战-人工智能2022/
, M2 n- E5 a2 @2 X5 P├──1--人工智能基础-快速入门 3 m6 }" V- m# u8 H( s# N3 W' c; G
| ├──1--人工智能就业、薪资、各行业应用
1 ~% F1 G1 y4 J/ Q: \| | ├──1-人工智能就业前景与薪资 .mp4 52.07M& A5 ^! p* w X6 c+ n
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M' x4 {8 i) S6 k; c
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M: Z% z# q, Q1 L8 S( g3 H0 Y
| | └──4-人工智能在各领域的应用 .mp4 57.73M# s' r' X! W) T# H5 R/ _1 a- Z
| └──2--机器学习和深度学习、有监督和无监督 + n4 f8 N, E8 w1 A7 F( {" h5 a
| | ├──1-人工智能常见流程 .mp4 89.62M
" B8 F# Z1 ~7 v; d& t5 }: a: j| | ├──2-机器学习不同的学习方式 .mp4 83.51M3 R& e: S$ |% I8 X- I- C
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
- Q" S& |& E( r1 {" X| | ├──4-有监督机器学习任务与本质 .mp4 37.50M% Q: m( \% \! Q. a: G8 {1 j
| | └──5-无监督机器学习任务与本质 .mp4 50.15M+ f M7 H5 @" m/ N! d* |& H
├──10--机器学习与大数据-Kaggle竞赛实战 3 Y4 E9 i( Q; a% v% Q# _
| ├──1--药店销量预测案例
# g; p% N- X$ v. n8 T; ]| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
- r$ a. I5 n( g$ ?: A' H# {- A4 T| | ├──2-对数据字段的介绍_导包 .mp4 19.90M3 q# n" H/ S+ N# E3 c, N1 R
| | ├──3-自定义损失函数 .mp4 21.12M6 e" J4 e1 @! T% Y+ J; Q" l
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M3 U0 g( O0 P p* P$ \: _: E3 ?
| | ├──5-数据的预处理 .mp4 111.81M
- j; S2 [% u& L2 f6 u+ s| | ├──6-模型的训练_评估 .mp4 66.64M
+ H* ^4 b) T: r; N' h# `| | └──7-kaggle竞赛网站学习 .mp4 172.16M
9 c! b' _( z- q# M# I. t| └──2--网页分类案例
; B9 e1 S/ v+ A! a, F| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M0 _' w. ^7 A: r }, p
| | ├──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$ n/ P: `% `9 H2 ?; ?" E
| | ├──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
G9 {% C: L6 _# f7 Z/ O+ g2 K| | ├──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
& e' ]( | T6 P& W) V! @| | ├──2-评估指标ROC和AUC .mp4 56.19M& _% w# v5 ]) `0 N& @7 v
| | ├──3-评估指标ROC和AUC .mp4 49.03M
4 Q, H. c# G" k* C8 d; c8 Z$ I| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
: A0 K @5 H) p9 X& U3 j& y) _| | ├──5-数据导入 .mp4 68.41M
3 p9 \! h# E+ v( {9 V5 S| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M" F* Q0 F2 Z. h- K
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
% O! s$ j7 U% S9 g| | ├──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* X, |& X( @* c, a/ F/ l
| | └──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/ X9 R/ Q& Q; j6 b# w! m
├──11--机器学习与大数据-海量数据挖掘工具
- I7 v4 K. v7 K5 ]/ w| ├──1--Spark计算框架基础 / ~: x! O1 m8 f4 D, ~
| | ├──1-Spark特性_01 .mp4 41.68M) C. L7 h8 ]: C ^0 Q- z& z/ h
| | ├──10-分布式计算所需进程 .mp4 26.30M6 l- s: Z( s" C: L" N
| | ├──11-两种算子操作本质区别 .mp4 56.31M1 C0 q3 T; S% g9 u. J
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M7 L$ ]' V3 o4 D( j9 w
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
2 R7 i! W4 \/ X6 s4 d K7 j| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M$ _' y3 p+ ]5 [5 v% n' `5 d
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M& w4 y# U- A. c8 e% v2 q& O4 V
| | ├──2-Spark特性_02 .mp4 35.15M
7 |7 Z5 i- ?* || | ├──3-Spark对比hadoop优势 .mp4 19.34M
9 E d( b" d* |8 U6 B| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
+ x, v8 B- u- W9 w7 x| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
6 C+ e4 } l1 B1 B5 Z9 t4 h4 S$ w| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M4 ? d1 S* O) E7 M$ ` A( m
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M. i( T" Y) x$ Z, @- A8 t7 ?
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
& p( J$ i( \: g| | └──9-Spark的RDD特性_02 .mp4 33.41M# ]1 U2 @) l7 e5 L
| ├──2--Spark计算框架深入 + v/ x5 E$ V$ s% |: z
| | ├──1-Spark数据缓存机制 .mp4 54.43M
# D" n: [, o+ W" Q2 R& M| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
0 K$ k; f9 z! [5 {- P| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M- w4 Q1 `" E- a4 ]
| | ├──12-构建LabeledPoint .mp4 111.08M
- I+ T/ e- [: J0 }/ V$ A- C| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
4 K2 [& Y- A2 _8 N- E| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M0 `; g3 _) G/ L
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M [# o$ L" x1 U) ` z- a5 x& J
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M/ u% Z% V8 V- t1 _4 I* K7 }0 K
| | ├──5-Spark术语总结 .mp4 89.66M
' _+ R6 E6 q s3 p' x8 O2 N| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M& \& A0 { @/ _' ^; Z
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M7 \% s/ B: N0 {3 {' ^+ X7 t
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
- Y6 N. v, l$ c/ t" ^| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M" V0 P) G) I! D' o- x. E- t& n
| └──3--Spark机器学习MLlib和ML模块
% V7 {) U5 v% E" F) ^6 A| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M# Y3 l! b* R- u3 k1 i! l( B
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
& R6 _ F& B$ [) Q1 p" L| | ├──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 \) f2 [/ F3 Q* r$ w| | ├──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
( g# _; a# C) H8 ~- d| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M9 o' F& U2 h- e+ T/ L
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M( |+ `6 V# u" y% ~ \1 f
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
: i0 o n& J" b) u| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
" W: ?5 D; [& h- u| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M, ^# V9 H- g/ ]9 J5 |" a
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
( t% K! J+ v X0 a8 m0 b3 p| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
% c/ C/ {7 a, ?; W, x$ e& _| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M$ U) o% _" T1 d/ z! J
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M# U7 K- P: |! s9 u1 v
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M2 M- N+ H- L4 ^& @( m' A4 Y7 B) T
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M9 D! A3 V+ y' ^0 m$ c2 T6 s4 J! p
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M) k1 c5 |! }" D# W
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
, ^" S) m3 r4 g| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
! ]' p/ {1 H: d| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
# O# s1 i. U3 D" `, i7 i5 ~$ m| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M* Y; }% o/ B8 Z
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M, A \8 c2 o; e9 ]) }% h! ?
