战-人工智能2022/3 X, Y5 |9 A8 E1 ` X
├──1--人工智能基础-快速入门 / |1 {7 R5 {/ W9 h0 C2 t, a
| ├──1--人工智能就业、薪资、各行业应用 : m& ^! E( }' C+ d& W! m5 k6 A
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
) s7 ]4 u, w1 l, @. C/ c| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M: V1 i+ @* {7 `* O
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M: l- U9 A7 Y. R: B9 S
| | └──4-人工智能在各领域的应用 .mp4 57.73M/ N3 \ u5 Y( ?( C% H
| └──2--机器学习和深度学习、有监督和无监督 % L" N% _4 |( j3 T
| | ├──1-人工智能常见流程 .mp4 89.62M
( F' N5 U" O8 D8 h7 `8 {| | ├──2-机器学习不同的学习方式 .mp4 83.51M+ T1 P5 u5 J: @6 c( ~# G* [
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
w; ^7 h4 Z6 U. {3 I! i- ?4 R9 T/ z| | ├──4-有监督机器学习任务与本质 .mp4 37.50M; @2 \; P# I6 U0 i4 n% L- u
| | └──5-无监督机器学习任务与本质 .mp4 50.15M2 }4 A2 t0 C3 s r- J( ?9 j
├──10--机器学习与大数据-Kaggle竞赛实战
" s) V3 \' S, s+ v8 u| ├──1--药店销量预测案例 9 S0 i% \! y% B- V5 l( a( T# l
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M6 b5 N( \! [. S0 v. T/ X
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
9 @- E( c2 f0 H! m( s| | ├──3-自定义损失函数 .mp4 21.12M
+ {5 E2 Q9 W- j8 _ p- a8 || | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M, H7 a( `) M3 o2 Y
| | ├──5-数据的预处理 .mp4 111.81M
0 v l% Y* j6 n. l4 R( m- n' t$ z. x| | ├──6-模型的训练_评估 .mp4 66.64M
7 a2 Z2 s0 o% `) P+ H# b/ R| | └──7-kaggle竞赛网站学习 .mp4 172.16M: h% f4 H+ C% l6 R% ?' M9 ]5 j7 K# `
| └──2--网页分类案例 0 S# j, F; P% d7 @
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M( O: g0 l# z3 S
| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M/ U" e; f; d4 ~1 L% d
| | ├──11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03 .mp4 68.80M
4 t2 s9 Z! ]/ w: s+ T* E| | ├──12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp4 74.74M: S7 I% b1 y4 M% p( H! p3 {* {
| | ├──2-评估指标ROC和AUC .mp4 56.19M
+ w d0 q6 w- ^5 r% V9 _& {7 f| | ├──3-评估指标ROC和AUC .mp4 49.03M
/ N! k. s1 t, q9 n. x| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
6 A$ Y& u! s5 D& G6 F| | ├──5-数据导入 .mp4 68.41M
5 H9 `) ?; a6 Z( w6 W# R4 u| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M% d$ h# i8 F/ _2 T! d' s; B9 f
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M3 J5 o; F- V7 q/ }
| | ├──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
7 }7 `8 j; q& V- f2 G| | └──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! i+ H0 p( D/ U
├──11--机器学习与大数据-海量数据挖掘工具 4 s4 |( D/ f; Z$ K7 o: ^$ c
| ├──1--Spark计算框架基础
- {# d4 Q0 [0 F& B4 V. Y6 X| | ├──1-Spark特性_01 .mp4 41.68M
% ?* |7 H, d3 K5 W& r# W| | ├──10-分布式计算所需进程 .mp4 26.30M
; C) v$ X: X. |2 O1 \* p6 _| | ├──11-两种算子操作本质区别 .mp4 56.31M& t9 N; a; B+ @$ w! a
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
: d' ?; m* D/ [, d5 o# J| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M `$ c# i7 @" d. U
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M7 \! M! O( f6 B1 X" @: F x( h4 K
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
) x( P1 s- x! F* V| | ├──2-Spark特性_02 .mp4 35.15M
# T& `' |2 u* \8 C| | ├──3-Spark对比hadoop优势 .mp4 19.34M
/ {8 {, `. u& L9 g| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M' h7 k# |# j$ ?- R; [
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
1 n- I+ M: a. r5 g5 I1 c| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M: I2 o1 k+ ]" ~
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M6 z+ ^7 d1 k+ [( L1 ?
| | ├──8-Spark的RDD特性_01 .mp4 33.08M# G+ }' N# ^: }5 u
| | └──9-Spark的RDD特性_02 .mp4 33.41M, H) | }! \# {+ o' t2 l+ e
| ├──2--Spark计算框架深入 1 s: i2 C# @% f. ~/ e, Y. W: Y
| | ├──1-Spark数据缓存机制 .mp4 54.43M
% r% {9 z4 ~) ^| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
6 @9 [/ H* j% C( L! c1 M( s| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M) j6 l( F2 b* G! q" G
| | ├──12-构建LabeledPoint .mp4 111.08M2 u& ^) u2 M: ~ M
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M. l9 @9 _# M7 V; z+ s& @* e5 h! g
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
* F! u+ n1 ~: M- x( F+ X| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
" U) b7 z4 A' M0 e. `- K! m| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M: s- U8 a) c" N4 T3 Z1 W
| | ├──5-Spark术语总结 .mp4 89.66M9 J9 e- N- V/ v
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M0 G) j8 C- [8 _$ R4 `" N
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M* g! }# _1 I) w" y1 q. M
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
5 h+ W$ c6 }& {. |% S" j| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M6 l* I7 Y! J) [ e4 v! [
| └──3--Spark机器学习MLlib和ML模块
; c( K1 N) J. ^5 {! g| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M- q E7 Z! V( d6 O- [/ }
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M/ T7 @ c" X! d! X W `
| | ├──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& R0 O# k3 L3 P- [2 e) |
| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M
% m% S) O2 z/ I$ u* 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
' i' E& b5 _+ N+ X5 ^| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
2 y* N5 f. {* V) \2 Z| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
3 O8 S1 N5 q+ C5 B, v/ A| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
f& v* t4 E$ t4 j| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M) ^/ Q) N: B2 y: J1 A9 \" V
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M D' m- z( r t0 _/ k
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M! r+ Y- w) i' q: J5 t. k, z
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
/ v$ r: F$ y; j+ ]8 Q; m. t| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M1 \+ ^1 Q1 E* g) h' \, W
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
0 O& j4 R8 R" p$ |) l# w| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
3 U. @) K3 G* g| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M) |3 @: K/ O, k% d) g) u
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
, `9 D3 k' F% m0 O, F| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M- w: M! [) M& |8 o* c
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M) n6 t( y% y" `
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
, l o9 Y5 h) f1 a5 r: ^" }| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M% ]% D& K; h, F' \- a2 Y: k1 J, R9 D( ^
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
9 \1 r* R* B! V9 i| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
# W7 ^. J0 [7 A8 | j| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
& ^6 A$ W7 w" y9 h) U- b% N| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M/ i' \2 {, k: J2 ^! @$ d) v
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
: {; B% U& J; n* Y9 d+ S0 _: b├──12--机器学习与大数据-推荐系统项目实战 ) h( U9 y+ ]4 a8 s, J9 _% _
| ├──1--推荐系统--流程与架构 9 ~9 Y1 @+ Y% k
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
6 {, ?/ U5 {3 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; F6 Z* {5 r0 }* \
| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M5 N* O* b3 ~! ^. q; u( u
| | ├──12-推荐系统_数据源_1 .mp4 79.07M' _3 x% l* e$ L2 @! H& N
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
" K. n7 o- a. ~| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M0 T# U) k: n* w1 G5 a. E
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
3 `) m# @ }& F$ U+ z Y| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M) F. Y# z- c7 z- w1 n
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
4 [' Q2 \6 Y0 A+ Y/ l' o5 t| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M/ e" Y. m& z5 [1 t) m; r% x% l
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
+ A9 Q) M8 X" L" j| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
- F, r) J# S, ]+ h7 i, B! E; L| | └──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- R4 l# U9 R2 y9 l t' |
| ├──2--推荐系统--数据预处理和模型构建评估实战
6 q8 p' P6 s' o# S) v$ ?& T. I| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M( j& A e; U8 i
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
& |3 c$ s% T! F| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
8 F7 e! \# i: T9 O9 J& k7 j| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
, v6 A6 Y7 ~9 Z| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M& M. M- n" l$ S; {4 B
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
0 I% E6 J5 p* Z" _/ [9 ~| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
( F- L: ^- Z+ z" e| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M* Y. T/ e: y. i9 R# g( p$ f
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M: L0 C' V! n7 W3 s8 j( Q$ u
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
+ H$ ~" ]+ e, N- @| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
! f* P; ~. c* V+ r4 o2 E4 V| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M; V5 W3 D% K7 R% M+ v
| └──3--推荐系统--模型使用和推荐服务
" f) {% d4 `/ F* O| | ├──1-推荐模型文件使用思路 .mp4 61.89M ]$ s( N" L" @7 @/ K$ d7 r" n
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M- B C% k, c- g0 G, [* r# H: M
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M. N" ?9 W* V9 k6 m1 t. x
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
5 Y& ]9 D: c% p) e7 C| | ├──2-Redis数据库安装及其使用 .mp4 47.93M' Q' L \, F: w! E; J% t7 e
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
8 X" d* N# g) l$ ^5 J. T| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M. [9 `& e" t6 }! |3 j; G8 v# u& A
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
% `% {- e6 ~2 j( `| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
/ y1 \3 Z, J1 P9 }% N| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M. E& s3 M4 B) }# e5 A
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M3 i5 r7 Y& s( q( c% j% V( D
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M( q* C( }! a6 Q$ r8 @" Z7 I9 l
├──13--深度学习-原理和进阶 ! W7 \; m; P6 z2 @7 N, Z7 F$ K
| ├──1--神经网络算法
" F' ]1 i0 d% ^& k# @$ c- I| | ├──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; r$ V, r6 J0 L8 E. a9 R5 K3 T5 |
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
