战-人工智能2022/. Q7 V0 [& J3 e7 }3 N0 _
├──1--人工智能基础-快速入门 & K/ d) v# a6 E4 `$ ~" }% @
| ├──1--人工智能就业、薪资、各行业应用 & v6 ^% W5 w3 L& M2 B j7 m
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
: ?6 Q3 P h- R* g, v. K| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
% @" c* K3 h/ N5 ?| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
% M8 U2 [0 V5 e1 J P% q| | └──4-人工智能在各领域的应用 .mp4 57.73M
/ y- M* H I& J1 H7 y| └──2--机器学习和深度学习、有监督和无监督 ! k6 L7 b) ]( n( x% ?2 u/ h$ L
| | ├──1-人工智能常见流程 .mp4 89.62M
' O+ i$ H( B3 Y$ |6 d| | ├──2-机器学习不同的学习方式 .mp4 83.51M H8 \7 l' r/ `* [4 |
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
6 r6 W* @0 W7 u( y* [| | ├──4-有监督机器学习任务与本质 .mp4 37.50M( _% A* z; M8 k( ^3 F/ l; }0 s% k
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
! I* l; B9 o" G% J, W& `6 _├──10--机器学习与大数据-Kaggle竞赛实战 " i6 d5 }. h4 ^% g4 N- F! g
| ├──1--药店销量预测案例
( a- }& o1 ^2 o$ ^; c| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
# ~/ O; ^ h' X8 O" i| | ├──2-对数据字段的介绍_导包 .mp4 19.90M3 {& S% g8 @8 a- H2 y0 ~/ v( d
| | ├──3-自定义损失函数 .mp4 21.12M
- c1 A& K4 d$ l& j4 k| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
0 q8 S* F! _: y4 J! @ r: {| | ├──5-数据的预处理 .mp4 111.81M! V. S0 w6 [; H" g- r/ l
| | ├──6-模型的训练_评估 .mp4 66.64M- \6 y7 F6 T5 S) y0 `" U8 p
| | └──7-kaggle竞赛网站学习 .mp4 172.16M1 n+ O" H& R' q
| └──2--网页分类案例
. B% M2 A/ H1 J( v: p: Y| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
+ k6 J1 _9 I. B( 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 q5 M m: i t: H6 x" w( [
| | ├──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/ P$ K9 e* @ ~; K9 J4 b
| | ├──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. Q, a8 w2 D, [. J9 s! b6 u7 ]
| | ├──2-评估指标ROC和AUC .mp4 56.19M
$ u9 h2 X# g* I/ t. m7 j5 R# m) S| | ├──3-评估指标ROC和AUC .mp4 49.03M
2 A" s6 i& h+ W+ v2 q| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M4 b7 Z3 k( g9 `2 u6 r
| | ├──5-数据导入 .mp4 68.41M- e0 @) L5 j% F
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M- \- e5 u: f5 q, {1 b7 ~) m- u: G
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
M6 J! M5 o+ A: {1 l2 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 62.48M8 _0 S# @* f8 h+ o. F4 `
| | └──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 87.47M7 ~" Y6 C5 O' k1 q5 v- c) @/ t0 v) E
├──11--机器学习与大数据-海量数据挖掘工具
- k/ [' ]0 f0 A+ Y| ├──1--Spark计算框架基础 & I+ b0 L/ q E6 v
| | ├──1-Spark特性_01 .mp4 41.68M
3 t: o0 W* l! o| | ├──10-分布式计算所需进程 .mp4 26.30M
* d0 z& x& J3 `% [ d) n/ T4 H| | ├──11-两种算子操作本质区别 .mp4 56.31M
]9 G4 }; v& J# H7 P| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
$ c. f. s r# \| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
$ y4 r$ @( }7 R- d' || | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M* p& f6 l( B$ ?" H
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
5 }" w0 P* O1 a/ T2 `| | ├──2-Spark特性_02 .mp4 35.15M
- k ^8 c0 _8 |( [( N2 L| | ├──3-Spark对比hadoop优势 .mp4 19.34M
) P# l% f2 A' p; Z8 v# W8 _: T| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
/ I1 z, W9 I& `6 U* n* E| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M1 j. y" B; O* D
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
4 I- a( `. w' d: h8 I| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M2 w. X% J# }8 A! b; k& D# G9 t" H
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
: z- } H3 e: M( f% {| | └──9-Spark的RDD特性_02 .mp4 33.41M M$ n: R. t3 i0 L6 q$ F
| ├──2--Spark计算框架深入
5 e- j2 ]$ x* X( a1 G0 || | ├──1-Spark数据缓存机制 .mp4 54.43M5 T0 G1 g3 }5 o* C# r
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M7 F+ M* s0 K+ d
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
: k. c" ~9 C) n: `2 f| | ├──12-构建LabeledPoint .mp4 111.08M1 ^; _" _9 {5 c* V% R
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
( w- q7 y% i+ `' @| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
/ i( K- {" y9 U" F| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
& Q" i6 r$ G( C6 M% h* w% v| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
+ q; e9 Z" k- f| | ├──5-Spark术语总结 .mp4 89.66M
# z/ A0 k: ]) U; I: ~- ]& X# h B; U| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
7 t t) t0 e6 I$ d7 Z- g| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M) b, A" s' O$ `9 S0 e/ v4 }
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
0 Q- d1 h7 }7 W| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M+ ^; }; R8 v8 H4 y
| └──3--Spark机器学习MLlib和ML模块
g+ ]3 U8 s9 z8 i| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
" \1 {1 W! m* F5 M- j- x; L K| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
, q8 U# \% u- h( n| | ├──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
+ E9 [) |3 I% I5 M* T| | ├──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
- F8 R8 q+ O/ x. g+ [* T8 a| | ├──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
3 @ E5 \9 X3 D7 t7 t* l, k# j4 O) c| | ├──14-从数据转化到训练集的构建 .mp4 146.40M- l; ^. v" M1 p& K
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
% n' ?% p- w$ o( r| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
. W, o% N( I( @% c| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M) P* v+ q8 ^3 ] b7 \
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
2 ]! v$ M% {0 U2 S| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
4 }4 T. e$ P# ?# ?/ @% g/ c| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
F/ I% P' W( Z* ?| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M1 Q+ n- `' o/ h ^" d( \1 w2 `& j
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
: x- G: N, F. O1 V! I| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M0 L0 ~8 A" @& e+ Y6 P
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
5 R$ `, j) u' t! ?( W+ j1 y6 c# [! O| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
* ^8 F3 s' g- V/ q1 l| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
5 ?9 M- Q0 b/ }3 \8 V7 P| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
0 S0 S" E* v) n; u4 g| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M4 G& M. l7 N: g# P, J) K6 ^* i
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M4 L3 V- d: \0 ^$ w
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M1 Y& m, Z' Q; } m
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
( n1 z0 `2 W0 S) C0 c| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
9 X' e! ?: H% p| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
) ?/ t( z& q) o, t `7 g* ?| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M# a' j z+ m/ d+ K0 u
├──12--机器学习与大数据-推荐系统项目实战 + T& _) K' Z6 ~3 s# W u1 r" Z
| ├──1--推荐系统--流程与架构
' ~" F. @) |" E| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M8 r# v4 G4 _' Q# z! [
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M
4 ~3 V4 S; N6 q/ N/ K$ p* B9 || | ├──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: P3 ^+ a5 B% `1 ]% S8 G8 @
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
6 t; U! J, W/ \1 u7 l7 || | ├──13-推荐系统_数据源_2 .mp4 82.90M J) T, d1 x0 m9 B6 N1 T
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M% h/ d$ r% ~0 L* ?6 r
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M' ?/ i; b( `) Z: G3 e) |: T
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M+ H* | W) X' ]7 A: F9 S: }8 t
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M$ r/ w! Y/ q5 M! }, }
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
; N; X7 m& n, b) L$ h* i! I7 q| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
$ E* T' `6 ^5 K4 r: S% p/ A| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
6 L3 q% x% w1 H4 E' U2 h8 }% A| | └──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* Y" S% u( P0 ~$ C! \) Z1 V/ U1 _
| ├──2--推荐系统--数据预处理和模型构建评估实战
& X6 I( B+ _% J( i5 [/ t, p) Q| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M6 _+ k& F! G" V& k5 `( {2 G. E
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M' l/ V( \# u9 ~+ D2 O$ S0 Y
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
# J- K5 L$ H$ d3 f- o' i| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
' x" v3 S6 ~# D$ a) V ~8 o| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
