战-人工智能2022/1 X2 O. R" U- o. T# H O
├──1--人工智能基础-快速入门 2 H! H; @; P4 U* q
| ├──1--人工智能就业、薪资、各行业应用 + b$ n% s3 T p- }& J
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
& `. d; W0 l2 r| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
) U6 l: z, |0 ~% D- X7 l, ^| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
* h, b' o l5 K8 g6 O| | └──4-人工智能在各领域的应用 .mp4 57.73M* s$ y1 B+ |: o; i0 v
| └──2--机器学习和深度学习、有监督和无监督
% h1 q) y- {5 x" c& i| | ├──1-人工智能常见流程 .mp4 89.62M
" w$ u4 q, n, v6 u- k: M" y| | ├──2-机器学习不同的学习方式 .mp4 83.51M
/ K- x+ r1 A2 r: ^7 |$ m0 t0 p0 P+ U| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M6 q3 p7 t3 T0 {9 f) Y) u
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
$ K5 M# l" C; b, a3 R ^# h" h| | └──5-无监督机器学习任务与本质 .mp4 50.15M# x( e( H, _. c
├──10--机器学习与大数据-Kaggle竞赛实战
# b' c* @8 H# ?| ├──1--药店销量预测案例 ( W; [) s0 P+ E, l" s, W" ~& [
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
5 G* O- L: _8 l+ c1 j| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
7 J6 a$ a) _: T2 P: s| | ├──3-自定义损失函数 .mp4 21.12M2 i& K6 I" A) d) d2 r$ k
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M1 h9 Y1 G% P: p, R. F2 t* g {/ f
| | ├──5-数据的预处理 .mp4 111.81M
% A* ^/ c- H9 ?- ^| | ├──6-模型的训练_评估 .mp4 66.64M- N* m( A( M, I s/ O( [2 T# R
| | └──7-kaggle竞赛网站学习 .mp4 172.16M; E- R: ^; y8 h9 _5 ?. R
| └──2--网页分类案例 2 b; E" {8 g/ u Z5 e# {0 r
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M, b' L, q3 K( G( ]! c
| | ├──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
4 \ u$ r' X/ r| | ├──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
3 F" `/ H/ n5 @+ D! l( x| | ├──12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp4 74.74M' ?% M( H5 S' g9 `9 t6 A' c
| | ├──2-评估指标ROC和AUC .mp4 56.19M
0 I+ C5 `0 U4 E5 a, I( [1 A& Y" S| | ├──3-评估指标ROC和AUC .mp4 49.03M
+ @4 Q. q( L7 V; e! h- P U| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
6 k( J: Y3 } A8 [9 D J| | ├──5-数据导入 .mp4 68.41M% _3 ]2 |& h; _8 S+ v, ~- E% v
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M! [ ]( i) V/ y8 Q% Q; e
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
, I2 w; d5 }) n8 ?: S0 W| | ├──8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数 .mp4 62.48M
7 `$ T1 T& V3 g% ~9 ~1 n( T4 a/ |# \| | └──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
, n1 @- V( @: m├──11--机器学习与大数据-海量数据挖掘工具 0 F% ~$ q" H" F& |* |5 q% Y5 P
| ├──1--Spark计算框架基础 0 F7 U- r$ _' J+ n6 u. C- E
| | ├──1-Spark特性_01 .mp4 41.68M$ W0 |) p! p) X+ p1 V; W* N n
| | ├──10-分布式计算所需进程 .mp4 26.30M0 L8 y- s% @( b, }/ v; J! l; P- K
| | ├──11-两种算子操作本质区别 .mp4 56.31M
+ P. ?. S& F6 ]* S4 J) t| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M8 q2 R) f+ ]) n+ D0 a! q, }
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M, z+ ^9 t3 y7 e& o" P! ]
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M3 m: t' V1 i% y, b( U6 ?
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M( {1 A' d9 j0 x1 q& a8 S$ }
| | ├──2-Spark特性_02 .mp4 35.15M+ J+ ~$ X7 S$ E8 w7 {5 o0 c
| | ├──3-Spark对比hadoop优势 .mp4 19.34M5 V- ^$ n. `% n1 l# g
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
8 i6 q7 A& Q( o" \% ?' [: X& F| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M! M) p3 { [7 O1 f
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
5 S; ^+ v( Q; p, D: J| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M! L4 |* S2 m2 P% A
| | ├──8-Spark的RDD特性_01 .mp4 33.08M
! j2 b: h) d3 {- y2 l4 ~. n$ t| | └──9-Spark的RDD特性_02 .mp4 33.41M8 u- Q( X9 i- J5 s1 ^
| ├──2--Spark计算框架深入 ! l) g2 b* R+ t# ]" _, s& C
| | ├──1-Spark数据缓存机制 .mp4 54.43M6 [6 X* p- z( C2 I+ |: i
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
) r- @2 y3 W& T4 g| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
p6 \: }$ }6 D: ]5 ?4 y( o) }! U| | ├──12-构建LabeledPoint .mp4 111.08M
& c. H$ G% s8 f. M2 q# k. N" E7 Q| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
: {4 u9 d9 X/ i/ }4 ~* @ \1 I# ?& K| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
4 ?- U. h: f+ \0 Y0 R6 ^| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
0 C" v! s0 P9 I) _8 |. W* Q| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M" g* d9 f: g$ d) y
| | ├──5-Spark术语总结 .mp4 89.66M' c. _, t; ~- r: d
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
1 p _; T$ z7 e# M) b: F% S k| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
0 A- H& j) i& \| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M* D4 n. [8 @- _3 X/ G/ \
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M. m( }2 T3 U! W& W# d. L- c, Z
| └──3--Spark机器学习MLlib和ML模块
- M- Z2 j" {) ^# p( t2 d9 I| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M) i# U+ ]8 }- y
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
2 z, T! ^4 B* q6 O( P| | ├──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
- U( r6 G- x1 i+ k7 z| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M3 ?+ c' l$ p# p- ^
| | ├──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. H; H" T& K' z& Q) N6 k3 G9 v
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M) z* t: }3 {+ _6 K
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M K2 w3 y; t8 Y8 V
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M) e1 N! x( f0 Y9 q
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M: ]$ o3 t- a' k* e! k; q
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
& w1 U( ]1 |4 Z! y| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M0 O t' d C3 X j
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
5 F* w3 O% c( v6 _. B| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
& K8 {3 s( S$ z6 S5 Z% J6 l| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M% \. m3 I `" j' `
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
9 `2 x4 p: A. y6 D6 |- Y+ K0 s| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
- i6 m. e: Q8 L, a; h; p| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M- d" b4 w" A* l) |1 T
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
8 z! [: v0 f" f* ^3 p| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M' G# S5 `, @5 |8 j# C
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M. e! f- C. U" C! U. j. g
| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
' u- r+ z* ~8 c, `& G| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
' a4 P J+ h6 A4 u% m| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
! {! b! p7 L) {! `& F| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M1 R0 ? p3 Y0 P+ A. n) V I
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
+ X! k' [+ _. {# c! s1 t| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
2 p+ K2 E2 t8 ~; i├──12--机器学习与大数据-推荐系统项目实战 6 r& G1 ^4 q2 N( E
| ├──1--推荐系统--流程与架构
4 E ?6 Y( R( R! Z4 K| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
5 C4 u8 v" _& {" b| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M4 A# r" {0 a5 W: m$ u- W$ D
| | ├──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
% p9 A: I, e# k$ @/ `1 l: u| | ├──12-推荐系统_数据源_1 .mp4 79.07M
# u! K. e( A$ I1 g7 _| | ├──13-推荐系统_数据源_2 .mp4 82.90M# `" w. J w* P
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
" ^( G+ }5 t) b| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
' s+ A3 ^( u& V4 {3 y9 C- I| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
9 [; X& b" f, w7 V| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
0 N1 ~+ `' v; L! S| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M, d$ r1 g3 E, F w) F
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
) ]" `' A, @! ?9 r9 B7 S* r| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
, G/ v$ v2 I# @8 C* V' f+ ~| | └──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
* F6 w5 r9 r& \& J' ]4 @3 F| ├──2--推荐系统--数据预处理和模型构建评估实战
; A# z9 |/ V0 O| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M. a, P8 s. Q }
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
7 f) h3 O: _+ X, Y& I| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M @" [8 L3 s6 ~4 k2 f
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M+ R1 b' q' e6 h
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
0 z0 V7 R1 t6 P, O7 I1 T# K| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M# m( T/ `3 W# Y" j% }5 _! ?
