战-人工智能2022/
1 a. M) g. Q2 p2 z├──1--人工智能基础-快速入门
1 X, q2 a7 c9 j7 Z3 c| ├──1--人工智能就业、薪资、各行业应用 , B, \8 W+ Y" L0 r- G
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
+ x; i& ^$ o# }. w1 z1 H) L0 U| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M: e' h9 |2 k0 T& L9 `# j
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
- L9 d( V$ i* d# a0 G| | └──4-人工智能在各领域的应用 .mp4 57.73M
" B5 q4 K3 E. ?# l: B% a| └──2--机器学习和深度学习、有监督和无监督 9 {8 W2 T$ ^1 @8 ~" z7 y* Q6 d
| | ├──1-人工智能常见流程 .mp4 89.62M
; Y) \) F) \2 _: y2 X0 ?| | ├──2-机器学习不同的学习方式 .mp4 83.51M
1 P3 b( D0 p$ h6 F8 G- v# K| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
" A7 g0 D. n. p9 X8 u. Y2 ]| | ├──4-有监督机器学习任务与本质 .mp4 37.50M% U1 o0 L8 Z! R* f/ ]5 ~7 O
| | └──5-无监督机器学习任务与本质 .mp4 50.15M. C, u6 d- j) X% E4 ~+ K+ w8 s8 @
├──10--机器学习与大数据-Kaggle竞赛实战
+ ?4 }- Y8 r9 i0 G6 ~| ├──1--药店销量预测案例
" V r9 f; a: s& ]- D| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
2 A* D" S7 h, {6 T w| | ├──2-对数据字段的介绍_导包 .mp4 19.90M# x; B& u3 s4 U! ?
| | ├──3-自定义损失函数 .mp4 21.12M
- g u. Y+ D9 X% g- O| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M+ Y3 V: K# n. R0 Z& j
| | ├──5-数据的预处理 .mp4 111.81M
& Q3 ?/ v- @2 V1 j| | ├──6-模型的训练_评估 .mp4 66.64M0 h3 S, ~3 Q: l. ?: [% b
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
# g6 Y% v) l4 {4 J| └──2--网页分类案例 . O1 _: Y/ D* |# N" v) A' U l* x
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
/ ]! W5 Z; A+ b0 q| | ├──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 85.63M1 q- {0 B: U% }4 B- a% L
| | ├──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
! R, f1 [, I" Q: y9 L4 G( B0 G| | ├──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
' m' P7 h8 p/ |. x" w| | ├──2-评估指标ROC和AUC .mp4 56.19M1 N. S2 I; N4 r# K* w. c
| | ├──3-评估指标ROC和AUC .mp4 49.03M: W; k; w/ ~' S* j5 W# b
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
P" Y! [% F: T) O9 Y) C| | ├──5-数据导入 .mp4 68.41M' d$ Z+ K& N2 j+ s- ^
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M& s$ x f7 [1 c6 k
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
0 ]$ z! v- A8 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 62.48M0 q9 u3 K* a4 F; J: ^$ \( V
| | └──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
1 `+ Y+ W( V7 ]4 U% U2 y& K├──11--机器学习与大数据-海量数据挖掘工具 2 O" N5 }7 r5 l7 ]7 T5 M8 J9 u
| ├──1--Spark计算框架基础
( l: R) K; @% v" I5 \: l| | ├──1-Spark特性_01 .mp4 41.68M& q! E3 R$ h3 s% n& U
| | ├──10-分布式计算所需进程 .mp4 26.30M* M) d$ @) @) C! L& W \1 G+ Q( c
| | ├──11-两种算子操作本质区别 .mp4 56.31M
2 k* [' Y: K: [+ k5 t& f- K| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
4 {. f# _8 N: K# j| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
* r1 w& {# x1 W+ q' |% `| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M( V; R7 [5 ^$ Z, z
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
, ~: n$ @2 v I6 B+ L c| | ├──2-Spark特性_02 .mp4 35.15M
/ f7 m2 H% l% P7 |4 O| | ├──3-Spark对比hadoop优势 .mp4 19.34M; o+ j6 v: D+ ~( ^
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M! W6 P5 B# E0 ^9 W( e( t
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
3 ~* y, ?$ M+ t) d| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M: E' V" w: ^3 t" O! T0 J6 W
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M4 J" ]% t9 @( I" ?! `; w8 D1 F
| | ├──8-Spark的RDD特性_01 .mp4 33.08M; h. W' N5 I6 _3 H( } @) m
| | └──9-Spark的RDD特性_02 .mp4 33.41M: ]# C, h# |' d3 o# F4 Q% K
| ├──2--Spark计算框架深入
* {& D; s" i b8 V& y2 {0 c| | ├──1-Spark数据缓存机制 .mp4 54.43M" `# M4 j" s$ Q2 b4 d. `
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M' X& w! U2 n/ P) T9 A& Y
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
1 m" r, m5 q7 W# K| | ├──12-构建LabeledPoint .mp4 111.08M
/ J5 I8 g5 i, c& r0 w+ _: ]| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M$ A' `* T3 s7 v0 X
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M! O2 p6 O9 J& i. b) ?2 [" {- O
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
, g$ T: z: F! D1 m/ p8 n| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
0 U1 K$ `, [9 I3 ?! Y7 t| | ├──5-Spark术语总结 .mp4 89.66M
0 Z9 e0 u0 L& m5 I% S| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
k0 {; z0 i8 b, f- T. T) [% [| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
% l* \$ m/ U4 [| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
* n" |4 s0 n8 ^! |- y# Q| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
- `7 _1 c) `8 U" u$ e8 Q| └──3--Spark机器学习MLlib和ML模块
$ |) |% z# u+ g" T& S- D| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M5 Q$ I& t$ S* L& j, U! A8 [) u
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M4 W1 g' m4 g& V$ F6 N- m; }) |
| | ├──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
j- j: |- m, W| | ├──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. [# \1 l* F" s( y& ~5 J; Y' p" u) |0 e, s
| | ├──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/ L8 v4 l5 T! c) s, w- M
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M) H u4 S1 v' ]
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M. F% n( x, o P" B" V
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M' L# [6 Z3 E( k4 t4 i. Q3 ?
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M( }$ s( C M, q& X" r
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M( K. H9 Y2 s# q5 s
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M5 m) _ q1 ?3 S% [
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M. t- I+ B: \" Q/ u$ s
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M' ]0 W& [0 N0 c" P4 }! Q8 s
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
1 C( X# r% a+ E# c| | ├──22-SparkML网页分类案例代码实战续(1)_1 .mp4 143.99M
+ j' S& Z, ~4 q% }% [6 e| | ├──23-SparkML网页分类案例代码实战续(1)_2 .mp4 143.95M
0 G8 D9 T! L: f( B! ~+ Q0 H4 o* g5 C| | ├──24-SparkML网页分类案例代码实战续(2)_1 .mp4 177.12M. |. }8 j7 y+ i) U
| | ├──25-SparkML网页分类案例代码实战续(2)_2 .mp4 99.25M* S5 j3 k& m) N' [
| | ├──26-SparkML网页分类案例代码实战续(3) .mp4 9.82M
( L2 ]2 u8 q. k% F| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M/ y7 m$ ]2 u6 X' G$ q3 ~" @
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M7 F9 N4 O! K6 D3 b, _' I
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
7 U; l/ _6 V- s& G3 V* e7 b| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M5 V4 O9 i1 j& d8 P! W
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M: k( ^4 ~4 l1 i( p D& ]- s/ W I
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M( ^6 S! T; ?* S8 F
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M( T8 L" h5 ? c0 c6 r
├──12--机器学习与大数据-推荐系统项目实战 9 j" l* a4 h8 Y I$ o; Q" P
| ├──1--推荐系统--流程与架构
# S9 D" [9 b- b* A2 m: s6 b| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
$ J& a6 B7 o+ e- n| | ├──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# @/ F) d. w( Z3 ]8 ^' Z
| | ├──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
5 |5 D7 S+ p4 f7 | ]| | ├──12-推荐系统_数据源_1 .mp4 79.07M% u2 \9 N! c3 i% \, l6 {: h
| | ├──13-推荐系统_数据源_2 .mp4 82.90M1 X- J: _& u @- b; `' d
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
p C% l5 w5 F2 {, W& p| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M# X4 y# c8 j3 @, N) j2 s5 ?. M* m
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
' }( S; O) o" o) R: S: K+ F* P2 c| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
! @( Q9 s; q; r2 v0 v& K| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
& A$ z0 e4 V! Z| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
# l q$ q& G5 [. W5 [| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M0 `* W/ o+ q' S9 x
| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M
) x3 l' _6 m! V9 n| ├──2--推荐系统--数据预处理和模型构建评估实战 ( v1 A8 \ g* l) x+ Z2 m0 I3 _0 b
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M* _' k$ B, }7 \ j1 ?
