战-人工智能2022/
4 |: F) T Z0 f* V, k├──1--人工智能基础-快速入门
9 O; f- y" ^. @6 B6 r| ├──1--人工智能就业、薪资、各行业应用 0 z& t) b1 j& O8 ~* r" f: N+ j
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
; q& }: a9 x* w: j| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
1 {2 c+ n* s, D6 t3 F| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
" p ?8 \/ v: B& B; s+ x& I. B8 E| | └──4-人工智能在各领域的应用 .mp4 57.73M
# Y% @2 g, o1 n3 o( J9 H" r| └──2--机器学习和深度学习、有监督和无监督 - K% g ]9 F7 Q# i0 N. I/ s
| | ├──1-人工智能常见流程 .mp4 89.62M
. A _8 O1 h& [. F) C| | ├──2-机器学习不同的学习方式 .mp4 83.51M
- g9 C' s8 p2 J2 H: T| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M- f1 B( U* t" J# B9 Z
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
/ h4 I/ k, ?. B$ a5 V* j0 w4 F| | └──5-无监督机器学习任务与本质 .mp4 50.15M; _4 }5 I' `) _7 A# S' [+ l0 A
├──10--机器学习与大数据-Kaggle竞赛实战 # \5 @6 C" [7 y2 r) C
| ├──1--药店销量预测案例
; S/ T! ~/ w: N( M+ P| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
& g1 j1 L- W* o( L: j| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
) s9 d0 {" }" e| | ├──3-自定义损失函数 .mp4 21.12M
- o" r: O' T8 U) i' V8 i| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M: ~/ H8 R- [2 h/ F! m* N: J$ d0 a1 i9 F
| | ├──5-数据的预处理 .mp4 111.81M
; D( }/ Y2 j: x3 ^| | ├──6-模型的训练_评估 .mp4 66.64M
3 b) Q; q3 V, w1 H2 V; h+ g| | └──7-kaggle竞赛网站学习 .mp4 172.16M
* \# H, b' e5 A( O# G$ x$ J4 X| └──2--网页分类案例 8 s! I- k: t7 `7 t% i
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
l; o( k& {/ x w5 i7 W8 i0 T- ~| | ├──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 85.63M3 J: k3 s. B2 }5 y/ f) n* k7 F
| | ├──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
. z) v- C5 i8 v+ A7 Y4 p| | ├──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 74.74M2 i9 {" l, u: m; Z" n
| | ├──2-评估指标ROC和AUC .mp4 56.19M! Q" C; s- W8 ]& W. e- C
| | ├──3-评估指标ROC和AUC .mp4 49.03M& Q8 E- T9 b$ X. L* | S& D; B
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
* S" r& E$ r6 ]" M4 Q' N| | ├──5-数据导入 .mp4 68.41M
+ P6 M4 o2 A: a( y+ _| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
) T6 ? u4 V9 K; v. O/ m. {& K| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M' v# d/ D! G; L& l" O6 p7 e* G5 o9 v" P
| | ├──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- {9 m& K, h R- I. E6 x
| | └──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 87.47M4 Q: d7 T7 b8 C0 D1 c
├──11--机器学习与大数据-海量数据挖掘工具 7 t$ A$ X6 L1 j# n- k* o4 z5 c
| ├──1--Spark计算框架基础 5 v5 G0 f: P( ]0 i1 X
| | ├──1-Spark特性_01 .mp4 41.68M
y7 f) u( S. Q0 { x2 S| | ├──10-分布式计算所需进程 .mp4 26.30M
. ]2 x$ C: r3 ]7 E7 Y) p8 O| | ├──11-两种算子操作本质区别 .mp4 56.31M/ F3 g6 n8 ]3 ]0 g: a0 R
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M, h. f; N: @7 R, `3 R
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M2 y; a2 }, T8 I, g. O: X* D# a
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M1 |% e3 K0 `( v' I
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
1 z" I$ J, O1 R, Z" f| | ├──2-Spark特性_02 .mp4 35.15M* x, u) M1 k2 X {. Z4 w5 G
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
5 x+ }" T9 g$ }- b7 X0 N| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M5 }, n# i* t3 @" d
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M. |. F$ l! {1 s( G8 V; E( n: `
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
1 @4 M1 i/ [" \4 e2 y; g| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M7 K4 Q7 z% }# S9 A5 P; M' G. I
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
- U4 E3 E! k3 J| | └──9-Spark的RDD特性_02 .mp4 33.41M
+ v2 c: ]: M X) i+ Y w' B3 g| ├──2--Spark计算框架深入 % B3 l& }( ^. ^, ^( D
| | ├──1-Spark数据缓存机制 .mp4 54.43M
. F; H7 t) A" ? H `8 \1 J( q/ s| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
1 g! ]/ X! V5 r9 F1 f# n| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M* h! J- Y, q0 `
| | ├──12-构建LabeledPoint .mp4 111.08M
, p- B( `# `! c2 X7 c| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M0 J7 w7 i& |/ A& H# N4 H- r
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
6 ]& y8 X$ [1 U6 d- ^ Z1 I| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M; y3 ~2 F( r# _# Y! D
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M9 Q" \$ G; I& s$ F. {! |
| | ├──5-Spark术语总结 .mp4 89.66M- v6 }( l! \& J5 }4 M
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M' c# l5 U7 B! x
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
! g1 T. v( C4 {# {4 }) f| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
5 G4 @, K+ [9 ~+ r, F* R| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
6 R, U/ u* M2 ?4 N5 u| └──3--Spark机器学习MLlib和ML模块 0 r3 P; f, x5 T2 G+ F; y
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
1 H% ?/ S3 Y. f" M' e; e7 [" v7 }* ]| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M! ?- P& c: L. |1 e
| | ├──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
& ~. W$ W0 b* S9 J4 q) C| | ├──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/ S2 T9 |' R; ]; {5 ]' s q, H
| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M$ _+ x3 T' {$ V* A6 r& o# x9 O: R
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
7 N( w2 ^! K$ b2 j9 G| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M1 Y6 T5 j% j6 D& e
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
+ w8 ~% [1 X. S( [- }& W| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
. s' e! S6 x( k8 v| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
3 X( r8 N! W# _& || | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
* q+ D! Q8 D; C| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M- O# B" e, ?, c- Q; d J: K
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
8 `% L# M- P2 H% O| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M) H1 b9 M; x8 t" g9 G4 }& C6 h
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
3 ?* Y- p! \) V0 z# u& L| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M0 d7 l P0 A8 M( A0 u; N Y
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M" q F* V% W! _+ r% G5 _
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M# ^$ D- x; r) p$ R" S8 t, V0 q+ v7 j
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M* r) o9 V$ F- e$ B- C1 r
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
$ Z6 z5 j* R! `7 a| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M" d' j+ }! |6 s
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
7 R6 x7 X( ?% o+ ~1 r1 L) K| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M( J& w+ W. g3 a$ h$ R/ q- M9 E
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M, k- G" w8 _3 C
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
" `1 F8 k) _8 n: H| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
" }2 }* r0 p) ]2 j├──12--机器学习与大数据-推荐系统项目实战
, x7 |3 C: c' t5 S5 J5 G| ├──1--推荐系统--流程与架构 : D& o f, `) g
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M* A* d9 r9 S" l4 e5 y5 b
| | ├──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- n( l+ E/ g* a5 G: B# V6 b
| | ├──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
, V3 g( D, B( ]: \, P6 x1 U) h| | ├──12-推荐系统_数据源_1 .mp4 79.07M
& X, N2 l( t2 R3 ~' y( v| | ├──13-推荐系统_数据源_2 .mp4 82.90M' N4 _8 ^9 _* G. C+ [: U
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
: I% E, @8 K% l; k: A| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M" C$ K: {8 z+ X2 \4 n2 e
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
: e8 [( t, F) K/ `| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M+ ^& z% F& {( o5 S4 D* ?
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
4 f* l& X; j7 V% c7 T8 E| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M/ `$ r+ A1 v2 K& R& Q6 J( F
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M7 \2 m6 b& B, J K) x/ A8 z
| | └──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: w) ]: O4 D9 a9 C4 s! g
| ├──2--推荐系统--数据预处理和模型构建评估实战 : C% a" Z. o1 |* t" B
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M; C5 E, B4 t q5 I( o( N
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M7 \7 E. H: B0 c8 b6 s% y+ N
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M, X- M1 z! k0 f2 C) B- x
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M3 G' M) a( w$ O; G. G: h
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M- T& S0 z# w# v2 Z
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
- w) i ?% j" U8 E) s$ d| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
7 V" x5 f, ~. V& l1 X, p5 j" L; d- `| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M+ k2 f4 g( E6 T0 O+ z
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M. O# a0 ^9 Y4 _/ t7 ^, N+ \5 a
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
; C3 L4 Y/ z* b, N| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M2 f5 R& V P0 |- c+ I
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
% w! f2 e- ~5 |& }) Z| └──3--推荐系统--模型使用和推荐服务
# e% z8 P+ I- n( || | ├──1-推荐模型文件使用思路 .mp4 61.89M
: o4 v7 V5 H( L6 Z5 _, G| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
. V4 [7 {. z( u( Z- Z8 X; `& u# v| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M& v: W. ~/ m$ r3 Q0 Z1 x
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M. r9 |4 @4 T2 D3 h: E
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M7 }, Z0 N1 N- R8 Y
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M: P9 |& e3 j) B* H, A
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
; L1 w# y8 ~7 c" R- e4 q| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M$ Z( I! @8 s" u0 e
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
}" a* S2 ?. @- \| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M# s7 e* r. d! r- L" w, ?
