X/ N# n├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 4 Q! d. c4 U+ o& H2 _) J; z0 k' {
| ├──1--YOLOv1详解
T1 Q P t; C# n/ R; Y| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M J7 |2 b. i0 x( O+ k
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
6 I( |& A; l" Y- o& h; s+ b| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
' }0 f. A/ [8 R$ b" @0 n| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
9 O/ E9 r2 j( ^; f1 t# Q) y, V5 B| ├──2--YOLOv2详解
; }+ ^+ x! M# ]* d. I5 ?| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
0 Y6 y1 f) C1 q- e: p$ Q| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M0 ]9 N7 F5 O* O# U+ i# b) d
| | ├──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- U$ \& W* X5 ]( K
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M( [ y; p8 w# v) R
| ├──3--YOLOv3详解
V: E& V+ H6 \. z. r| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
/ y3 e& Q7 Z) n+ |9 I+ F6 m| | ├──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
- q- O# Y3 ?- E( k% V| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
2 }! j* Z: @7 }, w- x& E| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M. Z- l. z) Q' Y, c
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M. U) p. l' s+ ]/ T S! k
| ├──4--YOLOv3代码实战 6 o5 f1 w1 ]& f/ h2 F% Y) f
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
9 I: O5 r2 |0 _; g| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M3 B% m r- U' B8 o L, Q9 p
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
0 I ^5 e6 {6 ~7 h- I* {/ J| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
7 H! c# H( W, Q V7 G7 M* Q| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M# r$ y7 P+ k$ ]. \
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M) k$ U3 ?/ n |. A/ Q! ?
| └──5--YOLOv4详解 - {, f2 R* `( P5 V: f
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
/ J+ w8 `4 ^3 Z. h* E( c+ U| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M7 [: s: F) Z; }+ a$ X
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M j/ J) j! W; p( M U
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
; c0 Y% F. ?3 L├──17--深度学习-语义分割原理和实战 5 ^8 E- @, `& z5 @1 s2 t4 G4 B# n
| ├──1--上采样_双线性插值_转置卷积
5 [1 B) B. n* s _| | ├──1-前言 .mp4 19.46M
! d4 ~! X+ n6 @! p7 B! ~| | ├──2-上采样_repeat .mp4 23.90M3 u" |2 D5 n9 R* r: }% I9 G
| | ├──3-线性插值 .mp4 34.48M3 r9 g% |0 y. E+ I) [9 o& j
| | ├──4-双线性插值 .mp4 125.71M
4 M" l% v9 a& c# L, O" t! || | ├──5-转置卷积_以及TF的API .mp4 114.25M. u3 k; D& o( a* Z# ~# f" X% }
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M; g$ I+ z2 O, f1 u5 ^
| | ├──7-ROI Align .mp4 58.38M+ `; F9 x4 i* e, N& @3 Q; }% W7 z1 d* [
| | ├──8-FPN思想与网络结构 .mp4 92.14M
/ S$ H6 Q) b" B8 J| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
: Y% p, l# X& b| ├──2--医疗图像UNet语义分割 / M/ k, @4 c$ G7 F" G. K% l
| | ├──1-语义分割的基本概念 .mp4 18.33M
8 F( L7 U+ [4 b0 s| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
& ?1 v0 n0 J% h- ~" T# A| | ├──3-UNet网络结构 .mp4 30.41M
2 v( t$ a: G# `: y1 r7 a# u( L| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
2 i. D5 l% Q9 l6 N" l' ^& c' \: y| └──3--蒙版弹幕MaskRCNN语义分割 . U; ?2 p. z' t* \/ t; X
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
- K1 `. O' W$ b8 Z) {| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
* ]' ~2 i- k6 x+ l" A# p| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
( p9 j: ~$ j7 V6 }* F/ B2 _4 @% ?| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M4 T' k# T' I2 `, `3 P
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
, G4 b: ?0 T) X& R| | └──6-MaskRCNN源码config和model .mp4 244.48M9 K+ z( b" G7 [' ~' i0 J0 u
├──18--深度学习-人脸识别项目实战 % @+ y, ^, F+ s& y6 y0 b
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M$ h: l% K. t7 m: T& u& o$ T+ p$ \
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M: J7 o! p; Y% a6 D0 O: H
| ├──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
3 M7 w% O. R/ C/ ~# s- `1 h- D| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M; R! B: i9 D2 P! z) Y: k1 N
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
: c) i0 M' O; x& P$ v" B; z% H: k/ u| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
8 @7 D. U; C( {0 [' {& O6 t) o| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M+ f; h* y1 K7 S+ q3 ?- L$ x1 h
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M$ a+ T/ p! `6 ?% n8 i6 d5 [
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
0 y7 \; A: `8 ~) y| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M) E( n( w( {; `9 E! u+ t
| ├──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
0 l: P. `6 k8 T. W! b. k& @| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
4 W# I9 U9 d+ {3 ?| ├──3-人脸识别项目代码整体结构 .mp4 30.40M0 m( o5 c$ T* i9 g) R* R
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
, b* ]3 V2 l% o# T5 P| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M/ Z0 l) \4 e$ O( G5 \ C( {8 K
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
# C6 L K9 S* x6 L' Q* ~" A9 p| ├──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
* ^) y' }8 l7 X! K% y5 Z# I| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
% R# j& x# v3 g& m; {' M' w W| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
; O' B' V4 u f m├──19--深度学习-NLP自然语言处理原理和进阶
% ?, g' w- G! ~! u| ├──1--词向量与词嵌入 7 w' P( r% m4 G) c# F8 ?% W
| | ├──1-N-gram语言模型 .mp4 116.32M' X) o+ h: G8 }0 @
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M* c+ t8 O, y4 d% F0 H" |2 A# }
| | ├──3-词向量的作用 .mp4 58.00M& F- S& p* I! J u% c
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
% A' N3 n# q9 ?! n; Z! M4 D+ h| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
" s! S4 {! P/ a3 [+ _3 j| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M, u" K% G, d: m3 A- @2 I" G
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
# Q) w2 V7 l) ^8 s* o6 r4 @. a2 `| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
+ w& I6 b" s# t; x9 B| ├──2--循环神经网络原理与优化
4 d6 L# N5 L4 ^- D7 `3 l| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
4 P4 K5 `5 y+ U2 |; Z2 g, M) W& U8 B* i| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M- ~, v$ H+ a* O+ B/ l; N
