战-人工智能2022/0 A1 y2 |; X5 N/ S/ ?% ^
├──1--人工智能基础-快速入门
T' `) k) I6 f| ├──1--人工智能就业、薪资、各行业应用
* {7 G1 o' I9 c$ c: h2 Q| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
4 i' U4 W R. n1 V" l* m| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
% Y' r7 P( w' f+ H: j| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
$ F# I4 `# J! I' ?| | └──4-人工智能在各领域的应用 .mp4 57.73M7 u0 Y6 N2 W8 A# X K# d: W
| └──2--机器学习和深度学习、有监督和无监督 m$ A. P+ @; \; V& C$ f+ G
| | ├──1-人工智能常见流程 .mp4 89.62M1 i7 ]2 q# Q5 H. O
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
& U, i2 K0 y8 D+ J3 g| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M/ w: c1 Y- ?; b, f+ i+ ~6 f, n
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
& P+ V" G4 y: W- V8 n| | └──5-无监督机器学习任务与本质 .mp4 50.15M/ T0 z* N( ~- Z
├──10--机器学习与大数据-Kaggle竞赛实战
; h5 ^$ l$ I% d" k4 Z| ├──1--药店销量预测案例
" u% F% c B; u( P| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
1 d' d: _2 P# J W, k7 o- u$ {| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
( ~# g! X5 f0 H1 J& X3 r* W| | ├──3-自定义损失函数 .mp4 21.12M
" u! i c" ~+ r( e| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
2 C* ^7 ?( L# b* U! E( Z) X| | ├──5-数据的预处理 .mp4 111.81M
4 u# m: v+ a) L| | ├──6-模型的训练_评估 .mp4 66.64M
) |, d$ F: h. j5 B! e' ]" _( B| | └──7-kaggle竞赛网站学习 .mp4 172.16M1 X3 m3 V$ P/ [2 j
| └──2--网页分类案例
' w" u% q' G- u| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M% X$ d: m" l4 F- H/ i6 k" V
| | ├──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
$ d' H' S) C2 L- a) a1 w2 a" \5 D| | ├──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
: I0 ]' l: @, X| | ├──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
" X7 p* G6 K, ]0 O. q7 X! T" i| | ├──2-评估指标ROC和AUC .mp4 56.19M/ K7 R( B D; b5 n. I/ ~
| | ├──3-评估指标ROC和AUC .mp4 49.03M
7 l0 V1 h8 V. b3 \| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
# U: V: Q- R; G3 W- H. I| | ├──5-数据导入 .mp4 68.41M
" l+ h) s' Q: x; u| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M. T2 ~7 t9 a# O. i2 t
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M' U& R# c2 M, f6 U* g7 ?' h/ l8 Y8 s
| | ├──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* S. x* X6 p3 p- |5 k, r
| | └──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- Z: n8 N; m/ }0 n- u: z$ i6 j
├──11--机器学习与大数据-海量数据挖掘工具 : C( I- |9 {! s+ B% r. Z: o3 I2 ~; f
| ├──1--Spark计算框架基础
; Y! m6 u2 C- `| | ├──1-Spark特性_01 .mp4 41.68M; e, R4 r8 J2 q8 }* O
| | ├──10-分布式计算所需进程 .mp4 26.30M
) {" s; G# y" q, p4 N, u$ v| | ├──11-两种算子操作本质区别 .mp4 56.31M
' |, o ]3 o' s+ G6 Y/ t0 Y: A| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M. G: F) h9 j, J! @ d( T9 j
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
- T* }) {, `6 {1 g2 M| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M' i8 l( c; s" e0 F' I0 T
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
7 s" {' L4 ^/ N" P; Q# e/ \+ O4 s, U| | ├──2-Spark特性_02 .mp4 35.15M
3 I; C1 I) `' b! B| | ├──3-Spark对比hadoop优势 .mp4 19.34M* J- ^- Y* |: c3 Q" E* P& k5 o
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M9 q) n4 z3 t0 b& O. U
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M1 N1 C- N( }8 x& z$ g& k8 `
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M: R3 z3 J0 d) c. v. k
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M! L' C7 c) Z; \% q
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
) c1 J- ?' G) u3 B6 E| | └──9-Spark的RDD特性_02 .mp4 33.41M: D* f" t' P @8 {$ A7 v3 t6 D8 E
| ├──2--Spark计算框架深入
; K) v0 p/ U& T/ U* X| | ├──1-Spark数据缓存机制 .mp4 54.43M
# y# p6 y" z) R0 Q- R+ \* h| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
4 ~- A% Q* V' a+ b2 P: [( i U0 g| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M& }5 ]- c8 \6 y. _8 C \$ j
| | ├──12-构建LabeledPoint .mp4 111.08M2 y* i' b3 N3 N2 j1 h
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
7 O. c! F* W: [$ `| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
; M8 @1 v! Y$ ?# Q| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M) H9 A$ Y7 l* Y+ _- `2 Q
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M( ` r, B7 J! H V0 ^
| | ├──5-Spark术语总结 .mp4 89.66M% T0 e. W( X: `& L
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
/ o" l3 K' I; z* m: t5 B| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
7 i, w+ S) h; {4 ~( W9 U| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
$ p/ ]7 b! z" K5 p- X& u+ M| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
7 ^ j3 P1 C! W9 C6 g+ G$ C: \| └──3--Spark机器学习MLlib和ML模块
! W: J9 d5 \- n| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
* ?( I' f+ v6 d( ? |) r7 a) g6 D| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M$ w! }; m5 I' w% H. }3 Q: a$ m
| | ├──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
& X& K6 o: P: l$ [# s! r; z| | ├──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# m, A" i9 w' p$ B/ \# Y! 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/ G3 z* d7 c+ A/ D/ k7 `1 Y3 b, w
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
) Y! S+ A& \# k) k( \3 m5 A- b, R9 F| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M; _% N( U1 g8 Z4 P
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
6 p& I: C! e* |. ^. |6 N5 M| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
" @+ Z& ]1 c9 r# E7 r| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
! R4 ^: q, T- Z& O6 J| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
% }) p8 }/ n% m2 c, ^9 I8 b. K" Z| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
. Q, ]) e5 k& }1 c7 m| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M0 C% @3 l, l* J- Q- s7 ^/ W2 p
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M2 u9 U8 t, V% [+ J
| | ├──22-SparkML网页分类案例代码实战续(1)_1 .mp4 143.99M
; x( w9 y4 }, h2 _9 }* || | ├──23-SparkML网页分类案例代码实战续(1)_2 .mp4 143.95M# Y, w |( ]& [ K
| | ├──24-SparkML网页分类案例代码实战续(2)_1 .mp4 177.12M0 z" w6 l) B7 U# B8 S1 W
| | ├──25-SparkML网页分类案例代码实战续(2)_2 .mp4 99.25M6 [, H; a1 `! e8 Y; |( i& [( F
| | ├──26-SparkML网页分类案例代码实战续(3) .mp4 9.82M+ g$ X( r! N P$ U1 T* Y
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
# S) {: a6 f- L( ~. a( D| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M/ w1 X4 b- N. j- |# P
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M3 W) l1 t, S& q/ }; x
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M4 l4 ]: H7 i+ r4 }
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
; G0 g3 }& m4 O* v, t+ r& W1 o. K% J| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
. y( ?$ _7 O( m4 P; Z+ C1 `| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
* v% r! T5 u0 Q' y├──12--机器学习与大数据-推荐系统项目实战 , q- N+ l& P# B
| ├──1--推荐系统--流程与架构
/ n6 C" B- L, c% I| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M- m1 B8 X8 R4 f" \4 c
| | ├──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) T% e) r* Z% ^6 U \
| | ├──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
. ]* ~# e5 `. B8 A' a| | ├──12-推荐系统_数据源_1 .mp4 79.07M; V4 X. e8 v* l5 }3 Y
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
A+ S8 v5 ]' M8 T| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
0 H2 ?" ]) [: j6 F| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M! H6 K9 p6 F1 T1 t3 L' Z
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
* J- ?9 O: _1 L| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M* Z' }- d* Z. N7 e8 U0 k6 ^
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M- d r2 q4 E3 P2 ]+ ?6 C
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
+ M) D. g/ l7 ?9 O( {" g2 S3 u| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
& ?' d* g. Q5 p% m6 a# s2 y8 d| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M0 O6 @. c4 E# c% L( B
| ├──2--推荐系统--数据预处理和模型构建评估实战 ' A3 Z- k: y7 d. {. D( l" _8 ^
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
# v9 `% P1 b) ]( G0 J( a9 s- q- M2 l| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
/ M# k2 K' i& ^' O# D" p1 k4 _| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M9 b4 L" `- w) x L# `' P+ j4 A
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M2 d' k3 X( P) ?8 T) ~
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
$ P6 g- B3 |& h3 {| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
: j4 [- `$ {/ ^. W| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
- b: i# {0 b* ~6 l) z$ r( b| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M: R& W/ q2 y" l0 U) T4 D+ q. z! @8 Q
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
" z+ K9 b: R* M* U. X| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M1 o+ A! J" l, {
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M% s8 i; f# [ q0 j7 J3 h
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M: y5 E& X6 j x2 v' @8 p% b7 @
| └──3--推荐系统--模型使用和推荐服务
$ k/ ~3 P, I, T. ?- O2 {| | ├──1-推荐模型文件使用思路 .mp4 61.89M
! _& k# ?5 A7 u5 O| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
( O$ f; ?. N1 m$ h( T8 Z| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M2 @+ M0 R. |8 p; \
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
( w& z9 Y2 I! ?2 y" T| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
! G# g! }) V. a. P& P| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
' b/ V3 d, [$ c4 o' C; || | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M9 R# ]/ Z: v+ Y
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
: V! D+ \8 y+ R* M0 I' A* ~' c| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
# L: P" K7 W3 }+ O| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
& w. X: Y: c& c. ^| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
* U5 a. _/ G) ^4 B| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M. u, P; j& |7 O8 K6 \% `3 F' W) ~
├──13--深度学习-原理和进阶
* l2 q* H+ ?2 V! ^4 Q| ├──1--神经网络算法
, L* |3 j' f Y6 H0 J; f% [| | ├──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
X9 @6 u3 I$ o| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
* i( j, \: S% G# `8 K( n# O| | ├──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' l4 p7 W: j7 `. X6 i
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
. V) c. n8 e: j8 g. s U| | ├──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* S2 ?3 i9 u) f4 v+ L; P: ], _: V
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
1 ]8 R0 D8 `2 A5 h( S4 O| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M1 P9 z" f2 W1 S% b7 o I0 \; \" ?