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M- _1 a9 O, i1 \0 u$ T! [5 D
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M3 R( g1 r) s L1 E8 x9 k
├──13--深度学习-原理和进阶 8 M" D# ]+ l- @+ L$ ]0 N" c
| ├──1--神经网络算法 + v t' t* ^6 q! ^, F' w( J
| | ├──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
c+ f* C) o1 y9 j| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M G9 B0 G( _3 G; w3 J' S
| | ├──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 67.67M2 L2 i7 ^' z" {/ A: D5 v
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M, ]6 b) r8 m9 o" e1 c. c
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M# M! I! g$ x- z
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
g: b4 Z% I9 J2 X l| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
' n7 ~5 J- y, {1 x7 I3 R" }| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
# L% o# w+ M+ k+ a| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
6 y4 {) j$ G) G \* M& p| ├──2--TensorFlow深度学习工具
0 [: z$ O% K6 L9 || | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
' S, ] z3 }& D| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
5 h2 r/ n% V5 z| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
1 o. m* f2 F. Q! {1 p$ Q6 I+ h| | ├──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& ? c, R7 h$ F4 S
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M( x! w% ~' ^7 L7 |) i
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M5 ?% {8 N5 E, _5 C8 Y
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
/ ^% Q' S/ i% ~9 @% U: A3 r* ^| └──3--反向传播推导_Python代码实现神经网络 - }. Q- D# ~3 A4 r, H9 @
| | ├──1-反向传播_链式求导法则 .mp4 86.47M# Y8 l/ |8 z8 S6 m) [
| | ├──2-反向传播推导(一) .mp4 127.90M3 U( I+ \8 ^! ]' r9 }, l4 V
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M4 d& i5 A1 r) M6 h9 }
| | ├──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& n: S- x( ~7 R" m# b. Y
| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M& w: x8 k# |4 `' ^6 S) g9 X" f6 E
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
1 G4 Y! h$ L8 ^# K8 N- ]/ ^$ u| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M' M3 W E. O: G, E4 P
├──14--深度学习-图像识别原理
' b+ d$ x* H6 s8 ?5 u) W- A| ├──1--卷积神经网络原理 3 J5 m* s/ J6 D. i
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M1 d6 [) B+ ~! w0 E: s& p
| | ├──2-单通道卷积的计算 .mp4 104.01M, \4 `! J+ {6 |% Y) g- ^
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
( {" Y) e* n4 L% m| | ├──4-卷积层权值共享 .mp4 63.93M1 y7 x0 b; A) `8 W/ {1 x M3 ~
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M- }0 O9 `9 B6 O3 I
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M' @: ?% T1 h$ B; Z% T
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
* }4 k6 E6 ]2 ]9 [| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M1 B, B3 ?5 x: A3 i, l
| ├──2--卷积神经网络优化 % M' X9 \( _4 M: K1 G. U: ]1 y, [- @
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M M- ^! M/ t& ?. t+ T( G
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
+ k/ S/ A+ }$ j- N9 T; c. ]1 U| | ├──11-Optimizer_Adam .mp4 141.12M
/ y1 L" P4 K+ A* y/ {8 X* L" V+ {| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
! @ X. x4 ~8 P( z9 ?| | ├──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. |' B5 B8 r1 y" c0 ^5 r
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M2 ~* l5 n3 _& c8 ^0 X8 I4 f& }
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M6 y8 l$ Z v: g; T' b0 ?3 S* Y' K! o! a
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
5 W* d9 j. ]% R$ C| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M' g5 g. X' P1 `( r
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M" g3 a+ i8 j% ]# y0 C8 ?" L! R' X
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M+ r- @& \+ R$ s8 X8 m1 _: p0 S0 i5 P1 O
| ├──3--经典卷积网络算法 . m/ a( t0 c2 d
| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M
3 U0 [$ [* E2 w' {$ l| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M/ ?: U- m% [) J
| | ├──3-InceptionV1_V2 .mp4 165.86M
* r) j# |4 x3 i7 {8 w, C| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M# [0 e/ U+ h+ H6 [
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
& Z& Z; U5 W# y4 c% N9 N| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
0 y; Y5 `8 o2 g+ G, e& X| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M. Z! S6 b+ j! i$ J2 A+ k( M
| | ├──8-BatchNormalization .mp4 99.23M y) E* }5 L; f- A
| | └──9-Mobilenet网络架构 .mp4 150.05M
( o: B& A6 M5 R/ X3 G( Q# T4 I| ├──4--古典目标检测 + Y* o) f( [3 n2 y" b
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
3 \7 s7 k- s! X/ v! w1 J| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M6 O$ p! g$ h! f! ^* f$ x, q
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
' i7 s4 Q& s' ]! M+ V, O3 O| | ├──4-R-CNN和SPP-net .mp4 124.06M
3 Y9 _ \" S- Y" R- @: b% y| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
+ _. k2 r' P* d7 W| └──5--现代目标检测之FasterRCNN & i, M- {3 k( Z* K V4 E
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
; o6 W! L, S7 p' o$ o| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
R' E+ [/ c& o( k0 z( ?| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
' s) U9 H/ S2 V1 C# I| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M; u: m. t5 R! Y7 b8 B$ l
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M1 a+ t" D: K& B( L2 M& r8 N
├──15--深度学习-图像识别项目实战 : }* K% |1 Y/ M7 W) W% Q
| ├──1--车牌识别
$ a/ I. _, M. _8 S| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
' n) l! J ]7 F m* q% ]- K/ l- N3 n| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
6 y g; w0 D+ Q* Z1 V| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
l ~3 k4 ]/ J% L& k/ ^. ]| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
0 k1 x1 T. C6 J4 J$ F x| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
% Y& v7 T6 K, z+ v1 P$ s' ^4 [| ├──2--自然场景下的目标检测及源码分析
, c/ K, B$ I# _1 G c1 A3 @- 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
1 C5 c! K6 l- T9 {| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
8 ^ Y& B5 K5 V D| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M: t) C2 A( t) @
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M; }! u0 r+ ^ V) |- Z0 K
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
6 F7 N4 i4 w9 i1 ?7 m| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M8 V, _) O% A! T" P8 X
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M9 D+ e; Q, n, o% A. T; j! [
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
7 a5 J' l: ]. n# |7 n6 Z| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
! u% x& R, e. U, B1 n. F| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
5 j1 J) L7 h3 @. {* V| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M% X" {; T/ x# P( L" H% l
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M- w: h/ m+ `% s4 Y& I) ]* Q. V
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
9 t( ]" W. c! d| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
]2 p: l" u. r) b. [| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
4 z& D, c# a5 J| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
; C2 e) M. k- s0 f# a| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M8 a" V! X8 ?. j4 X* o
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
- j8 v+ ~& T6 X+ @8 \0 u5 H. i, || | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
7 V' Q+ ~% D9 |# w7 e7 r+ U4 s| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M- _. t' g3 @8 g& m1 M: g2 X6 {
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M0 {% j( t- h9 ^# N4 U( f3 E
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M& d3 Q/ {" D; C6 l, j
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M) \/ g" x5 X' A0 q
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M- M6 p: f- D$ H }" j9 d- H. e
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
' I! u( \6 ~& c| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M4 ] d% j. h6 v* v- S# I5 T
| └──3--图像风格迁移
3 H4 ], n1 ~/ W, d( R* N% B" L; w0 \| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M, {# K! r) M' a K" G: d
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M) M% f$ Z6 o+ b' H5 X
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
, [0 F# `2 t6 m& m| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
. ]9 h V4 o# e% V( Y4 }1 Z. Y├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
& F8 z2 n) w) X# m* \* Y/ N| ├──1--YOLOv1详解 " P0 G; m8 {+ L. s H& _0 M6 S
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M& p4 Z) [6 m1 H9 A
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
& _8 K4 m8 H: _. k| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
7 i% G9 H/ H2 i- ~; ^9 I& L+ O7 ^| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M/ _" A) R! h5 y$ ^/ f& `7 A
| ├──2--YOLOv2详解
: \( h8 Q: J r/ u" ?( x* M) e \0 Z| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M0 Z4 W. h) q1 V* x, [9 W% n
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