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M, l( U/ k/ x. m
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
5 Y5 K, c$ u9 J( p| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
, e4 d& Z1 E- c: a8 B| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M- e9 x/ p* N: Q2 h% ^
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
; o c- |5 n. z0 q: a; `! x| | ├──8-双向RNN_LSTM .mp4 52.01M
0 R9 P) m* i9 L+ I| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
& G, X4 B: u9 W# D- u- p| ├──3--从Attention机制到Transformer
3 M; B C* d( P6 q$ V| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M$ w5 G4 L: a7 l) I) {* f4 Z9 a
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
5 Y5 B1 H) V) R/ p# ?$ j1 }* O: c% a| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M; D9 b" E& e0 r- H
| └──4--ELMO_BERT_GPT
/ g! W$ _1 H. U7 n$ g1 Q1 [; A| | ├──1-ELMO .mp4 62.44M+ a- x2 h: v4 ]2 n% C) M& t
| | ├──2-BERT理论 .mp4 99.73M; O+ j5 B. i' m" r$ I2 y
| | └──3-ERNIE_GPT .mp4 56.34M
7 G( M$ o+ c% Q! s├──2--人工智能基础-Python基础
' c9 N( P+ k9 d- V| ├──1--Python开发环境搭建 ! y) ~% K# `8 T- K! `
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
" _3 Q! X/ O0 ?+ B$ Q| | ├──2-Miniconda安装和测试 .mp4 57.12M% s/ `# |! N( f' J! E
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
3 F, g& Q9 R0 q& ^, G# H| | ├──4-Jupyter安装和代码运行 .mp4 37.10M3 d8 ]3 x+ t _5 P+ [, s
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
/ \1 d( e% t r| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
5 {/ O& y) G( v( P$ J: L| | └──7-关联虚拟环境运行代码 .mp4 38.14M" j1 L/ ]! L! C/ z4 K+ W4 r) L
| └──2--Python基础语法
/ N* `6 e- R+ W+ Z* Q| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
& ?) s# ]) D: T- [| | ├──10-Python_集合操作_列表 .mp4 34.71M) B& o6 Y! M/ u6 i7 a* o$ M
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M* K" n* h& c; x- B8 R
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
5 J/ A& z) D# f8 a7 B8 b, ]9 }! n| | ├──13-Python_集合操作_元组 .mp4 43.46M, h* w, M, K: Y/ m
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M6 D; ?$ s- e6 Q2 n0 g9 Z1 o( p. ^
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
* P4 u9 j% D5 P" l2 Z& X- q| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
! @* {3 u4 L r% ^# z7 v# i! h| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
6 }. Z" ~) x( ]1 d) f% h| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
" E# |4 h J0 w& j2 o( R| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M. ?' R, j7 d: }+ _
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M% K3 E% W# h! x) U6 T/ P- k" z4 L7 g
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
: ?; f& c( x2 W0 O| | ├──21-Python_函数_递归 .mp4 23.46M: R8 a, n, n- V
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
& |: j! k$ a6 t! c5 ^. J7 ?2 K| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M7 D6 x7 i$ P1 k0 ~' h& r
| | ├──24-Python_函数_闭包 .mp4 41.61M
: m# d4 Y2 q f| | ├──25-Python_函数_装饰器 .mp4 30.35M1 L3 N8 \( H' q c- G
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M4 ]9 Q/ d3 L r( y }& {+ v
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
" Q6 k4 {. U) X7 c7 d K& [& s| | ├──28-Python_类对象_内置方法 .mp4 29.17M
! P: c8 v$ V# R( N( J+ g| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M, ?$ Q5 |/ O) j5 Z# [- U- G( l
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M7 k, L- S9 ]/ @- R# {9 { ?
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M' i$ l- A8 `! {8 |2 o# ]/ R2 `* i
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M- X9 H6 J h. B% C5 W
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
3 }+ \ @1 x# F, F| | ├──5-Python_控制语句_for循环 .mp4 22.82M4 L0 j8 r9 b% M) i! v: s' f* U( N) k
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M/ V4 j0 q* b. h1 m- b
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
/ j) Y+ N1 j+ e3 [. q: t8 u| | ├──8-Python_切片操作 .mp4 40.20M
3 M4 J. Y5 |6 L3 X| | └──9-Python_数据类型 .mp4 25.38M
$ `& Y0 o( z/ r+ g% M, c├──20--深度学习-NLP自然语言处理项目实战
# Z/ c: |3 E% a6 T* W% q' x| ├──1--词向量 % g- a) Z7 V9 s4 y6 W
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M) \) ?) @# |! H+ F; Q# m8 ?4 [ {
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
& D7 ^8 n% A* ~- R| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
$ }3 z( u3 f: k6 \4 E5 A8 e| | ├──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* k5 ~: v/ J" h( w S
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M: w& J9 a( u( n
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M7 H3 h6 _4 h! r
| ├──2--自然语言处理--情感分析 , X8 j1 c5 o( ]" _; E
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
# _, a" w' Z. x/ a g s| | ├──2-数据预处理_01 .mp4 79.65M5 {6 h) c/ W3 v: T. i" H
| | ├──3-数据预处理_02 .mp4 45.68M
4 y, j/ v! x2 s& k| | ├──4-代码讲解_01 .mp4 52.29M+ U* H* a% P- U$ b( N
| | ├──5-代码讲解_02 .mp4 60.85M
- Z! w2 R1 ~) @| | ├──6-代码讲解_03 .mp4 53.89M
+ s/ `0 ~6 [7 E' j1 f" P' f8 d| | ├──7-代码讲解_04 .mp4 57.19M% s. c$ ]+ S( _1 B- u% Z
| | └──8-代码讲解_05 .mp4 35.88M
5 r, J; v5 ]7 g Y| ├──3--AI写唐诗 8 u1 U7 V- }3 t8 P/ u
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
9 U+ w3 R$ U6 g| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
3 s; j1 |. T4 E+ G3 R| | ├──3-MultiRNNCell单元 .mp4 38.93M
0 m! F6 o5 m' I- G| | ├──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
- O. W& X" c: h0 g! ?: l| | ├──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' R* W) Z5 D6 l+ {/ W6 M
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M) \1 m. a( I2 H/ }: H
| ├──4--Seq2Seq聊天机器人 ' P. A( Q9 Q$ e4 R: R& k. ^
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M8 I$ g# A/ i5 [" F1 M& e+ W" h
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M& \0 A+ d8 r* E1 D) ]2 b
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
8 ]# F8 I# u, k& V| ├──5--实战NER命名实体识别项目
5 r) {2 u2 d! U [) G6 }| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M# V- Q9 e! h, i2 I
| | ├──2-介绍了代码目录结构 .mp4 23.44M l4 @ g; k* M) r& B8 N
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
0 l# k% q# T1 X' c| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
