战-人工智能2022/
( \( X1 m( O7 a├──1--人工智能基础-快速入门
$ F( o0 l, f& u/ a1 \* d5 [2 I| ├──1--人工智能就业、薪资、各行业应用
g; O# A$ k% `) U' t- C6 M6 t4 r| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
% W4 a) [9 v8 T# z9 z| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
4 ?1 P5 T4 x% u- h9 }) i& p. N| | ├──3-人工智能时代是发展的必然 .mp4 23.22M8 }: d0 d9 Q. Y7 O7 C; ~
| | └──4-人工智能在各领域的应用 .mp4 57.73M8 O& W* f D. `! v; x3 v w
| └──2--机器学习和深度学习、有监督和无监督 1 b7 o+ m& `5 b4 U
| | ├──1-人工智能常见流程 .mp4 89.62M r& ^1 f* Z8 _* Z7 T1 j4 [2 y
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
& d& b0 j( Y r5 u ]' || | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M1 v/ ` K8 w# t9 V0 I. }
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
7 `: D: j3 X5 q| | └──5-无监督机器学习任务与本质 .mp4 50.15M! i. g6 f; c. S1 ~
├──10--机器学习与大数据-Kaggle竞赛实战 % B% y; ?0 |3 ^4 t+ q
| ├──1--药店销量预测案例 # v& h/ G" |# O) \
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M2 w; N9 B4 x4 s# b! U+ P0 j
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
: w4 {/ l% _# Z6 |5 I| | ├──3-自定义损失函数 .mp4 21.12M
7 Z& E, N' {% m4 h: }! G( `, u| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
1 ^" A$ @, I" z9 v. r$ q9 I| | ├──5-数据的预处理 .mp4 111.81M
. O7 e8 X: r3 [8 {4 A| | ├──6-模型的训练_评估 .mp4 66.64M
, P& @" s6 B. R. k+ m9 i| | └──7-kaggle竞赛网站学习 .mp4 172.16M
" c% K' }) E+ F% A8 K$ `3 {8 G| └──2--网页分类案例 2 Z2 w4 }' `$ K! F6 j
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M. I! t4 l! u& T: O
| | ├──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 85.63M0 T2 j4 i9 j3 f z3 c* e; A
| | ├──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! u0 P( A4 O4 {
| | ├──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+ f2 c( w" j2 W4 \6 R" k- A
| | ├──2-评估指标ROC和AUC .mp4 56.19M
: x$ A& k6 w' N2 X) K% O| | ├──3-评估指标ROC和AUC .mp4 49.03M
/ g7 y' ]8 F( U O9 i1 v| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
: g) |: C# J6 q5 X- i| | ├──5-数据导入 .mp4 68.41M0 h+ O6 K% E: |# c& l% z8 l5 R
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M3 C# R3 d w! k" u+ ]: r
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
5 t2 S! K4 p, b+ Y. w$ a| | ├──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' H1 O1 f3 \2 l6 J
| | └──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 87.47M1 ~5 F3 X. B; O3 t2 }& R3 O
├──11--机器学习与大数据-海量数据挖掘工具
- G8 m B8 I9 ~3 || ├──1--Spark计算框架基础
* N& {$ m: y' }% a7 t' m| | ├──1-Spark特性_01 .mp4 41.68M
+ Q! T3 u0 i4 u6 {+ h& F| | ├──10-分布式计算所需进程 .mp4 26.30M& c; [( x$ A" y) n4 n. w6 }- N; H1 h4 w
| | ├──11-两种算子操作本质区别 .mp4 56.31M8 J/ G8 G) R- T
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
$ c1 [& M- }8 z% v| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M- b5 b. v( o/ S. Z( s+ L A* i) k
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
8 J9 L, w$ e6 S( ?3 f| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
1 T8 O8 o) r; ~| | ├──2-Spark特性_02 .mp4 35.15M
) y2 K6 `, B8 \| | ├──3-Spark对比hadoop优势 .mp4 19.34M6 k; B' q# i! y- U
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
( F. A3 B& o6 R" ^/ r0 p+ c| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M0 f6 z O+ h& Q& J" \) \' Q2 M
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M7 c# F* T3 l7 f7 V% I7 p0 x/ E4 T& i
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
8 u5 O* \3 n* U ]* o| | ├──8-Spark的RDD特性_01 .mp4 33.08M
4 G8 g0 X. f( I4 _, @( l C| | └──9-Spark的RDD特性_02 .mp4 33.41M: X! r- e8 ?% K! d4 E) h' d" D
| ├──2--Spark计算框架深入 5 E0 _- Q3 F' W
| | ├──1-Spark数据缓存机制 .mp4 54.43M
3 O6 B& t0 H7 M% p. p| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
& z: l- Q8 l* Z8 v| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
1 @: ]- x7 A/ M| | ├──12-构建LabeledPoint .mp4 111.08M$ g9 \( e4 p* L! B6 Y. M
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
' V" G, M' G1 g| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
3 \. q3 l7 P& C3 B& j: ?- g/ X| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
) I3 s6 o+ J c f$ @5 I! X$ M| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
& D2 N, x. u1 w( W* n9 ]" Q0 u| | ├──5-Spark术语总结 .mp4 89.66M
7 x' w2 R& W$ M4 u1 r| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M( e6 L k0 w8 k3 q1 `+ E
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
: A8 \1 {6 [; P| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
/ J$ ~: ]6 r6 v, C6 k, B1 V7 \( w X) R| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M& B- K, P$ ^3 E+ a9 L _3 r9 H
| └──3--Spark机器学习MLlib和ML模块
2 T4 m" B. F1 H H l% d| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M& t3 f0 {. N5 q2 B+ }
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
6 i: o( ]/ ~$ ~9 j6 R6 W| | ├──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! P( n! z4 Q5 o* N
| | ├──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 m! R" l: \4 g, x' `$ T
| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M
4 L3 c8 b* }0 G( ^1 D| | ├──14-从数据转化到训练集的构建 .mp4 146.40M* q% f! k2 _* H! \1 r
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M4 g* g% h3 [0 @
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M! N, I6 b$ E, A
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
5 w6 z$ k3 U! x& I| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M2 E! C7 G# V% I! Q
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
: ?9 G8 k8 l* P5 y| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
+ U4 @1 s( v) r2 v) U U| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M* k8 l5 s# d$ z" h
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M( e% z* R5 j5 M7 i. ^
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
! T8 E! T( O- J/ x: r6 y) `| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M2 E2 t$ c8 U: p7 B8 X
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
8 Z/ x! q+ z; Y3 y| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
" B; W4 l D$ t1 l% g8 z6 D2 A| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M9 n" f; L+ O+ s) b
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M5 G F# X1 S+ A3 y8 u+ F$ L8 B
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
* ?2 B1 m+ I g; W: ]+ D/ W% v/ C| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M0 ~8 ]* n* o' j; e9 o
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
" L" Q. x5 ^: f7 B8 c0 C# w| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
% A% v) U7 W4 @) q| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
0 p) u' f7 z' v| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M6 _1 L1 E5 H5 X& X l+ r% i. w
├──12--机器学习与大数据-推荐系统项目实战 . a* P- Y0 i: h( G; H- j
| ├──1--推荐系统--流程与架构 , `, {3 t0 B; x9 p
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M2 e" F6 P, F/ K
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M
2 [3 c' e2 x/ t" d| | ├──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
, J/ @ W& U3 \; L| | ├──12-推荐系统_数据源_1 .mp4 79.07M& Y4 {2 B- F5 u( r Q' R
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
; G: G/ [7 x7 I| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M. W0 J" j1 E$ o; f7 Z2 {" ]( K
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
( @/ T2 p( R& | Z! y7 _| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M6 p* }3 @1 U9 j# S* J
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
}4 \$ l- P! B8 ]6 L! A- P- S| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
" m8 F! ~% |) Z9 Y| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
1 v# @- X, w/ s. i+ V: z| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M3 h* I6 m b3 Z9 U: w' K
| | └──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
4 u+ k! ~/ {* p% M| ├──2--推荐系统--数据预处理和模型构建评估实战 ) {2 ]; J: B3 J+ K! i5 A2 K) D
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M* W9 ]+ R& m; C
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
; M6 K& I! N+ K) }2 R| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M# d: ]7 |& `' a" E: P5 D
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M" u. H* O# s/ O
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M" t6 A/ D' T7 e4 O8 n
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
3 F3 K i0 `& V7 V% l0 || | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M s' a' O8 [" Q8 a
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M% W; E, T$ w7 ?" S$ }( e9 Q
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M0 h( K. h9 b5 y( P; M0 A2 }% v
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
3 o3 a& h& E0 ?( S; u5 f% d a| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M4 L1 T5 C6 e0 F+ p
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M, C' p$ m3 V0 c
| └──3--推荐系统--模型使用和推荐服务 ( l# B" x% ]. P' G$ q
| | ├──1-推荐模型文件使用思路 .mp4 61.89M* D" R3 s. i" O! Q& G
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
q. v% V) O) d( ~* f& v| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M) c* I( F$ k* \- I' ?) O5 R- f
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M# \ P; O' ^5 k3 E! Y5 u
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M( Z+ _. I( Y7 B" |/ d
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M7 _8 i; l" D8 S3 n$ ~
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
: O( ?: l" b8 U% y5 u* k| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
1 ~; R1 v2 {6 a) l| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M \( R9 y% L. P
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M1 u |% l) n6 M- S7 B
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
/ A" ^ g$ a1 w1 K p. U| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M& ?! Z4 u* e- L8 d0 l
