战-人工智能2022/
2 [( U/ l' _0 \7 q├──1--人工智能基础-快速入门 ! d" @& j% P; d* R6 _) j# V k3 r
| ├──1--人工智能就业、薪资、各行业应用
9 e5 Q- P5 ?6 l| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
?1 D5 L3 Q0 S: E2 P4 \| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M, W- F$ n2 v/ }& [9 n8 U
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M4 q* t( e8 c* A) W, t: r3 }$ m
| | └──4-人工智能在各领域的应用 .mp4 57.73M
# X- X7 Y r7 j" l5 P! \| └──2--机器学习和深度学习、有监督和无监督
, b; r, j0 S7 g1 f7 X7 ^| | ├──1-人工智能常见流程 .mp4 89.62M6 k. v% R0 k) f" ]& Q1 T
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
, }5 V: [* B7 J* Q5 e: p9 E| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M+ g; F4 I* `/ G9 n" V
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M( N; {/ I" c) D
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
- L2 L( j' f" H# Q6 l├──10--机器学习与大数据-Kaggle竞赛实战
& D0 l; |# A$ i| ├──1--药店销量预测案例
; Y, Z5 }8 [+ i8 t3 W( k) t- ~! N8 \| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M. N! o2 H+ [; ?& ?5 O% X
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M! t, ~! Q; S- x9 n8 A1 t0 E
| | ├──3-自定义损失函数 .mp4 21.12M5 o1 h6 Q3 X& z9 N" T2 _
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
6 w I% _9 V# D0 s, l ^| | ├──5-数据的预处理 .mp4 111.81M
/ Z3 s* s2 {9 M0 J/ }# E| | ├──6-模型的训练_评估 .mp4 66.64M/ y) E, N0 |. c+ ^: |
| | └──7-kaggle竞赛网站学习 .mp4 172.16M, z/ v7 d6 u! p M" }" ^* J; L
| └──2--网页分类案例
1 h9 N- l. B3 u) z4 D/ K) T| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
4 o2 A# ?4 ?( [; i, X/ c$ `% D| | ├──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- M$ n5 d p4 }! w' v- `
| | ├──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 68.80M3 \ ?9 X! E. B- b6 f
| | ├──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
8 m1 e. e: J& r% Y| | ├──2-评估指标ROC和AUC .mp4 56.19M: \0 _% D, I7 L9 G3 z( k
| | ├──3-评估指标ROC和AUC .mp4 49.03M7 r) f/ U; x5 y7 _
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
# g$ h! z8 O# F: ^# r9 s/ @/ r| | ├──5-数据导入 .mp4 68.41M
0 u! Y7 k, i. M2 [" b| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
- o0 O$ f" {' _| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M \$ v: ^+ W7 W$ Y3 F: L
| | ├──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
! Y& |- X6 x$ i ]| | └──9-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01 .mp4 87.47M
: `8 P0 ?+ I& Z├──11--机器学习与大数据-海量数据挖掘工具 E. m( B+ l! E8 h. w/ } a
| ├──1--Spark计算框架基础
4 t1 b3 x- K" M9 O& v* A| | ├──1-Spark特性_01 .mp4 41.68M
) m; |7 o- R9 j: |; {| | ├──10-分布式计算所需进程 .mp4 26.30M% O2 o! t( d5 B; M6 `* @
| | ├──11-两种算子操作本质区别 .mp4 56.31M
9 V! w( B! U5 Y+ W/ y. u, }| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
. U" R$ F2 K9 p| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M! S- Y* m, e2 K* ^: X0 B9 m( M% q9 K
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
( K1 I7 k. I: }% |# g| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
7 ]% b3 `& @+ a0 v5 T| | ├──2-Spark特性_02 .mp4 35.15M
" J( j# J+ I0 F' [| | ├──3-Spark对比hadoop优势 .mp4 19.34M
5 N4 G# A; t; Y: r- v# v| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
. P/ R0 x' P0 I6 `| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
7 A/ B+ C5 z4 @6 E5 a8 G, M| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
! @$ I" I3 E# Z5 e+ K' L* ^$ D' p+ z| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M, i, N0 m' E9 K5 B' V
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
" s) l3 i9 u6 E5 f; y( O* C| | └──9-Spark的RDD特性_02 .mp4 33.41M
?8 t" h: E# Z2 }6 `1 J l% s% m| ├──2--Spark计算框架深入
O; l! @2 S6 u+ T' N0 h| | ├──1-Spark数据缓存机制 .mp4 54.43M( N( ]* Y1 m) I% N4 |5 ]
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M$ s, z& a* M, Z$ l+ F
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
9 t8 W3 c* d5 T* Q3 X| | ├──12-构建LabeledPoint .mp4 111.08M7 |% p. y2 g! y& Q
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M- B5 H7 V: p) e! w% x4 V" D
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
8 P8 b1 i1 c+ \, O| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
7 z4 q4 g" J4 Q5 X* I/ V9 B| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
9 T$ g' K- l3 i3 Z% B: X6 D7 y% K1 a: M| | ├──5-Spark术语总结 .mp4 89.66M
) q. G( k/ b7 ?6 X- q4 K+ k2 ]1 N( F| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
7 X. z$ a, i2 l/ r6 }| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M% R( b0 X6 R6 g
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M8 t0 N* @4 l7 a u( u" Y
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
, g; ^# R# {- @. l: M| └──3--Spark机器学习MLlib和ML模块 " h$ L6 u1 i+ `& b- n* `
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
5 B h" O2 s4 l% V1 t| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M5 S. w, _* Q( y ?+ ]
| | ├──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" d7 X9 I6 G1 I) X1 N4 |5 u
| | ├──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, }8 J8 B' n* ` O; 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 84.20M8 p7 W6 H# a- \8 y7 E" ?9 o
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
0 L4 ]+ C4 ]/ S( J% m$ h| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
9 q; C5 |% |3 M% u| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
2 i9 n) d( N( \; V2 u. y' || | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M& V; T% k5 i5 X- }6 B
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
' |" I$ _4 d/ I o5 ?$ J| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M; u3 `' i- _5 ~
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
% j# Y8 i. Y6 Y& q" ~0 z1 R! U, R| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M7 d: ^7 J$ Q- l3 l' u$ B3 d, M
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M4 c2 T8 f+ ]6 w/ H k' [* L
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
) k- z$ i3 j1 \1 ~3 {+ R| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
; M, u5 Q% ~0 H6 l$ z| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M. e% e* N( v3 g# F$ a
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M: g/ s9 B7 o. M& y$ x
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M- }6 J' b; A( [, g
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M0 v( K' _$ w! Y* Z" l8 l+ f
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
" V" r& b3 B- h% m$ k7 A7 ^| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M" q" c: ^3 l W7 y1 s
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
: `! c n, G* A/ b. v& E4 u- G| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
# ]- p0 \0 c0 a" H: h5 M, _| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
) E1 j: P( I! V" d% p; b| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
* H' D) k" }2 a; H├──12--机器学习与大数据-推荐系统项目实战 * |# \- A4 z' K! A- l2 @5 j
| ├──1--推荐系统--流程与架构
3 B' [. S% Q s+ j" y1 [1 g| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M, A8 Y, V% t5 g: g4 k- \* t8 Y
| | ├──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
3 N$ C+ q, j. j, t+ M" K5 @( J# p| | ├──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( @: }6 q" o2 V0 b6 W; I: i, c
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
" K+ h( P* f7 e5 ? E, n| | ├──13-推荐系统_数据源_2 .mp4 82.90M" e8 J. M8 }! B a/ m
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M$ ^9 X* M+ F( O* a# T9 ^$ d7 d
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M/ F. z8 L3 s f, [7 m8 @
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M& U# ?1 Q% g! m
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M* D! c) @; u# Q0 r
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M4 E b4 s \. k, D' a7 x8 q
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M/ b$ f8 P, `8 `5 z" P7 U
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
: H' n( [& `8 ^3 L$ d| | └──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
8 j, w& K& t7 e4 u$ _% h| ├──2--推荐系统--数据预处理和模型构建评估实战
+ ^8 r2 L7 }7 @0 [| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
( B' `+ w$ p7 X* c! M( }& y# N| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
# c( O, J* @+ G* Y; j| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M/ n% Y% B+ L0 `, d! q) m! z# T
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M5 U' t2 _* R' q. R' Y
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M: Z/ c6 Z" [' v) s: B% `9 O
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M% t; W# S" Y( I# I
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
( Y& J# X9 V$ W6 E$ Y, G| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M, N M0 \: S4 p" z
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
: W4 p4 I, ?5 |4 a/ S! ?5 ^' n2 g| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
+ X7 v3 ~ E5 @4 d: ]" ^( y# v1 r' `| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M: ?* s7 z" t0 ^. L0 e: G- v
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
2 a J+ Y, L3 R| └──3--推荐系统--模型使用和推荐服务 - [/ J9 u) Q- q, N1 Z, N
| | ├──1-推荐模型文件使用思路 .mp4 61.89M- g/ `% i( M5 O2 L