6 Q- T! U# n/ N! G0 G/ S) M| | ├──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
# p, U2 w2 w% b3 V1 [0 X4 B& G' o| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M, ^3 U D4 @3 }! N
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M0 f9 J0 P. Y( V- x
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M: K. I, M3 B& [( G
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
" H1 W& t+ [8 @: V) a2 A+ T' O| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
' s( E% x1 o. t5 O, u5 P* p| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M" m2 l0 Y1 ~5 `2 R& L) z+ d% {
| ├──2--TensorFlow深度学习工具
$ @% j4 k1 V) }- P| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M+ C" J, K8 l- y, t. ~
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M6 k4 p p/ I: l0 f7 p% x9 n1 U% A
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M" U. p" F% c* g$ G" b- }( 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
& f" ?2 d0 V- \6 F| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
1 K; k3 L6 S# y2 G" Y, l! l| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M; r' p; g- Q$ F
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
: B- ^ @. \ o/ j2 _& L| └──3--反向传播推导_Python代码实现神经网络
3 W- T" ?6 }" K| | ├──1-反向传播_链式求导法则 .mp4 86.47M( i8 `* ^# i! Y8 B
| | ├──2-反向传播推导(一) .mp4 127.90M
) p% g/ C- n) s; |+ }$ w) }# a| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M& X( i- R& c0 }- K. \
| | ├──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 81.20M5 l, J* b! P' B# 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* I) S e" B0 q
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M$ f# f: H8 r r" u% X; w& |
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
! r4 k% H0 g3 ]/ X3 r, O% _* h├──14--深度学习-图像识别原理
4 V+ L+ V" r* g* \! ?| ├──1--卷积神经网络原理 ! V- o( r& W+ [, M0 X
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
0 h; i3 x F! ^/ {" {% a* a$ w7 u| | ├──2-单通道卷积的计算 .mp4 104.01M
" |: Q& z' Z' t3 |) k| | ├──3-彩色图片卷积的计算 .mp4 52.79M
5 ?: [1 s( b5 U/ y, u. l: X' y1 N| | ├──4-卷积层权值共享 .mp4 63.93M2 {/ S" b- X6 u# R
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M3 M! s* C- M7 p1 r( m4 {
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M+ l3 {$ I; k4 ]- U9 d8 \6 q/ w- } L
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
6 k, X& ~( U. j( w) B| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
! Y) u- w$ j0 X7 w1 P7 \* \9 P| ├──2--卷积神经网络优化
; H9 @' C3 e# t| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M& o1 x& R5 x4 G- q
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
" E+ @- g' k. ?0 E5 z" _7 }3 J| | ├──11-Optimizer_Adam .mp4 141.12M! c" ?2 y% v$ L% y& g, }
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M" i' {; }1 F. q
| | ├──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
1 m9 K3 V/ i* \/ m9 k| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
5 J! E1 ]8 E# e* E/ c& @+ i| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
4 V: ~+ H# d, [| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
5 k5 i! e9 }+ ]' I6 M* X: E+ a+ z, {| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M% g/ C0 s$ ^! r! s0 ?' i f: x7 R5 a
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
/ ?% Z" Y' P" l! w% J| | └──9-Optimizer_SGD_Momentum .mp4 89.70M5 O! B$ _; b; p; v7 {
| ├──3--经典卷积网络算法 # q1 P2 W* q/ L/ 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
4 {, n: W' d0 Z, m0 h| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M7 Y; D( P0 g) a) B4 O: `
| | ├──3-InceptionV1_V2 .mp4 165.86M
/ X! V4 c4 r1 t9 v| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
- t9 e4 d7 w3 N$ |( z8 M| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
0 c! b/ P& H. o| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
( K. I8 \( }' a, s4 N$ y4 k# a; T| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M& Z9 Y4 B! v. K9 n% D! {
| | ├──8-BatchNormalization .mp4 99.23M4 f8 E9 O& i- V8 ]) p" R$ X3 u8 V
| | └──9-Mobilenet网络架构 .mp4 150.05M
% S+ w% |, l0 S6 [/ [, H8 m| ├──4--古典目标检测 # {8 V+ _3 ~3 w" u' A* v M; L
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
- a2 P! k: ~2 N3 ~! w) d| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M; T- V: L' t% u: s
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
! s' N! E" ~ R7 X0 \| | ├──4-R-CNN和SPP-net .mp4 124.06M+ j) E( l& f8 ?2 [6 ]# k. q
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
0 a0 J3 a/ {7 f' I| └──5--现代目标检测之FasterRCNN " h$ O- v, ]" z& R
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
2 c8 i/ f/ O: J7 W8 u7 ? Q v| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
( \4 G7 \2 k, U| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M" U$ k% z0 [8 F5 l
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
; X' a: M& R, J$ ^4 Y0 n1 f9 Y1 n| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
, o' k& ~( A+ Y├──15--深度学习-图像识别项目实战
5 O* \8 N1 v+ v3 a. o| ├──1--车牌识别
1 m' K: z3 J0 O$ i; G| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
( i2 n( x' R2 a3 B, y( R0 c| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M% \' Q" T* f; B9 D0 G
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M& |4 |3 T/ s" y
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
, |5 L% T/ p% b2 e3 c+ d| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M3 B& {( f ^: `
| ├──2--自然场景下的目标检测及源码分析 # z3 K7 _- n% F3 S
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
2 ]7 Z5 Z' B& u9 _+ X, [| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
0 }! @3 I8 b1 K) j| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
/ h0 O1 \; P- C0 s| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M+ v0 p9 B1 t! Q' L8 K$ I
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M' \: h0 h6 m- O7 X# z! R) }1 A
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M( R, F7 ? Z) U5 T; v: R2 H
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
[# M! |$ B! `6 ~0 [3 O; A* r| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M- I0 ^* P: D9 j* ?8 O: u8 J" v
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
" R/ b2 @ J6 k5 V. V$ a| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M5 @ \% W! K7 H6 }! s
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M+ O6 F+ Y1 Y9 W4 g9 F
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M$ Q; k5 T! l. F! i+ W* i$ q
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
# d7 w4 e9 a* u. Y, v; Z' B2 ~| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
3 Y7 Q& W- l: K" n$ g1 K| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M8 e+ V1 j, |7 x$ n2 v4 R
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M4 q& C: _* O) S0 O* y' b p
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
|- s6 n u/ _; S| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
7 A7 E2 i" M) s Q7 [7 k% P7 x$ m! W| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
( ^1 q, a) U6 @, v; s% O8 n# o| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M2 o2 n* A$ g* i# @3 T
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
. d9 a, {& B: F- k| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
8 Y4 X1 T! w- n| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
) ^ s5 g9 t2 S ~5 U) i0 x| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M+ Q0 l3 }' u( T! H3 H% C
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
6 m$ A* z h( J3 \( N. H| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
% {7 ?6 k6 p7 i( c* z# F4 C| └──3--图像风格迁移
6 P# s8 u/ \+ m% o' u| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M( s7 f/ b, p; ~8 R( @% c
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
4 D3 z- g2 M- a5 f$ |& f% X- U; g| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
3 O4 M2 d* q+ ~| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
* o% u* d3 G! X8 B' J( E7 i( n├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
7 [$ ~3 ?5 } F* Y' s. m" `| ├──1--YOLOv1详解 1 M- f$ g( j6 N+ F
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M# M) l! _+ ]( | n+ Q
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
" W, O7 u$ V3 H! h2 ^* q L) ?| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M( V* {, `( V; \; T D
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M5 \( {% e" q% K& Y; W
| ├──2--YOLOv2详解 & s9 o+ g/ k6 c( j
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M0 f9 z2 D: F) l9 t
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M# c6 a9 \9 j7 S3 [% m2 W+ ^9 I1 E
| | ├──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
6 i3 Q9 M. `, Y4 l' v R| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
- A# e4 A# k- Q+ S( n+ U0 Q| ├──3--YOLOv3详解 $ e0 ~5 E$ ?, r- n+ l
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M) D% q0 m$ G. W, E
| | ├──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
/ F/ J3 z7 @4 M3 z7 z| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
+ W3 A: T) u- z4 a3 z: ]. {5 J| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
6 F: N# t6 T* K$ M, k- Q| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
* \9 F, p$ u( r2 M: U$ \| ├──4--YOLOv3代码实战
6 c. l C2 q5 B ~9 I. K) O| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
- U0 X% {# A9 U% B; V| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M( d& M7 g% m( `
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M9 s. M# u W! E. k6 j, \
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M P: ~+ f% o: v6 i5 q
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
. p2 v5 b* ?, T4 Z% {* }| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M- ^+ e( ~* R0 b* f X& p$ Y( b
| └──5--YOLOv4详解
% m" E& v2 W. ~4 T: f# z| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
1 M4 [) \3 m; {/ c# U| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M* n+ A# q3 R& A V
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M1 m8 l2 h# s" w, T. |
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M$ x5 G( y; h4 ~& _9 U8 C, ?
