战-人工智能2022/' V, F5 o! v) T
├──1--人工智能基础-快速入门 / c+ t' G8 X/ q* b' M, F
| ├──1--人工智能就业、薪资、各行业应用 - R& n4 ^+ S8 b' ?# k& E
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
- W0 d) v$ Y! e0 a. h: q+ b1 k| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
2 d t+ @7 O5 X6 H+ X5 v6 || | ├──3-人工智能时代是发展的必然 .mp4 23.22M
/ q$ w+ [$ k5 {, f4 Z2 O3 l2 _| | └──4-人工智能在各领域的应用 .mp4 57.73M
* O4 c. V) c# }3 v9 _+ T| └──2--机器学习和深度学习、有监督和无监督
( O! q. \& W0 E| | ├──1-人工智能常见流程 .mp4 89.62M
: y( O: ?2 H& N8 O' v, J. R| | ├──2-机器学习不同的学习方式 .mp4 83.51M
E5 i1 C. i3 _* _| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M+ u5 ?% {( f9 N1 F9 O! }
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M% U2 I" B" j7 v2 G$ A* C* V4 N P2 [
| | └──5-无监督机器学习任务与本质 .mp4 50.15M* W9 i2 x4 Z& A6 h+ w+ c5 K d$ t
├──10--机器学习与大数据-Kaggle竞赛实战 * I# X5 Z) P- a9 `6 {! z: g6 z
| ├──1--药店销量预测案例
6 ?5 ?8 o5 r+ t3 m+ o% b6 A| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M$ z. `9 m/ u4 d4 Z: d _& i, s- k
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
. t0 N- M9 p% E9 O( u1 w- g/ u. N( n| | ├──3-自定义损失函数 .mp4 21.12M1 m* m4 g. L# X, }, i% v
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
+ y s$ p% h' D- D; j| | ├──5-数据的预处理 .mp4 111.81M: ~3 s4 C. {! e' w8 c( l' b
| | ├──6-模型的训练_评估 .mp4 66.64M, Z# W/ I/ m: { K
| | └──7-kaggle竞赛网站学习 .mp4 172.16M% Q, X6 T, {4 D5 `
| └──2--网页分类案例 " w, V0 Z$ O2 r" ^' w1 }
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
4 i" [ G" L& a8 z: l- z5 T; @| | ├──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
# ]; o. P0 S9 a: t| | ├──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; j1 Y; D# l# d! Z! q) \0 L
| | ├──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# B e( Y& w" g0 k
| | ├──2-评估指标ROC和AUC .mp4 56.19M0 Y1 ^# b9 \) ?' p: S
| | ├──3-评估指标ROC和AUC .mp4 49.03M5 R+ z- e5 P, P0 l$ _- k
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
' A: V6 m- j8 s2 ~3 [& ~9 X6 V| | ├──5-数据导入 .mp4 68.41M8 s/ g. ?7 O( i$ h: [. D
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
. h* B* S! ?6 K8 r| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M' ^6 b/ H, x8 P* j" A$ H1 u
| | ├──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
$ \7 F3 M# C. x0 m O; ~8 G| | └──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) {) i8 Y' n0 r; E# O
├──11--机器学习与大数据-海量数据挖掘工具
) r8 r" \' `- ] w| ├──1--Spark计算框架基础
* N b9 Q# b7 Z| | ├──1-Spark特性_01 .mp4 41.68M4 t, M9 N) _! y( b# v
| | ├──10-分布式计算所需进程 .mp4 26.30M
7 F6 k, z* ]+ ?7 T' r2 Y! E' q| | ├──11-两种算子操作本质区别 .mp4 56.31M" ?. B7 w+ }1 K
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
+ p6 q$ N- Y; `, O( L# D. D| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M/ d K: f) n b+ g* s" z- }/ d# T
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
* C3 m+ R5 t6 I| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M6 [/ l# z& t, O5 c5 f+ {1 V
| | ├──2-Spark特性_02 .mp4 35.15M& |3 ^& X; \! V" C" d
| | ├──3-Spark对比hadoop优势 .mp4 19.34M- a& U1 C4 W/ z; E. i' k1 B% Y# X
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M) V& q h" [8 w
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M* D; _4 V1 ~. O( x g
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
; k: ~. V- m- G& o( z$ N2 i+ x| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M' O% o& a) m( Q' ]; X
| | ├──8-Spark的RDD特性_01 .mp4 33.08M5 T8 v4 h# ?5 N0 q6 w
| | └──9-Spark的RDD特性_02 .mp4 33.41M
" O' I* [5 ^2 b! p. X9 B" q* z| ├──2--Spark计算框架深入 : `7 C+ y1 l# I+ K
| | ├──1-Spark数据缓存机制 .mp4 54.43M- ^: E" k; O8 E; T$ b8 I6 c: }) c
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
8 h4 H# c) Q# B' J| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
" M1 g* p/ |: o( f( r+ ]& o) C| | ├──12-构建LabeledPoint .mp4 111.08M- p5 m) h" {) D. k+ z
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M9 ?/ @! L/ J/ R) \1 e) m/ S9 M8 L
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M2 \9 q: z K- m
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M$ K; y( J# l) Z; ^" c$ V
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M4 H( p; ^1 x t) N
| | ├──5-Spark术语总结 .mp4 89.66M
# W0 `4 f3 X6 ~1 i| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M, S0 e' M: @4 P8 C+ g
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M" J4 F. [5 l% f/ |! x8 N* K* _
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M: Y2 i( q! n1 m( u3 f# s
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
) K2 v0 s2 H, y% w% Q. K- J+ _- V| └──3--Spark机器学习MLlib和ML模块
0 G1 S% P# X- q9 Q0 Z+ W2 W| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
1 G g% i5 v0 ^- I7 F# }| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
3 _6 L1 |0 a& }( b4 q9 l/ T| | ├──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+ H% b; D, K* E! t" ]7 H8 Y
| | ├──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
( B1 u6 q% y8 E6 A| | ├──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% ]9 z! k( L- M% b9 l6 U
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M$ ^9 ~0 u3 F) L- c1 U6 i
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
0 O; g/ x, O2 Q" S| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
$ [8 x- \% ~$ h& d% e u }0 K7 c6 Y| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
9 L( O6 C Q. P* N7 a| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
0 ^4 H& |% @6 c% h2 H- d! q& h| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
( m9 ?) c4 W; M$ ?0 ?/ k| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M" C8 `, R3 r$ M0 n; f6 C
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M' J, ^. {$ e( H5 H4 P; v
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M% i% y {- m1 Z7 z7 O
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
$ ~$ F* f, W: c0 I& v. q| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M1 m! f: z |3 S' Q: E: H" H
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
8 h$ m; Q2 _! j4 ]| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M+ f. T0 i r4 N! N* L; I
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M" M8 T5 h. r; F3 N2 D! `) C
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
! G$ i6 O8 d. V4 x0 E| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
1 ]! o) T& q8 k' |% \9 d, Y| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M% I. B8 o- I8 l6 ~- ~
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M' n2 D; ~, R3 r% t/ A; E+ k
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M& I9 D# U0 e- e' b
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M' l. I4 E4 A* X" d, G% O
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
' T9 Z* Z6 v/ u# {├──12--机器学习与大数据-推荐系统项目实战 9 l- Q; ?# t" p3 u& }; w
| ├──1--推荐系统--流程与架构 1 e9 U5 q- c8 D) ?5 W7 ^* o) P
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
6 s7 J* s$ u: U( Z7 s& 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; e) c, |* R, O, w. v$ B
| | ├──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
+ y/ [0 t" x& H) p& k; v8 B| | ├──12-推荐系统_数据源_1 .mp4 79.07M& p5 L- Q; \5 L" L
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
, |- S" D- H5 `& r/ j| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
$ E1 ~: {! j9 o- f2 @! d| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M: o7 y( v4 O5 @& o( j" ~& [% m
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
$ P$ }7 P% U5 V1 L; d| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
8 O% f) y& N2 k9 x| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
/ i# G2 p4 D" a' y$ S% M| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M6 k1 m! t R% N5 M9 L5 A4 H) e
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
, [: d; K( z+ _1 |, S0 K$ K| | └──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
E/ V- m7 G* [| ├──2--推荐系统--数据预处理和模型构建评估实战 _/ F3 H+ [. j9 U/ v" X2 k
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M: L. C7 y3 G$ }; D
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
2 Z' Z: J, v2 D: f: I* C& F; ^! k| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M6 r: a' `" j1 s/ y% s" I+ d
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
. \4 |+ U6 o- F: Y| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M' _7 s+ c* J l7 i& P
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M! e, n$ y- J) b' u
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M/ b) X6 z6 [2 @7 O! d5 G5 N
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
6 N5 h6 o; ?: X. m: m# {| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
$ i; l& \4 t( O' d| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
, `) `, A- e' J0 d| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
! P' i, |- \# t5 u) Y8 J| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M3 {# G7 s% H( n4 u; [7 D5 L; b* v
| └──3--推荐系统--模型使用和推荐服务
6 j4 ~# W2 x {4 w| | ├──1-推荐模型文件使用思路 .mp4 61.89M
7 ]: y' d, l' c4 @; d& [( i0 v( U| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M! B! m, k7 U( i: x& Y! z# C3 M
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
3 f1 _% C% J$ S4 A. F| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M' s2 y& [* i6 c# C
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M' }$ _/ Y% b5 \
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M6 s0 d w' w& x& T4 @. W* F0 [8 y: r
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
: r" q+ O o/ n% q| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
. _5 ]" L8 ^1 g| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M+ i# \; A9 L0 r
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M7 }9 ]* x. `1 G! _2 l; z