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
! g7 {% X; b9 V) G. U4 r; I| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M- x3 ^. ^; i6 Q% w# g/ v" |
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M9 M# R: u8 r% a6 |
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
% g/ x- M0 w$ t" \; a, D| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
]6 X5 \) t- y: ~8 X6 X| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
2 c3 x; _+ D, _# j9 D; x| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
" {+ K* S4 ~, |. e# ~2 B* W8 g| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
1 ]' C; q6 T; p# _: _: \% J+ ?| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M# X# V9 M0 \; @8 T2 @, l
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M) Y( I4 ^" A3 ]( ?6 p1 D" f
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
6 o% v' l3 }! k( T3 j; ]: g├──13--深度学习-原理和进阶
% L. s/ W/ y( G' } ?* ]6 _| ├──1--神经网络算法 . v- Z N- H4 Z
| | ├──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
) O( {$ V: ?7 [3 x* n2 \| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
. Q5 G0 o8 j( o6 }& F! K, }8 K* [| | ├──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( k$ H, n9 z* _% T+ g
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M4 `0 i3 [! e7 w7 ^
| | ├──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
4 c# |2 r, k u7 F| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
6 y! o+ W. n" G9 J| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
5 X5 h! P$ e) W7 b6 E| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
3 } |4 {8 v; W" i! W2 H3 d4 R| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
. }9 i9 s4 f% M| ├──2--TensorFlow深度学习工具
8 B8 l* f: A' N8 g' W: J3 f7 M| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M4 C! x6 F0 @( P! [& s
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M6 P6 ]4 H; {1 n- v0 t O9 D
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M6 y6 `: r; C- D6 e* G8 i- C
| | ├──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 173.47M4 B! V% n1 Y6 x+ X3 a( L
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M/ x0 [ P1 x- |! B; j8 L1 H) T' b
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
$ t+ M2 ^3 Q8 ]8 x( I0 A) @# Z0 W| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M) g H$ q* i- {4 k5 [$ T
| └──3--反向传播推导_Python代码实现神经网络
8 B* W9 j) i: x: O: x0 b0 U| | ├──1-反向传播_链式求导法则 .mp4 86.47M
* z' r% s @, P/ }| | ├──2-反向传播推导(一) .mp4 127.90M- o& Z# D: I3 s
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
4 n6 z. B- D' [| | ├──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" h6 ~& _7 M- T ]. O- ?$ e8 t6 |
| | ├──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
" f1 b' q4 \& u5 s! L/ W| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
& ~) d6 m9 l2 g" y, m' u! j% ^| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
2 m" H: j$ ?2 b- N; o4 w# X├──14--深度学习-图像识别原理
4 j" r. m1 S9 @8 M| ├──1--卷积神经网络原理
+ u; s6 g6 a! `' I, p| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
; i3 z1 g4 r0 F. h7 q! F( M| | ├──2-单通道卷积的计算 .mp4 104.01M7 |+ H8 g$ q6 D, f x
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
6 K" l4 b4 V/ {$ b5 l$ O| | ├──4-卷积层权值共享 .mp4 63.93M0 v/ e5 }5 L5 C* u. }8 H& j
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
0 g5 B1 f9 W* b3 \6 I: P| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M4 W5 V' b4 y: [/ C
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M* M& n5 S0 Q) f0 @3 J0 j
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
! p/ Z7 U, }! k5 u% M| ├──2--卷积神经网络优化 9 v |& k- R3 h
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
3 J2 s6 g" h0 J5 H; Z# |5 v* b8 h* K| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
; l4 {4 K8 ~8 p! \9 @9 J! U| | ├──11-Optimizer_Adam .mp4 141.12M
; Y. q1 Q& r4 N/ R| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
' ?' I7 w0 ^8 Z) [4 h$ a) m- G| | ├──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! j* v: K* Q/ J% V3 l2 b. ?1 z
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
3 D" V* V5 Z/ D| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M; ]( V- u' M% R
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
: U3 S/ P, s9 h* z& p7 [* w| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M- M# I0 G% Z( L) D. r3 C6 Y6 C
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M0 b: ]2 t, v! F1 V+ {# t
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M: @* Y( r( E+ x( ~* Q: w
| ├──3--经典卷积网络算法 : U! X" |$ I4 @' _
| | ├──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 I/ F4 c1 B0 V+ || | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
. b1 j7 v& G9 ~| | ├──3-InceptionV1_V2 .mp4 165.86M6 d4 o( ~' P0 }0 k7 q
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M# q. S' r$ S, ^- N: K5 l% _& k
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
2 @: A* E' q( \! }2 }6 q; e8 D- o0 o| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
- }/ a$ l4 k% k3 U| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M& D' }: h" @: |2 n3 a0 Z
| | ├──8-BatchNormalization .mp4 99.23M+ \$ p y" b% ?/ k I9 l" h8 n
| | └──9-Mobilenet网络架构 .mp4 150.05M. a- n9 d5 }5 D( o
| ├──4--古典目标检测 X9 p. n2 E e! k
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
* \! G- N; ? {5 I, T" Y| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M B. T* y; F) w6 r: i
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
" `1 I4 y- J/ s- ? m$ `| | ├──4-R-CNN和SPP-net .mp4 124.06M' f- P! y& I. M6 `; s8 ~# X
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M! d8 J' a7 J! }7 g3 c: M* t
| └──5--现代目标检测之FasterRCNN 3 z! ]! n" G* K/ I6 q) D
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M+ S" ^8 j: S# K( _; T! j( o3 I J
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M P; L3 M) u. K) C7 A
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M. ^6 w% b7 {. I2 z% Q' a
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M+ ]; [* U2 b1 { |4 K5 K; w( p6 H
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M) b" `4 d9 x' c( z" D/ N, Y8 L
├──15--深度学习-图像识别项目实战 $ b( F K5 N- w( R. F7 t. g
| ├──1--车牌识别 / Y* O8 W' a Z) S- X% H* f$ b
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
! V7 l" w- v9 O, B+ R* _1 q| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
5 f$ v& [6 W# x| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
7 E& R+ w! @" K* n8 P| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M0 o) [. T. G, ?; G3 o2 {& h8 l! Z. _
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
E, t/ e1 i5 A- S; G| ├──2--自然场景下的目标检测及源码分析
, M9 l; s4 J8 O: m| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M& c `/ ]1 R+ Q
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
0 R1 T5 U* V+ A0 r8 Y, U; X| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
8 C2 \! I% O1 z9 l8 [! S! o+ b| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
' c; ]: E+ ^. I| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
4 o$ M$ E$ z! ?/ [| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
6 S5 K, L; O0 |3 H. M5 v| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
' |# ?( c# m M5 y) `2 O| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
/ ^! i% t% m2 l! [6 A+ ?| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
& X, _4 M& R7 B' G# M. f0 n2 C| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M* ?0 V; c: O, C+ u/ N; B4 V, z! E
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
8 Z; O) C' |/ K; ^& W7 ?% B, I3 f| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
7 ]# v" r) k! Z+ u/ y| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M7 Z; F0 q1 x" y) A% U
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
& m3 x4 f4 B' P; F4 a1 z5 L7 ^| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M0 }; D, m0 h0 v. T
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
6 y) M e6 Y) w( G3 r" l4 T: w| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M# o/ g; ^- C& \8 i4 F" d s
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M J/ }! M2 i) L' C- p) i
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M/ }+ E4 ~- G! P: a/ [: K6 o6 p
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M5 u% n# r! Q) N6 F0 i
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M5 ]/ t' o4 C" T4 `4 ^* i' {
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
0 ?& |; S' S# g+ _( B| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
' f/ A, V0 p/ Z' b| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
2 l" X7 V5 u% |" z7 ]1 S| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
- x9 F1 g" V! S0 t# R| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
. U4 @; I7 s% s* z" R/ q E9 Z" ^| └──3--图像风格迁移
2 M/ n7 s" N3 p+ m| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
; Q8 @$ x2 c4 Z H| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
8 x. x0 X/ s- V+ P0 X| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