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
. [4 o6 C1 Z0 \! p) M2 }! X* B, K8 k! a| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
7 ]% h+ z; J8 n3 f* |, K8 k+ q" ^9 S| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
& u1 i B1 D# P' } _3 l| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
, a" x2 X$ p( g9 F" ~2 Z| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
: ^7 W" d6 t* Z$ \. Y├──12--机器学习与大数据-推荐系统项目实战
; f V1 {2 i$ r7 B; [| ├──1--推荐系统--流程与架构
7 h W& s3 O8 `- A O o* a6 h| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M; @2 Z9 r; n& d
| | ├──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
. z. l8 }3 M# `& a/ ?) ]% i| | ├──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
$ z+ U1 ]0 k' n# J' f| | ├──12-推荐系统_数据源_1 .mp4 79.07M! U- P& W9 T5 Z+ B7 Z5 b
| | ├──13-推荐系统_数据源_2 .mp4 82.90M' J+ U a8 f% {1 J* W; n% ?6 t6 i
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M# _0 g1 f$ J# H# [1 X2 Z
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
+ y; h9 J' u; W6 R/ A* k| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M. j- |3 H6 h3 U
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M+ I4 }: S2 j8 P, i$ C5 N
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
9 g- j9 U/ l+ j9 M# C+ ?; G d| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M2 k2 q' j5 J/ C* F; y* N) i
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M% Y, C" b7 T6 a1 a- K. c8 n; G
| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M
) {$ k2 {# E2 d| ├──2--推荐系统--数据预处理和模型构建评估实战
6 S& P; Z! I# }1 \2 N| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
2 L. v3 N; I( O7 f: G P( c| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
3 P4 M) o- M; ^$ s: D$ J+ E| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M7 [$ I0 A2 R" _& X: k7 c6 L- j6 x
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
( \7 A( S2 C7 s, j: ]/ _1 j| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M* L4 x# m( k s& f& T, I3 E: _* F
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
Y: K; R6 Z6 o ~) p% e: Z| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
* v0 e/ u& W) i3 m$ H& A| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
) ~, a2 j' ?5 Y" _| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
- r" D' K: |- X. w% N+ w" J| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M$ D* L/ X1 o; N
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M0 u3 K" B8 w/ \* G. W7 ?0 J
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M6 A8 Y% ]+ H) _9 b
| └──3--推荐系统--模型使用和推荐服务 & e. X" R& ?0 J) P+ d
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
8 W% s5 g0 O `| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M! \; ?& w0 T% f! I8 u" p* h
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
. f! h E* v; {7 F! `9 B$ r| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
% r# t* R; R8 ]& [. v/ p2 e| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
0 l1 j8 }3 z" w |! y% z! f; N| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
7 u/ H' K- e3 x| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M5 l; Z$ B" I3 A5 L* Y9 ~7 }$ Z
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M/ q6 k. S/ D8 }3 |& Z
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
! E: f6 m; z( P6 Y# ?& [8 R5 b| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M9 L2 ]) U2 x# u, ?3 p
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M4 E* q$ T9 P1 }% W5 T6 [
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M/ X0 I T; \, m7 \+ c6 _* E
├──13--深度学习-原理和进阶
: U2 s" T/ b4 }: L& [| ├──1--神经网络算法 9 t; h' M% \- Z, o+ z* X
| | ├──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
$ K/ F7 K+ H8 {: Y| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M+ K# F. r$ `+ F6 s$ v8 W0 u: p/ 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 67.67M$ @' |( @9 R& H
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
+ s2 Q3 Q7 ]! ~| | ├──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
$ I0 r6 t5 A: C6 I* {| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M, v) E$ o0 Z0 b$ f: H+ Y$ @ J
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
: j5 A# j" \% D2 J+ L9 q C| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
6 N: v. V# U' I0 Q+ q| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M$ K2 D) b& n- X8 v
| ├──2--TensorFlow深度学习工具 2 u" U; I( y$ g" x! ]+ l- A
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
5 A6 O+ o* q H+ i8 R+ n| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
2 q' |. Q6 G9 m6 _8 d# b/ W0 p| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M' p" g- r) g* {
| | ├──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
; W& x* L- y4 ^| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M% _& ^( G8 N( J
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
) u6 q7 d0 s% }- |" K8 l| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M/ Q7 p# M8 h! r3 D/ }' Z' \ \! X
| └──3--反向传播推导_Python代码实现神经网络 , K2 m7 h5 G2 e- O
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
+ d# o$ ?. x' ^+ g/ ?5 f3 u- x| | ├──2-反向传播推导(一) .mp4 127.90M4 f- Y4 r2 D9 p- y6 R' k1 p# k
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
( ~2 N. ^6 A& E3 j. X" ]2 h- Z5 E| | ├──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/ b; H" P8 Q. o( X: y# E
| | ├──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
7 t, p7 r3 c# i. r B) w| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M* A4 M( I' R ~0 f9 E, N0 r2 l
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
# J6 l; I( Q# Q6 }: N/ W├──14--深度学习-图像识别原理
2 r5 x0 I8 o! ^, Z| ├──1--卷积神经网络原理 , j/ {6 o0 `! K& y" Z9 w: w* l, P0 S
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
) f; k) [6 v1 v' _# f# }, m| | ├──2-单通道卷积的计算 .mp4 104.01M
2 U% U* {- C) U; G( V| | ├──3-彩色图片卷积的计算 .mp4 52.79M [' D& E/ M s: P' C) K. d: O; M
| | ├──4-卷积层权值共享 .mp4 63.93M
. F; C8 B* Y; p. E! q| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M( r) n9 v1 o+ O8 r: w+ c
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M7 s) [' f, k8 h [4 Y, x- T+ N( n9 m
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M6 W- ^3 Z$ ]* F+ n# [
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M0 x9 Z5 Y* V& K; i* F5 @
| ├──2--卷积神经网络优化
$ b. s ?$ w3 b8 x6 y0 N| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
; [2 g" _' _& v! l N| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
7 M# u& _+ {: l| | ├──11-Optimizer_Adam .mp4 141.12M& f+ i- k: S$ [8 G9 L8 B! a
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M% j. ~9 U$ Y4 `. K- w) B. a2 J
| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M5 J# ^, H9 b" B0 w& W& Q
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M9 l+ n$ @2 ]5 q4 X
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
7 Y( p5 ]; n! X9 F| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
& { q& _/ \- z! V% b| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
5 O) m) h' A E6 l* p1 o| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M" @9 r1 ~8 n* e3 H
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
; @6 k# d4 O( Z$ z| ├──3--经典卷积网络算法
0 k) X* }' n, z( D/ f* r| | ├──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) V( k" _3 l/ k7 Y
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M" u8 G7 A, F9 p- g7 n' K& x
| | ├──3-InceptionV1_V2 .mp4 165.86M
5 y& O6 _! L0 U1 M* b; J1 o q| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M4 O3 f/ N' l' U( u. B
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M, y: z1 O! S. [: y q# N4 y8 |$ k
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M* |. I+ h- w5 s# q! P" O
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M2 z$ s" ?" D4 }* G
| | ├──8-BatchNormalization .mp4 99.23M, f. R! o. c. B$ ~* j5 J* y
| | └──9-Mobilenet网络架构 .mp4 150.05M
8 D; X! a. `3 s N& Y! @, z| ├──4--古典目标检测
8 z3 i9 J6 s' _3 Q$ `( C| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M6 A; l4 F6 f4 o! N+ v" g$ h
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
) s @" w2 R; J1 j: R. C! C| | ├──3-IOU以及python计算的代码 .mp4 23.56M3 ]. Q1 K: ]& Z& h& f1 s
| | ├──4-R-CNN和SPP-net .mp4 124.06M8 D0 p5 P! [$ Z
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
, R c) ^2 }% k+ R2 L; u| └──5--现代目标检测之FasterRCNN
8 v' Q! k- z! h7 D$ K| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M( s& j" Q; o* b( t f
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M; b Y: j. e0 Y) n; N
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
, S4 G8 t, {2 m; V| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M% ?2 _& i w( k) ]2 Q8 a9 t8 g
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M( j) @) w! x5 s" Z# l m9 @- I
├──15--深度学习-图像识别项目实战
" r1 I8 l3 Y, h3 w- \8 \( t1 K| ├──1--车牌识别
+ e" o* e5 j" t( c7 s6 y; b| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M8 g' j: H4 w3 s) ~ l
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
8 G H( U- g" D+ f- @' p+ I| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
# V6 C/ J8 {. q3 H4 r6 j* R| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
! i! B! @2 u, F4 ~- A8 I| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M# e9 K) c0 ]& ~; g" _& w
| ├──2--自然场景下的目标检测及源码分析 ; @# r+ C4 e# ?) t" ^+ ]
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
2 }6 N/ h% Y2 N| | ├──10-FasterRCNN代码_构建head .mp4 67.56M% C. |. v" D+ {6 E: Q4 c
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M {( p; a9 }- Y/ c+ J% }
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M& B5 I8 H) p% x @+ J, k* R O
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M1 N ?' E8 H* N! m
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M+ i( S( x+ u7 K
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
1 R& j1 b, p$ P| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
0 k1 P+ W! Q1 |1 x| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
& P+ \% F& S2 |1 }| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
2 @7 ^5 Z" B3 k |2 e) \| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M2 R& z e3 J+ D( \
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M! ?* |8 i* T8 [3 [ k
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
$ w; q# r7 w5 y1 T" }2 T| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M! z8 R, z; }0 E g- b4 H
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
4 a) W' R4 i: u* `! `8 K# Z' I| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
2 e8 a4 v* t$ r8 x' _| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M% Z3 y( }5 d8 c; H; K
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M- ?- [# r' ^8 G5 N
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
" b4 e4 \+ t0 W( M: n/ B| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M$ p. J4 a1 R+ }6 c( q
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M4 l6 z: D" Q3 [0 z; N0 a4 `
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
; }1 s* j6 } X Z3 H9 W d& d| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
' E6 U+ z" Z, N7 _| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M5 z7 A6 `# }, }
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
3 w8 ^1 ]4 z% v| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
5 ]- E7 [9 F8 u8 \9 `9 Y| └──3--图像风格迁移
& l8 R& G% t: }; {# M# ?| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
$ r5 \, K) q; [* \: g4 g- U% d| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
# s# Y. p" [/ x! {/ n7 g4 i| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M( N9 z. |! D6 w% C" t
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
- z, ^8 L" m/ K& Z' d/ ?├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
. a0 X! q" d7 T# U" T! k. `| ├──1--YOLOv1详解
- }+ |/ H" }4 ]6 g! q8 L| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M4 P- Z, @! v! \" W: c
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M5 G3 N4 g, \2 k( Q
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
' ^; B, K4 Z# n' Y! _& F| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
/ C2 i8 U. L& @) T6 p| ├──2--YOLOv2详解 " R, w( `3 w5 N% P* k1 C
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M& O. U- g3 n9 n. ^8 E& c2 k2 t
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
, t) ^8 j$ w: Y& M/ G" O! ~/ ]| | ├──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
8 r) Y% i' i( c! X% F' ~| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
/ V9 c" u' F6 i4 _/ p8 y| ├──3--YOLOv3详解
8 ^# R8 Q1 N' B, g4 ]9 y/ l K, l| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M f! A9 ?) N9 q& }2 |6 v' T
| | ├──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
, G: E9 ~9 n% a4 G| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M; r) x/ m( y7 \ |$ z5 m
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M: R5 x( U1 d( G' e+ ?