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M+ z0 [4 i- b: c- n9 t- G2 u: R8 H+ S
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
" b8 v- |, d- @| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
) R1 l/ I" W' G( ?| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
8 f! X& f, u0 {, f3 O* I4 s* ]7 G P) B| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M6 y w$ p4 P3 E; U
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
: G! ^4 {9 [) e) j" d; r| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
2 p# G+ U9 s+ A8 g| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
2 `1 W. Y. q4 d( z# }* K: T; J| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
& J+ ^* M- v3 b2 i7 y4 N| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
6 D. ?" E1 ]$ z$ ~% P| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M6 D& F+ \5 o, w, b/ O
| └──3--推荐系统--模型使用和推荐服务 0 V! ?# m8 z" [, I7 }5 a z
| | ├──1-推荐模型文件使用思路 .mp4 61.89M" P; m+ w. @! r) ?) Y/ g
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M& T$ Y' x6 d4 R6 D2 [
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M* Z2 O& ?5 R- v4 t1 [9 Z3 q
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M8 W) h4 f& X& N6 E% W9 B
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M# o5 F( O6 z! `2 F$ h. n6 v% B
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
Z8 C4 T# g" X| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M8 X/ [% r# F' g0 @7 I X& U' Q
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M# r y0 C' t7 k1 ~
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
. i R: [/ h, f( X$ W# N| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
: y: g3 m! a" }( G| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M6 Y6 R6 f: G0 Z7 [6 j
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M8 S$ u2 `& g( B$ J: K' F$ Y
├──13--深度学习-原理和进阶
, Z' i: T) B1 Q1 `1 \| ├──1--神经网络算法 ; z# d: Q$ F0 B2 q$ r/ {, G
| | ├──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
' J/ Y% e [1 ?| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M: O$ F& p/ S$ _/ p \' I
| | ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M
0 j0 x6 M0 ]' c. B| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
+ u) Q" d4 ~3 {9 H| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M* q' r- [; R @& F7 c: ~
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
[7 q c& z1 u2 b9 w3 l+ Z( p! K/ @| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
5 k; a, {+ {% p/ j. [8 j| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
9 J) j! w& h X| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M, @0 M# C4 @. D2 V
| ├──2--TensorFlow深度学习工具
4 L9 G( w# F/ y4 Q/ R! `| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M0 j) G7 S/ e1 L3 ?1 A4 D6 y3 H
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M6 f( c( B* r# _
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M! r3 U$ G& R2 t$ `+ F
| | ├──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
Q3 A: d9 w, M| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
2 w$ ?* ?2 F: Z5 o+ \1 Q" J# t* W9 || | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
3 h4 ^1 g4 y+ ^| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
$ e7 f8 @% a5 q2 Y" b# H. H| └──3--反向传播推导_Python代码实现神经网络 1 ]3 c. [, O* ~; N( M: N; u7 J8 r
| | ├──1-反向传播_链式求导法则 .mp4 86.47M+ ~6 J4 E$ q* E: v7 _3 E3 K
| | ├──2-反向传播推导(一) .mp4 127.90M
: e( O" _6 c6 T# `3 s& }( Q# J| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M" A) W1 q1 Z6 z# E. 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
& M$ V& [2 v' k. N9 \8 @5 C2 L, m| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M6 h6 E) c& ]7 F9 Z
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M! `6 `& U. u: ~% D
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
! s3 p% A; Q, ?3 y4 f8 M' |├──14--深度学习-图像识别原理 / `: e1 Y& ^4 N/ ]1 d
| ├──1--卷积神经网络原理
8 D% m; Y& r& ^9 K }2 Q$ @| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
3 _+ @ q% J: x; ?$ T2 _5 c| | ├──2-单通道卷积的计算 .mp4 104.01M4 ]; b \2 F* U1 p7 F c
| | ├──3-彩色图片卷积的计算 .mp4 52.79M" k! ?# G" q. q' K
| | ├──4-卷积层权值共享 .mp4 63.93M+ \9 f) j' {. f6 d: ~
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M" p" I& r4 N! Y5 `% x- x, p/ J
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M' `: T% U) N% p& t T2 J
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M* o- [4 L$ g$ T. X. C
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
6 o1 j2 `4 X' e3 i| ├──2--卷积神经网络优化
$ Y2 U9 Y- o9 Z: p, o0 o| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M- u9 N" h' U* R- s& ^0 V
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
: [ S" ~! @/ `$ ?# G) ]| | ├──11-Optimizer_Adam .mp4 141.12M
D2 [& H# k/ h9 R, `| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
& m" a: N2 J' K| | ├──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% f' f! V" l$ X$ \# U! ~
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M. S! u% ^) @! T* _0 _
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M8 Q9 g( w l: T$ Z4 ^1 `7 r! a( Y
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
9 l3 Z. j6 }$ R, w5 || | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M1 ?# o+ r1 M# ?% `- O
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M1 r: G" g4 V' A7 S% u: e# X1 y
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M. l3 N: A' p+ S/ b4 a3 C! Q
| ├──3--经典卷积网络算法 1 s! y7 v: h5 v' G: T( C, ?, U
| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M7 c+ G( e. X- Z( C1 A+ [; n
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M" ^' m& N' w% D/ K( I" p [: }% [
| | ├──3-InceptionV1_V2 .mp4 165.86M1 B7 r! F- p6 A' e" P0 [6 O8 a+ a d
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M. [; l3 B/ }9 I) C0 a$ E
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
1 }7 i) Y% q' O& a4 f| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M) n5 |/ ?, P9 y3 f1 a- d9 G
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M4 A+ q8 ^ V' P/ P5 i; _
| | ├──8-BatchNormalization .mp4 99.23M
% U( G8 v8 v! F8 I# e# H| | └──9-Mobilenet网络架构 .mp4 150.05M( r, c( U9 s1 V6 h' J0 W3 G
| ├──4--古典目标检测 ) q7 }) v1 `7 j% m& B0 `
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M- z: j% b7 h2 J h7 O6 P ~
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
5 k& g/ x- x3 |, A| | ├──3-IOU以及python计算的代码 .mp4 23.56M! {0 W2 L% s7 T* r- N9 N3 N$ s9 [
| | ├──4-R-CNN和SPP-net .mp4 124.06M! Y: V) }* g: N6 x
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
d5 c# ^2 a7 J6 _% b$ C- P2 q| └──5--现代目标检测之FasterRCNN
9 a9 I+ ]7 |3 E| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M6 `' ~! I$ ?" Y. j- i' V
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M4 M; e8 a8 h8 }: q6 h
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M, K' @: C' V. ]7 y
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M1 u# _: w4 r# [4 x' r
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
( W1 o3 n% I+ I( T' a├──15--深度学习-图像识别项目实战 . e$ U7 ^* ^0 h6 t$ P0 v' ?
