战-人工智能2022/
! S" q+ Q% E) p8 Q├──1--人工智能基础-快速入门
: F$ z# O: R3 @$ M! P| ├──1--人工智能就业、薪资、各行业应用 1 S/ b" I1 n! |# K- e6 n- C# F) E
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M) g* l1 i' I6 v. S: t+ t2 Z$ h
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M$ x; m6 E* @) W8 D1 c* K( s5 z3 |- }
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
0 r: r1 }% Z' y* g| | └──4-人工智能在各领域的应用 .mp4 57.73M: k. k4 k- D; J* G
| └──2--机器学习和深度学习、有监督和无监督
# U2 W1 Q7 W* @- Q* O| | ├──1-人工智能常见流程 .mp4 89.62M
5 e1 E: |; ]2 `" t| | ├──2-机器学习不同的学习方式 .mp4 83.51M
& R+ }. R& t' t7 w7 l9 m| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
, c. Y5 Z2 t6 {5 T3 [8 [| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
- F) f6 W E' t! h3 l% x| | └──5-无监督机器学习任务与本质 .mp4 50.15M* X) P% G" e( a+ ?: j: O
├──10--机器学习与大数据-Kaggle竞赛实战
6 M/ m2 F, z+ l. [" C# P( H! T| ├──1--药店销量预测案例 9 H5 a" R& u. A9 V
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M! z) C0 |/ E% @4 n5 B- W4 U
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
* m4 V( T, n& J6 V# a| | ├──3-自定义损失函数 .mp4 21.12M1 Y3 S) o0 Q2 f& s9 g
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
# E" [" e& Z6 K0 ]# G8 M# i: L! T* u| | ├──5-数据的预处理 .mp4 111.81M; W2 e# @1 r6 j$ P7 ?, E0 ~! y
| | ├──6-模型的训练_评估 .mp4 66.64M
9 @+ O# M* w) C% J' p| | └──7-kaggle竞赛网站学习 .mp4 172.16M: R' D6 x$ q! m$ L8 u
| └──2--网页分类案例 2 E# r# s9 K6 m
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M+ k5 V% B9 T: M! v# o
| | ├──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( z+ V; A$ Q) L/ m3 ]; P& U
| | ├──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% R: G7 ^8 \# C. L; w# s6 X
| | ├──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 74.74M2 V H7 o5 P! s9 r, q
| | ├──2-评估指标ROC和AUC .mp4 56.19M$ b1 |' r5 Y5 Y! ]
| | ├──3-评估指标ROC和AUC .mp4 49.03M: k. \: s) M8 a- p2 H% |
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
8 Y" b% \3 O; ~$ |' D* a+ `) R| | ├──5-数据导入 .mp4 68.41M
6 u) l1 X; Y7 B9 B ? g6 F| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
' m! k# x/ T$ u3 u6 m5 h( r| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M% p. f, K! {4 \ m! m
| | ├──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
* n6 G P: V2 T6 D4 i( Z! v2 J# T| | └──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 B! v( c! T3 ?$ ^├──11--机器学习与大数据-海量数据挖掘工具 % V, ?2 N% N; U1 w7 t; `6 E
| ├──1--Spark计算框架基础 4 X! b) N/ y( V- e: D" k- G6 y
| | ├──1-Spark特性_01 .mp4 41.68M1 o3 D) j! L8 m: {2 r0 {/ [0 h: ~ I
| | ├──10-分布式计算所需进程 .mp4 26.30M& q. |9 z7 h7 g! n6 ]" n) S; S$ I
| | ├──11-两种算子操作本质区别 .mp4 56.31M
. t, [* b) Q5 Z0 Q1 {0 T! D7 n| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
" v, H$ ]1 w6 k: a1 p& p7 `| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M4 X! R6 g, C: W6 v0 h
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M: a: q7 g, Y! ~; z
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M- Q3 [9 [7 X* u$ x- X% m* s
| | ├──2-Spark特性_02 .mp4 35.15M
% f3 E8 J; n+ `| | ├──3-Spark对比hadoop优势 .mp4 19.34M
4 r2 C, o; x: G+ O. v4 p# k$ @| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
0 G, ]% C/ J* i) ?| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M5 ]" n" J. f0 s; C
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M% B$ h0 c& n( X* I6 ?
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M1 y; {+ f& w: e( Y
| | ├──8-Spark的RDD特性_01 .mp4 33.08M/ N" u8 R- g8 J. E
| | └──9-Spark的RDD特性_02 .mp4 33.41M
1 p ?. S4 x2 d; Z6 c| ├──2--Spark计算框架深入 5 H; d, }1 V M3 L
| | ├──1-Spark数据缓存机制 .mp4 54.43M' C( B/ A6 x3 m; D! b/ @. G
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M a! Y& S- b, X0 {" I1 M
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
+ H( T+ ?* _* Q3 v1 I+ E% @# d8 _| | ├──12-构建LabeledPoint .mp4 111.08M
) \2 }: H6 _1 g" z7 i| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M( m! E) \- M! O9 v
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
5 u v! Q7 m- \7 ~% \6 s| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M# V8 Z" B9 N1 F4 K: s
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
" Z7 Z( w* [0 V| | ├──5-Spark术语总结 .mp4 89.66M/ B/ t' l7 V; W
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
* r: v. I _3 T| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
, c! F# P; ]' I1 g% T2 o| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
4 t- V/ h2 Q8 W, U2 _) Y1 M| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M3 ]; w, p) T3 N' t2 ]' m
| └──3--Spark机器学习MLlib和ML模块
; o) _! p4 D4 j" H| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M( c3 p5 I3 ^: }. ?" Z* r: e6 u
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M$ z& P7 Q3 A- {1 n* K1 R
| | ├──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/ N/ u) N, ?! g2 w" _/ G0 U; P
| | ├──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
- l& x9 R& S5 E| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M
. T/ [: o" Q8 ^3 c1 A6 b+ \| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
& K& x- _* O+ W( q% [| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M8 g( B( F3 @4 {5 n
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
1 A6 ^$ O8 X! ?: F+ i| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M6 a9 R3 E- g; W6 M4 E
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M# m S* P2 \/ B- }( B8 H& M% F
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M9 P h5 x$ e. T7 z
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M( K g4 A+ M1 }* W, g/ ~
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
7 e# {& S) B1 y0 ]. ?4 r7 ~| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M, }: V' {! ]" Q9 Z: E
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
: {; S7 l7 _4 _8 S| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M) ], I) A8 t' w% C& a4 u, B
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
8 s4 m+ r* o, [0 i| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M9 s4 b8 Y# K& c$ t* X6 L
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
% G3 u/ D) {# w) o# c/ [| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M5 t" R. |$ R' s8 a! g k; K! }
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M$ p% [' \- f- j7 ~2 ^
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
0 D$ A5 P; H- b- e% d4 m# o& I) x| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M) }( f7 g2 Y8 E) e5 J- M& p8 ?& [
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M9 o. }+ a. Y9 P, G5 L
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M( O0 w/ U6 M# {7 J9 r; R1 X
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
% c) w8 I* k5 O8 E; F* F├──12--机器学习与大数据-推荐系统项目实战
9 d" T' K9 |0 p# u| ├──1--推荐系统--流程与架构 7 D- t# O: T% ]. V% G3 S
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
- T5 ?7 X$ N. [1 K) J| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M
6 I0 Q J$ \2 X3 }7 u) H! O| | ├──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
& P- A5 }) i. b/ j2 T4 e| | ├──12-推荐系统_数据源_1 .mp4 79.07M$ I9 b g8 n. E6 z; w+ K
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
2 D8 j4 M, J6 I& ?( @| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M+ _6 ?$ N( D! ?& V% w) Z9 K, H
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M/ _ e0 v- b8 q
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
# G4 J1 B$ c7 ?| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M6 b$ \& U6 ~/ W2 U
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M" t" t- _9 d, H
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M- ^! o$ y" v# r/ B7 y8 O) d4 V, W
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
9 s/ W" n) f% r2 U' G9 y| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M3 Y/ y% G" a6 N9 Y$ K
| ├──2--推荐系统--数据预处理和模型构建评估实战 r+ n+ q- c( @" H
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
7 e6 y s8 `: [3 o: v| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M; M/ v) n* C5 Z4 C% J2 x3 v
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
1 w/ ]2 V& r" g6 m& q2 O9 m% ?| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M( ~2 V% `* ]# `) C9 B
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M) G2 s V- K9 s/ C
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M+ X p E" w! ]2 _
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
) z2 x; |9 B K8 ]| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
0 Q+ O2 @0 ~- x# E8 g8 j| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
6 u0 Q1 Q8 a! m+ y: S| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M8 Y e( M" G: W1 y
