战-人工智能2022/7 j5 \# q1 n0 b/ q& \
├──1--人工智能基础-快速入门
|3 E5 c$ L7 ?% O2 ?6 N/ Y- P' u5 o| ├──1--人工智能就业、薪资、各行业应用 3 O& a3 r6 ]+ M
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
1 w7 j1 J* i# Z! v3 _/ _9 y| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
9 V; Y; i# [+ @; s+ z| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
4 E O) N @4 R0 {3 G! P# [, v8 Y| | └──4-人工智能在各领域的应用 .mp4 57.73M4 _3 F& d9 U5 j" I8 J: k) T+ y
| └──2--机器学习和深度学习、有监督和无监督 ; f" ?6 ]( O8 t: X4 y/ a7 [
| | ├──1-人工智能常见流程 .mp4 89.62M
, G; j8 a9 G$ a7 }6 t" A# z| | ├──2-机器学习不同的学习方式 .mp4 83.51M4 O5 Y* ^% J6 u5 N/ }( P& H
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M7 B2 l4 s* n' q( ~0 l2 L S" r
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
9 [ G+ N4 K2 g* D8 n| | └──5-无监督机器学习任务与本质 .mp4 50.15M
% z0 S! V: R# ~0 X: y├──10--机器学习与大数据-Kaggle竞赛实战 + _% [$ ~* R+ N3 F5 _
| ├──1--药店销量预测案例 + J) {' Z" ?) d) N# a7 \
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M( ^2 w1 D* L2 |
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
- G0 A- Q/ Y4 A+ f9 c F| | ├──3-自定义损失函数 .mp4 21.12M( c, Y3 d3 v# j
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M+ `( U2 v. r4 ^ X( V, {
| | ├──5-数据的预处理 .mp4 111.81M2 O5 C, M5 J; o- b; C: i
| | ├──6-模型的训练_评估 .mp4 66.64M
# {9 j7 E( o" B D8 P+ @" _- r| | └──7-kaggle竞赛网站学习 .mp4 172.16M
( E# z; @* [1 b0 _0 }1 I| └──2--网页分类案例 % u( ]4 n" A& y0 U8 I
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M* M" j# f: o+ W# z
| | ├──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 f5 X; D3 D7 o' U" e" m8 h0 D
| | ├──11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03 .mp4 68.80M
0 }! H+ U2 q8 P; C# }( {( M| | ├──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 74.74M4 L) }6 W9 x. G4 G! Z
| | ├──2-评估指标ROC和AUC .mp4 56.19M
f ^/ k- P6 y9 I7 M$ r+ U| | ├──3-评估指标ROC和AUC .mp4 49.03M7 g+ ^+ @/ h4 C/ z+ |
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M N Z+ \9 ~# s, D3 ]) Y, c/ W
| | ├──5-数据导入 .mp4 68.41M0 W) k( S3 W" ~6 K7 Z" }9 w5 O
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
1 _; J+ [0 w8 T1 L0 I4 ]0 L| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
5 r* N4 v4 Q. v& f/ D9 y| | ├──8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数 .mp4 62.48M
# d' T' ~! g6 j* B( Q| | └──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! [7 S' H1 i8 L, S* b4 h6 B
├──11--机器学习与大数据-海量数据挖掘工具 . r. L) U! P; A( T: p
| ├──1--Spark计算框架基础 # E& n9 K% ^2 W3 S, j) {2 W, ]% O
| | ├──1-Spark特性_01 .mp4 41.68M
, N, b0 D0 B( I* F, b9 @' u| | ├──10-分布式计算所需进程 .mp4 26.30M
9 A; g( W2 U U( ~- z3 `" A| | ├──11-两种算子操作本质区别 .mp4 56.31M! m$ \! P9 W* k$ c! }/ v1 ]
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M& m; m, E. F+ ^" W5 {/ f
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M) E: ?+ d3 T/ t: N4 b$ h5 ~
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
" b, U( q. Y4 f4 z! H/ \, }! `. q| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M2 }; E+ q* Z% M1 m. M: J
| | ├──2-Spark特性_02 .mp4 35.15M6 i2 V* F4 _# {2 W8 e" ~
| | ├──3-Spark对比hadoop优势 .mp4 19.34M6 N1 `7 H# U1 @# o L
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M% M) @# w7 d0 P4 M' a6 n( _; v
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M! }+ B2 P/ J d; \8 W: b1 l
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M* s8 x, A& q& L9 B6 m: y2 X
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
" l8 I2 a% `% W2 D$ K) H$ h- h| | ├──8-Spark的RDD特性_01 .mp4 33.08M
# Y( c; I( R; k m1 Y| | └──9-Spark的RDD特性_02 .mp4 33.41M+ \" z7 L3 W4 j5 P: ?; r6 t6 U
| ├──2--Spark计算框架深入
4 F& u" k. k* {6 o) }7 u| | ├──1-Spark数据缓存机制 .mp4 54.43M z8 w$ F1 w( m4 I3 N
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M) A6 w" M, `4 ? [ r/ x' R$ w( B
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M. _2 g% p6 V" x% ]# e1 \
| | ├──12-构建LabeledPoint .mp4 111.08M
% E) u$ e4 K0 P) h| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
& d- n9 l7 Q* `| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M" j$ ?. R. Q& z/ D+ B* z0 [4 c
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
* S- C4 q. c8 }8 ^: p# S| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M9 f/ t. R! h* g2 u' ], L& C4 M) p
| | ├──5-Spark术语总结 .mp4 89.66M
3 g5 ]0 T$ d; R3 C8 S7 } x| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M2 v/ ~# A" v& H+ ?3 K) i$ m6 a
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
/ c7 O; D6 g: L/ D! [$ [| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M9 P3 @0 s9 K2 U8 z* Z
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M% e) E+ i; ^* C/ i
| └──3--Spark机器学习MLlib和ML模块
$ ^1 Q- M* ?" i/ B| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
" y$ P; m3 d* {| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M8 c% W J% r7 J6 O& I+ Y
| | ├──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
# e5 u u @, }| | ├──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
$ t- d8 }2 `/ h9 n# m| | ├──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' j" s5 ~( G3 E+ r; m) \, k6 l
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M1 {# V. \# q+ [) z
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
7 d3 V) b2 o% n( v7 v| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
6 l$ L. M4 m, n& V& s| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M# T, O' ^4 j7 B' Q9 i' R4 a
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M% [0 C% c7 a" ?9 I- K+ s: w
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M3 {$ f. Z6 M9 t' A* m0 M
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
- ?" {& @" E$ f/ T2 \" s2 C| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M3 [/ t) a3 g3 g" O/ ]
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M+ w% l' w7 u& @( V7 w8 ]) |0 \- e
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M8 f! D4 @5 p6 \
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
* e2 ]! v7 y4 E: @' u7 t| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
* i; j6 ~; V% ~0 I4 W' y! r| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M8 H1 i t4 @4 d
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M+ V5 D$ J- n6 K5 [
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M2 L( K. ]: W7 i
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
0 ]5 C8 D* x& U' g8 f| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M5 @- m8 H. U$ C! C9 d6 T2 g1 g
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M b1 ^* Y! h) W0 j
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M3 K$ a. e* j" L( h" |: G8 e, |5 D
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
3 Z$ t2 N6 V6 V8 a3 R, O| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
x7 B% h0 R/ a0 p2 x├──12--机器学习与大数据-推荐系统项目实战
' T, f/ b) _8 K8 J, Q| ├──1--推荐系统--流程与架构
! ~' e+ @1 S" E% n! H' Y Y| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
& z/ A" G6 k' F( e( c, U& }| | ├──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 E7 M! M5 r0 |4 m8 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" L1 ^+ T: r* `8 r" i
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
: D N* I: i/ B& t+ ^9 a| | ├──13-推荐系统_数据源_2 .mp4 82.90M% ~, N% o) H1 y- d9 z$ P$ b0 m( F
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M3 C$ i: s K6 K- l
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M, h) a6 N; q$ h
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
" D( f# c* g. U1 F' k0 k| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
: ?- C4 Z& j% Q* v v9 C' u& K; k2 H| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M- d6 n, D+ P+ E
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
1 D0 ?- Q O* w| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M9 O' d% @1 B9 t* ?$ j5 p! x! H
| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M5 H" U( y5 a4 B0 C. P1 Q0 Z
| ├──2--推荐系统--数据预处理和模型构建评估实战
6 B; q7 \3 o2 w' G" N( Z| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M5 L# ]" y+ _ V7 W8 z; u l
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
* m9 i3 s0 `7 ?| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M7 ?) `* H$ r! U! a0 R
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
) X. f: P6 Y6 {/ {" R. ^| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
+ ~! }1 y& _1 |7 [" R| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
' j" }( M, d9 _( `: d| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M* v& ?' O/ v. g" _- [: U1 Z
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
. w5 V1 b' ~: C| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
# A. M) W3 a" d4 h) L& `| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
8 [) D4 A. i' z| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M, r- z( Q) U% ^% [& N
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M' K$ x/ X8 u: B! l
| └──3--推荐系统--模型使用和推荐服务 2 O) v) p2 v* I! K, H% Y
| | ├──1-推荐模型文件使用思路 .mp4 61.89M: ?/ f, T) c" z5 d% s; `1 ^
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M) v+ d2 N# S8 ^: K' C
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M. v7 b- b$ C7 J0 Z) N8 {% f
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M8 \1 b7 n, z* |) ~5 w& o
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
. e5 s& ?; @. E| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
& Q h6 I0 {: A. i. \5 c| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
/ H, Y8 c4 a, x0 [/ ?/ n' F| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M3 d1 u/ p c# E$ C: {
