战-人工智能2022/" N4 n# }% Q# f. W' D) w/ F
├──1--人工智能基础-快速入门
: c# f+ x8 x5 c| ├──1--人工智能就业、薪资、各行业应用
$ c+ _% ]) ~! c9 f! o" u| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
- ^, Y7 @ v! _| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M, `5 n& ?, i3 L/ O
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
! E: V9 e( Y5 w, y8 _8 v( i3 _| | └──4-人工智能在各领域的应用 .mp4 57.73M4 C% w0 G( p( G, \+ h
| └──2--机器学习和深度学习、有监督和无监督 $ S# p, O. ` J( B6 u5 I, j
| | ├──1-人工智能常见流程 .mp4 89.62M
: Y6 u0 I1 ~5 A1 y- d7 ^5 ^2 h| | ├──2-机器学习不同的学习方式 .mp4 83.51M9 Y* A" H+ d( I- d' g5 m) _: |
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
z# P" d6 J# i| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
7 m8 ~" G1 @- g* i' @| | └──5-无监督机器学习任务与本质 .mp4 50.15M' g. M0 z6 o/ d
├──10--机器学习与大数据-Kaggle竞赛实战
* ~7 B1 d% H* ?| ├──1--药店销量预测案例
- [ [% |# o1 O2 e, || | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M3 q9 Z7 q: G3 M! C) S2 u! P
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
$ x6 q0 s0 B# g| | ├──3-自定义损失函数 .mp4 21.12M6 n( G5 A a9 y. V8 m
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
# l9 e, t, {/ d. [' n+ d6 G+ a| | ├──5-数据的预处理 .mp4 111.81M
3 n3 q6 S$ {- ]# v| | ├──6-模型的训练_评估 .mp4 66.64M3 w, b& K- I/ _ P; Z
| | └──7-kaggle竞赛网站学习 .mp4 172.16M4 B' h, B9 @4 Q P6 z0 b
| └──2--网页分类案例 4 B2 g* Y) G% r4 K1 p2 c
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
) | s! M; Q+ s| | ├──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
; ?! y1 i' t2 a| | ├──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
5 C p7 K& }4 r) r' S| | ├──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* _7 `: w, R1 M: C5 P5 H7 ]
| | ├──2-评估指标ROC和AUC .mp4 56.19M
2 {: D m# S8 J: R3 t. _& p$ H) A| | ├──3-评估指标ROC和AUC .mp4 49.03M
7 J+ C. {. x7 c| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M0 \( t1 G, x7 e# @% x* m
| | ├──5-数据导入 .mp4 68.41M: \* Y4 w2 c/ l0 R! s( o
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
% G# E2 G& B5 q' U$ }| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
) f3 e* I4 I5 a; U| | ├──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 62.48M1 q( n+ q( Z- S" H% T0 f
| | └──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/ P& D8 h" m8 c( i2 b
├──11--机器学习与大数据-海量数据挖掘工具
0 Q# |6 T, l3 k: Y0 K| ├──1--Spark计算框架基础
' B! N: v% W1 {| | ├──1-Spark特性_01 .mp4 41.68M
7 c8 R; I% d1 c# u0 _1 @8 c| | ├──10-分布式计算所需进程 .mp4 26.30M
: `1 c2 }& {$ z| | ├──11-两种算子操作本质区别 .mp4 56.31M- L' V1 }4 V1 g4 l. ^9 \" c
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M) z; E# F3 s$ T8 G: W
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M( o/ U2 J: @- h1 p {+ @* b
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M: p) N" c: B" Z2 O; a
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M- a" Z, h1 u* @+ Z% u9 i
| | ├──2-Spark特性_02 .mp4 35.15M
7 C5 u5 A5 H. z, b8 h; }| | ├──3-Spark对比hadoop优势 .mp4 19.34M# E7 [: V% r! M2 l
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
$ c" D$ O% y$ i: N7 Z3 j K| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
/ ?2 \! z7 b M2 V3 {8 S| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
; r0 u% i6 j/ }' U+ Q| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M, U% W1 g$ \ b3 N" j
| | ├──8-Spark的RDD特性_01 .mp4 33.08M `7 [' S8 r) `& k$ I4 Y
| | └──9-Spark的RDD特性_02 .mp4 33.41M; Y5 h ^2 }6 V2 P2 [5 f
| ├──2--Spark计算框架深入 2 E! }! n+ R8 P) k, _
| | ├──1-Spark数据缓存机制 .mp4 54.43M
5 |# \, O$ `3 H+ s| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M3 F2 _! K& c, `9 ~# T/ H" O
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
9 W6 g% S* a: n" z+ D1 I| | ├──12-构建LabeledPoint .mp4 111.08M0 e* `4 L% K6 V
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M, m& q7 Y4 Z1 z5 d2 F D# _
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
' T/ ]+ ?3 g7 H3 G% ^/ }4 B| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
4 | a8 G% g# v1 ~. L7 n| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
. S6 _! {3 N* f; R7 r7 w! `- Y| | ├──5-Spark术语总结 .mp4 89.66M; ~; a3 ]3 N4 R. Q8 o5 d
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
: m1 w- y4 \ ~& t6 k| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
' w# X4 ^ {$ Y6 m% n| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M' j: ?. E3 s- m2 k/ U
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M$ E7 a: t3 V5 ^' G% j% a* n; }, h
| └──3--Spark机器学习MLlib和ML模块 ( A* Q) \$ R! Y: L1 {& `
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
6 o6 H) J' I2 X! S1 @$ C| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
9 U- T8 n3 u" V+ A| | ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4 89.72M9 f4 Z( q6 x9 U( n4 c
| | ├──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+ P, k' A g" M1 w+ ~/ q5 l9 I
| | ├──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; O- q: h N/ l: U- M E
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
2 h( z; w) _! q| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M* j# Y9 C1 [% C6 Q: n
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M- [+ H& [9 q2 n/ E$ l. J
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
; j$ ^& M4 _% q W( \| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M" {/ Q/ `1 Q8 q6 [6 A& e
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
. J ~2 B6 u' T1 N. U| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M T: x5 Z4 }0 f# h: |, @
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
. u+ F' R, h/ [/ f/ v| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
) M7 y' C* q, a0 h| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M2 z* C: d1 `1 d: N) B
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
3 q0 ^7 k# I& k7 W| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
0 ?2 c: R E$ c4 t; [2 D* e| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M( V$ M; q* V+ L2 b6 A
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
/ \* s5 G3 z8 A8 M4 A$ y| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
6 }/ r' U& h2 K3 O! N1 W| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
+ L, ?" A+ @: v! n$ N6 C| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
1 Q% K7 o8 z' g| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
$ H+ W- E- L# e' N| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M5 G) n Z1 J N2 k! u3 i
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
( S% p0 D% [7 a0 k$ d; H- i| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
7 E. O2 ]* {" Z0 C├──12--机器学习与大数据-推荐系统项目实战
4 J% b# ]) u2 V, Q3 k| ├──1--推荐系统--流程与架构
6 f/ r9 {4 Q4 N7 X; P0 `& Q| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
7 F3 ^% A8 R& g8 E8 O7 a4 B9 {| | ├──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
L( i. _$ D3 T' {4 v" r) Y7 v| | ├──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
$ D2 I$ S7 Q2 q| | ├──12-推荐系统_数据源_1 .mp4 79.07M
5 C; b9 n) ]' n( l0 v7 f| | ├──13-推荐系统_数据源_2 .mp4 82.90M1 Q" i- ?/ Y6 O k
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M6 H& Q# B# @% R2 `3 j7 T
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
3 o, G3 F# w. N1 z| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
% X5 O% g/ q7 C# }* h| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M$ V' V5 m. w3 s4 S
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M0 X! F7 |/ f% C# ]6 I: w
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
/ K, @$ `0 E o1 j K/ K| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M8 n9 U$ ~( a: 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 77.80M
% Z8 C+ |" A k V| ├──2--推荐系统--数据预处理和模型构建评估实战
1 ^# Q# ^% `" || | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M% Z* C! f( L0 K) ^/ l2 d
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M; [9 m0 {3 h) Z) m) B- i
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
0 }$ E6 x1 L# q! A| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M2 r. l+ F& i! V2 [1 _
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
/ s) K. J) ~: `, K& i| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
+ r/ l5 c, O3 Q2 U' C9 }| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
& @# H2 Z* J" b4 V: W* J| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
% A- ?% J l) }3 D% J. L3 }" V; g3 Y| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
4 J5 |, t- O5 N, b6 A$ ?! f+ A| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
! z$ W$ ^8 A1 u| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M t& \' z4 E0 ~9 V- s# p( I
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M- i, B5 z+ H' C) ]$ U% f
| └──3--推荐系统--模型使用和推荐服务
; r3 l- }$ H, y- t1 r' j' || | ├──1-推荐模型文件使用思路 .mp4 61.89M
% e& f' t) ^# s| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M: L2 r, E ^) j: W! H0 @
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
- n, i3 v& B7 g| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
1 K: |6 K1 I2 d* ~0 w. S| | ├──2-Redis数据库安装及其使用 .mp4 47.93M: C `0 O4 c$ o) J) F$ d8 n
