战-人工智能2022/
: a" T/ n: p" D: H% Q4 R├──1--人工智能基础-快速入门 " Q: G* o0 T7 h; N+ ]
| ├──1--人工智能就业、薪资、各行业应用 . ]" m0 q0 W# q5 J; P
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M+ q. F& P1 K; m6 I+ T+ v' H7 `
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M# h2 J7 v: H* ^" w& H8 o# `
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
" J& z. h6 m, W2 ^6 V| | └──4-人工智能在各领域的应用 .mp4 57.73M
5 t2 u2 ^ V5 d' g" n [( u| └──2--机器学习和深度学习、有监督和无监督
3 \$ j. f2 M5 c) p- m, [$ U k* {| | ├──1-人工智能常见流程 .mp4 89.62M
6 R0 U# O( k# ?% K+ X| | ├──2-机器学习不同的学习方式 .mp4 83.51M
& [5 c6 o0 l0 Z" @6 ^| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M& S2 v5 l( p) ~- k' E2 a
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M3 n& b8 e1 D" j7 X
| | └──5-无监督机器学习任务与本质 .mp4 50.15M" m- J; g( a6 m" {$ a1 f' W
├──10--机器学习与大数据-Kaggle竞赛实战 * m+ M' @5 j) I: i- f6 a
| ├──1--药店销量预测案例 : L: k5 Z7 N/ x3 H: c0 b
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
9 Q: H- m7 R0 D7 F( o2 N3 W| | ├──2-对数据字段的介绍_导包 .mp4 19.90M: q5 q& n( }$ O. ]6 q' N! y) P
| | ├──3-自定义损失函数 .mp4 21.12M, S* ~0 z3 L# U: D {/ Q
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
: j. F1 Z: l% w% |. j o& |: R| | ├──5-数据的预处理 .mp4 111.81M% ~% v, @1 C0 s0 s$ v: }
| | ├──6-模型的训练_评估 .mp4 66.64M
4 x' u# O6 Y3 H" H8 f) `| | └──7-kaggle竞赛网站学习 .mp4 172.16M
2 |& ^$ K" y( b+ X6 P| └──2--网页分类案例 . f3 S, ~ f; J7 w1 R! H: P
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
; N, f& c5 w1 H9 D| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M
- _1 ?) B- `9 v: z! e/ \| | ├──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
3 a( l+ |9 M/ c! X6 `9 S7 F| | ├──12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp4 74.74M
$ V% o8 _1 t" ?! @% T8 E: M| | ├──2-评估指标ROC和AUC .mp4 56.19M
% S; C+ L5 i" z% ? u| | ├──3-评估指标ROC和AUC .mp4 49.03M
* j m) Y& `! V3 a+ `. \1 ?0 W| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
Z$ X" F! K' y5 o' V6 f$ d" C| | ├──5-数据导入 .mp4 68.41M
/ N0 z; x) B- m- L- P: E| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
' v |+ Q# k( B| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M2 N, P9 h8 X; g0 k* |5 s+ t2 t
| | ├──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# Q0 ~% y" \+ V7 d
| | └──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# t) h) h8 m; y* J. K6 e8 N1 J
├──11--机器学习与大数据-海量数据挖掘工具 1 _- X7 f: E3 v$ P& Y" R5 [8 [
| ├──1--Spark计算框架基础 . _2 `, V, O, Q. H3 C, @/ U9 G8 ^
| | ├──1-Spark特性_01 .mp4 41.68M/ ~: G7 d" C* o b* R
| | ├──10-分布式计算所需进程 .mp4 26.30M' T+ C1 W! H8 P3 A4 V* Z
| | ├──11-两种算子操作本质区别 .mp4 56.31M
* ^# T- b% C7 }| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
6 \! G8 O$ Y6 o$ T/ d2 `8 b. E% n| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
8 r% A$ C$ p' ^| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M$ F0 [$ t- n# ~1 q3 K( Y
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
4 F1 G* g; q6 s) H$ s| | ├──2-Spark特性_02 .mp4 35.15M4 E5 h. \% C( o1 b+ h; e
| | ├──3-Spark对比hadoop优势 .mp4 19.34M& z& @, ?) e$ Q( ~7 e4 z, Z
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
5 U' s9 g( i* v4 ~| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
& R5 p- }# P. j1 N' k; c1 f| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
0 }/ A& w& b: _8 ^| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M; ~- K3 ~9 E% `0 b; C; O
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
1 z+ C9 }8 [" d5 K| | └──9-Spark的RDD特性_02 .mp4 33.41M
7 \' C/ k) V3 O( Q) E9 f| ├──2--Spark计算框架深入
; ]4 r" h; t2 P: \- X" D( o8 W- `| | ├──1-Spark数据缓存机制 .mp4 54.43M2 b# f$ u" N8 I4 W
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
; u5 U6 T u7 h/ t! [| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M9 ~. _3 S" L" f5 a* b* o* f0 z/ U
| | ├──12-构建LabeledPoint .mp4 111.08M
7 r- n! g. B- M: C$ i; n| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M7 x# f/ u- Y& n7 T
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
) b) N! |. w4 g, e| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M. }; _! z- ]4 I& _8 x
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
% S/ }! l' G) g| | ├──5-Spark术语总结 .mp4 89.66M
, X* H# i f; K, u| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M& w. X: n1 l" f A
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
7 d# p9 J# l" r- }- B; \| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
, q/ w( q0 r8 y& t8 x2 ]; d| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
0 u) r* G& @& _$ v3 W4 h% k| └──3--Spark机器学习MLlib和ML模块
5 i0 C, `) f7 U1 R& v| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M' @% @# j8 E h, A
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
2 V1 x7 }5 A. L) S2 k( I| | ├──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
8 [* M# W9 ~" z8 \" b( }| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M4 v. f% R$ ~4 [0 m/ O& L
| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M9 E! @1 |3 w% x& p% H' x* ]1 o
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
& D. V; ]: z) I( U* F| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
+ |' ~9 q& ^3 [# T+ {) N1 d| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
1 T; ~7 u9 T4 ?# s* G5 n| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
+ {; q, B6 |+ I* r| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
# n, J" l/ d) n! K- E- r| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M6 H+ _/ W, F3 E$ ]3 o* O
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
' V0 t, h' M8 F5 v| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
* {. y! L R6 y( T| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
& G1 ^0 F: m; u8 Y) E8 J- \| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M/ m6 o* c; b$ `/ a
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
. k( |" W! k% i Q9 d% I3 o| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M5 C" ^3 u8 Y. r. s+ N
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M2 e: F6 D: z2 |7 [8 D6 h
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M5 L# F3 N- ], H- @
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
& D$ `0 Y0 ?& p% K& {0 h: m| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M9 P$ D6 m2 P, C
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M( R' D+ y) V$ }3 ~$ p9 C- q# V
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M& L# r7 @$ ]0 z9 s5 g+ X$ v
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M( W* O, ?4 H$ Y: G- d) O% y3 t2 @
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
5 ~+ q- T' W* c, o8 L( E| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
5 ^6 z. q; h$ E, ]; q├──12--机器学习与大数据-推荐系统项目实战 % d. \0 N& k7 G( d. }
| ├──1--推荐系统--流程与架构 9 n) n& d% o1 o& g3 m4 |3 X
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M+ a. G: d& c9 W# ~; A- }! g
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M
1 m J% {. r$ ^/ U; ^| | ├──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$ G/ m: p3 a4 m% B: Z
| | ├──12-推荐系统_数据源_1 .mp4 79.07M$ k7 `: W+ X) p5 D, m! |9 F
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
$ p. k0 j/ r! r( i6 U0 O0 b! a; r1 f| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M: u- o6 O( o# \4 d) q8 Q
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M; R3 M0 v5 e% c2 ^: z6 I
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
9 f* H3 g0 Y8 {: N8 l: K| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M b; i$ {9 F$ R/ }4 I4 F
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M6 G. A$ z( E2 ~! }/ u2 Q
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M: F$ u9 |$ ?6 S8 u' K
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M( L) A) H$ B% n! M: O4 ~, y8 ~
| | └──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
; U$ O/ a# ~% i. ^| ├──2--推荐系统--数据预处理和模型构建评估实战 2 j. Z& v- f) p9 F i7 P
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
+ E8 M+ c/ Z+ j$ s2 A$ _/ `7 }| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
) i1 B4 u. Q6 K, d| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M. {2 k/ ]& y* J* z+ A( c
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
' T v& R- }& [6 p| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M+ q! u$ j7 }% J6 R5 j" T
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M3 k! L1 K1 F# j5 i& g: N
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M8 ]1 C0 ?. u7 m$ G6 J9 F
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M) i' n5 P3 I. ?
