hot双紫擒龙2026最新量化升级版,谷多多同款指

股多多-五星智投-约牛智牛懂牛-智汇谷同款指标源码,擒龙追踪,龙头二波... 双紫擒龙,动能二号,吸筹 详细

开启左侧

百战-AI算法工程师就业班2022年(完结)

  [复制链接]
19121 63
cx 发表于 2023-9-16 21:48:01 | 只看该作者 |阅读模式 打印 上一主题 下一主题
战-人工智能2022/
4 |: F) T  Z0 f* V, k├──1--人工智能基础-快速入门  
9 O; f- y" ^. @6 B6 r|   ├──1--人工智能就业、薪资、各行业应用  0 z& t) b1 j& O8 ~* r" f: N+ j
|   |   ├──1-人工智能就业前景与薪资 .mp4  52.07M
; q& }: a9 x* w: j|   |   ├──2-人工智能适合人群与必备技能 .mp4  44.57M
1 {2 c+ n* s, D6 t3 F|   |   ├──3-人工智能时代是发展的必然 .mp4  23.22M
" p  ?8 \/ v: B& B; s+ x& I. B8 E|   |   └──4-人工智能在各领域的应用 .mp4  57.73M
# Y% @2 g, o1 n3 o( J9 H" r|   └──2--机器学习和深度学习、有监督和无监督  - K% g  ]9 F7 Q# i0 N. I/ s
|   |   ├──1-人工智能常见流程 .mp4  89.62M
. A  _8 O1 h& [. F) C|   |   ├──2-机器学习不同的学习方式 .mp4  83.51M
- g9 C' s8 p2 J2 H: T|   |   ├──3-深度学习比传统机器学习有优势 .mp4  84.81M- f1 B( U* t" J# B9 Z
|   |   ├──4-有监督机器学习任务与本质 .mp4  37.50M
/ h4 I/ k, ?. B$ a5 V* j0 w4 F|   |   └──5-无监督机器学习任务与本质 .mp4  50.15M; _4 }5 I' `) _7 A# S' [+ l0 A
├──10--机器学习与大数据-Kaggle竞赛实战  # \5 @6 C" [7 y2 r) C
|   ├──1--药店销量预测案例  
; S/ T! ~/ w: N( M+ P|   |   ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4  36.33M
& g1 j1 L- W* o( L: j|   |   ├──2-对数据字段的介绍_导包 .mp4  19.90M
) s9 d0 {" }" e|   |   ├──3-自定义损失函数 .mp4  21.12M
- o" r: O' T8 U) i' V8 i|   |   ├──4-对数据里面的目标变量sales的一个分析 .mp4  44.88M: ~/ H8 R- [2 h/ F! m* N: J$ d0 a1 i9 F
|   |   ├──5-数据的预处理 .mp4  111.81M
; D( }/ Y2 j: x3 ^|   |   ├──6-模型的训练_评估 .mp4  66.64M
3 b) Q; q3 V, w1 H2 V; h+ g|   |   └──7-kaggle竞赛网站学习 .mp4  172.16M
* \# H, b' e5 A( O# G$ x$ J4 X|   └──2--网页分类案例  8 s! I- k: t7 `7 t% i
|   |   ├──1-Kaggle网页分类竞赛介绍 .mp4  25.08M
  l; o( k& {/ x  w5 i7 W8 i0 T- ~|   |   ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4  85.63M3 J: k3 s. B2 }5 y/ f) n* k7 F
|   |   ├──11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03 .mp4  68.80M
. z) v- C5 i8 v+ A7 Y4 p|   |   ├──12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp4  74.74M2 i9 {" l, u: m; Z" n
|   |   ├──2-评估指标ROC和AUC .mp4  56.19M! Q" C; s- W8 ]& W. e- C
|   |   ├──3-评估指标ROC和AUC .mp4  49.03M& Q8 E- T9 b$ X. L* |  S& D; B
|   |   ├──4-竞赛其他相关提交成绩排行榜 .mp4  40.19M
* S" r& E$ r6 ]" M4 Q' N|   |   ├──5-数据导入 .mp4  68.41M
+ P6 M4 o2 A: a( y+ _|   |   ├──6-MLlib对网页分类竞赛数据预处理 .mp4  102.96M
) T6 ?  u4 V9 K; v. O/ m. {& K|   |   ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4  71.27M' v# d/ D! G; L& l" O6 p7 e* G5 o9 v" P
|   |   ├──8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数 .mp4  62.48M- {9 m& K, h  R- I. E6 x
|   |   └──9-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01 .mp4  87.47M4 Q: d7 T7 b8 C0 D1 c
├──11--机器学习与大数据-海量数据挖掘工具  7 t$ A$ X6 L1 j# n- k* o4 z5 c
|   ├──1--Spark计算框架基础  5 v5 G0 f: P( ]0 i1 X
|   |   ├──1-Spark特性_01 .mp4  41.68M
  y7 f) u( S. Q0 {  x2 S|   |   ├──10-分布式计算所需进程 .mp4  26.30M
. ]2 x$ C: r3 ]7 E7 Y) p8 O|   |   ├──11-两种算子操作本质区别 .mp4  56.31M/ F3 g6 n8 ]3 ]0 g: a0 R
|   |   ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4  69.39M, h. f; N: @7 R, `3 R
|   |   ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4  56.06M2 y; a2 }, T8 I, g. O: X* D# a
|   |   ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4  44.12M1 |% e3 K0 `( v' I
|   |   ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4  41.91M
1 z" I$ J, O1 R, Z" f|   |   ├──2-Spark特性_02 .mp4  35.15M* x, u) M1 k2 X  {. Z4 w5 G
|   |   ├──3-Spark对比hadoop优势 .mp4  19.34M
5 x+ }" T9 g$ }- b7 X0 N|   |   ├──4-回顾hadoop讲解shuffle .mp4  35.80M5 }, n# i* t3 @" d
|   |   ├──5-分布式计算框架Shuffle的原理_01 .mp4  46.22M. |. F$ l! {1 s( G8 V; E( n: `
|   |   ├──6-分布式计算框架Shuffle的原理_02 .mp4  44.94M
1 @4 M1 i/ [" \4 e2 y; g|   |   ├──7-分布式计算框架Shuffle的原理_03 .mp4  29.26M7 K4 Q7 z% }# S9 A5 P; M' G. I
|   |   ├──8-Spark的RDD特性_01 .mp4  33.08M
- U4 E3 E! k3 J|   |   └──9-Spark的RDD特性_02 .mp4  33.41M
+ v2 c: ]: M  X) i+ Y  w' B3 g|   ├──2--Spark计算框架深入  % B3 l& }( ^. ^, ^( D
|   |   ├──1-Spark数据缓存机制 .mp4  54.43M
. F; H7 t) A" ?  H  `8 \1 J( q/ s|   |   ├──10-讲解构建稀疏和稠密向量_01 .mp4  80.62M
1 g! ]/ X! V5 r9 F1 f# n|   |   ├──11-讲解构建稀疏和稠密向量_01 .mp4  101.76M* h! J- Y, q0 `
|   |   ├──12-构建LabeledPoint .mp4  111.08M
, p- B( `# `! c2 X7 c|   |   ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4  91.18M0 J7 w7 i& |/ A& H# N4 H- r
|   |   ├──2-Spark宽依赖和窄依赖_01 .mp4  39.74M
6 ]& y8 X$ [1 U6 d- ^  Z1 I|   |   ├──3-Spark宽依赖和窄依赖_02 .mp4  38.86M; y3 ~2 F( r# _# Y! D
|   |   ├──4-Spark宽依赖和窄依赖_03 .mp4  28.03M9 Q" \$ G; I& s$ F. {! |
|   |   ├──5-Spark术语总结 .mp4  89.66M- v6 }( l! \& J5 }4 M
|   |   ├──6-分布式文件系统Block块的大小配置 .mp4  114.54M' c# l5 U7 B! x
|   |   ├──7-Spark程序启动运行流程详解_01 .mp4  49.37M
! g1 T. v( C4 {# {4 }) f|   |   ├──8-Spark程序启动运行流程详解_02 .mp4  71.40M
5 G4 @, K+ [9 ~+ r, F* R|   |   └──9-Spark程序启动运行流程详解_03 .mp4  47.28M
6 R, U/ u* M2 ?4 N5 u|   └──3--Spark机器学习MLlib和ML模块  0 r3 P; f, x5 T2 G+ F; y
|   |   ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4  170.37M
1 H% ?/ S3 Y. f" M' e; e7 [" v7 }* ]|   |   ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4  104.55M! ?- P& c: L. |1 e
|   |   ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4  89.72M
& ~. W$ W0 b* S9 J4 q) C|   |   ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4  92.22M/ S2 T9 |' R; ]; {5 ]' s  q, H
|   |   ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4  84.20M$ _+ x3 T' {$ V* A6 r& o# x9 O: R
|   |   ├──14-从数据转化到训练集的构建 .mp4  146.40M
7 N( w2 ^! K$ b2 j9 G|   |   ├──15-模型的训练以及评估和调超参_1 .mp4  84.62M1 Y6 T5 j% j6 D& e
|   |   ├──16-模型的训练以及评估和调超参_2 .mp4  88.90M
+ w8 ~% [1 X. S( [- }& W|   |   ├──17-模型的训练以及评估和调超参_3 .mp4  161.69M
. s' e! S6 x( k8 v|   |   ├──18-SparkML机器学习库概念讲解_1 .mp4  146.78M
3 X( r8 N! W# _& ||   |   ├──19-SparkML机器学习库概念讲解_2 .mp4  121.35M
* q+ D! Q8 D; C|   |   ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4  120.62M- O# B" e, ?, c- Q; d  J: K
|   |   ├──20-SparkML机器学习库代码实战讲解_1 .mp4  146.48M
8 `% L# M- P2 H% O|   |   ├──21-SparkML机器学习库代码实战讲解_2 .mp4  169.53M) H1 b9 M; x8 t" g9 G4 }& C6 h
|   |   ├──22-SparkML网页分类案例代码实战续(1)_1 .mp4  143.99M
3 ?* Y- p! \) V0 z# u& L|   |   ├──23-SparkML网页分类案例代码实战续(1)_2 .mp4  143.95M0 d7 l  P0 A8 M( A0 u; N  Y
|   |   ├──24-SparkML网页分类案例代码实战续(2)_1 .mp4  177.12M" q  F* V% W! _+ r% G5 _
|   |   ├──25-SparkML网页分类案例代码实战续(2)_2 .mp4  99.25M# ^$ D- x; r) p$ R" S8 t, V0 q+ v7 j
|   |   ├──26-SparkML网页分类案例代码实战续(3) .mp4  9.82M* r) o9 V$ F- e$ B- C1 r
|   |   ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4  109.35M
$ Z6 z5 j* R! `7 a|   |   ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4  105.05M" d' j+ }! |6 s
|   |   ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4  255.32M
7 R6 x7 X( ?% o+ ~1 r1 L) K|   |   ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4  63.11M( J& w+ W. g3 a$ h$ R/ q- M9 E
|   |   ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4  140.87M, k- G" w8 _3 C
|   |   ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4  80.22M
" `1 F8 k) _8 n: H|   |   └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4  145.67M
" }2 }* r0 p) ]2 j├──12--机器学习与大数据-推荐系统项目实战  
, x7 |3 C: c' t5 S5 J5 G|   ├──1--推荐系统--流程与架构  : D& o  f, `) g
|   |   ├──1-推荐系统_隐式用户反馈_1 .mp4  88.31M* A* d9 r9 S" l4 e5 y5 b
|   |   ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4  112.85M- n( l+ E/ g* a5 G: B# V6 b
|   |   ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4  103.28M
, V3 g( D, B( ]: \, P6 x1 U) h|   |   ├──12-推荐系统_数据源_1 .mp4  79.07M
& X, N2 l( t2 R3 ~' y( v|   |   ├──13-推荐系统_数据源_2 .mp4  82.90M' N4 _8 ^9 _* G. C+ [: U
|   |   ├──2-推荐系统_隐式用户反馈_2 .mp4  119.78M
: I% E, @8 K% l; k: A|   |   ├──3-推荐系统_协同过滤_1 .mp4  60.31M" C$ K: {8 z+ X2 \4 n2 e
|   |   ├──4-推荐系统_协同过滤_2 .mp4  61.36M
: e8 [( t, F) K/ `|   |   ├──5-推荐系统_协同过滤_3 .mp4  60.51M+ ^& z% F& {( o5 S4 D* ?
|   |   ├──6-推荐系统_协同过滤_4 .mp4  56.16M
4 f* l& X; j7 V% c7 T8 E|   |   ├──7-推荐系统架构_实时_离线_1 .mp4  100.65M/ `$ r+ A1 v2 K& R& Q6 J( F
|   |   ├──8-推荐系统架构_实时_离线_2 .mp4  104.74M7 \2 m6 b& B, J  K) x/ A8 z
|   |   └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4  77.80M: w) ]: O4 D9 a9 C4 s! g
|   ├──2--推荐系统--数据预处理和模型构建评估实战  : C% a" Z. o1 |* t" B
|   |   ├──1-HQL语句_python脚本构建中间结果_1 .mp4  155.76M; C5 E, B4 t  q5 I( o( N
|   |   ├──10-MLlib调用算法计算模型文件并存储_2 .mp4  93.65M7 \7 E. H: B0 c8 b6 s% y+ N
|   |   ├──11-MLlib调用算法计算模型文件并存储_3 .mp4  107.32M, X- M1 z! k0 f2 C) B- x
|   |   ├──12-ACC准确率和AUC面积的计算以及意义 .mp4  214.40M3 G' M) a( w$ O; G. G: h
|   |   ├──2-HQL语句_python脚本构建中间结果_2 .mp4  122.28M- T& S0 z# w# v2 Z
|   |   ├──3-HQL语句_python脚本构建中间结果_3 .mp4  123.74M
- w) i  ?% j" U8 E) s$ d|   |   ├──4-HQL语句_python脚本构建中间结果_4 .mp4  111.87M
7 V" x5 f, ~. V& l1 X, p5 j" L; d- `|   |   ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4  116.88M+ k2 f4 g( E6 T0 O+ z
|   |   ├──6-spark构建特征索引_标签列_2 .mp4  91.86M. O# a0 ^9 Y4 _/ t7 ^, N+ \5 a
|   |   ├──7-spark构建特征索引_标签列_3 .mp4  97.86M
; C3 L4 Y/ z* b, N|   |   ├──8-spark构建特征索引_标签列_4 .mp4  98.61M2 f5 R& V  P0 |- c+ I
|   |   └──9-MLlib调用算法计算模型文件并存储_1 .mp4  99.64M
% w! f2 e- ~5 |& }) Z|   └──3--推荐系统--模型使用和推荐服务  
# e% z8 P+ I- n( ||   |   ├──1-推荐模型文件使用思路 .mp4  61.89M
: o4 v7 V5 H( L6 Z5 _, G|   |   ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4  110.16M
. V4 [7 {. z( u( Z- Z8 X; `& u# v|   |   ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4  140.10M& v: W. ~/ m$ r3 Q0 Z1 x
|   |   ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4  157.45M. r9 |4 @4 T2 D3 h: E
|   |   ├──2-Redis数据库安装及其使用 .mp4  47.93M7 }, Z0 N1 N- R8 Y
|   |   ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4  165.06M: P9 |& e3 j) B* H, A
|   |   ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4  98.49M
; L1 w# y8 ~7 c" R- e4 q|   |   ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4  90.57M$ Z( I! @8 s" u0 e
|   |   ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4  94.68M
  }" a* S2 ?. @- \|   |   ├──7-使用Dubbo将推荐系统做成服务_1 .mp4  82.21M# s7 e* r. d! r- L" w, ?
|   |   ├──8-使用Dubbo将推荐系统做成服务_2 .mp4  103.88M- _1 a9 O, i1 \0 u$ T! [5 D
|   |   └──9-使用Dubbo将推荐系统做成服务_3 .mp4  119.95M3 R( g1 r) s  L1 E8 x9 k
├──13--深度学习-原理和进阶  8 M" D# ]+ l- @+ L$ ]0 N" c
|   ├──1--神经网络算法  + v  t' t* ^6 q! ^, F' w( J
|   |   ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4  94.41M