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M+ Q( V: [1 H$ Q! t @
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
+ m6 y) G- ^# t2 h4 s5 |" T| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
: O6 E" E; P' D$ t; J" q7 z| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M; ]# u3 B) C% b
├──13--深度学习-原理和进阶 0 L P! }' d6 c% e/ C' O8 J
| ├──1--神经网络算法 0 L5 T" N2 s0 ~" g, t; B# V
| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M8 e3 P7 ]" i; c
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M6 _& H+ @) A+ I3 m
| | ├──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) ^( a- \% ~9 M! Y, r
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
3 \& A! e |& h| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M1 W/ y- t T1 i1 Y& @, [' ~
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M6 g4 M: `8 Z. v
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M. k) J) F# S& V" p4 g, [
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M0 \: T0 ~" O, u* y7 @
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
5 [. [" L a2 h+ e h4 l2 ?6 s| ├──2--TensorFlow深度学习工具 * d" Z6 P6 Y+ q" D# [7 e
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
6 j9 a0 J( }! M o9 z| | ├──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 V' Z6 V6 Z0 o! U
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M. E! r3 F5 x2 P6 Z2 `7 E G
| | ├──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 173.47M3 p0 _- D" P+ Y
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M) }8 @/ x9 @* _1 J% y4 B. L+ M
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M2 L: o, b1 q( c
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M9 F5 G! L7 ]5 ~6 O t
| └──3--反向传播推导_Python代码实现神经网络
0 B3 T+ z$ [, g" D, r, s' l$ R; g/ c0 }| | ├──1-反向传播_链式求导法则 .mp4 86.47M" S; @0 ~$ S8 j
| | ├──2-反向传播推导(一) .mp4 127.90M
$ }5 D+ N2 S' Y" V, W) r& |4 f| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
1 _' e+ n8 J0 A5 u% ~5 D1 v/ K| | ├──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# N2 C) o2 | y L X+ R g% C
| | ├──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
- V) e+ K/ `4 j| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M$ s* `6 F$ e* @- }# g; v+ `' S
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M& h' J7 k, ^' W C8 |9 V7 H7 r
├──14--深度学习-图像识别原理
7 P) A4 E) v4 i& n2 C8 m% _| ├──1--卷积神经网络原理 6 |- U6 N, ]* Z" b
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
4 B' K. B# A, S7 D" c| | ├──2-单通道卷积的计算 .mp4 104.01M
% A9 H& M+ Y3 o C' [4 K: || | ├──3-彩色图片卷积的计算 .mp4 52.79M9 e! H: @/ L4 _' l/ O7 z& B: m
| | ├──4-卷积层权值共享 .mp4 63.93M4 O3 z2 S2 u: B8 e( F
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M$ y6 w; i* I: m; x
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
- t+ f' V: l, A| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M5 ~5 p2 G, K5 t' I a( l
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
" `" ^: b( h2 L& d| ├──2--卷积神经网络优化
# P* ^1 B! s, \. P| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
" {6 d8 o% m; Q( ^' r! |- N+ k8 Y| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
8 S6 M5 d& s% E4 D, J& p| | ├──11-Optimizer_Adam .mp4 141.12M
% |4 R) C/ W% b" ^0 `* t| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
% w. Y" I- R3 d/ P1 G! J; Q/ l| | ├──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
) L" K2 ]' L6 O/ R- ?| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M" I( u9 [2 | F/ J& f9 d9 J4 z. n
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M" O5 t' e- B1 W& g: c
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M6 R2 h3 Y7 w% {
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M5 F6 ]& c" R B( E G1 O$ X9 r; [
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M# h/ g# N* w" x0 t
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M! R' T! n B* k) f4 `) J
| ├──3--经典卷积网络算法 $ V9 g8 V/ W: I# t
| | ├──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$ R N& \8 ~. o& H2 w' t# a
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
; u( D) X. c8 f; [- {9 Y/ N2 L| | ├──3-InceptionV1_V2 .mp4 165.86M. |' P: R6 E: S5 n2 H+ e
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
( n" i$ z4 l. u7 Z) m| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M4 E" ]8 V; m5 a' m3 w, q
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
# L9 C5 t3 B. h" a| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M1 `5 M2 r7 N8 a
| | ├──8-BatchNormalization .mp4 99.23M3 D- ?0 x1 b) q- h
| | └──9-Mobilenet网络架构 .mp4 150.05M
# t. w$ v1 Y1 t! Z1 ?: }# K; Z| ├──4--古典目标检测 $ m* s1 l7 B$ h2 P, V$ W
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
% o/ n' ^& J; n! g$ S! s3 f| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
( V% H* z: L8 ^# _6 f% E. M| | ├──3-IOU以及python计算的代码 .mp4 23.56M" D% M: f, I) h) e- [6 f- L$ F d& }
| | ├──4-R-CNN和SPP-net .mp4 124.06M
) C" ^2 e: ]2 J| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M. T$ l7 B8 Y( ]
| └──5--现代目标检测之FasterRCNN
% W$ V- q% f( _$ @: N2 z f) }4 _| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
! t) l4 _7 N0 q* S- D, z, ]( w| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M* k, ]! V# k4 w3 [( x
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M0 @! }1 q& L. a' C( Y
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M) ?' c# @ U0 p! G7 K
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
" i; o! t8 A' P: x0 _7 L# t8 L├──15--深度学习-图像识别项目实战 2 N& x+ k$ a- w2 i6 S
| ├──1--车牌识别
' _) H$ S* i4 c. x# h) B| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M7 }1 D9 {5 x5 I& C: N Q" N' B
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M' ^/ o' G/ {) u
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M1 _& D( l9 }0 q/ Q8 l9 D) ?
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M/ V! p) V0 [7 ]2 b9 W
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M; q- S5 l9 Z: |- C
| ├──2--自然场景下的目标检测及源码分析 ) x7 F. O7 ~7 q, { c
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M, _# f, D0 U6 q5 S% \8 H
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M# I4 W6 T9 ?0 u% V% ^. Q& H
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M7 i5 o4 q3 q3 |. {6 n% L
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
7 o. G6 [; N; ?) P. w2 I5 u5 L| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
6 t( {9 F2 e' M }% ?' ^| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
' a2 R3 D+ q' P( ~ e8 w' p2 ~| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
& \9 K) B: M! [& c6 P8 O2 i| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
9 f% G* N3 B. @3 t& a* h& K| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
3 p! R( C' I( k| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M S5 J: m- M2 }, r6 Z1 C9 w- |7 u
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M. F+ V3 ~9 l; \% Y
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M- E* }! U+ a* x: S3 B" M2 }3 S
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M& X B/ \6 Y& o8 z1 t
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M b1 a1 e! s8 O4 v/ W' c0 R W% K% l
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
! g O& b4 C% O& n- }+ ^% q| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
, f' m) u9 e9 I2 h% \| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
4 n4 ~1 a# ]7 e* w; C3 s5 O1 I5 s| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
. x( m. }' O6 f5 `| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M( Q" f Z e) H0 @
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M# W8 W0 h$ Z. ]6 h4 x. T# L5 v
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M2 N' q U5 o8 u1 A/ @, N5 _
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M: ~8 }* }* h& {
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M9 |$ g" v3 X( H" {$ }
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
4 P& y* ]( ?9 _; d: C| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M& B! t# X/ e$ E. i( q
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M0 Q& ? {. T& d( L3 j3 y% w- H
| └──3--图像风格迁移
?% z. a3 q' \, o5 k) Q| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M) `; Z; f9 V) e0 O! [" q
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M7 L+ ^2 X% n1 a/ x2 H
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
% w( E8 s) g, F8 z9 p| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M" w& b- n) H- K5 [- t* X$ W
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 7 F: h3 h- f$ {5 W$ x- e7 v
| ├──1--YOLOv1详解
( ^* u9 N3 W: ~! d' J3 k| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M/ E6 C. O1 e+ @! K: Z, y
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M% b% ?: x! h' M3 w, G
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M2 V; |/ W' |5 H* p- R$ e! b: Z
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M& H; Y# U" L+ v9 R+ ?) f% Y* ^
| ├──2--YOLOv2详解
0 T+ S& v- x3 z, u8 C' B g+ j8 R| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M6 J( a' \: z. S6 W8 K. M# `
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
7 k) J5 S# U& q& V& \$ @| | ├──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" I3 t& d- K& ?0 p. Z4 }
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
2 u. i$ J$ _0 A8 E6 U| ├──3--YOLOv3详解
; Y& {; w }+ k: [: H/ |* G! c| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
7 T9 l4 T& C' u| | ├──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/ P6 J+ `7 `5 Q
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
