战-人工智能2022/8 T9 F# s. M( ^) h* i
├──1--人工智能基础-快速入门 ) U0 j: ]' ?8 B. ~ F) ]- i
| ├──1--人工智能就业、薪资、各行业应用 9 |+ i# B: ~+ k/ F
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M/ Z# I. {; w1 i; A; J- U5 A
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
2 f3 G. D; i2 Q1 [" ]| | ├──3-人工智能时代是发展的必然 .mp4 23.22M$ _" p: z+ f# y1 q+ o; X6 J8 u `( m
| | └──4-人工智能在各领域的应用 .mp4 57.73M
1 M. Q) t1 V8 J| └──2--机器学习和深度学习、有监督和无监督 1 w+ z! i+ c9 |0 e9 ?; Y. e2 y
| | ├──1-人工智能常见流程 .mp4 89.62M! K( V& F9 L; S
| | ├──2-机器学习不同的学习方式 .mp4 83.51M4 c' ^. Q! T" f+ P2 V' j
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
# l" X: @% k- J( d| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
4 `' O+ J1 c0 ]2 K7 f; m; K# h| | └──5-无监督机器学习任务与本质 .mp4 50.15M5 w7 c/ m- r7 i3 L! [4 r
├──10--机器学习与大数据-Kaggle竞赛实战
, h, N4 N% A3 B' l2 \' @' q/ \, z' [| ├──1--药店销量预测案例 % O! e/ f6 M' |3 ~1 M- ~8 `
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
; S, p/ d+ J# M& V4 ?# W6 `$ J6 S2 O. U| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
/ V+ e( T2 n# x* m6 e| | ├──3-自定义损失函数 .mp4 21.12M0 R/ s, K6 B( d2 Z u2 G
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
2 j! t8 }1 f! U M| | ├──5-数据的预处理 .mp4 111.81M) e6 }$ w* j0 V7 C6 x) `% V
| | ├──6-模型的训练_评估 .mp4 66.64M2 [$ u1 b" j4 y& c8 q/ J: b
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
5 @: z; M ?# k| └──2--网页分类案例
( F0 r+ @, u- T( c3 W| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M) r! y- d- `" t* w
| | ├──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
. Q1 O! E. }! [( D& H( h| | ├──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; Q9 w* m: J4 i8 Y1 @6 ~- f1 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. `* M4 {" p2 J6 W- V' e
| | ├──2-评估指标ROC和AUC .mp4 56.19M
9 r( U. ?8 ~" ^| | ├──3-评估指标ROC和AUC .mp4 49.03M* B& P) c" _( | [& @+ [& @( H. i
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
5 ?* s7 q$ f; M) Y4 @8 || | ├──5-数据导入 .mp4 68.41M' S) T0 [' w% l9 t( H& M
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M" Z( _/ o9 w" @6 B0 {8 I7 _: }/ ]
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M6 U" [: a/ i$ z4 K2 B- x! c
| | ├──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' n9 Z4 G6 F i4 `
| | └──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
% V4 ?( N7 @ Q( R4 T4 D A├──11--机器学习与大数据-海量数据挖掘工具
/ F4 K, ]! x- D+ a1 |9 b9 || ├──1--Spark计算框架基础 0 r# @6 F: M! e* m( v" K+ w
| | ├──1-Spark特性_01 .mp4 41.68M8 Q( `8 c+ s* }" A, M
| | ├──10-分布式计算所需进程 .mp4 26.30M, Y# ]8 Z# U# q5 P4 i. }9 U* e
| | ├──11-两种算子操作本质区别 .mp4 56.31M) X( L9 c) }' U+ J' P) @4 P% ]
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M& G5 N# v6 i& O4 A L) | i# q
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M' a7 s) t6 ^5 y# c
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
% L1 }, z1 S; R) [( I6 V. L/ _( x| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
$ |7 ~: P4 U7 C& p( c, f3 S| | ├──2-Spark特性_02 .mp4 35.15M
3 c8 S* T- C. ^% s0 s| | ├──3-Spark对比hadoop优势 .mp4 19.34M
5 T( M, U0 {' I| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
$ a1 t' _/ w' S4 o| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
; l# k& ^0 k. |/ ~2 U. o| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
; V% O. [& }: s: m| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
: A0 ? q( @1 X || | ├──8-Spark的RDD特性_01 .mp4 33.08M
, V; I5 q3 ^# u% s7 A' P3 v| | └──9-Spark的RDD特性_02 .mp4 33.41M
/ s% M# \$ v1 A8 v5 m| ├──2--Spark计算框架深入 # L: i; |: G9 d2 n
| | ├──1-Spark数据缓存机制 .mp4 54.43M
) N! l" P) Q2 s) `| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M; r$ j) t g/ |4 D. }* {% J! ?
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
a' k& R6 ?. m {| | ├──12-构建LabeledPoint .mp4 111.08M
/ V9 V! V" I0 [& p, _| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M1 G2 N0 [5 m: y7 I- H% D; O: a
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
/ F( b3 n/ \4 h| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
0 m; w1 H/ S# b' n1 C( @| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M. M* J2 J$ M! c- F
| | ├──5-Spark术语总结 .mp4 89.66M8 T" ]# n z% n6 \* T) [+ i! v) ?
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
i# b5 i8 B+ y) U2 {3 v| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M' O. u" {, `( K' k# N# P2 Q2 U
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M; u" @, H) n" s$ P% k: u9 A
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
- S; J' F5 m; d L+ W| └──3--Spark机器学习MLlib和ML模块
$ b& w3 A4 d/ @! s' C| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
* S o7 g5 C3 B. Q: l0 l/ l: a0 F| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
6 N6 V2 Y4 ?3 J4 {| | ├──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
- G- \0 w5 E7 K4 X| | ├──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
! l2 {6 j0 i; G" || | ├──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% e5 E8 i5 ?! V- Z& t7 T! |- A: A
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M) K/ q: k6 \+ j6 D7 ?/ C J! j
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M, o) ?7 _$ @8 o% @ V( f# O4 F
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M, H0 }) w7 J% v+ s2 J! L3 r k7 ^
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M$ {1 e* k3 C# O; ~
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M1 E: L' u+ Y& z* x6 b
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
% w. f, R3 g( D/ [| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
2 o+ F$ ^$ ]6 I+ F7 A/ _7 || | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
$ p! f, ^0 H5 t$ r. @| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
. C) G4 Q& P ^& x8 g| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
- `* r4 ?2 ]) o+ |( p2 h| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M/ g$ D$ S) l. u3 X, W! B) N
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
( g% j+ m7 B5 H1 o. I/ t| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M9 j) N% O/ ^% o7 W
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M4 Z/ D# o8 z8 G( n+ ^
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M- d' P+ O6 Q6 u1 Z$ w6 G
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
# H! y" {4 E% q* Y# W2 L; m| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M7 Y9 z& H7 z1 c: b- }
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
9 G5 z- n2 E& g- o$ B% O| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M6 Q. [* a7 f$ Y
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M+ o3 ^. i4 [$ d" o1 ^9 S
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
# w: i3 d0 i5 O├──12--机器学习与大数据-推荐系统项目实战 9 b5 y# N( V. H! |% ~. G
| ├──1--推荐系统--流程与架构
+ u) D; T6 {& k8 S| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
/ A8 ~, \2 Y n9 s| | ├──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
: J$ I- e7 F3 p: x0 T| | ├──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: c) y4 M4 I& |% ^. t
| | ├──12-推荐系统_数据源_1 .mp4 79.07M2 L! i! b3 v# B- s4 _: \
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
. Y2 C9 J; v) T Q2 s: w: t| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M C# }) @- S. w6 b) x0 O+ i* `$ ~6 N
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
% F2 M1 y. N/ M6 j) \0 p/ b| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
+ r6 Y0 p+ X4 F, |1 Y5 O| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
& @7 \. i+ R( [0 y4 [| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M8 [0 K& y+ O1 d2 _% n4 {
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
! D M$ U9 P g| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M4 u% m* u/ e$ _2 B) E" Y6 S' z/ l
| | └──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
( d* M/ T* H3 x0 K% y| ├──2--推荐系统--数据预处理和模型构建评估实战
/ m m5 V$ |. I+ M/ V( W% X| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M2 a7 ^7 r' S7 r3 l
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
, s, t- O! P. q8 y7 ? S| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M, M! O. L! n5 x% |$ Z7 x; R) l
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
, l! |8 m) @! w3 r( U2 E( H5 O! Q| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
5 q% ]8 ]5 |) O| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M, X( B5 {- N2 I# V- k
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M. N$ k: I! V( G
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
4 D( T, Y$ W1 w }8 ^' I+ @| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M; v1 a9 j* |. s& ~7 T7 u* w+ o
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
, D* D" E$ Q3 F; s) n+ @' e| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M- E# B! d) H: v$ S) Z
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
: n7 \* O. j! g1 f5 l| └──3--推荐系统--模型使用和推荐服务
- `4 K$ y- g \7 e" p) e| | ├──1-推荐模型文件使用思路 .mp4 61.89M
2 D3 m7 g. O( ]. ~$ G8 R| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
- w3 v L4 e5 b. ^$ q' \. d| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
- S( R" s6 M: t4 B| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M8 Q8 z2 I7 t4 V
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M9 p v3 @- q! C4 R
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M: l5 N2 o, F5 ?3 y5 g. t
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M g0 ^' @6 z+ q; e; h0 y
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M* H4 o: T. V7 g* ?; }- r! F
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
& G# E; h! u- W5 F| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M0 g. g: Y9 i4 X" ] a5 Q+ ~1 B
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
% Z9 H$ A% c* E% I| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
/ e9 k, r+ Q2 Z" H$ Y5 g5 X2 i├──13--深度学习-原理和进阶 , b/ C, b2 z( {: z, C$ l# a% e
| ├──1--神经网络算法
- O! e$ Y- n0 ^. Q; G( ]2 A| | ├──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
; c, `/ b7 z% J! f| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
! c0 P* O) K- l; w+ a4 u* \| | ├──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
. ^- Z- v( G, I| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
* H' s- c1 ^( l! }9 q. L1 h| | ├──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
* V5 n A( P8 x0 ]" M! p| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