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
8 \- k7 T/ `: z4 D: \" v| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M* u6 z2 y5 K7 v3 y# S$ D
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
9 {& Q7 u: p& v7 a* q7 |" @$ y1 {3 P' d9 a| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
7 U4 c& b) F; Q/ b5 R| └──3--推荐系统--模型使用和推荐服务 }, W9 l* [8 D2 n7 \& {
| | ├──1-推荐模型文件使用思路 .mp4 61.89M7 Y4 j# M6 S: K! k( v, O2 j* t
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
2 _$ |! {; _% { A# U0 y# [2 U| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M+ K* n0 U, X T6 O/ {$ A
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M1 _7 N6 I' U' _& F: ]* ^$ @
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M! T/ H1 n1 Y4 l Q3 ?& }' `$ ?& S
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
) m0 a* Q# ]+ B$ k& n+ x; u( ]| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M2 y% S- ~, J, ~& b6 y# k
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
' K; Z9 G# X p' Z% t6 I| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M! L9 h5 m& h9 J4 y6 g! U+ v
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M# F! O1 c e( ~( Q" h8 G
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
, ~, d8 K( n7 p$ k1 c8 Q" K| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
! e; `" Z9 p! b* Y- e├──13--深度学习-原理和进阶 % V% P0 a. ?4 k) J
| ├──1--神经网络算法 , _+ V5 `1 {! ^5 \' B7 X, k
| | ├──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
7 R+ J% w3 t8 v$ i$ _| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
4 i# n: u( l5 `| | ├──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; V+ _5 m/ C% R: | K, {( {4 o( P
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
" K" e7 s+ J E0 q% l/ B| | ├──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
5 r2 @% r8 j7 I| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M( F2 D7 _- f- H' \" K# f
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
- n) D& t9 p$ _7 @| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
, Z/ ^" S) A' u& @! [7 j| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
9 Y/ e# D0 n e: @% d( ?| ├──2--TensorFlow深度学习工具 . u" [7 P2 K1 q$ r0 W$ n u
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M$ I3 k3 w& M! V j- L& |; d* D7 V
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M6 H$ B( k9 D4 T1 w- ]& q1 f
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
$ r' Z1 W/ j' Y! Y6 q& z/ ]8 e| | ├──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
- x; |8 V& g' {8 q3 `2 N| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
. W) A# J7 Z: C- C| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
! ]- p/ H6 _; _2 x| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M) u% T# ^$ K) H7 F& c. y% B7 S
| └──3--反向传播推导_Python代码实现神经网络 & }5 }! d7 ^/ k. N$ v
| | ├──1-反向传播_链式求导法则 .mp4 86.47M* v% {) m" c3 Y7 z
| | ├──2-反向传播推导(一) .mp4 127.90M2 L+ U" f% g( h/ W5 k
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
6 r# @) u' S$ s. C| | ├──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
$ }% J" q* b$ y! G6 |. W6 f| | ├──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, x1 p5 c4 E0 _. |
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M5 T5 G# A2 Y/ p
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
$ @# H: i9 d9 }+ @├──14--深度学习-图像识别原理 9 j7 s9 f. }( i$ g. _
| ├──1--卷积神经网络原理
8 d# x0 `* t# D' V. X4 n+ H| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M! Z$ x, ^1 D! ~' M, b
| | ├──2-单通道卷积的计算 .mp4 104.01M; M# V3 v9 \7 W9 I! q8 ?6 R
| | ├──3-彩色图片卷积的计算 .mp4 52.79M" ^) ]; x- B, s1 e2 B
| | ├──4-卷积层权值共享 .mp4 63.93M
8 C3 z9 Q3 p. `; _7 a2 M| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
6 @4 [) z; H# o& ?3 T| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M2 s" k: ?0 X" y5 E
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
7 j% r) h/ D" b: }1 H; `2 I| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
, r% O/ H$ b' h. H| ├──2--卷积神经网络优化
" ?7 P6 e3 M# O& H) A8 ^. ?1 \% k| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
. T& z7 p# ?8 N| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
) a; L) m+ \+ G! ?# s1 U6 t3 l" T| | ├──11-Optimizer_Adam .mp4 141.12M$ L4 J! O4 e' u9 ?# o& E, V
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
2 H' E9 G/ V( O1 P d1 ^' V' U| | ├──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
~ n8 X3 B# ?& a* A$ H; z# Y| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M) W3 X& f1 B% N# n/ e' A
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M A+ l" u1 ]. {4 T
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M! p" ~9 p: q4 }0 F
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M# q( {; P: q! Y4 f* z
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M9 c8 m+ I+ ~9 c' J& Z
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
' _& M7 G" O H7 \' Y) d| ├──3--经典卷积网络算法 9 w* S, Y4 p+ C
| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M+ a; F: j5 C3 v3 n, ]
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
& u8 C0 Z, y' {; z# d| | ├──3-InceptionV1_V2 .mp4 165.86M
; G. g4 w, ^3 U; X8 o| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M9 `, b& z( v; y1 v! C
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
5 Z* R/ `; c9 e' I| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
- w# }5 w/ N1 T3 ^" \$ _7 w| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
1 u# F$ @2 m. C4 `6 U. K| | ├──8-BatchNormalization .mp4 99.23M8 t5 `, b) H# a m- \1 ]
| | └──9-Mobilenet网络架构 .mp4 150.05M
0 ?* C7 [ \5 O$ D& a; k6 o- ]$ X| ├──4--古典目标检测 6 H7 ~" l; ] e8 v8 W& v
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
; r# q, g$ B2 b0 l| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M3 p3 g1 F/ t+ p" `. L( o
| | ├──3-IOU以及python计算的代码 .mp4 23.56M$ n" B7 D! [ a' z! E% V
| | ├──4-R-CNN和SPP-net .mp4 124.06M
4 {: G6 s+ D9 h+ q" w. w1 S| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M( G1 A5 w1 Z4 r/ I5 f
| └──5--现代目标检测之FasterRCNN 0 ~3 x/ ]9 V& H. h
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M3 [3 o7 `) U2 M& D' I h8 S
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M1 ]5 N" n! c! D- x
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
5 _! e# g t9 z5 B @| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
0 o+ |0 \+ w+ F" q, c3 t+ V! A# }3 K| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
8 e4 [* }' m% h2 H: ^9 Y) |├──15--深度学习-图像识别项目实战 % `: l R$ B ]8 f$ q# F1 h
| ├──1--车牌识别
5 m( R5 d0 N) l- {/ y| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M/ v1 k) a+ C0 W- {% g1 S) {
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M4 C! J1 `! B( l
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
$ J8 U0 Q- M+ W7 S7 L| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
: h2 b. `/ T0 N# s! p& t4 L$ n| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
; i. F4 O+ S8 [5 E7 j| ├──2--自然场景下的目标检测及源码分析
1 Q/ M% @1 p& t9 t. o& j' y| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
4 p) _. t6 A1 \8 E: k2 D/ i" k| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
C @: W, z. u; C. ]3 _5 Y9 y3 P N9 a| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M+ d/ N$ |9 M2 o
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M7 J! N$ _0 [* T! D' }! W" F
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
O* l' F1 O6 c, O5 Q| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
2 t( G) Y- d5 T| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M& R e: z; Y0 U
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
! Y1 I7 k: c0 X4 G| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M4 `: M& z( n I, u/ |
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M8 w+ D: P* a9 p! r- }$ g
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M/ b; W7 i8 k% `( A7 t$ a4 f8 ^
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
/ T1 S- Y! R# l4 z- N| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
' f( s+ }/ H1 d1 z$ b7 [ q| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M' A3 h% ^* o' l) K! W% A3 l
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
- Z/ F4 d6 p3 r| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M \$ ^% j8 N& T( F/ v7 |9 H- W
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
; e' q8 j( p6 q, J* t2 W4 d8 k( ]0 q| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M7 o( C( u& \! D2 Z6 N+ d' i
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M1 m0 o3 G' K( x% [
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M6 m1 K" Y. ]7 N4 h7 G" `% R
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
- s7 v% n( i, U+ v. E" I+ s| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M. @+ }/ M* U }& b
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M) |4 b; B/ o5 S$ O0 ?' a1 _9 [6 f
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M8 o1 k6 h N$ r7 N( o. L8 x, d
