战-人工智能2022/5 b7 c. c: w0 i5 A
├──1--人工智能基础-快速入门 ! P1 N# i+ [2 }( [/ C! M% T
| ├──1--人工智能就业、薪资、各行业应用
; W" K H' ~/ w8 g- x8 ~| | ├──1-人工智能就业前景与薪资 .mp4 52.07M6 ]; {* h" }) n2 c; x; q
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
4 J8 A* U9 ?! n. S. U| | ├──3-人工智能时代是发展的必然 .mp4 23.22M( O8 ?5 N2 r1 o) K% i
| | └──4-人工智能在各领域的应用 .mp4 57.73M0 [* L" | ?: O* Q, g0 R
| └──2--机器学习和深度学习、有监督和无监督
+ k9 H: G8 B1 {1 u2 ^0 x| | ├──1-人工智能常见流程 .mp4 89.62M! q; s$ w$ U0 g7 Q @
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
* x W0 B7 E ^1 h* b$ d6 r| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
! m- t$ p; P& f B( ~| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
. G) A I4 Y3 M: Z( l| | └──5-无监督机器学习任务与本质 .mp4 50.15M
# S C6 B: f' E$ G├──10--机器学习与大数据-Kaggle竞赛实战
# q: M+ p. U9 B8 o7 G| ├──1--药店销量预测案例
/ c$ d3 V5 O; || | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
* I& [, k4 n1 A" q$ T: I6 w/ V| | ├──2-对数据字段的介绍_导包 .mp4 19.90M) {! h8 M1 x9 A
| | ├──3-自定义损失函数 .mp4 21.12M
0 q, r* m4 i7 O% {| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M! J" F7 U* [1 n3 T9 W% p
| | ├──5-数据的预处理 .mp4 111.81M# ?3 a7 Y5 t/ q( M: ~# ?. [
| | ├──6-模型的训练_评估 .mp4 66.64M
( F" x- @% @, G9 h; i6 B; ~6 k# b t3 S| | └──7-kaggle竞赛网站学习 .mp4 172.16M/ ]' J% C* E1 \- s3 u
| └──2--网页分类案例
/ o5 s: }. M. B! p| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
1 I: _' q9 R5 E| | ├──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 85.63M4 s, o; \% w/ @7 ~4 b
| | ├──11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03 .mp4 68.80M
1 a, X+ t6 x) B1 R& Y| | ├──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; U. N E- P4 {4 Z
| | ├──2-评估指标ROC和AUC .mp4 56.19M
. E2 i5 Y( { `8 @+ u- G| | ├──3-评估指标ROC和AUC .mp4 49.03M t! k( H. ~" \ z/ c1 X
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
7 [- b# h- x1 |! ^- [| | ├──5-数据导入 .mp4 68.41M/ D: e5 ]1 C+ ?" I3 u7 X
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M* R& N d: K! s I3 X
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
; B, w& W) Q* ^, f& h8 t| | ├──8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数 .mp4 62.48M
! _1 y% w1 ?( ?| | └──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
9 c5 A, E1 D1 Z- F├──11--机器学习与大数据-海量数据挖掘工具 + X2 E0 G9 M+ \. _1 e2 _6 }- A
| ├──1--Spark计算框架基础
) P' @, t5 w6 _" W# c- U| | ├──1-Spark特性_01 .mp4 41.68M
0 U$ U } m& k" ]6 i| | ├──10-分布式计算所需进程 .mp4 26.30M
/ ~: e9 G2 |4 C6 b| | ├──11-两种算子操作本质区别 .mp4 56.31M
0 `6 P; ^, C* ?! T, z# q8 | J0 M& |+ M| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
& _; u. L2 d8 r" \7 d6 E4 l6 N| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M! c# V: k& J% g# \6 o x
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
7 a/ E& j y8 R$ @, O& a| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M- ]/ P. U) @5 D" i% u9 B+ x6 k4 H2 O
| | ├──2-Spark特性_02 .mp4 35.15M3 [# l6 }/ f. ]
| | ├──3-Spark对比hadoop优势 .mp4 19.34M3 W3 @5 M0 U& U% K# A/ D
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M, ]! P, a4 r0 E8 B
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M6 O. I6 z2 K, m2 v: T
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
. H. X+ l1 O9 X/ Q* t| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
L& D9 P$ _& }. r o$ a# s; \$ N2 W& X| | ├──8-Spark的RDD特性_01 .mp4 33.08M( p8 r' C3 a+ p7 b" g
| | └──9-Spark的RDD特性_02 .mp4 33.41M
* N9 I3 ^% ?- ?- A" R( E) b6 M$ @| ├──2--Spark计算框架深入 7 s; }) [% y& t7 q }- Q+ k( v
| | ├──1-Spark数据缓存机制 .mp4 54.43M
w( d& {6 x3 g8 I2 \| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
4 p5 t/ O: W4 d8 a| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
, [0 v2 `2 Q& y7 e| | ├──12-构建LabeledPoint .mp4 111.08M7 \2 U0 b3 t) p
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M/ h. V g* q3 S) t8 }
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
( z+ c* y N! R| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M2 \2 U! J2 M* u! \3 W2 e' g
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
" A" V" j( U0 v/ [5 Z; N| | ├──5-Spark术语总结 .mp4 89.66M- w& W) v0 S) H+ Y/ y8 X
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M" {2 `6 ]7 O+ I. w% t; z
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M/ `% Y; c3 C5 P( v
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
% T' F% {. f, `0 t$ ?( I( K| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M% v& R+ O. c% c6 S" W& n
| └──3--Spark机器学习MLlib和ML模块 / B8 j( N3 E) v
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
7 [ J+ z( f" N# P7 p| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M# a: G7 x, O4 B: [' m% C
| | ├──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
6 A9 o( |( [6 m" {1 s" |2 I8 z. Q| | ├──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
5 e- n0 T0 z7 T( G2 [$ q4 o/ \| | ├──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
2 f7 Z1 E- {, w5 E2 j| | ├──14-从数据转化到训练集的构建 .mp4 146.40M7 n3 F2 f) {+ q( O/ \0 R9 r' @
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M( z7 w. t/ c) G4 E: [9 V0 a8 z
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M% m+ z: q% r8 s' u# h
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
/ e4 H7 Z7 J7 F" ?: T, Y| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
) z# }+ C, I8 E# k" x| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M- e9 @! B9 L! u* _/ B
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
# A) |" y2 x* z4 L \6 ?" J# w| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M; h0 g2 v8 [: x, R- D
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M: k/ r& \$ y3 L7 N$ {# y3 b
| | ├──22-SparkML网页分类案例代码实战续(1)_1 .mp4 143.99M/ @8 {* k, X* }" p
| | ├──23-SparkML网页分类案例代码实战续(1)_2 .mp4 143.95M" l( T n, \/ ~* L6 m' E, Q
| | ├──24-SparkML网页分类案例代码实战续(2)_1 .mp4 177.12M8 Z( ?+ M+ `8 i
| | ├──25-SparkML网页分类案例代码实战续(2)_2 .mp4 99.25M
) Y4 a. u# D$ u/ H| | ├──26-SparkML网页分类案例代码实战续(3) .mp4 9.82M& S( B, {; |2 E! G
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
+ w+ ?5 \ _3 r2 e| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
6 B: R" p* j/ F0 ? P| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
" v. b: n- @- h: Q9 U# x| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
3 i! o `, i3 o) Y+ x9 {$ i| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
/ Q0 B% |' [& O, n7 O+ p9 \; G| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M, n& \3 ^! X% ?+ m6 q
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
3 o# I6 C2 R: U├──12--机器学习与大数据-推荐系统项目实战
- h) X( P* n& d- J. Z) _- O0 {3 f| ├──1--推荐系统--流程与架构
, y5 B: S" F# ?3 A9 o* }| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
( A) h5 T+ @- R( Q# f& i| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M9 y7 k, [4 ?1 ?6 ?9 X
| | ├──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$ G0 e. d' I& Z7 i. l5 _. a+ J# Q+ n$ ?