; W; J- @+ q, ]| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M; ?" [' W$ e( Z6 R" Y8 d; I, E6 p
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M5 S9 O$ ^8 s% T/ _) E2 u9 c( X
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
& o% N; l a/ U( E( @5 U| ├──2--TensorFlow深度学习工具
B6 ^# z; b7 D| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
. l3 }8 d5 E1 h0 n4 y( P| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M" U- K# G0 L( B. S, I: c" q/ Y
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M# u! J) r- r! F1 ^0 v8 Z9 I
| | ├──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
! P" y) z3 @+ B$ R0 ~7 [| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M* H6 X7 E& r! p$ k2 }5 O; r
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M1 p4 \+ l" W8 K n, \
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M! f; P- Q' ]" }: F8 N9 F* ^* c) C
| └──3--反向传播推导_Python代码实现神经网络 & m3 ^/ E% n, k2 j# O5 {+ X
| | ├──1-反向传播_链式求导法则 .mp4 86.47M7 Y* W4 e9 u, }' u M5 i/ s% J
| | ├──2-反向传播推导(一) .mp4 127.90M' }+ ]0 a; y& `" J' q
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
# c+ v, C: q% X9 r& \| | ├──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) D; L# `6 q& `. J9 j
| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M
`4 _; |7 Q' m1 M- ?" H| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M- t' B% y- N0 m! D9 c6 x& G e
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M3 V/ W1 C1 c" R! g4 K& y" W _
├──14--深度学习-图像识别原理
6 q |' l/ c/ k: H2 D9 y' X- s| ├──1--卷积神经网络原理 8 K h z: Y4 {+ }8 p
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
, M/ W4 R8 S) F* y; M| | ├──2-单通道卷积的计算 .mp4 104.01M
' u* y' T/ i) n| | ├──3-彩色图片卷积的计算 .mp4 52.79M+ ?$ C5 y9 t( c8 k# S! x! N9 N
| | ├──4-卷积层权值共享 .mp4 63.93M, i) X: k& v+ V9 e: S6 t& o* R
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
8 a l8 r5 B: y/ A% X+ D| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
6 o* }5 g q1 x| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M6 L8 n& D- B6 U: F( P( `# M
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M; O$ n' z0 X0 }3 N- O+ L& [) [
| ├──2--卷积神经网络优化 ( b/ _0 X2 v7 y% T+ ^2 r
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M( z4 F* @. N2 {. r* W W
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
4 Q# i1 R( Q) U- `/ N& `9 P| | ├──11-Optimizer_Adam .mp4 141.12M
8 W6 q7 `! U- \: F* A| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
. f0 ?$ m2 m, [4 Z! G2 p" _| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M. ~; _" Z( V& ` P8 M
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M% N' Y, o0 [* `/ j1 f9 G; i
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
- I7 [ b, s$ K| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
% k% ^& o, Q# H| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
+ g" i/ Y0 c5 a( \9 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
! L) ~; \( c: K( W1 }| | └──9-Optimizer_SGD_Momentum .mp4 89.70M3 ?; s' d" E b* C1 z
| ├──3--经典卷积网络算法 ! j- W$ q- N2 E% N) r6 W
| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M% Z1 d t) h- c5 i$ h8 \) X
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
( X4 f5 O6 V+ `| | ├──3-InceptionV1_V2 .mp4 165.86M ]" ~# u! t: z# C- z
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M$ D& ?) q' P7 B+ p
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
# l2 y1 h. ~( e) p! Y5 q$ l( L| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
5 r2 @3 q+ t) \1 o% s( Y4 f| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
- B3 j. {" D. E) G7 p( K' _| | ├──8-BatchNormalization .mp4 99.23M" @" D- ]5 }' z( l2 r7 [
| | └──9-Mobilenet网络架构 .mp4 150.05M3 Y9 e# f6 L8 b$ Z; i2 C
| ├──4--古典目标检测 1 |4 s4 |6 U6 F* l$ E9 n* Y* c
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M3 X$ C' \3 `- Y6 B# D: m1 v
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M e/ y N; V1 W \; r f- u
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
3 D4 w _6 e. Y6 w) I| | ├──4-R-CNN和SPP-net .mp4 124.06M7 b- n' D/ h7 J4 A* L9 D. ?- ^
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M, S7 q& t7 ]& w U
| └──5--现代目标检测之FasterRCNN
2 G- d- o4 u, b8 Q, r; j| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
3 C7 i$ L- a9 M' K- Y# c+ e: V9 K1 w| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
) U4 E; ^* l2 V: R& C$ Z8 e| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
$ o8 w5 M" c7 U% ^' r, P6 r/ _) `- b| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
0 x/ N$ w; b3 v; L: y3 x S| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M4 q' A3 I' `2 T) A
├──15--深度学习-图像识别项目实战
9 I- g. D$ b; v E! u$ C* |. u| ├──1--车牌识别 ! g! y) `0 \- `9 m2 |1 C
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
$ T% S. [/ u; d8 N! F4 g| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M; l% E! ^! `/ ~, k: [1 ?" X/ l) q
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
( m B" ^7 [3 V- A5 C7 h| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
+ Y* j; N, b# c/ R& v6 Y3 H| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M7 U* j% t1 d1 E* C' |6 m! n
| ├──2--自然场景下的目标检测及源码分析 f% U# m( ?% k2 i- \
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
* M# q- X. F3 Y" N" y| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
! u9 k: i6 E1 P( w1 i# e$ C7 E8 X" X| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
6 i1 d' ~+ }! L/ H7 B7 T| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M8 W; B3 S E% H- d
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
: M. _+ J& L! x# [| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M/ ^( D- [' Y3 ?5 _ {
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M7 }( z0 k, R6 T
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M7 |, C$ f0 ?; c, f! V' ^
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M. o0 L# L- O* I4 c3 S
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M7 u' E& W8 r/ [0 g
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
, O3 K$ f- X0 m/ r% N) i' p| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M7 O& w. u& m/ O5 N8 R
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M Z. {) Q+ o" F( u; {# k( Y5 D
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
1 p! l! S4 z4 Z9 ~8 O9 F' i| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M. X& _( B5 `/ p x- F- d8 W
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M, r: u. A2 P" S/ F
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
. D, \; e) w) g7 X1 f# ^| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M3 [" g1 z+ W: e& \! r( P `8 n* R
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M& P5 l+ Q, v% m# y; h3 T1 V- ]# P
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
1 S" P0 i( m2 B" K| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
4 O7 \: k& I! y0 \" K& P| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M( a$ n% q) L. y6 `
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
8 T- E- b: [/ M% S| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M# j# A/ v: s9 \% c# ]! S. ?6 c
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
0 W0 g* a) p: H8 }| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M" |6 S( n+ s- I# x/ f
| └──3--图像风格迁移
0 b( H- E/ D1 v# U| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
% ~( h. O8 |4 z: I7 u* `| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
O) V$ g/ t# m2 F/ ]0 E| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M9 d0 y0 D6 |% y; u! X! I+ x
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
9 F- o2 ?& e! ^9 d8 Z: k) D2 b├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 5 q( e- ^7 G# _+ ]: B' b0 ?$ J; B
| ├──1--YOLOv1详解
* Z) [; M X) \/ k4 k+ B| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M' _/ ?5 L2 G( X- I2 M
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
' g8 k) c4 q+ [+ w6 e- ^| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M$ @; T, z, e8 K- `
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M# }) i5 {6 L$ `4 a2 @0 H0 Q1 n
| ├──2--YOLOv2详解
2 t/ V! V% \* u# T; E; D% p& j2 S| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
& h; Y# I$ l2 [' Q| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M/ a9 o6 I& t! W3 o% w0 S8 q
| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M9 c7 s" J |7 p
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
3 n7 g7 u. W0 S) l" j| ├──3--YOLOv3详解 - B3 ^% ^) W8 r1 o* c. {6 f* {
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M! |7 I( E8 p( m: U" e0 \
| | ├──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+ u3 Q- x6 t& o) U8 U$ G
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M: ~6 N: n ]1 e1 K
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
- {+ V" V e3 e ~4 D% X' V& m| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
' R z. t$ x3 H. w; \| ├──4--YOLOv3代码实战
X; P4 ?* Z5 w) o4 ]/ f| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M' v1 B9 g- B6 \4 p5 {' m' u( t9 P
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M8 y8 ]/ v6 n! E( ]8 e: q9 K* `0 D& e
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M3 m# M* h6 I0 t: a, \! W7 ~
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M" }$ T) e1 W8 `
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
+ q2 Q- ~/ u& y* X% f X| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M, U7 N! W; n; b( d6 z- |* [
| └──5--YOLOv4详解 6 i& j ^# }3 G8 U/ D6 ~6 i( o8 A
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M) O3 a0 K% o7 x
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
3 Y4 A0 {. U+ `6 l* m5 q| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M9 G k9 g' {; X% G# Z; \+ _
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M/ a1 c% T$ Y N9 `6 B1 N
├──17--深度学习-语义分割原理和实战
2 I' v4 S: ~9 z| ├──1--上采样_双线性插值_转置卷积 5 O( F' K* f1 u/ K
| | ├──1-前言 .mp4 19.46M9 E) L6 t* L1 ?3 A
| | ├──2-上采样_repeat .mp4 23.90M% C+ T5 b, A. }; ?+ X d
| | ├──3-线性插值 .mp4 34.48M- D# Z- \7 Z6 g( ^* z
| | ├──4-双线性插值 .mp4 125.71M. ?' t8 j2 j6 t) a, l5 K* q
| | ├──5-转置卷积_以及TF的API .mp4 114.25M: C0 R9 T5 Z: T( K9 E. t2 n: A
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
7 ^9 R( \& ^* f4 W| | ├──7-ROI Align .mp4 58.38M) [) J! e$ `/ o L
| | ├──8-FPN思想与网络结构 .mp4 92.14M/ E, R, K" w5 O
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M R9 l1 s; o J* k4 _! ]
