战-人工智能2022/
7 }7 M6 l; {/ T( ]1 Q├──1--人工智能基础-快速入门
! ^0 W: F x6 r u! K* n& n% I| ├──1--人工智能就业、薪资、各行业应用 , v& F h. g" e4 d; p! o
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M) l. Q$ a; R, E
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
9 X5 s8 V1 e7 P% t7 j| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
# }- `" K$ @- |0 E7 L| | └──4-人工智能在各领域的应用 .mp4 57.73M: v! ^. Q/ R I' g7 l/ a. B3 A: o
| └──2--机器学习和深度学习、有监督和无监督
6 E* c' I0 @$ y# f8 ~| | ├──1-人工智能常见流程 .mp4 89.62M# p. E0 I& V* l( f2 x8 A: g0 U
| | ├──2-机器学习不同的学习方式 .mp4 83.51M; K6 x: O! E, f9 K
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
. s$ r" A; o& m1 n- y: }| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
* h+ h% c, }) t% V3 f9 D/ a| | └──5-无监督机器学习任务与本质 .mp4 50.15M
& u1 `% i+ m% D2 q; E, i├──10--机器学习与大数据-Kaggle竞赛实战
( {# p6 p. K8 O" c| ├──1--药店销量预测案例 1 z/ J, d" B: f/ b
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M8 K% }8 g- G: [ W& E) E: g; G
| | ├──2-对数据字段的介绍_导包 .mp4 19.90M: ~+ B8 D" G! a1 _9 B
| | ├──3-自定义损失函数 .mp4 21.12M6 s, \9 o# y3 {4 Z! b
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
: z5 l. N$ ?# d6 U| | ├──5-数据的预处理 .mp4 111.81M" p1 U; i# ?2 n
| | ├──6-模型的训练_评估 .mp4 66.64M
' l) ^8 m- X7 ~" ^0 K( Z3 P8 H| | └──7-kaggle竞赛网站学习 .mp4 172.16M
, W# `5 E. ~% s- j# G/ ^| └──2--网页分类案例
5 }) E$ N, X$ k( f/ a" X# }. E| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
% |2 A* d; a+ q9 g1 Q [| | ├──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
3 C5 R" I9 R( n$ X1 M4 D# k| | ├──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 68.80M2 o9 ^8 q( }8 }
| | ├──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
) V* R2 S" |/ d| | ├──2-评估指标ROC和AUC .mp4 56.19M9 h X% ]0 F0 s1 t
| | ├──3-评估指标ROC和AUC .mp4 49.03M
' f, Y+ U* j! r0 _' E! f6 ^| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M( N3 c( k! N/ ]7 f
| | ├──5-数据导入 .mp4 68.41M
$ f3 M5 _, F6 o' Q8 U| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M4 [* {# i* B% g
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M" y2 F t: ]9 C
| | ├──8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数 .mp4 62.48M
! X. \, O/ y, M+ {1 U: x| | └──9-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01 .mp4 87.47M
4 f" ~( O6 z/ U├──11--机器学习与大数据-海量数据挖掘工具
/ y9 U* a1 f4 r' q9 E) @5 R1 m| ├──1--Spark计算框架基础
% B- A/ Y0 F# {/ a5 h( \| | ├──1-Spark特性_01 .mp4 41.68M3 F- V0 A P5 w5 o [& g9 U: G
| | ├──10-分布式计算所需进程 .mp4 26.30M
3 }( a1 e7 J9 ^' j| | ├──11-两种算子操作本质区别 .mp4 56.31M5 i, i$ Z$ l- r' o+ a4 s [2 g; B
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
5 Z$ Y' k+ ^. P" m) k- t+ i7 Q| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M: ^ M2 _ ?' J4 }1 D
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M8 m7 a$ J6 n. {5 m" u: e9 L
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
' q) G* z2 I5 ^| | ├──2-Spark特性_02 .mp4 35.15M; I* R1 b+ N4 Z/ C5 E, h/ P. D
| | ├──3-Spark对比hadoop优势 .mp4 19.34M, n) A/ r8 _7 {5 R2 n1 x7 ~- i( w
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
' n4 x# H* x% o8 @5 b| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M9 T p9 a9 D3 e
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
3 O `+ K8 `# h4 [" `| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M5 P2 [! }7 i' @: Q9 `+ D9 J8 ]
| | ├──8-Spark的RDD特性_01 .mp4 33.08M% J4 e. W; f6 {' R4 O8 _- t( f
| | └──9-Spark的RDD特性_02 .mp4 33.41M+ G' S( T: l; V2 w/ _
| ├──2--Spark计算框架深入 & q0 T$ d& f& x8 U4 a z: c
| | ├──1-Spark数据缓存机制 .mp4 54.43M4 @4 W' s, X4 w; L2 D. z) p
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M( Q) o7 }( u' ~2 r
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
# E- t& G% I0 A2 d' k" ~| | ├──12-构建LabeledPoint .mp4 111.08M6 m0 \5 E' w9 P2 N
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
$ r2 _( O# g* H( |8 g1 J| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
H' ?* K' l. k1 S' G: {| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
8 A! z# g4 }) H8 D4 K2 L| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M z7 {0 t+ j" O6 n( l* o
| | ├──5-Spark术语总结 .mp4 89.66M, M+ a- p& [# b5 K" s
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
# C; w1 ?/ X/ N: Y7 R| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
) f4 G5 {7 Z9 ~9 w- W: A, || | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
' L" Z' {9 H5 u| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M$ Z3 y$ ?& g% I* l9 m
| └──3--Spark机器学习MLlib和ML模块
5 e) k, K! ~7 O2 m0 r l5 e$ X| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
$ j1 \3 j4 @- y' D/ Z! V/ _# I1 |# _1 d| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M Q; u% H. B$ w# s# G
| | ├──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 }5 n! q/ n) m- ?
| | ├──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
- r; _% h9 P b1 y2 Y/ K. N" E r| | ├──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
$ {: w+ \! l, C9 m/ L# Y| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
$ _7 W7 g$ C/ h" f, X2 ?| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M$ C9 Q) L# U% ?% k4 ~% L
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
|! _/ S; w2 W% Z- {% {| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
! ~0 P5 s, u3 Z: e D| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M2 a- d P, e9 {2 Y9 s; [; w
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
$ r) Z' b% c. r5 `5 Q| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
/ s6 x0 L2 D1 x1 A y+ R| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
3 K- w' X7 B! t/ _6 N| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M
/ M( @ D3 \% `: k' ^6 Y( k| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M D$ L3 |! X. u
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
9 q1 ~+ J, e6 F( Z p. w9 i8 s7 @ a| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
/ Q$ S" z: a6 m' p$ N) E2 m$ l) A| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M
( U! |' X( Q% g. p, X, F| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
. u; i# u$ Y3 Y) d( E' j| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
# R- \+ j$ v, ?; E5 H" S5 v| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
* O3 r" U( E- m, S. ^- ^| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
$ A; f1 @7 ?+ p5 D| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
2 F7 C+ ^# |# g8 p3 [| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M
, w2 {- t/ \( Q4 c| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
8 z5 ~ V) q0 I2 ?- z5 V5 m3 ?( J| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M. `* `5 D i) o" h9 ^+ L
├──12--机器学习与大数据-推荐系统项目实战 - I6 g, t0 M/ I
| ├──1--推荐系统--流程与架构 1 \* a/ r# S# S4 {% b! f
| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M1 N! H" F2 W0 u' R: G( }
| | ├──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# {+ l! p8 a& c( Z, X- p: P
| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M
. `* a9 [. u: [9 [1 I& ]| | ├──12-推荐系统_数据源_1 .mp4 79.07M* X! w! ]; g! H0 m; R. f
| | ├──13-推荐系统_数据源_2 .mp4 82.90M3 P {6 C1 {$ m/ W, Y
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M2 V4 Y& ~) e$ P. L/ f; i
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
/ e+ Y- ^- H$ r J0 O& {| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M# b0 \1 F8 p; G. A3 X
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
" x8 Y+ u7 r8 {( m1 o| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M% n* O2 G6 w) Q0 H; |7 v
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M, ^1 i1 W9 e7 T# U! a
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
' R* l5 v( O3 v% k' S4 J6 n" 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. B3 x8 J* `! _' J( R4 d
| ├──2--推荐系统--数据预处理和模型构建评估实战 ; G0 }: c! Y7 P- W2 }: j9 S
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M& K, X9 K8 o5 ^# u
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M n. z: s9 |: `: u+ [
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
; A! g+ I+ z6 n7 _| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
: R. k$ |4 g: v3 ~! V| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
3 \" E/ L" T( y+ g! U, a0 A| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
9 V: X' w! O) d8 ]3 @/ g# \; J8 j- [| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
. b8 L! G z5 R" y5 s# A9 h| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
& h* T8 o$ k/ B* _2 t& |7 e: K| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M: d v! X" c. d0 U; {* T0 M
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
6 R. Z4 X7 @1 _- T/ H7 X' {| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M9 k1 q& u0 j7 `1 |& S X
