战-人工智能2022/
' j. K2 t9 N8 t$ G9 l├──1--人工智能基础-快速入门
- ?8 e* g) g% Y& c- O| ├──1--人工智能就业、薪资、各行业应用
% {' \! b& I' y& Q| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
; ^5 a- {/ C# v0 m" y1 L3 || | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
" D5 o% Z: x5 M2 i" k| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
) S* v8 O- x& f# a# X" Y| | └──4-人工智能在各领域的应用 .mp4 57.73M
1 J' F0 f5 y J| └──2--机器学习和深度学习、有监督和无监督
; r) M: t9 d4 d4 p| | ├──1-人工智能常见流程 .mp4 89.62M+ y) P/ d4 ~2 f. X, S, e$ N
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
7 }; l3 z+ O) z' E| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
9 a4 \7 o1 O y, z: P' V| | ├──4-有监督机器学习任务与本质 .mp4 37.50M% K7 [9 q8 u0 c+ }' o" N" J
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
9 I6 E6 E6 J& F├──10--机器学习与大数据-Kaggle竞赛实战 3 u; q2 s/ r7 h* R# Y, Z2 `6 w7 m
| ├──1--药店销量预测案例 3 @0 `6 U5 N! r( h
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M! B9 y5 R! J( S# s" _, b* O
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M. {) k2 q6 d0 `# W) c) [& A
| | ├──3-自定义损失函数 .mp4 21.12M5 I. P S/ l9 |! R8 T. ]5 @& s
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M* T+ L/ Y( Z7 F t
| | ├──5-数据的预处理 .mp4 111.81M
9 t$ u2 N- I6 u' |. _. T) @| | ├──6-模型的训练_评估 .mp4 66.64M
$ h. b. U# C4 p8 z! h| | └──7-kaggle竞赛网站学习 .mp4 172.16M! F1 X* B# v# A+ x0 r# H3 o1 K" Z
| └──2--网页分类案例 3 ^6 G( k4 `4 g% O9 Z/ y# G) k
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M8 N* I) j4 G5 S i
| | ├──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
0 r3 W8 Q" @1 i! 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
. N/ p# {8 b; ]1 z5 Q| | ├──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% ?, [+ @0 ?, f+ _: y3 J3 N4 \# ]
| | ├──2-评估指标ROC和AUC .mp4 56.19M
2 ]# L' Y+ K Y# j& s3 c| | ├──3-评估指标ROC和AUC .mp4 49.03M
2 s' ~ w3 z. u- Y. p/ L" o| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
' p4 X7 ?; S8 _* W( f1 _3 G| | ├──5-数据导入 .mp4 68.41M
% m8 s7 _. ~9 y0 x/ x| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M: D% M" Q7 Y; L" L( G
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
& e( p. a, F6 J9 S| | ├──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
0 I7 F& o- ^3 _2 T' s' W- B0 `| | └──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
) ^+ d: P: \, F& |├──11--机器学习与大数据-海量数据挖掘工具
! n/ o8 A+ V9 g& ]& R| ├──1--Spark计算框架基础
9 m, O- O* p; b! e3 Q9 S' J| | ├──1-Spark特性_01 .mp4 41.68M
/ R( \9 ]) a0 G- u* | u| | ├──10-分布式计算所需进程 .mp4 26.30M
1 N5 f7 S8 m, ^| | ├──11-两种算子操作本质区别 .mp4 56.31M& L8 Q; {# [# F$ U; G- D& V7 m3 B
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
h1 A% w; [" p2 l% _# G| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M }1 a5 A' t: a
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
* D; c9 G: ~6 u" |+ ^/ F| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M1 d( Z, y$ Q! o5 D8 d
| | ├──2-Spark特性_02 .mp4 35.15M
) D6 G }9 r* s/ B+ i/ @| | ├──3-Spark对比hadoop优势 .mp4 19.34M: ]4 x) f8 V9 Z. Y3 y5 m
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
+ r( n! l7 M4 `( h5 c| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
, [' s& k( `7 n$ K| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
* D J8 L$ b o" E u' e* J- m; H| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M) W1 L9 R" O5 a( O; O; b/ E- f
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
/ O4 w! B- b1 z' Z5 Q" C| | └──9-Spark的RDD特性_02 .mp4 33.41M
. o$ k Z3 l4 v1 M" {& G+ W/ x| ├──2--Spark计算框架深入
# ?9 c0 ?: S) ^| | ├──1-Spark数据缓存机制 .mp4 54.43M+ B s' w) K& q o5 |
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M6 R/ W% V+ E! \, v' G0 q% R1 m) B
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M$ Z4 e. d) H. h: i. Z% Y
| | ├──12-构建LabeledPoint .mp4 111.08M
, Y) C# a' I( N( @1 t) @6 c| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
) N5 s) _" |1 G3 f$ p% b" X* F5 P* e0 }| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
% ^: y" _7 A B| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
# y n1 V4 R; H' @| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
; J6 o* ?( c" N) |. z| | ├──5-Spark术语总结 .mp4 89.66M
2 n5 ]$ d! ]4 i' q| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
, @+ K/ C! M: K8 {/ q- U7 c0 K| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
, Q) a9 S. {6 v1 C' x3 V7 o8 _5 R7 D| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
" o/ T5 ^9 E6 Z9 b! _* W1 X| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M3 _. `; e b# V0 z# U2 ?: A
| └──3--Spark机器学习MLlib和ML模块
) Z# ]- h- c7 f! X| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
# k8 w+ a" {. f. A! T% j: ^/ N$ _| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M8 b) v; a: l8 V& _
| | ├──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/ J& B+ O5 O2 {: n
| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M; p: o1 e9 i. p' k( 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 84.20M5 z$ N& |0 A: C
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
% |7 w+ p( h2 L3 K| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M; J& ^% P6 {( x- d# L$ l
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M' w4 V' _. F0 i/ i1 M/ Q: L
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M `5 d2 M6 b3 J) s6 y2 L# t$ O
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
1 v, v7 l. Y9 ^' C, ?# M9 G9 \| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M8 H' U$ @9 ~2 ` G0 ]% s! R- u" n
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M2 d: C6 }/ ]1 f; [
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M; y" h4 C& O( {% r
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
2 ~( _3 o9 V5 g# M* l' X, t% o0 N( F| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
. {3 Q2 p- v( S- |" V" n. v| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M( P; {( J5 I) `4 h0 m
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M- j2 T5 {: I4 p. ]
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M4 @$ w; [7 n0 K9 M+ r
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
' |% i$ q2 g2 H3 s" A U/ d7 M| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M% ? H8 E( E4 s6 }, A* d. A3 t$ y( `
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
) a. r' S) p1 c9 w# Z; F| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
$ \ o f! p! |( c/ |& i| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
5 C: a |' }* b+ x5 K| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M! }, A, W" T/ }& Z
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
( k1 ~1 d. J5 `& a$ C0 b2 q4 P| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M1 [* @0 U8 i; Q; I" D4 u5 u: r
├──12--机器学习与大数据-推荐系统项目实战
- [, Y e6 D g# Q| ├──1--推荐系统--流程与架构
) f+ _: {! q2 W1 \! v| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M Z( m3 O; L0 D: h/ q o ^
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M4 i5 z0 p( J7 |( j. h7 p, k
| | ├──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
( U6 k+ N6 r" X5 |- t0 ?| | ├──12-推荐系统_数据源_1 .mp4 79.07M: O2 E2 T; C2 {. O x
| | ├──13-推荐系统_数据源_2 .mp4 82.90M; W% y2 X5 C* E
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M, w5 v. a/ b2 L
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M" F1 j% e; }# c) X3 j
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M! W. H+ _ G k+ M8 j& c
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M( x& p0 H1 F. U
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
8 J( K5 A1 g; z2 N' n| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
( U; U( ^' `7 h6 Y6 H; F| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
3 [: }0 @, K! S Z& x+ |' [& F| | └──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
3 t/ G$ e2 M7 c8 } N! O9 `| ├──2--推荐系统--数据预处理和模型构建评估实战 ; k- h# q: D9 A8 d( R" w/ R* p# D
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
3 Y* T/ o6 c( f7 O% K) k. F3 k| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
$ n7 B! K' h* }7 N7 M A| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
: H- ^- x' M) _, W" Z| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
) B: Z" s5 a- O! i| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
! `+ E5 _ x8 b* \5 `; X \| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
+ n, G( m7 R- |5 R+ @, t( r| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M' H$ a! A' d3 c) n7 N* J" v
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M5 ?! T3 W' b( Y9 \$ R
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
, {% a& q2 X# i2 y% o: u| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
S& ~1 u7 e1 p) Y2 _| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
- Q. J% ?. e% A; H4 U| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
1 n/ X5 q7 I. {7 m+ u/ j| └──3--推荐系统--模型使用和推荐服务
+ ~7 s: g: {; g |8 s& ~) {- ^| | ├──1-推荐模型文件使用思路 .mp4 61.89M
, \+ N% }+ T$ v4 P) F| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
* Q% e9 Z: Q+ e5 S* T+ S5 `; g| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
7 Z( B0 N" X% X: V| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M# m X5 p* z, G
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M n2 L) @) K4 [
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M( a* Z1 p! L) P9 o v0 a
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
: `- u) D! A% I| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
5 c/ v6 X3 S1 \( B| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M) w) H% x, y0 @4 v& N
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M9 X& _. r( B& ? P* O+ g/ R/ ?
