战-人工智能2022/7 H$ N7 O- ] U) X
├──1--人工智能基础-快速入门 2 R, Y' M6 t/ X; p$ w( O
| ├──1--人工智能就业、薪资、各行业应用 & z5 {3 S6 L- L; |+ {1 e
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
5 W) a# Q! j7 ^/ N8 o& [| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M. Z; w+ r& c3 L0 p6 ~
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
& E- I7 @0 z! ?& J1 u| | └──4-人工智能在各领域的应用 .mp4 57.73M. s+ |" \5 X+ ?0 b \& p7 S" c
| └──2--机器学习和深度学习、有监督和无监督 : S4 X/ Q% z3 L. Z- E
| | ├──1-人工智能常见流程 .mp4 89.62M6 X" U9 L; R3 e/ K5 K, m
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
9 b* C) ^! l. L0 E* W| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M- Z% ^0 ^: n; ?. M- [6 [# d" d
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M( h2 o/ c8 R6 j" H; Y
| | └──5-无监督机器学习任务与本质 .mp4 50.15M6 ~( x. S% M G$ L
├──10--机器学习与大数据-Kaggle竞赛实战 - H2 A; e; R1 k( g& J8 Q
| ├──1--药店销量预测案例
" l* h" \9 F/ j| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M! o8 \0 ]" h* X: X2 |3 Y- `
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
7 V) l3 l* S' o7 Q| | ├──3-自定义损失函数 .mp4 21.12M; n0 g4 _& q5 z. j$ D
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M6 N; O2 K' H/ N E9 t& g) {9 Z8 ` k
| | ├──5-数据的预处理 .mp4 111.81M
7 {: g9 ~8 Q, M+ C% j2 d$ H, || | ├──6-模型的训练_评估 .mp4 66.64M; g1 c; ~; H% v8 W8 X$ m# j
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
7 v, d6 G! x* E# G2 E# X| └──2--网页分类案例
4 H0 _! G }" f; ]& s. K) i| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M* F3 j5 w p; x" p5 q
| | ├──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
% a" c2 K2 ~ 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 68.80M7 A7 t( r, p) X- w2 W& }
| | ├──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 74.74M3 G4 F8 N2 R T8 M
| | ├──2-评估指标ROC和AUC .mp4 56.19M- F! t: r0 c7 \; X9 M
| | ├──3-评估指标ROC和AUC .mp4 49.03M5 V9 R0 U* t, m. z# I
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
2 }7 V' f p. M, p/ f4 G| | ├──5-数据导入 .mp4 68.41M
) U9 q$ Y, j6 @" I5 }| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
6 e: w" L; O, A| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
3 i5 @$ i6 E/ r4 |7 n| | ├──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
. ?8 e% O, X/ L# J4 s' h3 u& i| | └──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 87.47M1 B' c4 l9 v; X1 l* k8 \
├──11--机器学习与大数据-海量数据挖掘工具 - N) i& _0 }, v* [' {# w
| ├──1--Spark计算框架基础
; \# z3 L0 O. ?, I! l! T| | ├──1-Spark特性_01 .mp4 41.68M& D) ~# a; ?; g1 o4 c
| | ├──10-分布式计算所需进程 .mp4 26.30M/ `& n% _+ n+ E3 m9 R
| | ├──11-两种算子操作本质区别 .mp4 56.31M
# }: F& @* O, ?3 X Q! U% }/ r# X| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M- b$ M4 [. A; P# ^& H) W
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
# v I( o- ]; P# [0 |0 Y7 W# ]| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
( k8 m- `% P- ]8 i4 c; S| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
6 S' h9 O. c) L' G3 C| | ├──2-Spark特性_02 .mp4 35.15M
" G8 ]" ~! S. a; b2 N| | ├──3-Spark对比hadoop优势 .mp4 19.34M
5 r; h+ Z" U: s4 v: ^| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M/ v+ f6 u" n6 u9 r Y5 N: G3 D
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
. i. I2 S! ` f5 o* x% Y( s5 G* _) I7 w| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
/ C' a! U* O- S4 t/ v8 `% _| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M, R$ b% c. E2 l3 Z0 y- M" H7 U( ?& b
| | ├──8-Spark的RDD特性_01 .mp4 33.08M$ c ~) K- T/ @% ?( o. H& S& o
| | └──9-Spark的RDD特性_02 .mp4 33.41M
& W$ p; |6 U8 ~# z5 N$ J! f0 b| ├──2--Spark计算框架深入
( X+ K% {. A m/ O| | ├──1-Spark数据缓存机制 .mp4 54.43M
2 e* b7 U' V( M5 R| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
$ n4 V; P# y3 d" l+ m8 C7 L6 T| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
' p Z$ N5 x9 C5 e" O5 y( ]| | ├──12-构建LabeledPoint .mp4 111.08M
, d* N# `! l) K' J7 y| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M( K' _( j: p. r9 D+ e
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M! \+ [4 }" m8 d- D9 _3 s
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
8 Q5 h$ y; u! M5 M" H8 o| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
! Q7 Y/ J4 N9 |# v6 i; ?9 y| | ├──5-Spark术语总结 .mp4 89.66M- s2 m9 W0 _! K
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M P. E" Y- f0 n& G/ \
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
; _! y/ E( a( c# g* a b2 ]| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
/ K ?9 q# k9 M7 b- c, t' D1 H| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M0 ?+ U& o1 S( H! S: I
| └──3--Spark机器学习MLlib和ML模块
6 b8 p' p" S" p5 D| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
b4 N; }+ M3 k$ j| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M* H9 c+ S6 K% z( C/ g% |! f0 n: c
| | ├──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 A$ X! ]; \5 `& q6 S8 Q N
| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M; B) @( _/ ]- r8 a6 F- H
| | ├──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
8 _( `- `& [" O Y0 ^| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
" i$ T$ v, @) w0 J7 ^| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M* U/ K( R6 z2 ^6 J6 j1 C
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
|) V4 y( S, d8 n% j' p| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
& L4 J2 I/ \/ @( w) `: [| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M C4 h* e* m0 b" R! w
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M$ s/ d* ?& }# [+ H
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
0 y8 A& V$ b2 A- d2 O# e: o6 B| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
, W" s; ]) r0 s4 y. || | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M* y! k+ m) W' Y, |" ]
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M2 [ `- g0 o: v. p
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
3 b K% R$ v: z/ W% L3 o4 L P| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M' z; ~9 y" E- \+ X& `( l& Q9 o
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
& x x) ?( L1 V# O& B" M| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M1 {/ A1 p* z/ J* e( D# W
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M! O3 M( [- s. K/ d) j
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M8 T, @0 ~. Y/ q- a
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M( d: T) d4 i& i0 R& R3 u v9 l: `
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
" O _1 b+ B3 T/ D2 v% Y| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
?/ B" {0 W0 Q2 }& g' Y$ `| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M* B7 s4 r4 E d/ c( E% _6 m: N
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
- w) S* l, {( j) B: |├──12--机器学习与大数据-推荐系统项目实战
* B! n2 j) W1 D4 K. L| ├──1--推荐系统--流程与架构
$ Y _! \2 }% m, R: K| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M0 A0 j) u8 p5 T: g
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M
4 M9 b6 |0 A% t# q/ g6 V! J- K| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M
- o. @+ h. O$ a( u3 V% X2 C| | ├──12-推荐系统_数据源_1 .mp4 79.07M1 i1 t' m# @0 M/ i* k
| | ├──13-推荐系统_数据源_2 .mp4 82.90M4 x$ r+ W1 y6 {: M, j' [
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
/ P! t P8 h3 \8 b( N9 s| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
) m6 O( P" j$ X8 @9 C/ t& u| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
. q* Z3 M5 e" P% T$ c( N( a; B| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M6 f$ q. U" M" e- k6 S3 ^
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
- \: q5 Y) ~ i4 z# B/ f| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M+ h4 i ~; s1 W. B
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
$ T3 T `, t- W% ~3 e' N| | └──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, S1 @6 n* o4 e4 w# R0 e1 u
| ├──2--推荐系统--数据预处理和模型构建评估实战
u2 P/ ~- ^# d| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M% f8 ^, T& G, z0 W) w% x
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
6 H* M& @* @; e+ E) ~| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M) O0 ~' e6 X6 c% [) Y
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
9 u: b7 H& ~" K, p7 a0 Y- o( C* A| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M p6 _( k1 d; h
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M: V+ C& L$ v2 r# b8 y7 Q
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
$ u- Y- ~! A7 ~) N| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M H, J! T% d, x" c* h! B
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
, ~% A. Y6 S3 H0 B| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M/ E: u5 k2 R+ |& O- y
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
( I+ m* \& y% n" g* b# k| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
