程序源码论坛-1024
标题:
百战-AI算法工程师就业班2022年(完结)
[打印本页]
作者:
cx
时间:
2023-9-16 21:48
标题:
百战-AI算法工程师就业班2022年(完结)
战-人工智能2022/
3 j8 K6 o5 j" O5 q
├──1--人工智能基础-快速入门
7 o! a: B3 \1 M
| ├──1--人工智能就业、薪资、各行业应用
- Z7 k5 ]) h! m, V2 y! l# n
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
0 e3 K$ X% u1 o4 r3 D( `& [
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
+ J& F* r0 G% n0 Q3 u* d( r5 v$ H# N7 j
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
. t* k3 c% u& P* r: p4 Z
| | └──4-人工智能在各领域的应用 .mp4 57.73M
- z: v X+ k: |; I# Y
| └──2--机器学习和深度学习、有监督和无监督
5 V4 R% B0 z q# @
| | ├──1-人工智能常见流程 .mp4 89.62M
/ E) I8 Y8 A# p0 H5 Y
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
, j, ]$ `' R" A# L- ]1 g
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
1 V' } K6 N2 z" c7 R
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
) t4 k; P' G* V( P0 P. ^
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
3 b/ e, c8 N! M" Q" k
├──10--机器学习与大数据-Kaggle竞赛实战
/ d% u- e" E( d
| ├──1--药店销量预测案例
9 D3 G, o0 i* b0 r8 o* Y4 ]
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
4 f) K/ g$ ^3 b
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
# g5 j4 l) L) c2 M, A. m, s
| | ├──3-自定义损失函数 .mp4 21.12M
9 l1 F: F/ k3 v* Q0 I3 \+ D7 ]+ o
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
" u+ q3 e( J& G: T/ P; l+ s, N
| | ├──5-数据的预处理 .mp4 111.81M
4 @: M; c1 a7 p# L F' l9 i/ j
| | ├──6-模型的训练_评估 .mp4 66.64M
: }+ w; ]0 `0 k# p0 m U
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
8 ~9 v% U; n0 u" W9 k4 \
| └──2--网页分类案例
8 A$ w' T9 n% I+ C
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
) Z* U B% J/ i2 W5 c; X
| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M
- X; t" y8 [9 l# [3 ^: q9 E
| | ├──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
! p2 i# D, x0 Z/ m$ y# P
| | ├──12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp4 74.74M
; F- N( s: o# K, a4 G
| | ├──2-评估指标ROC和AUC .mp4 56.19M
5 q2 l" G K" C
| | ├──3-评估指标ROC和AUC .mp4 49.03M
" J) z) `8 c, Z( w) r& d
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
; ?- h3 C0 J- s1 A( B" _) ^
| | ├──5-数据导入 .mp4 68.41M
6 d5 r* \* S* P9 ~" z5 Z
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
* @4 f" K& i" R7 v# k* R' |
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
0 X3 W/ ^. V- p1 A: N1 `- r
| | ├──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
9 b) r; K; `+ M9 Z/ M0 W& d6 n
| | └──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
+ b+ n W' j i& }
├──11--机器学习与大数据-海量数据挖掘工具
$ \* [8 D9 U. r0 C+ `0 s+ |
| ├──1--Spark计算框架基础
& H, \* x) E8 S, J' W
| | ├──1-Spark特性_01 .mp4 41.68M
1 K1 H7 b1 U7 @0 u/ k
| | ├──10-分布式计算所需进程 .mp4 26.30M
' U. k; M4 }7 {/ ] A+ V( u
| | ├──11-两种算子操作本质区别 .mp4 56.31M
, } m1 }" m0 X
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
; Q8 C3 R5 S/ z
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
" e# O; g7 o4 `( D$ P) L
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
" u( z4 W) W. l3 D( [$ l
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
8 y1 R8 `' Z0 e+ c& O
| | ├──2-Spark特性_02 .mp4 35.15M
" G) Z( Z6 ^! s: j7 L# _. M
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
1 H3 O9 E7 w+ W W; R
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
( ~& `* K0 ^! h% I2 v: ]( u+ f
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
9 ~& T2 K$ l+ T6 y2 E/ C
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
1 F4 p. ^* v, u
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
8 i7 ]# @ G c6 d# D$ R. ]( D$ X
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
9 l; q" O1 W2 U. g: j
| | └──9-Spark的RDD特性_02 .mp4 33.41M
/ S$ _' M$ @6 t5 T
| ├──2--Spark计算框架深入
$ ?" M' m4 B# |5 G p" d* V
| | ├──1-Spark数据缓存机制 .mp4 54.43M
$ l. g( D/ F M
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
1 a' _; X C0 s7 s* j3 P! H
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
" A5 c$ ~, j+ W% w e
| | ├──12-构建LabeledPoint .mp4 111.08M
, a$ E$ k& ~% P
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
# V3 x/ z7 R- o5 e/ O4 {
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
# u, s3 ? m8 D- p6 g: Y
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
5 I* Z8 |: q) e `! ^( z# t
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
$ D) d9 {, n0 \* x5 h
| | ├──5-Spark术语总结 .mp4 89.66M
4 W p# w+ @8 l5 o
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
' B1 b B& |8 D+ Y
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
" c( Z. _, `9 V4 o% c0 p
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
- }5 a6 k' [9 }# X { D
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
# p$ a% S5 G" l9 ]2 j& O9 G
| └──3--Spark机器学习MLlib和ML模块
* O: G) J8 I( M1 R! X
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
( T- w* J# l) T: ^* p+ X0 V% o
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
; z$ l8 }0 n9 x( W6 G4 j) R: q. ^
| | ├──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
" q1 T6 j* J2 D8 L' A" }
| | ├──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
% n5 h4 Q5 u) Z% I. T8 X" s
| | ├──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
+ A) T6 E" O9 `
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
@: o3 z& C1 Q$ p6 T9 |9 d
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
. l/ V& s' J4 V7 \5 D
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
, j$ g8 B4 K( G9 c9 w7 P
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
. [' q$ n) n7 b5 C
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
& b/ ] V. R+ e( [7 ?: d8 ^, A
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
3 x! m0 G' E2 d {% V
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
5 ^' u, ^$ ~7 z' S7 S5 R
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
, ?' ?* f: B: u8 x, [6 f
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
7 i4 U4 L: F' C! |
| | ├──22-SparkML网页分类案例代码实战续(1)_1 .mp4 143.99M
( W) }- r" @3 d! m5 F- o \" c6 j
| | ├──23-SparkML网页分类案例代码实战续(1)_2 .mp4 143.95M
8 ?) M9 H0 R: l- G
| | ├──24-SparkML网页分类案例代码实战续(2)_1 .mp4 177.12M
, [+ ]+ v1 d, v! h! B) j
| | ├──25-SparkML网页分类案例代码实战续(2)_2 .mp4 99.25M
9 q3 y; j( T" n1 V5 }+ V8 U
| | ├──26-SparkML网页分类案例代码实战续(3) .mp4 9.82M
, d9 K1 R9 {4 {4 q: _- N
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
x9 n6 q2 u0 C" ^, c5 a
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
7 B$ L X2 Y$ [, o; \5 t! v9 u( s) ]1 w* ]
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
$ y$ r5 S. ?% v& o
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
- u S+ S4 |2 D
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
( L: x1 K5 {. p# G q) z" \1 L
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
! Q2 ]: }2 [0 F! n+ g- h
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
$ Z- p% i: V0 M2 T' s- n
├──12--机器学习与大数据-推荐系统项目实战
: }) }8 F8 B6 s# W" ?
| ├──1--推荐系统--流程与架构
8 L/ I3 U8 D( O% n. P* d: K
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
) N: ^5 V9 r4 ]5 S; m5 N
| | ├──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
- `; `4 V5 K8 U& }: Y 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
) _2 g4 q& F- j3 L L9 H
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
$ h3 u; j$ c4 b& l1 x
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
8 d" r) ^2 e2 ]0 R: A ?: G W8 u
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
- G( }+ s5 ^) D4 ]: Q" W
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
: `/ J: j# ~' o- O* b5 C
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
6 P& g; m5 P& m1 t% @. ]
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
+ ^( \0 b9 {$ q% [
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
9 L# ?! T0 {) F1 U# P
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
0 \9 F4 W3 c+ S* V/ ]
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
0 X- i" f2 {( v
| | └──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
- C, q/ R( L8 t9 X/ R7 I
| ├──2--推荐系统--数据预处理和模型构建评估实战
4 \0 w# w0 e+ G! ?& I' k4 V; m
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
4 p. l+ G5 Z) J0 D8 G! q2 I: M3 ^
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
& ]/ ~ q# G2 S* `0 X+ q
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
% V- _3 y+ p# d! R1 u6 }0 a3 ^
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
' H; o3 q8 Y- d. c* ^# @4 L
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
% ]4 U; W9 W$ g' c
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
4 R5 E4 x% R6 u6 l
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
5 J3 b$ r7 i. V3 X9 {3 v* U$ G6 s
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
: T4 ]4 {$ B4 i1 G
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
2 T$ n. }/ ]/ s, q
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
$ s) J7 g& I( T9 a% R& R7 N4 I
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
3 R& r# ]" B7 d! J* k: m
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
b( J x. Q) i5 q, J$ L
| └──3--推荐系统--模型使用和推荐服务
7 v- d1 J- ~7 L
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
! f& _( h& x- v* \, y& |
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
+ \8 z: g' |, U8 d: ]& C
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
4 u- g& L- M7 T7 n
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
1 H0 D& l2 }$ Y* |* s$ l
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
; m$ Y& F; X; d* k( Z2 z$ K
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
2 P/ v; q: H, P) ~
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
; f8 D q3 \0 l) P( ]0 ]
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
* j9 z! V0 g! Q
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
8 }; \' e' Y; K: L) X
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
) I6 f# S! m$ i/ s
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
6 _7 g+ \8 k0 m0 ^2 i& z5 E
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
( o& `* g: N& l: R. @
├──13--深度学习-原理和进阶
3 ~ o* G) \7 r
| ├──1--神经网络算法
: f, {6 ^9 j+ C2 k1 g
| | ├──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
/ X8 _$ r2 g: p2 x$ p" C, [8 V
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
6 {3 B/ D2 U6 P3 s. _, ^0 u/ i+ K
| | ├──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
/ G; l2 v. S; x
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
7 N8 z9 j4 q# G% q: E
| | ├──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
4 f; `' s; C& j
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
) b* d3 F" W# ?