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M4 w& ]4 g) y) x% O
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
8 i/ Y4 T% Y8 z9 L, N: ?2 S* U3 o5 x| └──3--图像风格迁移
/ _) P/ I; S4 `* I: W9 t# C9 p" n| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M4 W: d. S4 [1 D
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
% O5 U, C& {/ h8 e! S| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
Z( u2 x8 V+ j8 G% {" B7 \| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
* ]: h2 f" v" h p2 w0 `$ W├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 + V7 z( ?, ^& h3 }" x* U
| ├──1--YOLOv1详解 ! P4 n" ?5 N! a7 n8 u$ j
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
S' D$ x$ r* K- i2 K7 || | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
( D( D( r0 U- E5 C/ O| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
l4 M& M ?* {& s| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M" G0 h# c5 P, {: W2 w
| ├──2--YOLOv2详解
1 s2 Y' _. ~/ F! }$ k0 h) I% m| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
4 l9 |3 [) b) \; e/ o| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
7 c/ i$ ~" @1 x7 U5 E/ i& L! E5 ~| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M
: P. a: ~' k3 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 K2 q# b$ J1 u- O% @# s| ├──3--YOLOv3详解
7 P' Q+ H; z5 O% ^| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M* d6 j+ p; }2 |0 T
| | ├──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
' C$ V! e6 {! Y% A| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M5 |& b& ^0 u% h6 ~6 a
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M* p. S$ B/ P7 \0 f' z
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
3 V: B7 k5 ^2 |5 d1 a| ├──4--YOLOv3代码实战 : }; O, J* T* N* Y
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M( h, Y/ _5 N- N; x) Q" q4 Q
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
/ ?/ c& _' C7 U( Z' a| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
/ U+ [0 ?8 Q: N0 y. X| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M% r. k. j% \. y$ @& m& }
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M8 n. a& d) U+ H8 a2 g1 x8 N
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
& d/ z: K2 b9 B6 _, t) C| └──5--YOLOv4详解 ; `& o; I3 i' I; w I' y/ J3 l
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
. _ ]- w1 X# A2 j| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
: g+ D. w( L; B; y' ~- S) c, G' ?$ c| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
& P" h3 Q; R6 k- W2 D" l| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
1 m3 h' G, H2 C# t0 V7 r% o: d├──17--深度学习-语义分割原理和实战 ) K/ F" Q) O6 z
| ├──1--上采样_双线性插值_转置卷积 & L! B! s4 U# b% f' g% f$ f
| | ├──1-前言 .mp4 19.46M
# [5 d; r! d. m0 F: D8 v| | ├──2-上采样_repeat .mp4 23.90M
' I% B1 _- E& M5 i5 d4 M: J| | ├──3-线性插值 .mp4 34.48M) H$ V6 b* U* u' X* _; I: Y
| | ├──4-双线性插值 .mp4 125.71M
* T* o5 d l$ K9 X: S* R+ ^- [| | ├──5-转置卷积_以及TF的API .mp4 114.25M
$ c6 i, t9 a U| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
U/ N; ^- @- s7 S6 o2 F- m2 _| | ├──7-ROI Align .mp4 58.38M
1 `6 |3 [& @$ f+ D" G6 [+ J! t9 J| | ├──8-FPN思想与网络结构 .mp4 92.14M
# ^$ h$ y( M. c0 f9 [- k& ]/ a| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M& e2 b- ]7 M& H
| ├──2--医疗图像UNet语义分割 : m5 _ y+ U) O1 V% [
| | ├──1-语义分割的基本概念 .mp4 18.33M% _7 I' E1 K5 C3 q( s( ?& ~
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
, y' r% r/ p7 f! F1 \- E1 g/ ^| | ├──3-UNet网络结构 .mp4 30.41M. ~. L8 o" W: ]/ Z8 t
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M% g7 O. D3 x$ I, A, P/ h2 h, W# a
| └──3--蒙版弹幕MaskRCNN语义分割
( M$ C4 | R9 x8 h8 R7 E| | ├──1-MaskRCNN网络结构 .mp4 106.38M
; ~7 D* J/ }& U- s7 M* ?' H; K% ~| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
4 Z( {+ ?- n' _| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M |/ G7 R9 L0 ^; A$ e5 s
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M+ Y# @2 `* z8 U v, s2 g
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
. V; R% U; k8 W: G. u# p. @, [| | └──6-MaskRCNN源码config和model .mp4 244.48M
% O ]' M7 y7 O) V├──18--深度学习-人脸识别项目实战 3 U# R, {! n0 D- k: a5 @
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
$ V- H5 H" A, P7 [| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
. S3 T3 j- A& f- Z+ s1 e| ├──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 b) c$ K2 O8 h" i9 R
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M6 r* U, M; u# p' i" ]
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
: a# H) E' F7 Y) L" N7 q- S| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M0 j; x( j' Z2 E* r8 h5 y' s0 l" c+ Z4 F
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M4 ]3 L/ i- p c3 t+ c z& f
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
6 ]5 T4 p4 K2 H. {, ?| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M0 P! t2 T- U8 E0 m2 x* u4 ]
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
( k! L+ J! o; L* ?| ├──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
! D" Q% S& n* o5 Q! b8 k| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
# O7 l4 ]4 ^( j! d| ├──3-人脸识别项目代码整体结构 .mp4 30.40M4 U7 |9 v6 g% ]. }7 C3 p1 V
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
. y, _, v; D0 Q2 N8 _6 _( l| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M3 T/ r: a' Z# @. [# W
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
% m b' G/ x, n* 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
3 l- h% d" }; w7 i; g| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
U7 B# o) S* Y5 m' N1 G5 G9 C| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M- ^2 Y+ |* v2 c0 c4 Z, B, J
├──19--深度学习-NLP自然语言处理原理和进阶
1 l6 {: d2 v0 O, d% a1 t| ├──1--词向量与词嵌入
3 _; T9 \0 F! m) A3 C/ Q+ [) s| | ├──1-N-gram语言模型 .mp4 116.32M
4 W7 B! X6 L; h5 A& N9 _! y4 }/ Y| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
9 h" M) S4 e; S% z" E| | ├──3-词向量的作用 .mp4 58.00M# B: F; D2 k1 V$ f* @4 _
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M8 z5 h+ X8 s" }+ N
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
. U, |. }+ ]! h| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M# ?% G- x9 P, |2 N9 d. ?
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M! b3 g7 h9 e4 ]4 [
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
& d% O$ y, [7 ?) P/ y- D5 p| ├──2--循环神经网络原理与优化 # v& p6 J; T* V! q6 @
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
' a6 k# u1 y: e |" [6 T| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M: g9 W6 S' y1 G T- L( j6 Q z- Z
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M4 d: d& p! ?1 c
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M: x) T8 e' m h( y' j2 s/ a
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M) C- G( V; g1 G; `. w
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
8 \- H& q- X& p% e1 f| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
1 h8 S" y+ C2 j& _# ?| | ├──8-双向RNN_LSTM .mp4 52.01M
( ^/ O9 E5 W3 a! v+ q" N8 n5 [| | └──9-RNN里面应用的Topology结构 .mp4 23.04M& u& E4 l9 s: M/ o- k% M% l4 R
| ├──3--从Attention机制到Transformer
# S& `/ O! l! e; O* s/ [| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M) {" S. B: ~* j5 V$ o
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
" u5 L2 x- l& b: m7 n( x% w% S| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M( R& M. A; Z5 o3 f
| └──4--ELMO_BERT_GPT 2 V5 X | x# m( B6 ?
| | ├──1-ELMO .mp4 62.44M
; c; ]( U, q2 C9 S$ W| | ├──2-BERT理论 .mp4 99.73M
. b0 F% I3 k' w| | └──3-ERNIE_GPT .mp4 56.34M
. ~: m& I* o( I' n& v├──2--人工智能基础-Python基础
+ O1 }( Y7 z8 W A, H/ V4 V| ├──1--Python开发环境搭建 , i5 T$ T6 }/ u
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
- y4 s/ A& S: O( O3 n/ R| | ├──2-Miniconda安装和测试 .mp4 57.12M. u* F! {' L. M* _/ b" X
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M" l0 W7 v4 g- Q# M2 ~1 F
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
, k, M+ X' D* r| | ├──5-Jupyter常用快捷键 .mp4 32.23M/ o# R3 @) x4 q+ B
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
; C; ]9 t0 U: F. A& t| | └──7-关联虚拟环境运行代码 .mp4 38.14M
$ A; d8 y# n' K: V4 [| └──2--Python基础语法
; T# w8 {# [) g: @% u+ l( Y| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
7 |7 u5 S( p+ i; \9 d% a# n0 ?| | ├──10-Python_集合操作_列表 .mp4 34.71M
( U# ]5 j' t/ c+ i| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M8 h4 u- E H" I4 n
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
* O$ E# @7 d3 G1 N6 r6 o6 o0 e5 i3 n, U- t| | ├──13-Python_集合操作_元组 .mp4 43.46M
/ E3 B$ g# M+ e5 [| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
/ D5 E& W7 u: |( n& H) ~| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
! f) M! ~( C) o6 s| | ├──16-Python_os模块_shutil模块 .mp4 51.54M. c: K; @4 x. S! B' O: l3 f3 \
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