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
! X$ r) k# i( P# p" Y% y| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M. L9 w. G) R% |( P, v. r T' G- I
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
1 t) c& E8 L S+ T/ @7 F| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M2 D! }5 _8 i( I0 m5 ^: _( o
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M1 q6 d4 v6 }& @4 Z9 h: ~
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
' v6 v5 q( C K8 ? ^| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M; u! s7 j" p" o4 W
├──13--深度学习-原理和进阶 : {" g; ^, u8 g) @1 k
| ├──1--神经网络算法 2 d p+ ]" \ g2 b" ?) P
| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M2 Z0 w4 G6 Y9 A) B+ I* [& V) X
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
. G' p6 u' X- J' v' @| | ├──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 67.67M6 ?4 ~6 J0 u g
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
: P# l' @5 ?% ~" R" y1 J) F- P| | ├──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
* W% U4 V' Y* P/ C1 ~6 f" c; S g| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M- x; D' ~4 U' Z r/ H
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M e- [) S$ B" Y& B1 S% N0 O
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M8 n* s R ^- D4 q% r# ?" h
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
; k t: V* h7 d D: k8 y' Z| ├──2--TensorFlow深度学习工具 * P% ?; ~9 C. V: K: Y& P Y* e: _# z
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M: s3 _5 x8 j/ J" R
| | ├──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 e' D5 ^/ q: y6 \| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M4 ~9 D; S/ o+ h7 X9 Q/ }6 P; _
| | ├──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
! p8 Y- o* h3 c0 ^- Q+ D| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M2 s! g. N0 T$ ?: c5 m }5 O
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
# b% i1 t! v+ X| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
& @/ d& g4 z T| └──3--反向传播推导_Python代码实现神经网络 ( o4 l- k2 z+ j7 I& ~# n
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
( C# N1 X _+ v( S| | ├──2-反向传播推导(一) .mp4 127.90M
# _0 M) a# E$ J+ m" y/ c| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M) {- j" d" w! W) |. Z2 ~8 \
| | ├──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 B/ T$ p) s! l: w
| | ├──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* T, g5 |# w I B( ^+ s
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M) f$ A0 S. G" C- U# E
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
/ Y( ^' i0 v# f$ n" F├──14--深度学习-图像识别原理 9 U2 ~0 q- o! z
| ├──1--卷积神经网络原理
a1 M1 K( {$ a2 _* J| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
" K a7 e% T" Y8 M4 m7 O| | ├──2-单通道卷积的计算 .mp4 104.01M" N: z- O1 G0 N/ D0 k
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
* a; p7 G A: O. C| | ├──4-卷积层权值共享 .mp4 63.93M) Z9 H; N. q4 f( E6 C6 K9 z u# e6 f
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
! O' K( Y4 { @7 T. C* x* e| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
3 G5 s: ~0 p8 I7 U; f0 n| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M. \/ S$ f% n6 W1 n
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
, T: K! @9 w, g4 ^7 a/ v7 Q| ├──2--卷积神经网络优化
% | g! F: W$ q| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
5 F! P4 T& o# H$ \) i| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
) k+ f& n+ g j$ v/ c. H+ S6 h: y| | ├──11-Optimizer_Adam .mp4 141.12M0 b( b6 U. x6 P$ D2 @$ f5 f
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M, J+ F$ D* d6 B& i/ e
| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M M, j5 ]% C" x, {0 Y
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M+ w1 u9 V O6 t+ w
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
6 {+ }# Y# Y* C3 G| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
5 d V5 T4 Y; N$ M; [- x| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M" S. S. u/ e( t% S
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
# |1 r8 z4 ]7 P| | └──9-Optimizer_SGD_Momentum .mp4 89.70M; D. ]7 y! H* t% s/ Q. `
| ├──3--经典卷积网络算法
7 @$ [8 z! H: `| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M5 V$ D* D9 k/ c; O
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
1 A9 A) \$ |/ S: B4 g| | ├──3-InceptionV1_V2 .mp4 165.86M: C7 M/ q" _: a$ s4 Z- v# L( g
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M. _2 l. [2 s4 e, }: ~: u
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
! U) M* y8 p: M: g| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M2 o: Q) y8 A4 v" h7 ^4 {
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
7 W7 V( L$ j2 @ N' V" [| | ├──8-BatchNormalization .mp4 99.23M. _8 Z: @# t6 z: e( q$ ?' @$ T
| | └──9-Mobilenet网络架构 .mp4 150.05M S. G6 o8 a, ]4 _& l
| ├──4--古典目标检测 . } J K) S0 n* F4 C9 Z) V
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M9 a0 Q' n- S G- e' v3 h, L% N2 y
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M: q( u9 {9 p2 r4 Q; U
| | ├──3-IOU以及python计算的代码 .mp4 23.56M3 n2 ?0 K0 L/ S9 H8 t' i; Q* v: l
| | ├──4-R-CNN和SPP-net .mp4 124.06M
# \- C1 p6 W- a# G- ]: }7 w* Z| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
" p8 \+ Q, p8 y: `| └──5--现代目标检测之FasterRCNN
7 R1 k# y4 n% D| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
1 w1 a0 v# Q# h5 v$ D( n* }: t| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M) C9 f7 C( T* K# z7 @
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M5 r) }+ u V" C2 q2 }0 Q
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M7 a& ~& o, H9 G
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
# p g! n2 q- W5 [. ?├──15--深度学习-图像识别项目实战 " r5 |6 b' k4 f2 v- }. {" N! i9 g* G
| ├──1--车牌识别
* s1 j! a B; k* p, J7 J$ H) `| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
% Y; u' t: m$ r$ P4 X* H* q( z0 V| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M6 s+ Q* C$ }/ v" w) K" [5 e J( T
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M) d. L c5 ?/ Y k8 W; f
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M( X; W+ h# T% E
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
3 p3 Y$ V8 I4 O+ x! |% Y3 g! Y4 s7 ?| ├──2--自然场景下的目标检测及源码分析 - c- G% C; f5 E. P- {7 w4 p0 b$ F
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M! m( t2 G- K/ P' N
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M Y W/ M, c( N6 J
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M3 |0 V. Z) j. V; a$ Y6 a
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
; m( g' ]2 d& a$ B7 x| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
. H1 ?. M6 G, {& b6 Y/ R0 F| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
3 h: @% w4 O' A& s5 D| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M; H- b/ \7 Y% z( ]0 V4 t
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M8 q% G( m6 d5 G9 r* }8 t6 f
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M: L4 B& _8 V# `) q
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M2 E9 j4 C6 x, l
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M* m6 U3 k3 t& e7 n A& p, X7 ]
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
k5 r2 Z; S& z: e5 }8 j* N3 x| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M8 W& a5 w+ c5 A& a. S
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
. U1 x8 t. {. o) o| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
! Q, O7 n+ p5 s v: G* }| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
0 k0 _: k! v5 }% {+ j| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M- h$ Q6 z |! H8 J: J
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M' q( h! u1 H# T& c- ]7 R* N* m9 O* l
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
, G& j2 Q" @) j- j: S% k, r h| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
2 C1 `3 ~0 }) ]2 g3 q. y8 r| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
# Z+ Y* d7 a6 L$ v| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
- t# m& F+ t! j7 ^' O5 O% I| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M2 I8 {+ i' C% u; ~% V
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
8 e3 K$ `/ `4 z3 D| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
$ o8 D3 k* R5 L2 K5 F+ R| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M. a" f, T9 b( y9 Y4 n/ v
| └──3--图像风格迁移
. R9 L8 L* R) T/ P N6 e| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
[4 Z2 y1 g# S6 `2 \, _! ^3 g3 m| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M6 X' b$ Z7 _8 V! E: b
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M7 G+ W7 H8 }0 G0 K" T) `( B/ a
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
% T. |0 Y% b' j2 V+ O) _1 f! w4 G├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
# P' ^( t3 f/ I( Q% R) \| ├──1--YOLOv1详解 ( f' V+ ^$ l* n: T1 x
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M4 j8 z6 u. E0 J5 L2 s' ?