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M, s0 a. Q- K r( e/ n" T- q7 L
| ├──4--YOLOv3代码实战 & O" M1 B9 a T7 E
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M9 {1 j+ Q1 j2 i& V# H ?& g
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
% j1 ^5 i$ S2 e# q, B| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
5 p" N7 l6 G% d. b8 ?( C3 V1 T) H| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
0 l- P% ~6 w. Y( x) L8 x| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M) y, P# s( U; E9 g7 `5 {, G1 v
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M X8 }, M% r; ~( @6 m A- b2 T
| └──5--YOLOv4详解
7 M/ e- _& q. e/ G$ a7 M0 l| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
- ?1 Z" G) P! U9 j* [/ K7 o| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
% D3 |( s: e4 J+ s- s+ T| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M9 D& |' n- @4 g% }* t) u
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M% h, A6 J# w" R- u# }, a i
├──17--深度学习-语义分割原理和实战 : q. v( l* D! s' @- M
| ├──1--上采样_双线性插值_转置卷积
# A Y: r0 b2 N& F6 X| | ├──1-前言 .mp4 19.46M
; c% {" M& z u; i+ }| | ├──2-上采样_repeat .mp4 23.90M% c( y" v2 R3 s, f. }
| | ├──3-线性插值 .mp4 34.48M, z6 m) A2 n) J( l2 }
| | ├──4-双线性插值 .mp4 125.71M
" v& {" J6 C4 V) _/ m0 E$ I| | ├──5-转置卷积_以及TF的API .mp4 114.25M6 o& Y$ [8 S; r
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M# e* @* i3 n* F; E5 S/ O( Z
| | ├──7-ROI Align .mp4 58.38M
# | m* A4 H3 ^3 S, r| | ├──8-FPN思想与网络结构 .mp4 92.14M
6 Z# B( I4 z4 H* \! I. ]1 S9 P5 x| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
+ |4 B) l4 }) s| ├──2--医疗图像UNet语义分割 . g- D; @( z2 u4 S! P0 p
| | ├──1-语义分割的基本概念 .mp4 18.33M
' l% `$ D7 c# q, ?& E1 N8 j$ b| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M. A6 }7 }2 D) w8 }
| | ├──3-UNet网络结构 .mp4 30.41M- I( P% O( e! A3 S* D6 i. K% W1 b4 U
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M7 J/ K6 r0 K4 R4 H$ N/ v s
| └──3--蒙版弹幕MaskRCNN语义分割
[: @$ x& a! G| | ├──1-MaskRCNN网络结构 .mp4 106.38M2 g% z" i/ q! P( v
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
' j# p) \ w J; J9 P8 G| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
* f# k6 w4 A* S7 W! n7 W! Z| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
3 x3 G0 S- v' `, ^2 T| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M3 v; Q/ v& y" y( N: C
| | └──6-MaskRCNN源码config和model .mp4 244.48M4 g9 G+ Y# P! F! Q7 x
├──18--深度学习-人脸识别项目实战 ' q4 F6 h6 t/ u9 H K2 Y4 V+ u
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
* t0 \3 |+ e; g( W| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M# @) n7 L x$ M# \
| ├──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
0 T1 u, x6 s! V9 ]$ ~ d' e| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M: g3 p, M( e' A- S7 r4 c9 m
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
% K1 S Q7 e( \" R- J| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
" Z1 Q6 h+ f9 }6 X* t8 m| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
3 n K3 |* L) v9 P3 B. R( o3 || ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
. G2 i: u: D4 Q5 f3 P' R| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
( X8 L+ [( O: |* W a# U* z2 N| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
6 |, m5 I4 c- D1 x& G| ├──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: f' z" V! I8 i( h3 o' n0 t
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
6 X# Y! ?1 X0 v* p, x8 P8 I' z| ├──3-人脸识别项目代码整体结构 .mp4 30.40M7 j4 Z0 h. ^# C3 C
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M% b1 Z: b. B" ^ U
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M; g6 t1 R& V6 J7 K
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M% r6 v) y# n* y8 s8 y7 d+ v" w
| ├──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
& N1 f1 B. a' i! K( V8 D| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
) t2 `7 e; i6 Z! u5 }% e' f| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M' s3 Q3 k* Q. c
├──19--深度学习-NLP自然语言处理原理和进阶 - W" b7 \; b3 n* J: h: W. K
| ├──1--词向量与词嵌入 * m' E' ^. G) F7 V6 u
| | ├──1-N-gram语言模型 .mp4 116.32M' D. G( X# O; Q7 G% I% @
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
+ g+ D. @& w0 ?4 f3 Y z/ A# t| | ├──3-词向量的作用 .mp4 58.00M
, k( ^' W& c/ h7 Y' m| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
. o; D3 n$ ^/ Z, b, ?| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
- [) p0 S0 e( K- q| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M9 l) S1 B5 p0 p ^ y
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
# D/ D7 Y6 l% y9 M6 d+ X+ D$ `1 S| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M& H1 T! w! [# }% \* f$ u% U
| ├──2--循环神经网络原理与优化 * g& ~$ h' \9 Q
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
1 u/ R6 r) ^& f7 `* X: V) I5 V| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
" X# i4 {+ H8 O5 s| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M) k! f3 G* Z3 O$ ~7 z* }
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M, Y7 B7 J' L* d* k g" \/ g5 }
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
" T \4 B7 r; Z1 o& B( e| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
/ v& ~: ^2 R+ K& U; E| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M) Z/ {3 }+ q# q' p) o7 f
| | ├──8-双向RNN_LSTM .mp4 52.01M
, y: B* i! d% P| | └──9-RNN里面应用的Topology结构 .mp4 23.04M2 I7 z0 _ v' |$ Z; P
| ├──3--从Attention机制到Transformer * b, x. m4 J$ v6 y2 e% r6 ]0 z
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
/ A! |: ]+ w# _$ X% J| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
; I" d- c! f0 e! {6 S1 e| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
6 b- K9 g; u8 G/ _" _+ g% g1 c| └──4--ELMO_BERT_GPT
- J( \: Q1 l! \* A- ]3 K& t. L| | ├──1-ELMO .mp4 62.44M
8 N6 k% `* a+ d4 `; U8 I$ C% X; V| | ├──2-BERT理论 .mp4 99.73M' x, ^/ `! ~0 X1 R: D
| | └──3-ERNIE_GPT .mp4 56.34M) W4 I( j, K8 ^2 \* b
├──2--人工智能基础-Python基础
' @, V8 @9 i( {" c- Q# b| ├──1--Python开发环境搭建 % ^2 K9 B: j3 m! w
| | ├──1-下载Miniconda运行环境 .mp4 100.75M) J6 t/ F0 w$ S+ D4 J8 F, ]3 c
| | ├──2-Miniconda安装和测试 .mp4 57.12M3 @* d' I1 W; s8 C5 t/ t# S$ X2 X
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M+ z2 J3 L+ W# F. N- q
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M% j# m/ `0 b; e' v
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
4 w& J2 ?+ S" {4 x. y6 t; e| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M" @- B) D/ ~9 k9 T* d9 [+ B2 |5 o
| | └──7-关联虚拟环境运行代码 .mp4 38.14M. y4 c/ h* N% d2 u J+ }$ l
| └──2--Python基础语法 " U" I9 d! J! n
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
7 e4 U3 O) R6 B" A' w! V! X| | ├──10-Python_集合操作_列表 .mp4 34.71M! M( t9 ^3 c3 K* {, o7 m
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
4 X2 a7 s: |" e! e# N# M# h| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M' L7 [, y' [, ]3 p3 E A p
| | ├──13-Python_集合操作_元组 .mp4 43.46M6 d& w( r- \+ T- v% Z! r
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M% T1 i" R$ z- c
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M7 j# u# d0 M1 V
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M y. _- V0 U3 S$ r2 u5 @8 F
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M; R0 M4 g6 }: [: l3 k
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M% D0 u* x5 G( b
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
9 }% w, m( Y) j9 i7 j| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
. {# A" ~6 t/ I) N| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M) J! y4 O1 k/ q$ b
| | ├──21-Python_函数_递归 .mp4 23.46M2 H8 D* @; `4 ~- m# R2 A! Q& r
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
+ q/ _+ n; z# ^" X3 @; f| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
9 D* g0 G2 V& q; p+ D| | ├──24-Python_函数_闭包 .mp4 41.61M- P4 s8 W7 o, ^& \; J8 n* {5 x
