战-人工智能2022/) B" Y7 Y. w `; z3 `9 a; a* d
├──1--人工智能基础-快速入门 , b& ?8 Q/ d8 i# I8 `
| ├──1--人工智能就业、薪资、各行业应用
0 q) T# z/ q0 q% u| | ├──1-人工智能就业前景与薪资 .mp4 52.07M- _5 ]' Z! k4 O
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
r! Q2 n8 X* J& }& F6 c| | ├──3-人工智能时代是发展的必然 .mp4 23.22M, @7 S ?. }% m/ `4 z3 f7 q% U
| | └──4-人工智能在各领域的应用 .mp4 57.73M+ `- C; L/ a' d5 O5 M3 r& w8 j' E
| └──2--机器学习和深度学习、有监督和无监督 B( X: P# f6 |5 W; @$ [- y
| | ├──1-人工智能常见流程 .mp4 89.62M
) A; _8 N7 D! S* ~- { ^# y| | ├──2-机器学习不同的学习方式 .mp4 83.51M
9 g* A! U: u9 k. o| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M6 N% L2 s( v" d, m7 o. ^. T3 K
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M% M- ], J' E9 N! W% n
| | └──5-无监督机器学习任务与本质 .mp4 50.15M5 `& r- ?3 Q, {5 f3 S; `* D0 M
├──10--机器学习与大数据-Kaggle竞赛实战
1 C0 J5 f- H4 x3 T! g- r| ├──1--药店销量预测案例 1 |4 | ^ { O6 q% o% [* f" l
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M3 T* ]3 |% C$ j2 b& s! r: L
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M% a1 z& Q. s; J Q5 P; o: N' R
| | ├──3-自定义损失函数 .mp4 21.12M* }% R6 w2 R1 L
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
" f( }# H+ W; ?, v4 b% @$ A| | ├──5-数据的预处理 .mp4 111.81M
- Y4 t" z! g! L1 g1 }& e| | ├──6-模型的训练_评估 .mp4 66.64M
. V8 V0 I1 h2 Z- C/ `- g2 [4 f| | └──7-kaggle竞赛网站学习 .mp4 172.16M
( c1 ]/ r# w7 k; @ W| └──2--网页分类案例
/ P1 E L, t6 { y' V- F; |9 D| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M/ b3 Z' s$ l* X( S& |
| | ├──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# n' Y4 N9 K* I- _! m, ]1 I8 Y
| | ├──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
# E. |/ j, {, `* E| | ├──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' s q0 i ?7 @8 F
| | ├──2-评估指标ROC和AUC .mp4 56.19M
( B- B9 M: t, ?| | ├──3-评估指标ROC和AUC .mp4 49.03M
7 `; u0 C2 a7 \4 f| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M4 _/ ?: K) X1 |' Z4 E3 O
| | ├──5-数据导入 .mp4 68.41M6 h, Q3 u0 ]! U% [ f" l" y8 l" w
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M+ B9 p1 J! h) k) {; D3 b$ A3 E
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
0 m, i; q3 M. m| | ├──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% L: [* ]* V* i" g# {
| | └──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
. x5 h* i7 d0 R├──11--机器学习与大数据-海量数据挖掘工具 - _4 y3 x- \" {$ v w$ t
| ├──1--Spark计算框架基础
" Z- G! D9 {4 ? m2 |1 g| | ├──1-Spark特性_01 .mp4 41.68M
, g$ m; v+ `1 p* c0 T9 b1 t, \| | ├──10-分布式计算所需进程 .mp4 26.30M
) r" o7 T8 `; h; v% B/ y/ }| | ├──11-两种算子操作本质区别 .mp4 56.31M
, A* ~; o! d4 A3 _6 H| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
$ }4 d; [. U! c7 e! b8 t: M; Z| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
" u' ^ T3 |+ T- _1 b8 J, n+ P| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
4 [5 T( x- U& ?0 [" v8 }| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M2 I2 N; u2 K w' o5 ^ [
| | ├──2-Spark特性_02 .mp4 35.15M* X, e% u3 ^; z
| | ├──3-Spark对比hadoop优势 .mp4 19.34M, y( ^0 j/ }& L6 ^4 P
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
# C* X" i- `# K2 S| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
0 a, Z7 q0 T3 {4 d% F4 @7 Q8 v! q| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
3 N5 F+ Z/ d1 ]5 `" A# }| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
% \' ?: [- ?7 C J1 S| | ├──8-Spark的RDD特性_01 .mp4 33.08M
5 a" r$ @( }" ~: @$ l1 U| | └──9-Spark的RDD特性_02 .mp4 33.41M
8 G( K& m" G3 h8 v0 l6 I! P| ├──2--Spark计算框架深入 3 N. f& K! |! C. Z. Q" m3 Y4 s
| | ├──1-Spark数据缓存机制 .mp4 54.43M: d* `; K3 c U- N
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
% `/ h& j8 a- ~) x* H2 T| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
: S8 m. v3 X9 v4 @| | ├──12-构建LabeledPoint .mp4 111.08M
V& I5 g. o' c/ t1 c, l9 N# l3 Y8 y# M, K| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
$ {5 R5 [- E5 d+ p; Z6 P7 \| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M; \$ b( L# P7 y
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M) T: }1 c: u4 i- f
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
" A' s9 P+ t" W% `) ^0 o7 J| | ├──5-Spark术语总结 .mp4 89.66M
0 `9 W3 r. b2 V& @| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M4 l7 c$ l' P/ K% j) r4 \# Y7 l
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M+ ~5 e( w# @% M$ w
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
$ `& d4 c7 u% Y6 P2 K0 s- C| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
+ r+ ?9 C2 a7 J' v# S/ L% _| └──3--Spark机器学习MLlib和ML模块 ) X/ H7 x' S& t) Z' i$ c# X9 `
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M9 G+ a5 ~1 [# m: s: D. H
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
+ P) t& ]# W1 i+ l| | ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4 89.72M
7 Q) t5 |( _+ C* e# G! f- q| | ├──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
9 c6 U3 K6 o4 e- Y7 G4 Q2 @6 @| | ├──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$ W) @2 h" w" w: O+ A' o" ?
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
- }5 _/ o, c4 m; V3 S| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M8 ?7 R3 v' N' d& v" ^+ ?
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M5 u" V- B4 d3 D! {) o
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M/ z) ~! {- G' j3 m1 f
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
5 X/ J. l' s. B/ P7 G4 J| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
0 m* p5 p# F* Y4 q( J) T| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M. }7 H0 t- T$ K
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M. W* B+ T2 C( F4 K$ M9 F
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M: `" C5 @+ H2 N$ [/ @. |
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M8 y: X8 c: m, M
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M5 q7 R k' {. q& P
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
6 T) L* G1 z* ~* c, [| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
6 A& v# @, o" @3 ]| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M- a6 t; S/ r2 _6 J" z
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
1 h& F5 x, s6 @' N; x0 u| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M1 L M/ ]. G: g; O/ b# f
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
6 f% u& a* |; W" `$ ?4 s$ U Y| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M/ W2 T# ]3 m% K; q
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
, X' o9 e6 G. m| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
/ a o H$ a+ s, K| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
1 `/ n0 r7 u$ M) [├──12--机器学习与大数据-推荐系统项目实战
6 i, @3 z7 D1 J7 g: U3 I8 n| ├──1--推荐系统--流程与架构 ( k8 C* e3 O7 _) O' v9 L" v& p. T1 }
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
* d$ I- D* L8 M, l, x; P# y4 D3 V5 y| | ├──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
! t$ z D( K9 _( \# F9 Y' W1 l| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M
/ g8 K- i, f3 k5 p( o| | ├──12-推荐系统_数据源_1 .mp4 79.07M( s) e" ?/ Z7 h. R, J% b& S7 E
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
& C, W, @8 Z" M| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
6 ]; ^* }1 m* J| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M5 k2 M# L; q4 V, [
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
+ B) C7 ~. W" {; f* H |: f6 V| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
8 s/ ?$ M+ ]' p3 f' R" r# L, {. H| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
$ A- c, d4 T" B| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
0 a" ]) N3 E" C3 I| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
! P: V& @; c; |5 i, A7 e$ P, f| | └──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
2 Q6 e) r6 d$ @' n| ├──2--推荐系统--数据预处理和模型构建评估实战
) W2 \ U+ K- }. o* V6 J| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M$ i: u( L% a0 g/ |7 X' H
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
3 Z9 O) p W% x: N7 J* }; H| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
1 n* l* m/ J) T* @. [" p9 j# H| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M: r/ x& Q; l% H- A# K$ i# Z w
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M- ^2 ^" a" l, H% W6 M; f
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
3 e/ R6 {( E! f0 R. o| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M1 _' J6 E0 B, L: P$ j
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M5 |. V$ Y* K E3 h
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M( J) M5 X' Z+ c* p/ F: G
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M" {5 z! y4 C2 @
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
" J1 g6 d' F2 l. p; g| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M: [: A7 m3 e( R3 y
| └──3--推荐系统--模型使用和推荐服务 / q- {! A. u ?9 I9 i
| | ├──1-推荐模型文件使用思路 .mp4 61.89M, x& U1 x0 k/ N1 r5 ^
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M8 `7 Q( n7 ?/ E' S4 L' M
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
) d$ t( V; Q; {| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M1 F7 ~ ?* Q; A
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M$ M8 t! s% t, z3 N3 r/ J
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M6 {. d3 [! Z2 C9 y" f q
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
