战-人工智能2022/
# Y) K! L1 R# `1 ?& H├──1--人工智能基础-快速入门 + p; I) s5 B/ e
| ├──1--人工智能就业、薪资、各行业应用
- f* C) ]' x, b: \3 B. A| | ├──1-人工智能就业前景与薪资 .mp4 52.07M2 X. Z! d4 p6 J
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M, x! r6 l# {3 m# c0 _
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
8 v; Y3 p- v. n& Y| | └──4-人工智能在各领域的应用 .mp4 57.73M
' l; W2 y% z/ ^0 Z' B1 b! `5 V| └──2--机器学习和深度学习、有监督和无监督 % V$ ~/ M( |4 s& R
| | ├──1-人工智能常见流程 .mp4 89.62M6 C( {) Y% B2 E* Z% x2 ]
| | ├──2-机器学习不同的学习方式 .mp4 83.51M% B! O" z4 {* R. z. f- s/ M
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
" x5 S" N( G# p4 E1 n8 L| | ├──4-有监督机器学习任务与本质 .mp4 37.50M- h2 M3 g& J( Z- ~
| | └──5-无监督机器学习任务与本质 .mp4 50.15M1 v# t' [- Z a, _- j
├──10--机器学习与大数据-Kaggle竞赛实战 - V6 @" L. P: Y
| ├──1--药店销量预测案例 $ y$ t( a4 A/ Q+ l) _: r* R
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
/ i+ g! i! |7 R! M) S2 n0 T0 i" f8 D/ `| | ├──2-对数据字段的介绍_导包 .mp4 19.90M0 o. E7 E! Q3 B& ]0 o
| | ├──3-自定义损失函数 .mp4 21.12M8 a7 X+ ~, q/ A5 A7 G6 q/ Q/ d w
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M/ A4 [: f; \2 k( m6 x
| | ├──5-数据的预处理 .mp4 111.81M8 e% W/ `: U8 K' R5 c" `2 A9 n
| | ├──6-模型的训练_评估 .mp4 66.64M
1 R7 O/ n6 K2 B0 B/ k2 g# X| | └──7-kaggle竞赛网站学习 .mp4 172.16M2 l3 U0 z* |0 I- P0 l
| └──2--网页分类案例 , W" C7 @$ C7 [3 e- P. q; {7 y
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
+ S. P+ B9 K1 w$ G| | ├──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
' F6 U% y$ a* F. \. r- S| | ├──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
; U3 a1 f* r! i| | ├──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
( t5 w- |& O' w. K| | ├──2-评估指标ROC和AUC .mp4 56.19M" {7 m3 e2 g+ H1 T& H" o
| | ├──3-评估指标ROC和AUC .mp4 49.03M
2 o3 K }% j* {0 C V, J| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
, m2 c5 j. c& g7 A! s% g+ a| | ├──5-数据导入 .mp4 68.41M
/ t( [1 Q/ w" B4 h! P| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
" D& N7 k/ \% x8 G, o' v& b| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
/ p3 J7 l; u# c. H0 u' Z. T4 @% 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 c* h- p: J/ g& B! {
| | └──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
3 Y0 N9 ^1 k- T├──11--机器学习与大数据-海量数据挖掘工具 ' G! l! O: @& ?) |/ j A
| ├──1--Spark计算框架基础
: M4 b. X' ]5 z9 [* Z| | ├──1-Spark特性_01 .mp4 41.68M
+ U) g9 @* Z% B5 W* Z- I* L% Z| | ├──10-分布式计算所需进程 .mp4 26.30M
+ X1 V, ]! Z. |% }| | ├──11-两种算子操作本质区别 .mp4 56.31M
: F: x& `! P/ @1 ?| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M( a6 a, |! X6 S( h3 d! O0 Q+ f/ e9 W; A- e
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M6 L) W" ?: Q0 H$ l
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M% V5 D* P; ~& V. a
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M- _; P p, e+ ^" p7 K, j6 C7 D
| | ├──2-Spark特性_02 .mp4 35.15M" }( t3 f8 c% {9 X- Q& B+ S- H
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
; m1 \3 Z) u9 z5 \8 ^| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
& t3 @: g# P6 |6 ^7 m5 u| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
! ]5 L- {! ]; o9 K1 N| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M* H9 J# Z4 Q+ R* u' \: G$ j$ c
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
$ m3 c& p Z9 O) G' l n" V| | ├──8-Spark的RDD特性_01 .mp4 33.08M8 M" C+ E9 {3 d' i
| | └──9-Spark的RDD特性_02 .mp4 33.41M" i o. q4 e% ~0 m
| ├──2--Spark计算框架深入 2 K4 x$ L8 T4 w& H8 v
| | ├──1-Spark数据缓存机制 .mp4 54.43M
8 _& m' Q- F3 L7 Z2 z: X| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M$ ]6 D+ x& Q- S+ }7 _" s
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
: V! ^) L r; s) L ~| | ├──12-构建LabeledPoint .mp4 111.08M
# ~1 M5 E6 F8 l% {# [| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
: _, d" B5 v- H. S, j| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
: K) F2 M O) B| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M7 T& X N2 j: K9 @3 S9 K$ C
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
6 r2 H: ^( I+ W" o& R% [7 k# _| | ├──5-Spark术语总结 .mp4 89.66M
4 Q2 q; I3 Q6 Z7 m| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M, [0 t: n; S* c: }1 x# n
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
1 [3 h+ L7 l4 t3 v# g8 t: Q9 d| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
6 B0 ~, }( m8 j+ D" U x| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M5 m2 g/ `6 [! `$ e- c
| └──3--Spark机器学习MLlib和ML模块 - V9 ~& P/ z0 \
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M+ v; x+ A5 E/ c- }3 |6 P# Y
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
& L4 L5 m# r% J5 [0 m7 E& ?0 || | ├──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
+ T# \! }4 @7 c4 O5 G6 a, W, x2 t u! G| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M7 S( T; A1 D2 ]! {2 P1 ~* b
| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M2 F1 w( C" W' B q
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
6 ^% R* W/ c0 k) b# h5 B) \7 R| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M% C% l% O5 ]; q4 j
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
* h! l' m; @( h+ O| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
* B+ j6 w1 Q2 C/ B" k) j| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M) g! a+ O) ~! \0 n% A+ U$ U9 ~
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
" t4 r: t. a Q- || | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M( Q& S2 k6 U; I
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M3 ]( D4 i. [- ]) p" V5 W
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
" B- ]( H+ l5 x& q| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
0 f' `9 x# e+ e2 R. G! Q) Z3 D| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
[8 A8 L# `: [& I0 ^| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M$ P2 b$ x' U2 j3 Y
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
7 \2 P% w$ d# P6 U/ w+ l| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M+ ~& }9 B& V1 w
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M* W& q' K3 |- j" `% q
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
6 E6 |$ R7 W- w( @$ e7 ~| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M1 v' s! `6 P5 Z% t8 Y; `
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M% H0 R, Q3 X7 Z; [; ]
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M0 y; f* J1 _9 ~6 \- f( K
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M0 {9 s: m, q8 k- o( J/ `: c
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M; X; Y2 X. y! P4 Q1 A
├──12--机器学习与大数据-推荐系统项目实战
2 ?* h( F# A% e7 |$ A+ l/ {| ├──1--推荐系统--流程与架构 7 Q# t( w0 U; S& k' [1 s1 o" y
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M! I, p# ^# V3 j, s0 `2 M
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M6 i. b5 h8 L# j& A3 L
| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M
* [ E1 j" _& @ {| | ├──12-推荐系统_数据源_1 .mp4 79.07M/ j0 K: |2 d* L1 q1 J
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
+ B8 G& s" m3 m S; o| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
& D* j. a% _" O6 G( c( o| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M% v) _ i3 w' ^- u
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M$ p) k. c* P g/ W7 f
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M* M+ v9 S) L$ k% \7 U* L6 @
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M9 P% X+ }! o6 k5 r, ]+ U7 d8 m
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M0 _3 ^' N) F# T( ?( M" C' t( S
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
9 m0 Y/ u; @; q+ M+ N0 p1 [| | └──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
6 U D0 W$ _% c" L| ├──2--推荐系统--数据预处理和模型构建评估实战 , h4 {) F* X I9 Q
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M6 e4 O7 ~! V9 r* ?