( P! J( g3 Y& u0 E; N: d# Q" q| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M8 f& p9 R) ]* \. l4 `4 Q% M+ L
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 5 \5 \6 [8 V3 g0 I* h
| ├──1--YOLOv1详解 4 b6 r- ?2 q& D' p
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M- V3 W- O$ e1 g
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
. A. j# G/ m3 d ~/ a# h| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M; R; G8 Q: v! r. y/ I* M
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
/ x1 J5 l4 \! p; H5 E6 D3 N| ├──2--YOLOv2详解 * [4 i& l& M0 G/ W
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
/ L/ a' J& [! ~# x( a4 ?* q( C| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M9 M6 I, [$ X# {& b
| | ├──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
) a3 Y6 X4 t) M| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
! C) C# T: A- w& k; N| ├──3--YOLOv3详解 + b& q# w1 v2 g& G! J5 G
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M( h7 o3 m' [0 V- H# n
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M5 U- [9 q9 V* O4 H
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M. Z1 ?* Z6 M- |( T5 R
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M6 N# ]0 I6 e2 F3 N/ ^" o5 y
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
! L5 Q' D/ c" l+ ]( G% y| ├──4--YOLOv3代码实战
; F: h' ^9 t4 D+ S9 M, Y4 V| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
# S- e, s& Y6 }+ w1 l7 O| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
! r4 d7 x% G6 \& s) L| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
% d& K }) J) ?4 e0 i' s0 s| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M( c4 Z& N- ~( u9 k) d$ p3 n+ \
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
4 g! q6 g% n4 \6 }% Q# d" j| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
% C: O1 W: Z$ U" g| └──5--YOLOv4详解
& Q% P7 ~$ p8 m! Z1 a& h| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
, l( r: _2 B N% A| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
& D0 E- X$ V4 H( x0 s6 `| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
' c3 R# }, @" w( z, r| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
_ l3 Y" g2 Y6 }% z9 x4 j├──17--深度学习-语义分割原理和实战
3 ^5 M1 W' w9 v1 R. Y| ├──1--上采样_双线性插值_转置卷积
1 t J- E5 F8 j: ~2 H/ S2 O| | ├──1-前言 .mp4 19.46M
9 z8 ^- E/ e% X% V5 d* x1 U| | ├──2-上采样_repeat .mp4 23.90M
) Q" W \2 m2 P2 C5 \- h; B- w| | ├──3-线性插值 .mp4 34.48M
2 z1 C& g& b6 M. x! U, \3 I| | ├──4-双线性插值 .mp4 125.71M+ v3 _1 P1 L4 o0 I9 a: j
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
* s+ t1 ^& d# ^' u8 [% Y" V| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
( U/ o3 q4 S5 p% d- B| | ├──7-ROI Align .mp4 58.38M
7 z" C% F5 o3 \! G) B$ @" A! M" o| | ├──8-FPN思想与网络结构 .mp4 92.14M
: N# n9 K, i; ?7 ^& j: K& X| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
2 h. v" e4 l: o1 f4 F| ├──2--医疗图像UNet语义分割 & O2 {- l6 ~, {
| | ├──1-语义分割的基本概念 .mp4 18.33M
9 ?7 ^6 A l/ |% W| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
7 s3 S8 {, ~4 f| | ├──3-UNet网络结构 .mp4 30.41M
) Y1 {/ k9 D/ U- ?" U| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M2 N8 T( e) |/ \! i
| └──3--蒙版弹幕MaskRCNN语义分割
" ?+ }+ J- l# n* `; ?| | ├──1-MaskRCNN网络结构 .mp4 106.38M2 T% \# Q- [0 [7 L \6 e9 o
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M( D; r3 w) i4 C- Z6 P2 ~$ S
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
& |8 [, [3 d7 L% s0 ^| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M- ^" [- q# y8 ~
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
1 I6 j8 ^: v$ ?4 v$ r: e| | └──6-MaskRCNN源码config和model .mp4 244.48M7 Z+ S2 G# j& Y0 F9 l* f& b) g" m
├──18--深度学习-人脸识别项目实战
# \: q4 ^% x& q| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
% T [' ^' @: O8 S; V| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M4 b2 g: Y( K+ n; u
| ├──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
/ P3 J: w; p& @% s| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M3 ~: ]) A2 K) o* Y$ }
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M# P" s y# R$ z1 o& ~
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
! |/ s7 s0 W) Q! w| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M+ I2 C1 E. [* H: m# u# P/ T
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
2 J0 n6 F0 M7 g! i8 ]| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M* Z2 k7 a) K7 N _( H/ R
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
! ~% h& s5 D$ K' M* F. V| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M F2 @! m6 ]8 u' w! i
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M3 `/ S' _1 D( _( d, ?
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M: T2 A+ y" e: d3 x( I. j
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
4 V$ W% m4 s9 M: N| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M: m$ W+ G3 V D
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
4 \( o: k; R. [0 a- m. [| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M1 c+ G/ Y# k# R+ I4 n# ]
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
U; a( E) a8 ^) Y) W. t| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M/ ~- V/ g8 F( r& K. X
├──19--深度学习-NLP自然语言处理原理和进阶
% {, d/ Y$ ~8 U, O| ├──1--词向量与词嵌入
# n/ t9 r1 E# ~ S| | ├──1-N-gram语言模型 .mp4 116.32M k4 d, J1 ^6 O+ K) c; C
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
4 d7 d# G2 r* T' Z| | ├──3-词向量的作用 .mp4 58.00M+ ]$ |" q) \4 l2 C4 W( m
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
! ^. |3 r9 \3 ]8 p" z5 C) @| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M- e6 y( t0 k) v+ [
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
! M/ B5 k3 b! D8 T8 V| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
4 C8 C/ v$ S% r& || | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
' w" M5 Z8 E( `| ├──2--循环神经网络原理与优化
. o; Q# w1 m) s9 u+ U! B| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
8 c& {$ L) C' L: [3 j* s& d| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M% \' K( o) O1 T8 K4 r5 I, Q: I+ A
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
# A1 m9 f& Y( D6 ~/ f9 _8 V| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M" }; l. L+ W! ?" X4 {4 }
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M6 n1 X# J5 g; Z0 n7 i+ h c
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M; C' I2 K1 L8 d8 C
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M. S+ u) _% z: @
| | ├──8-双向RNN_LSTM .mp4 52.01M
/ j& @" H. X: I| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
" t9 V1 ?: m6 [& F+ }7 V) }# m1 _| ├──3--从Attention机制到Transformer
! r" T D5 Y! |0 Q4 z3 \. I| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M5 b0 {% Y, r+ P; Z
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
+ s; n$ C9 N! Y/ C# w% P I" C+ P| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M9 r9 N& X+ t. s" j: o
| └──4--ELMO_BERT_GPT ) ^& b4 t, n7 d6 D: B* N
| | ├──1-ELMO .mp4 62.44M
# T: t9 c- e" N9 || | ├──2-BERT理论 .mp4 99.73M G) |$ t. ~; }5 c! r9 v' i
| | └──3-ERNIE_GPT .mp4 56.34M* P' {1 v, U1 R! p- w
├──2--人工智能基础-Python基础 0 {" Z$ i$ S4 ?* V5 i z
| ├──1--Python开发环境搭建
$ _/ ], o. H: W& f/ X1 k0 N+ ^! _+ a| | ├──1-下载Miniconda运行环境 .mp4 100.75M
* E2 _/ z. e5 s! ?- h| | ├──2-Miniconda安装和测试 .mp4 57.12M' ^, K# M. u; x! Q9 f! i/ b# x
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
3 d9 @7 |0 W( G. q| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
. l" V$ Q L1 t6 V. ], A| | ├──5-Jupyter常用快捷键 .mp4 32.23M
. D+ _2 P, W' a- {0 w| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
5 Z% \" u! Z8 T7 Z2 t4 U| | └──7-关联虚拟环境运行代码 .mp4 38.14M# ^* u: Z3 v$ w u/ W- Z1 i
| └──2--Python基础语法 - n4 W8 x* ^. N: `0 |5 S* ~
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
; b1 s8 G& P5 [! w/ k9 X| | ├──10-Python_集合操作_列表 .mp4 34.71M7 |; {( {' {+ {: r# X& E, U3 {+ `
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M: R1 ~' g0 @$ O1 M
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
9 T( g& |$ J5 W( T; v& T0 V3 `| | ├──13-Python_集合操作_元组 .mp4 43.46M
5 O6 O! t' J3 a# l+ L* p| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
$ Q$ ? g" ?5 x| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
' ]5 [- I0 u/ j3 ?| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
/ g% H' n1 q$ `# E8 d- h% A| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M0 c1 Z& T/ Y* c) D
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M+ J6 _! o5 Z; u% z
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
' E- W6 [4 x! @2 o2 U| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
) ?6 c$ g' n: H6 m& ^| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M/ @# c: l: E8 O9 T
| | ├──21-Python_函数_递归 .mp4 23.46M& s3 G; }+ m$ ]5 Q3 B6 G. U
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M1 M/ W; A: ]/ ~" i: V+ e
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M- m# @3 D' X' z/ t2 Y3 F& ?9 ?
