战-人工智能2022/
7 O# b. Q1 M3 ?8 d; y├──1--人工智能基础-快速入门 6 R4 j, Y$ T8 P7 C \6 x
| ├──1--人工智能就业、薪资、各行业应用 ; t+ J3 a/ H0 Y/ l, e% I* g% R
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
# t9 U' y+ i ~3 S2 f' a| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
0 A6 u$ d7 T1 b) ^| | ├──3-人工智能时代是发展的必然 .mp4 23.22M( V+ ]' c. `$ T( r( A- i+ e& F
| | └──4-人工智能在各领域的应用 .mp4 57.73M# K4 T; q) ~+ f& Z- p* @: ]
| └──2--机器学习和深度学习、有监督和无监督
; b! p. C% v* |) U| | ├──1-人工智能常见流程 .mp4 89.62M
( Z( l" j) U# y, v& I8 Y4 x| | ├──2-机器学习不同的学习方式 .mp4 83.51M
" H( L9 G( Y; k$ D L! {1 v| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
3 |7 z) C; d: d( h5 ]| | ├──4-有监督机器学习任务与本质 .mp4 37.50M2 V3 |, c# I% Z( t3 g/ I
| | └──5-无监督机器学习任务与本质 .mp4 50.15M V: I. l5 m3 }2 w
├──10--机器学习与大数据-Kaggle竞赛实战 % {! l% K) u9 [) ^
| ├──1--药店销量预测案例
' p$ D! _* ]: i/ M| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
7 n8 l! K) d* b. ?4 R3 }' ^- S" F| | ├──2-对数据字段的介绍_导包 .mp4 19.90M( P* x/ n/ M/ t6 \
| | ├──3-自定义损失函数 .mp4 21.12M
; w, ^+ J1 Z7 N6 r u) r* f: @| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
3 N- S/ u Q2 Y8 _. g| | ├──5-数据的预处理 .mp4 111.81M; p1 f* k# |4 P! E/ d4 }
| | ├──6-模型的训练_评估 .mp4 66.64M- h g0 E) |% ^ `1 E
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
6 S( e" n7 }) D+ c0 r$ H1 B# a| └──2--网页分类案例
0 u$ `7 n. ]( m' r: @| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M, p4 r4 t# R* n1 {
| | ├──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 85.63M8 ~- G/ z. z0 i. l0 F
| | ├──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
) Q# {- m- p5 b @4 J9 \- a| | ├──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
1 {" W5 l, ~) g+ j* P# ^| | ├──2-评估指标ROC和AUC .mp4 56.19M% X' u& I9 ^' ?0 c/ u" b8 x
| | ├──3-评估指标ROC和AUC .mp4 49.03M/ L. ]0 j0 s. \3 i( }* {; }
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M/ J* G$ E: \) |5 {5 Y
| | ├──5-数据导入 .mp4 68.41M
3 r9 ~6 D) E# k| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M. L- ]( v9 r; g! O
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M; U2 m6 C- K( a7 C c, S0 F
| | ├──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- K$ s+ ?" V( D
| | └──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! _* i5 U9 Y. X: Y7 J0 `
├──11--机器学习与大数据-海量数据挖掘工具 / y. _! G2 u9 m% C0 M7 B3 S
| ├──1--Spark计算框架基础 ) S& f1 g" o6 K
| | ├──1-Spark特性_01 .mp4 41.68M
. A" _' U+ h1 E# ]| | ├──10-分布式计算所需进程 .mp4 26.30M
/ B: m- D, Z+ _- T6 n4 Q. O- p| | ├──11-两种算子操作本质区别 .mp4 56.31M
) `6 |! j8 ?0 b3 P" ~( i# ?- C| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M2 z" L9 s& X5 M0 P
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
0 n* @4 h6 B3 Z( t0 n% h3 [5 V| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
8 @& {) V. o6 Y/ f0 D- B; Y. V| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
3 F3 L( G4 H) p/ i| | ├──2-Spark特性_02 .mp4 35.15M; w) r: {# J" B7 p p) l
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
* p; g/ s0 j; u2 G1 `) |9 L| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M w$ R- Q6 W/ D; F' s+ ]
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
& N! _2 D0 A, ]0 D| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
7 m/ W: K# u) u- P# t- \# o| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M7 K& x! C! v3 B: R% K+ J
| | ├──8-Spark的RDD特性_01 .mp4 33.08M' t! h9 V% l& H" t
| | └──9-Spark的RDD特性_02 .mp4 33.41M
( ]! h$ H/ J8 L$ `| ├──2--Spark计算框架深入
6 n X2 c6 P* L| | ├──1-Spark数据缓存机制 .mp4 54.43M
' y; o3 Y& X) f/ h) E| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
2 N3 G! A- z, ?) s| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M. W* B, c! M1 o
| | ├──12-构建LabeledPoint .mp4 111.08M
5 c% `& S/ z: f| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
: d" k8 g$ E- F" d" k+ H| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M" X& i" n- c% F0 b
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
- w: k" a k' |! d+ f# }! I| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M% D( C1 C' E, a1 B) L
| | ├──5-Spark术语总结 .mp4 89.66M
# s* Z7 c* q% a; t( ~7 L5 p( G| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M8 y: g5 f2 r# T/ K
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
' U" E9 T0 C+ _& v: b| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M2 d6 C& J4 h, }: A) {
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
( k" e1 q# m5 || └──3--Spark机器学习MLlib和ML模块 0 l: p9 P" s3 {, |
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
) h+ F; s" W) ^' S5 y6 U) j5 || | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
4 @3 z/ d: x+ [2 X| | ├──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" `0 y2 N0 T' g, @. C
| | ├──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# y7 f" [# T9 k2 h1 |' v* I; X5 n
| | ├──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
; ]6 Y1 ^$ |, u$ j7 j. M+ I" o| | ├──14-从数据转化到训练集的构建 .mp4 146.40M5 M% k, u l V3 P B3 E
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M$ Q0 X- Q# m6 ]0 I6 g) j! i
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
$ \& e6 d! _, d5 x) {| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
- A$ Q/ W5 f. A$ s| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
2 K2 j$ A R& b, M| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
! c2 e/ o% a2 {" @0 G| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
u) F, p; `- m3 \8 H4 i| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M2 ~8 }- y; O; n( K! I8 J
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
5 w$ o+ ]5 n/ S8 {| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M5 u+ f- C6 O6 b; o% v
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
* T& b U7 Z- l# w5 c| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M* Q2 `% h! V4 U1 d
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M/ }8 s/ j( S' o/ i, Q
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
4 j) e3 J( x% Q0 X* Q7 c% t! ?| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M% R Y/ }0 z) W; t5 L
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
/ h1 k1 W9 f0 q v| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M/ h( H* V* g" q; p# Q3 m
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
& T* ~) A v+ y| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
8 y/ \! K. U9 `7 M| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
2 L# N; {4 [: }. h2 ]' E| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M" m+ k9 m3 e! }2 D2 g+ i
├──12--机器学习与大数据-推荐系统项目实战 ^/ D9 F# y* B& w, M
| ├──1--推荐系统--流程与架构
8 z" x! v$ c5 |" g| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M7 O! v' V5 b% D# C$ _
| | ├──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
5 I o, ?) {3 a& f| | ├──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
) m0 M* |* k! w$ D| | ├──12-推荐系统_数据源_1 .mp4 79.07M8 Y# Q4 C7 p& q- B
| | ├──13-推荐系统_数据源_2 .mp4 82.90M1 O0 X) |8 q2 L: |. g( e3 x
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M6 q/ d3 i5 D1 E: N
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M* ]' J `! B' n) ~1 v
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
; ]0 j. \: c' \: y% ]( Z; J( X| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M: b- Z9 u6 D) j% J* u: w
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
; C" s; B5 q; z, m" Z: k0 F0 o| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M, |1 r' l. A. Z) G
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
# M3 W* K& B! w9 U6 n| | └──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
8 b- q1 q/ H6 c- r. o, L# [| ├──2--推荐系统--数据预处理和模型构建评估实战 - ?" ?8 j- O" Y3 m8 j
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M. m# L/ L4 _3 |% |
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M9 ^$ k6 [2 j; o/ M) l4 @
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M( }/ k+ z. [' \1 l, W( _0 V* M ^5 K
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M, W& p9 V( l) g: ]1 E0 t, q; Z; y' z# x
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M5 N8 V4 L% @- R+ {6 \1 a. T5 s
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
' f9 h4 Q# c. e| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
. H2 I) P- r, M6 J T Y| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M& ~" @# `& Z+ m. p. I
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M5 H, s9 Y1 U, m7 a2 A$ w
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M# D. i& C }5 [$ ?- ]# A6 {
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
/ P1 p4 z2 Q/ h2 f0 c| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
2 A) K) K. `- D8 r; B& Q3 m7 T| └──3--推荐系统--模型使用和推荐服务 2 |7 i: E" D4 P, x3 m. Z2 ?
| | ├──1-推荐模型文件使用思路 .mp4 61.89M- y" f( D: h& D' r. d( ?
