战-人工智能2022/( V7 _2 U8 @" q; E) b
├──1--人工智能基础-快速入门 $ w* Q! i Y0 c( T' n3 u
| ├──1--人工智能就业、薪资、各行业应用 4 p- g' K& Q# [2 A
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M. e5 ~9 w! U+ w
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M9 l, U5 W- P7 s% {. S8 D( L# q0 j
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
]3 l; D0 a" W% k| | └──4-人工智能在各领域的应用 .mp4 57.73M2 c7 l8 y( M# k1 C' V: U8 o
| └──2--机器学习和深度学习、有监督和无监督
$ @( U9 T9 o" F5 w| | ├──1-人工智能常见流程 .mp4 89.62M" R0 h" Z$ c) g/ O4 z7 B6 Z
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
$ k6 a) C1 R) H9 _4 {5 q2 R0 l* g| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M. n. a0 H6 I. `9 T! K7 L
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
; y8 u* x8 s+ ?| | └──5-无监督机器学习任务与本质 .mp4 50.15M
) C1 @7 h7 m) v2 m* \. w6 R5 K; v/ Y├──10--机器学习与大数据-Kaggle竞赛实战
( {/ f, ^; k% o c: S: f* }| ├──1--药店销量预测案例
6 `3 r3 t1 F# @( V| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M' ?3 u' V. _7 L* @# ~0 m; W
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M7 c& G' A' S( |* k# Q$ \
| | ├──3-自定义损失函数 .mp4 21.12M
6 Y/ k2 ?( @, p$ b| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
0 h7 i. ~7 p7 y- u| | ├──5-数据的预处理 .mp4 111.81M
4 Y0 A; H2 z6 a3 D| | ├──6-模型的训练_评估 .mp4 66.64M
8 H' q$ T& G) Z4 H| | └──7-kaggle竞赛网站学习 .mp4 172.16M
/ x B8 ~% f# _2 a- G5 w! a| └──2--网页分类案例
/ Z& l" C [& L" l ^6 q| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
& `- S4 N. |) S0 _7 ~| | ├──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
4 d& T' i) r6 k# 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 Y- R: M- O: R+ g/ ?9 A j
| | ├──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
3 H. ]7 [- f" W) ^6 R| | ├──2-评估指标ROC和AUC .mp4 56.19M
+ S3 {: z4 R* W| | ├──3-评估指标ROC和AUC .mp4 49.03M, |- K0 W7 h+ b6 r) Y% Y3 m# _. e
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
+ Q3 _9 x3 [' E# i8 }! [) O+ x| | ├──5-数据导入 .mp4 68.41M3 P: }2 n2 C* t. m9 a! Z' [
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
* e6 q! ^% ~( b| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
/ h; }. g* `3 I' c) q| | ├──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' d& f' E0 u' 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
4 o: A$ \6 i3 T' b8 F├──11--机器学习与大数据-海量数据挖掘工具
. M/ _0 D! o" K5 D| ├──1--Spark计算框架基础 - ~- L* u8 z3 L5 D3 z
| | ├──1-Spark特性_01 .mp4 41.68M% N ?: p2 @; w$ k" I: I5 N! R
| | ├──10-分布式计算所需进程 .mp4 26.30M9 E; N# ?( n, a- ?
| | ├──11-两种算子操作本质区别 .mp4 56.31M
4 } F# r$ S5 l% z2 j* A1 ^| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
' P3 P, i0 p. W( h$ b: E7 m| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M3 U2 s, V) e$ f- m
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M K. c' b# o; e6 S
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M3 `( D; ^! O, L
| | ├──2-Spark特性_02 .mp4 35.15M8 D! p( M- ?" K6 i. `
| | ├──3-Spark对比hadoop优势 .mp4 19.34M" f& y2 e- |9 _8 C% |/ G
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M# [! q; T2 g- U
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M' I- T' h* {8 Z& _& |
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
! w' k' s$ V! ~! Y| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
D- l5 o& N% P4 G9 m4 E& ^1 W| | ├──8-Spark的RDD特性_01 .mp4 33.08M6 D0 e! W( Y- o3 b* f0 [( Z% |( o8 l
| | └──9-Spark的RDD特性_02 .mp4 33.41M
1 e; k, p$ d" w. M# _| ├──2--Spark计算框架深入
7 p1 P3 @; y9 g; Y0 _# P0 F2 m| | ├──1-Spark数据缓存机制 .mp4 54.43M
- _: a+ I! i- D7 D9 u( j| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M. J6 s: I, f5 _1 r
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M8 |' a% C% J. L, U5 U
| | ├──12-构建LabeledPoint .mp4 111.08M8 W7 g: c& \0 {* F i
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
' l' g0 ~- [/ G8 K3 t& X| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M0 a" P) l( ~; k) M0 C
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
8 ^+ y; o. ~4 K g7 X2 n( e| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M5 c5 u9 L1 C3 q% e5 {# C0 k6 a0 [
| | ├──5-Spark术语总结 .mp4 89.66M
. `$ O' `# Q; [, ^0 [+ _) o! c| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
0 b; Y$ ]- C5 N1 C8 M+ {| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M+ A. ^& M# t8 B- ?- b8 b9 X
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
5 n8 p' p( e$ _+ [9 [| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
/ S2 ?5 b& z1 Y7 D" N$ k ^" r' N1 q1 R| └──3--Spark机器学习MLlib和ML模块 3 ^" \0 Y$ n# J9 B& J* j8 `5 D
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
/ ]/ \' E( M; }7 H4 m. J| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
0 k5 e4 i3 d0 `0 U$ s D| | ├──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. S" P$ s% l1 J+ h& I
| | ├──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& X5 w7 h0 \0 ~* p" A# _1 T
| | ├──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# q; N2 K4 @0 n( w$ G
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
( k3 u! f" A S8 q% H4 d) H- j* ~| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M+ q: N j) J: I
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
& \+ S% d8 k, |5 D: [| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
/ e/ E7 M" u9 o- Q| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
7 L5 Y4 u! G8 d+ i/ Q. ], M| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
( k( ?- J* Y. b) m/ D| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
5 N1 Z. L" d& g7 U% ?| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
* d n0 f; @! `& B z1 j" [. m| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M8 M1 M! t- k7 w4 S
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
! `. u3 X1 P! N' X: V| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
( y; z2 D0 [. z| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M, \" d+ Q% ]- P/ Z
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
+ y- A5 K0 f( z2 s3 x/ n| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
, {. q" A: a7 q1 e; u| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M* v. ^2 H& F5 D( F) L: j
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
% B- Q' k, ?; p0 b P! i| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
0 Q$ j0 ?5 H- P0 t) B1 G% {| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M1 g- {) K5 d. v, e
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
! { T2 {8 j6 {9 `0 r/ N3 q| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M6 h I( ~. w: a+ G. k' T, v
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M) |/ r1 q+ s* ]+ |, b5 i# b
├──12--机器学习与大数据-推荐系统项目实战 * R5 I6 b3 }: f8 a
| ├──1--推荐系统--流程与架构 5 }/ F6 J) f+ }, g; X' j; j2 B
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M2 [+ x. M! n9 d# L" c" t1 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) K, j+ E5 ~& Y O' m& T, j
| | ├──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 t4 [- U$ X8 `/ `7 l
| | ├──12-推荐系统_数据源_1 .mp4 79.07M+ z# U0 P1 r& ? i% c7 a" O
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
5 }# T$ T5 _, W' s| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
7 f+ O4 X9 o, R| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M/ p) m* m2 A2 o: r' Y8 H
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M- H8 d# d, s% W2 p1 S6 H+ S
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M$ q5 o! {" B. e$ |- _
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M" ?- m1 E6 t2 `' ^+ r$ A
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
4 x% r. F- b$ [2 \$ g4 y| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
" E% u* W% A' Y2 Z% U| | └──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& }6 ^: j! S K8 j; K5 r4 {
| ├──2--推荐系统--数据预处理和模型构建评估实战 & z, W) w2 T/ {
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M9 C2 H' H% F+ `3 j5 A, \8 X
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M/ c! Y1 l4 ?3 }" c: C& f9 F. B
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
2 Z/ D+ _/ z ]3 M$ i5 M3 T| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
9 _! O3 {, g% B| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M0 r) k3 R# Z- M, Z0 C5 v& N8 ?
