战-人工智能2022/
+ _2 w- f' n& c6 r% z├──1--人工智能基础-快速入门 2 J- W7 b; K+ k$ w
| ├──1--人工智能就业、薪资、各行业应用
/ {& w/ \0 r, L* D' f. A| | ├──1-人工智能就业前景与薪资 .mp4 52.07M: \: N3 J& j5 r. N: R% N! a
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M( G9 a6 [/ x/ T! O
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M3 C7 U; T L& h% _6 a8 _/ {/ ^
| | └──4-人工智能在各领域的应用 .mp4 57.73M
* H+ A/ J" D5 `& Y; W| └──2--机器学习和深度学习、有监督和无监督
. d9 M4 H6 |0 m& { ^& ^| | ├──1-人工智能常见流程 .mp4 89.62M
. m/ n/ T; I' p1 ~9 G; s| | ├──2-机器学习不同的学习方式 .mp4 83.51M
( [+ g5 `" P+ ?| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M/ W0 s+ y( ^, Q8 F' |
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M, E. a' y( M, k1 d% M0 l
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
; F! y& J; T9 \2 R. \, z├──10--机器学习与大数据-Kaggle竞赛实战
K8 c8 p. }8 Z* b| ├──1--药店销量预测案例
( o$ @' a7 V2 k| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M7 z- u" a( ]" L7 f! J0 Z
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
" D1 a3 y# o+ {| | ├──3-自定义损失函数 .mp4 21.12M
- U# c- |* Q: N: g+ K1 v| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M2 z* k& _+ X, c/ e
| | ├──5-数据的预处理 .mp4 111.81M5 u. F4 D" w# T! K
| | ├──6-模型的训练_评估 .mp4 66.64M
; q/ O/ I. R* V& n# }| | └──7-kaggle竞赛网站学习 .mp4 172.16M
# W V5 R+ W0 j2 _| └──2--网页分类案例 , {& N: j K8 N9 ?+ m
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M0 W$ G! v! j) c {8 x9 s
| | ├──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
8 |5 [% V2 E$ h4 R& B2 B| | ├──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
$ U4 v7 N& P$ s" S| | ├──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
/ [5 h+ ]- k6 ?: l| | ├──2-评估指标ROC和AUC .mp4 56.19M
E1 f7 b' G1 _: r| | ├──3-评估指标ROC和AUC .mp4 49.03M2 J0 c5 }2 O$ D: d; j) a, D, I
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M H& ~+ @/ [! b6 K7 B) N# M
| | ├──5-数据导入 .mp4 68.41M
& |# g7 d9 ]5 n# M5 ?| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
4 v! D6 O. u! T O: U3 b| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
$ U0 m7 l* S7 c8 {( s" y0 ~: [; d| | ├──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* ]- B/ |$ `1 B* J n6 |
| | └──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/ G4 J# x I* N4 l
├──11--机器学习与大数据-海量数据挖掘工具
# ?0 R* K3 w0 j n| ├──1--Spark计算框架基础
4 l- T6 ]$ g) q- j" E8 d2 e+ f' U! k| | ├──1-Spark特性_01 .mp4 41.68M1 d- @% D8 ~2 T4 _3 g
| | ├──10-分布式计算所需进程 .mp4 26.30M
9 t# z9 d0 f* [5 q9 H" [: _3 {| | ├──11-两种算子操作本质区别 .mp4 56.31M
, a9 e" @. x+ e% p) ]1 e0 I| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M: l4 b* b; t8 d- z2 k- y6 m* ^' p& b
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M _4 o) \+ E) O- c
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M/ L0 s/ W$ _5 o' O
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
# [" @* f/ ]! P m| | ├──2-Spark特性_02 .mp4 35.15M: h4 k4 h3 n. L8 F5 X/ G
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
, z3 n9 w( u" _3 K5 U$ q5 v| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
/ C; N5 D7 o. c n3 ?| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M0 s. ]9 N. |0 r" x, F
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M9 v5 |4 H& r8 m# \8 L. ?
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
7 t# U2 u k! [0 k( J| | ├──8-Spark的RDD特性_01 .mp4 33.08M
$ D8 ^, Z7 m- O| | └──9-Spark的RDD特性_02 .mp4 33.41M: j. @% I9 D. R: c
| ├──2--Spark计算框架深入
: `) U% T b% y| | ├──1-Spark数据缓存机制 .mp4 54.43M
n* U/ m/ d* l+ Y' w| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
2 \/ K. i2 T* w+ N5 M7 S| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
+ u, k9 i$ j7 E3 r" _. @| | ├──12-构建LabeledPoint .mp4 111.08M. b. \+ s2 c4 _! z) }. i1 i
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
4 @4 |6 T5 ?0 _% ?) x| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M- X7 V3 \' g) A; R! Q5 {8 b$ e: `6 ^ ^
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
6 F. s( ?5 p- J9 r/ q7 u| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M1 k0 }0 F( |) U
| | ├──5-Spark术语总结 .mp4 89.66M
& F( C- V8 T3 @| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
% X% R6 @ v U. ^1 E5 g| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M5 M- d: w1 L* q9 x6 J3 b* \
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M. f9 R. \6 {& b" S
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
: _/ H2 `( S& c) y, b" J5 U| └──3--Spark机器学习MLlib和ML模块
f1 ~# u. w7 Z| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M& S; c% y4 a, f5 K" ?9 m9 d+ w
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M- x5 ~& q/ z6 o; T
| | ├──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
" M. K( ?; J$ c4 J0 v) v| | ├──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
g; s' N& l1 R4 D" V| | ├──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
. U* ~0 } }' c$ \7 K, ]| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
5 g5 k6 J0 R+ `( D# @2 E. ?| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
- ~0 o8 u# C5 ~ K1 D| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
8 g. C( \9 j; L' g| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M& @2 P4 T2 K) @, j6 C* X
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M; L1 O. I0 m8 K+ Z, R) a
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
& c9 x3 x5 W9 G# ?) ?; || | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M( a2 b! @* ]; f9 |, M U
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M Z; W+ p3 S" r. I
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M! c3 ? K" W1 R+ W
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M. o' B$ P7 Z( \0 W: E
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M3 k4 l6 z# ]* {; x% t: W: f
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M. x4 Q6 e: N% ^, T3 G r
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M5 D, x g( O. k* u+ q6 d
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
. B1 ~ J9 D1 z| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
' k8 W& o9 K3 j: {6 y7 H| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
. S5 T- h" u- S| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
; T- N, N1 K1 G| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
# q2 s, u$ m1 }" y# G+ a| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M% U r# y6 o' w+ C ^
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
* i: h# q, E1 `' ^' [+ E| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
/ u: L* h1 v, `├──12--机器学习与大数据-推荐系统项目实战 % K0 R6 ^4 D& q s3 R
| ├──1--推荐系统--流程与架构
! p! }2 }/ ^7 b) z6 k2 _. f| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M7 i1 y! E0 W$ r! S" _! r& P) F5 o
| | ├──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
9 S8 h# ?) ^5 b/ D2 F( X( g8 |7 K6 B5 ~& S| | ├──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
1 \! _( X2 m3 P4 n% }| | ├──12-推荐系统_数据源_1 .mp4 79.07M
% k. V9 D& M* p3 V( v| | ├──13-推荐系统_数据源_2 .mp4 82.90M
, r ~) u) J: i| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M+ c3 L) ~+ c* c1 ]0 b7 `% o0 [+ e2 f
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
& ]+ a2 y% r/ B$ @7 A| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M; y/ A2 K$ X( \! w
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
( e( z9 {, F4 O1 N4 K' R7 ^4 b| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M& j5 ~2 K' | r6 `9 @6 {/ Y0 H9 O
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M( B5 {6 D2 P8 n! r* O
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M, {! g7 c. L4 {
| | └──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% o/ U4 J% N" ~! n* B
| ├──2--推荐系统--数据预处理和模型构建评估实战 : D( X- Z7 X: u' u
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
; U7 Y$ v b7 P( k m/ [| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
$ l. C W' a. V6 M0 v( }. ?| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
) u4 t" E/ e, x| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
3 b* `$ B7 V+ G! r! c- V& Z/ U2 w| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M% Q& ~- f8 P, F' i9 k
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M( K6 j3 P9 l2 v5 O% `$ S3 `( s0 P6 w
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M2 W v6 _- M- M, h) r0 l3 j, e$ r% D" o
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
; Q" z9 j. d$ t0 ^* N/ O| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M' {" S2 |( }: c$ V
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
& S: @- J8 ]6 z9 v| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M1 `" J$ C- l' p n T
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
" |/ u! F! G" {1 w) Q7 X| └──3--推荐系统--模型使用和推荐服务 ; X& Z- B& W! w, Q% B- l, [
| | ├──1-推荐模型文件使用思路 .mp4 61.89M" `; k) y9 z- T! c
