战-人工智能2022/
4 F! J* w* I" w) i├──1--人工智能基础-快速入门 1 @6 @+ `" B% h" l% o2 J3 ]
| ├──1--人工智能就业、薪资、各行业应用
% S ^3 a2 J: C| | ├──1-人工智能就业前景与薪资 .mp4 52.07M8 p/ r$ n% X2 C& v6 W, Q
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M8 `* i/ H$ \0 B$ }, s# M
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
8 o6 c: E1 R6 t| | └──4-人工智能在各领域的应用 .mp4 57.73M
0 V! f0 ^. g1 A( y2 A; j| └──2--机器学习和深度学习、有监督和无监督 . p1 _2 ~" ~# U8 B+ m8 \8 @; Y
| | ├──1-人工智能常见流程 .mp4 89.62M# e3 U. ~7 X$ z2 d
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
# Y- K- S( f& ^) e" B| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
j( G9 m! ?6 r7 a% S| | ├──4-有监督机器学习任务与本质 .mp4 37.50M8 G5 S2 ^5 C" @3 S: r, p
| | └──5-无监督机器学习任务与本质 .mp4 50.15M/ C' x- C6 L) |" G2 n
├──10--机器学习与大数据-Kaggle竞赛实战
# k# u) G0 B: e5 X( H$ q$ l| ├──1--药店销量预测案例
* T3 w% u* z( P7 @- ]: {2 g| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
) Z+ P9 i: L" H+ l6 A; P; P9 b1 {9 || | ├──2-对数据字段的介绍_导包 .mp4 19.90M( D- n; }" x5 P, _9 ?# T9 m1 \9 x
| | ├──3-自定义损失函数 .mp4 21.12M0 T& M* g A: V7 l; R$ L( ^
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
0 ?5 A" `: D a. v| | ├──5-数据的预处理 .mp4 111.81M- |( z1 H, v7 I4 v! B; N
| | ├──6-模型的训练_评估 .mp4 66.64M
. d M+ O1 w1 D p+ c( Z+ s| | └──7-kaggle竞赛网站学习 .mp4 172.16M
! o3 C- k( K5 h# w$ z| └──2--网页分类案例 " C5 z* e6 }9 p7 ]% a7 j; _
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M% J) O6 _1 V* ?& h& M( x5 e
| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M
5 d& I; E8 o8 n6 u( W: I4 Z| | ├──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
8 l, x. e: B8 O- F6 G$ h+ n' j| | ├──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! F$ K1 K* ?! P. w4 e$ w% ^
| | ├──2-评估指标ROC和AUC .mp4 56.19M& x6 Q' C' C4 Y6 t5 d
| | ├──3-评估指标ROC和AUC .mp4 49.03M
2 Z- m5 s, Q# x( D! P6 x, V| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M- K0 }9 F3 W0 W6 I# S3 V
| | ├──5-数据导入 .mp4 68.41M I$ W* g3 C; a2 F
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
N# C, j# E2 b# Q9 _6 a4 g| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M! Z8 E( d2 f2 @7 q2 j
| | ├──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
4 {. D: @- p# F0 K| | └──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
# _. m- u% }6 L# K6 O8 B├──11--机器学习与大数据-海量数据挖掘工具 1 d; I0 L7 ]# y" ?4 o8 V2 g6 W9 U
| ├──1--Spark计算框架基础
8 l6 L4 H" L% j) G% M| | ├──1-Spark特性_01 .mp4 41.68M
g) V* o' A2 e| | ├──10-分布式计算所需进程 .mp4 26.30M
9 I; @* v! a$ d: }| | ├──11-两种算子操作本质区别 .mp4 56.31M
. |' f% k/ s" P& K" f1 }% S+ E& U| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
8 i# H, C" A& m) d8 W| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
0 e0 `5 ?$ T/ [| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
& {$ s6 ?! g! u9 {; z9 J* Y| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
& x4 F9 y K( {; w2 _! I, G| | ├──2-Spark特性_02 .mp4 35.15M
8 i$ b. A3 F* @4 \% G| | ├──3-Spark对比hadoop优势 .mp4 19.34M* {, d- m% o4 e0 i; |! V
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
0 L0 ^/ [9 y& g) V| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M V* c: L& T6 ?. q. l$ ^3 \
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M9 z- F3 t; l4 F
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M! Q* W5 [& I' W# \: x# d
| | ├──8-Spark的RDD特性_01 .mp4 33.08M# A6 q4 N E/ d8 Y7 }2 d
| | └──9-Spark的RDD特性_02 .mp4 33.41M
; o. u- Q b! ~8 A, `% e| ├──2--Spark计算框架深入 4 \. b" m) x1 F9 _! e1 m/ T$ ]
| | ├──1-Spark数据缓存机制 .mp4 54.43M
0 @" P3 D2 E* }) [0 l| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
9 _1 T# o7 V! p5 M; Q| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
4 v. y# r% a0 m; ]6 i5 m| | ├──12-构建LabeledPoint .mp4 111.08M- f ?- I1 T0 t" C4 b
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
6 u7 v1 | w: I8 c0 G- G2 p, K| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
$ U) S) h- M2 X" o| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
' K5 R0 Z1 `* x7 i' k, M| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M8 r: n( u j: y! K8 X
| | ├──5-Spark术语总结 .mp4 89.66M5 d) T5 I+ ?- z$ q2 P
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
8 a7 |9 c# \# g3 J" {% B" r9 n0 m| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M1 J% _2 Z9 {# P2 s% N
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
/ E+ g I2 I5 d% {| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M0 V9 w) ^8 f2 r: l8 j; s* F+ @
| └──3--Spark机器学习MLlib和ML模块
% h9 T/ T, T# Q- i+ X$ E! E. U| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
' G6 V8 S9 X$ f! z% j, ?% ~! d. R( P| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M. ^& B- u3 t1 J- y& ]3 k
| | ├──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) b8 [! e$ z+ R! \: ~
| | ├──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
: e$ i a6 q. C- y% R2 x& J| | ├──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 j4 ^4 m. L8 w3 G. Q, v8 \2 d6 X, s
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M3 ?& T. ]7 b) a0 a
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M' y+ X9 o8 P* G- N1 h$ Q
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
- J1 Q9 G+ A- S! t+ m9 \! y; u7 {| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
" j% ~" ?3 B" L o0 Z( }' [6 G| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M) f1 x6 e3 Y# P% k
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
3 O t4 k0 K" C" Z& ~8 K( C| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M7 O+ ]- X a z( ] ]
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M+ M4 F. a; a. p* ~; D+ e
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
- J7 x7 p3 @0 r% q( W5 T; x) V| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M( R# e* L+ M' L. h6 W
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M" c: ]- y+ W @7 S
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
( X- Q K1 r8 R% U% k| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
: X" L, K8 V9 B2 ?5 E| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
- u8 x0 a* j& }# H8 M| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
3 L& h" M. r/ i( A% A* w| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M+ }7 ?3 z& F: v# D
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
1 ~; r: B4 b$ s4 G+ Y7 m# ]) t| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M! G3 x2 z d" A, u) ~
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
& x6 c8 z7 q+ c5 V( U& R3 W6 _| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
) `8 U( P8 q9 g$ C| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
; z! e3 a& }; G7 g" j Q( n z├──12--机器学习与大数据-推荐系统项目实战
! ]% D- u0 ?7 q| ├──1--推荐系统--流程与架构 + ~4 `) X& {& H; ^
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
7 a) ?" m$ m' ?4 L {| | ├──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. N: j8 v7 C6 p+ 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
: c) _" C: H' ` `- R( c* S+ _| | ├──12-推荐系统_数据源_1 .mp4 79.07M# u8 w4 [0 ~* i+ }) [- V
| | ├──13-推荐系统_数据源_2 .mp4 82.90M) H6 C1 e5 R3 v, A0 J8 s- T
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
" K9 Z. @% v$ b| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M7 d6 W+ N3 s" v) T. S0 W: \' c. P
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M* X% a( N4 f" n
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
4 O$ b/ ] X4 F( w" Q6 o| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
1 }1 L: G9 S. P& O| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M* A' t, [3 D+ O
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M5 L+ N0 k! S1 [$ ]4 K' K T( Q$ Y
| | └──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" X) E/ { V# `4 {) P0 i
| ├──2--推荐系统--数据预处理和模型构建评估实战
% |$ p5 w7 M9 j5 s$ q" C| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M ^; n6 l- ]: J h' G
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
: j! J1 K8 X$ k: I* l| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
5 b9 q$ @$ \% n4 o& F| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
& p! t* M" D7 |' v+ _: U| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M7 E" |! `+ {0 j6 ~0 q( `
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
" x% U# ?* {0 L; w7 @2 u/ L| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M. ~; d( U _$ Q) D( ?- L
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
: G# I) P5 r4 w) a" y0 Q: I% }& u, r| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
* D- U z, \+ p| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M4 P; U% h3 j, L2 e0 s+ j. o- o