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M$ u6 |1 N4 [% P6 L: v, S, z& v
| └──3--推荐系统--模型使用和推荐服务
f8 k1 W) s2 ]6 D( t+ U( g, @+ R| | ├──1-推荐模型文件使用思路 .mp4 61.89M. Q, T2 j7 P: x
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M/ V9 Q- E" s& ~, n% h2 f* W
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M& `* Q+ @& M' m# Y
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M% X- G* C3 H# t$ a# @% B/ N
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M
+ J1 |$ L- K1 R' `6 F: t3 x5 v| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M9 \! [( F$ y$ v. {+ ` E7 t# P
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
% Z; B9 q7 a) M$ {| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
$ B( M6 S" ^8 {' D0 z. || | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
5 t& j" _& ~; \6 [0 Y| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
- r1 u( h! X/ r$ O" y4 V& F$ Z| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
4 M9 w% W! Q3 J& Y9 d' _| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
. n2 }# h9 E' @% i: Y├──13--深度学习-原理和进阶 V" q9 w' i4 D
| ├──1--神经网络算法 % j: w$ Y! M* q% f3 ~& {
| | ├──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( f4 q5 m& c6 }6 a
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M+ x/ j& a# ?( T' I0 f
| | ├──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, D1 _! l4 W% @1 J) s7 {
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M( Q# I. ?# \9 m, v. H" _
| | ├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4 117.52M
2 e& {9 J! b/ @- M& ~| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
6 F+ e2 d: n* l# w/ L$ B# G1 f| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M' \+ j& ]6 e5 s! c" t
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M' p- D: s$ R* L: J
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
% p6 m0 m1 _9 ~0 d U, a* V| ├──2--TensorFlow深度学习工具 ( _/ B! w7 M- H# M [% z
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M" {" m% R }7 x' q7 a. n+ H; V
| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M& s2 A7 I* {; B
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
$ F* O& V N$ X& y# 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
, |+ u* r) m- N$ k| | ├──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 }# C5 @& X! o7 [| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
' |# K1 I" j1 c5 M0 A| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
& ?$ J! H% L! i% Q7 V| └──3--反向传播推导_Python代码实现神经网络
! ^3 d: ^# }0 W| | ├──1-反向传播_链式求导法则 .mp4 86.47M
% n! U% o' X, E( O b| | ├──2-反向传播推导(一) .mp4 127.90M
- ^! W; Q8 w! T! p5 K2 S/ m$ x| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
7 ` W3 \" \3 V| | ├──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 81.20M6 E0 ~+ r* l' C! r$ n
| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M
q& r4 x" k. ?0 r/ i; _; J| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
$ C8 C3 }4 [, Q( k% || | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M: ^; Z! g0 ?# x) p6 S
├──14--深度学习-图像识别原理 " |( [5 D' @" [* _
| ├──1--卷积神经网络原理 $ A+ q7 G" P# B/ z' J0 ?! o
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
8 r& L# T' Y5 N% L| | ├──2-单通道卷积的计算 .mp4 104.01M' G T, e5 ^: [8 }
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
" w5 F" b" m- f4 D| | ├──4-卷积层权值共享 .mp4 63.93M: A6 z# ^- S1 w6 b6 e3 p
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
6 `% ?- _& S! P# I( i' || | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M+ ^0 y% u4 [& w6 q/ G, @! X
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M( B5 @. B1 j1 w; a
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
5 t2 K2 m. ?* A7 b| ├──2--卷积神经网络优化
- e7 h/ w" e) w| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M7 F3 }, F: w- U0 q( B) k5 V" T4 `
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
/ U7 }1 S- F! m2 E| | ├──11-Optimizer_Adam .mp4 141.12M
% G+ \* y( L- U. i2 W3 n| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
. H- s6 g% L* ~5 u3 y# {| | ├──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# v! p$ G/ z0 L3 b6 I6 a4 C
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M% F0 t/ Q/ ^( M" F4 T
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M! Z& J' Y( K# c
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M0 D# @& k8 L7 h h
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
' {0 ~5 e$ f8 ^4 Q| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M/ b5 Y5 m0 h& o; R. W- L A, w
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
% c; }( L. {( ?| ├──3--经典卷积网络算法
0 v$ H" e( I9 Z| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M9 c4 h F+ j, o- a8 I; O2 F' I
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
% `" e3 c# @9 E* u/ T7 B1 w| | ├──3-InceptionV1_V2 .mp4 165.86M+ |( t, }+ B5 q! f5 D3 X
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
1 D7 L W, S2 k- d. g b# e| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M* r, u `$ F1 ^2 l
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
: _1 J2 D) F! V6 Y| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M% d, _; r- u1 B% x6 V: [. n7 M
| | ├──8-BatchNormalization .mp4 99.23M
6 _( B' s$ r' l; ~| | └──9-Mobilenet网络架构 .mp4 150.05M
5 @: M+ @( {/ \| ├──4--古典目标检测 ) U5 p/ I6 G1 o7 {
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
) L5 h! x7 E. L1 ]. m7 || | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
4 _/ z% x% f0 w: ^- r| | ├──3-IOU以及python计算的代码 .mp4 23.56M
4 V6 a& s/ T2 _" k) i2 z2 @) _| | ├──4-R-CNN和SPP-net .mp4 124.06M% X( ^, c0 ~/ k5 [. n
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M/ I n D; y& K" D
| └──5--现代目标检测之FasterRCNN
4 d, m2 D. ?6 X! q2 }| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
3 E$ z& t" L" ]8 {. g2 Z) l) u| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
, Z; v- V) a2 Z& Z| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
( \- D3 o6 H/ K| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M/ f0 } J$ H* d' E N# g4 v& @
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M( ^0 k( y2 n1 ~. h/ V* v6 p% a
├──15--深度学习-图像识别项目实战 * u7 b/ \ S* e2 ^! t# h5 C! {; B7 v
| ├──1--车牌识别 0 H6 k. ?& @9 M7 |
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M
# Y* N9 J0 c5 s1 ^| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M9 _1 O% Q0 K A
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
# \8 ^0 K' b' l, j: d| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M( o3 P- D: Y- _/ f) l
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
" ?! Z3 L# P& n5 Y' g| ├──2--自然场景下的目标检测及源码分析 & o; f4 j: M2 K# t% Y5 \& v# {
| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
) _+ b3 n6 n1 B- i' @8 e# ^& A| | ├──10-FasterRCNN代码_构建head .mp4 67.56M6 w7 K) }2 D7 s' ~2 Z4 D5 p
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M8 k @/ H5 h' _
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
7 C' y% ^' R4 i0 a) o| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
1 B$ g c# u% c! M7 G5 A( `| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M9 f, X; c) G+ l& v
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
- B9 O6 R1 k7 {0 K| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M. b; r9 r8 A8 V N
| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
+ L0 u9 K4 a1 U$ q h| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M* ~! l9 z* r4 b' P2 V& E( T
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M A2 @8 Q j$ K3 L, S7 U$ u- J
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
7 y9 U4 o# h* \0 J o| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
* S1 W% `1 U6 O) c0 g| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
~6 l# }* Z1 C% p3 o2 A| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M2 T* G* [ d: `& O! g
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
9 k$ E! ^- t+ p% |6 P| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M7 }' [* _" s0 e/ Y1 n9 p
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
/ ?! p# ?! E" `. Q2 j! I7 m* ~| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M/ w6 ]9 D4 k: s! `$ |; h
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M. {! R2 R& V' Z _8 c9 X# m$ @
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M: }- r& V$ m4 N$ Q6 @5 B
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
% X& M( s& ?7 C/ S% f$ _4 s| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
, U& A) x/ J" z" `; g| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M* ]. k1 t8 C) d* p
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
6 f7 [0 q% Z- I: @" l) q| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