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
& b9 V r6 r4 w- L5 X o/ ~| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M8 M; g$ ]) l: x: X6 ~1 L
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M( q* r- T; G& S+ {: j1 o9 H
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
! F& R1 v5 }& y/ X| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M/ h2 M8 I- z6 H* s: L8 _5 k
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M N- @% ?( ~; s
| └──3--推荐系统--模型使用和推荐服务
- R! ~+ p6 }7 m$ r9 r# _ e| | ├──1-推荐模型文件使用思路 .mp4 61.89M5 f* B5 z( l; E
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
" r3 C+ E* Y$ U# R| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
( |/ d- {; g5 N6 \1 O3 p4 V| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
8 D, q( y6 E7 T' U9 b0 ^0 o5 t| | ├──2-Redis数据库安装及其使用 .mp4 47.93M3 }# X0 z3 N, B- E
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M5 D0 E' t% O9 w
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
) J. ?$ T1 j; C4 Z| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M- J; W! h9 L) q4 J
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M/ U8 f& L% t( D( c5 o' ]- v
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
$ i6 S# e' `/ Z- T8 J4 c0 V| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M5 {$ z: j# Z2 ]8 C$ k1 l h
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M- h- v& q( u/ G, Z( y
├──13--深度学习-原理和进阶 7 U. F" @# d" Z5 J# [# E6 ?7 |' l7 T
| ├──1--神经网络算法
u3 V' |+ h3 L| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M5 P& M% }; o: @4 q, P; N- }
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
4 z. n6 m, d1 F% X+ N/ n2 G4 l! {1 [| | ├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M: ]9 H& F. L5 H' B
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
4 Z0 W1 M! I1 D2 z| | ├──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! @. G( u. ^7 L f8 p# f) z0 n6 Q
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M& S) x" P+ F) B- V A! M U1 ?" s
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
0 c' I& K1 C9 V0 F* f3 Q; @| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M s$ |/ H r8 [" o7 n
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
2 B, E4 T0 L3 ^* p2 h D/ k| ├──2--TensorFlow深度学习工具
7 b3 W' `6 x Y( r+ X7 c| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M1 D- V3 q- q% U' t
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M0 ~/ }5 D6 _" ]9 E ]
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M. I5 u+ r1 f i6 V
| | ├──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 173.47M0 q8 o$ F) J8 e+ }7 ~3 z1 w
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
6 l' i- ]. d6 h5 t7 V) b| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M; V- P: l( g U9 }
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
0 Y/ K! w8 [2 s; }8 Y8 G3 R7 T| └──3--反向传播推导_Python代码实现神经网络 6 _ ?0 N8 w- ^3 t& m2 z" [) |
| | ├──1-反向传播_链式求导法则 .mp4 86.47M G, |; L7 ?# ]' |# M, c' W
| | ├──2-反向传播推导(一) .mp4 127.90M, e, M- N. m. q
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M% f- |* B; ~. [; S/ f: [0 q
| | ├──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
2 \8 T' Q$ u1 f* b p- s% g+ `7 x| | ├──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
& u; j5 _8 _8 Q6 n| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
% i2 G2 i6 W8 `4 J; V| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M: M$ _7 V1 B6 Y- M' C8 L
├──14--深度学习-图像识别原理
; E: g. C) |6 j3 F; ^' h( \8 c| ├──1--卷积神经网络原理
8 r* ~) t# j2 i$ q: C! w& U* f| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M' V. n% l! V- K$ c
| | ├──2-单通道卷积的计算 .mp4 104.01M
& {9 J2 [; {% {& D ]% K7 Q' G: q, ?| | ├──3-彩色图片卷积的计算 .mp4 52.79M
8 }3 X6 l! i- ^+ g5 m, P| | ├──4-卷积层权值共享 .mp4 63.93M" U3 |- l+ V) j0 I3 V; Z
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M$ Z3 \0 J& a. U4 r% j
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M$ t4 b' w S5 w; d4 q
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M& Q+ v! w/ B D: h
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M1 r% M/ Y9 ]+ `+ H5 ~/ E* h
| ├──2--卷积神经网络优化 - j2 t# j7 }5 ]/ M- f
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
/ I" j* k0 j, ~2 f7 g" b2 u| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
" Q4 P$ S+ V! {, W( c" z: m| | ├──11-Optimizer_Adam .mp4 141.12M S: Z8 T6 ^8 p% E3 g8 k! @# F8 D* s
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
' L( Q% B: |1 y8 j/ F" z| | ├──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
# x* \: O3 ]+ V" Y| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M) s% c' C2 d7 h) h/ A1 D6 v$ \
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M2 }0 x" ^* f4 k
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M F6 G* P; m0 ]# ~% D
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
' E) `' K b/ v; b, \' X| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
1 @0 d. C, u' s ~! y, Q1 ~$ J" F| | └──9-Optimizer_SGD_Momentum .mp4 89.70M( u. ~( k; w7 ^& F, x- a9 b, M
| ├──3--经典卷积网络算法
, T% @( [# C' Y& @" ^1 f4 w; d- O| | ├──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( d e' C6 d& l: Q4 K
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M# a* g, _( b0 e4 A* {: W
| | ├──3-InceptionV1_V2 .mp4 165.86M
1 h- ~- O2 d; W( x" c| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M- q5 {0 I0 Z3 R7 z8 t
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
2 X3 Q' d* @6 l; d5 i- [3 v% K| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M2 n) t, R ^4 x% `9 f- `5 y
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
2 s) ?" L& `, a, l) X3 q3 a| | ├──8-BatchNormalization .mp4 99.23M5 G7 s6 O0 D- [
| | └──9-Mobilenet网络架构 .mp4 150.05M
0 z; p" Y/ {& R+ x| ├──4--古典目标检测 6 L) n. {( w Z9 i0 ]; ~+ g
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
# ?% k/ v& {: J9 v3 [/ ~8 a| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
4 t) h# v8 R8 Q| | ├──3-IOU以及python计算的代码 .mp4 23.56M' o0 S7 W/ ^5 v0 m
| | ├──4-R-CNN和SPP-net .mp4 124.06M
- |4 M! R A) S2 J" q( m, T! N5 K$ n| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
* E8 o/ X9 C% N0 J( Q& g0 {| └──5--现代目标检测之FasterRCNN 4 R7 r* l+ n4 |! ?: z
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
# r/ D$ e2 V/ S( L( ^5 q& R" _| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M: n8 y* u0 {5 @# d: n8 S
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
" p+ b9 [3 K+ ^% w" R7 e7 t: D; O| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
- z! ]* W" u$ \+ u- k% \ b| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M7 b) u( W; U; @& @# ~; X0 K
├──15--深度学习-图像识别项目实战
7 [2 X% B0 ~! u3 `. W+ b. H! H4 a| ├──1--车牌识别
; w! _, T6 K1 ^$ m| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
, x) u! |* g% y4 t| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
) r* L7 S; b' a' \; J7 X! j| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
0 T% m/ U1 \1 q. R) l# q% T7 Z9 y5 W| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
1 Q, n% g' u, L& ?, q| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M v; M6 V' m4 S( N# l) M
| ├──2--自然场景下的目标检测及源码分析 9 ^. I! x/ \$ A$ R6 O1 C
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M' n7 x- N; h/ w
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M9 y6 `" _! e4 z) _) l
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M2 r. V' j: z E4 Y7 B* v+ g0 ~! k
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
% t- N5 f% d% ~$ \, W8 T| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M3 o" X, j3 ^$ U. n$ r" G) ?# [
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M
2 U; v { ~. I9 h, X| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
, E! T; z& I+ c" ]% d* u| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
* _. t( w- h$ k. U; g! y| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
/ z% G+ f/ J9 j, }| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M% P0 _. ~+ L! ~3 R
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
. A' i, \1 k, x# S2 e/ B# F| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M6 S, F' L0 M( V$ `1 u
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M& H0 Q# \: @: b4 N9 P2 e6 K
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M* q! k( Q* e7 `" g$ o( Q- [9 l
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
& k+ j! b( T- F% c6 c+ U! b* E( d| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
3 I* @ F3 N6 z2 c| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M) N4 b2 g4 u( Z
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M+ {; X$ Y; l8 p5 X$ E7 l
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
7 `) P4 q/ L5 c4 Z+ H8 ?2 }| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M( M5 ?" }& N: _+ y) b
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
- j" }; k% t- R3 p! B V| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M9 _3 m$ d' s; m" M$ d" W6 O: e
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
/ O8 q: u/ Z4 r& A| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M+ i d, x* U! a5 f& p
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M1 Z2 Q" K& l- i
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M- s7 b% ~9 ^8 n
| └──3--图像风格迁移
3 P/ _ e R% w \| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
. ?/ I; o" J0 r8 a+ U" n| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M4 q! c' i. h: M* w- z* \+ L
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M( S3 d$ b8 W- G, U
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M
. I7 z- Z' o2 m: ^# d├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
" A# E4 l' T5 |- s| ├──1--YOLOv1详解
( ]7 M" c) m& i& || | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M2 G m- A, _' ~- a& a$ X5 T+ R
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M/ ~6 A6 q0 y7 _! X s' y* w
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M( u |/ j' P! {* x
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M" l' `. D+ v0 N1 y" K
| ├──2--YOLOv2详解 9 p- H4 K5 b$ }8 e5 X
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M5 r( b/ w9 ?& a' k% ^7 D$ T; H
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
- m4 R* l# K# } D e, Y& N& x) O9 r| | ├──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 O4 ^1 `2 t" d9 R: n/ [- ~4 S) Q| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
) o3 G) j6 i# ~9 j| ├──3--YOLOv3详解 ' a6 |& h; g6 _. C! h. n5 M4 z
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M4 D9 U1 [0 R- i- m* j
| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M8 }; p! s p( d+ S
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M$ R! h# B7 F& c4 f% o
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M/ q" T5 H8 p. X8 g
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
6 F, [- I* R0 a5 i$ Q% n9 k! A| ├──4--YOLOv3代码实战
- E' o5 d" a- Z| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M. v |9 ]* M+ b$ z# ^ G5 Y; u* ?% O
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M* R: N+ T! |0 K ^7 U4 Q
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
+ m2 y l6 ^0 S- }- `+ k| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M' Z4 G. V5 S$ Q# e
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M, H) q) f% M |( \( s* \( d7 ?