3 u: a8 ]; T/ @6 ^| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
2 E8 D' q" y% ?" a- Y: g| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M; _. q6 Q) k. d7 r: G3 T
| | ├──7-CRF中的特征函数们 .mp4 125.97M
6 i4 w4 P6 y- y; ]1 n$ s1 t. M, X| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M3 q9 d# N6 Y2 D" R6 [
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
2 c) Z! Q0 L8 K2 Y( S5 a5 B| ├──6--BERT新浪新闻10分类项目
0 p/ v+ }% r$ p. b! ^; Y| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M) P( ?; i& U( O- e
| └──7--GPT2聊天机器人 8 S2 e% M+ h6 E8 C. q: K
| | └──1-GPT2闲聊机器人 .mp4 62.28M
+ H6 C' R" N, h K: ~' ~* R├──21--深度学习-OCR文本识别
) \3 x5 s1 K' Z. i5 N| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
& o% d1 i6 ~% }; J/ g8 H+ q q- d) a) D| ├──10-CRNN项目代码剖析 .mp4 306.48M. b0 u( U# p' |& _2 b6 R
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M v6 D! L; b' U* a
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
/ X8 a( T% W8 B7 O3 ]| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M6 m' G/ n8 A p" ? ~! r. r9 o% q
| ├──5-CTC损失函数的理解 .mp4 330.64M( ?7 ?) |2 D, [( M2 m7 x8 J
| ├──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
: C4 R! {( e; j| ├──7-CTC前向后向算法代码 .mp4 225.41M
$ u1 @! }, c6 W d4 _; || ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
" A6 |0 U# ]* M" m# @7 ?8 ]| └──9-CPTN项目代码剖析 .mp4 491.69M
2 B( Z9 I$ h* ]2 o% ~, o5 A├──24--【加课】Pytorch项目实战 . k. O, O N, {
| ├──1--PyTorch运行环境安装_运行环境测试 % t+ v) I* P; B
| | ├──1-PyTorch概述 .mp4 29.29M
. g; c# N7 M0 b( G% l| | ├──2-PyTorch的安装 .mp4 76.45M
0 Q4 J/ S( G' {| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
2 y7 h* p4 I. L# B| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M: n5 X2 M6 l7 M% C( v9 d5 T8 r( l
| ├──2--PyTorch基础_Tensor张量运算 ( E8 A: x; d _2 c
| | ├──1-Tensor的创建 .mp4 55.14M' H3 i: ^5 n5 W; V
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M* M" H* @( _4 x
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
+ N- G4 K2 J% w/ v, {| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
+ v7 ]$ V; q% N* l4 z| ├──3--PyTorch卷积神经网络_实战CIFAR10 9 R% Q/ o* p/ l
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
5 F) j3 K, V6 ?| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M& X4 R! w; a4 X9 j
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
& @- H: T0 T5 |, ^2 _8 }. y Q* a| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
$ W/ \4 z5 K5 X8 [| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
; N2 N; w5 s1 F, X& d: q| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M+ S' @, q4 |8 F1 j. R
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M7 b! \/ n8 w" g: R/ H$ I
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M/ p+ Z- i+ j5 O( H J: X C
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
' z5 B N, M4 [; l- M& a7 \0 L| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
% e G+ h3 k% e/ l! P) l5 b& ?9 `| ├──4--PyTorch循环神经网络_词性标注 3 \4 ]) J5 I. `( u
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
/ q8 U1 Q! }' g( Y+ G r- s| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
' R* Y! t4 k+ F) W# R9 }+ C" e6 H| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M) G% F3 r8 R" c4 [
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M4 ]6 b1 ?. G2 B/ J8 t
| └──5--PyTorch编码器解码器_机器翻译 ' b3 g/ j0 K6 i& S; A |3 f. r
| | ├──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
) g! Q7 K: e/ _| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M. n+ c5 u; T& y' u7 ~
| | ├──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
' P/ c8 q! N7 z9 X e9 x| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M! G1 C, H0 ]) i3 _. H* j
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
( K1 T! L3 K/ e( L, P| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M# D* E, V+ {, q6 i F7 n
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
2 i1 p6 W" w( _8 || | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
9 d3 [! f, n' ?5 ^9 K├──25--【加课】百度飞桨PaddlePaddle实战【新增】
( | ?: ?: `7 ~' b! `0 T; I1 _| ├──1--PaddlePaddle框架安装_波士顿房价预测
$ q; r {2 {& B6 Y& ^ H| | ├──1-安装PaddlePaddle .mp4 87.34M
B3 H0 }+ M3 c7 u0 T| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
: \* o& l5 K. `+ _8 c7 c0 t! M( G| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
6 b6 o( J7 q& C- {. J# I, l/ n& ~| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M5 p0 n* m: Z$ z7 a1 l7 A
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M7 g- ^/ z% d n2 K
| ├──2--PaddlePaddle卷积网络_病理性近视识别
% |* Y( w6 q' L6 S0 D3 I- s( y| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
$ l s3 \3 p& p! r| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
3 W/ t0 ]# K4 _1 m| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M7 @% V( B% C0 C5 {4 A+ A3 L
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
6 d& G5 ?6 B Y ~4 P- L| ├──3--PaddleDetection工具_PCB电路板缺陷检测 : U. U- T! N. F/ O$ I& c
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
+ F3 [- d. A# j+ ]9 R% ?/ z| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M7 C! V. M$ ?" H! L t8 a2 e& j
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M0 E( r' S# G- X- E$ U
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
! Y. M7 _: Z# ]% \| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
8 M7 r) I3 v F! D| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
+ e5 k) {! Y1 W" e' {7 c| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M+ i$ D, u2 Y* @, E0 A6 ~* A w% ]
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) ! r3 T' C& _1 R9 t3 l% b. o2 u
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M3 o8 O: K/ m: x/ L; O" {
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
4 R4 ~( I. J/ Z# p( m% g/ l8 i1 k| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M3 m! y0 f2 L+ o* d9 h
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M- r4 T7 ~, y p( M1 g U+ V
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
( V6 y+ J' T/ k| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M, f+ Y' t& U; X1 b3 E. x b- ~
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） ' Z3 Q: }9 q, @) ~" H- e" D
