战-人工智能2022/3 O, ^$ X( |( ], F! y
├──1--人工智能基础-快速入门 " ~9 j* A! O$ H& S: h
| ├──1--人工智能就业、薪资、各行业应用
9 ?/ ]+ d; }/ w: {| | ├──1-人工智能就业前景与薪资 .mp4 52.07M3 ?- ]9 `8 V& O. U
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M! m" i( g) m1 l3 _1 w1 t. p
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M$ a6 A4 ]1 M) C' R" q5 I
| | └──4-人工智能在各领域的应用 .mp4 57.73M
6 a. t8 r% y& {) Z4 g/ z| └──2--机器学习和深度学习、有监督和无监督 ! @( T% q8 I% C8 C( G& ~3 h8 c
| | ├──1-人工智能常见流程 .mp4 89.62M
. f% p- l( ?0 \1 h) v5 X| | ├──2-机器学习不同的学习方式 .mp4 83.51M
1 L# A D& ` `: k7 p: r| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M; r% e; H* ]+ o o9 ]% L' C
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
7 Q" o) I& _+ d! y* h: d! A| | └──5-无监督机器学习任务与本质 .mp4 50.15M+ F' B# k0 g) P& Q
├──10--机器学习与大数据-Kaggle竞赛实战 ) ?* N5 ]8 l/ {5 f1 r4 w' u
| ├──1--药店销量预测案例 " T4 s& B( ^% M
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M$ w! P: N R' q/ \9 S1 j/ O
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M; H# z. ^+ q: E+ h j2 }
| | ├──3-自定义损失函数 .mp4 21.12M
* l5 Y' z- ?) [% l1 K/ I+ O| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M) j% }* N4 G: {# n/ c2 J
| | ├──5-数据的预处理 .mp4 111.81M
* Q9 L1 h O% t+ w1 l7 c" s| | ├──6-模型的训练_评估 .mp4 66.64M
& s" G; r1 Y; w| | └──7-kaggle竞赛网站学习 .mp4 172.16M* ]: Q. B; @( f9 O3 c- f
| └──2--网页分类案例 8 v" O2 s, W$ }2 R* f) z
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
: H% t9 S+ r% }& e' || | ├──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( H) ~7 u6 L) q
| | ├──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
: P; t! H6 O2 _. ], S) \| | ├──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) ~- U: \3 h7 R+ E' D9 E, ?
| | ├──2-评估指标ROC和AUC .mp4 56.19M7 R: D0 R/ D B& W, z; a
| | ├──3-评估指标ROC和AUC .mp4 49.03M
; M0 i6 Y8 e. S* b+ s* \| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M, g# B- K( t: }( Z# O7 C
| | ├──5-数据导入 .mp4 68.41M
- H) ]$ j' f% `6 D! t+ @: T; F/ y| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
8 g/ m+ B; U: J" ~! a K* q| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M: w% e4 U4 P, _5 w& B
| | ├──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
/ j! w3 R& } X% |5 g| | └──9-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01 .mp4 87.47M
- h, L8 k. F' L" b [' r├──11--机器学习与大数据-海量数据挖掘工具 1 T b- n& S: {% ]7 n4 t* U" s
| ├──1--Spark计算框架基础 & }+ R3 R1 v% Y0 B$ \
| | ├──1-Spark特性_01 .mp4 41.68M; g7 T5 i1 Y* z6 g
| | ├──10-分布式计算所需进程 .mp4 26.30M& @! V; e& R4 {. U# G
| | ├──11-两种算子操作本质区别 .mp4 56.31M( D$ P/ x6 X- x
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
* M r$ Q) `+ g/ z2 D- j' {| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
; ~- H6 j8 F. Z# M4 ]5 z9 P5 L| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
: E; S: m: w5 d! m; g8 [: m| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
/ F5 {) J6 P/ h. @! L- M) _| | ├──2-Spark特性_02 .mp4 35.15M$ {) [& o T) \' H7 ~( ^; |
| | ├──3-Spark对比hadoop优势 .mp4 19.34M
3 o6 R2 X) K$ n+ \| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M7 m3 }" c1 v! n8 Y' Q! |
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M/ R& J4 Y6 u9 ?5 n3 c
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M" `9 I2 s7 {- z( i) q6 h* X
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
) S1 ~: f$ Y/ o" C$ S4 c2 V| | ├──8-Spark的RDD特性_01 .mp4 33.08M3 c* J# P) D7 t0 G% q
| | └──9-Spark的RDD特性_02 .mp4 33.41M' S; Q z/ d; D: _. i! U$ m) i; ^3 v
| ├──2--Spark计算框架深入 1 m5 F7 U* @' P
| | ├──1-Spark数据缓存机制 .mp4 54.43M
$ ^5 N0 L5 X( L$ r, `| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M8 R' h' l% Q' k
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M- E% e0 p* t0 _+ M% F
| | ├──12-构建LabeledPoint .mp4 111.08M6 |" m: s& X# Q9 w& e% w8 x4 F' N
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M' s: v7 _/ {1 F1 p- K; m
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
7 s5 q% V& N' o( l6 \| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
. @( e1 i+ K" Z9 \) c| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
+ \4 ~; |. d1 h* z5 S+ }( r| | ├──5-Spark术语总结 .mp4 89.66M
( k7 V: z, v0 s* E4 ^+ f) ~ L( K| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
( S @0 K, F/ {0 }% L* W| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M' b m0 b4 h( b
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
, q- b1 Q. Y: D7 r| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
! |2 s$ L# `: S| └──3--Spark机器学习MLlib和ML模块 5 M7 l, d: ~1 G' F& M. g$ ]
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M5 r" a7 p6 h, u2 H9 ?0 s) y
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M5 P; E& Z0 T: y0 ]; V. _8 N
| | ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4 89.72M2 v) p% I4 U+ u7 d- z% j. q
| | ├──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
# h% N3 z# _! w( \ a: X. Z| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M1 O: P! l1 A. R1 ?
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M- e8 N1 U& k( f; \
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
! f+ |' \& x1 q0 |% ` Y- {| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M) u3 b& M, h% J' D9 i
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M3 F, A' B+ Q: c) ]3 g
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M p3 j0 u1 W8 a9 a8 n' r" c
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M( j, V/ v" V9 q; D. l/ q
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M( |/ V M8 Y' Z
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
o5 b0 d- K- m/ S| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
& B* w0 _. }5 y8 W0 `; k( [$ G| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M. g) b: T( x9 j! b8 }# Z) S* y9 r
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M1 j( Y. r" o- n, Z
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
0 a" j' ~+ H9 ?( `8 ]9 || | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M' w4 o0 ^ A9 |% N) n3 L
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M+ I) B- }% p9 a! O
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
% p) ?2 q \. y$ }- P9 U+ \* \| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
# I! E1 A1 t& S# _& R3 R| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
# y' Y) E& o7 K; i| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
& e7 L. E' E- ]2 g' K% O0 _# ]| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M. M( k, i9 c7 ~/ k7 M5 ~" b
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M. X9 t( z8 Z0 @
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
5 g9 n2 a% j1 ?├──12--机器学习与大数据-推荐系统项目实战
8 B+ [$ _# O+ [ R3 d| ├──1--推荐系统--流程与架构
6 ?* b/ B, l" z9 t) G3 O| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M5 W: t( [' H2 f) v5 c) M( m6 y 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
2 \7 O) N% {9 G2 t| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M% X: j& F" e5 R
| | ├──12-推荐系统_数据源_1 .mp4 79.07M% u4 H9 s. @5 J' U u
| | ├──13-推荐系统_数据源_2 .mp4 82.90M
& {+ q1 `2 u0 f/ E# z| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M4 ]$ j0 [. f0 Q& X( Z( y8 ^4 ^
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M9 o& N) |3 ]8 K( ?
