战-人工智能2022/
D; y- U+ z0 t' i9 X, h├──1--人工智能基础-快速入门 $ Y8 w5 T2 p0 A6 L y& G) ~# t
| ├──1--人工智能就业、薪资、各行业应用 $ H2 z4 A" l( t) Q( D% ?6 N5 @
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
9 q2 @3 n2 g. g6 H2 _- F" g* ~| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
/ v; `7 Z% }6 i+ e& Q$ ^| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
. W8 J+ U) A: g3 }, z| | └──4-人工智能在各领域的应用 .mp4 57.73M
6 h! B1 \: r& w+ Y4 G" P- e1 z| └──2--机器学习和深度学习、有监督和无监督
/ @( S/ w+ V: }' p( p| | ├──1-人工智能常见流程 .mp4 89.62M. W3 ]& D! J1 J, W
| | ├──2-机器学习不同的学习方式 .mp4 83.51M k% _* E- I, u) d- V( g8 }
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M) S! Q9 {; x& n! }% K" b2 Y
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M7 u2 q% U) | V8 _0 C: y
| | └──5-无监督机器学习任务与本质 .mp4 50.15M+ `3 N6 i& c. G& S2 N: F) u
├──10--机器学习与大数据-Kaggle竞赛实战 8 K9 b5 z$ e. m8 \& t
| ├──1--药店销量预测案例
3 W0 H! t9 j" ^7 ^* j| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
J1 P# a; w/ I1 o+ R| | ├──2-对数据字段的介绍_导包 .mp4 19.90M' C" Y; O8 H# T; \- H' q. M1 W
| | ├──3-自定义损失函数 .mp4 21.12M& P1 q9 T& `0 G( j
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
S" T3 f) d' S- h" Z$ @( S! K| | ├──5-数据的预处理 .mp4 111.81M) q% j( X3 {. h* `! O$ p3 V
| | ├──6-模型的训练_评估 .mp4 66.64M
; l/ E( u$ x1 P% T- x, O8 p| | └──7-kaggle竞赛网站学习 .mp4 172.16M# ~) i+ e ?( ]9 n! b; d
| └──2--网页分类案例 # E2 y/ \9 f% Q
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M% t) V* s5 `5 H& u9 y) F
| | ├──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
; @. r$ E1 B4 a r9 g t| | ├──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
$ [- Y& _. F* o0 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
. Q8 p: M! ]( h3 F9 W| | ├──2-评估指标ROC和AUC .mp4 56.19M
2 i2 K7 Z. o) J( y| | ├──3-评估指标ROC和AUC .mp4 49.03M
) @, K" g0 q; |6 m5 V( j- Q. ]( g0 b| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
% N- R& c0 K; r$ v8 R. X g| | ├──5-数据导入 .mp4 68.41M
2 j6 h1 ^! S9 y( m. e9 n/ i| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M; y+ _( @8 s" H2 G2 {$ T
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
! c, ]+ K4 G! Z ^| | ├──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 62.48M2 R7 i7 e( a! b. |
| | └──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
' r$ D/ W# b" B7 d9 ?├──11--机器学习与大数据-海量数据挖掘工具 % R# x% I- V1 I0 x! Z0 ^. L
| ├──1--Spark计算框架基础 % S& ^" k* {. L Q
| | ├──1-Spark特性_01 .mp4 41.68M W. R9 X$ z$ |. C. ^. h, F
| | ├──10-分布式计算所需进程 .mp4 26.30M
/ P; o" o! b- c$ W" T* Z. H! R8 v| | ├──11-两种算子操作本质区别 .mp4 56.31M
. {7 V* ] W% h| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M0 W7 C# l, ~3 v
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M! Z# X y5 l8 y- J! i: N
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
4 M, i& J% i6 h/ l0 W; @' w$ z3 _# a+ M. s| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
! r: P' \# o r4 x- Z! s| | ├──2-Spark特性_02 .mp4 35.15M
$ `0 }$ t9 a i# e| | ├──3-Spark对比hadoop优势 .mp4 19.34M7 [. O1 @# G% u
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
8 M0 J) F* }8 Y/ j$ q| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M( h" `7 h: c& d7 J- f, ?
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M; e9 r" [6 h4 u% z
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
3 x- P! H" F( S* L" }0 ]9 ^| | ├──8-Spark的RDD特性_01 .mp4 33.08M
' q% ?$ n- _# b# V' i| | └──9-Spark的RDD特性_02 .mp4 33.41M" t, X6 R* l- Y% i u6 j
| ├──2--Spark计算框架深入 " Q. t+ ^. u, D; w/ \' E- j5 P
| | ├──1-Spark数据缓存机制 .mp4 54.43M/ V! W9 q; V) v4 y+ w. u
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
3 e! X& ?% I! ^% ?0 `, ?+ P# H| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M+ V! F( d* b* s/ h6 Y' u8 K
| | ├──12-构建LabeledPoint .mp4 111.08M
5 n3 b! h+ `) A2 ~8 e* q. W! o| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
" m' y }1 e! H/ [| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
# |& D/ a# k; {% v; G. F# c- || | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
8 d; p8 e7 K* I, f+ P+ D. |. {| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M1 n0 `' ]4 v; Q) Z8 Q
| | ├──5-Spark术语总结 .mp4 89.66M! I/ w$ b0 g0 ?- D
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M% h/ B$ o% ]) e& P
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M. y1 g4 ~8 ]% J2 o# a# b9 i! O
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
6 a6 ^0 v( T7 X; s7 D) a| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
+ l' _+ W- o' F0 |) Y| └──3--Spark机器学习MLlib和ML模块 J# H9 D/ _7 `7 p# E" \ p- B3 c% h
| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
# O8 v1 p: I2 ?2 r| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M( m3 W" b$ d7 r( @* T
| | ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4 89.72M3 J- f4 m! F$ M: s3 P0 O
| | ├──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' W+ W7 S5 x( L3 ?
| | ├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp4 84.20M2 M; V5 X. e, y: s% t
| | ├──14-从数据转化到训练集的构建 .mp4 146.40M% I1 |; l/ B/ q6 D. \- M# W5 e
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M/ r* Y6 @- z7 u; [
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
& ^% e$ y# a } x" N| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
1 W6 s) H( Z* W6 ]. T+ Y9 l* M| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
5 l4 r; y" x1 y g! k, P4 H& i/ d5 L| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M
4 A/ _- m, d6 F/ m j1 R6 Y| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
# |/ y B( y) U( H$ X2 R+ P! N| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M1 q1 c9 z5 t, b2 D/ A' z6 A
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M. p4 s! z# B6 r8 F
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
4 `0 O c D6 d: {9 A| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
2 m3 I2 B7 Q6 J3 A C| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M+ b; g* [2 k/ ~
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M+ w. X5 X0 L; X6 `. h( k2 G( H
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M6 F0 ?2 T& J: V* E" u
| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
6 o7 |4 m) ^- R0 e| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
) @) }1 B% e+ y2 {2 w| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
3 j& Z& l a2 A6 l0 r0 E5 d! ]| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M' Q5 E1 ^ }! }4 \- h8 K3 Z
| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M. S% Y# h, R0 ^0 j( T
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
: d) J T( Z8 S" x| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
0 G+ w% r+ E: W3 Q. x3 f├──12--机器学习与大数据-推荐系统项目实战 - b. ^( j+ ^: H# v" u5 t. H. t3 ^9 e
| ├──1--推荐系统--流程与架构
( O( @; @( D! r& [6 B& \3 L7 E| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M9 q) `7 ~* @, A5 P) f& L: 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
6 O q$ s/ i& u7 a- F1 b4 m9 l9 Y| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M2 k- e, ~' K o0 b8 D- `' x K- T2 T
| | ├──12-推荐系统_数据源_1 .mp4 79.07M5 e( I1 c- r) a. w/ W
| | ├──13-推荐系统_数据源_2 .mp4 82.90M: b& L4 o6 d5 z+ s3 k
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
5 @0 T4 G. j. n: @| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
( k1 i1 A6 P3 [9 Y: y, d| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M- x3 Q) c" P7 @* Z$ ]
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
8 } k& h0 e( H| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
3 E( J X8 X9 J| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M _0 n$ B0 a7 m) r- T
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
8 o7 A6 [0 t- o6 N| | └──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
0 p8 z0 V( ?% k' d$ \| ├──2--推荐系统--数据预处理和模型构建评估实战 2 R" w- [5 `2 U- p9 V; _
| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M' H2 i0 d7 g* }+ _
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
) T" k' V7 u5 o4 T| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M% ]6 x/ f4 \, _, \, p7 f
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M8 M' x& q$ ^" U
| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M* s, `9 }2 y- |* k% D4 {
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M& g5 n7 J) p3 O' J9 S
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
" U/ O# t% X: U% `# @1 @ X. E| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M" |5 a6 i" g( Y% |6 w" `
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M% \. U: ^6 T( x' M
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
+ u( U; p! @9 |: {- L0 i| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
3 s+ i+ B9 I3 e5 `: E& b7 c2 @| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M