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M) S1 T: d1 g W* B7 Y
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
- E }. j9 \/ c M' z+ f5 T* o9 y| ├──2--TensorFlow深度学习工具
# s2 h7 s8 Z' P9 T" A7 u" u| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M, q8 ?$ a7 o2 t* X5 V
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M% A# p+ Y. `. A5 X
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M/ {4 w& N$ J- B( {, s' U7 o1 v
| | ├──4-TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式 .mp4 173.47M. l/ p& t" {( d
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
. B0 E7 G8 T! H| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
' J0 }; s2 h6 E" |8 W2 Z& H' `| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M* i* i# I: ~1 e% F: s
| └──3--反向传播推导_Python代码实现神经网络
% f7 r, _* U( ?| | ├──1-反向传播_链式求导法则 .mp4 86.47M
7 s X- {* X3 j/ I| | ├──2-反向传播推导(一) .mp4 127.90M- B9 E- d' u# `2 |
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
) f1 h7 o3 p( z& R! p# `- K+ B| | ├──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: g' m# X7 c. p
| | ├──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
, ?4 o- `' O: @4 p3 X9 G1 `, t( N| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M3 C$ k. ~, l2 l
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
" x9 |4 ]9 h2 ]% Y' d; C├──14--深度学习-图像识别原理 & A% N$ Y1 E0 w
| ├──1--卷积神经网络原理
$ x0 j9 H8 U& }" R| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
" N5 [, u- h) C2 U0 x0 g5 \) V| | ├──2-单通道卷积的计算 .mp4 104.01M! n- {6 q4 V" x8 E( W* v+ \; R
| | ├──3-彩色图片卷积的计算 .mp4 52.79M) g/ J+ E k% F- {/ o- _
| | ├──4-卷积层权值共享 .mp4 63.93M# o# `0 A& k+ N
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
K/ S. W7 F$ O$ I) o9 {| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M' J j" X: [+ e5 k4 ] W% ^: r/ f
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M- y% q3 Q2 O1 x9 J. |
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M0 C3 l1 @0 ~0 ?: Z2 R" h" ?
| ├──2--卷积神经网络优化
3 h1 X$ s% A9 U: Y| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
( @2 v3 }! b1 m1 U( K| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M& n% S8 B5 X: h3 D1 n3 W E
| | ├──11-Optimizer_Adam .mp4 141.12M
- B' Z2 t5 \) C5 {( F| | ├──2-Dropout技术点思想和运用 .mp4 113.94M% w# A8 U( Y/ V% q1 v6 [
| | ├──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! z% ~4 c& F1 v$ w" f" X
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M$ g+ q5 {3 a; w3 l3 g4 d V/ d6 p( A% z
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
+ @& S* H( j) l; b8 c| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M/ q @* Y: ?8 B% C3 O5 B& z( O. V7 N
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
8 y& A- k3 A( b5 e| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
6 z! J: k9 ]. k$ R| | └──9-Optimizer_SGD_Momentum .mp4 89.70M9 h I# A( E( h& ^( Q
| ├──3--经典卷积网络算法 + N* j' ~8 w W/ F0 Z
| | ├──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+ L2 y K# d1 o$ _$ _
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M% b6 k: {+ Z8 W$ [, h8 p7 P n
| | ├──3-InceptionV1_V2 .mp4 165.86M# ?0 l. X/ m6 s( _! e
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M1 I% p0 T7 G& |' `( } _
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M, J5 C! _/ ~* u! J
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M0 v( [$ ^+ ?4 a8 p
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
8 T6 ]9 }8 r. ^) x$ P2 @| | ├──8-BatchNormalization .mp4 99.23M9 F# L0 [. N7 M8 o1 `
| | └──9-Mobilenet网络架构 .mp4 150.05M
$ I" Y& G; g$ x6 s2 M$ e9 q| ├──4--古典目标检测 ) w; M& Q9 B$ o
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
8 s, }5 {- l1 y8 Y; ~9 A| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M& w% Z' h" ^/ E* F
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
" W2 [' Y0 }* v+ Y3 }; Z| | ├──4-R-CNN和SPP-net .mp4 124.06M
: j i$ Z( C, s1 s5 [' t) Z) Q4 z| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M1 ]( Z4 E; ], s0 w+ K L
| └──5--现代目标检测之FasterRCNN
, H D2 t1 u/ I9 P8 C$ h| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M* g3 b3 C% S( l$ C( O
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
1 d0 k9 V1 f1 l1 w- J" Z| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M9 P" w3 B2 R, D( |* N8 v/ A! Q
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M, A3 j) j7 v% a
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
2 Z2 V+ a$ }+ A├──15--深度学习-图像识别项目实战
5 c Y* y* X8 t$ U, m| ├──1--车牌识别
* ?! | h# J& b) p# g+ d9 _| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M6 H& s% [% Z* b* k
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
4 |* }/ X$ G* i/ a" W4 Q. M! y/ h| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
* D' i. ]) ^8 a+ j4 c| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M* o3 F/ X9 J4 B, t3 u) p7 L
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
) {- {0 K0 r+ V$ A% Y% i| ├──2--自然场景下的目标检测及源码分析
4 q1 m8 E+ N/ s1 U# n% v& r| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M8 D+ |0 X. g' B
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
- o4 } J, |4 ]! N0 g| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
6 O8 ]) E& `+ y| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M: g6 {" P3 R" j6 y5 Z& j7 T5 q
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
8 H* v4 `3 g, O7 v9 Y| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M+ Q/ g, I' ?8 \5 f2 v& e* V
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M% D4 [) P6 W+ c& {* q: b
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
7 `/ ?+ B8 m9 f! X5 X| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
* [: P* ` f+ z2 Z2 u. ^| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M" h* n M0 @# L, B
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
8 Q2 }! j, f J0 o* x1 b' I| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
: u/ n% P) Q, ~| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M" ^# V4 Z9 V2 i1 a0 q
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
, X" S4 X3 B4 p' q+ R# C| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M [' S( K4 x+ Z0 Z4 `, C7 {
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
- }# v7 S2 U5 N3 C( K9 P! S% i| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M$ @ e4 F v5 @2 J$ S
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M9 G1 c8 u+ G3 n; Z
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
0 D7 I! [9 x- U/ N7 P. R4 [| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
, m" ]& P3 W. V7 o7 K6 P| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M* A/ b6 ?( t6 Y* b) M
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
$ e0 X! _- a9 S0 p7 b| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
2 }/ H$ `- U; Q1 V| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
2 l' w$ S7 R% N: ^| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M5 I: Z" S/ ~& ~/ f/ ?