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
2 \* Y7 \9 o" D" s: \$ M. A| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
" k( W9 c* N3 O0 y! i├──13--深度学习-原理和进阶
9 F$ Q! s9 U& d# A4 g| ├──1--神经网络算法
# [: s, a. l6 c1 b" l' x$ z| | ├──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
4 e* e/ ?) z- R* j5 d, v |" T| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M. L* O6 R! r7 S+ B2 ~# u! c
| | ├──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 67.67M4 m$ f4 `; m3 j3 C( c/ F2 m+ q
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
% K0 W% T+ \3 Q7 V. i| | ├──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
9 m8 y! [' f* \* \- A7 W6 X| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M! p6 ]. P7 g8 d1 ^- @, z
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
# O8 g" V( l6 U/ k| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
: f; o1 |6 h* u. r| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
# j" p' _$ g1 M( u$ V| ├──2--TensorFlow深度学习工具 2 }7 ^; D- r$ j' k6 ], \( ^/ |
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M+ i7 i( s; O0 ], D: j
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
+ O; I$ U2 L8 P4 Z+ b5 O| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
1 E1 W+ b7 k9 H: Q9 G. v8 d| | ├──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
3 Y7 c4 {/ {0 B; a$ }3 A| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
. b5 K* B6 P" Q: b d| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M5 S# \9 |, U/ j, |# Y8 ?( G. c
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
( a5 F& v2 q, y| └──3--反向传播推导_Python代码实现神经网络 - c" r: D* n0 @5 A9 R/ }
| | ├──1-反向传播_链式求导法则 .mp4 86.47M4 H& c; j! C8 C, i9 h
| | ├──2-反向传播推导(一) .mp4 127.90M7 ?1 \- k: v o6 d, e2 c# _0 l* v
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
$ o/ @) s: P: @, F# } X| | ├──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, Z- H `5 m2 i# t
| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M7 F; x7 C ?( E
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
+ g( A2 s( X* v, S& R) z" }| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
9 k0 J( Z8 `0 s3 l- B) V7 g├──14--深度学习-图像识别原理 9 C7 }9 W# ?6 u& Y0 t" {4 {1 g
| ├──1--卷积神经网络原理 t! V, v; f2 n2 O6 n
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
* P | L, [4 V. o| | ├──2-单通道卷积的计算 .mp4 104.01M
5 i4 z: g6 Q9 p3 {- S/ \| | ├──3-彩色图片卷积的计算 .mp4 52.79M- c/ h8 n, J' K6 o' W# D
| | ├──4-卷积层权值共享 .mp4 63.93M
. \1 ? b d) R& k0 O. O/ i6 @+ V& q| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
1 P$ x3 E- ~% }/ R8 \| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
5 J. h0 b% n' t( U2 p| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
# v5 X" N5 I8 q ?/ F+ x| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
5 r. y7 l0 p- c! o3 {; F& [| ├──2--卷积神经网络优化
7 p# ]# c# Y2 n8 c4 q| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M; T5 G: Y& e- P1 _ O& ^
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M! o% a N8 E' J: o" a
| | ├──11-Optimizer_Adam .mp4 141.12M) L: M u" D7 _! E5 l# y
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M+ V' O6 v2 v7 C0 z' i+ Z
| | ├──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* f" ^0 T! O/ K% Q1 X3 b
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
. ^ X& j% U3 x4 z| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
* `+ R* F2 R7 Z! W& E- u, X| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M5 e1 e: l! w- b5 F) e7 N
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M# U& ^4 }1 S/ J/ g5 C, C$ I; Z9 _
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
& t5 I+ _. g; G; e| | └──9-Optimizer_SGD_Momentum .mp4 89.70M; x0 {: f) E* Y8 Z
| ├──3--经典卷积网络算法
) h7 N& \2 @0 [' W% d) T5 [| | ├──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! ]# `- J( k+ t/ c0 D6 W8 D7 |
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
% Q4 {& m! p- ~0 j| | ├──3-InceptionV1_V2 .mp4 165.86M
9 c: h5 h- q# u+ l| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M% f9 @- v* v4 r& Y2 h& _3 f% G0 P
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M( Y2 O7 P5 N9 l
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M8 q2 F) @6 k$ R6 U
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
" A! _) J: y; ?" D8 }1 E| | ├──8-BatchNormalization .mp4 99.23M9 f1 y6 X: I3 @" R6 D( h
| | └──9-Mobilenet网络架构 .mp4 150.05M
7 {' _) @& ^2 w0 _| ├──4--古典目标检测 ( f% x, ?) J' K7 p+ ]
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
# a6 I2 j2 N( q4 L, U, [7 x| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M5 z1 W: ^* ~3 {3 T3 I2 ~
| | ├──3-IOU以及python计算的代码 .mp4 23.56M0 b' N( V9 l# ^5 \
| | ├──4-R-CNN和SPP-net .mp4 124.06M B. _3 ]/ R* T/ ]- W
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M$ z$ A2 o/ j( Q, ]# d$ d D; U2 a
| └──5--现代目标检测之FasterRCNN
, d' ]& b4 I2 S& `* [; ] K| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M; [0 o1 N% r8 o, N; y1 H' j+ k; j
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
0 {) \& A% o% H- ?8 B9 M0 n/ n| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M+ }6 J' H6 ?9 N- _
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M) F% o @0 { y' q* d
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M( h2 o$ Z- T% ~# F5 k
├──15--深度学习-图像识别项目实战
9 h# a+ F0 N# f/ Z, {: L, q; w" _| ├──1--车牌识别
s. i$ x- l6 ?" L+ |( b| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
5 O( j/ g4 C' y6 m3 Q4 w: l3 A+ M| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
% Q+ d9 m1 d) D| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
0 K) K. l: S! N8 p u| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
% ?( d$ K* g& L& k- @| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
/ A& l- K0 Y6 j2 K& c8 } t| ├──2--自然场景下的目标检测及源码分析
3 P1 s* M+ {+ O7 g7 n$ v& w6 `| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M# y7 ?7 m3 f1 G) c2 U+ i
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M" N1 o1 q8 `. q
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
3 f- ?1 E4 s: t5 {& U| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
2 s4 i8 @2 v) G C% _| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
0 V' M* p, |* _9 K: Y4 k( h0 [| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M" s4 W* |: [' Z: H0 {8 v
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
) s/ {3 y0 e4 q| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
2 d* |) a" Z: ]' O) A- @. J| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M! h i) j, O% w" `
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M/ z7 i/ O# F" }" f
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M) f0 n. z" {/ s# E r, M) o
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
6 V" f# B K- T6 A# _| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
) P$ M# a8 H$ l8 S| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M1 p* z1 @ e* ]1 o
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M& ~5 @4 h$ R: q
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M8 b: k, k' f% k. M" O+ J# \- |
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
+ k0 _1 [# _& N2 p) p6 I# }| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
8 G- R8 Q# I ]; l- n7 e| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M5 |2 K- ]7 p" X# m; {
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
, n5 Z# n( t9 m I% x9 q3 t| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M) O. I3 o+ [* p
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
1 ^$ `/ \! o3 u1 J5 \6 B* M| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
# F0 r* Q9 y3 @. i| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
9 ~( X7 Y8 U( a9 ~( k. B| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
/ H' C6 Z, _6 I0 x| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M; e7 T# Y" w& j
| └──3--图像风格迁移
* ]$ J7 x5 j+ E9 R% J3 @8 z| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M9 H, y* C+ N* ]1 Y' H, s& K
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
4 G% J" V/ \- ]/ [# d- q/ u| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
- o* ~! D& E5 q| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M% B9 ]* M2 o! r: K: D- M* h
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
9 X, }! K: b! E1 x, A0 ?8 O: [| ├──1--YOLOv1详解
( ^' |! U% k# [; v9 w8 a' g| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
: L/ T5 X2 \" Q0 m2 }| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
5 j( E* U. u, K7 P ~| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M! g- M* v' B' l# G