9 |; [7 e! ~, B1 T* B| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M. p5 ~6 W/ E/ O2 d2 F3 T
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
' X/ G- F$ P* h5 d1 r# Y| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
5 u1 R& s% J" r! O$ L6 W5 o9 Y| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
( S' f! n! X+ o4 z, E; }" Z% B| | ├──21-Python_函数_递归 .mp4 23.46M
# a+ h; H+ C8 ^/ I| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M: n: K p5 U6 {* H( S3 `
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
h4 i3 [6 h- H# E| | ├──24-Python_函数_闭包 .mp4 41.61M7 w7 t4 A: i1 ~
| | ├──25-Python_函数_装饰器 .mp4 30.35M& b+ J' f' w& B2 L
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
( L# ~1 S0 N) H; |4 F8 ?| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
, |+ o$ D% A( x* a( {| | ├──28-Python_类对象_内置方法 .mp4 29.17M. C% t4 i; S5 ^0 [5 @( c2 k
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
0 G6 f( L7 {/ Q) |5 H$ [| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
: p; j! i6 v0 b4 P2 F& l| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M9 Q8 U( Z l5 E+ Z: q( O
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M: L! u$ m) F( l. {' {4 q& B2 N
| | ├──4-Python_控制语句_while循环 .mp4 25.02M5 _) }2 k2 w# E1 z2 J0 Y
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
8 O; j2 Q# ?. z% i, {2 G% G: \| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
5 _) l( E q. {7 V' d$ c4 R8 c' }| | ├──7-Python_控制语句_break_continue .mp4 25.23M
/ f2 i; Y. a. H: v8 }) d! ^9 T| | ├──8-Python_切片操作 .mp4 40.20M
. X' l! T& g/ C/ w' [+ O| | └──9-Python_数据类型 .mp4 25.38M
+ y9 W: G0 x3 W0 T- s2 n├──20--深度学习-NLP自然语言处理项目实战
; f9 Z! H& z6 c" @6 K| ├──1--词向量
/ G! H$ q6 t0 Y$ }- Q| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
( x0 S3 |* x" V* Y* h! ^3 ?| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
7 s% ?' i4 u# X; D" D* x. p| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
: a0 B5 M4 M& N( J% g% ^& || | ├──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 n& U. t( x0 x7 p& z& A+ g' b: F
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
4 e1 p, ^4 R6 p5 J| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M% i! p2 r/ T: |
| ├──2--自然语言处理--情感分析
- a2 a( P' k0 Z| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M, R8 j+ Q) k# E: k+ f T6 y- F
| | ├──2-数据预处理_01 .mp4 79.65M f. k+ |; D0 G
| | ├──3-数据预处理_02 .mp4 45.68M N& H* [3 K. U/ ?6 y6 H+ l
| | ├──4-代码讲解_01 .mp4 52.29M
9 \1 }; Y/ {3 o+ D% i1 z| | ├──5-代码讲解_02 .mp4 60.85M( t+ h& ~% H, e; K2 l- Z2 ]
| | ├──6-代码讲解_03 .mp4 53.89M
7 ?2 S) Q( O& D1 ]+ E3 ^& o& g| | ├──7-代码讲解_04 .mp4 57.19M: @* q- c) ]6 @1 L
| | └──8-代码讲解_05 .mp4 35.88M# M" X. q# ~+ S4 n0 ]" `1 I
| ├──3--AI写唐诗 ! l0 I0 v' b9 `2 _
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M: V+ S. A8 K8 y J& f9 K
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M" b/ |4 |0 a; ?" p0 p, h
| | ├──3-MultiRNNCell单元 .mp4 38.93M
1 N) f6 ^7 D5 } c| | ├──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
4 {- `( k) _$ c6 P| | ├──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 61.73M8 ~5 e: k/ }' ?. T q
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M( @+ x/ W/ y7 M
| ├──4--Seq2Seq聊天机器人 ' I# f/ a8 o$ U" n5 Q7 S
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
0 W+ l/ N& N& H; ?4 I ]; ]| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
D; K0 ?) `, l3 i( ?/ a2 t| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M* N" V% d8 P, T' [
| ├──5--实战NER命名实体识别项目
z% K+ H8 `$ Z4 _1 z6 u| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
- R+ [9 H& S, A' ]1 T) z| | ├──2-介绍了代码目录结构 .mp4 23.44M
7 P2 F0 Y; }& N0 I. j, S| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
; c, y$ C( k- y# R) W/ L/ n| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
6 {+ l6 H" o. v" b- M$ g| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
. ?! s% o% ~9 ~| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
, N% s1 P; ?5 A) R: W) g; s- V| | ├──7-CRF中的特征函数们 .mp4 125.97M
# h0 P/ K0 P S: M' V, t0 L. S| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M4 U- k. @! J8 U) ^5 `' i
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M0 m4 J" D3 [1 ]. v1 G# N! h
| ├──6--BERT新浪新闻10分类项目 . b' a+ {& t3 N4 |# s. ]
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
8 l: ~5 h5 A1 s* G% n| └──7--GPT2聊天机器人
% ]$ m& N, b5 W' D% {, ~| | └──1-GPT2闲聊机器人 .mp4 62.28M
" b6 I8 \/ s4 |2 ^├──21--深度学习-OCR文本识别 5 }, T0 U8 r1 }
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
+ l4 H5 B! {/ D9 Z* u \| ├──10-CRNN项目代码剖析 .mp4 306.48M+ V% D" T' k* m9 I$ j+ X F
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
4 \" |' e/ ?: S+ t9 d| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
8 D/ g/ }! v) y| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M4 J& Z& o" [. ^' I4 F
| ├──5-CTC损失函数的理解 .mp4 330.64M8 c$ q) P C" z! h# q* q. C; S
| ├──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# W/ ~5 _- U3 O- y
| ├──7-CTC前向后向算法代码 .mp4 225.41M
& [3 B! ]. k9 R$ d* B| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M( {& W R E! k) h
| └──9-CPTN项目代码剖析 .mp4 491.69M
2 A) h* q) W7 c$ G/ F Z├──24--【加课】Pytorch项目实战
1 K' D* r2 [% a n8 X: `% R' M| ├──1--PyTorch运行环境安装_运行环境测试 - R* R, M; G, [7 `* K+ g
| | ├──1-PyTorch概述 .mp4 29.29M( w9 b. d+ }( Z" n: R5 z- b0 f. }; e
| | ├──2-PyTorch的安装 .mp4 76.45M* Q4 f0 z! @% [5 L# Q
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M2 n/ M1 m7 T3 M5 M( ]; h. n
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M# `8 H/ O3 C- D+ W) u
| ├──2--PyTorch基础_Tensor张量运算
! w& ?' C& ?7 H9 Y" X9 U3 d| | ├──1-Tensor的创建 .mp4 55.14M* s' |) l- @5 ^8 U+ k+ K! @
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M- Q' Q/ }2 ?; V
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
7 B# f; U2 l: E" [6 d$ b/ O4 J0 x| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M" Q" v3 G+ _/ W3 g0 D& @
| ├──3--PyTorch卷积神经网络_实战CIFAR10 " s' G, i+ ^- |1 k8 g
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M) O' |6 c- e7 w4 c8 F9 U T3 `
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
* P5 u4 r6 {6 U+ j1 O1 G6 L| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M1 v; x& |& h+ t' \$ H) }! i j2 {7 X2 a
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
: Z% Q. } W( x3 D; a9 ~$ L- p Z| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
7 f5 q* @/ x) n; n4 _| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
/ m. I/ w4 Q9 x$ L* T$ c* P0 O| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M6 ^0 a+ F: R1 X' O4 Z) P
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
0 f$ u4 J% c3 o( Y' a# x| | ├──8-torchvision里面的预训练模型 .mp4 29.84M5 M8 f% U9 n* J
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M! y7 c$ x( ^, k% [6 ^/ x
| ├──4--PyTorch循环神经网络_词性标注 " s/ g/ }# g0 w3 }6 Y/ ?3 b
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
+ v* u7 J/ ^. c! w+ N4 [| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
# ]; @0 X. |5 P+ k( f| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
3 E: ^0 s, ]9 A- A+ ]2 p/ y2 V! P| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
" X. p+ P' {8 z| └──5--PyTorch编码器解码器_机器翻译 6 ^: |) l- m2 j* b# I
| | ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4 50.41M
- N( y% ? |. b! G* \% ~| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
2 f* G: F, |5 L5 ^) n| | ├──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
6 O8 x' B- X# v3 i" K| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
# S$ w- n: q, Q* M( N1 o! r" y| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M5 R0 X8 V: Q* `, M
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
; E! I& c" j4 P, v+ p| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
1 r# Q& b8 R- V: N ?3 r/ G; a| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M% u: l! ?8 o; Q% I* U& q* T
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 5 J6 ~3 |* Q+ ^! i7 J
| ├──1--PaddlePaddle框架安装_波士顿房价预测 + T3 }3 z) y7 _* U+ R
| | ├──1-安装PaddlePaddle .mp4 87.34M6 E( L& [0 Y2 m: U0 |1 b
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M$ b: B) r/ g* i. r+ j1 e
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M* c. n' _+ i' h# x* N
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
8 U3 Z7 C& A# V| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
' x" Z# \" e6 U1 K| ├──2--PaddlePaddle卷积网络_病理性近视识别
! m" W% E$ T) B, r| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
) t/ L2 A2 c* D% X% S| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
& J/ E' }* m2 b| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M6 X2 d; m* ^3 d. ]3 T5 w! W8 F
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
6 j9 O6 N1 V: R+ L$ B' Q- @; W| ├──3--PaddleDetection工具_PCB电路板缺陷检测
6 {; ?* j8 q3 t| | ├──1-PaddleDetection_项目配置 .mp4 82.88M# F: o5 ^9 |( ?# `
