战-人工智能2022/) D$ r; J: ?& G4 w
├──1--人工智能基础-快速入门
. a) _0 a3 L" `1 V) p# {; b| ├──1--人工智能就业、薪资、各行业应用 9 y4 F# p. n9 h; q2 a B
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
. m& t, Q$ E8 g6 X| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
9 W' e$ f" ]3 K# @| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
+ c9 S6 s( J/ C g& t/ a| | └──4-人工智能在各领域的应用 .mp4 57.73M- T) b* }$ O2 _) S% e
| └──2--机器学习和深度学习、有监督和无监督 ' u' p3 Z. G/ W7 u7 K
| | ├──1-人工智能常见流程 .mp4 89.62M+ W s O0 Y; A0 P+ v) b7 M+ T U
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
, ^5 m+ x6 Y( i* U5 Z| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M6 j5 G3 C z0 `% y
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M0 L `) e; _9 P0 x* C/ \& k
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
S3 j3 f4 ]5 I8 q8 J7 \├──10--机器学习与大数据-Kaggle竞赛实战 - g3 V3 ?, a+ s* b
| ├──1--药店销量预测案例 ) W) h4 N- N$ {( J2 J3 n
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M: l5 g& S, L3 T
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
7 T& a( `# \0 p* N| | ├──3-自定义损失函数 .mp4 21.12M
. R+ {: c7 Z2 v| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M* I1 z. T2 ^/ t
| | ├──5-数据的预处理 .mp4 111.81M
- W( l5 g6 k, L0 v. o- _/ L| | ├──6-模型的训练_评估 .mp4 66.64M4 K8 S8 _7 q3 F: b
| | └──7-kaggle竞赛网站学习 .mp4 172.16M P |5 b6 ^9 N* s
| └──2--网页分类案例
# f2 }0 I) X+ y. P; y' p| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
7 ?! r% L5 H, d+ D: b: R| | ├──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
* m5 a7 T, m4 K1 G8 @$ O| | ├──11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03 .mp4 68.80M. x7 K9 u! E! Q
| | ├──12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp4 74.74M
9 b0 d" E8 V1 [9 e. X/ i& f. `0 r7 ?3 V| | ├──2-评估指标ROC和AUC .mp4 56.19M; A$ i) W/ e& Y+ O. [$ Q; L! I
| | ├──3-评估指标ROC和AUC .mp4 49.03M
0 {# f, u" S% j% {( D| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M u% C a5 g, n7 ^* K, {
| | ├──5-数据导入 .mp4 68.41M
+ s, e) b7 H) G8 p2 p( t| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
7 m; m( ?$ N k/ t6 C( T| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
: L& W% r( W$ v3 {" z6 Z| | ├──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! w* { H5 q3 Z- Y
| | └──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
# {) x) i5 Q) [* A├──11--机器学习与大数据-海量数据挖掘工具 ! j& i+ b: S0 [9 z" z
| ├──1--Spark计算框架基础 3 r9 v/ A9 Y& I( O8 V
| | ├──1-Spark特性_01 .mp4 41.68M
* ^1 V/ a( ^# q| | ├──10-分布式计算所需进程 .mp4 26.30M
3 g+ T% D/ ~. U- m. Q| | ├──11-两种算子操作本质区别 .mp4 56.31M2 k, ~1 L2 K) L- @( e3 d
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
/ O' k: ?- ]* X) _| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
. U3 o% C4 F; T" c| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M3 q( ~' h1 Q/ ?
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
$ b. Q! ^7 F2 W! x3 H4 w| | ├──2-Spark特性_02 .mp4 35.15M
7 `; @( n( I h) ~' w! \| | ├──3-Spark对比hadoop优势 .mp4 19.34M
1 A5 H& b5 s: L J& X& N& b| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M& a# F5 ^: u0 k4 v5 _0 v
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M; d( p7 |% k0 c7 g6 t9 U9 A$ R& l
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M8 Z$ U4 j( {, w- v Q# C
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
4 k: \/ h$ Z6 t. P5 Q) z| | ├──8-Spark的RDD特性_01 .mp4 33.08M! f' J6 B' D! g, k
| | └──9-Spark的RDD特性_02 .mp4 33.41M; I) r! l: {8 s6 T5 D8 S
| ├──2--Spark计算框架深入
& N: q$ L7 o: z" A4 M7 j* V| | ├──1-Spark数据缓存机制 .mp4 54.43M
3 h3 C0 ]2 l" w* R- O/ U| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M. @ i s6 W, v/ Q& S% N' i
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
! N. l% E7 Y8 x- A& O| | ├──12-构建LabeledPoint .mp4 111.08M
6 d# @, `- l6 g! _5 a" _| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
, h# n4 k& N) D) `| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M$ Z% c i! k; V$ n
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
$ y _; ]+ [3 u Y| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M: k% F5 n9 @. n, v! `
| | ├──5-Spark术语总结 .mp4 89.66M
! b/ ?* C7 V: Z, {| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M+ ?5 E5 H# H6 M1 \
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M5 ^, h/ \8 L# j( Z
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M9 H, |- e$ y' {, |, k) v
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M" P5 s7 Q; e+ B& r3 w3 X! F
| └──3--Spark机器学习MLlib和ML模块
8 M- _: [- e* T" X3 a$ }% H5 @, H3 V| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
- ~0 b! S1 Q: w4 B+ V ?) }: r) B| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
; Z) [9 L5 b5 e$ i| | ├──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
+ G; H" M7 M8 J% M1 {| | ├──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- Z0 r! O9 L3 A- g Z; t
| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M9 q) l2 ], d* y5 {5 v
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
& V& v/ t2 g# c; @. j6 f+ ^, d2 c| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
( S+ M9 _% f" S" w| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M8 {! H6 X$ `4 K
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M9 d6 F% Z3 Q8 R9 M! U8 p! Z1 h
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M% z' F% X1 l) W4 ~
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M6 F1 i& M1 D- M8 m
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M) L) K) N! ?- O# V9 V0 \) N
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M1 G+ O: p4 q- z* d U: t
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M! m1 Q1 ^4 P6 l2 z" Z# \# u
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
( _1 I( W |- t2 }: H| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M' H r' R; J( B" ~& F8 j+ @# c
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
) c4 Z* P. o$ ]. _* C$ k| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M3 \- H" J# d' J1 e) l) l
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
' v9 K- z2 H$ n% T5 ]% T$ u| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M( }$ y( p, X6 N% }3 T: N
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
9 p; A) B5 L2 H| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
6 u; y/ G' h6 _$ o, a| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
9 O' ~' M. Z6 X2 S8 r| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
: g( K2 F8 W% i1 j$ ?| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
t" N% E" C0 O% r/ r: N# }" z| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
( U r, i) d( k5 T4 ~# O7 A├──12--机器学习与大数据-推荐系统项目实战
0 L: Q" d/ j- A( z) F5 @' k| ├──1--推荐系统--流程与架构 9 d9 S% n' |9 r3 \. \
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M. R9 X" ^1 H' D
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M
7 q! u. p+ v& c# }& C| | ├──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 p" J! @6 M! I" |3 N
| | ├──12-推荐系统_数据源_1 .mp4 79.07M/ i8 _+ ], f) v5 z3 _; x
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
) A0 F* B: H4 K# p) G/ Z9 d1 T| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
& U3 S& g4 R" _& e3 }3 |0 V| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
2 n V3 H! ^0 [. Y$ i| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
1 e. ^; \6 L h/ d- C; T| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
: X; X, Z7 `' d/ b0 ]/ Z! M| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M. |! ~6 t6 S9 \' k
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M' s. o1 z) i/ e+ b" {) L
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M" a/ F) C8 i' c9 }" G" z, w9 |' F) a
| | └──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
/ s/ p" j' [, J% {+ G' [" z8 K9 H| ├──2--推荐系统--数据预处理和模型构建评估实战 ; p. ~ J$ H# y0 H* Y
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
' p3 h. P' n) s' [0 X| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M/ U# F5 b* D7 A
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M: x! M4 e7 e. Z# s' a' m2 n& {
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M8 k% D/ v. }" r5 o
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
" i2 Q3 y" H, \6 a% C| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
9 z/ Z o$ a* q3 @( r, R| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
4 S5 h4 o& C! D) w5 c| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
: c: x1 G2 |% q: @| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M9 @$ E+ w( y+ E
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
9 v1 b4 |2 Q# x4 W. ~) Z) N| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M& v+ X( h' o5 n) A h9 U6 M3 W3 I
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M# ^) O3 D1 d) J" x0 D* A
| └──3--推荐系统--模型使用和推荐服务
' j* u5 s D! ~0 h| | ├──1-推荐模型文件使用思路 .mp4 61.89M V" W' c8 s( x+ `3 _8 ?- |) |
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M5 \ n6 u% _; C9 x
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
, ?6 R: U L6 t% I6 D" a' P| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
& |; k. F7 n8 @9 Q! d8 a! a| | ├──2-Redis数据库安装及其使用 .mp4 47.93M; J4 e( H+ {5 c2 c% L8 L& b5 V) ^
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M1 z8 k, [9 |5 t' m- I
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M2 q0 s5 ?+ n# L2 G
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
2 e$ T5 h4 P8 X) K9 o2 |! H| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
- p7 F& Z0 X( V8 q! t3 D| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
4 _- c# v5 x9 O9 W6 p3 || | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
4 g# K# l+ o# M( _| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
: @9 X. D/ ]5 _* ]6 m0 @6 D$ Y├──13--深度学习-原理和进阶 + R: G, L7 m1 n8 E
| ├──1--神经网络算法 4 A9 w. l& N- w t- V4 F: o, m2 j
| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M3 A' j8 T; Y- Z0 Y1 n: }3 |/ x% I3 \
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M+ K4 l$ r. u" u6 x# n: ]
| | ├──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* a1 _' m/ y3 t6 y7 U
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M" \9 g; ?% W# P6 d8 i* K1 ?
