战-人工智能2022/
/ g. C: d/ l& t: u├──1--人工智能基础-快速入门 ( B& P; L7 H# P
| ├──1--人工智能就业、薪资、各行业应用 2 S+ j7 h! b0 x
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M. ^ p0 a1 h" |6 W* D
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M: ~1 U1 n7 ]$ _8 t5 c1 `& i
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M: Z: s5 T @7 e2 W4 }
| | └──4-人工智能在各领域的应用 .mp4 57.73M& c! i0 G' @ H' v4 [4 s
| └──2--机器学习和深度学习、有监督和无监督
' e8 g3 \: `+ X6 s, ~5 E7 ]* d. C| | ├──1-人工智能常见流程 .mp4 89.62M6 F9 J6 o7 O1 Y
| | ├──2-机器学习不同的学习方式 .mp4 83.51M8 n: `2 H2 y9 }. D) ^
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M8 m# O+ m* c$ Y5 s6 ^! `6 A/ d
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M! f" u9 y2 C" x, c
| | └──5-无监督机器学习任务与本质 .mp4 50.15M
0 A2 u; ~$ L. ~5 e5 N+ }6 M ~+ B├──10--机器学习与大数据-Kaggle竞赛实战 2 T Q% e& f2 B( z7 A, L5 K% E0 _
| ├──1--药店销量预测案例 ' \0 G' A8 v5 h: q: }
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
8 ~1 C# q: D, x, Z( N| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
& x( e+ C! |% T, B+ E3 a| | ├──3-自定义损失函数 .mp4 21.12M
4 O2 S' E& K9 h" {| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M, T$ D) S# V- G7 |: c* y
| | ├──5-数据的预处理 .mp4 111.81M |2 ?: T8 z. f+ s. |
| | ├──6-模型的训练_评估 .mp4 66.64M2 B6 u6 N6 z4 V+ [
| | └──7-kaggle竞赛网站学习 .mp4 172.16M
8 k4 a% `5 s9 K# i! `! r& ~| └──2--网页分类案例
; T# k1 z& r% d# e- N5 E6 y4 E| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
1 s# m) o/ r+ r& q4 |. m9 M| | ├──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
; `, Z$ @ Q5 o5 z& s9 D4 l' _| | ├──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" F( K6 r9 S& `1 J
| | ├──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 74.74M3 n0 d& H8 c# R( Q: x+ b# b
| | ├──2-评估指标ROC和AUC .mp4 56.19M n! S2 n$ s" ^& ~# T& d- H
| | ├──3-评估指标ROC和AUC .mp4 49.03M8 Q4 H) J5 L' V2 m3 k
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M
E3 C/ t7 v" P* P| | ├──5-数据导入 .mp4 68.41M
! I7 }7 `% ?/ W$ P1 M| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M+ M" c2 C2 |$ V) Q
| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M
" }" b- L$ l* a| | ├──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+ a0 i; U/ k' b( e
| | └──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
& {6 F& K7 [7 ~1 J# h1 C5 ]├──11--机器学习与大数据-海量数据挖掘工具
- B5 b! Q, y5 H2 G8 @% l$ g5 ]| ├──1--Spark计算框架基础 " v* [; R; M- G& r5 K
| | ├──1-Spark特性_01 .mp4 41.68M, R3 G+ I! i+ J9 n
| | ├──10-分布式计算所需进程 .mp4 26.30M
" E7 w; z: Y5 f6 [" z; y| | ├──11-两种算子操作本质区别 .mp4 56.31M' _; o3 P1 e) K7 e2 \$ d$ i$ c
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
& w/ o, R1 o$ S3 A: A7 q. s( r| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M1 }/ O8 v- y5 J7 U% o
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M. \$ H2 K; @) N2 y4 g7 A
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
/ m; {( A& O# \, f+ Y0 M: U# ]| | ├──2-Spark特性_02 .mp4 35.15M W6 p [5 H( e4 h e; }. t4 q
| | ├──3-Spark对比hadoop优势 .mp4 19.34M; X: Q; ~ E( O# T
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M# T& E# F0 W- f7 H9 W" e7 m a d
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M
2 S% C* q9 {0 V, w/ L) }| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
5 j* l( _, U7 a3 o% z3 m| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
4 M- h5 D3 U* u+ a! D| | ├──8-Spark的RDD特性_01 .mp4 33.08M
; O0 o: Q* g, \6 ^- P% O| | └──9-Spark的RDD特性_02 .mp4 33.41M
- `4 s) R9 b3 H# b& m) W| ├──2--Spark计算框架深入 6 I9 K4 T% T5 |: [! k- x$ u
| | ├──1-Spark数据缓存机制 .mp4 54.43M1 g% b" B1 y5 K9 C. B, ]
| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M
' ?0 o, h0 P b- K& u3 a1 }% o, l| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
; p. M: {/ B6 {8 x, C- j& x3 k| | ├──12-构建LabeledPoint .mp4 111.08M: G( w2 k+ [# w; ~2 Q1 n# k9 s
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
( o. g5 x6 b. n- U& }' k' j| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M! q2 Y, j9 m8 r2 j/ F9 W* N$ G. |
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M. U: G$ e- m( O. g; r
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
4 R' e: {/ f; E0 L| | ├──5-Spark术语总结 .mp4 89.66M7 b) r; A9 y2 Z: I' o
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M
0 D. M$ T/ C# \1 |5 G L7 v2 e| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
6 p! ?5 @' s/ T X0 D| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M# @# o& v/ d4 H
| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M3 T' S! o# g3 E( P% {. `( _# j, `
| └──3--Spark机器学习MLlib和ML模块
, B6 Z* e1 C D k e4 b& F| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
) d/ o$ L' d% S( l3 B) f1 Z$ k- w| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M4 X# d" b3 l; `0 P6 a ?
| | ├──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
4 g. k! ]9 v0 o T8 H1 U| | ├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp4 92.22M0 h3 C7 Q% o8 f. O
| | ├──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
} |) Q+ i0 i| | ├──14-从数据转化到训练集的构建 .mp4 146.40M+ z+ D s/ ^2 Y* U1 `1 d
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M
6 R! v, Z4 y, G3 L| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M
9 p+ s: U4 V/ N- D% l7 H| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M* t( M! s0 y# X& d [
| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M$ F9 o; G7 w. g, H* l
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M- T4 ]9 C. ], G+ G
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M
" g" D: ^0 h" {| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
8 E0 s2 _* [% |+ g# n0 }; x j| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M3 b# y- \) a5 U3 P2 X* G
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
2 n$ z h; V1 K# `, ^- h| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M( u7 l0 X/ x6 u! e! W8 I; p3 l
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M0 M, d# x u& D4 H* M
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M* ?7 V& _, `5 L
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
3 }5 }. {0 z1 F9 y, h7 Q| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
7 t3 e3 r3 }! j- ^3 e. Q" K# d| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
" a8 ]. j) r* f& R3 w| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M6 m, g) j! k& W0 b, r2 f
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
4 @& y B C, h- }1 G6 |$ Q| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M' f3 z- l( C7 w
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
. }3 k( i* W8 G6 L. o u, h| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
0 ?, Q/ S h% K2 T├──12--机器学习与大数据-推荐系统项目实战 3 o! M! @% Q( R! W m
| ├──1--推荐系统--流程与架构
: S& v" h7 n6 g2 p0 T| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
+ R% h3 D5 E; y* u: W. R0 I| | ├──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
/ J2 b8 z8 ^- y7 s$ Z# c4 ]# {| | ├──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
6 i0 v0 z2 t2 _. f4 k| | ├──12-推荐系统_数据源_1 .mp4 79.07M
% X$ v( e; D% v; p2 l8 g# b$ a3 y| | ├──13-推荐系统_数据源_2 .mp4 82.90M
" ^1 s" t. |+ Z2 l, I% C- `! T% `| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M+ V. g+ h* f6 D; _2 x" V y- g
| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
; k& E0 G6 _ f) @8 _| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M6 h T1 e4 h( d, p1 {: f4 b
| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M1 b8 G1 u' D$ [
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M2 T3 ] r9 j/ D9 C: m
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
1 f' Z+ I! Y6 a7 o- \% a| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
/ I! [! D1 R. m" u. L' V* F| | └──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp4 77.80M4 j9 i- f* t1 L( i) E
| ├──2--推荐系统--数据预处理和模型构建评估实战
- z% d ~. s5 @9 ]- N+ m+ a+ C| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M0 u9 U4 I: `+ U7 _4 r
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M" c/ a4 ?) \! L
| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
; M8 w, b% g% \) O| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
" S5 r* e( d; K- T/ F* S% ~| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
5 a3 c% \+ b$ D) I4 X4 p# u6 Z$ d& a| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
2 e9 |+ l2 j" J& ~; V3 \9 P| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M9 r/ l" j# ^' A6 x5 A& 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
0 W ~0 q( F( l i3 D& n$ P' ~! f- i| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M7 d' X! V- p* b9 a
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M
' C. y* A3 [4 C* r1 K; i3 @) u| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M2 Y7 B5 D5 }) T" l- R" C5 W- ~# [
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M) R0 a, Z* Y r u
| └──3--推荐系统--模型使用和推荐服务 + W0 m1 f0 p* ?