├──17--深度学习-语义分割原理和实战 . B H# y9 R, M! V! Y/ N
| ├──1--上采样_双线性插值_转置卷积
9 v& v8 {" s2 n' \! [) P| | ├──1-前言 .mp4 19.46M
4 a6 V' g( P) r1 {. {| | ├──2-上采样_repeat .mp4 23.90M
) V7 `( q8 p; Q# ?' j3 K/ u4 i7 o# U/ G Y| | ├──3-线性插值 .mp4 34.48M
4 d2 C, Y' F+ C. G7 y| | ├──4-双线性插值 .mp4 125.71M
6 f5 H0 F/ Q/ C5 V% @| | ├──5-转置卷积_以及TF的API .mp4 114.25M7 L9 M. p# m( r1 P
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M' R) X* [ b* N p: _# Y/ J+ g
| | ├──7-ROI Align .mp4 58.38M& ~8 [, C4 ]: S+ r
| | ├──8-FPN思想与网络结构 .mp4 92.14M6 }( p' j9 g# q+ ]5 K4 U+ q
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
& u2 S5 m2 g. U( K| ├──2--医疗图像UNet语义分割
/ P; L3 t! i7 q4 m* i% z| | ├──1-语义分割的基本概念 .mp4 18.33M1 {5 E; j& e- U* Y5 k5 V5 `* I
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
, l1 j6 r3 s. A7 E+ ?| | ├──3-UNet网络结构 .mp4 30.41M
+ H' ?' p) ~% e( c' j% t; c| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
. A1 l/ R4 t4 V H% X| └──3--蒙版弹幕MaskRCNN语义分割 * b# R g( F/ j! F9 e5 D. T
| | ├──1-MaskRCNN网络结构 .mp4 106.38M# Y* X& p G; [) k2 y9 j
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M e ` D& n8 |; i' R/ d5 o
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
/ J2 Z! W- Y0 G| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M( w5 v7 }( \+ @ D5 ^
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
9 \5 \, }, A3 E| | └──6-MaskRCNN源码config和model .mp4 244.48M1 M( X! M N3 |& o
├──18--深度学习-人脸识别项目实战
8 T6 ^! a+ v* y3 E& K| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
6 o) h* u# {6 v6 ^7 a1 r$ }- U! C, ^| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M- [4 n+ }) t! a' B
| ├──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
+ \: w4 T# ]5 ]8 W1 z9 v| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M9 S9 l: C5 x# ^- H3 R7 n. o9 C
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
0 H$ t4 ~% N. _/ ]$ [; k* J| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M0 ~* M7 D+ [; U9 d; p: Q6 J, a
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M. q* n/ s2 E! l6 j
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
6 y+ |, `- j+ F1 o; H9 K| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M c2 y- W% i4 \
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M2 a4 Q5 l) ]0 m2 s! S
| ├──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
4 h( ]! c" H7 D L| ├──2-开源的FaceNet项目介绍 .mp4 38.07M# e2 T4 i; F% y3 D4 e/ ^0 e
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
' f) J4 M F! Q& z4 E- {| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M& O9 f% R) c% B% F1 n: O( E ?$ m
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
5 W; P2 }/ I# c| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M4 G9 c* J7 R5 U+ w% }
| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M5 E8 \9 S X- J; v6 y1 S
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M0 F0 R! A0 g2 g9 K
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
. J8 h, u) j* X! Q/ {5 w├──19--深度学习-NLP自然语言处理原理和进阶 + O7 A0 V/ p. f6 `1 `. M) D; u- a' i
| ├──1--词向量与词嵌入
5 e: }/ j+ a3 i' v& T1 ?: \| | ├──1-N-gram语言模型 .mp4 116.32M1 o5 C, T/ G9 c* ^# n) j+ F
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
0 L, n' x$ v4 `* p0 S, O2 J% T| | ├──3-词向量的作用 .mp4 58.00M
( I) ^- N$ a6 L- j- G+ Q* v' P5 d| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M8 A7 F5 R' x( ^
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M/ ?& a! h/ z3 Q! [3 E' ~/ J! [
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M# P. r9 j5 z+ B! h5 o2 R( }
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
6 t+ Q. w1 v5 t, R) m| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M9 d- s& _# Q$ B2 t: J2 V
| ├──2--循环神经网络原理与优化 . C, d: {& P: q; e8 t
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
8 F' a1 h: f* {0 Z( {: H( j: U1 B0 f| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
* Y) p( M3 |6 e% D. I7 ]| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M' X6 b9 l6 v& c8 Y7 c" Y+ L! F
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
1 E: ?5 D9 Z2 g| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
3 J# T4 h: d7 W| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M% {* w3 } i7 E+ N7 f: C$ z' _" z
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
8 \ o) p# ?* K. I| | ├──8-双向RNN_LSTM .mp4 52.01M0 C9 R: l: E( t( V7 K( w
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
5 e! m3 _* m. I; k; {# d# A| ├──3--从Attention机制到Transformer
* q& F9 Q3 G8 E8 g$ ^: }| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M# r0 W+ c2 E5 Q& \7 p
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
( [ X/ m' a# Z# J& y| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M5 k% M Z) }6 l0 P
| └──4--ELMO_BERT_GPT ' I [) C, o& O) h. O& E9 [7 j
| | ├──1-ELMO .mp4 62.44M
3 J B% V$ U% Q& O$ G- l| | ├──2-BERT理论 .mp4 99.73M1 B5 X* D- T8 w% ^, s* ?3 u1 F1 @
| | └──3-ERNIE_GPT .mp4 56.34M- e/ m! k/ ?/ T9 o. E8 H0 O7 C
├──2--人工智能基础-Python基础 9 F* Z0 ~' O3 [( _2 W( T
| ├──1--Python开发环境搭建
" q4 A& J% d \( w| | ├──1-下载Miniconda运行环境 .mp4 100.75M$ o: M" g9 t* k" F* U
| | ├──2-Miniconda安装和测试 .mp4 57.12M* J+ y/ H8 c: x& i4 w& k( H
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
7 N2 s2 O$ l5 @- T7 O* Z| | ├──4-Jupyter安装和代码运行 .mp4 37.10M6 s* v6 C2 O8 c+ G
| | ├──5-Jupyter常用快捷键 .mp4 32.23M, A. O2 N' v1 W1 }6 h' }
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
5 h: l) c! h2 Z7 k9 C: E| | └──7-关联虚拟环境运行代码 .mp4 38.14M1 p$ B0 r1 ]! \* K
| └──2--Python基础语法
; `: f+ \- s1 B8 V" A: O# {; o| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M0 N3 T8 l* C. U' l; R
| | ├──10-Python_集合操作_列表 .mp4 34.71M
+ l4 m1 K( Y) `8 K. Z| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M) x( B ~; O" h
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M6 `8 R7 \5 a8 p4 k' F& T
| | ├──13-Python_集合操作_元组 .mp4 43.46M! R& q2 g, ?/ e" F! W
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M6 d1 {4 q3 G8 R9 K$ a5 g$ g& c
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M# \" y. v7 n4 B9 ~, P+ O1 }
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
4 R" N; g5 E; p9 G" o| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M' ?" n8 O7 l; J' v% R' [3 y
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M) N: h, o& T" `) `+ b
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M7 L9 k: m9 V9 {" Y, K! k
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M4 v: f( w6 R1 u/ q. p
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
* u( s; X2 \& b# a| | ├──21-Python_函数_递归 .mp4 23.46M2 S# z! C9 ~5 k# N# ]& C
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
- ?7 q! i$ Z. c( {& G| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M& N6 f Y: Z1 G# Z
| | ├──24-Python_函数_闭包 .mp4 41.61M
% j) S8 ^) i: @9 ]- a& I& t| | ├──25-Python_函数_装饰器 .mp4 30.35M8 F0 t7 J- I0 @$ x' I& {& \; J
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M' U8 B0 v& ]1 u: K' k" M
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M/ b) ` _- p6 ?; M Y" ^
| | ├──28-Python_类对象_内置方法 .mp4 29.17M8 V. s( o' i5 L! C
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M: _' A& F7 R9 T6 m
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
& @; U' O+ ^2 }1 C x| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
1 I3 m9 q8 t1 W- r3 m3 V| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M9 S/ y* n1 b# ]. f
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
& Y4 G* B+ y' r0 W) z2 a6 H| | ├──5-Python_控制语句_for循环 .mp4 22.82M6 v3 ]* s7 N, w7 |, p6 Q
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
0 v, }0 i* _7 k. ?: }' R* E| | ├──7-Python_控制语句_break_continue .mp4 25.23M7 S S( r- B1 I" f. ^2 b( I
| | ├──8-Python_切片操作 .mp4 40.20M
% V( l( D# t9 W9 _% X| | └──9-Python_数据类型 .mp4 25.38M' r& s n7 f# i( \9 X) {! ?0 l
├──20--深度学习-NLP自然语言处理项目实战
" d+ ^9 f0 I' j6 w$ w9 j+ |: i& r| ├──1--词向量
* d. a5 q1 U) u) N| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