; T0 K' t( ~; X0 r8 [7 T9 D$ K6 p0 P| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M1 h0 V. }: S) a; m/ q
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
- _; A: _% f" B. H, A2 n, ~| ├──4--YOLOv3代码实战 8 r# P8 s3 M! u) ^) ]. P1 S
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M; |5 U: g* z/ h& S+ N
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
+ {2 g7 z- Y: U! Q& _0 O| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
, P* y3 H4 L& G' a2 V| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M3 V4 w- z% D. S7 c! N. s( `0 M6 `
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
- z+ n8 i5 f5 o| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
3 t3 x3 P5 Z# h, B' U| └──5--YOLOv4详解
( P3 |5 W! {: ]" W, H% Y| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M8 Z1 t- l4 l% g/ M( `6 Q/ C2 s) ]
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M- O: W" ?" f8 Z7 v) p
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M' u6 _2 Y- O" C) U/ b* N, d! T
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M2 s) i* d3 K) X# L' o$ z F
├──17--深度学习-语义分割原理和实战 , B, _, t$ {+ g: h- T; l% w
| ├──1--上采样_双线性插值_转置卷积 " v( J& h1 D+ o. ~: `) r1 b
| | ├──1-前言 .mp4 19.46M
0 G4 @& v( D3 e" t/ t* R5 || | ├──2-上采样_repeat .mp4 23.90M
4 `" r9 v% ^) f. v# [# [| | ├──3-线性插值 .mp4 34.48M, n" D/ {3 `3 v* t0 v) E7 G7 P/ ]2 `
| | ├──4-双线性插值 .mp4 125.71M( t G( n. Z( N5 ^% o, R
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
7 T# h7 x" J& Y z+ ^ ^| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M5 O# i6 d' O/ h2 s4 T4 O# P
| | ├──7-ROI Align .mp4 58.38M/ a F0 f, w8 X0 \ M" r
| | ├──8-FPN思想与网络结构 .mp4 92.14M
3 W+ Z5 v5 _% D: ]% {. @9 S| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
" |$ b* t X" [7 o$ P/ x" L9 B| ├──2--医疗图像UNet语义分割
8 T1 M9 l& s9 J& z& s2 w2 }$ q$ w| | ├──1-语义分割的基本概念 .mp4 18.33M
, r( s* i3 ~4 \! i/ s: G1 x| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
& }! x2 ` @" p9 o) C; ]3 Y% e| | ├──3-UNet网络结构 .mp4 30.41M0 }* [+ E( Z) R/ K0 w( E2 v
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M) S! J5 m9 D* `+ q: c( o
| └──3--蒙版弹幕MaskRCNN语义分割 % u% r8 ~$ \, |9 x6 {" t5 W& w9 R
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
% m" G/ k( S% |0 y8 K| | ├──2-MaskRCNN的项目展示 .mp4 250.54M: v u5 h3 i* C* A! N0 D0 ]3 s
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M/ A0 ^+ G& Q: G8 e% l
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M! N* u% h: z2 N, S
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
: p- e, _- X/ ~" x$ {1 F$ M- H| | └──6-MaskRCNN源码config和model .mp4 244.48M/ v$ i! g- d; W
├──18--深度学习-人脸识别项目实战 2 t/ D. p; x# s& S% S$ L/ V) i
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
6 b% [' r- W3 m& c- r: l| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M( v# @ {1 v8 O* a0 z' u. |, S
| ├──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# k0 N4 u$ S( h- z! C' \- `
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
& c: D2 n9 {* Y6 {* l; H ~ q| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
0 p; {; [$ b/ h: P% e| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M, L+ e6 }0 d8 V/ W6 i) Q0 D
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
( e3 {0 ~. v! s y3 v- k8 N| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
9 j% v( S% y; d7 t- G. K' N| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
- C1 X2 P9 y5 I4 @$ h# r| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M* g- A. y0 E/ ]% H% D
| ├──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 z! N9 x; A0 G& f| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
8 k# E8 X4 v& }+ I( Q, }| ├──3-人脸识别项目代码整体结构 .mp4 30.40M7 x7 y" p2 E3 v2 E# T8 V/ s! ?3 Z
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
/ Z! P. B) d' c* D, |/ l* h| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
- \5 D: M; | m: |" C" ?# p| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M6 s2 l' W( f$ i1 U2 C9 C
| ├──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
( [6 k- p( {: @8 b; o| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
1 _% u0 Q. Y6 M, I/ b; B| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
R1 A: t8 D0 n& a0 v. o( P├──19--深度学习-NLP自然语言处理原理和进阶
. T! p3 K! s2 g: v" l| ├──1--词向量与词嵌入
+ C' y6 N9 L* ?" [; X( b V| | ├──1-N-gram语言模型 .mp4 116.32M
- ]) ~) C3 v1 v| | ├──2-NPLM神经网络语言模型 .mp4 155.81M1 u& e3 V. c) l6 _2 x/ d
| | ├──3-词向量的作用 .mp4 58.00M
: U: H( o1 p/ X o0 [- W| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
7 `( W1 G" y7 ^& f5 E! P6 P+ s| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
1 R. V3 u# B# x- D5 w( j| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M9 m& p' u" r% E7 D3 c( N- q8 f3 u
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
, H y& p6 o! K. g: U| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M- H) a: [5 t F( E4 r t& A
| ├──2--循环神经网络原理与优化
% L: [8 e1 r( N( F. f% M9 e| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M" u t+ D* G% f+ j- X
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
* |% k' M$ M% b) Y) P9 h| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
4 F+ e$ y$ D2 ]: p6 J) c5 f| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
$ R7 S4 T& w) m _ _| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
! s; Q, W# {3 D& @; o5 R1 j| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M P0 y, E$ z {, @, ?3 d' S: ]# s
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
/ w- G) A/ g9 z! b( ?# g| | ├──8-双向RNN_LSTM .mp4 52.01M
0 p9 x9 l1 B3 T8 M, b! ~+ j| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
" n3 w4 y1 p. U' {3 D. f5 \! a, I| ├──3--从Attention机制到Transformer " W V- `; C, S- C
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M, W! n& T' w* [! R' l u
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
5 a* O; \% Q3 I' `$ H, W| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M! L1 ? t/ h+ }" D
| └──4--ELMO_BERT_GPT 4 ^3 ]$ ^' @1 |# _( w
| | ├──1-ELMO .mp4 62.44M/ q! S- \- d m2 b4 `
| | ├──2-BERT理论 .mp4 99.73M8 F/ w# m4 l# ?4 P+ U9 l* u
| | └──3-ERNIE_GPT .mp4 56.34M# k6 p+ y3 g8 o* t& |$ r
├──2--人工智能基础-Python基础
; E- f+ @7 g. ^ Z# V1 |7 [$ H| ├──1--Python开发环境搭建 / M8 J* M2 a+ A0 Z) B+ L
| | ├──1-下载Miniconda运行环境 .mp4 100.75M+ K6 d/ j" Z. i+ G% q- h
| | ├──2-Miniconda安装和测试 .mp4 57.12M& q/ p7 X2 B3 t; B# q
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
4 H9 l' K# L9 h) `1 t| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
. t. d! |) @ m& T7 B$ `| | ├──5-Jupyter常用快捷键 .mp4 32.23M }' E$ f. c. Q' H+ c( Y
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M. u/ s r( F! o2 g3 w4 G4 u# |3 `
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
) C( _" q+ e5 F: ^1 O| └──2--Python基础语法
- P. V4 {6 K1 s6 ?0 }6 g: r| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
& V( _" s! `. F! q+ |* W% |; I| | ├──10-Python_集合操作_列表 .mp4 34.71M/ ~9 P I! ~) P' r
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M4 b9 m% Q& Z) [2 [8 J1 S
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
* G2 ]6 O( S, W3 W/ N3 x( w| | ├──13-Python_集合操作_元组 .mp4 43.46M; l' W4 \6 G: F" ?5 e
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M O: h6 v5 {/ D& W6 w$ r! w8 L
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M, u+ g- Y* |" N' \0 t- h, Q2 K
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M1 @# _: j* L- h, J; a) ] w' |
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M$ C$ }, q, }7 C! c* k
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M0 ]* z4 C* O* { q: `
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M' k/ u/ g$ H9 a! r0 `1 r
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
2 |* t- I5 ^4 h: h! Y| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M$ R5 D; \2 t5 S$ f3 X. U! q
| | ├──21-Python_函数_递归 .mp4 23.46M
4 a+ Q& x; V: D0 m/ F: e# B& v| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M" o* c! e1 N' }/ h9 e C
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M# O1 W: y: i2 {
| | ├──24-Python_函数_闭包 .mp4 41.61M
& @: k# F4 Q3 ^& _| | ├──25-Python_函数_装饰器 .mp4 30.35M8 w3 y5 F; C; T- _& y) Q
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M1 d# W O# `5 k# x
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M3 Q5 B, R6 ]1 l* T/ S/ q# g8 \
| | ├──28-Python_类对象_内置方法 .mp4 29.17M# f* k! a3 K/ f, o
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M9 F! j- S* y2 u. \
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
. t5 k1 Y* L* \0 R' `| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
. ?& g" D. t1 W9 k| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
# o- t* T- g# Q9 ~| | ├──4-Python_控制语句_while循环 .mp4 25.02M
/ t E; J2 [+ m$ g: Q, I| | ├──5-Python_控制语句_for循环 .mp4 22.82M" i' L( a+ P4 N) _6 Z5 [4 ]
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
1 v4 c, D& w: v* g2 \; ?| | ├──7-Python_控制语句_break_continue .mp4 25.23M7 d$ J, G6 n1 G7 x5 i
| | ├──8-Python_切片操作 .mp4 40.20M
, M! t, z+ l* q. _, J6 Y* o| | └──9-Python_数据类型 .mp4 25.38M
/ w4 M; a8 ^7 e* b├──20--深度学习-NLP自然语言处理项目实战 3 m N0 Q' S* b1 B% S) c/ t
| ├──1--词向量
+ V; [7 ]! M1 y- U& I( L| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M; R, D( r: Z0 Q( N2 P! }
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M9 n& u. H0 Q( d5 H, O
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
' C' e8 ~% v; Q3 ]) k M; `$ Q| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M6 b* Y+ A T5 ^( p/ ?