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
( e& z3 `5 R! P9 g
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
0 O1 M: t5 o1 y4 H" M3 {
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
7 ~2 D& ~, e7 A4 x* K' `
| ├──2--TensorFlow深度学习工具
/ J. B% R& h8 b, L" _. n
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
, A5 v6 b, h m/ e6 {1 c
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
; P; m" d" s3 h l6 y+ r4 k
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
. `1 Q$ t, t2 i i; Z
| | ├──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
5 O' N# J( c% ?: ]- [
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
; s8 v( ]# c4 Z9 s+ r- S
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
. M) b4 t* E3 q" b
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
7 O |, c( j$ M% _# D1 K3 A0 P3 o
| └──3--反向传播推导_Python代码实现神经网络
: U" E8 ]- N2 o7 I
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
& V6 a5 O7 }" Q6 k2 Z! d+ \5 p
| | ├──2-反向传播推导(一) .mp4 127.90M
: X9 K; J. H8 h! }5 j' U
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
7 H: V, ^0 N* h7 y4 l3 v5 k
| | ├──4-反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例 .mp4 81.20M
/ c, M: ^& g' ?- P, Q f
| | ├──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
' V4 f$ k) m' E: x! |
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
5 n2 i* r3 E r& r# a8 b
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
! Q; g& x5 {- `8 H7 @7 A0 W' O8 W
├──14--深度学习-图像识别原理
+ y7 R# K$ o n! U# ~
| ├──1--卷积神经网络原理
! N; f1 e B! j" }, Y4 g5 K( n
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
# f$ }7 S& @# K( ]$ d
| | ├──2-单通道卷积的计算 .mp4 104.01M
$ Z0 U# d& v# O; \" J
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
7 y: {" r0 d! C
| | ├──4-卷积层权值共享 .mp4 63.93M
$ f+ v3 h- Y8 P
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
2 R. J% v7 K4 E
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
2 P8 q4 c9 f* _6 k% N7 x. p; c7 ]
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
0 ]8 Q0 T+ M8 e3 }9 O4 @* k6 Y2 W5 h
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
$ f* J- s& d! q K, N
| ├──2--卷积神经网络优化
% G& {1 |4 W8 P4 c2 {( \# W4 }
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
4 ^# a. N |/ W: N3 q% c- N: t
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
; D7 J' C' q; l' [& v U7 e
| | ├──11-Optimizer_Adam .mp4 141.12M
/ R( G$ r( {7 N
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
5 [* Y1 D. T* k3 C9 E
| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M
0 j0 \7 P: s: g' [( I( w. N9 f8 g' ]
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
2 M. P) u9 l" j8 u1 l' R) a
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
/ h: Z6 K2 {- d+ @1 F3 S9 K" \
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
, b1 B2 c2 i; o5 U
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
( s$ x: w% a E0 z- V a
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
8 b% G0 E6 D- H, v# U, W8 k
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
8 t8 a) [4 t$ @" ~1 B
| ├──3--经典卷积网络算法
6 Q0 W" E# H4 D N0 o
| | ├──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
0 O+ f% k' {' h" v; p& Q; P* q/ s
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
# Z: `+ d K7 ^1 M+ c# H
| | ├──3-InceptionV1_V2 .mp4 165.86M
5 `- p. l4 V7 \# x1 e% C
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
( k- v% L' k; a% G1 ~
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
4 Z4 v; V' M( G$ ]' G
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
2 w% l: V9 s0 P5 |6 u3 @
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
8 Y! F* i9 A* ?5 ^& Z
| | ├──8-BatchNormalization .mp4 99.23M
1 V% m/ y; d5 j" ^/ }) `
| | └──9-Mobilenet网络架构 .mp4 150.05M
- [9 r4 A- |( m: w( B3 V2 L; p- B
| ├──4--古典目标检测
# }9 O4 _2 c/ D7 v" O
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
9 G8 z: H# v- b2 `
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
* R) U- P/ c) q' ~9 k6 ?. U/ [
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
- ]- w- U% M# q+ \ _
| | ├──4-R-CNN和SPP-net .mp4 124.06M
2 A/ Y3 a. @. q+ D7 k; m
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
* n6 Z/ d5 L( K# f
| └──5--现代目标检测之FasterRCNN
) ~: f% T! A6 V7 K9 @
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
5 A5 }; v2 W. P% e; p' i H7 Y
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
& r6 P6 K* k' j/ R" J
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
; V6 o# v* o; G3 v- k+ l- Z
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
2 L5 N: Y. y1 P, `, P4 {' f% t% G
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
* Z1 X1 s1 P- j. f& O) O5 O
├──15--深度学习-图像识别项目实战
5 t" P' G6 b; q. I) a
| ├──1--车牌识别
8 `5 Y2 h- i' E/ L+ J H
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
* q+ [2 `. Y' H6 D% w i. i
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
. b7 c, D: P$ C& u3 O
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
4 F- f5 I$ [* T0 U1 ?+ x/ L/ Z
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
7 t# q/ L- L% ]* z A+ H
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
. c/ E& J3 r9 p8 e5 E# E4 E
| ├──2--自然场景下的目标检测及源码分析
" U& u3 \* s* H0 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
1 F0 e! _ ]! D/ L
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
+ b0 y9 z- z9 F, \$ f5 F
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
" {7 P# l2 c* P% t) l: ?
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
Y8 L/ T7 L4 i
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
, a8 v3 u* C8 Q! R; `
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
* x& P# H' o/ l2 z# }' z( e
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
$ N: S: J2 k5 Q
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
. b3 J Q/ T: C m) O f
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
2 Q0 ?- j1 m6 `+ i! m1 {% o$ @
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
. p2 h7 A/ G( g6 B" ]: e
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
5 R% D$ ~7 ^0 j( f/ g
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
1 j8 A) i: B% s- N4 m$ H
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
9 o3 ?* V, d: x1 `
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
) J& q3 @( w) T( f; c4 ~( B
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
6 F5 O* d/ l8 z8 |0 {4 @
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
" r6 Y# V/ G, B- i6 L
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
: W( z a) O( b
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
& C y% u- k5 l- m
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
0 d: N, C7 D, {2 m% j4 e' T9 i$ R
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
+ J# k5 P1 r6 C8 |# \
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
- \! p4 U8 M6 N9 o; _
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
( y. p9 M5 W- x, u
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
1 d# t# k8 r6 H7 J( q/ j* B8 H
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
: Y b Q8 r% G; e. d
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
* x$ O9 z% N% ~5 p' p# |. i' y! k
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
3 T$ ?! T" g- T3 d. e. i# Z
| └──3--图像风格迁移
+ O+ J' P6 v# E, o9 U
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
# N1 i" n+ B% a2 ^6 }
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
, N8 K! o/ C" n6 z9 ^/ Z
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
$ a% c# d/ M5 A+ {* `/ i
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
- G' d7 K9 p% Q8 t( M+ o
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
0 D6 P* E0 ^' \6 W' R1 u
| ├──1--YOLOv1详解
1 V) X4 f& @, S3 m* |* W
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
: I) Z% \; K8 T1 c
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
5 c0 b0 }4 A, C9 k0 H
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
' @8 w; p) [7 {/ X
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
6 r. O1 }. R: Q: c# v
| ├──2--YOLOv2详解
2 @3 q, d2 b7 C8 ?- T2 R: O8 T
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
0 g; n4 q4 }5 G/ z2 S
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
9 \+ Y+ ?1 n; n1 A
| | ├──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
6 J4 r4 n, r3 A, D9 t; t
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
6 h r' W5 p Y1 F% z" J7 x* Q9 }
| ├──3--YOLOv3详解
& n2 I% }9 L4 H5 X3 L0 a5 d; w
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
4 F1 q1 I2 `! O/ Z' r0 J
| | ├──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
, n- k$ z7 d7 J2 ?
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
* A' Z+ I3 ]5 ^, p8 E$ i
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
* K9 Y/ g3 g" P$ J# K
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
u. r% R) Q8 h' m0 O3 p* k3 x
| ├──4--YOLOv3代码实战
6 O C. ]. V+ E( Z
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
; c; }5 U4 v# n. D! I' B
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
) H. C, ]# j( ?5 K8 _& m
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
( s _3 ~3 k, P- q3 ^
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
! p1 h! b# F2 k! s* Y" _
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
, ~. R* E n; W' _/ b0 h0 v' [
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
! r. [9 ~, n$ ^0 [
| └──5--YOLOv4详解
7 P" j1 L8 m9 t4 V2 A3 G5 z
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
9 @! {6 W4 I3 i( D2 I" t( g+ q6 ^
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
: B/ f1 m- Z* ]
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
! K* ^! `5 c" l; }
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
7 K- ]" j; p& }
├──17--深度学习-语义分割原理和实战
e4 j7 j# |5 f: @- w: \
| ├──1--上采样_双线性插值_转置卷积
6 T2 ~6 |; [0 G1 H1 O3 a
| | ├──1-前言 .mp4 19.46M
2 c/ f, R5 ]+ y9 T
| | ├──2-上采样_repeat .mp4 23.90M
5 G& y) k- W, v, e( D! y2 g
| | ├──3-线性插值 .mp4 34.48M
6 F0 G# Q: Y! e/ B2 }" g0 t
| | ├──4-双线性插值 .mp4 125.71M
+ J; e7 [4 c5 T/ C$ \
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
: c Q& \0 S$ W3 {4 E' @
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
) E& {8 L% o+ m7 |
| | ├──7-ROI Align .mp4 58.38M
$ M2 r [ h: U0 s: [: i
| | ├──8-FPN思想与网络结构 .mp4 92.14M
W# @: q; m$ y, t/ K
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
( k; E9 l. R9 A: [5 s3 f& k
| ├──2--医疗图像UNet语义分割
; n/ W7 L9 T/ X2 z0 @" b* d
| | ├──1-语义分割的基本概念 .mp4 18.33M
9 n1 V& F. B& v4 V% ?' l* S
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
; I+ c" p# Y5 q1 l/ x
| | ├──3-UNet网络结构 .mp4 30.41M
; M& L& q6 S* R2 ?