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
* H. f0 G: v- l| └──5--YOLOv4详解
5 L- m$ `# {' X1 A8 b. T6 u* c| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M3 [ @! m. M3 t* m' \
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M2 _1 n# k% Z: ]3 z& ?- T
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
$ q3 X! q* z3 a| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
/ I2 Z1 E0 @( @8 A- C1 b├──17--深度学习-语义分割原理和实战 * @8 l) [% L% R, q! K3 v$ N; a4 i* a
| ├──1--上采样_双线性插值_转置卷积
- T) d" D/ V: w- L5 v( @7 J, t& f| | ├──1-前言 .mp4 19.46M
: P6 r+ a6 [* p# C( I7 N| | ├──2-上采样_repeat .mp4 23.90M
|, V$ Y! o4 `5 D' z5 v: I| | ├──3-线性插值 .mp4 34.48M8 |5 x8 P L4 ]4 t
| | ├──4-双线性插值 .mp4 125.71M
3 h1 r3 ]7 B5 X& P) h& U( _| | ├──5-转置卷积_以及TF的API .mp4 114.25M
, S/ n' Z% s- m2 j( ?1 t| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M! [8 F- E0 X% R5 w9 \( F- q, M; A
| | ├──7-ROI Align .mp4 58.38M
! }. r' \) O0 Y0 s F s| | ├──8-FPN思想与网络结构 .mp4 92.14M
6 J; i3 Z$ \( `2 E* v! c' m| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
. Z3 l; Y2 ?5 u| ├──2--医疗图像UNet语义分割
) Q- A. [% [! a9 _: C| | ├──1-语义分割的基本概念 .mp4 18.33M* `+ ?" n2 A% A7 j
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
6 d; X! I- |) p% R3 \2 Z| | ├──3-UNet网络结构 .mp4 30.41M
, V' s; D% e4 L- M| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M& U) v* _* y" W2 B% H! U
| └──3--蒙版弹幕MaskRCNN语义分割 , E! u& m }/ _, z
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
: |* P* C; X* ]7 S- p8 `9 x3 V| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
) B) g; I, Z/ |4 q% {: F* V$ ^| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M4 R3 @- p* T( z, y' ] }
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M4 x9 ^8 I! N' ^: Y0 T7 R
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M L' V3 c& y) w1 @3 D* L6 x& H7 Z
| | └──6-MaskRCNN源码config和model .mp4 244.48M# ~: f7 }* u2 F5 a# o4 f8 z' U
├──18--深度学习-人脸识别项目实战
$ n: |# w: v) M! p( j) \| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
- l' O: t, G$ B| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
9 Q4 o1 \0 I) \/ I( _- || ├──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
; U1 M/ X- n. O U; v# m| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
. q5 m& O7 w% |3 p| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
$ N4 K- }, u% ]" k| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
5 E1 h1 v2 b8 n* D" a3 L8 a| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M9 N: E- @0 Z8 D
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M/ N( k" a0 r9 `# h) ]% b
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M" U! \# \3 ]" E
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
- R* }3 k4 t! 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" V G6 {5 ?7 ]7 u7 F1 l
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
7 z: \5 j! J( C; _$ W( F6 T| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
# Y( M% O/ F+ t' r1 ]3 a. ^$ }| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
) J+ X8 v7 `- O| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
% U$ H+ ~2 [: J| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
! b6 v) K8 w1 M% ?% k' R6 i| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M3 s' b8 Y9 Q( E% n% K
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
( c5 `: g: j( E, K| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
2 l2 q- ?( t4 n1 W: \$ A) Q├──19--深度学习-NLP自然语言处理原理和进阶
9 `0 H- k) h- b. Y| ├──1--词向量与词嵌入
% D: e6 f! _5 U( c4 ^| | ├──1-N-gram语言模型 .mp4 116.32M! S4 ?$ |6 q, L
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
; y' V1 q% s9 F0 @% y6 E| | ├──3-词向量的作用 .mp4 58.00M( F+ M$ B) a( `1 v9 s) Y
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M' B2 x: `' \2 A/ N4 j% ^% i% y% C/ g
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M2 d& @, n6 }& [, q) U7 b0 l
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
* O9 L, S, ~6 p5 M6 L0 U| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M* c8 d. g" f& Z& b- D9 v0 B
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
4 B5 G) Y- O. r+ x' X| ├──2--循环神经网络原理与优化 / R' H$ O! [& Y' J9 [3 A. R1 o
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M! A3 Q; \) T7 N# E, B- D/ x
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
3 g* b4 `# R8 b$ l) w8 Z| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M( {# u. S# e1 t
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M; K4 v+ S# _+ D0 B5 B; o6 C/ Z
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M9 z6 p/ r& L/ q' q
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
! z1 t0 x% c, r| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M, Y: X, l# y- O# S
| | ├──8-双向RNN_LSTM .mp4 52.01M4 |5 F `9 F* I* C# \2 M1 u) o
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M1 r/ ?7 R, _; q5 S4 b
| ├──3--从Attention机制到Transformer 1 E" p; s+ e: A. f9 R. |9 _7 }) e
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M' r/ R- p/ P( m
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M! v. Q& K7 B. @2 q0 z9 ~' q* i
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
* x# Y1 D( y3 l+ |1 \9 f| └──4--ELMO_BERT_GPT 3 H1 \0 u7 E% p* @7 ]
| | ├──1-ELMO .mp4 62.44M
5 }. r% n! X6 X# h5 _( J| | ├──2-BERT理论 .mp4 99.73M
# c/ P% p0 I4 d: W| | └──3-ERNIE_GPT .mp4 56.34M+ s$ D* {! e7 R3 y3 v
├──2--人工智能基础-Python基础 * i* p" D* m- I" x0 U; E( ]$ T% r
| ├──1--Python开发环境搭建
( y! q/ S z s' |3 B& O5 N5 D| | ├──1-下载Miniconda运行环境 .mp4 100.75M
6 I$ B, p P& t. b8 k| | ├──2-Miniconda安装和测试 .mp4 57.12M" x9 v/ I( l: Q- M4 P6 L; D
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M" {' E1 E k# t* v3 m
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
; z2 b8 h, P) V| | ├──5-Jupyter常用快捷键 .mp4 32.23M- F- b) h K7 C9 L% v W9 b
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
/ {6 O! A2 _' J$ ^9 n| | └──7-关联虚拟环境运行代码 .mp4 38.14M7 i) ^7 S, H% D
| └──2--Python基础语法
\$ b/ O) J1 A- [$ I| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M3 {- {+ z+ Z" b
| | ├──10-Python_集合操作_列表 .mp4 34.71M
0 G V/ Q1 l/ b! h3 _3 [0 L2 I. M| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M$ R( W: x4 j, C9 {# b
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M$ T' l5 D% `7 ]: R. G1 T, v
| | ├──13-Python_集合操作_元组 .mp4 43.46M
, g0 Y: T, H& l5 u; x| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
6 i! n7 ^5 _+ B7 A- s# D* f2 T H| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M5 A- n- s1 X( y; S! M
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M# r0 }2 Z) r6 R7 h* k3 ^' Y% |- T
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
4 Y, }/ o7 D6 g2 L# j. U| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M6 d8 O( M1 t9 y K" x. D0 q
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M+ |7 P5 E8 }- d8 v
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
5 f* t0 U4 v8 i( e; F| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M3 |& l+ ]5 A. ~3 |0 r, w8 B
| | ├──21-Python_函数_递归 .mp4 23.46M
0 ~' _* q" V( }& `6 p| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
8 }6 v& j4 X& s3 ~" w; [| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
& ]1 c. E3 q- v/ o% J) Z| | ├──24-Python_函数_闭包 .mp4 41.61M
4 @: q* A6 Y0 C, L| | ├──25-Python_函数_装饰器 .mp4 30.35M
/ i4 }, l9 M# h| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M& r* m7 a" D- |5 C2 ^8 F" J
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M3 X: D! I" M d
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
, f2 }( T5 d/ {+ {1 l| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
; m; ?$ Y3 x6 {| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M- f- ~* l$ x* b
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M% L) l, ~8 X" u- g3 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
