|
|
: S3 n- Q; _; l0 J5 i3 ]( x
$ }6 S0 x& S8 O
7 t7 z6 b; c' Y
, V/ A9 Y5 z' {5 h/ b百战-人工智能2022/1 U$ v& @8 e9 S Z& ^
├──1--人工智能基础-快速入门
! x( X+ R, L; w8 ~| ├──1--人工智能就业、薪资、各行业应用 # |8 s' J0 b C2 ~8 C! Q
| | ├──1-人工智能就业前景与薪资 .mp4 52.07M) X! l. V+ y+ `7 |( q
| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M0 }) J6 @9 E+ R; T' B; Q% c" C5 a7 e
| | ├──3-人工智能时代是发展的必然 .mp4 23.22M2 v$ B. L9 X$ w5 Q. U
| | └──4-人工智能在各领域的应用 .mp4 57.73M5 P y8 q) V+ k% H) S5 n6 o6 t ^
| └──2--机器学习和深度学习、有监督和无监督
5 w. g5 }# i- B6 `* U| | ├──1-人工智能常见流程 .mp4 89.62M% F; L/ ]- @3 W
| | ├──2-机器学习不同的学习方式 .mp4 83.51M# G: A' ~8 ^. f- y- L& V3 g& o# U$ H
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M
/ ]: Z& ~4 O% J| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
2 b9 @+ F5 @" f6 M, s6 o- _| | └──5-无监督机器学习任务与本质 .mp4 50.15M \# b! h2 I7 \) L
├──10--机器学习与大数据-Kaggle竞赛实战
' ~7 t2 [4 o( o3 L| ├──1--药店销量预测案例
8 |5 Z/ S1 N4 Q* [6 d( x1 |. x/ g| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
. h2 E1 S) g# |! J| | ├──2-对数据字段的介绍_导包 .mp4 19.90M0 Q9 q: H4 J/ @$ _5 N) X
| | ├──3-自定义损失函数 .mp4 21.12M1 e1 H N9 l+ ~9 S* p8 \
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M
" z% b) U* J$ I* v6 @& @- R2 U& ?| | ├──5-数据的预处理 .mp4 111.81M" M5 h; D# F; d7 M3 _! k; O& |
| | ├──6-模型的训练_评估 .mp4 66.64M
' u$ }. d" g3 E7 n| | └──7-kaggle竞赛网站学习 .mp4 172.16M& @- _: }' q: ^0 y9 X# N. [$ N2 t& A
| └──2--网页分类案例 . y' Z- ~, u6 G$ R
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M
0 \8 z( \9 ?/ E1 O$ 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 I) ]# |( M. U* k% }# p) i# j& }
| | ├──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) H& y8 I9 z1 Z6 f| | ├──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 74.74M2 t0 _" ]0 C6 i1 S! m' Z& O
| | ├──2-评估指标ROC和AUC .mp4 56.19M
& G' I" v6 F, u) u" S2 s- b3 m| | ├──3-评估指标ROC和AUC .mp4 49.03M6 o7 F# }. h! ~1 d( G$ O
| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M9 E4 L4 p. Z9 o; ~$ _) D( l3 i' ]
| | ├──5-数据导入 .mp4 68.41M/ k9 `" \: n( Z; p3 v' S6 _
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
( h3 Z8 X4 u% F7 || | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M0 A8 q2 Q8 |+ t+ p0 k2 m
| | ├──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! @ [0 v& o4 B( x, E6 ^7 S0 W4 `
| | └──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
, U! U c6 D! m4 {3 Y( U0 J├──11--机器学习与大数据-海量数据挖掘工具
) @6 X( T3 d z7 d7 g| ├──1--Spark计算框架基础 0 A" V% D7 \. ? c. t. U1 U" v6 t7 V
| | ├──1-Spark特性_01 .mp4 41.68M: m" J: P+ j9 h4 U! E
| | ├──10-分布式计算所需进程 .mp4 26.30M+ o( m+ p. ^7 |! T4 ?5 T8 ?
| | ├──11-两种算子操作本质区别 .mp4 56.31M6 K( }: V4 r- q2 N2 S
| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M) ]3 d. a( V0 g- z) w7 [- ~
| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M, I% Z7 G$ A7 X" X# B q! T
| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M
6 |3 W8 k7 T3 {9 Z* F1 w& U| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
$ Y3 {" T% R( e( W( s0 D| | ├──2-Spark特性_02 .mp4 35.15M
2 o& ?3 _8 Z6 H9 w: L5 i| | ├──3-Spark对比hadoop优势 .mp4 19.34M
( ]% c3 O- \' \| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M+ r" u* K+ c1 O! G) y0 `4 ?) P
| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M# s- e$ n) |) Q4 H3 s( p
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M
9 U0 x( m, p+ h0 g x5 k. q| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M
5 G; c# r9 C8 l0 J7 [8 o* o6 v" I| | ├──8-Spark的RDD特性_01 .mp4 33.08M
$ s: Y/ t. [$ N| | └──9-Spark的RDD特性_02 .mp4 33.41M [& ]" u; h* ]7 T
| ├──2--Spark计算框架深入
( n9 O9 }8 r7 ^ H| | ├──1-Spark数据缓存机制 .mp4 54.43M
& h# V# ^) S2 L) M| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M) b7 }% ]1 J% a6 R" D5 j