| | ├──25-Python_函数_装饰器 .mp4 30.35M
% Q# K2 M4 {/ j8 _% g! I| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M+ `1 e. T0 `5 ?, X- a: c+ W9 S" j
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M. L& N. t( Z0 [) _
| | ├──28-Python_类对象_内置方法 .mp4 29.17M, c1 i% H. W: F6 Z
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M* a+ S7 \- B$ F, {/ `
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M8 I2 `4 p& `1 ~1 I
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M+ d* X$ W# r/ h. y: w
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
8 h( T, s6 m; p' A; u# ?! z| | ├──4-Python_控制语句_while循环 .mp4 25.02M# O- C6 Z' v) T
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
* M4 _8 Z" ^7 M7 L! _* G0 G| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M+ G. T9 s- i5 z: {) A2 Z- ]0 Q
| | ├──7-Python_控制语句_break_continue .mp4 25.23M, a! l* c! V0 h2 u1 G4 j( b/ w
| | ├──8-Python_切片操作 .mp4 40.20M' h) f7 d D$ e1 c2 Q- b
| | └──9-Python_数据类型 .mp4 25.38M4 v- ]5 }: f6 _+ k
├──20--深度学习-NLP自然语言处理项目实战
( Z. e6 n; K" L& W/ ~+ S' |4 ~| ├──1--词向量
7 t2 w% f7 p S| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
& @) ^- _- f: p- x3 _: N0 O5 X| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
- @$ A! e$ p. c| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
) l5 s L" Z$ I& Y| | ├──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* w! s& _: K A' ~( g. O" E: e! |
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M6 I7 i1 K w3 R/ t. |7 Z! I* U
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
+ \8 Y& g' Q7 V' X- U| ├──2--自然语言处理--情感分析
! T# J+ m( K% \9 q/ V7 I3 x5 X| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
e6 {5 M7 ~) g0 X| | ├──2-数据预处理_01 .mp4 79.65M I9 J* i8 K+ N, K1 P# ]
| | ├──3-数据预处理_02 .mp4 45.68M
* g1 t8 d3 ^; p6 X% |1 n' z| | ├──4-代码讲解_01 .mp4 52.29M
: Q& T3 k1 E8 J |. Z. g| | ├──5-代码讲解_02 .mp4 60.85M
" I% T: m) q# \. S) F4 B. \| | ├──6-代码讲解_03 .mp4 53.89M$ n, T8 l7 ^* W/ Z
| | ├──7-代码讲解_04 .mp4 57.19M* b% N! B1 {1 n1 i. ?, F; A+ z
| | └──8-代码讲解_05 .mp4 35.88M
# `6 _4 o" ]6 |2 |" L- {4 K| ├──3--AI写唐诗 1 \; r3 @ [3 W2 I; a
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M; K0 W# W6 o$ M
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
0 ^% R+ ?! h8 L, B* `) Z2 }0 Z0 t| | ├──3-MultiRNNCell单元 .mp4 38.93M. P& z* m6 i5 q0 l5 ], e5 C! `
| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M0 b7 P2 o# d& k8 W; a
| | ├──5-AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码 .mp4 61.73M$ P; Y1 @0 o+ {
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
# l/ @; `# }- f! Q6 {& K. ]| ├──4--Seq2Seq聊天机器人
# o* h1 u( `1 S3 `. c4 W| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
$ k1 s7 E4 v, }" ?| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M, o6 p# E# b/ M" S
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
8 s- X" N3 ^! U6 O7 F| ├──5--实战NER命名实体识别项目 $ j, x* ~1 ~( ^
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M9 m6 G( W+ u" y* m. o
| | ├──2-介绍了代码目录结构 .mp4 23.44M
0 o2 I- h6 l: L1 j8 [( g2 E| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
p8 p% r: ?0 p1 y# t, o$ Y: s| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
+ O: f+ Z- e( Q+ J4 M3 G| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
]7 ` @! E* y2 Z% k5 W5 C| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M# O- P0 F m% Y' ] b
| | ├──7-CRF中的特征函数们 .mp4 125.97M
# X- C) K' w0 v| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M2 s" y6 A8 }3 f8 S' m( v* p
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
# z# a! @; U2 E6 o* i0 S| ├──6--BERT新浪新闻10分类项目
+ ~6 x0 n+ n* b% I" ]# ?| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M2 `1 Q Y- W) o6 [7 w; y. @
| └──7--GPT2聊天机器人 : ?- j( V. ?+ F4 w! a+ R
| | └──1-GPT2闲聊机器人 .mp4 62.28M1 @# s' W* c5 d! H0 E# d- N, @
├──21--深度学习-OCR文本识别
- K, {4 i" Y, u& V9 X| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
3 i; V0 ^ F+ b# t| ├──10-CRNN项目代码剖析 .mp4 306.48M
1 a' H- `0 c, `! w| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
& W& b! i& a1 e- V! ^| ├──3-OCR识别的CTC损失思想 .mp4 327.69M1 L% B, g( |" m! d: m
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
, F" [1 i$ w0 q! I| ├──5-CTC损失函数的理解 .mp4 330.64M. \/ X& W9 j7 [8 h2 d+ d9 k
| ├──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
2 S0 c* o9 c5 Y/ X9 J| ├──7-CTC前向后向算法代码 .mp4 225.41M
, J5 K' H. g* B' N4 N| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
' {5 j; [ ?0 `. n9 g6 h| └──9-CPTN项目代码剖析 .mp4 491.69M
( @6 @, ^1 R( u+ `. ]% u├──24--【加课】Pytorch项目实战
( N5 l$ K; _# W) d9 n# F| ├──1--PyTorch运行环境安装_运行环境测试 # E( l x% n1 Z$ d- y8 h
| | ├──1-PyTorch概述 .mp4 29.29M& b! d1 N) S# }' u$ K0 Q8 ]
| | ├──2-PyTorch的安装 .mp4 76.45M
5 v! s1 U4 c* G| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M& }3 _9 Z5 A8 L& S' D
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
$ a( P! ~0 Z6 B7 X* ^1 H. J) P% u| ├──2--PyTorch基础_Tensor张量运算 8 y$ {+ s$ O5 V' ]* y" {
| | ├──1-Tensor的创建 .mp4 55.14M
4 q5 F7 C9 ]6 k5 S| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
" H3 N* e3 s& [8 T4 c| | ├──3-广播机制_逐元素操作 .mp4 44.46M0 M8 V0 E" t" }/ _: c1 E1 g
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
6 N# E4 {3 j+ [ ]| ├──3--PyTorch卷积神经网络_实战CIFAR10
& @* ?' g0 N% W! P8 c/ i5 t: J| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M; F% q5 s# s3 X2 {5 I" U9 P! Z
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M1 ?5 y9 W8 [4 D
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
' T( d6 _) c5 Q9 h! m| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
) ]$ t- P" }# p' X: S: E8 g| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M. c: r0 }' o- @: t5 A( h
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M; ^4 U2 n/ ]) r" F
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
# _* @% v' z( c6 s3 m- O- D1 y| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
- E* y* n, V) |* F8 a* ~8 b| | ├──8-torchvision里面的预训练模型 .mp4 29.84M5 Z9 u+ H9 Q0 a0 y2 t5 K
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
* j) a$ i5 M8 C| ├──4--PyTorch循环神经网络_词性标注
! f# F: S' h+ m2 S6 n; g5 K| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
1 `: v1 Q5 b) B6 l( a3 ~9 a# d9 F3 a| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
. `4 e7 c* Z, K: C| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M; r7 _# o. n4 Y/ J X
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
& l/ A \$ n$ t [5 E0 i! }| └──5--PyTorch编码器解码器_机器翻译
! K6 O6 ^! C! z" k3 e| | ├──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
% W1 z( ]/ ?# j {1 E| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M7 o t- {6 h& k6 s: {8 J( j
| | ├──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& ?- z( K7 F' D$ O/ ?6 f/ h
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M8 x1 ?3 z* t" s9 n: j
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
% T: A- e! E- k, `- A| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
; f \; J# f; ?/ _7 K+ s6 g0 A| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
) h3 S6 N6 K* C8 B0 z| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
h6 n! P1 N: D- Y+ p├──25--【加课】百度飞桨PaddlePaddle实战【新增】
( ^/ T2 K9 G8 r# n) j; ~ B| ├──1--PaddlePaddle框架安装_波士顿房价预测 # l0 k0 i! x: J f" p: F
| | ├──1-安装PaddlePaddle .mp4 87.34M
8 o' c( k( m: ` u f- Q| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M0 u0 z+ i7 h, j9 g$ l0 P) R
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
$ p! E: P' q: v, |) O; L+ ^| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
' j0 t0 {7 U( M| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M* Y" g/ O, ]5 D$ @8 |+ c
| ├──2--PaddlePaddle卷积网络_病理性近视识别 ' _3 q5 B* |+ m6 F/ F
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M5 E8 T7 e- }( A1 `, p) }: k' q
