战-人工智能2022/2 R5 j9 P9 b3 h7 W
├──1--人工智能基础-快速入门 - M. R) ^; j2 a7 `
| ├──1--人工智能就业、薪资、各行业应用
Z0 r! n/ J/ g| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
! n' n1 M1 n& X& @. e* x* {9 B| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M1 C9 F& d9 K( a1 e
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
! M) [6 `) d! Q9 B6 q% F! `! Q| | └──4-人工智能在各领域的应用 .mp4 57.73M2 W4 t1 u- D/ D1 r7 U3 G
| └──2--机器学习和深度学习、有监督和无监督 4 t# H4 ]8 k2 k. C
| | ├──1-人工智能常见流程 .mp4 89.62M
* `$ N- O$ H& i. u| | ├──2-机器学习不同的学习方式 .mp4 83.51M2 r' l( |" A" n( Q W; C$ A( D0 H
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M( i# T2 E2 {" L+ b- U0 m$ g$ h
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
% W0 a: O& p6 E/ M- Z, N; T| | └──5-无监督机器学习任务与本质 .mp4 50.15M* J) A2 V# @, P
├──10--机器学习与大数据-Kaggle竞赛实战
' r2 n+ n3 F1 J6 s# m| ├──1--药店销量预测案例 6 H. `* P$ l0 i1 L" p1 N9 F
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M% d0 w& `2 H8 F! Y6 ~
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
# d k9 c+ p) f7 I4 t$ {1 d| | ├──3-自定义损失函数 .mp4 21.12M
* H2 b/ s a, N8 g- [8 \% p: n- W| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M$ N7 W; _0 m2 C: x2 s$ W& M7 F
| | ├──5-数据的预处理 .mp4 111.81M' t; D; B+ C0 s+ a4 L
| | ├──6-模型的训练_评估 .mp4 66.64M
& K5 c1 x% z. U, z1 g$ g| | └──7-kaggle竞赛网站学习 .mp4 172.16M3 I1 T0 Q* F% r4 e
| └──2--网页分类案例
f- T; L( n% Z; D* a2 s% ~| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
5 Z. [+ s+ t( e& G) \( {; U| | ├──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/ K8 a% b5 m2 z: V
| | ├──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
# H. ]- O" M1 B| | ├──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 74.74M2 V3 ]/ d5 P, w( }; [3 w6 U: j
| | ├──2-评估指标ROC和AUC .mp4 56.19M
1 \+ B) y7 Y, S3 ~5 W5 R6 G| | ├──3-评估指标ROC和AUC .mp4 49.03M
4 o1 k9 m. N& W F| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M- x' X0 Y6 l8 k# n1 H/ `8 X
| | ├──5-数据导入 .mp4 68.41M
0 s6 _9 y0 v. T( a0 [| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M/ a# t c9 B7 ^. {9 v4 O8 j
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
* Y1 I) G: A7 l| | ├──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
" \( ?0 d. [6 p0 h| | └──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
) X! M$ f" k+ s├──11--机器学习与大数据-海量数据挖掘工具 , T- a% @; p2 k+ l: U- I& q" J8 k
| ├──1--Spark计算框架基础
1 R& P& l: @: o& h4 i; S| | ├──1-Spark特性_01 .mp4 41.68M1 Q+ Q& z. y1 N, N: @" s
| | ├──10-分布式计算所需进程 .mp4 26.30M0 K2 y" t+ c) s
| | ├──11-两种算子操作本质区别 .mp4 56.31M0 I0 g' L; S% y" H U
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M- a: \1 a# N {4 G
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
: z6 G( a* z8 j3 H7 q. w| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M' {! O3 _ H# h/ J: W9 p: L, |: _
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M8 H# d- L0 ^& ?$ t u
| | ├──2-Spark特性_02 .mp4 35.15M: Z' o5 ~- z) c1 w
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
/ N5 G$ C! h3 [ y| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
, @9 R# _% S" {4 P& L6 _, }7 I| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
( ?+ o9 M4 Z) N1 O3 o% A) D| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M! f- o9 x( M1 @
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M* @/ Q3 z0 G0 K6 E/ v
| | ├──8-Spark的RDD特性_01 .mp4 33.08M3 ~% f, w% o l' {4 g& z
| | └──9-Spark的RDD特性_02 .mp4 33.41M
- G3 Y7 f# {6 J" f5 w% M9 |0 b" || ├──2--Spark计算框架深入
. R/ l/ S6 r7 [+ F/ L2 S| | ├──1-Spark数据缓存机制 .mp4 54.43M
0 W# u4 J) `! F6 a: Q| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M1 B: Y$ m) |% [6 s9 Y+ ?" ^
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
7 b2 J. z% B3 O& }# F: y4 t| | ├──12-构建LabeledPoint .mp4 111.08M; [$ D4 E$ ~8 ~! W: b: S
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
; [& `3 E8 ?8 }0 h% P( p| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
8 j' k k1 O& d |! c! A9 k| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M; }; g9 [& D( U
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M3 S9 L* o& F6 K) P# x
| | ├──5-Spark术语总结 .mp4 89.66M
0 @ f' m5 l) i7 ?" P| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
" r- L" L6 J' K. S; j| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
" ]9 A+ H) W# U7 l! r0 v* O' k) l+ q6 v| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M, {. A8 m( k% Q0 k* [% F5 q# Q1 G, m9 `
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M$ u# X4 v( _$ I2 w: p
| └──3--Spark机器学习MLlib和ML模块 ) I8 Y% s& f) N6 X3 c0 M( K
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
' x# `8 x) ]- s% g# x! ~/ m| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
" Q$ J0 ]) v5 C! o| | ├──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# {( Q* V4 c7 N" d
| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M8 p( ]* w. F3 J
| | ├──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$ M( j# \, X% K9 l4 f
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
3 S- z5 Y4 b7 W: c| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
0 U3 U. w: i, m% b5 [| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
/ X4 B) h+ H- y| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
$ g9 ~6 M+ `! u* o1 y& Q| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
7 d* h+ M: k2 t( E4 q8 s| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M4 p: R1 \8 f6 S% C* h2 r3 }* O+ X
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M- M: P7 M; y5 f
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
A& P3 R( l/ |4 h" l| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M+ w- I8 H2 Q" x: X) F1 T
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M5 f& [- Q3 o; S @
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M4 D' T. L: `* K/ W8 Q6 O
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M. ^# I+ z! W @) J2 X- j9 g
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
, x3 M( L- B, G4 r2 _' ?) l| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M2 Q4 e$ L% p! C/ e& ]0 T( y
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
4 W) b# P- _3 n, e) w; d3 h, q6 w# J| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M7 z( n4 v# ~8 V
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
; }& o1 `) b* j6 l9 K9 Z* Y" r' g| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
8 P B" d# ~! e! [. |1 e w| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
7 z3 Y( N( c+ g. r; Y/ K| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M& o9 K p8 O; R. _- @
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M/ m0 t4 K* |! \
├──12--机器学习与大数据-推荐系统项目实战 % O8 Z' s1 V# ?/ y/ F
| ├──1--推荐系统--流程与架构
/ S+ @ R% o: t| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M O) G% t2 L6 u( j ^6 y0 u5 J
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M7 K* ?$ T0 |. ]! ]/ h) ~' Z, I
| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M
0 w+ T" i+ X1 s/ Z* C| | ├──12-推荐系统_数据源_1 .mp4 79.07M
/ c2 Y6 S# o3 Y- C5 E6 `& c: S| | ├──13-推荐系统_数据源_2 .mp4 82.90M% T! T B3 v: n6 v/ W0 I! I7 B
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
' r+ b5 k9 v7 ~. I: v# A| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
+ I3 _- }, i% b# N% \. P) M| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M* t1 C; q) T8 f& E6 X
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
+ r5 n& z( }6 p, U| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
B$ o0 T8 F' ^7 f5 }3 _% T0 s2 Z7 S| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M8 l" _3 e' D, ]6 `8 p7 a2 R5 T
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M6 T% W E2 M" `$ ?$ H
| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M& y3 z, t4 T0 I' _0 U+ W) X
| ├──2--推荐系统--数据预处理和模型构建评估实战
7 F$ P3 U) Z# q& b0 K| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
( a1 A: r- v6 _ [| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
+ h9 B0 W+ U6 ?4 x0 F# \/ U| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M! \9 R+ v* ~* [: N' v5 p; A8 U
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
" K7 k& w. n( e l. P| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
7 o5 f* \2 m; X. ?0 R| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
! |- _ \: d, [( h3 S| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M' Y. s3 Y. @1 T
| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
) m" m' h4 F# v E/ l# p| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M( R# @0 N- v) M. {# {- T
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M, G( P _) f' r( L
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M) I j8 e" C3 E% Q' r: [' W; E
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
2 o8 z9 [8 w! Y, B: a( u| └──3--推荐系统--模型使用和推荐服务 ; H. w2 T; X$ ?1 L* y
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
+ r' C; u/ q- d| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
9 |3 j5 S1 i/ F& P| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
: n! K) U% v4 h- O- G9 C| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M) H r1 n [$ H4 Z% I& }
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M9 Z$ m7 {, D M& U
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
' Z% ^; z. v& ]3 C& \+ L| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M( r5 b S% ` [5 ~$ `, z
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
5 k2 [9 P: A6 s9 ]| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
) S) Z$ c2 P+ T| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M! G6 M! M* w% p7 @/ c, t
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
/ G: R7 ^! K% ] @& i| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M' K/ I' }( L8 a. x" e' N) q
├──13--深度学习-原理和进阶 ) h e- t# r* e: c8 B5 E
| ├──1--神经网络算法 3 |3 X, `0 ^5 H3 ^ ~
| | ├──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( D. Q1 x1 i0 \; g' o5 C! X7 k& ^
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M# M) I: x1 b/ g* W" b C
| | ├──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, l- K7 m7 h Y6 X) p8 U! N
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M& u( P/ Q; V" H, Z& u4 Q% ?: ]) t
| | ├──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( a7 d, n; M) g. `
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M+ f r6 n- G) R, n& j
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
8 G+ |) K, \ P- j6 H: J: b| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
4 p2 |! b- S) i/ t, [9 P; t| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
( h9 W' d ]; m3 j| ├──2--TensorFlow深度学习工具
; t- N# f3 `* v2 a| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
@+ O0 Z' O5 }; b% d. ]% w| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M5 h6 t7 U# k& r3 N$ w3 l& p
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M0 L, X( v" x# V7 E, p! s
| | ├──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. n. k0 Q, S, f* M1 D% m; {( b
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
' v3 _3 N6 p: Z( _$ k, N5 B| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
3 T; c- z# t/ s L3 h5 k* ^| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
8 c( ]8 _: F, t K3 _| └──3--反向传播推导_Python代码实现神经网络
: J P6 D& \! v; Y| | ├──1-反向传播_链式求导法则 .mp4 86.47M2 \- W+ f( o8 [. F: t; {# A0 [- y8 q
| | ├──2-反向传播推导(一) .mp4 127.90M% P# S2 t2 ~/ l9 n/ V% C9 b5 o
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
$ ?- ^% \' O) T7 x) p| | ├──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 81.20M3 {9 }! Y3 Y; ?