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M- Y$ c C4 {- z
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
) }6 _: }/ a2 {5 ]) S& `4 h+ i| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M9 O* }1 v% w9 J6 g
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
3 j, i3 F: C* }3 b; ^| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
5 A% w) i$ l3 ?9 M; r, ~% M7 N9 P' x| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
$ l% A9 [: b* ^: w- H# ^| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M' O; Z2 ?1 }1 ^6 R8 j2 o6 f, V2 X8 B4 |# I
| └──3--推荐系统--模型使用和推荐服务 + X& E D+ f8 K7 N8 W
| | ├──1-推荐模型文件使用思路 .mp4 61.89M; j x2 } j9 D6 B+ x, `2 \. t
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M% V% ]# E, {* C i" {' M' }
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M7 Y" p2 E8 w0 [- ^ t7 F
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M. _, w" F; Y' g9 t8 ~; s
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
" @8 W7 @) l% O; `- z| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
! \; R) u" j0 z& _| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
5 F& A8 Y& x$ {# G- s: \' I| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
v7 b, V8 M1 t" e1 v6 N8 t; b| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M; M& s! B2 g" D" ]* `
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
P- ^3 x5 y4 V; \: l- b6 o5 s* x| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M* J( o1 j; \- d, U9 O
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
/ g S- ]3 `- u6 f% e ?: j├──13--深度学习-原理和进阶
( ^4 _/ Q8 ?6 S" r. f8 u| ├──1--神经网络算法 ) Z" Z# |% K% I# I: l: A4 i
| | ├──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: i) d p1 \0 ~' `9 b) _" ~
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M: i o9 B) S; a0 Y: `% i
| | ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M+ Q, G* V$ R% M# h) p5 u; p
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
8 U1 ~5 b3 B' j* E$ h" E2 G| | ├──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) j0 D* [. L4 E$ }( {0 r# |
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
7 A& R* P9 ]; e2 d+ Z& t| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
" [: U- s; V2 I2 m7 Q5 W. H| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
* `/ f7 ]! J( L" i3 R| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
, l0 D# I! U. O+ Q! b; O| ├──2--TensorFlow深度学习工具 $ U- _3 E" O E( D4 U1 e
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
4 A/ ?1 ^9 C }! ^ P( n$ [! P| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
4 Y9 C/ U7 @5 J0 _. A- R| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
7 E1 u) ^1 i" |3 p+ d& }& D$ B: W5 M| | ├──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
( G; r/ T9 ^8 N- s L# Q| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M, I# C4 x% u$ {% j/ X; u+ |5 L
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M4 j' z( X$ w8 Z
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M9 g% U: t( X8 t, l
| └──3--反向传播推导_Python代码实现神经网络
R$ f" l6 _0 ~ C* e| | ├──1-反向传播_链式求导法则 .mp4 86.47M! G1 B0 s: K! Q! V7 n7 g% e
| | ├──2-反向传播推导(一) .mp4 127.90M
6 S. }& o; F# C j# q- x8 x$ u| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M* {" ^! d0 i: M3 I
| | ├──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- d' U' i8 V3 u9 u
| | ├──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- h9 }' p& U3 |% j) v
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
% R* K5 \' ]" O+ g- y| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M g+ S5 _( P$ Z: U, O# U( ]' q
├──14--深度学习-图像识别原理 # j, i; v* C- l
| ├──1--卷积神经网络原理
5 F7 [! f- Q, a9 B% l| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M% R- j! [2 S% M+ X5 A% M/ e
| | ├──2-单通道卷积的计算 .mp4 104.01M& N$ [6 g9 d0 x" b. k4 `4 C
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
% g& {( ?& X" V| | ├──4-卷积层权值共享 .mp4 63.93M
+ O, F3 ?4 y) U1 v7 s/ v| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
/ C! m! u% f; l! j- ?| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M5 N0 J3 `: N- g1 f2 C& }5 s
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M* t) Y9 w. n1 _9 }/ l0 W: K
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
' p0 P* Y& l/ J0 @' ]% u| ├──2--卷积神经网络优化
. `3 z" f: i2 Y* p| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M7 @9 I" e2 F* ^& ?, X
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M7 z9 v/ j8 b+ ?6 z
| | ├──11-Optimizer_Adam .mp4 141.12M; b- T% j3 D3 ? v% G$ b
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M. N/ c- ^$ \1 {" b0 t4 H& a
| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M0 T/ A: t8 r/ |
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
7 u, T5 _4 W- m- b0 ?4 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
9 j1 y% ~! V- i$ u1 C1 V; P| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M7 N! A; m' o' f6 p9 S
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M) `4 C% ~' a" m+ K& l' |! e 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
2 s2 u$ f0 v# K. V' u/ G| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
* @1 m, x% y9 H1 Y| ├──3--经典卷积网络算法
- Q0 l2 P8 ]& C! M3 N9 _% w% _| | ├──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/ Q/ H; }0 a) s1 Q6 c
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
; p! t2 {# O3 q+ m| | ├──3-InceptionV1_V2 .mp4 165.86M" y+ [ S) \2 x6 A3 T3 ^) b+ R
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
: f6 u( q) P0 {# x% \! n! g# m1 n| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
1 c7 p9 g, F. K; m1 G( n| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M! r% A; y5 e* B8 A( o
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
/ g2 H8 }& K- i0 Y8 G) ^| | ├──8-BatchNormalization .mp4 99.23M1 a2 n( ?4 S- F, ~3 i# E9 }3 t
| | └──9-Mobilenet网络架构 .mp4 150.05M! w( K' e/ v; a1 h
| ├──4--古典目标检测
+ |4 S+ N* P) {. u# m. H| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M( h( n, B+ O4 ^0 b6 N
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M# ~/ N. x& Q. Y; N$ l. V+ k8 d; F7 P( d
| | ├──3-IOU以及python计算的代码 .mp4 23.56M5 _9 N- d4 @$ o5 L. m% u
| | ├──4-R-CNN和SPP-net .mp4 124.06M
) T6 r9 h4 N5 F* z- s| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
C" M m/ v) E# K| └──5--现代目标检测之FasterRCNN
+ T/ D7 B( \* Z% ]6 _| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
' {0 `& Z& f3 b! j| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M& P( d# k7 H: x- d1 E' h4 P) R
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
2 U q$ ~2 Z8 o+ _# S5 d; j| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
$ w5 [8 ]/ n" A| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M# W' l7 N! b% L3 C$ d5 k. {" Q
├──15--深度学习-图像识别项目实战 3 |1 {) f9 g# K* R
| ├──1--车牌识别
$ T" v/ [/ u+ S! ]| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
' X1 g# A9 u1 i| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
" x* t3 U' I1 B" G) ^7 S| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M: _2 x( U! R$ `% ~: A
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M5 J. J9 e. g: U
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M! {$ n# E0 f' d. c0 ~7 C
| ├──2--自然场景下的目标检测及源码分析 5 {$ v4 x. A! H1 n# `6 _
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
1 q5 y9 G ]" H| | ├──10-FasterRCNN代码_构建head .mp4 67.56M2 U3 m) h S& N2 i! U; @
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M# M' o. n- u0 T% y
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
5 u7 `9 e" X* }- X" j# ]| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M) t1 Q; A$ Y2 I
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
8 w G c" y! }' W+ S# n1 i| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M( O# A* ~( ^& L% j0 f
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M* C' x1 d7 X. S7 m! X2 i+ I7 o
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
2 d. g9 C2 Q0 g| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M! h' k3 ]+ P. x: n) a
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
# x, q h( S7 D5 x6 t| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M) k: q/ {( T( Z
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
/ N2 `, v0 Z: `9 m| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M, S6 ]) m5 D- W+ e7 g1 u
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M1 p+ V! m+ E# }1 p/ V6 F5 ~
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
' h& \$ c' |, h: S/ @4 Q e! s| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
, M+ w ]( _. f3 F# `| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
5 [9 V4 v7 {/ y| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M2 M- n: ~2 L' y e
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M6 i2 g2 c5 e( E) L
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M& \+ u+ ]; p. | a w. u
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M5 A% U* O; Z5 ?% f6 Y* \7 T
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M! g8 {, ~8 b' y& o
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M5 }4 `& L7 x+ \; H
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
) q2 ~2 ~. S5 |7 n2 o: t, j& z| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M5 T* S/ S- E9 ^3 q }
| └──3--图像风格迁移 % `9 o: t" B7 {6 c
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
5 Y* ~- l/ O9 O% w| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
" F6 a' t" |: q: a, |* x$ s! G| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M$ r6 G0 H, [$ b; W9 }( v4 N
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
+ r+ ?, u& W3 W+ ^( E7 L7 m8 p├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 - d+ j- L6 V5 e. w
| ├──1--YOLOv1详解 3 B8 A0 e5 F$ Z! Q
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
! ~4 G0 `& c7 X, x| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
+ G, Q3 @. N% z9 A% W. l( u& g| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
& j! j. q8 E5 n @( U| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M. W4 |# z) E9 t
| ├──2--YOLOv2详解 ( p$ d: n) |( \! a/ b# l
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
3 z# |% M8 B, C+ c2 || | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
0 c3 l: Z+ C2 |, \4 L5 [| | ├──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
