战-人工智能2022/
6 y- g: x) I1 j! p4 t├──1--人工智能基础-快速入门
- { Z4 d; Z! s5 ?7 _; G| ├──1--人工智能就业、薪资、各行业应用
3 @; u! z8 x' K| | ├──1-人工智能就业前景与薪资 .mp4 52.07M. Z' f: b2 L3 N% W& u4 y5 `1 ~
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M( F- k- D( z% U; ~' y
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M) ~- q+ e5 Y! X e4 Y* x
| | └──4-人工智能在各领域的应用 .mp4 57.73M
' _" ~: c5 Z5 K% s; N| └──2--机器学习和深度学习、有监督和无监督 ) n- V7 b# ~% G- L- U% l: v
| | ├──1-人工智能常见流程 .mp4 89.62M; `7 A' ~; W" k6 Z* ^. J( Y. j
| | ├──2-机器学习不同的学习方式 .mp4 83.51M3 F/ x4 k* h& q# h8 ~% ?8 b
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
( G8 e0 O" y% g( v6 _| | ├──4-有监督机器学习任务与本质 .mp4 37.50M: D4 i1 |2 x5 r$ ~9 R9 i" f% h+ c9 [. ?
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
& |* ^# [& ~9 n/ B9 t- O u3 t: ^; {├──10--机器学习与大数据-Kaggle竞赛实战
3 |6 U! J% _" S* \$ M" V$ @| ├──1--药店销量预测案例
u# E! f1 m/ Q+ ? Y| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M) z* T- i3 c |8 A2 \* @
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
, C5 w" J& c# e: y7 w4 `% Y3 {| | ├──3-自定义损失函数 .mp4 21.12M0 a! Z, y1 l ?
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M8 m& ~2 d0 F3 j1 S' k
| | ├──5-数据的预处理 .mp4 111.81M! i8 p5 i. G# ^" ^1 d
| | ├──6-模型的训练_评估 .mp4 66.64M
% T- s- ]: x& j5 ^| | └──7-kaggle竞赛网站学习 .mp4 172.16M+ ^3 E* D# C9 s, s! E" [6 o
| └──2--网页分类案例
9 {3 O- I, m, t# m2 f# H9 r- {| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M- g* w% `/ T6 m6 t: A
| | ├──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
% e2 L2 T8 A' g+ `. k| | ├──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
& y5 g6 y+ m$ G8 z5 e| | ├──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
/ e4 _5 r3 [; [" {3 ^| | ├──2-评估指标ROC和AUC .mp4 56.19M
7 i$ N* F, S' A; V| | ├──3-评估指标ROC和AUC .mp4 49.03M7 F! s5 T/ k' s# _& v# F1 y* i
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
# T" R% t7 n# A: m| | ├──5-数据导入 .mp4 68.41M7 y8 M1 j6 a9 y/ y8 o
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M+ U; s2 @$ a+ C: l
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M/ O9 A/ y1 [4 p* I9 p: a
| | ├──8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数 .mp4 62.48M
% d, Y2 C3 a5 c% p% q8 t| | └──9-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01 .mp4 87.47M
! \2 j% E# N$ g$ t* W$ |# q├──11--机器学习与大数据-海量数据挖掘工具
8 s" }2 x3 ]* N$ {| ├──1--Spark计算框架基础
+ g: @! E6 E, G4 }! ]+ d| | ├──1-Spark特性_01 .mp4 41.68M
: P' v8 D% E$ u$ L# J| | ├──10-分布式计算所需进程 .mp4 26.30M4 v" f) `* U0 U
| | ├──11-两种算子操作本质区别 .mp4 56.31M
5 m4 m- O0 G: x2 j| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M# N) w% H3 Y* u
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M0 u3 s+ |& G! _* `1 z7 i! U
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M+ V" T5 K& o* b1 z
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
* j8 O7 n4 t3 R1 }0 ?+ k| | ├──2-Spark特性_02 .mp4 35.15M
9 }5 b$ k& J' z* \4 j| | ├──3-Spark对比hadoop优势 .mp4 19.34M
) z: z( l# n5 m# y$ Z; i; g8 j| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M! A! U) Z B" l% ^9 q
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
. Y9 Q$ @! n, x: Y' F- F; }9 `2 H| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
* e0 J, u3 M+ H3 O' T| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
" e+ \ W+ E( Y, u- i1 r9 W! q| | ├──8-Spark的RDD特性_01 .mp4 33.08M
' b8 h. _: R6 U6 z! P| | └──9-Spark的RDD特性_02 .mp4 33.41M
@7 _3 V; l! G$ u4 L+ || ├──2--Spark计算框架深入
a0 v/ ^* H) t# P# L$ T5 }| | ├──1-Spark数据缓存机制 .mp4 54.43M, T$ i, @3 W" {) A, c
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
4 I3 ]0 a9 \1 t- |# f. Q$ M2 a| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
0 l$ s- g+ @7 I a: F" l( z$ q" r* _| | ├──12-构建LabeledPoint .mp4 111.08M- j# @) |% a% i3 y5 ?3 w' {
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M1 Z0 \5 I2 p9 |
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M" s3 e& f- A* x
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
# }% p+ p: A4 b$ n| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M# k* O3 s4 ?' }; e5 s. i$ ^
| | ├──5-Spark术语总结 .mp4 89.66M
5 C0 ^1 n* i( Z& }| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M# r* B9 [, G' \8 Q* I9 ]- l/ C
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M; Z1 m7 Z/ ?2 I, q
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
5 _5 @ M4 }( t) W( ?2 T| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
6 J" M3 K7 q ~# O% a4 @! g5 z& y| └──3--Spark机器学习MLlib和ML模块 ! z8 V8 j r5 T) p1 e
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
+ L- O* n/ l( H) t# ? g3 \| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
0 l4 K, _; _6 b2 z; s| | ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4 89.72M8 Y4 e* O. b0 a2 ~7 e
| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M4 K p/ D& U& V: j0 J V
| | ├──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+ b) ~# G0 ~( V, a
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M* T5 ]! S. E& y1 n" F
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
2 h! }, @! q. |7 I! i| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
5 Z! q# R# D1 C* q| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
4 M8 T, [9 [7 k4 o| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
4 W7 g, L% C; C, I0 }2 }" O| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M3 q7 `5 K o1 z; ?) k
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M% \; R3 l; y4 m2 B r
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M( f2 f; o/ s8 t; D9 l
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M3 ?- D0 S. A7 Z! j+ K+ |
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
6 J$ _ e+ S& d0 }% k* L% Y| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
# e8 k$ l* V W! w: r| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M- ?2 @# k& G2 G
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M, R' z7 f3 g# Y2 A
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
/ ~6 j2 x1 b9 P) B3 P' s| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M( g0 B. R( ~; E) v
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
6 k+ ~" s& ~& A| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
" p! U O6 F% Z" K+ s1 N4 g2 u| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M5 k7 O/ @3 n5 D6 `, e
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
1 B7 D1 H: h" E* f* L- U# X2 Q| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M' Y" b5 k" d6 H- R# p5 g
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M9 G" T) x' r7 \9 Q2 P+ m
├──12--机器学习与大数据-推荐系统项目实战 & x1 B+ C/ Y) Z" X x! N
| ├──1--推荐系统--流程与架构
. _8 ]: S4 b* I2 E) q$ ~) g| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
9 ^/ M x5 u9 z. _% T! x| | ├──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! W2 t* H2 z* b! o* B# K
| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M1 `# J4 g1 ~- U5 b, c. s, l
| | ├──12-推荐系统_数据源_1 .mp4 79.07M) z4 a' N& x8 k) R
| | ├──13-推荐系统_数据源_2 .mp4 82.90M2 J. H5 f. Z6 e, W* D
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
& Z0 W2 C/ N6 z8 l7 l' w| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
B- y8 _; `( [) z2 J5 p| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M4 [2 _* L0 ^1 C% f. L0 T: r0 [6 V' w
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M/ K$ T+ ]$ r7 w, U3 P: l3 J: p
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
" h5 O' r: p" r* Q: y| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M- Q& G" ?% b2 r B) p
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M& [, I) e% o3 f S) L; z
| | └──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
" z" X6 w6 _( w% q7 X; J| ├──2--推荐系统--数据预处理和模型构建评估实战 # M5 [+ E0 Q: K8 J+ i
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
$ n% c; _! m; G. ?3 \8 y0 k5 q| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
6 l7 b: Z% k* @& M f8 {| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
0 k# U* m/ L8 Z% `+ Z5 J& p( Y: O5 b| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M. ^' `. S, B; D9 [) A. B4 N/ a; y
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M) [ t& i! |0 N! q# N
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
# [7 _* H# \& @5 U| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M$ `4 i! k. ^0 L8 x
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
0 R0 | T3 t+ w3 N" r) y| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
$ n6 T% a2 m4 U0 m) r) F0 o| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M, X; K0 D3 O8 L; A7 k! ?
