战-人工智能2022/
; h" A: \" `. l6 X& u( {├──1--人工智能基础-快速入门
: |5 C- w: V( b8 f| ├──1--人工智能就业、薪资、各行业应用
' J- R) o* ~- m4 R/ A| | ├──1-人工智能就业前景与薪资 .mp4 52.07M" f/ n2 ^! M. ~6 Y4 o
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
* U& c9 G3 Q, y h% L% ^2 W3 U| | ├──3-人工智能时代是发展的必然 .mp4 23.22M( E2 u% a' o, O2 U! f% j& E
| | └──4-人工智能在各领域的应用 .mp4 57.73M
# @- \6 R/ X ?" H. U| └──2--机器学习和深度学习、有监督和无监督 $ K. p) r$ [1 l5 e$ l
| | ├──1-人工智能常见流程 .mp4 89.62M
" `- ?- N% u% P| | ├──2-机器学习不同的学习方式 .mp4 83.51M) n+ p8 T4 e" e) U% h
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
3 a- p$ a y' O/ T* _| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
6 a7 V/ R; m; J) X) ?| | └──5-无监督机器学习任务与本质 .mp4 50.15M
' {) e$ p, y# e# \" p1 g" h; }1 t, ~├──10--机器学习与大数据-Kaggle竞赛实战
% I3 d* U2 p. B3 l3 O| ├──1--药店销量预测案例
% ~1 O& I! B- J4 D| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M" a$ l- f% b- x
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
* O0 a; _3 t% O9 T2 r7 E| | ├──3-自定义损失函数 .mp4 21.12M1 W* k7 W/ {; o
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M7 v I) a3 O) b* n0 z! C0 t
| | ├──5-数据的预处理 .mp4 111.81M- F( D, Z4 @2 [# C
| | ├──6-模型的训练_评估 .mp4 66.64M! f( M1 b' W7 f5 m
| | └──7-kaggle竞赛网站学习 .mp4 172.16M7 v i8 D4 b( E+ ]' m4 v! v3 a i
| └──2--网页分类案例 5 Y% h8 j) o/ T, e' }0 t
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
- I, c- p( g5 K" O4 ]| | ├──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
: \' ?# Y! e* B6 V* M, o| | ├──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 68.80M8 ^9 w, x$ B% ~; m. 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
7 ^5 L" u! D* \3 t| | ├──2-评估指标ROC和AUC .mp4 56.19M+ l6 C0 g/ U; h- n; N& w- u+ F
| | ├──3-评估指标ROC和AUC .mp4 49.03M2 j. `4 G, h0 R' @
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
% b+ u2 i, f/ h; Y4 G+ G| | ├──5-数据导入 .mp4 68.41M
" P! r8 Q6 g: m| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M5 r9 n: f; P% e. m! L
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
% a* n8 I5 Q8 L6 f& w- F| | ├──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
! N" O2 Y) w+ o| | └──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
, p8 D3 p' }7 j- z* o. e├──11--机器学习与大数据-海量数据挖掘工具
; F* r2 K% N8 u; H3 o1 A% j| ├──1--Spark计算框架基础
. B* ~6 ?. Z. }% t6 a7 k6 d| | ├──1-Spark特性_01 .mp4 41.68M
- @) N9 Y; d7 D. h/ o| | ├──10-分布式计算所需进程 .mp4 26.30M
3 X: U0 p/ I; _- U| | ├──11-两种算子操作本质区别 .mp4 56.31M
( o" A# {" X" x, ?& L) q" Q| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M% l! j$ f L7 o" u# W3 ?
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
" G m* T* B L: J| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
5 t5 d7 }* F9 _* z* a9 R7 C' m| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M; n+ ~3 a9 ]) P" x3 x5 i
| | ├──2-Spark特性_02 .mp4 35.15M. C+ Z7 j- q. S0 _' h$ o8 `! b6 A
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
$ F( n/ V5 h" _9 y| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M3 m& M/ [# w5 _5 R+ Q
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M6 n" a$ h1 ]% _9 n( P) @
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
F$ c( G- Y$ {) Z; P* Q| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M: \5 w9 ]7 V" m/ }7 t D" y
| | ├──8-Spark的RDD特性_01 .mp4 33.08M6 D, s- e9 {4 u% F3 L2 i& y3 { V4 l
| | └──9-Spark的RDD特性_02 .mp4 33.41M
7 @0 o1 H6 B; s8 ^| ├──2--Spark计算框架深入 8 |( v8 z) b6 Z. n
| | ├──1-Spark数据缓存机制 .mp4 54.43M
! F2 Z2 C7 T4 R| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
8 y' n) L7 B! [! L: v5 V# I| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
' [! E+ T$ E. m| | ├──12-构建LabeledPoint .mp4 111.08M$ M$ E2 q- M$ H9 J5 F1 ^
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
& }# U1 }% K: h" L7 ]0 I| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
& d/ h g% h+ b( Z# q. S| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M- X: }1 P" |# [& g% A- E% A
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
- u3 p- O7 `$ t- Y* v* \5 P+ e| | ├──5-Spark术语总结 .mp4 89.66M
& s. P+ |+ Z- `# y; }1 ^$ X| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
+ j4 B" }2 ^( X, ^6 U$ s, X' }2 L| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
& S, [/ v$ C! Q6 u2 }| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M0 ^$ ^$ [5 R) N# h% p3 m! N1 j
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
) W1 s( k! g) K3 E% Q| └──3--Spark机器学习MLlib和ML模块 ! U, J0 k; S4 x' _7 K
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
: T! j/ D% M0 ]; ?5 c| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M' O* H4 [5 D3 d
| | ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4 89.72M
+ z$ m+ V) q# x7 Y| | ├──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
2 p9 I. Y% C$ O8 E" t3 D| | ├──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 s2 M% Q6 c3 X) U* T# n$ o3 w
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
% g5 U& t- Q b6 B6 `8 d. Q| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M8 H( q5 J5 P% A6 v) A5 t# p
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
/ X' R Y Z# g5 X3 j| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
# \1 p% j; n8 O3 N- v$ x H| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
) f! v/ Q" @* g" I/ Y| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M; A% j+ }9 e( P/ ~
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M8 o* C6 l8 ?/ j) c# d" V5 \4 g6 f) ?
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
: C( d u y$ b" p! e; M; a| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M; | r* `% M% r* R9 [
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
0 t, d) y6 u" y# n) R1 `3 L# R| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
' h; _, {" n, m+ y. P+ @) l| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
9 R: I7 s! s0 [% g& t. {| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M b% l- F% s0 l* H/ v- Y
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
0 K) p4 d" T4 ?( \| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
4 v' V9 Y4 x- z) z' V7 l| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
* S% R& i& Z$ i| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M% `4 P) y) c' G9 X+ H* O/ L
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
3 W* O# G1 t, B0 w; W| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
2 [' C. w0 E- i0 P0 {8 }6 G| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
) V% l- B0 N o| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
, `* a5 Y$ N6 B1 [- x) p$ @% v* u├──12--机器学习与大数据-推荐系统项目实战
% T: ]2 D. @ X: d: f8 x3 u| ├──1--推荐系统--流程与架构
9 Q) ], U* \: J* Z| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
/ a: o( q. U$ o2 W2 ~; R0 ~" 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
7 q i% V7 Q# `7 ?; _: j: m5 d9 O| | ├──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) L6 m2 `0 O8 r; H o7 E
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
' K- c3 I9 ^9 V$ X' J A| | ├──13-推荐系统_数据源_2 .mp4 82.90M* r, [3 b" Y. s/ v- T d
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
2 f I& j! ~ V6 {% P$ _4 ~& x| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M5 S0 J7 G3 ~. K8 \
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
5 v1 m# W7 j. b: Q| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M+ n8 N" a; o! f' p) b
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M2 Q C! a5 L% u( S# k) M" v! ~* s& }9 E
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
0 l9 y! g: {' G9 r+ e: s+ k7 `. R| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
* C5 u$ u7 u& M, |2 }5 P8 _| | └──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 }: _+ S5 `7 y| ├──2--推荐系统--数据预处理和模型构建评估实战 : I. X& b6 v; W; x" P- I8 M/ _+ h/ t" p# H
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
! e7 @9 {5 W$ t7 h9 N| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M+ |7 R; }+ P/ c/ j
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
) u4 Q0 H0 I3 j| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M! a" ~1 ^: U, x
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M/ }+ J( |) ]3 g& R# W
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M) n0 Z: ^5 I5 @- d7 f
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M& D7 L' {8 [1 g/ s* e8 T. Z
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M9 S1 Y/ c0 a5 x9 Z& M9 r% y4 V
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
: h# t8 h2 r! G$ P( a6 X) j| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
! s% I9 V( O# h( E| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M4 q( t1 E# r# `7 [$ ^, I
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M# d; _# e$ L3 A( \
| └──3--推荐系统--模型使用和推荐服务 5 s, e5 Y$ k# p4 D+ F, h" m
| | ├──1-推荐模型文件使用思路 .mp4 61.89M6 H3 B4 _ Q+ c8 f2 i$ W
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M$ C6 M1 F- F( G! E
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M2 E) U* M- x( z" { j$ ~7 L6 P
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
/ {/ k' r: W4 b- I6 f" N| | ├──2-Redis数据库安装及其使用 .mp4 47.93M' g" M" O3 f9 N* A4 C6 E! s6 ?