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
; y4 w2 |3 ^9 e
| └──3--蒙版弹幕MaskRCNN语义分割
# Z& U, j. _; y
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
- v, ^, R2 w L) \) U; J( W6 i/ w
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
( d+ E; O" a; |
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
* E. P& L0 k1 R0 o/ j, L
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
+ Y2 V8 g! v+ H; L$ n
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
- g* H( N/ A g) ~$ m" r
| | └──6-MaskRCNN源码config和model .mp4 244.48M
$ L- h. G% g7 R2 S' O# L
├──18--深度学习-人脸识别项目实战
1 D0 _) c# U3 b, A- |7 V0 i. s
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
3 r2 X" _+ `6 j
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
# s6 V9 U' R: Y( R2 G: N6 l
| ├──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
. k9 T& ]4 q. n0 K/ y& B, H, o5 o
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
7 g. e7 O6 V3 T$ A2 l
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
" H3 v- z/ Z/ s4 R% @" o
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
/ s4 y- l" m/ g# }
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
+ s* c1 y7 o3 m6 J/ _
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
4 H0 |" k, H$ e) y; e7 S6 v- m
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
! ^: b7 j5 B6 Y7 D
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
, B7 |8 K1 z+ M% ~& @
| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M
$ v8 w9 g& t! F9 t
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
$ J+ g- O2 L# h& b
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
- A% J8 S9 ^* e# F0 q3 a9 Z9 o" N- K
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
, ^7 A% S9 C2 A2 _7 Y
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
4 k( ~; i- W2 ^+ H' l2 A; Q
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
1 \4 U3 R) k& J7 Q* z5 V5 _- L
| ├──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
( p6 C0 t* `4 {' k
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
' [) c0 \. {! c" |5 B8 S* g
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
( U3 W: F3 e3 Y: w" N! J
├──19--深度学习-NLP自然语言处理原理和进阶
' ~6 H% {/ f' V0 c
| ├──1--词向量与词嵌入
" M. F* C1 f1 c. u' M/ e. w$ ^
| | ├──1-N-gram语言模型 .mp4 116.32M
9 Z- Q6 q$ C+ n/ t1 e* i7 K
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
- D/ a. e* o, d
| | ├──3-词向量的作用 .mp4 58.00M
; V9 @: |) H5 H* _8 ?
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
+ p! h3 e C7 v
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
! N# g% g( O4 W
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
0 ^$ u! H7 L2 D9 K# g( @
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
& f, s9 \& r# U0 B; b
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
) j9 g/ X ?( |$ M ?- v
| ├──2--循环神经网络原理与优化
! ]: o; g3 j) i2 W: _! K! T- H
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
# p0 K& ?! h$ w' w- P. Y
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
$ k" ?' L0 h# j( S+ T
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
4 B% U9 h% D4 B) [8 I
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
8 d) d. s8 J+ R- v4 I; X; J6 n& P
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
, {( W# V- D- A6 [$ _
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
( C; ^2 `2 x3 q5 @
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
) d6 Y# a6 Q: @1 u
| | ├──8-双向RNN_LSTM .mp4 52.01M
, n6 f9 o9 T: z7 D: x& Q
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
) ?/ X/ I; x. f- `! a
| ├──3--从Attention机制到Transformer
4 I$ ]$ {8 ^& G5 f4 d
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
5 ~3 K2 R* y; `* }
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
; }" r) m7 Y- a9 N* ], l, i. [
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
W6 a/ }0 }- @# U3 ~
| └──4--ELMO_BERT_GPT
: v* h" _; @; T/ ^
| | ├──1-ELMO .mp4 62.44M
( G1 b$ k' b2 ?0 w- G, U Y
| | ├──2-BERT理论 .mp4 99.73M
, O6 P7 E; `# \
| | └──3-ERNIE_GPT .mp4 56.34M
" J( t5 x' E: V9 \
├──2--人工智能基础-Python基础
2 D- H% `6 P* W; B& d8 C$ |8 G6 C
| ├──1--Python开发环境搭建
6 a- P. _) f* [' ^4 }+ F
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
( s. w; O$ y7 u
| | ├──2-Miniconda安装和测试 .mp4 57.12M
2 P# P- A8 X& W( u
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
' t) N" F& {* y- u" Q
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
7 P. W1 c) O: r
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
; ^# h- X; Q0 Q7 z
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
u3 [1 }2 D2 T9 l" ^$ S3 J2 u
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
# d: G/ ~9 w; C, o2 a* W1 O
| └──2--Python基础语法
5 w# {5 r j' W: [: @7 x: O0 w& t
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
+ e0 X4 C& d8 I9 G" d" p
| | ├──10-Python_集合操作_列表 .mp4 34.71M
& M5 A- I Z$ M! P4 E3 ?
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
: w. \& R, d; n+ X3 k, S) v* x
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
$ f' D, z# I: h9 d/ ]+ O! G
| | ├──13-Python_集合操作_元组 .mp4 43.46M
8 W1 ^4 ?/ v2 G& C* V1 G! c
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
. m8 h7 `6 Y+ [1 K1 Z' P
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
- O+ F- p' B6 L$ |. i
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
$ P! {5 G4 ~! G& V& Z" o
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
( A+ \0 P2 M1 C+ i+ i5 V
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
4 y& Q2 f# o! G4 D+ C1 \* S
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
% L4 i7 l, q, {! j' ]- U5 s1 ~
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
/ O: q" v' S& C9 ~6 B) y
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
$ s3 d( h1 j# u+ n
| | ├──21-Python_函数_递归 .mp4 23.46M
) [/ B- x. `8 v, U8 i
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
! C& Q: v; Z2 |
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
# Y: z4 T* D( l: A K! H
| | ├──24-Python_函数_闭包 .mp4 41.61M
- U6 O: p/ J8 {) ~
| | ├──25-Python_函数_装饰器 .mp4 30.35M
% Z# s4 L1 c0 f/ c* _7 e! x
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
+ {# z5 n9 k+ s& y" P
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
! e1 l" I3 b+ D
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
8 G1 p o0 f; o5 `5 \4 K% A
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
3 t' j& M- H/ W$ \- R
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
5 G6 F2 X' [7 c& y9 m0 q
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
! }3 y( D. A; v% S- H7 e6 `
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
; D$ f$ `+ z4 I6 U% E8 H
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
0 F: _2 _4 N+ k% v9 {) F) A
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
* n. m2 ]4 v2 a* _
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
% s$ [0 \+ [, O
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
+ c3 ?, G0 F3 M9 A7 ~1 | n
| | ├──8-Python_切片操作 .mp4 40.20M
" Z4 P* q0 L$ s4 Q+ ]6 c
| | └──9-Python_数据类型 .mp4 25.38M
y/ }1 p0 |# G$ ~* m2 p
├──20--深度学习-NLP自然语言处理项目实战
! N7 j3 `, f0 X) M) J* I c
| ├──1--词向量
9 T0 Y1 v/ X6 p( z4 f! I
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
/ S/ {! t& H0 r) L0 ~
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
1 e4 }/ o! t0 l! |' I
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
2 T$ H. [* I/ H- o0 _2 {
| | ├──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
/ f: ^2 a; I1 k$ a
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
8 w q8 P0 T. F+ s
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
2 h% |0 \& @) ~) S+ C5 E
| ├──2--自然语言处理--情感分析
. ^2 ^$ ~: H& V
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
/ L, y- a1 C. x( L& v: K/ \8 u
| | ├──2-数据预处理_01 .mp4 79.65M
: k; c% _' T% U/ S5 @2 w
| | ├──3-数据预处理_02 .mp4 45.68M
" Z4 y/ {3 ?% z0 s
| | ├──4-代码讲解_01 .mp4 52.29M
) G4 v2 o' \5 ?1 D0 G) G7 @6 w8 W/ o
| | ├──5-代码讲解_02 .mp4 60.85M
* X0 t. W' e/ x5 ?5 s2 k6 t! I
| | ├──6-代码讲解_03 .mp4 53.89M
9 ~' [0 S3 v; x5 a( p% p3 S
| | ├──7-代码讲解_04 .mp4 57.19M
" `8 Z! U/ _- }8 \
