战-人工智能2022/4 R$ y# U$ }. n4 G- V1 [8 b
├──1--人工智能基础-快速入门
8 X3 ?! S2 T$ k| ├──1--人工智能就业、薪资、各行业应用 . X, ~" l: W# k* [4 b, I0 @+ q" j
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M, m/ n/ \- j, Z% Z8 L! L. y) S: r$ J
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M2 }9 w5 A' C* v
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M4 A; W( t6 b! r
| | └──4-人工智能在各领域的应用 .mp4 57.73M
V3 X+ ]# `& P1 M7 d. h| └──2--机器学习和深度学习、有监督和无监督
/ w+ h( u0 m1 m' k, m/ z: E| | ├──1-人工智能常见流程 .mp4 89.62M, B H) a3 W$ l4 Z
| | ├──2-机器学习不同的学习方式 .mp4 83.51M% J) J5 a" D( }
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M/ J, r$ B" q V @0 |& [ t/ l
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
9 S2 W4 O8 ]; U7 Q! c) L| | └──5-无监督机器学习任务与本质 .mp4 50.15M
7 o* x" g$ a# C. q├──10--机器学习与大数据-Kaggle竞赛实战 7 k; V; G( ~& h4 l7 v
| ├──1--药店销量预测案例
% m6 ]( V3 u P8 W| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
. T( {0 ?8 y: f: b| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
) v& D3 s6 d1 K7 k+ o| | ├──3-自定义损失函数 .mp4 21.12M' G0 ^- b7 `# T
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M& t0 g4 o8 T K. c; |' I2 p" q) w
| | ├──5-数据的预处理 .mp4 111.81M# d8 h6 i& H% Z H" J# \
| | ├──6-模型的训练_评估 .mp4 66.64M* F" m4 |7 C3 g8 K
| | └──7-kaggle竞赛网站学习 .mp4 172.16M+ e3 i! R- ]/ |8 ?5 Y' e
| └──2--网页分类案例
' t; t2 \# s) }| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
) G- M$ X6 ~$ m, T% d& A$ C; v5 L| | ├──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, I( y8 c: J$ N# C5 J B( W
| | ├──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
, c+ V0 f! I! O) n' k" X! V% r$ v1 F| | ├──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
0 B: c R# v) d* k* Y8 @2 n* O# V| | ├──2-评估指标ROC和AUC .mp4 56.19M F: d7 }! `( Y- y! k" D- Q
| | ├──3-评估指标ROC和AUC .mp4 49.03M
+ Q1 j, D4 w. B% e% }| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
$ O$ p' C5 @& ]4 Z3 Y/ J. K| | ├──5-数据导入 .mp4 68.41M. @* T4 X& G3 S& k) f# m
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M. {: v' p' `8 @5 \
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M; k' [) | I+ ?
| | ├──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
" C4 s5 a' Y3 a5 ?| | └──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
- L3 [' d( x& L- f) B Y9 y├──11--机器学习与大数据-海量数据挖掘工具 ) h. j, [/ ~9 f) |) |
| ├──1--Spark计算框架基础 ; i# y$ h" v6 Y7 i. b
| | ├──1-Spark特性_01 .mp4 41.68M& T, w( Z3 g' c+ g+ W
| | ├──10-分布式计算所需进程 .mp4 26.30M8 `5 `2 b$ w& u+ C: V! X6 g
| | ├──11-两种算子操作本质区别 .mp4 56.31M, D4 r; o. f! j3 Z
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M2 w" d" H( E) [4 k1 \+ G
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
8 P6 z( ]8 J- b" i6 O4 v| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M4 w" Y! j* j' J+ ]
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
6 i/ C0 l5 g2 o/ Z| | ├──2-Spark特性_02 .mp4 35.15M
; Z8 @0 Y; i% F" X| | ├──3-Spark对比hadoop优势 .mp4 19.34M
0 ]5 W G& k k5 f* o+ F) P: y| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
# I2 Z+ L* i$ y5 }' A% k- i3 L| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
( `' f0 K' L3 T6 O| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
, e- O1 `5 K: y" _4 `5 @| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
: b$ L$ q# ]- s9 C. w| | ├──8-Spark的RDD特性_01 .mp4 33.08M
, ?. T) X0 x3 M$ q| | └──9-Spark的RDD特性_02 .mp4 33.41M
9 m( S1 Z1 Z9 X |$ {, C$ s9 A+ V5 L/ S| ├──2--Spark计算框架深入 & @$ G* ^9 ^( c* U! P
| | ├──1-Spark数据缓存机制 .mp4 54.43M
7 C# A1 d. g h2 W8 S; I| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M% p$ y: U) b* T! l& U9 o4 T8 \
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M3 k2 j. X7 \2 z# u$ V' [$ e/ r
| | ├──12-构建LabeledPoint .mp4 111.08M. w' X: \6 ?# z* |' j- J
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
$ F3 s1 s c. p A' x| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M% D/ Q; O$ Y+ x; @- y x5 @
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
, [5 P: x( a) ]: v) w/ M& ^| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
, T- [+ L! X4 z| | ├──5-Spark术语总结 .mp4 89.66M
: _+ x6 t+ k W6 v% [, A* D4 B| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
, `. m; x& i# _2 g| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
0 C9 W# g3 \# d% E5 E0 H7 V| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M, m3 X( z c8 R. V4 R1 b: ^+ q
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M* } ?5 k* I/ q! p8 \
| └──3--Spark机器学习MLlib和ML模块
* f& ^) w3 \5 G8 {% S| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M* @. l+ \3 s' g" {5 Z
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M j3 o. W+ s+ q
| | ├──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
5 x1 N& z# H3 a3 g| | ├──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
. X6 S% C/ Q, c& L# r| | ├──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
- ^' y; x! j5 a( p$ k5 P| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
( N5 Q8 e0 ]" [$ Q" U9 [) O* V| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
( @3 K: ~. \* q& j0 U| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M2 \. `" {0 }0 E9 D9 V9 f
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
, G3 I( C1 M1 _| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
6 m# A' Q! Z$ L/ A4 @/ M3 o| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
, i$ R4 o4 U3 H8 M/ ]% Q" || | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
* j. P: O4 [$ N/ I4 M3 g8 e6 m4 x| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M& o: F* G/ Y- j, I! \- ^; c% s
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M- H: A; k1 d1 q& _/ i- H
| | ├──22-SparkML网页分类案例代码实战续(1)_1 .mp4 143.99M% w, m; S3 I: E4 _2 ]1 s: Z! e; y
| | ├──23-SparkML网页分类案例代码实战续(1)_2 .mp4 143.95M
& N4 I# [" J- S- Z| | ├──24-SparkML网页分类案例代码实战续(2)_1 .mp4 177.12M
: o. p- X7 D9 J ^| | ├──25-SparkML网页分类案例代码实战续(2)_2 .mp4 99.25M
0 B. E0 q5 P) \6 C| | ├──26-SparkML网页分类案例代码实战续(3) .mp4 9.82M% ^: S0 k. Z7 l
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M- W F: w" x! B+ j; c
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
1 ^' M6 [2 [& w k* v0 I| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
* v# B1 y1 G; _3 Z2 T| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
) j) \* D1 T9 _& l8 I7 g; _2 y| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
. U" h5 L2 g( O3 d. J! B5 E& p9 V' F* l. M| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M; A6 y2 h% T0 b+ u
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M# b4 C4 F0 v* N" ?1 o7 f; M6 T- n* j
├──12--机器学习与大数据-推荐系统项目实战
% w5 n; Q4 Z* e# I. ?/ F* q6 n| ├──1--推荐系统--流程与架构
; I9 s0 z, ^ w| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
$ L; j/ {" ^; [, D+ e/ h' |/ f$ a+ O| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M+ f9 A6 [1 i# j* N/ V) c2 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) G6 D( b8 d5 K
| | ├──12-推荐系统_数据源_1 .mp4 79.07M" S8 I' L$ K! H( Z5 w) O
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
6 q( O: q I/ J' h| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M# L3 r8 e3 e; C @6 u; o$ x
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M$ s! @! @7 o- Z5 Z
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
/ P; G4 x, A0 X. @& j9 k9 G| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M% x" B# ]: R$ P' n4 {9 A
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M: t' D8 D" V8 P6 b
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
7 D$ d$ d: G( T; Y8 \| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