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M, Q8 \, V# O( G8 o( h( O
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M$ E2 O5 L" } [0 H
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
3 m. L8 `7 B5 ?2 T| ├──2--YOLOv2详解 % P% @# o5 P) B' w* T: D
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
+ H+ P6 `/ V9 k1 g8 e9 z8 w7 E| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M) t% a j! \. ^5 e' a7 f7 k% s
| | ├──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
1 _* C1 f2 y8 T) z) n| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
! N! @6 @: f% ~1 i7 C| ├──3--YOLOv3详解 * x* e. R: ?1 a6 S
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
4 n/ R' ]* ]/ ?3 u; ]5 |& q| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M' [3 a( g) a0 e7 I" F$ [
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M8 L/ g/ `" P8 h5 T
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M8 k2 w# {/ Z" {5 m# N7 c/ p
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
' ?& i3 @- O! l) K| ├──4--YOLOv3代码实战 # J) I; r3 f2 t6 ?$ ^
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
' h% S$ f' o0 O9 w) ]| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M. K, o3 s" L% j; Q- ] v
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M& t5 [- k4 W5 I5 o, X( R
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
X% ]. H5 \2 V0 y4 P3 P| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
; b5 T d8 ~3 c. R6 z, @/ G, p| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M/ _0 X! h- K, f
| └──5--YOLOv4详解 ! @0 b( i2 n, x
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M0 z. [8 Q! ]3 r' I+ {8 J- I3 X
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
3 F/ F! S1 h9 ?5 ]2 F# H+ @| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M3 O/ D, }5 U9 g9 S
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
; l7 K8 s, N j% W7 U, G( S5 J├──17--深度学习-语义分割原理和实战 : {$ k+ A v9 `3 J
| ├──1--上采样_双线性插值_转置卷积 # n Y) i% T3 Q
| | ├──1-前言 .mp4 19.46M
. G% M* Y+ F) m, Q( B4 R1 E& h, h4 J| | ├──2-上采样_repeat .mp4 23.90M
6 |2 d+ t( S# D| | ├──3-线性插值 .mp4 34.48M! `) F/ Q: m: o" V" R
| | ├──4-双线性插值 .mp4 125.71M7 _+ H* ?0 a% k
| | ├──5-转置卷积_以及TF的API .mp4 114.25M, ]* G* M2 ^2 ^7 u1 [
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M$ X* K+ n! ]! J% a' c
| | ├──7-ROI Align .mp4 58.38M
1 Q$ q7 I& s+ U* f' F# s5 Q| | ├──8-FPN思想与网络结构 .mp4 92.14M; S2 F9 h5 d+ O* F. u3 d
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M/ F' h. t$ H, V- P4 n5 [ a2 g: u
| ├──2--医疗图像UNet语义分割
5 _* @$ ~+ g' `| | ├──1-语义分割的基本概念 .mp4 18.33M
. }6 q8 j% l$ N" d: T| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
& g' l) G3 K0 m+ f9 || | ├──3-UNet网络结构 .mp4 30.41M7 {7 o& U; T* h' q _* K5 f8 \2 }) ?
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
3 z4 Y' b" G/ @& m$ B| └──3--蒙版弹幕MaskRCNN语义分割 " {) m/ z4 u: h0 X! J& {
| | ├──1-MaskRCNN网络结构 .mp4 106.38M! Z1 q! @1 m3 I& c9 t0 v, s
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
5 z: L/ t$ @! _- ^4 ]| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
4 l: w, }* A% |$ ]7 s% D+ v| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M; ?6 f: ]! s0 [+ I
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
8 m& P! h. p, l| | └──6-MaskRCNN源码config和model .mp4 244.48M
9 g, g7 a! o- D- m" v) @├──18--深度学习-人脸识别项目实战 % M8 M+ p4 A: h/ ~/ e" R" o
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
# ]) |# T7 z3 [| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M( ]- J' {' A$ v* ~- p+ ~ Q# 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% D) {. Y3 w5 Y
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M4 v1 W4 d6 C* I+ a+ v J6 ~
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
) { o% ]6 E' i7 c( d c; E| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
+ g: T8 R8 J* q' q, u+ v9 ~4 F" b| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
8 V: U% }) A( g2 N% x| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M( k' ^! p" K6 j4 ~6 V9 x
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M! z1 ]7 S) q7 @1 _, m8 T: C# q1 G2 p U
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
9 S; k. o! D. y, m8 b| ├──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
; }% W* W& J$ w$ V2 L| ├──2-开源的FaceNet项目介绍 .mp4 38.07M6 h. Q, s8 z# E, s ]7 Y$ M: O4 }
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
+ W, i$ j2 I/ h/ W: @| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
& [0 i# M+ S/ a9 e3 M| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M- c% n6 K9 W$ M; @( A
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M' @; L7 m% _- q7 }7 o$ c
| ├──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' I2 T/ p( \( Z! ]$ I& Z# j2 @
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
! {/ J% X1 `( t" n7 z! u% s| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
_& l$ ]3 s8 Z& p6 k4 g3 K( ~├──19--深度学习-NLP自然语言处理原理和进阶
7 R. I+ v' e, \" e" a2 D| ├──1--词向量与词嵌入 ( e! |+ i2 Q6 I, t6 n' [3 \
| | ├──1-N-gram语言模型 .mp4 116.32M
7 R8 P6 j- h# y% R) W b| | ├──2-NPLM神经网络语言模型 .mp4 155.81M7 y0 q r) N6 i; c4 j; W
| | ├──3-词向量的作用 .mp4 58.00M
2 _: f! k: h. y- X# a| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M) I" [" n1 d- R" p$ D# x- ~. r$ J
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M( ^9 B* y3 A4 O0 y7 L [! ?
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M7 j3 S/ b; ?8 o2 _+ }+ \
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M) t& S' ^! m+ M4 n/ _
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
& A- a) ?) r# A| ├──2--循环神经网络原理与优化
- b7 f3 f8 F7 G' K( s| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
0 v4 d1 q2 W6 ? ^# j| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
3 T m, M4 V: |# v| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
% L/ Y% z& E9 t| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M. j3 y0 @ y' _
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M; }% l+ _" `/ G
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
" J( |/ n# B0 U) W! M| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
- }& d5 e0 }1 s| | ├──8-双向RNN_LSTM .mp4 52.01M& |. K+ O5 a7 X: J. k" o4 w
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
7 [4 R0 T0 r4 G9 S| ├──3--从Attention机制到Transformer 7 v$ i+ A+ u2 D: ~, t. _8 `
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M, i/ h0 |% w% H/ _
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M# R8 B0 |& c1 ?' c
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
5 w7 s0 k- u; {6 @( s) r| └──4--ELMO_BERT_GPT - e! ] x0 }( k& \
| | ├──1-ELMO .mp4 62.44M
% H. J" | h9 u| | ├──2-BERT理论 .mp4 99.73M$ Z: y5 l1 P8 s1 P6 d- C
| | └──3-ERNIE_GPT .mp4 56.34M! f8 D0 O" L9 C7 M. f/ m9 q3 d. D
├──2--人工智能基础-Python基础
1 Q h* C! L9 K! A; V| ├──1--Python开发环境搭建 3 K& V9 j" o/ o6 G: ?
| | ├──1-下载Miniconda运行环境 .mp4 100.75M, @; g8 j( I) Q. Z* b
| | ├──2-Miniconda安装和测试 .mp4 57.12M6 U5 g" t1 T+ F+ Y. X& u# L
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
4 i% m5 k7 D- i: ?8 U| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
( h& ?7 O3 ?& t3 Q| | ├──5-Jupyter常用快捷键 .mp4 32.23M
: o0 ]8 ^& ^- w: _8 t( c' Y| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M/ V7 ], v1 a7 T" }
| | └──7-关联虚拟环境运行代码 .mp4 38.14M& U4 E. P6 ^) V7 m* D( v
| └──2--Python基础语法 ( j Q( d" t" ^5 g
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M5 L. Q1 E3 w/ A9 S a
| | ├──10-Python_集合操作_列表 .mp4 34.71M$ i0 T- ^0 Z+ K% D+ ?: r
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
A$ |6 B7 a0 Q8 @: M$ k| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
: r z Z- M3 s| | ├──13-Python_集合操作_元组 .mp4 43.46M5 b& [5 Z- ~: _8 T$ Y( o1 I: f
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
+ ^5 h9 [5 d$ k| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
" f2 C5 M) {7 o( v1 t0 P| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
0 K: ?# q) _! R4 W| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M7 a4 R) i/ z, A, P( l' I2 T
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M# W' i# }9 \7 E0 A/ J
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M/ p( U% D+ Z( E# F& c3 u+ Q
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M6 ^# V) g- B7 u* O. Z
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M. A" ] S+ P' p+ ~; |
| | ├──21-Python_函数_递归 .mp4 23.46M
. o% ~% R4 x3 v| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