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M4 h5 b2 S9 e) b( `7 c
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M; ~+ g; { A+ y7 _
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M1 ^ N7 @1 n- L% l6 g1 c
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
' _ \' s9 T2 W| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M( I, r6 Q T0 R* h# ~
| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M
Z. {% C9 s/ Y( N$ W: i( k| ├──2--推荐系统--数据预处理和模型构建评估实战 4 |1 L. ~; W& h/ Z2 J0 S6 j
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
& g* r! C$ K2 ~| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M" g8 c( }8 \( i
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
$ Q3 a) z/ u8 |5 e) G| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M5 d" ]# N! ~' H- f, `
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
! Z+ y, c5 l$ t9 C| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
% i" e, Z8 [2 _% p! c/ z: Z m| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
' X5 z ^% ^8 ?0 H2 h6 ]+ r| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M% f) U: S+ c: ?: J) P/ Q
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
1 h( ]2 \0 R' E- A6 T1 D) A9 e* a. n| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
; t% @5 {0 d% y6 P1 F8 X| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M+ u! _/ a# ^$ N1 a6 I% e
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M# ^, ^( M) t6 O# q# y! {
| └──3--推荐系统--模型使用和推荐服务 ( |% Z; [. a4 t, K3 H
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
4 S% j s) f1 n( e8 E| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M) O# d3 u0 a# k; s4 ]! K$ v
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M. N5 l. {; j3 S2 J8 r p6 O
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
: }6 W0 H4 I: H- e$ `# P| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
. ~( y0 _( _; x: A! o' L# n1 N| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M0 J# q# e+ u0 p5 `, j7 X
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
. s/ Z$ {; i# M| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
8 B v0 e2 E3 L3 S" G% }" I| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M3 B/ m: R7 v6 b5 a1 T- z8 a7 Q
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
* ~9 ~) ]# N2 K4 {8 ~| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M, ^. c& ^# `8 h& t2 q. B( Z
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
+ n* Q7 r7 J( k1 p/ { |* E├──13--深度学习-原理和进阶 o0 ~7 ~0 ^7 s2 O' b$ B
| ├──1--神经网络算法 # h; {4 {) S0 r/ f; }. 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 94.41M
k& P2 p9 v; \, w- L r| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
# {0 N; U8 [5 D2 x| | ├──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& U# A/ u( E. E
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
$ K4 B; z' y1 @" E0 C| | ├──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- W; u# e D4 Z
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M6 f2 t' S# t+ I, {( i' J( {7 n. O
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M+ H6 Z1 U. P( k9 K3 e/ ?3 v1 P
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
5 R& ~' r7 A( K| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
: d& k/ C- |- H ]| ├──2--TensorFlow深度学习工具 # ?# j. _2 a& O: W
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M/ C( m/ m+ e) ?3 ^2 L: ?
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
+ V/ Z9 |' r* f& C" {0 d7 f' l| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M1 d; t- z' v6 ?& K% b0 J1 B$ ~
| | ├──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
' O5 N/ z% f8 w; ]5 E& w$ A+ N| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
* ~3 |9 {# d1 n0 S8 f8 Q- w# [| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
' r- Y, s- b( e. v6 K| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M b1 G+ I$ }8 t& I$ {: X
| └──3--反向传播推导_Python代码实现神经网络 ; O Q3 ?6 J# l- {, ]+ Y
| | ├──1-反向传播_链式求导法则 .mp4 86.47M# w( w8 d9 F8 {
| | ├──2-反向传播推导(一) .mp4 127.90M7 @1 ^/ X9 v" z# G
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
" \+ n \6 x' [/ U) ?5 Y| | ├──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 81.20M1 j; ~8 \4 b1 B% L1 n; {
| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M6 ?4 V+ D3 `0 S( T4 ]! N3 {) q
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M v# c( ]( ?0 j* p G# E
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M: q2 x5 u6 l: I& S# B4 W3 E. {% Y
├──14--深度学习-图像识别原理 - ~/ ~1 m1 a: P3 g, i
| ├──1--卷积神经网络原理 & P8 ]5 Y5 R' k( v1 ]
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
! v" W9 w: O Z* |3 }/ l) M p {2 [! b| | ├──2-单通道卷积的计算 .mp4 104.01M" o8 Q# n8 `; d* o
| | ├──3-彩色图片卷积的计算 .mp4 52.79M3 M, L; W; B7 M" `( f R$ ?% r
| | ├──4-卷积层权值共享 .mp4 63.93M
z" | j4 _1 |! V$ R0 ]/ a| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
: A2 V0 ^! _# {& G r( O| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M0 K* ~* q7 J3 x3 `" N& d# ?
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M0 V3 h+ f* e( L, y! s# \
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
% y0 f1 I; {& R; j| ├──2--卷积神经网络优化 $ s' Y0 m5 G/ h( r; I! h
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M0 f) J0 e8 L- K, L/ W) r
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M' C/ O' Y ?1 Q8 Z6 y, }9 j
| | ├──11-Optimizer_Adam .mp4 141.12M
/ {- `. V4 D* m1 K7 M% d| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
4 j1 ^! R2 h& O; P| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M$ w E: `- b- M% N: m# T
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M7 C. J9 [3 A# g0 {1 I
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
8 Z" \! k9 t. F8 F- }5 @| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
" y/ {! S& F# ]9 Q! a l+ Q| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M- A3 D! u6 s3 \& y+ J) r
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
/ ?$ _% |; m* o8 S5 _" o% O/ l( a| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
& f/ u% q3 M& h0 x& A& J| ├──3--经典卷积网络算法
- }" w" H1 h( m t. r| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M7 }, i1 W) X3 E0 Z, J
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
& C" ?! j; U& {8 Y0 u1 n- T| | ├──3-InceptionV1_V2 .mp4 165.86M
: C$ R* B1 _$ _ I( u3 s9 `: X| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
7 f! {0 ?- p& |) L& d| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M1 R4 J$ s9 n5 N6 z# o$ M
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
. c* G% j( H0 B" ]0 w% t| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M, @) Q0 W, `0 X! S: \6 J, |5 u y# s X
| | ├──8-BatchNormalization .mp4 99.23M( b, K4 t9 l% y7 Y5 ^1 ~( Q
| | └──9-Mobilenet网络架构 .mp4 150.05M/ k& M4 u3 a+ Z! x9 h; ~* z; T! e
| ├──4--古典目标检测 % M% x+ t8 S% z: r# ]
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
1 u0 \. S8 Q; I) h) J6 X8 V| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
/ J8 C# E+ P. m# {| | ├──3-IOU以及python计算的代码 .mp4 23.56M2 F' M3 Y; e: w/ s7 j8 ~# P
| | ├──4-R-CNN和SPP-net .mp4 124.06M3 y( L/ K% e0 ^' {
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
+ I: }" {8 z \ d8 q| └──5--现代目标检测之FasterRCNN 3 s: _6 U5 O7 S8 |* O T! a# l
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M, w( b" {: _& L; ~3 v4 i
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M$ a4 K+ ~! q3 S' I
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M5 L/ V# ` X0 @ v, x( a
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
5 e, d5 [) p8 ]/ V8 j9 b+ b, ]6 || | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
7 j/ ]9 x u& v3 D) J- L├──15--深度学习-图像识别项目实战 9 f/ x( q: K2 F7 j2 F
| ├──1--车牌识别
+ b% S; N; A8 ~* N6 V| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M5 y& N% M4 S/ T% R
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M2 ]1 Q4 U% T6 F9 b* ~) d6 j
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
. W# l% y! l, q) f( K, o| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M( c3 c, C* f: T6 X% S: U4 u* B
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
3 I/ ]+ e3 w; P) } _| ├──2--自然场景下的目标检测及源码分析
4 c+ h, I k( O/ ?7 [$ k5 x7 e| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M3 A* m6 V( F4 w% n m1 {9 g
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M& j) E' O$ Z# k! [; N$ K1 q# d W F
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
7 ]* o0 R: {1 D0 H. A" J| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
5 _2 ]* {7 W4 z+ ~; A| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M* [9 n/ g: M0 C) U( P. W* }6 z; S1 }0 Q
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M: n% _% O) B7 B e
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M1 A4 E) h/ Z6 i1 h2 C1 g
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
/ _' ?& W; e7 { E: X: o| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M+ i6 _$ U0 k+ u8 V; R; {# \4 f/ s
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
, j( t5 X8 } f3 n! C% M| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
9 W4 K s6 i, v9 l9 k4 z( h| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
6 n: L7 Z. o2 H$ o| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M( i) ], C9 I0 \8 _8 G! F# M
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
' ^- }- }8 [4 |3 L$ ]| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M. v4 Y3 t6 U3 s) A$ e7 q
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
9 X9 o0 M$ b* q/ f2 z! x| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M* m7 x9 L2 [1 S# o& P( a# `
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
8 I" r# u6 b. P0 D! L7 v: F9 ]$ B| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M4 J, J. k3 S: Q& t
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
# ^4 W+ ^7 u; ]4 m& `3 F8 D| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
+ s! l! C$ G0 ~2 p/ U i- I6 \| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
; Y: C* K" s2 X1 p& f3 || | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
3 E6 q: H8 A$ k| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
5 ^0 _3 @ y1 v/ G3 F/ G( ]5 a| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
/ F8 U! V7 q. j8 F! L| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
1 T) e' ]" p7 T. \! ?/ d) S| └──3--图像风格迁移
# w& ~4 l% E$ S3 O4 S* _| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M0 D6 w$ }1 Z& Q4 c
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
7 @0 R2 d! R7 _0 k7 l& u| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
# v1 r, F" C" ?7 l6 x& ?) m| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M* |: ?( }% j+ n/ k: e9 z
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
+ p7 d9 `4 n6 X| ├──1--YOLOv1详解 L! l, b! V) z) \3 l
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
4 h3 s) ^) _: O% L; Z* k| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M( q3 x8 I. h2 z# w3 a
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M0 p8 N5 `2 m7 t. ^
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