6 h/ ~+ ?( C+ x8 p4 \+ H| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M6 O: D: v( G9 Y* g4 E. G, ~7 y
| ├──2--推荐系统--数据预处理和模型构建评估实战
8 f, p# j1 r" a& I| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M* d2 W& _; B) e: q
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
7 I8 l, X3 i' y8 }2 P+ @| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M v7 M1 ~" z- D0 ^
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
+ g, r, i- A3 m+ H( Z| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M2 o0 O% F5 a6 D, y6 {
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
& t; G, A. |7 C, C| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
6 X. }8 ~4 X# ], g| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M- {1 y4 ^* ]9 K1 V% B4 t
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M' D0 U2 n B- l2 ]$ a& \1 A
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
; Y, \/ B8 ^. B! `9 ?; G| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
" q) Z* e4 g, W- ?# {7 y1 i| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M( c4 V. i- b% H' v- c
| └──3--推荐系统--模型使用和推荐服务
! I+ \7 Q' [; @8 J1 Z; H| | ├──1-推荐模型文件使用思路 .mp4 61.89M
+ }9 ~9 `9 L [) Y- E( k$ r| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M2 f/ n1 L# |0 l8 S3 T2 i! E
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M+ y! N% W+ o8 v! X5 h
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M3 Q; L7 X+ U+ R6 B/ y' _5 q( z
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
$ z1 \# R/ C$ B, s( A2 g- q; V| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M8 W& K+ ^1 p# [- I
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
H9 y. `* G, E8 o: Z( n| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M, n$ r. x" n/ ]# h0 a0 C3 J/ G' b
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
) o$ G8 @( e3 s" D: M| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
/ q6 _( `: a* [2 A' N2 W- C0 D| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
4 c- q1 N3 c* t1 d* s| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
0 X* T7 w( S/ W4 J; A4 W( L8 L├──13--深度学习-原理和进阶
, }/ m2 \ L1 K| ├──1--神经网络算法
; B& c1 E0 Z9 h3 D| | ├──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
) o8 c8 M% f- y3 h2 Y| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M* r& P g% s- `7 v( p
| | ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M4 ?* K6 {! H% x/ |
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M I+ v$ I: b+ l! D5 P D
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M7 z0 r9 J6 M3 T I9 X
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
" y) F6 Q! x! d& L' q| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M0 {; c, w7 Q! H& R' D) K! p
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
9 Q% q- v- K! X| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M% O( y* b! j ?1 f
| ├──2--TensorFlow深度学习工具
. y) e1 O" x* s6 X& b, g| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
Y% D& M h( w- ?; m+ U: R, O| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
$ I0 c S4 y* H: s9 t$ l| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
& `; J; z( W5 ?5 b- K9 Y' R: y' J| | ├──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) T% F8 j! y) E: I
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
4 \8 m6 {( v: b) E| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M. _* E. |/ K1 i3 t
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
2 R W# J/ v9 ]2 C2 T| └──3--反向传播推导_Python代码实现神经网络
9 Z3 ^. S( ]! T7 }! z| | ├──1-反向传播_链式求导法则 .mp4 86.47M' C. e4 S7 y1 _( d
| | ├──2-反向传播推导(一) .mp4 127.90M
5 q" o: V* f' Z; j( Z. S7 d4 j" }| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M8 |& Q4 q9 J$ P* l" J+ _
| | ├──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! n6 B& P5 ^0 G
| | ├──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: }& [& A1 B7 O9 m) k! ]. c9 x
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M3 o- Z( d4 |% Z6 L: f( x$ [
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
! w H. [+ L! w# A" i, M( l6 x├──14--深度学习-图像识别原理 0 j8 o7 L0 Z+ c5 b! b$ j0 l
| ├──1--卷积神经网络原理
2 a, U/ s" o) w8 o3 \| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
% P1 m8 v$ n3 g5 u| | ├──2-单通道卷积的计算 .mp4 104.01M
5 c$ O" u5 K8 G, H$ s6 P# E0 A| | ├──3-彩色图片卷积的计算 .mp4 52.79M
8 e! N$ }: e3 s6 b; u* a| | ├──4-卷积层权值共享 .mp4 63.93M
# H8 w+ g& K8 W7 p( E2 L| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M8 f5 g( O1 o2 _" V2 W
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M- H8 F b1 f- }( z# H# s1 N
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M( k* }! A0 U& O
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M2 w+ E0 b$ p, S( [
| ├──2--卷积神经网络优化 ! t2 j, I& W P2 K+ K
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
- q, v- d" j! [; k( W' b. B# v| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
2 H, U9 Q- I0 i8 O5 t& u( _" D+ O$ m| | ├──11-Optimizer_Adam .mp4 141.12M5 E0 w5 N5 E# V6 r7 X
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
+ X7 H) R) Z4 Y. T| | ├──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
5 |4 T1 u7 F8 c5 w5 C8 b% ]| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M6 [* x1 R4 L# P
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
( w0 o+ K; [9 b; A, s9 D: N" ^| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
8 Y; a9 V/ m5 F/ M6 ~4 S( j| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
1 E( Q, M& y6 x0 R| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
: y, v# o' K' G3 }/ }| | └──9-Optimizer_SGD_Momentum .mp4 89.70M% _* K$ I& R! s% q7 U, r0 u6 l
| ├──3--经典卷积网络算法 ( _0 I3 R$ M; ]
| | ├──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( p* H; D2 R6 W$ @% O: X
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M# X4 o# S- j# @: ~& G
| | ├──3-InceptionV1_V2 .mp4 165.86M
) U6 j0 ^7 O9 P6 K; \1 l| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M% s$ _, d3 r5 w9 q1 g3 M# d
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M- W; a6 }6 x3 `8 ^. x6 }+ }1 l
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M4 J$ Z( H" c: v
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
( o/ G9 F* b& b7 T3 c3 _+ }# q| | ├──8-BatchNormalization .mp4 99.23M
4 J; P! l& O* ^# m' c- j| | └──9-Mobilenet网络架构 .mp4 150.05M, V, C' B8 n+ N- f
| ├──4--古典目标检测 8 p7 b" d' ?8 j' k6 E& V- r
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M% F3 f0 l: Q, b( ?- o$ u" i* z
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
" `+ b u8 v7 \. R/ S; L6 Z| | ├──3-IOU以及python计算的代码 .mp4 23.56M
; c/ n+ ?& r- P1 N5 d- r" A| | ├──4-R-CNN和SPP-net .mp4 124.06M# a1 ~9 x3 W2 y2 a: B1 P1 k; W" [0 P
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
c( }, w4 S" N5 f# v, ?| └──5--现代目标检测之FasterRCNN ) ]' O0 \/ C8 f5 k# t
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M# V! t' S, A! w. E" C* Y/ G
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
8 l9 v1 ?/ Y$ ?, b9 Q7 ^9 E9 c# g| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
2 f- K3 }% V1 K- X) [| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M' ^. b& {+ g6 d+ ?; F' F
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M9 r; h! w# |. C
├──15--深度学习-图像识别项目实战
1 Y; [+ F: X+ D$ k5 k0 L| ├──1--车牌识别 , ?' n/ D- j9 }
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
9 O5 c( @+ Q' |) B6 o; ^| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M% h; T, M4 v0 F% F, {8 N4 a: r
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M4 i( e6 m0 g! y+ B. H! R
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M9 k* g D2 _5 L6 b' ?