  c+ f* C) o1 y9 j|   |   ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4  53.63M  G9 B0 G( _3 G; w3 J' S
|   |   ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4  67.67M2 L2 i7 ^' z" {/ A: D5 v
|   |   ├──4-用神经网络理解Softmax回归 .mp4  67.20M, ]6 b) r8 m9 o" e1 c. c
|   |   ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4  117.52M# M! I! g$ x- z
|   |   ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4  90.57M
  g: b4 Z% I9 J2 X  l|   |   ├──7-sklearn中NN模型的代码使用 .mp4  123.62M
' n7 ~5 J- y, {1 x7 I3 R" }|   |   ├──8-隐藏层激活函数必须是非线性的 .mp4  21.95M
# L% o# w+ M+ k+ a|   |   └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4  155.50M
6 y4 {) j$ G) G  \* M& p|   ├──2--TensorFlow深度学习工具  
0 [: z$ O% K6 L9 ||   |   ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4  68.65M
' S, ]  z3 }& D|   |   ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4  74.12M
5 h2 r/ n% V5 z|   |   ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4  120.73M
1 o. m* f2 F. Q! {1 p$ Q6 I+ h|   |   ├──4-TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式 .mp4  173.47M& ?  c, R7 h$ F4 S
|   |   ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4  233.26M( x! w% ~' ^7 L7 |) i
|   |   ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4  137.04M5 ?% {8 N5 E, _5 C8 Y
|   |   └──7-TF实现DNN来识别MNIST手写数字 .mp4  132.73M
/ ^% Q' S/ i% ~9 @% U: A3 r* ^|   └──3--反向传播推导_Python代码实现神经网络  - }. Q- D# ~3 A4 r, H9 @
|   |   ├──1-反向传播_链式求导法则 .mp4  86.47M# Y8 l/ |8 z8 S6 m) [
|   |   ├──2-反向传播推导(一) .mp4  127.90M3 U( I+ \8 ^! ]' r9 }, l4 V
|   |   ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4  121.37M4 d& i5 A1 r) M6 h9 }
|   |   ├──4-反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例 .mp4  81.20M& n: S- x( ~7 R" m# b. Y
|   |   ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4  34.57M& w: x8 k# |4 `' ^6 S) g9 X" f6 E
|   |   ├──6-python实现神经网络训练代码讲解(一) .mp4  84.17M
1 G4 Y! h$ L8 ^# K8 N- ]/ ^$ u|   |   └──7-python实现神经网络正向反向传播训练 .mp4  112.23M' M3 W  E. O: G, E4 P
├──14--深度学习-图像识别原理  
' b+ d$ x* H6 s8 ?5 u) W- A|   ├──1--卷积神经网络原理  3 J5 m* s/ J6 D. i
|   |   ├──1-回顾深度神经网络_卷积层是局部连接 .mp4  131.17M1 d6 [) B+ ~! w0 E: s& p
|   |   ├──2-单通道卷积的计算 .mp4  104.01M, \4 `! J+ {6 |% Y) g- ^
|   |   ├──3-彩色图片卷积的计算 .mp4  52.79M
( {" Y) e* n4 L% m|   |   ├──4-卷积层权值共享 .mp4  63.93M1 y7 x0 b; A) `8 W/ {1 x  M3 ~
|   |   ├──5-卷积的补充与Padding填充模式 .mp4  97.00M- }0 O9 `9 B6 O3 I
|   |   ├──6-卷积的计算TF中的API操作与参数 .mp4  93.50M' @: ?% T1 h$ B; Z% T
|   |   ├──7-池化的概念和TF中的API的操作与参数 .mp4  64.09M
* }4 k6 E6 ]2 ]9 [|   |   └──8-经典的CNN架构和LeNet5 .mp4  137.21M1 B, B3 ?5 x: A3 i, l
|   ├──2--卷积神经网络优化  % M' X9 \( _4 M: K1 G. U: ]1 y, [- @
|   |   ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4  109.38M  M- ^! M/ t& ?. t+ T( G
|   |   ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4  121.41M
+ k/ S/ A+ }$ j- N9 T; c. ]1 U|   |   ├──11-Optimizer_Adam .mp4  141.12M
/ y1 L" P4 K+ A* y/ {8 X* L" V+ {|   |   ├──2-Dropout技术点思想和运用 .mp4  113.94M
! @  X. x4 ~8 P( z9 ?|   |   ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4  77.55M. |' B5 B8 r1 y" c0 ^5 r
|   |   ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4  125.88M2 ~* l5 n3 _& c8 ^0 X8 I4 f& }
|   |   ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4  104.08M6 y8 l$ Z  v: g; T' b0 ?3 S* Y' K! o! a
|   |   ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4  42.02M
5 W* d9 j. ]% R$ C|   |   ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4  66.51M' g5 g. X' P1 `( r
|   |   ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4  123.25M" g3 a+ i8 j% ]# y0 C8 ?" L! R' X
|   |   └──9-Optimizer_SGD_Momentum .mp4  89.70M+ r- @& \+ R$ s8 X8 m1 _: p0 S0 i5 P1 O
|   ├──3--经典卷积网络算法  . m/ a( t0 c2 d
|   |   ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4  141.12M
3 U0 [$ [* E2 w' {$ l|   |   ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4  116.63M/ ?: U- m% [) J
|   |   ├──3-InceptionV1_V2 .mp4  165.86M
* r) j# |4 x3 i7 {8 w, C|   |   ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4  166.97M# [0 e/ U+ h+ H6 [
|   |   ├──5-ResNet残差单元_BottlenetBlocK .mp4  121.51M
& Z& Z; U5 W# y4 c% N9 N|   |   ├──6-DenseNet和Keras里面的实现 .mp4  150.61M
0 y; Y5 `8 o2 g+ G, e& X|   |   ├──7-DenseNet在Keras里面的代码实现 .mp4  66.75M. Z! S6 b+ j! i$ J2 A+ k( M
|   |   ├──8-BatchNormalization .mp4  99.23M  y) E* }5 L; f- A
|   |   └──9-Mobilenet网络架构 .mp4  150.05M
( o: B& A6 M5 R/ X3 G( Q# T4 I|   ├──4--古典目标检测  + Y* o) f( [3 n2 y" b
|   |   ├──1-图像识别任务_古典目标检测 .mp4  196.48M
3 \7 s7 k- s! X/ v! w1 J|   |   ├──2-使用OpenCV调用分类器找到目标框 .mp4  98.21M6 O$ p! g$ h! f! ^* f$ x, q
|   |   ├──3-IOU以及python计算的代码 .mp4  23.56M
' i7 s4 Q& s' ]! M+ V, O3 O|   |   ├──4-R-CNN和SPP-net .mp4  124.06M
3 Y9 _  \" S- Y" R- @: b% y|   |   └──5-从FastRCNN引入FasterRCNN .mp4  120.81M
+ _. k2 r' P* d7 W|   └──5--现代目标检测之FasterRCNN  & i, M- {3 k( Z* K  V4 E
|   |   ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4  121.18M
; o6 W! L, S7 p' o$ o|   |   ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4  214.14M
  R' E+ [/ c& o( k0 z( ?|   |   ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4  157.18M
' s) U9 H/ S2 V1 C# I|   |   ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4  210.02M; u: m. t5 R! Y7 b8 B$ l
|   |   └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4  247.99M1 a+ t" D: K& B( L2 M& r8 N
├──15--深度学习-图像识别项目实战  : }* K% |1 Y/ M7 W) W% Q
|   ├──1--车牌识别  
$ a/ I. _, M. _8 S|   |   ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4  83.16M
' n) l! J  ]7 F  m* q% ]- K/ l- N3 n|   |   ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4  86.40M
6 y  g; w0 D+ Q* Z1 V|   |   ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4  48.80M
  l  ~3 k4 ]/ J% L& k/ ^. ]|   |   ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4  73.07M
0 k1 x1 T. C6 J4 J$ F  x|   |   └──5-车牌识别项目关于目标检测的问题 .mp4  39.48M
% Y& v7 T6 K, z+ v1 P$ s' ^4 [|   ├──2--自然场景下的目标检测及源码分析  
, c/ K, B$ I# _1 G  c1 A3 @- s|   |   ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4  116.49M
1 C5 c! K6 l- T9 {|   |   ├──10-FasterRCNN代码_构建head .mp4  67.56M
8 ^  Y& B5 K5 V  D|   |   ├──11-FasterRCNN代码_构建RPN网络_01 .mp4  124.40M: t) C2 A( t) @
|   |   ├──12-FasterRCNN代码_构建RPN网络_02 .mp4  88.47M; }! u0 r+ ^  V) |- Z0 K
|   |   ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4  83.97M
6 F7 N4 i4 w9 i1 ?7 m|   |   ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4  119.92M8 V, _) O% A! T" P8 X
|   |   ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4  91.40M9 D+ e; Q, n, o% A. T; j! [
|   |   ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4  100.30M
7 a5 J' l: ]. n# |7 n6 Z|   |   ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4  165.71M
! u% x& R, e. U, B1 n. F|   |   ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4  43.58M
5 j1 J) L7 h3 @. {* V|   |   ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4  46.68M% X" {; T/ x# P( L" H% l
|   |   ├──2-FasterRCNN项目代码_数据加载 .mp4  96.17M- w: h/ m+ `% s4 Y& I) ]* Q. V
|   |   ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4  78.02M
9 t( ]" W. c! d|   |   ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4  114.63M
  ]2 p: l" u. r) b. [|   |   ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4  100.02M
4 z& D, c# a5 J|   |   ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4  57.32M
; C2 e) M. k- s0 f# a|   |   ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4  53.41M8 a" V! X8 ?. j4 X* o
|   |   ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4  74.40M
- j8 v+ ~& T6 X+ @8 \0 u5 H. i, ||   |   ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4  76.44M
7 V' Q+ ~% D9 |# w7 e7 r+ U4 s|   |   ├──3-FasterRCNN项目代码_数据增强 .mp4  71.78M- _. t' g3 @8 g& m1 M: g2 X6 {
|   |   ├──4-FasterRCNN项目代码_数据初始化 .mp4  73.27M0 {% j( t- h9 ^# N4 U( f3 E
|   |   ├──5-FasterRCNN项目代码_模型的训练 .mp4  39.33M& d3 Q/ {" D; C6 l, j
|   |   ├──6-回归整体训练流程_详解读取数据blob_01 .mp4  81.18M) \/ g" x5 X' A0 q
|   |   ├──7-回归整体训练流程_详解读取数据blob_02 .mp4  75.71M- M6 p: f- D$ H  }" j9 d- H. e
|   |   ├──8-回归整体训练流程_详解读取数据blob_03 .mp4  39.22M
' I! u( \6 ~& c|   |   └──9-回归整体训练流程_详解读取数据blob_04 .mp4  64.48M4 ]  d% j. h6 v* v- S# I5 T
|   └──3--图像风格迁移  
3 H4 ], n1 ~/ W, d( R* N% B" L; w0 \|   |   ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4  81.07M, {# K! r) M' a  K" G: d
|   |   ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4  85.15M) M% f$ Z6 o+ b' H5 X
|   |   ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4  75.40M
, [0 F# `2 t6 m& m|   |   └──4-图片风格融合项目_架构_代码实现要点_4 .mp4  86.94M
. ]9 h  V4 o# e% V( Y4 }1 Z. Y├──16--深度学习-目标检测YOLO(V1-V4全版本)实战  
& F8 z2 n) w) X# m* \* Y/ N|   ├──1--YOLOv1详解  " P0 G; m8 {+ L. s  H& _0 M6 S
|   |   ├──1-YOLOv1论文详解_算法特点介绍 .mp4  179.69M& p4 Z) [6 m1 H9 A
|   |   ├──2-YOLOv1论文详解_网络架构_思想 .mp4  215.92M
& _8 K4 m8 H: _. k|   |   ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4  253.21M
7 i% G9 H/ H2 i- ~; ^9 I& L+ O7 ^|   |   └──4-YOLOv1论文详解_NMS_局限性 .mp4  82.07M/ _" A) R! h5 y$ ^/ f& `7 A
|   ├──2--YOLOv2详解  
: \( h8 Q: J  r/ u" ?( x* M) e  \0 Z|   |   ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4  158.76M0 Z4 W. h) q1 V* x, [9 W% n
|   |   ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4  257.43M
; t9 [* u" Q2 G) d2 U5 H|   |   ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4  141.41M4 l) Q8 q7 ]% @/ C# r
|   |   └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4  183.51M
3 g* ^: w# q+ d5 d/ A|   ├──3--YOLOv3详解  " [1 i) A) o# h& j2 V
|   |   ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4  86.51M( m" C/ G9 I5 v
|   |   ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4  158.58M
* R) Z) n3 Y" x9 T0 _6 O|   |   ├──3-YOLOv3论文详解_总结_FocalLoss .mp4  147.48M
/ Y3 ?- m4 V/ H|   |   ├──4-YOLOv4论文概述_介绍 .mp4  139.49M
9 C0 q& }% ?! j6 U0 m3 i' }|   |   └──5-YOLOv4论文概述_BOS_BOF .mp4  297.31M
$ P8 Z0 y% @: d1 H1 {# I|   ├──4--YOLOv3代码实战  ; K0 O& z3 c% s# O' O/ I
|   |   ├──1-YOLOv3代码剖析_项目介绍 .mp4  157.02M9 ^! x! s8 w/ X  i2 s  A, ]7 Q
|   |   ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4  238.06M
6 V8 N/ t+ a2 I|   |   ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4  223.57M8 j. V9 X# H$ O: [# h