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
) g7 U2 l: {6 q4 x+ R+ Y4 [| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
, H- \! u0 l" e: e1 `| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M, x* q& {+ d* k. f' K& r
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
6 b" U, n+ H! Y5 F) A* x- y| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M+ _* F& {1 U* n0 x
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
+ S! q1 K( Q8 U3 }6 Q: d| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M: l. S( T0 G, g3 {8 M
├──13--深度学习-原理和进阶
- C) @6 e! e, p( K3 J" q| ├──1--神经网络算法 ; f/ [- m3 Q. D6 g8 C6 w
| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M
2 m% U' C$ Y- |4 q3 A5 }7 l| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M# V u( P8 k" ]" X3 }$ ?+ X5 P# I
| | ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M+ D; ]5 Z7 j- k
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
. ^) ?, L( d, T/ H| | ├──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
8 d/ x/ K# W2 R0 z3 t, b| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M9 J& d7 N- A4 r" C- v
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M, L& z; X7 } e+ S, o1 g6 n( Z
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M7 x8 s( e/ ~7 @6 }0 W% |6 o
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
3 h' E+ s/ `* }| ├──2--TensorFlow深度学习工具 : }- t- [4 i& {3 a A. O# m0 J
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M, t" T3 H+ ~' `- x6 X/ v# y8 m( ]
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M1 J- n0 d' {% _4 _- a2 p7 p
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M$ I7 S+ _' c8 \+ w, A' q
| | ├──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% g/ W! x- B: o* }" F: _: w
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M3 k! N" Z* G, L; i
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M3 R3 e, W' Q. J! u
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
, k. i* [" ?! C5 L* t| └──3--反向传播推导_Python代码实现神经网络
' \/ v/ P& l3 S: V; J$ [+ Z| | ├──1-反向传播_链式求导法则 .mp4 86.47M9 o0 ^+ P7 b4 E
| | ├──2-反向传播推导(一) .mp4 127.90M& S" P$ v m1 J; J
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
/ e/ { }3 h/ P% ^: _4 q| | ├──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
7 ~9 g# |! D7 R5 d| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M# @/ A+ ]% w; M
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
# C) a$ l* s- J8 ]( e' F| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
$ O' R; @( n3 O. i/ t- V7 H├──14--深度学习-图像识别原理 * o! X V+ p! P
| ├──1--卷积神经网络原理 . b, j' }* k% n8 g# e
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M- G( _4 L: J8 \) z
| | ├──2-单通道卷积的计算 .mp4 104.01M
- w! Y$ G) ?- Z, P| | ├──3-彩色图片卷积的计算 .mp4 52.79M/ ^/ r& |! V+ g! h' {
| | ├──4-卷积层权值共享 .mp4 63.93M
5 ~4 W/ J" a5 ~5 k1 j3 g| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
# E- s' ~4 g8 G/ o3 p$ K, E| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M* A1 c- ?3 A( p3 O. r* ~- A
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
( q2 w0 }' J" K: J- u) V| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
1 f; `( Z4 C5 o! e# U+ ^8 R| ├──2--卷积神经网络优化 0 t2 U$ ^4 H! @3 q: {
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M% h- z" {4 [% X: o; p& _
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
3 P4 {4 ? G0 ~2 Y- o| | ├──11-Optimizer_Adam .mp4 141.12M
6 t# A8 K, g, W4 f| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
. g2 L! n, c* f: ^| | ├──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: W( h; [/ M; e+ @
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
+ f/ c5 O% B o| | ├──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% Y+ E# [6 B$ L) W: f
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
) z3 k1 P( o2 e( || | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M1 F9 @) O( p9 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! K* n8 w4 G. v6 M5 m8 K. Y
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M+ {. j7 ?$ t2 {' C/ O- ]
| ├──3--经典卷积网络算法
5 u( M' I' L1 S) 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! A; |. ]; X% ?
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M5 _* Y4 g. s& q: m/ z5 y
| | ├──3-InceptionV1_V2 .mp4 165.86M
. p, {+ q8 y7 x+ s) F| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
) N7 z. T' |, B. _# M2 G% X" v| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
( {9 S% k. o9 b* {| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M' ~/ ?% q, t* {4 |7 Y$ M3 R0 u0 ~
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M7 M) A! a* e; Y: }! o+ o. C7 c5 t
| | ├──8-BatchNormalization .mp4 99.23M+ U6 I4 C+ _/ e2 _2 Q
| | └──9-Mobilenet网络架构 .mp4 150.05M
0 }3 m3 y K& J" t5 V4 R| ├──4--古典目标检测
% v9 l7 h, ^& x# R1 Y+ m# e, |6 L| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
0 w- o& e' W' z% {, @| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M# C: s2 ^" @; B, x) e ?$ U
| | ├──3-IOU以及python计算的代码 .mp4 23.56M* l: L) O" |+ f
| | ├──4-R-CNN和SPP-net .mp4 124.06M7 l b+ w. v% J2 x
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
+ L+ Q# P& h/ e" b| └──5--现代目标检测之FasterRCNN # c. Z7 ` r* {! a
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M2 h. \# h) M2 D6 _) D/ p
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
) P4 [% x' p% w) n$ ~| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M% Y4 G7 {7 j! F& R0 e# c7 |9 l: F2 r
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
% J9 _9 q5 |6 Y2 ^, X9 w- z| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M9 R/ H& W2 o. h/ E* y
├──15--深度学习-图像识别项目实战 / C4 S' |7 W6 d S, }
| ├──1--车牌识别
. F* D) f' n! Y, w| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
8 P" ]5 h: R( I5 n# S| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M5 ]8 v, ] g' D3 q2 o
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M2 G6 W) o7 g5 `9 J2 v
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M) y& a. v4 [ A! W
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M. V$ l& K0 z+ X Z4 k
| ├──2--自然场景下的目标检测及源码分析 + E5 [" H# a) t6 R( J$ Z7 K
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
, n1 j+ F1 a' f# ]4 f/ v2 h| | ├──10-FasterRCNN代码_构建head .mp4 67.56M$ x0 ?. F+ j0 i4 b! Q# f! d7 o- m
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
, R" ]7 f- d3 j3 G1 \# }% x Y. ^, m& k| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
' {! i8 ]7 |: b- {$ P| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M, G) s7 p5 K+ y. ]
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M/ l; @+ y7 v a% k5 b: X
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M" i- k, z2 t( |! `7 c8 c
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M! v# \2 j/ c0 f+ I
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
; Z8 {: r- n; ~# U- v$ h| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
: T4 i6 [0 Z8 S R/ A( P| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M% `+ F4 R! O4 h* b$ {1 k2 {
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
; W0 u! F/ @1 }$ O| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M7 W$ b2 F8 L0 ]2 \7 m8 v) E" p
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
6 _, P4 u1 l- `5 V. Z3 O9 ?1 E. m8 `4 A| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
) b' [# s% y% q" W3 h! q' [7 Z. [| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M! L; A1 L) F* C- w* g/ @
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M0 B) s9 C/ z9 [9 T' c1 x! ]
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
+ t+ k2 V6 o/ o; w( p g" o| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M) ~: s2 J. G1 B% R2 b
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M1 ], k+ R/ Z* ~1 O
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
! f( d9 H# L5 L| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M/ B# L: `, W% |' J) r; g
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M! B' m4 |! X z) N1 Z
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
9 o9 ^( a6 h9 x) Z0 f; z6 h| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M9 k* T( u1 R- W- z+ z1 q. v- P
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M* U+ x$ S% A) T7 ?