) [' z9 E; a# q H$ ?& M9 T| └──3--推荐系统--模型使用和推荐服务
r! C4 U7 I* i1 D| | ├──1-推荐模型文件使用思路 .mp4 61.89M
2 L( l+ |0 Z+ V+ l* L6 c. N3 A| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M- ?( S& r9 E/ M4 u
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
% E, {, c8 |% f' F3 k| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
0 O7 j1 b" |$ z| | ├──2-Redis数据库安装及其使用 .mp4 47.93M r" u+ Q6 A. l$ \$ [) P
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M# j* k9 U2 O* M2 }. x* |2 R
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
( r. v3 [# Y2 K! q$ q| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M; U7 ]; Y% F* [( z; G
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
9 q$ p& I' C. N9 _& X7 x6 F1 W| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M* I$ Y) Z4 d0 k9 T- J8 k; i4 Y- z& `8 m
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M7 F4 M! r& V6 C9 c7 c2 S2 [
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M- P: g8 ^' }+ J) H @, W
├──13--深度学习-原理和进阶 ( a; |1 a# `) D
| ├──1--神经网络算法
& J% J& [3 q b( U& j8 Z| | ├──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
4 y% n+ M+ I8 i7 ~! s" k| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
% J! Y. w* C6 C, g; E) }; D| | ├──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- ?4 d0 R% q8 i2 s5 K7 A# x2 ~" `
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M' I, b T% k" F3 V5 e
| | ├──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
, S5 Z- i& a7 j% H| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M
. P$ X, x4 i* j+ Y& Y7 h| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M! e' L0 L e' K! C. v: J
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M5 h& P& j+ O2 V$ Y" r( q
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M
4 f1 v3 K& B; L' M; s; r$ h) }| ├──2--TensorFlow深度学习工具 ( d4 W0 v3 _: m4 k6 r E
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
/ v' ]% h' b% M C+ R: _| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
: i7 n6 e. D7 N* k! i| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M8 g2 T. Q h9 @6 [
| | ├──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
0 E# ^- [$ s Q/ p% y4 Y. u/ |( A| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
- @7 b! z3 @6 q+ ?8 D& g* Q2 D& W& V, G| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M/ Z! d: J0 S# Z9 m8 p" X
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
" m V K% \* O9 p: l$ S( l| └──3--反向传播推导_Python代码实现神经网络
5 n8 p8 t0 T+ ^, {# s| | ├──1-反向传播_链式求导法则 .mp4 86.47M! s' E2 b1 }- I8 u' ~
| | ├──2-反向传播推导(一) .mp4 127.90M
& A& u% P( c+ h/ O* t; j| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M5 p2 M, O& M1 f" E
| | ├──4-反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例 .mp4 81.20M; Y6 `$ N c$ Q' @
| | ├──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
# A9 R' x7 P1 n2 R7 {1 p| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M9 B6 ]* a5 }5 Q# W: c- C+ f* r
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
+ W! M3 Z7 x" C/ \. C4 D9 J├──14--深度学习-图像识别原理
! v# A" v% |+ L, m2 l7 h5 || ├──1--卷积神经网络原理 6 t) g! c5 a+ e% e4 h' E
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
* C" U7 f! d `0 m0 c7 Q. b& N# {# A" a| | ├──2-单通道卷积的计算 .mp4 104.01M% a- M I, @# w0 K6 d6 u1 U1 ]* A
| | ├──3-彩色图片卷积的计算 .mp4 52.79M9 T7 V ^+ l5 A+ P! M0 I
| | ├──4-卷积层权值共享 .mp4 63.93M- [" ~7 F$ h1 @$ Z9 W
| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
" u2 t# c6 P c5 [% u3 d/ S| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M
e4 g) o5 x1 L% d4 R( U| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
% G: {* G8 @( U! g2 d9 Z| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
8 a: E/ }+ \, L; d. i3 v| ├──2--卷积神经网络优化
+ P' Z. ]6 v% y' m| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
8 r4 _8 B5 u6 }6 {4 f; u. u| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
! G7 v7 N5 `( k9 N| | ├──11-Optimizer_Adam .mp4 141.12M8 j" d- C9 Q; ]* h" ?" @0 `
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M+ {9 }0 ^$ W1 P7 l) s; M' J
| | ├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp4 77.55M0 W+ p) r) c- I6 L( Y( z9 ?
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M2 J+ ~, ~: Q) b4 R5 n4 `
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M7 y! Q, p' `- q9 J% U: G3 z7 E3 `: g9 Y
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
3 X; c; f4 _% p' u$ ]( i* i/ _: ?8 I| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
* C+ g/ m# \) u| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
# Z' [1 w1 z# g| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
/ d4 y) R% U( C3 E( o| ├──3--经典卷积网络算法
/ f+ m+ k: q: i: w| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M
2 x# g" H9 F; Y B) v| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M1 F8 q( R1 E7 Y8 X4 Q$ `5 h
| | ├──3-InceptionV1_V2 .mp4 165.86M; G7 _0 s2 H# I8 ^' t
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
. A p4 O/ ^4 T. L8 A! @8 q- a5 S| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M0 ]8 I/ G) I7 l& K! t* B3 V
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M* ~% p7 ]8 x8 D, x' ?
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
2 u. C4 [) O5 G. m8 P' c, R5 c7 V| | ├──8-BatchNormalization .mp4 99.23M
: K: w; n" e' t) X# S| | └──9-Mobilenet网络架构 .mp4 150.05M
4 c2 s8 b; o* h% y' O" F2 E3 Y, N# T| ├──4--古典目标检测 , L" X$ \2 V' ~+ K* Z$ F
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M6 X3 w4 Z# y* M
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M* c4 u, F7 a$ C+ |3 l; s
| | ├──3-IOU以及python计算的代码 .mp4 23.56M
$ b* _) ~4 J8 |9 }3 Y0 [; o" c% B0 {| | ├──4-R-CNN和SPP-net .mp4 124.06M
' y* Y- x; r- H# R5 y: n| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M" }0 ?1 Z- N5 X! p2 R K
| └──5--现代目标检测之FasterRCNN * s# Y3 X) |. t8 Y: P* \
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
8 U- c2 ?! l8 H) h0 m| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M# S" [+ G- ^0 E5 D
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
* N x! {; o* |1 Z| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M' Z5 ^* | ^- X6 g: v* o9 t6 E
| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
* E9 j# P. N; ]/ [6 }3 `. a├──15--深度学习-图像识别项目实战 1 ]" [2 u5 F' F+ ~& c
| ├──1--车牌识别 - n" l! Z% f9 W' q8 E5 K+ h4 w
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M: V3 }4 p$ J8 n2 D+ l
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
8 _) ~: L; K- x c3 y| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M: l5 q d) }4 ?5 `
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M* o: x2 k( L9 F: y
| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
8 M) u* W6 m) E2 e# ^" [+ Q| ├──2--自然场景下的目标检测及源码分析
# \' Y, g- h, S3 z# Q' `; l| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M# n- \7 S- n+ A6 @' m7 @, m
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M5 l8 ^' `" o( J! u* M9 E
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M4 `4 s1 A' ~; w) _5 R7 ]
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
$ A0 _5 s6 M! j0 z0 Y6 K3 x% A| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
$ k0 X- t" Q% c2 q1 v9 F; \| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M5 p/ K& D) ]4 J" i7 H) M0 z+ H
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M8 J9 { r1 Q4 N' R& U" d
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
" H9 J* G8 T5 z/ {| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M, n' i' t# G6 m# ~ M
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
& ~2 g9 W8 a. Q- a! h# p| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
% S1 n6 d l* d. Y8 g" i, u) }| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M7 C5 q8 Z9 j3 L9 L W" B
| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
9 f; e% I7 c- b6 m| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M: j9 i8 Y( \$ H1 G9 A
| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
9 Q& k* U; ^( Z# u! s" _. G* Z| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M3 _, n" _7 o. h9 R7 m
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
) \, l! \% S x, g2 }+ _| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
' G' g* y/ c$ T7 ^8 P$ a: e6 c| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M. z& ^9 ^) p X# Q' r, N
| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M9 _* t) N# C% Z' Z
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M
; p R8 d: o+ @1 O8 u| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
# }( L4 }9 k' j) l) o( v/ @. R| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
9 K7 ?+ N' e0 ?3 A. r# a| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M