| | ├──24-Python_函数_闭包 .mp4 41.61M" b8 E6 _8 k0 u7 v
| | ├──25-Python_函数_装饰器 .mp4 30.35M& i; O' p6 f, E0 p) U( M& B) y
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M/ o) Y9 t- J) _& b
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M; N& E1 M# q5 \5 X
| | ├──28-Python_类对象_内置方法 .mp4 29.17M. `# Q+ V& f: P' m" I( W
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M' e% n9 Z6 d' r) ^6 X: Q& y( n
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M4 ]/ H: o7 ~1 k" n4 o, z8 n7 ]' h
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
, l$ y( c2 A5 H% \2 B| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
0 h" L, o5 `. v6 E, J9 h1 R! K1 d5 L| | ├──4-Python_控制语句_while循环 .mp4 25.02M: q9 r7 O. w) ?1 b5 D+ [
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
$ u' z" k( \4 U' g N3 {4 x+ D' j| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M) w) l2 c( r0 }4 L, q
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
) f6 h A: q( x| | ├──8-Python_切片操作 .mp4 40.20M
* s7 e$ n& @! V1 Q. w5 s- `6 D3 b+ Q6 m| | └──9-Python_数据类型 .mp4 25.38M; w* n2 U* ]) d. J* E# x1 [
├──20--深度学习-NLP自然语言处理项目实战
R2 Q4 M( z( T2 U( O2 |! y, H" w| ├──1--词向量
; f }8 u/ C- J0 s, ^# l| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
. p+ N1 R) |3 u' C# ^7 V| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M( z9 T7 W1 |. A" a, }9 t& }
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
0 o. [0 a3 c0 M% @0 g4 ^$ _. u| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M4 [$ I5 C7 V3 W' G; k
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M( ?$ D9 s: l' o
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
1 z& O- w2 A# n7 e7 b# u8 L6 G| ├──2--自然语言处理--情感分析
& i& |% G g' i4 C+ y1 n- ^, {& D| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M9 W9 {; U$ L. O
| | ├──2-数据预处理_01 .mp4 79.65M5 s6 A% a6 z! L5 x
| | ├──3-数据预处理_02 .mp4 45.68M: z# W: p5 B$ f v8 l
| | ├──4-代码讲解_01 .mp4 52.29M, Y" w: _3 `* P2 G
| | ├──5-代码讲解_02 .mp4 60.85M
* A A, C8 M* E( c+ d' e) h: D0 C| | ├──6-代码讲解_03 .mp4 53.89M' ^0 [3 e5 n) R
| | ├──7-代码讲解_04 .mp4 57.19M
5 y0 p5 ^2 F6 x" ]4 ]% V. M2 `4 k! W4 Y| | └──8-代码讲解_05 .mp4 35.88M6 ~5 K3 v/ X7 B$ C8 \% ~
| ├──3--AI写唐诗
, F" r/ d; r: @| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
8 z$ Z: `3 X6 o) h5 X9 ~# b| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
) n6 K% z" A- _- x, O: `| | ├──3-MultiRNNCell单元 .mp4 38.93M( ~' }; I) `- T/ ? B! h( V
| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M
* _8 c& C) I7 H+ J% A0 P0 w| | ├──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( Z1 f" c0 b# z" Q$ }5 B6 V
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
% T& B/ O$ |) a- N, ~| ├──4--Seq2Seq聊天机器人 ( F% F' a- b7 o3 i1 D
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
8 q& x+ J4 Q& v% ?| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M- d. A: M1 h2 h6 P+ j/ E+ T- ?4 g# m
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M) ]/ u/ X+ u. D. }; u, {
| ├──5--实战NER命名实体识别项目 - J: @! q/ M6 V) W7 K8 P
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
% O8 V2 i2 n' W# I3 Z3 Q$ \| | ├──2-介绍了代码目录结构 .mp4 23.44M* S! N) o( J( r$ D
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M4 r6 D: i- z! G8 z+ Z; W
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
$ D; t; I; M( H% L9 u| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
8 h, T, L9 H% y" G+ a9 R' G8 e| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M& Z; P" b t! h% l# H% a
| | ├──7-CRF中的特征函数们 .mp4 125.97M* R0 H- r" o2 z8 K$ Z
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M$ y1 a& S! S1 u' c* [: F
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
+ J+ W% b1 I7 a$ }, u4 o2 T: o| ├──6--BERT新浪新闻10分类项目
/ {; ^! @& v0 N: a/ a i/ f| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
" M* A( U$ e! B- A" t( e6 Y| └──7--GPT2聊天机器人
9 W2 _1 g8 t" |8 S2 }/ @4 }| | └──1-GPT2闲聊机器人 .mp4 62.28M
' ~4 _4 T$ t% L├──21--深度学习-OCR文本识别 . w5 D t6 j$ s. F
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M& W' Z5 W4 e' u6 O8 Y
| ├──10-CRNN项目代码剖析 .mp4 306.48M
s2 K/ I6 S& @$ L$ l8 P; R| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M, A3 t K% H4 r# L: q+ f) y+ @+ t/ A
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M2 Q u) R# v- M" q \5 U
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
! n1 k5 _1 b- B! a( Y| ├──5-CTC损失函数的理解 .mp4 330.64M% o6 H" }) P# S4 i2 @
| ├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4 200.52M7 ~" J6 w. b1 p- W+ h4 B1 Q
| ├──7-CTC前向后向算法代码 .mp4 225.41M
. ?+ W: r( U6 t) s; \% E- J* X& r| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
% g( @, i$ f1 u0 `0 q| └──9-CPTN项目代码剖析 .mp4 491.69M3 T6 p" |( x9 ?$ k& y, z
├──24--【加课】Pytorch项目实战 7 t1 e% g9 t4 C6 g
| ├──1--PyTorch运行环境安装_运行环境测试
0 P: n* q- e; K a& C8 F' w| | ├──1-PyTorch概述 .mp4 29.29M
* r3 B# N! j$ F. `; f! Z| | ├──2-PyTorch的安装 .mp4 76.45M8 ?9 D% m* N, {5 \$ a
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M1 B% g% r" V6 ^+ V* o/ y* i1 a0 d
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
4 y# t. R* r) c4 q d2 g8 `2 {3 ?| ├──2--PyTorch基础_Tensor张量运算
# T% L1 s& X. A| | ├──1-Tensor的创建 .mp4 55.14M
! g/ w7 B, D( U! W7 ^| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
7 V$ A0 X6 D& c7 Y5 V' W' M4 }5 I5 M| | ├──3-广播机制_逐元素操作 .mp4 44.46M
3 V8 h. P% |- ]| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M$ M3 i6 Y+ i+ Y& j) S, ^8 M
| ├──3--PyTorch卷积神经网络_实战CIFAR10
; B# k2 @9 r* A2 D| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M+ w2 ?# c5 V' G; e
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M" l! _; @( X. @8 w7 c
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
) f* \" d* E9 x; B8 x1 A. o| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M: X& V" w) f- ?" l4 t! c3 }
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
1 H1 G! U( h- j$ j| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
' ], S9 D9 i2 @2 X8 o| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M i5 k8 D$ n- V$ q& B
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M! N9 O( B8 i/ Z* T$ z! k6 t% _6 O) z
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M, j2 H7 o+ @- x" o" ]9 C5 D- C
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M& j0 p3 X! K& {/ U: v) N, C
| ├──4--PyTorch循环神经网络_词性标注 8 j% Z9 X. x5 j3 Z0 H. ~
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
) N/ y/ ?; Q8 Q& W| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M5 {8 q$ s. R V# z# Z* B, v& q
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
, a/ w# ]3 e0 `% S. ~: e| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M& ?) F2 \1 {8 W J( d9 J
| └──5--PyTorch编码器解码器_机器翻译 + F+ X+ v" P! n4 u0 k% 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
4 J+ w7 J- o; J& z# j% H L| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
7 [+ d; d3 X s. O( ?+ @| | ├──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
$ W; u3 H5 y& \! J8 t; N: F| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
1 O& M( @. o8 @( d| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M# Z; y5 Y% h/ X5 h M9 U9 S
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
1 `. S" d5 u% ]5 [| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M" p9 y7 d, l. _: S3 u5 @4 ?
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M& K* l4 \7 m& H( d
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 9 \0 b8 J0 \/ O, @- \' _
| ├──1--PaddlePaddle框架安装_波士顿房价预测
" f g8 f# p/ p8 \4 ?4 l X; i| | ├──1-安装PaddlePaddle .mp4 87.34M
6 S2 Y$ t: g5 w7 G/ M( {| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
+ x- o( ^& _7 ^| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M$ o7 C; d4 {6 k
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M3 ]7 ~8 ~8 R0 \* {# ^" m) J
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
4 {0 {: C" w; y7 s8 {| ├──2--PaddlePaddle卷积网络_病理性近视识别
& ` J! i, Z5 V7 s7 || | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
. P( d$ V" ], w8 v1 n5 S' b. o| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
b9 p! e( |! {- M9 i: E& f| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M E+ x( K0 l6 q" L4 c5 E
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
. \: P: ]$ F# S| ├──3--PaddleDetection工具_PCB电路板缺陷检测
! ?# u0 X( e4 J9 ^7 D0 B+ P| | ├──1-PaddleDetection_项目配置 .mp4 82.88M6 \/ A2 J. K. ` l6 F) p( V& ]* n8 b
| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M
7 ?+ @4 g( B# T. k( T4 ~" [9 v| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
+ k+ C2 O. q" @4 g; \) ]$ c/ S| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
8 L: N( X) b% l3 o4 V4 _% r| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M8 r0 M4 N- p( ~6 z: ^ k/ h! O
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
8 W8 X. Q: l8 m: f| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M% K8 @% p1 K H; i
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
0 ^2 E+ z/ A, C- L$ n| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M' V# v" X2 @; G/ D
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
. S) j4 t) M$ X' [& l* y* E| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M
& v9 I" h8 ?: ~% q1 M| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
: e& |1 @4 c9 I) c% |) L I| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M; h. K0 G q2 Q5 U( q
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
/ a D+ V: z7 l0 ?% o, M4 Q| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
& a+ w% ?' G. Z% y$ Z, w2 Y( R8 U8 o+ V| | ├──1-PaddleNLP_项目配置 .mp4 49.37M# x+ d; @7 P2 X8 y) {
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M1 }8 w/ c( I( d8 L$ L
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
0 c5 \: L t7 p p| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M9 x; \" o V) o+ k! t
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
: \8 H% L) T' Z ?| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M+ N! j Y% v z
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M& E" f+ U3 f9 R1 \9 t8 J
| | └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4 80.58M
5 B/ B) Z: j/ ~! U4 ~$ || └──6--PaddleNLP模块_物流信息提取（ERNIE版） % r. B+ v4 e4 ~
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M* r/ e8 e9 W3 ^) M" l
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M2 B: r$ T: m9 C+ r: r" T: H
| | ├──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
3 `, i$ S5 l5 N8 ]! F X( a$ B| | └──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
1 k9 }$ i- K/ ]" _& x/ C├──26--【加课】Linux 环境编程基础 ) A, N# x" A1 G$ @ M0 z; d1 v
| └──1--Linux
- |; ~' B# v: a( |9 R" o3 k6 [| | ├──1-Linux_课程介绍 .mp4 3.72M' v* i" E' C. M7 q
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M. d; @# z1 J6 c/ l
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M0 K( {9 k/ Z! d# L& m$ `
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M" F8 U- f4 F) U" R
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
+ T# h% o2 C; K" x/ z| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M+ N% i* K4 L: y! E( I
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M ]9 m% Q _0 \9 p" R3 ?