| | ├──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
# T7 f6 ~. Z+ M. d' H% ^8 c% M| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M9 e4 C/ U" Z' { [
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
5 @) o5 v- x4 @( S* W├──14--深度学习-图像识别原理
1 h- j* m, i, ~3 v: Z& Y1 s| ├──1--卷积神经网络原理
" X* m* X9 a! R0 N| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M( i0 e) h. U& u; F5 e
| | ├──2-单通道卷积的计算 .mp4 104.01M
0 A! L, X3 c8 d- P2 C| | ├──3-彩色图片卷积的计算 .mp4 52.79M
% Y$ d$ k4 |8 }1 r8 `, J| | ├──4-卷积层权值共享 .mp4 63.93M0 h2 u3 G( m( Y& m* G' p! ~* Y
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M/ |" g* ^$ V7 C
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
, n5 J, N9 q1 G# Q3 [ _( r| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
* Q1 l8 _% d+ n" ]| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M4 b) S f; }# ~# P, A4 g! i
| ├──2--卷积神经网络优化 4 ~- L; b, H- P4 k
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
0 s9 ?- m& j! ] G9 C| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M' q. O/ d" F1 E7 s( \* u- y
| | ├──11-Optimizer_Adam .mp4 141.12M" i1 j, v) _6 z. h6 I4 ]
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M' M- j1 p7 A5 ?$ b( h# ^. B5 K
| | ├──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
) P, z( O/ k5 }9 p, s: B* b| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
' Z: _- \! l$ [" J& P/ O| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
3 U! Q& X" m- e/ v7 g' c, P5 s| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
$ Q7 K1 g: d- R, R, A% i3 Y| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M2 B& O% M1 |% p; s
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M6 ~7 ]2 f$ f/ }
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M- Z9 L8 V: b4 I& [$ E" O& V: v
| ├──3--经典卷积网络算法 0 F- y# g: X! {" P
| | ├──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 C2 l! [: k* n- u: M
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
8 S/ [: T( u s| | ├──3-InceptionV1_V2 .mp4 165.86M
6 M- ^8 f" g- \- b: q5 B| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M, C# r6 s% _ h+ Q* A( s, B+ k
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M, s! y. ^; Z4 O) N0 M ~9 D. O
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M1 t5 T& g5 ~$ [3 A" a
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M" g W0 K L+ C9 W9 u
| | ├──8-BatchNormalization .mp4 99.23M5 I! K4 Y' }1 I
| | └──9-Mobilenet网络架构 .mp4 150.05M
& E# h& ^2 H( W C' d9 Q| ├──4--古典目标检测 7 L* `) h& J, Z; ~* ^
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M8 d9 j) t" [! ?5 c% ?) t+ E
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
# R8 C6 B3 s4 E7 V3 m, e, f$ @, ~| | ├──3-IOU以及python计算的代码 .mp4 23.56M3 p* p- A7 v. m6 f3 d0 r6 v, J
| | ├──4-R-CNN和SPP-net .mp4 124.06M
0 t8 p% `3 Q9 ] V& q| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M7 t' w# ]. G3 `0 F- G# B4 n$ Q1 p! B1 C
| └──5--现代目标检测之FasterRCNN % c7 r: z) K" u' F" ?5 Z
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M) P4 |0 Q3 r- o: u
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
1 b: z' T. \- m7 ~" N: `* O| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M K' f; ]9 S- `5 F- Z
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M* B5 K+ ]( F) U2 U+ m, A6 q0 j4 f
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M4 b/ `8 \: P f* p ] y8 v
├──15--深度学习-图像识别项目实战
. I0 O1 V, J$ G| ├──1--车牌识别
0 C% M. O2 O* c. q2 C0 \* X6 F| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
0 J! a8 L: Q% Y j| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M+ w. H+ }6 F- |6 k2 J' o
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M1 F7 ^+ x# v( g2 s9 d0 l6 W& `6 s
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M' r, p7 k& X* c5 i5 W
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
# i1 n3 R; r; @$ q! c1 D| ├──2--自然场景下的目标检测及源码分析 1 L5 s J' V0 Y$ J
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
}6 X3 F0 } j/ d7 s| | ├──10-FasterRCNN代码_构建head .mp4 67.56M' ~8 G: {( p- d( I5 C3 x* e
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M# f) d2 a0 X, v3 ^' Q: U
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M7 P* |0 v; W) \
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
: N4 c- d# Q2 a, y: x! w; g, x- U+ || | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
9 c0 N0 f8 z# H' P" f* b8 J0 M% j( ]8 r| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M* {7 Y/ C* i5 O5 }( K
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M1 V8 t$ {; y& Q/ J% l* x' i& X
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
' @" r V4 g. y' n* a( {1 Z| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M* n, J$ X# a: }, [5 v. b
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
5 Q, d. c M% G& u- J| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M. V& J" U2 \+ t. G
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
, m/ Y; [* h X4 F- @| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
& f" a9 Q6 S: |$ C, a| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M$ c3 h! g( x' Q
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M" b( O5 c, Y) [/ B2 ^( F" q
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
) c$ R* @0 z$ `5 m| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M; i# e5 _2 m5 K9 t" O9 H6 Q, Z) n
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M$ K) R" d' r7 T( \8 E9 s( H. i
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
4 `- O5 y5 p% i/ N8 A| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
s% X) ] {, \& @+ T# ^| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M4 G1 _9 N0 d0 A3 v$ z9 t3 t
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
9 F4 y, Y0 Y: `| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M# N# V m0 Z3 U' J+ J4 w- x* Z5 W
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M+ }2 T% p9 t( G* @' z. W5 n
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
+ Q1 o$ Q. T I; }| └──3--图像风格迁移 L. ~% `7 {) {0 _9 e
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M7 d) F3 s a* |1 K9 c- \+ p
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
2 ^. {# B7 C0 h" F| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M3 I0 v; i+ ^5 p: |, e1 N- F8 b
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
; N! p5 t; Y! M$ R├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
. i! f% M7 J* w' O. R| ├──1--YOLOv1详解
' L; R' v3 z i9 ]! } a' q| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
, r! ?7 e1 W* c v, x R5 o4 l| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M Z! q, r) R/ Z! _: L
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
# t6 y$ g2 \: s; ^9 T# K; z| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M4 h% C" j/ O5 K; I- |# g0 |
| ├──2--YOLOv2详解 * W) u, D4 s1 n6 X3 l: b9 [) m
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M* \+ c( Q2 B9 `1 s
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
& B3 q/ m9 m# ~8 s8 \2 M1 c( Q| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M% f( z; u' O& D' N" V
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M( Z0 _2 ?* J. P& z4 h
| ├──3--YOLOv3详解 " y- L, B& @& k0 i
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M1 r1 r8 V8 L$ G$ r3 B- H
| | ├──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
% P, |4 |9 w+ r8 K2 {| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M" g5 \2 g, o1 l1 N
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
4 K9 l6 V( _# [% `- @| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
5 M7 h. S4 ]5 J6 t) H| ├──4--YOLOv3代码实战
5 |% {) R% W3 _| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
@0 V) a5 ]' Y C1 z9 @| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M5 W2 c/ i! L% j; _$ ]% a
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M; D A) s" k3 S, _: B1 S( N! [# y0 d3 ^
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
0 ~/ _5 {/ P, F3 `+ V, \| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
2 T3 i& R% `/ Z| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M# z7 [2 t/ f) n5 W, a v) P: X
| └──5--YOLOv4详解
% v% \, W' N1 d$ e| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M6 a. u: a# Z& x
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M) `5 }" c* s o' q8 x
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M# H; m O0 d3 F3 g0 D2 }; [
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M' S: Y% L( O* N" V* o7 ?