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
6 |6 _9 M$ B/ ~+ ^0 G7 o. x1 g| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M# E! _5 o, c" j3 i* i
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M/ I9 E; v8 y" ^8 }9 z t6 U3 r
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M. L8 {+ C7 P2 j5 \2 a) ]# k
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
. `+ s* q% H, [. P| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M& n6 g/ t) t& D6 S+ f5 y7 \" A
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
* j8 D) D6 q: V0 L0 G9 P| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
8 ^- J; j0 f1 h3 m/ D| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
5 W- E" g) k9 O| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M6 T4 G# f A9 ~, t
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M" \5 H' F: R, X
| └──3--推荐系统--模型使用和推荐服务
3 x( ^0 ~% O5 {' w+ J| | ├──1-推荐模型文件使用思路 .mp4 61.89M
- ]5 C: K. u( E4 T| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
+ x; Y4 S8 j( ^: N| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M9 v# t$ j( A- k4 w" m" Y8 |. u
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
, L5 e# t$ k5 e, B( r, w) m| | ├──2-Redis数据库安装及其使用 .mp4 47.93M. ^( K; u q5 o5 V% t( P( ]; F H
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M, ] Y5 s% D- N+ v
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M, ?( @/ |1 B0 [2 Y9 M9 t7 H' K) N$ S: k
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
, ]+ f: K9 r* y& e* G6 ?| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M$ @9 ]. Y( N# o- T/ w% b
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
# c8 F. p9 C* N8 l+ W| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
' z& f+ t ~1 f+ c4 J4 R9 Z| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M5 ] f: G& ?: P
├──13--深度学习-原理和进阶
2 _7 K1 q, O& C9 L- b| ├──1--神经网络算法
2 E4 ?9 _2 k- P& C! m" a| | ├──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
% h- s4 i7 f6 h% ]' I- h| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
$ P9 K: l+ l" R" w| | ├──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
9 h( R* Q# `3 q: ~+ a+ D0 n7 k| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
' u! D6 O' U" e: \9 ?) a| | ├──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
" z- s; |& ^% o/ b/ m _9 h| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M S' Q7 a" |" ^! P
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M3 |0 t s1 N! M) a9 j9 j
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
# J: t* k0 Z; n5 R* r, e+ g| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
8 Y: _' U+ s3 J% v| ├──2--TensorFlow深度学习工具 " X% O( l$ z4 b4 \: y+ b
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
+ b* y7 |8 Y% j) x/ I| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
" S4 ?3 g, t6 W# w4 n3 F| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M: G9 l* c* e8 x k0 ?" n
| | ├──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- W& q' L6 e/ H& k* J9 s1 [" x. _, Q8 `
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M: c5 F0 @6 a) I) i: D1 F @& K9 O
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
( T1 i! R: J/ l1 H4 D( u9 m| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
9 F, d( K/ \& x| └──3--反向传播推导_Python代码实现神经网络 ; i( m" \# I. A
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
8 r8 s. m- k7 E* e| | ├──2-反向传播推导(一) .mp4 127.90M) E# o8 h9 v+ p6 a1 _& a
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
; e+ }8 e, X" ]* | B6 ?| | ├──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
7 [8 W# F, l. k; n| | ├──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$ Z5 I7 N5 o6 ^% \6 j: I$ E
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
& [: U( Q8 f+ B# q8 V| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
$ i0 D! t& b9 a, W8 ?1 v├──14--深度学习-图像识别原理
2 G4 N0 p3 @8 g) N( j# I) _* J| ├──1--卷积神经网络原理 * ]: ]( i. @8 g1 q5 V- ^0 q
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M. ~4 k. g' v. V+ t
| | ├──2-单通道卷积的计算 .mp4 104.01M) ]% T- S6 S8 T: \) }3 p6 _
| | ├──3-彩色图片卷积的计算 .mp4 52.79M' ^7 u5 e! ]1 H$ k* P& P0 L7 Y
| | ├──4-卷积层权值共享 .mp4 63.93M! f! ?+ r8 |4 {' p1 C
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M$ X3 d5 P8 Y- C9 r0 D) f
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
3 P6 l1 b# H- d+ N: k# A) ]5 ~5 T2 q| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M0 l$ ~2 e L5 Y5 h1 E( f
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M) G% H$ s j8 g3 h1 X, Q# j
| ├──2--卷积神经网络优化
. L+ [/ J& T6 J1 V$ l| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M/ Z8 o; X0 }, ?+ _
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
" c k5 I1 x1 H| | ├──11-Optimizer_Adam .mp4 141.12M
/ P" }/ U3 Z( _, Q, z5 ~7 \| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
( }! p; H9 a1 Z) V| | ├──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
+ X. @( n6 M! c- b6 E| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M+ @8 `) W7 U u
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M; t) i. K) d S6 j; j
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
$ x% m+ E: @& A0 D* r) P| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M$ k9 S( C: N+ i4 c
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
2 H" D9 W: v: x| | └──9-Optimizer_SGD_Momentum .mp4 89.70M; }: i! h8 N6 d4 [
| ├──3--经典卷积网络算法
Q) D0 v# _2 ?7 U4 ^! P# f$ `| | ├──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/ T+ Y2 h1 q* b* l& s# i" H
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
# F. o: A: b# s| | ├──3-InceptionV1_V2 .mp4 165.86M
) r& w3 P% j8 F8 X( Y& b| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
. M) ^- [. e) R, [. X( r# m$ `| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M* @" P; o: W0 D
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M( I2 M9 l0 ]* I/ ~8 n8 `8 F& r, H/ T
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M" J5 z, G1 G" y! T( v" D ?7 {
| | ├──8-BatchNormalization .mp4 99.23M1 H# c/ _/ d5 a" B! { |3 W/ k
| | └──9-Mobilenet网络架构 .mp4 150.05M
) N2 V3 D* B Y8 O| ├──4--古典目标检测
$ ~' [! o$ `& O4 C }: _; l| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
2 C" v' b9 u, O: t* H$ t8 ?8 u: r; @| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
- n( K$ M4 Z" M; u4 i: g% U; F- X| | ├──3-IOU以及python计算的代码 .mp4 23.56M! Q! b5 O, }+ W8 C
| | ├──4-R-CNN和SPP-net .mp4 124.06M
) x1 i9 O$ X. V7 U2 g| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
$ d+ H' b: C3 m3 {' l| └──5--现代目标检测之FasterRCNN * d. W; f4 P T8 {* _6 H
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
! \/ Y/ @7 b" r* q| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M4 ^4 f. m; w3 _0 |
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
" C9 p$ o: {* }, J1 o3 B3 G| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M1 U* z: ^5 n) Y t+ B
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M! O% k, y1 i: U5 u; s7 p
├──15--深度学习-图像识别项目实战 7 K* W7 `7 X) B8 j6 W7 l9 B
| ├──1--车牌识别 ; G& }+ ?, ]! w9 ~ r
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M% S+ s* B6 z7 M: L+ r0 }
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M- X, q+ o) i! o# p3 T0 w; ^
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
4 q# ?# L/ N" ^| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M( |/ E+ B2 C6 e) i
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M( _" n& ~/ `0 y7 e
| ├──2--自然场景下的目标检测及源码分析
$ u% n" X0 y' K" |2 H, W| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
' I2 p' t9 Y8 v- \5 s| | ├──10-FasterRCNN代码_构建head .mp4 67.56M& b8 b+ B( x' g1 L- _# S9 m: }6 L, n
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
2 t- N9 f7 N- R! X, ^| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M% k \0 _+ a. `6 _: R+ b' ~$ V
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
5 S; u5 A; Z* q+ l; f| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M) s+ P& T. D. V/ ^
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
0 H: z' b5 ]3 d7 N3 g. b& i| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
* O7 G( t* a5 A( Q! |/ n& Y% E5 F| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
* I5 r; P& q7 p1 y2 o* V. x| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M% L' @& ~4 k9 [+ E
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M1 N+ a) J. s2 F