4 `% E1 x$ x H+ B| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
k8 {6 ?! p0 B| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M- v e* i& }- i6 ~ }: _
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M7 D, c1 b' R" |+ y
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
2 h/ ~+ |7 Z& `& F6 F& D7 L' V| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
c; Y- J+ [9 s) V9 f/ y├──13--深度学习-原理和进阶 " Q6 ^. d# W6 B
| ├──1--神经网络算法 - P6 O3 G$ z% \: G' Y
| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M( d5 ~6 o# D$ l
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M) s, Y4 d: g2 p' d2 [# P' I
| | ├──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
5 k) R2 a5 {' `6 {# R| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M1 S1 ^8 g7 `, X+ s$ F% w* n
| | ├──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
- u% {. M; N( ^; ?6 x C# j/ t' J6 [| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
) y+ Y% {8 `, ^/ h2 o* j, V| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
7 n5 G7 K5 M; \! R# \| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
' [* g3 }- h8 G| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
* p: _7 E9 |& H# D4 E| ├──2--TensorFlow深度学习工具 7 v2 E$ r$ X2 @# i& y, u9 m0 H
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M, ]0 ^# D& N! B7 `# B+ h0 p
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
. g% r$ c _1 c! Q* n8 a| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M, f' B# F9 {! u" V5 n! I5 K: b
| | ├──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
4 l2 A* x: K, n$ i1 C$ `| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M" v9 I5 q+ z3 `- P) ]- L- A7 l$ x
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
7 w# ^9 _& `9 x( k% R8 Q' C| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
7 R( Z$ ~* i, D- K4 M| └──3--反向传播推导_Python代码实现神经网络
4 o) |0 @/ M( e5 }5 M1 N| | ├──1-反向传播_链式求导法则 .mp4 86.47M/ E. i8 c/ t0 {1 e' H4 K
| | ├──2-反向传播推导(一) .mp4 127.90M" B) H: i' K2 d% c I9 Z1 d' R
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M$ c* U+ ~# W" E/ I6 V: ~$ C
| | ├──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
' Q, Z/ M6 u& E* [1 h1 z! x" @0 H) N| | ├──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
% B! B2 \) @; S5 D& L7 G| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M# O0 ^' X5 ?" v& I1 I7 z
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
; k6 t) n5 E( B5 M% N% t├──14--深度学习-图像识别原理 7 D x. H4 b j
| ├──1--卷积神经网络原理
1 }8 H1 z" N: h7 H( [1 `| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M* \+ C6 E7 q- z, {; _9 M6 [: ]
| | ├──2-单通道卷积的计算 .mp4 104.01M3 H0 O6 _7 N! d2 V4 ]/ W4 J
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
1 J/ v& Y( u% f$ j| | ├──4-卷积层权值共享 .mp4 63.93M
4 z8 S7 C' S3 M3 W) i- E| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M" Z! h: Z4 |; O5 _) T8 l
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
2 B# n, E+ j' M& @: P5 d0 y, k| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M' n+ k/ {0 Q! U! g1 B+ @4 M- G" j$ I
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M$ }% r' B2 X$ { e, |9 O/ j5 q8 u1 L# U5 c
| ├──2--卷积神经网络优化
% _- A z6 @' q: j| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
9 \" l- N" ~" B. ~| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M8 F9 Z$ @ I; a8 o, F% ~3 ~
| | ├──11-Optimizer_Adam .mp4 141.12M
# k6 d& L" _" h, X& Z0 f! R| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
8 \5 t# X3 y' T# q, ~: F* r- \| | ├──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) Z( Z) n2 q; F. `. m: f5 g
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M! U0 \0 x8 K% g2 [0 b$ `
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
4 v2 f* h3 _: s9 I: J, }| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
+ s$ O8 K3 \7 c) X# l| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M) }* q" d' f+ g8 B5 e. ~
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
# K0 L* Y+ ]: g3 r# p$ E) R/ N5 j| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
/ U8 O7 k; T l$ Q4 q6 C# e| ├──3--经典卷积网络算法 & J2 C: |, b# h {3 H
| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M1 Z& q; F T. u% H" l! U/ K
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
6 L- }( r' d' R# y. W6 N| | ├──3-InceptionV1_V2 .mp4 165.86M5 r! C4 a* a5 ]' C# p
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M- }; _5 s2 H! {' |: g; |7 H8 C9 y
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
4 C E2 {. o8 Z! [| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M; w! V# d2 V: h/ |( f
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M, }% z' b8 e3 A; l
| | ├──8-BatchNormalization .mp4 99.23M! X( D- \- p* b$ Q- e' L; C+ w6 F
| | └──9-Mobilenet网络架构 .mp4 150.05M( I9 `$ q6 K o l
| ├──4--古典目标检测 0 O* _+ g6 O$ A: ^
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M" n9 C. ]% z! Y
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
; I+ e7 q5 C3 | z! D9 `/ J| | ├──3-IOU以及python计算的代码 .mp4 23.56M
0 P! G$ R3 F. H5 A| | ├──4-R-CNN和SPP-net .mp4 124.06M
+ Z' D& \+ A k/ D| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
5 } W% e3 C! Z" |3 ]" W| └──5--现代目标检测之FasterRCNN
3 V2 x' ~' O/ h9 c i- Q. l| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M+ s5 U" F, |- v( m7 K) X5 k7 g
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
# H# e/ o/ ^% i; n' ~7 N8 g Z4 r| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
1 c5 M1 q7 R$ Z8 g0 V" c| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
" o, K3 @$ ~( U6 F| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
! B1 b, r" \2 V% _# \├──15--深度学习-图像识别项目实战 ' a' X7 }. J/ J B0 k) s% l
| ├──1--车牌识别 + f. [) F5 N: d, w Y" a4 Z
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
0 X4 e, ]7 B4 e9 s# W" V. u4 B| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
; h8 K( K2 t5 F6 b/ e7 x| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
. o# f2 P' K L1 N! v# U3 F| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
W+ ~4 j0 q* ?1 V| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
& M' ^1 ? w( i: Y+ z1 Z| ├──2--自然场景下的目标检测及源码分析
/ h8 g" ?" e& p; G7 |2 L; j+ `| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M# z7 Z# t2 Y2 z
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M; K# j& {; Z3 m, E
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
/ T, h" j. [* b3 F' P" U/ h' n| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
, b1 s* @; x4 j, t+ ?8 X! @| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M5 y0 V) W% Q: z' o2 p; y6 o) }
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
+ h% n' W% _% G; D3 _| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M: l! _: w6 A2 U" T- r
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
: `( |9 Y3 {+ `) m! Y| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M7 _- P) t( O7 E- B
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
/ i% V. Q# ^, J* g| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M4 ~9 ?# r( F( Y5 ~* Y+ r+ u/ \
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M" o8 J5 i- Q* d, P# i6 z
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
- w6 Y, G7 G) k| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M+ _9 c4 o8 r9 C" K5 \) \
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M+ M. m- w0 ^6 D( ^1 F7 Q# ?# @
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
' y) E+ K) X0 m) \; E| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
) {# @; g) L* X. }/ u. `5 D9 s& t| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M H( W! |& }, b7 h7 H$ d$ _ R0 k/ @
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M, }! x7 b m% r! F& R& q7 u
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
. O+ h& c, h5 c% f' R8 ^| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
8 X+ q2 W* X( R0 t9 v! y| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
6 c# s9 ~# |# Y5 W/ _4 K* V0 x| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M1 Q9 l% l) m% i
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M) g0 P4 S ~: X/ b* A, k; a( d
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M Z0 u0 k$ D% s: Z8 ~. `
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M% D, j6 x; S0 T9 B1 y( C7 E. U4 {
| └──3--图像风格迁移
: i( a, r1 o9 W# `, M' F) e1 W| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
( q& ~8 P/ L8 _( c9 f7 P9 X7 Q| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M2 y9 X: D) [( m' o
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M4 F1 e/ C9 H4 J4 b$ |
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
8 W7 `7 M2 x8 L0 d( M" r$ \! A├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 ) U1 d% g# i( D# p, J+ U
| ├──1--YOLOv1详解 - H4 w- ?9 y; s9 c$ \' W4 f0 A
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
6 S7 m3 L6 S" n) @) k8 B8 }| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
1 ^. X4 b% b/ V. ]- T" a" Y) n) S& c| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M! K7 b3 H4 W* l! v
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
) D, |& Q" z" }: M8 A8 y| ├──2--YOLOv2详解 " w# ?5 D5 \. w; k# `, I6 r: d
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M3 |7 f4 J. K+ Z3 E
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M; ]7 `3 d) I( s' w I6 ?