1 f. k# R" ` z% |0 @. U| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
3 q0 n5 E4 [: i4 k+ ^| ├──3--YOLOv3详解 ) s/ x+ m1 Y+ z
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
& n2 L, D4 L* n1 n- E, S; z5 j| | ├──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
& u, `& B+ c7 d" Q. q6 f| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
) e1 D( n1 |: j9 R# l( N| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M0 |/ A$ X2 k7 {5 [7 z/ B$ o
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M( Q4 x+ ?! n- B& Y. H' u
| ├──4--YOLOv3代码实战
( [# F9 a5 g+ `; k, k| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M g( S! E+ C; d9 L; ~
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M* y3 d. f4 k5 Q0 j" h
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
/ k) u' L( p8 w$ u' k| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M7 g1 t/ A' [. I. u/ \% D
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M8 a* t/ X! K/ `. h9 K
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
- R1 F+ Y) ?8 S4 q0 r7 J9 m3 }| └──5--YOLOv4详解
& P0 k# `. y: Z7 c' A5 ?" ]| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M6 b- u2 {# m, S. l6 A( M2 C
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M( W& v$ t1 G: c( n# @ }1 N
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
) s/ Q; Z) B) s7 P V# R| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
2 x$ n3 D& `! \" {├──17--深度学习-语义分割原理和实战
4 Q) }5 ~3 m, V7 i* T& U| ├──1--上采样_双线性插值_转置卷积
; b% P. u6 Z5 b/ y) ~6 x. P3 t| | ├──1-前言 .mp4 19.46M" [ Q) X8 }0 c% L" l
| | ├──2-上采样_repeat .mp4 23.90M s! \5 b2 V; J
| | ├──3-线性插值 .mp4 34.48M- [, \0 G7 }! L
| | ├──4-双线性插值 .mp4 125.71M
5 ?" B$ U: ?% A, c0 L| | ├──5-转置卷积_以及TF的API .mp4 114.25M- Y, [: T' l+ k# A- O* c# I; ^
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
+ w. b* R+ q1 o3 i" j| | ├──7-ROI Align .mp4 58.38M
+ i$ {" b- H! \; n% ], n| | ├──8-FPN思想与网络结构 .mp4 92.14M0 Y* K: P7 P+ F5 h
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M0 E8 B- v9 u x) F- O9 t
| ├──2--医疗图像UNet语义分割
* a- p3 N! ?7 N) `& D! d| | ├──1-语义分割的基本概念 .mp4 18.33M+ A* \' U, p3 _5 N7 ?% I! p
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
% w3 w, n3 r& e# \! O p| | ├──3-UNet网络结构 .mp4 30.41M% `+ {7 w1 s- T9 e
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M( ~ u# s! c3 { y
| └──3--蒙版弹幕MaskRCNN语义分割
* X* j( w" D# d! [! G$ X2 V+ ?| | ├──1-MaskRCNN网络结构 .mp4 106.38M
0 A) k% g9 L2 D7 I% k/ e" X* c| | ├──2-MaskRCNN的项目展示 .mp4 250.54M; G& E. }1 d2 H. q7 H0 g3 |$ C
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M& R$ m. w3 {" m# I( a8 s' c* `
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M/ G6 @& |, W. z! |& F% J6 R1 p1 g$ \
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M$ J) d0 n9 t" p- N7 y! S- p% K2 r' m3 d
| | └──6-MaskRCNN源码config和model .mp4 244.48M: K: H I& H) r6 D b
├──18--深度学习-人脸识别项目实战
2 {+ T( Q+ w6 z0 k0 L| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M! }3 b. R: K1 a+ [ P
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
$ L8 X3 R g/ V, U| ├──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
$ \9 ^7 t$ Z, P2 r| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M) k5 _& o% _5 t/ l
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M2 H# `. s- U6 P8 P0 h" G. |' |
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M! E4 g: h4 t2 j! K& p* C N# I
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M0 G3 N" P! e: ^7 C/ I9 s
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M6 E8 R2 p3 f& i
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M( b1 J. ~2 \$ r$ F) |4 W, t
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M! O, C' j% P, \" p9 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
( X) t3 }0 T/ L4 h| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
: p; m% x, w7 Q+ P; A| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
4 H/ M: g+ R! d; Z4 p6 L/ w' [| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
T6 C F6 G& F& m2 i| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M5 d. g2 S E+ M& Z1 W1 z
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M: i& O/ j% j, ^3 K
| ├──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
1 m% Y" H! L! s$ z) X6 Y| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M2 Z f, b( b6 r
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M3 f; ]* w! A# M# ^ |# u
├──19--深度学习-NLP自然语言处理原理和进阶
$ [" v5 x u! A/ ^& v [% d% b| ├──1--词向量与词嵌入
) B3 N7 Z) q8 S) p, z6 r: l) f: Y5 i- a| | ├──1-N-gram语言模型 .mp4 116.32M- F. Y2 n$ I3 n
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M; y2 z( z. q8 K
| | ├──3-词向量的作用 .mp4 58.00M
: j) b* x8 @4 z( x D: k| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
5 u. v5 ?/ V2 e3 p( D3 B| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M& o" w# I Y3 |# A* ~( G3 f
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
; f$ q6 g1 G* a8 F7 L| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M% ?8 M8 q6 ?( [" \: ^7 e& n7 h0 k% S
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M4 F" ~7 p: }. L
| ├──2--循环神经网络原理与优化 9 P* p$ u2 n; [# Q. j8 c* d& K
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
8 m8 n! {2 R# J. }' G| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
2 x5 T2 N# a9 ]3 J2 y; l| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M0 i5 V# ?* |. o1 _# P2 b& P
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M O! n: T1 T% d7 O) a- k
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
# j% ?; A* _3 u4 j- n- l' d| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M% K1 h( f. e7 t$ X5 t0 p
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M* k1 ^: P# y! |, L7 D% ?! F
| | ├──8-双向RNN_LSTM .mp4 52.01M
; f2 x" Y! ^4 J, y! [! v5 ]; O7 e| | └──9-RNN里面应用的Topology结构 .mp4 23.04M4 Z; G Y) {2 Z6 t# J% M u3 O
| ├──3--从Attention机制到Transformer ; _2 X$ X( t9 t, \4 B8 b
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M7 }3 d- w7 V" Z5 w/ u3 `
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
9 s) m' I- T# j# J. W| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
) U4 s7 B9 r1 r/ T' P| └──4--ELMO_BERT_GPT / |: l1 _+ E' I
| | ├──1-ELMO .mp4 62.44M/ a( j# \7 X9 \8 ]' E
| | ├──2-BERT理论 .mp4 99.73M
8 m- K1 I3 \1 |5 w# N# P5 g| | └──3-ERNIE_GPT .mp4 56.34M- E: `: a5 v# W [. F
├──2--人工智能基础-Python基础
0 F# U1 y0 u1 \4 U& r| ├──1--Python开发环境搭建
5 W" g' X$ F. @2 {" R- D2 F# z| | ├──1-下载Miniconda运行环境 .mp4 100.75M
2 i) r/ T( @! E9 }| | ├──2-Miniconda安装和测试 .mp4 57.12M2 D6 ^$ y" K) J6 q, E
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M2 H7 p2 G' {5 A% g! M
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M6 a2 c" O, I ~% y3 I* v u1 l
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
: l/ w- Z l, O; q| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
) R0 G! U/ s9 D' d7 G# ~| | └──7-关联虚拟环境运行代码 .mp4 38.14M
7 _" |. p& d! Y0 h3 \ b7 K| └──2--Python基础语法
; K- `( l/ R' `; C% s9 t| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
9 C& m0 T, k5 U- p, o. d| | ├──10-Python_集合操作_列表 .mp4 34.71M
" \: C0 b# Y7 `& h: A( o& C| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
: f6 S# g9 s. Y5 ?( H# x) Q, N& _| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M: Z' J- j6 s: b4 y7 n2 Z
| | ├──13-Python_集合操作_元组 .mp4 43.46M; L* _& O1 u' R3 x3 y1 O& Y( E
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M* z" F: s# j- J2 t
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
& U: l/ Y6 V. Z3 k, f9 m& M| | ├──16-Python_os模块_shutil模块 .mp4 51.54M- d2 P/ K, C, r$ E
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M) A& U& L# A# b; l2 i
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M( {. `2 o* P2 ~: W4 y% s
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
7 A, g* L& T7 t: P" K: z7 Y| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
* h. a0 D' N4 q| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M. B$ z8 R4 i4 ^, _0 M9 \" q3 [
| | ├──21-Python_函数_递归 .mp4 23.46M( n. A% Y; o6 w+ I+ L# _
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M: ]4 A" m# I, E& T9 k
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
' |8 I( a/ |* g/ U$ W p0 Z| | ├──24-Python_函数_闭包 .mp4 41.61M& R" p1 e, G$ g U4 A+ I
| | ├──25-Python_函数_装饰器 .mp4 30.35M
1 }/ Y4 L$ u' s9 a9 G, |. @| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
; Y2 H( o' M$ U| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M( Q, a7 D2 i+ x: T$ b& b
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
) o' y+ X9 k/ s' e# b* e7 Y9 t| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
! } e2 |- `+ m7 i; Y/ w+ \| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
T' j; }! `- [: `| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
; m$ {. l5 y _+ ?| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M. x# M4 e; U4 z$ q5 \
| | ├──4-Python_控制语句_while循环 .mp4 25.02M$ U& m1 q% g. {. o
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
0 g, N* t( |& Y9 j6 Q3 i| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
0 j5 b" {2 Z! ?# ]% _9 h| | ├──7-Python_控制语句_break_continue .mp4 25.23M
v4 I/ Q) G k7 e b9 Y| | ├──8-Python_切片操作 .mp4 40.20M* G. G T- N `$ |! F/ Q" |1 |
| | └──9-Python_数据类型 .mp4 25.38M
2 S9 e; G- A, t# O2 m! p3 B├──20--深度学习-NLP自然语言处理项目实战
` F' {7 T o$ [: K l) y; z( Y| ├──1--词向量 a! U5 n% ^, R; A" }: V
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
8 T- G. {* O7 D; I. N4 w$ D| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M9 @$ N' |7 L+ k+ \( d% _4 x
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M: W- v# B2 z k! o
| | ├──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( a# c! e# b% R
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
5 C6 Z J( E+ z0 e/ U| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M# k' _! Q3 t% [3 ^" e: q
| ├──2--自然语言处理--情感分析 7 P* X7 [( q% d, y- _
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M" A' n& h. K( w+ |5 n( s
| | ├──2-数据预处理_01 .mp4 79.65M0 s( d# N8 [3 B. z Y$ G* @
| | ├──3-数据预处理_02 .mp4 45.68M) k( G1 B8 X" Q9 u. X0 H$ g8 ?2 v
| | ├──4-代码讲解_01 .mp4 52.29M
5 B+ P. \ X9 n2 @! b; i( B| | ├──5-代码讲解_02 .mp4 60.85M
4 g9 U( I: x5 o) H| | ├──6-代码讲解_03 .mp4 53.89M+ H0 v/ q" L" ~4 B% j& k/ ?