/ C3 d/ ~, e4 I9 p| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
; L0 J( k6 S9 h& L0 f1 [| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M0 ~# i, R8 K% N9 | [9 j/ U% [
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M+ D* x8 l, h- k/ p
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
5 ^9 T, h( E `7 f3 b| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
% T. ^, b+ m5 W% c/ p z1 R0 e| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
1 E; \' f8 k6 w/ n2 e Q| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
) Z# h+ f& ^1 y/ l| └──3--推荐系统--模型使用和推荐服务 ) K) I% R8 r% e% B* c9 s- V) y
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
1 ^. y) o- u( J| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M8 r2 E- {' |5 S1 \& S
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M$ O/ D! i! {/ `" |3 ~
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M5 F$ b2 g" Q% | L/ x) F* X% [
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M- V% n$ W( Z! A8 e; W. ~' [
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M, N/ H: ^9 e& s4 o, P2 P) X
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
E! W) |6 {1 T- d; I9 l| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M% ` j* H8 V4 Y3 k! J* O
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M9 d% P0 H# V5 h" x8 H7 q
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
' g5 }, A4 X, e; Y| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
& L- w N; t/ N| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M4 Z( e. B+ A. T7 t6 ^7 f* G8 N! @
├──13--深度学习-原理和进阶 ( S! `) J& l1 ]6 l7 b2 B% q' R
| ├──1--神经网络算法 1 T$ k( j' M7 X- x) t0 e
| | ├──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( D3 W, \' f$ w1 D# f3 V2 d2 h| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
& c+ S4 M% z$ F- V. f# v. y& j2 V6 [5 ^| | ├──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/ U! l9 F+ C7 @8 [
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M* S; ^7 ]) {3 c+ |5 x* a- r) K
| | ├──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
6 K! [/ F& h' M$ ~. v4 B1 E| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
3 s1 O* X5 \6 I, r# W( y% E| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M1 e2 ]' Y1 u8 w- g
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
& I/ R6 B0 h! p7 J( U6 x2 H. r| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
8 x* v8 r' U' L& g' ?) [, K| ├──2--TensorFlow深度学习工具
: Q: Q, y b. [+ I& E1 b% `| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M; A* z; G3 p) Q P* Z, g
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
4 p# f9 x5 E2 P/ m/ i- s| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
: o, J0 c& E: F4 H5 x9 O( S| | ├──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 173.47M7 ]8 G# A {# z; l; w
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
) ?- }$ E1 D6 W% D| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M7 O1 L- H" P* x- X0 ?- M
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
6 u5 S- z3 W3 E$ K% e| └──3--反向传播推导_Python代码实现神经网络
( A- Y, J1 a5 g/ v3 y5 Z| | ├──1-反向传播_链式求导法则 .mp4 86.47M
2 s' O2 S3 j$ q| | ├──2-反向传播推导(一) .mp4 127.90M- P% f: I- }, \6 Q3 h
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
. f( _( F6 k' ?: r$ _6 z' u1 J| | ├──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 81.20M2 k& s' O1 C7 Z
| | ├──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
; a" M0 j$ g* Z# K| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M9 P8 Y0 U1 o+ r1 Y# |6 i0 F
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M* b( E/ O/ Z/ w% \. x$ _7 S6 _1 Q2 O
├──14--深度学习-图像识别原理 , G) P% d! W$ o v# p4 a
| ├──1--卷积神经网络原理 # c+ _" _' \4 }$ j' w
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M8 ], K5 T+ f7 J. k" K% z9 `3 R3 r
| | ├──2-单通道卷积的计算 .mp4 104.01M
: y; F. g: l; l! b| | ├──3-彩色图片卷积的计算 .mp4 52.79M2 Y2 b, I, K8 a
| | ├──4-卷积层权值共享 .mp4 63.93M& N# g5 _* _* ^& S7 I7 B
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M N5 e# ]$ ~, ]/ P; q' k
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
+ c% p- A: k) H; b; A" K6 M o| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M, n" F! V8 k3 Z( o0 P$ f
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M9 Z9 @6 J% |( D$ _( b" \
| ├──2--卷积神经网络优化 ) N/ N$ }; B8 h5 g
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M# O( J: j+ h) V' P) R2 K
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
, U: ?# a' v% z8 B0 L4 x| | ├──11-Optimizer_Adam .mp4 141.12M
; v; f7 E! a+ j+ i4 N R: j| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
e- }# j5 J# ~| | ├──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
$ l2 h0 X4 U3 V3 Y& T) P# C- t| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M1 `( X8 P0 B- O8 |
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M3 R8 {2 N; M, ~% Q) _
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M. {. H# H* h* G" {
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
r9 U0 a) l. A6 ?# ~2 L| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
: N2 ^* e0 R2 c8 r& b| | └──9-Optimizer_SGD_Momentum .mp4 89.70M3 T" O; B5 W+ Z, P
| ├──3--经典卷积网络算法 6 M1 M1 A! J! i$ _% [! e7 ~
| | ├──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% D+ R# d1 ]4 U5 s
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M. Q! P" B6 E4 T/ Z/ ?
| | ├──3-InceptionV1_V2 .mp4 165.86M
( g6 z7 j6 z+ j* ]1 f| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M U) ^9 B: h+ s% y
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
! [2 Y% d' [0 s1 y| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
! z4 v8 H1 R, e8 M4 T| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
- G: _0 b% K" O, ^' U| | ├──8-BatchNormalization .mp4 99.23M
- e/ S- J5 Z/ E9 n; `| | └──9-Mobilenet网络架构 .mp4 150.05M1 y1 K/ O2 e; m& _5 U. @
| ├──4--古典目标检测 ) b# X+ n& U& Z8 w1 _' j, S
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M) p% |* |$ M8 x4 P0 A F% u, {+ O
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M5 J- R3 m7 i: o9 j! M
| | ├──3-IOU以及python计算的代码 .mp4 23.56M3 _( [0 R* ]4 s0 g2 u) Q3 |
| | ├──4-R-CNN和SPP-net .mp4 124.06M
2 |: r; [3 h6 H+ K4 c| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M( b, u; G% \! {' _/ a! m
| └──5--现代目标检测之FasterRCNN . T- I& d- C5 P6 }
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
+ Z8 F. p0 N0 ]+ p; M| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
& Q( [# l6 R7 I| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M7 \4 x$ n( ]) H& @5 W4 C! m: z
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
, @- }$ A* H9 z: O| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
7 k% j0 k- U, Q% k├──15--深度学习-图像识别项目实战
7 b5 K( }' S* ^" A) V5 j: Z| ├──1--车牌识别 5 Z6 m+ ^0 W1 I8 Z8 m* O/ z
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
$ v. j$ x4 R0 W& ]3 J| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M4 Z- d' u' L, u/ F5 _4 y" G
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M3 |; U: ~- F6 m1 W% B! y' K
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M, n- z1 h* V8 G S# B
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
* w- N$ N1 v: X8 I U. F* u: e* {| ├──2--自然场景下的目标检测及源码分析 ; x2 v8 r( c# o2 S$ R9 {. e
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M" t6 {* i, G- k- r7 J
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
P" r- E+ N$ {4 d( n: t: G| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
5 ^' O6 Q% t4 @0 D5 H' e: v. l| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
( @ ~& B/ x! J0 F5 `+ w% k| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M( k+ d- c1 H7 M7 E# z; S
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M/ G7 ^, Q$ R. V6 G; ?
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
4 j3 _ Y6 K, r' S5 Y! v3 X9 B! D| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
- b8 b4 J9 q2 L; z Z0 G| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
4 r! ~: c6 j; q# @* z o" F| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M b' p0 T; g; \% D: m
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M, x8 D! K- L! r5 ?