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
- T! @- d% Y3 O! ^, G! ?6 G| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
" A. G% @3 K0 |# J/ r+ z( g, e0 ?! `| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M* m7 T& }7 i* |/ Y* S; |
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
% }, A. l B. d5 [0 M8 T- Z| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M+ U3 g; ~6 g4 J
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M& T% }6 r. t6 |9 f; S6 m0 L5 v
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M+ w1 B% ^% n5 s; T0 Y. [# `
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
! v* O; q* o+ {( Y! h| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M& ^ p* U+ f% R/ t4 @# w3 I8 q U
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
1 g8 s( D& L( A5 _+ J9 A0 Z| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M$ O$ p n w/ T
├──13--深度学习-原理和进阶
; _8 X/ g! J& s1 _( r8 l| ├──1--神经网络算法 8 }8 Q; M- j. h- [+ E3 G( L) A6 V
| | ├──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
2 n# \) B! h% u8 ^* S| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M1 b% \# R' x8 X
| | ├──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
1 p; N% z0 D2 b: A; f& g0 n9 p| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M; d, F2 K9 U( Q; w# \7 h
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M4 u5 }/ i, e+ u, [# b& l9 J- R
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
7 T% I4 q9 }5 n3 R5 [| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M0 u8 G) M: y/ @8 M. V. w' e
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M1 \# H' ^. ~' v6 C& C
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
2 R2 K- l3 D, ]8 V% _, @& z| ├──2--TensorFlow深度学习工具
! Q, y. y# @/ `+ Z/ }. \( z) F0 I| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
k" F% E; k. {7 y" a8 \$ i| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
) m* h6 u- P5 g U7 [| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
( l+ g3 W2 M2 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- s! N6 r* z5 X/ u; Z7 _* y# f
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
" L6 L G- c9 W7 E p; s| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M) S: D7 w$ v/ @
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
- Y5 N; I( B$ y0 O| └──3--反向传播推导_Python代码实现神经网络
1 c/ p1 K/ Z* l* ^4 n) Y* z1 H| | ├──1-反向传播_链式求导法则 .mp4 86.47M
8 x5 v- B% R7 v& E* L" \ M- H# Z| | ├──2-反向传播推导(一) .mp4 127.90M- ]6 M8 i! F' M* h m
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
- \8 N& p$ u& T5 n| | ├──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
' f5 K4 N; x8 B( Y' s2 K* v- ?| | ├──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
" H& m; M" _+ r, c. g, s- p' U5 J| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M2 ]" x5 b1 \3 ]% g. ]7 n
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
+ `1 A' D% q6 @( R: c: ^" J. M├──14--深度学习-图像识别原理 , f1 V. O0 Y. H: v) c: ?2 W' G# J
| ├──1--卷积神经网络原理
$ S8 I0 a3 |1 C; k+ t| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M1 C6 o3 `" L: v
| | ├──2-单通道卷积的计算 .mp4 104.01M
6 M0 g2 Q4 c* u6 P C! f) f| | ├──3-彩色图片卷积的计算 .mp4 52.79M
F0 @9 q( m# c2 m| | ├──4-卷积层权值共享 .mp4 63.93M; E) o) M1 Z; c. @, Z( ]
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
% Z$ y# y B9 n9 ?/ A| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M! I+ `- X' O- r: L1 m+ A
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
! C6 W# @/ u) h; d% w% A+ A| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
9 B3 h1 F( k( G/ n- W# H$ y| ├──2--卷积神经网络优化 & K& S2 a# q/ o5 G1 s' |
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M3 C# `/ [: P& t4 d1 C3 l6 ^0 r- I
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
4 f6 j& D5 H5 w! K8 i& b- |$ r| | ├──11-Optimizer_Adam .mp4 141.12M' m/ n' e) z% z, {
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M$ I) t1 T _9 q% X! t, i/ S" q5 D# o
| | ├──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
) f1 i; a4 r7 Q& W| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M8 w) |% u4 p* x6 D
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
: @( @) z+ n; q+ [& |# l| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
. Y4 \( y9 g$ j& C4 q| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
+ {4 F! I5 j) Z! l+ X| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M& l+ g2 ^3 `" ^( }: C" v
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M0 W9 [4 I5 e1 s! `# W
| ├──3--经典卷积网络算法
# L% u" s( l, |' T/ G| | ├──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
" r: E. E6 I# ~2 r8 u; x Q| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M; i) ]! w9 F! ?# O0 ~0 J
| | ├──3-InceptionV1_V2 .mp4 165.86M- @4 e5 N& K! N1 Q$ C/ n
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M: Z/ ?; V+ y: g6 i8 `# V
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M' ~5 w7 B& n/ t9 x+ N( U
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M6 U! G# ^8 a/ w$ i7 r( ]5 U- R
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
9 i7 d; e9 b# a% H| | ├──8-BatchNormalization .mp4 99.23M
- a; Q+ d0 f6 u2 s8 c- y5 c| | └──9-Mobilenet网络架构 .mp4 150.05M
3 Q/ F) e, }$ w| ├──4--古典目标检测 - e5 y7 B7 J' O" s
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M5 Z+ e( n1 o3 r9 B
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M4 X/ s7 Q7 S' p2 g! ^
| | ├──3-IOU以及python计算的代码 .mp4 23.56M+ `. ~" H3 [$ g6 P- O
| | ├──4-R-CNN和SPP-net .mp4 124.06M3 u% `* H) T$ i, N3 H: d. p1 J% T
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M+ }* B- P: L$ @' e. e
| └──5--现代目标检测之FasterRCNN
" L# e* G: K: p: e$ w; y; F| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M0 }# x+ p6 U! u2 C$ B/ L
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M6 H1 A% P9 n3 Y; N2 `0 t- s1 `
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
6 }* ^( E/ Q1 U& C, ]' L| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
) P6 G' E8 r# n| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M! N8 S: H |, t& w4 w2 ]5 `
├──15--深度学习-图像识别项目实战
* }1 h3 K( U) X5 [+ U' k| ├──1--车牌识别 1 X" E5 G4 V" ^( v, D# l7 n+ r, B u
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M# J6 T2 N' u# ], Q
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M' k0 d5 t5 D+ Q. c$ z( g
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
( @7 F$ x: e+ O9 r( {4 _0 j| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
1 ^* z9 ~/ G) f- z) S, n& ~ R3 w' P| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
! ~0 A4 m0 D$ O# D3 G$ V| ├──2--自然场景下的目标检测及源码分析 ( N; b7 o( _3 z7 Q7 M" d9 k
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
7 t t9 p: i! X) X3 a1 W) G6 I1 Q. m| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
3 d% Z/ o: C/ X% p| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
! K4 ?7 @* t! Q' N# Q+ D| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
$ J% {" l1 P" E* I& l' l| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M4 j- `8 p8 v; L( y
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
' C; @; J9 C6 R$ X) h: ]1 B| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
6 n; w( Q3 R% F9 A. X| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M- @+ ?. D% y0 \; n/ j! A, `
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
9 {$ s& H- |+ @' ]| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M, f2 k1 K7 a& x6 H: g8 g
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
0 S, b( T: O1 w4 K C& Y) v0 O| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M5 ~4 N) I3 A' ~! \: ?3 K y
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
& W; u3 Z& J( d; a| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M2 L& C, y, _" @5 Q" c9 J. x
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
- n# y6 I( G! |9 i8 L7 m+ X| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
* |. k' n8 s- T2 F' \| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M( j" I; S5 R+ h3 E3 }) R
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M+ t2 r7 x2 v3 b0 V# F; A- Y
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M1 r# Q. {" }$ K- a! J2 i
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
0 N4 X4 k& Y( u| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
3 M, |; _% T# ^| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M2 O2 [3 j( B2 q& ^1 Q
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M0 R7 A! G% Y2 |) B5 q1 f1 e, S8 B
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
' W8 x/ W8 N! |* g| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M7 U' `/ v9 J8 K. M0 L
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
- n3 O& {7 C* }% q1 f| └──3--图像风格迁移 . R& N1 ]5 ]9 H
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M9 V5 k: D' z k* ^% o2 h' |