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
$ |1 {. @& H! o5 d7 Y# G| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M& C- ~1 ~0 O/ q5 j8 }- K1 k
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M! T. ?6 g' v+ r, s( _
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
4 t5 a( p# [4 a4 m, R" t| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
7 P' K% \; W4 K| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
6 b/ c8 }- f( e& o6 @% a| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M1 t4 F9 _! ]9 z3 a
| | └──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
) R7 L* D# K7 t| └──6--PaddleNLP模块_物流信息提取（ERNIE版） 7 y1 ?0 q) `6 z' w! E' ^2 }% 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
4 W" E# c3 H. ?, k| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M' Y1 J+ Z' o! L$ p: h
| | ├──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. T2 n6 c- }8 l) |- U9 y
| | └──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
* w4 E$ ^, ^% i9 K8 v├──26--【加课】Linux 环境编程基础 # z9 U( c# E% K1 U7 \1 h/ G
| └──1--Linux
9 W) I/ O) G6 `| | ├──1-Linux_课程介绍 .mp4 3.72M
1 c% ]& F, s7 T" j) F| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
; A- }9 ?* F& r- U* {4 ]6 ?| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
" L& Y& K7 [: |" G& |7 R- [1 V7 K1 G8 w| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M* e6 m {5 F" z' o, Y3 a! g
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M& P( X# \( o/ }% G; c0 b
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
' }/ k# i# d# C5 Q% w. \. f0 V| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
2 \0 h: K8 e1 r* U' L( r| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M: ~" Y& D% W, X7 u
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
0 Y! n; {2 ?0 h5 w- w+ i' Z| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
* [3 M+ ?) G" G* U0 J; ~| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
' Y6 M* ~( b5 n$ J3 a+ c| | ├──2-Linux_Linux简介 .mp4 17.59M% q1 Q" Z% {: N: h/ u; l$ `, j$ p! \: D
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
# b# O- C. D0 c1 s2 E# Q1 o| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M; n' {, K/ g' v6 N3 \
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
4 K# N# a& S# Z& d! A5 O| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M( T& }# a8 e7 w
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M( F$ r& `7 [0 L" O+ p& ~( f, i
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
7 Y" Y, T' B6 l. M, W. t| | ├──26-Linux_安装MySQL .mp4 79.02M
6 h0 j$ g9 Q/ ~& I6 A| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M9 L: U( x5 f! A5 N, }0 p
| | ├──4-Linux_安装Linux .mp4 41.97M+ g% z8 _, e$ b% F" u
| | ├──5-Linux_目录介绍 .mp4 20.31M# k7 h3 J: |4 p8 ]. U
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
9 h% M4 ^% ?/ g. Y- ]) {- b| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
2 S# n% n8 r* [/ u* u$ || | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
* [& M' a" ]/ ^+ `5 z6 I& u| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M" j; o1 q$ G% s
├──27--【加课】算法与数据结构
7 a" m: d/ y# ^5 ~1 d| └──1--算法与数据结构 5 Q1 k i9 A1 A: i; q
| | ├──1-数据结构与算法简介 .mp4 35.68M2 t$ A% _: y2 n4 }0 Z6 t; i& h
| | ├──10-哈希表的基本结构 .mp4 54.34M
4 ]' ]5 N$ s; B, h" x' p" || | ├──11-哈希表冲突问题 .mp4 75.92M0 s n9 n- _, |$ t) Z
| | ├──12-哈希表冲突问题2 .mp4 72.30M
( A6 |2 U! @0 x+ r9 l6 u" R| | ├──13-哈希扩容 .mp4 111.03M8 a- A4 v5 J( d" @
| | ├──14-递归与栈 .mp4 50.77M
, |9 U7 t& E9 ]( B0 I| | ├──15-线性查找 .mp4 57.80M8 \$ [' L$ W' |9 c; Q9 _9 d
| | ├──16-二分查找 .mp4 52.32M
) p# a, q% A& o( G% m6 m9 c3 X5 O| | ├──17-冒泡排序 .mp4 53.19M
+ Y9 G; t; u* [4 W% ]+ R| | ├──18-选择排序 .mp4 43.29M1 l, w* i, H W3 q( j# w
| | ├──19-插入排序 .mp4 31.39M
3 _/ ~0 E2 [2 n0 @$ B' C6 N3 b& G# \| | ├──2-大O表示法 .mp4 25.59M3 {- w/ [0 c. B1 Y8 ~1 \: i( G( i2 g5 {
| | ├──20-归并排序 .mp4 84.48M
+ e- e( a% n- u- y| | ├──21-快速排序 .mp4 36.63M
4 u, Y# N& ?3 P8 E| | ├──22-树结构 .mp4 96.85M
7 l% l9 h O9 C% g9 Q! v8 N& d4 a| | ├──23-树结构的遍历 .mp4 61.05M% o0 w8 J5 D3 y8 \; L& q
| | ├──24-最大堆的增加操作 .mp4 45.43M. e7 p% W( J6 C
| | ├──25-最大堆的删除操作 .mp4 45.63M# ]6 g; Q& A2 c6 A4 O7 X
| | ├──26-二叉树的查找 .mp4 100.24M0 @8 C# b3 r; M! ~9 f6 k" X. E, e
| | ├──27-二叉树获取最小值 .mp4 25.21M+ W( \' p, r; ]. i& E* ^/ c5 V$ I9 y: j
| | ├──28-二叉树的添加 .mp4 72.66M
% w; R- |. x' H/ E, Y3 s| | ├──29-二叉树的删除 .mp4 120.06M
: F+ |. \' I; X+ v9 r4 y/ m| | ├──3-线性结构 .mp4 53.14M
- G) F% M5 t0 v: ~| | ├──4-单线链表1 .mp4 68.36M2 f4 I7 y4 W8 }7 e3 w% m
| | ├──5-单链表2 .mp4 221.69M
6 q0 G# `7 ~" Q- [- E| | ├──6-双链表 .mp4 103.57M
" e$ ?9 \# _5 T* L1 [' Y7 @" W| | ├──7-队列(链式) .mp4 74.12M6 f9 `- }( W2 h+ ?( l' t
| | ├──8-队列(线式) .mp4 30.99M
# l @; `* L( ^: }* p& j8 a| | └──9-栈与双端队列 .mp4 28.12M
# V6 p' {( G3 q├──3--人工智能基础-Python科学计算和可视化
, b1 J: ~/ q$ _7 ]| ├──1--科学计算模型Numpy
; Q$ ]! v; I- G% ]5 G" M| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M4 u& A3 N7 |* p" Y3 N
| | ├──2-Numpy_array_arange .mp4 35.45M/ ~ h% \. b+ p4 q: H1 N1 J
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
- w) I1 I2 e2 Q) N0 ~+ ^# r| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
: {2 O2 V- e6 Y& L2 V* _1 r5 z/ h| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M) M+ E. k- p: g" o: w) H
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
T2 }& \( {- ~+ l( Q3 J| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M4 O: W" w. S: ]- i. ?4 g) P# _
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
3 X! ]* {9 H' A* o1 q| | └──9-Numpy_聚合函数 .mp4 23.68M
1 S" u. J6 F. P) j' D) N| ├──2--数据可视化模块 ; q% F! y% v# V; N) `' C
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
# g) c0 _# a3 F; f; i4 S| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
: Q6 h1 {# ~7 W l# L| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
+ p+ {- u3 }% b3 w| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M( N$ Z5 F0 p+ [* `1 w- Y
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
4 s9 m m3 x7 Q% y* L| └──3--数据处理分析模块Pandas 0 q5 w3 c& i5 [
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M% k- d! G% N3 {* ?