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M4 c0 x& b4 Q- W9 R* O; y
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
4 u. u$ i7 x# t# d0 ^0 D! R| └──3--推荐系统--模型使用和推荐服务 0 E8 [6 T4 n+ z( C' e' |5 W
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
# c" J" P, `6 T+ d- f| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
) V+ @) w" ~+ r( W| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
, w8 s4 Z0 k5 P7 a; H. S% R/ A7 `| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M+ E6 {) D2 P& Z
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M3 J8 g/ M0 Z8 k+ U3 }8 [
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
+ ?1 [. i2 z7 x| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M9 {8 p+ ~1 h( S9 [" H7 v9 y
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
+ _2 G/ B$ F+ ~$ }| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M g U- V- v3 v8 X& x
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
3 t6 f( W5 L0 _0 G| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
' Z: {5 K0 x2 d! I g* P W0 u| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
" h' f1 O* } j1 J5 h1 q├──13--深度学习-原理和进阶
5 Q' g5 { e$ P! o/ R$ t- A. e* K| ├──1--神经网络算法 6 D' q0 c3 [! q% W- K9 g$ y
| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M
& ]- m$ {8 V7 S3 [. F| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M5 M! C% @ ~: a1 R; A
| | ├──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/ [( P+ b/ A+ t, a
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
' r2 b- \7 \# s' R( ]- T* `; J| | ├──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 h! E2 ]! G Y# x
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M( A3 X& r2 q7 z+ o# c
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
4 d$ u% E5 _3 }6 Q7 i| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
$ E* B4 \- [ h! i' E. Z| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
! Y+ k2 m4 t0 w4 z| ├──2--TensorFlow深度学习工具
# U/ Y) y' \: f i/ y| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M$ a7 ]4 Y1 A' }* {! h" z# J# N5 y
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
) T8 z7 S! y; m, W8 b* A' l1 h3 r- K| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
$ {( e! D" r* o r, A/ \+ x, K| | ├──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
7 E& y" d" Q W* V4 g7 R0 a( B( _3 f| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
8 D) h+ r0 }8 U/ F" U| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M# b2 m# d4 x' ] K: b- C5 c
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M3 O: A2 Y: [# }- i: i- `1 e% {
| └──3--反向传播推导_Python代码实现神经网络 9 P0 o. q/ p9 ?0 g7 j- X5 H2 s
| | ├──1-反向传播_链式求导法则 .mp4 86.47M1 K2 s" R( s# f# U6 \
| | ├──2-反向传播推导(一) .mp4 127.90M4 u! @+ W0 ?# h$ [# I# K: L
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
# i1 w! }# K3 _2 E# I| | ├──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 81.20M6 a$ C9 }. {' L( t, K
| | ├──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
0 ~8 M6 Q2 d. ~! g: ^| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M' f8 u( y! w; F7 P* }0 t8 g' [
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M. w2 C8 O' b7 i% C
├──14--深度学习-图像识别原理 - j: c$ J! @7 g( G
| ├──1--卷积神经网络原理
+ e5 s2 n( I* C0 W1 B& n| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M+ t4 u9 c( G5 N: R+ t# }
| | ├──2-单通道卷积的计算 .mp4 104.01M& N. r1 l4 h% V z0 u) x `
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
" _+ U- g% m6 w7 Q6 P: `9 ?; K| | ├──4-卷积层权值共享 .mp4 63.93M# ~ r$ P1 P' b
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M( S, P3 U+ C3 ]& {
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M: R' S! Y# p+ q: E6 n( }
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M* c3 b, n* E E
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M' s+ i2 p: q# D3 J
| ├──2--卷积神经网络优化 ' F7 d+ ~) l3 ~% [0 h
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M; }! F: ^4 i% ?% W% `/ \3 X6 H
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
3 Y2 s9 U% ^/ L$ g, |# n| | ├──11-Optimizer_Adam .mp4 141.12M0 v$ n' B( x9 K9 N8 B3 M
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M& F) A7 ~) N5 \* u4 Q, ~
| | ├──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: G$ T, d& [" f8 C* S5 M
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
" x! |; W4 b9 o3 f& f2 `| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M) H6 I* T0 P5 c# m s
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M& R5 `% S0 z/ [8 z- k/ w
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M3 p! \+ c) H* I2 s9 _
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M+ v: G4 L; g/ R* H* H+ c
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M0 x3 K, k V, Q6 G0 n$ |2 P
| ├──3--经典卷积网络算法 * v6 Y% o' h, o5 a" o
| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M
1 R/ q# Q% W6 C9 d0 f| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M# R4 l1 `. L3 t1 Z( Y, W
| | ├──3-InceptionV1_V2 .mp4 165.86M
/ r+ C" `3 J* p, v# ~8 F| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M: M! o8 T: U8 F; w' Y" q1 ^
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
5 ], G/ f/ [! w3 S" |5 Z( I3 b| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
3 y* z" _. _( S2 h| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M. K7 W3 X; Q1 ]0 L
| | ├──8-BatchNormalization .mp4 99.23M
3 a; r+ x, d5 `' E" @: ?# M3 }| | └──9-Mobilenet网络架构 .mp4 150.05M5 O( G+ S6 l8 p& Q
| ├──4--古典目标检测 " t4 |! c, P0 G/ W1 T% F$ \
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
# R2 V2 f7 K G- J0 K3 J; D| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
/ Z7 `# c" G5 V4 Q/ b2 ^| | ├──3-IOU以及python计算的代码 .mp4 23.56M/ G4 d: W. l! Y3 q- r4 l
| | ├──4-R-CNN和SPP-net .mp4 124.06M7 W/ x" v4 g" C3 p) _% h3 T
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M6 x* @7 ?( n& O7 A* J, m
| └──5--现代目标检测之FasterRCNN
0 C+ h( B9 Z$ u| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M! f3 v4 E6 f" d
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
# x" u- w. e( O j7 g| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M1 ~- H% ?; q3 Q, J8 P" g @
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
6 F' V+ C0 e3 C$ F/ k0 {! _| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M& n# E5 N! R1 F, s- G+ s2 g9 e2 r: f( C
├──15--深度学习-图像识别项目实战
3 O- t0 }# H5 H| ├──1--车牌识别 / X$ e3 k7 ?( f" [2 i
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M& G: h+ ?, n9 F6 ~+ s
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M9 g6 h q( U; W5 ?
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
" l. H/ e" t: r& t1 _" R3 |. g/ j| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
2 ~( m ~& u& X' d8 M8 H| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M) ^4 Y1 t0 ~% [$ J) e: l4 j- a; @% F
| ├──2--自然场景下的目标检测及源码分析 ( j' X+ }" z# G1 x* y- d
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
! E, Y$ r$ L$ |2 n* {! j1 j| | ├──10-FasterRCNN代码_构建head .mp4 67.56M7 B" {3 Q: ?/ K9 u( Z6 r
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M' R- e! B4 f! U7 ~0 N
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M/ p& N3 b& h+ M# `
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M) ^. L1 B& g( l" O9 B5 t# A1 m
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
4 G3 R. ?5 n: O7 E5 Z! m| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M+ w w7 v. }! j# n- I7 L* R
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M! O% n7 z1 K6 } n, p
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M9 ^- w7 Q4 ?6 _ S# n0 U5 d
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
' B# Z: @- [1 A| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M5 d! I" t" ?( u3 S
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M$ ^+ @* i6 u5 T5 y3 Q4 z3 u. a
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M5 T' s; b6 |' {3 R5 w- q3 _7 U
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M& R; ^4 O! j% u0 C/ G1 y2 ~
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M+ @/ j: n0 R: w8 U3 r' |: ~
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
( H% K7 \# F0 V5 r1 _| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M- x. U: ^9 D `
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
7 E3 [5 [* D1 }- V9 T3 ]3 _| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M- f8 g, p3 H$ o* ?) a- x' t ~( { I1 w6 M
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
9 z" c( `, v0 w! M! L| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M$ v2 v# ~3 G4 S( |0 g8 L+ I
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