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
/ _: P t' |- u| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M+ P' F0 O2 \% v5 F/ ~; \- O
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M" T, o0 `0 d# v6 M
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M8 t' W0 o, u; q* H& R# l ~2 p
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
1 v9 V# `. H: a$ ]& p. U& [| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
) N" C+ d, i: D$ G% G| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
; Q/ k1 q1 J* C" v/ d/ E7 h| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M$ _# p, h$ F# f' G' J2 w
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
$ v( ~2 r4 I+ L8 |7 @" M/ Y| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
, k' k% u' `* N; f3 A- Q% f# ~| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M2 E! H, P9 M% G7 O5 V1 h& ?
├──13--深度学习-原理和进阶 3 ?$ P$ n9 h1 f9 B, E% `
| ├──1--神经网络算法 2 U7 S* W) [# P3 V7 o B3 h y
| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M, [) o, |1 Q% ?! p0 J
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M( s" l2 H% c* g B2 B& P) h( m
| | ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M
2 b" I0 d" I5 x5 w) b/ ~) [| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M5 e* N9 `" ~5 y5 x5 i- N u. E6 ^
| | ├──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 A/ a n8 C/ f9 k
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M' X( k' v! m( t! @1 X6 K
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
; I5 s8 i. W! K6 `! `' h ^! z+ j) k$ J| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
2 i/ p2 ]' ?9 g' J4 w. \| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
) h# w8 r- Q0 o0 B. Q6 B: \| ├──2--TensorFlow深度学习工具
$ v$ I1 J4 j7 A| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
9 J4 p5 ~$ j1 j( M$ m* {* r| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
+ e/ x* e O( c2 N6 Q! X| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M& ]( e! A; R; p: R) F2 t5 \
| | ├──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 173.47M8 z: `0 R' S% w: q2 n& X5 x
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M5 l- a7 ^5 J# ^5 O! D0 Y, H
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M# F1 y6 ~+ [& s
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M4 y; d7 t% Y; w& c( Z! ?3 S* {
| └──3--反向传播推导_Python代码实现神经网络 5 M# x8 R8 j8 s' t
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
; H0 G6 o3 j" |0 L* m| | ├──2-反向传播推导(一) .mp4 127.90M
, I0 s( ~4 p" {; P2 U| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M) s+ @9 X& V: {7 D6 ^8 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 81.20M
& A9 P5 W; m" h9 R4 P- o| | ├──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
. q" ?- e+ A* }2 l$ S$ Q| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
' v1 \3 D* W7 M0 u& }| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
5 K1 [* b. j/ Z% b2 X# G9 g├──14--深度学习-图像识别原理
$ l, P! i. n8 }1 Z/ a. q2 q% b5 ?% @| ├──1--卷积神经网络原理
! F8 \; l' w; @8 p| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
3 ]+ }7 G! U3 y| | ├──2-单通道卷积的计算 .mp4 104.01M. c3 X$ L3 Y5 k# }! ~" N; C
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
# H8 k$ k0 X' h6 }! q| | ├──4-卷积层权值共享 .mp4 63.93M2 E4 s) K9 [! V/ z6 J
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
G: q6 y: k0 m! Z: h| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
5 ]4 Y2 k9 q% m! b! E! N% V| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M( i( b( U5 R; a* h4 M
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
8 e" y/ |9 w( W5 K O6 y| ├──2--卷积神经网络优化
% C7 w- _4 ?$ G( O0 m# @% g| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
) N# |) a4 r. |8 D5 R$ s- ^) x| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M3 q# c* ^2 t1 f2 m2 j( |/ j" Y
| | ├──11-Optimizer_Adam .mp4 141.12M
$ v+ o2 }& u) `* S) N1 R| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
6 t+ [- V/ ^& {" v- |- Z% C/ @| | ├──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
: I5 a8 j: T; T6 W2 G$ j| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M0 _' c0 t. {6 G( h0 P
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M9 F x2 M9 I6 T7 K/ L# d
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M9 j" a. z ?( I% J7 Z8 z
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M& w% t+ O: u4 `, r* v1 k
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
6 o6 u3 @* f) y| | └──9-Optimizer_SGD_Momentum .mp4 89.70M0 _0 D* ?& Z& N- a" A
| ├──3--经典卷积网络算法 $ ~- r% w6 |7 B4 R4 w
| | ├──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; ~4 Y$ i0 \) {9 y1 U- D
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
" o% p+ C x3 e& }| | ├──3-InceptionV1_V2 .mp4 165.86M
9 }5 H" @6 v, d* d% V4 T| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
6 v; P( E8 Z. y| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
; d+ M' `, X T) }| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M0 R* l% ?. @8 {) }
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
4 o# ]7 l# Q4 J| | ├──8-BatchNormalization .mp4 99.23M
5 K& D( C* a3 v| | └──9-Mobilenet网络架构 .mp4 150.05M+ v s( l1 I- x- O
| ├──4--古典目标检测
9 M Z. o& R% y' f+ S| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M# {0 q( c& E3 h7 f H3 p
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
: u8 `8 O; y5 B3 N3 s| | ├──3-IOU以及python计算的代码 .mp4 23.56M1 n/ d& F, S; P
| | ├──4-R-CNN和SPP-net .mp4 124.06M
/ S; X) j" T G4 i| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
, [1 b& D4 `( \ R1 s" u% l% {2 X0 `| └──5--现代目标检测之FasterRCNN 7 f# n! _& k B* U; I
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M* D O/ G* X* P/ ^% w, ~
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
6 h& Y4 X3 v9 |1 D1 W| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
, t; H& p' j" @1 \7 |8 l" p| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M. |: X' L- @- {& R8 R; t: ^3 [; c
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M0 M- t; Z; }4 S
├──15--深度学习-图像识别项目实战
7 W' z4 q! _! S9 n1 F% C| ├──1--车牌识别
: f7 X# i( x) G2 Y+ ]3 E5 s. W1 X; f| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M$ S9 f# K, M$ ]
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
3 C/ z/ i* S- y; F4 J0 X, O| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M( b$ O3 h# D# }- ^& W; a, v
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
& l/ J- H' n A- c( n# f| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M! ^5 u: ?; o2 e6 v
| ├──2--自然场景下的目标检测及源码分析 # K b0 s0 ~# m& R B
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M0 N& ^5 F: M. w- J5 [5 ]% e `
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
% _0 r8 h, z6 P+ l" u| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M R6 A3 n, a/ B/ W8 Z
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
+ x* T1 m& R5 g8 S& T: U0 w: B| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
5 F0 i6 Y, I8 h5 T1 N" [| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
0 a9 H$ I0 b1 b( R! Y| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
2 q" r+ ?/ R3 f; \| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M: P* U- K8 `: `' _' O; Q; @
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
- X, l0 T: n4 G, n| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M q+ L* R5 R3 z! \
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M7 {6 O/ K. b& _" n, ]) H# ~$ b" B, x
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
8 c9 ]8 w3 m/ x6 W& B| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M0 k) w& c* @. I" `$ m; T# N
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
0 C6 q! M% ~8 U) ^| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M7 J' T& l3 R- ]
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M; Z- ?; D9 f; [
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
( I/ o- E' w% f6 @. n% s7 B! G| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
0 j3 q3 d9 x/ K; z3 q2 s' y8 r. e! s% }| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M4 D8 W- d- b( w) k! }) d: i/ M
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
, P5 t# M: d) q6 P| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M+ _ i" N1 z9 C; b* k% i9 I
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
7 x$ `# k3 d' l8 i; B| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M _( L2 A! Q7 p' z9 y" f
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
& U2 R; z- D0 G# A5 y| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
# f4 J: Y7 C' s- r* u# g6 k| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M6 h0 V) j/ T4 D( M! p5 C! L7 \
| └──3--图像风格迁移
0 W* Q" h7 _. \| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M" b: ^ p+ I0 y( J
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M5 a* z3 C0 Z# H N z( z z1 U
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
% T2 E! Y+ l" p4 q6 I, L& C| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
1 G& n( a" a0 X2 E0 B' I├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 ( ?: r3 ]. O/ T/ h5 x
| ├──1--YOLOv1详解
' o, s; n; d$ |+ n/ {" N0 d4 p6 E| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M" \5 R: n5 M7 i7 W# O& Q
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M4 r7 P& Z7 N+ d3 {" S) F; ?