2 C' {8 w" r3 x; y& K$ B- X% A| ├──2--YOLOv2详解
4 x0 m0 x, S, z2 \| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M* n4 g8 N& ]+ M
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
: ~0 g; f, y' M) a) h; U9 a| | ├──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
8 L4 b8 G* C X| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
; F* h' e# w T7 E/ W| ├──3--YOLOv3详解 6 b4 N# B) q9 u) A
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M* o7 z) Z/ c* }2 W4 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+ d# K# d4 d \/ J! I5 t. Z
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
' Q. O8 y4 a8 o3 i: c9 x| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M8 ^" b. @' ?" O7 u. V0 Q. ^' c: X
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
9 i, `$ ?, S' N: `| ├──4--YOLOv3代码实战 3 k$ w0 e+ T n) E# Z2 Z
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M( O4 i9 o* j% E0 c0 ]3 m& [5 ~# ~
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M- Y2 D2 b7 N p( n2 H
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M* h" v0 e W. Z0 k
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
% }! Q0 s; E0 ]+ |; P% @- V| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
' s4 e! ~; i- B, k5 l \# i| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M `7 `' ]6 U, ]5 Q* d5 w
| └──5--YOLOv4详解 $ c' a6 R4 C+ [, T$ j5 I8 g
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
- t- _; M0 E; M, e: y1 U| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
+ `6 B! n0 G7 W/ p/ i" M) D b) E, R| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M! y$ C x) r; Y) }6 x1 k5 E9 u
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
6 u8 z8 ]' T9 \# q; {├──17--深度学习-语义分割原理和实战
5 I! B) [3 A% ]* ~" `& K1 t9 i| ├──1--上采样_双线性插值_转置卷积 2 S G# f# t, S: T) O* A" Z
| | ├──1-前言 .mp4 19.46M
/ r8 F# q" O! s T| | ├──2-上采样_repeat .mp4 23.90M- H4 {& d, w2 L" R+ r* A, p8 t( v
| | ├──3-线性插值 .mp4 34.48M( x: a6 e' t* B' E
| | ├──4-双线性插值 .mp4 125.71M
9 ^. k) D* ]4 ?9 ~1 i! I7 U| | ├──5-转置卷积_以及TF的API .mp4 114.25M
: t" S( L; i+ X# T' E1 W: ]| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M, G4 r9 ~. w9 d$ S# q& Y/ W) C
| | ├──7-ROI Align .mp4 58.38M$ j4 ^) h3 z& l+ Y
| | ├──8-FPN思想与网络结构 .mp4 92.14M
! d6 ^' e4 U5 q0 I* i7 y| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
+ Z5 I) A7 M* D* `6 P- E| ├──2--医疗图像UNet语义分割 5 a* G0 j3 U. v; B* d* N
| | ├──1-语义分割的基本概念 .mp4 18.33M
3 n" q( o9 N+ z| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
/ d) i$ m8 }) p2 Y0 [9 E| | ├──3-UNet网络结构 .mp4 30.41M$ D: V7 _: T8 H) q
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
) o! }6 B0 z& Z| └──3--蒙版弹幕MaskRCNN语义分割
/ I1 {; A5 @, S" o2 e# p/ I% r| | ├──1-MaskRCNN网络结构 .mp4 106.38M( W3 h: H3 f' s: H$ Q* e6 Y- u9 J
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M# k8 V* p1 h; R& d0 p) F) E x: p
| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M! g6 s! s% s7 S6 e9 ~) ]
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M8 Z1 N5 `# D& U
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M$ k T: x* ^+ O7 t3 z- k
| | └──6-MaskRCNN源码config和model .mp4 244.48M
/ h; {( [$ \6 D, O D$ V# B├──18--深度学习-人脸识别项目实战 3 d# Y* h+ Q [
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
3 P# b+ C; A1 y$ u( z| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
& V; R t& Z; e B8 m4 ~8 N9 P5 W# X| ├──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
% m! c3 b# l2 [, |5 R0 T9 k| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M- K' Y( V" T9 L4 [8 k* S4 d
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M- t1 _! k3 s: C$ q9 h( H* `
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
4 t x3 X) Y0 K, M% x| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M/ E$ u" y* y1 i4 G9 d/ `, v+ `/ H
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
3 v" p4 H/ @! ^7 K$ Y! V| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M% w; K/ E4 P. Q9 H" d7 Q
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M6 ]) F. U+ g: H7 _2 {! ]3 z2 Y
| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M4 U" O8 K/ I6 E& j, t5 o
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M, ]& T' r6 M+ J# C
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
; b* z( S I. v! ~| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M: ` h$ q s! }0 E9 r4 \" j5 k0 R
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M9 T- U; I' W- t
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
. a, v3 q% L' P5 P- ?7 E| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M2 G- ~5 C9 O2 [% w! S2 b
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
$ X+ O3 M* o% c: a# @| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
9 d+ r4 O- P ?+ ~├──19--深度学习-NLP自然语言处理原理和进阶
& x- Q" i& @. v& f7 H| ├──1--词向量与词嵌入 1 \( q' z2 Y) q( r# H
| | ├──1-N-gram语言模型 .mp4 116.32M
1 i" r' T1 j3 _( }$ b| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
+ D% y6 `' ?7 a; R- |1 T| | ├──3-词向量的作用 .mp4 58.00M
8 J( k6 y$ F9 W9 Q; P1 {3 g| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
$ n% l8 i) L# _8 S| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
, @* W3 ~6 r6 y5 E| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M5 i6 s) J8 j R: r) V3 M, ^1 N
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
1 K3 f ~/ H9 c# K6 D2 J| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
: R p5 E9 m$ q+ _| ├──2--循环神经网络原理与优化
# C8 v; N" c; F; b* ^- @/ j& _" n2 F| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
/ Y1 s" t$ ] i9 M1 N| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
9 t6 h; p, t% j3 Q! F| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
2 Y3 D! o9 l3 `| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M- ?+ ~$ K6 D* Y
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M2 e% x0 M* Z5 G- ?# ]4 C3 S
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M
6 [9 {+ s+ A1 L# U4 D' ~| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
3 F) \0 p9 N+ x! b' k6 `| | ├──8-双向RNN_LSTM .mp4 52.01M2 a9 j& @" s Z/ v
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
- @8 n6 R0 U- w8 m( i; w| ├──3--从Attention机制到Transformer " I" X% ]% t4 m: m, ^
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
6 o! C+ ^/ ~% C& O) I* I y! E| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M4 a" s p0 L& K2 F W
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M2 u- z6 K0 e, Q+ x6 Q
| └──4--ELMO_BERT_GPT - c, N$ f% W9 U# \# C
| | ├──1-ELMO .mp4 62.44M
: @ E8 e! d z$ W2 V3 I| | ├──2-BERT理论 .mp4 99.73M
$ `- X2 ~; H# J6 d| | └──3-ERNIE_GPT .mp4 56.34M
8 ~, m" f+ E/ o& K├──2--人工智能基础-Python基础 & d. d& n" M" s4 [' f& ~ [
| ├──1--Python开发环境搭建 , V8 O( k5 O: ^* Y8 o
| | ├──1-下载Miniconda运行环境 .mp4 100.75M" m$ I) O x3 D1 p/ p( I
| | ├──2-Miniconda安装和测试 .mp4 57.12M
6 V8 Z* _9 O& e, R| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
3 Z8 u" ^* k8 c8 x! Z" N9 `| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
" @8 S4 L7 u. Q+ i, V& O| | ├──5-Jupyter常用快捷键 .mp4 32.23M% H& _/ z% W# P: _3 X- c6 _3 O
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M8 y4 _) X7 D6 H. n# h O
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
& ]* Y" E# y6 z$ B6 g3 P( E| └──2--Python基础语法 8 X+ |3 J' {. C: N, H' A$ T2 c
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
/ ^2 ` @. c+ E- w& Z+ c| | ├──10-Python_集合操作_列表 .mp4 34.71M# a/ N( u+ \/ ^5 [& ]
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
& G2 z U3 e& W. g$ i" n| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
2 ^' T+ j5 u: g: }+ X7 ?| | ├──13-Python_集合操作_元组 .mp4 43.46M! L. E; n8 Y/ ]6 z- f) h, D
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
# j& e6 l$ l2 I9 F& H1 c' H| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
5 p& v( |0 s% \( O- Y# || | ├──16-Python_os模块_shutil模块 .mp4 51.54M; D2 v! D r/ Y) N, t6 x
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M Q: |9 X! B, P0 o3 Q
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M0 _" F7 K! Q( q
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M; E d5 |4 P* s' R
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M" v( e9 `; L. P: I% t' o
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M# S" P" w$ U* v
| | ├──21-Python_函数_递归 .mp4 23.46M
$ R. I8 P- `: a| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
+ p1 h. J% ~) c# [! g/ S) c# }| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M# K8 @ f) T: A1 E, j0 S1 ^
| | ├──24-Python_函数_闭包 .mp4 41.61M
& ~3 M7 `/ Y+ V( `| | ├──25-Python_函数_装饰器 .mp4 30.35M
4 w9 J" p) D3 C0 c7 J5 y; Q/ ?% W| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
. N6 A1 l* G$ D. H; l| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
! a9 e5 w' ]: D' i0 t1 D# k| | ├──28-Python_类对象_内置方法 .mp4 29.17M
% d" s& X1 Y C| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
- p/ B$ r' |5 Q' Z9 l| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
# {& i/ o( R( k* y| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
3 S0 _& Z; w$ D' \| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
( ~% _- h" H+ i9 Y3 s| | ├──4-Python_控制语句_while循环 .mp4 25.02M$ F1 w7 e; p; Y8 _! j- s
| | ├──5-Python_控制语句_for循环 .mp4 22.82M
% Q1 o7 P: b+ ~0 o) b* R| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M) \( B3 }5 E/ ~# M
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
' Y8 p' r8 R/ G$ @* O1 k| | ├──8-Python_切片操作 .mp4 40.20M
! X9 ^: k' j3 b/ m' ?) j| | └──9-Python_数据类型 .mp4 25.38M. L1 T! U7 M1 |( M: @3 q
├──20--深度学习-NLP自然语言处理项目实战
4 k* T+ {# E" p" M0 W4 n+ L4 u& M| ├──1--词向量 , Z4 I4 j4 G4 z- }
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M
' G9 Z6 |7 D+ n& s8 ?| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M! [+ S8 ~5 V k: E/ D
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M" z& N3 o% Z8 G( i: A) S
| | ├──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
4 y+ M% w2 Y6 z1 E0 o2 [| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M# _ d5 N2 {8 c7 f9 E
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M K' G5 i/ s! N G7 }
| ├──2--自然语言处理--情感分析
( o, ~7 j9 ^' [" E& Q7 O: R| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M/ _3 D# B0 S! @0 R2 y- C, y
| | ├──2-数据预处理_01 .mp4 79.65M5 Y% x* _+ h- C2 R2 x" m
| | ├──3-数据预处理_02 .mp4 45.68M
, z: w8 b" L, s4 K* s| | ├──4-代码讲解_01 .mp4 52.29M
: Q, S5 v, V5 E' B9 J+ ^2 m| | ├──5-代码讲解_02 .mp4 60.85M3 w' y( ?" n% ^# @" ^
| | ├──6-代码讲解_03 .mp4 53.89M
4 \, r" D# h& ?' V) X$ u| | ├──7-代码讲解_04 .mp4 57.19M4 p! a% e' P' K7 G8 A- A
| | └──8-代码讲解_05 .mp4 35.88M
0 J9 A- C7 ?8 z* l| ├──3--AI写唐诗 - ^+ g' G4 S C0 G5 i( O
| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
, }3 i( @+ _5 n$ S/ V3 {| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
0 f0 H7 ?; k- {# s| | ├──3-MultiRNNCell单元 .mp4 38.93M1 b, Y) X$ L- Q3 D
| | ├──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
?/ K% r9 d# K% x7 R0 g8 y5 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
2 q( ^. O% [+ c# R J| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M: |; h6 N7 }9 f' G" ?