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M/ ?. [( H; F0 n4 x
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
/ e* d# }4 n, [. B4 c7 F| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M$ p. b ]0 l; I/ n
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M8 z7 P9 T" n! H* ~& b6 M
| | ├──2-Linux_Linux简介 .mp4 17.59M
9 ^9 R( L6 k' l| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
& L4 \$ f% I M' g| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
0 A/ {: c7 @6 f" y& G/ [| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M" Z/ v% N9 D8 X ~1 J
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M' c& F: b& U% H1 E6 Z' {; b
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M6 m/ W1 \% ?8 x5 E2 B; Q8 [
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M: o1 @7 y `) q2 b! `) _
| | ├──26-Linux_安装MySQL .mp4 79.02M3 l3 i( G" ]& J/ b; o, E! b
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
5 m0 m' i1 h3 {; C8 k+ y }7 z' m| | ├──4-Linux_安装Linux .mp4 41.97M
; M' k+ x/ V7 G) c' A& _7 {| | ├──5-Linux_目录介绍 .mp4 20.31M
5 |" S9 Q5 [0 E! ^! U| | ├──6-Linux_Linux中的路径 .mp4 18.65M# E( s7 H2 r0 ~5 O' o
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
l7 s+ x. W( I# |2 Y| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M6 M) T) d/ d/ M# C
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
* j% n- W4 h/ ?/ e( |├──27--【加课】算法与数据结构 3 H5 A2 l' y$ [. _/ F* b+ \
| └──1--算法与数据结构
9 D" o: Q% ]+ n; M2 C0 K' P| | ├──1-数据结构与算法简介 .mp4 35.68M
/ x. r8 ?& W3 l6 [$ b| | ├──10-哈希表的基本结构 .mp4 54.34M
* W: }- A: x+ v& K/ V$ U- f1 `. _3 N: s; l| | ├──11-哈希表冲突问题 .mp4 75.92M
/ G" K( ]4 r) e s% T% P| | ├──12-哈希表冲突问题2 .mp4 72.30M
7 M% R8 \( A4 y4 S$ G/ z" ^| | ├──13-哈希扩容 .mp4 111.03M
- ?4 U8 ]0 P1 v* s2 ?. F+ e| | ├──14-递归与栈 .mp4 50.77M
4 r4 m2 v0 F; y+ `| | ├──15-线性查找 .mp4 57.80M4 U" }, T% n" J* r
| | ├──16-二分查找 .mp4 52.32M
' a5 o* f9 K6 W1 ~( P0 }# C) _( O: W| | ├──17-冒泡排序 .mp4 53.19M
. f* C8 [+ F, k/ x; a| | ├──18-选择排序 .mp4 43.29M9 K1 P' z: S k7 P7 V7 R) O
| | ├──19-插入排序 .mp4 31.39M
0 _( A/ J N" E2 X+ H| | ├──2-大O表示法 .mp4 25.59M
5 b, J& d1 W- N4 }| | ├──20-归并排序 .mp4 84.48M- O$ G5 F6 W4 R6 I X1 _
| | ├──21-快速排序 .mp4 36.63M$ u) j) I3 Z. `/ J9 t- j# Y v
| | ├──22-树结构 .mp4 96.85M8 ^( m/ Z4 O) m+ z2 x O
| | ├──23-树结构的遍历 .mp4 61.05M; }2 U9 `4 p- f+ E
| | ├──24-最大堆的增加操作 .mp4 45.43M
) k! `( [: v! X# D6 _( K) J7 t0 H| | ├──25-最大堆的删除操作 .mp4 45.63M8 o+ G0 V/ A5 d" G9 w* P7 F! W7 b
| | ├──26-二叉树的查找 .mp4 100.24M& Y9 f# @, t0 ]) e' B$ K; R
| | ├──27-二叉树获取最小值 .mp4 25.21M
& m! \/ d: r9 D3 I( T1 M| | ├──28-二叉树的添加 .mp4 72.66M7 E6 q& e0 c8 p: ~0 k
| | ├──29-二叉树的删除 .mp4 120.06M4 j/ Y4 Y/ D2 ^( \6 D
| | ├──3-线性结构 .mp4 53.14M
2 {5 Y4 y% w6 Q) Z& C* j& q| | ├──4-单线链表1 .mp4 68.36M1 a, E5 d; A. E( b. y
| | ├──5-单链表2 .mp4 221.69M
, P1 a. S% P) [$ o% r( s8 B: Y! ~| | ├──6-双链表 .mp4 103.57M
% {5 I& V2 _1 `" M2 X( a. R| | ├──7-队列(链式) .mp4 74.12M4 [ C, @( w1 B
| | ├──8-队列(线式) .mp4 30.99M
! A" b Z5 v2 \$ J| | └──9-栈与双端队列 .mp4 28.12M
2 X: h( [) A5 I8 }2 c+ f" d3 {├──3--人工智能基础-Python科学计算和可视化
7 |! H4 i& x% h4 g| ├──1--科学计算模型Numpy : e/ u, a& a' Z- @: @) C) V
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M' \. ^+ ~) b$ j: {6 p* ~% n
| | ├──2-Numpy_array_arange .mp4 35.45M" v2 M# y* f4 J7 q
| | ├──3-Numpy_random随机数生成 .mp4 50.54M0 F8 E2 V: }1 m. S! u- u5 {: F% o
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M, L9 D$ i8 N% H5 [9 l
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M h0 C" B; ~9 K: K- J( P7 H
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M% G$ D: K/ |: d' u5 N
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
" O9 q0 W$ l' V7 a. v3 d% s9 ]& || | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
2 A9 k4 q* T# I| | └──9-Numpy_聚合函数 .mp4 23.68M0 \! M) F! q6 U" i0 b7 F! p0 \
| ├──2--数据可视化模块 % P3 H' l, @; L2 V- a: j/ {- A: ^
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M7 T2 I- G {5 E' ]& Q5 Y
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
6 _" t( {3 ^* x& n \1 s9 F& ?| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
* a1 Y: K0 X( m/ H| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
( n8 _* n" o1 p| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
8 x+ B) t: q. z* ~/ _# I8 a& b; V| └──3--数据处理分析模块Pandas
/ s: b. a' }6 ?# A0 W| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M1 ]" Z, E% ]+ }% }3 @& e$ q
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M2 v# B2 B3 _( n' S
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
# d$ P q1 ^* ~8 O# B8 }& I+ Y| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
, ]2 r% v) E& p) a' \: N| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M2 f6 \4 T+ O @3 ~# _2 m$ P2 @
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
$ F0 O% ]* K* A| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M1 ^3 J; e' @0 L& S
├──31--【加课】 强化学习【新增】
, W5 Y B1 n4 {1 i4 `- ?2 h| ├──1--Q-Learning与SARSA算法 " O1 a+ g) O7 ~# h( P
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M5 \, L7 }) b+ u& L) X# t& E/ J
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M" q/ l5 X' D; S- A |
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
0 j5 R( }2 U% J" I) j0 \$ H2 Q, i4 \| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
h9 \ e' l r0 I" p| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
& e; ~" q7 C5 P7 ^" N4 C3 |0 W3 C| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M i1 Q" [7 n6 R! u( Z% L
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M7 @+ k% L; O% e* B
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M9 E/ c+ e, j" h; l" e7 A5 f
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
- [4 t: D- d8 t# I7 n; Q+ }| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M5 m# L0 V* U) j0 h3 a
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M' h" [% g) `4 k$ A- ~* I6 z, f
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
8 G0 X4 M2 H# a| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
$ [$ W3 x: P) ]( o- d+ d: |" S| ├──2--Deep Q-Learning Network . p" o$ e; i1 l: o' [! b) m. d
| | ├──1-DQN算法思想 .mp4 59.24M/ C; s, R9 _2 Q$ T/ b1 O
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
9 ]0 S) ]; B' I* s+ n/ d| | ├──11-DoubleDQN代码实战 .mp4 44.49M5 f+ l- o, f9 j
| | ├──12-DuelingDQN .mp4 88.12M! Z5 l1 y6 C6 G- E" P# f: D
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
' q+ V9 Q' d. ]( V- n( Y) N6 ]6 s| | ├──14-计算Action的方差避免风险 .mp4 54.23M
( t* N$ S S' b# N3 a7 R| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M6 i7 f" w$ z7 h! A/ U: ]( U
| | ├──2-DQN算法具体流程 .mp4 56.17M
4 Q3 a, a# l, Y7 [7 F& _9 F" c% m| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
7 w4 R3 H7 q- ?. B# t& }| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
# C, b1 @3 O/ g" f8 h| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
* a8 _9 P$ T/ U+ t| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M# b" S& ?- M4 K$ r
| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M0 ?2 r8 C5 s) \/ `: a
| | ├──8-代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小 .mp4 58.93M