# L5 L) N5 R. ]| | ├──4-Python_控制语句_while循环 .mp4 25.02M
3 ?( |+ l3 f6 P7 r0 U3 M8 s% E, A! p| | ├──5-Python_控制语句_for循环 .mp4 22.82M
; Z7 e: y. s; _. [" d6 d1 v6 O& C| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
5 l/ m* f( j7 \# e| | ├──7-Python_控制语句_break_continue .mp4 25.23M
( o+ @6 ~9 ~% m/ P| | ├──8-Python_切片操作 .mp4 40.20M
. Q; ]: i9 ~3 s" W2 s5 a+ Y| | └──9-Python_数据类型 .mp4 25.38M) @" J, X/ d% F( X5 r, L) x& h. O% Q
├──20--深度学习-NLP自然语言处理项目实战 . G, x. f9 i$ y& N
| ├──1--词向量
: G @4 i* ^; R {4 s$ H| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M( r3 } h& l3 p) s4 h; c, n) c
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M: s" O& p# ], g( R. M
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
* K% N3 x- H5 }* P3 @5 g| | ├──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
: y6 D' S6 g t& Y2 X| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M1 Q7 {: V5 w, K" P" S
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
/ t7 N! @" I) ]3 n| ├──2--自然语言处理--情感分析 $ L7 Z+ x( S7 j
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
$ m! N. P/ l4 `| | ├──2-数据预处理_01 .mp4 79.65M9 G$ c( q! S8 Q# R0 V
| | ├──3-数据预处理_02 .mp4 45.68M7 v* c: }, `) n1 _
| | ├──4-代码讲解_01 .mp4 52.29M |. }, k1 f9 l5 S5 ?' q& R( F3 d( L
| | ├──5-代码讲解_02 .mp4 60.85M
6 F6 K2 |$ C0 S1 \0 ]# |' x# d) g| | ├──6-代码讲解_03 .mp4 53.89M
2 m& D7 j! R1 e2 D& J6 V| | ├──7-代码讲解_04 .mp4 57.19M- D* H9 k" U, y/ [
| | └──8-代码讲解_05 .mp4 35.88M3 H' P& i1 W) V6 v$ D- L/ N q
| ├──3--AI写唐诗
/ N$ d* E8 i0 i) {% w: z2 || | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
( G2 t$ e" _3 S5 M6 a| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
6 b, R' \4 k; U| | ├──3-MultiRNNCell单元 .mp4 38.93M1 `& n* o, B0 n# t; I6 w2 N
| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M2 J) L" a( M; n. E W
| | ├──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 61.73M1 M) y# H$ Y- y3 G; J# i& W; `- j
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
5 C. ~2 H' a$ ^) I% `9 V| ├──4--Seq2Seq聊天机器人
2 c1 t& H. n% V2 r8 b4 m( r| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M$ s/ D& q, ?1 O2 s! a6 F, B
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
, o# H: S7 O$ e- ~5 K% V| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
' L. ?6 `. ~& I4 J& a| ├──5--实战NER命名实体识别项目 , g$ i& P2 f7 ^
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
4 I7 ~0 ?0 m& r' x| | ├──2-介绍了代码目录结构 .mp4 23.44M
% e: V0 {5 L. c# O; L {| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
# f( W% V& O/ s# ?! }" J4 d| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
+ p% D' N0 Z3 |4 C9 @. J. O- {* j| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M$ V* ~6 q0 d0 H% s
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M3 y# B* c$ ~2 u6 W4 g/ ~+ h! r8 F
| | ├──7-CRF中的特征函数们 .mp4 125.97M
! D0 R3 U1 _& P7 U2 K4 S| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
, ?6 @7 T5 X1 E& p| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M0 M: W/ C) T7 T. [( U$ ?
| ├──6--BERT新浪新闻10分类项目
; e! B: E. P$ b9 h. m8 E| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M1 G0 r% ]# z3 B
| └──7--GPT2聊天机器人 % \( O% A. ?0 x, o" ^
| | └──1-GPT2闲聊机器人 .mp4 62.28M
% I1 Z7 C5 ^5 r: N├──21--深度学习-OCR文本识别
0 H( |3 v& `5 z! m) j, V| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M; v7 J! r% h4 ~5 U
| ├──10-CRNN项目代码剖析 .mp4 306.48M# X+ K; Y1 G1 B; y% J( ~
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M; C |0 f1 L9 {. g& L1 o$ n
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M, z5 G( j k% L# R2 Z
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
- }5 r3 t5 T0 y' F4 P0 t- E$ Y| ├──5-CTC损失函数的理解 .mp4 330.64M% S3 Q; U" N) w9 M3 C! ?, U2 R: g
| ├──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
k1 j5 Z# j' ]& _8 X4 P| ├──7-CTC前向后向算法代码 .mp4 225.41M
. S3 V) N. i& ?' |* ]| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
2 W3 e; @4 A0 ~4 ]8 J2 t# c6 k! || └──9-CPTN项目代码剖析 .mp4 491.69M
' \9 c& ?/ k! @. @9 K├──24--【加课】Pytorch项目实战
% F; h' z1 v5 S# ~; m| ├──1--PyTorch运行环境安装_运行环境测试
6 J0 \8 U( H# [9 }; v# d. {| | ├──1-PyTorch概述 .mp4 29.29M+ L4 b* F* Z+ W0 B) y
| | ├──2-PyTorch的安装 .mp4 76.45M2 \* P2 a& V* Q8 H$ O4 X
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
, Q, V$ _1 P8 K, D| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M6 G. X9 b' v6 q' G1 a* u0 V& s
| ├──2--PyTorch基础_Tensor张量运算 z& k; T: J+ W9 i3 A! v$ n
| | ├──1-Tensor的创建 .mp4 55.14M, Y2 S, `2 d" j; f5 U
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M5 W7 S3 v t) y% X$ E& p$ A
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
# k3 H( g* n" N9 x: v! L/ ^| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
4 d% |5 w8 ^4 X* @" \| ├──3--PyTorch卷积神经网络_实战CIFAR10
5 v, T* C7 l8 b* `; t# P, k6 o6 j| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M% e" O" J ~/ s) n. w4 [
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
1 A& q5 I2 X: h| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
o6 P# \4 s% Y3 h| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M; a! E e$ t( ]/ Z2 o. |/ {: V
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M a/ H& r$ P: O: Z6 c+ P
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
& K0 I- u5 ~" k| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M# b& j5 u; C2 z
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M2 ]8 C2 r2 @8 m' y$ b6 B& _& ]
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
7 m0 x. A, h( T+ D, N; X/ p| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
8 Q0 v$ R- @ l4 d5 n| ├──4--PyTorch循环神经网络_词性标注 ' {! ^8 k4 f x2 l; j1 q# b# R3 }
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
& n) ^2 \& x2 j1 b& m1 Q* l| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M6 k, g7 e* u& H2 G' S3 o
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
, j5 ^7 M" f5 U, l7 R| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M
1 T( V% X6 |6 m| └──5--PyTorch编码器解码器_机器翻译 - w0 N& @1 {! P$ _1 t9 u% I! e! X! _$ Y
| | ├──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) v. Z( a/ i' N4 O+ ~, w* @
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M* @0 Q# Y# q( m! c' A0 Q T9 B5 T6 D k" K
| | ├──3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器 .mp4 57.69M2 H& `7 C7 g0 W/ U( M; b$ U/ u0 z
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M5 f$ i/ g. T; U" J+ Z! x
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M5 z1 h7 X+ B* x% h) p% S
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
. X* L, M, R+ Y+ x5 u| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M1 G, ]6 U6 B: J2 C$ [
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M1 q8 ?1 a0 U& W# l! \
├──25--【加课】百度飞桨PaddlePaddle实战【新增】
1 i, D, R6 w8 k( Z2 O| ├──1--PaddlePaddle框架安装_波士顿房价预测 4 ?$ w: S5 J0 e/ S9 U
| | ├──1-安装PaddlePaddle .mp4 87.34M
, `& S5 W$ f- X! r! O| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
T: Y4 `- k+ z- @! ]- J) ?| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M# e7 e" H% o! z# i( P8 U. s3 x6 w
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M9 h6 ^/ h% E# m, W- c, G
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M, y5 C) t6 L# |6 R7 Z6 c! m. [
| ├──2--PaddlePaddle卷积网络_病理性近视识别 8 P G8 E$ e& P+ i+ l4 L% A
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M6 o5 s- _7 ]+ \! b8 l ] |4 e
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M, z/ n- q. [/ O: k7 a* g7 n
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M q; r I4 X. n
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M; {% m4 N5 D8 J5 k, Y
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 , v0 \5 x% m, @8 }