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M V. R# S: N" y. Y
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M. }# R; @% e/ U! q6 @
| └──3--推荐系统--模型使用和推荐服务
, D3 x6 n; T4 l& F7 b b- ]| | ├──1-推荐模型文件使用思路 .mp4 61.89M$ [: l- E7 R2 _( J: S4 Z
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
/ h: ]; C+ m- h( i# V! f& W| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M- X; e4 n7 j5 ?7 A
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
* ?! `! D6 F X( ?9 Z| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
3 D$ m: d- G7 V6 R% @8 d, Y' y| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
8 c+ O# x1 U% q: G| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
$ M* v- p8 p* N, M f+ U; z| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
& Q& H6 g! q! O| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M+ S' M6 T, C% B. Y A- Q' r5 @+ Y
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
4 n: s7 C& u" J1 M1 y$ _ n| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
# C% h" F5 T: u! I| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
7 E. P2 j0 L! Y7 \ o├──13--深度学习-原理和进阶 5 r" `1 D( i0 Z9 X2 J
| ├──1--神经网络算法
0 o% r" e$ B, I' ]+ `! Z# c| | ├──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! |7 G; s9 a, ^3 B
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M# ~1 U: P w! a" g; ?
| | ├──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
( C- C" u% [% d3 Z| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M* p$ j+ p: h; C
| | ├──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
& U' u# x) P8 ]: m8 G3 v' K| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M& @/ o8 W O) Q/ i/ R5 y
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
1 Z+ i% A1 G0 C2 Y; s# U* r% {0 j| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M5 c# _9 P! y( b$ K
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M1 p9 e- z. R: e0 h1 c
| ├──2--TensorFlow深度学习工具
% H6 l3 r2 y5 k: ^* N| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M9 h2 J& X, ~- F/ X7 d3 E! |- e
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
: x" g+ j& L+ a| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
$ s, b" \8 |% K$ r| | ├──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' q4 f/ c, U" C8 E6 ]+ n
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M# A7 R1 u' y* W; P
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M9 { |1 R; ?: d/ E. O
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
& \2 K; C) x; W, j7 X| └──3--反向传播推导_Python代码实现神经网络 + M2 s- |# B7 ?' o: L6 j4 d! M
| | ├──1-反向传播_链式求导法则 .mp4 86.47M; ?8 q* o* e0 w0 {
| | ├──2-反向传播推导(一) .mp4 127.90M/ ^& k' f3 c9 ]/ F. r8 ~7 Q. N
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
4 P& {$ u" j1 c; ?0 x| | ├──4-反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例 .mp4 81.20M% f; C4 F; q$ A4 v/ a0 I
| | ├──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) ^- ~0 H. l @| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M% m0 D5 L# A3 [/ a) [
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
$ D c& S ?' y- [( G$ L4 b- ?. `" n├──14--深度学习-图像识别原理
* a6 X; X, x$ x| ├──1--卷积神经网络原理 1 v. n+ y9 e/ c& L% `/ p1 B& r* F
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
3 B/ h/ g0 R) T$ O) _5 ~! O| | ├──2-单通道卷积的计算 .mp4 104.01M
& H1 K* P- a- ?3 f1 E| | ├──3-彩色图片卷积的计算 .mp4 52.79M
( c2 Q8 }- R/ S) Z# A| | ├──4-卷积层权值共享 .mp4 63.93M) b* ?" v7 |2 o! V1 [- x* d! n0 W
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
3 S* F6 C) s+ q5 k1 s, ~| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M, x, Y$ d$ o3 h. i( d1 a
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
9 T+ i) |( R+ ^' K: a! L% E| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
0 s- D7 k. Z6 y7 W% t# v9 G| ├──2--卷积神经网络优化
$ \5 D6 R3 ~2 h" G3 s, T5 p- s& G| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
4 [7 E0 T+ y1 Z, D" p+ z| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
4 G' u5 }* _2 }, _ Q) p| | ├──11-Optimizer_Adam .mp4 141.12M
* |8 Q$ H1 c' ^& E# s, ]| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
7 F. G8 b J! {( D| | ├──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' R4 ]1 a# E0 v* ]1 O
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
/ h* ]; Y* O. J" q. E1 V, D| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
& Z$ Q/ b# s5 E' ?7 W| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M0 W; Z5 a2 k- G$ v0 i4 c/ \" X
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
0 h8 h8 K G9 P6 z* j( w0 P| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M f# a. z4 O e& `2 `8 G
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
/ P) k5 n3 F, D& o ^& R| ├──3--经典卷积网络算法
( x" a4 ], R' U- w| | ├──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
" S0 N8 v4 J0 t1 ]" P9 j| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
- K G' W: v( I| | ├──3-InceptionV1_V2 .mp4 165.86M# P; ~7 r) w& d9 C1 d1 z
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
* ^1 i% g! i7 u9 b1 `6 ^4 }" O| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
9 L- w" ^4 K, y# G( T4 J/ w" M| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M |; c2 O6 j0 h8 N" a; C% E
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
. S( K5 B" X' w6 c$ D! p| | ├──8-BatchNormalization .mp4 99.23M+ v0 z! t+ P7 ?
| | └──9-Mobilenet网络架构 .mp4 150.05M( E3 O( n$ _! c, j. Y! G# N! N
| ├──4--古典目标检测
: Q1 M3 b7 z! a1 }/ H2 M; Y| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M4 q3 w0 c+ a# k8 I% U
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
6 p# y) l0 v7 w% ]3 U2 }2 g; y/ m$ r| | ├──3-IOU以及python计算的代码 .mp4 23.56M
: s D! T3 d0 B- {6 k/ V| | ├──4-R-CNN和SPP-net .mp4 124.06M
" f- H6 Q; Y7 T; i2 W. C$ i| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
3 F. V6 i3 o% N4 W5 s, E5 j| └──5--现代目标检测之FasterRCNN
: c n( {* a2 i6 M$ O5 D3 m# i| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
; A# d# C( j9 z) E2 z6 e| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M8 n# J3 J, p+ m8 ~
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
% `4 L9 K# f0 a| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M, r! O. ?8 h1 ] S) [& H8 K+ u2 \
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M. }/ N* K8 g4 [& ^0 Q" ?. {
├──15--深度学习-图像识别项目实战
/ N. ?& P" z4 d: n" v, \| ├──1--车牌识别 . ^3 f: k7 i' F
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
/ H5 b: j+ n4 H7 F- d| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M5 ~, p; l/ B& \& z& n. l
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M' e. o+ H: N+ h% }7 l0 w3 j5 [
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
: p. X$ i' ?/ G| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M( W0 X) _8 \+ C
| ├──2--自然场景下的目标检测及源码分析
' t8 Z& v |! R0 w| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M& C6 }8 b! c8 n) y' F& ~* [" t% h
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M1 F. [ i$ [9 ]
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M7 o& v6 G/ U* |8 a( q2 \
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
6 r0 k! Q) P/ l& ?1 t) y1 I# j N+ K| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M7 P8 q+ N! H" I( V( r
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M: p. l3 l9 H3 T% T
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
9 s7 i# U. X" }4 E' x5 r* s; E4 Y| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
( Y6 Y% W6 k6 _' c+ U) M1 f* I6 c| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
! U. ~8 E6 Y0 A| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M' }; @: n) x& H2 P
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
4 f T, x% s8 q4 I( B| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
) }% _4 z9 w' B0 T" a| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M0 m( G( A, y; R% ]3 z3 {& a% F3 B
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
+ ]6 O8 C! M0 @1 M5 || | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
' ]% A; t9 Z( q- k+ H3 W( [; D' G| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
* Z A3 E. ^# t' R6 s+ `| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M+ r6 A v2 N( A+ g( v5 t4 @' M
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M: }/ |3 N8 T2 s* {6 c( t! H" p4 e$ A
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
, {9 {, n, c D: g, u. V) Q| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M& E3 _6 E( a2 z Y/ D1 b
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M9 T: q" v8 Y+ k% f! ~
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
( j" r3 E4 [) Y& \6 n| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M) u! U/ x3 i9 g( H. D3 E, G" R8 [
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
( W1 ?; x" U. m( p9 }| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M3 u+ U- C1 z# F7 y/ M4 S
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M8 ^2 H2 j# w! t3 P9 i* Q
| └──3--图像风格迁移 5 F( ~/ O8 A6 N j3 w* l! _9 w) M
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M- ~- X. G/ p( b# d; A9 i3 W
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M- a# w; G1 k) V- y2 V
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M& N" _, R+ _4 N6 _/ W2 C
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M% f* O! ?9 C5 @$ x: V
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
9 }6 W u9 ~- S% D& w4 V9 t| ├──1--YOLOv1详解 ' u; I2 g3 [8 l4 K* f4 C
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
; f' \# R6 ]3 n+ q& A% v| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M; @4 _2 _3 O( U7 ?