3 M* @- i. P( A9 Z( K% r: e: ~| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M* t/ _5 f d2 }: ?% s% h% S
| ├──3--Policy Gradient 策略梯度 : [) o$ D& F; F/ p5 l( t8 e
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M, N' x V7 w2 r9 i8 L* m) k. v& X
| | ├──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 34.22M3 _- b6 D. y2 l% G6 N% j6 T5 _
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M) J5 G O, c& l3 @) |0 `
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M0 E$ A& e7 w5 L) [! K6 O
| | ├──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 N0 H" _( k H6 }' k6 i$ r7 o| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
. g. V+ c7 H8 `% Q7 N' l| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M$ k$ ?4 Y1 A4 I7 C% Z- K S
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
8 C4 n* r1 e K| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M, Y2 f: N- G: ? X- p* L
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M9 v" e/ {, @/ p3 J7 \& F
| ├──4--Actor Critic (A3C) ( I& p3 H3 z* d
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
% G& `4 w$ y1 @| | ├──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
. u }9 T) E3 u3 D1 c, l- h0 e| | ├──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
5 {6 q ?1 J9 M4 s* `: S1 k, ~| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M
1 P. L- Z! E# M1 l" @& y: c| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M- V% q' ^5 J. {+ K. @+ k& G* u
| | ├──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
3 q/ _$ c1 z1 i* U| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M3 x5 s4 I# G6 j+ j
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
; a+ M* X# A- ^| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M8 }6 s: |8 d- W: e: l: d5 X' ^$ s
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M8 _) i& n9 S0 O3 g ^; q
| | ├──6-A3C架构和训练流程 .mp4 74.66M
% a$ l9 N# L+ \4 S3 z! R# U| | ├──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
1 c. A8 c8 q# d2 v4 G6 z/ O, g| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M. z& B7 M7 _+ z6 U
| | └──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+ k" U# N8 K8 J
| └──5--DDPG、PPO、DPPO算法
# Y# ^& R9 ^8 U# B, V5 t& K# ?/ I| | ├──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 81.92M8 y; Q! t* q$ X( L. v
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
[0 s6 k8 D7 w: _% l| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M& Q, b1 _5 b# R9 `8 z5 c; r- A9 O
| | ├──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
1 `2 O% Z% y$ B3 I* e6 ]| | ├──13-DPPO分布式PPO .mp4 63.81M
, ~9 o; h; h- ]| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M3 \& n! o: w0 ~ P
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M, {) x, B: y3 b6 _0 ?
| | ├──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' v/ r _7 X/ `
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M( H; Q3 H: D6 E* [
| | ├──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 44.17M4 I: H* n; @: q0 J7 O, x
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M0 v, B+ z4 ?6 O) B2 V* n5 N+ T& S4 ]
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M; }( W- U: G# N5 N0 j T6 B
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
q3 Z' s4 `+ C, 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
) D# }: e0 r7 x! U+ J/ i9 H| | └──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
' I" t2 C" ]) M* [+ L├──4--人工智能基础-高等数学知识强化 ; }6 u% A, ~& p# Y$ |* ~
| ├──1--数学内容概述
& C- f. I0 C/ ]+ P0 C! e| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
4 h' R5 w' a3 v| | ├──2-线性代数_概率论知识点 .mp4 26.81M
0 {# U* d6 c- C2 R/ |$ q| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M8 [4 B1 \7 l+ |. S& y! U! t
| ├──2--一元函数微分学
1 _1 B+ o! L' z+ y; N9 u| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M+ Z- e7 r1 J/ X6 r* d. t
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
\9 x6 [: Q4 e& Q8 q' y| | ├──3-常见函数的求导公式 .mp4 22.76M7 J0 c/ c/ B' J: g
| | ├──4-导数求解的四则运算法则 .mp4 26.52M f1 Y1 _5 U1 h; d1 w4 A, s
| | ├──5-复合函数求导法则 .mp4 19.68M2 g8 @3 C( b( [9 J
| | ├──6-推导激活函数的导函数 .mp4 33.40M. N$ _! z6 O* Z ]* j
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
# I2 s& i; C9 h| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M5 v3 f- y' O- J+ ^6 a$ U
| ├──3--线性代数基础 5 l0 j u5 m# p# T
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M [' Q8 b5 D4 \2 B. C ?# N r
| | ├──10-矩阵的逆矩阵 .mp4 38.54M9 f, V% b# R+ }
| | ├──11-矩阵的行列式 .mp4 20.13M
5 [4 Z# z+ g/ [1 H| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M- c+ ~" C9 R- K: I9 K5 v) |
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M* m" E4 }0 V- _8 f5 n" S+ ~! _
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
1 h7 |) c) ?4 B8 y( N% L8 c9 r# G) o| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M. V( B" `4 B; `8 t' @
| | ├──6-特殊的向量 .mp4 26.45M
. R3 ~% F8 A% G! [ Y8 L, U$ b| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
% ?6 K5 m$ c5 l1 ^/ @| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M, \, j! u/ u. P( W8 B
| | └──9-矩阵相乘 .mp4 20.02M
9 W/ ?6 |. _# `% n. m+ _| ├──4--多元函数微分学 2 w% {( r# a0 L9 H" g
| | ├──1-多元函数求偏导 .mp4 22.61M5 ]: @ z: n4 N# K( H
| | ├──2-高阶偏导数_梯度 .mp4 27.15M C8 ^" b( \5 O9 d2 h/ E
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M! x; P, k% c6 N5 h) J
| | └──4-Hessian矩阵 .mp4 32.93M/ C0 p3 q8 E7 @/ Z2 i% e% O+ H
| ├──5--线性代数高级 + Z0 ^2 Q0 A; W# C' `" T. K+ v
| | ├──1-二次型 .mp4 27.70M
" u. b1 |# M7 K+ N/ t' Y% A; a| | ├──10-SVD用于PCA降维 .mp4 24.90M- }1 Z, s& ], R5 m
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
9 R( ?. t$ o2 `) _7 B| | ├──2-补充关于正定负定的理解 .mp4 23.48M& n% h- m0 o: j9 }0 I9 J, g5 u/ u
| | ├──3-特征值和特征向量(1) .mp4 29.83M
# f4 Z) P- b* h5 [8 d& `. L| | ├──4-特征值和特征向量(2) .mp4 30.07M
8 T. E' S/ u, |5 \4 ~ h| | ├──5-特征值分解 .mp4 38.68M
7 s( B8 u6 g2 u/ U- W- H| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M0 W. T3 u$ s& S
| | ├──7-奇异值分解定义 .mp4 22.58M
2 G4 d- i/ B, h3 W| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M5 _# t) o8 ?, k! U
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M- U; g, q* m% N" `. O
| ├──6--概率论
. H- @9 \2 K% T) ^1 i' O| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
* Q. E0 e, z; G4 L| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
8 k% b+ C7 ~/ W1 r* N7 Q) c| | ├──3-随机变量 .mp4 22.57M2 g9 F8 D& s; A( L- B8 \1 w( \
| | ├──4-数学期望和方差 .mp4 22.96M
8 ?2 `: a% g/ |1 s+ t9 c* S7 I' S| | ├──5-常用随机变量服从的分布 .mp4 22.48M! D1 o( c. B% R, p, I( j
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
( M3 R8 [8 \8 R- i0 E B| | └──7-最大似然估计思想 .mp4 23.42M) H( \/ E& Z- S/ b6 {
| └──7--最优化 " y4 v& c5 I6 [; J
| | ├──1-最优化的基本概念 .mp4 35.14M6 e+ k) I7 u) Y F7 e8 W
| | ├──10-拉格朗日函数 .mp4 27.46M9 D4 p1 U6 ^) @% X% t8 h" ]
| | ├──2-迭代求解的原因 .mp4 20.15M" H {# a$ p9 F9 C3 L; @ I& i7 o) J! k
| | ├──3-梯度下降法思路 .mp4 26.33M
) T$ @5 D2 T5 ^| | ├──4-梯度下降法的推导 .mp4 43.56M
+ a- r6 m/ f3 \, j| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
$ k: J5 U, e( D7 k3 j| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M7 l( H+ ?# u% q) l3 f" j* S
| | ├──7-凸集 .mp4 21.90M
" R5 t9 d8 O$ s+ u0 n| | ├──8-凸函数 .mp4 16.93M