& P z0 W i2 T4 h1 O4 J| └──3--图像风格迁移
- ?$ w! E7 n9 J| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M" d V* R. Z$ _+ ^1 v& m9 o3 _8 t
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
, I# g2 J) N! a/ ^# S. ]6 a0 g| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M0 M9 U% x; F4 w0 F1 ?5 M
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M6 o- u- y0 `1 s% c$ P
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
" \3 q9 o2 K! ^) _& R| ├──1--YOLOv1详解
" K' x. _8 B7 y, ~# G3 x# G| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M7 a) h- O7 {. X8 A5 ~& U. s
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
+ U( D {; D* M1 l| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
8 r& f0 L5 f8 [" R' W. p| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
i6 U4 U2 Z, E: d: [& I+ z9 K| ├──2--YOLOv2详解 # Z1 V( \! p6 `0 j- ]
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M3 b* g" i/ _3 n2 v Q4 e. O
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M! d8 C/ ?/ q+ u8 r! P+ R( x
| | ├──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
; A' s+ [# N% V2 E6 l+ T| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M, t# p8 s% i# K
| ├──3--YOLOv3详解
; p0 h J9 }0 Z9 Z| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
N; Q* K' m* u| | ├──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+ R3 m# o0 g& H$ B7 C: x
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
, [7 p7 u& d: I# X; C9 m' U| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M, F1 j0 f) s6 @% P7 p5 H& P
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
+ C3 I6 X* m, c! X+ k. h| ├──4--YOLOv3代码实战 # @9 [' }7 A' N, e
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M5 E4 T, T& c! U7 D
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M! ~) D: r/ M' N" d# h0 R) y
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M3 q7 q( }' {, i4 _, w
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
: m8 _& D, u `# c" @" F| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M8 E$ D2 f: R* j' z1 C6 M
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
) C9 |3 d% W2 I7 X. E0 A| └──5--YOLOv4详解 + g$ j7 d# l( }# E
| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
, V# A, Y+ w3 ^1 z' t) d| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
) {. J$ r8 h }8 R7 n. i/ ^| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M: ?% v' O) c9 \- _9 l1 X
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
! P0 Q8 x2 ]/ G" N" R$ {! I1 D1 N├──17--深度学习-语义分割原理和实战
& i3 R3 N' Y5 l+ p# u" J; o| ├──1--上采样_双线性插值_转置卷积
; y. J* ~! @. }# U| | ├──1-前言 .mp4 19.46M- s3 x, W5 m# C2 ]* j x4 a9 I
| | ├──2-上采样_repeat .mp4 23.90M* M' U& r6 L( ^; Y9 W2 Z% m
| | ├──3-线性插值 .mp4 34.48M
0 n9 J" @( Y: l; J8 p$ M5 ~| | ├──4-双线性插值 .mp4 125.71M2 t( F+ V$ O4 v
| | ├──5-转置卷积_以及TF的API .mp4 114.25M3 F4 D, }( @- n" E
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
5 S, O8 k3 I! R: l| | ├──7-ROI Align .mp4 58.38M
5 x4 I& ~ N' T5 u+ o$ l| | ├──8-FPN思想与网络结构 .mp4 92.14M1 k* W' e, t2 Z" X6 o
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M9 V$ q0 e- X! G: m( l9 @
| ├──2--医疗图像UNet语义分割
" z! B. D" I$ w; p| | ├──1-语义分割的基本概念 .mp4 18.33M8 j! {7 [. y& z0 J5 {; N
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
/ o0 e, J2 j2 Q2 J4 e3 L4 f* m7 u| | ├──3-UNet网络结构 .mp4 30.41M
3 C8 u* X2 X u# v$ F. Q$ ~| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
U' F3 n) S2 T| └──3--蒙版弹幕MaskRCNN语义分割
2 {- x7 _1 G0 I' t/ J9 i# ^| | ├──1-MaskRCNN网络结构 .mp4 106.38M
: l! i2 Q4 l: y# D7 j/ ]. w| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
; Z. L. ^+ c$ g| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
5 S/ q2 M( N" O+ W2 R| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
0 x/ `/ U4 Y8 D4 u! Z0 L| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M3 G1 Y) y5 p: `
| | └──6-MaskRCNN源码config和model .mp4 244.48M5 d$ v: ?* [; z k* M( l+ x7 A
├──18--深度学习-人脸识别项目实战
' X# p7 x; [) l5 G4 n2 \0 [9 S| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
& ]5 X9 c% W3 C; f, C+ g| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
4 q# n$ V6 e3 B r| ├──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
* ^. ^$ `, u7 O* Q) M% ~! `( Q+ u| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
# Y. |) B3 b5 }' C% f| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
1 `4 U+ v' t. l- E: x Y2 u| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M& @! c7 h0 z( {7 V6 O) O
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
- L5 x0 k C- s# X& O| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
8 u* X: Q) p; M* m| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M- I; G* Y" h% a3 q
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M5 O) A; }, r6 z+ y. d% }0 V+ r& X, a
| ├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp4 40.37M
2 P" B4 }( L; ?3 S& X/ V| ├──2-开源的FaceNet项目介绍 .mp4 38.07M# C# ~4 P m4 W; T
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M) ]2 t% d+ |5 _. T0 _
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
1 w# v% U+ Q2 D3 D| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M& T% J! q& P: l9 L
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
+ |1 D. b6 Q; U' V| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M1 u4 J2 `8 f' h9 U- f9 s! X( u1 T1 Z! }4 q
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M7 ~9 |# ^5 r4 M0 K8 s ]
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M3 B# A1 f/ {3 b4 i8 P
├──19--深度学习-NLP自然语言处理原理和进阶 : t, L; A2 j3 I7 \2 v9 v4 g5 \
| ├──1--词向量与词嵌入
( I) z8 X6 G+ Y: p3 } F& ]| | ├──1-N-gram语言模型 .mp4 116.32M
, S8 I( @7 @8 h' ]% P1 D4 O| | ├──2-NPLM神经网络语言模型 .mp4 155.81M- W* c7 B1 s @5 F# E$ H# v
| | ├──3-词向量的作用 .mp4 58.00M- t- M$ Z9 f, t& y
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M6 r3 c' R$ t5 h+ ~3 g9 O! G! U4 i
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M
4 W. @: ]! W1 G' B| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
1 |. ?2 w- l& ^| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
# f" \ s" s0 P! C# ^| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M# f4 V y n! V$ G. s( q$ b. O
| ├──2--循环神经网络原理与优化
! I: L4 f0 x/ M0 j- ~| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M( ?/ D" w9 l8 C1 E2 i6 D
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
6 r4 v' C+ ?" }7 T| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M/ K6 ^* @% u- S1 Q
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M3 E) k' B' ]6 z' I3 g
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
d8 x: N! X( ? X& i9 z| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M6 b0 @* N" z. K2 Y( _" z
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M# n9 _ L7 t( O9 N7 q$ f+ n/ u$ R
| | ├──8-双向RNN_LSTM .mp4 52.01M
1 B* G; Q; ^; Q| | └──9-RNN里面应用的Topology结构 .mp4 23.04M5 X, R @9 r2 l9 a8 K6 v
| ├──3--从Attention机制到Transformer : ^3 L6 F. ^! v# X
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
% o6 C2 j7 Q+ E3 r1 e- V| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
: b+ a) N% U8 O! l+ I| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M
% J8 s3 y0 x% V3 a2 y3 F3 D| └──4--ELMO_BERT_GPT 3 N6 I6 o+ ^% ~! |" z
| | ├──1-ELMO .mp4 62.44M
C. n" ^$ X$ ]+ N5 F2 O i| | ├──2-BERT理论 .mp4 99.73M
, M( r, i+ z5 q# F8 X- E, l- a| | └──3-ERNIE_GPT .mp4 56.34M
! Q9 j( a5 ?5 Y R├──2--人工智能基础-Python基础 " Q5 l' I+ f2 o# V; c
| ├──1--Python开发环境搭建
; q7 K! u# o: e/ F, x| | ├──1-下载Miniconda运行环境 .mp4 100.75M
; |: L1 @' C( i T; S| | ├──2-Miniconda安装和测试 .mp4 57.12M) @+ P( u& H( K) b6 W0 S
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M# d2 u \$ l: i
| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
2 _/ X5 Q7 x0 m6 c* C& r| | ├──5-Jupyter常用快捷键 .mp4 32.23M
: a' A+ @( ?. _7 d| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
9 {/ ~% s1 O4 W% }9 a# F| | └──7-关联虚拟环境运行代码 .mp4 38.14M
0 ^6 x$ E5 S" `! N" ^5 d/ c| └──2--Python基础语法 3 h) j; _' t3 M
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M* o4 I& O' E( X
| | ├──10-Python_集合操作_列表 .mp4 34.71M
# p1 ~2 ~* g/ d8 _- y4 V7 o| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M+ i* ~- t4 ?3 T& Y
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
3 [+ D3 q/ u: H| | ├──13-Python_集合操作_元组 .mp4 43.46M* \$ h! G: j& I3 C) O; X
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
* v) S: M. a8 r| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M' U5 w) }7 N7 Q, s" [0 n( H) R6 l
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
8 l" r4 C+ u7 [* {| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M2 m9 S4 v# T: Z \" x