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M8 E# Q C6 H- i2 c( {5 z/ m
| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M
7 @, L: o( q( J% N2 k; g" m8 t| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
- K) t3 f( J9 A' m; E) k| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M/ `& \7 d2 \3 r2 D4 S: s
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M& a6 G: N+ W3 e3 T2 ^
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
# y- j( x* }. c: b& g| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M0 ]" V8 L4 R: n- l+ f
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) 2 I" Y4 |- [. z J: D3 D
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
+ @: h: O9 K6 G- C, o| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M8 U1 z' v, t4 p9 o7 E* G) q
| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M9 k/ G6 k5 ^9 T8 \
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
+ n6 W$ ]$ }! n$ I| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M9 C: w: S6 Y1 D$ M
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M2 x( @6 I" v( w. Y
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
* K0 C/ K+ p; P) j: ?, F1 E| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
8 v$ O. j$ R+ t5 G; o| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M6 ^+ V# `, W9 x t) U; W
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
% P! b3 W6 L- {1 k| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
; ^1 X9 ?8 _5 L" V3 {| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
; ?; Q9 ?; F+ P$ P) f W| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
! J$ \1 K2 a2 S0 @$ u9 s2 @4 r| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M# s! }# }" E( ]. d M
| | └──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+ A5 O8 S9 e! l1 {6 N
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
% M; s0 R! x0 R1 G$ C| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
; C' _( k4 f; a. R$ {| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M* Z, d7 b7 V$ X# D5 R
| | ├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp4 47.78M
2 R% o4 {" z) T) p, r6 s$ \| | └──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
- d+ z; A; }3 A8 F4 E├──26--【加课】Linux 环境编程基础 / J' m' _4 I2 C0 v( g
| └──1--Linux
% K( E0 ~/ Y; m9 \ @4 U| | ├──1-Linux_课程介绍 .mp4 3.72M- T' b* b. \) a, [" C
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M& ~1 Z! G+ K8 x, t
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M5 j6 d' w% ]8 D1 q1 R3 Y; \
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
; n1 w2 U9 K) ^' T1 F: C- s4 Z| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
& Q3 [1 _. N0 G3 v) ?) e| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
( x: D9 T0 p; a. S$ L| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
+ S' i' e `; y' T' G* p9 t D| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M' O' ~, C6 L- B& f& U
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M3 g2 Q! a }; B+ G4 X3 u
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M# ]6 r ]1 \5 b) j: |) X$ r* r( I
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M2 m' p" \; F* h; S
| | ├──2-Linux_Linux简介 .mp4 17.59M
; A: `5 o7 ^ l" T5 U& V4 F| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
, a1 G6 F9 ~( K) M5 ~ F; @6 D) T p6 || | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
4 h2 i+ ^ z2 w) Y, L* L* u2 B| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M! w' ?/ a5 |) s7 f- J7 Z4 Z e* |
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
$ v! S1 P0 N& z. T- M2 T3 X+ || | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M8 {9 ~3 @; ^2 Z7 I
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M! k5 w v* l6 O8 ?$ F$ B
| | ├──26-Linux_安装MySQL .mp4 79.02M6 |# ]- n5 c; `: M
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
' L2 N% O7 i+ e7 _8 Q| | ├──4-Linux_安装Linux .mp4 41.97M
) {. R" B- u/ X6 L% V) k* E| | ├──5-Linux_目录介绍 .mp4 20.31M) }( }! l. m& v- k3 ]' _
| | ├──6-Linux_Linux中的路径 .mp4 18.65M: r7 ]5 K4 o( y) i; N
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
+ m2 h( [$ w8 Z4 Q4 d| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
+ u! a5 h1 y% s7 \# o5 m| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
4 r& s, u) J4 d* {9 c+ Y; i├──27--【加课】算法与数据结构 ! ]) |# b: \9 ^$ r& x6 ~1 O7 F
| └──1--算法与数据结构
2 R Z) Z5 X- p4 r& p Y| | ├──1-数据结构与算法简介 .mp4 35.68M
/ P1 _1 H X [! r* m8 i| | ├──10-哈希表的基本结构 .mp4 54.34M
1 g8 q* H7 w" o* G| | ├──11-哈希表冲突问题 .mp4 75.92M
# g8 y' E* e6 k1 U1 H" O, X| | ├──12-哈希表冲突问题2 .mp4 72.30M& z5 k: J' q8 _- h$ \6 H
| | ├──13-哈希扩容 .mp4 111.03M% ^4 d9 k9 z L/ @2 ^
| | ├──14-递归与栈 .mp4 50.77M
7 @ {9 Z) e. ~- ]% C: Y| | ├──15-线性查找 .mp4 57.80M. T) x- H' B; D
| | ├──16-二分查找 .mp4 52.32M
. w' G5 C" g+ P5 H* u; Y! z6 M6 t| | ├──17-冒泡排序 .mp4 53.19M
8 L% J" Q* B7 ?. j1 o& y5 e( J| | ├──18-选择排序 .mp4 43.29M7 ]" W! j/ u! j( h( S: N) v
| | ├──19-插入排序 .mp4 31.39M# c; }' ?6 B; @- ]. G9 d. A
| | ├──2-大O表示法 .mp4 25.59M! z) h) s, }, L2 l( X0 W
| | ├──20-归并排序 .mp4 84.48M
2 F2 h% e4 w |' X6 N- @4 B| | ├──21-快速排序 .mp4 36.63M
3 p+ d; L" n4 I/ @- S0 H| | ├──22-树结构 .mp4 96.85M
1 m. N h! J; W6 v+ p) h: W, h| | ├──23-树结构的遍历 .mp4 61.05M
7 o- H& ?* {8 q$ T3 Z6 S' u| | ├──24-最大堆的增加操作 .mp4 45.43M. l# C/ W) p" q: f0 ?
| | ├──25-最大堆的删除操作 .mp4 45.63M
# }$ G7 L/ x9 f, E! s2 y| | ├──26-二叉树的查找 .mp4 100.24M
S3 c' W* V7 z7 q- Z6 a! k3 L| | ├──27-二叉树获取最小值 .mp4 25.21M
1 ~+ W: y* E6 s m1 e; W7 F| | ├──28-二叉树的添加 .mp4 72.66M
% b& _6 i$ `, }0 i| | ├──29-二叉树的删除 .mp4 120.06M5 M$ z/ x1 j# N6 G4 H' r
| | ├──3-线性结构 .mp4 53.14M, O0 X5 ]5 q) @, ~
| | ├──4-单线链表1 .mp4 68.36M
* E8 @6 {% W1 s4 X" M/ i| | ├──5-单链表2 .mp4 221.69M9 F5 o8 h4 I% C
| | ├──6-双链表 .mp4 103.57M
) s; F& R0 Z; p| | ├──7-队列(链式) .mp4 74.12M9 R2 f$ N8 x+ p; k. o$ ~5 g
| | ├──8-队列(线式) .mp4 30.99M
+ y+ e$ l' U4 V/ v J| | └──9-栈与双端队列 .mp4 28.12M
- x, d' l7 g& o2 g, t* _: }. N├──3--人工智能基础-Python科学计算和可视化
5 [7 t. [; Z9 [. x# s1 N| ├──1--科学计算模型Numpy
$ {) f x* M: d! Q| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M8 p* {2 n# J" Q* f2 h4 Q" s
| | ├──2-Numpy_array_arange .mp4 35.45M+ J* j7 Q/ g; I6 N3 r, K
| | ├──3-Numpy_random随机数生成 .mp4 50.54M8 z- @; a, n. G3 K( u
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
& i$ U! Q! ^" y" C; m| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M3 }8 o0 \- ]* ~4 d
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M3 ~. v6 P3 ^; f' E: F
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
- x9 c+ I% P6 @5 h| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
* ~ t! |5 i! s5 ~, s* x* A8 `| | └──9-Numpy_聚合函数 .mp4 23.68M0 c0 m3 H& x7 f7 E0 f9 e3 V( A
| ├──2--数据可视化模块 4 W/ a6 P3 \2 n, b I! w: @
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M1 q; u5 L" l( v% j% X+ G
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
" G& z& {; o9 N) M: w( _( V+ i( ^| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M* M* \- H, h& B+ C9 |
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
( N3 L C- U1 ^ u% W2 I" i: x| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
, M0 h6 u! u6 h8 t& H1 C0 n| └──3--数据处理分析模块Pandas 3 H; x$ b" L6 R; v
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M! C( x9 \* A! \! d
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
9 x3 ]$ _$ z. m/ B, V| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M4 z M3 p4 T0 r2 Q- C# d1 q' O, j
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
* Z! ^8 Q- O* v# P8 `| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M' i5 k6 _4 a5 o5 ~+ l
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
+ P' F/ o" E+ a1 ?9 h$ \4 [3 r| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
+ u( c4 h: q! O2 z ^├──31--【加课】 强化学习【新增】