| | ├──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& c# {5 u$ `- f- `/ D
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
; e3 A2 G- R5 `6 T) E| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
8 o4 v4 ^+ g2 K4 q" g| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M: S5 P8 S5 n- [% P9 r0 M
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
% G t* ~* m7 q9 M' S| ├──2--TensorFlow深度学习工具
+ L' l. d/ c2 t+ q* J$ h% @( _( R| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M+ q6 g: k: ~$ M" d2 k1 T1 O' @
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
" I9 K9 B: [) a- l1 P' G| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
( B8 h7 d3 u6 F$ h| | ├──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
f. L4 U" \" i5 V4 m) R| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
' ^/ s7 X8 j* ~6 P/ G2 g% \| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M F: S( O$ x8 ?& s: w: [
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M: y' q r9 x- l/ l8 n8 c+ ?7 e, g
| └──3--反向传播推导_Python代码实现神经网络 % _# S: o) E5 Y( \% M
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
! M$ d$ J- P& S: u: G& || | ├──2-反向传播推导(一) .mp4 127.90M; L c0 q# g" r- S7 c( L! I
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M) n% e2 Q/ }# e8 e. g: t+ h
| | ├──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
+ a. G3 g- T# x' ^# O7 u( A) X| | ├──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: t- e: X- s. r& E, ?
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
" }6 J6 [5 i) U; w| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M& _2 A* l6 b* A( a
├──14--深度学习-图像识别原理
1 F' H' N1 p7 T& X6 }+ J$ H2 C| ├──1--卷积神经网络原理
. }! b$ M9 v; ?| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M- Z" h0 h2 `, I# _4 R q
| | ├──2-单通道卷积的计算 .mp4 104.01M8 o. ~8 ~+ y _9 n" [
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
) X: `7 `5 |8 W| | ├──4-卷积层权值共享 .mp4 63.93M3 w, o: m# G* [5 {/ c+ ^; S( ?: Q
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
6 u/ a3 r6 n& p- i* @4 R ^1 u Q$ o| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M% Z0 Q: A( |& A) w4 X+ C2 E# ^6 @
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
+ w' P# W# y+ b4 [% p| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M' P5 M0 n/ t! c8 R9 [) r
| ├──2--卷积神经网络优化 & g9 J' y, P; H5 ~# d- A: s i9 V
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M. E, P9 z4 G; \; ]3 j! X
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M% _! @! t! \, f7 v q- z; p
| | ├──11-Optimizer_Adam .mp4 141.12M
& k9 @0 _ p" [+ ~8 f2 C) t7 v| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
0 U- N5 V/ v2 o o! A# r% V| | ├──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$ x% }9 p, k: M: E, q2 _1 m M0 X; g. d
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
( D1 n% b# c$ w V9 O( S% p| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M/ j' q% b" Z, e! w1 o9 k
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M. u+ k3 v, ?4 P' `
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M. Q) e! u# J6 e4 v$ q# q
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
/ \& H7 t6 W6 D% R6 S' k| | └──9-Optimizer_SGD_Momentum .mp4 89.70M* ~8 [, k2 l3 l( O, V, w2 x" ?
| ├──3--经典卷积网络算法
% X7 m( z2 r0 d9 _| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M9 M$ u! p: `. J1 o& s
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M9 o7 ?: r0 S$ G) G
| | ├──3-InceptionV1_V2 .mp4 165.86M4 q0 t, i& P7 b, m' C, d, G* R8 N
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
. M m0 P, [! A% p8 C| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M; A1 F! F" c" T& T# W' d) f
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M$ [* a4 U! P2 @9 Q) n. k2 `
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M5 x0 P `9 O) w1 L- m
| | ├──8-BatchNormalization .mp4 99.23M2 f% n+ D$ `. p: y$ T3 R
| | └──9-Mobilenet网络架构 .mp4 150.05M) c# [+ e" k; n3 _) {* z$ G
| ├──4--古典目标检测
4 w) [9 S0 B/ ]| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M1 H! P: A$ Y! K4 A. w& A
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
1 I) d$ h. J( t* N| | ├──3-IOU以及python计算的代码 .mp4 23.56M' g" N) k/ r& x; w- i" S# C
| | ├──4-R-CNN和SPP-net .mp4 124.06M. U$ _) j0 x) _' e
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M& g; T( W0 `# L
| └──5--现代目标检测之FasterRCNN
. M: y0 X9 K) l* e3 p| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M% y# X7 U* s' z) V
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M- |! d& F8 u3 f1 g. j8 Q% n
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
6 u) |8 J' Z0 J| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M, h* y; B3 B. f' ?' E
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M5 j$ m2 u- E3 f+ z' x i. R5 @3 j
├──15--深度学习-图像识别项目实战 ( l8 c4 s Q4 r7 Z
| ├──1--车牌识别 , t6 S8 ^1 W* c* d
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M. g$ j4 B, o$ a0 }8 G) R
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
1 R+ b3 p0 C+ R6 t5 ^- J| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
! b) a7 u4 F- M0 P, ^| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M* |1 X% C f% R- O3 \
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
/ ^9 z8 B( G! f3 t/ x# I: g| ├──2--自然场景下的目标检测及源码分析
: D: s& `& z$ z| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
8 j- A4 O( U/ d| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
3 Q5 N- g' X0 L0 I$ h; G| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M3 o G7 f+ |- n2 x) F2 c
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
" f0 w; ~1 T- G9 M7 V5 m| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M3 l+ `" L& k& ^! d/ y7 ^
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M4 U, I. N2 U; h$ w0 O, a2 S
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M6 e0 r* y& Z/ H
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M9 J- S9 T4 j. V( ?