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
8 u, c/ r2 t4 o: ^( P* a" k/ v5 h! w| ├──2--自然场景下的目标检测及源码分析
0 E' C% S# m0 y+ Y| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M- X; K+ g6 W9 ^" b8 x$ b0 C6 u
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
* O/ L# d9 T u7 t( J! }| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M8 c" Q- _( ?4 E) P! f: g: J+ [
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M! Q3 l" r( `1 ]3 _) u0 T
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
( k$ {) Q% r5 F2 O: B6 \/ S| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
' P- L8 @( @* n/ ?4 U# Z' ~4 X| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M( E1 \1 c& p% [) ~
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M" X0 l' d, t+ X5 Y: `8 |
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M' F$ p& X& y3 y7 o
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
5 p8 G3 f* o5 q: r* T| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
$ v! ?% T; A2 k/ v& l8 || | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
; S( E0 c: V8 H6 J5 @+ ^( i$ [" M| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M7 x, S/ I6 _7 v& I* H i) y6 }4 u
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M d( E8 I& y0 X0 g5 ]! f; [
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M! w, @3 _2 ~% C1 _6 }
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
: W3 r/ E4 o2 n| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M; `. N! z+ p5 t) b- `
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
6 ?* X) D" p. K. h. J3 F9 I| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M+ U4 [$ A9 k# o0 v6 }
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M0 m$ g2 N; }' y6 j+ J
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
' S5 Q3 F T9 [4 a0 K! c| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
2 l4 W9 e, Q' \1 R" k3 h| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M( m/ ~# B# g4 `6 \. A. ~
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M9 m+ T' H" f2 H7 S* L6 g# p+ g
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M% Y' E. b9 o( p" U4 a" \( `3 n! N
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
_6 ~+ V+ M2 R; Y/ w| └──3--图像风格迁移
9 |$ s9 g6 g/ s- e7 O" Q, O1 Z| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M# k$ M+ \. W4 i* g$ G, N. _
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
0 r; [$ S# |- t5 D) B9 }| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
. e" U% H0 A! {$ K/ }4 ^| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M1 x; M. K# @- Y4 Y2 H+ ~7 ]8 c+ w2 O
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 a1 r0 b( b6 v+ I! f
| ├──1--YOLOv1详解 ) ]1 e5 p# L' @' S7 t! f
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
" d: G! `. e; s. }9 G% _9 I| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M' U+ v7 S: z& Z- l
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
0 @3 i0 Q% J8 s/ U3 I| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
# ?% P/ ~' ]4 v; U+ t; |! @% ~| ├──2--YOLOv2详解
0 Q/ B2 Q( Y: |4 ^: Z+ m) u| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M9 N8 G- H( @) E$ f, S6 V
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M, D f9 @" j% a% Y: s: k3 z
| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M" R E, n/ t( q, v1 ]' T
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
8 W8 c7 A' m9 h) n4 A; t2 Y' N| ├──3--YOLOv3详解
5 o, K, r: l: S7 W% m; y| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M4 Z3 c" D* x1 x. f) C- a- `, G+ w
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M
/ V) J# F6 I, \) [| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M% y: {" W+ x# l1 \
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
# Z0 h0 u. U* V| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
% D: T, N0 |8 A$ V' ?# P| ├──4--YOLOv3代码实战 , {1 g% b0 t9 A/ b% @ F% H! s& @
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
3 }) d% p5 ?3 Z2 I' H| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
, G' A' N3 \6 ~* c2 ]+ [8 \' z| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M- w# d9 L9 x( h- t- d8 n+ r2 B
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
$ k0 B( O. R" |- G% Y& B| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M; q9 c$ S' F6 _: [' ~1 U, m+ ^* P
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
# Z1 t3 [8 l3 {7 X: p7 e, F+ M| └──5--YOLOv4详解
; S& N' C2 R5 ?. p" _& ]| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M3 i9 m: b* T) h0 T4 t' z8 o1 u" d
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M# `3 U0 d5 ~9 f8 S; \5 w8 k, A
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
7 o9 e ?! E$ Y| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
9 Q' S4 x3 K& ?* Z: k0 o├──17--深度学习-语义分割原理和实战
7 G9 N3 ?6 P( t| ├──1--上采样_双线性插值_转置卷积 & b- O. a ]2 W
| | ├──1-前言 .mp4 19.46M
' e8 n" B! Y1 k| | ├──2-上采样_repeat .mp4 23.90M' h: N6 x! S' D+ m, a( e& c% t
| | ├──3-线性插值 .mp4 34.48M
3 J5 l7 H. @: S1 o% w/ K) h| | ├──4-双线性插值 .mp4 125.71M- ~# U$ M* W# m( c$ d& Q6 o& Z, i
| | ├──5-转置卷积_以及TF的API .mp4 114.25M# {/ ~/ Q0 u3 c: a9 y$ I, R% c! ~
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
1 S' k) R" ^/ F' R8 [| | ├──7-ROI Align .mp4 58.38M$ M5 G6 v1 S! L) ~9 I
| | ├──8-FPN思想与网络结构 .mp4 92.14M
Y0 }* h u/ Q# ? Q; D% Y' q| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M: d7 l3 O- ~' H* ]' p! g- }
| ├──2--医疗图像UNet语义分割 8 U( V9 S: T8 ?$ ?7 W. @# b% G9 t8 \1 p
| | ├──1-语义分割的基本概念 .mp4 18.33M3 ~8 q) @+ @' @0 L9 L8 w
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
! Y8 V! j5 _7 E| | ├──3-UNet网络结构 .mp4 30.41M
0 \; d: V) G; w6 T4 l0 }. \| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M0 x7 @7 A, F$ l/ V
| └──3--蒙版弹幕MaskRCNN语义分割 & i: u, G$ _# b+ F" w" g1 E: j7 }, f/ d: h
| | ├──1-MaskRCNN网络结构 .mp4 106.38M+ e3 z, L2 i4 t4 m8 q
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M& N0 O5 Z4 w& D% I
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M& S) S1 H/ R7 @& C0 r
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M3 L e3 ?$ h& X/ r+ x6 e( \
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M% E& p9 U7 G/ P: g/ W
| | └──6-MaskRCNN源码config和model .mp4 244.48M
5 Z5 T: M6 L7 M0 _4 i3 t0 z3 g├──18--深度学习-人脸识别项目实战 / F1 a8 B2 {2 V, Y1 Q- g
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
2 ]7 s p9 ?6 L" @9 R| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M% q" W3 _- t+ Z k6 t
| ├──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/ h& U! F( Q9 ^- N/ C
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
% v3 y0 R; q8 Z8 \| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
/ ]3 }/ W- n; K+ X: @6 Z| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M2 r. X7 f9 g" C
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
% u* O( G8 `2 [% ?; E5 F" K; X* V| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
- f1 S& F/ e5 c| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M- s# R! A( V1 o7 @6 d
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
8 Q+ W4 S2 J4 z0 a% e| ├──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
5 C" w/ Q4 |7 j& s) f& ^8 e, L8 M| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
9 C+ _) N" J3 X! x$ Z0 v! o| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
* C/ d- G* ^5 V, [1 h. _4 X| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
0 o( ~/ ~8 R; _| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
7 |5 Q# ^2 U! m5 s E| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M! u; v2 t; J* c& b5 s. a
| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M4 f* G$ t6 [: T: O2 s% k' q6 Q
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
; L, {& N8 p/ V, {0 Y% y| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
& c; u% Q9 a& Q$ }% |. _6 ?├──19--深度学习-NLP自然语言处理原理和进阶
+ V8 U, a @: S. n4 l. S| ├──1--词向量与词嵌入 : m6 o+ M7 m+ M1 L% k0 q# ^
| | ├──1-N-gram语言模型 .mp4 116.32M
; u" A% E, P' C3 l* ~| | ├──2-NPLM神经网络语言模型 .mp4 155.81M0 R$ M5 u' |% V5 f! I7 @) X$ }
| | ├──3-词向量的作用 .mp4 58.00M9 R0 S( T- A3 v4 @, V
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M6 o' U0 C9 G' F7 d/ T* s
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
; U5 d& F. D; L| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M. u0 k, d: Z! n2 Q1 h
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
/ K4 \0 `" M* H| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M5 s8 J9 U) e$ T
| ├──2--循环神经网络原理与优化
7 W. i$ Z) A1 w2 k1 p3 [6 T1 F" Z6 n% G| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M2 N# J5 b6 }3 L4 I; t B
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M- d/ L; b& o, o) C9 X+ Z- ~' z/ N
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
! n! C; ]6 Z T$ R7 o/ n( d6 E P| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
9 V, e0 Z( @ G- B6 v5 v| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M5 I! R6 |9 ]( r( q+ M& j
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M# W; i z5 e6 H$ G$ g
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
2 w+ Q h7 _1 m, f| | ├──8-双向RNN_LSTM .mp4 52.01M% \/ o, @! e* ?3 u% W
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M( O/ G9 \0 a7 C5 b+ G& F
| ├──3--从Attention机制到Transformer 2 M ]" J' J0 s T9 H
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
. ^# B _/ ]/ Z7 V2 ]5 Q| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
+ E' A6 V8 ?, ^- Q. c1 K| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M& _# c5 A8 y# b) B+ o+ |1 I
| └──4--ELMO_BERT_GPT
- U9 C+ a4 e/ E6 e| | ├──1-ELMO .mp4 62.44M2 Z$ _! K: @9 K; C( J1 r) i
| | ├──2-BERT理论 .mp4 99.73M, @$ V$ P7 @/ B- ]! Y! K
| | └──3-ERNIE_GPT .mp4 56.34M, A; A) ~- j* c7 T% U" |6 ]
├──2--人工智能基础-Python基础
6 J! ?; `$ j' O" f( b' B. P8 o- U" f: `| ├──1--Python开发环境搭建 " j) z8 {- \. _
| | ├──1-下载Miniconda运行环境 .mp4 100.75M+ M2 }$ y* u+ F. m
| | ├──2-Miniconda安装和测试 .mp4 57.12M0 m. E( i% i& J
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M8 ]9 O' l- i! Z7 S2 O7 G5 ?- j7 \
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M3 w# M& a4 D. I6 i* r# `* s
| | ├──5-Jupyter常用快捷键 .mp4 32.23M, \, N( N6 O3 V- j* _8 X