| | ├──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
$ U2 T% ]* n9 |, q| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M4 e) ]' w/ V) J, e
| ├──3--YOLOv3详解 4 c5 s# F6 d: T' d
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M6 T! H1 O/ ]) e0 [: y# v3 B+ b
| | ├──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
, y+ \: l, k3 q+ R7 x, H; H9 k| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M; r( s+ c8 A* I8 a, g9 e2 a
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M) R6 _: N9 V- b/ P
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M8 H3 r/ T! T+ Z6 V4 R
| ├──4--YOLOv3代码实战
+ m) U$ b* @1 M: l% l; x' }| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M* Y3 h8 A7 E' ?6 Z6 _
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
+ O$ G2 X% X8 P2 D& l% ~# L| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M& b& d2 P" T# W1 E/ Y5 F# s& r
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M. x. e$ ~' r7 L- e
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
1 D8 B$ p1 ~8 S+ j* s2 F' a| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
+ A5 b. Z6 a' g3 D1 O$ b3 k| └──5--YOLOv4详解
, g' s- S+ I" N( p: g# U| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
3 ~# [6 k0 g# ?/ u; D: ], T| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
$ k; C$ J' b% W7 p/ \| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M+ z- Q, l- S' @ \/ ~* @1 Q
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M# g4 ]4 O$ t0 d4 L8 L4 F
├──17--深度学习-语义分割原理和实战
+ Y9 t6 E" H& m7 [$ T5 ]| ├──1--上采样_双线性插值_转置卷积 9 T# T9 t' d' G0 K
| | ├──1-前言 .mp4 19.46M
. @$ Q# W) C" G! m4 J) Q& s| | ├──2-上采样_repeat .mp4 23.90M
; D4 m: V, X9 p2 I# x| | ├──3-线性插值 .mp4 34.48M
6 U. X: A# w: o% I1 @| | ├──4-双线性插值 .mp4 125.71M
6 J, X- s! R6 ^7 V% I6 r4 _| | ├──5-转置卷积_以及TF的API .mp4 114.25M
6 A5 v8 v& B2 O+ b/ V' l0 ~3 O0 a| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
6 Y+ k1 [! I' a# M% o| | ├──7-ROI Align .mp4 58.38M
% Z7 I) Z9 Y( m" F! C| | ├──8-FPN思想与网络结构 .mp4 92.14M
. Z" V, v, h0 w1 ~) b4 j& a7 J| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M8 Z# y5 E* x, o: |7 O( G' Z
| ├──2--医疗图像UNet语义分割 $ _) C1 m) K# @% J0 ?) ]
| | ├──1-语义分割的基本概念 .mp4 18.33M! ^' I7 ?% y$ y, T- G
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M$ k! H8 o7 J+ ]% ~1 Y7 s; B
| | ├──3-UNet网络结构 .mp4 30.41M1 t) \' w' Z) a, r9 j
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M$ T2 b; q- y" q" o1 `3 n
| └──3--蒙版弹幕MaskRCNN语义分割
* g5 w& e. h* \4 ~: i1 U| | ├──1-MaskRCNN网络结构 .mp4 106.38M
" c$ ]9 \4 j0 R+ L1 P& G. P3 R| | ├──2-MaskRCNN的项目展示 .mp4 250.54M W% e( a5 v9 U- k
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M, k. t( C$ U% _6 d o% M
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M, E& V" w$ ?; F K
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
: q2 w- ?9 i. [& B2 a| | └──6-MaskRCNN源码config和model .mp4 244.48M
3 X2 j4 s% b! a+ A2 B9 m, Q├──18--深度学习-人脸识别项目实战 3 l) ?; {7 K7 W& O& G* {, s
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M1 \8 ?0 G o" i$ n8 n$ r
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
' d8 v9 w0 U5 I% f/ q+ Y5 z* @% M3 c2 ]| ├──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
2 k0 U$ M4 U9 a0 Y/ _/ }% t1 L| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M! m1 @* }+ G5 P# Q: h1 Z# D& [
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
+ T2 @1 H' s. G6 r0 z0 h5 D- I% H| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M( }8 B; d5 O/ v S: R/ P
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M3 t; O' ]1 T! i- ~* Q0 K7 }
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M; }0 _/ r4 m! L
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M; S: D" K: @/ `2 R
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M% W `: H; T% I9 K$ @ b/ R
| ├──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
+ m- [, w5 l) D* V I7 w* Q4 ~. y| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
8 g) H3 C7 j8 _4 }3 S| ├──3-人脸识别项目代码整体结构 .mp4 30.40M& P) f8 h0 ?( Q( |1 _+ {
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
g: P; s% N: `* N| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M/ f5 h4 ^3 }6 G9 I5 C) e
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M0 K' v& L# h! U3 }( f1 G. o
| ├──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 F: v: ?% A) E$ a7 r x+ U| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M! a2 {0 P G4 L5 @+ L' 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, S1 [5 e- }7 t& _: i8 B, \7 E
├──19--深度学习-NLP自然语言处理原理和进阶
* z9 x) G) _% u3 p5 {1 G( s| ├──1--词向量与词嵌入
/ J7 V5 w/ T5 g1 u* s4 {/ V5 Y| | ├──1-N-gram语言模型 .mp4 116.32M
. V; n& W+ I9 |1 J' W& ^9 o| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
# x! I1 i3 v8 U| | ├──3-词向量的作用 .mp4 58.00M
5 f; S- D" j% p+ Q) Z# i+ T| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M% J, V( v( ^( R8 |0 N
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
% q9 q/ Q1 Z7 F3 \6 A| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
" E6 J8 q, A/ }* }| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
6 ^$ Q1 ]" V# n. K# F# S- l| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
6 d4 Y8 f! L! `' h; \ || ├──2--循环神经网络原理与优化
5 n. w' |5 [+ _/ F$ S| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
1 O. m! L7 C& z% h: ?$ l1 w| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M# j1 u( G' n( Z' o3 X
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
+ z% n: B4 N- L2 n8 Q% I9 s3 v! m| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
7 x. j: P% @# Q1 o. k# j+ B$ L| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M: l9 S0 X2 {% v1 y
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M. u# z! k+ T! l0 Y% N6 L
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M' o6 x0 \" T, r) P$ @9 D
| | ├──8-双向RNN_LSTM .mp4 52.01M
- G* O+ x+ b) D9 x8 p| | └──9-RNN里面应用的Topology结构 .mp4 23.04M' m, k3 ^) Q8 f. C, D2 {+ `
| ├──3--从Attention机制到Transformer ) y& S2 ?" x+ i! V$ L" V$ G. A
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
; i# S1 u* d1 f1 Q% g| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
* E6 }0 b/ i1 E+ p }* A- i| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
$ I! u) o2 m1 p' U( U1 E. P| └──4--ELMO_BERT_GPT M% ]' ]& M. Y \+ [
| | ├──1-ELMO .mp4 62.44M
$ D& S; C! U5 G( z W2 i| | ├──2-BERT理论 .mp4 99.73M, u, M4 O2 j) S0 F4 j) W
| | └──3-ERNIE_GPT .mp4 56.34M% q3 O6 Z. ~1 r4 a' p
├──2--人工智能基础-Python基础 6 a4 c8 e+ E5 i7 v: L4 Z8 J
| ├──1--Python开发环境搭建 7 I% V: O+ ] h9 f
| | ├──1-下载Miniconda运行环境 .mp4 100.75M* b r, `. ~( e) U4 m$ [( {( T
| | ├──2-Miniconda安装和测试 .mp4 57.12M
6 F: T- W, P& C- Z' R( C' A/ F. x| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
, g) L+ `) d5 |9 Z& ^4 h& M| | ├──4-Jupyter安装和代码运行 .mp4 37.10M4 `; Z# i+ O. z3 J2 }/ d2 ^3 b
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
2 N' ?: R5 J6 d- P| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M1 T n0 e, _) W
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
: j- J- A6 f' ~' l4 w| └──2--Python基础语法 ( q8 [" a7 I* }5 ~6 Y
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
/ O+ O# H! d( r6 V% J' x| | ├──10-Python_集合操作_列表 .mp4 34.71M
+ h/ k- k1 M: V: u6 L1 o5 y! n| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M% h' I! [9 r! t( F
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
7 W6 ?. B( G' t| | ├──13-Python_集合操作_元组 .mp4 43.46M( p9 T: J$ n h: j! x7 P" a
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
h5 l4 a9 W7 @$ U; u* ^0 Z1 ^| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M8 s) A. ^1 w* F
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
9 [% n8 R& \3 E' m| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
5 R# C, }; F+ L0 R| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M8 O& O$ |# }5 a( H5 u Z9 T
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
% n' ?1 v3 b5 _; z0 X| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
/ [* u# Y' N' n! C6 x1 g| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
; q1 J5 E4 L, z9 c| | ├──21-Python_函数_递归 .mp4 23.46M1 T$ H( n$ F4 F. B d
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M1 s, |1 H( ?: f$ C1 D5 k; k
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M% J4 r( G/ n+ A- g0 i5 Z
| | ├──24-Python_函数_闭包 .mp4 41.61M
7 J; m7 F. Y4 ^6 u: N9 ^| | ├──25-Python_函数_装饰器 .mp4 30.35M
" i Q4 P8 Q. S! {0 t/ J5 x| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M- }" K' F. j# o$ C$ O
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
4 D) P4 D0 L: i1 Q2 `! {; y" i| | ├──28-Python_类对象_内置方法 .mp4 29.17M
* S8 a7 L1 p, f6 e l7 c9 q! g: K! l| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
0 H4 `$ a& M' w8 a. j7 r# ?( [- Q/ d| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M% m+ {! V6 X) d
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
* w4 S; Z5 w; h5 {7 t| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
& l- K0 k+ N7 k8 A3 f| | ├──4-Python_控制语句_while循环 .mp4 25.02M0 d I/ Q9 f7 e" W; S' `6 D( f
| | ├──5-Python_控制语句_for循环 .mp4 22.82M1 C2 B$ l! A0 \2 N; m4 z
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
: ^ i8 M9 I2 C2 S5 T| | ├──7-Python_控制语句_break_continue .mp4 25.23M L! a. y* x# g4 ?
| | ├──8-Python_切片操作 .mp4 40.20M/ Y+ X& N8 C0 m' U( t9 w
| | └──9-Python_数据类型 .mp4 25.38M
4 B: k. \8 Y4 j/ P- ]* z7 G├──20--深度学习-NLP自然语言处理项目实战 . D6 H2 [+ f. }5 X8 S
| ├──1--词向量
0 O& ?; ~* F. g# d6 O" d5 _| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
8 _, E: W% n; t| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M) m# S! I2 E P# ?