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
4 K- C7 |! G+ I' || | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M- Q$ k+ T ~, a4 j) o( X% ?
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
( ~9 [) L0 [' j4 z" y| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
! _ k! w6 t6 K% g! }& K0 Z( I" M| | ├──21-Python_函数_递归 .mp4 23.46M
& P8 p7 Y, w9 K' s. |) h| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
' h( b- J9 D) E2 q| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M% G+ ^$ Z& z* l. C. U
| | ├──24-Python_函数_闭包 .mp4 41.61M
3 X" o0 o4 M# B i9 N; T| | ├──25-Python_函数_装饰器 .mp4 30.35M
9 @6 N1 S! L0 D+ V9 j& d7 l| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M. m" b6 t; f9 M5 G, `2 B5 E
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
$ e4 V/ F; j6 ?3 w, r% p| | ├──28-Python_类对象_内置方法 .mp4 29.17M& R0 D8 e s- f6 ?* w+ T
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M, m3 F7 R1 h/ b+ v
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
" A. M1 D: X) g; ?| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M# K$ R s" c9 B/ }5 A/ B
| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M
# m7 l5 f; _, s. [0 k' i| | ├──4-Python_控制语句_while循环 .mp4 25.02M
& _' q2 D4 U) b; o& o| | ├──5-Python_控制语句_for循环 .mp4 22.82M
5 }, L1 x, r; W| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M* e9 \# D+ ]: ^+ i) ]3 f! j
| | ├──7-Python_控制语句_break_continue .mp4 25.23M
$ a7 Q! b$ d: D+ r/ @6 P| | ├──8-Python_切片操作 .mp4 40.20M
7 j+ C: Q$ I4 z& u6 @: W1 ]| | └──9-Python_数据类型 .mp4 25.38M
& ~" e9 n: M. V7 t. U% p3 w├──20--深度学习-NLP自然语言处理项目实战
0 \- d( @/ c' ?1 T8 I! h" F| ├──1--词向量
5 T5 G' G5 H' N! ^" j5 ]| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M. U+ E! t$ ?/ I" a& }0 y
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M( J; y6 X: ~( P9 y. b0 K) x1 c; [
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M2 G$ q, y9 Z. a. B
| | ├──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# V( p' S: W& p) b0 v6 H+ X
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
9 V! i; m( E" W8 _& a& `| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M8 [) y2 v4 S: A) c! ^; b
| ├──2--自然语言处理--情感分析
) V, F% Q+ W, [ ?, ] d" m+ O( U| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M% R M: r C- P) M; d
| | ├──2-数据预处理_01 .mp4 79.65M
- z- g/ w# Z* g9 S| | ├──3-数据预处理_02 .mp4 45.68M/ ~' v# @+ t" _& ^3 o& V' b2 [/ F3 \
| | ├──4-代码讲解_01 .mp4 52.29M
- T( G; X: ^; Q% x| | ├──5-代码讲解_02 .mp4 60.85M
' z) t0 u( |4 ~, K* ~- o D| | ├──6-代码讲解_03 .mp4 53.89M
8 ~, q d5 E2 Z% q1 \| | ├──7-代码讲解_04 .mp4 57.19M
0 a, Q: ?! v u1 i| | └──8-代码讲解_05 .mp4 35.88M( v- f2 `9 ]2 ]) [0 N+ n( d
| ├──3--AI写唐诗
/ x/ }& Z M4 M0 N5 y; @| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M$ D* \) Q- u9 d
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M$ w. y" Z$ i' Q; {
| | ├──3-MultiRNNCell单元 .mp4 38.93M
8 S7 X% i1 e/ _4 h' L( ~| | ├──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
; M+ h! q3 j5 A| | ├──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% u4 B/ u2 u- e) r- O4 S( p
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M0 U6 s' q) B5 u6 Q0 Q& b' g) l
| ├──4--Seq2Seq聊天机器人 " I$ s5 o+ ~7 G. U
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M- _8 p3 ]3 k5 ^' i( \" ?
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
: n/ L! r' q) Z| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
6 u3 o7 }# D/ N| ├──5--实战NER命名实体识别项目
# a' |2 D* L$ \! E3 d# Q+ _$ J| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M! X! i& ~% {6 `" Q: p( m
| | ├──2-介绍了代码目录结构 .mp4 23.44M
; W: L; o7 H* `% q, }4 s% _| | ├──3-NER代码读取数据和预处理 .mp4 97.61M
0 a: m( I* F# L# p9 K| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
; j9 F5 A+ j; X+ |: w \| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M3 Z9 Q1 q6 z+ _9 g( a
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M3 h) [6 p6 C/ `' E2 o3 g. L
| | ├──7-CRF中的特征函数们 .mp4 125.97M! Q# A1 G- M. b5 B
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M, {' E% _5 {* V% R4 u$ ~
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
% E& x& S9 w' h5 @- `9 _| ├──6--BERT新浪新闻10分类项目 # I3 A$ j6 r' m) j& ]& d4 r
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
' Z4 P8 T% Z+ k3 [* G: `| └──7--GPT2聊天机器人 1 N4 O+ ^ e+ k" B. a$ ^6 W3 w
| | └──1-GPT2闲聊机器人 .mp4 62.28M7 h7 ^3 q+ {" W7 j9 U7 d$ U4 |
├──21--深度学习-OCR文本识别
+ w; ~8 p: v# G1 U| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M# H2 O7 L+ A0 q2 i! W! r V
| ├──10-CRNN项目代码剖析 .mp4 306.48M( b# Z$ u: o' j: g* k, W: d# Q
| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
# [! P! U. ~4 d% {! {| ├──3-OCR识别的CTC损失思想 .mp4 327.69M" Q M: Y) A' }( l( K/ P
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M. Z+ w& K8 v0 g( b' ~
| ├──5-CTC损失函数的理解 .mp4 330.64M
/ g$ j* M- T% E| ├──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
' N# A) N3 m! x i9 k| ├──7-CTC前向后向算法代码 .mp4 225.41M2 C7 l8 K3 [3 e
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
8 @, X0 d' F, R7 S6 C| └──9-CPTN项目代码剖析 .mp4 491.69M! o1 J& k$ U r z% ^3 i4 f/ ~
├──24--【加课】Pytorch项目实战 7 ?4 |, P( m# Q6 X6 x# S' Q0 @
| ├──1--PyTorch运行环境安装_运行环境测试 " v; C! f/ g. e/ ^4 n
| | ├──1-PyTorch概述 .mp4 29.29M$ z9 H- V: W. N6 `' D; _& b
| | ├──2-PyTorch的安装 .mp4 76.45M5 t" h) L" B; ~" a' [
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
# b8 U5 M: \2 g0 {) b- f| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
0 T! p! V( e' d| ├──2--PyTorch基础_Tensor张量运算 , _4 U% T2 O0 I( G
| | ├──1-Tensor的创建 .mp4 55.14M" T. K0 m( D! o1 e
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
) h6 l0 \, N$ j| | ├──3-广播机制_逐元素操作 .mp4 44.46M
) M% M8 Q( R8 t' z| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M
( R: y+ n7 p2 Y* `* P| ├──3--PyTorch卷积神经网络_实战CIFAR10
& `5 B) J; d; c& ~# x: K| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M- O/ @: [# L; y* c; y& w% K
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M' M# a' S: q5 @ e- Y, x
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
0 q+ l4 s: {# L- k V5 S| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M, w: _- \. Y6 `/ E. F* l
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
d, Y- M) @ _6 O" R| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M8 w$ ~1 k2 G% m# b, g) D/ i3 K: i
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M( a) V" r: P6 m6 Z- @$ P
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
* A6 [+ X; M) u8 r7 b5 n1 j- L| | ├──8-torchvision里面的预训练模型 .mp4 29.84M1 p) D. M& W, K+ A4 \! a. M& X
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
0 \" X. D# S1 [6 |' S% a. D7 g. @| ├──4--PyTorch循环神经网络_词性标注 ; l; P: n* W" l$ Z( [2 Y6 e
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
- T6 U: _4 f8 B1 U2 y9 T+ s1 e! b| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
# B# l/ f% N9 S( _) z5 H# n# Q2 p- f| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
5 F+ v; A# d0 K" w" L; Q* R, l| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M) N4 f6 c2 j9 ?! B9 K* O* [
| └──5--PyTorch编码器解码器_机器翻译 + V% l2 p1 C; p2 ?