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M( @0 A3 R8 t# C
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M6 ^4 [$ ?! d4 v$ x; _& J
| ├──2--自然语言处理--情感分析
, a2 R8 x8 x" [9 `+ M| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M- o6 L! t7 d9 i
| | ├──2-数据预处理_01 .mp4 79.65M, H% R. a2 M, o. p1 {4 r! I K
| | ├──3-数据预处理_02 .mp4 45.68M% s+ P5 h; r; z: @# E
| | ├──4-代码讲解_01 .mp4 52.29M2 D" K I3 v' I4 r& A& o$ W
| | ├──5-代码讲解_02 .mp4 60.85M* T+ n6 q5 v9 u2 g6 J2 u5 D- u
| | ├──6-代码讲解_03 .mp4 53.89M
V! U' ^2 @- |* Z3 R; f| | ├──7-代码讲解_04 .mp4 57.19M
; g. I- [( y6 C* ]% N- c| | └──8-代码讲解_05 .mp4 35.88M
" c) O. k0 l+ l) }| ├──3--AI写唐诗
5 O6 r; m& R# ?5 P- e" \| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M. w1 C* _0 T2 |' t! F
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M9 b+ l; r+ H4 [9 o! F# v8 G
| | ├──3-MultiRNNCell单元 .mp4 38.93M7 l( W' r. k. F8 f
| | ├──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
7 F5 d2 Z2 i$ E2 T* t, g| | ├──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
5 ~( j* `; |# V2 o| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M) p) R7 ?0 g( O# y2 O
| ├──4--Seq2Seq聊天机器人
$ s0 D" g$ H% V. p$ B| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
) ]0 Y7 z1 {1 x H6 a4 U| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
( p7 i, e$ H; z+ t& \& `% K| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M5 ^2 F! w' ~- q6 H3 Y
| ├──5--实战NER命名实体识别项目 $ Q* v! j: {2 o0 A r
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M$ g& ~# Q) z$ p: R) e+ _1 u! s
| | ├──2-介绍了代码目录结构 .mp4 23.44M* L! X- ]9 _8 }' A0 \# ^; m. S
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M( ^& G* l9 c5 C: Q8 M
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
' ]3 t5 \/ W8 U% r- }| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M) y& E- Z0 E3 O( |4 }9 W
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
' R+ m4 `2 T. t. ~; @2 s4 h| | ├──7-CRF中的特征函数们 .mp4 125.97M
. n- E( y1 t3 D5 a| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M% @5 f' H4 n- s4 d4 X6 l
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
" w+ O, p# C" k$ B- a* A| ├──6--BERT新浪新闻10分类项目 4 g- f/ c- U( q( b
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
* p/ P1 E0 i8 G2 f* [' U6 S/ Y+ D| └──7--GPT2聊天机器人
K& G( Q: l6 A7 z9 k$ o| | └──1-GPT2闲聊机器人 .mp4 62.28M; u" i0 r+ D) S' y7 J
├──21--深度学习-OCR文本识别
o+ Q% M9 E- C1 q' i3 _/ Q. K8 i| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
8 @- F' o- R$ n5 Y( U! B| ├──10-CRNN项目代码剖析 .mp4 306.48M: v8 s- a3 b. C% N
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
+ M1 s7 \6 E" V: r| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
% F; t! I6 H: f, ? o$ O| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
0 p$ i. U. N' h6 @) f. a| ├──5-CTC损失函数的理解 .mp4 330.64M$ j- T; T" E# X7 N
| ├──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; n7 q; {' O" y- z; v
| ├──7-CTC前向后向算法代码 .mp4 225.41M: i* s3 n" }7 w5 L4 b
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
0 U' p s4 P: D) m: s3 a| └──9-CPTN项目代码剖析 .mp4 491.69M
1 |: W9 B" X' c& Z6 @- Y├──24--【加课】Pytorch项目实战 # E3 o/ V6 T; P- f
| ├──1--PyTorch运行环境安装_运行环境测试 " f4 M: E' F8 V$ k- T7 W
| | ├──1-PyTorch概述 .mp4 29.29M
$ b4 S3 O( Q5 ?/ \( N| | ├──2-PyTorch的安装 .mp4 76.45M
& N0 ~8 u, E' j# N" K| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
8 [& M4 O9 i* p* e! r' l& v| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M: f- ?% p$ L4 N0 _9 k! E
| ├──2--PyTorch基础_Tensor张量运算 # y( L% }" S2 f0 A: m8 f+ d
| | ├──1-Tensor的创建 .mp4 55.14M
7 I$ O* w. r4 ?2 H| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M0 \: c% h" x: v# a6 c
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
8 j; F) m) }( N! O| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M/ j3 f* E3 j$ T8 B3 r
| ├──3--PyTorch卷积神经网络_实战CIFAR10 4 {8 @# [+ D B8 m6 t
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
/ f7 T# v5 m& Y3 V| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M( u, w$ x: b1 z8 N# r6 w
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M; o' u0 _* m: T5 y9 r+ t( U& b
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
G3 y2 c# o& G* Z8 U" u| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M% O) D; j7 ~$ i
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
3 D: g. s& {. P( M4 ~/ o| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M* p2 E! t; W/ v9 x) W, C
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
& y. C( ~+ X2 K$ O" a! v! a2 \| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
5 `4 F( `7 X& i/ W1 f| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M: e h9 O) r" ?* B2 u
| ├──4--PyTorch循环神经网络_词性标注 * j! y; e, ~0 b+ L: y# a
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M) ?2 p6 ^* ?. w
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
8 l5 H! `% P/ R7 Q1 @| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
0 r$ J6 [+ m) {# i- I| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M4 K- K1 G6 O8 L+ u9 X- }: n
| └──5--PyTorch编码器解码器_机器翻译 5 }. J, X! `' N% a5 I7 R' K
| | ├──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% n* d1 a; H: U! ^& V
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
7 Y4 J0 M h. |9 R) T% X| | ├──3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器 .mp4 57.69M, J6 _$ }$ z! f& f6 |# b
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
' |& Y. v* q; ?' x| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
/ v- u' j& I9 u& Z% z| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M( ~; i) {0 y+ z: D2 `1 k8 d4 k# g
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
$ t1 p+ p7 q# x1 ?" d: \7 k| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
' x6 W- D) s: A& b├──25--【加课】百度飞桨PaddlePaddle实战【新增】 7 n/ R, Q2 w( E5 Y$ j; E" p
| ├──1--PaddlePaddle框架安装_波士顿房价预测 / x5 t z/ O G% \* V5 m
| | ├──1-安装PaddlePaddle .mp4 87.34M) k) d6 l: K. t. L0 Z- v$ x- k
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
/ g$ e/ T7 M( \8 N" {, O4 \" Z| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
: g# n; @4 S3 q( w| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M7 O" s& v. Q; Y
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M) n! K& ? {/ u& b5 n
| ├──2--PaddlePaddle卷积网络_病理性近视识别
$ j& `: x- M- z5 Z; S| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
8 Z/ f9 D H( a, P| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
3 ? r& b' ~: k3 @$ a: f| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
7 c7 D- q* H) e2 T| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M' S5 Y. x: {" p" |
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
% x, ^: ~* E0 P2 p; A+ e| | ├──1-PaddleDetection_项目配置 .mp4 82.88M* }3 }; i, f' z" S
| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M
3 _# C9 L7 L% D5 q$ p. c, z3 |5 W| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
# M/ V2 \7 g3 [1 n| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
2 h: q! c. A% i| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M6 W5 j9 E( R0 `. `6 N8 F1 }% B
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M7 G U# ?! P% n. g, F* H5 L
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M& [5 C2 z4 F9 ]9 t' Q) M
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
3 | A# G3 i9 g% m! y| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M+ C p+ d& S! s( w* J
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M6 S+ f# w, g8 |% N$ s& e' k
| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M9 ?9 ^1 a1 S/ ?& _2 H( j
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
7 M" E' r# w, k6 C9 ^! K& X| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M2 b$ {) t4 I3 v1 M1 F
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M; G* w# }5 v1 s+ y7 D+ J2 f
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
- B: M; d' J: w2 ~0 j' m5 Z6 h| | ├──1-PaddleNLP_项目配置 .mp4 49.37M9 m: a/ N! M# t( z1 K! c
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M/ k. K, r7 r i0 v# q1 [9 H
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M* T0 }7 L' Z+ |. L
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M, z9 M& B8 }3 u+ x- b- v
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M, c5 @# a2 B6 d5 Z8 C
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
' h0 S" O0 u; @| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M5 \* z" A+ j$ B+ ?