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M0 M, }; V* _. }0 ^
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
$ V+ @. v% J" ~; Y% ?4 ?/ }/ v| └──3--推荐系统--模型使用和推荐服务
" @, s7 Z. L0 m$ N& E5 N| | ├──1-推荐模型文件使用思路 .mp4 61.89M
3 N; ~& R- e& `% M2 t* g| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M7 @3 J7 ?3 X4 p: e7 ?
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M3 R/ V& {( a( l5 |* w8 L/ |
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M; S& g S! R/ j( d4 h7 {# ^
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
2 e. b2 }- u$ m1 o; N! K* ]4 \* c| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M5 ?9 U/ A3 m! | p3 O3 g5 S( }
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
7 R( `/ S I( [/ N4 q1 _1 Z* }0 r| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
, ]( M" Y, p9 a8 {1 N| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M3 W2 Y) G o) v+ v0 x& k" c
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
1 J( E: M! n1 h% R" `# V) g| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
$ z$ U7 y/ e, m. ^| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
6 w x; C2 L; b; [; D2 }├──13--深度学习-原理和进阶 ) c) C' j; p; o6 J2 I# p
| ├──1--神经网络算法
" ^5 X" X0 G% r( m0 ^| | ├──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
" Z* l) o: \0 Z| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M, q7 S' a% n2 L/ 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
) _4 B! {2 E/ F| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M7 d( T- D; y2 _8 ?: b5 g1 a7 `
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M6 I& R; ?8 B' u8 v8 W4 T3 }
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M( U4 i- P8 E0 C, d7 A5 D2 _5 |
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
. F p& D: I% y: n| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M& \9 b7 D2 \8 I& I
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
& D, v* u- a9 R+ T| ├──2--TensorFlow深度学习工具 : _2 ?& F% H, x
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
" F+ b6 D( @6 T. o( n| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M: p$ y- k( \. ~* E8 E+ B
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M2 P# I; q7 ~2 u
| | ├──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- i& X/ |, M: `) t8 }
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M9 y: c; E3 R9 S( c: q
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
: ]* E2 Y# W9 W! Q8 ^6 E( w| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M) h( Y/ W9 f2 r$ F9 I5 W
| └──3--反向传播推导_Python代码实现神经网络
' O/ ?- ?5 s8 z* i. A$ l+ ]4 N| | ├──1-反向传播_链式求导法则 .mp4 86.47M7 A; g& C& c5 o7 ?- y
| | ├──2-反向传播推导(一) .mp4 127.90M
7 z) ]3 w* [' I8 P% ?, h| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
6 |/ m7 b# @ n| | ├──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 81.20M1 P( I" k, i5 G( D
| | ├──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. f) Z" c$ I i, Z0 @3 i: N
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M6 p* q, _& I1 S, J# s0 q, ~% g
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M2 e. U6 Q1 k7 l L
├──14--深度学习-图像识别原理
" F' D r4 w7 N2 T* Y4 O" P| ├──1--卷积神经网络原理 , V9 K( C+ E2 u- k9 i, T
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M6 H: |3 n$ c3 f: c( u( W
| | ├──2-单通道卷积的计算 .mp4 104.01M. [8 Y8 \& y1 Z- e$ g% K& [
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
4 d/ G# S, S2 p: \+ z& t: S( w7 D| | ├──4-卷积层权值共享 .mp4 63.93M+ ^, u2 V6 \7 N: G5 P
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M+ M j3 d2 z4 j& b6 a) r9 N. I; a
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M$ a8 g$ F$ A) Q- O
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M+ G M: d9 O/ ]
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
$ v/ B1 }$ Z: f& H| ├──2--卷积神经网络优化
0 r7 d& ]* N3 G4 H4 Y% o, W* n| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M; G% e2 P7 R" y* A0 R" _
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M, o, B" p$ N; r( h$ R3 n9 m8 Y
| | ├──11-Optimizer_Adam .mp4 141.12M
- M9 Y. ?2 l D* I| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
# N# M$ J8 f# ^; _| | ├──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
0 a8 A5 A4 s" E. Y) x7 S# g+ L& v| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
& o( L. C7 y, F| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M6 j8 g# j- A) c: n2 B) A4 p; N" C8 Z
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
% i5 w% X2 T4 X& X8 u| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M3 E( |$ T! z3 q
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
( l# U! T3 J7 g! [& F| | └──9-Optimizer_SGD_Momentum .mp4 89.70M4 } f7 n& n/ R/ c* |2 k" R
| ├──3--经典卷积网络算法 2 i( \3 o- I6 B7 x
| | ├──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
' q$ }* P" P4 A* z. `| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M4 r* d- A/ F8 e8 z
| | ├──3-InceptionV1_V2 .mp4 165.86M, Y$ b, H' A4 N* L4 p
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M6 T) B# O& A3 U7 i2 _' A
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
; b+ ?& l( c, K( ~* J0 J| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M9 H# ~, B* o5 C+ V4 o6 o
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M: `$ F& X: q+ Q4 c% b7 w$ b" ~; z
| | ├──8-BatchNormalization .mp4 99.23M& R. m( |4 Q b% u. S$ X
| | └──9-Mobilenet网络架构 .mp4 150.05M) }) @7 K d! N3 I; P, }$ C
| ├──4--古典目标检测
1 S. A& z1 x9 f6 z| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
5 J) U0 M. I: B3 H2 D$ s# f v| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
* P# ~" d3 m, h# _; H| | ├──3-IOU以及python计算的代码 .mp4 23.56M
0 [$ q, ?! f8 c& d| | ├──4-R-CNN和SPP-net .mp4 124.06M
/ a6 J4 ^5 Y+ ^1 S% d| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
" T/ m I/ g! N, _9 o u| └──5--现代目标检测之FasterRCNN
6 j2 ~) n3 T( H+ M; [| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M5 }6 D# ?4 o; L( e7 Q) K% G+ |7 h
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M& _; i m" a9 |1 V
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
5 o# O: w/ \: O' r$ |7 y| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M. {8 l+ v+ f! H- ~
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M w' z! Z& L" L+ }" N
├──15--深度学习-图像识别项目实战
* S% [2 u+ x5 r) M z| ├──1--车牌识别 7 O1 v1 d6 B; E0 J
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M/ q8 g4 T3 T' M8 j( Y% _% n$ A! v: z8 F
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
; U: o( a2 v7 W% u1 V/ S| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M: C" n; ^5 l) b: ]
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
5 N/ V, y; ]# K$ J' u/ F$ p| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
- `: c! L: z( D( o3 l" j" ^| ├──2--自然场景下的目标检测及源码分析 ( i1 h4 D+ V9 E
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M1 n- W" r3 \& O8 D2 L" W# c
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
, P2 l) ^. ]1 ?| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M' n: I% U; H" Z
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M9 `- X; L3 f' m8 c; S4 c! ?: _+ H* y
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
$ n2 z) p# @2 P| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
9 t: [6 {& ]0 V y# J; r| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
. P. S# }; F4 {6 {: q7 k1 P2 r| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M- Z4 ], J- m6 h2 R+ i" t# M
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M+ S; U/ [2 J S A+ @, A
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M; i& {# h2 p* f; r& R
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
1 R: g( [8 N5 [% N- v3 h$ t/ S9 J| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M) h2 y1 j$ O4 N* a
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
& [# x! Q. M4 ?* x1 O1 O/ ^ B) ~| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
0 D0 Z: U; J3 U- {/ R. X| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M; p X6 e1 N% j5 m$ m5 W& `
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
. }2 x9 G3 V2 D0 @| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M' M9 f; F3 A* I# v0 r
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
2 t$ _0 G: w0 i. l( l: E3 g8 }| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
$ x, p7 p) K: o1 Z| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M4 ?0 R+ O8 I% P- @4 N" T6 v
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M. l" v9 G" T" T1 K: N
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M0 O: A4 z0 m1 q4 j8 |
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
( z- W/ L# w2 D$ q. e8 s" i| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M' Y! e) c6 s% ^) C* t
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
! {6 G4 |1 h/ q$ ~| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M# Q) { {5 I, W7 h, k
| └──3--图像风格迁移
# [1 r$ I. S6 T% J" @# P6 E6 ?( a| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
3 J" o8 z* P- u6 Z. M& }* N| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
1 w% \" x& ~" F# Q| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M9 e! {8 s \3 I! X3 A5 w2 I4 D" t
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
3 j$ n% P$ q- m6 ^3 ~" @├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 " J- \( v8 Q$ {7 |/ L4 O
| ├──1--YOLOv1详解
' x% K8 Z" G! V1 n6 ~| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M6 K' c8 T$ a: l$ _$ j
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
+ B1 L2 O$ f$ Y4 ^8 H: }1 {| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
" a0 e/ D; ]' m& W! f2 |8 j) d| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
. T4 F; f* L9 r+ n" \| ├──2--YOLOv2详解 , A4 n' z* s# q8 s
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M; t: h! q Q' I8 A2 F% s
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
$ ]( V) A, d* H5 c- i* ~' X1 B| | ├──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
3 h% k# E0 p8 R, _$ i2 ^| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M+ Y$ A5 ]) Y1 E- y" M( m
| ├──3--YOLOv3详解
+ _% q* l! b1 H3 T8 g| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M+ G; D; U1 t U( ?