% `/ p7 d C* S- A" P1 Y5 a9 W| └──3--推荐系统--模型使用和推荐服务
) R0 i T" @+ }6 |. g. b| | ├──1-推荐模型文件使用思路 .mp4 61.89M% a5 T4 Q) T! _0 A7 ]1 S2 |
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M6 R0 x$ E0 i) p% v$ }7 C- T
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M& b/ e& \* I9 D
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M0 v; }* } M4 r z
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M- W8 I7 L$ z! R# d+ M
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M3 U1 I0 h1 t( y; J: }4 u0 C
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M j9 B: v( Y* s. O2 _2 F
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
. y2 H0 i5 q) B9 T1 O* [& P| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
% X9 k w6 {6 _0 `| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M8 p4 |' O& Q7 L) e
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M$ X% d4 F, l# N7 Y" l
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M! A/ U. a6 r0 c
├──13--深度学习-原理和进阶 7 N& b+ h+ r# k( i8 d& W
| ├──1--神经网络算法 C4 u- v x; o$ Z$ X: f
| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M1 n- z- \( N% q
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M; C8 Q: V( L: ^+ c7 i9 a
| | ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M8 e; K9 b3 B, M) H4 ^
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
* |! ~0 t+ A+ T| | ├──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
% m" }3 d7 O5 W6 Y| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M' q+ v$ k0 \: w7 Z( q( i* p: u
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M. @* N" A; `/ n5 z' N
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M+ f3 F$ o3 f, y
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
; v( g* z' N) w| ├──2--TensorFlow深度学习工具
; L: |- e+ ? Y$ G| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
" E" H2 a6 T7 `# D% y4 D6 b3 {| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
! g6 k& `. b* b: @' u| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M7 i8 l) @4 A) x8 E$ j
| | ├──4-TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式 .mp4 173.47M
3 d8 P+ N4 u+ u| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
4 g* p; J4 l1 r" l: T9 F| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
* ?% Y2 c' A7 `- L| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M' _% g; u9 B2 W9 k2 D
| └──3--反向传播推导_Python代码实现神经网络 4 w& V4 M) A* `' `
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
5 d& h( j- B0 P8 w# X! S| | ├──2-反向传播推导(一) .mp4 127.90M
5 `0 i, Y/ ?4 G$ H E, O| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
8 |) F# q% c; i3 ~: Q! e& k7 Z| | ├──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 81.20M8 E, T* h. t1 B' n- A5 Y
| | ├──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
" j2 _1 T6 Q# @4 u, A9 l, N& z& P' G| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
, Z7 B& Y1 T# @$ V# g| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
* }3 ]" x1 l3 K0 Z$ O' Q├──14--深度学习-图像识别原理
& L4 _" A3 d$ X4 e) S/ t| ├──1--卷积神经网络原理
9 ~ g5 D) I& U% g$ ]/ }: i4 U| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
4 t: V7 C N! R" l- B! g% c1 S| | ├──2-单通道卷积的计算 .mp4 104.01M
/ V% O6 }8 o/ _+ g| | ├──3-彩色图片卷积的计算 .mp4 52.79M/ ]3 s3 k* ~4 g0 i. x6 B
| | ├──4-卷积层权值共享 .mp4 63.93M
: A* E) z% o' q, q; i; @4 }; I5 A| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
9 h: a3 S7 c0 o) `+ x+ p| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
9 {; {4 q3 P( A5 t5 N# g. G| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M' A7 n( f7 z; y
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M. P+ N" k q5 C. }# K
| ├──2--卷积神经网络优化 # {* K( G, ]9 o. n3 P9 Y3 w
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
( ?* S0 D9 m/ Q7 P9 R. Q9 @% \| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M- A! j2 n# E( m$ L; T
| | ├──11-Optimizer_Adam .mp4 141.12M( @6 ~& w" ^. |6 U, c
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
4 g$ f9 g R8 ^9 k" A2 l| | ├──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
6 F9 P% M, I6 c; T. ~' N& C| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
! `! g% h; M1 L9 j- t. U| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
0 X) f* y% Q3 e. D1 E9 u: s5 Z| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
& M+ b$ L+ k/ G1 X- w6 s| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M# f! V# j4 I- y, N4 |% z( P: j( ~ b
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
' ^8 N' {, E$ N$ Q1 D. T| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
' n$ E' l1 D; u# p3 P/ j| ├──3--经典卷积网络算法
. f: a8 @7 X- Z9 @1 u4 q* L& ?4 d| | ├──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+ Y6 N) @' e5 `. a8 z3 ]( q
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
( n7 i4 r: Z/ I3 F0 |$ N p/ a f0 B| | ├──3-InceptionV1_V2 .mp4 165.86M- W# r3 `9 L- G9 U7 e( K
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M" V, d) A6 m- T7 h! n9 q7 C$ ^0 c
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
4 I9 S! ~0 ~- u% K6 N/ x) E| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
+ P) [# c- I- _( R' S7 z/ Q| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M8 g8 |, T; a/ e4 }' H9 \. B
| | ├──8-BatchNormalization .mp4 99.23M" s" D2 _% a( Q: G9 D' t
| | └──9-Mobilenet网络架构 .mp4 150.05M
6 z& o) i2 e% N+ o- t, S% I" K7 n| ├──4--古典目标检测 ( H1 h- u* ~, K A0 f5 g/ f
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
, E' P/ v* L5 l; G) Y" Y| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M% D1 d' O$ G" T; Q' p2 i
| | ├──3-IOU以及python计算的代码 .mp4 23.56M. B8 r$ y0 F" w; ^: ?6 V
| | ├──4-R-CNN和SPP-net .mp4 124.06M, [9 w& g- ~" O
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
% B2 ~+ B9 } P& @% t| └──5--现代目标检测之FasterRCNN
$ N o1 I/ O) c# v" k9 N% f| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M& w5 I! l1 s- v& C. N
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M. W# e. |% w1 x. ?2 g1 N2 v- W1 }
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M1 }, A# Y& _% ?, s: n
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
, n: v8 m- A4 _+ Y: i0 a j3 v( z| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
; A# z; F" I! {! ~8 W; i! M├──15--深度学习-图像识别项目实战 4 X, q" X6 f& Y' ^9 q* r g! _
| ├──1--车牌识别 0 F; S+ S$ p# E" I0 H
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M/ s# v: a- ?" {! S
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
0 s, R. ~4 n9 {! ]| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M2 b4 X6 B: Q0 [. o9 j/ D/ _- ^
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
, c$ G: H$ y2 B. e/ o& d- H1 q| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M+ B3 ]% U3 u' t$ q
| ├──2--自然场景下的目标检测及源码分析
! f$ L# R7 y. j5 r O! @/ p) S6 Q| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
; [4 `* {5 v# n' E8 B% b! ]| | ├──10-FasterRCNN代码_构建head .mp4 67.56M% J9 S6 I" s4 r8 H9 H
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
4 `( i' ]* @7 ]* x# t8 f# L7 G% t| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M v, v" Z0 Y" h2 b" I0 b
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
# L5 Y' C( h+ O( e& o| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M @ n: o" l: B0 k9 K% X5 L9 e
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
2 a" R. z& ~/ \' A/ G3 v# J| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M2 e9 a* l% ~* Y8 z/ [4 N
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M# [# w ~7 ~+ ^' G3 v
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
8 e2 S0 j, {4 J' _. G1 O| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
& o1 @9 ~* C2 X9 u. P! M9 M: M2 o7 q| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
, b9 t* d& A) E. [$ l# z. l| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
$ d3 K i7 |1 U" ?| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M% ]& ] N& o: t H5 f5 u
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
6 S- u3 q, Q9 y. ]2 M+ c/ s" {* s| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M: F5 q! t. R2 Q6 K' L- z
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
~# h3 \5 |/ J, L8 S/ h# w7 h7 E| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M" E4 W# c" a) k& a! d% ^7 S" L
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M5 ~' V- m6 Y/ }+ a% p1 n5 J6 h
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M" |) x; K5 o& ~- F! S s9 K
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
1 T2 }3 S$ w, K4 T, C| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
% y$ h8 A+ |+ j: n% T2 H, D/ c| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
) \) e3 b3 y) g7 n" R! ?| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M/ o3 B4 |( b7 ?