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M2 ` m" g. Y& h3 u) r0 w
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M4 d; f: A7 j% y! H' q5 Z. z e
| ├──2--YOLOv2详解
7 O* c/ {) { `| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M" N/ c+ o9 E% C0 x3 a
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
$ E! D9 r7 c: i/ s! ~- N) D5 L6 \, W& M| | ├──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) H0 {0 t, O! C. F1 z" T
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M- a% S, X" K; \- R* C/ U3 Y( G8 X6 Y" f
| ├──3--YOLOv3详解
* k( X2 ^- X; p H. p/ k5 k| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M4 v' E, `* O* ` Q
| | ├──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
: O* Y4 }3 G* P4 f| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M3 G% M3 p6 b2 v8 O y
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M c" T, M" G' X( M; f& \& }$ Y: @
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M$ r' w( H: b( s6 ^8 O
| ├──4--YOLOv3代码实战
! D+ H1 {3 s P| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
* C$ y. C# N- G3 ^" R" Z3 a| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M( y; m) \- {/ S4 j' v' ]% y" A
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M; b. ~; S) ?' T' m8 n4 F
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M: j% l) q, X* m
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
5 ?4 D# H/ X( f, t0 V6 n- u7 [| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M' O( @2 v4 R' O' v
| └──5--YOLOv4详解 + `& j& v1 |9 f) s
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
. p# z3 M* I% z* r' ^5 Y! c- Y| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
" r; N% w, _& ?1 T| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M/ \+ @. O2 d6 c Q2 X4 d/ Y" R
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
2 X9 \' _- v5 R$ V) i2 F3 \" ?, L: t├──17--深度学习-语义分割原理和实战 , e( Z# |- h% m) H1 E, t; F! C0 I
| ├──1--上采样_双线性插值_转置卷积 ! j, {5 `" R1 N; x+ i+ A2 p
| | ├──1-前言 .mp4 19.46M# j& \ k6 J7 ~
| | ├──2-上采样_repeat .mp4 23.90M
+ E5 o8 ^. m% _! Q5 [| | ├──3-线性插值 .mp4 34.48M
9 { q u! Q0 T! o5 Q7 ?4 X7 D| | ├──4-双线性插值 .mp4 125.71M
' Q, w5 q: Q' U1 m1 x" o" |! u+ Q| | ├──5-转置卷积_以及TF的API .mp4 114.25M, q: ^0 {( _# j
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M* D( l. e0 ]& p9 X" S/ R
| | ├──7-ROI Align .mp4 58.38M4 O5 H9 x5 ?( G0 S( o
| | ├──8-FPN思想与网络结构 .mp4 92.14M
3 S! n, e9 P( f, w2 |" V e. d| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
# b' u4 m( `) O8 s% \| ├──2--医疗图像UNet语义分割
6 C! ]: m; Q( T D| | ├──1-语义分割的基本概念 .mp4 18.33M
/ s; N' x( ` b" K. || | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
; {' G1 ?7 w! a8 }| | ├──3-UNet网络结构 .mp4 30.41M) [1 h/ m0 s3 a$ T$ _
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M, [; }9 _! ?& p- W+ @! |
| └──3--蒙版弹幕MaskRCNN语义分割
3 v# |: i- l0 R| | ├──1-MaskRCNN网络结构 .mp4 106.38M
; D2 _: ?/ ]6 n1 x% U8 b( g| | ├──2-MaskRCNN的项目展示 .mp4 250.54M* u* v4 J! R! j; V& i
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M4 Y: h$ Q$ K; L( q; a0 `+ S
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M7 q& L: r( M$ u! @1 ?' U' v- |
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
0 O. D8 V: T+ j' a5 i| | └──6-MaskRCNN源码config和model .mp4 244.48M. u9 J: U+ a9 s5 O0 _
├──18--深度学习-人脸识别项目实战
9 i7 b) S' n1 v* R% t5 q3 B0 K7 ]: f1 K| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M0 ~% U; i0 D+ x( l {
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
% V9 m) e9 a! t5 |* [- y. k/ B0 J| ├──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! m% y/ a% t, E; R' ?4 T| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
: {. ]3 k5 h0 ^ `7 C4 \( Z' u| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
9 l/ x' z, H7 n# V7 Y4 || ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
. \: h, m' |/ {/ \" E; s| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M$ u6 e$ x [- d2 `5 z
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M9 l- J$ O I W0 B% E" Q b: k
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M2 t) l% x7 Z7 Q3 h3 J; D
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
# f( w- C9 D, r6 W5 A| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M0 X. ]/ j2 O" @ \
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M/ i7 l# P: I. O6 w2 B
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
D4 D1 J' K2 ?+ E) l| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M! p) J* C2 |2 r1 G$ v p- q) n
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
. t4 f$ I- {1 `0 ?; X! r7 q) s| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
- N; O3 [' a2 _0 z" M| ├──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
& {! w$ F6 T# l1 @| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M( o' s. l! W! y2 r
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
2 r6 y; M4 T$ c9 ~├──19--深度学习-NLP自然语言处理原理和进阶 1 d: T% _; N) n
| ├──1--词向量与词嵌入
0 t1 b: \1 y9 A8 R% f$ h| | ├──1-N-gram语言模型 .mp4 116.32M0 U9 J# F3 y, s
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M9 H' e, O7 \+ ~$ ~$ U9 {
| | ├──3-词向量的作用 .mp4 58.00M& y. S, S* l u2 b
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
% N" O+ C( d2 R+ D) Y* n. h| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M) |7 s0 T9 u/ h! ~# o& E( w
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
5 D; \! ?' ~, V| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M3 n$ O; \; A: r+ I1 k; T* A
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M- B" g, E; h; m+ X2 F2 [! F9 I
| ├──2--循环神经网络原理与优化 3 [9 J# x* e$ \! x0 q5 }* y4 p/ P
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M0 X: s" |" |( ?- p T v
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M& ]) o! A/ {7 @9 n, P
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
( a) A( s0 }5 G; Z7 W3 r' X| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M# B& l) R% Y# R7 T7 z5 q5 F
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M4 ]) [0 F6 N% A, r# M" q$ p8 f
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
& \5 D) l6 [+ J' k6 a# T2 J| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
* v' }* x9 K$ k2 p| | ├──8-双向RNN_LSTM .mp4 52.01M
9 ~; o0 R+ ]' Z7 w- m0 @: i( L+ R+ R| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
' l; S, F% ?/ [$ I' C! || ├──3--从Attention机制到Transformer
5 ^1 m! s3 d" q8 `| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
- Q+ }1 j' p7 p c; E+ x% M| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
2 u- C' P+ Y* v$ i| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
0 @% G+ Q- p9 F% || └──4--ELMO_BERT_GPT + q# w7 E O# x9 F
| | ├──1-ELMO .mp4 62.44M
+ y1 P" i' a8 U2 _% P| | ├──2-BERT理论 .mp4 99.73M* a) q8 i; \# d4 P
| | └──3-ERNIE_GPT .mp4 56.34M/ [: ]+ a$ P6 F2 O+ P: y
├──2--人工智能基础-Python基础
; n4 ^5 I! n3 w% ?2 x| ├──1--Python开发环境搭建
& h& y3 Z( ^1 `. y/ C7 Y& ]| | ├──1-下载Miniconda运行环境 .mp4 100.75M
* G8 [8 b' L5 z, p: e7 E4 y- e r8 L| | ├──2-Miniconda安装和测试 .mp4 57.12M
. g, f% u. }9 r+ x- J+ Y. T) i( O| | ├──3-Pycharm安装和代码运行 .mp4 71.57M3 u. s+ r& m4 ^* Z3 S- M i
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
3 Z9 a s5 O$ u1 v! v| | ├──5-Jupyter常用快捷键 .mp4 32.23M
# u! x& ~4 _, o. i- [5 F Z1 ?2 o| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M+ m" I$ {. p! N# A% }
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
" S9 G( }$ p+ j* o. u' D) `, I| └──2--Python基础语法
( r3 n' B5 c& U% B- }. P/ Q| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M# }/ I' E! _. [2 R8 Z
| | ├──10-Python_集合操作_列表 .mp4 34.71M
" s8 W. x" x, e0 k* v- M( w5 d| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M; p+ _' L" N' H: L( E' E
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
# D- ^' \' t* `% B# e P- y| | ├──13-Python_集合操作_元组 .mp4 43.46M# ~+ w7 e, @( Q: X5 y
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
$ ^% j! A8 O+ I- M+ ]; P* m| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
: O* d% T4 V# ~# {8 m3 L$ I| | ├──16-Python_os模块_shutil模块 .mp4 51.54M0 c7 T' M0 r/ l1 }
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M" T, K" Z8 q- L6 L
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
1 j6 ?. m0 Z. i! g7 F| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M1 H8 [8 a* I e" `1 u
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