| | ├──12-推荐系统_数据源_1 .mp4 79.07M
$ f$ H% ^ _4 U| | ├──13-推荐系统_数据源_2 .mp4 82.90M
: y G& x3 Y( @( _0 t7 u1 `| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
: w1 i1 i, b7 c' I$ D8 {| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M, K2 \" C2 Z0 d& c Y+ Z O
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
1 p+ Y- a; Q- K; j$ F1 T w| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M) ~* c% h8 F) Y& E% N# x `8 G
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M% e0 N# s) q+ J9 @
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M2 f) u5 ^- g: T) p4 U( }
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M. v: j1 U8 x! L# p! [7 Q
| | └──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/ B: K! R1 r" V
| ├──2--推荐系统--数据预处理和模型构建评估实战
- S5 z6 V6 w- ]9 E! g/ ] Q9 m) h| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M! M( ^: _, J$ ?* d k+ t
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M. u2 i( {8 f) v3 q% t
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
4 t6 t6 a1 q0 v, t; Y# m' `4 R| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M; Y" b6 j3 k8 _+ J# C
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
& _' k( U0 ]9 c8 Z k| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
; Y* k; Z. P" G# C& {4 }% k1 [| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
8 ?3 x; C& T5 V8 z: K| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
4 P7 q% Q( \' q6 K* ?! k| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M5 X5 A3 U' ^) N7 U" C2 k
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
: L/ _# T, o5 e5 b. l' k* J| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
4 L+ E4 y: X* c$ d1 N% }( L1 n| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M* M$ y" ]& C/ F6 R9 t
| └──3--推荐系统--模型使用和推荐服务 5 e! @9 L' E6 E3 Y# T+ ?8 @# V5 x
| | ├──1-推荐模型文件使用思路 .mp4 61.89M7 d0 h1 X8 d# {( B2 F$ n& w
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M, X! B. ~$ Y; T$ t
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M3 L9 L( h' t7 F
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M S9 A3 J, ~# _+ F0 z* X
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M0 P& l4 V& M/ H1 Z0 {
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
2 ~- Y4 M+ N. R| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M. c, f1 n! s+ c) V: v" J7 J _- |
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M, I9 q& R, w' T
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
5 ~3 F+ A+ i$ r# H5 A0 c| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M7 r! x& E H( C
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
* }$ M( }& y+ C5 `8 I| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
$ B( m2 n* q { L( T├──13--深度学习-原理和进阶 + M0 \4 p1 Y0 z$ w" W
| ├──1--神经网络算法 $ c0 @+ w, C/ ]# M+ j1 H
| | ├──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
b g3 n( y/ y' q* R7 [. L! }8 l| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M& L' `( w ^) t0 ~; Y. j
| | ├──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 67.67M1 r: ~% S. O0 x/ G' z( _5 C
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M$ v, K- Q& t2 q" j4 k) 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, ? K! h. Z3 u) B4 X# n
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
* I$ g# [9 Q( R7 ~| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M4 v/ k, w* ^" N- V" R
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
5 E& h; \# d: _( b| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M B' G+ h l% V B% Q
| ├──2--TensorFlow深度学习工具
' c! g& n! r, u; K1 D$ @| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M; V# E+ q2 S& C- s9 y( {
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M8 p$ t; r0 `; Z K" N: ~1 T7 A9 [8 o
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M) Y/ L! l$ [( A+ W
| | ├──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
( o# f, @/ ~( A| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
" O" n0 A+ [6 a| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M8 k) u; y, b) u* R- E" t
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
0 ^" O/ w4 G# c- g) @| └──3--反向传播推导_Python代码实现神经网络 : o9 X5 {( k- o- q$ A
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
( }2 ~7 n$ N, V& Q4 f& l8 c `! C| | ├──2-反向传播推导(一) .mp4 127.90M
: u9 c# T6 y9 r+ ~1 J| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
- |$ ~) `$ u2 c7 u/ n| | ├──4-反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例 .mp4 81.20M5 y! B8 g" d2 I0 {* h( o
| | ├──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
; |5 M9 P9 I+ g6 {1 R1 n9 Z4 }| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M/ `/ @" P2 Z4 o0 G- b/ f% A3 _
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
( w9 C0 @3 X% A; ~/ h. j/ @├──14--深度学习-图像识别原理 $ Z. U9 e' a. ?
| ├──1--卷积神经网络原理 ; {% W! Q) j" }* f
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M$ Y3 M; W2 T" L# F
| | ├──2-单通道卷积的计算 .mp4 104.01M
, s+ U. q3 ~4 e) F7 x| | ├──3-彩色图片卷积的计算 .mp4 52.79M6 o3 i6 e% m9 Q P
| | ├──4-卷积层权值共享 .mp4 63.93M1 x0 Y$ _8 B! K3 Y' u0 H
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
1 c/ |/ Y a' A( c9 w g4 g| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
: g8 u7 X4 v, H5 |) ]| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
2 v6 l) X; E% h, ~: H| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
, ^0 h. V) U) k) j, G. U8 N| ├──2--卷积神经网络优化 : v. t3 s4 K5 ?& D4 r0 _7 A
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M. q c# _/ U n9 @! m/ Q5 Q0 I
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
5 ]9 U# `( y( n) V& t" r| | ├──11-Optimizer_Adam .mp4 141.12M/ B3 D7 E0 g" a( y, d& ]0 `- R
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M, [+ b' I; P& n# V& D
| | ├──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$ u/ b+ m6 b# |+ ]6 u! `
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M* l/ E( r' p$ h* a# f0 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' a+ `* q" w! Z- I+ a. v7 L
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M; B3 P4 Q" a& H3 u
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M2 t' O! S. `9 S% Y0 E1 H
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
7 r7 v6 Z$ g$ T& u8 e' H| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
" V$ V% A$ y- ?% W" ]| ├──3--经典卷积网络算法
! F, c- ?$ \# ?2 ]" j| | ├──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
4 m1 ^2 Y. r, W; c U| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M6 ?3 j- v# Q1 O5 h0 X
| | ├──3-InceptionV1_V2 .mp4 165.86M7 K4 f7 b! J \* A# O! _
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
' Y, W% y6 n* \0 H9 `) y| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
9 e; n9 k8 G2 ~7 M9 ] Y| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M' k0 C- t/ e0 r1 t8 J
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
2 ?" _& r0 o6 W' G m| | ├──8-BatchNormalization .mp4 99.23M+ J( ~$ o- Y3 O, ?9 ^
| | └──9-Mobilenet网络架构 .mp4 150.05M
8 T: Y+ P1 s: ?| ├──4--古典目标检测
6 r9 r4 G1 W+ q7 g0 v. `| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M- X% b& m$ A5 D. D+ e2 B# a
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M; r1 w) B* f3 W
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
$ K6 p9 X. P) d4 ?: ? B| | ├──4-R-CNN和SPP-net .mp4 124.06M
p+ J5 I0 l; a. g| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
9 f8 r% Y0 g7 H7 _( d| └──5--现代目标检测之FasterRCNN
* A1 l, u0 d* C# e- V3 ?* C `| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
! K8 V6 a( E5 u6 Y| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
- q$ j7 i* k7 T! j5 H; s9 ]( }| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
, u' A# w+ b% G) I& B| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M. i! [6 ]7 G/ f" X
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M4 F1 w, O9 Q7 P1 h& c
├──15--深度学习-图像识别项目实战
; W1 K: B* y& I+ t1 W0 _ L| ├──1--车牌识别 ( Z; B6 B( H3 G' O* ?; t7 y
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
3 V- T, O2 w* }) y8 {! ?" I2 s| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M- x( R H* E9 ~* Y/ ]: _
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
* o7 d) [8 j U) ?. m& X& T0 \| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M9 w8 y. ]9 o& H3 ]# A& C L6 B0 t
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
' `& S- n& v2 h| ├──2--自然场景下的目标检测及源码分析
4 ^7 b) m' }* i( P) j% c; [1 o| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
4 P! u2 l( z A. _| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
) Z( i4 L! r! f" E. }7 h$ i0 @| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
: I1 d; j/ i5 H7 C, R| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M R- z) u: G* z# V) | W
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M1 g1 w$ P: H1 |0 ~6 b4 H$ G
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
2 l- R' t, e1 \| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M6 t: m6 \9 a, Q+ e4 b
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M1 s) o9 O# V3 C$ K, z: ]6 J" x
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
$ {: H+ t0 ]% X( r& n8 D| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
( M6 k2 Q! z/ N, m3 O# t/ F| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
0 `+ o: m2 l0 N4 }! F- f| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
! ^" f/ v8 S7 y6 {| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