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M7 [% G0 p% E4 M& @
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M% L3 Z' l/ K$ a, y' ~6 d8 q
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M, B- o* ^3 w; g
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M8 p) \/ W9 |7 _8 C: D/ q( p4 S! w
| ├──4--YOLOv3代码实战 7 `, S0 t$ o: ~# K* ]" _
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
, V: G" Q p; U. y% [: p| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
% n2 a. w; q# z8 Z" t" A| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M/ f. Y8 g0 o2 ?8 q: ?. `
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
8 a% q9 w4 L6 x- _3 I1 Z| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M/ `7 E0 @' K8 V
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
# B% G' G' V& o- A* D, z: b( F| └──5--YOLOv4详解
; K& @' V% @/ J) @) T& r| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M8 Q& l) ^9 ^4 c& M7 }
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M# K( R, g# g- s2 O6 u
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
) L, O: F& j% i, k( h& |0 C _! u0 s| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M( k5 y6 \$ l: B
├──17--深度学习-语义分割原理和实战
- u9 \0 N) g3 b/ A4 w5 G2 f* `" X| ├──1--上采样_双线性插值_转置卷积 6 ]# u8 c" m4 \
| | ├──1-前言 .mp4 19.46M
8 L( v8 i$ y' r2 Z5 L7 n: ?| | ├──2-上采样_repeat .mp4 23.90M/ M6 {8 Q. [" _9 E1 ~' q
| | ├──3-线性插值 .mp4 34.48M4 d J/ E4 t8 ]4 r) i/ m: \
| | ├──4-双线性插值 .mp4 125.71M
0 d- k, Z# {1 T1 y| | ├──5-转置卷积_以及TF的API .mp4 114.25M
, @; g/ }5 f3 V" _0 O| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
) P* U( L. Y$ z, _' p I5 l6 X| | ├──7-ROI Align .mp4 58.38M( c* z" {, [; J# C
| | ├──8-FPN思想与网络结构 .mp4 92.14M
5 I+ `& N/ ~4 m O| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
( t! M: ?' d; Z, p9 d| ├──2--医疗图像UNet语义分割
$ W! ^7 o* R N; F. W3 |0 X| | ├──1-语义分割的基本概念 .mp4 18.33M
7 E' e% E8 O- a9 R| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M6 q3 O2 i1 Q, D; R! [, N
| | ├──3-UNet网络结构 .mp4 30.41M6 K8 x: s3 u- N
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M6 d( l ^' B. L" `4 W" }
| └──3--蒙版弹幕MaskRCNN语义分割 / l+ @- |9 Y% \
| | ├──1-MaskRCNN网络结构 .mp4 106.38M- X) p& f! Z( }9 m
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
( ^% C- p. ?0 Y& Z| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M2 Z9 R. h5 e6 {9 T8 o
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M! L5 \) g$ o- ^: w" @- [
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
# ~, B# y7 }5 K Z: {| | └──6-MaskRCNN源码config和model .mp4 244.48M
9 |& H4 n+ G$ A: k├──18--深度学习-人脸识别项目实战
# J# F: D3 g0 V) K; c' S| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M) j2 M- z) ]& P) S' x8 O1 _+ {& C
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M$ W/ M( d* ?1 {# i; a
| ├──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
( ^$ i) {5 V" k# n K| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M% y7 X3 L2 {2 f' Q
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
( g0 ]! F% e6 x9 q' ?2 M$ Q; v, O1 y- H| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M4 M" s m& r7 ^, ^1 |1 i. N
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
/ _: N: p9 X7 F+ K| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M: r% e; z+ a; {* m+ g! J* N" ~
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
8 [& t8 t/ u- e0 K* G| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M3 k2 i! K$ t A8 g& m r+ E
| ├──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* N; @: N( d" w7 e( `" A
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M9 u- z8 p) U" F/ v
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M7 ^8 e) a' f& l" B5 N
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M3 K) j$ k! F$ k U+ r) ?
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
% V: q" p9 ]2 @+ q$ g0 d| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
5 S" n( p- u' w9 x; 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
. u/ o% H& `+ f| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
- Z6 C; y3 ?& _. x2 n+ w2 c| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M8 l. p' r& P$ [; |) D
├──19--深度学习-NLP自然语言处理原理和进阶 $ P) D; Q' [8 l& b) G
| ├──1--词向量与词嵌入 & [ v) W3 x5 g6 z$ [+ I, b
| | ├──1-N-gram语言模型 .mp4 116.32M
3 c/ R5 n2 }7 D7 `0 J| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
. X/ Y) |! A0 l+ L8 r7 H| | ├──3-词向量的作用 .mp4 58.00M7 m* ~$ V; |/ G3 v6 d2 Q2 F) p- W' f
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M/ f; [' r9 K+ D! a
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
4 y- ~5 S" v) H| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M" x. _9 f, r# Y
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M1 h* S" ~5 a5 Z4 {) G2 {2 y
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M+ _. `1 [! F p0 e6 d
| ├──2--循环神经网络原理与优化
& i9 s: m/ z1 t| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M7 z1 d! C. P3 a1 p4 ]6 V
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M0 v/ w2 c. j3 h3 |* w# v' A( o
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M: j, z/ _' f. p+ ]4 L; t
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
; ~% Y; q/ z7 q6 t2 B9 y# R| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M7 Y, |; ?, E: e7 N* Y! Q
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
! {: Y2 v7 b( C* e| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M8 C6 k0 @, m# L6 {/ T8 `. ?
| | ├──8-双向RNN_LSTM .mp4 52.01M* \/ z( K2 \% I8 i
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M9 [* e2 b C) ]- k g0 t1 R |' Q
| ├──3--从Attention机制到Transformer 8 ]0 z: ^; I, |' |- Y! Q2 n
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M5 J- I/ Q% p) o, t& o- ~( H
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
! k. G1 T1 j# N3 _. }5 x| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
8 o, ]) X7 K3 Y2 }+ T6 p| └──4--ELMO_BERT_GPT - t0 V* Y9 R7 W$ I" q
| | ├──1-ELMO .mp4 62.44M! Y% \! j" V/ C$ N6 v4 n+ }1 Q- G
| | ├──2-BERT理论 .mp4 99.73M
* e1 Q- I# V0 E9 `| | └──3-ERNIE_GPT .mp4 56.34M
+ K4 Y$ X2 q4 h├──2--人工智能基础-Python基础
3 i6 M# m2 v& Q1 n0 [ [' l* t; d6 Z| ├──1--Python开发环境搭建 . r6 q$ k0 W# |2 H
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
7 p: ~, D5 x/ l6 p$ N: R| | ├──2-Miniconda安装和测试 .mp4 57.12M
# B0 R7 \- @- W" b. M) B; r| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
w' [7 U6 h2 G3 e| | ├──4-Jupyter安装和代码运行 .mp4 37.10M: x& n' B: `6 `& \3 ?! Q
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
$ _$ z2 ]( s4 b& N5 \| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
, D+ \8 B3 n( W( o+ n$ r/ U2 c| | └──7-关联虚拟环境运行代码 .mp4 38.14M
& c3 t5 Q3 c' t. H4 N7 q| └──2--Python基础语法 ( F2 y ?9 f5 e( C; w" y m+ M
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M: ?2 G1 S6 o) y' p! S d; [/ G
| | ├──10-Python_集合操作_列表 .mp4 34.71M
+ P) {! c2 A" g+ \5 |+ a" ?" R* A| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
6 `9 M* v' w( G+ s+ T, U| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
" H8 M8 ?+ p1 n| | ├──13-Python_集合操作_元组 .mp4 43.46M4 Y2 z6 i9 m1 K( C w
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
% ?+ M, E6 {5 z, S3 U| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
- o( ]: A$ b& h$ h8 G' {# q| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
* U, g! ]: Y! e* _; c' o| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M$ q3 }1 |% i( P6 _7 ?4 j
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
# p. ^! f, |' [' H8 o* f| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
4 f& U0 [$ U0 G8 s! V! _0 T| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
* _# \( ?9 C, ?4 || | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
5 Q! K2 ?( u: \: E5 l- q6 M4 e| | ├──21-Python_函数_递归 .mp4 23.46M
$ Y6 R& u7 J. W* }7 C| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M9 m: s" Q4 n+ ^7 z, F+ S
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
7 b0 A* ^7 @% q| | ├──24-Python_函数_闭包 .mp4 41.61M: f: e7 _8 _. i5 E/ R: G- ?6 f
| | ├──25-Python_函数_装饰器 .mp4 30.35M. n1 o+ x( y) I
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M2 t8 K" e7 r0 t7 o" ^/ a* e& \
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
, y- h$ v5 z% }| | ├──28-Python_类对象_内置方法 .mp4 29.17M1 y% G" w$ R8 K! y2 `" [3 r( b* e
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M' W2 u1 P# s5 M
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M! F4 Y: f- L; y& s! t
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
/ a2 i& c* c9 ]% n) f9 h+ `| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
1 s, [6 p1 q# b; c& N" C5 M; r| | ├──4-Python_控制语句_while循环 .mp4 25.02M+ c; o4 n, V, c; A+ W$ T5 |/ C4 n
| | ├──5-Python_控制语句_for循环 .mp4 22.82M* c0 v! ~" k. U( m2 K& p; ]
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
, N: E1 t+ m$ W% ~+ s$ G| | ├──7-Python_控制语句_break_continue .mp4 25.23M* b; `/ V5 p G D7 O; Z4 ?& g
| | ├──8-Python_切片操作 .mp4 40.20M/ y4 X Q( o% [" G4 H- B
| | └──9-Python_数据类型 .mp4 25.38M
# G2 C6 s0 l. n4 S├──20--深度学习-NLP自然语言处理项目实战
4 _# E0 {* f7 M4 ]6 E" y| ├──1--词向量 2 s. e- Q( p1 J% I+ P! F" t