| ├──2--医疗图像UNet语义分割
# C$ F1 T: `# x1 H ~) U| | ├──1-语义分割的基本概念 .mp4 18.33M7 z2 ]7 v: s" s8 ?8 q$ ?
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M6 d- r# d8 g. x/ s% V( z
| | ├──3-UNet网络结构 .mp4 30.41M7 M# M, p/ X; A. B3 s; g2 q0 c
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M' m( ^( |3 g% _1 `, X4 G2 Q+ h
| └──3--蒙版弹幕MaskRCNN语义分割 ' F r# l/ i% z2 g* W, G) [5 D
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
5 U7 C: S7 t5 R3 [* Y8 ?| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
( d+ r" O) n' G N| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M! M a: X2 F% [2 i5 B* X
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
% q. w; m+ T4 w+ U; _| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
& F5 d7 V( x f| | └──6-MaskRCNN源码config和model .mp4 244.48M [5 O: E9 y) [# a& l7 E* W
├──18--深度学习-人脸识别项目实战 . P3 D( g$ ~/ w8 [, e( q
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
! J6 t4 V9 k, N' p, r2 o| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M4 D5 n+ W9 j# E4 @; J
| ├──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
2 S" \( f6 V- e& T0 j" g( m| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
0 X L, v% P# o2 M5 ~+ u( n6 f| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
4 @* V% t" L* {7 o0 h| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M& B/ l& G, ] w4 N2 R+ p. j( i
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
" M9 h/ \+ c9 }' F6 k- F| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
! ^8 V; l! s. k0 h6 O+ h| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
E! y$ m" d6 }0 _$ Y( X5 `* l| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
: R' T/ J$ x; a| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M! a& a) b( i3 t \" O
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M) Z0 m7 s2 a( L+ \$ e; M. \3 Z
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
% b% @+ Y$ n# O& F| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M* E# j# a$ c1 ]+ u( `
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
' k! {# G( }) Z: P0 r- N( m| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M' \5 t; I- T( S1 x4 D' A
| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M
8 ]) [; E1 V0 u) h7 D| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
4 Z! T$ m& g% o1 u| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
- b! y! z& F5 K* }3 n├──19--深度学习-NLP自然语言处理原理和进阶
( P' `' s) Q5 L W% F# x| ├──1--词向量与词嵌入
: R" m( K! r- i; v: E6 ?- ], q# D| | ├──1-N-gram语言模型 .mp4 116.32M
; X3 ^+ N* s: j- e9 ]| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
) n6 l ?" g' E, q5 H9 n0 E i| | ├──3-词向量的作用 .mp4 58.00M& P/ [3 }" B7 m5 Z
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M- W0 v. M$ o$ v
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M+ S# u' V6 r0 w0 i. K5 Q
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
% {! k5 Q1 J/ h0 h| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
% l4 z# _3 E* l4 |1 a9 T| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M1 i# O( K( r. k; C m
| ├──2--循环神经网络原理与优化
) o. u) L6 m$ O2 _7 }& B* E| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M k) h7 l7 r2 u* r+ S
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M: f) J' w) `: \0 \9 c
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M4 N- @2 N( `! T) d2 q$ ]
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
4 y% R4 |, ~" X2 Q7 r8 |0 V| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M4 Y7 K+ X) }6 r2 j( V
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M# J% J0 t7 Y& [' Y4 {6 p, F: S
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
* q4 v+ S' k3 z& X h" K| | ├──8-双向RNN_LSTM .mp4 52.01M- l$ \8 e& O, `" `
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M7 ^. A) K, b8 O9 q9 e! e4 e) r3 w' ]8 A
| ├──3--从Attention机制到Transformer
% k' x2 V- k# T7 R! b! Y3 t! K| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
d2 H% ^. y& D& p! L2 }7 `| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
' g8 R4 V6 |; z$ c| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
+ H) r5 |8 D. e G| └──4--ELMO_BERT_GPT
$ I# P% j% m I, y| | ├──1-ELMO .mp4 62.44M
! l) V A7 c6 Z+ ]# P3 ?& t| | ├──2-BERT理论 .mp4 99.73M
- }- c7 a% e/ J& e| | └──3-ERNIE_GPT .mp4 56.34M
2 }6 Y0 J7 l q. o3 N/ r; x├──2--人工智能基础-Python基础 * F' R( f( G7 r' X+ r
| ├──1--Python开发环境搭建 " p- H: }3 i# q! {9 G, }
| | ├──1-下载Miniconda运行环境 .mp4 100.75M" D# q* x' Z0 W3 y/ i+ C
| | ├──2-Miniconda安装和测试 .mp4 57.12M6 ]& k0 s% B7 g3 k9 c
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
/ s$ O E! t; e| | ├──4-Jupyter安装和代码运行 .mp4 37.10M. K/ Q4 V9 p: e' T; X2 p& a
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
1 Q' Z" Z7 P) B$ k! _| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M2 h. I5 {( {' P
| | └──7-关联虚拟环境运行代码 .mp4 38.14M2 ^) F( o, _. q# i' @
| └──2--Python基础语法 ! u& U; E% v6 R" Z
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M: l* ?$ W6 {( |: {# ]
| | ├──10-Python_集合操作_列表 .mp4 34.71M
1 j9 Y0 _. J/ j' E| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
1 H Y0 Y: U) r, I* K) ^| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
- |% }( P2 l8 z! l| | ├──13-Python_集合操作_元组 .mp4 43.46M
, C' ^8 `9 P2 B$ Z; G: y| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
& A! B/ V0 |# U4 o| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M! a3 B) x* |. Q- e
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M6 N: w0 U8 H* e" d8 ^
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M- h8 M, z+ w- s G
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
4 d4 j l* I4 u& g: c7 H| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M1 f. ~" M0 M% D1 T/ N3 P; }
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M. M9 F7 H' @& q$ t3 M4 v6 V
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
& i, F- q$ \0 `, ?; S5 x5 U| | ├──21-Python_函数_递归 .mp4 23.46M
7 v! j2 ?% L5 Q$ B| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
6 [- a2 ]. C+ y| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
1 L1 b3 J$ A( E, C5 b| | ├──24-Python_函数_闭包 .mp4 41.61M* \$ d9 k, _' X3 h, F
| | ├──25-Python_函数_装饰器 .mp4 30.35M
$ x) }0 F8 ~3 L( p# M| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M, G8 H; a8 d9 f
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M ~: b9 Q* |9 S
| | ├──28-Python_类对象_内置方法 .mp4 29.17M: j7 L/ O- g" N5 o0 f& j; B
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M: R/ [5 Y/ M1 k6 [ B: f
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M7 S/ C5 B" c2 k; _7 E4 c
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
1 j4 B' m, T& ~| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M" p+ ?0 F% I8 T, E. t
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
& x5 k: Z* C- u2 z| | ├──5-Python_控制语句_for循环 .mp4 22.82M
( s2 d( C ?& o. n) x$ f| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M$ C5 X2 D7 o9 S# M/ [
| | ├──7-Python_控制语句_break_continue .mp4 25.23M$ F$ q1 ^; `0 }) _+ w8 `
| | ├──8-Python_切片操作 .mp4 40.20M& q( @' L x3 N
| | └──9-Python_数据类型 .mp4 25.38M
; t( D! B4 T+ ~& u- a( w# z├──20--深度学习-NLP自然语言处理项目实战
4 O6 ^) x2 j& b5 w! [+ r| ├──1--词向量
! N% n0 X* s- s' T5 f1 v$ g- h/ Z) d| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M) V5 u/ a h" |" V8 z w4 H) W
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M1 C5 @6 ~& y) V3 e* _5 z
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
1 l9 f% F: ^3 |; P4 k| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M& S7 d; F7 Z& ]1 V' Z4 y1 Q( R+ p
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
8 D4 i2 A4 S# G| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
6 X0 b; v; x& O| ├──2--自然语言处理--情感分析 0 \( M" ], M1 U, [6 l
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
. B. I% @' X7 |; D| | ├──2-数据预处理_01 .mp4 79.65M$ e% a" D* h9 w4 W
| | ├──3-数据预处理_02 .mp4 45.68M
' G/ c; u: m5 I9 @ @| | ├──4-代码讲解_01 .mp4 52.29M l, n+ f0 A) I4 M3 Q; ~
| | ├──5-代码讲解_02 .mp4 60.85M
/ b/ c. a( e- S, J; e7 M| | ├──6-代码讲解_03 .mp4 53.89M
' N4 L# t E) f0 x a9 D( e2 A| | ├──7-代码讲解_04 .mp4 57.19M5 x4 A8 L5 }) Z/ Z2 U+ Y+ b1 t