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M
8 R: L: v$ J$ v5 }+ r| | ├──12-构建LabeledPoint .mp4 111.08M4 F) w& W) P" L% B* ?
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M5 C# A# a F% U, [- K
| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M
4 ?! S. o2 B3 N6 x8 s| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M
" N1 m( N0 }% k| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
0 C' p8 i( j4 z4 ~5 l W8 t, q# s| | ├──5-Spark术语总结 .mp4 89.66M
, z8 T% A. m S# I3 I" e* }| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M7 U+ `4 @/ E% F1 _2 \* z
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M
0 x4 t2 L- c# x8 Z1 _1 ` S| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
* O+ b$ W9 H* q6 d1 P| | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
/ ~" u" f* x1 F, Z7 }+ Z9 ?2 T- @" J3 E| └──3--Spark机器学习MLlib和ML模块
" Q Z- g+ k* F5 ]* N| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M+ o' K3 m5 a. B7 U( a
| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
' M9 v& g# G* I1 B| | ├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp4 89.72M9 ?& F& \4 { B( {0 |' 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 92.22M
# `' W: w9 f$ H" U! h9 s8 u| | ├──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
% z0 G+ g+ x( e3 I3 O' t| | ├──14-从数据转化到训练集的构建 .mp4 146.40M; m; i% h% f% e! a
| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M/ T3 g" F- @- W/ c+ w( A
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M8 b9 {4 F: Z, S B
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
4 {- _1 N7 \& l$ N| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M
2 @' q# \5 j2 B/ ]| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M3 w/ }$ M# Z+ J6 C. f8 x8 M
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M6 H. F% D$ v; e! }/ |$ j
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M
. G1 w' a# e1 d ~' I0 _4 B/ \| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M- u2 Y- X( o( Z
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M
, u. w9 ~/ }, J# z3 F| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M2 i+ v+ [4 c. M. {
| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M
8 t, M0 I+ J* G. k1 Y| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M( s9 _* [7 V5 s9 q9 n5 e
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
3 K% h2 N4 l* g! _4 r- t4 ^# T+ i| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
' Y5 w9 \' U% M* [| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
8 J f q( N, Q& y| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M
( w& D; \- G: s; v2 ]" n| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
4 j4 F0 D# y5 b# z; A| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M( Q, h- c8 p) E u6 ~1 P
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M
, _6 Q/ ] R ~' ^8 I k| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M y- N" B3 N2 q7 G4 y5 X. Y
├──12--机器学习与大数据-推荐系统项目实战 ) C _$ _0 M/ Z; [- ~; {1 ?
| ├──1--推荐系统--流程与架构
4 d3 H, J5 @8 K& o- f7 t; ?6 c| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M
5 @: O$ d! 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
" d# r8 L- _- z; w& W( |0 P, f| | ├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4 103.28M3 x/ N8 P _3 L; _2 j
| | ├──12-推荐系统_数据源_1 .mp4 79.07M0 e6 n4 D" H: |9 x- M2 o% {- i, G O5 G% n
| | ├──13-推荐系统_数据源_2 .mp4 82.90M6 J O7 C# j2 [$ C& T, d; F: c
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
0 K; g4 E' ^6 || | ├──3-推荐系统_协同过滤_1 .mp4 60.31M
. M$ `1 L, n3 @+ h" F| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
* q d/ f! F- f$ c+ X1 D| | ├──5-推荐系统_协同过滤_3 .mp4 60.51M; c# P. J4 F, ^- ~: S! N8 f
| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M% F1 E# E3 E W5 d- v" k
| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M$ Y7 ^; N* R: G0 G6 K$ _
| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M
! v3 X* H7 h4 [0 E X| | └──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/ K; w7 A! i, z3 b; C. S. D$ `/ X
| ├──2--推荐系统--数据预处理和模型构建评估实战
; ~0 f1 f3 d+ A| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M
5 C2 T, d4 h! y7 I| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
! e6 V% [+ L" p) j7 C) ^| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M
5 y3 s9 O/ q7 U| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
/ V3 _: ]7 E+ }4 Q! c9 b D- D| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M
* L) ^7 ?! c- G0 s* h| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M
! p8 j3 Y3 ?& S3 m| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
, T o" i. S; X* y- |6 X9 s9 ~| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M
4 l9 k( Z* z% t; G7 J# E| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M
7 E* M L, U- u0 ~8 ^2 p; }- F4 U( N| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M1 b7 k, p+ G6 y4 I" j
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M
" |9 U9 K6 o n| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M+ ?. B+ s% n/ p2 C' E. q! t
| └──3--推荐系统--模型使用和推荐服务
+ {5 K8 ]5 u" k6 U. ?- F| | ├──1-推荐模型文件使用思路 .mp4 61.89M
1 H) ]' H7 p( U7 ?7 ~# s3 U| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M
$ T H+ Z8 B% v: ]4 M, A| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M2 {1 L/ |+ ^& o2 g) u; o7 j1 L+ p2 m
| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
' I C7 h, H( B" t |; F4 v| | ├──2-Redis数据库安装及其使用 .mp4 47.93M. y' {5 ]2 [5 g# x& ]+ ~2 g" k
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M
+ V0 \* w" D. t7 y| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M
2 o$ k* |. m3 N; ]7 C| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