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M {4 q% q# H, y- ~( w+ g7 i+ S' F; r
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
8 u1 D% {! s9 ?5 u4 b| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M. r7 K% X8 _! J
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 4 M' ^7 e1 J. R1 X9 ]
| ├──1--YOLOv1详解
2 A; K# ~3 h) ?& _( n1 Z: F| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
; }5 o: d; z) q| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M, f* v& Z* [$ {9 y# X" {3 e* z
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M* j6 x6 m3 x' W4 _7 ^8 I
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
^8 x G- k( B( J1 i4 `| ├──2--YOLOv2详解
: E) t- j1 Q2 q& T+ o; U+ G| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M& s2 ]" K$ P3 [3 V6 a% U5 [# h
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
2 O8 f7 h8 g7 g& d- c5 ~| | ├──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
{3 C8 _0 @( m5 E* a9 w* W+ f| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M( c) G+ M* g( z
| ├──3--YOLOv3详解 & C2 e1 S4 C/ \4 R- }# G+ y; G
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
3 o7 |7 ^, m% o| | ├──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
2 U: x7 b' S9 t3 {1 v6 G| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
1 W6 ~1 s; ~# a& d( T- s| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
$ A6 Z* }" f6 s8 B8 ^0 i: x| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
% q2 ?0 o4 P( L0 ]" s. r% n9 {6 f# `5 x| ├──4--YOLOv3代码实战 2 j: r$ I; H2 d1 @- u1 B
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M- f8 s; t# W# f4 a* h7 M/ Y
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M2 `. P* u' F1 i; ~" y0 y
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M, A1 f* q# q' x% A2 T
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
* Z. a$ s8 f) W; Z: v| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
3 z2 F2 N2 X1 f h4 B| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M) X! f9 T! {/ g
| └──5--YOLOv4详解 + O3 X. T6 o9 @, a0 u2 L
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
" E3 p$ ]* h/ o- d# h| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M) V4 k4 ]; _9 [+ ?7 j* z* b
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M8 L7 [0 E/ d- k) o+ M8 i7 W1 |
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
% D: f. |% t! ?├──17--深度学习-语义分割原理和实战
& T- I! v/ m- Q: t% y( E* H| ├──1--上采样_双线性插值_转置卷积
! Y# i0 L* m" k M5 ^& }; \' R| | ├──1-前言 .mp4 19.46M: R# B6 z3 @8 o. V- u" K2 e
| | ├──2-上采样_repeat .mp4 23.90M6 I9 ~. W/ p" m# V F
| | ├──3-线性插值 .mp4 34.48M
) ?5 R* @9 \& J8 F6 v* a7 x3 F1 }| | ├──4-双线性插值 .mp4 125.71M- @- o B7 \% o' F
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
. t% d3 S; k& ^7 ~) i2 V5 m| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
$ B! q5 Z1 ^% J. f; _$ f1 h| | ├──7-ROI Align .mp4 58.38M
0 q. y I& L! u/ i| | ├──8-FPN思想与网络结构 .mp4 92.14M
! D4 |7 Y( ^' c1 S| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
5 z+ i; j2 ]1 `. L5 Y" T| ├──2--医疗图像UNet语义分割
3 T7 m' ^# t4 t$ |- m| | ├──1-语义分割的基本概念 .mp4 18.33M t, m& g1 ]# e* y' a5 \: K# g8 q
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M8 e4 ~# t3 o# k- i$ |
| | ├──3-UNet网络结构 .mp4 30.41M
+ ~$ q: A1 h2 X| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M+ ?8 R; S& l. {& e& d
| └──3--蒙版弹幕MaskRCNN语义分割 5 K: N4 }6 R0 I6 K k
| | ├──1-MaskRCNN网络结构 .mp4 106.38M# W1 T Z* x) }6 J# X
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M, K3 M& [4 n' }9 g
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M8 n8 f; w/ k% o2 T8 W1 @9 Q' C- g' r1 d0 K
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M9 O% l" n/ W& e7 i3 y2 F
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
8 R; Z- o e5 w5 c1 Q| | └──6-MaskRCNN源码config和model .mp4 244.48M
) W. T$ v" t: o/ m├──18--深度学习-人脸识别项目实战
2 `6 L: k; I, g, G# i. d# i| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M0 W7 _+ D, Q: F
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
% H! F! Z' W' b( k( o) B| ├──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
s+ }% {6 I9 s& V9 O| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M% A2 r* L* Q& G9 I3 @+ E1 S2 E
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M- J6 p$ Q p7 Z0 z, Z# m0 g# i
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M+ t1 i; s' N8 h/ M% `8 P0 t3 g" ^
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M+ U$ @# d @8 k3 J: V7 b5 m2 s! G: O
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M* \3 e. t4 k. i4 r# ?& `) Y
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M4 V4 f* D R6 w9 p3 _6 w* l
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M) v/ ]0 ^, o' u; t, p
| ├──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
3 n7 e, F O/ }, f| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
% W& k1 g. Y, X| ├──3-人脸识别项目代码整体结构 .mp4 30.40M; D! A9 f/ g' N# l ], [" v
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M' ]+ t3 ]0 M9 A
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M; M2 _' J, P0 N. P- z
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
3 ?) E6 e, P9 B3 I8 ?| ├──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. T- g( Z! g, V- Y9 K: u
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M6 g3 M4 q( C. T5 s( ~/ d
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M' c# v' A9 Q% T6 m, S3 H
├──19--深度学习-NLP自然语言处理原理和进阶
, f# e( l$ b* V# ? m5 l| ├──1--词向量与词嵌入
9 U' H- S/ {1 l7 `9 d7 }| | ├──1-N-gram语言模型 .mp4 116.32M
9 {* w2 w6 [% M/ i7 P| | ├──2-NPLM神经网络语言模型 .mp4 155.81M c, t* i, i0 n7 B; Y6 K
| | ├──3-词向量的作用 .mp4 58.00M9 g7 `: a2 J x0 F5 Y% i5 J
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M9 M @) n- |8 D8 T! T
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M0 q% ?7 ~; S# N+ N8 Z
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
; ~+ P7 L* K( v| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
, |. t$ ]7 ]* ^! d| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
9 m6 p; D4 {$ G: z, d| ├──2--循环神经网络原理与优化
( J( q4 p* v- O; f5 D/ J| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
7 D. H0 P# r% \0 ^| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
/ O8 r% V5 o$ i2 x i6 X, r* M, S| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M c# c& N7 ~4 Z+ g0 c, L
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
* L$ p9 I8 | W# z/ B m| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
1 K: s) d4 i& ^; @) r$ s| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M- O/ n2 j' W0 E. b
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
7 Y/ o0 O$ ^6 f) F| | ├──8-双向RNN_LSTM .mp4 52.01M
/ q; r; c# g. g/ j| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
" V. T2 _( I y2 ~3 ^% B2 V+ o$ h| ├──3--从Attention机制到Transformer / f9 l& a" J. J% i% U( z! Z- B
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
7 F1 _! B9 `' Q% n, D/ n$ L| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
9 l( P! G& \# Z( m4 f| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
4 w) X' L N; v/ L9 y| └──4--ELMO_BERT_GPT
# W* D3 R5 `7 B# |0 k| | ├──1-ELMO .mp4 62.44M
5 Z: e7 z6 G* X0 b) B| | ├──2-BERT理论 .mp4 99.73M
( v. [6 T3 L2 ]/ Z* ]2 q9 @| | └──3-ERNIE_GPT .mp4 56.34M
% u g9 t+ t. N0 N: x+ Z├──2--人工智能基础-Python基础 3 S: c1 _/ ]4 n, f2 ]* F1 x g
| ├──1--Python开发环境搭建 ! x$ Z' _# v0 T( H3 Y7 V
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
6 A8 A7 r$ M2 f2 {| | ├──2-Miniconda安装和测试 .mp4 57.12M0 Z* \: y3 l& C& D& o
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
, |3 z: b- U# m2 I7 `| | ├──4-Jupyter安装和代码运行 .mp4 37.10M; T# F) s# f6 H" r/ o3 p1 @& a
| | ├──5-Jupyter常用快捷键 .mp4 32.23M7 ]5 O/ J* W4 }5 m
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M1 _6 d- a7 R, y2 z
| | └──7-关联虚拟环境运行代码 .mp4 38.14M9 R( Z+ q; G% t' T
| └──2--Python基础语法 / ]. E3 t$ B: F6 V! ]# @" m, W( j
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M4 c' D5 D& E: Y5 h f
| | ├──10-Python_集合操作_列表 .mp4 34.71M
: J8 e! T5 U2 W1 m0 f! y| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
2 |9 _* v( Z$ h, i| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
* U T' A) S2 Y5 ~& N4 @+ l| | ├──13-Python_集合操作_元组 .mp4 43.46M
" [* W5 L! r6 v W9 m| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
) U: ^3 n8 z; M/ O6 ]| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M3 U% G7 K2 R. ~* D% `3 Y
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
6 w( h% K ~0 `0 |% a| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M" _* R. k9 X4 c2 T* k& [# _8 r: S- a
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
2 q* G! t& Y4 _, e| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M* m9 D( s2 m- Q( C' @