; t9 [* u" Q2 G) d2 U5 H| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M4 l) Q8 q7 ]% @/ C# r
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
3 g* ^: w# q+ d5 d/ A| ├──3--YOLOv3详解 " [1 i) A) o# h& j2 V
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M( m" C/ G9 I5 v
| | ├──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
* R) Z) n3 Y" x9 T0 _6 O| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
/ Y3 ?- m4 V/ H| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
9 C0 q& }% ?! j6 U0 m3 i' }| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
$ P8 Z0 y% @: d1 H1 {# I| ├──4--YOLOv3代码实战 ; K0 O& z3 c% s# O' O/ I
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M9 ^! x! s8 w/ X i2 s A, ]7 Q
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
6 V8 N/ t+ a2 I| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M8 j. V9 X# H$ O: [# h
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
; A: L, J% |0 _& y| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
" `: F$ ]6 g. F* k3 k5 s| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
# R$ S2 Q' B& }$ C5 l2 [4 y| └──5--YOLOv4详解 6 ~) b' z" b6 I, w& G
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
3 D$ e4 n& k% x/ K. X* ^5 ^| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M/ h. v4 A# Q& B' I$ N8 u$ H% J- }
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M8 ]5 g! t3 |5 Z
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
8 X" m# [( z d3 K( J├──17--深度学习-语义分割原理和实战 / z4 q- z6 f; p0 a# O; u8 Z0 e
| ├──1--上采样_双线性插值_转置卷积 6 U; v* D( c( r' z2 E9 _; A5 n
| | ├──1-前言 .mp4 19.46M, X0 r7 i- u4 C p6 h
| | ├──2-上采样_repeat .mp4 23.90M
+ O7 r% R: a# T$ V| | ├──3-线性插值 .mp4 34.48M
! p v, Z- h& Q| | ├──4-双线性插值 .mp4 125.71M
" ~$ a' v- Z) x: W9 C6 y: D| | ├──5-转置卷积_以及TF的API .mp4 114.25M7 ?8 Z" O- N1 v, G9 h$ c
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M8 I, {* q; j& Z3 p
| | ├──7-ROI Align .mp4 58.38M
' u1 L, _8 }, J: `! a& s2 E! [| | ├──8-FPN思想与网络结构 .mp4 92.14M* Z' A B- C2 b
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
( P# W% @5 I% G* @, a, G| ├──2--医疗图像UNet语义分割 6 S; e6 D( c ~2 Z7 v' w
| | ├──1-语义分割的基本概念 .mp4 18.33M" t) i4 T0 w9 W- K7 o
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M/ O8 |/ X4 R7 Q+ I
| | ├──3-UNet网络结构 .mp4 30.41M
8 J4 Y; T3 B3 ^9 b# b. E2 s| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M) O/ i5 r9 t) Y9 d$ m
| └──3--蒙版弹幕MaskRCNN语义分割 $ @) ^8 e8 h( h6 G* _3 @- _
| | ├──1-MaskRCNN网络结构 .mp4 106.38M* I" h! @4 p3 d9 h: y* {) E
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
* J. ?5 ~8 E! x5 Z& n| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
) ~5 H. j2 Y; z| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
* K) m5 O R* ?, e" p5 ~/ a| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M p+ @8 e% r% _% T2 j+ @
| | └──6-MaskRCNN源码config和model .mp4 244.48M
3 _& e0 n* q) Z$ t6 g% [├──18--深度学习-人脸识别项目实战
8 M; d- H7 v! a' |7 Z| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M% v# e: U+ L7 u% z7 o
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
* h }+ r1 Q3 s9 N6 H6 R) W# y| ├──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
7 m. [& t9 o4 I( ^| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M; ~8 w& S& |7 g4 z5 |" s' N
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
$ F3 W1 R a: }3 E5 v" h: Y$ D| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
* z2 D5 b2 S5 \" s7 H| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
% V1 H1 C% N3 M/ e6 ~* t6 l& V# J| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
( d5 q1 H$ o; M1 ?| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
. L% D( E1 g# t0 P! O| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M: y/ W; S( _- q) Y8 o; G) ]0 Y: ~
| ├──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
/ }7 H+ F; e6 y3 d| ├──2-开源的FaceNet项目介绍 .mp4 38.07M `' n) z" D5 O) ]. o- D/ ?# U
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
: Q: q/ p+ K# L1 R| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M9 m% h3 c3 i6 R+ j# ^
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M2 Y/ B/ D7 P& O
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M( I4 e) i/ T# i2 U) T
| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M
" U6 l0 C( P$ z: c* ]' g# Q| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M$ F: u, V+ m7 Q, Y' B) H; ]' L# C+ n$ L
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
& f3 ?! Z7 P7 g2 C% k2 s: b& x├──19--深度学习-NLP自然语言处理原理和进阶
2 a+ k' K1 R6 S# c, i| ├──1--词向量与词嵌入 9 Z; W5 D( |+ r
| | ├──1-N-gram语言模型 .mp4 116.32M
! B6 S \% z4 j7 d" F1 p6 b| | ├──2-NPLM神经网络语言模型 .mp4 155.81M0 P& v( |3 ~" E0 E+ Y' E1 ^$ K' j
| | ├──3-词向量的作用 .mp4 58.00M2 o9 D* N& M" k5 H$ B
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
9 N d6 t5 }' l& f; I P| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M4 E! s$ @% E# J' e0 m
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
) T- }1 S- u) i; s* K7 R| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M. c* o. r7 m4 p6 [* V7 x% p% }, W
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
) Q$ H- a# H/ {| ├──2--循环神经网络原理与优化
# L3 d1 B( Z$ n6 s5 Y| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
" K, }; Z+ J2 z! d3 i| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M, Q- k' E$ K$ p6 l( ]
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M% y6 e* E0 R, ]3 j
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M( ~! T; j& p m$ u( x" N4 x
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
. j3 \3 S L. D/ p& P7 ^8 T% y| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
1 z. C+ [1 H% _0 \3 O| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M/ ~- W7 ~3 `. _! T! X
| | ├──8-双向RNN_LSTM .mp4 52.01M
, I) ]+ z2 R" W2 _* p| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
. U" I: R3 V" R3 b! I| ├──3--从Attention机制到Transformer
! Y& d) ~( w9 R& P| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
/ K; a) c1 ]6 F7 ]3 W4 \# p| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M4 H$ m8 O8 o4 l, z
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M* z6 X- H4 \! ]* ]7 d# H
| └──4--ELMO_BERT_GPT w: y- A! p7 h% v: @+ ^5 {
| | ├──1-ELMO .mp4 62.44M+ \9 m5 }; R+ L9 X6 t! M, K
| | ├──2-BERT理论 .mp4 99.73M0 k; `! Y6 w; h
| | └──3-ERNIE_GPT .mp4 56.34M- }1 e& F5 b! V! A+ D% j2 i) B0 w) X
├──2--人工智能基础-Python基础
* `$ f. S/ ?) ^$ @& Y| ├──1--Python开发环境搭建 5 r8 ^! x/ m$ h1 D- x3 d
| | ├──1-下载Miniconda运行环境 .mp4 100.75M$ s5 V7 ^& m& ]! o
| | ├──2-Miniconda安装和测试 .mp4 57.12M/ F( B9 w5 E( c6 B! @
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M ?5 o* Z4 |1 [# A& r0 ?6 r
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M1 b5 N# p$ e/ S c
| | ├──5-Jupyter常用快捷键 .mp4 32.23M4 l4 g( N. m3 P3 ]/ p
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
6 I+ q$ K- B0 m5 Y| | └──7-关联虚拟环境运行代码 .mp4 38.14M
. H# ^) m# H# Y. g- a& y( T1 t| └──2--Python基础语法 " G9 I3 D& h5 ^+ t
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M. d% G8 T. O, P' v' x' L
| | ├──10-Python_集合操作_列表 .mp4 34.71M
3 p1 K/ w# t0 F$ l| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M. U+ q* e5 A% I$ Y K
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M. V5 \2 L/ w# t- N
| | ├──13-Python_集合操作_元组 .mp4 43.46M2 p# j. D! d1 p* \ ~7 y
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
+ l+ b/ C0 k3 O: p8 j' Q- ]% _+ Y| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
3 i5 J9 Z7 w+ G& ]5 T" Z6 B| | ├──16-Python_os模块_shutil模块 .mp4 51.54M* p% _! w& ~, [7 b2 z4 K$ T( `
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
: B2 f1 |. s% z+ j| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
1 k! S6 V: A7 r+ U| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
5 w. L9 c5 A) L0 r! P| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
4 C7 D0 x: j- `- q, S k8 L* v2 U| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
7 `+ y8 W: ?. g0 k5 s8 \| | ├──21-Python_函数_递归 .mp4 23.46M
6 c8 K- Q* h, i0 w6 u| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M7 o+ X! c6 F6 I, @( _: }& I' d
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M2 t M5 m {& V' T' e' M4 ^
| | ├──24-Python_函数_闭包 .mp4 41.61M% s3 O! ]0 h4 N$ L2 U! ?) v) j
| | ├──25-Python_函数_装饰器 .mp4 30.35M
/ H) ?: m2 H% n- H2 M7 D| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
; S8 S0 D* l4 j2 J# g/ K7 v2 w; K| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
6 z1 u7 R. E0 l* U; g| | ├──28-Python_类对象_内置方法 .mp4 29.17M
! i/ a- K8 R* X' J Q3 g% J| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
4 T/ B3 a7 l3 Z4 L7 ?3 P- b e| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
% n* v: g, h/ A( U3 [| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M' n, e0 B, h* V6 T
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M- \3 w0 d9 A1 w0 F$ R! E( M8 f
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
" s( _2 m' u# k s" k5 ^9 W6 E| | ├──5-Python_控制语句_for循环 .mp4 22.82M* t, u8 x* X, ?