+ I% N2 |, T) Q2 W: a| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
" h# X- z1 e- S' K/ z| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
( q0 O, s+ `$ f5 D0 v| | ├──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
& g5 F# k% { v" Y| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M" U% n4 o4 c& b, J3 u& U
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
& y- J* K" O, A4 o- `2 Y2 y3 L: B# h| ├──2--自然语言处理--情感分析 : [/ x9 @) {# H
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M+ r/ P9 d) |' Y
| | ├──2-数据预处理_01 .mp4 79.65M
5 A% a6 q1 p$ Q; ^| | ├──3-数据预处理_02 .mp4 45.68M" O* H7 C2 f! U) [" \8 j
| | ├──4-代码讲解_01 .mp4 52.29M
% { H5 x7 H" |. N/ o% j9 ^| | ├──5-代码讲解_02 .mp4 60.85M
; Y/ T' }9 R- o2 U8 m| | ├──6-代码讲解_03 .mp4 53.89M$ e/ H* S& k0 F4 L
| | ├──7-代码讲解_04 .mp4 57.19M( E2 {% B0 y/ p
| | └──8-代码讲解_05 .mp4 35.88M
1 q9 l6 J" T! L| ├──3--AI写唐诗
" @/ s3 B k6 z4 K6 X4 || | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
! N A, k/ x n t| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M( B+ L w& q$ B3 H6 y% b
| | ├──3-MultiRNNCell单元 .mp4 38.93M
' f- T4 F* [4 n7 K0 W, O| | ├──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$ @. g+ C( f6 ?0 D% l$ Y5 j
| | ├──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) h0 J$ R1 ?) n, }0 F( V
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
; @5 Q: o3 a5 q% } c! J* G| ├──4--Seq2Seq聊天机器人 9 O- a0 s8 S# r! [8 G
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
( e5 A# G) G# y, x: ~! ~| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
- F5 o/ {: ^# R( C1 @" R| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M; r; i4 ^. R+ Q$ `3 U3 G
| ├──5--实战NER命名实体识别项目
. N v8 H5 r. e! o1 @- w% Y& c| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
8 z' h. k0 T Q; P4 X- @, ?| | ├──2-介绍了代码目录结构 .mp4 23.44M; B1 n0 H( {$ l4 J' e) _
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
* y9 W ~: m/ c9 C9 [, f| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
2 }/ ]) w) A1 f* h' ?| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
9 I! B6 ~5 B) L0 G| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M- a+ a0 i U- [
| | ├──7-CRF中的特征函数们 .mp4 125.97M8 p% b3 B) L2 ~: r
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
, c, B& N/ k/ t| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M7 x. W0 ^- Z/ @( j* t1 ^# \4 m! x
| ├──6--BERT新浪新闻10分类项目 B5 ?! C( `& P3 N% G/ J
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
( D7 m; L' D( V4 y| └──7--GPT2聊天机器人 $ I" T! h9 @1 t- h8 W
| | └──1-GPT2闲聊机器人 .mp4 62.28M3 Z- J9 _9 d0 }' N' Z" n
├──21--深度学习-OCR文本识别
9 \' m; v" z! F0 M8 S/ ^" Q| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M4 [7 _+ E* W9 I5 w* e7 R2 d% |1 S
| ├──10-CRNN项目代码剖析 .mp4 306.48M$ `' L& m+ b8 T
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
1 }. i& J* ~$ I3 Y6 D| ├──3-OCR识别的CTC损失思想 .mp4 327.69M; A0 n7 ] s- c. e* ?9 |
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M6 T0 I" U$ V. z, |$ P, Z
| ├──5-CTC损失函数的理解 .mp4 330.64M
7 s, Q+ i% |, J m* z# z5 h8 m| ├──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
! U" ~9 Z' w+ I+ D6 d/ A! k9 d| ├──7-CTC前向后向算法代码 .mp4 225.41M6 D) C/ @; U% e$ P
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M( j: y0 R/ t o1 x4 G M/ S
| └──9-CPTN项目代码剖析 .mp4 491.69M6 t. H" w- ~: a" Y, [0 h8 B4 f
├──24--【加课】Pytorch项目实战 9 `/ ^6 }+ k7 j6 a/ H2 e
| ├──1--PyTorch运行环境安装_运行环境测试 8 a$ t5 t( x: x G6 q% {9 [4 P. U
| | ├──1-PyTorch概述 .mp4 29.29M
! }% r2 i* ^2 A+ P; ?; _| | ├──2-PyTorch的安装 .mp4 76.45M
* C) _ L8 F2 P% r| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
* ]) T% E, q- i6 u. A* Q| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M5 H+ s- d; n* j {+ A
| ├──2--PyTorch基础_Tensor张量运算 ) ?5 D, X6 \% J0 M0 k+ U: u
| | ├──1-Tensor的创建 .mp4 55.14M
! C7 a) b% b, ^7 f/ {1 U| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
4 V5 I/ ^& G' S O2 U| | ├──3-广播机制_逐元素操作 .mp4 44.46M( [, `' L5 a* A% `: c
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
# ]4 l( O6 D0 ~0 V4 e2 x4 y| ├──3--PyTorch卷积神经网络_实战CIFAR10 ' Y$ s# }. B4 d5 t5 B5 _
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
. C# f9 _" m0 ~' p* N| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M( \- w9 C5 e: }4 x5 {8 j8 @% r1 U
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
$ d7 h: K8 }. \- r| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M# ]9 D! J5 k; `# S3 M; C
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M$ i4 _9 }( Q/ P
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
. V7 O9 W N, A, p) \| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
& Y/ R) f7 E d1 V| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
, n I% K& J7 p5 i" q* ^- C) @) X| | ├──8-torchvision里面的预训练模型 .mp4 29.84M5 l9 }! O" ~* j5 f R
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M' k2 _4 p$ L/ v$ {2 n8 b
| ├──4--PyTorch循环神经网络_词性标注 & w6 \+ a% Y. S! O& z
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
: I0 e) f7 k. Q| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M3 {( t/ s. g# o9 M3 e! ^( c3 Y. m
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M* H$ w5 g# V- U5 s
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M! h1 q! C. e% D! G/ \2 ~" \
| └──5--PyTorch编码器解码器_机器翻译
- T1 P: `; i, ]* a* G' T| | ├──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
7 I4 b6 F- w; k2 m, n9 b& g% L& S) s| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M* L/ u, V) E9 f# k9 c$ h3 H
| | ├──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
4 P. G9 z5 c5 x: } W6 s| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M, A; u1 S' ^3 n8 T( r
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
9 `. l( n! _( r| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
4 \; G3 U: r9 y1 U, A/ ?3 N| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
& X& T2 ~! S; | `| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
2 I% Y; N' K5 L7 n├──25--【加课】百度飞桨PaddlePaddle实战【新增】
0 N d( M3 m5 Z$ i1 `1 \| ├──1--PaddlePaddle框架安装_波士顿房价预测 " W3 G9 D' \6 P Z" g
| | ├──1-安装PaddlePaddle .mp4 87.34M
; r# e! G, q' D/ @% A3 ^| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
" R) H4 s' |5 J; R8 \$ k| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M9 U" M/ R5 U( W/ E, R/ K t
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
7 v$ J; b7 X$ I6 \& _2 X6 ~| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M4 b% j/ P, H; J* v% \5 U% J
| ├──2--PaddlePaddle卷积网络_病理性近视识别 7 M% z* {9 W6 i( ~, R* f7 }
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M5 v7 x. h& V3 ^* y
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M7 z, R2 ]" j( U6 M/ F
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M8 Y" l% E3 J9 j1 H% p
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M& A* i( j; x* y; s6 @) [
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 ) z: m! z9 n* a: Q- C) ~" X
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M3 M( Y6 N2 c2 L9 i1 G& r7 |
| | ├──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
' e% ?( k( D: w| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
' A* J) _- o6 c; o/ s3 e- _| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
, q7 L2 n7 ~6 h5 }| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M( g7 W Y3 e, G
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M! s H* c0 Q) V2 { E9 |
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M% r' i( N6 H6 W7 D, F7 u1 z
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
; Z$ Y- x4 a9 C( J1 _. U- q| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
9 n- g" N2 b) m: e. X- m# E| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M E# \; D0 O: h7 f2 T" u0 B
| | ├──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
% X. p# \7 m3 }) J3 W| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M- z( ^. m" q$ F/ z
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M: ]6 B+ m- N- @1 T$ l2 ?