|   |   ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4  86.53M
; A: L, J% |0 _& y|   |   ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4  144.69M
" `: F$ ]6 g. F* k3 k5 s|   |   └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4  316.56M
# R$ S2 Q' B& }$ C5 l2 [4 y|   └──5--YOLOv4详解  6 ~) b' z" b6 I, w& G
|   |   ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4  207.14M
3 D$ e4 n& k% x/ K. X* ^5 ^|   |   ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4  90.48M/ h. v4 A# Q& B' I$ N8 u$ H% J- }
|   |   ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4  216.07M8 ]5 g! t3 |5 Z
|   |   └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4  220.91M
8 X" m# [( z  d3 K( J├──17--深度学习-语义分割原理和实战  / z4 q- z6 f; p0 a# O; u8 Z0 e
|   ├──1--上采样_双线性插值_转置卷积  6 U; v* D( c( r' z2 E9 _; A5 n
|   |   ├──1-前言 .mp4  19.46M, X0 r7 i- u4 C  p6 h
|   |   ├──2-上采样_repeat .mp4  23.90M
+ O7 r% R: a# T$ V|   |   ├──3-线性插值 .mp4  34.48M
! p  v, Z- h& Q|   |   ├──4-双线性插值 .mp4  125.71M
" ~$ a' v- Z) x: W9 C6 y: D|   |   ├──5-转置卷积_以及TF的API .mp4  114.25M7 ?8 Z" O- N1 v, G9 h$ c
|   |   ├──6-双线性插值作为转置卷积核的初始参数 .mp4  145.01M8 I, {* q; j& Z3 p
|   |   ├──7-ROI Align .mp4  58.38M
' u1 L, _8 }, J: `! a& s2 E! [|   |   ├──8-FPN思想与网络结构 .mp4  92.14M* Z' A  B- C2 b
|   |   └──9-FPN应用于FasterRCNN_ResNetFPN .mp4  95.52M
( P# W% @5 I% G* @, a, G|   ├──2--医疗图像UNet语义分割  6 S; e6 D( c  ~2 Z7 v' w
|   |   ├──1-语义分割的基本概念 .mp4  18.33M" t) i4 T0 w9 W- K7 o
|   |   ├──2-FCN全卷积网络做语义分割 .mp4  36.54M/ O8 |/ X4 R7 Q+ I
|   |   ├──3-UNet网络结构 .mp4  30.41M
8 J4 Y; T3 B3 ^9 b# b. E2 s|   |   └──4-UNet网络医疗图像的语义分割 .mp4  81.21M) O/ i5 r9 t) Y9 d$ m
|   └──3--蒙版弹幕MaskRCNN语义分割  $ @) ^8 e8 h( h6 G* _3 @- _
|   |   ├──1-MaskRCNN网络结构 .mp4  106.38M* I" h! @4 p3 d9 h: y* {) E
|   |   ├──2-MaskRCNN的项目展示 .mp4  250.54M
* J. ?5 ~8 E! x5 Z& n|   |   ├──3-MaskRCNN网络架构回顾 .mp4  151.34M
) ~5 H. j2 Y; z|   |   ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4  239.08M
* K) m5 O  R* ?, e" p5 ~/ a|   |   ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4  44.16M  p+ @8 e% r% _% T2 j+ @
|   |   └──6-MaskRCNN源码config和model .mp4  244.48M
3 _& e0 n* q) Z$ t6 g% [├──18--深度学习-人脸识别项目实战  
8 M; d- H7 v! a' |7 Z|   ├──1-人脸识别任务种类_具体做法思路 .mp4  40.67M% v# e: U+ L7 u% z7 o
|   ├──10-人脸识别项目代码_加载MTCNN模型 .mp4  72.07M
* h  }+ r1 Q3 s9 N6 H6 R) W# y|   ├──11-人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框 .mp4  66.61M
7 m. [& t9 o4 I( ^|   ├──12-FaceNet论文_摘要和前情介绍 .mp4  71.54M; ~8 w& S& |7 g4 z5 |" s' N
|   ├──13-FaceNet论文_相关的介绍 .mp4  39.55M
$ F3 W1 R  a: }3 E5 v" h: Y$ D|   ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4  44.25M
* z2 D5 b2 S5 \" s7 H|   ├──15-FaceNet论文_TripleLoss损失函数 .mp4  63.78M
% V1 H1 C% N3 M/ e6 ~* t6 l& V# J|   ├──16-FaceNet论文_TripleSelection很至关重要 .mp4  131.75M
( d5 q1 H$ o; M1 ?|   ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4  59.21M
. L% D( E1 g# t0 P! O|   ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4  42.82M: y/ W; S( _- q) Y8 o; G) ]0 Y: ~
|   ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4  40.37M
/ }7 H+ F; e6 y3 d|   ├──2-开源的FaceNet项目介绍 .mp4  38.07M  `' n) z" D5 O) ]. o- D/ ?# U
|   ├──3-人脸识别项目代码整体结构 .mp4  30.40M
: Q: q/ p+ K# L1 R|   ├──4-MTCNN论文_摘要和介绍 .mp4  68.50M9 m% h3 c3 i6 R+ j# ^
|   ├──5-MTCNN论文_网络整体架构 .mp4  76.57M2 Y/ B/ D7 P& O
|   ├──6-PRelu_每阶段输出多分支意义 .mp4  56.12M( I4 e) i/ T# i2 U) T
|   ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4  69.95M
" U6 l0 C( P$ z: c* ]' g# Q|   ├──8-训练数据的准备_每一阶段训练的流程 .mp4  98.08M$ F: u, V+ m7 Q, Y' B) H; ]' L# C+ n$ L
|   └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4  54.79M
& f3 ?! Z7 P7 g2 C% k2 s: b& x├──19--深度学习-NLP自然语言处理原理和进阶  
2 a+ k' K1 R6 S# c, i|   ├──1--词向量与词嵌入  9 Z; W5 D( |+ r
|   |   ├──1-N-gram语言模型 .mp4  116.32M
! B6 S  \% z4 j7 d" F1 p6 b|   |   ├──2-NPLM神经网络语言模型 .mp4  155.81M0 P& v( |3 ~" E0 E+ Y' E1 ^$ K' j
|   |   ├──3-词向量的作用 .mp4  58.00M2 o9 D* N& M" k5 H$ B
|   |   ├──4-CBOW模型思想和计算过程 .mp4  196.59M
9 N  d6 t5 }' l& f; I  P|   |   ├──5-Skip-gram模型思想和计算过程 .mp4  44.35M4 E! s$ @% E# J' e0 m
|   |   ├──6-Huffman树_分层Softmax的思想 .mp4  113.79M
) T- }1 S- u) i; s* K7 R|   |   ├──7-分层Softmax应用到CBOW模型上 .mp4  64.28M. c* o. r7 m4 p6 [* V7 x% p% }, W
|   |   └──8-负采样和负采样应用到CBOW模型上 .mp4  66.07M
) Q$ H- a# H/ {|   ├──2--循环神经网络原理与优化  
# L3 d1 B( Z$ n6 s5 Y|   |   ├──1-理解RNN循环神经网络拓扑结构 .mp4  122.64M
" K, }; Z+ J2 z! d3 i|   |   ├──2-理解RNN循环神经网络计算流程 .mp4  55.91M, Q- k' E$ K$ p6 l( ]
|   |   ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4  127.75M% y6 e* E0 R, ]3 j
|   |   ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4  185.30M( ~! T; j& p  m$ u( x" N4 x
|   |   ├──5-VanillaRNN的回顾复习 .mp4  123.51M
. j3 \3 S  L. D/ p& P7 ^8 T% y|   |   ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4  44.24M
1 z. C+ [1 H% _0 \3 O|   |   ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4  35.32M/ ~- W7 ~3 `. _! T! X
|   |   ├──8-双向RNN_LSTM .mp4  52.01M
, I) ]+ z2 R" W2 _* p|   |   └──9-RNN里面应用的Topology结构 .mp4  23.04M
. U" I: R3 V" R3 b! I|   ├──3--从Attention机制到Transformer  
! Y& d) ~( w9 R& P|   |   ├──1-Seq2Seq中Attention注意力机制 .mp4  87.67M
/ K; a) c1 ]6 F7 ]3 W4 \# p|   |   ├──2-Transformer_Self-Attention_Multi-head .mp4  100.40M4 H$ m8 O8 o4 l, z
|   |   └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4  102.40M* z6 X- H4 \! ]* ]7 d# H
|   └──4--ELMO_BERT_GPT    w: y- A! p7 h% v: @+ ^5 {
|   |   ├──1-ELMO .mp4  62.44M+ \9 m5 }; R+ L9 X6 t! M, K
|   |   ├──2-BERT理论 .mp4  99.73M0 k; `! Y6 w; h
|   |   └──3-ERNIE_GPT .mp4  56.34M- }1 e& F5 b! V! A+ D% j2 i) B0 w) X
├──2--人工智能基础-Python基础  
* `$ f. S/ ?) ^$ @& Y|   ├──1--Python开发环境搭建  5 r8 ^! x/ m$ h1 D- x3 d
|   |   ├──1-下载Miniconda运行环境 .mp4  100.75M$ s5 V7 ^& m& ]! o
|   |   ├──2-Miniconda安装和测试 .mp4  57.12M/ F( B9 w5 E( c6 B! @
|   |   ├──3-Pycharm安装和代码运行 .mp4  71.57M  ?5 o* Z4 |1 [# A& r0 ?6 r
|   |   ├──4-Jupyter安装和代码运行 .mp4  37.10M1 b5 N# p$ e/ S  c
|   |   ├──5-Jupyter常用快捷键 .mp4  32.23M4 l4 g( N. m3 P3 ]/ p
|   |   ├──6-Conda虚拟环境创建与Python模块安装 .mp4  73.12M
6 I+ q$ K- B0 m5 Y|   |   └──7-关联虚拟环境运行代码 .mp4  38.14M
. H# ^) m# H# Y. g- a& y( T1 t|   └──2--Python基础语法  " G9 I3 D& h5 ^+ t
|   |   ├──1-Python是强类型的动态脚本语言 .mp4  44.15M. d% G8 T. O, P' v' x' L
|   |   ├──10-Python_集合操作_列表 .mp4  34.71M
3 p1 K/ w# t0 F$ l|   |   ├──11-Python_集合操作_列表的基本操作 .mp4  49.44M. U+ q* e5 A% I$ Y  K
|   |   ├──12-Python_集合操作_列表的常用方法 .mp4  37.35M. V5 \2 L/ w# t- N
|   |   ├──13-Python_集合操作_元组 .mp4  43.46M2 p# j. D! d1 p* \  ~7 y
|   |   ├──14-Python_集合操作_字典和常见操作 .mp4  38.01M
+ l+ b/ C0 k3 O: p8 j' Q- ]% _+ Y|   |   ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4  22.40M
3 i5 J9 Z7 w+ G& ]5 T" Z6 B|   |   ├──16-Python_os模块_shutil模块 .mp4  51.54M* p% _! w& ~, [7 b2 z4 K$ T( `
|   |   ├──17-Python_打开并读取文件_中文编码问题 .mp4  58.82M
: B2 f1 |. s% z+ j|   |   ├──18-Python_函数_定义_调用_返回值_注释 .mp4  23.77M
1 k! S6 V: A7 r+ U|   |   ├──19-Python_函数_局部变量_全局变量 .mp4  31.20M
5 w. L9 c5 A) L0 r! P|   |   ├──2-Python_控制语句_单双分支 .mp4  50.66M
4 C7 D0 x: j- `- q, S  k8 L* v2 U|   |   ├──20-Python_函数_默认参数_可变参数 .mp4  24.47M
7 `+ y8 W: ?. g0 k5 s8 \|   |   ├──21-Python_函数_递归 .mp4  23.46M
6 c8 K- Q* h, i0 w6 u|   |   ├──22-Python_函数式编程_高阶函数 .mp4  24.65M7 o+ X! c6 F6 I, @( _: }& I' d
|   |   ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4  37.86M2 t  M5 m  {& V' T' e' M4 ^
|   |   ├──24-Python_函数_闭包 .mp4  41.61M% s3 O! ]0 h4 N$ L2 U! ?) v) j
|   |   ├──25-Python_函数_装饰器 .mp4  30.35M
/ H) ?: m2 H% n- H2 M7 D|   |   ├──26-Python_类对象_定义与实例化对象 .mp4  44.21M
; S8 S0 D* l4 j2 J# g/ K7 v2 w; K|   |   ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4  38.35M
6 z1 u7 R. E0 l* U; g|   |   ├──28-Python_类对象_内置方法 .mp4  29.17M
! i/ a- K8 R* X' J  Q3 g% J|   |   ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4  38.46M
4 T/ B3 a7 l3 Z4 L7 ?3 P- b  e|   |   ├──3-Python_控制语句_多分支_三元条件运算符 .mp4  31.02M
% n* v: g, h/ A( U3 [|   |   ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4  24.66M' n, e0 B, h* V6 T
|   |   ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4  32.00M- \3 w0 d9 A1 w0 F$ R! E( M8 f
|   |   ├──4-Python_控制语句_while循环 .mp4  25.02M
" s( _2 m' u# k  s" k5 ^9 W6 E|   |   ├──5-Python_控制语句_for循环 .mp4  22.82M* t, u8 x* X, ?
|   |   ├──6-Python_控制语句_嵌套循环 .mp4  36.15M
5 q" A1 M' d& A1 |2 B$ D  n' ]|   |   ├──7-Python_控制语句_break_continue .mp4  25.23M4 D. K0 V! h& `& V  ~* ^) n: `
|   |   ├──8-Python_切片操作 .mp4  40.20M9 w. T$ U2 Q8 J$ o5 ^3 B
|   |   └──9-Python_数据类型 .mp4  25.38M% ~: T& s% c9 B6 C7 I
├──20--深度学习-NLP自然语言处理项目实战  * f# Z( y2 V6 X" m( ^/ S/ b! l0 P; h
|   ├──1--词向量  ' X/ U$ W$ P/ h) q1 `+ n
|   |   ├──1-回顾了词向量里面训练的Topology .mp4  121.72M
- f3 w6 ~% w7 |7 a5 q* c1 S$ ^|   |   ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4  96.76M" ]7 @9 q; ?5 P7 O* @8 l
|   |   ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4  82.29M
$ P- p1 v% D8 x. v' i! l|   |   ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4  102.84M2 l4 @5 B- ^% Q1 r# S' j
|   |   ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4  83.28M# m2 Y, X0 t! B+ c
|   |   └──6-Word2Vec项目代码_总结串讲 .mp4  22.52M
! ~* b$ }: ?7 t5 H2 p|   ├──2--自然语言处理--情感分析  $ y, j- X8 Z" a$ {
|   |   ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4  71.10M! X# k, L% \7 ~% i
|   |   ├──2-数据预处理_01 .mp4  79.65M( m; x; Y2 h. O4 U
|   |   ├──3-数据预处理_02 .mp4  45.68M
$ x+ _4 I7 _$ a8 W7 ?, y  c5 \|   |   ├──4-代码讲解_01 .mp4  52.29M" g( J9 Y2 F6 U, Q
|   |   ├──5-代码讲解_02 .mp4  60.85M
$ E8 z+ `) V2 c( O) w|   |   ├──6-代码讲解_03 .mp4  53.89M" N5 [" q" ?/ i  K. g2 y+ O: R
|   |   ├──7-代码讲解_04 .mp4  57.19M2 q/ H3 c) K) \
|   |   └──8-代码讲解_05 .mp4  35.88M
  \- \6 Q' }6 j|   ├──3--AI写唐诗  5 ~. K- Q* z, G, @9 Y4 Y0 R
|   |   ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4  114.96M* A# r) Q  r/ _6 ]$ }* f5 {* v
|   |   ├──2-AI写唐诗_训练数据的构建 .mp4  69.75M6 ^. n( G& i: p6 P4 m
|   |   ├──3-MultiRNNCell单元 .mp4  38.93M
( f! x, b; q# S/ ?|   |   ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4  67.03M! S: |! R2 L, q0 E; r: M# S
|   |   ├──5-AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码 .mp4  61.73M! X) E3 ?( V5 I! Q9 I# \9 `- A' c6 E