| | ├──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
) u; t3 L0 i( W/ J5 k| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M/ X1 H$ k& Y$ o. z" z" D
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
/ d, V" T( K0 U" \% Q- w+ c| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
0 [% C4 U( h7 ^7 m% ]& ~| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M( i2 k! T! Q- {8 i& a: v
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
2 @$ G, Z; W9 T7 ?| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
& o6 f' u8 d9 q9 I$ Y# ?/ ~, N| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
( v# s H: C4 c. O. G1 w8 A" Y( \8 V/ J- w| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M9 q, v1 p3 |" R3 d7 _+ i7 v
| | ├──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
3 z+ i. w1 f* U8 d; w| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
$ q' J" o8 ~# M/ i* ^| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
" Q1 z* }- I8 || | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M$ ~) R+ n$ G% I
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
5 o3 O3 N1 [. |# a; I: c) P| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
+ R, p1 V) ?7 V1 ^- F7 j1 i| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
. |. d. Q* k( c* d' `! D6 a| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
) Q+ U, S* ` e6 w| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
/ o }- {; R- b, `6 @- o% V( b| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M6 c1 B) H2 u+ E, h& N9 n; D, }
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M( ]# @& U# l% X, c
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M4 K2 M! l5 M, |, W
| | └──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
{8 d: i5 {/ B& p3 C* t' j" e) _" v& \| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
3 {$ `, Y6 p$ l5 c5 ^ Q; X| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M4 d# G2 U+ N9 X8 [8 R
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
}' m: N1 l* g| | ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4 47.78M
3 H( C4 k2 B2 N+ u$ n6 a| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M3 L$ e9 [. A, s, ?% ]' m+ o
├──26--【加课】Linux 环境编程基础 % w& t- |( A& N1 A/ H# r6 h! L
| └──1--Linux
. x) y+ l) m$ I, _0 O| | ├──1-Linux_课程介绍 .mp4 3.72M
; _3 N( Q5 A1 J1 E, a| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M9 b, P& q2 x$ L2 @
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
6 B9 f d$ Y! V4 k# b| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
: n( F% h! |1 K% l8 || | ├──13-Linux_常用命令_cp命令 .mp4 16.08M: C( q' t0 c* `
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
/ \+ F9 R) x$ g f. E/ J0 Q| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M& l- G( U+ c# k0 L' T& G; H/ a- V# I
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M4 r1 B0 t3 x0 {# k0 C* L4 p- w; U
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
3 p; R5 m8 J0 Q0 ~/ }# ~* W| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M' O S2 p: ~+ N# z( `4 {
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M# `( a3 R9 }& U) Q7 Q* Y% y2 m
| | ├──2-Linux_Linux简介 .mp4 17.59M5 h! H: T: P. g/ [# U
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
; ^. `. P2 z6 H8 ?4 `# C" I| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
' q+ p' C5 D1 m$ `| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M+ r. F. c' \7 r/ _1 }: I) v3 W% ]
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M h) H* m6 a; R
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
( D$ |( o3 ]4 d+ G* m8 T| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
- J# [* T6 Z% o; q| | ├──26-Linux_安装MySQL .mp4 79.02M' i, n/ F4 @! B0 g
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
; s. K5 U9 x! X$ l" H' _$ ~| | ├──4-Linux_安装Linux .mp4 41.97M/ F2 O. `/ X8 z9 y# |
| | ├──5-Linux_目录介绍 .mp4 20.31M
. n! v8 t& l2 l4 \1 n1 K2 Q| | ├──6-Linux_Linux中的路径 .mp4 18.65M1 X% i% W3 W G4 w- v+ s# J
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M% w# M; G1 ~' G9 L& n. f
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M6 X/ L: D% @0 r
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M* m& W& E% t) k# ^( P/ g! z
├──27--【加课】算法与数据结构 & m/ }+ j- [9 N. h
| └──1--算法与数据结构
2 T3 `9 S8 c7 X| | ├──1-数据结构与算法简介 .mp4 35.68M
' L8 H, i% G* r& g9 P| | ├──10-哈希表的基本结构 .mp4 54.34M
- W F! s2 ^7 ^8 i+ T+ O| | ├──11-哈希表冲突问题 .mp4 75.92M' m+ k8 R% x1 ~7 m
| | ├──12-哈希表冲突问题2 .mp4 72.30M& q3 z, f) f7 ?- i0 d4 k4 B
| | ├──13-哈希扩容 .mp4 111.03M
- r2 O' S0 W! I! l| | ├──14-递归与栈 .mp4 50.77M
8 H; ~& _7 K- U6 @1 ^$ Z3 e| | ├──15-线性查找 .mp4 57.80M/ T2 Y" G$ G9 J8 B" X2 b& d$ Y1 X
| | ├──16-二分查找 .mp4 52.32M
8 C; q& A# L6 E| | ├──17-冒泡排序 .mp4 53.19M8 Z4 a. G2 p( T0 A
| | ├──18-选择排序 .mp4 43.29M
J ~ v/ L+ M7 r9 I8 {% F+ J| | ├──19-插入排序 .mp4 31.39M
1 b, r' K/ g) m| | ├──2-大O表示法 .mp4 25.59M$ Y: r" B3 }% x& a: y& Y
| | ├──20-归并排序 .mp4 84.48M1 h( ?7 F6 \# u7 p* b2 G3 D& s% ~
| | ├──21-快速排序 .mp4 36.63M
5 c# W) @" Q( ` u4 T" s| | ├──22-树结构 .mp4 96.85M
; _4 ^7 S, x) g- x9 P; ], z* ?| | ├──23-树结构的遍历 .mp4 61.05M
' a( i K2 y& I- @4 L| | ├──24-最大堆的增加操作 .mp4 45.43M
9 u+ l9 {! L, Q% N2 a| | ├──25-最大堆的删除操作 .mp4 45.63M
. f9 f; y( @0 a# F, N, M+ f/ t| | ├──26-二叉树的查找 .mp4 100.24M0 s9 I/ F7 X3 Z9 F8 v' g% C
| | ├──27-二叉树获取最小值 .mp4 25.21M
: e8 y G( |. q7 s7 t| | ├──28-二叉树的添加 .mp4 72.66M
1 F5 A9 t# r; D3 ^| | ├──29-二叉树的删除 .mp4 120.06M, N6 V8 c# S) M$ W2 r4 C3 p
| | ├──3-线性结构 .mp4 53.14M4 }! ]" v) V, Q: F8 ~: j% `
| | ├──4-单线链表1 .mp4 68.36M
$ z5 `8 X4 l& k4 t- `; n| | ├──5-单链表2 .mp4 221.69M
0 ?# `8 `8 s* J s5 ?& _| | ├──6-双链表 .mp4 103.57M
, g4 [8 j0 e1 b: K+ T# ~| | ├──7-队列(链式) .mp4 74.12M
0 |9 i A0 a- s| | ├──8-队列(线式) .mp4 30.99M
1 x# Y* C6 |+ @( ^| | └──9-栈与双端队列 .mp4 28.12M; j2 R" {3 F: m, h8 k _; @. A4 |
├──3--人工智能基础-Python科学计算和可视化 5 I1 @. }: ^0 v2 H
| ├──1--科学计算模型Numpy - X' K k, P) u5 Y$ T6 J
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M) b6 `6 Z6 d+ w) k* l% G
| | ├──2-Numpy_array_arange .mp4 35.45M
* _. o+ A6 L- q8 B. x/ `. n| | ├──3-Numpy_random随机数生成 .mp4 50.54M0 L6 [7 u9 W) o
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M9 T# [6 s f( x- l. R' ~2 e/ l( P
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M3 U0 ~; F( f; H) ]; D
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M* t% K* M: e/ |$ x8 c
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M) k2 w: W, s9 \$ |! J$ ?. ]2 ?. ^
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
7 P& s5 e" N; ^, {( z% S| | └──9-Numpy_聚合函数 .mp4 23.68M2 ?* j: i- j2 K" S0 c7 K
| ├──2--数据可视化模块 & [7 }8 W( S2 @$ N% I
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
( T8 m+ e' H% f| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M- o# R0 d+ Z# j( X" i8 O) 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- D5 n) Z: k# o6 ]. v
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M; w0 c/ o" k& y c+ T5 y1 F% e
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M( j8 W5 r* n2 } x0 I$ @
| └──3--数据处理分析模块Pandas
, c1 i' ?3 w5 p| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M% x/ X* }7 _4 n X; M1 R* A
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M' v/ @& _4 l, ~; x; O/ w
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
9 o7 P" x" f J- N: R, }, B* O| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
8 e" E1 C. p; S+ ^ F| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
+ J" p' T3 x) m. ^+ t( i+ A| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
3 n o, H; x0 q| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
! w( T$ x0 m' B" q1 U├──31--【加课】 强化学习【新增】
8 `- ^ U0 X. ]' G) c| ├──1--Q-Learning与SARSA算法 ! O) E% w; P8 I9 W$ \5 T
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M) q* m3 F; j. t( w: |# z& \
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
# U5 I' V# A% t& m' R# ~| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
& q7 w: p/ \, q7 b' \: ?! a1 @| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M' w$ \5 k9 h+ s1 B: W
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
1 h* N/ `& v+ ~1 n5 A| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M1 s0 ^, x. |8 L3 ]5 y6 e
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
( P/ _( n, L4 x. }7 j( e& m| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
0 i( ?3 [+ [' v! D, D& ^# M| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M1 H% n/ G; h( v4 q% B
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M/ \' T$ B9 ~- Y1 l0 o. q
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
2 ^* O$ G( c# E0 t8 d% ?| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
# t# D* c. x8 M8 \3 q0 p| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
- Z( Z6 r ^1 n+ v" d; `& O2 H| ├──2--Deep Q-Learning Network
" q, m) f+ z$ g2 ?' R. j| | ├──1-DQN算法思想 .mp4 59.24M# t5 q* [. T8 L$ X( V" ?