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M5 n. S; f+ I: Y- K: W
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M7 D+ u8 J& E9 O9 p f( f
| | ├──21-Python_函数_递归 .mp4 23.46M
2 P& q! u; A8 g| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M1 w) f: w6 [# \% d4 M9 x0 ?
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
0 k% x/ f9 J% K7 {| | ├──24-Python_函数_闭包 .mp4 41.61M
; u$ Q3 k; B: N t| | ├──25-Python_函数_装饰器 .mp4 30.35M4 c& ^/ c4 I$ N# R( W$ j- U x
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M; V! R( [9 Z% ^% h0 y
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M4 L! s4 a. n6 k
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
$ c! v1 X7 |0 [7 ?9 @9 B| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
) g; f8 }; v* G' X| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M/ X. K3 H" a5 z& O2 ?( }4 _
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
( f4 \" K# E( t H5 L* C| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
& A# ?, X( {( d" f| | ├──4-Python_控制语句_while循环 .mp4 25.02M; V0 i# |( c9 w! ^" C7 N
| | ├──5-Python_控制语句_for循环 .mp4 22.82M0 i1 J3 r0 ~8 s% C6 E1 X
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
# |( X3 k7 p- j+ J) i% w3 M* a| | ├──7-Python_控制语句_break_continue .mp4 25.23M
* \) L! c1 U' M$ o: i| | ├──8-Python_切片操作 .mp4 40.20M3 U& S2 E, `8 }( ^2 j
| | └──9-Python_数据类型 .mp4 25.38M
' v+ l6 _) z3 U├──20--深度学习-NLP自然语言处理项目实战
0 \$ W t' c8 M1 P: ?| ├──1--词向量
3 c+ Q( W! _+ x2 D# U| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
' R! H V- F1 S. v| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
" j. r6 M% J8 b| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M6 e* g( s9 d2 W, `/ p1 ^6 d
| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M
, i$ ~* e, y/ E, [| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
3 O- |8 d. ]! k0 w| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
3 D$ r- R2 O9 S& V( F/ S7 z| ├──2--自然语言处理--情感分析
8 n% m5 g! ]7 o5 n% y6 {) p v| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M$ P3 ]/ f( ]* d0 n, U2 W$ {
| | ├──2-数据预处理_01 .mp4 79.65M
' H, A5 j/ R4 d0 j$ w+ A4 h| | ├──3-数据预处理_02 .mp4 45.68M( J5 C6 n; r4 g6 m' J& h8 w
| | ├──4-代码讲解_01 .mp4 52.29M
9 {- G2 W! b1 u/ m7 e9 O| | ├──5-代码讲解_02 .mp4 60.85M
( `6 d* E- q) E; j3 N5 K$ k' N+ E| | ├──6-代码讲解_03 .mp4 53.89M
" V, ]; _* g# j0 K \" S| | ├──7-代码讲解_04 .mp4 57.19M
1 C: t+ v, W: C5 w| | └──8-代码讲解_05 .mp4 35.88M
2 ?2 ^3 C) y1 o9 K. F& o/ _& O% Z| ├──3--AI写唐诗 / t! r+ n9 _% Y' g
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
; b/ b: I. H* h* ~/ v) A| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
! {3 y' E$ B% L- w2 \| | ├──3-MultiRNNCell单元 .mp4 38.93M% L) V1 M" O2 }) O7 F
| | ├──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
6 e, F6 T! c }/ ^! M| | ├──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% V% P/ h7 m$ k# I
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M3 [6 a, ]. ^$ Q
| ├──4--Seq2Seq聊天机器人 7 R7 a2 k+ Z) k2 e! u# b
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M' _& t7 i& |! o' m
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
) y( Z) x" `5 P5 l| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M* I0 ~4 @/ R; a4 Y4 Y8 K4 l' ]- H
| ├──5--实战NER命名实体识别项目
+ |$ t' l# P3 h; G, M, b, C| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
: \: T; K$ p8 ^+ E0 U| | ├──2-介绍了代码目录结构 .mp4 23.44M
7 C9 V9 e' y8 u1 a0 e- x| | ├──3-NER代码读取数据和预处理 .mp4 97.61M+ ^2 T) v3 R9 h2 ?' M# q( v K
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
. L- S5 \5 A: _" j; T/ N& z+ a| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M( O+ C1 W0 U1 ]/ ?
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M) W; Y; S# ^: B# I
| | ├──7-CRF中的特征函数们 .mp4 125.97M7 l3 I( y8 f0 y+ c
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M0 v2 j9 p% P h
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
* P7 d7 R; [: i5 a @. |7 t6 H2 r| ├──6--BERT新浪新闻10分类项目 + y# A8 K; W9 F7 |
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
# X6 Z; L2 O/ N9 P4 D1 B1 [| └──7--GPT2聊天机器人
6 T! j: g$ _. @* \ U. A| | └──1-GPT2闲聊机器人 .mp4 62.28M
4 J/ k8 I0 E. Z8 A├──21--深度学习-OCR文本识别 ( i. P1 H7 w) p, s, V7 D5 n; M& G; s" z* C
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M& I! K z" s0 }
| ├──10-CRNN项目代码剖析 .mp4 306.48M* e9 G4 A6 g. q
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
. G9 k0 c9 t. v. f2 Q| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
+ o e* n0 { i7 W# K1 q| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
6 p# m2 w/ Q9 W/ N/ s1 }| ├──5-CTC损失函数的理解 .mp4 330.64M
& O0 h4 w$ V' {6 T# |6 o% \9 S( u* 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
' C7 |6 E- U$ ]% j7 R5 R| ├──7-CTC前向后向算法代码 .mp4 225.41M
$ {1 Z2 b" L) j| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M. x3 j# N0 D/ ^& ?. F. Q( F- ?
| └──9-CPTN项目代码剖析 .mp4 491.69M
% K+ `! y3 ^$ ?: J1 t9 C├──24--【加课】Pytorch项目实战 2 y1 g# Y" s0 V2 T
| ├──1--PyTorch运行环境安装_运行环境测试
* [+ R5 Z) {% r$ Y; K# q: || | ├──1-PyTorch概述 .mp4 29.29M+ w/ H |( P9 ~6 \
| | ├──2-PyTorch的安装 .mp4 76.45M
2 B3 l6 |* ~7 `4 ]/ ^| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
8 D: S& L9 p" x& c, i, u1 H/ l5 k| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M$ g3 M4 P" K% r/ S; ]
| ├──2--PyTorch基础_Tensor张量运算
) s0 q# x$ L, F6 z| | ├──1-Tensor的创建 .mp4 55.14M
" v5 I \$ \! t) R/ i| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
- @/ z9 {# ~6 o& L d| | ├──3-广播机制_逐元素操作 .mp4 44.46M
0 e5 p( G- i @8 Z* r| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
: z+ B9 M0 h; g! ^: |# k4 s| ├──3--PyTorch卷积神经网络_实战CIFAR10 7 { \( \ x& C' c( C0 a4 ]* e
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
. T' R/ S7 P. L, a+ S) a| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
8 j5 \2 t' x7 G" x7 t( B% F+ j3 z4 D| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M8 n- a V; W# \- E" {; R9 I! r
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
, B8 @/ ^& `+ @$ c: z; a- U) H" o, F| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M' ~6 [8 y& T$ S7 G$ A
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M- p) Z6 f4 `- _% d6 ?
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
/ |& h- N# V7 x4 ]/ G| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M/ ?+ H) c! h; v, d$ M1 {1 e
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M- F4 s: ^' h) s! N2 L5 m) _9 b9 Q
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M0 q% {9 `( h5 j+ Z
| ├──4--PyTorch循环神经网络_词性标注 % o; M8 N+ F0 p6 r- ]$ H
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
q2 r4 d7 k. g| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
! V4 p" i8 N1 U3 b. ^3 ^| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
6 n0 N( H# a- d3 b7 }/ f| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
: y3 g1 l1 k9 Q9 ^! k# {| └──5--PyTorch编码器解码器_机器翻译
/ U v# ~8 f' R$ Q| | ├──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
# a2 X. Y7 t6 u' I- R$ ]: T! @$ Z( j% u| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
- @( p4 E6 }6 E, ]7 I+ x. g# t) P| | ├──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/ Z$ \( _# q" S7 Q' n7 f( I
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M5 R$ W4 F& ]9 N$ h7 f
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
7 m! ?4 k8 b8 l, h| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
5 Q! Q. H7 L2 ~$ l) ?$ E' L1 B; }, @| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M0 P$ p- A/ Y, g- f9 S6 G# s
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
7 C0 Z9 f6 T y├──25--【加课】百度飞桨PaddlePaddle实战【新增】
' D/ m8 Q/ d; k8 Z$ G% ?| ├──1--PaddlePaddle框架安装_波士顿房价预测
% M. W$ Z( j' N| | ├──1-安装PaddlePaddle .mp4 87.34M# J9 w4 i- [- T! x' l' I
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M$ n0 l3 B. G5 j
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
, t( b# e" N9 r/ T| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
4 ] l1 {/ E; V9 r| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M9 ^9 o3 |$ F% c- X9 l$ e$ \9 V/ T8 @
| ├──2--PaddlePaddle卷积网络_病理性近视识别
6 q! }! `4 J* _$ G0 R( A: g) h| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M, h& v- `. |% L6 w4 e, }6 `- W$ o$ r0 v( X
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M0 H$ s" M0 s: x1 X
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M2 e* |# z9 r: O. \+ q
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
, M& j/ {, ~3 p( h) z _; k| ├──3--PaddleDetection工具_PCB电路板缺陷检测
% a- f4 T: j( }3 r p7 s) ~' Z| | ├──1-PaddleDetection_项目配置 .mp4 82.88M; X0 ?# S, K! x9 v7 H; h' a2 O- H
| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M2 ^: e( ~( w& w
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M$ J6 c1 V( u. W5 ^8 Q
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
8 k1 r5 Q6 o0 p( ~/ }6 ~1 W| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M- V2 R! o6 W. u2 r( Y }5 {. x
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M( t) b/ t: ?* @
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
! L/ [, g3 D, _0 q7 ]| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) 0 I$ g4 [& X4 y! R2 V7 D) l2 ~
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M+ j2 _8 u# a) v2 r' z
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
9 b0 K4 I% ?( ?8 {- ?| | ├──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# h: G1 C8 @" _4 H9 z3 O% ?# p
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
# R/ F% O$ U$ f& ~# T, r| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M2 f4 e1 f' c" ]
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
9 }* r" ^4 e7 p4 Q5 ^" e& d4 h" U| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
7 ]; t# c6 J9 g| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
" a, u6 U. a( t8 k| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
1 k; @# F: y! t. G| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M/ ]6 c( d0 g$ s) }3 f- ?