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M+ {! X7 W7 X( Q8 g$ h. X
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
/ [& g8 @9 Q1 ~$ g. w| ├──2--YOLOv2详解 2 |$ |" [. ^* m% w# g8 Y9 f8 i% K
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
+ r' o5 y7 U9 H; S' M| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
! v E' ]4 t4 u| | ├──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
- a; d7 Z; _1 W o1 B| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M# F# g. z- n) |- h1 t
| ├──3--YOLOv3详解
& A- A2 d) Z L1 {| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M, J7 x/ p! Y8 i% N( r& O
| | ├──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
# N, `1 \1 N* ~. k7 j! K) o, }| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M0 ^9 ]8 T' @( \! o$ q
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M) Y* V" n/ H# q
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M$ {1 E4 P( v1 y3 L# j4 [7 k
| ├──4--YOLOv3代码实战
/ W& `! x0 F2 K% ?( S3 W6 e( I| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M1 Y$ r9 o# ?& B5 \6 ?* R3 p9 a
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M8 v+ F" d- x1 ~$ D) a" G9 u$ F
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
. B& l: d1 S5 M' t! X( v, g| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
, `5 m- X+ s6 d9 `8 B/ ?0 Y: k8 ~# I| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
% X+ t0 @' F9 q% x: C$ z/ X# ]6 N| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
9 x4 Z6 X; V6 i6 w' J! i| └──5--YOLOv4详解 * H9 }: J/ _8 q9 i! Y- Z/ U
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
0 H7 J3 X5 j" n' L, [| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
8 C- N* u* ~, u" N8 C! F( A| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
. R6 Y L; R& a7 c| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
$ g3 z9 r& n, o% j7 X& m* p" ^2 H├──17--深度学习-语义分割原理和实战
0 o' t& U3 G* X( b' C, H8 a1 ]| ├──1--上采样_双线性插值_转置卷积 % h q7 [% r- @7 R! Z) @: v% H+ i
| | ├──1-前言 .mp4 19.46M' h" e# i9 V7 W V9 u% L
| | ├──2-上采样_repeat .mp4 23.90M
0 {8 ^2 L, m; ], L) G) v2 I| | ├──3-线性插值 .mp4 34.48M" [8 t5 o* k. F0 \4 {% q: q
| | ├──4-双线性插值 .mp4 125.71M
0 p5 f Y. v, @7 e' W! R| | ├──5-转置卷积_以及TF的API .mp4 114.25M# m" f& Q% D0 |% B) T6 z
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M, x l: u, W5 S+ g
| | ├──7-ROI Align .mp4 58.38M- a X4 [/ U! W$ f& d1 \! [5 O* \
| | ├──8-FPN思想与网络结构 .mp4 92.14M
. v" J4 d6 {; T, u0 `4 }) N| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
0 e* K9 S: f) ]| ├──2--医疗图像UNet语义分割 7 S8 ~( v4 g4 g" k# D7 }
| | ├──1-语义分割的基本概念 .mp4 18.33M
9 V$ [# Q1 J' X| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M; \; d) P: k. g- N+ z$ k1 c
| | ├──3-UNet网络结构 .mp4 30.41M
, ^; s, ]% ?( _9 I* r8 S| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
! ~% c/ p$ }+ U- d* K| └──3--蒙版弹幕MaskRCNN语义分割 1 f( I+ m* y' O$ a+ z0 l
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
3 G+ {5 S; @3 V( W| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
" D2 {4 ]+ y& D| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
" i! _1 {" G) ^* T8 j0 [- J) o| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
; X- y7 v. B D% a# c! I| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
; K$ s m( y5 Q$ a9 A ^6 {9 f" A| | └──6-MaskRCNN源码config和model .mp4 244.48M
- ~/ o( ?; }/ z5 \├──18--深度学习-人脸识别项目实战 ( X, O' U. G3 E
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
0 M3 A" K% F% } c& ~| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
, V4 N: {/ X2 N) R; ~* d; T| ├──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
! I% h" }/ j$ \( p. w| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M+ e: C+ `8 k3 J. R; Z
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
7 C0 h8 I5 h B6 c1 Z| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
/ t$ v* O7 D- t$ u| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M; ^4 e" y* T1 G2 o1 u
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M. ^& X4 `) R' |+ _) r
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
& p" o T4 e6 E* {# ~( w| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M9 y! r6 v! ^& G7 f8 u
| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M6 k% u+ |" {6 t6 s4 X; Q' I
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M: O# _6 q' |0 ]6 g9 Q0 f
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
! f/ j$ g2 g. o% {& A8 y) W| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
$ q3 M. ]) \( a, U. N| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M+ I3 ]3 o, [7 o: @ [. O- P f
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M t1 i% Z5 l" C; o8 m9 b
| ├──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
2 ]2 |+ q5 A+ A2 ~$ T4 k| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M6 R/ G9 _; i: F/ f, ~
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M; g( [4 w* n" S ]: D
├──19--深度学习-NLP自然语言处理原理和进阶 . w, J; @5 P4 G7 K! x. R
| ├──1--词向量与词嵌入
$ ^& {: v, f, ^6 ?% ?| | ├──1-N-gram语言模型 .mp4 116.32M
3 E# w/ S) _/ P. H% l& Q4 b| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
$ |* P6 E" M( z: {- {5 z7 ~) J| | ├──3-词向量的作用 .mp4 58.00M
% F7 Y5 c/ ]: c# i| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M, z, y# _0 U2 V, O5 B' a
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M. X! ^$ ?8 ^' N! h! u
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M; o `& Z4 Z. O* L
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
7 f5 P' w0 \7 T8 o- o/ r1 C* [| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M7 {# W1 ]# h' @0 R% H$ L
| ├──2--循环神经网络原理与优化
% ?: g" H8 r) K) Q| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M' B* l' l: B" I( v! p- C# U' @) L( T
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M8 [5 H2 v$ B" B' F) A# J
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M8 o8 [2 ~$ H# }5 Z
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
* I+ |8 l9 \5 [9 z* m: V| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M: d4 |, I" s5 o1 J6 q9 ]
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M) D1 Q6 D( ?( \* T ]' y c
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M- E1 d: J# z2 x5 O( @& s: c
| | ├──8-双向RNN_LSTM .mp4 52.01M4 `/ i8 H3 f$ t8 ~( S1 `
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M9 i* C8 z- b" Q
| ├──3--从Attention机制到Transformer 7 \$ H. b$ J% o
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
& a; c' x$ s$ ?! }+ ?: Q| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M+ w7 |7 c2 C; Q9 \7 P, q
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
# Z5 N5 f& Q, L| └──4--ELMO_BERT_GPT # `2 \4 @" G5 ~& y, G
| | ├──1-ELMO .mp4 62.44M
6 S6 L+ p( g- l- _# }! C| | ├──2-BERT理论 .mp4 99.73M
. x( I% @5 A. C0 D| | └──3-ERNIE_GPT .mp4 56.34M
2 v( Y. m$ h1 c! P, T( u├──2--人工智能基础-Python基础
# J# d5 [9 F3 B( l| ├──1--Python开发环境搭建
4 w0 p4 O! b" h4 t| | ├──1-下载Miniconda运行环境 .mp4 100.75M
3 B. x( m! m* O$ l7 k( i7 r| | ├──2-Miniconda安装和测试 .mp4 57.12M
6 \2 p: G! c2 ^3 l| | ├──3-Pycharm安装和代码运行 .mp4 71.57M$ K( p9 B# V1 z. E4 B" |
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M$ }3 @0 s6 a' V1 e1 p2 U
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
5 n8 W8 h! |" y7 x+ Q; p5 q. `, X| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M- d' G0 `6 k* U9 T1 P4 b. N! i
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
3 y4 Y5 Z4 q* G3 i2 h| └──2--Python基础语法 6 J3 v: {& Y/ p" U3 y6 E: I ?