! Q& R0 q# k& ^, L# ]( M! w| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M6 i0 I& e6 m* @( r2 W2 B% W
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
" A* J* x+ i0 D1 @| └──3--图像风格迁移 4 }1 d( L$ _3 b4 e I, m
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M/ M8 K! c% v! y% \
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M& m! Q1 J6 l6 X' H5 F
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M, [8 d5 Z$ M( V& S
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M! Y3 X, Y1 C2 k7 v
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 . b6 ~8 c! k- ^4 t' e" ^
| ├──1--YOLOv1详解
, ]9 K3 d" ~/ h" q" H: p" u| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M9 h- w; E% _; V
| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
d" P# Z8 V. ~& T$ w# L. s/ q| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
) Z: `4 K7 w l% i4 {| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
6 E+ V, M5 o1 r% E# S2 || ├──2--YOLOv2详解 ' I* {% T( k& ~' B- o
| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M
3 U' @- Q% {# Y9 z1 m' F# B| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M0 k% M" q& h1 M: z9 c
| | ├──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
3 C5 b0 i. M$ u' Y6 ^% y; H| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M2 G( P. s- I. C1 V. _+ f( p
| ├──3--YOLOv3详解
0 e- |4 Z/ C I( C f% A$ q| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M% R% c( J, Y$ @; w
| | ├──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
' E2 m0 m8 I7 F| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M9 H0 a F) x% j+ f
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M
5 Y, J- a7 V) H% R6 Z| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
: R( d; t* N% X8 j: N" q| ├──4--YOLOv3代码实战 ( p0 O0 R8 u8 m. U
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
4 M8 ?1 R5 f B4 j' ~% x: B| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M e& W$ T" e/ u* `# X0 n
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
8 m$ J4 C9 b+ |* p8 B0 C| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M) R# E" {3 m6 b1 E6 `* R
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M$ Q+ ]( @, E/ }0 h1 w4 W1 b
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
# Q: k L% b$ l) W( I+ ^: [+ r9 ^| └──5--YOLOv4详解
$ l" j3 v# `& \7 d. \2 j! N| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M; r) f8 z2 G. [ i I5 V/ ]' {
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M3 V4 R+ D. S( D) S3 Z- I( h
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
3 ?$ B" W/ b6 c5 @| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M# `7 B+ K6 X6 o4 |
├──17--深度学习-语义分割原理和实战
" P) H1 H9 K' f+ l) ]. y0 U5 z$ _| ├──1--上采样_双线性插值_转置卷积
: l; R1 g9 y1 e% A! W| | ├──1-前言 .mp4 19.46M
3 v1 t8 j) G+ `' [" k| | ├──2-上采样_repeat .mp4 23.90M& O3 K( _5 ^. w& e. }, A
| | ├──3-线性插值 .mp4 34.48M* ?) s1 s1 B+ [' G! D: f+ q
| | ├──4-双线性插值 .mp4 125.71M
* T1 R$ a9 h" u, k- ^| | ├──5-转置卷积_以及TF的API .mp4 114.25M
6 {* i# w2 W* y$ W9 l| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M) j( v! Q# i- P1 B3 b
| | ├──7-ROI Align .mp4 58.38M( z9 j; ^* ]' U. V5 A: t
| | ├──8-FPN思想与网络结构 .mp4 92.14M
" b6 B3 h( C- E. j" @| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M e! ?- R, ]; o9 `8 T. H4 h9 }
| ├──2--医疗图像UNet语义分割
" _4 j# \: I1 Q2 a) g| | ├──1-语义分割的基本概念 .mp4 18.33M& M7 @+ k$ \; b2 i
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M( p8 C) S! Z& E4 \
| | ├──3-UNet网络结构 .mp4 30.41M
) b. |3 ^* i. G) {; f| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M$ g1 I: |1 V @
| └──3--蒙版弹幕MaskRCNN语义分割 " g' }% k: G$ V9 @. N
| | ├──1-MaskRCNN网络结构 .mp4 106.38M
* Z8 W2 E8 j! t2 d- p3 C| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
4 e, ?4 \/ G% r8 R+ Y8 J; p| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M: l# q2 I1 U" c
| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M8 g' V! |3 F. j
| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M/ a7 E7 x' A8 U k9 V
| | └──6-MaskRCNN源码config和model .mp4 244.48M# t1 g9 s3 U" ?4 @, ]
├──18--深度学习-人脸识别项目实战
a( U# N0 w! c| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
! P0 O6 f+ N- I& A/ Z| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M8 n1 I+ a k7 x+ h! u, ?) m
| ├──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 66.61M6 @2 t l( b, [! e' H8 W# \
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
; Q/ v( W( N# L- H| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M. J+ D- G' K! N
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
. S' e3 T9 Y+ P+ C7 X; b7 p| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M
5 N- n2 u/ O2 \+ Q& a& n+ E* `| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
j3 j( U6 h1 K3 }4 q+ a| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
) v* y1 u2 w) M+ B| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
% _& [, \: p4 P% a: r/ q) G& u$ l| ├──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+ Z; @( z3 `$ R/ T8 t! |
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M0 e; t1 ^ u K) _4 Z, q
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M, v5 u8 J1 w5 R1 a( I( ?
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M6 c' T) u$ T; @& T# I
| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M+ d7 E$ d+ Z# e
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
/ W- _% t4 g$ p1 `' K4 b| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M0 \$ @" q+ h5 s6 P
| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M! Z$ e$ _" H$ p8 ^ M- {& |
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
: p5 ~( i7 f4 W5 l├──19--深度学习-NLP自然语言处理原理和进阶
% ~$ z8 ^/ g4 M: D| ├──1--词向量与词嵌入 4 r% \) r3 G1 W+ G5 j' z& O
| | ├──1-N-gram语言模型 .mp4 116.32M
4 E Y3 m# }8 w# m" n+ S B| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
& @- g) s7 Z4 G( i) j| | ├──3-词向量的作用 .mp4 58.00M5 `% `3 ~: M7 x' _
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
; K" B# F+ h8 K! r; T3 C| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M- L8 {2 w8 \% o
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M7 X& V& E+ W6 R1 P+ `3 j$ f7 T
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
! O: ?, O+ y9 t' x. s0 z3 ~% u) Z| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M
, a$ E8 h0 N/ Q* C! C2 n4 S& b7 r| ├──2--循环神经网络原理与优化 : h8 f% ^" P$ g1 A
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M1 c) d* g6 r: |; U$ t
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M7 m ^, G$ p. C/ p6 u
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
. R2 g# l. m( {$ E: @| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
; B( |! J! L4 N2 W| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
/ i' O7 U- H' {9 s| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M5 H5 i V4 I' R/ S
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M* e+ I5 t$ j) z4 G/ z
| | ├──8-双向RNN_LSTM .mp4 52.01M5 G, W1 ?! N/ A) K7 D/ q' }7 T9 N
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M& K& T# U7 }; h1 t
| ├──3--从Attention机制到Transformer
, [* K8 X6 ^8 G* i) e ~7 I; ~| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
0 K$ T- g. e- I# O( S! m| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
% Y: n7 G2 \ r7 u8 w| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M5 A* h6 U/ }* m" ^! I B4 d& _
| └──4--ELMO_BERT_GPT ' b3 O# b( t$ \. f9 _' d8 o7 T6 q
| | ├──1-ELMO .mp4 62.44M3 j- Y* ^6 ~6 c/ E& R) {& v- Z9 e; L
| | ├──2-BERT理论 .mp4 99.73M. Q8 b& ^& N0 E" W$ K* k
| | └──3-ERNIE_GPT .mp4 56.34M
' D3 e( y: m8 _" s3 Q6 E& |" Z: c├──2--人工智能基础-Python基础 , I4 h( ^2 e' g* Z
| ├──1--Python开发环境搭建
/ z% a9 ~! Z5 K+ U| | ├──1-下载Miniconda运行环境 .mp4 100.75M- U1 c# O$ x# P. W) v: M6 k
| | ├──2-Miniconda安装和测试 .mp4 57.12M
; M" O( U( A; n! X& s2 ~. @( b| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
& g# G; I6 e L, K) `; w& m| | ├──4-Jupyter安装和代码运行 .mp4 37.10M
% q9 T6 ?; p* J9 h0 [| | ├──5-Jupyter常用快捷键 .mp4 32.23M, L: Z+ n# [% O/ K: m1 e
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
; r$ b' O6 c% ~' {3 G5 y| | └──7-关联虚拟环境运行代码 .mp4 38.14M7 p4 Q" c( S: e$ } w8 B
| └──2--Python基础语法 0 G* f3 T/ t( r+ c# F/ u P
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
% B) V: ~; O/ [. Q, v| | ├──10-Python_集合操作_列表 .mp4 34.71M" L, \" E( A3 d2 l" O" w
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M( w! E: A# @, t1 w* z! @* b3 w
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M
$ {% \0 t( ~6 t# u2 V L0 l| | ├──13-Python_集合操作_元组 .mp4 43.46M& y" M4 U4 _0 S$ V, ^: n
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M# I3 ~' n6 I9 w) R
| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M: D, @2 i/ r. ` ~& }+ e