| ├──1--车牌识别 7 K& n6 f4 p/ [9 r' I" [+ o5 t
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
$ g+ R" M* F: ^) ~0 k2 s2 l* B* m* || | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M- ?4 Z0 p! w1 n: Y2 F* V! E$ k1 N& F
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
1 Q% d& J( Q- ]: o6 T. r5 F" V| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
9 t0 j2 U* H2 q0 |+ v% T| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
$ [' t/ E" J$ m4 Z. T; r| ├──2--自然场景下的目标检测及源码分析 8 K0 J3 B6 J5 O i" I( `. J
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
?0 C8 @$ }' ~. a" \| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
: O1 m& j0 \( [4 Y1 G! N# u| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M' C6 N7 S+ M( z" t# \( [
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
. L1 b; u$ A! N( z* E+ H4 S9 L2 p| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
7 C! r' u' X8 J; J| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M; n7 u& W" a: y4 h: F
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M" u, I7 H$ S& l
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
' S2 @8 _* p, j2 \. Q| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
) q2 M. Y( c. Y% F| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M# y3 n* F; r6 ~ u$ a8 t
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M. P0 l1 l2 I) y# x) |1 ^
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M- ]8 [' B& ~0 ~9 j3 T3 a# i
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
; T5 O' m/ P: M) x1 i I! ^| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M X2 ^. R9 u& W# R# Q$ G- [; ^
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
3 j% x# ]( L$ C* [| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M, K6 N8 C% Z/ S' x1 |& M
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M# O# @; A' ^% _- M
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
" m% Q1 z o! h; u! f| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M; K/ h: v; T) i$ Z9 K( l9 w3 A
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M$ n0 G2 m& H& \
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M& W9 j% f: S% S$ m0 ^ @0 m3 J
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
, _ ~) r$ d" J$ T. W M9 c+ e| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M% X1 ^% Y& _4 `8 }8 ^
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M8 T* R5 F+ M0 ]! d! |
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
( X1 C' ^9 z. f# W+ V| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
( g: _% ^" K; w. U- q3 c, z" t| └──3--图像风格迁移
+ O( z w* \8 A2 _; x( c| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
6 X# z7 }2 \, i! P5 h| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M. Q1 A: y+ N7 F- v
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
4 f8 ~) _+ i" }! M J| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M5 K( T' g4 C$ c) w& E
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
7 N' M b1 P( y) _7 E: ?' d| ├──1--YOLOv1详解
0 R# t& ~. `- A: o( v| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
) B0 r( v2 w& r1 v- A9 ^| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M" h+ n" z* K: i2 N6 Y- a; _
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M1 J/ w/ F& `8 G
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M) e- G8 k4 E0 W* ]! P) i/ Y
| ├──2--YOLOv2详解
+ O4 F/ n6 l% P| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M; X! m5 c E) E- p/ y
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
; T/ D0 F7 ]# x/ ^: [5 Y; \| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M9 k5 w4 K* F4 e8 z3 q# f0 [
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M; C/ e& y1 U) s1 m2 K
| ├──3--YOLOv3详解
7 N; H7 a0 { L4 Q& s) q: P( ~| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
2 K: m; K* T. Z1 y. e1 Q| | ├──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
* d1 n4 f4 O! N' ~( U| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M T7 m2 X N$ U/ E$ @
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M% G# ?6 r7 Y7 e' G
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M4 K1 }: Q3 C5 `
| ├──4--YOLOv3代码实战
2 ^( f, q8 x- e/ y9 y3 X. o: X| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M3 b) m% |" E e
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M6 k3 E7 H5 A E( f, R" v
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
3 L/ \( i, Z& `% A3 [| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M. u7 k. `0 R$ o Z. I* X0 r
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M. v# k6 Q7 L# m4 C% u
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
0 z) ^# o, d- y5 k7 D( c || └──5--YOLOv4详解
" {, z; Q4 \, X3 M4 o; e. z| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
+ x! o. H4 i/ \| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
9 G ?: J9 g; h8 n/ M* `) T| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
, y: `& X; ]* ]3 n; u5 f| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M; k" o5 P3 m3 k7 B
├──17--深度学习-语义分割原理和实战 ( U; `: O! ~3 @
| ├──1--上采样_双线性插值_转置卷积 - G$ o4 T( g" A) N% K/ G0 m
| | ├──1-前言 .mp4 19.46M$ B3 ?0 [3 ]# o) A8 ~; d# ^% }
| | ├──2-上采样_repeat .mp4 23.90M
7 d, d4 a/ `0 u" e( V| | ├──3-线性插值 .mp4 34.48M
: U. J: y ~9 d$ O- a3 f| | ├──4-双线性插值 .mp4 125.71M) j5 U2 x, I$ }& n
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
% N7 _, p1 c) V! j4 w1 u0 `4 @| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
8 Y2 A: m+ \0 w+ z# U$ B! m4 @| | ├──7-ROI Align .mp4 58.38M$ f9 B4 h8 b H4 D* t% A2 [
| | ├──8-FPN思想与网络结构 .mp4 92.14M
7 [5 P' s+ M: z6 x, \| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M# E; e6 u6 {; e
| ├──2--医疗图像UNet语义分割 : c3 a8 A N8 T, ]8 y+ |9 S8 B, |
| | ├──1-语义分割的基本概念 .mp4 18.33M7 O" y4 d [$ u
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M) _/ O. {0 L' S0 r* }( U; q
| | ├──3-UNet网络结构 .mp4 30.41M. b4 a9 D+ s" t* L8 U6 w6 V
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
6 x9 ^7 Y0 d7 p1 a' _5 k| └──3--蒙版弹幕MaskRCNN语义分割 ) V) H% a1 ~1 _9 n6 q, j+ A
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
) T3 |1 Y7 E' G( M7 D| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
8 s/ |, b" v8 a+ k& G/ T/ E| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M7 W- @) x/ o6 `5 k, L M
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M( p1 g% @ h: m, ]% n
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
5 G- J6 J" g) w- l| | └──6-MaskRCNN源码config和model .mp4 244.48M; i8 B- e& q7 N- ]4 ^5 V$ v" h
├──18--深度学习-人脸识别项目实战
* j! B) w7 \! v; A| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
1 f0 U0 [2 Z+ F4 u- Y| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M' q0 B: X$ ?$ c
| ├──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 66.61M2 Q4 ` @& q/ a9 G6 S
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
: z/ Z& _( W$ y| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M H% |/ y) `0 \$ G7 _
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M- \7 O0 T) x+ ~. g
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
! e" W1 G. m' R/ y! t- x' S| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M$ t; t. `& a& `" i
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
K7 V8 k+ p5 d| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
. w$ S1 ]1 Q- i% Y6 n# d' G| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M9 E1 M/ W' J1 P/ N! J) c2 V: I
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
' k, @( ~/ W: O" x| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
$ X& E: n" D; I6 n! A: y/ J6 ~| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M" X8 f) k. s) m/ c9 ^
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
+ z# F8 N5 D- v$ J/ Q5 o" f5 _ q% T| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
t) O( m0 H# v) q. b4 ~* B| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M6 r2 b2 T( ^1 b8 r8 Z
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
6 x0 d: o6 l* r. r6 d" H| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
8 f2 N8 G. B- c0 h' u├──19--深度学习-NLP自然语言处理原理和进阶 " T% G" i( Z$ ]" u/ ~: R8 h. {
| ├──1--词向量与词嵌入
* M" V, |7 P" ?" Q| | ├──1-N-gram语言模型 .mp4 116.32M
( b5 ], T f6 V$ R| | ├──2-NPLM神经网络语言模型 .mp4 155.81M/ m) ~$ R" e! f1 `- l
| | ├──3-词向量的作用 .mp4 58.00M O' Y7 p m; u" V1 o6 Y F; x: r
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M0 r; M# i& J5 L2 O: I
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M2 [, |) m( o X. z/ M: B! N! f3 V) S
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M( s- w7 R- J4 |( d$ O7 _$ Z
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
$ g8 o, J! ~' I2 s5 [| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M" n5 a& {! M! A& j$ \) P, j
| ├──2--循环神经网络原理与优化 ) ~: N4 b1 y p
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
# v( Y2 i% b' f| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M0 B6 f5 C% L% j; t6 W; B2 S
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
5 O& I- Q6 f1 ]| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
2 p. |2 P, o0 t1 @) }0 @9 f: f| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M: _& t; ?) ~/ r1 A% 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
& S6 O6 U( E( T( E1 [: }# l| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M+ \* \3 M8 S; f1 L# M$ x3 X
| | ├──8-双向RNN_LSTM .mp4 52.01M$ B$ T2 l( j6 m5 B% F' g
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M4 n1 m; w0 Z. u+ f; U# d$ O5 F* B
| ├──3--从Attention机制到Transformer 3 e8 ^+ {! A2 a% {( ^
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M0 I) T9 c. T/ I3 B& }+ h
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M# ~( a: X& x+ E* T J% D! p3 S
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M7 j7 }* K! I. n; {$ o2 k8 p, k: O
| └──4--ELMO_BERT_GPT " B: ]* c5 `7 r1 C" V
| | ├──1-ELMO .mp4 62.44M
) p7 x. `( f3 [2 O' i; l* P9 H/ h| | ├──2-BERT理论 .mp4 99.73M- l4 s; B7 Z% w/ k
| | └──3-ERNIE_GPT .mp4 56.34M; l* r# }' r u0 u& N
├──2--人工智能基础-Python基础 % \' Y' I) m$ H3 g+ [8 `2 @2 {. \$ s
| ├──1--Python开发环境搭建 1 L3 E- n: x6 m0 O
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
1 U6 W4 W) h7 y3 C, Q| | ├──2-Miniconda安装和测试 .mp4 57.12M4 \7 h3 i6 |6 o3 p2 D1 u
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M7 W4 d! }8 J: v. P5 h- n
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M) t) [0 ~) p# ?# I& d0 c$ V
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
7 {0 x' S) D& M) I; G9 K# L| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M: a. ^; ~4 u& L N; K
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
& R1 o5 N7 }0 i- i: q; X# g| └──2--Python基础语法 : I' O( o. r' r( H) }8 G
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
/ ?: [5 B# Z6 y| | ├──10-Python_集合操作_列表 .mp4 34.71M5 j. V( Z# L) ~7 A! H
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M# C6 D' {! R5 _! \! @% d
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
+ p: P) L6 l! N| | ├──13-Python_集合操作_元组 .mp4 43.46M
f, g* m# ]/ R| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
3 g" n, R3 m. i# }' {| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M* j6 e( s: P/ z, ^& O
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M2 M! Y( M; h( x5 u6 x6 q
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
/ I& Z& e J' H" I7 Y| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M% V, g2 @4 c4 E% P. ?$ @
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M X3 w) e3 A" E0 d/ t
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
. {+ F% l2 o4 l1 _| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
% R" e* x& K* m0 k' M| | ├──21-Python_函数_递归 .mp4 23.46M$ y0 ?% n4 @ ~8 R
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
. `% ]* N9 F, S2 U9 t; G/ `| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
: B" | t/ c# N- G- z2 G| | ├──24-Python_函数_闭包 .mp4 41.61M
* P* G ?' A! Y; @8 X| | ├──25-Python_函数_装饰器 .mp4 30.35M$ p4 f9 ? W5 _) }% Q3 J- ^
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
6 P, C+ p0 M+ ^8 P| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M" d- O& i% [( \; ?4 S$ g
| | ├──28-Python_类对象_内置方法 .mp4 29.17M/ n2 g" S" F' q. f" s9 u Z
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M* b: t/ u1 c" a7 V8 H
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M( t2 A3 K+ Q Y. Q
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
6 f2 J$ m1 a- D q: M5 Q, j| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
' `. q- I3 U- Z2 k: C! `: F" R| | ├──4-Python_控制语句_while循环 .mp4 25.02M+ ?# C: {" }- W- q+ L, ?