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
: ~+ v+ K4 X; d3 u2 o; g& M| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M! _0 U7 q( g# B0 x- ]$ Q2 D
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
' p8 I; f. ^; W' D. `' q5 D| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M% E+ H; P3 |% K7 q7 z) C, L
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M' T: l3 Q: ~ v1 |
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
1 X# G2 J2 @7 W( P├──31--【加课】 强化学习【新增】 9 U! q- x7 g/ ~' I2 E6 ?7 E1 G
| ├──1--Q-Learning与SARSA算法 1 ]) x/ v3 A7 J5 M0 S' Z
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
2 {5 v$ Q1 q0 {1 p' X| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M$ {! t. K9 O" Y4 o' i! O
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
2 ~, T- n/ ?; K* {0 m| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M9 i2 f( d& b$ k( |" |; t4 N
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
# a, `0 b' V5 X: N9 l| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M3 ]$ V2 k3 L! b
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M% i4 W* E4 C. L
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M: S$ K- U9 }3 N
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M, b' l: ^0 \$ l/ S' |/ y% ^, k8 S
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M" n$ N: H" m" M
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
4 C8 u7 x2 \* M0 x6 t| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
. y; Z [3 g2 t: a+ r: G& `| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
8 E# I5 M0 W* |2 P+ H1 }| ├──2--Deep Q-Learning Network - ]6 r! V1 D& W5 a/ w" `
| | ├──1-DQN算法思想 .mp4 59.24M
# Z/ o/ C7 C9 Q& n* w| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M/ {) J6 y" c( N) Q
| | ├──11-DoubleDQN代码实战 .mp4 44.49M6 j1 M. ~4 v( Z$ r- a, g
| | ├──12-DuelingDQN .mp4 88.12M- Z- C q# a0 |# y9 g r8 T
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
& q( t4 W& F. }| | ├──14-计算Action的方差避免风险 .mp4 54.23M
. G5 p4 m* J5 E- b) q. D| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M4 B$ i+ ^5 i6 f# k
| | ├──2-DQN算法具体流程 .mp4 56.17M9 X G7 a& O" @) w% J8 z# e4 [% y8 T
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M) U _3 y7 v0 Z6 |2 X
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M& \: m( f' A r5 _. M* `* r
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M; n- h0 x8 ^: N& e p2 @ y
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M. q) u, P# s2 O) d
| | ├──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' \: K5 S& c! w U% j/ U/ I6 E; k* W
| | ├──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
; Y& Q" I1 d- R2 C% u| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
+ M7 c5 l; K4 W, s8 Y| ├──3--Policy Gradient 策略梯度 % h" ?4 |1 k, O( ?3 T/ D
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M8 C. M5 T6 i+ ?, t2 K3 t
| | ├──10-策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战 .mp4 34.22M( ~5 ]: S; E* } X
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
/ e, }0 g# H+ I: f| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M4 i: j- H+ `# ~
| | ├──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 a$ N2 O0 Z2 ^+ A2 H5 \
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M E7 B( g4 w- I# k( c
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M0 [7 }* A1 E5 \ H3 a% ~9 f, L
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M" B- Z5 h# {4 B5 B0 ^# c0 F; W
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M3 ^9 B( l% G/ s% w+ \7 L# A( V
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
9 T( w" X" R4 p* R0 S- e5 p n| ├──4--Actor Critic (A3C)
# d5 j2 {; q3 `8 ^$ v6 [| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M( ^- N8 h4 J6 L3 F' t3 Y3 E
| | ├──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- t+ [; e9 ^0 x4 B' ^- w3 l4 r% K. H1 S- ?
| | ├──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& M% Y7 B: B) ]4 ~4 A
| | ├──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
* o, b$ ?1 f4 X- _; l: G| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M2 }( u4 M8 E1 g1 l
| | ├──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
" ?: m- ]% z0 @$ u| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
* Y6 X' U% f) G5 Q| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
3 [! E, Q B1 C o5 J4 u+ l) R| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M. u% W1 `3 H2 o. r
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
9 S2 E: z# @! b: s| | ├──6-A3C架构和训练流程 .mp4 74.66M
7 Y7 Y8 d9 b& M; |( U| | ├──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+ L% e1 o# M2 W+ @
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
5 P$ ]3 t- l6 S. T! F5 T$ d; v5 }| | └──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 36.62M6 u. k9 n; z( W
| └──5--DDPG、PPO、DPPO算法
- w0 t+ O; N1 X+ d- w2 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 81.92M5 {- _" L d: B
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
) E( C" V! m' _8 w| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
( a# r* }6 a+ [ ^| | ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4 42.12M& S4 ?) K# c( p) ~: W- I4 E
| | ├──13-DPPO分布式PPO .mp4 63.81M5 K( o4 P g0 J7 F1 K
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
7 }* b8 u$ t4 `) w1 O* J4 N' j| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M8 V( q" n! _0 C' ?$ r
| | ├──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
' O8 B" Z* ^8 B( z# y| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
5 X) L! g/ Z0 T9 D| | ├──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
5 \/ U9 U1 k( F* q: e9 N0 B| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M+ R5 R$ t/ @8 Z o9 k, m
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
9 n* Y( r6 {1 z: Y: h| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M1 q% J7 \3 L9 u
| | ├──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 38.09M9 }0 W" S( Z8 C6 @/ a' O/ 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 61.79M
: s; k" y [6 ?, X# v- q* E├──4--人工智能基础-高等数学知识强化
5 B7 { \7 I5 _& n- T| ├──1--数学内容概述 : N* o7 c1 I' F3 \2 a8 g
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M9 W @! I* b+ Z$ Z, j: M
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
9 A! o6 i& I0 n- _6 p3 H+ K5 O| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
. X9 b) v1 [$ t6 C| ├──2--一元函数微分学 + _" f( \3 s7 Z+ s2 f0 P
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M7 @$ I6 D$ t' @6 v" U% d7 _. V
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M% h% k! s9 P# p9 }! z. D3 s) W# s- B1 @
| | ├──3-常见函数的求导公式 .mp4 22.76M: @: @6 k8 b9 ?2 O
| | ├──4-导数求解的四则运算法则 .mp4 26.52M1 I$ X" X0 w+ G: V+ v" O5 J# t$ c
| | ├──5-复合函数求导法则 .mp4 19.68M# c3 m9 z! o- w& r
| | ├──6-推导激活函数的导函数 .mp4 33.40M2 |* o9 z6 `6 W9 c d
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
) C- o# A/ D2 V7 O! r| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
I, r' j" @2 A! a' Q4 `| ├──3--线性代数基础
) ?& h$ M6 e% p2 p" ]5 G| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M9 {# @: |8 o7 y; Y3 J
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
0 D7 S+ h; W! Q7 v; B1 q| | ├──11-矩阵的行列式 .mp4 20.13M6 b* d8 Y7 G; L9 Q7 `( U9 D% Q& L( U: W
