战-人工智能2022/7 M9 [* W/ Z1 J$ |: B
├──1--人工智能基础-快速入门
: P! Q1 H4 F9 d8 j. m( G L( x7 I| ├──1--人工智能就业、薪资、各行业应用
. h$ y2 z+ g4 F* u( q9 || | ├──1-人工智能就业前景与薪资 .mp4 52.07M
$ h) K7 W5 T% m# A| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
% M' w/ c- c, k| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
2 i& T) p" G7 p| | └──4-人工智能在各领域的应用 .mp4 57.73M5 ?# B4 n, D9 Z/ K0 x" o: C
| └──2--机器学习和深度学习、有监督和无监督 / |' ~. P$ t# \4 g$ G$ u
| | ├──1-人工智能常见流程 .mp4 89.62M3 e0 |% C' ]; D" u$ c0 z
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
3 _/ j3 s0 m( W: L( Z. l$ ]| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
k3 m5 s4 Q4 r! H; r7 L0 k5 F/ D$ h- y| | ├──4-有监督机器学习任务与本质 .mp4 37.50M3 F5 |2 m- Y3 E6 K7 q
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
# d' T) ]' |3 Q$ W9 z3 R4 Z6 B& @├──10--机器学习与大数据-Kaggle竞赛实战 c7 s; s! k$ G7 b8 Q
| ├──1--药店销量预测案例
7 U( I% p- o0 b! t| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
/ D9 J c! h" _. Q# e) t0 W% a| | ├──2-对数据字段的介绍_导包 .mp4 19.90M; h. Z( d5 F6 S+ l) s
| | ├──3-自定义损失函数 .mp4 21.12M
- i" P) D4 Y: d1 w1 a| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
! I+ y* ^7 s- K0 \- T! [8 {0 || | ├──5-数据的预处理 .mp4 111.81M6 n3 p7 R$ l/ H# {0 h$ Z2 V4 `- j
| | ├──6-模型的训练_评估 .mp4 66.64M! { V6 {' B4 B; m2 i9 v8 X
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
# ^) W/ }4 f- J9 z9 B* t| └──2--网页分类案例 & r$ g' h* G$ v" H/ r R! v2 l% j
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
{4 ]7 b: x0 A| | ├──10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02 .mp4 85.63M" _1 I7 l2 s2 M" J8 c' H: i
| | ├──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
; b: l, Q# b2 G, o| | ├──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
6 M/ V( C1 \9 _; M+ R6 ?% H6 {| | ├──2-评估指标ROC和AUC .mp4 56.19M. w+ @+ Y# C- P
| | ├──3-评估指标ROC和AUC .mp4 49.03M
' g! q7 k& q) k7 J| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
" ]) G+ z \/ R% W0 N| | ├──5-数据导入 .mp4 68.41M! S! g9 X' t3 l3 |- v
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M, f% m* h- a6 f6 M# O
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
) ~1 v; j& ~5 ]# J| | ├──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
* |6 O, H$ `. J7 g6 v| | └──9-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01 .mp4 87.47M- E9 G3 V0 W1 x' g" [8 a+ W
├──11--机器学习与大数据-海量数据挖掘工具
& ]" T* J6 `) g3 } Q( ?| ├──1--Spark计算框架基础 3 \, {+ {( P+ K) `2 K
| | ├──1-Spark特性_01 .mp4 41.68M
& C( z0 a1 y& D) O& d| | ├──10-分布式计算所需进程 .mp4 26.30M5 C8 Q3 s: l0 O$ Z1 Q2 U; |
| | ├──11-两种算子操作本质区别 .mp4 56.31M
& k5 R% J# y% S# r| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
* ]! S9 O4 V# f- U" s' z6 U| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
% M! D( V8 t1 K2 `$ A2 Y- X4 T| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M4 |7 l% J4 Y4 m* @
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M6 c5 V( R4 P& x# V
| | ├──2-Spark特性_02 .mp4 35.15M$ ^4 [1 k8 n, q) P" q# \
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
9 B0 g) e- Y4 n1 `4 @4 ?! }| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M& u9 @" k$ ^; U7 a
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M+ z/ P1 b1 K; B. b t1 J
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
, w7 X: y: c; H8 s' A| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
0 ]% T$ W" o _* Y) k6 G u$ n2 s/ ]| | ├──8-Spark的RDD特性_01 .mp4 33.08M
' ]5 M6 v& Q, k+ x5 D| | └──9-Spark的RDD特性_02 .mp4 33.41M
( X4 j6 J/ s5 R% M `" U% y| ├──2--Spark计算框架深入 : ?# V' g! D7 t1 U+ J: c; M+ y
| | ├──1-Spark数据缓存机制 .mp4 54.43M
5 ~. H) m. S/ ?) t6 l- K E| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
6 i5 x* E+ k0 v/ x0 \, l| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M$ z- o" W9 i: Q5 h' @9 C9 c
| | ├──12-构建LabeledPoint .mp4 111.08M! T# d2 R3 `' s- [5 C5 k( d
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M0 L! k3 K$ [2 L* x
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M- H! I1 C9 g# W+ l, F# t& c- }7 `
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
7 Y& S0 Y5 [( F2 \6 ~| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M3 i' U* B5 L$ F
| | ├──5-Spark术语总结 .mp4 89.66M d" x0 j5 y$ k+ Q& \6 M
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
* h) k6 X. j! \- R| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
% T8 ~: ?& O, m2 I| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M" K) i$ D9 K: D# V1 |; }/ M, y
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
- o3 z) y. o; a( Z. }9 e# R. f| └──3--Spark机器学习MLlib和ML模块
5 h; C' D- }0 b% i0 _! z| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M7 _% s8 [" O* J0 Z0 {( m. |& }
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M$ o2 x2 z: c' U2 J; }$ \2 o! }
| | ├──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
! v* `" [8 x3 R& y) n; [| | ├──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# C3 a4 f% G' h+ Y# C# s% @- i) ^
| | ├──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! s; ?! h' l, A- s. z
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M$ W' I' v* v3 y
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M' P- e0 g {$ N' a% T! a8 M
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
9 O# m) ~6 L6 \; _% X| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M7 z5 V$ d3 O9 ~: X
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
+ `% }' F6 k- m' @3 R| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M5 g: V) j+ y C- ^2 J
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
- ?- n- e$ q( U3 a5 ~# Y| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M3 `. b" M4 r9 i& U
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M" M4 f1 F! y* v9 J) v( f; n
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M& c$ X# G( |0 i3 s! Z; t( j
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M- b8 a2 D+ Q( ?7 \7 a6 X
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
& `1 Y3 A. y+ i0 _8 P| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M+ B @; `( a. m# a$ Z+ D3 @7 d
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M5 P* j( Z/ ^; _6 e
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M1 h- G [; c T/ [4 ^- O
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
6 V3 f& l0 x# t0 |6 u| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M* P2 _" q$ z: }4 l6 ]1 O
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
% y) T3 ~& d: q6 g# Q3 p/ a| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
4 R4 P% G4 i1 X) ^2 [% f% || | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M' I- [) _# o: z+ Z; U+ O
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
' T3 ]& ]: d$ ~; m) q$ }├──12--机器学习与大数据-推荐系统项目实战 ; p8 E. d! z" {, ]# r; g! {
| ├──1--推荐系统--流程与架构
" D) C/ ^0 m' F| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
1 W4 t" z5 J* {" Z0 X| | ├──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 ^9 N: e/ s O' S1 y/ ~" o| | ├──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
8 e+ W7 m5 @6 U8 _| | ├──12-推荐系统_数据源_1 .mp4 79.07M
" e2 a; S3 ~/ I4 `8 Y$ ~& B. n| | ├──13-推荐系统_数据源_2 .mp4 82.90M
/ c) C4 g5 H' M+ [' B8 `| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
/ n0 l9 m( I! x& S1 B| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
% p2 r- z% N' |: S5 A| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
0 M6 [7 F8 y0 f1 A| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M& {2 @% i* Y8 q7 z) b5 j; x+ v4 Y
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
8 ]' Y) k( m3 c7 G& N5 E| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
7 k. ?, f; k2 E8 p| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
* f! M; s. s/ r. a| | └──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
% Q# X4 X D) W0 o& L| ├──2--推荐系统--数据预处理和模型构建评估实战 0 S3 M! G. v: T1 D& u" Q" O$ N
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M E# S) u. m2 g
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M3 s( x5 f3 {- @- t$ H: I! L- Z8 A
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
' j; V2 J0 m# ?( o8 l8 N| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M* h; Y4 q- H3 ?& I) O" O
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M% s1 ?/ i2 z: q+ r/ ]
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M. s1 C$ t% Z2 B8 g U9 G$ z8 ]9 J
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
! `2 F+ L: e( q' V$ X4 N, v/ w6 N| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M7 w" z0 r3 }# ?