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
7 v7 @" `) S# \2 H5 @* L) g| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
) Z% m* x1 _2 S: |: ]| └──3--图像风格迁移 ' ^2 l7 W. P7 u, s0 N% d# F
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M7 v+ v9 f. v/ S6 z' R
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
1 D3 _: t6 H9 D/ Y L1 l| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M/ \8 K) _3 p s( b
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M/ ?' H% a% N2 I, N! e3 m
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 9 m. [0 `. o8 c- R
| ├──1--YOLOv1详解 ( _0 u8 Z/ E X
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
* D! t. h0 K5 V+ `. V+ ~| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M* W( s( Q- l3 |1 }3 m
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
9 `; Y4 ]3 v* E| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M) d( _4 [$ b$ H, z( V# Q
| ├──2--YOLOv2详解 9 k r6 ~% h- C
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M* ~; I* M; s a
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M7 o c% c; G! y, y2 o8 x2 U
| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M1 l \, U N9 i6 G% I! F
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
1 j1 f; {6 g% G8 e* ~* }| ├──3--YOLOv3详解 6 } s5 D8 N! I2 Q
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
( ]; y' @2 n% p* U- ]/ j| | ├──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" D8 g1 m3 |# R& _8 Z
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
9 J4 m! @) e& s& I: t5 w9 }| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M6 w+ H. O7 v8 j# \- F
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
$ L: n# b$ }- g/ `: \+ c* C| ├──4--YOLOv3代码实战
! |1 x: N) E8 {5 ?| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
; r: f4 b; Y, f. |/ d| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M, B" Y9 f: Q/ {* V: P5 w
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M4 t/ b+ U# u6 H& u
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M/ X) n+ B4 }- }" T6 }7 _
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
! {9 ]# {2 @, O0 Y| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M! N) R4 w3 b9 |) Y/ L5 V9 }
| └──5--YOLOv4详解 % K: M9 ]: w( T8 J# E1 i
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
, H( [+ D C; U m9 B% {5 Q| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M+ J- z% Y) U o M1 d7 L
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
; K1 x1 P. E$ u( T3 }5 F/ D/ m| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M6 {4 E: Z- F- i. Y2 j o
├──17--深度学习-语义分割原理和实战 8 O4 @" ^) R. P/ x+ x+ v
| ├──1--上采样_双线性插值_转置卷积
1 S6 ~" E- g/ w/ v, V| | ├──1-前言 .mp4 19.46M/ `3 f6 E$ q. Y# z
| | ├──2-上采样_repeat .mp4 23.90M
! H/ e' m+ F( x8 p6 _+ ~2 D: o5 S| | ├──3-线性插值 .mp4 34.48M, @+ h- Z5 P. s" n5 r
| | ├──4-双线性插值 .mp4 125.71M% f+ R- G' W# m! u
| | ├──5-转置卷积_以及TF的API .mp4 114.25M. U. x$ _5 {, ]
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M+ B Z+ K2 |" b' m
| | ├──7-ROI Align .mp4 58.38M; ~6 W5 U! U/ {. r
| | ├──8-FPN思想与网络结构 .mp4 92.14M
2 g: ~# ^7 Z y+ b% P+ `8 z" f| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
- S: ~1 T, k1 W0 b- d0 w) \| ├──2--医疗图像UNet语义分割
: e8 b3 P, y+ S| | ├──1-语义分割的基本概念 .mp4 18.33M
! L/ d. \3 C, ]$ N/ Y" V| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M$ |/ v/ e! H8 [
| | ├──3-UNet网络结构 .mp4 30.41M# N# k2 A5 U; V1 w% N. \, H. n" e
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
8 M" m) K, S* U! P0 Q" Y- \1 G6 t) G) M| └──3--蒙版弹幕MaskRCNN语义分割
' F# n! | Z8 o# u, m" J5 j| | ├──1-MaskRCNN网络结构 .mp4 106.38M
/ e) ^ N& _( R" o0 \* S| | ├──2-MaskRCNN的项目展示 .mp4 250.54M! q/ V$ b$ R& Z% C) h$ I' `$ U
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M& u( ^# E6 f+ P) m
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M1 r; n6 P. r+ H+ V1 b* e/ _3 m, s
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
2 T$ g6 P/ u" H) P8 q| | └──6-MaskRCNN源码config和model .mp4 244.48M
6 x9 {1 B9 F/ n* ? P├──18--深度学习-人脸识别项目实战 d6 G+ X$ b- c" i2 m u: y' P( A/ N
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
: a% X1 o0 C" {0 Y* F| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
+ d2 i1 X7 G y1 `- @. s, p3 J| ├──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# C9 A- n; a1 v8 m
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M' M; W# f! W0 p j
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
2 |1 d! D& G1 g% N0 |/ X| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M4 i: I# S, @. d( O5 Y
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
" A0 |) L+ C& s| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
: y5 y5 m3 e; ]) b. i8 d| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M. n, Z/ O. j6 t4 o+ L: H
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M% K, F3 t5 f0 F( i# E( v
| ├──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
- a0 {8 O' N F+ w6 N' \# _| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
: E) O( n* F) S1 J0 X5 e| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
( n2 p3 a4 K7 q1 s4 T* S% E| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M. b- ?4 p. f" }# @6 b$ I- w, g
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M N. [/ E% g& g/ t: n5 ?
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
/ }; p, o; w/ ?3 b* b| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M8 U) R7 G' t5 D3 y0 F
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
9 E& A* v7 O( U/ `, W5 w; _0 e| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
0 ?8 g% q% V' i8 z$ M2 A$ p) Z% H0 j├──19--深度学习-NLP自然语言处理原理和进阶 ; S2 M' [' y: G0 H0 N0 {7 D, W B* G
| ├──1--词向量与词嵌入 + P: p& V9 d7 R
| | ├──1-N-gram语言模型 .mp4 116.32M
9 [( m8 V W8 x" k; D* x| | ├──2-NPLM神经网络语言模型 .mp4 155.81M% F- `* B/ J3 t) X( R' G
| | ├──3-词向量的作用 .mp4 58.00M4 t' v' o; W$ o3 V+ f: G/ [
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
7 G" Z* a' ]6 N| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M% I B+ f& \. C+ k9 n
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M4 z; i: m- ?5 @" K3 L
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M X, W, L& k7 U. @4 T, N, V
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M8 {5 k& C% ^- G! i/ n# E+ s: s8 M
| ├──2--循环神经网络原理与优化
2 L% D# m7 i/ S% d, K3 B| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M3 d$ e2 m# R0 J. e, d
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
3 R4 w1 ^! F" C, v! Z' q7 M| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
+ t) W6 n) K x C| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M! D) I! w! U1 l3 [& ] @# v" ]
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M E* z& {" ^" Y9 J% E( q
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
6 m" ^# I V3 s5 I$ {: Y| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M/ z# t/ G" f* w9 g+ ?
| | ├──8-双向RNN_LSTM .mp4 52.01M& m$ y0 Y/ S* p. L4 x2 N
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
: Q, c7 f+ ?" C; v| ├──3--从Attention机制到Transformer 9 k% Q# ?2 O. g+ C$ _& O
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M( O* Z/ A/ Y* v) O: Z* y/ s: u/ O
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
( [7 Y" c0 d M8 |0 P4 _# N( m) ^2 l| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M' }, \% _5 n) Y! @( r/ O. {
| └──4--ELMO_BERT_GPT
! Y; U% I& j% w7 g+ y( B| | ├──1-ELMO .mp4 62.44M
$ Q' \; i2 B; Q9 x| | ├──2-BERT理论 .mp4 99.73M
( G8 s q# H% m| | └──3-ERNIE_GPT .mp4 56.34M5 M8 z; P9 I/ M6 t# \
├──2--人工智能基础-Python基础 / C6 X% A# C; E' l9 l# J* b$ u" s
| ├──1--Python开发环境搭建 9 r+ Z8 X+ d8 K7 I
| | ├──1-下载Miniconda运行环境 .mp4 100.75M0 F. X# x/ A7 s6 t" k3 e7 F
| | ├──2-Miniconda安装和测试 .mp4 57.12M
- e- L6 i, o2 y/ H. o% X; l* P| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
+ ^0 }; G6 ^8 y$ S| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
- s* |4 m' }6 |9 a| | ├──5-Jupyter常用快捷键 .mp4 32.23M- G# i8 F8 i" m* Z! H& i6 z
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M' z+ _( r, p9 M! o1 e- e+ D
| | └──7-关联虚拟环境运行代码 .mp4 38.14M9 k* B9 |$ l5 }# I A, v/ ~* h o
| └──2--Python基础语法
& y) W- f+ [# G+ [& r' |5 E# U| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M& ?; k1 B7 G9 e: o; V' j- a1 N
| | ├──10-Python_集合操作_列表 .mp4 34.71M) K. v; |- R& I+ c& B
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M; d! B o: K5 N! U
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M' p0 X' K; g/ J3 m1 D
| | ├──13-Python_集合操作_元组 .mp4 43.46M# f! {! O' E% ]! ?