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
3 J" I9 J# e0 Z4 o5 Z: n| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M8 H/ ?5 |* _, A0 o n7 p6 X1 V9 [
| | ├──7-Python_控制语句_break_continue .mp4 25.23M0 ]% H- k& S7 t) w: U3 ]# B6 i& b
| | ├──8-Python_切片操作 .mp4 40.20M
4 d9 H# b/ ^) `5 q8 z! [3 e| | └──9-Python_数据类型 .mp4 25.38M$ t' M8 k0 R; y A
├──20--深度学习-NLP自然语言处理项目实战
1 P. \3 }5 @, ]: o& k| ├──1--词向量
7 x& H3 K* |* ` v1 v( f| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M: c8 R& C3 t' m* Q' j' N4 e
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
% x( _" J, P5 U+ W1 l+ V| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
* D# U8 w1 X7 Z5 H| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M9 }: B) ^, j: U. u# Y8 S
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
( d! Y L: S3 M4 _* N8 l% Q| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
3 @1 o) Q' w; X; k| ├──2--自然语言处理--情感分析 ) b. a! ] I: j. M
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
. {, e1 n% E+ O+ n8 H| | ├──2-数据预处理_01 .mp4 79.65M( ]0 F4 T& G* P4 z$ Z8 u+ {
| | ├──3-数据预处理_02 .mp4 45.68M
+ O" t, B* }5 x2 x| | ├──4-代码讲解_01 .mp4 52.29M! I; ]( h& U9 n- p# U- L# F
| | ├──5-代码讲解_02 .mp4 60.85M
7 l: W' S. E0 H/ c( v2 q| | ├──6-代码讲解_03 .mp4 53.89M
! j( y8 P( ]( U| | ├──7-代码讲解_04 .mp4 57.19M, M" O, ^8 x/ b% Z n
| | └──8-代码讲解_05 .mp4 35.88M
' `! ~, U/ q# R7 i) b| ├──3--AI写唐诗 1 U$ L _6 n# }, s$ ]3 U
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
- y4 h+ O6 d! }1 F& {2 ~| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
' U7 A0 M/ T1 y& A5 N3 K| | ├──3-MultiRNNCell单元 .mp4 38.93M
" i( M' A( ]+ }2 s9 @# n' w& N| | ├──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
9 p: y. ^8 p- @# t| | ├──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 61.73M2 R& }9 q% q) u0 I. n5 T
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M: z( i* ?3 Z/ H& b( Z" {
| ├──4--Seq2Seq聊天机器人
: T) a2 u5 I, ~, \! || | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M3 k8 C0 U3 \) b7 J! D* j
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M; H% j7 _3 V- I1 t9 T. @6 m
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
! }8 f S' t- k, E/ ^4 W| ├──5--实战NER命名实体识别项目 ! D; `; ?4 ] |' V
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
3 f4 S+ _; f$ }| | ├──2-介绍了代码目录结构 .mp4 23.44M
3 R) m5 Z6 Y4 [4 f+ z| | ├──3-NER代码读取数据和预处理 .mp4 97.61M: g0 n. ~: t! D7 Z
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
2 _' }1 T1 q) V* { L( \| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
- M, `- G4 I/ O, i' z% t" w| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
# r6 n7 b5 R! [| | ├──7-CRF中的特征函数们 .mp4 125.97M
c! q1 G9 _# P# ^| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M+ u$ c! N0 P b/ M O, ~6 i+ K' P
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
* f% u& x- T" |; @! p, Q/ P4 F| ├──6--BERT新浪新闻10分类项目 # f# K1 i+ y. W
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
' d5 ]) N1 p* B% y. `( r; |3 h# ?| └──7--GPT2聊天机器人 : u8 \! p9 E4 n
| | └──1-GPT2闲聊机器人 .mp4 62.28M
0 s) }+ s. F" M" x; u2 d├──21--深度学习-OCR文本识别 * y8 V# H6 U3 A3 y0 a
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
3 t9 \/ l3 [8 d5 U| ├──10-CRNN项目代码剖析 .mp4 306.48M7 x6 D% @& b6 S/ n7 s4 d; {5 l1 J5 {
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
- L7 g1 |& P6 w7 p: ^| ├──3-OCR识别的CTC损失思想 .mp4 327.69M/ _* X4 \/ H4 l
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
: K( w5 [' }0 M9 Y( \ w| ├──5-CTC损失函数的理解 .mp4 330.64M
4 N( C4 B0 H) Z" }, J4 Y* v& x| ├──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! G) W2 }- R0 p+ @1 [% G
| ├──7-CTC前向后向算法代码 .mp4 225.41M3 w: n/ Y d- s9 H; {8 [
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
" K! a! J. N. d/ J$ K: Y9 ~$ q| └──9-CPTN项目代码剖析 .mp4 491.69M
$ s. a0 F6 d# x( u! C' X├──24--【加课】Pytorch项目实战 0 c6 `! X H) i' e" s6 S4 T2 I4 B
| ├──1--PyTorch运行环境安装_运行环境测试 4 l, A, p3 p3 H0 v' m# C8 K
| | ├──1-PyTorch概述 .mp4 29.29M
% w6 w6 t7 _/ t; S| | ├──2-PyTorch的安装 .mp4 76.45M3 C; H& `- I2 }, k( ?. `$ g
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M/ z% L9 a. `4 N+ Z' R2 N
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M+ E) ^) L6 L2 Y! a* `4 f
| ├──2--PyTorch基础_Tensor张量运算 - S5 f$ v6 D! ]( u5 z8 c. h3 I! E
| | ├──1-Tensor的创建 .mp4 55.14M1 [ D* B4 m/ ^5 f, ~1 |
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
, \' a) P$ A1 e4 O: v5 Z- P0 E| | ├──3-广播机制_逐元素操作 .mp4 44.46M
$ `2 p1 H' Z8 x+ z j k+ o| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
. u6 `4 X) g0 p| ├──3--PyTorch卷积神经网络_实战CIFAR10
$ a% y* M2 X7 V8 T1 c- A| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M* |4 ^% c! s* `7 L- s
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M! v/ w( a" P9 Z) }% @; J
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M# h6 T; I( A1 w* @; L
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M% E1 W6 q& h5 Z
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
7 D# h/ S6 K: C2 A) ~& H6 O; r6 t| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
' @; w: |- W4 h2 I' G! r| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
0 S2 z: S5 `" w- ^; J| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
# k6 [" ~+ P' ]$ k) c$ S, A$ x, v| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
( N& Z8 ]( g; S2 R5 Z: R" {" U| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M+ t# l+ r3 V0 N. G3 y
| ├──4--PyTorch循环神经网络_词性标注 & @+ I6 f4 F7 W
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
; N9 N# x% ]& L4 O| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M4 m& `7 o& b3 `' k" Q8 y
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M1 E% W# \/ }9 s% o/ ^8 ~/ B; G
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
8 f* z3 X8 o, b3 R: b' K| └──5--PyTorch编码器解码器_机器翻译 8 G, k9 U! D1 S$ X& T8 F
| | ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4 50.41M, c$ G! I5 J1 i! [2 |
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
. C5 P/ L$ R5 ?| | ├──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
1 {6 Z2 r9 o. w8 @) L) ]+ {| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
. @! k6 d9 E# p) i3 p- t| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M' R) f& h* ^( v' v
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
" K5 F9 l) v' ?% F C| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M' ^8 Z3 j3 f% }! C& x" E
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M1 U; R, x: O X1 Q. m0 I/ u- f
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 u" m( N( h1 \* ] E
| ├──1--PaddlePaddle框架安装_波士顿房价预测
. u$ f; i( F' T! M p# B' J% H| | ├──1-安装PaddlePaddle .mp4 87.34M
" O& ^- q( H- _* c" ^| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M3 ^& L" H; w0 t/ r3 H3 _4 ?' _
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M( ?4 G3 r+ I( \6 _, o7 j# t2 ^1 t
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M7 n5 r; Z1 W7 U
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M9 H) _; C& z/ w |, j0 H
| ├──2--PaddlePaddle卷积网络_病理性近视识别
- I1 f7 c7 D8 u7 h| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
9 E& m+ r5 D, X. S| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
# T. u" j+ z6 J9 d# ?| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
3 {+ t9 z8 M9 G. ?$ r+ Y! | x| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
6 ?& Z9 l0 ^2 _% S8 b% I& t3 _" f| ├──3--PaddleDetection工具_PCB电路板缺陷检测
% p% B/ ?! Y4 ~% H| | ├──1-PaddleDetection_项目配置 .mp4 82.88M8 D- e8 G4 o( a) X
| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M9 ]5 A2 L; O I6 L* A2 V1 x4 ]
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M$ k3 f) Y9 a+ L: o. _' N- @
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
5 \+ S, d. j& r| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M* k) F9 d( H1 F
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M' L2 b2 p5 I( f9 n6 c% b
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
4 R( ~4 S8 @6 P; m' I3 Z; s4 \) q# h| ├──4--PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss)
' j( R S, D' l8 I| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
0 ^) t/ }2 l+ Z2 W$ }| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M- |! X# \; f7 M' s: _
| | ├──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. j3 I; E$ ]& ?& U' p
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M" T) C- Q7 F( J6 m
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
$ [/ h& y3 ?$ y9 O. ?| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
1 d4 {0 W- @* b: l5 P* P| ├──5--PaddleNLP模块_物流信息提取(BiGRU+CRF) / o5 z4 u; Z' w. o+ l7 @1 E( {2 ~
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M' l+ R" O3 t! c6 ^: s
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
8 M4 P- h) F& N" F| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M3 L) T) a- M5 X, J) n0 l5 R
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M4 S* r% W4 M4 W4 }- {1 @( J4 e
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
. G: c C, Q. B4 J, n- A8 B| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
L1 ?2 B" }2 H| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M$ ?" W3 F. [4 f' d1 p9 I; G3 p: ]5 C p
| | └──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
: k% s# e) x4 X$ b, @/ t/ p1 K| └──6--PaddleNLP模块_物流信息提取(ERNIE版)
7 d' i5 C$ y @; U| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
1 W; v- u, B" t( s- z( || | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M$ A: t, | U' [
| | ├──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
; f+ _, d0 Y3 ?! f7 B$ `$ A! z1 T| | └──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/ N3 Y2 L8 f' l" I
├──26--【加课】Linux 环境编程基础 + [$ s1 K% a5 K$ Y1 p
| └──1--Linux
% X1 k5 s0 q, C' @( f0 c| | ├──1-Linux_课程介绍 .mp4 3.72M
% |8 P6 T; ]3 G' t/ k| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
9 A# `* W) d3 }" W5 c| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M& K" u" ]7 P1 R9 \; x* l
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
5 t# U, o1 w+ p0 D' K: Z| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M+ R: i! O$ C# c1 Q2 s
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M( M* Y# [4 {1 \* b& X
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M7 L/ E* h* w2 y& M
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
0 z1 f0 k! x( j& {- s| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M) J; k: P9 r) G- W
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M, D$ Z2 N6 K- h( X: @; Q. w
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M4 p; W. e! F! ^" B3 A
| | ├──2-Linux_Linux简介 .mp4 17.59M( F2 F) y$ H4 j1 F- C! s( d
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
( ~+ N% q' Q( W# |( S, i @| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
8 G: G5 g( s5 Z% T- [" a| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M. I; q9 M: V; d, |
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
: r. i$ q4 T; |! [3 X| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
" N0 n' s/ I8 d' o| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M; f0 A A% |3 Y. u d( Y
| | ├──26-Linux_安装MySQL .mp4 79.02M
) {& M b1 @. A1 b| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M `3 J' U# j: ?