| | ├──1-推荐模型文件使用思路 .mp4 61.89M
, w( x/ C& P6 M+ e& Y* j| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M* I1 e' x5 R6 g4 W, s) w' [
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
/ I' x) [% i. a0 v| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M+ e, t3 j' R# P2 b% i* V0 f
| | ├──2-Redis数据库安装及其使用 .mp4 47.93M9 i- x5 O5 S) W. D- q7 j4 V
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M5 H) \) Z- D L3 A' k
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
8 w$ H, c. T7 {6 X| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M8 _5 _+ B. B% E2 [6 {6 {) F3 H
| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M0 [. O2 h, g8 `6 D' {$ n1 q/ h
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
& ^8 E% G- ]: E| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
5 \2 l. B4 ?! Q: J| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
! T) T$ L, O* R6 y- n0 B. o( Z├──13--深度学习-原理和进阶
- i( c9 V1 I9 f/ J# n/ @- u' P| ├──1--神经网络算法 Z/ W4 v& I+ A; |, i
| | ├──1-神经网络是有监督的算法_生物神经元到人工神经元 .mp4 94.41M9 m k0 @4 m, C3 U# X4 B& {
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M
8 K6 a* A( x, M+ H+ t/ k' `| | ├──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: ^: [" J( H0 ]$ G |; Q
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
2 k1 N* X; f* n! r V) C& l| | ├──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
: T+ n6 i2 ~) G& E8 Z: P% A| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M, Q: r2 j* ]! S& ]' ^" A3 W$ ?5 ?
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M+ B- ]+ I% W: i9 G0 V
| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M5 e+ z% x7 ~# a# w# G
| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M E9 p+ T. q* m$ o B" W
| ├──2--TensorFlow深度学习工具 1 o3 K) U/ P) R5 ^+ ?! _# c A
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
, r) ^# q4 c. [# N: N! S! a% K| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M
/ t/ @! }' a4 ?5 q1 r| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
" b/ P6 t4 F* A" K| | ├──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' p# w0 m- U! L) P* m- _4 r$ v; v
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M
% y6 Y. A2 z" X! |, \/ I| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
' z9 B& x9 s3 ?( i0 @' }4 P| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M
( q( ~8 M3 ]5 @# S$ g| └──3--反向传播推导_Python代码实现神经网络
& u# K/ S: I4 Z% v2 w| | ├──1-反向传播_链式求导法则 .mp4 86.47M# I8 N2 n- b C. d5 R/ B3 E8 W
| | ├──2-反向传播推导(一) .mp4 127.90M
: C3 V8 T0 f% ~4 ^ P. L+ L/ S| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
1 l% r& n9 o5 o6 ?4 C| | ├──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) G+ u6 u6 o( A7 g0 p& m0 _1 h
| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M2 R8 U- j' k- p
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
0 z! j2 y6 N. D| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
. B: S% }( k! N├──14--深度学习-图像识别原理 , v( {5 p, n* F! `0 w
| ├──1--卷积神经网络原理 % }" D1 H7 J. O' l$ Y9 M+ H
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M+ F* ^5 b1 P3 `! N( b# Z
| | ├──2-单通道卷积的计算 .mp4 104.01M
/ _' W& b1 D9 Q0 [! z/ || | ├──3-彩色图片卷积的计算 .mp4 52.79M
0 @/ Z8 v2 M# `$ z| | ├──4-卷积层权值共享 .mp4 63.93M
% H1 V! D) g! I+ x6 \| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M+ l7 c1 N; p9 }6 j" a5 t' L( O
| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M3 i t7 X& _2 s) R& U6 {
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M% a) C8 F% F9 y1 N& U) v
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
4 N% c/ L* p, q/ z+ w% ?' t0 g* v| ├──2--卷积神经网络优化
8 R- C6 t7 Z5 z( I3 G| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
9 A9 t" P: l( Q s5 @7 n. W' [* @| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M/ B! _- O4 `8 V: L4 q/ S b
| | ├──11-Optimizer_Adam .mp4 141.12M' m. V0 _: [) g( m
| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
. u* U/ e( W; _. f2 t1 Y+ a| | ├──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
/ K& q# h- s( g( O; Q0 @& t: Q- [| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
5 D3 q3 [% ]& |# e) h0 K| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M
) s" W {% F6 ^2 g| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M; q* ~4 v1 w# I, x5 y1 P
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M
! d- o; V1 P4 p" B& G! f3 e+ C| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
5 S2 e' \5 E" q7 O| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
. o. j* x" s+ X' }: m| ├──3--经典卷积网络算法 " a" }( |! q2 e" c* @; B
| | ├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M2 I0 H) F/ ?: h* \
| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
: z. X. }+ f3 y/ v# X( T| | ├──3-InceptionV1_V2 .mp4 165.86M
) u! a" @+ {' I| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
2 F+ d0 O0 k/ {" m| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M" ]+ [6 R {$ \, G! x4 c
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M# `5 p3 K5 w& e8 @5 z4 @8 N
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M0 V3 T! D5 t2 s/ | d
| | ├──8-BatchNormalization .mp4 99.23M
; r- ]3 |" d4 w& b| | └──9-Mobilenet网络架构 .mp4 150.05M
2 l, r% x6 q5 t4 ^, ~ P! r| ├──4--古典目标检测 3 J; p: @" ]1 A! t$ Q u, r
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M! a2 q- V4 l% _8 R0 ]
| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
, K/ g" X$ `- z, M6 _| | ├──3-IOU以及python计算的代码 .mp4 23.56M2 P9 H2 a5 X/ C
| | ├──4-R-CNN和SPP-net .mp4 124.06M/ `) C5 c! h i0 {. g5 H
| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
& T4 y* c" P( F: R| └──5--现代目标检测之FasterRCNN . W! S2 c, y* \" f* U5 v% F
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
$ B" H' p: ^. R; G5 t4 K* K| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
! @( o& |/ Q) U9 L( @6 D; [| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
& I1 E+ `6 [# N6 M' L8 o+ q| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
4 u- Y7 M0 g# n ^( k2 r7 S! N| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
# {6 D9 d+ i, H6 G% ~0 ^9 M* F├──15--深度学习-图像识别项目实战 - ]# x3 y2 S8 m- a5 _# P
| ├──1--车牌识别
3 H; \' ~" B( e; H( e* Y| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M9 `8 j3 q0 l! n) \0 u
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M9 ?+ I% L0 [7 p, x, E6 S+ ^
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M* S% W3 Z3 T# ?
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
; I0 p& ?% t+ A| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
+ C; L4 F9 U. d; C4 R+ U| ├──2--自然场景下的目标检测及源码分析
0 _7 L4 j/ [. U8 U& R. {( 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
3 V% h6 t! Y; v% b# H% x| | ├──10-FasterRCNN代码_构建head .mp4 67.56M" P6 U5 Y$ c6 c1 X& i
| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M, T( W5 c5 r1 ?- t4 s* i
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
[+ z& X$ _, O| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M6 p/ {+ n' t. U
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M* I5 ~2 C B$ ^$ s( m u
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
+ k, r G9 w" N4 v; b5 q| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
" I9 ~- {5 G2 R| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M/ ~% G: Y) @$ r& t/ j
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M
; ~" n7 Y3 u( }' u h' x| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M0 B. A5 {; C% ~* W! ~* v
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
8 w. J5 y: Q) _( T: P, F% G| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M
$ ^, R: F: Q3 d2 ^/ i( X8 h| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
5 I! t5 y- Y/ n9 P% I( M5 i| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
- m7 I* }% r8 `0 ~5 d| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M
" N9 j0 S! u% G8 M5 l| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M% H+ U5 q E" H* R
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
( S: N# e# s+ x0 W; @ M; S| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
" V8 ?7 Y4 I: s( f! U| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M: L4 R. H1 ~& ]& `7 I
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M2 }* b" K7 C& k3 L2 w+ _- j
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M! Z: t" F; z- K- K# m" f/ Q
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
* A1 X* W8 {3 U0 R# n* ] j| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M- `8 c! g$ j7 g+ P
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M( ^' m7 m9 Y% K, v( C0 Y: t$ L6 b! j% v
| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
% G+ D( h4 J! z| └──3--图像风格迁移 % {. j( t" p; @3 y3 A