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
# J2 D* q/ g! R0 ^# b5 ]8 l| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M- i0 \7 y: O5 v9 Q/ W+ j& O
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M) S# g0 }/ L$ s* R
| | ├──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
' f4 a; W7 m$ e1 B% E| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M3 U& k+ d0 m# @4 T9 J8 H
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M" k z7 f, \- F0 e9 k) t H3 [: _2 ]
| ├──2--自然语言处理--情感分析
[, Z( H: B# J| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
+ G Z8 r5 H9 p/ S1 \; ?' \( G3 w| | ├──2-数据预处理_01 .mp4 79.65M1 s9 e/ ^$ ?0 B- Z
| | ├──3-数据预处理_02 .mp4 45.68M
. N2 j: g3 G$ ~+ b3 [| | ├──4-代码讲解_01 .mp4 52.29M9 `" O0 R+ d, S+ t( s3 T C. A
| | ├──5-代码讲解_02 .mp4 60.85M
, p4 s: f, J2 U% f, x| | ├──6-代码讲解_03 .mp4 53.89M$ s" x2 D0 q# _! L& Y, y
| | ├──7-代码讲解_04 .mp4 57.19M6 j1 _+ W1 ^$ c/ L. R$ P) [: Z% Q
| | └──8-代码讲解_05 .mp4 35.88M
" n# @, c8 U0 U" {$ T| ├──3--AI写唐诗
% ~2 X- T* [* Y9 j! k* L7 V$ D| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M/ T+ K; Q1 L* j) N: w
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
" K" O0 U2 ~+ j2 H" g- u9 r| | ├──3-MultiRNNCell单元 .mp4 38.93M
7 l3 c/ G) o1 x9 D* u| | ├──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! [2 \+ K6 r! S7 |, Y
| | ├──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
! D' {1 | V7 C. c1 J0 L! x% ^| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
% H7 t* |* _9 Q2 L: V, h! Z| ├──4--Seq2Seq聊天机器人 3 s9 ?: D. ?( v5 a0 b5 p0 j7 K1 l- y
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M( n2 \! R0 ^! n9 ]0 l
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
! a2 l2 g/ n! y; a9 o- s( s9 z2 M- s; ~| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M4 ], s( B, o& x/ I( ~8 T
| ├──5--实战NER命名实体识别项目 1 \* d5 J* s# S5 O3 s
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
0 M( m4 V6 {& V. g| | ├──2-介绍了代码目录结构 .mp4 23.44M; ?) n( d2 a4 Q* d; ^
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
" R9 V* C" P% F| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M8 D4 `; {5 T( u" G# Q3 [# S4 X
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
& p" `, ~2 P* m3 z* \1 g| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M$ R, n/ M/ S5 w* {; M+ d$ W2 u
| | ├──7-CRF中的特征函数们 .mp4 125.97M
! v% \. m& X+ `* F j) V| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M; g2 t' u( I6 z# p6 L* D) m* O
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M# W: _5 z2 B: `+ N/ O
| ├──6--BERT新浪新闻10分类项目 ; \4 o5 [# @2 E% Y, c) V
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
% y2 p2 |1 ^9 L3 A6 M| └──7--GPT2聊天机器人
/ `; S% E& F( a' A& n| | └──1-GPT2闲聊机器人 .mp4 62.28M( P& Q" m- }" X9 J
├──21--深度学习-OCR文本识别
+ \! Y/ Q7 `6 R$ B7 F6 d| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M9 \; b9 `! e' w. @( p+ V4 H
| ├──10-CRNN项目代码剖析 .mp4 306.48M9 M& V5 A% b* O6 W1 z
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
, e) B& [5 i* Y9 T8 j| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
* G- x6 C, j5 d! C" o| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M# }, q( m$ q P
| ├──5-CTC损失函数的理解 .mp4 330.64M) ~- Y; C# ~: O$ U
| ├──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
8 Y- }+ _+ d+ D2 N* {| ├──7-CTC前向后向算法代码 .mp4 225.41M) _, \, L0 o# M5 m+ s5 b
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
" \: m7 E- c6 ?( W6 U| └──9-CPTN项目代码剖析 .mp4 491.69M) M1 l( I) [5 E2 g' g; n' a: N
├──24--【加课】Pytorch项目实战 % C7 b9 D9 g: e8 Y% p6 q2 l
| ├──1--PyTorch运行环境安装_运行环境测试 & q5 W& \5 X5 P' Z8 E9 l6 |
| | ├──1-PyTorch概述 .mp4 29.29M) W* L$ r6 n6 a# }$ ^
| | ├──2-PyTorch的安装 .mp4 76.45M
- W7 P2 z# a6 c" n8 y# A a# x| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
3 D G8 M/ B- _5 X' N' l2 J| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M* K) L; V& n N4 \
| ├──2--PyTorch基础_Tensor张量运算
3 ~. W5 P) U+ D! ]2 E3 t| | ├──1-Tensor的创建 .mp4 55.14M" R' h. i6 ^/ }
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
) h* c2 c/ y* r: b. Z- I" X9 {| | ├──3-广播机制_逐元素操作 .mp4 44.46M: A. F9 H y N' Z3 U
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
' l) q; \1 \6 G3 n" m( H4 U| ├──3--PyTorch卷积神经网络_实战CIFAR10
6 D( k. M6 k% ?) \+ }0 V| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M K& C4 E7 Y4 R% ^
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
$ Z$ D, w, n' x% o0 e; ~6 L$ \| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
* I% z6 h: ] T' y; _0 Q| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
) Q3 h; w" d* o. R" }, `| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
9 [- p4 o; a3 v' |5 {+ h! e+ i| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
) c$ r/ v# S( D| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
( n0 ~2 k% p2 X' v" T" G| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
1 R$ C& W9 h9 u$ T| | ├──8-torchvision里面的预训练模型 .mp4 29.84M) f$ _! B' o% b5 m# c# ]1 n
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M9 i2 L, J1 l; }0 d9 l* }
| ├──4--PyTorch循环神经网络_词性标注 T, s8 d6 F- A6 L; T0 L8 m' s
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
5 g9 O9 J" w& l9 G0 d. u( f| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
1 a- G2 Z3 t- f6 w: t9 w| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M- z2 m5 |9 `, K# e: i0 |
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M& i" c9 D/ B# y8 }6 X! k0 d: @
| └──5--PyTorch编码器解码器_机器翻译 & G' |2 o. M, o; q
| | ├──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
# [5 q1 c* r& x9 i( y1 Z% p| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
5 M0 U* B: E2 || | ├──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" W6 ^ ]! f( \2 g* a% }
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
- x" q7 Q7 D- @2 F| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M+ `/ A c/ \7 s d6 d
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M7 Q6 }2 I5 b0 o# _, e U; `! u: M' Y
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M0 ~2 e" t4 N5 I6 I; t; T0 D
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M4 h0 W+ @: }; r" X3 e; k! V1 N
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 , g3 z% D9 k J7 ~- r
| ├──1--PaddlePaddle框架安装_波士顿房价预测
: b% @3 E: l/ Q| | ├──1-安装PaddlePaddle .mp4 87.34M
2 ~2 a& y$ D, @6 D! ^3 o| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M2 r! k/ @* N$ A7 X, J2 r
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
2 X- j( W2 O( Q" x7 O4 p/ N6 o| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
) h. n, z i! B8 L' O/ |8 m| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
' w7 j1 v- e# Z3 `& Y1 {# H/ || ├──2--PaddlePaddle卷积网络_病理性近视识别
' B# l3 u4 y# z# g6 s| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
6 O8 Q! B/ S1 I5 a5 g% w8 o| | ├──2-预测病理性近视_模型训练 .mp4 86.66M; `1 h0 I A }% u( l; G
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
( A0 M/ f% E, \! w- O| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M" f) a- _& f$ ^5 i& A% x
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
6 d" B- S5 |! [# k! O7 p$ k| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
0 A9 `, h* y+ i6 X| | ├──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; ?: q' @4 w) F, r% D" w
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
( O, F2 D% d, J| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M6 E& i% Q9 S/ Z% V/ y5 Z
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
3 ~, {1 k! ?& ]3 w| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M, Y8 B; n! [+ A$ ]; e' X( Q5 A
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M' I2 x, y1 M# b+ t0 ?/ n: V6 D
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) 3 n, J B, {. R% E; h8 s+ U/ ]
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
, G6 S( R! @/ p; U. t- R| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M/ _2 ]4 K6 R) i, }
| | ├──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
9 Y% X! ?# X1 R" J; h5 N$ N| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M7 t1 |9 E; v+ K
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M; Q! y5 G+ Q2 }
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
/ p. {8 @& v: {; N9 x| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） ( Y/ H+ K7 n7 m% }4 i) B; C7 I
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M) S9 L5 i& c- s) P5 U1 ~
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
9 r- r$ C" q# d6 X' b| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M' n2 o" G: B' V. a# z2 j$ ?" O
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M! k' s) U. X( g P
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
* K- u: G2 Q. J1 f' w$ || | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M3 |' |7 e. j+ {6 _+ x. q
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
5 y6 @9 Y# @* X9 m% `| | └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4 80.58M8 H) i W" U% F; r3 C
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
( L1 z& C+ E7 |2 b* o2 R7 ?| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