/ G: K/ h+ J1 S7 z| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
0 a, u( G# ~9 Z4 o" Q| | ├──21-Python_函数_递归 .mp4 23.46M
* g* b- y( h1 }! e% S: }( F& L, {8 v4 I| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M, f7 t% }# N; @( L, H% ]! \' X
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
# g0 N. S, O+ ~! `: P| | ├──24-Python_函数_闭包 .mp4 41.61M4 m* k$ [6 l) N7 o1 U
| | ├──25-Python_函数_装饰器 .mp4 30.35M
) B9 z9 i/ b3 R5 j7 G& c& {| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M; h) p. W' }+ \% W$ u+ C3 a
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M E/ t; A: o/ S5 T- M' u( e( ^
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
^, b" u/ `3 V* ]( x# K$ ?| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M7 S c+ y* J1 G1 o/ |
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
- t& a, z- C& ^' v( Z y. r| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
* o8 y0 C0 B# w& S| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
5 ^# k; e" j/ L" X' n6 {| | ├──4-Python_控制语句_while循环 .mp4 25.02M: R+ P0 e0 V0 v: _( s& F/ x5 Q
| | ├──5-Python_控制语句_for循环 .mp4 22.82M2 o t: n% }4 g( H
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
/ L, S7 g! T/ H/ ~7 q) d" H; I| | ├──7-Python_控制语句_break_continue .mp4 25.23M
9 H+ U$ k, D( F3 K| | ├──8-Python_切片操作 .mp4 40.20M
0 B2 i7 h/ ~7 m| | └──9-Python_数据类型 .mp4 25.38M
9 S0 d" V( I g3 c1 i+ m/ ^$ n& ?├──20--深度学习-NLP自然语言处理项目实战 / H2 t+ w9 ?2 a
| ├──1--词向量 " c( ~/ ?9 G4 G; W8 F: ~# D3 ^4 S
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
! H; \0 ^6 {" \; [+ \7 ?| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M: C7 G7 X3 ]# t. a5 j
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M u* X. x( u1 f
| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M5 h3 u! \5 D- c R- }. Q; d
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M! ~ l% I* S5 W4 o6 G4 t
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
. ]. {8 t+ k8 ?6 B# H/ A! Z" k9 f| ├──2--自然语言处理--情感分析 . B$ U# ]* ]2 w& Q
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M" U/ c! \. L7 b" ^# n. R
| | ├──2-数据预处理_01 .mp4 79.65M# D+ F B* ^; F, _
| | ├──3-数据预处理_02 .mp4 45.68M0 u% I( s0 ~8 j# ]" {
| | ├──4-代码讲解_01 .mp4 52.29M
* B( n$ ], d+ e& b6 \- e4 i| | ├──5-代码讲解_02 .mp4 60.85M! v7 ^# w5 H0 A F) \
| | ├──6-代码讲解_03 .mp4 53.89M& s K/ M3 n8 ]7 V7 k+ D
| | ├──7-代码讲解_04 .mp4 57.19M% w4 I5 u7 Z* X; p$ w3 f3 y: x
| | └──8-代码讲解_05 .mp4 35.88M- L" i2 r3 L- N
| ├──3--AI写唐诗
9 \1 ~/ [* y, ~$ e w, A Z| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
8 g8 Y" E: Y1 V. S| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
0 t+ J8 _6 l, ?% a, M1 h| | ├──3-MultiRNNCell单元 .mp4 38.93M! `! g, h# _" j
| | ├──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% `1 _' q5 ^: I4 J. h/ k
| | ├──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% M1 t0 \- f4 S9 q: Z) ]8 E7 A' n; C
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
, c% ]8 F Y+ o3 O| ├──4--Seq2Seq聊天机器人 : R# Z3 j' R; y/ X) Z
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M6 \( l* G; k3 v& K9 |9 u: M
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M9 s, `, ?; g7 t: ~; V, ?) B
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M+ ^0 w! v3 }8 k$ F: V
| ├──5--实战NER命名实体识别项目
' H# a: l3 e6 L8 x0 L+ X2 w| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M; H* t) @# s. b+ u& `/ B O
| | ├──2-介绍了代码目录结构 .mp4 23.44M8 s2 H) N0 R9 [, _
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
Q& I/ U; d6 j, `- w' k0 m& b" s| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
( w# A4 B3 @. ]6 Q* `/ Z, B| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
7 `& p- E- U! x1 A; p4 n# y( r| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
9 z* W! c e! A| | ├──7-CRF中的特征函数们 .mp4 125.97M
! @. R* x; @% M* e# {3 g: q% d& w1 V| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
- F8 ]0 @- p) l, |4 S. ~! P| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
" r0 h" O0 d8 [4 ?2 m9 F" f0 c `| ├──6--BERT新浪新闻10分类项目 9 R: J! M3 R- w& a- H7 U9 s- N
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M' l+ u% _' l/ x d) q9 K2 H% J
| └──7--GPT2聊天机器人 2 ^1 }, y$ n6 T* V
| | └──1-GPT2闲聊机器人 .mp4 62.28M
. x( m9 C2 [( V8 Q- G├──21--深度学习-OCR文本识别 / o. |. c, X( I3 f+ @9 j" `, T
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M& s% D8 b6 c' O8 m3 r8 `
| ├──10-CRNN项目代码剖析 .mp4 306.48M' @' @3 e2 `: @5 |0 {+ m- x2 {! v9 d
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
+ j2 l, E) O% f3 f5 ~2 H6 O| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
7 K% L. T: o' G( y| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
- o- M- K. M3 X/ T& U- _| ├──5-CTC损失函数的理解 .mp4 330.64M7 K" F! T) D' a1 a9 ?% a0 c
| ├──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
C. U Z) |9 S1 s" g. U8 h| ├──7-CTC前向后向算法代码 .mp4 225.41M$ z" L t5 s8 A% I! w
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
& T! H+ v7 B" u! |2 N| └──9-CPTN项目代码剖析 .mp4 491.69M0 g6 B/ P6 j# M* O# F& T7 B. F
├──24--【加课】Pytorch项目实战
! G. S$ }/ l+ Q" }* j& z| ├──1--PyTorch运行环境安装_运行环境测试 ( n. S( ~ b+ C6 _0 I
| | ├──1-PyTorch概述 .mp4 29.29M4 p0 V/ p& ]& ~; `% G5 E5 A. [
| | ├──2-PyTorch的安装 .mp4 76.45M
8 A P, Z: W. j* J9 p- ^| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
( U3 d' a( o' _3 F| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
( O1 p% J% J [- ^) t' Q5 B3 A3 h| ├──2--PyTorch基础_Tensor张量运算
1 v8 G; T/ T0 q/ b( M4 N2 o7 ]- _/ @| | ├──1-Tensor的创建 .mp4 55.14M
8 g7 \; d+ e' s! A; Y| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
! _& i5 O! `0 L9 F( }, g| | ├──3-广播机制_逐元素操作 .mp4 44.46M
3 y* h Z( p" F2 q" ^| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
+ N d. t4 q" e# F/ n| ├──3--PyTorch卷积神经网络_实战CIFAR10 / p& d3 b( ~/ P, U) {; j! W
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M) D4 U/ K ~7 A) A! C, ]
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
: O$ J4 M# p) |, Q2 K9 [% q" \3 b| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
: B! k- I* m7 \1 b& }| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M' h, L8 N0 d' f
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
0 M" F/ B0 \' H| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M5 U9 O' Z0 [5 I( X" Q( p
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M" S7 f1 X& T# D# ^3 E! b1 l; F
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
* v! B# [! Q% ^6 A! z| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
/ I$ l; t6 b' C6 d T8 X% C0 d. d0 i| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
5 ]1 [2 b; _* m9 @& e( e| ├──4--PyTorch循环神经网络_词性标注
' P& g7 v0 a2 a, g8 h- Z' [: S/ ~| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
$ L: B, y6 `( T0 Z% d9 d, M& T6 B| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
' P0 K8 p0 F' d: K" F$ q; a# E| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M5 Y7 z( _# d0 u, v
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M) p0 \7 r6 ]2 s! x4 B D' c8 Q
| └──5--PyTorch编码器解码器_机器翻译
) O0 @0 S& p# d# g& T+ q3 E w$ U| | ├──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 P6 X3 C" n% Z7 z# G; ]6 Y- U% \| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
9 q, f, C' f* y: ~% q4 y| | ├──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
9 ]1 C% C4 ~1 |; o* J; ]| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
: x4 s- d. n! ?, 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
9 b$ U4 K8 J& E* h) a. || | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M- c% o; R0 I; O+ T, E
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M7 j1 G K% y7 U, M: A6 q; Q. m
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
% j; q6 a/ H9 B$ z2 A├──25--【加课】百度飞桨PaddlePaddle实战【新增】 : S* Q, j/ ^* i% O( j
| ├──1--PaddlePaddle框架安装_波士顿房价预测
8 C3 Q; _3 } W: I8 e- u6 r/ H, i| | ├──1-安装PaddlePaddle .mp4 87.34M& j4 A- K# r7 X; {( e+ \+ F1 |8 m
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M! X" J* t' ?1 U! E
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M& O9 v- J. N! v" O0 b" j# Y
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M$ J* i c7 o" Z9 d. `7 T$ p: O
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
# l9 J e! ^! R) @| ├──2--PaddlePaddle卷积网络_病理性近视识别 ; Y! m1 j9 \6 Y5 j3 ^
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M- I e7 D1 e& m/ e- ^3 f