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M
; t/ g! m3 b3 k| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M2 R& n) {8 v. |; A
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
5 Q. n* ~& a; F P/ b7 J& o/ `| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
4 }4 j; Q( K D: T| | ├──2-Python_控制语句_单双分支 .mp4 50.66M4 z* M( ^- B9 @( j
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M' }4 q/ d j* j" D [ r
| | ├──21-Python_函数_递归 .mp4 23.46M; H# p" d x( C8 U, e
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M! z2 ]7 ~1 P" q! n/ A- B. h; L
| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M6 C% l$ P: L/ Z9 d1 g& [( Q& W
| | ├──24-Python_函数_闭包 .mp4 41.61M7 O9 O; o" B9 X3 g2 z g3 ]
| | ├──25-Python_函数_装饰器 .mp4 30.35M* s. u j" e1 a# a" [
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
/ f+ o: a; n0 \6 p( T" A6 || | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M5 z4 Q" t6 s8 r( ~
| | ├──28-Python_类对象_内置方法 .mp4 29.17M
K% u( `! P+ ^- Y6 O| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
% o/ o( B" b6 |( d. K| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M
7 H9 D' ?2 T# F) ^| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
`8 P; U0 F6 F6 f8 d0 b| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M8 I& R$ v2 o% N( {. ^) }
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
5 `* ^% C4 B! Q, f2 D| | ├──5-Python_控制语句_for循环 .mp4 22.82M) w! R( X& y0 _
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
7 \* w* n9 {" W. S2 h1 B| | ├──7-Python_控制语句_break_continue .mp4 25.23M+ [5 M( k5 x0 g; q5 i/ |% F
| | ├──8-Python_切片操作 .mp4 40.20M3 ]1 H' D. d8 K) v: o) S
| | └──9-Python_数据类型 .mp4 25.38M
5 a0 U+ V% L/ z5 ^6 m9 l( P├──20--深度学习-NLP自然语言处理项目实战 & E/ [9 a4 V4 S1 u* r+ m1 k
| ├──1--词向量
4 w: H' t& U9 I4 }| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M5 T% f% }2 i7 T) u4 m, F" w- }
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M
# a3 t1 f# r! L, v: s| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M& e9 z2 G0 y/ a2 w* |
| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M6 V4 m$ J* D' ]* h2 ]
| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M" s' z% B6 a# n* v
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
/ y5 S3 {: T* w. I| ├──2--自然语言处理--情感分析
7 Z8 `0 G4 D: y# T9 [4 F| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M9 K0 n/ H. N4 _' \* E' @) Q
| | ├──2-数据预处理_01 .mp4 79.65M1 U% Z/ d0 `, U, N
| | ├──3-数据预处理_02 .mp4 45.68M, e H6 w6 B: P' I
| | ├──4-代码讲解_01 .mp4 52.29M
+ @9 q" W: c: @! r1 j$ v: p2 J| | ├──5-代码讲解_02 .mp4 60.85M
- H; G! O* E8 `9 V| | ├──6-代码讲解_03 .mp4 53.89M
`/ M* d9 Z5 ^| | ├──7-代码讲解_04 .mp4 57.19M/ S5 |1 P) V/ L u7 ?1 }% |
| | └──8-代码讲解_05 .mp4 35.88M
& e8 ]: M: |" K+ Y) Q| ├──3--AI写唐诗
; u% J7 V1 D4 V| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M2 o' u; J' P8 J( B5 g+ E% R5 t
| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
+ v8 }8 U$ d) _; `7 d| | ├──3-MultiRNNCell单元 .mp4 38.93M
; b& ~2 N+ L: A0 {( a| | ├──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
0 [ ?7 ?) a4 t5 p# q7 X# ^6 q4 m* P| | ├──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, {1 p( h f: a& y; w
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M0 W2 c$ ^9 ]% T4 G6 T
| ├──4--Seq2Seq聊天机器人
. ~: X' m g1 s3 U| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
( N% H) |! r3 Q. [1 \8 e9 d| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M/ f. v, I5 d' n; ~/ X5 f
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M" k' t3 l; D9 [
| ├──5--实战NER命名实体识别项目
5 ?* h! D3 P" S; ]7 R0 ^4 y| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M$ L4 B" p! z/ f6 i4 q
| | ├──2-介绍了代码目录结构 .mp4 23.44M. F* y5 w7 y( v. \! L" V5 \
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M7 |+ D, O9 ~ W* Y7 T
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M8 {6 b' x: N$ d( s8 m3 t% {
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M2 i) J i& @+ V, B
| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M* U6 u: ?& z- T9 U! S' c2 b2 p% K
| | ├──7-CRF中的特征函数们 .mp4 125.97M
6 b/ @6 i; @- K7 u| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
6 H- i: @; i" m! s$ S| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
! w/ z$ K: M2 Q/ \/ \8 }| ├──6--BERT新浪新闻10分类项目
+ W5 n/ ^- n9 _' i| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
$ y5 `, Y$ b& S6 S% D| └──7--GPT2聊天机器人
- i% c" H( p0 E4 _" G| | └──1-GPT2闲聊机器人 .mp4 62.28M9 X, [8 x: s0 E, n4 j& K) H
├──21--深度学习-OCR文本识别
; T' b' Y4 ~# S3 R, K/ h| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M4 v& B+ g* d2 N$ w
| ├──10-CRNN项目代码剖析 .mp4 306.48M
3 _4 Q# p# U) L/ u M) V2 o, P| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
( {+ m9 B" j& m+ a9 l2 m* E3 x- t| ├──3-OCR识别的CTC损失思想 .mp4 327.69M$ @& b8 C: c" u$ Q# Q6 |* }, c
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M6 o, P) t t; n0 j
| ├──5-CTC损失函数的理解 .mp4 330.64M
8 S$ v: d/ A& k' A1 `| ├──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$ U$ ^/ R: _/ q4 s6 p9 r# V8 ]
| ├──7-CTC前向后向算法代码 .mp4 225.41M; _9 }; v: _+ C! E; r( w
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
# x7 [$ n b9 O9 i| └──9-CPTN项目代码剖析 .mp4 491.69M0 C& I3 x4 X( ~& p
├──24--【加课】Pytorch项目实战 2 D4 o! ^% Y7 [
| ├──1--PyTorch运行环境安装_运行环境测试
" Z4 n W& o5 u0 @7 ~| | ├──1-PyTorch概述 .mp4 29.29M
, `7 C4 Z2 {4 f9 ]. q* W| | ├──2-PyTorch的安装 .mp4 76.45M( |! ?' [ O& P; |6 N& d7 _
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
! [1 j* k& [* F7 Z7 H| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
& }# E" D6 M1 Q( L% Q0 G- k| ├──2--PyTorch基础_Tensor张量运算
( c; r% H3 v5 u h" `) d4 R" h; p5 C| | ├──1-Tensor的创建 .mp4 55.14M! s7 E, F# p+ W+ j- j
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
0 h' ?/ Q$ |* l; M) l8 K| | ├──3-广播机制_逐元素操作 .mp4 44.46M7 m. |/ U1 `7 G* B, g- b+ ^
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M+ i, e0 q7 s# @* O* A3 \6 r
| ├──3--PyTorch卷积神经网络_实战CIFAR10 8 q2 d( [. x; I! d# X& I7 J
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M4 f1 I7 I' U% L+ x9 V0 s
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M
, @. G7 X$ y# S| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
: @; Z! |; a4 A# F3 U| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M) u; n6 m, F3 J9 k
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
$ f- Q% Y1 d; B6 S/ c| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M/ j# J6 B/ |. ]; f0 [3 v, k
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
) N8 ^$ U0 j5 ]' p0 m| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M
4 e) `* ~/ {3 p3 U" \| | ├──8-torchvision里面的预训练模型 .mp4 29.84M" Q8 p8 o2 e( T) d
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
% E( q, b p$ A| ├──4--PyTorch循环神经网络_词性标注 ; J( ^1 I) r8 |9 F9 `7 C7 s
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
7 F7 i* O1 f3 o% d0 t# H+ f| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
& t0 o- { p! Y/ D8 D& }% Y! q' R| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M/ A9 K/ f5 F/ t
| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M2 c. Z" j( c5 U! z3 P
| └──5--PyTorch编码器解码器_机器翻译
, \, T+ F* P8 @| | ├──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 z0 E; |' Y3 G1 L/ }1 f
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M* `# a1 Z X6 o. V2 S& ~( x4 Y
| | ├──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
7 ^0 w# x* F& v: X! X4 _4 l| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M4 E: \! B1 L* o& P$ D, ]5 T" Q: Q
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
" [# h' O& i; h6 `" w- l9 g| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
1 ?9 {8 R k& A2 m" T8 p C| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M d! j$ i0 Y6 u
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
+ I. a' P9 _, `7 S- E2 q: r├──25--【加课】百度飞桨PaddlePaddle实战【新增】 D1 _' y. u3 h' U9 p; l. `
| ├──1--PaddlePaddle框架安装_波士顿房价预测 ; N9 G% ^" M% X5 E' g2 s9 K7 ?
| | ├──1-安装PaddlePaddle .mp4 87.34M7 X+ @( k+ c; `6 k1 `/ U
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
_0 R. H* g6 g: X9 p6 I| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M! ~% B7 F2 j3 h* V4 v# i
| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M
6 r6 m, ]/ {1 }& Y" Z| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
4 J. ~7 d2 p$ ^5 j0 Q; ~| ├──2--PaddlePaddle卷积网络_病理性近视识别 - {( _* H B$ v7 K
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
! s! Z! F8 s0 p2 C- }- i| | ├──2-预测病理性近视_模型训练 .mp4 86.66M$ ~ l: ~, |/ R( f& N$ Y) ^
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
, {. v7 J( _. P1 j3 a| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M9 A/ |; c( d6 v2 _, C& B' ?
