战-人工智能2022/
, W+ l& _/ I. Y. }( Y8 @├──1--人工智能基础-快速入门
( m- Q) H* l l| ├──1--人工智能就业、薪资、各行业应用 " y' h( e( S; B! \9 w/ l1 m
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
9 K: D6 e3 W* Y" q: I' T5 J2 @1 ~% ]| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M! f7 g: }) p! o; i) v% ~- u
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
. n: R, j4 C4 }% g9 C* E| | └──4-人工智能在各领域的应用 .mp4 57.73M7 _ |/ T M; b
| └──2--机器学习和深度学习、有监督和无监督 x y( l- u( Z; L, ~
| | ├──1-人工智能常见流程 .mp4 89.62M9 e9 j9 B! i2 O9 w" E
| | ├──2-机器学习不同的学习方式 .mp4 83.51M7 S9 b1 u" y0 Z& f- R4 `
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
8 u2 o. ^0 \- E5 a/ P( w| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
) _* { G, |' j+ M3 _ i' G9 u* u/ k| | └──5-无监督机器学习任务与本质 .mp4 50.15M
' s. J; F! }0 P' z6 c/ {( A├──10--机器学习与大数据-Kaggle竞赛实战 4 f! K- C- \ z7 P- l2 o8 E
| ├──1--药店销量预测案例 % r4 e% I6 T4 Q! B
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M8 j8 {; k- @# K/ h3 Z( M
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M0 ~7 h! W, x9 w. }, x- d
| | ├──3-自定义损失函数 .mp4 21.12M
i* ?4 T& L$ K: W5 T( G| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
* ~+ O; G) ], |9 J9 b* n$ ?- a- T| | ├──5-数据的预处理 .mp4 111.81M
1 z0 H+ [4 m9 K9 A( y9 j+ N5 I2 Q| | ├──6-模型的训练_评估 .mp4 66.64M
* Q/ L/ z; d f' p+ Q1 I, E| | └──7-kaggle竞赛网站学习 .mp4 172.16M' m" X* |; X0 t3 d) e& D% J% S5 Z
| └──2--网页分类案例
6 ~4 r& h$ K) \! R& X| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
9 \& `$ U3 H! V& G| | ├──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
% N/ z9 ?& e! ]+ i7 X& Y' q| | ├──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 68.80M5 J& Z6 s4 @' a
| | ├──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- F% @+ ~+ n0 T9 ]* z3 ^, x; z6 x
| | ├──2-评估指标ROC和AUC .mp4 56.19M) y1 |: _9 n" a0 k9 \, m3 O
| | ├──3-评估指标ROC和AUC .mp4 49.03M
0 y4 O6 L$ a8 W7 o| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M: n- X) {5 [8 W
| | ├──5-数据导入 .mp4 68.41M
1 K+ b4 ]7 b! w( t }: p| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M8 z: \7 j+ |& w0 S* C8 l! P: n
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M M; H) `) @9 S' r4 e& 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 62.48M8 ]* H% ~# Y- ]) ~0 T, K! ~/ ]
| | └──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
M! J7 x) R$ a- O- z5 f% T├──11--机器学习与大数据-海量数据挖掘工具 % r W+ P9 D$ `
| ├──1--Spark计算框架基础 # ~: I5 S* {: |$ Y1 C. }, T* \" @
| | ├──1-Spark特性_01 .mp4 41.68M
; ^' n% V5 X2 n) C- d| | ├──10-分布式计算所需进程 .mp4 26.30M8 |3 h$ D6 r3 ^& A8 J; K& E
| | ├──11-两种算子操作本质区别 .mp4 56.31M
T; G' a0 k7 o, @| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M) Q$ u0 H7 N4 {4 I$ V
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M+ o. D% D4 j/ q( [/ a
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M( H* i% Y3 u, o" P$ F' v; T
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M0 V! f) F9 V& B' ]8 z% Z& d7 e
| | ├──2-Spark特性_02 .mp4 35.15M# h) w9 m% ]9 S- M8 d/ v
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
: x9 Y5 P9 Z% u- n| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
- q) F6 V/ u( y| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
" v% O4 T6 c V/ I| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M: n7 }# s: F4 P: u% }
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M9 U* M( w: S" t% b/ ?
| | ├──8-Spark的RDD特性_01 .mp4 33.08M, X7 P. m& L0 q0 n b
| | └──9-Spark的RDD特性_02 .mp4 33.41M, q$ b! ]: K6 S
| ├──2--Spark计算框架深入 G ?9 C! r' s6 Y- h; f
| | ├──1-Spark数据缓存机制 .mp4 54.43M
& @- e. N$ B0 E# f| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M. b* V# v" T* B* h3 a1 V
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M( d' w$ M4 l0 s' b
| | ├──12-构建LabeledPoint .mp4 111.08M
# Z! o! \/ N- ~9 S8 @| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
! N+ T0 {- g3 w| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
/ X2 T, q b2 K* z$ H( j3 r| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
3 A0 Y6 d8 W# m8 ~' l5 L| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M& i$ G% Q2 y6 w' p5 P
| | ├──5-Spark术语总结 .mp4 89.66M
$ a0 W; W4 ^0 l4 |9 ]1 C9 l| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
2 c f$ y! H/ [; ^; t| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
) N( J; `9 s2 r( w: e3 I* _# z| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
* [2 h, n* x0 B$ o) V8 `, n6 O* l| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
) u$ u' v, y5 g+ B0 I6 S2 a0 m| └──3--Spark机器学习MLlib和ML模块 / _5 h; Z9 X, f3 O
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M+ [* e! ^$ E$ k5 ~; U( A
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
' m" w. k: b5 K& c0 t| | ├──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 w2 b. p' C% R; {( h- r4 b
| | ├──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# H* ~- ~9 c/ O: b
| | ├──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! R2 x. e9 S4 d0 O' T| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
' t* r5 u B; ^2 p| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
2 k" @( O3 b4 H5 c/ j! e1 B* }| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M% v! r" U5 i1 g
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M8 s" t& b7 F. {# z
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
# `8 j/ U9 T8 I1 N| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
( `$ `8 z6 f! \1 x8 g| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
) F: s6 B( t4 }| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M6 p% h3 x Y; L7 v: k# v# P" X
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
1 o' n, S- n; e9 o| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M0 p' f% D2 E& {
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M- E: ^4 E% t v9 [) {
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M# K$ M4 g7 K8 g; H; }- E/ Q, i8 l
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M' q" Z% x7 l9 \
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
- F' o( n% s' m. i# l# G| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
( s; @ Z. T1 I- J+ o4 Z| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
5 F0 f5 e$ O) ~6 ]| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
~6 V, x# d+ I/ _. T| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M$ B6 u$ l: D& O$ z+ }) v$ M. Y' o
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
' A. w# s9 g4 k' T( U4 Q| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M) y9 g+ L" g6 e8 O
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
, G0 w( w% }0 E5 G6 B; ?├──12--机器学习与大数据-推荐系统项目实战 , {8 A' y' H0 Y2 E7 F8 a
| ├──1--推荐系统--流程与架构
- D& A& D+ B# ^| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M, y" U& T& Q2 t8 k( s4 }
| | ├──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
; M" R: D W ` r| | ├──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/ E2 j: R1 O0 p7 ] Z, ~7 |) D
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
" V! F1 i7 z4 q8 L( d2 v| | ├──13-推荐系统_数据源_2 .mp4 82.90M5 p& J) s( f! L' I* l
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
# ~+ D0 X- _& s. p @ j8 G, ?' b| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M' s9 r$ ?2 l8 ?/ k
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
$ a1 S6 m8 u6 \* r8 }, R| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
* r8 c! g: O% ~0 r% T9 r| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
& W1 W( e y& L2 |/ L$ A| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
0 D+ y7 E4 k5 Z' l: F4 a| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
7 v, a/ b* r( m+ o$ X| | └──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
, H" G. \$ J. \! x+ E| ├──2--推荐系统--数据预处理和模型构建评估实战 0 s, }& ~1 B* p( d, n. D- C; N
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M c4 p3 u$ y& c4 _9 x# U5 x
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M" |- D7 H0 F3 }: c- h6 f
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
6 S$ ?2 e0 S; u; z- C$ }) O: o/ l Y2 {| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M5 C% s8 G& |0 L- A# E5 D, s
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
% f5 o" p+ n$ [( @8 r' a! p$ y r| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M5 S" ~! N$ N* d2 ^4 ]3 v
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M: A" l: T) M5 ~' R$ c0 }
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M+ W' @2 V0 I* |# N
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
: w5 ]. V S- V* s! l; m| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M D- O J) O* S$ Y; \) R5 N0 e
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
9 k7 Y4 o1 K3 ]| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M9 C4 m% |! ~' J! t1 n
| └──3--推荐系统--模型使用和推荐服务 $ v( f' @# H0 e+ l7 y2 G; O
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
2 u! s& d& U* E| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
$ i# ~ C: O* `2 K6 \| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
. r. W& y0 ^% [/ j& G* l% m l5 ~| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M; u# ?9 u0 G+ H; M+ P9 {- Z0 }0 h
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
+ G4 P" B( `! [- B9 F9 K# j| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M0 |- `; b3 P+ ]: ^) E- g+ Y
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M' g) K4 p" ?7 W$ g7 x- h0 B* B
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
x7 S# H6 C9 s. {( o9 r| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M7 L* s- Y" A, q8 @& X$ |1 k
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
( v5 T) g' Y- n: O! O| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
: R0 k. R0 ?, r: u| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M* P9 P7 ]/ J2 s. C1 Q9 a
├──13--深度学习-原理和进阶 q6 ^$ F' ]/ j" F7 m: O# Z0 {
| ├──1--神经网络算法
0 Z" b. ~' A% `1 L4 l" K% B| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M3 ~1 w8 y( ?" C: A5 F9 s+ e
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M' O1 G$ N9 X0 R; }
| | ├──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 67.67M9 i# p+ N- |9 J, m( \& G1 p. r
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M, [9 |) ]! S9 ?