| | └──8-代码讲解_05 .mp4 35.88M9 `+ N3 G+ f$ ~/ q3 J
| ├──3--AI写唐诗 + r6 c; |6 s: A! N0 [
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M2 Z8 j! ?' _0 q* s
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M, W* l, \3 U2 q; C
| | ├──3-MultiRNNCell单元 .mp4 38.93M
3 W, ^8 _: c* i5 g# @! g/ O$ {| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M8 b& `( z: O- j' k0 i, n
| | ├──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
. a' U2 T0 Y. E0 n$ c" `# N( a| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
; ?2 L0 N9 S1 G& m$ c. m( C: H| ├──4--Seq2Seq聊天机器人 9 g5 L# n8 w v3 g6 U$ b1 z( E
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M' {' i7 S+ g& @7 t7 | m s8 i5 b
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M0 T" N& u1 X u/ `6 I+ |3 \5 |4 }
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M p1 r& F! W+ N [& ]- }
| ├──5--实战NER命名实体识别项目
% o/ d$ }. Z. x! q| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
2 @+ n$ ^5 B6 a) g0 J6 J6 c| | ├──2-介绍了代码目录结构 .mp4 23.44M
- ]' S; W. g. o| | ├──3-NER代码读取数据和预处理 .mp4 97.61M4 o c9 l5 G; ^/ o
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
$ c4 n! N: g7 M# d/ {/ q/ \, T| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M0 q# [+ b, X; ]8 |4 P! Y" C
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M! [& T$ K7 i: r4 x* K, u. b
| | ├──7-CRF中的特征函数们 .mp4 125.97M
Z; s% [3 t' q, _3 h| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M1 ^7 H# b M q* z8 M: Y
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M% I/ X6 e5 m, h% ]' Q% [% D
| ├──6--BERT新浪新闻10分类项目 ) i" G2 m& m* s' y8 U# I
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
% w0 r/ J: |) X4 w3 o| └──7--GPT2聊天机器人
* D8 r* c) n0 m8 y: ?| | └──1-GPT2闲聊机器人 .mp4 62.28M- ?) ~' T& ] |" K' ^, K
├──21--深度学习-OCR文本识别 / z+ w0 H4 _" {. v; F4 T
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M5 d6 f# j/ x3 `! K! D, U) Q
| ├──10-CRNN项目代码剖析 .mp4 306.48M
6 x ^* Y) V8 P% T| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M$ U" r9 w- Y# n! W
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
( V1 q f. |% o/ z4 B4 P| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
) b4 t4 Y$ Z% Y| ├──5-CTC损失函数的理解 .mp4 330.64M
) K m. B' a' p- t; o& X| ├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4 200.52M2 Z' ]( P0 O9 h$ p% s7 ~
| ├──7-CTC前向后向算法代码 .mp4 225.41M* w% y* C7 J; H0 i" r
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
) K4 s( Y( L% G| └──9-CPTN项目代码剖析 .mp4 491.69M
" D: @7 j @8 ~" S$ s! { p; y├──24--【加课】Pytorch项目实战 % [' Z' T, H- _# _
| ├──1--PyTorch运行环境安装_运行环境测试
% m( p5 x2 W4 ^$ M% Y| | ├──1-PyTorch概述 .mp4 29.29M
- ]- F/ ?- u- \9 e3 [; {| | ├──2-PyTorch的安装 .mp4 76.45M
) {, u+ G _: A4 i* t6 \| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
- Z! ^* I" V: O2 _| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M3 c2 l; u; S2 C; Z5 J
| ├──2--PyTorch基础_Tensor张量运算 5 j! z% R' t' g/ n9 Q& z
| | ├──1-Tensor的创建 .mp4 55.14M) C8 Q' V" f+ ?# F, f
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M5 b& Q& x2 g" m! a4 f
| | ├──3-广播机制_逐元素操作 .mp4 44.46M6 @/ N& o5 V d9 x) l
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
* G$ b' G' ~% f% ]* N| ├──3--PyTorch卷积神经网络_实战CIFAR10 7 G1 z' n1 y" D4 N; ?: q9 F
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
+ @+ L; @) P; w- \& s| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M/ _! @; i E8 z& E- _
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
6 a1 g& O. L- o| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
. p1 ]5 ?5 m+ W- i| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
! U; T3 R' @; k, L! |9 R| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
/ {9 ^$ t# z# X8 q# h- O9 A| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
# c! Z3 F& q- ?( d7 V| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M% q( Y; Z M! B; E# q( d5 H
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M S6 H/ f1 h% {4 T) J* J8 C: O7 H
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
0 `, O6 j+ |2 B) e| ├──4--PyTorch循环神经网络_词性标注
# k" ^7 F- P9 G| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
% c( N$ X- k x9 p| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M/ | }% }1 k. t
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
; D& `! \2 t ~ n7 [! Q% @7 ?0 U| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
* k$ N7 B: K1 M, Y| └──5--PyTorch编码器解码器_机器翻译
) _. z8 o7 v6 Q! c( f: @. q) N| | ├──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
7 V! y. U+ ^# Q9 q; ^* I9 j| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M& W' ?1 O7 C5 b1 o4 H) ?; c/ U
| | ├──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+ E% y7 w' _4 ~: q1 d' D0 Z
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
' ?( w- o3 n* @; a9 P8 n1 m1 w3 K| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
3 D$ R0 ?! ~' Y" V. J4 [1 F, E# J| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M1 k2 U) B3 U7 R7 }) l
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
Q4 `( t; Z; D' _: r' n2 J- @& v| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M) l1 S9 m4 L; w3 S1 o& Y( x
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
, A# R% y: G* N% n9 K| ├──1--PaddlePaddle框架安装_波士顿房价预测 6 q8 Z* e: z) L- W; E* z8 X
| | ├──1-安装PaddlePaddle .mp4 87.34M9 N4 O$ E: @# {# p1 [' L
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
" ]+ q$ ]) s2 z1 U- S! }: f| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M) v7 N* ]8 V8 S2 |
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M+ z; d6 D3 R4 |6 p6 `- u0 M
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M" S0 Y+ K0 a* n
| ├──2--PaddlePaddle卷积网络_病理性近视识别
/ Q- |4 h# Q. s- {* m7 m| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M, A, K0 \. g# w" {# N
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
% `& ?3 V, ~# Y% b) x| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
& z, K8 ^- J6 |+ ^: X| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M8 n8 J" C% b4 K; b d
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 / v& J& y: F* [9 H
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M$ u m0 j1 n2 ^6 t2 u
| | ├──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
, u) `. z- ~; L| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M, J. `1 H2 N% `' w8 A, }7 J; F
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
7 `% ~7 f* A( F5 h3 ^2 m| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
0 T+ r0 s4 Q7 z' [- s4 l6 r: P3 c| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M& D# {, z7 {0 d' e
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
1 T# y1 H/ w( N0 Q1 ^ W- z| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
; y5 B7 r9 A% Q/ _2 D. G| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
* F; p5 J/ E y2 T9 l& A% s| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
3 s, n2 l% L& ^ F8 D* ^| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M2 g: ]; q5 Q% B! ], ]0 c5 p' |
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
: \; K9 W9 Y( A' H6 G: N| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M4 Y9 d- P1 T9 {' ~
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
7 c i5 p1 f% _1 q| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） % E2 q& ?. q+ H
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
) {: i. x$ g T1 K# \| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
$ E( u, e& U; n; k# F8 p; j| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
; Q. X: ?0 l! E! A| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
. l z1 T+ _- ^6 b0 h# ^" D| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M& |, c, f/ @7 X
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
- a N+ i5 G' M3 B' {$ l o7 L| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M- @. I" R% n! H A5 k+ ` Y
| | └──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
4 ?' x' _/ H5 c* O! ~: || └──6--PaddleNLP模块_物流信息提取（ERNIE版）
, ]( w* J2 ~, l( I5 F: M4 {3 C| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M, C) S* b+ c" y- [! d0 T
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