# W( [. Y6 F& o7 z; ?; ^| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
2 {9 A. z; D, m| | ├──24-Python_函数_闭包 .mp4 41.61M
! Z* K, v5 E# Z$ ]0 b/ l e1 ~5 N2 d! L| | ├──25-Python_函数_装饰器 .mp4 30.35M
2 Q# ~8 j$ ]# h8 K| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
- M, s: T9 ~8 k1 t, [| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M' s" s6 e+ ^; D; i. P0 w( r
| | ├──28-Python_类对象_内置方法 .mp4 29.17M; ~1 E6 u$ W( F7 J2 p! ?! |7 V
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
& }0 \1 t7 m$ A1 u| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
# J7 k5 Z* W3 ?| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M9 d$ b3 Y; D* I& j7 h
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M" F6 l) N& Q0 N, @
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
. N# C* |% b4 O6 U" T- o| | ├──5-Python_控制语句_for循环 .mp4 22.82M1 b k2 l0 _' J3 p5 G
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M$ E8 t, n* t, J$ j
| | ├──7-Python_控制语句_break_continue .mp4 25.23M# l0 a: e+ I2 X0 ]- F9 z% v
| | ├──8-Python_切片操作 .mp4 40.20M p4 B# |; b/ N' F4 T& c! ]8 h
| | └──9-Python_数据类型 .mp4 25.38M. T: @3 a9 G. v9 X( t+ j& k8 ^2 S6 x2 t
├──20--深度学习-NLP自然语言处理项目实战 * T1 j; a1 S/ x
| ├──1--词向量 ( P3 S+ C- ?: p' Z9 o, v# M9 m9 u
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M7 Y5 L/ H' k% t$ F! l" q2 W
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
q7 x$ x4 S: c. ]! b3 T( d| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
& A- ~" `9 |- l9 i| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M0 U4 E/ j3 a/ j
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
+ t/ M) ^# t- z5 s5 z| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
1 _5 ]- S- \1 B* ~8 K" _| ├──2--自然语言处理--情感分析
" `4 C& }' z/ M, i8 \3 l| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M# h7 G# T, @& y
| | ├──2-数据预处理_01 .mp4 79.65M
. D' X% p) u' g5 A, b% X7 d) T| | ├──3-数据预处理_02 .mp4 45.68M% t! D7 d4 G3 y2 [/ s
| | ├──4-代码讲解_01 .mp4 52.29M8 q, g5 t) {# u' q7 k: V% m2 d
| | ├──5-代码讲解_02 .mp4 60.85M
" `5 K, [0 V. M4 j" @| | ├──6-代码讲解_03 .mp4 53.89M
5 T2 p b6 Y3 t" E; q4 j| | ├──7-代码讲解_04 .mp4 57.19M
0 l. U, j' X9 w, k6 K| | └──8-代码讲解_05 .mp4 35.88M Y* W O2 B: G+ V
| ├──3--AI写唐诗 % T2 L5 ]6 B8 l5 A9 s7 Z8 O/ C
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M# `! R D+ t. g: R$ s; p
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M& V& D" V# g( ~; z3 u! r% O
| | ├──3-MultiRNNCell单元 .mp4 38.93M
7 L N L% v# v+ y4 b* O" {/ N4 e| | ├──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
* l8 j, D! O, E. W6 D| | ├──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 61.73M8 \8 B! @/ ?9 S" D: Q
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M( ^& o1 o( y _. g; V
| ├──4--Seq2Seq聊天机器人
4 {/ V5 {5 C- r- B| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
8 v! B" o9 ^" d| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
, ~# _0 p: R- _1 w& c| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
4 w3 |" X( F( o; x" V% j$ x| ├──5--实战NER命名实体识别项目 # z, P9 C$ A5 S$ g
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M9 a1 [8 Z$ U+ F8 ~
| | ├──2-介绍了代码目录结构 .mp4 23.44M% Z8 k$ o8 z0 t! x
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
\/ V; |% r2 l/ A) |. b4 y| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M2 Z1 j4 ?8 Q2 T6 f
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
9 w, [ t2 X1 `3 H8 x* g" F| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
! }- \& v/ z1 s" z- A| | ├──7-CRF中的特征函数们 .mp4 125.97M
, K9 Z1 g" u+ a1 H4 `2 J3 a2 j M| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
! U7 {7 @) I% H; @) b| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M) B) c( ]6 n( ]! j+ Y% R
| ├──6--BERT新浪新闻10分类项目
6 |/ v( D% y9 I( c( h| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M! H4 m- n1 f: x! M) K$ X' |6 V# ~( d
| └──7--GPT2聊天机器人 0 K" u' \. `& S
| | └──1-GPT2闲聊机器人 .mp4 62.28M* t$ D( @2 l# o# ^) S
├──21--深度学习-OCR文本识别 5 V% L! D8 ^0 I5 y9 c# e
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
! P, ]1 j \. f1 y8 ~| ├──10-CRNN项目代码剖析 .mp4 306.48M" N i7 d) c8 T) p% }- ?
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
, V# v; y$ O0 J8 q| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
, j8 z% X7 o" f* r. s8 d8 b$ z| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M' H* H4 U8 ]' W& N0 q' `
| ├──5-CTC损失函数的理解 .mp4 330.64M
7 J. R2 j; x. U" o| ├──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
; g d8 x$ E( t9 r1 I' K1 D| ├──7-CTC前向后向算法代码 .mp4 225.41M. o6 `0 D% Q# x% ?7 R5 U3 } {0 Y
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
# g; ~5 ?+ v4 f% t( k% o) w/ p" p| └──9-CPTN项目代码剖析 .mp4 491.69M' @1 ? \3 |! a/ {% y* q
├──24--【加课】Pytorch项目实战
& E% u9 E6 e, T5 F( h* U+ j* c| ├──1--PyTorch运行环境安装_运行环境测试
9 n2 D$ R! q4 Z' I| | ├──1-PyTorch概述 .mp4 29.29M) R! M9 L7 u; j
| | ├──2-PyTorch的安装 .mp4 76.45M
/ U! ~6 _$ r+ i+ `| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
! A, O9 a. @; n# Z| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M1 K$ H9 Q! T7 H j* G: |$ O
| ├──2--PyTorch基础_Tensor张量运算 / k/ ]8 Z6 u6 [4 Q5 O5 _
| | ├──1-Tensor的创建 .mp4 55.14M9 I6 o0 d! r5 v& h! A9 h: p! r2 t2 e
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M9 p: Z* w8 B- | D
| | ├──3-广播机制_逐元素操作 .mp4 44.46M' a3 H) J5 ^7 w3 S; e
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M! o7 [+ e; z/ r
| ├──3--PyTorch卷积神经网络_实战CIFAR10 * M( C8 B- b0 w
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M* p" {0 F) r( S
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M4 S/ h% e6 h2 I: V) h3 s
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
5 S; k! M5 |& || | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
# m* _/ h% `" j' K% A| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
. C7 {! m9 d7 A| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M# [- A/ `$ ~' n: P
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
" H4 b. d7 Y: H3 r3 A| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M0 T4 p; D& w9 X& `7 V
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
4 |7 F5 s. k0 b# P( _/ z% `| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M+ K( Z3 X7 r7 I" Z# B/ c
| ├──4--PyTorch循环神经网络_词性标注 8 D0 s- c) L$ V: S/ f
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M% l6 S4 y- J: o: y6 V, c& L( G
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
% A- n, F r! ] O' i# K| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
+ e+ B+ i+ P: i1 {: }| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M6 a1 {( [" d- C: ]& c9 G
| └──5--PyTorch编码器解码器_机器翻译
! ]7 a" P2 y/ u$ Z| | ├──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( _- P1 G* ?, F
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
9 _5 W. z' J7 d% @6 f" o| | ├──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; R6 ]9 h1 w: r( N" Y
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
" @/ r, x1 ^$ C2 a| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
' L& U* ^: i: b B5 C( O/ Y| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
" Z: {5 N v2 u1 a! Q& y# b8 Y| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M- Y$ g( D) k, Q
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
3 p& }. n9 n' ]! q) [( F5 |├──25--【加课】百度飞桨PaddlePaddle实战【新增】 1 p: C& L r, X- J' A
| ├──1--PaddlePaddle框架安装_波士顿房价预测 5 B1 v/ X. j, c
| | ├──1-安装PaddlePaddle .mp4 87.34M( J2 F) g. K9 G* N7 I3 G
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
' d9 Z( K' v. F& u y' g6 F| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M$ t, E: t9 J5 g& E7 k. r! y4 M) v
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M! S- `. P% R7 f i, ?* v
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
& `$ N1 ~* r9 R: V| ├──2--PaddlePaddle卷积网络_病理性近视识别
0 K1 z* @5 \7 y: f1 U| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
" s% Z8 c& F2 k4 }1 n| | ├──2-预测病理性近视_模型训练 .mp4 86.66M' h; H! E6 Q3 G2 F: ]" y; r5 r
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M" i" a& }+ H$ G( w S) ^0 f6 j" Q
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
5 s: L- K7 | w' Z: v- @0 f| ├──3--PaddleDetection工具_PCB电路板缺陷检测
8 M- Y9 T3 E* Q" G) T| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
2 v0 ~) f2 p9 q) r+ R1 q+ N| | ├──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
/ p% R) b" d! }% w# U3 f( q% O| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