6 e- D, y$ k, ^1 W3 a% f| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
: X+ U. y# P, U n3 y| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M/ H& |/ n2 O l% A/ g# J: u
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M" X* H! a, [8 h* S# R
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
. }8 k5 w, i- g" b1 E5 k| └──3--图像风格迁移 # s b+ ?& e3 z; J d& ^' { I/ A
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
- r1 t1 @- k$ _$ y1 A' V4 m| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
( P# K: L- F. F1 L( V( ^. I| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M. o% `: }9 F/ v: u9 n* I7 _
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
6 W8 h/ }* \! g├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 ; ]) m5 T9 m5 A
| ├──1--YOLOv1详解 : ?6 x6 T0 Z" }2 Z+ R1 u6 l6 ^
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M8 g, F/ z1 Y! g
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
1 Z5 z. `7 J/ V! d# R/ H& ]| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
& t! ~* u& U5 ~4 f# y( D) A| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
$ M3 r! M3 x0 e8 u* M7 w& n1 J| ├──2--YOLOv2详解
$ E& @, p8 r1 G( j) J' Y| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
1 c6 f% z* L1 {, D| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
L4 j9 W) h* H( w3 h& w0 U% Q| | ├──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/ B# P7 m. S- s; E' D& M
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
" M" b* C/ d# V, I| ├──3--YOLOv3详解
1 r" g1 r% r- Y/ m; O$ v| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
( p$ w4 Q5 U/ s x0 f1 l& s| | ├──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
. V! `$ f" x( _9 m| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M% o* q, b; M: n
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M: O' c l- c$ R R
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M, ]1 @7 l& N# R u ~
| ├──4--YOLOv3代码实战 $ M d- ^/ b. t; z" y+ a
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M" H) q; m" s$ @. _$ W: [% ]) |: Y
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M* j0 W( Z3 p- F) ]0 @
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M) z, z& G/ x0 X
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
* Q, N$ K) l( O# O- Q| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
; s9 X& m# b% V5 K; \7 p5 c4 u: c| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
- D( U8 ~$ ?# M% f| └──5--YOLOv4详解
; r3 `$ |( @3 i& T% T3 o$ H2 A| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M1 N6 w3 W/ F: Z' H8 x
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M: Y- ^/ o6 L! T- A- n% E2 s! ]( V
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M# W& F: c- g' |0 Z5 z3 L& @/ T
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
0 S8 F& \: S Y" B6 V1 ]4 D├──17--深度学习-语义分割原理和实战 5 F) P3 ^ }' L$ V) H% O
| ├──1--上采样_双线性插值_转置卷积
1 J) q: i+ U! ` x5 J" P) _| | ├──1-前言 .mp4 19.46M9 Q1 w' G' W; }0 C/ C( d
| | ├──2-上采样_repeat .mp4 23.90M
" l. q! {$ a0 O! W- k9 r- p0 Q6 i| | ├──3-线性插值 .mp4 34.48M
# M8 y2 H, @' m. B+ U| | ├──4-双线性插值 .mp4 125.71M
% T8 L4 ~$ `1 @9 r| | ├──5-转置卷积_以及TF的API .mp4 114.25M
4 F- U( r* X, M% f/ ^/ R| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
0 ]! N9 G% Q1 _: `9 w| | ├──7-ROI Align .mp4 58.38M. D r$ q' x2 b% K- |1 ]1 Z, J5 X, q
| | ├──8-FPN思想与网络结构 .mp4 92.14M
. e; H1 K* Q; G0 |/ @ K" z| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M* S& w% E7 @3 s& X7 |
| ├──2--医疗图像UNet语义分割 - {) L7 U3 H/ `% ^# D
| | ├──1-语义分割的基本概念 .mp4 18.33M
! V# O9 n/ r4 Z0 w: T: ^1 `9 p| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M/ Q5 z! Z0 a: I9 a
| | ├──3-UNet网络结构 .mp4 30.41M* O9 a J9 _2 E
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
" q2 O! A* [3 ~& K9 {8 o| └──3--蒙版弹幕MaskRCNN语义分割 ( K: U6 I- L2 t0 @+ N
| | ├──1-MaskRCNN网络结构 .mp4 106.38M: H k# b9 Z* |$ r1 E& ?4 _
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
( {% p0 Z* L8 W9 L+ X% O| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
5 M; N7 `- r, r Q B| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
- O$ v/ a9 E [' U G0 @4 ] @! G| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
6 ^) T. h1 f8 d6 C| | └──6-MaskRCNN源码config和model .mp4 244.48M
( G3 T. o" N0 d6 |5 p" `8 W├──18--深度学习-人脸识别项目实战
# L! J% q7 J$ |. b/ I| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
+ Q6 t z7 ~- h# @( A4 a| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
: }% d, s* m" @4 h! c5 B| ├──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
% {, L: E- |$ w; S% m| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
' @' A% D/ w- h# L& P# p| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
' v6 f$ E$ J. }# l* i' y" u| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M7 X' H- Z) \! {2 h0 J8 O" [) ]
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M+ Y" L! J( V. O. ^0 j# G0 N5 g
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M# W0 R( B# L8 j! K. o/ N7 ^0 N+ _
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M: E8 t: J4 x5 }3 A" V2 F+ ?
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
, L7 }& s, k7 A* F8 n+ d| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M
3 ~0 X' b6 P/ g| ├──2-开源的FaceNet项目介绍 .mp4 38.07M3 N/ v, f- i- k: _
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
& q; k. L% T# i% L1 ^4 d: ~| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
# ^# H2 s) g4 L! `7 N| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
" k6 s7 O& t, O% c( x0 k- q- T9 y| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M# G: E, ]# g5 u, L) {
| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M) k2 w! S( J% I+ X( n0 L: s
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M6 s+ x5 q; D/ e! ^( [9 v
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
1 l& y: I7 b9 L0 H. n9 t$ m├──19--深度学习-NLP自然语言处理原理和进阶
' o% j% _1 k) Z3 i| ├──1--词向量与词嵌入
$ N. Q! W- R1 {7 K4 p6 Z# V| | ├──1-N-gram语言模型 .mp4 116.32M
! f! E* H( o, C7 ~: q| | ├──2-NPLM神经网络语言模型 .mp4 155.81M2 j6 Z" D% t( `7 _6 p1 n
| | ├──3-词向量的作用 .mp4 58.00M
# k* V& ^% s0 ^6 U| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
) |6 H9 `7 N1 ?9 Z0 K& i| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M, C$ b9 o% i5 ]: l6 {- ]3 ?
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
0 W: w1 f, f! E- M| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
+ u' e [$ p, Q) \% ^1 o0 O( L| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
* R& J7 T( W5 }2 N% c8 N| ├──2--循环神经网络原理与优化 & F( Q& B6 Z7 U6 j( @
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M% T/ u6 F7 q! _ W$ @ K- m
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M7 L. C+ h- U4 q, X2 X& c
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M* D- d) v% d! ]+ W! F
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
0 T, r' \4 `* o( s3 V: s| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
& w4 s( O* L4 e- W! i g; S| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
! w' q) X: r: T& @: B| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
( P; s4 m* v3 W! q- x( G+ G; E| | ├──8-双向RNN_LSTM .mp4 52.01M
) @0 K3 f- O. t, D) E| | └──9-RNN里面应用的Topology结构 .mp4 23.04M/ _' ~7 ^- {. Y" X
| ├──3--从Attention机制到Transformer
0 y4 J3 D5 T8 \. h$ s3 I$ A" X) `| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M! G. o) ?5 J9 A* Q" i; y( h5 P* V
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M- s5 s+ B! H) X' ]7 L, V
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
/ _6 p6 Z# n% x) \( M| └──4--ELMO_BERT_GPT
' ?6 u# y7 J3 h0 q& z| | ├──1-ELMO .mp4 62.44M8 ~4 L" X- V" N
| | ├──2-BERT理论 .mp4 99.73M+ v6 \* Q1 W$ x t
| | └──3-ERNIE_GPT .mp4 56.34M/ d* X* y! ~) Q& U: l+ Q( K5 r2 e0 }
├──2--人工智能基础-Python基础
. _7 s8 W- e2 L/ q| ├──1--Python开发环境搭建 $ Z) I1 ~7 ]( D7 W- m7 c% Y0 f3 n
| | ├──1-下载Miniconda运行环境 .mp4 100.75M. q3 @; M$ f; q7 @1 C% e
| | ├──2-Miniconda安装和测试 .mp4 57.12M/ a8 Y l: O" Y0 r6 F6 A+ l8 d
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
1 |7 t" T6 Z% d. F- ?| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
; u6 ]2 ]$ X* B0 \, ~| | ├──5-Jupyter常用快捷键 .mp4 32.23M
. `% k9 h5 R R3 X| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
$ F8 _$ o. o/ M( b1 p! j& @! w| | └──7-关联虚拟环境运行代码 .mp4 38.14M6 @/ C7 L6 @+ P) n
| └──2--Python基础语法 7 a: z4 T- \/ ]4 N' {) [% p8 B
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
: p. H" i5 w& B, m3 O! J| | ├──10-Python_集合操作_列表 .mp4 34.71M1 p5 D: Y3 M4 l7 t6 n7 _$ l6 a
