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
|   |   ├──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
|   |   └──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  
|   |   ├──1-人工智能常见流程 .mp4  89.62M
|   |   ├──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
|   |   └──5-无监督机器学习任务与本质 .mp4  50.15M
├──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  
|   |   ├──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
|   |   ├──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
|   |   ├──5-数据的预处理 .mp4  111.81M
|   |   ├──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  
|   |   ├──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
|   |   ├──3-评估指标ROC和AUC .mp4  49.03M
|   |   ├──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-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
├──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  
|   |   ├──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
|   |   ├──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
|   |   ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4  44.12M
|   |   ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4  41.91M
|   |   ├──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
|   |   ├──4-回顾hadoop讲解shuffle .mp4  35.80M
|   |   ├──5-分布式计算框架Shuffle的原理_01 .mp4  46.22M
|   |   ├──6-分布式计算框架Shuffle的原理_02 .mp4  44.94M
|   |   ├──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-Spark的RDD特性_02 .mp4  33.41M
|   ├──2--Spark计算框架深入  
|   |   ├──1-Spark数据缓存机制 .mp4  54.43M
|   |   ├──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
|   |   ├──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
|   |   ├──4-Spark宽依赖和窄依赖_03 .mp4  28.03M
|   |   ├──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
|   └──3--Spark机器学习MLlib和ML模块  
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──21-SparkML机器学习库代码实战讲解_2 .mp4  169.53M
|   |   ├──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
|   |   ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4  177.12M
|   |   ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4  99.25M
|   |   ├──26-SparkML网页分类案例代码实战续（3） .mp4  9.82M
|   |   ├──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
|   |   ├──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
|   |   └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4  145.67M
├──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
|   |   ├──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
|   |   ├──4-推荐系统_协同过滤_2 .mp4  61.36M
|   |   ├──5-推荐系统_协同过滤_3 .mp4  60.51M
|   |   ├──6-推荐系统_协同过滤_4 .mp4  56.16M
|   |   ├──7-推荐系统架构_实时_离线_1 .mp4  100.65M
|   |   ├──8-推荐系统架构_实时_离线_2 .mp4  104.74M
|   |   └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4  77.80M
|   ├──2--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
|   |   ├──10-MLlib调用算法计算模型文件并存储_2 .mp4  93.65M
|   |   ├──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
|   |   ├──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-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
|   |   ├──6-spark构建特征索引_标签列_2 .mp4  91.86M
|   |   ├──7-spark构建特征索引_标签列_3 .mp4  97.86M
|   |   ├──8-spark构建特征索引_标签列_4 .mp4  98.61M
|   |   └──9-MLlib调用算法计算模型文件并存储_1 .mp4  99.64M
|   └──3--推荐系统--模型使用和推荐服务  
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──7-使用Dubbo将推荐系统做成服务_1 .mp4  82.21M
|   |   ├──8-使用Dubbo将推荐系统做成服务_2 .mp4  103.88M
|   |   └──9-使用Dubbo将推荐系统做成服务_3 .mp4  119.95M
├──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
|   |   ├──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
|   |   ├──8-隐藏层激活函数必须是非线性的 .mp4  21.95M
|   |   └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4  155.50M
|   ├──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
|   |   ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4  120.73M
|   |   ├──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-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
|   |   └──7-TF实现DNN来识别MNIST手写数字 .mp4  132.73M
|   └──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
|   |   ├──2-反向传播推导(一) .mp4  127.90M
|   |   ├──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
|   |   ├──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
|   |   ├──6-python实现神经网络训练代码讲解(一) .mp4  84.17M
|   |   └──7-python实现神经网络正向反向传播训练 .mp4  112.23M
├──14--深度学习-图像识别原理  
|   ├──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
|   |   ├──2-单通道卷积的计算 .mp4  104.01M
|   |   ├──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
|   |   ├──7-池化的概念和TF中的API的操作与参数 .mp4  64.09M
|   |   └──8-经典的CNN架构和LeNet5 .mp4  137.21M
|   ├──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
|   |   ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4  121.41M
|   |   ├──11-Optimizer_Adam .mp4  141.12M
|   |   ├──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