| | ├──4-Linux_安装Linux .mp4 41.97M
* K* T% `" a7 Y| | ├──5-Linux_目录介绍 .mp4 20.31M
6 q1 d+ ?! W& d1 H! y1 `| | ├──6-Linux_Linux中的路径 .mp4 18.65M
) c% j/ D Z5 b5 R- r| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
4 `* r ^5 R" l8 V7 c! v| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
8 i$ F0 d8 g" ]+ P| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
7 c' `7 Z$ r0 r8 X. @$ a├──27--【加课】算法与数据结构 : C' ~# Q y5 x) P5 S
| └──1--算法与数据结构
1 k- i$ O; c0 ?| | ├──1-数据结构与算法简介 .mp4 35.68M
* ~7 y" a" i& V, M7 M7 ?, [* B| | ├──10-哈希表的基本结构 .mp4 54.34M2 B+ p0 i# t, @
| | ├──11-哈希表冲突问题 .mp4 75.92M$ D& _- n, V2 m0 {. K* w3 T
| | ├──12-哈希表冲突问题2 .mp4 72.30M; K7 j. V1 Q0 g5 X0 h
| | ├──13-哈希扩容 .mp4 111.03M& |) c+ l6 ~/ g( v; d' r' U$ y
| | ├──14-递归与栈 .mp4 50.77M
. e7 w3 e+ I" d4 ~6 B- || | ├──15-线性查找 .mp4 57.80M
( |- k# w$ w8 H$ f1 a8 \0 ~- g| | ├──16-二分查找 .mp4 52.32M
( j# o: C+ |! P7 Y| | ├──17-冒泡排序 .mp4 53.19M4 P( N6 n' F. j% y0 }, R! {5 n9 P
| | ├──18-选择排序 .mp4 43.29M
3 f; \) Y# q9 c8 E. Z| | ├──19-插入排序 .mp4 31.39M
g1 L7 n7 z; G# V4 ^6 e| | ├──2-大O表示法 .mp4 25.59M
8 x3 K! @+ w3 K2 e| | ├──20-归并排序 .mp4 84.48M/ M- j; I% h. i# [" I$ A i
| | ├──21-快速排序 .mp4 36.63M
% H% l: J' N0 g# _ `8 G- k* E| | ├──22-树结构 .mp4 96.85M
" d: U9 K* v: h( a2 j| | ├──23-树结构的遍历 .mp4 61.05M
- r; ?4 R$ l8 k3 ^* g$ N| | ├──24-最大堆的增加操作 .mp4 45.43M
9 J( b) W/ c* ?7 [( y* n s| | ├──25-最大堆的删除操作 .mp4 45.63M" q3 [' q! s; N( `
| | ├──26-二叉树的查找 .mp4 100.24M
& e& j k4 j# F- v| | ├──27-二叉树获取最小值 .mp4 25.21M
6 i8 P/ [2 v2 B, L3 J4 z$ ~| | ├──28-二叉树的添加 .mp4 72.66M
6 F% j* z) s* [6 s+ f* X| | ├──29-二叉树的删除 .mp4 120.06M
' m; w9 @$ m1 i' S1 p. o" _) W' ^| | ├──3-线性结构 .mp4 53.14M5 y# x I- F* F& f& y: E8 v7 N
| | ├──4-单线链表1 .mp4 68.36M+ n. U( K5 ?6 x) Z T8 d
| | ├──5-单链表2 .mp4 221.69M
3 Z3 g" G8 S4 B# \& @/ g| | ├──6-双链表 .mp4 103.57M! }5 J& T2 w" ~
| | ├──7-队列(链式) .mp4 74.12M. O3 K/ V8 C) I4 ~1 Z' H4 h: b
| | ├──8-队列(线式) .mp4 30.99M
0 k, C3 ?6 u6 }7 \5 p( t& L| | └──9-栈与双端队列 .mp4 28.12M+ [+ j) l1 X" D/ F4 T
├──3--人工智能基础-Python科学计算和可视化 , I8 ~: o- w3 J& t% d
| ├──1--科学计算模型Numpy
" @% S) D" R3 ]6 M" N. W1 `. W| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
0 p3 x2 r8 M/ W+ e4 \% @| | ├──2-Numpy_array_arange .mp4 35.45M
, U6 j4 Z! b/ I& l! b) M- C1 i| | ├──3-Numpy_random随机数生成 .mp4 50.54M
: [1 N: h4 K1 c& ?| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M- c7 t6 V" _: @) i3 t; F
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M% ]% S% Z/ Z* g. }" V7 c* n, n
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
/ f/ ^" l8 [6 l+ ~6 m| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M9 V( p4 ~/ f V: i1 U
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M! z9 `# i2 l+ I5 u% @
| | └──9-Numpy_聚合函数 .mp4 23.68M+ n$ _$ t6 O/ V8 a: i
| ├──2--数据可视化模块 + d$ h; m+ P' d2 z# x4 Y- {, Z
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
8 `3 Y. C* c, \| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M6 t$ `' d- p2 e: I7 f$ \/ e- y: l
| | ├──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: [, W6 p1 U0 |: @# d| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M2 h1 }! G8 d5 o" ~! H8 D! ?; A
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M' v" O4 I- D0 U+ O+ X. B; O. f
| └──3--数据处理分析模块Pandas 5 c0 P* z; V2 t6 Y0 y) c' f
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
% X- S9 g3 q6 L8 I+ K( L| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M) i/ \1 W9 b) \3 f2 H3 W+ k$ _# ^
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M# \# a2 i; x$ B; v4 s. x& x
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M! C2 z Q5 ` N+ s; C
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
! @8 N. E$ v* }# z| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
; k& L/ m# J) ` j2 f| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M( g6 k; y+ @% [
├──31--【加课】 强化学习【新增】 $ T0 c/ [% c4 N2 @9 E" L0 M
| ├──1--Q-Learning与SARSA算法
. v. H+ J7 ]3 h4 ]- n1 I$ W# f| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M1 b. n: d3 G O v7 y8 Y
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M+ r# t$ M; F( a) f: m/ {
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M9 y7 J2 J/ i& H- ]. B8 g- ~
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
9 L9 J5 t0 ]) l3 Q( | t| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M- w/ i( d- T: g
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M, c, W, ?1 N2 Q; q5 Y- H/ p6 q* W
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M0 u7 r& ~% B. Y8 y4 z ~8 L
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
3 \4 I7 I; P& ?8 _0 f0 i" R' {| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M% ]5 r: \ l+ X
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M) G% G; b* b( w w0 F- Z9 r# \
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
6 A4 C" k a: N9 I' ~, o1 b4 j| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M) J" ^% u4 u9 H
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
$ H# q5 e0 A( W5 Q4 B| ├──2--Deep Q-Learning Network 6 @. ~3 I' i$ v( W! z! ?% l9 Y& q
| | ├──1-DQN算法思想 .mp4 59.24M/ ]. t( t5 B" {; R
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
$ F8 @8 ?3 m) H| | ├──11-DoubleDQN代码实战 .mp4 44.49M7 [/ |+ \! k; W" C( k
| | ├──12-DuelingDQN .mp4 88.12M$ `5 V$ f! D3 S2 `
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
6 M3 V; k" y+ F) _3 l1 g| | ├──14-计算Action的方差避免风险 .mp4 54.23M
7 _0 I8 |! [0 Y& o| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M% f# ~' i% O0 n" g( |/ n' w
| | ├──2-DQN算法具体流程 .mp4 56.17M
, H6 H. D) P& w| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M2 Y( M0 N0 ~' q
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
1 @" T; f1 A9 U| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M& s& }' ]9 q* H+ [" e- b
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M& P+ K" ]% o. ~! {
| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M! o9 f+ R7 r2 r1 H; h( s7 o0 d+ g: P* |
| | ├──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
% r1 \! f; |: e! k, L* p| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M& {3 v/ z# z7 Z: l. t
| ├──3--Policy Gradient 策略梯度
& ~ \ w3 T+ ^/ Z| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M1 ]$ F/ w3 T4 _4 C! J$ z
| | ├──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
0 |8 V9 w+ A9 K- f4 e| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M$ }5 k- @' D" X; J0 L. M. d
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M4 V. d, [0 }! l% v
| | ├──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( h2 n# q/ B+ {5 V! v0 N( G
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
% @& \5 ?5 r+ l4 @/ O| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
! x* y T$ {( k+ o| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
4 a# C- P2 ~" Q5 c| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
' N! L0 `5 L1 s0 Y| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
( V m j$ I& {- ^2 B; {' ]| ├──4--Actor Critic (A3C) % {! p2 u- k* d' @* W# w$ v* ~
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
1 }1 n9 v# u" Q3 W9 H& P" ~6 Y| | ├──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# M$ F& a5 `& }4 k
| | ├──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) ?) L$ R W- W! @8 W, n0 q+ p
| | ├──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% P0 _- g6 c$ j9 `
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M4 s3 I5 T7 b% o( ?5 W
| | ├──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" f; ~- X0 v5 ^( Q4 t% f$ B& \; I
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
- x8 a4 l+ v8 B1 a ^; C| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M, S! Z7 k! A! `. X
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
$ L, @1 F% v2 r$ a* G! f, i: h9 w| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
; m# V3 `4 k# U2 i- }| | ├──6-A3C架构和训练流程 .mp4 74.66M
! O2 M" a4 y0 L% _. s| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M4 R" _. y! L' I" y
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
, K h1 g4 k1 J| | └──9-代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性 .mp4 36.62M