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
+ x5 Q: k. _: n4 Z0 k| | ├──11-DoubleDQN代码实战 .mp4 44.49M
3 [% V: }( C9 i1 T; c; h6 D/ t3 H j| | ├──12-DuelingDQN .mp4 88.12M
2 |; A2 b5 b! c| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
$ {& X4 `- e5 g9 |$ A0 ~| | ├──14-计算Action的方差避免风险 .mp4 54.23M
1 z) a. a! D& }3 a9 B4 Q| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
% p0 L2 A$ ?3 f+ B9 F9 j$ ~| | ├──2-DQN算法具体流程 .mp4 56.17M U( T. b) @8 Z
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
2 y, i3 j0 B* S2 o6 @| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
. @) A5 M+ p* E7 O. K, v| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
+ o6 B; ]0 k( B9 H( p, B# Y( i| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
1 m4 \- `5 z* Q' B| | ├──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
& R$ D6 m" K3 ~| | ├──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
( f, F, Y i/ f7 i8 B! @2 |7 q| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
* u$ \9 s5 U+ s% l: y1 H$ f1 h| ├──3--Policy Gradient 策略梯度
$ ?. }+ ^+ V, ^' K| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
3 N/ i) }% j9 ^( 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
" Y/ s7 {1 t4 A& Q, N2 D) X| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M2 Z% E" m% J' A4 D- \( r
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
7 d. d# m8 r* P0 z| | ├──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
: f/ i, Y/ s& y6 Z! W4 E| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
6 P% i3 b' x: y$ o# i4 M| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
2 Y- a) g4 W; J" v2 H! B4 ~| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
* C5 Y* {+ |1 n- ~6 |$ y| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M) V4 T- D5 n0 w3 A9 u
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
; N9 N ^' ]( C; U. e8 Z| ├──4--Actor Critic (A3C)
# @$ O2 N9 J% `8 T9 a; D3 N/ v0 o| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
6 [ \6 ^8 W5 x" e| | ├──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 36.14M2 k1 j. G/ S1 i1 ^/ v# }# G
| | ├──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
2 p! H. j9 m. t1 }" r| | ├──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$ q, X7 r! W- f+ a: C
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M% G' W& v7 U# ?5 X
| | ├──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
1 Y0 Y- ^4 `7 R, K, U0 c| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
) O* ]& Q5 E s% ^ ?| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M; B- R$ `/ o5 l' k' I2 ~8 r; G
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
; L# J) }* I* q/ e9 D2 V| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
) B; r$ x' J3 @" z% u* K2 Q| | ├──6-A3C架构和训练流程 .mp4 74.66M/ _# H& N4 B) h. X! y f* j
| | ├──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
! Y6 a3 S7 @; i7 d( `* E# N| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M/ L% S: x, b% E" V9 }6 l, N
| | └──9-代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性 .mp4 36.62M& C0 I6 S/ N0 `+ V- X6 {0 p
| └──5--DDPG、PPO、DPPO算法 # x& N. _6 N# y5 h$ @3 I
| | ├──1-DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic .mp4 81.92M
0 W# r8 n3 s! O# ]| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M3 X& ?6 M, p& t& X& _
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
" u* W" ^" ~* N$ j" \9 N| | ├──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
( E) p* {. r& U; t| | ├──13-DPPO分布式PPO .mp4 63.81M
9 L( F/ n) E" O" \/ d# s1 U2 u4 e" [| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M/ a" R [9 f5 w1 z" S4 O1 j- {
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M) k* s# b, G# [
| | ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4 51.45M+ w( W1 i. a: i6 L
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
: Z: C& U5 J) x0 u| | ├──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
1 T; `1 ^$ h# n1 O( C* |9 i4 W| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M1 N3 {; ^: `! ~
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
0 v# M" y; m" d| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M6 R4 ~# z: ?. @: D- X, l
| | ├──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
1 ^: Z5 K+ R! M$ [% U| | └──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% y' Q1 _1 r: O: d
├──4--人工智能基础-高等数学知识强化 # O2 ]0 B% |- O2 W& T2 U
| ├──1--数学内容概述 5 Y# k# @2 k# @
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
! Q2 {$ ]# V- J| | ├──2-线性代数_概率论知识点 .mp4 26.81M
; a- z* {5 ?, x| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M; i+ k3 A0 x( z& i8 Z/ d
| ├──2--一元函数微分学 % R" _. y6 i. U$ ]/ |' g* V7 ^
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M, I2 \- s* U7 F4 J
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M3 Q1 p/ Z; {2 m+ t) T0 _
| | ├──3-常见函数的求导公式 .mp4 22.76M
- b: e/ J) b$ ]2 A" ^, x; P; ?| | ├──4-导数求解的四则运算法则 .mp4 26.52M
5 O; m! Q f4 u) E8 g| | ├──5-复合函数求导法则 .mp4 19.68M1 \8 q B) ~$ F6 _# V
| | ├──6-推导激活函数的导函数 .mp4 33.40M& t' G& o* d6 H D! F' ]1 |
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
f& w9 P. X6 J| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
8 K+ k0 U% y/ }9 H1 D| ├──3--线性代数基础 ( x6 `# @8 S( [% E- K
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
7 a, j$ Z K) `3 b3 Z" h| | ├──10-矩阵的逆矩阵 .mp4 38.54M
9 D) d5 H t/ \4 ^5 s9 s. h| | ├──11-矩阵的行列式 .mp4 20.13M; F8 X0 I0 u0 K3 v
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
% |# f; a8 X' w$ U8 \| | ├──3-向量的内积_向量运算法则 .mp4 19.78M9 o' G' C8 R- {
| | ├──4-学习向量计算的用途举例 .mp4 20.32M/ j8 B/ l/ o% |. m
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M$ g$ u! a4 S2 D9 r
| | ├──6-特殊的向量 .mp4 26.45M. N3 f2 @" A. [0 W) g
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M# Z1 ~& g6 d9 [0 O2 @3 ^7 e ]/ k
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
5 A8 z- g$ b( [1 y$ ~) p, d" \9 v| | └──9-矩阵相乘 .mp4 20.02M
$ e" F8 I D6 L9 r7 @& s( {| ├──4--多元函数微分学 ( X8 p) J0 R( H- `4 p7 q
| | ├──1-多元函数求偏导 .mp4 22.61M
2 @% l% u( o( G- N7 P7 Q/ \% G4 u| | ├──2-高阶偏导数_梯度 .mp4 27.15M7 B$ I8 K0 u; o- [* Y' N4 W
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
2 X4 u/ j- E9 t ~# w2 F6 `! k| | └──4-Hessian矩阵 .mp4 32.93M; }7 O: h3 v$ w+ J4 Z
| ├──5--线性代数高级
4 `0 R# d0 O: c| | ├──1-二次型 .mp4 27.70M
# x$ z7 i- B( \4 H9 [| | ├──10-SVD用于PCA降维 .mp4 24.90M4 ]) D% M4 x R, [7 M, @4 x7 n
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
+ d* H0 @, G2 S9 I| | ├──2-补充关于正定负定的理解 .mp4 23.48M
, [# F$ C% J( j0 e4 v" {| | ├──3-特征值和特征向量(1) .mp4 29.83M7 b+ |5 H4 I6 g M
| | ├──4-特征值和特征向量(2) .mp4 30.07M
, B" U% K& \9 {3 m/ u| | ├──5-特征值分解 .mp4 38.68M# D; Y2 K# F/ j9 o. v. m
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M' }0 O, ]* }$ v0 z+ F& {0 T4 j
| | ├──7-奇异值分解定义 .mp4 22.58M
8 R7 ?" e. k6 G7 v& a' n t+ _| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M2 {6 g8 [& a% I! g3 X7 M
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
) \1 y# @4 z) `/ l| ├──6--概率论
, l* A; Q! [9 A8 @| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
6 H" v7 F- H6 z9 O' B| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
7 P! N2 x4 Q& y+ g: `9 S7 T5 s4 q+ n| | ├──3-随机变量 .mp4 22.57M
! D D! w5 J4 W' J5 S7 t| | ├──4-数学期望和方差 .mp4 22.96M' n1 Z! D* H0 z- P' M
| | ├──5-常用随机变量服从的分布 .mp4 22.48M ^2 G5 e4 V$ r9 m9 U! a+ l
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
% y6 ^ Y1 e: R7 n8 ]& P| | └──7-最大似然估计思想 .mp4 23.42M$ {5 n3 }+ d- r& ^- E; J
| └──7--最优化 # o m! C: i& Y) Z" X
| | ├──1-最优化的基本概念 .mp4 35.14M+ U+ b+ C; d+ ~. F0 f% t6 T
| | ├──10-拉格朗日函数 .mp4 27.46M
. ?& b0 _4 \$ G# s+ K| | ├──2-迭代求解的原因 .mp4 20.15M
: p. f/ Q- `+ S/ p* ^| | ├──3-梯度下降法思路 .mp4 26.33M
8 E4 `. k* O4 g7 K7 l| | ├──4-梯度下降法的推导 .mp4 43.56M6 u0 N% ^7 J! t$ b7 z
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M9 }0 ~' j- p M1 c* w5 A# B
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M B6 C* ?+ `" _9 i
| | ├──7-凸集 .mp4 21.90M8 F. A7 v) k4 D; m
| | ├──8-凸函数 .mp4 16.93M
5 T# E/ F! l; l+ [0 C| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M0 f1 B& ^- e& ~* X" w; Q, C. D! T2 H
├──5--机器学习-线性回归 . _3 R5 `& i" H8 ~2 i8 r
| ├──1--多元线性回归
' \* P( l0 s9 e8 ~: ?7 l; x4 f7 q t4 a| | ├──1-理解简单线性回归 .mp4 51.11M
, S9 X+ I! b" a( K: j| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
7 r7 s+ w( u- v2 || | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
& Q1 c) J& T( C: h$ h8 E: y| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
1 Z( u) J# z, }5 @6 E| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M5 M: _' s! ]1 t