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M, _8 Q8 D7 w4 q- w( g
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M4 C# I) Y# `( t) `& r1 I
├──13--深度学习-原理和进阶
( E, @- r; i, N& y3 }. g| ├──1--神经网络算法
) i7 }$ P$ t f. E5 S" t3 ^2 o5 c7 w| | ├──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
3 C6 B2 N) ]4 _1 K, i| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
, N# o+ l+ b. U L0 p, d| | ├──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( o; A8 N" u2 X$ P+ m5 v
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M% S1 o5 E- X7 q0 K. d
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M, D) m) f; R" Q# q( @3 y6 v
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
2 [7 {7 s% ?4 N; k7 U4 `| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
7 R# {6 z* ? c+ r| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
$ ?9 R! L" \! F J/ z" Y6 Y. }| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
P9 n: s0 M) k* J5 C| ├──2--TensorFlow深度学习工具 " [4 K3 q& {3 f7 F6 W9 R
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M' g: N2 z4 ?! }6 f3 s4 h( w
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
& e# q- z0 g) c6 f, ~. Z| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M+ J( J5 H& q4 A1 u
| | ├──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* O! k
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M8 r4 I0 t, o, [4 v, r! V7 i0 `2 \+ ~
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M- `8 G% B& f: k5 j2 j$ E; V) q
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
2 [' r; x& R& y# k* \| └──3--反向传播推导_Python代码实现神经网络 " _) {. s8 w8 m- g& x! m9 }& @% X& I) x
| | ├──1-反向传播_链式求导法则 .mp4 86.47M' Y0 z! G& L) ]+ N, m
| | ├──2-反向传播推导(一) .mp4 127.90M
. N! i8 L: i* M$ N| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
2 x7 o& o0 z$ O$ 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
[6 X" S- A) @0 a9 c5 @# b| | ├──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
1 I# M! f" {# x; X| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
: U. u; K; `: G; B- f| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M5 X1 B% k! w) T3 k$ d! p2 z% R
├──14--深度学习-图像识别原理 6 o$ m$ b9 P+ z* ~) k
| ├──1--卷积神经网络原理 9 A* M( m5 n, D- W; ] k! x& d
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M% t X5 o/ R; R8 T3 S; W: F
| | ├──2-单通道卷积的计算 .mp4 104.01M
2 ~0 l& I( y6 V! m: h| | ├──3-彩色图片卷积的计算 .mp4 52.79M: t0 L# K5 e. @3 a) B& N; m
| | ├──4-卷积层权值共享 .mp4 63.93M& n& G# z4 f" `( s
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M) }) R5 }) a; a: u# p
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
2 |" Q% x2 W8 n6 l/ F6 T9 g7 s- E| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M& D5 i# r: ~; L8 v; {; B8 W: i
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M0 x& A7 T: \, h }" Q5 }, l
| ├──2--卷积神经网络优化
3 C5 n9 z. Q, J8 b6 u% L| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M9 J7 Y" l- c& d5 w+ ]1 U9 _
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
% F' z1 b1 ^- x* o| | ├──11-Optimizer_Adam .mp4 141.12M1 o) G8 r8 y, N- e! F
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
" D- U4 z `8 B. |" R* o, l" N| | ├──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
; O8 E1 k# ]! _3 Q7 K2 g2 z2 z3 l| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
- R3 i/ o% Y0 ]+ B& _( c* u0 w| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M; g1 |+ q+ ^( M
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M; p2 |4 o: u' l( G
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
! Z2 r; r( g4 w; s: r| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M7 z7 r, p. `) L2 [, T
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M- g& W, B0 K z; _7 ]7 |8 i: b
| ├──3--经典卷积网络算法 6 P; ?3 R5 x" ?8 H# n
| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M6 j/ d! d5 R( | ]
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
1 Z1 R/ b- z# |0 C) l/ X% x+ l| | ├──3-InceptionV1_V2 .mp4 165.86M, U9 w! Q' w0 k* t3 }" A V0 n' B: W& [
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
" t" F- [, E& c- N% X| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M# z8 `# y ^7 t8 }% ]! P
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M0 V" ?8 w. }5 l/ u
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M5 H7 M- c9 _4 p. | Y
| | ├──8-BatchNormalization .mp4 99.23M
6 E2 L6 e* d! r# q: b# N; F| | └──9-Mobilenet网络架构 .mp4 150.05M
; o8 b" z# Q% N| ├──4--古典目标检测 8 z- s( N" O+ j) r4 a
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
/ Q7 [6 D& b/ T' D! M, [| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
. n3 P% a- ?7 ~4 V& q| | ├──3-IOU以及python计算的代码 .mp4 23.56M
8 V- A0 ~0 F, _+ B8 a, T9 g| | ├──4-R-CNN和SPP-net .mp4 124.06M
! g1 U) \- S8 A9 ]; V0 S| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M+ n3 U& _$ N, B. f! c4 X8 H
| └──5--现代目标检测之FasterRCNN + M8 t& |& J* M
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M" B6 h$ P5 s- M$ \; [' v+ o
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
9 B2 |; k: g# C| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
5 ?1 p" l0 o3 R| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M9 D" q8 ~2 |- w9 U4 W, S5 c- Y8 {
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M; Z- u v8 b( e9 S
├──15--深度学习-图像识别项目实战 . w" n m% V: s; t7 C ?
| ├──1--车牌识别 $ T. f" i0 d `1 g3 L
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
. n l1 b5 ~6 Y% || | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M" j% O. ~- \' _1 Q
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M( W. p7 M, G$ F9 [
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M' V6 U0 ^; f `( `
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
% D1 ]! s$ l( ^, r3 C+ ^* u g" E| ├──2--自然场景下的目标检测及源码分析
! g" V6 E1 U( w2 g1 C" E| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
9 ~$ Q/ m9 z) _7 m0 I| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
2 o& M2 f4 ?- B. P* P \| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M7 i4 X$ k4 P# C- f
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
8 d+ o/ ^' j- |/ M; P# d| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M% s+ S' {1 I3 q. E1 B( J
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M- c- ]1 j& c) M: F
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M/ l; a7 E$ K7 k3 i. b
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
# h u" |! {( ~| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
/ }* [$ Z' R! Z1 ?6 o| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
3 T/ c" b8 T$ q9 J: a| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
& \; x0 `& [- T2 W; I| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M- X+ O6 P* T& g$ @7 _
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M" E. i S/ C6 u" E
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
! B4 V6 f9 D- E$ c| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
7 H' S2 R9 y/ e1 n& S| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
& z; E9 Q2 k; L- g| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M, T# w0 w& k1 ]
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
) n- v4 O2 O! V8 e| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M$ Y/ i# Z- h1 L' Q& V. S
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M; ^+ V5 `; b3 Z7 E! z
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M7 w3 u( x& h5 r+ J+ a- x. q
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
4 z: N! U5 K. x# v| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
# `: P [5 z" Z+ @2 L3 O| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
. [1 J) p1 r0 M' `| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M0 e4 Y0 S' O' N+ a
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
3 z! u: t# u4 k! T9 _! a( ]| └──3--图像风格迁移 ( d5 Y6 U# l" i0 V1 w5 C) {
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M: B* r, O! i( r6 O1 ^; m' Z
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
9 q& S5 T- r/ z/ r| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M6 i3 w/ e% y- x, @: g: }
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M3 o2 m# C* x {/ z
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
) s" x. H- W0 E3 f; _| ├──1--YOLOv1详解 3 w; R& j v3 U& D" X' R
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
8 j6 y2 ? a1 A, x7 j| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
2 n! W) |2 d# l* |) ~8 S: n| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
* A7 J5 K; `+ h* P \) I/ `+ J| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M0 y; n6 s) T/ _5 K# w o
| ├──2--YOLOv2详解 ; Y8 C2 s3 ~- q# U6 B
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M0 S! _7 z& T5 M+ N, E7 _) X7 T
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
! S) b! z# Z2 x| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M2 t! `6 p* d; e5 k- c/ v
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M* I# k8 s) l* W$ V5 ^$ H
| ├──3--YOLOv3详解 2 R/ L1 G" D+ @) l; X# @" ~ }
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
' a* H u: W6 h 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
+ T& h2 h9 |% x5 ^$ o6 F% z| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
' S, H3 n I+ e| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M6 f! z% {& |8 [, i
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M$ A, z5 H5 j/ o: ~1 s$ j% F
| ├──4--YOLOv3代码实战 8 R. n8 E# F, f2 Q& w7 n) h
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