├──13--深度学习-原理和进阶 . M* w0 k0 B$ `/ w9 m7 _+ h; B
| ├──1--神经网络算法 0 |8 C4 J3 M+ D0 f5 C
| | ├──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
, l& H3 k7 O: P7 k u3 T' ?8 ]: V| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M9 o4 _1 h( d& H$ @4 x/ e
| | ├──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 67.67M1 a+ S0 v2 `3 K& {8 @9 s! `
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M4 J% _; ~6 Q9 a1 k# x0 p
| | ├──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% u2 U9 g! r3 [, r% [6 H! f
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
- e" [) a. T& K- _& s2 m* M, ~| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
) E: l$ T; J5 w$ \: Z: h5 `0 N# Z| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M! u& g4 C- X7 z& U8 w
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M8 Y. F5 s) r r; O$ l2 F- j
| ├──2--TensorFlow深度学习工具 ) E# U; F. g/ R/ f. D; t# z: R3 t
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M8 f$ R$ Z5 z& Y, i) P+ _4 Q
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M& }3 n. w+ _ }2 W2 Y7 G. O
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
$ Q! d7 L# ]2 w5 c| | ├──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
* R7 n: u4 j5 `8 ]% R" }3 L8 E; R/ Q9 v| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M, ^& [2 _5 @0 w$ p0 u7 q, y' z
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
# ~! e- u9 x/ |8 g" p| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
- Q5 F& F F" S6 v| └──3--反向传播推导_Python代码实现神经网络 $ Y$ y# b0 l# Y7 U
| | ├──1-反向传播_链式求导法则 .mp4 86.47M* I m; s! ?) n# o7 U6 j2 Y
| | ├──2-反向传播推导(一) .mp4 127.90M3 [* ~! E& i b- c. C/ y9 v
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
; i6 ]; D9 d( a9 g| | ├──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 81.20M0 H& c3 K/ U) U8 ~ v
| | ├──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! R* O* N+ Q' ?, F
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
( f: V, F$ z- d. o8 L, Z9 R1 o. V* N| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M3 R2 [! h* q: D* l3 p7 G
├──14--深度学习-图像识别原理
3 [( \4 n8 v G3 Z5 M9 W| ├──1--卷积神经网络原理
- k2 d' H3 t5 @| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
( s+ [4 ?4 ^& _4 V8 Z- t| | ├──2-单通道卷积的计算 .mp4 104.01M, l# p0 V; U" r: i& Y
| | ├──3-彩色图片卷积的计算 .mp4 52.79M# o/ Z8 q8 v( B2 |7 t$ w% E
| | ├──4-卷积层权值共享 .mp4 63.93M2 A6 }5 K6 ^1 x4 F1 e9 d/ I) |
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M+ N) m$ k* @# Y( X- L1 ?
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
4 T3 f# |7 |* U# E/ ]5 i| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
7 p; N( T7 n" _) S% b% K| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
+ @' m* K) t$ K1 L9 x. H* G8 ^# o) J| ├──2--卷积神经网络优化
6 @/ v4 y- m L8 I. ]| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
l' d9 ~$ d8 O* ~1 f$ }& W| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
: H6 v& B0 h8 s9 ?" ]! g| | ├──11-Optimizer_Adam .mp4 141.12M
% j" ^5 Z8 x3 m) N| | ├──2-Dropout技术点思想和运用 .mp4 113.94M/ m a) o/ N& |0 q, x6 C# 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 n, B0 h0 G2 Z3 p3 I
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
u- m: }. Y/ e& V6 T5 X4 R| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
7 H" P7 I" }. F$ h* N| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M' e0 i* Q5 [7 Q. M: f
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
2 G8 r' q- J8 o# q5 M' W| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M* Z3 N" h: O3 R' @% p1 ^
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M& u3 b6 }( @4 `* l% A: q9 O
| ├──3--经典卷积网络算法 0 H& y8 |5 `$ V* [
| | ├──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
/ ]# Y, @/ [& G8 e| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
$ x8 ~9 B5 O5 p5 Y5 O* \+ p6 n) B| | ├──3-InceptionV1_V2 .mp4 165.86M
0 t; _. Z8 C+ R/ P( P4 V3 ?| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M- R; ]2 n: L$ q2 o# o
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
- O5 ^& j4 Z6 K a; f; T| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
, s4 [3 O0 K4 P; o) I6 W8 N| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M6 V9 u/ i. ^' Q3 ]* ?$ h
| | ├──8-BatchNormalization .mp4 99.23M$ t( H* S& d( w, B
| | └──9-Mobilenet网络架构 .mp4 150.05M, V7 Q, F' H# Q: H G' |# h
| ├──4--古典目标检测
6 {3 c8 S$ R' ^8 h| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M. r- C7 C+ H! _8 v) ?
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
. F: u: Z+ L9 U| | ├──3-IOU以及python计算的代码 .mp4 23.56M" V0 O9 O8 j0 j
| | ├──4-R-CNN和SPP-net .mp4 124.06M$ l7 F' X7 {$ _: `6 l& j
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
0 ^" v# k9 l8 X$ P; F| └──5--现代目标检测之FasterRCNN
# g4 d, B. c% O- [% N| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
1 V% i: i, ]$ E| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M8 v1 `4 \& [ @
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M" H( A( N8 O+ K$ F/ p4 m
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
5 U2 \! _ W) g. j% z9 x| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M* P8 K& O2 L. D7 S: f: V+ Z% f" Z
├──15--深度学习-图像识别项目实战
+ p1 V8 y4 }/ f: C| ├──1--车牌识别 ( J0 B3 y y5 V, n2 x( J) P2 Y
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M6 R/ c, n9 i& Q# K8 \/ W
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
7 k* O% @& _* f/ ~8 T L5 j" R| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
, M% p. P* N/ ?( G; t| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M; c, r7 r4 u1 h X9 K
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M7 m8 l8 V6 h T6 s" a h9 c. y
| ├──2--自然场景下的目标检测及源码分析 2 z, r1 k/ e3 O, R- [
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M a+ A! X- T0 g1 d# I
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M9 b$ d4 E7 I. t( w( B) {- S& P" N8 e
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
: i1 u% x$ Z. t- t4 T" Q8 g| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M* G7 m% K9 e; r* c. {4 W9 z$ v
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
) A) n3 j# O' V: i7 ]: c| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M; }4 ?1 R! j1 E# P
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
; r1 }0 P& S' p| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M* U0 z/ p$ R6 {
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
% ?, U8 U8 K5 q2 @2 ?8 d% J6 n| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M2 z' h8 f/ U. H! c" x) K
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M" N- p+ m4 ]. }% U7 `3 [
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M1 l8 l5 u: f9 G# L. u0 |
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
2 l3 Z6 ?* h. m8 f| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
( J1 x" k- A9 H8 t2 w m| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
' {7 [7 z) u I0 f U9 S# z| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
f4 C& u( P" n. Z* t7 m# U/ ^( A4 a| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
; \8 d$ b9 G! l& X0 n! S| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M: K1 d, Z7 f. g" G. T- O
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M8 j3 T0 ], Y: Q, o. }
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
3 m% k+ l$ E+ ]8 S6 k* ]. M& H4 R| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
; p6 Z' |. s v0 W5 {9 K k+ A| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
, K8 r3 E; r4 w" B, z$ j( i( m| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
" o( B9 N; [$ X6 |- [, G. A| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M& ~2 K% J9 c" U) I, ?6 F5 ?7 |9 h0 _
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M0 Y! ~' m% O( K; i6 X
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M6 D# L+ g. l( |' {- T! l# X
| └──3--图像风格迁移 5 H' G* g) d4 E% ~
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M5 j2 N8 f, R: ^0 y
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M( l; d2 {2 ~ l: J
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M) Y- k% B7 s1 h. ~: i6 z+ }
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
' t6 X8 x7 b" {2 H# `: \# ~├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
; _" P/ n9 y9 ^% b| ├──1--YOLOv1详解 5 x9 b% r7 D0 O2 ~) ?/ R# X$ \1 F
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
0 y) O7 L+ M' R/ W| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
; t# Q& D2 c: a' n| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
5 X Z5 R! T p$ v6 F/ I| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M( i4 W/ J3 `1 i. z8 q! T( G, Q; P
| ├──2--YOLOv2详解 % H& H8 I& C, K) M z3 S* K2 L5 }4 p
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M1 Z$ Q4 r) W* d5 W$ o- U0 M
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
2 s( `, g, q1 E* n- H| | ├──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
' F% J4 o0 W' _# h2 W| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M6 @# f0 R: a1 z0 r" e$ z
| ├──3--YOLOv3详解
. K& o1 U* ]# T: u2 {+ x3 }| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M$ H6 ~4 ~0 X! @! W
| | ├──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% o0 d& D D% c3 ~% Z/ g
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M5 t, @: u5 v4 S
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M3 g) ?% ]" f3 Y0 L( G6 S3 v; G/ S
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M0 Q8 n2 J; O+ d; _" M# B+ z; d, }* V
| ├──4--YOLOv3代码实战 ; ?- ^/ t& _; s6 n
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M! w5 n+ H# b& b" u( P! ?