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 3 d4 f4 E( @9 r; n
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
+ Z, L* b/ `, r| | ├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp4 65.48M. V2 u+ z& N# N2 a T& Z
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
2 h* o0 G9 d! I| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
0 P5 d/ J) v6 ~5 x, d| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M/ @) l. |+ V, S7 C Y
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M$ [/ i$ w T9 y
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
! R/ b0 V% u, {3 C| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) ' ^7 Z' K% o# J
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
2 d7 y' {7 y/ U/ `; ?' d9 n/ _| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M1 ]3 Z# L2 `& p) ?8 f3 k- h4 Y+ ~$ n
| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M
& X8 U- ?8 V; m9 _+ ~. e| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M3 A F! M+ Z9 l3 M- I, Z( i# O" ?' i
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M! }' ~# u# ^* @* D) S
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M
9 B4 T" L1 G# G* C, v| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
: k: i' b. Q+ R {' s" x6 O| | ├──1-PaddleNLP_项目配置 .mp4 49.37M+ _: {1 x/ M: [( ~
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M9 y3 j. N3 R# }
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
; Q; |. U5 ]9 Z z| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M# f C6 c; w) k+ `7 I/ V2 L* v; D4 k
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M* S6 H* c7 j& A2 d: f
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
: v# [; _% w/ d; f4 d6 X' t9 j$ V0 ?| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
7 u- i ], q, P h; w4 D- A& I| | └──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 80.58M1 p; j# r8 L' e) f
| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
* ?9 w9 e l7 {2 f7 j/ ^3 M| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M
2 V; t9 N7 G9 `$ p| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M( \: k3 l& l) _' s
| | ├──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* ~0 a% l; L- L' W! z
| | └──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp4 57.88M4 I! |" e5 C' w
├──26--【加课】Linux 环境编程基础
9 F' l O% T. K- ~9 u$ c| └──1--Linux e- P; X# y; y" p' }# d
| | ├──1-Linux_课程介绍 .mp4 3.72M x: I1 I5 V5 e' L
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
- @! m& [8 `4 Y* h) p* a3 J3 q/ W| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
, M. f5 r. j* b; E* D1 l| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M! A0 R% ]' C/ d
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
# ]! o2 C8 h: g. K* z6 ?4 y| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
% N& \) @! C! z$ }) ?/ H9 N| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M; b: } X; W* M: Q+ `
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M n1 `# i/ n- {) E
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M* E; i: I2 @0 a; S
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
9 O+ B% f, h5 N3 r" q& Q2 |4 @/ E0 Z| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M
8 U( J( a0 N) J2 h| | ├──2-Linux_Linux简介 .mp4 17.59M1 q. b, |6 ?$ m8 a* \
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M3 d0 A: d# Z: ?3 q, A+ L/ M
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
! q* m& }9 d4 S; M| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
9 r, F6 z* P4 U# I% X% u- I| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
9 b: i1 j; ~8 t' ~9 u| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
, ^. K) Y) q' e/ _8 }| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M7 ~. c; }/ M) a( E- d
| | ├──26-Linux_安装MySQL .mp4 79.02M
7 S, @2 K. ~) A| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M6 c* Y0 `7 R# |& _( N- p) l% n
| | ├──4-Linux_安装Linux .mp4 41.97M
z ]4 m& ~& l: y$ ^( C| | ├──5-Linux_目录介绍 .mp4 20.31M4 h5 a4 _2 A& X4 R% r: m
| | ├──6-Linux_Linux中的路径 .mp4 18.65M' W- q: G5 K b& ~- k R
| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
# {, h0 c+ ^0 b7 L1 _| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M9 M: R; _; b4 A; ^2 \7 n- ^2 i
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M$ `1 V; E8 @6 }: g `5 e* I
├──27--【加课】算法与数据结构 # ]* {8 I4 _1 n% Y' n, }* d
| └──1--算法与数据结构 " V9 S4 j) \9 ]+ s* j4 e. w' S
| | ├──1-数据结构与算法简介 .mp4 35.68M
# X7 G/ ]- ]) Y) E9 e| | ├──10-哈希表的基本结构 .mp4 54.34M
1 E/ J. W2 \! W- x% r. k" T$ {| | ├──11-哈希表冲突问题 .mp4 75.92M
9 y* v6 i9 _; ?" w| | ├──12-哈希表冲突问题2 .mp4 72.30M
A4 m7 o3 n6 b9 s0 X2 t! x| | ├──13-哈希扩容 .mp4 111.03M
- i# h6 D" c* y| | ├──14-递归与栈 .mp4 50.77M% f$ e" K6 ` i% c- q
| | ├──15-线性查找 .mp4 57.80M
, L# v9 M! ]0 X3 W3 b" B| | ├──16-二分查找 .mp4 52.32M
5 _0 |3 o& l3 r9 f0 h| | ├──17-冒泡排序 .mp4 53.19M
/ F. m1 D& W. Q3 Y0 `| | ├──18-选择排序 .mp4 43.29M
9 X! O7 e% y& v7 x* N| | ├──19-插入排序 .mp4 31.39M' j) P5 o7 }7 ]
| | ├──2-大O表示法 .mp4 25.59M C5 x3 e, h# k" _/ J* F( s3 M
| | ├──20-归并排序 .mp4 84.48M2 I) @0 e3 ]$ _" L& x1 J6 n
| | ├──21-快速排序 .mp4 36.63M8 o) x: Z0 t9 F1 h& b0 a3 D- ~
| | ├──22-树结构 .mp4 96.85M
6 a- r, q' J9 d0 V$ n& L& c% L' B| | ├──23-树结构的遍历 .mp4 61.05M
. i3 h7 q- G1 R3 c6 b* ~- b, q| | ├──24-最大堆的增加操作 .mp4 45.43M) v* j& ^& R& J4 p3 s) R
| | ├──25-最大堆的删除操作 .mp4 45.63M
2 x+ f8 F; c( ?& o p( h$ E| | ├──26-二叉树的查找 .mp4 100.24M" `5 L) v) U1 T7 d( x9 a8 p
| | ├──27-二叉树获取最小值 .mp4 25.21M d7 P: V8 V, y; p- E
| | ├──28-二叉树的添加 .mp4 72.66M6 `' @5 h4 [. C
| | ├──29-二叉树的删除 .mp4 120.06M
# I& @' M" R7 j2 L0 Z| | ├──3-线性结构 .mp4 53.14M
6 R9 a! {) ^; c- t, Z3 H| | ├──4-单线链表1 .mp4 68.36M
) h7 [6 {0 d a. B" @* I| | ├──5-单链表2 .mp4 221.69M& m& @! `) M/ l% W
| | ├──6-双链表 .mp4 103.57M' j4 j! j5 b/ J9 X: O% ?3 x! B
| | ├──7-队列(链式) .mp4 74.12M
8 x& [# R9 V1 u| | ├──8-队列(线式) .mp4 30.99M1 A" N- |% I' \$ w0 d3 d
| | └──9-栈与双端队列 .mp4 28.12M+ b, N% ?- ]% {& p$ ^
├──3--人工智能基础-Python科学计算和可视化
7 X8 D: T2 l, f9 B0 p| ├──1--科学计算模型Numpy : k0 g4 `! b% r6 `) S
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M5 I' n' e. @5 }4 R0 |4 [7 I' C
| | ├──2-Numpy_array_arange .mp4 35.45M
3 d9 i" p& v5 K8 s- v: U/ C| | ├──3-Numpy_random随机数生成 .mp4 50.54M$ s7 N1 M2 a- L5 x, a" m
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
) O3 l$ M k7 _+ x4 b| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
9 U3 ~& k* h' f. V/ F n| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
, x t s0 q% O: z1 f7 c| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M
6 v! z! k0 e; t& a# H( _; D( D| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M
+ y: l4 ]$ g# V2 n9 ]( w. s* {: {| | └──9-Numpy_聚合函数 .mp4 23.68M
( l9 ^6 H+ t! V; d3 T| ├──2--数据可视化模块 " J: ?+ J3 f& e. |$ C& `2 s* C- m( i
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
) K# J7 ]7 q( L3 T: h| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
: s6 w# X! x( I6 u- `( R| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
' H) {7 ?8 g2 J! f4 Z6 w" ]| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M( J: S' ?# n/ B Q/ b+ t4 x/ n
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
3 |% h, Y% F1 A( Y" e3 a' g. n| └──3--数据处理分析模块Pandas " q2 W% l. A: d. s
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M3 d; b; T+ S! B' f8 _
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
3 T$ I" u* F# [* Q" r| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
: e# |* w1 f) V+ h1 ^| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
! j$ H1 ]# q& e" I0 t* E/ U| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
. D, W% A! a9 V" a8 R" k| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M: m) p! U7 [9 k: @1 e+ |
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
3 o9 o6 X. Q) m* e├──31--【加课】 强化学习【新增】
- I* B d \/ {( \" x q( R% Y6 Z3 {| ├──1--Q-Learning与SARSA算法
$ a6 o" s( @& X! j1 @5 C| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M( M, x+ E% [7 V: h4 `$ d
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
/ l/ |: [9 f& M| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M$ X- d9 y. J; O
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M4 h; U9 z @9 U1 a
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M3 X' m! I( q4 |3 x/ Z+ b) p) c
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M p) u5 q% ?( P" H. O
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M8 s1 y: W6 O7 u/ r5 s
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M6 E4 w" j' c. t1 U* @- p, ?; f
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M8 y6 O: k7 f$ k& i7 U' a& L" w' V4 f
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
, A0 V) D/ k) v| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M) T6 Z' Y9 Y7 [- ^* {* z
| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
( w8 F( |% N6 B! Z" A. c# I| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