* T* X/ C. _/ [| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M
; a; d" m+ L/ R% P" |7 Q3 L| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M
/ [/ [" C" `2 ~( x- h| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M/ X- v( Z) H: t
| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M
( Y8 ^3 `7 F8 g$ v& G# ~├──13--深度学习-原理和进阶 ! h' \2 I7 j4 i. ]* m y( a4 J; u
| ├──1--神经网络算法
: G5 X" `8 a, S| | ├──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
6 \7 D( Q) O! x3 K| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M& }" T: E0 t$ N( H
| | ├──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 67.67M2 V* b1 r7 j) ?2 A! E7 e
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M
% |& U4 a$ V4 M: U* H' P| | ├──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
8 Z8 g1 p" s" a3 C' M$ }| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M. `5 A0 [; P- o3 @
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
0 ` L/ M. n, C6 p4 s) I| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
) V3 U3 S% \6 A3 ^- Z; f8 v- y| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M; }) q$ ?6 y: P/ c! v
| ├──2--TensorFlow深度学习工具 1 R t4 M3 _ \. j3 t- i
| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
; I: {) U- C! [, v7 \, c| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M/ c. W0 b8 {1 B3 K6 Z
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
3 S2 p' K4 f# r+ ~& {! P9 D| | ├──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( @- s) S# a& M5 I: S
| | ├──5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M) C( N8 y' c0 n! B, b
| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M: V, W% G3 @5 u0 t/ j
| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M- [/ l) }# T5 W2 N+ L U7 e: V
| └──3--反向传播推导_Python代码实现神经网络 . z8 l! d* _% Z, L2 a
| | ├──1-反向传播_链式求导法则 .mp4 86.47M
3 u) Z/ w- e) y6 Y8 u. j| | ├──2-反向传播推导(一) .mp4 127.90M
6 X# y/ ~1 J7 ?| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M% E- q0 j4 `8 J D8 M4 T: r4 J
| | ├──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 81.20M7 d3 V2 L6 L: K! h
| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M, l* ?' K; q' H r- ?, v' |
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M
7 a6 A& k4 r- r6 I/ w| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M; j6 Z4 v" I+ p
├──14--深度学习-图像识别原理 ( k% S5 E% i K- q+ ^: ^2 l
| ├──1--卷积神经网络原理
( K/ j% w9 b7 J j" u| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M9 w" H: E( w8 c# D( |: m
| | ├──2-单通道卷积的计算 .mp4 104.01M6 H6 h0 g" n# }: a) ]
| | ├──3-彩色图片卷积的计算 .mp4 52.79M
; T r- C; q; K| | ├──4-卷积层权值共享 .mp4 63.93M
~ G& j0 D4 H4 g7 m* v* l| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
, W, f* Z$ `+ q# @+ }# n| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M- F" D) Y- l0 ~. D% M
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M6 r# A* N/ Z x! S+ \7 y- N8 z
| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M- K' ~& h7 \$ W4 p0 b
| ├──2--卷积神经网络优化 / r- k) a; M: S( C. z
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M* N8 J; v3 C: h6 |+ i! c# m
| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M$ G1 T8 `9 H& M! P: g+ V; G5 Q% h
| | ├──11-Optimizer_Adam .mp4 141.12M
w) H( o2 y- F4 ~) {6 ]| | ├──2-Dropout技术点思想和运用 .mp4 113.94M
5 j: F; \: C( \- |& ?0 v| | ├──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" [3 j4 k: P$ @# O! ~
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M. ]% N7 i& {9 z
| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M2 n" y. {6 K2 B" }- K
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M0 C, T. N/ C, f6 I
| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M5 y8 q4 e. J/ O' }
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M7 W: _$ m3 h% y; b1 X
| | └──9-Optimizer_SGD_Momentum .mp4 89.70M
2 S9 }; a, E& h& \0 h3 P| ├──3--经典卷积网络算法 * Q- n1 E' u4 S+ [
| | ├──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
3 t$ m$ w) G' l' i| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M
% h# T9 H% ?. I9 f| | ├──3-InceptionV1_V2 .mp4 165.86M8 k, d) l J% X+ h! P
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M6 r9 c) f8 H. H6 [2 C" D
| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M3 G4 ]. f8 E6 H1 l
| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M
/ c" E4 G/ D1 z$ b4 a# l8 F| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M
2 Q' o" T4 }. ~# O: D| | ├──8-BatchNormalization .mp4 99.23M
9 n1 d9 K9 r0 ?# c| | └──9-Mobilenet网络架构 .mp4 150.05M
1 c4 I6 i4 t; D| ├──4--古典目标检测 & D7 G/ c# L+ w5 r6 ]9 I
| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
, M) {: w9 L# w! c/ @| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
6 W; W% {/ X* J| | ├──3-IOU以及python计算的代码 .mp4 23.56M
) H. I) s: d$ O& t9 b6 a7 }| | ├──4-R-CNN和SPP-net .mp4 124.06M
$ A5 e. G( n3 N3 h' O| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
5 R1 P* a/ z0 P, i, w u| └──5--现代目标检测之FasterRCNN
: b$ H {+ F! ^* h4 l| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M3 c2 ?6 {! X; v4 l6 @
| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M
- j2 x( Y! W$ O+ i$ \5 || | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M# J$ b$ Y( I4 x- L/ J
| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
& A, R# V( E% `- b! V3 @| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
/ D, u0 D6 v+ q: s/ M0 V0 p& I! y$ |( ]├──15--深度学习-图像识别项目实战
6 s( y: h5 r. G; ~1 Y; N2 { N| ├──1--车牌识别 $ {$ D; E2 ?, A' C
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M' t( s( m+ H5 h4 e2 Z$ H& L
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M/ ]" f. q# K. A
| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M
) f3 \* ~# J" g a; x& x2 h| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
) D1 P# P0 _* I4 g| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M+ z5 U, K4 w7 ~: i5 B
| ├──2--自然场景下的目标检测及源码分析
& D7 i1 H% h4 ^- S8 e4 Q! n| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M
% w* x: C" [4 T| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
# x- B- g7 {0 n# n| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M
$ c, V6 Y1 \, J2 J| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
# [" G4 K1 Z/ D, p| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M4 I4 \& M; p0 K) Y4 q
| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M) ]( _9 E1 f# }& Y9 J- e
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M
6 L$ [8 `/ V5 s" c3 o6 M3 ~, u| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
1 ~- w% V- Z( V4 ^) b| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M
$ c+ O/ Z5 I- U' R- {| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M) v& N2 ]$ O/ M# [5 j% ?4 a5 i6 Q
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M
) h6 K' |7 ^5 x j: y| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
8 { X8 `+ U! _' p) ~/ i| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M& O: D1 w4 X# S A5 x% C
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
( i$ V9 j7 h5 }| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M
" ^3 c) s/ H) N| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M [: E. D1 p9 B" U$ D+ }
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M5 \: c" _& O; ?( A8 \2 D
| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M: c; m, e8 ] @; p ~) f
| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
. l$ [4 O# J9 o* `( Z| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M
' G4 B2 z$ F, J% r| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M5 v* I% H& I" B- u/ v
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M
6 |) ^) f5 J" Y: ?: g7 V- ^ g% w2 Z1 F| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
- P( N7 o. @+ l9 o. a, D| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M' R$ a$ w8 M6 D% Z+ N
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
+ P2 l P: r" M o, s! ^| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M
7 z) f$ ]0 J2 o* C6 I| └──3--图像风格迁移
9 N: z) L4 f6 ]# h' a9 N. S: U| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
# a7 l7 o$ H; v, H1 @! U$ Q| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M5 I% z' V' J5 N: x- l( ^
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
( `6 C8 ]) Z- Y+ _0 c2 I3 {| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M* f6 o! K. e0 r' p
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战 ( i1 K$ z# K3 V& G
| ├──1--YOLOv1详解 % w- m. m* ]8 p
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
4 N7 `7 d9 U! z1 H9 f* M# r| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M1 [6 U* H; q' u6 h
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M
8 q/ a8 x* f |, E1 p| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M+ r6 _% q$ E B
| ├──2--YOLOv2详解
6 m5 z" c0 y) F% t* Y4 y1 J| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M) [+ I+ J" K5 g3 W# d" C! g6 u
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M5 _9 \* O! {6 v% n3 ^8 b
| | ├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4 141.41M
8 e) K& r8 [. u/ |* D: m7 M& w- a! [$ n| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M" c8 T% ?1 n( A2 Y: U9 A( Y
| ├──3--YOLOv3详解 / [4 y' c8 B8 m
| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
1 d) M- k# M; H) [* {| | ├──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
- ]# a6 M9 V* M( w) c| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M+ v! Q( _" P& k
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M9 M2 l& G5 O7 U ?& t5 }
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M6 Y' Y$ S2 d8 u1 s! s3 J
| ├──4--YOLOv3代码实战
8 U( U; s8 R' k9 G$ K7 h1 ]| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M" c9 L- v, S# X" J8 M+ C5 P9 z
| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M6 U- l2 e0 h) d0 T
| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M6 I$ a* l, {6 O6 O
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
8 L" j6 F" a7 E1 a# ^4 r y| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
6 W3 x% K. q/ S% H; r: o| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
3 ?( s% `! ^7 M. H/ w8 X- _, h; [| └──5--YOLOv4详解
; F4 D p+ ?6 Q. F8 C: f8 P| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
, K F% I K. M0 k% b| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
0 M* I- L0 u* Y Y1 v% U| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M
% X) S; d6 I. x7 `& t* g4 R+ L+ f4 n| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M
% [7 F" m @( {& G6 g3 r# P, W _├──17--深度学习-语义分割原理和实战 m7 Q+ E! F# s/ b
| ├──1--上采样_双线性插值_转置卷积 , G4 W( R0 Q1 s6 n/ P
| | ├──1-前言 .mp4 19.46M8 x2 C1 p9 `, i8 M9 N! I/ l
| | ├──2-上采样_repeat .mp4 23.90M
- \$ G* O) Q, E+ w3 _$ x, @| | ├──3-线性插值 .mp4 34.48M
8 z5 m6 ]' r( _- R& }9 w( C1 n| | ├──4-双线性插值 .mp4 125.71M% N+ L6 I6 u3 C- }# V
| | ├──5-转置卷积_以及TF的API .mp4 114.25M
( z5 l/ j! h4 X, @% z| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M' o. F- V7 Q& o3 o( V/ ~+ d5 I- R
| | ├──7-ROI Align .mp4 58.38M
7 O& p0 d& q: u| | ├──8-FPN思想与网络结构 .mp4 92.14M
4 s- }! _, ^, r3 h9 Y| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M0 E# j6 @( m# ~1 ], i1 D, g/ i
| ├──2--医疗图像UNet语义分割 6 i+ `- [9 ~, |5 m% A$ a
| | ├──1-语义分割的基本概念 .mp4 18.33M
5 d y$ r4 Q0 \% W4 m: ^| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