| └──3--图像风格迁移 , J* C' e; D8 e. m. b' a
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M* U2 k* h, `& J* L
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
# P! @" b% v* z" ?4 c1 e| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
- R8 V0 C2 w$ o9 }: z: M| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M2 z* J& P- i) r9 @
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
; G; Z' Q8 p U# w0 L| ├──1--YOLOv1详解
% q# l( z( `, T| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
8 R* ^( d. u& t% \! C| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
u* l/ G6 H1 l2 o| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
7 v9 D8 } @4 b. x| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
0 X, v5 v7 P9 N. ]2 F- Q4 d7 X3 K* J: w| ├──2--YOLOv2详解 3 t' j0 h, q# x7 X0 n0 E* `
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
* u* [) K. L$ a| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M9 g; D5 [0 ^9 d/ W9 p' t3 Q
| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M6 J- k3 j/ X; U
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
; Y# L/ H6 ~9 y ?| ├──3--YOLOv3详解 2 }" r8 E3 E D. _
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M+ }* ]: ~3 _2 L! {- o" s7 K! Y
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M1 w' t* y- z+ ?1 c# C3 X6 g/ j
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M8 `' F2 P+ c* S0 Y/ q" r
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M# _5 k. c8 l. e$ U9 E- i0 D# G
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
- a \& ~8 y% [* U| ├──4--YOLOv3代码实战
% E0 V& o" g. z. l| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M* ]9 r3 u8 L; h' c$ M8 N
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
- m4 k K! ?# T' a| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M/ v+ T3 `! \. \; c5 r9 |- ^% X) o
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
3 p+ s& |! F D/ |8 D) |, _| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M ]9 g; j" Z2 g* N+ w, @
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M5 T/ r c/ D, F
| └──5--YOLOv4详解 " X3 m( `! ]1 i% X1 q/ k
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M' t/ b8 Q% p* ^$ T0 {! Q
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
# [2 L! T$ Y( x% ~4 Q h| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M1 f$ r" v" D: a
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M7 o6 a: d$ q; B7 g* W6 G; s
├──17--深度学习-语义分割原理和实战
/ r2 I% {% M: _6 B& n6 || ├──1--上采样_双线性插值_转置卷积
% T# A4 A% t) n1 X| | ├──1-前言 .mp4 19.46M2 m5 R# a( Y( ?, M6 O' p9 z
| | ├──2-上采样_repeat .mp4 23.90M9 F2 s, \% P* b( v i$ F4 O& q: W
| | ├──3-线性插值 .mp4 34.48M
) g4 L- N8 z# u, Z6 u| | ├──4-双线性插值 .mp4 125.71M
( }7 z* c% z2 ?& k; l| | ├──5-转置卷积_以及TF的API .mp4 114.25M- J; T! I% x7 j9 s( `6 _, E
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
m. n) J+ @) H| | ├──7-ROI Align .mp4 58.38M
) v A* C$ `# T5 [4 I, k i% Y ?| | ├──8-FPN思想与网络结构 .mp4 92.14M; w- u7 T- H& w m8 l; q9 Q
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M, O- ^& c# z& l. B+ W
| ├──2--医疗图像UNet语义分割 $ d& o" j" o) R, D. t
| | ├──1-语义分割的基本概念 .mp4 18.33M
3 x/ w( T4 E0 H5 A| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M1 J8 t( \ Q9 C2 K$ A% m7 m
| | ├──3-UNet网络结构 .mp4 30.41M
, c/ `2 Z5 M% j* R* h| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M2 I; [/ |) P/ H! g
| └──3--蒙版弹幕MaskRCNN语义分割
* e N' V9 K' \- h- b0 G5 e' D0 i7 e3 L| | ├──1-MaskRCNN网络结构 .mp4 106.38M
# b! j+ n2 Z4 M" c| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
; C5 D! D k1 R7 w) }+ }| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
! b% h* `% E i: U9 V& j+ t* P| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M' Z9 `: e+ j/ K
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M7 f* G5 K J( C2 S
| | └──6-MaskRCNN源码config和model .mp4 244.48M
* j1 V7 x2 m1 L5 o% }4 O├──18--深度学习-人脸识别项目实战
) t# L3 w2 F% T. V; F8 P1 d| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
6 U# o7 X5 i+ L5 Q* a* i0 i6 E+ J| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M; m/ T O3 h; d# J) b- x, c8 [0 |
| ├──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) Y$ Q6 G4 {) [4 \( J! z
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
8 L7 D2 f+ q5 A& B. {| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M: f- N( K! S( h
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M, a( N- N$ |( ]. L9 T
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M E/ x- t! y" e) h
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M, p+ A6 U0 ^. n3 A5 y" h
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
6 L0 |+ c- ^% o d/ b6 q; G| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
6 O7 k% p+ w8 F9 d0 c j| ├──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
, _% }0 t9 z* z f" h* R5 {" G| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
1 l8 Y5 V: v) t# s| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
2 e7 d. ~: D& K9 W; D) O7 w| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M. b% O+ d% ]& S6 P& q# _! t
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
4 d1 {& G: X/ V" P/ G+ R| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
6 g7 I4 x* o7 M3 J" v: a| ├──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
+ p- j# |& S# ]& T2 L! [* I; V: s| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M. O5 ^$ c& Y% E& s! w' g# ]
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
1 _0 s2 r. D2 l/ n/ q" C├──19--深度学习-NLP自然语言处理原理和进阶 - J3 z8 l. R9 X0 v) s
| ├──1--词向量与词嵌入 + X! J/ Q5 `5 q" K
| | ├──1-N-gram语言模型 .mp4 116.32M* R, _* }: I- d
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
, i( H- u# C, U$ `| | ├──3-词向量的作用 .mp4 58.00M
* k3 M0 t$ G7 m| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
4 G2 n' Z2 ^5 n| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M0 r" }/ W( D% j8 d
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M) h. V4 z5 G7 M; A* l
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
) I$ n( h- d) Z; n- \| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M$ J! L7 U# O+ P* b# l f) B6 a
| ├──2--循环神经网络原理与优化
4 ^5 i, A" H, G e2 D4 U6 q) r| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
7 E j' U( G1 a| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M7 F$ | [- F+ v" p+ \3 a2 d
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M5 g' L7 b1 H$ b6 H7 D
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M+ Q) Y4 u/ o" r6 Y. \% S
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M; N4 \& S2 {0 \8 \+ p. |- q- U
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M" f/ W9 N4 V+ G$ V9 s# Z n& R8 q
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
: J# d& X* `. b+ E. {+ T% i; q2 C- l| | ├──8-双向RNN_LSTM .mp4 52.01M
+ l7 W2 v+ }* t' b9 P1 H+ R8 M/ ^. I| | └──9-RNN里面应用的Topology结构 .mp4 23.04M/ V" G: Z+ i( p" t1 p) q; {
| ├──3--从Attention机制到Transformer
) T/ z" c6 Z# X* t8 N: a1 E| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
; d- |' a9 S. x. c5 y. o9 Y| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M3 O3 q. k' B2 W
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
2 G- g8 e; X1 \ D3 Y& S' D| └──4--ELMO_BERT_GPT
& f" B1 }( z$ @2 \ P; N5 \$ P| | ├──1-ELMO .mp4 62.44M0 M( ?4 f! h) g0 z
| | ├──2-BERT理论 .mp4 99.73M% Q4 D. B3 m5 a. n+ K
| | └──3-ERNIE_GPT .mp4 56.34M
# ~/ T1 m! x0 d7 n. F5 @├──2--人工智能基础-Python基础
, I6 u: U* U4 [3 x( L2 I' m5 q| ├──1--Python开发环境搭建 9 ?; j( l4 V2 z, B- B
| | ├──1-下载Miniconda运行环境 .mp4 100.75M. `* I' j' U' m, A! z0 @+ i
| | ├──2-Miniconda安装和测试 .mp4 57.12M
`% z! ^' P$ @. z3 M| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
0 Q1 m0 | `5 K6 D* v| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
2 a) r, w! g! P" n7 g e| | ├──5-Jupyter常用快捷键 .mp4 32.23M; b+ j2 W+ w! X2 [5 t
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
1 r! p ^6 [: k( A| | └──7-关联虚拟环境运行代码 .mp4 38.14M- m/ G2 L1 h% e7 o6 S8 n
| └──2--Python基础语法
3 p2 E5 W5 y" I& I| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
6 B V# G' ?8 E( J: M" j5 M| | ├──10-Python_集合操作_列表 .mp4 34.71M
p, ^; L9 O- P! h, {! R| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M, T0 P; W9 g2 v- |/ N6 |
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M. {0 j9 G9 D- Z3 D2 h# r( ^1 ~- \ |
| | ├──13-Python_集合操作_元组 .mp4 43.46M# `/ m% D2 x, e1 p' Z! n" Z' j
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M4 Z$ q0 ~$ u, L& ~$ ?