+ @9 i4 j. E* t4 A1 x) S| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M, O: C& Y1 {# A0 g H/ H/ Q3 o \7 r
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M1 L. q+ s0 |1 y) a8 C
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M! M- G* [- r6 H7 Z+ E/ v+ l1 r
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
( G9 g' `* i" a/ M( z! ?| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M5 q1 ]! Y$ F& a1 J; K' I
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M% ?* ?* E. c* _! P
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
! b% Y+ n* B& J( G: N0 \$ S( a| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M4 O! h) h9 E! w* k/ b+ p
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M! `3 U; _+ ^+ U- K+ }6 |
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M4 I) s/ b3 E0 G( v3 X* L: b
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
0 R# G, D# Z0 }- T/ @| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
# X4 d! S( U5 J; W| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
# j3 W0 M- w% }: z| └──3--图像风格迁移
) Q/ J, a \ f! Q" s( J3 q| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M A }1 K+ b6 I4 _' D' F5 p* M
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M/ q, d7 ]' [. a, I" C
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M& i$ X0 A* }& e9 v9 ` F. c% W4 p
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M$ k' z) M6 j4 ^0 O# G
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 w+ O! o, T9 @, b0 J8 e
| ├──1--YOLOv1详解 . Y4 }) w+ W8 Y$ I p% E
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M/ \1 X# {1 W A+ o
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
. _7 h# r! E* s| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
! B6 K: ?' J G6 B| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M0 @5 c1 U* [* H& \
| ├──2--YOLOv2详解
+ |% r/ _, f0 b T| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M, u" ?% f. e* ]+ q/ [
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
6 F% c' J, }$ y, o6 V) s| | ├──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$ N( B' ^' c& @8 E& r V& M. y0 e
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M! t+ h1 ^% T- v8 e3 c
| ├──3--YOLOv3详解 8 P% M* G* @0 B& A" g4 T8 x" t3 {
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M" {# }) `) v+ j, w* h
| | ├──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
7 ]. X f/ {, E" w" m| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
; y" D, Q/ F9 b: P" S$ h| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M( e. n- |3 k, n. H7 u$ _3 l" G
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M3 i* _' S; ~& f% n) V Q6 b, d
| ├──4--YOLOv3代码实战
/ u. y3 O0 _- n/ T) Y| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
; @* o" Z" f! F; G2 t8 ?+ L| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M& g; Y3 _/ } C: `
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M8 e8 O+ I: M/ q( ^, I' h
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M* |% ?, y8 k- v4 E z4 a+ _7 t
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M6 o9 e6 H; b$ J0 w, q
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
/ x# t A* v% G( Z' ^; @| └──5--YOLOv4详解 3 N7 o v: N0 _5 R6 G. {
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
7 S% w8 q" H7 e7 h T; ~: N d| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M4 R% Q1 g) b% M* q% y
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
5 Z0 x" s7 F: P, k. m3 `; [| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M0 d1 M8 K# |! \1 u) e3 A! f
├──17--深度学习-语义分割原理和实战 2 m6 Z3 _, G& X; D+ n; Y2 f) |4 L
| ├──1--上采样_双线性插值_转置卷积
& N5 i. Z. c8 M+ ]; G. D/ w| | ├──1-前言 .mp4 19.46M1 _+ s, f8 ^% }# S0 B+ P
| | ├──2-上采样_repeat .mp4 23.90M7 ]" |: t. V. j& D. b# `/ V/ }1 P0 ~
| | ├──3-线性插值 .mp4 34.48M
) L2 i5 ^% ]2 o- l0 W4 || | ├──4-双线性插值 .mp4 125.71M6 ]2 W* L2 X2 l5 @. X
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
6 N2 T7 m T. l7 {: S- }| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
$ T W, s4 o& E) V" _: ~| | ├──7-ROI Align .mp4 58.38M1 ?7 \7 P, z7 S
| | ├──8-FPN思想与网络结构 .mp4 92.14M
- ~' w% ^% I7 w" X3 j' ~# z5 O| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M( U5 U# m; o4 m/ e% r
| ├──2--医疗图像UNet语义分割 2 V1 s# f" Q4 Z7 K4 x( ]
| | ├──1-语义分割的基本概念 .mp4 18.33M. f- A7 D2 z* ^$ o7 z
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
1 p5 o( a; i( F7 @3 r, P: {| | ├──3-UNet网络结构 .mp4 30.41M
2 V0 n3 v' }0 Y+ l| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
- I/ e s5 T. H4 c: X! q. s| └──3--蒙版弹幕MaskRCNN语义分割 $ I" R, ^, t0 e' c1 }+ A: n
| | ├──1-MaskRCNN网络结构 .mp4 106.38M: H* p r- S8 P7 E6 K( T6 f
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M! q J: D; l- B* }6 {7 ^; }6 e
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
6 s0 h) k$ x: E| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M _) o3 M4 V) G( K6 u; B5 W
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M' Z I3 W: a8 F0 ^
| | └──6-MaskRCNN源码config和model .mp4 244.48M
3 p4 h9 R% l: ^! J5 H0 K├──18--深度学习-人脸识别项目实战 * _9 b& k6 X. }* s+ Q, X& w( k
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
3 R' E8 O4 L: u: }/ e7 X| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M: Q H) c' K/ _* Q6 u9 H. U: q4 Y Z
| ├──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+ e2 R- V* s' d c) h7 n
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M, | h$ n+ F5 ?7 d: `6 `5 d& l3 Y' D
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
& [! ?* B1 R1 a" s6 s| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M. F! s- ?* m. H) d; D0 J* V
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M7 a& j6 e: q7 \7 |
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
7 [! U( K" k7 ]+ m| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
9 h, h+ U( w* h% u) Y| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M- h& p; y. _6 M8 l! X8 T
| ├──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
, W+ Z' `) X% Y4 W2 g/ N) q5 S| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
' D' [" @- r, o' n0 f4 p! B, D| ├──3-人脸识别项目代码整体结构 .mp4 30.40M+ b0 X* C2 X. q6 K: j2 ?
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M& h) o& d2 y) E7 X) I6 |- k" v
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
4 E$ h4 |2 N" C _% }| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M2 S; `8 d+ _9 Y
| ├──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
, C; s/ ^% c6 ]| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M( Y" q" ]1 G. g: i) V7 @) l
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M6 a5 y/ [4 X, e
├──19--深度学习-NLP自然语言处理原理和进阶
8 p. ^. D9 e' }4 ^| ├──1--词向量与词嵌入
9 f' ~; f) H! D h) E% N| | ├──1-N-gram语言模型 .mp4 116.32M
3 `0 r: N& n# z| | ├──2-NPLM神经网络语言模型 .mp4 155.81M8 {2 Y: F& D: ~) Y: M7 e8 F _
| | ├──3-词向量的作用 .mp4 58.00M" P8 ]9 s* `# h7 d& S
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M& g3 Y& r! j2 Y' d- h
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
. c4 i6 n9 k5 {# Z# [3 W# m| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
Q: b% _' \8 S; K3 x2 e| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
' [% h# `+ S+ \9 {# H0 X% [- [2 `$ M| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M* Z5 k% Y9 a) O9 m; r8 b: L6 G
| ├──2--循环神经网络原理与优化 ) D2 t6 u# m3 W6 {
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M A. X; F/ K9 n- s: _* B1 O
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M# I0 I0 f$ B7 m% O5 V
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M4 R; T+ c$ ~# X% H5 W
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
/ a+ ?; c+ P5 m' \! s| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M% f8 r; y" p6 @" ?+ C+ x
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M1 N+ V0 f6 H0 T5 u; j6 _. L
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
" ^' N' e- A- H5 u5 Z| | ├──8-双向RNN_LSTM .mp4 52.01M
/ O! h% ^: w# ^/ t1 K2 l4 ~( p$ v| | └──9-RNN里面应用的Topology结构 .mp4 23.04M$ d, S( R+ ]& v4 N) l6 e
| ├──3--从Attention机制到Transformer ) O/ R2 X8 `: R4 {
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M" p8 Q3 Y8 ^3 Y! z" I; D3 D% [0 T
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M4 y( v4 J4 o3 [( }
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M9 Y9 Z5 }! l. Q+ p# }
| └──4--ELMO_BERT_GPT 9 l; Z) [- c5 ]6 t9 L3 V
| | ├──1-ELMO .mp4 62.44M
* |& E4 \& o% g9 M7 \: y| | ├──2-BERT理论 .mp4 99.73M
* o, u0 ]2 n& W. }8 Y3 ~3 Y, e7 `& B7 z| | └──3-ERNIE_GPT .mp4 56.34M
4 L0 C; ~+ ^! J- h├──2--人工智能基础-Python基础
/ l" S. j1 a# {6 ]| ├──1--Python开发环境搭建 & Q& Q a) t) j2 r; v( Q$ q; y
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
- H& C+ g/ K2 U* J5 I* t+ B| | ├──2-Miniconda安装和测试 .mp4 57.12M! T( e U5 K% B
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M. C3 g2 p2 [' v* P" [
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M b7 r* J i7 ^9 y! y
| | ├──5-Jupyter常用快捷键 .mp4 32.23M! c0 z8 _" d: k& k
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M; a! X5 ^) G& U" M* ^# q
| | └──7-关联虚拟环境运行代码 .mp4 38.14M* d: c: ]$ V6 Y8 O3 ?. n
| └──2--Python基础语法 * b) Q% F) H1 M$ {0 A' E
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M% R d" F- C5 N+ z- y
| | ├──10-Python_集合操作_列表 .mp4 34.71M
B) C5 r4 e& {& F0 m& m) R| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
. U6 w* }# t* t* M| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M; E9 R. H- b1 O
| | ├──13-Python_集合操作_元组 .mp4 43.46M( e/ J s; L( o; M3 ?