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
2 [/ @# o( ? E6 T" j| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
6 u S8 i9 k$ j| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M3 O' c" [8 J5 s3 p: f6 f) X, T
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M9 \- z, P! F- G
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M: k1 ]0 x9 y4 |" R
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M( T n+ u( g% E5 u
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M9 u: }, z; R# {, F' B0 [( \
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
9 X( A* T4 T+ N) p4 y7 ^& A8 z| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
: t" r# E# ]) i" B) @# e7 x5 W; U| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
) @5 J \$ x$ p- i' [: F| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M# Y0 n, t& i) M, }
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M% p1 b. t$ ^% n. A
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M9 @; X5 U8 b3 B$ R. X) i; \& _8 Y
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M: y0 p# L9 i ~! i) |
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
2 Q& j, Y& h8 n+ Y7 r| └──3--图像风格迁移 0 N# M1 {! \: {# P
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M" @! x# u5 k u5 h
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
! q" `. v/ B3 J) r4 _# J| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
; l# Z4 L: v ?% l2 q% ^| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M4 L( [/ V+ ?7 X# L$ w; {: N
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 4 M0 R) L5 [7 t) o( c/ O
| ├──1--YOLOv1详解 ' ]+ I& c6 T* r/ f% A, U
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M3 ]% m5 L8 b; G2 |1 ]) f' j( o
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M. {" W5 b. ]7 U- \0 t/ y! U
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
( @! e4 D6 |) s: S1 r8 ^| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
. }* ^: J: F* x4 l' E+ b9 b0 t- b. Z| ├──2--YOLOv2详解 * h2 I# O- G. `$ h6 ^
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
' V2 k8 W3 O3 \* D. ^5 l| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
! d6 O/ v$ T t& Q( @+ U1 O" ^| | ├──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; m }# N7 g4 J M4 P' F+ E
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M1 }9 U' y- x1 U! U3 k
| ├──3--YOLOv3详解 : K: X, M+ S! |' m; j: Y
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M5 b6 g4 W& I( q5 x' z9 H
| | ├──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
* h$ r( j+ S# s" K3 J" s| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
1 t- |3 Q9 ] O6 v| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M! l! } s5 i1 p N" {9 ], g4 [4 ]
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M& @, l; J1 J( v1 K! R5 \* H
| ├──4--YOLOv3代码实战
8 A4 ^( h$ \. ?* a) U& _| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
0 T3 d( X1 H0 J) q+ ~| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
/ o+ _( a% W' Z% R2 k( G| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
" r1 n6 h4 t+ B. f& \7 _& T| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
6 W8 ?% P5 R F8 ^. f9 @| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M0 J+ a1 i z$ @& H% u* b0 S% C# X
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M$ c: g2 t: \; f; A0 U+ k r
| └──5--YOLOv4详解
, u! q9 D0 j4 ]* m| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M5 S9 W2 w# a6 n4 d, p$ \$ W
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
5 Y- t% y7 X1 S, d' Q* r| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
4 c6 Y. t5 r2 x7 U: X| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M* i( S1 ~- g& }5 t' h% ~" @
├──17--深度学习-语义分割原理和实战 ' `/ H( Q: s; Q4 ]3 `6 q
| ├──1--上采样_双线性插值_转置卷积
1 A( l/ j1 e; C4 X, s! e& o8 z| | ├──1-前言 .mp4 19.46M/ p" Z7 o4 _ I' D7 q) f6 K
| | ├──2-上采样_repeat .mp4 23.90M
, H; i# E' r9 A" F| | ├──3-线性插值 .mp4 34.48M% W; J- S7 | ^: s! _
| | ├──4-双线性插值 .mp4 125.71M
/ p) q# q9 i, \. s& \7 w! f| | ├──5-转置卷积_以及TF的API .mp4 114.25M
: Y& D; D' i. M! @7 h! v| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M3 s/ U W, i: _/ \
| | ├──7-ROI Align .mp4 58.38M
/ O. E J( F# S, o| | ├──8-FPN思想与网络结构 .mp4 92.14M
# ?7 A0 K3 B7 m| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M+ s0 n: D& @0 W2 F
| ├──2--医疗图像UNet语义分割 / h- S0 l- q/ E3 B$ V" E/ S
| | ├──1-语义分割的基本概念 .mp4 18.33M
2 L; {& ?& n+ }/ t! p: b0 ?| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
; E1 |* q. b. A| | ├──3-UNet网络结构 .mp4 30.41M; |7 G" d6 `- g {" k5 `) l
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M) R. V2 h: N1 l3 H- u
| └──3--蒙版弹幕MaskRCNN语义分割
+ o$ H2 w4 M) f. `1 W- k4 G- e9 l| | ├──1-MaskRCNN网络结构 .mp4 106.38M
" {! s. A# m2 x% ~+ `8 Y9 s9 l| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
0 o# G+ Y! W+ O0 m' `' g: O| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M) f9 y& k8 N0 k3 O# b* ^6 ~& }
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M/ T% r* ^ @" P+ e3 Q
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
' P( T% ~; P; L3 E$ ^& h, o| | └──6-MaskRCNN源码config和model .mp4 244.48M
; a5 i% w9 P8 [* {├──18--深度学习-人脸识别项目实战 & C5 p# |/ q- C! N% k
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
5 S$ C! h. W& v; z| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M: A* p) u1 A0 t- b: [0 C# n
| ├──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 ~5 M# M2 }0 I# W- {7 P
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M, m3 O: J- h& Y; c. [* C$ A
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M' i2 o9 E- t2 i2 z) D% j( L
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
* x1 k+ b+ w. V) w; || ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M7 f, o3 |% V p; E; l% \/ ?
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M5 ^" |# v& c" f7 Y! f3 q) i
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
9 s7 n4 e( I) f) N| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
; B8 v6 {, r5 { m. ?| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M2 Y0 R! Q6 V! b- Z
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M2 Q2 {7 P" Q4 q) ~+ [4 o) h
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M5 j* K3 o0 h1 X [) p0 x
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
5 o9 J+ F. Q& D+ D| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
4 o b; L! B5 e* y/ q| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
5 R5 ~' ^8 x; m. h2 N| ├──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
6 C L/ S# u) E p# k* i| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
4 n7 J u/ N* Y| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M& I5 T* B2 @/ ?3 T, C5 D
├──19--深度学习-NLP自然语言处理原理和进阶 5 @) Y. @& a& P6 s; l5 F
| ├──1--词向量与词嵌入
, s) f6 Z- S+ A2 N d" k| | ├──1-N-gram语言模型 .mp4 116.32M
/ S g- ~2 E# P: O7 y| | ├──2-NPLM神经网络语言模型 .mp4 155.81M* N+ Y& q+ G7 P$ x2 C( e
| | ├──3-词向量的作用 .mp4 58.00M E" a h- ]6 y# ~% P$ |
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M& j1 w( k% v5 [0 o. S0 T
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
4 j* k, x& f3 F. p; O7 I| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
1 r1 n; y& j0 ]1 `3 H8 E, K| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M# s* `+ y; F% w8 \& e
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M: D0 _' J: [9 M9 ]
| ├──2--循环神经网络原理与优化
8 U0 ? l* T( _8 E& o% o| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M+ ]$ N1 |: F2 F
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M1 j) x% w! x2 f( e2 l* Y4 v4 I
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
: s, J3 V/ U* `' T| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
+ M" q2 x/ P9 s. E) Q( S| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
) p4 H- @# d7 a4 m' o| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
9 o$ L% K# q# E| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M* ]/ C/ b# |+ v1 Y2 V5 ?& a
| | ├──8-双向RNN_LSTM .mp4 52.01M% H3 ~% r l+ i6 \% i
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M! F6 @! G" s% W' {- C
| ├──3--从Attention机制到Transformer 0 M u) z% O+ T8 b( J. n
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M' L7 y+ {9 O" x! G4 F
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M5 T5 }! U8 ?9 U( `/ o
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