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M! k6 o: }/ G5 g" e; l, @
| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M
2 `; i9 X$ `* @# v$ i2 d/ O| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M$ Q X2 F I5 G3 i, L
| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M$ X1 m1 o I6 K$ {$ C/ f; q* @
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
/ \- x2 ~% v' B: a6 z| ├──1--YOLOv1详解 4 O/ Z, C. M9 M6 B
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
2 K: Y% I: u: C! [. r1 p| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M
2 I! j+ q, A) p| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M6 m; J v2 j6 a/ [, S. h
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
) r6 x% a5 \' y) ?! b| ├──2--YOLOv2详解
* B& b* W9 X: n- |: W| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M, I! a/ R' y% |6 H* n: a7 S
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M9 w; S3 B% I! U% \
| | ├──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) ~" m/ s) o% q
| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M) x) {* D& l3 @, }0 Q2 M n% M
| ├──3--YOLOv3详解
% B0 f# O+ s% l| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
7 \+ w ~6 Y$ m$ g/ F5 H1 E| | ├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4 158.58M" {4 c8 U9 v: `4 K+ w
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M
$ K0 G: s* s2 G| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M0 {, d* U3 U% r" I5 Q
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M$ `. ~$ O. ?9 b- l+ z# M/ T7 H7 I
| ├──4--YOLOv3代码实战 $ i3 i9 u( l! [6 l
| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
' Y/ Q* h6 A+ A. U6 M3 x| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
6 r$ K( l$ R, Y1 h3 v| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M
q& e1 ]% ]! b% Q5 l$ p# C* G+ u| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M; ], X; E% x* O1 D& h' H) ~
| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M' ]/ ?/ r A, b. g
| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
0 c, D$ F% y8 k3 s| └──5--YOLOv4详解
4 A8 n8 J, ^6 S4 {8 a W8 S8 N| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M$ a0 c6 R! o5 l8 Y2 v" O0 F! B- \
| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M; y8 t6 H: N# E: \4 o3 B" `- S! |
| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M$ V/ b2 D1 q6 E! K* _9 F
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M+ L: g, @/ E" |; M* Y2 D6 O3 W
├──17--深度学习-语义分割原理和实战
2 s5 o( _" v0 ^& `/ w1 Q2 q| ├──1--上采样_双线性插值_转置卷积 ; o* Q% \1 D; w4 X- J9 b
| | ├──1-前言 .mp4 19.46M
& s, F+ Q9 d- C| | ├──2-上采样_repeat .mp4 23.90M
% ]9 p* N; c; [| | ├──3-线性插值 .mp4 34.48M& v, c' v: p( N; J) t7 f9 n7 T9 C
| | ├──4-双线性插值 .mp4 125.71M9 s- V& Y2 Z m. m7 c3 I2 y
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
/ U; F* H# e' r( y| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
( s1 i, X, h* R% ~7 k0 d' `9 S| | ├──7-ROI Align .mp4 58.38M
# `' o- ]* h: B/ _' n1 a| | ├──8-FPN思想与网络结构 .mp4 92.14M
6 b8 O7 N' \% b8 k| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
. K, u3 ]$ j+ a4 |$ f| ├──2--医疗图像UNet语义分割
! S2 }* Y9 E! T3 P. P7 [% N$ D| | ├──1-语义分割的基本概念 .mp4 18.33M$ h4 m7 l6 E' [- M' u
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
# G% G' e) |0 Z6 C( m7 r- d- r| | ├──3-UNet网络结构 .mp4 30.41M) v- M7 h* C5 s, K7 z
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M+ ]$ I& S3 o; W4 ^& \
| └──3--蒙版弹幕MaskRCNN语义分割
9 o3 @ {) D8 F( f! z2 X| | ├──1-MaskRCNN网络结构 .mp4 106.38M& P }3 u% d" I7 _# R
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
+ ^+ e6 p0 b+ ^- F2 `| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
, I$ w# ~) r, q0 P. I- }; ~| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
7 t' O, O3 z1 e# [2 ^! b% p9 t| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M" Z; u! f1 E9 _# m; x
| | └──6-MaskRCNN源码config和model .mp4 244.48M" {4 g8 ], J1 B
├──18--深度学习-人脸识别项目实战 ' i6 _& @( U6 t, }
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M
& v, t4 y1 H, g# q# y+ ^| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
( B8 X& v' E0 r2 R9 O% \| ├──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: W1 q ^* s6 |6 w8 u( t
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
. q" B4 Z! ^! ]) k7 ?| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M e, N- }* O8 ^1 J. E; i
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M! S$ {$ a, F: P2 s- a* b$ C" z. }2 v
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M/ r' v' s6 m& P: z5 Z# O* a
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M
: L* X5 M: d1 A3 Q| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M
6 d: F( o5 g/ `* V' S/ h! q| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M( [! ?- O: F# L1 r- I
| ├──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& U0 T" r u$ @ u; m4 R2 e8 h: p
| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
. g* \3 Z- _+ W5 n0 F| ├──3-人脸识别项目代码整体结构 .mp4 30.40M
3 ?. N1 N/ U5 e: h" O( t9 E| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
% F, \2 e" r& L0 s" {| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M; N( X) @) L( Q: C3 n
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
# _. Q+ o& y8 @: q0 ]% F: x| ├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp4 69.95M
$ ~* K- c m/ P. ?| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M! I7 u/ l8 ]/ ]0 F+ a* d' @$ P y
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
* D' S$ U. P- ~4 @" r" K+ g├──19--深度学习-NLP自然语言处理原理和进阶 6 z' _' h0 h H$ b. F3 r) L
| ├──1--词向量与词嵌入
; A. T$ W- {" e# M% q, f| | ├──1-N-gram语言模型 .mp4 116.32M
( D4 N7 C2 m2 ?; d! N; d4 R: ?| | ├──2-NPLM神经网络语言模型 .mp4 155.81M6 ?* |6 Y3 C. \% W9 y; @
| | ├──3-词向量的作用 .mp4 58.00M
! t' D, B7 l& W| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M
$ \8 o1 o4 A& j. p6 ^3 D2 ~| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M- H B2 V+ X9 H- h- {
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M5 k6 _% k; G9 ?+ p' c
| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M
B, ^' r2 w A+ t, `0 J% o| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M& f1 L# q0 S% b7 w
| ├──2--循环神经网络原理与优化 1 P* i q# h+ x4 N* ?, P Q
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
9 z0 S9 b2 r) q/ N| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M
' M" W Y+ ]* W( \; h| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M `& {( Q* X- A) J! @* d5 O0 P9 u
| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M4 U$ O! ?4 q5 m, G4 t$ U2 W# F
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
2 D' ^# n. ?. e# c| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M& O( B* Z9 n' Z' Q' e
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M; V& Y8 `/ @" d/ I7 {
| | ├──8-双向RNN_LSTM .mp4 52.01M
3 W6 W$ x" G4 N( O| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
# g# P, D, ^+ s# O( O8 h| ├──3--从Attention机制到Transformer
& J# a H& e% @/ X* ], U| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M
, D' h+ O* A, y% o7 _% ~" g| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M$ d4 O* \8 I0 ` Q( U
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M! t V3 f) |4 I* M. a
| └──4--ELMO_BERT_GPT . Y: O, z# f! d* W
| | ├──1-ELMO .mp4 62.44M8 Y7 u5 B! z$ M7 @! @: q7 t y: n
| | ├──2-BERT理论 .mp4 99.73M6 F, w7 r% b1 r4 Z, d F
| | └──3-ERNIE_GPT .mp4 56.34M6 \- K- a( V6 [
├──2--人工智能基础-Python基础 % ]/ O1 V i- k! D$ G1 X' |0 o" V% p- z
| ├──1--Python开发环境搭建
I+ z( [2 N! f; m| | ├──1-下载Miniconda运行环境 .mp4 100.75M, ?3 f }1 m5 T* E' x
| | ├──2-Miniconda安装和测试 .mp4 57.12M
0 I3 Z" H# c1 g4 s y N| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
6 }4 H# n2 \4 F9 D3 P, D a| | ├──4-Jupyter安装和代码运行 .mp4 37.10M4 `- D+ s3 ~" j" c b& C
| | ├──5-Jupyter常用快捷键 .mp4 32.23M4 P$ K8 J ^2 Q1 h+ ]$ [$ q
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
7 ~+ j8 v" r- j& M, l+ b| | └──7-关联虚拟环境运行代码 .mp4 38.14M2 C' u1 K" c% U/ G" ~, g
| └──2--Python基础语法 : ^. j7 g k: J: E
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M& v! F2 _' o# f. q
| | ├──10-Python_集合操作_列表 .mp4 34.71M! ^- l7 z" t3 S) z1 W
| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M
8 T- S/ e- {' d& ?| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M% \: M4 a8 _; X& n" }" F8 n$ R
| | ├──13-Python_集合操作_元组 .mp4 43.46M$ g, [, G9 n% \# u3 \
| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
9 C" } a' i7 ^) z| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M: Z8 u" c# B6 f5 ?) ^: f0 G! _
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M9 @' N+ w5 Y" d: W
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
* Z* f8 p9 `7 }- A. b9 s| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M% G; K4 _5 \& E. O1 N4 V
| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M9 b# R+ h. e: l, Y, |" h* `
| | ├──2-Python_控制语句_单双分支 .mp4 50.66M% c) X! `$ H6 ^1 Y6 z" I8 H% d
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M
Z& V( Z* j1 z% ?! r1 p1 h| | ├──21-Python_函数_递归 .mp4 23.46M
4 ], ^! I. g: d3 M/ K| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
/ X/ A1 [& r* l! @$ U# X$ _| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M, h( f3 R( L, i: q
| | ├──24-Python_函数_闭包 .mp4 41.61M
% E8 F' h, J8 c% T| | ├──25-Python_函数_装饰器 .mp4 30.35M7 C0 U: S7 X' z" L3 s: E0 `
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M
, O% \2 f( w. ~| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
A7 G# l8 M6 h! x% T| | ├──28-Python_类对象_内置方法 .mp4 29.17M
# y7 I8 \* V0 j2 z' k, E| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M; v) ?( C3 A; N" I( D) p% R0 g: B
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M: K. b; h6 f5 Y
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
& _1 M5 X0 [5 q) || | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M. [6 A; P! ^& h6 a- S1 _
| | ├──4-Python_控制语句_while循环 .mp4 25.02M+ g, @' k7 _, B1 k
| | ├──5-Python_控制语句_for循环 .mp4 22.82M# p% t! Q9 p) C- J0 ~7 Q
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
" I" c- s. v2 f1 K2 p% r$ J| | ├──7-Python_控制语句_break_continue .mp4 25.23M
1 z' k/ L! E& u, ~% C! h q5 c| | ├──8-Python_切片操作 .mp4 40.20M M7 O/ p# j% a: E/ l5 F
| | └──9-Python_数据类型 .mp4 25.38M+ O& h1 Y! u& s
├──20--深度学习-NLP自然语言处理项目实战
8 V: g1 {) A9 y P5 m8 Q| ├──1--词向量 a" v8 u/ L7 |
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M: c2 v* z* Q5 z8 M4 z
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M0 [ {% T! [7 g$ K$ W/ h0 B
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
# M4 g5 ^7 I+ s( ?9 B- G6 M| | ├──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
2 b( v- E: z0 l2 B; S| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M7 N4 p2 Y5 C; g6 q
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M( {4 h) ], a7 m" P1 ~0 l. \; Q2 t
| ├──2--自然语言处理--情感分析 2 d# S! i* w2 D! S, w6 n9 O/ n% R
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M/ }( U" t: _* R8 h# C$ `
| | ├──2-数据预处理_01 .mp4 79.65M3 X) m# |# J1 ~' P- j2 |
| | ├──3-数据预处理_02 .mp4 45.68M6 l+ A6 I( Z }1 L! Q( I
| | ├──4-代码讲解_01 .mp4 52.29M+ u+ f/ y$ Q9 a/ C0 D0 ]; G
| | ├──5-代码讲解_02 .mp4 60.85M
6 X g% V% i. R. ^: h" a: i; ?| | ├──6-代码讲解_03 .mp4 53.89M G6 p# Z& f. W: f
| | ├──7-代码讲解_04 .mp4 57.19M
* G( }7 \: \/ f( M4 s| | └──8-代码讲解_05 .mp4 35.88M- W5 ^" y; o) r. f" i: o x% u
| ├──3--AI写唐诗
: q" D5 H% J* X! r| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
+ w, Z" s3 B( m% || | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M
2 W# `! \. F+ {4 {) |1 X/ h1 R| | ├──3-MultiRNNCell单元 .mp4 38.93M
* Q2 h' e% c& i; L" W& U2 {| | ├──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
4 }" t) {4 w- O9 X2 j| | ├──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
; z/ f N3 k1 ?/ k" x9 \| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
/ R# N5 |5 E. V| ├──4--Seq2Seq聊天机器人 # _. ]8 w, @/ t8 f$ O/ Y
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
" D9 S( |; S/ B- }| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M! t( }# b, N* }/ r" p( L3 F
| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
3 a7 Z/ k8 A1 w6 w5 o! ^; g| ├──5--实战NER命名实体识别项目
d% d4 T' [7 P' W5 ?- T3 r| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
\( l( A1 ?" q& q- ~3 e| | ├──2-介绍了代码目录结构 .mp4 23.44M1 c/ W& C# f& I" T& V5 C( ^
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M0 {% m, T5 S" Z; g! R
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M, g$ Z& ~4 S1 J) A. b' W
| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
m9 W9 e6 c9 w; w) d! x3 \| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M8 m" C0 @* ?; O8 Q0 P# n$ ^) L
| | ├──7-CRF中的特征函数们 .mp4 125.97M- F& ?% f, E! q# R( H
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
$ P( ^2 o0 K0 K4 R6 `: t0 v+ @. o9 Q| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
9 N4 v3 h1 u2 I; q7 X0 m| ├──6--BERT新浪新闻10分类项目 % H+ @, X+ G9 S' w7 i9 L4 d- W
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
5 _ A6 t& ?/ E6 \& l- [| └──7--GPT2聊天机器人
! S! ~- P, b- e$ l: J' T| | └──1-GPT2闲聊机器人 .mp4 62.28M
+ G5 F2 |6 A! V# S, _├──21--深度学习-OCR文本识别 7 ]9 K1 @# M% a1 s7 ]/ C+ m# c
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
3 [4 M0 d( i9 C, r& M, a& R c| ├──10-CRNN项目代码剖析 .mp4 306.48M
7 L+ R, K3 e/ x! @| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M' j) W# P) ^0 }. z: C! l2 y$ E+ ^* o
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
) _; B. }3 r! n) S2 M| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M, Q$ v5 @* Z- Q/ o: R
| ├──5-CTC损失函数的理解 .mp4 330.64M9 n# U+ I& c& O! n" y4 W
| ├──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
' f4 q* l0 G) A! `) B C5 z| ├──7-CTC前向后向算法代码 .mp4 225.41M
" p0 z7 E# m6 ?' `: D| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
5 b. g }4 h. G7 E9 M| └──9-CPTN项目代码剖析 .mp4 491.69M
% p; a w* i% ]8 X# K! S- C├──24--【加课】Pytorch项目实战 % N# a! H7 R6 `8 L5 l1 [7 ~
| ├──1--PyTorch运行环境安装_运行环境测试
: l* L* F4 S2 y$ L! t1 M0 T| | ├──1-PyTorch概述 .mp4 29.29M
; k' I& [' ^2 D$ H5 F| | ├──2-PyTorch的安装 .mp4 76.45M
3 _9 G5 P% W5 q6 u| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M% p) z; j! `4 W
| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M
" v$ }! y: K& f5 v3 t| ├──2--PyTorch基础_Tensor张量运算
$ i4 f, p4 h# [( `- i D| | ├──1-Tensor的创建 .mp4 55.14M, `$ F) X" i0 d; p p
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
1 T2 D5 }3 w, C+ k| | ├──3-广播机制_逐元素操作 .mp4 44.46M
/ v5 b4 G9 I7 a* X: X- ]% w5 || | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M9 j3 ~# v0 A; }3 u
| ├──3--PyTorch卷积神经网络_实战CIFAR10 1 r0 y( s0 @7 o
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M* y( m3 Y; B6 S; v
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M0 Q% A8 w; I% t$ K" g0 n8 A8 d: R9 T
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
+ v' { s& w9 ?. ?% d* j' ]% z| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M5 h6 T$ j$ v5 O f7 x C; h5 Y% ^, j
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
- y& h$ T9 m- E) ~2 k| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M9 E; i* b3 J7 a# B
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M! l% R$ I- u) A' O y; e: w4 D; A
| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M! K6 x7 x# o6 N5 {
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M
! g# o( l0 h F: _ p' u7 Q" l4 U4 L| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
$ L% ^/ ^7 E/ J' J( D9 n| ├──4--PyTorch循环神经网络_词性标注 8 L7 j" _3 z, z
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
) M8 S) v6 `! G3 y* Z| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M- h+ y2 t5 n; w
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
0 h7 [- j, j" o( E, s| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M* w0 B p2 D' n: s/ o* s9 _
| └──5--PyTorch编码器解码器_机器翻译 4 A, M; Q4 A) E1 G" @2 I
| | ├──1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引 .mp4 50.41M0 `; y+ V1 K) B6 f9 c
| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
1 Y; l2 v2 e- m: k| | ├──3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器 .mp4 57.69M( z* W. L0 f1 i. |0 A v
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M' t5 `1 z' G- K0 R& m
| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
2 F' A6 C' E8 t6 e: {' r* U3 T7 _| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M
4 W: `" @& @& i, w3 o9 C0 T9 X K, H2 W| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
" P6 \8 C T) k% K) o1 w| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
6 a( R+ C9 t3 `3 P' K├──25--【加课】百度飞桨PaddlePaddle实战【新增】 1 W' J( j- T* B) x
| ├──1--PaddlePaddle框架安装_波士顿房价预测 8 H* i2 H) J! |, }. Y
| | ├──1-安装PaddlePaddle .mp4 87.34M
# l& d: o" D/ n, h7 w# y. P( ^| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
- Q+ \0 y3 P8 j J+ E) ^) O| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
5 q2 G9 e- V& @+ N| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M) x$ O: W6 Z+ y. l
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
- Y+ `8 g& U" }# `| ├──2--PaddlePaddle卷积网络_病理性近视识别
3 Q% n K$ C: |: w% O. [| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
9 W' q/ {; ]6 i- r| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
) h6 r( l3 J, F4 Z4 [| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M5 ], k! D: H7 }# R* f) ~' E
| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M5 L3 S. _7 H5 t9 M: y5 }