7 Z6 J9 C0 B# c o% {| | ├──3-UNet网络结构 .mp4 30.41M5 Z4 Q# X. I2 N& Z8 B. b8 R% R) |
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
4 Y/ z8 n" d* B0 ~( z$ D) d5 H| └──3--蒙版弹幕MaskRCNN语义分割
9 O2 }0 S. `" {' J& d5 }2 [| | ├──1-MaskRCNN网络结构 .mp4 106.38M0 d6 A) E: e. ?) ~& F2 z4 I' u
| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
7 [" \& C# O- @+ ]% @| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
! S/ ~' }1 b+ b) g| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
Z u) ]- P2 I) [1 u; t; n| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M$ t" T. {8 h7 r. d
| | └──6-MaskRCNN源码config和model .mp4 244.48M) s" p: [ {$ K5 {/ Q1 S
├──18--深度学习-人脸识别项目实战 2 W/ |' q6 K0 N* s
| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M, c( l5 n0 ?7 A7 O6 F+ s$ F9 |
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M
5 P3 S1 _; d" e( y9 ^2 C" c5 T| ├──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
1 e R$ v2 I4 [( P| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M/ C4 |4 m0 ~# X, Q+ W
| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M
9 x( O* ]/ }. e2 `1 K4 i( [| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M
( H/ H6 K$ q8 ?. t7 R; Y| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M" m7 S0 t5 h! A- \! E- I
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M/ q! C, y, F6 \5 ]2 k+ t9 X/ M
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M- F! J9 t1 V8 w; H) r1 t
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
- w6 ~8 r) M8 O9 s| ├──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
( o5 e1 h1 j3 k1 b A+ c| ├──2-开源的FaceNet项目介绍 .mp4 38.07M; R3 ^% x8 U. [ [6 Z
| ├──3-人脸识别项目代码整体结构 .mp4 30.40M7 b7 Z" e7 {1 X6 |+ d1 R0 o
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
( z2 S& @+ Q: s% B| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M
( \: C; M d! x: T! l| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M5 S6 ~: F0 r6 R0 H
| ├──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
2 Z2 f9 I0 q/ r) P, T| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M* G6 z; n! a; ]2 n, w* q
| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M
# h5 D$ q1 s* K! Q; l+ g├──19--深度学习-NLP自然语言处理原理和进阶
7 ~3 c& [6 m* [4 x& e| ├──1--词向量与词嵌入 3 X, I# Q- ?. K* o
| | ├──1-N-gram语言模型 .mp4 116.32M
6 V/ b& R# C5 Z| | ├──2-NPLM神经网络语言模型 .mp4 155.81M
/ p% j: U q2 m+ \! H: Q/ ^| | ├──3-词向量的作用 .mp4 58.00M1 C0 I: _! J, u7 f% P2 `
| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M6 @$ r* w/ o5 f3 a! i( W' K
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M# \6 l1 V1 S) f; j
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
- E! |, c+ B* L; e3 w/ }. d! T| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M, x* J3 u @" Y! p7 J( i: F
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M5 }7 p# u8 B, N
| ├──2--循环神经网络原理与优化
, ]: M' Z0 j4 q; g P, h| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M
+ j4 A. y, @7 _. c4 e3 A| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M- R/ x& b: R) k" u# R. r; W: A
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
2 ]0 T: c. T) z% |/ {| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M
y# i# Y+ k, d$ H4 c9 X. T- l8 B| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M
" g1 X. b9 n2 s: s( C# f2 B| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M& d/ P/ q2 C' d+ \1 Q, U1 f
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M
8 n' ~% Y _1 P7 q" S| | ├──8-双向RNN_LSTM .mp4 52.01M2 z I6 R1 Q, K( \
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M& b, ^, g {2 m3 ~! e+ }" o
| ├──3--从Attention机制到Transformer
$ Y' G$ b. f4 {4 E| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M3 C, ~# H0 C( {" n R' O: F; C
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M
* ~, y* ]# I, N! _# h$ d) G. Q% u| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M( r2 _6 v, p9 _7 v' U
| └──4--ELMO_BERT_GPT & S' o9 V" L; o* j. I
| | ├──1-ELMO .mp4 62.44M( G+ U2 {7 H/ v4 v0 y. }
| | ├──2-BERT理论 .mp4 99.73M
2 S( z) t* I$ A+ M$ \' C| | └──3-ERNIE_GPT .mp4 56.34M' j4 N( _' |! H ~: o; U5 j
├──2--人工智能基础-Python基础 " ~, y4 u% r, l4 w2 M# \7 s! C
| ├──1--Python开发环境搭建
O! ?8 F2 |4 e, q; g0 o4 V| | ├──1-下载Miniconda运行环境 .mp4 100.75M* b* c& x) c/ g. w+ p
| | ├──2-Miniconda安装和测试 .mp4 57.12M7 X* j0 w/ e' R P7 g- C: \
| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
) P- F, Q0 R+ p/ T! m5 C O3 O( _| | ├──4-Jupyter安装和代码运行 .mp4 37.10M5 j Z$ f8 x+ S. z; f
| | ├──5-Jupyter常用快捷键 .mp4 32.23M
5 X. r3 T: t7 T8 I& [| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M. g& [5 i! J/ t7 K0 f6 k4 d
| | └──7-关联虚拟环境运行代码 .mp4 38.14M
' C3 Z% P3 ?+ r0 P1 K! H8 ?+ ?| └──2--Python基础语法
8 U2 L+ J: _. s: R' S' H9 `| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M
/ W/ l3 A& U3 J" o& K! z| | ├──10-Python_集合操作_列表 .mp4 34.71M
4 H5 ~& e, M( D9 t M2 j( J n| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M; `. e( A9 ]' _5 \' n' ?: O" E" L
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M( g3 N* s! c8 ^
| | ├──13-Python_集合操作_元组 .mp4 43.46M
3 y4 H4 R! z0 r' U1 k* F, ~| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
6 X# b8 G+ S, V2 ^$ x2 [5 d| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M
. Y+ \7 c9 ~# e, ?% b6 l| | ├──16-Python_os模块_shutil模块 .mp4 51.54M P- H' c" s v! \5 ^& w
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M
6 s: k# c2 F# b% H! z| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
! k C0 W C3 ^| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
1 F+ n! w) }. e h; v1 D| | ├──2-Python_控制语句_单双分支 .mp4 50.66M
) I" q7 S; W, b% h" ^: F| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M# W5 K- _. ^0 B