J2 H) }! F+ _/ ]- X$ n4 s" \| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M: N4 I. c- J9 r! t; z0 G# w
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
/ }) u+ k6 }0 P+ O| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M' f( B+ t7 j! y& u
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M1 @5 A5 m0 u+ ]+ y: r/ p
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M% L8 f2 u, }! l" k: N
| └──5--YOLOv4详解
7 Z- r; z! Q% p9 D; M7 O7 H, [& p" K2 @| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
& B% a4 A- G* U$ E0 G. U* u| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M0 G& s1 L8 X, V2 @5 l( b
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
% c4 {- J K" K5 I$ n9 c& b| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
8 }# L: g9 F0 X3 C) N; {, ^& S├──17--深度学习-语义分割原理和实战 6 I) K" x" N) k; m/ i3 L
| ├──1--上采样_双线性插值_转置卷积 ! {0 \/ M2 x6 ]. T- f
| | ├──1-前言 .mp4 19.46M, R9 s$ I, Q+ l
| | ├──2-上采样_repeat .mp4 23.90M* d7 R3 t$ c7 f% `: U2 p
| | ├──3-线性插值 .mp4 34.48M4 F& C. m4 @0 {" @0 y2 o3 O9 P' p
| | ├──4-双线性插值 .mp4 125.71M
; N9 B# o9 u: W5 d& g: K8 |' e| | ├──5-转置卷积_以及TF的API .mp4 114.25M
9 H5 |- _' P; \; _2 }$ o| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
: K9 M& t( x6 J& k5 u| | ├──7-ROI Align .mp4 58.38M
$ [* H q3 ^* ?, K| | ├──8-FPN思想与网络结构 .mp4 92.14M8 g$ t- @0 e8 R- ~
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M/ r$ C* i( t. Y) Z
| ├──2--医疗图像UNet语义分割
{% [0 Q2 C+ A% B. o| | ├──1-语义分割的基本概念 .mp4 18.33M7 M" O9 Q5 X, @9 I8 k; K7 @
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M* z8 f5 _% f5 O8 C7 [; x# Q
| | ├──3-UNet网络结构 .mp4 30.41M
, I. r1 ^% j% D+ v m$ S. G| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
% q& W7 _! ?% ^1 y9 a| └──3--蒙版弹幕MaskRCNN语义分割 / I1 C$ l0 L# M+ O
| | ├──1-MaskRCNN网络结构 .mp4 106.38M8 g& E# S1 e5 j3 z6 p$ [* }
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
! }" q8 O$ v$ S* f( h% g| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M9 i5 U, x$ s& V
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M8 ]: S" h3 a% t! b8 U0 o" H4 N
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
, S0 O- H$ S9 c| | └──6-MaskRCNN源码config和model .mp4 244.48M
3 e) \4 _2 ~1 j, x6 T2 d3 T; C├──18--深度学习-人脸识别项目实战 , T0 _- _6 p2 c! w6 l$ z& s
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
5 G7 Z3 p; Z, Q3 y K8 K8 q9 ?| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
, X; |; F( p q" B| ├──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% N/ [$ Z3 b" p8 o. h" [
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M1 k! E; m$ }- K; q/ }# \0 S
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M" V+ y8 _. B: x. Z3 x
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
& o8 ^$ G! D7 {1 d! p$ _9 Q+ s# |9 z| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
/ q+ A+ u3 y, I$ O& D) _- l| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
/ A5 h( K: F* T| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M7 E+ M' G) W, p& c
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
# W7 m( h# O; h T' a) L$ J| ├──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
6 ?" x7 z7 }* g' y| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
, O" A3 i1 K6 Y0 g% d| ├──3-人脸识别项目代码整体结构 .mp4 30.40M9 `, C6 {! z% H3 O7 p. N) D: ^
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
_8 ^7 R; ^9 w1 M| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M* Z, B7 K8 p5 m) V
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
5 L/ E+ h2 H& {" O8 K" O9 R| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M6 c; Q5 u0 Y" L2 B
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M2 }8 ^6 k4 ^: B9 l( I
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M: U* x* c: b! t/ s8 o! E
├──19--深度学习-NLP自然语言处理原理和进阶
& @$ ]7 U; J" K4 ?8 ]| ├──1--词向量与词嵌入 " R3 D1 g1 n- B% h+ f, p. h$ T
| | ├──1-N-gram语言模型 .mp4 116.32M% ]+ J; k( x2 e9 i& a$ R
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M& I" W: F) _# P: i& ^) } V3 x1 V
| | ├──3-词向量的作用 .mp4 58.00M
) b& n- x, y5 e. I2 j0 O- U3 L| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M1 g% X; f" B& V" Z3 Z* c# a
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
4 R2 @" c5 z. x- u& |# ~' T5 ~| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M+ P& S) _$ ]/ N/ V2 w
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
+ `1 e* r% G/ b| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
& s7 x& }- O, q1 J3 I% ]| ├──2--循环神经网络原理与优化
9 A( N) f( f/ _- ]5 V' z m| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
9 L1 w+ y4 L' v* P# l" x| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M | h" r6 M8 h% t$ {
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
l# Q8 M2 M) j/ s+ r| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M4 X( ?* \1 e; ^9 ^1 Q l
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
, |& q( b" d( L1 y( I4 K| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M4 o I0 @$ w* `2 u6 S( R- H, S
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M/ ~8 K6 Q& G' z. |
| | ├──8-双向RNN_LSTM .mp4 52.01M6 m2 \$ d# p# A" }2 C
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
2 b* u4 s! @" I! s| ├──3--从Attention机制到Transformer 2 c' [: B5 O1 ?) W6 F
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
' x# }# a( R; O$ y| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
8 \, m* t2 R& j( E9 || | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M' P" V7 A1 k* [4 O& O. ?6 _9 Q7 N1 }6 b
| └──4--ELMO_BERT_GPT ( l7 m! h: c( q! u. X
| | ├──1-ELMO .mp4 62.44M* b4 V% e" r$ A3 ]: E8 i9 Q' [9 Y
| | ├──2-BERT理论 .mp4 99.73M$ ]* F& L% L' p
| | └──3-ERNIE_GPT .mp4 56.34M
+ O( z( K- K. g3 Q2 ]/ K7 |3 j├──2--人工智能基础-Python基础 ; M( T' Z$ d2 v+ R5 x% j. w$ Z
| ├──1--Python开发环境搭建
! X7 x) E1 K# Q4 g9 F! g3 v9 W| | ├──1-下载Miniconda运行环境 .mp4 100.75M
3 W8 }- `; K1 G; t8 x7 y: s# N2 t| | ├──2-Miniconda安装和测试 .mp4 57.12M
3 U! w1 j- r! s" f+ C+ P| | ├──3-Pycharm安装和代码运行 .mp4 71.57M ~& a4 v* s6 K5 ]
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
7 j I, Y; V) h( @% R3 [% a| | ├──5-Jupyter常用快捷键 .mp4 32.23M+ j. a- S0 ^& U% g1 I
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
# I! u9 S; C! x) c% w5 S| | └──7-关联虚拟环境运行代码 .mp4 38.14M- k/ N! I( P/ S- M" o3 O
| └──2--Python基础语法 ! l5 s9 D }. o7 S7 V7 b1 w
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
) {, ~$ b a5 E. _7 N" L, {* _' C f| | ├──10-Python_集合操作_列表 .mp4 34.71M: V9 ]( z& {! S0 g; n
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M/ H4 Z! F0 P4 d5 z
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
' ]* X4 N8 L& E8 J| | ├──13-Python_集合操作_元组 .mp4 43.46M
5 M7 e1 Q, I& `# l4 N9 X2 [, p, x% ]| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
# N$ o. ?8 x; O| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M8 B+ L. F/ a0 I- I5 A' _# O' C
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
1 ~6 F7 `+ ]3 w/ T9 U& e| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M+ X$ f; ~/ o9 i& ~; U
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M2 ~4 _! b" a" E7 T$ _. ]2 L
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M8 v# i3 C' v6 o1 r$ d6 S2 L: u
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
$ u, n9 A6 c: D0 U: j| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
H( U @( {7 ^3 n/ _5 H| | ├──21-Python_函数_递归 .mp4 23.46M
, r) l7 [- l- B; b( Q; M# l9 o6 M| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M; }' w' ]8 n% j5 _8 R2 [# y
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M8 b0 z: V3 E" b4 I3 T$ ^
| | ├──24-Python_函数_闭包 .mp4 41.61M/ l1 ]9 H+ x- U" S0 g9 I! ^
| | ├──25-Python_函数_装饰器 .mp4 30.35M7 L8 n7 a9 z6 |5 q0 e
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M6 ^9 ?5 v- ^ {" q
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M% ^/ C2 W, B- s* g4 U* H! j3 _
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
+ l6 S/ U* v e| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M' a! ?( @" q+ S# \2 R
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M0 O7 B8 T) z; M7 _
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M' z( n# y- Y% A8 k! l/ g9 z/ 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
1 Z- L2 }8 c7 w| | ├──4-Python_控制语句_while循环 .mp4 25.02M" b. z7 r8 S* t2 t2 L* M
| | ├──5-Python_控制语句_for循环 .mp4 22.82M. w4 t! P+ T. N/ h1 k3 w
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
2 M' D# ~3 O; Y" B| | ├──7-Python_控制语句_break_continue .mp4 25.23M7 V5 Y2 e% V7 @/ R7 V. G
| | ├──8-Python_切片操作 .mp4 40.20M
1 Y; l* H3 w" @| | └──9-Python_数据类型 .mp4 25.38M2 J* P& N4 B+ S! a, L5 l; R
├──20--深度学习-NLP自然语言处理项目实战 $ K n' G2 E; R/ t9 `5 A' H8 Z
| ├──1--词向量
, f3 R; [ @) h0 e' s Z" D! f8 [| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M' K* `3 }2 R1 P8 \* J1 m
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
& F: \: H3 ?! u: `7 @| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
- p0 f+ ]4 l V3 N| | ├──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
1 @) x; d1 q8 C+ t6 w& S| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
) _- _8 ^, a+ n# Y- m| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M( V5 E0 z6 M: i) J* c
| ├──2--自然语言处理--情感分析
; x9 [7 S0 r) B! d ] r| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
4 E* ^: v. L' `| | ├──2-数据预处理_01 .mp4 79.65M
$ Z5 e6 }% C' {; U| | ├──3-数据预处理_02 .mp4 45.68M6 R. f. I" y f. x& M3 ]( A
| | ├──4-代码讲解_01 .mp4 52.29M
( V* d3 z8 j% I2 a3 f+ O| | ├──5-代码讲解_02 .mp4 60.85M
. l% j6 j' X! y; p! n0 s| | ├──6-代码讲解_03 .mp4 53.89M: `: z- r v7 j* x- ?