| | └──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 v* @! q9 d3 R$ M0 m
| └──6--PaddleNLP模块_物流信息提取（ERNIE版） + y! \! K% i, Y+ x2 n4 x
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M% g# q# h- i5 E, M: X# ]
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M+ Z' j' b `" E" C& G" z) S
| | ├──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 G3 E4 y0 `, A( U| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M
+ |4 @2 m5 @" K P* K6 F2 O, S├──26--【加课】Linux 环境编程基础
4 p+ e0 g5 X- C7 v1 D: U7 \| └──1--Linux ' |& @: d9 k) T* o a7 K5 L
| | ├──1-Linux_课程介绍 .mp4 3.72M
% A* `9 ~& t( t* S6 @' b| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M" e6 v% J1 v6 ]: z& w m8 P
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
5 _& Y2 {( D: u2 e| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
* |; v* s% x) @, B9 M# B| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M9 @: r3 \. G* e; \' \
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M& H& j; o. E- `: b; ~1 ~
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M0 e4 T W# C' k# s, q @
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M/ S; L: E0 W- E2 R# ~! u
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M$ S( i3 [! {, H+ b0 u2 H0 F6 r' x I$ r
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M1 c0 e o' C: x' y/ ]
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M: ^6 Z9 @+ J" P, F
| | ├──2-Linux_Linux简介 .mp4 17.59M
- ?; T% A7 r, P$ ~/ l- c( p- ]/ r0 h| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M( ~7 A5 t T7 s+ A$ ~% Q) t
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M& H5 S$ E3 W, E' |
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
/ f/ o3 ^+ @% f! _* @4 V# A| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M' Y7 |2 `) s+ U, S7 h4 }9 [) C
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M1 C! P6 U6 P# S9 P! T% j" R
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
4 K/ t0 G3 }1 e1 k7 B3 U! I| | ├──26-Linux_安装MySQL .mp4 79.02M( n! D5 \" V! g5 R- P2 w
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M2 Z' i. f U5 y) ?) ?" R
| | ├──4-Linux_安装Linux .mp4 41.97M" o& ]; ^3 r' F: m$ F% B/ O7 ^
| | ├──5-Linux_目录介绍 .mp4 20.31M. T& T* _5 w; M6 s; Z* d, z
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
. D6 r; E& d% k% {3 N, x6 x| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
$ U: _% V, m. N$ Y: R+ ]| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
9 ]* F$ l/ V) s% k% C2 B" \7 B3 g| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M# m. {5 v! u L& [
├──27--【加课】算法与数据结构 & T) l: ~9 V3 P/ u9 V
| └──1--算法与数据结构 ) ^% O, g4 t3 E, p$ q: U/ [6 `
| | ├──1-数据结构与算法简介 .mp4 35.68M
3 o7 t U3 D, b. K- i| | ├──10-哈希表的基本结构 .mp4 54.34M, F6 O, L$ h8 a/ X
| | ├──11-哈希表冲突问题 .mp4 75.92M
o( e7 s! c1 @) ^: ^| | ├──12-哈希表冲突问题2 .mp4 72.30M. D- x" w4 K2 x0 a) U
| | ├──13-哈希扩容 .mp4 111.03M
$ u. }9 g$ y$ n. f7 f- h| | ├──14-递归与栈 .mp4 50.77M
) j6 X4 O4 Y, l5 }! o2 `2 N| | ├──15-线性查找 .mp4 57.80M
3 J; m; ^7 c$ y- N| | ├──16-二分查找 .mp4 52.32M
9 ^! F1 R" r9 n! f| | ├──17-冒泡排序 .mp4 53.19M+ k; W& w9 _8 V) l
| | ├──18-选择排序 .mp4 43.29M$ S) ~7 ^+ M& [5 j! O8 `" E
| | ├──19-插入排序 .mp4 31.39M
4 D8 ?% @/ A Y" D, y l| | ├──2-大O表示法 .mp4 25.59M: G5 a/ ], I; ~8 y I, S
| | ├──20-归并排序 .mp4 84.48M
* S0 Z+ q1 l$ q q! p* Q3 y| | ├──21-快速排序 .mp4 36.63M4 R0 L" o9 s# D! B' B( Q2 ]
| | ├──22-树结构 .mp4 96.85M3 c1 C+ x6 t9 m: ?$ F
| | ├──23-树结构的遍历 .mp4 61.05M
" @! g' _8 T' i$ S. g& q| | ├──24-最大堆的增加操作 .mp4 45.43M( G! t) i2 N6 |; u% M: x3 N
| | ├──25-最大堆的删除操作 .mp4 45.63M
( `$ b# K+ Q \- ]9 D- H| | ├──26-二叉树的查找 .mp4 100.24M8 D" B% w$ P+ G: H& R- T2 q
| | ├──27-二叉树获取最小值 .mp4 25.21M$ w# [( r! ^) J9 H( H* {6 q( \ V
| | ├──28-二叉树的添加 .mp4 72.66M
0 H! u: f3 e# C6 k* F| | ├──29-二叉树的删除 .mp4 120.06M, Y2 C5 W# C7 k7 O
| | ├──3-线性结构 .mp4 53.14M
. x% T% I* `- k- |7 l) C| | ├──4-单线链表1 .mp4 68.36M
- a8 M, M' d: u| | ├──5-单链表2 .mp4 221.69M) j I. O1 d( `7 A( a0 V1 n8 Y
| | ├──6-双链表 .mp4 103.57M
/ L, K) {. z+ o, |' V9 s* [! p+ D| | ├──7-队列(链式) .mp4 74.12M
. P% ?; | Q: I* q9 z* U| | ├──8-队列(线式) .mp4 30.99M
2 l8 x- N" |: j+ q" B| | └──9-栈与双端队列 .mp4 28.12M
1 ~* M2 `" ~4 g5 f! C6 I6 k8 y0 \/ q! v& v├──3--人工智能基础-Python科学计算和可视化 5 g' Y' @- G3 D6 _) ~; A# \
| ├──1--科学计算模型Numpy # O( t9 q& T% ^4 O! b
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M$ J! ?, E: u2 Q) [- p- B
| | ├──2-Numpy_array_arange .mp4 35.45M
' l9 ?0 f) }: H) G- C1 ?; v| | ├──3-Numpy_random随机数生成 .mp4 50.54M% h4 P; O$ K. D
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
) g& }+ W P* o( Z3 O| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
. J( _4 H, p. c) W| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
# r& c! q* J. N! k2 G) H. ^1 Z0 q| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M: _/ W7 ]3 \# h+ d
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M- Y! i7 M# d4 D( n' s1 F% r- H8 s
| | └──9-Numpy_聚合函数 .mp4 23.68M
1 L2 p: U2 {7 b6 U. l' J| ├──2--数据可视化模块 # m( p1 O" |/ B- d- {/ U" {8 N, ^8 g
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
, }/ s- @) q9 @: {& e6 X1 U) R| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
5 B6 l% t# B+ _$ `/ Q7 G a| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M5 ?9 i# u' ~: `& p6 T
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
8 O, L I* I c: q& v. S5 J| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
* P# i9 F, h% M. Y| └──3--数据处理分析模块Pandas / J3 l- p: T5 J3 x) n1 h# `% z
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
8 A4 g% e$ y. q: U| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
* W* M3 u9 L- H4 y! |% \| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
/ a6 }9 z- B5 @! d6 ~| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
3 j0 c1 Q3 W3 @) Y! `; }2 v| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
& A" ]" J! o- `4 u9 N' ~| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
0 U* }5 d4 `/ A0 N$ O0 [/ P| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M- c! Q) t2 `3 w
├──31--【加课】 强化学习【新增】
4 \4 e/ S3 W1 ?* g6 {, P| ├──1--Q-Learning与SARSA算法 & P! o$ h- J1 q1 j
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
) @4 g0 `! B1 Z| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
{# T* T: C9 L/ t% U| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M3 B! y. R4 P+ a9 W( N: w; }
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
4 a; ]$ r/ R. N& E b4 f| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
* P7 d Z/ `4 d, ]) I$ z| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M. b1 ~1 h1 o6 ~( S1 B
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M: t0 s/ I4 y; T3 o' a/ ~
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
9 \, [- u' o6 r: r| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M5 |) T$ u% R3 y8 `
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M8 m4 J# @# d; p- A1 _2 x7 Q4 U2 Z4 h
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
% p: x0 B$ ~, N/ v, k9 O| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
3 t2 T0 x, p0 u0 ~- H7 E| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
$ G! h! g' X% S8 H$ i| ├──2--Deep Q-Learning Network
; E# Q2 ?/ W6 [/ u" f| | ├──1-DQN算法思想 .mp4 59.24M
; Q# _6 }! z( w| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
3 y4 W& m( ?) [8 b# k6 B" c| | ├──11-DoubleDQN代码实战 .mp4 44.49M: l8 {1 T" I* S; ~4 q
| | ├──12-DuelingDQN .mp4 88.12M
6 m% j9 m. r# C: e0 j8 E, }| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
- i; l# K; H& d" y| | ├──14-计算Action的方差避免风险 .mp4 54.23M
9 V2 e$ a! `+ x' p0 Z| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
! f: M8 {) E1 u6 F( b& W; N6 ^" W| | ├──2-DQN算法具体流程 .mp4 56.17M7 a, k s! |/ H: V
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M7 h' b: c& |; u' E0 @; ~. O
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M. I' h/ i/ Y1 Z# f q# ~$ P
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
0 l) G; T5 [0 X/ W0 ?| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M) ~7 `. K% ^8 W" l/ r* a _& m' O! N
| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M
; }6 i+ Z% q8 V 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" X3 |+ O" x& h) _. ^0 T