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
z7 ?; E7 K" B* ?- E| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
+ B3 f8 `2 T; ]2 F" }5 B| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M" t" Y8 p5 ]& @4 v8 V5 f5 G% {
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
6 q4 X1 d4 Q2 {, h7 a| └──3--推荐系统--模型使用和推荐服务 A% P* z9 l& I# W, l: R9 c! Y+ L
| | ├──1-推荐模型文件使用思路 .mp4 61.89M3 B2 `# n* Y. `: v9 y
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M* G% k& @4 _" J" R- h
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M- k: f! F' R: v) ?& X; s
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M5 \- Q8 Z2 j/ |% g
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
+ g+ d& ?4 E1 X| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
k& l8 F2 ~7 L. j2 M! O' k. L| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
6 `; P3 z8 ^. Z9 ^7 \( k- u| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M) `! l. F( \, i& u3 d1 b
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M7 V, Z, ^- ?- y! y0 N2 q6 @0 r8 O
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M! G3 ^9 E6 t7 H' F: }- g
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
7 w7 v* E1 L0 q$ Y| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
; z& A. D- X7 h6 v├──13--深度学习-原理和进阶 0 t) {+ k8 K) ~& @6 x4 O% T$ k6 l
| ├──1--神经网络算法
5 ]( l, P* \2 y) M: || | ├──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
0 C" s. J3 ^$ |6 T, n: M( q6 S| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
8 E6 d4 W7 y7 e1 S {4 s. t n* ^| | ├──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 67.67M4 Y" }& n, P4 M- j
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
, G% m* K% q( {/ B% f+ S9 D" ~| | ├──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
& s/ x6 y* ^7 U| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
7 J" X+ S" O$ I! G) m7 _9 V| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M( ^& s1 Q/ R' B, a+ X+ s& h
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
: t0 ?" H+ T3 ]9 I# Z7 s| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
) c" F9 z' A# p7 O, g. X+ B9 B| ├──2--TensorFlow深度学习工具 3 p' U& n r+ R J/ W7 Z7 @0 _
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M4 T2 N" B8 a9 c# e' r" \
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
- i# j* J* D9 `' E- N9 V| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
6 F' o" S: T: S* ^, v| | ├──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; u- M$ p0 q/ _% X
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
2 r7 p0 g1 U+ b6 ^| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M6 g4 ?( b& |, d$ m
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M: M8 [& z5 p/ b
| └──3--反向传播推导_Python代码实现神经网络 , c' u7 W" K- y; _) g
| | ├──1-反向传播_链式求导法则 .mp4 86.47M/ h# l% g6 C0 h w$ a) Q% z
| | ├──2-反向传播推导(一) .mp4 127.90M3 v/ y) _* u1 m% `# V, l2 I. L
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
2 q( ~3 H$ \# g x- {| | ├──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
8 i; d2 V$ I" W- |) T8 i| | ├──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
u2 W0 Y! \/ { D0 ^) b| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M$ o' N6 R: ~: w' s1 H
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
9 t4 O2 d! c9 ]7 O: P, o$ ]/ R├──14--深度学习-图像识别原理 ! b& L* P- }4 I9 X5 F# J
| ├──1--卷积神经网络原理
3 B; X+ M( M F: s1 i. }" |$ Q2 j" h| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M- O9 g4 j' i$ `( I$ X
| | ├──2-单通道卷积的计算 .mp4 104.01M
% ]0 V- S5 V$ x! n; R$ E. D( S% _| | ├──3-彩色图片卷积的计算 .mp4 52.79M
0 a2 H. H% K, ^7 N| | ├──4-卷积层权值共享 .mp4 63.93M
+ M8 X9 B1 p! U/ W( k6 j| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
+ \" d. }+ g) {) ~4 M| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M4 I/ r6 c3 w8 T+ Q$ v4 V/ |2 t
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
4 {+ ?8 s7 n+ T4 S" b/ i8 U- [| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
5 E7 \1 `' G1 [| ├──2--卷积神经网络优化 7 E: y/ R8 o" F0 ]3 M
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M1 L9 q2 ?4 s1 l3 ?
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M8 B, a1 F! f J, k+ R
| | ├──11-Optimizer_Adam .mp4 141.12M
. t; r) e* T9 S3 D% e. X7 o| | ├──2-Dropout技术点思想和运用 .mp4 113.94M0 \% Z" b2 Y- T- N) i( \/ x
| | ├──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
3 r0 i) Z7 w. R1 n" Q+ q+ R4 p4 k| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M" @. X5 Z0 Y& v1 A' g
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M' P$ s; D+ g {
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
5 T+ z/ j2 |7 @ O| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
8 | t0 y' a! H# Y( s, P| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
3 @+ s% e# v2 V+ J; [| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
g% R6 C( }) h# {! `" O| ├──3--经典卷积网络算法
6 q4 } O2 E* Q0 L| | ├──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
9 I; g7 g8 p. b' o5 E5 c# U& d| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M. |' J0 z, l* G6 i" ?
| | ├──3-InceptionV1_V2 .mp4 165.86M. d" _; {0 G; S6 Z8 R4 S5 H9 V( T
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
5 G& ` e! ~2 \) X4 j| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
, G# u# m6 D" L; k& || | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
5 ~( |9 T. L) H2 B% ~1 }. E| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
9 q; r& b9 B* C( ~| | ├──8-BatchNormalization .mp4 99.23M* Z& |& m: F, i m r, O% f, c
| | └──9-Mobilenet网络架构 .mp4 150.05M
; ?/ V" o* S- Q7 w| ├──4--古典目标检测 4 E/ r/ G2 a9 O1 A7 ~& |9 E
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M; n7 m* O) E# D& f( G/ O0 u
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
: M# r7 ?; D1 g# O q! x| | ├──3-IOU以及python计算的代码 .mp4 23.56M
* s0 b# H7 o: L% S| | ├──4-R-CNN和SPP-net .mp4 124.06M
( K4 y9 o2 S' h9 D6 u| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M6 |4 x7 T+ y5 H
| └──5--现代目标检测之FasterRCNN
7 G5 D9 ?. M3 B| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
/ C2 A7 O# k d1 e) n ]4 s& q: ~| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
! b! F8 }1 d) d' Q8 m" D0 d H" q| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
r# r6 @1 @( E Y5 I| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M4 ], M9 J$ g& Y* U8 e, |/ `
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
% M" ~2 B) K# p- T4 C6 J├──15--深度学习-图像识别项目实战
. m& G) u- g- [8 R, U+ Y| ├──1--车牌识别
5 { g0 q/ E* n: F| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M* P( l. u( k% P; O0 P
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
4 f0 A$ w6 o8 q" M0 C$ W| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M9 \( c8 M" e1 N( g; s, F0 V/ Z& }
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
/ t5 a8 J0 ?' M2 ]1 D| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
. D# D/ [. v9 ]' r* b| ├──2--自然场景下的目标检测及源码分析 4 t- ^$ E' C. K/ p$ L
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M5 a2 M/ f. F# ~2 @
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M* w1 A6 A( q" U7 V5 N- I3 W, p3 Q9 Z
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M" ]8 u9 s, _2 s) d
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
3 N: R A+ p! `9 w5 q% `% i- I+ }, ~| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M {: O( \: h* {! F, @
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M, N; w# q; r5 N( R7 m& _
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
2 ?3 _0 U0 Y6 _| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
% i: A5 g4 T! @$ V# e0 {| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
7 @! n4 f! ?" y; C' a- ~8 t| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
8 C/ t* t" }9 v6 D& s| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
" D- Q- L' R! \& I, g7 k| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
. P2 Y5 e# M8 G" r| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M7 o+ M# h3 x8 o4 k9 O0 X0 H
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
% x0 M* l' u+ Y, u' d: ~# i$ m| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M# Z6 n. ~+ V6 [* b, @' D, o5 P
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
$ x! E6 p6 ^1 a2 i2 S" A) W; G4 q3 g, s| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
