战-人工智能2022/
8 A4 B; w# p9 I├──1--人工智能基础-快速入门
; B# V- L& K' {# I3 i| ├──1--人工智能就业、薪资、各行业应用 & ~* C3 g5 ?' x6 }& ~0 p3 L/ |2 A* f
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M- `% d0 G1 Y% }
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
5 W+ U9 `) p- O& H" F" _$ Z* o| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
@' g- P7 b0 E% h& v| | └──4-人工智能在各领域的应用 .mp4 57.73M$ O5 x3 }! p: b: M6 ]
| └──2--机器学习和深度学习、有监督和无监督 - H0 a5 b+ k, T( K
| | ├──1-人工智能常见流程 .mp4 89.62M7 g3 b5 U! J0 a4 v1 w2 P
| | ├──2-机器学习不同的学习方式 .mp4 83.51M
( b1 R1 y0 W7 p3 G1 c| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
4 U3 v9 s8 [' A3 _. A; {- K| | ├──4-有监督机器学习任务与本质 .mp4 37.50M5 ~6 G. A- q4 n+ _* b8 j2 s
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
: n0 P. a" C4 _& Y3 w6 E. m├──10--机器学习与大数据-Kaggle竞赛实战
+ L+ d, l& l* o/ l5 e| ├──1--药店销量预测案例 , }! b: i. t+ L/ V) F4 C8 W7 k
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M; j: S1 c5 p/ z& e) F1 T
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M/ S& d2 {( Z+ u8 e
| | ├──3-自定义损失函数 .mp4 21.12M
5 M6 Y& w8 l7 ?. M3 s6 x9 M/ g| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
/ y$ M; h9 v. a. |+ i| | ├──5-数据的预处理 .mp4 111.81M _. A2 d* w( H" L1 T
| | ├──6-模型的训练_评估 .mp4 66.64M
: W1 l+ { w8 K. x- i" o& h+ M8 N| | └──7-kaggle竞赛网站学习 .mp4 172.16M
; h: J. t8 g' C: ?+ z1 t| └──2--网页分类案例
4 R% J! N' Q" v: f8 B# C| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
$ ?- P& P5 s0 c/ X| | ├──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 85.63M1 f0 a( y7 b% @$ f
| | ├──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
$ } B! ]% M$ I4 [| | ├──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 74.74M4 z/ |* v! t$ a" A2 E
| | ├──2-评估指标ROC和AUC .mp4 56.19M% F5 ]* t. r( A4 w( _# C1 D
| | ├──3-评估指标ROC和AUC .mp4 49.03M
7 m! E3 i- b e# j| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M( l& B4 Q. k- \
| | ├──5-数据导入 .mp4 68.41M
% R. ^9 _' Z7 D, k2 K1 K+ }| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M& q0 F% l W& M0 _
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
; j( O6 f+ S" T3 |" k7 I| | ├──8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数 .mp4 62.48M
3 {7 v0 Z8 C0 i5 C5 N3 _( f! o' y| | └──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
4 w" ~7 r8 [0 _( I$ q' N5 x├──11--机器学习与大数据-海量数据挖掘工具 ; r1 n* {) g& E0 g& p& Q
| ├──1--Spark计算框架基础
+ D f5 n" E4 k" C+ D3 S2 S( ^| | ├──1-Spark特性_01 .mp4 41.68M
9 Z; d0 k- ]2 Y L| | ├──10-分布式计算所需进程 .mp4 26.30M
: o& R8 v% E9 U! L4 g7 K| | ├──11-两种算子操作本质区别 .mp4 56.31M
' g- l& n, S, J) \- w4 P0 k| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M- |# M6 A6 x% r3 t8 h" K
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
: Z+ T* p+ y& _| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M2 X$ J. e! u$ g6 [/ t
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M0 X! e; H+ R; z- b
| | ├──2-Spark特性_02 .mp4 35.15M6 u" j2 W. U/ U
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
0 E( ^" D' C+ |" x- c| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
" I1 Z/ a7 t! y t3 v; D| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
u/ P$ A% U% ]3 p0 _2 w| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M2 x# u) Y- z% o( u2 n$ c
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M, l) K6 |2 F, q! B. O9 ^7 k
| | ├──8-Spark的RDD特性_01 .mp4 33.08M/ w. k- }' b7 d4 w: _
| | └──9-Spark的RDD特性_02 .mp4 33.41M
( P1 _ g! b* O; N, U| ├──2--Spark计算框架深入 4 n; `4 g; i. \# r. R5 C
| | ├──1-Spark数据缓存机制 .mp4 54.43M0 {) i' g: M/ ]! O, ]: F; p
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M8 [+ B4 q5 @- `
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M' n8 w" Q7 E J3 ^7 b' W* i4 V% H
| | ├──12-构建LabeledPoint .mp4 111.08M
4 Q+ I+ k: d+ u8 N+ i7 C| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
. b; ~5 P7 o* b+ V. ?% Q$ g) E| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M) V8 Z/ \! ]: O
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
4 I/ E% D) n3 k; U7 `' U! n| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M' c( F0 Q, @0 V! N7 K
| | ├──5-Spark术语总结 .mp4 89.66M4 @1 W% g1 E C5 c
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M: j r, a: a- s' i+ S G0 @
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M% O f# ?9 c5 ^! I! d' S- {
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M; }6 i# ?# G: S' }& j4 y7 R
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M6 _ J5 m1 p9 D! @6 Y- b
| └──3--Spark机器学习MLlib和ML模块
* D, `) a3 b a5 r1 k: || | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M5 F( R3 J3 H0 l& V# o+ y
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M! ^6 M& f1 a" E g4 o) ^" S
| | ├──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
# r* w6 S, V, h4 y# B; p% t/ p- ^| | ├──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
* y% i& G. J% w/ B| | ├──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: `, P( `4 M1 i
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M' Z, h' P) G; B3 J p
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
4 O# O L* \$ y| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
+ r. y2 [( D, u7 z, P8 U i| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M4 X, P. p+ p$ |1 D$ p7 b
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M( N9 t" y4 Z5 H' L
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M/ s4 _- q, H( \" m1 @! Y' Z
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
4 P4 D1 S: o* S$ ]- |7 Z& \| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
) O& \- T9 _! A* `% q/ h) j| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M4 |- K9 |$ Y3 Y
| | ├──22-SparkML网页分类案例代码实战续(1)_1 .mp4 143.99M" N8 x0 {0 k8 ^% D
| | ├──23-SparkML网页分类案例代码实战续(1)_2 .mp4 143.95M9 I# j. i' O. X/ a) L
| | ├──24-SparkML网页分类案例代码实战续(2)_1 .mp4 177.12M) F& M- N( G. E( [
| | ├──25-SparkML网页分类案例代码实战续(2)_2 .mp4 99.25M# |5 c5 [4 w- N. S1 T" m
| | ├──26-SparkML网页分类案例代码实战续(3) .mp4 9.82M
0 z; Y' H5 D: p: k% ~| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
, a& Q% B# G8 r. [| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M. T0 v# p8 S2 F7 ] _& e
| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M/ x- @- d0 r8 w/ Y+ ]* p
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
! e) Y( ] J, L3 S+ x" Q0 ?| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M( i7 K- b' P( }1 `/ A0 y8 c
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
7 s, M4 k4 M3 e/ J! T8 t| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M# V. P% V6 c/ f9 D4 w- b& @
├──12--机器学习与大数据-推荐系统项目实战 Q, p6 c" z9 \! R# r
| ├──1--推荐系统--流程与架构 ^7 w+ {* _1 ~2 `( _5 G$ i
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M$ L9 X$ f; n' f
| | ├──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- M" K' L) R1 W5 P* ^
| | ├──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* W1 }; ?) [& O& h5 z
| | ├──12-推荐系统_数据源_1 .mp4 79.07M& M+ N% q( Z, g, Q. J! V
| | ├──13-推荐系统_数据源_2 .mp4 82.90M5 D( S, x J1 s. p. j2 K
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
( N& C2 y/ C$ e F1 b| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M" _ ]7 P) T8 `$ ~8 n
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
; P) {1 F% [) A" x$ f/ t" y1 s5 c| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
! ]" e4 v* v7 s0 }* v9 ?( }| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M8 a. ~& b Z. I0 N5 {. H
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
) b9 L% g* m1 V1 U( ^8 ^| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
" M' { A0 l6 [- D$ U9 p| | └──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+ C& f# {6 s! C. ~3 P B. ?5 C3 d+ }
| ├──2--推荐系统--数据预处理和模型构建评估实战 # `2 \% b R. V8 ^: N T2 M' s4 s
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M4 K2 s, J' {3 }8 U
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
3 Z+ P J. X @, I| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
5 ^7 Q8 e: a/ g8 t| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
3 U# e( @- \/ _| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
4 F7 C4 u& `6 g' O. K| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
5 p1 ?! N/ P* S# L| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
( C0 n% u- R3 s; e| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M3 S3 j* b' t( v4 W ]( F! Z
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
; A8 n W8 K, k% o| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M" N. T5 E3 l. p% J6 P% K
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
$ ~& j' }2 c! `( D2 y4 e) H: z5 z| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M, b5 n) k w; V& F& C6 ]
| └──3--推荐系统--模型使用和推荐服务
?/ [; M% }4 ~7 i| | ├──1-推荐模型文件使用思路 .mp4 61.89M
7 G. x7 O: a" Q8 o' r+ v+ S| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M! m. y9 j g; k7 g" J
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
9 Q$ \: m, k# @8 F( B; A4 k| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M0 o6 r. v/ I% L9 @9 _$ T% ~" ~* s# g
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M- h7 P, h# e- _. K* F* f# E! c0 f