/ b1 o7 q. i/ b8 C! K: {| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
$ f' h2 J/ u7 O- C' B├──5--机器学习-线性回归
6 M e% i, g, z| ├──1--多元线性回归
+ E9 |/ d( y% A8 N. ]5 J| | ├──1-理解简单线性回归 .mp4 51.11M
1 _) o/ @8 f* U1 A8 R# T4 N1 I( }| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
2 g4 c1 D: L8 `. d* `| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
$ o; ~' D. U* \| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M/ A, m6 t7 F0 H* y
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
! _- ?8 _3 `$ W6 p) j| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
! K5 L1 H* U& B| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M3 \. G5 h" _5 ~8 H, g
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M! z$ u0 {% a# k9 ^
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
# w" m& p0 ~: ?# J* T; w- m| | ├──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 48.31M7 s# g! r. y+ F( t L
| | ├──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& I; v- C! c: T
| | ├──2-最优解_损失函数_MSE .mp4 39.58M: i) F1 r" A% \7 `) m& }
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M" J3 G ]. K! L
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
0 Z( [' n9 v A6 c- V# p; k" J| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M* F# K6 Z$ a* a) E ^# \
| | ├──3-扩展到多元线性回归 .mp4 32.15M
# J: e# k! _/ H" j' f- D| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M5 \& T; E. [3 q
| | ├──5-理解维度这个概念 .mp4 41.41M
3 F3 X6 s/ V/ Q/ X| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M/ C/ T7 l: l) L- I8 r
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
0 \7 N- @% u8 Y0 D! E. X y| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M4 A; f P$ Q3 v
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M, C* e O# W: R [/ i2 p4 j
| ├──2--梯度下降法
8 A: g+ K" T$ ?( D! T| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
0 }1 U8 z8 [3 {+ T3 u4 _# t| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
_5 O9 Z2 B* d$ V a. m| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M$ U* k. L8 D/ N* Q$ t0 T7 U9 k( f1 V
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
4 \3 I8 X2 R5 {. D! n, w5 q' ^6 z| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
$ w$ W; k' @' M' P| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M) m, h4 d: S& f" ?% t( @; i: g
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
2 I2 d0 a+ ~) j# f| | ├──2-梯度下降法公式 .mp4 57.12M- H: m6 {9 F: t7 T- M) Q- n
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
& w$ T M: L# N; N" S/ \* @| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
! }* i3 f% Q( @. j: z4 i- L" p| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M$ ~ Z. E+ `, ^2 s* m. _
| | ├──6-全量梯度下降 .mp4 62.84M
- s3 L& c8 W0 W: x8 k: [4 H| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M& }$ J3 \8 Q, u9 W9 @
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M; D$ |- x( T$ h A* {3 ~: T# A
| | └──9-轮次和批次 .mp4 45.22M
* g, q$ R: S0 L# x& Y| ├──3--归一化 . H* a$ f) m! z7 u: ?
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M5 v( K6 [* q5 m I
| | ├──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 34.11M1 ?0 M: R& u/ w) c' s
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
' o1 b' N& ^# m$ _4 }2 r, D5 T| | ├──4-最大值最小值归一化 .mp4 24.87M
! r4 a1 ? N/ L7 q6 `0 T8 `& B j8 x8 o| | ├──5-标准归一化 .mp4 51.86M
6 i7 W! y- h! ~- N4 w| | └──6-代码完成标准归一化 .mp4 41.13M+ z* X: y/ K, v3 _* ~# v6 k: X
| ├──4--正则化 " k4 i* {4 V& Q+ Y0 k, c4 w
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
, J1 v: j, E" A/ _| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M9 ?/ |2 @& p' q% S
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M* L% J% O+ s, w B- u; H
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M+ J8 c4 q- C6 V1 _7 D, y2 n# F) [
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M9 i, Q- n5 B3 ~: I8 d0 N( Q
| └──5--Lasso回归_Ridge回归_多项式回归
. m, `& J9 m8 f% p6 T5 o| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
! N; }* h7 C5 O% Z| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
4 t$ i; x% g& q| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M$ n# f/ F3 F% ^8 s' p8 ], ~
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M' h4 \% f- t' V0 c! c z
| | ├──2-代码调用Lasso回归 .mp4 28.73M
- U: v7 h4 R' m8 U! t2 ~| | ├──3-代码调用ElasticNet回归 .mp4 53.67M ]2 }& r' B( q
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
" o0 m+ `0 t- E! @" |0 x| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
( G1 {$ V1 a3 l' j5 ^* }2 g| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
, Q& \+ n& g# C. l. G1 ^| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M$ `: @1 J* t8 \# q* v" K r
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
( R b4 m4 k( R% [1 {3 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% |7 J. |5 o& c8 x
├──6--机器学习-线性分类 / C% s8 k/ E. s
| ├──1--逻辑回归 * q; T: h1 \- D# ?" f/ p1 i
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
# u2 U" _' }. e/ P+ C0 j9 S5 v; O2 Z: m& g| | ├──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) K& v5 Y4 J% L
| | ├──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. y: X, x* S2 @$ A
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
1 T2 I! C) w* _9 B2 _ s8 [| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M9 `2 T! l& O2 m/ a7 _) N! h9 J+ g
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
/ j1 u7 x+ y* z. ^| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M: s2 E6 l- N: ]* G3 P+ @
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M! y# |; G+ I+ s/ }9 N9 a
| | ├──2-sigmoid函数作用 .mp4 38.15M
* b2 D0 ]4 D7 l @7 r| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M7 O! s( L! 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 41.97M1 h c; x) b0 {. J: F- R
| | ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的 .mp4 6.71M
, C, }! [0 b& s| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
" J1 _5 X5 u3 x% _6 @; V| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M- y7 m8 M+ A, Z7 G
| | ├──8-绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数 .mp4 56.56M" f. N3 f3 S, z' r1 S
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M2 L/ S% M7 F. n" r
| ├──2--Softmax回归 % V" W. p$ @/ [8 P
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
! q+ B4 F( A' _| | ├──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
- V; Z# p6 R$ p7 W; x4 `5 D| | ├──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
8 g2 ?0 }+ z0 Y- E) {: X) F$ \| | ├──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! j2 p: N* S' _) ? \0 Y
| | ├──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/ F' m: A# |6 T% v. M
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
+ N8 f$ J1 B+ m; e4 w| | ├──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
7 B- P+ F4 \ D" }! o; C0 P, |: F| | ├──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 28.15M0 K" R9 O! P% r# O, d) p+ G1 t k4 c
| | ├──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/ ^6 z ?- s- I- `8 g8 h
| | ├──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! i* l. I5 @: N+ w, P7 D7 b$ ?