# k1 h' E X; b, F$ s2 } r% m0 T/ r: g4 a' u| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M0 |- _3 e9 g' B# b
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M. H5 t) l/ J5 D0 N2 f. T7 f: n
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M) c( W# s( X, B$ p
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
& n) m. J! e' G! P R| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
7 Q( x) K. r. ?- c| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
- i8 ^0 v- r1 }+ V J2 e& {| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M/ K! i" L# }( }' B' r8 Y
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
& s/ a! ^1 W6 ]# {. m| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M% w9 ?1 S1 C5 }6 e) e5 c! O
| └──3--图像风格迁移
( _' y& Y% v( l* q S# \+ L| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M6 b4 t; r5 {6 ]! d. e- n
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M6 D+ F- S% _* l: I" Z7 R5 Q
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M2 ?( Q: r- ]" d) w6 P
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
+ D. R2 @3 \$ a& Q├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
( z5 ^) ]$ b3 i1 r4 B( ^" A# {6 `| ├──1--YOLOv1详解
, f6 ?) E# ]: O& G$ q" O7 i; Q0 [| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
: x3 P& o; |( g% n| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
& m8 y; d8 l) H$ w8 U, `| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M9 g: q( T. x9 N* n5 Z& Y$ e
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
" B7 h4 P* {# Y7 _0 T3 L4 Z0 h| ├──2--YOLOv2详解 3 { `' ?) ]: H+ Z( [3 o/ U
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M7 E% U/ m( h' t9 O" P) M" W
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
9 [+ B6 S" p* j" j) I| | ├──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
0 W0 t9 Q+ h0 T9 _| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M7 L/ n: I [; N7 A/ D9 W
| ├──3--YOLOv3详解
! t6 r$ E* r s( ^| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
/ Q2 P& q1 d1 e4 n8 r: 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
8 ^9 l. P9 e0 b+ m$ x| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
; ~6 J/ Y/ e- d/ d5 I1 _| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
: e* o- W1 g1 u3 v g! k8 v| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M$ C) q) A G" t8 D, q
| ├──4--YOLOv3代码实战 1 {5 Z9 u: v0 i5 {8 D2 p
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M; O4 W. G4 {6 U8 i
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
! E8 I; _/ W' O: Y& e9 j7 w| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M G H" v9 y( N! S/ L( O
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
" E) m/ L! y2 l3 H; s# c* W3 x! k| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
- N$ m. s- y! }3 K1 g| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M; X) S$ `+ w& [* c. q
| └──5--YOLOv4详解
; ^6 F, Y% B0 o6 J, _: Q| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M+ i& x3 g- ?! @/ f
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
( S" j x& ~" o* B* _+ q| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
" r# i( I! E# D2 L| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M, p* I; n8 N1 Y8 {- u1 c
├──17--深度学习-语义分割原理和实战 % `5 U2 h2 Q y9 x3 }: A; t
| ├──1--上采样_双线性插值_转置卷积
+ D/ H0 q) ~1 Q% j| | ├──1-前言 .mp4 19.46M
; q. Y8 N/ m3 f+ m, C| | ├──2-上采样_repeat .mp4 23.90M( E7 s0 Y% f" x9 W9 m
| | ├──3-线性插值 .mp4 34.48M
0 ^) Q8 H3 s0 A- { Z5 U| | ├──4-双线性插值 .mp4 125.71M
, O6 ?- b: Y7 j7 [ H) j9 F| | ├──5-转置卷积_以及TF的API .mp4 114.25M
$ b: x3 B! o, Y! `| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
+ x, U. k+ k9 m2 y, Z| | ├──7-ROI Align .mp4 58.38M
+ _1 ?/ m e# W z1 m/ I| | ├──8-FPN思想与网络结构 .mp4 92.14M F4 _7 }, I# N; v' \
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M7 _% u( y3 W: ]" l% s' V$ P& _
| ├──2--医疗图像UNet语义分割
- [* i6 |* T+ Y6 A) ?& f& l| | ├──1-语义分割的基本概念 .mp4 18.33M
$ m4 I( M9 d3 L+ V. D' z| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M5 K0 [! j! O, p2 S2 _
| | ├──3-UNet网络结构 .mp4 30.41M
7 i9 i6 i" d/ H, e| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M8 T3 ^' c6 f1 ~. i
| └──3--蒙版弹幕MaskRCNN语义分割
: g1 L" u2 a6 Z2 L: a+ f: y| | ├──1-MaskRCNN网络结构 .mp4 106.38M
' W' l2 [& q6 R! b| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
: G, G% R% I0 y3 c| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M, S- g5 H; m6 q" Z2 ?
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
8 f _' u0 ^) h( N; C| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
Z' @2 K; p* u' E| | └──6-MaskRCNN源码config和model .mp4 244.48M
8 ]2 ~3 E0 Q, X7 i& T* F├──18--深度学习-人脸识别项目实战 ' [4 c0 V- N# P0 L* a+ N! j2 k
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
( `1 [) B$ k' _3 k6 D2 ^% ~2 ]4 || ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M( N! ~4 w! j1 n
| ├──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( c( f" x% T) d
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M" R* y. p! v0 j$ q$ Q. S/ d
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M6 x0 T) B# o. I( H
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M* L; V' e& j& }$ Y! ]9 b, F2 g
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M4 I' K3 l8 W1 ?8 n: J
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M$ `7 o: f" Y; M( d
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
# F w( L, e, g# O| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
" s8 h$ U9 {( H7 O1 d| ├──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
p5 h+ m+ Y9 [6 h| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
* c2 m: H) H& t& m| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
' {% o; ~0 A. L2 g4 z| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M; V1 G$ o, V- t' a7 G) f: c+ g0 d
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M! @7 n$ p B! b+ F! W/ z
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
* e4 v# @% p) @9 _| ├──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
2 Q7 `* q: J4 ?, d- c| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
) w: K: s: f/ T/ p| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
, h- i% [# ]: e9 H├──19--深度学习-NLP自然语言处理原理和进阶 ' V' T. Z7 Q9 Q- d5 Y. I
| ├──1--词向量与词嵌入 / @3 Y% x9 W! y! o& c
| | ├──1-N-gram语言模型 .mp4 116.32M" U9 k- {% E( y% B
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
5 m" }3 b4 f. `/ j% e| | ├──3-词向量的作用 .mp4 58.00M
) w5 z, a4 t; O| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
3 e6 r/ S; X4 ?| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
' G. l$ L4 a& a" m* q| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
7 A7 w, m* f& C# H# v| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M# x" i; W5 _1 R7 L2 ^0 M- {; e
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
. \3 S1 P3 r: g& P! N4 e$ {$ F. f| ├──2--循环神经网络原理与优化
# X$ X X; i6 s| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M7 k# h! b+ H# m0 s, Z
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
( ^5 I5 o3 ?( ]# a3 n9 U' L| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
, T5 Z1 i) \' [8 b5 f( q i% W" d| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M; ]& s c0 P% r! e
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M+ Z' N' K+ I, N' m" B7 T, @9 T6 m
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M, t# A- ^) F0 a# H* d3 e7 Z1 h
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
9 v" B# `9 d. y% \$ S8 f| | ├──8-双向RNN_LSTM .mp4 52.01M# A* W) b, L4 \% Z) S. [4 K
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M. M( j$ V$ I2 L+ L# j4 a3 k
| ├──3--从Attention机制到Transformer
+ ?& j2 N$ v, i4 w I' b, r| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
! ~% c: {& ~, F| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
' w) K/ O' ]! ` w| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
9 C$ B& O) U' C3 u- y2 T| └──4--ELMO_BERT_GPT
# d5 c1 N# B1 w| | ├──1-ELMO .mp4 62.44M2 }# H M3 A- V0 f0 m
| | ├──2-BERT理论 .mp4 99.73M
+ ~. ]" K) P( E: |# B, d$ F| | └──3-ERNIE_GPT .mp4 56.34M
1 Z; s8 {) B1 d' L9 p) y/ i1 c2 S├──2--人工智能基础-Python基础
; ~4 u/ { z% S. w$ N- e| ├──1--Python开发环境搭建 # y4 Y# |7 j6 d6 F0 k' ^. r
| | ├──1-下载Miniconda运行环境 .mp4 100.75M" O6 H3 v" P2 p8 ]: [
| | ├──2-Miniconda安装和测试 .mp4 57.12M7 R9 \# b1 G. l+ X5 x
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
. i; ? ^+ |9 @/ w( ?! v9 {* A1 `| | ├──4-Jupyter安装和代码运行 .mp4 37.10M; K% T& ~ P% M8 A1 h, ?