|   |   └──6-AI写唐诗_模型的使用_增加随机性 .mp4  93.87M
+ ]8 }& C2 [; y' {9 C|   ├──4--Seq2Seq聊天机器人  * G  V; v9 K; `& p2 B
|   |   ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4  118.79M0 z, f: R* N, x- t% R' Z. a6 S
|   |   ├──2-Seq2Seq版Chatbot的数据预处理 .mp4  93.85M
! E7 `- R5 q0 F; d|   |   └──3-Seq2Seq版Chatbot训练和模型使用 .mp4  133.29M
1 F% O2 e7 C* R0 D' W|   ├──5--实战NER命名实体识别项目  6 j! A0 K! i1 X" T: {: p6 n
|   |   ├──1-回顾了一下CRF训练和使用过程 .mp4  73.72M
" Z+ h0 Y* d% Z8 F|   |   ├──2-介绍了代码目录结构 .mp4  23.44M
; h4 R! J2 @4 }  `0 p  t1 i. [) q|   |   ├──3-NER代码读取数据和预处理 .mp4  97.61M5 w2 H* q7 k9 X  E
|   |   ├──4-feature进入BiLSTM进行正向传播的过程 .mp4  70.91M( H* q, t6 q  C( q' ^8 W- c$ d3 J
|   |   ├──5-通过CRF层来计算Loss损失以及训练 .mp4  80.51M% I4 O7 V( {; ^" f; F! b, B* o
|   |   ├──6-BiLSTM-CRF模型的预测代码 .mp4  64.10M- G" [' A. P0 l5 T6 x& N7 ^
|   |   ├──7-CRF中的特征函数们 .mp4  125.97M+ y* T* z6 U# H+ U: g5 A( B
|   |   ├──8-对比逻辑回归_相比HMM优势 .mp4  143.56M. y$ a$ m! K* ~- x
|   |   └──9-补充标注偏置问题_HMM做分词代码结构 .mp4  141.43M, c, w; l$ D1 ~# ^( J
|   ├──6--BERT新浪新闻10分类项目  ' [4 S3 J" Q! j/ u3 ?
|   |   └──1-BERT新浪新闻10分类项目 .mp4  104.54M: v7 N2 }" v' Q0 X  p. I5 Q  X
|   └──7--GPT2聊天机器人  
1 R4 f& {2 x6 ?1 \0 u* W& ~7 M|   |   └──1-GPT2闲聊机器人 .mp4  62.28M
6 Y' C* v$ @' M1 S0 f. k├──21--深度学习-OCR文本识别  
% K- m; T7 B: u6 s$ G|   ├──1-传统OCR识别_深度学习OCR识别 .mp4  369.94M
  j/ Z9 B# i, M0 ^# B( {1 ^|   ├──10-CRNN项目代码剖析 .mp4  306.48M% u8 @8 ~. u  m* f  E2 @
|   ├──2-OCR识别本质就是文字检测和文字识别 .mp4  253.34M+ k- z* c1 e1 q3 K0 q1 h
|   ├──3-OCR识别的CTC损失思想 .mp4  327.69M9 N8 V( E# k7 F7 a/ Y- a
|   ├──4-总结理解深度学习文字识别架构 .mp4  121.59M
4 H) X0 r. g: B0 `' h# p|   ├──5-CTC损失函数的理解 .mp4  330.64M
3 {9 t4 [: V3 C  Y2 W# \+ ]1 k|   ├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4  200.52M* M! o& u  |! I* F8 J
|   ├──7-CTC前向后向算法代码 .mp4  225.41M  L4 }, T9 C( A1 a/ g
|   ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4  308.23M5 s0 ~6 \, v9 S: I. H9 }
|   └──9-CPTN项目代码剖析 .mp4  491.69M
6 q! R' P- x% f* ]0 H/ U7 F├──24--【加课】Pytorch项目实战  
$ C. i9 x  B) t$ \|   ├──1--PyTorch运行环境安装_运行环境测试  3 L" Q9 C! m  L9 B0 J) P) j
|   |   ├──1-PyTorch概述 .mp4  29.29M( i; ~, I! F4 ~5 \  t
|   |   ├──2-PyTorch的安装 .mp4  76.45M  _& y, e$ \: J/ Z% e7 Z
|   |   ├──3-Pycharm关联PyTorch运行环境 .mp4  37.96M
; V! f, h! J4 S. A|   |   └──4-Jupyter关联PyTorch运行环境 .mp4  31.22M: y1 B( |- s" X2 W% N+ |
|   ├──2--PyTorch基础_Tensor张量运算  
8 W0 j& m0 z# m' t3 }6 `|   |   ├──1-Tensor的创建 .mp4  55.14M
- r; k( {9 p/ B: Q+ o|   |   ├──2-修改Tensor的形状_索引操作 .mp4  76.51M
- U3 y5 E1 T4 B+ ~8 O5 K7 j/ l9 c% t|   |   ├──3-广播机制_逐元素操作 .mp4  44.46M* ?( j$ [# b% R) }/ g2 n/ |
|   |   └──4-归并操作_比较操作_矩阵操作 .mp4  59.39M
7 H. o) r5 [8 @0 X1 a  L|   ├──3--PyTorch卷积神经网络_实战CIFAR10  : l( |2 X' Z% Y9 }$ N
|   |   ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4  83.93M
& q) z1 T' `0 k  r|   |   ├──10-PyTorch代码实战加入数据增强 .mp4  34.15M! ]. G- y! O% E6 e' R
|   |   ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4  58.61M6 H) |: A; f$ t8 {) P
|   |   ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4  51.47M
: ?5 ^- ~, E. Y9 A$ E9 f|   |   ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4  30.60M
; O' ~5 }; Y' o) U2 ]|   |   ├──5-使用全局平均池化_使用LeNet模型 .mp4  40.97M% c& e* X% M) R5 @% C9 g
|   |   ├──6-使用集成学习思想训练识别模型 .mp4  86.96M
  [) g" M  l: r. Q7 z|   |   ├──7-使用VGG16模型提供准确率 .mp4  52.90M
" Z* ]/ D- _9 ?$ j|   |   ├──8-torchvision里面的预训练模型 .mp4  29.84M
* Q' C, E+ h1 m+ V3 f) a|   |   └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4  67.71M+ x/ g! Y. }% U3 m5 _
|   ├──4--PyTorch循环神经网络_词性标注  $ E# ^3 f+ x$ w1 R3 W5 u. o3 z
|   |   ├──1-PyTorch词性标注_构建数据和词索引号 .mp4  28.07M
9 A9 U# t, b$ \  j|   |   ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4  47.01M
) g* E/ }7 u  u. h|   |   ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4  44.59M/ @: Z1 B. x$ Z3 N# }  [" R( |/ N
|   |   └──4-PyTorch词性标注_测试模型效果 .mp4  11.67M
1 e* g2 c# e7 [3 F6 G|   └──5--PyTorch编码器解码器_机器翻译  4 G4 N7 [6 S) l1 I6 j. P
|   |   ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4  50.41M% d6 ~. V+ _7 r  A2 E7 m( y
|   |   ├──2-PyTorch中英文翻译_数据预处理 .mp4  42.68M
& \! Y: o% Q6 J/ q  k|   |   ├──3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器 .mp4  57.69M5 [, d6 ^: W$ I3 n: B5 M, T: W
|   |   ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4  50.92M. ^' C( V% v0 B/ j' f1 ^
|   |   ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4  79.33M
9 O8 j& e  @; _* W0 Y|   |   ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4  59.08M, a  h6 N8 z4 n7 D# b1 Q
|   |   ├──7-PyTorch中英文翻译_评估模型函数 .mp4  56.52M: a* v, ?  c* H# K' ]* U3 E' a6 h
|   |   └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4  33.74M
, T1 j. Y* p" a├──25--【加课】百度飞桨PaddlePaddle实战【新增】  & O  m1 P1 s4 j4 O
|   ├──1--PaddlePaddle框架安装_波士顿房价预测  
* ~  v' z, }) f4 C: s# `! A0 A|   |   ├──1-安装PaddlePaddle .mp4  87.34M
% b8 ?! F$ `3 [, ]|   |   ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4  45.21M
. `- J# _4 F* {8 s8 \1 F4 B|   |   ├──3-PaddlePaddle求解线性模型 .mp4  50.63M
3 E' q1 o& q" G; \1 P|   |   ├──4-预测波士顿房价_数据读取_正向传播 .mp4  60.49M7 F, V5 L" t+ P' @$ n5 M) A
|   |   └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4  43.72M: D3 H: v+ @2 u% _5 ~6 r" m9 [
|   ├──2--PaddlePaddle卷积网络_病理性近视识别  
- u* V" f2 q: T9 E|   |   ├──1-预测病理性近视_图片数据读取 .mp4  97.18M
; {5 o( D' [" f, i/ Z|   |   ├──2-预测病理性近视_模型训练 .mp4  86.66M7 ?" ^2 D* ~& f" o3 @( q$ z+ [
|   |   ├──3-预测病理性近视_定义模型结构_评估模型 .mp4  84.10M
( v9 d5 k* s# i6 `3 c$ n3 s# y+ o5 ?|   |   └──4-预测病理性近视_调用经典卷积神经网络 .mp4  91.83M
$ s! K3 S( m- p6 W|   ├──3--PaddleDetection工具_PCB电路板缺陷检测  5 I/ Y4 n- H4 ?7 @% V* s
|   |   ├──1-PaddleDetection_项目配置 .mp4  82.88M& c  ]9 s+ k4 p' P! p+ e; `% V1 r
|   |   ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4  65.48M
% `; i6 I- K" C# W5 ?' h( Z|   |   ├──3-PCB电路板缺陷检测_Images和Annotations .mp4  83.10M/ C9 j% F  _8 ]% r, u; E$ f" s6 H
|   |   ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4  133.78M
% ?" Y: L, _8 n6 i" k|   |   ├──5-PCB电路板缺陷检测_项目配置文件 .mp4  42.77M1 ^9 _8 I% c! }7 k+ |
|   |   ├──6-PCB电路板缺陷检测_模型训练 .mp4  64.62M, P  p. J! P4 S' X% t; U# g3 t
|   |   └──7-PCB电路板缺陷检测_模型预测 .mp4  51.73M, v; u% X! v" o) o+ }
|   ├──4--PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss)  
( s* ?# L6 F! ]$ Y|   |   ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4  69.65M  ^! m, S. M4 V( l& x
|   |   ├──2-车牌识别项目_详解数据准备阶段代码 .mp4  42.93M8 b/ L3 U8 h3 I9 W4 c) L
|   |   ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4  57.48M
& F: g$ E5 Z' q- k+ t  g& A# B|   |   ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4  61.62M/ T8 R$ J4 b0 O- a8 B
|   |   ├──5-车牌识别项目_车牌字符识别模型训练 .mp4  61.89M% @4 c* \/ `+ o* }0 \% c
|   |   └──6-车牌识别项目_车牌识别模型导出及预测 .mp4  75.61M
- O9 I9 Y; S# _  ]3 C# a1 m|   ├──5--PaddleNLP模块_物流信息提取(BiGRU+CRF)  
/ l; q- {& X  ?* f8 W9 W$ P|   |   ├──1-PaddleNLP_项目配置 .mp4  49.37M  P) X& |3 L  {. ?0 p5 u
|   |   ├──2-PaddleNLP_物流信息提取项目介绍 .mp4  48.01M
9 x/ k/ }# V4 a7 n5 \/ M$ o|   |   ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4  106.19M7 b  b, A& T9 r1 P! D2 w. Z
|   |   ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4  55.51M
& _. D- X1 g8 g! J% ]- B0 w' {: P|   |   ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4  51.88M
& u2 ]. k! R* `|   |   ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4  48.53M
5 y+ v0 n0 F* w" V|   |   ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4  47.34M% ?8 `* N* {9 U
|   |   └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4  80.58M
+ ^0 {* V" g: A" f0 \7 J1 |2 ]|   └──6--PaddleNLP模块_物流信息提取(ERNIE版)  4 I& w  `0 Y+ J
|   |   ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4  49.47M
! D4 B( {$ w3 B& A|   |   ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4  57.44M
) N) v$ e* S: q( E' e|   |   ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4  47.78M
$ ?- m6 E0 l& `$ c|   |   └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4  57.88M
6 {- S  X  a& Y. ~9 R) f) Q├──26--【加课】Linux 环境编程基础  0 f3 ~1 L4 |3 t6 F0 x9 y
|   └──1--Linux  8 U- m! i3 N1 `; ?, i& P) @
|   |   ├──1-Linux_课程介绍 .mp4  3.72M' V$ W, S% i# l6 I6 ]# J
|   |   ├──10-Linux_常用命令_clear、touch、cat命令 .mp4  10.13M
" F& @# g/ f$ G7 I|   |   ├──11-Linux_常用命令more、head、tail命令 .mp4  16.32M
4 G/ l* A# [4 l|   |   ├──12-Linux_常用命令_mkdir命令 .mp4  10.57M
9 \/ u% S" I2 F* {0 p|   |   ├──13-Linux_常用命令_cp命令 .mp4  16.08M# o8 v% Z' `0 k3 k  d
|   |   ├──14-Linux_常用命令_rm、mv命令 .mp4  31.83M
5 A3 X/ m7 M! N9 p7 a3 N$ s3 L|   |   ├──15-Linux_常用命令_vi、vim .mp4  30.63M. A$ r) Y( ^# v+ g! W- k4 a7 a  h
|   |   ├──16-Linux_常用命令_reboot、halt .mp4  4.75M0 }9 A1 J% W; x' v2 G
|   |   ├──17-Linux_常用配置_设置时区 .mp4  28.84M2 M9 U- z# ^7 a& |7 B  H
|   |   ├──18-Linux_常用配置_启动网络 .mp4  15.64M
/ S$ S" w1 E; S* {2 a( }0 H|   |   ├──19-Linux_常用配置_修改网段 .mp4  12.83M" b' A% B# G4 Y2 e1 ~
|   |   ├──2-Linux_Linux简介 .mp4  17.59M: l$ ?$ O+ Q% R" v9 `4 p3 \. i
|   |   ├──20-Linux_常用配置_设置网络类型 .mp4  25.66M( U1 K0 s0 f5 h2 R0 r- x$ I- I
|   |   ├──21-Linux_常用配置_快照与克隆 .mp4  16.47M
8 \3 ~+ U7 ]/ j$ ^/ o) n+ R|   |   ├──22-Linux_Xshell的安装与使用 .mp4  19.51M0 D0 U1 \9 {7 D: Q& D  ]
|   |   ├──23-Linux_上传与下载_Xftp的使用 .mp4  20.33M
) U$ [+ N' t& V4 ?, m: P/ C|   |   ├──24-Linux_上传与下载_lrzsz工具 .mp4  43.32M
7 x  c' u5 ^& g* I% d# k|   |   ├──25-Linux_文件的压缩与解压缩处理 .mp4  43.12M. _) K, w+ T, X1 U
|   |   ├──26-Linux_安装MySQL .mp4  79.02M7 ^8 W9 D) N5 i/ z
|   |   ├──3-Linux_VMWare安装及使用 .mp4  20.92M
" V# v0 P+ V/ @, |! h|   |   ├──4-Linux_安装Linux .mp4  41.97M
" V% f8 _$ W5 f! E7 d|   |   ├──5-Linux_目录介绍 .mp4  20.31M+ _2 r/ S+ Q( n% v5 ]8 s1 Q
|   |   ├──6-Linux_Linux中的路径 .mp4  18.65M) x6 x0 X2 A# `- E
|   |   ├──7-Linux_常用命令_pwd命令 .mp4  5.79M! M% [6 N. |+ C% R" J+ j" i& K
|   |   ├──8-Linux_常用命令_cd命令 .mp4  8.15M
" P; k9 @0 h  W# r|   |   └──9-Linux_常用命令_ls与ll命令 .mp4  34.39M0 ^6 E6 U" o4 `+ S; [8 }8 ^
├──27--【加课】算法与数据结构  8 ?, Q1 G7 L& Q, h2 e; Q, @7 Q8 a
|   └──1--算法与数据结构  : x* S+ d/ i# A2 V
|   |   ├──1-数据结构与算法简介 .mp4  35.68M# K( I+ c) c) M: n% ~
|   |   ├──10-哈希表的基本结构 .mp4  54.34M* q& [/ }: N/ F* ~- a$ S2 I* M
|   |   ├──11-哈希表冲突问题 .mp4  75.92M