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
1 G1 l* l' @- Q+ B4 M| | ├──10-Python_集合操作_列表 .mp4 34.71M6 a! v- z3 f# Y$ j
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
' ?8 C9 }; e9 M" C| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
' x; y" v2 s. M d! _2 R$ Z& n# _| | ├──13-Python_集合操作_元组 .mp4 43.46M1 S3 o" [: C6 w! ?0 v; j; U {5 @
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
/ ]" c' p5 N2 C7 \* ]| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
6 V p. L" q! {6 [* f' ~| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
" p* A; e& Z4 O: `& ]$ R| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M0 c: X9 z$ u' F; d' s
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
Q+ J U( H( a3 u0 h| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
% G O5 t$ z0 ^+ U| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
& U8 @1 E t" P| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
- W4 Y$ v( b9 g% G| | ├──21-Python_函数_递归 .mp4 23.46M
; X$ F! e4 y3 T+ r7 a; O0 C( A7 h| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
& G6 g S5 D2 l( S6 {| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M9 Z- z# T' @2 L5 u
| | ├──24-Python_函数_闭包 .mp4 41.61M
9 K" s; T' }) k2 Z+ O8 e| | ├──25-Python_函数_装饰器 .mp4 30.35M' M/ a, u* R" ^
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M! j2 x: A! l& h4 b9 ~2 Z
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
/ Q% T( j9 n! l/ p/ w2 r| | ├──28-Python_类对象_内置方法 .mp4 29.17M1 ]7 ?4 v5 i8 v5 R* c, A% A! |* c0 |8 A
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
- C& S7 O W1 K8 [: @| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
7 H- b( p$ N V$ U| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
' O- n. W* C" 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
8 F0 J5 T( a9 {0 f4 R| | ├──4-Python_控制语句_while循环 .mp4 25.02M6 e" r! O0 {/ R& F2 ~
| | ├──5-Python_控制语句_for循环 .mp4 22.82M$ ^& i2 c& f* r
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
: W( l; g$ O* q5 ?7 {1 {& f| | ├──7-Python_控制语句_break_continue .mp4 25.23M
$ r8 b# |* h/ Z1 m& M8 w: R| | ├──8-Python_切片操作 .mp4 40.20M
7 {) c5 j" c* M( I" C| | └──9-Python_数据类型 .mp4 25.38M* F" \4 O" o- o! A C
├──20--深度学习-NLP自然语言处理项目实战
& I4 N+ i, v, }* M+ k9 d| ├──1--词向量 # N* ^% Q8 i9 q* E
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
/ d( Z* l% F% `: e+ ?| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
8 S/ J' f( p4 U' `- C' t| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
' D: X7 l! P0 C8 R$ J| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M
) e% X! s! A( L8 T| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M* B) j; X2 G X/ b6 {% N8 A) ?6 q
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
. S: u0 [7 W1 B* r| ├──2--自然语言处理--情感分析
1 V% X; g( q0 O4 i/ m3 l+ e' T| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M& u6 [* f- H$ r7 \
| | ├──2-数据预处理_01 .mp4 79.65M
: C$ K' i, K3 N; W| | ├──3-数据预处理_02 .mp4 45.68M2 `* n4 I5 d2 Q# s) y
| | ├──4-代码讲解_01 .mp4 52.29M, o1 |1 N( K7 j, W m
| | ├──5-代码讲解_02 .mp4 60.85M) d& x' v. f4 J, K1 s: \
| | ├──6-代码讲解_03 .mp4 53.89M
% _0 [! Y3 h* K: @| | ├──7-代码讲解_04 .mp4 57.19M
9 o. W0 C; C: t, f4 y$ B# @| | └──8-代码讲解_05 .mp4 35.88M
0 x& i' o/ \) Z6 d/ l+ f| ├──3--AI写唐诗 ) C. @$ z- H# S, H o# i3 v
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M& j1 a$ [8 p( }2 }, `
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M" G$ t. ^! z% f" o9 b0 S+ V: u
| | ├──3-MultiRNNCell单元 .mp4 38.93M
+ I" a& u* S6 p/ e; a3 v| | ├──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
& p6 e* H; Y8 P3 O. R9 s| | ├──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
$ p8 v: t8 _, T3 i| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M# z/ @/ Q2 p- x. O% J1 v
| ├──4--Seq2Seq聊天机器人
* p4 k# G. W" m( r# T- _| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
( s' d+ c7 N2 G9 L! ]0 j7 _| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
5 h2 O9 o8 ^. \& Q) b| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M6 X7 S* v' v3 j* I8 x6 |! j
| ├──5--实战NER命名实体识别项目
) y7 M9 p* N; w! y/ @) \+ m8 g| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M# Y: O1 l2 p( [& Z& d% o6 U
| | ├──2-介绍了代码目录结构 .mp4 23.44M% x/ A5 E. L, a
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M6 }- e4 Q* k5 N+ n- j- D( I
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M1 A! ^) d5 V) I Q/ T
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
" U2 {. {/ g- Z5 d% Z| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M2 d ^! ]6 B4 A! g4 i
| | ├──7-CRF中的特征函数们 .mp4 125.97M
1 d+ E* ~9 p! k( L- [$ N| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
. ?# L0 K4 g5 m$ J: T. g6 @. N| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M# D U* P0 t1 B
| ├──6--BERT新浪新闻10分类项目 : H" ?/ y" M" T, K5 n1 J- h) l
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
' O i& R( t. S| └──7--GPT2聊天机器人
! k8 o9 o4 k" S; J) r( m" _# k* L| | └──1-GPT2闲聊机器人 .mp4 62.28M" v; |0 z- G3 g+ ~. a
├──21--深度学习-OCR文本识别 + w1 @3 O( u, A; _
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M! d& F3 t2 [& s& H N: F% L! ~
| ├──10-CRNN项目代码剖析 .mp4 306.48M
9 \, h' I" O7 k! i; _6 @7 c: ^| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M B8 |3 u( A1 O ~. K. A2 L, `
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
! p; }, S# H2 ?" F| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M* r3 {& s: b2 q4 k/ y/ n6 Q
| ├──5-CTC损失函数的理解 .mp4 330.64M0 X+ ?4 A! u$ y
| ├──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+ n! u/ h* I" m& w( P7 ]
| ├──7-CTC前向后向算法代码 .mp4 225.41M% t2 z% t E* P- r1 @
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
) p/ E0 Z2 A& I$ v2 d| └──9-CPTN项目代码剖析 .mp4 491.69M) b) J: W& \/ g/ J h7 H
├──24--【加课】Pytorch项目实战
, v" L1 |' H" B$ t; N d* F4 l; e| ├──1--PyTorch运行环境安装_运行环境测试
2 r2 ~3 g1 K+ m: D9 s| | ├──1-PyTorch概述 .mp4 29.29M6 t/ x9 }' h! _% [4 b! x- @8 A) e
| | ├──2-PyTorch的安装 .mp4 76.45M- x# d' o$ B; [* Z6 d8 o: u
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
" Z5 g5 b+ g0 _9 h. F; A| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M% S& K5 t4 W: b
| ├──2--PyTorch基础_Tensor张量运算
6 P( h" z4 b' U; D. _5 O| | ├──1-Tensor的创建 .mp4 55.14M
3 M4 [+ I9 B( ]0 j| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
' ^- [( Z% {( j3 W, d0 D| | ├──3-广播机制_逐元素操作 .mp4 44.46M
1 b! j) s9 Z, K8 v* V9 i) M- q| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
7 d$ U% `* a% d) q4 {5 t* f3 p| ├──3--PyTorch卷积神经网络_实战CIFAR10
3 G( W! S& C( B" x| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
9 c$ A. K2 o; R& N| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M$ {# p9 {9 N. H5 l9 H- |7 E! B
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M( P# h4 `* I, k6 `
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
' `! x; q6 n7 S) a6 _ @5 ^+ m| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M- F- C3 p3 p6 | y. V* n6 _2 _: [
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M& E) e; m; y- I, @
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M! S9 y) S1 Z7 i5 m: `; [+ W0 N
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M- m" R' a+ E/ Z
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
; u" f6 C2 m b/ i9 @| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
: d6 d& w; Z$ t| ├──4--PyTorch循环神经网络_词性标注 4 y& I7 o& _3 b/ I
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M, q* o5 H# R8 i% [
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
, N& \5 c0 t) V7 ]8 B% a) @| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M" i& h9 s O5 ^) a- F& h
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M, D8 ~: p. \0 f1 V5 D
| └──5--PyTorch编码器解码器_机器翻译
9 z. k, Q6 w3 x- V9 j| | ├──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
5 s) x; l9 _ c" |" F| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
5 `, M2 ]0 e# Z| | ├──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: d7 T: M# b2 z/ U3 T+ B( e
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
- |% H \/ @6 c8 W, M| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M9 B1 Q0 e3 m6 ?5 l
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
$ s4 p( ^9 a0 B$ ~ n' k3 B1 {| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
X" y0 h4 D5 d| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
# b1 [9 O3 ]2 T, O9 z( [- b' t/ a├──25--【加课】百度飞桨PaddlePaddle实战【新增】 # y+ f( K0 g, u
| ├──1--PaddlePaddle框架安装_波士顿房价预测 , u9 M( g, M8 J+ G2 O
| | ├──1-安装PaddlePaddle .mp4 87.34M
$ T: \: r+ G; n1 i& z1 B| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M0 }, c; v: C: | B h6 b
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
3 {3 N L" h4 V; X, F" _| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
8 Y$ B [$ U$ j: k, M| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
- Y; L- z: Y% t* s| ├──2--PaddlePaddle卷积网络_病理性近视识别 ) q$ {9 B9 e3 \% T% m2 ~( c9 B
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M4 E+ P w4 m+ z8 P
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
3 q; a, \( C! ]( K# o| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
- A% ~; l" z. P! ^: v| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M& K s* a7 O' ^1 _2 t/ l
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 i* \! y: O& Y& ~( S
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M) ~7 }! x( y q( N8 @) 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