" C/ e: q: K. d9 L2 a| └──5--DDPG、PPO、DPPO算法
$ w: A6 U5 ?5 w* x" ^$ R| | ├──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 81.92M0 t, d* y& `2 v5 m: T4 C1 G) j! q/ E
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
; w8 @8 N% p4 C| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M( D' h c/ @3 `1 C6 v
| | ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4 42.12M
9 B) n8 v: M; l6 f* d( ?| | ├──13-DPPO分布式PPO .mp4 63.81M
/ K7 ^3 Q0 {- H9 N* a) ]| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
& m' {5 d: r& K+ {# K+ W| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
" B2 S; W2 \% V$ o' T' B| | ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4 51.45M3 x& n* M6 g4 Y# A
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
$ G: n0 V9 v( w| | ├──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; D0 z" @4 z5 a2 N S! o8 s
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
" A8 u8 K# Z: _$ `! T+ q" `3 u/ V| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M. z0 t: u$ O/ n9 _5 w& Q
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
8 I6 D/ D/ M) t+ ]( n| | ├──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
) |+ z8 G% g. o* |1 f| | └──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
9 [/ e Y- q% X: M6 q0 X├──4--人工智能基础-高等数学知识强化 ' Q0 `; D7 C5 \0 a& g2 M) M7 X1 o
| ├──1--数学内容概述 " R0 _ ~* F# g
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
D" r D; r# [* @/ Z1 I1 f/ C. I| | ├──2-线性代数_概率论知识点 .mp4 26.81M% D9 B. I; y4 x5 `4 T$ O0 A# E; l
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M; `- ?8 k; x# X1 N4 S* }; l
| ├──2--一元函数微分学 / A; o- e2 Y2 R5 I! d M) j
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
9 u, F9 s8 Q# T" z# Z1 h! M| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
7 ]0 Q/ S' j$ Q. v" @- x0 }| | ├──3-常见函数的求导公式 .mp4 22.76M
* m3 b# l' o2 a/ K9 A| | ├──4-导数求解的四则运算法则 .mp4 26.52M
2 M- m5 h. x$ F9 ]0 X. e| | ├──5-复合函数求导法则 .mp4 19.68M7 x; }; {4 E( q6 b! }
| | ├──6-推导激活函数的导函数 .mp4 33.40M
$ Y( O& w, o4 H" S' h| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
5 J8 m% P! B w1 i+ v| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
2 v6 l/ L! S! e| ├──3--线性代数基础 ' n# O$ j" \7 o9 d* E
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
) j1 A6 X' R$ S+ Z, k% b& g| | ├──10-矩阵的逆矩阵 .mp4 38.54M# @3 q) q% }# G" |7 j: r) y
| | ├──11-矩阵的行列式 .mp4 20.13M
7 @0 Y( E+ A6 Z9 @| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
, k" N) L. P U# Q+ k4 }, z' r. t| | ├──3-向量的内积_向量运算法则 .mp4 19.78M( \% d+ [# D0 {9 ?* f/ `
| | ├──4-学习向量计算的用途举例 .mp4 20.32M6 |' y- | _. Y6 H+ q: C5 t- H
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M- A( Q6 c$ x+ n A1 B
| | ├──6-特殊的向量 .mp4 26.45M
6 Z: m, o' e& T m7 I4 ]$ R| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
* K3 Z5 w' K5 D: v9 j7 _| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M! T6 z$ ?2 g/ q
| | └──9-矩阵相乘 .mp4 20.02M- a, }3 Y! m1 y4 v$ R. c. d3 `# ]& U
| ├──4--多元函数微分学
3 O3 \; a5 [) N. v| | ├──1-多元函数求偏导 .mp4 22.61M4 O$ W( K& n* _3 i
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
& |- \. H8 A0 E& X2 Q! }- [8 S| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
- L w' v) ]0 }% R5 K| | └──4-Hessian矩阵 .mp4 32.93M
$ K0 \! r9 K! ~$ N| ├──5--线性代数高级 , e% v& g% z0 _% J
| | ├──1-二次型 .mp4 27.70M
5 z& m# X; N/ s| | ├──10-SVD用于PCA降维 .mp4 24.90M. Z# F) H- F7 g, K4 h% u9 X
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M; J: f: N6 a6 T. F) q
| | ├──2-补充关于正定负定的理解 .mp4 23.48M, Z# w; E2 b! n8 `5 p. m& f
| | ├──3-特征值和特征向量(1) .mp4 29.83M( A* ^7 |, E. u. N9 `/ a
| | ├──4-特征值和特征向量(2) .mp4 30.07M
, D. V2 j( z. z! d5 q| | ├──5-特征值分解 .mp4 38.68M
" m8 k( b+ x2 j| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M/ ^4 L+ J1 J9 A
| | ├──7-奇异值分解定义 .mp4 22.58M) P S0 a- M4 Q, p9 a
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
3 N2 |% o. E9 W. J| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M( h; S! X' T% t1 { D$ h2 t- g
| ├──6--概率论
$ @- m; q' N( ] f9 D |! v. I8 x| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M* P7 f3 f8 ~5 L/ l% M) t9 r' O* c
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
U- I( c, F- m' @" t) K| | ├──3-随机变量 .mp4 22.57M4 N, }3 X* C% S" x8 L0 L
| | ├──4-数学期望和方差 .mp4 22.96M5 w" T, U, B) S/ _4 W
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
X3 ]: q* r% J6 O" V| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
/ L( U9 n. T4 H) U| | └──7-最大似然估计思想 .mp4 23.42M
; @, ?8 f; x( I| └──7--最优化 ! `- e* M; a, p& h
| | ├──1-最优化的基本概念 .mp4 35.14M
% }4 z) w0 ~/ `( V$ d| | ├──10-拉格朗日函数 .mp4 27.46M" H$ Q" E; {' O- ^* K, v
| | ├──2-迭代求解的原因 .mp4 20.15M
8 C* S l, K1 E: ]. b| | ├──3-梯度下降法思路 .mp4 26.33M
& t; Z# ]8 \$ }| | ├──4-梯度下降法的推导 .mp4 43.56M
% g g- u. ^" k7 m| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
$ J7 d" \1 S) t& F6 H8 O| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M% }% b! L$ E1 }& `" h' f
| | ├──7-凸集 .mp4 21.90M
2 O$ P% f" \! ]0 ?2 y| | ├──8-凸函数 .mp4 16.93M, J# Z$ B7 j5 d* }2 @3 s# u
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
8 W1 B: u. ^+ e8 s6 @├──5--机器学习-线性回归
" |0 o" B; @6 n| ├──1--多元线性回归 + x, f* `, s8 O9 ~ i9 F7 L# h
| | ├──1-理解简单线性回归 .mp4 51.11M
q6 i+ G% ~) u% ?, Z| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M, M/ \0 t, b1 d3 i* N2 R$ e! B
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M: z% I2 G' ~! A0 O
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M3 d( k1 D1 w h z+ b6 w
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
! V6 N- S9 j* H0 N5 O| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M' m$ @+ _4 u9 V$ e
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
% b4 E5 B7 {+ f8 Y, U| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
! I' `, X' P9 z& q| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
5 z6 u3 m! z& S| | ├──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
. X5 T6 m% {6 L6 F3 \$ ^9 F| | ├──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
9 U" g$ F7 b' K1 || | ├──2-最优解_损失函数_MSE .mp4 39.58M2 K" n; w9 M7 x. [& D
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M$ ~$ Z( K& c3 A, a
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M& K# g! `5 p. z. \
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M" o: |+ [( U: y6 A/ A" g r, M
| | ├──3-扩展到多元线性回归 .mp4 32.15M
) Q4 z M$ d+ m" m| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M- t; M; ? ]/ i8 x% C8 E5 s" w
| | ├──5-理解维度这个概念 .mp4 41.41M, z) k) l, j7 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
6 a; _3 X) v F0 || | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M# J8 s" a) a7 o' S/ K2 B2 q% d5 h
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
; _4 y5 x: N# h( }( D, Z1 W| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
( r% Z0 |4 I1 g| ├──2--梯度下降法
9 o& w. q, p- z' B' T( z| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
- t" |6 {) i' k' O8 [" a( p| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
Q( S+ R \" \4 j/ v, l| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M# d% P* j' S& t' |/ ~$ j; r
| | ├──12-代码实现随机梯度下降 .mp4 26.67M/ Q' ~/ N+ T8 h% H) }) ?6 S
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
: E8 _" I1 Q% s3 w1 K! c' Y8 s| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M' Q; z0 l6 A- W6 m8 A/ F
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
+ l* A2 U! O7 C; m0 C' y: G8 [' F| | ├──2-梯度下降法公式 .mp4 57.12M
2 d: U. f& \) M| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M5 N4 w# D. v! P+ q( f* ~2 ]3 y* ~
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M/ s4 }+ h& K2 w& I9 G8 R x
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
/ ]7 e) \& c* H* {1 E| | ├──6-全量梯度下降 .mp4 62.84M
/ E! L/ S8 \# q, o( D: B7 g| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
4 P7 s7 c4 c1 |' o- `: \| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
9 r$ |* Y/ _& Z5 H$ @6 ]| | └──9-轮次和批次 .mp4 45.22M9 c9 |7 u% o$ U, H" d' w) K
| ├──3--归一化 ' a; ^9 x- D, b2 P, ~- ^9 [* }
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