| | ├──5-Jupyter常用快捷键 .mp4 32.23M' ~6 B4 U+ }: s/ V
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
, W3 B- @) B. c" P' c| | └──7-关联虚拟环境运行代码 .mp4 38.14M \0 _0 [3 F/ Y) R( y; ~: h+ M
| └──2--Python基础语法 8 V0 y. g9 k* [, ~: w; z6 T
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
: e' N8 D: s: Y9 A+ U, e: K| | ├──10-Python_集合操作_列表 .mp4 34.71M+ }( e) E0 ^. c1 n* r* a, _# Q
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
1 {# R. k5 y1 }. d& i| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M' o) e# t) T- a5 n$ U
| | ├──13-Python_集合操作_元组 .mp4 43.46M
0 ~% L: n0 `' A2 O+ ?& m| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M0 I2 g1 b* U+ Y6 C: l
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M; S9 N' [6 \+ M4 J" e
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M1 ]' q" [; }3 g* B1 ~; T/ V
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
& e) g z; K7 ?. g% I5 F& I7 ^| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M1 T! p! j x6 h% ]; w7 K
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M! j: t7 { b" G) N
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
* S! _6 N! E+ r# A1 T" f| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
$ ~' u- s8 a1 }9 d' _. ]! @ P+ r| | ├──21-Python_函数_递归 .mp4 23.46M$ x$ D# A( }2 A+ C7 f% |
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M7 s% V7 t9 w3 c6 C! ~4 a8 Z9 F
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M, T d6 p% p* [
| | ├──24-Python_函数_闭包 .mp4 41.61M
& o4 g% s8 J8 w: G$ }/ V$ F| | ├──25-Python_函数_装饰器 .mp4 30.35M
' g5 B. ]- _. |9 P| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
4 y, R$ a( [* n/ S( Z; ?7 || | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M& x) \, h, o- h; O5 \
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
, R, h9 i# s5 c+ ^9 E5 |/ p! }| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
1 K/ o: |4 Z5 H0 H| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M6 b" F0 P, Y% N+ |+ n4 _9 p; G8 j
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M( t1 A/ b: q V/ L
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M2 Q+ s& q7 h1 k! _! q
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
/ @1 b# J) a6 u5 K* q0 w) V| | ├──5-Python_控制语句_for循环 .mp4 22.82M4 D: s+ [3 F* C" U
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
9 F/ r/ e; {! Z| | ├──7-Python_控制语句_break_continue .mp4 25.23M
, ^8 G. m/ F: n x6 y| | ├──8-Python_切片操作 .mp4 40.20M" D+ R, a/ z5 A# w
| | └──9-Python_数据类型 .mp4 25.38M, n2 M3 T; `& r- I) }4 x
├──20--深度学习-NLP自然语言处理项目实战
/ q# f+ { F o7 k: ?8 K+ E| ├──1--词向量
9 o6 {6 C) d! a& g/ F6 u) X| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M* H2 v7 {" \8 t; F. j' O
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M/ Y. p' P5 [1 o# f
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
! L" g2 ]$ W! J& N8 u) c( J3 b| | ├──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. h% v. Q. Y5 O# w$ r/ E
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M, s# Y9 v- a% H% g8 ?: l
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M' z. T* Z1 q9 X8 [& m
| ├──2--自然语言处理--情感分析
( H |3 n. K: _1 K( A: i2 e| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M6 n" n+ [, y- U r. C# u* o$ X: I
| | ├──2-数据预处理_01 .mp4 79.65M
; ^: v# o9 z' H: u7 e- F6 y| | ├──3-数据预处理_02 .mp4 45.68M
2 k0 A# ~, W& N7 \2 D! X: I+ w1 r| | ├──4-代码讲解_01 .mp4 52.29M$ C' n% H$ E; d' {# X
| | ├──5-代码讲解_02 .mp4 60.85M) ]( I% V( ~: M7 A0 B
| | ├──6-代码讲解_03 .mp4 53.89M2 w8 {5 K5 ]% J! c$ s
| | ├──7-代码讲解_04 .mp4 57.19M
7 h% N) `. u( R, d9 B0 k! k0 U| | └──8-代码讲解_05 .mp4 35.88M
8 f% b: y( k. N3 ]| ├──3--AI写唐诗 + s7 c' M9 o1 k' u* w0 Q
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
) T4 i& d* i; q, L| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
, x* B1 T& s/ ?% w| | ├──3-MultiRNNCell单元 .mp4 38.93M: m* j5 o* A$ }, _2 G
| | ├──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 @' k- y. ?2 ?# I, y8 y4 Z. H9 K( g F
| | ├──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
3 {+ @5 }8 Z' C8 P7 O# e8 w& Q| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
* i+ w9 j! U8 k# m| ├──4--Seq2Seq聊天机器人
2 t: A$ \5 q& e+ `9 w8 G1 U| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M% }" X' T* l0 Z2 m# b$ n3 _5 @
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
* x4 R" k+ A( e9 ^ q( J. ]! @7 h| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M3 P: ^3 J3 q$ m) w& I' u
| ├──5--实战NER命名实体识别项目 0 W3 q" r# i2 g+ w p, E0 Y7 u7 b
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
8 s* i) C" ]+ l6 a8 C| | ├──2-介绍了代码目录结构 .mp4 23.44M. E, f0 B3 c D) k
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
0 g! R' |' P" [| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M. R6 M# f; p* ^) d; ^; r/ l
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
$ m2 I$ V* B; K- ^3 ~8 || | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
5 Y: e8 K5 R6 Y. {| | ├──7-CRF中的特征函数们 .mp4 125.97M: v. N( o4 c* ~
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M, L Y4 ^9 F6 Q& Q+ t) e! Z9 T
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M @$ f, z7 o" U# K* P7 q" y
| ├──6--BERT新浪新闻10分类项目 3 P2 [' i+ f, s4 U& W: m) Z
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
: v& \, p% o2 D% i3 m! d' R| └──7--GPT2聊天机器人
* ~. n+ \* u4 O3 N ]2 [| | └──1-GPT2闲聊机器人 .mp4 62.28M
2 b8 f- a. Y% e* ?* ]" S8 s├──21--深度学习-OCR文本识别
" H5 o3 P- z* [0 W| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M0 L G8 g! a6 O6 E- E4 A( b
| ├──10-CRNN项目代码剖析 .mp4 306.48M
. O" G% c) e' D% P; ^, ^| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
! w; }9 E6 I! y| ├──3-OCR识别的CTC损失思想 .mp4 327.69M+ Q: h* t. S5 V) s8 p8 M; ~% e9 U, ^
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
8 G0 e" Y `1 l8 @( H' M$ ^" V* [- ~| ├──5-CTC损失函数的理解 .mp4 330.64M
' k5 Y/ F+ n% d% j) x: C/ l| ├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4 200.52M9 A4 @- `: Z% _' c% b( [
| ├──7-CTC前向后向算法代码 .mp4 225.41M
3 f! L* B- C1 l| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M! g2 t# E& E: G l" ?* f* S
| └──9-CPTN项目代码剖析 .mp4 491.69M
( g& w) a* t2 A. J# m4 I# M├──24--【加课】Pytorch项目实战
1 B2 _! Q: J0 F6 r| ├──1--PyTorch运行环境安装_运行环境测试 : ]9 e0 ?3 Y! {! N( ~2 \9 s
| | ├──1-PyTorch概述 .mp4 29.29M5 e1 P" B; f6 H6 _% X- z/ l8 m6 _, S
| | ├──2-PyTorch的安装 .mp4 76.45M
$ f; [$ Q5 J" m$ _6 L2 M5 ^| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
5 P7 c2 j+ s, A2 ^| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M2 ^6 { p+ z3 q, h
| ├──2--PyTorch基础_Tensor张量运算
9 ^7 w5 s' l+ L3 @, x5 k+ ]* V6 b2 t5 P| | ├──1-Tensor的创建 .mp4 55.14M
$ [( z+ e* ]( u3 U0 Y/ u. ~+ t" T| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M& c% ^. j0 c! q1 g
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
# h& {. w" f9 W/ M/ p% x| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M. p& \3 g1 }0 H' N# U
| ├──3--PyTorch卷积神经网络_实战CIFAR10 8 I3 I5 p6 F6 C: S+ @
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
+ ^( a3 [4 x/ A$ X| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M" [$ K5 s# w6 ^" Q1 d, u
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M3 N" J/ B' } s. `& G0 j/ d
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M5 q# R; w6 N$ Q i
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
9 g$ y" a4 y6 \4 m: p1 x! [| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M/ J' k6 W% O* y: r
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M8 u$ F4 m8 D- X- j* m& x
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
1 [6 Z8 S" X' X9 k" y# s2 z4 J| | ├──8-torchvision里面的预训练模型 .mp4 29.84M/ `+ E+ [+ L7 ^) b8 s2 j) w
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M+ m! ]$ f$ B' a$ v4 Q" x. x& g5 y
| ├──4--PyTorch循环神经网络_词性标注 & |8 j8 U' `$ y" n5 ~: R0 ?