| | ├──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
. C* U: v+ y+ g* s, b- y# Y0 i| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M. S r+ X, V* R5 q% L* T0 V
| | ├──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
, s1 p N/ z3 F6 t9 u) @ H. t* X| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M( i) ?3 R( A+ A6 b" ~3 ^
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
$ }/ m# F% }0 b7 F+ F+ [| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
9 U# W) u. E! B1 Q| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M' G$ ]& a0 ~0 c- O1 U
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
' `) M9 m Z- e├──25--【加课】百度飞桨PaddlePaddle实战【新增】
) G. }8 r, r! r+ p/ }| ├──1--PaddlePaddle框架安装_波士顿房价预测
# r, i# I I/ m3 [1 F| | ├──1-安装PaddlePaddle .mp4 87.34M
# c5 W3 x: @6 |) N# U| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
+ b+ q+ Q# ?$ B! m7 a3 r) B" D8 n- n| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
; }, f: s: M( W# \: d5 [| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M1 l% M# X- g; e+ H! ~9 ~& O
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M: [1 X; N7 Y9 N
| ├──2--PaddlePaddle卷积网络_病理性近视识别
7 p- d1 t6 G, b# h/ j2 m3 v5 Y$ t8 R| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M: X9 \9 ^3 ?* r2 u$ z
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
6 T1 H, z! @( \| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M3 Q7 y2 c" T+ p6 r
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M5 q8 c" q! W; S- |! y/ U9 T
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 : o$ u2 G/ X, @% s3 \8 o5 h
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
% {0 M8 P2 r. \6 k9 P! M% q| | ├──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" G+ p" e4 w; A- a$ A
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
2 Z- H- t# S4 o* a8 n| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
# G$ o. B& d* Q* f! [9 g) S- j; Y2 N| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
3 ^, F# D/ |7 d0 P' L: C9 d5 }| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M
! E2 t3 L6 S- S2 a1 F; K| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
; H$ N5 u# c% j) X: S8 r! E5 _, H| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) 9 `* j, X, i6 u7 v
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M9 v' t6 p0 h+ A
| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M5 w% I& w. L" {" Z& y3 v; W2 l
| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M; [' n3 o" ~+ |0 ]8 ^
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M
5 ?/ q$ Y4 v. f) o| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M' C7 g) u) ` J
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M! P% V" m$ K7 P5 {: h
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） , v1 O* }+ I) k( n" f: O
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M/ m5 o/ b% [0 P3 ~* q' X3 f
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M- T7 T; ~1 s* p" y! U
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M% w- ?; e* I% O0 D' o
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
$ @2 k8 z. `, O: |$ g* l| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M' x) P5 _9 U& D* Y
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M/ o+ M" z/ D' C2 F
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
/ `& w2 \3 A% }( A| | └──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 80.58M2 V, G# m+ _, z
| └──6--PaddleNLP模块_物流信息提取（ERNIE版） ' U4 I5 x0 J) B+ v& K3 O# I& ^5 J
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M2 w" I# o0 J( T
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M4 \+ o* J% @7 c o
| | ├──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
+ C2 w0 [$ X' |$ b# W7 N1 v| | └──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
. f: D& W6 @ p$ \$ M+ h├──26--【加课】Linux 环境编程基础
: A1 a% ]) e5 R9 T| └──1--Linux . F- w/ y" K* p+ B5 {/ b
| | ├──1-Linux_课程介绍 .mp4 3.72M( A3 M- Z3 l, r
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M7 m8 u0 a/ M0 b- v
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
2 l* x) N$ X$ m| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M$ @1 [- X3 t* s `# f& L
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M' m; e+ r* X4 @& `0 L
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
+ O# J; d* ?. N1 p) ^) H @| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
- R# c+ w6 P" m1 i& K| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
. |" v# z2 B* C1 c| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M m8 A, X, s3 @. K4 I
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
3 e/ V+ U5 n* y3 V1 d| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M. m! M6 b2 ?! s
| | ├──2-Linux_Linux简介 .mp4 17.59M! {/ d2 U0 U J" v# F
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M7 P/ \( _5 c! |$ n4 t& d* |
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
4 O! ^+ c1 Z, ^$ i- W| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M9 b! P/ g A1 [
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
' f3 @: e, f; C' ^. E| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M# h* x* s$ u+ F+ ?+ ^* @ U
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M1 V2 z2 V4 _) z6 U3 w$ E/ n
| | ├──26-Linux_安装MySQL .mp4 79.02M5 v0 Z& v$ {8 U1 M
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
/ O' Q5 a6 R& b( [) J! l) z1 c3 U| | ├──4-Linux_安装Linux .mp4 41.97M
, V/ C1 S+ I! X& Z| | ├──5-Linux_目录介绍 .mp4 20.31M
2 @ w- M8 N% \| | ├──6-Linux_Linux中的路径 .mp4 18.65M% b" `: ?0 p- M& ~) D7 x
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M) u- J( X7 P& x* E
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
. B+ H! B8 V* |* ?' i- I3 F. J| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M3 }, D0 B( G2 f5 ?; z. }1 `$ B4 E
├──27--【加课】算法与数据结构
6 I, x3 ]0 k0 V4 h, l2 H| └──1--算法与数据结构 3 A4 `* @" L! Q. \9 s# j% `7 d9 }. M
| | ├──1-数据结构与算法简介 .mp4 35.68M( @! D/ ^2 D2 L$ X h. [
| | ├──10-哈希表的基本结构 .mp4 54.34M# I% U5 G! X9 d* H
| | ├──11-哈希表冲突问题 .mp4 75.92M f4 o7 g* l0 i9 W; P2 y+ _8 Q
| | ├──12-哈希表冲突问题2 .mp4 72.30M4 R( M& M# w! O* @0 o& R$ M
| | ├──13-哈希扩容 .mp4 111.03M
0 S) B" |8 y2 _- Y" c: n5 u| | ├──14-递归与栈 .mp4 50.77M" Y$ S8 `) O% {/ Q. H
| | ├──15-线性查找 .mp4 57.80M
: F9 S* Q3 g' s }| | ├──16-二分查找 .mp4 52.32M
. J( g. S4 g* M% F3 s8 y| | ├──17-冒泡排序 .mp4 53.19M% h. h' S* E5 c5 x0 p
| | ├──18-选择排序 .mp4 43.29M) C/ J* _, B2 f. u3 C
| | ├──19-插入排序 .mp4 31.39M
4 j, \! l- T+ r) x; C- z+ ?; R* C| | ├──2-大O表示法 .mp4 25.59M
, y% [; t* a7 v| | ├──20-归并排序 .mp4 84.48M
2 v+ L- M. S% W# t4 F* _7 J) o3 u| | ├──21-快速排序 .mp4 36.63M* T3 l0 L( N+ e0 N' C/ x! S
| | ├──22-树结构 .mp4 96.85M5 b) S0 X6 e/ c6 A* f8 Y1 U! T
| | ├──23-树结构的遍历 .mp4 61.05M" Q0 P6 N+ T( R- U, C& s% |7 E: Q8 _/ {
| | ├──24-最大堆的增加操作 .mp4 45.43M
/ s2 d, ~2 x. p! U: H" u| | ├──25-最大堆的删除操作 .mp4 45.63M
: b& M4 ]+ P7 S0 r| | ├──26-二叉树的查找 .mp4 100.24M& D7 H& |1 Y/ l. a* q+ J" l- f/ d- k
| | ├──27-二叉树获取最小值 .mp4 25.21M/ n0 B* a9 @8 s8 J( N: ^
| | ├──28-二叉树的添加 .mp4 72.66M2 B! @( U$ M, V i3 I, `" `1 R
| | ├──29-二叉树的删除 .mp4 120.06M( R* S* @- Z5 ?; { e. W
| | ├──3-线性结构 .mp4 53.14M
3 }; [+ G) F! m, n' q3 u, C| | ├──4-单线链表1 .mp4 68.36M: @/ m! [; G) T
| | ├──5-单链表2 .mp4 221.69M9 r I% e6 {( o5 c% @
| | ├──6-双链表 .mp4 103.57M
+ M' e# y* ]3 m# Z) F& x5 ] r& y: h| | ├──7-队列(链式) .mp4 74.12M
: E' S7 x; T) y8 Q; v! j$ X6 U| | ├──8-队列(线式) .mp4 30.99M2 j) F+ s8 ?( F
| | └──9-栈与双端队列 .mp4 28.12M
u6 y6 m5 W. W$ I. I5 N├──3--人工智能基础-Python科学计算和可视化
9 X2 I! V- l- P5 {% `: U" A1 S| ├──1--科学计算模型Numpy
) \9 U% Y- t1 g, O| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
5 u! n# k: ^$ r' B9 k3 o| | ├──2-Numpy_array_arange .mp4 35.45M
P7 L2 f: m; W| | ├──3-Numpy_random随机数生成 .mp4 50.54M
* ` I4 \) P B. M6 U- x| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M) }, l: R0 Q+ O* n" m
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
7 q5 l+ ~# _. i1 L# }| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
! l7 q _' x& r9 W) [| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M. Z8 \" }" O, E* Z E
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
& @7 ?, U' L7 Y| | └──9-Numpy_聚合函数 .mp4 23.68M
6 J& M3 c* ^9 [' Z6 {| ├──2--数据可视化模块 5 ? f& M8 `7 I3 U$ z
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M& P" M9 z. ?/ j' [) b6 Z/ R8 D
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
5 m1 ?$ m+ b- t| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
, }- s6 K0 [5 u! W( `, L, G| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M+ S) K3 Y0 ~- i0 W- [
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
5 ^( a2 t1 `4 U& p6 H# D| └──3--数据处理分析模块Pandas
3 W3 L J, k# |4 C3 p R| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
0 x7 @1 R: B8 ^0 C' f6 t+ H6 E| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
# h& f: ?4 l9 L6 `' ~, V& Y' F| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M* V" f9 B1 Z& }) d
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M G; F9 `; L$ Q. d5 Q0 O
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