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M8 L3 k6 w% j7 h9 S
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M# R9 L; R- i4 \" K/ I6 ?$ {! q4 ]
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M+ u p0 z) o5 D2 a
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M5 t3 R3 I: z8 T& [+ F7 G% c
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M9 L4 m9 U5 j" u( H1 @: A3 {; b# Y2 {
| ├──2--TensorFlow深度学习工具
4 ]( D( V; Z- a8 n B9 n5 p| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M, w8 O* W$ q6 K1 Q
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M7 _: f, J: [* {/ d7 C1 F
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M/ }/ S: j" h& m! y% ^
| | ├──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
' ?9 k0 B4 B) B! R& O6 q| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M2 ]5 C: w6 M) w
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M% ^6 I: b; r2 O! @- J. i
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M, B9 j0 ]: g) _, T
| └──3--反向传播推导_Python代码实现神经网络 8 O" g3 F0 ]# l8 o# n* c
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
7 t6 S4 @. H% c9 l| | ├──2-反向传播推导(一) .mp4 127.90M
, D2 _ c$ L) E) a& }| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
. {+ z c# d4 y/ y| | ├──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
0 ~9 j1 _. m5 _, b! |2 D+ v| | ├──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+ R( `5 ]/ k; t# Z
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
8 Y z, h2 _0 o% e& e4 c) }6 B| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M0 E: ?0 f Y3 I3 q- ^; K# V
├──14--深度学习-图像识别原理
# o6 p2 M; T& i1 o| ├──1--卷积神经网络原理
6 B! n8 n. ]- d% i| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
$ O+ P5 U9 L4 ~, S# H| | ├──2-单通道卷积的计算 .mp4 104.01M% u+ G- u" [/ x5 E
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
# p: B0 A/ b) h| | ├──4-卷积层权值共享 .mp4 63.93M) h9 e7 {$ `, L. Q8 u f; `
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
6 ^" I x: J$ U: A* c) u2 o| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M3 [, g* \8 q, X
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M' V6 Y" B* g; t
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
0 z H! t) D& P, m9 h| ├──2--卷积神经网络优化 * {3 s. `0 M7 ^' k$ W+ ?
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
7 W! F1 t2 D. || | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M: ~0 v6 C3 G1 D5 R
| | ├──11-Optimizer_Adam .mp4 141.12M
- P" O K) x3 M) Y| | ├──2-Dropout技术点思想和运用 .mp4 113.94M2 c/ Y. U% [- x" W0 K2 o* Z
| | ├──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
8 n- V" _4 T- ~# e2 Z) ?* ^| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
( Y) l" T: Q, L# K/ x| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
* V/ T0 w. \* I6 y, || | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M* E7 Z9 G7 @- I2 ` Y$ g
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M1 r+ }% K/ |! E: i- D) r- P W
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
+ c1 ^* y3 S; n* ?/ f# Y| | └──9-Optimizer_SGD_Momentum .mp4 89.70M) {* F( j) X+ ~9 x/ F
| ├──3--经典卷积网络算法 2 a r; L. D" I4 B
| | ├──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& J& A3 K e5 Z& N. J! v
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M1 ]" W! b I5 f
| | ├──3-InceptionV1_V2 .mp4 165.86M' U7 U, E' O) ]/ e- K
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M4 }( @% \- Z4 @: w& q
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M$ b( o5 i! d: I
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M$ [' H. X, |/ W2 _- ]* I1 m4 }/ Q
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
6 {, @7 F" i* T7 B| | ├──8-BatchNormalization .mp4 99.23M4 |/ F R s0 X: ^- u2 G# W
| | └──9-Mobilenet网络架构 .mp4 150.05M6 x5 t7 y {+ }* ]
| ├──4--古典目标检测 9 X) C3 U3 D1 C
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
; _! g+ Z: E$ Z+ h& W| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M; g9 W W! b, M
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
( e4 k7 x& J, A) e8 H, ^( X| | ├──4-R-CNN和SPP-net .mp4 124.06M
# D% c! `2 V) S( A! f. d% L- r. P1 y| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M8 l' H3 Q; o W/ S4 U- v
| └──5--现代目标检测之FasterRCNN 3 Q3 {% C/ H J
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M+ J# W) c6 y: m: S' P$ }2 Q, Z3 U
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M% U; e2 b% A/ J3 ^9 S; s
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M: \* a8 l5 i* x/ b6 m- X
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
, d, j* \. [; {9 H$ n. `2 }+ R| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M& |0 P' q5 m I$ h( j7 J4 I
├──15--深度学习-图像识别项目实战 & c. a c! a4 v5 }5 E N8 ?$ O$ }* Y1 M/ e
| ├──1--车牌识别
# X! B+ d: \2 E. c8 i, m: R| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
+ @) i+ Q4 M3 \' G| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
3 S" x) C0 i! H' F. I| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M I% Z& O/ j" W7 `
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M& d' S8 T$ l# l# l. Q; \$ g4 p7 s
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
' s2 b3 Z6 L$ g0 n, p| ├──2--自然场景下的目标检测及源码分析 5 q4 S! N" q' c! ?+ G- A' f/ 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 E n; j1 @( I b L: N$ \
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M: T4 ~6 j/ B3 ?3 ] |6 v
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M4 H' K z, C/ A4 T
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
% z6 T+ j" M- M| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M* g: O' y. ^, L9 l4 S0 A+ j
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
1 u$ l- Z. Z1 `( u0 ^& z( f* {* Q| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
. `% s% G2 K' D; v0 n| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
) O8 f+ {" |; E* ?" t! V% C7 R| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M8 |8 g3 y+ B% g8 K }3 Z
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
0 }# F# b9 E, S: S! y3 T! p| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M2 T9 ~" ^" m' e- Q. R
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M# D J. h: m$ |0 W% y+ C! z
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
2 |# \7 M+ }5 C" Z| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M5 A; |/ f* |3 V( X3 T/ Z6 }
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
2 p7 C& I1 }( s| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
+ N* d( o" X& c- D| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M' ~5 ^( K0 ?4 h; Z6 A1 Z4 U
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
9 f8 `7 ~1 }5 s( [* I| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M: {4 q0 K8 [5 e, H A6 I7 e
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
. c9 p8 g. u/ P5 J8 {) x| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
' w6 ?4 U% c% s( X2 g8 |& @| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M+ Z9 `* r% Q" J$ f
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M. L( K& h* @/ L7 |
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
- I( M$ F; o+ c. G| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M& x0 w P- P9 F. |# k: q0 \/ h
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
1 |) N' P/ O0 C| └──3--图像风格迁移 ! }$ s( u5 L6 V" r$ _* d
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M0 H1 f# U4 {: N/ ^/ y0 Q/ `
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M; b1 _+ |4 ]& U! I' t6 _
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
) j0 F) V G9 }# W7 {| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M! N @( l) Z1 b# D1 _( x. r
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 # O l( n2 U+ ?" d$ g
| ├──1--YOLOv1详解 ( B1 m: m( |9 P
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M i- o& T. q6 C2 @7 e
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
* a) E1 V( J7 o" u% x) @| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
8 h0 u g5 ^! e2 j5 I| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M9 h0 z: m2 ^/ z9 X
| ├──2--YOLOv2详解 . V' D/ q4 G) J5 p/ n! ?