; d1 _% ]0 s6 l3 n| | ├──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" _3 [! H+ L2 ^: S1 ~
| | └──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
: |! b1 O' I) L) {8 p├──26--【加课】Linux 环境编程基础 5 u2 S$ N D- t8 f3 k
| └──1--Linux
h1 h1 t$ o! \' l0 _* G" F# R| | ├──1-Linux_课程介绍 .mp4 3.72M
) D' {# @* h, o; y0 U| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
. \% p+ h: w3 j( E| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
& T/ i4 o' B% U$ Q5 j) C. \) x| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M2 J( V( D6 a: C) ?3 N+ F% H
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
& P3 L6 \( I) p% N! A; V, K| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M% ~+ r4 P, F1 y, `, H( Q
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M0 R8 c8 A' G# w9 p- F) R
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
4 _9 C. L6 { j| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M* V, O3 z& o" X; O( P2 g0 M
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
6 J3 T. I2 o9 R- V; y| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M5 Q+ U" u9 `9 U
| | ├──2-Linux_Linux简介 .mp4 17.59M# N. N/ G4 m$ x" j. k
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
Y& s; R+ q9 O' Q0 a4 @5 a| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
2 P) ]4 D3 x- p1 x% o/ f! n1 v| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M% r1 J+ B& o g3 _1 ]6 z
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M, A. r+ r8 F w
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
1 q" r, F. u* a: X6 a- _& z) {, x| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M! G# s( r/ ?( _' @$ \7 r
| | ├──26-Linux_安装MySQL .mp4 79.02M6 Q! i; y6 o( D/ O$ n
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M; e# ]% G/ J$ ~# g u) k
| | ├──4-Linux_安装Linux .mp4 41.97M
7 z) t; V6 f$ Z& o* Q| | ├──5-Linux_目录介绍 .mp4 20.31M. h9 `2 f9 y) M$ c) `
| | ├──6-Linux_Linux中的路径 .mp4 18.65M5 Q P# y) ~& \, W& {" k" v8 H
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
( [1 a9 @& t. c$ U! [6 o, p/ I| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
3 p4 g' z# M( g; s7 ?| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M. M, O0 `6 H% A1 Q) _: R. l
├──27--【加课】算法与数据结构
- r- C/ a P, ~| └──1--算法与数据结构
7 H5 S! a0 j v7 T2 L| | ├──1-数据结构与算法简介 .mp4 35.68M2 r; |8 r7 c9 p$ {# e
| | ├──10-哈希表的基本结构 .mp4 54.34M
3 B) u5 I- \. {. ~" i! D9 Q| | ├──11-哈希表冲突问题 .mp4 75.92M: V2 ^# F* b# A( ]
| | ├──12-哈希表冲突问题2 .mp4 72.30M
. |0 Z( X: p: G: ~| | ├──13-哈希扩容 .mp4 111.03M
% @( c7 _' J; y* N' y2 k) n! @| | ├──14-递归与栈 .mp4 50.77M. x: C' K" y, y
| | ├──15-线性查找 .mp4 57.80M
! _' `* k. i$ L, E3 z5 y, g# m% ~| | ├──16-二分查找 .mp4 52.32M! x8 m3 J2 X: B+ t) Y' _
| | ├──17-冒泡排序 .mp4 53.19M8 s* F* o3 p* _9 ^; X" p8 ]
| | ├──18-选择排序 .mp4 43.29M4 H5 [ U4 K- S3 a" o( n
| | ├──19-插入排序 .mp4 31.39M& w& T! e6 W4 q; i- _
| | ├──2-大O表示法 .mp4 25.59M
; U; G. w" e2 S: |9 ]4 R& S! I| | ├──20-归并排序 .mp4 84.48M) K. S' T3 J* P2 p8 Y
| | ├──21-快速排序 .mp4 36.63M
+ j( V5 b" w% L7 H9 K| | ├──22-树结构 .mp4 96.85M
0 ~: C4 l6 H( }1 P4 O' _6 T5 ~| | ├──23-树结构的遍历 .mp4 61.05M
1 N: z1 b. u, A; \$ T| | ├──24-最大堆的增加操作 .mp4 45.43M
x% N' B3 l- D/ M$ {: E| | ├──25-最大堆的删除操作 .mp4 45.63M4 q- J% V- z6 h. U# F, ?! R$ k
| | ├──26-二叉树的查找 .mp4 100.24M" u: w) @: {7 V1 H" o& x& C7 l
| | ├──27-二叉树获取最小值 .mp4 25.21M6 N4 I: {, ^* g
| | ├──28-二叉树的添加 .mp4 72.66M
P- J, l- h" C S* D4 [: h, w| | ├──29-二叉树的删除 .mp4 120.06M4 k+ P! w/ ^# }" g% ~2 l1 f
| | ├──3-线性结构 .mp4 53.14M- Y4 k! C6 ^3 f( ^* S) d( s
| | ├──4-单线链表1 .mp4 68.36M
' E! M5 q, u7 o: V& J) b| | ├──5-单链表2 .mp4 221.69M1 [& G9 J. R8 C( {; C5 a7 B
| | ├──6-双链表 .mp4 103.57M S8 {6 Q: c1 Y3 T
| | ├──7-队列(链式) .mp4 74.12M' B, y+ R6 T! g/ R/ z1 |6 m
| | ├──8-队列(线式) .mp4 30.99M
9 _& Q2 z* s, c& x4 F: V| | └──9-栈与双端队列 .mp4 28.12M( ~0 T" E4 X _
├──3--人工智能基础-Python科学计算和可视化
/ x9 Y; e" h( ]7 @3 P| ├──1--科学计算模型Numpy
) |9 C+ l# s% _& r| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
& `' i$ d5 ?4 w% u| | ├──2-Numpy_array_arange .mp4 35.45M6 b* C) z; v9 d: y" S% `: e+ C; i
| | ├──3-Numpy_random随机数生成 .mp4 50.54M7 e% |0 W9 H% t3 ~. u
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
6 k/ p# T/ h9 K- v| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M/ Q5 _) x% K: _9 |) p
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
# L; @! N* w7 W| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M' _- Z8 L" e5 U) \# q& w
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M9 V- @* b8 a+ i0 m' ?6 | ?2 H
| | └──9-Numpy_聚合函数 .mp4 23.68M; y7 _# o; @+ Q! n! N
| ├──2--数据可视化模块 0 X8 P$ v" a$ M5 C. p8 D
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
' o5 N' P q" U4 z' z: x1 t) @| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M* R9 o5 f: L+ t) w3 e
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M6 I( C7 X$ D( u0 V6 t$ w6 J
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
0 W; `$ D* c1 U3 W2 z" t4 h| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
1 W# G% b0 I$ \% v' n| └──3--数据处理分析模块Pandas # g- N5 T2 j4 D& k- g
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M/ ]$ C) l# G3 E2 f& {+ f Z
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M. A& [' o9 j0 \; K2 N
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M0 ~/ b- F( W9 x. y2 Y6 D* Y8 |6 P1 Q
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
; ` p0 n" J( b, P' G' i; s| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M1 H1 [, J Q- E( Z8 s& ~
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M# o! k. c8 b. a( w0 i: H
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M X+ H/ l9 \( d/ H* ]: v
├──31--【加课】 强化学习【新增】
2 n$ B4 O& Y: J8 Z8 J+ A; q| ├──1--Q-Learning与SARSA算法 0 \8 |# \: f3 q: {9 v
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M6 a+ S+ G. u+ w
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
$ X0 h0 y+ M' i- A$ P- r' }0 J| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M& t" H0 J. v7 a: z) t- c0 K% H
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
@6 V b5 G7 A! ?| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M) O. q& H3 V4 h# m4 R
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
: V0 E; G- m: T& ]7 g$ f1 w| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
( d4 O5 p4 B7 A| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
" u& V- J! w+ ^# r" ^# j4 S' L| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
* m* M. D6 f M8 m/ t* R| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
) Y! S- B7 e* m9 X; G( @( d k| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M8 d; ]. ^+ X4 x+ O
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
' S6 u `% E- D a$ G, ~* |5 c3 y# @| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M0 K& f# y/ d4 W6 B' `2 b8 `
| ├──2--Deep Q-Learning Network
# R) u& A+ a$ v0 P: m& O| | ├──1-DQN算法思想 .mp4 59.24M
+ h% o4 F8 a6 T' ?7 Z1 d4 T| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
3 `1 o3 Z# R& p9 ^) x| | ├──11-DoubleDQN代码实战 .mp4 44.49M
; I H& T! i; r X l" X s1 W# z+ T| | ├──12-DuelingDQN .mp4 88.12M
; \' C8 X6 p, X| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M5 D! c1 \2 D3 ~8 H1 B
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
, N7 K9 d) v: _: T, || | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M$ @% w' j6 m) `8 w9 z) }4 |
| | ├──2-DQN算法具体流程 .mp4 56.17M
+ m% a: X5 A4 e: J| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
! q5 F( ~$ z% C4 p n2 s% n/ C' _$ P| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
3 z! L5 R, g- Q- d7 |, ]| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
1 T9 l2 b b9 a1 z- O5 W7 a| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
) A/ j1 v, l! `- G/ w| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M
, t: F8 l! J( f) |# r( V0 n, c: z| | ├──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 58.93M0 g" e b5 M" w5 [4 g, F3 T( A
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M; v O; G8 h8 a
| ├──3--Policy Gradient 策略梯度
3 U- o2 i4 h9 u/ F' A9 V2 D| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M! g0 V/ C c* E% Y