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M4 g/ H+ w& z- T: e# P8 X. {% B" ]
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M, b5 C5 h& j0 }0 o
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
: W2 I; c% n6 @& u| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M6 t9 a3 _* S' k$ J
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M6 g" w: o: H7 W! ?/ n+ V
| └──5--YOLOv4详解 * o" d5 v0 Q& A- s% C( v$ G; e7 q
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M# ]& t% O1 R) a4 S" k4 T
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
( g) V+ Y) S5 n3 P6 D| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M* T- J2 Y. v* S/ ~+ Z: M4 X
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M8 Z+ [6 ?' R6 K; ?+ W0 }/ ^, p. V9 ^
├──17--深度学习-语义分割原理和实战 ! M& ^2 ^. a! K8 B- O
| ├──1--上采样_双线性插值_转置卷积 * s* m5 s- ]' K6 ~
| | ├──1-前言 .mp4 19.46M
2 x% z! e- z8 w$ p% s| | ├──2-上采样_repeat .mp4 23.90M; H* w# H% m: M* o; Q
| | ├──3-线性插值 .mp4 34.48M2 l- g( ?8 j0 Y( H1 ^
| | ├──4-双线性插值 .mp4 125.71M
/ [5 e5 D$ e7 E' }2 L: B| | ├──5-转置卷积_以及TF的API .mp4 114.25M& B( x4 X' }6 n8 c' X: M q
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M" k' o; e# m* p1 m
| | ├──7-ROI Align .mp4 58.38M
+ n |: {; z; e" ]" e& w| | ├──8-FPN思想与网络结构 .mp4 92.14M1 O: T' O* t5 ` e; f+ u
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
( m# y0 [: r9 B, x/ G# O( H6 Z| ├──2--医疗图像UNet语义分割 2 t2 f: `) h9 t# H+ C
| | ├──1-语义分割的基本概念 .mp4 18.33M+ n3 d u- L" T
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
# X s4 ^2 x' M8 ]! Z& p% k| | ├──3-UNet网络结构 .mp4 30.41M7 y/ C" t4 X2 J! |1 A/ X
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M7 ^% U8 V% L4 Y+ W
| └──3--蒙版弹幕MaskRCNN语义分割
4 e3 i! ^* e( R6 A0 Q) t| | ├──1-MaskRCNN网络结构 .mp4 106.38M/ D* S5 X/ d# i$ {' Z
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
+ c$ F/ d. X1 u& |% k9 O" F| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
4 d" G* l1 t8 I( r, J, e| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M7 `3 |9 I+ I+ v6 n! `) ]0 Y
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
% h& \& B. N" ~| | └──6-MaskRCNN源码config和model .mp4 244.48M0 |7 }9 G1 ^0 C. F- B2 g
├──18--深度学习-人脸识别项目实战
) s _+ T# W1 @9 _' V| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
# \: K# a4 e( G+ S- v1 _1 b| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
* O6 X' M8 F, G' ~8 Z) a3 {| ├──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* u- `' F2 n8 Q- w: S
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M; p B! N( {$ k! s) O( j7 n* D/ Z+ O, m
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M7 w; I8 |' w8 U* q, T
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M- W; e* k+ w5 o, x" m; U
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M2 h% d$ X0 y T* _% w2 S
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
" }$ _9 X" o. ^| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
( u! i5 i6 X3 ^9 j& X' Y4 F| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M' h! U5 n- t4 D* X7 Q5 E. |
| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M9 L/ I; q$ d3 ~2 B6 W# q: ^) [
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
6 h9 B( T; D+ J| ├──3-人脸识别项目代码整体结构 .mp4 30.40M' `1 c. T) ?+ I3 s
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M9 h! M5 q, y# d% r I: A5 k {
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
$ |9 u( F& D- g$ F: v" z" ]+ H| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M. Y: {2 \1 T- e2 V
| ├──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; w0 m' m2 [! I% e! u% n
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
4 u5 K$ Y* x6 w) M6 e* ^| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
5 H( G J2 [/ i ~. e$ K├──19--深度学习-NLP自然语言处理原理和进阶 9 Y! \- f. l) N( r$ I# y! d
| ├──1--词向量与词嵌入 # a$ k/ F* ]; K+ L9 G8 O2 q
| | ├──1-N-gram语言模型 .mp4 116.32M
9 C0 F7 S8 z1 _' @6 N| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
' s0 q2 [7 w* _) X8 w' E| | ├──3-词向量的作用 .mp4 58.00M' \6 i; G) t7 b: L
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M1 Z- v; s: v4 o0 Y( T) d$ f
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M5 M' j! y+ K& H% I
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M1 Z7 [+ Y7 {- F! ]' d! B
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M' H; x$ v. \6 i, h! Q
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M# H1 m, \0 t# `. @) ^, y, t
| ├──2--循环神经网络原理与优化 4 \( c4 P5 N: E: n
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M) {$ G# S9 j* z! e4 G
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
' y, \, g& t! ?8 f4 D: h8 y, T8 N| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
g3 L3 x6 O1 j" u| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
& }! [0 ]- I8 Q6 G! _( `* \$ v3 o| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M5 {- n$ w2 e- e4 ?: K0 }# z/ P& B: D
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M }' n0 Y% `: K8 r2 A# |. u0 F; T
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M4 r+ w+ I3 G1 }/ \1 X+ I0 D" ^3 [: D
| | ├──8-双向RNN_LSTM .mp4 52.01M
; F5 @* z9 S5 E! E| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
8 g ]" x& |% R$ F# Y/ x; a| ├──3--从Attention机制到Transformer ) }2 d4 e, Q6 H6 J6 D' ] K
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
! c$ `! z' q6 U| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M8 K: U- u" J- j6 t/ G3 B
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M v6 ?9 C) U8 h0 }
| └──4--ELMO_BERT_GPT : U1 Y0 G) m% z' f
| | ├──1-ELMO .mp4 62.44M# E. `0 f; _+ n7 b3 x
| | ├──2-BERT理论 .mp4 99.73M9 H0 p I8 u1 B" n' s1 W- B" T+ {, [+ X
| | └──3-ERNIE_GPT .mp4 56.34M
/ ~) N; {0 o8 U. ^3 |/ T├──2--人工智能基础-Python基础 0 A8 y( ~+ g$ x8 P/ M
| ├──1--Python开发环境搭建
, B- a" L( }" V| | ├──1-下载Miniconda运行环境 .mp4 100.75M
' B7 l/ x& U h" ]| | ├──2-Miniconda安装和测试 .mp4 57.12M) R( @8 R% ?% v$ c9 g- i
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M: s4 G9 y9 G& F9 t0 q8 z; G$ |
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
$ N' T' _0 u# n| | ├──5-Jupyter常用快捷键 .mp4 32.23M1 N# s! F" K0 B; G+ I1 Q' t. e8 p
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M) U% L2 K* f8 e* x/ E/ o. A2 \+ p
| | └──7-关联虚拟环境运行代码 .mp4 38.14M0 e! Z& y- D# `, l4 m, ^* I; e
| └──2--Python基础语法
' b% r! O5 c$ O- n) s| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M# \ I: i5 X% h/ o7 i5 @3 [% T
| | ├──10-Python_集合操作_列表 .mp4 34.71M7 _ k& ~6 A! z7 c
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
1 x; x1 C# N. E4 F/ w| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M4 z! i/ L2 @, s1 B+ [/ ]9 r
| | ├──13-Python_集合操作_元组 .mp4 43.46M
- z% W0 S% T% \3 ^| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
1 S" |. g. [4 d# c| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M; C$ g+ ^ Z' i/ e4 _8 q
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
2 v* t# f0 y: }4 _0 q| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
& M) A" g5 C& t9 v& M& o! }| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
, j; A0 n5 K$ S# C; T| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
8 t) l& ~ Q7 X6 k( \. X1 || | ├──2-Python_控制语句_单双分支 .mp4 50.66M( Q1 E. b3 F+ M) r* q
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M% u/ c1 q! q, V
| | ├──21-Python_函数_递归 .mp4 23.46M
. y4 l9 t' W: c| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
' a0 j: ]4 r, @! U| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
$ J! t0 J/ A4 J- h' o5 k2 `" |, a| | ├──24-Python_函数_闭包 .mp4 41.61M$ I; j( M8 h% G3 U0 |6 P% d
| | ├──25-Python_函数_装饰器 .mp4 30.35M4 W9 e1 p& Q7 _* N; Q, D I
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
* k6 y+ L2 V, `% p7 n, [, t% N% E| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
) X" @4 k M4 Q) g( r| | ├──28-Python_类对象_内置方法 .mp4 29.17M2 r- E. Q2 t, ^' D4 T
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M+ f+ M* X! n; v3 a