) L' N+ N' F1 N& i. H9 K| | ├──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
' C( o# X+ s4 e: X% s8 I8 Q. _| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
+ E0 ]9 G( ~9 E$ R& F2 T& N7 ]0 I) C| | ├──4-最大值最小值归一化 .mp4 24.87M
5 o& h: i2 X% G/ L| | ├──5-标准归一化 .mp4 51.86M
) K5 M) m! ?; J$ q( b| | └──6-代码完成标准归一化 .mp4 41.13M
/ k5 w6 y2 R7 A. ~4 d| ├──4--正则化 ! {- ?+ v* M V& m! t& |6 K
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M3 O! r& j3 A2 C& ^/ Y
| | ├──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' n& S: ]. K: C, \) V& L8 g# O. G
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
4 C# ]- _! o O- n1 g9 j/ ^7 [% k9 h| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M. C# O+ T l4 M, \& Z1 }
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M+ N. J) h; T8 r; ~. X
| └──5--Lasso回归_Ridge回归_多项式回归 7 z9 ?5 U# [7 Q7 {( e: K3 J
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
4 {. I" G/ D$ u| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M" Z4 E- u% u* G" }% i8 U/ V1 O
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
7 y( S% I' m5 w! T$ X# M I/ ]| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M3 N' I1 i' a. j* {/ w" m* O4 m/ |# N
| | ├──2-代码调用Lasso回归 .mp4 28.73M
& y) c# t( s, {( w| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
$ v& l& t" M( B5 `| | ├──4-升维的意义_多项式回归 .mp4 48.06M- X: [8 P( i8 D! k
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M, |3 m# r# D8 ~" K L8 c' A, ^* Y% O
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M' e( K2 _ k$ L0 a8 k' {
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
* ~% B* w( e6 W/ y5 B% w9 g| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M$ U# @* b3 q: G7 w& 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 84.12M2 {2 D8 l$ J: x( P2 p+ h
├──6--机器学习-线性分类 9 a) `2 z; W) e+ Z
| ├──1--逻辑回归
! K" m" @* r4 p| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
. d7 Y0 O% y0 [/ f/ l| | ├──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$ m2 `6 u4 U7 \! y5 J c9 {+ c
| | ├──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 43.87M0 H1 Q: p8 u! V/ e( Z
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
0 m; e6 i$ [2 q. C| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M
+ u3 w$ W: Q1 i6 X| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
* t* X ~5 _. B. Y9 G a1 z| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
' W4 N! d' Y p' ~, f+ N* T| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M7 x5 y, I1 C" L+ i" N3 [
| | ├──2-sigmoid函数作用 .mp4 38.15M! t2 g' c/ Q M' }* |
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M, u$ K4 r9 u4 \( z( z
| | ├──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
$ f( r) z6 i7 z) F9 d B. N| | ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的 .mp4 6.71M% G+ c R" m* w6 j' f
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
: j7 Y! p' L/ ~) H| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
. q/ \0 k% B" D( C| | ├──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 56.56M0 o B" R8 |, ~" c& l* Q
| | └──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
/ F9 ?1 o' g5 Y' `+ S. t| ├──2--Softmax回归
4 W9 H4 ^+ z" W* C2 ^| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M& \! p. f! j- z) A4 B
| | ├──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( ]& f1 R' Z1 R8 x1 U: d( v" b& |
| | ├──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
9 [% o4 U3 Q, ~; k" P" M. u| | ├──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 47.67M5 Z1 i4 r6 i5 N8 A
| | ├──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
9 Y3 \' `8 a7 ~7 E& T. g8 ?4 l" b| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
& B+ [/ `; @; d& d0 S6 B8 V| | ├──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- v3 d# x0 T. _( l# K
| | ├──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 28.15M4 T Q' e1 w$ n: D
| | ├──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+ `, H1 a- M5 |1 x, r
| | ├──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; Z ]. U3 p. v' u& j9 d
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
4 w0 P1 ?1 _' u8 ]# 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
. p ^' t5 f2 [| | └──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
" S' t9 O7 C9 Y; ]7 p| ├──3--SVM支持向量机算法
b& i+ a! l% G) g7 n7 B8 @| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M' A4 A8 |% g; G! G9 J
| | ├──2-SVM的思想 .mp4 55.56M
8 a1 z% f6 V3 E' z N: H; C' ?| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M/ F% k# R: z8 b2 i
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M9 w1 }# a/ ]" A( n- t
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M6 y8 ^8 D6 J. f3 V0 A
| | ├──6-总结硬间隔SVM .mp4 39.01M
( T6 S9 `5 v" j; x: \4 I8 |. _( I| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
9 ?9 ]" U6 K ~. k0 A| | ├──8-非线性SVM .mp4 54.43M
/ q* \. D) U* }| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
2 {, K3 h6 i9 ?: a| └──4--SMO优化算法
' [1 o& D& D- U| | ├──1-SVM算法流程总结 .mp4 58.36M
. ?, v3 V4 a) B1 k4 k: w! k' \6 U) `| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M" I6 Q/ h. a0 R: @" }( l: [
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M9 Q) _9 m3 e+ G- ]
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M9 k' X7 H/ M2 \
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
6 g6 D5 N. }# ^+ ]| | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 69.00M3 D0 i$ I- W' C7 W/ c3 }
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M! T" r; I' b7 f2 w |$ h( N
| | ├──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
( R: \+ ]1 t" h! u! k| | ├──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
) q: q1 T6 w) M8 w1 E# o| | ├──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
) E0 `+ R& h1 Q! h1 { X| | ├──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. m8 `# x9 |# e/ j; w9 D
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
) a) n: W" v6 i' e| | ├──7-启发式选择两个α .mp4 23.11M, @1 y( g: P6 j1 M* Q3 W
| | ├──8-如何计算阈值b .mp4 50.18M
" @( w) u3 j; B) O! A| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M. o$ T& T* j9 E( O
├──7--机器学习-无监督学习
# u. X0 C7 G: @9 b! S| ├──1--聚类系列算法
4 u' }) a- l% L# _' l6 L' H& v| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
7 L/ n$ P1 u$ v. V0 {& N| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M* R2 F0 y" K) l- ^( [/ T+ h
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M* D6 _4 Z' n, p2 O3 Q& [9 q
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
" X3 `$ r/ G3 u' o: A/ ~9 v| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M6 z" E( i+ B1 ^# {7 J4 M
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
0 S. Z$ M" ?4 ^8 ^8 z8 X7 L7 ~* a| ├──2--EM算法和GMM高斯混合模型
: ~' g0 y2 \ ]$ m| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M4 m! k, x6 i; R
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
1 I9 g$ m+ C* z9 A6 h| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
1 m4 K \- s' j* x) Z; j" O0 R n4 U| | ├──4-Jensen不等式的应用 .mp4 109.17M
! _ T2 o w7 P9 s( n" Z3 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$ i; p" H" X' n! B& x7 |
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M4 P( y' X1 a- M8 p0 i+ B7 |
| | ├──7-GMM前景背景分离 .mp4 16.01M9 t2 s( R4 W/ ?3 ^8 @- M# }8 h- [
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M. \, N% E o% P( r- ^8 c
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
}$ i9 i* S; M) r7 G5 X+ ~| └──3--PCA降维算法
* D' F9 \3 H9 T; c0 S0 H; J6 `6 V| | ├──1-特征选择与特征映射 .mp4 49.38M
, R J3 N7 ^2 b1 m t2 e| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
; @7 E8 |7 s$ q, t1 V) z8 c0 B| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
/ O0 G" ~+ `$ }. G1 W) i8 w| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M. F6 Z1 Z( [ t! t2 O
| | └──5-PCA的几种应用 .mp4 54.58M/ @, e( C# p+ F8 [( x& W9 r
├──8--机器学习-决策树系列
1 m; ]! d, c& t6 ?) t| ├──1--决策树
x, {2 ]0 a9 j5 d- a8 c' H; X1 E| | ├──1-决策树模型的特点 .mp4 74.88M
/ L3 w+ {* _ f4 p* q4 J) ]) [* ?| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M) Q# f- N1 C3 s* |( H% ]+ P( ?