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M9 I3 q2 h' a5 v
| ├──2--YOLOv2详解 8 ~ W- O, p% }) Q+ u y
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M! G8 V* G( h# Q. {# A& }4 |# w
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
5 |$ Q5 U4 N2 l+ t/ n| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M0 v3 g9 _9 I# n! W
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
2 v0 t/ _" b/ p| ├──3--YOLOv3详解
6 h0 p+ e7 t# l4 E, m% W1 L' Z| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
! t r0 b3 S% z' w| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M' j: c# M& l0 l- J% b) y) e: H
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M ? J8 [/ G) M9 u
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
' C2 Q) c8 g( o }: g b; D| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
. N# u( @ G5 w0 ?- _8 w3 J6 K| ├──4--YOLOv3代码实战
! E3 h, y: F0 m. M& ?# G| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
% Y7 L9 l l1 u( T: K| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M. x# i# R& |! D5 U
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M. \* e7 x: K+ ?2 G! F) O1 F/ O v! P' g
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M! o+ I/ c6 B- }1 K$ K5 y" `
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M% W5 Q4 b" p: `3 V2 r( a+ K, `
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M4 @! A H+ D; V5 U) F
| └──5--YOLOv4详解
% _2 t" E, P7 c. o+ s| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M" f4 T8 `/ Y6 S( k2 H0 J
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M3 `$ A a$ h+ h# s. I$ k( o
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
* u* R/ k9 \% {( W1 q| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M! l! l7 [: F" R. j3 P$ z
├──17--深度学习-语义分割原理和实战
; Z+ Y, U4 k6 T! C9 L' i+ l| ├──1--上采样_双线性插值_转置卷积
3 C5 h& x, m6 t9 d| | ├──1-前言 .mp4 19.46M" \! B' `2 m: H2 t% r7 J
| | ├──2-上采样_repeat .mp4 23.90M
3 W& M8 ]) C, h) t| | ├──3-线性插值 .mp4 34.48M
- I0 B8 Q9 d* a% N- q$ _" T| | ├──4-双线性插值 .mp4 125.71M; r$ t9 g) v+ j3 K% m
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
# [& B0 m& S! K C| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
* T# P+ x' f+ T) f. t( \& N: m N| | ├──7-ROI Align .mp4 58.38M' ` c8 u8 k8 r% @0 f
| | ├──8-FPN思想与网络结构 .mp4 92.14M
( S; S. G$ [7 N9 E3 b# k| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
% c- d! ]; M6 i: i/ K/ s| ├──2--医疗图像UNet语义分割 + Z0 B8 a, U7 z O
| | ├──1-语义分割的基本概念 .mp4 18.33M6 Y; g5 f! I+ v* y7 w4 K
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
* \ W, ?% U6 } N, V- g, e| | ├──3-UNet网络结构 .mp4 30.41M
& g! L! l b$ M7 V5 R- b/ A| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M3 s5 S8 U9 C3 \
| └──3--蒙版弹幕MaskRCNN语义分割 . M, Q; H- O2 v/ f* o# `6 ^6 Y! F
| | ├──1-MaskRCNN网络结构 .mp4 106.38M7 K1 @2 h8 R6 K" J
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M9 y# E% L% ^& e- \
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M7 u! S# k y0 i
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
% L# k5 L! g1 O7 W Y1 s| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M) ?1 @. l: l- }) P& K1 M! l
| | └──6-MaskRCNN源码config和model .mp4 244.48M3 x0 J$ j O& j) o+ |6 K$ p D# E
├──18--深度学习-人脸识别项目实战
! \/ W/ `' y2 Y! w( j$ z+ e| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
0 j' l: e# H8 i/ d| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M& r1 V& _* c8 G8 Y7 C8 `* v
| ├──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! F( J6 u. a% \" |0 @! D$ f* N
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
5 M" s; V1 v, G3 @: o| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
+ Q' u6 b6 N) P" ^0 S7 a| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
6 M: k/ L6 m) L5 X, m! o| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M M9 T2 A A+ J& W7 d# y Q, `5 i" j
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M% L9 o# D. @* p' c' A
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
# f5 i; `% g3 X| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
& N. t. G' q1 F+ k7 ~( [| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M6 }+ S7 u) h, W5 v3 j
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M% r& e5 W! @& D. x' h
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
- x1 n5 x% A1 e0 \| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
( _5 ^- ^- |6 [! H| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M5 c8 b- s& L ^0 B8 r6 F0 `! x9 y
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
2 o7 r5 W8 I5 U! ~| ├──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
1 f+ S$ d, I. J! C/ c1 O4 ]| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
; ~" y% D9 t. W| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
) G+ C/ t9 X- D1 G: |7 S├──19--深度学习-NLP自然语言处理原理和进阶
3 B9 n) M) {0 k2 X4 B `) X( x| ├──1--词向量与词嵌入 ) W) f1 g2 m3 x- F
| | ├──1-N-gram语言模型 .mp4 116.32M
, H7 `7 h0 n- D| | ├──2-NPLM神经网络语言模型 .mp4 155.81M9 p3 x* W2 J/ u+ q/ M ~
| | ├──3-词向量的作用 .mp4 58.00M
& f: y+ A9 {5 x% G4 w0 A( Q) e| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M4 H8 ^: T8 R2 C6 \1 I( o: o* K2 K0 J
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
9 o3 O) {" [1 T& J* K| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
1 P0 K, n. k6 B' S6 N| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
5 y( L6 t1 W& G1 m/ d| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
6 P" @7 l5 J7 u* e| ├──2--循环神经网络原理与优化
% B+ ^7 _' ~' y7 B8 |& e" Z! _| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M) z, B7 N% l0 T. r/ W1 F' c, L# B( M
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
/ } T# r* I& ~( \0 U) k8 G& E| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M F# j% b+ M/ k" ?& W1 Q/ W- k
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
* O/ |6 J3 d, P7 t8 J: p* v| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
/ @; V/ R/ d: l! b$ ]/ b| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
6 w3 o' ]0 z7 E& x% x$ h' F! I| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M/ O5 q3 L& a$ F+ W
| | ├──8-双向RNN_LSTM .mp4 52.01M
' \" W1 b, b3 V! t# }9 g| | └──9-RNN里面应用的Topology结构 .mp4 23.04M0 ]. w6 o% ~. |' k
| ├──3--从Attention机制到Transformer
! H1 d* m# G# U4 R| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M$ w: P7 g H- T6 r8 I- C& M' `
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
2 H8 Z7 ^7 b& [5 [| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M5 g) d. W; a/ u% V6 D$ {
| └──4--ELMO_BERT_GPT
. M r# ]5 e' x2 B0 f3 Q| | ├──1-ELMO .mp4 62.44M
* A$ V( {8 b/ |" f/ }+ `- C| | ├──2-BERT理论 .mp4 99.73M
" ?0 @- V4 Z6 @$ E| | └──3-ERNIE_GPT .mp4 56.34M
) V9 a1 ^+ i6 Z/ M├──2--人工智能基础-Python基础
% `" X+ K) l; P: ^7 c2 v| ├──1--Python开发环境搭建 + E% ~! Y* I9 Q
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
; K6 V o/ ~9 F! I: W| | ├──2-Miniconda安装和测试 .mp4 57.12M
4 e: N6 _+ ~3 E& p$ l# y m| | ├──3-Pycharm安装和代码运行 .mp4 71.57M* i; Z0 g( Q$ T3 |9 Y8 a7 v4 C
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M" {% Q2 N& T2 Z& ]+ a. b
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
( ?2 p, f9 F9 D0 g| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
, V0 w _) X v* y0 x, k" x- i| | └──7-关联虚拟环境运行代码 .mp4 38.14M
" [" z) J& e; M6 s6 F5 H" H6 m| └──2--Python基础语法
; G9 C) b) S! v# d; R+ k| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M+ [+ }$ m6 N9 T0 Q' C- t- A- f
| | ├──10-Python_集合操作_列表 .mp4 34.71M: \* n6 M/ q }
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
+ N; G/ ^+ h0 {3 H! N| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
: I* y( ]+ A1 H! O% p4 i* X: p| | ├──13-Python_集合操作_元组 .mp4 43.46M
- x3 v3 }+ ^: p5 o. E' Q( x& K| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M$ f, ~( A& z2 T' H! x
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
3 h" x! g2 c1 i4 F| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
" J0 F3 \% r0 E) y! X' f1 h| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
# t* `- u0 B7 s- b5 f| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M \7 `) \0 r. _
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
t% I1 M9 y' h/ M f| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
. I& a& Q) ~& q2 S. ? C9 u| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
- r8 M. J2 x" u) S| | ├──21-Python_函数_递归 .mp4 23.46M
; \! w2 Y7 |; G" i3 d% ], x| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M$ _) x5 \( E% }1 V
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
2 o' G8 t% n5 x- R| | ├──24-Python_函数_闭包 .mp4 41.61M: }# w/ H/ A0 K) L* ?