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M+ P" D0 q+ ]8 z& e! o! U
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
/ i# t# ]4 j4 k+ ]" {| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M- M# h. O( R. \, q' d% W
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
) K. O4 X% `- w7 n& I& X| | ├──5-Python_控制语句_for循环 .mp4 22.82M
! i, V9 p' m5 h: U F| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M+ k8 k& S) p# m# O3 J! [
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
9 G6 [; m# S9 u7 N) V| | ├──8-Python_切片操作 .mp4 40.20M
8 m% \0 D8 D' h9 D: O7 W| | └──9-Python_数据类型 .mp4 25.38M+ m7 ]. N: U' C8 K, f: u" c
├──20--深度学习-NLP自然语言处理项目实战
( r& {1 G: x$ E# M6 N5 ~5 V| ├──1--词向量
0 J# b7 K8 |: V) i3 A| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M" ?5 H' ?4 B* Q0 y1 C$ [
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M* t! s" r) p; |' Y$ s/ D
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
+ I3 F6 J0 e. o+ 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
0 v0 v/ J9 Q& o+ S| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M* ^6 N4 B; v, ^/ Z+ F
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
2 I& W" `. ]+ T) X( g| ├──2--自然语言处理--情感分析 . L3 m8 H* p, n4 A9 c' o
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M6 v4 s P" Q1 i- v W
| | ├──2-数据预处理_01 .mp4 79.65M: k# u1 ^( l; t( u' g2 N
| | ├──3-数据预处理_02 .mp4 45.68M
9 Q. p/ l( K6 {| | ├──4-代码讲解_01 .mp4 52.29M
[6 |; f; W* }/ N9 Q9 u. j3 d| | ├──5-代码讲解_02 .mp4 60.85M
5 B, n6 [, A* O- J2 ~( O d| | ├──6-代码讲解_03 .mp4 53.89M
% V, ^: ^' T9 }8 r| | ├──7-代码讲解_04 .mp4 57.19M8 {) Y: |! E* V* k. P
| | └──8-代码讲解_05 .mp4 35.88M! h/ t* V" Z A0 C
| ├──3--AI写唐诗 9 M6 `; D( V& |' q2 h8 v/ k0 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
& S, O) s* H( A4 U2 r" |* c| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M) ?- I1 v5 q2 r4 ^0 u* o0 {
| | ├──3-MultiRNNCell单元 .mp4 38.93M
! Y7 X" |% s+ W. V& Y| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M f' B& @+ i& l* h( S
| | ├──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
3 ]0 i/ g5 r( o5 W3 Z5 A| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M! @4 S) ?: N- y! {! y
| ├──4--Seq2Seq聊天机器人
7 ?5 ]$ U% Y# x0 E) |( N/ b1 E9 s, [| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
& ^9 |, u# |" g6 D# j. G| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M% ~$ c6 m6 t; p' B
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M D; @& o) U/ [* ?
| ├──5--实战NER命名实体识别项目
" ?, h3 H5 q* x. h5 J| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M' } I2 }, K0 u) `5 A3 P
| | ├──2-介绍了代码目录结构 .mp4 23.44M" x+ y9 h1 W5 V* G2 \% r8 ]! p
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
6 }3 z6 F& p2 J/ \1 o4 {| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M) ?8 |1 l; Y5 c _( A! C1 t
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M4 v9 W2 G) m; }8 n# q- M1 |7 u2 C
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
0 b0 @( I5 h) K1 j) S* Y| | ├──7-CRF中的特征函数们 .mp4 125.97M( \% D1 N! x, O% R0 s
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M: N$ E& O; \5 Q" T! t
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M& Y7 h. q; o# A5 t$ G7 r
| ├──6--BERT新浪新闻10分类项目 & }$ J! c) A$ c6 V
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M5 w3 y- D! Y$ c. ~0 }+ S& g5 V2 \
| └──7--GPT2聊天机器人 - h/ ~- ^' m' L$ h. B6 Q
| | └──1-GPT2闲聊机器人 .mp4 62.28M
0 Y5 h/ T4 {( L, P3 N├──21--深度学习-OCR文本识别
, @& ?3 |1 N/ g+ q8 C) X$ ]( w3 d| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M1 f+ `! {$ v5 A2 [9 ]& r; g% U
| ├──10-CRNN项目代码剖析 .mp4 306.48M
6 [1 {, {0 }1 V4 o$ I| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M& q! f* k0 l6 y7 D& b# P7 @6 F
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
1 K* e( g1 H& C) j C$ X0 H| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M9 A& q3 ~; L. f! u8 M# U3 v
| ├──5-CTC损失函数的理解 .mp4 330.64M, G3 J' T6 ~( g/ r- u: |2 g
| ├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4 200.52M2 w ^0 _- g- f- D- k5 D
| ├──7-CTC前向后向算法代码 .mp4 225.41M
9 [* @ I1 Q& p* N- _| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M# W5 Q7 n' J1 D
| └──9-CPTN项目代码剖析 .mp4 491.69M$ e1 c W- ?* a( c I
├──24--【加课】Pytorch项目实战 p; d p) c$ D* {
| ├──1--PyTorch运行环境安装_运行环境测试 , G' T/ r) @, s0 U+ l
| | ├──1-PyTorch概述 .mp4 29.29M
# P. Z( F! E9 _| | ├──2-PyTorch的安装 .mp4 76.45M, L3 t j+ X: f# h) g- L
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M# B. _/ |2 z" H3 l
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M! `. c* N% W6 c7 e" l
| ├──2--PyTorch基础_Tensor张量运算 8 R) d% b& o. M
| | ├──1-Tensor的创建 .mp4 55.14M, L3 v# z5 c( ?' ]/ n) h
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
- S! z3 u* J8 t A8 m; j/ y| | ├──3-广播机制_逐元素操作 .mp4 44.46M
( Z6 [! C% X2 P" r, J! B| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M/ F7 A. N+ j n$ y
| ├──3--PyTorch卷积神经网络_实战CIFAR10
8 y) a6 X* q4 w4 Q| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
% R4 s/ O7 p' \, x6 E- m7 |3 e| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
1 R' E6 }. Y% n| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
& y$ w" U3 [! `" W* o| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
( y4 g) x1 Z8 z) \3 S| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
+ l. X3 I% W/ T| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M: O5 m6 }% `# G! `+ Z% M% u
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
2 W) I: j m2 n9 K8 T/ m: h! }| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
7 m! C; f# i* i) x! |& Y2 y7 || | ├──8-torchvision里面的预训练模型 .mp4 29.84M8 w6 U& H/ ]! d: U
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M3 t( v. o4 }3 C4 s4 B
| ├──4--PyTorch循环神经网络_词性标注 $ @- a$ H& o8 p0 R# R
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M7 M9 x5 y1 P* w; m
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M: ?; |% i: B0 V7 V& c# x
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
7 q" C% A" ~ u$ k| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
& j& R+ R( o1 p, }! D| └──5--PyTorch编码器解码器_机器翻译 ) n& Y q2 K2 n) D% R, f
| | ├──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
6 c0 D- i* I! \| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
+ }% V4 s/ }0 R, P8 ^. b# v| | ├──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/ e% ^: k9 L( t5 {
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
3 F! [: j* k& w& C* s; @| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
' ?& t# V0 z0 p" Y| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
+ h* w2 g2 {# P/ \, t| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
/ J% H5 R+ p3 M1 S" [9 w" u) Q| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
% [1 s' k ^! q9 u. A7 Z) t├──25--【加课】百度飞桨PaddlePaddle实战【新增】 ' {- B: s5 ?/ s: `
| ├──1--PaddlePaddle框架安装_波士顿房价预测 # K2 U/ A' f9 e7 Y3 W% M
| | ├──1-安装PaddlePaddle .mp4 87.34M: V& a/ J- b& ^' Y8 f( ]* j
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
0 l: A3 h0 g$ x5 y, x| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
8 @& R2 B8 I4 o3 ~3 q| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
# z$ W6 ^7 U5 \1 k: v| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M0 z0 J6 F" s& s1 T' f" d2 T
| ├──2--PaddlePaddle卷积网络_病理性近视识别 / A) D; r* X4 E
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M8 e$ ]1 k- X" T5 a8 R4 N8 w' s
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M; D' n& D4 b+ n7 R
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
3 ?4 P x9 c) @& B+ w| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M$ f' C: g) q8 Q* ]( c9 a
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 1 i* b: O5 S6 T; k& _. ^
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M5 _, |3 W. J( h1 M( n2 {" F1 N
| | ├──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; x+ W/ A- g$ x1 E* C( E
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