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
5 q" A1 M' d& A1 |2 B$ D n' ]| | ├──7-Python_控制语句_break_continue .mp4 25.23M4 D. K0 V! h& `& V ~* ^) n: `
| | ├──8-Python_切片操作 .mp4 40.20M9 w. T$ U2 Q8 J$ o5 ^3 B
| | └──9-Python_数据类型 .mp4 25.38M% ~: T& s% c9 B6 C7 I
├──20--深度学习-NLP自然语言处理项目实战 * f# Z( y2 V6 X" m( ^/ S/ b! l0 P; h
| ├──1--词向量 ' X/ U$ W$ P/ h) q1 `+ n
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
- f3 w6 ~% w7 |7 a5 q* c1 S$ ^| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M" ]7 @9 q; ?5 P7 O* @8 l
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
$ P- p1 v% D8 x. v' i! l| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M2 l4 @5 B- ^% Q1 r# S' j
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M# m2 Y, X0 t! B+ c
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
! ~* b$ }: ?7 t5 H2 p| ├──2--自然语言处理--情感分析 $ y, j- X8 Z" a$ {
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M! X# k, L% \7 ~% i
| | ├──2-数据预处理_01 .mp4 79.65M( m; x; Y2 h. O4 U
| | ├──3-数据预处理_02 .mp4 45.68M
$ x+ _4 I7 _$ a8 W7 ?, y c5 \| | ├──4-代码讲解_01 .mp4 52.29M" g( J9 Y2 F6 U, Q
| | ├──5-代码讲解_02 .mp4 60.85M
$ E8 z+ `) V2 c( O) w| | ├──6-代码讲解_03 .mp4 53.89M" N5 [" q" ?/ i K. g2 y+ O: R
| | ├──7-代码讲解_04 .mp4 57.19M2 q/ H3 c) K) \
| | └──8-代码讲解_05 .mp4 35.88M
\- \6 Q' }6 j| ├──3--AI写唐诗 5 ~. K- Q* z, G, @9 Y4 Y0 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* A# r) Q r/ _6 ]$ }* f5 {* v
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M6 ^. n( G& i: p6 P4 m
| | ├──3-MultiRNNCell单元 .mp4 38.93M
( f! x, b; q# S/ ?| | ├──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! S: |! R2 L, q0 E; r: M# S
| | ├──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! X) E3 ?( V5 I! Q9 I# \9 `- A' c6 E
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
+ ]8 }& C2 [; y' {9 C| ├──4--Seq2Seq聊天机器人 * G V; v9 K; `& p2 B
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M0 z, f: R* N, x- t% R' Z. a6 S
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
! E7 `- R5 q0 F; d| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
1 F% O2 e7 C* R0 D' W| ├──5--实战NER命名实体识别项目 6 j! A0 K! i1 X" T: {: p6 n
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
" Z+ h0 Y* d% Z8 F| | ├──2-介绍了代码目录结构 .mp4 23.44M
; h4 R! J2 @4 } `0 p t1 i. [) q| | ├──3-NER代码读取数据和预处理 .mp4 97.61M5 w2 H* q7 k9 X E
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M( H* q, t6 q C( q' ^8 W- c$ d3 J
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M% I4 O7 V( {; ^" f; F! b, B* o
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M- G" [' A. P0 l5 T6 x& N7 ^
| | ├──7-CRF中的特征函数们 .mp4 125.97M+ y* T* z6 U# H+ U: g5 A( B
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M. y$ a$ m! K* ~- x
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M, c, w; l$ D1 ~# ^( J
| ├──6--BERT新浪新闻10分类项目 ' [4 S3 J" Q! j/ u3 ?
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M: v7 N2 }" v' Q0 X p. I5 Q X
| └──7--GPT2聊天机器人
1 R4 f& {2 x6 ?1 \0 u* W& ~7 M| | └──1-GPT2闲聊机器人 .mp4 62.28M
6 Y' C* v$ @' M1 S0 f. k├──21--深度学习-OCR文本识别
% K- m; T7 B: u6 s$ G| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
j/ Z9 B# i, M0 ^# B( {1 ^| ├──10-CRNN项目代码剖析 .mp4 306.48M% u8 @8 ~. u m* f E2 @
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M+ k- z* c1 e1 q3 K0 q1 h
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M9 N8 V( E# k7 F7 a/ Y- a
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
4 H) X0 r. g: B0 `' h# p| ├──5-CTC损失函数的理解 .mp4 330.64M
3 {9 t4 [: V3 C Y2 W# \+ ]1 k| ├──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* M! o& u |! I* F8 J
| ├──7-CTC前向后向算法代码 .mp4 225.41M L4 }, T9 C( A1 a/ g
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M5 s0 ~6 \, v9 S: I. H9 }
| └──9-CPTN项目代码剖析 .mp4 491.69M
6 q! R' P- x% f* ]0 H/ U7 F├──24--【加课】Pytorch项目实战
$ C. i9 x B) t$ \| ├──1--PyTorch运行环境安装_运行环境测试 3 L" Q9 C! m L9 B0 J) P) j
| | ├──1-PyTorch概述 .mp4 29.29M( i; ~, I! F4 ~5 \ t
| | ├──2-PyTorch的安装 .mp4 76.45M _& y, e$ \: J/ Z% e7 Z
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
; V! f, h! J4 S. A| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M: y1 B( |- s" X2 W% N+ |
| ├──2--PyTorch基础_Tensor张量运算
8 W0 j& m0 z# m' t3 }6 `| | ├──1-Tensor的创建 .mp4 55.14M
- r; k( {9 p/ B: Q+ o| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
- U3 y5 E1 T4 B+ ~8 O5 K7 j/ l9 c% t| | ├──3-广播机制_逐元素操作 .mp4 44.46M* ?( j$ [# b% R) }/ g2 n/ |
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
7 H. o) r5 [8 @0 X1 a L| ├──3--PyTorch卷积神经网络_实战CIFAR10 : l( |2 X' Z% Y9 }$ N
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
& q) z1 T' `0 k r| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M! ]. G- y! O% E6 e' R
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M6 H) |: A; f$ t8 {) P
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
: ?5 ^- ~, E. Y9 A$ E9 f| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
; O' ~5 }; Y' o) U2 ]| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M% c& e* X% M) R5 @% C9 g
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
[) g" M l: r. Q7 z| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
" Z* ]/ D- _9 ?$ j| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
* Q' C, E+ h1 m+ V3 f) a| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M+ x/ g! Y. }% U3 m5 _
| ├──4--PyTorch循环神经网络_词性标注 $ E# ^3 f+ x$ w1 R3 W5 u. o3 z
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
9 A9 U# t, b$ \ j| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
) g* E/ }7 u u. h| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M/ @: Z1 B. x$ Z3 N# } [" R( |/ N
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
1 e* g2 c# e7 [3 F6 G| └──5--PyTorch编码器解码器_机器翻译 4 G4 N7 [6 S) l1 I6 j. P
| | ├──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% d6 ~. V+ _7 r A2 E7 m( y
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
& \! Y: o% Q6 J/ q k| | ├──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 57.69M5 [, d6 ^: W$ I3 n: B5 M, T: W
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M. ^' C( V% v0 B/ j' f1 ^
| | ├──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 O8 j& e @; _* W0 Y| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M, a h6 N8 z4 n7 D# b1 Q
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M: a* v, ? c* H# K' ]* U3 E' a6 h
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
, T1 j. Y* p" a├──25--【加课】百度飞桨PaddlePaddle实战【新增】 & O m1 P1 s4 j4 O
| ├──1--PaddlePaddle框架安装_波士顿房价预测
* ~ v' z, }) f4 C: s# `! A0 A| | ├──1-安装PaddlePaddle .mp4 87.34M
% b8 ?! F$ `3 [, ]| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
. `- J# _4 F* {8 s8 \1 F4 B| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
3 E' q1 o& q" G; \1 P| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M7 F, V5 L" t+ P' @$ n5 M) A
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M: D3 H: v+ @2 u% _5 ~6 r" m9 [
| ├──2--PaddlePaddle卷积网络_病理性近视识别
- u* V" f2 q: T9 E| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