3 D0 n; r9 @4 h W- O7 d| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M& B( b2 M: {: w+ T, }
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M; b- H1 x! n2 K5 T9 l2 j- j: t
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M/ t4 _6 i' g( q* X4 K. ?+ j! K' [: \
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M+ u- b, _ w1 X% l: W; u
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
3 c+ C" J1 j3 z8 J| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M* u& C4 o- y% D; t7 J( D, f' ^
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M; I6 K7 \* \6 l3 V
| | ├──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" e4 H* W7 g# y, Y& O- J
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M: \3 k3 e8 I/ ?; |
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M4 R0 Y% t0 n7 X: R& B
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
. R5 ]: R( W# ^| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
1 M7 Y5 U$ w) }. n" S& h| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
8 Y0 R8 e& f4 Q3 @6 O| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
6 E/ ] R' N) c b* `2 M- A| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
, `1 w% N+ i" O" I. e# ~3 v| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
% b$ E5 h9 l9 o# K| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M4 ]6 S. ^9 e x: a; S$ J" r& a
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
% @) q% h+ z5 B( }+ B) Y* I| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
& s- O# E5 d- [7 j% F+ q. q| | └──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 80.58M9 k1 c6 O: k# G1 B
| └──6--PaddleNLP模块_物流信息提取（ERNIE版） & {2 V S: i/ \
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M" N4 ^3 U5 s3 l6 [4 d
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
; r: n6 z3 n! c| | ├──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
* t! m) O0 f* k1 Y| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M
9 {; B( P, M; `% v├──26--【加课】Linux 环境编程基础
% u4 {" Q) d* A v+ S- \| └──1--Linux 2 S' k6 E2 l4 a2 }+ }
| | ├──1-Linux_课程介绍 .mp4 3.72M% b: j" I- D- a5 L& G6 J, F
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
; j3 W7 Z# K" h% @" Y9 Z: _0 A| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M. K' V# ]$ _4 j/ C/ w
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M0 g6 l. b! s x+ E
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
$ [6 ]& z/ c/ R" z0 n3 r0 ]# S9 H| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
$ P0 ~# p' q+ f/ r| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M1 P9 X* Q' n- V* ?2 x
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
* z2 _& x9 v9 V5 s| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
( ]9 W0 w8 n6 ^$ g3 R8 V( a| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M+ b( E2 N5 S' z. _& K4 f i0 n% j
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M4 _% r9 L: ?# R0 q8 ~
| | ├──2-Linux_Linux简介 .mp4 17.59M
M7 Z+ x$ }3 A- \/ e: {7 @| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M* K. I' B' ^: t# |6 ?- s$ w
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
: e. ^3 X0 | U0 r ]4 P. ]| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M+ H9 l+ s, y. P; P7 A! V1 O
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
' B$ e; Z" ]& X1 Z" N| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M4 V1 s. c2 K! t) M% P& i' R
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
) ^& Z* [6 @; }7 N| | ├──26-Linux_安装MySQL .mp4 79.02M
1 W% U% \( }! I, @| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
; ^% R( U/ T* j: x7 R: B9 {| | ├──4-Linux_安装Linux .mp4 41.97M
% X3 c; h0 G2 n% j1 k| | ├──5-Linux_目录介绍 .mp4 20.31M: d: [) x; I4 l& Q) u
| | ├──6-Linux_Linux中的路径 .mp4 18.65M" H$ ?% a; N7 R5 _, `
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
e. C: V- i2 [& s, K5 j: ~| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
/ X/ F9 R7 R8 I4 M7 I: j* g| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M: T9 q" W+ y/ I9 P: S, J& d* P/ G
├──27--【加课】算法与数据结构 : l- d; n5 v8 L4 b# n; r
| └──1--算法与数据结构 / s! f' j0 F8 [# B) l
| | ├──1-数据结构与算法简介 .mp4 35.68M
8 V. j9 C' f6 \# B, d| | ├──10-哈希表的基本结构 .mp4 54.34M
$ p' ^( }& |3 C6 j, f5 W; R9 P| | ├──11-哈希表冲突问题 .mp4 75.92M
: q5 S2 j7 c9 e7 [| | ├──12-哈希表冲突问题2 .mp4 72.30M
1 C; c* V$ V( S0 _9 l$ y' m( B| | ├──13-哈希扩容 .mp4 111.03M
" V& b9 V' q+ f- }4 M6 w| | ├──14-递归与栈 .mp4 50.77M0 u6 _- p j( V2 l4 A2 I# S
| | ├──15-线性查找 .mp4 57.80M
5 B+ I2 ~0 l+ P7 a| | ├──16-二分查找 .mp4 52.32M# i. z" Y# c2 q( n
| | ├──17-冒泡排序 .mp4 53.19M
6 _# S5 n; k7 {0 _| | ├──18-选择排序 .mp4 43.29M. A* z1 J0 k& _
| | ├──19-插入排序 .mp4 31.39M4 ?0 T" J7 Z! w) n- g2 q
| | ├──2-大O表示法 .mp4 25.59M
4 Z! ^( f) ~ T| | ├──20-归并排序 .mp4 84.48M/ d' a J2 F5 ]2 }; S
| | ├──21-快速排序 .mp4 36.63M
7 M$ e( j( [' @5 \, ]# N| | ├──22-树结构 .mp4 96.85M- a- C; K! c$ o! G- U
| | ├──23-树结构的遍历 .mp4 61.05M
+ M3 {$ K4 a! C6 A) j| | ├──24-最大堆的增加操作 .mp4 45.43M% L0 Y6 K' S! N7 ?' t _
| | ├──25-最大堆的删除操作 .mp4 45.63M
: N3 c7 Y1 v( i/ T1 j6 X) y| | ├──26-二叉树的查找 .mp4 100.24M
5 v) ~1 o% H8 ]/ e| | ├──27-二叉树获取最小值 .mp4 25.21M1 K, H% Y' S1 J2 n/ h. C R- K
| | ├──28-二叉树的添加 .mp4 72.66M6 H% p& H7 A: q$ O9 Z& _* t- m
| | ├──29-二叉树的删除 .mp4 120.06M+ g2 G7 B- j0 a0 S$ x2 I
| | ├──3-线性结构 .mp4 53.14M
( n$ X2 X# A9 P6 y5 X% J| | ├──4-单线链表1 .mp4 68.36M
/ H, R1 m0 n2 P W2 L3 p2 i# ~| | ├──5-单链表2 .mp4 221.69M n1 o; O3 b; k% W/ p$ k
| | ├──6-双链表 .mp4 103.57M% Z4 W4 S H9 _8 t
| | ├──7-队列(链式) .mp4 74.12M
- ]; M+ Q7 y8 Z \% b3 k| | ├──8-队列(线式) .mp4 30.99M* E) e( _7 ?% @
| | └──9-栈与双端队列 .mp4 28.12M! N/ k9 w6 D& g
├──3--人工智能基础-Python科学计算和可视化
% f N; l' M& E% W! [0 x6 Y| ├──1--科学计算模型Numpy 1 o8 c7 r* c# Q4 e
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
8 ^% a0 O9 A+ \! u" k9 p ]# x- C ]| | ├──2-Numpy_array_arange .mp4 35.45M
/ ?2 j# }8 G+ A3 C| | ├──3-Numpy_random随机数生成 .mp4 50.54M; w0 X' R) [% c2 [+ l
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
; I' V/ ]4 O7 r8 u& J6 O/ K| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
4 ]- D6 e j0 d& k" p- M| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
& F+ o; u' ~) f0 K| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
o/ T2 M: l4 h% y% Q| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M7 {6 A8 t$ V6 R
| | └──9-Numpy_聚合函数 .mp4 23.68M& z6 @8 X( F7 e( B
| ├──2--数据可视化模块
* @3 d/ l+ I6 @: H| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
: E2 L5 E7 V1 c| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
2 D g9 z' C0 y| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
a+ S5 R/ a5 ~* _| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
2 E+ C, g' H! Q| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
/ X3 U! a% x) b" _/ [; M| └──3--数据处理分析模块Pandas
0 Q$ K( z! y5 A$ S+ @| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M3 s6 m; b, R& X8 t
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M: D7 c& k$ L( n' K* \ X: s2 ]4 d
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
; O# c1 ?& [4 {# ^| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M3 u5 r# l- |; F* ?/ r4 m
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
4 H% H" U2 j0 ]; f! t8 o# a" T' R| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
7 T9 }2 S' R: |7 K0 q# c. {| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
8 d+ a! t/ w: L6 k% O. k; q" ^├──31--【加课】 强化学习【新增】
, p {' h! s4 ~! d( _) a; f. L| ├──1--Q-Learning与SARSA算法
# u8 Y s: t2 L" R" Q$ ?0 Q: u| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M9 P0 p0 i2 \# d2 h( e5 t1 d
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M# f( `1 x' {* e3 `) q4 V- K- b
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M1 N" b4 F5 \( k! {/ Z9 y* v5 h
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M2 [6 f6 g6 W( Z( }; W
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M8 G: I; Z {* p% G0 Z6 W3 |
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
' W/ ^' }* ?* R: D$ ]| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
+ Y2 b* D, j9 R+ Y# U- I+ p5 b| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M/ f9 [0 [2 ~9 L6 Q+ }7 D
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M! n- I$ [: K6 l t
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M+ F8 \' O5 ?9 o1 ]) x
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