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
6 d5 e, g" P& t| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
/ `: D5 f- c4 c( {' @2 g| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
W, | J+ h$ X6 k| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M6 ?$ ], v) q" J. D7 v, W" ~
| └──5--PyTorch编码器解码器_机器翻译
. B! D, @- M* b. a$ T| | ├──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' }* V4 N3 O# {, M- ?% W$ [
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M5 }/ _; y4 Q! [( k5 I& v: C2 p$ Z
| | ├──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 57.69M8 I v+ c# v( S5 t+ K* J
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
% W! R& Y! w/ n8 Q+ K) k| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
6 ~9 b ~- y2 Q| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M! G/ n" a2 z# N* G% i
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
: h! p4 _0 b' k! ]- H* Z| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M9 h8 m6 p7 Z2 v/ D- P( ^ k
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 ; G' f" W0 Z1 M, U
| ├──1--PaddlePaddle框架安装_波士顿房价预测 ; S8 S: P1 j @2 s0 z% l
| | ├──1-安装PaddlePaddle .mp4 87.34M. ?, F8 B# c8 e: b8 H \5 S2 ^
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M( f6 ~1 x; o) f5 a) ^# O, ]+ V
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
; k, N' n6 Z1 K6 V$ A+ W| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
) c' x3 j; S* k8 m- e| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
3 b" D+ G& d5 d& k" ?! x7 k# ?| ├──2--PaddlePaddle卷积网络_病理性近视识别 5 D: U7 ]* k, S
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
$ c* `! t0 F+ v+ c G9 \" T| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
j) } C. B, l" v0 J/ c| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
T# Z# C ?; ?6 Z2 H| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M2 t4 c$ o7 Y, g1 L' L
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
. a2 V! f' C# a+ i/ `| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
% n2 v' o8 a [+ Z: C& A3 T| | ├──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+ m5 `2 i' |/ i/ @( B
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
" U* m4 B$ S( g! ~! k r/ q| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
0 B5 ~ O+ e0 l5 T| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
Y0 D6 }1 K1 k% w6 U| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
6 q# ?/ H- b0 b! C, `: @. |$ R: q| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M7 o, e0 ?, i7 D
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) + W, ]& Q' f/ K0 E: G1 E
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
% x* V; [1 X; n| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
; M. o" F, q$ c| | ├──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+ I. [# `3 ]9 [+ O5 Z
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
M% `! h3 G @# s0 \* k) P| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
5 T: F: M, y3 M0 _! C6 _3 Q+ {| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M6 |5 |* e$ L5 Z) e
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） ! ~2 D" @$ B# Z6 E0 x" j! C
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
6 o% M$ R3 o3 L' [* O) J/ \! m B7 ]| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
% L- T% i, x% ~% b2 H| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M+ G5 L0 D* b" x
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M& F# p$ z: X* y" u* v
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M$ E: f4 S& M/ {. u1 V( P, y
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
" Z/ h' ?) }. S/ C, J8 [2 m- P| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
/ Z. A! d# c% Z; ? S. N: {| | └──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
- g% Y5 d1 O5 |5 \! t. ~8 h| └──6--PaddleNLP模块_物流信息提取（ERNIE版） - z, i t* _+ l: D' E
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
" x( T+ \1 P2 k, a+ [| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
g5 T9 X$ B: f; y( l' t- I0 h| | ├──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" o& z3 q: J* o8 O
| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M4 n. v& Z' P6 }' q( [
├──26--【加课】Linux 环境编程基础
; x+ c0 T3 k L2 _& @| └──1--Linux
b& W6 y( O5 d3 B; K| | ├──1-Linux_课程介绍 .mp4 3.72M
* L' X2 B* r" e; \; U* ]| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M, j7 k' D7 U& q# U! J
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M( q' V+ j( R1 s6 b: E
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M/ v# ^8 L9 j" h4 k0 N
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M& l# j4 ~5 i" R) X* G/ l5 p+ s
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M2 n* I: {0 Z' P+ F
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
# q1 ]1 d! c- v+ ]+ m5 U| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M* }3 ]' L s+ _, ?. f
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M: |6 h' F% \0 c1 Y& Z# @, C
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
4 l) f0 d7 y/ k8 V| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
7 k! G# x8 ^. L' n& M: s| | ├──2-Linux_Linux简介 .mp4 17.59M
6 R3 o8 X& d) f9 Z6 `6 `| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
: b, |3 t4 u3 _| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
9 E- z. `; t& h- ~6 \ s| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M5 y0 V5 E# H& {, N& Z
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
W/ l* y+ V3 E( _% T% G! K| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
% ~% f) D8 v/ I0 J| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M6 @& C' H( e9 {) r2 }& O
| | ├──26-Linux_安装MySQL .mp4 79.02M
- L5 v+ p o: ^3 P| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M9 }8 x! |( i9 N
| | ├──4-Linux_安装Linux .mp4 41.97M
% y1 H4 S1 o; r* M) c4 _% X| | ├──5-Linux_目录介绍 .mp4 20.31M* i& O d2 j. I ^2 y9 [
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
3 P- z% e4 n* Q; o0 D| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
/ T% {1 X" E% F; \/ v3 P| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M. G1 L4 l* h% L) _! K8 Z
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
$ z, w4 u9 A; a* R- w: W├──27--【加课】算法与数据结构 * [5 r2 U/ ~: [/ C9 R
| └──1--算法与数据结构
! z. ]7 w# ^# j' T( u6 v| | ├──1-数据结构与算法简介 .mp4 35.68M
6 X' C2 ^$ @" s2 m O, @| | ├──10-哈希表的基本结构 .mp4 54.34M. x. p& Z2 N# Z" a
| | ├──11-哈希表冲突问题 .mp4 75.92M
9 q) I2 V: y! M& C# C| | ├──12-哈希表冲突问题2 .mp4 72.30M
6 v9 t/ I1 U6 d; C/ z| | ├──13-哈希扩容 .mp4 111.03M
. n7 v8 q" D) }4 Y0 V& E' j| | ├──14-递归与栈 .mp4 50.77M
6 g1 J9 x5 |4 W| | ├──15-线性查找 .mp4 57.80M
' G# i6 X+ R! [2 m) {( D$ o| | ├──16-二分查找 .mp4 52.32M
+ J" n, c( e }" M| | ├──17-冒泡排序 .mp4 53.19M
0 C2 X6 n5 I; o. p3 U5 G& J" @) ?4 n| | ├──18-选择排序 .mp4 43.29M7 F1 X! x" o, s9 |2 X: O
| | ├──19-插入排序 .mp4 31.39M
: o: c7 M, b' G2 x- [| | ├──2-大O表示法 .mp4 25.59M- x/ F& w. S; x# }$ b3 P8 G5 n# w
| | ├──20-归并排序 .mp4 84.48M" V+ h4 T% d% y1 \ {6 F% m9 j' j
| | ├──21-快速排序 .mp4 36.63M5 q k" V* Y. h C
| | ├──22-树结构 .mp4 96.85M7 g0 X/ L% D q$ e9 V# ]. E
| | ├──23-树结构的遍历 .mp4 61.05M
+ h- P9 w: b$ J1 E| | ├──24-最大堆的增加操作 .mp4 45.43M# I8 M7 H( r! p
| | ├──25-最大堆的删除操作 .mp4 45.63M
1 f( _% C$ t" T: U| | ├──26-二叉树的查找 .mp4 100.24M1 O' z) t; ?( \
| | ├──27-二叉树获取最小值 .mp4 25.21M+ n! `+ W5 o) n" J5 ]1 S
| | ├──28-二叉树的添加 .mp4 72.66M
, K1 Y0 Z) ~( m$ D4 g| | ├──29-二叉树的删除 .mp4 120.06M1 u8 m q* ^: Z% M$ s! G( b
| | ├──3-线性结构 .mp4 53.14M
7 O0 E8 O( l( r| | ├──4-单线链表1 .mp4 68.36M# W5 k/ ?9 [0 Y
| | ├──5-单链表2 .mp4 221.69M
6 S& \5 o A- |& ?( V$ `# i9 q| | ├──6-双链表 .mp4 103.57M
* u0 P7 f3 W% @, u* r| | ├──7-队列(链式) .mp4 74.12M
7 N, J( _/ s% R- a9 J/ O" ]. |& q| | ├──8-队列(线式) .mp4 30.99M2 z5 z# h& T5 f( M% z
| | └──9-栈与双端队列 .mp4 28.12M
, E+ j7 j+ j& i4 A% n* _├──3--人工智能基础-Python科学计算和可视化
$ @2 V6 [% r0 y# y3 m) P% B/ K/ c| ├──1--科学计算模型Numpy
+ q0 ~+ n' E3 `: H2 t* F5 Q- O; J8 ]| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M, o1 J" B' ]/ K- G( I% C3 c
| | ├──2-Numpy_array_arange .mp4 35.45M' K, V9 N4 Q% a
| | ├──3-Numpy_random随机数生成 .mp4 50.54M( `/ G6 }; _6 `
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
1 c! P9 ?# h* b8 @, L! z| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M1 v4 J5 H3 d5 |1 X! B6 V
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
. c) v6 k9 g8 r) L+ k| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M* @+ I* g1 Z8 D! B
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
, b* V0 i! A$ ]| | └──9-Numpy_聚合函数 .mp4 23.68M
. t0 h' G) Z, X) c| ├──2--数据可视化模块 - H7 [7 z7 P1 i7 X, _9 J
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
9 J0 c5 Y3 `3 R- n6 u6 F| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M( w& f* ?4 Y; O, s& u/ m
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M& l9 K$ s# Z& o! h" T/ z1 G8 z; G ]
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M5 U6 q+ \8 v: x. o. m
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
' l" @& W3 f/ D y9 [| └──3--数据处理分析模块Pandas - r+ Z2 E s* R Y. r4 z. `
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
% ~* ]9 Y0 `: A7 h8 t g| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M/ B" k9 Y: |) @) N( B3 t
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
- W9 D2 u7 k/ A3 M| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M* p5 z3 B' F) T& A; {8 P
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
. M# c5 D j$ C9 r; E| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
, y, k' a4 l' e: S! G. k| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
6 Q1 Q0 }; p2 R. h├──31--【加课】 强化学习【新增】 5 w D) [. V! v# O! @& S
| ├──1--Q-Learning与SARSA算法 6 P! r3 H3 {$ n2 N2 h
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M! d$ O7 Y$ b. ?0 F* b
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M+ v' A% j: J# R2 J6 p( Q
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
1 ~2 A/ T7 ]% H" q2 D| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