| ├──4--Seq2Seq聊天机器人 . ~- \: H8 n) E [' y7 K/ U
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M h$ _6 J/ X4 ]$ M; N# y
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M' R( Y' U& Y9 \/ P, R: d
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
# ^ `& D$ {8 [6 l3 c! A| ├──5--实战NER命名实体识别项目
5 Z+ h4 ?) t5 R/ J0 n+ p$ l0 i| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M* s+ Y$ y' j7 F: |& I; X3 m
| | ├──2-介绍了代码目录结构 .mp4 23.44M
" i2 E/ L) o R9 S| | ├──3-NER代码读取数据和预处理 .mp4 97.61M- T0 _7 L) b( D; k7 b
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M) y9 m1 T3 S* q
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M6 q B8 u% h. q+ F" T1 p
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M, h0 ` v. e6 F2 \* A
| | ├──7-CRF中的特征函数们 .mp4 125.97M
4 m. H* c( c+ E/ K- k3 D| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
$ T; x7 V- M- h" K) @# Y| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M- U7 Q1 F8 `1 n( h6 v
| ├──6--BERT新浪新闻10分类项目
1 j& v7 b5 z" M: V H1 C" A| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
* o8 B7 `/ c- W" x7 R| └──7--GPT2聊天机器人 ) b9 a* H( M! J* a" ]3 `7 A
| | └──1-GPT2闲聊机器人 .mp4 62.28M
' D8 D e) C( d; G0 }- k! E4 l& H! a# H├──21--深度学习-OCR文本识别 * n# w5 M+ [. ]) t( g3 o' M
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M0 {. @( e$ `$ v' ^! Q1 K- N
| ├──10-CRNN项目代码剖析 .mp4 306.48M
' j; Y4 r2 s1 P1 W7 E i( x0 A1 Q6 ^| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M# w( [4 ^; k" o3 b8 L
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
. O; f( B5 s/ {7 N| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M9 n" u$ \% ~( N, Z( J
| ├──5-CTC损失函数的理解 .mp4 330.64M
0 S- h% T" ^' ? i. l| ├──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' x; p t* z/ k1 E! S* W' i
| ├──7-CTC前向后向算法代码 .mp4 225.41M
+ R$ R, g R1 ~, {# p3 P* P8 K| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M5 [3 _7 D/ ^. b7 x
| └──9-CPTN项目代码剖析 .mp4 491.69M
, V( i K* o# q( a2 L* x- ]├──24--【加课】Pytorch项目实战 / V( ?9 w1 n" Z ^/ n: H! |( i. u2 I
| ├──1--PyTorch运行环境安装_运行环境测试 0 i6 k# x) K5 ?, [' V
| | ├──1-PyTorch概述 .mp4 29.29M7 u" L; ~& u2 [5 W" h6 c
| | ├──2-PyTorch的安装 .mp4 76.45M
# j. `, K& L, m2 l. G; g% P| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
{! W. @7 w h4 j1 L" H1 ~| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
1 h' T8 D# S9 \+ y( @| ├──2--PyTorch基础_Tensor张量运算 ! r2 H' o4 s' u9 l0 n d
| | ├──1-Tensor的创建 .mp4 55.14M
* f4 F# }8 A& p& {$ z: D H| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
1 c9 x$ {( d- h6 r| | ├──3-广播机制_逐元素操作 .mp4 44.46M
' ^/ _/ T" A; w; I| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
+ X* A& I y' [| ├──3--PyTorch卷积神经网络_实战CIFAR10 ; C _( u E6 B8 d# W) x# T
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
+ _, |- m5 {% n| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M) M( q" i1 @& G' i
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
. | o7 X; }6 W ^- U| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M V' |, ~$ Q% O
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M! _6 _ `# g$ n6 R
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M& @# o- [- X# v, a# t
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
( P# t% X0 X5 p/ V| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M2 o+ L1 j9 e* r7 L1 z" p! O& j
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M& t: s/ G6 `3 h U% v
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M6 ^3 h4 O x. _
| ├──4--PyTorch循环神经网络_词性标注 6 |5 Z5 o$ {+ C" ^
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M! ]2 e7 j1 h! d7 }/ b7 x$ }
| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
% c& }8 g* [8 U# w- M0 f- d) f| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
9 P6 @* \6 k+ F: N" r5 T, _| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M; P' t; R# [+ c4 b5 a; x
| └──5--PyTorch编码器解码器_机器翻译
+ s5 a6 D5 w7 y- @" J* b+ u| | ├──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
/ N9 u8 _. L: h, ?+ x' |+ P| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
$ Q& n+ f5 _8 _; o4 u7 g# O2 ^| | ├──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* J, X3 W: X6 D/ A9 n
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
7 i9 r$ ]2 T) h! W, P| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
) Y. }/ g! F% s1 q| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M9 L+ n. x# f0 F7 h7 k
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
' i: e8 V- ^, U* q0 L/ V| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M- N% y% D% u0 D
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 6 Q$ @9 D7 Q7 a8 F: }9 {* n* E
| ├──1--PaddlePaddle框架安装_波士顿房价预测
$ C; N4 |5 f1 i5 R" J* x* L| | ├──1-安装PaddlePaddle .mp4 87.34M
1 L9 t; M( ?1 T; H, a: T& z| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M1 K# Q/ b# d) d6 r8 U) q% @
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M6 ?/ H m; J+ w! c/ x) w' n, A
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
' M# p- N$ r; Z( h| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M( W+ F- N! I3 N1 H% _5 `
| ├──2--PaddlePaddle卷积网络_病理性近视识别
4 Y# o4 d4 {0 R+ ^8 m4 Z3 y. p| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M; {8 i# J0 l+ J+ l2 z
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M+ v% |0 t: a# R3 f
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M( ^$ h) s8 t( t/ a3 ~9 v
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M6 N. v% t5 w" E; H, r9 ?/ R8 W
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 3 F: m& {- W% G) N
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M5 }) c! K" y) S( R
| | ├──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 _9 z4 I1 k8 f! H' R# x
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M' @* k3 a1 i3 Z9 g5 F
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M5 T% Q6 `# G+ j
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M! @# k3 T8 ?1 ~5 s! T