|   |   ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4  125.88M
|   |   ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4  104.08M
|   |   ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4  42.02M
|   |   ├──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
|   |   └──9-Optimizer_SGD_Momentum .mp4  89.70M
8 t8 a) [4 t$ @" ~1 B|   ├──3--经典卷积网络算法  
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   └──9-Mobilenet网络架构 .mp4  150.05M
|   ├──4--古典目标检测  
|   |   ├──1-图像识别任务_古典目标检测 .mp4  196.48M
|   |   ├──2-使用OpenCV调用分类器找到目标框 .mp4  98.21M
|   |   ├──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
|   |   └──5-从FastRCNN引入FasterRCNN .mp4  120.81M
|   └──5--现代目标检测之FasterRCNN  
|   |   ├──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
|   |   ├──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
|   |   ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4  86.40M
|   |   ├──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
|   ├──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
|   |   ├──10-FasterRCNN代码_构建head .mp4  67.56M
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4  78.02M
|   |   ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4  114.63M
|   |   ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4  100.02M
|   |   ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4  57.32M
|   |   ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4  53.41M
|   |   ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4  74.40M
|   |   ├──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
|   |   ├──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
|   |   ├──6-回归整体训练流程_详解读取数据blob_01 .mp4  81.18M
|   |   ├──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
|   |   └──9-回归整体训练流程_详解读取数据blob_04 .mp4  64.48M
|   └──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
|   |   ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4  85.15M
|   |   ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4  75.40M
|   |   └──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-YOLOv1论文详解_算法特点介绍 .mp4  179.69M
|   |   ├──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
|   |   └──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
|   |   ├──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
|   ├──3--YOLOv3详解  
|   |   ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4  86.51M
|   |   ├──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
|   |   ├──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
|   |   └──5-YOLOv4论文概述_BOS_BOF .mp4  297.31M
|   ├──4--YOLOv3代码实战  
|   |   ├──1-YOLOv3代码剖析_项目介绍 .mp4  157.02M
|   |   ├──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
|   |   ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4  144.69M
|   |   └──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  
|   |   ├──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
|   |   ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4  216.07M
|   |   └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4  220.91M
├──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-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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   ├──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
|   |   ├──3-MaskRCNN网络架构回顾 .mp4  151.34M
|   |   ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4  239.08M
|   |   ├──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
|   ├──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
|   ├──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
|   ├──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
|   ├──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
|   ├──3-人脸识别项目代码整体结构 .mp4  30.40M
|   ├──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  
|   |   ├──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
|   |   ├──4-CBOW模型思想和计算过程 .mp4  196.59M
|   |   ├──5-Skip-gram模型思想和计算过程 .mp4  44.35M
|   |   ├──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
|   |   └──8-负采样和负采样应用到CBOW模型上 .mp4  66.07M
|   ├──2--循环神经网络原理与优化  
|   |   ├──1-理解RNN循环神经网络拓扑结构 .mp4  122.64M
|   |   ├──2-理解RNN循环神经网络计算流程 .mp4  55.91M
|   |   ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4  127.75M
|   |   ├──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
|   |   ├──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
|   |   ├──8-双向RNN_LSTM .mp4  52.01M
|   |   └──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  
|   |   ├──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  
|   |   ├──1-ELMO .mp4  62.44M
( G1 b$ k' b2 ?0 w- G, U  Y|   |   ├──2-BERT理论 .mp4  99.73M
|   |   └──3-ERNIE_GPT .mp4  56.34M
├──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
|   |   ├──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
|   |   ├──6-Conda虚拟环境创建与Python模块安装 .mp4  73.12M