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
0 f! M" c$ ^8 S" W; }| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M# H. s6 \6 O) h6 T. Q- H
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
5 J G* P; N- k" u- ]5 U$ p| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
5 ^* X1 P; v3 @9 p| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M: T: o/ @! O* {9 Q
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
5 |$ I& a$ F- u" j| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
6 t/ F- R- q) \) N% Q8 B6 J├──13--深度学习-原理和进阶
( n( X" G* r( @8 O% S| ├──1--神经网络算法
; n0 M8 j {0 D% H! y, B| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M" k' A: T7 I8 P7 O3 t
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
: w/ r: N& [; W+ q6 [| | ├──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
( o6 ^* U: u$ m3 a& ?- E| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M, e+ C$ I5 C! c: I5 i
| | ├──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. R* i: C' Y% m7 P: v& C
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M0 s, X: \) ]7 F
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
+ Y: o8 }7 ?& q! Z# G/ C& f* F| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M1 { [! b) Q1 K- b
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M9 z& ]; e9 _- D& B
| ├──2--TensorFlow深度学习工具
0 t- Z# h" o% D& J& s/ \| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
$ \9 ?4 c# t( R- v; }| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M& W- n* C2 V3 g" a' V1 c$ ]" V
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M: W. W' h+ K: ^' t( M
| | ├──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) P1 ^9 t5 D. @9 s, t
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M/ C% Q' Q( d0 B1 Q8 ]
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M* g! x& M8 x3 Y4 ?* B
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
3 f* M7 J6 }4 V1 ?- a: k* k+ S| └──3--反向传播推导_Python代码实现神经网络 % O* a" s a: ?5 I& M! h% r
| | ├──1-反向传播_链式求导法则 .mp4 86.47M* |8 s" M, g& B
| | ├──2-反向传播推导(一) .mp4 127.90M
$ V- B! k; j/ S X| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M" d* I; h1 d( z6 b, R3 v$ J
| | ├──4-反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例 .mp4 81.20M
# F. l5 R, e, N/ [/ b1 ^| | ├──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' S9 v4 D; _+ l9 }
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
( d* Z/ T! r' n$ y+ |# f7 M# b| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
7 M) u1 C0 m- E, m. G, t* v& \" T) u├──14--深度学习-图像识别原理
7 }* I- \. Q6 ~: x, w| ├──1--卷积神经网络原理 7 I4 p9 [1 P: l8 P
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
& n5 H" h9 D/ `$ _1 [| | ├──2-单通道卷积的计算 .mp4 104.01M
. ?$ j) \- n" R" ]+ @| | ├──3-彩色图片卷积的计算 .mp4 52.79M$ r, U5 t0 O( w7 ]8 q I
| | ├──4-卷积层权值共享 .mp4 63.93M" d! K: c4 K0 C+ @- @" ~% k2 `
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M( e9 P: g* ]; B: f' Q: w
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M( u0 z! h! o/ l! A7 [, M
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M" J1 P4 ^; Y* y% G, n" g
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M' q# W9 q( \; f* R$ U
| ├──2--卷积神经网络优化 4 y0 ]6 |3 _( x
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M0 L9 c7 T' Y/ H- S7 m$ J
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
* g" T* m" Y4 H- h, a, e| | ├──11-Optimizer_Adam .mp4 141.12M
- F% B w8 F) d4 |- |3 W% o/ S| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
. J1 _# x; J& N# } g9 V" {| | ├──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 E8 e& F7 N, I, _1 I! H, _
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M3 E; s U) B5 p- W
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M: {! z7 e( p0 o1 ^9 [
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M. P6 J$ ^2 m5 o4 a- ?
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
3 G1 [+ h# ^# d5 M| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
: g& B, V. c8 u' X| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
- q2 w4 L$ U6 F$ t; E) E| ├──3--经典卷积网络算法
$ x+ c/ E; [' || | ├──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* t) r2 \: X3 ^2 F8 M, {2 t3 r- O
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
7 S/ q" n2 }' r" r| | ├──3-InceptionV1_V2 .mp4 165.86M
# q( L* B9 q# j7 x/ S/ ~| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
6 _3 d/ [0 q& _) H4 R| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
2 }4 a5 F! S0 O3 d6 }3 y| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M) m6 F A) X# r1 ^1 G
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
7 t+ x& Z1 \* Z& d| | ├──8-BatchNormalization .mp4 99.23M! L$ o; b# \. }7 b/ E
| | └──9-Mobilenet网络架构 .mp4 150.05M6 m. z" y% e2 z* \& Y/ ^) \
| ├──4--古典目标检测 5 m7 B9 Z' j1 m/ H0 f0 [; l
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M) J! `/ t1 x) D( u8 r/ C9 K
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M9 e( E; A0 }% H7 g
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
7 d, S/ r7 l6 G+ y: m| | ├──4-R-CNN和SPP-net .mp4 124.06M
+ Y# ^& k- x8 R3 z| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
' m% C9 ~0 X, V0 N1 e+ n| └──5--现代目标检测之FasterRCNN
0 d9 V2 q( | K& O0 V) [6 u| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
. p, \ X& I- f5 B2 u| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
9 s! g# g5 R7 k& {; c( V6 v| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
% }7 G4 h% U- p| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
2 |: w7 j( K, ?, x| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M* _+ _' l; ?! R3 x/ c) J9 p0 g
├──15--深度学习-图像识别项目实战
9 r5 u, f" X7 Q* N+ k- \| ├──1--车牌识别
- w0 l0 n$ G( q) A8 X# f| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
8 N% w H: e9 [) N5 `; J# I| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
" F: `8 j- C6 V; i5 |7 D. ~| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
6 d# j& s$ \1 _5 X| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
( ]5 q& M! P* f" Z: q) n* F| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
/ n' A9 B) I+ T+ q1 c a| ├──2--自然场景下的目标检测及源码分析 2 r; B7 a. M+ I+ p; |
| | ├──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 \& x6 K) N# K5 w| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
' u! e! `+ _2 m$ k# B4 Y) J| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M. ^2 C# |8 a- H8 Q/ ^+ x* B
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M2 p; |" x4 b- \ k3 \# y
| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M) n& L, D1 i: f% D5 |; r
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
2 e" _6 [/ V, _' S$ Q. r: r| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
0 ]6 E: _/ E2 j* h0 B9 X( s| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
. c7 z. I# X! [: v7 ^3 _| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M: z' c* p/ H1 s" S% S' x
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
0 @% k z- ]( ^* W! D% j| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M' A: b8 J/ D8 ^% m0 W3 ^! L; C2 J; s
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M9 f( Z r m5 b5 G4 U" S
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
4 o" \% Y0 x8 S* ^& u0 w1 p3 `+ s| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
4 k9 [- t* Y1 B: H" C| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M- m' J: ~6 Q# e% u' H% [* v7 N
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M9 X+ Y/ G6 b& |7 i- u. W4 F
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
+ @5 n+ b; A4 N7 o5 E+ z| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M6 M, p- N$ k& V4 G1 G
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M* h: I# N; Q ~1 r
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
# P" {0 U* M* T1 V( e$ C. @3 y| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
. I" {+ V; l$ O! ~7 K4 I| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
; I* t9 Y$ k+ N0 O! M6 B| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M$ G9 `9 m6 i5 s
| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M0 K4 \7 [: d' j" g
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
$ l) y5 G; j" b| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M; h1 Y3 V1 f0 v! O4 J
| └──3--图像风格迁移 $ ^: h3 v/ y( `; X& p
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M; U% }! \, [0 W# r
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M6 Q9 r2 q" e) f# _/ r
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M& u' p( h5 c0 D) J; Z! c0 `) i+ x
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M3 \5 ?1 z! d$ F% I7 B) i! P/ T( \
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 9 e) ?: z+ G C% _
| ├──1--YOLOv1详解 3 c: `( s- @" F$ H6 |/ e
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M/ g4 m9 c4 s# j$ g; w
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M3 }. O* V7 Y( b
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
# K* o! I5 |* W8 _$ K6 l| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
* z4 l- Q, p- x' z" R# h3 V9 w| ├──2--YOLOv2详解 ; [- j* V- o; t; y a/ ~