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
6 E) R, k/ h: \| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M- S; g' d p/ G# F3 ~; R
| | ├──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
& H+ u! j7 L: j8 i2 B; F, c- a; h| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M, |6 S8 B$ K1 d& _; D& f% x
| ├──3--YOLOv3详解
3 m$ `. `7 _3 D' u% p1 j+ Q| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
: G( P* p8 S! ^8 l9 i$ s# H| | ├──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
0 S1 z0 {7 A1 }) r& i8 ], X| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M. R$ p* s, _4 C: T9 [
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M8 t0 L. ^7 p4 I% h
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
3 j1 ^7 F! V8 W. j0 B| ├──4--YOLOv3代码实战 7 D$ L! O+ S4 j
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M$ {3 j" b* F# F d; |6 H
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
, E4 C% R( ^" g9 L! ]) \, S8 ?| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
/ m4 m# R* u8 F7 _, ]' P| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
9 x W6 a* y5 J, e. p$ }| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
2 o2 n! b# v: y8 d6 S0 Z2 _| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M( m* e3 ]5 l P! {- `; N" ~' u
| └──5--YOLOv4详解
, d6 g* a' c- v1 Q6 Y2 @. U* y| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
% J# @4 k0 E' I| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M- ]$ v& `/ k. ^; x% G2 r) A
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
1 \4 K6 A# f0 Z) T| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M7 q } ?. [/ K/ p( g
├──17--深度学习-语义分割原理和实战 0 z7 {/ ^4 @& Z1 i0 Z- f
| ├──1--上采样_双线性插值_转置卷积
" S+ U+ A, ?4 K. t7 k& N| | ├──1-前言 .mp4 19.46M
- }% @5 a1 L" s9 R! |% T; K| | ├──2-上采样_repeat .mp4 23.90M
8 a; r, @, s1 I" I: r$ Q7 K| | ├──3-线性插值 .mp4 34.48M d5 V; i, `; z4 Q4 J3 H: P& p
| | ├──4-双线性插值 .mp4 125.71M
: _9 h' {. Z6 Q: f4 z| | ├──5-转置卷积_以及TF的API .mp4 114.25M3 N7 I( ?9 q2 O
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M7 C% S" A9 o. b; m
| | ├──7-ROI Align .mp4 58.38M( _/ e! T8 E1 m
| | ├──8-FPN思想与网络结构 .mp4 92.14M
& j. D/ v; W1 b: [ S. }| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
. r7 d, [1 L* L3 e| ├──2--医疗图像UNet语义分割
8 {4 J" ^% }: b4 W+ V5 J" P: J| | ├──1-语义分割的基本概念 .mp4 18.33M6 b1 `' i# j- F6 H
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M9 s4 I! f5 K* p9 n, }3 f
| | ├──3-UNet网络结构 .mp4 30.41M
; A1 \0 A1 T. z5 _6 `3 |8 v| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
" ?6 i# S; U! k% @. j- t| └──3--蒙版弹幕MaskRCNN语义分割 : |0 k9 r/ I* ~1 d
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
& p3 u+ d5 J5 I4 o" E| | ├──2-MaskRCNN的项目展示 .mp4 250.54M# x1 {3 }: D; r' d' o' a5 s2 w% t7 H
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
0 I# ?* p* f6 I! P| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
3 w' I# P4 w8 ?% @( l" \| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M: q2 S* _6 I; X% o/ ~
| | └──6-MaskRCNN源码config和model .mp4 244.48M
" h3 A1 y& w/ D$ H6 f# G7 D├──18--深度学习-人脸识别项目实战
( Z/ G4 f* G* C* `6 t| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M( x. o2 L% d, c1 |3 q
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M7 l9 H' E- U3 A* T2 O1 I4 r
| ├──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
0 Y* q7 C4 x* ]. h# P6 G| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M! n3 i, |7 C" g _. A$ U
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
2 g4 Y' f8 ^6 {. V| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M. s7 F; c% f$ a* {0 k& h# {
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M0 j7 r, P" h Y! j$ i
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M0 ]/ @9 Y' `) E- G
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M) v9 q5 c8 y$ Y; G0 f: ~
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M1 A2 D& N# l% Z; B+ L
| ├──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* B3 m! C' H H/ M1 K& ^
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
/ v4 t% ~% d$ V. k5 d| ├──3-人脸识别项目代码整体结构 .mp4 30.40M" V5 u" `" x' l( q K) T' A
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M6 y* G2 v/ A$ l4 d; O5 d) V
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
. n5 e0 L; Y* l+ c* k, \| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
% g# Z4 a2 S/ X! Y| ├──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$ O1 N1 e. k1 M7 g) X' X7 }
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M5 ~$ {; V: N& X6 i
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M9 z% b0 V/ f0 B) O! l- b' A5 I
├──19--深度学习-NLP自然语言处理原理和进阶
6 p- {' u5 w6 A# d4 L" s| ├──1--词向量与词嵌入
4 u% s1 h& L# V3 }9 f% q! p| | ├──1-N-gram语言模型 .mp4 116.32M. p7 ?5 [: T) o* I. A4 h$ m
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
3 G+ x& y. `) X ~1 s4 i; y* R| | ├──3-词向量的作用 .mp4 58.00M, Q* z) B' K8 m2 R3 n, y1 e
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M/ b7 D/ C) ]* Y' Z& C. |" V
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M9 J: _2 p4 e3 `) m. K; @
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M. D; S# u2 k7 [# M, Y$ _
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
& a- u5 h* u' ]' F2 q& |% V3 ~# `" t| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M8 o4 b2 v& K% D5 z* [
| ├──2--循环神经网络原理与优化 w6 |: C! J$ U% [$ W3 V
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M# A* R9 `# @! j# X! i
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M9 n) {' q8 Q# ^" y) m
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M' r/ m1 W& n3 v1 |* C+ g
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
4 b; k9 |, Y# \3 v; ?6 y| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
8 K8 W# S+ A' s- || | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
) B, f8 d9 R: ~: o# J| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
4 l h' }; T9 K" Z' C6 k| | ├──8-双向RNN_LSTM .mp4 52.01M( E0 p/ A) f3 c# Q- F# t0 G6 W9 _
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
6 B) G2 E5 A& P| ├──3--从Attention机制到Transformer $ H; _" c. w( J
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
) K9 L; V6 Z5 l- v| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
8 l5 m0 [" I) A& l* o; T| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M- F+ d9 Q8 V( m5 h
| └──4--ELMO_BERT_GPT
9 Z+ Z {, ?' G- F* m| | ├──1-ELMO .mp4 62.44M3 _" N( V9 j, u0 m5 @$ [
| | ├──2-BERT理论 .mp4 99.73M
0 T( G$ P% `+ p' }| | └──3-ERNIE_GPT .mp4 56.34M2 @2 t# s: w6 Q, W5 l9 f0 H/ h7 X
├──2--人工智能基础-Python基础
/ I ]( l3 @( v2 ~0 @& \| ├──1--Python开发环境搭建
' y) b6 |8 B* [2 @) m# Q7 N& t| | ├──1-下载Miniconda运行环境 .mp4 100.75M# C M) l5 W" x3 a$ a
| | ├──2-Miniconda安装和测试 .mp4 57.12M% w. ]1 J( q$ u1 b' F
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M3 U# Y+ s6 g7 y
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M7 p' r8 [ s0 y3 Y# ~+ H
| | ├──5-Jupyter常用快捷键 .mp4 32.23M, P g: ?: K! t1 ]! E% ^
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M9 z6 U2 p. C0 I6 S
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
4 ^& k: Z4 V) U/ I| └──2--Python基础语法
$ r6 d7 l$ F& g5 f* n y3 R) R; ]| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M# R6 U( v+ j9 Q& T9 C# c4 M+ R' @
| | ├──10-Python_集合操作_列表 .mp4 34.71M
: W$ @2 S/ o" k5 t# f( _' y. m| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
1 h! t! y/ `1 z& ]: ~" W( O& _, z| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
' C, ]; b# s5 l, R( L| | ├──13-Python_集合操作_元组 .mp4 43.46M
. o0 D7 _, Q2 H% l% B+ n" q| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M9 D6 P8 H6 Y1 O. ^+ N4 o* t
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
1 n3 U* Q2 O N/ {/ G- i' I| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
5 h$ @$ m) S$ n| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
/ J$ R J& l/ f1 e9 b| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
' M. l- q0 S/ y* ~2 k| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M2 X) \% e* a: I7 `* l w$ X