├──17--深度学习-语义分割原理和实战
# S9 u, @% q+ z| ├──1--上采样_双线性插值_转置卷积
" x: V8 K1 v8 A$ Q2 w| | ├──1-前言 .mp4 19.46M
! o! T$ D! ^& Y| | ├──2-上采样_repeat .mp4 23.90M
- D6 f" p. G) h; G| | ├──3-线性插值 .mp4 34.48M
% W6 ^" V6 r0 r+ X- B9 H: E| | ├──4-双线性插值 .mp4 125.71M& T3 L- m/ K/ J5 k6 |
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
1 V7 M* v# G! |- A| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
2 w' b1 B X1 m f8 {/ r& s& y- e| | ├──7-ROI Align .mp4 58.38M
* c( z5 g! i# D( c# u| | ├──8-FPN思想与网络结构 .mp4 92.14M
5 Y0 f4 l4 X: W( D| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M( z6 k, H# x* p1 b
| ├──2--医疗图像UNet语义分割 $ _* U) E1 R5 Z
| | ├──1-语义分割的基本概念 .mp4 18.33M% q/ M* N3 v5 h* G/ S6 e
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M' f( L( [; [) z' n5 ^! c
| | ├──3-UNet网络结构 .mp4 30.41M
4 P. w) H! t; H1 c| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M2 A) X( @4 H5 Z
| └──3--蒙版弹幕MaskRCNN语义分割 ; ~. o: `8 G9 P& ]# B& F$ z
| | ├──1-MaskRCNN网络结构 .mp4 106.38M% G5 N( W2 U' e& X2 u
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
# D u' f- Z: @; P0 r1 k| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
, x, x7 Y2 V7 Z' b8 u| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M3 m9 R6 I% ?; c
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
0 ?% F9 A0 u3 a$ {- d0 Z| | └──6-MaskRCNN源码config和model .mp4 244.48M; S- t% N/ L- D$ a' y
├──18--深度学习-人脸识别项目实战
0 {9 K7 p/ ?4 ]/ X; o| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M. j+ }" @) s5 V3 l+ L) e4 x
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M& G. L7 I5 B& S3 M6 Q
| ├──11-人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框 .mp4 66.61M
1 y! a: @* {' X' j. A| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
4 S$ h4 M9 H) Y4 V( T* S# Q+ |) ?7 X| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
: d* Y; w. ]7 k. l# q. I| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
3 A- P9 B6 P1 n x0 F$ r% L5 w* L \| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M% I3 q; R" |! y' m
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M9 O" T# g( @- _: w/ k+ M8 o: @
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
8 S; X! v9 q/ H$ }7 T8 Z| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M* }& N) o& v' F8 W; h7 m
| ├──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- l0 y$ D$ a5 g4 d1 [
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M3 D+ _$ P5 h: h6 J, c
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
0 ~/ m2 b1 C4 q; j- G9 O( y| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
- j m, H" s5 H. v+ Q| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M- `: J [3 |6 }* f
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
; t: V9 e/ a* W| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M
! |: ?0 [# Z$ e. p Q8 D$ {; U| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M: c P6 M% J4 B9 v1 q# b* J/ |
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M4 ~% c4 y, D' ?9 F2 e) z
├──19--深度学习-NLP自然语言处理原理和进阶 $ B+ x0 x# b; W
| ├──1--词向量与词嵌入 3 ^9 ^. P8 h9 J! T
| | ├──1-N-gram语言模型 .mp4 116.32M
h ?* v4 Y" d& r! || | ├──2-NPLM神经网络语言模型 .mp4 155.81M
7 W# u0 g* J4 [+ T* v; y* I| | ├──3-词向量的作用 .mp4 58.00M; f' p, q) W& t5 \% A& }
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
M! U8 Q3 @$ B3 f' i| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M5 H6 H7 W$ D5 J
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
2 _7 r4 Q$ l; T6 M, W1 f| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
, ~6 \! }1 `, f7 d| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
+ d; I+ n7 G2 r$ n( Q2 R/ }+ ?: g| ├──2--循环神经网络原理与优化 " |% J- z8 ?- M8 Z6 R/ C
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M0 m8 j7 x3 `; q" s! G" E0 @
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M T/ x# L% O) J7 }% g
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
3 D/ b. @; U+ j| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M, @' {2 v0 e: b( g
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
4 C! w6 q6 i, 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
: d }, P: @' I| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
4 C6 O0 g+ j2 Z0 b* R( P| | ├──8-双向RNN_LSTM .mp4 52.01M1 K, E4 }' e% l5 B$ U) f
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M. U& G! }9 u% {) c! y' `
| ├──3--从Attention机制到Transformer
/ Q" b) ~7 D3 e$ D# L3 {/ G$ a8 P| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M. z0 R$ P" |6 Z" L! |& Q( f
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M5 h. a% q/ x# {9 j8 @
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
0 Q/ q) k! R5 I2 l5 i| └──4--ELMO_BERT_GPT
: q8 y; S& h: f V4 b| | ├──1-ELMO .mp4 62.44M+ i* J" f( K1 F: P1 z6 z: I% I
| | ├──2-BERT理论 .mp4 99.73M
$ G6 @* o6 b3 Z1 x/ M5 ~8 d* o| | └──3-ERNIE_GPT .mp4 56.34M6 o. t2 L( Q/ m8 Z% r" \
├──2--人工智能基础-Python基础 6 A6 J9 l; I8 v P B, t. w6 ^
| ├──1--Python开发环境搭建 ) x5 |* Q. h4 c
| | ├──1-下载Miniconda运行环境 .mp4 100.75M
/ q, _0 }2 U' {' k( H4 l| | ├──2-Miniconda安装和测试 .mp4 57.12M+ p; k6 ~2 x- g7 j3 u; a& w3 v# m4 D
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M9 B9 U* N5 d( {4 C2 B4 i
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M3 m9 z$ ~$ l' T
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
8 ]1 E! \3 t: l2 T6 Z3 B8 b| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M4 ~7 @, {9 C3 W& i9 O8 k5 s
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
- N L" U% H% `# ^, _) u- r. z| └──2--Python基础语法 : {2 f% v& ^, E* j2 M, F
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M3 P; W- \& w: [ w% G* D
| | ├──10-Python_集合操作_列表 .mp4 34.71M
$ y$ X m% h/ S5 h. n$ I3 {| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
# R3 I; x0 w. R- S5 w& G% }| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
5 ~1 E2 ?! C6 U( G6 f& Y( V7 m| | ├──13-Python_集合操作_元组 .mp4 43.46M
0 Y, k+ J# l% s! m) @) {2 D| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M) |6 m! D p- k4 p
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M) Z+ i+ z- x5 ~! T) c
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
. ]4 U- v+ ]9 r$ y! N" ^- h| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
& e* Z7 U: b! r' p| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M* y0 u4 f) T0 c- r) i
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M7 n6 L$ G' K5 ~/ N2 Y I. I; C% N
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M/ o" N' |# c+ e U0 p
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M$ G: N- c! f; _0 Y; q5 s
| | ├──21-Python_函数_递归 .mp4 23.46M
# }& }0 Q" X9 X* a8 _7 c6 Q| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M/ p: N) n1 ~& Z0 _1 L6 z3 X {+ `
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
; j8 j2 [1 M3 Z6 l# W7 f| | ├──24-Python_函数_闭包 .mp4 41.61M% l! \" W: B ~4 z* w2 t5 \
| | ├──25-Python_函数_装饰器 .mp4 30.35M* R/ u4 g+ f& L- o8 |4 L+ a
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M* N4 a/ z6 n2 z3 T) H
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
# u% @% P+ }0 W. f, d' p| | ├──28-Python_类对象_内置方法 .mp4 29.17M
. O: i" h/ d F6 H Q% M# }! g* [| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
9 v, l: x |& U| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
6 ~& |0 B0 f1 U8 s- e| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M; c# n2 L6 j( l8 r
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
. z1 k9 ]: [5 e; A0 @4 i6 w: I/ [- {| | ├──4-Python_控制语句_while循环 .mp4 25.02M
* t6 F* [( n" a+ p( q| | ├──5-Python_控制语句_for循环 .mp4 22.82M
' ^' X6 L" ?& F7 w: a9 p7 T| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
* @3 R6 t1 Z7 F0 o| | ├──7-Python_控制语句_break_continue .mp4 25.23M
p N% |. U7 O6 z w! i| | ├──8-Python_切片操作 .mp4 40.20M
3 B$ r+ i+ g' a3 q+ A2 H; n5 b| | └──9-Python_数据类型 .mp4 25.38M b6 b4 l: X7 a. M# }7 J$ @
├──20--深度学习-NLP自然语言处理项目实战 % U" r) }1 d: O9 n9 a1 i* X
| ├──1--词向量
5 |0 T0 ~& G! S: E8 g v| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
6 }, O# s0 l5 c! ^| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
6 d2 k* x" F' ?) }5 p! t| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
% [1 D2 w6 U; Q| | ├──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
3 P7 `5 n! X( f' g' m c- _| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
: z$ M" k+ r8 p| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M. {$ [/ z) r" s( f) f6 `