, d! F9 I+ [5 R4 Z' T) O% K e| └──4--ELMO_BERT_GPT
; p) G3 z- E% C. d1 ]| | ├──1-ELMO .mp4 62.44M) I: `, P- c& b& y, `
| | ├──2-BERT理论 .mp4 99.73M
3 w# G% O( T4 k M& {$ z| | └──3-ERNIE_GPT .mp4 56.34M5 c( B1 ^& X. N' k' b6 I
├──2--人工智能基础-Python基础 2 n' @# \5 S, g. E7 `$ Q% p/ H) m+ [
| ├──1--Python开发环境搭建 6 d% Z: j* K" `; ] L( x
| | ├──1-下载Miniconda运行环境 .mp4 100.75M# R( F; r& e9 p' s% Z/ \
| | ├──2-Miniconda安装和测试 .mp4 57.12M. ^/ [& K) B" O$ ^ t4 v- g
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
- K' s0 b" H$ S* [- ?" X( M ?' n| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
9 [, G1 U2 S f: a* O# o5 f2 Z| | ├──5-Jupyter常用快捷键 .mp4 32.23M! K6 h2 n! @" O8 R1 O" X
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M. u5 H0 ?- T3 b$ f& |) ~% r0 ]0 i
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
6 c% m2 ^: o: f& r3 w G| └──2--Python基础语法 6 }+ o' m. T1 z) o$ G
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M: J7 J+ _! T- r9 w/ r B
| | ├──10-Python_集合操作_列表 .mp4 34.71M
# l" H5 `# K& X; L V- t| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
5 E' G2 ~; q2 m1 e; u. N) H; F; N| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M/ c6 A+ |+ Y( L6 b- E) \
| | ├──13-Python_集合操作_元组 .mp4 43.46M
1 {9 B i) x: W% A9 t( d+ O7 u| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M# S; O- T. [+ S- ~; }! _
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M% x9 ]' p6 a. ]. `+ D5 B
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M) v; O5 r0 A9 c& Q1 |
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M* b! X3 ?! K+ Z- q- A3 x
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M& `! d" H6 z Y7 N) G% W9 P
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
8 u" r2 W, _. c r9 c; U, Z; @2 x' B| | ├──2-Python_控制语句_单双分支 .mp4 50.66M" n" S# }/ o7 t6 [/ ]/ Y
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M4 a+ j% m$ w2 q! q4 I+ i, r2 _
| | ├──21-Python_函数_递归 .mp4 23.46M \) W5 F9 R! q9 q4 k
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M6 I) V0 u+ ]7 \# h8 H9 Y
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M K M$ z u3 H9 `+ q+ f
| | ├──24-Python_函数_闭包 .mp4 41.61M
6 j! k* c6 O5 |# S7 P| | ├──25-Python_函数_装饰器 .mp4 30.35M
% C. D Y& j z- g) `! E| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
' ?1 k: g7 v7 O' ?4 p| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M& E1 J7 @% l: U$ s/ [) Q
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
9 ]& N+ x' i6 i| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
2 P& f6 D; p( R7 u q0 T| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M8 N! \% Z' y9 D4 T- N
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
1 F4 |" ]# K- S9 [" z; D; |" R. B| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M. `2 T$ Q% T! A+ `8 P. n0 ]% j
| | ├──4-Python_控制语句_while循环 .mp4 25.02M/ O; m2 ^8 N, O- ^& ~
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
6 a2 V/ S6 `, o; g' e| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
8 N Q$ W$ V9 ^ V& ^5 R/ i' M| | ├──7-Python_控制语句_break_continue .mp4 25.23M
8 e5 I: S! ?( x/ f1 j| | ├──8-Python_切片操作 .mp4 40.20M7 f% [ B; O5 c
| | └──9-Python_数据类型 .mp4 25.38M
3 d- c4 {" T0 x8 {1 R├──20--深度学习-NLP自然语言处理项目实战 " K" }$ Z2 s( ]' O! a- g. {
| ├──1--词向量 : i8 G M) h' |8 I" ^2 b
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
+ c0 i: r* |, a4 l3 F% c| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
- l' r( }3 g; V! |8 E3 I| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M! y8 W, ~' F+ B. i3 a5 {
| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M8 n; j ^ H, u& @ D/ g1 {
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M+ g m) R; \& Q: Y2 z" Z
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M l# V7 d* A ^$ V. i4 D8 {
| ├──2--自然语言处理--情感分析 . p9 d. N5 A" c; s2 j
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M7 g& }0 Z6 Z7 a6 g$ c5 ~5 V
| | ├──2-数据预处理_01 .mp4 79.65M. i% G" `( |7 S1 m. X0 j1 H2 U2 |3 y
| | ├──3-数据预处理_02 .mp4 45.68M2 M* S; c/ ]% P9 Y; G2 L
| | ├──4-代码讲解_01 .mp4 52.29M
* f3 c+ B2 `* ]2 E| | ├──5-代码讲解_02 .mp4 60.85M" \6 ]$ B! V( v0 ? A! D
| | ├──6-代码讲解_03 .mp4 53.89M
6 s! Z8 I9 p+ Q: f| | ├──7-代码讲解_04 .mp4 57.19M
/ f$ x4 z+ J' u8 Z6 j3 G| | └──8-代码讲解_05 .mp4 35.88M
1 x- Q' y0 V5 }7 Q6 `2 d# C| ├──3--AI写唐诗 ! t1 H; ^2 _- N
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M x7 a2 O* W' \+ A' P
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
- X* J' d% j! l6 |6 n9 @2 }9 e4 U| | ├──3-MultiRNNCell单元 .mp4 38.93M
9 H9 |0 @9 D6 ]| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M4 ?) p L2 ?; a" q0 M
| | ├──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 61.73M6 L" d6 p8 c; H2 h, h. E
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
; s: e$ ~ H" t- K& f3 g. w| ├──4--Seq2Seq聊天机器人 9 F5 d. ?1 Y! @$ }; k1 Y. X
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
) c( g! D! N4 W( m) B) G( V& o| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
' R3 W" A0 @4 c+ p' c8 H/ K; s| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
! S `# e, d9 [0 f: i- e| ├──5--实战NER命名实体识别项目 @9 W" M t& {7 i$ R( h3 k
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M+ ~0 p8 i% Y0 k: G7 A
| | ├──2-介绍了代码目录结构 .mp4 23.44M3 z9 F K8 m X# D+ Y0 j
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
2 U* I( j6 o: X$ c( I| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
. y K% X6 j0 b| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M. b6 r0 \/ s$ w- }
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M3 H& X* B" p M
| | ├──7-CRF中的特征函数们 .mp4 125.97M
2 I, t) J$ q9 _6 L5 R8 ^2 u; k| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
: d: r' l2 F) s( V, @7 Q| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
* b; C; J3 P. e3 m* W| ├──6--BERT新浪新闻10分类项目 0 ]9 q# f2 B# P& s7 W* A
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
) x9 F" X, w v T. j| └──7--GPT2聊天机器人 2 V$ `; \# r. r% Q. J( s) D2 c
| | └──1-GPT2闲聊机器人 .mp4 62.28M
+ }* w9 X4 V) @$ M) B├──21--深度学习-OCR文本识别
D1 |& G i# u; q# m| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
6 J2 E* ~/ N( G9 _| ├──10-CRNN项目代码剖析 .mp4 306.48M# }# p% b5 T% d
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
5 p6 H$ p! K' @, l" E; \| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
) z+ S& c+ V! S| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M8 S9 z! r2 R' ~# W. {
| ├──5-CTC损失函数的理解 .mp4 330.64M( M% y. I, \4 [9 u9 ]
| ├──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. i; M' ?" j5 T* a7 h2 }
| ├──7-CTC前向后向算法代码 .mp4 225.41M4 b% Q `7 U1 D* C1 P6 z
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M" x( Y2 N. C5 Q$ U" d3 z
| └──9-CPTN项目代码剖析 .mp4 491.69M+ X' B- R6 o% V( R x: h* f/ w" P
├──24--【加课】Pytorch项目实战
: [/ Z( Y4 Z: p6 b1 ^7 w9 h2 z0 z| ├──1--PyTorch运行环境安装_运行环境测试 8 r; c- [" n, q. ~4 M4 r0 k
| | ├──1-PyTorch概述 .mp4 29.29M* j/ U$ @8 I# z9 L/ o( q
| | ├──2-PyTorch的安装 .mp4 76.45M0 I0 y- d2 j/ N& H* f
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M& M1 Y0 J4 j/ ^# A! ~! B1 B# }0 P: a
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
7 L/ \- B- r$ }6 j. W3 {; ]' q4 c| ├──2--PyTorch基础_Tensor张量运算 & j# V$ f& O2 U
| | ├──1-Tensor的创建 .mp4 55.14M
( a% e0 I z4 I| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
0 i! W# P6 g& S; X: `- V7 R K/ W, l| | ├──3-广播机制_逐元素操作 .mp4 44.46M
& b* v/ s9 R8 R1 Z( v/ _$ q: p| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M1 X4 p3 F/ m! {5 w" l$ H5 h& `
| ├──3--PyTorch卷积神经网络_实战CIFAR10 / E4 X" `9 \/ {% U. }, j5 {4 R
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
! Y$ I/ G y/ T7 K" H1 X+ G| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M3 X3 E5 z7 E( q
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M3 e( g% I) w2 b1 ~( h
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
5 [. ~, U& T- g& Q' O$ `| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
B6 }7 w! D1 T3 r6 N. I| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
/ N/ x( g$ ~' ]* O$ w2 t7 j! h| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
, G7 R4 A; X C| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M- v% F H7 D1 z5 @2 a! y, C
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M9 V' O9 r f' i3 F$ V6 [
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
6 l K& x8 l- a5 @| ├──4--PyTorch循环神经网络_词性标注 & D: ?. o3 D/ Q- s8 ^: P9 ?