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
5 ~1 z V) _! b/ ]( v" T| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
) Z2 k# B2 ~- I. Y| | ├──13-Python_集合操作_元组 .mp4 43.46M) Q7 R# c% ~ t8 r" J* T
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M* i0 s' N8 T1 `- A& @9 e: [: @1 H
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
9 L7 h4 N8 b/ m5 S; I! d J/ f| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
: g$ A5 Y5 p2 g! N| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
; s5 U$ j7 y, S7 C: e3 `| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
+ X9 g: Q; I9 `( A6 E# v2 Y| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
2 @$ l3 I% |. { G4 g* i| | ├──2-Python_控制语句_单双分支 .mp4 50.66M- }" `1 t1 z, O1 M
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M% j- B* Q5 E7 R" `
| | ├──21-Python_函数_递归 .mp4 23.46M
2 f, R$ E& ^- i/ w7 k| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
4 ^* e3 f! D3 J8 r5 T9 Y| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
0 X0 Q, j! Q5 A, F9 C| | ├──24-Python_函数_闭包 .mp4 41.61M0 N [: m. T" G7 f) ~, t' r
| | ├──25-Python_函数_装饰器 .mp4 30.35M
- z& e3 s0 P' i- J7 m3 i9 H| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M# @( T! x ]& T$ z0 ~' g5 `- n
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M/ Z9 c2 v2 H3 o4 H! D# _
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
, t1 F! E# w# |& t: K g| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M8 y5 ^; W& C6 m s/ A7 |% B
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
1 ^. X. F3 e1 R, c| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M5 g5 F: m: H3 y$ o( U' A! D$ M
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M2 G3 i' x( u2 R/ X& p( B$ Y2 K, v
| | ├──4-Python_控制语句_while循环 .mp4 25.02M; C H- G$ D& x8 u# }7 D
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
, m$ J2 d$ C: _| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
" N/ v# X, g3 l: L2 V6 F5 W: _| | ├──7-Python_控制语句_break_continue .mp4 25.23M
) ^% o# L: N$ E K' X5 l| | ├──8-Python_切片操作 .mp4 40.20M
: `( C$ i7 O% |- L| | └──9-Python_数据类型 .mp4 25.38M" K& v; u- y s; V7 |
├──20--深度学习-NLP自然语言处理项目实战
5 C1 ^- z% e4 s) O$ G u5 b3 Y2 s. U' B| ├──1--词向量
, O" J9 v: L k0 h) l! S$ z% R, {( v| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
3 J$ J4 R6 v8 h! o8 s1 O* _| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M7 t u+ t" O' ?- h' S
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M3 r( u2 p: u C; P2 x$ j6 k# O
| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M3 F7 Q, M. _8 B! R: N- H4 K) D3 |' n
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
1 s! v A! T' f1 V) D1 e| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M9 k, ]7 ]6 P5 D' Z' A
| ├──2--自然语言处理--情感分析
5 O) b5 {$ ?8 W/ F6 |5 k| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M) t2 u9 i. N( U% s- m
| | ├──2-数据预处理_01 .mp4 79.65M$ p) Q0 U1 E- _3 T. n! J
| | ├──3-数据预处理_02 .mp4 45.68M
* h' S3 H. W/ e7 p| | ├──4-代码讲解_01 .mp4 52.29M1 j# A% ^9 h4 M& E( Q# k9 y A
| | ├──5-代码讲解_02 .mp4 60.85M6 { [0 p; M! l/ n8 X
| | ├──6-代码讲解_03 .mp4 53.89M
6 B& f5 ?# ^% F t3 ]9 ]5 ~) l| | ├──7-代码讲解_04 .mp4 57.19M& t2 e$ J, \: {" b7 |
| | └──8-代码讲解_05 .mp4 35.88M
}% _( @) |! O9 T5 r4 B| ├──3--AI写唐诗
* }8 j7 |2 R- D8 z# E' x| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M4 Q0 v3 R; r$ }- @- M5 ]
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M9 g5 G& Y$ `& E8 n2 c* l1 N
| | ├──3-MultiRNNCell单元 .mp4 38.93M
D3 S X+ r5 A! P6 f' Q- q6 {. F| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M- T4 I0 w5 P9 x( t( z
| | ├──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$ y, }8 d0 K$ a a
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M. X2 f: A1 x3 Y# W& ~
| ├──4--Seq2Seq聊天机器人 & A* V( e7 K( V+ z# B% B
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
4 S; j3 z& V; k- L| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
% a( Y1 T T; {# o$ r| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M8 F! U* }( _8 V
| ├──5--实战NER命名实体识别项目 5 |# r0 C9 i1 R; N
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M: |# [4 Z/ T7 a m
| | ├──2-介绍了代码目录结构 .mp4 23.44M
0 ~& E2 I! f% D+ z1 z' y| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
# h2 j1 s! c; a! S| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
' Y6 R) [; x5 ]; [' k0 z| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M @: Q3 }" V; ^8 Y8 {) x( u9 Y3 V
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M [# O, h( U+ @' F, g8 ?9 B; f
| | ├──7-CRF中的特征函数们 .mp4 125.97M; |$ [' K& O/ d& j$ {* z
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
( ?$ k8 Y5 e0 U7 [' {4 Z| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
: m; q1 w# ]8 e, \5 c| ├──6--BERT新浪新闻10分类项目 : X: O$ r8 \! Y" f+ u
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
/ j9 x3 b/ L. D' ^4 D5 b2 X| └──7--GPT2聊天机器人 9 ^1 [! j& ]$ ]8 y" w1 E0 U# ~% u1 y
| | └──1-GPT2闲聊机器人 .mp4 62.28M
" R' J: y0 [" p: d' A/ U5 b/ h- g├──21--深度学习-OCR文本识别 * Y+ D$ D1 }. y1 K' ^
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M0 q& o2 [+ C; X; P, F
| ├──10-CRNN项目代码剖析 .mp4 306.48M; ]" l8 T D0 f# y
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
% u- N# ?& @' f3 p/ o4 L| ├──3-OCR识别的CTC损失思想 .mp4 327.69M4 m" C' ~; ~7 U) [
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
1 n1 n' i p) L, [1 u# w$ N| ├──5-CTC损失函数的理解 .mp4 330.64M
0 u a% {0 o; L5 L| ├──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
R0 t- i9 s) g: a. u/ l| ├──7-CTC前向后向算法代码 .mp4 225.41M( {; \1 l! E" }& g
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
3 r7 {; ]1 p8 W/ A| └──9-CPTN项目代码剖析 .mp4 491.69M
. E6 z$ b1 _* Y8 q5 K. ]├──24--【加课】Pytorch项目实战 9 l" e) f# ]4 E" T8 V
| ├──1--PyTorch运行环境安装_运行环境测试 + x2 K% d! ]( p
| | ├──1-PyTorch概述 .mp4 29.29M- t: I6 X, C+ q4 n$ |: f. b8 m
| | ├──2-PyTorch的安装 .mp4 76.45M
: R3 ]7 M& e; R: v% q9 }| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M5 t9 H, b2 T, [& T8 n# ?7 Y
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
) N$ M+ k+ Y6 `+ z/ U$ D8 a6 F| ├──2--PyTorch基础_Tensor张量运算
+ f" q; I+ [0 D1 s5 s| | ├──1-Tensor的创建 .mp4 55.14M
1 Y2 _) J5 g1 Q- C: Y- L& d6 `: c| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
6 {: e, b4 F5 T4 R A| | ├──3-广播机制_逐元素操作 .mp4 44.46M+ T: C) V# Z1 s1 q
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M+ V( C: w8 ?, c1 I+ K! N
| ├──3--PyTorch卷积神经网络_实战CIFAR10
+ ^$ M! k! M, G; z: }' b| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
8 d' c1 N" U2 _1 X6 d7 f2 @' J| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
0 t/ e& G! G$ F6 O- A1 s" S- x| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
; ]8 f# G3 s0 t7 ]5 T- @| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M( ?2 v! W1 B$ W9 N) C
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
9 x$ D( Z1 B* u$ j9 a| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
1 E. l* A: I g4 ?| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
0 E4 M5 h2 j6 T| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
+ ^9 r3 y+ F' `: W0 o0 v8 o6 }| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
% F8 K: i4 [: {| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M Q' n/ ]. ~, m2 x% L3 y
| ├──4--PyTorch循环神经网络_词性标注
# T5 z# W1 G# Z- V" V2 p9 {| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M; e P. [ f5 n. ~
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
' ~0 Z' [& c& r% i/ Q| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M! O* Z" t1 v* D- u0 o
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M' K* d' w0 {3 @# e! s/ v4 E
| └──5--PyTorch编码器解码器_机器翻译
! d. p' g% k/ x$ s| | ├──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
0 {% W, V% ?# K" U, a C, A| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M# Z" W" F2 ]4 `4 {; D
| | ├──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" t+ A+ e+ D; K& j1 B
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
" c3 }/ x3 Q' j+ i9 L' a& q$ o| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
9 ^" u/ H" n; f! p8 W7 f" b| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M. B* v7 d8 u7 A0 c" V5 _$ J
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
9 W( |& p( N% _9 [| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
# ^* L6 H+ T- Z7 N- Y├──25--【加课】百度飞桨PaddlePaddle实战【新增】
$ ~/ A4 X! b& N' I| ├──1--PaddlePaddle框架安装_波士顿房价预测
% ~' a1 x# d) C' V/ M/ M* U| | ├──1-安装PaddlePaddle .mp4 87.34M
3 R+ F$ v5 _/ I7 @8 C0 {| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M9 ]5 b R( x/ [6 R4 V/ Y5 A