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M4 J% k' b" ?$ |) O1 X, M
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
! \9 E4 u% ^) m0 ~9 l| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
* @' f9 N r" R- w6 P2 P6 j| ├──3--PaddleDetection工具_PCB电路板缺陷检测 : [/ }6 i! _ u' m
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M' B# S' p5 G3 g+ b1 s3 u
| | ├──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
% w) a, s V: Q/ R6 d| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M1 p9 w) z d$ ?2 V1 l' R) h% P3 E# ]
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
6 r$ v6 H) @' G- J2 }" X| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M5 F6 L# K; w% h# C
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
! c: o3 T0 o4 W0 e- J8 O| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M7 u7 q7 P9 I1 B; S; x/ ^
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
0 G* s& q& K* t6 k) b3 ]$ I| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M- U' Q1 c: E$ j' K1 _- M
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
$ n/ z9 \, f- q| | ├──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
' Y) W: l% s2 k$ A+ s/ A7 A3 j| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M4 v, u+ o9 k7 Q v! H
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
: f0 u& n# v9 t/ Q$ c5 B2 i| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M q) m* \" x3 R& U2 F
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
- Z: H/ g+ L) W( b. r- n% h+ l| | ├──1-PaddleNLP_项目配置 .mp4 49.37M" R2 h) ~" v$ x7 Y3 W
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
2 S# @6 E7 j& H6 d' D. N# m| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
3 ?) N# q" f) N' L! |8 v| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
, y: x) j0 o5 O9 n| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
% Q" C( `" p! d6 m- ~) K- P+ H% P| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M! J. f) u4 h) ]& r
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
# B4 A0 T- ^( d3 w5 c| | └──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
2 L5 D- g/ \, _5 M9 @4 i: U( p| └──6--PaddleNLP模块_物流信息提取（ERNIE版） ) l# P+ S. ?$ c: y# z3 v' {
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M P1 P7 ^1 }" y" J! j' z
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
0 _. A+ h, u3 g [( |3 r| | ├──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
0 J5 ]% D* U+ e4 G& V6 W/ k R6 F| | └──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+ Y# H2 k! Q3 j( e* v! |/ o* M, ^- I
├──26--【加课】Linux 环境编程基础
" \9 S" y- O% d1 T| └──1--Linux / u0 A1 s Y4 e% T- ^
| | ├──1-Linux_课程介绍 .mp4 3.72M
^0 D! ?% A' E) N1 M| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
- v( e0 p% x: a/ t- Y* _, X" z| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
$ _/ c, ]. x0 _# H7 r$ X| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
6 O( v" n, N8 Z| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
* x b) ? f/ K/ e3 r1 e| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
1 Z0 T8 V# |; N- M) P R| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M. f% O$ O; v% F$ ~
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M. @1 Z# H& `6 E( Y3 c3 G0 }4 I' O
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
1 d) S; P8 I+ Q' Y" u. a( J& {| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M4 O, H4 c1 d+ ^
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
2 ^ }( M: i" B/ n| | ├──2-Linux_Linux简介 .mp4 17.59M
' v/ n7 q; l- ?$ n| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
$ P9 \3 v, r' Z+ Z| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M' y+ u# w& S- X' B
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
* A% T/ p! {2 J& N$ o| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M n* p/ C+ X) G5 i9 I
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
' R& q) u9 v9 }2 ~| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M; V& u, S( y+ n0 }
| | ├──26-Linux_安装MySQL .mp4 79.02M
! v3 o- J! w& P5 C| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
% ]0 F" o b7 |% p% H; p| | ├──4-Linux_安装Linux .mp4 41.97M6 k+ f# F) k" S* b& q- j Y$ s5 H$ D
| | ├──5-Linux_目录介绍 .mp4 20.31M
( i \, \4 E: \: S9 t G| | ├──6-Linux_Linux中的路径 .mp4 18.65M0 U; J% ]+ M/ X$ n( e/ r& H
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M+ ?6 ^% R J1 d
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M7 z8 x' i6 y2 j4 }9 ]. R+ }. J" G
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
+ _- D {9 Q* v4 n6 C├──27--【加课】算法与数据结构
: {2 F5 l' G0 V3 |% C1 m| └──1--算法与数据结构
+ q( ^5 O4 `2 V A' @. k| | ├──1-数据结构与算法简介 .mp4 35.68M% {- L' _' K0 v5 K1 X* M, q- }
| | ├──10-哈希表的基本结构 .mp4 54.34M i6 K8 h& ]+ L; t% y9 n
| | ├──11-哈希表冲突问题 .mp4 75.92M
# K" Z" Z$ z, Z* D9 x1 F) ^| | ├──12-哈希表冲突问题2 .mp4 72.30M
5 e; L. D/ ]& D! t. L$ L| | ├──13-哈希扩容 .mp4 111.03M
7 a+ Q8 i9 _: h* |7 p| | ├──14-递归与栈 .mp4 50.77M
* S% t1 K/ O K6 x| | ├──15-线性查找 .mp4 57.80M8 {* ~2 {! N/ w. _6 j
| | ├──16-二分查找 .mp4 52.32M% X% D' Q: S, V, U
| | ├──17-冒泡排序 .mp4 53.19M4 X4 o$ _! A& W8 u# z2 `9 n/ T5 I
| | ├──18-选择排序 .mp4 43.29M
, D+ r9 a* r0 i1 h, X& @& M* a$ @| | ├──19-插入排序 .mp4 31.39M
9 G. [0 q! H* |; Q6 ~| | ├──2-大O表示法 .mp4 25.59M6 m5 J$ B" c: s( D6 w. m
| | ├──20-归并排序 .mp4 84.48M
/ W( P w2 Y2 R| | ├──21-快速排序 .mp4 36.63M$ ]3 L- h3 Y9 r! x) _" p
| | ├──22-树结构 .mp4 96.85M
# k- n' `( R4 ~5 v1 B/ v" ~| | ├──23-树结构的遍历 .mp4 61.05M8 @9 F4 a9 C% b$ S# C4 z- B& t0 i
| | ├──24-最大堆的增加操作 .mp4 45.43M
+ O: C/ z S* o# _+ L| | ├──25-最大堆的删除操作 .mp4 45.63M
$ @4 L( e6 [( f! C3 ]$ X1 {| | ├──26-二叉树的查找 .mp4 100.24M; R; y6 k9 j1 V7 R$ N* [
| | ├──27-二叉树获取最小值 .mp4 25.21M, g' E" E( I. i" X* e5 u
| | ├──28-二叉树的添加 .mp4 72.66M
7 j& o) A/ H' r, \: Y| | ├──29-二叉树的删除 .mp4 120.06M
4 A4 E1 ]2 l0 K6 |( \; B5 q1 B# X| | ├──3-线性结构 .mp4 53.14M( M! H/ ?) d, a. Z
| | ├──4-单线链表1 .mp4 68.36M
# r& \+ c4 x' `8 L| | ├──5-单链表2 .mp4 221.69M
( x2 u/ Z8 d, Q, J4 A| | ├──6-双链表 .mp4 103.57M! s4 f5 x, L5 J
| | ├──7-队列(链式) .mp4 74.12M
1 \( T! W$ P) j; z" L% x+ A| | ├──8-队列(线式) .mp4 30.99M
$ f B& k: s0 v0 T( c$ H% W. ]1 [| | └──9-栈与双端队列 .mp4 28.12M
+ F7 U& S3 e: `9 G. l├──3--人工智能基础-Python科学计算和可视化 # W6 {/ [5 x( Z% @0 F9 V1 W2 ^
| ├──1--科学计算模型Numpy * `' }3 I2 `9 b5 c& ^
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M, ~! w, h3 a" M. k' f
| | ├──2-Numpy_array_arange .mp4 35.45M2 r1 A9 }4 D# L0 D5 c5 l; C4 U4 ?" r5 X
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
5 c% h! t+ n, Z4 w( W6 k| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M: L3 k4 y! O6 j6 I, F
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M; z8 J! O3 I, i! m7 L" ^: B$ [
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M# x! O& K. ^) F: d$ O( ~
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M! e: m9 U( m' [! l8 V$ z7 S
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
9 y; n3 o: ~( X+ y) V% R2 l: D| | └──9-Numpy_聚合函数 .mp4 23.68M
/ o& K9 P. j& J* s4 z+ b| ├──2--数据可视化模块
! ^1 b# p# O( V9 {| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
1 V9 p# D% p, G| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
; W$ w1 f, o9 {& [3 f| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
6 K( w+ }9 d9 [( D: |6 Q" Z| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M& p1 t" n) ]' o- ~ Y, A# F* t
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M3 `2 {0 d0 p! n e9 ?
| └──3--数据处理分析模块Pandas & {- k! |/ }+ V' p/ K" T
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
c. B2 \, a" |7 a/ m% A| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
2 S2 D$ C6 Q7 M! A A3 K! [9 n. l J| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M0 o( _( v& n3 h# w- a
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M: H2 A( W0 \4 U2 K6 t8 O5 S/ K
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M( U7 ~1 i8 Y8 B5 V& L
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M7 _0 o) v: y1 _1 U
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M3 u/ {$ n* k% H' X) o2 J
├──31--【加课】 强化学习【新增】
. ~. C8 S) F( O# ^/ `| ├──1--Q-Learning与SARSA算法 , u! M# p3 x% v% s4 I; H$ J( i! w7 l
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
6 j, w# F% g* p: s, R3 O) q! ]| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
: O$ v3 ~" ?0 q. y: ^, [) i4 J: x/ M| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M# Y' G# I( J+ G9 j6 O% ?