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
9 X* L' H3 J, J| ├──3--Policy Gradient 策略梯度 : W/ s6 v3 t ?( Z4 u( l
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
' y- Y5 e7 m2 ^: t4 g7 R. i| | ├──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 34.22M1 t% H$ c6 Q: x3 ]9 X
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
6 {) C6 ~& S" X, |/ ^. N6 a3 D| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M" E: c V% ?! }% 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 33.38M1 C% M/ I; \2 L$ T, E5 k
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
9 ?+ ]8 g- a! `" @4 B$ F" a9 W| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
: ^- O( \" S3 ]| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M* m5 ~) }) Q! ^
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M2 R# N# T7 U- M i+ W4 ~
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
1 j2 o1 c& }' |: T| ├──4--Actor Critic (A3C) 8 y1 Y" Q" v5 j! W
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
. c( D/ ?$ c. \) o! J! Z+ q| | ├──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; B6 f$ c6 M, N. ~$ ]' F
| | ├──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 _$ `2 ^5 {6 p0 r% d+ E( m| | ├──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: ~/ \' Q" x$ j8 C7 P2 A( m) y5 w
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M y# Y" E3 O( M2 R- 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' Y! U# p& K$ E# s
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
. P$ l6 {* B2 Q% X( \| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
+ e8 ^( A! C% t0 i4 \ j: n| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M# S8 [! W( z3 h8 v, I
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
6 f2 n9 \4 M. l" J3 m| | ├──6-A3C架构和训练流程 .mp4 74.66M0 C, E0 k: g) g5 _
| | ├──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! X5 s0 g X& U% F) j* g
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M5 n: @. b8 O* a" Y( F/ V2 S& O
| | └──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
) T& S3 [* x! R( a3 ^ r| └──5--DDPG、PPO、DPPO算法 7 M% H7 M: [5 a+ n2 c5 N4 C
| | ├──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 81.92M2 L% ]1 {6 D& l! e% @' U
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
* v# f+ m/ l# j5 E6 s& ^| | ├──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& i; m* o7 H, e4 t! _$ S
| | ├──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
) N$ r$ }# I, M8 r9 _ a| | ├──13-DPPO分布式PPO .mp4 63.81M' n5 N% \1 F. {4 N9 m
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
+ ` R2 ]3 j7 L. q; V( W. H| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
. K, h7 E; n2 X# P| | ├──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+ ^9 n( I: o0 d
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M5 @6 v5 w5 h: G3 P% u
| | ├──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
% _8 [% Z" m7 L, Z| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M9 ?/ U! a h4 S0 O# F* H
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M) X+ q/ f G' t I
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
& m: l) l, D5 l6 X| | ├──8-PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题 .mp4 38.09M1 ?: d) K; x5 F$ [9 f, Q
| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M3 E- u8 s$ |( F A- |6 i9 N c8 b
├──4--人工智能基础-高等数学知识强化 ! b1 r- _0 m% M# ]& ?# e! u
| ├──1--数学内容概述 + t S( I# F( K! ~) n
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
" \) [: M6 B7 G* a# Q| | ├──2-线性代数_概率论知识点 .mp4 26.81M
0 Q7 ^) t9 G4 P| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M) W7 G* ]4 D& s3 q, W8 g2 a
| ├──2--一元函数微分学
: O: F- V( ?. z- W| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M( ^: ?" r1 ~" V) Q s
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M' \$ M+ l' n8 S! b
| | ├──3-常见函数的求导公式 .mp4 22.76M
$ u! I* J& I' u) q$ i) ]| | ├──4-导数求解的四则运算法则 .mp4 26.52M6 l/ o* L5 N8 s5 b
| | ├──5-复合函数求导法则 .mp4 19.68M
" _% d; A0 n& y) b" G& v; L| | ├──6-推导激活函数的导函数 .mp4 33.40M
& E" A4 m5 p: || | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M/ e( U! x9 }. d3 N
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M6 Q. U& }3 p. {1 r; I" |2 o7 S4 Z5 U! s
| ├──3--线性代数基础
6 p/ V1 E/ B) d1 r- _| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M/ L7 `; k/ b( Z4 ]8 F
| | ├──10-矩阵的逆矩阵 .mp4 38.54M5 e# l9 V( _& F: Q$ J! j
| | ├──11-矩阵的行列式 .mp4 20.13M
/ d$ Z# {+ K& L/ Y$ N) q| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
6 r+ o6 @5 @& ^: G; S. _| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
& Z3 {8 |6 h* ?: X1 a0 X% |. v2 {& r| | ├──4-学习向量计算的用途举例 .mp4 20.32M! B" ~/ Z: V8 D0 {3 g9 U
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
" B, d+ t1 f" u4 s# t5 O/ b| | ├──6-特殊的向量 .mp4 26.45M
' r, [0 c3 Y5 ?* K* N& _: {| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
8 h+ F5 J# ]9 T* B& J| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M% q: ^3 `7 J- B# U6 ]% `% m! S
| | └──9-矩阵相乘 .mp4 20.02M
, h1 N9 ]6 g- R0 X8 i3 u| ├──4--多元函数微分学
" K' q4 ]) W+ W) e| | ├──1-多元函数求偏导 .mp4 22.61M) L3 G! Q8 h' X
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
( S. y5 N8 i! V% f! C| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M( ?, F6 J9 R( ^7 P4 }- m
| | └──4-Hessian矩阵 .mp4 32.93M
o$ Q' D! ?! V; [9 T| ├──5--线性代数高级 . R% |2 i* G: b8 R6 z- J
| | ├──1-二次型 .mp4 27.70M
! G0 G! S) G, l| | ├──10-SVD用于PCA降维 .mp4 24.90M
' O$ D, j6 [5 n| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
* @# r* S# q, [8 ~9 r( r [| | ├──2-补充关于正定负定的理解 .mp4 23.48M
+ ]" \1 q6 [. ?1 U| | ├──3-特征值和特征向量(1) .mp4 29.83M
" S2 G% @( E- x+ j7 ^4 P| | ├──4-特征值和特征向量(2) .mp4 30.07M
- [( q1 x, o0 @. L1 M: c2 n| | ├──5-特征值分解 .mp4 38.68M) e$ A4 N9 F" k5 \
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M1 ~0 J( | |* ^. M* V
| | ├──7-奇异值分解定义 .mp4 22.58M0 x% b" C+ B) Q) T- T: _
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
3 s1 P: u( s& ^3 || | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
) a9 s" g/ H, k$ u| ├──6--概率论
7 @$ ~6 h5 Z* K" K/ U A* ]| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
+ B* D6 b+ N3 D+ b5 i6 N2 ?6 s| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
* x% a8 u9 |1 [7 y2 D! e| | ├──3-随机变量 .mp4 22.57M! Q. P2 V+ O/ b
| | ├──4-数学期望和方差 .mp4 22.96M0 D" ]- A: g9 g0 @; ~( R0 O
| | ├──5-常用随机变量服从的分布 .mp4 22.48M. ^7 \& w! H: Z9 j
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M R9 V E( }- f% H' d0 G% p
| | └──7-最大似然估计思想 .mp4 23.42M
! i8 k7 c7 h3 ^% ^| └──7--最优化
1 _3 _" |, @4 f2 B: r5 i; f3 d| | ├──1-最优化的基本概念 .mp4 35.14M
% c4 [5 Z- l2 X| | ├──10-拉格朗日函数 .mp4 27.46M" W" I. v5 t+ K0 _0 I3 w( b: }! V/ ]
| | ├──2-迭代求解的原因 .mp4 20.15M& w' V. j; K# ?; m% r3 ~ P0 N1 x0 Q: D
| | ├──3-梯度下降法思路 .mp4 26.33M' k* h6 R3 }. q& N3 Y9 Q H
| | ├──4-梯度下降法的推导 .mp4 43.56M
! R3 z, a1 n, s! A5 L| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M" H# v( a! ?, L1 Z1 ]" B% b" M
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
8 u( t- x# Y$ C) ~| | ├──7-凸集 .mp4 21.90M0 M+ f6 n# ~: B- ~; l
| | ├──8-凸函数 .mp4 16.93M S& f# |% x. n7 m# o
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M8 q( M5 D. A! z
├──5--机器学习-线性回归 9 \: n* P, `: s8 |: P0 X) V+ a* F
| ├──1--多元线性回归
; q$ |+ j% T# \* x8 b7 z7 p, J| | ├──1-理解简单线性回归 .mp4 51.11M
7 }& [; F3 J: K1 n" V3 Z| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M' A r! ?# V d }5 C5 M
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M' ]* F5 A O4 J
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M- C' d* [$ `0 q3 n7 M# k. q
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
' K6 B1 t& s% Z$ K ]| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
( h; X8 p! p: o3 x# G$ j0 _| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
5 d! s( B) B, x5 R| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M l- Q' y" N0 n2 K0 \* T' ^. U
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M' d, u7 E/ w3 s( \8 ~6 J0 U2 n
| | ├──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: b- u# V3 O* |* y
| | ├──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 f, }8 m: I% M| | ├──2-最优解_损失函数_MSE .mp4 39.58M
5 L% M, W: f9 J- R| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M7 i F, q( x2 {5 A# I9 K' O# _2 o