3 C+ j# j. t2 }+ F- a( J| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M% n. v) q0 F8 e6 O/ j- d
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
4 F! ?9 P; T* W; X$ W& g2 Q5 E' o3 ^| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
# Y/ G4 A3 D6 _$ P) d2 }( I7 g| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
3 K# `( g9 a0 g" Q5 v| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M0 @. W% t0 s8 n# K& s# V
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M6 C% I: U) ?1 j p
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
' @+ X* K( ]: ^: V$ H| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M0 m0 t6 J0 V$ a7 s8 [1 y- k
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
% }- \2 W& h, Z: X) \| ├──2--Deep Q-Learning Network 9 {+ n& V5 U: Z# n3 x$ U) o4 i. J3 n
| | ├──1-DQN算法思想 .mp4 59.24M
% i6 m8 j) T$ B V| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M- W9 V& ?: x0 Y! x" C4 B
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
, j) ~ O5 r" c| | ├──12-DuelingDQN .mp4 88.12M
0 J8 ~- \( g. }6 v7 j* P# I/ t| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M( g; \* ^" c% O; o3 k
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
7 s2 \; c1 w9 I) t| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
, ?2 _7 }9 y. }2 B| | ├──2-DQN算法具体流程 .mp4 56.17M( s& n7 n5 d% J% K
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
# i3 n9 A" r3 P4 K$ r% r| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
9 v% r% m) X2 @3 Z0 S/ z| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M) a) s! [0 D* m0 h' D
| | ├──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 M6 i. J$ F, o6 Z( g' ]5 E| | ├──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
, o) y# h6 B4 N6 y2 q8 S1 q6 [# f, X| | ├──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& v s2 ~( |3 j) F7 ]4 p0 O
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M0 W9 p! [* J# w0 D4 G4 h% `
| ├──3--Policy Gradient 策略梯度 2 k) S3 R8 {' R0 N: i; m
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
" d y# `- j5 O| | ├──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 34.22M6 u' n& Q* f/ P8 {. x
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
) z- i" Y* r, ], P7 Y" j9 R| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
7 l- g+ @$ H. ?! U* N }| | ├──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
3 z4 \ f# w5 p, U: G3 y| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
% c: D" B" _, e: Y| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
: v5 S1 s4 c4 c8 Q| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M# k# A4 E t m. `; m+ d, R/ p
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
( K0 [. c: G2 P# }| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M8 S/ d7 n7 u% P6 B V& L
| ├──4--Actor Critic (A3C) 6 z, u( q- H2 t8 M4 w9 @
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M% t* d6 z3 E5 n5 b P* S
| | ├──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, A# }% x. }' Y
| | ├──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/ Z& l( `1 \0 D6 t1 G
| | ├──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' ?/ `0 R6 y# N2 h7 o
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M, z& b. M( `+ f3 K1 L, E3 K' i4 @
| | ├──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 47.18M1 \" X' ?" C# l' `6 T/ l
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M3 ?3 H# A: P2 X
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
% B5 c3 |+ U8 j+ C3 H: i3 ~5 p| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M& `& l$ T: O X! D. w
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
) |7 e9 [5 X$ || | ├──6-A3C架构和训练流程 .mp4 74.66M# i; ~" X) o) V( z
| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M5 q% I- P8 w6 M+ }
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M4 K& p9 h8 m7 R% n4 p' M
| | └──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 36.62M9 Y/ w7 \4 e- Z( f; y% e
| └──5--DDPG、PPO、DPPO算法
% W- b0 J& o+ q& O* p ^| | ├──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, k& q* Z/ c( M, y; w
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M/ g. X2 g% ~+ r" e' I7 K% O
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M E: v6 |8 s, s: I
| | ├──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
" v# Y) c6 r/ i @| | ├──13-DPPO分布式PPO .mp4 63.81M
' g- g% V0 Y1 L1 P, ^| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
- L* t% M% R* ^. |( w' n| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M" t0 |- f- w; n; o, `7 Z' D" m
| | ├──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
8 K8 o1 [$ b% K- i4 `, w| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
: K# |8 ^9 h$ P| | ├──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
* G* m' M% S% g: e| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M' t% Y9 f3 A. B* A
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
- R3 P) ~, A- a| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
0 P+ y4 A; c R| | ├──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" w. W! l5 E0 ^
| | └──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 \! Q% g9 r+ x$ }+ N! `
├──4--人工智能基础-高等数学知识强化 * e. G0 n6 R! m' s& Z2 n! G9 B
| ├──1--数学内容概述
h& I" w: o( T3 H. ~0 L$ ~| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
) O G' @; v* [) {3 v| | ├──2-线性代数_概率论知识点 .mp4 26.81M' o" W* k) `' A4 {
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M' Z2 I' h/ M' W5 q
| ├──2--一元函数微分学
, ?( B# Z7 U0 r# C2 i1 G% O3 i/ }! W| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
5 Z: n" {& ]) w3 t| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
M9 D! k0 M8 h1 l2 z7 J| | ├──3-常见函数的求导公式 .mp4 22.76M
" F. m) U9 h' y; t6 J$ @! [| | ├──4-导数求解的四则运算法则 .mp4 26.52M/ F+ M* ^ r0 F% F w/ ^; l3 S
| | ├──5-复合函数求导法则 .mp4 19.68M3 ?( [2 l0 Z+ [( c' X
| | ├──6-推导激活函数的导函数 .mp4 33.40M
9 y6 J. Q3 ?6 i+ R5 _/ V1 s| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
% n7 s6 C8 ~: A! a& M3 z| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M- Z" P3 ?/ N3 N! \4 f9 k. a% H
| ├──3--线性代数基础 3 E- X1 n- p2 X; w9 p0 S
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M; t+ `, b( j6 r" X& K3 X
| | ├──10-矩阵的逆矩阵 .mp4 38.54M3 x; ]+ X; @: y9 w
| | ├──11-矩阵的行列式 .mp4 20.13M2 N0 G# b9 i! G9 e3 f7 f1 b
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
" _& t. `" M& W0 @9 ]| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
0 H( k9 R& h- A7 ?7 P| | ├──4-学习向量计算的用途举例 .mp4 20.32M# |: B) L# K9 T
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M, ~! y0 F' w. r+ x; E1 Y
| | ├──6-特殊的向量 .mp4 26.45M
) d; ~; U4 V) B \2 \* P| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M5 M! l, ]& Y) C
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M4 s# v9 H0 u& e/ ~0 g% Z
| | └──9-矩阵相乘 .mp4 20.02M
6 x# o e9 C, {+ ^/ c& j- n7 R| ├──4--多元函数微分学
y3 c. V8 l1 [& n| | ├──1-多元函数求偏导 .mp4 22.61M, m3 C. p7 {. _3 b( h
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
@4 D# X5 r, H v0 |/ b$ f| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
9 A* y) Q) _: K6 U( J! C- n) t| | └──4-Hessian矩阵 .mp4 32.93M
& M, q* E8 z+ L* E( Z| ├──5--线性代数高级 ' O2 w9 z& l* i" k6 {, P3 L6 v
| | ├──1-二次型 .mp4 27.70M
U, l( M7 l4 P/ j! I6 }. h4 u| | ├──10-SVD用于PCA降维 .mp4 24.90M* j$ W4 E4 V" ^5 ^' l
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M) ~5 y! O# o* H6 I
| | ├──2-补充关于正定负定的理解 .mp4 23.48M+ V" o, c/ p) B9 b
| | ├──3-特征值和特征向量(1) .mp4 29.83M q7 D) w- c; h! ~' P& T0 Z: W
| | ├──4-特征值和特征向量(2) .mp4 30.07M4 o1 Q& u0 \# D8 z7 w
| | ├──5-特征值分解 .mp4 38.68M! x0 U: {$ F/ y8 v
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
8 {" N G2 ~5 I- ?: n3 C; N| | ├──7-奇异值分解定义 .mp4 22.58M& v. _" E9 m) W# V U; k
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M- @6 b( Y& v L& l
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
7 c1 i8 X$ I( Y2 V7 Q S| ├──6--概率论
7 v* P) V3 [4 o7 h" @| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
$ ^9 y! X( U. X6 H; J' L- q| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M0 R( r6 p) R+ J, W; ~
| | ├──3-随机变量 .mp4 22.57M
3 b6 a9 O! v7 [& p* o9 S! `- T| | ├──4-数学期望和方差 .mp4 22.96M
) l/ f% K- O! A' V3 M5 D| | ├──5-常用随机变量服从的分布 .mp4 22.48M
. k( W% O- Q# `| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
" u) [% v1 W9 }6 m, v2 `; V9 e* i| | └──7-最大似然估计思想 .mp4 23.42M( P$ w% z- z# f Y* j
| └──7--最优化 ' L" V1 \0 M0 i3 C* n2 n: ^
| | ├──1-最优化的基本概念 .mp4 35.14M
) b4 R5 U: L* Q/ n# q$ L* I| | ├──10-拉格朗日函数 .mp4 27.46M
* A6 ~! Z ]" W% o* s5 j: K| | ├──2-迭代求解的原因 .mp4 20.15M- }+ K5 [7 i o" x% f
| | ├──3-梯度下降法思路 .mp4 26.33M
4 Z2 @: G4 U1 ]* }1 b$ I4 h| | ├──4-梯度下降法的推导 .mp4 43.56M
8 P$ A* y' z& l. N; y. G7 C8 U K. Z| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
% d! L( v0 t% b5 Y* h| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
7 l2 p B3 }5 N7 \0 i7 k6 @ l; K$ C| | ├──7-凸集 .mp4 21.90M
9 u) G& p' j/ }) a| | ├──8-凸函数 .mp4 16.93M! @4 c2 {8 k$ Z( r' L
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M5 ^6 a: f9 t/ C$ \0 r
├──5--机器学习-线性回归
$ \' k" b( Y) t% e, o| ├──1--多元线性回归
8 k9 T0 X0 ?5 n [) b% [| | ├──1-理解简单线性回归 .mp4 51.11M
# Q) d/ Q t) m: i* C+ o; h C9 Z| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
" l$ ?, @ ?+ J/ h: p, O| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
$ }: A0 X1 m+ D| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
2 h* c" L S7 L' N9 H" o| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
! x! O z) E% c! o4 S% c| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M! Q. S" ^0 Y- \
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
* u; @7 N( E1 j8 p) ?| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M4 c X; N. S5 l. ^
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M* T3 t a6 v( u, y8 J/ Q
| | ├──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
3 V* @- B) `- e3 M# c# Q9 L* X| | ├──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