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
9 M& U- d6 U% S; ]0 d: H| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
/ x) I$ c3 j# ?. D' r8 x( ~| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M- [; {/ I% a% e# s& e, {
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
[2 V" o3 X; Z, A1 V2 x| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
! \! `# O( ~$ d. [ V$ F6 e| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M! Q" z0 x: s3 O; A$ n8 F D
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M+ E. ]" Z$ ?$ W. o$ g* ^- ?, |
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
. O+ O1 r3 ]0 R2 b| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
/ c* @) \. w3 o) J3 |2 y, L| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M) F# j, Y( s5 c' g- ]9 x4 m7 P
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
1 J- j' z" r# U( [. L$ Y2 e4 c| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
% W; i# C) g9 s' K9 q4 x% R| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
; Z# h$ N/ t% c| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
! ~2 T; ^. C8 Y| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
/ d4 k; N7 D: m" p( g v* f| └──3--图像风格迁移
* Q/ B, K% l" e" j7 i' _" r| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M, o1 D3 J, G5 R2 u2 b
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M3 u; ~( g. w3 O( S& H
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
. E( x) m6 Z( b| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M, v5 f& i$ N3 M2 u+ }3 d+ Y
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 7 K+ S3 N& x1 L# m* t# A
| ├──1--YOLOv1详解
, a9 i: n V/ b& c( o| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
6 b3 ]$ `/ h" s. }+ ^" m- }1 r) D: E9 T) W| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M2 D& H$ B) ?" k/ x: L7 T+ o
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
* K% P" c9 K3 A2 y! m; W, f, W| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M6 x' U7 d2 c+ Q* v$ f9 h
| ├──2--YOLOv2详解
3 a+ ~. k2 u+ x$ D' u| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M" O( L. H+ Z* J; T/ W
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
. ^; C& M4 q3 g| | ├──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 K* V/ c p8 T% S+ ]0 D
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
8 Y0 Z' W% t, o; G& O| ├──3--YOLOv3详解 1 S: X4 v/ v( d6 P+ z
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
# Y4 \ @' w; `4 m| | ├──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% s# t% t& Q6 M
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M5 x: g: v! l4 t% ?, o* B$ P
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M; S4 b6 _9 Z1 M# n' \2 \0 K
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
" N# ~' }" @7 m| ├──4--YOLOv3代码实战 ' s5 ?2 Y# w- f# j9 X/ E/ N
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M1 ?0 O L& x- f! J, Q% R
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M0 s2 ?2 X3 V/ C8 P) @
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M' y) L- z% }6 N6 W
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
8 p7 Z1 i! C9 _2 d| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M0 k' s' b$ R/ g4 B- U6 W
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M: u4 ^$ W$ l! X, j/ ?4 p# Y9 e2 J
| └──5--YOLOv4详解 & Y( d2 f9 P+ Q; z0 g: d! E
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
/ s% c. {- J7 e" J- f. }8 z| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M5 S4 @8 F# {( P4 d! O
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M7 T, \' x6 X) _" C) M# G. C, C
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
o: T# t) [ p! Q- c/ B% t$ O2 l├──17--深度学习-语义分割原理和实战
" Y) f$ X; o; ~3 t| ├──1--上采样_双线性插值_转置卷积 8 f% z: z6 ~! _2 i1 k* A8 T9 F
| | ├──1-前言 .mp4 19.46M
: @+ [* [, O" r; x| | ├──2-上采样_repeat .mp4 23.90M0 d# x1 p/ N7 n& j7 t1 E
| | ├──3-线性插值 .mp4 34.48M
/ n' Z" ~3 B5 Q# p- i. [| | ├──4-双线性插值 .mp4 125.71M! [$ d' h( M) P0 A5 w
| | ├──5-转置卷积_以及TF的API .mp4 114.25M: u5 i$ q; U) J+ L
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M* c! P/ `( E( g. c1 R
| | ├──7-ROI Align .mp4 58.38M
( X3 }( b1 e+ ]! x# P. [: Y| | ├──8-FPN思想与网络结构 .mp4 92.14M
. o1 u5 f: y7 m& W) Q; y2 }$ k0 [5 P| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M8 ^+ p4 ^/ j; H$ y0 ]5 k* c
| ├──2--医疗图像UNet语义分割
4 Z) T9 a: z/ D! n1 `* b| | ├──1-语义分割的基本概念 .mp4 18.33M
v; I" E# E% U" I3 H+ `| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M/ L- U" a' j, x: u& ~* @
| | ├──3-UNet网络结构 .mp4 30.41M
1 V# _+ q+ n5 w" T3 `( l7 e* e| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
" U, x O% a% Z( o# e| └──3--蒙版弹幕MaskRCNN语义分割
- L! m F2 \/ | J$ A| | ├──1-MaskRCNN网络结构 .mp4 106.38M; y3 ]- q1 n- e' ]4 V! A$ Y& w
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
6 A' q# N* W; H" ^% [( K" @| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
, Y# u, A3 M8 Q1 B% } Q4 || | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M( n* k' A6 x' c l( F& g5 K" A
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M2 Z+ x( O9 U6 Y3 D$ m0 ^. b( O/ U) d
| | └──6-MaskRCNN源码config和model .mp4 244.48M
. ~" j+ I! }" V1 I) g├──18--深度学习-人脸识别项目实战 ( D5 p+ V6 W& M9 d
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M$ N0 v) Z1 x- @: u* z: `0 L
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M9 Y) \; D+ v( V f- n! y
| ├──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$ ~8 z( O# k" o( L8 G; `. ]
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
`4 L6 d8 M8 p: K5 e: L5 D. ]| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M3 |) @. M7 c* v+ P: K2 c
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M" Y8 F' H+ V) q# k+ |% ]! c
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M# z8 y: A% t# w; o
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
0 m S" ~& I. R9 q8 W3 u: f| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M6 E9 w* j) p: p d' E
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
& ?, F6 y4 F" h| ├──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
2 l/ m6 ^4 Q& r D- l* T2 x| ├──2-开源的FaceNet项目介绍 .mp4 38.07M5 C4 b( D2 J) X; Q
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
& @6 u0 i6 p/ y$ Y2 h| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M4 P0 }2 T# P8 j- n, [" A6 N
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M2 k$ i% g9 K8 m) l0 c
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
- `, c% [, |4 R, {- {| ├──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+ f/ C5 E7 q) t4 O' }' E6 x
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
+ X3 t- l! Z) E2 I' `/ x| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
/ F/ N; R7 _ ^: m% {2 p+ ?# N├──19--深度学习-NLP自然语言处理原理和进阶
$ |% }( ?# [' j5 g/ r4 A| ├──1--词向量与词嵌入 5 G) }! z! c9 z! B+ R, m, a8 n
| | ├──1-N-gram语言模型 .mp4 116.32M4 h" a9 X1 l: a' a7 ]
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M3 A5 h% S7 B2 _
| | ├──3-词向量的作用 .mp4 58.00M
+ k+ N8 m: R1 `) L3 r3 || | ├──4-CBOW模型思想和计算过程 .mp4 196.59M1 d: {! m" a3 l/ l% I9 d- a
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M/ Y7 `" k! M5 d2 }7 i9 _" Z* I
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M0 [3 r) q e J
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
& B0 v/ U# b# w! C( d& t| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
n3 j) k) Q/ B; F8 P1 I. Z| ├──2--循环神经网络原理与优化 1 b$ b; Z$ ]$ i
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
6 A! N8 O3 B9 L; [| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
* C5 h- z7 o5 f/ z| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M& @' ~& B/ o' D- j: m {
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
/ U, h! A. U( D| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
- O& \. B) I' m| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M. l! Q' Y9 m$ i
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
* _+ V( k: P4 B* D6 ~| | ├──8-双向RNN_LSTM .mp4 52.01M4 G0 I" Z) h- N& L
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M6 K# t2 l2 K0 q% p+ H
| ├──3--从Attention机制到Transformer $ ?) A2 v7 p. e$ c7 H
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M5 z! q: E9 v4 z R
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
' q/ V- M/ o" z0 ^3 I" J8 j% V7 I| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M- O$ E( f- ` Y/ P2 k
| └──4--ELMO_BERT_GPT
X8 W' n7 P3 ?0 x& G7 G* d8 K| | ├──1-ELMO .mp4 62.44M4 o' H0 A' r% m/ @! W; @6 U% @7 S; Z
| | ├──2-BERT理论 .mp4 99.73M
6 q8 |: \; u6 b" ^& ^9 T% Z2 y, _| | └──3-ERNIE_GPT .mp4 56.34M. L3 y+ Q! g* X
├──2--人工智能基础-Python基础
4 X ?+ [2 ~+ n) k/ V+ {| ├──1--Python开发环境搭建 & V3 R" w2 K* L( i
| | ├──1-下载Miniconda运行环境 .mp4 100.75M+ G: g% f3 c. y Q7 o! B3 b
| | ├──2-Miniconda安装和测试 .mp4 57.12M
5 d3 T P& d9 K1 r& y9 Q| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
( C R7 i* H, ~| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
9 t. ]9 i( X y) `" o& ]/ j) A5 N2 G| | ├──5-Jupyter常用快捷键 .mp4 32.23M& q3 |# v6 |& K) w* {$ |+ x
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M! F5 `: W$ F; T1 B7 N
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
; ?# b5 f1 t5 o+ F| └──2--Python基础语法 ' L7 u) a9 X S( B5 N$ D" }
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M" e$ r* ]) H) l/ W0 Y0 P
| | ├──10-Python_集合操作_列表 .mp4 34.71M
3 B; F1 D* F+ g' ?- m4 G, w| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M) ]3 [- W: r2 u% f: s. Z* {: y
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
: G+ {6 E1 N; o0 {/ w1 x8 f| | ├──13-Python_集合操作_元组 .mp4 43.46M
3 d. f6 ]9 t/ t, @! r' R& o| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M- N) D$ v1 x* a! `3 m" F
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
5 p. x, }9 G1 X6 {* M7 I4 G& c9 z| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
' f! j* ^8 o! N' \5 \% E: c| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M2 Y* o4 U+ X" S" V
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
4 t4 ?3 z: q8 K$ N1 Y7 m% T| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M/ ]3 S- A: K# O% H, X4 ?