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
, x8 s4 `! @ W, \7 E( z( P| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
% e4 |$ r% E9 E1 E' b| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
" a- F' a4 X+ C| ├──2--PaddlePaddle卷积网络_病理性近视识别
/ O3 w0 K! e1 c4 S O| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
$ ^0 o0 J4 E F e| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
$ p2 s7 C, k- X* `| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M2 w: j: C/ @: t/ l# P. ^2 }! V
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
: n. x! y( W' \7 {" d| ├──3--PaddleDetection工具_PCB电路板缺陷检测 7 B# S8 N. A9 o8 w
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M& u; d( O! k: N( h
| | ├──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" y( p. i4 y; j! |
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M) \ i) O2 {9 h$ ]/ c6 E7 |3 L; F
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
: F M$ B y* ]( I* p4 G| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M: i) f* `6 D9 P k
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
8 e: y. t6 W3 E- u* ]2 S0 O0 u% t| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
& Q4 @+ @9 N+ z) P1 v+ q6 N| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) & D" ?+ g* S0 i7 _( {8 L& O
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M! S6 b* W7 v. n; n3 h* Z
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
! l0 L% K: |) J| | ├──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
4 S" C8 e \" K| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
. y5 Z5 M/ m- z' w+ s/ _5 a| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M. S9 T* T8 p9 U2 S9 D% {
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M9 _. A5 h+ J' h- P c
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
8 f4 }- W7 R4 t2 X- g ~ E* E4 D8 @| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
( o$ g& V7 W8 ~+ d6 g| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M0 I ^1 k7 D6 _$ P! ^2 [5 a6 p; |- N( W
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
c( z! E P* S! D8 A| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M2 \, A; p1 i' _+ v8 ]
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M* w4 ?3 l6 Y+ F: T- R: Z
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
& D( @; F( x7 A4 R$ d) e5 W) v, E| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
; L$ Y1 T7 A) L3 E% V3 }| | └──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
# p$ e- P% K" Q+ v) T& G9 B' Y| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
9 a v3 \+ J8 {% P) t8 F| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M* D4 P# H5 G a8 T+ `( [
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M6 \* @& E0 K( m
| | ├──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; c% t+ {' 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 57.88M5 J: d4 @: m5 `& O
├──26--【加课】Linux 环境编程基础
* {7 r. e$ l7 q: }| └──1--Linux 1 Z% t8 `, s/ W
| | ├──1-Linux_课程介绍 .mp4 3.72M+ x% v% V3 K5 f R
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M! |' `9 ~- m8 X+ Y
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M. _* S4 S4 |! q9 P# W; O
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
8 k7 O* ]6 r9 ^: T U! c2 ?& {| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
1 J+ f: Q" u( e5 X5 |* U| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
+ S7 T. B& i+ ?0 x0 \7 ]) M' R' T| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
l2 _$ N' o/ @: f/ ?1 A) C| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
; w+ Z. }5 L ~4 d Y/ v4 A- V7 x| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M6 T/ o$ H2 l# }: `3 |% M( K3 F
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
+ [9 i1 W8 X7 E2 B" h| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M. Q6 [3 V$ K' {% J
| | ├──2-Linux_Linux简介 .mp4 17.59M
9 q- C( J. ~. E: y2 r x3 ?+ H| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M) S2 O- c) W! C- U' ~6 k& N
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M' |4 C& {7 Z/ ~% p
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M" |6 c" Y6 @" W/ \* ~; R" j
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
9 z# F* y4 _. m. O" X9 i% o| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M0 C8 Z) }& F6 g' {2 |
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M, q3 A+ o2 P& |$ ^
| | ├──26-Linux_安装MySQL .mp4 79.02M
5 T* o5 {* K* Q& a' j2 G; Y| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
' I& h) ~" ^; f| | ├──4-Linux_安装Linux .mp4 41.97M
& g6 T+ U" F7 X- _7 W| | ├──5-Linux_目录介绍 .mp4 20.31M
0 U9 y t3 q) f7 M- C# u d| | ├──6-Linux_Linux中的路径 .mp4 18.65M6 P% [& }* Y1 a4 K, [2 Q
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
3 _$ o4 c+ h$ y9 T7 P| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
* ` s* }2 ~2 r7 t* x| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M c# ]7 K w+ K
├──27--【加课】算法与数据结构
0 [/ A! d3 k" i! j0 z| └──1--算法与数据结构 1 b' p! E5 P2 p+ w
| | ├──1-数据结构与算法简介 .mp4 35.68M
3 [% C0 ]+ P" I: E| | ├──10-哈希表的基本结构 .mp4 54.34M' `5 A8 P* g5 E: M
| | ├──11-哈希表冲突问题 .mp4 75.92M
5 j* E3 P, H/ z- _; C; Q| | ├──12-哈希表冲突问题2 .mp4 72.30M% x1 c! F# q0 T3 u3 \: \. o
| | ├──13-哈希扩容 .mp4 111.03M
8 q1 I0 ^/ [& s9 r z. J| | ├──14-递归与栈 .mp4 50.77M
+ U. H5 ]$ e/ B, l$ x' u; l$ v% T| | ├──15-线性查找 .mp4 57.80M
0 U6 t8 z% J, ^| | ├──16-二分查找 .mp4 52.32M
8 O2 N. V8 W) L+ S# T| | ├──17-冒泡排序 .mp4 53.19M. I* V3 E, g1 t3 o1 X2 u
| | ├──18-选择排序 .mp4 43.29M
% W8 X' M+ n5 J/ z0 k7 i| | ├──19-插入排序 .mp4 31.39M
+ o5 b3 V, N6 q' T; J% S8 x| | ├──2-大O表示法 .mp4 25.59M
# N3 ]# f( C' m) D- ?6 p# S6 u e| | ├──20-归并排序 .mp4 84.48M
3 C: o$ `8 B! ?: {& @& G| | ├──21-快速排序 .mp4 36.63M
, K' U* A5 B; X+ l+ {7 g| | ├──22-树结构 .mp4 96.85M
9 h& L) W7 H) T4 A- `3 E| | ├──23-树结构的遍历 .mp4 61.05M$ c4 h( i/ R" d7 O
| | ├──24-最大堆的增加操作 .mp4 45.43M
6 \. Z |0 x' B5 L$ w7 B0 r| | ├──25-最大堆的删除操作 .mp4 45.63M
9 V+ _, w# f6 q3 n5 I8 _# j| | ├──26-二叉树的查找 .mp4 100.24M
5 b$ N* d2 y+ S9 {5 x( K| | ├──27-二叉树获取最小值 .mp4 25.21M
3 @! z A0 {# i Z2 Q3 D6 c- m7 N| | ├──28-二叉树的添加 .mp4 72.66M9 S' J" {8 ?) R+ v" f. ]
| | ├──29-二叉树的删除 .mp4 120.06M, s1 C* N0 x: N
| | ├──3-线性结构 .mp4 53.14M4 F& x% k- R% B1 t# n1 ?
| | ├──4-单线链表1 .mp4 68.36M% l' s3 ^* D. |) ~5 W
| | ├──5-单链表2 .mp4 221.69M, q! j0 {! a4 I; h$ D2 T
| | ├──6-双链表 .mp4 103.57M
2 F9 v8 n! S! T| | ├──7-队列(链式) .mp4 74.12M
1 M8 \' {( `1 @| | ├──8-队列(线式) .mp4 30.99M7 p7 ]/ b6 `: f2 N
| | └──9-栈与双端队列 .mp4 28.12M$ F* U) v3 d l- Z9 G" S+ N
├──3--人工智能基础-Python科学计算和可视化
( B/ z0 I0 D# Z; F: [, K| ├──1--科学计算模型Numpy
+ B$ s/ \# L4 i+ m6 E2 s: {- y# r! _| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M% |7 N% `0 T) o, r! S* [) d
| | ├──2-Numpy_array_arange .mp4 35.45M
p/ x; I$ P% `| | ├──3-Numpy_random随机数生成 .mp4 50.54M
+ ^7 I2 F4 j$ Z0 n9 }+ e$ G, i+ ?| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M' ]( u/ P% R; m: M5 d9 z: Z6 e" J+ B
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M0 b& I. {! E+ r5 C: d
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M' o f' N6 D3 g7 N& A. e% d3 e
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
! R/ J/ ~$ |. a a. U| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M4 \9 e3 c n* S: e% r6 s! J
| | └──9-Numpy_聚合函数 .mp4 23.68M- I Q& G5 k: U- g- g) Y
| ├──2--数据可视化模块 ! L! N0 g7 J4 s3 X3 x4 _# ]6 d
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
( @0 ~8 e1 j8 Q* H| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
5 K7 |1 ~7 \- ~( R/ s| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M* p( N0 f n& J; K/ f k
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M; ^3 v4 Y. V4 |4 f
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M( W1 j3 u. x- X( y/ d
| └──3--数据处理分析模块Pandas " w4 L% E8 e$ Z
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M& A) [9 u8 P5 I0 P
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M! S: a4 X& D/ B- X [. ^ k
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M0 h# l- L0 \) ~- q% ~
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M& y7 M5 e6 g- Y) `- o1 F$ h
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M$ | A8 c8 j; _* O0 C
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
2 C) d+ f$ h4 H% [$ c, L| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M2 V! v/ R* V! E: o j7 t) P4 j! x
├──31--【加课】 强化学习【新增】
3 ]0 p% i2 ~9 a" a1 H| ├──1--Q-Learning与SARSA算法 , `8 ]* C" j% E4 N
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M/ A/ n( Q7 v5 s( w- l( C# I
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