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M2 X" `& z! F; g1 N
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M' l. u! Q) O4 l
| | ├──3-扩展到多元线性回归 .mp4 32.15M
+ V4 P* Z i* K M* \| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M0 }+ |5 N( }$ e3 P% W
| | ├──5-理解维度这个概念 .mp4 41.41M
6 X1 H1 ?: N; B: F' R+ w| | ├──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; x9 i [# w; N, {- m* ~
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M; E' I, @. }8 n( V! n
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
- s( t( D: T9 G- d| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
5 N; V1 w) \/ h! d! B| ├──2--梯度下降法 1 s) r- b* y4 n+ [1 `
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
7 h# I3 d/ y `| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M6 C- j/ m$ F$ V, l- }
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M, [$ `9 z8 ]: N( d8 r1 D
| | ├──12-代码实现随机梯度下降 .mp4 26.67M/ X; x H% W1 o: b9 Q! U
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M6 o2 ]! X: X. m4 d9 z
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M0 q+ B: ]4 f' A _6 j- g( L
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
6 y, P1 H6 m) R& t/ G| | ├──2-梯度下降法公式 .mp4 57.12M
( X, r* |9 H' v| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M' K( g; b2 |' D& V. I0 v
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M% b! L) l/ O: U, F$ b! O
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M3 Z9 H. r6 z* p9 f$ {* P
| | ├──6-全量梯度下降 .mp4 62.84M
( J7 r/ I Z" U$ k: K1 C| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M. h1 \& w6 O( J H
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
' v6 O( b4 i( _| | └──9-轮次和批次 .mp4 45.22M/ D5 z& I h! @
| ├──3--归一化
0 J" A- Z/ K/ l( Q| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
* ?+ y* n" ?/ S0 r" v+ W| | ├──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+ C+ H! ~' f" q) J2 I4 J( p, }( {
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
@) W ]" I& [| | ├──4-最大值最小值归一化 .mp4 24.87M) k8 q: k) O5 A" h3 o
| | ├──5-标准归一化 .mp4 51.86M7 _% _8 p7 I, n8 I! H7 E5 [: Z& i
| | └──6-代码完成标准归一化 .mp4 41.13M
1 q7 m7 z' a, N9 C5 ]; V$ {! _0 Y| ├──4--正则化 }8 `' k. V" W6 l9 e) W1 N( U5 w
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M9 i {5 E- u7 Y h7 ~
| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M8 U: n7 p# S: P% h5 @3 e
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M% j' x, A- R' @! ^
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
" G/ _3 I. @9 x2 y: ~| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
) k/ b' z1 |/ |9 g+ e9 n| └──5--Lasso回归_Ridge回归_多项式回归
+ \. ?' L% `. k| | ├──1-代码调用Ridge岭回归 .mp4 76.32M/ h8 a3 R8 E0 u7 Y
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
* x4 P3 d8 ^* S* \* M1 I| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M9 n: V8 k9 i' w' M# d' w
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M& N& d! R& o/ }% O6 A& u
| | ├──2-代码调用Lasso回归 .mp4 28.73M+ j# A8 |. {& w
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
* a, e. q8 R* w/ Z( d' n| | ├──4-升维的意义_多项式回归 .mp4 48.06M
; h+ E* i2 A1 ?6 R' t( I; I| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
; k K# C& R+ a! S| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
9 M; R0 c, h% c- p2 c9 E| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M4 f! q# r0 B" D
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
% Z. T$ V! ?9 f| | └──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) |( E0 v' Q% o Y: u. N% n, T
├──6--机器学习-线性分类
; v2 Y8 R1 g( d+ v8 U; I2 v| ├──1--逻辑回归 - P" j# t4 p, f" E! F8 j6 Q8 n
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
9 q3 ?/ I R! J4 y| | ├──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! u# {: C; ]* i- ^7 w4 \
| | ├──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: E/ N8 P8 |( D. X* n# R& p2 x/ c
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M/ Z6 L" g* P( c5 Y( \7 G. M. T
| | ├──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
& V' D) B5 D7 C+ j1 o1 y5 s. u| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M* t, S# {% o: n! f0 c; F; ~7 Z0 f
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M; b$ S5 F( \5 a5 Z
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M6 W! m& N5 c. M6 S
| | ├──2-sigmoid函数作用 .mp4 38.15M! h6 B9 G* [0 c B; ^7 o8 m+ r
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
8 X4 g$ n) U+ g, p8 s. V# Y| | ├──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$ z6 u9 l: T$ l- B* r
| | ├──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& N5 [/ z8 v3 p. D1 i5 j
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M y* ]. N& e, T2 k3 V
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
$ G% Z8 H; d+ Y9 x. b u. F| | ├──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 56.56M3 h4 l: y. _) @* P2 k0 P, {0 o
| | └──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$ k1 \& y' D x* M7 a$ j
| ├──2--Softmax回归 1 t R# M8 m2 G$ k
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
; z. k& l: I6 Z/ V7 P| | ├──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( P( A1 l$ t% a" b* |- l
| | ├──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. Z6 ^) r& G, b& B, Q h5 i; K! R
| | ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4 47.67M
3 @+ t" I+ v: C| | ├──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 78.03M5 n ^/ M4 i4 _: j( T7 J6 F6 J
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M: t3 N, V0 `4 @% y2 U3 f
| | ├──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
1 {& X% |% G; K! e7 n| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M
* v" M0 k! r% J" y7 G| | ├──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
* P9 C# k" Y0 |( f7 l8 {3 b2 U| | ├──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
% F4 Y2 }( ^ R( t+ e9 k$ ^" x| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M& A5 _% b; D# t8 v7 Q9 H
| | ├──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* E! ]1 p! z% p" m! J$ s7 }
| | └──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; K. I, P: r+ H
| ├──3--SVM支持向量机算法 $ q9 Q* m* y' J3 h8 J1 K
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M' [- L8 ?6 E; [" i3 W
| | ├──2-SVM的思想 .mp4 55.56M( b4 f+ i+ |! U0 i# h
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M' `' ? y7 `$ B
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M1 b- E% }: j0 n( K- G4 k
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M6 Q& Q' z9 I8 B: P: `. [
| | ├──6-总结硬间隔SVM .mp4 39.01M5 n" R/ u$ D. p1 u0 }
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M7 N, d3 Q2 k% z
| | ├──8-非线性SVM .mp4 54.43M3 i) [# W ?2 L& e$ Y) W
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M' {: A5 ]2 W3 S! h
| └──4--SMO优化算法
! F0 ?* S# d" y9 q: c1 N| | ├──1-SVM算法流程总结 .mp4 58.36M( V2 y' |6 z2 O' j# N
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M. p4 Z, Y; F9 f3 y- {; r
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
: o% C4 ]' [: Y| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M% P) Z) n6 l8 k* A' c8 s: k
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M' G8 }$ Q d/ Q5 e& g' a) @( 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
3 Y2 c. ?' }2 a" h$ ^* j0 ^* H| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M% ~+ J( K1 `" G: l
| | ├──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 65.42M4 {9 q+ a8 {. x8 n) I( |
| | ├──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
! z* e0 H6 U M| | ├──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, c+ @" m+ L0 z& \8 l( M
| | ├──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! y% @0 N% a' P
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M+ |# F9 M4 |# g Z& W, L% W
| | ├──7-启发式选择两个α .mp4 23.11M. x- G; l* a: O$ i; I
| | ├──8-如何计算阈值b .mp4 50.18M$ x* G8 }) l# G: z; }' W7 B
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
( a- p9 j7 K$ W" b" t5 a; F4 b4 _├──7--机器学习-无监督学习 1 `9 Z. b" X* A
| ├──1--聚类系列算法 . w) j7 K, r2 M6 X L
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M5 I/ e2 D; p! [2 {! _
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M: c7 I7 d, z2 j: m. E