  Y; z! x+ o' u; R; Z1 R  n|   |   ├──12-哈希表冲突问题2 .mp4  72.30M$ t5 U* C4 L$ P
|   |   ├──13-哈希扩容 .mp4  111.03M9 E8 K& i2 f& C
|   |   ├──14-递归与栈 .mp4  50.77M
/ I* I* w2 G. S6 Q2 p5 G" E( V|   |   ├──15-线性查找 .mp4  57.80M
0 x( d; R3 d( O9 R|   |   ├──16-二分查找 .mp4  52.32M: e3 f  g. M: M4 p# H
|   |   ├──17-冒泡排序 .mp4  53.19M2 k5 O( O% `5 E; x, w4 y; j
|   |   ├──18-选择排序 .mp4  43.29M! b2 _6 T  Y; n2 s
|   |   ├──19-插入排序 .mp4  31.39M. F  h) ]- c: |/ J
|   |   ├──2-大O表示法 .mp4  25.59M2 w5 c  U- z2 u' ]
|   |   ├──20-归并排序 .mp4  84.48M- o/ l, [# j. L0 K$ ?
|   |   ├──21-快速排序 .mp4  36.63M0 j! K/ N& \4 w: c4 u2 l) [
|   |   ├──22-树结构 .mp4  96.85M& d# ]- a' p. Q- o- F: e
|   |   ├──23-树结构的遍历 .mp4  61.05M8 q) w$ p6 V  [- G4 c9 m
|   |   ├──24-最大堆的增加操作 .mp4  45.43M
7 u2 M$ w& U, x/ v: X6 N; ^% X|   |   ├──25-最大堆的删除操作 .mp4  45.63M
3 n8 G7 U+ ^# x) O4 [+ K! ~4 V( C|   |   ├──26-二叉树的查找 .mp4  100.24M) W* Q0 Z! K% a% w$ h3 M% x
|   |   ├──27-二叉树获取最小值 .mp4  25.21M
% I4 s- P4 ]1 F3 b& m8 ~|   |   ├──28-二叉树的添加 .mp4  72.66M
7 J8 }* |) [4 h; R" e" N|   |   ├──29-二叉树的删除 .mp4  120.06M
0 j( V4 P0 H, `% Y  g( Q% R|   |   ├──3-线性结构 .mp4  53.14M8 r) R; Q. F( @# N, s9 e* J
|   |   ├──4-单线链表1 .mp4  68.36M
3 m# w& d/ Y5 d1 g/ ~: c|   |   ├──5-单链表2 .mp4  221.69M
+ B, T9 y! e( C0 t# {|   |   ├──6-双链表 .mp4  103.57M
8 v( B+ z5 U  T  @+ Z% |( a2 l8 m' X|   |   ├──7-队列(链式) .mp4  74.12M; `  G- Y! x; A8 c  w
|   |   ├──8-队列(线式) .mp4  30.99M
* q8 I; S4 z& q|   |   └──9-栈与双端队列 .mp4  28.12M
; O9 O3 A  u# u4 R( |# ]- p├──3--人工智能基础-Python科学计算和可视化  9 Y. {3 x) i9 ?" i
|   ├──1--科学计算模型Numpy  4 h$ s& [  I4 I# h" p
|   |   ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4  39.89M
- a$ j. H1 c* U1 {! U; C+ b|   |   ├──2-Numpy_array_arange .mp4  35.45M1 w1 V% t9 Q% C6 S7 [5 f. D
|   |   ├──3-Numpy_random随机数生成 .mp4  50.54M
, S: N8 B! _  ?. j; T' P|   |   ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4  45.37M
- H$ ?8 v- @; o$ l|   |   ├──5-NumPy_reshape_切片操作_copy函数 .mp4  34.47M
9 I7 N: Y( u0 M|   |   ├──6-Numpy_改变数组维度_数组的拼接 .mp4  46.50M
  H; B2 q) P$ B0 N; z|   |   ├──7-Numpy_数组的切分和转置 .mp4  28.34M
  u1 H) {7 |. f2 H2 K0 H|   |   ├──8-Numpy_算术运算_向上向下取整 .mp4  34.59M* n, d2 v0 x0 \
|   |   └──9-Numpy_聚合函数 .mp4  23.68M6 {8 s! w' [" e% T  @3 P
|   ├──2--数据可视化模块  
1 b. W' o! w5 h# {' A! `' s* i|   |   ├──1-Matplotlib_概述_绘制直线图 .mp4  40.79M
, H' g, r& A2 j- N/ j|   |   ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4  37.73M
# R* {. W/ q5 X% P) z|   |   ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4  52.15M! Y, d& G" c) X/ Y  t/ P* ?
|   |   ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4  29.54M& h. X5 J( a! M7 B7 Q2 ]8 t/ t
|   |   └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4  34.90M; b+ c7 F$ e/ O/ k
|   └──3--数据处理分析模块Pandas  7 q1 }& o4 `: ~6 y" w# ]
|   |   ├──1-Python_Pandas_Series对象创建 .mp4  33.35M- c( V8 p# X2 t. Z/ B
|   |   ├──2-Python_Pandas_DataFrame对象创建 .mp4  37.19M4 c5 I7 \6 m2 M' ]# \$ `
|   |   ├──3-Python_Pandas_获取Series对象的值 .mp4  22.41M  e: z# z6 \1 N/ }/ P" \
|   |   ├──4-Python_Pandas_获取DataFrame对象的值 .mp4  28.31M
  X+ I1 a% z& J. Q! d|   |   ├──5-Python_Pandas_条件过滤 .mp4  24.66M, }5 B2 j) `: j8 P9 A
|   |   ├──6-Python_Pandas_空值的删除与填充 .mp4  46.66M
  Z+ H1 G8 T6 `|   |   └──7-Python_Pandas_拼接和合并 .mp4  44.84M
+ c' s- L3 z3 P├──31--【加课】 强化学习【新增】  5 }6 V+ S! T# l) N0 A+ S
|   ├──1--Q-Learning与SARSA算法  3 s% G. y5 d! S" i$ K
|   |   ├──1-强化学习通过智能体与环境交互进行学习 .mp4  81.83M
4 _: S9 {+ e" u8 |! r, ~|   |   ├──10-代码实战Q-Learning智能体训练模型 .mp4  40.30M" t1 D( u4 `7 b9 \, f
|   |   ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4  45.38M
/ t% U% \8 w: N2 A8 ?+ |; B|   |   ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4  42.69M
3 `; L3 p6 Y5 n( M) v|   |   ├──13-代码实战SarsaLambda_训练模型 .mp4  42.49M
! A6 N/ w# Q4 A( G1 m: h; o. X|   |   ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4  59.84M
9 A: B- J/ {: t+ ?8 z) U! Y|   |   ├──3-详解Q值和V值以及它们之间关系 .mp4  82.69M
: K! g7 p1 o0 z2 x|   |   ├──4-蒙特卡洛采样回溯计算V值 .mp4  74.25M
+ T. K( X, j1 D0 m' e) I|   |   ├──5-蒙特卡洛和时序差分估算状态V值 .mp4  82.14M
# E/ e5 o; L6 ], [/ a2 H& C& ~$ l|   |   ├──6-SARSA算法和Q-learning算法 .mp4  76.34M- D! M8 ^5 _; R" R+ ~, @
|   |   ├──7-理解Q-table_创建maze交互环境 .mp4  78.55M
1 m5 N3 ^( _, ?% d$ c1 z/ C|   |   ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4  34.23M
3 \4 X- B" A' M+ N" W5 r7 J|   |   └──9-代码实战Q-Learning智能体选择行为 .mp4  38.39M
, Y1 c$ y1 z" p% s; r; Z# e|   ├──2--Deep Q-Learning Network  
, f6 t& J. G7 I2 m|   |   ├──1-DQN算法思想 .mp4  59.24M
5 H3 g1 @$ U2 U. j; H|   |   ├──10-DoubleDQN缓解over-estimate .mp4  44.14M' |0 M/ B1 p1 F* u" W8 [# B) M
|   |   ├──11-DoubleDQN代码实战 .mp4  44.49M+ g0 n; j! }9 d1 Q! ]8 M3 w
|   |   ├──12-DuelingDQN .mp4  88.12M
, W: H6 N) ~3 p; @/ L|   |   ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4  91.00M( z8 F( w; H: m# v! t2 o; ~
|   |   ├──14-计算Action的方差避免风险 .mp4  54.23M4 f4 a+ {- G- j  n2 g
|   |   ├──15-Rainbow_DQN如何计算连续型的Actions .mp4  65.35M2 I& O" W) t6 w2 J. N" D
|   |   ├──2-DQN算法具体流程 .mp4  56.17M+ \# F* Y5 w, p
|   |   ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4  96.70M" R! @; L( |8 N3 w& n! [8 t
|   |   ├──4-代码实战DQN_Agent和Env整体交互 .mp4  52.25M" s- t% ?& F  ~! D3 M: X8 c( S
|   |   ├──5-代码实战DQN_构建Q网络 .mp4  70.52M
, F% Y9 {: h, k0 g+ q|   |   ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4  85.79M* ?2 h9 P, R" v; x; u
|   |   ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4  53.49M9 s, c( }2 U) v# \1 |; ^4 W1 X+ k
|   |   ├──8-代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小 .mp4  58.93M
8 V7 i8 y  w2 `. `; y! G7 D1 u  x|   |   └──9-DQN会over-estimate的本质原因 .mp4  44.92M! H6 D' I3 I" c9 h
|   ├──3--Policy Gradient 策略梯度  
& @6 O% H0 h0 J+ O0 H9 J8 B|   |   ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4  68.21M# R8 u8 l, f& w2 [. Q4 \% a/ w
|   |   ├──10-策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战 .mp4  34.22M
: R. v& f) P& }6 z. }& r- d|   |   ├──2-策略梯度PG_明确目标函数和导函数 .mp4  62.20M9 w- t! u- a5 L7 \6 P2 G- u
|   |   ├──3-策略梯度PG_简化导函数的公式推导 .mp4  36.66M
6 `- t0 C, j% m1 l) T|   |   ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4  33.38M+ w; \+ b' t/ I* X+ q# l
|   |   ├──5-策略梯度PG_讲解CartPole环境 .mp4  55.59M8 B/ h  i( m+ F9 r3 n' l& ~5 H' @* y
|   |   ├──6-代码实战_策略梯度PG和CartPole交互 .mp4  75.57M& p8 N% {9 H; p) [7 q9 Q( C# h
|   |   ├──7-代码实战_策略梯度PG网络构建 .mp4  48.86M. X# ?, C8 e3 W
|   |   ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4  54.67M6 A) N4 v+ ]/ l" d3 Q# ?5 n
|   |   └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4  33.07M% P8 A9 z) U9 R2 s) P
|   ├──4--Actor Critic (A3C)  ; f! w/ G4 t5 U: W5 ^
|   |   ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4  55.33M2 X3 s+ n# X) J# D' h
|   |   ├──10-代码实战_A3C_增加actor探索性用到熵_定义worker正太分布抽样和求梯度的逻辑 .mp4  36.14M
" X4 _. {! ^/ d) @' e! r|   |   ├──11-代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑 .mp4  40.24M
5 M) e( E6 M0 n' v4 I|   |   ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4  39.73M
6 w& A9 ~% f6 Z# p, y9 c+ ^|   |   ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4  51.55M: R9 Z! Q3 A, u8 i9 e1 P
|   |   ├──14-代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示 .mp4  47.18M* _, {- k, Y$ ~
|   |   ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4  86.42M
& Z0 K) F' Z- D|   |   ├──3-代码实战_ActorCritic与环境交互 .mp4  82.51M4 x0 |. j1 j1 l
|   |   ├──4-代码实战_Actor网络构建及训练 .mp4  58.07M
0 X. \. W6 m* _7 \|   |   ├──5-代码实战_详解Critic网络构建及训练 .mp4  87.92M) c' H7 m/ m2 u. `
|   |   ├──6-A3C架构和训练流程 .mp4  74.66M
4 [/ c: k5 a# W3 U7 m|   |   ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4  77.58M, I3 q' O0 e; {4 M7 e! K$ j5 f
|   |   ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4  32.03M
+ t! [) l9 [) s* {" A|   |   └──9-代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性 .mp4  36.62M
- H, }2 K9 G8 m' X2 P8 ]|   └──5--DDPG、PPO、DPPO算法  
4 i! v% L8 e; o) J" D' h' V6 M|   |   ├──1-DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic .mp4  81.92M9 l# ^* f2 L$ V  n* F# V
|   |   ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4  32.54M
- b: y6 D* i  p! z+ K  o( N' M3 t; v|   |   ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4  41.02M4 I: M" m$ K# Z
|   |   ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4  42.12M' c0 d% c3 B, e3 p0 x
|   |   ├──13-DPPO分布式PPO .mp4  63.81M
1 f" Q3 L8 X& l2 ]) q|   |   ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4  37.79M' K$ K+ a2 K" O3 ^, E3 r- d
|   |   ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4  54.72M( s! w/ m7 [7 W8 `- b8 @, q
|   |   ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4  51.45M2 r3 z2 P  v3 u. v8 L( w! b6 ~
|   |   ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4  57.06M5 m2 w# u7 O! L( R
|   |   ├──4-代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示 .mp4  44.17M
0 H) Q) t. i& b" l, I/ c3 p6 V2 M|   |   ├──5-TD3_使用DoubleNetwork优化DDPG .mp4  63.92M1 S6 Y) G  C; p, k4 N
|   |   ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4  38.45M
" I0 J& G7 B* a; {/ A/ o+ e|   |   ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4  35.49M
6 f# }$ ?  l5 C9 h5 D' n0 g|   |   ├──8-PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题 .mp4  38.09M
% X$ C. Q6 e" h|   |   └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4  61.79M
' h% r( ^# P3 j. |  M1 p# B. \: U├──4--人工智能基础-高等数学知识强化  % [3 b( A/ d" I
|   ├──1--数学内容概述  
" y& o! W. K# f, S' m|   |   ├──1-人工智能学习数学的必要性_微积分知识点 .mp4  28.76M
. U" ~$ i6 P" q+ X4 [|   |   ├──2-线性代数_概率论知识点 .mp4  26.81M5 p9 r$ G% ^2 k
|   |   └──3-最优化知识_数学内容学习重点 .mp4  40.43M
( H. c$ D5 ~) B4 \3 o|   ├──2--一元函数微分学  
, X. P' |$ k- I3 J|   |   ├──1-导数的定义_左导数和右导数 .mp4  28.39M
' s" \, D  H) G3 l|   |   ├──2-导数的几何意义和物理意义 .mp4  14.49M- R7 f$ V( J: C/ Z; C! g
|   |   ├──3-常见函数的求导公式 .mp4  22.76M
7 a; G2 }" u% F' R0 ~% ^, K|   |   ├──4-导数求解的四则运算法则 .mp4  26.52M1 b' \7 }! R% j
|   |   ├──5-复合函数求导法则 .mp4  19.68M# Q7 l! _! d# i, c/ Y
|   |   ├──6-推导激活函数的导函数 .mp4  33.40M9 {: x& o2 Z7 [5 J& T1 P: ~
|   |   ├──7-高阶导数_导数判断单调性_导数与极值 .mp4  21.95M; _3 H* Z+ X) f4 r" C4 ^& O
|   |   └──8-导数判断凹凸性_导数用于泰勒展开 .mp4  44.22M