6 Y& t# @# }6 Y% k+ ? l! c9 T| ├──2--Deep Q-Learning Network 6 E3 R; Y2 K4 [3 O0 v* q, j; u& e
| | ├──1-DQN算法思想 .mp4 59.24M7 M5 L/ ~) Y! u( s
| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
, g3 Z* X H& A) i; d| | ├──11-DoubleDQN代码实战 .mp4 44.49M
* T0 M& }0 r1 B: i& t, p: H| | ├──12-DuelingDQN .mp4 88.12M2 _: Z5 u. \+ b2 l' R
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M/ `- `; K( a" x' s4 m
| | ├──14-计算Action的方差避免风险 .mp4 54.23M
+ Y4 W7 s6 x6 h2 W; a$ C2 L| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
* z. M6 [! | t| | ├──2-DQN算法具体流程 .mp4 56.17M, j: e, ]/ f9 a$ j+ p3 q2 M
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M G5 j4 }& j; q4 y, b! |
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
+ a2 v5 Y- n0 g| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
5 W1 X9 D$ O6 x. R8 J| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
2 F! y( ^ j- O) G9 x| | ├──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
* O" u4 Z4 l# m" ^* b| | ├──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 58.93M9 G e# |2 I$ Z* Q1 w, L
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M4 u, b, `; k' N7 \7 ?$ {4 O. f
| ├──3--Policy Gradient 策略梯度 0 M/ G! [, K6 j
| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M
& c0 N8 N2 z" ]1 Z) L| | ├──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
' B) \3 P! Q, A) e$ s+ F9 h" U/ m4 `| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M; P: l( Q0 A W- T5 ^4 K
| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M- o! i/ N: ^, E/ s6 f9 x
| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M
h) k$ J S" `* s* M7 B+ t: t| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M. e' Q) e4 f$ `4 e
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M; L& R! o B5 e8 n% I! t* u. Y
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
4 M) K. x- N; F" r| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M3 Z8 f: ~% {7 K- d
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
& E. G+ H0 Z4 E( U1 M' B* {| ├──4--Actor Critic (A3C)
$ j; c) P$ S! v: @| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M* A1 G2 {% r: ~2 @1 j4 @
| | ├──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 36.14M2 ?0 K( s8 _$ A( {' A
| | ├──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 n. t, Y7 A! q1 X$ T
| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M8 c% C& m1 j/ f& y: v
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
: X3 H9 m; D ]% B3 u| | ├──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! f) K. ]+ n4 [& \. m! q' K
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M y5 g) `! L y: D5 O( d. T
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M) H% @9 I& q3 w% ]. g6 ]; M
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M7 N- h5 X7 @9 C4 D! o
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M$ S! ^1 y( `( K4 V F' s
| | ├──6-A3C架构和训练流程 .mp4 74.66M
2 [7 t. h. t% D: V9 T| | ├──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
( x+ m q) ]/ P: l+ \9 q| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M8 K2 {( X P& H4 c* N- T) E0 y
| | └──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* |" T1 i- g% F7 ^% t# u
| └──5--DDPG、PPO、DPPO算法
& K4 U3 P8 B9 F: J| | ├──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! q2 z, K4 e# I
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
# u5 ~. A! [5 T) l" {9 F# d5 F. @' K| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
K+ a" p+ A) V6 J| | ├──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
- C4 h! g2 k. _! I: P) p' || | ├──13-DPPO分布式PPO .mp4 63.81M
& P% t. b) Z) T l0 s% Z| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M9 S" x" O" D4 G- S. Z
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M' H& k# ^: E* S( C* Q
| | ├──2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑 .mp4 51.45M
: A' Q0 o4 |; s2 @# T8 M0 r| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
* w+ Y9 W4 g) s5 k7 M& p/ Z" B| | ├──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
& e, [/ J: J D" u3 U| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
& H, v# T& `! N( ^! {9 R, C/ u I| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M
w- D& z9 o2 p4 \$ H| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
9 }1 h9 q( A9 z| | ├──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
, b1 z; M/ V7 l4 p$ C| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M) t0 h; L9 ]8 _( i' m+ Q# R
├──4--人工智能基础-高等数学知识强化 ( s3 m7 u! P R7 | X. u
| ├──1--数学内容概述
1 c6 x) H: ~5 Y) j2 v+ A( l| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M; i. G, v* |. Y7 k8 E, d; O; Z, H
| | ├──2-线性代数_概率论知识点 .mp4 26.81M; f. T0 ^& R3 L6 P/ V8 S) P6 B
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M% s& J8 @2 Y" E- h( z
| ├──2--一元函数微分学
8 H; C0 [3 H M, t| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M7 d, m/ y* o3 b7 ^
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M$ n! m$ q: t; {2 e+ } n2 Y
| | ├──3-常见函数的求导公式 .mp4 22.76M
9 z5 m6 e# s8 L: G7 k6 R| | ├──4-导数求解的四则运算法则 .mp4 26.52M
& Y% G4 }( V8 N% L4 D| | ├──5-复合函数求导法则 .mp4 19.68M
( x& `+ @6 X0 f7 E| | ├──6-推导激活函数的导函数 .mp4 33.40M
. r5 H3 J- Z$ w |% D' y: c| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
# I" ?3 p' Z- H, D7 R7 O% x| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M1 b% h$ E. Q Y
| ├──3--线性代数基础
) T" Q9 O( h( D7 `' l! q| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
! _ |- X& M; Y+ K4 W4 Y* y| | ├──10-矩阵的逆矩阵 .mp4 38.54M+ E( `; P1 R3 k2 S8 g/ k3 I9 V, `
| | ├──11-矩阵的行列式 .mp4 20.13M
, L* l4 E$ q! V' Y, n| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
) a: E v% i- O2 n) s8 Q2 Y$ e# W; E| | ├──3-向量的内积_向量运算法则 .mp4 19.78M/ b" [2 o# s# g, E) C
| | ├──4-学习向量计算的用途举例 .mp4 20.32M8 N) W; m4 @7 x7 o- Z
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
) v/ W8 X) q) P0 q L- x| | ├──6-特殊的向量 .mp4 26.45M
7 n+ i2 x& |4 O1 R2 `| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
7 s; w; Q1 x! y4 h# m& Z& r) X| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
/ k$ E8 b* I+ X0 a| | └──9-矩阵相乘 .mp4 20.02M2 t& ^; j: M; P1 x! s2 h5 { p& G
| ├──4--多元函数微分学
: d& k+ W" h6 ` n; o! @| | ├──1-多元函数求偏导 .mp4 22.61M2 v! h; f$ C, X# \& T
| | ├──2-高阶偏导数_梯度 .mp4 27.15M% K! w* t6 S; `( R
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
. L8 U5 ~) c: a) o* d1 q7 C$ || | └──4-Hessian矩阵 .mp4 32.93M
1 z+ |& E- k) [5 O | || ├──5--线性代数高级
3 C' @, p( P( M| | ├──1-二次型 .mp4 27.70M, h: \! v, l/ [* f
| | ├──10-SVD用于PCA降维 .mp4 24.90M
( z0 a4 \# l [0 U% a" c* A( a# w9 t| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
0 F9 S" V' P: x S| | ├──2-补充关于正定负定的理解 .mp4 23.48M
2 t9 ^4 N; G+ l& ]* W# z+ \0 C| | ├──3-特征值和特征向量(1) .mp4 29.83M
/ q( ^0 u' I6 n: \0 h9 E5 _| | ├──4-特征值和特征向量(2) .mp4 30.07M6 I) `- ] ~; N$ k8 p( D
| | ├──5-特征值分解 .mp4 38.68M- [$ x9 s. U' u" w7 A6 t
| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M3 m- `4 E$ y% }9 f6 f
| | ├──7-奇异值分解定义 .mp4 22.58M
! R9 ^7 f3 }% T& j# L I$ e# C& d| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
" t y3 Y6 _3 _$ M| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M. w& N1 [4 V/ d
| ├──6--概率论 0 j6 x" B5 h/ M) J9 C# n
| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M) @( o l1 L2 x' R8 {
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
' J8 w* I0 J, V* Z. L! E5 d% F| | ├──3-随机变量 .mp4 22.57M
2 r# _' @. j( f0 P7 l/ m| | ├──4-数学期望和方差 .mp4 22.96M
$ x I) |, _0 z0 \- ^( e8 f| | ├──5-常用随机变量服从的分布 .mp4 22.48M2 X2 t9 j2 B. _: W" W6 T. `( ]
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
9 M) x/ P5 i( f! C' _, w0 n. r| | └──7-最大似然估计思想 .mp4 23.42M
! Z2 D0 k' c' P8 ^/ C+ _- j! k8 o| └──7--最优化 " z1 i% G7 a2 E4 r, \! u4 ]
| | ├──1-最优化的基本概念 .mp4 35.14M7 v4 P" g' M* _, l) u; _* m
| | ├──10-拉格朗日函数 .mp4 27.46M
4 {# O7 v* b: G' k* b9 T8 ?7 r| | ├──2-迭代求解的原因 .mp4 20.15M4 y! h# {. e! V0 d
| | ├──3-梯度下降法思路 .mp4 26.33M
6 k n* ]7 r6 a+ `( {( v: p| | ├──4-梯度下降法的推导 .mp4 43.56M; V3 N7 `5 d* H
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M! n& N& K; j/ f2 E4 @9 m, L
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
' m0 Z7 }$ q" C% b/ e| | ├──7-凸集 .mp4 21.90M
& I% w0 ]( V5 S) \. }| | ├──8-凸函数 .mp4 16.93M
! q! ^8 c; g& S2 j& q| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
0 F3 y D! P! M) B3 H3 b5 J├──5--机器学习-线性回归
3 F8 V& J3 W! S! l3 t+ Z; b! R# {| ├──1--多元线性回归
5 b v$ c# q0 M, g) P8 a1 ?% Z| | ├──1-理解简单线性回归 .mp4 51.11M9 Z" Q) _( ~; y
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
v% j! t: R. i; V8 y| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M$ `) p- I+ E% g8 U. f! S
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
/ v% I+ t* H0 q| | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M
; F Y: L! F$ X/ `& Y- R| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M5 C. E O0 W! w4 p2 {# P# \% I& {