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M% z. l5 R; k% U. ?. v6 u2 @
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M9 [9 y* ?; x( B3 M' h6 e
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
+ G5 [0 D9 c& `8 E6 Y2 P6 Q| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
0 i: F) `6 z5 t# @8 z' p| | ├──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 48.31M1 a& }2 m# ^% w' \! Q
| | ├──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
1 o1 l6 I1 }# P6 a| | ├──2-最优解_损失函数_MSE .mp4 39.58M
. Y% s* \' }2 D% b| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M! z8 o- M! H6 k
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M9 D0 [0 o# G ]5 q- z
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
* Y3 L1 g4 P. Q0 }4 f& N| | ├──3-扩展到多元线性回归 .mp4 32.15M4 y: m6 z7 k) ]% M7 `
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M6 E2 {. o6 @/ h( w
| | ├──5-理解维度这个概念 .mp4 41.41M
]. M4 H" ]4 |; {# p9 t% P| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M/ _- n" S9 k) E% A7 c0 t8 X9 M$ |
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
?1 T# x7 |7 K/ f| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M5 U3 _0 Z2 b. m$ \* d T
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
( K l4 O, L* q* `! G& P| ├──2--梯度下降法 % `; ^% z$ m& V
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M5 Q+ N" {' I. G% e5 Y
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M- P. Z0 w" A( o8 F, u6 _! g5 P
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
& o# ~3 T n3 B* `7 \| | ├──12-代码实现随机梯度下降 .mp4 26.67M* t5 v3 ?% L3 \3 \! D/ W; X4 k
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M: S/ @. c, ^5 N& c
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
: V3 v5 D$ E& u3 d8 B; `# l; A| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
D& B, ]: Q3 ^5 y- C7 E* ~6 b| | ├──2-梯度下降法公式 .mp4 57.12M
( y, X+ M- O1 P9 ]* c| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
( h6 s3 E: p8 O7 n| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M/ |/ y7 q- G3 u8 T A+ y. g# f
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M( \' n. [& P, Q* {5 W( D* y
| | ├──6-全量梯度下降 .mp4 62.84M0 a1 g% F$ k" Y6 l4 A6 x' O1 i
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M: @1 q3 s' Z$ ^ b" z/ [! ^8 L" [; }
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
. O* D* q, _2 M: O5 o3 r& C| | └──9-轮次和批次 .mp4 45.22M
; D+ ], U8 x# I! Z: \( a7 r5 a| ├──3--归一化 # m4 W5 Q! l- K6 q& f! N" V
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M, N! r3 Z1 B( z/ o$ j
| | ├──2-归一化的目的_举例子来理解做归一化和不做归一化的区别 .mp4 34.11M
3 M' V# k4 Z/ _! i& |' v| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M9 d# s* `( Z8 K
| | ├──4-最大值最小值归一化 .mp4 24.87M" C8 H: \9 r/ @
| | ├──5-标准归一化 .mp4 51.86M
, S V7 c' o" r9 D/ Q ?, f! U! L| | └──6-代码完成标准归一化 .mp4 41.13M
: X+ y, v2 x* X. R1 T| ├──4--正则化
* X5 E5 H4 S6 |5 @4 s8 ?| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
* x& y( J6 ^6 |' || | ├──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 v& ]: d8 P9 {# t+ Z
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M8 j" j( d9 q+ J# K; e, U! E
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M" F6 o) F. F+ N. q. _9 d! V& v2 F, B* o
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
% N% f6 Y; w0 a& F5 r6 I( s| └──5--Lasso回归_Ridge回归_多项式回归
' t) M+ v3 s+ @4 B8 a9 R4 B) S2 k1 T| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
% J4 v2 R o+ N( j3 f) O| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M# P- V9 W$ z$ Z( M8 O V
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
& m- y/ b; `$ t" Y! x$ _| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
# a2 e& {+ o4 N- `! _| | ├──2-代码调用Lasso回归 .mp4 28.73M0 `( p$ m3 D/ N1 b% y+ l4 a
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M& d* j5 H, D: t0 w0 w3 ]: ^/ @
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
4 X# u( ~) {: v| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
5 W" ^6 _2 P. x' j) t| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M; C' ~* _, t. B1 K( S8 G# X$ B
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
9 d" p% C) l) T8 n9 j% w2 U| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
% c5 o* k' y8 Z2 p( G. O) N+ c' l| | └──9-实战保险花销预测_模型训练和评估_选择非线性算法改进 .mp4 84.12M9 B6 I( {* e& q# X8 N
├──6--机器学习-线性分类
7 ]# y- w4 t& |9 E4 n$ t# || ├──1--逻辑回归 & y3 {4 ]9 `% z" U6 T/ f
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
. }7 N% e/ m5 T9 t& z# E' @| | ├──10-绘制逻辑回归损失函数_探索两个参数和损失函数变换关系 .mp4 39.83M
- `# v1 T! i9 t8 n5 I& @5 A6 n| | ├──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
3 b8 t! U) v4 O, a# Q! i* s- T; D| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
1 C: h' x; t i& I8 D1 d% V5 Z| | ├──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, n( \ N2 } `9 B
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
$ N6 I! o. T$ t1 Q8 z| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M7 @7 R3 z) n1 k2 R |! C5 z0 t
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
1 P7 H. U, `/ m$ G" d& N: @7 a| | ├──2-sigmoid函数作用 .mp4 38.15M
2 s4 ?8 c$ J; L! ^| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M5 V' V2 ]1 v. o+ t+ K9 _
| | ├──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
" U) ^, l- z9 u" f% w6 L) [| | ├──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& F% Y. s! I0 [. y! @( o1 N7 h5 s' L
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
+ d+ h1 d; d8 M, l8 O| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
0 j; @4 r+ a8 {0 ]& r3 z, @) c2 f! Z| | ├──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 56.56M2 \, M, C& j0 k$ N8 b4 T- K
| | └──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; Q. M# n+ S* R; C
| ├──2--Softmax回归
# y0 A$ E `; u/ q( g4 L| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M) x% X7 q: \& Z+ m* ~
| | ├──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 42.74M1 z8 M* V0 P! a$ o8 i$ ?' |& `
| | ├──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$ A& k4 w+ K7 m. |0 R
| | ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4 47.67M
; s) \* ?9 C3 I# o0 f @| | ├──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 78.03M4 R$ u; f: [ X, q7 c
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
( M1 n: a9 w$ m, L3 j, W8 Z* ]| | ├──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. |* A6 T3 T/ w- f! Y. R
| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M, f! A! c+ F/ e# X7 R1 ^8 q
| | ├──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, [" t3 B; k, A# G( k; H6 u
| | ├──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
1 {) K1 R5 q" Y: n/ U; m| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
" `+ f. I( J$ W6 g| | ├──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+ f5 {. s1 ?' @5 e) v% V3 J' d h1 |
| | └──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
7 l Z/ M/ }: o* i8 \0 ?3 {| ├──3--SVM支持向量机算法 - J8 f5 ^2 Z R7 s1 z# c' ?( U
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M5 C( [" p9 | h; I/ ]/ Y0 }' |
| | ├──2-SVM的思想 .mp4 55.56M
/ x( L5 l+ D/ d( T. ]| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
! S/ t) X5 R: B8 Z6 I| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
% S2 s! l% H8 M- I! z: B| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M4 y6 e" K8 p# e& \+ p/ f2 d% t- S" n
| | ├──6-总结硬间隔SVM .mp4 39.01M, v5 v/ t' y1 J' A1 \4 u
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
9 M5 e% H6 Z1 l( l; S' o| | ├──8-非线性SVM .mp4 54.43M6 w/ E1 u* i8 R1 ~+ r* C
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M. N- M+ `/ y$ u9 E6 P
| └──4--SMO优化算法 7 d7 c s" P! R; n% |( i* J
| | ├──1-SVM算法流程总结 .mp4 58.36M
7 a% e% N$ h% b9 j) || | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
4 o7 ^: `( g3 h! Y| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
! ^5 D0 u& r- ?7 z| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
$ M: f7 J4 n1 J| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M6 N5 \& e$ D9 i! i0 w2 [ Q
| | ├──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 O+ i2 ~6 @/ b/ w4 ? P
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M# i5 p( R- k. e( ?6 t/ a/ K
| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M1 p) H$ o3 D0 N7 N+ a0 U, m
| | ├──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 63.23M3 s( }/ R: _8 W# z) H& ^2 R; ~" e
| | ├──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
) ?& B9 B4 U$ y! v. Q/ Q| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M. L8 b$ h1 ^+ c' c8 v
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