" |# q$ ?! C3 f* D4 q/ h7 q| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
; \8 f; `% Z/ S$ a/ l( h| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
* K5 a& U0 b( ^6 w& v├──31--【加课】 强化学习【新增】 8 {3 G. }9 w2 R; \, k H
| ├──1--Q-Learning与SARSA算法 q( A0 P% v) w' u: F/ j
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M! K3 X( T2 X6 |$ {6 U7 ~
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M- h& N7 S3 D/ ~$ A3 C6 Z
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M0 u7 H/ L5 j. c5 }9 T1 C2 \
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M' `9 R1 f( }6 [6 \& r/ g( [- G" g
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
6 ]$ c; F6 Z( f2 _( R% L2 m# M| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
6 _2 d" E8 E5 S| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M
% G( o, }1 g' g/ z$ B' d- p| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
" e; Q/ H4 d5 n+ d' p: N) p2 F2 || | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M6 Z7 `' \6 N% b( i/ V, J
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M6 S2 _' F! N" U; M
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M y0 z7 ]' `0 R, b0 H
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
& |3 c$ D9 P9 |) q; v f| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M* B( z1 e$ n j4 w& a/ T% i
| ├──2--Deep Q-Learning Network + w& A5 |; \5 T9 u! b! A& t, L2 ]
| | ├──1-DQN算法思想 .mp4 59.24M; P: C ~- |# f% l
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M0 [- |6 p5 u0 M! N
| | ├──11-DoubleDQN代码实战 .mp4 44.49M2 w4 c* ~7 t% c# n+ Y1 @
| | ├──12-DuelingDQN .mp4 88.12M; f5 i i: W3 ] A+ O$ N/ u' ~" U
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M+ x: g) J! `" g+ g9 o8 I
| | ├──14-计算Action的方差避免风险 .mp4 54.23M/ N0 ^3 w0 T+ B' Q' W3 m6 r) ^
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M6 i, L9 d6 D$ J, h9 E
| | ├──2-DQN算法具体流程 .mp4 56.17M$ Q' d C# ?" u5 z; _' {: N
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M8 `+ L- Y* l! w' s3 f* h
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M/ K2 E' N% x! n2 i1 X" _
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
# a7 c J3 e! ~| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
8 ^5 t- A8 ~) F5 J| | ├──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
; X/ `+ c* U: A3 B& {7 e$ `! f M| | ├──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: L1 B4 R' f* K# Z) T
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
. v# m1 R0 G m6 k' }& {| ├──3--Policy Gradient 策略梯度 + {! @6 V2 w8 w, G( t# i1 V
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
7 U# J- u6 a( D( J4 ?% ~, {| | ├──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
) O7 O2 J R {& o| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
1 Z; x; F; J% F `) g8 r# p$ r| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M. y7 q& Y1 r) O- r' y9 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 33.38M1 _; B8 ~4 w2 W5 v# M& x
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
. R: z" ?& F, F. d3 [. t5 A/ Y| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
3 v( y! C3 c* `3 `# k. z% K# G| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
7 T' P- i" F9 ?1 \| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
" A- r% [7 X; g1 y| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
p, U# c0 P3 I' `| ├──4--Actor Critic (A3C)
9 @) b* c C6 `0 w# || | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M. K. P7 o3 d& K
| | ├──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 36.14M0 b; `" C9 f+ s: @; K; t ~' v0 u M
| | ├──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# H# E1 r$ C6 Z6 O
| | ├──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
3 |4 L, p, g5 i( k- ]# G| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
% D, Q7 w6 a% O, i6 m9 s) q| | ├──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
* S" y/ M; }% A3 ?| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M4 w* U, [% Y$ i4 E
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
$ x0 H, ^7 p( M8 x| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M
! K9 c/ y r8 I* N* R| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
4 Q- T" d: ^& {) V| | ├──6-A3C架构和训练流程 .mp4 74.66M
+ U1 I' [. g) v# g% l| | ├──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
% i$ _: X; T: O+ P( E| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
% A0 L" i2 r+ s% H N; i| | └──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
! C( C1 U# f0 Y* g| └──5--DDPG、PPO、DPPO算法
' b7 q4 e- k$ I! c: m, U| | ├──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
4 J, T: ^1 W- E6 t1 p9 X1 T| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M3 I9 g' Q S! e4 c7 l
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M( W0 V" W+ c" q* @- Y% k
| | ├──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 42.12M8 H9 p- X: I- Y1 K. |4 S
| | ├──13-DPPO分布式PPO .mp4 63.81M1 x& q* A# G* x0 p" U
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M. i# ^3 Q7 X6 i2 s9 L! C+ i' X& s
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
7 K+ ?3 x; F. J! I| | ├──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 51.45M2 {' ?3 E- K+ ^( |
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
0 g/ c9 f' U+ l+ k4 S: e| | ├──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; s9 r$ J4 W) x' p
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M- b; h O. P+ a4 j# m
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M/ N4 R& L. F1 c$ v/ }6 p0 W
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M6 ?$ ^, `& a; w9 U
| | ├──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
: l2 A# R" H* i( ~) @| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M8 \$ R/ n& U4 k( h# U4 V1 ^
├──4--人工智能基础-高等数学知识强化 # F( s8 Z, b; ^9 l% @7 w+ g- q
| ├──1--数学内容概述
+ ^) L0 q, `4 m: U. L* ?2 G' c| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M( @, J" L# S. ?
| | ├──2-线性代数_概率论知识点 .mp4 26.81M4 y7 Q( _! a6 j! O' _, O% A
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M0 T) K+ e8 M9 ^4 r
| ├──2--一元函数微分学
5 n/ c- L" o4 b5 ~! U) d| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
0 u {: G: }7 D9 i7 N| | ├──2-导数的几何意义和物理意义 .mp4 14.49M% n3 C" D9 O' J1 l
| | ├──3-常见函数的求导公式 .mp4 22.76M$ \% K7 I+ H* z+ H+ C% W* K. M" ~
| | ├──4-导数求解的四则运算法则 .mp4 26.52M+ H8 I- _5 `' m$ c* @
| | ├──5-复合函数求导法则 .mp4 19.68M" `* O) J9 ?/ c
| | ├──6-推导激活函数的导函数 .mp4 33.40M s4 i8 C$ e* _+ y
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
' m. o: m8 X" @+ E| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M
8 o- u8 U& t# J; t- J- F1 i| ├──3--线性代数基础 $ K0 i) Z( z* q2 t% y
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
! B4 B% [8 G/ U6 ]+ l5 z( q| | ├──10-矩阵的逆矩阵 .mp4 38.54M8 h2 d" N% D8 C) H) H3 { _5 \ G
| | ├──11-矩阵的行列式 .mp4 20.13M& M7 _% s) U: N( r
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M- ^ ~8 j. ? e3 o9 z
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
6 `; }3 j: g, e3 `- i( v6 H: ?/ K| | ├──4-学习向量计算的用途举例 .mp4 20.32M9 ?' W% q7 g. {: N/ c# `3 e6 } ]
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
$ s3 u/ J) u8 h4 i2 h& H1 Q| | ├──6-特殊的向量 .mp4 26.45M
+ z0 ]6 Q- |9 Q% w- \5 [ U5 L| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
9 a, G4 O7 ^! e3 `6 Q: I+ ^# h0 [| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M! H) F* G7 j( ]' ]+ S3 d8 _ P8 F
| | └──9-矩阵相乘 .mp4 20.02M
/ r- x3 Y+ E& |$ Y, R| ├──4--多元函数微分学 9 f, F$ K: [4 K" F# N9 g
| | ├──1-多元函数求偏导 .mp4 22.61M
3 v# ?3 B# k3 r2 c, l; X| | ├──2-高阶偏导数_梯度 .mp4 27.15M1 @. p* A2 q: b0 m, m- f; }
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M+ D+ S) Z! E1 X' \' ^) {) i2 _
| | └──4-Hessian矩阵 .mp4 32.93M
" K! M0 k4 D* h n! G% e1 K7 o2 I| ├──5--线性代数高级
5 |/ R- T% s8 f; I3 v2 @3 x| | ├──1-二次型 .mp4 27.70M
4 m& J6 x! \5 ?8 A. d9 Q9 D: K( ]| | ├──10-SVD用于PCA降维 .mp4 24.90M
) H- ]+ v1 I4 o$ k; M6 i| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
9 e& f" {( F# s4 ^4 O$ {| | ├──2-补充关于正定负定的理解 .mp4 23.48M |3 }$ A& g4 a- }& Z Y q
| | ├──3-特征值和特征向量(1) .mp4 29.83M% \: X- x, z0 N- \% c j z
| | ├──4-特征值和特征向量(2) .mp4 30.07M
8 w: M$ i$ V3 V4 I; y$ M' C8 X- B| | ├──5-特征值分解 .mp4 38.68M
! m* B7 J' V7 n) T t/ z| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
1 G5 Z3 m" U V8 I| | ├──7-奇异值分解定义 .mp4 22.58M! [5 c- a+ Y+ f% J+ @7 k6 z
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
' m& @0 V% `. z! i I3 r| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M* i% z1 d: M8 g5 H, p) {
| ├──6--概率论 $ x' j3 X! A3 Q+ A
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
6 }& E. }# A5 V1 I| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M" [; p2 S$ X' a5 J+ Z0 V
| | ├──3-随机变量 .mp4 22.57M! K' m, U9 D" q- \' s' g, C" z
| | ├──4-数学期望和方差 .mp4 22.96M
9 t" a3 c) I% j; f# o+ x| | ├──5-常用随机变量服从的分布 .mp4 22.48M5 I! u, r7 S" y" m- k0 x# R& V
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
- t, S6 U1 _2 w/ r| | └──7-最大似然估计思想 .mp4 23.42M0 X" V' Z4 _; n. ` r
| └──7--最优化
7 Z4 m; X' ]0 }* y* \" z) o4 k| | ├──1-最优化的基本概念 .mp4 35.14M