| | ├──7-代码讲解_04 .mp4 57.19M
, Q# u2 n3 W( X| | └──8-代码讲解_05 .mp4 35.88M& p/ I. q. m% |
| ├──3--AI写唐诗 & Z+ l$ v& x. s
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M" ?* F( |) G: P( E/ G% D" D
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
1 |+ L {) P% ^$ ^! g| | ├──3-MultiRNNCell单元 .mp4 38.93M/ k% O" r& r+ o& F4 ~
| | ├──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
6 O; l$ M: W! M4 D2 D- n* r| | ├──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 61.73M2 e a8 V0 t4 P- J" I
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M/ I( M5 s/ J$ @
| ├──4--Seq2Seq聊天机器人 : O7 f( N' b/ Z" y A
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
) `3 b" O. x8 ]& s( F| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M; J. g. n5 Q5 l7 l7 [/ J4 I: h- V
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
+ s- T) j* z" I5 n# g' L6 G1 ~| ├──5--实战NER命名实体识别项目
( _! {# K T6 ]9 V7 S- N| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M* T7 W! [. x8 K W1 ?' j) D
| | ├──2-介绍了代码目录结构 .mp4 23.44M( h' u6 ?* U8 t' a: j
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M2 ^" \" {/ @+ F% ~, S
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
) W7 g' {( f1 v0 g| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M0 `- ]0 p: m z. {+ J1 Q
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
* S/ Q _! B- _9 |. \| | ├──7-CRF中的特征函数们 .mp4 125.97M3 z5 F/ h- g8 @7 R
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M' v" A" L* b) T" U) \
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M$ h" T/ Z1 U2 E
| ├──6--BERT新浪新闻10分类项目 c; e. ~/ q: [/ r7 c! o
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
: f; d/ j! Q1 i, B, L$ m2 N| └──7--GPT2聊天机器人 5 m( X! ?1 _6 d: R/ M% L
| | └──1-GPT2闲聊机器人 .mp4 62.28M
: J' q+ G) y8 Q$ @- p0 @+ r. m├──21--深度学习-OCR文本识别 - l/ }5 `+ P" G- S4 f9 @
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M7 @+ r9 {/ s( V1 [+ b1 m h
| ├──10-CRNN项目代码剖析 .mp4 306.48M
+ Q9 L. q) k0 l/ L| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
! @2 N( S& H' I; a8 ]/ Z8 u( n| ├──3-OCR识别的CTC损失思想 .mp4 327.69M& A" j/ i' Z& z
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M! ~5 q! z5 w- G! K) b, [3 U( G6 d
| ├──5-CTC损失函数的理解 .mp4 330.64M- c, l7 V* B5 n9 Y# Q
| ├──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
$ q) ~% o- t2 B( V' m; q| ├──7-CTC前向后向算法代码 .mp4 225.41M
: N7 \' F9 Q+ ?, X4 M" q7 l| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M' ]8 ^9 w2 f% ^$ s: z5 R k
| └──9-CPTN项目代码剖析 .mp4 491.69M
% [/ s, W+ u/ f& L% H├──24--【加课】Pytorch项目实战
+ U' Z) z/ a, C a: [| ├──1--PyTorch运行环境安装_运行环境测试 3 X ~7 ]! p7 x& H# j1 ?3 z
| | ├──1-PyTorch概述 .mp4 29.29M
6 U9 ?7 ^1 t- G i8 a3 c| | ├──2-PyTorch的安装 .mp4 76.45M
3 \9 x: _; s& z1 n" w- I7 Z| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
( V V2 l: e1 x" \& _- u+ X# Y| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
7 ?/ E- G! v8 y5 V9 A6 D6 A9 y| ├──2--PyTorch基础_Tensor张量运算 V V( O0 I4 H
| | ├──1-Tensor的创建 .mp4 55.14M
8 L) C4 }- F7 d9 x$ A6 v| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M S2 Q7 W, G0 B! d. Z
| | ├──3-广播机制_逐元素操作 .mp4 44.46M3 r( ?9 F% e, ?' p( \
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M4 s7 ^4 z" q5 C& R, E4 U! ~2 N8 X
| ├──3--PyTorch卷积神经网络_实战CIFAR10 6 Z' [* X b& q
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
, i M6 }4 T' L( W0 f| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M1 m0 N- o: U% l$ C& |; I
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M$ N7 c$ r( @; l6 i9 a
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M* E X) F: t. @# I2 I L* l
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
& K1 e, f; `2 Q+ C- o# V/ k| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
) ], u5 ]* l1 O& X% V; [. J' v, r| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
5 {6 _5 q8 \+ R' w6 i! j| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M8 _3 Z6 J1 T0 s* L5 S
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
7 I0 Q2 q2 \' _; G% G6 @| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
1 v! z7 P( R1 \, `) t| ├──4--PyTorch循环神经网络_词性标注 ' j' ?! ]8 W3 {+ }2 G
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M. N# j& @( V, `3 ^) ?9 ?3 h
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M, N" u' ?0 ?7 S' Z! ~2 Z$ P
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M3 s; l) I) R5 Z% N
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M) G: H) L; M6 a6 E8 q1 g
| └──5--PyTorch编码器解码器_机器翻译 ' L; ?+ D# b3 i
| | ├──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 I8 `( Q- Y/ r3 z( ?, d
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
1 n& J- L) Y6 y l) I \/ t7 K| | ├──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
; B( V3 V C2 h1 y- h0 M: j| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
% i) S* }' a0 U| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M, [7 B/ O+ @; k6 b, h5 a0 m0 K- J
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M; X$ @, O: z& W) B6 d/ b
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
( ~0 l9 l) S: o7 A* F. i7 ?1 |& k8 x* }| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
6 y" V% I3 A0 G5 E& _1 R├──25--【加课】百度飞桨PaddlePaddle实战【新增】
8 I3 R; K- c% i( Y| ├──1--PaddlePaddle框架安装_波士顿房价预测
7 ^. \3 b4 f3 G1 f0 W7 c" S- }! t| | ├──1-安装PaddlePaddle .mp4 87.34M
/ g: e$ N9 C& X4 E| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
5 Y; T6 N; q; l) n- o3 |# S. B| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M* i" ~& m3 ?; q! c& i I! F1 @
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
+ n, ^3 [( M( d, P; _' g| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M& z1 I3 L! T* e( ~$ |0 @* }1 N
| ├──2--PaddlePaddle卷积网络_病理性近视识别
8 ` E( U+ F# [1 C/ Q- g+ | Y/ S| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M' j$ Q/ I$ ` {# H F2 A/ W9 L
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M0 o* `4 x* c4 R& C
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M8 P9 x( g% E, }# t' w7 M
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
4 k6 i* G4 ] r4 v| ├──3--PaddleDetection工具_PCB电路板缺陷检测
5 R1 @$ g, N) B% P1 l* G, c| | ├──1-PaddleDetection_项目配置 .mp4 82.88M% h' h6 t; N' _
| | ├──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
! |+ l9 T8 S$ @ e# o| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M+ M, R1 q' Y" H' O% a
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M# f$ R9 N& W) g9 N# V
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
4 i# A9 J# Q1 B# t' m& ]| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
" L4 F2 K- C; E2 X# E# T0 T/ S9 ]% ?) h| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
5 v4 e- m/ S* ^$ S1 q& E$ ?| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) $ Y' u p( I5 e- ]
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M; C6 W/ j/ l( g; o$ @" g7 o, Y% P. [
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