9 J( F3 _2 t) C| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M1 v% ]' i/ K3 @) }: A
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
9 X( j9 \1 e, H) \| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M- q5 I, T3 a# N3 ] u" j2 K
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M2 s, a3 X* z. K0 I6 X8 t* Y, S
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
$ V, J% y9 M9 U8 n& A8 t4 e% i) Q| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) 2 X. \+ ?( G2 P$ c8 H! l1 {
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M: |5 d, J9 D* w; @8 `' ^
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
3 Q2 c# @, G' [3 `/ e| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M4 i& q/ Y/ n/ A" }8 E1 `1 e; `
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
3 Y/ x% G0 w/ @| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M$ k) n, p" e) n1 P: Y- X1 T* Q
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
1 Y! p4 b" Z* y! Y6 \3 P4 K| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
1 b% }' ]; P8 t9 Z- L8 ^' F5 K| | ├──1-PaddleNLP_项目配置 .mp4 49.37M4 a/ r$ d" M* |4 ]
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M# `8 A/ i0 p% h" b; y( o* s+ o( Z
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M7 |; j$ [- l3 |" F' T9 t
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M3 l2 Q/ d( p: N/ m$ ~
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M, _1 x. q! T' R
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M7 [* G' B& z7 K @
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
* a1 o$ P" C7 n, c! x- e/ b| | └──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
# f1 w2 N9 `; c' S) @7 [| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
) D& q( ~) ?, }2 P- @' a& f| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M" Z. ~, t. K8 n G/ Z3 B8 _
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
4 L% n e0 Q$ ?| | ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4 47.78M0 b- F$ Y- Z$ b7 [2 P; I# z
| | └──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
3 O0 ^# d# Z. \+ x% f├──26--【加课】Linux 环境编程基础
# R- c) ?: K; J| └──1--Linux ; \6 G& k6 I: |) c j2 v7 Y
| | ├──1-Linux_课程介绍 .mp4 3.72M1 _ D3 m9 Q- t2 T9 }
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M" q5 A) Z: T" c: |* C0 l9 \7 g
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M7 q; A) Q3 |$ M3 R# G9 b
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
$ f9 c) P* Z$ R) j/ y }| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M5 q P) r3 ]8 C, _
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
* F& F0 F) G# v* a) O+ A! v. |; m| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
s4 b6 i& q! s| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M" a0 ~7 q% a0 u: w4 y; O2 b7 q
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
1 P$ g% e9 Q) E+ p| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M" V, g3 x! j4 r+ c, X
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
7 U* `' v+ V/ s| | ├──2-Linux_Linux简介 .mp4 17.59M- v: t. C9 I& o# h4 J* K' R
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M4 F, |$ B% t: E. D0 b# J3 |
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
6 D$ ^2 `8 ~" W| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M5 ^* u- v+ E3 G2 t: w. p( `
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M) v+ Y: h5 V# Y5 Z. {. g* Z8 X
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
4 c+ n* L$ r5 q| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M, q) f! h0 o# O m/ b
| | ├──26-Linux_安装MySQL .mp4 79.02M( Z1 n( R& @8 x: f e" K
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M8 `- D9 k- E. i8 I- s7 y" y, S
| | ├──4-Linux_安装Linux .mp4 41.97M
3 F$ G9 m6 S' o% f# Y7 }- {9 B+ R| | ├──5-Linux_目录介绍 .mp4 20.31M, N* U6 R, U; K: ?) o3 c
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
( _% O% G& L, F% i# E, l F| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
4 v0 F! C9 m! I6 B c: N| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
% \- I( ~7 o" f: O3 W| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M; v. m* t5 M$ J1 ^# A3 K: P$ F' E% ?1 p
├──27--【加课】算法与数据结构 $ t9 q' Z* ~0 B0 r
| └──1--算法与数据结构 1 ? p) A* G' H& U4 {2 i) x
| | ├──1-数据结构与算法简介 .mp4 35.68M
0 j' S* ?; D$ r% J8 o' ~| | ├──10-哈希表的基本结构 .mp4 54.34M
# s5 p: Q: |; {, P- o& c4 j ^| | ├──11-哈希表冲突问题 .mp4 75.92M0 w r" J& D' j
| | ├──12-哈希表冲突问题2 .mp4 72.30M
a1 @1 {0 u7 y2 l1 E6 M& ?| | ├──13-哈希扩容 .mp4 111.03M
" b0 k! ^6 P4 m* e/ G0 Q* k| | ├──14-递归与栈 .mp4 50.77M& Z% \, i. A; }+ R
| | ├──15-线性查找 .mp4 57.80M, P8 m/ d. D5 e3 p
| | ├──16-二分查找 .mp4 52.32M
1 i$ o Q ^# ~ r| | ├──17-冒泡排序 .mp4 53.19M. a6 C4 a& B3 Q* w" o8 d
| | ├──18-选择排序 .mp4 43.29M) {8 ~9 e7 [: `3 Q* L. R* c
| | ├──19-插入排序 .mp4 31.39M5 [3 b4 c( |, E2 B- i* |# _
| | ├──2-大O表示法 .mp4 25.59M
5 |9 n8 g. N5 @, J; A. M) P| | ├──20-归并排序 .mp4 84.48M( q' G. Q9 a- D. q Y% B' i
| | ├──21-快速排序 .mp4 36.63M
, M R7 s. A: S* f: R1 {. v| | ├──22-树结构 .mp4 96.85M
% r. M) V8 U6 ?% M| | ├──23-树结构的遍历 .mp4 61.05M5 Z' f* h1 i5 m1 A! w2 \5 e
| | ├──24-最大堆的增加操作 .mp4 45.43M" @- E( S$ J% m1 F8 `% V
| | ├──25-最大堆的删除操作 .mp4 45.63M
9 {9 r/ d; B* ^| | ├──26-二叉树的查找 .mp4 100.24M
& i7 L- n" g& T5 R2 f) n# ?| | ├──27-二叉树获取最小值 .mp4 25.21M
% F6 ]8 S, g( f M1 ~| | ├──28-二叉树的添加 .mp4 72.66M9 H3 x- ?" p$ m
| | ├──29-二叉树的删除 .mp4 120.06M
! h! |: u1 d. O9 C" n| | ├──3-线性结构 .mp4 53.14M& ]# \1 f! I2 s$ @( Z
| | ├──4-单线链表1 .mp4 68.36M# \; y. g! d. m. H* d7 l
| | ├──5-单链表2 .mp4 221.69M
2 i5 r1 J2 G4 J, N| | ├──6-双链表 .mp4 103.57M
% B4 d' P5 k2 d& @2 X| | ├──7-队列(链式) .mp4 74.12M
, d- ?. ?1 ~; }& M; n; J| | ├──8-队列(线式) .mp4 30.99M
1 N# [2 H7 C. `5 Y| | └──9-栈与双端队列 .mp4 28.12M
4 G4 |& W) B1 W# k$ U( I% Z8 R├──3--人工智能基础-Python科学计算和可视化 $ D$ x, {- y/ E; |- g1 L8 |
| ├──1--科学计算模型Numpy
1 a! B- z2 D9 I5 a( {| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M6 F* K: h* V. K s9 Y
| | ├──2-Numpy_array_arange .mp4 35.45M
1 O8 v1 R6 M2 |$ i8 `- I' R| | ├──3-Numpy_random随机数生成 .mp4 50.54M, a8 c* g! H4 H- J* a8 P
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M, a3 P7 `: @3 N d) I! R
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M' k, @7 i6 K2 A. J
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M! R6 C3 _, j0 l- M0 l- a
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
7 h$ H. [# ]" R' s" y8 m| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M4 p/ K3 r& m+ p- Y
| | └──9-Numpy_聚合函数 .mp4 23.68M/ D( g: p7 C6 Z$ p; p8 q2 M
| ├──2--数据可视化模块
/ e# S1 x5 b2 S| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
8 }, @" O- g* d+ M+ ?& k| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M: \( J7 D' E) y2 L4 A! t
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M w. q. g, _! S7 I6 t, b, I1 _
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
* M3 Q" {/ q! |- || | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
: n+ z. v8 x7 x6 B! u| └──3--数据处理分析模块Pandas ' v1 D( D+ w0 Y/ }# s/ R
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
! I8 v; n2 B" M' S r& D4 W3 y| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
; ?4 l7 I( ~! i2 v7 p| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
" T/ b4 v7 W" e3 o| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
|/ W$ f$ c" b+ D3 B7 {| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
+ K0 p5 K. _" Y" `| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M7 k0 z6 g; _$ j0 E* n& C
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
9 m8 S R0 I% T3 ~├──31--【加课】 强化学习【新增】 ' \( D$ d' \, p/ I8 u
| ├──1--Q-Learning与SARSA算法
& X: Y, Z& d7 j, y& e| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M' i, ]# j1 X/ h2 {; c6 G" m" ]( @
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M6 k, {5 |0 C; e8 n% q
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M: C: k' A) K; l1 W* [ [
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M3 m* R$ w& ?, r/ g0 p
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M8 y% A, I% k) A
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M. s/ ^* b1 z) A: K6 ]* n2 O R! t
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M9 U+ q# }- l$ V
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M% B- G1 k" g8 ^& i6 W r2 c! _
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
" m. b* G1 I/ K* x1 N8 s1 w* c| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M% q0 O- n. P- E* N- @2 c% K
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M' l- A8 @, N6 @
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M5 K' ]3 l9 L$ m: F
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
* h) S9 f; _1 p8 M| ├──2--Deep Q-Learning Network # t: }" X4 X# G# j0 D
| | ├──1-DQN算法思想 .mp4 59.24M) a0 S5 E; |/ {( D. W7 M& C
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
$ @3 v3 a- O) X4 A. z; q# [" D: e! L| | ├──11-DoubleDQN代码实战 .mp4 44.49M9 C, w0 O2 r6 ^& V: E) V
| | ├──12-DuelingDQN .mp4 88.12M
; [ I6 f, Q' y; a0 {| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M5 s+ O# E S8 t C* C7 L: r# G
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
6 i$ Y1 i, T& N+ ]| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
! X; U. b+ L! [. w| | ├──2-DQN算法具体流程 .mp4 56.17M6 S7 m6 D* J3 o
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M; l; M7 P7 \7 M, S" J/ Y- ^9 u
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M" ~/ A+ c% j7 @5 E1 B" g5 l