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M. ? j2 j* h/ Q6 G7 C8 u `8 c
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M8 C1 j3 u$ F4 Q# \% e+ j* S
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
: T( o, u8 C# @| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
+ j5 g+ i/ B( |2 h- g, P| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
% d) |, d8 L6 d' E, Y, _2 _| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M7 c) g8 k' s% B
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
' f+ [- s( S; }0 U( E& o6 z| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
0 L2 c L2 T6 L$ k, D| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M( X3 B& u4 Y( p; q# [2 q+ W" C8 N
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M- ]% X- m8 d: S: h0 ]: q
| ├──2--Deep Q-Learning Network * H6 f% o$ L& g6 r+ p$ v# I9 ?
| | ├──1-DQN算法思想 .mp4 59.24M
W C, i5 C5 I6 z# a| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M' ]+ P0 V* Z, t, x3 N
| | ├──11-DoubleDQN代码实战 .mp4 44.49M9 o" F3 X: n3 a9 a1 n; y* D
| | ├──12-DuelingDQN .mp4 88.12M$ X3 j" W/ e% A" n& P& h
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
9 i: w4 S8 C4 F/ g/ V: D& S| | ├──14-计算Action的方差避免风险 .mp4 54.23M2 \- ^6 S1 L5 J. w. d% B
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M" e4 Z- ^$ G" B8 j }9 P: S: b7 c
| | ├──2-DQN算法具体流程 .mp4 56.17M6 n$ _! v+ I& ^0 L4 r% Q: j! [
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
4 R. D9 f/ t6 V+ ~& K| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
$ i/ E7 I! H7 A1 i| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M. m, b3 h; q1 F5 s4 K# p1 s
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M6 D. E9 F! a3 C
| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M
6 n q& j! T( B| | ├──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
2 A$ v4 ]8 m/ O7 ]1 m| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M! ~! c. p* ]8 P& M2 n- O' e( x
| ├──3--Policy Gradient 策略梯度 : Y9 k/ O$ g1 ~6 c# w3 N0 u4 \
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M$ U5 u6 R- p* c$ U+ B" H0 U7 Y6 ~
| | ├──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
, h; m# {; m& ^( Y| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M+ @' i' d0 q" ?+ n! C
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
4 q- f, W! m/ B' `5 P| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M0 ?2 B" I1 q5 i& b4 I' _
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M8 P+ ^2 Z1 k( r2 @2 |5 x# v6 e
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M: c* ^* i+ d$ F2 I7 M' X+ D+ e
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M- u. P/ N& i% i) r* H1 v
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
" P2 H3 {: m# }: p| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
) B6 s3 w& M7 z% P| ├──4--Actor Critic (A3C) 8 K- u9 ]- z) e$ t/ i9 z& J$ F$ G4 `
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M- w+ ?: }! g% E
| | ├──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
. V* C8 g$ o2 o% i9 s: I. H6 || | ├──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
, p( j% j1 K( c" |$ @; `| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M# ^) ~; N2 T" u1 L1 R, j- ^$ r
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
2 z0 K: h5 u2 H# l+ n; ~| | ├──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( X, B+ P9 g; h, h" Q4 u- H! \! r0 Z5 K' ^
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
) A# b2 L: k/ `3 Z( \" T( s0 p% J| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
8 ]4 V1 z$ s/ p+ o" P3 V) K| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M; q+ \1 j" o5 ?; T
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
. Y" _3 L8 L# {9 M9 L2 L* k4 X, I; i| | ├──6-A3C架构和训练流程 .mp4 74.66M! j% U. }4 J1 K# H! W' g8 _
| | ├──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
/ i8 M* ]# S' t' ?' F! i| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
3 I$ x3 _" Y A| | └──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- V/ y6 S. g1 p/ P* `8 W p
| └──5--DDPG、PPO、DPPO算法
( L5 ^ f+ k9 n( Z& ^# m| | ├──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 C9 @- [: G/ x- s4 q
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
7 U' E' c" Q! i1 n1 w$ q0 _| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M5 g. K- N; Y) J" E( A
| | ├──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
0 J4 m" W+ `. L# P3 D9 k| | ├──13-DPPO分布式PPO .mp4 63.81M
# a, X7 O7 V$ b d6 y3 C| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M5 L+ O! u0 X/ h$ o; n
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M( l$ h+ s! B: m3 r9 Y; ?4 z; X
| | ├──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 51.45M1 U7 K/ {2 O1 [2 v: ]4 X. H1 o7 j
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
* B, ?% L& z' Z# X6 y4 n/ ?! k| | ├──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 44.17M9 F6 ?! L& Y5 f! n1 F
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
$ k2 X! c: {4 U9 G: E' X2 G9 T| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
5 N/ E4 N S, k$ q" v| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
+ h( X* H* X% M, Y% }" P5 a& F| | ├──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; f' s1 F; I: N. M
| | └──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/ v4 C$ c o9 H9 R6 D- J4 D' V0 w) _% H
├──4--人工智能基础-高等数学知识强化 * h2 s8 f, h5 ^: w4 F. P) A, ^
| ├──1--数学内容概述 7 U8 ]$ L1 S# X+ u% {* l* S
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M% ~% |6 d. ^7 o" s% S
| | ├──2-线性代数_概率论知识点 .mp4 26.81M0 F9 l$ q$ ]8 w9 f( _# {+ N8 D5 \# m. G
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
" J% u3 D8 \5 V% M4 z2 L; x| ├──2--一元函数微分学 9 |& d& `. \8 ]$ {. l2 R4 h' z
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M9 K# S6 s: y# ] w
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
1 h) d4 k: P& Y! i7 C: C; y4 e) R| | ├──3-常见函数的求导公式 .mp4 22.76M
4 l6 _- ~0 B/ L" t, o! I3 ?1 c| | ├──4-导数求解的四则运算法则 .mp4 26.52M
, C" {9 _& b$ I6 P2 I8 z, X| | ├──5-复合函数求导法则 .mp4 19.68M( Z6 z6 L! {' M. d
| | ├──6-推导激活函数的导函数 .mp4 33.40M3 {& O! h7 g2 \/ B
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M" g: o. k& U) @8 U, O* m. `
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M8 F" s. \; n5 z/ @6 U7 V% L
| ├──3--线性代数基础
" y0 ]! A1 l, J m| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M6 B2 r% f6 [; y0 w- p' C) L# A
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
& n }1 q# z3 m# V8 O: O| | ├──11-矩阵的行列式 .mp4 20.13M! z# h* d) Z8 T7 z5 ~4 v
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M, V' V5 X, Q }. t. g
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
+ U J- i6 {! X$ B| | ├──4-学习向量计算的用途举例 .mp4 20.32M
/ ~- X; L4 [3 Y/ r| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M3 p+ h6 j: g9 F8 F5 ^6 h& [
| | ├──6-特殊的向量 .mp4 26.45M# L# q% [ b, \' `6 W
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
1 H" r, [) ?+ a. M \! H| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M& V k2 N/ Y( q- i0 k& |1 R
| | └──9-矩阵相乘 .mp4 20.02M
3 h }; F. Q/ }9 E% }) ?# Z; u6 Z| ├──4--多元函数微分学
6 Y" \- M) k8 W" n| | ├──1-多元函数求偏导 .mp4 22.61M
; d& l6 G, I" A3 F- l! o| | ├──2-高阶偏导数_梯度 .mp4 27.15M- d- W5 c. h+ `* a& s% S! \
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
: W* e9 d7 E% s, j" k. `* u% p( _| | └──4-Hessian矩阵 .mp4 32.93M
+ f4 f/ n0 a( d: L| ├──5--线性代数高级
0 r: s/ [( q- q1 [4 Y- b3 d2 d: ?| | ├──1-二次型 .mp4 27.70M
! l9 ^, ]& e3 D. i- X5 C& H| | ├──10-SVD用于PCA降维 .mp4 24.90M3 H; r; H1 H: B6 C5 b% ]+ U
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M4 {+ i* u7 v. o, b
| | ├──2-补充关于正定负定的理解 .mp4 23.48M D5 j8 ~6 f0 l6 r$ Q
| | ├──3-特征值和特征向量(1) .mp4 29.83M. b3 {. n! U4 j" i/ {7 G
| | ├──4-特征值和特征向量(2) .mp4 30.07M
- e& j; A3 C+ k& H| | ├──5-特征值分解 .mp4 38.68M5 ^: R6 M2 x1 P/ I+ S; O
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M7 E% G( b9 E6 { x0 R2 b- i
| | ├──7-奇异值分解定义 .mp4 22.58M" p- }* F, G, K" h* D" c3 {' e7 D' ~$ ~
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M7 w/ Q( h$ M8 c- j& B2 E: @
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
' L# }6 h; ^+ ~9 F| ├──6--概率论
4 j: K+ C: Q- C' P| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
$ a, V1 Q% E% Q& ]| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
7 h4 Z8 G; R: E3 ]| | ├──3-随机变量 .mp4 22.57M: p8 V5 {1 ?- B1 v K/ g
| | ├──4-数学期望和方差 .mp4 22.96M
0 W; \! I* V: _, j| | ├──5-常用随机变量服从的分布 .mp4 22.48M
7 n4 Q6 j$ r$ |" \| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
& g/ v# b- J0 r& x| | └──7-最大似然估计思想 .mp4 23.42M
/ i, w; j$ |/ o2 `- }9 U| └──7--最优化 ! r! h0 ^ n8 ~2 B
| | ├──1-最优化的基本概念 .mp4 35.14M/ f+ A+ ^' E- h
| | ├──10-拉格朗日函数 .mp4 27.46M
% T" \2 o7 k5 s% h| | ├──2-迭代求解的原因 .mp4 20.15M: j u% U0 U5 |
| | ├──3-梯度下降法思路 .mp4 26.33M
8 ]1 Y+ \5 W" r4 K& _+ y: s| | ├──4-梯度下降法的推导 .mp4 43.56M! s) v- g; I& [$ F% C- x. d# V0 ]
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M+ @2 K. s- E1 _3 d) g; C6 \; s
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M/ L, G$ C" x: a
| | ├──7-凸集 .mp4 21.90M
5 _" {+ h: r# h( B| | ├──8-凸函数 .mp4 16.93M
" @& u( p7 [& i3 P" q' J' R| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M6 J; A) A! z; T) B% @/ s9 M
├──5--机器学习-线性回归
$ w/ b* a3 D' }6 {; `8 G* t, X| ├──1--多元线性回归 5 R* U4 e. f) x! v) k
| | ├──1-理解简单线性回归 .mp4 51.11M9 S4 D5 M: F1 F* S0 h
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M# u+ p' ?! ?( x
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M1 z9 {4 N+ \# ?