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M8 h5 H& w# ] \! M
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M4 n f3 m5 B8 q( L9 j
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M! v- F* [$ [2 N% B$ H' M5 E
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M; M9 B4 }! X* G) d4 o$ L' i7 G
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
6 a* _+ i# A# ~) w1 H| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
3 v4 e% [* V' A1 A* a3 i) L& g| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M) q& x$ S5 V7 g7 L, l0 A$ m5 E8 j
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M8 l' U7 d- \7 X4 w3 k3 l
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
S$ W; ` F& v q6 O/ N5 I/ z" d| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
+ l; G; g. v* o| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
+ a! ]# E5 v5 C8 F8 n| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
& k5 S6 { c9 k8 C& L| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M# O$ H' y6 Q% K2 z1 z( z
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M8 r) G, w7 q1 t( m& u% H
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M& H; E& e2 i+ h5 `* i
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M( ?& e9 d1 ~9 t( a& X4 p* t, v/ a
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M" |+ \. t8 K. J1 u6 Q; ^2 J! |
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
8 _- g1 S. C# a3 ]4 K3 n; ^% L! q| └──3--图像风格迁移 : n! n+ l/ S! p t/ }6 w2 _0 e
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
% {( {2 s6 d u7 f4 A| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M$ p1 ~. G. p. L/ O) a! q
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
" c5 `: y) _1 s| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M* O, A d; \1 C, k
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
, B2 D1 a9 a/ ~8 \0 U! s Z| ├──1--YOLOv1详解 4 o( O5 E; C7 e5 m6 n5 \% X
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M% a# Z' A+ v1 [& T' E
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
! Q( C! |6 \2 M% P| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M' y9 M3 q* f) B- |
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M G" c8 ^* [) K$ C6 M$ [9 l
| ├──2--YOLOv2详解
% R0 z* [3 \1 [9 E6 Z+ ^+ B2 |% ?| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
% Y( Y" k, B2 ]! b: T. l| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M% S% R* F1 B! @$ M$ a0 ?5 y
| | ├──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
. v8 T y8 G/ W| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
' Q% f+ n9 q7 R2 l| ├──3--YOLOv3详解
2 C, t$ L6 K# y; V| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M0 D. T, ^5 g$ U2 Y" T- {
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M7 S/ R* g2 I. R
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M) C( _. g, p9 w! \5 t& N
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M" X( s+ U7 |" o4 c1 P
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M* C {, ?& Q3 j( N7 h
| ├──4--YOLOv3代码实战
* E( l* K8 z2 |: W( s& t| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M) G# g; h6 G6 x% e9 b
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
, v) h5 F: i- g! X# j| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
6 h$ v h! o4 r: I0 `: P| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
/ `, P. J0 k+ _/ I+ y| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
# l/ G" l- I1 m! `4 `" \' ]: D0 ~| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M1 _) T" d7 u) R
| └──5--YOLOv4详解
0 w$ z# B7 K, H8 Q+ N$ \' t: t| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M$ D! b3 O. r0 z. g) n/ T$ `2 B
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M# `0 j( l+ q5 h
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
7 z; a' }5 g. f+ S| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
% U3 p7 {1 q+ n6 W! R+ \% M( W+ M# k├──17--深度学习-语义分割原理和实战
7 `" e" d3 R* j6 \' R2 J% a. K| ├──1--上采样_双线性插值_转置卷积 - z$ t% P* P8 J2 f6 s' P
| | ├──1-前言 .mp4 19.46M7 W7 b1 h" Z0 \1 [; K4 _
| | ├──2-上采样_repeat .mp4 23.90M
5 D3 M0 P' Y9 j3 u+ q| | ├──3-线性插值 .mp4 34.48M
) a- i+ D3 a+ J! N$ M9 _1 [| | ├──4-双线性插值 .mp4 125.71M
' Q5 l( }1 I! p. Y- \" \| | ├──5-转置卷积_以及TF的API .mp4 114.25M
: a5 {5 A& Z/ N- u& K4 W8 E- ~| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
6 ]/ N! O' J6 b4 x| | ├──7-ROI Align .mp4 58.38M
; t) O% q& e' F, w8 t| | ├──8-FPN思想与网络结构 .mp4 92.14M
; l) J9 Q9 [2 ~! o$ B| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M5 P, n( I% ?# `' ?2 @+ ^. f6 [3 z
| ├──2--医疗图像UNet语义分割 $ b0 k; `4 {0 e& L5 l
| | ├──1-语义分割的基本概念 .mp4 18.33M
! M/ M: ~# E8 [: b7 w" b| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M' }0 Z: i) t, D4 f/ v! b
| | ├──3-UNet网络结构 .mp4 30.41M7 v8 E" ~# X( h+ l! I9 f
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M1 t1 i: x' L7 T4 d5 r$ \! q
| └──3--蒙版弹幕MaskRCNN语义分割
y$ u9 ]5 _- Z$ t7 s| | ├──1-MaskRCNN网络结构 .mp4 106.38M
$ E5 w1 t: P' R" S: { s, M. H| | ├──2-MaskRCNN的项目展示 .mp4 250.54M* Z2 B6 z* Q6 _7 J7 E/ [1 ~
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
2 g% g1 \% r- `! y/ v3 w| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M/ F$ P1 W& z( [. h4 O9 _
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M5 \7 Y& y% L& m2 _, M1 n
| | └──6-MaskRCNN源码config和model .mp4 244.48M7 S( |( J" {* L- ]" r3 T
├──18--深度学习-人脸识别项目实战
) r4 L# w. z/ w* [| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M6 t) f* W# t/ q5 O5 Z
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M4 N: S: F4 C* L2 h1 }8 ]$ z
| ├──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# C8 i' G- c4 h6 h2 \
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
' x( a& P- u' I$ K9 ?, p| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M( u( f: `2 [8 @% h8 i( A; Q
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
, Z, c4 M* D. |& H$ h. f! h2 q| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
$ l; S& h% r2 d6 q| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
1 M# d+ D7 m' ?1 X6 i: I* u* O| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M: p2 C: @, R) r: g G
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
! d% G X* j) ~; v| ├──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
; g+ g; U9 Z! X0 z$ ?| ├──2-开源的FaceNet项目介绍 .mp4 38.07M7 f7 ]" {2 E1 Y X U. F
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M" I* O4 {9 [! U* B* }) o s
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M" i, l8 ]" [, ` n) Q% E
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M. ~4 \& S! s E' m& a% F
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
! ^0 Q7 Z; Y7 y }) v2 N| ├──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
, A7 f8 x* U3 D, M1 |+ ~# `| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
, c- g! s3 c5 a; M2 w8 U/ z| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
) p6 j8 k+ U/ ]& U+ |* @├──19--深度学习-NLP自然语言处理原理和进阶
1 l1 D, y K6 G| ├──1--词向量与词嵌入 5 {$ i0 V- B( A, N+ k8 L: r
| | ├──1-N-gram语言模型 .mp4 116.32M3 G4 w8 n9 o6 p
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M( n; b0 ~9 Z" [ \3 e
| | ├──3-词向量的作用 .mp4 58.00M5 T, g$ Q5 c7 G5 g8 z
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M% j4 L7 G' g/ f' ?
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
( J! e! {: p g, u0 B| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M0 T# }4 z* W$ o+ V0 y& t3 ~& Z
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M& e. E" X/ w! L: H6 J
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
% A- b$ ~$ r& |; n2 A8 c| ├──2--循环神经网络原理与优化
9 ~+ p0 I* u0 O" \, I| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
3 j5 t( y% X d9 U: E; Q# |% A" M| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
5 n S& I& T- x$ B2 I. f6 k- q| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
& |, l+ l% d0 d- _6 e- T$ H; ]0 d| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M# |) Y% |' ^% I4 x9 [
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
6 e! L8 t+ E& W' N* d$ I| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
# M. ?# ?7 J X% [& ~| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M2 N$ A/ s3 I' z; |" N. e
| | ├──8-双向RNN_LSTM .mp4 52.01M
$ f% K/ y1 K2 ?: S) X2 n% Z+ u7 b| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
' G( W: K7 A$ D# o6 \3 n: S8 A# F: j| ├──3--从Attention机制到Transformer
. J! ~5 X/ c" x) |8 w2 V; Z. V" k| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M, w& T- H) {& W( q4 a; b$ \' U
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M' U$ s3 C( T' D) {# ^( @: W
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M( ~- Q! [. l" L+ J
| └──4--ELMO_BERT_GPT $ W' O8 s: j' \: X; ^( M# ^4 a8 o) W
| | ├──1-ELMO .mp4 62.44M5 s" I& P. i9 K, _
| | ├──2-BERT理论 .mp4 99.73M2 t. n1 l9 x" t: ?$ a' T
| | └──3-ERNIE_GPT .mp4 56.34M: ?4 I. {( T4 q7 E& M2 O
├──2--人工智能基础-Python基础 * }; M: F% g% M, i8 ^" N
| ├──1--Python开发环境搭建
3 \! w- {9 m, ~7 b0 d9 B1 K" `| | ├──1-下载Miniconda运行环境 .mp4 100.75M
$ ?1 A5 f( N% j+ J| | ├──2-Miniconda安装和测试 .mp4 57.12M. p9 ]' D* s$ J# o. |, C
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
6 u# ^ |0 M- ]! w+ c/ I# Z| | ├──4-Jupyter安装和代码运行 .mp4 37.10M0 N, h' b4 D8 {8 H
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
/ u7 l- o8 j: G( o& r9 u| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M( {) x, ~$ k. y
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
! K1 Z1 r1 |, e2 I0 l1 G- l| └──2--Python基础语法
2 G1 }; y# Y1 S$ T| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
I* ~: i# ^' i( P| | ├──10-Python_集合操作_列表 .mp4 34.71M7 c, |& R! c+ q7 C0 z
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
! j" ?4 a- |/ c; F$ Y| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M1 f; I% Y% U* E
| | ├──13-Python_集合操作_元组 .mp4 43.46M/ R; m6 p9 U) n! z$ l4 I# Z
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M6 o5 f* o4 C) y* A+ @$ ^( I: U: L
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
* W5 C1 N6 h* _6 |7 D' v| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
6 }% X0 g8 L$ B1 F: i( f0 I| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M/ L6 s7 u8 h" P
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
: G% e& e$ s. ~5 ~| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
( r- I: G! V( ]* `+ [* B0 ^7 ~| | ├──2-Python_控制语句_单双分支 .mp4 50.66M7 j; {+ E6 L) x8 j' e
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M. U% F* _; P$ J2 E4 h4 [7 w* O
| | ├──21-Python_函数_递归 .mp4 23.46M! c. j- c& |* Z- ^3 G% T5 h
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M1 I7 B# ]" e, r
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
5 u# s4 p2 l4 ]) F| | ├──24-Python_函数_闭包 .mp4 41.61M" t0 U7 H, ~* \% A ~
| | ├──25-Python_函数_装饰器 .mp4 30.35M
& Y4 H$ m+ F- M( R( t% h. u: m| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M$ g/ J! ]5 ~+ q' Y8 X
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M/ O% R6 G. p' X; f( `( F% C
| | ├──28-Python_类对象_内置方法 .mp4 29.17M5 P% W$ y2 l* C+ Q9 {2 P! e) H
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M* Z. ?' T" a% m9 M+ i4 a$ d0 B4 A
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M' H5 m2 m6 C. t
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M- e, l% X, n2 h1 P" ]( l3 H4 @
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M# p! X2 r4 v. R$ D) y) A
| | ├──4-Python_控制语句_while循环 .mp4 25.02M9 o. j6 D& F. n: O/ V
| | ├──5-Python_控制语句_for循环 .mp4 22.82M- X( x4 P' P2 }0 T R9 R
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
/ S7 `& ^; e. W, d }2 A| | ├──7-Python_控制语句_break_continue .mp4 25.23M
* s b) W6 c2 || | ├──8-Python_切片操作 .mp4 40.20M6 r: h$ x1 v; n/ i: E' l
| | └──9-Python_数据类型 .mp4 25.38M- g& K) E. M$ e+ D5 z
├──20--深度学习-NLP自然语言处理项目实战 5 |+ M9 O+ Q- d6 O: c
| ├──1--词向量 2 l+ X% q6 j: Z( N/ u |( o: q; O
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M2 R" v- ]4 U( R. U4 B
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M6 ]3 R) ~. x/ D4 ], U
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M4 V; ?. E9 g# Q' f. @# M
| | ├──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 s" K- F2 R) W" Q& O
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
/ [1 P# o7 c# d2 F& r7 i| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M. G- P& w K! K
| ├──2--自然语言处理--情感分析 $ r( ^( @) Q! d1 {0 K8 }
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
u/ {4 h' S0 i, P2 a: G/ }| | ├──2-数据预处理_01 .mp4 79.65M
3 j# s+ I# O8 ]4 \| | ├──3-数据预处理_02 .mp4 45.68M
8 h/ X& ^8 d. \ ^3 a| | ├──4-代码讲解_01 .mp4 52.29M
; ?3 z0 H& M, p| | ├──5-代码讲解_02 .mp4 60.85M3 _2 H! S7 h/ G
| | ├──6-代码讲解_03 .mp4 53.89M2 X& O1 E, c; S" @9 P
| | ├──7-代码讲解_04 .mp4 57.19M
$ ]9 v' Y Y8 k6 K; J| | └──8-代码讲解_05 .mp4 35.88M
4 ~8 ?; B2 }6 y5 s- z1 {! {| ├──3--AI写唐诗 7 [2 S( O& J I: k
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M/ R! Q+ x, z ?* C k. @
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M% k0 J" }# G5 t2 `
| | ├──3-MultiRNNCell单元 .mp4 38.93M; q' f0 i4 {, ~: }! J6 _) y
| | ├──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: K# X b2 F6 Q4 H. Z
| | ├──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, G. ^; k4 _; Q @
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M, }1 h+ M* h7 q* ^4 A$ H; g0 b