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M4 A; Q! A, X* h U& ?) t
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M& d% H$ q$ B& B
| | ├──21-Python_函数_递归 .mp4 23.46M, E0 h2 m [( a# @: b. L- G
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M$ x+ |& o q _$ p" q/ n4 R
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M! j! V2 q8 i9 d* E5 L/ R
| | ├──24-Python_函数_闭包 .mp4 41.61M
$ v4 s; M& Q7 L& E/ H9 b| | ├──25-Python_函数_装饰器 .mp4 30.35M3 g; W% o T4 p$ G! z
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M& `0 y/ h/ Y# I( R! @
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
" d2 o6 w* ^, H7 t4 G/ p& \| | ├──28-Python_类对象_内置方法 .mp4 29.17M
% G* z# W d1 Z P2 V L| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
& z1 U9 L! I r& U. p2 \( s| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M7 N: m/ j, M2 N: N
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
9 L+ {& D! X; W+ o" K| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
: m% K; b V( l7 v9 T# _ p| | ├──4-Python_控制语句_while循环 .mp4 25.02M
3 L' D& z V6 [1 }6 _9 q| | ├──5-Python_控制语句_for循环 .mp4 22.82M( {: X: I+ v1 R4 u d! F, r q. O) l
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M) V3 u7 Q: A. A
| | ├──7-Python_控制语句_break_continue .mp4 25.23M9 X/ P. J' x: i) Z$ ^- R$ N5 z
| | ├──8-Python_切片操作 .mp4 40.20M& ^: |8 F1 p+ E0 ~" @: o
| | └──9-Python_数据类型 .mp4 25.38M# w1 t3 ?- s" i) \
├──20--深度学习-NLP自然语言处理项目实战
" T# {# f) G$ H2 {. U| ├──1--词向量
1 Q. {& H) C* H, e4 T| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
& |0 D% I! c3 X| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
2 K, f6 U- h/ t1 J: r& h1 ^( B| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
* J; Q# K/ K) R7 Z7 Z- @| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M8 c" k% b. t% r9 k
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
/ f2 E$ i) F V8 L( w| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M+ m) R: T1 j1 ]) I: ~! a# t4 l+ m
| ├──2--自然语言处理--情感分析
0 S, N/ m2 n: {1 `, Y1 H7 ~1 T4 D, d| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
& j- h8 {% j1 F4 w. I" r# E+ p" i4 `| | ├──2-数据预处理_01 .mp4 79.65M6 J! H/ _3 ~* a
| | ├──3-数据预处理_02 .mp4 45.68M: o3 y5 b( `% R2 L/ r, y* Z0 w1 f
| | ├──4-代码讲解_01 .mp4 52.29M
9 n' E9 b6 Z+ v* w| | ├──5-代码讲解_02 .mp4 60.85M
1 u4 y$ i. T" `8 { ^, A( ^5 ]! H| | ├──6-代码讲解_03 .mp4 53.89M
5 h$ v& F4 Y' x$ j4 Z| | ├──7-代码讲解_04 .mp4 57.19M2 G$ l0 H5 r& T- D' V
| | └──8-代码讲解_05 .mp4 35.88M" j9 S0 c, s* S1 C& W8 r2 N
| ├──3--AI写唐诗 # ~& l7 U& k+ J& ~
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M1 j, J8 F, C \3 P- x0 g. G1 T
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M( p" K4 g3 z; O# l3 C
| | ├──3-MultiRNNCell单元 .mp4 38.93M
a: A. t; ^6 Q! W2 I1 E, X| | ├──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! k: Q# A( [7 k' a1 R3 p
| | ├──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
2 z* O) s8 B8 M# s: a( M4 d| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M& q* D% Q$ ^, j' b2 @; G0 ^2 I
| ├──4--Seq2Seq聊天机器人
3 x. [" O% Q2 N) A' W6 w0 \: ?| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
- _ b2 O9 k* _2 Z, U| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
, L5 V' Q) g; }; X; ^/ b1 J% B) ^| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
* C$ I) g$ N k+ p3 j# W) w| ├──5--实战NER命名实体识别项目
0 x9 A& }9 [+ h! X3 M6 K9 D| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M2 r, t9 R0 E8 I, Y
| | ├──2-介绍了代码目录结构 .mp4 23.44M$ K& x5 t, R" C2 R
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
1 f. }% T4 G4 x* e# j| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M8 g; d7 \9 R+ m$ c$ x
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M# N3 U) H9 _$ d( s
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
\3 f4 s8 O8 m2 K) H1 d' i {| | ├──7-CRF中的特征函数们 .mp4 125.97M
' f, Y) O6 g0 X, l. y! P7 p/ J8 c| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M1 ~& E: W |# g P( x7 f
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M( h4 G: F! ~! n& j7 p# s
| ├──6--BERT新浪新闻10分类项目 " u- ~2 i, a0 j# f2 M7 O
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M5 t4 u- C, l( r+ b* U. l! o
| └──7--GPT2聊天机器人
" b8 Y, B& p) u _$ A$ H$ c0 N| | └──1-GPT2闲聊机器人 .mp4 62.28M4 M0 e8 Q: D0 R9 w c
├──21--深度学习-OCR文本识别
. u- H. j- Y. R% c7 P9 M0 Q| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M' k$ A/ n9 U2 w8 v
| ├──10-CRNN项目代码剖析 .mp4 306.48M
( C" X* S( c# B| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M4 `( u0 p# W7 B8 m2 A' ]. G
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
0 I6 u; q+ [, i, t. n0 c| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M0 L* w1 A }( g* h b
| ├──5-CTC损失函数的理解 .mp4 330.64M
+ T2 r2 i) V7 \/ R) {| ├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4 200.52M8 G {; H7 P, p `6 i; d# T& c
| ├──7-CTC前向后向算法代码 .mp4 225.41M
7 `+ I6 T) @1 i- z9 a2 u% e| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
# t$ v2 G+ p8 P, l' `6 }| └──9-CPTN项目代码剖析 .mp4 491.69M& \. Q. q9 ?- P0 \' `0 Z( M
├──24--【加课】Pytorch项目实战
. @+ L+ t1 H2 G9 K$ _3 N| ├──1--PyTorch运行环境安装_运行环境测试 ?! e: q5 ~& F! \- j1 n) V
| | ├──1-PyTorch概述 .mp4 29.29M" j; Z9 e: v2 l+ E% p( G
| | ├──2-PyTorch的安装 .mp4 76.45M
* M& Q& M$ h! `( ?9 e/ O0 [% ~6 g0 l| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
% b, ^& b; N/ }* ^| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
. l/ j" A: r0 L0 |8 u. O0 e+ n| ├──2--PyTorch基础_Tensor张量运算
" o" \! w( d# A7 ]# `6 ^| | ├──1-Tensor的创建 .mp4 55.14M' D: z5 H* {% |8 }
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M# i' N# H: Z( S0 W0 Y
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
7 R6 g5 S: E$ [ s9 I- \| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M& y/ `4 c$ P: o' v5 u# N
| ├──3--PyTorch卷积神经网络_实战CIFAR10
( k0 I6 Q! x c& a6 ^! |# Z1 \+ i| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M. g5 w1 p8 z( X! ^% ]
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
( c, M7 Q5 `7 ^8 ^| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M0 t/ Y. D/ Q1 }4 p* W
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M. U" ~& r5 ]9 ?8 u
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
6 n# y6 N! B/ q5 q| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M# z$ f' H. |, m3 }
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M, X7 k- q% \) u
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M) O$ X5 Q R% J1 [/ o
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
) P" t9 l! d, P% I. W| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
3 q% T/ g6 [& n9 d4 F6 e| ├──4--PyTorch循环神经网络_词性标注 4 {1 u, p$ |6 i
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
' F3 l, _; W- {- _1 {. g" m| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M5 f) f2 ]0 z$ r) L
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M. ~7 L8 C. a' J7 {) Z8 v( Y0 D
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M2 |6 `6 {9 R6 O4 o) z4 m
| └──5--PyTorch编码器解码器_机器翻译 9 I/ x" B1 U2 P6 V2 x1 d, U9 f
| | ├──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
9 c4 q6 r7 J, q- U& W+ U1 E0 M3 V| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
4 v) A: e! \1 M. W+ V- e# @& `| | ├──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- K& l' J$ K% Y& u3 A8 G4 j
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
2 c! [' i3 \* m% f% y+ z( o! Q4 \| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M& R; A l* [0 L8 ^
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M9 C) M& G' @+ C. P* r
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
; ~+ y6 s& C# u' k" ^| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
' `# |% j% y7 [├──25--【加课】百度飞桨PaddlePaddle实战【新增】 / z$ k4 ~$ h9 H" ?4 _3 X' g
| ├──1--PaddlePaddle框架安装_波士顿房价预测
5 h! N9 G) E; N1 K# J+ F2 v9 z| | ├──1-安装PaddlePaddle .mp4 87.34M" G9 q+ m2 h/ \
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M; b% y- [2 h" w; |
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M; f( I# |7 L O6 G- s
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M. S" S9 c: r4 o1 F6 ?