| ├──2--自然语言处理--情感分析 / O( I* ]4 D: R' U7 X1 G- g
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
; x" _7 A+ C5 o3 b! u) o& I$ m4 X| | ├──2-数据预处理_01 .mp4 79.65M5 S( H' Q5 p& k3 j& j! E6 K# }
| | ├──3-数据预处理_02 .mp4 45.68M: K( h5 X7 W/ t
| | ├──4-代码讲解_01 .mp4 52.29M
K/ g# ~" M$ d0 N# t, Z& ?| | ├──5-代码讲解_02 .mp4 60.85M
( R7 k7 Y+ R- L+ i" \3 X| | ├──6-代码讲解_03 .mp4 53.89M
$ q4 K$ `7 y _, y| | ├──7-代码讲解_04 .mp4 57.19M* B M4 j; `: U% g9 A# V
| | └──8-代码讲解_05 .mp4 35.88M. G5 B! X: V+ _8 G! Y1 m1 V) |9 t
| ├──3--AI写唐诗 : Q$ q1 q( o7 B" v
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M$ y. ?7 I% H0 J7 K( I5 b
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
, A$ Q! F% D7 s* q/ v! S| | ├──3-MultiRNNCell单元 .mp4 38.93M* F- |- a8 |. E
| | ├──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: G# X: M: i5 o7 M5 E
| | ├──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: _" q6 R" H$ o) Z: O3 @
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M1 Y& a: B8 ^6 Z3 L
| ├──4--Seq2Seq聊天机器人
3 l. D4 B/ J0 b| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M9 b5 L7 O+ w7 y p
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
5 \0 i* ~0 ?$ M q5 `| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
& Y3 b. r* M* g: Z' Y8 X/ I! s- Z. P| ├──5--实战NER命名实体识别项目 # H: r; n) P) L A
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M0 B' B" G' { k0 B5 R# ^5 M
| | ├──2-介绍了代码目录结构 .mp4 23.44M
' l- w" C& b2 K4 Z' u& M2 Y| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
N* p/ G. `2 Q2 Q2 ^0 Y& m| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M2 P# l/ v# r; x7 o+ Z* L) e
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M4 P" b5 r% i% T2 b& {& {
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
+ {- p9 |+ P6 C4 X* \1 Y2 K| | ├──7-CRF中的特征函数们 .mp4 125.97M
7 D/ j, ` }# G- C: u8 ^; b| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
* `5 a, w9 ?/ A: G* I n| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M. V S( N4 z$ _) @( v4 q* S& C' f. o {
| ├──6--BERT新浪新闻10分类项目
7 i( V; }9 Y3 h3 C6 H5 @| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
, o4 T5 i" Q5 m0 K/ \' D| └──7--GPT2聊天机器人
6 G: x# R# `1 V9 m$ y9 }! K| | └──1-GPT2闲聊机器人 .mp4 62.28M
8 y8 |! Q* T0 Z1 N$ {( ]# R├──21--深度学习-OCR文本识别 # X0 Z) d7 B- z; M j
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
. N, D) b7 [9 x( N| ├──10-CRNN项目代码剖析 .mp4 306.48M/ A! h! a4 s9 [% C- l/ V8 g
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
/ m( O! L% d' K0 n' u| ├──3-OCR识别的CTC损失思想 .mp4 327.69M9 p: G* H( |& b
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M: M5 T- q+ q; V5 Z& X" ]9 r# u
| ├──5-CTC损失函数的理解 .mp4 330.64M
, a3 F) f* s$ d4 ?1 M| ├──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
% d# z0 n. c0 m6 @| ├──7-CTC前向后向算法代码 .mp4 225.41M9 ?6 D% Z9 z+ P- q4 N( u; F
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
" n4 m2 v( E; w6 z8 E( D4 ^| └──9-CPTN项目代码剖析 .mp4 491.69M( o7 R( O% w/ v+ ?) ]% P
├──24--【加课】Pytorch项目实战
; j* b3 M" c. V| ├──1--PyTorch运行环境安装_运行环境测试
- Z; v4 {$ k$ c/ v% X/ v& {; X7 \, H| | ├──1-PyTorch概述 .mp4 29.29M. y0 p: ~! a* J9 q' i1 [
| | ├──2-PyTorch的安装 .mp4 76.45M
' |* A5 m3 @# `; r/ z S| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
3 w, x3 U' u' Z0 k: p: w- q| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
8 H" `4 n+ N# i i' J# w| ├──2--PyTorch基础_Tensor张量运算 + p; ~4 j( j& N. l# F
| | ├──1-Tensor的创建 .mp4 55.14M; i$ r' z$ ?: B0 P4 j: N
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
7 b, N0 G! P" @* g1 O| | ├──3-广播机制_逐元素操作 .mp4 44.46M
. b" N" W. `+ \7 h# M ?| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M3 x/ B+ ?+ Z6 a$ K4 U/ |
| ├──3--PyTorch卷积神经网络_实战CIFAR10 " @! U& c2 U0 N7 X h _) [/ i
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
" R8 Q! U# K, z6 r% x| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
3 t6 e1 P3 V6 g, H+ Y| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M7 A. g) E- z _, V( Q0 K1 v9 j
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
- T$ F, T4 o; C/ O' ~& P# u# Z| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
& o v1 ^# J/ Q8 l3 n7 D| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M3 `" Z$ x5 n) ]$ |6 @
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M/ g, n8 b! Z8 U+ e( Z
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M0 `3 l: r8 G8 I
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M0 c6 ~' M2 v* O+ d9 T: J
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
" \9 L8 s z# |6 t# G- ~# I( ?| ├──4--PyTorch循环神经网络_词性标注 * T7 Q2 F% }; }
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M m$ t5 o) O9 H/ Q( l: x0 o& l: \4 R
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
Q( O) u/ {: ^| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
* S+ G" |' w P m) R% w5 T| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M; O( V# Y/ I' ^$ `7 \. W) K) ]
| └──5--PyTorch编码器解码器_机器翻译 3 S" T, p: l" F' V6 H. N
| | ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4 50.41M0 ~, U5 a% \# b9 K" }
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M) O9 z6 c- ~# D; _, V1 `: _+ @) j
| | ├──3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器 .mp4 57.69M" z" @2 u0 m" y
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
8 n7 k/ S5 g& m/ m| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
0 y5 }6 G5 [$ ^2 _* P. D| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
4 R& Y3 c' d0 g| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
" m7 I& j0 }. T- s1 V3 e| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
( J- x8 i% B7 x2 X6 g├──25--【加课】百度飞桨PaddlePaddle实战【新增】 $ i% b* i1 k: I) @ ?$ w
| ├──1--PaddlePaddle框架安装_波士顿房价预测
$ {5 g% R5 P4 n" P| | ├──1-安装PaddlePaddle .mp4 87.34M7 |: I# i1 b$ M. O3 J6 z0 h- W
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M; l# M5 r8 m7 i3 B6 j: ?) K. g7 h
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
! k+ A/ [- z; W# n7 e/ L) z; X| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M: y( S/ W+ y) ~0 n# u6 s
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M4 a" c! V) }, m1 L* s
| ├──2--PaddlePaddle卷积网络_病理性近视识别 # p, u3 [7 s4 ~/ j" M
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
& w) N2 w# s, k' z% M| | ├──2-预测病理性近视_模型训练 .mp4 86.66M: p5 q/ P) y4 t# Q, W( W
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M0 d5 ]5 p& ]3 V L7 x5 F
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
- C6 Z7 g6 Q) ~- }| ├──3--PaddleDetection工具_PCB电路板缺陷检测 & j* c4 D! y! ?$ y9 G
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
- r3 h! n3 y/ L( F| | ├──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
, p# D; R9 G) T$ d! c5 m" B- N n| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M1 E( h0 s+ w3 {# C
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
% [: o# I; p* t& V| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M& I4 T2 X2 G4 F& n
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M: t# z! n- Q& o& G0 o& u8 i
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
; y8 r7 Q) `8 M7 t" U- s| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) 4 j- }9 o/ o) ?6 m
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
' O& b& Z4 l; O| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M
6 t) E5 C7 ^* j0 S0 G) Q4 r( a3 v| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M
+ z, Y; q2 O# w* a! K| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M/ _- K6 c# f2 i- I7 E8 c0 e" v
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M& U. i5 L. v5 y: k
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
( J4 q: m6 d$ f' ^| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
. b2 c; n7 H9 u; A4 J, E& N3 [| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
; e: P7 w& a- j. H* c| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M# Q7 C5 W2 _3 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 C6 z( x9 x; F+ m3 h% w/ }/ @7 z% f
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
7 k: ?- ~0 e9 F" S+ ^& Y- b" v| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
, m! B5 O3 B1 j l/ m) `| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M5 r S" a% [% F+ f1 B
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
3 K9 ^+ q1 _9 y) V| | └──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