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 9 J0 t ]& F, D& M! {
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M: k# u% _& R7 W3 @2 I0 s
| | ├──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# m8 r7 i7 U! O7 _2 I- m9 l
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M
1 Y: a( G. H8 v7 e* K1 Q- [| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M ]5 B6 V2 L9 M5 [, A! B
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M2 z8 X! C5 c5 f! f8 J; n
| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M7 G1 h! A/ S% k, d W
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M5 w- B8 S4 m% L8 @* v1 r
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
]- e' `7 W. V4 i+ S9 z! ~| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
. j' h- v6 t- u4 B& Z! B| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M/ Y( b+ q+ P1 S$ m9 \
| | ├──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, J" Y8 \; _1 R
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M/ E2 Z9 D' N6 q5 s! R
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
' M1 {' H: T4 i* n6 O' G, P| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M: x% b6 g3 y) {1 M
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
& n0 x/ k2 m1 `; ] a0 w( M| | ├──1-PaddleNLP_项目配置 .mp4 49.37M8 d3 W1 K8 b6 a6 r
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M7 _: w: k' y5 E" p8 T# p( {
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M4 n6 a' ?7 n, a( V! X8 v C% C8 o' U3 `
| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M7 b5 E7 I: @! O7 L* L* @9 Z- [! W
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M6 [% v/ j/ B% R- _( c( z6 S! V; Q
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
" L. Y, z' \/ s- k3 W4 N( Q| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M/ | y/ v' O, i* w; \" K0 |6 b
| | └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4 80.58M
* N$ B! A5 c! l$ H% B0 `| └──6--PaddleNLP模块_物流信息提取（ERNIE版） " \6 y! k+ E( S* B( Z: r; a
| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M% W6 r9 |0 [1 o# v( l8 k
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
$ |5 h6 H; v5 e, T! h| | ├──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
o) i/ ?( x" k, {0 f W1 I| | └──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/ J# ]( G |- l/ F; _% Z# K1 [
├──26--【加课】Linux 环境编程基础 - d2 {) T/ \% a( n+ a
| └──1--Linux ( J1 O: _8 y8 t* K, }4 X# s6 F
| | ├──1-Linux_课程介绍 .mp4 3.72M
1 {2 ?4 U6 ^8 x| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M" e4 q+ O+ W$ c' @
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
" Z* z: Y4 B/ ~. I5 E# J7 B1 g P# D| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M, I, M0 O8 k* d' S2 ]6 W' e% U* ]
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M
" W5 d1 L+ ~& X$ k. p: Z$ {| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
/ N1 r" A3 {: L/ I6 D- `| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M
0 i3 X9 H: y2 D) J( C! U! B; E| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M" b3 e2 ]$ e4 j% F$ P; Z# D
| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M- C5 I5 f$ z6 T4 m6 [6 X0 I
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
3 _( O, u; S0 N' r4 [| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M3 C$ L) i/ r3 R( R( P
| | ├──2-Linux_Linux简介 .mp4 17.59M( Y+ H& X# {6 F, E7 X
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M- c- K+ V: }8 k& W5 m5 c3 Z
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M8 U) z/ E# H/ V5 h _1 I
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M
1 f% Q' z1 s% w" J6 l. j z| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M
( \& t( y' z1 I# u' Q9 t, b| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
/ I) |+ \* G6 {+ h. [| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M m, F$ p2 p$ Q0 ~" ^% U
| | ├──26-Linux_安装MySQL .mp4 79.02M
- [4 I4 i9 F2 |, {| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
. V$ s _- c9 z0 n8 R| | ├──4-Linux_安装Linux .mp4 41.97M
# n* r' f0 f, C3 p0 f( A| | ├──5-Linux_目录介绍 .mp4 20.31M6 z* P6 j* W9 f
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
2 m6 V! n* X% _& |3 m| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
3 V2 O' Q* B4 t, }7 ~| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
, _, W% \8 X/ | a) n- R9 b| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M4 G( L2 N! |- J" o F* A# o* v6 M
├──27--【加课】算法与数据结构 8 g2 b7 a1 [9 [+ \) K/ n
| └──1--算法与数据结构
% e6 m- e" D& k, M9 j1 ~; ]+ H| | ├──1-数据结构与算法简介 .mp4 35.68M
* R# n8 Z: T, p| | ├──10-哈希表的基本结构 .mp4 54.34M7 _6 @& ^0 [1 P( _& r- p
| | ├──11-哈希表冲突问题 .mp4 75.92M; o. F+ r1 F1 {3 |, A/ \% h* J
| | ├──12-哈希表冲突问题2 .mp4 72.30M( |5 x3 U+ \$ U' N* D. @
| | ├──13-哈希扩容 .mp4 111.03M7 H6 Y" j0 D( q+ | H O2 c' r
| | ├──14-递归与栈 .mp4 50.77M
& i/ m. q: Z h9 e% A| | ├──15-线性查找 .mp4 57.80M/ n0 P# I% f* ~" q, l8 Y+ H
| | ├──16-二分查找 .mp4 52.32M
4 Y+ ?; T5 {6 F" m| | ├──17-冒泡排序 .mp4 53.19M+ \6 @! w- e4 g5 R, }
| | ├──18-选择排序 .mp4 43.29M
3 P' z! X; K, U3 _# X* F| | ├──19-插入排序 .mp4 31.39M
. B( h& A. O' ]% W& j| | ├──2-大O表示法 .mp4 25.59M
7 ^; k; ^1 Q( [1 P% v) h| | ├──20-归并排序 .mp4 84.48M
$ v/ W- h5 h6 j3 }( w2 L; f2 |! i6 Y| | ├──21-快速排序 .mp4 36.63M4 _! ? ?3 w6 @# s
| | ├──22-树结构 .mp4 96.85M
! f9 S/ ]: p$ L8 y" _/ r| | ├──23-树结构的遍历 .mp4 61.05M& |' P, `( ~6 A/ c1 i
| | ├──24-最大堆的增加操作 .mp4 45.43M
; a/ a1 w: i& ?5 t| | ├──25-最大堆的删除操作 .mp4 45.63M5 }! f3 a, Z; o9 w
| | ├──26-二叉树的查找 .mp4 100.24M' f5 r' ]; u3 B( B3 m7 z, ?9 m+ Y5 [- Y
| | ├──27-二叉树获取最小值 .mp4 25.21M3 x# o. S6 \5 o& m
| | ├──28-二叉树的添加 .mp4 72.66M
$ W5 A# Q4 u) U$ L$ m5 g| | ├──29-二叉树的删除 .mp4 120.06M
7 B- K8 x; Y8 k! F0 h" _ K| | ├──3-线性结构 .mp4 53.14M2 O) Q5 A# H( P
| | ├──4-单线链表1 .mp4 68.36M
$ H# I6 X+ b2 H+ J9 h3 N| | ├──5-单链表2 .mp4 221.69M9 S, Q; r+ s7 P- U, e# n* j
| | ├──6-双链表 .mp4 103.57M
) ^# n: k2 {% j+ _" ^& q0 G f| | ├──7-队列(链式) .mp4 74.12M, o- [: U* m% `
| | ├──8-队列(线式) .mp4 30.99M
; h B5 j. P ]+ ^1 R$ M| | └──9-栈与双端队列 .mp4 28.12M _0 N- A5 x" B4 s9 L
├──3--人工智能基础-Python科学计算和可视化
* s t2 k N# L| ├──1--科学计算模型Numpy
4 J$ B7 E b" t o/ h7 }" P| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
1 V7 q( B! [$ l: d) Z/ U| | ├──2-Numpy_array_arange .mp4 35.45M% M! I2 W( k3 P" u6 F: V0 G. X
| | ├──3-Numpy_random随机数生成 .mp4 50.54M. S* m- E# S6 g2 V; i" j. n# I
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M& z: m# t' a0 U! R, K l$ g
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M, }' {+ |# n4 ^) X% d
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M3 G: r+ d& B0 ^# k1 ]3 t6 |/ F2 `: j
| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M# p6 q9 T2 j$ n( a
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M$ f3 N" z- y" y
| | └──9-Numpy_聚合函数 .mp4 23.68M" D: A% U+ J5 v; Z. h
| ├──2--数据可视化模块
# I9 h- Z. z$ D% Z8 V- V| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
- R4 \8 t/ e. Q* E/ X' K: i| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M( ~5 G, I7 J/ o: r$ B+ a% ]0 U
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M9 f' n1 | n5 C4 n, r
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
- o r# j& h& ^ R2 K! X| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M; }5 ^1 G4 V; Q; f/ z8 I1 D% U
| └──3--数据处理分析模块Pandas s' Y2 j9 B3 ?7 o* d! k* t
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M! [0 s& f: r5 s5 I" r9 ~
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M
?% E$ [3 ^& r" Q6 b# S {* m| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
3 K0 \: @# D$ [3 l3 T( T, Q- P| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M5 P! w& N/ t) v$ s7 {; W) E
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M, c: j" | T! I( w
| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
9 \& I7 T1 `' p+ _: q; E9 c2 K| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
, h8 V! l F8 \4 p6 n# P+ q- ^├──31--【加课】 强化学习【新增】
' y4 b4 K! e% P$ N& Y0 s* d| ├──1--Q-Learning与SARSA算法
, M- S& c. D5 `6 B; I2 N| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M
7 l2 p* @( M# _| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
6 |6 |% Y! k" o0 N7 Q. R* ^1 I( s| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M. P( @3 B' i* V( Q
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M8 ]2 @2 I0 N- y/ {4 M# n
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
4 l6 q% E2 d$ l# f( ~$ h* T3 F| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
/ k6 T h3 I, C3 f9 u; { N) q3 W| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M6 |8 N4 M6 o$ f- ~
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M. ]0 |: s$ q4 }# v
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M