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
9 x0 d2 k5 w. S; ?4 U3 ~| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
" s) j t( h( _0 q| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
1 m6 ^: \6 E- _2 X" _2 k4 `| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
6 W# {8 D/ E0 C- k" x| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M; f( G$ b7 _7 r6 d$ n, F/ {1 A
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M; H. m7 G8 f$ R7 ?1 K
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M' O( b/ A |% @; w7 ?/ L2 ^5 R2 |
| | ├──21-Python_函数_递归 .mp4 23.46M4 T; s& T% h; v5 o; {, s, p
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M; u: g& U! v. t
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M4 J' x1 P) R3 P& }. s, h+ L' X+ k
| | ├──24-Python_函数_闭包 .mp4 41.61M
6 v$ F4 j1 b2 x| | ├──25-Python_函数_装饰器 .mp4 30.35M
" X! |9 `- b$ d; ^+ {! w( b| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M; t, g5 Z. R- n" G7 o5 v- {
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M4 e8 e6 x& h% J& u
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
5 x; I, B5 V9 y# b! d| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
! {9 V2 }/ \5 s s7 j| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M; \- F! L h; c
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M& l' F+ f6 Y- q7 @- i2 ?) {/ u/ ^
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M2 T! r3 [# `" N
| | ├──4-Python_控制语句_while循环 .mp4 25.02M' g1 ^8 p/ z) l1 J- b F% X& ^& o* C4 z
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
; `; ]3 \* F$ Z& U| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M8 m9 m; Q3 U1 a6 \
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
' J. z! k. Y X5 X7 `| | ├──8-Python_切片操作 .mp4 40.20M9 q. E& C9 f9 W, h2 I
| | └──9-Python_数据类型 .mp4 25.38M
; z& y: q' L) n+ t$ s$ G6 w├──20--深度学习-NLP自然语言处理项目实战
0 i0 P) G u' u' k2 F| ├──1--词向量 1 v% e' w- ~( W6 s& w( v
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
9 `) V$ }' f+ b! E| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
' W/ c8 T, x: f. Y$ i' n5 _$ z| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M" v+ O1 ^) k) a$ }! D4 F. L. u& S
| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M
" w m/ g3 y. R' @4 M( F( || | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M4 Z3 p0 B: V' X- u7 @
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M( C& U' x* R1 t ^
| ├──2--自然语言处理--情感分析 5 V2 d! w1 }& ?: U, E, L0 i" ~
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M+ Z) u g5 n; R
| | ├──2-数据预处理_01 .mp4 79.65M& O4 J9 `8 R e R# a; x9 t
| | ├──3-数据预处理_02 .mp4 45.68M
; J- H2 H8 ]" F8 ?0 z| | ├──4-代码讲解_01 .mp4 52.29M, w" n; }3 z$ n q2 L$ S9 g
| | ├──5-代码讲解_02 .mp4 60.85M
* d' y6 k6 X3 L4 K- e8 Q| | ├──6-代码讲解_03 .mp4 53.89M) v, S, I& B: ? k* `
| | ├──7-代码讲解_04 .mp4 57.19M
* z* X0 a9 a% n* P/ m| | └──8-代码讲解_05 .mp4 35.88M, ], [1 B' T; S, p1 t+ x6 T4 Q, v8 u
| ├──3--AI写唐诗
) M1 n }: N$ F* R( p' Z7 d| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
, r8 V1 m0 c. |& i- z" V3 W7 M| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M/ d; c2 R, F2 g) I: D& R) k# s
| | ├──3-MultiRNNCell单元 .mp4 38.93M
# K5 r- F1 ~5 @& ~| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M8 a3 v8 K: v% ?( k3 v1 k
| | ├──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
O4 h% e$ \" H4 h| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
. O* N% c1 J6 u& i| ├──4--Seq2Seq聊天机器人 . l# m) @* P G+ r q
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
l3 x# X5 a2 G( _| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M% m* m2 S5 k& [! J1 N
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M8 C5 b7 Z3 _- m9 b
| ├──5--实战NER命名实体识别项目
D5 g8 N8 M6 ~/ f| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M. v- y/ Q" @- b* T
| | ├──2-介绍了代码目录结构 .mp4 23.44M
5 d& C- Q W: \- S9 W# ]* `| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
4 x; z2 `/ _3 B1 _' _; a: W. j| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
) n; H0 L) d6 {, f| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
+ d3 x! X- u6 n5 F" J4 C1 S/ J| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
( Y8 o# J/ ^- I) p9 J0 q8 V6 {| | ├──7-CRF中的特征函数们 .mp4 125.97M2 [' E+ G! m; i- V% ?
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
3 T8 F" L% _+ @3 f8 A8 t) L1 Y| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
% g" Z! t4 L' l0 d| ├──6--BERT新浪新闻10分类项目 2 N4 m$ f- X: k- j" Y k$ v
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
% n4 X/ P" B U: V8 U B o| └──7--GPT2聊天机器人
! h% [9 I. {+ g$ r; Z+ M( I1 s| | └──1-GPT2闲聊机器人 .mp4 62.28M
) D" P6 H- I7 L! x* k5 b├──21--深度学习-OCR文本识别 8 g2 r/ G3 O- ?# B! O% A
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M( v7 h% f! o( Q I) y g0 o: m3 Q2 s
| ├──10-CRNN项目代码剖析 .mp4 306.48M6 s- b; q& o$ A8 b) |4 b% a
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
( R, u8 i r, |7 t6 e! g% J| ├──3-OCR识别的CTC损失思想 .mp4 327.69M4 B3 C, U& x0 [
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
# Z/ E) B- ^ J0 w7 l' P0 ]/ D| ├──5-CTC损失函数的理解 .mp4 330.64M1 ^, H* k: P; p6 W0 H# T0 u
| ├──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
' Y1 b) k) f2 c; W* p* G| ├──7-CTC前向后向算法代码 .mp4 225.41M; ]4 J8 l( R5 s
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
9 @. O3 K* K+ u1 \% `# P* s3 { e| └──9-CPTN项目代码剖析 .mp4 491.69M
) `) s& X0 S) W# v9 O% z├──24--【加课】Pytorch项目实战 4 H# b) S+ {& [2 _# k9 e
| ├──1--PyTorch运行环境安装_运行环境测试
5 _% P5 H0 Z# H| | ├──1-PyTorch概述 .mp4 29.29M
& _8 }$ C7 o, o| | ├──2-PyTorch的安装 .mp4 76.45M9 v0 r/ f- F4 [# T ?* N# X: M
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M5 f/ J, j- ^- P0 d
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
; M3 M0 v! o _| ├──2--PyTorch基础_Tensor张量运算 & y: U9 S, m; @6 G1 M$ P+ f
| | ├──1-Tensor的创建 .mp4 55.14M
5 O* y* f& @* I| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M: h; q- y9 I. u2 ?
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
$ V" x5 h3 P/ r6 e4 B$ z1 e| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M, p, V/ B+ b" D: {7 l; y$ M
| ├──3--PyTorch卷积神经网络_实战CIFAR10 ( R: n, M2 E5 H( e8 e0 Q H6 a0 s2 a2 H
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M! N4 y0 i9 Y7 a2 K$ Z0 L" c4 Q
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M3 A5 W+ }4 M$ \7 T5 |0 B% q
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M" s B( u' h/ O. _3 q
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
! i$ z* s8 P6 R( G1 @$ X| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M0 w) N" [, m) M3 ^* |6 l
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M/ w \' y# q. Y
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
" D& J6 Z; I8 l5 g7 j9 r* p3 N| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
! R) q) e" X) Z: X. C| | ├──8-torchvision里面的预训练模型 .mp4 29.84M l1 w* q$ O! {* b e
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
+ c% v, }! u2 x; l0 P/ @+ }| ├──4--PyTorch循环神经网络_词性标注
: i: y/ d0 o: X" V. O| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
" A5 w& P' s( z8 p. c| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M! m7 U) N z( m% {
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M! f4 {% V4 B$ L0 J8 s3 o
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M, s. `; y9 `2 B8 D8 } X- i
| └──5--PyTorch编码器解码器_机器翻译 8 Q, C J) }- i
| | ├──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- H3 B- v ~1 C# a( `. f
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
* q* Y5 y8 W: X4 p( D| | ├──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
+ q. V9 K4 h+ O& z# ~- J| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M4 e3 c+ b: J- q( h0 _9 u) [
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M$ t5 @1 w) L9 {5 b8 Y1 E
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
3 W% E4 a/ [; P# W/ Q| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M) U+ Q& z- {- C. d! p% K6 U9 [; q
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M0 P& v" O; {0 ^8 C: p: O, k( L, t
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
6 N9 L8 R& z; Z* l( a; ~) @6 X| ├──1--PaddlePaddle框架安装_波士顿房价预测
# [/ h8 c6 u; B( U( q| | ├──1-安装PaddlePaddle .mp4 87.34M
0 ]5 M+ f5 L# E) c; o| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M$ L, f4 z4 l! |/ A: c2 c
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
( {' l- p4 r( G9 j9 v| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
( G, M5 p$ l! n; P( i4 x- l! o+ Q& P! N| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
$ J0 y$ y7 E9 p0 E" a. {. E| ├──2--PaddlePaddle卷积网络_病理性近视识别 6 p9 D) y' G6 Y" u$ ^+ b5 ~) ?' _
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M8 O: ?4 L4 ?+ X% x# [6 `
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M u. G+ G( t9 p. N# L
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M% C6 q, f5 v$ u7 @ E
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M+ w* `" x. a6 Y' e) y0 e
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
2 ?* O& j- z! L; t. d1 i5 b3 d" H; d| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
7 _# q) [0 t7 u+ k| | ├──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
) B! _+ x! L+ J| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M- w/ x( h* P, D( Z
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