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
E6 J/ @; Y' ~. I! v| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M N" [5 i+ B6 c+ ~5 k2 \
| | ├──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
6 j2 a% T. I; `5 c; [| | ├──8-代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小 .mp4 58.93M
, C$ `) n) T* F! b| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M- A, s4 d* I1 J8 p# V
| ├──3--Policy Gradient 策略梯度 3 Z) m4 P4 l- t% s; H- k" G1 ^
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
" S, |4 H1 t$ |, C1 l' v| | ├──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
5 T5 U( C% N& Z| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M6 A1 g+ w) d6 U$ `: @ Y5 o
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M& Y6 F7 R( I5 `7 X! d: w8 U, X4 |; c, _
| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M2 m0 B( q+ e3 }1 ]
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
- P, g( D0 g( {| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M9 W- w$ c; P( M5 Q5 n
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M2 T7 [1 @, H" F, p, f; a6 ]+ P
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M6 R0 U3 l' _ m4 C8 J
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
6 h" Y8 ]5 B$ b+ q5 a2 m3 r| ├──4--Actor Critic (A3C)
+ k7 V1 @5 l. s9 c0 Q( P* v| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M6 Z, @! j4 R. S1 k" a7 y6 `- z- s
| | ├──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% A. v5 K. a2 s4 u3 I
| | ├──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+ {7 Y- l3 O+ D, e* {" c
| | ├──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
1 K4 A) a9 f* E& X| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
" V1 w, a. o. g( j `! @- z| | ├──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 x( B* z# H: B8 p- w6 k1 }" U
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
& l' I3 s% s2 |' ^; z| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M0 W* N* v) {/ N* i$ P+ E, j
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M& I, T8 `+ T; B& p# Y' y
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
. E1 e, x! h; V: w) ]| | ├──6-A3C架构和训练流程 .mp4 74.66M
2 A* _5 y- A; o5 ~3 V| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M3 @! o0 @7 M- ^- O. Z
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
/ ]3 X; o* P; F0 N$ M6 o& o% c) x1 o: P| | └──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$ z% |- e4 A# `7 f0 T1 w L/ E( d- N
| └──5--DDPG、PPO、DPPO算法
# P, ^, m9 }$ q5 ]| | ├──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
; C; U6 U" z3 Y; a% `* \' \| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M0 I# I. c/ @5 D. {" \0 C6 R
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M: q0 C$ b5 @5 g% Z& ]% q5 l
| | ├──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
% b8 e, ]: ~9 y| | ├──13-DPPO分布式PPO .mp4 63.81M
* b2 k5 V O/ o" l! Z0 ] Y$ _| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
# [2 r4 b. T* I) T, [| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M$ Q0 e0 C1 s, a1 p! j% d
| | ├──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
/ e0 J# u$ n" c; d7 y1 `* v| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
- [" {# [7 t+ b, [/ {& x| | ├──4-代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示 .mp4 44.17M
" `* W# y% A/ |' V5 f: N- K% ]8 G| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
. _; A) X3 v% T# I; |6 ^| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
. V0 }" O, {& ^' T+ d% D' K* m| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
/ ^ j+ @/ q8 ?6 v+ P| | ├──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
! A y |) R, H% I! E| | └──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
A9 j+ O. V0 t' N4 _( N! J├──4--人工智能基础-高等数学知识强化 5 c5 _8 A; l$ K) D) r9 E4 G* G
| ├──1--数学内容概述
5 o7 K- f: _% D9 M9 e4 J| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
0 l I" b' d, d$ w4 A# l3 v| | ├──2-线性代数_概率论知识点 .mp4 26.81M6 D6 I O: D& F2 k6 A9 u/ T
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M! g: \* \5 Y; m
| ├──2--一元函数微分学
# A6 ~1 z- Z4 ^; z; L' Z| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M7 s3 a& b7 Z- }! T6 x
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
6 F* z2 C7 A2 V: K4 G) b( v| | ├──3-常见函数的求导公式 .mp4 22.76M i" e$ Y1 @' k0 [
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
. K z) o# l# G- |6 v: Q| | ├──5-复合函数求导法则 .mp4 19.68M3 B0 c! ?2 u% E4 C7 \- C: r
| | ├──6-推导激活函数的导函数 .mp4 33.40M: `, w# A8 j/ b9 B+ ]) W
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M$ |, F; ]7 X3 f% l% k
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M! }* \* d$ |5 w- q
| ├──3--线性代数基础 ; I5 ~6 J# d8 O* H0 ]! N
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M8 e3 C# W- ~3 G0 s5 u
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
' W" X% s- n- J) b3 h| | ├──11-矩阵的行列式 .mp4 20.13M# d; P: |. O1 m2 O
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M, g* c+ G Y" { |
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M+ K- b3 V! P5 Z& A' \, e/ y
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
6 M$ J. l' s- q1 V, e: ~7 @| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M b" V! ?2 w! i6 P! ?: m9 N
| | ├──6-特殊的向量 .mp4 26.45M
2 w0 q% B! G9 G5 E- [- q7 E| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M: e5 e) Y* g8 p5 Z1 e6 n& t3 o. @) B
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
. }: @4 z$ v$ J( `2 D8 v| | └──9-矩阵相乘 .mp4 20.02M
# W r/ Z2 t- ]( N| ├──4--多元函数微分学 ! `( l( U+ Z$ y7 O J; j
| | ├──1-多元函数求偏导 .mp4 22.61M) U6 J& X- g$ e5 Z
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
9 V0 H$ a% P" s# d9 F# @( c& S2 ]| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M( X. b q2 z% |
| | └──4-Hessian矩阵 .mp4 32.93M$ A' y2 {- V9 q5 K4 G1 _
| ├──5--线性代数高级 & {( @4 Z! n7 |3 t1 s
| | ├──1-二次型 .mp4 27.70M
/ p. P% @1 J3 H+ s. S| | ├──10-SVD用于PCA降维 .mp4 24.90M% |8 \5 U2 } F
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M$ f2 {% r5 h( ]3 F8 L' g6 V+ W
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
7 d! p" E. S' t3 r9 S3 h| | ├──3-特征值和特征向量(1) .mp4 29.83M& S. W0 @) I* n
| | ├──4-特征值和特征向量(2) .mp4 30.07M" s4 Q" h t7 ^) m$ [
| | ├──5-特征值分解 .mp4 38.68M
1 D) U/ V# D# b| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
- {, M& M5 ?1 m) j, y| | ├──7-奇异值分解定义 .mp4 22.58M
. X9 E1 ~: o6 j, p. w+ c| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M( z' i V/ u) X3 o7 |
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M, ^ s" \* u! _8 K8 W' r J
| ├──6--概率论 ! t' A; x: [9 p5 C8 c3 {8 n; |
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
" p6 l3 O+ C& `* K& f| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M- A; Q* U% F w0 E( N
| | ├──3-随机变量 .mp4 22.57M2 J; W9 x# u! _8 \. e- w
| | ├──4-数学期望和方差 .mp4 22.96M; z; `6 T# D0 B' ]) t6 q
| | ├──5-常用随机变量服从的分布 .mp4 22.48M' N0 K$ x0 r/ @' }7 x3 e! T
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
6 b/ ?; Z& L* W% y' j! n% Q| | └──7-最大似然估计思想 .mp4 23.42M8 d5 ^' S& e* }1 L/ t" t
| └──7--最优化 1 R( F& Y# A$ s" U
| | ├──1-最优化的基本概念 .mp4 35.14M
% Y- `* {* X ~5 D| | ├──10-拉格朗日函数 .mp4 27.46M& a* @9 ~# C o" T, X2 F% ~
| | ├──2-迭代求解的原因 .mp4 20.15M* Y1 S2 {: ~% V1 x7 A6 R
| | ├──3-梯度下降法思路 .mp4 26.33M$ z# K& O" `3 K0 g% o0 S1 L
| | ├──4-梯度下降法的推导 .mp4 43.56M
' ]* B0 Q6 Y- y1 a7 l3 D| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
: G9 r" y! m R7 j2 d* |2 ]| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
- u/ u- e7 F: w! E| | ├──7-凸集 .mp4 21.90M+ A* n" G% y( E/ k5 r
| | ├──8-凸函数 .mp4 16.93M& Y7 |3 u2 ~/ v1 l
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
3 A8 L! b' [( g+ Z$ w├──5--机器学习-线性回归 " z: d2 Q% z* z2 O I
| ├──1--多元线性回归 % H$ K+ S- ~" `% A* k; G9 v3 K
| | ├──1-理解简单线性回归 .mp4 51.11M' S# J& ?( p" R% s
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M5 r1 q1 y5 G- m- W3 k: T
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
/ o! s, @7 p `6 G8 c| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
; F( c6 J. u9 V2 b! h- O2 K| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
t5 o4 s* i4 L| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M6 U! Y$ d$ R1 o
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M$ L0 h4 d% W/ o* t2 \
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M" Y- ~7 f. r9 b P, G. ^
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M3 T" r% M) M( k P/ N" g
| | ├──18-解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形 .mp4 48.31M
6 ]' N( o P8 n2 ~4 \8 ?| | ├──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
9 G( j- K8 g6 ?( j0 H _( e| | ├──2-最优解_损失函数_MSE .mp4 39.58M- ^/ [, Y8 V* Q6 ]+ ]/ B
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
* d3 Z( j' Q3 u2 B2 X| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M+ B; s1 y1 R* y) o; k4 ^
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
4 S; e% R+ P- I( s: W% J| | ├──3-扩展到多元线性回归 .mp4 32.15M
3 f9 z- ~, g- I| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
& Z* W$ v2 P( w( X9 b+ j3 o| | ├──5-理解维度这个概念 .mp4 41.41M
- d/ _# M% ?# G# X2 {. s" G| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M8 t; k5 q, g! l. N1 B
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M- Z: C( Y$ V" q4 c0 @* [% G: G8 g
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
& l. |" `/ e0 d2 N+ T| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