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
" V6 u: F" _; T; h9 w% c! z| | ├──12-后剪枝的意义 .mp4 50.49M
0 u! q0 R+ s& ?" g a+ i% c| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
' Q! S; ~. g' \' \# K+ @| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M' E; a& D# E, C& O7 k; ]
| | ├──2-决策树的数学表达 .mp4 89.94M0 [$ S; \9 D1 @2 j
| | ├──3-如何构建一颗决策树 .mp4 84.87M# X0 ?# Y) }: e
| | ├──4-什么是更好的一次划分 .mp4 57.02M
7 M& y+ K6 K3 a# s| | ├──5-Gini系数 .mp4 107.54M
; d# P( d( j- L r' ~| | ├──6-信息增益 .mp4 75.26M
- Q2 K" G. G1 m# c* Q' S| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
8 n# o: V5 F; ^. F1 Z| | ├──8-预剪枝以及相关超参数 .mp4 127.06M9 [; [9 N, A3 I+ v
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
q+ \+ x) K( ~6 F7 J9 t| ├──2--集成学习和随机森林
( Z' b9 X- K9 s; U; o' \| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
; U1 b, E+ l r0 `1 Z; C% ^| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
' J& R- p0 e- p2 R2 ~2 M/ y U| | ├──3-随机森林 .mp4 108.14M5 s7 W& g' ~3 s7 D, W# W) l
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
6 y( v2 A) _! N+ Q. K# D| | ├──5-OOB袋外数据 .mp4 106.07M$ l" m1 u p: j. C6 x4 t
| | ├──6-Adaboost算法思路 .mp4 106.30M
" L& n q% O$ n) t! J| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M" d8 W/ N+ S0 X
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M N9 ^( W2 X: {. E
| ├──3--GBDT
+ H: v& c; f x: _| | ├──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, x# O- y l6 f( ?
| | ├──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( z+ g( A8 x3 P( j
| | ├──11-GBDT多分类流程 .mp4 73.80M. _7 F9 C. ]: g8 s# S2 C6 P
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
4 r7 m7 G; u' f, N3 H| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M# t; X, {" b! J- T3 S( N5 u) l) A" ?. U
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M2 ^5 f4 N( u [/ M; c0 B6 K5 n* {: u
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
. j5 @# u/ c2 P& C: || | ├──16-GBDT多分类举例详解 .mp4 91.71M
9 U8 F1 r* D1 }) Z2 L; |( L| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M; `/ @% {9 j* T3 f' V% c
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M. {% p S4 D7 ^ n7 i Z8 m/ \$ [: N
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M& j$ G" |" e: g6 D. u4 |8 G
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
/ }% j/ E; M# G) O" h+ K# l" W0 J| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
K9 W6 u# G! E# X7 p| | ├──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) c; K0 H' b8 c1 P4 \- T
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
; m7 Z/ [/ @; w/ t| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M& |% z0 }: I7 W5 Q* {) d
| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M2 U0 k/ F$ \+ T$ T9 b$ ?
| | ├──4-GBDT应用于回归问题 .mp4 84.66M; Q7 C0 ~( j+ {0 A
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
: u k- A8 K) ]$ W# Y| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
4 M; L4 f( s- h1 Q6 t| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
5 u. L2 B) p9 t7 [6 `| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
1 l0 X/ [# R4 H7 s& m- M3 j3 }| | └──9-GBDT应用于多分类任务 .mp4 73.34M, O @" f0 m1 O! r# ]1 Q
| └──4--XGBoost
: O2 u$ n5 Y D| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M% J0 V7 F {/ t7 q3 p- I
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
* _6 J2 x* V+ z+ W) i0 H4 B' ^2 `| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M: e( {9 {5 d( J: g6 V
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
( N) S5 g6 ~3 r( K1 I+ Z| | ├──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
' s; b) X' T- Z6 k0 S0 P| | ├──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
' O! K& ~# @# n2 a2 n6 c| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M, _4 p9 U# | ~$ h% v0 l5 m2 h
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
J3 x9 J) m% G: c| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M# R" ^: o8 \8 T/ A- E/ T9 J. [" c
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M# W: ~* S& S4 d4 ~
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
( G# x4 ~9 ^! f7 c' r1 d| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
6 K3 C5 s6 A6 T# f3 V| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M$ q, A% `4 V# \9 F! b
| | ├──6-Objective_vs_Heuristic .mp4 60.42M& u+ \( M; B9 E0 T8 p: _* c
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M* f& f) w3 _' ^* N" t/ Q# |$ s& t
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
' V! h9 J8 E! r5 m; i2 m| | └──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
; x" S7 V: w Z, h w├──9--机器学习-概率图模型 ! f4 ^( `# R* W5 G7 A) b
| ├──1--贝叶斯分类 ' G& q7 C1 {1 p9 F/ |
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
9 P* i( w+ g; [/ h: N" a| | ├──2-TF-IDF .mp4 53.08M( N. n1 M% j2 b' `# r1 G
| | ├──3-NB代码实现解析 .mp4 126.73M
, c4 [; Z; G: U/ @) _$ k7 S/ e| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
5 G1 _- ?8 F* i7 h6 l| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M# C* t3 ?( Z/ e8 y
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
% K- L: {* i% j: g# z+ M! _5 m| ├──2--HMM算法 3 T3 F" ^ v# N
| | ├──1-HMM隐马的定义 .mp4 36.82M
[1 A. x# ]2 r% k- h1 t: E| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M" V% Q6 M$ y" D0 e% d, c+ w! B C
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M' m" c# O! s4 H3 G( G. m" V1 ]( Y
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
( }( G( [* k/ @. \- _" A8 e| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M2 H3 T7 S* p& S/ [. `$ ~
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M N3 i3 D1 H' \9 { \4 y
| | ├──7-Viterbi算法案例详解 .mp4 107.12M5 a# [4 }+ [& p7 |
| | └──8-Viterbi算法代码实现 .mp4 42.43M9 A2 G2 K- c4 z" Y- y# ? x( @3 Y. G& w# X
| └──3--CRF算法
2 T# g8 ` ~* V8 {/ I' Z8 _. o| | ├──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- l1 |4 [) `+ c8 n4 [0 H: M0 w
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M3 R9 y X) m8 F3 g. C/ K- u
| | ├──3-了解CRF层添加的好处 .mp4 105.90M7 _* K& Z1 A- x( x# s8 y
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
( n+ T7 k9 D( a) j' B| | ├──5-CRF的目标函数 .mp4 23.74M3 ^! D' p+ ]" n E
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
. h- z4 p; Z( X0 v3 }| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M6 [. a ^" ^8 `# z1 | a
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
- v2 W S3 ?. g3 {) c7 T└──课件.zip 2.54kb
& R& s& k$ Y/ z1 B2 S, f$ ~+ Z
1 g' z* o% h/ d- m& I8 z0 \4 R7 _
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!* G' f- q* e5 }6 W1 Q
- r, \- A. a, @3 ]" \
; D- S. z% @( I" G R
|