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M- z" R4 a/ `9 _
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
v+ J, J0 p2 P7 s4 `| | ├──21-Python_函数_递归 .mp4 23.46M3 a2 n5 |# v7 k) W; F2 K1 ]0 ~
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M0 c: f8 v: K `* t. F9 B" ?* o
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M/ P: |% f8 g" I4 w) p; C
| | ├──24-Python_函数_闭包 .mp4 41.61M
, g% K. k$ M3 F/ c$ X( u) y" ?| | ├──25-Python_函数_装饰器 .mp4 30.35M
% Z, E$ l1 s6 D/ R| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M0 Q' ~5 v1 I6 a1 R1 V
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
, s. B( m$ z3 \, M| | ├──28-Python_类对象_内置方法 .mp4 29.17M
# m" V3 p r7 i* u3 B| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
3 k9 b6 u& i) S' L| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M" Q( B. c' O" w; g
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
: _) J1 E! T6 M( K, P3 n8 H5 V| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
% v" L8 g8 Z: J. `| | ├──4-Python_控制语句_while循环 .mp4 25.02M
) e5 ?5 y8 {% z7 }| | ├──5-Python_控制语句_for循环 .mp4 22.82M
3 j2 H2 u$ |" q/ o" I7 Y* m8 [! h| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
4 [8 G, H* n" a6 h, Q6 p| | ├──7-Python_控制语句_break_continue .mp4 25.23M
7 Q* g& w- g. U& J" l! v| | ├──8-Python_切片操作 .mp4 40.20M
2 C( ^- y' v7 f6 d" W }5 x9 c| | └──9-Python_数据类型 .mp4 25.38M
2 Z. Q8 g1 l) v$ b w├──20--深度学习-NLP自然语言处理项目实战
) @* S8 J7 @5 y* ?0 f' ?# Y| ├──1--词向量
9 S+ f j0 J5 r1 \| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
# S' N F4 V3 z| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
% f. G& J+ s7 {$ a6 C| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
) l# j' [3 Q1 U, o| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M7 H# b. N$ N1 ~/ b1 g; [0 a* z
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
# @) X+ R! X4 b3 n- a1 k| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M* Q6 a- t7 {; Y. m+ M8 f
| ├──2--自然语言处理--情感分析
$ p/ w+ n# I x1 i6 D. a| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M# b7 q( v. Z: U, l' ^( q% S- Y% S7 f
| | ├──2-数据预处理_01 .mp4 79.65M
0 @. ?) x, ]: h% Z4 e| | ├──3-数据预处理_02 .mp4 45.68M. E. k6 n, F3 j7 J
| | ├──4-代码讲解_01 .mp4 52.29M
/ H7 k. y! }6 M* I4 K| | ├──5-代码讲解_02 .mp4 60.85M3 [' f' o* B! U! k
| | ├──6-代码讲解_03 .mp4 53.89M! y; B2 @6 ~/ n: }4 X; i
| | ├──7-代码讲解_04 .mp4 57.19M" X! J4 y7 h2 I0 i$ {& [
| | └──8-代码讲解_05 .mp4 35.88M' u, W' J' f* J
| ├──3--AI写唐诗
& k4 n. L. G$ w9 w| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M! G7 k9 y. ^/ K7 k" i! D$ L6 \
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M0 N& J- \: l" }+ F, H+ C& U5 Q2 M
| | ├──3-MultiRNNCell单元 .mp4 38.93M
9 [0 i3 n) S5 q) p' u7 m! L| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M7 _" K* y# y& W, c5 [
| | ├──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
; }3 H, x# {. U) X4 k| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M) @2 v8 M4 u; U/ z4 I+ T% W; _
| ├──4--Seq2Seq聊天机器人 2 ?/ d2 K# g4 A7 C9 X
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M6 D% w# u6 _( i0 G' A& n# l
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
/ T& D* @1 \& z. U' y| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M8 K% y1 X, x+ U- C E
| ├──5--实战NER命名实体识别项目
3 i% H* k" r h l2 R; t- P) X| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M$ \; T5 ^- s# J0 O4 y" J
| | ├──2-介绍了代码目录结构 .mp4 23.44M
6 H9 ^* r E T, Z5 X| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
5 G+ _8 Y1 _7 f' ?| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
# X2 o! J6 [2 ^9 B B' D: a1 z| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
1 F" H3 Z) d b8 m8 t| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
+ t& P# r: J: v9 k$ Q| | ├──7-CRF中的特征函数们 .mp4 125.97M) L- O% H; I% y6 M
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
( Z) ?# E* {" ]/ Q% G& P: x| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M4 D S, \3 M& |6 L$ l
| ├──6--BERT新浪新闻10分类项目
( ~; J/ v6 t! z% C# h# ] }- `| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M* A0 c1 X$ s3 _3 M. \1 @$ l' i
| └──7--GPT2聊天机器人
* U/ J0 }* t9 L# \| | └──1-GPT2闲聊机器人 .mp4 62.28M
7 h+ V$ O5 Q# {& @3 @; u6 ?) y0 |) x├──21--深度学习-OCR文本识别
' ?" M) f: R- Q9 A9 G| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M& N' i& k0 L# d+ k/ i2 C6 j# s
| ├──10-CRNN项目代码剖析 .mp4 306.48M
D0 W5 ^& k- C% |4 e' o" Q| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M/ h; D: W ~) i
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M/ ~3 S$ c( `( g+ x4 X) P
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M6 [: m# v, `. J" H9 }( \( h7 @+ b
| ├──5-CTC损失函数的理解 .mp4 330.64M9 a% h# u) m: P) `0 Z! p
| ├──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/ D4 s% A! e$ `! i2 W; T0 N0 D
| ├──7-CTC前向后向算法代码 .mp4 225.41M
: ]% d4 l9 T1 _; h- D# s| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M. [' ^* s. t! M" F/ A4 o
| └──9-CPTN项目代码剖析 .mp4 491.69M
6 w3 ?) ^# i" Z2 X├──24--【加课】Pytorch项目实战
0 g: ^" H: k" g: `. x$ Q& O| ├──1--PyTorch运行环境安装_运行环境测试
) I# M( V* x+ A| | ├──1-PyTorch概述 .mp4 29.29M6 i8 }1 v" _5 }7 c
| | ├──2-PyTorch的安装 .mp4 76.45M$ b( t6 a, D; `( L- e2 t
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
! b- v, u5 c) k# \8 r| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
+ ^, P2 D" @- v5 ]4 c' Y6 H* L# T| ├──2--PyTorch基础_Tensor张量运算
- d3 r5 I5 z, Y' ^5 s" d" r| | ├──1-Tensor的创建 .mp4 55.14M u; j; O: C7 a8 h# y! K' ^
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M) `) N5 Z7 D* k$ ?# A2 R
| | ├──3-广播机制_逐元素操作 .mp4 44.46M, l7 P/ J6 i! `. O! g$ c
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
$ J V0 B% O9 }* A* M| ├──3--PyTorch卷积神经网络_实战CIFAR10
" M" J) [0 ? M# B% D2 M' H7 H| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
3 y/ g1 n: M/ @% `1 ?| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M% X% R, s: C' b% F9 Q* k6 ]
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
9 K9 j1 S, I1 q6 p| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M& {3 W Q0 M1 X0 f" R+ H& w
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
" y+ P* M. D" X8 }( E| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M/ q: V2 @- M3 B. a3 I
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M/ y. \% q: K- A; w" o6 _! Q: H
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
8 }; ~" v3 n) s2 x3 t4 ~| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
1 s- L) @. E6 ? I# q# Q, Z| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M; E& f3 ^) Q X, d
| ├──4--PyTorch循环神经网络_词性标注 9 M& E5 t5 G* a8 o1 w5 n! ?