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
, S" O- \8 Z2 d% z7 p| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
! ~* v) I7 d0 {# k| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) 3 ?% C! H# A. b: B% g2 b7 `. q( j
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
. Y4 f H2 b* l. Q, U Z. i2 ?| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M! T# M/ V5 ~) n0 {# M# n
| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M7 }$ E7 g F. ]4 E' |
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M9 I `" X L2 N' e' x+ y2 n" {
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M1 A& T3 N ?9 |
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M& b. z: |3 U# D# E8 M9 d
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
9 Z+ R, l, s" }" G2 o: ]7 }! u# X| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
: L6 B6 }0 ^$ V' L4 d6 o8 Q: K| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M" [4 `* r; G- Z
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
+ j6 V- `% n/ @$ a3 N9 u# g) U| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
% }2 I) [7 v9 D5 C, }+ }* `| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M
9 L/ O/ R+ q$ Y* x8 E| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
6 C; R7 V$ p; f; B7 u| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M) H- C6 a7 v4 n
| | └──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* B( H: a5 h6 r( b/ Z
| └──6--PaddleNLP模块_物流信息提取（ERNIE版） 6 |' j- Q5 N9 p$ L) V( H
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
: l# b" \8 T% I" U| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M5 H& Z; W; v' I- Q3 |; l: U
| | ├──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
" y) M* f" j3 R2 w2 R| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M0 d1 {3 S- |- S) `2 t1 b. l2 {
├──26--【加课】Linux 环境编程基础
( |% S, a( u- c1 z! x! w5 l v: o| └──1--Linux
" X5 S3 A { ~| | ├──1-Linux_课程介绍 .mp4 3.72M
; u2 ?& X, a8 |$ O' a& C) p* z; W" w! p| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
4 g! D" d% E4 d4 o: T/ `| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M' x R7 r! S) o: n
| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
! t9 q9 _) c% R' P5 r# ^. p$ a| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
! H+ ~3 e% e& B& b! C8 S& ?, D/ Q( f# J| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
: }+ H: p3 B) C' c9 H| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
3 n2 K S6 i5 @4 Z* t! F| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M8 R1 T r- k/ U6 P, U4 E
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M) G6 ~: U N- Z3 z
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M$ R4 |' W5 I) e, u, I7 h
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M; W! _4 E. \0 `
| | ├──2-Linux_Linux简介 .mp4 17.59M
" x2 H, B$ I7 L% J! I| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M
9 g- [0 i' g) ~0 q# d, {% e| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M L. x- A7 C# N0 z
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
1 F0 X5 {$ v! i3 S0 s. I3 N| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
; x7 U0 @% _% U5 W| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M% H+ p; A* t. {- {1 ~% H6 f2 [8 i
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M* R" g- O- L W" t) G. c1 q
| | ├──26-Linux_安装MySQL .mp4 79.02M
, U- B& E$ H! S" N| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
$ s0 s7 l3 s' @3 \! l+ a( }) r" D* E; Q| | ├──4-Linux_安装Linux .mp4 41.97M
! i3 u; p8 F6 k0 z2 J% j| | ├──5-Linux_目录介绍 .mp4 20.31M) J/ e7 D3 S" U
| | ├──6-Linux_Linux中的路径 .mp4 18.65M! E/ n5 k2 A/ |, [# D1 k
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M5 H/ X7 y0 X0 Q5 T6 V, H
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
; G- x; M- C+ d( I| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M) D. K' {* P+ d6 C8 n. @* ]
├──27--【加课】算法与数据结构
3 K9 w. r. L8 b G! Q| └──1--算法与数据结构
& w5 p0 E! H* K1 v8 d| | ├──1-数据结构与算法简介 .mp4 35.68M
! t; V' [2 |) k6 m7 _2 L| | ├──10-哈希表的基本结构 .mp4 54.34M0 k9 Y5 ^7 n$ ~$ ]
| | ├──11-哈希表冲突问题 .mp4 75.92M4 p1 o6 i7 C6 x: R; s9 f
| | ├──12-哈希表冲突问题2 .mp4 72.30M
8 J' n+ j. ]* o' h! l| | ├──13-哈希扩容 .mp4 111.03M3 H) m( @7 U8 m
| | ├──14-递归与栈 .mp4 50.77M
7 h" _0 t: ]% y a5 l5 j$ m| | ├──15-线性查找 .mp4 57.80M& v# x8 F; x( Q D& p; w) w, `
| | ├──16-二分查找 .mp4 52.32M7 K. T' \6 q& H" U+ C) C5 O7 l
| | ├──17-冒泡排序 .mp4 53.19M
- A" }5 \" ~( `) Y! K! `' h1 p| | ├──18-选择排序 .mp4 43.29M9 k* `( p; U- S; L) {9 F% p
| | ├──19-插入排序 .mp4 31.39M
6 C! b- K1 |3 P% D+ p( V4 x. R! W| | ├──2-大O表示法 .mp4 25.59M
- e$ n& p* f, u# b% D| | ├──20-归并排序 .mp4 84.48M
# p( q- O. @& O. g| | ├──21-快速排序 .mp4 36.63M/ @7 R0 R# h+ c( S6 Y0 e
| | ├──22-树结构 .mp4 96.85M3 P9 _$ Y; V( t5 c' ]" p1 j9 r1 G
| | ├──23-树结构的遍历 .mp4 61.05M8 Y# @) [ z2 l: y+ k
| | ├──24-最大堆的增加操作 .mp4 45.43M
, _$ @/ d6 c( d4 n: g| | ├──25-最大堆的删除操作 .mp4 45.63M6 a' X. H# @) A5 l
| | ├──26-二叉树的查找 .mp4 100.24M& J" k: F( o: z" s7 o5 V
| | ├──27-二叉树获取最小值 .mp4 25.21M
" ?$ M1 N7 w% l' J7 e7 S| | ├──28-二叉树的添加 .mp4 72.66M/ ?: p2 \+ P" U: F
| | ├──29-二叉树的删除 .mp4 120.06M
: R( K* w9 o1 @9 _$ j7 I0 x- s| | ├──3-线性结构 .mp4 53.14M5 t6 f# _' D( u P, n# o
| | ├──4-单线链表1 .mp4 68.36M
2 y0 {! X; y: p8 f+ v/ s0 Z' i| | ├──5-单链表2 .mp4 221.69M/ V* _7 v- g7 Q6 I
| | ├──6-双链表 .mp4 103.57M4 \7 v# }/ R) D- ^% {
| | ├──7-队列(链式) .mp4 74.12M+ c* C/ f+ T# T# O5 `6 {$ d$ ~- B$ J
| | ├──8-队列(线式) .mp4 30.99M
9 a ]6 n0 c4 I, Y% Z, M| | └──9-栈与双端队列 .mp4 28.12M
' i9 B7 m& d. X# v├──3--人工智能基础-Python科学计算和可视化 . K P4 U" q4 l
| ├──1--科学计算模型Numpy 4 o0 ?6 l5 u/ B: r3 G
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
5 G+ f" _- d; \" N& n8 r/ H2 n$ k| | ├──2-Numpy_array_arange .mp4 35.45M- N$ T+ X9 `1 G3 i1 a1 L0 C+ x
| | ├──3-Numpy_random随机数生成 .mp4 50.54M9 X2 J5 i W$ j( r, b& V" S( F9 a
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M* _" N1 ^5 G6 T6 j/ @# t% o& z$ W7 ?