; {5 o( D' [" f, i/ Z| | ├──2-预测病理性近视_模型训练 .mp4 86.66M7 ?" ^2 D* ~& f" o3 @( q$ z+ [
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
( v9 d5 k* s# i6 `3 c$ n3 s# y+ o5 ?| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
$ s! K3 S( m- p6 W| ├──3--PaddleDetection工具_PCB电路板缺陷检测 5 I/ Y4 n- H4 ?7 @% V* s
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M& c ]9 s+ k4 p' P! p+ e; `% V1 r
| | ├──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
% `; i6 I- K" C# W5 ?' h( Z| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M/ C9 j% F _8 ]% r, u; E$ f" s6 H
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
% ?" Y: L, _8 n6 i" k| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M1 ^9 _8 I% c! }7 k+ |
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M, P p. J! P4 S' X% t; U# g3 t
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M, v; u% X! v" o) o+ }
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
( s* ?# L6 F! ]$ Y| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M ^! m, S. M4 V( l& x
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M8 b/ L3 U8 h3 I9 W4 c) L
| | ├──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
& F: g$ E5 Z' q- k+ t g& A# B| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M/ T8 R$ J4 b0 O- a8 B
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M% @4 c* \/ `+ o* }0 \% c
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
- O9 I9 Y; S# _ ]3 C# a1 m| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
/ l; q- {& X ?* f8 W9 W$ P| | ├──1-PaddleNLP_项目配置 .mp4 49.37M P) X& |3 L {. ?0 p5 u
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
9 x/ k/ }# V4 a7 n5 \/ M$ o| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M7 b b, A& T9 r1 P! D2 w. Z
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
& _. D- X1 g8 g! J% ]- B0 w' {: P| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
& u2 ]. k! R* `| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
5 y+ v0 n0 F* w" V| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M% ?8 `* N* {9 U
| | └──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
+ ^0 {* V" g: A" f0 \7 J1 |2 ]| └──6--PaddleNLP模块_物流信息提取（ERNIE版） 4 I& w `0 Y+ J
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
! D4 B( {$ w3 B& A| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
) N) v$ e* S: q( E' e| | ├──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
$ ?- m6 E0 l& `$ c| | └──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
6 {- S X a& Y. ~9 R) f) Q├──26--【加课】Linux 环境编程基础 0 f3 ~1 L4 |3 t6 F0 x9 y
| └──1--Linux 8 U- m! i3 N1 `; ?, i& P) @
| | ├──1-Linux_课程介绍 .mp4 3.72M' V$ W, S% i# l6 I6 ]# J
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
" F& @# g/ f$ G7 I| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
4 G/ l* A# [4 l| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
9 \/ u% S" I2 F* {0 p| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M# o8 v% Z' `0 k3 k d
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
5 A3 X/ m7 M! N9 p7 a3 N$ s3 L| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M. A$ r) Y( ^# v+ g! W- k4 a7 a h
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M0 }9 A1 J% W; x' v2 G
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M2 M9 U- z# ^7 a& |7 B H
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
/ S$ S" w1 E; S* {2 a( }0 H| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M" b' A% B# G4 Y2 e1 ~
| | ├──2-Linux_Linux简介 .mp4 17.59M: l$ ?$ O+ Q% R" v9 `4 p3 \. i
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M( U1 K0 s0 f5 h2 R0 r- x$ I- I
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
8 \3 ~+ U7 ]/ j$ ^/ o) n+ R| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M0 D0 U1 \9 {7 D: Q& D ]
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
) U$ [+ N' t& V4 ?, m: P/ C| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
7 x c' u5 ^& g* I% d# k| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M. _) K, w+ T, X1 U
| | ├──26-Linux_安装MySQL .mp4 79.02M7 ^8 W9 D) N5 i/ z
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
" V# v0 P+ V/ @, |! h| | ├──4-Linux_安装Linux .mp4 41.97M
" V% f8 _$ W5 f! E7 d| | ├──5-Linux_目录介绍 .mp4 20.31M+ _2 r/ S+ Q( n% v5 ]8 s1 Q
| | ├──6-Linux_Linux中的路径 .mp4 18.65M) x6 x0 X2 A# `- E
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M! M% [6 N. |+ C% R" J+ j" i& K
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
" P; k9 @0 h W# r| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M0 ^6 E6 U" o4 `+ S; [8 }8 ^
├──27--【加课】算法与数据结构 8 ?, Q1 G7 L& Q, h2 e; Q, @7 Q8 a
| └──1--算法与数据结构 : x* S+ d/ i# A2 V
| | ├──1-数据结构与算法简介 .mp4 35.68M# K( I+ c) c) M: n% ~
| | ├──10-哈希表的基本结构 .mp4 54.34M* q& [/ }: N/ F* ~- a$ S2 I* M
| | ├──11-哈希表冲突问题 .mp4 75.92M
Y; z! x+ o' u; R; Z1 R n| | ├──12-哈希表冲突问题2 .mp4 72.30M$ t5 U* C4 L$ P
| | ├──13-哈希扩容 .mp4 111.03M9 E8 K& i2 f& C
| | ├──14-递归与栈 .mp4 50.77M
/ I* I* w2 G. S6 Q2 p5 G" E( V| | ├──15-线性查找 .mp4 57.80M
0 x( d; R3 d( O9 R| | ├──16-二分查找 .mp4 52.32M: e3 f g. M: M4 p# H
| | ├──17-冒泡排序 .mp4 53.19M2 k5 O( O% `5 E; x, w4 y; j
| | ├──18-选择排序 .mp4 43.29M! b2 _6 T Y; n2 s
| | ├──19-插入排序 .mp4 31.39M. F h) ]- c: |/ J
| | ├──2-大O表示法 .mp4 25.59M2 w5 c U- z2 u' ]
| | ├──20-归并排序 .mp4 84.48M- o/ l, [# j. L0 K$ ?
| | ├──21-快速排序 .mp4 36.63M0 j! K/ N& \4 w: c4 u2 l) [
| | ├──22-树结构 .mp4 96.85M& d# ]- a' p. Q- o- F: e
| | ├──23-树结构的遍历 .mp4 61.05M8 q) w$ p6 V [- G4 c9 m
| | ├──24-最大堆的增加操作 .mp4 45.43M
7 u2 M$ w& U, x/ v: X6 N; ^% X| | ├──25-最大堆的删除操作 .mp4 45.63M
3 n8 G7 U+ ^# x) O4 [+ K! ~4 V( C| | ├──26-二叉树的查找 .mp4 100.24M) W* Q0 Z! K% a% w$ h3 M% x
| | ├──27-二叉树获取最小值 .mp4 25.21M
% I4 s- P4 ]1 F3 b& m8 ~| | ├──28-二叉树的添加 .mp4 72.66M
7 J8 }* |) [4 h; R" e" N| | ├──29-二叉树的删除 .mp4 120.06M
0 j( V4 P0 H, `% Y g( Q% R| | ├──3-线性结构 .mp4 53.14M8 r) R; Q. F( @# N, s9 e* J
| | ├──4-单线链表1 .mp4 68.36M
3 m# w& d/ Y5 d1 g/ ~: c| | ├──5-单链表2 .mp4 221.69M
+ B, T9 y! e( C0 t# {| | ├──6-双链表 .mp4 103.57M
8 v( B+ z5 U T @+ Z% |( a2 l8 m' X| | ├──7-队列(链式) .mp4 74.12M; ` G- Y! x; A8 c w
| | ├──8-队列(线式) .mp4 30.99M
* q8 I; S4 z& q| | └──9-栈与双端队列 .mp4 28.12M
; O9 O3 A u# u4 R( |# ]- p├──3--人工智能基础-Python科学计算和可视化 9 Y. {3 x) i9 ?" i
| ├──1--科学计算模型Numpy 4 h$ s& [ I4 I# h" p
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
- a$ j. H1 c* U1 {! U; C+ b| | ├──2-Numpy_array_arange .mp4 35.45M1 w1 V% t9 Q% C6 S7 [5 f. D
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
, S: N8 B! _ ?. j; T' P| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
- H$ ?8 v- @; o$ l| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
9 I7 N: Y( u0 M| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
H; B2 q) P$ B0 N; z| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
u1 H) {7 |. f2 H2 K0 H| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M* n, d2 v0 x0 \
| | └──9-Numpy_聚合函数 .mp4 23.68M6 {8 s! w' [" e% T @3 P
| ├──2--数据可视化模块
1 b. W' o! w5 h# {' A! `' s* i| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