; r9 }5 b' x  Z' @# ^- U7 l|   ├──3--线性代数基础  # s; Y3 l6 Z% B0 r; Q
|   |   ├──1-向量的意义_n维欧式空间空间 .mp4  20.82M# ?2 |  H- ?: i$ g. }6 g
|   |   ├──10-矩阵的逆矩阵 .mp4  38.54M+ z5 N  B/ ]  r7 y' @, n( _, S
|   |   ├──11-矩阵的行列式 .mp4  20.13M0 f5 M" ?2 r, x! p0 o2 B) \
|   |   ├──2-行向量列向量_转置_数乘_加减乘除 .mp4  19.28M* J! k( L/ @9 B) w
|   |   ├──3-向量的内积_向量运算法则 .mp4  19.78M5 z8 F- t8 x4 z/ u: Z+ M
|   |   ├──4-学习向量计算的用途举例 .mp4  20.32M3 s( A( @/ O0 v2 h  h
|   |   ├──5-向量的范数_范数与正则项的关系 .mp4  32.40M% a/ O7 D3 ]' q1 X1 f
|   |   ├──6-特殊的向量 .mp4  26.45M; x8 b  k; H' u/ K: w/ [% J
|   |   ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4  18.06M% e0 _' [0 E( b( d) f# H
|   |   ├──8-矩阵的运算_加减法_转置 .mp4  22.76M
& W! \/ r8 {& a' k; E|   |   └──9-矩阵相乘 .mp4  20.02M% `1 q) v& G7 e) @
|   ├──4--多元函数微分学  
& K8 O6 Z$ ?+ O|   |   ├──1-多元函数求偏导 .mp4  22.61M7 ~% Y, O& ~$ w2 _1 t
|   |   ├──2-高阶偏导数_梯度 .mp4  27.15M
, ?# N4 ]' C. L1 L' K|   |   ├──3-雅可比矩阵_在神经网络中应用 .mp4  37.65M
( n7 J3 m  i2 i6 |" o9 i|   |   └──4-Hessian矩阵 .mp4  32.93M
: h" n6 I  t: x+ C|   ├──5--线性代数高级  * C) _- J' a0 `, |+ G1 y
|   |   ├──1-二次型 .mp4  27.70M$ G1 i7 @1 }) Z0 z
|   |   ├──10-SVD用于PCA降维 .mp4  24.90M
3 e. y+ k" a; [* L* C& u4 Z|   |   ├──11-SVD用于协同过滤_求逆矩阵 .mp4  35.85M" z2 F+ H1 i( P. z: t+ D
|   |   ├──2-补充关于正定负定的理解 .mp4  23.48M
* u, D' A' A7 Q( G|   |   ├──3-特征值和特征向量(1) .mp4  29.83M" H: z; K( G9 q" w; H) ^
|   |   ├──4-特征值和特征向量(2) .mp4  30.07M9 }& T" |! d$ K+ K* j1 G; c) f
|   |   ├──5-特征值分解 .mp4  38.68M, a) S9 `: f+ |5 ]$ V# g# N$ ^
|   |   ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4  44.77M: e+ e  _$ C0 N; x
|   |   ├──7-奇异值分解定义 .mp4  22.58M$ K2 V5 p& u& V+ n, Q$ ?& k  r
|   |   ├──8-求解奇异值分解中的UΣV矩阵 .mp4  49.47M
6 ?( v5 J" _7 l, ]|   |   └──9-奇异值分解性质_数据压缩 .mp4  38.70M
4 L9 i& N- P$ s' X  ]7 u# O( @|   ├──6--概率论  
- F4 b9 C7 o% T, ||   |   ├──1-概率论_随机事件与随机事件概率 .mp4  21.71M
1 T! ^" o. F4 u|   |   ├──2-条件概率_贝叶斯公式 .mp4  32.64M# }* v4 b- C2 K* ]; f
|   |   ├──3-随机变量 .mp4  22.57M0 ]0 u# w3 f; ^
|   |   ├──4-数学期望和方差 .mp4  22.96M
! q! ~. k) [! b: q  ?! Q' R|   |   ├──5-常用随机变量服从的分布 .mp4  22.48M
- B, g! `' ?$ e% y$ V4 w6 ^) k|   |   ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4  32.48M! {. z8 J; s! S
|   |   └──7-最大似然估计思想 .mp4  23.42M
4 z4 b; p# M7 ||   └──7--最优化  
) d# Q: W' p0 j+ S|   |   ├──1-最优化的基本概念 .mp4  35.14M; K( U* B  ?1 z* S' G# M
|   |   ├──10-拉格朗日函数 .mp4  27.46M
% n5 w) O6 O3 [  @* ^|   |   ├──2-迭代求解的原因 .mp4  20.15M
, _8 F# @4 O, L# Z+ M' X6 C|   |   ├──3-梯度下降法思路 .mp4  26.33M
0 W; Z( F0 E& Z|   |   ├──4-梯度下降法的推导 .mp4  43.56M
5 F& Y; O8 E1 w7 C6 r|   |   ├──5-牛顿法公式推导以及优缺点 .mp4  45.83M4 {' R% V7 f9 B$ Q' s9 `
|   |   ├──6-坐标下降法_数值优化面临的问题 .mp4  23.90M) _, r3 q* G9 K- G+ x- i
|   |   ├──7-凸集 .mp4  21.90M
: H1 b( ?' m! K|   |   ├──8-凸函数 .mp4  16.93M
# |- g& C: w7 h$ _1 g& {|   |   └──9-凸优化的性质_一般表达形式 .mp4  20.81M" Y) W; U0 A+ R% ~
├──5--机器学习-线性回归  , ^/ d! a$ v! h+ q, T/ e6 s1 ^$ x* S
|   ├──1--多元线性回归  
5 F9 Z/ ^$ N1 \) U. i! n|   |   ├──1-理解简单线性回归 .mp4  51.11M& X7 ^$ X4 y4 @* n
|   |   ├──10-对数似然函数_推导出损失函数MSE .mp4  41.92M
. p' U# {+ @9 l4 ^* k/ H6 K: S6 k9 @|   |   ├──11-把目标函数按照线性代数的方式去表达 .mp4  27.00M9 u  [3 P% a2 J. Q
|   |   ├──12-推导出目标函数的导函数形式 .mp4  46.38M
. T, N" `) v+ A, q|   |   ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4  59.19M
! t5 V7 V9 n1 ]" Q( {|   |   ├──14-Python开发环境版本的选择及下载 .mp4  54.07M
! A! s4 F7 ~7 _7 e|   |   ├──15-Anaconda环境安装_Pycharm环境安装 .mp4  61.07M3 p) V' ~/ _6 o1 ^$ J
|   |   ├──16-Pycharm创建脚本并测试python开发环境 .mp4  40.51M
# c) v! z+ B- M. ]+ ^2 k2 Q8 Q|   |   ├──17-解析解的方式求解多元线性回归_数据Xy .mp4  40.41M9 l- N- o$ p. B0 `% i0 |9 Z( e
|   |   ├──18-解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形 .mp4  48.31M
# {. O* r2 u" @& R2 M, |/ a|   |   ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4  34.67M! V/ E: ]  j" z9 t% V
|   |   ├──2-最优解_损失函数_MSE .mp4  39.58M
0 C( L7 g' M: X+ B+ x3 }+ Z|   |   ├──20-Scikit-learn模块的介绍 .mp4  29.18M
! t+ h2 O3 _9 y" Z5 F|   |   ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4  25.20M) I/ `3 o2 j+ E% M0 x
|   |   ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4  41.02M
2 \& e4 s  s; }|   |   ├──3-扩展到多元线性回归 .mp4  32.15M
4 ^7 H# b& Q# T& p& \. x# G* `7 ]|   |   ├──4-理解多元线性回归表达式几种写法的原因 .mp4  33.97M* X! f4 `- @9 l, R1 Y
|   |   ├──5-理解维度这个概念 .mp4  41.41M
) J& T) L" ]! Y+ m! j% T|   |   ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4  65.82M
- T% ]) M( d. g1 A4 z|   |   ├──7-假设误差服从正太分布_最大似然估计MLE .mp4  43.11M2 [7 d8 K4 b5 X+ x' U
|   |   ├──8-引入正太分布的概率密度函数 .mp4  26.54M" ?5 I  M/ h" n) E- l3 C) o
|   |   └──9-明确目标通过最大总似然求解θ .mp4  25.83M
$ M+ B& s) H7 V, X3 v4 Y|   ├──2--梯度下降法  
- `4 ~: Q  F$ [|   |   ├──1-梯度下降法产生的目的和原因以及思想 .mp4  59.45M; n- g# |( f5 r, ]/ t
|   |   ├──10-代码实现全量梯度下降第1步和第2步 .mp4  25.70M
# T7 G" O% c! U8 k( S( N8 d% }|   |   ├──11-代码实现全量梯度下降第3步和第4步 .mp4  30.73M+ t. ?' a3 o4 F3 [# T; Z
|   |   ├──12-代码实现随机梯度下降 .mp4  26.67M4 M% ~5 V- K! i9 e1 l( _8 M
|   |   ├──13-代码实现小批量梯度下降 .mp4  27.32M) X& F  R1 g6 G% F2 i- e- J: S
|   |   ├──14-代码改进保证训练数据全都能被随机取到 .mp4  40.28M! n0 y# x* v9 _
|   |   ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4  39.24M
$ S2 Q: ~  W* y% S7 Z|   |   ├──2-梯度下降法公式 .mp4  57.12M1 e; E+ Q: c2 S' |4 U
|   |   ├──3-学习率设置的学问_全局最优解 .mp4  56.52M
" Q7 c9 O& _2 ^" D% E! n) t7 r|   |   ├──4-梯度下降法迭代流程总结 .mp4  30.28M
3 i& x- D0 {" L& B' f: h8 l|   |   ├──5-多元线性回归下的梯度下降法 .mp4  43.27M& p2 M- O8 l' {
|   |   ├──6-全量梯度下降 .mp4  62.84M/ |; U/ j6 s3 g$ h7 ~7 P( D) c  |1 d
|   |   ├──7-随机梯度下降_小批量梯度下降 .mp4  47.62M
6 {2 k( E7 l/ v9 l2 O4 T/ k|   |   ├──8-对应梯度下降法的问题和挑战 .mp4  47.07M3 z  W: ^3 o, v
|   |   └──9-轮次和批次 .mp4  45.22M
! e5 v1 G& x  U/ N6 Q) J5 S|   ├──3--归一化  / |' `6 K, Q5 A8 y9 L: |
|   |   ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4  63.62M
$ ]" f" M3 V) C6 B9 d7 S|   |   ├──2-归一化的目的_举例子来理解做归一化和不做归一化的区别 .mp4  34.11M
9 `# K1 M' T0 G, v|   |   ├──3-归一化的副产品_有可能会提高模型的精度 .mp4  21.61M
1 B( _) Q, \0 C4 o( H! H. o|   |   ├──4-最大值最小值归一化 .mp4  24.87M
; n+ T3 D+ D& b7 @* C|   |   ├──5-标准归一化 .mp4  51.86M% U  S3 A) s. U
|   |   └──6-代码完成标准归一化 .mp4  41.13M
8 g0 n0 |( L: A|   ├──4--正则化  8 H; f! V4 y+ d3 e
|   |   ├──1-正则化的目的防止过拟合 .mp4  30.71M
& |0 z. _9 z1 \7 f9 \# l|   |   ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4  35.27M  @# Q3 a" U, n
|   |   ├──3-常用的L1和L2正则项以及数学意义 .mp4  41.55M
0 R, @4 e2 K. C: h|   |   ├──4-L1稀疏性和L2平滑性 .mp4  51.64M/ M0 H& x! V/ D% ]0 q/ t6 ]2 d; r3 w
|   |   └──5-通过L1和L2的导函数理解区别的本质原因 .mp4  55.58M; V" n! r6 U5 Z
|   └──5--Lasso回归_Ridge回归_多项式回归  ! |# g% n5 g3 z
|   |   ├──1-代码调用Ridge岭回归 .mp4  76.32M: i7 P- z' B! e* h7 n* \+ r
|   |   ├──10-实战保险花销预测_特征选择思路 .mp4  40.29M2 A" U/ C- R8 L, h4 G  E  R: _
|   |   ├──11-实战保险花销预测_特征工程 .mp4  17.96M
! J8 e7 y* ]. R6 i; c$ k. o|   |   ├──12-实战保险花销预测_模型训练和评估 .mp4  58.86M, p2 p0 u' y+ u
|   |   ├──2-代码调用Lasso回归 .mp4  28.73M) c8 v2 H: P, |9 G4 H
|   |   ├──3-代码调用ElasticNet回归 .mp4  53.67M
. ~& z# j% X6 u|   |   ├──4-升维的意义_多项式回归 .mp4  48.06M' e# z$ ?7 i' j% l
|   |   ├──5-多项式升维代码实战_传入不同超参数对比 .mp4  44.78M" h4 J) K" q& ~) [& A- w
|   |   ├──6-多项式升维代码实战_训练模型和评估 .mp4  35.06M
8 `, V( Y, e/ H4 ||   |   ├──7-实战保险花销预测_数据介绍和加载数据 .mp4  35.25M
* r) n7 H/ a. K0 o) Q9 W  G! G|   |   ├──8-实战保险花销预测_数据预处理 .mp4  41.38M
: Z! @# C7 ^! {1 C|   |   └──9-实战保险花销预测_模型训练和评估_选择非线性算法改进 .mp4  84.12M
1 F6 |' I7 X* n4 Z6 i├──6--机器学习-线性分类  
; P5 |- K- e  {|   ├──1--逻辑回归  
7 N' X) s1 R( ]6 N! f' `% X. x|   |   ├──1-逻辑回归_Sigmoid函数 .mp4  21.14M! b9 ?4 h1 n0 m' N) _, e0 P
|   |   ├──10-绘制逻辑回归损失函数_探索两个参数和损失函数变换关系 .mp4  39.83M2 c- T; i7 l" X# w& e+ H; v
|   |   ├──11-绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度 .mp4  43.87M
0 s: s# d& I% k|   |   ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4  20.50M* B! Z; G; \5 J2 x- d+ _
|   |   ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4  42.50M0 q2 K( }+ A+ L3 d& F8 c3 ?
|   |   ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4  46.63M
3 q# T' c: s/ C1 R1 K|   |   ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4  26.13M' V- e4 C: c3 L0 ^& g
|   |   ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4  40.46M
* A# Q9 _5 d9 @) s" O' o: a|   |   ├──2-sigmoid函数作用 .mp4  38.15M* n  D0 D+ b* |0 @6 J
|   |   ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4  31.00M0 h5 z" g& ^  K: A' R
|   |   ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4  41.97M$ ~* i* E+ ]2 m( X
|   |   ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的 .mp4  6.71M
* _4 R+ F0 Z9 M9 g4 W/ Z+ f2 |. q) m3 X|   |   ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4  29.61M
7 K* g, K: C5 Z! s. B4 m, T|   |   ├──7-推导逻辑回归损失函数_得到最终形式 .mp4  12.43M
5 c, C5 V7 [  `; |1 L# c+ l|   |   ├──8-绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数 .mp4  56.56M6 p* D! z) e/ e; D4 Y* o
|   |   └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4  30.72M
) I. \+ B4 j4 P& C& x# t  G|   ├──2--Softmax回归  $ g5 M9 O4 s5 S' R, p4 S
|   |   ├──1-证明多项式分布属于指数族分布一种 .mp4  27.93M
( l6 e! a) w  o) Z+ ]/ a|   |   ├──10-实战音乐分类器_代码使用傅里叶变换将混音文件进行投影 .mp4  42.74M* ?8 L& ?8 f9 C0 Y& }/ H2 j, R
|   |   ├──11-实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果 .mp4  49.16M
! o: g0 a- Q7 E+ D+ [|   |   ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4  47.67M2 [$ w4 j: o8 L
|   |   ├──13-实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题 .mp4  78.03M
7 ]9 M) h& S; T" w5 U; L8 D|   |   ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4  21.35M
7 i: Y. h) ?5 z( j! h0 P; g|   |   ├──3-有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本 .mp4  33.42M
0 T/ b3 `- Q& h# G|   |   ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4  28.15M9 _8 G5 R: _3 G$ c
|   |   ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性 .mp4  13.92M' j, B, i0 h5 T+ e& G
|   |   ├──6-逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别 .mp4  46.67M
. R! t7 I: v- D, x( h& j6 d|   |   ├──7-实战音乐分类器_讲解需求和读取数据 .mp4  32.57M
! d1 z# j: q, O0 U|   |   ├──8-实战音乐分类器_探索不同曲风音乐文件的时间频率图 .mp4  52.39M+ h7 t6 O) x# j3 Y
|   |   └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4  25.13M7 I1 o4 Y( ?' b: o  h& E
|   ├──3--SVM支持向量机算法  