* i. D) \! g/ n* z k3 ^7 `| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M
2 p6 i3 k. I7 ?1 J| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
, j" N% V6 \% z1 Q) m+ L| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
9 x2 g0 |$ h+ D, J| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M/ |+ p" P( T2 R# H
| ├──2--Deep Q-Learning Network ' V$ {5 P' k0 ~* u5 s
| | ├──1-DQN算法思想 .mp4 59.24M
+ L* C* G& c& I3 N. r| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M0 m* F% \* N( ]/ K; {* f
| | ├──11-DoubleDQN代码实战 .mp4 44.49M
% f9 U0 o( _7 B7 k| | ├──12-DuelingDQN .mp4 88.12M
7 K4 }/ k. j: X6 `/ C/ c# h( ~/ p| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
) ?. r; s: r3 M* x! L2 H| | ├──14-计算Action的方差避免风险 .mp4 54.23M
" W: g' y. t5 f8 M+ W8 u N| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
9 W: I' P( q3 G, A, G2 d% m1 C| | ├──2-DQN算法具体流程 .mp4 56.17M
) J3 A4 V" u9 ^) j G| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
9 F" n( k# N9 P. A( C$ m5 l| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M: y: A) U. G) q8 Y7 }
| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M5 O" @- s1 ?- v/ b2 s: W& f
| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M
4 Z/ S* F1 l9 Q6 d I1 z. V| | ├──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
: P( ~: B; x4 r: J" K; Q7 P| | ├──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, C4 H) T" L" Z: g: \
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
3 g. V) ^) d6 N8 \ ?7 ^| ├──3--Policy Gradient 策略梯度
% d2 J* s' @# k7 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
- K ~+ E% b, B+ e8 w: j- G" c4 i| | ├──10-策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战 .mp4 34.22M9 N7 H% O/ h, E. r7 e
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
8 T$ j, G- X: z+ ~) h( w; D. B| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M, U. O& w* y H: j5 O/ R" J
| | ├──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
& y8 E' \, v8 j" Q| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M: q% S" j& t* O2 d& W
| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M. E! q5 ^0 g. l& l
| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M
9 E) X" s9 E+ v9 o; K| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M
% S3 g7 m( J; }) Q| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
5 B4 \- M" f8 g. L| ├──4--Actor Critic (A3C)
% [. K" ~- u9 O8 `* g| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M
) H4 p4 i% z+ s& r* M| | ├──10-代码实战_A3C_增加actor探索性用到熵_定义worker正太分布抽样和求梯度的逻辑 .mp4 36.14M
6 k. e7 Y( a) U/ K| | ├──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
) J w. Z! G; i5 h& J- e5 P/ U! M| | ├──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
# A/ X3 M. P% U. f `" t| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M3 C3 L: Y. H5 f( S; n
| | ├──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. d* W) S+ S1 x( p
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M
% J: y0 F/ K$ K5 g| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M: h! @4 B5 w; q
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M% B3 u& `0 I8 J
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M; C+ A; W& z4 u5 c# Z
| | ├──6-A3C架构和训练流程 .mp4 74.66M1 [3 I; @% v5 u: W0 q1 f x! _8 n
| | ├──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
0 e4 r* J, @7 [/ H# |/ m( O| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
) a, J- i# I/ s| | └──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
. Y* p0 R- U# N2 V9 d; o| └──5--DDPG、PPO、DPPO算法 ) S: ~* S& }2 A6 B1 Z/ e( J$ L
| | ├──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- W3 {. {& C- C
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M2 p v' g, g! I
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M8 a4 F/ y8 _" C! _. M5 m+ G4 F' V
| | ├──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# }0 c- T% [ N1 H5 j
| | ├──13-DPPO分布式PPO .mp4 63.81M) m- r. [$ {: g4 S( c* |' J
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M2 g3 k. n7 F% N+ A8 |- b) f
| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M! ?' h" F. L) H. p2 o" u' P3 c
| | ├──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
7 f# Y* V, D5 I( g# N# }" v* N| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M* E( _6 |# F4 \) s8 s+ W
| | ├──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
# P @. f. S! Z' B$ n| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M
2 q. L U5 K9 p% ?| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M" E( L0 P" J, O8 {" l, P
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
$ h) j1 i+ \( _: f4 c2 R| | ├──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
2 A4 G. X$ O% H) U1 J- ?& d| | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp4 61.79M) k" ~8 M: X: ^& Q1 @ R0 K
├──4--人工智能基础-高等数学知识强化 8 R" \" D1 U2 @7 Q$ n
| ├──1--数学内容概述 0 U3 ^. Y0 Q* u, G9 j! _5 }
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M( o1 d% K, d) P: t
| | ├──2-线性代数_概率论知识点 .mp4 26.81M& a. r% x' u6 c1 M3 A
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
& [( y7 [. f4 E* t| ├──2--一元函数微分学
2 O' H* K4 g# H. u2 a| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M
3 }" G# A" U) Z1 X' C3 J. p| | ├──2-导数的几何意义和物理意义 .mp4 14.49M4 B/ ~, v5 a; M- e* z8 K
| | ├──3-常见函数的求导公式 .mp4 22.76M
0 L) }& @3 e) l3 c3 D& o1 B| | ├──4-导数求解的四则运算法则 .mp4 26.52M
' s" H7 Q* _/ K- E6 @* [) Y7 R| | ├──5-复合函数求导法则 .mp4 19.68M4 C q# [3 Z' Z( ? I- C
| | ├──6-推导激活函数的导函数 .mp4 33.40M# \1 G8 `" K2 P+ F9 F( w! i& }2 n
| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M0 T1 c" o! w8 i! e8 n9 |
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M5 Q9 E& r0 V7 a- B) O! X
| ├──3--线性代数基础 0 r' i" Y" J, F5 }& w/ I
| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M) L6 [: M0 \0 g$ w( P
| | ├──10-矩阵的逆矩阵 .mp4 38.54M
2 e7 T4 k1 I+ T% ?| | ├──11-矩阵的行列式 .mp4 20.13M
c/ @ @$ Z" A$ _8 T3 B) v8 G| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M
' Z+ t3 U+ p( [3 T9 f| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
$ l- m9 E2 T1 W/ h6 ]| | ├──4-学习向量计算的用途举例 .mp4 20.32M1 _# ~0 E% I* ^7 s" M: g: D, q3 @1 f
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
9 D2 L2 k! J4 k% L; K3 y, j| | ├──6-特殊的向量 .mp4 26.45M o1 O# c4 x5 h' ]0 }1 w
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M& }; h& Q8 u6 |: u8 e7 E- f1 F6 V' A! t/ j
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M; n% s# a# S4 Y
| | └──9-矩阵相乘 .mp4 20.02M
( G* y2 ~' H( h" ]5 w5 E| ├──4--多元函数微分学 ; M+ e/ O4 M0 M1 u e
| | ├──1-多元函数求偏导 .mp4 22.61M" [2 m8 h' q# }5 P2 } S* _' r* o( E5 [
| | ├──2-高阶偏导数_梯度 .mp4 27.15M- T* ], A" f$ n% G3 A5 Z; G
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M
g& t1 \% ?. R1 t7 [| | └──4-Hessian矩阵 .mp4 32.93M
3 D+ t; K4 r w6 g( E5 ]$ Z| ├──5--线性代数高级
~7 p4 Z* g. `2 \2 z| | ├──1-二次型 .mp4 27.70M& J3 q; b: W; b) ^' H
| | ├──10-SVD用于PCA降维 .mp4 24.90M
- a% Z' G7 B' C* @) Y3 n' m' L1 r- b| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
/ p! o% C& z7 j( G2 X# k' x. k| | ├──2-补充关于正定负定的理解 .mp4 23.48M! m. `# {3 M- d
| | ├──3-特征值和特征向量(1) .mp4 29.83M
5 I; q1 O8 e8 g| | ├──4-特征值和特征向量(2) .mp4 30.07M
, U9 y! s W4 c D: m| | ├──5-特征值分解 .mp4 38.68M
: z( x) S; ~0 R- x: [4 R) H, u| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M' B! _( R" [* d. K
| | ├──7-奇异值分解定义 .mp4 22.58M" E! V" r7 y' Z5 t2 {
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M
1 Z- ~3 E# E7 J S+ H: t" q| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M
( g" l& d, f' M| ├──6--概率论
' f, m7 i. ?9 U1 I, [2 N' Z" S4 B| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
/ ]. j; s' u5 v3 n2 R2 H; f| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M7 L8 _! Q# `0 @4 e7 N* M
| | ├──3-随机变量 .mp4 22.57M. b5 V2 n* R" n& j+ h5 [2 B
| | ├──4-数学期望和方差 .mp4 22.96M
9 s* t( f; z4 ]| | ├──5-常用随机变量服从的分布 .mp4 22.48M1 ^, z6 G9 h: H1 _$ g1 m4 H5 O
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
- M6 e* r9 t/ |6 I i| | └──7-最大似然估计思想 .mp4 23.42M
6 X ^: t2 l, c2 h) I1 u( I| └──7--最优化
6 E5 h9 P6 }$ K7 T" t: D8 g- }| | ├──1-最优化的基本概念 .mp4 35.14M
. \) Y& C: S3 j0 V. E! F6 T| | ├──10-拉格朗日函数 .mp4 27.46M3 x4 D( R5 S5 x. B# n2 W/ I0 _
| | ├──2-迭代求解的原因 .mp4 20.15M5 k& Z! a6 d& Z1 j
| | ├──3-梯度下降法思路 .mp4 26.33M* q0 l8 R+ W6 P( O4 Z7 B* T
| | ├──4-梯度下降法的推导 .mp4 43.56M }9 ~; v* l4 S9 v8 E
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M) [" l; D; J: o- J1 w
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M8 X' R& r$ a8 M
| | ├──7-凸集 .mp4 21.90M1 o( A" `% V' u
| | ├──8-凸函数 .mp4 16.93M" r: U0 _+ {) R3 o0 N7 x9 l
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
, D. H0 }$ V7 Y2 s3 g7 x$ h├──5--机器学习-线性回归 & W& M' i: V% K" n; o; U