, H' g, r& A2 j- N/ j| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
# R* {. W/ q5 X% P) z| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M! Y, d& G" c) X/ Y t/ P* ?
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M& h. X5 J( a! M7 B7 Q2 ]8 t/ t
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M; b+ c7 F$ e/ O/ k
| └──3--数据处理分析模块Pandas 7 q1 }& o4 `: ~6 y" w# ]
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M- c( V8 p# X2 t. Z/ B
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M4 c5 I7 \6 m2 M' ]# \$ `
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M e: z# z6 \1 N/ }/ P" \
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
X+ I1 a% z& J. Q! d| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M, }5 B2 j) `: j8 P9 A
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
Z+ H1 G8 T6 `| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
+ c' s- L3 z3 P├──31--【加课】 强化学习【新增】 5 }6 V+ S! T# l) N0 A+ S
| ├──1--Q-Learning与SARSA算法 3 s% G. y5 d! S" i$ K
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
4 _: S9 {+ e" u8 |! r, ~| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M" t1 D( u4 `7 b9 \, f
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
/ t% U% \8 w: N2 A8 ?+ |; B| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
3 `; L3 p6 Y5 n( M) v| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
! A6 N/ w# Q4 A( G1 m: h; o. X| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
9 A: B- J/ {: t+ ?8 z) U! Y| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
: K! g7 p1 o0 z2 x| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
+ T. K( X, j1 D0 m' e) I| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
# E/ e5 o; L6 ], [/ a2 H& C& ~$ l| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M- D! M8 ^5 _; R" R+ ~, @
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
1 m5 N3 ^( _, ?% d$ c1 z/ C| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
3 \4 X- B" A' M+ N" W5 r7 J| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
, Y1 c$ y1 z" p% s; r; Z# e| ├──2--Deep Q-Learning Network
, f6 t& J. G7 I2 m| | ├──1-DQN算法思想 .mp4 59.24M
5 H3 g1 @$ U2 U. j; H| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M' |0 M/ B1 p1 F* u" W8 [# B) M
| | ├──11-DoubleDQN代码实战 .mp4 44.49M+ g0 n; j! }9 d1 Q! ]8 M3 w
| | ├──12-DuelingDQN .mp4 88.12M
, W: H6 N) ~3 p; @/ L| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M( z8 F( w; H: m# v! t2 o; ~
| | ├──14-计算Action的方差避免风险 .mp4 54.23M4 f4 a+ {- G- j n2 g
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M2 I& O" W) t6 w2 J. N" D
| | ├──2-DQN算法具体流程 .mp4 56.17M+ \# F* Y5 w, p
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M" R! @; L( |8 N3 w& n! [8 t
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M" s- t% ?& F ~! D3 M: X8 c( S
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
, F% Y9 {: h, k0 g+ q| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M* ?2 h9 P, R" v; x; u
| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M9 s, c( }2 U) v# \1 |; ^4 W1 X+ k
| | ├──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
8 V7 i8 y w2 `. `; y! G7 D1 u x| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M! H6 D' I3 I" c9 h
| ├──3--Policy Gradient 策略梯度
& @6 O% H0 h0 J+ O0 H9 J8 B| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M# R8 u8 l, f& w2 [. Q4 \% a/ w
| | ├──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
: R. v& f) P& }6 z. }& r- d| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M9 w- t! u- a5 L7 \6 P2 G- u
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
6 `- t0 C, j% m1 l) T| | ├──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+ w; \+ b' t/ I* X+ q# l
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M8 B/ h i( m+ F9 r3 n' l& ~5 H' @* y
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M& p8 N% {9 H; p) [7 q9 Q( C# h
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M. X# ?, C8 e3 W
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M6 A) N4 v+ ]/ l" d3 Q# ?5 n
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M% P8 A9 z) U9 R2 s) P
| ├──4--Actor Critic (A3C) ; f! w/ G4 t5 U: W5 ^
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M2 X3 s+ n# X) J# D' h
| | ├──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
" X4 _. {! ^/ d) @' e! r| | ├──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 M) e( E6 M0 n' v4 I| | ├──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
6 w& A9 ~% f6 Z# p, y9 c+ ^| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M: R9 Z! Q3 A, u8 i9 e1 P
| | ├──14-代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示 .mp4 47.18M* _, {- k, Y$ ~
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
& Z0 K) F' Z- D| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M4 x0 |. j1 j1 l
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
0 X. \. W6 m* _7 \| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M) c' H7 m/ m2 u. `
| | ├──6-A3C架构和训练流程 .mp4 74.66M
4 [/ c: k5 a# W3 U7 m| | ├──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, I3 q' O0 e; {4 M7 e! K$ j5 f
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
+ t! [) l9 [) s* {" A| | └──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
- H, }2 K9 G8 m' X2 P8 ]| └──5--DDPG、PPO、DPPO算法
4 i! v% L8 e; o) J" D' h' V6 M| | ├──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 81.92M9 l# ^* f2 L$ V n* F# V
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
- b: y6 D* i p! z+ K o( N' M3 t; 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 I: M" m$ K# Z
| | ├──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' c0 d% c3 B, e3 p0 x
| | ├──13-DPPO分布式PPO .mp4 63.81M
1 f" Q3 L8 X& l2 ]) q| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M' K$ K+ a2 K" O3 ^, E3 r- d
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M( s! w/ m7 [7 W8 `- b8 @, q
| | ├──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 51.45M2 r3 z2 P v3 u. v8 L( w! b6 ~
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M5 m2 w# u7 O! L( R
| | ├──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
0 H) Q) t. i& b" l, I/ c3 p6 V2 M| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M1 S6 Y) G C; p, k4 N
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
" I0 J& G7 B* a; {/ A/ o+ e| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
6 f# }$ ? l5 C9 h5 D' n0 g| | ├──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
% X$ C. Q6 e" 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
' h% r( ^# P3 j. | M1 p# B. \: U├──4--人工智能基础-高等数学知识强化 % [3 b( A/ d" I
| ├──1--数学内容概述
" y& o! W. K# f, S' m| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
. U" ~$ i6 P" q+ X4 [| | ├──2-线性代数_概率论知识点 .mp4 26.81M5 p9 r$ G% ^2 k
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
( H. c$ D5 ~) B4 \3 o| ├──2--一元函数微分学
, X. P' |$ k- I3 J| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
' s" \, D H) G3 l| | ├──2-导数的几何意义和物理意义 .mp4 14.49M- R7 f$ V( J: C/ Z; C! g
| | ├──3-常见函数的求导公式 .mp4 22.76M
7 a; G2 }" u% F' R0 ~% ^, K| | ├──4-导数求解的四则运算法则 .mp4 26.52M1 b' \7 }! R% j
| | ├──5-复合函数求导法则 .mp4 19.68M# Q7 l! _! d# i, c/ Y
| | ├──6-推导激活函数的导函数 .mp4 33.40M9 {: x& o2 Z7 [5 J& T1 P: ~
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M; _3 H* Z+ X) f4 r" C4 ^& O
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
; r9 }5 b' x Z' @# ^- U7 l| ├──3--线性代数基础 # s; Y3 l6 Z% B0 r; Q
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M# ?2 | H- ?: i$ g. }6 g
| | ├──10-矩阵的逆矩阵 .mp4 38.54M+ z5 N B/ ] r7 y' @, n( _, S
| | ├──11-矩阵的行列式 .mp4 20.13M0 f5 M" ?2 r, x! p0 o2 B) \
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M* J! k( L/ @9 B) w
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M5 z8 F- t8 x4 z/ u: Z+ M
| | ├──4-学习向量计算的用途举例 .mp4 20.32M3 s( A( @/ O0 v2 h h
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M% a/ O7 D3 ]' q1 X1 f
| | ├──6-特殊的向量 .mp4 26.45M; x8 b k; H' u/ K: w/ [% J
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M% e0 _' [0 E( b( d) f# H
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
& W! \/ r8 {& a' k; E| | └──9-矩阵相乘 .mp4 20.02M% `1 q) v& G7 e) @
| ├──4--多元函数微分学
& K8 O6 Z$ ?+ O| | ├──1-多元函数求偏导 .mp4 22.61M7 ~% Y, O& ~$ w2 _1 t
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
, ?# N4 ]' C. L1 L' K| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
( n7 J3 m i2 i6 |" o9 i| | └──4-Hessian矩阵 .mp4 32.93M
: h" n6 I t: x+ C| ├──5--线性代数高级 * C) _- J' a0 `, |+ G1 y
| | ├──1-二次型 .mp4 27.70M$ G1 i7 @1 }) Z0 z
| | ├──10-SVD用于PCA降维 .mp4 24.90M
3 e. y+ k" a; [* L* C& u4 Z| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M" z2 F+ H1 i( P. z: t+ D
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
* u, D' A' A7 Q( G| | ├──3-特征值和特征向量(1) .mp4 29.83M" H: z; K( G9 q" w; H) ^
| | ├──4-特征值和特征向量(2) .mp4 30.07M9 }& T" |! d$ K+ K* j1 G; c) f
| | ├──5-特征值分解 .mp4 38.68M, a) S9 `: f+ |5 ]$ V# g# N$ ^
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M: e+ e _$ C0 N; x
| | ├──7-奇异值分解定义 .mp4 22.58M$ K2 V5 p& u& V+ n, Q$ ?& k r
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
6 ?( v5 J" _7 l, ]| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
4 L9 i& N- P$ s' X ]7 u# O( @| ├──6--概率论