' a6 m L* z) ]& [2 E* b ~| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
0 C9 K, }* B6 a8 ]% b6 [| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M5 ?9 P# X5 S4 x' l
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M8 [% h: S7 q( v4 B& T
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M* X5 R: X, k7 | }5 F8 D# `+ q2 J
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
" S+ N- b, B+ _( S* |' \: v9 I| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M) S# q0 V' G2 t- B3 k
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
3 {. _! j8 q# q| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M, `2 I* @# m8 O, A g" K
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
i3 J* ?, Q+ \$ X! ^| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
. g, h+ P0 y# l R7 |( [4 A( ~| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M6 ~3 D* a( l f# b, N: l. I/ s$ U3 O9 j+ _
| ├──2--Deep Q-Learning Network 5 [1 H# q0 Z8 q+ v$ {! B
| | ├──1-DQN算法思想 .mp4 59.24M
. P6 \- s4 S" `2 v" D# K2 }| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M3 f0 C1 L, |3 h' w
| | ├──11-DoubleDQN代码实战 .mp4 44.49M% U' u+ w! }3 }3 G
| | ├──12-DuelingDQN .mp4 88.12M1 i. Q- U4 D# I, Q d$ x8 I: c
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M5 |! I, Z) n4 w- G
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
5 ?3 I2 I1 W# n( ^5 v+ k& t| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M2 m8 X7 b3 b- C/ h
| | ├──2-DQN算法具体流程 .mp4 56.17M2 i) d2 [! j( F
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
8 t* w- a+ }! i| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M2 K8 s* t3 x3 @2 s' V* v
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M! a3 k" G) u' g6 A" Q( f# {' ^
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
$ M8 O; Q" S* z5 g6 `- @$ Q| | ├──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( o( L# l5 k# ]. ~+ c. {
| | ├──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
% H3 y" y( v& v1 R7 T' j5 ]| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
5 D; d9 n* Y) O R# X1 X7 N| ├──3--Policy Gradient 策略梯度
! B9 d. l4 v3 ^- F- k| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
6 }& j, @; j& y3 N! K" b& V4 g( T* w| | ├──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
7 e2 M( E/ C- y1 s| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
$ G/ T( y! _7 g/ {| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
- Y6 \, Q4 s" s) [, p2 ?| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M5 B [- s4 T1 N+ G: P9 W# |7 l
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M& A6 V% }. M( f8 c0 ^) _
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M9 s$ f1 w9 f9 ^
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M& P7 M. l# Y- F% U; J9 E: [: X; I' @
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
2 t" k. j, \9 p| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
. ^. }2 ~. M! G" \, j, F H9 Y/ N| ├──4--Actor Critic (A3C)
3 t+ i1 r& Q1 q, B/ o3 H' ^| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M9 T+ T( f$ ]; [+ E# ]# }; m+ H- 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 36.14M, _, d, t5 R4 Z$ q% u7 H4 n- a* z
| | ├──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
% {& |' a0 g' K| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M8 U7 `" `* F3 Z3 y
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M0 P* w* \# o, b _- J5 Y: F) [
| | ├──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
0 q: T; m; [9 l- ~2 A" m| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M1 h% T) R2 E' d1 o. }
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M+ U7 @- O6 o+ V# V
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M( q6 l: L% I' v" _
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
5 z- P# R& n c7 \' h' T0 W* \| | ├──6-A3C架构和训练流程 .mp4 74.66M% A7 w* O3 K' u' L9 h: A% |" o
| | ├──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
3 ^" I4 b- o; D, D5 R$ o| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
7 T: F9 h( |5 G: ^, Y ]& y7 o/ v! U| | └──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
7 V% l; r8 w) z3 P0 t| └──5--DDPG、PPO、DPPO算法
) v$ g5 r% X0 p/ i! j| | ├──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. e6 L& m# K! s2 l% }
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
- y! D- C* v' E j. A| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
A! F+ e/ f. h+ o| | ├──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
) F- I+ q: p& `- X+ ]0 t| | ├──13-DPPO分布式PPO .mp4 63.81M
% r5 Q5 A- A; f1 [- v: T| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M/ ]0 j& f# @' d1 j& j4 e0 k+ x) L
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
2 Q6 a8 U% J r% E6 Q| | ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4 51.45M
3 r3 \0 z5 `; Q0 M! m4 G% {3 h3 z| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
3 u- ], \/ v8 F; ?| | ├──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* t& c( W. I9 f' |0 R
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M) Z, Z; L) |; q- \
| | ├──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; L5 ?, j; ^| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M ?; |6 p7 E6 t/ i; ^2 S% D+ }
| | ├──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 G) ~$ q P; x' x
| | └──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+ F4 g* \: h* h8 Y) @# f
├──4--人工智能基础-高等数学知识强化 9 j0 T. Z7 R5 b4 l
| ├──1--数学内容概述 3 I6 k% Y5 w3 s5 g* B
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M1 S2 k; ]- ~2 I, R+ [
| | ├──2-线性代数_概率论知识点 .mp4 26.81M/ b! n& i1 l: R9 f3 C0 D
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M0 }; x3 @5 G, M2 t
| ├──2--一元函数微分学 4 m6 K% a! A5 C( {, [
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M& e/ a$ |4 t r
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
8 f+ Y$ B" h+ u+ X8 H) z5 Y2 t# @5 N| | ├──3-常见函数的求导公式 .mp4 22.76M/ q: ^/ C# j; q: j
| | ├──4-导数求解的四则运算法则 .mp4 26.52M( Y6 J" F5 m+ j$ _1 W
| | ├──5-复合函数求导法则 .mp4 19.68M
! v7 e! P1 N/ K: x N| | ├──6-推导激活函数的导函数 .mp4 33.40M) j, ]7 ^8 L: P3 N( G
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M+ B+ l/ V( r) Z/ e. e% P
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M! C/ U4 C3 n2 y: H) \( P2 J4 O# c
| ├──3--线性代数基础 + Y6 |7 p3 ]7 ? c
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
* N. ]1 u# }+ P5 `9 C| | ├──10-矩阵的逆矩阵 .mp4 38.54M
: w' u6 B1 e$ L' \$ i7 F7 O6 [' N| | ├──11-矩阵的行列式 .mp4 20.13M1 X2 Y+ j) G0 ]3 |, {
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M j5 m/ }' u' _& q7 }- p
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M9 @7 }% R: s+ e8 i
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
8 m& i* E( d* K8 O$ p! u| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
$ ~( X1 r4 a s7 p+ B| | ├──6-特殊的向量 .mp4 26.45M7 o6 q+ Z% L2 |" N" ?4 G
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M: D& }$ s: X4 z! i: Y
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
5 r4 \1 M/ N9 T, `| | └──9-矩阵相乘 .mp4 20.02M
( q8 n3 J! t3 G/ f9 w| ├──4--多元函数微分学
, X" o9 S1 q5 W8 D6 s) Y| | ├──1-多元函数求偏导 .mp4 22.61M# d" [3 [ H- t# u) S$ p! U7 A
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
: s3 @: f& h" c# P6 k7 || | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M, G% e0 v: H* n. g
| | └──4-Hessian矩阵 .mp4 32.93M
! y/ Z [/ Z+ K' \$ Z) n! ~4 L3 {| ├──5--线性代数高级 , w0 w Q8 Y6 l2 [
| | ├──1-二次型 .mp4 27.70M
' m3 P M6 _; Z; e. ^8 h; h0 {| | ├──10-SVD用于PCA降维 .mp4 24.90M
2 v9 V, }. o: Z. i3 ^| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M R O% }7 r- U3 t8 D
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
1 \0 X) O2 x/ J8 n1 s| | ├──3-特征值和特征向量(1) .mp4 29.83M
, K; z, h! @% ^' C" e- g# A| | ├──4-特征值和特征向量(2) .mp4 30.07M
( m- ]* b0 y" W. m; h| | ├──5-特征值分解 .mp4 38.68M
7 c9 r! j$ }9 t! Q. s! T| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M+ T6 Z. t+ c2 c5 C0 P
| | ├──7-奇异值分解定义 .mp4 22.58M2 k% k& d8 Z: k+ F. _ n) A
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M. V1 H; w: a' Y0 g+ }
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M5 G; C/ \% w5 C' D: j, M
| ├──6--概率论 - C( V; O% h1 A2 u
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M8 X9 r: h6 F9 E+ e) }
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
' a0 t8 l4 _) @, e7 J6 |/ K| | ├──3-随机变量 .mp4 22.57M
8 ~$ W2 r T& ~8 T+ g. q| | ├──4-数学期望和方差 .mp4 22.96M
/ S8 F8 j! U: f% A7 A y* H| | ├──5-常用随机变量服从的分布 .mp4 22.48M6 g7 `1 k9 d! I! d. A2 p
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M% ~" G, z0 C' A {; q7 h- ?