R2 ?8 D B1 \' q$ P| ├──2--梯度下降法
, d) }4 b/ R! m( j+ f| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M6 O' w: @7 D/ H, U" j9 _" }9 h" W( S
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M7 t- v! L/ B3 x: q
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
' z: I# N" N. q% [0 ?0 a/ {| | ├──12-代码实现随机梯度下降 .mp4 26.67M8 Z' `. y3 ]0 O
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
$ C4 X, x; H! C2 l f! O| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M) T/ Z# ?0 ^, 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 J) S# `+ C2 `| | ├──2-梯度下降法公式 .mp4 57.12M6 ?/ j- i% O g* Y( E$ _1 L: ^1 K
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
& `. X) y5 e0 C3 u| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M d3 h- ?: f) S1 z1 h6 K
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
# X6 J. L( b& d6 o; m7 t0 M3 ?2 b| | ├──6-全量梯度下降 .mp4 62.84M) K) ?0 D0 d/ L. H
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
5 P% |+ l1 v9 O/ D, ]| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
9 m9 @) g3 e* v3 m: i9 x* \| | └──9-轮次和批次 .mp4 45.22M
2 W; o; U1 F( w. D1 j! M5 F| ├──3--归一化
) z' i) N4 }6 L/ V# Z1 \, s) {8 w# b| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
2 k Y3 _6 Z6 _% T| | ├──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 34.11M2 X ?9 r$ m. }7 P
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
: r) U" z- O p0 j# J" C| | ├──4-最大值最小值归一化 .mp4 24.87M
" E/ Q' m+ B! d0 [0 V| | ├──5-标准归一化 .mp4 51.86M, a' b0 r+ t/ G) K
| | └──6-代码完成标准归一化 .mp4 41.13M
. i) q; a- X! w2 Q1 [! y| ├──4--正则化 . H( b! O4 b$ r; o
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M0 e0 V7 h* V9 _7 v5 M9 v7 Y
| | ├──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+ u6 A6 f- }- U$ r! `' S
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M4 X0 y4 S y: Q3 n+ D/ J
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
3 S: j7 [. t! s; k2 x1 S3 D& P| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
) d* F/ L' c& d: E| └──5--Lasso回归_Ridge回归_多项式回归
0 j# c8 [9 N% n3 \| | ├──1-代码调用Ridge岭回归 .mp4 76.32M; E! g& \+ ^2 `: @/ a
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
! Z4 m' @8 y3 s" {| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
3 x/ F$ R" i1 S. I| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M9 w: Y M: }6 m& o. T
| | ├──2-代码调用Lasso回归 .mp4 28.73M. Q' S. E9 }1 z7 W
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
" x& J. H* ~0 A& K| | ├──4-升维的意义_多项式回归 .mp4 48.06M
' t! L* o2 J: _* x) q1 w3 v5 ~| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
3 c: G4 q/ `& i# i3 Q| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M$ R3 w) A/ P6 \5 o' E' B& q
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
; ]% j' g3 f! ~6 Z$ m4 E| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
- w7 S. S6 k; X# [' w7 ?| | └──9-实战保险花销预测_模型训练和评估_选择非线性算法改进 .mp4 84.12M3 q8 P6 J& O/ q& i9 O9 q; i
├──6--机器学习-线性分类 & G% W7 ^) `) `1 O& l$ O
| ├──1--逻辑回归 ) n; _" V7 A# i1 ]+ N0 e; M( G
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M6 {9 T* m; d; Q; n; h$ r( D( i+ T# H
| | ├──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/ x4 g7 O# f6 S# K# P
| | ├──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' \1 U7 ~+ s: n; O0 T
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M1 K Y4 j0 ~! V2 q0 ^- [, Y
| | ├──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
8 y0 @. @$ S" w( A' Q; a| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
, t. _) x" {# v3 p8 @5 g( V| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M6 x, M* i$ P2 y7 {% `9 t6 a
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M2 H7 W L- A. E' Z- Y! t
| | ├──2-sigmoid函数作用 .mp4 38.15M' s5 h& v- K2 k3 m) k& i
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M" g" W$ Q2 U8 a* _; b% ^$ [6 _! L
| | ├──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
' R b9 w% l* [2 \| | ├──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% o8 U. e4 y: p
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M% y4 T+ ?6 T" O/ P Y# ~ W
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
) e5 t3 g, T1 {9 n2 i| | ├──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; F* e5 i$ ~) t2 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
G/ `3 k& W6 q8 B| ├──2--Softmax回归 9 K5 s, u& z. `" d
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
$ C# r4 q. D8 i1 l8 r| | ├──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
8 K; q) u8 a! X6 e% B H$ q| | ├──11-实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果 .mp4 49.16M
r9 K% J. I- g( Y; [- O| | ├──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 47.67M2 K9 w) K0 n* E5 l! g$ {% b# | `
| | ├──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- O8 F+ S$ i6 b: ^* h| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M8 O# W4 N/ t. w L" e) k* S; i0 Y
| | ├──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! {9 X6 c% Q& y
| | ├──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
, k% k1 J9 W+ F8 ^/ y| | ├──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
~" J: p; @2 b* I| | ├──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
. O* g& P! l* R. s6 n3 M7 ^| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M: }' y9 k! q, Y: D) U; `- K% j
| | ├──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, g7 ^, @: [% z9 u
| | └──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
' w# A. E6 r8 ?| ├──3--SVM支持向量机算法
9 B& H: D f9 ?) W8 |8 s| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M+ ~5 m( E ^( r) T2 H
| | ├──2-SVM的思想 .mp4 55.56M
6 F4 B8 O ?; a1 T| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
* N1 U* {# B8 k+ W# g) \| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
8 J. X2 A( X! H/ a9 I6 t" t$ B| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M$ k2 B% M$ F7 R0 `
| | ├──6-总结硬间隔SVM .mp4 39.01M
1 P, F8 |8 \7 Q1 h* @| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
+ {. H7 n, D, a# m2 {+ C| | ├──8-非线性SVM .mp4 54.43M
* \ t' O8 W3 P2 A7 O| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
1 X, T A/ m% ?| └──4--SMO优化算法
9 B4 f. k0 D0 _7 j- Q8 x8 Q| | ├──1-SVM算法流程总结 .mp4 58.36M: f+ Y( h# P/ \/ F0 R
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
0 x6 l* Q" a( o. a| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
$ p+ i# d' a8 u1 i| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
& }+ e: i! Q4 o: D| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
5 j$ y7 H# ]# q| | ├──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
: W. ?( y, p) m$ h3 X# C| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M6 P* v. h7 Q; d. o& i+ k
| | ├──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
: T/ y9 V6 B; {9 ]6 q' k8 P| | ├──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# _# ~! N3 O/ r5 N$ C& J, g5 f; U
| | ├──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
+ p# C+ ]3 X$ u7 S| | ├──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
5 v- b3 F6 }! k" v| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M. ^+ `- J0 S' w1 M3 P
| | ├──7-启发式选择两个α .mp4 23.11M+ X0 L+ [" o: ]$ M) @* v
| | ├──8-如何计算阈值b .mp4 50.18M
4 b3 ?. C0 ~1 d* X6 J6 V& ?0 a \$ E9 W| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M x# ^; N4 k# A& j
├──7--机器学习-无监督学习
) b& A7 B2 p) j$ E+ q| ├──1--聚类系列算法
4 t' o+ s( N# v1 G& |) A4 N| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
7 q. {8 e! {! i: T! R+ w| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
7 m; F+ Y5 Y+ G7 a2 {| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M( c& Q, ~0 X9 |* P
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
4 A& N2 X( {1 E# c% F. l/ r! a| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
* G' ]$ B; l# p3 y/ w| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
; T2 c, T4 c. C3 H" v6 o) x9 z| ├──2--EM算法和GMM高斯混合模型 9 j# H* ]$ U6 `0 J) h
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
6 |" C9 u7 P( a5 @( T' r| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
9 k- p: e! P1 ?. y4 b( Y- {5 N$ e| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M) s! `- ^# D4 {
| | ├──4-Jensen不等式的应用 .mp4 109.17M
# l0 a8 I" s* Q; Y0 B1 W; }! v| | ├──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' c/ y+ S v4 [/ _" x
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
1 q2 B8 I2 e4 r| | ├──7-GMM前景背景分离 .mp4 16.01M
) Z9 [* {/ N1 s1 a3 k5 _& ]( V| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M0 [8 i. b) |3 B/ S& E% V6 q! }
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
- k3 ]2 s1 t( W- @$ ^& \0 e9 d- I| └──3--PCA降维算法
* x: m n" z7 q v# z% x/ [1 o| | ├──1-特征选择与特征映射 .mp4 49.38M
2 l. j# S3 b/ t7 \2 O- Y| | ├──2-PCA的最大投影方差思路 .mp4 186.75M! u" |& M+ d. u2 V. g" S7 O' D
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
0 G$ E/ c0 M( P( i# W, k| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
1 F: k4 e# \0 b" Y" k| | └──5-PCA的几种应用 .mp4 54.58M) k& A+ d! j" P1 F% Q# A7 C1 g
├──8--机器学习-决策树系列
9 m: ]4 L8 r9 w% f9 b; J" E| ├──1--决策树
+ `- t. N' o$ Q2 {5 x' |! W- G| | ├──1-决策树模型的特点 .mp4 74.88M
3 q1 O. z$ i& @# Q+ b6 I2 s| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
2 P7 O+ ?+ M/ S' N" i. C| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
x* e t; W3 E1 y& Z| | ├──12-后剪枝的意义 .mp4 50.49M
+ O6 |. Z, d6 C' v" j3 A| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M# J/ [$ E" A( b% G9 A. D$ ?