$ E# Y% k8 G7 {& r* t& Q' }1 o| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
# f) _: j- d" o) l+ R I: s| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M0 I \$ h3 h/ G' r4 a' l0 Z% x
| ├──2--Deep Q-Learning Network # I5 j# z9 M7 a3 R2 T6 c
| | ├──1-DQN算法思想 .mp4 59.24M
0 F: ~( Y. V8 T; m/ R" ?: ~1 y| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M* u& e2 d O. W4 s4 C
| | ├──11-DoubleDQN代码实战 .mp4 44.49M+ O# W, y! J: w! L0 G$ z
| | ├──12-DuelingDQN .mp4 88.12M* o3 t8 @9 g! @9 h; u8 j
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
# a) s8 w: A5 I$ M4 D! a5 h| | ├──14-计算Action的方差避免风险 .mp4 54.23M7 u& `' a7 C6 x- @
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
* K% x: J7 X6 N- B3 u% L/ X/ V+ n8 d| | ├──2-DQN算法具体流程 .mp4 56.17M$ m# g9 y; f0 m4 z! p6 H
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
- `6 D1 Q$ Y6 q* |$ A1 Y4 N| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M2 w# A+ ~3 c0 E3 j. Y0 P8 o) p
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M- r$ _5 k; T6 G# K) ]& H) d# i+ h# |' U
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
( O- G! e1 t9 }( |- }. R% J! s/ b| | ├──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 P6 b/ b0 \- ? z4 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 58.93M8 m) K& g) c0 |3 r$ }
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M1 v h( ]4 k" O `, B' P
| ├──3--Policy Gradient 策略梯度
9 O4 _, g! Q1 U4 @4 Y2 |2 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# |1 c5 V3 P+ u
| | ├──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" g! T# C! D: [- G' W
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
4 m; h, D: b2 Y0 Q, `1 c| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
8 z2 ~0 C& J I3 I| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M
|+ j# b O) s: x( S' t) U/ Z| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
) d8 I8 v" Y9 C! j% t" U9 n| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
; g5 U/ S6 L9 M9 @6 Y: J6 n| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
- l2 x. {+ d9 F b| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M5 H" G( f/ v. o0 f
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M" {* K# A+ @9 Q: _, l+ F
| ├──4--Actor Critic (A3C)
/ \/ G5 n# s4 Z+ H) U$ f4 b: y| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M% D6 C" ^9 h2 P* A, n
| | ├──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
/ h; Z0 t2 P7 ], q, ~2 m) L) P| | ├──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
! [8 u) f, ~$ b2 d7 I! k$ f; p# N| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M
2 y% V1 U: W7 Y| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
" T$ w; P/ _; u- Y| | ├──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' g! H$ Y0 c4 g# l! N, {$ K
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
/ i6 J, f+ |4 ~2 ?+ z| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
5 t0 U8 |+ ?- }; p' y/ t| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M0 ]& `2 n: ], r3 f& M p
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M! i" O+ d7 i) b$ p
| | ├──6-A3C架构和训练流程 .mp4 74.66M7 c4 z' l) x' n- N: V3 i" e# n$ M+ x
| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M4 H: `$ [9 g2 ^2 \7 d5 u: e
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
; x1 q ~8 v4 ]4 F| | └──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 36.62M8 j4 _+ q1 j9 Q
| └──5--DDPG、PPO、DPPO算法 * i% M/ ]8 B+ F
| | ├──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% L9 K+ q0 ~& w1 B" S) r
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M4 t7 {3 X7 U: N1 R1 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# t- j1 u' v3 d4 g/ h+ g
| | ├──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" H5 H. g; ~# D2 u! p& I% ?# O
| | ├──13-DPPO分布式PPO .mp4 63.81M& V0 h2 {$ Z$ j5 v/ ~" |
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
( N! C1 Q3 B3 K8 L4 c# H/ s| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M: F$ i4 }' i0 s$ E
| | ├──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+ o6 f- D8 @6 ]
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M: ` s- D$ n' f2 t6 ~4 M: T
| | ├──4-代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示 .mp4 44.17M6 p! w1 [/ L/ h, b
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M( O; e) t5 X' U% f* T. p+ |1 v
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
! w, @5 v C! m$ b6 g| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M3 s5 o2 c0 G' C' C3 P2 r4 f/ z$ p3 Y R
| | ├──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* c8 x3 M6 e f* h: ~% q) @* b( D
| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M9 ?: {7 w+ b8 e4 T
├──4--人工智能基础-高等数学知识强化
0 x: I# V& u$ u; i| ├──1--数学内容概述 3 R5 u. S7 Y; j4 _* e
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
* I+ S7 I+ J( s2 C, B& V; X| | ├──2-线性代数_概率论知识点 .mp4 26.81M
7 i( T8 b/ _" b6 u! B9 h| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M6 }7 u. [8 a/ @2 V6 G
| ├──2--一元函数微分学 ; a# M7 [$ @5 D: N3 P
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
& q! T) R& G* g }| | ├──2-导数的几何意义和物理意义 .mp4 14.49M( a1 H' |' v% T* i- W
| | ├──3-常见函数的求导公式 .mp4 22.76M1 S% J% D1 \" i% o: T6 y
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
; T: b, H/ {- }% W% a| | ├──5-复合函数求导法则 .mp4 19.68M
/ C$ n. w1 `7 f" x4 Q( o| | ├──6-推导激活函数的导函数 .mp4 33.40M1 m: n" \ C" E
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M" ] i7 S4 c8 Z2 p$ [& }9 C, I
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M& i; T8 B: _! j* w: ^( S, u
| ├──3--线性代数基础
1 G4 H* r" {( ~$ S& B/ x| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
3 M% N" u* ?9 f: `2 b4 Q| | ├──10-矩阵的逆矩阵 .mp4 38.54M
# P: C$ d. A. z| | ├──11-矩阵的行列式 .mp4 20.13M! \; t c) D+ W+ h# y* e
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
1 T8 Y2 V; h* A! F2 s. U, S| | ├──3-向量的内积_向量运算法则 .mp4 19.78M- @6 h+ Y1 \* x: n" S0 j- ~8 ^% c
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
. _; R# v8 v8 X& g- S! Q| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M$ s: ?* a9 k" \/ K7 L. e1 V$ ^+ \+ h
| | ├──6-特殊的向量 .mp4 26.45M
, e4 [" _4 u7 c0 Q0 x& }| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
4 }% T& T4 b3 h% z! y| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M# Z0 |4 W0 Z* k+ ?2 ~3 p+ t& d
| | └──9-矩阵相乘 .mp4 20.02M1 a* O% _6 w9 U, x# T( J0 S; B' v+ ^
| ├──4--多元函数微分学 1 z7 W- P6 Z7 M5 q% l6 @3 _& V; L
| | ├──1-多元函数求偏导 .mp4 22.61M
3 E- o" L3 @9 V% \1 L| | ├──2-高阶偏导数_梯度 .mp4 27.15M7 ]! p% w( j( H5 u
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
" b2 w% L/ F2 }| | └──4-Hessian矩阵 .mp4 32.93M
, ?) a: A, G- L+ s6 U* p* ?0 o) f| ├──5--线性代数高级 - r5 J% Q4 O: i) z3 v
| | ├──1-二次型 .mp4 27.70M
; u& T; `$ @/ j# _/ G| | ├──10-SVD用于PCA降维 .mp4 24.90M
! n7 |% \( w# || | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
+ l& ?+ `0 B0 \9 E( z/ K| | ├──2-补充关于正定负定的理解 .mp4 23.48M9 Y0 A2 R9 z- k+ S: g! R, q: F1 N
| | ├──3-特征值和特征向量(1) .mp4 29.83M1 s4 X$ O9 ~- x; _6 a U8 q
| | ├──4-特征值和特征向量(2) .mp4 30.07M
8 i% ]# o; F. [% {" R| | ├──5-特征值分解 .mp4 38.68M3 ~% b- r% ?# H
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
& Y- u6 A4 p' Q6 [3 O6 {| | ├──7-奇异值分解定义 .mp4 22.58M
' Q( T6 l1 h: e& m4 E I5 K| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M+ v& ]8 R: w: l
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
% c- o' `: w1 s4 s6 H| ├──6--概率论
$ e' y& {! X9 s1 ]' ?8 V( j| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M: L& \3 N* i5 l2 I2 c: K
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
5 D" c B+ O1 F; G1 Y5 e; ?| | ├──3-随机变量 .mp4 22.57M3 k5 Q. e) r* t/ {" s
| | ├──4-数学期望和方差 .mp4 22.96M3 k# P7 J- j/ K& K) t, Y/ Q; Z
| | ├──5-常用随机变量服从的分布 .mp4 22.48M0 c9 `6 ~' [ `# a7 [
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M# b# R! }1 d! f7 j+ m' E3 a
| | └──7-最大似然估计思想 .mp4 23.42M
" ?/ x! L% a" w! i2 H+ {: t| └──7--最优化 6 T. O; ?' F9 u3 f' A
| | ├──1-最优化的基本概念 .mp4 35.14M
N$ x% f- z# k1 K$ d| | ├──10-拉格朗日函数 .mp4 27.46M
0 [8 B0 @" | J8 l; D7 ?0 r( k| | ├──2-迭代求解的原因 .mp4 20.15M# L% A9 ]' N: W, y( Z. c8 T2 A; _
| | ├──3-梯度下降法思路 .mp4 26.33M
+ _# @( t" m7 n5 g o1 `/ ?| | ├──4-梯度下降法的推导 .mp4 43.56M( b4 V2 X/ p0 Y$ o0 K) [) u/ g! c
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
0 }# m c: O. r/ B| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M2 \ G2 g4 E) f: H; M ~
| | ├──7-凸集 .mp4 21.90M% E! q. z! D+ ]! a2 {! ?