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M* X6 _4 h& E' G- V4 t' T
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M9 Q: s) n0 I( i* j
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
3 R) }+ y; {3 N- k+ F, C& j| | ├──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* H/ N( e& d+ w+ H+ x2 ?
| | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4 34.67M8 t7 x% K+ V, s* [. |) F
| | ├──2-最优解_损失函数_MSE .mp4 39.58M
, l! S! T' K5 b# A6 {+ H2 S4 ?| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
- O& y' \' `* t* j/ ~! T5 `! x| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M7 }& c5 n3 v" j7 g4 P' u" a
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M6 C7 ~1 I3 |5 l7 K) k4 H; _9 s
| | ├──3-扩展到多元线性回归 .mp4 32.15M
" h% v. V# c; \! S8 Y y| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M, Q' ~$ c9 ^+ W+ i
| | ├──5-理解维度这个概念 .mp4 41.41M" b7 Y) L( M: l1 y7 A
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M* W. @1 |3 J. m! _0 N
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
* D$ ?% R' R& {: a8 e$ y9 T% K' N| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
( ?7 y5 p0 m( n2 ~9 k5 @% J* `( n| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
$ i9 P5 {- ~( h| ├──2--梯度下降法
% ], K9 `4 X# v" i& R' M( m| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
5 }$ E/ G G0 s, T; |) l4 r- f| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M
1 S' {- M8 ]6 O/ f. s| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M* T5 \- M9 U+ w) k3 Z7 K! I: h3 f: F
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
( |2 I4 z: S. \2 x2 Q P$ ], B, w" g| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
& E+ j9 Z1 I+ v- _3 `| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M' O% ~4 w9 u+ X* M6 I
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
. e4 R, V, E: a| | ├──2-梯度下降法公式 .mp4 57.12M, [: y" T {$ X. _
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
" Z( P' w2 O+ H# a" e' T| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M* d/ w+ p% _- f& w4 {0 Q
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
; k; \& _, e7 n! L& t9 b3 j5 a| | ├──6-全量梯度下降 .mp4 62.84M5 N' u5 E8 K: ]/ M( |
| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
$ H D d1 h( {: s6 |5 [- g| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
+ Y% v& A1 E& _; D$ E+ {! R| | └──9-轮次和批次 .mp4 45.22M6 e. ?; V4 h+ j. ~$ a2 q3 X" @$ F
| ├──3--归一化 ' @" {4 R( [8 ?8 a8 a
| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M4 Z: X0 z5 i% [" I
| | ├──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% ~' G+ `" Z+ d6 G3 m
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
3 J$ q) W, _1 m| | ├──4-最大值最小值归一化 .mp4 24.87M
8 w: Q1 V( U# \) e8 o0 f| | ├──5-标准归一化 .mp4 51.86M
$ C# U. Z- i) L0 K/ S| | └──6-代码完成标准归一化 .mp4 41.13M. ^2 ^( l; O8 U1 U* |# d
| ├──4--正则化
9 P1 k- W `1 q( j8 [| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
% E3 T, C% u; H) |- `$ R5 q9 m1 Z& J| | ├──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
3 S6 y2 y' o2 A( U| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M$ d! @, f% H- e7 o. [' \) C
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M0 P1 _9 p0 }2 U& l6 u- L
| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M* H( J# U- V) T' y" a
| └──5--Lasso回归_Ridge回归_多项式回归
' B' N9 v0 c$ D+ y0 Y3 B| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
5 A# S8 k; s/ ^: C( [+ w| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
. [4 Q# b3 _+ s| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M% [/ i/ o2 Y7 z4 {/ s
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M. [2 ]) a# L4 n- {" u& _
| | ├──2-代码调用Lasso回归 .mp4 28.73M
* O' ]5 V: Q% X* I, c' l| | ├──3-代码调用ElasticNet回归 .mp4 53.67M* x2 b8 x8 Q1 m v, v1 i
| | ├──4-升维的意义_多项式回归 .mp4 48.06M! e, K3 ]0 a5 w6 Q$ L
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M1 v5 j+ { r9 J# v' ~9 p& u. g( A6 q
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
F. M. y* R* k: f- \$ [, H| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
; k: H: a8 _- v* G) T) e& j) M0 Q: L| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
5 ^. M3 q- F, I! I5 X* A| | └──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
2 X' q# Y: u3 T4 D# X) K& ~) s├──6--机器学习-线性分类
! X6 p. g. B& p: I| ├──1--逻辑回归
' s+ |/ g0 P! A h( R| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M. n9 C/ Z- F F% a6 ^
| | ├──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 39.83M1 ^* n ]- c; z
| | ├──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
+ Z: h& W: \1 f1 [/ h| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
5 ]5 J0 _7 D. l: p A| | ├──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' O8 w1 ^( |" M9 i
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M# ?& {) b* B2 E& |; l$ X
| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
& j% ]% O; N! h: _6 m| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
% b$ t9 }% f3 O( Q- }: I9 n' j| | ├──2-sigmoid函数作用 .mp4 38.15M
( t; f* Q( R3 F; a& b/ P" R| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M3 R/ |7 `! B5 p& f2 w
| | ├──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) ?1 j2 A; s4 f* 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
8 j, T C" ?6 t9 N' E| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
# Q# O) o# X" Q: N| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M& |# O8 }$ e6 l+ w8 H4 G
| | ├──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$ s; [ K+ k" 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
# D! u' X" Z& }: n| ├──2--Softmax回归
( u3 E1 v/ ^2 _) w; h( j5 g7 t( e| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
- x1 {7 v5 W' A. }9 G+ n4 T5 o5 || | ├──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
: F# V: s4 x( o( A1 y( F| | ├──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
K7 H9 I: y1 Y. c% \0 ]6 P/ e| | ├──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
5 o, {8 N2 s* A& b| | ├──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 78.03M7 D5 P$ T# p$ x4 t, U
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M
8 C$ m1 [9 \' }$ e* j- \# 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( A' u! k* ~# ?; I6 Q9 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
' p0 j0 t$ M: s' A4 f| | ├──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
9 D5 I! }9 J- F" l8 a| | ├──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
1 w3 n2 ]7 M6 K+ U| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
9 K% o9 |" ]. J| | ├──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( K+ @1 \& V+ @ g| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M
- [6 `7 x2 Y: v| ├──3--SVM支持向量机算法
- ^5 q3 v; q$ S# f* f3 e9 }. ~4 v" `| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M
2 p* L1 G" s, x. p0 V9 F: N- A4 W| | ├──2-SVM的思想 .mp4 55.56M. ^( h% j+ B( D& K
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
" A. ~6 a1 F( c* G W| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
- n) D7 {2 J6 w1 |) S+ l| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
+ T2 l. h! m& |# B/ a' v7 ?4 C) b| | ├──6-总结硬间隔SVM .mp4 39.01M
# m* ?1 h5 Z" h6 Z- p) C| | ├──7-软间隔SVM和总结流程 .mp4 135.76M. o8 ]% z. {, x( L4 V I" j. F
| | ├──8-非线性SVM .mp4 54.43M
+ x: ~. g c, W1 A) k| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
! X' ~0 c8 i/ [: K| └──4--SMO优化算法 * T' M6 Y6 Y- a/ v/ J; k& }
| | ├──1-SVM算法流程总结 .mp4 58.36M
" W# z) ~3 d. D3 _. D# x4 C7 {$ _| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M
! ^# M( L. f; _! S| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M8 E) C( l: `+ q! i
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M$ O2 ?& j% i( o3 x
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M, k( Z( b# {6 Y4 q( w/ ^% D5 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+ ]4 F* k6 r* A1 J
| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M# d+ j/ C* I, z' b0 U; h' j
| | ├──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. r1 l) E. B6 t! {, c1 L; q
| | ├──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
& R# Q0 F. m: U; O5 H2 q( A7 t| | ├──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* k4 C9 h$ E5 q8 t1 ^8 [
| | ├──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; z; l& h; D$ `
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
( {7 z) C' {. d* v3 B| | ├──7-启发式选择两个α .mp4 23.11M
; ^5 `! s8 C# z# i2 l: n! ~: z5 R: Y" B| | ├──8-如何计算阈值b .mp4 50.18M