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
2 N. [( J$ F1 E; I% F( f9 Y/ v| | ├──2-决策树的数学表达 .mp4 89.94M2 P) W$ o3 E2 c/ q9 B9 h! v8 C: P
| | ├──3-如何构建一颗决策树 .mp4 84.87M
4 @# v) F2 h7 s# [5 P$ K! x; y( Z| | ├──4-什么是更好的一次划分 .mp4 57.02M
7 {$ j) I( |& W, H| | ├──5-Gini系数 .mp4 107.54M- I" [# O8 g3 [1 _! V
| | ├──6-信息增益 .mp4 75.26M/ M+ V% A, J" @1 c1 A
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
7 K; H) H% Q+ c! Z8 E| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
3 d7 E& V8 P& w- @: B| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
7 i6 ~& i7 C t5 @: x% S9 ?| ├──2--集成学习和随机森林 - i/ ]$ P0 v+ ~6 [+ O8 {( |. G) K
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M8 i+ ?6 p% c, K5 h9 h. \
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M4 M4 u6 `7 R @9 p5 x3 M
| | ├──3-随机森林 .mp4 108.14M$ D+ }# W7 l: z- u E* s
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
4 G) \& |2 E3 z9 z* S9 {| | ├──5-OOB袋外数据 .mp4 106.07M) c& Y3 D( L1 k8 G/ _' M
| | ├──6-Adaboost算法思路 .mp4 106.30M
5 p: I4 @+ i1 n; d& N$ F| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
# w5 S# s, w5 j5 ^+ e3 O| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
2 J% ?" t* R$ I) ]! Z# P| ├──3--GBDT
( F" X/ ?3 M; b2 z6 A) @. A1 B| | ├──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' f: I* k2 m | N3 ]
| | ├──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 72.09M6 [& P% }! s$ s! n n$ Q9 u
| | ├──11-GBDT多分类流程 .mp4 73.80M
1 `5 w* t Z$ m9 T| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M5 v- c z7 P$ S! b1 J; m. ?
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
, ]5 }" A% o& Y9 Y$ K6 E| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M5 e) l8 i% g2 z( X2 _
| | ├──15-GBDT二分类举例详解 .mp4 86.67M* _' }, q" ]; W- c1 _ c+ H
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
, ^* N: m( g0 T) |: ~| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
( I* }8 y1 {% p& T- o# B| | ├──18-GBDT用于特征组合降维 .mp4 43.72M' u# ~/ L8 k. g. v* A- A
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
, s' z# J4 w: |6 ^| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M. S: o. L4 u& ?! R$ ^; x
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
: C0 h/ q7 u+ \' G6 n1 || | ├──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
) b8 v% A$ e: f, i8 y* C$ f$ W* Y| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M6 t3 D. Y2 _# b/ I4 q4 B
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M& N$ e! _7 q0 w( v) P+ \$ l
| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M3 M" @( N1 Z a" d2 b
| | ├──4-GBDT应用于回归问题 .mp4 84.66M7 I4 i+ [' S0 [; X+ u
| | ├──5-GBDT回归举例_总结 .mp4 108.52M# B( K9 p5 @$ s2 w( X! h: e
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
" Y# O* B& _% `; }* o| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
& k8 Q" q5 e" Y7 J" B| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M& M N. w1 W% A2 X% E1 h& H
| | └──9-GBDT应用于多分类任务 .mp4 73.34M5 h5 U$ c7 f- T* z
| └──4--XGBoost
9 s3 Q ]. H: }, e' _7 u| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
# _, t8 `/ |+ M" j| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M2 c1 v( j4 ~0 @4 B1 X: H R: I
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
+ L+ Y/ J' x9 L4 g| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
?* @/ F. R0 a. a| | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构 .mp4 106.69M: z2 s7 y( l; E% ?, Z3 j3 ?
| | ├──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 73.80M6 C2 h+ ?. }+ a3 z5 q" P
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M. v) {1 J( w. H7 ~/ }
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M4 @/ `0 x( j& i6 Z& ^7 P) u& f
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M7 C) D6 n: t/ l' R
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
) C, I6 v: u" m" T. y) n3 J5 H8 o| | ├──3-基于树集成学习4个优点 .mp4 91.36M
6 d/ n- n' Z; c% _% Q6 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
0 u! I/ ?3 j7 A5 s9 [" W| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
$ {7 C1 [ V6 Q/ m1 ^2 W7 m( t| | ├──6-Objective_vs_Heuristic .mp4 60.42M
7 ^& Y6 T4 L1 W7 G3 W# e- x| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M2 d8 ^% y% J% W' l: R/ ^7 }: n
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
; o" }/ T- C( R4 h! O1 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& K& p; c* Q8 [- f' ]+ z
├──9--机器学习-概率图模型
4 f3 @6 M' d, N. ~| ├──1--贝叶斯分类 . }/ ]- q6 P6 {* V- R- S) R
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M( T, I$ p" p0 S5 C
| | ├──2-TF-IDF .mp4 53.08M
1 c3 X8 s+ q3 R7 F# z0 m& ^7 y| | ├──3-NB代码实现解析 .mp4 126.73M
1 v+ i% E: v( {) Z5 z W| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M! ^9 H& c/ p, A% A8 `3 H/ Y2 f
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
" L6 l! s* i! c, K| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
* T0 R; ~. R7 y| ├──2--HMM算法
* n% e: }" j& K4 L" W| | ├──1-HMM隐马的定义 .mp4 36.82M3 P2 r# X+ H) o# y8 Q0 u( h8 I* [
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
" ?8 f4 ^4 b6 g/ y& I: q3 ^| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M/ A, S- c1 Y; ?& S
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
; D/ J0 ~6 Z5 q$ m. @. z/ \: \| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M/ m) ^& q# }, e# C8 I$ W8 P
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M$ Q- [6 F, B# h( Q
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
& V G( r0 P, Z& p4 V7 N| | └──8-Viterbi算法代码实现 .mp4 42.43M
/ w& L: e' k, F9 ^+ w! f' M+ A3 H| └──3--CRF算法 , _ ~, p2 \; Y0 r6 h3 ?8 ^
| | ├──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+ Y, V5 ]/ ?2 E% d2 w5 @/ V
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M7 w1 P N! H2 h6 N a' p" U. L h( Z
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
! @0 [8 O; L) ]) f" h: d) C| | ├──4-EmissionScore_TransitionScore .mp4 61.33M+ l: W) g- G8 @& m. }# ]' ?
| | ├──5-CRF的目标函数 .mp4 23.74M
$ [' h# ~# k a6 t, G* B| | ├──6-计算CRF真实路径的分数 .mp4 50.37M9 Q+ V0 a; S. x" u+ E5 g n
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M: O; B% g) Z2 V# \9 r/ _# r1 C
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
, P8 L# L) f4 }7 ]) x5 G4 R└──课件.zip 2.54kb
; l: J' y5 o+ v8 ?$ v0 G1 M% w$ z4 I) R$ O4 `6 B/ g+ W
4 u; [! o( x3 F+ f2 G% i* k4 h2 z# P1 N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！/ N3 r7 E0 ~2 x" j8 k! G1 U4 ^
( O7 j3 `. U9 @& c4 W/ F# I/ j u$ Q% l7 Y( n
|
/1 