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M B& J% K$ ]9 _3 ~+ _
| | └──7-关联虚拟环境运行代码 .mp4 38.14M* C7 R& c7 @; g3 T8 j/ G
| └──2--Python基础语法 % s! y- r+ m: }9 \
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M8 g( t6 \) C$ E: M
| | ├──10-Python_集合操作_列表 .mp4 34.71M
4 h ]3 W$ l, o8 d' I| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M2 K% p; N' G. h( ~$ s
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M7 k- W1 \3 \) L- b. A) Y1 Z
| | ├──13-Python_集合操作_元组 .mp4 43.46M
- G1 j9 G* ?% n o3 }" h| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M* p W: V- ]: X, ]/ u f
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
8 f- l" V5 u* A* D| | ├──16-Python_os模块_shutil模块 .mp4 51.54M8 R8 F/ W' v5 n2 j. _4 | y
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M3 b2 ~% e; z/ ~9 g; u& E1 ~
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M1 T/ R1 c( l8 j8 L& p' w
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M+ ~% k/ I- F1 g2 E
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
5 p8 F2 s+ I7 X6 @8 || | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
, T# W3 d5 v" q$ q1 A| | ├──21-Python_函数_递归 .mp4 23.46M
) N& u/ ^) @& E3 I| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M& `! O, ?3 C+ j2 `. k u2 _
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M/ y; S( g8 G6 R0 I& f
| | ├──24-Python_函数_闭包 .mp4 41.61M
3 L0 I% E- q( t, j) Z| | ├──25-Python_函数_装饰器 .mp4 30.35M
1 W* \. N: [; v/ I: }( e. b| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M2 F* Q% t3 `# }
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
" t/ ^& I$ @3 M% Q. n| | ├──28-Python_类对象_内置方法 .mp4 29.17M
5 W2 N0 \% V) _8 [$ S5 t| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M9 R5 [- ?( c o: l
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
" p& }0 w& U; r1 F G+ j' O| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M6 G) O+ ~0 T/ m. ~: S
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
( s% a* @( a- u4 H r4 [" |# u: k| | ├──4-Python_控制语句_while循环 .mp4 25.02M
/ g. ]+ Z4 l' R1 V: f! y| | ├──5-Python_控制语句_for循环 .mp4 22.82M
# C( \8 y5 L% i( C| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M6 D8 |9 Q7 t: p1 n7 I
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
3 G5 q) C4 I2 G/ H. F| | ├──8-Python_切片操作 .mp4 40.20M. p( p$ z# @5 f9 Z
| | └──9-Python_数据类型 .mp4 25.38M+ L4 W. l- K# a2 H: o" }
├──20--深度学习-NLP自然语言处理项目实战 1 w, a9 Z3 x: D1 _7 r
| ├──1--词向量 % X e5 r* `4 h- F+ F
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M. r+ c) B9 C0 g: s. [9 O4 r$ Z
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
% x6 f7 \, T' u' t# {, g( N7 i' v! v| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M6 z& Z- `( ^9 b5 N2 m7 i) d9 h$ o
| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M# C( O6 m) ~" c9 ~1 I6 V6 Q
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
0 i; w" v/ |% W$ a& z3 a( r| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
% v6 j! r: Y! X/ V2 v/ D' G| ├──2--自然语言处理--情感分析 ) f' u$ K/ e/ W
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M1 X( F" | t: m5 n' H
| | ├──2-数据预处理_01 .mp4 79.65M
# I+ S( s+ v1 M$ | J| | ├──3-数据预处理_02 .mp4 45.68M; N" f7 j! h' e. M
| | ├──4-代码讲解_01 .mp4 52.29M" u! y* N9 y! o: w! {
| | ├──5-代码讲解_02 .mp4 60.85M2 z9 y8 [ ?! ~8 s- ?. ]
| | ├──6-代码讲解_03 .mp4 53.89M
; b) \6 L4 v* g% l9 s9 l; C1 u| | ├──7-代码讲解_04 .mp4 57.19M
7 p L4 ?3 b" z9 J" S R| | └──8-代码讲解_05 .mp4 35.88M4 J) n" @8 L# i
| ├──3--AI写唐诗
, g9 U5 [2 |6 D, @+ E| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
2 a4 {; H/ x" `/ v0 e2 V: Z| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
, ?7 D- }8 K# r" |1 H| | ├──3-MultiRNNCell单元 .mp4 38.93M# Y' W& [+ `9 t9 I5 H9 @
| | ├──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
8 Z0 S' b! Z7 G3 ~' r# x& || | ├──5-AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码 .mp4 61.73M
( {3 Q6 ?- X+ N- u' X| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
7 c2 a7 i8 X2 q1 R& e4 X| ├──4--Seq2Seq聊天机器人
9 C2 P6 O. I: F$ L* `; a+ g| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M2 j# o( k+ C. L3 N( l: v
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M0 n+ c, i# f B I' @) J7 z
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
) A. o! V6 q1 A5 J1 ~1 W| ├──5--实战NER命名实体识别项目 7 d- S% s1 N) l, [* ^! U. P
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
- L. q2 {; L# Q" ?/ U6 o) i. A| | ├──2-介绍了代码目录结构 .mp4 23.44M1 z& a5 o% q! O
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M8 |- r5 b( b: o% i
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M* t9 p/ M! A+ M) H9 ]4 {, A+ H0 E
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M$ d% e4 Q/ U( K5 z9 Y, d9 I
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
( r- t# I& n% Y0 b1 h| | ├──7-CRF中的特征函数们 .mp4 125.97M" R' a" I, ~# l G* |1 Y( b+ s A
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M4 x5 K8 Z: n& ]/ k. j/ G/ Q" D0 p
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
5 \ G' j+ q4 Y1 u/ R$ {| ├──6--BERT新浪新闻10分类项目
J* _/ I& P' d# Q| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M! A G7 u2 q' |3 a/ B- v" h8 ]
| └──7--GPT2聊天机器人
- m( |$ `9 P7 s: ~, e7 w) H| | └──1-GPT2闲聊机器人 .mp4 62.28M# b# Q% g5 `4 E/ c$ \
├──21--深度学习-OCR文本识别
1 e& G$ n& U1 \# \| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
% A+ [% ^1 u: e| ├──10-CRNN项目代码剖析 .mp4 306.48M& X& f" k7 m7 a# i4 @* E, Q# H
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M K3 e+ ^" y+ @/ n6 s
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
( C7 @6 O5 g2 Z8 F3 p| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M4 L* l( V) J' D3 Q% W
| ├──5-CTC损失函数的理解 .mp4 330.64M
1 {+ e# @3 `) p/ Y| ├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4 200.52M3 S, |. _/ O; X9 S3 T' y3 \" b
| ├──7-CTC前向后向算法代码 .mp4 225.41M
% W" B6 e) D# C; d| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M3 _6 }2 Y9 \ Z( q: m* [4 e/ N0 b
| └──9-CPTN项目代码剖析 .mp4 491.69M
9 h7 h; w9 P: C% l/ I& x `├──24--【加课】Pytorch项目实战 $ K. [" l' [0 p, c+ Z: b6 x
| ├──1--PyTorch运行环境安装_运行环境测试
8 E' I5 m- D5 p3 `7 p: o6 z8 l7 j2 S| | ├──1-PyTorch概述 .mp4 29.29M
9 s( s/ u6 l' a8 ~0 a% w# Z, E7 @4 }| | ├──2-PyTorch的安装 .mp4 76.45M
5 d2 Q/ Z8 ^! Y| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
# l* P! l& J4 Q" p+ r| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
1 R( K0 C& V0 @( B4 ^0 V/ Q| ├──2--PyTorch基础_Tensor张量运算
) [ ?; ?: d+ ^! }| | ├──1-Tensor的创建 .mp4 55.14M
1 i5 \' P K+ B4 U* C# E" G' s: } u| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M% t, {, E- }% T
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
& M1 N9 {% @2 V U' L| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
( o7 c+ K) b% s) `; M4 }| ├──3--PyTorch卷积神经网络_实战CIFAR10
' {4 o+ a3 x- ^5 g; q0 C7 D| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
J. Q1 F! T' C+ s" l, j# ]| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M0 Q. q; ]) N9 C( E$ L3 k( Z
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
( I3 V7 ]5 Q" G* a9 s| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
* d, \8 d$ q+ V( D. u1 g2 I$ f| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
' |7 p% \) U7 J; v, D" X2 t% [| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M! g2 c/ b3 b9 [9 _+ b
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
9 H/ M! x( q2 o) t; C1 T. O) D3 [| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
- u8 y: E% Q3 U3 R| | ├──8-torchvision里面的预训练模型 .mp4 29.84M4 |+ G+ n% R6 u& F( ]
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M$ G& q8 ]+ Y4 e" S/ X% t5 @
| ├──4--PyTorch循环神经网络_词性标注
8 q+ @4 n. f/ C+ X6 ]| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M2 }' _+ O! U/ T, {
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M" r( ^" r- x& W* c
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
2 W ]! g# e; S' [3 v| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
) I0 C* `/ ^- y M( p( n| └──5--PyTorch编码器解码器_机器翻译 [2 l5 E+ u3 p, h
| | ├──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
8 b) D6 H7 ?9 d| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
# P7 J3 P& M# J# J1 |1 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) p8 L! v! K7 S0 J" h7 X( s
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M5 V x1 a- ?) a3 P; J5 o8 L5 G
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
4 E/ D4 u8 V4 b& C R; ?+ v3 Y2 R| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M. k! W# M( s! G* n
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M# q6 }5 M! L+ l4 U m H! _3 Y
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M& g1 a/ y# j( s4 [
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
4 M: ?9 {9 {- q# w8 d, m| ├──1--PaddlePaddle框架安装_波士顿房价预测 , n2 b8 ]3 v/ F
| | ├──1-安装PaddlePaddle .mp4 87.34M% k% M" u9 i: d" {) ^
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
5 }$ i' D( p k) B3 J| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M- R8 I! [2 z: b5 `; b1 C7 `8 y' N
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
( X, A9 G0 w; Y4 R1 y4 d| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M- a; [+ U1 G; W3 K0 x3 n
| ├──2--PaddlePaddle卷积网络_病理性近视识别 . q% h. g, M' ]& v) D% I, X5 I5 A
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
) S+ B5 o! x; {+ ]3 F; x| | ├──2-预测病理性近视_模型训练 .mp4 86.66M0 i/ @: c/ \5 U( [. A& e
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M5 U! W9 U) G) Z; L8 l& Z
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M* Q& L- T* ]4 d' L6 C; o( c7 b
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 1 @6 l9 r) D8 i7 x. d/ M
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M( [ L4 V- m; p1 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# Z9 j+ {" i0 R
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
) a1 \* j: o4 e) W' O, x; E2 j| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M6 C4 |, r' A; d4 Y9 h% s; g. y" `
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M) k' X5 `2 Y3 Y+ f9 O# y3 K
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
0 ]& T8 |) X" ]1 t1 ?: |3 c8 g| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M6 F8 C' Z" U! ?