# S' y' p2 ~5 X [| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M: t( t+ @9 f! g
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
% ?2 N. |+ L" A, R1 o# K: ^! {7 X* Z| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M$ z* p+ t- _; ~6 y: c" f
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) $ c/ R1 Q$ h9 d% t
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M9 Z' M( W* O3 D
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
& l1 t6 g! v r4 [& m# z8 s* K$ X| | ├──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; ]# W, a6 k/ z: R' R8 h% T
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M t7 z4 E& F! m; F: H/ @
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M* R) I! T( u D: ?& n2 r* `! G& Z1 k1 n
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
. [) g, F3 t; N" I* e, w2 c" `| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
' s- l; C2 S0 o: u9 Q| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
& I, @6 U+ @& u| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M' G" w% f' _ X5 X7 o8 g# n, {/ M. R
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M8 Y1 B3 r! C! F% X( U
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M \. H1 }+ L- ]* i
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
4 D1 D4 X+ x q$ b| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
* `7 L# t6 ?& f, F/ D) O" z# a| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
" B6 l3 Z ?7 g! [| | └──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& w3 D3 t' A0 q! m+ {+ q- d
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
% o) I6 E$ j) X y+ H/ |( d| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
$ y- A" x7 o1 s* X) L5 i0 a| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
9 G- S4 j& b6 l) `! d! \$ Q| | ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4 47.78M
$ k3 G4 f& h. @( i0 c6 i| | └──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
( K# U2 ~1 f% E8 Y3 `; s" Q├──26--【加课】Linux 环境编程基础 - F' m- h5 P V' u8 K: C; h& q2 T
| └──1--Linux
+ D) J, |- x, y: d" e& k0 O; D- @| | ├──1-Linux_课程介绍 .mp4 3.72M
7 y9 T9 L8 {3 m$ N& T| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
1 ]: l$ j; x. @| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
$ p2 w7 ~6 c F4 }+ f| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
$ e# h; j' f6 }2 q0 r( {| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
2 k$ P9 e/ X' [$ M* D| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M4 }+ J9 c3 J0 ^# O! } X- F# W7 H& u+ H
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
, F0 Z7 |1 |- x4 C* D| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M1 \5 j8 K* H% H& ]+ I$ b4 S$ J" A
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
" r6 w1 n+ _+ e| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
, [9 d9 q$ x/ W' w i2 t| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M9 g0 W: R1 o( e- N
| | ├──2-Linux_Linux简介 .mp4 17.59M
+ H* m. `" b T( n| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M" @7 j% {5 s% p/ p- e, f+ x
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
6 t4 B2 K: U4 f1 T/ ] a- z# k| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
$ }0 C6 Y; W2 C* Z) J+ Z| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
" l2 x3 \2 {2 ]9 i| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M T/ s& d+ m( g4 f; |; r' y- K
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
) w2 i" l/ [! w| | ├──26-Linux_安装MySQL .mp4 79.02M
* }1 y/ R" Z' P, Z| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M% C% L- Y5 z) N# x9 M6 s& j
| | ├──4-Linux_安装Linux .mp4 41.97M( I1 ?- I% j; x G5 j8 ~5 z* X
| | ├──5-Linux_目录介绍 .mp4 20.31M
/ L5 h( P9 i' m6 i| | ├──6-Linux_Linux中的路径 .mp4 18.65M
# {; p7 e/ o: F! d| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M9 R& t4 h: S0 t
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M9 U! P' ]2 _" m6 k+ l0 Z! [
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
/ d# n( q! t2 H/ z( x( }; t├──27--【加课】算法与数据结构 & z8 c, g' b3 ^9 K) j
| └──1--算法与数据结构
7 w) d& b: r- ~0 e| | ├──1-数据结构与算法简介 .mp4 35.68M
5 X- f6 H) G8 i' a| | ├──10-哈希表的基本结构 .mp4 54.34M
1 F' l L! |% A7 {8 ~+ N# ^2 k! `| | ├──11-哈希表冲突问题 .mp4 75.92M5 b+ M( K& m3 X" _1 r
| | ├──12-哈希表冲突问题2 .mp4 72.30M
9 p v' l% ?3 `; Q, l| | ├──13-哈希扩容 .mp4 111.03M) y' n# Y5 ^9 H/ g; L9 m
| | ├──14-递归与栈 .mp4 50.77M
' S c1 q3 i: n) M/ Y, M1 F3 S! p| | ├──15-线性查找 .mp4 57.80M: P6 W& J; c* ~
| | ├──16-二分查找 .mp4 52.32M
& a7 s4 [2 Z& h+ J; R) K| | ├──17-冒泡排序 .mp4 53.19M
0 I* S6 v" u. v+ H& h| | ├──18-选择排序 .mp4 43.29M5 F$ a% w) e0 K) g4 e) n
| | ├──19-插入排序 .mp4 31.39M
- t( \9 J" l7 y$ {| | ├──2-大O表示法 .mp4 25.59M0 \& e* M9 V0 X: H! P. y
| | ├──20-归并排序 .mp4 84.48M5 ?& q, v+ M: w I) x
| | ├──21-快速排序 .mp4 36.63M6 ]% b" X$ q8 D+ ]2 m/ \
| | ├──22-树结构 .mp4 96.85M# }+ J+ C- \2 [+ A
| | ├──23-树结构的遍历 .mp4 61.05M
, K7 q7 ?. v3 S4 g. j4 p+ D| | ├──24-最大堆的增加操作 .mp4 45.43M$ v. c" A% p4 H+ r( y+ N
| | ├──25-最大堆的删除操作 .mp4 45.63M0 e3 ^% s& E+ k' ]0 o \
| | ├──26-二叉树的查找 .mp4 100.24M6 `5 r) H6 |- S( e' p* k
| | ├──27-二叉树获取最小值 .mp4 25.21M
8 x. m/ N3 d) G9 [6 g4 ^/ r| | ├──28-二叉树的添加 .mp4 72.66M) Z6 c# Y5 M A& n" S9 H
| | ├──29-二叉树的删除 .mp4 120.06M
3 L7 _7 @7 O* L7 V4 X7 \% L| | ├──3-线性结构 .mp4 53.14M
0 K. H6 s5 d& O, x0 b| | ├──4-单线链表1 .mp4 68.36M8 e' N$ ~9 E3 x& A" w
| | ├──5-单链表2 .mp4 221.69M5 g/ J& |5 w" e
| | ├──6-双链表 .mp4 103.57M
/ {( r1 `) k; x! Q# n& s- A. a| | ├──7-队列(链式) .mp4 74.12M
0 u+ R. V& t6 S" S8 ~1 Y- W/ H2 G| | ├──8-队列(线式) .mp4 30.99M$ M9 q# L) ]" n+ ?( j* U/ z* F
| | └──9-栈与双端队列 .mp4 28.12M: ^0 F# m( a1 a/ `7 s; x. a) {
├──3--人工智能基础-Python科学计算和可视化 . |1 O2 m% k+ I1 }9 C
| ├──1--科学计算模型Numpy 5 W) c5 v! J Q! e
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M- Y, u6 A+ u @2 c- a
| | ├──2-Numpy_array_arange .mp4 35.45M- _: q* ~( u) }+ O) g2 \1 n
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
0 i; t1 i* n, I) B+ V| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
& G) T: X* p8 c* M8 u| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
% e% L4 O- ~4 U1 [9 Y# ^# a| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
3 ?/ B9 B' }3 T7 n| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
: ]$ a' A: x- b; s1 p3 p m u| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M" y# ~9 K1 u" ~9 [8 y2 t
| | └──9-Numpy_聚合函数 .mp4 23.68M
+ n9 i5 r; P( M) q) m! p$ }: p1 l4 || ├──2--数据可视化模块
2 D) z" v4 I/ t+ b+ p: k W| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
$ \) b) C9 `' [% v( ?2 L% w7 ~| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
! G6 h* `0 j4 u7 |* a7 J7 x/ u| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M+ d) @/ B- R6 }) r+ }: o
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
6 m( q& L1 V% _! W R. n| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
' {# a7 D" ^; i, E! \) H3 N| └──3--数据处理分析模块Pandas , u% K. l3 Z x3 r! |$ K; z. |) y' _. }. t
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
2 U( @7 Q0 J( \( I: R| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M7 d; M: h6 I6 L( X
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M, z% m( }% R' l( a/ W4 A3 p! _
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M+ ]: c5 o! [* d* A" C
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M6 \) M) E8 a* {/ o% r
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M: T: r B4 _6 S1 w( }
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
5 a" M# X0 l! A+ K9 \- t├──31--【加课】 强化学习【新增】 9 _ X+ J7 J; I9 c# e6 c2 a' G* _. p
| ├──1--Q-Learning与SARSA算法
* W; {; O# Y$ G6 m% x| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M; D% u$ [4 P. y& |
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
8 i: S+ Q8 B9 x* @| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M( S0 p, s6 @ P0 w6 A" t. e
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M: K7 \+ Q0 I! t, M
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
6 G4 l: o! _0 R g- R: l' N& K' G| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M2 y3 \" g9 l' a& S: |' u5 F
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M0 w* r' K6 Q: `5 Z0 O/ Y5 p
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M; ~1 t9 w8 I6 A. w# E
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M2 Y' l* E0 b4 v
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M) [2 N0 j1 ~' H3 o( p' r
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M9 Z9 \) |2 x, x
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
6 p, m3 F8 L. b| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M) ~ C9 F/ g0 I4 P% [8 F2 C
| ├──2--Deep Q-Learning Network ! y7 _+ y) S8 i. |; c
| | ├──1-DQN算法思想 .mp4 59.24M$ H T8 `6 [# p" Y
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M R! J4 n/ P) K# s, |' I7 k- b
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
- G2 }3 a/ X4 Q' C/ U| | ├──12-DuelingDQN .mp4 88.12M
6 D/ U3 J! c! S; G, w6 `| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M7 Z0 o. r, ]4 U
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
& a5 W# K+ T* N| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
1 D# {1 r/ t' T| | ├──2-DQN算法具体流程 .mp4 56.17M
2 S/ q- M Z% i4 Q3 ~2 K L| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M7 y2 @* z4 i' b. v
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M/ N* u4 W, q; b1 M- c! q: U
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M' M0 d& H# l' 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