| | ├──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' e8 H5 n; b7 G
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M8 I/ R. H( ~7 r9 U$ N* Z
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
3 D9 `! F6 _; n$ I| | ├──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- N( S: J- K$ |5 ~1 M
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M* z& D5 j6 y( ~7 W4 j# z
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
$ y+ j, ?) c6 ^! O| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
& ^: S, t# z4 @ h| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M9 V @5 Q1 A& \4 ?9 m
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M, X5 e1 i" o c( \
| ├──4--Actor Critic (A3C)
0 d+ a1 h& W! t* o* @| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
: A, G+ E8 l6 f/ `' s| | ├──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
; g( }, P( H7 D* ~. C| | ├──11-代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑 .mp4 40.24M3 D; O* ]. I4 {, g4 x
| | ├──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
5 X6 i$ m* V% J. o4 p# `: H" q* b, E( b9 t| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M. ^2 b1 l C# K% ^9 y4 D# j
| | ├──14-代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示 .mp4 47.18M
2 ^3 u0 s# ?( S( f| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M q2 r8 I4 d3 ~' J9 l5 O) P
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
- h( a- x$ [) ^* f| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
" i4 F/ n! e- O0 u' `8 ?8 q$ U0 i| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
* P& @, [/ L7 j( h. \1 j| | ├──6-A3C架构和训练流程 .mp4 74.66M
$ D" N5 p' R. `; h7 s| | ├──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
1 ] J6 E1 a! p6 {; x& A| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M. E2 M+ w7 t }$ 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
! q7 u$ E' X' r* e+ A5 w2 H, f& || └──5--DDPG、PPO、DPPO算法
9 m6 h. J+ u; r, B9 D( K. x- t& q| | ├──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
6 j- S8 Y$ S) P; R3 Q3 n( Q. c| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M) U) H7 t* l1 f. }/ j& O& ]
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M" N$ F; m6 u5 n' Q( D
| | ├──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/ E5 Z \# p4 @% y
| | ├──13-DPPO分布式PPO .mp4 63.81M( a2 P, y" _, z" g; D+ n7 ~, F
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
' [ l3 W2 x0 m k% q| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
5 a# T% U) i- w/ @| | ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4 51.45M( \% V; U0 S* c& O
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
; W- E! f# T2 u6 ]* m| | ├──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
' |: Q4 P& V* P| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
3 U6 K+ T* c* y o; e$ b/ {| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M) j; H! V% C- g E8 B) v
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
1 T" M0 n9 g! S8 A3 O; x% m8 {| | ├──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) w. o9 H8 o! b( Z7 i
| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M5 k% e/ B1 V6 M
├──4--人工智能基础-高等数学知识强化 - h" x; Q) V6 h4 Y, f
| ├──1--数学内容概述 % S8 x1 @; W; ~2 f' e" N; H* Q
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
( r6 Y0 h' O; f6 _# `: O| | ├──2-线性代数_概率论知识点 .mp4 26.81M6 i6 V' P6 D r* [# \& V: S
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
X/ ~6 c3 u! `' T3 V- Z| ├──2--一元函数微分学 , x6 ^2 j; h5 c! p
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
1 m& v! o9 k, E s0 || | ├──2-导数的几何意义和物理意义 .mp4 14.49M
: n; S# w0 I& O: Y" U| | ├──3-常见函数的求导公式 .mp4 22.76M# A' s. @3 l! m7 z* M5 C5 ]
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
' {* f' N$ B% ~# S" f| | ├──5-复合函数求导法则 .mp4 19.68M
+ H( G, O# K/ \' r& J+ W* q! {' K| | ├──6-推导激活函数的导函数 .mp4 33.40M( S: t# Y" j; |! M) l
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
! }: W8 g) ^) G' e+ d| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M% ~8 W" U+ u* L. L
| ├──3--线性代数基础 " M* M2 a0 k* g& d
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M, B0 E9 Q7 Q* A. K6 j
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
2 I( l- s% y" h) \# d. ~| | ├──11-矩阵的行列式 .mp4 20.13M
, I9 l3 u- J) F' k- t/ E| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
7 u3 b8 E4 @$ [1 z| | ├──3-向量的内积_向量运算法则 .mp4 19.78M9 ?4 S) K- |6 U" o
| | ├──4-学习向量计算的用途举例 .mp4 20.32M8 z, M3 m( x8 Z2 y
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
, y% r* d' S: \7 X+ W" ]| | ├──6-特殊的向量 .mp4 26.45M3 e. ?6 Y/ R' g9 n
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
" h9 v7 q% c$ j$ ]5 w* X* U| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
/ H: C, @. v( ?3 h; X! f1 E| | └──9-矩阵相乘 .mp4 20.02M) G: x( l5 T4 D/ R0 q. i
| ├──4--多元函数微分学
4 x0 X# G& s! A| | ├──1-多元函数求偏导 .mp4 22.61M
! |+ F1 c2 ^1 x| | ├──2-高阶偏导数_梯度 .mp4 27.15M
; j0 j5 R3 T2 s3 f0 K| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M$ ?* q0 Q' B6 o, v& d0 f
| | └──4-Hessian矩阵 .mp4 32.93M- [( Q: ^9 O" o# |1 @8 q
| ├──5--线性代数高级
9 ` b) Q$ S6 q5 p7 a6 b+ ?| | ├──1-二次型 .mp4 27.70M1 E0 g0 ]- q2 J/ B' C! z! O' v
| | ├──10-SVD用于PCA降维 .mp4 24.90M
& ^6 o6 z# x" C# e+ T3 b8 F| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M0 S5 j. T( F& M) P+ @! V9 x
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
& N; k; g c+ h* c ]| | ├──3-特征值和特征向量(1) .mp4 29.83M; H! Z( {# F! m
| | ├──4-特征值和特征向量(2) .mp4 30.07M
, Z6 k, i6 D# }0 z" B. `; C" `1 R| | ├──5-特征值分解 .mp4 38.68M8 M( p' Y, c y. z9 r2 G& u# p
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M0 o: U6 k5 ~7 J
| | ├──7-奇异值分解定义 .mp4 22.58M
% h* [+ Q, x& ]: ^| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M b/ m- `# j4 d
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
+ g0 _4 |* I7 e! M$ B( [| ├──6--概率论 6 j$ v! ]1 V) ?$ A: E
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
# `" S r- C9 O: V( t8 y3 R! Z| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M" |! M/ j+ k# k" X* m
| | ├──3-随机变量 .mp4 22.57M
6 O5 i. I1 J9 u6 d! [| | ├──4-数学期望和方差 .mp4 22.96M! Q+ P2 @- o! Z+ d
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
5 b6 R5 X U" N| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
6 |# }. A% K6 N" ^7 S3 g3 P| | └──7-最大似然估计思想 .mp4 23.42M; {; A- [2 z+ D' _
| └──7--最优化 9 _% p* p4 }$ {8 T
| | ├──1-最优化的基本概念 .mp4 35.14M
7 h. y. \9 p; ?0 \! U6 D2 D: ?5 V| | ├──10-拉格朗日函数 .mp4 27.46M
. E! b6 v' S2 S+ x) ~- B: E! t; l6 C| | ├──2-迭代求解的原因 .mp4 20.15M" v$ C3 v, g# D# A
| | ├──3-梯度下降法思路 .mp4 26.33M" x0 @. ~ g9 Q) B( I- D
| | ├──4-梯度下降法的推导 .mp4 43.56M# p0 z1 G+ ?8 M+ k& d# C5 k
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M, V; E! E; D/ e
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
4 m* p6 w) c' [( t- Z| | ├──7-凸集 .mp4 21.90M8 h0 w5 [; {2 T& Y, C6 B
| | ├──8-凸函数 .mp4 16.93M
; H- }. k4 p+ X5 l| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
) j! f+ i1 u7 A4 A U5 v├──5--机器学习-线性回归
1 @6 A! m/ h& D( [7 C3 F7 T/ l| ├──1--多元线性回归
1 y; l( ~$ X7 C| | ├──1-理解简单线性回归 .mp4 51.11M
+ ~% |4 Q% H2 T( K/ U& \9 {* J| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M: |- |1 i c( l% g" v1 r5 x. a
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M+ }+ i- c n) u* B3 \# B8 K2 _
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M6 ?* w: D0 p/ m% ~! S" R }
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M N# P P! p8 f! ^' z7 P
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M- V" i% G3 [1 P1 R5 G% J
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
* {1 O; P5 D# X* H( L) t| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M. |) x2 u& G5 ^9 w) i" L5 a9 M
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
! A( q' ^' x" ]. J' R6 Z: f" P| | ├──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# e; X+ }9 j t1 O* [! ~$ A
| | ├──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" ^1 e: R+ E. l5 S# D u+ N: G
| | ├──2-最优解_损失函数_MSE .mp4 39.58M1 q9 V/ ^; }6 c0 M+ j2 u- t' S( I
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
( \. Y5 I9 ^' N/ E+ F9 a| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M8 l* ?1 j6 F$ S7 x8 N' G5 W& Z