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M' ~7 K+ ]9 A) m$ x6 g
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
- A+ K0 n* H! `* M3 d0 q& h| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
: \: K$ _* E; D| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
, c }/ `- }+ [4 |7 I! L| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
/ K4 [( m/ X' s# }2 \4 n6 X| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M1 S) `9 u, F$ @" }+ y
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M, d, x/ Y" c. n7 h" Z) }' t
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M* N4 R. e0 U) Y
| | ├──21-Python_函数_递归 .mp4 23.46M
7 k9 K* f% Y5 p& |& R, o8 r8 |! ?| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
. b M5 [. v Q9 i| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
7 A) C9 c9 V0 l6 n5 Z, e2 [| | ├──24-Python_函数_闭包 .mp4 41.61M( ]: P2 T. ?! [7 c
| | ├──25-Python_函数_装饰器 .mp4 30.35M
) [# r' X+ ]: l# G. k, D| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
+ S& y, M; W% C( Y9 V| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M- j2 r( s0 P' V! K
| | ├──28-Python_类对象_内置方法 .mp4 29.17M0 t$ C! p# \; e- X" Y/ I2 Y) ~" |
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
" I" U+ B$ \. _$ k# T, ^| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M7 i. P* _4 Z/ j1 t y) b% m
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
) Y6 u2 F3 k0 `5 W" O7 b0 x| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M6 w7 i+ `0 h% K7 s4 A) o4 L
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
3 s& N1 g2 @4 g& ]2 Z/ p| | ├──5-Python_控制语句_for循环 .mp4 22.82M
+ U& R d& r/ L( y! }| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
9 r9 R' S) |0 @! V" H| | ├──7-Python_控制语句_break_continue .mp4 25.23M2 ~. u0 B# Y- |9 I* A, l$ i4 c8 _
| | ├──8-Python_切片操作 .mp4 40.20M! P" |- f8 ^ G( M( x
| | └──9-Python_数据类型 .mp4 25.38M
( ^* m# n2 L' T1 _├──20--深度学习-NLP自然语言处理项目实战
* S$ T: R! Y$ |8 L* [, k5 _) L| ├──1--词向量 ! h2 _* M$ S1 e# `, r
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
( M* g0 [2 V5 O. T4 {| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
$ `0 X! v' ^& V5 o% T+ s| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
% Z" b; s/ S3 p6 W9 `. a4 g| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M9 Z- D3 u$ `3 `
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M; J# O/ w/ `- O& _' P6 m
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M* l u4 F& _2 }
| ├──2--自然语言处理--情感分析
6 B3 j0 a7 r( V| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
1 ?# N2 r' L! ~5 G( ^$ w: x| | ├──2-数据预处理_01 .mp4 79.65M( K0 \) E8 C6 c
| | ├──3-数据预处理_02 .mp4 45.68M
9 M: G7 n# X. N| | ├──4-代码讲解_01 .mp4 52.29M
- ?& ?, t$ e7 \$ U) I F| | ├──5-代码讲解_02 .mp4 60.85M7 J4 F% W0 t3 C3 }4 X
| | ├──6-代码讲解_03 .mp4 53.89M
" w- y1 Q6 L/ e: P+ B) P/ ~% {. ?| | ├──7-代码讲解_04 .mp4 57.19M5 s3 m; B9 f$ {) J, W
| | └──8-代码讲解_05 .mp4 35.88M
: u7 N. i0 s# Y9 t2 H' y| ├──3--AI写唐诗 " z) [3 i, \# F7 ^
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M2 P5 z1 ]+ p4 J
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M" Z% \: N' q& B' [* i& \
| | ├──3-MultiRNNCell单元 .mp4 38.93M
/ f* A- k! N: j a4 p| | ├──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
|% U g# J2 e$ w& W| | ├──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
! {% \) I9 B+ g' ~) J, Y| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
) A+ A% C& r$ r" B7 h/ a5 ?9 y| ├──4--Seq2Seq聊天机器人
2 Y t- _4 q- L$ ?| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M$ w& L, w. C5 W* i
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
3 L% Z/ B1 P, q3 f' {1 E g| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
7 f- Q+ K" M2 H. k3 O| ├──5--实战NER命名实体识别项目 ; U, t: J+ U. m" w
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
% v' a9 \/ u3 {" l* [+ U| | ├──2-介绍了代码目录结构 .mp4 23.44M
! {/ S% Z% {2 a9 Z5 P" h| | ├──3-NER代码读取数据和预处理 .mp4 97.61M2 K8 X- ~- |# N6 C8 j' b+ z: Y I
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
7 F" B; R" s8 @6 k% U: p| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
: z2 Q9 n& R# J| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M2 b- h% W$ I) D; m; L4 D/ Y- l( P
| | ├──7-CRF中的特征函数们 .mp4 125.97M
: x7 w$ g3 O/ O! \5 ~| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
1 e% y# Q; Y1 e, B/ q g9 S) S- S| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
5 s2 w b% s6 i7 y2 H| ├──6--BERT新浪新闻10分类项目
6 j; v- g4 L* J0 N| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M( y% a$ P8 b. u U( r* M
| └──7--GPT2聊天机器人
3 N. ^$ [& R, y0 i9 @8 A| | └──1-GPT2闲聊机器人 .mp4 62.28M
" c6 Z/ P e. L( s9 S6 v4 Q) T├──21--深度学习-OCR文本识别 ) h6 U7 m4 }5 Y- F0 H4 T; `
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M+ W. y) g% Q9 B+ {3 P/ i
| ├──10-CRNN项目代码剖析 .mp4 306.48M) l: u% ]8 l! r* o
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M+ _0 \! d& {3 `0 Q
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
% I# n2 v$ b% \5 i8 w1 |* X| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M# u$ z: U) y9 b; | d' k7 q1 K2 T% j" t
| ├──5-CTC损失函数的理解 .mp4 330.64M
- T# Z/ ?8 R1 \. f! }' z| ├──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& r$ U/ }' X' T9 h: T
| ├──7-CTC前向后向算法代码 .mp4 225.41M
& o/ R$ q/ h3 X6 k* O$ s| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M0 A; k" [ B L5 W1 J
| └──9-CPTN项目代码剖析 .mp4 491.69M7 _+ K* Q ^: j) ]. }" I- c
├──24--【加课】Pytorch项目实战
* l8 t- x3 i% U" y8 ~# u. x% @| ├──1--PyTorch运行环境安装_运行环境测试
% n3 |; _ ~& ^- G: J| | ├──1-PyTorch概述 .mp4 29.29M
! ^/ n% N$ g# j5 J| | ├──2-PyTorch的安装 .mp4 76.45M
. f/ Q: Q- @ A6 c {| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M5 {% X" X0 g) P& x. m
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
3 ]6 [; N# I8 R; I- k| ├──2--PyTorch基础_Tensor张量运算 % s9 P2 q% Q& ~' g6 F/ ?
| | ├──1-Tensor的创建 .mp4 55.14M
- v: r; E7 C2 B0 U1 g$ J$ Y0 F| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
( f$ w6 m i$ ]( v- K. N| | ├──3-广播机制_逐元素操作 .mp4 44.46M% N( i; t& M6 u6 o0 D
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
" T# V, y4 d( t3 W: X# k| ├──3--PyTorch卷积神经网络_实战CIFAR10 4 D+ s/ o' c9 H4 _7 j
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
: I e; h% ?% N1 w- }! M% y| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
6 a% P3 t" u$ b) F6 i( Z| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M9 C& D+ ?6 g( w4 C, M
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M0 S0 C2 M9 d+ [ l+ o5 C$ p5 K
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
7 N2 ^; s# N( }% h# D& p| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M7 ~9 M o" u$ u6 m$ d
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
3 [, Z; C' X: h| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M) u3 T. Z8 [- g5 c
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
$ L) e9 K) j' E. ^| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
* b8 T! Z; [; l0 @; n7 M0 a8 V5 C* e| ├──4--PyTorch循环神经网络_词性标注
! n5 Z: }# q: k# L) {| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M0 Q7 \* C% J# U* h7 h# B
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
^% w; b# v0 D| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
' Z+ ?! I& j: q- C5 N$ L| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
& E! D" P7 s( |/ }1 C| └──5--PyTorch编码器解码器_机器翻译 3 Y/ b5 y" P: @$ l
| | ├──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# {" w6 }& W% p) ^5 u& T
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M5 {. j2 L9 {; ~: t/ a: e0 x
| | ├──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% }; K j: |: a2 z# R9 y
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
6 N& ^6 k; k5 ^; O+ L| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
9 m& B* e q X, n| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M2 L- V& X: J3 t' o& i% K
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
. w" R' I: a; E- t| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
2 O7 |! y8 e. K├──25--【加课】百度飞桨PaddlePaddle实战【新增】
- w6 i' V6 B V, x$ q5 K4 p+ o| ├──1--PaddlePaddle框架安装_波士顿房价预测
- {" t: J6 V. s$ y' L| | ├──1-安装PaddlePaddle .mp4 87.34M! t& y, c* W- x8 Q
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