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
! j2 E k' J5 a| ├──2--PaddlePaddle卷积网络_病理性近视识别 8 w0 m9 P+ _2 V i, f
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M6 {8 @8 }, T" l% e
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M% ]! X% f5 J3 E: d
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
" h0 }: R: i5 [& Y/ o| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M4 V% H. s- P; V$ ?( s4 X8 u" E
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
5 {% B- U$ L, _5 M| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
$ f4 g0 L1 V1 @) B$ a. l; b- T3 {$ [| | ├──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
7 e: h0 {7 ]5 E7 a| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M& X/ I/ d" m$ @$ N2 H5 _: j6 R
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M& @( B( ^) E, O& V" C: \" G; h3 N
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M9 l0 y, k q3 S7 z
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
$ D9 B! C3 {# x" |- j& e0 b- ~| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M1 J# a* r% T8 v4 |( ]9 W
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) , l8 M1 C1 m7 H6 }; Q( [+ ]
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
8 i$ N' T6 P6 o$ Q6 r7 x% q, C( R$ X| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M( H3 s9 `! a: ?
| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M7 ?6 e- j3 m) F% \
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
/ I% z$ K* U$ K' a1 o H| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
* z" `4 N% O7 z, A| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M' H ~9 ]0 V9 n. K
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
8 U8 y' J* `! {| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
1 D* I! L3 W' ~| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
/ W: ~- f: l" p# {( J3 h4 x. M" _| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
6 x: O. U9 L+ Z$ {| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M, E" D! w# q ^' G
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
( S- n) T; m, U3 p2 ^| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
- [4 O, t) e4 P$ ]| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M, V. E0 b. M$ }$ j3 c% g! k4 `2 [
| | └──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
5 P9 |" A% A7 a| └──6--PaddleNLP模块_物流信息提取（ERNIE版） X$ G0 s/ t: h* |# e! s: d9 ]: o) z
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
+ T9 [# x) \, X| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
0 ^" X& n( J6 V8 X a5 @| | ├──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 47.78M6 b7 r, A# h0 |! }4 ^( {
| | └──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
" q3 G# q4 q; z! y6 Q. r├──26--【加课】Linux 环境编程基础
& O5 Y7 y* T) @' \| └──1--Linux
) s9 X* F9 F) z9 [| | ├──1-Linux_课程介绍 .mp4 3.72M$ s; C) ?5 S7 O
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
+ X+ K( [6 M7 m1 n| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M+ ]# E! |: M4 p- B+ K. o
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
- }$ b+ _4 y" s3 Y| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
) G( E" J, q( t( i- f, E| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
5 R7 i4 T) Q# {4 n w0 s| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M) _+ C8 A; H6 B0 E/ s
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
, s% @& v2 _- D, |/ @| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
3 r4 ~* D$ b# r! D+ M. g| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
% }4 I5 W. c9 B! @6 X* `0 M| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M; d; Z- j$ a) U! [# e9 K5 G" c, ^
| | ├──2-Linux_Linux简介 .mp4 17.59M
' S% i) T, H7 ]9 x2 X3 n| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
: Q5 H1 I* P, N; J| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
! K, Q, z0 r2 w$ } l5 S| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
& D H K; a0 \' c) f" J| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M2 c; L K, _" a7 o( A' J
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M4 l3 [2 N7 d3 B
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M7 A0 P' f+ Q- H& {: x0 K M2 D V
| | ├──26-Linux_安装MySQL .mp4 79.02M) z6 ? w( b: S3 T6 }
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
0 E$ Q' A& Y. z# N) T% ]+ S| | ├──4-Linux_安装Linux .mp4 41.97M
! c, }6 z- W+ y| | ├──5-Linux_目录介绍 .mp4 20.31M. n9 J" O T# d4 A; M8 ]: e9 P
| | ├──6-Linux_Linux中的路径 .mp4 18.65M$ d7 s, e. [0 M1 @/ {0 s g
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M2 J% j, Z- o9 u- p* m
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
. `( E# t6 A6 X! D| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M% Z6 C# R) e5 X8 Y: w8 {' K
├──27--【加课】算法与数据结构 2 A4 @( S5 c8 J, N4 Z) ~9 A6 N
| └──1--算法与数据结构
/ R. n1 j0 P9 f| | ├──1-数据结构与算法简介 .mp4 35.68M
! n5 n u. E" L( w( T| | ├──10-哈希表的基本结构 .mp4 54.34M3 E j/ Y+ l, R) q' z' d1 r5 a
| | ├──11-哈希表冲突问题 .mp4 75.92M
: @ c4 e8 [5 H; Z" @2 w| | ├──12-哈希表冲突问题2 .mp4 72.30M
! j) |0 w; d$ y, N+ C| | ├──13-哈希扩容 .mp4 111.03M. H: J# h4 q; p r: r" w
| | ├──14-递归与栈 .mp4 50.77M2 q; H$ i( U" J& o: ]
| | ├──15-线性查找 .mp4 57.80M2 a- w L, _$ o
| | ├──16-二分查找 .mp4 52.32M
) t4 M8 O* S+ k" B| | ├──17-冒泡排序 .mp4 53.19M
, U+ [6 H8 B' I0 G$ e2 d| | ├──18-选择排序 .mp4 43.29M/ x& E( }) J4 S
| | ├──19-插入排序 .mp4 31.39M/ ]( S3 z+ R# k! v; H1 |- I9 _
| | ├──2-大O表示法 .mp4 25.59M$ i& S, P7 G; j+ f6 ^1 @( W
| | ├──20-归并排序 .mp4 84.48M
b0 ]1 `: n+ T T0 p) W1 `, J| | ├──21-快速排序 .mp4 36.63M
- f9 C1 D, F+ l; Z: N; o| | ├──22-树结构 .mp4 96.85M4 J. ?% D4 t4 ^- I9 I) l5 Q
| | ├──23-树结构的遍历 .mp4 61.05M. N; O+ K1 i9 f( a' w
| | ├──24-最大堆的增加操作 .mp4 45.43M K; O9 a6 G3 h" u4 B. W* G
| | ├──25-最大堆的删除操作 .mp4 45.63M& X* |6 E! I* c$ g* _. K) a
| | ├──26-二叉树的查找 .mp4 100.24M
" n' j* t% B. B: u6 R| | ├──27-二叉树获取最小值 .mp4 25.21M
1 Y5 h/ M6 m8 Z' G! w1 K& n| | ├──28-二叉树的添加 .mp4 72.66M4 q8 u# i- R: i% p
| | ├──29-二叉树的删除 .mp4 120.06M
! L+ X; B% u6 C2 f| | ├──3-线性结构 .mp4 53.14M
6 y) b5 G$ `# j* ?8 m. G7 e| | ├──4-单线链表1 .mp4 68.36M
2 u! |# ]9 B2 K4 T( r, d. Z| | ├──5-单链表2 .mp4 221.69M+ h, a0 {$ X( e' ?
| | ├──6-双链表 .mp4 103.57M
+ J* [3 c" H& }/ B( c$ r| | ├──7-队列(链式) .mp4 74.12M
6 F: C, U% S% _1 T) G: ~| | ├──8-队列(线式) .mp4 30.99M
A) t9 y0 c6 Y- V) i# l' r7 h, \| | └──9-栈与双端队列 .mp4 28.12M; n( Y, o& A# o1 A5 p; L( G' i9 S! F
├──3--人工智能基础-Python科学计算和可视化 7 I8 p% ~! i2 ~1 L
| ├──1--科学计算模型Numpy
* X/ f# v- G$ j& O2 z" s1 D& A| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
( G/ k* z9 w( y) ]% k6 ? || | ├──2-Numpy_array_arange .mp4 35.45M
. w. {6 S6 E* O. [+ d| | ├──3-Numpy_random随机数生成 .mp4 50.54M
f$ O& a! q6 c) J| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M; F, [- r! f1 U
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M1 c; L5 j$ K, A4 E q I) m6 c, I/ a
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M7 a& O9 V" ~5 m t- R
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M9 X u0 j) Z8 a
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
* w1 e* \3 ?, x9 n3 X1 P) f| | └──9-Numpy_聚合函数 .mp4 23.68M" o0 c" S ?" d5 ^ o# ~- ` U
| ├──2--数据可视化模块
3 c& {6 @' ?6 k- W& M2 r9 T| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M& l3 M' u- `2 n9 a _9 C4 _4 L
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
2 i) O' C0 x3 p: s/ l| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M3 f/ N- d3 |4 e0 B
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M, Y1 \' H5 ]8 A" s; I
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M x. r G' u" k
| └──3--数据处理分析模块Pandas 4 e1 a$ J4 u% _- [: q0 m
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
/ k2 q* J- F# v: Q| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M. y4 C, h9 x3 I0 k- N! ?