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M' D2 v- Z1 j5 {: S, Y6 Y2 F$ B
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M7 r6 S/ b% N# N- y' d
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M6 w# N- I( b6 [! _. t
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M0 t0 f+ G2 i: M( [$ 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
& s/ B# Q" M' M4 j; r( w3 b| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
% C7 i5 f3 t' {+ L4 d8 ~ U| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M$ @( ^6 d2 b7 q: q0 e0 @' y
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
: H) a* _4 h; X6 t, P/ z| | ├──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+ X, V9 c2 ~* j0 t: q3 O1 F
| | └──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
/ V; o S3 |. }3 D* \├──26--【加课】Linux 环境编程基础
. @' E, a2 a( W7 ^+ |' P7 r| └──1--Linux
% z- m+ f2 [# D' u; Q% h| | ├──1-Linux_课程介绍 .mp4 3.72M* }3 y% n" R! H; m! Z& P/ g
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M" C' _+ z6 o# F( {% {% m
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
' I9 B- m* F; a, R2 A+ L% V| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
/ ~! {4 m: u# ?# T! w& u| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M& A) B$ n; y s0 a9 L
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
: p& M6 V6 b6 b1 o| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M0 Y, _4 U- J8 H& O* G7 s
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M, s2 B* T& K5 s5 \7 p
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M! B' D& T. V' Y- f0 C
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M- m' |3 {4 T) @
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
. m# Y! [; q) W| | ├──2-Linux_Linux简介 .mp4 17.59M
5 h2 [/ ]' h9 }3 {: e# g; w# n# D| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
4 T4 g; k2 J; ?6 ]. T| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M+ w+ e# F9 V% U0 G1 p6 V: y# N
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M+ i7 A) f; g0 o0 ~% t! {
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M5 N5 U4 Q) [# J. x5 e- I6 i4 P T
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
6 K3 g# J1 g/ U| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M; E$ t* ^+ j' p$ Y" S8 E2 y
| | ├──26-Linux_安装MySQL .mp4 79.02M4 [. m2 ^+ d5 L/ f0 i$ p
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M: |6 s; }2 c! z2 M+ H4 S( y& {
| | ├──4-Linux_安装Linux .mp4 41.97M
: c7 |2 M$ I2 F5 M L4 v F& H. M| | ├──5-Linux_目录介绍 .mp4 20.31M
5 O" w& \, E2 ]5 T| | ├──6-Linux_Linux中的路径 .mp4 18.65M; M$ G2 n8 O. n' ?$ `: W2 }5 Z
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M; @9 K4 e0 S0 g" ]5 `
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
! n" e6 {% f3 ^ d# F' J| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
M" B& l9 K0 t r4 @├──27--【加课】算法与数据结构
! R3 V5 _4 g9 @/ y| └──1--算法与数据结构 + G9 q$ O4 }; Q* |3 g' M
| | ├──1-数据结构与算法简介 .mp4 35.68M' t1 k' @5 m% O1 b
| | ├──10-哈希表的基本结构 .mp4 54.34M
8 i7 \' t p) I5 Z| | ├──11-哈希表冲突问题 .mp4 75.92M9 P) Y% @1 W# ^5 U4 I* L
| | ├──12-哈希表冲突问题2 .mp4 72.30M
+ p# X0 i1 S' S/ Z6 {| | ├──13-哈希扩容 .mp4 111.03M8 }) M; H% P4 E& m
| | ├──14-递归与栈 .mp4 50.77M7 R8 {# u# d7 v: P* @
| | ├──15-线性查找 .mp4 57.80M
8 ^* d# ?( f9 o5 }7 ]) _" c6 K9 K| | ├──16-二分查找 .mp4 52.32M
: J# q6 y/ N1 O* l3 B- F1 h5 y| | ├──17-冒泡排序 .mp4 53.19M7 i, \$ X5 n7 B* r b
| | ├──18-选择排序 .mp4 43.29M- n+ O9 _) g3 b2 L, L; L
| | ├──19-插入排序 .mp4 31.39M" ]4 Y y$ b' b1 G( X6 p7 e
| | ├──2-大O表示法 .mp4 25.59M( I" i4 ?# I% G L! ]
| | ├──20-归并排序 .mp4 84.48M
+ T( u7 @5 _, M1 J$ `, {! e; l6 G| | ├──21-快速排序 .mp4 36.63M
8 ~5 Q# S e5 a5 s/ S9 o6 c| | ├──22-树结构 .mp4 96.85M
r* h9 p0 G+ p8 u4 A1 j| | ├──23-树结构的遍历 .mp4 61.05M& R% h. @1 l0 h5 W
| | ├──24-最大堆的增加操作 .mp4 45.43M
) w0 U/ q7 b0 Y' v( o! R| | ├──25-最大堆的删除操作 .mp4 45.63M
, P. p2 O7 L& u2 `+ b7 m| | ├──26-二叉树的查找 .mp4 100.24M
d& @& a, s N' A5 m: M+ w% x- N| | ├──27-二叉树获取最小值 .mp4 25.21M7 k6 J0 K# i/ s& \/ z
| | ├──28-二叉树的添加 .mp4 72.66M
7 F5 _( D+ X% {( Y| | ├──29-二叉树的删除 .mp4 120.06M6 H% C$ ?/ h" O* p+ l+ b! k
| | ├──3-线性结构 .mp4 53.14M% M& z* A; w8 \7 P w/ t) C2 Y) k
| | ├──4-单线链表1 .mp4 68.36M
0 s% S, X5 U- J: S3 z| | ├──5-单链表2 .mp4 221.69M
3 `. _& V' E' N, C| | ├──6-双链表 .mp4 103.57M! R$ K6 e( n+ d2 _9 w* o
| | ├──7-队列(链式) .mp4 74.12M _) S1 D& ^9 D! Y$ k
| | ├──8-队列(线式) .mp4 30.99M! w0 k& B; }- ^( y0 D: C3 e( _% {
| | └──9-栈与双端队列 .mp4 28.12M
: n- A/ `$ h( p( G6 S├──3--人工智能基础-Python科学计算和可视化
6 z; ?! R, m) w/ V P" z| ├──1--科学计算模型Numpy
" m& g# G3 x3 n4 X$ A| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
6 J2 A q- X* H; [7 E+ F| | ├──2-Numpy_array_arange .mp4 35.45M
1 C9 a/ M7 ` H8 j4 d E( O| | ├──3-Numpy_random随机数生成 .mp4 50.54M9 b, K$ z; c9 {8 H, D1 j
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M# ]. d2 J4 e* q6 I8 D. q0 a
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
/ @4 j# r- f) I3 I8 U- ^$ j| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
, P3 F- z J/ W$ }* S8 e| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
3 ]" Y9 }" g' n$ ]/ y& w| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M) T8 _) s3 p: N0 ]1 K/ t
| | └──9-Numpy_聚合函数 .mp4 23.68M
5 D" U. M7 i" a- E0 z6 U| ├──2--数据可视化模块
2 U# ^! ]/ _$ U" D( W$ O| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M5 n. _, t( _) D5 X1 h( o
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M) B; G! ?7 R9 d1 }! [! V
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
. |5 B5 n# g) o6 x/ |! I+ W| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M$ G- K4 b8 F' A. s$ p$ N
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M9 `. I0 L; t3 \# }8 S' t0 K4 W
| └──3--数据处理分析模块Pandas
$ H& s1 r6 {" {2 }| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M6 |9 C( W' w, I/ [1 u1 T0 ~1 X* ~
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
4 D3 M% D9 c8 F& ]+ t3 ^7 E| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M2 J5 l/ T3 u7 t1 U$ u. c% v
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M2 R# l+ i& ^4 X* N V4 B
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M- Z; m4 n& b3 V) y. n1 V4 \
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M3 J* B; K" n) ]& f3 L
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
6 `# }3 S: R( c) A8 H9 h: i├──31--【加课】 强化学习【新增】
9 P0 `8 ^! X- i+ o' {, Y8 a4 l| ├──1--Q-Learning与SARSA算法
* }3 d: k2 Q/ e, H: I9 u| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M* ^9 \9 B: U/ I3 S1 v, l& ~
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
: j% c) E5 T* {$ T' U0 H. Z0 H| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
5 A$ T9 J1 C2 b% W0 `+ W; W9 A% V| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M* ^9 M: |# r5 A
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
# S. @! |& x! B2 p| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
4 b# H3 E- ~4 g4 O: f& B1 V* ^| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M2 {9 S2 _4 Q5 W0 ?3 ~
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
9 A8 F: i/ E& C9 t9 T| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
# C+ l0 X) q3 ]1 E" D6 q| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M: P1 }! `- s' z0 @9 z: f4 o1 o: J+ D
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M( o6 e3 K; k* M
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
& _* \+ b* _2 H; C& Z6 ~1 ~| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
, c1 v3 Q$ R5 }& p* J) k| ├──2--Deep Q-Learning Network ! z' D# c1 n: V
| | ├──1-DQN算法思想 .mp4 59.24M
2 w2 I; y. O' {! [# s| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
! `( c' J6 D- R5 ^| | ├──11-DoubleDQN代码实战 .mp4 44.49M
/ I. k: H- t3 q0 E5 L r7 P' d| | ├──12-DuelingDQN .mp4 88.12M$ T3 U0 [* Z" J$ U% M
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
. M9 L; L$ [5 _ [. A| | ├──14-计算Action的方差避免风险 .mp4 54.23M
' q/ {4 C) c2 v" C/ o7 q* v| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M/ x5 A: H! U2 Y$ _
| | ├──2-DQN算法具体流程 .mp4 56.17M" D* Z/ l* G9 O
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
* e) R, \( d( M3 A| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
, p# y/ Z8 i5 w5 ], V| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M: y+ S' p( @! m* o% b. e9 j6 Z
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