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
* ? W, a" h) M0 T `) C& c| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
( t: _6 i# b1 ?( t1 s0 t; W& C8 w| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M, ~1 E+ H4 y# h; B7 u( J& R0 N, X
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
2 o1 _/ [" ^, w9 |% j+ E! @| | └──9-Numpy_聚合函数 .mp4 23.68M8 e: q1 L/ a/ ^8 d s
| ├──2--数据可视化模块
2 d# U0 m' j; f| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M; ?; H2 M! W. A! Y* [5 Z
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M& {; S, U+ b1 ^( X, U
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M/ L4 X$ c+ @; A$ x# B
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
* m% l0 `# y% ?7 H% T( m| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M/ k8 ?0 E4 H9 S, T7 w
| └──3--数据处理分析模块Pandas 0 C4 V0 W& k7 _ J7 W
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
7 \4 i! k* ^3 m1 A& N0 g1 m. ]0 p3 b| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
" c% r% `6 B& ` P4 {| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
, T- g4 f+ U" h* n| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M7 r. R" e+ S1 V [1 t1 d! Z
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
% m7 |$ s' w0 z, J1 H/ e| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
5 z2 V/ D; w7 H& ], W| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M1 {5 x3 y3 L5 k1 K
├──31--【加课】 强化学习【新增】
$ M; O* J$ w; j, Q, ?| ├──1--Q-Learning与SARSA算法
2 S6 R0 [, P2 {| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
! ^' G7 f7 n. f! ^" u| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
8 C8 ?% l; X, q' F2 B3 X* @2 V( G| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
5 f. p3 g+ U& F| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
; Y* z) A) \- H| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
$ C* B N: D" ?| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M* S% N& ]/ t5 E
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M8 H- a0 \/ H( D9 q3 `- A" a
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
8 k* s0 v: L; ?5 i# D2 e) R| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M% D n" B; {' k% {" {$ f
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
9 b$ ~" ^7 |, L6 d& p( J& l1 a; q| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
; Q1 I# [, E1 o1 W4 Y* j| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M4 E! s$ J& p2 ]' _
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
2 Q6 e3 Q* ^: ]+ R/ L; D% Q$ c| ├──2--Deep Q-Learning Network
* @' ?8 d/ Q5 D0 z| | ├──1-DQN算法思想 .mp4 59.24M$ q9 E* u* Z. r7 h* G. `* ~+ T
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M/ b0 p- a+ [! D
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
* q, B. h7 ^4 a# y# V1 I& a3 G| | ├──12-DuelingDQN .mp4 88.12M8 ~ Y; U& r( w- r
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M& \* I5 P" ?& U9 S. v) v! J" F) V
| | ├──14-计算Action的方差避免风险 .mp4 54.23M; f6 x# E& j% G8 i
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
/ j5 r5 n7 L9 [$ Q; ]5 P| | ├──2-DQN算法具体流程 .mp4 56.17M4 ^+ Q" R+ @. `! v7 |- Q3 M
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
9 a+ b' _7 {/ m. T" s' I| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M4 o [7 s1 F) ~5 G b( Q
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M! r% c: }7 `$ Y& j# d7 _+ }
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
; X- b% c ^$ ^ ^| | ├──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& W. C# K, N0 G- w" O* i) E* 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, g! e2 z2 G% }8 q7 I. P7 ~ l; j& s6 Y
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
- R7 q7 [( L$ r9 X/ M| ├──3--Policy Gradient 策略梯度
) z+ e& F; F2 Q- a! s 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
+ O' w, d1 M2 d8 G6 L; }8 n3 K7 G( p| | ├──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
3 W6 g8 G; o7 z| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M' F7 c3 Z! ?& S* F5 e; z: i
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M, S, Q% b# e' ?) z/ T0 ~! A
| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M3 }# m# A1 ]2 _ \
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
) W3 N6 G4 I9 G7 y; Z7 _% a) R| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
8 @0 H: F" v" `/ X8 ]- Y$ J| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M& t' S" s5 W; N* U9 q: l: g# J
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
4 v4 W" z N8 S& B| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M$ ]% x2 F: V' f( l; i9 c
| ├──4--Actor Critic (A3C)
2 m1 c, \+ P# U1 B8 q- X/ c| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M8 @; G8 i$ R* _0 E5 p! Z8 i/ c
| | ├──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
. P, G% e* d. p z- d4 y9 B8 D| | ├──11-代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑 .mp4 40.24M
5 M ~# P4 J# P6 Z" y$ P/ M1 w| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M
6 m5 z$ E L0 O* e o| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
Y; U5 U" q/ w3 e8 @) U# C! ^| | ├──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
3 e* ]5 n1 k* _, || | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M. Z' {; `0 h6 b0 G$ d0 P
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
. L. |' u7 h7 c0 V/ v7 H. o F& Z| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
0 F R! W- y! B+ L| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
2 F# ^7 {2 R& `+ I7 x| | ├──6-A3C架构和训练流程 .mp4 74.66M3 B2 O2 O1 L4 `: Z0 m* \0 Y& h
| | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp4 77.58M2 L+ r8 g/ M' |
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
- l" d% f9 t. S& X0 V# \( _+ j6 [| | └──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# `9 _& S* |: v/ f# E c" ]% K; \
| └──5--DDPG、PPO、DPPO算法 - |. s- D) O- M# }% {2 i4 k
| | ├──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' E8 `4 C4 C% N" g+ a8 g* K
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M6 d- Q& @1 u T; r
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M6 i, \$ f& G0 p5 }5 F
| | ├──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 h' `% L' ]' D8 V: z( ]* R
| | ├──13-DPPO分布式PPO .mp4 63.81M% [8 b+ x M/ E }) G& m' e
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
E4 P/ t- s$ d1 Z* x3 S| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M( V3 S/ q. k: `( |7 b) z2 ]
| | ├──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
}, Q; |# C$ `3 R2 r) \| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
4 g1 Z; L4 [# {& L5 P| | ├──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: {7 U/ [5 L% R9 W/ z1 \# b| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M: Z) d! [* O. {
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M7 U# U/ T S% t2 b' n# g
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M+ D, x/ s& C$ s
| | ├──8-PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题 .mp4 38.09M" b0 U. X/ D# N2 k- F
| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M0 K! ^! D% X8 ?2 A
├──4--人工智能基础-高等数学知识强化
0 p F/ e; p) n* v; F| ├──1--数学内容概述 1 H8 @; t0 y1 e3 ~+ E" V
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M5 W! T j3 v1 L8 X& P
| | ├──2-线性代数_概率论知识点 .mp4 26.81M, c4 f( Z. r; c
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
5 F8 ^4 b8 `! K8 k% W" Z& f( B0 @| ├──2--一元函数微分学 X' _, F: L$ d3 V) }
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M) ]5 L9 w; i: @' b$ q
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
4 {& H2 z& z! V+ ?7 Y( f* {& K| | ├──3-常见函数的求导公式 .mp4 22.76M
# z5 \6 T/ a/ w$ j: v7 e| | ├──4-导数求解的四则运算法则 .mp4 26.52M {( `/ D) x2 e& s4 R/ {
| | ├──5-复合函数求导法则 .mp4 19.68M: t) m1 t; B3 |5 Q
| | ├──6-推导激活函数的导函数 .mp4 33.40M
6 y6 ^; L) ?7 V* T6 ]3 V| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M) n) Z- q, [; j# B; r
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M% x" J! \+ q# K' q$ ^& v, m
| ├──3--线性代数基础 ! g- M- n8 C( B) G' ^' k: T$ ]$ Y
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M$ v; J- e* |$ y% _+ r( |( ^ N
| | ├──10-矩阵的逆矩阵 .mp4 38.54M0 c: r" \/ v0 @! _9 S1 \
| | ├──11-矩阵的行列式 .mp4 20.13M
" R7 D" r2 k* N2 I/ Q% @, t| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
X6 E& U! @6 a% O| | ├──3-向量的内积_向量运算法则 .mp4 19.78M. l N7 n4 a8 u& ]1 V) E+ K$ ?
| | ├──4-学习向量计算的用途举例 .mp4 20.32M1 |, T ~: b' O# L3 ]8 m; r/ O& ^7 E
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
% c" a! h7 q4 Y; D! Z: ^3 t| | ├──6-特殊的向量 .mp4 26.45M
5 W7 _( o r1 ^# q G$ P5 [* [# Q! C| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M2 K+ O* P# {& C. Y
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
) p, ]$ Y* p6 t- q| | └──9-矩阵相乘 .mp4 20.02M) j1 W4 d1 h, k& J
| ├──4--多元函数微分学
5 F" B3 \0 v. y1 f$ I% _9 W/ {| | ├──1-多元函数求偏导 .mp4 22.61M
( z9 I3 ~" H& C5 ^/ ?| | ├──2-高阶偏导数_梯度 .mp4 27.15M
2 c1 b1 U0 u5 u/ w| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M- Q; M5 w3 k3 c5 r6 @
| | └──4-Hessian矩阵 .mp4 32.93M
J, [! w$ z& C% z| ├──5--线性代数高级
- Q: u; d$ h* ?. `0 B# j| | ├──1-二次型 .mp4 27.70M1 I0 A! ?+ o' z5 Z
| | ├──10-SVD用于PCA降维 .mp4 24.90M
% T& \9 p+ v: M- N) W" P% {* o| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
% d$ y( v, _7 ~3 I* ?1 ]9 ]2 i7 m3 ~| | ├──2-补充关于正定负定的理解 .mp4 23.48M9 r. K. S% r2 `: X/ b% m
| | ├──3-特征值和特征向量(1) .mp4 29.83M5 }8 |) P* G! N
| | ├──4-特征值和特征向量(2) .mp4 30.07M
" l+ M' H) H' C% N1 M- y$ j T| | ├──5-特征值分解 .mp4 38.68M