2 t7 E6 ~; e+ ^# ~6 V2 U3 W$ J| | ├──7-启发式选择两个α .mp4 23.11M N9 Q" f. g1 i! @) D3 W9 }
| | ├──8-如何计算阈值b .mp4 50.18M
, X% k4 j: G3 w" K| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M" l. x* n. G, L6 o" m
├──7--机器学习-无监督学习
2 \8 a$ h% ^! A| ├──1--聚类系列算法
$ m3 P8 F" |; g/ V! Q. N9 _3 m| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
% o7 k7 U+ J0 \+ z4 f6 }- W* @| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
# i/ H3 g/ [5 }' U) O# m, e) W| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
5 ]) C) ]7 t% V- N8 ^6 t| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M, y$ N8 U: F: W0 s
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M) u+ U+ n; w9 H. i# n
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
) Y& m2 A2 p& V( @| ├──2--EM算法和GMM高斯混合模型
: c3 }% ]% W4 P| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
`. \6 T. c) _3 {, Z" \9 x| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
4 o. X9 b- u7 N1 x( k6 _( V& b2 j| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
: e3 d. l; w/ p) _! N| | ├──4-Jensen不等式的应用 .mp4 109.17M- Z/ J. U+ D9 o
| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M4 U4 _; ?. K$ p. g9 y3 ^! K8 k7 I4 j
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M/ ^1 c% ]( X$ g( i6 o# i
| | ├──7-GMM前景背景分离 .mp4 16.01M
% @4 J) w* y: H$ l4 O| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M( {1 m* V: X) {) ?0 ~3 V9 `1 [1 F
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M+ h/ A" x7 x8 v2 @* ?0 Q
| └──3--PCA降维算法
6 b2 C) y7 I, g5 @2 o" t| | ├──1-特征选择与特征映射 .mp4 49.38M' N& W; g* x: N9 p' |* q: D
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M w3 c: o7 Y! t7 \. c5 x& e* ^
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M$ x. {/ I8 g9 ^# P% g# c, n! D8 c, n
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
: y2 m& V9 _' h) w6 ]" k5 B| | └──5-PCA的几种应用 .mp4 54.58M( v9 v0 d' {5 ]7 G$ O
├──8--机器学习-决策树系列
7 \6 M) ~: B0 A8 h% [| ├──1--决策树
$ y) K5 k' a$ V" y# N3 p5 z9 l| | ├──1-决策树模型的特点 .mp4 74.88M
: s" l% K& s. i; k| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
9 o' ?# d5 b M| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M- X: D4 r& Z9 Z6 e' o
| | ├──12-后剪枝的意义 .mp4 50.49M
+ ~% E u+ I& n7 [" Y: r| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M" O& {! P1 M% U# i2 a
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
0 C. @2 ^* x. S- N' O& [| | ├──2-决策树的数学表达 .mp4 89.94M
% \/ j4 [0 A9 H+ P) Q8 i| | ├──3-如何构建一颗决策树 .mp4 84.87M
& j' c- c9 S2 _8 O5 R| | ├──4-什么是更好的一次划分 .mp4 57.02M' o0 y' K4 M8 l8 G( X# d0 K* Z
| | ├──5-Gini系数 .mp4 107.54M
: j/ W2 _# V, U6 R, S. D0 x| | ├──6-信息增益 .mp4 75.26M. F$ s+ d/ V# n8 M- A' G- d
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M n! f- M% c1 h* Y
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
0 Z9 ?" h1 X8 o' z| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
H* s" q/ x! I7 o( E) M$ H8 q- V| ├──2--集成学习和随机森林 _4 G. a% ]* K5 b
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
8 R, P* e) `7 L9 |. m: B9 ^9 W| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M" z; q$ _( s3 W4 y9 R
| | ├──3-随机森林 .mp4 108.14M! `# r$ S5 j# S4 s3 _+ N
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
" T' @! F: ?: R" p2 [/ i3 H7 [5 w| | ├──5-OOB袋外数据 .mp4 106.07M
( g# Q/ r" W P| | ├──6-Adaboost算法思路 .mp4 106.30M
4 o2 Q9 f; N& g% I- a9 t/ Q| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M2 b. f2 i+ D0 K7 Q6 j1 s
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
7 _$ I$ C/ j! P- v" y| ├──3--GBDT
S) v7 D( G3 X' Q% p| | ├──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
' Y! e1 w. K: P1 P. P% E| | ├──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 \0 V( N3 @. f% p| | ├──11-GBDT多分类流程 .mp4 73.80M2 m( A6 A7 Y( f( \0 a( _
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
& k( a; Q+ e ~1 \1 j| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
7 M: e5 E! A/ E! x/ `| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
; Y$ }! i* l. `1 I7 }; N| | ├──15-GBDT二分类举例详解 .mp4 86.67M
9 K: p/ b% H* l8 o" Z| | ├──16-GBDT多分类举例详解 .mp4 91.71M! n8 [/ K, z0 r9 b: U# ]# l
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
9 j3 J+ g3 b% l# R& I1 U: || | ├──18-GBDT用于特征组合降维 .mp4 43.72M
3 q, C& P- X% o7 B| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
5 i6 d+ A3 w( I, `| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
; ]0 r' n- c7 o| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M6 z' H. L: m! p" g1 N" D
| | ├──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, w( D+ e0 X7 f b* S
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
7 Y+ S, ? d5 _0 f# @4 J| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M, ^8 L6 o M. m1 u! L& q
| | ├──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
- F0 U. A( o+ m3 M6 c/ b! S| | ├──4-GBDT应用于回归问题 .mp4 84.66M- y) L- b( p' e8 a9 K0 t6 i
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
, ~1 i& b8 l3 R3 G4 x| | ├──6-GBDT应用于二分类问题 .mp4 70.42M2 D" K; C1 c6 x
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
* }) n* Y; j9 {9 |( ?) Z| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M# L1 r+ P* k! ^: M Z& a2 A
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
9 Z' a$ x8 j! @2 J) V( K3 K9 s1 ^| └──4--XGBoost " n+ l7 Y. Y$ Q; ]: H- C8 u
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
. I1 Q. u8 Q h3 A$ P& M9 ?7 Q: y| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M& M K% M# W% R* m3 N
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
- {3 h) v( Q4 {: I# r! H) c* N* u| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M+ s2 o1 b! h5 {0 e: C# C+ ^+ m
| | ├──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# a: ]" W' a% k3 U9 H b+ m
| | ├──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
/ q1 h+ J' z1 B) e+ N$ F| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
g6 n: h+ q7 d) p% [ O, D| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
1 K2 h7 E# P/ P$ N| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M% r( w7 V! ?* ^6 q. x! U. }
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
/ L0 l# D2 h+ H3 H+ z| | ├──3-基于树集成学习4个优点 .mp4 91.36M
F* O) {3 N3 C3 A+ x4 || | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M% S+ t( V# K# f0 z( T5 P6 f* T
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M6 [% r6 i6 x K$ f0 j
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
: S) g2 ?8 C1 ~: \6 O6 S7 K| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
, P' X! m- ]6 f3 ]- j; v| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M8 G8 A1 w( L3 P7 f
| | └──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 Q# E) b5 I) t0 C F
├──9--机器学习-概率图模型
0 r/ y/ a' U t| ├──1--贝叶斯分类
# {( T9 \) z: p5 p| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M2 x( N+ o) m, X- R
| | ├──2-TF-IDF .mp4 53.08M' J6 _& Z3 o7 r9 v0 Q
| | ├──3-NB代码实现解析 .mp4 126.73M
& {+ i0 o! t5 T7 s. t| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M: i0 |/ \) C' n. v& r% m- v) Q
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
" {& C; l$ s3 w, A. ~- l& b| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M" p" _, \ ^3 X0 }' i* m
| ├──2--HMM算法
) g0 A! ]; a( _* q: v6 H| | ├──1-HMM隐马的定义 .mp4 36.82M+ f0 d' l8 l9 b' t, C3 U
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
) @' k! @% O( c! b$ W- a| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
. v7 g) D! |) {' g7 y| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M5 g8 d$ R! Y7 I9 Z5 r# ^! R
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
$ v% r: z& M5 a) l L0 ~1 X+ I| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M9 h% q' d1 D$ i
| | ├──7-Viterbi算法案例详解 .mp4 107.12M0 n1 ^! Y1 M9 Q
| | └──8-Viterbi算法代码实现 .mp4 42.43M( i# l7 O. o/ E
| └──3--CRF算法 * E @; C* y3 w) A; `6 A& s# W
| | ├──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- Z* ]$ D0 g* H, N+ r9 D2 S
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M8 h' n0 h9 w. c
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
+ |6 i& n. `/ [) ^! f7 X( L# ] a3 j| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
7 H) q2 \" o) h) `! o7 B: G| | ├──5-CRF的目标函数 .mp4 23.74M
4 r/ p( `1 \3 L$ X' Y| | ├──6-计算CRF真实路径的分数 .mp4 50.37M5 u% p7 c9 S6 X* w
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M9 i' \' u0 N3 P( m- c9 {' `# G
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M: U: n, t1 m* c/ p- S' U# Z
└──课件.zip 2.54kb
6 s- S3 _2 q+ ]& V' J* x
! @6 A& S7 d4 d- E& ~# K8 `3 T
, G! |" J. A4 Z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！
$ V) z1 j+ ?' k, m1 O- G& d( A7 @0 x7 K& T
& P% R2 [( {8 ?4 _
|
/1 