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
% I5 x. m9 n8 G8 c| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
1 ~- Z7 x5 p) \/ }+ g% O4 p& |. k| | ├──1-PaddleNLP_项目配置 .mp4 49.37M. O" V0 J) J/ [0 ^& H3 o
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M% T& h* L( z7 j' E* j( U
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
; G3 D. |( P5 b, `. y$ B' T2 E/ z* p| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M: A+ {& N3 Z/ `. [3 E* ?# q
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M4 A) i' m1 j$ Z: N. `9 N
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M ~' a w, p" f7 m
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M' s, J! a. L0 [7 O
| | └──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
! Y1 [: E( D3 j8 J4 A9 S A| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
1 o/ H; i2 }6 y ^& t x| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M7 ~9 }/ w# r$ b& R) v3 a
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M/ V! l( h" G |+ D" ?# v
| | ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4 47.78M
- o. Q- v+ O7 d* F| | └──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, E' [: U% }) H* r1 b* {1 B8 H2 q
├──26--【加课】Linux 环境编程基础 $ d0 X( {# e `& A; b
| └──1--Linux
. z T' P) G0 H/ j& p9 T1 [, o8 h| | ├──1-Linux_课程介绍 .mp4 3.72M2 {" X9 N# n N$ [2 W/ b( W
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
' b1 w1 |. R- C7 {/ m5 y| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M& _7 |% J4 ?( n7 z: @
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
% q! h* ~: B4 R$ j& m' L. S| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M1 e3 v1 o8 ?; Q X
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
" g+ Q+ U, m: [# V, E6 E: }| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M& L/ f8 f( ~# M
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M. I- z* m- h2 ?
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
2 N0 W2 W# f6 _- i- J2 R5 A| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M4 Q# x* q3 v p- Z& F5 |
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M, ~6 E& _) c3 E2 h' B" K3 c
| | ├──2-Linux_Linux简介 .mp4 17.59M# n, x, Q+ K6 |+ z
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M, d- i2 b* e' U* y6 R: k
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M+ N- _, O/ [7 R" f* @* T9 H& R0 B
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
& _1 C) ?/ u! P3 P! M% B# o| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
+ o0 D4 \0 ~" R$ l3 p7 b T0 Z3 V| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
! h' L o0 H, _# T m| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M' t2 w7 C) V2 Q! }5 I
| | ├──26-Linux_安装MySQL .mp4 79.02M
/ i U" @& k9 l) [# ?# |0 d% k| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
# [* a; L$ D' L7 || | ├──4-Linux_安装Linux .mp4 41.97M; p) }, c3 N5 ?0 q5 ?" a6 {" }
| | ├──5-Linux_目录介绍 .mp4 20.31M
& N k) v; u/ C' P6 l) ?| | ├──6-Linux_Linux中的路径 .mp4 18.65M- o% X3 u; f3 t5 H
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
2 S! P/ ?; |$ {# Y| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M( i K6 Q; f2 b3 h w$ T4 V
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
; ^ L* ~* U) `4 I( J/ R├──27--【加课】算法与数据结构 4 p, N$ r. C( Y
| └──1--算法与数据结构
' H; U- ]/ m' r& _3 b+ Z( n| | ├──1-数据结构与算法简介 .mp4 35.68M- A \. p0 ?' b5 Z# b$ B! R
| | ├──10-哈希表的基本结构 .mp4 54.34M4 h4 a' R3 z. r3 N
| | ├──11-哈希表冲突问题 .mp4 75.92M; Z, @' p. c! k& i) h
| | ├──12-哈希表冲突问题2 .mp4 72.30M
. I8 ]( A0 K0 \1 A" w5 K3 g| | ├──13-哈希扩容 .mp4 111.03M
' \* M/ S6 E% s2 L| | ├──14-递归与栈 .mp4 50.77M# F/ y) r8 L8 U
| | ├──15-线性查找 .mp4 57.80M
: u( |) d+ J3 v7 Z9 || | ├──16-二分查找 .mp4 52.32M
3 ]% i7 t8 X, x, L# k, c| | ├──17-冒泡排序 .mp4 53.19M5 n% X3 P/ b* {2 `
| | ├──18-选择排序 .mp4 43.29M7 F+ ~3 x+ N( Z6 a+ j
| | ├──19-插入排序 .mp4 31.39M
' q- D" K! I |+ |+ P6 M0 ^' W| | ├──2-大O表示法 .mp4 25.59M8 k6 z! a/ s) D1 \
| | ├──20-归并排序 .mp4 84.48M. C) Y8 I2 y( \6 V* I a$ W) p
| | ├──21-快速排序 .mp4 36.63M2 F7 G+ H3 W) K6 n. _
| | ├──22-树结构 .mp4 96.85M' C! q7 p% ]% c& l* ]' j4 J5 `
| | ├──23-树结构的遍历 .mp4 61.05M+ \' n# L& ^) @6 b% x
| | ├──24-最大堆的增加操作 .mp4 45.43M2 F5 f" G! w6 F0 P) ]- l8 w' S* d
| | ├──25-最大堆的删除操作 .mp4 45.63M' P8 r/ j+ a* w
| | ├──26-二叉树的查找 .mp4 100.24M% J! M: s* A3 m! `2 G( }
| | ├──27-二叉树获取最小值 .mp4 25.21M
) k, a, v0 d g% {" M| | ├──28-二叉树的添加 .mp4 72.66M/ k/ @: l F6 o3 w
| | ├──29-二叉树的删除 .mp4 120.06M
k J8 ? r5 p5 Y+ N* b+ h| | ├──3-线性结构 .mp4 53.14M3 r3 ] [# D" c! J9 [ }0 n
| | ├──4-单线链表1 .mp4 68.36M
" ]. ^ X" j% U+ c8 f0 [| | ├──5-单链表2 .mp4 221.69M2 _6 e" O) H0 U9 @/ h" X$ I- E& E
| | ├──6-双链表 .mp4 103.57M8 W* G; Q4 d1 _4 M0 j7 }+ ~
| | ├──7-队列(链式) .mp4 74.12M
& I7 N5 Z% ~( N1 |" h| | ├──8-队列(线式) .mp4 30.99M
u: ?/ P. o# }4 n' _| | └──9-栈与双端队列 .mp4 28.12M
4 Y: @( b' ~ C( Z├──3--人工智能基础-Python科学计算和可视化
0 E5 ^9 E) K# l5 d3 R7 ]* }- x| ├──1--科学计算模型Numpy 5 r2 u% ?7 y5 u. S! V. Y3 R
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M4 U2 h0 m+ ^$ e6 S5 S* m$ D
| | ├──2-Numpy_array_arange .mp4 35.45M
) s" L' j6 e9 X; v, x# M| | ├──3-Numpy_random随机数生成 .mp4 50.54M
& S. h( L7 ?9 |2 @8 G4 Y6 ^" W| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
% E' W; N& C3 u$ u" d/ o: s| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M, Q! F. v2 |0 j/ u
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
5 S$ | c3 e4 ]| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M' K6 L6 D& {( l. \% f! z9 L" ^% _
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M# B0 B' I! [2 c5 K: w
| | └──9-Numpy_聚合函数 .mp4 23.68M: a1 B8 I- \4 S9 ]1 I r, c0 f a
| ├──2--数据可视化模块 * R! ^& E3 c" R6 I8 h# t
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M7 y F X8 r5 J- L& B
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M7 m6 M' d2 M+ G& v. c
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
7 [0 v5 g7 I! j% A. y! A| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
- c) Q9 K/ \8 {1 i* p| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
`. f d) u t3 X3 y' x| └──3--数据处理分析模块Pandas 8 y4 T5 }; a5 ^) o$ F# W
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
( O) u! x! W: b7 {& `4 \! S$ Z3 N| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M) t: g. T& O& K) O8 H. U# g8 k, B
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
) k% d5 U, `8 R; e7 ]0 U+ `! @| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
- y; K' d _) Y$ b) Y& n. j| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
; @$ @1 U' ]5 v& C2 E" a$ Y- Y7 M; @| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M5 B' g- s/ M4 k1 }) Y# X9 q
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M; H0 i- w9 e4 b' t6 D
├──31--【加课】 强化学习【新增】 ; |3 [4 O) I" W" t& L! M7 C. L* @
| ├──1--Q-Learning与SARSA算法 6 V0 r& a! {3 J$ W8 o5 d# C
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M7 _$ L: a/ E5 M; ~- L* a% Y- s
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
! G) M, D# w9 f. G. a$ q K| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
|( D1 p6 q- c6 P5 M6 v| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M) C" T- F: J! B! G9 V. [
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M5 f3 s5 R M! }, m) _) t+ P5 V
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M' s$ k- M! d1 |7 |
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
: W" \& o' P2 r| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
$ `8 c( [6 I1 W" t5 Z| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M6 Z+ F3 E( }5 b( t9 f8 a S9 e
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
: I' u+ t" \/ E& ~! Q| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M" q' k- Q! z0 w0 h( n
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
! e( D: u4 I/ a/ V| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M) o+ M9 j+ C' o% {" K
| ├──2--Deep Q-Learning Network 3 C9 Y6 o& h1 x) ^
| | ├──1-DQN算法思想 .mp4 59.24M) {1 o( a9 m. h" z7 B
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M% L4 d7 s; [! n& [2 G
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
( b5 D" D* {3 _7 n* E| | ├──12-DuelingDQN .mp4 88.12M
) e2 `! N: T$ [| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M& e! Q& P2 C! o9 P
| | ├──14-计算Action的方差避免风险 .mp4 54.23M/ W s" A2 e% k$ s! B
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
! y/ y) m- E5 G. k; D) t| | ├──2-DQN算法具体流程 .mp4 56.17M0 e4 S: j4 \, s7 {+ i
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M; K/ E" w" W( v. N& d+ p" T% f
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
) h2 w, E( a+ X l5 i" e0 t, U; k| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
2 O$ h. L' }# ?! R| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M( E3 W; y: U* K7 I9 {
| | ├──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: ]; S0 h- v }, e. `
| | ├──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
( b3 G' z- z: r7 T: W# z| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