2 I; G- q% h" C| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
/ ]6 g# o3 @# m; H4 W7 E2 x2 K| | ├──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
- ~: _+ o- y2 w, j8 a( y; X+ 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 57.88M1 J6 M, w, A2 D2 }. n$ s
├──26--【加课】Linux 环境编程基础 5 M8 e# l0 n$ g* P, o1 z5 X6 Q
| └──1--Linux
& k+ E6 t! ^; U A8 t4 s: x: J2 r| | ├──1-Linux_课程介绍 .mp4 3.72M
- Z7 V- {9 A0 p: n| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
$ a$ y; t. m. t q3 A. B) W| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
! d$ a. q8 g3 ^6 d0 x( S, s| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
4 s* Z6 }- F( v% G| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
2 ?) \4 H; F1 A- l* s9 e| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M1 N8 h- j% j5 z3 ?* ~. U. P6 ~/ B
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
! y' A6 y& |9 F| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
- ^$ U9 e$ d$ F) u2 }| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
2 f0 Z0 Q f; o \) q1 y& U; p+ H| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M2 i% @+ y# _7 z! [+ G" [ d
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M1 X+ ]/ U E& h/ t/ B$ C
| | ├──2-Linux_Linux简介 .mp4 17.59M
+ z' s, j. L! B8 N0 M1 y| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M0 g, H! n2 X" P: k- g
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
" e6 m6 u# ~: o7 l# z( i| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M& @7 k- Y5 _& i2 ~
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M% l" v+ T$ [, g/ h' Z$ e# }
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M5 s. G8 ?* j8 c, M7 s" V
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
1 [ ^. D; Q/ i7 l- f| | ├──26-Linux_安装MySQL .mp4 79.02M) d, s+ }8 L* T! k# f
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
# k1 L& _% z- \ h2 f| | ├──4-Linux_安装Linux .mp4 41.97M' R. u' }4 p& [3 G
| | ├──5-Linux_目录介绍 .mp4 20.31M3 t) T5 @) \. h: A% t- l
| | ├──6-Linux_Linux中的路径 .mp4 18.65M* d+ {$ v7 t( |. ]
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
: U; X& {& C8 n+ }$ v| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
; S7 @+ z. j+ ^0 e: ?, g| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
. ?" T0 I: q `5 A├──27--【加课】算法与数据结构
/ w M- v2 E# C Z+ j| └──1--算法与数据结构
1 o* w c4 u$ O2 U| | ├──1-数据结构与算法简介 .mp4 35.68M* \- m& q( Q: `$ A2 ]4 Z; k
| | ├──10-哈希表的基本结构 .mp4 54.34M) K! P0 S- X. ~4 ~' ~0 {) {/ E
| | ├──11-哈希表冲突问题 .mp4 75.92M$ b% ^4 g0 x; z0 ?" m
| | ├──12-哈希表冲突问题2 .mp4 72.30M
9 K# C/ b; v5 d: n+ }0 G# }| | ├──13-哈希扩容 .mp4 111.03M8 e, N: I5 K0 J7 u
| | ├──14-递归与栈 .mp4 50.77M/ H: S( i. [- ^6 S, T& {
| | ├──15-线性查找 .mp4 57.80M) k" D0 [# ?5 ^) z0 V
| | ├──16-二分查找 .mp4 52.32M
+ e3 }- j/ I" o2 k| | ├──17-冒泡排序 .mp4 53.19M5 ^* ]" J+ ~% [( _
| | ├──18-选择排序 .mp4 43.29M
/ z/ k! a! p0 [- d. l! P- G6 m| | ├──19-插入排序 .mp4 31.39M. n1 ]- k! u/ N q. P. o
| | ├──2-大O表示法 .mp4 25.59M
# ]4 a$ t( r n4 U5 S/ S( C( F| | ├──20-归并排序 .mp4 84.48M
& Y/ q( p: v0 W" y5 \| | ├──21-快速排序 .mp4 36.63M( A: I+ Q# v6 u: c$ q: E2 t5 b" q- |
| | ├──22-树结构 .mp4 96.85M \" D6 y4 S% h7 V
| | ├──23-树结构的遍历 .mp4 61.05M, p4 J& b3 U6 h
| | ├──24-最大堆的增加操作 .mp4 45.43M
1 K' j7 Y: h8 E| | ├──25-最大堆的删除操作 .mp4 45.63M
$ s) A% Z2 s/ @) S| | ├──26-二叉树的查找 .mp4 100.24M/ z+ H" N- s" s: S! x8 e2 C
| | ├──27-二叉树获取最小值 .mp4 25.21M
* T0 i( u, u3 S5 j0 S| | ├──28-二叉树的添加 .mp4 72.66M% M! r+ ?' P, N5 m% K3 y: @1 E b
| | ├──29-二叉树的删除 .mp4 120.06M
0 n3 @" G5 u! g# Y7 g2 o| | ├──3-线性结构 .mp4 53.14M
4 [& U7 s( M9 g3 ~/ N| | ├──4-单线链表1 .mp4 68.36M0 V0 o) }! t u! f3 Q
| | ├──5-单链表2 .mp4 221.69M* c7 T S, d w3 J& _* A2 [
| | ├──6-双链表 .mp4 103.57M M( p5 d' x' X( C, ]* l
| | ├──7-队列(链式) .mp4 74.12M! I2 W2 f4 A5 t5 P4 C) o' A- {' L
| | ├──8-队列(线式) .mp4 30.99M
, n, \ X a7 k' o0 b K1 v7 T$ B( z| | └──9-栈与双端队列 .mp4 28.12M6 Q" T8 \( C) p$ ]+ P# j1 Q
├──3--人工智能基础-Python科学计算和可视化
1 Q. j' M* M' i5 h| ├──1--科学计算模型Numpy
8 I, ~. {6 `: X* E+ e| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M6 J9 t# k4 c' D3 O1 i: J. Q6 x
| | ├──2-Numpy_array_arange .mp4 35.45M
J* M# G/ j2 v5 }8 x. d| | ├──3-Numpy_random随机数生成 .mp4 50.54M) L+ b- P0 `4 l! y! Y! h
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
# a o: [6 p8 H| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
( N1 a2 Y' a4 P7 `3 S| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
~2 n9 S- `* P% p3 z| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
% f% b) W a# y1 M: }| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M* k d: F1 @8 a
| | └──9-Numpy_聚合函数 .mp4 23.68M
a) e' Z* q5 }. h| ├──2--数据可视化模块 2 O7 [9 Q5 c! i# H8 x8 S
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M6 ?* {% Y0 E2 X1 Q0 @
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M+ F2 g y- _+ Z8 }# M
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
/ x" W0 I' R+ S. i| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
$ y* c: w" H" W, g5 u| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M) a" s& ?2 W( t0 n9 n* `
| └──3--数据处理分析模块Pandas
7 F' H4 `6 d5 ?( n) H| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M: g0 o; b1 A5 h7 ]
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M8 j0 h3 c* b& b# ?* s% N1 h
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M8 A* o4 J, E/ k7 j1 C
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M4 `) G P9 p8 n
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M) |1 ]4 H0 s3 k
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
& \5 z) M }/ {9 ^: d| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
, N8 D: o1 g$ N! G7 W. i├──31--【加课】 强化学习【新增】 : C; t1 q. [% s/ h
| ├──1--Q-Learning与SARSA算法 $ P% T: V. w7 a
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
/ ?1 x/ ~3 L' |% |8 l$ j| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M! G) F- n$ Y9 s' P
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M; M' y$ ?5 F! u% S0 x! h
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
' `4 w5 q+ c* y( s) o6 l( e; F| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
! {6 `0 p* J/ j: S5 x| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M: l) c, c: G2 ~2 t
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M, f; G4 n) m' V! w% Y
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
6 g. d7 ^3 @9 u" N% ]3 I4 a. \6 h| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
# ~0 {1 U1 L; c y2 T: J5 F| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M& h, ~3 B; I3 M
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
& m3 ?3 G. e1 |5 m| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
( g, {6 ?2 s$ V- B| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M. x! I( J* `* w+ }, r$ f
| ├──2--Deep Q-Learning Network
; S$ {# \. m1 o' T& || | ├──1-DQN算法思想 .mp4 59.24M
" z- q$ J+ P0 F| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M: m4 B- B$ \. b: X, Y* A
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
( J1 o, B# g F| | ├──12-DuelingDQN .mp4 88.12M9 o1 M1 Q! n! G5 I
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
: a q9 H3 i* I- X& ~& e| | ├──14-计算Action的方差避免风险 .mp4 54.23M/ E+ L- z# V* X% g4 t
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M+ Z) \( {5 x. @! i, ~; Q" Q
| | ├──2-DQN算法具体流程 .mp4 56.17M
4 |) b8 H& h/ l| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
6 o& n) n, y* k/ ?: h# `| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
# I; l0 o. X/ q) ?| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
9 R, S2 ~- u- B0 q/ f _& u0 Y1 u6 t| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
- l9 l+ q: P v2 K: V2 y7 {$ h| | ├──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
) t. _- R( Z# b2 W8 s4 G7 ?# y| | ├──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
# ? z V1 m7 C) F" A| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M1 t7 E* k$ W$ z% p; x# x
| ├──3--Policy Gradient 策略梯度
3 x5 E: k! O- P i. {$ J| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M4 q$ `0 B1 ^' j6 Y+ \8 m% v$ S
| | ├──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 34.22M2 A6 i) U; I, t0 J
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M) |& u6 I2 o: W$ l
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
) |7 q' o- ?, ?0 K* j$ E| | ├──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
6 T& U$ n5 H u5 J6 @| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
; ?4 Z) V8 t# V: B8 w$ ?5 [6 f) Y2 c4 v| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
& _' J6 s2 Z# C, J| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
7 L! p- Y& s; {/ e4 d# E| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M, B" G; G' [1 n- b
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
4 A" }/ O& a5 D0 z- H+ Q" a| ├──4--Actor Critic (A3C) / B7 x3 D p8 M& H) j3 U0 m: }
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
( I, ?- j3 v% a) _$ @% l* w| | ├──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 36.14M3 ?* ]4 O. [( b% k
| | ├──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 `, h+ E5 A; e6 ?
| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M8 v3 Q3 D' _. w: H2 I7 X2 `
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M' k- s; d7 ^4 A5 b7 w
| | ├──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' ^% n5 H" { i: v8 ~ H
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
" X1 g2 R4 D, j' T! s3 _) I( N| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
- \: k2 i3 Q7 z1 D| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M' z! F T1 l- ?3 a
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
4 M; r; `6 J+ t$ b. E| | ├──6-A3C架构和训练流程 .mp4 74.66M
: Q0 q8 O$ p- I4 x# f| | ├──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! z# w* p' `4 p# v
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M9 u8 \4 C* C& j+ M& I( c
| | └──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
' g9 G& j5 C& h| └──5--DDPG、PPO、DPPO算法 ( a) X6 h* h9 _; F' f
| | ├──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
: p8 c' ^7 V$ a. x8 L. T| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
* L) s1 A6 Y0 A| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M# ~+ g1 J0 m' o! P, d
| | ├──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
( U. c/ R Q2 b| | ├──13-DPPO分布式PPO .mp4 63.81M# |, p- T# F* }9 o7 |; j
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
0 _4 o& ?1 v; i0 z# @- C| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M" _' B' I8 a) Y9 j
| | ├──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
1 ~; U+ ~6 }' J4 _2 O| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M G0 `1 m9 R1 H
| | ├──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 44.17M3 k; N u1 @. k- X8 \+ s9 H
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
( B6 u. F' O `& w1 X( F| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
8 d9 [/ A9 T& H% K| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
) f: s$ I5 A) J1 z| | ├──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
% t$ x" h4 {5 X| | └──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+ g6 f0 n0 C, t [
├──4--人工智能基础-高等数学知识强化
_3 y* f# ^* F' m/ K$ b| ├──1--数学内容概述
T- o. h1 t8 ]+ j W1 @| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M& P/ o, g5 ^- C1 f2 v. ?0 B& j
| | ├──2-线性代数_概率论知识点 .mp4 26.81M R- f8 L. r& h. t. _
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M, {* I0 }$ o X' Z! [
| ├──2--一元函数微分学 7 w& e/ r5 D8 E; ^; {
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
+ r/ o. B$ j4 o0 _* N) Z* ?6 || | ├──2-导数的几何意义和物理意义 .mp4 14.49M
* B0 D5 z5 E( b, D- M7 X| | ├──3-常见函数的求导公式 .mp4 22.76M
8 Q% m- L8 A9 C) P% F| | ├──4-导数求解的四则运算法则 .mp4 26.52M' B" t4 y" X& z9 e
| | ├──5-复合函数求导法则 .mp4 19.68M
1 N& ^+ N `5 N7 }! e; S| | ├──6-推导激活函数的导函数 .mp4 33.40M
' G7 |7 v: ^+ m5 p% [! c| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M/ j0 ~1 y( S" P2 W
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
( C! d% d/ r0 b" G| ├──3--线性代数基础
/ }& P7 s1 O% ]; M0 \' D) E/ ?| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
& s7 G& G. `# u, Q| | ├──10-矩阵的逆矩阵 .mp4 38.54M
9 V/ X k8 E, A| | ├──11-矩阵的行列式 .mp4 20.13M% |# [- u% Z3 Y& I8 i I0 R
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
9 N2 ]$ ^ b; Y9 K| | ├──3-向量的内积_向量运算法则 .mp4 19.78M9 \% H( l& L( r# d- I3 G
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
1 ^1 t% g: s3 o| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
6 j3 Q2 W8 g* n! u- b: f9 z$ i; }; a| | ├──6-特殊的向量 .mp4 26.45M7 @2 V: q$ u: M% ~0 s6 b% [) t: `6 r
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
: G3 N8 _" z) h9 \( n| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
$ G0 M+ d. e, V| | └──9-矩阵相乘 .mp4 20.02M) v8 |: j \2 M7 b- x
| ├──4--多元函数微分学
4 u/ r+ ~- ^( }) b% h5 g1 }/ N: N: P| | ├──1-多元函数求偏导 .mp4 22.61M
# I2 s& w6 w- B) S2 E+ o# d( z3 G| | ├──2-高阶偏导数_梯度 .mp4 27.15M
7 q2 n& ` V6 [2 i| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M! T7 l1 P$ M+ E2 v F$ Z
| | └──4-Hessian矩阵 .mp4 32.93M# _3 f! r4 ?0 @! n# }& r9 l
| ├──5--线性代数高级 2 R9 i% ]% W+ Y6 L' p
| | ├──1-二次型 .mp4 27.70M
- X+ M6 d% k/ u. P X| | ├──10-SVD用于PCA降维 .mp4 24.90M
' P e$ G N! z9 @8 @| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
; W- w5 c; u8 s6 c/ R3 \4 z| | ├──2-补充关于正定负定的理解 .mp4 23.48M
0 T- T8 b2 j$ @- z, U( {| | ├──3-特征值和特征向量(1) .mp4 29.83M" M7 {) _. b: [% e7 L
| | ├──4-特征值和特征向量(2) .mp4 30.07M, j, s* S/ G- p0 A
| | ├──5-特征值分解 .mp4 38.68M, L4 B) r* R- e5 Y6 Y$ S
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
, n c: r6 o; w: P6 L; b| | ├──7-奇异值分解定义 .mp4 22.58M
* H+ P0 W& y; n5 l A& Z| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M- n0 ~: r7 D+ L
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
$ k* `0 D0 B' E' F: T" I| ├──6--概率论 9 l* z; T. `4 [- b# N
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M( t6 @) z3 H1 u) x) s
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
' F; T' |/ P# I1 A) ]5 W \% i| | ├──3-随机变量 .mp4 22.57M, U" I q$ n: X8 V V x2 u
| | ├──4-数学期望和方差 .mp4 22.96M9 u6 g: U+ t ]% `* D
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
9 h2 U5 Z' {- t) v$ N3 f/ y5 V3 a| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
2 u+ M9 _& {; k# \| | └──7-最大似然估计思想 .mp4 23.42M" |' k/ V5 J! l" m* N7 j
| └──7--最优化 2 y/ c+ \& ~% r: p% a
| | ├──1-最优化的基本概念 .mp4 35.14M
1 d" K* o( x9 }$ w0 S| | ├──10-拉格朗日函数 .mp4 27.46M1 Z3 a7 b1 @; ]6 K9 V g( I/ z$ f+ h
| | ├──2-迭代求解的原因 .mp4 20.15M
/ c$ b/ i5 T! i* e# u| | ├──3-梯度下降法思路 .mp4 26.33M: g7 E# @2 s' ?: b+ n/ k
| | ├──4-梯度下降法的推导 .mp4 43.56M
% p. E5 z4 _! ^$ E8 n| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
1 A4 o2 ?. B, V- O| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M8 c" {9 ~4 d) @- |- l
| | ├──7-凸集 .mp4 21.90M! ?" `1 Y1 Z% w6 ^: L
| | ├──8-凸函数 .mp4 16.93M
) Y$ s9 d2 |/ l$ j. S| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
# a, U& L( d) A6 ^6 j2 u6 Y├──5--机器学习-线性回归
9 d2 t5 a) \( o: R0 \4 _$ j" }1 D| ├──1--多元线性回归
# i! ]. N, h3 R| | ├──1-理解简单线性回归 .mp4 51.11M
' S' @2 a) `5 u7 @| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M; {6 `/ X; I. i8 C& W) J- @" J' Z
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M9 w. g5 f0 H J3 K; T l0 R# E2 [
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
* d' t W' c: L$ f6 C: Q$ O| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M1 t( |" ]- u- s9 D: ?7 o3 n" u
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
2 b# V# H& A6 ~/ h E) n| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M2 H1 Q; c1 i F0 O
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
5 u- B2 c% e% P, C# J. D| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
8 W2 m) q) g* k( F| | ├──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
, q5 ~* k0 A ^7 U' e- o% _* S| | ├──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 M( q& D% \4 U" w1 m
| | ├──2-最优解_损失函数_MSE .mp4 39.58M' l1 r' u4 _) z) N/ h- B, R( m
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M; b+ X; t8 }' r- ~2 ?4 l b- I
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
' E+ {) W; _8 A; Z5 n| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
) J( m$ S* F- z7 N" D, A4 x| | ├──3-扩展到多元线性回归 .mp4 32.15M
$ I4 E! h' g7 |6 l4 l8 i| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M Z0 c2 t6 c7 U2 G
| | ├──5-理解维度这个概念 .mp4 41.41M3 ?0 X6 }- L4 h( j% a8 e* M
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M3 h/ [4 r/ O* n
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
4 X; W6 i2 f' r0 [| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M' j: p# c2 S7 R
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
# ?* X: u- t# F| ├──2--梯度下降法 ( b0 b: v! X* V$ K, k* n6 W) w
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
) y/ n/ `' Q' i& y2 A/ w& [. ?| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M9 N' \* W+ v. D% A' ~
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
2 ?( `' {1 p2 Z| | ├──12-代码实现随机梯度下降 .mp4 26.67M W9 d$ w! q" W
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M* _# M% b. X3 t8 J$ e! W: _
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M( j7 v) f$ L \. m# o
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M. L( E1 A3 b+ m2 \& _
| | ├──2-梯度下降法公式 .mp4 57.12M
) V! F" \& n0 K/ l6 Y$ ^| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M K8 q$ E, m8 V) n7 ^) J, _