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M5 ]0 L. T1 m! j) G- Y) S
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M0 ]1 t: \+ [ E: e" U, z3 o/ k
| | ├──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
5 r' | R) g. \: o5 | L+ [8 Y* B: S| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M9 s! u( D9 g, v4 V
| ├──3--YOLOv3详解
5 o0 @7 p" ]* o| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
' y4 J( I# Z1 H7 I+ m% a% P9 e| | ├──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# m C! m- D2 r+ K, w! R, N
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M) X( ^7 n! m8 R
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M7 i- _! F+ ]- F2 l2 w3 L1 P4 `3 T1 U
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M/ I- q, M# z l( G
| ├──4--YOLOv3代码实战
7 I6 w2 w4 D. G0 J; _| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M8 z; R. {, k; J! o1 `4 H. B* Z
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
& [1 M+ d5 ?8 P) ^5 c0 q6 i| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
( C5 r/ S8 o: `- e' h: E" w2 t/ ]| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M' Q# j- ^7 K7 `/ l. i
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M/ M# D t! k: o/ O
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M. D( ~; H; l2 U( |& P* l$ N
| └──5--YOLOv4详解
9 e2 r6 u8 `" `& `| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M; t6 |* w0 `9 @; A$ W5 P% J
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
" b9 k* n5 U( j; n6 b| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
: L- Y3 U8 C8 k( I9 L| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M; r! B0 \% d) x- B" C2 v
├──17--深度学习-语义分割原理和实战 6 O; Z* u' q: T! A5 ?* t
| ├──1--上采样_双线性插值_转置卷积
% [; G) \) k3 a! p| | ├──1-前言 .mp4 19.46M
& U. c& [3 q7 M5 K- K4 h| | ├──2-上采样_repeat .mp4 23.90M: A+ \; S* A% e' N. u, g
| | ├──3-线性插值 .mp4 34.48M" s5 |$ m$ _, x
| | ├──4-双线性插值 .mp4 125.71M0 g! [- e% y- ^' |4 p
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
; i* U& q& U8 _+ P5 j| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M* Z8 ?% `3 k. b8 `/ i! q
| | ├──7-ROI Align .mp4 58.38M
+ m( U: f) f/ n4 B0 e| | ├──8-FPN思想与网络结构 .mp4 92.14M
; U' V/ k& P- V! i/ r' X8 ^7 R| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
1 o: [4 Z0 D. ]& @: h- k| ├──2--医疗图像UNet语义分割 7 E$ J# Z( N1 o- I& C, c
| | ├──1-语义分割的基本概念 .mp4 18.33M8 x5 ^8 \ J7 Y4 K2 U
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M. [ w6 R* a$ Z( X; E
| | ├──3-UNet网络结构 .mp4 30.41M
k# b3 Q% j% ]6 v: z( L| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
" @& Y3 A- F, v2 D1 `( N| └──3--蒙版弹幕MaskRCNN语义分割
# }* {5 x" |! \| | ├──1-MaskRCNN网络结构 .mp4 106.38M9 T/ W/ M0 [3 I+ |8 e3 x+ ?* R; b
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M/ N/ d/ B/ i! w" Z- o' m
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M8 `6 j2 r) ` {
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M$ a! N. a+ n) U# f. \; P
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M) Y& F( ]- B: o3 V
| | └──6-MaskRCNN源码config和model .mp4 244.48M2 w+ x5 w. d `/ V/ K$ K
├──18--深度学习-人脸识别项目实战
- G9 k) o0 d0 ]. S1 ~' A7 w( o| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M" W$ \/ r3 U2 R3 ?/ O8 ?+ Y; _
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
4 S# }9 z1 R- c; B$ Q; u8 a2 B" J0 _| ├──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) f7 Q5 @3 x; M) v0 y
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M$ {& |- Q8 h, L% I8 W: j
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
3 R1 j3 S* Z( h( f| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M# R! T$ K0 h+ f# D- B4 p$ M g
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
& v( a& x: n& @, U| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M% H( O' T5 { @
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
- M/ ?$ u' Q5 X1 t| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M G- F5 O" I, W+ n* Q7 ~3 f# A# E
| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M. D; {" w7 L( j8 m% g5 r
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
; d/ X; d: x- ?* o# d$ F| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
5 F2 U8 w6 U0 x- R8 L# o| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M# ^5 Q7 k; C0 f! ]
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
) f" t* _! \5 o; Q| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
1 i" L8 B3 W! E0 X& i+ y) a$ i# a* i| ├──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
- E1 [. q* j! J| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
, T# o- q* A& O. L- H4 f% W| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
% T. ~' o& z7 B: Q2 }. m├──19--深度学习-NLP自然语言处理原理和进阶
3 k" `' z. b8 T$ V| ├──1--词向量与词嵌入
+ b+ ?4 W- A w1 I# S$ g( R2 @ q| | ├──1-N-gram语言模型 .mp4 116.32M+ W" }! [ t, K7 k4 S" P
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
' C, J5 R; W. k) ^| | ├──3-词向量的作用 .mp4 58.00M
0 }7 e6 Z. K9 d+ n| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M2 v& l+ g2 |+ K( ]
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M+ x7 m. C1 `* ^0 Y
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M! q, ^: J% V+ M
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
6 ~! e: y6 m1 V+ X& i: K| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M- O% k z3 Y Q: H
| ├──2--循环神经网络原理与优化 + Z* q- C, _ h
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M$ J m! G! |* n9 P+ F. F! ]
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
( J2 Y6 T/ W7 `6 q8 s; l/ || | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
0 L; m5 g* K5 x/ j+ B' N| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M2 s: J/ m& j# k. _& v9 H( } i( M- N
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M# f5 m- q) ]5 Z' E7 Y
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M7 Z: k: W- Q# f- Y
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
" W, j9 o' d h$ }$ S| | ├──8-双向RNN_LSTM .mp4 52.01M
* U& h& \' W- Z% H* j% _6 m| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
6 v6 `6 F9 V+ a! p4 Z6 J+ ~) j e| ├──3--从Attention机制到Transformer
0 x3 o% J9 Y$ z3 @| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M; C$ N, [* f% P; B6 u
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M/ w R& ?7 B [0 X5 Z' h \
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M' }# p {0 @ p0 j Q
| └──4--ELMO_BERT_GPT 7 {* s" ^% B- g W) B* u
| | ├──1-ELMO .mp4 62.44M) u: c( S7 g6 N
| | ├──2-BERT理论 .mp4 99.73M
9 G) y. b6 t8 l! E5 e- m+ ]- w( I" ^/ O| | └──3-ERNIE_GPT .mp4 56.34M4 n- h2 |% F& ^ b' {% u
├──2--人工智能基础-Python基础 . y5 ?1 N/ R7 K7 L. _ y9 m; A
| ├──1--Python开发环境搭建
0 E$ q7 Q( f1 q8 i: T) s% K| | ├──1-下载Miniconda运行环境 .mp4 100.75M- I Y" C2 J8 h/ V& V; h; |
| | ├──2-Miniconda安装和测试 .mp4 57.12M2 X$ O! |0 Q& P0 w
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M6 _5 n' q; K# _/ [5 l4 q/ `( T. j6 \
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
4 t: S4 c1 \/ u2 `3 R5 r1 i) e| | ├──5-Jupyter常用快捷键 .mp4 32.23M
$ i9 b0 g4 q9 M$ p| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M1 s+ E3 j1 {! p! p$ h6 i2 o
| | └──7-关联虚拟环境运行代码 .mp4 38.14M1 W, y5 A8 l, t
| └──2--Python基础语法 - ]! e# o9 E, H x* l
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
9 l4 ~# d9 O6 ?1 y' p2 ~2 || | ├──10-Python_集合操作_列表 .mp4 34.71M
5 D5 L7 u2 X9 a7 N6 f5 c2 n| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
# [& K# C" \' H| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
1 V, Y! P9 `; t; J/ h: }| | ├──13-Python_集合操作_元组 .mp4 43.46M- M% p2 K: Z% p7 F* Z9 m. G3 Y6 R1 h
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
* Y7 s& H, S; || | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M$ r- j/ w' h$ E( d- Q- ~
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
1 L9 S7 }) b% K" L. m+ \+ I| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
& V( c/ q [5 D% V0 s| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
( d0 M3 m/ G3 ~( H1 F! _3 c| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
; m9 c4 Z0 s6 K4 ]+ ~| | ├──2-Python_控制语句_单双分支 .mp4 50.66M5 \ \) o8 U$ j4 I8 \
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
: u, E" @* d: u: k9 o" ^| | ├──21-Python_函数_递归 .mp4 23.46M: r R" l- y0 Y1 e6 t; V$ E. x! h* f
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M" w( R Y4 b+ Y" F
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
( k5 U5 v1 y& E# M+ s9 ~% G5 f( z" u, x& `| | ├──24-Python_函数_闭包 .mp4 41.61M0 p; _' W' }! q2 G: I
| | ├──25-Python_函数_装饰器 .mp4 30.35M; r* O) D# p' T" b) T+ b; p* J5 p8 h
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M& K- B! L7 q3 c b+ O/ ^
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M% `# _7 Q4 ?* e8 ?7 G3 `
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
+ c' @- o, ]" u' [| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M" x) Y7 L& [5 w. F) M
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M; M$ m, g4 _/ C* n
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M7 R$ y. ~$ C7 f
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