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
6 _8 u1 ?1 L1 |1 d! @ a& T" l| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M- r/ |0 U; e) U
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M+ L8 b) }6 C; Q" z+ \' y' V
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
+ ]2 j. D R: F: a. F i# H| └──5--PyTorch编码器解码器_机器翻译 . V6 x1 e2 ?, ?1 ]6 y
| | ├──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
' S) M3 x3 ^8 @& @$ |0 c+ i| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M) I) s% i; }7 }9 `* p
| | ├──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 57.69M2 J2 `4 q& ?+ s# h& F, p
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M$ _- X& r4 Y" G0 c8 \' |
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
$ I5 v; o5 S) m0 O ]| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M: f m; Z. Z$ w9 j- j* q
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
: E2 O: i& t A! w2 h( ^: S| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M! R( l- ^9 ~) q' X3 y- `
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 7 e a$ P b! Q( w- ^( Q& h6 l
| ├──1--PaddlePaddle框架安装_波士顿房价预测
. v. A: M; i: `| | ├──1-安装PaddlePaddle .mp4 87.34M
8 n; \) |4 H) C( X. |7 C; J( c: n| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
! |% n* p( W& i7 N0 v0 k! i| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
) ~& J b$ F& w4 U' R g| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
* a+ i% }% z# J| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
" E2 b. x( C) h- v; P2 k| ├──2--PaddlePaddle卷积网络_病理性近视识别 " A, P5 a# {2 Q p* w
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M' i! G7 r9 s( {) }/ a/ V
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M& V% T9 P* X( F
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
. F: F+ C, K7 F- D3 p6 p5 v| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
' B) v2 B- A0 |6 V/ k T6 T| ├──3--PaddleDetection工具_PCB电路板缺陷检测 0 Z V- b- l' Q$ q
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M+ l# ~) Q9 o: v, D9 w- F$ }" l
| | ├──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; `8 ]# n, e2 A2 E! o* B5 T! u$ D6 ~
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M5 i# g& ]4 P( [3 H1 B9 e
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
5 D6 J9 w* T) c( Y5 g) q, v| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
_" u ? Y1 q5 H, g| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
0 X9 n4 u* {- V4 L. E| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
9 H$ o9 j6 G6 [ |9 j| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
2 w# A9 p X3 _' V) V| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M% k$ u& B: H8 {% {9 W
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M! t8 @) C ^8 o6 z- W9 E; u
| | ├──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
! _, J" \) `/ E3 W4 y5 O2 N| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M6 ^6 C& q2 h }9 D. h/ }, J: S
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
[% t2 a; X" ~, s+ ~' ]$ K| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
+ `5 _- N1 @3 y| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
' {$ t7 N# m, I$ K+ U, P| | ├──1-PaddleNLP_项目配置 .mp4 49.37M4 L2 w/ g. |6 P& S
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
! d2 A& J1 w! s: G) r* r Q| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M& E3 B& Q* S4 n7 G. [# t, Q
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M( B; J |1 ]0 G$ m: l5 j+ d
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
/ R7 _6 ^( a* i9 T$ l" h# @+ ?| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M, x) C" Y, C3 T' w) h
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
8 v6 x" p6 i1 s& r9 R| | └──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
F! k; Z9 F; ], [| └──6--PaddleNLP模块_物流信息提取（ERNIE版） % g7 ]* d' `) V8 b- @; o: G& i. r$ p, z
| | ├──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 r. M1 f# x4 y: l| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M, V8 h4 Y9 F/ m; D/ u
| | ├──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 47.78M5 _2 l' I7 X T. e
| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M1 B9 ]4 y# N+ f$ b* c' u
├──26--【加课】Linux 环境编程基础
& k7 {" Z- `+ n6 U8 j! A6 _| └──1--Linux # N+ c5 h0 S0 O( a7 T
| | ├──1-Linux_课程介绍 .mp4 3.72M& k' v# i n. Q% v8 \
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M; D2 L& Z; G# J f, b* [
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M2 k/ D$ u. z6 I' K
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
: Q) R. R, c6 a7 G3 y& Y9 t/ | C4 y| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
! a- R, Z1 l" b| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M0 F* p4 k: P; p2 v' i# i- a1 W8 \
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
/ u4 a: ~+ B, c# ~2 q8 m( l| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M1 U; t/ C, n& ?9 H$ ^) b( [
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
1 I3 |9 |1 J. `) i| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M- {) V7 i$ o. S6 ^" @
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M3 l7 L! A( ]4 C x- b
| | ├──2-Linux_Linux简介 .mp4 17.59M
' C& }" V. |% l# d6 v| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
' `, m! \6 s* ~# ]/ {| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
* {% B `* I5 X; m; [+ L| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
9 u$ M/ X, T/ @3 v# ^| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
5 V% @) _: D/ j+ ]; i| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
7 q2 c! c: q! e. j| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M/ v3 u5 P5 Y! ~
| | ├──26-Linux_安装MySQL .mp4 79.02M
- d$ |$ _1 `) o; a7 Y8 D| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M% C1 J* r% u. |" g
| | ├──4-Linux_安装Linux .mp4 41.97M0 D* m, K, [0 M* K0 J1 F/ Z
| | ├──5-Linux_目录介绍 .mp4 20.31M
0 @5 @- S, j/ Y" @% ~ k3 [+ Z; p| | ├──6-Linux_Linux中的路径 .mp4 18.65M
- |% f! `. D5 D4 C; M p3 m+ w| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
: D& n b8 L4 T! \5 X/ D| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
) d* f: k0 h1 h. M1 ]5 H- E| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M. p. o) D6 W$ k9 t0 p
├──27--【加课】算法与数据结构 ' @) _ ]+ r& k; E1 \8 s% ?) b
| └──1--算法与数据结构
0 Q9 p5 h. a5 T% w( H' o" F* w; T| | ├──1-数据结构与算法简介 .mp4 35.68M' J2 I8 [* ^# T
| | ├──10-哈希表的基本结构 .mp4 54.34M
Y# O$ p ?3 O+ E| | ├──11-哈希表冲突问题 .mp4 75.92M
" P3 b1 [. Q8 _9 x7 V7 b" Y' X7 b5 F| | ├──12-哈希表冲突问题2 .mp4 72.30M
4 X" E9 u8 D9 x/ I( x| | ├──13-哈希扩容 .mp4 111.03M- j8 I4 w7 ?7 H
| | ├──14-递归与栈 .mp4 50.77M6 O; Z6 K1 ]2 {0 G; V
| | ├──15-线性查找 .mp4 57.80M# ~ V) C2 M/ O
| | ├──16-二分查找 .mp4 52.32M
- M' E# m8 Y: g7 M3 N| | ├──17-冒泡排序 .mp4 53.19M3 P, Q4 H4 K& e- v8 x
| | ├──18-选择排序 .mp4 43.29M# ?% v2 f. J8 Z4 E! v
| | ├──19-插入排序 .mp4 31.39M
& F! a/ L3 p; ?; s0 ?" K| | ├──2-大O表示法 .mp4 25.59M
# A, c' p3 \5 w2 a, U0 H% a| | ├──20-归并排序 .mp4 84.48M v( T, A; o; ?5 {
| | ├──21-快速排序 .mp4 36.63M+ o- A; d5 X7 L2 C& O: [+ H
| | ├──22-树结构 .mp4 96.85M
: A- N! v ~. n& p| | ├──23-树结构的遍历 .mp4 61.05M* U* o0 y8 O, s. c
| | ├──24-最大堆的增加操作 .mp4 45.43M' C5 v! R- T; O4 z4 G" Y1 F4 M
| | ├──25-最大堆的删除操作 .mp4 45.63M
6 B! o; X" c8 H( f3 i4 s5 a| | ├──26-二叉树的查找 .mp4 100.24M
9 m; W/ z' y$ A; N1 W4 k6 V| | ├──27-二叉树获取最小值 .mp4 25.21M- P. H7 u% f. E E
| | ├──28-二叉树的添加 .mp4 72.66M
s5 n ~; I% F5 N0 r: s! v+ {| | ├──29-二叉树的删除 .mp4 120.06M4 j8 v$ U" i* m, v' R8 X5 j0 e
| | ├──3-线性结构 .mp4 53.14M
2 l1 |, v1 X7 l2 N& P0 ], n( O }| | ├──4-单线链表1 .mp4 68.36M- C. g( j8 J6 ?3 T" K
| | ├──5-单链表2 .mp4 221.69M$ m+ ~, M1 h2 |0 q- M
| | ├──6-双链表 .mp4 103.57M
$ e- d }9 W' [- a6 {$ N| | ├──7-队列(链式) .mp4 74.12M+ t+ p% g- y5 L% H2 A" x; S, m
| | ├──8-队列(线式) .mp4 30.99M
( g# y" u0 A8 y1 m3 C. w| | └──9-栈与双端队列 .mp4 28.12M" x" b; F) I# x4 O, ^, V8 T' E
├──3--人工智能基础-Python科学计算和可视化
! v( v6 ?# L1 s7 s| ├──1--科学计算模型Numpy
- V7 T$ y7 h! q* H: ~7 k0 U7 {' |. z| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
2 f% p" v5 v2 q( \| | ├──2-Numpy_array_arange .mp4 35.45M
( v8 f! L; \+ p, d# ~| | ├──3-Numpy_random随机数生成 .mp4 50.54M a e9 X& o2 K3 R
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
' F- d! \" [2 T( S0 K' S| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
0 c, ?1 f* v1 q! z, V0 H3 W2 E| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
- Q j U6 T% h% B| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M4 I2 b6 e; }! C( \: l2 b
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M/ Y+ u! z l, B3 s
| | └──9-Numpy_聚合函数 .mp4 23.68M# \/ H8 L0 l- A h7 i
| ├──2--数据可视化模块
9 k- _1 V. _8 x, w* T| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M3 l5 X6 x' [( l! p9 D9 ~3 U' I
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M/ B( K2 w& f, l7 H' I
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M1 {( h; F8 Y, U; N* E3 S8 x
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M" V& O+ y( G) U# C- N# ~* u' f
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
* r. N8 l: W; V, _: x" d) T9 k( k5 z| └──3--数据处理分析模块Pandas
! X( T. t9 ~8 R6 S| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
% P3 U+ t' s f0 O/ Y| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M& E" o" Q7 { }2 E
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
+ g. n/ x% _5 z# ~3 l N1 [| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M! Q: V! m. K: E+ v- k, Q
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M1 @. D0 g1 n( _- g) {9 E
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
; j9 `; ]2 L M/ t| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M/ L' x# W$ k) n4 x" I
├──31--【加课】 强化学习【新增】 & S, y( _' Q! r! S% W/ G' s