| ├──4--Seq2Seq聊天机器人 " S4 a/ U7 h; T- \3 a
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M# a# R9 L- Q- g* e# |% N
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
# ~ |! x: A: [" || | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
" C8 B8 |0 O5 l! b* U| ├──5--实战NER命名实体识别项目
9 T0 m; y6 r9 N| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M4 |- o5 m2 m" {& M2 ?
| | ├──2-介绍了代码目录结构 .mp4 23.44M
- s7 K8 K8 z3 R6 g! n0 y| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
& ]/ T" S: K8 Q| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M4 X8 ~) _% w! J" V- g
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
( {+ a( ^) P( m2 C9 r3 x. V; K& P| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
) |3 t- l6 T7 |) L| | ├──7-CRF中的特征函数们 .mp4 125.97M
& T$ @8 q+ R# s2 D' e* x; x: `, A+ |3 F| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M+ L, z* y6 R3 Y. w# s G* J; n3 p. c
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M" r1 G( @1 \7 x% z
| ├──6--BERT新浪新闻10分类项目 G, @: ~5 Q- v" h2 X+ v* ]
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
9 k$ \5 l# w+ f: a9 \/ k3 v# \5 }| └──7--GPT2聊天机器人 ( ~) t$ b' a, V, F; `/ T
| | └──1-GPT2闲聊机器人 .mp4 62.28M
+ D; C3 z1 x/ C5 }0 g. ~) w- x8 g├──21--深度学习-OCR文本识别
8 `! V1 a1 X3 v; p. R V* R' H| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M1 D) B+ Z+ ^3 r0 p
| ├──10-CRNN项目代码剖析 .mp4 306.48M
; m4 G, \* D% ]0 j( x| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
; p) X6 o! q0 C& z& F1 j$ ]| ├──3-OCR识别的CTC损失思想 .mp4 327.69M- B6 @; q" h g5 S4 N( t; Q
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
; ~, J" J' d. y% V: ?2 n1 y. r) x6 v| ├──5-CTC损失函数的理解 .mp4 330.64M1 Y; [6 X# Y ?$ Z
| ├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4 200.52M7 V8 Q: D% a, J1 W0 b5 x% @
| ├──7-CTC前向后向算法代码 .mp4 225.41M# j5 J! }6 }- D2 K e
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
. [: k& |* u- `2 W0 B| └──9-CPTN项目代码剖析 .mp4 491.69M$ z" P: e- A3 a0 L, ?- E
├──24--【加课】Pytorch项目实战 ! W: A! E# L3 [4 Z: J
| ├──1--PyTorch运行环境安装_运行环境测试 4 c: G0 S# r. r* p, p; z N
| | ├──1-PyTorch概述 .mp4 29.29M$ B7 R+ l; J5 _- o- b& f
| | ├──2-PyTorch的安装 .mp4 76.45M4 e6 ^9 ~; g% J0 \/ H8 a
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
1 t! o2 L& _2 |$ s. i8 m3 O8 g5 V1 o| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
, }+ `! n9 D# \1 J| ├──2--PyTorch基础_Tensor张量运算
% o$ y# I( x5 r: e: a) q7 {' m2 `| | ├──1-Tensor的创建 .mp4 55.14M
. }0 Y, H2 I8 U/ i2 u6 U1 V" }| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M2 L6 g( a+ c& T# G: B$ ?
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
: ?& t: I$ }2 `7 G% I. y8 x! p+ B| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
+ B8 j/ |5 `+ U- G4 ~+ z' G| ├──3--PyTorch卷积神经网络_实战CIFAR10
5 `2 I3 A8 `& ^+ A7 n| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M! X. w( _9 f# x; A: l$ \9 J
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M& l G/ ^& d% v; ^
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M8 ]7 h O: p9 |5 ^1 j+ q x3 ]- P) z
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M5 e1 g! k# }1 e: W, v% l
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M. K* _: E2 ~" x m' n2 F. ?! A4 \
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
' c0 v% s* e- Q* N; z| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M3 N6 N, n. J* @. d
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M |8 B7 K: d& b* O
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M0 D- u _7 x9 A" L; h" _+ _
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M" |3 D( @8 g0 B. q
| ├──4--PyTorch循环神经网络_词性标注
3 ?" ~- c5 F2 R| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M( B$ S6 O- ?$ o1 \, o! V2 e
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
3 m" w" h6 Q5 m| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
7 L; w% c3 c- d: t| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M2 B9 T% p3 ?9 X3 h/ y) `, Z
| └──5--PyTorch编码器解码器_机器翻译 6 E6 Z0 S( }3 C
| | ├──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
& k7 E; f ]; ^: \- r& C* g! B| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M& R& P" W4 S( p+ [
| | ├──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$ C: P7 r7 Q$ S& g5 h
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
2 i7 m. b. p- `( }# M, E2 q| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M# q8 X& t( D+ a5 ~7 Z
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
5 H! ~. v/ |$ m( Y2 u& S4 k| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
4 N3 Q4 E2 P5 C t" `| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M' G$ j$ v0 Z: W8 J3 o( f8 t4 x
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
% \; D. E: U6 w8 D6 W" q| ├──1--PaddlePaddle框架安装_波士顿房价预测
- d% v7 t/ F+ r" |9 V' Y' q| | ├──1-安装PaddlePaddle .mp4 87.34M
4 ^/ U \ `3 }1 b$ b! \| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
4 t0 H7 k! r5 M* I) `* l" [| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
3 n8 d3 B8 Z: k0 z( L C. P, Q| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
+ q- U7 ^7 u C' L, b+ i| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
' |7 ]2 P9 y; j1 n| ├──2--PaddlePaddle卷积网络_病理性近视识别
+ H$ S! K+ a- e2 k3 G. J; n( r( R$ S| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M; r: q \) v5 i. P
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
/ x! U& U& t$ G1 i$ E2 j, b0 M| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M- q3 a) b6 M. l
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
8 d9 V' A+ a" o5 J* u( \: a5 }| ├──3--PaddleDetection工具_PCB电路板缺陷检测 6 |' v6 T% d4 p' z' Y
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
+ A& Y4 V( U! B% e" U8 }% L3 V| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M0 w/ u4 `2 [/ \1 `' o8 S4 Y
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
+ {( C7 p6 f' W1 ~| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
# B0 j' x& L" O6 `; m7 }| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M. Z/ \6 M- K- K; {7 J1 _" ]
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M2 {& h* x7 a" S, H3 D1 a. M2 Z
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M" Q6 ^) i1 v4 Q( n; T
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) / ]% x( a) m: Y: i( T; u
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
) o7 e4 m) B9 {8 Q& B! X| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
0 J, K; \# S9 n2 B& _3 s* `| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M
0 c: H! B7 V4 P' O| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
7 F; j! j, W1 m# r' w; I! D4 T| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M, w: I" `) j% k, G. V( g7 }6 b
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M3 L' v% ^6 D0 Q& G+ S4 v. e4 K
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
5 M4 {. d# N+ ^| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
^2 a: F2 ]! K2 m; ]| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M8 H9 r% C& f& V ?3 |
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M8 R9 S' t6 T i2 \9 @9 R+ m' C+ R
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
; `+ x- C/ K' z( W1 }| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
" a: X8 n8 n2 |4 e6 z5 j| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
- K) I: l4 t- I; I: [| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
+ X! n/ o% g9 G# s$ a# ]# N( m| | └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4 80.58M8 v% U0 n; u K& j
| └──6--PaddleNLP模块_物流信息提取（ERNIE版） ! u! D/ p* u( z9 {% }
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
- [. {# [. e9 i- M| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M- F1 [# A4 z# j7 [0 X4 o* W
| | ├──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
7 V$ u+ o( M) S# s8 @/ A& `| | └──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
/ \8 C8 d# y' G# x3 N3 B9 x) e├──26--【加课】Linux 环境编程基础 $ H8 }: ]8 A) _+ K1 F
| └──1--Linux " R1 y( }$ k/ M6 v! P9 z/ ~3 ?