/ g9 M" F1 J6 F( @| | ├──4-Python_控制语句_while循环 .mp4 25.02M& T( |: W) P8 H6 k1 d0 v
| | ├──5-Python_控制语句_for循环 .mp4 22.82M) V. q1 G3 M& w4 Q6 h
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M" g$ N6 f/ _5 B1 J+ j, e" X
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
- k8 |2 T" C8 |7 p/ ^| | ├──8-Python_切片操作 .mp4 40.20M. A) E/ U: f% ^: } o8 P0 Q" e% H. g) N
| | └──9-Python_数据类型 .mp4 25.38M: b3 E u5 V8 d- L7 x( M1 F. T" w
├──20--深度学习-NLP自然语言处理项目实战
8 G9 \- V# k9 Q4 X) {5 G9 Q| ├──1--词向量 " W& f; M* ]3 Y+ R) O+ r% [
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M0 o. Y: S3 V" U. r/ j$ s R; z
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M/ j' |- z8 k$ u& L f' o* ~
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M1 [. ~; @' U& T6 w: X% t
| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M6 z3 A. k1 m; K. b+ I0 h* V. S
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
; S2 e+ v) c3 u7 y( Y! h* {| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M( K; q J. N/ T) Y1 k" l
| ├──2--自然语言处理--情感分析 ) ^7 [4 H/ f4 i- }7 P
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
3 u, j* G" a7 E+ A: r) y| | ├──2-数据预处理_01 .mp4 79.65M$ ~2 C7 z- ~& M& @$ a( O
| | ├──3-数据预处理_02 .mp4 45.68M; ]5 z2 A G, S2 U8 I' j6 @( \
| | ├──4-代码讲解_01 .mp4 52.29M
# M3 i) |* V2 U. d3 K| | ├──5-代码讲解_02 .mp4 60.85M
9 c4 s1 S/ T" F u2 g; T/ c1 S| | ├──6-代码讲解_03 .mp4 53.89M
! @8 `6 r0 y& L& f* l; u| | ├──7-代码讲解_04 .mp4 57.19M
3 Q% H7 q& n9 H) K0 B3 ~5 m| | └──8-代码讲解_05 .mp4 35.88M2 P* W1 Y2 Q- p
| ├──3--AI写唐诗
/ U8 X, M6 v- r! W9 L& {| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M* M% U% Z$ B; Z) E- E1 g8 i
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M) d: _) P4 j0 Q( W. y
| | ├──3-MultiRNNCell单元 .mp4 38.93M; g' Z6 f4 T7 D( ~) U; x
| | ├──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
2 G1 t. C. p$ C" g4 c1 m, t# _5 ~: R| | ├──5-AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码 .mp4 61.73M' L( @4 s: Y' L* G
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
6 e- Z5 a* t9 G4 u/ M. u| ├──4--Seq2Seq聊天机器人
; D) p9 I C! i; c| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M8 P* N* g3 |# F3 i+ x* P3 B
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
% Z; l0 X2 ~. Q- x% v3 T1 o [| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M* Y4 r5 h1 u |9 S
| ├──5--实战NER命名实体识别项目 1 h/ `9 n; d( x& ^9 @ U
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M% |8 ]( O. b& N* M
| | ├──2-介绍了代码目录结构 .mp4 23.44M
5 [" C+ V; p L| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
& r% p- A% }* E! {! m7 d| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
0 R0 ?3 R/ d4 C# F5 @: R0 c| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M S1 P4 r, g7 G6 f. L& u) }
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M. c, E: ^" C3 m' i
| | ├──7-CRF中的特征函数们 .mp4 125.97M# F, M/ v7 h7 M! {) ?& B: v2 v
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
7 @4 c: D" z3 U7 t| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
& t6 X t! M o| ├──6--BERT新浪新闻10分类项目
9 g$ e# q" W5 s |3 M| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M K4 l) O) {) q8 Q1 b
| └──7--GPT2聊天机器人
9 L5 r! x: w1 `9 r- j0 n A' }5 J. s: L# c| | └──1-GPT2闲聊机器人 .mp4 62.28M
9 i( Y. P: J4 Q├──21--深度学习-OCR文本识别
2 n- n8 X0 E @" \& P| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M/ l1 `' D7 {& z; s6 t
| ├──10-CRNN项目代码剖析 .mp4 306.48M
1 m; E2 T+ W% ?+ J| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
* u6 a. p/ Q# n4 A" N| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
3 G# x0 C: B! |) |& f- I: b4 C| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M+ I. u' e7 x6 z5 z \% ^+ \6 V( K e! w
| ├──5-CTC损失函数的理解 .mp4 330.64M8 ]& {/ ` W w, F 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
& i8 ]1 P0 ]% f! O, ~; h- L; T| ├──7-CTC前向后向算法代码 .mp4 225.41M$ K! {+ y1 z9 i! e+ V
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
' `0 ^- b+ @1 t5 Q1 V7 Q: g| └──9-CPTN项目代码剖析 .mp4 491.69M
1 P. Z. V) t2 w& t. o+ |7 ]├──24--【加课】Pytorch项目实战
( D8 m8 q0 J7 o& @$ {9 B4 \. I0 k' Q| ├──1--PyTorch运行环境安装_运行环境测试 # _. u/ X1 z& |2 l3 N1 r* k
| | ├──1-PyTorch概述 .mp4 29.29M; Q/ U# A& }/ i. X: \) U
| | ├──2-PyTorch的安装 .mp4 76.45M
0 @" m( R2 [5 {0 Z| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M; a/ a6 ]4 _, h$ R* n: G, u7 W: I3 W
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
' @# d; Q- } e: Z' L| ├──2--PyTorch基础_Tensor张量运算
# w9 U4 ]# m( f2 x| | ├──1-Tensor的创建 .mp4 55.14M0 ?# w6 Q' _) |' K2 }& W9 s B
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M; ^ Y) G4 l& t+ s# O) e7 {% `, B2 |
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
" g9 J) Y1 H/ Y k6 O- Q$ W) s| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
+ m6 J ~2 _0 ^$ [9 \| ├──3--PyTorch卷积神经网络_实战CIFAR10
& u2 p( m' L h) a, g3 M7 { W| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M( m' f6 j- ?; ~
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M8 F2 w+ n2 R0 L5 h3 Z. x7 A: ^
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
3 e n x; @% q) t2 T7 T| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
+ v d4 k# w; M1 r( \$ i- N| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
: F; z+ t5 Z7 I& Q: D' F6 O| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
1 p7 f" h8 z7 h5 L5 a* Z" \3 _0 g7 S| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
3 E+ g, A; A# L2 p1 {0 x3 A6 h3 w| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M6 |. R, H) G6 |/ Z: }5 I3 {3 z
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
8 V8 D5 ]6 y- i/ I& J2 L6 @+ S| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
0 }" V% c9 R- ^3 O1 J| ├──4--PyTorch循环神经网络_词性标注
3 y$ g4 E. L$ q1 V| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M4 } V: R4 p. o, H: c
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
* w; w* G6 D, Z| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
! J' q& p1 H4 i& J" j| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
2 E6 B) w( {7 _. a9 c, Y6 H| └──5--PyTorch编码器解码器_机器翻译
$ C! O6 _, R/ ^- V; \4 R| | ├──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+ f; Y8 I$ q* a4 L: X$ H* P# E
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
( q7 @/ }2 O2 i& e: D| | ├──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
: h1 Q6 ? S$ N% \2 L! X| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
8 L' f, {# U/ J2 X5 V| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
9 J7 M; k( X9 U9 A; [' b5 {| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
0 z$ J' I) S0 |! N| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
1 w9 z$ i4 r; Y& {| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
' e; u( M; R n) \( g4 B├──25--【加课】百度飞桨PaddlePaddle实战【新增】 ; ?8 e9 Y! S5 Y7 O! [" I' I
| ├──1--PaddlePaddle框架安装_波士顿房价预测 % O# [( `$ B/ R5 g, I
| | ├──1-安装PaddlePaddle .mp4 87.34M
' r- I5 v) Z4 k6 b, I5 g| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M0 R) v0 T$ d7 _4 y* K
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M& P' ?" ]4 |+ H& R/ j
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
) s9 V* u, D9 ]/ b| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M, D+ N9 F5 s3 J8 v2 g3 o _" [; u! d
| ├──2--PaddlePaddle卷积网络_病理性近视识别
* O1 G0 L T: _4 f' A- m| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M( v R N) t) U0 Y3 N
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M$ y1 t7 F. g5 x% D
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
" D5 \$ q2 w. _6 p: j| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
1 g* u0 ^; M- Y. x| ├──3--PaddleDetection工具_PCB电路板缺陷检测 1 P3 W& m% v! M& q! @& |, c+ e
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
; K5 Q+ K0 u I$ f| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M1 [$ Y4 R$ b# w, s3 c& e
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
. l* _) Y) y* s1 s4 L k7 ]6 F| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M; q- @4 ^, y! W* E
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M+ {9 k# E) E" P) D) Z) I$ M
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M+ Y }8 H) H/ j( n
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M F0 Q% r4 N4 |" {8 a( p& A& T
| ├──4--PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss) ! b5 U. \- _5 W1 j6 J8 `' q
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M4 ]& L# j9 K0 E
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M4 N. Q0 ~& U. c! `1 h2 t0 S- _) O+ f
| | ├──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
6 b, X& ]5 j$ u; ~# h2 H1 ^' O& a| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
) P2 u" s0 `$ V" A$ ?. q| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
( K" j+ d* Q$ A% w| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
. y) r& O6 S" ^! J& T| ├──5--PaddleNLP模块_物流信息提取(BiGRU+CRF)
$ e* Q$ @9 K4 p# C7 X| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
7 J, W2 E7 t) U6 J| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M
4 a G" }8 S+ a& a4 h| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M: v( H0 O! D( p7 _% ?