+ K6 T: s9 j: A| | ├──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
, g1 G4 ?- y, g0 U9 b$ `6 q( f| | ├──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! e9 i' \2 F: n. L, j6 F( ^
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
/ q u( X. O" Y# i6 K6 h| ├──3--Policy Gradient 策略梯度
! C' h8 w1 z' W( A5 k0 \* e| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M4 W: O8 d/ r2 i4 I/ n; S% ~& i
| | ├──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- `5 W0 m2 v. r) \, @# `
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
9 D0 P% ~' b5 h| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
( @4 c+ v$ A! Z- b2 R- @| | ├──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
" O1 u9 u& H% n' x: |) g+ R I| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M* F- m/ J, m+ L* h: W1 \
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
8 f1 u, s# w+ Q) || | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
6 B; }: {6 X1 E| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M: F" t) j0 E0 r0 a
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
5 e4 g0 Y' d! W/ R| ├──4--Actor Critic (A3C)
2 m4 v: M: s' M1 e5 U5 C: P c| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M+ W! b. y" a# j; p2 K9 \
| | ├──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 36.14M0 e9 W& @% X( ?# H a
| | ├──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$ N+ \2 }0 j, I- W; e) z
| | ├──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! E- U/ R* q" H0 C I0 M# D2 s
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
) v( G9 y. d0 L/ m5 v" s8 T+ C| | ├──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$ T6 q9 P* w: u8 `5 E. _
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
. b) \" \6 @4 c4 z! c& o| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
( |1 v! u$ V( n" i2 H| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M0 c6 m! z% V2 @% a
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M& x( m1 S3 k5 O0 C) n1 n" f; Q
| | ├──6-A3C架构和训练流程 .mp4 74.66M# F6 B Y. c' W1 T, S+ W
| | ├──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
u7 L1 \9 I2 v6 d) a7 p| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M0 v0 z9 H! M! n# u" P
| | └──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
2 V6 c$ U. B. W1 g) a| └──5--DDPG、PPO、DPPO算法
1 g0 Z- B/ q3 n2 b/ y2 S. J| | ├──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
5 @* }/ {* N' c! c7 w| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M- H: ?4 V' { n; I
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
1 `% c( C0 O( A: b| | ├──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 42.12M0 P/ o5 n& ]4 n* Z' [' _, F
| | ├──13-DPPO分布式PPO .mp4 63.81M0 C6 A' Z: j a4 ]! D" z
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
6 p9 k% ]" J+ O! r* ^) }3 V7 N| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
; m+ T! R @5 F% X; J| | ├──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/ f9 L+ m `: x7 [2 Z) p" u- J @
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M$ T! v2 r' O3 g& A
| | ├──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
7 T& X% a6 V; _2 G3 v| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
C" h( }$ U3 p, x9 C6 {$ i| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
8 J! Q6 S$ k3 ]0 V& k7 [| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
6 y$ p* Q4 g C4 |2 t| | ├──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
' @/ z$ b* x7 i8 j$ p+ z0 }& B| | └──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
' N. m7 _# n0 e9 `! S├──4--人工智能基础-高等数学知识强化 . c: s8 _ E- x) R1 A! ^
| ├──1--数学内容概述 ; k) W+ t Z& K6 R
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
, x+ X4 Y% c8 Z! m2 ~| | ├──2-线性代数_概率论知识点 .mp4 26.81M J k" @6 Q9 [% R8 _ Q5 Z- b
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
& W% ?2 P, n6 y" S! \, R| ├──2--一元函数微分学 % U& Q7 Z' l2 r6 y
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
; F& a( y( f* x1 n; l| | ├──2-导数的几何意义和物理意义 .mp4 14.49M& Q+ i! q+ b& _
| | ├──3-常见函数的求导公式 .mp4 22.76M$ b( B/ x, w( T0 B7 s
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
4 v9 _- ]" c& o% }1 |5 V* s| | ├──5-复合函数求导法则 .mp4 19.68M" d8 M6 v8 x, Z' A& J4 s
| | ├──6-推导激活函数的导函数 .mp4 33.40M
$ x' I8 j1 ]( [( f4 P, P| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M0 Z% @! H" w ?: `
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M+ f4 Q6 D/ b) W, O1 Q7 g
| ├──3--线性代数基础
. |$ V& T' c: {7 H| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M" U- @# x! [( s7 }. j% g
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
' h4 p8 _# o0 B; N- S1 J| | ├──11-矩阵的行列式 .mp4 20.13M
) R- a8 d+ m* }/ t5 U9 F8 y| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M/ U/ p9 n+ J* @7 U
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M7 x( _8 D" K9 }9 T3 L8 Y
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
+ J# J. L+ F6 j0 A) ]| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
& g+ i7 }9 M& i) J: |: h4 R' ~5 z| | ├──6-特殊的向量 .mp4 26.45M
7 B0 i! f5 R1 ?, t* J| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
0 `! i! v6 i4 j/ C# F9 f| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M7 j" o6 e; W/ g$ U& S* T+ `* |- Z
| | └──9-矩阵相乘 .mp4 20.02M
9 Y& w/ x$ L5 F: T# c. o/ y3 x| ├──4--多元函数微分学 % A8 I. Y2 e0 [! Q, F9 M; B
| | ├──1-多元函数求偏导 .mp4 22.61M
% o7 w9 y! J' y+ F+ D| | ├──2-高阶偏导数_梯度 .mp4 27.15M. t" Q/ c8 V: E6 V0 c5 h
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
$ \% y0 t; C; n/ C" p9 P; j| | └──4-Hessian矩阵 .mp4 32.93M
4 s% Y3 r5 d, {| ├──5--线性代数高级
& Q( ], i a1 W8 e' M( t| | ├──1-二次型 .mp4 27.70M
9 z6 A: g8 m# N1 n6 z| | ├──10-SVD用于PCA降维 .mp4 24.90M
7 u% p6 Z/ w& e, p+ {| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
5 T2 F+ v6 ~5 ?6 N| | ├──2-补充关于正定负定的理解 .mp4 23.48M* W) ^9 |$ M5 Y9 Y4 C! y: |
| | ├──3-特征值和特征向量(1) .mp4 29.83M
5 y5 ?; P2 H, o! }| | ├──4-特征值和特征向量(2) .mp4 30.07M
- N+ D$ C) A7 L, s7 p3 O' ]# I2 c| | ├──5-特征值分解 .mp4 38.68M l7 ?! d1 D% H" B
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
; j2 E/ J. p# a/ q# I% H) q H| | ├──7-奇异值分解定义 .mp4 22.58M
" |. `8 K0 y+ N, T7 ?9 X| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M+ v' e5 P4 z8 a( ^" u" L$ m! ~
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
* K% E& \) \! | @; A( I% T| ├──6--概率论
7 K! W; @+ m6 {. y0 F! ?; ^! x! B| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M5 w) G: @5 s8 K8 p- @5 U3 a! }: D# q
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
% r' C5 h* M' ]% T$ i2 V5 F| | ├──3-随机变量 .mp4 22.57M
; x2 P# W5 Y6 _* R| | ├──4-数学期望和方差 .mp4 22.96M' i9 A# t) ?# ?) U: B
| | ├──5-常用随机变量服从的分布 .mp4 22.48M4 N8 Z+ D9 I. n. n
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
0 c& p6 m8 k) |4 y: b# U. y N| | └──7-最大似然估计思想 .mp4 23.42M7 A6 P$ I, e) ?! u& J0 \3 i, U
| └──7--最优化
2 Y8 g$ s! ?" p& R- L0 v& ~| | ├──1-最优化的基本概念 .mp4 35.14M4 v8 \: @* N% Q* c1 c
| | ├──10-拉格朗日函数 .mp4 27.46M7 w3 ~/ ]) J' o9 q( L! h* U
| | ├──2-迭代求解的原因 .mp4 20.15M
0 `6 Y7 y! j6 H/ {5 \" }% _| | ├──3-梯度下降法思路 .mp4 26.33M% @' F9 \0 b5 b5 l( c
| | ├──4-梯度下降法的推导 .mp4 43.56M
% ~3 {, U7 x1 c1 G7 n+ C5 F| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M: Z% ?: ?' W/ I6 u( o+ _
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
, P# X* q# |- u# X# x1 K| | ├──7-凸集 .mp4 21.90M
9 u2 ?, S. l2 S7 }| | ├──8-凸函数 .mp4 16.93M
+ Z0 I* X1 Y. O3 ?3 I+ ]# q| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
& |/ m& N) H5 v. g├──5--机器学习-线性回归
5 F# P# I4 e9 v2 \; h| ├──1--多元线性回归
( T; L' y0 K: s' x) ?: M| | ├──1-理解简单线性回归 .mp4 51.11M R5 J# n$ q# }' H9 H
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
! ?( I. e$ {! X1 ~+ {| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
# q2 [5 { W# t6 F+ t9 M/ s8 [2 p- ?| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M/ c' P, R, l9 k. m
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
) L' D+ o7 [' q6 ^: d% c! p% e| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M5 ` a9 `* F" F) i. V& H
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
4 }# A9 I% X% s2 L| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M& Z8 s3 J* L% c# A# n M; Z6 u1 U: p
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M- u% Y& |8 n4 D- o, O1 U
| | ├──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 48.31M9 V$ E L9 A7 S' o. Z6 t' O+ [