5 J; E# I) u9 B7 j$ V7 i9 d| | ├──10-拉格朗日函数 .mp4 27.46M3 s3 z$ D3 F4 H' g* U# m' D# C
| | ├──2-迭代求解的原因 .mp4 20.15M
' ]: F9 c ^8 m0 p4 ~| | ├──3-梯度下降法思路 .mp4 26.33M) B7 ]2 H, `* J/ J2 B' u# y, x
| | ├──4-梯度下降法的推导 .mp4 43.56M
. ?0 L$ M- l& g* s7 x| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M/ o4 [7 L$ x# n5 K
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
7 v4 Y% e4 z5 j/ @) _7 L| | ├──7-凸集 .mp4 21.90M
1 J* Z8 S* N* \5 G| | ├──8-凸函数 .mp4 16.93M: T: |& v, u: Y+ u- y: N. F
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M/ ?# z8 A7 m3 i
├──5--机器学习-线性回归 F( |. X( K& r% f( D5 t* C' m/ K
| ├──1--多元线性回归
( Y6 U/ K& B6 H7 y. U/ n| | ├──1-理解简单线性回归 .mp4 51.11M
: O6 u0 O! }+ V, x/ m: s| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
1 x" h [8 J$ i| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M' T4 v/ j9 u) F
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M' ^4 B1 A' Y% l3 g( Y% \
| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M: p4 H @# F* |& K: T. K
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
- g% O/ x9 p4 Y) Z) L; W0 B4 m| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M! h& X* Q& V. m4 f. E% V
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M- g0 ?+ B6 }7 a/ }; V
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
& g2 O2 h3 e a4 r# t. r| | ├──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
* p# z9 J" |" Y: h. C! h5 r$ j| | ├──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' y+ z' F# M6 \" Y( J9 u6 l6 Z8 l
| | ├──2-最优解_损失函数_MSE .mp4 39.58M' j3 B- g; h8 p( @; T& y1 e- j
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M- `! ^: `4 _+ p0 T: z
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M9 }. p5 b4 M, }3 e0 l
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M
( J; t. K; M# v( S& T| | ├──3-扩展到多元线性回归 .mp4 32.15M
1 v- C/ |; K/ a# O& |8 || | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
+ l5 a: w9 M. V, u, Y% k& a| | ├──5-理解维度这个概念 .mp4 41.41M7 S$ d, x8 k, c& z# k& J: G$ n
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M1 ~8 Z4 v0 k' e3 t
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
2 o/ Q n: ~/ Q9 ~4 w| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M; X( |* _; G S, H" y
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M0 @; t. h" v+ x
| ├──2--梯度下降法
5 X& N4 J* C( M& f# z+ s| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M8 |- `/ f, U( G; |
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M: d4 J1 M, e# H: a/ L. e
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
) L3 y5 N# H& c" V& v| | ├──12-代码实现随机梯度下降 .mp4 26.67M/ T/ m i# r; v" P, }% x
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M& R/ n8 n0 j. {) i$ K) s
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M+ b; Y& a# @ C3 l0 G# J& R3 K
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M- }+ c' T% H# ]# i' F
| | ├──2-梯度下降法公式 .mp4 57.12M( ^4 h( B5 b! h# r- Y( C) _6 w1 M" [
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
$ r! a) ~% c3 n+ j7 d| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
/ n$ E; D) x. z! ~: L| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M1 }1 n, t5 N) u Z; H
| | ├──6-全量梯度下降 .mp4 62.84M$ E: V+ ]. V& F
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M' \+ m( B( d% D6 a/ ?5 u* o) \
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
. Z/ g, p* b+ z" Z6 C| | └──9-轮次和批次 .mp4 45.22M
/ q/ l5 u" u9 \- C| ├──3--归一化 # Y' D ~( W) E& K# R. v o: |
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
" } A7 L7 ~4 S1 o/ {$ ]! w; E| | ├──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) D" V- `* b+ Y, ?9 v
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
+ T9 w" |. S' e, a: l| | ├──4-最大值最小值归一化 .mp4 24.87M
" j; R8 Y ?6 u9 b| | ├──5-标准归一化 .mp4 51.86M
+ m. o' J' C0 M| | └──6-代码完成标准归一化 .mp4 41.13M' p6 G6 ~/ ~7 l5 o, U. A
| ├──4--正则化
5 x. O( j v1 R, H5 Q| | ├──1-正则化的目的防止过拟合 .mp4 30.71M4 m6 A V4 u! Z+ Q8 U
| | ├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp4 35.27M2 d( y) ?2 r6 A; J1 z4 @1 e
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M9 N6 x4 U4 L# y* ]5 i, k4 ^
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M3 B- N' I3 @! g- ]
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M! a, {5 v: K( m. F- Q, m8 b+ I
| └──5--Lasso回归_Ridge回归_多项式回归
$ [3 I6 P9 g0 T6 m. h# r| | ├──1-代码调用Ridge岭回归 .mp4 76.32M( Q+ o7 e1 y, N8 q8 R. Z `% d
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M+ M( B1 D( t( N/ X8 |- J, [
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M8 _" r+ E0 F* p S4 |# P$ k; ^
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M8 ]8 P' N. ~$ r$ k6 h8 ^
| | ├──2-代码调用Lasso回归 .mp4 28.73M
6 ]! M" q Y/ n8 K| | ├──3-代码调用ElasticNet回归 .mp4 53.67M/ {) \6 X6 k' W2 @. q, h3 _0 H
| | ├──4-升维的意义_多项式回归 .mp4 48.06M6 w3 `' T) s. y4 H2 R! f# b# S5 j
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M4 i0 s8 L) T! N- W. {, o; u
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M, s0 _2 s" d) J0 l
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
& f# v# x+ f' h2 I& r( i* H* m| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M5 r2 ]7 x8 V' j5 |1 g
| | └──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
! U9 [+ E+ @# U4 K% }├──6--机器学习-线性分类
1 ]7 j/ g! H y; k9 v( l5 A& [, Q| ├──1--逻辑回归
: `. c4 I- |, L# t3 x3 t| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
' s8 o$ J' P; ^/ R0 f; X2 o| | ├──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
3 o$ z! [' L8 Y7 L. K| | ├──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 43.87M8 N; W9 c" ^" d& I* \6 F$ B! I
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M5 i. o; e6 |+ I6 V$ w- c1 D
| | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 42.50M4 k. b2 h8 o; |0 }3 d: S
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M% g1 T/ A( ]. N! q- o4 ?% y
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
+ s8 P4 p. N6 C" s, o: E| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M8 \6 Z" h1 K& s0 q' A8 t8 ~
| | ├──2-sigmoid函数作用 .mp4 38.15M/ ]- v) V) m9 W6 f& W# l
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M3 K* j( ]1 Y8 n
| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M
+ W) k+ A. V C4 {2 m" K| | ├──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
0 E) F: K+ _# [7 ]/ s6 x, }| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M9 a) n5 C- a1 V8 K8 d
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
|3 I+ J4 o+ @7 \ H| | ├──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' A- G5 ?; A6 n: ^| | └──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# F# v5 W. J3 e0 _3 I& f# u- r
| ├──2--Softmax回归
& C2 @3 _# `6 s4 q| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M, C) ~) y" F+ ?5 B2 E s9 U
| | ├──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 42.74M7 z- `1 a. C5 d* ~8 s9 `7 ^
| | ├──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 49.16M8 f0 Z/ N9 u, h
| | ├──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 47.67M1 S. K2 u* l; O8 s a3 W3 n( [( E- T8 \ X
| | ├──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% f8 Y% S5 P% m7 a% p; Y
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
# L9 U) ~6 v( z, ~| | ├──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& g+ E. m; Y/ F% n0 K) U+ ~! Z
| | ├──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
2 s6 z1 c' X, X& m| | ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性 .mp4 13.92M0 j& q& B4 I6 N: W! f
| | ├──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 46.67M4 V+ K% ?: n4 ~
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M$ X# I$ N/ y+ N$ m
| | ├──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$ l, q, _% x9 x3 \. ^
| | └──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/ I5 q2 Q" o6 ^ H$ p6 {; Q c
| ├──3--SVM支持向量机算法 8 j: o( P6 k8 x; A3 D
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
9 a" O( }5 f' Y& J& q1 {| | ├──2-SVM的思想 .mp4 55.56M0 Y/ ~; o/ L9 \% I2 r2 _7 `, E
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M& N' x5 W; z1 j% C& l% W. I G. D
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
2 T+ R1 C) l: j3 O1 \2 e$ n5 Q7 p| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
8 Y9 s$ [% m" I+ W: ]. Q+ j$ j| | ├──6-总结硬间隔SVM .mp4 39.01M
% f) V7 y/ g: P2 s; g$ V| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
# x2 p; m- y* v- a& x| | ├──8-非线性SVM .mp4 54.43M t" \* L+ n" V3 y" @/ W
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
0 j2 j% y. O" I. U4 R7 l- ^4 }| └──4--SMO优化算法
0 k; r5 |% e6 e0 L4 Q| | ├──1-SVM算法流程总结 .mp4 58.36M
+ E8 J R5 A, e9 n| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
G$ s; E5 A7 P& h) f| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M! u; I" x# x& [% \4 w- o1 r
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
5 W$ c, b; A# J1 j| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M0 J( Z% A* G" k( 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
6 P0 N+ n h' O! I7 p0 \| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