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M: o4 a, D+ ~% z. i0 o. l
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M- y6 W; r3 L! M: a. Q
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
, N( h& R( Z5 B$ G& y* V: N" U| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M; d& V' a" ~# ]. f( P7 g
| | └──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# F$ g) l4 M2 i$ E
| └──6--PaddleNLP模块_物流信息提取(ERNIE版) 1 w2 K( Q5 ~# C [9 }
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M+ {4 w# o, a9 ?
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M. t7 f. ]6 m* ^4 j `
| | ├──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 47.78M8 [/ N1 x2 ?1 v- o& s9 ~; D- K8 t
| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M
" _( x5 J" q+ f6 d/ g, H8 p├──26--【加课】Linux 环境编程基础 & I; [$ L" B5 ?0 D" e3 e+ T
| └──1--Linux - a( M, P% h; i. x$ x: Q/ Y& D
| | ├──1-Linux_课程介绍 .mp4 3.72M
1 ^) Y' F- ?5 O n/ r+ @0 Y5 E| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M% t8 z% i+ `0 r5 S# F, Z
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
8 E: T# u* [& x| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
6 e/ x. I6 A3 h( B' q: n| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
: G$ @5 _2 |; H- E5 m6 _| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
5 w# r8 ~) w9 q. ?4 f| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M2 I3 @4 V0 K, n& U! V" K' E
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
8 r0 @0 e/ }8 P) r4 h0 l8 a| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M3 H. @1 \8 V. V* @7 O
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
( ?8 p" w/ u% L+ V" f& o| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M: i1 y/ q/ n- y; j4 v! B: ]7 i a, X
| | ├──2-Linux_Linux简介 .mp4 17.59M
! R' f8 T) U9 m| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M& I: v5 d) ?0 _# R( o4 [
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
; o: A& \; k$ M! u- L- L& j' z8 {| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
" p* _3 S; M9 ?' y| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M2 J2 Q, Z" w: z P( A% f
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
3 Z/ [0 k9 c. `9 {/ o% f| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M$ {# f( \6 r. X; J+ g2 ~0 L
| | ├──26-Linux_安装MySQL .mp4 79.02M
( ^% _3 G1 t8 k) J% j$ W6 P3 b| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
0 E0 W: {6 q' h' e0 h. q| | ├──4-Linux_安装Linux .mp4 41.97M
3 v: ~' C4 E' N| | ├──5-Linux_目录介绍 .mp4 20.31M
' S, {% d! ^! g( d0 }! E9 G9 H+ _0 ?. y| | ├──6-Linux_Linux中的路径 .mp4 18.65M7 @& p4 I4 P$ {3 V% l) q
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
* E+ G5 O& _6 ]8 M| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M0 v- \5 U7 |! y: _- V
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
) j6 _! O% y6 X6 b. X6 v├──27--【加课】算法与数据结构 2 u: J4 C% f# e5 N5 B& a4 M3 C& r
| └──1--算法与数据结构 6 C) M" {+ U# S) W. u
| | ├──1-数据结构与算法简介 .mp4 35.68M
9 d `' h5 y' ?5 Q9 T( x; q4 c| | ├──10-哈希表的基本结构 .mp4 54.34M0 U! q# Q* C0 H3 y, O
| | ├──11-哈希表冲突问题 .mp4 75.92M
; U; w0 b. R1 f| | ├──12-哈希表冲突问题2 .mp4 72.30M
' s9 i- s5 G- E# v# s+ j| | ├──13-哈希扩容 .mp4 111.03M- M9 |. n+ o: {/ S- c- ?# O5 X( D
| | ├──14-递归与栈 .mp4 50.77M+ T& H' K) V V {& |; ?( |
| | ├──15-线性查找 .mp4 57.80M
: h. p3 b3 }; h5 P, }" @) M| | ├──16-二分查找 .mp4 52.32M
& T' @0 ~3 x$ U| | ├──17-冒泡排序 .mp4 53.19M: G/ W" F. q v, j+ U
| | ├──18-选择排序 .mp4 43.29M. |) |2 K) M l. V
| | ├──19-插入排序 .mp4 31.39M
( f# {# H" B7 y| | ├──2-大O表示法 .mp4 25.59M
' G; K: o5 G0 {( M0 l| | ├──20-归并排序 .mp4 84.48M
# P! }& v" }3 d$ L2 I| | ├──21-快速排序 .mp4 36.63M
% E9 ?2 X A3 s9 S0 V. g| | ├──22-树结构 .mp4 96.85M: {7 e- Y3 O- C4 S
| | ├──23-树结构的遍历 .mp4 61.05M5 d& P3 K) W( }9 |# Z3 x7 G$ n
| | ├──24-最大堆的增加操作 .mp4 45.43M
6 O4 B6 y) Q* Z8 D| | ├──25-最大堆的删除操作 .mp4 45.63M
" s! v0 i4 s- H$ @0 h' e. j8 U| | ├──26-二叉树的查找 .mp4 100.24M
: u+ m; H+ b/ e: T5 R| | ├──27-二叉树获取最小值 .mp4 25.21M! n8 L0 m, t: O4 S9 o0 Q$ B* u) \, j d
| | ├──28-二叉树的添加 .mp4 72.66M4 b) m; q" Z6 L+ H- D
| | ├──29-二叉树的删除 .mp4 120.06M6 n N0 i0 e- X4 ? R
| | ├──3-线性结构 .mp4 53.14M1 `. u% Y4 `8 J( V6 T
| | ├──4-单线链表1 .mp4 68.36M/ W( v0 R2 `) m$ M! a" Q4 b
| | ├──5-单链表2 .mp4 221.69M
% X0 R4 g R* E) ~' E5 O( J| | ├──6-双链表 .mp4 103.57M
2 I- d' E* U5 R% U0 P3 o! P7 k| | ├──7-队列(链式) .mp4 74.12M2 V* O5 ]& V8 d8 m$ Z/ Z% v
| | ├──8-队列(线式) .mp4 30.99M( h& @# @/ }" s8 d# g
| | └──9-栈与双端队列 .mp4 28.12M
/ Y0 J7 W+ s4 G$ o├──3--人工智能基础-Python科学计算和可视化
2 H x/ H/ W' N5 x| ├──1--科学计算模型Numpy
' A& ~; g5 z: \/ b| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M1 w7 @! N4 L; g
| | ├──2-Numpy_array_arange .mp4 35.45M6 |/ D3 g6 u- S( S( f
| | ├──3-Numpy_random随机数生成 .mp4 50.54M) Z: [1 U; r8 N; y2 x6 Y
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
; n2 j: l6 A+ M; k| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M, p. i- @. H# i3 i
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M& c0 v; m+ q- p( y# U
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
7 [/ Q/ `" F& a| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M/ _9 ^& o* m. p9 Z0 X: v6 a( X
| | └──9-Numpy_聚合函数 .mp4 23.68M
& z9 {5 U+ w, w; q, j W+ b$ q| ├──2--数据可视化模块 3 Z4 ^: `) \ l" {) K r4 |$ X
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M$ A- H4 Q' z1 m" y0 k6 j
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
' ]: n P5 b. S7 d| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M8 a/ V" ] b5 N8 m) W" S
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
* W2 _+ u# Y) \ @; V9 q2 Z& Z| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
0 A' i' |% e; o& f7 F A- b7 n| └──3--数据处理分析模块Pandas
6 S3 s% H; t- x7 g; }7 f* [| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M& o1 V5 d5 X1 n: A9 H
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
9 T8 e* E: J3 N2 k8 t4 a| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M( W4 }' c8 y- Y4 a5 t3 D
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M* ?7 }, K9 ]6 U
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
* G& L1 h, z- v1 c- d" _; j# p| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
* z1 s( `/ Q* P' A| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M6 b$ W5 y$ K9 _+ Y9 N' i j2 _
├──31--【加课】 强化学习【新增】 . ~" U Q1 K2 t9 K" v3 {
| ├──1--Q-Learning与SARSA算法 ( L/ i" v# _0 R8 u1 m
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M: |) Y( Z7 g( h8 |7 l4 x( w
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
& C; f; F" d- G2 Z! N| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
1 E z9 E/ X4 S, Y& Q4 V| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
) p4 Z! |2 m% P2 L| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M0 _" o' j: m, k, r1 s$ C, t r R
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M7 Z3 U7 C/ A7 L+ H! n- J% @( L C
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
( J& M( n7 t. P; U| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
* K$ o- _6 O4 s3 A| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M9 Q# X w9 e- `, `
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M( Y$ x7 @4 R) }4 F
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
6 f! u# L. `% \1 l( N+ U| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