| ├──1--Q-Learning与SARSA算法
3 `# X$ q* ~1 E6 c' B| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M1 I! e" W, _& o) T# m
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
* G, A4 h5 z$ M M9 Y% b5 }) T| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
5 ~. t. i1 a; J/ L0 C7 m. Z1 i| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M- U* o- z6 F. q# n
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
3 S9 N+ T5 N, l| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M3 r2 q2 m3 t9 M1 C1 _0 ~
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
9 j* h4 w: q, j* i" ~0 q' Q! ?* q! c| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M+ \8 a' r# I7 R6 A+ K, f2 g
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M8 C% S' r( t( W/ O
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M& [$ y( d5 T2 A- ]
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M3 Y% a7 j0 H) J# m- C& S* z& u
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M" e. }; K2 _" R
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M/ ]( a# h4 E. v4 K
| ├──2--Deep Q-Learning Network . }" e0 H6 S' X1 r2 S
| | ├──1-DQN算法思想 .mp4 59.24M
: x2 _0 X: r. x: ]5 [- Z, D( T| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M; `% O+ d: W( g0 y$ {
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
% X9 f/ ]; D% O2 r( v. J/ p$ C7 d" T| | ├──12-DuelingDQN .mp4 88.12M
% V3 Y3 X) G7 r+ @7 d% b" C| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M( r5 t4 z2 |" [( m2 x0 S0 P* s0 @0 O
| | ├──14-计算Action的方差避免风险 .mp4 54.23M0 k x. o8 U! b8 w8 Q# x6 k3 x& y
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
1 I4 {; g# }+ `" h| | ├──2-DQN算法具体流程 .mp4 56.17M! \4 Y: f- j& ^3 x" i
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
7 u3 _0 p1 W6 N, u8 `6 H( }| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M9 R/ n+ w& g/ L8 x
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M& D7 y* ]. r3 @9 ?0 r$ |; q! c
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M" F8 q/ X6 P2 P4 r! L6 o5 g& D
| | ├──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" q6 `' E1 P j
| | ├──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 58.93M2 t. h. e0 ]/ \
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M; @% A5 X$ K+ K
| ├──3--Policy Gradient 策略梯度
A7 ], W" X) q4 \- M, ]| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M+ q4 C; [& H% g2 ^
| | ├──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
" t8 O9 k( T' ?- ^# j% e| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
) Q; G6 A: E! s| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
5 A- x, r) _: A6 f| | ├──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
* u( m# Y, J, g" |% u| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
, U9 G; S; r- G6 H2 ?| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M; Z# N& f* _) J) o% Y1 [
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
# W4 d# \& Y0 B$ j9 a% @- @| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M- G! X. {- a8 Z: c& s
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M9 r+ C) {! ^& q' W7 K2 F7 R" l2 i
| ├──4--Actor Critic (A3C)
$ f- v) _. x* _0 ^| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
% d [" l v* v| | ├──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
* n: d- O) _+ D| | ├──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
/ Y+ A' O5 B6 {| | ├──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
7 Q# e# f2 l$ g0 R| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
8 m+ S' h( ?( n/ [) ]( I: e* z1 d4 j| | ├──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
- i. a& P8 y# K* [6 s2 d2 {8 e| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
4 M! e9 r6 r* ~4 i| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
k7 |; X- t# \6 y& x| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M2 i3 G6 G' M; i3 J2 A9 l1 O9 h
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
; z: X5 x+ V3 m& |7 z: \| | ├──6-A3C架构和训练流程 .mp4 74.66M2 R' Z8 O) H% G, Z4 }
| | ├──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
( e8 J% a* p# g& m5 P, x| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M3 e8 T$ F. w/ n; f% g3 u! ~7 t1 a
| | └──9-代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性 .mp4 36.62M
% a$ I) A$ L! U$ l( H3 |+ B/ j| └──5--DDPG、PPO、DPPO算法
: U! u% V: f1 B) R| | ├──1-DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic .mp4 81.92M
# z3 N. y1 x- l" o1 N* @9 S| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
: ]* Q2 Q. k5 G6 E| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M+ Q' M: v& V) w6 a" z: c
| | ├──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( g9 p9 G1 O6 R
| | ├──13-DPPO分布式PPO .mp4 63.81M
: h2 V( a2 y a* K8 S7 E `" j$ i. d| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M; w9 ~0 H% R; U% [" {
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
9 l# k: R7 c/ L" J| | ├──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& j* v! N6 R' n$ \$ N
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
7 y' V0 z, ~9 w% J6 V: I! y& ?| | ├──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 44.17M0 Y+ O% p: p2 M, ~7 i+ G
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
O9 s% y% W5 L5 [+ T& m& {. ^2 ]5 ?| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M7 K, w" ^& |6 F/ o
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
H N2 x* S( [6 B; t1 E| | ├──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
3 O2 O# z+ Y! r7 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
' V8 I# k& Y% y3 ]" G3 w) C├──4--人工智能基础-高等数学知识强化
9 T' C4 F: M: J% ~| ├──1--数学内容概述 8 I7 b& _0 c8 V
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
+ V/ u0 V! e7 m& W% ?& o8 || | ├──2-线性代数_概率论知识点 .mp4 26.81M, P5 L+ i' t) G. ~2 _6 Q
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
1 A& U% i. e6 f3 }| ├──2--一元函数微分学
/ T& {' h8 F. {# D& v9 {0 Y' v| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M! q9 U9 j, l7 a) ~7 e) Q3 Q/ B6 _
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M7 k( W. d) t$ k* A0 d, j
| | ├──3-常见函数的求导公式 .mp4 22.76M
0 r+ F$ x; s* Z, A/ Y4 A| | ├──4-导数求解的四则运算法则 .mp4 26.52M( u2 e2 ~& u1 \8 \4 I( L' ?( q: l
| | ├──5-复合函数求导法则 .mp4 19.68M
/ Y8 I! F0 d k| | ├──6-推导激活函数的导函数 .mp4 33.40M: z% L* H2 k. Q2 b. G5 \, u6 Q+ Y6 A
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M$ {! H9 T7 Q3 L. D9 F
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M6 C, e/ T$ X% i& n
| ├──3--线性代数基础 9 B2 ^% o' G2 F5 ~# i7 M; j
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M, p$ E9 P# b9 s
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
6 H4 ?! s5 J! f1 h| | ├──11-矩阵的行列式 .mp4 20.13M- K3 m0 h# I( J! ^8 @, b! }# m
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M5 ^( t5 `" U, Y/ R1 B
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M4 B3 A$ q$ i5 d; } L% `. t$ g
| | ├──4-学习向量计算的用途举例 .mp4 20.32M: N3 Z, C3 t8 {- ?, n' N
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M- @7 b8 C% C+ M. m) y% J
| | ├──6-特殊的向量 .mp4 26.45M: c, {% {3 y3 h7 M
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
' K+ J0 z6 e/ ?9 h, M| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
( S2 d1 C; @# E `( w4 }2 T i# z; }| | └──9-矩阵相乘 .mp4 20.02M8 j) Q2 `, l8 l' m+ b, Y8 T
| ├──4--多元函数微分学
$ [, S0 ]- f1 ^6 A! L. Q| | ├──1-多元函数求偏导 .mp4 22.61M5 T5 l- ?/ u/ \0 z/ c
| | ├──2-高阶偏导数_梯度 .mp4 27.15M4 N2 X* @" T- ]) r
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
5 e& B9 U( v) [/ w8 \$ A3 F4 u. [# g| | └──4-Hessian矩阵 .mp4 32.93M$ G/ I) x: D! c. w5 F
| ├──5--线性代数高级
6 o1 m$ B7 h; {: N* R6 o$ I| | ├──1-二次型 .mp4 27.70M' F' u- c7 Q2 I2 l
| | ├──10-SVD用于PCA降维 .mp4 24.90M
" @$ p! Q: x& } ^( ^; b2 C| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
0 S' C5 o$ j' m( d; ?! p| | ├──2-补充关于正定负定的理解 .mp4 23.48M: G% J7 `+ D1 k2 A
| | ├──3-特征值和特征向量(1) .mp4 29.83M
5 u; x3 r( ]1 @" z! T0 J' H| | ├──4-特征值和特征向量(2) .mp4 30.07M
. P3 S# u# N& c| | ├──5-特征值分解 .mp4 38.68M4 _& H/ w* h. i* ^% z
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M) H0 o5 l4 R0 R U* J0 ]8 ]1 D
| | ├──7-奇异值分解定义 .mp4 22.58M
9 y! E$ X' E( j% p' n| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
! x$ ^: I4 v! V! K$ M| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M' w: i) Y' c' n+ S, t
| ├──6--概率论
4 f% ^% z5 W& x( J+ |# Z| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M$ X+ N. u& j& u; g7 P" X D
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
' T% Y. N) G F1 H| | ├──3-随机变量 .mp4 22.57M
/ l$ g; z3 P! y3 V4 H+ W4 W| | ├──4-数学期望和方差 .mp4 22.96M2 c3 ?. C& y) n* K
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
+ X6 P% ?, ^ {4 f: M| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M9 @3 v1 u* ]3 h& d1 ~
| | └──7-最大似然估计思想 .mp4 23.42M6 r/ s& E! y4 `" w3 b3 s P* t
| └──7--最优化 7 F; n* f) i5 `1 V7 {4 u. I
| | ├──1-最优化的基本概念 .mp4 35.14M
; ]% e4 u0 }+ R4 e+ E2 T| | ├──10-拉格朗日函数 .mp4 27.46M+ `- r5 L. V- }; |5 D }& T
| | ├──2-迭代求解的原因 .mp4 20.15M
. t Y/ G5 D( M: W6 C| | ├──3-梯度下降法思路 .mp4 26.33M7 |, A7 w5 k! p: w$ k
| | ├──4-梯度下降法的推导 .mp4 43.56M; s% t) c2 E2 U. M: b) O6 ^. q
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M1 n6 s4 F& W3 [' Q
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
5 B) l' u9 B9 u: G' k0 d& y| | ├──7-凸集 .mp4 21.90M
8 e4 f) y4 R) L6 j| | ├──8-凸函数 .mp4 16.93M6 h+ f8 U1 e4 i; O
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M' v7 I% _# H, X6 D3 L
├──5--机器学习-线性回归
' g! \+ b& X6 ~$ ^6 ]% [0 h' r3 l7 g/ ?| ├──1--多元线性回归 7 a0 h2 w8 |& s" d- Z! R
| | ├──1-理解简单线性回归 .mp4 51.11M7 ]0 ?$ ]% H& m% k; J
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M4 ~5 [9 ]# s. a- `( O, ?