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
7 _: u3 b% [ x8 n| └──3--图像风格迁移
2 r9 a0 ~8 p# }, a- d| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
* a9 y5 m, h: s% S* @- || | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
. s* G E. ^% J, X| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
$ X4 c0 i+ w2 X: C4 `" L3 u; w| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
* ^9 M+ ]0 s! p, P& c* m" {4 N├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 / T: s6 A" v3 U' N! l* z$ x; A
| ├──1--YOLOv1详解
$ K$ Y! d3 G& Y1 Z: w7 }| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M9 K, c( P0 P! T8 b D
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
4 i) l2 p( x6 v4 n; Q [| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
/ [. G8 r) C" a6 k; C2 d; f| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M: C: T6 a4 E: O3 F" W' C
| ├──2--YOLOv2详解
* t' ^ F5 h v" h) w| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
* w, h2 v/ {7 O/ {1 ^/ S| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M$ C6 v8 b) j7 [8 o& l
| | ├──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
b: M; |( _0 q. y. ~| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
( }' M9 u$ `( y' f3 y9 W| ├──3--YOLOv3详解
) I$ p, l9 A8 [ @6 g| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M2 Z+ c1 A4 C) _& o1 y! m
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M
2 V3 z. X: y) R8 U| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M* D0 w1 [5 K: P5 Y) u
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
# @/ q9 |# k/ k8 S| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M7 h) j+ ^; y. d% H7 F9 W
| ├──4--YOLOv3代码实战 % R, u, m1 G! A& a# R3 S
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
/ d! s6 t g4 P$ L' I| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M4 E6 v9 a$ d* `& `
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
2 I3 M( c% n r/ C9 e! {5 D% z; N. ]| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M: e- ~$ M$ v3 s+ Q# z( B9 n5 T
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
3 w) w' {- q5 p0 r- k8 ~| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
" `5 `" R$ d9 l/ `5 w| └──5--YOLOv4详解
% ~ j; [1 r0 L+ T5 L| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
( e7 g# _* Y/ T# G| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M2 h# f% \- @9 d8 z o( ?% d& b/ o* e& L
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M5 `0 y- U* U+ ~+ F. F
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M; _6 |* L1 U0 {% T8 _
├──17--深度学习-语义分割原理和实战 ( E3 ?" Y+ L5 x0 d
| ├──1--上采样_双线性插值_转置卷积
! ]# Z3 z5 y W8 K: [| | ├──1-前言 .mp4 19.46M0 f9 m# }6 b& J' D
| | ├──2-上采样_repeat .mp4 23.90M
2 E$ `" K" |7 `7 O: T! { D| | ├──3-线性插值 .mp4 34.48M
* m, _) |* x/ I3 u| | ├──4-双线性插值 .mp4 125.71M# ?' p4 x" L* b2 X0 T3 p' l/ ?4 `
| | ├──5-转置卷积_以及TF的API .mp4 114.25M. F! b4 E5 i0 b4 @6 K
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M2 N+ f0 \3 G9 V' S l7 B j9 u
| | ├──7-ROI Align .mp4 58.38M7 y; R4 V9 K5 ^6 R' d1 L
| | ├──8-FPN思想与网络结构 .mp4 92.14M% x( Q1 @2 c5 ^; b2 k6 V2 v+ {, y* T
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
& y( X+ w- B1 _ @4 G& q& K( [: U| ├──2--医疗图像UNet语义分割
. o" E$ D1 c, X* P5 L| | ├──1-语义分割的基本概念 .mp4 18.33M4 e0 P3 J Y3 T: c2 y
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
3 h! H+ R5 o% D, i| | ├──3-UNet网络结构 .mp4 30.41M: \) w9 h3 \2 M; E
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
) L0 A' i# r; H. F& a+ t$ j R| └──3--蒙版弹幕MaskRCNN语义分割
7 Q: a: e8 S8 z2 @| | ├──1-MaskRCNN网络结构 .mp4 106.38M7 p8 q \. }9 L* t z
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M. `4 w; i3 T' `9 q7 _
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
. g" I9 ~, O0 y| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M( Q* W0 K1 o* x) B- p u
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M' `( P/ y9 v: {1 O. Q
| | └──6-MaskRCNN源码config和model .mp4 244.48M
5 ~9 u! H1 s, ~2 g1 D" Q6 Q├──18--深度学习-人脸识别项目实战
/ t0 e' V# ?. J| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M; {( o& b e6 q. ?, b$ u
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
$ D# y3 T$ W' t% B4 a5 A$ g7 n- V' p| ├──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
1 ^- M. i g0 N' Z9 s| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M+ \9 I8 _) i b5 R
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M( V% O) p5 S K
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
, L, O0 R/ m# k+ {& Y| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
5 x9 D, F, q% f8 P; W' ?$ G; _2 b| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M! @" ?5 v: {3 Z7 P, y& M+ `
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M7 X4 E0 ~* r: x: c- n5 o
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
, p: _. B, G$ b1 e+ A& a| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M0 s0 U* F" s. }1 @
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
. x7 }" W/ D2 q! y5 @( }| ├──3-人脸识别项目代码整体结构 .mp4 30.40M. I, {9 w5 N; `
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
& i2 E9 g% K* f9 {/ E- [6 I| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
3 f: w8 _* h G, ^9 h" O| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
/ J9 o; V6 M0 M- H4 P$ }5 j3 b| ├──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
' X! M) Q* H7 w0 O| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M( \( W! W/ K. \ O o
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
/ s$ O# k; r" m4 O* r& }) ^7 |; \├──19--深度学习-NLP自然语言处理原理和进阶 : u6 q) s: ?' z) `7 d7 E
| ├──1--词向量与词嵌入 0 n$ L- Z! T: W
| | ├──1-N-gram语言模型 .mp4 116.32M5 K; | p, o9 T1 K# q& w
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M# y: q5 ~! W. Z, k8 ~0 l
| | ├──3-词向量的作用 .mp4 58.00M
& u9 i8 n: y: O7 {! I; l* X| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M- B z- A2 q( V3 {6 Q7 k1 \6 I" H
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M; l4 ]" P: |4 }. z' R
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
. T0 w) |; ~+ U1 y; ~$ j6 v0 x| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
" l4 m; l" O3 [, t B| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M ]& G5 s& p: [, J( j0 ]7 I
| ├──2--循环神经网络原理与优化
7 ~+ W t' B9 J| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M- u5 u8 N: E$ ~
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
8 P+ d, S9 H# ~$ b1 I" Z' ~| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
: t3 v2 R& W# p5 L| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M7 g: N( y @0 W8 ]
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
1 c+ M) s/ m3 `9 s" p| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
3 k2 k/ p$ m6 I% w. i| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
z, n. w; y8 T2 c2 }| | ├──8-双向RNN_LSTM .mp4 52.01M
3 s: t% J4 }3 g9 H0 W6 }| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
3 e! ~4 g* D2 B6 A" Z( D| ├──3--从Attention机制到Transformer 1 e" X7 Y4 |2 V$ Z" t9 H: u
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
* B. S" k$ d+ h! d0 K1 O| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M; E. u T* ~+ _% o- n1 N
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
$ F( q; v! Q2 X& a| └──4--ELMO_BERT_GPT
- {; z& h% R, G6 H8 b+ g$ ^| | ├──1-ELMO .mp4 62.44M+ G5 {& m' q8 a8 ^
| | ├──2-BERT理论 .mp4 99.73M6 X" e1 A. o" k8 \$ f' s1 A' N& i" I" j
| | └──3-ERNIE_GPT .mp4 56.34M+ T0 w. ~/ j- y$ n
├──2--人工智能基础-Python基础
; G; y; d5 s: e| ├──1--Python开发环境搭建 4 k5 Q, z# i6 T7 R6 J
| | ├──1-下载Miniconda运行环境 .mp4 100.75M2 `3 U5 q, D! f
| | ├──2-Miniconda安装和测试 .mp4 57.12M) i* h. k6 I0 ?
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
+ g$ b: m5 Q! Y( s9 {| | ├──4-Jupyter安装和代码运行 .mp4 37.10M9 @% _) k4 M" X4 Z- t
| | ├──5-Jupyter常用快捷键 .mp4 32.23M" l/ V9 ^9 E! E
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
m4 j! j+ {5 K" G: O/ n! M| | └──7-关联虚拟环境运行代码 .mp4 38.14M
0 k" z0 E1 N- H; [6 F& Y% @| └──2--Python基础语法 : a% s- Q0 J, i& O- b1 ]; M5 M5 q0 |
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
- g b: d+ Q4 r; N" e7 f| | ├──10-Python_集合操作_列表 .mp4 34.71M/ I0 L0 B2 Q9 m7 S
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
3 a# K& P) |. x. G" J7 E; h8 w* X| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
" |5 i* A' D7 Y& o. ~- |3 I9 _| | ├──13-Python_集合操作_元组 .mp4 43.46M' c2 \! |6 A7 c* U
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M% |" E3 r; W: Z7 S
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
2 D: y t5 @1 O| | ├──16-Python_os模块_shutil模块 .mp4 51.54M( w f# S* S' }- ]7 ?( p2 A
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M3 V! x" F% Q. {5 `$ \8 T
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
+ H+ i( g9 \, ~9 T# L/ G* u- h| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M d$ H; y8 k3 p; n& A/ E
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
1 V4 N6 O$ m* u" Y| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M7 z+ W- ]) T5 o% h
| | ├──21-Python_函数_递归 .mp4 23.46M
7 G- \$ `! M4 h+ u7 X6 z: }| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
?) m& d5 l* A( g9 v$ b S| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
+ v. ^+ K2 s- _- o/ q| | ├──24-Python_函数_闭包 .mp4 41.61M# |6 P# a1 N/ ?2 V6 ~6 s) Y8 F# ?( l
| | ├──25-Python_函数_装饰器 .mp4 30.35M" O6 I4 U( m1 V2 u0 R* U! P( I
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
+ J& f' a' M1 \3 v, @| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
; s: \5 \" G( n% P# M9 k| | ├──28-Python_类对象_内置方法 .mp4 29.17M
5 p U* a2 w+ A! Y k! h i, W| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M7 q+ g" W2 R" V( v& T2 M. g
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M2 W. A0 `. ~) s* V6 f
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
5 @5 x9 i% V% z9 W5 Z# d% G& {| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
% _- H. y9 G+ @/ X| | ├──4-Python_控制语句_while循环 .mp4 25.02M# h) C/ R- V5 c* Y7 k" U& c2 \
| | ├──5-Python_控制语句_for循环 .mp4 22.82M- o9 Y; P. @9 l- S2 e
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M4 J8 l) |+ x1 q( x: z7 g; C
| | ├──7-Python_控制语句_break_continue .mp4 25.23M2 o" x4 k8 M5 U( E
| | ├──8-Python_切片操作 .mp4 40.20M0 W4 x; R: c8 f2 A% _! x' u1 c' Z
| | └──9-Python_数据类型 .mp4 25.38M
' \9 g# j: P8 {7 e├──20--深度学习-NLP自然语言处理项目实战 % q1 Z- e1 ?( B3 [; i1 ~
| ├──1--词向量 ; h7 T0 A) Y, S+ L
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M% T' {5 T& I( j6 F8 Y/ j( \/ }5 x
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M, J8 B; r- x# h& b
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M' w+ l# s3 x- g: v) C" `
| | ├──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( S7 |1 V1 i1 [; G9 ?- S
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
5 K0 p- V4 P! h( J& K, m| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M: S7 I5 s$ x5 t o* R* R ~
| ├──2--自然语言处理--情感分析 1 Y& p# i; L: m
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M4 M# _- s% e, `1 z; S: i) ]- ?