|   |   └──7-关联虚拟环境运行代码 .mp4  38.14M
|   └──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
|   |   ├──10-Python_集合操作_列表 .mp4  34.71M
|   |   ├──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
|   |   ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4  22.40M
|   |   ├──16-Python_os模块_shutil模块 .mp4  51.54M
|   |   ├──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
|   |   ├──2-Python_控制语句_单双分支 .mp4  50.66M
|   |   ├──20-Python_函数_默认参数_可变参数 .mp4  24.47M
|   |   ├──21-Python_函数_递归 .mp4  23.46M
|   |   ├──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
|   |   ├──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-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
|   |   ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4  32.00M
|   |   ├──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
|   |   ├──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
|   |   └──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  
|   |   ├──1-回顾了词向量里面训练的Topology .mp4  121.72M
|   |   ├──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
|   |   ├──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--自然语言处理--情感分析  
|   |   ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4  71.10M
|   |   ├──2-数据预处理_01 .mp4  79.65M
|   |   ├──3-数据预处理_02 .mp4  45.68M
|   |   ├──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
|   |   ├──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
|   |   ├──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  
|   |   ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4  118.79M
|   |   ├──2-Seq2Seq版Chatbot的数据预处理 .mp4  93.85M
|   |   └──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  
|   |   ├──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-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
|   |   ├──6-BiLSTM-CRF模型的预测代码 .mp4  64.10M
|   |   ├──7-CRF中的特征函数们 .mp4  125.97M
|   |   ├──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
|   ├──6--BERT新浪新闻10分类项目  
|   |   └──1-BERT新浪新闻10分类项目 .mp4  104.54M
|   └──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
├──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
|   ├──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
|   ├──4-总结理解深度学习文字识别架构 .mp4  121.59M
|   ├──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  
|   ├──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
|   |   └──4-Jupyter关联PyTorch运行环境 .mp4  31.22M
|   ├──2--PyTorch基础_Tensor张量运算  
2 t. P; X7 j) B|   |   ├──1-Tensor的创建 .mp4  55.14M
|   |   ├──2-修改Tensor的形状_索引操作 .mp4  76.51M
|   |   ├──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
|   ├──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
|   |   ├──5-使用全局平均池化_使用LeNet模型 .mp4  40.97M
|   |   ├──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
|   ├──4--PyTorch循环神经网络_词性标注  
|   |   ├──1-PyTorch词性标注_构建数据和词索引号 .mp4  28.07M
|   |   ├──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
|   |   ├──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
|   |   └──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】  
|   ├──1--PaddlePaddle框架安装_波士顿房价预测  
|   |   ├──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
|   |   └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4  43.72M
|   ├──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
|   |   ├──2-预测病理性近视_模型训练 .mp4  86.66M
|   |   ├──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
|   |   ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4  133.78M
|   |   ├──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)  
|   |   ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4  69.65M
|   |   ├──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
|   |   └──6-车牌识别项目_车牌识别模型导出及预测 .mp4  75.61M
|   ├──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
|   |   ├──2-PaddleNLP_物流信息提取项目介绍 .mp4  48.01M
|   |   ├──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）  
|   |   ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4  49.47M
|   |   ├──2-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  
|   └──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
|   |   ├──15-Linux_常用命令_vi、vim .mp4  30.63M
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──25-Linux_文件的压缩与解压缩处理 .mp4  43.12M
|   |   ├──26-Linux_安装MySQL .mp4  79.02M
|   |   ├──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
|   |   ├──5-Linux_目录介绍 .mp4  20.31M
|   |   ├──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
|   |   ├──8-Linux_常用命令_cd命令 .mp4  8.15M
|   |   └──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  
|   └──1--算法与数据结构  
|   |   ├──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
|   |   ├──11-哈希表冲突问题 .mp4  75.92M
|   |   ├──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
|   |   ├──15-线性查找 .mp4  57.80M
5 h! P! L+ U' m. a; C' `|   |   ├──16-二分查找 .mp4  52.32M