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M& j/ `% }$ K3 X( A
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
5 I5 Z# b; a7 v4 F| | ├──6-全量梯度下降 .mp4 62.84M
, ^* R- |! s, K; k| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M* c" T) i% @+ l; F w4 z5 m
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
( P4 j# I; s9 _( h v, T$ [| | └──9-轮次和批次 .mp4 45.22M) [: H: h- N1 i( Z% a. x! E* n
| ├──3--归一化
3 ^; Y9 g2 {7 L" \: {( j| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
4 y0 Y; V1 R4 z% M# J- M9 @" }| | ├──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) X8 ?/ ~' B% s+ j; Y/ w
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M: }( _. [* s6 J9 S7 q/ k
| | ├──4-最大值最小值归一化 .mp4 24.87M& g: F+ N# N$ s
| | ├──5-标准归一化 .mp4 51.86M
' F1 f: t" e" F5 L| | └──6-代码完成标准归一化 .mp4 41.13M% g6 D# Y" L% p3 d
| ├──4--正则化 5 {" T' K7 D1 }$ I& R: I, |
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M7 d$ j7 s3 L& h- }( G" n& ^
| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M
- `* b0 c9 ^9 D, l| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M. m; Y* A8 X% m- u: l
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M7 J& c! q8 Z( V, V' M8 g, ~
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
6 V$ R% e9 O! C+ y+ |9 ^+ ~8 B| └──5--Lasso回归_Ridge回归_多项式回归
2 p+ W9 x: p, N2 G$ X9 \| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
3 C4 s4 w9 X6 t+ t; S| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M% _* ~! Q1 _0 E! g4 H% m! w" d4 q
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M& o3 u9 S: c0 X. @; s* o7 G
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
# l$ S7 \# i: k- o3 w: B| | ├──2-代码调用Lasso回归 .mp4 28.73M7 k5 _. ?7 C# e1 B3 b
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
" D, v: V0 f: q3 E; e. w9 o) r1 } [+ p| | ├──4-升维的意义_多项式回归 .mp4 48.06M" h) Y, \/ g) G n$ _, N' g) E
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
" a$ {2 K8 b4 y; X5 m| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M: B& q, Q8 Z- w {
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M- j( o8 w* I3 w i: C
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
1 F+ [! M" V9 a9 P# J7 S4 B' t7 z8 ]3 R| | └──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! Q L$ p# D1 K# ]
├──6--机器学习-线性分类
- ?% W& ]5 k9 A6 Z| ├──1--逻辑回归
9 m5 K8 f7 ^" g8 m" I, l| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
+ x4 V* y4 y+ U2 c' [% J' e$ m3 Q| | ├──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
5 p6 p$ F2 s. [0 q4 Z5 @| | ├──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( F9 D$ j6 J5 k$ w* ~0 I, M% t/ d' P
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M0 k* ?9 b7 r% Z7 o4 K
| | ├──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
2 z2 T0 r; {/ ~! |0 i, N2 M| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M- {; i" W/ |/ M' s( `0 Z& m2 e
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M. e: N3 b0 N; \: R6 u# e( E
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
7 p" e2 ~8 O& m) A| | ├──2-sigmoid函数作用 .mp4 38.15M
2 |9 Z4 B/ J! ^! M; m| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M3 Q6 `5 X# x" x8 @6 y" `- G. I; v
| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M6 w1 O8 Q0 A7 b2 {) {
| | ├──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
. _* L! m( d2 h| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
6 ~7 A) F% W" F- f5 E4 u; L| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
1 `: J$ q% Y' k| | ├──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
* k J1 V1 R5 @) ^( c| | └──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
7 w, `; b. {8 g: H8 M6 U# c| ├──2--Softmax回归
% E* z; q5 T3 q9 Y| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M4 G4 h, P# b5 V* l1 [
| | ├──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
1 ~8 K, X& o- I, h| | ├──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
( d( I0 l- \1 {# u; W4 i| | ├──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
, P& N. M( T0 S d| | ├──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
" _/ c! h9 |1 R2 M| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M/ u( r; h1 A; u' @$ t
| | ├──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/ `8 s( p. c- P/ R ^3 g8 t, i' y
| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M
4 @8 n4 v8 b* ], X; d$ H% }| | ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性 .mp4 13.92M8 c9 ~9 z# \& l$ d
| | ├──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; W) Y4 C& R Z8 v& ?0 q
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M! @" I9 W$ ?8 y3 o4 F% d/ w8 @
| | ├──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 52.39M0 ~; _. R8 b( u/ ]: h; Y |
| | └──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
T) e* M) Z# B- H5 n| ├──3--SVM支持向量机算法
1 [3 J9 E% A9 v6 C! t3 P. m. G| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M% v8 A2 `: K% _ V2 {7 p$ a
| | ├──2-SVM的思想 .mp4 55.56M
4 W, l& @. R! G3 P5 b| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
. \* d- R; [8 ?, E7 v& v: @ R| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M5 ~6 \+ B' D8 R: q6 V) Y
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
2 I+ S- M7 {& F! U| | ├──6-总结硬间隔SVM .mp4 39.01M' ~1 w) H. f+ {* z4 X+ V
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
- [' h- |0 ^0 q$ f$ h+ c+ X9 I| | ├──8-非线性SVM .mp4 54.43M3 m6 C0 r$ T7 _+ H$ O% ^4 x
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
+ ~* V" B: c. p) p| └──4--SMO优化算法
" h0 G5 P/ A$ ]+ K' j0 {) B| | ├──1-SVM算法流程总结 .mp4 58.36M
! G% ^2 v# J/ s9 r| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M. W! o' p+ z' A, T: l" v/ B
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
% i9 R& n7 z, u! r2 B6 u| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M R! S$ b9 A/ k) Z0 a1 l
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M7 D, Q- u8 [) s+ m, @
| | ├──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
+ M+ C# \/ c: v9 b/ D$ T' ]+ V| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M' v3 H$ u! d2 c' Q4 e( }- \
| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M
0 b, A0 m" A* ]. O- Q| | ├──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
. Z2 t& B/ _) }; W| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M4 w/ X: x8 U. d& A4 u4 r
| | ├──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
- d$ [0 d) x! N# }! H| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M% c+ ]! K" |4 g2 x
| | ├──7-启发式选择两个α .mp4 23.11M
w. W h$ i( U" C: e+ r1 F* Y4 r| | ├──8-如何计算阈值b .mp4 50.18M& e( t2 b. u5 _* x
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M. P1 Q; _! R8 f# q2 x) }# p
├──7--机器学习-无监督学习
2 v: b9 b5 w4 Y) k6 S, ~| ├──1--聚类系列算法
' u9 N7 }, @ J4 w! _+ @| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
% W& ~' ?3 j- b4 A: a/ M8 A| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
. n E9 z$ d0 _( s7 o1 e4 g| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
7 C- K) w5 v2 r4 [' ]0 Q| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
( `4 N1 F6 i3 f: L4 e6 f| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
$ z1 G$ M5 J; V% q f| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M4 R# t& D# w5 b5 I* m% V
| ├──2--EM算法和GMM高斯混合模型 8 i8 n# Y; H$ ]# @
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M. i* R7 X& W- z4 c; p3 x
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
1 d/ E7 s3 r+ N. `( M| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M$ Z+ M4 \. [% ?( u h
| | ├──4-Jensen不等式的应用 .mp4 109.17M
6 B4 l) P- _/ t( X4 x0 I3 M| | ├──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 D J' [2 `0 W( E. [* F
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M$ l5 ?' f1 U9 v8 r; C- t
| | ├──7-GMM前景背景分离 .mp4 16.01M
$ |: [" s: g3 c6 ]4 f| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
9 t8 m( {& g3 b| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
9 y& w8 |0 P ?| └──3--PCA降维算法 / K: Z, T: p7 J5 ^
| | ├──1-特征选择与特征映射 .mp4 49.38M( k6 _) |5 [+ _' O
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M0 i/ \ M# m* i" X) ~4 O
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M7 e, P2 J8 L$ Y0 o7 y( ?