* J1 V& Y0 ]( Q# b| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
3 w1 A6 T6 _2 q' f' v6 O- @7 P3 D| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
, d, Y$ _8 b$ q* b% t; m| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
- x% g S& H m' v; l| | ├──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 47.78M0 u1 i9 O% x% \& r8 f
| | └──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) m0 e+ M5 Q6 i/ d3 f Z
├──26--【加课】Linux 环境编程基础
) R9 _: p# s, s/ r; r| └──1--Linux 5 r/ E9 P8 D4 G) }. O
| | ├──1-Linux_课程介绍 .mp4 3.72M
) w- S$ Y* f1 \) w| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M; V: ^8 Z4 I9 F( M
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M5 k H2 q5 j8 A: b6 Q! h2 L9 Z9 z
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
0 K8 K* |' O7 h% z: L1 k: }| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
8 ]6 t$ Y# [2 z+ n. O| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M% {' x z P7 }% h
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
; q' K; w. t: P+ k% r| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M7 ^) y% r" y. `$ a# C5 Y
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M; D; o( q$ c4 a& }. p
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
1 S) {8 L$ D3 f| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M; E" B- d% f7 x6 _
| | ├──2-Linux_Linux简介 .mp4 17.59M. N4 K3 v$ ^8 t4 l7 B
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M3 D7 B5 @# I5 {
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
0 H3 |7 E+ M; M r0 |! q| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
( L# T9 m4 C4 s. U1 M+ R1 || | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
9 `( L& T. O* B1 ~, || | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M4 e$ }0 @; w; u. d
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M8 @, B }' u8 m* X2 j( f
| | ├──26-Linux_安装MySQL .mp4 79.02M" \* a/ i* K* H4 h/ I
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
! T) m* J* m; f2 q. v$ `| | ├──4-Linux_安装Linux .mp4 41.97M; Q$ p8 r" k8 _
| | ├──5-Linux_目录介绍 .mp4 20.31M
" S d4 W4 d0 E( Y/ _) k4 p1 r| | ├──6-Linux_Linux中的路径 .mp4 18.65M/ `. I& y: S+ H4 ^
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M* R0 y, p1 d7 P, c4 d" H
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M# }5 J k. C* n/ l' x+ y$ `$ J
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
( o1 r. b* L1 V0 k* s├──27--【加课】算法与数据结构
: \! p4 r9 e+ U| └──1--算法与数据结构 7 E5 Y% e1 K2 q4 @# Q
| | ├──1-数据结构与算法简介 .mp4 35.68M
' h8 S& N& B5 i1 }5 |! A; O| | ├──10-哈希表的基本结构 .mp4 54.34M8 w8 E, R) `- e( r" p2 O. t+ g
| | ├──11-哈希表冲突问题 .mp4 75.92M$ h/ k# x5 C3 _& b/ l) Q! g7 Z
| | ├──12-哈希表冲突问题2 .mp4 72.30M/ J) \7 I% `: d; s
| | ├──13-哈希扩容 .mp4 111.03M, E8 T7 g5 f4 p' u# l/ [; h) F
| | ├──14-递归与栈 .mp4 50.77M) V# v4 p! W3 W- s8 ]
| | ├──15-线性查找 .mp4 57.80M
; K! k3 o: A( ?7 q. U4 d% w| | ├──16-二分查找 .mp4 52.32M
' ?- c' B/ N) h( N2 b| | ├──17-冒泡排序 .mp4 53.19M
* O: }. C" a4 Z| | ├──18-选择排序 .mp4 43.29M
+ |, X, [! l$ L' x: [3 F3 ?8 g- T| | ├──19-插入排序 .mp4 31.39M! P+ c M9 z6 L6 n: S
| | ├──2-大O表示法 .mp4 25.59M1 E `9 k6 Z: m6 L: _
| | ├──20-归并排序 .mp4 84.48M. |3 |) @! c0 i: f& W# J
| | ├──21-快速排序 .mp4 36.63M* Z, v! c" P% S8 P3 d
| | ├──22-树结构 .mp4 96.85M! n) Q/ g. m4 i8 k; B
| | ├──23-树结构的遍历 .mp4 61.05M
' n: k+ s8 N& e$ i+ y& u| | ├──24-最大堆的增加操作 .mp4 45.43M
/ P' j! @- e# F| | ├──25-最大堆的删除操作 .mp4 45.63M
! J* P( f- G/ D9 A7 n. W7 L| | ├──26-二叉树的查找 .mp4 100.24M
0 B' F6 k! w7 A* N; O6 }| | ├──27-二叉树获取最小值 .mp4 25.21M
9 m% v2 W1 p& m& B- P| | ├──28-二叉树的添加 .mp4 72.66M
. v: G& p$ `0 f3 `$ _| | ├──29-二叉树的删除 .mp4 120.06M6 k; i/ U0 X3 c+ f
| | ├──3-线性结构 .mp4 53.14M1 `: X! H- l4 x) O: g
| | ├──4-单线链表1 .mp4 68.36M
! N" E% E0 d1 ~4 t+ M! G| | ├──5-单链表2 .mp4 221.69M
3 A& y2 q6 w. C6 g| | ├──6-双链表 .mp4 103.57M
8 S+ O- L3 I1 k& c( M| | ├──7-队列(链式) .mp4 74.12M
! B: |2 f8 u! z' c| | ├──8-队列(线式) .mp4 30.99M9 z9 x" _. T) i0 T4 C3 |
| | └──9-栈与双端队列 .mp4 28.12M
% d. f' Q( |# v5 [├──3--人工智能基础-Python科学计算和可视化 8 k7 w/ o. _" c/ }# @5 G
| ├──1--科学计算模型Numpy ! I( j) ?/ {% |( y( }( Q6 e
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
; y! X6 F" W J8 g, p| | ├──2-Numpy_array_arange .mp4 35.45M
- w# U9 Y0 h% l( y: ]| | ├──3-Numpy_random随机数生成 .mp4 50.54M
. m/ j" S7 E# r2 p+ c- J( w% Z| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M* _4 O3 O6 s6 X" E/ Q1 k2 f, u
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
' f2 e2 s; ]6 k) c5 z3 D. H| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M7 m4 [6 @8 a: l0 \2 W& b
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M, d, x. l6 q* D8 S r
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M( V) s3 o S1 p0 o/ L% j2 q
| | └──9-Numpy_聚合函数 .mp4 23.68M* n9 l1 F$ N, R( T2 G
| ├──2--数据可视化模块 2 q8 b7 i# X, U( Q- ]: i# c
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
, X2 @9 a2 ?; [' x( g3 M| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M& b/ r: |* |$ p+ s
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
) }* O2 E4 [( t) j| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M8 M+ i: _7 O* S8 }( d
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
/ c5 ]% F" E! B9 f9 N| └──3--数据处理分析模块Pandas 5 G) m# t" M( T$ _& D x
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M4 M6 B! D8 K5 B$ ^
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M5 [3 H/ [6 C; l7 G) T5 ^8 @0 p
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M. }) r2 ?6 D+ G+ R
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M a6 @8 `4 U; ~0 m( X4 u5 |$ U
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
8 D2 ]0 ~& z$ l% r2 j, M5 U1 }| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M1 j; M4 J* f H7 y1 l
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M* z K2 {" Y5 D2 k6 Z' n6 R2 z) |
├──31--【加课】 强化学习【新增】 & t# y& F1 e, l
| ├──1--Q-Learning与SARSA算法 * E3 k, [- A; I+ z2 c
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
. w' J! V h* d4 L* P) t2 A0 n| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
1 H+ c- K& u; x| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M0 K) `% O6 Q1 e5 N3 [- E8 B
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M/ ]5 j8 O" [8 A& [
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
y" T& n' s: G8 L) i" H, _0 x: p| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M: t9 I* f- ~9 B7 N3 Q9 ~) F
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
7 }! h h* g& K* @6 l| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M2 n1 r: D( [( `9 `/ q J" y
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M! E0 C8 O. p, H( @& w9 l1 w
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
) h t: {6 _8 _4 M7 [| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M+ o. U4 `/ R G9 G
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M3 ~; `% W) f7 _' t( K; q
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
5 d- ^/ `4 u. ^, |+ [1 }| ├──2--Deep Q-Learning Network
% W n3 y6 p5 {8 l5 P| | ├──1-DQN算法思想 .mp4 59.24M
/ `: R$ }' y' ^| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M/ w" R) _* Z, D3 e" a
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
6 o6 r; O* M& f- [: R N| | ├──12-DuelingDQN .mp4 88.12M/ c, C; }4 i! |6 s/ I/ T
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M* r' s6 e" X. }$ v
| | ├──14-计算Action的方差避免风险 .mp4 54.23M' ^! R: {( w, g' {4 q: Q
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
, [5 F+ P8 ?9 {. @& \$ Y* `| | ├──2-DQN算法具体流程 .mp4 56.17M
) Z7 G t/ Q* o* v9 e| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
9 D# N+ G, |! L, b; D: Q) Q6 m3 J| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
: B8 @, s) r$ m/ E. h8 ^. g| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M' d" `2 L% r5 M
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
9 f+ {7 p6 u. w( u4 ]| | ├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp4 53.49M3 \ U& k* a0 r. S9 k; i
| | ├──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 58.93M8 ^1 y% Q9 Z, ~& l
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
- j* ]8 [8 K# q' o. `* j0 k| ├──3--Policy Gradient 策略梯度 - O. {( ]$ t" p6 Z
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
& B/ O! [9 }( K w| | ├──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
5 u: i; v* a( Y- @| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