| | ├──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
$ [; {" l3 Q1 Q3 V| | ├──2-最优解_损失函数_MSE .mp4 39.58M
0 e; Q6 e0 L1 l) J5 }2 D| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M# w$ K- d( i3 E' j& U5 X& `
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M( L) T4 @; z% s) c+ s+ ~1 T: Y
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M6 Z/ M f/ l' K* ^9 _9 X, ^+ x% d
| | ├──3-扩展到多元线性回归 .mp4 32.15M$ R# y0 u8 l2 Z
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
- q: p- k4 U7 f( C2 y. i| | ├──5-理解维度这个概念 .mp4 41.41M e4 n# G2 r: o5 P; F
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M, }& m$ L, N& h5 q
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M: Y. h9 }! M3 F! Q6 b" u- X" j
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M6 I$ p4 u/ g8 l( E: E4 g
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
^# g" D F% L0 R7 r7 K( D| ├──2--梯度下降法 * o1 S) ]2 j8 d$ A# A, \4 @/ m
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
9 \) V6 \0 j, a o+ p+ w| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M1 Y+ J4 M7 @& L$ F" r1 t9 C
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M. _* j A) }, ^2 H" A. n5 _! G
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
3 X3 [! A5 d& A9 k; O2 S| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
0 j2 t$ M5 \# }' d# u( s# Q: f| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
5 z8 |6 _2 g& m- Z% S3 h| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
# W! m! {5 R9 M% m: x| | ├──2-梯度下降法公式 .mp4 57.12M8 o! s( h% K6 ?/ | l+ U- }2 a
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M+ R6 W6 V: J v+ {9 {
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M5 g/ S3 g! v U( ]3 r8 u& I
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
6 H i, z3 c' ]6 B; k/ G| | ├──6-全量梯度下降 .mp4 62.84M
- g$ V) Z; P, ]" D& w" W| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M6 I; f' z' R" Z/ I8 [6 B
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M2 o+ R- c4 x3 g {; [1 E9 X7 d8 s
| | └──9-轮次和批次 .mp4 45.22M
$ U+ ^0 F/ @/ O: p| ├──3--归一化 ; C9 N v0 h$ r
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
' _* M; F0 f: X5 s- R| | ├──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
& N9 F% C" m6 L# z* N" _# q| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M: B* e5 a- s1 }) A1 j
| | ├──4-最大值最小值归一化 .mp4 24.87M, r; x* l0 d0 n+ Q* s; K% ?3 A0 O/ T
| | ├──5-标准归一化 .mp4 51.86M$ }9 W' K8 s# ]4 ] C
| | └──6-代码完成标准归一化 .mp4 41.13M! u4 i0 l4 O( O: X' K# B
| ├──4--正则化
, n( A- J$ D4 ^5 E9 I/ {| | ├──1-正则化的目的防止过拟合 .mp4 30.71M$ |4 k. A) V4 J( ?" V) G4 j; D k
| | ├──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: F s. x4 T4 n, \; g/ C
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M. X0 o1 Z0 d4 I9 T% w# N7 t
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
" n* i) O! C% R| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
! `7 K& T# J, V# a& T' ]| └──5--Lasso回归_Ridge回归_多项式回归
2 f9 S. t: Y- E| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
! q4 I% q( @: ^: B4 X2 _| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M. Y6 U0 D; K6 K+ Y
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
4 b* ^) q, }; \) v( @| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
, H. x. |9 E: }' h2 F' F9 @8 s| | ├──2-代码调用Lasso回归 .mp4 28.73M8 m4 g2 o8 b9 A- n7 p! t j8 }! u7 m
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M K9 v( @( ]# G
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
: e! d3 D2 Y% ?2 t4 }| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
& n0 K j! {- F S) U3 r6 a6 `| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M7 y6 ^% v& X9 e3 H
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
/ e) b; K" R4 K3 O# }| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
/ Q' L8 d) R0 ^0 [- t2 o4 B| | └──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 ?. c" n' V* u6 {/ B/ s
├──6--机器学习-线性分类
: o% o7 f! l7 Q N4 l2 R| ├──1--逻辑回归
5 a1 Q8 |, O8 Y) L| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M3 y1 H, i, [# Z% v
| | ├──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, t& D2 U3 t+ f! k
| | ├──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
; c" k6 e9 ^- `. Z- G| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M& s9 A; [4 l. O8 q6 P' f
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M1 @* F, o- Y" Y9 O) N3 E1 o
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
2 B9 |* O& }( _| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
( L+ ]1 @" c, M; h" Y| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
* T6 A3 c) |2 c+ O| | ├──2-sigmoid函数作用 .mp4 38.15M* L3 N# }, k* `1 n3 i( V
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
: e; q( ]$ A5 P8 N0 j| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M0 M5 U3 L, z3 r- `6 q3 I- q9 a( ~
| | ├──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 6.71M5 ~+ n. Y z8 p# V$ L: C) y3 o
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
' U6 o1 c& I# }2 }- t* M! o| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
+ R$ l* \/ `- z7 G9 @| | ├──8-绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数 .mp4 56.56M/ d- d* I0 |0 e3 t! x' E
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M6 c0 U, |8 A+ ~5 U/ K M
| ├──2--Softmax回归 $ E% |& Q- f! Q& _+ y% m
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M' U7 Z8 s: X8 d8 K2 J
| | ├──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
7 y& a; s8 m2 w3 N. f8 W| | ├──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
( r; q& E6 ^+ j7 ^| | ├──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
# W( ?+ z s6 d9 _) B6 u| | ├──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( A) D2 Z9 n2 s. I+ p0 X t' g
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M6 h# l+ Z9 [6 h; u" u) l* y
| | ├──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 33.42M0 X( ]3 Y1 k X& M" Q: i3 f
| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M7 `$ N8 |4 n, B6 h {
| | ├──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, d7 B0 W3 \( o3 h! J. z( w+ d( k
| | ├──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
! a& ?( ` j' V/ x! a' t| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M; r; i: |+ j; e
| | ├──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
4 T p. M: o' u! u9 L. e| | └──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
$ k: S1 P, q# l/ n' X2 @| ├──3--SVM支持向量机算法 ) |3 f# z3 {% b% q
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M' n) D& t$ [) O$ ]7 [; h6 V1 ?4 B
| | ├──2-SVM的思想 .mp4 55.56M1 x# W+ z& \9 E9 P
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
, f9 q6 z) [4 |* H| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M* Q( c; O9 Q, I/ W6 D5 i$ m k$ ~
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
& c+ C/ }) X y* F7 w| | ├──6-总结硬间隔SVM .mp4 39.01M1 M/ _& ^, d4 L$ D, L" ]& F% W# j5 x
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
$ b" ?3 n9 [9 F+ D& l' ?+ `0 o6 r5 U5 f| | ├──8-非线性SVM .mp4 54.43M4 E; U- f9 q9 W
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M- z9 u |: h0 b0 g! G; z0 w
| └──4--SMO优化算法 [3 O4 }' K3 R4 {
| | ├──1-SVM算法流程总结 .mp4 58.36M! C# o) c. C, |8 J0 L8 G
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M/ J* y, U# M4 C: j" Q, @
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M, v% o$ i5 G$ ^0 r. J
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M' B2 E. h6 i: ~: o
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
0 L' ]! b. t& p" ?3 N| | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 69.00M9 {1 _" O+ K( s! G
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
* C" u+ \* [+ ^| | ├──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
* }# X. x" P& a9 m& J- N. E| | ├──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 63.23M7 q, G* I2 W( Q
| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M7 q( |6 x3 {. p( P- S
| | ├──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) L) V: _9 j2 d5 Y- q- [/ t
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M: W9 x6 M4 Y0 t& }1 g8 \6 i, q
| | ├──7-启发式选择两个α .mp4 23.11M6 ~; k1 f3 {! o- v9 K; B
| | ├──8-如何计算阈值b .mp4 50.18M
. s8 s- {' c, V& V# q| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M! z/ U& d% h T
├──7--机器学习-无监督学习