| ├──4--PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss) 0 ^, k0 t3 [" J0 [- O; w0 ^
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
- I3 M' {1 j- M0 m; D| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
) \- i, L6 w/ W6 H| | ├──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
" z# b( W1 j8 k7 U| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
0 J6 |+ [& @, ^1 E| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M8 p* \: k) Y( [0 w( T2 g9 z
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
" R' G4 p/ q& t% T8 A: L! c| ├──5--PaddleNLP模块_物流信息提取(BiGRU+CRF) " `( M" g( Q; l2 K. F: @6 Y
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M' d0 P7 W, V* u
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M9 T) m1 A" h5 m/ ^* D1 l
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M0 U2 P7 f" o K& l+ ]* ^
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
3 [1 n% O6 y- a( d# i {# L4 o b| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M; J7 t4 q: ?9 N% E. p
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M7 C- `# e& s4 J, Z4 Q) k
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M; |: m( n4 z- g- _. Z
| | └──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
: u9 ^# l/ k" h O0 l| └──6--PaddleNLP模块_物流信息提取(ERNIE版) 5 f6 U6 x5 p0 ^0 X
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
2 t9 P( N* g- _* {5 J2 f) [" H| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
' Z, Y% q* a$ ~& 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' `4 ^4 {) Z* T' H T* \. p
| | └──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. l# h5 _! x, C" F, S
├──26--【加课】Linux 环境编程基础 ) Y9 k c n6 Q6 r$ e' s
| └──1--Linux 5 [, y8 [2 \- p, J9 z+ k4 o# E
| | ├──1-Linux_课程介绍 .mp4 3.72M
w! {; h$ I) s8 l| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
( V$ _9 e/ I" t7 J6 K. ?( o5 d| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
9 V8 J% \7 Q( P| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
% R/ x( |6 u5 Z# T$ t k| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M* _2 r; z. @# ?0 x, t
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
, Z7 W/ Q2 X2 i: c2 x8 S1 E| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M0 X. h" }* F$ X c3 r
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
. k5 u2 n6 D ]) k| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
{' L+ y3 X' D. r8 l4 Q2 D: Q) r| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
( C4 @! S, A- K| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M! N3 T& i; D/ @" y7 z
| | ├──2-Linux_Linux简介 .mp4 17.59M, Q% Y- e8 V9 [: V+ i- Q
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M# t( f5 j# Z8 X7 p8 O) c% {1 P8 c
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M: u. ~( F4 u& c. y5 e8 C
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M& Q* g& X% W7 O0 B, O6 w
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M9 H9 m" B4 I" F* m0 j- y
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M, Z8 S' o# t1 B/ l, r5 j! g: N
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
$ @! f. B* g# {8 T3 B| | ├──26-Linux_安装MySQL .mp4 79.02M
9 Y) d6 ~( u" f8 i: s/ d2 c/ H5 Q| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
4 I0 j3 p) D0 u4 O8 \- J- @| | ├──4-Linux_安装Linux .mp4 41.97M4 U3 Q% Z. g) C7 a* C
| | ├──5-Linux_目录介绍 .mp4 20.31M
0 L" k. d+ G& ^ U- D| | ├──6-Linux_Linux中的路径 .mp4 18.65M
; G* j7 r9 W1 ^3 J8 ^8 z| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
& K# d2 W' Q" R* T& |: ~8 b| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
: a# ~ T7 ?7 \| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M: d4 q; E9 d% _- b7 s" s
├──27--【加课】算法与数据结构
) D/ R$ P7 `) a7 `4 o+ a| └──1--算法与数据结构 : Q+ o7 f8 H ~3 l2 t
| | ├──1-数据结构与算法简介 .mp4 35.68M- i5 ^; M* |+ l! U6 {
| | ├──10-哈希表的基本结构 .mp4 54.34M
% t# _9 G4 M' r5 d1 h3 |3 w% v8 d! ]| | ├──11-哈希表冲突问题 .mp4 75.92M! V) P7 n9 t) K2 L3 g5 s
| | ├──12-哈希表冲突问题2 .mp4 72.30M
7 W) D: E/ p% Y7 U- _6 L| | ├──13-哈希扩容 .mp4 111.03M+ l' |7 q/ N7 v$ q$ ?
| | ├──14-递归与栈 .mp4 50.77M
& E0 L( W& l7 L! @7 d| | ├──15-线性查找 .mp4 57.80M
3 b7 [# [' J( c/ O( h| | ├──16-二分查找 .mp4 52.32M
' w8 f4 M- h4 f9 T2 n/ B| | ├──17-冒泡排序 .mp4 53.19M
7 l- g6 y" G7 V. j| | ├──18-选择排序 .mp4 43.29M
+ h/ _1 H! F+ V. G| | ├──19-插入排序 .mp4 31.39M3 Y7 I" a( l c1 m% z" y; w
| | ├──2-大O表示法 .mp4 25.59M
2 C( C; j% W2 c# G) H9 o| | ├──20-归并排序 .mp4 84.48M7 B n. t. t* V% u
| | ├──21-快速排序 .mp4 36.63M
) O. q4 c- e, x4 k| | ├──22-树结构 .mp4 96.85M. Q. o- I5 H9 }$ T
| | ├──23-树结构的遍历 .mp4 61.05M, W: g. H2 \9 ]9 x
| | ├──24-最大堆的增加操作 .mp4 45.43M
$ c* @1 Z' K. G8 a| | ├──25-最大堆的删除操作 .mp4 45.63M
& M: ]: v8 e9 O+ h/ F7 c| | ├──26-二叉树的查找 .mp4 100.24M
7 S' a+ Y5 A8 O: u$ G, v| | ├──27-二叉树获取最小值 .mp4 25.21M G6 U" w5 l- ~) Z/ A3 Q" S
| | ├──28-二叉树的添加 .mp4 72.66M% r; Q/ K) \" K- v( I
| | ├──29-二叉树的删除 .mp4 120.06M& j% }6 d, E1 O5 W9 n
| | ├──3-线性结构 .mp4 53.14M
4 G; T8 o% n: y, l1 x) f& X| | ├──4-单线链表1 .mp4 68.36M
( Z& n' s" i( T' G| | ├──5-单链表2 .mp4 221.69M: Z$ k5 ]/ f$ e
| | ├──6-双链表 .mp4 103.57M% b1 m9 J. S7 |
| | ├──7-队列(链式) .mp4 74.12M
* H+ b5 H) e/ s$ B| | ├──8-队列(线式) .mp4 30.99M
/ X0 J% b1 c0 c, W| | └──9-栈与双端队列 .mp4 28.12M
0 w; T6 w8 Q0 a) Z├──3--人工智能基础-Python科学计算和可视化 , l, J4 D6 g% M$ D# s7 I$ R
| ├──1--科学计算模型Numpy
, W: q, P, k7 E/ y6 C8 j( u8 X| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
: u; n0 D/ x- y7 S| | ├──2-Numpy_array_arange .mp4 35.45M6 Q j% s' ]! Q/ ~- ^% W0 b
| | ├──3-Numpy_random随机数生成 .mp4 50.54M. E! q7 C, V' |8 K
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
" G* F9 I8 y0 a' C& B% Q: ^% E! L| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M' @+ T6 i: @# _. C' }( x
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
; l# Z1 i [9 G& k| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
* _5 X8 j* g4 b2 Y| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M4 h6 Z5 v, f! _0 u4 ^+ o( U
| | └──9-Numpy_聚合函数 .mp4 23.68M/ [% P- ?+ X: G! [0 y
| ├──2--数据可视化模块 / ?- D; r* L" d
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
! e$ t6 }% ]* n- Z, w$ C# o# T| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M s& f$ k0 e& E5 l( h
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M0 U1 Q/ W9 p5 b6 i
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
% G x. q8 B P0 A| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
1 T8 {& A- d. N2 X# \8 q| └──3--数据处理分析模块Pandas
# b. M9 I& K2 J/ h; y| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
" d# s4 A+ L! q L7 q0 P- h8 Z5 o| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M& ?& R( `# X+ j. a, E B! Z. s
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
6 `1 e" y4 k# c5 M$ n| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
$ P7 D) d0 d! v| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
0 \* r. `' } E0 ~3 H$ S P/ t| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M; m& U/ {+ k% S/ X1 g+ [- q# P7 B
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
3 e; Z$ Q' f, N, i( A8 c├──31--【加课】 强化学习【新增】
5 P% L# t7 n( i, `; y/ D| ├──1--Q-Learning与SARSA算法 ! E n" \* O! \
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
1 t2 e6 ?4 N, l: ~ K" E' X% ^# W| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M( t V5 T; z! n3 X- o; e3 Y
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M1 f9 @8 ?1 w& ^6 n# A ?