| | └──7-最大似然估计思想 .mp4 23.42M1 H6 E) B* p/ V/ ]$ [; z$ c
| └──7--最优化
" F# H- I4 s. T: _: r! U( \, R| | ├──1-最优化的基本概念 .mp4 35.14M5 a+ A* b& Q8 l7 F4 _0 ^9 @$ ^
| | ├──10-拉格朗日函数 .mp4 27.46M- o8 Y( K0 U$ M+ O3 D+ r
| | ├──2-迭代求解的原因 .mp4 20.15M7 b9 i6 [4 x2 A2 D6 |" d
| | ├──3-梯度下降法思路 .mp4 26.33M# W' Q' d1 R3 S& n+ G+ G+ w
| | ├──4-梯度下降法的推导 .mp4 43.56M
, l8 h3 X8 g8 Q1 B- \1 d8 f| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M% @+ H1 A% e; J' [; N: E
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
/ @+ y$ ^# @4 e& P$ w2 s( R| | ├──7-凸集 .mp4 21.90M' x: U. [7 b, K9 }" V5 C$ m: ]
| | ├──8-凸函数 .mp4 16.93M# [% u# ]; J) ~
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M+ L1 `- |2 O$ o9 H7 s! `' T
├──5--机器学习-线性回归 @ i4 I( V; V/ Z/ b
| ├──1--多元线性回归
2 K& G4 r$ Z6 c9 v| | ├──1-理解简单线性回归 .mp4 51.11M
( d( D& s4 V" \6 }| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
& z/ W5 _3 M4 Q; W| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
; G( K+ {, E \ l" h6 s1 || | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
# y: T7 l$ K& y* w| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M9 | I7 w0 z! _0 n" U' O) v8 g. q% r v1 V/ c
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
/ T! ^' h F" `/ `& T, S3 _: ?| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M8 X; E/ X4 k7 P: W+ ] P9 |
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
# t$ ^; [. s X k1 y, p4 N| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M% h% M! s% t9 }+ E% H
| | ├──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# p/ w7 J+ u! {' a! P( K/ r2 W
| | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4 34.67M
3 A' D$ D% | H- a| | ├──2-最优解_损失函数_MSE .mp4 39.58M/ O) T* L) K$ o7 \
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
3 H) B/ S }, S/ e8 w' y+ || | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M1 [0 E4 b6 x/ A0 L+ x
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
' @+ W4 d# I2 ^6 X| | ├──3-扩展到多元线性回归 .mp4 32.15M
! k6 L! f& h1 E. i| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M- t+ K) y- T: S `0 e& o
| | ├──5-理解维度这个概念 .mp4 41.41M' l* L n2 M0 A$ D& q: I& e) S$ Y
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M: g9 S V/ c _0 S/ p8 v+ F# Y
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M+ [8 C _ b0 X8 \- v, G
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
7 ~, v% B6 `% H" Q| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
. L1 O2 }% E: M0 e| ├──2--梯度下降法 2 t) E' c. _ n0 x8 e* \0 }
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M- B: X' D/ V% B
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M6 ]' o2 a' M! O7 J4 }: v
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M$ M, H+ ?/ u7 i+ d* P. Y- `
| | ├──12-代码实现随机梯度下降 .mp4 26.67M( V% {! ?5 p7 s( u: m0 U( u
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
; n5 L" H3 o% F+ z* m7 c| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
3 d/ `6 o; G0 D( U| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M& s; P% u9 J* }
| | ├──2-梯度下降法公式 .mp4 57.12M$ N0 e) G* l$ p6 i
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M/ ~8 D9 m ` K; E7 T1 `$ h
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
3 q' i! y( }8 Z. u9 Y! n| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
/ `6 ?9 i1 ]7 h| | ├──6-全量梯度下降 .mp4 62.84M
4 K9 C# Z( C6 T7 S) @% ~! p| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
+ Y# W) u" s8 ^* e# z2 w2 _- c| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
2 G: y% G6 ?( h- w- v$ d| | └──9-轮次和批次 .mp4 45.22M
0 n' M4 {/ b/ M| ├──3--归一化 ) m' I+ E2 w5 T5 @4 C# P
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M1 z; Y( g2 ^. m- H
| | ├──2-归一化的目的_举例子来理解做归一化和不做归一化的区别 .mp4 34.11M
6 ]4 \1 |+ d a# f: g _2 l| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M7 w' L5 U. J6 U+ o/ W' }0 i& f
| | ├──4-最大值最小值归一化 .mp4 24.87M! }: v, K( P/ C+ k0 j# U
| | ├──5-标准归一化 .mp4 51.86M$ N# w! R9 U: h, U3 D
| | └──6-代码完成标准归一化 .mp4 41.13M
M7 ^& q6 @' l3 Z| ├──4--正则化 , R* X8 K) Q: @ Z
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
1 l: s9 T5 R, m# K% P' c6 r| | ├──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. V! K0 ?" c! t% i- J7 I) s
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M# u1 j% k; ^) \ o( D
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M2 R, N/ | {: \ Z& h8 Q7 s1 f
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
' c5 v9 X. _3 P3 Q| └──5--Lasso回归_Ridge回归_多项式回归 3 ~* Z! Q+ j( O G6 N% ~
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M+ y& @8 t- }( x) M, h$ c' U
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
+ t3 ?* p5 N9 ?3 O4 Y. v! D| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
. v: P7 P8 O+ s L$ O# P9 J| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M. {" {' c, Y8 k7 }9 [+ V {
| | ├──2-代码调用Lasso回归 .mp4 28.73M/ d4 H1 H, T8 Z
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
( \- ?8 M t$ @7 H) |# x| | ├──4-升维的意义_多项式回归 .mp4 48.06M
^3 w: ?) H% h$ W: J| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
* ]# q* J2 B* B. H) ~ Q| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M4 Q1 n2 A* ^4 E7 |
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M4 D: D0 I8 l: _
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
! t$ W: u- r# P3 V& S7 K4 i| | └──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) F" @- ]' }; ` F: | s9 Z) r
├──6--机器学习-线性分类 6 {5 ?' V! b/ g9 M4 f$ [8 {- h( [
| ├──1--逻辑回归 / L7 G2 B* R8 [! v4 {- R4 e8 S8 \
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
, A V/ c2 C" U: O, D| | ├──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
8 K$ P% m- R7 x$ ]| | ├──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
& Q+ z Q5 U% J| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M2 m; f, t/ B/ n/ W' @- E5 A* u
| | ├──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
5 l- j0 m' @" z& M+ b| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M) @- p1 H! B4 P- X$ S5 N
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
9 q% h2 `3 ?1 z% u| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M% j; N+ U# ]: V) v
| | ├──2-sigmoid函数作用 .mp4 38.15M
& S; h" d3 l# |7 t: T| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M& Y) b7 c: N( {) Y9 N" C( ^" v
| | ├──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' l8 K3 n5 u( T( y6 N: K. j
| | ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的 .mp4 6.71M+ }6 \: r$ }- m0 M4 K9 Z
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M' k E: @+ U6 o: X( N" l# Y9 G
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
& V* k6 y2 B- A, o |4 K7 Q% O| | ├──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 56.56M2 D1 w" V" f" j1 u0 J( {0 {, k
| | └──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
$ u! j& a% V1 f6 X0 Z; O8 a| ├──2--Softmax回归 9 b4 f* A$ {) y
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
' {. W- I% q L. O Q: f6 \| | ├──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( X4 E( N9 D) Q4 K
| | ├──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" D$ u) l3 T: N
| | ├──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 47.67M1 x0 j+ K! K/ ?5 _4 J
| | ├──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/ r0 t# p# N8 |+ R6 k9 t, [, }
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
7 l; K3 S! c5 b| | ├──3-有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本 .mp4 33.42M
' f+ o! l! a, r7 c5 c- _) O3 @7 M| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M
3 y5 R: x& b( t: u4 S- {: f/ j4 G| | ├──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; M1 ]( f# u4 j% X
| | ├──6-逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别 .mp4 46.67M( ?& S- o2 i P3 h ]
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
% C0 P! @9 W1 o3 ]% h| | ├──8-实战音乐分类器_探索不同曲风音乐文件的时间频率图 .mp4 52.39M
) V2 G7 k3 `# W% n| | └──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
0 A: q% r0 T! Q* L3 Y| ├──3--SVM支持向量机算法 8 ~& t1 S; w* o) @4 }
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
- i9 `! D5 t% x; Y| | ├──2-SVM的思想 .mp4 55.56M
. Q# E# L, u6 ~- I/ z7 x0 V| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M- g8 S, r6 l' ^9 ]& y
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
7 y, C# G3 T) x# z/ f1 W7 @| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M* y* d1 V+ z- L' q9 r
| | ├──6-总结硬间隔SVM .mp4 39.01M3 D6 ~' z9 H2 F$ `( D( d
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
! x- g, k% C# U| | ├──8-非线性SVM .mp4 54.43M9 a4 K( s4 F1 C( E
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
% _( h+ y% B, J7 v: \& |0 z| └──4--SMO优化算法
% S# I8 P _8 P# K| | ├──1-SVM算法流程总结 .mp4 58.36M
- ?* \% n2 i7 {: F; c) }) f| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
7 d( `+ ?5 P& v, H( ?" A- Z# @| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M3 M& ~; l4 A7 L7 Q% _( V5 d
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M) e* I# f Q, P1 k- I% S
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M+ \, e5 k9 Q* W8 G
| | ├──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& }, j7 N% r' W c7 M, o: S