- F4 b9 C7 o% T, || | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
1 T! ^" o. F4 u| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M# }* v4 b- C2 K* ]; f
| | ├──3-随机变量 .mp4 22.57M0 ]0 u# w3 f; ^
| | ├──4-数学期望和方差 .mp4 22.96M
! q! ~. k) [! b: q ?! Q' R| | ├──5-常用随机变量服从的分布 .mp4 22.48M
- B, g! `' ?$ e% y$ V4 w6 ^) k| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M! {. z8 J; s! S
| | └──7-最大似然估计思想 .mp4 23.42M
4 z4 b; p# M7 || └──7--最优化
) d# Q: W' p0 j+ S| | ├──1-最优化的基本概念 .mp4 35.14M; K( U* B ?1 z* S' G# M
| | ├──10-拉格朗日函数 .mp4 27.46M
% n5 w) O6 O3 [ @* ^| | ├──2-迭代求解的原因 .mp4 20.15M
, _8 F# @4 O, L# Z+ M' X6 C| | ├──3-梯度下降法思路 .mp4 26.33M
0 W; Z( F0 E& Z| | ├──4-梯度下降法的推导 .mp4 43.56M
5 F& Y; O8 E1 w7 C6 r| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M4 {' R% V7 f9 B$ Q' s9 `
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M) _, r3 q* G9 K- G+ x- i
| | ├──7-凸集 .mp4 21.90M
: H1 b( ?' m! K| | ├──8-凸函数 .mp4 16.93M
# |- g& C: w7 h$ _1 g& {| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M" Y) W; U0 A+ R% ~
├──5--机器学习-线性回归 , ^/ d! a$ v! h+ q, T/ e6 s1 ^$ x* S
| ├──1--多元线性回归
5 F9 Z/ ^$ N1 \) U. i! n| | ├──1-理解简单线性回归 .mp4 51.11M& X7 ^$ X4 y4 @* n
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
. p' U# {+ @9 l4 ^* k/ H6 K: S6 k9 @| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M9 u [3 P% a2 J. Q
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
. T, N" `) v+ A, q| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
! t5 V7 V9 n1 ]" Q( {| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
! A! s4 F7 ~7 _7 e| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M3 p) V' ~/ _6 o1 ^$ J
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
# c) v! z+ B- M. ]+ ^2 k2 Q8 Q| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M9 l- N- o$ p. B0 `% i0 |9 Z( e
| | ├──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
# {. O* r2 u" @& R2 M, |/ a| | ├──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! V/ E: ] j" z9 t% V
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
0 C( L7 g' M: X+ B+ x3 }+ Z| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
! t+ h2 O3 _9 y" Z5 F| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M) I/ `3 o2 j+ E% M0 x
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
2 \& e4 s s; }| | ├──3-扩展到多元线性回归 .mp4 32.15M
4 ^7 H# b& Q# T& p& \. x# G* `7 ]| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M* X! f4 `- @9 l, R1 Y
| | ├──5-理解维度这个概念 .mp4 41.41M
) J& T) L" ]! Y+ m! j% T| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
- T% ]) M( d. g1 A4 z| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M2 [7 d8 K4 b5 X+ x' U
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M" ?5 I M/ h" n) E- l3 C) o
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
$ M+ B& s) H7 V, X3 v4 Y| ├──2--梯度下降法
- `4 ~: Q F$ [| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M; n- g# |( f5 r, ]/ t
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
# T7 G" O% c! U8 k( S( N8 d% }| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M+ t. ?' a3 o4 F3 [# T; Z
| | ├──12-代码实现随机梯度下降 .mp4 26.67M4 M% ~5 V- K! i9 e1 l( _8 M
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M) X& F R1 g6 G% F2 i- e- J: S
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M! n0 y# x* v9 _
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
$ S2 Q: ~ W* y% S7 Z| | ├──2-梯度下降法公式 .mp4 57.12M1 e; E+ Q: c2 S' |4 U
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
" Q7 c9 O& _2 ^" D% E! n) t7 r| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
3 i& x- D0 {" L& B' f: h8 l| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M& p2 M- O8 l' {
| | ├──6-全量梯度下降 .mp4 62.84M/ |; U/ j6 s3 g$ h7 ~7 P( D) c |1 d
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
6 {2 k( E7 l/ v9 l2 O4 T/ k| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M3 z W: ^3 o, v
| | └──9-轮次和批次 .mp4 45.22M
! e5 v1 G& x U/ N6 Q) J5 S| ├──3--归一化 / |' `6 K, Q5 A8 y9 L: |
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
$ ]" f" M3 V) C6 B9 d7 S| | ├──2-归一化的目的_举例子来理解做归一化和不做归一化的区别 .mp4 34.11M
9 `# K1 M' T0 G, v| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
1 B( _) Q, \0 C4 o( H! H. o| | ├──4-最大值最小值归一化 .mp4 24.87M
; n+ T3 D+ D& b7 @* C| | ├──5-标准归一化 .mp4 51.86M% U S3 A) s. U
| | └──6-代码完成标准归一化 .mp4 41.13M
8 g0 n0 |( L: A| ├──4--正则化 8 H; f! V4 y+ d3 e
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
& |0 z. _9 z1 \7 f9 \# l| | ├──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 @# Q3 a" U, n
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
0 R, @4 e2 K. C: h| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M/ M0 H& x! V/ D% ]0 q/ t6 ]2 d; r3 w
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M; V" n! r6 U5 Z
| └──5--Lasso回归_Ridge回归_多项式回归 ! |# g% n5 g3 z
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M: i7 P- z' B! e* h7 n* \+ r
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M2 A" U/ C- R8 L, h4 G E R: _
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
! J8 e7 y* ]. R6 i; c$ k. o| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M, p2 p0 u' y+ u
| | ├──2-代码调用Lasso回归 .mp4 28.73M) c8 v2 H: P, |9 G4 H
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
. ~& z# j% X6 u| | ├──4-升维的意义_多项式回归 .mp4 48.06M' e# z$ ?7 i' j% l
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M" h4 J) K" q& ~) [& A- w
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
8 `, V( Y, e/ H4 || | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
* r) n7 H/ a. K0 o) Q9 W G! G| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
: Z! @# C7 ^! {1 C| | └──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
1 F6 |' I7 X* n4 Z6 i├──6--机器学习-线性分类
; P5 |- K- e {| ├──1--逻辑回归
7 N' X) s1 R( ]6 N! f' `% X. x| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M! b9 ?4 h1 n0 m' N) _, e0 P
| | ├──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 39.83M2 c- T; i7 l" X# w& e+ H; v
| | ├──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
0 s: s# d& I% k| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M* B! Z; G; \5 J2 x- d+ _
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M0 q2 K( }+ A+ L3 d& F8 c3 ?
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
3 q# T' c: s/ C1 R1 K| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M' V- e4 C: c3 L0 ^& g
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
* A# Q9 _5 d9 @) s" O' o: a| | ├──2-sigmoid函数作用 .mp4 38.15M* n D0 D+ b* |0 @6 J
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M0 h5 z" g& ^ K: A' R
| | ├──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$ ~* i* E+ ]2 m( X
| | ├──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
* _4 R+ F0 Z9 M9 g4 W/ Z+ f2 |. q) m3 X| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
7 K* g, K: C5 Z! s. B4 m, T| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
5 c, C5 V7 [ `; |1 L# c+ l| | ├──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 56.56M6 p* D! z) e/ e; D4 Y* o
| | └──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
) I. \+ B4 j4 P& C& x# t G| ├──2--Softmax回归 $ g5 M9 O4 s5 S' R, p4 S
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
( l6 e! a) w o) Z+ ]/ 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* ?8 L& ?8 f9 C0 Y& }/ H2 j, R
| | ├──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
! o: g0 a- Q7 E+ D+ [| | ├──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 47.67M2 [$ w4 j: o8 L
| | ├──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
7 ]9 M) h& S; T" w5 U; L8 D| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
7 i: Y. h) ?5 z( j! h0 P; g| | ├──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
0 T/ b3 `- Q& h# G| | ├──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 28.15M9 _8 G5 R: _3 G$ 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' j, B, i0 h5 T+ e& G
| | ├──6-逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别 .mp4 46.67M
. R! t7 I: v- D, x( h& j6 d| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
! d1 z# j: q, O0 U| | ├──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+ h7 t6 O) x# j3 Y
| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M7 I1 o4 Y( ?' b: o h& E
| ├──3--SVM支持向量机算法
# m& H+ A4 |/ q" J6 c1 N| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
/ ~1 x; z7 ?# y* `| | ├──2-SVM的思想 .mp4 55.56M: V2 x2 d2 U& ^! \
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M% [& @) ~& U/ B, X2 P2 f4 y! O% Z" n( L
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M3 R9 ~1 S1 R9 s2 a0 d2 g- }! K
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M5 T" }( T7 K, x6 j
| | ├──6-总结硬间隔SVM .mp4 39.01M
1 V# S# R( P c7 L6 f- T% D| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
+ ^9 o1 C M5 u) U6 M& g| | ├──8-非线性SVM .mp4 54.43M
v% z1 R) o# Y0 I5 x2 i& q, z| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M3 `2 j0 G& P# C' |
| └──4--SMO优化算法
3 }! B+ d6 D& H+ ~' b| | ├──1-SVM算法流程总结 .mp4 58.36M
1 @% \) k8 C2 J: l0 {2 U( x/ T: l2 v| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M4 {9 G5 o7 R. D( m0 Q5 H
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M" o0 Q( z! @$ Z* u2 l
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