$ ~6 h" E1 a( \8 b" h- i, Z| ├──1--聚类系列算法
4 y# y# B9 L7 O# ^& D3 [9 B| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M9 X' d3 @/ ?, ^" n" U9 l0 p
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
2 E9 o" n8 y) n# v| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
: H: G$ n% n$ m% C, C h8 W3 }* r. @| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M% H$ g2 u/ `1 i/ i1 Y4 D2 W
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
: }/ Y7 P4 T) I d| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
) M+ l/ I. I6 b* A. ^| ├──2--EM算法和GMM高斯混合模型 6 e9 J7 T- |; c
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
: E$ x/ g# O9 W+ n| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
/ o. E. u* ^2 x! ^| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
' I3 l' p# K e7 N| | ├──4-Jensen不等式的应用 .mp4 109.17M0 G* p2 X- ]( f+ k% ]* M
| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M
1 _% p, N: u# u$ K| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
7 |( B7 H" x& F7 k. y| | ├──7-GMM前景背景分离 .mp4 16.01M
( R5 D9 G8 n. L. F| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M! t% X% \5 H; A) q J4 m
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M! E" _1 b- E& ?5 ^) r' X
| └──3--PCA降维算法
+ u- W7 b$ b) a| | ├──1-特征选择与特征映射 .mp4 49.38M
H0 _! B8 ]3 N| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
+ u% F- Z# q0 P9 T) K| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M- R- r; e; t$ [' k6 A0 p! Y3 a6 D- p
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M$ j2 C9 c7 h( ]! e+ b8 k
| | └──5-PCA的几种应用 .mp4 54.58M! o- b* I6 V& M+ ]# Q2 f) W2 [
├──8--机器学习-决策树系列 - L( B* _, I6 |2 _
| ├──1--决策树
0 W5 _. o, B% O) v" B+ _, ^1 h6 q| | ├──1-决策树模型的特点 .mp4 74.88M
) E5 {5 _+ R2 [7 ?| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M. E" ?& J! R8 @- x+ W
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
1 O" w7 V _$ r7 y0 a| | ├──12-后剪枝的意义 .mp4 50.49M, x [+ _+ l( z5 N. `9 ^+ _. @) {
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M7 w0 Z7 J. G; n6 |
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
. t, n5 ? v7 v0 D, K$ I: Q1 Q. @) w$ h/ E| | ├──2-决策树的数学表达 .mp4 89.94M
9 E/ x0 E5 I/ p9 W% E9 \| | ├──3-如何构建一颗决策树 .mp4 84.87M
; [0 `. g3 J3 ^$ q3 t| | ├──4-什么是更好的一次划分 .mp4 57.02M5 E$ V9 q/ I6 W/ k9 ]
| | ├──5-Gini系数 .mp4 107.54M
% C0 C8 C: ^' b% e( E P6 A| | ├──6-信息增益 .mp4 75.26M
# N3 s0 Z6 A4 D! p| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M) D8 m5 }8 S8 X, G; ]5 m$ L! |! r
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
3 c5 t2 @$ a5 C6 m4 ]| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M' j3 f3 z! k' |0 w4 {7 x
| ├──2--集成学习和随机森林
" s: b4 {0 q, p, @% Y) B5 ]| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M* N/ c- K( A' G6 u& G! ?7 m
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
1 d8 e4 e6 y4 e* ~, W# j( W) E% W$ C' l| | ├──3-随机森林 .mp4 108.14M0 _ R. o; z3 x, Y" r3 R. c/ _* X
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M5 X5 z- C0 n$ \0 u% c
| | ├──5-OOB袋外数据 .mp4 106.07M; Z' [0 H2 J K; |
| | ├──6-Adaboost算法思路 .mp4 106.30M
1 V5 O/ c) k* d- f| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M3 A* f& H& ?2 V3 K) n
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M6 ^& @7 y. D" X
| ├──3--GBDT 3 T1 C* I4 e* I7 e) P" i- c
| | ├──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
b, [ L$ B5 A4 Y( L| | ├──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 C! ^/ i6 u2 {. n: g8 m! `! @
| | ├──11-GBDT多分类流程 .mp4 73.80M. Q e1 m4 i& M" V2 K n
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
" U3 \5 t4 U9 Z7 K# ~' I| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M9 R- s; k( Z2 E& t
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
4 L& a# N9 W! ?- q| | ├──15-GBDT二分类举例详解 .mp4 86.67M
4 K: F# O+ C% Y( X5 p| | ├──16-GBDT多分类举例详解 .mp4 91.71M z* m6 g8 E& M: t0 ~
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M1 w2 X" E" b8 O J! z, @
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M$ G7 X+ ~# v' H; R) F9 n0 n1 R
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
0 H' J8 `- g2 |! `9 t| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M; E+ ]7 }0 M6 ~- L; h
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M$ H% O9 y/ p7 j3 ^+ e" |
| | ├──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
4 g1 Y) E) L4 K; ^6 c- b' M| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M# I6 [) x8 S$ Y& U; L5 L
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
, v( ?+ ^* K4 F* e( c4 X2 Q6 t| | ├──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! f( g0 C" y7 p+ _5 S8 C) w' c: w
| | ├──4-GBDT应用于回归问题 .mp4 84.66M! \2 C+ |. P/ L+ G" _- i
| | ├──5-GBDT回归举例_总结 .mp4 108.52M; x; M* M$ l7 O0 ^5 H3 @) e5 Q
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
8 a8 {' a! u0 n [8 U% }7 n| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
2 `1 m: a0 a) D0 B5 E2 b| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M( N0 E& K% b6 j) B
| | └──9-GBDT应用于多分类任务 .mp4 73.34M3 ` e/ u1 J8 H- g% q
| └──4--XGBoost 8 g+ {5 e* ~; J. M1 p# |) ~3 L
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M2 x8 K2 u' s \
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
2 ^9 ]3 J0 k) D6 ]1 m# i0 Y. E| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
2 K! l. e" c$ ^: [$ v8 I| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M ?$ X& i A9 Q" c3 T( O
| | ├──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
) W0 b* a% w$ |! E1 H Z| | ├──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% W1 A" l9 I; w
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M: y* A" P8 Q& ^. v
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
# _/ G1 e5 T, X* Q, N| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M) U" _$ _$ y! ?8 @, p
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
$ U( Q9 L; |6 v# {. W' o/ k| | ├──3-基于树集成学习4个优点 .mp4 91.36M
* ^& P% s' Z/ n| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M, h. Y# Y! x9 d3 j; _; ^2 r0 L
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M$ R9 F( Y: {+ G _. M) `
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
$ G/ \( P# j; p3 {6 p5 g| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
# K4 J3 @9 B$ Z( |# s| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M# B6 z; ^# g }/ G: ]
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M
, n: Y/ V' u5 T3 n2 x; L5 z* x├──9--机器学习-概率图模型
6 V! j" X. \4 C$ r4 P9 r| ├──1--贝叶斯分类
8 D$ {+ o" \) a; F. l2 ?$ I| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M7 d; C/ ?/ D% O, R# @- K# T
| | ├──2-TF-IDF .mp4 53.08M
/ S6 B+ y. B, \! ]| | ├──3-NB代码实现解析 .mp4 126.73M
1 n; f1 t1 [9 x1 X3 |5 F| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M/ j. s4 D7 S K) G0 F4 p
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M; w0 D3 q( d N* q5 k2 L: A, b
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M! B, r6 {# k2 _' }" r8 n
| ├──2--HMM算法 # X4 X: D% t0 x
| | ├──1-HMM隐马的定义 .mp4 36.82M) ^2 u2 b( P+ h3 n
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M! _ L$ ]1 N+ o6 S1 H
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
, H! H* t g3 z2 X1 L| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
) w3 i. u5 I0 ~9 m| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M! |" S( x" @: F1 n
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
, J7 Q; a g o9 k0 F/ W/ I| | ├──7-Viterbi算法案例详解 .mp4 107.12M# v8 Z8 T$ I) s( s8 c: c
| | └──8-Viterbi算法代码实现 .mp4 42.43M
6 K' k# _7 F- V8 S" y+ ?2 J| └──3--CRF算法 ) O; X8 B) ~1 {' l7 Q) I
| | ├──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; M* |2 H% d6 v6 F
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M7 F- }' s# v0 j" p
| | ├──3-了解CRF层添加的好处 .mp4 105.90M3 S# a6 B5 D& Z
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M- A; \' C; J! y; f
| | ├──5-CRF的目标函数 .mp4 23.74M
! T" \. ?7 L! u' T: X. E| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
$ _4 }$ _4 i) s9 _. \4 I| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M/ R# v) h0 B. Z, A
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
0 w8 A! q7 Q h6 c( Y/ r! q! g, T└──课件.zip 2.54kb
7 O( ?% R+ M* {+ F& Z' F. k" v* q: m9 a6 K2 Q: F o, b5 A
* I, d% V- ? x- X' 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 L0 ]( i2 ?; U9 W
7 g. E6 D" e! o6 o# T
4 D! ?3 {8 g9 L |
/1 