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M( a; S6 q3 Y! r) T7 {
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
" J; T. {6 W; C- ~7 ]" }( S6 _| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
' W/ B' m0 Y9 i, T| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
$ Z& t( e# e3 b- d8 D* I! Q| └──5--PyTorch编码器解码器_机器翻译
% I2 [7 B2 {$ M. J( I; b9 l5 k| | ├──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
( ?* R/ {' U+ \/ S- G* S3 M, t| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M1 J. \- \6 b) i7 u/ x0 A
| | ├──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. l" r0 a6 v- r! s" U. Q
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M4 ~7 @5 a8 P9 [1 @4 C
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M( C$ G+ J) w( ^6 G. ?6 M
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
$ c# Y( v( s3 `2 t+ `3 ?& L| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M; |! W. T) o; y. U
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M6 D# e/ V: X6 b
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
0 b1 I: |3 v- ~4 O6 B" t| ├──1--PaddlePaddle框架安装_波士顿房价预测 7 O1 j' ]" a5 a* b) l8 q
| | ├──1-安装PaddlePaddle .mp4 87.34M
\$ u5 \ R" l| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
+ m/ k4 [. t) `| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
( ^3 [+ g8 N+ y/ h/ Y$ T| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
* P# ^8 m; C2 L( d| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M2 V# k( y L; S4 _! m% ^) F
| ├──2--PaddlePaddle卷积网络_病理性近视识别 ( I5 E# e9 z2 O) d
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
2 R! t$ n7 K. _" S| | ├──2-预测病理性近视_模型训练 .mp4 86.66M K# S4 ]1 X. n( x" G) @8 L
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M( N, q0 ?0 W0 s9 u7 E% i
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M1 a; E& j3 D% Y- S$ Z- S ]/ A
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 . G9 ]( ]$ K% s& u7 B2 V' `; j: @
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M d% s" a+ j) I" `
| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M9 a# M- ?0 w4 H2 l8 ^, L
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M. N( n3 A+ p1 U* \9 T( c6 K* E+ i
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M( E, k8 r" o' L+ g$ d2 J6 [
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
1 Q( p$ q n& o- V9 A2 ?| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M; s+ R; M$ Y9 z$ Z, I1 h. f$ @
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
# O# F4 e# k2 N: o5 ]5 \| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) 8 e) x6 v6 ^: @- k5 i
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M2 n1 B$ f+ L+ {# M
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
0 s& p. D& L, ?! p| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M1 z+ r& o; j4 E7 M8 ~, c# _
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M( p/ K4 w$ q/ q) I8 Y$ k4 i& [; a
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M7 ~: c9 t' H# [8 a, C
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
3 h; c* H$ c5 f" S8 A| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） % I- h N& r9 W7 w& I" z( D
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M& @1 Y* O2 l1 C3 v; z3 `
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M. X& s- w8 b7 Y8 [+ M
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M* n. w2 r, u; F2 F# G
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M0 L' `7 V) x2 a: j0 | d- r
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M, z& N/ D) x+ E S' \5 B0 }6 S. l
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M( X3 K' i# s; P, H
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
2 C% R, r$ G0 I: h# \| | └──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 80.58M0 o3 V' w+ R9 W, ~ u% [
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
: Z* c8 ^# t9 N5 _7 o' b8 U| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M" f0 \( V" g5 w1 h; d
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
0 G2 v( [+ K- N' m Q| | ├──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 47.78M7 C( c( a6 B2 g! [, C A
| | └──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
% `. e2 Q- y# u├──26--【加课】Linux 环境编程基础 0 D2 z" s4 }, r, U" R
| └──1--Linux
* R0 S7 M8 X, ]! E5 D& F L: ^; D. j| | ├──1-Linux_课程介绍 .mp4 3.72M
4 |6 C1 e7 u8 l. \0 d; [7 t8 t: d G| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
3 U" A$ a1 c$ p| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
( U9 T% \. L# v$ y| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
' {* x5 t1 M. `1 S2 `| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M& {! X n O' X9 r
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M3 S8 u5 ]: w, z& N0 Y
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
2 X: m- R) z7 D3 u: r| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M/ y, [; |( }# G1 F) }) P$ B: o' q q
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
7 k+ n( {4 ]! m& Q| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
$ W2 t( X) J6 ?& ?' z+ g| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M8 [7 u$ ~! n, \+ D! y
| | ├──2-Linux_Linux简介 .mp4 17.59M5 s7 ^7 b3 s0 L/ U4 h2 E$ n v9 U
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
- ^, N) d+ d' l5 x| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
% @: ?. O% `1 A0 N& a6 i| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M8 i" X4 U, e0 [! A% D o
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
( V1 E; M& m4 _7 {5 p| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
# V, W5 D& o$ d; K| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
Q e' y' h! T) k( M) p| | ├──26-Linux_安装MySQL .mp4 79.02M, S$ V$ ]+ y8 ^8 {8 J* K7 ~' G
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M {0 F: Z% @$ }' h
| | ├──4-Linux_安装Linux .mp4 41.97M
' W, I. g5 h* }8 z| | ├──5-Linux_目录介绍 .mp4 20.31M& K. m" c. S5 s& ?7 z9 B
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
# ~! G/ T6 G. x Q* r% g/ q| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
$ C, P ?! @7 p0 H| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
, T1 k# L$ R1 @' x& P* g) A8 I8 a' P% b s| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M0 L1 n# k6 L& H- l X% ^
├──27--【加课】算法与数据结构
% V" x8 z' Y- m8 D| └──1--算法与数据结构
9 `' g# \. z# w2 W' k/ y| | ├──1-数据结构与算法简介 .mp4 35.68M
" W6 H- B2 h, G' Y+ ]3 u7 {$ f| | ├──10-哈希表的基本结构 .mp4 54.34M* {+ s2 }5 N! g! A# \# B
| | ├──11-哈希表冲突问题 .mp4 75.92M2 i f) M$ I! R7 e
| | ├──12-哈希表冲突问题2 .mp4 72.30M
2 F0 [) A3 Z: {' e2 Y3 h t| | ├──13-哈希扩容 .mp4 111.03M/ k$ d2 X! y- v/ L3 s
| | ├──14-递归与栈 .mp4 50.77M' t9 D) M. ~. H% D: l
| | ├──15-线性查找 .mp4 57.80M
7 x& L2 T- M8 t7 {! A2 N| | ├──16-二分查找 .mp4 52.32M
: {8 U: B4 i& c' m| | ├──17-冒泡排序 .mp4 53.19M9 C& n5 ]& l& O/ j
| | ├──18-选择排序 .mp4 43.29M
! u; V" y& o) b/ _| | ├──19-插入排序 .mp4 31.39M
6 m5 k6 t# s) m| | ├──2-大O表示法 .mp4 25.59M
" H1 f1 F" c4 || | ├──20-归并排序 .mp4 84.48M8 P& _: f, B; i* u* I8 c G! g
| | ├──21-快速排序 .mp4 36.63M
2 r3 G6 d* Y4 G| | ├──22-树结构 .mp4 96.85M" u( Y# y" B$ p. a* u
| | ├──23-树结构的遍历 .mp4 61.05M k3 t# @) U) g( ]7 x% j
| | ├──24-最大堆的增加操作 .mp4 45.43M
% Z1 C' y. e$ Q8 }6 s| | ├──25-最大堆的删除操作 .mp4 45.63M
, F, [" C, _4 q& N| | ├──26-二叉树的查找 .mp4 100.24M6 n% A, r5 l. @* O0 u
| | ├──27-二叉树获取最小值 .mp4 25.21M
$ w3 d" Z8 V* z/ @! x1 V| | ├──28-二叉树的添加 .mp4 72.66M1 n y8 ?8 D- B' B$ X( v
| | ├──29-二叉树的删除 .mp4 120.06M
. J4 k$ X z) B5 v| | ├──3-线性结构 .mp4 53.14M
7 q" r+ m" [0 v% L| | ├──4-单线链表1 .mp4 68.36M/ K! ~ \, `5 @- Y2 r2 X; b
| | ├──5-单链表2 .mp4 221.69M1 J' o2 I8 g7 F
| | ├──6-双链表 .mp4 103.57M
6 k0 R" X! D+ e/ K5 g| | ├──7-队列(链式) .mp4 74.12M6 i0 t# s* {" I7 ]3 r
| | ├──8-队列(线式) .mp4 30.99M
7 ]7 G) w, }; w5 A7 j- w* i| | └──9-栈与双端队列 .mp4 28.12M
$ u" }& j3 \: r0 R4 B├──3--人工智能基础-Python科学计算和可视化 t, k" R+ }! y% f
| ├──1--科学计算模型Numpy
# s' s$ r( R: ~4 V& [; T; k| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
@* X! V: P' j1 w2 |. o: v/ c| | ├──2-Numpy_array_arange .mp4 35.45M) @+ a8 K# B; Y* o$ @/ e5 l) i- \7 N
| | ├──3-Numpy_random随机数生成 .mp4 50.54M) A0 i( g2 z9 U) E
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M2 O# E) O" j. r# j1 ^
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
6 N0 S, O4 S8 e5 p| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
( ?* l( X( m% U! S2 s| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
$ g7 ^$ U: b2 t3 t2 H) ?& C9 z| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M2 ?+ K' y/ J5 Q2 S. U/ f' G
| | └──9-Numpy_聚合函数 .mp4 23.68M, X7 o! y! I, S2 D% I- B% o) c8 e
| ├──2--数据可视化模块 5 {0 e. x6 z5 b, h
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
- t: F6 z. r5 ?$ f" e+ k2 }| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
1 A" G: S. \8 o/ P| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
5 P7 u1 a) ~' O, c3 G| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
) H( y, R* b- A0 \6 m1 x| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M. z' h& j* F/ Y; P
| └──3--数据处理分析模块Pandas
/ A# l7 p6 B, _( W3 {. n. _- S| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
. l+ V# }& v: u( G1 O| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
1 U) E, N0 p/ J, k2 F$ R| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M: H$ T& k* |1 K$ I& x+ t: q
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M4 L' J* B% a/ G+ X) i# y( }- c
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M+ m6 S8 s$ U# j( T% w
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M0 G3 ~: a. c7 `1 b
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M x* f" h& o$ q
├──31--【加课】 强化学习【新增】
4 K, w- h- ] v5 Z; N. x% q| ├──1--Q-Learning与SARSA算法
) z6 h! {3 L) o/ \: _! V! Q/ z2 ^: u" r| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M1 H8 O' L6 g: y" U2 z+ u* W
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M8 B/ r6 o- ]: b5 M9 s
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M+ K4 ?/ r: \' ~6 V% b$ J
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
" n/ l& E9 U6 v; z+ N| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M0 q/ t; N. v3 u/ v0 A+ g
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
- T& w& J0 b0 n| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