|   |   ├──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
|   |   ├──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
|   |   ├──25-最大堆的删除操作 .mp4  45.63M
|   |   ├──26-二叉树的查找 .mp4  100.24M
|   |   ├──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
|   |   ├──6-双链表 .mp4  103.57M
|   |   ├──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
├──3--人工智能基础-Python科学计算和可视化  
|   ├──1--科学计算模型Numpy  
|   |   ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4  39.89M
|   |   ├──2-Numpy_array_arange .mp4  35.45M
|   |   ├──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
|   |   ├──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
|   |   ├──7-Numpy_数组的切分和转置 .mp4  28.34M
|   |   ├──8-Numpy_算术运算_向上向下取整 .mp4  34.59M
|   |   └──9-Numpy_聚合函数 .mp4  23.68M
|   ├──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
|   |   ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4  37.73M
|   |   ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4  52.15M
|   |   ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4  29.54M
|   |   └──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
|   |   ├──4-Python_Pandas_获取DataFrame对象的值 .mp4  28.31M
|   |   ├──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
|   |   └──7-Python_Pandas_拼接和合并 .mp4  44.84M
├──31--【加课】 强化学习【新增】  
|   ├──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
|   |   ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4  59.84M
|   |   ├──3-详解Q值和V值以及它们之间关系 .mp4  82.69M
|   |   ├──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
|   |   ├──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  
|   |   ├──1-DQN算法思想 .mp4  59.24M
|   |   ├──10-DoubleDQN缓解over-estimate .mp4  44.14M
|   |   ├──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
|   |   ├──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
|   |   ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4  96.70M
|   |   ├──4-代码实战DQN_Agent和Env整体交互 .mp4  52.25M
|   |   ├──5-代码实战DQN_构建Q网络 .mp4  70.52M
|   |   ├──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
|   |   ├──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
|   |   └──9-DQN会over-estimate的本质原因 .mp4  44.92M
|   ├──3--Policy Gradient 策略梯度  
|   |   ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4  68.21M
|   |   ├──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
|   |   ├──5-策略梯度PG_讲解CartPole环境 .mp4  55.59M
|   |   ├──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
|   |   ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4  54.67M
|   |   └──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──5-代码实战_详解Critic网络构建及训练 .mp4  87.92M
|   |   ├──6-A3C架构和训练流程 .mp4  74.66M
|   |   ├──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
|   └──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──5-TD3_使用DoubleNetwork优化DDPG .mp4  63.92M
|   |   ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4  38.45M
|   |   ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4  35.49M
|   |   ├──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
|   |   └──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  
|   |   ├──1-人工智能学习数学的必要性_微积分知识点 .mp4  28.76M
|   |   ├──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
|   ├──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
|   |   ├──3-常见函数的求导公式 .mp4  22.76M
|   |   ├──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
|   |   ├──6-推导激活函数的导函数 .mp4  33.40M
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   ├──4--多元函数微分学  
|   |   ├──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
|   |   └──4-Hessian矩阵 .mp4  32.93M
|   ├──5--线性代数高级  
|   |   ├──1-二次型 .mp4  27.70M
|   |   ├──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
|   |   ├──2-补充关于正定负定的理解 .mp4  23.48M
|   |   ├──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
|   |   ├──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  
|   |   ├──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
|   |   ├──3-随机变量 .mp4  22.57M
|   |   ├──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
|   |   └──7-最大似然估计思想 .mp4  23.42M
|   └──7--最优化  
|   |   ├──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
|   |   ├──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
|   |   ├──4-梯度下降法的推导 .mp4  43.56M
|   |   ├──5-牛顿法公式推导以及优缺点 .mp4  45.83M
|   |   ├──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
|   |   ├──8-凸函数 .mp4  16.93M
|   |   └──9-凸优化的性质_一般表达形式 .mp4  20.81M
├──5--机器学习-线性回归  
3 _# k. z0 `$ f+ _5 ~7 F|   ├──1--多元线性回归  
|   |   ├──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
|   |   ├──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
|   |   ├──17-解析解的方式求解多元线性回归_数据Xy .mp4  40.41M
|   |   ├──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
|   |   ├──2-最优解_损失函数_MSE .mp4  39.58M
|   |   ├──20-Scikit-learn模块的介绍 .mp4  29.18M