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M% y4 L4 z" s1 L5 `
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M+ P' ^7 E0 U( F0 i7 X! }6 ^
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M; C- a6 v; X+ X3 O) F* s
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M6 [+ P, D8 O) |
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M ^$ T2 w0 N4 b: d
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M8 T; P* u- X w; [% B
| | ├──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
: Y# V w* {2 Z$ H% E f* D| | ├──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 34.67M2 X# u) i; |; I1 G ~, d# @; a5 m
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
, z. U1 }" C! z" E' w| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
/ f; X/ r3 R$ B7 E| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M3 W, \$ p; m- C1 S
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M9 t$ ?7 C2 |: [ L8 L7 p% ^2 M
| | ├──3-扩展到多元线性回归 .mp4 32.15M/ C3 o4 V% y" v3 E: V& c7 N
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
! l+ g* i/ [. V" |8 T. H| | ├──5-理解维度这个概念 .mp4 41.41M
. T, V7 z" \" q% `" T V* z| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M5 J0 k+ G; F1 s
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
@1 F. ]; [6 U| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
( H+ L/ K) L' F! x2 N: n| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M0 v% Z( I) e$ [; f) Z$ y
| ├──2--梯度下降法 6 o+ c8 m) R5 Z; m( u' Z
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M, C) U" J2 u6 P M! J2 v- J
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M6 J# J% c0 _0 J( z |
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M0 p% j( C" S) ]
| | ├──12-代码实现随机梯度下降 .mp4 26.67M* A" T; l9 o! O) T. z2 n U3 q
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M. Q$ \ U# r- z6 |. _; G" a
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M; |- L/ E; U3 v: I
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M6 i* A1 D V& N7 |' F* H
| | ├──2-梯度下降法公式 .mp4 57.12M1 D& G; T5 n1 p, p4 _; z
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
5 S1 B! B: M4 y$ D" ~$ Y| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
0 ]9 o) E& ~7 K8 G5 L| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
/ S: q; F; ^7 Y: K1 p| | ├──6-全量梯度下降 .mp4 62.84M$ ^+ A/ H1 M; h+ F! A
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M: t! i5 Z* ~' d* ^% o
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
+ Q4 u$ d$ F" C9 ?7 `| | └──9-轮次和批次 .mp4 45.22M* O5 z# r; H$ \: T1 R; n1 h
| ├──3--归一化
7 F1 K' C) n. U3 y" s6 {9 V+ i7 Q| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M, F6 B. o4 s/ v( J) O
| | ├──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# v3 a+ |$ [; z x! ~! d
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
" o) {( E: I4 r6 e6 Q7 F| | ├──4-最大值最小值归一化 .mp4 24.87M
( \6 q# g( V! ~- j| | ├──5-标准归一化 .mp4 51.86M7 e2 g' Y& ?: X: m6 S
| | └──6-代码完成标准归一化 .mp4 41.13M
_" f1 q8 V z1 S2 d: G: O| ├──4--正则化 / } i8 G+ c+ i" M* [5 |
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
1 {! h* G1 s" |2 c/ D F: u| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M6 g$ f; C8 L# b0 r6 v
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
! f# v/ ^4 J% o| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M& |$ D3 l1 V6 m( f4 Q6 q/ |
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M$ }) X h8 S# g' u7 T6 e9 F6 N; A4 l
| └──5--Lasso回归_Ridge回归_多项式回归 $ W3 K; f7 Q) v& H [* i3 d2 o `
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
8 \' D) m3 I9 c S| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M# z- \5 ~5 m) P5 c
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
- p0 y+ g5 J' d$ y3 D. k| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M( [/ t+ M+ Y/ R% P+ S" n
| | ├──2-代码调用Lasso回归 .mp4 28.73M6 S( |; m% ?9 {
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
1 e$ X# d% A& o! }& M# b| | ├──4-升维的意义_多项式回归 .mp4 48.06M0 j( L- D1 D; M1 e3 f1 f5 r" H8 K
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M% \) C" d: e* T- w) F }" ~6 I# F
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
0 A: h! T$ A" k; Y% _" G0 z) D, B| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M, n/ b% m Q* n u B$ A7 w. J
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
Q8 [! O% ]; y" o8 c5 c, v+ ]| | └──9-实战保险花销预测_模型训练和评估_选择非线性算法改进 .mp4 84.12M
8 t% b, _2 T9 H$ A8 M├──6--机器学习-线性分类 % N& M+ s+ y: b/ g2 ?! {5 S
| ├──1--逻辑回归
) E- Y. @) W/ m| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
. N8 ~3 q8 R4 y6 e3 r| | ├──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! S8 b5 x7 s1 E5 b+ q
| | ├──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 43.87M1 e4 W7 i0 a/ d2 N
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M ?& C* G" A: U- t5 _
| | ├──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% x& y, n2 r; o+ {/ Z
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M6 \5 L2 z7 d1 D& T
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M% ^3 J" ^3 X8 g* S8 _
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M# N) q2 z! o: m. c
| | ├──2-sigmoid函数作用 .mp4 38.15M# [ o' b3 C% |& I
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
2 w- i1 s1 Q! _. P| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M0 Y) u& S S8 T2 y/ q; q( b
| | ├──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. P2 u/ t/ O- L' s6 X; k' l) [
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
% D7 c/ |* Y1 r3 W8 i| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
2 g- z) |8 l0 Z/ {! E+ h Q| | ├──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 56.56M4 f' s2 U2 A- u& d6 G/ x/ ?* P
| | └──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
1 V/ F: @/ T: N9 f" j! X8 d| ├──2--Softmax回归
$ X* h$ L& O% e/ p' a. X$ l| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M# g/ d3 s. T/ `
| | ├──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
7 _2 |9 x1 E% ~ b ~9 g. R| | ├──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 49.16M5 m% \: S- V2 k! r) z- S& l
| | ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4 47.67M
( K' h5 h, k! t: g| | ├──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
; t2 u W) |1 M; h0 J| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
% c, C5 p8 i) u| | ├──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: f' {0 J: s% d" d
| | ├──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% ~ R! b9 R/ r4 |
| | ├──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* v8 w e9 T \# ?0 e* 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" S- [/ ]4 X) r, y( q) r6 W2 ]: [
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M/ W L4 G7 Q/ H6 Q2 j
| | ├──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
% K5 L `; S/ m4 _- Q| | └──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
2 p9 w+ X' N3 z; {| ├──3--SVM支持向量机算法
& T* K+ c, e$ O! k+ u% _+ m: j| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
" W( W- b/ Y+ G| | ├──2-SVM的思想 .mp4 55.56M
9 }) W( S6 ~$ ^) K) {8 {& n4 w| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M- l+ |% ?5 t/ R* ?% }0 V q
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
. d! o3 l5 X7 w) @- p1 ~| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M9 h% a# R, b+ C0 X+ A; v! _% t3 w
| | ├──6-总结硬间隔SVM .mp4 39.01M
e! d3 M5 |0 n$ R4 {| | ├──7-软间隔SVM和总结流程 .mp4 135.76M* L+ `: h# h0 F: x7 Z$ N
| | ├──8-非线性SVM .mp4 54.43M+ O" M3 G) v5 ~- W. S
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M9 |7 u" e$ ` {. o, \1 |! W+ T
| └──4--SMO优化算法
; ~6 \8 r" q3 ^: Q6 ~; B# r3 ?| | ├──1-SVM算法流程总结 .mp4 58.36M
. T6 C$ O5 G' b| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M1 Q* q$ e2 [$ u
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M8 M2 d5 ]% u$ D U
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
; e/ _. N4 u" L+ v! B+ s| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
- N+ \5 ]6 B- k3 ]: U1 Q4 x| | ├──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
7 s0 q& [5 W$ f2 l| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
, M+ H) p& e/ g& I| | ├──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$ ~5 k4 T. A( P
| | ├──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
( A4 ^9 ^; a& w1 G2 E, Y" V4 a! o; t| | ├──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
5 Y# y# j. F0 i$ I| | ├──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. v* { |: v6 O/ a: R0 h7 p; m