; {6 c7 k! R4 P6 m6 {) L5 ]| | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 65.42M
& B4 O% V$ e5 O6 r8 D# s| | ├──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
- T! W: P. y$ h: l$ ^0 m1 u| | ├──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* b! k1 N5 t( V# T$ E# _
| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M4 Q% [ b6 h: r* F
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M* E3 ]; S' {4 J
| | ├──7-启发式选择两个α .mp4 23.11M
4 D% _5 A9 w- _# r| | ├──8-如何计算阈值b .mp4 50.18M
% N7 I. _; |( x- k| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
7 i6 Y6 N7 `3 M2 [) S( i. m* H├──7--机器学习-无监督学习 + @# {! M5 g* s) w3 S, M
| ├──1--聚类系列算法
. g& X9 }6 S9 w- W2 R/ P| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
3 S6 L) p1 y" \, B8 r7 H| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
. s, a4 ]1 C4 m| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
7 ?# B @6 w# F2 c1 v! q| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M. N' g. f' t- e T9 R- _9 t
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
% L+ q f9 g" ?+ J, || | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M4 f) r8 \( Q- o3 L' ]# G
| ├──2--EM算法和GMM高斯混合模型
2 C3 |, y) E5 b1 p- ]% _/ m0 P| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
- J ]# Z# n( I| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M) Y# ~) ]1 t2 p; B. @
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
; a2 P4 d! A5 z, m: D8 I| | ├──4-Jensen不等式的应用 .mp4 109.17M
* \: I! B! q* v& ~4 ]| | ├──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
6 F; }8 L' B+ O5 E| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
1 w! B. c" n) F- c$ F1 s| | ├──7-GMM前景背景分离 .mp4 16.01M. }. t, p" o( S* c# g5 v; F/ n$ K
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M
+ w! U1 z( q2 h: n( H- X| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M8 E7 P% I( N# w- D9 {. k
| └──3--PCA降维算法 ) j4 Z0 A+ l3 a- w: t# i) U& Z
| | ├──1-特征选择与特征映射 .mp4 49.38M. p( u4 X, t+ a X. I. s- e" Q+ S
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
6 C; D2 k! r. {' f: I| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M. ^" `1 a% R Y8 v% |/ G
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
0 C& X5 T! `9 [; }7 Q| | └──5-PCA的几种应用 .mp4 54.58M
P0 u" Z. n' O$ G& F├──8--机器学习-决策树系列
) k# T% G, [4 |# p- V( d _/ `| ├──1--决策树 . i5 G) M" }+ V' H( V _+ R% a
| | ├──1-决策树模型的特点 .mp4 74.88M
1 P( W* h+ {5 X7 A0 f/ [| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M1 c( a/ y0 C* r$ o1 c
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
; Q1 z7 u$ P! X| | ├──12-后剪枝的意义 .mp4 50.49M
# a+ ^) e) a8 j/ u6 z6 F# ]! f| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M& w8 }7 o# m* s% H* D8 L
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
! U$ X% M2 [9 ~/ t| | ├──2-决策树的数学表达 .mp4 89.94M7 Q& f- l6 s$ Q: B) |
| | ├──3-如何构建一颗决策树 .mp4 84.87M
: t7 h% k+ q: B4 h| | ├──4-什么是更好的一次划分 .mp4 57.02M" e5 K% ] ^# a" Z7 n# E( j
| | ├──5-Gini系数 .mp4 107.54M
5 g) o5 P' P; A& ]7 i2 U| | ├──6-信息增益 .mp4 75.26M: y/ c% Z" `6 l) P# L0 i
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
+ c8 ^: Z; n' P| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
: C8 U8 f7 |* K# o# O| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M, E% o! v0 M! `( t$ i
| ├──2--集成学习和随机森林 * q3 ~) N- ]& L" G* z
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
9 L, w3 [7 { f- y. k& D| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M, A2 R4 ?, G2 C: x6 N- o/ s
| | ├──3-随机森林 .mp4 108.14M9 B4 {0 Y, n- Z$ W/ T9 B
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
0 y& M: z4 r" Q4 \9 R2 E0 a; v9 j, ~| | ├──5-OOB袋外数据 .mp4 106.07M
, w9 k# F3 ^) |8 R- x4 E| | ├──6-Adaboost算法思路 .mp4 106.30M
( t0 ~5 u- F1 g| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
9 _* F$ d/ n }* [( ^: a| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
* b3 e# v$ @* C| ├──3--GBDT - j+ k) C9 N L* l) K
| | ├──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
: r( l9 Z, D: l| | ├──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' @! i O3 v1 ?7 ]2 Q) g
| | ├──11-GBDT多分类流程 .mp4 73.80M* O0 f3 a2 F9 a! |: P& d/ l
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M9 u9 l/ i; X' d+ {, ]
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
2 ]5 ?# g! s d4 Q% Q9 ~4 ]* i| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M5 |, h1 E. l F
| | ├──15-GBDT二分类举例详解 .mp4 86.67M h' _( \) [, j2 Z* H! q
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
. K$ D. N% B# y/ e| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
+ u2 L1 _/ [. d# M| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
4 D# J1 z0 c8 c7 D6 k% v| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
' e( C6 s5 r0 h4 s ~| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M! A# ^# M& j5 B9 E8 V% [7 P
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M x; h5 H0 n" B! e1 x$ Y
| | ├──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* A) l( ] s/ z3 c* a
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
5 k, g+ T2 ~4 j( w0 y$ N* p| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
# f9 p% p9 ]# f! f: h, B0 P9 `1 {| | ├──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* z( j# h8 \, `( d! }/ n
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
- b G- E1 F# x/ K& r| | ├──5-GBDT回归举例_总结 .mp4 108.52M
& n% F% @! \* v4 c- k| | ├──6-GBDT应用于二分类问题 .mp4 70.42M! L' `9 l3 N2 G8 E
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M( [. `# V# b7 P$ R. h/ l# Y' U
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
. _, C) L8 E: `, d2 B4 ^8 }| | └──9-GBDT应用于多分类任务 .mp4 73.34M
. T w( ~ S$ V6 O9 D- ]| └──4--XGBoost
: I# W- U/ V' G+ l, K4 |) [| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M. Q2 k# S% N4 I3 ~4 J6 Q" w
| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M+ Q, u4 `! y4 c9 b6 T/ j8 S h$ i8 G( E
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
' j+ C% O5 @: t9 ?- h0 D0 _' F. |5 [. S1 n| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
8 F) w! L' |) G ]1 }& V| | ├──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
4 j' {; x! _& u# I: ?% _; V| | ├──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, W( m; `: }$ e$ e, Z
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M2 j* Y. B( Y9 [" C
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
5 }+ Q) V Y, {3 X" B( S: y| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M( \; ?7 s. @ |6 p3 W
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
' }' ]8 N. P! J| | ├──3-基于树集成学习4个优点 .mp4 91.36M
: i! g- b6 g: W. ~! o| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M! X4 l$ J" K( g
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
! L6 g( i5 Z7 a; e' |5 K4 J| | ├──6-Objective_vs_Heuristic .mp4 60.42M
' w( N3 F1 H) v' `/ ]+ C| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M7 P2 `2 W3 P! G3 Z% O
| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
2 a8 H" F7 ?$ t" p5 d| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M5 X5 R2 F: \6 K; v6 U; h6 q6 ~, n
├──9--机器学习-概率图模型 3 O9 m1 G9 U3 H# N8 W0 a. `* n
| ├──1--贝叶斯分类 7 i# O$ r, l6 z l/ I! ^. v
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M( T* I% a/ D9 I# ?
| | ├──2-TF-IDF .mp4 53.08M. `! i5 B; ]4 g
| | ├──3-NB代码实现解析 .mp4 126.73M
; D7 l2 e* r& {6 r; i, I: F r; X1 B| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
; U' W# s ?0 X0 O* ] `| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
. \9 b9 u/ y1 P; l! A" w| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
0 n3 a4 F9 |6 ~' \% \, L; _| ├──2--HMM算法
+ s& Z3 N9 h1 ^# o| | ├──1-HMM隐马的定义 .mp4 36.82M
+ K: w7 i6 ~( E| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M$ W- g- ?# v S. k# `; E" D+ {: D
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
' x/ |1 q/ N4 J3 |* v" W| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M* l" z! u+ U2 z9 r. H: O
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M$ I9 J3 u9 b1 ^! n& \9 i
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
x( _+ y) j% d4 X| | ├──7-Viterbi算法案例详解 .mp4 107.12M
! @+ P8 A/ B' ?5 {! G| | └──8-Viterbi算法代码实现 .mp4 42.43M
5 R# }2 q( ]/ u* B9 Z$ q| └──3--CRF算法
0 r L" O; l. d# a! x) ~| | ├──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
$ Q9 A' E. H# k3 Q& A" M| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
. F5 I3 k% ?- ^/ [( n9 A| | ├──3-了解CRF层添加的好处 .mp4 105.90M- @) R% i+ w1 H- o8 |( I/ s% b' y" e
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M( z8 P8 Q2 b' j' @8 E \
| | ├──5-CRF的目标函数 .mp4 23.74M6 y. c2 A6 a+ h3 {8 v9 n/ ?: y: q
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
- y( X4 w% o s% p! h| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M) H) L2 g3 {2 W8 R+ ~
| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
- q2 @0 ^% K2 h* l' o2 ]* L└──课件.zip 2.54kb
! U1 C0 v+ u& A$ a, v$ H9 e
7 B& Z6 y5 o H. q! N; P' u
( Q9 n) X# ]( a# N1 S. l2 X6 T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！
# W5 L, y1 |/ ^" I5 ~) n0 E: x% M5 C0 P- w
1 `% X3 o, m+ m! T7 D" d
|
/1 