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
( o2 y: R* [. v7 b| | └──5-PCA的几种应用 .mp4 54.58M
* k, }- ~ j5 Q0 \├──8--机器学习-决策树系列
% `, P& u3 E o$ r9 o| ├──1--决策树 1 x( _7 t+ N8 s' R B! n
| | ├──1-决策树模型的特点 .mp4 74.88M
5 X& K3 L# V2 D" p1 d" ~. C' C) }| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M! c9 y3 A: x8 R8 W* Y) @
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M7 q4 @" C! f0 x$ T' T% C
| | ├──12-后剪枝的意义 .mp4 50.49M
8 N) d5 o2 C: A" B3 W y" {| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
- o( A+ `1 o9 |( i8 c$ S$ V| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
' w+ f1 f! T' c. ]) N5 || | ├──2-决策树的数学表达 .mp4 89.94M3 C. ]6 e$ I( S0 [5 u! ^( y5 r* \/ n
| | ├──3-如何构建一颗决策树 .mp4 84.87M
$ \1 E0 ]7 W! y| | ├──4-什么是更好的一次划分 .mp4 57.02M
6 W3 j. Y/ J# c5 N* || | ├──5-Gini系数 .mp4 107.54M
D9 L* B" M4 X| | ├──6-信息增益 .mp4 75.26M
' r7 S: v& r% L% d, z9 T9 \; d| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
/ v' k9 u( ?' B& T| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
% F( k; g% P6 O| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M T! d4 ?# D( n8 L2 Q C; ~& g
| ├──2--集成学习和随机森林 * a4 Z7 V, p! f: `/ V: R+ [
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
6 k/ a4 l+ {- p6 a% Q4 g| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M3 D; d2 g) Y3 V* ^
| | ├──3-随机森林 .mp4 108.14M9 [8 t- {- C6 Y4 ]
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M6 v' n' Q" n& s S& T
| | ├──5-OOB袋外数据 .mp4 106.07M0 n% i/ I( y; k5 ?' O. _! y% K
| | ├──6-Adaboost算法思路 .mp4 106.30M
' P+ S+ V( z3 o7 |; R5 B" g| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M U2 k2 v8 F; A$ X. m
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M5 f: j: u6 ^* ~# Y4 u" c P5 d2 Y6 ~3 W
| ├──3--GBDT - [4 k+ i9 \6 r- t) k k5 o
| | ├──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/ t; O ?% L& l5 n: _0 J# Q) m
| | ├──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; i1 g- Y/ Y- f1 e
| | ├──11-GBDT多分类流程 .mp4 73.80M9 Q& b9 l6 | V
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
. i7 V. ]" W4 [6 Z# F% j9 E! y| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M2 e3 J* Q( y; t6 u3 f
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
" e" r# G8 f% M3 S* G# u| | ├──15-GBDT二分类举例详解 .mp4 86.67M# k8 f6 ]: f+ |: o. u9 j
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
( }; N3 Z5 f \9 w| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
" O* V) V; r2 l$ ^| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
6 R H% v3 K. [& Y4 _| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M/ f* ]2 H6 h' T* C
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
- \& h3 N3 x5 \' o| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
1 g; d. }- Q! ]# s: g# ]! b$ X| | ├──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
+ t( i) c. g. \| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
, D- f* } R* ~$ I) m. ?| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M- I6 ~1 `# m8 T( Q) X. T 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 77.36M! Z* i5 j0 O6 r
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
8 ~) X: k1 D m* t| | ├──5-GBDT回归举例_总结 .mp4 108.52M
) J' [3 g, R; ^0 v9 M| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
+ `; h9 h' Z& _ o; Q) e| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
2 \( {0 y a* @) `| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M0 H+ \" u# K0 w2 z. u- T/ o
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
4 b3 f7 K/ c: Y L% T/ h| └──4--XGBoost
. C: m/ B, l; H B6 v# U| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
: j6 S" J. N1 D| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
9 j b% e. [. U, E! v. Z| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M* p0 `" Z5 s' \1 k0 J
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M" n7 h* r" |2 W0 l3 |
| | ├──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+ z+ t, c5 ]- Q/ {* N6 n
| | ├──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
# e- v Y: S5 I, K# Q, n/ i| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M* ?2 P7 D5 R. A3 X3 W/ @$ \2 q- H
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
2 p8 y3 f1 i8 l8 E| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
9 }7 f x& [# ^ ]: f2 H# Z5 t* u| | ├──2-Bias_Variance_Trade-off .mp4 66.00M/ d2 \2 G0 a( ?) O
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
4 Q( `) G% ~7 d| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M2 L) {+ n! W8 `+ x7 j& R& R
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
: l. @) f" E4 w) j4 _$ ~ X, @| | ├──6-Objective_vs_Heuristic .mp4 60.42M
6 Y: M- l0 A, A0 H; b+ |% Z| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
) [9 y8 R% Y- T7 N5 {* G| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
: E5 U: `7 p$ W! `" P% z1 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
5 H. @: o- U; @+ i7 [6 t4 T- A├──9--机器学习-概率图模型 . r& J+ l( N% l/ Y2 k7 G! F' P
| ├──1--贝叶斯分类 5 x( p/ }/ Z5 O4 z
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
5 j |, e$ A$ g| | ├──2-TF-IDF .mp4 53.08M
5 Y5 ]# v+ x* h$ _1 V, V8 @% n| | ├──3-NB代码实现解析 .mp4 126.73M
1 ?+ ^% a# h, n* D* R) I| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
" K9 Q0 }. j1 D# K H2 Y4 h+ Z+ q, d| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
- V1 F/ Y+ H. f; I" l| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
7 ?2 c4 R4 @) U# l! i0 H# U| ├──2--HMM算法 * G0 u" @" i/ A8 L7 E
| | ├──1-HMM隐马的定义 .mp4 36.82M
$ i: K4 j4 @, }9 B# R| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M1 S9 ~: p. q; N' Y7 R9 \$ N
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
! d0 {, s& ~; F| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
. a" K# S1 @+ v7 U5 j) l8 V| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M! O3 m5 |, A" s9 F
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
% B- L' y/ }0 o| | ├──7-Viterbi算法案例详解 .mp4 107.12M
* F4 Q) l- @# J9 a7 [| | └──8-Viterbi算法代码实现 .mp4 42.43M- |1 s# O; y7 k5 C
| └──3--CRF算法
5 h# k! R! Y, E) Q3 u* x! ~& h! V| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M2 X7 J! O( x \; }; u
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M" r" |4 H3 Z+ j: W! r/ H9 b+ l+ v
| | ├──3-了解CRF层添加的好处 .mp4 105.90M, x( P$ W) \- T
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
1 W+ h# A t& w" y" k J| | ├──5-CRF的目标函数 .mp4 23.74M
' [5 p/ \* B0 L9 ]' }| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
' ^2 h, R% |' n/ x5 @| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
" H) t4 q- c& @" M| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M+ k5 E+ j1 v+ y. d
└──课件.zip 2.54kb4 C: s. ~+ J P. E6 o' O! B
3 l+ G8 Y+ i" ^$ t4 e, j7 R
* D9 z0 n Q- 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！
% D) ^. s5 d; E' L: ?
! R1 F5 `8 x# F; \) A
6 }! L) B6 g* s7 } v9 Y |
/1 