| | ├──1-Linux_课程介绍 .mp4 3.72M% B$ j/ C) p2 Y4 D3 _0 S
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M1 C* N: W2 @% S- t4 j! |
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
; n H: f1 }* ^! C2 w! z| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
9 v1 M7 Q7 Y, h+ t8 o6 a| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
' f ~+ h' y2 i" R( K2 X| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M! Y% l4 |: _5 x9 \# J1 E
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
( ?9 x' R/ t: G6 e) H! `* n d: \| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M9 }" A# s, b F* `7 p/ w
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
" q- U' {6 T. a! c0 m- w" g| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
) T E3 c0 D+ ]$ c) v/ f| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
/ C: F x8 W1 d+ h| | ├──2-Linux_Linux简介 .mp4 17.59M
! W: z6 H1 T: G7 { D/ K| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
1 J0 V, S5 X7 h| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
4 g7 Z. s* n8 e$ h1 N| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
+ k6 i7 u% W& q( N| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
& `7 m7 _7 y' r1 z2 d| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M1 J* g+ j( a$ q8 x: d
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
/ }' v) K. [3 h# I+ q| | ├──26-Linux_安装MySQL .mp4 79.02M2 P( c" x0 B. `5 @& G" m, z
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
+ R$ e) ]# d2 s% z% f% I| | ├──4-Linux_安装Linux .mp4 41.97M: l% h" {. m7 l! X5 E
| | ├──5-Linux_目录介绍 .mp4 20.31M
; M6 B/ J: e t| | ├──6-Linux_Linux中的路径 .mp4 18.65M3 X0 \: T8 R( Q! z* h* _+ F
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M8 S. m) _" j: {( P3 A5 n. B
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M( F( Z& b! F6 a- w" O0 W1 F
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
8 _0 d7 ^% f; r: M├──27--【加课】算法与数据结构
$ k6 d2 n# M1 l, a; ^| └──1--算法与数据结构
- l. H) y% l l6 {| | ├──1-数据结构与算法简介 .mp4 35.68M: u2 k+ y1 G/ v8 g# p0 H' _+ y
| | ├──10-哈希表的基本结构 .mp4 54.34M9 N* j6 g8 N: K
| | ├──11-哈希表冲突问题 .mp4 75.92M/ y# U l) ^# X q, ?2 |
| | ├──12-哈希表冲突问题2 .mp4 72.30M
1 m( }9 p8 w" U& n| | ├──13-哈希扩容 .mp4 111.03M T! t: |; T. S: e/ u' J9 U8 R
| | ├──14-递归与栈 .mp4 50.77M
- S/ }0 p3 O8 [) N| | ├──15-线性查找 .mp4 57.80M. u' _& V6 L: \) u9 ~0 {
| | ├──16-二分查找 .mp4 52.32M" p, v, ^7 u g z" H# {" a. i% w
| | ├──17-冒泡排序 .mp4 53.19M
* i' ~" _! s8 \| | ├──18-选择排序 .mp4 43.29M
* M; O+ W3 `/ u5 r| | ├──19-插入排序 .mp4 31.39M
2 m$ ^9 ?. X- || | ├──2-大O表示法 .mp4 25.59M
0 x$ r% R9 C/ V3 i) @4 [| | ├──20-归并排序 .mp4 84.48M
2 ?- v6 | ?4 ]6 ~$ t. X& M| | ├──21-快速排序 .mp4 36.63M+ C6 C6 @, ] y4 ~( Z9 @! `* [8 {
| | ├──22-树结构 .mp4 96.85M
3 f% ~2 P4 o. T" P# I3 M| | ├──23-树结构的遍历 .mp4 61.05M
; [$ V2 u! A/ g D+ k( r+ n. S9 o% j| | ├──24-最大堆的增加操作 .mp4 45.43M4 C8 u5 E" l4 ]' W
| | ├──25-最大堆的删除操作 .mp4 45.63M. `. G l8 F$ b+ a! u7 V
| | ├──26-二叉树的查找 .mp4 100.24M
# H; H- A1 k7 q- U% v| | ├──27-二叉树获取最小值 .mp4 25.21M
. b# P l3 c( O! j& J& z| | ├──28-二叉树的添加 .mp4 72.66M
- O. F# ^+ K, b; V6 h2 k| | ├──29-二叉树的删除 .mp4 120.06M
! U S, L/ E: X8 E# U| | ├──3-线性结构 .mp4 53.14M( |% R: H6 j a a' X0 O/ B
| | ├──4-单线链表1 .mp4 68.36M& M/ y" ]* ]0 a' ^& ]9 F1 K& G
| | ├──5-单链表2 .mp4 221.69M
7 W$ i- b' ?2 N! p' d7 v! q% y7 i| | ├──6-双链表 .mp4 103.57M
( a0 Q0 E" j4 Q$ K| | ├──7-队列(链式) .mp4 74.12M+ \& Z, ?- O4 I7 h# F
| | ├──8-队列(线式) .mp4 30.99M
* @* e- r+ U' S/ q% ]$ u% v( f| | └──9-栈与双端队列 .mp4 28.12M
a+ r" |! w* }* u├──3--人工智能基础-Python科学计算和可视化
; P7 D" m; L, z" o% N! P| ├──1--科学计算模型Numpy
) Z G2 J& l' w U2 U| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
' L7 d2 A% z4 p& N0 q% h| | ├──2-Numpy_array_arange .mp4 35.45M8 I p+ i9 Q, e8 e$ h
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
6 ?) t3 W* `' Y9 {2 D- q# s! B0 \| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
1 a0 v; x/ B. X, f* T, h. N( Y| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M: b5 o/ z K( e# K$ W9 M7 v
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M9 \: v q8 J/ ?+ M! t' b4 D# `
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M9 q$ s+ F5 {) U( `! @+ H, F
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
' K7 V' j4 c! m| | └──9-Numpy_聚合函数 .mp4 23.68M$ N: I- v0 g0 N- H: }1 O# a/ Y
| ├──2--数据可视化模块 9 D8 r4 \4 i6 D& c \' F- i0 O$ y) g
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M5 {9 E. q7 H( X. }
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M; b( c9 T% [) y& j1 ^
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M0 ~: a+ C& M4 @% V: e; K
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
1 x) K2 I/ K' i* y4 i1 o/ [| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
% m% Y h, W8 i; x5 s| └──3--数据处理分析模块Pandas 8 D- D- ]$ c) u
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M! ]: R' `1 i: F- i. _0 J) h/ W) _) |
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
* c$ B9 Z4 l& V* K& b$ j9 c| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M& C! L; k! n2 h; t; ^
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M4 u1 T& S& D* d' C7 {: ^
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M1 l& ^' t$ c! q! i& q
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
" a3 V+ X* b/ J! v4 L9 Q| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
s& p, C; J$ U. ^: G├──31--【加课】 强化学习【新增】
1 C5 v/ t8 n; U2 `! I| ├──1--Q-Learning与SARSA算法
7 D4 R/ q% l1 X| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
( a- D4 d w3 N( ?' F9 f5 b+ h| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M* u# L: o, h* Q6 p8 @: k2 y: c
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
]- p0 \& L6 n6 {5 g& C" L* d| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
% ?. x8 W* ~# W! L7 X| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M: s4 p8 w8 D5 h. d* u: d' {
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M7 `& b D7 a, j3 M. X) W+ }
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M! X3 f2 u0 Q/ F. v# ~. Y: d5 h% H
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
3 N( z9 \, K! M| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M8 g6 T/ g* j; D$ {; J
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
3 @9 f7 T+ S: k5 k% ^' Q! }2 W| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
8 Y5 K3 z) G- m `6 j| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M$ K0 v2 F# B5 [5 _
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
5 d$ j2 b/ {- b y: N4 W& R- Z| ├──2--Deep Q-Learning Network
1 c7 m+ ? d0 Z! h9 c3 |9 I| | ├──1-DQN算法思想 .mp4 59.24M
( e9 q% R5 g2 w5 z3 y| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M; }( [4 z3 N0 g+ B3 p$ M* ]
| | ├──11-DoubleDQN代码实战 .mp4 44.49M4 O; d) S+ h# Q2 \, v
| | ├──12-DuelingDQN .mp4 88.12M$ k3 S( y0 [' g4 R/ t0 u# F
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M" F0 Y+ M# t0 i d3 H! I2 L
| | ├──14-计算Action的方差避免风险 .mp4 54.23M1 \1 k/ V: W3 O: d: W
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
2 j2 h' Z% Z2 T4 u| | ├──2-DQN算法具体流程 .mp4 56.17M
7 V* y& h" Q5 W* `: B) @* L) f# I| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M: I3 R* g) j0 V( o1 G$ p! q
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
' F6 B+ j7 P4 E5 ]/ l" Z' C# ?% K| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
& N& a# k, z% G$ s$ I( W1 F| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
4 n& F$ J& J4 i- v" b| | ├──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) N9 E, z, l! `% r4 j8 n4 i
| | ├──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
# v% L, o$ B7 {. c| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M3 Y9 z; q4 R# H9 N7 S
| ├──3--Policy Gradient 策略梯度 0 [1 Z, ?' s) ^( s( t
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
% T- K( x: A, I0 I; F; d| | ├──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
7 W( s- b# @" _ g( d| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
% ]/ j* Z6 J% _' K| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M8 p( `9 M7 T3 h2 v. N9 x9 d9 F5 z
| | ├──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
) _% e, z+ X6 E d| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M+ [2 C( R# L1 a* Q, m* E/ {4 j9 @7 p
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M$ ^. ?7 e) u* K1 F5 o9 _, p
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
' P4 _1 B) U' \) P7 l; J/ v| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M" ~" q# c* N- |: i1 X- @; ~5 @
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
7 I8 Y$ A& t7 o| ├──4--Actor Critic (A3C)