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
1 H. j4 {5 d" g, O| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M7 K8 I" n3 ?. U7 F) N7 ]6 ?
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M5 c9 e& s; K' B7 g) }
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 1 A* L/ e" v$ P$ g7 Q& M3 f
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M/ x9 S8 v- ~7 C$ q! J2 M
| | ├──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
/ P5 J" ~* R; N7 v1 E| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M4 ^. M4 @- P9 ?- ^
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M# { U. I4 x6 i7 Z
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
5 w# [- x$ Q1 H6 F9 w+ ]5 @- ^| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M9 f0 T" C1 A8 a8 r0 T. `
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
( m) n! ~7 j) x1 K& p" h: M8 ~/ [| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) - }1 @7 ~' f* O1 M7 u/ V5 [, H% S
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
' F* g/ {, a1 X2 } || | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
P0 M0 j, i! V' r" K$ P" e; b1 h. q| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M( d! ]" T3 P# C% S. E7 c
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M6 D! N' P/ o, X3 K. \3 S. ~5 Y
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
+ A4 R0 I: d9 Q7 c0 Q0 O| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M- F) P; Q; ] R" G v4 P! Y- y! F
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
8 f7 v2 U" N0 M3 O& [+ p1 `+ U0 C- N| | ├──1-PaddleNLP_项目配置 .mp4 49.37M% Y# y/ y8 l% E; J+ G
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M7 L% E* D6 X: M$ \
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
& i/ H) d) ]% @0 ~ P1 v1 w| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M Q1 Z; g) D+ h, }
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
7 a% W s# d% t) D5 `; J| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M+ z$ R; d+ i4 \& o: |4 l
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M' d0 \; n! \+ v; z; e
| | └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4 80.58M# M& d' d' m/ U9 _9 ]; K
| └──6--PaddleNLP模块_物流信息提取（ERNIE版） 7 D+ D4 n0 Q" u% R0 S
| | ├──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 y) h# \% m7 b| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M, \! ^. S8 ]- `6 K, F2 k$ z
| | ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4 47.78M) |2 L( A/ ]2 t
| | └──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
9 i X7 M0 j* s: u* v% S) p, P├──26--【加课】Linux 环境编程基础
' T8 Q% j* c: Z* C: g3 `; H6 {| └──1--Linux 6 g0 D0 x8 b/ h! G3 d
| | ├──1-Linux_课程介绍 .mp4 3.72M
}+ F% a% B' x3 b! c* U$ S| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
7 @( n& _! B( \| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
; A+ v* t% U+ f+ |) o N+ n6 B| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M I7 I' t1 a% G! _4 K, D
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M/ J" N9 s4 ^! z3 ?" l$ X5 j# d1 Y
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
8 x! s& P; Q, `! E6 E0 }$ z| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
! t q* e& v+ i9 k7 l| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
+ s: z$ x/ Y' P' M| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
7 a. ? Y5 U- K% v| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
+ M# ^- f9 i/ s' n; S, \* S& K| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
6 o6 }$ W6 b/ ]/ O| | ├──2-Linux_Linux简介 .mp4 17.59M; K) t d' D1 u$ M# q" [
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M' B z. h, N. Y% V8 s/ A. q
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M: \' n* h# @9 W8 b6 ~5 p8 v) c# G
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M$ n8 h1 H8 j9 J3 y
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M; B- a, h! J c: C3 B
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
( E9 ~6 X. _+ t+ G% h| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
9 b+ f2 ?2 e2 j4 I" K, Q| | ├──26-Linux_安装MySQL .mp4 79.02M: r0 a# ^5 b- Y2 F# [' E, a
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
3 j, }4 E0 ?# n% m. i, Z! d4 }| | ├──4-Linux_安装Linux .mp4 41.97M V7 W/ i; T( g* D- \) h0 q
| | ├──5-Linux_目录介绍 .mp4 20.31M e9 d R3 z; _( O/ T
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
5 i7 |5 r [! v2 v4 v) I! I| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M0 M: k. n: X0 S- r
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
8 m1 `' W- X0 X# w| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
( F4 D# i! V. J. s1 K0 b├──27--【加课】算法与数据结构
" p" ~: r) Z6 a8 g- m: C2 F* _| └──1--算法与数据结构 ( R( q6 E+ A( R d8 b
| | ├──1-数据结构与算法简介 .mp4 35.68M
1 ^) j% I$ v2 ?8 L! j6 d/ o/ y| | ├──10-哈希表的基本结构 .mp4 54.34M9 x% i' P% x& i' E! o5 z0 W
| | ├──11-哈希表冲突问题 .mp4 75.92M: [% x5 m+ l4 p. U4 H6 `% P6 a! l
| | ├──12-哈希表冲突问题2 .mp4 72.30M
; x1 Q u4 H% m( X| | ├──13-哈希扩容 .mp4 111.03M$ T+ n; g! e# p& n x* L6 T! i
| | ├──14-递归与栈 .mp4 50.77M, ]* D4 D! r" g' `' ]
| | ├──15-线性查找 .mp4 57.80M
9 H" k) F, A, ]' ` z: m5 O| | ├──16-二分查找 .mp4 52.32M
$ d- i3 Y* O/ N* R: G| | ├──17-冒泡排序 .mp4 53.19M5 u( b M. Q- K+ E
| | ├──18-选择排序 .mp4 43.29M
6 u7 C' |& g/ n+ T5 `) w- N0 W6 a9 ?| | ├──19-插入排序 .mp4 31.39M# {- {$ y2 \( ]$ b4 Q R
| | ├──2-大O表示法 .mp4 25.59M
& u0 U; t$ O7 l* a) w. T! D| | ├──20-归并排序 .mp4 84.48M; Q% E1 y" }5 ?+ e
| | ├──21-快速排序 .mp4 36.63M
; Y c: {9 G5 G, c: h! U| | ├──22-树结构 .mp4 96.85M
# W2 b% Z3 s& O7 L| | ├──23-树结构的遍历 .mp4 61.05M* n3 v% x. c/ ], ]) W; X* g
| | ├──24-最大堆的增加操作 .mp4 45.43M
* J/ D0 ^' F. N! Y' b8 I| | ├──25-最大堆的删除操作 .mp4 45.63M
* g+ P: |5 ^' t9 y| | ├──26-二叉树的查找 .mp4 100.24M
+ S q" l" H; i5 k| | ├──27-二叉树获取最小值 .mp4 25.21M+ y3 R3 t9 u6 ?" v% v3 T, U1 \
| | ├──28-二叉树的添加 .mp4 72.66M# m4 T3 z- l) H6 e9 X- P
| | ├──29-二叉树的删除 .mp4 120.06M9 x) e' z# ~ W* Q u
| | ├──3-线性结构 .mp4 53.14M
\) E3 z" z4 y" r/ ~" {* W6 F| | ├──4-单线链表1 .mp4 68.36M' G- l1 v9 |9 b2 T$ N4 K
| | ├──5-单链表2 .mp4 221.69M5 z2 l% g7 T5 J; x, Q, J
| | ├──6-双链表 .mp4 103.57M
# R' s* O( T* d3 |. y' a O5 F| | ├──7-队列(链式) .mp4 74.12M3 E6 [1 q1 D; w! {2 W& |
| | ├──8-队列(线式) .mp4 30.99M3 t9 u: @/ i# J, e; H7 y9 A0 \
| | └──9-栈与双端队列 .mp4 28.12M0 B: q- o" M4 [: f
├──3--人工智能基础-Python科学计算和可视化 1 P* t1 Z G3 S# R: L4 W
| ├──1--科学计算模型Numpy 2 j1 O7 D8 q. y- E( y
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
" w5 k- Y2 ] V! ]/ N1 b. n8 f" G| | ├──2-Numpy_array_arange .mp4 35.45M3 R' t; T- ^$ f/ E2 }- d( O/ c# n
| | ├──3-Numpy_random随机数生成 .mp4 50.54M
3 q" w7 I }1 b$ Y9 e# f| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M: d, d+ N7 o. R w, N2 q8 y, x
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
) x H- b( R# S( h) q$ f- d$ a- V| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
+ j+ t$ v+ z2 {4 J| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M$ u. f; q) w% S0 V5 j( B
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
. ~+ {5 @- m- V- }' A1 x. k, s% E| | └──9-Numpy_聚合函数 .mp4 23.68M
, j+ H: a% l+ P& b) f. a" u| ├──2--数据可视化模块 1 G1 e# k: {( G$ T
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
+ \- O4 u1 u' n# r| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
9 O$ v; W) p8 u7 \| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M R7 ^7 v2 V9 a, `
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M; J6 g" T" b+ q( h; E4 T2 n% i
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M- s/ P; n7 L. F$ Y9 [- L9 \
| └──3--数据处理分析模块Pandas 8 z) K# a, u( Y; W
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
! P5 c) s+ Q p8 h| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M3 {, T1 L# s/ f |$ v1 f
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
8 N! H! R7 d. I: r" X| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
1 Y1 @' U) \, A2 h m- K| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
7 \% Q z2 p! Q9 W| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