|   |   ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4  25.20M
|   |   ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4  41.02M
|   |   ├──3-扩展到多元线性回归 .mp4  32.15M
|   |   ├──4-理解多元线性回归表达式几种写法的原因 .mp4  33.97M
|   |   ├──5-理解维度这个概念 .mp4  41.41M
|   |   ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4  65.82M
|   |   ├──7-假设误差服从正太分布_最大似然估计MLE .mp4  43.11M
|   |   ├──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
|   ├──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
|   |   ├──10-代码实现全量梯度下降第1步和第2步 .mp4  25.70M
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──7-随机梯度下降_小批量梯度下降 .mp4  47.62M
|   |   ├──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  
|   |   ├──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
|   |   ├──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
|   ├──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
|   |   ├──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
|   └──5--Lasso回归_Ridge回归_多项式回归  
|   |   ├──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
|   |   ├──4-升维的意义_多项式回归 .mp4  48.06M
|   |   ├──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  
|   ├──1--逻辑回归  
|   |   ├──1-逻辑回归_Sigmoid函数 .mp4  21.14M
|   |   ├──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
|   |   ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4  20.50M
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   └──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
|   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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  
|   |   ├──1-SVM与感知机关系_几何距离与函数距离 .mp4  114.25M
|   |   ├──2-SVM的思想 .mp4  55.56M
|   |   ├──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
|   |   ├──5-硬间隔SVM的两步优化 .mp4  102.88M
|   |   ├──6-总结硬间隔SVM .mp4  39.01M
|   |   ├──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  
|   |   ├──1-SVM算法流程总结 .mp4  58.36M
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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-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
|   |   └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4  73.44M
├──7--机器学习-无监督学习  
|   ├──1--聚类系列算法  
|   |   ├──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-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-KMeans代码测试不同情况下的聚类效果  .mp4  148.66M
|   |   └──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  
|   |   ├──1-单个高斯分布GM的参数估计  .mp4  112.72M
|   |   ├──2-理解GMM高斯混合分布的对数似然函数  .mp4  95.22M
|   |   ├──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
|   |   ├──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
|   |   ├──7-GMM前景背景分离  .mp4  16.01M
|   |   ├──8-通过声音文件利用GMM算法识别性别  .mp4  134.39M
|   |   └──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  
|   |   ├──1-特征选择与特征映射  .mp4  49.38M
|   |   ├──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
|   |   ├──4-SVD其实就可以去实现PCA了  .mp4  92.97M
|   |   └──5-PCA的几种应用  .mp4  54.58M
├──8--机器学习-决策树系列  
: _& @  u/ R: G3 Q# m) I- E, z|   ├──1--决策树  
|   |   ├──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
|   |   ├──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
|   |   ├──2-决策树的数学表达  .mp4  89.94M
|   |   ├──3-如何构建一颗决策树  .mp4  84.87M
|   |   ├──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
|   |   ├──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  
|   |   ├──1-不同聚合方式_生成不同弱学习器方式  .mp4  80.47M
|   |   ├──2-Bagging_Boosting_Stacking  .mp4  59.02M
|   |   ├──3-随机森林  .mp4  108.14M
|   |   ├──4-代码实战随机森林对鸢尾花数据集分类  .mp4  101.81M
|   |   ├──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
|   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──13-GBDT二分类叶子节点分值计算推导  .mp4  73.96M
|   |   ├──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
|   |   ├──16-GBDT多分类举例详解  .mp4  91.71M
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   └──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   ├──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
|   |   └──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
├──9--机器学习-概率图模型  
|   ├──1--贝叶斯分类  
|   |   ├──1-朴素贝叶斯分类算法  .mp4  126.74M
|   |   ├──2-TF-IDF  .mp4  53.08M
|   |   ├──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
|   |   ├──5-语言模型的设计目的_MLE的作用进行参数估计  .mp4  107.12M
|   |   └──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
|   |   ├──2-HMM隐马的三组参数_三个基本问题  .mp4  104.28M
|   |   ├──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
|   |   ├──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
|   └──3--CRF算法  
|   |   ├──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
|   |   ├──7-计算CRF所有可能路径的总分数  .mp4  135.58M
|   |   └──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


" 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！

# 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

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