5 Z9 }+ m9 h- v7 Y, h* ^| ├──3--Policy Gradient 策略梯度
4 H J4 ~( w; P% c+ j6 ?| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M4 u- [8 v! k+ u& A" P5 |8 P v
| | ├──10-策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战 .mp4 34.22M$ h- \, b! [, ~
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M% K0 ^" ^/ c# A7 ]7 {( \
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
1 f+ T& D0 R& O# h* b+ [| | ├──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
3 D" P6 L; G: I$ t4 K8 U. W3 t8 W| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
4 R) Z: E% r; Q5 _4 d- h& q| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M. r$ J' V% m) Y5 D0 a4 t- `3 \9 {
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
/ u: _" h; h0 Z! Z1 E3 K: b1 A| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
3 m$ ?" e) m2 f9 F2 x( e! C| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M7 P- D" d/ n& G) r) F4 O
| ├──4--Actor Critic (A3C) 1 L% P" p1 b! w' C+ K
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
$ |8 B7 L! N9 Z. p| | ├──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 36.14M0 U/ q+ l" p/ O O8 u! V
| | ├──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
+ L1 ^4 e$ J& @. p8 E- v0 Z| | ├──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) @- M+ \9 b; I/ j4 i! x
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M* ]- I9 o% Y L9 M( o v
| | ├──14-代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示 .mp4 47.18M
' C2 L$ a m2 C8 {* J| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M9 ?: K2 @- s- h3 B, n
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
. k. _0 E7 H5 J| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
- u% Y1 R' h7 J| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
1 ?5 y* H, x5 i* {& J5 P5 {| | ├──6-A3C架构和训练流程 .mp4 74.66M
9 P, ~6 F- p3 u' c| | ├──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, v" G+ ]$ ~1 D; ^. d; L
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M0 S p: Q7 k/ N+ \
| | └──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
; F% U" T: ~: O3 ^8 ^+ Q| └──5--DDPG、PPO、DPPO算法 3 i5 y6 i' d+ Y/ {4 o/ U1 S
| | ├──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 81.92M2 C; z& R- Q0 W
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M) R, H0 v7 S2 v
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M4 {2 d: ]2 v3 H5 r9 Z8 B/ ?0 T
| | ├──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
4 i; m+ ^; b7 Z$ a/ k| | ├──13-DPPO分布式PPO .mp4 63.81M ~" x, W2 x5 p: l5 T
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
5 I) C0 ?5 _. F/ x' ]| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M; F$ Z! U/ V: I9 U) _
| | ├──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
' A% `! X+ d n# K' H, D% g! i| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M3 Q, D8 }; a8 H: a) Y
| | ├──4-代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示 .mp4 44.17M
( v/ g& m% E- P- k1 o| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
4 b# |* p' N+ A| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M Y' O7 ^' @& X% W2 a- s
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
( \' g; I+ W; E& w, P| | ├──8-PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题 .mp4 38.09M
; j& Z4 e$ f/ Q* s1 @1 Q| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M1 C$ x+ L+ l- K$ S( C# S
├──4--人工智能基础-高等数学知识强化
2 h1 ?) Q7 {6 V& r, m| ├──1--数学内容概述 - a4 W) ]( [: M/ P! Q
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
+ a4 }; s9 Y1 T% J! y| | ├──2-线性代数_概率论知识点 .mp4 26.81M
3 w( C3 v0 ~/ H. B+ b6 m8 H3 g| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M& v) k8 s4 v2 k, `+ j, w
| ├──2--一元函数微分学
% S$ {" G, ^5 m3 C# ]% ^| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
5 U+ s; P8 ^! l+ m1 p| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
0 y4 l$ k$ G- n! @| | ├──3-常见函数的求导公式 .mp4 22.76M1 M5 u6 w# t' I L( `2 Y
| | ├──4-导数求解的四则运算法则 .mp4 26.52M3 |, A4 d4 k( H0 s
| | ├──5-复合函数求导法则 .mp4 19.68M
' |& c/ K/ z* z, T! w& d- O| | ├──6-推导激活函数的导函数 .mp4 33.40M. X' C7 @1 g- W- o, W
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M5 V+ c# z$ D5 y; m6 D' \
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
; G0 m/ k; }# ~2 r- \7 L/ C2 _| ├──3--线性代数基础 9 u. H$ d' H4 N' Y. Z" C- g
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
6 y; g" c2 q, t+ X3 @| | ├──10-矩阵的逆矩阵 .mp4 38.54M! R9 B" J5 |( m' Y F- f# i" \
| | ├──11-矩阵的行列式 .mp4 20.13M' x' d5 v$ z% b7 t8 }+ P( y) h
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M( [9 g9 }5 u3 @/ m7 |1 s2 E
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
- |" e2 g, _" h8 L. I/ I| | ├──4-学习向量计算的用途举例 .mp4 20.32M- s) u& ]( k* ?: y# L
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M% x5 d0 Y, H1 K9 D9 n
| | ├──6-特殊的向量 .mp4 26.45M
4 {$ ^" Y/ D7 z* s4 \; h| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
/ o' [! _) a2 Q0 N+ `; y| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M+ _, q1 C3 z: m- R" |& Z
| | └──9-矩阵相乘 .mp4 20.02M$ k% ~* }7 N& I* J3 y% P J
| ├──4--多元函数微分学 . w9 l$ G5 i8 L+ ]$ S
| | ├──1-多元函数求偏导 .mp4 22.61M
" L4 H- x, u9 }/ H. i8 o9 b| | ├──2-高阶偏导数_梯度 .mp4 27.15M( }3 | a8 k' c0 U K
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M! e% T8 a6 t7 z
| | └──4-Hessian矩阵 .mp4 32.93M
- | Q4 _ d+ X| ├──5--线性代数高级
3 z" E" x8 b' r! w1 C" J+ }, l; [" V| | ├──1-二次型 .mp4 27.70M
0 e% J' Q$ p3 F6 H$ F7 s| | ├──10-SVD用于PCA降维 .mp4 24.90M
$ R- I9 D6 S: v8 _1 J8 @| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
9 h" m! c, T z| | ├──2-补充关于正定负定的理解 .mp4 23.48M+ Y+ ^0 g! W, h( \ d! l: H8 M# M
| | ├──3-特征值和特征向量(1) .mp4 29.83M6 j8 d2 w6 t* T
| | ├──4-特征值和特征向量(2) .mp4 30.07M
9 I& y- p+ y: }1 g' h2 e| | ├──5-特征值分解 .mp4 38.68M7 S% r. p8 a. P- G
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
" n b6 C9 E" ~/ |3 b* x+ m2 X2 O| | ├──7-奇异值分解定义 .mp4 22.58M
0 }# a! y0 j3 h, _) k| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M: [. D4 u$ o" G5 j' p: K# P
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
, d* q! p7 D! B" Y& ]" D) F| ├──6--概率论
8 D- M( t' S. _7 d| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M& X0 [( G/ \- s! n0 X- G/ Y
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M* Z' N: P5 `/ W" z/ O
| | ├──3-随机变量 .mp4 22.57M/ m4 b# [2 {' Y; @1 E+ n; M- ]
| | ├──4-数学期望和方差 .mp4 22.96M
. } G6 e* g& j1 D7 b9 G$ K# t' t| | ├──5-常用随机变量服从的分布 .mp4 22.48M
* E# p* R" N) o' w( Y/ m# ?| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
0 \4 I6 y7 I* p& ^) K| | └──7-最大似然估计思想 .mp4 23.42M2 b7 j" F% A( `4 S+ y
| └──7--最优化 # t5 _6 U \! w1 y* k! w- B
| | ├──1-最优化的基本概念 .mp4 35.14M9 t. p$ R" D" t' c) W( c; o# Y2 o- a
| | ├──10-拉格朗日函数 .mp4 27.46M Z v. N [, Q+ _9 B
| | ├──2-迭代求解的原因 .mp4 20.15M, c% }2 w: g5 P3 L5 v
| | ├──3-梯度下降法思路 .mp4 26.33M, U! N( A8 W, T* o* l" o/ ]
| | ├──4-梯度下降法的推导 .mp4 43.56M( d7 L; k: K8 h
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
0 [2 `3 U+ J% Y# A| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
5 V2 @7 R" {6 B5 B& h% U| | ├──7-凸集 .mp4 21.90M) I; u! t# F `! F& Y
| | ├──8-凸函数 .mp4 16.93M
. X7 k8 S/ S+ e, |# |6 \| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M3 M4 b4 \- M# l& n F* R( ~3 m
├──5--机器学习-线性回归 $ M$ R+ u9 Z- { \7 e8 V& ?' B
| ├──1--多元线性回归 " h' B+ L. D3 [
| | ├──1-理解简单线性回归 .mp4 51.11M t$ S# b! ^8 p4 w/ l
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M) [* i! a( G5 z, w! }) @7 Q4 l
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
; [$ {& p! P6 a5 Q. r0 W| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M% h! n% }' k) F( H! k+ ]; |% u# 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
t$ m+ k3 U* [' b4 Z| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M7 D+ A9 Z+ k/ a* N" v" S, k2 W
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M# D# W( B$ E9 f# z3 r
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M0 ~, I, W% D, }
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M" l0 G! u& ]( R3 u9 z
| | ├──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
( \& X7 d/ B( A& G+ `% D% o6 D2 j| | ├──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
# z9 n' t( K7 A/ X4 b) @| | ├──2-最优解_损失函数_MSE .mp4 39.58M
: d( G4 R# I1 O4 p| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
4 V; Z$ D" Q, F1 g! k" R| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M' e2 @5 A$ s8 s% n" V, n
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
& K' ~2 u6 L& D: G8 O. D* n( h| | ├──3-扩展到多元线性回归 .mp4 32.15M; }) t8 B8 O# l( T1 m
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
. _( i/ I6 H: g% L) a| | ├──5-理解维度这个概念 .mp4 41.41M
4 f: d. T$ t" G$ ~| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
" D- A( q" _1 m" F4 ]( J! Y5 }| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M7 _, P8 w& y3 U8 A9 U8 U: I9 S
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