. i3 j ]) |) b7 g| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M5 m3 q0 M2 l5 i3 C; Z2 T9 q! i
├──7--机器学习-无监督学习 " b c% |' j" q9 ^9 U7 g
| ├──1--聚类系列算法 3 S7 J5 k% R% Y2 h7 d( o
| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
' n# p) C! V( u| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
$ e# W/ ]! k& B# L! p- ^# W- [0 M( p| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M
0 C' k4 R2 R7 `- H$ N4 i( S: M6 h| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M% v) o) u, W4 H/ ]
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M, q. ]2 I, S$ n/ X
| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M& D- r3 a. \! q# x
| ├──2--EM算法和GMM高斯混合模型
! e% Q# x" J% o! a& m% s! c1 G1 v, \| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M6 I% h! _5 n2 i+ V" [3 @$ c
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M
* _5 q8 n. i; v: j# \8 m| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
$ [: C3 V: u, I) _/ w4 v5 _| | ├──4-Jensen不等式的应用 .mp4 109.17M( @6 I6 g$ J! d+ r. e2 F
| | ├──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
# P: K; S, b1 F- ~7 n# b- @| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
, J: K& p5 \, [; l$ S/ o| | ├──7-GMM前景背景分离 .mp4 16.01M- G: T. j: @* ?7 n
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M7 m4 Z8 Q' r$ s
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M4 _8 Z, r* I7 C/ R x% F
| └──3--PCA降维算法 . ^. w' ]0 S0 q+ T! |
| | ├──1-特征选择与特征映射 .mp4 49.38M
% X% M" W& Q2 K0 y| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
$ T5 i; ?) k" `% d+ B; J3 x| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
5 X0 F& v$ c- M( c- V4 @| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M
' |1 Z( R4 t7 Y7 m& O. n6 \| | └──5-PCA的几种应用 .mp4 54.58M% |! S F' M2 y8 F' a* u
├──8--机器学习-决策树系列 3 P4 S0 M" I8 ?# [( C
| ├──1--决策树 / b$ v4 W8 M$ }2 F F% H
| | ├──1-决策树模型的特点 .mp4 74.88M( G: Y! d) Y4 T3 c
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M7 q3 x. m6 y8 A0 V
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
+ v* L# q; x( z' F| | ├──12-后剪枝的意义 .mp4 50.49M0 ]( N* k0 C% c
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
6 R" V5 x1 C3 b- q| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M* z5 |/ V, U' W* W8 y* |- D
| | ├──2-决策树的数学表达 .mp4 89.94M
5 I2 m- b# ^2 c0 t4 f| | ├──3-如何构建一颗决策树 .mp4 84.87M+ o- V6 O9 _6 X# V6 j8 }. [
| | ├──4-什么是更好的一次划分 .mp4 57.02M+ e- R' l% Z2 Y! Y. d
| | ├──5-Gini系数 .mp4 107.54M
# @# V6 W2 m, i# d| | ├──6-信息增益 .mp4 75.26M O8 G8 ~2 }! Q2 c/ i) g+ v
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M7 Q# j4 g; Q, \9 U$ p
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M5 G5 D P# N$ a% \
| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M! T k0 D& q5 b* H& _" d
| ├──2--集成学习和随机森林
4 A- h6 [1 v6 c/ b- L0 x' U| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
9 v5 U" \2 B- L* _: r0 Y! Y| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M! {5 v* l2 r- C
| | ├──3-随机森林 .mp4 108.14M* m0 a8 N( M. D7 I& m+ b A( ]
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M( R* o! S/ D+ f& R( ?/ T' m
| | ├──5-OOB袋外数据 .mp4 106.07M% h. j/ k6 V! b3 m$ l! M2 N" P
| | ├──6-Adaboost算法思路 .mp4 106.30M
7 A( ~) A$ l* ?5 N4 N| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
; e# T6 P/ x d# `| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M
/ L6 @7 t* f, O5 Y| ├──3--GBDT
, D7 v, [6 n- x1 }- B, }/ Q| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M' L# M, S8 O" x- g5 _. d
| | ├──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
9 C* Y& h/ K9 _- V2 E5 S P/ g, V( X| | ├──11-GBDT多分类流程 .mp4 73.80M
2 p7 L( G# l; A+ D: Q| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M5 Q* U c: ?- k
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
: w9 Q( m" {$ W% c0 \| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M5 |- I3 u6 o5 A! }' s6 l
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
3 E' }; j& V- G! s3 f$ U* o| | ├──16-GBDT多分类举例详解 .mp4 91.71M; u9 B8 z; k# x: G
| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M$ R H- |" k: R/ w" f
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M
+ c) J: B3 E1 y9 Z& K! S1 b| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
# k6 O: p) C: g7 Z& K: n4 O3 x| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M5 g' d- p1 M) P* k
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
3 a& a' h" V# `. x( E, f: C) \| | ├──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: M" p0 ]- [6 `5 r; `
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
- w# _+ d8 W: l$ K( X| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M# G9 C9 @2 V6 s' o {% W$ ]
| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M Z5 u. u% F" M7 f) ^/ ?; N) l A
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
/ f& x D4 `) i$ w1 y$ Y7 A$ Y3 {/ t| | ├──5-GBDT回归举例_总结 .mp4 108.52M
% I1 k; O- [7 A4 S' z5 ^0 k| | ├──6-GBDT应用于二分类问题 .mp4 70.42M6 N( k7 F4 ~8 p- G" I7 q5 }
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
) ]# b; h. Y1 I! l0 [& Q0 M8 Q' U| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M
7 ?- P0 A4 S# d, i3 M O& R* || | └──9-GBDT应用于多分类任务 .mp4 73.34M
' h0 \; i1 O( T% a8 i| └──4--XGBoost
. O3 i+ ^* c5 q# M) U2 a| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
1 e% k! S/ X1 S! _0 g| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M8 B" A0 C/ Q8 u4 n- G
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
' V7 R8 U+ ]2 e( x| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
0 v2 f7 ?; X% c% || | ├──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. y+ p1 v$ f2 a( z
| | ├──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
) k5 D$ D- c3 R6 S% H* E4 p| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
/ |* t( r1 Y( Q& o" C0 c7 g7 U| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
8 E& z. p& Y+ y% v8 R| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M- A+ h6 S" Y6 |; z1 R
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M1 u% o: c* k6 e" m% Y- i
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
% s% v& Z: L" d0 W. e- z& c| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M
2 [! K, ]' Y" J4 Q/ v8 A; ?| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M5 N" P: @. q4 l& ~
| | ├──6-Objective_vs_Heuristic .mp4 60.42M& Z8 ^6 W" g0 P. F' q/ R+ E
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
2 b+ t9 P& {. x6 \2 r| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M8 i& G; L1 b! ]! |4 x; U
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M8 b9 Z# z" m8 ^# X. u8 T/ l( L! |% x
├──9--机器学习-概率图模型 8 n* T' Q$ L. Y0 W6 L% f, _$ U
| ├──1--贝叶斯分类 K0 f; O4 t5 K4 L# j! R8 g
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
& o1 S1 h1 d# d+ a( f" S| | ├──2-TF-IDF .mp4 53.08M8 U8 ^+ C) f0 d- \8 P& `0 c
| | ├──3-NB代码实现解析 .mp4 126.73M. B! i5 E" L) m- `
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
1 v9 k9 o6 d, V! [& U# b2 p| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
' E. s) g8 ~$ {& R+ c/ p1 T& A: l0 g| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M
3 u3 G4 ~2 l' \* r% P| ├──2--HMM算法
5 p# |6 L0 Y/ h2 q: t' S| | ├──1-HMM隐马的定义 .mp4 36.82M1 f/ F3 ^; j+ z! Y$ b3 H
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
: a/ y* A, G) F7 h/ || | ├──3-HMM预测问题使用前向算法 .mp4 44.33M: ?- w1 P2 L6 x6 c U$ t
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M- c( L$ O( w! k& x7 V( n& u
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
! ~+ A$ F8 Z& O. p| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
/ ^; g4 N. \6 h8 n9 L. j7 W7 n| | ├──7-Viterbi算法案例详解 .mp4 107.12M
- R3 R1 S# V; e. z| | └──8-Viterbi算法代码实现 .mp4 42.43M8 S. s/ t3 b" f% h6 `1 e, W
| └──3--CRF算法
9 v& o4 w) Y" J: [9 y. j! D b| | ├──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
$ j7 L. I7 i8 Z4 |3 E| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M I0 |8 W' @5 _1 T3 A+ z% w
| | ├──3-了解CRF层添加的好处 .mp4 105.90M' h4 ]# J7 b1 ?; N" q- q
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M
# |- P1 U( e8 T0 n! w: Q- ~& o| | ├──5-CRF的目标函数 .mp4 23.74M/ A$ @* w, v# E; w$ d1 E e
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
2 \) s( d: o( c8 e j6 V| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
) x! I e7 T/ G| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M" Y( q& J8 C+ x$ S# N
└──课件.zip 2.54kb. X. O, U) q& V/ u
6 u6 k& i$ ~, n& L: L9 z
' _; p V& s/ c/ l. F2 _
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！- N" {4 x- E1 \
" I% d" @7 G( q; C
. O( S( H; q& C# H+ [& l1 ~ |
/1 