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M2 c- G: n& b5 a; B" P
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
) G0 q) S& @# ^) F| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M+ S+ d% i1 {: s
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
! e- W3 [: F5 d, o| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
4 [ t8 A/ _1 J& _| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M, k5 r7 G# e: W4 I/ g2 H) W
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
3 t) {$ o* q( s| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M0 ?0 E2 _1 l5 j7 w8 L
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
4 F0 M' G7 g+ n( o; b; q5 I" B| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M% R) [# V2 u/ g/ _! m) @ }* H
| ├──2--Deep Q-Learning Network
+ Y. n0 Y9 v% S| | ├──1-DQN算法思想 .mp4 59.24M' m$ Z1 x( E0 F# O" ]1 ^5 P2 x j$ h
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
: e, Z, j+ j8 q' Q| | ├──11-DoubleDQN代码实战 .mp4 44.49M
* F7 p; Z" Z* B% E8 Y/ D| | ├──12-DuelingDQN .mp4 88.12M
$ z |8 `; ?" i+ D2 n! {. @| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
% S2 @- @2 L# `| | ├──14-计算Action的方差避免风险 .mp4 54.23M
0 R1 K# s& t+ k3 ?) W8 h' A; T S| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
% Z" p1 \0 d# }2 G: P# R1 l3 F J7 R, l| | ├──2-DQN算法具体流程 .mp4 56.17M
* n3 k; [3 q6 v+ n7 P% c9 D8 M4 P" q' T| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M1 q* u$ N9 Q& H4 L5 z% r1 W7 g$ d
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M0 ~5 @" W# T0 _
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
0 K4 [" A B: D| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
0 s, U6 U8 X+ S. ]$ T) 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
4 @; r3 T. n, z5 x# N& k; \5 M' w| | ├──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
4 j. l O- o- p' H| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
* J/ T+ `: H- u5 V3 K% o| ├──3--Policy Gradient 策略梯度
- g0 \5 D/ B1 l3 g* A7 T v7 L. O| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
: m* }7 I( a5 x4 m% @| | ├──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
- H2 Y4 e2 ]) d9 [: K| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M' r0 o/ o; i9 g
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M* p3 l' K- W7 F( p
| | ├──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
9 d+ y) l/ J! `6 G8 T1 d| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
1 {0 J! D7 \+ C9 k| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M7 s! Q8 M& Q) W
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
9 H: X: h8 m) z! U| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M6 l W0 F# `5 u7 g1 |1 N
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
! M j$ g3 G o0 }4 P3 U| ├──4--Actor Critic (A3C)
3 M0 K% o, d6 c$ H0 d4 u| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M E5 }+ U% l2 ~3 V) o8 T7 @
| | ├──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: q( D) ~1 i9 j' [0 w
| | ├──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
0 i3 s6 w- Q _ k( \9 \| | ├──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
+ g( N T9 c! c; w| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
& Y0 D6 X1 W# C; K7 J# L- J| | ├──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- n- x/ a ^6 P$ @( N
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
; }( E" T: I% F, L# B9 D| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
2 d& [0 z/ c8 y' T3 ^| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
/ B3 o: e& b5 G; n4 ~1 S| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
0 ]4 }' J7 g( }7 E- e) m- r3 ]7 L| | ├──6-A3C架构和训练流程 .mp4 74.66M; t1 g) i0 A' b) o
| | ├──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
; N+ X6 }+ H2 C4 n3 f$ Y5 e* S| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M8 h. X3 C* V- x+ j* x9 n
| | └──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
4 s$ K' M% i4 Z i. V| └──5--DDPG、PPO、DPPO算法 9 J; b+ h# ~, V3 Z' h; R( F' s
| | ├──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
2 N2 F# M6 \/ V P3 q| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
9 Z: V3 W/ m6 t/ h| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
1 Y3 a2 x8 r' e| | ├──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. p) ~+ }+ r/ u/ u* a3 s
| | ├──13-DPPO分布式PPO .mp4 63.81M: n7 G' l$ ~) f- O0 T8 t4 B, G
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M% O/ w# B% y/ v; {, x! N" }3 s2 P
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
4 `/ x- D/ w0 B- x/ c( r) w* `| | ├──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
& f% U- J8 v! C f* K| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
3 j2 t+ g0 ~2 ]| | ├──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
+ y- ~7 ?& _4 a) M% ~| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M) q8 S9 @2 I) O8 v, i' h
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M" n! h3 j0 J- F3 |* I
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M7 ~- L4 x9 H& C8 g1 F# ^9 a
| | ├──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, h% W1 R( A0 q
| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M7 j8 v+ r3 f( p% @
├──4--人工智能基础-高等数学知识强化 $ X3 V- O) i4 L6 N Z! G4 m |# I
| ├──1--数学内容概述
6 I3 v4 p! v8 b& v$ `/ J* b$ ~# F2 k| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M7 g6 u9 \/ r7 v
| | ├──2-线性代数_概率论知识点 .mp4 26.81M" r- R. {: m) h2 [6 |9 h
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
) ^. z+ g& Z; U+ J7 U0 O| ├──2--一元函数微分学 0 V, `' ?" x# z* ?
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
) O9 e) R" L/ @2 V6 N| | ├──2-导数的几何意义和物理意义 .mp4 14.49M7 e$ ^' h0 k/ C; L+ T: h1 w/ n# \
| | ├──3-常见函数的求导公式 .mp4 22.76M* d& V* k4 z/ e; i2 I
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
5 Z" i- x* W# b$ O) L1 O| | ├──5-复合函数求导法则 .mp4 19.68M1 A5 s( {- F( V3 B2 z
| | ├──6-推导激活函数的导函数 .mp4 33.40M# U8 c; I' R) P* ~
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M a \# G0 m) U3 m' ]$ |
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M. f8 [2 q3 X) R2 J( E5 p0 W7 [
| ├──3--线性代数基础 1 e4 L- n4 w! }) t. N! R0 D1 S2 m
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M; m( L# C7 W0 k( w. {3 U1 c! v5 c
| | ├──10-矩阵的逆矩阵 .mp4 38.54M6 f# R6 u' U5 h6 K, Z
| | ├──11-矩阵的行列式 .mp4 20.13M! h. x7 y& X4 w
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M0 h/ Y Y, e- H, p" O& W. l
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M( M U& S% s" c) X6 A' W
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
$ K3 @+ q: V9 n' I6 I| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
$ f R7 w {) Q| | ├──6-特殊的向量 .mp4 26.45M% }* ?8 w8 h0 W& C) V( y* R1 ~
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
% l8 ]9 m( t' || | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M" z6 o6 h" l5 P
| | └──9-矩阵相乘 .mp4 20.02M
; ? z- j, X4 }: r* d| ├──4--多元函数微分学 7 J5 f( L6 d. ?6 K" `. @
| | ├──1-多元函数求偏导 .mp4 22.61M# i9 Y, ]! ?2 ?; Y* D" \
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
5 z3 R1 c, d I2 I, R# ]| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
$ |1 u& ?6 C" X% y V. D| | └──4-Hessian矩阵 .mp4 32.93M* ^: b* ]4 M5 a/ h. s
| ├──5--线性代数高级
# R" [, o( v/ f4 H! S| | ├──1-二次型 .mp4 27.70M
3 Y) M5 q1 h% A7 {& m c* k% B| | ├──10-SVD用于PCA降维 .mp4 24.90M
$ H4 J* @9 o p- W! v| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
% d, ^( C1 K( H6 q8 t+ O( B! L| | ├──2-补充关于正定负定的理解 .mp4 23.48M
9 p' O0 e! f; o$ w' E3 h| | ├──3-特征值和特征向量(1) .mp4 29.83M
' F! v1 o0 P' Q$ m d| | ├──4-特征值和特征向量(2) .mp4 30.07M
7 C& d, W, W1 || | ├──5-特征值分解 .mp4 38.68M
5 S) K' a6 [6 M9 S| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
$ i" [ Z x" O0 ?4 `$ u/ @; c| | ├──7-奇异值分解定义 .mp4 22.58M
7 c3 t) l6 S5 C| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M- E) Q) ?$ `& n. f
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M# G% T& n6 P7 g' N
| ├──6--概率论
9 h" s# X' }8 f8 i2 x7 _$ _| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M/ F) S% f0 F# w' d' r- l
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M: r1 w4 z& E* j
| | ├──3-随机变量 .mp4 22.57M
0 G! M# C Z. ?0 M| | ├──4-数学期望和方差 .mp4 22.96M
- x8 ^$ h8 y* P| | ├──5-常用随机变量服从的分布 .mp4 22.48M
2 X+ ~) K+ V3 m- V5 U: Z" |8 i| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
# n$ d9 s- @4 V/ m8 Z| | └──7-最大似然估计思想 .mp4 23.42M0 f4 {, v3 r- s! N O
| └──7--最优化
- E" U9 o7 C ]/ W| | ├──1-最优化的基本概念 .mp4 35.14M
( Q5 o d5 B! U- H7 X% ?| | ├──10-拉格朗日函数 .mp4 27.46M
) L9 j1 W# M1 b1 c+ A| | ├──2-迭代求解的原因 .mp4 20.15M
+ `# z4 ?% j4 T! f; O' u6 ?6 R H| | ├──3-梯度下降法思路 .mp4 26.33M
# o( m8 s$ |. I& X$ K& C| | ├──4-梯度下降法的推导 .mp4 43.56M
9 d0 `' i* d1 \- ] @! p| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
8 p. a' |2 h7 m' G' o9 Y5 h9 r2 I| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
! M7 v! t6 K" ?4 \4 v4 M| | ├──7-凸集 .mp4 21.90M
7 E# m# M2 q9 R$ i| | ├──8-凸函数 .mp4 16.93M* T: |/ v/ [, R8 Y
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
# V& M& k; A% A2 f├──5--机器学习-线性回归 5 H; e) E3 B L: V1 k/ N4 U) r0 {) k
| ├──1--多元线性回归 , A: `8 ] Q+ G1 s, y; A) Q F. k: U
| | ├──1-理解简单线性回归 .mp4 51.11M
) T. R- w1 |( P7 d' ?, u- @4 F| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M1 V' B" w ?: _( u8 H6 n
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M# f6 g, S& V* P9 y1 Y1 V
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
5 |$ ~. j2 _; M# m( }: u| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M, r' k: W8 `2 Y+ e$ n5 k1 `
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
$ t6 Y* u J8 n! m$ {9 c3 H. I6 Z| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
( N; u- p8 W% \) M9 c8 F| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
4 W0 O1 t) j% a% w7 F0 Q| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