- G& s4 ]3 m) e) C+ K| | ├──2-最优解_损失函数_MSE .mp4 39.58M
- F% C/ ~$ j! j+ M: R# J| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
" d8 |# V; N) U2 z* r8 Y| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M6 J, g2 j9 d: e1 b- F
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
0 {5 l: b9 a/ j) x& i2 L T+ S| | ├──3-扩展到多元线性回归 .mp4 32.15M
8 A# V% M* `' B1 K3 H/ X| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
! a1 Q; I: G0 W| | ├──5-理解维度这个概念 .mp4 41.41M" G/ z2 h6 q1 N( @9 H
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M2 O. F4 J. t; q! j
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
+ D1 r7 H. q2 m' Z# ^| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M" N: t8 y# t! Q+ U# w/ D: } ]' B
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
1 A+ Y! h4 T9 J; \3 I/ F! E; B3 D| ├──2--梯度下降法
/ B5 R+ u: y( C7 k- y" n7 i) n| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M7 F% I/ M) D2 W& I
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M4 ~ B/ M2 F6 F4 H+ m% X @
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M7 Q5 k% M* P& z& d2 ^( q% A3 s
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
& K% M2 ^5 E( y6 t0 M- D6 o| | ├──13-代码实现小批量梯度下降 .mp4 27.32M+ L7 R0 m1 C6 t4 S& _& [
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
9 v9 J7 i5 k( h% C| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M1 n9 [: b/ e* }4 c+ p* n
| | ├──2-梯度下降法公式 .mp4 57.12M
& u: x/ ]% z" ^1 u# D, || | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M" x. Y2 Y3 `. j8 h
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
( O9 b: m6 s7 f& L| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
+ \7 c! y# c, U/ ]| | ├──6-全量梯度下降 .mp4 62.84M6 p" h1 U, E4 ?
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
, ?# T2 a$ Y2 ]1 `. O' o2 m& ]4 C| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M" \% B5 Y4 r" Z( @
| | └──9-轮次和批次 .mp4 45.22M
" `+ r' E( a9 I| ├──3--归一化 , B' g% j2 L9 f6 _3 o
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M2 @; t* W! X/ |. z: } t
| | ├──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
' ^. x! P6 V* o4 c, {| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M" l8 V r( H+ L
| | ├──4-最大值最小值归一化 .mp4 24.87M! z1 a1 Q/ k! s& c9 z
| | ├──5-标准归一化 .mp4 51.86M: F0 {' ?8 x1 K7 b
| | └──6-代码完成标准归一化 .mp4 41.13M1 u" B8 P: k, v; q9 R
| ├──4--正则化 9 W3 g( p+ ?- h3 W9 J; A
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M5 D: |8 O4 ?! c5 G% p
| | ├──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 |, f5 x9 P# ^. N: @6 z8 X5 i$ U
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M( a7 u1 `- p9 E& H! u& r; ?
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M- ]7 u' c/ n, |: e
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M( i2 U8 F$ {8 \& m
| └──5--Lasso回归_Ridge回归_多项式回归
8 t7 p l9 @1 q% h/ D) X: d! L! A| | ├──1-代码调用Ridge岭回归 .mp4 76.32M& `' `. p5 S6 m, m
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
0 J0 a2 s8 J. \" c| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M+ |- w \/ B# U: h2 u3 S+ [! ?
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M& t0 B- z: r0 O; A6 j. M
| | ├──2-代码调用Lasso回归 .mp4 28.73M
; [ x# b7 ^# b* g7 Z1 D| | ├──3-代码调用ElasticNet回归 .mp4 53.67M* k: v! z* n0 M5 y
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
! k5 Z, r; u$ i7 S; M+ N| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M& h& z2 A. u. P' G: D
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M5 Z( r# m4 `' Z
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M) y/ q2 g1 g0 _' I) K" |! v
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M8 c' T! K4 y7 ~
| | └──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& ~+ g! G# }/ [; s6 g
├──6--机器学习-线性分类
, w* y% |- B3 Q+ q# u; U| ├──1--逻辑回归
# i9 Y- \7 B* R9 M8 j6 Q |& Q: \- y| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M0 N! N2 D8 G! T+ ^
| | ├──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
) u6 x# p& s3 Y3 B' r/ c- s. J| | ├──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! ^+ f1 R! x) d6 S
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M) Z9 g; |# q6 ^
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M5 q# A8 V! |4 k) h4 d' N
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
3 J) w# ~1 _0 P6 F# N7 a, w| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
" z! U4 U8 \! y: h& {5 P8 q| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
9 X! K! V8 I {+ Q, |! a| | ├──2-sigmoid函数作用 .mp4 38.15M; B, |3 i6 W" m4 _
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M9 ?$ l: ?2 G6 S1 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 41.97M2 w$ a3 M" k' V9 ^, K% S0 p
| | ├──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
0 p% j- _% O0 ]( d: j| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M# r& P4 O( K6 Q+ A9 `
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
: b, Q' T8 ]3 t3 `$ E Q& o- r| | ├──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% o U) ?" \/ \2 A" C( d6 B$ k
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M% [" G( L) I1 f* a( {, o
| ├──2--Softmax回归
' M* h& \. O& q0 @$ e| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M/ R$ ? I1 R4 W3 y
| | ├──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+ I" ^4 m4 s) N2 j- k# ?
| | ├──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
2 x" z' a& ?* D! w| | ├──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
. L" B( y4 K. Z# j| | ├──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, Q$ n; @3 b0 f h$ w" p* D
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
1 l: Y% X8 y) d1 N# N; A1 h f| | ├──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
$ A9 j6 R9 ~/ y) {, C& q& N| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M
3 d4 p* |& T1 _) U* [| | ├──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: z- _7 ~3 y6 i- W| | ├──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
" k$ u( e% g& M' G; T| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
1 ]$ v# @4 }% U1 I! q| | ├──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
R/ A/ i6 U( z% b| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M0 D; { f& b# _
| ├──3--SVM支持向量机算法
/ z8 j1 F* I0 e| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M" V' } n; d, k( }2 P
| | ├──2-SVM的思想 .mp4 55.56M
( ^2 Z! ^, n9 {! X4 U0 s| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M7 z8 f: ~& V3 z# }$ x
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M! S) L; x- C- Q" K6 n
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M9 \4 x) D+ [# [$ t
| | ├──6-总结硬间隔SVM .mp4 39.01M, X4 E0 B5 c% g: F6 o
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M3 `- u' v2 i. M6 ?( N3 m
| | ├──8-非线性SVM .mp4 54.43M+ |& }* Y8 c/ i- i) Z
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M* O) O' C0 W/ X7 b- ^9 q
| └──4--SMO优化算法 4 @9 [# S; T5 p) |# z( \: z, l* @
| | ├──1-SVM算法流程总结 .mp4 58.36M7 N5 n7 |2 c+ U4 f
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M3 h+ }3 ?, E1 n
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
5 d W9 |$ g7 r4 k2 W* I| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
$ }7 a) f) P9 [| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M+ g4 D5 p% O7 ?1 n" [5 u" ~! o
| | ├──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
! \' d$ M7 E" H$ v9 m# [! i' I| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M7 P5 F+ O" h' e2 |/ D3 v
| | ├──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 65.42M4 \3 x% V' p8 Z. \9 S. S
| | ├──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
; M6 W) W7 h( N| | ├──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" D" S7 {7 B: b+ }, i
| | ├──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& P, z- l1 p+ C a: p3 ?6 X+ b, I
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M) K/ _& I. C2 X0 M7 n, j; M
| | ├──7-启发式选择两个α .mp4 23.11M3 p6 y+ t A0 Z1 q1 g& T9 S
| | ├──8-如何计算阈值b .mp4 50.18M
* J+ ^5 P- T$ a" T| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M' K* H8 C$ U. C6 `# ^8 A
├──7--机器学习-无监督学习 ; ?$ T+ ~3 T4 t8 p' N8 }+ X3 ^
| ├──1--聚类系列算法
0 d+ r7 {& G- p- l! x: T| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M4 n! d+ x& i) B# w
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
( N& }! G8 t1 u% K+ G2 `. w| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M: G; n! E; d, X5 _, y3 \* h
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M( d/ S, g. O7 L6 p
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
. x! C! X2 l" v, u| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M2 Y- L+ ?4 x9 T+ ], L
| ├──2--EM算法和GMM高斯混合模型
: o# D. w2 v9 n; y8 E7 y3 N# l) R| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M& U1 g/ q; g7 ]7 v% ?% a: H0 F8 p
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M2 [. r( \: t* ^2 l
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
; i, E2 f4 n5 V0 K5 r- p: o| | ├──4-Jensen不等式的应用 .mp4 109.17M
3 g: Q$ e, P' w| | ├──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
7 k: m. F) s! O" N7 c| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
1 Z5 l2 N G; s/ t| | ├──7-GMM前景背景分离 .mp4 16.01M2 r# C* {% [( D! \$ Y4 Q
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
/ k R5 Z8 ]: S& n| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M" m; h) _3 F5 ^ O8 {8 l
| └──3--PCA降维算法
3 N) k8 j/ ^/ o2 Y( C| | ├──1-特征选择与特征映射 .mp4 49.38M/ K3 {' H7 }) W1 ]
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
% G" E/ R. n- Z8 ^" O| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
) @4 u- j2 Q& o! Q5 j| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
- G& d! O4 [5 f9 m| | └──5-PCA的几种应用 .mp4 54.58M6 Y2 M6 N* s: \. t" F8 x. L
├──8--机器学习-决策树系列 ) r& P9 p& h1 ~
| ├──1--决策树 , R, {% c* @1 N; `; u) A; ^% b
| | ├──1-决策树模型的特点 .mp4 74.88M$ C( [7 |; N% f" Q; E/ |/ C0 T
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M+ B* f5 J+ L f6 S8 L: C1 r5 ?