| | ├──7-代码讲解_04 .mp4 57.19M2 T. R# r: X/ r$ z& ]
| | └──8-代码讲解_05 .mp4 35.88M
4 D0 i, I' j1 |, N4 d| ├──3--AI写唐诗 9 d# c9 \$ Q6 D7 G/ ?5 o
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M' \$ q# }$ `$ \% @3 s3 |
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
5 |! r. X% f- g0 W g! e| | ├──3-MultiRNNCell单元 .mp4 38.93M/ F' I. _$ c ]
| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M/ T7 j: ~. z- `" g. o% Y
| | ├──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
" P# h9 ]. f. c% G! ?# M| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
% v9 G1 P( f) k1 H; z- r| ├──4--Seq2Seq聊天机器人 2 E( G' Z: X# q& @ z( {
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M) V$ a0 U- r( L: _7 E. S8 C% `& T3 c* c( w
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M, G! y! O% }$ H" ?- m
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M% S: @. z+ Z" T) Y4 _
| ├──5--实战NER命名实体识别项目
# M Q1 u1 }( o- z5 s| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M5 ]/ K- u' O+ |* k! i
| | ├──2-介绍了代码目录结构 .mp4 23.44M
2 E& Z5 I+ v5 D! Q5 O( k| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
/ j: i1 Z: ^& B( a/ X% {| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
" _2 ~, x: M2 r2 @" Y4 p, g2 {| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
; g5 t" d0 \5 T5 {% Z| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M3 a" p, ~9 Z" h6 A' a c
| | ├──7-CRF中的特征函数们 .mp4 125.97M- C& L" T% r# k" q$ L" t0 l9 K! ]+ ]
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M4 x! q3 b' j V
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M4 Q& n$ n& @/ E: p) z* ^/ }5 b4 i
| ├──6--BERT新浪新闻10分类项目
3 Z$ y! u8 |, e |1 |6 F3 R| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M5 w7 q% v. [* ^4 [( x
| └──7--GPT2聊天机器人
& b* j) e+ d9 i| | └──1-GPT2闲聊机器人 .mp4 62.28M
. B7 I2 ^3 T6 A/ W7 H/ d5 q├──21--深度学习-OCR文本识别
, B2 E: S, F6 q, [ } ~' e% v| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M9 u# y# y+ M2 b, P0 \, o& b
| ├──10-CRNN项目代码剖析 .mp4 306.48M; i) G% f! K' ~ G' W
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
! {& J1 L5 V$ R- S| ├──3-OCR识别的CTC损失思想 .mp4 327.69M1 F+ I. |7 J5 R
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
) |2 n* B( ~/ U9 x! Z| ├──5-CTC损失函数的理解 .mp4 330.64M! {3 V$ q' W. `6 F, N0 ]8 h
| ├──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. D. I) Y8 R' s
| ├──7-CTC前向后向算法代码 .mp4 225.41M" Q6 P6 [9 |) i7 R: X
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M% a4 [1 R$ m; ?; a
| └──9-CPTN项目代码剖析 .mp4 491.69M" F$ o! w9 V4 w) a
├──24--【加课】Pytorch项目实战
$ u4 U/ d1 ~1 C6 _0 w R| ├──1--PyTorch运行环境安装_运行环境测试 " k; ]/ q/ }; k; M7 W+ ]! n
| | ├──1-PyTorch概述 .mp4 29.29M6 S+ z$ s) T' B& S& Y+ k
| | ├──2-PyTorch的安装 .mp4 76.45M
' V0 `/ V! Z* w! E2 h# w2 || | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M9 I5 U' V8 F5 p2 w$ a
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
7 g: u$ s1 M% m7 T| ├──2--PyTorch基础_Tensor张量运算 5 M$ B$ q3 ~, \& r' i
| | ├──1-Tensor的创建 .mp4 55.14M
, w6 L: O+ V$ S9 }* N! |4 s| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
F5 o$ E% W" h/ G* I' V| | ├──3-广播机制_逐元素操作 .mp4 44.46M! [7 n$ u2 O' {9 c. F
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M) L. k% h9 a- R6 U
| ├──3--PyTorch卷积神经网络_实战CIFAR10 / t6 J" X# Q- x
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M3 k0 q$ M- t9 Q2 B+ `/ p
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
/ P% d2 o: L r4 E% O( U8 j| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M w8 `/ X g! p, U4 }
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
1 P4 c; I. B0 Z6 o( G' ^| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
/ G9 `5 H+ l- h* I. V0 S2 @| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M! g% _6 z; g+ A- I2 T
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
# ]1 D8 R" S9 O' j& `7 I: }| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
7 G: l$ T2 e! w| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
, b% ?2 F4 Y4 x- A6 [9 }$ h' g| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
7 _7 w$ v( j" Z5 j. p| ├──4--PyTorch循环神经网络_词性标注
4 U* x1 O1 I& P: j| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
. e+ X8 }4 A2 || | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M8 _, t* D- `& {1 Q6 E8 q4 R6 T
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
- y$ j/ U1 P2 c! [% T! f| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
( `( N/ b0 w% _ n0 F2 u/ z/ e9 Z% C| └──5--PyTorch编码器解码器_机器翻译
! n9 q0 h- B9 w| | ├──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% S5 Y* ?* L3 |
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M( X( z b0 ~) T' k' ?+ D
| | ├──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$ I! x* Q* x8 z; _7 v
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
. I% l, @ P& d+ U# q| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M0 h; V/ V' ]; S4 \) [0 O6 c+ o
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
' S6 s( u, e- o$ S* F" x: W$ P| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M' n8 k7 q$ Z* ?# i7 [
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M: P3 j p ]$ Q' d- I6 o5 k! b# g ]
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
3 s0 f+ D7 U3 ?: G3 a" _| ├──1--PaddlePaddle框架安装_波士顿房价预测
* m8 v) Z1 \" N4 l" C( e| | ├──1-安装PaddlePaddle .mp4 87.34M
% t3 G# H, W0 n: E| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M/ C/ Q- V4 d. t6 X# P
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
: K- p, F% e& R4 Y| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M' g+ b6 P" c: W7 D' {6 v* ^ k
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M- V6 \% G w! P9 J3 ~* _
| ├──2--PaddlePaddle卷积网络_病理性近视识别 0 O* r9 H$ N* U9 ]! l1 Y
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
% [+ b8 G5 X. ]0 Z! o3 D7 o. [| | ├──2-预测病理性近视_模型训练 .mp4 86.66M) N( m1 i/ x- u" D: P
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M9 {. x" u; U: T: ]5 v( b5 d; D
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M" e; y6 K. V/ \: I; ]; [
| ├──3--PaddleDetection工具_PCB电路板缺陷检测
/ Z, M& L( x B/ @" ]| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
% a$ v( ?( u% F1 e# `| | ├──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
; N2 A' Z. m7 U| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M: F: w3 i" A t% ^* F
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M7 Z# }7 X0 N% ]* Q+ X: q( C
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M+ }' d) w6 U8 K
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
8 Y7 x1 A/ N7 j) H4 B/ m| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
! w; {, q& H" u. \| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) % M, }. u* i1 q, s S
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M, B6 h4 }9 e( }" r7 F
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M' L% k& A; A. g; r2 a2 l* x/ A, e
| | ├──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
, a: I f# ]9 @6 M/ R) d e# F| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
' M+ b" ]) H+ p6 `6 V: [7 l0 Z| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
; e1 n/ A3 Z( Q; ~| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M2 v+ \- j6 S- b* Q
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） ; \! z$ |" E& I1 x
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M7 Q1 c% m5 n8 l0 O3 Z
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
) @: e. l9 z0 f+ y0 C, T, G+ k| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M; {) q- n1 C6 g! L
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
% B5 i/ x, g; l# C% D9 A7 p" m3 F| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M2 @* o& F2 w: K
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M d2 U- R( T' C: I, G
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M5 ~: X$ B0 U% p- P4 b$ i
| | └──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
- @5 L! [7 k5 J& g$ P% @| └──6--PaddleNLP模块_物流信息提取（ERNIE版） 3 U& Q3 K( q9 M- p
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
" |! q# ?5 D, e& E. J| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M- z: {7 M' L( ` g0 t- s