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M7 m8 A1 P. o. A* g
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M$ _) n- y6 s% v# m* g m
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M& t y/ L. E( n+ a$ g7 ~
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
/ i& x: V( O& q| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
5 e8 S# a8 s& Z7 C I3 {6 y% X| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
: D `% v( \ g! T( \* Z# C| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
: ~( r+ O5 V+ E: }- g) T| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M4 Y( C, [9 m; V8 u3 R) K
| | ├──21-Python_函数_递归 .mp4 23.46M
& \% Q1 E8 A5 d' C2 _' @6 ~| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
% X% r9 e& O9 F( a `| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
* s4 ^8 L1 \9 b3 d* W: E) f9 l. J| | ├──24-Python_函数_闭包 .mp4 41.61M6 i/ F: L% f. ]- g# N6 s4 m* [
| | ├──25-Python_函数_装饰器 .mp4 30.35M
7 w8 t: `5 `; c| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M. o) w! u+ V+ K/ J4 K
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M( p( }. u0 ~6 `# M! W" [; i3 P# P
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
7 v9 [7 w# b+ P/ H0 I! } Y* U| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M- d( I! r. C3 s6 v0 _& ~* P9 h
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
9 X( G: T8 k: Q' \$ Y4 H| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
^% S# Z7 T+ |2 u| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
, P4 w- \+ O* \. |5 r| | ├──4-Python_控制语句_while循环 .mp4 25.02M
4 T2 ?9 L* z3 Y| | ├──5-Python_控制语句_for循环 .mp4 22.82M; V. t0 u% |9 L6 S
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M! I3 j& a, r" X& z2 p
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
* D0 K/ }( q2 P| | ├──8-Python_切片操作 .mp4 40.20M/ b4 m$ p ?/ n2 `
| | └──9-Python_数据类型 .mp4 25.38M
- E9 z7 a Y8 g3 _* W├──20--深度学习-NLP自然语言处理项目实战
: g' d/ Z3 L3 s, U| ├──1--词向量 - E- M! N( g' @7 |) ?0 B
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M' O9 S! a8 ]% l- P" Z3 {: m2 c
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M& h5 k- f+ v1 U# _4 M( ~
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
, w6 n& K& X# T4 G( p| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M4 Y* k1 k/ x S
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M$ |. F/ x0 A, j1 S0 G
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
5 v) }6 S7 X0 |1 c1 ~9 K& T0 @| ├──2--自然语言处理--情感分析
7 J6 @# O `4 k% {. Z. E| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M* M; W0 C. u; W( Z# y- C' U" w
| | ├──2-数据预处理_01 .mp4 79.65M
' N8 b; @) b1 w: m: x2 N( v| | ├──3-数据预处理_02 .mp4 45.68M3 \: J6 A8 g2 S' p& Q& x5 Q* \2 `8 V
| | ├──4-代码讲解_01 .mp4 52.29M& D) Z& a1 N' Y4 y
| | ├──5-代码讲解_02 .mp4 60.85M3 z4 p( _3 X7 m0 ~
| | ├──6-代码讲解_03 .mp4 53.89M3 q+ v N. [+ k( d$ J# U* v3 k
| | ├──7-代码讲解_04 .mp4 57.19M1 G# ^6 N W" b4 [% z
| | └──8-代码讲解_05 .mp4 35.88M) {- i9 h+ q3 S6 k7 `: o
| ├──3--AI写唐诗 2 h: }7 ?& [# A) ]& b
| | ├──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( z( |, b3 h) D+ G: B
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M4 f% g1 Q3 b9 D: f- ?
| | ├──3-MultiRNNCell单元 .mp4 38.93M x' I1 X5 Q" a9 a& H7 {2 L7 D
| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M4 F6 u/ E% }5 G7 M7 b+ Z. ~3 _. Q
| | ├──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
! e: U( d. \. k0 g5 E2 P| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
8 g/ _( E) r; F/ d9 {| ├──4--Seq2Seq聊天机器人
/ v! {: v9 ]; S1 |: O, O| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
0 Z6 i: r3 ~% N( \* x4 t) t| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M/ x! e7 U: ?6 Q+ V$ L( D5 A
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M% ?2 G' f7 _, r
| ├──5--实战NER命名实体识别项目
9 S& b7 \3 g% l$ G' B| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M) d& i \- {8 b8 B/ z k, [2 b: ~1 d
| | ├──2-介绍了代码目录结构 .mp4 23.44M3 \1 L9 l. b# v: M$ N
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M# f1 o: W8 w' ^: A. d0 S
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
: G. \+ n- ?; |7 ^) v* t% }, N| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M/ A/ P' ]1 W: C6 D% _& P% ?$ {
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M* Q* F% ]. w# V! u; P3 K
| | ├──7-CRF中的特征函数们 .mp4 125.97M
5 s: m0 |) _, p5 |& p| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M5 b# _4 u+ I: \% J/ k; T" ?$ U! G/ @
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M0 @) n1 A6 w* R
| ├──6--BERT新浪新闻10分类项目
; ^# `1 l8 d, o+ e0 C0 C| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M& H5 S- ?' y2 `5 G# B( x1 L
| └──7--GPT2聊天机器人
1 \% n0 x3 B9 k% @! y3 y# Q: B| | └──1-GPT2闲聊机器人 .mp4 62.28M
: e6 [$ _) C/ ~2 L. I" y├──21--深度学习-OCR文本识别 ( v4 c! S3 A+ ~4 H+ I' s) C
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
% o' o" o( L4 }( E. ^3 T| ├──10-CRNN项目代码剖析 .mp4 306.48M
- m8 K1 _7 z# [/ a- H& O| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M8 k N6 n. l8 ~3 Y
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
, G$ X: x, S% x- y: o4 {| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
- _+ y; _. G2 U7 s/ }- F| ├──5-CTC损失函数的理解 .mp4 330.64M- m( y+ |8 h4 w, U+ b5 O& N
| ├──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: B8 c7 t/ r2 ?& P# Q) Z
| ├──7-CTC前向后向算法代码 .mp4 225.41M
' J* f- C9 v3 E& G% ]. C* Q+ X| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
2 r% y/ ^. {; Q! @9 x+ h6 i| └──9-CPTN项目代码剖析 .mp4 491.69M
. F& m) Y, h' J' O/ c├──24--【加课】Pytorch项目实战
& e2 S' u. R: T- H8 y H! @7 [4 P| ├──1--PyTorch运行环境安装_运行环境测试 5 ?) _3 _# e" P) S' I
| | ├──1-PyTorch概述 .mp4 29.29M* C* X0 m4 k7 `2 q" @2 q- q
| | ├──2-PyTorch的安装 .mp4 76.45M6 O6 k W. Q+ f- W
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M ?; I$ ^- y+ Z/ h, Z* m
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
; m# v: ] O9 D& V: s$ X# }" P| ├──2--PyTorch基础_Tensor张量运算
# [- ^' k8 e! j. o& Y" [! l| | ├──1-Tensor的创建 .mp4 55.14M
3 j- _) ?- b! A# c* ?| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
3 b1 N" e/ o! ~& \* X8 @| | ├──3-广播机制_逐元素操作 .mp4 44.46M
* l/ Z+ N x5 C4 s| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M& [" m, `5 ]2 A( w) {
| ├──3--PyTorch卷积神经网络_实战CIFAR10 4 V9 N2 o/ e8 k) a
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M5 B5 ~) S7 L& w V1 v) |* b- c
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
) ]1 j9 m/ n$ i3 h* E- B Q3 J| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M. j4 M( q4 F. O
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
' ?, T1 c+ e: J% P7 m| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
2 M- O8 _& i% q# {2 H| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M# H" |0 ^5 I5 H, n1 V6 `. G$ G
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
9 C" u0 K1 v+ N| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M5 g, M8 K+ L9 P g
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
; J: B* U. U7 W0 ]! f6 a| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M! U0 H; ^; n% b+ I- }5 H
| ├──4--PyTorch循环神经网络_词性标注 2 v# r2 u- _9 H9 S
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
) E3 E) }' @0 c5 n5 D4 Z0 U| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M; Q7 N5 M7 @7 L7 t4 b
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
7 V# v! k: x6 J0 F; k9 z| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
4 [8 ]6 T% z/ ~: u5 { L7 U| └──5--PyTorch编码器解码器_机器翻译
" [! ~& e5 K: n3 m| | ├──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( v. m( A; @- s. a5 l1 Y
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
- f, U3 G/ i! E4 G" ?| | ├──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
$ L7 e g+ _3 b7 X7 D7 ^| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M$ O. y8 C0 s) o/ h# O$ m& _4 c+ K
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
0 E `: U. b# n8 E| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
; a/ U; I/ h: F8 }8 O0 ~+ E, J/ H| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
7 |+ A+ I5 H1 k2 o9 {. p8 l2 ~' m6 N| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
q& |& }. U& A├──25--【加课】百度飞桨PaddlePaddle实战【新增】 : g# P0 {* T3 u1 s% H' b v
| ├──1--PaddlePaddle框架安装_波士顿房价预测 / `; I- I; w6 s+ u, O- `2 n9 E) E
| | ├──1-安装PaddlePaddle .mp4 87.34M
8 j4 `% N) F/ \. f3 \| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
4 D! t& s# ?0 r2 c( l| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
, z3 [( ~* B8 T8 l3 U| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M! \ n8 U( H* Y) C, l! g( W/ h
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M) b# B* r& k/ m6 f
| ├──2--PaddlePaddle卷积网络_病理性近视识别 ' S" K. u- d9 f! s
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
' x+ g! T; s3 _| | ├──2-预测病理性近视_模型训练 .mp4 86.66M9 w+ V* ?! k( m" E) Z; z5 u5 }
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M. q b4 l) W e/ h0 U6 z
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M0 J8 }- I- x7 ]* ^8 J5 K
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 ) [, B$ V. L! C6 W8 e& l