- k- R0 a! d+ u$ b- c/ A5 `( J| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M7 ]3 r4 z9 P" M' J; o1 {4 }
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M! g/ s& R6 }8 ]: e( n: i
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M% ?/ }% J) A1 k& G: L# U- h
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M- f/ ^- w( g5 F$ X$ o1 W' ~
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
+ z) d6 Y8 a4 h| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
) |6 |- E( H: R| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
' [! c& e3 v3 h3 Z| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M! E* Q0 ?6 M6 B5 U
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
! T+ f9 k& m4 L' K+ r| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M8 i8 t# f7 ]4 |7 y9 E
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M0 W$ V6 I# v8 x6 L
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
3 r1 m; V" L- ?* O% Q7 K* j| | └──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
% z8 V1 l# A0 H8 a) K| └──6--PaddleNLP模块_物流信息提取（ERNIE版） ! T3 f2 S; V( }8 z/ e$ G
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
7 \0 C3 X A- v# w( l* `0 M| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M& x0 E/ |) v" o6 A6 U0 q
| | ├──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; V4 ?/ Y) m! d( g2 y; c. `0 l
| | └──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
+ d7 t% c' P+ @├──26--【加课】Linux 环境编程基础 5 z; D# o" \6 e2 G4 H5 N! @) L
| └──1--Linux
: J& |; A! q1 k7 r9 i% M$ B+ a5 o6 E3 T| | ├──1-Linux_课程介绍 .mp4 3.72M
$ V5 u; k& F" V2 a9 x& L( K+ L| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
# a' Y0 N6 _- n, {; t) E/ N' o# F3 Y| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
# P# w5 R5 z9 @| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M" u! t# L8 u+ z$ d0 e" A
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
. ]! |5 x8 B$ f! }| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M1 w( N# P) } V2 f) ~
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M) w& W' S( S2 r5 y
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
0 ~; {1 g' A0 `| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M' F5 g% E' ~9 P5 f
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M/ ~# }% T, x) a2 q
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
2 x6 b) Z$ V8 V* V0 T- Q| | ├──2-Linux_Linux简介 .mp4 17.59M/ \( {2 ~& S: X* i% V h1 t- U
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M; W) N6 C. [) q S5 b1 m
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M' \( o- a) g0 m* Y$ g
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
4 i) F I4 m% n2 d; T| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M; |$ L7 n: G( N) E
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M' L/ l' ~& t* H5 @# Z" ?8 O
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M
3 o$ }% a5 ~$ D* z3 L Y| | ├──26-Linux_安装MySQL .mp4 79.02M6 p' F# t5 l' s9 O' L) ~
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
^* k1 F8 a* C9 m! U3 d, Y| | ├──4-Linux_安装Linux .mp4 41.97M) x4 ]! d! z( _# J. S7 Z
| | ├──5-Linux_目录介绍 .mp4 20.31M
) E: E2 g4 W% r, c- Q3 t8 f. M| | ├──6-Linux_Linux中的路径 .mp4 18.65M
K8 K8 d: X& r, V1 W& h1 c. o9 A| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M6 h3 E( h" ^ D Y8 x
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
8 ^3 y6 u+ |! p \7 q5 [0 x+ `4 A| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
7 ^& F& h8 d7 B4 f, @3 I9 B├──27--【加课】算法与数据结构
4 R( R. s% y; b! {" r* L| └──1--算法与数据结构
! Y7 I+ M, G* y9 p8 [$ `4 o6 a| | ├──1-数据结构与算法简介 .mp4 35.68M( L5 n$ K+ }4 q1 U# w4 {
| | ├──10-哈希表的基本结构 .mp4 54.34M
2 q/ R6 B$ m; h( g# p% _4 r/ m! `- t| | ├──11-哈希表冲突问题 .mp4 75.92M: ~. m* i+ U: I: g9 ?) }
| | ├──12-哈希表冲突问题2 .mp4 72.30M
' s* M( {& F7 T/ ^* y| | ├──13-哈希扩容 .mp4 111.03M
& o7 Q4 y: [. U/ n6 K| | ├──14-递归与栈 .mp4 50.77M) f+ V+ \! o8 O+ x5 R1 l# W1 O6 p
| | ├──15-线性查找 .mp4 57.80M
. V7 b2 E2 a4 G| | ├──16-二分查找 .mp4 52.32M& C+ N& S8 K: c8 \' w, m5 F; k
| | ├──17-冒泡排序 .mp4 53.19M" `9 D/ W6 d g* a- Z
| | ├──18-选择排序 .mp4 43.29M- u) A% p# Q7 g/ b) E) R
| | ├──19-插入排序 .mp4 31.39M8 ]2 Q2 k' _; F
| | ├──2-大O表示法 .mp4 25.59M4 \% Q" Z' O0 _# s0 O! z
| | ├──20-归并排序 .mp4 84.48M
( ]( H* b; |) b6 j) j8 p! O% v1 X| | ├──21-快速排序 .mp4 36.63M$ }1 k9 Z$ X/ f
| | ├──22-树结构 .mp4 96.85M$ Q/ t" r. K0 Z
| | ├──23-树结构的遍历 .mp4 61.05M
6 n( T5 d. q5 K$ n) n3 M| | ├──24-最大堆的增加操作 .mp4 45.43M |) e1 A/ m3 K! I) Z
| | ├──25-最大堆的删除操作 .mp4 45.63M& i4 H/ f. x" B) |1 ~
| | ├──26-二叉树的查找 .mp4 100.24M5 |; W Q4 L4 o) ?" r5 p
| | ├──27-二叉树获取最小值 .mp4 25.21M
; Q; u; T# Q3 o$ R0 J; ?0 |3 v| | ├──28-二叉树的添加 .mp4 72.66M
) H1 m/ @+ A* i4 P/ h; P7 H| | ├──29-二叉树的删除 .mp4 120.06M
7 u G. K1 k. }| | ├──3-线性结构 .mp4 53.14M
/ v7 a B1 f, \* w2 P3 @| | ├──4-单线链表1 .mp4 68.36M9 L, t, _) c3 Y4 i' K
| | ├──5-单链表2 .mp4 221.69M* f6 C! U9 w; d+ {
| | ├──6-双链表 .mp4 103.57M
; x8 \6 C# `* Z- r! c| | ├──7-队列(链式) .mp4 74.12M
5 A1 Y+ X0 `- _- d$ q| | ├──8-队列(线式) .mp4 30.99M- N+ n1 M2 c; k p0 O
| | └──9-栈与双端队列 .mp4 28.12M" G+ u! Q5 n$ h* e: P
├──3--人工智能基础-Python科学计算和可视化 " X/ ~; u4 _# P3 ^1 M0 [
| ├──1--科学计算模型Numpy . a; W- E; D# z% q$ E
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M: Q2 ]- v, P+ z! a6 I8 h |& N% G6 R4 Q" H7 }
| | ├──2-Numpy_array_arange .mp4 35.45M
, l( d& v2 ~3 z* C0 c1 Z6 Q| | ├──3-Numpy_random随机数生成 .mp4 50.54M' A3 V# c6 R1 {& A$ d
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
0 h5 P. {9 J) B# X& ?| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M- h9 \7 |( R% c
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M( r& P4 [3 W Z( q l: A* A
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M0 }7 A" O& q4 F( O E7 x- s8 {
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M3 I# d$ y0 J( S/ j1 R# ?4 F8 X8 @& ?9 Y
| | └──9-Numpy_聚合函数 .mp4 23.68M* {, W) X# B; j
| ├──2--数据可视化模块
# M3 W: q4 x3 h' s4 V( [| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
4 Y$ z- x6 C; l8 p% e| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
" m3 o+ N5 G# H| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M& B# c1 a8 h1 e/ g( j/ a
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
% Q: g7 |: v% t- s| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
1 O) h2 q5 C) w' N( `6 T| └──3--数据处理分析模块Pandas 5 @/ f4 i# V, Z1 W) m7 p9 o9 D A5 c
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M! r# O ^( U n7 F: |
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
c: q" r) p, W0 Q7 W9 D% ^| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M2 J, j, d- r( N- K
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
* I7 ^* s; C- z2 `. N5 l& M| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
/ J/ L ^ Z& F; K7 i H' L| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M+ F% _+ L7 e' \: Q4 k
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M+ ^0 Q2 ^5 q* P6 o
├──31--【加课】 强化学习【新增】 . h9 R0 I4 h& L" ?