8 @4 ]+ f3 f% \1 P. E, S| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M$ F* w# n( ]: _) T8 Y( t) Z7 d7 x
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M3 Y! }5 g2 I/ V. l
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
4 K5 A6 Q! Q4 K| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
4 w1 x/ q2 L N5 K* k" y: M| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
- ^$ ~- M0 u) E4 @+ i| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
/ w1 v2 k( k g! C8 ~9 T4 J| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
2 D; h, m& V {$ I2 P| | ├──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! l' Y9 r3 i0 d! c2 s
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M9 R0 j2 R# O' ~" h) M7 p" Q
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
9 z) B- E |+ W( R5 t| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M7 r' U" r0 _) r- b& k
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
3 D9 w/ a' C. k- a| | ├──1-PaddleNLP_项目配置 .mp4 49.37M2 Z1 G2 Z3 ^' q+ t
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M9 N1 g5 @3 _5 `+ E3 Y3 V) Y
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M7 U. Z) B( f) V
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
1 e% q( P7 f( `4 ?8 ?8 F* 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$ s3 ^! p; R# }5 K% K| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M* |* n8 Z1 g) U/ {7 ?( V
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
) V, f) V+ G7 S| | └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4 80.58M
0 H7 M; T/ ^6 m, n| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
# r" \" v3 U' r! C V& J| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M1 |" L, q# L; e1 j/ {6 R- c
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M* a* ~9 s7 t# f- Z0 G4 }+ P4 }
| | ├──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
; v. R( c3 P: f0 N, 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; n Y! t# q+ H5 {# J5 P' [
├──26--【加课】Linux 环境编程基础 ) G% e2 M: c; p5 n$ h1 g$ S
| └──1--Linux ' A1 T7 e0 j! I" @- {( b
| | ├──1-Linux_课程介绍 .mp4 3.72M) F* o7 k! J% p2 ~. ]
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M+ O6 ]; K o/ f0 K' @7 M- b
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M, c; r- m0 O. P9 R; X* x3 c( U
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
3 A& _6 u- C+ A& w" M( J0 e| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
+ [( w! ^& Z4 H# a w" I$ z| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
# o: [6 O8 G! @* R/ `| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
6 X4 o( l1 E2 Q, e1 z5 [| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M: b( P: p0 t1 t7 S2 R
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
) X E2 s) {% v8 f$ T| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M9 j, |1 L/ Q8 ?# @" X& ~
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
; g, p" ]7 [# J. k| | ├──2-Linux_Linux简介 .mp4 17.59M
& a6 @: L+ B1 J/ \) K, w| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
. J0 Z+ X& ], t3 m5 D0 x) R| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
$ j" T s) K, k' V& T3 h, K/ q% w| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M. {9 }9 S Y6 Q4 G
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M' E) f8 _$ h3 r2 E
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M4 ~/ q+ v. N2 U- O
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M0 s7 [( U3 ^) z) y
| | ├──26-Linux_安装MySQL .mp4 79.02M: ~$ M3 ]& }# C/ L* X+ p: [2 n: R
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M2 d+ d0 f7 m' B! ]
| | ├──4-Linux_安装Linux .mp4 41.97M
1 \+ i" v; v4 d8 x9 p8 }| | ├──5-Linux_目录介绍 .mp4 20.31M
" Z A* f+ m; G/ e, l| | ├──6-Linux_Linux中的路径 .mp4 18.65M4 l3 Z) |3 S D5 [9 Z' x" v) P; P8 b
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M0 p0 `. I/ U& x3 L( H* W, Z
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
, n! [# D/ C9 `6 F/ L3 b| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
3 n8 e0 R( z m2 ~├──27--【加课】算法与数据结构
- {# h7 C9 _& a$ U X! Y| └──1--算法与数据结构 6 ^# K! q# A/ _& B$ Y8 {' j
| | ├──1-数据结构与算法简介 .mp4 35.68M
) n6 f- D% y/ J5 I2 Q* `) c| | ├──10-哈希表的基本结构 .mp4 54.34M
: p/ Q; C( a' _5 N7 c| | ├──11-哈希表冲突问题 .mp4 75.92M: ~( E' ?* l) a* ^1 K3 M. B. L
| | ├──12-哈希表冲突问题2 .mp4 72.30M
0 ~+ }" T W" c1 U| | ├──13-哈希扩容 .mp4 111.03M8 G" k: k! [! T. S$ X
| | ├──14-递归与栈 .mp4 50.77M3 ^" y- h# X6 u' z8 A! j
| | ├──15-线性查找 .mp4 57.80M
! A3 l6 _* w9 T7 _! K$ M2 |4 V| | ├──16-二分查找 .mp4 52.32M0 ~. x& u- q' I3 \/ g
| | ├──17-冒泡排序 .mp4 53.19M
. p6 ~" E* J( `8 Q, \ Z$ g| | ├──18-选择排序 .mp4 43.29M# h+ ~6 {! ?$ J# A* h5 k* F
| | ├──19-插入排序 .mp4 31.39M+ \& l$ g$ ?( D! j5 z8 Z3 \
| | ├──2-大O表示法 .mp4 25.59M5 C' W& V0 H8 n4 w+ A7 H( K8 \3 Q
| | ├──20-归并排序 .mp4 84.48M
$ E0 b. w, U& q$ U| | ├──21-快速排序 .mp4 36.63M
" ?0 }0 y4 y8 G$ Q6 ?; b| | ├──22-树结构 .mp4 96.85M! T8 z- W* c; {6 O
| | ├──23-树结构的遍历 .mp4 61.05M
$ p k" R) S+ [. F+ L7 k| | ├──24-最大堆的增加操作 .mp4 45.43M
[) N: }& b* c( Z| | ├──25-最大堆的删除操作 .mp4 45.63M
! a/ x( s P- R- N. q| | ├──26-二叉树的查找 .mp4 100.24M
! S: c4 i' X) Z! ]| | ├──27-二叉树获取最小值 .mp4 25.21M
0 U! j1 I" X. N& N$ n3 G1 [| | ├──28-二叉树的添加 .mp4 72.66M: ]* v% G/ Q3 v, h" L Q; l
| | ├──29-二叉树的删除 .mp4 120.06M
0 Y. i- A' G& ^% w" E& y0 @* I8 e| | ├──3-线性结构 .mp4 53.14M
0 P/ Y& R- v; X: E% D& G4 {3 L| | ├──4-单线链表1 .mp4 68.36M
$ j5 }& ~. G i| | ├──5-单链表2 .mp4 221.69M
1 D) |' O4 T! m _| | ├──6-双链表 .mp4 103.57M: b: t, `! R2 x% l! U3 H
| | ├──7-队列(链式) .mp4 74.12M* f0 [4 b! y1 a+ B. O
| | ├──8-队列(线式) .mp4 30.99M9 i5 k' |0 d5 e0 x% J/ H
| | └──9-栈与双端队列 .mp4 28.12M
2 p- I: ^$ m3 o4 g, ] Z├──3--人工智能基础-Python科学计算和可视化
4 l- {" S1 u3 }& s| ├──1--科学计算模型Numpy
- W* V+ ?1 E9 N' f' i7 ?' k v| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M8 D9 f- k8 u$ C9 U( o/ Q4 Z: X6 O
| | ├──2-Numpy_array_arange .mp4 35.45M
0 V N5 L; x3 } i0 Q| | ├──3-Numpy_random随机数生成 .mp4 50.54M
8 x; \: h- u7 q2 ]$ E. q) A| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M+ R0 u1 ~- \5 b, ~
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
, |0 R0 I6 i% e| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
9 p$ B5 y; {5 |2 w4 \ i1 P9 j| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M+ G" S& {; C' N1 a
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
" b0 O: I* J* Q _) ~) n6 F| | └──9-Numpy_聚合函数 .mp4 23.68M7 k. P$ w5 s! I h+ L' U
| ├──2--数据可视化模块
0 e& M/ ]; S% N7 X1 F$ a8 M| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M8 ?' C0 E( @1 P8 ]9 [: A7 o s
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M" d& R) F# E, V2 V2 {: Q4 K% ]1 ]
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
/ q+ O* E; y6 J& M/ R2 S| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
: [+ V8 P8 v. Y4 w| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M# p4 e2 [# w3 x- U4 b5 Q
| └──3--数据处理分析模块Pandas
- e% ]; ?* Y5 }2 v2 f| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M: u9 E: }2 T4 s7 l5 n" J
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M9 \6 z7 h) [; v& L! q" ?
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M' _* a I( |& m
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M/ c! e; m/ H" [* v
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M, x+ j8 H4 M/ A( e
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M9 u' D8 W. k& n: ^5 C
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M- W1 i. K! i: l" _7 _
├──31--【加课】 强化学习【新增】
+ n; Z% z" d- ^' u+ \& @. |& A| ├──1--Q-Learning与SARSA算法 6 w. W0 x \: M x: T x
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M; J' H1 t+ M' C x# J
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
" q4 m6 L3 D) ]* X- }5 C9 d4 [| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
, S* y& W8 w- l) f6 v5 R| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M i! s* [* `: P- D
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M8 e/ H2 Z6 Y3 Q" ?