% L! x' K) U" W2 x# K- w- [| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M! i4 N- l6 w' `# Y# R2 a
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
- I/ n E; o1 a% K7 i2 [7 v| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
5 t- }; U5 U% X# M| ├──2--PaddlePaddle卷积网络_病理性近视识别 6 }5 Z+ z( v' B* D* F$ S8 z+ Q
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
! i2 P4 l0 P- Z' l: v! s4 d| | ├──2-预测病理性近视_模型训练 .mp4 86.66M- A& x s5 S5 G$ H* w$ k, @; p( K
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
. d3 l5 [- @$ b) Q: o| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
" h; Q/ H5 {; O1 s: _| ├──3--PaddleDetection工具_PCB电路板缺陷检测
T- w+ [, N$ [- x' a| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
8 y* h0 D) ?$ o) x| | ├──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& R- `' c: i: O
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M: g# [* ]3 s D a& I4 z0 [& O# \7 [& f
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
6 i! g7 F/ C! \| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M* ~; ?/ y% L" D$ k& H
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
& z) \; a# Y6 k+ v' W6 x! Z| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M7 n1 v( |3 x2 {6 `# h* ~
| ├──4--PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss) 7 K. {+ p1 U5 |2 X0 I4 V% B# ^4 y/ g
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M+ J+ N4 w% b9 H# v( f5 l
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
8 ]; z c5 J- e5 q| | ├──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. ^0 F ?7 T4 B& \; f- }- Q7 \- Q
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
3 P# O5 I/ y0 R: m: ?| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
( K( J. \/ T3 l% ?# m) Q| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
# L1 j" Q0 |1 Q| ├──5--PaddleNLP模块_物流信息提取(BiGRU+CRF)
8 R" X) C) |3 [- f% p| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
* `6 P' f6 ^' C. `) E( Q, o+ e1 P- t| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
1 o! O I) A% C8 O* }, ~" l2 Y| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M" D: |3 I& N! i
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M' L2 K/ {* u; d3 ]+ w2 B
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
& {4 b3 x J0 U' I- |2 A| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M7 q' L U7 T! j9 `7 s7 d
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
& d+ y' _7 n$ k3 P$ Q1 E| | └──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; X. h8 m3 `5 x$ {! Q
| └──6--PaddleNLP模块_物流信息提取(ERNIE版) - s4 W; ^# F$ s- P' p' d8 z5 J
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M7 A5 _1 |% Y$ |" M; M/ P9 r+ e2 t
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
# w* m% Q: ]% y| | ├──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
2 F" h; U6 ^% E; Y' i+ r2 Z| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M9 s4 V: `1 ?7 @; r( x: X
├──26--【加课】Linux 环境编程基础 $ ^* [' s3 H* `
| └──1--Linux
5 D- T- I9 |& N/ }6 x9 S| | ├──1-Linux_课程介绍 .mp4 3.72M% i+ n1 E* M( b3 W
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M a4 ^% I! @( _3 M: \
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
7 o) J5 u7 Z: r- Z( i8 J4 e D4 T% F| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M4 m2 m& U W; n @6 |' ~
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M3 W1 _$ @6 `2 @: w7 y6 o7 z
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
. y# p% I4 b+ {6 s R| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M. c$ i" \# ~4 e, @
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M2 I$ h. p8 o* f7 f/ O
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M3 U( m% l( {& L" d. {1 B- l2 l: w
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
' M0 ` n3 E3 t* Q| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
0 p1 E( h- b) g6 U| | ├──2-Linux_Linux简介 .mp4 17.59M
5 p8 q3 b0 k, V$ w| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M6 n' E! M w7 \9 N0 X
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
2 ?* |/ G1 h+ d1 S3 O| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M0 r/ p0 o' N* Q8 H5 L' a9 D3 `
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M. X! e( ~. x% K" }/ t/ a7 B& |
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M0 w: S) K& Q) w/ y
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M( @5 ?' O! n" {% Y
| | ├──26-Linux_安装MySQL .mp4 79.02M5 P( F. K% l* A1 \* Q* |) l
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M( K& e; v! F! R7 S% B' _" t
| | ├──4-Linux_安装Linux .mp4 41.97M
3 \3 N w9 I' Z0 b| | ├──5-Linux_目录介绍 .mp4 20.31M4 f( j8 I7 W4 R+ W
| | ├──6-Linux_Linux中的路径 .mp4 18.65M- F' q; Z( p5 a8 f
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M' G! o- \6 p( z5 v+ P
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
% b8 f4 H ^$ q7 E$ y, w- u/ R| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M+ ]2 X: ?* t3 C# E3 n
├──27--【加课】算法与数据结构
; x1 j% H9 f' n3 W+ ^7 ?4 p| └──1--算法与数据结构 ) B$ D' a8 h% C+ u) v
| | ├──1-数据结构与算法简介 .mp4 35.68M
' x- F+ K4 T: j5 q5 }2 x| | ├──10-哈希表的基本结构 .mp4 54.34M
& Z6 V! I9 w+ B% B* s| | ├──11-哈希表冲突问题 .mp4 75.92M8 m" \) h- R9 y; x
| | ├──12-哈希表冲突问题2 .mp4 72.30M9 ^1 G: {: B d
| | ├──13-哈希扩容 .mp4 111.03M
, A M* s. G- L$ @9 C| | ├──14-递归与栈 .mp4 50.77M X' {( i, a+ C' a: }) i
| | ├──15-线性查找 .mp4 57.80M4 o3 w6 Y( i0 l+ f- m
| | ├──16-二分查找 .mp4 52.32M2 |) V, E* ?$ n2 X7 T
| | ├──17-冒泡排序 .mp4 53.19M$ y9 f8 x! A" l- G& c. a/ V- i
| | ├──18-选择排序 .mp4 43.29M5 ~) h7 ?& Y- r n
| | ├──19-插入排序 .mp4 31.39M" A% l% p+ D0 @- {( |0 B( t
| | ├──2-大O表示法 .mp4 25.59M
. p [$ @1 A# f| | ├──20-归并排序 .mp4 84.48M2 Z% `+ t) e4 ]- k
| | ├──21-快速排序 .mp4 36.63M
, u& d- ~( f( H# z6 L| | ├──22-树结构 .mp4 96.85M
; X+ d- Y4 Z8 E/ c7 p| | ├──23-树结构的遍历 .mp4 61.05M* ?0 ?; _/ X9 f/ _
| | ├──24-最大堆的增加操作 .mp4 45.43M7 y7 k' s' T! t" _9 O$ q9 B" P k
| | ├──25-最大堆的删除操作 .mp4 45.63M
k6 Q$ A1 }0 v| | ├──26-二叉树的查找 .mp4 100.24M
- S' h( |& ?- b( d& N9 y/ p; y* N- T| | ├──27-二叉树获取最小值 .mp4 25.21M
; k) o3 _1 _- y0 a3 h2 n8 }| | ├──28-二叉树的添加 .mp4 72.66M
3 j0 g: H* r }& _6 N| | ├──29-二叉树的删除 .mp4 120.06M
4 G4 i5 W9 w) Z2 `2 ?) j* [- U| | ├──3-线性结构 .mp4 53.14M
1 p0 T: {3 w' m5 C* a, X| | ├──4-单线链表1 .mp4 68.36M
: n+ N: J4 g) [- }| | ├──5-单链表2 .mp4 221.69M
( R: D* e; K+ o. K| | ├──6-双链表 .mp4 103.57M/ \6 [9 R5 R' E1 o( ?8 H6 v
| | ├──7-队列(链式) .mp4 74.12M9 _& U; {) x, M
| | ├──8-队列(线式) .mp4 30.99M
* n1 ]7 A/ c: [! R. q| | └──9-栈与双端队列 .mp4 28.12M
& O0 H9 r: }3 r. l0 q├──3--人工智能基础-Python科学计算和可视化 % C0 M: l% |% q* a8 V6 K+ a$ e7 j
| ├──1--科学计算模型Numpy 0 R' L5 E# v+ {
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M" z; k- y, I7 K
| | ├──2-Numpy_array_arange .mp4 35.45M/ Z- k8 B3 x2 Z* I
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
f, V7 G8 ^! |7 h: C2 p| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
4 N: a8 ]) {( X. h| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M8 Q5 ?6 x, P% F6 J
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
! T4 a$ _4 V0 i4 l# d+ d$ l" x| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
! x: ?2 }; Y- X" J) l3 E! [4 L| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
: G% t4 l+ ?0 O+ E* t1 Y| | └──9-Numpy_聚合函数 .mp4 23.68M% s$ ]; S% [6 k( S2 f w0 `9 a
| ├──2--数据可视化模块 6 o* ]. L+ d' n
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M) I* t m) u& V$ S- e; F
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
% C, n2 u- H/ }" m4 q9 o4 p| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M/ A' {6 S* z+ V, G9 U- q
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
" X6 R+ F2 a6 Z+ k0 P- b2 }/ n, q4 R# Z| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
% c/ l2 O! N8 e- ^. F| └──3--数据处理分析模块Pandas R- v( w V9 R$ ^, n
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M/ v2 B3 s' l8 ]; r3 e. M$ `
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
: ^+ @. { G7 X [, t& n/ z| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M5 z$ ^$ j3 _! l" C6 x& i
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
% F9 M2 ^: a" y| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M' R5 b/ l. ~' @! v z
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M X+ l8 ^( U0 R) t+ Y; O& _