3 x0 J+ e9 X. 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& p. y; v8 [; @& G; U4 S D
| | ├──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 34.67M9 j" Y! O) H3 k$ Y J% O" }
| | ├──2-最优解_损失函数_MSE .mp4 39.58M, t9 b" `! V- H1 T# d3 Q3 `
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M3 W$ d- O& {: c' R, ~! J/ y1 O
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M" l" h( K, f* x3 G
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M1 S! }! {& J ?+ a: [5 @
| | ├──3-扩展到多元线性回归 .mp4 32.15M
6 Y7 w) m; N$ m+ h7 \. Y9 [3 U& R| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
' H! j$ K$ H% E3 L| | ├──5-理解维度这个概念 .mp4 41.41M
) n. v- O3 ]5 i$ m* O8 r| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M# G9 Q( _ \, }4 U4 z# y5 S
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
. f8 \8 n" j+ L; d/ U# f" G( T| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
) U/ {) ?! X u3 Y9 @# j6 A| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
' W8 c; A- p2 {& C; z| ├──2--梯度下降法
" I2 V5 i4 U. A| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
1 B9 m7 K, s7 E) S$ w$ ?| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
0 P# d7 t+ r) A* A4 I2 e| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M' Z3 X) F) t9 [ T% g: E$ ~
| | ├──12-代码实现随机梯度下降 .mp4 26.67M/ O+ {5 R0 h+ B/ |, W
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
( ^8 _% q' r! B! y, l5 p' v: o| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M8 \4 P) ^* ^% F
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
5 o4 A7 T9 `- V) q) \8 y| | ├──2-梯度下降法公式 .mp4 57.12M3 r% L; D. y# p& a% o
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M% d$ I9 i. g- p7 L8 Q: H2 c0 f
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
0 j M3 r2 V, L: ~0 Q" w) \| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
5 R5 k( Z9 w- B4 S0 A) l. o: q| | ├──6-全量梯度下降 .mp4 62.84M
6 a% g4 J% d% Z| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M. R- N: l( F6 [9 ~* J9 s
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
- x; \! X A5 ^1 [9 J2 w/ j! s( V| | └──9-轮次和批次 .mp4 45.22M) I' Q R$ a1 m" Z7 n. D
| ├──3--归一化 ' k; R; m% f! Z' @& ^* y7 r8 n5 R
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M( g$ [* u( I/ u5 M$ w/ y
| | ├──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
! G% ]* N9 g. R6 g1 y y| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M3 C* _% S3 _! F
| | ├──4-最大值最小值归一化 .mp4 24.87M
3 l$ k9 {0 j7 ^" P/ K7 W| | ├──5-标准归一化 .mp4 51.86M
( E# A, O' Y, c# I- `& p9 L| | └──6-代码完成标准归一化 .mp4 41.13M; d1 F$ z0 A6 {7 J& f0 d. T
| ├──4--正则化 ?0 h" J* t2 N; M! ?
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M/ x$ ]: {& H1 C) Y& S
| | ├──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. a9 w/ U2 v; U9 Y6 \4 e
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M* y3 |0 ^- E. D1 _; v& t
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
2 j- g' Q: |0 r1 s8 N' n| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M; }4 A _! m% R" z" U8 Y
| └──5--Lasso回归_Ridge回归_多项式回归
2 M2 |' K, N' q8 Z| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
2 Q" y! A/ D4 v7 H3 L| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
# O2 h8 \/ G4 I7 A& i3 X| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
3 M1 I t/ \5 \2 A6 y! Z| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
* Q2 x; g* |0 ]4 ^: H& {2 ^, z; N| | ├──2-代码调用Lasso回归 .mp4 28.73M
% b) X* T& V `8 D: }- L% z! n( M" y| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
, E1 c% A7 l+ L s8 u8 A1 q3 O| | ├──4-升维的意义_多项式回归 .mp4 48.06M
$ _: \& }1 T7 c6 F/ F| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M. F/ K# s) C: r& R2 |8 p
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
: ]' O! S& ~) E8 s| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
" h! T( v# F) b0 q- c. q| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
: b1 Q s1 `- R: |& y* ?: @4 r+ o| | └──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 84.12M7 `9 c" P/ D- p- K/ Q
├──6--机器学习-线性分类
) F8 V2 p% p# R! u* `| ├──1--逻辑回归
1 O2 K; A/ T* Y| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
: k8 b# e3 d5 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
$ I7 w7 l; S3 v& j2 w* t| | ├──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
" Y+ c5 b- X ^0 x0 E! [| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
4 V* W6 p9 t2 C+ @* j. r& m( I| | ├──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
: }& |4 x" m$ Y B| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
* _8 j1 N( W9 e. n P5 v| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M- m7 X4 I* }9 e0 H V6 j
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
& M# G) ?& A5 |6 U9 S* A* R9 j6 K| | ├──2-sigmoid函数作用 .mp4 38.15M( Q) s4 B2 B1 W" s% A& l+ j- o
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M; `( h' a1 I9 A' E( r5 I
| | ├──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
" A/ l% q& w# e l9 E| | ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的 .mp4 6.71M
, ^0 U% w5 d! b3 Q6 |+ t| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M' @$ t) @( S$ T* M/ P8 [- T5 @
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M; V% i. [. W6 y1 d+ f
| | ├──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
4 M& C; W- G4 t6 ^1 E' B| | └──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
& U/ r9 j5 U V| ├──2--Softmax回归
2 H8 }+ _' e: Z, f3 y, F _| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M$ w% h G9 C/ d( E
| | ├──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 42.74M0 k, Z( w$ p/ n: C. p$ S
| | ├──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
1 p3 ]2 o" e( ?. m. v4 e8 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* B# _4 V4 a" O, u4 O" m" u$ \1 R
| | ├──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) k1 Q: R, W x+ ^) G
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
7 l+ u: V4 j# e" Y2 ~+ S) u! U& E| | ├──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, I) w& L ~) O1 X3 m
| | ├──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 28.15M0 Z# R3 C7 o$ g$ N
| | ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性 .mp4 13.92M
$ j x9 O9 o. B2 }3 U% S0 L2 z| | ├──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# s4 J2 ?. H. U& z
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
# ?& A& u6 f2 }$ S# h2 J( _| | ├──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
# c A# l8 c( |6 P( }- d| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M1 n* F! A1 S0 x6 `/ ]
| ├──3--SVM支持向量机算法
8 a* t9 A. i, j( J1 x+ o| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
/ u" d8 ]& G+ H2 j8 a) ]2 x7 [| | ├──2-SVM的思想 .mp4 55.56M
7 t; I( b2 W1 B4 ^" C+ @| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
- E! w& V" K/ {+ _| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M# ^7 m* Y- C( j
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M) o: z% W8 D/ }
| | ├──6-总结硬间隔SVM .mp4 39.01M
% B5 e, s( W* H0 e| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
. {7 j8 _' q+ E% `0 n| | ├──8-非线性SVM .mp4 54.43M) k: Q& G) e* k) Z: _+ m
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
+ h6 X% R4 m; j| └──4--SMO优化算法
: L. F3 f$ ?* m+ \* G& ]) e| | ├──1-SVM算法流程总结 .mp4 58.36M
% [( b7 e G3 j. ~7 }5 t| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M% @1 y3 o9 @" o
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
. m6 _9 @1 q) X2 H8 R/ Q1 x+ \5 `| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M7 K z+ U- U. A, M, d
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M, @6 |9 l$ B" K! {6 z8 r Z9 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 69.00M7 H+ k3 S1 O3 f! K" G1 p
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
4 Q+ L' J; @9 l1 E| | ├──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 65.42M6 Y7 j: p2 \4 p3 y
| | ├──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
, y$ v; Q, r) x: G" n, r$ 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
* i5 J: Z, R, A( X1 K| | ├──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
6 E/ h3 H$ j) O1 x8 p| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
7 O+ C! Z. s6 Z" t5 p' A( E" u$ u$ u| | ├──7-启发式选择两个α .mp4 23.11M
. C; X. z" z! ^2 r| | ├──8-如何计算阈值b .mp4 50.18M
' a8 S `- o6 y h8 ? z% z3 r| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
" Y" T3 ~; m3 f& _9 L- O& l1 D├──7--机器学习-无监督学习 ' n7 ?! a0 \- M; e9 B8 q* m/ m
| ├──1--聚类系列算法
+ D$ }% V9 ~' ?# J' X; H| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
( c# d" z, |( v/ V| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
# c3 A7 T* ] \3 Y" F3 D: @/ t. T9 y, J| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
6 Y$ Z$ W2 y; g6 j| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
; [/ p$ o% l+ n q+ M| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M0 E. \( |3 `8 I# D* d% k
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
# T9 n8 _9 `/ e- _+ A9 x. w2 x9 d| ├──2--EM算法和GMM高斯混合模型
( j8 W* Q8 V$ y: G0 p( y8 e5 C| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
( i: ?' r1 w& \; A7 d| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
7 F' m5 }) i7 H; a( F% v# P* x| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
/ A8 x& F# @+ O! K( A| | ├──4-Jensen不等式的应用 .mp4 109.17M
0 U( V) f! C# A2 f8 o| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M: ]' v% I, b% J; ]1 t
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
3 f3 a* ^' [1 M( V- D" u| | ├──7-GMM前景背景分离 .mp4 16.01M
: l5 Y: z5 N* o4 }| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
% m( g3 J; D. U| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
+ h: F T0 ]- V| └──3--PCA降维算法 ! Z7 v# Y: |) R
| | ├──1-特征选择与特征映射 .mp4 49.38M
3 n, w: l& t4 \" f| | ├──2-PCA的最大投影方差思路 .mp4 186.75M- X9 F- V# [9 _/ E7 X( l; ?