| ├──1--Q-Learning与SARSA算法
5 s$ q/ V' o+ v8 w9 O3 ]3 q| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M1 A2 o9 O k% w9 z9 t: R
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
# e$ Q1 D' G0 r1 r/ O8 e| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
* i- J3 a! X) D! w| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M! v5 W3 h6 ^' \3 Q- m
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
% |( q1 W6 z/ ]) Y/ K1 r. [| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M+ t% V# d% ^' D! K
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
2 R& y; y2 t9 H2 B) z| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M/ x; t2 ^, }) f, X0 p% C
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
9 {4 s; x" g! k6 ~| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M2 i" V) `0 }+ J6 z% g# ^
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
' F0 U+ F# \; Y$ Z2 w| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
9 i# d8 o$ }- }! p| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M8 u/ G. j$ ]5 x4 _5 c5 v. z
| ├──2--Deep Q-Learning Network ' a, b2 ]0 M" a" X/ x) J
| | ├──1-DQN算法思想 .mp4 59.24M
+ Z, R" G8 d4 W0 b- S9 ~5 x" [| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M' j" j, K( R% G' r; t2 b
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
8 [+ {+ I2 H* W2 y5 o/ ^7 Q: w| | ├──12-DuelingDQN .mp4 88.12M! ?0 m. O% v5 E! d( C
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M/ f4 q/ g. F: b' d
| | ├──14-计算Action的方差避免风险 .mp4 54.23M1 Q2 c, B/ u; }" }! Z+ J& ^
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M9 U: x) x. c$ P, k* f8 }
| | ├──2-DQN算法具体流程 .mp4 56.17M+ U/ n) M) R( L! O, x5 b
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
, H: V$ |3 g B+ t" p; j| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M+ W7 i; ~2 G" f7 Z a6 u5 x8 n$ U
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
5 [# E4 P+ ?6 ^- p1 U' ]8 a) a| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M7 I. `$ P+ r) O
| | ├──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# c K7 S$ F1 M2 e; _% k+ m
| | ├──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& F* t( M% W8 _
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M- ~( [0 W/ W! r, K
| ├──3--Policy Gradient 策略梯度
( U2 j; R! {' h- Z# ~| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M4 v {) T7 W! u, W6 A h
| | ├──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/ p" H: b F4 y" e
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
- b8 e, c, x7 R| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M$ ^& P0 y: p/ h* c7 l) C9 [+ J. }
| | ├──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
! ]5 O) V, d* S m6 I; n7 S6 p| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M( } d' G- Q, `' q& j' }; @9 ]
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M2 f8 s; o8 k E
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
& C k# e6 d$ E/ U; R0 C8 @6 P* Q| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
! \) v! \7 [9 p9 b, v| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
; C% p/ w) l1 Q, t! o0 u0 q7 h- j| ├──4--Actor Critic (A3C) _# U$ ]- F9 T, e$ {
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
8 A/ e8 U/ Y, I, {! i& ~& E| | ├──10-代码实战_A3C_增加actor探索性用到熵_定义worker正太分布抽样和求梯度的逻辑 .mp4 36.14M
+ l: n& x1 Q5 U2 T+ d| | ├──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, O- Y- G) Q! f- D& 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# g8 V1 M# e) \4 z" ~3 W: n
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M) V% K; E2 C. V D8 V. h, A9 j- _# z
| | ├──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 u5 g3 a; t' z5 A9 h! f
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M) a$ K4 c, x2 P* r! \& o3 k
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M1 t( @( v6 n7 P3 n- {
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M$ k: \/ T' _% ^* W6 O6 Z$ z% |5 z
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M7 S$ N6 W$ [6 j, Y$ ~/ P
| | ├──6-A3C架构和训练流程 .mp4 74.66M
$ R& `+ q3 F6 p2 w, p- @8 C7 {7 K| | ├──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
( t' s$ G* ~0 t8 w# H+ p3 m| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M! [8 d2 H, Q& u
| | └──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
, t; Z& |& N$ @' H0 D8 I| └──5--DDPG、PPO、DPPO算法
" }. V% u6 E- W2 ]8 H/ c' x| | ├──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
5 U1 G2 Q/ N" c1 X6 w| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
6 u& Y* v9 z' ?& k' r| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
6 ~2 S$ r+ q' B- @" L: v# G5 b% b| | ├──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 42.12M6 h3 Q* R4 z, o
| | ├──13-DPPO分布式PPO .mp4 63.81M- G- Q# o$ Y4 j+ b' |6 J! Q$ D
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
4 m% [" P" a5 y7 n| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M. t- w7 } v$ U8 z3 f5 K" L; _
| | ├──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 51.45M3 I, T7 b' r9 P7 p5 f) _8 m
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M8 R5 w t! f+ J, s! X5 Z' M; c
| | ├──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
( p/ I' @- m0 J" I. T* [; j1 f- Q| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M6 h- c5 _4 ~4 K' d, e* C
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M/ b" z# L/ `3 L5 C4 X
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M3 N# [5 [0 V; m
| | ├──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 38.09M6 N' X. d9 u0 u2 b+ \0 I4 l
| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M
. m5 _! q% y9 `' p% q e├──4--人工智能基础-高等数学知识强化 4 ?2 u2 k. S+ C+ Y0 l3 E
| ├──1--数学内容概述
% h$ e) t/ J/ Z# y6 W5 ?| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M# B7 P2 G( l+ v1 C
| | ├──2-线性代数_概率论知识点 .mp4 26.81M
! N& {0 Y0 }# \- Y* [3 q, d| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
5 P! o2 Z3 T2 S5 t9 ^# W; c7 m| ├──2--一元函数微分学
3 ^1 N+ |1 t1 T1 h| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
" Z7 h( @% ^& P& U9 M. X| | ├──2-导数的几何意义和物理意义 .mp4 14.49M' q& I, {$ C( a9 t, r; D' K
| | ├──3-常见函数的求导公式 .mp4 22.76M
8 ?& P Z' K0 R @9 ?6 v| | ├──4-导数求解的四则运算法则 .mp4 26.52M
% D' e8 M, N% `| | ├──5-复合函数求导法则 .mp4 19.68M
, U& A0 u' t5 b( s) T| | ├──6-推导激活函数的导函数 .mp4 33.40M
( s: U. `: `% A- }0 v/ M| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M& f( R9 T2 }8 h5 {
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M: [2 g7 q9 q1 e+ Q
| ├──3--线性代数基础
1 I, x& P, o, s| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
' q6 R8 f' F5 \ P7 G5 J8 x| | ├──10-矩阵的逆矩阵 .mp4 38.54M
; f* {7 j7 g0 g| | ├──11-矩阵的行列式 .mp4 20.13M* G# I1 g1 v' x' [, {. Y& k! {
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
0 ^# H- D9 ?5 N9 c$ s1 [6 @| | ├──3-向量的内积_向量运算法则 .mp4 19.78M/ Z: [5 \- l; \( E& f
| | ├──4-学习向量计算的用途举例 .mp4 20.32M* M% S) x# O1 [& i% N8 p
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
: M) F9 e% x! y2 y| | ├──6-特殊的向量 .mp4 26.45M
2 e5 P4 l9 d" G: n| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M( x8 y# g- H7 \" R) C0 E
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M5 z" j+ ^% g- N3 H7 Z" N5 h) u! k
| | └──9-矩阵相乘 .mp4 20.02M
# W i( P9 N4 d" @, ]/ c| ├──4--多元函数微分学 9 W8 G6 t8 ?' N
| | ├──1-多元函数求偏导 .mp4 22.61M6 @- ^; A9 d+ \; l/ q
| | ├──2-高阶偏导数_梯度 .mp4 27.15M% e# y, M. c/ p$ o* @ \9 T1 I
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M% \- J2 m0 K$ @& g* {7 f
| | └──4-Hessian矩阵 .mp4 32.93M
) i1 ]# \% T2 H: O5 W| ├──5--线性代数高级 ; H+ B3 |' \9 i2 ?) p
| | ├──1-二次型 .mp4 27.70M
2 M v- B3 p! `| | ├──10-SVD用于PCA降维 .mp4 24.90M3 t8 o. C' E) |5 V$ s6 P
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M) K, ?* C) d2 y0 H
| | ├──2-补充关于正定负定的理解 .mp4 23.48M1 T$ w C8 j" z& ]$ Y
| | ├──3-特征值和特征向量(1) .mp4 29.83M h& v' S6 c: S. A2 s, O. o" Z
| | ├──4-特征值和特征向量(2) .mp4 30.07M
2 Y1 ^/ w8 V/ o% z% Y& s. {. y| | ├──5-特征值分解 .mp4 38.68M
1 }& o' i6 j$ ]% y| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
; h6 v' n$ r" F0 D) b$ J| | ├──7-奇异值分解定义 .mp4 22.58M
5 {- w- F0 {3 e8 T, L' y+ Z| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
& v" _) w+ `1 T. Y| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M. p7 I9 {$ w9 ?