% Q3 |: x& u- K6 X6 U+ g- e! c0 r) u| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M5 X7 w! v, `5 w+ j$ e
| ├──2--梯度下降法 ( Z& w8 S: H2 C. Q c
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M! w g/ P# z. [3 h# S: }& F+ n
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M9 {0 H* Z' W8 H
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
+ R" [: x' N2 i5 O) \| | ├──12-代码实现随机梯度下降 .mp4 26.67M" H. N' G n1 ]
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
, }, k6 [3 I1 V6 T( {| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M, B2 V+ \* S, Q
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M3 q5 v2 ]: L$ h2 w$ N, A
| | ├──2-梯度下降法公式 .mp4 57.12M4 _% f, r; j% O. z
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
4 a4 L' c9 g, [- u| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M* r: z: T9 W5 T
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M, X% S9 O0 d5 c2 U
| | ├──6-全量梯度下降 .mp4 62.84M
4 }/ ^. H! c# ^3 u| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M' b- c2 D5 @6 \3 |+ t
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
0 v1 T1 w" D) s3 a+ C| | └──9-轮次和批次 .mp4 45.22M! Z8 L5 O( p. j$ U5 v
| ├──3--归一化 ' h. h, _' r+ w4 \
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M* {- y& W# {5 h4 \' [" O5 j
| | ├──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 34.11M3 u3 o" P, `# z8 U( d; G8 W
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M# _8 _# B1 x1 U+ g$ L
| | ├──4-最大值最小值归一化 .mp4 24.87M2 t! O4 }3 k: i3 i- Z
| | ├──5-标准归一化 .mp4 51.86M* `9 _- ?( G- R- Z3 ^
| | └──6-代码完成标准归一化 .mp4 41.13M
9 h7 {0 u/ M/ C' n; j4 R- P# U| ├──4--正则化
4 b" K6 x7 b6 x+ k1 |- S4 q| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
- m$ Q; h. L2 F% E2 M3 P' m| | ├──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% ~) `6 `# B! }* B7 ~" d( T( N
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
) z4 p7 i, R* t6 B* t3 X! x| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M# h1 H- T, v f" z
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
' v3 d0 ~" ^" D( Q| └──5--Lasso回归_Ridge回归_多项式回归 7 p7 B& R" a: }5 Q2 \. M. |0 u
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
! J- k( G) v5 ?* @: b| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M7 R+ S! d+ \) x$ K- G4 F
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
9 y7 t; R+ ]) B2 v. w# L6 ^1 H| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M$ C7 L) t3 \4 a8 m* `9 Z
| | ├──2-代码调用Lasso回归 .mp4 28.73M G. r7 v3 ^8 o v0 {2 q$ }) ^
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
- l7 k1 R* V- M& k6 q# \: n| | ├──4-升维的意义_多项式回归 .mp4 48.06M: j& Q7 @. e* x$ M/ s" G
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M: N! c: P% ~& H' g
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M. n" Q0 ?5 R7 L L
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M) U6 a; b V$ T* { X
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M$ j+ o: y5 X9 J x9 A/ f
| | └──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 84.12M1 R" z1 b& d+ K& j* w+ [
├──6--机器学习-线性分类
: k2 M* x( ` ~" ^) g( u' t: p' w| ├──1--逻辑回归 " q1 L' N, p: X2 o0 T% K0 n9 _
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
+ Y/ Z( h6 l0 G8 T6 G7 J7 D| | ├──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: `, ~( |! N. G: m/ j
| | ├──11-绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度 .mp4 43.87M- r( B7 J( ]+ ?# S! `
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
2 @, `. k: V' P9 ^; T; z! Z* g| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M6 \- A6 h+ N, {4 C7 w
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
! G1 K/ y4 Y8 ~2 {| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
# u& a! r1 x: ]4 W& D| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
, l4 f/ E, C! a) f# L5 o0 V" ^| | ├──2-sigmoid函数作用 .mp4 38.15M8 ]7 q7 m$ R7 W: F
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
; D1 P$ \" Q4 }" b0 u| | ├──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
! D1 m5 U. U8 z4 H; n9 \( k7 |" ?4 h, X* P| | ├──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
; | u, [) O. L1 Y2 J3 B! j| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M1 T; w9 T$ u1 ?6 y4 S6 ?, S$ o7 t
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
: K% u. Q+ t1 q% T| | ├──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
3 H: C& t) d, A; r6 b| | └──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
! l7 G) p; \0 b7 ^% T| ├──2--Softmax回归 ) ?" L2 b# R5 ^2 k! s$ _
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
0 @% A* i* A5 N+ ]| | ├──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
1 J! b# ~: H2 U| | ├──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 49.16M4 s/ n5 i# f! {7 ^; ]
| | ├──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
: b0 b6 b9 f) R7 C/ s$ M| | ├──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
+ }0 S* z% d+ d3 G! g. u# ^& _| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
+ x3 P6 u' O( r| | ├──3-有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本 .mp4 33.42M
9 k1 z; [; s6 _4 ]| | ├──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' r2 H* h4 f9 e/ s3 r4 M, _, w
| | ├──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
: A/ L* O) X) x5 G| | ├──6-逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别 .mp4 46.67M4 z3 d9 L, k0 a8 `) G0 D
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M/ U4 I0 O5 S) p9 f {% a
| | ├──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
7 D$ _6 T, X* b7 }' d| | └──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/ p8 }0 o4 u3 ^8 U
| ├──3--SVM支持向量机算法 $ W3 g8 q. q4 b% K
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M! r& x7 J$ V( b1 i4 F
| | ├──2-SVM的思想 .mp4 55.56M3 m6 G$ Z) K. N4 k+ _ {8 {
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
# p& i( O: \' t w2 x| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
( m9 I/ A/ ^ k! u1 Y| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M( a4 B5 Q' m7 K( U
| | ├──6-总结硬间隔SVM .mp4 39.01M6 t; r" i3 L. j& M' i: r) T
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M5 ]5 R" C& r2 y/ U, F5 ]/ \( o
| | ├──8-非线性SVM .mp4 54.43M7 J# u0 F1 r, w, b! Z* W& G
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
2 w2 }( C& H) c5 A5 N2 s# y| └──4--SMO优化算法
J" H' p5 l) s| | ├──1-SVM算法流程总结 .mp4 58.36M- q3 S' b- V ^& Z0 U
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M! u7 [; {/ V. @
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
' L/ k/ N6 }! W7 J; l0 r# ]| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
0 \/ K6 n9 R& z| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
0 ]2 \. E/ F$ s| | ├──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
: i, g. D$ x6 g$ L| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
6 D/ D. N' H' ?! D0 q| | ├──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
7 q9 Q; t; N5 S$ ~- U2 W; `| | ├──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
% q4 b, Z4 g: ?/ R| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M5 n% u' z* @7 j) G: `/ ~4 d
| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M
% ]$ E+ z5 m# M7 l7 I| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
) ^4 V% K& a& n: U! ^| | ├──7-启发式选择两个α .mp4 23.11M
, N4 |" [/ |4 Y! |* ]| | ├──8-如何计算阈值b .mp4 50.18M. e( p: B& u6 R. A
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
7 Q. {% Y( g' C/ f. V; u1 Y) A├──7--机器学习-无监督学习
5 a, W4 y9 ~# T) n& E2 a| ├──1--聚类系列算法
. M' f2 E9 @# E: S5 P5 p9 Y| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M. {" L8 n2 a* i( Q0 v9 I# w
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M8 `* ]+ n# z5 z! {; ~ C
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M, K$ e" Y9 j& s; S3 }
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M# b: H# x8 j+ W" q
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
# m: O% p7 v, K+ |% ?1 b5 e: G6 S| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M6 M. W( f/ g9 Q& i% q
| ├──2--EM算法和GMM高斯混合模型
5 O- S: ~* y5 p0 h7 \| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
) _2 J: V# Q5 S9 ~2 [| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
( \% Q3 ?: u2 k1 e| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M4 O1 _" T1 O. O2 X$ b; d* t
| | ├──4-Jensen不等式的应用 .mp4 109.17M4 h) R* M+ r& D6 b6 ^
| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M5 f" V% D% L2 _3 u: C
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M( i0 [' a* ~1 G* ^$ }+ e
| | ├──7-GMM前景背景分离 .mp4 16.01M
; k% U1 T- G* r+ v; o8 E" K! U% A| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
" Z, m" w3 v4 c( }| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
- L* T. Z: M6 l- O| └──3--PCA降维算法
9 h: j) E8 e6 i8 u6 N| | ├──1-特征选择与特征映射 .mp4 49.38M/ D( l; u( x4 e2 j
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
4 t0 x% G) h+ N| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M9 u1 L3 f2 |2 z* m- n