% v% A* e: ~. q+ f6 w4 f# v) l$ Y| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M* \4 h+ ]6 u9 Y: ^6 n
| | ├──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 36.14M6 q' q! t: H+ M" c0 m% |
| | ├──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
1 t2 a! z( ?$ z7 A$ x| | ├──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
: n* r% @9 s& c| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M$ N. K1 y2 {$ X" N. Z
| | ├──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' b, S8 S6 |( b; E8 a, S/ d- [
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
0 j0 V$ m! v; D( R| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M# z/ R5 ~2 |" `; H; c$ {! C' M [
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M0 t) G! k. E& B, _, j
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
, u: Y7 _* q5 T, u7 Q| | ├──6-A3C架构和训练流程 .mp4 74.66M
) Q, Q8 k y' j* D| | ├──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* ]' q2 i4 k5 x1 F( B) @
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M5 B! u( g {6 M- J' H
| | └──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
3 V2 P$ g9 o0 P5 p: f. N( n| └──5--DDPG、PPO、DPPO算法 2 C! v$ _- n4 c3 {
| | ├──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; y. c) L6 {* F2 v% E+ A
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
& f [2 | J/ W# y+ X) k| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
9 F G. ^6 Y3 Q" G. z! n: h| | ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4 42.12M
" _: L7 M B! V ~* @6 P8 T| | ├──13-DPPO分布式PPO .mp4 63.81M
% {3 X8 k: m x7 P| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
5 Y2 ^+ h! k* \7 X| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
( m/ L" \* A9 ~' A/ e0 ^| | ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4 51.45M* y) c2 `0 k4 z
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M1 P( H& a0 q: 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
0 I2 T& B. y- d| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M% D( s/ J1 Y* V* o$ B) a- s; w4 G/ {0 @
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M O$ Z& z; D% p+ w, L
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M p! ?( z8 o! c; `4 [3 A! }* ?) q
| | ├──8-PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题 .mp4 38.09M
6 X6 M& C& c2 I: d| | └──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
. h+ [8 ?/ U1 z├──4--人工智能基础-高等数学知识强化 $ B; N" u3 ?/ n4 I
| ├──1--数学内容概述 " W, N$ O' O5 a f
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
1 S5 y7 z: i- U$ {| | ├──2-线性代数_概率论知识点 .mp4 26.81M( g. G( X2 ?, g/ d9 G) [/ K
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M! c, j$ S$ k5 ~
| ├──2--一元函数微分学 6 d6 c) i- y! v* M/ O
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
9 i5 |' R- f/ l' l| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
# n, V3 L" {3 m1 C- w| | ├──3-常见函数的求导公式 .mp4 22.76M
U( J; n6 ` L" n| | ├──4-导数求解的四则运算法则 .mp4 26.52M
) x9 W7 P- Q7 `7 I. M+ _$ Y' ?9 i! S @| | ├──5-复合函数求导法则 .mp4 19.68M
% O N, z; Q7 Z' L| | ├──6-推导激活函数的导函数 .mp4 33.40M
! D# G" J w7 e| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
/ M; `1 k4 `7 W1 S9 @: J: M| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M6 v: Z: { X! C! M5 O
| ├──3--线性代数基础
9 ?2 y" U+ O( H| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M3 {; \0 L( }: q" T3 R
| | ├──10-矩阵的逆矩阵 .mp4 38.54M+ E) y6 w; e: e; T8 w3 I
| | ├──11-矩阵的行列式 .mp4 20.13M
4 q7 G J, P7 p7 l0 m| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M) Q! j1 c' Y/ b. ^1 `; ?
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
! C$ G9 ] n. {- H- d| | ├──4-学习向量计算的用途举例 .mp4 20.32M
* Y% R5 p8 b7 A6 k2 Z| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
# T7 W8 w* Y9 n| | ├──6-特殊的向量 .mp4 26.45M2 V* C4 z. o W1 H. M3 d# X
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
( N' x2 Y2 p" j- L4 b5 D| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M2 c4 D+ H3 i4 D
| | └──9-矩阵相乘 .mp4 20.02M
4 {) A0 `4 L; u+ Y| ├──4--多元函数微分学
- u0 |* h& C' G* P0 S: z4 ?9 ?| | ├──1-多元函数求偏导 .mp4 22.61M
4 S. V1 {' L% Q, v0 [- @| | ├──2-高阶偏导数_梯度 .mp4 27.15M9 @9 j4 Q2 Z# R+ a
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
1 d2 w, G, v# l; i5 v| | └──4-Hessian矩阵 .mp4 32.93M
* \/ N L3 j, j1 W G+ J4 i( K| ├──5--线性代数高级 # T- W6 O0 H8 U# o' z- i
| | ├──1-二次型 .mp4 27.70M
$ j& t+ l* z0 T& O| | ├──10-SVD用于PCA降维 .mp4 24.90M
3 T; z7 I1 k/ z0 G| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
; J+ v) m4 b" y! L j( D| | ├──2-补充关于正定负定的理解 .mp4 23.48M
- g* p M! t% @7 }0 d| | ├──3-特征值和特征向量(1) .mp4 29.83M% u) p* w$ z5 q! |" Q M8 L
| | ├──4-特征值和特征向量(2) .mp4 30.07M8 Y. w- D0 D4 i I T3 m! ~
| | ├──5-特征值分解 .mp4 38.68M
* ]! l8 b$ }8 W! t| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
0 |0 b. a9 w) L! c, L9 V% I! O) t| | ├──7-奇异值分解定义 .mp4 22.58M
) ?2 V, ~1 i( R! s+ n S- ]/ a9 m| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
# a/ m) s5 }5 c& O$ ~| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M% T+ u# f+ s& w! P3 M R
| ├──6--概率论
. ]. D$ [) i# f' \1 {| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
+ k1 ?$ i2 l3 @2 _1 K! W7 F| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M, W$ I. I+ k, j
| | ├──3-随机变量 .mp4 22.57M5 n4 g* D/ P* k2 M2 d- E/ U& [' C
| | ├──4-数学期望和方差 .mp4 22.96M7 ]2 i+ u/ N/ @7 J, i }1 u
| | ├──5-常用随机变量服从的分布 .mp4 22.48M* ]0 y# @- p0 F; a/ I6 b0 m7 `
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M& v. \* o' Y7 P* j, t! [8 {
| | └──7-最大似然估计思想 .mp4 23.42M% J# W1 b' z( L, }& x
| └──7--最优化
# @# b# S# S) }. {- t$ S% c& b) r| | ├──1-最优化的基本概念 .mp4 35.14M" C5 }. \7 {2 D: x
| | ├──10-拉格朗日函数 .mp4 27.46M% Y6 H( L% k$ D
| | ├──2-迭代求解的原因 .mp4 20.15M6 u& x! m9 U2 n% M+ N# f: W E1 \: R9 L2 F5 _
| | ├──3-梯度下降法思路 .mp4 26.33M
9 C' c7 Y" U' `, f1 d5 n0 U, p| | ├──4-梯度下降法的推导 .mp4 43.56M# J/ W2 ^$ s9 q. @) C" o- ]
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
& k0 p! S: n1 J5 U9 N8 c| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
1 F+ U& f! `# K; ]" Y" e% x) a+ O| | ├──7-凸集 .mp4 21.90M$ }4 [5 ]% t1 ?" I |# |! h* h
| | ├──8-凸函数 .mp4 16.93M
* C! {: `9 q! v4 ~% }( ^1 ~+ W| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
& z- J3 M, j( Y: J9 _├──5--机器学习-线性回归 4 v7 l6 G$ Z. v! @) [) `
| ├──1--多元线性回归 # o& B" e9 s2 G2 B6 p+ C* `+ d
| | ├──1-理解简单线性回归 .mp4 51.11M
- A) o* l3 m- V2 ?| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M8 j7 B/ h5 m* n- N9 ]6 e% i
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
9 R6 a" e- e: Q5 o& I# X E| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M+ s; B2 T) B4 B* `
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M1 P* @9 { z9 W2 l
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M1 q4 @8 D+ d$ p
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M3 M6 ^# |* O2 g' `5 `0 K9 w
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
! ~$ C& C, l, k, C9 U# \2 U: o$ C% ~: E| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M5 ]0 k3 ]- P3 U: F3 w, }
| | ├──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% z7 _8 t4 v/ S: v' x( T5 ]
| | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4 34.67M
: |% Y. V9 R1 b$ l T| | ├──2-最优解_损失函数_MSE .mp4 39.58M9 |! e/ ]2 z6 r
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
S+ r0 c) A9 i: S& ^% g| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
' K3 m2 z5 ~" c+ p3 x m| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M! s u" y$ E% Z* O6 H$ D$ Z
| | ├──3-扩展到多元线性回归 .mp4 32.15M5 }! I5 K5 T ~+ q+ v3 N: `7 n
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M$ o& H& F: v. o+ f5 Z
| | ├──5-理解维度这个概念 .mp4 41.41M: s% x8 Z/ v2 E
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
& F) j3 y$ x. j# e4 z| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M2 i5 e z( Q6 }# G# @- H3 [$ n
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M& N% B0 B, B3 I4 @2 e: D/ U
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
& M9 f8 j: n$ |2 i! `. \: O/ X| ├──2--梯度下降法 $ u: P/ h8 N# k- J9 e
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M5 V) G4 d2 z: ?; C/ d
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M5 ?) V, f7 i5 s
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
1 A$ w/ _. |( Y$ `7 E5 ~7 P4 c* r| | ├──12-代码实现随机梯度下降 .mp4 26.67M* M% ?" C6 l; J3 Z+ P: J" A
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
. F* Z6 p0 z4 Y- b' p4 ]| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
0 [9 g) A: t4 i4 U! o$ F| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M; b$ x6 `+ [# r9 I) V& D& q- ?