| | ├──21-Python_函数_递归 .mp4 23.46M j+ W4 i$ z8 W
| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
1 S n' t( _7 n+ x* x. h| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M
5 B" o7 `: B" V: v| | ├──24-Python_函数_闭包 .mp4 41.61M9 e& S1 [& g' J* v5 v
| | ├──25-Python_函数_装饰器 .mp4 30.35M
8 H0 X2 G3 L4 H0 d! Y# i2 x| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M0 w# p8 u$ l9 B4 J- c `
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
7 S0 S( b& Q' N| | ├──28-Python_类对象_内置方法 .mp4 29.17M5 x X: f% h% S; q& R2 c
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M) W1 @4 g& \9 U/ E# g, }
| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M6 b- u7 _6 \) C4 r8 o* [- I* H
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
+ }5 Y, z( d1 |/ Z, [5 y( 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
1 r2 }% w1 w$ T0 u6 w| | ├──4-Python_控制语句_while循环 .mp4 25.02M
+ z" K8 Y& w; D+ J: n5 {6 ~| | ├──5-Python_控制语句_for循环 .mp4 22.82M9 }4 A9 t! l+ g- k- o0 w
| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M
0 L; W1 H1 L8 T2 _5 w| | ├──7-Python_控制语句_break_continue .mp4 25.23M
7 f$ S$ T) g1 N# a' N) `0 I5 ^) n5 X| | ├──8-Python_切片操作 .mp4 40.20M Y4 ], d" Z% C: b3 {; p% z3 M
| | └──9-Python_数据类型 .mp4 25.38M
6 |" X' y+ F9 I├──20--深度学习-NLP自然语言处理项目实战
9 V) h" B, ]* p* t& {/ M2 W5 Y- `| ├──1--词向量
* [9 t/ o0 a q6 I| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M+ z% z" l5 t' s# P* i0 D. L) V
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M1 Q" A* _7 E1 Y5 m. Y
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M- ~2 l! s( K I+ {* b
| | ├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4 102.84M
: l3 _% T4 p+ K$ s$ G f| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M
4 ] \: k H7 X2 Q8 y: |3 }| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
' H3 E* P4 V7 H8 @: m| ├──2--自然语言处理--情感分析
" D. ~% p. N; {4 C, y4 _, a| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M( s0 c" ]* Z4 e$ M3 h b4 V- k. s
| | ├──2-数据预处理_01 .mp4 79.65M+ I, q0 M! J. I3 U5 m
| | ├──3-数据预处理_02 .mp4 45.68M
- F) i# g2 c3 l| | ├──4-代码讲解_01 .mp4 52.29M
/ z4 f5 Z) M$ z7 N| | ├──5-代码讲解_02 .mp4 60.85M
5 \* N- } R* D$ P8 a0 f/ P$ D& U1 z| | ├──6-代码讲解_03 .mp4 53.89M! i0 ~6 ?2 \3 i- K& M' ?3 Q: R
| | ├──7-代码讲解_04 .mp4 57.19M
6 x9 C! e/ ?0 m* \( W& q| | └──8-代码讲解_05 .mp4 35.88M: K/ I. M9 p; y' D- ?3 ^
| ├──3--AI写唐诗
, b# d5 F" R2 p% M W" j| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
0 |# N& }9 t/ Q$ ?0 l. C" G7 \| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M# ^9 h; G( G9 _! T
| | ├──3-MultiRNNCell单元 .mp4 38.93M- O+ t9 n6 F; ?- n
| | ├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp4 67.03M# K1 O* `$ Y$ h; ^" k
| | ├──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. }3 H- ^: J, ?' z# u
| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
3 `+ X( j8 m+ y' a; F, x| ├──4--Seq2Seq聊天机器人 7 V% @( [6 \; [/ [) E
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M+ j0 P. f' p. [5 e: A
| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
7 l' k3 o& ^ V8 y| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M
4 T$ o* c9 `0 q/ X* u| ├──5--实战NER命名实体识别项目 # x! `# n. t& |# q5 `; L/ [
| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
; _8 s8 x% S/ N/ ]| | ├──2-介绍了代码目录结构 .mp4 23.44M1 u. k3 f/ f: X+ G$ J9 X. `
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M( ? C8 t t8 x
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
; i8 L# S& s$ a0 s$ v% M| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
: }: \9 j3 v2 r& ]. Y4 T+ g| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M) s ~4 ]5 Z, }# S" U
| | ├──7-CRF中的特征函数们 .mp4 125.97M
5 \3 o* Z9 q# y; y/ s| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M3 [5 L4 w3 S) y3 t2 O/ M3 ^ ]/ J
| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
7 ~7 A1 l6 Y1 j! `| ├──6--BERT新浪新闻10分类项目 $ @1 s" r J/ i: T; d9 q5 q1 L
| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M
) Q6 H9 T ~7 v+ q9 x| └──7--GPT2聊天机器人 , z3 ], j( s# x6 d- @6 Q$ ]# J
| | └──1-GPT2闲聊机器人 .mp4 62.28M
' o: q4 n" c3 B! T/ Y/ E3 Z├──21--深度学习-OCR文本识别 * m4 F& o4 T* d1 }! E
| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M% i3 |" T2 i. C% n/ W8 z$ N& e
| ├──10-CRNN项目代码剖析 .mp4 306.48M
% ?+ M2 o% k5 t' R2 S| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M, K6 O+ {2 o( q; a
| ├──3-OCR识别的CTC损失思想 .mp4 327.69M/ s/ J7 C8 G1 Q2 E7 X, ~; J/ ?" z
| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M- q0 g" a- z% [, ?( k* t1 H
| ├──5-CTC损失函数的理解 .mp4 330.64M/ U8 C& m3 b7 Z( }; E+ _! s1 F
| ├──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
* q# @9 |+ I8 a- w| ├──7-CTC前向后向算法代码 .mp4 225.41M7 ]; ?+ E, S. H, P9 I! q
| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
; m* J1 A, s- j6 p| └──9-CPTN项目代码剖析 .mp4 491.69M9 D. c4 `2 J1 z, ~+ E% h0 s3 G
├──24--【加课】Pytorch项目实战 # H& i! `+ T, R- l0 R* S. C2 O
| ├──1--PyTorch运行环境安装_运行环境测试
6 s% U- R3 f1 g$ h* || | ├──1-PyTorch概述 .mp4 29.29M
9 [( s& B i2 H) I/ `2 D% j2 h1 u| | ├──2-PyTorch的安装 .mp4 76.45M) q5 q/ z2 T) q, C! Z& e
| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
5 e1 L6 B2 q: b1 k| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M! b6 }8 N% H; o
| ├──2--PyTorch基础_Tensor张量运算
) [/ l; R$ U; G+ C* n) X0 y, x| | ├──1-Tensor的创建 .mp4 55.14M
. Y6 {5 d/ a) I* V/ U| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M0 q6 O3 D$ x8 C6 b8 x
| | ├──3-广播机制_逐元素操作 .mp4 44.46M
" h5 h( ]+ {3 i% r$ `; n| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M5 W) z- j7 C8 w) u- O% c
| ├──3--PyTorch卷积神经网络_实战CIFAR10 3 Y2 A1 p5 D' z x q4 b1 X7 ?
| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M
2 v' h# S9 Z2 {' i| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M7 k* W1 S5 j% k9 Y
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M
4 H9 U. O& C9 s) X| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M
1 [- c Q! {- M" E; N| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M
7 X! ^0 b# J6 S; p, D8 r| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M* m& Z- @' F. g' g. ?8 T( v
| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
* R5 y7 w; X1 p* S! s- J| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M! q. Z# c8 h/ Z; Q
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M; M! P5 F' u9 Z* |
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
* C/ s7 S* [0 t/ Z1 u9 C| ├──4--PyTorch循环神经网络_词性标注
. f5 V% t; l) B' k( w. ]* K" Q! a| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
4 k- t: c/ @7 a| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M
. r9 ?3 c" W }* k- h/ [9 G3 Z% W| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
) F7 p4 r$ ~& {2 [0 E! `| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M }: k( s' ?* I0 j
| └──5--PyTorch编码器解码器_机器翻译 4 Q% I3 n! I. f# }. ^! w: T) Q+ ]
| | ├──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
( R" L: L8 c" q* F| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
+ t, b; \6 B% d; Y+ v/ ~| | ├──3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器 .mp4 57.69M" |4 }( l" o I1 s& N6 Q" m
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
5 x7 |8 m9 q+ p! O! Z; K| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M
9 ?- u I0 f& ]+ v4 C; O" j0 P! B" `| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M7 G8 U- V" w+ ?5 r
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M
" U' @& i- t# w| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M, U6 @& n8 A# y1 |
├──25--【加课】百度飞桨PaddlePaddle实战【新增】 5 G$ U3 \6 J2 S$ k
| ├──1--PaddlePaddle框架安装_波士顿房价预测 3 `8 L) \/ e! Y; F$ a6 a
| | ├──1-安装PaddlePaddle .mp4 87.34M8 z1 ~( L7 s* F9 z0 u! i3 N
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M7 L5 z# p9 \1 J- k
| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
! C6 Y/ @1 P+ h| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M% ], V$ i% O2 `/ n
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M& u/ Q) K! V" X. y7 q
| ├──2--PaddlePaddle卷积网络_病理性近视识别 9 i# ?7 }* P" H5 J' M7 f+ \5 j
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M
( z; K& r2 m( k! R) E" U' J( k| | ├──2-预测病理性近视_模型训练 .mp4 86.66M
, w8 T/ U1 L5 C% o. x+ H/ g! m| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
. @! r: [2 h1 T' Y$ W5 W k: O| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M7 R8 z2 r- Y+ e) o: d% c! d* I0 _* y% {
| ├──3--PaddleDetection工具_PCB电路板缺陷检测 5 o( B" {- k }$ d
| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
8 g) C0 {) C9 X3 p" @9 d7 V0 \5 _# N| | ├──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
' p0 v3 P' `& f; g7 s+ v| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M. C+ X# M0 R$ h9 X n4 J$ _8 h1 @
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M
+ K# X. b3 j6 q* m: r| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
# K# W( d9 F/ h" O5 [| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M; ?6 w$ s2 b0 E% C- g
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M
- E& {! _4 {' S& L$ y) Y# _| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss) ! v8 @( `! W9 V! ~% T7 X
| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
- [3 _, ?: y7 r/ Z| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M) n4 X! `. Q6 X" z" l
| | ├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp4 57.48M
' a# z) m2 }, E9 j- x| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M8 L9 C9 D3 g3 s, n- d3 S
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M" v4 O' g7 r2 U0 }4 J# Q. \+ y) {
| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M0 Q) s; {2 h+ f* u
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） & d( n% I( b5 m) f
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M$ ^9 C8 W3 S! n6 r* q0 ]8 g
| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M7 W2 \2 u7 l: p* U8 R. @1 k
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
: E: p9 k' ?+ ^# D$ I( p9 _| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M
: N: S5 J9 J6 {| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M8 j$ X) l7 x6 v/ @; M! P
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M
3 j0 m) z6 w7 T f6 f$ e0 G| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M0 D; q( k# A: x" v+ n+ A
| | └──8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果 .mp4 80.58M
7 r* Y& N' _" [4 _3 S; ^| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
" u9 g8 S- u6 N/ s( 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
4 S1 q7 K# q3 f5 p7 t5 q! @4 b| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M6 ^0 L0 t5 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
1 w$ a F- u0 L8 q6 T/ M| | └──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
" \ q3 [& y9 z, x8 F├──26--【加课】Linux 环境编程基础
5 ^$ n* s* E/ l( W| └──1--Linux
\4 C7 W4 L5 m; u. s. G| | ├──1-Linux_课程介绍 .mp4 3.72M) U( \8 D( B0 A9 ~* s
| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M
# r5 y4 A7 P3 j6 R| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
" _- e- K8 h" e* k x; {; l1 e' E| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M, ]4 J1 e8 q3 z' G
| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M# s) n) Q j! b
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M
}3 o% V+ @7 S5 z& \$ E; E| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M/ u6 ^& m) z- } p
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
+ F8 Z! V4 e' G: \$ H| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M2 S% U1 G" A. z: B) L1 S7 c6 X0 Y# j
| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M
8 ? p* O0 O/ g8 d| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M0 l( |4 E, b, W2 G/ j! d6 n/ a; t: R
| | ├──2-Linux_Linux简介 .mp4 17.59M% s& l: p: `/ Z# d- ?
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M0 Q" i! R9 D, V4 P5 q. b/ Y
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M
' H4 i; ]7 P! H7 C, i4 R/ ]| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M, D g j+ M- t# L! Q1 G
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M) v1 t ]9 P( h
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M- m4 a/ g5 Q$ v* `* _
| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M2 R' J `! l( z) i2 E( D z
| | ├──26-Linux_安装MySQL .mp4 79.02M5 f, C6 y6 ^6 q6 t/ N+ J1 D$ y
| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
# M! ~# [" o* ^9 W# L| | ├──4-Linux_安装Linux .mp4 41.97M! K ^+ R2 b' g' K, i4 n- c
| | ├──5-Linux_目录介绍 .mp4 20.31M
& C4 l {# F( v# B8 Z| | ├──6-Linux_Linux中的路径 .mp4 18.65M
6 g7 ]4 h7 i0 ~) z| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M z/ w, X; v a# K# j! R+ Z
| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M& N) G e; }$ e1 i% y- L
| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M
& W: T$ @# _8 W├──27--【加课】算法与数据结构 7 w# Y# ` Q: |" w) H
| └──1--算法与数据结构 6 ^7 s7 d& V: F. N- e
| | ├──1-数据结构与算法简介 .mp4 35.68M
5 t4 v e7 w' \8 a! t/ w. X| | ├──10-哈希表的基本结构 .mp4 54.34M
% D6 A, h! D8 T2 s| | ├──11-哈希表冲突问题 .mp4 75.92M# G% B8 t3 a& n" m( D. y
| | ├──12-哈希表冲突问题2 .mp4 72.30M
: L7 `7 W- A" j- T0 B. k; S. Q5 a| | ├──13-哈希扩容 .mp4 111.03M
C5 i$ Z, F. N| | ├──14-递归与栈 .mp4 50.77M) X9 ?: d! S! e9 x6 S3 b
| | ├──15-线性查找 .mp4 57.80M& }2 e( q! z5 d6 F: V( @' L% l/ N
| | ├──16-二分查找 .mp4 52.32M
1 f' \3 @- ^% c7 }# ^2 Z: A3 h5 || | ├──17-冒泡排序 .mp4 53.19M- f6 m" m m; k' J
| | ├──18-选择排序 .mp4 43.29M
, B" `. `0 m3 }3 l* \& ^, Z! K5 ]$ ^| | ├──19-插入排序 .mp4 31.39M
8 s2 k8 V) ^9 p% y| | ├──2-大O表示法 .mp4 25.59M( P9 s4 }4 U, a; U% b
| | ├──20-归并排序 .mp4 84.48M
: P! o7 t6 i3 N( a1 V| | ├──21-快速排序 .mp4 36.63M
# J" i2 @+ d0 P6 C# g7 C| | ├──22-树结构 .mp4 96.85M* H1 ~' ]* r+ g% }
| | ├──23-树结构的遍历 .mp4 61.05M6 H& O2 j: R* E- Y! E$ U0 D+ O. v
| | ├──24-最大堆的增加操作 .mp4 45.43M9 w1 p2 F) Z/ T1 j, c p# r- K
| | ├──25-最大堆的删除操作 .mp4 45.63M
$ x3 \$ ?/ |3 H: Z| | ├──26-二叉树的查找 .mp4 100.24M
0 @2 j! F1 t( i( e| | ├──27-二叉树获取最小值 .mp4 25.21M
9 x& |: ^- M! d8 i' z) \| | ├──28-二叉树的添加 .mp4 72.66M6 a4 b% @# s1 W4 n5 ?