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M( a6 ~& B# x. l3 E3 l+ ]+ L
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M$ _$ i# u0 s7 j
| | ├──4-学习向量计算的用途举例 .mp4 20.32M! ^8 E6 g( Y* w6 y# S' Y: [6 d) Z$ W
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M/ V e7 b4 s% e; H, k3 h: M
| | ├──6-特殊的向量 .mp4 26.45M
9 \6 |0 O- r. i% k: V9 p9 y i: x| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M0 K3 C9 `! ~+ p& i. \- q
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M; p% P3 M& O: t
| | └──9-矩阵相乘 .mp4 20.02M" m0 q" A! n1 Z! V1 M
| ├──4--多元函数微分学
& d, }8 Q. x* Y3 L7 \| | ├──1-多元函数求偏导 .mp4 22.61M' ?) i" b' W' I1 ?. {
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
5 C y9 D* H9 n3 D# L1 C| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
8 c v3 D: W# d1 {+ g| | └──4-Hessian矩阵 .mp4 32.93M5 N: \9 p0 ]6 p
| ├──5--线性代数高级
6 j T; n( T- m# S" Z* C- r+ k| | ├──1-二次型 .mp4 27.70M" O- j, h- B( m( h, g
| | ├──10-SVD用于PCA降维 .mp4 24.90M
2 u, s; ^8 I P B1 u, X| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
3 a5 C1 [3 \' [6 ^* ]| | ├──2-补充关于正定负定的理解 .mp4 23.48M
( D$ K) n2 e9 B, }4 |8 \| | ├──3-特征值和特征向量(1) .mp4 29.83M9 C7 z q4 j) f) `
| | ├──4-特征值和特征向量(2) .mp4 30.07M
) U' @; \2 s) H8 Q: { N! d| | ├──5-特征值分解 .mp4 38.68M" |5 E3 M3 t! s
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M( ]2 Y+ c3 X7 R; @" G7 i) m
| | ├──7-奇异值分解定义 .mp4 22.58M
3 j2 w: A5 ]$ \* s' j" m% \| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
9 b# [7 N2 t( {+ t' N: ^7 e9 @| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M2 {, a! j V1 O* E b) M
| ├──6--概率论
! f* p3 ~3 [5 b9 Y! b' J| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
' }. E% v/ s0 `9 o/ S| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M% s, ~. B( A- y6 Y* U
| | ├──3-随机变量 .mp4 22.57M
: m' q2 X" y3 _2 V( l1 T6 R8 X5 h| | ├──4-数学期望和方差 .mp4 22.96M
$ o( l# @ x3 V| | ├──5-常用随机变量服从的分布 .mp4 22.48M
. I0 G& G; E3 r2 M; p7 a8 {| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M; g3 w( R, v3 ~2 J' A3 ^: A
| | └──7-最大似然估计思想 .mp4 23.42M
; q0 A! W$ L& k" j; T; n| └──7--最优化
) S) r9 R! p$ k: o4 k' k: `| | ├──1-最优化的基本概念 .mp4 35.14M: i8 x1 i' s' {' f
| | ├──10-拉格朗日函数 .mp4 27.46M
C' a& y9 p3 d9 {. [8 C/ W ]1 Q _| | ├──2-迭代求解的原因 .mp4 20.15M! U6 }/ S5 l- V6 k6 Z7 ]
| | ├──3-梯度下降法思路 .mp4 26.33M
6 S2 Q2 e( \, j. g+ X! u9 N. R| | ├──4-梯度下降法的推导 .mp4 43.56M; \, m! a( t" X9 T9 Q
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M8 s! K! U) z g/ }' U
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M5 k$ f3 k7 a' ?. t5 T- o
| | ├──7-凸集 .mp4 21.90M5 N) O# O- p( b
| | ├──8-凸函数 .mp4 16.93M
* g2 F9 H8 j+ w7 p# h1 A" V| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
# R7 }$ G" d& X* ~├──5--机器学习-线性回归
/ U* `7 y$ B! q2 ^! [3 m| ├──1--多元线性回归 . G9 N7 g5 n: o" y8 h
| | ├──1-理解简单线性回归 .mp4 51.11M2 N2 n, o9 w6 s$ o
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M( }0 ^" q! F) d( }+ k& W4 U
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M8 h! }0 b3 S4 d8 _
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M0 i0 C/ W# f2 m q: Y6 l: i7 A
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
% z I" L+ V, m# o" Y| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
7 d, \" U" x# T0 Y+ _+ x$ h| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
6 u* P0 X2 ]& F9 b3 _| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M ~( J8 g, x/ E: }
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
" \6 ?9 J, w) N8 P* 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 48.31M6 _7 |# \ v% v# 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
6 h, l" D4 V; ~) ^" w' F| | ├──2-最优解_损失函数_MSE .mp4 39.58M
! J& g- d C, s' }+ S2 u| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M9 k- q2 }) G. ~5 @2 n
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
' u8 A2 s& D5 @) ^5 d: C| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M4 v T: n( _ b7 x9 y! `
| | ├──3-扩展到多元线性回归 .mp4 32.15M, F, q; q9 @% J/ b$ c3 ]
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M. E1 n8 U4 e2 t7 |" Z
| | ├──5-理解维度这个概念 .mp4 41.41M
0 o( k5 I& z) [8 ]& [& J u9 m! X$ O| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
9 ]( M8 v& f! }9 F" C7 m. x+ \* P| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
) K9 B) r2 n/ t4 C# t$ R| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
7 `: e t: P! D! g& a| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M) M% n8 h0 D; k5 [* u8 o
| ├──2--梯度下降法 % ~, ^7 k7 n$ }( w$ ^, r$ |
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
+ f7 @$ S6 ]/ d0 p$ f) _' B| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
. q; c" z6 ~2 M: w) K6 R| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M) _ T4 w) j" _' D( `3 ?5 Z
| | ├──12-代码实现随机梯度下降 .mp4 26.67M- `" H9 P# h+ s$ T/ L. e
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
: U7 |. Q: C" s! @( i. ^. {4 b' y| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M5 s+ ^3 F* r# V; ^) y
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
5 o. f3 u# G% Q* n8 @7 Q| | ├──2-梯度下降法公式 .mp4 57.12M( c5 G3 y) }: \- v* F. b* m
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M9 x3 a0 h0 f1 P" P
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M) {$ R1 X" Z1 M6 {7 K! ^% x
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M' I2 Q) Y* }; _% S! ~: [( Y
| | ├──6-全量梯度下降 .mp4 62.84M
$ O5 T" B3 @3 {+ u| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M/ W, N6 [* t6 C! E
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
# y0 E, X4 m! Z& K5 _: k: z| | └──9-轮次和批次 .mp4 45.22M
5 ?7 a) j5 G2 N| ├──3--归一化
3 r2 b: Y5 t0 b: `- Y7 p5 V5 d| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
' W* V1 J. R, _8 b' v5 O4 ]4 K8 `| | ├──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 34.11M1 w( B, T+ {. q0 h: b( f- g
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
' u2 [ N4 o5 S+ i| | ├──4-最大值最小值归一化 .mp4 24.87M
" v8 |( r4 |" g: I& Y| | ├──5-标准归一化 .mp4 51.86M$ U; \6 L" a) k" {- d
| | └──6-代码完成标准归一化 .mp4 41.13M j3 ^" M/ h6 c5 {
| ├──4--正则化
- v: y% L, [! K! A3 e& }| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
2 Z# ^1 N/ N9 g% Y| | ├──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% P1 R. D# M9 H1 |$ W/ b: {3 O, [- x9 H
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M5 y a6 n4 {3 x# {5 H3 i i
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M5 t8 T( U% g( N$ ?% ^, y
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M) a7 l: m+ T2 b" z' }% U0 W5 w* _
| └──5--Lasso回归_Ridge回归_多项式回归
/ T0 Q- L5 {& G. s) \* Y( @| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
7 F7 j9 r* z" C* X7 x7 B| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
! s- H: o# I$ t& Y- I# t| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
3 [2 o2 w7 I6 {) d' ~| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M/ a+ k8 f- f0 B8 ^# u7 }1 b8 r2 m
| | ├──2-代码调用Lasso回归 .mp4 28.73M
' L7 D% }4 e/ a) u8 O| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
. t: |' ^+ R4 p| | ├──4-升维的意义_多项式回归 .mp4 48.06M0 P. v5 W! n! ? F
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M" T4 Z1 q [1 [/ [3 H% I9 x
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M$ r; k9 t0 q% n5 o
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M& l" L# a: u& _# ?