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
9 n- h+ r' v8 l& T4 a| | ├──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
+ \: @2 ?' b$ w, B8 v% x| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M7 ?: ?" u) K3 p
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
& N* L) ?0 g4 C; b1 Z/ w| ├──2--自然语言处理--情感分析 % b: y. b8 P8 Z+ a
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
5 @3 X3 ]7 H# \8 X9 G| | ├──2-数据预处理_01 .mp4 79.65M: f6 l) C, Q, g ?
| | ├──3-数据预处理_02 .mp4 45.68M
* v2 j D7 \2 N* P7 d| | ├──4-代码讲解_01 .mp4 52.29M
0 l9 i/ f+ Q9 F$ u% f8 T' V| | ├──5-代码讲解_02 .mp4 60.85M
* O* K9 K+ _$ O, K; |0 t| | ├──6-代码讲解_03 .mp4 53.89M
) E0 s- c. y& g' {| | ├──7-代码讲解_04 .mp4 57.19M/ T& C: u1 V* G$ M; T$ }* ~6 |0 m' d
| | └──8-代码讲解_05 .mp4 35.88M7 e- X7 p- g: b3 ^$ Z' I/ R' u% g
| ├──3--AI写唐诗 6 R+ z8 |, k) G6 n) l; 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
8 o* y, ]6 N; [3 X| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
3 |9 s& r& o( s& N9 O7 w0 e| | ├──3-MultiRNNCell单元 .mp4 38.93M, Q. W: ^: K3 c' b
| | ├──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; g s7 _0 r, D3 M
| | ├──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
m! e7 r$ `9 e( _! A4 G| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M' D/ x3 Z8 A& K# ~1 N+ v/ d; \! k
| ├──4--Seq2Seq聊天机器人 9 V* C9 G& y& ]- I3 N/ `) P9 }! K
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
. s" z- k& \% D( T, m, Q| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
; `4 x" q* ~. @, T| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
( J. j7 b7 M; ~7 t7 ~1 W' R8 `| ├──5--实战NER命名实体识别项目
1 F: i0 G$ C7 e5 b3 ?| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M$ C( A0 \4 _4 Q+ ]. H8 I
| | ├──2-介绍了代码目录结构 .mp4 23.44M0 B9 U/ I' y' f1 A8 d
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M S1 R, u+ h$ _" r/ j1 N
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
5 x5 E" I3 g$ l' }* o: P' O5 l7 Y m| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M: B! f& J+ f+ P1 z1 `
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
9 I5 @. ?( ]5 g* I| | ├──7-CRF中的特征函数们 .mp4 125.97M c D( a t' Y0 |) Q2 q
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M) ?( e( M9 P/ z" T
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
4 V; F8 c8 @5 D9 v5 Q: a# L- P| ├──6--BERT新浪新闻10分类项目
B0 v. i' _. {/ `| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M& p8 R: S$ f6 v
| └──7--GPT2聊天机器人
" ?- D3 g; |7 S4 S6 ]| | └──1-GPT2闲聊机器人 .mp4 62.28M+ b! A, f* q4 o# W( \( T2 \. I
├──21--深度学习-OCR文本识别 & I% u# ]5 F- S7 G
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
9 e) c# e0 h- e| ├──10-CRNN项目代码剖析 .mp4 306.48M! y! U6 c/ j& B! e8 o( h1 W9 u6 x6 k
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
2 `9 S, d% F, T! Q* F$ m) B| ├──3-OCR识别的CTC损失思想 .mp4 327.69M8 m$ S8 w- U/ d- C
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M2 K$ [" x/ @4 u$ M* B% a# R
| ├──5-CTC损失函数的理解 .mp4 330.64M0 q/ v; s. d, d6 e3 ?* ^
| ├──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# ^4 K" y( G! ?' J9 U
| ├──7-CTC前向后向算法代码 .mp4 225.41M+ \4 R. _ k5 C0 W' G
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
% b$ e; _% E- c8 U| └──9-CPTN项目代码剖析 .mp4 491.69M
$ H9 l" [; F5 L5 c0 H9 r0 i }├──24--【加课】Pytorch项目实战
( l Y! {$ G. [1 `2 G| ├──1--PyTorch运行环境安装_运行环境测试 4 [) n0 x# J4 F+ D
| | ├──1-PyTorch概述 .mp4 29.29M! I3 Z# H, q' W
| | ├──2-PyTorch的安装 .mp4 76.45M
3 d: D$ {% T+ A| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
' `- Q& n1 r" o: M% I. O8 n! b| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
$ G% m% s( d u' H3 _& I: `1 _& G. A| ├──2--PyTorch基础_Tensor张量运算
& l# U! ?9 J( c| | ├──1-Tensor的创建 .mp4 55.14M
% }( ?8 O6 T2 S- t# p, k. h| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M& W1 F- K) n! K/ b: @9 `
| | ├──3-广播机制_逐元素操作 .mp4 44.46M3 G" y* P6 l! a, k6 a1 o$ p" v
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
0 C) C7 I) A; b) t| ├──3--PyTorch卷积神经网络_实战CIFAR10 7 h0 j; e o0 W% V8 [" o
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
' i) [) |1 r+ S0 f3 E| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M% ` h2 _ l* L; ?' c; ]
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
* x0 y* K+ [4 k; O; ^| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M R: }+ W( `2 a! ^/ {+ N2 {
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
+ H$ d/ ~1 h; b- d| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
, e" H& O! n$ F4 t" ~. z| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
; c4 O# D" P4 K: @7 w, i$ G) ^$ M| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M, l! u& i: o& D4 t
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M' z+ S. `/ R& k# {3 ?0 |
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
; }' |1 f, k% E7 i. ~ p| ├──4--PyTorch循环神经网络_词性标注
* r4 B' S! h0 m# {$ m| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M$ v. [$ o p6 o# x$ M& r# @2 k
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M9 b& q5 U8 M) ]% A/ r' B
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
+ f3 h H; B8 t& R% Y! ?# P| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
! q* u: w5 p2 C* r( }; ` H| └──5--PyTorch编码器解码器_机器翻译
+ a6 ?9 }6 n1 `9 |5 R| | ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4 50.41M6 w9 J* t2 S0 Y# k2 M5 U
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M3 E3 ?' [. }5 l$ U" v$ T0 q* t
| | ├──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
; J p4 o. O% e& V) ]| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M2 V6 c) o x- ]9 v" k* {3 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) ~ h1 C3 Q$ p9 r* {9 L: t- S, z$ M
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M# w2 u& S- J( x' R% {7 y2 P2 o- j5 i
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M# [' n1 t( B+ t( R2 g
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M% `6 F: o" U# f' O# Y
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
' s) h, W9 U* C* e; v| ├──1--PaddlePaddle框架安装_波士顿房价预测 . d: R9 U8 g/ q2 M4 R
| | ├──1-安装PaddlePaddle .mp4 87.34M
9 a: q4 e+ l' @1 C| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M4 g- N- \6 W6 e( k+ y: E2 E/ ~
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M* H* \; z9 E' k4 c
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
! Z) j }3 \# ~5 N$ s* {4 K/ p| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
$ O z9 ^: A, ?) \| ├──2--PaddlePaddle卷积网络_病理性近视识别 : s0 C, Y2 }. P* M
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M! o3 G( b4 {( Z
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
- p6 R& ~: e; q4 q/ P9 p9 J: m) y| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M" `# V0 t/ K6 n" f# y
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
& f! u4 o+ | Z| ├──3--PaddleDetection工具_PCB电路板缺陷检测 & Z- Q( \: H! j& H4 @6 J* m
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
( }/ {$ O7 b. B: [# D| | ├──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) l# B- @* I/ c& S9 L6 n8 q
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
) v& R. p' J8 N4 W: Y) r: s| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
0 I: e3 {% c5 |* f; q* [% o. {. p| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M4 S0 S# j J8 z' l
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M' v M; s" U w- N4 v* ?