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
" i, W: B$ Y3 Z- D* n/ t| | ├──12-后剪枝的意义 .mp4 50.49M( r' e. G* `: E: _7 Q
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
$ g9 K+ k8 f" ^, j1 l! s5 `| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
" W2 z5 E9 B3 t3 u6 Z* Y| | ├──2-决策树的数学表达 .mp4 89.94M
6 Q$ T- k8 m9 }- w| | ├──3-如何构建一颗决策树 .mp4 84.87M
* Z8 W" x, Y2 L7 O# h, Y, G) T7 n| | ├──4-什么是更好的一次划分 .mp4 57.02M' @7 S( A. t& l7 ^, V$ L
| | ├──5-Gini系数 .mp4 107.54M
% K N4 s1 h5 p- w! _' a: x. || | ├──6-信息增益 .mp4 75.26M
( ~2 I" a! A: ?7 K. }, v| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M# J' s! ?! h0 q- D: X v8 t
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M- i* C" s) }; t
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
' W( U5 C( n/ o- ~; `, X| ├──2--集成学习和随机森林
# X- z- E9 @ @- z| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
1 P% {: N; o* q, j9 M$ N$ V| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M n4 H+ L2 K, A, _
| | ├──3-随机森林 .mp4 108.14M
# O6 N. g+ B8 D2 p( e| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M0 I3 @- _3 _. S# r/ q V
| | ├──5-OOB袋外数据 .mp4 106.07M1 {# M$ d/ X$ L- c' `# P
| | ├──6-Adaboost算法思路 .mp4 106.30M% e( h& z E' _$ s- n0 d* v! p
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
9 ^' t8 P: @' x* b" A o+ U, d| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
e# J: N: T/ T6 v; d/ D3 E| ├──3--GBDT $ r, f$ {, \0 g l1 O
| | ├──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
% T/ }* m! P F| | ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度 .mp4 72.09M
! n2 |! J/ s1 P& R2 a( u: {| | ├──11-GBDT多分类流程 .mp4 73.80M
& o0 x# O( z" k4 E8 u% c" s6 S| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M0 n3 ?0 u$ c% h4 F# r/ T
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M) r6 I: { D. W
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
, T9 m1 F8 q8 A| | ├──15-GBDT二分类举例详解 .mp4 86.67M2 _# E: z8 J! @. E) t% K7 V
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
/ g" M8 h9 f: Z/ C| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
: Q9 j" F0 B6 E2 @$ z4 I+ @| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
; b4 w+ n. A1 z$ w z6 ?+ H. F" ?| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
" S5 M0 ^8 U4 l5 ~ X| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
( I I5 ?0 \/ R, z1 l2 q3 a# D| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M- x0 H5 v& N! O3 [3 [6 r% N% F+ F
| | ├──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
; L$ f) L* c' J* x| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M6 X% n8 L" R. A* l5 r& {
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M. B, V Q& D0 {% V' e: {8 C% \
| | ├──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- M$ @- R6 B1 i5 {% s0 y# I0 t
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
0 y$ Y* j- J6 B7 m1 j5 p1 a| | ├──5-GBDT回归举例_总结 .mp4 108.52M
& ^ X$ k3 ]" f% ?3 n( M9 j3 y8 d| | ├──6-GBDT应用于二分类问题 .mp4 70.42M% W5 D% X" C) W: A4 t* G+ x% Z% U
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
0 b/ P% Q* X- \9 q| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
8 m% r' C1 j6 o) Z; G| | └──9-GBDT应用于多分类任务 .mp4 73.34M
2 _- k, u; R, h8 e4 G| └──4--XGBoost
D4 U" p3 K$ e8 u- X| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M3 e0 _6 I# ~: h# E# A
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M; q6 \% I$ }6 C1 l8 v0 T0 d: z/ p
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
' ~/ q, U& k- [& W6 `/ a# c; `| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M% D8 ]( m: ~! y6 ]
| | ├──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
: \( H$ X' @: R, X0 I| | ├──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
- t. @2 s3 M7 w| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
# ?0 c0 I6 {! z$ c7 L$ }* B$ ~| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M3 E z/ p- I+ E/ \
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
# ^5 ?$ W% W- z4 h( [0 A' P| | ├──2-Bias_Variance_Trade-off .mp4 66.00M) F/ f, r( X: Q4 l$ e& J3 a9 |
| | ├──3-基于树集成学习4个优点 .mp4 91.36M1 q3 H% y: L! L, C4 k5 X4 p7 M
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
* }/ |+ p l' K! H8 Z| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M9 O9 j/ G7 h+ I) W
| | ├──6-Objective_vs_Heuristic .mp4 60.42M1 }3 p: \ l7 g& S' o6 ]
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M/ l: y) s9 d" N3 h8 n' y h
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
: r |' K, b* Q% G. n+ P| | └──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) k8 u. @1 w% F/ Z6 j# m
├──9--机器学习-概率图模型
+ t. y k! k7 q' h. L' Z3 J6 C& \% D| ├──1--贝叶斯分类 " q7 u+ p) u4 c4 S
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
7 F% `" o+ o0 ]; G, |# l) `# h! D| | ├──2-TF-IDF .mp4 53.08M
4 @1 H8 f! h& L6 H( }, R) o$ H| | ├──3-NB代码实现解析 .mp4 126.73M; s6 e% V. ]2 V. x$ W% G
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
2 ]% Z4 s7 O8 {" m5 I/ c7 y| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
# s/ @. z# C g& Q+ B K| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
! i! C5 J \8 P, y: g4 f7 `- ?/ || ├──2--HMM算法 * Q) Z# z6 ?/ [( c/ p: B
| | ├──1-HMM隐马的定义 .mp4 36.82M
) B) G$ M2 j& F5 M: M% V" ]| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
+ h( F( q+ V* }" a4 }* s| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
( d" |( e/ P1 T [8 y& u% G| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M7 u3 P; O* \' l
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M8 |3 q5 c. y Q; F0 O) |2 A
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
; H/ q' s, p: q: F( r| | ├──7-Viterbi算法案例详解 .mp4 107.12M
& b: a, j! j9 ^| | └──8-Viterbi算法代码实现 .mp4 42.43M9 G% a! x0 c8 w Y8 r. d$ c; C# A M
| └──3--CRF算法 0 x8 n5 z. D4 k g' O Z& u
| | ├──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. f$ z1 y `( W, G! m, i$ G# V
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
5 g8 ~- Y4 A+ l# T' B0 w0 P| | ├──3-了解CRF层添加的好处 .mp4 105.90M
! l* l3 [! Z& ~; Z' `| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
+ o- Y/ `6 l$ b9 Y| | ├──5-CRF的目标函数 .mp4 23.74M
! h) R$ U6 D$ t0 d# Y, H| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
! I" Q! [5 ^7 U# m| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
$ B0 M8 z+ d* _ ~6 g& q| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M; f& ]. p2 \6 R8 z6 ~9 ^) W
└──课件.zip 2.54kb2 g7 Q* Z4 ^' t* z3 Z
. S: g, d, b5 s0 ?! j3 q: U1 M5 H3 O: _3 O+ D
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！7 U9 t8 c H8 l! P# U
% T2 n( c% P; c
5 T7 Y% m' s6 K/ y2 M, f! F4 |
|
/1 