3 W. [' p! _3 F$ l- U* s/ m| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M/ s5 ?% }7 P# ]1 a ^
| | ├──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
1 `1 x6 b; j" p$ k7 q3 E, u| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
$ M& T* F' Y2 c+ o4 z| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M+ ^0 c( j7 Z8 C( \
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
* e0 j) F4 u( f0 i* P+ @| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
2 F( m: b% }6 d| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
4 Q# V* l9 u, Q, L. m| ├──4--Actor Critic (A3C)
( u* _8 w0 _! B4 N5 _. T| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
! Z& b; ~+ y$ H| | ├──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
- j- s6 ?% B, X0 P4 U7 E| | ├──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, J6 G; J6 r; G E" A' ^
| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M0 D* S% ]/ J6 |. n; h2 \
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M; W: N0 D# d' D* {* ^
| | ├──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: L9 `" h7 q" B. N1 B" b! A
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M5 q9 F! a1 w; y; a* g1 W" Y u
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M6 r& M3 I! g ?& _7 j) o4 ^
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M% I4 Y% P8 W' Y& J1 ?7 p$ ]4 M
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M4 S, @4 F# F; ]' a( E0 G2 t
| | ├──6-A3C架构和训练流程 .mp4 74.66M
8 n3 M9 k, b# U6 o2 s9 g' C v' q2 a| | ├──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
* ]) u, L% ~" z7 c' ~2 k| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M! U( C! T. H5 f$ b
| | └──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 36.62M0 L0 g7 B9 n7 R, b5 ~ `+ H/ P5 U# ?
| └──5--DDPG、PPO、DPPO算法 + b% o+ e- C# Z" K4 t- F
| | ├──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
- _7 l `. t6 B$ i, @* n| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M+ _7 S: Y& A: a- C% p
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
, E' g; ~! {& {5 o; 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 42.12M
6 m( t" J& ^! l. x- X2 d| | ├──13-DPPO分布式PPO .mp4 63.81M
8 A+ X, k( l) e# a9 J+ z4 [| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
, }2 i! H7 _- }8 d| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M9 I8 d/ I+ S+ v i/ W6 }# T3 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 51.45M
, a# i8 z/ T0 C4 S/ Q/ L/ J| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
0 W. V7 Q' ]) Z2 d0 w& d0 {| | ├──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* ~6 H. j7 E2 x3 P' M
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
; y. T( a0 x9 a$ ]# }1 R| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
& I% Z+ j# z% T| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M. h- G% h( ]3 c0 I$ \8 K7 S
| | ├──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) k$ E5 @8 n3 z: d! Z v# ^
| | └──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: J1 X! K7 z7 D+ S; a* j, u$ a
├──4--人工智能基础-高等数学知识强化 ' G2 m: a9 ~* e. k$ u0 n3 V
| ├──1--数学内容概述
7 S$ i. D( o4 r: j| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
; }- D/ V7 ]: g& u% j| | ├──2-线性代数_概率论知识点 .mp4 26.81M
6 K; Q8 R8 h) x' h, e; T/ O B| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
3 k9 ?$ m3 E: t$ l" }9 k3 R z| ├──2--一元函数微分学
' E! ^, }9 b$ O| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
# N+ y3 L* d. O$ h( {| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
4 T) V2 \1 Q8 Y| | ├──3-常见函数的求导公式 .mp4 22.76M! }# @3 w+ t* C% `) F
| | ├──4-导数求解的四则运算法则 .mp4 26.52M6 p# a& s; r. E! z: h9 B
| | ├──5-复合函数求导法则 .mp4 19.68M/ E1 ?& r1 f5 c! `$ {8 `3 r7 \% r
| | ├──6-推导激活函数的导函数 .mp4 33.40M
2 J4 \% \ B6 n9 V6 O| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
8 X3 @: R/ Q- u. d2 y; }1 l: {( @' q| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M Z U4 H3 J; s, ^! ^
| ├──3--线性代数基础 / F7 B D& M6 ^3 o; l' q8 N
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M. }1 |7 [% C7 c, Y* t
| | ├──10-矩阵的逆矩阵 .mp4 38.54M4 s. O# }. s0 ?2 L' }
| | ├──11-矩阵的行列式 .mp4 20.13M3 S; m& k1 v0 k3 w
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M7 {( p2 k4 P& \) T, W# p ~% L: n( Y
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
0 |# S- U& l+ R0 {* r| | ├──4-学习向量计算的用途举例 .mp4 20.32M! t! ? A" Z* a- H) \3 d
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
6 d# G6 \7 r1 M| | ├──6-特殊的向量 .mp4 26.45M
$ e+ Z' u, H" k# B8 L1 n. ]9 w$ E$ i1 h| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
. d. i; e) j$ y* \& ]% I| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M G2 a5 S* D, v8 b u6 D
| | └──9-矩阵相乘 .mp4 20.02M8 P! m# B/ h3 u+ t/ R
| ├──4--多元函数微分学
! y: k2 ?9 T' i+ O: _8 ~( ?: C| | ├──1-多元函数求偏导 .mp4 22.61M
`/ e0 z$ q: ^- f$ D$ \| | ├──2-高阶偏导数_梯度 .mp4 27.15M+ f: K+ M) @) |5 [
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M: r0 }- Z; ^( N( p
| | └──4-Hessian矩阵 .mp4 32.93M' Y' k( ]( a6 ^( Z2 i' _
| ├──5--线性代数高级 : A* g" J0 N6 r. D" t# Y7 f
| | ├──1-二次型 .mp4 27.70M6 ~$ w2 w' k0 V! X) H
| | ├──10-SVD用于PCA降维 .mp4 24.90M: J" ]) |3 j3 g/ |( H) E* }& R
| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M+ h& z0 x( w' B( h3 u4 {
| | ├──2-补充关于正定负定的理解 .mp4 23.48M/ T7 Q4 S$ [" w' S- W: {) g- n9 _
| | ├──3-特征值和特征向量(1) .mp4 29.83M
- F) M5 }- S6 k# P3 X| | ├──4-特征值和特征向量(2) .mp4 30.07M" k7 h# }/ C9 A4 D
| | ├──5-特征值分解 .mp4 38.68M a# p4 E+ _6 a1 D% Y
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
, p, _7 h6 |) e$ Z7 V( f| | ├──7-奇异值分解定义 .mp4 22.58M
% i$ U- l$ ]6 R+ j, r$ ~2 s| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M! i/ Q7 j' J# ~
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
) O: r O9 H; j| ├──6--概率论
; T+ l) Q! v! W| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
5 }1 q0 z1 C' V4 `- L, B7 W) z| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M. i2 Q! o; J! J6 Y
| | ├──3-随机变量 .mp4 22.57M
. ]9 Z P' C. Y8 t' M7 L$ K I| | ├──4-数学期望和方差 .mp4 22.96M @7 ?2 o0 G+ P/ A8 C- {4 U& z
| | ├──5-常用随机变量服从的分布 .mp4 22.48M
$ ?2 G0 d0 `/ r3 W| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
( l* X- Q& [/ M0 H5 v4 J| | └──7-最大似然估计思想 .mp4 23.42M
8 r6 G$ ?# d5 j# Q' T| └──7--最优化
0 O% g6 ~8 |4 u; A5 c- r4 W _3 v, p, O| | ├──1-最优化的基本概念 .mp4 35.14M
8 w8 [/ _7 t0 } q6 A5 \# K| | ├──10-拉格朗日函数 .mp4 27.46M
$ w+ @: l, o& }| | ├──2-迭代求解的原因 .mp4 20.15M$ o _5 ]' d) l8 d7 e R
| | ├──3-梯度下降法思路 .mp4 26.33M# w: V" U' m7 Z6 A: w
| | ├──4-梯度下降法的推导 .mp4 43.56M
0 h) N8 I {+ n8 U/ i3 W| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M7 }: Y9 R2 h1 E* ~7 s# v3 M3 S
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
2 M" A6 @! O: Q, N9 ~| | ├──7-凸集 .mp4 21.90M
: E! x+ q0 [+ r4 ~! i| | ├──8-凸函数 .mp4 16.93M* B Q' B- _4 Y/ Q. Q' V! H; O
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M. A4 e! y+ D. k, j
├──5--机器学习-线性回归
# m7 `& S# W8 h| ├──1--多元线性回归 2 I7 z- s- g2 U: p+ m
| | ├──1-理解简单线性回归 .mp4 51.11M( E3 [ r1 C- A6 L) w& z
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
( }2 p1 f3 R [9 u p| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M ^( R" d8 t* U9 H
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M/ v. g& }7 }7 h+ N4 {
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
9 I$ ^) j7 Y8 }| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M7 _7 S! N) Y# G$ B7 g& a9 _
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
9 M8 r/ R5 \) L& _$ L( _| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M6 x( h5 m0 U8 [2 v" ~# v# B
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M9 {. Y# \, e* u# ]5 K- k' [
| | ├──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
/ X( q" ^# k, W g# |4 {" C& F| | ├──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 34.67M8 U" Y- D% E, N9 i/ u6 Q
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
3 D! k3 Q# F* {2 o| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M+ F' @9 r! Q) [- N k# \
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
# V5 q6 D4 U7 f. P5 o% L| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M) n5 \& b, _: N+ O1 R! L
| | ├──3-扩展到多元线性回归 .mp4 32.15M
/ k Y4 v7 t/ i+ L& N$ B| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
. Y( g9 {! f4 i7 k( O* I: {| | ├──5-理解维度这个概念 .mp4 41.41M
& s1 Y- s0 N8 h. |% n% U5 A| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M- L4 ^6 e8 ]( W% C( r# x2 ?