| ├──1--多元线性回归
# g( c: x2 x( K2 e2 L/ W" \| | ├──1-理解简单线性回归 .mp4 51.11M
) t% M( Q+ c. @! C| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M
1 z% \$ d3 Q: R d1 k" D4 @# b% o| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M1 V% ] L8 @6 w* G; }4 I2 S
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M
& E( q: w* K5 || | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 59.19M9 T4 K/ ~" t2 h# t
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M+ l# C( [* t: e3 M: \
| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
, }1 h6 t/ H: L3 F& k- O7 k| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M! L# ?* J! [7 |& c: Y* s+ g( m
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M# ~2 e$ J- R8 Q' Q
| | ├──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
( O) ^/ p. |! h7 v9 U| | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换 .mp4 34.67M
1 z. w* B3 r& D6 g, M7 s7 k| | ├──2-最优解_损失函数_MSE .mp4 39.58M; O- O& L( \7 N2 W8 ^
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M0 `" F" S7 R" L7 L, a
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M" p8 Z2 S: T/ z8 |6 Y2 O, x
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M: ^9 G- C3 u, [8 o- J
| | ├──3-扩展到多元线性回归 .mp4 32.15M6 [& A, C$ S- }6 {6 i' _
| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M
+ L. j5 P: Q. l j| | ├──5-理解维度这个概念 .mp4 41.41M8 [ m# H% x/ J# t4 k
| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M! Q# M6 i$ [. K
| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M
U* w1 q6 H3 c# m% N1 a7 d| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
$ z; T$ M' K0 H2 T T| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M( |8 m7 Q5 A0 G
| ├──2--梯度下降法
5 u' H2 J% ]6 u- r4 J| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
9 j! a$ c( z7 T9 g) H| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M$ `7 D, V1 j% T6 j% V
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M p ]9 k$ G1 r: E7 E! B: ^ e
| | ├──12-代码实现随机梯度下降 .mp4 26.67M
' M$ O5 x7 g+ Q+ y* ]" g6 h" \| | ├──13-代码实现小批量梯度下降 .mp4 27.32M1 ?- Y. V6 Q9 d. p3 C
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M7 J6 _, H' i+ A e/ I; L I
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
$ |' ^% Z' H3 `( S* _6 _| | ├──2-梯度下降法公式 .mp4 57.12M7 C$ m9 S( [9 l3 f- R4 e
| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M2 a& d- N2 t( F! j& S2 e- G
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M1 L4 Y% v0 v8 i' Y! n; E$ h& v; G5 v
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
4 o6 R2 h; r" P2 h5 {" J| | ├──6-全量梯度下降 .mp4 62.84M
5 E; t5 L; g( h; b| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M$ L# F* @8 `! ~# S6 L9 g
| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M' y& p, g# g0 o* Z' l
| | └──9-轮次和批次 .mp4 45.22M& E, ?8 v6 N" M2 a" y- d) P
| ├──3--归一化
, [& H5 p W( D' l7 \$ J| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M, f/ N1 P% Q8 W2 n% ]
| | ├──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
( W- R# h! M3 g2 `% }2 w| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
& H1 T4 @1 B4 g7 I; ~) m| | ├──4-最大值最小值归一化 .mp4 24.87M5 U- o8 @+ n9 x
| | ├──5-标准归一化 .mp4 51.86M
( a( w! J" I/ E# {| | └──6-代码完成标准归一化 .mp4 41.13M
% s4 u: u/ }! a| ├──4--正则化
5 [" e! \2 {" ~" @0 l* j| | ├──1-正则化的目的防止过拟合 .mp4 30.71M3 \ ?' l3 X) H4 z) s
| | ├──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. j6 Y, {- I0 g: r) [0 v' T" L
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M- f9 ?+ e5 c" y6 n5 j
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
6 M# {+ P( _3 D1 e2 Q| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M/ x& n( e; R+ U& d
| └──5--Lasso回归_Ridge回归_多项式回归
# x) q o. q& ^| | ├──1-代码调用Ridge岭回归 .mp4 76.32M1 ^+ V% i& _' F+ i/ f6 \
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M9 p1 |! O# x4 [
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M5 ^. v9 k& ?% b9 ]2 k1 d
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
9 }! a# [1 P8 @2 ~# o4 p! m5 w| | ├──2-代码调用Lasso回归 .mp4 28.73M
6 S6 q; x. T3 y7 K| | ├──3-代码调用ElasticNet回归 .mp4 53.67M: m& r; O6 l" Z1 ~+ T: L& {
| | ├──4-升维的意义_多项式回归 .mp4 48.06M% w6 R5 N' R+ H( u3 @6 s" _% G
| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M
# ?1 M& t! D2 u$ F4 \| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
, @+ m8 m, c7 m1 ^# G' Z| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M, ?& m% i3 i7 t/ A. K ]1 A
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
2 S- J0 }6 e B| | └──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 K! n6 G) E9 A
├──6--机器学习-线性分类 1 X {4 s. @( ^ l# D0 K1 S
| ├──1--逻辑回归 . Z9 r) v! z8 _" X8 D9 L" o: z
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
% x9 Y- T- D5 d ?6 k5 U& P2 q| | ├──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 39.83M2 {1 E. D3 `. ~% Q3 w5 L$ y
| | ├──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% u" H: ?' I9 U
| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M# M9 M' {) c$ p5 l
| | ├──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
3 G& x) G2 M$ F% Q. Z, u+ q| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
. q: u# T8 b- Y) r' ?! u| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M5 ~' }5 P: y0 r6 |
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M
" T3 H: a7 X, d/ U' w1 S* ?% ^9 R| | ├──2-sigmoid函数作用 .mp4 38.15M: ]. \2 i- I# N5 V6 ]/ Z
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
% c8 u5 }" Z0 c; T) B2 K| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M
; Q1 {; q6 S2 m5 b! X: j- r| | ├──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 6.71M9 r* `# s% b J3 s5 }
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
0 ]) r6 ?( w. \: }4 Q# x+ h: V) d; A* R| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
) A+ V' X) L$ z| | ├──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
5 k+ h8 W, F: O| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M8 g: y9 I: g* ~5 _3 P) b, V2 f
| ├──2--Softmax回归
2 a7 r" U/ x# Q& V| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
q3 E7 r+ [1 Z3 T9 Y| | ├──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 @' Y6 j: G( V- m2 Y4 o
| | ├──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
! Z' ^# o$ s2 O$ d2 || | ├──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
- n$ k+ S+ ?4 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 78.03M+ N- L A' A' n+ Q) w& C
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M @; O+ b0 R: N7 i0 m; h; P
| | ├──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
0 `4 ^1 r! Q9 `$ A8 s u* ]| | ├──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$ k5 Q$ ]) c$ C7 i |% r7 q
| | ├──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! M8 V; m4 J, E
| | ├──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: d. I* O6 \: x9 M9 L w2 r
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M/ E( ~ M) S& N
| | ├──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 52.39M0 K5 O: ^) J" c
| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M6 @( X4 E. _, D
| ├──3--SVM支持向量机算法 ( ]" Z+ Y" F: S
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M# t( a5 E: q3 |+ G# F9 ]
| | ├──2-SVM的思想 .mp4 55.56M5 j, C! P8 X6 F4 M% o) K
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M: b, D& P( G5 F0 I; |
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M* r2 k Q$ z7 \: a' l, o) `
| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M8 ]& t! Y, K" h* `- \
| | ├──6-总结硬间隔SVM .mp4 39.01M# ?1 A" E8 q% L
| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
* N& }9 a" s. H0 n| | ├──8-非线性SVM .mp4 54.43M
: `. Z8 n: H0 h# r| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M: F9 w" P+ a! ?3 j1 F w) `# I& o/ J
| └──4--SMO优化算法
) G/ ~' ?( Q9 |3 z8 {: E. A9 I# a! b| | ├──1-SVM算法流程总结 .mp4 58.36M
( T) c# ~/ Z6 T5 M+ j| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M5 ?1 |+ n; \, X4 U a% s7 c' b
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M7 s1 a2 A1 S- Y: K$ c
| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
% N+ A: f3 H( T' S! r% ?# N| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M
- H( ?7 m5 L5 x' X. [| | ├──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
9 c8 u! B+ l# m$ p| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M1 W1 H1 T- @* \: J, q" n; j$ n! d
| | ├──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
0 B: `8 c+ i; M5 g) B. M| | ├──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% N' [2 `" p, p J6 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
1 T/ ], p$ R+ |% Z7 W4 [$ I| | ├──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. C5 `8 s$ ~1 `0 J1 U