| | ├──2-数据预处理_01 .mp4 79.65M
4 g6 M% g- _5 ]1 }6 P| | ├──3-数据预处理_02 .mp4 45.68M# Q% ?# ]( O: P( c& X+ B
| | ├──4-代码讲解_01 .mp4 52.29M3 [% J3 M5 G ?: ?
| | ├──5-代码讲解_02 .mp4 60.85M3 F/ R4 N/ ~) D
| | ├──6-代码讲解_03 .mp4 53.89M8 R2 u7 G- e6 z5 v) K
| | ├──7-代码讲解_04 .mp4 57.19M& i0 u* D: h$ H) a
| | └──8-代码讲解_05 .mp4 35.88M
% ?9 k6 y$ z3 v9 W. R4 Y| ├──3--AI写唐诗 5 u5 c! ?) U! z i! Z
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M9 [9 Q; D2 e1 e1 O" L
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M5 a3 s2 j7 H8 g3 z/ m
| | ├──3-MultiRNNCell单元 .mp4 38.93M* Q3 O% g3 p8 c* A! A4 f
| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M
* {% x* |9 x' s" W$ B! a% A5 O. M| | ├──5-AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码 .mp4 61.73M
! }5 e5 @& W$ t' i2 f/ e| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M8 |' H! C$ E5 u+ R: y
| ├──4--Seq2Seq聊天机器人
9 T* c+ V( R$ Z/ B5 \| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
5 c7 f" }/ A q+ m: s| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
: h' z( b; I S1 ~6 P' s| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M0 n$ C( X" z' e3 i% _$ K& r
| ├──5--实战NER命名实体识别项目
' I; s4 ~8 ?5 A8 L g1 \- Q! J| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
( Y0 x7 L: s3 p2 C' b/ L* @/ f| | ├──2-介绍了代码目录结构 .mp4 23.44M. _' Y C4 O6 |5 J/ c& X' Q, {
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M' d: K: s/ ~5 j
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
7 o! v* D2 P3 r' u ]# j| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M$ z3 o1 u( j& V+ ~- j7 {
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M5 p5 {( U1 l @) k4 ~
| | ├──7-CRF中的特征函数们 .mp4 125.97M. Q5 y9 n: D3 Z
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
. C. ]" l. i1 Q; X) _4 E4 ~0 S! ?| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M) M3 w; V1 S/ | J0 `+ H: c
| ├──6--BERT新浪新闻10分类项目 . v1 R( j( l8 j
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
. N+ v8 L% H. X) W1 t. W| └──7--GPT2聊天机器人
- r: K6 @" h" S| | └──1-GPT2闲聊机器人 .mp4 62.28M7 H" [8 o1 e1 {8 I& A% c* x
├──21--深度学习-OCR文本识别
. U8 A* F, |* M" H, q# o9 h' B| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M) R0 o) j5 g. v
| ├──10-CRNN项目代码剖析 .mp4 306.48M% W: d) b3 Z1 ^) p
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
# t0 f7 l. g# b7 T8 n& t| ├──3-OCR识别的CTC损失思想 .mp4 327.69M/ r$ i4 x" u' S, ?: B
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
0 y5 i b: Z: `| ├──5-CTC损失函数的理解 .mp4 330.64M
, Z& Q5 U0 E3 p) R| ├──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) |' }; H& r" Q0 A- M; H) i- q
| ├──7-CTC前向后向算法代码 .mp4 225.41M8 O8 O! f3 w3 k: p& x7 `, S+ O
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M; A8 Q- j3 F2 }- u2 J0 |
| └──9-CPTN项目代码剖析 .mp4 491.69M. b' @( Y- h9 t- }+ L6 P0 t4 q" k" w
├──24--【加课】Pytorch项目实战 - X" [- m1 t% |7 E( a$ o3 [6 {
| ├──1--PyTorch运行环境安装_运行环境测试 9 y7 `) o$ _& i- ^* I2 Z
| | ├──1-PyTorch概述 .mp4 29.29M' v/ R f' F4 i/ n
| | ├──2-PyTorch的安装 .mp4 76.45M
; V M& V" O1 @% }( G6 P1 b| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M2 c' v, [7 r! O! ~- D
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
6 ^8 v6 x! [/ w| ├──2--PyTorch基础_Tensor张量运算 ; Q$ G, O2 [) n* f7 K/ p' T) n
| | ├──1-Tensor的创建 .mp4 55.14M
" `+ e/ e; h" b2 i' V5 v| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M* ~+ z+ h9 R( d& [
| | ├──3-广播机制_逐元素操作 .mp4 44.46M/ G/ O' S n y+ |7 s8 v$ K
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
# J( `- W* C! A% l/ v+ y9 d| ├──3--PyTorch卷积神经网络_实战CIFAR10
) y8 i) x$ J# U( L5 Q& U| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
! M# Y, ^ z5 b+ _. ?, Q| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
( l* q2 v$ z8 i% i! h| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M$ W; T) i! X: L; _" j/ `
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M6 H7 \! m4 r: {3 K1 x- J) B
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
4 c9 H2 D% ?1 w2 X( ^! W| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M! B: | s8 L4 a8 r8 W
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
/ p+ z9 l2 i( N: _$ S/ R* Y| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M! b6 ?6 d* F! z& K/ r
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M5 v' ~3 e: L( \& d3 g; u, S8 q
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
6 ~7 M" T0 a) T- H1 s. x) F8 R8 B| ├──4--PyTorch循环神经网络_词性标注
5 v+ @' D* E5 X: k8 r6 Q| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
- V* B- p2 T& Q) D! i1 b7 `| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
1 ?0 T. K/ Q2 H6 G+ Q| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M& W% {7 o* l/ W$ h
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M+ ~- [6 ~. `' e& J8 n
| └──5--PyTorch编码器解码器_机器翻译
- M; |: z9 F6 i. a| | ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4 50.41M4 u0 {5 i! b- \# n3 A
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
! L/ ?- p! E5 p8 y4 v| | ├──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
4 L( B9 K$ z2 i1 c* I3 I8 R| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
! [# P7 L3 f+ [| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M4 t* D/ ^% c+ v3 |' x
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
8 B, A; k/ N1 r| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M' i1 A; _" W4 s9 y$ ~
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
S0 T7 r n3 o! Z L. B O- g├──25--【加课】百度飞桨PaddlePaddle实战【新增】 ) {- s& }0 @$ C
| ├──1--PaddlePaddle框架安装_波士顿房价预测
) c8 p; }- V; `* H) g% M3 _3 G- S| | ├──1-安装PaddlePaddle .mp4 87.34M
2 n2 W4 n, ^2 A1 a9 J) S| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
$ L& f3 w' f+ d9 M: n' z/ H. J| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M( y7 l {1 S# a1 j
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M( h/ {$ t+ ?6 {; y. I* H" k, R
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
' l6 f" j3 G8 }. `+ q" l| ├──2--PaddlePaddle卷积网络_病理性近视识别
: ^2 M- d! v) u* l' } B| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M8 E I4 P) d% i" s; ?9 Y% H
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M/ O+ Y) d9 f+ |8 I& o$ X) u* O
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M3 P) H! v/ v# @0 e. U: b7 k$ h
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
4 A, \7 k c* ~0 m2 [8 C X, S| ├──3--PaddleDetection工具_PCB电路板缺陷检测 1 i/ ? C5 v; Z1 l0 t
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M5 f8 Z& a: K$ A* [- B) ]
| | ├──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
/ H% _# d3 I- R. f/ L| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M' s1 o* o# i8 B
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M5 Y) C' d. @$ U3 @* p8 \" B
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
1 W6 S+ O4 ~/ \% r0 c. p| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
& X& ^! j5 S) f& g% m- X* E$ A| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
! \0 t1 C0 c$ r7 q" Z| ├──4--PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss)
& E# j$ `& j. E0 h+ j) J9 `| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M+ X" S9 p9 D" ^' z6 H+ V- B
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
/ q4 d- k) v) B' Q8 D) h6 i k* d- T| | ├──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( q/ A4 A4 M8 |# W
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M+ }7 ^/ J& B* I: ^: V! j8 T; m- n/ J
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
M' ~ f4 A4 J1 d& ~| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M9 D, s1 U+ r; ~
| ├──5--PaddleNLP模块_物流信息提取(BiGRU+CRF)
- Z+ G# R2 ?+ l" k& I; c; R2 Y7 j. {| | ├──1-PaddleNLP_项目配置 .mp4 49.37M# t8 r9 y3 O* N7 S( e
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M' b4 ?4 S, _3 g+ j" [7 h( @1 ^
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
$ w2 d2 ^: \5 ^- r9 C| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
" m# M/ A) w+ ]( k) j& \' O/ K0 E| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
" T o. d! V- L. {: E| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M/ A$ q3 I& q6 ~ k
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M3 r/ j- m! H& Z+ H; R v; W
| | └──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
" z* G" {8 W; Z2 u0 N; M% O| └──6--PaddleNLP模块_物流信息提取(ERNIE版) ( m) O( Y8 e# c0 T4 |/ U+ i
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M* ^/ r1 k5 a% ^9 P& j- l/ A2 r! X& a
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M* h Z7 f2 m- l+ ^7 ^. Y( A3 `
| | ├──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