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M7 o) d$ f: O6 T5 [% `% `4 t6 U' p5 L% d
| | ├──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( _/ H) m/ ^( g. E: o
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M: t# _$ D. H+ @6 I
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M9 }, S7 P; S: [0 p5 r
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M {" b6 Z! |& D( s. l
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
k( O9 h) W6 S+ y/ `, ?| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
8 e% F1 Q, r: L" V" ^& } S3 Y| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
: Z4 e; N' A8 b0 v| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M% |1 |4 S! R# F! K- p7 ~
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
* ^/ @% M3 T: r| | ├──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
; v: T' |1 C% B| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
* `" o* `' k2 \, Z8 N1 M. I3 [| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
' O* A2 I( e1 A9 s) ~| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M9 j/ l6 t3 L6 b/ q, V
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） * p7 c. J V! Q! q+ @7 Y+ G' T
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
1 c3 a- d/ M6 W& D| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M6 r# o, {) @8 w/ z- n6 O
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
M# C' f- m# C| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
1 ^1 u% p7 f' {2 l6 J) h| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
/ H/ R) n& ~+ S" R) Y$ U0 l| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M4 R" N6 D, z# Z$ K; L
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M$ m8 g$ n' ~4 d R! W
| | └──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
) v9 ] ^+ T; D* _3 W: X+ || └──6--PaddleNLP模块_物流信息提取（ERNIE版）
! z) o+ Q5 |% O5 Y6 i. Y| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
- v0 S- B8 q* || | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M/ p( k( `# T5 w9 ?) E* v" [
| | ├──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
1 x( B8 F3 B: u8 B. r- T| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M
8 ]6 D8 J8 P# d2 x& \├──26--【加课】Linux 环境编程基础
0 }+ a* Z) _2 V2 y$ k* F7 w| └──1--Linux & s* R- Q7 `. _3 B
| | ├──1-Linux_课程介绍 .mp4 3.72M7 F! b; S) M# Z" y e4 {
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M+ S, R' c1 F# u h4 k p
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
% v4 n8 F% |8 C. Q7 z f* Q| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M, a0 ^* n; M2 q! G
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M X1 U% E) v1 K- L
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M( ~0 B' V# N1 q8 N5 U
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
! v8 P5 t; E8 S. w) d. K6 ?8 i4 j| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
; K& \1 b: z& J; Y7 || | ├──17-Linux_常用配置_设置时区 .mp4 28.84M+ `7 @4 ^& |; K" F& P' w
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M7 A( E/ Z0 o& Q" Z
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M5 n( P% k3 O3 h+ P9 |& {5 D
| | ├──2-Linux_Linux简介 .mp4 17.59M
2 Y$ K& j: o# [2 ?| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
. p, F, f( s0 F) b$ V, k( B| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M! b+ ?, R r' N3 n9 k; m, t! x
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
5 e+ P3 k0 k# s# z, S! |' _| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M$ `, Q2 c+ t3 |$ z! b/ f- T
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
& j( o4 r! F0 A- }1 _) F4 h| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M9 Y7 I4 Y" E$ Y+ w* A
| | ├──26-Linux_安装MySQL .mp4 79.02M
. y+ C" M- o. h0 _# x8 F( \| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M! r3 T0 R5 B( }; _" {
| | ├──4-Linux_安装Linux .mp4 41.97M
$ M; p8 R0 Q2 Z| | ├──5-Linux_目录介绍 .mp4 20.31M
. O3 u% ]7 E* M7 | J2 {, U1 J| | ├──6-Linux_Linux中的路径 .mp4 18.65M
9 x5 }' L8 I& V3 p5 S5 I| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M. T# B: }4 [3 R8 `- D
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M" X3 f0 k0 Z, m6 b
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M' [+ i: ]. T! q2 l. g3 O
├──27--【加课】算法与数据结构
# N. x' |' E$ x J. ~| └──1--算法与数据结构
6 p9 F2 Y1 X+ |2 x| | ├──1-数据结构与算法简介 .mp4 35.68M7 t/ Q6 h% M( Y# q7 Z8 g
| | ├──10-哈希表的基本结构 .mp4 54.34M
: a+ J: e; \/ m; M| | ├──11-哈希表冲突问题 .mp4 75.92M
. Y' S# }$ P) ]; c4 S| | ├──12-哈希表冲突问题2 .mp4 72.30M) b: q" k, t/ @; K/ O
| | ├──13-哈希扩容 .mp4 111.03M
' m/ v/ D$ k+ ^2 i| | ├──14-递归与栈 .mp4 50.77M
8 ?: L/ ~3 y, M, e, q, R4 v. ^' ~9 d0 Q| | ├──15-线性查找 .mp4 57.80M
/ K- {& K& s! R, K( O7 Z8 h| | ├──16-二分查找 .mp4 52.32M
6 T7 {2 f4 c8 T& ?| | ├──17-冒泡排序 .mp4 53.19M; K% y4 e6 s: I( {( y: D6 v
| | ├──18-选择排序 .mp4 43.29M" G2 u) I: n" V) h- C! c
| | ├──19-插入排序 .mp4 31.39M
1 n/ R2 l2 W* N6 D- f5 \1 X| | ├──2-大O表示法 .mp4 25.59M
5 w* j. D7 H: T W( K. || | ├──20-归并排序 .mp4 84.48M
! @5 Z1 t6 h9 n+ U, T& ]| | ├──21-快速排序 .mp4 36.63M
: a( G2 |4 G; F) @! V2 b4 O; g| | ├──22-树结构 .mp4 96.85M7 J' i$ ]7 P c/ O
| | ├──23-树结构的遍历 .mp4 61.05M
1 `5 @6 g; k% a! n& h+ u| | ├──24-最大堆的增加操作 .mp4 45.43M
+ ~% {* P8 A' i# Z' m( H| | ├──25-最大堆的删除操作 .mp4 45.63M
m( y+ ~9 A4 Z" X1 \2 @& l| | ├──26-二叉树的查找 .mp4 100.24M
0 _: ?" `4 b: z1 o$ s- J2 `1 Q| | ├──27-二叉树获取最小值 .mp4 25.21M
1 @0 Y& h+ Y' E# B! F, b3 r4 Y7 X* R| | ├──28-二叉树的添加 .mp4 72.66M
2 I" Q0 B# U1 t) Y$ I, }. U' P| | ├──29-二叉树的删除 .mp4 120.06M- ]' _! z5 {+ a+ A: a
| | ├──3-线性结构 .mp4 53.14M
! p- d# e% _' J% Z| | ├──4-单线链表1 .mp4 68.36M
% y& A) t" Q6 v| | ├──5-单链表2 .mp4 221.69M6 c; G. _( ]3 d0 d! p8 W0 u ~8 b% r
| | ├──6-双链表 .mp4 103.57M
% x3 R. @8 d r/ a( d| | ├──7-队列(链式) .mp4 74.12M
! R; r! Z9 x3 E; V' q| | ├──8-队列(线式) .mp4 30.99M
8 C3 P9 x% e2 Q F, F| | └──9-栈与双端队列 .mp4 28.12M
1 }9 `, y, y( u9 F/ v/ @├──3--人工智能基础-Python科学计算和可视化 , m% c2 {3 p& b. d
| ├──1--科学计算模型Numpy 3 y; _8 x! g! h7 ~/ n1 I; P d
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M2 \: B7 Z5 b0 ]7 o$ e9 N7 b0 _: a$ u
| | ├──2-Numpy_array_arange .mp4 35.45M
) b3 L$ T4 [4 u5 L! F. m| | ├──3-Numpy_random随机数生成 .mp4 50.54M7 N3 W( P# h) T! U. {
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M' @ }# v- k a8 \) ~' e* A1 f
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
+ d8 Q! ^; V5 v% a, c| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M9 a8 l+ k& I8 j4 c/ a
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
( A: _2 s6 E7 W, _4 h| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
! [* I8 C |* m% Y| | └──9-Numpy_聚合函数 .mp4 23.68M# R: Z) [* P% r! U3 }9 S* e
| ├──2--数据可视化模块
1 _; A$ a( S: d! w& [| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M# `! n/ \: r [ o$ [' M
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M/ D" O7 I+ J7 G& S
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M# }+ ?; ~& q d! h+ L
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M3 H6 x+ |$ }. X$ x& @
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M% ^5 U! x5 t# ?& M7 U- S
| └──3--数据处理分析模块Pandas
* W. ~8 b. w6 \3 W$ B _| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
* @+ q" q5 Z) R/ h| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M" B I( M$ P' I: r9 u$ L0 X' I
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M* m2 R; K, M) m7 Q1 H- K
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M) d5 C% a8 J$ g1 P3 s5 x
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M5 O) ?+ I6 J1 T9 ~# f! s
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M; J* K6 X6 \: ^: I- g0 t& p: ?/ f
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M3 S- e4 z% [/ w2 o' T D/ K
├──31--【加课】 强化学习【新增】
7 @$ d- t1 k% d7 m$ K- l| ├──1--Q-Learning与SARSA算法 * }) v) A6 C! {* t& }1 L' k/ a+ L
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M4 U" j) C$ d. F# V' i* ^) M
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M4 Y0 X' G D' p% u# g+ [
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M( [9 A1 H$ q' ^5 e+ G
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
4 q& f1 m' b0 R/ W| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M; g( W0 r6 B7 {3 [, s
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
+ |8 _$ s( t$ ~# q$ M* a0 M| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
5 H( ?# t; H: `6 I* G! h( h% i' X| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M% o8 X& q2 A U1 ~) K' X0 O
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
/ U1 l- h& \. G+ s J| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
0 \' M7 E# D" {' |9 y T9 B| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M! d. G( O! s8 T# Q2 Y9 h
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
3 F1 d z9 @! t! U! Z| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M9 m' P, |8 d; m
| ├──2--Deep Q-Learning Network
/ k5 \4 X, |- F' h9 t| | ├──1-DQN算法思想 .mp4 59.24M
7 T3 C" @4 c* N/ z1 O| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
0 Q# b) H' f5 x. n" z, U+ s: u| | ├──11-DoubleDQN代码实战 .mp4 44.49M