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M! [8 P9 K' V! K7 e) y$ {
| | ├──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. m/ D4 j# s/ [4 K4 F4 _( g+ F
| | └──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
& _. H6 \4 l. ~: l: s% f# e, c9 \| ├──3--SVM支持向量机算法 8 e& X4 C ]1 b% f1 |5 h. A; k" t
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M6 x6 C& J2 }% c! F0 n( k4 B" W
| | ├──2-SVM的思想 .mp4 55.56M
$ s; G5 m0 B( ~, o& c| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
+ b! Z, [. r V W# s- O| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M( W: Y" h. W" R. r
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
, E$ N8 _0 G6 W: R' k7 F| | ├──6-总结硬间隔SVM .mp4 39.01M
, S4 R+ j+ A5 a| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
9 I9 I1 V) q# H3 u& Y0 a2 s3 k p9 o| | ├──8-非线性SVM .mp4 54.43M
0 `3 R: @5 \9 w: s+ ~2 {. \| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M9 A7 ?) ^% t; k/ W. g4 w! K# e4 t
| └──4--SMO优化算法 7 V) H* K3 e& g1 ]: u! S+ Z# x
| | ├──1-SVM算法流程总结 .mp4 58.36M
4 Z. ~ W5 e b* @7 w- f$ r7 }" }+ m| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M2 D1 @# T; h. q& Z0 C# t
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M( p- a0 c" q. _: s% X
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
, C+ D% A1 n! E+ H/ v( \| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
/ \ W2 u( S% y$ z( }| | ├──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. ]7 E; k0 }0 n3 A" i! X! G| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
4 R5 s+ J! e) m+ |& K| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M3 n' w. i! ]" a! a. ?. l
| | ├──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 L" u( B9 q1 S| | ├──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 V% @9 z9 `' P- i( y
| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M
5 u, @- G* `/ l| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M: S+ U, }# q x2 J: `
| | ├──7-启发式选择两个α .mp4 23.11M
) M. j! }9 f4 w: N% b" w| | ├──8-如何计算阈值b .mp4 50.18M2 h9 t/ B- U& _/ H6 \- K# c8 {
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M. R- ]2 ~9 Q: W. ^$ v
├──7--机器学习-无监督学习
! k% w2 Y* Z" P+ s| ├──1--聚类系列算法
) |' |' P+ i7 }3 r: I| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
, K2 V& o) r# x, B% s) E+ R| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
8 x6 ^. J# J- F k5 q| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
/ [6 w& O0 _- _% d- Z. a9 R| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M( ?; D5 ?: a3 ~6 R) C* m: ]) J
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
' P, v. l: l6 i2 C. I/ i4 K6 z. ?| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M3 g# P. f* s/ M( \0 w0 ?# K
| ├──2--EM算法和GMM高斯混合模型
+ K$ x1 D+ N" K| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M; s$ Q( u V8 O! _
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
9 y4 S1 z' s% A, w5 l7 p| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M2 V9 k9 P' m* O( Q L
| | ├──4-Jensen不等式的应用 .mp4 109.17M: L* L. P* {2 u; S6 y& x% |
| | ├──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
/ `1 b8 m1 n* i| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M# W W7 S2 }) A ?; i. j* O9 v
| | ├──7-GMM前景背景分离 .mp4 16.01M- R4 O6 _* r# i9 Z# w; V$ K* Z
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M' o! N- V- L$ ^4 b
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
5 Q$ x [0 A8 u6 h| └──3--PCA降维算法
7 x$ {' Y: H" L! e/ `| | ├──1-特征选择与特征映射 .mp4 49.38M0 I7 w* _" w1 a5 z* p
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
+ S7 F6 \0 j0 J7 j/ X: f r| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
& k" q( n3 y2 a+ h: O) t| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M* F# ?" [0 t6 \" U- |, _% C4 U
| | └──5-PCA的几种应用 .mp4 54.58M
6 P. K: @2 H9 H5 ~├──8--机器学习-决策树系列 : W! }; Q/ I ~
| ├──1--决策树
' `' L X! W$ e1 K0 z6 [7 i7 n| | ├──1-决策树模型的特点 .mp4 74.88M3 B: M0 O& ^0 x) e
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M" p5 w2 c* f! c3 D& v4 Q$ T, X) L
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M/ c1 W/ {& e& P, s# e5 t
| | ├──12-后剪枝的意义 .mp4 50.49M
8 z) ]1 V3 Z* X1 f! d8 H| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
4 O. }0 _/ c v| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M/ [* P( ~3 \0 }% n) ~% `5 H# f. G
| | ├──2-决策树的数学表达 .mp4 89.94M; p4 p5 g# e4 |% X
| | ├──3-如何构建一颗决策树 .mp4 84.87M; {3 m K$ I- b7 G+ Z
| | ├──4-什么是更好的一次划分 .mp4 57.02M b8 w( Z c( A0 ?9 t
| | ├──5-Gini系数 .mp4 107.54M9 s/ b" o" P8 ?3 z
| | ├──6-信息增益 .mp4 75.26M$ ], c/ H' {( B# F# D4 l
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
% h3 B- w" q9 w; O4 F, e| | ├──8-预剪枝以及相关超参数 .mp4 127.06M. z1 f& ~7 x5 K0 R
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M! L% y2 F$ x. m) I
| ├──2--集成学习和随机森林
* G5 j7 M# g- h; n| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M" j% X5 X" E6 J
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
: o) \! ?, B% w# s3 R2 ~6 P| | ├──3-随机森林 .mp4 108.14M% T" T( e8 N# [' m u
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
8 u+ l, @# s9 h5 U5 a9 ~& [# f! b| | ├──5-OOB袋外数据 .mp4 106.07M
& J* b8 k* [3 R| | ├──6-Adaboost算法思路 .mp4 106.30M
' `/ e6 N6 W: T| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M/ a/ g5 I# O' R# O
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M. m0 Z- z* T5 p/ C- K+ F9 Q+ k
| ├──3--GBDT
8 G r8 m$ S5 Q4 \| | ├──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
; J3 J; l# o6 ^ J* N+ N, v) 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 72.09M5 o3 `' X( |" x
| | ├──11-GBDT多分类流程 .mp4 73.80M4 ?0 ^& ]: \. C1 c. i {- E, y
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M) |, F6 t+ ^" J+ k. Z* ]% l* T0 b
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
* w7 W6 ^- |. k: ]6 ~| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
, R! [4 I1 c1 { v4 ^| | ├──15-GBDT二分类举例详解 .mp4 86.67M- s3 ^- z/ }* x2 x& ~0 K$ L
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
( Q$ A5 U$ h9 o% a1 t# J| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
0 H9 l: c0 [( d# o| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
! G. k/ f6 _* Y# I1 I1 w" K/ X| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
/ B0 d6 D, u1 M Z0 H, y. Q" x, i| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
6 I# d5 N6 O; ?| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M+ |# H' ^% S1 c
| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M9 Z& \' G8 b' W5 O
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
1 a% p' A" o" M; {7 y| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M6 [, f% O# p6 J; g5 m
| | ├──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. P$ p; v/ \1 n
| | ├──4-GBDT应用于回归问题 .mp4 84.66M( {1 O1 L Z3 ?
| | ├──5-GBDT回归举例_总结 .mp4 108.52M R2 Q D& C% e, M3 V% x
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M) H. b; u! c/ S+ q
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
- J- k4 T$ U; l0 S$ t, e& H3 _| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
( p( N: Q* G4 Y+ J3 F3 ~! W| | └──9-GBDT应用于多分类任务 .mp4 73.34M
# O' m+ [9 Y) x( L| └──4--XGBoost ! L) x; A* g. p0 T( F. _
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
& ]4 A- W0 B' D| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
, e% O7 ]: T* L; H| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
: V1 @, o, j' K% F, E; K; F: V( X3 k| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M# c! Z' ?! n, k5 s
| | ├──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& j7 Q( C3 Z/ X4 w
| | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件 .mp4 73.80M6 E. @: |( t5 T/ s0 b
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M- U& `/ j% P6 o0 ^
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M a: N. X/ _* w: L( D7 h& s
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M2 n: R2 ]* g Z8 q3 p
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M( x9 Y+ f/ A& q5 M
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
$ y$ }7 v& s, i5 i| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M4 O& d/ T! H$ I' R: r
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
' A. f6 A+ c; D j! `6 m| | ├──6-Objective_vs_Heuristic .mp4 60.42M# k% k0 [& ^! E8 {0 W
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M/ B$ n& K- v' _6 d% s
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
6 i1 u( v- f: H* z* I% N| | └──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
9 D3 r* G; T: b7 a7 ], I0 K! j7 ^├──9--机器学习-概率图模型
4 ]8 P$ o+ E: G! R) k/ X) T| ├──1--贝叶斯分类 - e( ]" M- T$ x$ X
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M8 B( G, }: r: w) r4 R( o; _) T
| | ├──2-TF-IDF .mp4 53.08M0 v( j* Z6 n- Z: a7 w
| | ├──3-NB代码实现解析 .mp4 126.73M
) L8 f% {3 n2 M8 _2 [5 C% N| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
& ?' q7 I2 f! y* _| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M; ?% e# o) V: m$ V/ A# o* F
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M s- f8 `; S! o6 D% s9 P; X8 u( A
| ├──2--HMM算法 / S( n1 z9 K" F& F. v
| | ├──1-HMM隐马的定义 .mp4 36.82M
) F. ~+ b" H4 F( k B1 V* Q2 A| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M; [+ G$ |* R. @* s5 d+ x
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
: h/ ~% a8 U6 v" B6 E- a2 y. I| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
# D0 x5 u" ]' T. p1 H| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M7 N5 U' p" v+ f5 W1 l
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M4 z+ t2 T- G" G, O* P- M% b) c. Q6 [
| | ├──7-Viterbi算法案例详解 .mp4 107.12M$ b$ r1 f+ {, t4 T' u, H
| | └──8-Viterbi算法代码实现 .mp4 42.43M! b+ T3 _5 ?3 H8 q [, G8 c Z* j3 Y, j
| └──3--CRF算法 4 d# z3 i* f7 ^$ C
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M3 W$ S0 Y4 W( i% x1 V6 q1 Y8 n
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M" {/ Q) @- Y/ ~; z3 I! ?0 e
| | ├──3-了解CRF层添加的好处 .mp4 105.90M9 _( |/ v& [+ u
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M" d/ h; O- f2 a- J, A" F, Y
| | ├──5-CRF的目标函数 .mp4 23.74M3 ^: O6 B6 S7 ^
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
' l# _2 v# U1 x% O M& t) o3 [| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M9 U0 X; b- I! A5 C
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M2 d$ W# |% r0 `
└──课件.zip 2.54kb1 e8 ]& x! O5 G5 n3 ^2 z7 F/ n
) T8 I9 H$ V# b$ O' `5 L, u5 f
" D! H V( e2 w2 ]! [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！
& S& q" P1 y+ L a, @
* n* f0 E. J. n. Q7 @6 i8 u m1 A
# V0 q: \0 D' p |
/1 