5 e- K) i5 B/ d% r4 S+ H| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M" P# u+ R* u2 D' v- g" X P
├──26--【加课】Linux 环境编程基础
+ E+ f+ p) Z# x& f0 R| └──1--Linux
' o+ ]) O+ V# R. X( w+ u2 J! p4 Q |! U| | ├──1-Linux_课程介绍 .mp4 3.72M6 R7 P# a/ G$ c# t( e' }
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
8 h4 Y% S5 U) _. T* G5 Z* n+ T1 Y| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M# f3 p9 w+ w: T8 r1 U* K, Y
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
, A# o t8 N; o+ c" G' L, [& W| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
' z0 l5 r8 F; K y# }| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M+ m A8 {0 _* J, R+ M
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M) n) m' J6 W, G! U+ w
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
- d& Z! W; t5 l| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
5 j2 @. l, I: l, ~; d7 o| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M5 Z. v& G, w+ l+ T$ m4 t
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M1 l2 _" e8 q6 ]; r# `& m: C M! q
| | ├──2-Linux_Linux简介 .mp4 17.59M
5 c* A! x W$ D, l* z+ `| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M% U; n# E( T- G8 U3 O# o
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M' I x; k' w+ x1 V* L
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M. x1 _& r S% }1 x) I0 y: u
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M; R; C1 l7 X( i
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
8 Q3 u+ D1 E" s1 n# y| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M: ^: C: l+ n$ l) Y; u1 k
| | ├──26-Linux_安装MySQL .mp4 79.02M7 R: e- G! o, e* H8 m$ x, t% \8 o- H
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
% c4 M( n+ s2 Y8 \+ B| | ├──4-Linux_安装Linux .mp4 41.97M; j4 C8 I( ^+ m) y! H; H0 |* v) F
| | ├──5-Linux_目录介绍 .mp4 20.31M5 y& ~* E% Y0 I0 S' i; H8 ^+ I7 ?
| | ├──6-Linux_Linux中的路径 .mp4 18.65M+ u$ ]+ u/ Z6 _1 a7 V
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
/ H% n1 ]% R9 r0 k5 _) t7 A8 j3 q1 Y| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M! G4 E: Z# K% z0 A4 E1 M
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
4 v0 R; D3 ?0 ]6 J$ y6 `; L├──27--【加课】算法与数据结构
1 J, H( T8 t q| └──1--算法与数据结构 + z! o9 h) a3 R' g/ m
| | ├──1-数据结构与算法简介 .mp4 35.68M
' K/ t6 N" _0 k6 Q- X, Y2 v2 B| | ├──10-哈希表的基本结构 .mp4 54.34M9 r4 t8 D- `! y ^3 p" a: i
| | ├──11-哈希表冲突问题 .mp4 75.92M
( e- D+ p \2 Z. l| | ├──12-哈希表冲突问题2 .mp4 72.30M( j6 n/ Q. T+ ]" D. f
| | ├──13-哈希扩容 .mp4 111.03M
6 k" x( Y# ^/ R- ^% b; x. C| | ├──14-递归与栈 .mp4 50.77M
+ u+ Z8 {- P" l% O0 Y| | ├──15-线性查找 .mp4 57.80M9 d1 F" \# j3 H
| | ├──16-二分查找 .mp4 52.32M( l, V( _! @+ ^0 R
| | ├──17-冒泡排序 .mp4 53.19M" h. C4 ?0 E v B+ l ^% Q9 d
| | ├──18-选择排序 .mp4 43.29M
5 b4 B9 e4 g$ L5 Y" b+ i. @| | ├──19-插入排序 .mp4 31.39M
& j. O, p4 b* _. B) \| | ├──2-大O表示法 .mp4 25.59M* J) V; u" i$ Q0 N
| | ├──20-归并排序 .mp4 84.48M; K6 s7 T% j9 N
| | ├──21-快速排序 .mp4 36.63M
/ I7 b) s' d8 d6 n3 b| | ├──22-树结构 .mp4 96.85M
1 c' a. ]& u; T( }3 F( t| | ├──23-树结构的遍历 .mp4 61.05M/ H8 U9 U9 q/ \2 N0 @
| | ├──24-最大堆的增加操作 .mp4 45.43M" i5 T; F' K7 p( k0 r# L ^! ]
| | ├──25-最大堆的删除操作 .mp4 45.63M
' h. {( W% X' Y& l; o| | ├──26-二叉树的查找 .mp4 100.24M
. q K9 j1 v! U) h2 ?| | ├──27-二叉树获取最小值 .mp4 25.21M
3 E5 K- d2 d; w( h| | ├──28-二叉树的添加 .mp4 72.66M
! A4 M, V- ^7 F3 m4 a| | ├──29-二叉树的删除 .mp4 120.06M, b1 Y2 n# w3 ] g6 H; v
| | ├──3-线性结构 .mp4 53.14M
5 C y1 h6 A6 w3 ]| | ├──4-单线链表1 .mp4 68.36M( [7 w0 j/ ^& S) g L( G' W. e9 _
| | ├──5-单链表2 .mp4 221.69M
4 w. S+ b' ~, N) B9 r% i, b/ }$ H| | ├──6-双链表 .mp4 103.57M [+ Q! L8 ?+ U9 Y
| | ├──7-队列(链式) .mp4 74.12M+ \% H- c: C, k% W5 ^
| | ├──8-队列(线式) .mp4 30.99M& @0 z5 X- P" m$ |6 n
| | └──9-栈与双端队列 .mp4 28.12M
8 T6 L+ I0 [2 b2 L' e6 Y# b7 Y├──3--人工智能基础-Python科学计算和可视化 ' Y8 k1 |2 X: k* m e* j( j2 h
| ├──1--科学计算模型Numpy
4 ^! x+ y( Z8 b! u5 ^| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
! ?/ @% I/ L# x: V1 [4 u4 f| | ├──2-Numpy_array_arange .mp4 35.45M) ^5 I# s# X, I4 L5 n% W: L% A
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
! X5 q8 ~9 f2 g: l| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
, p1 x$ U9 r/ Z' r- u9 U* Z. V. A| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M. D' b; D/ j+ B& b0 F
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M5 H0 _# p% V1 f
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
z- B/ M8 B6 d7 S# Q| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
: E; n, I$ ]+ n" ] c# {" C| | └──9-Numpy_聚合函数 .mp4 23.68M
* a2 n$ { v4 d/ E| ├──2--数据可视化模块
I% R; A7 c+ i! n- g7 D# K; }, ]' F| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M( o0 V' v9 ]3 }; z# a5 z! D
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
! [ B' r. x- U8 D: B& P+ o| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
" v8 M1 X; n6 t+ k- E9 p$ w5 C| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
9 P# ~! d' O& ~ W. U' @| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M- h- E8 h! l. g0 l: ~ |9 Z
| └──3--数据处理分析模块Pandas
( t v. e: N! r/ P7 l| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
1 U' h+ N+ E1 ^) i, n| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
% c9 ?. \; ]0 b/ I8 S4 y& L; a| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M" Q0 ?+ b% b" `4 H; b
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
9 P8 j+ u; W J6 J. M2 C7 n% z| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
; ^4 E& x8 `$ Z! || | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M& m9 D" l0 i6 C! x; ]& @+ [ _
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
; f& C( i/ P c. {├──31--【加课】 强化学习【新增】 & \$ W, T/ l! | q0 T7 k
| ├──1--Q-Learning与SARSA算法 " c+ b- ?/ G# S9 Q
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M N8 t- W/ u1 e* |* P+ M0 _
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
7 d- `/ I; Y b" M2 K| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
: W+ s1 _% n; |3 z8 o' M* T3 K| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
& B8 G$ ~9 _$ C5 n0 _# o5 _| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M& g: k8 `! ^$ m2 f
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M+ Q9 ~% G0 g+ }4 \1 }) @' }7 F
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
! f8 r, z& F4 l# ]$ T: m$ T$ T| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M4 d H8 E/ y ~& t8 J. k. \. I `5 g
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M* p4 G0 A8 Q8 E7 b8 j& a8 o
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M' u5 K/ d# p& M4 A7 e, _
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M# R0 S! l, D4 D+ w( b8 @! M
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
8 d. N( b& ?6 g/ a| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
9 U- b" r" A {9 `+ n9 P| ├──2--Deep Q-Learning Network " Y1 J4 h- G) J' P
| | ├──1-DQN算法思想 .mp4 59.24M1 t6 j* O# V: Q9 L: Q9 c- z2 _
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
7 ^. N8 m5 X( X$ C' x3 _4 w| | ├──11-DoubleDQN代码实战 .mp4 44.49M
7 N! R6 h6 B( _9 a1 N3 r5 Y| | ├──12-DuelingDQN .mp4 88.12M; q9 u& n/ d7 n( C% h8 x: t
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
8 S# l+ w* n+ }! X( t$ ]6 ]| | ├──14-计算Action的方差避免风险 .mp4 54.23M
0 \; r* S$ { }. G' }1 `. w% ?| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M2 t+ h* l2 ]6 Z( b
| | ├──2-DQN算法具体流程 .mp4 56.17M
9 w( K# H* h; j, d" S2 D| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M" h7 ]3 Z% }3 m8 X) f
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M6 B7 X6 e/ Z3 L" j% t- o! P
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
6 H' w' c* k9 u, `% u1 z| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
4 w2 o* G/ n% Y" u- s| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M' t# B: L' W& y) x4 Z$ [/ r
| | ├──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, i; e7 M9 K2 W s" w4 }
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M, W5 F3 [. W3 R4 g! U+ e( `
| ├──3--Policy Gradient 策略梯度
( O( Q" _9 N0 o6 Y# s2 K| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M* Z6 q3 i' L$ X2 Q# e
| | ├──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
3 V* b1 J/ Z* n7 P( B0 F! w| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
) x7 I+ g% L4 J w1 `# V/ K4 B| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
* d1 [. Y3 u) A9 y| | ├──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
' T6 [+ Y- B8 p" P! N| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
9 `) I0 j" z2 ]$ @ d| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M R: z7 M0 ?; f2 a# ~- E# d0 W