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M+ a1 |0 ~; g4 K) A
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
7 Z6 [$ g' M% s| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
5 U$ r7 O) J! V. F. {. v| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M! t A G- ]0 M" d
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M1 n! d$ {% @, l0 D4 a
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M" [: d! m# f" k6 ?( W( x
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
/ p% t$ }$ y! k8 R| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
7 N: r0 x D$ g. o! y || ├──2--Deep Q-Learning Network
. M' P) }0 ^4 \) F6 V) K| | ├──1-DQN算法思想 .mp4 59.24M9 l) f* R( X6 j2 j3 x/ X/ T- e
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M2 V0 w6 ?0 m6 o7 x5 V
| | ├──11-DoubleDQN代码实战 .mp4 44.49M5 K" c$ ^- X# `4 |
| | ├──12-DuelingDQN .mp4 88.12M
( Q( D4 U. h' ^1 N| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M5 D" j5 {. o+ M* V( n
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
/ F! y$ @7 B+ V: D2 }0 Q| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M% e1 m4 b+ b! N9 C6 J: B/ |$ Z3 M, c
| | ├──2-DQN算法具体流程 .mp4 56.17M$ z2 j0 g. A4 S
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M6 f7 ?+ ?' h+ V5 P7 s0 }
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
. k" v3 X, X* P! p5 B4 T| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M, T- V2 B2 q: }" L6 t/ b6 \* F0 K& m
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
& O! c7 F. Y, R6 S: |6 {| | ├──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
. s2 S! J# `+ u2 b! {3 ?| | ├──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
b! }0 V: ?. u% P3 r" _3 b' t| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M9 I+ m2 q2 k6 L/ c7 M
| ├──3--Policy Gradient 策略梯度
5 D. p( U0 c3 e| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
" R1 q3 r6 O u* c| | ├──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
% [; b# U4 p3 K, Q+ R+ I! s8 F| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
5 c, m7 z0 ~& G7 a3 I| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M" U% m/ E, j7 O7 s
| | ├──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/ G9 J: I8 [0 `9 F/ V9 I* p4 ^* T" _
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M( r2 B" ]( p$ R! ], _+ ~1 @
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M; N0 c2 k1 ?( ^4 q* Y' \
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
3 l6 T5 _$ A, W% f2 ^| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M+ G% e6 {/ C" K; w l& y( u0 d
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M. C6 f! o A) I) l
| ├──4--Actor Critic (A3C) - u3 U5 {7 c, c+ s) _7 K4 a& J
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
5 J( y! L8 s1 u) E$ ` y& K4 H| | ├──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
5 g! ^+ P! B3 V( v* q) l; ~# |, V| | ├──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
7 e+ D( }( q- v2 [| | ├──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 V7 |. d& d0 k8 I9 W$ y6 W! v
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
$ `! s; i$ C' q& x3 W8 q$ 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 47.18M7 Y& s2 f! ~$ B8 f' j& |8 V
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M' u! J k0 G* W* f3 ]
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M6 Y/ o5 F! Q u( q2 j
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
, H/ _+ p& R0 v$ h7 L) D: e| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
5 `8 P0 ~# x" x% b. ^* \| | ├──6-A3C架构和训练流程 .mp4 74.66M/ b0 p/ A" x1 _0 R$ w1 C& Z* F% F
| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M0 a7 F: \; a& L% T4 P1 N5 ?
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M0 c: @- i- f; r
| | └──9-代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性 .mp4 36.62M
3 s% }7 z2 v5 D5 I9 p| └──5--DDPG、PPO、DPPO算法
) U `( A5 J7 ^$ }, ~3 g. Q- O| | ├──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
: Q) k& s, h* Y7 Z- q| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
' s* x( N* A0 w5 Q! e* h| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M, _% l, r/ N; z4 e
| | ├──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
- X9 r" @4 S5 r8 ~+ o/ E: Q' u| | ├──13-DPPO分布式PPO .mp4 63.81M3 d; @! R/ j9 T0 w4 ]) S
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
2 N; P5 T! {$ R5 z6 Q| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M6 C; r {( v+ l1 d+ @8 [9 X) q
| | ├──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: s$ }7 B3 N2 A
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
; T1 y+ V% P6 W; B7 t2 `| | ├──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: ~- ~1 J. M) d3 ~
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M' c3 U) r2 n8 g( a% @; [
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M9 I6 u$ F; n# @
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
, C1 }1 l4 w8 R* j| | ├──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
7 I+ J' Y" ]3 o$ X# o/ |. Y| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M" S, b' ]* n7 N) V
├──4--人工智能基础-高等数学知识强化
1 M' X* u* k, ^. D1 C: \| ├──1--数学内容概述 6 R7 y% A# z4 a) x0 u1 g- w
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
; l9 F+ v0 F" n/ k| | ├──2-线性代数_概率论知识点 .mp4 26.81M
; U' }1 S* Y1 l) C| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
% H- |. {0 d! t& E6 ]$ f1 q- C; x/ W| ├──2--一元函数微分学
6 K+ L7 x3 G& L8 H| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
" D8 m/ y. o' e! ^5 ^, ^$ j( q| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
2 O; h ?0 O, L9 C9 `4 e| | ├──3-常见函数的求导公式 .mp4 22.76M
5 o0 Q, W" d K) d| | ├──4-导数求解的四则运算法则 .mp4 26.52M
. M" t e# D& c, V| | ├──5-复合函数求导法则 .mp4 19.68M2 r$ }$ W+ O* J+ H( |9 d
| | ├──6-推导激活函数的导函数 .mp4 33.40M ~0 }3 V7 b+ A5 d( {
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M: `9 T3 i5 w# v& q2 p
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M" I4 N! v2 P8 r1 X" x4 N" b& `
| ├──3--线性代数基础 . A2 w/ ?- \$ C+ ~) E6 `
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M& o: R% K- q9 @* C6 P; z j
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
) N. K$ I: ?* E g2 ?| | ├──11-矩阵的行列式 .mp4 20.13M
5 _/ A/ Z$ y- J| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M5 F: K$ v- X v; Y
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M' `) p& _! L/ |5 t2 w, E
| | ├──4-学习向量计算的用途举例 .mp4 20.32M( Q5 e' N' r. r7 [2 ~5 b$ ]
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M9 q; V4 U1 M- N1 f
| | ├──6-特殊的向量 .mp4 26.45M
$ k0 U) i( D5 g- t: l7 k| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M/ |5 O7 U8 @" B
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
$ D; b/ R; b. ?* l$ l# o2 U3 I5 f* o| | └──9-矩阵相乘 .mp4 20.02M
" U4 \9 o5 d1 r) q. f6 G* {# ^| ├──4--多元函数微分学
4 o$ U+ n, F l/ U| | ├──1-多元函数求偏导 .mp4 22.61M
+ U# Q6 h/ H% A" w7 g| | ├──2-高阶偏导数_梯度 .mp4 27.15M
, g9 G1 Y4 t' g# |+ K$ E- K5 y| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
$ ?, h& Z9 ?+ I) I; e| | └──4-Hessian矩阵 .mp4 32.93M( j" s% G( u' s4 O
| ├──5--线性代数高级 # X# [/ B3 w" x
| | ├──1-二次型 .mp4 27.70M
* B! D4 D m4 O| | ├──10-SVD用于PCA降维 .mp4 24.90M
* C7 O$ v1 A* L- m% _7 W! o% s: S| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
0 x5 c7 @: E4 q6 o x| | ├──2-补充关于正定负定的理解 .mp4 23.48M
3 u3 s" b5 K' W! K( Q| | ├──3-特征值和特征向量(1) .mp4 29.83M
' U- P U" n9 T- s. N' M3 L| | ├──4-特征值和特征向量(2) .mp4 30.07M g* _# E) V# i: ?, \3 Z* `' L# Z
| | ├──5-特征值分解 .mp4 38.68M6 M3 |) G) n1 Z" |( h( g: y7 x
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M- q4 h' z+ E0 e5 w" ^* P
| | ├──7-奇异值分解定义 .mp4 22.58M; M4 o' `5 {8 [5 `1 H# L
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M) K3 b$ j9 H% J7 _
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
+ o" z: @) k6 c8 Z- m: j| ├──6--概率论 % p$ N% g) S6 i$ ]
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M J8 d) V3 b/ B4 N5 T$ |0 \1 }1 L1 ^
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M! X f3 n/ g4 e1 j- w( \! p1 R
| | ├──3-随机变量 .mp4 22.57M
- W+ b! P Q6 S( L8 P| | ├──4-数学期望和方差 .mp4 22.96M; O, V) k$ O* T, m1 Y2 Q) M! r
| | ├──5-常用随机变量服从的分布 .mp4 22.48M# S2 P8 d+ S) p$ b3 P
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
! O7 z r5 y1 b4 s" W* H7 U| | └──7-最大似然估计思想 .mp4 23.42M
: {2 z% n' x- W4 S3 c| └──7--最优化
5 l1 |# a/ _7 x; ]| | ├──1-最优化的基本概念 .mp4 35.14M" L) \/ y7 R, g; w# m
| | ├──10-拉格朗日函数 .mp4 27.46M
9 S/ x) |1 b- X+ B" j| | ├──2-迭代求解的原因 .mp4 20.15M
' n% @. f; {: l7 P" w/ w; @: q| | ├──3-梯度下降法思路 .mp4 26.33M3 E8 F6 p9 \5 N0 ]- A7 i3 F