| | └──8-代码讲解_05 .mp4 35.88M
6 u- u3 D* n/ S X7 P
| ├──3--AI写唐诗
; V1 b) e" W0 k6 h
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
6 W( E9 V3 c! o
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
) j5 `7 R+ c- _5 A7 g9 V
| | ├──3-MultiRNNCell单元 .mp4 38.93M
5 q4 C4 c8 y& [: [; e1 e r. k9 a6 c
| | ├──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 ]: G2 t& K" n
| | ├──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
, e2 p8 W8 z% T& c; \5 W6 s
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
r" w* [7 }6 |; }' |( R
| ├──4--Seq2Seq聊天机器人
0 K2 V& ?& ?: _3 c8 B7 ]2 l; y
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
4 M C. M' o1 {, ~7 X& X) A
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
+ \; p; X$ x' ^5 x
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
* H/ d( g, a9 Q: r% V" I
| ├──5--实战NER命名实体识别项目
% e8 }/ h- K8 Y
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
9 ^1 g' r' z" s/ Z* F, I+ _4 c
| | ├──2-介绍了代码目录结构 .mp4 23.44M
7 t# F2 J- V$ r* |( m
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
4 v v6 C2 i) j' w \
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
1 U. M4 o2 c) j" d0 ]% a, L
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
! v( D# g7 ~$ L' j; m% d+ n
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
$ D& C& x6 v/ z! [5 D; ^
| | ├──7-CRF中的特征函数们 .mp4 125.97M
# l4 ?7 s( ~5 f4 C+ O; N4 [ j
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
2 }3 T6 L# D1 \: y X# ~0 e0 W
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
# _. r7 m9 c7 l! W
| ├──6--BERT新浪新闻10分类项目
' H9 B0 \, T, N
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
: @' z7 E9 D7 C3 D+ z. |% c8 e
| └──7--GPT2聊天机器人
, c" s$ l. B- J5 }& C7 C) W/ G: ?5 }
| | └──1-GPT2闲聊机器人 .mp4 62.28M
2 {# s1 v% z4 Z. D
├──21--深度学习-OCR文本识别
; m& {- F. ?* [* Z0 c
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
1 y2 a$ A# u) V7 ] ~/ B
| ├──10-CRNN项目代码剖析 .mp4 306.48M
, s. |4 y$ u" e1 |) x Q' u
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
8 y+ M# K) f* ?6 |( H& }: u
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
6 h2 [; D7 ^2 C+ p
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
6 r: o! I9 L. M; `7 M1 }
| ├──5-CTC损失函数的理解 .mp4 330.64M
, ~' i# s2 _0 I3 Q; A
| ├──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
: W; B! ^) Z1 _
| ├──7-CTC前向后向算法代码 .mp4 225.41M
, B( h) n9 o* k
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
. T+ P d& d' b; w) a
| └──9-CPTN项目代码剖析 .mp4 491.69M
* F n' I) K9 ]$ H3 [4 r
├──24--【加课】Pytorch项目实战
5 i) K, ]) [- M4 s/ I4 q' P& b
| ├──1--PyTorch运行环境安装_运行环境测试
* |3 I' T# g3 P6 R; p
| | ├──1-PyTorch概述 .mp4 29.29M
9 @+ w' c$ O# t6 m
| | ├──2-PyTorch的安装 .mp4 76.45M
7 m1 O" Q; N( c* m' U' T9 N
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
% X! h3 G/ Z7 v M& y
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
4 ]7 b& @1 k% s2 W, A$ s
| ├──2--PyTorch基础_Tensor张量运算
2 t. P; X7 j) B
| | ├──1-Tensor的创建 .mp4 55.14M
- l. l- M% Z$ w- r I4 J* O4 C# [' m" H+ G
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
- L" k8 C% Q% X. Y% ^
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
& w# D8 Y6 M1 G- o# |0 w. F
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
) T1 y- P! u# Z$ k
| ├──3--PyTorch卷积神经网络_实战CIFAR10
- G: W+ E- j, O
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
5 i- ?2 E: r4 r( F4 V) }
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
) t8 t! e5 w9 D+ e
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
- @# A+ M! h z5 t& o! F( V( c
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
3 T" D6 N: T0 h; ]; }. K- _7 v" y
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
0 m5 x6 s. x, u) f! d7 `
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
+ D* r1 ], h$ _) ~! J
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
4 v' A# N0 h, Q7 e/ E. N" h
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
$ Q# d$ m. l# f: L: ?
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
* P0 d$ p* G& @, e" p
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
( F8 M! U2 x1 H* \8 X
| ├──4--PyTorch循环神经网络_词性标注
8 I2 r! `5 E3 Q3 u H
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
2 ^# I' O8 k# t* F, z% ]7 g& G
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
& {* O7 |. ]/ Q: k2 V' i
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
6 ~) @1 x9 l# c
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
: A( L; D' }* h) w
| └──5--PyTorch编码器解码器_机器翻译
Q* _+ K" U( R3 g/ `6 g" T
| | ├──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 K1 e$ S; a/ [! {
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
( _+ L5 E' W; ]8 [# C5 T- [, |
| | ├──3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器 .mp4 57.69M
# D# Z' F; u) W8 e( z/ P
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
, b" c# d) q- y) v
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
# S# D% x9 J, m4 G+ h6 T
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
- u$ x7 i' x- }- ?/ g. |( h" H
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
" T2 f4 G0 @5 o3 A0 O
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
9 z) i( n1 i3 O9 j+ M) f0 M
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
5 l6 P) J$ D6 I8 y6 y+ b }/ X
| ├──1--PaddlePaddle框架安装_波士顿房价预测
5 A" | |6 [* r- i$ ?1 u1 R3 e
| | ├──1-安装PaddlePaddle .mp4 87.34M
0 p T$ y" W+ a# _* O
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
1 r/ B- ?! Q0 F8 E2 l3 O: h6 l8 R0 a
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
* p1 |5 k5 }& P! p n
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
4 g% {2 E8 a$ v b8 v' Y# B
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
5 J3 }* J$ ^* }/ x$ W5 H
| ├──2--PaddlePaddle卷积网络_病理性近视识别
! X9 e* M4 K1 z1 s
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
. J! ~4 }' X: q5 `9 [1 I, l
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
8 D7 P% G) o, y" R
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
- G y) W1 p7 ^
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
' @2 T" D+ p4 u0 E" y
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
; h, X' h+ ~) n" h
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
' b& H1 z2 q2 i( j
| | ├──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
: L0 A6 @9 X9 l9 h# t, x, b
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
: t3 t3 e9 q8 D% c0 ^5 w
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
' m% j* k+ ~; D4 g2 `
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
" `5 T2 G# e* B' O: v- |
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
0 z1 r8 |3 _9 e4 Z
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
* O2 w5 A# o: a% d5 m- G9 ]
| ├──4--PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss)
2 f. L' Z! O5 y
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
, Y0 w3 ^+ L( {. _4 W: s
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
& A7 b6 q4 l5 X9 F$ n$ U7 ~
| | ├──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
6 i" V) ?/ k& `* f1 U# J* E# G7 T
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
; p2 q2 ^; E, R- _+ f
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
7 u# |5 C/ {5 e; |/ f1 r0 j, x
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
- ]8 B. |2 V( B" [2 ?) d" `
| ├──5--PaddleNLP模块_物流信息提取(BiGRU+CRF)
4 c# y2 l' s& j
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
1 W8 H! P n8 N- @! T$ A! P; C
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
8 [: |8 ?$ a: H: |* m& F8 }& v( v
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
5 w; c# P( ^. O% x1 i: e7 \, z
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
" z' \- `1 y, M# m
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
" N( ?: [, I* i' B
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
# I7 s: y$ b9 V
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
! c t3 C! a) A O+ L# L
| | └──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
/ e8 `; |7 J( f) N+ G: t0 `" j9 Y
| └──6--PaddleNLP模块_物流信息提取(ERNIE版)