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M& U# F. c' U/ N
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) 1 M8 r: j+ A7 ~4 c5 h' ]$ d0 b I
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
" f; K& {- B. S D; _| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
% {4 \ o& J' J/ T1 D| | ├──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
% I+ }' o. R9 H; c| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
! I9 i; O* O# A0 ]' A. G| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M, N9 h3 T7 h( e
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M% ]& c/ b! v4 ~- D3 Y* a) v
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） 9 y8 S; W! S' N+ j; }( g
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M- w! Q" r5 h* c, j8 w9 c$ k
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M E1 U4 `1 t N9 T) W
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M1 |" z ?! K; @0 v
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
" n" `5 Y% [ U6 ?/ \0 Z| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M r- U9 l# `' c2 g4 q6 [# x# F9 p
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
! R m# i, ^+ ^" Z$ y4 ^| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
$ n% a$ Z7 j3 `2 x| | └──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 80.58M7 S4 Z; E( V# Q) V+ Q$ P. L
| └──6--PaddleNLP模块_物流信息提取（ERNIE版） * l4 K; H, ?) x+ M; H( |- @2 g
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
1 X( h5 o2 E) [- S" @, v| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
' z; m! t$ T, [7 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 47.78M1 E" t0 j- F0 v5 u G# m
| | └──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
) E( L9 n5 k* o2 S/ C. T$ W1 f% Y+ E├──26--【加课】Linux 环境编程基础
+ E, X8 R2 {( \6 ~. N* X| └──1--Linux 0 u3 F3 T4 E* f3 H+ {2 V
| | ├──1-Linux_课程介绍 .mp4 3.72M+ o& u' W: i8 |* _3 z
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M( b2 \+ _% j$ j" T& [% q6 {
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
' X/ Y* ^/ k! ]/ T/ G" Y| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
4 {2 \0 f4 k0 w& [5 D| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M/ S& ?& Y6 |: O1 l+ P
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
G2 r6 g) Q) s& Q| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
. w9 Q5 N9 {5 j/ p" m: y| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
8 ]( \% ]) A# A. `. X/ ]- z+ f# P6 {| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M/ z0 G' \2 @# }* c- e
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
% `! I" G5 e( X4 f| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M, R. m) `; c6 U I: e4 h* z3 P
| | ├──2-Linux_Linux简介 .mp4 17.59M! ~; B" G5 a& {2 F! l. I; S- n3 W
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M+ P6 c C& \+ I1 k
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M, y" b& ~0 C+ r" `3 K+ f7 S
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M- l5 {" d( }" Q! ]5 w S
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M# G$ W1 w( `3 }' l: ]# k1 {% {
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
# {, p$ r0 L- C5 ?) v% d# B% h1 [, G% M| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M( R, E: V0 R% `4 x+ m( k: V
| | ├──26-Linux_安装MySQL .mp4 79.02M% U2 ~9 x7 J1 [/ m5 `7 F
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
( |. U2 l& G1 l! }9 T! r" Q0 ^1 || | ├──4-Linux_安装Linux .mp4 41.97M
/ }# ~$ t3 v% y. i) L; k| | ├──5-Linux_目录介绍 .mp4 20.31M/ Z. [( l) s. D1 Y) h
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
3 J- v# j- Y8 I2 e4 {9 \| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M/ Q( n( g* t0 `. x) C2 D
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M- a6 f7 {/ v/ Z2 z
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
( R' g- p( q7 [$ O' u& ~├──27--【加课】算法与数据结构 " K' K% g% K" F$ E
| └──1--算法与数据结构
- x& m% U& j6 m8 `% w' t0 G& E/ a| | ├──1-数据结构与算法简介 .mp4 35.68M2 d4 t" N. ?& A" L r
| | ├──10-哈希表的基本结构 .mp4 54.34M# O& ]+ W# t* N# U8 i* j
| | ├──11-哈希表冲突问题 .mp4 75.92M# K; W1 O4 p5 Q% A3 e6 p
| | ├──12-哈希表冲突问题2 .mp4 72.30M: s" i* S! i( W: [0 c
| | ├──13-哈希扩容 .mp4 111.03M
8 h8 i2 ?! P: Y4 B| | ├──14-递归与栈 .mp4 50.77M
7 I; s9 w- E7 W. h8 j* U x| | ├──15-线性查找 .mp4 57.80M
! s+ x, ^3 c( S+ e4 S$ A| | ├──16-二分查找 .mp4 52.32M
9 }. ?* a* T6 ^: x. v0 |; w| | ├──17-冒泡排序 .mp4 53.19M" f6 k4 J- [# E0 ^. Z7 h5 n
| | ├──18-选择排序 .mp4 43.29M
! e6 ~2 C2 m4 b4 |, A H% u| | ├──19-插入排序 .mp4 31.39M
5 L" F4 M1 h' i7 i% \* i. b2 T| | ├──2-大O表示法 .mp4 25.59M" P! b& A Q. @" M; z2 b, v5 S: }* x
| | ├──20-归并排序 .mp4 84.48M4 }0 n- \; L9 E: C7 w7 n) \
| | ├──21-快速排序 .mp4 36.63M
v) l7 |+ w% D U9 R| | ├──22-树结构 .mp4 96.85M
% h4 @1 h9 F- L" v, o| | ├──23-树结构的遍历 .mp4 61.05M
' U) ]6 Z2 O/ s || | ├──24-最大堆的增加操作 .mp4 45.43M
3 y+ M) W# S' j1 K; `# `7 n| | ├──25-最大堆的删除操作 .mp4 45.63M
3 @9 f; m# W1 x& u& K& o1 D7 k4 T/ r: h| | ├──26-二叉树的查找 .mp4 100.24M
, n7 m: O o# v$ D" R6 M% C| | ├──27-二叉树获取最小值 .mp4 25.21M5 R {: g, k3 ^0 Y& n3 T) I8 i4 e
| | ├──28-二叉树的添加 .mp4 72.66M& I+ F. e+ c( I% F. A6 G
| | ├──29-二叉树的删除 .mp4 120.06M+ w# f& |! ?9 _* p
| | ├──3-线性结构 .mp4 53.14M: H; S; [, K6 }( x( F
| | ├──4-单线链表1 .mp4 68.36M, \1 c" ^* r' i- @9 b4 ^
| | ├──5-单链表2 .mp4 221.69M
; P c7 u8 B7 D| | ├──6-双链表 .mp4 103.57M" ^' G0 @. f$ u2 S6 y+ z; C p
| | ├──7-队列(链式) .mp4 74.12M
2 I5 I) o! w2 ^1 w, c+ Q; k: O| | ├──8-队列(线式) .mp4 30.99M
0 d7 j% N6 ^; S N: q6 O| | └──9-栈与双端队列 .mp4 28.12M
1 N6 `% s6 `5 j) e8 T. z4 a$ U: s├──3--人工智能基础-Python科学计算和可视化
4 @) o3 j/ g; w0 L+ N, M; w| ├──1--科学计算模型Numpy
- l! V2 l8 B5 C7 y- _1 L# @4 @| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
1 X" a+ D$ e0 g7 N| | ├──2-Numpy_array_arange .mp4 35.45M! D& _, ~) N) q" x
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
. G. _9 I& Z) L' {4 N| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
7 N' y+ N% q+ m+ N2 a0 Z1 ^| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M3 _# V9 u: \ X) L9 ]1 Z% |. l
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M! k, Q. ?3 _. Z) G9 P
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M- s! G" M6 N( w! a
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M( y6 k5 ]$ T M9 \7 g. z4 ]
| | └──9-Numpy_聚合函数 .mp4 23.68M
0 i: h" q& X" T| ├──2--数据可视化模块
) _/ o+ W$ p8 ?4 j4 q| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M7 s& M% K. \# v: W- j2 a7 d
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M, @* d$ Q. ~6 |* n
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M2 Y+ t1 y3 i* Z l
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
0 Y$ O9 \$ ]0 V) ^) f3 Q0 z0 y| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
: e6 d/ c" L, ?4 Y, A" s6 F& h% G| └──3--数据处理分析模块Pandas
, ]/ i' ^/ K5 N! A5 t2 }( m| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M0 j/ F3 |2 {9 d ?