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
/ ^8 k/ Q5 \7 G3 k" Y$ R├──31--【加课】 强化学习【新增】 " c2 ^8 m* K8 V0 o
| ├──1--Q-Learning与SARSA算法 ' E4 o b# c$ t3 [# D
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
1 A3 o$ c) M8 ?) N& H5 \| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M( B$ z) g6 z+ Q
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
" h; ?+ q+ p9 n2 \) t6 Z/ n5 f( J| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
5 h q. S X2 v. R, K# a| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M% w) [! i( m3 z/ B6 R b
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M* _+ ^$ H. X" V
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
9 L8 U4 V2 Y4 A% b" L| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
+ l1 L1 X1 ^( O! R* ?| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M0 T) K( l9 m" T4 `* v- N8 f- K
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
" A- o5 V$ L9 Q9 G| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
5 {; r3 ~$ r: Z5 o/ ` g$ Y| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
! d h6 g! K! a) g9 {| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M% R3 v7 i, e+ ^, [* r
| ├──2--Deep Q-Learning Network 1 _2 Z& D0 r* Z1 \% K5 Z
| | ├──1-DQN算法思想 .mp4 59.24M
9 B) E9 T) K, w! j| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
. f" y9 g" @# O* b# s# m| | ├──11-DoubleDQN代码实战 .mp4 44.49M; }% \+ r7 M% H/ b. M5 E7 b& r
| | ├──12-DuelingDQN .mp4 88.12M) q4 y* O7 f" Q! F2 |& W
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
4 z; C5 g4 b9 x0 M/ g% H| | ├──14-计算Action的方差避免风险 .mp4 54.23M; C0 q, t$ i# Z7 ]0 d, b/ \
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M# E2 Q, H5 S3 A F, E
| | ├──2-DQN算法具体流程 .mp4 56.17M" n0 E7 f" G v6 U1 _0 Y
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M2 d4 m$ n: X2 k4 `8 n
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
5 h; A; \$ n) C# [- r5 ^7 }| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M, I/ j9 y2 Q" o6 _5 T3 q9 {
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
# Q3 i X3 O1 F| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M0 G* E; b4 c3 d' Z: p
| | ├──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) ], D9 ~+ I" ~" @# s" p$ f' H" U' ]/ K
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
2 S h: p: x, F2 D) I, ~+ I| ├──3--Policy Gradient 策略梯度 , Z) D: L. i E3 `+ f
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M0 q' i+ s2 V4 N- j. o9 ^( w) ^/ r9 T
| | ├──10-策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战 .mp4 34.22M; f* x1 G3 r* H4 Q5 t7 _$ e3 R \9 I
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M% |8 O' I7 r1 l) }$ l
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
' d1 P7 O3 \! C& b# B| | ├──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
0 N, d6 ^$ b5 n: |) z! }% y, Y| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
# [. ]( M4 J+ t* Y( x| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
6 K2 R! a6 n) n, w( W$ y| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M( ^% o$ ]4 g& p& N9 |! j
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
2 \- s0 r$ w) D: j! e6 p| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M& ^% F" x' @, m: @8 m4 }1 ]& m
| ├──4--Actor Critic (A3C)
) k5 F/ s, T+ M! n, O| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M( u8 O# w; S/ T1 K! t2 W
| | ├──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
+ r6 ~7 M. p( n+ x| | ├──11-代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑 .mp4 40.24M
5 u I. S h+ h( P) A| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M1 W/ z3 u8 S6 `
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
}, m# W5 `3 Q; d& u2 h% I| | ├──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
' Q2 m' W C/ J1 W# J9 F y: g| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M4 P) x O' S) a
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
: @4 O0 r" S: L3 P5 c' a7 m d9 ^% \| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
# ?) y; u9 p* P| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
) W* ~7 N2 ?4 q# \4 j| | ├──6-A3C架构和训练流程 .mp4 74.66M2 h- [ D4 L# _4 C- b m
| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M
7 B4 j% X' }/ A& R% C3 ~) n# F) z| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
/ q5 ]: I% w- q$ V: i# f| | └──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
0 S5 Q; S; U# e! }| └──5--DDPG、PPO、DPPO算法 ) w& [8 I, V( k: u& L+ ^$ s- l, \0 A
| | ├──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
% o3 s- R1 K! K/ Z" B2 _) j2 J| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
+ H: h* N6 { s, U+ }, ]| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
# v6 ^* @4 I$ Z& g w$ X| | ├──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
: G- D- @$ x) M; g" f* H; O$ J# a; Z| | ├──13-DPPO分布式PPO .mp4 63.81M2 z! \8 w! [, D% B$ S3 ^
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M% Q$ j2 u o' T6 K$ @
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
+ o; D J/ j' ?; k. _| | ├──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
( [! d+ x+ ]. d' l| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
8 J' v% O8 ?4 M6 {. i. D| | ├──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
. u! B1 ?2 q! q6 h| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M A; B! A- h3 F5 h1 }/ s
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M @$ d; |4 O% c
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
. i X) E+ B u& D- p| | ├──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
: d# c# D0 e/ {4 n6 u& w| | └──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
/ P& E. }4 e1 v3 e├──4--人工智能基础-高等数学知识强化 / I9 G2 L. Z; Y$ K0 a e
| ├──1--数学内容概述 ( L5 i! x# C% m( @& s/ I% U- W
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M; a' N1 M5 z+ R9 ]4 z/ m2 J. O
| | ├──2-线性代数_概率论知识点 .mp4 26.81M9 k6 t! u, S% L2 e' c4 G& g2 [
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
+ c2 c6 Z& K) ]1 J| ├──2--一元函数微分学
( |2 q1 ]9 v; o| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
4 u2 L' E! Y6 j _; C+ H% W| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
' X; \* Z9 J# j. H* t w| | ├──3-常见函数的求导公式 .mp4 22.76M
- {7 h4 i/ X) || | ├──4-导数求解的四则运算法则 .mp4 26.52M- A: @, S0 Y# Z; b
| | ├──5-复合函数求导法则 .mp4 19.68M. c8 Z+ r# Y# Z0 ?- n6 g) ?
| | ├──6-推导激活函数的导函数 .mp4 33.40M" g% W3 ^1 G( S
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
" h7 \, \( y9 T- x. W| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
1 ^" R+ ?0 \4 z6 C& c% j: }| ├──3--线性代数基础
! t, N- d2 g, U! y7 B7 k, q( R$ K$ H| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M; c, }* T8 E! @6 W& l
| | ├──10-矩阵的逆矩阵 .mp4 38.54M) Q) x" c9 n6 D# V5 }
| | ├──11-矩阵的行列式 .mp4 20.13M2 B/ [; P, X3 x* A( e+ E
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M3 t+ a# Q& e! Z1 A4 T
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M* T9 c3 P. e% E a0 ?, t
| | ├──4-学习向量计算的用途举例 .mp4 20.32M1 _, q' a' ?# Z
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
5 S2 N* @/ ]/ ]' `0 |' G| | ├──6-特殊的向量 .mp4 26.45M
8 o8 _/ ~& m3 {' S. k. H/ k| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
" ]' y6 p C; e' V* A$ k| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
6 [1 s; i \9 ^$ ^6 [7 ?| | └──9-矩阵相乘 .mp4 20.02M
0 p% @2 I5 i4 H" K C7 t8 B| ├──4--多元函数微分学 3 l V' {- B: D' D. @# [/ {7 x
| | ├──1-多元函数求偏导 .mp4 22.61M
8 J: ^+ G' L$ I. s. Q| | ├──2-高阶偏导数_梯度 .mp4 27.15M* d. B+ t/ ?4 B) A0 \: w1 I
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M" I: @' W. Q. P# ~$ e1 c
| | └──4-Hessian矩阵 .mp4 32.93M
1 z/ V) j9 K; q1 k H8 f5 G| ├──5--线性代数高级 ( Q8 ]5 R. s) d% d! @( a
| | ├──1-二次型 .mp4 27.70M* r" ]6 q/ a" i6 _9 D/ i
| | ├──10-SVD用于PCA降维 .mp4 24.90M
7 q8 ^" b9 p0 o) P| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
, `6 t: N5 t+ o% B| | ├──2-补充关于正定负定的理解 .mp4 23.48M3 O8 @+ }% L5 _# {& t. P
| | ├──3-特征值和特征向量(1) .mp4 29.83M% ^9 J" u, K+ K7 L, |
| | ├──4-特征值和特征向量(2) .mp4 30.07M4 w+ i. C# v7 F, j4 A
| | ├──5-特征值分解 .mp4 38.68M
$ Z/ Z( p$ p: m2 D| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
+ H, A" o) e; k, || | ├──7-奇异值分解定义 .mp4 22.58M
O4 d% t3 z2 [" A% n' Q' d| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M8 o6 r3 C( @; k" G6 g( L& W. t