| | ├──25-Python_函数_装饰器 .mp4 30.35M3 b. y, m x& E, c `5 N
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M. L E4 g) W: N; j7 G% u. S$ o
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
+ H8 q T2 e* c7 ]0 Y( c2 C| | ├──28-Python_类对象_内置方法 .mp4 29.17M) ^% n6 w. R! w9 b
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
1 x m: v: ?0 X- || | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
6 W# N7 K, E6 ^1 }; T# m E# @ ~| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M* k7 ^6 }) `) S
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
: ~; Y/ T, i3 M7 N| | ├──4-Python_控制语句_while循环 .mp4 25.02M! Y* ~1 R: Z" I8 L, N
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
' l7 Y. }& e O$ M1 c# E| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M& l7 B' C9 M+ [, `5 S3 J5 m: U0 O
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
- u- m* `3 D+ H$ Z9 P& A3 @! ^| | ├──8-Python_切片操作 .mp4 40.20M$ \9 ~. R% M2 \2 p: N. X: D
| | └──9-Python_数据类型 .mp4 25.38M
; M' F" A5 b0 P, K├──20--深度学习-NLP自然语言处理项目实战
+ U1 B0 R9 ^% W! t$ `4 O' [| ├──1--词向量 ; [2 N) [5 e8 A1 J6 e: c* s7 Q Q& \
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M2 o* _& w$ o. u$ P5 X
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M- Y3 E" Q, R% u' @
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M2 B. ~+ k' S+ h
| | ├──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
, c3 E9 M( i A| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M+ N! A, l; ^% S+ C- h1 m( U/ @
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
/ A+ ^% R( u) I6 U| ├──2--自然语言处理--情感分析 * ?2 P; m8 p: d6 O( u
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
5 e- a G- [$ s2 i s9 G| | ├──2-数据预处理_01 .mp4 79.65M1 B7 g- s; {; _. a6 J* V. ?
| | ├──3-数据预处理_02 .mp4 45.68M
b! j! q& A2 [9 L| | ├──4-代码讲解_01 .mp4 52.29M1 N5 U7 N( h W
| | ├──5-代码讲解_02 .mp4 60.85M
& S7 v& O1 Q, E# ~' N| | ├──6-代码讲解_03 .mp4 53.89M
" Z! y: M* Q* Y8 u/ b| | ├──7-代码讲解_04 .mp4 57.19M6 U# w2 t# n0 N- I& F( E
| | └──8-代码讲解_05 .mp4 35.88M% H: S1 F- ?; f* v0 K
| ├──3--AI写唐诗 5 K+ l: a: o6 B2 B* A8 }: Z
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M4 }4 P5 F+ n( a
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M0 F8 Q% n7 ~2 [ U" J* |
| | ├──3-MultiRNNCell单元 .mp4 38.93M
6 C2 w) C- @3 O| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M5 D+ P# J* Z/ j# z; w* `$ G% W
| | ├──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; w7 S; ?7 j4 U' K' x* G. s/ ^
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M! N+ @* T2 C2 [2 C, @5 X
| ├──4--Seq2Seq聊天机器人
$ L# @1 O4 y% y# B; J! j| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M* ^. T* m6 q0 x0 j
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
" p# H$ g1 X7 g x, ?* c# W| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
4 I0 r! E6 [6 K5 c( g- Q: \| ├──5--实战NER命名实体识别项目 ' ]. R# u f( m9 _. d; ^
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
8 L' A* a' O3 E2 e8 Y| | ├──2-介绍了代码目录结构 .mp4 23.44M6 v- m2 C: f+ O! }
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
/ V: \$ G* L; u; Y- W, G| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M2 f6 B9 Y1 A3 t
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
3 ?1 R3 \; e, r. W| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M/ H7 j4 o( m# T% K7 D( O$ m) [, Z
| | ├──7-CRF中的特征函数们 .mp4 125.97M
- v5 P4 o1 o8 G6 K' }| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
W# H& E8 H& V| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
. u$ }" h, u% d6 U' J! o| ├──6--BERT新浪新闻10分类项目
+ b# k1 J; Y! M* n| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
+ g0 K A/ O" S! f/ |/ c6 C; ~| └──7--GPT2聊天机器人 $ [ S. z. m! ` e
| | └──1-GPT2闲聊机器人 .mp4 62.28M
$ z4 ?$ ?; @7 W% B├──21--深度学习-OCR文本识别
$ h: R3 j( c% s0 t2 A' |" e| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M1 k! L. }3 w9 e* D/ }, w
| ├──10-CRNN项目代码剖析 .mp4 306.48M
4 d$ C& x$ I$ B+ @: G| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
! r% I8 ^0 N8 I K" ]| ├──3-OCR识别的CTC损失思想 .mp4 327.69M p! p1 o- |) j1 z( d/ r( N: z
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M% @& q M2 K o# v: c+ d$ k
| ├──5-CTC损失函数的理解 .mp4 330.64M
/ f: v2 S# ?! F& h$ `| ├──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" Q- P1 {3 i8 N; T. C
| ├──7-CTC前向后向算法代码 .mp4 225.41M
7 s' g9 C4 c' \% X2 C| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
4 V, M; W- a, D5 v. [* T: u; E* ?| └──9-CPTN项目代码剖析 .mp4 491.69M
$ y* N; G& H6 y9 M, r& @* j# E" y├──24--【加课】Pytorch项目实战
8 Z1 J e3 [% s5 t| ├──1--PyTorch运行环境安装_运行环境测试 " I: C3 P2 L2 x( @8 ~. L9 D; D) i
| | ├──1-PyTorch概述 .mp4 29.29M
" z) b( m' z/ |+ j/ M0 C6 M9 I| | ├──2-PyTorch的安装 .mp4 76.45M
7 q- s* V% a) |* h+ F" ~| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M, ~! |5 N+ S2 [/ Z" G
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M- {7 J; |) b4 h5 {0 `, H' w S
| ├──2--PyTorch基础_Tensor张量运算 ' P( @( L6 X& M+ S4 v
| | ├──1-Tensor的创建 .mp4 55.14M* u$ ^2 D& R. o, W7 Y
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
B' C5 ~9 d9 Z0 t8 _| | ├──3-广播机制_逐元素操作 .mp4 44.46M
" V; y: t' w m4 S| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M- \. g, L# [/ ]
| ├──3--PyTorch卷积神经网络_实战CIFAR10
, s+ Q- [3 m3 s$ V" m4 o: p| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
. h% j1 \7 Y- E3 j( \| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M; o, X! N# O7 R
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M K) g; D7 K/ w
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M9 ]" T" ^5 W3 H! r3 z# f
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
$ f' L& W" ]& c| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M& ?1 b8 e. A, F7 X+ H- f/ g7 ^, R
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
7 Z9 R4 Q% C6 i1 G R3 m! U/ M4 }| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
# A/ m& K. G4 x| | ├──8-torchvision里面的预训练模型 .mp4 29.84M# P z& l$ H/ i7 Q
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
* `' v, D4 H. w% n) |+ l, X0 e| ├──4--PyTorch循环神经网络_词性标注 8 J" M: }/ q; R$ e, v% ?2 w) D
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M" |4 J8 |! n$ l2 Q
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
4 J. y9 X7 q! Y| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
h0 ]: U( t$ X: ]| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M* T1 O( r' z$ _- z2 Z$ i
| └──5--PyTorch编码器解码器_机器翻译 , l k- _3 c) v, H; A
| | ├──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# G) M6 K5 x2 K; ?8 B9 s5 Z5 v
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M' |. i Y$ U# Y- j3 x3 B# P( j
| | ├──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
y: X7 t8 G/ A/ L$ l+ T' l| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
8 A4 y2 N: ^: g1 Z* x| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M' U3 I! _# _ i- z
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
2 A7 R- v( C/ _| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
! J' |7 D! n- _- H| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
6 t4 X" b( z* l/ H& [├──25--【加课】百度飞桨PaddlePaddle实战【新增】
T) [4 u- I" c; f% }| ├──1--PaddlePaddle框架安装_波士顿房价预测 6 z' q- h {, @' b$ R$ @* B* V
| | ├──1-安装PaddlePaddle .mp4 87.34M
- H9 p$ @0 Q) F5 p6 i% H9 H| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M# q5 K6 C6 L7 |( Y9 c+ D5 ^$ h
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
( ] y* n, h5 Z| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M4 q5 l9 ?$ {" ]3 ~1 _
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
4 `; j, P' F j; D9 e| ├──2--PaddlePaddle卷积网络_病理性近视识别
0 J: z1 j8 W, k6 h| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
+ X, n: O8 v$ K$ Q7 i H7 |! P+ s| | ├──2-预测病理性近视_模型训练 .mp4 86.66M3 \ x% W( [( t+ E1 ~2 }6 i
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M5 k4 M7 P" `$ d, G" J9 k
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M, T( |) ~# _! H8 a9 @/ I
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 4 Y6 |% W- M+ E7 t( h; j# K7 M
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
- r+ ?* _: d1 `' W- P9 m7 _| | ├──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
3 v$ n" F. S5 H( x| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M, _ O$ x% l0 ~/ |6 {
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M5 \- P% B! G( ?
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
) q3 G4 q8 Y5 s0 r3 |) g% G( C) W| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
8 e8 @; R) Q# I( D% F| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
5 ] ?( i8 |! v6 C' i1 {& ` `| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) ; R: ~4 ^; f% p! z* `& k
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
6 E/ O9 @, Z, N7 S7 I8 J( a| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M2 M- L6 u" a1 R& m0 z
| | ├──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
. e Y, P) M: f2 A1 E; u6 N c% ?' A| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
, ?; l ^! t( C2 s) G2 u/ m3 Z| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M$ K5 F' m a- I! v" G
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
# M$ o% F; @; B6 Q8 || ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） ! |4 h6 T( S7 G
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
/ S) e! [* t$ {/ e7 t4 \| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M& G/ M, e, X# A# C0 }
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
& w+ o( Q" y% r| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
, }4 @/ w& R9 X5 C| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M4 S. M) v: W3 s/ @. C3 l! ?