| | ├──4-梯度下降法的推导 .mp4 43.56M, B0 ~1 }5 y* ] E3 D
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
1 f1 O5 L2 }0 A, a2 V$ }6 ~| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
7 d$ O' l; @- F7 || | ├──7-凸集 .mp4 21.90M+ e9 n% S# {. |% N: l% Q
| | ├──8-凸函数 .mp4 16.93M
0 ^! Y1 G6 B. f) K| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M' l2 M; n" T3 x+ m0 T
├──5--机器学习-线性回归 / @9 `# L- X5 v. \) ^
| ├──1--多元线性回归
) i, X3 t5 i5 R0 v- n| | ├──1-理解简单线性回归 .mp4 51.11M8 U( N2 i. S$ J' k+ r* {
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
, Y3 J* T+ ^+ F- ~0 F4 {* H| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M% C8 N- P4 ], q. m
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M% K: T' o8 M/ E9 a
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
! F, }% q7 {+ O+ m. s| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M$ ^5 R; ~ @" N/ d$ K
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
: l3 k; W" C3 V- w2 }| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M/ E8 A. ^+ B/ ^' Q- \0 T
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M }4 N8 U0 ]( n/ u5 ~
| | ├──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
8 s: t. x+ C- A| | ├──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
7 K1 h1 J3 s" x- q| | ├──2-最优解_损失函数_MSE .mp4 39.58M+ H2 c j) Y: x- y" L6 Q
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M) ^, A3 w2 j6 s7 p
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
1 E% ]5 N0 |6 M3 J' @( D| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
$ }. R# x. r! G5 Z( V| | ├──3-扩展到多元线性回归 .mp4 32.15M
2 `- I+ u8 w8 k- k" g| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
0 N }7 a4 C( c2 `; O8 Q| | ├──5-理解维度这个概念 .mp4 41.41M* g' |# l0 L7 x* @; s+ \$ y
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M" M% `+ N4 g/ y$ Y/ t( e$ F7 E
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
9 [# Y: k8 G% x| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M7 W- F8 [1 r7 s
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
) e5 _0 W+ N/ \9 G a7 y| ├──2--梯度下降法 9 i) n! r: ^7 ?* f' `3 Z- [
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M5 T3 R: j9 S4 X4 p
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
1 {: U( t4 n* b/ b* s| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
% v; O% N$ H8 ^$ t( V0 s: ~- E; j| | ├──12-代码实现随机梯度下降 .mp4 26.67M* T2 K3 O# X/ v3 e5 d
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M1 V/ W. u- b# B3 l/ c, `, s# h
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
& V$ Z1 V( _ x; y% x; l6 C/ \. Y| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
4 B$ l8 j) Q5 c$ P6 ^' h o% F% F| | ├──2-梯度下降法公式 .mp4 57.12M# z% I O0 |! R* w! J
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M) r: D q, T! N, i
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
. [. m1 u/ z! p| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
1 x; ]5 g% _5 J7 R| | ├──6-全量梯度下降 .mp4 62.84M$ c% C. B( H2 x7 |) {& \
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
( H% N' e2 B- u$ x3 @- r$ d" H0 J' S| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
+ q1 @ x2 D0 [0 B* P" H| | └──9-轮次和批次 .mp4 45.22M
/ p) u# [5 l. V| ├──3--归一化
% x e0 F& G1 K| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M V- e8 j% A0 O. Z+ `6 ]
| | ├──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
|% T* d7 `, a$ w| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M. f1 c5 B0 a* A/ Y. Y' m( {
| | ├──4-最大值最小值归一化 .mp4 24.87M8 h. l- i: k5 H; L/ w
| | ├──5-标准归一化 .mp4 51.86M
5 Q+ N9 o* G, I| | └──6-代码完成标准归一化 .mp4 41.13M
" E+ e. r/ w7 q9 ?' D0 h H& r| ├──4--正则化
' B0 Z# y, H3 C. i| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
* `2 E4 A9 K g, D| | ├──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* u2 ?# p6 `% l0 Y6 F* z
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M* H, q, J2 a8 A
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
# @( y9 K5 \5 ]| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M0 {% m' o4 b( V S+ o8 Z b
| └──5--Lasso回归_Ridge回归_多项式回归
( _- C! G2 q3 F+ O, E| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
( _! O, b' G2 B' a| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
; ^- R4 a/ K/ ^. S, e( u| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
) G) I& y3 t- Z1 A9 u6 s# \2 \| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M6 n! {) E; D. [6 S0 s9 {/ e
| | ├──2-代码调用Lasso回归 .mp4 28.73M+ Y8 ` e& Y+ r
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
/ V3 [, x+ ]; K, m6 t| | ├──4-升维的意义_多项式回归 .mp4 48.06M- X) Z( j% p/ n* u
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
/ D4 {+ Z# G$ U Y: Q3 v- [| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M/ l4 l* ?* B7 ?' _* _* h% c8 S
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M5 `4 ? {# Z" [4 A9 n( N" r
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
& ]/ L( E' Z& \7 w) z" O9 @, H| | └──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! l' k$ x. F! t* a4 k1 T% y
├──6--机器学习-线性分类 6 o0 ?; I1 L- H# q7 ~& p6 z
| ├──1--逻辑回归
* X. h& x# h3 q+ \! E" l% H| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M C! \" f0 d, S- c" s) M8 Y
| | ├──10-绘制逻辑回归损失函数_探索两个参数和损失函数变换关系 .mp4 39.83M
4 E* M% q K3 f9 }' \- h6 R| | ├──11-绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度 .mp4 43.87M& \" E& c' s2 x: D
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
6 h, s( ] k! v. K* l& V. s2 p| | ├──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 h6 l) h5 {7 ? V0 [* C/ ~| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
0 U) u5 `0 c# x7 y8 B* E| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
f" U7 B! A: ~6 s; c% J/ Z7 b% p| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M G0 {& @+ S# W6 t
| | ├──2-sigmoid函数作用 .mp4 38.15M
2 S ~! I W: h# i, q( [! j9 Q4 v| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
# ]7 D& a2 V! D* W5 s- y& P" @; @) O/ k| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M
7 k2 n: k5 T, v: \! s| | ├──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
7 u! I/ t! u% a) c| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M! c! E6 W8 g3 X8 Z$ }( Y+ K
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M2 U+ `* Z" N( x9 A
| | ├──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% I; w5 d$ m) d* z, R" D# L! }
| | └──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" ^/ b! k6 H) D4 R
| ├──2--Softmax回归 q# F! E6 B5 E- V3 e% G
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M7 x6 e: v/ E+ K8 |9 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
6 s. E4 {" v! V- x| | ├──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+ u; b; Q% ^6 a( l8 z5 k2 K
| | ├──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
6 t& o, D: A0 t( c* i9 b| | ├──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
! d* `8 a5 ?, |! @| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
) t8 \, t L3 X z4 Y8 i% m| | ├──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. ^$ U9 {0 G1 s+ {9 ~( v' y
| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M+ R; i4 S" m1 f5 v
| | ├──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/ [3 J. P6 u N4 w, _
| | ├──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
/ x' u* h4 o+ N# Q0 d| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
# u) i3 w0 w! P. {4 o| | ├──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& d, C7 \4 J; t3 J/ S: |) g
| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M
/ H8 r3 K) c" M1 S| ├──3--SVM支持向量机算法 4 }- L. v* j4 Z" Q) e* H
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M/ w/ ]9 G' X& ~% R* ]& s- w
| | ├──2-SVM的思想 .mp4 55.56M
5 P8 a4 V9 q- c/ F8 X u, ^| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M' U. d! f1 g' S- Q4 f+ U! @1 z; _
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
* U# O( q/ @: y| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
1 f0 n6 F1 m% z| | ├──6-总结硬间隔SVM .mp4 39.01M
8 `9 H- ?. H: _. `+ ?| | ├──7-软间隔SVM和总结流程 .mp4 135.76M( \* p' i& ?: E8 z
| | ├──8-非线性SVM .mp4 54.43M
0 F/ J0 O+ G+ P2 ^. U. O" J# K* M; h| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M5 _% a' ]+ D6 j0 D6 L7 ]
| └──4--SMO优化算法
. P) `& K) U3 S| | ├──1-SVM算法流程总结 .mp4 58.36M; @, O2 Q% f5 q) s
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
! m+ q. }( M5 }: k" n6 q' }! A| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
& g2 V# z; i' k8 @" `| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M3 v1 A( f+ S( \+ K' b7 @% h# A% ?