# m& H+ A4 |/ q" J6 c1 N|   |   ├──1-SVM与感知机关系_几何距离与函数距离 .mp4  114.25M
/ ~1 x; z7 ?# y* `|   |   ├──2-SVM的思想 .mp4  55.56M: V2 x2 d2 U& ^! \
|   |   ├──3-几种SVM_SVM的损失函数 .mp4  74.91M% [& @) ~& U/ B, X2 P2 f4 y! O% Z" n( L
|   |   ├──4-数学预备知识_拉格朗日函数 .mp4  122.44M3 R9 ~1 S1 R9 s2 a0 d2 g- }! K
|   |   ├──5-硬间隔SVM的两步优化 .mp4  102.88M5 T" }( T7 K, x6 j
|   |   ├──6-总结硬间隔SVM .mp4  39.01M
1 V# S# R( P  c7 L6 f- T% D|   |   ├──7-软间隔SVM和总结流程 .mp4  135.76M
+ ^9 o1 C  M5 u) U6 M& g|   |   ├──8-非线性SVM .mp4  54.43M
  v% z1 R) o# Y0 I5 x2 i& q, z|   |   └──9-SVM在sklearn中的使用_超参数 .mp4  144.30M3 `2 j0 G& P# C' |
|   └──4--SMO优化算法  
3 }! B+ d6 D& H+ ~' b|   |   ├──1-SVM算法流程总结 .mp4  58.36M
1 @% \) k8 C2 J: l0 {2 U( x/ T: l2 v|   |   ├──10-SVM的SMO实现判断违背条件的α1 .mp4  19.23M4 {9 G5 o7 R. D( m0 Q5 H
|   |   ├──11-SVM的SMO实现应用公式计算alphas和b .mp4  20.88M" o0 Q( z! @$ Z* u2 l
|   |   ├──12-SVM绘制已有数据点和超平面以及边界 .mp4  21.13M
9 G# w8 l# k5 Z|   |   ├──13-关于sklearn中的SVM封装的类和超参 .mp4  15.47M3 ~3 s% d; {& c& o6 l# p
|   |   ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4  69.00M
9 r6 p, @8 q  P$ p6 o' E& O; ?$ ^" _|   |   ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4  36.52M- p! c3 u0 `) I4 d
|   |   ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4  65.42M
% s" r, c' Y" D7 S) v: M0 _|   |   ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数 .mp4  63.23M% O- X0 f* M/ d% l$ {7 o/ a
|   |   ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4  53.19M
0 X9 ?( B4 I4 Y. P4 m|   |   ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4  92.38M6 @# Y' W7 E: b+ _+ g
|   |   ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4  37.62M" I  f" q/ s! ]
|   |   ├──7-启发式选择两个α .mp4  23.11M
" i( R* t. d  n( ]/ ?0 o' z2 Z7 U7 b|   |   ├──8-如何计算阈值b .mp4  50.18M% X" f& I8 a1 ?; m9 E; n
|   |   └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4  73.44M
4 W+ G3 A; m( G7 B├──7--机器学习-无监督学习  0 i$ x5 n, e! c7 n" y# G
|   ├──1--聚类系列算法  , D  I' h0 ^  O* j, \1 B+ X
|   |   ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离  .mp4  173.95M0 D4 r" K# F+ z4 k: G
|   |   ├──2-距离测度欧式距离和余弦距离的场景_TFIDF  .mp4  153.55M" T8 N6 l' e$ T) I$ E6 J
|   |   ├──3-KMeans的一些变形_KMeans的损失函数推导及假设  .mp4  167.16M
; z# Z4 Q( |4 x$ Y6 j|   |   ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标  .mp4  214.69M. S; K8 S( ^! W+ G2 O" J# W
|   |   ├──5-KMeans代码测试不同情况下的聚类效果  .mp4  148.66M
6 a& B/ a, Z- p% f0 B/ _. J|   |   └──6-层次聚类_密度聚类_谱聚类  .mp4  264.04M$ a0 [) H- K+ E8 j- K
|   ├──2--EM算法和GMM高斯混合模型  
. q. a# |6 t0 U0 x. ?3 R|   |   ├──1-单个高斯分布GM的参数估计  .mp4  112.72M- f8 T. Q$ ?+ T1 H1 Q
|   |   ├──2-理解GMM高斯混合分布的对数似然函数  .mp4  95.22M/ u& V/ g0 z* e
|   |   ├──3-GMM参数估计Πμσ的流程  .mp4  112.23M
9 T) c# i, _6 c$ V. q$ v|   |   ├──4-Jensen不等式的应用  .mp4  109.17M
& G* H8 x0 m. ^3 F2 n) m/ Y|   |   ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式  .mp4  157.57M* I+ z0 [. o! ~, A
|   |   ├──6-将EM算法应用到GMM中并且推导出Π的公式  .mp4  44.12M6 L7 t: x6 M2 B, S0 M
|   |   ├──7-GMM前景背景分离  .mp4  16.01M. k( C) t5 P4 V+ z/ V4 R
|   |   ├──8-通过声音文件利用GMM算法识别性别  .mp4  134.39M; o$ R# \/ z( S0 Y7 W. d* \. L
|   |   └──9-通过声音文件利用GMM算法识别是谁  .mp4  51.52M
4 l7 S5 f) L: w$ t2 x|   └──3--PCA降维算法  ( z6 B2 V4 s0 z$ d# q+ c
|   |   ├──1-特征选择与特征映射  .mp4  49.38M/ z) c/ k$ M; r7 y1 |# G6 K6 u
|   |   ├──2-PCA的最大投影方差思路  .mp4  186.75M
: Y4 J; u" p8 g: U- t7 X|   |   ├──3-最大投影方差推导_最小投影距离思路  .mp4  115.67M+ p. l* l  v0 q: n* _
|   |   ├──4-SVD其实就可以去实现PCA了  .mp4  92.97M
: m: z: U* g: g- t" c8 Z|   |   └──5-PCA的几种应用  .mp4  54.58M
1 Q; u% ]) h( z$ {: m├──8--机器学习-决策树系列  . I. |1 D9 u# t
|   ├──1--决策树  ; {" u, V, Y3 y
|   |   ├──1-决策树模型的特点  .mp4  74.88M; p5 y6 W; u5 j( M5 r# }, S
|   |   ├──10-绘制决策树模型_寻找最优树深度  .mp4  97.10M
8 c  K' w. z0 t2 e7 d|   |   ├──11-代码训练回归树拟合SineWave  .mp4  93.81M4 f+ A% v" t  }  W3 f
|   |   ├──12-后剪枝的意义  .mp4  50.49M
  I' S1 J, _. o8 w* G  ^0 K: U|   |   ├──13-CCP代价复杂度后剪枝  .mp4  130.67M
% [- U" G5 ]- T/ q|   |   ├──14-CCP代价复杂度剪枝_α超参数设定  .mp4  62.18M
( c0 f% O- u3 y* e) M4 I: j! x|   |   ├──2-决策树的数学表达  .mp4  89.94M/ i- v, x# \- v& ?& w
|   |   ├──3-如何构建一颗决策树  .mp4  84.87M! X( h- d9 T( `1 a
|   |   ├──4-什么是更好的一次划分  .mp4  57.02M
( D3 n8 b" O1 U1 V+ v$ E6 e|   |   ├──5-Gini系数  .mp4  107.54M7 \  H1 t6 }  b# j7 N3 ~, I! N7 t
|   |   ├──6-信息增益  .mp4  75.26M) I. `3 L- m+ ]' \  Z5 E4 _
|   |   ├──7-熵与Gini系数关系_信息增益率  .mp4  118.18M
/ g  i. U+ u, u+ ^|   |   ├──8-预剪枝以及相关超参数  .mp4  127.06M
8 F; U9 c! s0 g8 e6 w( L7 V|   |   └──9-代码实战决策树对鸢尾花数据集分类  .mp4  77.90M$ P0 e1 y' R- X( }
|   ├──2--集成学习和随机森林  4 _- ]" j9 j: O; l- ^) i
|   |   ├──1-不同聚合方式_生成不同弱学习器方式  .mp4  80.47M
4 [6 i* O, u' l9 H) F, n3 ~|   |   ├──2-Bagging_Boosting_Stacking  .mp4  59.02M6 I6 N+ t) @5 P& m: d, b& }
|   |   ├──3-随机森林  .mp4  108.14M; H: `( H% r7 e- H3 S) z# B* W
|   |   ├──4-代码实战随机森林对鸢尾花数据集分类  .mp4  101.81M
* u8 I- Y6 G7 w" L( \4 y|   |   ├──5-OOB袋外数据  .mp4  106.07M2 }% Q% |' [5 I/ V& i
|   |   ├──6-Adaboost算法思路  .mp4  106.30M1 _5 u6 f5 X4 w4 p  p, P5 C1 O4 _
|   |   ├──7-调整数据权重让权重正确率达到50%  .mp4  66.83M: K( C$ k) r5 K# V5 o2 S
|   |   └──8-Adaboost如何调整样本权重和求基模型权重  .mp4  90.51M- q$ Q1 s$ e" t  [; e
|   ├──3--GBDT  : B. C: }/ H( A3 a$ Q" g
|   |   ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x)  .mp4  65.49M' g; v8 ^2 G2 c$ ]$ D* C- i
|   |   ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度  .mp4  72.09M( [1 q  M& C% T7 r
|   |   ├──11-GBDT多分类流程  .mp4  73.80M
9 r4 ?$ T  y: D8 w6 P% \# T|   |   ├──12-对比GBDT回归、二分类、多分类相同点与不同点  .mp4  60.80M
4 k% E4 P& U2 @! v" Y5 N4 P" ~8 H|   |   ├──13-GBDT二分类叶子节点分值计算推导  .mp4  73.96M6 l. ?) i* D8 r- P( J
|   |   ├──14-GBDT多分类叶子节点分值计算  .mp4  54.63M
; E, z& ?! y# s|   |   ├──15-GBDT二分类举例详解  .mp4  86.67M
* p8 D+ y8 F" H: X|   |   ├──16-GBDT多分类举例详解  .mp4  91.71M
. x7 J2 ^3 \9 H: r, e2 @9 a  d|   |   ├──17-计算特征重要度进行特征选择  .mp4  54.87M
6 H7 ^0 T4 c" B3 I3 K% m6 C|   |   ├──18-GBDT用于特征组合降维  .mp4  43.72M6 v( z) U1 n; v$ b/ j; d
|   |   ├──19-特征组合降维在GBDT+LR架构应用  .mp4  51.28M
* T$ f) w& G1 o$ r! ~7 ?|   |   ├──2-GBDT令每个弱学习器f(x)去拟合负梯度  .mp4  88.39M
* v; Z- ?) C3 q5 Z, {& P|   |   ├──20-GBDT在sklearn中源码剖析_初始化F(x)  .mp4  115.14M
0 x# o% J, i2 H  L+ o5 B' Z|   |   ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算  .mp4  71.74M
" q2 k" Z5 ]( b" i$ h" C2 _/ K|   |   ├──22-GBDT+LR架构训练模型代码实现  .mp4  88.40M
% l, D+ A  p" V5 F  `1 f|   |   ├──23-GBDT+LR架构预测评估代码实现  .mp4  66.47M
6 R1 [6 X" D; L9 L|   |   ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树  .mp4  77.36M. a1 Z( [3 y9 m+ Z* ]
|   |   ├──4-GBDT应用于回归问题  .mp4  84.66M
# a* O+ c( J  e|   |   ├──5-GBDT回归举例_总结  .mp4  108.52M8 {! W8 Z: i; C$ R6 e" `$ s
|   |   ├──6-GBDT应用于二分类问题  .mp4  70.42M# n. l7 c- z' A0 v
|   |   ├──7-GBDT二分类拟合的负梯度依然是残差  .mp4  83.81M
  r) C5 Z5 n- d/ k4 ]3 e|   |   ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存  .mp4  61.49M( t6 O7 v# z! ^8 Z! Z4 {
|   |   └──9-GBDT应用于多分类任务  .mp4  73.34M
6 l3 ~% T3 a1 g& |: ]|   └──4--XGBoost  
8 w& T7 C9 `+ ], b3 n. D, x) [|   |   ├──1-回顾有监督机器学习三要素  .mp4  82.52M
7 ^/ t$ F8 k6 ]. t|   |   ├──10-重新定义树ft和树的复杂度Ω  .mp4  77.70M  m4 H9 v8 W3 a& T9 o
|   |   ├──11-由每个叶子节点重组目标函数Obj  .mp4  68.56M
& v7 w$ v. m( h: t% F4 ^|   |   ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj  .mp4  72.32M: L4 f0 W( X) D! N8 k
|   |   ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构  .mp4  106.69M
6 K  F+ b1 f6 V& H|   |   ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件  .mp4  73.80M
! S4 W* q* W  r" r- _3 o0 b|   |   ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率  .mp4  71.21M9 F. U9 o- r( O/ z! G% `
|   |   ├──16-样本权重对于模型学习的影响  .mp4  59.81M
5 E+ C; y: W+ H1 ~! k% g- U. B|   |   ├──17-总结XGBoost的特性_包括缺失值的处理策略  .mp4  101.47M8 N* \/ R; ~$ `1 R/ T7 N* t
|   |   ├──2-Bias_Variance_Trade-off  .mp4  66.00M7 `& a7 L: }; v$ S
|   |   ├──3-基于树集成学习4个优点  .mp4  91.36M$ V* H3 a3 T" R( g& P
|   |   ├──4-回顾基于树集成学习的模型和参数并举例说明  .mp4  93.39M
8 E( @) X  ~4 `5 j0 @& \* f( V|   |   ├──5-通过目标函数Obj来达到准确率和复杂度平衡  .mp4  48.31M
8 O' U  \% k3 q|   |   ├──6-Objective_vs_Heuristic  .mp4  60.42M3 x6 Y* ]/ u8 }
|   |   ├──7-得出XGBoost最开始的Obj目标函数  .mp4  94.87M
. V# r0 w9 T$ b; W" R3 u+ |% U|   |   ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj  .mp4  48.62M
' u5 `% D7 i1 N) c" ||   |   └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi  .mp4  67.39M
! F, |- b4 H9 c% i├──9--机器学习-概率图模型  
+ s: s( H8 j  j. A, _" Y. F1 ]|   ├──1--贝叶斯分类  ( B, {0 ~8 F! V- s$ k$ O" I! g
|   |   ├──1-朴素贝叶斯分类算法  .mp4  126.74M+ d2 J& ?* O9 f. [- n& W( b
|   |   ├──2-TF-IDF  .mp4  53.08M9 \9 w# O4 l9 ^' I6 Q) H7 }
|   |   ├──3-NB代码实现解析  .mp4  126.73M$ }- N+ O6 F5 x5 D0 y. ]7 P
|   |   ├──4-sklearn中调用NB_顺便讲解了GridSearchCV  .mp4  131.83M
! y' h7 j1 f) N& ~3 l, o|   |   ├──5-语言模型的设计目的_MLE的作用进行参数估计  .mp4  107.12M8 i6 ~  x0 k* _8 R& c: B* v
|   |   └──6-贝叶斯网络_马尔可夫链  .mp4  38.75M
! w0 E, \4 i8 x5 }|   ├──2--HMM算法  
% y9 M5 N7 ]; e. x2 u4 n|   |   ├──1-HMM隐马的定义  .mp4  36.82M5 N9 Q, S" B7 z" N
|   |   ├──2-HMM隐马的三组参数_三个基本问题  .mp4  104.28M) ]9 v& q" y. c2 m& A" t8 ]
|   |   ├──3-HMM预测问题使用前向算法  .mp4  44.33M
! {0 n. w2 Y" Y* `0 @. K/ v! g+ a|   |   ├──4-HMM预测问题使用维特比算法  .mp4  33.43M# Q+ q) u9 g/ ]$ }0 s$ _& N$ }% c
|   |   ├──5-HMM复习_明确概率计算问题要解决的目标  .mp4  76.05M
3 V) Q  g7 S. A2 R3 E, T|   |   ├──6-前向算法来解决概率计算问题  .mp4  33.05M0 u6 {; J  _/ b
|   |   ├──7-Viterbi算法案例详解  .mp4  107.12M
! v' [8 `' a6 F8 }. Y, d: ||   |   └──8-Viterbi算法代码实现  .mp4  42.43M- u) T3 ^& H9 \+ Z4 v1 N
|   └──3--CRF算法  
& q5 ?# p9 T- v5 {8 [; n|   |   ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法  .mp4  127.78M$ D$ c% O" N$ G5 G& G
|   |   ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑  .mp4  71.88M9 @" ?* x- m2 d6 u" t
|   |   ├──3-了解CRF层添加的好处  .mp4  105.90M+ @' m* Y, k5 Z! \
|   |   ├──4-EmissionScore_TransitionScore  .mp4  61.33M
3 G; Z$ |1 i8 O|   |   ├──5-CRF的目标函数  .mp4  23.74M' F9 [, ]* ^# v# _
|   |   ├──6-计算CRF真实路径的分数  .mp4  50.37M8 d  b+ i, ]2 c8 t- e4 c
|   |   ├──7-计算CRF所有可能路径的总分数  .mp4  135.58M
, u- B3 Y: i/ Q; h|   |   └──8-通过模型来预测新的句子的序列标签  .mp4  83.16M
" V' L! K1 H9 o/ s, `2 v* J└──课件.zip  2.54kb% I# O3 D: D" T+ q- B/ E
! ~* A- D- }3 v3 P3 @
6 c$ Z0 k# ~; w5 }: t
永久至尊VIP回复即可下载学习,非至尊VIP暂不支持下载此资源!
1 t1 T1 J. N8 k4 r, `0 [
6 @# L; M! I, h  O" \
游客,如果您要查看本帖隐藏内容请回复