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M- g; Q. R1 \' \
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M: b' x! g: V, S' z
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
5 V& `4 R8 Q- A. f# Y| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M. a" b6 g$ |( w! m
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M7 N/ w% M% k% h% U: U
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
# [1 o# {; u9 A8 r. l├──31--【加课】 强化学习【新增】
& K. `7 S: i$ q* d* D5 I c4 u! u) O| ├──1--Q-Learning与SARSA算法
( W, w9 e7 {, X! } b* d& ~| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
) _' }7 D2 p+ Z| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M4 w# h1 z! J9 \. e) u" C& S' s
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
* J, c& w) p9 g/ w, t| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M' |& s6 P7 v r
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M3 m! G. r" {3 R1 G
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
. o/ j/ h' |5 S ?* v1 L E| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M4 i; ~! M2 X" C* V6 \
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
2 ^0 r# H' ^6 _/ p7 `| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M6 @& o, G# a' t# w
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M' K2 q& {1 a! b/ U
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M% a/ ?# L% k1 z& f2 S0 B
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
; n7 i; @/ j. S: ?( Y. o2 ]' S( ~| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
# W7 A- g5 E+ C. F( f, q+ g| ├──2--Deep Q-Learning Network 3 a% F* Q, {" J0 E% g
| | ├──1-DQN算法思想 .mp4 59.24M
# w$ [5 Z$ ~: D& R1 ^. Q4 O v# s: @| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M0 N) ~' m6 r5 F+ r0 [; E+ S: R
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
4 G8 i6 T. q8 b7 o0 t| | ├──12-DuelingDQN .mp4 88.12M, a, P$ M" ?# [
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
+ ^) w- Q- v6 D! M, B0 o| | ├──14-计算Action的方差避免风险 .mp4 54.23M
# J4 o. [9 x) }; g# \| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M* p3 |1 _& t& B* v* W2 V
| | ├──2-DQN算法具体流程 .mp4 56.17M9 n1 h, Y; s0 O: x, V
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
$ c8 S& Z8 M8 Q7 s| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M) `6 \& `3 i1 s
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
9 e, R9 i0 O5 J| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
. A. h) M' [1 p" p6 @8 m$ e| | ├──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
) r9 g. K+ m3 G! e| | ├──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
. }# n9 G0 [$ L/ g/ _| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
5 D* f" n$ P0 z, U7 [+ X| ├──3--Policy Gradient 策略梯度
2 f; W0 ~$ I. Z1 R) P: w| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M& k0 w: A$ h: ]1 K- t
| | ├──10-策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战 .mp4 34.22M
+ c' H5 q U' e3 \| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M* J$ j9 ~; W5 y$ D
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
/ m* Z+ F$ H; g! T| | ├──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
( i# r; C: J- s| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M% S( m# r' k7 a7 |, U
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
/ K1 y1 }( M8 M6 y| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M0 @5 W( y; z/ h3 L/ J
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
* o* X0 }, b* p6 I9 Y| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
( q6 B$ b8 J1 h8 a4 A$ r* O9 ?+ e+ ?9 \| ├──4--Actor Critic (A3C) " j( v- ~3 ?' G# I3 Q/ \6 m* w
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
( |8 m2 x2 R1 ]2 J| | ├──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
6 @4 K' q4 E' o# W3 G| | ├──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 40.24M8 ]7 @2 d! T, N2 Z1 A
| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M9 N$ N+ d |- @
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M% }+ U4 Y8 [9 n# Y' B8 `! V
| | ├──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+ k( @& v9 F% p7 a' k- M
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
4 g0 t3 I6 L/ K| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
0 ^1 _5 i6 L5 S* p0 F| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M- [" _* @* T7 A7 ]1 K/ W0 h
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M, @/ n, v, e' T& a
| | ├──6-A3C架构和训练流程 .mp4 74.66M
0 | n8 r0 O% B" S0 I. K. I0 M& Y T* T| | ├──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
1 t2 j: H: @% h| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
) f& |9 r8 ~! Y1 h0 @- e| | └──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
& U& W( ^* |; r3 w6 F| └──5--DDPG、PPO、DPPO算法
* |. A# X: K+ J, W6 p$ _5 g| | ├──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
( }, c& a# c" j/ u0 s! {| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
. n8 X% o& y& ]/ T' d) ?| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
; |0 y# ^3 [9 E3 y| | ├──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
1 f, y8 @ g, m) K# x| | ├──13-DPPO分布式PPO .mp4 63.81M4 [5 x' T3 _5 N$ m$ f% u! A6 s
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M. a4 ~: [6 e) H4 `" O: J: j
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
0 M, U7 B0 k. N' {8 v: Q" I| | ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4 51.45M/ X+ n+ f4 P# l1 `& s
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
' N2 V. W' o: j3 [; e& j| | ├──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 c( E( i5 [- u( A7 g* K% S& v6 z
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M7 v) f/ J( u* ?) A% L# J; G! V
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
9 F# c& h% J9 W( Y0 M/ a" G| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M/ g$ V7 C# c9 J4 i
| | ├──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& b- J& _8 y i- j) H) f
| | └──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, K1 G5 o5 f. K& ?9 C+ I) g
├──4--人工智能基础-高等数学知识强化
' [$ l& H1 b& Y, U7 n3 L0 k| ├──1--数学内容概述 4 D* k! b5 c1 k4 q \
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M3 R, T3 x, V- R1 u' e/ Y
| | ├──2-线性代数_概率论知识点 .mp4 26.81M, M& A+ {2 d' g# P1 R1 u
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
. i6 N$ A! V( L7 T- T. c| ├──2--一元函数微分学 ; y2 [* v) j g, w; P$ L+ v1 @
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M# |' r( C+ J- r" Z) j9 Z
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M# M7 u5 T( l& O; j; z
| | ├──3-常见函数的求导公式 .mp4 22.76M
8 Q0 r& Z1 f" z| | ├──4-导数求解的四则运算法则 .mp4 26.52M
) V& L& D! T4 R* u. B' B| | ├──5-复合函数求导法则 .mp4 19.68M8 ~% ]4 j y" Q# d4 j
| | ├──6-推导激活函数的导函数 .mp4 33.40M) k- I4 i; |0 F- V. g) Y# R6 m/ \0 [
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
7 D+ }& d* E9 @5 t: N5 y X& p* s! i| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M0 I' z+ o& E' d+ f
| ├──3--线性代数基础 , [3 @' v! B7 ?4 ]$ m! P
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M8 r0 P, } e# M4 |. u( m
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
. }' `5 C0 [( Y9 Q) g/ v/ v' o| | ├──11-矩阵的行列式 .mp4 20.13M: ]8 S4 b) F; G1 @" T
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M$ [! L8 w( B7 l6 w
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M8 L2 C" l/ e+ Y
| | ├──4-学习向量计算的用途举例 .mp4 20.32M: h: K. x% J3 _; O) K
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
r$ ?4 K: A! _| | ├──6-特殊的向量 .mp4 26.45M% F" y6 `3 m; G
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
6 l/ A8 R4 |2 [4 [. z# B$ B8 E| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
, I. T8 S* N' X" ~+ A| | └──9-矩阵相乘 .mp4 20.02M
3 r- j- p* V9 e8 P3 W| ├──4--多元函数微分学 $ T8 Z/ @. T w1 l
| | ├──1-多元函数求偏导 .mp4 22.61M
* [8 N6 e# |! m$ O# S+ \| | ├──2-高阶偏导数_梯度 .mp4 27.15M
- f, b; X1 f, O! B| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M; b: |6 g4 n$ ]9 b
| | └──4-Hessian矩阵 .mp4 32.93M$ S X& C. i6 ~" M" G9 s( K% z
| ├──5--线性代数高级
2 U S6 b4 k1 s3 a/ y# }' z, @| | ├──1-二次型 .mp4 27.70M
, x" f! G9 J' T; ?% h) d) k+ e! R| | ├──10-SVD用于PCA降维 .mp4 24.90M
4 S, [( T/ E8 R/ }7 `| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
3 d/ q3 o, ? k( _$ u/ F| | ├──2-补充关于正定负定的理解 .mp4 23.48M
" @6 m0 L2 A& U* [& H| | ├──3-特征值和特征向量(1) .mp4 29.83M4 q9 y: X$ c5 a$ g3 b+ D
| | ├──4-特征值和特征向量(2) .mp4 30.07M$ ~$ h; m0 w4 X, V$ W+ \
| | ├──5-特征值分解 .mp4 38.68M
* q6 t* f( u9 f5 h| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M6 b- t6 x5 j7 @' L/ c! I0 ]1 U6 J- X
| | ├──7-奇异值分解定义 .mp4 22.58M
3 G5 {% `; E/ [2 r6 z| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M. `, G$ E& h5 K6 @; ?
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M9 x) L* x1 @+ @* G. L. b6 ~
| ├──6--概率论
c2 K; c* [8 v. L| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M! N. R# a: Y2 d1 N2 t- O
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M4 e* u, [& g3 \
| | ├──3-随机变量 .mp4 22.57M
. z/ m8 B# H9 p" e) T2 t| | ├──4-数学期望和方差 .mp4 22.96M
4 m/ q8 j" J9 A3 t @| | ├──5-常用随机变量服从的分布 .mp4 22.48M" f. t" p, b, C7 P% [6 V8 O" [8 c/ B
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
& {/ J6 g# o2 {3 p' T" ^| | └──7-最大似然估计思想 .mp4 23.42M
( n. `" R* \$ O# D% q' l0 m| └──7--最优化 1 ? e% C4 m4 u# c l1 S) o' c0 p+ e
| | ├──1-最优化的基本概念 .mp4 35.14M& d2 n! ]( M8 u4 U! _: r
| | ├──10-拉格朗日函数 .mp4 27.46M
7 J, n* C6 l" ?" m3 o' `| | ├──2-迭代求解的原因 .mp4 20.15M
" _. }0 M: ?; ]6 E8 E. u% q5 F| | ├──3-梯度下降法思路 .mp4 26.33M0 c3 a# b4 W: H7 l/ N. ?