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M7 A! c1 U+ U7 w, g/ @
| | ├──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
, R1 @) I( n! H- F( v% t| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
% y L0 k$ G: q0 u| | ├──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
1 s- _% l0 @1 E$ Z| | ├──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
6 g$ Z6 N+ f8 u7 z| | ├──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$ y' A0 ]2 L6 [0 u( H
| | ├──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
' |8 p2 x( I% y! M: q5 N$ @| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M- {5 |5 N; ^8 a$ Q% R2 X; B
| | ├──7-启发式选择两个α .mp4 23.11M
( u& K: q7 o7 {* @| | ├──8-如何计算阈值b .mp4 50.18M
/ q1 o( I* _: @5 H+ X* K" H3 C7 o; Y| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
, N1 ~) L$ N+ g6 V├──7--机器学习-无监督学习
! R" m c& q @4 i1 O| ├──1--聚类系列算法
, w$ ?3 P1 W4 s$ p| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
3 S& l6 C/ ]" E| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M7 H: F$ F) u1 X2 X
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
- G- E" K- T& b I5 b| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
; V5 l( `3 z" H( T% S2 `' S| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M2 l5 h O6 |: O7 t
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
) {1 C' e: o2 O* r8 \| ├──2--EM算法和GMM高斯混合模型 ' Y' A. @% K& ^2 D( H; t, G H
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
* @3 Y& p$ t4 _. [| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M% u" k% g) j& o: Z O6 c
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M; O ]$ |7 w. r' m1 e
| | ├──4-Jensen不等式的应用 .mp4 109.17M7 S9 K1 u* {9 P# N
| | ├──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
; }* ^: j+ q3 `! ], L+ c, o1 n| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M" O, T* b$ p$ d# K, c
| | ├──7-GMM前景背景分离 .mp4 16.01M3 P5 C) O. d. i! b1 Z
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M% q g4 |3 u% x
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
$ Y9 Y& H0 |6 J3 V* o# s$ L| └──3--PCA降维算法
3 _7 t' A0 {2 [ J| | ├──1-特征选择与特征映射 .mp4 49.38M
! S' @& O& e6 {, B% b$ H* z| | ├──2-PCA的最大投影方差思路 .mp4 186.75M. t" c+ V/ W3 I- @$ J# G
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M9 m/ N; _1 I: H( o
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M) z8 K5 _( S6 }6 L0 g5 m9 N- a
| | └──5-PCA的几种应用 .mp4 54.58M
. g# m- Q; ^ t├──8--机器学习-决策树系列
; y- r9 R0 \& T2 d) e| ├──1--决策树
* {7 S+ P' t& L( |5 }| | ├──1-决策树模型的特点 .mp4 74.88M
0 E7 m1 n: V, T2 d4 j9 [| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
: n" Q2 i8 [: i/ {5 m7 ~| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
) X4 X8 J" }3 T- e! W2 {| | ├──12-后剪枝的意义 .mp4 50.49M8 Q- ^" H6 t/ s" s$ v
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M+ u$ }' H9 K9 E) b) g' u) d1 h
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M) P$ X/ W: K6 H- [! V
| | ├──2-决策树的数学表达 .mp4 89.94M
0 K5 q5 I# S2 h! J| | ├──3-如何构建一颗决策树 .mp4 84.87M
; q* g9 z+ S/ E+ J| | ├──4-什么是更好的一次划分 .mp4 57.02M" H9 t% g* T# @& E+ s
| | ├──5-Gini系数 .mp4 107.54M
2 f% s7 j! Y( {7 W1 _. U| | ├──6-信息增益 .mp4 75.26M
$ P3 ^' K: R/ P% M4 \$ p| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
' g5 P# c% U& B% d| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
}- j* S5 `- N( a| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
* c% m- ]5 y3 P& g4 H6 l| ├──2--集成学习和随机森林
; j& w j( J$ @| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M% R3 G" G0 M+ o/ N% \
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M& `3 y8 u1 J7 V+ P
| | ├──3-随机森林 .mp4 108.14M
" u4 l! N# f; W' B! R3 e& v& A2 x+ T0 Z| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
7 _2 |+ _* M& q4 }6 r! \0 z3 g! o, c T| | ├──5-OOB袋外数据 .mp4 106.07M1 F8 Q" b2 k7 M# K% ]& ^- X% H* {% z
| | ├──6-Adaboost算法思路 .mp4 106.30M
: `9 x. N2 m; I1 F| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
6 x1 ?2 ? [( e( f# H6 {2 T: S1 D( V| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M3 @1 f1 }5 L! |3 ?- H
| ├──3--GBDT 6 U% c8 V$ d5 G& T3 a* W i
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M& G2 ^' z7 s+ ?9 _/ _
| | ├──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. e/ S2 q e* ^: f( G+ j
| | ├──11-GBDT多分类流程 .mp4 73.80M
: [! i0 I2 U8 G1 |1 c5 s N| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
& C' \8 Q- W+ a& Z) |) w1 ~1 u| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M/ U! K+ m8 i0 g5 S, }
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M4 k8 {. w& V$ r6 ]" c; l' B
| | ├──15-GBDT二分类举例详解 .mp4 86.67M6 L# `/ R0 k! v. K9 h
| | ├──16-GBDT多分类举例详解 .mp4 91.71M% Y8 _: C& w- V; N1 Z# J
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M) _; T* n/ l; x$ `- b) Z6 D) V
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M1 w- ]+ U" v! } P
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
! I2 j1 D8 M: ]9 { P| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
( H. R2 ]0 Y. {, h% P, ]| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M: h9 G/ C( B$ [+ [1 F% D! ~
| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M
% U5 L3 G5 R' h& W* || | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M- K* T1 B; \. f/ q+ c, h) _
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M7 ~; n; C" s4 h
| | ├──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
; D# n6 s; u9 n ~9 `7 B( T| | ├──4-GBDT应用于回归问题 .mp4 84.66M" O' k6 w( B5 B/ O% I
| | ├──5-GBDT回归举例_总结 .mp4 108.52M' p, k* ?0 L; s2 w, Q* G
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
7 @4 d# H6 l7 b2 @* c5 Y0 g5 ~- L) S) h| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M. L- K p0 m5 Q
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
" W. C; j0 h$ v' D: E| | └──9-GBDT应用于多分类任务 .mp4 73.34M, l9 D5 P* M" t# G: }1 ~. F* A
| └──4--XGBoost
- k$ |3 b/ _- Y6 }| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
2 C. {: l6 c5 z T5 \, w( c) y| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M, z: P& E4 C8 o3 U4 Q
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M0 w; Q ]7 N+ }7 Y5 S
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M* T* A, _8 i7 }( o0 x
| | ├──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( x7 _* Y& m3 {3 M1 u. j
| | ├──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# M. R7 W) |9 ^ t Q' [0 l8 X
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
* H0 _7 Y6 C( Z| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
$ L3 f( H$ A: U, ~4 ~& r% W| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M* B z+ ]5 ~6 v" ?( {
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
4 g, D4 p0 K% b: I$ ~| | ├──3-基于树集成学习4个优点 .mp4 91.36M
2 h) `, q+ i( j% c% Q& y# ^| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M) h- B/ g1 o: B m8 P! e, V
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
( t7 H: F% U* W0 {* Y+ `2 `| | ├──6-Objective_vs_Heuristic .mp4 60.42M
1 N7 ?+ b7 |' S- u* S; U| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M& x! ]5 u; S( {
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M/ g% N7 v4 L$ F, X4 x
| | └──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
0 H+ D, n' k' L├──9--机器学习-概率图模型 : J% h# k# e3 W
| ├──1--贝叶斯分类 : B' U2 H/ T# d# e: l- W% C$ r
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
9 k% ]# I8 `& V( C/ r9 T| | ├──2-TF-IDF .mp4 53.08M
1 e2 a/ e; G$ e2 Q| | ├──3-NB代码实现解析 .mp4 126.73M% f( V* E/ D- o! _0 u8 }. B
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
( z8 P9 W! j) ?6 D7 h3 i& ]+ l| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
& ]- t( i) i/ ]7 C$ c) N| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M8 X4 U& x8 A% C( @
| ├──2--HMM算法 1 w7 |* A6 h! @' i, O
| | ├──1-HMM隐马的定义 .mp4 36.82M3 h) J2 M9 \8 m# \/ d
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M( _3 o! c: C+ e# r) T$ n
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M* U8 j' O- N- y8 `: [! C
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M2 q& j5 ~7 i' t v( w) Q
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
- j( ?8 R) D& O; b) n; C* n+ K| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M3 V$ u& u: N7 r8 q! \3 n
| | ├──7-Viterbi算法案例详解 .mp4 107.12M2 O, v( a. U5 E3 b' S8 R1 F( @
| | └──8-Viterbi算法代码实现 .mp4 42.43M
3 c) g+ E v' m" e# {* F| └──3--CRF算法 0 \" j5 g1 @8 U, H0 `- G+ m6 t
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M
" v1 {2 x+ Z. b! h. z6 y7 p! ?1 n' j: J- k| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M" `7 U% w( _1 i* K1 f- C
| | ├──3-了解CRF层添加的好处 .mp4 105.90M& j1 M G* g1 }) |3 h
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M1 O: V( v7 Y1 t
| | ├──5-CRF的目标函数 .mp4 23.74M$ v8 U2 w" t2 i0 g2 I. R+ b
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
3 J* V+ N! R% Y. `+ J1 C+ l- z( \; U| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M- S0 i9 P5 C! D8 v; d8 x
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M; T0 M+ Y3 p, c& L" p
└──课件.zip 2.54kb5 f) Y5 s" l6 X4 t
/ O0 B7 \ ]+ [# q8 k
1 p/ R5 T8 X3 T/ ^4 o4 V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！
( x* C! Y+ f, U) s0 P
7 m! c3 f/ t D$ ]5 R* U
" j: p1 L5 @# x0 p+ d) A N( y |
/1 