| | ├──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
4 X7 k; N& Q4 k+ W* 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 57.88M1 H5 m4 }/ {* G J
├──26--【加课】Linux 环境编程基础
& N6 g" p; J# x O( e$ z# u| └──1--Linux
' C$ d5 W$ ?4 |/ i" D) U( S+ H| | ├──1-Linux_课程介绍 .mp4 3.72M( D; s# m7 t0 y f
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
9 s( X# d) H, Z% Y e| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M2 |; V, n G3 D8 B& k0 d% S
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M; q& M2 h! D7 B# F8 D
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
0 i3 z& e" Y7 E/ W" p| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M8 \5 ~. y! ?% A9 s, i1 w: Z+ k* I
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M3 n" G) W) s9 a$ V2 X8 f* c' [: \+ i6 a8 ~
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M5 c) y3 l, l" R! t& \1 U" ^" }
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M8 S& O- L, C2 Z2 |4 j B4 _
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
6 J& n. Z2 V J$ J9 T| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M' R2 ^( V* u9 h5 f' @; C! c6 K, _
| | ├──2-Linux_Linux简介 .mp4 17.59M
6 G- Q+ e- N- P% |- n| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
5 N- } [. G9 ]1 X& Z% J| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M! b( ~$ R: S3 D7 S" E) v. O
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
0 W, i) R, R3 K| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M3 A4 v; T3 O; |5 T& v
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
6 d; V. x; K, |! v8 w| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M7 ?) j2 |) {6 o) B
| | ├──26-Linux_安装MySQL .mp4 79.02M
5 }/ M, o1 `- h* P6 t" r$ q. o0 r| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
8 e, ?* W5 `4 J+ r9 e j, ~* _| | ├──4-Linux_安装Linux .mp4 41.97M
% Y: q; n: e; J: M" W# e' w& B| | ├──5-Linux_目录介绍 .mp4 20.31M& N/ W* n" ?, g/ a) p
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
: s. D$ P9 ]* c4 D| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M% D/ G# c9 R3 W, M O* i0 S/ x3 @' D
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
- R( W" u9 L0 u0 V| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
3 Z! h8 T( S3 l- H├──27--【加课】算法与数据结构
1 i9 e7 X8 m& g2 j: {2 t2 X| └──1--算法与数据结构 % o2 F, V9 f& b+ s7 S
| | ├──1-数据结构与算法简介 .mp4 35.68M1 H. d- X' Q s6 Z4 ]5 q
| | ├──10-哈希表的基本结构 .mp4 54.34M a& U, q! Y" s* Z5 k
| | ├──11-哈希表冲突问题 .mp4 75.92M
/ O+ | f1 b: b/ K0 V5 v5 P| | ├──12-哈希表冲突问题2 .mp4 72.30M0 e: _( C/ o- T, `
| | ├──13-哈希扩容 .mp4 111.03M
^3 y9 e0 z5 x. P| | ├──14-递归与栈 .mp4 50.77M7 I! P$ m- q0 O' p9 a, k
| | ├──15-线性查找 .mp4 57.80M @, t2 o1 }# ]3 [0 h
| | ├──16-二分查找 .mp4 52.32M
1 p4 u" u, o0 l& C| | ├──17-冒泡排序 .mp4 53.19M# e" b p. Z$ I. F5 F
| | ├──18-选择排序 .mp4 43.29M+ k; n9 ~) \ k7 H4 ]
| | ├──19-插入排序 .mp4 31.39M, c& d8 q6 G9 [8 F) Z% s6 Y
| | ├──2-大O表示法 .mp4 25.59M; q, C2 z( `/ l, v2 C% G
| | ├──20-归并排序 .mp4 84.48M
: E0 { A! j. B3 U: v0 M. Y& ^| | ├──21-快速排序 .mp4 36.63M- z2 A& q, X. H% \. N9 [
| | ├──22-树结构 .mp4 96.85M# g0 Z9 X3 f: V& l/ R+ X
| | ├──23-树结构的遍历 .mp4 61.05M( E1 @9 F( z. Y0 ^* z+ {: a3 C
| | ├──24-最大堆的增加操作 .mp4 45.43M: I) Z! P: \! e7 e( P1 o8 c/ ?0 U
| | ├──25-最大堆的删除操作 .mp4 45.63M ?4 `8 N* k' i/ H- _6 D* l# E' f
| | ├──26-二叉树的查找 .mp4 100.24M
% i. X* b# H/ }, K1 I7 p| | ├──27-二叉树获取最小值 .mp4 25.21M
5 i9 ?3 b7 \8 A: M. e| | ├──28-二叉树的添加 .mp4 72.66M
z m5 |% {0 G| | ├──29-二叉树的删除 .mp4 120.06M
F3 T! H1 q3 u0 I3 Z' L% l8 ^| | ├──3-线性结构 .mp4 53.14M! _$ v1 q1 Y. g4 Y9 Z5 s
| | ├──4-单线链表1 .mp4 68.36M" M+ x3 P/ U* f U& \
| | ├──5-单链表2 .mp4 221.69M; Z* X# W' h. g; E) l- _% E& z
| | ├──6-双链表 .mp4 103.57M
5 |" {( ^/ s9 r$ C% B0 ? j| | ├──7-队列(链式) .mp4 74.12M
/ q: s$ z. E% r2 R, Z4 z# `0 H| | ├──8-队列(线式) .mp4 30.99M
, j( w% l; d6 I' L| | └──9-栈与双端队列 .mp4 28.12M
2 N* Z6 b! |9 x$ {$ l u$ D. `├──3--人工智能基础-Python科学计算和可视化 ' i! Y, g3 S5 P5 |( q( i
| ├──1--科学计算模型Numpy
+ L$ Z7 Q) F4 N ]+ `7 I# q6 ~; R| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M! q! q9 u2 k2 v0 r% _
| | ├──2-Numpy_array_arange .mp4 35.45M6 o/ z$ P6 x6 B; V" S1 M
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
+ `7 t3 t1 ?' J/ q1 @) E| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
* K7 j" h1 ^% Z8 x: t5 `2 U| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M+ B& W5 U) I: _3 j, M# o
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
0 s! J( j$ M# C* R7 P9 L' w| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M1 q+ b6 S- C! c& o! l
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M" L1 {5 B$ s: _ A' r R1 R
| | └──9-Numpy_聚合函数 .mp4 23.68M
9 [+ P2 v9 X: o7 A! N* {9 f) H| ├──2--数据可视化模块 7 T% `) i+ O; E7 _2 |
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M- V0 b: e+ c9 Q1 k0 o& p
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M8 K* |0 B- ]# S
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
. o& R u! M; E+ o% U| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
6 e9 K' ?% R2 t| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
5 V' E, f- R; e$ p. M" B| └──3--数据处理分析模块Pandas
5 ]4 `: K, k) M7 @4 D; I/ ~! \| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M0 S+ [+ K" p/ ~( L8 X: [2 u* y& {
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
' \6 d i! y, e| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
9 v; }1 Z s) A' c| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M' x) ?2 C' i8 y) ~
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
' B$ g4 R/ X$ {0 {| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M, M$ e- ]2 F$ S' @' i
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M5 E, Y8 S; G t6 C1 o* M7 U# a
├──31--【加课】 强化学习【新增】
0 m, u! E1 {' \7 I% ]| ├──1--Q-Learning与SARSA算法
2 J% z- z* ]8 b4 n: B8 a2 G3 w# K| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
* S6 V/ O1 e! O( j| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M' M) l6 L$ @( L# q; n& y
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
4 u. @; G1 l- {, d6 {4 u; r1 h; \| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M) m5 `7 o9 n" v9 a2 Q( n, [3 l
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
. j1 y' X! \$ G+ Y. J/ P1 a| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
1 @5 n. b" l8 I. \5 ?( b| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M: u* X. P) {' ^6 w& \
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M; s6 \: c: e4 b9 _
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
. t9 _0 ^$ m, e( c7 || | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
& ~! ?- |3 p" T" L- ~+ B| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
2 l% Y7 K6 B9 I, Y$ b0 e1 \. f" b| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M- \+ A7 t m. u: t- g% Q2 p1 e' P
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
8 }& J- x. G( F* F; m% S% h| ├──2--Deep Q-Learning Network ) m# J/ B% z: O, F
| | ├──1-DQN算法思想 .mp4 59.24M
2 [9 A4 s3 ?8 W$ S| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
. K. v& Z9 {; W3 c3 k" i2 `| | ├──11-DoubleDQN代码实战 .mp4 44.49M: y- X x6 Y* }+ [
| | ├──12-DuelingDQN .mp4 88.12M( d. V. f+ M; m' r1 u5 f' A2 b7 d
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M5 r5 _0 Y) K( ~
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
, E$ L4 {8 P+ b& n( {. ^! T) Y| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M7 }; x5 Q0 E- X; p
| | ├──2-DQN算法具体流程 .mp4 56.17M8 G6 l+ w' V6 j, q8 H
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M/ C/ W+ g8 Z/ g
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M% K* v8 {5 @" y! I8 K
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M- E0 L+ T4 Q/ Q0 F
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M: [4 P; c% y, L3 `4 {
| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M2 W: k) p7 Y' G( n
| | ├──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
5 S: S, C* O4 T9 b9 E| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
3 g3 w1 m5 Z) m& I& I/ r5 A| ├──3--Policy Gradient 策略梯度
9 ?1 K$ y1 J1 W* D4 H| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