| | ├──4-梯度下降法的推导 .mp4 43.56M8 Y8 @8 {* O J6 m' K+ {3 X6 y$ ~
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
' k- c2 n5 ^2 U- b( V0 ], g: O$ U a| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M, D7 ]) ]$ _3 T3 p
| | ├──7-凸集 .mp4 21.90M
) q3 u& l3 D& i| | ├──8-凸函数 .mp4 16.93M! ~- i J6 D. |# I" P; X' M
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
0 \# @" S0 i" s( { ?├──5--机器学习-线性回归
/ e+ ]( K/ t. {& P| ├──1--多元线性回归
# [ I( R& d* S) Q- q/ ~# K5 ?| | ├──1-理解简单线性回归 .mp4 51.11M
8 W: b3 W4 H2 H1 C0 N| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
5 ]5 z; F& ?" |5 J6 v" f| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M" ^& n, y X0 T/ g6 u# J" Z
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M- B3 t$ I0 [; D$ x6 g$ C
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M- E( d. Q0 q; _1 h8 g5 l/ u2 Y8 R9 P
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
- u6 z/ V) L3 G| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
. u% p0 l6 w* p| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M+ G% S4 Z9 }4 T" \/ j, J( P
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
' Z% ]8 x4 f9 w& [! I. N3 V| | ├──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
7 o" I: C# _) {6 q1 F& ]7 W- V. J0 f- L| | ├──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/ t2 a; T1 b, i) \
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
& F, ]6 B: P/ O8 I5 _1 F| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
% b) r5 h9 T8 O7 S; ^' v0 A| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
; R, H! S( y t; b0 {+ Z- n! h| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
$ t& d, G8 B1 l8 t+ Q' {) O| | ├──3-扩展到多元线性回归 .mp4 32.15M
8 i" T/ ]/ d+ B1 {, o3 |, F( L1 D- g' z| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M, r: q5 A, E) D/ a! c& i9 z# T
| | ├──5-理解维度这个概念 .mp4 41.41M0 N- l8 W/ l7 R Q# M- q
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M& x6 k* N L$ T- i: C# t6 @
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M: }7 P' I. Q7 P4 e: q4 r3 c
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M6 I, z2 w1 [. @
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
3 F6 {! A% o' \/ [9 U; C4 J| ├──2--梯度下降法
! o* ~& w: M2 @3 G' B| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
: Y B. M/ x) z& f# Z# d| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M2 \% z& D) Z, J1 Q. m
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M( @5 ?9 ~& b) Q
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
: M+ F; ?( y7 O) M) I3 w0 l| | ├──13-代码实现小批量梯度下降 .mp4 27.32M9 K, y& ?5 d% X @5 r2 ^" M+ ]: l
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M, A) a7 w4 n: {' F, A$ d
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M3 [% j3 y0 h3 y- n# B4 c
| | ├──2-梯度下降法公式 .mp4 57.12M
. x5 h+ J; H, V0 a- l| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M1 g8 J0 l( L2 ], M) j
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
7 e0 i; v, G' @( e| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M7 X. j$ E$ Y+ W0 g7 {9 u
| | ├──6-全量梯度下降 .mp4 62.84M
# i- g: F6 }. j' |: u% E: i, N| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M8 d j( r9 p0 k+ c9 Q) @
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
" E% F# |. R) P/ R( i: E| | └──9-轮次和批次 .mp4 45.22M u5 B7 M2 J/ o, |- i; W* n
| ├──3--归一化
- K5 J- i& G5 m2 R| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M0 [/ R: i5 Y+ m
| | ├──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) P3 I( O# Z* U/ u| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
2 ?. [0 C9 `( v! J4 C| | ├──4-最大值最小值归一化 .mp4 24.87M
\* x5 S. @1 v2 _" b| | ├──5-标准归一化 .mp4 51.86M
: P( x/ E$ S8 G) h k& M# @' D N| | └──6-代码完成标准归一化 .mp4 41.13M% i* }8 U* [9 ?$ b7 M
| ├──4--正则化 1 X2 _; i4 A+ L6 V& u* k2 m
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M+ }6 X8 f: V w4 N; |! X
| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M3 z {8 }, y8 {2 b& t$ D+ Q* X3 O
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
- t) E1 K* L1 d8 s {, X" q% A| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
! q+ a# c8 e# {% ]+ [| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
, P) O7 @2 k) X$ V/ z7 F3 u# S| └──5--Lasso回归_Ridge回归_多项式回归 0 L$ O9 e$ V1 K+ b: O' X
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
( V0 |' P8 X( N9 y| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
/ r- m e. e" g# B9 x1 f. F| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
% _8 n* ~3 U& N| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M% \, h+ e% o# I8 b4 A3 B
| | ├──2-代码调用Lasso回归 .mp4 28.73M
; @: g! m3 `7 |. F| | ├──3-代码调用ElasticNet回归 .mp4 53.67M) y. B% M+ L) r( i
| | ├──4-升维的意义_多项式回归 .mp4 48.06M: r7 {5 K7 T9 O( D/ i
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
4 C& M: J/ Z& ?. w2 }! |0 n| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
( E) a: _+ y" C, ]! R* o3 |, G* l| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M2 j% ~3 {2 i# x- v k& B
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
5 A- [2 r2 T+ q7 C V| | └──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
, i8 y: B9 v) H2 i% O6 G8 U├──6--机器学习-线性分类 . x; A4 i) }8 v3 ~
| ├──1--逻辑回归 2 O. m- h5 e; r7 c1 y
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
$ d( q! C' D3 p| | ├──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
/ |6 v) s+ `' k| | ├──11-绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度 .mp4 43.87M
" Q# Y' U! O0 Y! b& E* M5 d| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M6 ~& t; [( [2 o. H2 I
| | ├──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
+ `. I9 u4 E# V, {: p S| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
( m/ t3 E& S; b| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
; R9 F. j6 h( K( o6 Y| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
( p3 f7 i# z7 A; A/ @) ]| | ├──2-sigmoid函数作用 .mp4 38.15M
$ t2 a% D7 x" l& y| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M: b! J6 o# V) N! s4 z: R
| | ├──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
2 @, {4 c8 e. n1 l$ W| | ├──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& }* r9 w: Q! Y& Z& g# u
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M- z8 ?7 K1 M9 a
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
0 M' M1 R1 k$ Z2 _& v* M| | ├──8-绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数 .mp4 56.56M
+ \# T. ^& q( s( x. T| | └──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
' d3 \; [7 [' C/ q, B3 k- y6 y| ├──2--Softmax回归 ) t, h$ @( d, s( L/ ~& h! K4 t
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M) w* r8 a2 J q3 N+ L' y
| | ├──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, y* S! w+ U5 u# ]7 o, D( `
| | ├──11-实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果 .mp4 49.16M
5 H: {/ t, k% J1 `| | ├──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 y) i4 B2 s, _+ [" T& Z1 U! x+ A| | ├──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
3 [5 E& j7 Z6 x; n, w5 Y: j g, Q1 d* J| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
# a, S7 Q/ K0 ]) J% s, 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
" k% A' W: a' |# J3 P| | ├──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( E: P" Z# p# l4 H q
| | ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性 .mp4 13.92M P0 b Z& ~0 t( i$ y# [! }( `
| | ├──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$ s+ ]9 \' M& Y1 s. c
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
2 Y/ \) Y7 X3 S/ j' m7 _/ D| | ├──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- Y0 b! H3 w- E' c3 u
| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M0 p# v- f9 ]. k6 Q9 t8 c
| ├──3--SVM支持向量机算法 8 w& N A& N) Q9 O
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M7 p4 r& T+ K0 J7 w2 `8 D+ g
| | ├──2-SVM的思想 .mp4 55.56M
- l# h M: ]9 Z# H7 o% }6 [| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M' _0 r6 c& v+ D; s# e& T2 g
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M6 d) u b' C# L1 q8 T0 W
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M) H0 o; l( |/ {
| | ├──6-总结硬间隔SVM .mp4 39.01M
6 z: M" p& s- @" ^# Q| | ├──7-软间隔SVM和总结流程 .mp4 135.76M2 A" s% J1 G/ Z+ t. i
| | ├──8-非线性SVM .mp4 54.43M; K! G9 F5 m% B, D
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
3 n4 E6 ^' Q) a) i2 O3 u, A| └──4--SMO优化算法 ( v$ h M8 [* } O+ l2 F3 o. k/ n# o
| | ├──1-SVM算法流程总结 .mp4 58.36M# W/ }+ ^* F) ^5 O
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
9 @ b/ J- [ U4 r& m4 L| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
% p1 M. F/ G, g: p r% G& I% `7 q| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
; c+ e+ I/ d2 \# u8 F| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
( y, Q% \/ b# E2 V! H| | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 69.00M, Z b7 U8 X1 M& E* h
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M% ]* O7 |0 V; K5 X
| | ├──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 65.42M9 o3 A4 ?! u' P4 y) O* o$ l