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M0 ^0 J/ w% h4 r8 J) Q
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
. n. X6 X; O& U$ J$ R1 Y9 S| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
6 Y/ A" d9 G" [9 z( G| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
, z, y, J! X, f& `! U| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
' I, w0 s; B m3 u! D$ {1 M├──31--【加课】 强化学习【新增】 8 ^& n& b4 i: D5 @ K
| ├──1--Q-Learning与SARSA算法
5 U, o2 j9 M3 m! J( d| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
; t$ N. t" `: h! i2 c% Y- {8 k0 T2 x| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
R$ a' g; C; H: R" f4 G| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M5 y p! q( ?6 c9 M# v- t! R
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M! }! `3 E2 V7 _8 `# Y
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M3 U+ \3 i/ Q! i
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M8 r1 Q/ Y8 j9 c% \1 |$ J
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M5 ]6 p# G `# K, @! ~* o
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M, Q0 p1 _ k' W. D
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
- p0 Y5 u; E' l" l2 i| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
3 q' P3 G; \' ^; X' @4 _0 C0 f| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
2 T# P+ n- @, m; Z: I8 X- N I| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
1 N+ }; g& U" {| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
* u7 n) o" D( d* h2 z0 M| ├──2--Deep Q-Learning Network 0 p. x$ R& m/ j1 f9 H C- }- L4 S
| | ├──1-DQN算法思想 .mp4 59.24M
" E% r; b7 ?! ]" g: _| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M9 [5 n* W' k/ d7 F2 @
| | ├──11-DoubleDQN代码实战 .mp4 44.49M& N6 h' a; q" s9 s1 ^2 z
| | ├──12-DuelingDQN .mp4 88.12M
3 a6 L/ O1 B( _0 r0 m7 v| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M, f3 U! B5 ]# y) a+ F3 I
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
7 w$ ^% G( R6 l x# T- C| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
: ^2 }3 d! k' O- p% S! D| | ├──2-DQN算法具体流程 .mp4 56.17M
" n) t* o& X. }2 z. v! d6 t) q| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
& Z: R$ a1 ?0 X+ b: v6 r8 }| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
2 z, J$ q" Y; a1 R- }| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
9 m; _; ]! m) l6 U: 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
" `4 F% f# G8 F+ e( i6 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
`$ {& B( K- L) A9 }, a# || | ├──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
( s& J( M- b, Z' v8 _3 g| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
8 i) t, a% `+ N; K| ├──3--Policy Gradient 策略梯度
( {4 Q1 ?0 \: K) M2 d| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M1 T# {7 M0 L0 f' V/ e
| | ├──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 34.22M9 D) X) v; O( G! S6 Q
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
8 E# D2 p0 `' ]4 P, M| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
( q: v8 _8 k. A9 E* Q| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M, H+ F( Z: a. j; C' n5 `4 Z
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M; }& |/ t6 S( d5 E
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M$ ~9 E9 L- m. [
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M8 r" P1 ]+ L+ E2 Z
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M m- n: C/ |) N0 K7 r' e
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
, J& F& V* t; w, K2 y2 P: _- L| ├──4--Actor Critic (A3C)
9 i/ o; J! }! ]| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M) w$ N' N- R9 E ]! k
| | ├──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
% }( _# x w/ h% u! v5 o| | ├──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
( W. E3 i/ A4 V8 _9 `| | ├──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
% |; s' |% w$ o# ~| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M* ~" G/ O9 W$ C9 P
| | ├──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 47.18M6 s7 L" J! g2 K* y$ o
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M) {, g5 |0 M" L! e
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
' J3 C1 |0 l' }) z) n- m/ I4 Z' h| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M; ]: Y! I' K8 ?( r
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M# x% ?; P T: U1 m4 P0 N" A/ o
| | ├──6-A3C架构和训练流程 .mp4 74.66M: D- d9 {, q2 s: K
| | ├──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# w- n0 ?3 M/ ?+ O
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
$ P! n, x- u7 j| | └──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 36.62M5 v: U9 z( R6 q
| └──5--DDPG、PPO、DPPO算法
% P# h8 [) R+ x# P% P/ v5 W# p| | ├──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' w5 |: l1 W- d9 Y% z/ ?% o
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
1 i( z& p, a2 m| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M- |2 Y& S0 [) h+ j' F
| | ├──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
5 a/ Y S+ V6 H| | ├──13-DPPO分布式PPO .mp4 63.81M2 d. S2 m( H9 W+ p
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M5 o( @" S, N) t5 h2 G3 E
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
+ w1 d) Z* T& ^' j3 w/ b8 b| | ├──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
: @" p5 \, e6 [9 }6 h3 || | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
- \- o8 T2 T2 H& W4 y9 w: A| | ├──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# \2 S8 ?0 C5 T1 T5 E
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
8 f8 ]( j W+ h9 r# D2 t| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M: ~4 a: p, W; u4 \
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
1 _' ^' L& R/ P& c| | ├──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
$ C: F; x& e# \ o| | └──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
( |- d6 ^, o8 L" l+ t├──4--人工智能基础-高等数学知识强化
" i7 P. g, \- U( J6 e| ├──1--数学内容概述
3 |8 v- I. _; V- p! _& A| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M' j c% m. C1 A7 \2 N2 V0 K# P; w
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
( w. G5 H' G& Q$ C+ R" h y0 m| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
& C- W6 J. N* V$ e5 w4 C| ├──2--一元函数微分学
2 ?/ h+ {7 h3 v! M- D2 V| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M1 z- O/ v5 x" l) x2 G& Q
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
. J9 s( G% S- | G, Y- b| | ├──3-常见函数的求导公式 .mp4 22.76M
1 Q, E) e' I) N5 y& P0 p| | ├──4-导数求解的四则运算法则 .mp4 26.52M, g& Q: D0 T' q! ~
| | ├──5-复合函数求导法则 .mp4 19.68M5 K6 m# |- @4 m+ [& @" z! k
| | ├──6-推导激活函数的导函数 .mp4 33.40M
2 y7 b0 V/ `$ M| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
9 _8 [7 \$ c7 w( I8 o# v| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M; [4 B# G- R! W1 y: o* H+ C
| ├──3--线性代数基础
! [& P& v% ^, b+ B* u$ f| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
3 q$ w0 q6 n5 X; ~| | ├──10-矩阵的逆矩阵 .mp4 38.54M
* I2 D$ ?* r9 \2 d1 h: _! y$ v| | ├──11-矩阵的行列式 .mp4 20.13M0 } E6 {9 e+ q
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M9 p- t B8 n' |2 I
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M5 R( m! A4 s: E9 X" o
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
7 z6 h7 E! r9 i5 L; D4 _/ R4 Z) I| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M$ {' ?/ Z3 M' h% P" G1 z7 M. ^
| | ├──6-特殊的向量 .mp4 26.45M
6 D$ A. i1 M" P1 O| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M" k$ i1 r0 S, m
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M: d5 W2 g' E4 ^2 ^( r
| | └──9-矩阵相乘 .mp4 20.02M
% P3 ?) ~2 j- ?| ├──4--多元函数微分学
8 Z5 \4 g+ ^( l) B+ `+ U, B| | ├──1-多元函数求偏导 .mp4 22.61M
$ k" J, F. S, H: Q| | ├──2-高阶偏导数_梯度 .mp4 27.15M
2 D5 z; _; K& {; O/ z| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
5 J2 J# \5 w% [1 @7 ], K, K| | └──4-Hessian矩阵 .mp4 32.93M/ N- e) g4 `/ ~7 f! J, H
| ├──5--线性代数高级
; `$ I/ v/ \3 I( D| | ├──1-二次型 .mp4 27.70M- H$ \1 Y' k/ A4 z
| | ├──10-SVD用于PCA降维 .mp4 24.90M
/ ? ?7 e3 U' \8 k5 E| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M" T f* ^- W% G/ f& Y
| | ├──2-补充关于正定负定的理解 .mp4 23.48M2 l7 m! N$ W/ x+ a) |! _
| | ├──3-特征值和特征向量(1) .mp4 29.83M$ E+ q! R- R& c( }
| | ├──4-特征值和特征向量(2) .mp4 30.07M, B; J7 }4 N& k3 [
| | ├──5-特征值分解 .mp4 38.68M' {( q1 j9 P& Z$ Y
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
0 f: L6 A& g% M4 e% l2 `7 Y| | ├──7-奇异值分解定义 .mp4 22.58M) D7 B9 f# q0 P: J" O: X
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
, L9 j# m4 Q2 B1 n+ {4 E- x1 g: \| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
1 O- J; a) O2 O' f| ├──6--概率论
! k, O: h1 n: a9 X* o# k, i| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
! x5 R' I9 K7 K# ^; c$ q| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
+ H/ L, b: ]7 J! Q- p0 F0 P| | ├──3-随机变量 .mp4 22.57M, N5 B" n- h3 d( S6 }# c0 I
| | ├──4-数学期望和方差 .mp4 22.96M
" l( ]5 s/ C- w: D3 V| | ├──5-常用随机变量服从的分布 .mp4 22.48M m5 G n" S! L" w" E+ |
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
3 [) ^: f# A0 _3 I- z3 E( E| | └──7-最大似然估计思想 .mp4 23.42M( U& G/ t5 n' m' E1 c' n$ y S
| └──7--最优化
* ]) x G( E, g+ h) F+ z| | ├──1-最优化的基本概念 .mp4 35.14M% ]3 }$ w, g! v; @$ e0 @( P7 k8 |
| | ├──10-拉格朗日函数 .mp4 27.46M
- B5 U7 R2 h7 x, f: t- B3 l| | ├──2-迭代求解的原因 .mp4 20.15M
7 o$ b$ L+ ?# }9 e) ^0 y h- D| | ├──3-梯度下降法思路 .mp4 26.33M9 N6 ~! u9 p+ B% S
| | ├──4-梯度下降法的推导 .mp4 43.56M/ p" F( l( V5 x! ~# N6 _! [( G
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M# H, p* W7 J* u# b: Z: ?