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M% g n& W* ]1 P3 l7 G5 N* L
| ├──6--概率论
0 p. F9 P: f# U8 J& y- n& q# \| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
& Y9 p( Q3 O) V6 M6 c| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M2 `6 ]3 F& }$ V- B$ r& i
| | ├──3-随机变量 .mp4 22.57M8 K9 S6 ]" I" A5 F2 D0 T! F$ T
| | ├──4-数学期望和方差 .mp4 22.96M
( \( i" ]/ s& {8 \# n h0 C| | ├──5-常用随机变量服从的分布 .mp4 22.48M; b) p2 V& M. g5 I+ B3 t! Y
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
. y3 x1 r# l5 r3 `| | └──7-最大似然估计思想 .mp4 23.42M7 t" X6 {8 S r- U* `! z+ {; z# ?: @
| └──7--最优化 e$ z5 {% }3 G0 X( F4 ]0 O- y6 g- J
| | ├──1-最优化的基本概念 .mp4 35.14M
) a( V% d/ }" c. K6 J| | ├──10-拉格朗日函数 .mp4 27.46M
( S0 G$ T( `/ K7 n| | ├──2-迭代求解的原因 .mp4 20.15M
) m% T7 U4 |7 p* i# f& W' B2 a) ^| | ├──3-梯度下降法思路 .mp4 26.33M
5 p, n& v! \9 f4 l% C2 |- y| | ├──4-梯度下降法的推导 .mp4 43.56M/ a2 d8 h* J2 k% H+ c! V
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M3 s0 z7 S" m4 n' Z5 Z: J0 J
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
# D; K. l5 }! Z+ A| | ├──7-凸集 .mp4 21.90M
% s; j+ |, c/ d7 f$ N s1 s3 R| | ├──8-凸函数 .mp4 16.93M
( t, E, R2 h& A& k| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M0 V- t5 G9 S" ^; J" ?0 J
├──5--机器学习-线性回归 ! B7 e; x% H' |% h+ J/ H( d
| ├──1--多元线性回归 0 I7 n4 U: J% w+ j/ {
| | ├──1-理解简单线性回归 .mp4 51.11M* k0 g) O0 X' B/ {6 V( {9 k7 l- a
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M$ U( v7 i% J5 g. [2 r
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
) f" L& X' O! A7 n4 u1 `4 s8 P- L( F| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
1 U5 Q% E: e) \! Y ?5 J| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M- F T$ O: n$ a# d* Y
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M8 Z) ]* W4 V* r3 t+ x% q
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M8 B3 M2 i* o' s# o" t6 B/ g7 ~
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M- {6 {2 j6 i1 N; d/ S2 z" R# F
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M' S; O# l3 |: K( B+ [" z
| | ├──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 48.31M7 d2 S% g! ^: N; K- S
| | ├──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
' P( V( E" _( a1 [$ ~+ R| | ├──2-最优解_损失函数_MSE .mp4 39.58M8 Z( a/ J1 p+ {' E% N- R
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M/ `3 h' y4 H L! d* |3 a
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
* Z8 k. k/ Q4 v% ?4 G: z6 G Z| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
0 d' u% Y$ t5 D( e3 u) t! J| | ├──3-扩展到多元线性回归 .mp4 32.15M
8 g0 }6 d$ r% v/ j& R| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M% i- j% F1 T# _% \
| | ├──5-理解维度这个概念 .mp4 41.41M; ^. R- J7 T! ~) @4 ~+ b+ V* M
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M- K6 L( |# E9 u+ r/ D' }2 a' x
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
' \9 t* @! Y& J1 \0 ~| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
! f0 C; ~2 l8 n, k: v: M/ K| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M8 R2 [: N; N1 q) O& \3 u
| ├──2--梯度下降法
. @: H) q! T0 `| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
1 k/ L/ s: C: |* w| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
$ E% V! \& N- p% L9 k| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M5 J* x9 A8 X7 H4 D
| | ├──12-代码实现随机梯度下降 .mp4 26.67M8 { Q. ~( K9 r. L N$ J
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
# h+ l, C' a: o| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
/ ?; O4 W# ?+ S9 n) E" |- w6 V. k| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
( }2 e( j! w2 u$ |. s# r$ \% ^| | ├──2-梯度下降法公式 .mp4 57.12M
9 J; R+ q2 n7 i! d0 a4 x% |7 ~- h* | h| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M0 ^$ I9 g) A( [8 i+ k
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
) Q6 i) [, m, j| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
, s: a8 a2 T8 G3 [+ `/ B| | ├──6-全量梯度下降 .mp4 62.84M
# d& ?: V, u) || | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
. C- v7 G# I5 U3 F; J# K| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
6 T5 G( F% i& H, z| | └──9-轮次和批次 .mp4 45.22M
. C* Y5 \( o0 C- f, p6 K2 s6 J| ├──3--归一化
0 U5 _, n1 X' L) i l9 u0 u' L| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M- L- M; Z( r2 |( C' T9 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" i1 `6 ] s/ Z$ n% M% S
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
; Z6 _# T& t; G| | ├──4-最大值最小值归一化 .mp4 24.87M
$ S( `3 S. z/ t5 n. B| | ├──5-标准归一化 .mp4 51.86M
- `; c% @$ V, s7 B) c+ x" e| | └──6-代码完成标准归一化 .mp4 41.13M* @9 i& G5 Y% _% p
| ├──4--正则化
% [6 l: ~$ ]$ M( @| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
$ f- S3 B( Q' u/ K- g| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M6 f' Y* P A! K5 Z+ Z
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
$ c" b4 N9 E; d7 ^| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
9 d, N( C) n. x/ j5 M$ S| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M, d! n6 P0 }# x. l8 n
| └──5--Lasso回归_Ridge回归_多项式回归 ' L+ G+ G& w% v; n. Q. B
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
7 ]4 B5 J0 W1 b5 ^0 D8 H# u* M1 U| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
! B6 l' V1 U, f1 ~| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M, U; e; B. v1 s, ]2 s9 L# W# L
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
! h* s9 {* l% l2 N| | ├──2-代码调用Lasso回归 .mp4 28.73M
0 q& J& l) O+ b% E| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
6 @' t1 n& ]- G9 l0 t| | ├──4-升维的意义_多项式回归 .mp4 48.06M
' W% l" s) d# R: n. W8 U1 q| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M6 u. \7 Y# a# |" p8 j9 E
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
; V* I8 g3 B0 w D| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M" R) S6 [0 X: a7 F$ C$ ]
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
/ U8 F$ `* u" i; S| | └──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
: I7 e: w" \7 J, l. o# p├──6--机器学习-线性分类 + w& ~' ~$ ]3 R9 N+ @
| ├──1--逻辑回归 , w7 i% h% u4 U* m; {0 {# t
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
2 d' H8 Z. v; Y# h, s) }4 v, k| | ├──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! p( i3 Z1 f1 s+ j" }' D7 b6 h
| | ├──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" S& S. Z: W: `2 _$ @; Z( h& D
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M, g- h; T- Y' J8 [! K( _) u+ U" o
| | ├──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% S+ n7 n* ]( P) x- `' q
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M9 F% O& _9 r5 \
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M2 A- ^& N: b, U/ S: C( d. `
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M; V. Y: h1 O% G- D& @8 P% X
| | ├──2-sigmoid函数作用 .mp4 38.15M; c% g9 |% C4 W. A
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M( ]% U K( [* H ]. N
| | ├──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
* i5 |( S2 N0 n3 U: G2 g| | ├──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 6.71M6 r: e: _7 q) i }
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M7 a$ x* k5 z/ d9 i
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
; v2 I2 V- S \$ O- U5 ^( `5 j) _" U| | ├──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
; e; J* y/ |8 k1 `0 U0 ` X| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M
/ I( P9 o0 O9 M9 z$ }| ├──2--Softmax回归
) D: h! m8 `. v1 O' Y| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
- ^* U" A1 h* J% r$ ]| | ├──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$ A, X' o( G- s7 | } W: m
| | ├──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
b# U* X/ n, j$ D/ w9 V6 l| | ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4 47.67M2 g9 r" a3 Z9 _* C/ x. [5 m% m
| | ├──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& f3 s8 y6 s, d& o3 h- f# f* I% P
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
% [0 K9 x L8 W9 Q| | ├──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
! X3 Y# {5 G8 {* `' h7 B5 s3 R: @| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M8 I e8 h( E; V8 F# v ^
| | ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性 .mp4 13.92M5 ]2 t; y7 m/ g8 W, U) {/ @6 _2 ?