6 O# K' ^: T; k- @| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M: t& M' B" U+ E; a$ x$ @0 d; o) K
├──31--【加课】 强化学习【新增】 . T1 C7 Q% s2 N. Q9 P
| ├──1--Q-Learning与SARSA算法
4 [ c0 I w- N% @2 V0 {/ l| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M) R; P1 M0 S8 g+ ]0 M
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M+ Q( I8 C; @' R( [
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
- T) x7 {8 L7 @4 u w| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M, M+ ]" O" n ^( H3 F
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M! E6 `7 h: k$ c# ?) n
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M6 d( O' D+ e" O/ Q
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M( O# f! v! l4 V. g5 Q
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
1 W( g4 Z! _# S/ V1 c0 b/ b| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M2 j; c! v A& f. p' W4 {
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M2 E( C2 C, t% G: D7 H9 g
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M+ m% F! ?. h- f
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M( q9 p9 A9 a* R
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
- K6 B$ j. ]8 u/ J4 ^| ├──2--Deep Q-Learning Network
s0 O1 s$ j) p' I; a1 {| | ├──1-DQN算法思想 .mp4 59.24M
7 K9 j! _2 Z# q' l| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
4 d6 L0 |. |5 T! }7 Y| | ├──11-DoubleDQN代码实战 .mp4 44.49M
. D% F: W4 C3 ?1 Z7 ?0 R| | ├──12-DuelingDQN .mp4 88.12M
R/ y8 v4 y5 r# I+ O9 ?| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M5 }5 s7 d6 _# w0 t* \- X
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
- a9 s0 @* O3 b+ G: T* l| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M# h. G8 g- @% W, v5 t' V
| | ├──2-DQN算法具体流程 .mp4 56.17M: |3 ]; r4 P/ W8 @& L
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
, f% Q n# t8 e: V| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
# V, k/ o7 j+ L+ A; L* a| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M" {6 _9 i; v' {2 K
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M% D) K( p6 y0 R& i' ^& N
| | ├──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
5 H& L; v1 C3 V9 m9 ?4 `| | ├──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$ l- m8 O0 y! W- d6 n. l5 e
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M3 M: }8 k9 F- L( y# z
| ├──3--Policy Gradient 策略梯度 4 @0 u9 @/ @/ i; ~; N4 [$ C3 N
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
" G! T5 X- t8 T# K* [| | ├──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 C, o% V8 Z
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
$ p ^" s/ f1 C D3 j, A| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M. q$ m0 y/ i2 M9 ]' t+ W
| | ├──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
) d. U# k z" D| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
z8 g3 V p2 q8 N" W| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
( t4 W4 u- P6 k h5 I5 r5 a7 S! O9 V7 J| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
& X" U, @ _2 h* j| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
- Y6 B# H) ~, _( F# c. A! H| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M# X- z+ y% C z3 i6 Y( }9 D1 g
| ├──4--Actor Critic (A3C)
, O0 t+ H6 a2 X$ o, y, Y3 Q| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
" Y% f% Q0 E( q| | ├──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
& J9 y9 _, d/ U6 T4 g| | ├──11-代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑 .mp4 40.24M0 r$ n& E) H2 d+ e" w
| | ├──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, p, c. @; L5 U9 D+ R
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M8 |" `: q N* z0 w. q' k
| | ├──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
; ^7 A) ]) d5 M& q1 k| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
) Z4 Y/ o! q* f) @. L' @3 v# c| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M3 {5 r) ]% ^: Q+ C; v
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M5 u3 e2 S4 ^0 o" x* `
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
8 D1 s) P5 |6 P* P| | ├──6-A3C架构和训练流程 .mp4 74.66M% ^! z0 H* F& ~' u
| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M
7 i3 i; e6 q& Q8 m; i& {, || | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
, o9 g$ W$ b- D) I9 u: _5 ?0 M, K| | └──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
# n: x+ v7 ]4 {) M; \ e0 G| └──5--DDPG、PPO、DPPO算法
6 V9 |& H+ Z. O9 r7 k* t: Q$ o- K! v7 s& e| | ├──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$ W# {/ f* M, c& C; M4 G
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M" b% P& m8 e! V4 x6 }
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M$ p- x' l, |* n# P
| | ├──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$ Z+ o6 J2 e
| | ├──13-DPPO分布式PPO .mp4 63.81M
: z& }( o, i8 m' f: p4 i$ h| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M$ j9 g# R J, w
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
- M: |( L2 H8 S N| | ├──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$ { P2 R K) ]" s6 m" Q$ r" q
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
0 p7 _ |; b' p8 f5 G- d| | ├──4-代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示 .mp4 44.17M
) X$ ^& r% u0 v# ?| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
* q6 w' H8 |% m5 s; c. r| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
! n6 V; u+ Y2 O4 b| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M5 E6 j( Y! N/ y: ?
| | ├──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+ B4 t# ]) a, x& s' m" ~( B
| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M2 G& a6 _% [* ^3 u& d' b
├──4--人工智能基础-高等数学知识强化 , k# O. l6 \; C* c0 B3 @$ s7 G1 a
| ├──1--数学内容概述
8 g v M/ r5 K# j+ u- }| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
8 O+ U: Y% S/ o! s( ^, r+ D( Q| | ├──2-线性代数_概率论知识点 .mp4 26.81M
4 Q) l6 g2 ^% F| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
9 v4 I) b, o5 p$ W H| ├──2--一元函数微分学
; B, c( V, u( b0 S& s& e9 C' x| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
2 d2 o( p- K* N* o9 d& C| | ├──2-导数的几何意义和物理意义 .mp4 14.49M6 o$ B, T% N( ?* ^7 g
| | ├──3-常见函数的求导公式 .mp4 22.76M
2 ^% ~. Y/ n: G' u! t2 [| | ├──4-导数求解的四则运算法则 .mp4 26.52M$ N& K# D$ p" r' N( S* T
| | ├──5-复合函数求导法则 .mp4 19.68M
& E/ M$ o9 f. D( _. k| | ├──6-推导激活函数的导函数 .mp4 33.40M
: U: M0 B" X( I- K3 G| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M1 X; ?/ G8 M8 a \; t
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
# |4 b4 C; l9 j: ~( L& d( R& h| ├──3--线性代数基础
! |7 w1 J3 G4 E4 ^2 x" o| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
% A" p4 s4 ~9 F B' F# H$ b/ @# v5 I1 o| | ├──10-矩阵的逆矩阵 .mp4 38.54M
# [1 k* h( h! G9 |4 x$ A| | ├──11-矩阵的行列式 .mp4 20.13M
# a' v- ]0 S& \( s: h" b. {| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
* k% D3 A, [# R| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
/ I# T, Z- W! W" w+ j! `3 f| | ├──4-学习向量计算的用途举例 .mp4 20.32M
$ _/ S) c: _/ L5 F6 L6 s| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
, @; j- k5 t: `4 q4 `' [1 E) X| | ├──6-特殊的向量 .mp4 26.45M
4 P3 d- j5 h- k; c) z( s; i9 N. j+ I| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
+ w4 c% ^) H P+ S, L: t6 c4 o| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
; {$ R/ H4 G# r( q) t! }0 e+ b* ~. F| | └──9-矩阵相乘 .mp4 20.02M
, o7 O2 H) ?6 S* R: J2 C( B0 p! T| ├──4--多元函数微分学 ! L0 d% H( g- H2 }! {% Y0 s3 g" i2 k4 E) `
| | ├──1-多元函数求偏导 .mp4 22.61M _. W6 P- v! h
| | ├──2-高阶偏导数_梯度 .mp4 27.15M
/ }, l: \! H$ M2 O, R: D! L| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M n0 ?9 m* ~- ]# R
| | └──4-Hessian矩阵 .mp4 32.93M+ Q4 Y! U- ^6 }8 N( X! c9 }
| ├──5--线性代数高级
" E6 y) s6 V$ `+ N& z| | ├──1-二次型 .mp4 27.70M
/ P& i" y1 ^& a3 v B| | ├──10-SVD用于PCA降维 .mp4 24.90M. a$ E; e& q) ]3 n* W" b
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
( n, K9 M3 ^: ~: y8 i" s| | ├──2-补充关于正定负定的理解 .mp4 23.48M& |$ o/ s! J" x a+ o# M- O7 ~# x: ?