/ y. d9 s# D! a8 ^
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
. X/ }; q1 w- J% U# O* u
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
X: ~! Q% \' Y Z5 M0 @
| | ├──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
& v0 r5 ]* Z; I7 s P
| | └──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
0 _- Z4 \! Y+ u# P8 u @
├──26--【加课】Linux 环境编程基础
2 w; u7 j: M4 r' k+ Z& y
| └──1--Linux
1 `1 y0 e6 G3 u" I, C% ^
| | ├──1-Linux_课程介绍 .mp4 3.72M
$ n1 b. t3 W% V5 T
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
! I0 G5 V7 W- h% y9 y
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
9 j1 N. s' Q! z9 r& T
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
6 {( y5 E+ _9 A- c6 C2 p
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
$ c2 P/ D, \# w; \( v0 T
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
. n/ K9 Z9 y8 k/ Q2 u
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
# {$ i2 {# z# _' H0 n# ~9 \
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
2 |8 @' D+ y( n1 D% n
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
. ?" e' j) @7 L1 n
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
# Q" H9 ^; ~, K \5 u/ M
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
j6 e) @' A6 S* q' L
| | ├──2-Linux_Linux简介 .mp4 17.59M
9 c/ L1 y4 }3 K- ?$ _9 e
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
+ J V3 d& z+ B7 b
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
# f- j* v- ^- d8 Q% E# M; ^
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
2 Y: R9 P3 L, a
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
7 I/ V# q B! J3 |
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
4 P2 c: R& d0 ?
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
' l: B+ _6 O: a4 K6 R& y' L$ E
| | ├──26-Linux_安装MySQL .mp4 79.02M
8 z8 d" \8 j( \1 x) V# L
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
+ C: o* s6 }1 i1 x
| | ├──4-Linux_安装Linux .mp4 41.97M
6 n6 V/ V- j }, N* s9 ^" H
| | ├──5-Linux_目录介绍 .mp4 20.31M
$ v8 F6 W2 V. b+ w$ f
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
& B7 }2 |* A3 a+ G3 C# J: R9 b
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
* W. B3 b9 V0 |& f, B$ o
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
T% ?2 i8 r, X( l1 i$ l
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
% c( U e; I" K
├──27--【加课】算法与数据结构
6 B, q! G- L# D/ {0 X, g, J) H7 R
| └──1--算法与数据结构
0 D" w8 U# ^" e& l0 s5 A9 D
| | ├──1-数据结构与算法简介 .mp4 35.68M
7 B3 Y. y. f; j0 f4 ^
| | ├──10-哈希表的基本结构 .mp4 54.34M
l P& q! r- n% a
| | ├──11-哈希表冲突问题 .mp4 75.92M
5 {7 ]4 k$ C C& o4 ]
| | ├──12-哈希表冲突问题2 .mp4 72.30M
7 J1 U# S$ F# A8 B; P
| | ├──13-哈希扩容 .mp4 111.03M
+ M: l3 X3 D: P" `
| | ├──14-递归与栈 .mp4 50.77M
* W9 W+ T d: M/ H; @
| | ├──15-线性查找 .mp4 57.80M
5 h! P! L+ U' m. a; C' `
| | ├──16-二分查找 .mp4 52.32M
9 n" g! B" u" D1 W
| | ├──17-冒泡排序 .mp4 53.19M
* @! W: Z/ Y0 p3 E) M: J
| | ├──18-选择排序 .mp4 43.29M
; f5 D* @' o. u
| | ├──19-插入排序 .mp4 31.39M
" r0 t% L& N) d1 G- Y: o+ x
| | ├──2-大O表示法 .mp4 25.59M
! k8 y2 w; C5 O# t- \! t) Z8 j
| | ├──20-归并排序 .mp4 84.48M
+ i, }" A' O1 d
| | ├──21-快速排序 .mp4 36.63M
9 `8 K; j" ^& {; r, }4 v
| | ├──22-树结构 .mp4 96.85M
0 z, i! Q3 t" o$ H
| | ├──23-树结构的遍历 .mp4 61.05M
+ j# e" b+ `# |4 E/ `+ Y8 `
| | ├──24-最大堆的增加操作 .mp4 45.43M
1 ?) ^( B. h+ d* ^
| | ├──25-最大堆的删除操作 .mp4 45.63M
4 j' }( {+ M8 I Y9 F! L: {
| | ├──26-二叉树的查找 .mp4 100.24M
) G- C% ?- k& ?9 k5 _ R$ @
| | ├──27-二叉树获取最小值 .mp4 25.21M
( ^ O9 o' A) @/ {' ^+ e: p9 I
| | ├──28-二叉树的添加 .mp4 72.66M
+ P( z. f4 Q' f: ~8 h" B- r. a
| | ├──29-二叉树的删除 .mp4 120.06M
$ N, M7 m; f5 X8 t/ I& @
| | ├──3-线性结构 .mp4 53.14M
% ~4 D, K% l& c: M4 c- K( P
| | ├──4-单线链表1 .mp4 68.36M
2 T6 b+ v. {% ^- {
| | ├──5-单链表2 .mp4 221.69M
$ a9 F9 B9 O+ O
| | ├──6-双链表 .mp4 103.57M
) F2 |3 E/ l* Q5 ^- ^. v3 q
| | ├──7-队列(链式) .mp4 74.12M
( F6 F+ S, N5 `& |- g3 A5 c0 M
| | ├──8-队列(线式) .mp4 30.99M
; v$ p7 I' Q+ X# H6 }# v9 K
| | └──9-栈与双端队列 .mp4 28.12M
/ `, e" A6 p, t6 T1 m
├──3--人工智能基础-Python科学计算和可视化
9 q9 @% g1 W: X6 x; s* Y; n% n& D
| ├──1--科学计算模型Numpy
: K6 {' C3 K# x- t( [8 F) d
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
4 L* u; e# E5 R6 l' q+ f
| | ├──2-Numpy_array_arange .mp4 35.45M
! b9 `8 A" _; ]0 n1 P
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
7 ]8 a6 D( \$ X9 t& a
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
: O4 R$ M+ m4 A4 Z" a% ~
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
% r. g% ^4 ^9 I
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
. D0 W _7 Q3 O) S: p: |
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
5 ]( @. ^# ~5 M5 {% d" y0 m0 G5 e
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
0 o; o# O) ]7 J5 ^* W- z% J
| | └──9-Numpy_聚合函数 .mp4 23.68M
* h1 A* w& p! c9 q, v
| ├──2--数据可视化模块
. O7 [& I& y* R# M
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
/ f0 }8 c, Z; s$ @/ k, Z
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
$ _- g# ~1 _# ]& t8 o/ d8 @) b) M
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
, G% e% k8 \+ F! |. V4 A
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
& H4 |4 k& y5 t1 Y$ j# g( ~* C2 D
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
4 F: p5 D. b! A5 _
| └──3--数据处理分析模块Pandas
+ M) f4 W0 M. l* M5 j! n: d0 F
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
# v$ L% Z) Y% h; [
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
" J# K7 r/ k( M) U& M% [" [* n/ B
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
! F7 y5 v+ | b5 Z7 m. z0 P9 f. M
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
2 P8 n, b. |! l, Q
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
$ @3 ?8 b( I0 v: K
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
S$ w6 e- F# ^+ ?- Q6 X
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
5 H2 ]4 m) N1 ]6 f9 J$ H! N' k0 [2 g
├──31--【加课】 强化学习【新增】
8 y/ X7 ?2 k# D# w- D# F
| ├──1--Q-Learning与SARSA算法
* y8 @1 p( X* z2 l# `- {
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
3 r* E" ]! F' b/ x
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
9 M) k+ Q' e N4 ~) C p) |
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
; g% H9 b. t# e$ A
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
9 y7 T" A v" ] a
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
' i k" r# u z( a: ^( L
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
9 v, K/ A3 ?3 H% {/ y- u x
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
! t6 e1 J2 P: n1 D- w/ X
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
3 g% w4 }. d7 k
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
: J6 h& e: b! K( r1 _$ Z" @# |
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
6 N6 S. Z% f# X N/ N
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
1 l" q) d6 Q1 h+ B& x
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
3 W# f# ~( y& h4 ^
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
* d3 [; T8 v g B' {7 c* O! Z8 d
| ├──2--Deep Q-Learning Network
8 j$ M) g6 L% f- ]# ?+ T3 g9 }
| | ├──1-DQN算法思想 .mp4 59.24M
9 c/ q. ~/ d% h. C' E. V# Q/ F
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
7 r1 L* t% J7 H) P7 }, G
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
% S' R' b8 n' b7 c
| | ├──12-DuelingDQN .mp4 88.12M
% P7 O8 e: J( k. G$ C
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
% Y# e9 w6 S% d( q$ h
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
8 ]! K$ O2 p" c- N7 L- u- ^
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
) M3 T& N7 [. \5 I
| | ├──2-DQN算法具体流程 .mp4 56.17M
4 g( P' b/ G+ ^9 v8 C
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
' [5 G( k) Z2 s8 R3 R8 r
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
$ m ?9 k4 O6 I+ t
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
2 R: N+ H2 Z [7 _9 {+ R5 D* {; }
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
* n* A0 l3 [1 ?) B$ r2 G
| | ├──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
& G- R2 K: B% \. Q) b/ N
| | ├──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
& D& m3 n/ y* Z" ^3 I) E8 ?, J3 Y
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
# s. J. [5 ]" w, w
| ├──3--Policy Gradient 策略梯度
9 t9 }6 \, c8 G" m, |* N0 p6 q7 m; q
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
$ p0 E2 j/ j6 j) C5 [) t
| | ├──10-策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战 .mp4 34.22M
* @: Q7 K5 W% `
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
! C Y. i4 I2 t5 X$ w
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
* ?1 M0 g7 c$ D% [/ g4 b. K: a
| | ├──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
- t4 {( `0 w: W$ \
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
- D6 k& I, c. x. L1 d
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
4 A5 i6 x" C1 A. Y% Q! Y) @
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
7 e' E7 l6 m0 O" d
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
/ i O b2 t1 H2 [0 B
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
. G+ J- j; m8 {9 ^0 J0 h
| ├──4--Actor Critic (A3C)
, T i9 j& O3 Y- \4 c7 Y/ v6 e& x
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
# A7 O( v' f! y4 s: k
| | ├──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
% B- f7 D4 R; b5 \9 s/ Y
| | ├──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
/ ~* r8 N% N- j, L3 r# H
| | ├──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
$ c$ c/ E! @5 _ s+ ]4 A
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
4 d; H+ {' n+ h
| | ├──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
: V" }# u3 ]' O
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
4 Q( E8 ?0 F( T8 Y7 [$ E# {* \ b
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
9 w+ O) K& {# ]! }* r; t
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
d+ _( r3 f5 Z) W
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
8 ^7 T0 N- o7 S0 _1 ?