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M) Q! e" N" A: ]; o2 H( T5 `, X
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
: q5 K6 {3 c6 y5 Y( w| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
$ U; M4 F; C5 Q; J| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
; t! h: _1 B, m* c+ I; e9 W5 u+ U| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M# u* h! A0 C2 B& C) q
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
- E9 V2 ~8 _' O1 ~$ ]| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
( G3 L# ^" n+ _. t7 O| | ├──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
@7 f( f5 N6 Z| | ├──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
# K6 L( A* J+ ~( T! J+ N/ Y" Z/ _| | ├──2-最优解_损失函数_MSE .mp4 39.58M* ~$ k; k8 P( Q' c0 x" X0 p- E9 R" H
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M* n1 q9 D; {3 A" |1 i
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
2 z8 E# r/ r& n: ]9 X8 b) e| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
# X5 u8 m. ]- O2 j3 A" W| | ├──3-扩展到多元线性回归 .mp4 32.15M
4 J; L- b4 H; C1 a) {7 M| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
# o4 ?4 C# g" |" [| | ├──5-理解维度这个概念 .mp4 41.41M. k5 X3 v! u9 i: w& g# d
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M0 O7 e v- h7 Y4 l: } P
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
/ J, H8 c6 E5 w' ?' i3 c| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
: x& T# e& j N" C2 B* b| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
" d3 N' {( ]# o* R) `| ├──2--梯度下降法 / C) n h p# U) r% x9 k% H" a! W$ _) ^
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
, ]1 ^3 |. P: o. E/ y' }$ q# X| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M$ }$ O, V. y6 v/ A& b9 W$ O7 h
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M5 K! [; a. Q- v
| | ├──12-代码实现随机梯度下降 .mp4 26.67M: O6 D2 p4 p2 y6 [
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
8 `5 ]8 e0 F% n- w) x| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
( |, S% N$ S$ n1 {8 `| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M$ q5 M2 e# D! N* x( r$ k4 } T8 C
| | ├──2-梯度下降法公式 .mp4 57.12M
" ^6 [* ]* D* G( l0 q$ _6 J. H' K| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M# ^+ B0 N: r! l) _! `9 i# V% H
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
; o9 n+ A9 u# {- G| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
+ \- y9 ? i y( J| | ├──6-全量梯度下降 .mp4 62.84M
. k: J- n. [( S6 R% M! L| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M- c C I: g; d8 f
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
+ R( Y1 t8 ^# c2 r+ G| | └──9-轮次和批次 .mp4 45.22M
+ q+ M1 Q/ B4 x$ O; p$ b| ├──3--归一化
1 x& j9 i0 U0 u# || | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
$ n6 i! u" T4 R* S| | ├──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: a0 }# s7 r" i% T9 c, G J. L
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
: \1 c, H E; I5 l, G/ W: C6 }| | ├──4-最大值最小值归一化 .mp4 24.87M
) z) J4 }, L. G) r m! Y) W- v$ l| | ├──5-标准归一化 .mp4 51.86M
7 Q. U$ `: X4 R* t, K7 K| | └──6-代码完成标准归一化 .mp4 41.13M# J; `! d3 L. ~; k9 ]
| ├──4--正则化 % l7 f% b# A7 t
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M6 d5 W! G: t: b; \2 T
| | ├──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' J0 ^' N: |- z( l9 o( v8 p6 x" D5 F& X
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
- _# V/ _) Y' j/ [7 q| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
/ K' Y) ]2 S. ~8 H; k# F| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M' k3 {5 _8 }- N; B5 C0 O9 F+ n3 ~8 L
| └──5--Lasso回归_Ridge回归_多项式回归
* s5 H ?- q7 @9 J, G9 G% y| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
* V! U' d6 C- `1 }) f| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M+ t% E6 Q: P1 s+ @
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M; j) F5 N F. a' E6 i$ l
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
: @( I; R; Z$ I; \| | ├──2-代码调用Lasso回归 .mp4 28.73M
! \: k- E0 ?" c' y/ v( ^| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
8 b2 V' q H4 q8 c1 y. }& c| | ├──4-升维的意义_多项式回归 .mp4 48.06M! c( e1 B2 X8 \* n0 L; v' O
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M' D- O ^9 U; ?9 I$ l! [: a, \
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M! Z- k, B. u+ ]- i9 J
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
$ M7 A6 W! }1 j4 B# \5 w| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
0 m; I3 R1 r9 b( o| | └──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$ a3 P# U: t6 j$ |" f2 A2 g
├──6--机器学习-线性分类
3 [5 \$ W, J6 p+ n, ?0 M+ p| ├──1--逻辑回归
) I+ @) @2 P/ X4 \7 ?| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M6 ?1 U/ v3 K% c$ ?
| | ├──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
% N: o; b, Z; h) G| | ├──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
( Z' e. ]& L R| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
2 S% j' S, Y8 l; S. R9 j| | ├──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, |6 e# q4 I+ i) w1 ^9 ?7 \7 p$ o
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M }) T' R6 `6 u( Y6 c$ t+ i& Z. W
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M/ Z' E. l9 d8 |
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
8 |7 N; I: U0 B# r| | ├──2-sigmoid函数作用 .mp4 38.15M
' b+ c# C0 D! K5 w# Z2 o/ _| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
k ~/ s+ 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
" I7 K/ @& @# u| | ├──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" `$ H% x; C5 R
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M2 M' I( G0 I! r* L& r/ z: b
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M+ V& V* U+ w9 C( p7 _6 F
| | ├──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
, @1 n% N$ b: x- X( z; X| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M
6 o6 g( I. L6 o$ _$ `- z, c+ C| ├──2--Softmax回归
- r6 [& K- k% c* S" f6 }| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M/ j) H4 F8 ~3 V7 _7 d2 Z
| | ├──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
$ k) W$ u4 q1 H) E2 ?3 A6 u8 K( Z6 d| | ├──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 49.16M8 l! i/ A- s% j/ T5 w* p5 v( d9 E
| | ├──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
2 b; P) v! C- s) c+ t4 T$ i) \$ H| | ├──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( D' j% I _5 h" ]1 Z$ m
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
+ g$ ^6 b5 u2 c m| | ├──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/ j' w8 }: i. W7 O" c& `8 G3 c0 l
| | ├──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
- O4 c& p. L; O; z' a7 `| | ├──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; v/ j: C8 r: h+ s5 h1 k) 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
8 i" t- G1 q8 [( v8 b| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M2 F& V8 \0 D( w
| | ├──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' S( ^- \; K, i3 i3 J
| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M4 E0 u* w9 A2 G4 J: [0 ~5 w
| ├──3--SVM支持向量机算法
1 Z, R* k+ R, p+ [6 V/ u| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M. m4 j6 S9 W8 t+ r
| | ├──2-SVM的思想 .mp4 55.56M
& u( j9 @$ x& a: d| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
: a% q2 w( e. C7 H9 H| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
" b0 Y* k+ l4 t# k+ z- `% r| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
1 I7 |& m# J8 g" Q| | ├──6-总结硬间隔SVM .mp4 39.01M
' u, I- K W3 b3 ?: Q| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
% r2 d, @% h1 V j( W| | ├──8-非线性SVM .mp4 54.43M9 Z1 a: X; l: {- I8 d
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M1 j( l; ]* \% W% y+ y3 \( \5 M* m! l
| └──4--SMO优化算法
' x. V4 Z3 l% e c0 O# @| | ├──1-SVM算法流程总结 .mp4 58.36M
0 g9 A- J3 _: s! f- O$ m0 g( v. Z0 K| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M) J; R2 {* O/ G4 A. ?& }4 J
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
& G9 F* }9 u2 c. i0 b| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
' }3 c9 v+ q- Z& N6 J| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M* [+ G$ B! |8 u, M
| | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 69.00M6 R. n' S: P. n Q
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M, i% p5 q& f) Q1 r$ w
| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M; k% S: \; h. V* r* X+ t
| | ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数 .mp4 63.23M
4 f, Q. F$ y7 [3 a| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M! }. n+ ?0 K- g6 ~! C4 U
| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M% v9 C2 [% |; J( ?1 |