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M0 ^2 X1 g* a2 O. v0 i! e
| | ├──3-扩展到多元线性回归 .mp4 32.15M
4 l) y& W5 N+ d; z| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M2 M- ?9 ]* L) |8 X
| | ├──5-理解维度这个概念 .mp4 41.41M
3 u% Y7 V: v1 Z9 n| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
3 G* D+ [) K# @| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
+ q9 G) |9 Q$ A% C2 e* {% U7 d| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M/ F1 y% j7 F) g/ Y6 v$ \2 P
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M: z, i# B0 a* c# i+ T' h- R# h# t
| ├──2--梯度下降法
! K, C: \* ~7 \3 w| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M: F- `% ] W, \4 v5 r
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
. L, Q1 h: {2 y2 q| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M g& X9 N N' M( t& M ^: K. n
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
: G( l6 c: m5 y- l| | ├──13-代码实现小批量梯度下降 .mp4 27.32M4 m# H4 \: {0 k4 ?9 @" W. Q/ Y3 Z
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
+ M" X; r" B+ b' l5 u$ y/ m| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M/ Z# ^3 L( ]" @4 }( G* I
| | ├──2-梯度下降法公式 .mp4 57.12M# G! M; n; [+ D8 d3 f v6 v
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
3 q9 ~+ [+ x% [. i* M| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
& w! W# q [, i& |8 [| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M( @# i r- u% F9 B' ~
| | ├──6-全量梯度下降 .mp4 62.84M4 ]" Q6 A6 n2 l* C- ^1 ^+ K
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M& U0 K5 N4 |0 e- w
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M" E# @' ]$ u9 }
| | └──9-轮次和批次 .mp4 45.22M
7 t9 ^6 t8 U: }' j2 a| ├──3--归一化
; J5 P9 ~7 L! P! _6 u Y, ~| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M0 |% S1 k% b7 N! q
| | ├──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
! |- |, T, e, L' T6 G| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
5 q6 w, C2 S0 G2 O8 g4 P| | ├──4-最大值最小值归一化 .mp4 24.87M% o4 e5 V8 E5 @& a4 d+ Z
| | ├──5-标准归一化 .mp4 51.86M
% b- b5 L I( I4 D8 H| | └──6-代码完成标准归一化 .mp4 41.13M }. P) g( U. a1 x/ W
| ├──4--正则化
P! y' e& D$ `! v% M| | ├──1-正则化的目的防止过拟合 .mp4 30.71M( j3 G+ A$ W& N7 j9 t" L, |
| | ├──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
( P# j6 |" t( U2 h" v }& g| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
6 Z: ?7 V: M b1 R( q' t) w5 r| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
* ?4 u( I* C5 |+ `' n; e| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M5 |/ J' h7 G, H
| └──5--Lasso回归_Ridge回归_多项式回归
: G( A+ P! ]6 R/ y| | ├──1-代码调用Ridge岭回归 .mp4 76.32M x0 \9 f6 c& d# K# Y/ x: I3 \* G' N
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
. x0 p9 j( i: K% Y8 n" X| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
: k- y0 {8 R6 w% o# R| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
8 M: H+ n( n6 P, e: u| | ├──2-代码调用Lasso回归 .mp4 28.73M
0 [- \* `* W/ t( R; \5 W: v| | ├──3-代码调用ElasticNet回归 .mp4 53.67M0 P- G" w6 T, w9 r
| | ├──4-升维的意义_多项式回归 .mp4 48.06M( ?9 @$ Z! u ]% r' v
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M5 u1 e/ f! x8 {: q& j
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M: x% v9 j: t( k! V/ g
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
+ r/ `; i' k/ C! i| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
; J( d+ Q: K3 R+ _6 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
8 d2 `) J* l# H" D├──6--机器学习-线性分类
9 I5 H$ D) Z2 |! N! m| ├──1--逻辑回归
! u0 E2 T- ~- U" q* A; R| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
2 `7 B" l7 F* ^| | ├──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
& r- R- G0 `+ K" ]. Z0 U# S% O| | ├──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
& _! i# ]2 Q8 c6 a2 ?| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
. D: p0 [/ E' M& d2 Y( }| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M2 H/ u& B+ b: E6 X, ]$ [
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M' w1 ^3 {% z* c! _6 b. H# F; J( Z' j
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M) g5 j% ~2 L: ^
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M6 C x' C6 k* k4 l7 s' O
| | ├──2-sigmoid函数作用 .mp4 38.15M- _6 P5 k9 @; T; {. e2 F0 X6 y# C
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M- y/ ]+ S" g0 U; r! K; o
| | ├──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( Z. L" j1 R8 |5 a/ n
| | ├──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 6.71M8 R% r1 a* H' k/ S
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M% G, U( N. M5 d2 i) s
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
* R5 Z- x+ m3 Q' m% P& n' 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) c& l8 f3 W1 F9 O1 a* s# W6 E+ S
| | └──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
2 v- B" U) I* ]; e% \% E| ├──2--Softmax回归
9 K3 g) i7 S9 I# G: B| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M$ |# S5 g3 i. G' \
| | ├──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, n8 G$ d0 h0 @! J# \6 s
| | ├──11-实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果 .mp4 49.16M- T% J0 T& y# V9 {
| | ├──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
" O$ O9 M% J% K7 n8 B. N| | ├──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
/ L; P9 ?; Z' T; x| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
4 ?' O- R" }7 T8 H% Q| | ├──3-有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本 .mp4 33.42M
5 b4 ?2 V& d0 B7 |7 i" k# ^; w| | ├──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- A) J4 S0 N' u6 A) `" 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
5 p( v- X% J ~/ y- E! Q, r| | ├──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 46.67M3 n ~ ]( w$ j1 D1 h4 W1 q8 Z' Z4 V2 `
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
8 s! ~/ @7 c& N! s( }3 ~4 H( Z( C| | ├──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
- f2 t; z4 r. b) a- |- J1 {| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M4 x2 i8 f4 I1 p# }1 S
| ├──3--SVM支持向量机算法
3 @" @/ s. d! d% C6 g| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M; e! _8 d, D; w6 a: e
| | ├──2-SVM的思想 .mp4 55.56M
: y/ F, p" x. b/ y| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M) r; t" v5 d. {& I
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
J M# X. H$ x" F- c$ F: N# I. y| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
6 o' ?) V, K! `: w1 f| | ├──6-总结硬间隔SVM .mp4 39.01M4 @; I* f- M |+ o( z" Y
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
0 k/ s0 t0 |7 q3 f' Y' f| | ├──8-非线性SVM .mp4 54.43M L- @& p/ x2 H2 O K
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
1 ]; H K! j: B. F1 G| └──4--SMO优化算法
$ Z9 u! B; V8 x j* Q6 s7 C| | ├──1-SVM算法流程总结 .mp4 58.36M5 e. Q% d1 n5 K2 ^% N0 k
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
5 q5 J9 ~$ A7 M. b: r5 Z| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M G, D) U6 M8 S$ _0 v6 F
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M7 c6 f4 x' S) j2 m; W) Q
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
- p+ @# ^2 h3 E1 t- N# }* L1 l| | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 69.00M4 i# V% V N/ x- m* h
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M; P# Z% c; P5 e2 H
| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M
5 y8 t( r# B+ l| | ├──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
5 ~2 |& z6 w2 E7 q) k| | ├──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
8 ` M- }0 r1 v! T# o3 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 92.38M2 s/ }, s4 B! d: i; ^' Y8 L
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
/ V3 m* o% I# G| | ├──7-启发式选择两个α .mp4 23.11M
! G9 X9 \( w. }7 A2 O8 S+ n* U6 f| | ├──8-如何计算阈值b .mp4 50.18M" A& D5 k3 U0 y2 g: `! q# T7 @. T
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
" w4 P# i& R3 H. ^9 W├──7--机器学习-无监督学习 ( P, ~8 o* I) f9 d
| ├──1--聚类系列算法
$ n( I, ^% p1 k, J \| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
" @+ m0 A7 w- Y+ H0 w! {| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M" h, c {+ Y, b+ k" U/ U3 \