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
. _2 g8 R; ^( Y5 p6 N0 P| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
! M' U; j. L$ c5 ^) f| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
: _- o: K# P3 ]| ├──4--Actor Critic (A3C)
5 B H" b. i2 @7 l; j6 }| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M( G# A1 I. L- e# z, E
| | ├──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
2 T: s' O5 v; 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 40.24M3 ?" m2 z' j4 C* ?9 F' | K
| | ├──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; Q6 B0 Y2 x4 Z; ^; {6 d8 Y2 \
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M7 k# ~* \- t+ v* {# S
| | ├──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 47.18M8 l; b! i `' ^& ]
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M/ H+ n% o/ O# O! K$ y* ~
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M8 g, |/ ` s& Q% c
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M6 u% n/ z. e! J" R# d
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M* g, n# P7 C5 x& t. N
| | ├──6-A3C架构和训练流程 .mp4 74.66M6 E2 r( h1 t& h" k1 s+ L
| | ├──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 A; I( V8 m. V# X1 K' O n, P
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M$ o2 S: T! Q3 a0 X- O3 l
| | └──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, _+ ~9 Z: D' `" r0 G, S
| └──5--DDPG、PPO、DPPO算法 2 o$ u+ O) b2 f( c
| | ├──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" \3 w4 `3 S/ D
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M. h6 k( b3 v1 J9 O( j) ~! q2 j
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
0 w+ J, r3 U" N, 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 42.12M0 }2 X1 F* H$ Q; W" d0 H
| | ├──13-DPPO分布式PPO .mp4 63.81M
, a- g5 K4 Q y+ L$ Y| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M; X# G+ Y9 b' O
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M; N* B5 L' r: M2 S! @3 {% c
| | ├──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
; Y l5 K2 W4 b& p; a| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M( K' z5 D0 e9 Y0 y) K
| | ├──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
4 I8 t. e8 u( {4 R* A- h) K| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M. u; u2 i5 p% ^. ~
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
2 S! g8 f% w5 f& N% p: I$ s| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M) U) {* K0 d8 @' g2 h
| | ├──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
5 m4 i; D. a) J) Y- H| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M, G) r1 ]3 t: l2 o/ U; k
├──4--人工智能基础-高等数学知识强化
- Q! f/ p, C7 e0 x| ├──1--数学内容概述
4 T( m: n( p$ |" ^% R3 ~4 R W| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M, W* k! E- e" Y* F
| | ├──2-线性代数_概率论知识点 .mp4 26.81M& p2 p1 [4 n# L: ?; p
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
* o$ J# l' }; }. o| ├──2--一元函数微分学 5 ^. U; p1 k. n2 N- U
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M& z( Q) X/ A9 l* _( Q' {8 {! t0 O
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M; B) {( b% n3 N. d+ M5 l4 B3 n& e6 x
| | ├──3-常见函数的求导公式 .mp4 22.76M
5 g# D" u" |) x; ]7 O9 ^, I| | ├──4-导数求解的四则运算法则 .mp4 26.52M# H- _! E f7 ?) s5 X) Y2 r: M
| | ├──5-复合函数求导法则 .mp4 19.68M
' ]+ T% q1 ^: ]| | ├──6-推导激活函数的导函数 .mp4 33.40M
; t- ^. d! V# j8 u6 h: @8 l* P ?| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
! m4 A) ]3 r- e4 D% Q y6 L, _| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
. E. v; Q2 V( ~- Q7 ^ |, |! W| ├──3--线性代数基础 8 i$ n u) }, N3 y% Q/ U
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
; T, h N/ l4 A8 s8 M5 R0 } c| | ├──10-矩阵的逆矩阵 .mp4 38.54M- B. q0 N. q) N5 P2 Z+ l
| | ├──11-矩阵的行列式 .mp4 20.13M
8 W# k! ~# ]. C3 C3 T& v( H3 d9 s| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
+ |1 \+ Z" {# j| | ├──3-向量的内积_向量运算法则 .mp4 19.78M4 K- [4 d t& V! C
| | ├──4-学习向量计算的用途举例 .mp4 20.32M7 f1 N6 B' p& L) u9 R Y. z# T
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
" x- H0 Z! Z/ V! H# Z: A; m| | ├──6-特殊的向量 .mp4 26.45M, i w, t/ a: C+ Y
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
+ P" a. @! w# ~0 y# _9 k| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
# ~1 u _4 ~: v: g: || | └──9-矩阵相乘 .mp4 20.02M
( E5 \& a1 p& b( F+ F) Y/ c+ L| ├──4--多元函数微分学
, A# z1 b- n* d W& J| | ├──1-多元函数求偏导 .mp4 22.61M
6 _- i& F, V' |! D& T| | ├──2-高阶偏导数_梯度 .mp4 27.15M
& I7 r/ ~: w+ W+ c7 x! i9 @| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M# W" {5 P/ r& w+ Q9 {0 X) V, I0 l
| | └──4-Hessian矩阵 .mp4 32.93M/ A2 q# N+ T) d2 z6 V9 i3 z
| ├──5--线性代数高级
# z9 R& t8 M# W2 l2 u, D( r9 h| | ├──1-二次型 .mp4 27.70M j6 K' P! n% e# w
| | ├──10-SVD用于PCA降维 .mp4 24.90M
% }7 b! @/ F" I) Y| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M; Y- G0 X5 \& x
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
" w! K, K* u3 ^4 I8 q| | ├──3-特征值和特征向量(1) .mp4 29.83M2 c) B! E# n. e3 d' f
| | ├──4-特征值和特征向量(2) .mp4 30.07M
/ o" z; q7 q& X: F6 F| | ├──5-特征值分解 .mp4 38.68M$ ?( @' s- |& u" L- t
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M U- k- h: x: D) t/ L* z( n; P0 r
| | ├──7-奇异值分解定义 .mp4 22.58M0 h5 Y3 R& u/ x: B9 W: ~
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
1 p3 Y, ]0 r7 A8 S: h| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M6 ~% F C! G7 Z! m. v0 Z% A
| ├──6--概率论 4 t! B4 b' v) v% d4 P0 i& W0 K
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
- l6 P6 s9 `7 P| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M% \7 T; ^7 M. J+ X. c9 H- ?. F3 u4 s% o
| | ├──3-随机变量 .mp4 22.57M
9 j8 `3 W9 t+ H| | ├──4-数学期望和方差 .mp4 22.96M- `; \2 ]( n6 ^* A! s' [3 u
| | ├──5-常用随机变量服从的分布 .mp4 22.48M& F" j5 m8 x. c- h
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M8 v- Z# `' k# x' o
| | └──7-最大似然估计思想 .mp4 23.42M
9 @& t! W( ]7 A& j; ~1 h+ c/ ^| └──7--最优化 ( L$ v9 Q$ |8 @5 r ]( _
| | ├──1-最优化的基本概念 .mp4 35.14M# ?7 s5 @- P: u: |( a! d
| | ├──10-拉格朗日函数 .mp4 27.46M
9 c' G. R& q: P4 n5 N| | ├──2-迭代求解的原因 .mp4 20.15M$ a/ v/ ? Q0 V" C
| | ├──3-梯度下降法思路 .mp4 26.33M
1 x% D, B! x9 j7 w: y5 z! }% @| | ├──4-梯度下降法的推导 .mp4 43.56M' o) }# [% q, l; N3 S8 V4 |
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
+ S3 C% x- ~. R| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
9 w5 G5 ]7 ^( S| | ├──7-凸集 .mp4 21.90M
5 s3 w1 L/ t# M6 L| | ├──8-凸函数 .mp4 16.93M2 p# T. q" X8 F: C& @. q* j8 j a" u
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
' f, I I, s @8 A7 l$ J├──5--机器学习-线性回归
, u, ^: [9 ~4 t| ├──1--多元线性回归 ! \' N9 W0 U4 x3 i+ L
| | ├──1-理解简单线性回归 .mp4 51.11M
/ d8 q0 |1 i2 a| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M! G) ] T( M0 l' Z X/ H" a6 G
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M9 s+ }8 k# K8 u8 A! J c7 u
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M/ S5 j0 N4 c: c) V, @( M3 V6 c
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
$ Q$ y* I, ~% A6 u: z) `| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
, l7 r/ R* Q, G5 ^: H- n| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
! |! a; U; h7 a: t, Z| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M H6 \' T5 c3 Y4 v+ b
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
: G' k1 B2 l6 j+ y| | ├──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( j. o6 q; X# Q7 n
| | ├──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
8 F+ }; T6 J$ k2 U; k2 F| | ├──2-最优解_损失函数_MSE .mp4 39.58M
+ ]" W. e6 `# D| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
. o. O ]) Q6 F- H5 t! \# i0 h$ U| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M$ d5 z; n S( t: f/ @9 n- ]2 ^
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M* b5 x3 d) T$ B! a0 b: v. n
| | ├──3-扩展到多元线性回归 .mp4 32.15M
1 @4 \2 A( K: h| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M6 }& t3 L( d' e2 N; {
| | ├──5-理解维度这个概念 .mp4 41.41M& \- }( a% s4 O9 p) W+ w* j6 |
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M& l- p- c) k5 V! G( N+ b
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
' M1 E" W1 A, O/ S( Q| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
Y! D3 n. z/ E3 H/ E4 f0 }| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M& P9 n' \3 v$ C1 u8 O: w6 J" ^- `
| ├──2--梯度下降法
( ?3 O& [4 F! v4 _| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
& Q2 c( W0 `; I* a2 Y1 m| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
/ `& k+ }! F0 W1 Y| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M; v2 x( ~. h, Y3 a6 {" Y' ?