% C. e9 `% c9 ^6 {* Z3 V" X| | ├──12-DuelingDQN .mp4 88.12M
& w+ U, n% L9 Q' m) S( v4 Y3 u: q| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M6 E( k; J! `( k' I
| | ├──14-计算Action的方差避免风险 .mp4 54.23M1 i& k" ?9 F. M& L- Q0 x, J. B
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M6 c% y) W/ L2 x
| | ├──2-DQN算法具体流程 .mp4 56.17M3 Y7 j( y( Q, N/ w8 i3 Z: Q+ M. V
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
. m0 n( i' U1 o| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
3 _4 z* h( u: X" o5 ?$ c5 _| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M, \; T, d" m! w9 j
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M, e* F1 p ^5 K, q" A/ @
| | ├──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
$ X3 D1 E1 h' _! f! v- V| | ├──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
5 @% h1 p: U( {5 H. g6 Y| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
9 X0 L( R4 [8 j6 \7 X! n, _1 w* N& I& j| ├──3--Policy Gradient 策略梯度 4 n6 Z1 x$ k- |" H
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M3 d, \* J5 B: Y& Y( N
| | ├──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 R4 x* X3 @# R! U! m0 d& w
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
2 d0 G6 h1 p' Q4 Q| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M$ ] v. z6 J$ a* H# S8 i4 `
| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M7 a+ P/ k0 v. @+ H6 @
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M( G0 M, `4 @9 s
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
1 H# ^. Z2 n, g, N2 Z| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
) a# e9 p) o- ?; C- e d$ n- G6 l& }# o| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
9 T' w/ g* D# x* P! M: N| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
2 g6 n! I: y5 f7 f% g- f: w| ├──4--Actor Critic (A3C)
. u+ ^' @" ^+ i| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M0 a+ u: n' W8 l- p, G
| | ├──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
( Z5 G }4 \; e, |' S# G' X| | ├──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- P( o+ {2 Y/ Q% d2 O/ F j5 E
| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M2 j3 q$ t- B. B: y C/ C# b9 O1 N
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M/ I; {# o- G3 L5 Y2 K3 V- a
| | ├──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' k5 x+ \/ S5 ]5 U7 E
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M9 \% ^8 M1 Y6 `9 B5 ~# \0 f3 D
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M7 p9 M: i d) D5 B) T8 g4 l
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
* T6 n: c! |# S$ P3 @4 J3 Q' b0 _| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
2 q! J, m& U; Q| | ├──6-A3C架构和训练流程 .mp4 74.66M
5 [2 s5 h8 b4 e: ~6 l| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M
% `3 q& N/ R9 G| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M9 b% x# W9 t4 L8 T0 o
| | └──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
# n' r0 h' d0 I7 {) ^| └──5--DDPG、PPO、DPPO算法
6 u. \2 J5 J, L9 b| | ├──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
* S: t, G c$ ~ T' F+ _; \; j| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
" P% h G9 x" V) K8 k| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
1 H/ U _, p" C6 j| | ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4 42.12M' X4 r( M" J8 E+ Y; s& b
| | ├──13-DPPO分布式PPO .mp4 63.81M' h8 n# I' J( a2 {$ c$ |' B
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
$ i5 R" H$ f7 @8 ~" D, G| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M E; r ]* Y# w, o; G% {; G( |
| | ├──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
$ e9 h0 R. ~0 ^: a" D( u+ Y7 r3 i| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M- U3 h0 ~2 c: b+ d' I7 t6 Y
| | ├──4-代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示 .mp4 44.17M/ u$ E9 Q- k2 [: ?2 Y7 ?, O
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
$ X/ ^5 D: A3 y1 O5 a+ l* {5 b| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
& R/ z/ N5 j1 a; T* L7 ], H| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
5 q s1 t% b+ w9 y0 V) Y6 {; R8 S! 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 38.09M1 F+ `2 {- x' J# S5 P5 _1 @0 {$ V
| | └──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
- F! ~$ A% f5 v* B3 p3 Z) _├──4--人工智能基础-高等数学知识强化 6 D1 s7 Q) }/ Y' q- b. {4 B
| ├──1--数学内容概述 3 a* O- _8 M1 N/ l8 t2 ^
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M8 t- V7 R9 I: _% P, y% p6 G8 x; P+ j
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
2 [; ?1 m" z( Z7 p$ _| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M2 U; l7 j% [1 |2 o+ |; n! H$ l+ d
| ├──2--一元函数微分学 4 c& ^6 I- j5 R' P/ j
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
4 h; w" g4 `; h- F- W| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
2 T2 L8 x2 Z. Y) Q) X" z| | ├──3-常见函数的求导公式 .mp4 22.76M
2 {3 x! Y4 i$ b| | ├──4-导数求解的四则运算法则 .mp4 26.52M
3 H' v1 o7 M% y& d; ?; I* ~, K; |, U| | ├──5-复合函数求导法则 .mp4 19.68M
9 G5 J3 S; Q; E| | ├──6-推导激活函数的导函数 .mp4 33.40M$ Q9 I n6 S3 `& D) D0 h3 k
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
2 p# a- c8 N8 n, b+ a| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M) \0 {( ?0 W1 g) Q. ]
| ├──3--线性代数基础
% C0 x$ I; f5 w6 C4 J| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
; @" z8 B" O; H) h9 A% b6 y+ {| | ├──10-矩阵的逆矩阵 .mp4 38.54M' P1 f3 u! u; Y( ?
| | ├──11-矩阵的行列式 .mp4 20.13M
& X3 |4 y9 u5 p3 f| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
& L v4 X2 @3 q# a| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
2 ~7 f/ a% O' B# d| | ├──4-学习向量计算的用途举例 .mp4 20.32M8 l% X) B. f6 H2 {% Z
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
$ a2 T' @8 e2 T3 q+ i' G| | ├──6-特殊的向量 .mp4 26.45M4 p+ M+ e0 ^9 d. W, W( w3 h" e# X
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M" m* X* `6 ~% Q% ~5 V0 g, C) l( ^$ r: {
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M6 z, U8 b* [" D4 @, q d
| | └──9-矩阵相乘 .mp4 20.02M
$ y7 k- b9 o( s$ Y' P| ├──4--多元函数微分学
0 S" S7 O6 e' x. e) N3 r| | ├──1-多元函数求偏导 .mp4 22.61M
" T* z0 P# c$ [% c3 b5 V; ~| | ├──2-高阶偏导数_梯度 .mp4 27.15M/ E F$ I. m3 f) W- a
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M9 g2 ^4 M2 K2 \/ Y( \
| | └──4-Hessian矩阵 .mp4 32.93M5 {5 d# W" _' U$ h
| ├──5--线性代数高级 ) k* y) t6 J+ e
| | ├──1-二次型 .mp4 27.70M
E8 \ S% Y: r" d7 m7 I| | ├──10-SVD用于PCA降维 .mp4 24.90M
* p1 X$ J0 b. G| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M$ [9 ]/ z/ E7 V$ G! v
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
% E+ S9 |* A6 U# ]. V0 K6 \| | ├──3-特征值和特征向量(1) .mp4 29.83M
2 N7 t0 I9 |; |% i/ T/ Q| | ├──4-特征值和特征向量(2) .mp4 30.07M
# ~8 P2 x$ \: h. P w- z| | ├──5-特征值分解 .mp4 38.68M- k6 k6 s2 k1 }1 M2 ~/ Q
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
0 t9 i% E. X; g" j3 h| | ├──7-奇异值分解定义 .mp4 22.58M
8 V4 H& i' d" b6 N+ ]| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M) u" ^3 }4 S$ y8 Z+ D+ f
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
- E$ W( ^8 c0 v+ D6 @' V| ├──6--概率论
- F- y4 {+ T& L| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M7 k: O% F% ^2 w* K- C9 u
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
% |+ e* x% f& ?0 E% C| | ├──3-随机变量 .mp4 22.57M7 j) x ^: T# h- S8 ^4 M
| | ├──4-数学期望和方差 .mp4 22.96M) V/ x# l4 ^8 u
| | ├──5-常用随机变量服从的分布 .mp4 22.48M, z1 _: T1 j9 I- }1 P$ |, p
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
8 O9 j7 a8 \% L' e7 F( _| | └──7-最大似然估计思想 .mp4 23.42M9 S; e+ l+ O% ~/ h+ U
| └──7--最优化 & d$ d0 D% H$ y* }2 b9 x; X
| | ├──1-最优化的基本概念 .mp4 35.14M
1 F3 J3 \# Q4 z+ y( Y| | ├──10-拉格朗日函数 .mp4 27.46M
2 l3 T8 P/ c+ {/ H" y5 [: [, e| | ├──2-迭代求解的原因 .mp4 20.15M/ @4 r7 Y4 \& D: m' h4 z
| | ├──3-梯度下降法思路 .mp4 26.33M" |" `4 z0 _+ t
| | ├──4-梯度下降法的推导 .mp4 43.56M
. @8 j4 V& V, L, C7 a0 e| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M& J6 i, w. U5 q9 t
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
( w4 S! A# O$ Z' U& V| | ├──7-凸集 .mp4 21.90M4 S8 R* K( O' T1 p2 L: Q7 T5 r
| | ├──8-凸函数 .mp4 16.93M, v6 f7 w4 |3 F4 P
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
2 q. h# X9 x: I9 K: y( [* V4 h├──5--机器学习-线性回归 ) D9 W/ ?' |6 n
| ├──1--多元线性回归
0 l W* s1 L; K3 q| | ├──1-理解简单线性回归 .mp4 51.11M, S( E; b0 i# D. G* m9 P o5 x
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
9 |9 v, o6 _0 M+ b& T6 g| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
, q+ O0 y9 W" [, c; @. D6 @( m| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
$ ?2 b W( B- s( {4 `* k/ [# B| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
- X- {( c3 _1 c/ L6 @| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M2 \% M% V* b' B
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M5 L) i7 z/ A* n2 I2 N) ~" q
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
+ h+ T" u9 y% j( `- W| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M. F* B! [9 |2 `2 Y0 ~: K T
| | ├──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; [( ~- ]# Y2 J4 x
| | ├──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 34.67M8 A+ b3 U2 S. ~5 ]4 U) V2 ?