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M: K1 S }1 \! i: K
| | └──5-PCA的几种应用 .mp4 54.58M, J8 r) u1 C$ b' t0 w/ D
├──8--机器学习-决策树系列
" h/ A6 `9 U9 B( S4 \8 ]| ├──1--决策树 4 W8 @) ~* ~# h0 s
| | ├──1-决策树模型的特点 .mp4 74.88M8 x7 p/ r5 b# I0 ]2 v- ~) ~
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
5 Q0 Y) }, l6 ?! C$ {| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M0 p, ~3 g0 j8 A- ?
| | ├──12-后剪枝的意义 .mp4 50.49M
5 Y2 A, w+ Q7 D8 I0 q5 A| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
" O# g" X, |' ]3 e$ ?| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
! B9 S e; Z5 N) W- r| | ├──2-决策树的数学表达 .mp4 89.94M
& z9 u+ \5 e* S, h* `; q4 _. \| | ├──3-如何构建一颗决策树 .mp4 84.87M% Z; A1 N: b* ?; U0 P/ |8 Z6 @
| | ├──4-什么是更好的一次划分 .mp4 57.02M
. e# S! [+ H& e$ h| | ├──5-Gini系数 .mp4 107.54M, K8 B3 W0 F2 J
| | ├──6-信息增益 .mp4 75.26M @ }/ Q' I8 v8 i2 j2 k* v
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
2 y- g9 ?$ o$ A" Z1 N1 h| | ├──8-预剪枝以及相关超参数 .mp4 127.06M0 q2 p d, o( O
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
5 t3 m, G- Y& X; K9 c$ c| ├──2--集成学习和随机森林 . J$ B% X( S- }! n, h
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M9 X. ^3 r4 I6 d) t" _1 D$ H1 ~1 u
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M- `* u) @* I. R }
| | ├──3-随机森林 .mp4 108.14M
% C" `/ c" Z9 U| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
" \! s5 V9 `2 ~: }2 x| | ├──5-OOB袋外数据 .mp4 106.07M1 Q1 H& s- _! H3 ~. G$ Z
| | ├──6-Adaboost算法思路 .mp4 106.30M
3 r& @3 F, E+ J5 j5 g| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
6 R- J4 |/ l' S) Q. c9 N7 v| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
, l1 M; ]( J% ]2 [* J| ├──3--GBDT " v, i, M5 c& `0 _) o
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M4 E z7 R7 a7 m
| | ├──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
* j- `8 q3 Q+ h- G3 d& B| | ├──11-GBDT多分类流程 .mp4 73.80M
: P- m. ]8 Y) x6 D| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
7 O( ^5 r4 l! k+ B| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
& x& J1 I0 ^& P0 e8 X| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M! r' ]; l" F: ?( Y+ j/ g+ {7 k
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
# V' m6 s. i! D% R; b0 P0 l| | ├──16-GBDT多分类举例详解 .mp4 91.71M6 }& X. r6 z* |3 ~$ ~( m
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M- n/ A) o D& P8 a
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M9 P) V3 R; k9 V' w% ?
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M( W1 B3 `7 E+ E+ e* \% s, i
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M3 p( ~& L$ Q: t. D; k
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
( r$ h& t' T, j9 W% o/ B| | ├──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% {2 S" y4 v0 m& D; h" V5 ?2 e
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M8 M8 \0 i" {; I. }
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M' F! r* f# \* g, z& F# K
| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M
; i5 P/ v0 Q3 I, z$ d2 J+ G# d| | ├──4-GBDT应用于回归问题 .mp4 84.66M! ?- {) j I0 Z# W# x
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
9 g+ Z1 e. T% F8 T/ N" X4 J6 `| | ├──6-GBDT应用于二分类问题 .mp4 70.42M$ u7 j: Z* `* E) y4 R% S- u# R
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M' m2 ]' `) k& G+ M' M J2 m
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M/ ?; D6 `8 K8 s% G
| | └──9-GBDT应用于多分类任务 .mp4 73.34M; k2 E% N' d2 Z6 N* F
| └──4--XGBoost
~% x8 r5 a/ z. a% s) R' y; j9 N9 A| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
/ r# y( A {( J) L/ r| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
' g% S. |) G8 L |$ S| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M- \! L7 y! [) X
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M* U9 F) Y5 @! Z- G8 U
| | ├──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
3 X9 O0 u5 `/ `' r9 L| | ├──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* B J( [, M5 p! v. w: w. U+ d
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
7 H/ V, T( [/ O; I! h# W| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
5 I: I6 p% m: c! A% D| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
2 b- }2 Y. G7 P7 || | ├──2-Bias_Variance_Trade-off .mp4 66.00M
2 k, A" l* q# e4 l, q| | ├──3-基于树集成学习4个优点 .mp4 91.36M+ `! o, b1 o8 U/ U% `+ ^# ^4 q+ M
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
6 s0 m) t. g, a' L# z" J| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M# c5 @7 R$ O! @
| | ├──6-Objective_vs_Heuristic .mp4 60.42M! d4 c C- o: {/ p1 o
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
+ m+ Y% ]! j) L| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
! y. _4 @( s8 K6 G| | └──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 S4 f1 J5 H5 O8 b
├──9--机器学习-概率图模型 6 ~/ o8 D" x e ?% ?" {( ?- l/ c
| ├──1--贝叶斯分类
& C5 H+ M5 @ w% C9 X| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M+ L/ B4 |- e3 a- U" Z
| | ├──2-TF-IDF .mp4 53.08M" Y6 J6 `; t1 Y$ l" Y8 ^- I! {! y
| | ├──3-NB代码实现解析 .mp4 126.73M
& H% b1 E7 M9 o0 `$ w( s4 |; B| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
; p! e: M. d; G3 y8 m1 I6 W| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M5 X9 a9 Z2 p. Z \
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
& k5 @: V& Y6 m+ I; D; x4 O' d| ├──2--HMM算法
4 M& S; ^& c# P| | ├──1-HMM隐马的定义 .mp4 36.82M
; o- G' H; A) u" T5 n4 v| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
! _4 f: O3 M3 [* v4 z) F2 Q6 _. X7 N| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
, h( @) q- S; ~. Z| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
- M! V5 P) V( y' I! W( O( c| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M: N8 ^# ]) {! m& [( U& U
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
1 _* w( ^2 S/ u3 S| | ├──7-Viterbi算法案例详解 .mp4 107.12M
7 w% M8 q v0 g ~+ L$ y1 p| | └──8-Viterbi算法代码实现 .mp4 42.43M S0 n# R- u5 Q. k) L+ B4 W
| └──3--CRF算法
3 W2 d$ B# k1 H4 z* L' V2 @( D| | ├──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
, Q) n* t1 e: S( o| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
0 z% R- l. G9 P- z, o) S% s| | ├──3-了解CRF层添加的好处 .mp4 105.90M
6 ~( j! m, L$ I, T5 }% s" q| | ├──4-EmissionScore_TransitionScore .mp4 61.33M; L3 l; F7 F" L9 T& i) G1 w, j' e
| | ├──5-CRF的目标函数 .mp4 23.74M
$ r+ }; `; k& J6 b/ c9 l| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
& R# V( e2 {: g# _! L; A7 || | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M- o3 E8 u [' K p& e/ s
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M. J1 x8 V/ G- _4 B+ m
└──课件.zip 2.54kb
, a: U- G6 o6 x" D" T' T x3 m' W W
* G$ X a+ V) {6 g+ x$ ?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！
/ ^- B/ W$ ]+ @ ~& {, \ ?0 }" A: j3 @! j
~; I' i* e" A2 l* B |
/1 