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
0 q2 V: ^; `- L. I. H6 `- ?| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
6 K! l7 [9 X$ D4 n- j; K& w| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
2 N; }5 Y, d5 ?4 @6 E2 c' d7 J| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
0 o3 i' n5 t8 m) G| | ├──2-梯度下降法公式 .mp4 57.12M
+ \$ O1 }! `. L ]) i0 h+ \| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
% Y1 Q7 U# z! @3 V: q| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M' m1 a9 W8 v* M- t" P
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M8 w7 c5 o6 b9 {6 o
| | ├──6-全量梯度下降 .mp4 62.84M
" O+ \& u7 ?/ j| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M+ ?# m+ r/ E; n4 o
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
/ C& y' ?; B5 K6 I| | └──9-轮次和批次 .mp4 45.22M" S, E4 }9 u- r R, v
| ├──3--归一化 - h9 M7 [ u$ C m* V
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M+ a0 S& L$ w% i. M% r8 I
| | ├──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! O4 R- ]; X# ]! G
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
+ {% J; ]& a+ ?0 {| | ├──4-最大值最小值归一化 .mp4 24.87M1 z! V' P# a% c$ k$ w- S* E
| | ├──5-标准归一化 .mp4 51.86M: o% Q2 o3 h' n! b& L$ T
| | └──6-代码完成标准归一化 .mp4 41.13M% I. t( a- Y! e9 [3 t+ S, |
| ├──4--正则化
0 [: p9 A$ L/ G! D3 ?| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
. K1 E: l! k" u! B& @/ d8 x| | ├──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. m8 M# ~; a) Z$ @! I i, G
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
$ e1 L" H! P( U* q) q| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M9 {( Q5 x/ n) R% ~9 X2 }
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
, W0 w( B: c: A! D| └──5--Lasso回归_Ridge回归_多项式回归 ; U% F: Q& R0 V% R4 W
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
3 ?" O# N3 }& C6 j& {( `| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
" F( K3 Q% u! \( }; f' e| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
- g' X$ b( y- T" V; i. F# V3 X| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M( Q/ ]5 o( b' M% }) i, A: Z- J5 l1 L
| | ├──2-代码调用Lasso回归 .mp4 28.73M
0 S8 Z8 ~+ D$ J/ D% G| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
2 Q B8 L$ Z1 m8 b7 I4 D5 w| | ├──4-升维的意义_多项式回归 .mp4 48.06M
7 H6 w* s4 o% C" T6 v| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M G1 J1 U- ?; U) b" |$ s+ x
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M1 ?+ t3 v. E/ \2 n5 {% x+ @
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M. u0 N7 K% M8 y+ v& S1 P7 ^' M' ~
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M( M2 d0 O8 Z' A/ f
| | └──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
. J9 Q' w9 L4 y7 G# O├──6--机器学习-线性分类
; W0 B8 |1 G* L5 }| ├──1--逻辑回归
/ m0 q# y+ U+ G2 L t p* {| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M8 |2 {1 @' N" x& f1 J
| | ├──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
5 w% f- h# \, W' _| | ├──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$ @6 u6 ^& K: G Y2 T
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
: R! \& r) F; l/ q9 R3 S* P| | ├──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
2 ~+ Y" S/ ?: O2 {' g+ B8 c| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
- ?: f6 Z9 Q% s| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
2 Q1 k" c* Y5 m% z" C" P) u# ?4 N| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
) j, H5 g0 E; C: ?+ _| | ├──2-sigmoid函数作用 .mp4 38.15M
X# i7 T$ e6 T m! r6 I| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
: D: I5 \ U& b| | ├──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
. G U. z9 u" E1 O8 y! C# o| | ├──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
" e3 y. Y1 ]7 z$ s$ D; d3 i$ \. h| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M4 n# N( @! [$ n& D+ k9 o
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M9 q8 p) p2 \0 P% _4 i
| | ├──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
2 ?, `% V$ 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+ z0 F# R" @7 P8 n+ W/ `3 C
| ├──2--Softmax回归 s6 [& f$ U% d$ v, G
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
, \: ?+ i( p; i7 N3 p, U| | ├──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 K2 A% `. m! J| | ├──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
+ A* {5 P v% u' N9 G' C| | ├──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% f" `: t# u- y
| | ├──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/ T+ U, B% f3 Q+ _
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M0 _& L4 s" w, ]% `4 M
| | ├──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 33.42M5 k0 E9 Y6 R) I* L R- E+ v1 u7 x
| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M9 c' n/ ~7 X2 V1 v+ k
| | ├──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
* o/ F$ ?- U: V1 g% H| | ├──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
, [" x' A) T2 f* X5 i$ Q| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M9 L7 f2 C3 ]0 _% w0 f
| | ├──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
. [' j. p9 ^1 L/ I| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M
( K: r) e8 v" @7 K; E$ b| ├──3--SVM支持向量机算法 4 e$ b Y2 S+ \2 t! S5 L. p# L) A% Q
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M( q9 D. |7 w& h% u2 ~1 O
| | ├──2-SVM的思想 .mp4 55.56M
4 t8 a- D& w6 D, D3 _| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
8 [/ {# y/ ?4 Y| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
! F* C/ b2 ?% ?. Y H| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M& n1 q6 d1 Y6 d2 _+ a
| | ├──6-总结硬间隔SVM .mp4 39.01M+ U G" G# z" D2 l a
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M* n# C/ M+ [: ^- k
| | ├──8-非线性SVM .mp4 54.43M
7 j1 x+ G/ K- |: e. z1 r" P| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
# K( [* Z# x+ m8 L| └──4--SMO优化算法 3 ]* R9 L( W. I
| | ├──1-SVM算法流程总结 .mp4 58.36M6 f6 M/ K; Y. o( b
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M1 }3 b8 ^1 @0 i1 ~5 q1 `( N
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M q0 V7 C. v* B; C* W0 ]
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M0 ?. p: ?) C7 d& j$ S
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M9 g9 p3 Q3 b8 I1 f- O, M6 Z
| | ├──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
$ p; z. n7 z% E2 M: t/ G| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
9 V( P* S( ~# {6 _3 ]| | ├──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 65.42M1 t2 t4 w6 Z3 x& e
| | ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数 .mp4 63.23M& e' b: `' j, ]5 _* A) _
| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M) W7 @8 j/ v* y2 g4 a
| | ├──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. I% z% @, z7 `: [; `* b: C: t9 R# N
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M6 B; V0 U& _+ A, o# a
| | ├──7-启发式选择两个α .mp4 23.11M2 J* t) v: f' `5 U5 K8 i
| | ├──8-如何计算阈值b .mp4 50.18M
4 O9 J [' ^3 G; X5 m: I| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M& e7 {0 N: M) B8 J9 P, T
├──7--机器学习-无监督学习 : H+ U9 B, P& i& }' h1 m. `; |1 `
| ├──1--聚类系列算法
: m, B7 `$ ?, G| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
6 D/ I d/ q. b8 n| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M/ G' Q+ x! Q% Y( h7 d! N
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M4 p* D; T2 M4 \4 X* d" ?' n* B( O
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M( h$ g4 a, G$ K, E w% u5 h. R
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
; |7 |5 F- q' a) n- r' U/ z| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
! V4 b& ~0 F7 R* A" O! || ├──2--EM算法和GMM高斯混合模型 / n! q5 Z( ?% q$ w# _4 t5 I2 y- _
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