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
" t; @5 X8 X) U6 \. i- K| | ├──7-凸集 .mp4 21.90M. j! D1 x5 M3 Z$ e( c5 q" l. R. ^
| | ├──8-凸函数 .mp4 16.93M7 I, f1 D) p' J' H1 y2 Y/ R G
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M1 Z6 q' V Y0 f+ P9 K8 c" ~
├──5--机器学习-线性回归 : ?0 y3 k* Q# g0 p
| ├──1--多元线性回归
4 @$ u/ ?0 O9 V3 C) ` M| | ├──1-理解简单线性回归 .mp4 51.11M
/ |) f& Y$ w& ~: {" G4 D, w| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M% E) h- Q) L+ U! @/ [2 }; X
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M- i1 j+ w' ?6 `( N6 ]% d p" W7 O5 M) S
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M! E) u6 U, x V# ^* ~/ |4 s
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
1 J! B2 ~ D% f9 G| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
1 J0 O. a* _, u+ a' A& K& U| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
6 b$ \( Z4 i; b$ j0 b* Z6 C| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
! T) C F' ]! W9 y7 h4 u+ \| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
8 {7 ^/ a8 r. G/ [7 f3 v! _7 v| | ├──18-解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形 .mp4 48.31M
( v$ Q2 c# k9 h| | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4 34.67M5 M: Q! g3 d0 R% }5 R3 q
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
- Y6 t, I v" n, ], `/ t2 W| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
8 ?$ o' |! S# r| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M, L, E3 ?! [- f# v( z* G+ D
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M& c% \) c6 }3 k9 ], |" E* \
| | ├──3-扩展到多元线性回归 .mp4 32.15M
5 v3 s8 W; F) W- @- y0 k| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M% t( @9 ^. @* ]1 Q
| | ├──5-理解维度这个概念 .mp4 41.41M
) _: N; A0 F0 w" m3 `0 \| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M; p! E `4 I5 c. a
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
) y! z1 l! h; V f5 Z( p Q| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
# K4 D: A. n! z' L5 Z3 Q" `| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M3 ^7 N- C' S; E* [
| ├──2--梯度下降法
5 ^# q7 I2 [* c& X2 || | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M/ k4 O: H1 H4 B# }0 A" N8 C
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
+ I9 G* U6 U0 k' @5 w; @/ Y9 O| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
% I2 u3 Q0 Z- P7 w H| | ├──12-代码实现随机梯度下降 .mp4 26.67M; x5 s' x/ E7 h9 L4 ?" T/ y9 g) l
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
, r$ J: z1 T1 `2 K# s| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M9 f( U& H5 i) a: Y% @
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
2 \4 x5 R) Y O1 c| | ├──2-梯度下降法公式 .mp4 57.12M
' v% A4 c- o( k, N- J: I# }% t8 V. S| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M# o! Y8 Y3 j* s; O7 d* M4 J$ g4 H
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
! z; b2 |' F% P| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
1 ~/ a/ ^8 w- l J9 g| | ├──6-全量梯度下降 .mp4 62.84M
6 p2 `! S, a8 ~| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M1 a7 p( t- N" L7 T5 z* S1 \
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
& y& J. A1 x+ s| | └──9-轮次和批次 .mp4 45.22M! P4 q3 u0 T8 [. C! I( R
| ├──3--归一化 4 k0 Q& |& L: U) R, B3 H
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
6 ^# K' k& e6 Z# G/ J+ U8 L; R8 K/ h| | ├──2-归一化的目的_举例子来理解做归一化和不做归一化的区别 .mp4 34.11M4 E4 {, }: P% w, R* \* R3 l
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
" ?' c- L! O" n| | ├──4-最大值最小值归一化 .mp4 24.87M4 q! ^8 F4 `) N2 [9 ^0 n
| | ├──5-标准归一化 .mp4 51.86M
% f: W: J" ?. t' n3 A" N4 b" V. {| | └──6-代码完成标准归一化 .mp4 41.13M
C8 _* N' b9 r6 T% ^6 T| ├──4--正则化
0 C5 Q3 _) P9 f: P| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
1 h( S9 J- ^/ N* l( w, `, N| | ├──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; a" a) ~& |( M, f
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M$ _9 `/ b1 r9 ^8 k7 q3 _7 Z/ n
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
6 B8 p, J4 N1 z/ J% F! ?2 R% s# j| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
8 ]' R4 r0 a7 V4 R| └──5--Lasso回归_Ridge回归_多项式回归 4 B- r' P, k( y l5 y
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M; g: ~4 U1 N/ G/ N) _0 o5 p4 E$ w9 z
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
' @3 @; `# r! V9 P0 r9 A| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M5 u4 h; G" m; L$ Q; d( J
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
: x+ ~0 h8 D; t, o( Z' N. D| | ├──2-代码调用Lasso回归 .mp4 28.73M
7 e6 l$ h! e% O| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
2 g! B, R5 ~ ]. w. J. `6 C| | ├──4-升维的意义_多项式回归 .mp4 48.06M3 b k7 a# P. e" i
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
1 b- a$ T6 L, t4 ?| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M1 u4 P- \( n% ?. R- t% k# G
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
9 @) b, [$ U+ ~0 d| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
5 a7 e9 u# ~% t6 Y7 `| | └──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/ E4 e! m$ A% H6 Z
├──6--机器学习-线性分类
. g6 u3 y" d; M' M; U; u" A| ├──1--逻辑回归
8 o- ~% B& p! H8 y& h| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
6 U) J. D7 w# U1 X| | ├──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
7 @% G w' ?0 ?4 R9 @: w| | ├──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 43.87M9 |7 H7 u% D5 O0 G
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M* x) \+ b+ G9 g/ Q9 b
| | ├──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- _/ f8 ?- A1 `) g' [
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M/ ^0 ^1 @/ i3 c J
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M4 W. o* @% ` I
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M0 q+ J/ w# g% o
| | ├──2-sigmoid函数作用 .mp4 38.15M
x U' J2 z! G' c| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
- n* X/ j7 z4 H& b| | ├──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 Q! d& W* u% L5 _ r/ e5 r
| | ├──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. J4 b6 T; Q3 {( @| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
( J# u7 ^! f5 L% Z& @| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
( q+ a' Q) v5 v- G| | ├──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
9 ^" \. w# @0 f U8 m' y| | └──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. D. b: l" s$ m% ~0 C0 V
| ├──2--Softmax回归 # i: z/ V0 o1 F1 n" r* v0 `1 f
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
9 x2 {2 {+ Z2 m3 k1 z| | ├──10-实战音乐分类器_代码使用傅里叶变换将混音文件进行投影 .mp4 42.74M9 I; o! j8 D8 b! L( p$ X5 I: J* z! w; o
| | ├──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
7 A% [4 ^; \- @: {2 R8 e* 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, ~6 W& e% W$ A5 V2 b) D
| | ├──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( X" s7 ~9 s1 G' Z, e' ` P
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
- A& D' O$ C8 H8 @' D0 ^' N% {| | ├──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
* V+ |5 s6 w* A% C| | ├──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* i% ?. K/ D( i1 S6 |
| | ├──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. H! L- s: \1 a- [
| | ├──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) }6 K, Y" N5 B) c; }
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
* o, P+ O5 M( F( \9 C" S0 d| | ├──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
& T2 Z# I4 D' ]; Q/ 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
: A; r4 p2 }8 E2 v m| ├──3--SVM支持向量机算法
, L A2 j7 M9 X& [. q5 N| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
! r2 g' t, r! T( y| | ├──2-SVM的思想 .mp4 55.56M
: W( x' S% A9 U$ W* L6 |, _- w| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M2 g/ r: |( ?2 {) U) s
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M8 [, T2 l0 j: X& I
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M* Q+ m( L/ l8 s
| | ├──6-总结硬间隔SVM .mp4 39.01M
6 W( R/ u ]7 @' n5 [0 P( b% W| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
0 I6 b3 u; _% j+ ^4 W# ]; T- B| | ├──8-非线性SVM .mp4 54.43M6 N- J2 T+ W6 J0 V8 z1 J
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
" D+ L/ |2 B: Y" m# [. z# v| └──4--SMO优化算法 1 @% T. @' I% x! H6 O; p
| | ├──1-SVM算法流程总结 .mp4 58.36M
, D' \$ t9 U5 ]1 G. u5 _| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M" W" d- l; W* ?