. V& K6 T( Y( I! ~8 E& F- B| | ├──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 34.22M0 d8 `4 w: F9 R7 e' Y x! v* `
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M* l! P# P2 Z! {" @
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M0 F4 L) N' W8 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
1 J" I9 o/ h8 l, b| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
- J& v9 e) J6 X" q7 q0 h| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M. G$ ]8 z! f* P3 Z* m: i. Y; M2 K
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M5 t5 M4 b' D" j
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
! Q& q: Y( ]7 b- e6 M1 r5 T| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M8 i0 N, S1 N0 G
| ├──4--Actor Critic (A3C) 7 E$ I- p9 o2 T& t& Z7 M" `9 z
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
. U) I1 }- N& O6 [0 k- c3 U6 v| | ├──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
9 ]# L4 M& p; v| | ├──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 40.24M0 w$ e- |$ k5 P0 c j0 I$ T" I
| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M$ Z" U$ J0 V6 o6 r, T; ~
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M& g8 S2 P( D; y& u" v
| | ├──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
% |8 @. B k* N: N1 j| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
6 H$ [& I5 F+ v8 S5 N( o) l3 D| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
' j5 h3 I1 B3 @/ F3 @% y# _; O| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
3 D- u2 V! D/ z) R0 r| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
# s; F; e: x/ M! ^* [2 K/ `| | ├──6-A3C架构和训练流程 .mp4 74.66M
' T2 a2 C% T7 l+ h| | ├──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
+ Q5 S9 V* \6 n1 C4 U; Y- t| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
% f0 C3 |3 H( s| | └──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
5 E2 g w/ H: x9 A+ G J( m| └──5--DDPG、PPO、DPPO算法
3 b* G* L% O0 Y4 h| | ├──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- G6 }; o/ d- U3 Z3 \# X& ?
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
& a! B% N% Y8 o6 W3 ~3 J% t| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M& Y3 p" z5 H) I4 W7 n" R( C
| | ├──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 r2 O9 u& i% A/ a3 t# O: C
| | ├──13-DPPO分布式PPO .mp4 63.81M
; {% ]9 ?: Q/ N' z; U/ z1 R| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M: a. w; J( \6 Y% z3 I8 B/ V
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M+ U2 C* _ z% ?4 @* l+ P3 X
| | ├──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
+ c( {) G0 B. E7 i' X| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M6 d+ J* L, y3 S4 \! @' ]% l3 T
| | ├──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; X# R1 a( A4 g" q) X
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
1 G3 b4 A6 F+ f: i/ r0 m s4 J| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
. O4 _- N8 Z# `2 e3 q9 L| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M$ l; t" t6 F4 |8 Q) |
| | ├──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
0 Q! c- V4 e! }. G: Y3 L8 L| | └──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
3 h2 E) p/ l& s: O5 W+ g/ I├──4--人工智能基础-高等数学知识强化 3 r, ^+ l' g1 C1 f
| ├──1--数学内容概述
" _; T6 j0 W9 |/ r |6 i1 H| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M# M9 M; A% i! I7 W3 a& R: B' g( u
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
2 D7 r# o o# [; j) q( g3 r| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M9 N, _2 w6 b; I/ n; K% q9 l
| ├──2--一元函数微分学 * V3 F7 e0 T- y6 Q+ z- S, `
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
) M* q- a# _( _: O| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
0 O f2 {7 E2 K2 I6 d& w| | ├──3-常见函数的求导公式 .mp4 22.76M2 i, L0 t* \2 n9 ?% ]; \
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
, a7 M& T5 U* S( L| | ├──5-复合函数求导法则 .mp4 19.68M
9 C2 ^ M% \! T6 J( {3 ^| | ├──6-推导激活函数的导函数 .mp4 33.40M
! o! z# ? @1 G. A$ G; X5 u4 || | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M/ m5 P/ }0 G% Y$ A* X0 l- ^
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M/ q$ n6 R$ ?0 ]+ ]
| ├──3--线性代数基础 / Y3 U4 k: l7 D8 L: P, U# p5 k- v
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M8 k9 Q2 k B& G) s$ g5 E
| | ├──10-矩阵的逆矩阵 .mp4 38.54M6 ?" b, V) b* F2 G4 b& B6 x' H
| | ├──11-矩阵的行列式 .mp4 20.13M
8 Q# D0 E2 g7 u| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M' c7 o8 C% N! D" ~
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M5 u4 N8 q F* W) A& w
| | ├──4-学习向量计算的用途举例 .mp4 20.32M* p8 {* R" c1 f9 M
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
, i/ n- y, i( d7 X8 s- x| | ├──6-特殊的向量 .mp4 26.45M
+ O* R% K+ @4 W% q, P6 R, `( ~1 K| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M; U& A) ]0 C q" H& O
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
& u, h: o) n# `. I| | └──9-矩阵相乘 .mp4 20.02M
( \/ D, \# x3 j0 e| ├──4--多元函数微分学
7 n3 ?6 K3 O& B; b: @9 ?$ U g| | ├──1-多元函数求偏导 .mp4 22.61M
6 y) L# i; {- l! E2 i+ b7 M| | ├──2-高阶偏导数_梯度 .mp4 27.15M8 h/ `! y _, H! d9 M# S
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M+ K; _2 @% C/ o
| | └──4-Hessian矩阵 .mp4 32.93M
( z2 ], @5 I7 N# D| ├──5--线性代数高级 5 v; M: B( q& D) p9 L: z- o: n$ |& F
| | ├──1-二次型 .mp4 27.70M
) ?; n) O' f- g0 x8 y( L) \| | ├──10-SVD用于PCA降维 .mp4 24.90M) h7 q6 W/ o6 b7 W2 W' `6 u5 [. v
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M$ ]1 ~' L8 B. g+ o
| | ├──2-补充关于正定负定的理解 .mp4 23.48M$ D q, P; U1 E$ L F
| | ├──3-特征值和特征向量(1) .mp4 29.83M' ^+ |6 h: P- `" v# F" D
| | ├──4-特征值和特征向量(2) .mp4 30.07M z$ N/ F) `7 r. L) N* o
| | ├──5-特征值分解 .mp4 38.68M9 e. |. d/ T" y$ O1 `
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
8 z6 j% r7 j' m3 _3 E| | ├──7-奇异值分解定义 .mp4 22.58M) F' L- Y `/ E: w! E
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
* K# M9 S6 T! C/ c+ e" X2 j| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
3 |! E/ \5 e1 N! ~0 P8 P| ├──6--概率论 ' } r1 u. {. @
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M" ]" S Y+ j1 O% z5 Z
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
. d1 R8 ?6 q" Y( [| | ├──3-随机变量 .mp4 22.57M6 C+ i! O2 ~, o4 v b
| | ├──4-数学期望和方差 .mp4 22.96M9 L, J: w: m+ X! |( Z" O- C
| | ├──5-常用随机变量服从的分布 .mp4 22.48M. _: `( L8 C2 G" g" |8 V2 M
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M, C; i: B, Z; j8 S% g0 Q. S7 n
| | └──7-最大似然估计思想 .mp4 23.42M9 I) o6 H4 `" B- ^# Z3 O0 ]% [
| └──7--最优化
1 b) }+ A: ^# R. w# O5 h- Z| | ├──1-最优化的基本概念 .mp4 35.14M8 b2 K( a* q1 C
| | ├──10-拉格朗日函数 .mp4 27.46M
2 L% L4 B5 _; o* r/ m| | ├──2-迭代求解的原因 .mp4 20.15M
& m/ X1 k+ f8 n7 ?| | ├──3-梯度下降法思路 .mp4 26.33M+ A6 C/ y3 C5 [/ v
| | ├──4-梯度下降法的推导 .mp4 43.56M2 R+ H- c: V4 y7 e- v
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M9 \, D! K. I/ ~& b. P3 B8 ~
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
# ]' |; V2 P. I| | ├──7-凸集 .mp4 21.90M
& G* u' p# E$ I" f| | ├──8-凸函数 .mp4 16.93M
8 w& h) @& m, H' L8 R| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M. a) ^% m+ b9 H4 C% I
├──5--机器学习-线性回归
# n5 a, f# p% R+ g1 u/ v! p7 \0 L h" L| ├──1--多元线性回归 & Q. L! k8 m0 @& T& m( `! p5 f
| | ├──1-理解简单线性回归 .mp4 51.11M( `' ]& `, k. p' P- g5 D
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
- J* p6 N* h1 V% R- e| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M/ H& e6 I" @4 N
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M% J) c U0 u) Y5 k# f3 q3 `6 P5 ~
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
- \2 H" ?% A# s R3 j6 x| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M6 o/ R8 q7 {' i, H- `$ Y- ^
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
2 [- K! l+ v. Q6 J0 A! h| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M1 `/ Z0 ]* ~ ]( O/ A( S( v
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
- Q V, Z; K: D' c* S* T6 O| | ├──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$ q. y4 S% V4 m9 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
* d+ m: A" z1 B5 ?# L| | ├──2-最优解_损失函数_MSE .mp4 39.58M