9 h+ t$ ]# a* r7 p. f& `, Q4 a| ├──1--Q-Learning与SARSA算法 " a2 x2 |$ j( t7 P9 |5 E1 m
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
0 [5 m* M; d- c' Z| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M: Z9 _/ v8 w; p. R! o
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
- J8 u( p/ h% Y# y m8 W1 R| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
& d n' R; H) r- ^- O8 y: w' c| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
/ ?. B5 U1 x% G& S3 [5 P| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
9 Y+ z t# x7 U( g. p4 }| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M! S6 e6 R; Y0 C. _' k
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
, x# g" J& V" h7 C% l7 g| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
# B6 D, g7 e# _& n1 n| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
1 }- U( D/ L6 ^, G| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M" T) A' E& q; x- v4 s( D1 R
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M# C: {+ n( e x3 I7 r% A0 F& q
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M. A! {6 J# j& C$ [; @4 f
| ├──2--Deep Q-Learning Network
; J, h& ~: U3 r6 A3 p1 T| | ├──1-DQN算法思想 .mp4 59.24M
1 g2 r+ t8 g$ n9 t3 v# i| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M% }: U: s6 H, O/ j. H4 j6 H
| | ├──11-DoubleDQN代码实战 .mp4 44.49M! S+ W7 b) p( g2 Y1 ~, T- L. J+ @
| | ├──12-DuelingDQN .mp4 88.12M
* N+ f2 z" R* T( [6 f, k; Z' m| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M4 O# b" e6 f% ?/ l7 v
| | ├──14-计算Action的方差避免风险 .mp4 54.23M! t( L/ |) W5 \, b( k
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
1 T; J6 _# G) v4 i| | ├──2-DQN算法具体流程 .mp4 56.17M
. K2 s& e8 n' a1 R6 a' F* m- G$ m| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M. F3 f, _: \$ r
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
6 t) Y2 d! v+ V0 H! D2 S% W" `| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M* z% u$ z6 z+ @0 K
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M9 Y/ j0 _; ]+ w& ?; u0 r7 ^
| | ├──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
- ^ d% `; | a0 T8 ]: X4 U I+ G* y0 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 58.93M
5 R6 @0 o+ N9 q8 D% h0 `7 m| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
) r; l9 Y4 J. v; R5 k( \- Y| ├──3--Policy Gradient 策略梯度 3 q* P. y% S" E+ ]) N1 }
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M* D% s& p$ w" I% L0 ~
| | ├──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
/ D' B; f# L4 }| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M" `4 F9 ?1 Y7 Z/ d
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
. D( d+ y5 v6 O1 r6 U* e| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M
! D- w8 x! J* x9 U G% k| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M+ H7 a$ ~' p9 O/ o X& S
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
" Z4 e- J* ~: v; {( ^" m1 m| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M9 Z" w {: w( c+ d: h1 u
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
& ~5 M) ? n, b! n# e| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M: X5 f( l& d5 P p% n
| ├──4--Actor Critic (A3C) : g5 l4 r, ~" [; {1 V. {. q
| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M* X v; b" ]) a" e2 N8 i
| | ├──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
' X* L7 `# e3 f| | ├──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
. }$ @ T6 I: O7 A: U# l$ t# {| | ├──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, G9 N7 [" ~7 _( O7 ?. W; c, r
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M, ]# y2 a0 B) _2 g9 A
| | ├──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# G) R2 k" n# c' k( O" G9 @
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M$ L F' w: C+ W8 U- U
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
% I# L( |5 f$ V% `* X6 V# Z" U| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
, R6 O1 o3 A' D) {3 V" [| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M# n8 X2 w" O9 k
| | ├──6-A3C架构和训练流程 .mp4 74.66M$ k! l9 I K |
| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M
2 j% q5 y- O( p% ?& P* Y| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M5 W5 x! c( }1 w$ m5 Y0 ]
| | └──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 36.62M2 d. h. Y0 S! T
| └──5--DDPG、PPO、DPPO算法 3 f+ Y g- e( ]; j2 {, ^) M
| | ├──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
L0 T, {$ |( u- f) O| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
- T" L9 B$ v+ ?; ] A1 ]| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
6 Z, n+ v/ e0 F' z" m, u, }" k; 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
) |, D+ ^# d( N% J8 A7 P; s" C: }/ g| | ├──13-DPPO分布式PPO .mp4 63.81M7 e& p/ ~2 o0 R: |3 l; n5 k
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
: n& N! E! a) E2 O# A| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M$ X; @/ s( N4 x. U5 [8 k* ^
| | ├──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. \- w" H3 A. U" B
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M0 {- ?2 ^% i' I8 V; Q
| | ├──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# Q6 M) J* f* h0 N0 f/ }, I8 v
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M5 p1 u4 w$ z8 s: N) h
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
" v k, k" W3 f+ b' o| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M3 _: g, B7 \6 v' d6 G
| | ├──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
* N {- v( p. s| | └──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. ^& }- [* E' Z
├──4--人工智能基础-高等数学知识强化 " F6 E; M8 Q$ L) Q: \8 B: |
| ├──1--数学内容概述 ' C/ k5 R/ s. y
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
0 j" ~0 i! E8 _. L1 D) A1 |; P| | ├──2-线性代数_概率论知识点 .mp4 26.81M9 Q; ~6 U5 v e4 ^, ~4 D, S! y/ s' x0 R3 m
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
# F# j" E3 Q# Y' H+ W* |5 d& k; W| ├──2--一元函数微分学 3 _& ?4 O; Y7 [/ N6 h
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M: F* V5 N7 _7 d& I* C y
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
% W& c- { e: {, X0 o) W| | ├──3-常见函数的求导公式 .mp4 22.76M
" q0 _3 G3 q {' L$ [| | ├──4-导数求解的四则运算法则 .mp4 26.52M
, }& w n6 v/ d6 e1 K| | ├──5-复合函数求导法则 .mp4 19.68M
! q" _2 A/ k3 T9 u! D. p| | ├──6-推导激活函数的导函数 .mp4 33.40M
6 q3 Y1 P( n1 | i( k| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M6 v1 I# U) P# w+ N, k
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
3 x/ v, R: J, r( v P| ├──3--线性代数基础 ) E+ \9 {8 m6 ~1 ]9 G
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
7 w. Z5 {1 X. s| | ├──10-矩阵的逆矩阵 .mp4 38.54M
: W7 \# I7 l, Q6 t L| | ├──11-矩阵的行列式 .mp4 20.13M
/ e9 ?+ ~ e) U1 @- u| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
' f3 {. f3 i# M8 h| | ├──3-向量的内积_向量运算法则 .mp4 19.78M6 R ~) v8 Z9 y
| | ├──4-学习向量计算的用途举例 .mp4 20.32M
) i f6 `/ W# H5 E| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M# X3 V }- D* w, F
| | ├──6-特殊的向量 .mp4 26.45M" Q2 i/ e% n, q
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
' K$ u+ x, M6 T| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
+ L! L0 y' Q$ a+ i: Z; e| | └──9-矩阵相乘 .mp4 20.02M' y1 E9 t1 t1 U, ~5 L
| ├──4--多元函数微分学
6 A, T) ~% m! ^" V: B( @/ h| | ├──1-多元函数求偏导 .mp4 22.61M
" L* E u4 N2 G| | ├──2-高阶偏导数_梯度 .mp4 27.15M( I. i/ z* L# Y3 A* E
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
% j n4 U& L& W0 @7 x; [| | └──4-Hessian矩阵 .mp4 32.93M% T- o& `2 X/ G" R: i
| ├──5--线性代数高级
v1 o. @9 U( a" l| | ├──1-二次型 .mp4 27.70M
1 W. m. `# D% F1 N$ r2 Q4 || | ├──10-SVD用于PCA降维 .mp4 24.90M
2 Q7 L# w% [ l5 f| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M# F8 M ^6 g1 o2 L+ V
| | ├──2-补充关于正定负定的理解 .mp4 23.48M
/ ]7 `: X' `- K: l. b9 t4 X| | ├──3-特征值和特征向量(1) .mp4 29.83M$ L( h+ Q3 L) ?