& Q# w' s' {5 S w* ?| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
/ n( V' J- U' ?7 J: \7 B| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
& M# }+ X2 }6 n9 F8 [) _1 }| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M& F" o8 H; y' ?$ \
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
8 K& Q+ H- r, z9 G8 }3 f| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
( m4 A$ B5 q: {) W! n: b) K| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
( c) [4 O7 G W9 O: Y5 L& U| ├──2--Deep Q-Learning Network
6 T, W8 Q9 R3 A" x8 f/ K| | ├──1-DQN算法思想 .mp4 59.24M- s8 F! n5 c8 V* r( n8 w% A
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M0 H& {* ~, ~+ m& v/ J6 v2 d9 {; J& ^
| | ├──11-DoubleDQN代码实战 .mp4 44.49M5 j! y" x, z O% d: V2 i
| | ├──12-DuelingDQN .mp4 88.12M9 Z4 H; n: {( U9 q$ d; J
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M6 e+ e* f8 i5 S/ _
| | ├──14-计算Action的方差避免风险 .mp4 54.23M t- g, ?) F. Q. @5 q
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
+ p$ s# O8 X' b( P" Z% W| | ├──2-DQN算法具体流程 .mp4 56.17M
3 g. q( |0 N2 V% o* l6 }$ k) `9 x| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
! f: M% l8 x( y3 Y| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M/ }5 ^' i, b% K- k# w- U
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
Y3 i) g( L2 M) Q| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
& m. a( ^2 K0 i* f* N& t3 u| | ├──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
3 E$ W+ B' ?5 U| | ├──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
1 ^9 ^2 ]* S9 b* }0 Q) M| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
$ m) } m8 |& r+ f5 z9 ?* s| ├──3--Policy Gradient 策略梯度
$ h2 n+ y3 h: ]1 |# w| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M: s: N( G' k/ k- q# d
| | ├──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 34.22M4 M& ^+ [% N. Z: T
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M. |0 Q, f3 A: i+ s. ]
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
y W" g" Y" d' N- I9 g9 V G2 I| | ├──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
0 c: L: Q3 h d. f) g8 J| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M4 v. O' `8 j9 z3 v
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
7 Z8 H4 v* `5 X4 @$ g| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M( b h! Y# L _; a2 g4 c
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
8 r0 o/ u2 F% ^+ `1 `, d1 r| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
, @4 i+ h+ v7 N; }: h$ F8 z| ├──4--Actor Critic (A3C) % a L) q$ ]' F6 `- z
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
% G. e0 P- P+ J5 T' k* J| | ├──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 36.14M2 y7 } u/ H' m8 `3 [% p9 F
| | ├──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' d o2 P5 g8 U' \
| | ├──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$ ?0 n" s, j. ^! m$ Y: i) h7 S
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M$ g* t8 V7 ?9 ]7 Z5 d$ X
| | ├──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
7 r) Z! ^6 M7 y| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
6 x0 z2 n# z- I- o' n| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
) P0 A. o( L0 x# _4 S4 J9 r! d| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
# U* V& K+ G% G2 l| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
. g4 U$ g6 \- x/ ~| | ├──6-A3C架构和训练流程 .mp4 74.66M) m; g# p' V, d C8 ^* w
| | ├──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
' h o3 x; c, i: e7 R9 n# f| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M! v' j4 U5 t9 p5 @. T
| | └──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
. a& U+ s& @% B0 A| └──5--DDPG、PPO、DPPO算法 ! B6 O* y) f' X' n1 G4 e
| | ├──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
1 h+ n$ \: f/ v; c1 b| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
4 I! O' j9 h9 M9 g| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M( r( i' `* F3 R" n! s s( J( A) W
| | ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4 42.12M
) u( I' K: M! N q- |6 g) {, y2 l| | ├──13-DPPO分布式PPO .mp4 63.81M5 g. o l5 E+ \
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
: A2 P6 k. T& C2 U| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
- _( b* Y1 g) F| | ├──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, K( S0 z" X9 L2 u
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
9 i9 S, z5 Z) \3 W" h% h4 _| | ├──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: U- O$ p* V5 q: G: \
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M3 V% D P) Q. E$ \/ K: \; H4 [2 V
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
( l: B% T: u$ L; m! s+ W| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
, m; S. m o* s/ i| | ├──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
( p( D0 X0 Z5 i; H% }9 B| | └──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; B8 X( r2 m2 {- X6 h( H/ f3 c
├──4--人工智能基础-高等数学知识强化
4 U1 m1 T3 W1 Z* n) c/ t% |3 `- @| ├──1--数学内容概述
: e2 I! o4 n$ r7 ^7 C+ y| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M. O5 q3 E8 P) N" D/ z: k" s
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
( J8 d0 Q5 g$ u6 {! s ?| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M; o; T! p2 l9 [5 h7 z- d5 H" b
| ├──2--一元函数微分学
' k6 z$ ?7 F' }# x| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
# g7 g7 r! I4 C8 R/ B6 N4 X| | ├──2-导数的几何意义和物理意义 .mp4 14.49M* D5 H, C/ C; i- ^% [# {4 c2 X
| | ├──3-常见函数的求导公式 .mp4 22.76M
' m' X: O( V; o1 Y- t! X6 l| | ├──4-导数求解的四则运算法则 .mp4 26.52M
1 I+ t3 S# R2 ?7 h, T) N3 \: @| | ├──5-复合函数求导法则 .mp4 19.68M4 t6 z9 f: j2 L$ L) n6 W
| | ├──6-推导激活函数的导函数 .mp4 33.40M
. v0 i5 K- C8 D+ n4 F5 q| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M# Q6 u; ~* Q$ n2 I# l7 X
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
# A2 n% [$ _0 Y( b7 D' A9 Q$ j, @| ├──3--线性代数基础
- c/ w4 {5 `9 O5 d4 ?7 l$ V# n A| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
( q! S7 e" {9 y3 _| | ├──10-矩阵的逆矩阵 .mp4 38.54M
# i f, a) g8 ]9 n9 f. k6 n. K| | ├──11-矩阵的行列式 .mp4 20.13M5 g2 K$ B- { b! {: l
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
9 Y) X" m% S$ k2 h* t3 E ]| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
/ A: c4 i3 M% ?+ ^7 N| | ├──4-学习向量计算的用途举例 .mp4 20.32M2 I1 ^. x1 }6 b; C3 J. a
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M! w* J p, U* U6 n( `' j
| | ├──6-特殊的向量 .mp4 26.45M
4 a( O- M* r$ p9 k; ]| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
' i' }6 H2 p1 ]4 X% w& `# h| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M. {- O( s8 C& D& r" I
| | └──9-矩阵相乘 .mp4 20.02M: I1 t% K' _: H' p2 [
| ├──4--多元函数微分学 % Y2 N* u4 v( U
| | ├──1-多元函数求偏导 .mp4 22.61M7 x. }8 ?. q3 g
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
( x+ s) _9 \" C4 `6 s| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
& G5 o: e! F$ ?6 D ~7 q| | └──4-Hessian矩阵 .mp4 32.93M
( u7 O$ c* O& d/ g. X6 R| ├──5--线性代数高级 % C9 o; C4 U$ p0 k, {6 ]" i
| | ├──1-二次型 .mp4 27.70M
& d8 R/ y: Z: R, G) C1 }$ ` l [| | ├──10-SVD用于PCA降维 .mp4 24.90M3 D) T) V+ z/ E% F' r
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M# O5 G) L/ x. T2 |# z& Y* N' C
| | ├──2-补充关于正定负定的理解 .mp4 23.48M# `- n: |" S( O
| | ├──3-特征值和特征向量(1) .mp4 29.83M) A4 K$ O/ ^. |/ t4 M
| | ├──4-特征值和特征向量(2) .mp4 30.07M
& B" S1 F( h8 V& _| | ├──5-特征值分解 .mp4 38.68M
% e4 | ] W$ S; p1 x8 A7 I( S9 q| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
! F, r- k- t& e5 }4 P/ U| | ├──7-奇异值分解定义 .mp4 22.58M
8 Y8 t# E' |5 b3 s, H4 N1 h7 _9 d| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M* l3 B! g V3 y+ P* F0 }
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
8 u: \4 Q' ] c4 [% Z. l3 f| ├──6--概率论 ( d7 D2 |0 I# ?3 L
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
5 b5 A, o& P9 q1 T| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M4 `$ G3 A) H$ k e$ h
| | ├──3-随机变量 .mp4 22.57M
0 X: V/ i. Q- s. `, b; V* M- J1 j| | ├──4-数学期望和方差 .mp4 22.96M& }( {9 ?! i6 X0 h, |) Y; `
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
: e p. t F/ {$ z$ }| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M2 k2 c+ _! `3 ?2 m) d
| | └──7-最大似然估计思想 .mp4 23.42M
; b0 |* V4 _; w5 `' O! o) O& `| └──7--最优化 ( F. P# o o5 Q$ Y
| | ├──1-最优化的基本概念 .mp4 35.14M2 q p0 ~5 ?1 z" U9 J
| | ├──10-拉格朗日函数 .mp4 27.46M) d' h6 ~+ }8 l7 T7 C: r
| | ├──2-迭代求解的原因 .mp4 20.15M: G6 l& y4 W k k2 o, O
| | ├──3-梯度下降法思路 .mp4 26.33M9 w5 T6 H0 U4 d- F2 E6 b5 }+ V( ]
| | ├──4-梯度下降法的推导 .mp4 43.56M) f5 Q: G/ S, k
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M8 L& h4 m; k0 q) r3 H
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M6 _! b0 L- a1 e
| | ├──7-凸集 .mp4 21.90M9 R6 o3 j: |# g7 v; \' [
| | ├──8-凸函数 .mp4 16.93M
6 `& h4 v" h9 U( a5 q6 I| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M0 F) p! F$ M4 _! C6 Z9 n8 o& B
├──5--机器学习-线性回归
2 W O# z1 Y6 d$ r: ~3 X- a& b| ├──1--多元线性回归 ( h1 Z1 e Z4 J$ P0 x3 G! Z" C: w R6 X
| | ├──1-理解简单线性回归 .mp4 51.11M$ f: b) S5 _& j. s( B# ~
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M/ o: S+ K" F& M
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
7 h: z K& b& O) \, r3 A' d| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M' s& @3 L! ?% ~( k* f7 u
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
, R* \2 } d' X) u* p$ v| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
4 [6 y1 D3 Z- _3 ?| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M- {! `( L% \# g/ ^; E
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M" v( m5 T% A( C% Q9 M! n/ ]
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M2 \( P7 R, C3 c! i0 H3 V9 k9 G: S
| | ├──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 48.31M3 A& Z' E: a4 U3 _$ N$ 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 34.67M5 V, p3 K8 I' b6 _
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
2 J; \2 e" I' ~| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M$ p7 |0 o; \# W
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
3 Y. M; w6 L3 i" L5 x$ m0 K7 m& G| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M: c7 \: h O7 Q2 b
| | ├──3-扩展到多元线性回归 .mp4 32.15M
. q/ |3 a) J; h4 y| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M2 Z' P8 ]" ~. w) ?