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
/ o2 j, X/ H" Z9 G5 x2 {7 ~% ^| | └──9-实战保险花销预测_模型训练和评估_选择非线性算法改进 .mp4 84.12M) w% p0 s: m# q; _9 W
├──6--机器学习-线性分类
5 z) R, S% j: {% h( g| ├──1--逻辑回归
C6 B/ U6 y; @5 f# E8 y. l5 L| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M/ C8 J6 m8 {( U% b+ R% n
| | ├──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/ q- {8 d- n7 _. e0 c' k" i* |
| | ├──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% d- B `1 U3 x6 D
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
/ w8 B, E- M% W0 ?' Y| | ├──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$ `6 P F/ S7 o. X6 O; O! t
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M; K4 t1 `, u! a3 a5 S2 \
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M2 ^% I7 F4 f4 q. `
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M5 M; c% m6 _ L: a1 q- S
| | ├──2-sigmoid函数作用 .mp4 38.15M
' r% p) k% a: A2 f" I| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M, a, w8 W3 t: Q) y5 `
| | ├──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
5 F' J5 a$ Y* n| | ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的 .mp4 6.71M
5 `" p/ u, w7 b' v, m; `8 ~| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
! W% K: q* o* Z: t| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M# B' S, ?1 g* F1 J" m5 N6 e. 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 56.56M% o, d8 b% g6 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# e8 J, d2 b, b: M& \4 ?( Z
| ├──2--Softmax回归
( Z! B, z/ x6 b2 H' D- ?0 j| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
- q7 d) H+ H1 c& F| | ├──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
( h9 b1 n: v: k| | ├──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- R# g4 _3 Q& m& |
| | ├──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 |, x) |8 P7 |" p( c. r6 M
| | ├──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) k, o) |0 H' f7 y+ k
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M/ O. J/ v! w# u$ L1 j5 ^& \9 j" 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 33.42M9 v2 X! T6 A/ z% u, L) e
| | ├──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
7 D: y( D' J) {1 z| | ├──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
# [& u( L- R2 j: R7 q, _| | ├──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
; e" r$ M! J0 o) ]; f: G7 U| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M; a( b4 m2 Q! i. u/ @
| | ├──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
A" {2 Q/ R7 ~' G| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M
* G6 c( R, r8 h| ├──3--SVM支持向量机算法 . r6 z7 V, w# _/ j! h% v' V% _8 N* o
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
0 q! U5 r8 k3 b' ^* D| | ├──2-SVM的思想 .mp4 55.56M
/ D4 L8 Y9 e0 _! Z6 p2 `| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M, d+ O" M9 U8 k: Q+ Q( _3 I- @
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M% r4 ?3 r: F# P1 r! @
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
7 i- D, X% m& A1 }& s| | ├──6-总结硬间隔SVM .mp4 39.01M; y2 ~0 y# r/ } D4 C R! v F- M
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M, B4 \; B, ]; V/ ?8 P, `
| | ├──8-非线性SVM .mp4 54.43M3 {, Z2 i9 f1 s) b j; u
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M0 }- H# R y+ [8 [! R
| └──4--SMO优化算法
7 x F8 Q" Z' M# g* G* L3 v1 S2 Y| | ├──1-SVM算法流程总结 .mp4 58.36M
" J9 ?7 V' h5 ~6 d| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
1 a1 v- }, ^( a( k; L| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M& O7 w O, V' I
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
" N' |; F1 j" W; { Q+ M& ^| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
, y7 k2 q/ n) d c| | ├──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
" N4 y6 j' s# P5 Y) K| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M% D# g0 I2 i/ t8 x8 P0 M
| | ├──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
" U9 h4 I. G$ l5 ~. w| | ├──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! |* I1 K$ P' W% V* R
| | ├──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 D. q# H# a, R( D1 Z8 C8 K* p
| | ├──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; n, r% Q5 l, O, t* l0 O! i
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
: j5 q* c& K) i2 J; \( E| | ├──7-启发式选择两个α .mp4 23.11M
0 E8 C4 x" q/ U || | ├──8-如何计算阈值b .mp4 50.18M
~+ _8 [2 k3 i( D) G| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M D- J! q6 \; P) ~+ d& i' _
├──7--机器学习-无监督学习 2 Q4 w5 T; n( r
| ├──1--聚类系列算法 $ Y+ D% l) \' w& D( Y$ T
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
/ ?% D4 M! d$ K" W$ K/ w| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M; P1 ]" M$ B: C
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M) K1 Q+ x b1 a. V
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
& J) I/ _8 h' @# J3 o9 Z' z| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
( y ~ ?% A! b) h" u$ z* n| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M! O# T* t3 b6 Q# z( b
| ├──2--EM算法和GMM高斯混合模型
; v/ m. [/ p4 |5 b+ x& X| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M" _( O$ i$ Z( X+ h
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
& E! j6 T) M7 E( i2 \: u( ?| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M3 ?0 _& }! I0 \* d+ G& r
| | ├──4-Jensen不等式的应用 .mp4 109.17M" V# V8 `- D! c s
| | ├──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
$ b; x% U( M" g8 E* \/ O| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M3 j' q4 }, K; W n# c
| | ├──7-GMM前景背景分离 .mp4 16.01M: T# r) w A9 F0 R9 G; `; l
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
, J* z/ `$ X/ Z3 L0 S| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M; G8 b$ _0 N4 k5 |, r' j
| └──3--PCA降维算法
3 I. ~- k0 P9 [9 U| | ├──1-特征选择与特征映射 .mp4 49.38M$ \- w! @ i1 S; N! _: n( ^4 }
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M# e' c* z) X2 Y8 R& ~
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M$ z) x. R# E7 k8 M1 {4 _8 M' N
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
6 A8 s1 R+ Y7 N" H' R' U ]' e| | └──5-PCA的几种应用 .mp4 54.58M
3 ~( k& O8 \* i: m├──8--机器学习-决策树系列
& p6 l9 E4 h' {( X2 d| ├──1--决策树 . O7 l& {7 m8 g
| | ├──1-决策树模型的特点 .mp4 74.88M$ B$ w( L1 W/ o ^' E5 y- I) |. N
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M% l8 `! h/ a5 x% w2 N7 h* `: y
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M/ K9 y E) m$ m2 G6 D: {6 j4 R) N6 A