| | ├──2-梯度下降法公式 .mp4 57.12M
1 x1 W, ^0 ^$ L k| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M- v4 w0 p# k5 V, J9 D. H
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
/ |, R, M9 D2 y+ C( \5 g7 l: i( |5 @; }| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
8 W+ A) A- P% k| | ├──6-全量梯度下降 .mp4 62.84M
$ ~4 j& Q& p( D9 s3 a% }| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M O6 R6 M8 \: c1 ]# W! j
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
1 P" c1 N( D8 C| | └──9-轮次和批次 .mp4 45.22M
- @4 {' n m2 Y1 m7 p* S| ├──3--归一化
# r& A" z9 v" H, Z5 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, n$ \8 n1 J# E- H" J% z, J
| | ├──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
- e6 `" g% S. X% B0 P| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
1 {8 m% {# _9 ?0 c) o+ @| | ├──4-最大值最小值归一化 .mp4 24.87M7 t+ A# K& O& z8 G# n$ m
| | ├──5-标准归一化 .mp4 51.86M
! [) q; U: ?7 C| | └──6-代码完成标准归一化 .mp4 41.13M
6 ^' q1 \7 q% T5 X9 S; V; o5 k| ├──4--正则化
. O: M6 R" z% }; O2 b( l7 y| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
& I& g" o, E K4 P& x| | ├──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( L$ H0 j/ m) P8 |
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M: r! a. [5 ?/ v+ O
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M. Y8 H: ~, `7 Y$ @- w# w: ~9 h5 c
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M; h5 u2 W" h- Z$ g& P' F7 N
| └──5--Lasso回归_Ridge回归_多项式回归 ; j2 z( W/ \; \ p7 }- H, w5 R+ D( d
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
( _6 g9 I( Q& Z7 ?| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M) u0 m. Y Z" m8 c
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M* D$ b( t+ o" z+ s2 Q! i
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M" j/ t [# y; b
| | ├──2-代码调用Lasso回归 .mp4 28.73M
& [! [/ P! A4 r, l| | ├──3-代码调用ElasticNet回归 .mp4 53.67M3 z! ~0 l8 U: _+ s S
| | ├──4-升维的意义_多项式回归 .mp4 48.06M3 Y; b7 g+ `/ Y* Q3 T
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M$ v* X' K. v! q7 Z; H
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
5 {( Q: e( R$ g3 T I6 Q& n| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M2 x* U. j. M% ~- y
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M7 }( T7 H* s. J0 e& V2 u5 \
| | └──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
" j2 b" z9 _ X& |├──6--机器学习-线性分类
, P/ Q) t8 W5 v, B; Z- J| ├──1--逻辑回归
d& G# ` o: |3 {& n| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M6 ^3 K: h- H8 ~3 I0 i6 y8 H
| | ├──10-绘制逻辑回归损失函数_探索两个参数和损失函数变换关系 .mp4 39.83M
^, |! t, H( d0 C| | ├──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& T+ J1 j* |7 n, r' {6 d
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
# O% M$ I1 \% D% Y- 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
% G0 |( w3 M, K0 a| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M A9 Y% F7 I1 A
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M6 k" _" F! V- u# M/ h6 Z5 a0 Q
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M) X' l" o2 u" }: {7 u- Q
| | ├──2-sigmoid函数作用 .mp4 38.15M
" _+ l( w1 P% X; A4 ]2 X# r8 j, R| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
6 {5 S& C% l% K| | ├──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
$ Q# d- I- U. A| | ├──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
$ q0 l% t f- [2 s. \| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
6 C% i3 [. j$ d( z| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
, H$ F: j* F( s5 _' m9 c0 y| | ├──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 56.56M6 Z3 ?6 @3 N9 B% {1 u) |/ e
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M
r& E; t* V) y( ~. z| ├──2--Softmax回归 , G N9 {- [* [! }0 \4 A
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M$ g1 f- q& K) |5 }
| | ├──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 42.74M0 |& |* ~2 ?( W6 u$ ^ ~
| | ├──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: s! \& g, P. U3 ?
| | ├──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
$ K# W$ ~8 E/ t, E( _| | ├──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
5 P, ~3 T# U R1 i' @% `5 K| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
: \) Q* Y3 d! _| | ├──3-有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本 .mp4 33.42M% w8 A5 _ p3 b- E1 q( ~) Y
| | ├──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
r; ^4 N; Y- |1 J: Q| | ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性 .mp4 13.92M0 {( U' h; T% f1 q, X% N
| | ├──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
# Q$ M9 q4 S# i| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M! ~* r% o. q' C$ y& \ i' m
| | ├──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
5 g" X; m" Z! [! I% R J| | └──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
$ |. X/ B, H: G5 Q/ |2 F( T| ├──3--SVM支持向量机算法 , H: w1 g+ G) h+ |! c
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M/ b; X" o5 {3 v3 ^+ A
| | ├──2-SVM的思想 .mp4 55.56M
6 [0 V" [& a+ k9 G* D| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
* D$ c' H2 T2 e& R| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M* } D; A* J" |' P9 ^' T
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M6 {1 y6 Q; K! F7 ] i
| | ├──6-总结硬间隔SVM .mp4 39.01M
; `: w" J7 U& M3 T6 z/ z4 w4 s! Y* } ?| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
' A3 e7 @1 L& g1 B| | ├──8-非线性SVM .mp4 54.43M
, T7 t6 K- }" Z$ V1 S5 N5 R3 {! M3 L/ z| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
# J* y8 x" R, S1 || └──4--SMO优化算法
; t' Z& @% I& |0 _% F0 O" D| | ├──1-SVM算法流程总结 .mp4 58.36M4 K8 w1 ]3 J( P' l: L7 Q' C% Y3 e3 p
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
( }+ q( v ]6 j J% t0 @ k| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M R; k9 H+ P* b' O6 C
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
+ y# q6 |" Y- z8 @/ {2 z6 N- a| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
) O& W& K' y z9 b% J| | ├──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, t( Z1 M" W6 E2 V
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M: K( j( W B; n
| | ├──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 65.42M1 P7 |9 d2 U: h: 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
3 i$ c( M- w$ W, _| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M3 I5 S4 |+ S: B& g4 S9 e" T
| | ├──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 92.38M2 Y; T5 ~' d* N+ A# l- k# h; K4 G
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
) U0 t6 U5 w0 t! `, H$ q| | ├──7-启发式选择两个α .mp4 23.11M
5 [4 g3 M! a H% ?- i1 w, `& T8 j| | ├──8-如何计算阈值b .mp4 50.18M
/ M2 q3 @+ D+ _0 C0 c3 r, g| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M9 Y* m5 A) u; A' ?