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M4 z7 ~$ G V6 A. w0 s# x
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M9 U$ T* V) I6 y9 Z
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
1 x! {4 I1 k5 F4 A5 @. `+ J| ├──2--梯度下降法 ( ~/ y4 m! e- @! u |
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M! n* A, w4 c: O' G2 r( X5 I
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M# D2 P/ K: h6 u/ ?3 I7 n1 y
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M5 w1 u+ H* L0 @) u5 ?
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
* g1 I' r; N8 {3 e$ A( G! ]- M| | ├──13-代码实现小批量梯度下降 .mp4 27.32M% W: C& r' j9 M. m
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M5 A G4 k5 b }+ p
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
6 h# ]8 f( n1 |* L$ v3 O| | ├──2-梯度下降法公式 .mp4 57.12M
3 S/ I% X5 I$ b* s. w G' S| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M. s+ B1 {( [' g" x, C. y0 _$ Y
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
9 b* q/ s- C ?4 d/ || | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M% T/ H; E8 F! l# V7 D; E
| | ├──6-全量梯度下降 .mp4 62.84M( A8 j) i" d( B& `$ [9 k
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M! M2 t& V: o& O! j+ ~, p
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M* l/ r" W2 e( C L! q" m& j
| | └──9-轮次和批次 .mp4 45.22M/ K4 T7 v- _/ V n/ y
| ├──3--归一化 1 q6 r0 l. B7 b7 j
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
- _" g6 x& ?4 C. K8 t3 `| | ├──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
7 A: q/ V5 N) O. i/ o| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M: u, ], g( f4 g7 Y) i! ?
| | ├──4-最大值最小值归一化 .mp4 24.87M
' C5 _8 g5 X& U" _( k9 `| | ├──5-标准归一化 .mp4 51.86M" Z3 O1 B) ~4 x+ P4 W
| | └──6-代码完成标准归一化 .mp4 41.13M
) n3 a6 T U- o1 Z+ a# n* i| ├──4--正则化 8 @+ K# M, R, [8 J# [9 m
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M) r# y) [+ O9 W( w
| | ├──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, @: C& k1 P& _6 W u' f3 }! R, T
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M' S1 V. p0 R. l4 [
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M( B( \, J8 t+ N/ V
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M9 t8 p! M* ?, q
| └──5--Lasso回归_Ridge回归_多项式回归 7 `; a( Q- r S- o
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
$ p; t# J2 |9 Z8 d- z1 { l+ q| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
0 ~" I+ B+ T( Q0 Z# K5 [| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M- D9 \& E7 V2 j4 D3 L& {" t/ n
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
, s8 g0 l8 X! e$ W% f| | ├──2-代码调用Lasso回归 .mp4 28.73M O3 ]' z( ]5 E% Y) V1 {& z
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M7 b3 f7 D! t4 p+ c
| | ├──4-升维的意义_多项式回归 .mp4 48.06M# |3 M( E$ j2 c- v. m; X
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M& F% c8 ]) O7 ~9 \$ B
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
0 e, J B9 M6 L. k+ R ^| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M L% y: P Y e8 \
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M4 {7 Z0 d/ U( j% k2 W+ q+ e
| | └──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
. a: f; [8 U2 ?) x% Q├──6--机器学习-线性分类 1 Y7 d: |2 n0 M) s* s) b
| ├──1--逻辑回归
# x6 P- z0 `. k) D. P! j6 y| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M" A1 Z0 J% w# f- X3 h
| | ├──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$ i+ o: D% D- I) @; [
| | ├──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; ~; x5 J2 R% P% {$ k: ^
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M5 C1 ~6 ^) Q0 }6 D
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M
2 u% v$ J5 m8 W( w% r! o| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M3 \# S- u2 f& A m5 }5 g* E" ]/ R- Y
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
3 Z% R* x4 {! I' Z8 j| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M: ~! g6 I7 }% q7 x6 ]
| | ├──2-sigmoid函数作用 .mp4 38.15M7 e7 `. m. K2 k9 }
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M/ Z; m, h/ b% L3 B: l! N
| | ├──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 b3 e; L( B9 }, u d: M+ E/ N, i
| | ├──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
8 w$ M% P8 T" B; n1 f/ f| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
$ C2 g, M" I+ M| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
4 ?. }1 w+ g8 |* t| | ├──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 56.56M5 X- a4 h: U+ W. z
| | └──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
- \- h, _* a% E" h& N| ├──2--Softmax回归 * K3 M- X) Q) a1 s" r5 f
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M2 g$ Z2 w8 m4 j _) _
| | ├──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
' r) ^# X* U1 ^ R| | ├──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( k' C: M& }6 n/ u
| | ├──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( P1 Z5 N/ f8 V
| | ├──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/ G/ L8 @* ~. Q6 |5 }5 d T/ q
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
# X' t" L8 m6 N+ f$ @' \5 }| | ├──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& J' u! Q$ i5 c* r
| | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 28.15M( p: W G% Q( `$ ~
| | ├──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/ R" G3 A9 p% a: i2 W& U
| | ├──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' A. K, o+ Z( g( \: v3 {
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
. X( m+ b! c Z$ i* O| | ├──8-实战音乐分类器_探索不同曲风音乐文件的时间频率图 .mp4 52.39M; ~& {) [* C. g
| | └──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' G1 {) V5 i) c; }: A8 I6 N
| ├──3--SVM支持向量机算法 9 L G, _7 X1 D4 B, k6 q
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
$ o9 M& J* X* h8 P H7 m8 X! W| | ├──2-SVM的思想 .mp4 55.56M
- Z" C9 a0 V; {' i& j0 ?! x2 [| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M( O5 d1 g% ]: r1 m n p
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M: u2 z' T( n# u4 S
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M, s8 \. a g. @' m
| | ├──6-总结硬间隔SVM .mp4 39.01M
4 U4 b$ u; S& h* [1 r' A| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
* q i! s1 W* h" v! f| | ├──8-非线性SVM .mp4 54.43M1 } W: q# Q4 c% {
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M. J h! H2 U$ J8 V6 i% V
| └──4--SMO优化算法
( m' y& @( _7 i. S0 s* p| | ├──1-SVM算法流程总结 .mp4 58.36M
0 a: Y/ V7 O7 C: u& E+ V4 C| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
& n! h8 V, u" \& i| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
( s6 b2 D6 x* a, m/ y2 s| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M2 W d r* P4 ?1 D4 ]
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M$ Y9 C) L2 H: c* T2 K+ F
| | ├──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
2 T) @8 s% ^) U( Z ]- J K$ _| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M: A5 _9 E( u1 }
| | ├──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
9 g; Q$ J* R. w& ^| | ├──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- U; I! c& `" X
| | ├──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
! h9 i/ x# |9 v0 i j7 t/ a| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M
0 Q, ]2 u2 u7 E3 l! I: _* C| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
9 b/ A M# c6 F2 g+ a4 Z1 o- K| | ├──7-启发式选择两个α .mp4 23.11M; u' k) F% A9 D! {% R% o7 C
| | ├──8-如何计算阈值b .mp4 50.18M E ~* v4 g U/ I+ D, h
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M2 A. b/ v4 X# }$ H$ y+ G: A
├──7--机器学习-无监督学习 ; E7 I8 v/ R) |! o9 Z6 B# q# Y
| ├──1--聚类系列算法 , v4 v* M! l! f6 Y! r7 A G# J) y. Q( K
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
3 T* _* n ]% k4 N| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M# e5 o+ Z0 |6 k" Q q
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
8 u5 R# m- S5 r8 R3 s| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