| | ├──2-最优解_损失函数_MSE .mp4 39.58M2 v: {) |9 A0 G Z
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
6 @5 [3 K, X/ x* j& a( K3 U| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M; n' {$ _: s7 C0 t( V/ |2 F
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M! J3 S/ Q6 E( q
| | ├──3-扩展到多元线性回归 .mp4 32.15M: h0 s" m8 r0 D( c' m' r$ l0 R* J
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
/ G8 b- ] X8 V: E. Y5 D| | ├──5-理解维度这个概念 .mp4 41.41M
0 [5 n9 M9 k5 D6 I4 ^; V& h| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M2 @+ R! W' r" i3 F# {- O9 k% }
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M# d/ \ G3 P! M: N5 S: ~2 u: K
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
6 P, k' ~$ Y) o% a| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M* t: I( n) q$ w1 s3 U
| ├──2--梯度下降法 9 l( v' ~; ]: f. O) M* s' c6 X
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
! f; U3 ~( ?2 |. d0 [- N| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
+ j8 X. D0 K5 `8 e2 y6 X| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M. W' @. X' i4 [* e
| | ├──12-代码实现随机梯度下降 .mp4 26.67M- k8 | u# i$ g/ c: i1 [
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M, y% t( v0 N) |0 @3 j
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M: x+ n3 B! v; f: G P
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M' B1 `7 u3 i( b1 E3 u
| | ├──2-梯度下降法公式 .mp4 57.12M
4 p2 h/ u* _& s; w| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
D7 @" J4 `8 t+ ^. {5 W| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M" l/ G; Q7 y5 m. c8 O2 q8 E. Q6 L
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
p8 U% T) @, \! ]| | ├──6-全量梯度下降 .mp4 62.84M* ]3 x( X6 b6 v3 E
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M" T5 L: }. v" D+ q" ?5 D' m q
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M* E' f9 B2 b- f5 F3 W4 O9 ]
| | └──9-轮次和批次 .mp4 45.22M1 n: {2 E |$ t9 C
| ├──3--归一化 ) w* |" [# V; }
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
( k# W" N2 r6 n, g; E, c| | ├──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
, k- C& D }/ P% i' J, n# q% A| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
* _+ m8 L5 b. ?7 T+ ?0 J0 ]' r| | ├──4-最大值最小值归一化 .mp4 24.87M
0 I9 K/ I5 U: T1 e: \2 P| | ├──5-标准归一化 .mp4 51.86M
1 u9 V9 T f, i" E$ X, ~+ ~) C& r| | └──6-代码完成标准归一化 .mp4 41.13M5 m+ }% N z4 c0 F' i6 X/ G( s% B$ |
| ├──4--正则化
) k3 x% w5 K% ~ t6 L9 D9 d S| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
" A& x. c& U) P% K" K0 C| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M4 K6 t" Y" B6 N/ ?* [/ I
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
, u7 f+ ^3 v/ r, F8 R| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
1 }' y( s; m c% Z' J; v( \| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M1 b$ c- r7 T5 `/ e
| └──5--Lasso回归_Ridge回归_多项式回归 8 v e6 q. W0 ~$ W d, B$ Y# ]2 b% Z
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
) ^4 O: s3 |, Q2 t5 ~/ {| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M' ^7 H1 k2 S9 t2 n8 c* M/ S, E' C: g
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
4 J. p2 d0 V0 w. N( ^3 S; J| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M, I2 Y1 N4 m8 D9 _0 {$ ~7 \+ H
| | ├──2-代码调用Lasso回归 .mp4 28.73M
/ A, p4 Z' C. R| | ├──3-代码调用ElasticNet回归 .mp4 53.67M/ W8 \3 ?, f2 h7 T* h/ i2 w* g. }# X
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
& w/ B- l1 R6 u. a0 @, S b: ^| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
8 U# `4 N" U4 m0 |2 D| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
$ F1 k# w$ _- S( z2 {8 y: A| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M7 W" k+ E& z4 S5 U" \8 B# T- M& {
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
' T0 W) U5 ?! j6 O6 d; ^+ x* t4 y| | └──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
+ D6 }; |' f7 V0 ?, E├──6--机器学习-线性分类 . r1 a4 Y( h1 N
| ├──1--逻辑回归 ( [6 p) F9 \" J% P% r0 l% y) F
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M" Z4 }1 v* W3 Z# i, p( b6 O
| | ├──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
1 e3 z2 A( E2 o" u$ x| | ├──11-绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度 .mp4 43.87M* E: _. i) d3 Y5 G% W
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M. z7 x. \( @8 |$ R/ v/ e1 X
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M4 L% |. @% |) a y2 H
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M2 I* a; x9 N2 a) P
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
* i* N& E b+ \# }! \; n2 t| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M) N, {# W- E" D: c1 n6 N3 K& P
| | ├──2-sigmoid函数作用 .mp4 38.15M
5 H* Q7 B/ l3 c# Z2 g7 }7 W' } G| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M4 _7 V; V/ o/ S+ f' s" A
| | ├──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$ h2 c4 Q. o* W. V" l( c: T* g
| | ├──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! l, }* d! c( ~2 r1 K
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M/ {( ]! L) q, l6 N, G
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M. M) Z9 n b2 E5 U$ \
| | ├──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
7 Q" B7 R0 V# j! H& p| | └──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
! Z' R: e3 P+ }2 R" V$ z& C2 `| ├──2--Softmax回归 . U& p0 J- y6 E+ l/ S
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M' l1 k9 P" F V; [. E! W0 x, V
| | ├──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
: R6 |9 P/ k" |: O- s3 l| | ├──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! d3 |% |* c' U3 H
| | ├──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! X) _3 a- m- J4 q1 n2 ]7 L! 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 78.03M7 R$ j$ ~; E' p" j. v
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M- \# a1 z8 L2 I, H5 R. S& P
| | ├──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* b8 M! B8 F% h {" H) X
| | ├──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
+ E! P) r9 b3 u" x| | ├──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
F# t) U8 v D8 `" c; \/ X% G| | ├──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
1 [" o2 O' ` d9 b| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
; ^% v1 w2 d3 Y! l| | ├──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, k/ O, m& b& }0 a3 h
| | └──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' i5 G" a$ n6 S7 W
| ├──3--SVM支持向量机算法 7 ^- `8 L1 I. s+ J# f# E$ e
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M7 _, M8 P( y% _2 V* P2 b
| | ├──2-SVM的思想 .mp4 55.56M! X& ^5 T" }. U* K
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M% z- w3 u$ `! P
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
4 G p+ f+ `0 n# W& ]( t" p4 r" b| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M+ B+ W5 h P. m- |6 R3 }) }) s
| | ├──6-总结硬间隔SVM .mp4 39.01M8 U9 Y) E, P& z
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M2 Q; X% T! }' n3 y: [
| | ├──8-非线性SVM .mp4 54.43M7 R$ s1 p# S8 V W
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
- \2 `1 b6 t: U! H; r| └──4--SMO优化算法
]& `2 h" e4 l| | ├──1-SVM算法流程总结 .mp4 58.36M0 C" P/ \6 f Q
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M/ c: O/ C: k5 ^
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M0 S5 l" _ ~' ~# p6 ~+ q
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
' C: r. Y# B$ r# k# u% f, s1 _| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M0 u$ E' |$ Q3 O% S$ u
| | ├──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! F( C& n8 W3 z3 Y+ g& [
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M; Z$ F3 n; H7 o0 O6 ], ~
| | ├──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 65.42M0 Q8 S1 j" t8 ^! V2 R6 U0 M3 ]9 S" z
| | ├──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
, y4 U; k5 I6 _. o/ l. d5 ]| | ├──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
8 j( r. [* @5 L+ k5 h( G) K| | ├──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
+ ~6 ?) n8 @. `- K, v6 L| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
& [8 o, M' Q$ p& I2 a) n| | ├──7-启发式选择两个α .mp4 23.11M
# A6 m4 K4 X, p( g# B| | ├──8-如何计算阈值b .mp4 50.18M6 G7 x$ `8 W: \7 i1 ~5 L' [+ H
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
9 t9 m- Z( I% s# {* E# o' w' ^├──7--机器学习-无监督学习 ; R2 y/ I4 ^% Y* C1 ]/ A
| ├──1--聚类系列算法
! J1 A T2 A5 M3 X2 K| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
, v$ _/ Z5 I' b* j6 f; M A8 Z| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
& x7 Y& Q7 L, l5 c1 B| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
' L! \0 y$ J6 {) t5 a( _5 X2 V| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M% x: n% c( `2 j" m8 F6 ?