| | ├──6-A3C架构和训练流程 .mp4 74.66M
/ q7 j1 z( X5 O4 ^: A
| | ├──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
! X2 s y- [4 @) P' M/ v
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
6 ?, O" ?( S) x- F. K
| | └──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
9 `% [4 J# d/ m1 l( ~
| └──5--DDPG、PPO、DPPO算法
9 q, e, Y) i8 p. {( R, ]
| | ├──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
+ n) z; \* p; ^0 Q2 b% t* R
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
/ _0 L' M" H7 }1 w3 @: J3 E( z
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
0 T% ~1 _. `# t+ ~$ h
| | ├──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
8 J- c( h; f; r( w/ ~. c
| | ├──13-DPPO分布式PPO .mp4 63.81M
0 h: h/ O1 U( q9 M* z- p. [3 h
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
# a8 f u" q2 ]: l( m
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
0 Y( e$ z) M3 _& |. Z" k. K
| | ├──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
, o" [: q9 i) O" H
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
3 E7 h; j6 i' V$ @3 f- ^8 @( V
| | ├──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
- d! y- f. e" f( M8 P4 u
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
1 Q, D. i- c# m, C+ X1 W' i
| | ├──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 S# o2 O1 u' n. e. h
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
/ e) ^. Y( Z1 T3 A$ |, o! 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
1 T; f: h, \8 S% \) w# I# ]
| | └──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
: z6 u2 l) C. m8 T) [1 A
├──4--人工智能基础-高等数学知识强化
8 Z' [) H0 H3 }9 U: R
| ├──1--数学内容概述
. m( V; L {7 Q$ \% q; q9 R
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
: p0 S [; s1 K
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
; H4 ]0 r& `3 B- e/ i1 E, E
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
' u2 L% W# E& L$ O# ^1 l
| ├──2--一元函数微分学
9 |3 Y: l& H8 G# s: O
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
4 t2 C: ^0 {2 r' O4 A* B- _
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
. o/ _, W6 h5 w
| | ├──3-常见函数的求导公式 .mp4 22.76M
% `9 J7 u, p5 X1 v* }: L
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
/ c7 D W' L7 y; i) Q" C
| | ├──5-复合函数求导法则 .mp4 19.68M
, V* a$ y; a- j. j5 q# ~) l/ ]
| | ├──6-推导激活函数的导函数 .mp4 33.40M
* w0 Z+ R# v/ L* y! [" ~: B+ [
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
& n& \% S8 A O; M
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
$ a1 Z! B6 p w) s
| ├──3--线性代数基础
3 H6 `' s. Z9 B+ u6 R8 C
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
3 s" U" z% V8 `. Y5 E
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
9 N S/ |" J* H' N5 ]* F; m
| | ├──11-矩阵的行列式 .mp4 20.13M
% O% V: _1 K: X; W' J9 ]( J( Z
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
6 G3 l5 A3 R% e4 s& r/ S8 ]9 T
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
: N3 [9 f. U3 H
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
1 S( t, H! v, B
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
' t$ c: G! ]! t3 e
| | ├──6-特殊的向量 .mp4 26.45M
$ \/ ~, q2 ]( d: `
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
( ~0 \/ l: E: t) Y! _: o' P
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
9 f, U; w- K* B/ B+ Y% X+ [6 p! ^, j
| | └──9-矩阵相乘 .mp4 20.02M
- i0 L% K! T0 k- j
| ├──4--多元函数微分学
' G5 U3 N$ L/ K
| | ├──1-多元函数求偏导 .mp4 22.61M
6 r( p* M3 z, T! b
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
% {* ^6 ?# s+ U e. L" b
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
! B4 }+ f. G m2 R$ w2 Z
| | └──4-Hessian矩阵 .mp4 32.93M
3 C7 J/ {' m3 P" U
| ├──5--线性代数高级
& l& ~ h. S4 D0 G" ^* G
| | ├──1-二次型 .mp4 27.70M
8 _, b ~- e3 I8 P4 r8 |
| | ├──10-SVD用于PCA降维 .mp4 24.90M
' G8 f5 u' l9 {. `
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
1 `7 i* H; I7 B% l( F3 x) t6 ]# q
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
* G W/ H. j5 s
| | ├──3-特征值和特征向量(1) .mp4 29.83M
1 j) R2 m9 \" z y+ q4 b# [
| | ├──4-特征值和特征向量(2) .mp4 30.07M
' B! k1 p$ _7 V+ Q1 i2 ?0 Y
| | ├──5-特征值分解 .mp4 38.68M
, K+ u' n, P' D& H2 l3 o
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
* N; k) A$ O9 u' Z& g
| | ├──7-奇异值分解定义 .mp4 22.58M
& U t' k# I/ W/ E- o5 K+ V
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
) e) w$ C* ~% D# L" H* y( o
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
+ ^6 H8 U. w! a8 D+ D* o6 S
| ├──6--概率论
2 p) X, r2 R3 e. J; j
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
' @+ ^6 t+ n" @
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
+ E# {, C* y7 v. k7 Z( [) N! W
| | ├──3-随机变量 .mp4 22.57M
4 `6 ~* T$ W! M# _7 Q- w
| | ├──4-数学期望和方差 .mp4 22.96M
, Q- ^9 ^2 o7 z
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
, b& v/ _* j6 z: F! V9 W L
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
9 X* h9 M, l1 w X# H! _
| | └──7-最大似然估计思想 .mp4 23.42M
z3 F$ y7 I- l5 C: q2 N" `
| └──7--最优化
& E+ M, A( u/ r7 J1 x2 y
| | ├──1-最优化的基本概念 .mp4 35.14M
* o. O" p- {$ B1 v; K+ F5 h& K
| | ├──10-拉格朗日函数 .mp4 27.46M
. \& A! h( f3 c* @& \2 S+ Y5 V
| | ├──2-迭代求解的原因 .mp4 20.15M
& T9 w4 b) i& P7 K: B7 ]
| | ├──3-梯度下降法思路 .mp4 26.33M
; `5 _! q( o9 z
| | ├──4-梯度下降法的推导 .mp4 43.56M
" C3 M. Q" W7 T6 L; r
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
- p' L( X M) ~" H" ?3 }
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
9 ?3 D6 I% ^5 d' Z& V( H* f4 M
| | ├──7-凸集 .mp4 21.90M
: C: e6 d {' y& }' g* L2 T8 `) Q
| | ├──8-凸函数 .mp4 16.93M
8 o4 n7 n- _7 @7 D+ t
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
& F; S! ~7 H3 u
├──5--机器学习-线性回归
3 _# k. z0 `$ f+ _5 ~7 F
| ├──1--多元线性回归
2 q( K6 c. |& _9 B7 a, g, @' s0 J- @
| | ├──1-理解简单线性回归 .mp4 51.11M
+ S6 ~& z( n2 [+ j" J" l( ?
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
4 `( m4 t3 t- P+ c3 t1 v
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
9 A. B" K9 P0 S9 E
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
8 X# W2 `% z b: [ O4 R
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
8 n" s% y1 c( S/ |( g
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
% O" \2 ]1 w- L$ u3 q; G
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
* V/ {2 a$ x2 z3 p
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
3 p! [/ l0 n; }' K0 m
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
# W' Y' d1 k u7 S' t& M
| | ├──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
: g" I. a x/ |. w
| | ├──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
9 m5 y' [8 _ O+ I. _2 o; p
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
/ u( z Z+ y1 L" k8 k% y
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
0 Y6 i$ F7 _5 }' b5 f5 D1 r: A. z
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
# S# H$ S* M H# ~' R
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
& _) q0 u( v6 p% k: T" ]: q
| | ├──3-扩展到多元线性回归 .mp4 32.15M
- d% {' o% W$ Q/ A4 ^6 g8 n# h
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
3 C- u* @3 d; G, S8 b) u7 E
| | ├──5-理解维度这个概念 .mp4 41.41M
; D1 C3 J( z$ m! F z
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
8 O/ _: R$ p; N
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
# p: D4 i( z8 z$ p: ^
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
0 R- h" |- l* E& x% y# z
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
; l3 G3 N* O) @$ }( K
| ├──2--梯度下降法
2 k* `7 `; T# d
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
R. d& F& W& } L
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
U3 t4 i( S3 b' a
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
1 j6 N! F) `, B7 g* H# N
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
0 }3 {4 L" b$ G
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
( ?! U; ^5 r# g' @
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
1 x1 I E9 o& Q2 d
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
% d3 \, ~* v* m0 K/ ]
| | ├──2-梯度下降法公式 .mp4 57.12M
4 s2 W% y Y N) }
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
6 F' y6 K3 y! l ]! V3 o
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
- V/ I; E1 x. V. O7 L" D
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
% z, e8 o& g- J4 [( h4 q; x
| | ├──6-全量梯度下降 .mp4 62.84M
/ Q9 b# ^0 U5 u6 T- T1 V
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
* P9 f. O# q, c3 z% l, {- m0 c4 j
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
7 r9 H8 u- x% A7 H! Y
| | └──9-轮次和批次 .mp4 45.22M
3 m* d3 s$ {% E* j
| ├──3--归一化
5 D+ K( ^- q7 w# D# @
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
" A1 ~9 o4 Q* l. |
| | ├──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
6 J/ L9 q8 _! d+ l& b S3 `
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
; E! j" c6 g. \: G+ l
| | ├──4-最大值最小值归一化 .mp4 24.87M
. }# i- d6 l! Y
| | ├──5-标准归一化 .mp4 51.86M
- ?# g' ?8 t6 M- o1 b
| | └──6-代码完成标准归一化 .mp4 41.13M
# o( a+ n* d( `2 x& T
| ├──4--正则化
; b8 A3 Y8 h$ d! ~' u5 F
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
8 \4 k5 l1 Q$ {
| | ├──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
" z, w3 N9 g4 @3 ~) ~; L' C
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
! F2 A% {4 D$ O& G6 ^* X; s" s: h7 Z
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
3 D% H5 w v* W% F, [
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
9 `2 Y9 L+ `& ~ K: [, X
| └──5--Lasso回归_Ridge回归_多项式回归
# ~7 y4 E; U1 r" l& l
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
, l1 b! A4 l6 l6 y
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
1 p n. R y. m z( U
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
+ A/ I: X7 s; ?8 d2 y
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
3 M6 {6 R l, S9 c7 r
| | ├──2-代码调用Lasso回归 .mp4 28.73M
1 ~( L. M' L9 o: R
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
) |- _6 K+ m; B$ ~+ P8 y' {- h8 ]
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
# W& v% C' G( M0 A& |
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
: p4 v- M1 o7 y
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
( W/ J3 F) t+ V4 P& z
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
* O2 k& r# s, o* S d
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
0 T3 D" w$ O* u7 S/ z* E! W
| | └──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
6 j( c3 X) l" N) y, S$ m
├──6--机器学习-线性分类
" g" \* V: `$ i+ m R
| ├──1--逻辑回归
/ z6 E: J3 t$ V! ]: L8 @, Y; f
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
6 A+ o2 |0 |+ j- \% `
| | ├──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
+ z& y) ?& @. ~+ w: b' I
| | ├──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
+ s% P1 X8 P6 w: B
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
/ f& i; Q; N; L
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M
, V: h! H+ K1 J) N
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
" m% d9 Z' c: q, Z, ^) a& w1 c
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
: ^4 C3 D; V" M( ?9 d
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
& }7 l; q$ K! y! D( O
| | ├──2-sigmoid函数作用 .mp4 38.15M
6 j" @% b$ A* g- S5 u
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
- \5 T8 a& X$ @5 _. I
| | ├──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
1 ~& Q1 C+ d9 E3 ^9 `+ _4 H1 G
| | ├──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
! f9 H2 k( u% z8 b/ v& l
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
; ^% p, U, I$ w9 v: i
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
^; k5 h5 B1 {2 I$ o; R
| | ├──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
8 A6 v. v! ?' F$ P: G% y- J" C
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M