6 a% U* {6 M, [; o, J2 [, m| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M9 x% _) N( G; a
| | ├──7-奇异值分解定义 .mp4 22.58M
) X* d' Z9 Q" b. x| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
\% M, R, ^% `) H& k| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
( n3 B8 f2 T3 W| ├──6--概率论 7 w* P b- H$ n( I
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
! n) w t1 M: v6 m* t4 h+ k! ]| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
' V4 k6 m# K# h: m( ~/ G( D* q: U# `3 _| | ├──3-随机变量 .mp4 22.57M9 Y- O" u0 y# z/ k* c
| | ├──4-数学期望和方差 .mp4 22.96M
, k1 y( O: N0 e% M% W| | ├──5-常用随机变量服从的分布 .mp4 22.48M
@; S$ p5 X5 e) M5 ^; b| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M- u$ v( }! u0 c& G
| | └──7-最大似然估计思想 .mp4 23.42M
! D1 z% Y; R' h( V| └──7--最优化 8 L2 M7 R& Z) B9 m
| | ├──1-最优化的基本概念 .mp4 35.14M
% o& r. Y, W8 T- P| | ├──10-拉格朗日函数 .mp4 27.46M7 M. _4 B0 X- {# e) h
| | ├──2-迭代求解的原因 .mp4 20.15M) ^6 v& ~" ]# h
| | ├──3-梯度下降法思路 .mp4 26.33M
" Z$ A1 v& u& o: B| | ├──4-梯度下降法的推导 .mp4 43.56M z% l9 Z8 y/ t( |6 t! X3 x
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
" e: _7 a1 x+ F6 W| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
" R4 Q, K/ q- f- r2 Y3 z3 j% K| | ├──7-凸集 .mp4 21.90M2 q' v! D* b: j1 [& o' M
| | ├──8-凸函数 .mp4 16.93M
C' O9 }! I$ A! M/ ^9 C# o' G6 P| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M o: c# ^: i' [/ Y- V: O
├──5--机器学习-线性回归 9 S* J: ^! m, v4 n4 l
| ├──1--多元线性回归 ; K- a. s% n# H. w
| | ├──1-理解简单线性回归 .mp4 51.11M
! d4 e5 i, T |% [0 h| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
; z: p% Z- c% X2 v0 J: \| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M. Q$ `; `( [; y, z/ f7 L5 Z
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M7 _. E- h6 l/ Q$ a% b6 C0 T
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M8 i/ e" {" s7 F
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
7 A$ o6 N8 ?# Q3 \8 w) g1 r; j8 V3 B| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
3 @! N/ @, @7 Z3 ?# ?0 o| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M) Q( l9 b- Q! [. d g7 Q
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
" K; ~3 R& ]' S- g| | ├──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
5 m! r. C0 W& S6 p| | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4 34.67M- |9 ] j3 B$ z( U6 V$ I
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
; s4 l+ ^+ t+ q4 [- w| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
; B }0 E4 z( F+ H0 C d9 T4 x8 H6 c| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
2 d* X$ |: @& R. }7 G9 F8 \| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
. h2 L6 J: @* \4 n; E# W' J| | ├──3-扩展到多元线性回归 .mp4 32.15M
$ Z0 m# `; C( E/ A| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
* C0 T5 @" _- { l| | ├──5-理解维度这个概念 .mp4 41.41M: |1 I/ X2 ?) y+ N
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M6 X0 R) f4 d" R7 `; f0 p
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
- A% o9 f! n9 S9 [/ J| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
) |3 f" C5 E( p7 j| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
; B7 p" l% [. A4 S( z8 C| ├──2--梯度下降法 % K& `9 |/ A/ c$ c/ `, ~+ Z2 o" ~
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M+ k% y* p M) [: k% i: Y5 V
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M% A: t- W3 N! A0 p4 N/ g
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M R6 K% T6 P C- U! D3 n; b( }6 L0 C
| | ├──12-代码实现随机梯度下降 .mp4 26.67M% T0 T& H- B5 A/ B' W5 h
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
& t( v1 C T5 Z: A0 X: c| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M- j" m1 e0 w; V. n$ ~9 f3 n
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
* m l0 H- b5 `$ n0 J( N3 n| | ├──2-梯度下降法公式 .mp4 57.12M
8 c. e/ G( T% P8 R$ D* ~' v' X| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M4 m$ n" Z; T; w G
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M' U- @2 T, ]" R; C& f% L0 x
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
. A ~& N2 w2 U( l9 `% f6 C| | ├──6-全量梯度下降 .mp4 62.84M
% Q! y6 W1 U. B( L, U7 Q, @# M* S7 \| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
6 q5 C+ E9 X$ U* w+ `: b| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M5 ~2 o" }3 ^* d/ S+ T2 S
| | └──9-轮次和批次 .mp4 45.22M+ E4 n& T8 v9 I
| ├──3--归一化 6 Z0 I$ y5 }3 z9 }
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
9 ^; q [' ~$ k! m" ]4 k| | ├──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; q+ B' }4 y q% N
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M3 F9 D) A, X6 N) E/ |; Z
| | ├──4-最大值最小值归一化 .mp4 24.87M, N0 x$ ?. O' j4 c- |3 S& n
| | ├──5-标准归一化 .mp4 51.86M
. ` W& W5 H; r: j0 \% e| | └──6-代码完成标准归一化 .mp4 41.13M
: i. z8 ^# B' v6 s# M, d4 x% V4 E% U+ p| ├──4--正则化 7 e% h# z0 k! _9 A
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M5 ~# ]$ U2 ?' ^/ R, e5 q, v9 `
| | ├──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/ y" }2 G1 T8 ~' }" O T/ P7 D& s
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M
; G3 W1 v, V- Q8 b| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
$ O6 T* n) `3 C+ D) i3 |8 t| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M
1 P5 i$ F% J$ G- h| └──5--Lasso回归_Ridge回归_多项式回归 , v, h! ]) V& K9 Z! L/ b
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
( R8 {. q0 i2 k$ X0 o' E| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
& y$ _* ?% l( n8 O% ~, E( E| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M
, N7 \/ J) K$ w: x9 D- v| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M: C7 W2 ?! K: q5 y- G8 n# Z: V
| | ├──2-代码调用Lasso回归 .mp4 28.73M3 v1 K& q5 p8 _9 [6 q0 Q7 E
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M, V1 r: ?/ B. J6 \: G
| | ├──4-升维的意义_多项式回归 .mp4 48.06M5 v/ E0 i: O" e8 m" W
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M4 K: p* o8 A) l- |! p
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M% A! \7 `& K; R2 i- `* A
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
' e: a4 C# f3 I8 K7 Q6 l| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
2 I" `4 G1 ^1 c; L8 d| | └──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
0 G4 c3 G" ^2 U1 Y: v' x0 b- W& ^├──6--机器学习-线性分类
! L$ D# ]1 Z* Z4 U5 h# c, r" g$ h| ├──1--逻辑回归
1 M' l; j; h5 T4 H% d| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
^$ X" Y0 o8 p; m$ s; g4 Z& r| | ├──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# y! L5 x B) d8 e. N| | ├──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
7 g0 Q ~3 h' Y" S6 r| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
% ~0 k$ `6 G9 h5 c4 I4 q5 Q9 {& W1 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
# P; P0 p% f4 n# ~. ~ {- Z| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
- {; s, B- M h" o7 r, C Q| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M- {/ J2 L* T/ e7 r4 R# U* i6 J
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
F+ H8 R" L- P+ H) J4 Z% R1 y4 K| | ├──2-sigmoid函数作用 .mp4 38.15M- q8 t& Z6 [ v7 w
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M& M% T# P& g/ {
| | ├──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$ d) r6 v3 g% i5 e7 |! D& _2 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
$ _* Q, \ X3 Q/ A| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M3 P; B! `& Y( ?3 |5 S
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
8 p0 q9 \1 E) W% F| | ├──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- {- l, H; ~2 L# D
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M' L! l3 E- K# _
| ├──2--Softmax回归
$ D" I7 P0 h; c6 j! u| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
! G4 l4 I; H( 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
1 X- U# I! ?% | a5 v1 |: [) E| | ├──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
8 D( ]% W+ `' ~+ L| | ├──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& g4 `8 r4 a8 b6 V
| | ├──13-实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题 .mp4 78.03M
0 T; L9 v2 ]* j$ V ]4 h: `$ F1 J| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
& s7 ^: _9 e, t* N* L| | ├──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 33.42M7 R5 ~6 y" W6 U' ~$ D" ?( O
| | ├──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 28.15M2 m! E6 l* c ~; k
| | ├──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
4 n# P) D' K$ h9 k1 G k| | ├──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
5 H+ j/ X0 y `6 H| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
2 `% W2 q. V0 l( G' Q| | ├──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
2 B0 A* @" L3 P/ ]- _( \4 {| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M9 r; I6 J9 v5 P3 z! U
| ├──3--SVM支持向量机算法
2 ^) k! q" W" W! O0 B| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M# |* i) {" @0 \& J4 a9 i% M9 K
| | ├──2-SVM的思想 .mp4 55.56M Z K3 ^( q# i4 F
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
- y' {. I: N; Z w: Z/ H| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M" h$ [6 `. h4 w: |$ e; H" Y
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
7 t) N) ]5 e8 U4 {- [| | ├──6-总结硬间隔SVM .mp4 39.01M" L; r" R: J# T f3 h: d
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
Z) O8 ~" \7 V8 `' \0 N2 p- D| | ├──8-非线性SVM .mp4 54.43M
- [( ^2 k9 [4 ?( k q| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
0 ~& a: V; ~4 O/ ]6 o2 u| └──4--SMO优化算法 & O, G6 f5 L# @8 W