7 U+ B8 y1 }4 i| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
c: W, p9 U( L* Y| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
1 v. P6 Y# U W| | ├──4-Jensen不等式的应用 .mp4 109.17M
' g- V: x" h- r7 I| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M9 ^. N' y+ I D* w. q
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
2 v. }; ~7 C$ B) `# _- w| | ├──7-GMM前景背景分离 .mp4 16.01M' z2 j* [% w7 i/ q$ R3 C/ T
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
; @( i ]) @" X* p: z| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
- _% W# x* a6 x. Z| └──3--PCA降维算法 / F& m9 z. f$ r9 { L3 S W
| | ├──1-特征选择与特征映射 .mp4 49.38M
# D3 j7 N& Q! ^8 L; Z O5 |5 A9 _| | ├──2-PCA的最大投影方差思路 .mp4 186.75M$ [- h3 Q( ?. x3 K' G
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
" q! H3 H. y3 e+ w0 t& G2 n3 `! K| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M' f; {9 ?! \$ n6 }3 O
| | └──5-PCA的几种应用 .mp4 54.58M, [5 G9 k; s" M# b- i1 Q1 j
├──8--机器学习-决策树系列
$ K4 A2 v/ n0 _) h& f; i| ├──1--决策树
/ L7 U2 ]) g; z| | ├──1-决策树模型的特点 .mp4 74.88M$ c/ y% f0 U Q( O; I/ M: V
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
- I& u1 U; K% d7 K6 w8 E: u! A| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
! N. C, S% n8 x- I' [| | ├──12-后剪枝的意义 .mp4 50.49M& G) \: t( d* B1 W6 t2 d% o
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
" ~$ i6 F. n) S. ]| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
# q& a: C' m; |5 j1 |& N| | ├──2-决策树的数学表达 .mp4 89.94M
5 K9 e n, ?0 @6 F6 n# }/ \) y| | ├──3-如何构建一颗决策树 .mp4 84.87M4 P7 [/ j8 |& w1 z7 y9 g
| | ├──4-什么是更好的一次划分 .mp4 57.02M! x7 u" }0 r7 @( R% F' `3 f
| | ├──5-Gini系数 .mp4 107.54M+ P( ]1 k7 ]* i" k ?' D* h
| | ├──6-信息增益 .mp4 75.26M( B2 G. r* J. ]- X' X$ f0 W# D
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M1 K2 @" ]* B! ?+ v4 ?
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
9 P3 u$ w! S: @; Q" p* V| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
% k& O2 E, j% B| ├──2--集成学习和随机森林 ; k% v( J8 L' r, x5 a8 I& x
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M1 I8 V" B( m0 a- B- `/ o
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
' I8 R& J: [' p2 Z- r8 w# t| | ├──3-随机森林 .mp4 108.14M
: x6 f% _7 O, N3 u1 z2 q* B| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
8 H: H( [+ a7 G3 i2 D% A8 W| | ├──5-OOB袋外数据 .mp4 106.07M
S: q& L* h! `$ J+ L| | ├──6-Adaboost算法思路 .mp4 106.30M! G+ f" x3 U3 r7 u; P" T7 f+ V) u
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
* ]! e$ Z; A4 e9 \! d; i| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M1 O3 ]1 U' M) ~; X9 d
| ├──3--GBDT ' {; `6 U; A, p5 S# q" Q
| | ├──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
7 `& j* A! R! Q1 h% g& O$ m& X6 {7 k| | ├──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' X4 a, v+ P& u" ?" J" @
| | ├──11-GBDT多分类流程 .mp4 73.80M
9 w: N! V( W; D* I3 V% _| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
: ^1 J8 A, Q" E2 ]( i| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M3 I. f9 { L0 ]2 e0 w$ n$ r
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
+ r( X6 w- l* M/ M| | ├──15-GBDT二分类举例详解 .mp4 86.67M4 y9 b, n7 c9 S' C
| | ├──16-GBDT多分类举例详解 .mp4 91.71M. y+ ^; b" C+ a8 Q3 |0 L
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
" [& \- L- L! S* n$ d- u8 M0 I' k| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
) o! g( h4 n: _/ { A; q| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M; t4 n6 e# u& q+ D7 i3 H, c! J
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M% x# }3 s+ _3 l0 C3 @9 u
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
! D% v; y& S6 l$ ^0 l! ~( e$ D| | ├──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- _: r( }4 T& l* J
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
. j7 N% I( z' X, V| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M/ x/ u( E4 z) d9 ^! a
| | ├──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
8 A7 `! ?2 k2 f r: \) P% _| | ├──4-GBDT应用于回归问题 .mp4 84.66M
& X" ?6 U7 O& k" e$ I| | ├──5-GBDT回归举例_总结 .mp4 108.52M
' K4 g$ Z1 A: H8 J0 H- {| | ├──6-GBDT应用于二分类问题 .mp4 70.42M7 l& f0 ?5 \2 I' J4 u1 j( H
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M6 ]9 q1 f0 ^1 c
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
' E, T# L# @: A, c| | └──9-GBDT应用于多分类任务 .mp4 73.34M5 H% S0 J5 M* H2 d* z1 b$ y6 S
| └──4--XGBoost * \- j( l: H! u% _
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
# n6 J- d) P* O% D2 { || | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
* G3 V. P& D" g `| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M+ c$ i1 ^! n+ E; s
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
& q: T! R& y Z+ W+ q| | ├──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
+ u$ @* G2 K8 |' ?- z| | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件 .mp4 73.80M0 r2 z: {+ ]1 f( v4 A- K
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
- R0 t9 I) F- b) S( a* p| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M0 J/ [; T+ I9 K- y# l! k5 a
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M: B* d2 E3 t, b9 E0 N8 j' K- E
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
. Q3 h8 [& f D% }, _| | ├──3-基于树集成学习4个优点 .mp4 91.36M
: B+ D2 C. a0 Q! `| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M4 \; W% Q) c3 \& ~
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
0 | b" K% B) ?( ^2 X# P- H| | ├──6-Objective_vs_Heuristic .mp4 60.42M7 R; ^ a, c+ |% Q6 S0 X
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M% b; ?) J: B! t+ B2 y- o# s* Z
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
8 j! Q' I9 j. P5 k# A| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M4 t* w/ z: N& G
├──9--机器学习-概率图模型
( o9 l6 B1 y; e1 |5 c+ D| ├──1--贝叶斯分类 ; Y1 @2 B# k; v, u4 C0 L2 o% ]
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M& n) Z2 ] `; f1 H" t3 f1 Q! v
| | ├──2-TF-IDF .mp4 53.08M6 `+ k* \* r2 c7 L5 h* m1 A
| | ├──3-NB代码实现解析 .mp4 126.73M8 U2 U% y1 k2 J0 H
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
+ }) d' d' O8 J+ R" p; K+ F0 x| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
" H3 f+ X5 M" c; @8 s| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M9 s: Y" k+ U# B, J6 ~
| ├──2--HMM算法
1 ~) h; [6 D4 r5 V) A" y| | ├──1-HMM隐马的定义 .mp4 36.82M
" I! s8 H' |- t5 t3 u| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M2 a. l. D! \2 n0 B5 D
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
) [' P- S6 r5 E( ]5 m" @| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
+ t3 h- ?: e$ q1 W8 N1 h# Y2 ^| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
+ b8 M N& }7 f' V Y& _0 ]| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M' N O' T/ J: E- m7 `3 m
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
4 a9 [: t$ s3 S5 ]4 Q| | └──8-Viterbi算法代码实现 .mp4 42.43M
0 r3 f. Z) L+ U5 {9 E+ @| └──3--CRF算法
+ d. T* \" g) e2 S/ A7 V; `| | ├──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
4 l5 b7 c& V: V& x| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M- _$ L* v, `( C6 s7 f0 r- T; {
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
; I; e$ ?7 s# m; n| | ├──4-EmissionScore_TransitionScore .mp4 61.33M' H0 \7 N7 g* \2 i1 W2 u- Q
| | ├──5-CRF的目标函数 .mp4 23.74M. A3 z2 F/ n5 m
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
% V4 D1 ~* i; @+ U1 @8 M( I! e. [2 \| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M$ D5 ~, }3 ?8 x+ {' U3 V* r
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
! K. d+ U/ N, i; b! l└──课件.zip 2.54kb
! @9 N! Y# g* |) [6 w# i, s
& @% H: [" m. s: x' t- m9 b: e' ?5 F/ o' 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!
7 ~, `4 G4 `6 O0 n/ R' A/ @9 S. [8 v' e' ^( `9 I
& f5 A& C$ I3 x4 y$ b
|