9 o& ~. q! U2 \5 v% k
| ├──2--Softmax回归
& i X2 W. J. Y$ O Z
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
. ?- {# ~8 K4 F- E$ N. Y3 ~
| | ├──10-实战音乐分类器_代码使用傅里叶变换将混音文件进行投影 .mp4 42.74M
* Y& i0 i. y7 r$ h: t0 i; \' D. n- ?1 W
| | ├──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
" f3 S$ `9 p" w G8 f
| | ├──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
. E' e( s3 o( V0 O! p: @. K
| | ├──13-实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题 .mp4 78.03M
# c! `; R. b) y6 F5 D' G5 J2 p% E
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
( C# `: U% e: h1 E2 Y
| | ├──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
$ ]9 y( }9 ]& C* T% o1 \$ C
| | ├──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
! r7 s" F( g! C* _6 ~; }
| | ├──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
Z$ U; L* j- h
| | ├──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
0 }7 u2 v( X) a% w# Y% a/ n
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
& G8 M& C# h' b% j- p9 L# u0 H. h
| | ├──8-实战音乐分类器_探索不同曲风音乐文件的时间频率图 .mp4 52.39M
, \1 P" R! ]- U% u, h
| | └──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
. Y `/ P- J; C3 _
| ├──3--SVM支持向量机算法
* H5 ]% S7 W9 U$ f7 I3 S a* t( t. K
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
2 z3 n! N$ V! m4 z
| | ├──2-SVM的思想 .mp4 55.56M
3 B* p& X/ g7 N
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
- v% v* x6 f5 |5 r
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
7 O5 t1 A& z* U9 b) T+ m5 U
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
. |& o% W5 D+ c' f6 N
| | ├──6-总结硬间隔SVM .mp4 39.01M
- b3 Z7 X7 a" o% n
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
; V. k+ {: i, [0 x- B
| | ├──8-非线性SVM .mp4 54.43M
% ?0 j V7 Y8 [& u/ @
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
+ k" M( P* }- Z( u
| └──4--SMO优化算法
( k" c5 _# f1 G9 w3 J4 X
| | ├──1-SVM算法流程总结 .mp4 58.36M
5 Y7 e! \2 ` q, u3 `) }
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
5 m9 L2 u0 S) g
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
: P8 Y! A5 x5 X! V& p
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
6 V* `" A) `) B
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
% a* [6 z9 r; [8 |# Q0 Y$ X" K9 X; U
| | ├──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
$ Y, B' }- b _) }1 C& a
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
* k/ q& w8 b2 M- a
| | ├──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
7 |; \0 j [2 i4 d* E
| | ├──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
' J/ _. @, [, O
| | ├──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
" V: u1 i' h3 M; W U1 Z! D
| | ├──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
* i s9 W$ {: d, d) C0 k0 _ O$ z7 f) ]
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
5 V; d3 P; Q; z
| | ├──7-启发式选择两个α .mp4 23.11M
) C0 ]5 I' S* @
| | ├──8-如何计算阈值b .mp4 50.18M
7 t# q1 h2 Y1 C" D+ F
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
& h$ J* r( U* V3 B6 }1 a4 x& j
├──7--机器学习-无监督学习
9 G' ?' L) m" v) Z: b, L$ t
| ├──1--聚类系列算法
% T0 h- E& k9 k% g( d
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
, u6 b) h! x' X! L( x+ ?
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
3 ~2 p' l6 o e7 ^4 p4 Y7 G# Y
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
: O- c4 C1 L0 W& n* ?, I. C x
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
5 a& S" s4 v8 @( B
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
2 u/ I4 ^7 t0 f) B1 w. _
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
m! K0 R/ o1 e+ F4 r1 b4 W! q
| ├──2--EM算法和GMM高斯混合模型
$ \2 n, k4 d) u5 J
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
1 @) q1 A9 ?" K5 L: i
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
# [4 \! E. W7 |1 D n- d5 r% b
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
* ?: |1 L' z- C) ]/ H8 ]- z& B
| | ├──4-Jensen不等式的应用 .mp4 109.17M
+ J0 W9 @5 _- I. V6 n* x; h4 Q
| | ├──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
0 c7 d" l v1 ]/ K9 {0 _
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
% y f: D: ^- i+ m0 L( f
| | ├──7-GMM前景背景分离 .mp4 16.01M
" Q0 k1 N2 S6 B8 j
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
7 N ^& m6 Q$ j# I) h" v9 c0 }
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
( q/ M: I/ M9 [' n3 n
| └──3--PCA降维算法
0 N% {9 ~ M4 ^5 ?5 M; C! P# U
| | ├──1-特征选择与特征映射 .mp4 49.38M
4 |& t0 ^1 c. q, m; c3 ^3 J* K
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
7 T9 d1 a7 G! }0 \" O/ c8 |3 Y
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
2 N# D- b& j L+ ~& C
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
0 e& l7 h; F# B! c/ v; m6 T
| | └──5-PCA的几种应用 .mp4 54.58M
. V9 V0 J4 w: T# W5 }
├──8--机器学习-决策树系列
: _& @ u/ R: G3 Q# m) I- E, z
| ├──1--决策树
. ~ H% E8 h1 s1 ~# w: ~
| | ├──1-决策树模型的特点 .mp4 74.88M
( z: d: q! m4 {0 @
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
9 w3 K$ @5 }, o& X: i' C$ \9 a
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
3 U( G4 b6 {2 [# i
| | ├──12-后剪枝的意义 .mp4 50.49M
+ L; N7 X' U; i- y3 p! E
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
6 o' L c) T& R- L2 f
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
; g* t/ R3 g2 {# _
| | ├──2-决策树的数学表达 .mp4 89.94M
?: n% E) Z$ X/ Z6 S# V3 y
| | ├──3-如何构建一颗决策树 .mp4 84.87M
0 C7 w7 N' t# I2 F4 t7 a0 }: W
| | ├──4-什么是更好的一次划分 .mp4 57.02M
* s) {: Y! a$ S. }: v) i3 m
| | ├──5-Gini系数 .mp4 107.54M
; G. d6 N7 x+ h* A1 h& w& f
| | ├──6-信息增益 .mp4 75.26M
8 `' F R) _7 }& H O3 d2 \
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
& _' s8 Y7 i, h& i# s5 h6 K
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
- [. h3 W' u" [; j: @$ t7 L
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
" k! B7 x! q( ^) Y
| ├──2--集成学习和随机森林
4 F- H, t6 u4 u6 ]
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
+ ~9 D- f3 a! ?' K8 C0 [
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
- @/ C0 H' |# D1 f
| | ├──3-随机森林 .mp4 108.14M
3 A" r1 f: V5 z+ o0 o
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
7 {3 e4 c) ^( H
| | ├──5-OOB袋外数据 .mp4 106.07M
7 w" X i& o6 \! e: X
| | ├──6-Adaboost算法思路 .mp4 106.30M
2 p5 H; l- D3 l; i2 v% Z8 t7 t" i
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
; t8 G# W+ k ?7 U4 ^5 X7 ~
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
7 M `9 K! D1 E; x
| ├──3--GBDT
u, h. S% r& V, k: L1 q7 W
| | ├──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
0 w: b! F2 `# a5 e5 ]4 V
| | ├──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
3 X" G: f6 x5 ]% ], u! x9 ?# Y
| | ├──11-GBDT多分类流程 .mp4 73.80M
. ] H" Z) x: j* l
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
6 a4 B' G' Z6 m: b0 Y* b% C
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
: p2 X; y) ]- L: k$ _$ H
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
, Z G7 M B- h! x0 z( w
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
0 M6 w- j* }4 P _
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
; U/ Y2 l0 g! s" |- X$ \( U
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
% E. O; m: O: k3 o, Z! ]
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
; K1 Q6 R2 ^5 `& J, m! w
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
) \8 `9 E6 o& R
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
8 C* v. ^9 e* y) F! d4 H
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
" |5 J# `! g5 u% S/ A$ x
| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M
# F4 ^2 ~ \) U, F; F1 w, F {
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
% Y* F* I1 X2 v' S7 f# U
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
* o) O0 c5 C% w
| | ├──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
7 B- j" B7 Q$ n* m! i
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
" P; C- N* F+ L; o( F
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
, i9 V E1 n; L# R
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
- `; u6 F( B% S& T3 t
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
4 u) B# Q8 s) w5 X P& j2 Z2 C: @+ R
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
2 a- @3 t! x) {7 O3 s( m! v1 v7 ~* r* J
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
7 V: J( \8 m9 e% H8 a, G8 f5 j" e
| └──4--XGBoost
' q" n" {3 L9 ^2 K5 V
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
/ _2 D8 Z! {# U7 c, |2 B
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
1 z# h6 V$ M8 d: d0 r
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
2 k9 Q5 L' Z9 c4 t* y; X- w
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
; J4 b6 | b" X1 V( c: b6 ~6 T
| | ├──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
/ O6 _" ]1 P+ b5 {4 y# D$ \+ F
| | ├──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
3 l& q1 w- U! `6 H/ y* s
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
8 \3 z1 N3 P6 c! b2 y( s
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
. V6 G: ]0 H7 a+ g% K
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
5 F4 l2 _8 o7 k9 K; s# C
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
' N8 ?+ t+ F+ ]: [2 f
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
1 v- j1 I$ v0 ^7 n! R( T' k4 }
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
; ^# M% h, w5 g1 @5 f5 t. j+ o# D, _. y
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
3 j+ g; M! b2 r8 o1 o' C6 O
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
0 b$ E/ Q4 j* K! q- x; n9 }# D2 y
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
* t9 D, L% ~" ^4 K5 r6 t
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
* j7 U# u! U$ \9 S9 o5 a
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M
% N$ A1 u1 T; T% r4 r' ~5 |
├──9--机器学习-概率图模型
+ D7 Y$ m9 e6 }( s
| ├──1--贝叶斯分类
9 D B- m$ F+ u
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
4 y+ @0 x8 ]) y& f* Q8 }/ T
| | ├──2-TF-IDF .mp4 53.08M
' G5 x, I. k p( K
| | ├──3-NB代码实现解析 .mp4 126.73M
1 b5 N g8 g" D( e" j
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
. |# t1 G) k, f* P
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
7 r S- G- D9 y; i$ l3 o8 F4 F, m
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
; Q6 f% g/ b% }, ]' Q' I
| ├──2--HMM算法
- R* J9 |" _ {
| | ├──1-HMM隐马的定义 .mp4 36.82M
! B; I0 j0 p/ _. \) x9 A2 a
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
) d/ V9 K+ r6 o! c
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
! L- i3 b: O' T) a9 {
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
# I C, ]& A, N l
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
2 j& w- o0 }3 S% W
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
5 L/ s( ?; X2 s+ V
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
0 @0 v* T7 b& d. x+ z, ^+ L
| | └──8-Viterbi算法代码实现 .mp4 42.43M
5 {6 Q3 {1 @- I" R) G4 L& @( }6 ~
| └──3--CRF算法
$ C; }. e8 Q& ]! M' O
| | ├──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
" _# l$ }' u+ P5 n% z- T* }! k
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
2 h" X. S% G0 I3 v
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
7 k% v" n3 K3 o( h
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
! ?, r' H$ W v+ G
| | ├──5-CRF的目标函数 .mp4 23.74M
; v. ^! \5 }% k7 y1 A. r6 W
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
o* k: P* y& t% }( Z4 j+ S/ T7 E% L
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
" ?+ Q8 l* I& R, v2 [) ~$ c( g: ]
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
& J/ e% W6 v# l) D
└──课件.zip 2.54kb
) W/ Y3 x* d: Q9 g
( v' b$ l- T) d6 R: A8 O0 c
" M5 U6 @* W3 A: ?4 O8 S
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!