y2 z N$ O# Z6 f K& F| | ├──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* \3 F) y3 Y% H4 c
| | ├──8-代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小 .mp4 58.93M
" ^/ [' o8 _2 Z r3 || | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
! a7 Z2 e3 t3 H& |0 ^3 D( I8 w9 A| ├──3--Policy Gradient 策略梯度
4 Y% c% l4 U& y7 r| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M7 b- q2 L/ `! a. Y
| | ├──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
, s# {% W- X. m( w$ H3 u0 {| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
1 V) s, l% S: y0 t* t| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
8 r0 V" a( b* W; U; W| | ├──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
2 X, S1 B t8 l; R+ g| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M5 u0 m/ e" b( {% Y) | n
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M$ }5 f& d) i' X" k' o5 m
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M4 Z6 @' {* ~; O! `& T
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M3 G& U2 {1 U; Y$ J* e- p4 q
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
2 R; z) D: @% ~% D1 u4 o" F6 [| ├──4--Actor Critic (A3C)
8 d: f" T& H7 t4 w| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M* H7 }9 q( J" P0 i
| | ├──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( W: T) P, z" W2 F2 h: Y/ h1 b
| | ├──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- _" ~+ K% Q, X2 Q/ h! i& x
| | ├──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
9 M6 j1 m/ m0 || | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M- G# y% T% q( S. f# ]
| | ├──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 47.18M9 C! p" y- L. D$ {4 u) u& s
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
8 V3 a7 r3 N7 g, U9 z1 f| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M% K. ?/ d4 |; V) r
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
. b* U1 o3 \5 k( V+ a8 y/ O" X2 J| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M' q1 P& _3 w5 _
| | ├──6-A3C架构和训练流程 .mp4 74.66M. c6 m0 N3 T9 U& X0 C' ]& Y( n1 s+ Y
| | ├──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
# r3 F Q3 Z3 X) ~# j3 U| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M6 r5 f q7 Q7 {
| | └──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
$ k9 u$ e" z* b" z: |- j5 }3 G| └──5--DDPG、PPO、DPPO算法 ! W w5 {- J# x0 J' F! q
| | ├──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! ?. Z8 D. `0 G. @& D
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M0 O3 U7 S. |: Q" J
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M! g4 Y t* Z+ z! v
| | ├──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 42.12M2 }. n* B, x/ k2 ^
| | ├──13-DPPO分布式PPO .mp4 63.81M6 V9 k5 f* n6 T! N( U+ J
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M2 i. v3 `0 V* S8 e \+ N. ^
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M3 x, ^2 F& O3 X8 c6 _' H; V" T% E
| | ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4 51.45M
8 Q `. j* Q7 I& |; Y, R0 W9 t# _| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M4 _) X) W8 Z. L8 T( E5 B
| | ├──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; l5 A* n2 J% M3 o
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M! {" r7 h! s9 g w0 U( ?9 j
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
( q; X. a5 z1 H6 ^6 [| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
0 d' W" s3 m! l$ ?3 o2 |) H0 Z| | ├──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
% f. ]# Y/ v! T| | └──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
& m- [. H! q# S7 V# O├──4--人工智能基础-高等数学知识强化 : j* k# W2 Q/ {7 [
| ├──1--数学内容概述 5 B5 U5 y; X. _6 v8 Q
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M U3 p5 V) a: x, U0 S
| | ├──2-线性代数_概率论知识点 .mp4 26.81M G3 s$ T7 w) v6 J
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
; C( K5 }* d. c! C" U| ├──2--一元函数微分学 1 y, ^' V; K$ h2 {( v
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
* C; y: g3 S; [( ~, s5 L5 g| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
- Y1 j. M' S$ g' a# a| | ├──3-常见函数的求导公式 .mp4 22.76M$ w6 I) z/ c% q; N; S i
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
8 M& o |2 @* p& { a+ Y1 v| | ├──5-复合函数求导法则 .mp4 19.68M
8 x6 t) @) t4 N5 U| | ├──6-推导激活函数的导函数 .mp4 33.40M
, j$ V/ @) R8 H7 ~/ V, Y| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M/ C4 q- ?& A, \8 a# K$ v
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M0 |9 r& e2 M. T* ^" g) H
| ├──3--线性代数基础 " [& Z8 n/ t5 H% l. J
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M! S$ C0 G' ~6 b6 o- p/ b1 o3 y( X& M
| | ├──10-矩阵的逆矩阵 .mp4 38.54M% X% J9 M; ?3 h& p8 f
| | ├──11-矩阵的行列式 .mp4 20.13M
: k4 l9 ?% |5 h% H9 C" T| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M" t& m( t1 V0 k* U, X8 l
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M/ L/ B- e# f& @( t T
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
/ s& @; u9 ]- B) I4 A| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
' A' K3 {/ c& R| | ├──6-特殊的向量 .mp4 26.45M, f- H) w, w9 J' H; ]$ g
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
% x Q5 X' S8 r5 |- m| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
6 l. J* g; n0 w: _: t| | └──9-矩阵相乘 .mp4 20.02M t6 H, B2 j7 b2 {
| ├──4--多元函数微分学 % J! }7 Q% Q. `3 i
| | ├──1-多元函数求偏导 .mp4 22.61M0 Z/ E# D3 H& ?5 M& v' Y( E0 Q
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
% W8 M" [- [2 a1 @* `| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M+ X* y2 C' @' p0 o5 m6 v
| | └──4-Hessian矩阵 .mp4 32.93M _* l7 }& G2 |0 I& [
| ├──5--线性代数高级 6 Y$ ^# P. G3 O+ H# c8 i5 p
| | ├──1-二次型 .mp4 27.70M" o3 \' r2 L+ s) S5 e& g
| | ├──10-SVD用于PCA降维 .mp4 24.90M: u! C3 F5 V! C9 u- ]
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M: L& A. S$ _7 m
| | ├──2-补充关于正定负定的理解 .mp4 23.48M! I y9 p# g( E4 H& s1 {( |
| | ├──3-特征值和特征向量(1) .mp4 29.83M
' Y3 t7 p) N, q& V( a# l| | ├──4-特征值和特征向量(2) .mp4 30.07M8 G6 @2 q+ d7 G- K# W0 [
| | ├──5-特征值分解 .mp4 38.68M
( c5 z B0 Z, n, B| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
; k) m! P' z& V y| | ├──7-奇异值分解定义 .mp4 22.58M% H: v5 }" }2 p
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M. j1 F% P, I+ q) F: Z
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
6 b' K2 m3 U5 f3 z9 a( x) v1 h| ├──6--概率论 2 M ?9 M' W: g G
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M J4 t9 \$ _' X' B* m
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
2 l( }. a+ l6 [! ^! p$ O0 s, d| | ├──3-随机变量 .mp4 22.57M
- T8 g) a* k2 r0 Y| | ├──4-数学期望和方差 .mp4 22.96M
' m9 l @! [# C @ F9 b* i8 J| | ├──5-常用随机变量服从的分布 .mp4 22.48M1 Y& K o2 ]2 G& I
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
. s' h# A4 u4 `9 c| | └──7-最大似然估计思想 .mp4 23.42M
+ ]7 g7 B' Z$ w u! {| └──7--最优化
4 n1 ?, O/ V: f! ~7 v7 ^ A* `| | ├──1-最优化的基本概念 .mp4 35.14M
$ N: P/ d5 f$ [0 O% q: c| | ├──10-拉格朗日函数 .mp4 27.46M
# f! f0 J; O! ^2 F% q| | ├──2-迭代求解的原因 .mp4 20.15M7 W! }8 e% h7 Y6 k# D$ i
| | ├──3-梯度下降法思路 .mp4 26.33M
$ G6 y. o4 W. ^5 k| | ├──4-梯度下降法的推导 .mp4 43.56M) f8 @& S9 N; j$ }; y4 j4 G
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M! t1 [1 ^9 b$ E( G% L$ {0 n" W. [
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M% W' }3 G& i |$ @4 b
| | ├──7-凸集 .mp4 21.90M
/ x% |! G/ @1 W1 B" j; U; H; b! C+ Z% S| | ├──8-凸函数 .mp4 16.93M; o. X# ^& f2 j9 e2 A
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M( p* ^2 L* \) l! Q) m* t
├──5--机器学习-线性回归
- f' q0 L* H/ m, ?) f, K$ Q7 T% z| ├──1--多元线性回归 / o7 k2 X" Z/ x2 B k* v2 T( @
| | ├──1-理解简单线性回归 .mp4 51.11M
3 v* e- y. y2 Z! K" B# q| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M ?7 H9 f( F$ U' r" g3 j1 j
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M' r9 d$ x5 c& i" g; W/ H. f+ \
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M' w: I4 X) U, H7 q3 `
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M5 t, G5 N* a8 a( N5 a
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M! v% H. T P* }- P7 t! V
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
. p! T p5 j D( K1 \2 _| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M S5 p! O( C' }. C# w" [
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
4 F: t8 n8 Y0 s7 H0 s5 i: |+ || | ├──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 48.31M5 q& v5 f8 t3 n8 f m& e
| | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4 34.67M/ S3 t9 U0 \9 Y# N: O2 g: a
| | ├──2-最优解_损失函数_MSE .mp4 39.58M" @0 v$ s/ L' |6 K* c+ L9 D
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M1 x2 D! T" v- K1 g
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M$ K8 @" x9 G; X" w7 V6 s! ~
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M) ]5 K" w# B; {" i* y* T
| | ├──3-扩展到多元线性回归 .mp4 32.15M* J ^, ^. X; j- M7 L( z. D7 M
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M' o1 M* F5 s2 f& P! a6 I
| | ├──5-理解维度这个概念 .mp4 41.41M2 s, m* [. v7 A% _2 [
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
( R/ v& E7 u% o; y| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
" t4 V8 t- N* l| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
7 _7 d, h: Z n: U" @0 ^. l/ J| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
2 p7 T c9 o5 S: t- R, [| ├──2--梯度下降法 9 y: G; d6 O7 {' w+ F5 G- r, f# F
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M0 o* a6 b& j% y* u9 ?