9 G# w8 l# k5 Z| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M3 ~3 s% d; {& c& o6 l# p
| | ├──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
9 r6 p, @8 q P$ p6 o' E& O; ?$ ^" _| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M- p! c3 u0 `) I4 d
| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M
% s" r, c' Y" D7 S) v: M0 _| | ├──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% O- X0 f* M/ d% l$ {7 o/ a
| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M
0 X9 ?( B4 I4 Y. P4 m| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M6 @# Y' W7 E: b+ _+ g
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M" I f" q/ s! ]
| | ├──7-启发式选择两个α .mp4 23.11M
" i( R* t. d n( ]/ ?0 o' z2 Z7 U7 b| | ├──8-如何计算阈值b .mp4 50.18M% X" f& I8 a1 ?; m9 E; n
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
4 W+ G3 A; m( G7 B├──7--机器学习-无监督学习 0 i$ x5 n, e! c7 n" y# G
| ├──1--聚类系列算法 , D I' h0 ^ O* j, \1 B+ X
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M0 D4 r" K# F+ z4 k: G
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M" T8 N6 l' e$ T) I$ E6 J
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
; z# Z4 Q( |4 x$ Y6 j| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M. S; K8 S( ^! W+ G2 O" J# W
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
6 a& B/ a, Z- p% f0 B/ _. J| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M$ a0 [) H- K+ E8 j- K
| ├──2--EM算法和GMM高斯混合模型
. q. a# |6 t0 U0 x. ?3 R| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M- f8 T. Q$ ?+ T1 H1 Q
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M/ u& V/ g0 z* e
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
9 T) c# i, _6 c$ V. q$ v| | ├──4-Jensen不等式的应用 .mp4 109.17M
& G* H8 x0 m. ^3 F2 n) m/ Y| | ├──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* I+ z0 [. o! ~, A
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M6 L7 t: x6 M2 B, S0 M
| | ├──7-GMM前景背景分离 .mp4 16.01M. k( C) t5 P4 V+ z/ V4 R
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M; o$ R# \/ z( S0 Y7 W. d* \. L
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
4 l7 S5 f) L: w$ t2 x| └──3--PCA降维算法 ( z6 B2 V4 s0 z$ d# q+ c
| | ├──1-特征选择与特征映射 .mp4 49.38M/ z) c/ k$ M; r7 y1 |# G6 K6 u
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
: Y4 J; u" p8 g: U- t7 X| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M+ p. l* l v0 q: n* _
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
: m: z: U* g: g- t" c8 Z| | └──5-PCA的几种应用 .mp4 54.58M
1 Q; u% ]) h( z$ {: m├──8--机器学习-决策树系列 . I. |1 D9 u# t
| ├──1--决策树 ; {" u, V, Y3 y
| | ├──1-决策树模型的特点 .mp4 74.88M; p5 y6 W; u5 j( M5 r# }, S
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
8 c K' w. z0 t2 e7 d| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M4 f+ A% v" t } W3 f
| | ├──12-后剪枝的意义 .mp4 50.49M
I' S1 J, _. o8 w* G ^0 K: U| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
% [- U" G5 ]- T/ q| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
( c0 f% O- u3 y* e) M4 I: j! x| | ├──2-决策树的数学表达 .mp4 89.94M/ i- v, x# \- v& ?& w
| | ├──3-如何构建一颗决策树 .mp4 84.87M! X( h- d9 T( `1 a
| | ├──4-什么是更好的一次划分 .mp4 57.02M
( D3 n8 b" O1 U1 V+ v$ E6 e| | ├──5-Gini系数 .mp4 107.54M7 \ H1 t6 } b# j7 N3 ~, I! N7 t
| | ├──6-信息增益 .mp4 75.26M) I. `3 L- m+ ]' \ Z5 E4 _
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
/ g i. U+ u, u+ ^| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
8 F; U9 c! s0 g8 e6 w( L7 V| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M$ P0 e1 y' R- X( }
| ├──2--集成学习和随机森林 4 _- ]" j9 j: O; l- ^) i
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
4 [6 i* O, u' l9 H) F, n3 ~| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M6 I6 N+ t) @5 P& m: d, b& }
| | ├──3-随机森林 .mp4 108.14M; H: `( H% r7 e- H3 S) z# B* W
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
* u8 I- Y6 G7 w" L( \4 y| | ├──5-OOB袋外数据 .mp4 106.07M2 }% Q% |' [5 I/ V& i
| | ├──6-Adaboost算法思路 .mp4 106.30M1 _5 u6 f5 X4 w4 p p, P5 C1 O4 _
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M: K( C$ k) r5 K# V5 o2 S
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M- q$ Q1 s$ e" t [; e
| ├──3--GBDT : B. C: }/ H( A3 a$ Q" g
| | ├──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' g; v8 ^2 G2 c$ ]$ D* C- i
| | ├──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( [1 q M& C% T7 r
| | ├──11-GBDT多分类流程 .mp4 73.80M
9 r4 ?$ T y: D8 w6 P% \# T| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
4 k% E4 P& U2 @! v" Y5 N4 P" ~8 H| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M6 l. ?) i* D8 r- P( J
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
; E, z& ?! y# s| | ├──15-GBDT二分类举例详解 .mp4 86.67M
* p8 D+ y8 F" H: X| | ├──16-GBDT多分类举例详解 .mp4 91.71M
. x7 J2 ^3 \9 H: r, e2 @9 a d| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
6 H7 ^0 T4 c" B3 I3 K% m6 C| | ├──18-GBDT用于特征组合降维 .mp4 43.72M6 v( z) U1 n; v$ b/ j; d
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
* T$ f) w& G1 o$ r! ~7 ?| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
* v; Z- ?) C3 q5 Z, {& P| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
0 x# o% J, i2 H L+ o5 B' Z| | ├──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
" q2 k" Z5 ]( b" i$ h" C2 _/ K| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
% l, D+ A p" V5 F `1 f| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
6 R1 [6 X" D; L9 L| | ├──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. a1 Z( [3 y9 m+ Z* ]
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
# a* O+ c( J e| | ├──5-GBDT回归举例_总结 .mp4 108.52M8 {! W8 Z: i; C$ R6 e" `$ s
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M# n. l7 c- z' A0 v
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
r) C5 Z5 n- d/ k4 ]3 e| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M( t6 O7 v# z! ^8 Z! Z4 {
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
6 l3 ~% T3 a1 g& |: ]| └──4--XGBoost
8 w& T7 C9 `+ ], b3 n. D, x) [| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
7 ^/ t$ F8 k6 ]. t| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M m4 H9 v8 W3 a& T9 o
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
& v7 w$ v. m( h: t% F4 ^| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M: L4 f0 W( X) D! N8 k
| | ├──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
6 K F+ b1 f6 V& H| | ├──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
! S4 W* q* W r" r- _3 o0 b| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M9 F. U9 o- r( O/ z! G% `
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
5 E+ C; y: W+ H1 ~! k% g- U. B| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M8 N* \/ R; ~$ `1 R/ T7 N* t
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M7 `& a7 L: }; v$ S
| | ├──3-基于树集成学习4个优点 .mp4 91.36M$ V* H3 a3 T" R( g& P
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
8 E( @) X ~4 `5 j0 @& \* f( V| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
8 O' U \% k3 q| | ├──6-Objective_vs_Heuristic .mp4 60.42M3 x6 Y* ]/ u8 }
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
. V# r0 w9 T$ b; W" R3 u+ |% U| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
' u5 `% D7 i1 N) c" || | └──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
! F, |- b4 H9 c% i├──9--机器学习-概率图模型
+ s: s( H8 j j. A, _" Y. F1 ]| ├──1--贝叶斯分类 ( B, {0 ~8 F! V- s$ k$ O" I! g
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M+ d2 J& ?* O9 f. [- n& W( b
| | ├──2-TF-IDF .mp4 53.08M9 \9 w# O4 l9 ^' I6 Q) H7 }
| | ├──3-NB代码实现解析 .mp4 126.73M$ }- N+ O6 F5 x5 D0 y. ]7 P
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
! y' h7 j1 f) N& ~3 l, o| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M8 i6 ~ x0 k* _8 R& c: B* v
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
! w0 E, \4 i8 x5 }| ├──2--HMM算法
% y9 M5 N7 ]; e. x2 u4 n| | ├──1-HMM隐马的定义 .mp4 36.82M5 N9 Q, S" B7 z" N
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M) ]9 v& q" y. c2 m& A" t8 ]
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
! {0 n. w2 Y" Y* `0 @. K/ v! g+ a| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M# Q+ q) u9 g/ ]$ }0 s$ _& N$ }% c
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
3 V) Q g7 S. A2 R3 E, T| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M0 u6 {; J _/ b
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
! v' [8 `' a6 F8 }. Y, d: || | └──8-Viterbi算法代码实现 .mp4 42.43M- u) T3 ^& H9 \+ Z4 v1 N
| └──3--CRF算法
& q5 ?# p9 T- v5 {8 [; n| | ├──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$ D$ c% O" N$ G5 G& G
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M9 @" ?* x- m2 d6 u" t
| | ├──3-了解CRF层添加的好处 .mp4 105.90M+ @' m* Y, k5 Z! \
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
3 G; Z$ |1 i8 O| | ├──5-CRF的目标函数 .mp4 23.74M' F9 [, ]* ^# v# _
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M8 d b+ i, ]2 c8 t- e4 c
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
, u- B3 Y: i/ Q; h| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
" V' L! K1 H9 o/ s, `2 v* J└──课件.zip 2.54kb% I# O3 D: D" T+ q- B/ E
! ~* A- D- }3 v3 P3 @
6 c$ Z0 k# ~; w5 }: t
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！
1 t1 T1 J. N8 k4 r, `0 [
6 @# L; M! I, h O" \
k; ?0 D I! x; K" q( B3 h |
/1 