, O8 s2 p! ~& B| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M# \0 v0 P: ~0 ^& c# Q. u/ Q
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
6 ?$ m( d* _6 J0 Z- y3 \6 D| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
) y# _ `/ k& m# R| | ├──3-扩展到多元线性回归 .mp4 32.15M$ o; w; o# m, f4 \6 ~8 \8 s; v3 Y
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
7 `% j9 ^- }8 @1 U| | ├──5-理解维度这个概念 .mp4 41.41M: N9 q: ~8 u% A( E o* p$ \0 u
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
3 {+ ^. @& t2 W| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
j4 n& G8 i& a, j| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M: ?4 R/ }9 v2 r% B
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
$ g" i+ J* V' a4 D& ]1 ^| ├──2--梯度下降法 M2 H1 E+ f7 @! _- E
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M6 ?- O1 f2 T/ l) |
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M6 _0 D; T# Z! k( H
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M9 G6 G+ J9 t% e+ x# B4 h
| | ├──12-代码实现随机梯度下降 .mp4 26.67M. I0 J9 ~& j7 g4 x+ C1 m+ [
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
1 ?1 t- r/ ]* ?. j. H) k| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
& v ?" a0 X0 N" N I& [' L| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M+ d8 G4 f8 o. |# h
| | ├──2-梯度下降法公式 .mp4 57.12M5 Q$ D# W0 `) }( X9 B) x
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
9 N% g, w" k: B% A# t| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
/ U# L' W: |$ V Z| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
9 x$ u7 L5 z2 s9 x! w! Z| | ├──6-全量梯度下降 .mp4 62.84M/ }% P. o1 W$ x! `; e) ~, m
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
, J! o0 ~ o' e3 V$ g| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
# N$ z* k& O3 I. G| | └──9-轮次和批次 .mp4 45.22M
& N8 J! i6 l& ^0 k- l2 ~ v* ?| ├──3--归一化 ; G7 y) D; I/ z( r& D# z0 u
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
$ f( f7 a# N7 b 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
. `3 o7 k9 Q# ~' ~1 V0 ]| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
) g( U8 P9 {1 @* {$ t8 }| | ├──4-最大值最小值归一化 .mp4 24.87M* x: f3 n9 v/ g5 n$ k8 b" f' ?
| | ├──5-标准归一化 .mp4 51.86M
' H: @) m5 w% q, N6 ^| | └──6-代码完成标准归一化 .mp4 41.13M
( p3 C; O$ z9 {" C; d$ c0 d| ├──4--正则化 9 ~' I9 O) V0 n' h V
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M" C: b0 I' e9 Q$ n
| | ├──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: O! w' j- n7 Y8 P$ t
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M+ I3 Y/ ~$ _ {7 i- V. ~
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M- d, z. V3 H2 @9 f
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
% p& ~1 U( L$ U6 @, m| └──5--Lasso回归_Ridge回归_多项式回归 & [, V3 n$ j. n" `+ r
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M) i2 G& J+ {( O1 T% I) }) c
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M% g" h; W3 {+ j: j( A
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
; X) z7 l6 m/ k- L6 y| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M- g# E: {8 d3 M1 |- T7 G# |
| | ├──2-代码调用Lasso回归 .mp4 28.73M
0 m# f! ~, [, B+ B, U| | ├──3-代码调用ElasticNet回归 .mp4 53.67M6 ~8 R4 |* H% p" G7 @
| | ├──4-升维的意义_多项式回归 .mp4 48.06M6 i3 G3 h) J" R8 ]7 T) g
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M { S8 v# r8 o0 _( H: Y# f( V u9 F
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M: h1 j- Q% K) l4 ]* R7 }
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M+ L# N6 v+ B! I# ?' X" ]$ K& F
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
' b% J0 \& z$ g! z$ \) h| | └──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
+ i9 Y0 n& G3 o7 w├──6--机器学习-线性分类 " l5 c% G1 X2 I- [+ X) `; G3 ?
| ├──1--逻辑回归
7 y/ Z3 I& L8 |8 V3 E! H, w o* |- `| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M( x( w$ d; T5 H
| | ├──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 39.83M6 U# V4 V7 I. B8 a0 \) S
| | ├──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$ ~1 I- \4 c `+ M- r
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M% Y: X8 ^; u. P t1 p9 l: _
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M, |8 T: m3 r1 d( I+ b% ?; U, W6 y5 [
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
1 U' Q' n5 H2 ~8 g3 r( i. [% U| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M- G: f5 u" I9 Q1 D/ r) X
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M/ x, U* e+ i) P. H, i* K4 ?
| | ├──2-sigmoid函数作用 .mp4 38.15M8 A& b+ ~$ k0 B# s W3 X1 _! c. s
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
9 I0 T: g' b0 t0 J& C, Q| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M+ L/ p9 y+ M+ Z
| | ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的 .mp4 6.71M
g$ Q' u0 j) [* J4 N; A' V% b| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M) K3 p3 o# d( @' d
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M K# G* w" L% h! A" d; O
| | ├──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
( T! n) e# |9 q- x X6 b+ m( N| | └──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$ y( M' F' _4 W# p7 q
| ├──2--Softmax回归
4 M5 l4 Y* _! [" Q9 J| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M% l {1 V3 \5 m
| | ├──10-实战音乐分类器_代码使用傅里叶变换将混音文件进行投影 .mp4 42.74M
2 Y) u8 p" e5 C| | ├──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 49.16M8 T: ^ G: J% t+ n1 r Q$ x
| | ├──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
0 l* X4 d% q1 o| | ├──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
. f* E( a( j ?4 @( Q3 [| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M- z/ S( l' t8 S- d' u
| | ├──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
1 ` V! G* @, V* C9 N5 C/ ~| | ├──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
) T" a5 f* s8 H' m4 P9 V| | ├──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) x* e: }" G: i. \; o, v| | ├──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" d2 F) q; l4 t! o
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
/ \7 X. Z4 q+ R9 Z0 K3 t/ ]$ p| | ├──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
9 C; x7 L( Y6 A' R| | └──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
/ y( X: L, c& l| ├──3--SVM支持向量机算法
& U9 f2 u$ T& T$ F| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
( d2 l0 z# u! m8 v; s2 f| | ├──2-SVM的思想 .mp4 55.56M, b+ F3 |% T' }4 {+ A
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M6 _$ ?3 B1 q) ^; S& Q K
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M, t8 C6 A3 n" k- Y Z
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M% Q" o2 ^! G; x! j1 e
| | ├──6-总结硬间隔SVM .mp4 39.01M# g& ~6 z F* r6 l" L
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M- u# C$ N! L- f
| | ├──8-非线性SVM .mp4 54.43M
7 H: S9 S# `6 n; t| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M7 ?/ {& m9 ?" @
| └──4--SMO优化算法
! @; X Z& T7 J6 r, W| | ├──1-SVM算法流程总结 .mp4 58.36M4 d$ a6 }5 z. ^1 o. |
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
* o" B( @ w. m3 @! B| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M8 A' O& M, O c/ O2 p+ S
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M- Q' F0 U2 N. |, h# |
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
# i. B* z* T8 i8 H| | ├──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, ? J3 w1 D w
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M K, C) c3 r, p% w( }, k
| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M
- t- C: a' b, a, A8 W! y8 B| | ├──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
: ~3 G* I) _- F% I: b$ X| | ├──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
4 Z: H$ ^' B j5 h1 }) \. S+ H| | ├──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
7 F1 D# D) D4 T$ k| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M7 R9 ?: ]0 |3 R
| | ├──7-启发式选择两个α .mp4 23.11M
6 x0 h: @. I+ b! S$ x6 y| | ├──8-如何计算阈值b .mp4 50.18M
8 G& r4 x' M% o7 H$ n/ O| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
3 m/ e# H9 e; k3 _ j. N9 ]├──7--机器学习-无监督学习
! r' s) M9 N! V' x1 G1 t| ├──1--聚类系列算法
5 g0 W( `& J- H| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M* G! Q) O7 B! P6 K, y# w6 j/ s