& ~ \( l$ l F u, o| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M) ]7 q# I" i) u. s* j! F
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M3 y" ?% x8 g8 \0 I0 }
| ├──2--EM算法和GMM高斯混合模型
/ \; J. z6 _$ [8 i. Q6 r. d, P| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M1 @* Z& y7 P; ^) d/ u+ T5 H
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
" }8 }- t- P' q# i7 h9 J. r| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M+ U o+ ]; p1 {8 N* c
| | ├──4-Jensen不等式的应用 .mp4 109.17M
' c/ G" g9 G8 J1 p: d| | ├──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
" A- w1 V: j- h| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
j8 C+ k7 d8 V) E- ?/ U4 O| | ├──7-GMM前景背景分离 .mp4 16.01M
$ j Y2 Z k4 M1 P1 k| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M* }3 \* [ O+ w
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
a& s( R0 o# Z8 m| └──3--PCA降维算法 8 f/ B. J# i9 k) P+ v. D1 T
| | ├──1-特征选择与特征映射 .mp4 49.38M
8 K( @* u; |$ K0 || | ├──2-PCA的最大投影方差思路 .mp4 186.75M
4 M0 G3 _$ Q/ W| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
3 [: }# z6 d3 I- `| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M6 C2 z0 z0 u6 q- Y6 m
| | └──5-PCA的几种应用 .mp4 54.58M8 D- h7 P3 t8 S6 t
├──8--机器学习-决策树系列
6 ~; H9 [- ?& C" ^| ├──1--决策树 ! p, z' I( a8 q& J
| | ├──1-决策树模型的特点 .mp4 74.88M, X+ ?% w% i2 ]) x" y, B7 F
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
+ Z6 z: ^9 c- U; b6 t. Q| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
9 F2 B, k; t2 z6 {$ Y0 N; {, h| | ├──12-后剪枝的意义 .mp4 50.49M4 J; l x1 O! L' C+ s5 f" f4 h
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
( m$ q) b9 c# e| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
% Z4 \0 W0 ]5 V| | ├──2-决策树的数学表达 .mp4 89.94M) ?$ ~0 i8 d) }$ h
| | ├──3-如何构建一颗决策树 .mp4 84.87M
3 b {2 g; A" z| | ├──4-什么是更好的一次划分 .mp4 57.02M
) e! a+ L+ |5 g% w& T7 X| | ├──5-Gini系数 .mp4 107.54M$ z0 Q' f6 H6 z# e
| | ├──6-信息增益 .mp4 75.26M$ M% z. ^4 V8 v2 _6 m2 Z/ s
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
D7 K8 d* P% L7 f| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
5 L2 ~& I" t) ]# I3 U| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
. q% W4 o, r" }: {$ u| ├──2--集成学习和随机森林
+ `# _/ G; C; b| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M" p% B, T( R0 ]# j2 o2 l7 w
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
0 v# k& u( F Y u/ c| | ├──3-随机森林 .mp4 108.14M6 s( N- {0 ?) v+ r1 ]& x
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
: G n* v/ C3 p| | ├──5-OOB袋外数据 .mp4 106.07M
2 B6 Q0 M/ b7 p) B+ Z9 |9 j| | ├──6-Adaboost算法思路 .mp4 106.30M
$ o0 ]5 U, c5 \8 @ j| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
( W. y1 X" F4 i6 ^; f" s6 j* C| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
" B; N& v9 f. g4 l& r| ├──3--GBDT % D3 Y0 L' T4 \! q
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M
5 N8 l6 n' j+ Q| | ├──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
% v# V+ U2 [. ?) Z) _/ Q| | ├──11-GBDT多分类流程 .mp4 73.80M
4 Z i+ t" H6 J+ S2 E| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M/ l. m& Q6 F9 |, H5 d b
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M3 @+ i% C* P. L
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
, {9 c. M) [" j$ ?: K| | ├──15-GBDT二分类举例详解 .mp4 86.67M% a$ m; a8 U0 z/ | q* M2 N
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
: [' K1 n* L$ i& J- U$ g| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M5 o4 V8 J# u9 v
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M7 a& c( V/ L5 D$ @
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
4 q* Q9 a3 V+ N) G) B| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
9 J4 b1 Y6 j5 \| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
% w" C! s# W, Q4 ~5 p2 b% E| | ├──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
* U5 @0 G- O& Y! y# C9 ~| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M3 j3 n* K8 s) V1 a2 J5 {& B9 a# n
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
, J1 r6 }& s1 U| | ├──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
$ ?3 {: B# S B7 C/ q0 E4 S ]| | ├──4-GBDT应用于回归问题 .mp4 84.66M
( k8 }! [7 e4 R2 d6 M| | ├──5-GBDT回归举例_总结 .mp4 108.52M) Q( z4 |+ H3 `6 i& O" i9 s
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
) o4 |- `- D( _& x& ^| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M, H' c9 G! B' K% x) Y7 b
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M( p# Z+ f! p# q* [
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
' _4 z" h! W% }9 n| └──4--XGBoost
+ _ |) w0 G# h. }6 x- M+ ^# N| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M. \8 \1 U I4 c1 S( o: V
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M$ Q1 D) i3 c9 A- J3 H1 p; _: B
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M, h5 g( K# Z! G6 {0 `
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
+ _5 G: {, n m| | ├──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% Q* y* y* I$ B, E/ z- D( 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
; t, D0 y8 `1 q% T/ D# o| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
, f7 n: \ R3 [- l7 j9 ]| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M5 N; @! |- J6 Z. `! X; x5 S* k
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M; v. E, p/ {7 z' ?. r3 @# P6 _
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
# A" y+ T) v r, p; B- J+ u6 S| | ├──3-基于树集成学习4个优点 .mp4 91.36M1 }2 o& p* L* w. b8 Q
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M8 G: s& w! Y1 ?! G$ p U
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M' w( U8 i% x4 ?* R
| | ├──6-Objective_vs_Heuristic .mp4 60.42M8 ]. r% a! A8 d2 d- k( J+ T
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M: P8 X$ M& }0 x6 |) N' h# b0 P$ A
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
4 F/ I* e& H. ?| | └──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
M; \0 ~4 [3 i0 j, ~├──9--机器学习-概率图模型
9 I& E- E, S' j+ f* r| ├──1--贝叶斯分类 + v: `6 L! I1 M% b
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
5 p3 {( j2 _. n| | ├──2-TF-IDF .mp4 53.08M
5 x- J: k1 P# j, Z| | ├──3-NB代码实现解析 .mp4 126.73M Y3 Q% S! e1 e) }: W" V: k: w: u
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
7 N+ u2 E+ m; R1 a6 r2 o" [+ {8 h1 M| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M0 C* ]" S! y$ h
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
- L9 e1 k, z1 V8 U {| ├──2--HMM算法 0 m* ~6 `7 q9 ~# Z
| | ├──1-HMM隐马的定义 .mp4 36.82M
) W0 a& c) y' t( f) Y7 g/ }5 d| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
( X8 j9 x! x$ `1 G. S9 k| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
3 `) f) i% a2 w2 @( D| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
+ a1 |" P0 @ f! F3 Z6 O| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M: x+ i$ t- q; r( t9 }2 p
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M; Z# r) M$ z4 r7 k8 \2 s
| | ├──7-Viterbi算法案例详解 .mp4 107.12M0 L9 b% J) t$ o- Q
| | └──8-Viterbi算法代码实现 .mp4 42.43M
% W# b: E+ K" G# Q| └──3--CRF算法
9 Z1 N6 i$ f( M1 B8 r3 d9 Z| | ├──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
5 W$ f) n G3 Z$ L| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M" x. a. W6 A# g$ W
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
) N# [- T- \; ?| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
1 P2 N; l: }! x2 Y1 A2 g8 Q: H, I| | ├──5-CRF的目标函数 .mp4 23.74M t9 n6 ~% H0 w# f. D. Q. n) ?
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M" [% p3 z/ e. \ q) \* Y
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M% R* j2 V$ Y( t
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
' G, E8 w( g0 r! s! S5 |└──课件.zip 2.54kb
. D1 \& Q5 |1 V( U+ ] W9 r/ Z/ J* R; W* u& \9 e4 X( @
0 [4 |2 y. N" b1 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！
) d- V w# t! n& s+ z0 S
* y8 |: `8 g1 d) z" |0 Q2 w
& o# [: e4 q9 x, d" D0 \6 s |
/1 