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M$ B; O' `$ ~" f: X$ u. I! b
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
" X( X8 ~( M2 y- R3 @| | └──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: e# P5 m( ?1 ?" f8 d; m: @
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
* j% X# G# j$ P- u5 P y. [| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
4 I; R, a6 _/ |( ~* J) b| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
4 K# U( U; 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 47.78M
% S% K8 w& y) t| | └──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
1 Y8 g0 q$ N/ k8 I├──26--【加课】Linux 环境编程基础
3 u. B! v% k- i3 {) E/ I| └──1--Linux
$ h( |* A8 x! q' B0 e0 @| | ├──1-Linux_课程介绍 .mp4 3.72M9 P6 Y& ~( s) ?* `
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M1 `/ c/ M$ c. K8 m
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
* V! z# W- M0 L, D% g| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
+ M) U/ C; A, L; U0 p| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M( N5 ~+ O: @+ |0 j; N- B @5 }
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
( M" [' k1 @! b1 _8 P| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
4 ~6 ^; Q. s" d$ h' T; u' k5 g| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
$ w$ N, |; f5 o' j+ j2 R5 K3 @! W| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
# m% R+ S6 O# g% |& z% z| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M Y1 F% [- c) m; r% Q; X' A; Q
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
" u9 L: [5 y' \0 j, E| | ├──2-Linux_Linux简介 .mp4 17.59M y+ I5 A$ w% y8 k! K
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
# `9 }5 Y6 ?/ \| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M+ W3 C$ V% t# A; I" E2 Y, j
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M) e3 a4 r, n" @# h7 S- e9 j
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
. N+ Q P( g0 N& w| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
: v6 R2 o: n" }6 p, x- O- h& |' U| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M! {, ?4 l5 D/ j; w, s; u5 Z H# J
| | ├──26-Linux_安装MySQL .mp4 79.02M# X p6 M# s+ w) s; f
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M3 {7 W( f7 Q) n: e x
| | ├──4-Linux_安装Linux .mp4 41.97M% G7 D) i N6 O$ q9 d
| | ├──5-Linux_目录介绍 .mp4 20.31M
* X3 K+ a& Q4 y% s) q; r2 L8 g| | ├──6-Linux_Linux中的路径 .mp4 18.65M2 u7 m( C0 l# `7 X O- ^
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M8 `1 L7 f! z l$ P2 G& p& M6 x
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
4 y3 _- ?% C. ^| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M0 E* G |# w {! p3 @2 k
├──27--【加课】算法与数据结构
. X+ M; L, H% ?| └──1--算法与数据结构 5 {: V& ]+ k" x9 `8 m7 W; R' \& J
| | ├──1-数据结构与算法简介 .mp4 35.68M
$ m2 F- ]6 i/ G1 P| | ├──10-哈希表的基本结构 .mp4 54.34M
: f- C. U- l ?, j& {* I' w" ]5 n| | ├──11-哈希表冲突问题 .mp4 75.92M
$ I" L% m: K0 T0 Y| | ├──12-哈希表冲突问题2 .mp4 72.30M2 {! V9 v4 Y; g5 f9 f7 U4 c
| | ├──13-哈希扩容 .mp4 111.03M
* N9 J" o j) F. h( d| | ├──14-递归与栈 .mp4 50.77M
5 M/ d3 I3 Y/ }/ ?' c. B| | ├──15-线性查找 .mp4 57.80M
% f6 G3 h/ `0 u" E, j e| | ├──16-二分查找 .mp4 52.32M
$ J' Y8 ~0 r' O; P| | ├──17-冒泡排序 .mp4 53.19M4 E3 Z# H0 K( L! l
| | ├──18-选择排序 .mp4 43.29M) N! P$ u( B% x
| | ├──19-插入排序 .mp4 31.39M5 E f/ N4 d1 Q& c: [
| | ├──2-大O表示法 .mp4 25.59M' F: m ]1 G" m; G/ L5 x
| | ├──20-归并排序 .mp4 84.48M
7 e9 p& _) r+ h/ K| | ├──21-快速排序 .mp4 36.63M
6 A! f; l' S" C* h| | ├──22-树结构 .mp4 96.85M" E# ]8 i9 i' N, ~/ w- k
| | ├──23-树结构的遍历 .mp4 61.05M
7 s$ n1 y7 [0 P9 y: V| | ├──24-最大堆的增加操作 .mp4 45.43M
% i2 A+ u8 n& |/ C+ V| | ├──25-最大堆的删除操作 .mp4 45.63M2 Q3 R0 e l' T/ Z5 G9 ]
| | ├──26-二叉树的查找 .mp4 100.24M# u8 X) v$ O, q, n/ N0 H( G& P
| | ├──27-二叉树获取最小值 .mp4 25.21M
; f9 n6 H6 g0 f4 O| | ├──28-二叉树的添加 .mp4 72.66M
) ^& T6 ]# t2 M, Z& \* s5 t| | ├──29-二叉树的删除 .mp4 120.06M
' p2 i+ z- _8 i| | ├──3-线性结构 .mp4 53.14M
& K( [9 b9 F3 {| | ├──4-单线链表1 .mp4 68.36M
: \% {. |+ V O9 @( {7 c| | ├──5-单链表2 .mp4 221.69M
3 I5 X- o7 }5 z; k& h! _0 y, e| | ├──6-双链表 .mp4 103.57M1 t/ z' ]! O5 U! h7 A
| | ├──7-队列(链式) .mp4 74.12M
2 O- ~5 m2 h! M& y9 I| | ├──8-队列(线式) .mp4 30.99M
6 N6 Z3 R+ j. ~| | └──9-栈与双端队列 .mp4 28.12M: g1 Y' ]: i$ ~4 K+ h: F! h
├──3--人工智能基础-Python科学计算和可视化 6 T; I( e+ Q' s. S6 s, i# t
| ├──1--科学计算模型Numpy 6 p* X: i" [4 ]$ E$ c# G
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
5 R, ? u& I: ^7 l; U| | ├──2-Numpy_array_arange .mp4 35.45M! U; M( q& m0 u0 e
| | ├──3-Numpy_random随机数生成 .mp4 50.54M: {* i5 `+ w$ ^! x/ `4 W8 S
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
& v+ W8 O- ^; g% `. y. || | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M4 C* v G; D9 N# }6 M
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M) J" t: U0 Z- y9 Q
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
; V6 ^, b/ V+ c2 D v1 A7 g% T| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
' o- Y y# W; w7 M* `# Q| | └──9-Numpy_聚合函数 .mp4 23.68M# H0 D; t& O: s/ x) d3 ]5 Z0 H
| ├──2--数据可视化模块
: c6 e0 |/ a0 R" `0 `! T& D4 w. J| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
" F7 b$ m, C' `+ Q; Z| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M% N& d- ^( Y! [0 H
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M: n# q- G, D) a6 ?5 z1 o
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M! i# D5 M6 v3 @0 B
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
- @9 y- |$ P( s; Y4 N| └──3--数据处理分析模块Pandas
0 V% N5 C. j0 P) g* j| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M! Q; e" E) r' E1 l v# |+ b/ l& K7 ~
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
2 a, r+ [5 V( f) K6 I& O& a| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
$ a) O9 A2 \! d/ v( o| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
7 {+ g7 \3 I8 e# U! i& ^| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M1 P3 N9 W$ n5 I
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M7 B0 N9 t, h# ]( i
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
: ~& L" f3 x3 F3 ?. i├──31--【加课】 强化学习【新增】
@; u9 n$ h+ r5 b' `8 J" H| ├──1--Q-Learning与SARSA算法 ; P" H* l% o1 O: H/ E. y9 f& Z9 k2 {
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
8 L. o$ u$ E7 g( J b| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M( Q' y. h9 x% l0 V! g6 c
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M- u1 N. S" b# O* \' Z( }+ \
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
6 P" F7 J D/ c3 ~0 Y1 \9 {| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
$ T1 n( N7 [9 M( ?| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
, g+ x/ r& j! o4 K( B2 G0 C| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M, H: O% M" ]+ ~, f5 w, o. X5 b* I* ^
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
# p2 e# x% W; T( L0 b( F$ B/ v| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M- g' T1 G3 C# | v
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M4 j: V% x- s- k7 h$ M5 R
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M- ?5 m0 X' T7 a- @1 k
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
9 u6 i. M: k* j4 }, a$ S1 Q| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M% I1 t/ ~8 r9 q
| ├──2--Deep Q-Learning Network 8 C$ x$ k8 k6 X
| | ├──1-DQN算法思想 .mp4 59.24M/ }% x( Q, [8 r& o9 j( R- c' U
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M% y7 M4 n0 X- c+ u4 T9 M
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
% {; J, M6 Z7 X" b| | ├──12-DuelingDQN .mp4 88.12M
1 ` A+ Y4 }* Q9 E: z; n# T| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
- H' j5 x& x5 v5 [| | ├──14-计算Action的方差避免风险 .mp4 54.23M& ^% L1 g6 i% J) A' L
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
& R' h3 f9 y/ U: G4 j4 W+ t; m| | ├──2-DQN算法具体流程 .mp4 56.17M
& }) [ k% u$ H| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M/ k) b3 y, Q% w* v7 v* R
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M) t; d3 p2 c' e
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
+ g" b8 ^) y# q0 Y| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
" ^2 y2 @& q7 f! U2 x. {5 ?| | ├──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
+ }% X0 } @1 k$ d| | ├──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