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M- o$ w8 ?- g- D' i6 A" y! K
| | ├──7-启发式选择两个α .mp4 23.11M* `! Y2 s: L! H2 p, p
| | ├──8-如何计算阈值b .mp4 50.18M
8 b0 X5 l1 k. m9 v| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M( n7 F' a+ g# G0 u6 V! t
├──7--机器学习-无监督学习
: ~$ g3 I" G7 n1 T, b# C| ├──1--聚类系列算法
) t; ~: z; V; j2 m% H; O/ z1 ] k0 D1 B! x| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M8 z! I& C( H3 F z. ^% `+ b
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
. _3 R! N- g$ m| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M4 ?- H) j0 b8 u4 R" f
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M* @2 T0 J& R X) U6 D
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
4 {' E# S, B. W% m! c| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M$ u( y& M! {: h3 ~
| ├──2--EM算法和GMM高斯混合模型
" V9 b2 R/ k3 E3 x; T9 Q| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M
0 C7 y4 {2 T) h9 k: }2 I| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M# M0 Y8 K1 l' u( a) g
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
, I3 ~: ^. y |4 u| | ├──4-Jensen不等式的应用 .mp4 109.17M
$ y" R' |8 ?6 ?% \, q6 _8 B9 a3 O| | ├──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
+ [# x% `2 R# G1 g! j/ @1 C| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M# i; B7 S7 F1 y' b
| | ├──7-GMM前景背景分离 .mp4 16.01M
! R+ @9 ?8 s* s| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M) O* d2 u7 q) L ]. Y
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M
. T/ {/ U- q5 D+ T- V5 l9 P ^% i3 ^| └──3--PCA降维算法 / N9 J p! A; e: E R
| | ├──1-特征选择与特征映射 .mp4 49.38M
2 A9 m, c! ^8 O! M| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
! L/ t7 r! r9 @& Z| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M
$ A3 ~' M1 Y; T2 Z0 X| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M4 u4 } [- H0 `
| | └──5-PCA的几种应用 .mp4 54.58M
# W$ F0 v4 x* J7 v; E9 ~" U├──8--机器学习-决策树系列 ; a/ W2 O. g( ?. c5 s, x) I+ a
| ├──1--决策树 j( L# L' |* q, [/ h$ A3 o
| | ├──1-决策树模型的特点 .mp4 74.88M
3 b+ k9 Y8 g+ q& |# @/ ~! r| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M$ d5 ?+ h! V" _* s; k* d* ?+ [3 H) c
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
6 g) J* P6 o. g$ W& Y5 s3 j' K( O| | ├──12-后剪枝的意义 .mp4 50.49M/ T0 {& C( d# ], n3 \, U
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
% P1 F3 z$ Z* N5 s3 V/ y* z2 j6 S| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M
5 \! o3 c7 ] R' ~' x2 P| | ├──2-决策树的数学表达 .mp4 89.94M: _; `: r7 d4 x H( l' c
| | ├──3-如何构建一颗决策树 .mp4 84.87M
) h. R6 P$ x4 z+ t* N6 p| | ├──4-什么是更好的一次划分 .mp4 57.02M, z, i. I1 }, J0 p( L5 U% b
| | ├──5-Gini系数 .mp4 107.54M$ T5 Q- u! Y6 f
| | ├──6-信息增益 .mp4 75.26M
" `( y0 p: M$ z2 y R. {& r| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
4 O3 A4 t2 n) D! r9 h5 c; P| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
) ?0 i1 h6 r7 Q% \+ u6 b. U| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M7 O2 W1 x. R, ^2 Q! v) V2 f" Y
| ├──2--集成学习和随机森林
4 q+ M& M- a: Q) h5 N6 z+ q| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
1 Z: I6 T1 p) W u& O$ ^4 o6 k9 d| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M% H% k* o0 C) a& H1 l: V
| | ├──3-随机森林 .mp4 108.14M
$ R7 u: x( m Z, }- A* ]| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M
: g6 I1 C. I. k1 y5 v- j| | ├──5-OOB袋外数据 .mp4 106.07M- L5 z( k; T/ B
| | ├──6-Adaboost算法思路 .mp4 106.30M$ k3 E" g7 ^( C2 S3 P' r
| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M
0 _% q) E1 |6 O$ k; A| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M) C+ W" R% X. D( @; A2 I5 j
| ├──3--GBDT $ I. i; l8 O" _# v& 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
, R+ M. U% P! B. L* F) D) o9 w& || | ├──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
" G, L- I) D7 O1 t9 }# }1 t, p| | ├──11-GBDT多分类流程 .mp4 73.80M- F, s5 C3 ]" n& M. O8 @# h+ H
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M
4 _- N1 o0 @& j% ^4 k$ G| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M
. E w! \$ w. Z| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M5 j) r" @. q0 W }
| | ├──15-GBDT二分类举例详解 .mp4 86.67M" l2 p) A5 K* Q
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
$ w @# U( D8 M) T| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
8 |$ P* v* L6 i# _| | ├──18-GBDT用于特征组合降维 .mp4 43.72M7 ]: }8 t0 y8 o
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
1 |9 y9 }) Z. z# E| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M- }' W0 n2 A( `4 N. V! X$ f
| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
7 [5 R' g9 \- j, G| | ├──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
/ t) X; Y9 |' `( E6 u. L| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
4 [2 M0 S7 O& `! ~' Y) U/ N| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M4 Y( ~. g' @% @5 F$ q& B
| | ├──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
0 X7 X3 \4 L ^" a| | ├──4-GBDT应用于回归问题 .mp4 84.66M" h, b! V; s; }8 L
| | ├──5-GBDT回归举例_总结 .mp4 108.52M
' N. }" i. ^' V+ K$ x$ _7 v| | ├──6-GBDT应用于二分类问题 .mp4 70.42M
: T0 v' _+ q1 q# }4 Y| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
$ n9 t# [8 L e| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M% Q1 u t% E. {
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
' z8 u" R+ X7 r% t| └──4--XGBoost " `6 } F* ?' t* N6 O
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
( S, l$ u9 d, o0 F! v| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
! r: n- ^/ k7 o0 v! I, c| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
6 l y$ ~$ `2 i3 R O% x, n| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
9 L- E6 Z% z% {! `$ o/ F| | ├──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 f2 A6 s" E P& z; k
| | ├──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
7 j5 Z, W3 M% i/ ^| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
7 d+ x* @# V0 y5 o7 h. F/ A| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M) B J3 N R2 [0 C
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
5 R+ C, |9 m* G& Y4 N# W2 o| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
$ K- p+ T7 c- K; I, J| | ├──3-基于树集成学习4个优点 .mp4 91.36M3 h1 k; \% s7 z2 S s
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M. m5 g2 ?1 l) a$ r
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M, `4 x7 w4 p- ^! z% G: f1 E- r
| | ├──6-Objective_vs_Heuristic .mp4 60.42M9 ]2 g7 y) t7 \/ s8 g0 }7 s4 X
| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
3 v7 _5 X _) A| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M) O' f( e- j4 n& K
| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M
1 m* j% s' u0 I├──9--机器学习-概率图模型
, e0 k/ M' L3 u& |0 W: N; F# n1 g| ├──1--贝叶斯分类 6 E2 ?+ V6 r N* N6 @
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
. L( c- i u: U! v| | ├──2-TF-IDF .mp4 53.08M' Q4 {2 ?/ j+ |6 F8 X
| | ├──3-NB代码实现解析 .mp4 126.73M
8 w) m% [# W6 \4 L" r% q, p| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
- n6 ^& d$ U3 M" g5 p* P g| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
6 D m& B j. D* X' X( j# b| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M& l, i6 X' {4 R' p3 G
| ├──2--HMM算法 3 z) |, w8 u7 a* Z8 I# o& C, M% D( u
| | ├──1-HMM隐马的定义 .mp4 36.82M
& V6 z5 `4 N' {6 |3 H1 x| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
r5 }- |: j4 p8 K6 r: F| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M" ^8 W5 Z Y& c+ _9 g. F1 R9 f
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M+ ]6 d) Y8 H Y! j5 b$ N& p
| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
% n3 g% ?# [0 y7 U; H- ?| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
5 t3 ^: [" `# e* I2 Z5 Y9 B7 g| | ├──7-Viterbi算法案例详解 .mp4 107.12M
. a4 S5 W/ b8 F, _6 M| | └──8-Viterbi算法代码实现 .mp4 42.43M
: j) Q0 L2 c! x# n' S9 o- r% B, j| └──3--CRF算法 ! L8 \3 C; _0 Q: c5 l
| | ├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法 .mp4 127.78M
1 c" e1 T1 Z$ ~& @$ z7 o9 V9 M| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
" M- Z+ _9 c# g( m9 @| | ├──3-了解CRF层添加的好处 .mp4 105.90M6 }* P9 Q: N) A
| | ├──4-EmissionScore_TransitionScore .mp4 61.33M& L2 C- ?9 Z4 A, [9 g- w' @! R$ g
| | ├──5-CRF的目标函数 .mp4 23.74M6 c. H" z0 r2 q5 E& T* h' Q- C
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M: r( E$ J) P- {& l
| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
; U; E u, |& G: I/ B6 y| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M$ f% S0 o! V* h- ~1 a
└──课件.zip 2.54kb: X/ D; |6 y1 Q+ |. ^
8 a0 [; M9 |3 Y% j8 c# X; Z- f
4 e1 C. ^1 D; Q* Y, E, W7 l( o
永久至尊VIP回复即可下载学习，非至尊VIP暂不支持下载此资源！6 |9 ]: _6 B! g0 t+ x
! Q v" O; E3 o! U0 {, `! g) V6 F6 g
" }2 m8 {9 H/ O2 B; e |
/1 