6 T+ `) V5 c: @- ?| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
& T2 }- A- C2 S5 A1 e| ├──2--Deep Q-Learning Network 1 ]# p* S3 Q! }% ^) F' Y0 V
| | ├──1-DQN算法思想 .mp4 59.24M% k$ x, I% x9 V' E: X
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M% b/ a3 w" l! z' [3 N
| | ├──11-DoubleDQN代码实战 .mp4 44.49M; x: x8 _& v9 `) _2 B9 p; ^; s
| | ├──12-DuelingDQN .mp4 88.12M
" x" b5 }% S# x8 {| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M9 L4 {2 d: m# ?4 K
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
* r4 {) B# c9 V4 Y6 @4 z, Y| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M1 R. ^% {; ?- D# }
| | ├──2-DQN算法具体流程 .mp4 56.17M
: }4 }: W2 Q! j X ~| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
! d3 K, g4 |7 ~4 E2 j/ J| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M: Y/ ]# ^7 B8 D& g, |/ S3 k! V7 n
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
' Z0 U, @! l" K, ?6 ~* K4 Z* i0 R| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
5 c }+ @) d5 O3 P| | ├──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
" R, S) P9 ?# v- j: A| | ├──8-代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小 .mp4 58.93M
3 I7 A, j5 k) z, c5 w+ J D| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
3 ~* u- g* h/ U) s| ├──3--Policy Gradient 策略梯度
5 {# A* A( [4 i* P& h* ?; }| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M) N! A, ~7 B! e3 q2 W: S' K9 i
| | ├──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) j* W- L7 J- s5 ]& F4 E# ^
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
/ v. d6 t* g1 s| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
$ I; I! O2 a# h3 g& p/ I1 c9 [+ K| | ├──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% c/ \6 R$ Q+ k1 b/ f
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
* b; W$ @# h4 A; M| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M2 j& e- O! m$ T. ?5 k- A& J$ }, l
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M$ d: I) \5 } R8 Z
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M9 v- h/ }/ f% K o
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M- d* } r, ]. N$ u
| ├──4--Actor Critic (A3C)
9 |1 H" B7 k* }$ B| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M) @4 D5 a4 P7 v2 d3 b
| | ├──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
& D: S0 ^) e3 E4 G- O, l| | ├──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
: \- D( ]& x3 j* F) o7 H! |: h| | ├──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
- Q0 P6 T; N t5 |$ m& K| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M4 C `4 i+ U, [* x6 i
| | ├──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
5 S X& } F, w: n ~| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M# _! E7 z* t8 V* ]
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M2 b: P$ S+ R0 e8 }! {8 Y1 \* u% i
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
. M/ R9 p1 U& T| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
: c4 T& o$ b: j i| | ├──6-A3C架构和训练流程 .mp4 74.66M
3 }- V) V5 l& F, W| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M1 {+ m9 X* O& c" J8 x( Y
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M) `4 J& z: b2 t. }8 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. v! W' z. y2 S- h
| └──5--DDPG、PPO、DPPO算法
* o4 G2 h$ h7 M; T: X9 n| | ├──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
( U: x) }' s% i" V- b ^8 _| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
' h9 d+ _) h8 c0 n| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
; H& T8 O& h( o3 \% a9 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 42.12M3 `$ Q, A% w1 g- U8 Z" k
| | ├──13-DPPO分布式PPO .mp4 63.81M z3 F% p) M3 z) }
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
; [0 M2 M0 a4 O1 f! d| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
9 w& X9 O/ _* j7 t1 F| | ├──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/ {1 Y4 {- i. W4 o \
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M6 W; B+ l* u. U% U$ @1 ~3 Z
| | ├──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
1 f- p' ], i* m" O| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
; i# j! z' ^$ T" _) H O& q' g8 e1 ?| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
9 y( R0 {; `+ f8 S| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
. ?- j/ b% Q: }| | ├──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
" D% {4 i7 G8 R2 Z( ~- g/ g| | └──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
: K( ^8 P/ Q o) a! H+ E8 m├──4--人工智能基础-高等数学知识强化 & d9 V( t5 \3 S' f+ u
| ├──1--数学内容概述
2 Z9 _. e/ R# Z1 Y9 c| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
9 x) G( q7 A8 k& r+ j3 x, Y5 T \| | ├──2-线性代数_概率论知识点 .mp4 26.81M
- }4 Y+ \" }) L( r9 Q| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
. u# K% ^) n3 F3 J4 ~| ├──2--一元函数微分学
* s3 W% Q3 L) a. x/ r% I9 `( \| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
+ K, t7 t& {- w9 S( V6 z5 A| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
& B: b5 C8 {) B+ J% {# f! c| | ├──3-常见函数的求导公式 .mp4 22.76M( x" x U: T6 ]" \# `9 s
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
% c$ b" k/ l1 ^" S. V| | ├──5-复合函数求导法则 .mp4 19.68M# q6 ?) ]1 i3 {1 p7 B( D2 k6 Y
| | ├──6-推导激活函数的导函数 .mp4 33.40M
" ~9 R1 R* z! ^5 A| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M2 o6 f3 y% v8 P- S
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
6 x, | M! k1 k) s! c0 u| ├──3--线性代数基础 - L( o @0 \0 g8 G3 j: h* A8 ]0 c- k7 E
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
$ l n) p% o. M& o1 ~* g: d' F# `6 S6 A| | ├──10-矩阵的逆矩阵 .mp4 38.54M
4 ?, Q L( _9 r$ v+ _. d f$ e0 d| | ├──11-矩阵的行列式 .mp4 20.13M
: f/ @% B6 F6 U; T; y$ Z7 t! H5 ]| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M, _* K; G" {; g$ h3 b& H9 X
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M) C. v( u/ g. H5 ]/ l
| | ├──4-学习向量计算的用途举例 .mp4 20.32M7 r( q8 c5 t) r" e
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
. {3 }8 f- M, V4 W5 d9 `5 a| | ├──6-特殊的向量 .mp4 26.45M
B; ^2 T& Z9 o4 J+ d7 t) }3 X3 K| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M' M+ Y# w' S# Z( V
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
0 S( N! J9 d; l% ?! R2 P5 s7 E| | └──9-矩阵相乘 .mp4 20.02M
4 [/ Z8 v8 K% c* W2 U| ├──4--多元函数微分学 & t& I: Q) v( `/ x
| | ├──1-多元函数求偏导 .mp4 22.61M
]% t Y0 H5 `+ \: h| | ├──2-高阶偏导数_梯度 .mp4 27.15M) Z( S. J+ A2 [+ \+ A/ ~1 {
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M# {' W! d7 a4 @) }+ V( S! G
| | └──4-Hessian矩阵 .mp4 32.93M B! f+ X( [! I. T" Y) \
| ├──5--线性代数高级
% @9 b. d+ F) k0 ?. S| | ├──1-二次型 .mp4 27.70M2 w9 ?. ^% n. t$ A
| | ├──10-SVD用于PCA降维 .mp4 24.90M
( L2 {& h$ ?8 \1 B1 c1 Z| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
+ v, d8 P0 |( n| | ├──2-补充关于正定负定的理解 .mp4 23.48M
# S. A; C: T' H; K+ ^1 f| | ├──3-特征值和特征向量(1) .mp4 29.83M# s$ Q' y' s3 q, Z, r1 B
| | ├──4-特征值和特征向量(2) .mp4 30.07M: g' y, l1 [9 A9 a+ _
| | ├──5-特征值分解 .mp4 38.68M& N3 C, B2 n' Z, e
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
, C2 B( R% q$ s( @| | ├──7-奇异值分解定义 .mp4 22.58M! d# b# { z: K7 ~: y
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M# a2 ?' Y& H! B) o# L8 x
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
+ U, H' h0 D2 W: `0 Y+ S| ├──6--概率论 5 y3 e; y4 d. f* q+ @7 f, ?+ B: S
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