+ Y: K6 x/ `, F; ]& L6 T' || | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
. v1 Q/ J ?6 y| ├──3--Policy Gradient 策略梯度
# L |- B" p; o6 d' G6 Q; @1 ~/ C| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
* i) D( _0 B' g f3 X| | ├──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
( V2 i# s0 N) h| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M$ w, w4 R) A: i! B4 ]& D
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
* x# [- o* W, X3 D5 l| | ├──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
$ v; K+ ]5 z' p/ G7 G || | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M" Z$ a0 v3 Q) `1 ? ^
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
/ {+ O4 P* c2 c: i* V| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
8 v& {6 Q0 ]1 C9 I/ N| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M! P0 k! e4 b. S0 N" L+ f
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
# J+ M2 O: r! y* z8 Q# q! d+ e" g| ├──4--Actor Critic (A3C) . {/ \) ]. y0 }( f) y2 k; s; h
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M( K4 i9 M2 I% A: O4 C
| | ├──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/ P/ e7 o4 F% e! @6 Q
| | ├──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
/ C; F: A: q; @* o; {| | ├──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
2 w# P1 Y$ s- p& a/ O| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
?( r' ~9 S1 S| | ├──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
! ]5 V/ z% ]; B8 U& K| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
8 p0 W; v# J% S7 I) m( h& ?| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M$ G' x4 A7 M& x- N) N; T( m
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M) x- H" x" e' ~2 |# [' {0 U
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M$ O$ e. {4 I" d' T: H$ T
| | ├──6-A3C架构和训练流程 .mp4 74.66M( O$ D8 e+ @) Z2 {+ ]' Q8 F
| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M- r- V T" u s% T
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M: b0 s2 ^& l/ G) [/ K, }/ V: s
| | └──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
' C# G2 W: G& K; ]; t| └──5--DDPG、PPO、DPPO算法
0 o) `; p; d$ N| | ├──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- i. a0 \* Y2 Z: a5 ~" \) }3 `5 S' ^* ^
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
* M4 E0 C) J) h9 Q& P2 ~8 C* o| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M+ c5 S% S4 N V& j
| | ├──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# L, A! I" d- x8 [4 V6 w
| | ├──13-DPPO分布式PPO .mp4 63.81M$ {! T7 D$ T1 p3 _' G" e# G
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
9 g% e9 R& q% b7 \4 k2 B| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
; L4 p& G$ F+ I: `5 u! ]9 L, U| | ├──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! \- A1 ^& b6 M
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
( X8 }; G; a: C1 T8 A| | ├──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 44.17M6 i$ Q" \: f: m$ a8 B
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M5 s! ?* O/ W9 {8 [5 q$ b+ D
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
* F7 W8 G {8 M5 z4 s1 t| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
t! }4 Z2 P. p( n| | ├──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
+ t" G0 i; K0 j# E: B0 q| | └──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
' v! |: W) F; _├──4--人工智能基础-高等数学知识强化
5 n. {$ E& m# l/ D1 o, p| ├──1--数学内容概述
* z8 l3 K7 U; E! |1 I. s| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
L% D# P1 J3 d% t w; N, \8 k| | ├──2-线性代数_概率论知识点 .mp4 26.81M0 W" K3 Q/ |3 _. U. |+ d# r
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
: f4 ?, B7 `* M$ `( Q1 || ├──2--一元函数微分学 6 L% ^/ d0 ]7 f: w/ C; Z
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M6 v3 u2 E `# s# t4 x
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
' q' V8 m5 w% @* a. Y5 @% f| | ├──3-常见函数的求导公式 .mp4 22.76M
. h @/ l3 p0 b% x| | ├──4-导数求解的四则运算法则 .mp4 26.52M
& m0 a; x! M0 Y8 r/ S$ x| | ├──5-复合函数求导法则 .mp4 19.68M
6 U! }4 P( P, ^* H- a| | ├──6-推导激活函数的导函数 .mp4 33.40M
) p3 f C( ~; d* n4 n| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M- y. b8 I& e( F1 E1 ^4 _( w
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M; J" N u9 \/ a* C
| ├──3--线性代数基础
, r# k0 }- |* o( V, ?| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M P! |/ t' r( I3 k' I" k, h: v
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
+ M& Q- Q: X! i! S% K0 i! S| | ├──11-矩阵的行列式 .mp4 20.13M: N( @& d9 ?# S& S5 b( u
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
0 O0 v3 `- n" K: Z| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
! x+ S# H5 o* a" b5 ~' o8 e| | ├──4-学习向量计算的用途举例 .mp4 20.32M2 J; t6 v" `: P' C/ s
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
, R: w) \+ T8 ^# ?| | ├──6-特殊的向量 .mp4 26.45M
# c) }3 W8 f2 R. b* l$ @| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M- y+ S; B/ V, G, Y# M
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M; P/ a @- q4 d' }6 Z
| | └──9-矩阵相乘 .mp4 20.02M; K% ?+ L1 u D" _9 |; d! ~9 P
| ├──4--多元函数微分学
w5 S" o0 p5 v& m| | ├──1-多元函数求偏导 .mp4 22.61M& M/ M# I$ j$ |# I3 u; m2 @
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
0 [- l7 _) E, [- j/ h| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
, k8 y+ Q- d7 N) O! R- l. w| | └──4-Hessian矩阵 .mp4 32.93M
# R8 {4 p( t. N* i| ├──5--线性代数高级 V$ f/ W1 T- q1 |3 \
| | ├──1-二次型 .mp4 27.70M
: h! C1 a7 E8 c& @* k8 S| | ├──10-SVD用于PCA降维 .mp4 24.90M* D0 S8 k7 f) L: m- z n
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M: {* {6 n3 C- s. h8 S( ^
| | ├──2-补充关于正定负定的理解 .mp4 23.48M' |+ \; K5 m+ z9 E" D2 G
| | ├──3-特征值和特征向量(1) .mp4 29.83M$ O: B+ a# f1 G
| | ├──4-特征值和特征向量(2) .mp4 30.07M
% Z$ s# Z( N/ a| | ├──5-特征值分解 .mp4 38.68M! R7 u; e# I! p M8 ]
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
2 ~! C% Z) U, i: _; P| | ├──7-奇异值分解定义 .mp4 22.58M5 M, H1 w! y4 v
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M/ N: w/ W4 c P- _7 h Y2 V9 C
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M6 ^1 Q1 N; E0 j# O. A, n0 C5 \
| ├──6--概率论 5 e# G; H) m" C$ _/ V
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
3 n( D4 D: f* u# J$ U6 ?5 C| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
# G2 y; s9 |. U2 f7 ?| | ├──3-随机变量 .mp4 22.57M5 w0 C) ^ [* X3 A& b
| | ├──4-数学期望和方差 .mp4 22.96M
7 ]: B7 M& k( E- O| | ├──5-常用随机变量服从的分布 .mp4 22.48M2 k: Z& `; H2 C1 z3 s
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M2 E7 p$ X1 D6 ~( s
| | └──7-最大似然估计思想 .mp4 23.42M
+ P, m. E3 }: a# j; f6 @| └──7--最优化
. M: ] [5 G# p- S| | ├──1-最优化的基本概念 .mp4 35.14M; ^7 M) k4 c1 J- p w
| | ├──10-拉格朗日函数 .mp4 27.46M$ {$ z0 U9 C- m/ ]# u: `
| | ├──2-迭代求解的原因 .mp4 20.15M9 H$ F7 ?6 X: b2 u; K' [' O
| | ├──3-梯度下降法思路 .mp4 26.33M' M& Y$ s0 r9 s( E, n
| | ├──4-梯度下降法的推导 .mp4 43.56M5 g5 s- p2 M9 t `, x# w7 M
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M0 K6 _* X7 v3 d W/ g
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M; o& \; s" Z a% m
| | ├──7-凸集 .mp4 21.90M
% q M+ x. U: z/ H1 F| | ├──8-凸函数 .mp4 16.93M7 B. d* p9 l( ]$ `
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
4 Q8 m, j/ l; \. a' U8 P0 n├──5--机器学习-线性回归 5 u2 a3 q$ x6 x* R
| ├──1--多元线性回归
! z. k$ F1 S h0 c/ Y( v/ u| | ├──1-理解简单线性回归 .mp4 51.11M4 }# w$ U# ~' r% q2 Q
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M7 F1 h; v$ I; b, P) s9 _1 G
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
4 I) v, f$ g: L9 [| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
, \3 @' Y% R! Q3 [8 v| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M# O- \, o+ l" C. k; ^" Z5 ~
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M. E i L3 W: }4 m$ _
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M( N6 h( R2 F2 D: m# L& {
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
% F/ b' { S4 {6 R* z| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M) [3 }6 @, n, Y. R% Z! a1 o: g, G
| | ├──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
/ r7 Z N1 ?! H2 q" } m- A| | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4 34.67M
6 c6 `) D# d8 Q; X# H| | ├──2-最优解_损失函数_MSE .mp4 39.58M
; A: C1 W( V4 o- q+ Z| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