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M& j4 S3 g" Q4 I
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M' g3 H2 H4 Z( ^
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M5 Z4 ?; @5 F; [- S. c6 g8 H- c
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M l) B, [ z$ y1 X: d8 T9 v
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M% {0 G; T/ m/ ]" K
| ├──2--EM算法和GMM高斯混合模型
3 O' O' q5 O( x" {3 D) m, n/ R& @| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M" m* y; f; F1 g0 Z; A: Y& {& E* g
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
2 `0 n, [" |$ Y| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M/ L9 V) k$ f9 c* b4 r
| | ├──4-Jensen不等式的应用 .mp4 109.17M' \. f4 ~( i- C) P6 B$ Y
| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M
: k* E: Q' ^5 x- k6 X| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
' p0 J E4 z( [2 i; x* X| | ├──7-GMM前景背景分离 .mp4 16.01M/ A L2 V- J2 \/ q0 Y1 R, G
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
* r- b* S9 I" l. _- N7 m| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
* M; G9 @. W1 K! r& \; V| └──3--PCA降维算法 3 O$ S: x7 i% n- a
| | ├──1-特征选择与特征映射 .mp4 49.38M$ K [. x$ a( r g
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
& ?5 v8 w5 v' b| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
: O. K2 c* w) V# F m| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M X, G9 [4 \9 S9 s
| | └──5-PCA的几种应用 .mp4 54.58M0 y+ k# s, L+ P. u/ C
├──8--机器学习-决策树系列
% ]% x) q/ t7 `% }| ├──1--决策树 $ a b3 g, w! P: i
| | ├──1-决策树模型的特点 .mp4 74.88M
( k2 A& ^- G+ h| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
0 M u- |$ S8 e3 X| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
; u& X3 P" O5 @0 @7 p| | ├──12-后剪枝的意义 .mp4 50.49M
3 X$ Q" B* M& J3 T$ e: { t| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M3 Z8 N9 Y+ k; `7 S
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M' n, e& M6 b" t: t6 Z
| | ├──2-决策树的数学表达 .mp4 89.94M
6 @; f- g- ?) f0 B+ _ u% M| | ├──3-如何构建一颗决策树 .mp4 84.87M
! ^3 w6 p3 V: D, F* A* f| | ├──4-什么是更好的一次划分 .mp4 57.02M
. U6 d* r. l2 _! l6 o| | ├──5-Gini系数 .mp4 107.54M t4 ^! N- [$ w- G5 O. i) f
| | ├──6-信息增益 .mp4 75.26M
' A. {. Y8 q- I; c$ [| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M6 J5 r% }. \- t& r, g
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M! G0 |% o+ k! L8 o4 T" ` a
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M) E" n- A3 V+ K5 d/ ~6 j% S
| ├──2--集成学习和随机森林
* q0 j' A$ w/ ^ I1 s| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
4 L+ ^& e( S3 E6 v: J2 p) Y; Q9 D| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M6 S' t( h- Y* Y: u- O2 } C
| | ├──3-随机森林 .mp4 108.14M
4 {3 t+ [7 r, h, ~) q, ?# l| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M$ d7 r4 R5 }4 y$ w# n
| | ├──5-OOB袋外数据 .mp4 106.07M1 w2 P' Q& F$ R0 x6 h6 o
| | ├──6-Adaboost算法思路 .mp4 106.30M) H+ g/ a e4 |
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
0 {! e1 W3 K7 [" u, H| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M( [1 n1 f3 Z5 v ^+ p8 h5 g
| ├──3--GBDT 0 M7 W/ ^8 \3 O% b% @
| | ├──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
+ @ v# b2 D- r+ S| | ├──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( s+ Z2 ?# E0 C+ _( K
| | ├──11-GBDT多分类流程 .mp4 73.80M
% i; Z% V4 L( {4 j! n0 S| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
, }/ O& J, q3 z/ t" s| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
T' ]( g/ m8 S' c* D- r! q' p| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M% u: c! N% j: a {; {: E. P
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
+ d8 A$ `' j2 U* i& G| | ├──16-GBDT多分类举例详解 .mp4 91.71M i- D y" J, [1 g0 h: ~1 W
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M4 \ @' q* p8 y5 G2 O8 I' X2 l
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M D1 |) Y. X" Q$ M6 K
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
: P6 x" @' t7 A, t| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
4 ]% f) w! l) Q+ B4 T& F| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M0 ?" a. ?! w: ~8 [- {
| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M9 q8 B" o5 F3 [) I4 \( N
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
7 {( I _1 z/ x, P| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
% M+ |7 |4 k9 N8 M| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M
6 \1 C- U8 v1 z. Y; m B, p| | ├──4-GBDT应用于回归问题 .mp4 84.66M
% a9 w, D) M2 b- i1 O( s7 O| | ├──5-GBDT回归举例_总结 .mp4 108.52M8 w7 G- G+ J# n' P$ t% @
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
+ P+ w: ]4 Q$ L% y) f7 v' ` b4 Q| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M6 G9 N$ _0 v7 O6 c
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M# p9 U; ~0 B, I% g: y1 G. u/ j( a2 h
| | └──9-GBDT应用于多分类任务 .mp4 73.34M0 Y5 s2 L+ w2 L ~# [( M8 Y( M
| └──4--XGBoost 2 s4 h, Y! r& B2 a- [
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M1 |3 W2 z' U7 z3 S, q5 k1 \
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M+ Y% F2 U9 W, l8 w( ~9 x3 y
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
; G; ^4 ]+ s9 j& ~! I| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M3 {3 b- ^, ^+ h" E6 _
| | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构 .mp4 106.69M
- A4 i- A' b5 \- n* ?| | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件 .mp4 73.80M
9 N6 F; N1 a9 m$ v% S| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M3 |1 k& m2 z3 W: p6 a
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M# {+ M( e" n+ d4 v* y
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M \) L7 h9 ?$ I3 x; V' R7 p! T
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M: L8 K& r; ~- N
| | ├──3-基于树集成学习4个优点 .mp4 91.36M/ v v/ x- J5 L/ p7 U
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
: q# J3 g5 A; e9 y6 Z/ X| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
. u! }8 A) l0 G| | ├──6-Objective_vs_Heuristic .mp4 60.42M' d8 A4 l. [9 Q" X
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
+ {# ]3 s h& j! d8 {| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M; X' L. n9 `2 _
| | └──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
. i$ l* K" g. s3 E├──9--机器学习-概率图模型 7 J6 w' p$ l6 |/ V! n
| ├──1--贝叶斯分类 5 {, ^3 {% j! K9 D9 t
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M! d" h& I$ }5 q
| | ├──2-TF-IDF .mp4 53.08M- \8 b/ n+ f( j" k5 U: h
| | ├──3-NB代码实现解析 .mp4 126.73M
8 O x9 R7 ^" n% E; Q| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
' B6 s! P' v$ Z8 u0 ?| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M3 ?! g1 r2 w* @$ J% Y/ `& G* f
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
% x8 }9 R! @7 X$ c- i| ├──2--HMM算法 # c- C6 k' b9 a# Q
| | ├──1-HMM隐马的定义 .mp4 36.82M) [3 ]; O+ {7 O# h9 q6 g
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M: {' t. P. s d. ^
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M) w, Y6 ?9 Y5 d7 |& b6 b
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
. ~2 Q: p9 h7 p) D/ e| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
) [. U( ?! s% r# V6 N| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M y: p! ~+ m; l1 S+ o x
| | ├──7-Viterbi算法案例详解 .mp4 107.12M4 h: F/ @# @+ u% T* `
| | └──8-Viterbi算法代码实现 .mp4 42.43M7 ^" L! ]" m' N5 K
| └──3--CRF算法 ' }0 d3 [4 K" [* Z6 S5 `
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M3 m3 X+ U+ a7 ?6 Q
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M" {8 K) N7 S3 K* F$ P# T2 O
| | ├──3-了解CRF层添加的好处 .mp4 105.90M( | ]& x1 ~* i: R
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M9 R; }3 o7 x7 k
| | ├──5-CRF的目标函数 .mp4 23.74M
6 e) g% `5 }& t2 ^! L| | ├──6-计算CRF真实路径的分数 .mp4 50.37M" V. @8 }9 a ~- |2 I; B3 ^2 x1 f3 M
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M& [6 S: `6 b% T
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M( K; _0 {3 y( K' \
└──课件.zip 2.54kb5 S% B7 Y. q1 n4 ~
% D& V$ i8 } r$ v: c4 p! n- i5 }9 Q" u b& r# Q a/ ^
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！4 D- j6 z* `" y$ r7 Z( |
! \* ~1 y" |0 q2 ]3 J5 R9 p! @% J; p, i* b; D0 _$ s) w" P u
|
/1 