| ├──6--概率论 " W, S- Z. D5 s9 M9 C9 Z# c
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
6 Y: K" E0 p# Q# B, B$ O4 K2 G| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M. t8 G* i0 O% I7 N+ E# p. j
| | ├──3-随机变量 .mp4 22.57M
" @0 l9 O7 z# [8 U' F" z" n! _| | ├──4-数学期望和方差 .mp4 22.96M }7 E3 v* {8 p. a
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
" G0 O8 O- Y$ j; X| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
$ b+ q3 B, e; B| | └──7-最大似然估计思想 .mp4 23.42M; |; b% I9 E6 L' l) I2 A* v
| └──7--最优化 ?$ f! t7 j/ y+ g. d9 O
| | ├──1-最优化的基本概念 .mp4 35.14M
% L& w$ o Z! I- r. V; s4 u| | ├──10-拉格朗日函数 .mp4 27.46M
' C# y- A0 g/ K' r| | ├──2-迭代求解的原因 .mp4 20.15M7 z' F9 M5 s4 {) `( T" m
| | ├──3-梯度下降法思路 .mp4 26.33M+ J) N: t/ B5 e, I1 ~: u- K3 [
| | ├──4-梯度下降法的推导 .mp4 43.56M, M4 N, ?" n. X; X' @
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M% t4 n7 N* L0 I, b) X1 g5 y
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M) N% C5 p' o( L5 k/ K t% Z
| | ├──7-凸集 .mp4 21.90M! ?7 K7 Z; _. T! l8 @1 E
| | ├──8-凸函数 .mp4 16.93M- y) {' v3 c( j/ d
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M7 `) M \ }" ^1 \
├──5--机器学习-线性回归
$ Q/ H7 y. r0 d! {, Q- p| ├──1--多元线性回归
5 H3 x0 x* R4 X/ s| | ├──1-理解简单线性回归 .mp4 51.11M+ u ]8 o% z5 J+ F* I
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
. e8 _& ~0 Z- W1 P. y X| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M- r0 ]$ H% b7 O% c( o6 i
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
. h; A( u7 [2 G1 {| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M5 l# l, {) f" H
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
' E, Z7 H% @9 S5 }| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M* d( B2 Z8 X J3 } I( B
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
/ `$ }& J# l( r| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
/ U( L/ Y! B5 _5 J8 b |; o| | ├──18-解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形 .mp4 48.31M* S+ [/ K. x: d( s, E: Z" P8 l
| | ├──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
$ [' A9 C2 P5 U/ e& [! B% [9 || | ├──2-最优解_损失函数_MSE .mp4 39.58M
/ E! J. N8 l& e| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
+ h! l) D4 {% K1 l% M& t| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
, k: T0 C7 z: N& ~6 E| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M; l' D: O R/ y4 {
| | ├──3-扩展到多元线性回归 .mp4 32.15M/ | t5 m+ P4 f* |( w0 Q: Y
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
. ^6 ?, y7 S0 \9 }| | ├──5-理解维度这个概念 .mp4 41.41M
; m6 ?+ }& A$ t: W7 Z' k( e Z+ || | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
- L# K; z. a; ~8 d' s8 L5 X. u1 ^| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M' J6 Y# c1 H _, C7 S
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M0 S$ w* b! l# A
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
; z' U+ Q* n, m/ t8 B# j| ├──2--梯度下降法 1 V( o6 `! [& P [) Y+ Z; C
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
# |1 ]& q8 n L0 V# A3 T1 }- P2 b5 c| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M7 [% r) T- S4 ~8 n$ K- n! D0 X
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
1 @. u/ E9 U$ O* {( r| | ├──12-代码实现随机梯度下降 .mp4 26.67M$ ^* b3 p) ?) I& N
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M+ ?7 m ^8 ~$ J9 i
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
5 B7 l2 @/ w: u$ J5 T$ I2 c| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M6 c2 w( }3 p) B/ a
| | ├──2-梯度下降法公式 .mp4 57.12M
, X' {6 W$ G c$ R0 H" W. `% l" G6 @| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
9 p# a9 s' J/ j1 F1 w| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
6 L4 q7 I5 l8 C9 u8 T; ?& Z0 s| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
" W2 w* |0 h, q. ], \1 u| | ├──6-全量梯度下降 .mp4 62.84M
$ @* W+ Y `& R0 s6 f0 ~| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M5 g+ u" Y& W' I* m
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
8 Z, y8 K/ Y7 K7 J# F, f| | └──9-轮次和批次 .mp4 45.22M
3 V: N4 N) A" b' e# g8 {: ]| ├──3--归一化 6 {8 f4 Y7 o2 i# j- x& b
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M0 Z. J, T* j/ F- I6 {3 e
| | ├──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! V; N2 Q' K/ [
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
5 ~- X: a0 p5 P W7 q L, F' m- s/ ^| | ├──4-最大值最小值归一化 .mp4 24.87M
) v; Q: w/ H3 ?. F; `| | ├──5-标准归一化 .mp4 51.86M
& d! X3 i% w. r7 U% r| | └──6-代码完成标准归一化 .mp4 41.13M9 ^+ z! E+ P& b, F# O c0 X' q
| ├──4--正则化
3 A5 u" V1 `, l% Z* B; B3 d7 @8 b| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
n3 Y3 A) w1 A| | ├──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
. |, E* ]5 U" T# A| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
$ L7 a$ T5 S; C' h" g| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M! D* B3 a: `: [" o& r$ s
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
9 D1 Y/ k9 C* v) _| └──5--Lasso回归_Ridge回归_多项式回归
( G7 M% s! O$ A& y7 M' N" b| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
# g6 _, c% p9 s0 ]1 |; Y2 @- F| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
' n* |' E7 L* Y0 u. ]& G+ n| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
: T6 k/ }/ D ?# c- w3 Q| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M! |" Y+ s' m" q3 U- Q2 y9 Q
| | ├──2-代码调用Lasso回归 .mp4 28.73M4 k7 [9 F8 _* m' T$ Y
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
7 x2 Z; k- i/ B| | ├──4-升维的意义_多项式回归 .mp4 48.06M
% V3 h% p" W0 V9 a# S. E% `1 j| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
6 f: I; S# ^; z1 ?| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M- m5 F0 l: _$ P+ L% Z: X# U" y
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M# u. {# g& z) d) t2 [
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M& L( @3 ~5 f% V2 m# T
| | └──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 w* X: m, w/ m: P K- p
├──6--机器学习-线性分类 3 A* D9 x, c' J4 u* ]3 t
| ├──1--逻辑回归 & K' x. _$ l, A9 W
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M' l. P; |; l4 V) M
| | ├──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 Q8 u# d: H7 R' u0 j
| | ├──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 43.87M9 V7 h% O6 y; _/ s
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
" C. ~( O& o- W! o8 j" ]& P& z| | ├──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
7 A3 R) ]$ S1 x( {) u| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
8 L/ r: d. U. s! G5 p| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M, L7 y8 T5 a0 Y+ {: `/ D% c
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M& d) B6 H7 ^2 q# f! @9 c. Q
| | ├──2-sigmoid函数作用 .mp4 38.15M1 ~3 w4 o/ B* `% o
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
9 q `+ l6 Q& Y$ P" K) U| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M6 Z/ f% u- O( }8 ]# ^$ ^3 J
| | ├──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/ D: {7 e- n5 j. s w6 W% X
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
* ^4 U# o6 T+ P( L) Z| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
6 \( k5 q, T5 k. e+ R| | ├──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
}9 S" o2 ]( e$ ^% ^' r ~9 Y% g| | └──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
0 P" T5 B7 n+ L| ├──2--Softmax回归
% X9 }% }! A" J7 _5 H# K| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M& q/ Q7 s/ z- y! I3 X
| | ├──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 42.74M2 P7 m- V) Z) a
| | ├──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
I# s( L! g9 f6 {4 o| | ├──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" w2 d2 m" f2 L2 j5 Z' X
| | ├──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
7 p& v+ O2 j6 J/ |& w5 @- q6 S| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M& a! p0 N0 p, Y% M. W7 H
| | ├──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
" Z* S- G, t6 ?7 {8 ]& Y| | ├──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 28.15M7 {4 T+ B* U+ U
| | ├──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" l4 V; F) B5 a1 T1 w$ l1 E
| | ├──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
0 Q* w$ N3 S$ x| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
7 R4 U- k" Y7 _| | ├──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 T* ^% G$ A5 X0 J
| | └──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
3 |0 A% F; w; e/ R- Z2 W. b6 @% r| ├──3--SVM支持向量机算法 . h0 I" y7 `; g
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
! Q7 i* \/ V/ Z) D; n| | ├──2-SVM的思想 .mp4 55.56M1 b2 |% \3 k2 c' U, |
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M: |9 b' V' }5 i. G7 N. n3 z& f
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M4 F& e) q* p5 _ c) q5 b' E" `
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M d4 h. d K* x, W: a
| | ├──6-总结硬间隔SVM .mp4 39.01M
! S9 n" k" D( {: v6 ?( ]) L| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
+ n7 q" ^# V2 d0 j% Z| | ├──8-非线性SVM .mp4 54.43M
1 H7 v$ a8 Y2 T' {: g: O| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M2 Y7 k. [, x- C _6 J# a3 Q
| └──4--SMO优化算法 4 Y* x2 a" ^5 K
| | ├──1-SVM算法流程总结 .mp4 58.36M0 R# H- n# p7 A! x& a! g9 e
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M: l; j0 Q1 N; ?$ t7 `. X% ?% d
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