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
- Z1 [0 |: C6 P9 ^| | ├──7-启发式选择两个α .mp4 23.11M' B% K' S+ h, Z( K3 c
| | ├──8-如何计算阈值b .mp4 50.18M% a4 u3 \) E5 ^; d8 f: e
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
- P! t: f# ~5 t6 _! v8 B├──7--机器学习-无监督学习 / l1 f- B, q+ H# J! ?% G: z
| ├──1--聚类系列算法 0 {, B7 e# M5 p- S- y8 X
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M! x; i& O3 q1 m+ l. I2 ~ u
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
, @! l4 O1 ^$ y4 G| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
3 _ K" ]8 d1 }- ~& z: U| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
1 G# m* l5 _- \/ P& U1 t9 w# Y| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
, o6 D6 i* C/ U/ @2 v6 W% M| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M" `8 h/ }: A0 `: R
| ├──2--EM算法和GMM高斯混合模型 2 K; @, m3 ]5 C+ X' P3 @$ v! ^
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
' O3 t- K1 {4 a) m| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
- z4 i& G4 b! |6 a W, H" L5 U| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
1 a: x" C* E6 P6 e* f+ v* P| | ├──4-Jensen不等式的应用 .mp4 109.17M
2 ^3 u: m5 \8 m| | ├──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. _/ `, }- D+ |: J; ^( a
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
: A+ K8 S& Z% v s+ q: _/ C| | ├──7-GMM前景背景分离 .mp4 16.01M o( j, v5 Z3 x5 J
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M4 j" a: h8 J3 t6 ? O+ j
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M+ I' k! g; ~! `
| └──3--PCA降维算法 + e$ J! u2 P4 j" g% l
| | ├──1-特征选择与特征映射 .mp4 49.38M& t5 O+ T8 o& |4 c$ a
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M) _4 q# A4 H) }' i5 Q
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
) U+ U/ b, w0 a$ Z| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M6 J0 P( e3 a8 ~
| | └──5-PCA的几种应用 .mp4 54.58M
1 U" E: C1 S7 C8 M( i. K├──8--机器学习-决策树系列
5 |) D* l3 _3 o| ├──1--决策树 {' |' S2 u* d7 P3 p' P$ e6 e
| | ├──1-决策树模型的特点 .mp4 74.88M
/ z& P/ w5 s: j2 V9 z| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
" H2 c$ e' {7 ~| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
+ S1 b1 j7 D+ e: C| | ├──12-后剪枝的意义 .mp4 50.49M1 u+ {( A ?- A1 m9 N
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
0 x" s& n- G, n4 [' C4 v- O& b$ b4 ]# Q2 D| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M1 a) l2 ]3 ~( O- c. ]- t7 Q- E
| | ├──2-决策树的数学表达 .mp4 89.94M6 ]8 H0 C) b4 J# `- N+ n0 I0 ?# S
| | ├──3-如何构建一颗决策树 .mp4 84.87M# o M; }/ [: [) W4 H7 Y" W7 R2 i& ]
| | ├──4-什么是更好的一次划分 .mp4 57.02M
, \1 W/ _8 B, k0 |, G5 ~! v| | ├──5-Gini系数 .mp4 107.54M
7 I: W, s0 t8 m% }5 M0 ^7 ]| | ├──6-信息增益 .mp4 75.26M
6 V# [( r. g6 C# W, W; f( v| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M6 D- x( p3 `) v1 Q- B
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
* C6 u# ^ W3 G" a2 N% k| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
# o9 c" R$ M* M/ M% b| ├──2--集成学习和随机森林 - j. D4 l) Z1 [' w9 J( j, F' h
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
" f0 `6 F, n: W/ B| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M! l5 e1 u' G- |% G0 ?
| | ├──3-随机森林 .mp4 108.14M; o* [% f( o' Q y4 G
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M" u+ f8 J9 u" C
| | ├──5-OOB袋外数据 .mp4 106.07M
! W0 v, ^9 z7 ?. B: D9 @| | ├──6-Adaboost算法思路 .mp4 106.30M$ L" }7 F' r6 f4 ?0 s
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
+ F, S# z ~" T1 H. a& S| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M0 J2 v* `) E& q5 I
| ├──3--GBDT ) C" G' n+ k$ u( G( j
| | ├──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. ^- K- D% K$ P9 p6 w9 m' u8 A
| | ├──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 Q; w8 s0 T# K7 H+ h1 M| | ├──11-GBDT多分类流程 .mp4 73.80M0 A3 a( c- f$ J& |3 \( [% |
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M' n* d& v( Z0 e$ I6 G- u P7 S$ u
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
% ^$ u1 C! ^1 T( l9 Y) S| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
& D. @+ t. ?# b' ~4 A3 I+ U( M| | ├──15-GBDT二分类举例详解 .mp4 86.67M9 n, l _7 ^1 `, l! R" c
| | ├──16-GBDT多分类举例详解 .mp4 91.71M2 M0 M" e( ]8 A$ o: F3 }0 Z
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
# m; k& G+ J& U- E9 T( ?| | ├──18-GBDT用于特征组合降维 .mp4 43.72M( M% ~: i: m! e6 I
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
/ K0 c9 W1 U8 C' t4 n| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
& e# p% H/ Q4 I+ c2 Q| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
# T' n. A4 h# P( G8 C| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M
. y( G8 p- w/ b9 l- || | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
4 X: T% o9 L/ B3 U# R* O| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M9 r2 i, y( ]8 l; Z) |! F
| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M0 p/ s2 a% S3 m0 D/ L' x
| | ├──4-GBDT应用于回归问题 .mp4 84.66M7 c6 D# e% ^. v8 M( {
| | ├──5-GBDT回归举例_总结 .mp4 108.52M2 ^. L6 P) A) D4 b# v
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M w! M2 d9 D) K$ b0 E9 M& x
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
: b2 F! O+ ]7 N| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
/ t2 n" u5 ^/ P: ^- z3 d+ _| | └──9-GBDT应用于多分类任务 .mp4 73.34M8 e F2 |6 U5 A4 o7 Z% F
| └──4--XGBoost
1 v4 ~; v) c8 p; {6 @2 s$ |9 P, b| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
8 L8 a" e: c5 d- f9 _: W# d| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M! P* p/ j5 ]5 I
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
! |. l, x* V% d4 k" Y4 R1 i( ~| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M5 d+ z' e, D9 l) T9 j
| | ├──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- O" G, g( v W/ r( [0 E! ]
| | ├──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! i* V/ M( G; t. }3 V F; f
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M/ V/ [% l0 i8 l6 G- {
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
2 r! ]- Y, r& M& z! L| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
9 s5 |4 y( q' U; E| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
{1 B% @. k, _; {1 O5 u7 r| | ├──3-基于树集成学习4个优点 .mp4 91.36M
# b! [* S0 z! X' W| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
% s7 t Y- ]9 S$ c5 X( V| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M t7 L6 ~ ]) ]8 S! h/ c' O0 ]
| | ├──6-Objective_vs_Heuristic .mp4 60.42M5 t p& m, \4 F, S* v- e
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M! W9 K+ Y! w* P3 Q1 F# Y7 J+ B
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
* r P1 a, x5 u( Q- d+ g0 s| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M
# n: ?+ e9 V8 s5 ~* u! f1 O├──9--机器学习-概率图模型 " c @4 [! A2 U9 i' }" m9 f6 q
| ├──1--贝叶斯分类 . t: p2 {: j1 z8 I
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
- V& y1 Y5 ~1 `9 {+ t$ c* X| | ├──2-TF-IDF .mp4 53.08M$ f% G2 `8 x& @+ \" q' u
| | ├──3-NB代码实现解析 .mp4 126.73M
6 ?% h( r9 O/ c+ C$ N/ k| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M5 t3 {* F& v4 o7 f4 ^1 w( H8 S
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
0 p( {9 d8 B7 F- a, p| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M' g# a7 _, P7 `/ P. Z4 r
| ├──2--HMM算法 O& |! ]/ }* T( O6 C' I9 S! [" b
| | ├──1-HMM隐马的定义 .mp4 36.82M: ]: f+ l U' H+ G8 W
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
6 T* g: M. N6 f7 f2 t7 X5 z& T| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M: |0 @( Q! a4 k
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M# y' A) n7 {6 ?* c' X/ c* d
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
u3 ^& [* V8 W+ || | ├──6-前向算法来解决概率计算问题 .mp4 33.05M! u6 I- v2 F! R
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
( W' Z1 C& l; I7 {% A4 @| | └──8-Viterbi算法代码实现 .mp4 42.43M
6 N7 J2 v& s( v. F0 t2 s| └──3--CRF算法 & v [( ~7 O( O; \" E0 \/ \
| | ├──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
2 x" C: A/ F, d% y| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M! {' T8 D1 Q3 B6 Q! b
| | ├──3-了解CRF层添加的好处 .mp4 105.90M1 K2 j( b& g; q) K& e
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M8 K$ c% E: \5 H1 k, L! |
| | ├──5-CRF的目标函数 .mp4 23.74M& m2 {8 d* L9 l' t' B
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M0 |0 w( f$ S7 s- D
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
3 e1 b$ j7 F) z) s5 D2 t- R5 f/ g| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
9 ]) J$ {/ |: ?; s. g& [└──课件.zip 2.54kb
# I# c0 P& a" W; I/ `6 d
. r, _) d; r: @( o
+ Z4 k* O T! k# c0 c$ O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！
1 I5 ?/ _1 |1 l
: e. O1 ^8 V! I& |; r) L, f+ D; W" h' D* }$ j' c1 }
|
/1 