| | ├──12-后剪枝的意义 .mp4 50.49M
' u# b; M3 T; u" f# Y7 F| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
# m$ y& \! ]( t| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M' j+ A" p6 V% `6 a
| | ├──2-决策树的数学表达 .mp4 89.94M
. A/ {7 h0 R: ?: V4 `4 C| | ├──3-如何构建一颗决策树 .mp4 84.87M
; D$ |+ D! A0 N| | ├──4-什么是更好的一次划分 .mp4 57.02M
, P* o) `/ K: Z5 t( U+ y| | ├──5-Gini系数 .mp4 107.54M
3 N z4 L# Q) E| | ├──6-信息增益 .mp4 75.26M
; S# c0 H+ I4 o- S| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
# Q6 J& N8 M+ E3 G; z| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
4 m/ F# I# [) p4 G/ x5 R| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M3 h4 f2 e% n4 ?" o5 I/ }' I5 G4 `
| ├──2--集成学习和随机森林
- J G- g' L; u. Y1 R| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
' G1 j4 h4 z- j H| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M+ t- \, o' N# A2 e- U( c# S
| | ├──3-随机森林 .mp4 108.14M4 e# L! A9 y' D1 G* Q& T$ C8 D
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M7 i& d% T. }- P# Z* h5 q
| | ├──5-OOB袋外数据 .mp4 106.07M4 z( l. K+ E& |; S) a8 X$ f
| | ├──6-Adaboost算法思路 .mp4 106.30M- T" W( Q, x7 ^) O/ S; o' c+ ^
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
$ E. B1 B* C0 C2 j| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
) h1 W) h' {* K+ M| ├──3--GBDT + R7 U3 F9 H: h. }
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M2 ~' H; x* Y* g- S5 |$ c
| | ├──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; g4 T0 J/ u6 n1 Q3 h
| | ├──11-GBDT多分类流程 .mp4 73.80M- Y' m h, o1 t, r
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M; V$ \6 w5 N. ~* r2 R! U2 w
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
6 S- j' T3 R1 |. ^3 [( i| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
Q4 Z6 j+ {1 e5 N5 F# p0 D+ w| | ├──15-GBDT二分类举例详解 .mp4 86.67M
! v' ~" w: I0 I8 L| | ├──16-GBDT多分类举例详解 .mp4 91.71M/ F( b; \# y1 O' t
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
2 a" x, {( q' V| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
/ m8 C/ m o: E/ A! n `| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
: e- R Y9 p2 w8 g| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
2 ?! J9 ?) I: ^| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M4 T$ _2 I7 ]) A: f* W
| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M9 z2 `# ~- P. w5 y
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M! g; m9 ]' E2 a" B
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M* b9 N0 c- G# C3 B- `5 X
| | ├──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( E& I+ Z- [. }7 a4 ^- }
| | ├──4-GBDT应用于回归问题 .mp4 84.66M, c: U- s/ @! _' r( H3 b
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
4 U9 V2 x% V4 B/ m| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
# t" T4 }1 L- b" i| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M7 j% K5 _" D- V* w2 Z6 B
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
! ], R5 r, ]1 i0 E. r' \/ S| | └──9-GBDT应用于多分类任务 .mp4 73.34M
% V/ D. |! _% @' @| └──4--XGBoost & \ S+ A$ X6 ~: y
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M5 Y" ]( E1 a' h% M
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
' I" Y+ Q( G6 Z. r* R+ \. h: m8 Q| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
% h( C* M& z1 Q1 \* q- w$ i5 V| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M# v; s N7 t! ~2 G, c: s% {8 e7 z6 I! V
| | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构 .mp4 106.69M. @- [( X3 D( K
| | ├──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
5 |& k( A9 P3 l; K| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M& h" T9 V1 d8 f8 `1 o W8 j6 l
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
4 u5 X. o! @! H/ g| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
) y) r# m8 Q7 i% b5 Q+ n: `) E3 D) C* e| | ├──2-Bias_Variance_Trade-off .mp4 66.00M( z0 Q2 A( P" a6 F5 n9 W2 Z& Q. o
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
! c. h3 U/ ]; m' |9 b| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M4 {+ C4 h! e1 H7 ?( j- z5 E
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
; \7 l0 b* R5 U* c; v) g# N, a| | ├──6-Objective_vs_Heuristic .mp4 60.42M
, C% c8 a& I$ q& l+ C. l| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
% q) _* L/ o+ `9 m| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
& G# T, n4 |5 e, @4 I$ `8 c1 k7 O/ q| | └──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
4 }' |8 I9 x5 f, e├──9--机器学习-概率图模型
! \- L; ` k: V- t. O" b* y| ├──1--贝叶斯分类 K5 G1 J7 d5 s
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
9 J6 y# O4 W. t; c| | ├──2-TF-IDF .mp4 53.08M
}4 g+ ?$ `6 S" J! H- ~: o6 M5 Q5 a| | ├──3-NB代码实现解析 .mp4 126.73M6 c. n+ p4 P+ Y6 R3 [7 C
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
( k t7 ?+ K% Z| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
2 u4 p. D) e' H* e5 |1 b3 K+ D| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
. L2 S' B% Z5 C7 ~2 f0 I9 x| ├──2--HMM算法
; ?8 \3 ?- J- A2 a a| | ├──1-HMM隐马的定义 .mp4 36.82M, N( u6 e2 u/ W' t; h w8 R8 j
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
' N( h- F0 o$ E% h9 y* O| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
7 c( M% j% N5 D2 I: }8 Y1 `| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M/ f& {9 W0 u. v6 Y2 c7 A N
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M" T) m' r* m# V0 L
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M' p9 E* r2 E/ K+ ^2 I
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
; l. o. ^6 n9 b| | └──8-Viterbi算法代码实现 .mp4 42.43M
1 a2 ?6 T$ R! ~- k| └──3--CRF算法
& P9 w4 s" E# F# Z! L| | ├──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! x$ T6 F" r' [( o# E
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M p# _/ O7 P2 J) x$ x+ u
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
% N4 l6 V; E% P5 e3 U| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
' ~) _5 i# Z- O3 D3 D| | ├──5-CRF的目标函数 .mp4 23.74M% F. Y2 {& |- O3 }4 Z. W/ L5 i: K
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M1 _5 A; ]2 ^ V+ T) S6 o' t: g
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M7 o& X: X* W+ \- T5 j: t
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M. D. a6 s0 I# P; m
└──课件.zip 2.54kb
( _( A0 s7 t, Z: ~/ q s# `% n9 e5 w5 W: _6 R/ n" O5 b( z
: Z- k! C* \9 n" C7 H) A. a+ K
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！4 v7 W7 [; h! J, y+ E. O$ z
" h. M2 Z; F$ [5 p$ K- K
5 |1 G- t/ p+ t' ` |
/1 