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
0 i$ A/ l: B+ c6 `3 Q. J1 n) Y" j+ D| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
' a6 m8 U2 [ W! f4 {| | ├──12-代码实现随机梯度下降 .mp4 26.67M* u s9 |/ m& s3 q
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
* c, u \9 p- Y. J. j6 n" Z| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
- F- R/ ?7 ]3 E# f3 q( R| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
7 b. }# E X4 r9 n4 a+ [ M9 W |2 d| | ├──2-梯度下降法公式 .mp4 57.12M: o7 g# S* Y ^
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
7 A/ }) Q4 U9 T( u| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
( `$ C9 k6 N& {| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
' Z y% z! F: }| | ├──6-全量梯度下降 .mp4 62.84M s9 ~5 I7 Q1 C, ~1 z$ ?
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
2 W T/ q! g$ r& E% S6 l! p| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M* p8 R5 {& t( n
| | └──9-轮次和批次 .mp4 45.22M* [# R" v% q o1 K9 z0 T, m) L" D
| ├──3--归一化 # k* t. Y. M* C0 j
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M+ V+ p) S6 } u+ E- S
| | ├──2-归一化的目的_举例子来理解做归一化和不做归一化的区别 .mp4 34.11M$ M5 P& F7 I# \- [6 p* s/ e9 @; A
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
: [" \5 c$ M% }( B/ l" D| | ├──4-最大值最小值归一化 .mp4 24.87M
& d8 ^" O% l% f" e$ ]3 J| | ├──5-标准归一化 .mp4 51.86M( e- r; \) g7 v9 V: L7 u, x, j
| | └──6-代码完成标准归一化 .mp4 41.13M
/ e7 E; C6 C; A/ j- i/ e! ~| ├──4--正则化
3 \- ?" S L" F$ j6 u; F" C| | ├──1-正则化的目的防止过拟合 .mp4 30.71M7 H L1 ?- Y7 q
| | ├──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, r( r. R: a# t# J
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
& N* K, N) @: z5 N% ]| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M, g/ C- q, z; m4 P
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
8 B7 v$ s j7 u. d# i| └──5--Lasso回归_Ridge回归_多项式回归
3 U0 H" a7 G+ d: j; Z) m| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
. |( }, V/ j, C: B| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
9 C8 k2 _% E# [2 w, ^: \; U% O| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M. E; Q! k' {+ l' q
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
6 l9 ~+ \' z6 @" ]( n" I6 o| | ├──2-代码调用Lasso回归 .mp4 28.73M: \2 B# t: U, {1 j" S' a/ T/ N
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
1 [# l! E* u3 T O& L+ g| | ├──4-升维的意义_多项式回归 .mp4 48.06M5 ^: x" w1 `- z* _: \8 A& S8 n: y
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
8 F7 y) h5 x; G! t1 g2 u k3 U1 h| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M. q8 a8 B% L$ c
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
. H! `8 `' {: }% ^! o& O5 O# S| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M' D% l+ s/ ?: I( G1 S5 ~% h5 x+ L
| | └──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 G& K/ \- I+ B9 K
├──6--机器学习-线性分类 & L. c8 O7 [9 p; g
| ├──1--逻辑回归
/ a. A' E% M' w0 [| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M0 L, p6 p) R* \( Y6 i7 G8 z
| | ├──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! v1 J q" ^! R5 m" U4 P' A7 b1 b
| | ├──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
9 P9 x% G9 o7 \: F% n9 Y| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M/ }( b$ y* y8 h8 ^+ p
| | ├──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
% x4 Y# C5 ?( S' ?| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M4 I4 x) U2 z- ?7 {% _
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M# ~6 n' k" X: r/ p3 h7 G
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
; Y$ D: ]9 O- ~4 B4 s0 S; U( g0 C| | ├──2-sigmoid函数作用 .mp4 38.15M
3 ~5 q9 O% s& \$ f4 z8 [3 w5 @2 b| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M F+ p2 ]; r/ {8 e( Z* w( K9 P+ p
| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M2 {1 g+ c" P a, X# W* `8 r1 n
| | ├──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
& j) x6 @* D+ X* j3 j; G( l# U0 C+ b3 v| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
" m7 `7 n" p% p' Y; C% \5 T5 g| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
: X) r1 W3 q' V| | ├──8-绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数 .mp4 56.56M& H( H0 ]5 ]- ^; X; E* {5 @7 G
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M9 t6 A9 s1 H1 h2 |
| ├──2--Softmax回归
1 }' x- T* C6 x3 [9 r5 i| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
: U# I. z; v o# Y& A% U ~: f| | ├──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
. o8 v3 ?& P/ Z3 b7 Y| | ├──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) [6 P/ h7 Z. W; S0 i% O
| | ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4 47.67M
$ W! N1 n. f, N9 Q6 }| | ├──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 g. e% ?5 Q6 ]( X
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
) k3 K- f1 w+ Y8 o' t| | ├──3-有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本 .mp4 33.42M! J* z/ ]% B f0 t- I: t
| | ├──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
6 i8 S" z- d5 @8 C: ?" M. P% Q. f| | ├──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
A7 E5 E B0 U/ j& }- V' ~# { j4 H5 V| | ├──6-逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别 .mp4 46.67M
5 |1 M! B4 W- p| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
: W! ?5 L7 y' `0 k1 Z* y2 e| | ├──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 52.39M4 M' e! w- \6 w% w8 K# G) o! o
| | └──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" m) X! R! t2 P4 e4 }, D
| ├──3--SVM支持向量机算法
7 q0 |% a$ r5 C; _0 N j5 x6 c& Z| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
. B+ k# R1 O5 r, |5 v| | ├──2-SVM的思想 .mp4 55.56M' L3 ?+ Q& z# _5 O- Q% {
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M8 G/ q' K5 o2 | z( p; c
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M/ q/ Q+ y' f5 F6 O3 D1 T' W
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
/ Z$ t, I; a- U% Z& A| | ├──6-总结硬间隔SVM .mp4 39.01M
5 b5 m, [/ g' q$ o! G| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
* h; a4 o$ V" R5 I, ]| | ├──8-非线性SVM .mp4 54.43M
$ }# p* D( D5 k, o% O! Z0 a| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
5 M& h, n$ m5 P. h, }| └──4--SMO优化算法 9 x6 u$ V" {3 Y4 d3 e- D
| | ├──1-SVM算法流程总结 .mp4 58.36M
, ]# Y5 U) B* T* m/ g- H| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
9 y! P2 d9 d. F+ s! [| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M! u7 c" t. x$ x' o) ~% m9 u9 U
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
, T: v- [+ p' W8 s| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
/ x8 ]$ [: [1 O I4 b6 l| | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 69.00M
* M) Y: v, ^6 @: o| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M+ L) ~$ _- R& B# f$ g T3 ?) }1 D
| | ├──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
0 z' S+ I( Z1 R2 x6 ]; y' V| | ├──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
: ?6 x0 p N+ c+ {8 b' a: `7 Q| | ├──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. W. r5 O2 ?5 Q
| | ├──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 92.38M7 Z7 f7 f4 t6 g6 A& z* a! C6 O
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
5 {* z- v: u, i6 R& M1 W3 c| | ├──7-启发式选择两个α .mp4 23.11M* n. ^0 {( Q7 G# N; l/ R9 e4 J
| | ├──8-如何计算阈值b .mp4 50.18M
3 U$ {7 Y+ j, \| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
% I' Y6 y- \ |. g7 K$ B├──7--机器学习-无监督学习
, g, u5 k! D( ^# T/ y6 N \( n| ├──1--聚类系列算法
& Z* Q6 O% ~) E4 _( a| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M2 |+ F+ O) l+ z+ B& J
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
; z! v4 Q# a4 k| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M$ V" z( p! q9 h. p n4 h* U
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
/ r$ z% \4 X, |. q4 G) [| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M) n2 R8 X: }( D( ~
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M/ y) g1 p8 l- S O, h/ E
| ├──2--EM算法和GMM高斯混合模型 4 B0 s9 ^+ ~8 J; W
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
' J+ l' K. W) X5 e| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M4 q D) j' ~" f
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M2 p+ Z* Y# J# g8 d5 Z! t: ?