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
2 ]' I! f, B* `0 S0 m( B* `| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M) E8 e% C+ g+ W
| ├──2--EM算法和GMM高斯混合模型 5 e7 p6 F6 F0 X
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
, |6 b2 Y& ^& K7 V1 _| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M: B0 _5 k/ ~0 U0 y; `' E
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M/ a& P/ u; ]2 R' o3 Y! l$ l2 R) K
| | ├──4-Jensen不等式的应用 .mp4 109.17M: ?' O; z! Q6 j2 o* \( _3 O, W
| | ├──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: {: z8 [) X* I5 f) Z+ J/ y( B
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
. P/ B1 u6 H \# k8 L| | ├──7-GMM前景背景分离 .mp4 16.01M
, T/ g3 l! u0 W- r9 r| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
- ^: ?& _1 F$ c- A6 o/ `& m| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M& q# Z2 I; c7 ?' Q7 a) b3 j* `
| └──3--PCA降维算法
. q% f' j* Z6 \& E* B| | ├──1-特征选择与特征映射 .mp4 49.38M7 a1 q7 U/ U$ v; K- U8 Y
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
5 s- d o3 X$ _1 ~/ M| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M/ w' i2 ]1 c, j$ o+ g
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
' Z2 _( w, K' }: o| | └──5-PCA的几种应用 .mp4 54.58M/ X( n( G$ A$ [6 c) B3 k
├──8--机器学习-决策树系列 - B8 l" A. E. a. x! x( x
| ├──1--决策树
' k0 v5 |/ w5 Z6 g| | ├──1-决策树模型的特点 .mp4 74.88M4 A' z- O* _& M8 \9 b) q
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
& g+ B' j& g, V! l1 l4 ~5 b6 R4 M| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M, R& x6 A% L% n2 [+ T: I! [
| | ├──12-后剪枝的意义 .mp4 50.49M, d5 h5 P6 a6 Z d
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
% j! t' c! s6 _( B, l, _| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
( J6 _: Q1 R: a' A/ M" o! ]. p| | ├──2-决策树的数学表达 .mp4 89.94M: I( | |/ x" A: u" c" z# D$ c: f+ t
| | ├──3-如何构建一颗决策树 .mp4 84.87M! J9 G* k5 q' m/ c! r* a
| | ├──4-什么是更好的一次划分 .mp4 57.02M
1 Z8 E# Q N* R" C+ z| | ├──5-Gini系数 .mp4 107.54M
8 n, M. N3 b( U| | ├──6-信息增益 .mp4 75.26M
# V; b! U; H1 c) c. ^| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
* ^& T, a% R, q9 c9 N| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
5 |9 @ K: X |( k$ e% I' t| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M# y. X2 S9 `# G: X0 K1 s [5 \. ~
| ├──2--集成学习和随机森林
0 m, e- e; b2 \4 U& ^5 P; E| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
% d3 o w3 L% L7 {& m| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M' c+ E- d0 @% x3 _8 s0 d
| | ├──3-随机森林 .mp4 108.14M
& e6 n% r' a6 x6 f| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M' l. O! a& N: d6 {3 K. ^+ q
| | ├──5-OOB袋外数据 .mp4 106.07M
- |/ t ?) U3 B& Q8 ]8 D! x' b7 I, {| | ├──6-Adaboost算法思路 .mp4 106.30M
+ ^, D5 w# I* f; A/ `3 N| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M6 q) x( u6 b* m! Q0 J/ ]
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
$ q1 b9 J& P; _2 Z7 }8 c/ t! e| ├──3--GBDT + X! o8 l2 q/ C6 C7 C& Q) C
| | ├──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: x" n- p) \5 [3 v8 }1 N
| | ├──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
. V4 U) ^6 Y; F3 g6 L5 _( W: P| | ├──11-GBDT多分类流程 .mp4 73.80M" l6 J# Q( d# |8 O% \8 j. R2 ?
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
, A9 @' l0 A7 m" S| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M3 v* Y0 [2 }" u
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
9 s2 U6 Z% c) p T| | ├──15-GBDT二分类举例详解 .mp4 86.67M
/ M' n! t; I: r2 `| | ├──16-GBDT多分类举例详解 .mp4 91.71M7 ?- R: \1 P9 B7 y. I
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
6 a+ O8 G L Z' U5 L; D| | ├──18-GBDT用于特征组合降维 .mp4 43.72M9 p9 V4 F% }* F" v$ H
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M5 X4 ~) B$ u. E; t9 _1 H
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M8 }; b2 g$ k% G1 v
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M" ~. O: C% Z4 M- t: y9 J
| | ├──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, f- B+ r K/ k# p
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
0 R; I6 {! B. y' U' m- \8 o3 q| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
& P& I# U5 |) U6 ?| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M
( o# i' @7 E, r| | ├──4-GBDT应用于回归问题 .mp4 84.66M3 z5 R' u# R; X/ x
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
# n5 b( x6 t; K6 `| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
, A9 t! R" u E: i& H8 L' c| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M5 B6 t' \! p& N
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
: A* ]/ h" a1 }6 ]+ \* I! s| | └──9-GBDT应用于多分类任务 .mp4 73.34M- J' h$ B% ^5 Y. |$ f
| └──4--XGBoost
; s0 Y# t( v5 m. q| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
( Z k# ^- p% n$ b a| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M' X" e4 e7 v) y$ k" K
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
9 Q2 K+ f+ O$ u) A/ |5 g# G+ i| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
5 ^3 R1 A0 E( [# D7 D+ N( }9 A7 h: || | ├──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/ O1 j& ]; S! L6 q9 ~
| | ├──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
- \. L+ C- E# |0 B2 H' _* r" Q| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M. \* O5 d) E7 e: B
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
# t3 b" E/ |6 |1 m+ F# S% U/ K0 z| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
9 ^& U* v& M9 \+ [8 J| | ├──2-Bias_Variance_Trade-off .mp4 66.00M1 C% [/ t: }) r0 q5 \+ l
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
6 d, R7 j: w% F1 j: g9 w1 l: T| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M' W1 r7 c7 @; Z9 c, O
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M, J3 o) k4 g7 h' n$ _
| | ├──6-Objective_vs_Heuristic .mp4 60.42M7 O% e0 t: u) ~. X! g# P3 P
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
4 W! E3 r; U" R| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
) V% Q* M# n- m| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M
8 W9 P0 j( w; O4 [/ W3 \├──9--机器学习-概率图模型
/ @* f @5 `. m0 Q X+ {| ├──1--贝叶斯分类 7 k1 O |; h+ u. Q. I1 H) F' y- Y3 ?
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M5 ^9 k; Z2 e$ Y9 [
| | ├──2-TF-IDF .mp4 53.08M# M/ u8 I( D2 d, }, I% T
| | ├──3-NB代码实现解析 .mp4 126.73M
4 P" M( K' @# q- i; J/ u! {3 n| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
4 Y# {! Q# v* f" u' n8 j/ I| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M( ?$ ^) B3 w0 ^8 y# M9 B1 X# P; T
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
: I% J- H: H: L| ├──2--HMM算法
; R5 x+ j' y& b/ ?| | ├──1-HMM隐马的定义 .mp4 36.82M
5 G, [5 v# @$ T8 c3 L| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
4 Q7 G! w& v5 _1 ]5 N4 \( ]| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M8 @* P; B; {- F+ k5 @
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
5 i7 x1 G+ b4 K" m4 r3 W; m| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M+ W5 m: l6 g# x5 _
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
- d. b+ O: {4 ~6 @| | ├──7-Viterbi算法案例详解 .mp4 107.12M; l7 o! P# f2 o2 [; k
| | └──8-Viterbi算法代码实现 .mp4 42.43M
- h3 K9 W6 n5 r2 q- F4 Q8 s I8 U| └──3--CRF算法 4 S/ @8 r6 d) E" c' j
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M1 j3 w/ p( l: ?2 W) n7 y
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M# z/ h" G) F& x" h
| | ├──3-了解CRF层添加的好处 .mp4 105.90M3 @5 z0 u' {# J6 H. M8 d9 w' p) P
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M8 L0 p9 i9 v# M$ v$ G7 G* G
| | ├──5-CRF的目标函数 .mp4 23.74M9 @- C+ c+ o6 b; }! [
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M$ @0 e+ l5 x P0 z0 c* r( Z, D
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
3 P1 @! n) ^) t| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
0 t* p" D; q9 a- I N└──课件.zip 2.54kb" _3 H u# G0 `+ C+ A9 H, `/ M
% I0 I! w6 Y# B% ]2 ~$ D# \
: |2 H: ]2 m4 o7 k& ~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！! P1 X) K% ?$ `! q! u# g
! v0 a! }2 Q" e
, X% {8 ^4 }- E9 @
|
/1 