: [, }1 e% Y; A5 F0 u| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M2 w9 \ ]6 s3 M, Y9 y8 y
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
' |' K! n/ X- T, r$ G| | ├──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- w6 F" H0 o: D" w4 i9 b3 Q
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M1 ~% N! y4 U& |0 G6 s3 H/ R
| | ├──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
# `; K4 Z, Y% q* r G5 c9 H4 p| | ├──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" |4 p! h! Z8 B ^" A
| | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 53.19M* ?, M' o/ _) a2 N
| | ├──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
" T' X+ O& y/ 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
) F# j6 k F. S| | ├──7-启发式选择两个α .mp4 23.11M9 \( `, B3 f' Y+ p( {
| | ├──8-如何计算阈值b .mp4 50.18M, f% S# w, U# m3 o
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
6 R/ p1 N4 ^9 l2 Z& ^├──7--机器学习-无监督学习 5 N, H5 ]$ e. o- J9 Q& v/ p
| ├──1--聚类系列算法 8 [, G/ _, [8 w- J0 f3 x
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
e) ?/ f7 m; Y; J# }% c9 M# l. t| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
! w; m9 b2 H; n' Z. J1 w% M| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
: ~. Y( w7 r1 @. p! M$ x1 w| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
* S2 ], n8 S H7 U# L+ }3 || | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M2 R9 c: f/ J0 i" `
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M. W" T- i- z3 {0 M9 }. |7 |
| ├──2--EM算法和GMM高斯混合模型
3 ~$ r' g q$ |5 G/ S| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M8 m& h) C$ ?/ X* L- i3 F
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M1 e. g G* R w
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
2 s4 t3 d6 t/ v6 X' T( E| | ├──4-Jensen不等式的应用 .mp4 109.17M- ^/ x" b5 a- ]8 c( i" J
| | ├──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" ?# H2 ]& y* c+ e& g
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
: Q3 w3 H* q, x3 c1 K0 T% m. {! k| | ├──7-GMM前景背景分离 .mp4 16.01M6 m: Y& p; Q" u3 z) p, R, \7 Y2 q
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
0 _* y( A: ^8 [. l0 `: o; N, q| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M! O" a0 m' R# q
| └──3--PCA降维算法 & A; ?$ [9 H# }2 \- _! i: m1 K
| | ├──1-特征选择与特征映射 .mp4 49.38M
4 E8 {* P8 w& x: J3 p| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
" u. s" b4 _+ l# w; N+ Q| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
: T/ w6 @% t7 N2 d| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
2 r& Z V: |8 D! f0 s/ V/ Z/ d/ q" T| | └──5-PCA的几种应用 .mp4 54.58M [! O) Q" D! N& l- N- e1 r
├──8--机器学习-决策树系列 7 J3 Q* n0 Z& z6 o# s- C
| ├──1--决策树 # Y# W6 y0 v# W' X# T
| | ├──1-决策树模型的特点 .mp4 74.88M5 }& M' O# Y7 M. x2 X7 d; q
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M3 B! ~ q( a; _& O" w! f
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
1 P! G. ~ L* E3 J0 N+ ?| | ├──12-后剪枝的意义 .mp4 50.49M
& ^" p& V# T4 q0 j; D/ i| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M8 m; }6 e5 I8 L$ ]0 N: G4 L: c
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
& R' G" t& ?" x1 b# G| | ├──2-决策树的数学表达 .mp4 89.94M
$ Q a, t; g& V, m, L3 O' M| | ├──3-如何构建一颗决策树 .mp4 84.87M
9 {1 |1 e) {2 v3 d| | ├──4-什么是更好的一次划分 .mp4 57.02M0 b2 }" P: \ P; y7 T( r s
| | ├──5-Gini系数 .mp4 107.54M* l/ e8 Z0 n% y' _; S/ j
| | ├──6-信息增益 .mp4 75.26M' |2 x( I! A+ h
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M( \5 W: F! p, Q! d( ^" ~
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M8 w: \% D/ a1 ]9 d" ^
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M8 C8 N2 O8 c1 W, V) m3 ]4 W" v
| ├──2--集成学习和随机森林 5 c4 o$ o( s, e1 a
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M& ^) c2 x4 W3 Q1 w* Q! G. Q6 ^$ B. J
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
; _" M" ]$ a% @4 C| | ├──3-随机森林 .mp4 108.14M
" c- e( c" z/ }/ y( K| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M A/ q& | T& \! w
| | ├──5-OOB袋外数据 .mp4 106.07M+ I0 s1 q$ i* h! ]& S
| | ├──6-Adaboost算法思路 .mp4 106.30M
* t0 {5 Z" o1 ?5 o| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
4 L- A; E* K1 z w! n| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M5 q4 X5 I3 n% S) A4 g1 p
| ├──3--GBDT , k6 O6 q* c" S9 j) {
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M! p: M6 w- a6 I
| | ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度 .mp4 72.09M
1 ^+ L5 b" u7 t| | ├──11-GBDT多分类流程 .mp4 73.80M& U/ o8 \0 o- D( `$ u+ H3 ^- h$ i
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M! p7 M& |' l; F6 L3 R
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M0 g1 y" `+ ?0 g* R) x
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M$ n! o! L% V/ L' n% \# ~
| | ├──15-GBDT二分类举例详解 .mp4 86.67M B) a: j+ X* Q
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
$ [3 G* ^5 M3 _+ ^( n( R# r| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M H4 ]/ _! n# p7 N, A5 ^+ v
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M2 Y3 v! n3 U" d+ R! H7 o( ^/ d3 E1 l' _
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M) D/ S# T$ x$ |' ]- w9 f' J8 y% e
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M% ^8 |: `/ @7 d/ Y
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
4 M% H( R( s( H| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M/ ^: ?5 H2 p& W% x9 P, ?
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
7 L! u. n/ C9 b: V| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
% s, h$ B$ L; T% d! \# @* c| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M
& k) |& q! F' C; ^* e| | ├──4-GBDT应用于回归问题 .mp4 84.66M
& ]# f( P. I* E, T| | ├──5-GBDT回归举例_总结 .mp4 108.52M; ~5 i1 C' ^4 @6 B
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
, D# n5 ?/ v4 d" A& T| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
4 u4 A/ y. s1 n- u| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M. p: f7 X" P1 e
| | └──9-GBDT应用于多分类任务 .mp4 73.34M- H3 Q7 E5 M' n4 t. S0 s! q6 q! \
| └──4--XGBoost
$ ~0 m: d! ^, J/ ?' Z6 a| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
+ b( L6 o! a) U, @2 K7 W- | O1 Z| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
8 ]1 s# r+ A3 O$ P" c* u| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
! m5 p/ a, ~& || | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M. z" t; t% ]' ?
| | ├──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- I$ N5 c- H2 C
| | ├──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
# G' z& X, G6 G+ K| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
0 ^+ _- N- N* u) i( @| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
' z" s- W Z# ^& g. Z| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
. d- f3 j5 ^0 f( l! S$ F| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
- c' ]0 I! i. r; m+ j' t+ i| | ├──3-基于树集成学习4个优点 .mp4 91.36M- G$ w# i6 M6 Z' U5 w
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M+ s% u1 M1 \! A/ ^* _8 `
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M9 G- D0 U0 V$ Y* d/ B
| | ├──6-Objective_vs_Heuristic .mp4 60.42M% s7 i* x) g1 V7 s* b& b- [
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
5 s' ^1 a/ k- Y& Y| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
! I2 ?5 ]# v% a3 G3 V| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M
: t. t3 e( F7 T7 R) E, L8 P├──9--机器学习-概率图模型
* B5 s* g e( \) Z1 Y; G| ├──1--贝叶斯分类 ' K( r5 p% L1 K
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M1 u1 g5 [7 e. X n0 N5 _) I7 Z9 B
| | ├──2-TF-IDF .mp4 53.08M: _% ^. C0 w; ]1 t) N. t
| | ├──3-NB代码实现解析 .mp4 126.73M
! @( E6 i8 W9 B+ O: T# L* c P4 S| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M9 F& n, e. `; ?" {
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
* d$ Q( K: r6 W C0 D| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
- f- Z! F0 \$ @. m/ x- || ├──2--HMM算法
# E9 V$ m( P+ I9 F3 y# W| | ├──1-HMM隐马的定义 .mp4 36.82M
3 B9 @4 i5 G+ r; m| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
6 ~5 w6 H4 a& N" u9 X9 u| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
j- i9 A0 h0 s, N5 x| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M( l5 l c. C6 {4 ]
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
3 \+ Q. n- k3 k% q y: f| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
0 e. k* {$ V8 c8 y| | ├──7-Viterbi算法案例详解 .mp4 107.12M- }/ e- F$ e* k$ C. ^
| | └──8-Viterbi算法代码实现 .mp4 42.43M
4 W: U5 J7 V& e1 A8 m8 @! g- Z| └──3--CRF算法
, N& R: S( W6 n) O4 P6 D, e; Q8 m4 ~| | ├──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
+ W) u6 K+ c/ h. k! g! k: Y| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M5 u& c( X2 ]3 ? h' O+ A
| | ├──3-了解CRF层添加的好处 .mp4 105.90M% N, f4 Q7 I* Z2 G0 K
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
" X- M( E& ~3 y9 y) C| | ├──5-CRF的目标函数 .mp4 23.74M' l/ k: j: P# `5 ^+ U+ _
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M) u* t$ ^8 j8 ?8 O( G- W
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
0 G2 z; ~" V5 D. I& X| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
K, m$ c5 Z% @0 V8 {" G└──课件.zip 2.54kb3 ?% M. h6 p$ B, I. c( Y% W
. O3 P3 t2 [5 }+ ?( L3 }
' A4 z! D- Y& J8 Q4 y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！- Q( o! d- F. ~1 l7 x4 n
; X' g% b# B6 g+ }( U( `7 N4 }5 s1 I+ I* e( Y' P: K" D2 O' u
|
/1 