| | ├──4-特征值和特征向量(2) .mp4 30.07M- m9 _; }* z1 u! {5 O8 p
| | ├──5-特征值分解 .mp4 38.68M
( Q2 O+ Y% Y0 F% U" \| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
' z5 j, g* ^; W; S. j; L| | ├──7-奇异值分解定义 .mp4 22.58M2 Y6 L3 Q1 F, ~6 k1 L* D `9 m1 P' i
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M2 P" o. {$ [9 w* ^
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M( q8 e3 Z2 o2 D( g
| ├──6--概率论 8 F( B" X* P. X: P& h8 R3 ~7 q
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
4 H3 D% C a7 w! g6 t| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M8 n: E" F6 L$ B* p/ b
| | ├──3-随机变量 .mp4 22.57M
. v' Y8 Q7 @; ?' c6 \% R| | ├──4-数学期望和方差 .mp4 22.96M4 ]( {, p2 a: ^3 A
| | ├──5-常用随机变量服从的分布 .mp4 22.48M8 V* y* W2 J. r- y5 U4 C
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
( y! |0 P* l! i: `| | └──7-最大似然估计思想 .mp4 23.42M) r$ K+ U7 w2 K% F# C' ]
| └──7--最优化
6 }! A1 n2 x2 C| | ├──1-最优化的基本概念 .mp4 35.14M, l3 \. H4 t2 x
| | ├──10-拉格朗日函数 .mp4 27.46M; A- W8 |- i- B2 i
| | ├──2-迭代求解的原因 .mp4 20.15M5 Q3 A" K8 L( e& o* X) F# a1 L/ b. r
| | ├──3-梯度下降法思路 .mp4 26.33M- G: P. j# O9 E: o9 n3 _+ F
| | ├──4-梯度下降法的推导 .mp4 43.56M
; y! q+ p' c7 ^, u; Z+ D| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
( N! @2 t/ A# W; Y& ^- ^| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M3 `1 V/ P( G2 R# D2 B& Y2 ^+ u) `$ {
| | ├──7-凸集 .mp4 21.90M0 \2 |+ D, Z+ n b: I. G/ ~( s
| | ├──8-凸函数 .mp4 16.93M0 r6 J' ~) o% p# a
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M. s% j- C; o2 L# g1 F( q( m
├──5--机器学习-线性回归
$ f) F L4 ^+ y4 d: F& l| ├──1--多元线性回归
s, v) N8 L( Y. b$ o- b$ {| | ├──1-理解简单线性回归 .mp4 51.11M% V9 ^) X& X, } X2 \ C" z% m
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M4 K/ M; W5 T0 D
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
. M0 I, S) b/ `* t| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
% {, }, \( T& D! M- M% e7 u3 i) F e| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
; E5 p X t5 K5 e& A| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M, w. w4 O! I5 N8 Z8 C
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
1 ?: Y: h4 w% z+ a| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M9 i$ x$ O- \9 a2 H9 X* y
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
* } P; `- m6 v) k9 y% v% M| | ├──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
! `3 ^4 {. |0 [+ a# O, V& M$ L5 Z| | ├──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 a* L/ j4 v* ]1 ^( K
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
, P2 J! c4 ^ o# O+ e9 M| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M( x' y9 b/ U7 G1 Z+ `2 _& x$ E
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
3 S; T: J5 @! X| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
4 v% O$ O8 ]9 v8 A| | ├──3-扩展到多元线性回归 .mp4 32.15M7 L3 Z$ Q- c7 B% W, {) A3 K
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
; {8 M1 i: e0 k$ T$ K| | ├──5-理解维度这个概念 .mp4 41.41M
) _3 m: T7 u! r+ u* e| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
0 ^' v" u5 V5 l1 T6 Z| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M' d; e0 ]+ n3 Y7 _ g+ h6 l
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
% M6 v8 s' A, G| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
) f, z7 N0 t r1 K/ b' Y9 T0 q( M8 _| ├──2--梯度下降法 3 o; G( u4 {% R; r+ {# x9 K k
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
( B8 }( R8 y7 e1 O1 || | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
2 k/ L2 e5 V# |4 u$ m$ R2 r& y, Z| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
, `7 G2 H: c% P9 T3 a| | ├──12-代码实现随机梯度下降 .mp4 26.67M
$ n, L$ L( o @) }| | ├──13-代码实现小批量梯度下降 .mp4 27.32M! P# [+ w1 K; y5 D$ @3 K
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M
4 k+ s5 Z* ~" I4 E0 }5 L2 x Q| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M3 r. W+ P6 T- D+ [
| | ├──2-梯度下降法公式 .mp4 57.12M2 k' \7 T- q' T! u H+ \
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M! k7 T) o9 h) W! [/ `$ K
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
/ B4 S G0 ~' g" C; Q( T. W| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M: p9 ]& y j8 m/ h1 R2 ^3 Y' I5 ?
| | ├──6-全量梯度下降 .mp4 62.84M4 V+ f+ _4 f: C% @5 d% B
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M; F3 ~0 m3 X8 l$ `+ V
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
) H v% H* D0 L" o$ y| | └──9-轮次和批次 .mp4 45.22M) s% D4 K' Y; {4 N
| ├──3--归一化
. O8 ]) e. |" e V! }| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M& ?' G, Q; p6 ]- x$ l" `# H
| | ├──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
. n0 j1 v9 O, V( P2 C0 W" ^| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
! Q9 a* r `# }$ A# n- N' h! d| | ├──4-最大值最小值归一化 .mp4 24.87M4 k- r9 ]- m7 R
| | ├──5-标准归一化 .mp4 51.86M5 w7 t+ r! S6 e
| | └──6-代码完成标准归一化 .mp4 41.13M. m+ r4 Y. y. j* E. n. R
| ├──4--正则化
: @; |" @6 D1 F+ r1 G3 b, C2 C| | ├──1-正则化的目的防止过拟合 .mp4 30.71M* h9 m* I$ w' o' L/ W
| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M3 s, \# |! I1 _, H, I, U8 S) p
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
# D; f+ g! P4 u* a| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M# q" O! ~6 U, k% D+ V& w# K
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
7 B. a4 g) F7 p I& U o| └──5--Lasso回归_Ridge回归_多项式回归 4 Q% ?4 c" v0 Z6 m! U
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M( C5 r( W- }& a3 M
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M! Y* a' b N; D1 b/ p# d
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M8 a+ h+ k& V; b l% q% o
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M7 L9 y5 u; c" N! v! T$ S
| | ├──2-代码调用Lasso回归 .mp4 28.73M
S7 P' E. G- B, D: a/ ]| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
; b4 d; {. o& P* j2 `9 n| | ├──4-升维的意义_多项式回归 .mp4 48.06M
@0 Y+ _' u( i, o| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
, p3 m; B7 U; z1 Z$ D8 ]& y| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
) S! T# A" h) \0 X! W$ ^* \| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M" q- j2 m! I4 Q+ i; `6 f: D' g0 u
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M6 h9 ^' k( R1 K/ [7 b; V
| | └──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$ O: \/ d" s" e: u7 K( |3 t* U
├──6--机器学习-线性分类 # C, F% E0 W- [' _, A4 b+ @0 Y
| ├──1--逻辑回归 3 `% h( ] q i+ S
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
( ]1 B- v* G/ {' U A& 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
1 {; B" B/ ]8 [| | ├──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& f- p9 m$ H" m P+ X
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
. e& g2 s. `7 h4 p Z* b k| | ├──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
& d* W$ f8 [- J| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
9 g2 t; a% q% q| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M7 k4 n4 E$ T& ^
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M+ m) q8 P. L7 N- m
| | ├──2-sigmoid函数作用 .mp4 38.15M
2 V1 L/ s1 Q( G, ]$ K) X. i| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M7 w% }6 T1 ?" K6 f) E; `
| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M
, n8 v$ j6 s1 a. T: h+ G, |' e| | ├──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. [) e: n$ Q. d% o# F# z) T
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M4 w% @% d* ?+ w9 A
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M4 ?8 Z" R6 m8 ~' B7 ]! u( K& q
| | ├──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
' M# A: M2 ^7 C| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M3 S: g/ s+ s$ Y0 w
| ├──2--Softmax回归
$ _1 [# W! n" q! e( }2 X3 d| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M* ]0 U; f$ K7 _0 F
| | ├──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
! B; l# p" m( [/ a| | ├──11-实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果 .mp4 49.16M& B( z- G0 r2 J- T! A r9 |
| | ├──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/ A3 v: V( ~( k; T2 e+ P
| | ├──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( f' J" S7 z6 X2 n2 u/ k/ `+ j# Y. L% z
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M0 ?4 O. [- V% T7 G1 O! ^' j. J$ q
| | ├──3-有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本 .mp4 33.42M
: b8 f9 y+ v1 f" R* v# }( ?| | ├──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
/ r3 u$ v- u: c| | ├──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
$ k3 b, w# |, p2 l2 j9 J0 {| | ├──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
8 P/ ~" ]/ b6 A' V p+ b| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M' ~0 v! M- }/ X; d
| | ├──8-实战音乐分类器_探索不同曲风音乐文件的时间频率图 .mp4 52.39M5 u6 ?/ m! c! _2 c/ R" ]
| | └──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
% q5 X+ ]7 P O# F: I5 I| ├──3--SVM支持向量机算法
4 }/ D7 \) B$ r$ r* V| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M4 f# o+ \$ J5 }- d4 G" [: A, Y4 _
| | ├──2-SVM的思想 .mp4 55.56M! {' o: N9 ^+ b z% v- i
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
1 M4 c6 f5 m3 ]" t, b5 A. Y| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
" B4 P* h6 L+ o: ]" U9 n6 o% F| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
2 u7 R' s2 M; {| | ├──6-总结硬间隔SVM .mp4 39.01M
$ U3 e- d) C% B, B| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
* R' K) n* p* c( ?6 g; M| | ├──8-非线性SVM .mp4 54.43M" t, O0 } u8 R6 a. N+ K: x
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M0 }1 q$ o( [* F5 X& u
| └──4--SMO优化算法