├──7--机器学习-无监督学习
9 }1 |" T7 x# d t0 {+ K| ├──1--聚类系列算法
# Z, q7 I- k+ w- V, ]& A| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M+ V* C$ F6 r) c/ Z3 z
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
! U0 Z4 g/ g5 a) ]- ], k1 O| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M4 m3 w, H' r/ ~0 w% S2 w
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M. @: N5 c {+ G# c9 N6 v
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
2 |5 T) K/ A6 G- O7 Q9 _| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
# {, k4 p/ H0 t3 b W' J| ├──2--EM算法和GMM高斯混合模型 % p0 u6 [0 _# v7 S' g' J! i
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
) p- f3 a+ x; W/ w S$ h, f| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M' t( w- M8 v* v6 S
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M3 q4 z7 Q+ R) ^5 _5 w4 T9 a
| | ├──4-Jensen不等式的应用 .mp4 109.17M
$ B$ j; D( ]; N6 j7 |. D| | ├──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+ W) i% O {: U3 H
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
) y; e; z$ R% W7 s, s& F) v# A| | ├──7-GMM前景背景分离 .mp4 16.01M0 L% m& A3 H, k5 z' E; J
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M. B% | [4 q2 U! L! f2 I2 \" ~
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
% ~4 C3 P% ]& F" n| └──3--PCA降维算法 , I$ |* j5 M/ {% B
| | ├──1-特征选择与特征映射 .mp4 49.38M
3 k1 X' s, G6 b s7 q& i1 S| | ├──2-PCA的最大投影方差思路 .mp4 186.75M' j! Z# _. y) j9 Q U& s
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
3 u6 M. i/ X) y( m: R- X# o| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
- s: }4 d& C/ r. W| | └──5-PCA的几种应用 .mp4 54.58M
' X' S7 K9 @+ ^' X/ @& p├──8--机器学习-决策树系列 1 D2 S" x8 B! ?$ \; g
| ├──1--决策树 ) F+ H+ h+ G# o9 z
| | ├──1-决策树模型的特点 .mp4 74.88M
$ V9 C4 x+ }2 P7 W0 K| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M! T+ w: @0 f: H
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M; g2 [) B( z" i7 \1 A: U7 c# {
| | ├──12-后剪枝的意义 .mp4 50.49M0 {& n9 Y: X6 K
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
$ h! c& j" D, J2 }$ O+ [8 W| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
, ]+ u$ [. M1 g* ]" ?| | ├──2-决策树的数学表达 .mp4 89.94M
+ l! j" \% U$ \3 o. Z, X9 }' f/ ^| | ├──3-如何构建一颗决策树 .mp4 84.87M
) s8 l0 y1 x4 l0 r* x# u| | ├──4-什么是更好的一次划分 .mp4 57.02M
) N( Z4 O- w9 m3 p0 w| | ├──5-Gini系数 .mp4 107.54M
" U* p* K! r* ^! ^; y" _| | ├──6-信息增益 .mp4 75.26M# y- ?: q% d$ ?7 \& P2 \
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M3 l3 ]0 m5 w3 w( J' e7 `% D3 k
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
( o4 Q5 `" L* R* q9 g' D+ q| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M$ ]5 Q2 C; j5 {- _! i7 B
| ├──2--集成学习和随机森林 ]. t2 t* H. W# }
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M: u% z9 _" i; R0 C6 p1 I1 R- G
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M0 a+ l2 V3 i0 Q0 @. z i, l* y
| | ├──3-随机森林 .mp4 108.14M
5 ^+ k: ^, q; { {: O| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M1 d& J3 e, A; z/ \* {8 o
| | ├──5-OOB袋外数据 .mp4 106.07M6 q# l9 ?9 U9 \9 P6 ^( Z' H: w
| | ├──6-Adaboost算法思路 .mp4 106.30M
7 U1 g+ q$ n: k) K/ k| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M: z% H6 U# m/ C" N. b
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M1 V6 Y) @/ X, u; h3 B) a$ }
| ├──3--GBDT
8 O' y1 V( ^1 I| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M
0 z2 G, W6 s0 U: S& j' I* _| | ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度 .mp4 72.09M5 x' ~% @* z. W. J& }9 h' O
| | ├──11-GBDT多分类流程 .mp4 73.80M6 `5 T! m5 j7 K# ~7 m1 |( ~# G
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
4 Z' d0 X6 W: x* h$ H1 l) ~0 N| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M, D- c" ?( A" K: z, g0 {- E
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
4 Y0 z) [7 c2 d| | ├──15-GBDT二分类举例详解 .mp4 86.67M
8 c" f$ F, ^0 _: i) h( Q3 D; f- e| | ├──16-GBDT多分类举例详解 .mp4 91.71M5 W6 q7 z5 @3 i* N- A8 m
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M' G" P! u l5 {5 g" e) Z
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M7 B; t9 e- Y0 N1 e3 {1 j
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
( s, M8 c7 ^& M9 L| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
" P+ K9 k' d& J b2 P- C) c; V! k| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
, R n1 o6 C8 \1 Y| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M4 r2 l& S0 y1 x8 p
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
. C4 P$ k2 t$ r| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
" J" J" S$ y" ?| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M0 j" h- v; Y+ B: z
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
# n3 N z. ]/ P) s, e0 ^ m3 V4 || | ├──5-GBDT回归举例_总结 .mp4 108.52M9 N* }% s. o: N7 G( Y
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M8 o% Q6 E' ]6 ?# |3 N
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M7 W# G. G9 Q3 B1 q) `8 P
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
) r2 P+ T: R7 ]9 W8 R2 {" M8 F0 n| | └──9-GBDT应用于多分类任务 .mp4 73.34M5 ?% h, [, ]3 g5 }$ f3 o
| └──4--XGBoost ' a7 R' R2 v2 B* B5 h1 A
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M, N$ H$ k: ?* s- U& o% _. V$ \
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M% G/ o4 C, U/ L7 Q+ T1 o G4 j
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
+ ]) i) C, d% W' X| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
' s& R6 u! p$ n/ P A& ~| | ├──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
6 Z9 j7 T; a y0 c8 c| | ├──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
0 O( J. Y8 y" Q$ W| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M$ O5 ~! w+ n$ x0 q! ], M0 R, w
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
6 E* Q$ c/ l: ?1 l| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M* t0 y2 m9 i+ Q/ k2 r
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
/ G* j% B5 x) ]" U5 i& l& K) W- R) B| | ├──3-基于树集成学习4个优点 .mp4 91.36M' N/ P; X5 {$ B. A6 h
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
' n \5 G' O a( B; J9 B| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M; d4 P% j T! r- V0 g2 @/ R. V* d
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
( \$ f! v8 y% H% k6 P% N; J7 y6 j$ I| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M0 X% O/ R6 l$ j* ]
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
! c" U: I D! W) I| | └──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" [- r- W: g7 b' U# c
├──9--机器学习-概率图模型
) g' w; ^3 o. f& ^| ├──1--贝叶斯分类
) \" b# x% C2 I( T T+ ]4 `" }7 y| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M! k7 B8 k! E2 Y
| | ├──2-TF-IDF .mp4 53.08M
# o3 H: z8 g, Y! [| | ├──3-NB代码实现解析 .mp4 126.73M
# z, h6 b5 y1 c! r* j: Q| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M( O' T2 N0 E9 }
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M! g: Z, I$ G& I8 O/ F( G
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M2 i8 H. }5 S% Y& _% f
| ├──2--HMM算法 ! ?# a7 Y% G/ q j' P# z
| | ├──1-HMM隐马的定义 .mp4 36.82M' |8 v/ {- a" q
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M( n4 O7 B. b5 h' n5 R7 x
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M- r& _' l& k5 p% ]; x8 b
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M% R% L, m& `7 \' _3 p
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M. K9 [: a8 W$ t0 {0 f
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
& m: X0 t- `8 N; d. t| | ├──7-Viterbi算法案例详解 .mp4 107.12M
. m/ m* o' u# ~5 f+ q+ `| | └──8-Viterbi算法代码实现 .mp4 42.43M i2 `6 _9 h8 D, _; m j. l
| └──3--CRF算法
! H" p7 ]) E- k" N; I4 O| | ├──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: q# a6 \+ [: e1 M
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
# _) B. ^; @7 g9 Z `& I| | ├──3-了解CRF层添加的好处 .mp4 105.90M
2 m; x7 X* _* D| | ├──4-EmissionScore_TransitionScore .mp4 61.33M2 ?! [ n0 v" _/ p ~& q% A
| | ├──5-CRF的目标函数 .mp4 23.74M
1 J+ c* @# \' ^| | ├──6-计算CRF真实路径的分数 .mp4 50.37M2 |) V! n: B8 h9 n
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
. k/ f: V% K, [* D7 H% z| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M: S( T+ R3 B7 R3 k
└──课件.zip 2.54kb' `! i+ |+ _! {& o y
2 |, }1 v- {) R; w2 @, K ^( g( O: W; ~4 N
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！+ W7 |. D7 G; ]
/ z- ^( @0 b+ c; m
6 d/ ?, I6 M% a- k
|
/1 