| | ├──1-SVM算法流程总结 .mp4 58.36M
) |& c. e4 J0 ]3 d| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
7 n* P+ b5 C: ^; N3 q| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
& r/ e7 Y1 C4 t- }* s" n| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M4 ]9 Z9 O* \% N/ b; ]) g
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
, S6 S( W0 R0 L, B' W0 Z| | ├──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
! F8 j4 r: _! p| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
, G1 U6 }+ k! d* j" E| | ├──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 65.42M0 `: f5 q. w+ |+ `
| | ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数 .mp4 63.23M
& C* r9 O. Y( V# @| | ├──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. _; s- _: V% q; q9 `* S3 k f
| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M
0 g" W% i$ x( \% `& _) r g| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M4 a6 h! [4 O9 c% F9 @, Q% }
| | ├──7-启发式选择两个α .mp4 23.11M
8 q5 f) n7 j% R% o% s) E3 W" j" j| | ├──8-如何计算阈值b .mp4 50.18M
% m1 C' }! h2 n& Y| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
0 n8 U* f7 J. I1 e) Q├──7--机器学习-无监督学习 . _4 }! i. k @& T4 c* j0 u
| ├──1--聚类系列算法 % D% @- e1 t+ \+ r
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M6 E2 B; J3 h( `1 I6 x
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M0 I+ E! p8 N$ b/ T, B$ w
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M6 E" ?0 U1 Y7 B. d, Y" I* |1 p5 W
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
+ X' J: |0 m/ @# i0 d| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
- ~& v8 z7 h: b6 G& t( r. p9 X% f| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M q, ^& d6 Q/ O- q( e8 H
| ├──2--EM算法和GMM高斯混合模型 * `. X& H1 v9 G; Z- o
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
. E: o! P0 v# i& Q2 A| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
: B; U; D& ~- {, _| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M2 b% }# c: Z& e
| | ├──4-Jensen不等式的应用 .mp4 109.17M
8 R! R/ A6 L8 Q) D* B| | ├──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
# b0 f7 i' ^ j- m w5 R- R C3 Y| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M) ~' u7 u9 y% t+ k: r0 L
| | ├──7-GMM前景背景分离 .mp4 16.01M
) E) k9 o* G' h8 A| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M5 o, {: u8 O2 E5 g1 B
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M) Q! ?: g7 q! a3 P
| └──3--PCA降维算法
4 T+ E; W# h, ]3 E| | ├──1-特征选择与特征映射 .mp4 49.38M
: F1 V% b( i( e+ b5 e* J3 D0 E| | ├──2-PCA的最大投影方差思路 .mp4 186.75M6 F$ O% d( W G2 P: \/ u# K
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
* Y7 A2 X( H' ^% h, y| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M6 H* ]8 B1 w4 M4 f2 q, y
| | └──5-PCA的几种应用 .mp4 54.58M
3 S% U/ \ H! H, O8 L* \├──8--机器学习-决策树系列
- ]& E j B0 w8 B| ├──1--决策树
& a/ z- {% w m3 T7 }| | ├──1-决策树模型的特点 .mp4 74.88M: t6 ?* f" v& J: s5 v
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M
+ t3 J( t1 ~. A, I$ W6 I| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M( X1 h% P2 i' [0 z. `: v/ b
| | ├──12-后剪枝的意义 .mp4 50.49M3 |4 u/ J0 A! v$ h1 L
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M, U( f7 W" O! V) b
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
2 S- @& P: Z; P7 k: L| | ├──2-决策树的数学表达 .mp4 89.94M m9 \1 j, ~8 `5 `$ t/ _6 |% v
| | ├──3-如何构建一颗决策树 .mp4 84.87M1 m, i. ]2 A" P7 c* P _! L
| | ├──4-什么是更好的一次划分 .mp4 57.02M
( h6 F% x/ G; v! h5 `" ?. }| | ├──5-Gini系数 .mp4 107.54M
' E% e+ m5 S* q| | ├──6-信息增益 .mp4 75.26M6 w8 |5 b3 x$ \6 Z$ l2 l# }
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
& p" }4 Q0 l$ W$ _6 [. Z( e4 [| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
% E& G3 M0 | O- i7 k! [2 ]| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M( j; D7 B( K% ~. o! L c
| ├──2--集成学习和随机森林 ! Y5 I: x; {1 C' z
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M: \2 S0 z; M2 K3 G; P6 d8 K
| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M* p/ ]" X3 u# o. q( |
| | ├──3-随机森林 .mp4 108.14M/ ^* |2 Z6 U; e b" Q1 ~, z
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M3 ^. f7 E3 D# z, ~' E8 ?
| | ├──5-OOB袋外数据 .mp4 106.07M
# { b" L. v; l5 e| | ├──6-Adaboost算法思路 .mp4 106.30M, a% `' m/ u, y8 ]# p7 v, q
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
8 P. t5 ~) u P9 ]4 L| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
* t! r, Z3 Z0 D' x& p& ?2 D1 B| ├──3--GBDT 1 S5 R0 c- ~: F9 |
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M9 O* {$ x( r ?' Y
| | ├──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
6 u! \1 U5 H! j; O/ H1 ^0 G| | ├──11-GBDT多分类流程 .mp4 73.80M
4 o5 J% u$ {0 C% w| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M/ v2 d: C g, m- P
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M& \/ g* W i; g* [3 O, f2 B- T1 A
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
& {$ ^$ m4 @7 K4 L! X| | ├──15-GBDT二分类举例详解 .mp4 86.67M! m& A) ^$ j) U% N* z
| | ├──16-GBDT多分类举例详解 .mp4 91.71M; l& V& I3 b* f0 T* G- U8 S
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M9 H4 z6 ~) _' [
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
; b. t7 d; X6 u* N N- z4 V8 T4 _| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
' ]3 b+ T* ~$ N| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
* [1 `, H" y- J; N| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
# ]; {7 |* u& l| | ├──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
9 o/ U9 j/ R- r| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M* _4 F& z3 }5 V9 L; C
| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M8 b" M# ^. i+ R k- o
| | ├──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
+ o/ q6 T5 u& d6 J2 H| | ├──4-GBDT应用于回归问题 .mp4 84.66M; F4 v* T) k, q$ g
| | ├──5-GBDT回归举例_总结 .mp4 108.52M9 L& s' C2 e) j
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
5 G" t; Q0 W& w2 Q. v| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
8 S9 q# c. K5 F5 _| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
6 _: s0 T4 C T+ B| | └──9-GBDT应用于多分类任务 .mp4 73.34M
# K$ c1 {% I4 J' e4 K7 b h. D| └──4--XGBoost
! E8 }* ^7 z* Z8 v/ d8 h3 D9 g| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M5 A+ b; T: ?. p8 [2 }7 _
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M7 m4 Q% u! q% t% v2 P. h
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M) T% a( Z9 Q9 H' w3 k) B2 T8 K/ |
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
( R+ k ~* b, Y4 r# N| | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构 .mp4 106.69M( p% k* c, \ v# C! l1 I
| | ├──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 73.80M3 T% d. @' B* b
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M, ~" s# G! I% |- K/ N& l" x
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
' E- E5 O' e7 P7 u$ c% g| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M- t, [; |, u; j& ~8 V( N
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
# y4 z l+ ~+ W$ h" J, S| | ├──3-基于树集成学习4个优点 .mp4 91.36M
/ L" B% q* E- ]& f0 H8 z| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
: E" E9 ~( ~- n# G) M5 Y- l| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M, h! w0 P' I; n% T
| | ├──6-Objective_vs_Heuristic .mp4 60.42M+ }/ Y# C: r) M! c! [; {
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
& V; T8 t& x: G; x| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
: o+ E4 p! X$ C9 u1 y3 w0 }| | └──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( X3 X+ B) N├──9--机器学习-概率图模型
9 p# C! E( ~2 U: j" B. K| ├──1--贝叶斯分类
- N4 R' L& K; F| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M0 @$ M7 n/ M, X, W. w
| | ├──2-TF-IDF .mp4 53.08M
* B. v# g: |- x2 e7 f* || | ├──3-NB代码实现解析 .mp4 126.73M8 @" X* X1 _7 v2 h* ?
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
F' Y- R+ @, A5 u) J( a| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M# M* U0 [/ y' X5 ]) C
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
! S Z5 }" m7 a' Z2 |$ d# O! `- w| ├──2--HMM算法 1 h3 s ?- O8 h0 V
| | ├──1-HMM隐马的定义 .mp4 36.82M
: o, t2 k" o: U* N5 C: ^9 e| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M0 n- i! P* n) k3 u
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M i& L5 @ a, {
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M/ z; k9 S2 {7 K( e% k1 d
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
; C! G# i/ b8 @9 t: D" M- Q| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
8 t5 K& F! |$ m3 B| | ├──7-Viterbi算法案例详解 .mp4 107.12M
0 r/ N1 w+ z% Y, F+ @* {6 f- y| | └──8-Viterbi算法代码实现 .mp4 42.43M, U* b- u9 T9 ^! t4 F9 _- Y
| └──3--CRF算法
7 p9 l8 n D2 P! @3 e| | ├──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
" |1 L% T5 A1 d) U* v| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
( c: U! |; U `8 E1 z| | ├──3-了解CRF层添加的好处 .mp4 105.90M) F9 B* |& [( v( g% q
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
* p4 @6 A7 z1 b) q! H| | ├──5-CRF的目标函数 .mp4 23.74M
- o% Y: B7 b5 J$ {8 L- {| | ├──6-计算CRF真实路径的分数 .mp4 50.37M/ z# w( i9 f: z8 s7 m' M- a. a
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M; t7 I3 D, Q) t: D8 |
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
6 v* g! B0 |( }2 Y3 ~/ c└──课件.zip 2.54kb
, \' u( I9 X& m9 m& e- h9 Y3 N0 f( F2 O/ k) r+ D* \7 X4 Q
' t9 x% n2 Z3 q1 q0 d* u
永久至尊VIP回复即可下载学习，非至尊VIP暂不支持下载此资源！) X( g( @2 b3 J9 l# E" N+ z
3 C) S4 f" o9 N0 M! @; ?
7 J1 V. a' w8 v7 Y
|
/1 