| | ├──4-Jensen不等式的应用 .mp4 109.17M
& z6 ~3 e1 x( G4 O, O| | ├──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; W. W8 U+ _0 l) [% g4 _
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M Z! k* p6 f$ U1 o* C1 O* P
| | ├──7-GMM前景背景分离 .mp4 16.01M$ U! y, M3 ?$ }$ z7 K+ D
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
9 V# u; W y$ x, b: L: s8 |% q| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M2 R0 s6 H* j' v( |, Z! l9 u
| └──3--PCA降维算法 ( N: j6 S7 p* i7 n
| | ├──1-特征选择与特征映射 .mp4 49.38M! R. {6 B' e+ Z
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M( |! k7 A2 D& W' T4 g, c
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M0 [4 x+ R; ]9 w
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
" Z, e/ K$ r9 U% Z| | └──5-PCA的几种应用 .mp4 54.58M
U2 x( ~$ ]/ V1 P. k# k├──8--机器学习-决策树系列 ) R. d. `: u& Y6 b
| ├──1--决策树 * z' N* M3 W7 [0 N; Q
| | ├──1-决策树模型的特点 .mp4 74.88M% I1 W N4 J$ J4 m6 T: F \
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
% l0 Z; B7 K3 y4 i| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
0 ?- Z6 ~: {+ i6 V| | ├──12-后剪枝的意义 .mp4 50.49M
( p# ~5 y- D* _7 f( s( U| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
; A8 o" D/ h: w U/ |& n# r+ ?| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
, a' J4 m' r O5 I| | ├──2-决策树的数学表达 .mp4 89.94M8 i" M6 C- {) ~9 r5 I9 Z H1 D
| | ├──3-如何构建一颗决策树 .mp4 84.87M4 G. q9 F/ {4 ], s/ M1 b6 g
| | ├──4-什么是更好的一次划分 .mp4 57.02M, m3 L% |; w, _2 {2 I/ W5 Q. C
| | ├──5-Gini系数 .mp4 107.54M
, v! I; A+ _5 L( I| | ├──6-信息增益 .mp4 75.26M
; H9 e0 t" z& s( P7 Y| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
0 r4 x1 X( H; m4 l6 g8 H| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
9 t! u. k. u# e5 d5 h S+ ]| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M: V1 Y3 P! N( u/ l2 ^& s# ?
| ├──2--集成学习和随机森林
: c+ U9 E, K* ]1 l9 @| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M3 T* \" i3 U1 L# v7 Y
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M4 e: n9 v* I# Q8 j3 s$ O
| | ├──3-随机森林 .mp4 108.14M+ ^& Y- W. S A7 T1 A
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M( \2 {1 [# E9 d8 E2 F2 g3 n% E9 [
| | ├──5-OOB袋外数据 .mp4 106.07M
0 e" ^/ b; m. r" H: U" E| | ├──6-Adaboost算法思路 .mp4 106.30M- A' M' H1 P. D$ [5 D% D% P
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M( v# C1 |! r4 Z+ R( E
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M9 P; \( U( D7 M# h) s1 T
| ├──3--GBDT " c3 d+ {" p) k1 C
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M
& g5 X2 m Q9 U5 i* o| | ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度 .mp4 72.09M
2 Z, I- ^* Z. y: F2 j1 e| | ├──11-GBDT多分类流程 .mp4 73.80M
0 k4 v# i8 L8 K& k$ ~2 b4 Z| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
* J i" f' h4 b0 S3 K$ [2 [+ ?| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
' e. \) q T. k) ?0 N, P- D# u" `) Q" V| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M. X2 u/ ^6 k1 Z: m2 R
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
2 ~ e1 v0 {8 s7 k| | ├──16-GBDT多分类举例详解 .mp4 91.71M
! I' I% o0 j5 h! n1 X$ e| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
; b) c' p) h! m- u7 m( ]| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
1 z. V: I; S% ~/ [$ m| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M8 J, n1 ]6 l* B& ?3 \9 s' L" R2 G
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
# p/ n3 b" P R0 C; m| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
# q8 H }1 T0 W* x' H| | ├──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
9 q. q! b/ e( E7 u: c, s| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
, v* D6 T3 ~3 w% e+ \| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M6 P w; w& v% U7 X6 h4 X; }' M% b
| | ├──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
5 E8 x2 z) {/ B& v| | ├──4-GBDT应用于回归问题 .mp4 84.66M
# q. w) S! J' F% q, }8 _| | ├──5-GBDT回归举例_总结 .mp4 108.52M
) u, _% ^3 d. D, y3 g1 R# ?| | ├──6-GBDT应用于二分类问题 .mp4 70.42M* W* }$ p1 E' t
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
+ t; E9 }" s2 S# v+ R' v; K| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M* Q+ _, v' P) H
| | └──9-GBDT应用于多分类任务 .mp4 73.34M9 A, U5 B% Q. ^7 x4 p: Z1 Z3 ]
| └──4--XGBoost & p* B0 a6 g' X; n
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M2 e. L @! K+ s" Q4 K
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M# L. u# y X% |, U- \2 Y
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
- o6 `4 w" A. N( i7 p8 M0 C! z| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
1 c) s) M; E7 B* C| | ├──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
. l0 _8 c. R6 U| | ├──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! ]4 a! ]7 a. a) p/ Z
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M/ a* V; F, e2 q1 k3 u- z
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M5 }" m6 c0 ~7 v% ]0 v9 B* U
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M% m" `; L! T* X: a
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M. t9 C% X+ n/ f3 m. O
| | ├──3-基于树集成学习4个优点 .mp4 91.36M+ H, h$ o; {5 p5 j' Y
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M1 N+ N8 Z8 H9 ?8 S
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M& P. `. }5 s1 q) ?8 W" n$ m
| | ├──6-Objective_vs_Heuristic .mp4 60.42M; D! N) W1 z; D2 Y
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
6 \. s. U: S6 R' ?| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M# y% t9 H+ x4 w2 U+ R
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M. \) N# ~+ g# \
├──9--机器学习-概率图模型 ? W3 H- u# a: H
| ├──1--贝叶斯分类
. s7 G. E& @) D0 f$ k| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
$ v) R2 c3 p* B/ G+ M. A| | ├──2-TF-IDF .mp4 53.08M
- M; \2 v. `% K) K9 |/ E, I* J9 ]| | ├──3-NB代码实现解析 .mp4 126.73M+ m4 j+ {" \- h" l
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
" y9 n' S; d4 v+ P| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M3 ]3 ]! ]8 |% K* ?1 |+ M/ J2 v/ M% c
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
" Y3 J5 {2 `+ {- w% A/ }| ├──2--HMM算法 3 G( h% M. O* p' {9 t, U1 E
| | ├──1-HMM隐马的定义 .mp4 36.82M
" M4 Q& {( @1 R. M1 q! N3 B3 V5 f| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M8 p4 z3 ^6 ~7 d2 b- X% x7 n
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M+ ~( @7 J# m% ?2 w8 y& c/ \
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M$ J) n. u- g" X8 a
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M7 d2 ]# _( ?, ]3 V3 l8 Y
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
. U) m L$ m; |* v1 c: f6 Q| | ├──7-Viterbi算法案例详解 .mp4 107.12M
}1 D# o* W) H# R| | └──8-Viterbi算法代码实现 .mp4 42.43M" S' i* B6 Z, Y7 _% o9 X1 F
| └──3--CRF算法 / i) c, f# j# L6 ]3 k3 i6 q J
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M
# b X0 v7 I9 B, S! z! x ?| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
+ \3 ^9 h# i! Y0 J) K( c! N| | ├──3-了解CRF层添加的好处 .mp4 105.90M: ^$ `1 ?: D0 W4 C/ w, t
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M, t; I, X) V. Q( ~. H
| | ├──5-CRF的目标函数 .mp4 23.74M
3 I* X4 M5 e7 q8 W9 a0 \0 b| | ├──6-计算CRF真实路径的分数 .mp4 50.37M& i# o5 v! [0 a8 b4 a% I
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M$ U! Z6 A9 _' U8 f# m2 |0 f" u) J' Z$ E
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
( b1 c# z5 Q5 w+ v5 I C( S! o$ f! N└──课件.zip 2.54kb
/ r* T+ m! y3 E( P( G& o) F$ P* u( G# J5 a5 E' @) I; D# Z
8 _8 O" T& j" n( d$ m2 g) ^1 f, U
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！
$ o5 ?& D! ?3 s- P! m
3 E# Y- c% w5 J0 d
$ u7 H. m ~9 l" l0 S/ ]$ F/ I |
/1 