, W5 m5 B I `. J: {/ }0 Y+ x; I| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M7 L7 v( Q5 A2 d. j: y
| | ├──3-随机变量 .mp4 22.57M0 w# [1 k O8 A
| | ├──4-数学期望和方差 .mp4 22.96M
+ D9 G9 c/ i3 N- p5 a# s+ z| | ├──5-常用随机变量服从的分布 .mp4 22.48M
+ G I+ ^" d8 H& l| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
1 z3 Y! ?" V0 A) p" _| | └──7-最大似然估计思想 .mp4 23.42M
5 G% H& D. A1 Z- F, ?7 a. ~* @| └──7--最优化 1 A( G7 ?; g. m& j# x) g
| | ├──1-最优化的基本概念 .mp4 35.14M
' A; U ~0 h9 }, || | ├──10-拉格朗日函数 .mp4 27.46M
( B& t, g/ ]8 F: g a8 N' u| | ├──2-迭代求解的原因 .mp4 20.15M' @' K" |7 _- A& v5 I2 C/ p
| | ├──3-梯度下降法思路 .mp4 26.33M
4 h o& z2 V3 p| | ├──4-梯度下降法的推导 .mp4 43.56M! I$ O) s4 d E+ v
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M2 @6 F( B. P0 d. L% P3 V
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
6 R7 g9 w! s6 `! m| | ├──7-凸集 .mp4 21.90M9 U+ X, ]- Q* ], C% @% S
| | ├──8-凸函数 .mp4 16.93M
! [9 S/ Z f8 z# ^8 P; u$ a| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
: B: N5 i4 P5 v# }1 H! ]* M/ M3 f├──5--机器学习-线性回归
* J# n, R2 r8 ~| ├──1--多元线性回归
3 S0 _. s3 o% ]; L: H% L8 @# e| | ├──1-理解简单线性回归 .mp4 51.11M
9 ~: z! v/ T% f4 ?) P; v| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M+ }: k$ r# Z1 i
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M9 Z$ ]" C/ ?) \/ J' |6 ~
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
# l7 y1 P5 X. y( o+ n| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
# s# w8 Y/ i2 E| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
% K% Z( Q5 u& {( A" c| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M' ~! c8 l! b2 {" Z B, x+ C
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M
& m! z. v8 A8 H4 Y" ?; b| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
. a6 o3 D l* j. P0 C- a# l/ a$ I| | ├──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* @$ i# w! q \/ \; g: u
| | ├──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 34.67M6 Z6 r" ]# `: w" _2 f [) }
| | ├──2-最优解_损失函数_MSE .mp4 39.58M/ }7 X; t) M* N& K7 b
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
' e+ T. T' _! `9 a. [- y| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
/ ?( S0 h- f* W| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
Y3 c: h: q; A) k| | ├──3-扩展到多元线性回归 .mp4 32.15M) y8 m' K0 ^8 |! m& Z
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
/ t0 p5 q1 i+ |7 q: o( Y| | ├──5-理解维度这个概念 .mp4 41.41M; E* @. n3 Z3 Z& z: a6 t
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M2 U3 H9 i" S- e+ Y( \) U
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M" i/ r. E! V2 h& _0 V
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
% L% i0 t' } }& d% A| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M. @; w8 y8 z4 s& Z8 f9 Y1 N
| ├──2--梯度下降法 + E4 g8 ]* ^8 {" Q. C
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M, p' f$ X* F4 | R1 H" Q( F" f% O
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M; \, B) B0 s/ `3 o
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
# n0 S4 e" R# l) ]/ Y! A| | ├──12-代码实现随机梯度下降 .mp4 26.67M
3 E* o# [' `$ T; {; E| | ├──13-代码实现小批量梯度下降 .mp4 27.32M6 U5 a7 `/ W9 O+ {# U
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
8 G* \# s& U; s6 | c. I0 s# `| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M$ B$ }' e0 P A* e" T ^
| | ├──2-梯度下降法公式 .mp4 57.12M- W/ M% A# i# H. ^% F4 v# p
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M+ z: k; V) W% I. V
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M2 W% C0 t! }1 F' z5 d
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M& u2 p3 o7 i X; T- ~! G3 o% Q0 D
| | ├──6-全量梯度下降 .mp4 62.84M8 r# X' r: q2 S2 D, @' T
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
# `2 ?: \) }. B3 H. \8 g| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
6 {1 ^" R2 q2 ~1 R+ s7 P| | └──9-轮次和批次 .mp4 45.22M
8 d- }7 j6 D4 s8 M9 F% a6 V| ├──3--归一化 - g. X. u$ H0 R
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
) E" p& P' `3 P+ u: N- O' g| | ├──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
9 l2 X; Y: Z7 @4 W% }| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
6 D: m8 f/ x6 L1 C$ v2 S| | ├──4-最大值最小值归一化 .mp4 24.87M
' p* Z0 T( F; h Y% R. t| | ├──5-标准归一化 .mp4 51.86M, G+ |! A, ^/ t2 t* [+ A! G
| | └──6-代码完成标准归一化 .mp4 41.13M
' E& {" r; q# E# H2 i% e! W4 Q1 i| ├──4--正则化
) K5 C0 l; x: V, G% n/ m' W| | ├──1-正则化的目的防止过拟合 .mp4 30.71M4 p" u' X# g9 T! x. |
| | ├──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% F( o$ Q' q. M* a
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
$ c& |9 h' C: e| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
# e/ [$ J7 x8 ]* ]( a| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
8 D; O- t: N- m! ^* c: E l- ^# P! y| └──5--Lasso回归_Ridge回归_多项式回归
7 V: _$ A h8 T8 l9 z| | ├──1-代码调用Ridge岭回归 .mp4 76.32M' ^( Z. a& M# x+ |7 l
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M7 f) ^+ G, s) _
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M4 ]$ u5 V E0 w F
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
' k0 ?' [3 X$ z: U5 S4 x9 W| | ├──2-代码调用Lasso回归 .mp4 28.73M2 E1 n/ d+ f4 A# _1 v
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
0 U, \2 G/ m6 L4 J" P9 l+ \| | ├──4-升维的意义_多项式回归 .mp4 48.06M
4 j3 Y. N; [$ E| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M6 `. Z2 C. O8 ?; Q- H* k
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
) ?- x- G2 Q2 I2 E. h/ [) [% l) J| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
0 ]' X2 W( `7 { k| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
' z z, ?8 M' L, i| | └──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
, f( p0 A2 m! }* M├──6--机器学习-线性分类
! @/ H ^. r9 T, ~6 o| ├──1--逻辑回归 + `( \; k. q- {2 D9 l1 T! x/ I
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
6 Q* M M& w9 o7 l; J% g| | ├──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' J+ Q$ l3 t8 ?% \
| | ├──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
3 Z7 n) d$ G1 T) U4 y7 Z| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
6 s/ E) \+ I3 w, H6 o| | ├──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
- I/ z6 n6 I4 |; Z2 B| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
4 z6 w+ o% z4 q5 j| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M, ?+ C' W6 D# S4 N
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
; a0 Q5 [7 {8 R/ t. N% u9 U| | ├──2-sigmoid函数作用 .mp4 38.15M7 K. X) v; r% }, Z; \
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
: H1 S- W' Q" A5 K| | ├──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
/ G* q+ A, c# x6 A8 l8 z| | ├──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$ q8 l9 H G* z% s: v P9 T
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
' Y9 ?" v" M1 Y0 s8 ?; V' W| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M+ m$ |! T& o- I* c# V& }
| | ├──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 b* ]) I( e2 e% {2 l, F
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M0 ^% P1 B1 |. U1 T
| ├──2--Softmax回归 @. m# y8 a6 N! ~
| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M$ n& s3 d& s2 ]& ^# i
| | ├──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
) M3 X: H* D" x& N' E$ `) j* z| | ├──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) ~" x% V! X5 a# b( ~5 ?