| | ├──5-理解维度这个概念 .mp4 41.41M
: R9 n5 x, c4 o5 B* x/ f: Q| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
3 h* l8 b. u& h0 S| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
: I# E/ V& s! h| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
$ p& D7 v3 e/ p: A& g' n| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
; e& C3 c s/ e; B| ├──2--梯度下降法
7 ` ~3 _3 a& { e& q; ^3 b' [9 c0 o| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
8 L2 n. `4 \8 @| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M3 z) j8 u) M% s9 z2 p: }
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
5 ]+ y2 p. r& ~+ Y" n( z D| | ├──12-代码实现随机梯度下降 .mp4 26.67M: x9 {% V$ g' [4 R4 Z! d' K! M
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
; _, C% h9 f) O& l8 O6 `| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M* r4 u9 }! @; _# e
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M( d4 w2 ~6 N% V8 E+ k$ C" k8 o
| | ├──2-梯度下降法公式 .mp4 57.12M
( j1 l9 y/ x: s7 m! I- o x. y7 _| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
2 D9 h f4 F- Z2 D| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M3 l1 P" X/ |, w, s
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
* w8 L! Q2 H7 l; J9 q8 g| | ├──6-全量梯度下降 .mp4 62.84M/ y+ [* l+ ^- k! n1 g8 g3 K
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M; n& [) ^ W, y& u( O0 l# E" u& @
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M A( K R. B4 D! G
| | └──9-轮次和批次 .mp4 45.22M
, J4 l$ P8 B" h. r' Z| ├──3--归一化 6 T7 B2 ~( B6 g/ X& i- E# v
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M5 J. f, ?" ^- A7 e& ~
| | ├──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# t4 S3 l F) Z
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M, J# {9 H( {8 n" M) Y* V: D
| | ├──4-最大值最小值归一化 .mp4 24.87M5 t# [. O5 [* `0 L) m. [
| | ├──5-标准归一化 .mp4 51.86M# `+ U% h8 F0 e1 F" X3 z8 i6 b+ L- C
| | └──6-代码完成标准归一化 .mp4 41.13M
5 U: h7 o7 s6 ~% J) {| ├──4--正则化 2 Q4 k5 s/ z. S) V0 d# E( G
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
6 L5 m: j3 O) j& g| | ├──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" U4 r1 z/ m, |# [ U) B
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M9 T: q+ i! |* ~0 ?6 ^8 l3 a1 O
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M! u8 o1 W @& y9 B; `) s- H
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
- a* I5 v) r: B3 j| └──5--Lasso回归_Ridge回归_多项式回归
! i, B$ f7 E% _! E| | ├──1-代码调用Ridge岭回归 .mp4 76.32M/ x X) @6 o7 l# }2 K# F! l+ `
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
/ B1 Z0 ^/ I4 Z: l2 V| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
2 P8 D0 Q8 V& B9 X2 ^| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M1 y: t' S2 O$ N, M
| | ├──2-代码调用Lasso回归 .mp4 28.73M
3 D0 q: a4 i5 v, t; W| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
& `( o( f- e, v| | ├──4-升维的意义_多项式回归 .mp4 48.06M- e3 l. O7 I6 K/ r( s1 i0 k4 L* ~4 B3 w
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
+ j6 I1 Y/ g0 R+ Z| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M6 X, U) f( k) h1 P
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
. }# F. r: s8 ] @+ h| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
( p; `5 P" v" W* H @5 |- b| | └──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 84.12M3 v( x7 j2 ~5 x$ A
├──6--机器学习-线性分类
2 j, V5 x! }5 L4 ~0 w$ d; y+ w' i$ ^| ├──1--逻辑回归
6 }/ I) X/ D4 g8 {| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
: b7 U3 R5 S9 K4 p' W: x) ?| | ├──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% w$ n6 x7 g; [( |5 o' Q5 m
| | ├──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
. E3 F" }* ~2 m1 `4 `| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M! N/ [- A" @* Z! N4 f A( @9 m! A
| | ├──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' a C$ _, O1 K! Q, I
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
9 j8 M8 c7 b- Z! n) d| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M, n" U/ z) J4 G$ }
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
4 _* [( h: w, m L| | ├──2-sigmoid函数作用 .mp4 38.15M
0 t3 w; f* P2 X7 D- t; i| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M5 J0 k; _# D9 G9 ^0 K
| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M2 X( E' k7 |: }1 D; P: c
| | ├──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
, p4 t- H, I4 x% f+ \| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
6 O6 m; O0 k& z6 j, S) `8 ]| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M/ q; P$ f: M5 l2 g
| | ├──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
) a: d! S. g# Y; N, B g9 n9 J, x; J. X| | └──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
6 j3 \& b/ E! y& Y2 b( P6 T| ├──2--Softmax回归
" s6 ?- _1 u2 M| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
8 R& ^7 }" \6 M| | ├──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
?# q2 ]5 j i8 G| | ├──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
6 B- ]7 x( r( }3 M9 @& c! `8 w: b| | ├──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
8 w* d, c, D* J }/ n; \| | ├──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 ]: W$ O4 z5 W1 h
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
5 W: R2 n+ |' Z/ f1 q) [| | ├──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
( o- \% j. h, P5 R) u' N* Q| | ├──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 28.15M6 J* |6 p7 e# n( P0 G/ {/ K c
| | ├──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- l8 ?. }( G0 y! h" f6 M
| | ├──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 x9 V0 n$ W( D$ i| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M+ G& _- b; z( D/ |/ i$ ~( e/ f
| | ├──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; L$ y+ L6 {8 i& Q% F0 |: [$ v
| | └──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
5 D! m: K$ A! U1 Z; i| ├──3--SVM支持向量机算法
+ s' S& i; t2 q7 g/ @. z/ I| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
& n. W3 @/ r& J% [4 M* g4 V| | ├──2-SVM的思想 .mp4 55.56M
& w7 S% j8 K4 ]* M& k| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
5 |- n9 A; y% N+ X| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M& d; Q1 K* |/ I. X+ j; o- b5 @
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
* j) M& u9 \, o& C' g& ]| | ├──6-总结硬间隔SVM .mp4 39.01M
9 @8 S) w! N9 j# o| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
) l8 S- F. r. N. K9 N| | ├──8-非线性SVM .mp4 54.43M
4 G1 S+ j: \9 B! |* A) ?# {) k| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
! S' P/ G3 q! r0 E" i1 V( f" \! U| └──4--SMO优化算法
$ g/ K5 N X) g/ j# C' r| | ├──1-SVM算法流程总结 .mp4 58.36M
7 c3 y( x9 R0 F& s| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M- O; _: p7 I+ d4 i( D5 j/ m+ {
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
# \3 \7 d/ f. v% g! v7 a| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
- ]9 g* ~. J7 z* ?7 V; `| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M& D; F7 u, V4 W$ Y9 X' o
| | ├──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
0 }- `7 _5 X3 b3 ?8 Q2 T( K8 G| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M6 p1 q# r7 Q+ P8 ~. F2 C+ X6 b4 |
| | ├──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% h1 M5 }3 E [2 I5 }
| | ├──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
9 x# C$ c& d- \4 I* F0 f/ d/ S| | ├──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
( ^% H" O, F( u| | ├──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 92.38M8 |) j- }( O8 f3 i" v
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
0 N2 P2 |0 c7 T( |( a' V| | ├──7-启发式选择两个α .mp4 23.11M
3 Z) i1 Z* w3 ~0 M| | ├──8-如何计算阈值b .mp4 50.18M
" A" ?( {% y3 q7 h" G$ ~ ?0 x- T| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
; d1 |/ j+ C7 q! O9 K. G├──7--机器学习-无监督学习 / n0 ^: T. h1 u& w; t2 C2 j# h
| ├──1--聚类系列算法
! t! b6 Y f* c- u, j3 V. T& e| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
' C3 B/ J) T7 C, ]5 e! _| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
9 y# r5 G2 P: {; `3 a2 H| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M' H9 y, H+ j p# M9 |- W( G