| | ├──8-凸函数 .mp4 16.93M
# {# Q6 [4 q1 {+ R| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M5 a% T$ c2 J2 @, r
├──5--机器学习-线性回归
' G$ \" N8 X S U; D: r9 I| ├──1--多元线性回归 ( U& z/ O5 [1 V
| | ├──1-理解简单线性回归 .mp4 51.11M
4 [4 w& z, T: [' }4 n| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M) v. ]# h: e5 M* D% G& @
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
) t* i! a+ C7 E4 a, k& ^' k/ u| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
( E b# c9 R/ e" Z| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
5 e3 o/ N' T9 C| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M6 y( B2 c6 |' u% `* ]2 @
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M; f8 i; T) u: T* }
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
/ H. q0 h7 n5 y| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
! r: l2 J% Y" C! \# ^3 Z5 c6 Q, X| | ├──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% M$ w* S$ E0 y0 k
| | ├──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+ A2 g7 e) c) ^; X; W
| | ├──2-最优解_损失函数_MSE .mp4 39.58M+ J o5 P; A9 q8 C; W/ }, v7 n
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M& W; b( O' p+ \
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
! c8 t* i, C4 l+ B; i/ s7 F8 h1 [| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
+ ?* U4 Q4 k# ]+ C& F5 v5 u| | ├──3-扩展到多元线性回归 .mp4 32.15M
2 ~- j+ e4 a A7 M| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
% G, g4 f% z; ~| | ├──5-理解维度这个概念 .mp4 41.41M2 s5 a6 }6 z) S
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
& Y, ]+ Z3 h# p| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M) n/ p0 G" G- |6 p0 g" @6 K
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M6 H7 [ v" R+ K6 Q
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M2 f. T; f& ?2 G- k) h
| ├──2--梯度下降法 9 b5 E7 i/ i* w. J
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M8 R. r8 r: J4 S# ?
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
+ ?, C. r: |3 Y) O8 S/ @; Q- D| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
) y8 D# O. F! ]& f& a; N| | ├──12-代码实现随机梯度下降 .mp4 26.67M0 V' h* F8 } z1 _! X
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
# s4 r/ T# U3 X& J2 S- S9 H0 [) ` U| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
% o7 b* ]1 e0 t F: [! M+ j q| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
0 @( ~" K4 S7 d" _5 ^| | ├──2-梯度下降法公式 .mp4 57.12M
: Y2 _ }3 l: L( r: k- {| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
- `* z$ F Z& B' G| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M$ v x; _, |( c' \
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M9 ]' H/ j9 a5 r" A- y
| | ├──6-全量梯度下降 .mp4 62.84M
; S% @' d: c z* G! F9 d+ E' y8 e| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
* k8 Q; J/ I9 [. m* z| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M& n( A% a' b7 j" B
| | └──9-轮次和批次 .mp4 45.22M! C4 L) ]5 A8 G" E. _
| ├──3--归一化 9 R3 G5 x* G( C' P9 k0 S
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M- X; s" V1 a* |
| | ├──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- E( m7 J0 j- Q) ^$ v1 T- ^
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
/ J6 _+ B2 T. A$ i. @| | ├──4-最大值最小值归一化 .mp4 24.87M
# I& _- J4 F5 ]8 \| | ├──5-标准归一化 .mp4 51.86M/ `9 C, p/ J" `# I" {' ^# ^- ] K
| | └──6-代码完成标准归一化 .mp4 41.13M+ l# t3 @3 _' W% F# G3 q0 ]' G
| ├──4--正则化 . G, r$ Q. b2 i* H- l6 V. q4 \/ _
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M! L; f$ I9 T1 ` d
| | ├──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
7 N. a! z. `% s& f| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M; n+ B; y/ N! }9 Z' A* W
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
( S( m& A. m" P; ^| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M/ Z& u: w3 [6 w" k3 J
| └──5--Lasso回归_Ridge回归_多项式回归 1 H: ?& ~: n6 [5 }7 x7 k$ w3 C) K. n
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M( Y p2 ~2 l$ A2 ?! n
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
3 N2 K* U: y2 i: P+ \/ {" F| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
- }3 k. O- s4 e| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M8 I* w+ T9 c: x! W8 f
| | ├──2-代码调用Lasso回归 .mp4 28.73M
7 p' G& E% C8 `. P ?+ D| | ├──3-代码调用ElasticNet回归 .mp4 53.67M; c! z9 c$ i# e* W! `* M
| | ├──4-升维的意义_多项式回归 .mp4 48.06M: e7 O! z8 B: A2 t) ?) ]/ D7 q3 q7 g
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
% z2 E4 P8 _1 C5 t8 H| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
" `8 {: f( D/ C& t3 z$ O| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
2 T4 N; r. H# Z9 f* @5 C| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M' @2 x) u. X/ ~0 a& [) F; X
| | └──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
$ m: {7 T* _2 T2 d, }├──6--机器学习-线性分类
; Z Y# V5 T* T| ├──1--逻辑回归
$ a$ {& l3 k! B% m7 G$ _: k| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M- }% o1 c- p. F6 J: K; p+ }# `
| | ├──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
' _: a8 l0 P$ f) j| | ├──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* M: |1 U. u8 I; _
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M z5 r2 H# A) f: c3 T0 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
$ _; X: z# \4 L2 R2 M+ o# o| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
6 w I& D- R* ^3 I3 N| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
' r- r4 {/ i* F% H| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M K2 ]9 j% ~1 N0 |
| | ├──2-sigmoid函数作用 .mp4 38.15M h1 e7 `& O3 g$ D: D: z
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
# M$ |: y1 l1 m3 ~| | ├──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
% p. X) J! P3 W1 k# s" O7 {| | ├──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& t4 e% G4 \3 Z# ~9 B1 h( k2 A
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
' x. K' `' {" r/ e, |2 V| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M% R. y6 X9 M x6 l+ O* C
| | ├──8-绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数 .mp4 56.56M; ] ?: H/ x+ R+ h6 M' M
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M
) @2 }/ n5 ?; h/ W( S a| ├──2--Softmax回归 3 w* V% B; Y6 ]1 z T
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M8 _' U- J$ ^/ ?) y" H( x* W
| | ├──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! R. h8 a R! X6 c, ]8 x
| | ├──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 49.16M7 s; O6 d4 u+ c. B+ p* [& f$ Q
| | ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4 47.67M
3 a- ?& c: f% }+ P4 p3 P| | ├──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
: f+ G1 t- w2 U; B7 f) L& v| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
1 Q( R, @5 Z4 K# L: v% d7 i' e; p3 o| | ├──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
% X) [$ Y( z7 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
/ Y3 {6 @$ O8 q9 R* F2 S: V# @| | ├──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
1 @/ X6 d& v: j9 |; k; S| | ├──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
; E, y3 n- x; }+ w| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M3 `! m8 x9 u: U* O' e% x$ i
| | ├──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/ U, U: t/ ~ q
| | └──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
# c, k h* g, r& A! ?* F| ├──3--SVM支持向量机算法 ; d \4 `" w6 w: K
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
* g" `# a: J% ~# ^0 e3 u| | ├──2-SVM的思想 .mp4 55.56M+ K) ^& d- \2 R. } h6 _
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
( q; t& Q( I) V' g5 _+ V' v| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M! T) }, y7 Q1 q* b q( z
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
V8 O1 U+ H8 q* K) J* j| | ├──6-总结硬间隔SVM .mp4 39.01M5 g- {# r' f' }; g; q
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
" g! E; K! c3 s* a8 Z) Z| | ├──8-非线性SVM .mp4 54.43M: R" e) y; B: V5 u6 o
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
8 j) v' I5 s+ K9 C: x3 z: V| └──4--SMO优化算法 7 i) w+ f! O- I' i5 j
| | ├──1-SVM算法流程总结 .mp4 58.36M
( p7 t2 b6 V/ P| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M+ D+ ^) ^9 r& L! C Z& ]
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M7 }8 z( I+ r7 v4 Y3 I4 b: C$ _
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M4 R- N+ T. `: y. V
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
1 E. {. v1 n$ k" Z6 C( 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 69.00M& m- B! B$ |3 G. [! F9 \
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M/ i d$ G# D) I# X; 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, v' P! m2 L$ z5 T1 w. C
| | ├──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
0 x5 H s! Q1 S ~& J" y0 `| | ├──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
2 M3 Z- m2 ?# l6 W* b| | ├──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
) [* E, e& \% G% l3 y| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
1 o2 \) c/ u3 v, y9 m: i+ i$ R H| | ├──7-启发式选择两个α .mp4 23.11M% ~. X2 B+ h/ d% l5 \& W9 u
| | ├──8-如何计算阈值b .mp4 50.18M
% g1 A+ b8 F3 S7 @% o Q( R7 @4 M| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
4 [6 }0 W. Y y2 ~$ K% w( _. ?├──7--机器学习-无监督学习
0 }" Z* ~& ~; o$ r2 M, A3 || ├──1--聚类系列算法 + i; q" t8 {% J
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M: Z0 m- D- y- s) _8 f K. G+ X. _
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
% D2 ]5 b `% ]( P. Z6 [/ U| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
1 U" V- V9 N/ Y: j| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M1 B8 j5 X; I1 o1 e \8 e9 m# g1 l
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M. c3 T j& F5 n8 k
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
, Z" k c$ G: ^& O| ├──2--EM算法和GMM高斯混合模型 * U" T: @. {; @2 |! P: p
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M0 V. n+ }5 l) }! }( C
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M; D. V$ E# o$ j* ]' T/ E& C
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
- g, E; s& ~* J| | ├──4-Jensen不等式的应用 .mp4 109.17M
9 ~$ C+ t e( P# x/ H( F3 Y5 T$ Z| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M2 w: `4 b( M# J" o
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M0 X/ w8 F' U' ~
| | ├──7-GMM前景背景分离 .mp4 16.01M/ T& N6 C- y- C6 R
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
5 ]1 |' [6 ]4 V| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M8 J+ ]1 |5 v0 s" G4 |
| └──3--PCA降维算法 5 X) |7 k: Y0 h, @: W: m
| | ├──1-特征选择与特征映射 .mp4 49.38M
4 s Z8 o' d% O9 m4 ^' D4 _* m| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
1 q+ Y0 {! W7 U| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
+ O3 N" k0 y7 n3 p7 H1 \| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M2 W% T& p7 `& V+ K* o
| | └──5-PCA的几种应用 .mp4 54.58M
& |9 v0 S+ c$ Y) P1 T- S' V├──8--机器学习-决策树系列
; d! l! \, y4 D. Y2 Q ~4 y8 W; f| ├──1--决策树
8 v4 B( r8 u/ W$ j' {; @* f| | ├──1-决策树模型的特点 .mp4 74.88M1 x, Y- t, A' C& d" ?: \- y% O
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M ~1 p8 V) U; d7 ?5 m. ~8 p; w Q ^
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M* U9 t9 c( P1 r5 d% a' n/ |: f