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M2 \2 s8 d G" Y7 F9 o
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
! ~+ C# r E/ C& j/ O5 t| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M) |0 {: j* U x" B& t9 i
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M9 Y! j! `. V w) p9 m
| ├──2--EM算法和GMM高斯混合模型 - G6 w9 @ g. N8 x, ^/ s
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
) K4 Q5 Q$ K2 s9 e! Q% l| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
2 N$ t4 }( Z+ u- t- M| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
. I! l3 a3 L- ~! @3 R) ~| | ├──4-Jensen不等式的应用 .mp4 109.17M
: X1 G3 K$ y b7 C| | ├──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: J# Q2 X! U% |3 ?& V8 p! W: P: Q
| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M5 `: {1 _( i3 _ r
| | ├──7-GMM前景背景分离 .mp4 16.01M
, }) {/ \8 k9 C7 W) @6 P, l! H| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
1 H: J9 K7 t) a5 G0 l5 T. W' R% b| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
' L1 L& P! P9 m2 v+ }4 B, x| └──3--PCA降维算法 , E. N' T9 T# b7 Z2 i. X; o
| | ├──1-特征选择与特征映射 .mp4 49.38M* }9 W2 Q2 W, R* j$ o/ k$ |, I: l
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
1 k" G5 i5 u5 I ^% |, L| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
/ Z- T8 V( O. v j/ N/ s; [| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M$ `* W+ ?1 J0 |; _0 t
| | └──5-PCA的几种应用 .mp4 54.58M; R3 T1 A, Q, p
├──8--机器学习-决策树系列
4 v1 b2 M5 m2 j- i5 V| ├──1--决策树
3 }3 K' Q' h; U0 w| | ├──1-决策树模型的特点 .mp4 74.88M
9 W% J5 a" A9 {( N6 n2 |6 F| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
4 E5 i" D @9 p% K; k2 B| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M4 Z4 R# l6 V5 I/ x1 Z6 W
| | ├──12-后剪枝的意义 .mp4 50.49M1 A! T$ a* O) \& j) k
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M! D( ~: ]# A8 ]% ~, O W. l
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M( t$ ?. m1 x" y' |& O Z
| | ├──2-决策树的数学表达 .mp4 89.94M* [: |" P1 \' L
| | ├──3-如何构建一颗决策树 .mp4 84.87M
5 q+ ?6 ~; }2 D/ `/ || | ├──4-什么是更好的一次划分 .mp4 57.02M
5 H2 b! @) Q- n| | ├──5-Gini系数 .mp4 107.54M
& \% S5 n* c$ f8 W| | ├──6-信息增益 .mp4 75.26M; x. V; w$ c1 a; |" v
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
: W& `: A4 H3 l( s8 P) P. c' B8 o/ y| | ├──8-预剪枝以及相关超参数 .mp4 127.06M: u$ q V3 @9 b" M2 i1 N
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M8 @# I3 N( U& B! b6 ~
| ├──2--集成学习和随机森林
, A% r+ V& a% A `) ^| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
* v9 `2 p% h+ Q& g1 [% W: @| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
; O$ A' ]& n& b1 \' q9 ]( [| | ├──3-随机森林 .mp4 108.14M z0 `% _( ?# v( o7 A, A
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M7 s) ]3 p2 q% s, \$ @# E$ q, d. }
| | ├──5-OOB袋外数据 .mp4 106.07M( P+ }% G# s; u3 O: V r
| | ├──6-Adaboost算法思路 .mp4 106.30M
6 c! r3 A5 I7 P| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
8 e# O! x; F4 J6 N1 ~| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
2 }5 J. F! ?% x; c% s* Y: a| ├──3--GBDT 9 U# N' o! ~" l: ]7 k- C* B
| | ├──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
+ S# l( @5 n9 E+ J* C: k5 `| | ├──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$ Z( M4 C, V; W' Q2 u4 A6 G
| | ├──11-GBDT多分类流程 .mp4 73.80M; R9 b. D0 x( w }
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M; e% T& _- |0 Q' \; U9 s
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
( g" h/ D' N( l; |. R2 V| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M1 m; n4 x N3 t7 A, e3 I
| | ├──15-GBDT二分类举例详解 .mp4 86.67M+ s% n7 m* l9 M# g
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
L1 l& B' N6 Z- q1 X) z| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M$ c1 H N0 }) J
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
0 z/ ~9 ]* u, y0 ?| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
/ a8 i# I0 m3 Z: c7 a| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M; N- i, Y& Y6 B' q) L
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M9 g4 Y, _- ~' b# a
| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M1 x6 j. Z7 K: n4 |
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
B2 A& `* R6 V; j4 F+ q/ r| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
0 L5 R/ C( g. b6 v0 ~7 L| | ├──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
5 z2 F' j5 |% K' L. z2 ?| | ├──4-GBDT应用于回归问题 .mp4 84.66M2 Y1 B$ ^6 c7 B
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
8 Z; P8 c* v7 h| | ├──6-GBDT应用于二分类问题 .mp4 70.42M. g/ I+ Z6 @9 n7 G/ o* n% b# l, l; }
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
1 w8 _8 g7 f% J3 l' `) u8 F% h$ G! D$ S- b| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M6 \% F( {: C8 H' }4 x* `
| | └──9-GBDT应用于多分类任务 .mp4 73.34M0 T l8 G# R- E+ `2 k
| └──4--XGBoost 9 D B/ F: G# _" C4 o
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
& ]( ?+ x% ] O+ k F| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M X$ e" K9 {( z' n1 x; W" S
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
7 Z7 F. u& @6 j6 R# J| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M v$ Z8 M( x' ?$ ^
| | ├──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" A- M8 h% i- }+ Q- c& u& w1 W4 w
| | ├──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; B4 r) [/ C2 I0 e% c
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
/ X" T# P, o4 i; H: m; y| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M1 @1 c- C; y! e- Y3 H( Z b9 _& t
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M" v7 i9 C! { p# W
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
* i% I, _& h& S! a5 J| | ├──3-基于树集成学习4个优点 .mp4 91.36M; p8 n/ H" w0 q0 I# d
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
9 h1 R5 {4 P0 O5 m: D! N| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M# o) \3 |8 C8 m9 k* R7 A8 ~
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
9 m9 Z9 ]5 }; k2 H| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
, U5 S+ y% |) Q# T| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M Y' \: o* ?& t' x
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M8 L( c7 |9 s' r0 Z7 Z9 G' n- q- j
├──9--机器学习-概率图模型 / c/ o- ^) ^5 m2 u' i B9 W' r G4 u
| ├──1--贝叶斯分类
9 P: `0 J3 k- {% \| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
! s, ]( Y/ e2 W4 o| | ├──2-TF-IDF .mp4 53.08M
- D( e! v- ~: X2 A0 f* `| | ├──3-NB代码实现解析 .mp4 126.73M3 _3 W+ ]% ^+ I2 _# L
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M4 A$ }% Z9 I4 q; w) v# l
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M* w, j7 {9 k! \) M: x
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
& Y P) ~; \2 N+ G, i| ├──2--HMM算法
" v* X R% ^" W1 }& r$ [% K6 p| | ├──1-HMM隐马的定义 .mp4 36.82M
7 N6 N9 O0 u- T| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
6 ?% a- {* k+ }5 e) L3 H| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M3 j4 y. W3 B! x2 j; @$ F `5 t
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M( e* b" O( O9 b2 ?' V
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M! N; c' h. \5 K; ~; D9 x- M& d
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M* Q; V* k. ^' J: J/ }
| | ├──7-Viterbi算法案例详解 .mp4 107.12M9 n. ~0 h4 a$ v Z l7 D- _( L/ ~
| | └──8-Viterbi算法代码实现 .mp4 42.43M. ~' t( E7 v5 y- N. G5 M3 V
| └──3--CRF算法
: x- X6 @1 s9 U, || | ├──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
! Y! {4 D0 @% L9 B8 M8 V| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
Q6 `8 I) S; \6 z8 X7 c# w| | ├──3-了解CRF层添加的好处 .mp4 105.90M: K1 E* e4 N7 w' A$ a' A: M
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
" ]/ R3 A) l4 {9 K| | ├──5-CRF的目标函数 .mp4 23.74M/ S; N3 H& w# z7 R/ {
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
5 J0 D- p8 n7 [- [1 e) k| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M8 T' {) J" X1 K" O
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M5 H( B& E# ?' V1 B; x1 B; z: `$ W
└──课件.zip 2.54kb
2 Y% [- T- t* {) }
' X; {& V/ M- U. y3 b$ S/ N; |5 ~/ U
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！
$ E) F' j9 G( ^% Y0 s
3 s% X' a, u5 J1 s) z7 n' o/ h( w9 f) G/ g6 u7 t3 v6 Y3 @; t. k; c) j
|
/1 