| | ├──3-特征值和特征向量(1) .mp4 29.83M4 K$ w* w9 g; v0 h
| | ├──4-特征值和特征向量(2) .mp4 30.07M
* z* z$ ^; S4 X; s| | ├──5-特征值分解 .mp4 38.68M& V+ U/ s' N0 i6 N
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
" l: h, y% Q* [| | ├──7-奇异值分解定义 .mp4 22.58M
: B* y: I% b& A0 r* v: J| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
9 D3 A' [5 f+ m2 @, R5 x| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M+ M2 ?6 ~1 L; ^2 E9 p" z
| ├──6--概率论
8 D' `7 S' q# H) g8 y) {% s| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M: }" w' \ B2 J$ M2 ~+ c9 s
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
9 c( y" W* @3 `* ^( N5 U| | ├──3-随机变量 .mp4 22.57M
6 `/ [, d, x3 U4 O0 X| | ├──4-数学期望和方差 .mp4 22.96M
/ R1 e+ N9 } i& j| | ├──5-常用随机变量服从的分布 .mp4 22.48M
* t0 V ~, V8 F3 j| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
; D0 x( j! P! i( G| | └──7-最大似然估计思想 .mp4 23.42M3 E( X/ u( ? ^& T7 W1 P l
| └──7--最优化
4 ^2 q! f. l* r| | ├──1-最优化的基本概念 .mp4 35.14M) ~3 l2 v R, k6 B. T$ Y
| | ├──10-拉格朗日函数 .mp4 27.46M5 {4 J! _% B1 S8 ?4 n6 F- |2 I+ g
| | ├──2-迭代求解的原因 .mp4 20.15M! K* P' ^0 q3 \6 t0 b; w0 a
| | ├──3-梯度下降法思路 .mp4 26.33M, n/ C, S4 y, h* O% H6 r* t
| | ├──4-梯度下降法的推导 .mp4 43.56M$ V) a/ E- D# X; P& p
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
* @" t6 m) ]; A& u2 R7 j| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
6 n! a! z" Y6 y5 k& B; p) `2 s' A| | ├──7-凸集 .mp4 21.90M% P6 d5 L# n5 ~4 b+ o# D
| | ├──8-凸函数 .mp4 16.93M& x9 v& d3 k4 g
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M, K) O7 Y5 B k
├──5--机器学习-线性回归
3 {: Y R+ ^' n0 _* o# D3 z| ├──1--多元线性回归
3 Y$ @ a3 m; A1 q9 Q" c| | ├──1-理解简单线性回归 .mp4 51.11M
* W9 m! C1 M9 B- i| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M2 [5 x* {! L4 l! P
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M) s& g7 ^6 U0 l6 f
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M" I5 { E4 D/ {2 o
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M5 J' Y8 l0 S, a9 O- t+ s; c
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
; p! x/ c' f- x1 a4 I& D| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
: x+ P# x, F$ M| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M/ U3 Q# f( v: U* y* h5 K: Z* K
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
- @9 B2 W& ~5 D) ]| | ├──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- t2 S& w* T: t| | ├──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
7 \/ P p9 n, S- N# ~| | ├──2-最优解_损失函数_MSE .mp4 39.58M+ t8 {- U- ~) x- O) B. Z; B j
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
: s j2 `6 j; Y, @6 J( F| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
# l5 I0 c9 ^/ R4 e* j| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M/ F$ t+ p% g2 I5 ]" d
| | ├──3-扩展到多元线性回归 .mp4 32.15M
! Z; k: b; a# P| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
& d0 I& b5 @1 v3 \- [| | ├──5-理解维度这个概念 .mp4 41.41M
' [ W9 B* }. E- J: C2 M5 B| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M( U+ V6 x {- L, l/ d& N, }
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M0 A1 n, }3 o9 p( h8 ~
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M8 b6 \# F6 l- c6 v$ p! m
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
$ m4 f# i0 x) n| ├──2--梯度下降法 " b) L( e1 O2 V* Y1 O- ~4 Z
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
8 K& N& D! ~9 b- V' X& L| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M- p* `4 Z- l1 A3 r/ x
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
4 T; l$ ~9 z2 m# o; x& n! L| | ├──12-代码实现随机梯度下降 .mp4 26.67M/ c/ c: t, j! g, P& N
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
' H3 R D1 t& c4 {6 F0 E| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
4 d/ m, H8 S' s: j| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M: h3 w6 A1 u" x! H
| | ├──2-梯度下降法公式 .mp4 57.12M3 p7 o- o0 Q4 h0 c% O: z
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M# [7 z3 B: f$ W9 n
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M, ]! |$ j! G9 R, v7 |+ l
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M$ J5 _: j9 W% ?2 y# ^# _% L* `- P
| | ├──6-全量梯度下降 .mp4 62.84M& e1 D; |' R+ z' e. f
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M+ _& x% v$ R' [+ x4 |( O+ i
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M) k0 s5 h" ?$ o& u
| | └──9-轮次和批次 .mp4 45.22M
# J$ I+ S& z3 g2 r| ├──3--归一化 # q+ A9 t6 z, O, h. [. W9 c
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
- v7 q" v1 l+ Q% r| | ├──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 34.11M6 d' ^: n1 J6 f5 y3 ?9 x& U' q. q
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M4 i! D: \5 W% i7 E$ ?; E
| | ├──4-最大值最小值归一化 .mp4 24.87M
; h+ |1 i a& t$ }4 g| | ├──5-标准归一化 .mp4 51.86M
* M% @' o( h+ c( E( d* N| | └──6-代码完成标准归一化 .mp4 41.13M. F. o; K, z4 q; g4 \& b
| ├──4--正则化 ' @* v' v- ~# c7 v. A+ U
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
+ u, f9 `, w5 i$ C| | ├──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" N- H* D8 q' [& M
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M$ Z) y. }- V# ^- r2 C1 L
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M. t, f' y; h5 |! N" I1 R
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M1 u3 f* F5 {+ R- ]! @* e) U: B
| └──5--Lasso回归_Ridge回归_多项式回归
: w3 H9 ]$ y+ Q" H* V| | ├──1-代码调用Ridge岭回归 .mp4 76.32M9 b; I4 s( T: \4 P
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
$ I0 ~0 T( A3 T( U" q| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
9 v! W: ^1 h$ G3 i" y| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M. @0 m7 m' ^1 g
| | ├──2-代码调用Lasso回归 .mp4 28.73M
2 }: K9 o! I3 O) ]| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
. R, m: S: g! [, l' c: C E- u| | ├──4-升维的意义_多项式回归 .mp4 48.06M
9 t1 Y0 t; u& z7 p/ v& b| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M1 x5 a; a, Z% S# O
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M$ d1 I: e# q1 n# o* A; B# h1 i
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
% r8 Y# X f" @1 G6 @ R8 ?| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M6 g) b6 a3 O. i" C, v" I1 z
| | └──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
( W3 M1 S8 D V" g' {) ]* z1 a├──6--机器学习-线性分类
4 x" y8 W, {) o% X7 J# X| ├──1--逻辑回归 ( v0 `0 V2 }8 `: s; f v* v
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
+ M* v7 f4 P0 V# A: n( || | ├──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
$ h! u8 s5 i& P/ e; V" {8 L| | ├──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& ?, y8 h! u5 G/ n; P6 f+ P" w! c
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M2 P& X$ a( N& \0 L) @
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M
- K* K' b9 Y v0 u% c| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M2 X7 X0 G/ @3 C8 o1 h
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
3 X$ T; m4 b) p( J+ a| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M8 q! \ k) h7 e" F9 _. [: j
| | ├──2-sigmoid函数作用 .mp4 38.15M
+ ~! d; U w4 F! D% n5 s| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M6 [: G+ Z8 D6 i: K1 X9 }; e
| | ├──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. D- @7 ^8 a" C
| | ├──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
& R0 A$ b/ y8 r v* J, L| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M# Z, A' x2 w' [& |
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M0 i6 [, L6 d" w: |. f6 q6 `1 H+ P0 d
| | ├──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 56.56M3 g: a7 P M! y3 i) v) l. h
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M5 n. b( f- \$ `" g" f' p
| ├──2--Softmax回归 * h2 ]' b, w% y; D; [0 r" p
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
7 O: u+ H6 w1 H) X9 @8 b| | ├──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+ G' q$ P) R: x+ u) b0 Q
| | ├──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
' w' p! ^( Y* _0 k| | ├──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
& ?+ s# m, `4 o7 d/ |/ D| | ├──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
6 @" I) A4 Z0 c* V| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M1 d9 J8 M! s+ k1 o# a
| | ├──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 33.42M8 W9 X) ]. r! g4 ]3 z
| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M
" P/ P' E Y+ B" f8 e# M4 M| | ├──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
3 U' `0 g* q8 Z7 X3 v. Y/ c| | ├──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; q; O* ?) _7 m. w& p7 ~8 F
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
, m1 l* @/ T! |' n4 h* g" f: u D| | ├──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
( E; x- N K1 {+ ?| | └──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
; v5 p3 X1 n1 t, Y| ├──3--SVM支持向量机算法
# t2 ?) z% o. || | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
+ W \, Q) @. m# d- \| | ├──2-SVM的思想 .mp4 55.56M) r+ a2 D9 X' m7 C5 C- P( y" Z
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M- g0 G7 B+ b T/ L
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M R; n( {! x7 [3 @7 U' }. `" ?) t
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
# n# v8 R2 _, N1 V# n| | ├──6-总结硬间隔SVM .mp4 39.01M# i& ]7 w1 [- v/ V$ T$ L5 _
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M8 u/ P8 z; D1 r% R6 D( z/ [& c
| | ├──8-非线性SVM .mp4 54.43M
9 q# P7 o$ b. f( n* r, C! c| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M7 K* g$ x6 w: o& Z; G
| └──4--SMO优化算法 9 ~! }. k* s( }5 V
| | ├──1-SVM算法流程总结 .mp4 58.36M+ u: D+ o/ J0 I7 J2 v
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M$ u) K( K8 `/ Z- f
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M3 }9 s& F' Y% }; S
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M9 H8 n A" g) Z; L+ N& }
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
3 K, }0 x' N) j" x6 H! {+ b c8 X0 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
: M- X# K& @* X| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M$ X) n2 N* A% k& ~
| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M
7 U- O! V& S7 H| | ├──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
1 p7 h. ~' r# V" D7 o. F2 L| | ├──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
7 p$ a% I0 E6 y, o( z4 ?5 h| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M8 @. d# P" D% `4 n `' N
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M, M6 G* y! F5 |: o0 T; c
| | ├──7-启发式选择两个α .mp4 23.11M
# ?( g- x& T( T5 b# n| | ├──8-如何计算阈值b .mp4 50.18M
* c2 |" r! k* v2 V1 ~4 | `$ B| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M! n: Y) k3 w7 ~1 b) j$ G. [; N
├──7--机器学习-无监督学习 $ c1 M% D" w) u! l) G" @& u
| ├──1--聚类系列算法 8 V$ o* E0 V. } z3 M+ }: w" X# K
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M4 j/ M$ `0 m2 k/ @
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M" M$ y! K/ U }* [) k5 N) \9 i
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M: S* f. n2 m6 N& v6 t
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M5 y0 }4 `- }' T7 i+ T7 y, p, ?