| | ├──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 46.67M9 e) N! D ]6 \/ V, N' k* ^
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M7 A# _- }: y" R/ \' y" e; b
| | ├──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: S4 H& k3 \" N% P5 |# y! Z8 Z" w7 `
| | └──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
* Z- w* `- ^2 a- W* n+ H% a| ├──3--SVM支持向量机算法
5 k, s6 y0 Y, ^! w% Q; K& a2 a2 q% L| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M6 e1 A$ k6 F/ g- G
| | ├──2-SVM的思想 .mp4 55.56M
0 L, e6 i q) ^; h8 y| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
- w" o4 Z8 ^) L( P* Z( ~+ Y| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
6 h! i# @' c' Z; s n1 Y. P5 B| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M, |5 I$ R- @! D% Z5 K0 J
| | ├──6-总结硬间隔SVM .mp4 39.01M2 `% B4 V% X7 G4 [0 @
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M" A$ u k( T/ X( G" q1 F
| | ├──8-非线性SVM .mp4 54.43M- j/ Y, i& u# C( v, s9 i6 r4 |
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M! f9 q1 ^) O; \) {8 E: V( J6 C( a
| └──4--SMO优化算法 % W& D/ {* y# i5 N& x3 Q) K
| | ├──1-SVM算法流程总结 .mp4 58.36M# X& u& X# Z- h. i: T0 s) v
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M0 D" ], h. w" @' v
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
2 g8 P6 f2 V0 V. V6 I0 L| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M1 w$ e- u% T6 ~2 r
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M) j/ o) N. A1 U! \2 A. y" r- t
| | ├──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
$ N/ s7 ~4 Y2 J2 k) |6 x' C| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M. U" O5 q$ d0 a1 F$ h
| | ├──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; P% @; Z& v3 n+ t e8 t. X% B) J
| | ├──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
# A$ Z1 o0 b/ L9 d' Z1 Y( o| | ├──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" p7 d( @$ J8 P) A- g
| | ├──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
1 i$ {& f# b) b/ u& N5 K( P8 Z; P4 i, X| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M# H' t3 x- w2 N9 n% d% j
| | ├──7-启发式选择两个α .mp4 23.11M+ N6 Y6 V! U9 t/ m% e
| | ├──8-如何计算阈值b .mp4 50.18M
& ]7 S, G# L4 K| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M7 K. ~" |) R& r( L+ I5 p
├──7--机器学习-无监督学习 $ e5 v# {& M- O
| ├──1--聚类系列算法
4 R/ Z' \+ i3 v# {8 E| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
8 m; {; T/ Q# z; R% Y- Y& r| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
U9 `2 i/ w0 s$ }( ?| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
. c/ M0 q1 a) Z/ Z6 v& Y, t| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M: V- i( f; O! E! t s1 G
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
+ e, g9 z+ ^( ~4 o5 M+ {| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M5 P5 w+ g/ j3 s7 m
| ├──2--EM算法和GMM高斯混合模型 & {5 {4 n0 n, m
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
: O7 J1 L7 [9 b) ]1 v| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M: P( X5 ]4 n8 k1 v. r
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M1 a* u$ t* R) ]' x2 C
| | ├──4-Jensen不等式的应用 .mp4 109.17M+ k" |" E7 o% j l
| | ├──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
; f8 f" j3 u% W# p* S4 i/ p| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M2 e/ J: n+ T7 Z
| | ├──7-GMM前景背景分离 .mp4 16.01M/ I9 i. ?/ Y* K6 p/ r \
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
: z, D+ l j2 |; ~2 Q| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
7 ~% D5 t0 F4 v2 B| └──3--PCA降维算法 4 q! T% e$ i) v( O
| | ├──1-特征选择与特征映射 .mp4 49.38M$ g8 l6 l3 L i1 S
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
, g. _4 h8 o0 g3 I" u( ?8 s2 m| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
& Y0 T6 g# h1 e7 {( U3 V| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M% I7 q% D% V1 t5 L$ S
| | └──5-PCA的几种应用 .mp4 54.58M
f+ P. r ?( ?' P3 o/ ^+ {4 F├──8--机器学习-决策树系列
6 L6 [; q+ N* i8 r @| ├──1--决策树 , J3 I3 t9 n1 q6 e; t$ V
| | ├──1-决策树模型的特点 .mp4 74.88M
( @, l8 Z ~) p| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M7 c/ R+ C' F1 G. M' a! f
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M* T1 H2 K) t8 A9 u i D! _2 W
| | ├──12-后剪枝的意义 .mp4 50.49M8 f+ Y* C$ [% R7 ~( [
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
8 m( p" P5 m) L1 c! u2 Y! k9 j| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M3 J S/ ^8 \6 S# C
| | ├──2-决策树的数学表达 .mp4 89.94M* z0 d% F& x+ E1 e0 }
| | ├──3-如何构建一颗决策树 .mp4 84.87M
9 Q! U* N" f+ G# J) i9 E% K| | ├──4-什么是更好的一次划分 .mp4 57.02M
6 ?# H3 p3 d) Q' u& s5 G. A| | ├──5-Gini系数 .mp4 107.54M( H& E1 n* F; D5 s
| | ├──6-信息增益 .mp4 75.26M# U& L$ e1 l; R5 l5 E1 C! w
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M3 u. G; p% ~8 u, i
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M/ f3 c6 d0 K. d/ X3 v. r
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
5 Q! V8 S" g5 K; O& |2 I* h- I| ├──2--集成学习和随机森林 , o0 F1 O5 v: Y2 _
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M; f9 s, C C# @( |0 [% D
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
0 i* q' u/ K/ S| | ├──3-随机森林 .mp4 108.14M
/ _& Y2 E3 P4 R! {0 P' p: n| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
( ?) Z; x4 ^7 s: M" e| | ├──5-OOB袋外数据 .mp4 106.07M
4 x* B m9 P6 t5 r1 m- z| | ├──6-Adaboost算法思路 .mp4 106.30M
7 f! B0 `" X4 z2 w3 S% D3 s| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
$ v4 A- H1 ]: G6 v: e; `1 d! a& Z| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M. w1 h3 o$ j8 D& C* L/ _: N
| ├──3--GBDT
: q5 q) |+ f6 u1 C9 R; z| | ├──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
@* P- x3 h1 m! [, }| | ├──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( D( Y2 j3 O) F$ L
| | ├──11-GBDT多分类流程 .mp4 73.80M: K5 s- B* [5 y: ?7 K; X6 F
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
' P9 j, z6 \" g s- G+ G% [% a| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
2 Y: h/ r' \1 o1 L* C" ^8 B( n( G| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M" i( o' t, R, G6 k
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
) E0 D) b- m) u9 }, {| | ├──16-GBDT多分类举例详解 .mp4 91.71M, Q- S, `% c4 N# m' i7 q, @# |
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M7 w' U+ x' V+ E. C7 H
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M6 E! E' b$ J6 `0 h D
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M- s$ |* E8 r: K4 ^! Z% T7 o" b
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M9 {! \. o- i" e7 D
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
1 V8 e! l6 b$ n7 W ]# l, H| | ├──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
5 \5 g- n* \8 _4 \| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M/ a% B U' [3 x# m. T
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M, j+ r5 |! Y- V% f3 ]$ v! z: G O
| | ├──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/ ~1 G3 `$ }5 k
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
+ P2 W2 S: @) n; e0 N: k| | ├──5-GBDT回归举例_总结 .mp4 108.52M+ S: i4 s$ |. L) z4 j. Q
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M* X; h( {8 {6 Y3 J
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
x T. E% M" S% j" Y: U; |/ w| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
) x0 k- t/ M' Z% l| | └──9-GBDT应用于多分类任务 .mp4 73.34M
- U5 N* V: w- A2 ~2 b1 d| └──4--XGBoost - E! ^/ _# H8 B. Y5 n5 m t) }
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
9 q8 w3 T p2 K5 m7 H| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M: n6 @7 l( m. N' a, r# v
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
D# K' p z8 p5 R0 I: N| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M2 \! e8 r' W* F8 G- J7 F/ Y1 m/ A
| | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构 .mp4 106.69M0 q! ?2 P& F/ d9 }+ J
| | ├──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' N3 N9 [6 w- e1 j) o5 d! p
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M" [$ s0 d/ r: O0 t& g& m7 [
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M. A5 n$ e! x5 x+ M' }
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
h, U$ o& b7 T6 y| | ├──2-Bias_Variance_Trade-off .mp4 66.00M0 y! M& P% b" Q
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
# z+ ]5 Z% Y4 E1 x7 [| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M: E0 d+ J8 q% U; A0 U G+ Z. e- `
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
6 Z9 c8 x- | G3 g- I| | ├──6-Objective_vs_Heuristic .mp4 60.42M
4 [% i k$ S5 B3 W! e% _| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
# q$ _) l0 n% T: W| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M3 m. X3 ~8 j1 l7 p( v
| | └──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% `: t: d+ Q* k0 s. C# j1 x
├──9--机器学习-概率图模型 0 L: `8 o$ E5 W$ P9 i8 S8 m: u, o+ `9 C
| ├──1--贝叶斯分类
5 I6 \( w9 w* U% E! u| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
, v4 y1 K, u+ Y| | ├──2-TF-IDF .mp4 53.08M
( u# G V; A. G5 p1 Y3 |( `| | ├──3-NB代码实现解析 .mp4 126.73M; f4 T( w1 m. ?) ]% e N3 T- \
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
$ D4 f: f7 T7 t| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
, r+ Q. P/ N) D6 `6 v| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M; U: ~6 ^0 U# B M
| ├──2--HMM算法 % C, j f4 }% [& a7 S5 S& F
| | ├──1-HMM隐马的定义 .mp4 36.82M
W* o1 p2 ^* f3 j4 O0 Z| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M8 N2 ?/ ? e9 m5 a5 o
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
5 K( T c; Z- K, g" }) S| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M2 ~+ ]8 a9 r8 v1 t" [7 C+ ^5 g
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
2 |( n5 B7 i3 U O. v& [0 K& a| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
* f5 v5 N: M5 z9 U6 a: Q| | ├──7-Viterbi算法案例详解 .mp4 107.12M
- q9 i! W4 o% R0 q+ c| | └──8-Viterbi算法代码实现 .mp4 42.43M: m% ]1 ~& W O, z1 l* Q9 s& u
| └──3--CRF算法 E" A6 f, m- R7 F3 c- `4 I
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M
, U' g/ E( }1 z. H( X| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M- \7 r; V8 E3 G6 b% j# J4 V
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
! H; q) a8 w. U( |3 [' g| | ├──4-EmissionScore_TransitionScore .mp4 61.33M4 `0 B( |2 H ]8 ^3 j" U
| | ├──5-CRF的目标函数 .mp4 23.74M
5 n7 V9 \1 M: h9 b5 L" ]| | ├──6-计算CRF真实路径的分数 .mp4 50.37M0 r, c3 D x2 _: z$ i; c
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M8 i0 j5 X8 \- J
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M% u$ @4 H# T* I7 u. }6 b- n C
└──课件.zip 2.54kb( T8 ]3 g' J& _; z" u: v
+ m- ^9 j3 c) q8 T7 u5 `' D' t( w8 d- ~& `* T/ h
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!0 c% b& g9 O. Y% t
" z* _( U1 h% G! ]" f
' ^+ b3 ?4 w8 m: s- D# H% l- k |