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M6 _" f6 K- H, Z$ t
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
. e5 x/ ]4 L" y( u+ d| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M+ x! v5 w, f" G8 m9 w6 V5 ]+ I
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M+ T B4 b8 n1 t6 F
| ├──2--EM算法和GMM高斯混合模型 8 B# Z6 w D: g U) A* _. E
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
" l6 ^' e4 Q) a| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
" ?7 n" k; v9 c! ~7 Y8 J, V| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
1 Z7 g) \& O! O; f/ _| | ├──4-Jensen不等式的应用 .mp4 109.17M9 z, {3 l, }" T/ O
| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M1 _' _+ J; Q9 H9 z7 `" a& S
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
+ B7 l9 D. i, O' x0 v4 Q1 O| | ├──7-GMM前景背景分离 .mp4 16.01M2 L: F' ` p# o4 D4 q9 _
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
! o4 D) o. ^+ u5 ?2 h| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
% h. x, H0 d# Y| └──3--PCA降维算法 4 I( B0 P3 |: |
| | ├──1-特征选择与特征映射 .mp4 49.38M+ ~* u7 j) F1 J7 D9 j
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
. l/ k, n) ]& C: || | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M+ U' y$ ^8 |" N5 y1 Q6 B, l$ F
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
! e: Z" ]9 E8 _' _! p5 w| | └──5-PCA的几种应用 .mp4 54.58M
7 u$ {$ w0 S4 l. f4 J [( [├──8--机器学习-决策树系列
' N, Q( G+ [. Q& N" p% c| ├──1--决策树 3 X- K& D( _% B2 R+ u
| | ├──1-决策树模型的特点 .mp4 74.88M
" B7 K, m2 c Q: f. h& F| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
- i o1 V+ p' l. x6 A8 a| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M- M$ a* P: ]( h' h
| | ├──12-后剪枝的意义 .mp4 50.49M/ Q% o( o7 v5 q1 K
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
0 Y Q2 E$ L: \9 v* m| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
; o& P( G4 M" q7 e/ A. s9 q| | ├──2-决策树的数学表达 .mp4 89.94M
+ d7 m5 A: m. O: f/ || | ├──3-如何构建一颗决策树 .mp4 84.87M
& i1 r# Y; s7 A2 \, U, ~+ M| | ├──4-什么是更好的一次划分 .mp4 57.02M
% O. b* |- J; c# C3 R" y( k7 V" h| | ├──5-Gini系数 .mp4 107.54M7 q/ X8 B P/ S; V# \& T
| | ├──6-信息增益 .mp4 75.26M
: i4 ?" y8 V- | m| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
0 S8 `3 x) b/ \- P7 S" j+ a| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
( i- `" y- M+ O& A# i| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
: D7 s8 n% |) {8 F' ~7 W- V2 h| ├──2--集成学习和随机森林 / u6 g. V8 x6 F, {/ c# @
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
& d2 u2 t( g% p% p D| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
6 j9 j+ x Z. s$ u| | ├──3-随机森林 .mp4 108.14M
+ j( t! s0 D/ y| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M1 ]: T' F4 S5 b6 ?
| | ├──5-OOB袋外数据 .mp4 106.07M
- w; I0 A' w) D; O$ [* R& r* \| | ├──6-Adaboost算法思路 .mp4 106.30M- t3 s0 \: ^% L1 F/ J6 q
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
0 l0 q5 o0 S3 m1 [: a6 B. X8 }| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
& N# `7 U, i+ a% M| ├──3--GBDT
* F* A e+ t6 e. K; [# M| | ├──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$ A* w5 J w: W1 F' A2 p
| | ├──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
, I+ I5 Y& f0 ~% y| | ├──11-GBDT多分类流程 .mp4 73.80M
0 a* f! g5 n7 Z+ `, z% l| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M4 d+ w+ o5 u" Z, a: S& r
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M% \8 H/ B! J! ?! z) c
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M v' Z, x, V) b5 E
| | ├──15-GBDT二分类举例详解 .mp4 86.67M# H! Z4 G! b6 }3 V* i8 x
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
6 T- Y3 C# H% l* I& `1 R| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
. V' G$ r2 Z k, @) Y8 Q| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
# ~- M$ e9 @+ I# P& R: A9 _| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
& Z5 _4 B2 k9 M4 {| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M, L* }$ c; P |. u9 ?/ I" {
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M5 i6 s Y. \, t# p& b; s; d
| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M) G2 Z" Z* }" J) Y
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
+ m6 i% h0 N3 l) [6 O% B3 N| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
( r7 |) M$ L' E- L# |! R| | ├──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/ p& Y) p& m) ]- d3 @. V, [8 L
| | ├──4-GBDT应用于回归问题 .mp4 84.66M* K1 ~4 Q# K+ X1 [' C% f; R& _8 [
| | ├──5-GBDT回归举例_总结 .mp4 108.52M. b5 d6 {: |/ l' S
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
& Z2 W( X* N; I% X; X| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M& u; ^, ^7 h5 Q/ _- Q. z; {
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
7 b& O1 d( s* O7 j| | └──9-GBDT应用于多分类任务 .mp4 73.34M8 N8 @6 U; g S1 E3 H- Q
| └──4--XGBoost
6 B7 i* M, d* F1 d- X8 V- y. c| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
% P- Z, _2 q6 I& }# |6 z| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
6 h/ n' d+ Z L6 ]- M| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
5 z7 Q+ N3 e+ d2 @8 a9 y& ]$ G| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
E( C ]+ D! r# e( P4 A4 e| | ├──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
. c& d. n& A; }4 ^| | ├──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
( u7 E* M4 x& M| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
) h4 p# V+ u: |' W7 N8 N| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
' T7 O$ h6 i s* w8 q" M| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M/ D9 E6 l9 y" ?7 \
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M; y+ @ e. {8 p6 B {; j) h+ k: M
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
/ h+ N/ v$ t, J- i% G V| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M- R7 Z- _+ P, N2 \
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
! W p5 j$ ]7 {9 w, Q| | ├──6-Objective_vs_Heuristic .mp4 60.42M" ?' ?% ? p- S: O
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M/ [) `0 S% {# b; }/ z8 b8 Q
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
+ m [0 P! u4 W, E+ b# ?+ K| | └──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
( F- Q; m3 g. G& ~0 b6 f├──9--机器学习-概率图模型 2 u3 G7 v5 h Y, F) V
| ├──1--贝叶斯分类
: I$ V4 v, q3 S" S: u) R0 I# Y* S8 p| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
e M. C4 F \7 V% w9 R; h: Z- G| | ├──2-TF-IDF .mp4 53.08M# u& R1 z& Y# z2 K" D7 n
| | ├──3-NB代码实现解析 .mp4 126.73M# p# w6 t. [ U
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
9 k8 i, h- Q! ?- |2 _) a; B" Z/ l f: r| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
1 s+ X/ W. {/ u$ ~% Q9 L% A" _| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M* \, q3 p, k5 l/ ?0 P7 ?
| ├──2--HMM算法
# d8 p/ v( R( y3 [# l9 g4 Z* J; Y| | ├──1-HMM隐马的定义 .mp4 36.82M
% ^ J, f7 J4 Z, r& M: P& m| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M! C+ q5 i# m9 y
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M, z- U; E" _% c; x9 `. i$ Q
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
6 @# Q/ J, `- H% p6 u/ C| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M& _5 l* Y5 |* T: N' G
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M. B' H0 }6 V1 { o1 U5 J& }: g2 n
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
B6 M/ p; V6 \# w! j| | └──8-Viterbi算法代码实现 .mp4 42.43M# ?$ i# Y: K* s) Y3 H
| └──3--CRF算法 4 g$ o t; i$ B" c1 \
| | ├──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( e+ k; N% L) z, o3 h2 n" e) P
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
$ O+ m1 \% h" Q0 H5 a| | ├──3-了解CRF层添加的好处 .mp4 105.90M
3 `5 S( n$ Y* U/ R! b| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
: C5 u7 W7 W$ \* c( p+ }| | ├──5-CRF的目标函数 .mp4 23.74M, I# U/ [, E$ |' D @
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
* y0 u, `8 c0 D( r: S9 I2 c* z| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M: V1 v( D3 `0 j9 O+ f% R2 ~: I' ~
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
?( b/ U$ J) r/ A# }: b└──课件.zip 2.54kb
0 l: {; S& \! E2 C$ O' c% `
0 b4 p7 H# t+ Z1 \- i( ~* i% I7 n+ h; D# [! W+ Q$ R
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！% p+ G& }7 Z7 K5 n4 ]( {' e |
4 R8 d" @6 K' N5 C
- m3 j2 Z) G5 x- w |
/1 