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M' h2 l* S1 z7 J
| | ├──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# u8 E' H/ M& n! U
| | ├──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 w4 J! y" r# K% 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# e5 x# u( ? E( B# X4 ^
| | ├──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
8 [" B6 |* f9 {- c" h* X& R/ [0 t| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
: i9 w+ m ?" A! o! m* K| | ├──7-启发式选择两个α .mp4 23.11M+ _, S! a7 X! X
| | ├──8-如何计算阈值b .mp4 50.18M
* r9 h& d: ^: D8 p. e| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
& d8 {: Y( `" Z/ R0 ~. U' D├──7--机器学习-无监督学习
, Z5 N h2 @+ h! _| ├──1--聚类系列算法
+ p4 Z; P5 N8 `% i$ N. s| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
; |9 c6 G7 n7 z$ r; Z% g$ S| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
' z! G# o! X5 r& w) Z0 } ]| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M8 D( @7 V8 s2 r! m
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M/ d( D$ @1 N7 X
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M" ]0 G! J1 a4 j7 N% }5 w3 w7 q6 _
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M- Q0 g+ o& I3 v+ N2 c4 o/ b' P& h
| ├──2--EM算法和GMM高斯混合模型
; N5 o9 @) i( V* Q% }: h; U2 f8 o" g| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M8 ]4 w2 F, @3 D2 U- L
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M% T3 D7 S# m) W- N$ \
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M- P- s- Q0 A5 A" V# q. P
| | ├──4-Jensen不等式的应用 .mp4 109.17M, x0 _" }- `0 D* [) Q- ]# r
| | ├──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( g( C5 }# x/ M4 r4 U
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
! E9 S( c2 ~6 v& i| | ├──7-GMM前景背景分离 .mp4 16.01M
4 m9 y0 ?3 h. ~4 ]6 B/ f8 a; z| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M" N- |' b# G: W
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
9 B% ?/ l" F( e% \| └──3--PCA降维算法 8 B7 G. k/ C. b l: {
| | ├──1-特征选择与特征映射 .mp4 49.38M% t0 e$ b1 b/ U2 |
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M$ N! |$ i2 }& Y" @) a: S4 d( [
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M0 M5 I- Q, g$ ~
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
2 c1 ^. u3 t) h4 {! X| | └──5-PCA的几种应用 .mp4 54.58M
8 P, c7 R0 e& C- y; x├──8--机器学习-决策树系列 : ^4 R; E/ s( y# ]
| ├──1--决策树
- c% a: ^! l- k5 g0 u- `| | ├──1-决策树模型的特点 .mp4 74.88M L1 E# z9 Q& ]* x' n5 N
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
: p( \1 x0 |5 t3 U% l" `% O| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M/ p3 G3 q& T; n5 H+ m$ I
| | ├──12-后剪枝的意义 .mp4 50.49M' h' z; U' _) ~4 U
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M% k8 n) N4 D0 P( |" E& i
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
) @4 |1 R6 K) Z# B1 w9 L| | ├──2-决策树的数学表达 .mp4 89.94M
5 i9 D& D, v! a$ a| | ├──3-如何构建一颗决策树 .mp4 84.87M( L/ \6 R- [3 _" N
| | ├──4-什么是更好的一次划分 .mp4 57.02M6 I3 H( h8 o! F4 A) |. | d
| | ├──5-Gini系数 .mp4 107.54M3 r" E- ?. V; a. }& ^" |
| | ├──6-信息增益 .mp4 75.26M1 i) s7 ]- s+ k" ^4 H
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M9 ?4 l, r' z! h: b5 i; c& y
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M2 o( L" o6 |$ L6 A
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
8 j& w& N: S+ q# d8 m0 [( S/ X| ├──2--集成学习和随机森林
: t% I% Q( t+ j" `) Z" c: b| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
3 g6 g' A5 d0 r! {4 j3 ~| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
- \0 z9 e- R- j0 C; z: A| | ├──3-随机森林 .mp4 108.14M
# ~5 z' I' E9 C- N ~| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
- W5 N9 j- s! V* l| | ├──5-OOB袋外数据 .mp4 106.07M
5 F; f% f' W+ k8 U# \% S| | ├──6-Adaboost算法思路 .mp4 106.30M# I- T- n# b- l& p) ^. V
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M8 }1 j6 s- N/ z; M4 S$ w# D
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M6 ^$ T$ `# v( A/ i$ \8 e8 U- s
| ├──3--GBDT
: k0 J( p: d" o' o' {% E& z| | ├──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; d0 n L) w) x; V
| | ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度 .mp4 72.09M
. S7 H9 B6 h& `8 z+ y| | ├──11-GBDT多分类流程 .mp4 73.80M
9 M/ _# f/ F- b3 W| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
- B3 g$ q7 d! X, ]7 t4 \| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
3 W3 d0 P/ q4 v% A| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M" D; g: `1 f% P6 k$ I0 W
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
3 ?& ^& t6 P) T" B1 Q| | ├──16-GBDT多分类举例详解 .mp4 91.71M% P0 X; z3 ?1 N' T: ~; D
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
/ v! {7 w6 ?- p y9 P| | ├──18-GBDT用于特征组合降维 .mp4 43.72M" j. {& V# Z6 \
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
9 T0 ^1 t- Y4 q( ~& E7 b$ V) V| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M/ Z# Q1 v: E4 X
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M; P2 J" P. n+ A L
| | ├──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" H0 g2 M! c; S( a+ y+ l
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M! L" N; e( u4 X
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M% F' E( p0 @, x( h7 N
| | ├──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+ i! Y- j" e9 c1 o) @9 {9 ~
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
4 [2 I$ T; A& c& v* l| | ├──5-GBDT回归举例_总结 .mp4 108.52M
4 a7 ?5 a. _0 C7 f- N5 ?| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
$ P( w$ H" k. N2 a; v# c| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M# b4 v! ~3 z' x7 ^' S1 l# l
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
5 R) C9 x; M: ^# `( X. a+ k| | └──9-GBDT应用于多分类任务 .mp4 73.34M) x7 C. [% P- r5 i5 c$ o8 q
| └──4--XGBoost
8 J Q+ h. z/ v& u% }| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M! X2 u8 H$ y1 G4 V5 L
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M, n7 W9 J5 b: z5 I) s) @7 m! {
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M# M% W9 y, v; B
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
* u. w; G" Q3 U( M0 d4 u4 |: r| | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构 .mp4 106.69M6 f4 n, v/ H+ |( Q0 d
| | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件 .mp4 73.80M, {5 }/ S! d9 N2 j" a( z
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
. t. s4 l7 }/ @- V/ O3 E" x+ X| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M& L6 h( y3 g' }+ ~- d* N5 O
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
( h! l: e1 x1 ?/ }1 H$ O& e| | ├──2-Bias_Variance_Trade-off .mp4 66.00M. N/ Y. p, O- W( m+ c
| | ├──3-基于树集成学习4个优点 .mp4 91.36M& Q& B( V# r5 _
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M6 @% b$ v, X. {1 P- M2 F) |
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
: U+ c1 R$ E5 ]0 a& b- p/ j3 _! V| | ├──6-Objective_vs_Heuristic .mp4 60.42M
1 e/ U' c7 h2 L| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M4 ]8 z5 m7 T) y
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
! D% b' X4 j( G- `- V9 m| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M
: |/ c8 z2 p' h7 B% v- J- d├──9--机器学习-概率图模型
3 S% v$ A* m+ y" H! n% e& I| ├──1--贝叶斯分类 , L6 Z0 h; n8 ~8 f0 z9 i
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
6 D# @- A. Y" r8 k, [| | ├──2-TF-IDF .mp4 53.08M
* E: W1 a. _* S1 R& f& e$ C| | ├──3-NB代码实现解析 .mp4 126.73M3 e( v O/ h, u" Z. b+ ?+ {, d
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
& p4 @2 u! f0 g5 Y| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
. R% H+ W+ S- l' }: ~: M" b| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
4 N( m# t- Q6 y5 y| ├──2--HMM算法
6 f7 w: D2 h% J: ^3 j8 q' c% s% {| | ├──1-HMM隐马的定义 .mp4 36.82M
3 b+ Z) i. r& [- H| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
6 I. \! y. p- |0 C* M: I| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M6 n% f9 G; Z# v, O
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M5 ~! X- G8 M) p9 D+ l
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
. V* O+ `" o$ E7 Q+ A| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M' d0 U7 { w6 L j Q4 Q3 T
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
' K0 ^5 L! K; Z* N: E| | └──8-Viterbi算法代码实现 .mp4 42.43M
- _/ A! G' p% w$ V* K| └──3--CRF算法
0 E6 l: d0 U# V7 || | ├──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
5 d/ p) W, f7 d0 y0 @0 |, F( c$ D! w( N, H| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M5 L0 J& X# J. j: L, C# ~
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
3 d8 n: s0 K0 |2 ]: e$ O| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
6 Q8 A5 I6 I! g* v# ~; @. _: I( b" z| | ├──5-CRF的目标函数 .mp4 23.74M) R5 X N7 T1 G
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
Z) o# r6 s6 P: U. r6 H& E| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M7 _+ ]$ v' n7 Q% A2 O* D% G
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M, B( X1 n, U( u# d
└──课件.zip 2.54kb
' j# M( n; f& }' l% @0 T: h7 r$ s; F- R* x7 U
' k7 X& |9 ~+ T$ ^1 a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！- l# g6 Z; c- x n
3 \1 _* k r' m. G; F( ~- j! C+ {+ @9 H4 H/ I d4 F9 v
|
/1 