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M& S8 O6 F- |+ m$ B _3 l) I" p
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M4 i1 F% {( T( s, l4 o
| ├──2--EM算法和GMM高斯混合模型
" z+ q8 _+ c; K* B( f& M9 m7 \| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
a# q7 }' H. s: z| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
. c' ?# W) t1 E% Z+ t| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
7 b' ?0 O' p& i9 s- @) C1 h| | ├──4-Jensen不等式的应用 .mp4 109.17M- \2 u) z+ a. Y3 U
| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M
7 x3 f& e. Q$ ^2 k, y0 B1 s. D4 B| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M9 k9 r# ?% }6 q& \& k
| | ├──7-GMM前景背景分离 .mp4 16.01M
2 q/ J. \1 }& B8 X' i0 Y0 m| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M" T, d+ l9 f r
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M) h6 Z4 u* |! j
| └──3--PCA降维算法
7 u2 x' G) a5 _, Q' ?7 r4 Z9 ^ F- U| | ├──1-特征选择与特征映射 .mp4 49.38M
$ d) h, c' l9 _% G8 O| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
" j7 ]- q. B' j: A6 h+ n| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
: ]. Z( L- E3 L8 F| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
$ {# S' j7 w# {! d" m/ X; P| | └──5-PCA的几种应用 .mp4 54.58M
- o8 [2 n' m2 J' n( @# r( f├──8--机器学习-决策树系列
/ N2 h" U5 H# n/ ~) d! T| ├──1--决策树
# h; B9 i3 g, r U4 P| | ├──1-决策树模型的特点 .mp4 74.88M3 i/ j$ ]' y; c; P6 K
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
. E8 B; D9 _- F; Q6 e: c# \. T! _| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M1 Z6 P$ t7 k% A {& u9 A2 |5 s
| | ├──12-后剪枝的意义 .mp4 50.49M3 M6 N% g5 M( R; ~
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
2 q9 N. I$ j0 g# ]; _- `| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
' n5 r I6 ?+ J! E% v# B| | ├──2-决策树的数学表达 .mp4 89.94M4 H( I& E& _7 }' ? H) \
| | ├──3-如何构建一颗决策树 .mp4 84.87M' w+ y( J/ ]2 X/ v7 O: }8 U& b
| | ├──4-什么是更好的一次划分 .mp4 57.02M
8 r' G5 D/ R/ T9 ~9 n( f3 d9 L+ h| | ├──5-Gini系数 .mp4 107.54M. Z4 y* E; z2 u" j8 n( t6 U% C
| | ├──6-信息增益 .mp4 75.26M. F4 R j% ]& }2 n& r6 F0 f
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M/ G; T: k( {5 ]# S1 p, r
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M/ Y) l/ R' {, a" g. D# F& X
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
2 x$ J1 I L1 I- f( A9 b| ├──2--集成学习和随机森林 ) q, P& c+ A% r, E
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M8 d8 |" V2 ]& U3 ?1 F/ r
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M- [* @- z* m+ d% O7 k
| | ├──3-随机森林 .mp4 108.14M# y# j8 x, O4 H
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
9 x$ T! F7 m) Y) s7 x| | ├──5-OOB袋外数据 .mp4 106.07M0 y9 Q: s. j5 }( K9 K
| | ├──6-Adaboost算法思路 .mp4 106.30M6 q6 C! J5 Q! Y
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
R. H0 G: j/ f9 v) K/ n| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M3 B2 p; z/ k, f6 p; v, b5 x4 Y& J
| ├──3--GBDT 8 d6 b/ Z4 ^% G4 [5 p% d
| | ├──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# e* L5 n `$ _( \/ e7 ]
| | ├──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 72.09M0 d9 p9 m) N8 j
| | ├──11-GBDT多分类流程 .mp4 73.80M/ a. ^% |# V) x( X0 ?$ o+ [" B
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M! o1 ^4 r7 P) Z
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
5 I& O6 c& ]' e5 ?9 \8 c, ^| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
; K7 _4 b; a* f5 E| | ├──15-GBDT二分类举例详解 .mp4 86.67M) D, s. g& p0 G# [
| | ├──16-GBDT多分类举例详解 .mp4 91.71M7 L( G0 I9 m8 R/ z( H; F) y" t
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
4 X2 a7 [1 i# O: u; U9 A1 ]- L| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
( j# Z3 B% P Y4 N; A+ }| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M) O1 `1 S: C5 c. r0 {
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M" k% l; B: F) o: @ o. p2 Y
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M. C* e6 F: u8 Z& H0 X/ K
| | ├──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, h* u, W0 x* T" T0 `# y& ^
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M/ X2 a0 n( L$ n' r
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M& E* L2 p2 \9 C4 ?
| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M4 S" B6 m- i% S/ o O
| | ├──4-GBDT应用于回归问题 .mp4 84.66M9 r7 n; ~( q( Z8 p2 C7 u
| | ├──5-GBDT回归举例_总结 .mp4 108.52M# a H" u) x$ U/ b1 Y
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M8 ~$ P |5 m6 L
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
" ^( H! d. {0 e! {7 J& B, i| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M. x8 v- c$ S8 Z8 `: }; B$ L
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
" Z6 k, q( j9 y9 L* ]8 [& _| └──4--XGBoost : d. c5 t' E; g
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
0 X s3 k/ B% ~+ Q# m| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M' E( `* ]- q7 j
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M! q. d* N5 W5 V, `. |
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M N6 |8 d( [- Q8 P
| | ├──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
3 O4 m! l6 ^# m, Y0 I7 o| | ├──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
8 e3 J+ ?& K. }' z9 u( D| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M1 v) J" f1 i0 X: W+ S
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
' M6 l' I0 g1 {! B5 z; x: s| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
3 U+ p4 E; e1 @+ Y; J| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
1 |1 \( ~- ` O& f| | ├──3-基于树集成学习4个优点 .mp4 91.36M6 ]/ C3 m8 |2 G2 A9 k2 u
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
, b& [- R W% I% a9 a| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
, X; J$ E5 J) }- X5 B* i| | ├──6-Objective_vs_Heuristic .mp4 60.42M9 l( d" f C. o$ w5 Y* R
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M) K9 |* g' ~( M: k" ?" b
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M" u& u- e0 P6 l) i
| | └──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
! v E! V+ V6 J |5 b8 |├──9--机器学习-概率图模型 ' F7 ~( i: p! i. q# G+ g
| ├──1--贝叶斯分类 3 V* v) a6 p" j4 s3 ]
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M; Z* A$ Z7 J0 o2 g
| | ├──2-TF-IDF .mp4 53.08M4 p% o% O5 J: ]) e% b! n
| | ├──3-NB代码实现解析 .mp4 126.73M7 @9 t5 {$ x. {4 r+ O2 V
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M8 O" ] z$ @+ Y5 {# \
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
/ O/ ?: X7 `) r2 {6 F| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
$ O9 b( } A; R) g& E| ├──2--HMM算法
$ @* H# {' j i( Z* t) u1 d| | ├──1-HMM隐马的定义 .mp4 36.82M) t! n+ }. I% Y: h V/ _
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
+ ]$ c3 d& c t. R/ e% q| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
! c4 L/ B& k& M* M| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M4 ^* n/ N0 @2 q. }0 @$ A
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
0 l! @1 ~9 ^- a5 _2 E3 E| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
/ E( D# Q* [ X8 }| | ├──7-Viterbi算法案例详解 .mp4 107.12M; D2 l: H; x. G! s- Z! d W# j
| | └──8-Viterbi算法代码实现 .mp4 42.43M
. X- D. M+ v7 n9 {| └──3--CRF算法 & Q7 ~# `$ \& w, ]+ g7 [
| | ├──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
# z/ O& N( i, X8 } A6 I: j| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M$ v9 h L) ^2 r- H
| | ├──3-了解CRF层添加的好处 .mp4 105.90M0 P) x# g: j9 Z) g& [$ v" \9 }
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M" q6 `) W9 h" z
| | ├──5-CRF的目标函数 .mp4 23.74M
1 i s2 }1 D5 }& a; Y/ k| | ├──6-计算CRF真实路径的分数 .mp4 50.37M' g7 d1 e/ Y# {6 ]4 ? d ^9 d
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M: b- Y M Y* }" X6 E* J
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M6 n f' Z+ s2 h. u+ ?4 i
└──课件.zip 2.54kb
: _/ o$ r, N$ e, M1 S5 W
! M4 ]" O; l& w! I' O N& m2 c: j, ~2 c
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！5 C2 x; ~/ m8 ]
3 q/ G3 ~ d8 C2 i+ s- N, d9 ]
7 y0 @6 K) h. c* z ~$ T |
/1 