. K- p6 B( m8 N- @$ k| | ├──1-SVM算法流程总结 .mp4 58.36M
; V9 d6 k- ^9 L6 T3 Z6 X. s0 P9 o* U| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
/ B6 W4 `- Q0 w0 y M| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M1 m. q# j, f# E* l
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M0 {% \. l: a, N# c
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
, ~7 o8 Y& V6 _9 G3 W| | ├──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+ V& l+ Z# K9 t0 C
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M) z w; }3 w! t9 [6 F* R
| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M2 G6 j1 k' w# d2 L- c% P
| | ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数 .mp4 63.23M$ l# J1 Q7 @8 j8 m7 j
| | ├──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
% y7 N; }* h6 _$ V| | ├──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* U3 }5 J4 J$ V
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
' n I, C1 q/ V$ V4 ]0 M+ f| | ├──7-启发式选择两个α .mp4 23.11M
! V; u8 [6 w6 H/ q7 N| | ├──8-如何计算阈值b .mp4 50.18M8 N2 ?7 v7 I7 S& r! g. h
| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
1 e* s8 b' o" j& Q8 ?, y; _1 z├──7--机器学习-无监督学习 4 w1 R! {! h s
| ├──1--聚类系列算法 ; D% [) g/ _0 M
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
9 E7 E* R* @. i. c% _2 l, H1 J| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
1 [5 s0 L+ F" c& p: J; e| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
; |/ O" C; O1 [4 a9 N" w. e| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
# \# g* w# n1 P3 c9 ~) {| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M4 _. P& I, m9 V
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M+ w- }2 {+ X/ u& Y3 p' B
| ├──2--EM算法和GMM高斯混合模型
% ?" M( [$ _( h8 }8 @| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
* j0 ^- M) s l5 |% F| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M M4 Z' k- V1 w! ]
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M7 b! _0 N- V4 c# j) N5 ~( C
| | ├──4-Jensen不等式的应用 .mp4 109.17M3 }* C m l. l& @0 Q2 B; 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
5 X; Z+ P i! s( n! O| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
`1 T. r( U5 a' t/ x) V+ p$ R| | ├──7-GMM前景背景分离 .mp4 16.01M
$ S% I+ Y v" S! Y% T| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M1 v8 I( |; y# y( S: D
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M! { J) R% B w: z
| └──3--PCA降维算法
5 ^. j5 A/ Y8 c5 o| | ├──1-特征选择与特征映射 .mp4 49.38M# _6 C% m* \- k7 d1 C6 H1 ^% j
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
9 G; ~" C; D- ^6 f| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M* S$ O/ |( k8 N' o2 C+ ~" N3 }
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
0 H; ]7 ]4 c+ u2 n. O- U| | └──5-PCA的几种应用 .mp4 54.58M( w) Q1 u4 L. m: b' L8 x
├──8--机器学习-决策树系列 ! w0 ^$ p7 A2 c" R4 M* I
| ├──1--决策树 a# O$ x% S0 N# a; ~
| | ├──1-决策树模型的特点 .mp4 74.88M1 _! j, j* K. f
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
% l$ k6 k% d& G& k- s2 J| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M: t: D* H- y9 s* m# D! _6 k
| | ├──12-后剪枝的意义 .mp4 50.49M
1 R! @ Q* c: R* P) \| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
/ E5 q& L- I! B! A. ~| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M. U t1 C/ }; t, D) l" {6 L4 s
| | ├──2-决策树的数学表达 .mp4 89.94M
! |$ q3 G8 S( b; h# q| | ├──3-如何构建一颗决策树 .mp4 84.87M
: _9 c# l9 m# X: f l| | ├──4-什么是更好的一次划分 .mp4 57.02M
; M0 |0 s9 `- ~1 _7 q| | ├──5-Gini系数 .mp4 107.54M
" o y3 l6 j- @1 m4 L: j) S* }| | ├──6-信息增益 .mp4 75.26M2 Q* P7 r1 Y/ x0 M! c' t2 R8 D/ T8 O
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
* Q6 Z* r/ E a; G0 ^ k| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
) Y: s% k. R. K1 w- p1 {| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M1 r+ Z7 [/ n& k; |7 Z- t4 R
| ├──2--集成学习和随机森林
! V$ ^; k) ?- m' g! i4 `| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M5 P& [4 I3 J! y9 a7 L
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
7 q9 U7 g. Q& c9 N| | ├──3-随机森林 .mp4 108.14M
5 o0 n! R3 B9 o| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M) M* T; W1 [/ p1 r
| | ├──5-OOB袋外数据 .mp4 106.07M
( Y' i: y1 J9 t/ k; x| | ├──6-Adaboost算法思路 .mp4 106.30M: I: O/ i8 |2 R9 q# V. c( [
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M: @9 z3 ~4 R) M5 m
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M( R% r3 s# U% d/ ^6 U+ b: P
| ├──3--GBDT 1 O; K2 M- ~% x# L( W
| | ├──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; k7 S! T9 m D6 J) X; j# ?; 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( X; X6 y; @; e2 ]; {' H" E" K o
| | ├──11-GBDT多分类流程 .mp4 73.80M" ]& B. m5 ?1 I4 L" e
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M: Q* R G: q+ a+ B) l
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M$ ]4 M0 n- Z W. A
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
/ w( X1 n6 N8 E$ v1 u| | ├──15-GBDT二分类举例详解 .mp4 86.67M
! k4 @7 p) a" C. g& P| | ├──16-GBDT多分类举例详解 .mp4 91.71M* c, ~$ q' \( h. c7 j+ p
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M, {# o7 z& r: s2 q& {% c, A% D
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
2 p3 Y0 j' z5 k7 M) t3 _| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M9 {7 a' d( V* Y- b
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M& R+ a( l% F: ?" i6 w+ M- x# G k
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
/ c6 p& F0 a4 R2 L3 ~/ E4 S) ^1 k| | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算 .mp4 71.74M* W2 J3 b0 K1 c1 n7 l
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M$ X, A) ?/ Q0 h. O' R( H9 ~
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M* N/ A4 E, @) H: U" f. W
| | ├──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
! N- F# \* s4 D6 E+ i2 L2 _4 J| | ├──4-GBDT应用于回归问题 .mp4 84.66M
* n* S- \" O z* R& E| | ├──5-GBDT回归举例_总结 .mp4 108.52M, K) c Q, i7 D7 l/ |/ [* v
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M `6 e3 |2 g/ N) B
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M/ J/ F0 P4 |( t9 h: L, B) |
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
' c+ T, Y3 h$ p2 X| | └──9-GBDT应用于多分类任务 .mp4 73.34M
( y' v$ r! S; }) {/ v| └──4--XGBoost 3 B/ s8 e- o" o" G' j! ?
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M% u4 A7 v n z3 Y
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M- R) ?( j1 K) a3 r% c+ K
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
$ f0 c3 K1 B" G$ @| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
) o/ K" ?/ n# O; d0 p A$ C9 Y5 O| | ├──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 A. M- D; F$ S" K% o2 @
| | ├──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
% x4 `/ v7 {4 T" I* j. s3 R| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M) Q# ]" W: f H% Y3 |. s4 h! B
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M! A& ~& U; h$ G @ c
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
7 Z2 {& G" u+ E( z5 r* |" P) m| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
$ i) F- e/ V. B4 |/ O9 A| | ├──3-基于树集成学习4个优点 .mp4 91.36M
j8 N m- x+ H* I" M| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M! f0 I2 \8 M" H' d
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
0 r! j2 a/ V+ c2 [| | ├──6-Objective_vs_Heuristic .mp4 60.42M
1 C# J* C( |% b0 k r| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
+ P* {' ^( n4 Y8 X% w| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
' I$ ]- }. m+ I9 w1 F| | └──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
u. W3 g: n. Z C% w' ?# m) U├──9--机器学习-概率图模型 3 m, _' t$ c; p1 M* x
| ├──1--贝叶斯分类
! s3 F: V$ m* F| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
) N5 ~$ u2 ^. E) _; `, t| | ├──2-TF-IDF .mp4 53.08M
Q$ l7 f) ~) V0 \| | ├──3-NB代码实现解析 .mp4 126.73M5 i; m9 O' O% b! n
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M7 n! e; q$ M! {
| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M0 n: N" G- E! _
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M$ y8 l6 I5 Q& p Q1 [/ B
| ├──2--HMM算法
( E2 L | e/ o9 d" Y) F. W: _: {| | ├──1-HMM隐马的定义 .mp4 36.82M+ C( o- u- |$ u4 z9 n
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M2 I1 n/ n+ y2 X" V$ Q) k6 Y# n
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
2 h, ?0 L( _! B ~4 @: [9 o( O| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M) h( J/ Q; U: G; v! a- H
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M) o! s/ I) k- Q% m. @/ g
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M+ I! C' c2 ~3 T, ]8 B% P, q( N
| | ├──7-Viterbi算法案例详解 .mp4 107.12M( j2 g6 B( [4 q
| | └──8-Viterbi算法代码实现 .mp4 42.43M8 |4 s! L" U0 s- ~) n
| └──3--CRF算法 8 ~7 B3 X$ D& L3 Z5 B, S, W; a
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M9 R& |% K# w7 Y, m; {
| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
' [! S. C; P# N+ ?; L| | ├──3-了解CRF层添加的好处 .mp4 105.90M
5 [# b' ?, V& F; [9 W" D| | ├──4-EmissionScore_TransitionScore .mp4 61.33M& T6 x P$ z2 f1 D/ R
| | ├──5-CRF的目标函数 .mp4 23.74M6 H6 P7 V, Z% S4 Z! k* |/ S
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M. c- U6 j7 H' ]0 u
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
E I1 R w" \; ~6 n" z| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
5 x, w/ L# H f& U└──课件.zip 2.54kb1 }6 r6 g" `! u& {+ }2 ?
3 B9 r2 v. u6 h& C; R0 `! F
( @, F# @4 Y1 b8 W; }# S6 Q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！
* T1 n: p8 T) _% v: A6 t! c; h" Y
% g- ~5 X" j7 `* l
|
/1 