  k; ?0 D  I! x; K" q( B3 h
收藏
收藏0
分享
淘帖0
支持
支持0
反对
反对0
回复

使用道具 举报

精彩评论63

跳转到指定楼层
沙发
5s7997fg2n 发表于 2023-9-16 21:48:01 | 只看该作者
太给力的学习资源,非常感谢 www.cx1314.cn
回复

使用道具 举报

板凳
ujv59204f5 发表于 2023-9-16 23:14:30 | 只看该作者
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
回复

使用道具 举报

地板
ia8w95a305 发表于 2023-9-16 23:21:08 | 只看该作者
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
回复

使用道具 举报

5#
lus4hh46c2 发表于 2023-9-17 04:46:41 | 只看该作者
IT学习者必备啊,我是2年工作者,这里的资源很符合企业条件,强烈推荐!!!
回复

使用道具 举报

6#
28te2ykbi5 发表于 2023-9-17 05:08:48 | 只看该作者
我是Java初学者,开心,会员是永久使用。找了几天终于找到这资源了,感谢分享!
回复

使用道具 举报

7#
0h5d7edrtj 发表于 2023-9-17 05:08:58 | 只看该作者
6666666,确实不错,比其他地方好。开了VIP,爽歪歪~
回复

使用道具 举报

8#
9r1d81ohvl 发表于 2023-9-17 05:13:59 | 只看该作者
厉害了,好资源,谢谢博主
回复

使用道具 举报

9#
e7drkgq901 发表于 2023-9-17 05:15:30 | 只看该作者
谢谢 程序源码论坛 www.cx1314.cn 帮我这小白收集此资源,我开了个荣耀会员,每天来逛逛!
回复

使用道具 举报

10#
r2e97fjqy6 发表于 2023-9-17 05:18:11 | 只看该作者
楼主加油,看好你哦,我会常来,此 www.cx1314.cn 源码论坛是我每天必逛的网站!
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关注

粉丝

帖子

发布主题
推荐阅读 更多
阅读排行 更多
精彩推荐
关闭

欢迎大神访问! 常来~上一条 /1 下一条

扫码联系微信

QQ号1:864750570

QQ号2:736375048

联系其一即可,YES~

QQ群9:752758310

管理QQ:

864750570

(有事咨询、留言,请直奔主题)
广东省深圳市南山区科智路08号
864750570@qq.com

手机版-小黑屋- 程序源码论坛  

Powered by king X 3.4© 2016-2023 www.cx1314.cn Inc.