| | ├──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
* L; v/ m; e( L& K6 ~/ J| | ├──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& Q& X k: N) G; y1 ]1 ]5 \
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M! r6 w1 e- ~" `. s1 u, |
| | ├──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 33.42M0 I! [2 H# B5 s: o) f
| | ├──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' j1 q/ ?2 |3 a( f/ m p9 X
| | ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性 .mp4 13.92M4 M+ ]! i6 Y. s# m- f6 @
| | ├──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& P" }" W- [, m; l% P! V
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M, |" m2 H2 m9 G8 a! B8 N* \2 \
| | ├──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
) r( R1 d9 u- T3 x- \| | └──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
( ~* b, ?) z4 O5 G| ├──3--SVM支持向量机算法
! {3 K1 L0 f0 `$ w| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
* Z6 l( s2 c" s. s| | ├──2-SVM的思想 .mp4 55.56M$ X4 f7 B3 c# ^
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
6 D) _ f. L# s; {7 i* j| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
* k9 {/ t" t& A a) V, C| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M6 e" D1 I0 L) G; f; K
| | ├──6-总结硬间隔SVM .mp4 39.01M
. g# K8 U$ F& E8 k* J, S| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
5 `5 |: p+ z+ m# F l9 V) x| | ├──8-非线性SVM .mp4 54.43M
: m' n3 m. ^* \. s. U| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M0 ^0 K4 ], C' ]* i
| └──4--SMO优化算法 1 u' M6 Q6 @# g/ S
| | ├──1-SVM算法流程总结 .mp4 58.36M
u& z; j: @1 q( e+ V6 \| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M0 q! r9 I! p9 J$ p$ I7 V
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M7 C! ]- d* _1 P
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
) `; @* ]: b2 i* @4 ]' S| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M' x6 R1 z8 N# \# F8 ]' 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
. g. B( ~6 f$ h# z# K| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M# r7 p' |0 D& V0 d3 a! B7 P1 Z- Y
| | ├──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- J, _2 \/ m, h
| | ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数 .mp4 63.23M
% ?4 [2 W1 U0 E) Y| | ├──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- [) A2 w9 g& I: b; t6 X9 B. e
| | ├──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
( s- n* Q i0 a| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
' f0 I5 Q6 n7 L5 N. J| | ├──7-启发式选择两个α .mp4 23.11M
% p& P! {. e+ K+ g2 d| | ├──8-如何计算阈值b .mp4 50.18M
* j( T. {/ {/ i" n2 w9 w| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
7 a& u' v9 L- R1 d# G├──7--机器学习-无监督学习 8 N: ~3 g' q: q5 H7 O
| ├──1--聚类系列算法 0 V5 g2 y8 f& N) H( i. q5 g
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M$ Y% \' y; F( o: B
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
3 Z9 _- A/ S* V4 r3 V| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
" h5 O h! `: _% ^, x| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M' l2 M, i0 i8 s, Y: _7 g9 f* ~
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M' F% q. f+ Z, k
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M4 X$ I7 g2 u0 v/ N4 F0 E
| ├──2--EM算法和GMM高斯混合模型 6 S6 N9 Y' r2 k
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M h# z* P+ t( {, [# H' V
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M' [ n$ j$ C+ q/ }" h/ Q& G- F
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
* H; e' q: A6 C4 F| | ├──4-Jensen不等式的应用 .mp4 109.17M
& J h8 R5 r' E8 k& \' u| | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式 .mp4 157.57M
* y" V' g$ {1 Z' X1 `1 K| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
# c W. y" i. o5 h3 U0 v8 u| | ├──7-GMM前景背景分离 .mp4 16.01M" v6 ]- i! I$ u7 ?; ]
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M0 D1 N! ~) `& E5 f
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
$ N2 \$ m3 G4 H9 S| └──3--PCA降维算法 3 z- \% d3 _: a l) x
| | ├──1-特征选择与特征映射 .mp4 49.38M; X; R; X& N) w; M" C
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M8 e$ ?% z) k: z Q6 x0 x7 p; c
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M# ]- Y; B' z. b4 t0 p
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
3 n% c- q9 _- @8 r8 y0 d8 A| | └──5-PCA的几种应用 .mp4 54.58M, b& Y0 A Q" G- T/ i
├──8--机器学习-决策树系列 , `6 K. u" N1 V: C7 C% K \$ b
| ├──1--决策树
1 Z9 A/ H' }9 ^$ [2 i| | ├──1-决策树模型的特点 .mp4 74.88M# m1 t. l! C* Z+ i
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
* U+ T/ ^6 i) e2 {" P| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M0 j" \# L% y3 b2 D8 u1 a. H
| | ├──12-后剪枝的意义 .mp4 50.49M
$ i2 }: E6 w7 p* ]4 D8 Q5 e" r| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
) T; f9 I4 {7 `| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M% ?9 X: e- }! P; m. k2 I/ I
| | ├──2-决策树的数学表达 .mp4 89.94M
% p' N3 y: Z; E) o| | ├──3-如何构建一颗决策树 .mp4 84.87M
- @- b' R& k, C+ S5 x7 ^2 t| | ├──4-什么是更好的一次划分 .mp4 57.02M: E) P( P$ D9 S |# Y+ F8 j
| | ├──5-Gini系数 .mp4 107.54M( U' l) v* k) k: p1 t! {
| | ├──6-信息增益 .mp4 75.26M
5 c4 } o* A* b) ]& `; ~6 F| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M7 H( c* |9 n {, {, ?
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
6 R4 W: X7 `8 G2 @# U; F2 b0 f| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
- q( q, w2 H4 {7 C2 R! l| ├──2--集成学习和随机森林 ( X& y7 p6 A. H* a% z* Y8 `
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M3 M9 Z$ w# g! i" Z0 b
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M5 W7 |8 [, v4 u
| | ├──3-随机森林 .mp4 108.14M" L% C) ]. f- B9 @% v
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M1 @+ `6 H+ @2 N: ~" Z' Q
| | ├──5-OOB袋外数据 .mp4 106.07M
4 N$ B4 q6 o' b# W+ X, H| | ├──6-Adaboost算法思路 .mp4 106.30M- Q; T+ ]7 a- M; U8 _
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
# `" q! h7 P4 G- @ F| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
$ E4 \) K. D/ ~4 m3 x| ├──3--GBDT & b" z0 o" d9 ^- k2 W* ~# s* h
| | ├──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
' B7 y, U% P* ^$ q0 J0 }3 M) f| | ├──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 C+ u7 H2 B1 t/ R1 _
| | ├──11-GBDT多分类流程 .mp4 73.80M
) I9 `7 z- X4 D& @1 d| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M8 Z. L$ e+ A" W# j0 [
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M7 k' U y% g) b: t! u9 K
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M9 e! U6 c% e7 W# I" K
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
# I9 I A7 C+ u2 c8 L1 t+ J# H| | ├──16-GBDT多分类举例详解 .mp4 91.71M
7 s0 ?3 k7 a9 d6 ~. Q: C| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M3 J' C4 t! R, r: Y% b$ Z3 f, E+ c
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
/ h, x+ Q8 Y7 L" w* ^| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M1 [5 X4 B0 T# ]8 K6 t5 ]
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M# T% C/ s) |5 \8 s: l
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
; g& f! S2 [1 i| | ├──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
$ P m& N8 R& X7 K! t9 [| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
9 L+ O6 j! j Q A$ ^" k| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
9 Q/ N+ U% T. {* L5 M; [| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M7 J, ]' w d6 r+ y% w/ n% L
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
- l* Q9 f: Y$ w5 Z% x' Y" D4 x| | ├──5-GBDT回归举例_总结 .mp4 108.52M) ~8 r7 z7 _ w8 l# _/ e
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
2 d" L6 `6 z4 z: f. L A| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
5 B1 a$ P# m$ {' p* O* ]| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
" W1 O8 b# S. O7 M" z: @| | └──9-GBDT应用于多分类任务 .mp4 73.34M
$ l$ d8 ^7 a/ o| └──4--XGBoost / _0 P& E/ q% v
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M' x0 }: i/ M) v5 o) E+ e
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
: v. S" b( j* w$ a3 [| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M0 L9 d1 B+ h7 m @/ l
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
3 w8 N' r, M o8 j$ E| | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构 .mp4 106.69M3 I4 \- ?7 \5 \' G9 ^! u
| | ├──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
# R( K& C4 L" P" L) V) |5 i9 k% A| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M5 Y: I$ N7 c; i- q) ?, f) P, D
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M( Z4 v. a* q# I. X( t3 w
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M9 D" }; A! t+ Q! V! K3 j
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M" Z s9 _5 [/ ]% L+ O. _8 R
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
. M% H7 K$ ^/ Q( I3 e8 ?| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
1 j5 f* H& E5 {) u4 M. G5 Z# x| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
0 h- c; k; ]4 s| | ├──6-Objective_vs_Heuristic .mp4 60.42M9 D$ h' R5 o! C, M
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
+ ]) R1 B o% T5 j Q; c| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
9 o2 v" q4 W9 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 67.39M
8 \6 E$ f3 T Q# ?6 Q├──9--机器学习-概率图模型 - }4 b$ Y) E! x9 f* s4 d" R: b# v; a
| ├──1--贝叶斯分类
; F! d* r' M! {| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M( ?. H; X! j/ a- L4 _
| | ├──2-TF-IDF .mp4 53.08M
0 z( W. @0 a$ F6 P| | ├──3-NB代码实现解析 .mp4 126.73M8 l; {2 w: W: o0 M2 q9 @
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M2 l' S3 l$ d" h9 K7 }! o
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M' a' v$ J2 V* M Z8 C- V% b/ L
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
% G9 p! y! b* h$ F+ E| ├──2--HMM算法
% m0 f, Y2 @. u5 Q7 l| | ├──1-HMM隐马的定义 .mp4 36.82M
1 V; a9 L8 p2 ~; i* r8 G| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M; I6 P I8 g: E
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M5 v2 _5 b% u5 P' _" L% t5 s
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M: ]& b% E7 z! B
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
/ ?& |: J6 A! \+ T% N3 U& c| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
6 p8 g, t: R0 W5 v: ]| | ├──7-Viterbi算法案例详解 .mp4 107.12M0 R/ f: S4 o* O) R
| | └──8-Viterbi算法代码实现 .mp4 42.43M
; q5 ^) F" e4 @, f! C* X+ W7 z; q| └──3--CRF算法 . F" p2 v* T+ q. ~# S% h
| | ├──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
& Q6 `6 d; x R+ J, _| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
. p0 B9 ? O ]1 H| | ├──3-了解CRF层添加的好处 .mp4 105.90M: [+ a3 V* x( ]! E) T
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M2 P6 H- O d4 v B$ F+ E
| | ├──5-CRF的目标函数 .mp4 23.74M
) Q3 ^* W3 a1 p; X, Y| | ├──6-计算CRF真实路径的分数 .mp4 50.37M: k: D6 u; e7 S, q' j+ O
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
1 y/ q. W4 h& a6 b3 [( ~! R| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M& |$ D. y# q- q- ~" T1 {5 a9 w
└──课件.zip 2.54kb( h/ j4 Y7 c8 o% A2 f$ f/ ]0 b) b* R
- N" g+ A8 {% O# W% @
2 ^3 V9 P0 `9 ^2 C! ]永久至尊VIP回复即可下载学习,非至尊VIP暂不支持下载此资源!6 c/ S3 x5 b* N$ f5 y
( F4 h1 h" }& n- V& ^0 v, T, c
, b+ p. y: x# B" z& R |