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
' T) T D5 V/ k| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
! S7 x/ {- ]" Y6 E9 S/ _3 U| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
; L- h5 R z0 @+ z# 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
2 U4 ^/ ?" c; T- I| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
& O; M! v" O h# Z8 _| | ├──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
- H* V2 L0 W* V( ?" R' c; Y4 i; p( s| | ├──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+ C1 y7 [, l. D6 }7 u5 M7 E+ J* U1 y
| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M
2 l' d( Q- w4 H6 N! Z0 J7 m8 o% M| | ├──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
. y5 p+ F- e' C) J, Y! S| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M, [; H8 e7 [: p [7 Q# X
| | ├──7-启发式选择两个α .mp4 23.11M1 r& R2 j2 h3 v; z
| | ├──8-如何计算阈值b .mp4 50.18M% M, V% {( V7 G1 c) H6 W
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M& o( `- d- \ Y& u6 u0 Z k7 f' v
├──7--机器学习-无监督学习
% H- h# f" n( }5 W) |, T8 O| ├──1--聚类系列算法 ) u1 ] G- X5 x* ]) q
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
) Q9 k. @7 E: x0 G| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M7 R6 E, }! g! g' |9 I l. f5 Z
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
* a0 o+ C2 l" X0 J* o* z/ n _| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
' h+ [) X1 o9 L9 q2 r| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
0 K- T- V' I7 r| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
0 h. {' `7 q6 l$ F! w| ├──2--EM算法和GMM高斯混合模型 : A2 B }+ U; X, C# t
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
3 A/ }* @. ]. Z& I| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M# ~5 B* y, ]. {( @
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M8 k4 x! ], R7 ^/ @- g L9 Y
| | ├──4-Jensen不等式的应用 .mp4 109.17M4 \. G: A3 J. G% B; P
| | ├──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
* Y% g( @0 ?" ?1 A| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
: X1 T8 D! l( G9 S% `% \8 Z+ X& K| | ├──7-GMM前景背景分离 .mp4 16.01M, Y! f- _ m) x% y2 X% E7 E
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
2 Q, \* X; `( c& \& Y| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M) C9 V5 h& G9 u
| └──3--PCA降维算法
4 N' m* g& M) q8 q# M$ l: c| | ├──1-特征选择与特征映射 .mp4 49.38M/ F" n Y0 ?8 y$ X: O! l/ M
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M6 |6 n# B( {" W- T9 F: X
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
/ z* i' x' F( ]| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
5 V [& A! ?4 p# v9 A| | └──5-PCA的几种应用 .mp4 54.58M
/ }* f* j% h0 {├──8--机器学习-决策树系列
5 Z0 L; x' M& Q7 _. u: r ?| ├──1--决策树 # Z9 Q% g% G) i/ ~+ v; l9 q, E/ o# C
| | ├──1-决策树模型的特点 .mp4 74.88M
' c$ {/ z5 ~8 A| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
, X! b, c8 D3 o, q, D| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M! l3 d# X3 M1 U7 g% _- j% D& B7 L
| | ├──12-后剪枝的意义 .mp4 50.49M
# T4 t$ c6 ^7 g1 H1 i: C| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
/ I" ] @0 M0 @$ y$ U% v| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
% H/ z; s1 X6 O$ Q6 C| | ├──2-决策树的数学表达 .mp4 89.94M- o9 j. K5 i1 H) \$ g- l- }& p
| | ├──3-如何构建一颗决策树 .mp4 84.87M9 ^( w. C- f6 G; `- `
| | ├──4-什么是更好的一次划分 .mp4 57.02M( j9 N# Y0 ]( x1 ^5 f L
| | ├──5-Gini系数 .mp4 107.54M
& I, W9 m# ~' v0 B* @! D| | ├──6-信息增益 .mp4 75.26M
" v, h4 k7 h( j2 B5 W9 C| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M4 h. a! W ]; H
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
) Q2 u* P0 I3 B) W. X5 m* L; V| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M x, L8 c; R6 C; E4 ^3 m
| ├──2--集成学习和随机森林
: L8 G# P) i1 n" j* u3 t" i: l| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
, P3 |& S h. }4 n+ P| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M, G* V" `: D" q
| | ├──3-随机森林 .mp4 108.14M! c, D: d: r$ Y0 V3 q n; ^+ r
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
0 S, k( C6 x/ _3 g. @5 f8 s) || | ├──5-OOB袋外数据 .mp4 106.07M
, {+ l" t9 B6 ^6 C, f7 M4 X| | ├──6-Adaboost算法思路 .mp4 106.30M
% N _# C4 D2 | b {2 I| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M9 Z6 n+ H, ]/ h$ t
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M7 } R( H! g) J4 ]1 D0 D- j
| ├──3--GBDT 0 k/ ]& b+ e, K7 M9 J0 v
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M7 L0 e' q- j6 L
| | ├──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
' n6 l, M0 b7 j `: P1 e| | ├──11-GBDT多分类流程 .mp4 73.80M
+ ^7 Q1 k3 @9 d| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
- ]8 s& I9 ^* ~: x! }| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M5 C6 ~( J7 d* ?
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M, h0 Q2 C1 {' O" a8 N d0 W; [
| | ├──15-GBDT二分类举例详解 .mp4 86.67M6 l" X" |; f0 ?! u
| | ├──16-GBDT多分类举例详解 .mp4 91.71M6 j3 Z+ g6 F& N' [, a. N4 O: f$ q
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M+ x# s* M0 D: f% ^
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
6 T3 q' \! K9 J| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M0 l+ R6 m' {+ Y1 Q2 B
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
' |2 d' j, C2 m% \9 R2 g( c$ e| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
8 y: f# Y7 Q* z" U| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M: Y! m, I# w& F& I+ _2 {
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
" \3 Z. d, i6 n2 }# a4 H/ U4 t8 H| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
' D, X) _6 F% ^0 Q| | ├──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
, h0 y! A) C# E7 W+ z# g| | ├──4-GBDT应用于回归问题 .mp4 84.66M9 k6 |/ O# F! J& y" c
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
: t' Z6 x% j6 T4 A+ ]' a- }| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
: S# m) u7 R' u; N1 E: \$ U( n( L| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M, f7 d% I4 ]' p5 Y3 X' v. w! [
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M) F; Q" r/ L7 n$ X+ y4 Y! S
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
8 A3 c& C `4 i" f3 U( \5 Y| └──4--XGBoost ' \( ^( h8 j1 n7 e# f Z0 t" A
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M8 V2 I5 L) v1 r! o- L
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M; P1 w% Q3 _4 H# m/ K2 c& v
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
* K2 u9 P4 E7 c4 B3 p8 K F| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
5 z0 ]( ]4 z1 D4 y1 }" E, m/ w| | ├──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: ]$ b; d Y* F+ Z
| | ├──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
; V* P; _5 n( l: C| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M8 b$ ~) v9 f* m' W- S( }
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M0 ?; T- R4 Q7 _, x. O( e
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
3 @' v1 k9 U% p4 q| | ├──2-Bias_Variance_Trade-off .mp4 66.00M1 I% X/ u6 |3 y e
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
! Y$ e$ v( T1 g| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M7 }! N: z* \6 R0 {
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M4 t# W f0 c" r1 m7 j1 x' D
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
; O7 U# u: x. Y| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
2 r5 j. q9 F* N' V| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
; Z# E! p0 g, s- w* O2 g4 K| | └──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
; N8 ~8 ^9 c' [' N# j├──9--机器学习-概率图模型 / \! s3 Q j2 L! B7 [ M
| ├──1--贝叶斯分类 3 W: T, X" S6 V, ^2 ]8 r
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
8 N1 [% I c" \4 C; W2 L| | ├──2-TF-IDF .mp4 53.08M
- W# I- C. p1 ^' I h) P6 N; \" d| | ├──3-NB代码实现解析 .mp4 126.73M& j5 s% P4 D0 I
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
% _4 v( v$ E i: E| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M$ O. e+ Y( A3 G- a- X4 h5 m& ^; Q1 A
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M7 ?4 D: J& Y+ z* | l6 n: ?& s* }
| ├──2--HMM算法
; A4 ?8 K) s( ?| | ├──1-HMM隐马的定义 .mp4 36.82M/ {3 ?3 P" J/ Q# _4 x# ]% O7 m* |
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
# [) `& B3 a5 s9 h/ w* n b6 c* u7 f| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M, \9 n: L! R, ], M4 t
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M$ P" g! s; h! z d3 Y
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
) I; B6 n# E. w6 U+ z| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
& I) m& E" y3 _) R, f$ U l| | ├──7-Viterbi算法案例详解 .mp4 107.12M
+ S% R8 X" x( S9 L- k| | └──8-Viterbi算法代码实现 .mp4 42.43M
8 C8 v9 \, ~+ d$ F| └──3--CRF算法 % E- |: j/ M5 O6 i0 Q2 S
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M0 J& ]6 Y# J8 H4 O; w1 t L
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
9 G' i* G7 r% G' ~0 D M| | ├──3-了解CRF层添加的好处 .mp4 105.90M' C/ X7 F( Z9 W3 M, _& j, G: X; K Z
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M9 y: W6 d0 K6 w
| | ├──5-CRF的目标函数 .mp4 23.74M! F0 N! F3 C. O/ [, y
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M2 A7 `$ w2 Y0 l+ x: z% @
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M9 x2 E4 R4 }. W& K' t. `+ m
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
6 E0 B. z, s$ e└──课件.zip 2.54kb% Z3 g# I4 \+ b" I) J" s; q" {
# ^$ a* I) L: C. Z# `$ ?- X
8 I0 G8 {5 N, @+ G( d* b; P
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！
# |( E) q9 V( R% T* P# w% X/ i& ~
, y& m0 G. v8 Q: N( |1 V |
/1 