| | ├──12-后剪枝的意义 .mp4 50.49M2 e4 x; {$ I2 p1 L( p! V
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
4 G" H6 T+ w5 C: n8 I, m| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M/ z* ?: j& l7 I ]2 J* ]$ ?
| | ├──2-决策树的数学表达 .mp4 89.94M
5 C4 j) m5 b2 T$ @| | ├──3-如何构建一颗决策树 .mp4 84.87M
. f3 i! ?9 I/ F( Q! X4 u. f* W| | ├──4-什么是更好的一次划分 .mp4 57.02M* c2 _: f$ u7 A! D2 f M) B4 u
| | ├──5-Gini系数 .mp4 107.54M
8 M9 S6 O$ N0 M* B4 q# B4 p5 E| | ├──6-信息增益 .mp4 75.26M: c1 ?6 x+ Y: ^
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M& P8 k- k( c% P1 `0 y# ]; T
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
; m( Y) c: I3 ^* U+ v| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M8 `$ s2 \7 O8 m
| ├──2--集成学习和随机森林
- V, `! h( g# m, j- q! I" b| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
/ f" J' s. {. o7 I| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
" q' w/ r' p0 D: P# A| | ├──3-随机森林 .mp4 108.14M3 A* ~9 E; N1 x# w) s+ m/ q4 R
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M. N7 j- Z' i; R0 Y7 O
| | ├──5-OOB袋外数据 .mp4 106.07M
& k6 s# k# D! G| | ├──6-Adaboost算法思路 .mp4 106.30M
+ m$ n9 p+ t% R, `% n k8 X| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M9 r# l2 `8 T* N# G( G
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
6 g: x4 }& J$ _ W2 p* Z| ├──3--GBDT
2 R2 O5 ] @! s y3 S- H% W| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M
' V( I6 w% n- [$ y1 S }| | ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度 .mp4 72.09M; |! M3 S$ f5 w& t! J, W9 k) v$ `
| | ├──11-GBDT多分类流程 .mp4 73.80M
) @5 ?& ]& N& ?& J* l/ e| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M4 j' ^1 B& D' F5 I& T K3 ^
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
I% h% T: Z6 ~1 K: S1 m| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
, P( G/ m0 M! t. l5 g6 {| | ├──15-GBDT二分类举例详解 .mp4 86.67M
! u% F3 k1 j) y+ C I% v. H% R| | ├──16-GBDT多分类举例详解 .mp4 91.71M
! o* M* X4 ^6 @# R( ^ D. C| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
2 ^3 _+ y. f0 ^+ o: k' K3 f5 u| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
V9 W$ l0 ]$ Q1 A0 ~| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
% t( p6 d6 s$ U% e. L3 w* t| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M# G) l2 m# L- f( ~: ]4 \
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M$ H& P3 V# k6 N9 d O; z N8 A
| | ├──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
[( U" t' K2 K7 M| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
3 h1 U/ C: V* o+ {| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M1 l' E% T5 Y E" K
| | ├──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
" e# m7 I) _# T3 K) i$ k| | ├──4-GBDT应用于回归问题 .mp4 84.66M
( W9 C, F/ o0 }3 \/ Z| | ├──5-GBDT回归举例_总结 .mp4 108.52M
3 `, j: M, E' p( w/ v| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
3 z( t D6 I: } y9 _- q| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
- P* e" o& Q: R! r3 V, ]| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
4 b8 y" |) J- v( v. `3 E| | └──9-GBDT应用于多分类任务 .mp4 73.34M
, ^0 f' a5 Y( ?) x5 _6 H| └──4--XGBoost % U# A! k( m& }. h1 n
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M& [$ C- q( \ y$ V
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M9 L: O" U4 a3 E% i) F& U# f
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
( ]1 q( T1 F1 f| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
- ~% c0 L7 M4 d v+ f| | ├──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. U3 }! D6 Z! l4 K" C
| | ├──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
8 L! a0 Y! Z2 j) e. {7 R. e| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M0 }8 T5 K; v% R x
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M, ^, J! z# d8 T
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
l- v9 W7 m0 n1 Q! t| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
" ~2 ]& D9 @5 ]: j* B| | ├──3-基于树集成学习4个优点 .mp4 91.36M
m& x$ ^3 B. D: v% ]| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M) Z& X9 a5 [' N1 |: z( C$ X
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M0 [. N- R) j/ }! h
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
2 y) D9 e6 p Q, f- w. D& w! m| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M7 R% i5 \: u" q4 G% \8 ^) t
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
7 c6 \+ I0 e: B, o6 d0 e E| | └──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
2 I5 I- m9 f, j! i1 Z├──9--机器学习-概率图模型
' O# p% A5 o* ~/ [6 M$ [! [| ├──1--贝叶斯分类
7 o7 U) Y. u' S e# q" C* s) M| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M7 p* K' Y9 U; {7 z
| | ├──2-TF-IDF .mp4 53.08M( o* ]. C/ F/ }7 D/ {( b0 U5 I
| | ├──3-NB代码实现解析 .mp4 126.73M
3 X, A3 Q8 K9 q1 O| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M( x% s0 F) y6 _. P3 a
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M. a& v2 g0 Y% s2 k
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M# o9 I/ t" o0 u- O+ W9 U1 \
| ├──2--HMM算法 , p) a! d8 ]$ j
| | ├──1-HMM隐马的定义 .mp4 36.82M' S' B1 @* v4 z! Q+ E$ S0 \6 S3 Y( Z
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
$ W' l' G" u( F0 i1 z| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
9 x; ~. ]( v" {7 ~% ^| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
( G1 e) ^+ I9 O0 S( _, n9 e| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M# B# Y7 K" h/ o! N' q
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
4 i) G e0 Y8 }) U( d* J6 H4 u| | ├──7-Viterbi算法案例详解 .mp4 107.12M9 B7 Z% y( i* O M( |% O
| | └──8-Viterbi算法代码实现 .mp4 42.43M
% [+ U% w9 `8 S: N% x| └──3--CRF算法 ; E: {! m7 @& d$ S5 @1 p: Z
| | ├──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
' Z9 G& H T% s| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
2 J# t6 c* u3 B: |& @) L| | ├──3-了解CRF层添加的好处 .mp4 105.90M; _$ q& ^. N, i, {
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M% c+ a$ y. J8 }+ S4 l9 m* R9 f( v
| | ├──5-CRF的目标函数 .mp4 23.74M: W0 B6 L n9 [' y2 V( |& V* X
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M) O# N1 v. |- N' H
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
! Q9 `& a) w+ Q: Y| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
$ A9 R9 d' P& j( R+ V! b% U└──课件.zip 2.54kb! c% a. w, Z1 E* i7 R
' p: i4 G! [4 C" U: y* g0 B
0 S) o" b6 B2 O3 v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！
. n" a% |) ^0 i9 T6 y4 D$ u
. o m+ d& @% k' Q, A: p1 v4 M! o5 l% |
8 Z, l# W7 l2 b( m( \, D* i |
/1 