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M* r8 ~+ W* s S$ p# @# z2 I* W3 ~; B
| | ├──7-启发式选择两个α .mp4 23.11M
4 {6 c/ p6 O- ]# M+ g* J6 ~| | ├──8-如何计算阈值b .mp4 50.18M+ a$ W3 K( V: [! R+ z" c- L
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
8 L5 G/ P z: j├──7--机器学习-无监督学习
& z+ V* @ h; ?) I2 n$ i) N( x| ├──1--聚类系列算法 4 b6 [2 A6 T# H2 u7 }: w
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
' h/ I* Y% z3 S6 b| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
: R. Z3 [; N$ P( R8 [| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
3 v2 y2 `7 ~4 l: a4 Z| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
5 f- O# {6 \+ T( Q) t, u| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
0 y5 F% ^; K+ b0 P# T$ U| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
5 L- R" K3 L1 F( s: Z| ├──2--EM算法和GMM高斯混合模型 * e. m* q2 u; ~2 U& R7 p8 | Y
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M( s% i/ @" b6 W- c: E- V
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M( p4 i0 N4 l% \. B( E3 q
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M s) c% B$ l5 L2 |, P; G
| | ├──4-Jensen不等式的应用 .mp4 109.17M
% k% v! c8 d% z! Z| | ├──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$ R0 o1 @& G- Q& D/ r; a
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
" }! d3 v; m* q. B8 S| | ├──7-GMM前景背景分离 .mp4 16.01M7 n( W5 [) M, { C: P5 _: h
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
* V( L; Y* Y* b; K9 e* Y4 E( S0 t| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M* R4 M1 r( C" [' T
| └──3--PCA降维算法
% R( b& o* ^6 C" F6 {) b+ P| | ├──1-特征选择与特征映射 .mp4 49.38M
@$ z. r c# _, C- q3 v, m| | ├──2-PCA的最大投影方差思路 .mp4 186.75M2 c4 E0 G! P0 o! }
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M& [0 P' D8 ~! n3 q0 M- v: f9 B
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
S$ y4 y. [2 }' [* m2 F| | └──5-PCA的几种应用 .mp4 54.58M1 q# m9 t1 B/ n+ D
├──8--机器学习-决策树系列
7 r, W5 n w; K3 C: @" U+ V( ]) S| ├──1--决策树 8 b; V3 y! y. V( T0 |1 C \& U h
| | ├──1-决策树模型的特点 .mp4 74.88M
8 k; b4 }( k! G0 }| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M9 ~( h, `$ }0 W4 G
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M z v/ H' w3 z) N
| | ├──12-后剪枝的意义 .mp4 50.49M6 Z$ B# p( d8 N
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
# W! C/ s' f; I| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M$ j( L& y# @. v" ^3 y
| | ├──2-决策树的数学表达 .mp4 89.94M
! n+ T5 S' X' J5 p| | ├──3-如何构建一颗决策树 .mp4 84.87M
+ C' b/ y& h; p z* c* F| | ├──4-什么是更好的一次划分 .mp4 57.02M# N+ p, h2 L8 P. @
| | ├──5-Gini系数 .mp4 107.54M
2 @' n; S% k/ _% E b) D. _: G| | ├──6-信息增益 .mp4 75.26M; t B7 J8 D2 H5 h6 R% u
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M5 J0 u3 n# J. u( M. c
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
5 t. Y, _* u$ u% f: n| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M' N; |; v* r( ?; ~$ `: Q z
| ├──2--集成学习和随机森林
6 t$ c9 ~! p x4 j& m| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M) Q/ ?( u! t* b- C
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
. R2 t ^$ {8 A) ^| | ├──3-随机森林 .mp4 108.14M& C, K4 ~/ \# v( w) ~7 k3 b
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
+ x- F# `5 \! p# Y$ @| | ├──5-OOB袋外数据 .mp4 106.07M* Y7 h/ W& `# s8 ?
| | ├──6-Adaboost算法思路 .mp4 106.30M( L: c* E7 U* L
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
2 c$ t0 g v8 y- W- p| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
; ]$ E1 B+ F- J| ├──3--GBDT
% m1 [2 H4 M$ s+ 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
, D6 ]! \* [) x) w: H6 D| | ├──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. H x; S9 o' ], V2 J! H
| | ├──11-GBDT多分类流程 .mp4 73.80M
. L2 |0 k' O- ^7 R| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
; ~# i! l" W, d+ D| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M% e5 f9 v8 a2 F/ c8 D
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M0 J# A' R; O& _& t2 _
| | ├──15-GBDT二分类举例详解 .mp4 86.67M/ l8 @3 h; }0 H: s. w
| | ├──16-GBDT多分类举例详解 .mp4 91.71M: F# O, p. y) m" e
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
0 ^5 l$ ~/ ^' ~2 W" N& B9 {, [- ]& e| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
; m& p5 @1 z/ {% \9 y| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M A# y6 a: c$ Y! H' f3 [
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M* z* x' l$ I( H# y% ?& \/ `* N8 j
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
" f6 ~2 D& d$ O# y- F8 o% 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# T3 ]6 E/ `+ Q( G& h
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
+ O8 u& w% Q4 U; w+ s. e( h4 I$ u| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
9 G1 b- i9 n5 `9 X| | ├──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
; [1 M+ u* O& G' J; C| | ├──4-GBDT应用于回归问题 .mp4 84.66M
9 s* \8 Q: r! N8 P! N. t| | ├──5-GBDT回归举例_总结 .mp4 108.52M
( ~ u8 c5 D" h- b {' a! h| | ├──6-GBDT应用于二分类问题 .mp4 70.42M- h0 r4 j; e/ z
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
7 F* A/ C7 C8 c7 I3 B| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
. |, @" [( E& N- e' k4 _2 C; C5 @| | └──9-GBDT应用于多分类任务 .mp4 73.34M( y5 ]7 V" g4 }1 O" P# z
| └──4--XGBoost 1 V$ Q, A: ?8 Z Z1 S6 E; @. x
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M$ Y; V" J7 Y; Z# K
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M4 b- Z a W) h( r9 z
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
: }$ X) ?4 G" f. H3 [. z/ E# I| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M6 l( B1 { ~/ n9 x) O/ i, e
| | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构 .mp4 106.69M% L: D/ B. z4 {9 o# b4 ?! j2 O0 J/ d
| | ├──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
# X+ [/ U4 b3 g9 }1 ~- F. T+ s| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
6 o' Z3 G% q2 M| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M0 Z, }6 } O/ c- J
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M2 h* h9 b; M& |
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
% H# @: a& e! A# n) n7 p" g| | ├──3-基于树集成学习4个优点 .mp4 91.36M8 m5 h7 U5 B" X h; Y0 o6 a
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
( G# n/ x" c, k, y+ G* s. a| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M# Q7 r0 e' C p" ]# \
| | ├──6-Objective_vs_Heuristic .mp4 60.42M; D x" H4 i) i" P: ~, s7 B
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M) f" E( `6 c3 u$ [( f9 C
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
) P! d% m2 a- G C| | └──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
- I) q, ?* k8 ], N; G5 y├──9--机器学习-概率图模型
4 R1 s. b7 ?4 m& F# i| ├──1--贝叶斯分类 7 Y6 _# ~8 S4 d! F/ W
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
, f) h# t0 s/ x| | ├──2-TF-IDF .mp4 53.08M' b, a1 Y z+ u, m: P: p j
| | ├──3-NB代码实现解析 .mp4 126.73M
x7 u5 o2 i$ Y2 P- Z! }; R| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M) w# B7 |1 i8 X9 ^; V7 K/ L$ W; y
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
) @6 v9 R7 K& Y; ^) f7 s| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
- b3 t: ]1 z, o1 H| ├──2--HMM算法
( C" Q8 L$ G2 a* ]9 V- |5 l& e| | ├──1-HMM隐马的定义 .mp4 36.82M
% }( S# T l. m' B; F| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M; V* M# ]; ?& w% v( {
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M" ^3 Q0 I6 ?; a; ]$ V
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
3 y+ u/ K& [+ |2 v( ]| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M* M( C+ W& q7 l6 H) P/ D B; M
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M0 q' m! O* ^8 G" E0 @
| | ├──7-Viterbi算法案例详解 .mp4 107.12M# ^) ~; a6 r# O+ r8 t
| | └──8-Viterbi算法代码实现 .mp4 42.43M# q+ V7 C% u3 l7 I: E
| └──3--CRF算法
; X9 i" \5 b7 ~/ e5 P( J| | ├──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
/ r- u2 s; l2 m" X$ {3 g( C) O| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M; I( t. t$ f4 f% W8 W$ s
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
/ p/ B6 A3 {7 k8 f7 k+ U% W| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
7 [5 c8 H# x7 B/ ^| | ├──5-CRF的目标函数 .mp4 23.74M
( M7 h3 P3 Y' N5 C( C, l| | ├──6-计算CRF真实路径的分数 .mp4 50.37M% F. Z# Z% ~7 ]! Y4 m* Y2 S5 O
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M; v; p/ Z/ U8 t. Y: \* @ m, @
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
0 z; T/ R% V% |/ q└──课件.zip 2.54kb. F0 l4 r, b7 c' A, Y: _+ a
7 D1 [- V' t! Y2 T9 G9 Y+ |* O
1 T5 l6 o8 n$ `永久至尊VIP回复即可下载学习，非至尊VIP暂不支持下载此资源！; d8 [) x8 {: r7 g: F
2 {) [! _/ e+ q0 e) v. C) A0 B( ~4 N. l3 L, H4 k8 m
|
/1 