' y V7 H, i7 Z. h; i6 Q5 Q0 {| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
) X. _0 O7 c. ^- w0 s: w| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
+ ?8 O/ E+ V- s1 R/ Y5 T' X| | ├──3-扩展到多元线性回归 .mp4 32.15M
3 P3 Q* Q/ o9 V/ M( f& i| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
6 `/ i+ F6 J9 A X8 _& C| | ├──5-理解维度这个概念 .mp4 41.41M
( j) `+ |" L6 _| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
( A- E J* K+ n* k| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M0 M& N+ A8 \* B
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M7 f" T* ~5 J$ N( I* m5 z. J
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
) a" }/ c- z9 _0 l2 u| ├──2--梯度下降法
$ T6 y! C& `; X O/ \| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
3 Y+ O5 ~/ K7 z1 w3 K| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M) t: C# W; r& }1 ?5 f) H
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
5 \- x; p) T* _/ q| | ├──12-代码实现随机梯度下降 .mp4 26.67M
# a. [1 X- [* y, ?, K& S2 Y. C9 ^| | ├──13-代码实现小批量梯度下降 .mp4 27.32M# s7 s6 ?1 Q# H0 B t4 J
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M1 v( y$ h7 i9 [8 v' M$ N$ W
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
% G' |$ N$ j i! r p- Z| | ├──2-梯度下降法公式 .mp4 57.12M/ g0 ~! f8 {1 A( }: U# {
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M/ a4 B- ]4 `) f7 y
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
+ e+ T: T, {2 b* i$ _* p5 | F( y| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M" B5 X" v( s( n% { p4 E6 t5 N
| | ├──6-全量梯度下降 .mp4 62.84M
- f8 y: Y# ^" D3 A| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M9 q9 ^2 h7 V9 X9 A! I( L. Z2 O; _" L
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
7 V7 R* E Y: ~7 H+ u* x| | └──9-轮次和批次 .mp4 45.22M
& d5 c6 w% o. W3 K| ├──3--归一化 . N. m' m$ U5 S
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M9 G6 t; x# Q$ S& {3 o/ n, E7 Y
| | ├──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
" ^, W9 d7 l$ c: k8 Y2 |) v| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
" v Z* h7 {" n2 ~8 n| | ├──4-最大值最小值归一化 .mp4 24.87M! K. I8 J# ?6 ]( N8 ]3 ?/ ]6 W9 T
| | ├──5-标准归一化 .mp4 51.86M
+ c; z5 h# v. R- U9 H: J! L| | └──6-代码完成标准归一化 .mp4 41.13M; a* c& [( w: Y6 a: A5 Q6 Z
| ├──4--正则化
( E g( d! y4 T7 V+ Q* Q+ A| | ├──1-正则化的目的防止过拟合 .mp4 30.71M- D, Y9 M l0 R, u6 R4 S7 W
| | ├──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
8 ]1 _/ Q6 c& c- z- N, p( L| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M" P; U t1 L# _
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M/ }9 m( }& a: L" e7 W8 S2 v, O3 T
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M8 _8 h+ x( [ a- f8 g5 m K: X, D
| └──5--Lasso回归_Ridge回归_多项式回归
$ `5 `* B* J) c( k" K| | ├──1-代码调用Ridge岭回归 .mp4 76.32M6 S9 Y& Q0 c1 F) H
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
) e1 B9 e( i' M' s| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M$ K4 B4 K" e+ {% b+ N Z
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
. E8 |) C2 ^) S4 w: f: `. ?| | ├──2-代码调用Lasso回归 .mp4 28.73M; M5 _8 \- a; m. S" R
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M9 P4 a+ p9 J& N* Y; e( L8 g
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
% h$ g4 e5 l1 ?. B# k% ?8 S, L6 i* `0 B| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M6 p- g O) D' H, c6 a1 S7 t3 C
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
# v3 W& `* z& K2 y% K| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
% S3 \6 V& q, P" K4 Y" W* _| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
0 ?+ w+ f3 M- Z" X; O8 P7 W& j: a- v( H| | └──9-实战保险花销预测_模型训练和评估_选择非线性算法改进 .mp4 84.12M
; e1 T3 ~$ o5 D├──6--机器学习-线性分类 * X+ @7 B0 S1 }2 ^8 g$ E
| ├──1--逻辑回归 7 e0 x5 s2 G6 T5 P/ P: ]" w
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M* i0 K4 C- w$ }, |7 A: K
| | ├──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 39.83M6 _2 s2 E% I9 C6 I, z; E
| | ├──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: K1 ^* ^0 |0 t$ J& [
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
3 G( c: U/ G! g* g| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M9 E9 j0 ]: W, `$ q$ O
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M8 j+ I" B, o Z( o3 X+ T
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
! W B" M7 T& O/ m% ~! }| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
; N) f. M: q- s7 b7 x5 K9 `| | ├──2-sigmoid函数作用 .mp4 38.15M# C( Z! x1 {2 t& }
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
1 y0 K% ~! d% q7 e| | ├──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# j0 p7 ^5 }) X$ p" h
| | ├──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
& l7 ?! K6 ^- A* h: N| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
8 j5 O/ v" J& ]) M2 y& `$ ]: Z| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M! C! H# o( @; k7 k! \. m' b1 ^8 x" y" C
| | ├──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. J/ l8 v; q: t& O A
| | └──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
- T5 ?0 U- R4 h. T" d9 |% A| ├──2--Softmax回归
0 Q% a$ H# x" H$ w3 L, J3 f% _" _| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M- q' g- |$ c" t& Q( b
| | ├──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 42.74M4 }$ N# C' M' o1 I
| | ├──11-实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果 .mp4 49.16M5 b( A$ p8 x% q! |* g8 ^' S/ Q
| | ├──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- A7 l3 K) P) G8 ]5 r4 L9 g- @
| | ├──13-实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题 .mp4 78.03M/ C7 G' g0 f: k4 W T& }
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M9 `2 L, B2 {( z0 ?) V1 s$ @. G9 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
( W4 t0 L1 L) r$ g! Y K# Z5 J! ~| | ├──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 28.15M5 [, d$ f9 G$ A( D: ^
| | ├──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
$ M% T( @0 D1 e3 h: v| | ├──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
; a# r: Z# d( U$ `| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M) J- M( z( J8 ]/ |
| | ├──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
- ~. s8 ~, I2 D$ d. C. P! \6 k| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M7 U, q* s1 ~' W; l4 h
| ├──3--SVM支持向量机算法
+ \' S4 e) A/ G' `: C& W* g; ^) ?| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
$ [/ [7 I: ~- c% i2 x| | ├──2-SVM的思想 .mp4 55.56M5 B1 z5 c- B3 O! d/ p. F3 p
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
- j- @5 h @& g4 A. M: U| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
: U+ p" G- \. x: W( u! \| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
) K. C- Z8 v* m/ D) A+ C2 v0 \| | ├──6-总结硬间隔SVM .mp4 39.01M+ ~( ]( X& l& U" i1 i5 ~8 ]
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
! |% E3 O! t3 ?" v5 u/ X| | ├──8-非线性SVM .mp4 54.43M% W- g, I1 l5 W
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
3 j. X( S. X4 Q# z| └──4--SMO优化算法
# ]0 `5 J1 e/ }4 a/ J" I| | ├──1-SVM算法流程总结 .mp4 58.36M; G% t' U/ K$ s& U3 G
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
! ?6 _6 C4 E: Q/ a| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M( Z% z! X& p. r
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
- M, L( h; P `0 v| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
$ j3 z# M8 I. e; w* @| | ├──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
* O0 i# Q4 u1 f" V, h; }0 @" p| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
3 b, s& \" ^, B8 o2 s6 m| | ├──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# |% q1 C! r6 i; Q
| | ├──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
" h" b2 f8 B, r! @| | ├──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
- m* X, d. I% R% d| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M
% L- s% T' l. u# i, u6 G" a" }| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M) c. I5 H% _+ f! _
| | ├──7-启发式选择两个α .mp4 23.11M
1 P5 k, z9 O# R( k' u8 m| | ├──8-如何计算阈值b .mp4 50.18M
5 t' N1 ]1 Z' \- t| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
- x( k; t" n* k# A" F% |├──7--机器学习-无监督学习
8 X# P/ j8 B. s* s D# S| ├──1--聚类系列算法
, Z4 a; t% C: Q1 A5 K( E; e6 B- h| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M- Y3 ?( Z$ d6 s; ^( I