| | ├──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
% ?# P$ W+ M* n% ]| | ├──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) |2 ]# [ W; N9 v$ X0 l
| | ├──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 92.38M7 c$ t5 p3 v5 z9 r
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M& Z( x. ?: @8 J
| | ├──7-启发式选择两个α .mp4 23.11M
z: S$ Q, J; Z; A| | ├──8-如何计算阈值b .mp4 50.18M
7 H, ]2 y2 Z# _5 f7 q$ e b t| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M# i. j+ M( P( q( P/ K( b
├──7--机器学习-无监督学习
) H/ x# J% Q& C+ k8 Y| ├──1--聚类系列算法
: F- A, `! _) k9 v& M) P: P* G( k| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
" [ L$ S8 r3 n0 V+ q. n| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M! ^0 E9 h3 J3 d' P% ~& S0 R
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M& g) `# P) N7 p7 q' Q' B
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M4 S% N- j5 A4 ~' d- ~
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M7 A9 ^( ~ ?* s' x7 T
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
) @/ d3 Y- Y+ {( d a, G| ├──2--EM算法和GMM高斯混合模型 9 n' h2 T# }$ J; z9 E
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
& A& x: C& ^5 n. v| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
( x4 j3 P4 E q2 x6 f9 M6 `| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M9 f' }, J& }% _( A/ m2 A
| | ├──4-Jensen不等式的应用 .mp4 109.17M; X% N9 C) S1 A8 D6 I. u
| | ├──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# X& |7 x7 b4 y8 K
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M5 s8 e' M2 }7 X0 |3 o/ L
| | ├──7-GMM前景背景分离 .mp4 16.01M1 h$ Y/ {* }: e
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M8 C5 d1 v3 s2 W# m
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M/ e7 e2 d* C* P2 u) H
| └──3--PCA降维算法 ; B& H" W7 N( B/ A, H
| | ├──1-特征选择与特征映射 .mp4 49.38M& U7 H7 ~5 U; ~3 W8 ^; B$ o
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
* f( C; r% P0 e' N6 [1 U, w1 J8 `| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M& q6 @# `+ j, p) t! E% Q
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
8 V/ A" i, d/ ^! o| | └──5-PCA的几种应用 .mp4 54.58M5 a; G7 `5 O# x9 Y
├──8--机器学习-决策树系列 ! y* h+ H+ r% J8 Z
| ├──1--决策树 % Y; [0 q# D! z* p( {3 ^9 {
| | ├──1-决策树模型的特点 .mp4 74.88M/ X' H9 M# _+ r( O, A
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M" J. W9 X; \0 b0 T
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
3 U" [. W& F& M7 V$ t7 W) ~| | ├──12-后剪枝的意义 .mp4 50.49M6 l$ @+ R& \0 f" f4 i7 M8 }% p
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
: f* ^7 k( h. b ]/ \6 J- a6 g# z| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
- Z! q+ u, [: E6 W& J1 i| | ├──2-决策树的数学表达 .mp4 89.94M* d1 Y8 G) p9 o5 K7 a8 D" Q O( N' ]
| | ├──3-如何构建一颗决策树 .mp4 84.87M) `% M' H8 w( k J5 K6 J/ a' A
| | ├──4-什么是更好的一次划分 .mp4 57.02M: C8 @& C- y- J8 D% K
| | ├──5-Gini系数 .mp4 107.54M% u( |+ c! x' A1 r- z& h" H# N
| | ├──6-信息增益 .mp4 75.26M I% w1 U& h% j: T/ @, S9 X
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M3 d) x2 o" Q4 i" D& S8 L
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
+ b4 y/ V1 g! E, L* `* _' w| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M" {6 a2 e! b0 I. L( R; T4 o& ?
| ├──2--集成学习和随机森林 1 t- n% @; Y: F# i: `" }" L0 V
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
# A# F% n+ {; y| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
/ d* Y: N, z8 O| | ├──3-随机森林 .mp4 108.14M
# j6 }+ \. j1 ~) i| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M+ o8 b6 V/ P. v6 V
| | ├──5-OOB袋外数据 .mp4 106.07M0 Y9 T. }. Y$ f8 C5 j
| | ├──6-Adaboost算法思路 .mp4 106.30M
/ e& y/ |; r" i: V& V| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M# @) p8 n- K# r& @2 V) R
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M5 a6 K/ f4 p. O$ A
| ├──3--GBDT - {+ T# j+ f+ B9 S1 `2 l; g* [
| | ├──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
' j: u7 e5 B. j8 || | ├──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$ I# Y: J; Z$ A; E4 X! |+ r: ~" L
| | ├──11-GBDT多分类流程 .mp4 73.80M% y8 o2 d4 Y, d; I! f9 X
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M+ q0 x4 i. U8 f( y ?# `+ }- B
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M9 r# Y: {! C8 F6 w
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
& {( W3 b, T. A6 S: Y; f| | ├──15-GBDT二分类举例详解 .mp4 86.67M
( ]! O* s2 r0 b7 N ?, @/ O| | ├──16-GBDT多分类举例详解 .mp4 91.71M
) V; {) e: U, I4 `# a. k5 V3 H; A- T| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M$ B, ~- X# j! z9 q8 K% b/ N) {2 J
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M z% k+ k3 y5 x9 m/ N. E
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
* i$ _/ [/ G- \ B- \| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
$ e. l/ p2 I5 Q| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
( _0 q, q+ q9 R7 z3 O. A- ?& e# r| | ├──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; Y) s( z, _9 M& T
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
, p8 c4 ^/ e+ p) j7 K5 P5 k| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M9 T ]$ I1 {1 k7 [* {% y' V! \1 N
| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M2 {9 D+ @; O1 b6 H: d! Q; c
| | ├──4-GBDT应用于回归问题 .mp4 84.66M+ t0 Y1 A! y) G/ c: s
| | ├──5-GBDT回归举例_总结 .mp4 108.52M" f9 K8 _# n0 Y+ Z/ {7 m7 v
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M$ v0 L, g& u" T; e; W
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
! r( d& G' |; U* I5 w$ O1 U| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
' x9 v2 H6 m' e( G( x ^6 P| | └──9-GBDT应用于多分类任务 .mp4 73.34M0 |7 C' k/ A3 V& `7 }/ }0 n
| └──4--XGBoost ! T k: r9 @6 u2 v
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M# H( U7 d! ?8 L. ~+ a/ u; {
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
) G" K0 b! \0 p4 T| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M& I. C `$ [8 Y& w; u
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
2 e+ W# s$ s) B4 d: P| | ├──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) ?' l' x& o8 K% y# q
| | ├──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$ Q- W. B* |. ^8 G, \
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M) ]# \0 {. m( p3 ]5 C( g
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
- b; v, B6 i2 M7 B+ {8 m| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
7 K. R( \0 V, F3 h& V| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
" K- U K" Z# ?; j* E| | ├──3-基于树集成学习4个优点 .mp4 91.36M
- h" X4 e5 E1 o8 a| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
1 ^) u X. z- ^3 }; N| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
" \3 w6 }8 T1 h| | ├──6-Objective_vs_Heuristic .mp4 60.42M. J4 u0 J: J; V: Y8 A
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
+ E: f. B4 ]9 T6 i- R$ S| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
3 v0 }4 n4 Y) w5 h# M6 b2 ^) C- A| | └──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
$ C/ ^ ~; a3 X1 U) _% p6 R& U* H├──9--机器学习-概率图模型 : a3 @+ C, @& g2 ~* Y
| ├──1--贝叶斯分类
! T& _. W1 n; z* H2 ^. w x- d| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
# @. o1 a2 [- V7 X- E$ X1 T# m| | ├──2-TF-IDF .mp4 53.08M2 \' m6 ^% F( J, d& v% U4 u
| | ├──3-NB代码实现解析 .mp4 126.73M
( A2 Y7 n/ q" S) u! X, \| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M7 t5 i1 j. h I, U
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M$ S$ b# S* O& o# t/ g' A( ]5 s b& u
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M8 s' I/ i8 i" x1 X7 t( n
| ├──2--HMM算法
0 c* Y* ^$ F8 W+ A! i* _8 O: T| | ├──1-HMM隐马的定义 .mp4 36.82M$ P$ Z1 H( U- \
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M& W& x) ?; l% c/ R
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
: w0 W. G6 R* f( z; N% ]; P' n9 W| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M5 Y" D1 H q5 D& k
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M' W% T' ~* g8 o# [6 T
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M5 K/ V4 m6 ]% C( r8 h3 l/ R3 F
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
`/ [, R& Q4 ~- W( Z. u4 Q2 r K9 P| | └──8-Viterbi算法代码实现 .mp4 42.43M$ f8 _3 A8 b/ [. ?
| └──3--CRF算法 1 V u6 \. M) B
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M9 o. y4 _; s$ E
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M9 R0 s, E' r, g" r+ n* ~) b
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
* e+ d+ i! p8 H' `% M' e8 U% r| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
5 H b# g2 C& w" z2 d, R| | ├──5-CRF的目标函数 .mp4 23.74M+ @: V7 H$ ~- R' q: v0 N- I6 W- n4 [. }
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
& m( G* r) Z5 e, t; j2 m! n7 A| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
. q0 Z; F8 n" X* ]| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
8 ~ H! q' b" `" h7 j└──课件.zip 2.54kb8 u5 d( T H. {) O# D) d( \2 D! s
7 G4 ]4 _3 B$ n- w
4 g. }/ G |2 n9 `, Z
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！
$ Q h$ i L4 S" d/ I; h/ a" c& g
! G! B6 v; k* l' I( O% O0 G' V+ ` |
/1 