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M3 R, y+ b( w+ \) |4 Z" r/ E, c4 n
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M& Y* N) q4 G" L. O
| | └──5-PCA的几种应用 .mp4 54.58M
; U8 _8 f5 a4 I├──8--机器学习-决策树系列
$ l% d% I! A: S2 {) ^* ?( B' K0 m| ├──1--决策树
6 e5 i. O7 Y; p# c3 || | ├──1-决策树模型的特点 .mp4 74.88M4 M) N4 B$ l# c! E8 k
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M, ^# p( I& V$ ~1 N) Y
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M# Z8 w, w1 Q& H0 w- r4 u# P
| | ├──12-后剪枝的意义 .mp4 50.49M: ^" c% Q! e7 [* J( Q- k% N
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
5 f1 W" R, i0 \, m1 }| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M9 D @# G& w' X1 s \
| | ├──2-决策树的数学表达 .mp4 89.94M
$ G7 M, O- b3 R* e) e& {| | ├──3-如何构建一颗决策树 .mp4 84.87M# @7 W/ ~4 @- x4 x/ w3 Z# g, n
| | ├──4-什么是更好的一次划分 .mp4 57.02M0 ?* ?) f- e* `1 r3 w
| | ├──5-Gini系数 .mp4 107.54M% z7 `) p% y1 l( s4 `/ D" ~
| | ├──6-信息增益 .mp4 75.26M V) U, n, V. c) m- V, Z
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
' E* k* |+ {* C/ O0 B| | ├──8-预剪枝以及相关超参数 .mp4 127.06M. [ `; t, ~. o% n! p4 _
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M! e/ ~# y3 L1 ?" _& n
| ├──2--集成学习和随机森林 ) C V4 n) t8 V4 c l. g. Y) `
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M M K- p6 h8 s# x2 Q. W& G' _ m
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M$ B, D7 S' [! l
| | ├──3-随机森林 .mp4 108.14M
9 \3 r( O0 i; P/ Z4 p5 A| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
3 i0 g9 C. \, _% _- q! i; }| | ├──5-OOB袋外数据 .mp4 106.07M
2 [1 Z: P1 w4 m| | ├──6-Adaboost算法思路 .mp4 106.30M; x3 V1 A) @5 [* N: e) K7 \
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
, n- x" o1 D& p, r6 @/ b" Z- W| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
: F7 H' e# O A; K: J| ├──3--GBDT
5 h8 f$ ?% l1 s! }4 E| | ├──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# q2 z" \! |- y3 ?
| | ├──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 72.09M9 u7 E% Y% U* S% [
| | ├──11-GBDT多分类流程 .mp4 73.80M9 N/ C8 [7 @% F
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M; U) x7 \! o5 A3 R/ O$ R! q- z
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M6 @( K0 N0 `! O( Z- `, a. E& M0 n
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
$ b. A+ G2 h% f/ H: A| | ├──15-GBDT二分类举例详解 .mp4 86.67M8 @: A8 f/ r7 f' H
| | ├──16-GBDT多分类举例详解 .mp4 91.71M% c8 S" Q7 |: c8 r$ v a
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M' ]+ `( C" y! G4 |0 d" B" g
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
1 N* t- b& O1 I0 `8 L) K| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M6 @( i3 D( ?( T- n% [
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M$ _- V4 r: B1 L# F3 T/ f3 {& W
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
. H9 B1 n) N8 y* r$ r) b| | ├──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 I2 X: D4 H k) h
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
8 g+ ]& B% `2 N; a& ^2 q) ^0 `| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M& Z% a0 l0 Z/ X2 _2 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 77.36M1 S E [- `, G# G
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
" A2 n ~3 |3 H1 X: [+ Z9 g% m3 `| | ├──5-GBDT回归举例_总结 .mp4 108.52M
! C) s% t3 _! I' t4 p7 s| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
! ]8 Z! @1 @$ K" L, Y% u| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
$ M0 ^5 b% \5 P9 T0 i$ x+ }' I| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M* }& h6 V/ s$ [/ v# v) g
| | └──9-GBDT应用于多分类任务 .mp4 73.34M2 u. t% z- B: ` d1 H+ J$ @. q5 M
| └──4--XGBoost * E1 A; E6 p$ ?) r H
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
: W W0 ]( I, z| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M6 Z' e: L8 c7 i1 w3 \
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
0 p: b/ Z: K, Q3 ~| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
* R! q% n5 `! f3 ]| | ├──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
8 c; b5 e3 z: r4 E" Z| | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件 .mp4 73.80M
' u, B* |5 ?( w$ W7 q) ~- W| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
( ^$ \( D& k& Z* g- i| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M% T* s1 v6 X) V- @. @+ b. m
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M8 t! _/ M1 b, J- `2 j! b
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
. y8 Q( Z- W3 H; M. d| | ├──3-基于树集成学习4个优点 .mp4 91.36M
8 y8 O. c" k) \* ^5 U2 I/ j| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M% p, M9 R& J6 t5 W8 ?$ Q
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
0 M# @: M" u6 J! X- B| | ├──6-Objective_vs_Heuristic .mp4 60.42M6 e: {; k6 l) n: q. g
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
: B( \' N u( w5 S9 @| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M0 r+ \, P& M* [7 G% c
| | └──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
5 L0 q5 v v( K├──9--机器学习-概率图模型
1 b1 @" p8 u( I/ E* v* L| ├──1--贝叶斯分类
# L; Z/ t: P* ?9 G| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M' y, I- A4 W* a+ c
| | ├──2-TF-IDF .mp4 53.08M
1 V5 J$ H( z; H; X: g| | ├──3-NB代码实现解析 .mp4 126.73M
5 {- R3 t) y- O| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
7 e5 S5 l# I0 ~: U: P4 || | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
# q$ B) g3 y" F9 `, s# C) E| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
}# Y/ [8 T/ N6 U| ├──2--HMM算法
d6 L" E m! T$ S" A% |( ~3 Z| | ├──1-HMM隐马的定义 .mp4 36.82M3 `% _$ r( {) M. r
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M0 g5 F0 a+ `- J/ c
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
4 P( S) G! @+ P; N% c| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
0 O+ `9 I0 h J2 n R* U0 y| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M8 w! d- d) y) ^$ ~+ i
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M* O" J' `' Q' H3 d8 G: I* Q
| | ├──7-Viterbi算法案例详解 .mp4 107.12M
* v7 G) B+ [2 X- T| | └──8-Viterbi算法代码实现 .mp4 42.43M3 a1 }+ Q# J9 _: h: \; |
| └──3--CRF算法
: j7 S8 a+ G1 H+ m A. e| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M5 i$ j8 q \6 z1 f C) B, x; L
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M, g. g3 S' x8 ^7 V* P
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
6 o3 `( [" p8 b| | ├──4-EmissionScore_TransitionScore .mp4 61.33M @ t9 E* |& x3 S9 o' Z; v
| | ├──5-CRF的目标函数 .mp4 23.74M5 l# e2 c0 ]$ X7 ]6 J7 l/ @
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
' q; k4 N) a/ @| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M6 [' E6 _( }* n' |3 O* D9 C# x) Z
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
* z& k2 U! n8 x0 w└──课件.zip 2.54kb
: f1 V( p7 N/ T9 W6 [3 _1 P/ {
$ ]) V v8 M- J6 R+ ]+ W! p7 H0 M. I. Z
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!
# `) v( u& N# o4 S5 @
) k, P1 E% K' C, X3 H4 W% p4 m
8 Z6 X1 d `3 O# p9 ]& | |