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
. ]7 F/ Y* \9 `0 G% H& L+ \| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
5 }% k; j3 I7 Q2 V: m/ ] z| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M9 L$ [$ D( I! |( t$ k7 h
| ├──2--EM算法和GMM高斯混合模型 1 p9 k7 x" X; r" h! N. w) b
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
8 Z- G4 k) [2 y% J1 G& k7 O| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M; i4 c. l2 A- ~' ]6 \3 L
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M( R1 |; l0 e1 F/ R% o
| | ├──4-Jensen不等式的应用 .mp4 109.17M' [- D2 t" X! 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. q( M2 Y! P( e: r
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M0 N; ~5 i7 O" D! Q W: J0 M7 k
| | ├──7-GMM前景背景分离 .mp4 16.01M! } t* T( G# ?) i) e, Q. d( Z3 A
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M/ y. G+ L) ~ w
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
/ ]1 N- u X: k% E( |1 W| └──3--PCA降维算法 3 P# W# F s) Q' d3 Z* d& O. g
| | ├──1-特征选择与特征映射 .mp4 49.38M
. s- d5 x6 a1 G2 N| | ├──2-PCA的最大投影方差思路 .mp4 186.75M1 L3 }3 }7 | ?5 h l E; v, i
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
) X: z% j+ N u6 d, J2 `| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
# d3 m d# A4 @, o( x| | └──5-PCA的几种应用 .mp4 54.58M( J: T# x% P% d$ T, o: I2 c" I0 @
├──8--机器学习-决策树系列 # {0 q9 E* j1 ] Q% o1 ]2 [. Z
| ├──1--决策树
) a0 ]* ?3 `& x6 {| | ├──1-决策树模型的特点 .mp4 74.88M
8 Z( J" e, `. H8 [& T1 k" v; g* z| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
3 a! a Q! f! R; D; Z# B9 r| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
0 F) \6 N0 d4 ~2 `& ]| | ├──12-后剪枝的意义 .mp4 50.49M
1 G& S. M+ e. J# ]* t| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M5 a9 L; i1 W' C3 }3 f
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
# ~7 k7 B2 r: ]. ^; U3 a, `| | ├──2-决策树的数学表达 .mp4 89.94M
# G8 W0 v* x% b8 e/ H. j| | ├──3-如何构建一颗决策树 .mp4 84.87M
) F) ]3 o- m. F. a| | ├──4-什么是更好的一次划分 .mp4 57.02M" c4 N( {7 h0 C8 G; A0 C0 B7 N
| | ├──5-Gini系数 .mp4 107.54M
! e) R% N! S1 U; _| | ├──6-信息增益 .mp4 75.26M" T- R* w" V5 W
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M0 E P) V0 L/ z! x& k2 D8 u
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
* L6 \3 z5 |, `1 U. ]| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
4 R; `9 f- x: m ^" n| ├──2--集成学习和随机森林
& j6 X( s0 D4 s* s J) ?| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M5 E$ |3 D. ?, Q3 j
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M* v9 ?! X1 [( H: {6 o3 m6 P* t. X6 H
| | ├──3-随机森林 .mp4 108.14M& L7 I4 J1 t% D p! T, E5 O
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M, ^! d8 N% { G" B
| | ├──5-OOB袋外数据 .mp4 106.07M
- o' [# ^! B ]/ o| | ├──6-Adaboost算法思路 .mp4 106.30M5 G8 T! r- }1 L8 W* S
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
8 e% F$ G7 P0 r! u( R| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M7 W, h1 q" e9 Z/ S K' Z
| ├──3--GBDT $ ?) C9 b5 P# W( x
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M0 }% E. D; T w2 k0 w. O/ P
| | ├──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 72.09M8 o) g& k0 H& N" i8 h
| | ├──11-GBDT多分类流程 .mp4 73.80M
4 Z) Q: i" [) l; Y. {# P| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M* |% e, D& K+ D" b; y+ i
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M: g: @5 ?# }3 A6 t% f3 {/ `) ~0 ]/ c; \$ G
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
8 ~: \8 G" q+ P/ v" k$ q| | ├──15-GBDT二分类举例详解 .mp4 86.67M4 @6 P' h3 X9 \( f- m
| | ├──16-GBDT多分类举例详解 .mp4 91.71M& z! W2 h0 ]( \ a
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M" J: @7 Z1 g6 N7 l
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
3 w' u, T) x& g" \| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
& G+ q& b' m, n: x| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
! M& ^ n$ o7 T# x# {2 Y| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M: w& ^3 I5 p3 I/ c
| | ├──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# ^( n9 u- q \
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M+ o B( i/ q2 b1 S
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
% g7 v5 a; T, ?| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M6 A5 [( k( n4 U1 y) d
| | ├──4-GBDT应用于回归问题 .mp4 84.66M, {9 T7 a* y% Q0 u: W1 I
| | ├──5-GBDT回归举例_总结 .mp4 108.52M& b j+ R! i; H3 Q
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M0 B# [: c; V l, L( i. b$ g8 N" H
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M7 ?/ p" O6 h0 o
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
! ~/ L% |5 R! y0 y2 k# O- p0 p7 E| | └──9-GBDT应用于多分类任务 .mp4 73.34M% B, E8 o5 d# L* Z! v- v9 P
| └──4--XGBoost , _. z) i+ S$ j3 w
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
% g. I& T: |! R2 w| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
( |2 t* z1 s3 {3 Y/ i/ w. L| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
1 p5 D. m( u3 P. ^( _* Q| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
$ k7 G( {* O' T! g* n2 a| | ├──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
- ^ o5 ?/ x' n| | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件 .mp4 73.80M1 Y! {9 N5 s. _" x1 ?6 ?
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M! N2 v1 { j0 w
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
6 I: ~' a* N! a4 q0 S| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M: u* E' m* ~9 d z$ [
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
0 E8 \3 q" K6 w$ n| | ├──3-基于树集成学习4个优点 .mp4 91.36M
- P. K- _; Z" B; a) j( y. e| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M8 e# V! a& K4 F f" @) H% h
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
: a" P# K( | i| | ├──6-Objective_vs_Heuristic .mp4 60.42M
& \" e, D. F7 q' F% c2 g| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M2 B3 f8 }+ h. w/ t' `2 ?( x
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
$ Z4 p- A* p/ p| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M2 _7 U$ h$ B( S7 C" h6 _6 l6 e: }
├──9--机器学习-概率图模型
' Q+ a$ S0 U/ F: N% P| ├──1--贝叶斯分类
$ g4 V6 E: B" F5 y; k7 c. f# O& y| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M3 T, r7 R2 }6 [0 ^, V
| | ├──2-TF-IDF .mp4 53.08M
8 B) ~& C" J, r# l5 x3 n! A, i/ N| | ├──3-NB代码实现解析 .mp4 126.73M( B! p' q6 G- |9 |- t
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M' B3 r4 E( x, ?; }3 K, o
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M) b$ j F: b1 V2 @
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
' u' z8 F. x; G2 a* Y# B| ├──2--HMM算法
* w; L; L, q& W, `6 Z| | ├──1-HMM隐马的定义 .mp4 36.82M9 T# V( J7 r2 M. c8 ^1 O0 p, y* z1 _
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M) b% i' r2 ^7 ~$ g2 t. n
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M2 C6 l8 M- h- w0 n. L
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
, W% {: I+ p$ L( S! W: A2 w5 G| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M. ~# H6 q; F/ }# |+ [! v. F0 B
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M6 F8 b p, t+ V& ]0 n O$ _8 ?
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
6 w# F" q+ ^* Z) Q4 x) i" Z| | └──8-Viterbi算法代码实现 .mp4 42.43M
* j |! ]+ x6 m3 u4 G| └──3--CRF算法
2 I6 E5 P# F1 T% j& o) y3 \| | ├──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# `- V/ y/ G
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
, F. U5 l5 x) m% R8 U$ g| | ├──3-了解CRF层添加的好处 .mp4 105.90M# S4 @2 z8 g, b; r# D- r$ V1 e
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
3 R! H5 [1 K* e| | ├──5-CRF的目标函数 .mp4 23.74M
# x/ P( M. Y, h) f: G0 w| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
+ Q# M& ?. K( D6 k, I0 U| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M x' k4 n. b9 q f& S5 d6 M0 m
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M9 F) n) G7 O0 G ], Y9 y4 ^
└──课件.zip 2.54kb
8 q8 ^: m4 V6 \! u' u* ]1 {' ?2 y3 T# J
! E( w E/ T$ C: r+ f' {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！; t ^" r# s X( X& p! H. `
) P) Q A6 E2 l3 e
) X) }- L4 d+ E" r! S+ Z) O+ O
|
/1 