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M* i) o p. `* c" m* W
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
1 J6 p4 \* m) ?# U2 _% p( T) S! r| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M# f2 m5 E o6 L& B
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
8 h2 P3 I5 e0 p `1 t N3 m$ i| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
* X) s. s: G- V D" V! J| ├──2--EM算法和GMM高斯混合模型
. A p% @! H8 r6 @# h| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
( s7 H- {+ g. w9 a4 a| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
0 j* v/ j3 H. r4 R# K( L; s| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M7 @5 ]0 q3 r, v9 U4 ?$ I, e0 D( y6 A
| | ├──4-Jensen不等式的应用 .mp4 109.17M+ n4 j- f* \& e
| | ├──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
3 Y/ p0 D' K, y7 T u3 u| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M9 e" u* ?" m- t
| | ├──7-GMM前景背景分离 .mp4 16.01M
; ]+ P0 B6 v/ a2 X% Y. ?| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M! }' }5 C& [) X5 a3 t& m
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M* t! g. `" G8 D5 Z8 y0 L# y
| └──3--PCA降维算法 & Y: O+ @% ]! m/ r4 m) r
| | ├──1-特征选择与特征映射 .mp4 49.38M* m( D, [' n# S, ^+ ~/ j
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M/ Z1 r2 O7 _- q
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
) y- ?1 Z/ X7 n$ L, Z- K+ [' d| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
" d5 w; ^9 i1 ^9 {/ J5 n| | └──5-PCA的几种应用 .mp4 54.58M
: k; }' w8 z6 `6 e6 X( i0 d├──8--机器学习-决策树系列 2 U5 ?/ r* X( _; E+ _
| ├──1--决策树
+ r5 ~, b2 o! r5 R# d! |8 ?# k| | ├──1-决策树模型的特点 .mp4 74.88M
) K+ e- O' v- C) t| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
$ A. y' G+ \0 ?- }! D; g; O| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
) m% P) ?2 N+ T) e( p/ J. F| | ├──12-后剪枝的意义 .mp4 50.49M# H; \! c5 S& {+ q! y
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
% V. s, Z) s7 |+ }' H| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M9 D4 t7 ]# E( q& P$ v( Q
| | ├──2-决策树的数学表达 .mp4 89.94M
/ w; }! U4 a- h. Y| | ├──3-如何构建一颗决策树 .mp4 84.87M
. u& i$ L" [. W9 _3 d| | ├──4-什么是更好的一次划分 .mp4 57.02M
/ F4 K% u# ^- ~. b7 u| | ├──5-Gini系数 .mp4 107.54M0 K) c! {: e5 S! R# J4 j
| | ├──6-信息增益 .mp4 75.26M2 L0 {8 \+ B" E- D A: R
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
3 L# I+ \4 z% u% J& q6 C| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
. N% F4 p ~$ r) l$ \2 H0 G| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
' r4 ]6 p+ ]5 n; X1 i4 y8 i9 ~4 \| ├──2--集成学习和随机森林
! h6 m$ y* O; r8 f/ y1 W1 v| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
8 W( ]1 J: Z# x* ]/ D& R, [) U| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
/ T- r' l; L# g% K5 || | ├──3-随机森林 .mp4 108.14M
) v& V( [0 n0 U% x$ A# B| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M- K6 E4 s: ?' a9 z; g" e1 |9 L
| | ├──5-OOB袋外数据 .mp4 106.07M) _9 A- a& M/ d. x6 O6 T& a
| | ├──6-Adaboost算法思路 .mp4 106.30M4 y7 X5 q7 ?# j/ r
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
# I F4 J9 T# s" v1 K| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M, U" G/ g8 T* l2 g. X7 B2 p
| ├──3--GBDT
' |5 O8 K% p* I% C! r5 `& |6 @| | ├──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
8 B1 _6 i4 F7 f7 S8 S| | ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度 .mp4 72.09M
3 A' @1 b: C: ?, q9 j" o| | ├──11-GBDT多分类流程 .mp4 73.80M
# F5 t$ c( V8 Q3 p| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M, G" n* R" _6 Y
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M( ^& C( H$ L6 n! e
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
0 }. j- T3 e! c" V- a) Y0 l( R| | ├──15-GBDT二分类举例详解 .mp4 86.67M
3 x: W# i, _2 P z R% C| | ├──16-GBDT多分类举例详解 .mp4 91.71M
) Z/ C" D, v, n2 n d( h% D| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
% i5 e6 o) G6 i+ W| | ├──18-GBDT用于特征组合降维 .mp4 43.72M/ _3 {/ }% o- C7 y5 i3 [- ^
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
# E. D' C0 `+ T. P5 Z2 c% B| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
( Y( u- C, b: r, D8 ?8 Z! W$ || | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
1 H, [* w# S5 Z; ^| | ├──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
5 x5 p( B3 a9 K# I| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
5 c2 `/ \+ g) u! M& r; E O| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
7 @2 V: w6 N$ G1 R( V| | ├──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
# o' b+ s/ H0 G0 v- r| | ├──4-GBDT应用于回归问题 .mp4 84.66M+ v# H8 ~% ]3 f4 U! e h/ Z
| | ├──5-GBDT回归举例_总结 .mp4 108.52M6 f: G. E3 m- _1 e9 ]3 R& V, _) R
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
5 T9 _+ e7 D" J5 \| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M. d) H4 N! ?; {0 U- }% i
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
4 f1 n8 m+ h& J/ q| | └──9-GBDT应用于多分类任务 .mp4 73.34M
; y! l( D9 |- k# x8 A' B| └──4--XGBoost
1 Q4 D- x' h# t$ \+ T& J+ z9 }| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
/ `3 C5 E {5 P7 h1 @| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M# E6 x; Z. [: V1 ?1 K& @* p
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
0 j ~. [0 ~# B| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
: I0 F1 t! S8 f& e( c* L7 ]' x" k| | ├──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
' @! q& u( N% o| | ├──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
7 B% O" K3 T( v5 C( J0 a| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M8 t( \8 _* I5 t
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
) w/ h: ]& t! z6 X& |% `" ~2 p| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M+ c1 j. [$ t0 ]# D1 b' S
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
; r* z8 ~, c& m/ f0 K| | ├──3-基于树集成学习4个优点 .mp4 91.36M
$ k5 R3 y& c- a7 t; Q| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M# [+ i% I: c# w$ E6 X9 l
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M7 d: X& \4 O% }2 I, @2 C+ M0 k0 ?
| | ├──6-Objective_vs_Heuristic .mp4 60.42M) o/ Z; P5 l& Q0 O% C2 l9 M9 m' s
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M8 S& i1 M4 F! f5 [( s2 `. C
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
) G& Y, m+ ^# Y1 N3 b% q| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M8 J/ s3 _9 e7 y' C
├──9--机器学习-概率图模型 4 z- ~: X) K3 \& W+ B
| ├──1--贝叶斯分类 $ Z: ?0 }/ i1 I
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M% i; e7 ^! {; g5 k
| | ├──2-TF-IDF .mp4 53.08M
0 g1 A, |2 c" s. Y/ V| | ├──3-NB代码实现解析 .mp4 126.73M
, ~& g: u7 e6 C6 H4 {6 `. `| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
3 r2 d1 C2 ]9 ~. K) e( x| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
7 H' T- m$ R' @| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M; @! y8 m" s2 v5 c2 u- o
| ├──2--HMM算法
- ^- F A' E0 V! Q' O) q' ~8 @| | ├──1-HMM隐马的定义 .mp4 36.82M |3 a% D) c% K8 D( M; Z6 V
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M3 Y9 f i, U! q) u7 f; w
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M& @3 y9 J8 q* Q) J
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M4 F" f$ I3 U2 E$ ]% l6 d' F
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
. K. W3 z6 ^& x1 f) Y| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
) f9 n. f# l: ]0 J2 }9 c x- H1 K| | ├──7-Viterbi算法案例详解 .mp4 107.12M
. p4 e" x3 C* ]) q1 c6 R5 Y( i$ m| | └──8-Viterbi算法代码实现 .mp4 42.43M
$ ]2 ]( z' b2 x| └──3--CRF算法
( W! J! l T$ J| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M6 z9 f/ k7 k4 X1 p5 G6 r" r' f
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
1 Z% a: ]' ]0 _$ \9 _. `| | ├──3-了解CRF层添加的好处 .mp4 105.90M2 R9 `$ v! l. r! Z5 D# c
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M O. b! k% O' o/ U' i0 g/ ~
| | ├──5-CRF的目标函数 .mp4 23.74M1 }9 I) S+ x, d
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
w; P7 L/ Z& r7 T+ c( y| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M1 P; Z( O/ h, c; B! q" r' O
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
: S- l5 V% \/ E8 O7 ]9 S0 \+ w/ T└──课件.zip 2.54kb
' y2 ]& W+ o6 e" l k7 l4 Y: P
4 `; y4 r! p+ 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！
5 [7 h9 c1 }+ }% `$ d3 z1 i
: X! {1 D, i3 }. `$ w
& z* P8 I& M6 H |
/1 