4 b1 s2 a* n' |
# S4 g2 A! o4 H; ]- S3 o
K6 `; R7 I# B: S5 o X/ ~
作者:
5s7997fg2n
时间:
2023-9-16 21:48
太给力的学习资源,非常感谢 www.cx1314.cn
作者:
ujv59204f5
时间:
2023-9-16 23:14
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
作者:
ia8w95a305
时间:
2023-9-16 23:21
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
作者:
lus4hh46c2
时间:
2023-9-17 04:46
IT学习者必备啊,我是2年工作者,这里的资源很符合企业条件,强烈推荐!!!
作者:
28te2ykbi5
时间:
2023-9-17 05:08
我是Java初学者,开心,会员是永久使用。找了几天终于找到这资源了,感谢分享!
作者:
0h5d7edrtj
时间:
2023-9-17 05:08
6666666,确实不错,比其他地方好。开了VIP,爽歪歪~
作者:
9r1d81ohvl
时间:
2023-9-17 05:13
厉害了,好资源,谢谢博主
作者:
e7drkgq901
时间:
2023-9-17 05:15
谢谢 程序源码论坛 www.cx1314.cn 帮我这小白收集此资源,我开了个荣耀会员,每天来逛逛!
作者:
r2e97fjqy6
时间:
2023-9-17 05:18
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
作者:
7pxxc7ylhh
时间:
2023-9-17 05:18
牛批啊,这么多好东西,美滋滋
作者:
1tip52w6r8
时间:
2023-9-17 05:21
反正给力,太激动了,无法HOLD啦 >_<......多来这里收藏。
作者:
82699y4j16
时间:
2023-9-17 05:29
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
作者:
qa5ii6n54f
时间:
2023-9-17 05:34
真的给力!其他地方的太贵了,这里实惠且优质,早点来这里就好了
作者:
3i29o2800i
时间:
2023-9-17 05:36
这套资源不错,我是荣耀vip,全部免费下载,强烈顶下,我会常来这里的!
作者:
qga9ce4qek
时间:
2023-9-17 05:36
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
作者:
le3d8b7322
时间:
2023-9-17 05:36
太给力的学习资源,非常感谢 www.cx1314.cn
作者:
beg6bj065x
时间:
2023-9-17 05:44
厉害啊!程序源码论坛真是IT必备学习平台,学这些干货就够了!
作者:
0us1txa0nl
时间:
2023-9-17 05:45
谢谢博主,收藏了,学习一下
作者:
56652dz521
时间:
2023-9-17 05:46
厉害啊!程序源码论坛真是IT必备学习平台,学这些干货就够了!
作者:
ht284xt2db
时间:
2023-9-17 05:56
这套资源不错,我是荣耀vip,全部免费下载,强烈顶下,我会常来这里的!
作者:
09p92jdokc
时间:
2023-9-17 05:57
厉害啊!程序源码论坛真是IT必备学习平台,学这些干货就够了!
作者:
91cz779w6h
时间:
2023-9-17 05:58
真的给力!其他地方的太贵了,这里实惠且优质,早点来这里就好了
作者:
41d1juqkhn
时间:
2023-9-17 05:59
IT学习者必备啊,我是2年工作者,这里的资源很符合企业条件,强烈推荐!!!
作者:
rb4rd9a2fl
时间:
2023-9-17 05:59
谢谢博主,收藏了,学习一下
作者:
us8717p9cp
时间:
2023-9-17 06:00
自从开了永久VIP,全站资源下的太爽了!哎呦我去,快存不下了,QAQ
作者:
i860wz4955
时间:
2023-9-17 06:03
相见恨晚,终于发现一个即便宜又牛逼的论坛了,真心不错!花几百开的其他平台的会员,没这里好...
作者:
397jcmppn9
时间:
2023-9-17 06:10
都是最新精品好资源,在这里我想要的基本上都有,希望一直更新下去!~~~
作者:
gd046vs219
时间:
2023-9-17 06:12
不错收下了,www.cx1314.cn 在这里开会员确实值
作者:
of5soo3gh2
时间:
2023-9-17 06:12
真的给力!其他地方的太贵了,这里实惠且优质,早点来这里就好了
作者:
07g0ap77fk
时间:
2023-9-17 06:15
相见恨晚,终于发现一个即便宜又牛逼的论坛了,真心不错!花几百开的其他平台的会员,没这里好...
作者:
8z978j4kz3
时间:
2023-9-17 06:19
我发现这里没有垃圾资源,都是精心筛选的好东西~我工作3年的人,来这里找资源提升
作者:
187snm6hs8
时间:
2023-9-17 06:22
相见恨晚,终于发现一个即便宜又牛逼的论坛了,真心不错!花几百开的其他平台的会员,没这里好...
作者:
w7h8b1e98a
时间:
2023-9-17 06:28
谢谢 程序源码论坛 www.cx1314.cn 帮我这小白收集此资源,我开了个荣耀会员,每天来逛逛!
作者:
2293040tt1
时间:
2023-9-17 06:38
厉害了,好资源,谢谢博主
作者:
i60hh9syjw
时间:
2023-9-17 06:40
我发现这里没有垃圾资源,都是精心筛选的好东西~我工作3年的人,来这里找资源提升
作者:
sm2e0nm7a2
时间:
2023-9-17 06:41
谢谢博主,收藏了,学习一下
作者:
m98s17y973
时间:
2023-9-17 06:41
这套资源不错,我是荣耀vip,全部免费下载,强烈顶下,我会常来这里的!
作者:
770njlx677
时间:
2023-9-17 06:54
这套资源不错,我是荣耀vip,全部免费下载,强烈顶下,我会常来这里的!
作者:
69hhx85e2y
时间:
2023-9-17 07:07
希望 程序源码论坛 www.cx1314.cn 越做越好,我支持此平台!
作者:
h2dh43dqij
时间:
2023-9-17 07:14
太给力的学习资源,非常感谢 www.cx1314.cn
作者:
3w39qn3w7x
时间:
2023-9-17 07:24
反正给力,太激动了,无法HOLD啦 >_<......多来这里收藏。
作者:
167uu0r5hr
时间:
2023-9-17 07:42
厉害啊!程序源码论坛真是IT必备学习平台,学这些干货就够了!
作者:
199sjem1el
时间:
2023-9-17 07:43
自从开了永久VIP,全站资源下的太爽了!哎呦我去,快存不下了,QAQ
作者:
848063v6m0
时间:
2023-9-17 07:45
谢谢博主,收藏了,学习一下
作者:
75zs5qzs19
时间:
2023-9-17 07:46
真的给力!其他地方的太贵了,这里实惠且优质,早点来这里就好了
作者:
wt2s4p9q52
时间:
2023-9-17 07:47
厉害啊!程序源码论坛真是IT必备学习平台,学这些干货就够了!
作者:
l170jfu8y4
时间:
2023-9-17 08:02
自从开了永久VIP,全站资源下的太爽了!哎呦我去,快存不下了,QAQ
作者:
4h38qbmky6
时间:
2023-9-17 08:09
我发现这里没有垃圾资源,都是精心筛选的好东西~我工作3年的人,来这里找资源提升
作者:
9a0b74ba29
时间:
2023-9-17 08:12
真的给力!其他地方的太贵了,这里实惠且优质,早点来这里就好了
作者:
f9cc62ut16
时间:
2023-9-17 08:17
6666666,确实不错,比其他地方好。开了VIP,爽歪歪~
作者:
jinxieqing
时间:
2024-2-5 15:40
非常感谢
作者:
Billlee
时间:
2024-2-22 09:54
如何下载?
作者:
itlan
时间:
2024-3-31 15:43
太给力了,感谢分享
作者:
醉醉
时间:
2024-4-1 12:36
楼主加油,看好你哦,我会常来,此
www.cx1314.cn
源码论坛是我每天必逛的网站!
) }7 S- y2 Y( K
作者:
kai2524554088
时间:
2024-4-2 11:44
太给力的学习资源,非常感谢
作者:
fludia
时间:
2024-4-7 10:42
3 F7 c& G$ `, U0 K
这套资源不错,太给力了,谢谢楼主
欢迎光临 程序源码论坛-1024 (http://www.cx1314.cn/)
Powered by Discuz! X3.3