| | ├──29-二叉树的删除 .mp4 120.06M8 F ~8 ?$ _( V1 L) d) y
| | ├──3-线性结构 .mp4 53.14M
* {8 ^4 m8 _( [- [; R. a. j| | ├──4-单线链表1 .mp4 68.36M
+ ]4 L( `" ]$ ~| | ├──5-单链表2 .mp4 221.69M& {' N+ Q. G, X& Y
| | ├──6-双链表 .mp4 103.57M' Z; Z; Z! k3 \0 }! B d. B- F7 j
| | ├──7-队列(链式) .mp4 74.12M% ]. k8 z3 l' w* Q6 n
| | ├──8-队列(线式) .mp4 30.99M
4 C' o1 }7 t* u| | └──9-栈与双端队列 .mp4 28.12M4 z4 A& g6 A4 i' r# h
├──3--人工智能基础-Python科学计算和可视化
9 _; ^; h* o n" ~3 W| ├──1--科学计算模型Numpy
$ w2 v$ l3 _3 f; z# {| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
; F& x x, U$ ^; X0 p3 @- E2 {| | ├──2-Numpy_array_arange .mp4 35.45M) ]0 E( n7 S4 z5 f8 ?+ D
| | ├──3-Numpy_random随机数生成 .mp4 50.54M U1 j4 L9 t/ Q) r# j" ^
| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M* X' y( r" N' @0 n: P& n9 R1 h& }
| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M
, R' J6 o r3 @! ^/ q/ F( z+ `2 {| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
+ ], r. a+ f. _ h! K| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M6 d K: Y+ C2 N- U; Y. Z
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M1 G; r+ h" Q& O# ~; }! \1 E! i
| | └──9-Numpy_聚合函数 .mp4 23.68M( k5 h+ o8 s2 |( `
| ├──2--数据可视化模块 8 H& P! U# U: k+ u
| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M
' Y1 Z! n* E$ O$ s| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M1 a9 B0 h4 e9 r$ b
| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M
# U! f/ |. K3 G% k6 Q) S& y| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M+ w, g; b/ R* ?3 F0 z8 D! h+ a
| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
- A2 Q+ V3 g* D I5 H& m* [# j| └──3--数据处理分析模块Pandas ) U" z/ _. y- U) r) a/ }
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M
. m- G- O; Z3 e3 B% l! N/ ]| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M# l! S$ t" K0 J6 _* |: \
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M F1 V% @ a* C7 ]% [) V% j
| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M- Y. q( F; ?4 J' O0 p5 U+ w$ `* ?
| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
: ~- m" C- }& D/ n _| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M
9 ]4 Q' c9 @, L, ?5 v2 }| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M" ^9 V* M$ O6 }
├──31--【加课】 强化学习【新增】 8 k) I% v$ i; F3 U
| ├──1--Q-Learning与SARSA算法 ( c N7 X3 c. Z# }# w
| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M- O8 e2 U2 J) u5 u
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M
7 J1 z) Z* ^$ x4 H6 q; u) || | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M& Z' Q: `, t. W% k# `7 b
| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M
0 P. T: W* P/ a$ P" F$ M0 k/ }| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M* g N1 H5 I. ^
| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M& d9 w$ h9 Z' I" E
| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M& L6 ?( H' D# N; l* Q) A. {5 N- N/ K
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M
' c9 X, }7 u. _! m8 a2 F| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M; A3 [( {$ H1 _* I
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M6 W( C' U' M$ H/ Y1 U
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
( m: j7 `& x3 l* }9 n| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M
& `. R, }5 ~+ y| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
# h* x$ \) ~ ?1 W+ g+ ~+ E| ├──2--Deep Q-Learning Network
! B% W" N* l1 x. O| | ├──1-DQN算法思想 .mp4 59.24M
1 |! d7 {1 L: [* E| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M
: K' l/ e8 {+ o| | ├──11-DoubleDQN代码实战 .mp4 44.49M4 i( M2 T6 i& f, \1 q2 ~- ^4 l
| | ├──12-DuelingDQN .mp4 88.12M
" t: K1 j. P D) e3 O| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
; t% E* x' o& o$ z) \" z5 y( ^! @) _& D| | ├──14-计算Action的方差避免风险 .mp4 54.23M
5 R- z9 A8 L, U8 _3 E| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M& i: L" c8 z2 U, e& m$ U
| | ├──2-DQN算法具体流程 .mp4 56.17M
) U, d% m- v: Y| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M
/ g/ t- E1 p, o, `# X; V) K| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
8 _! W7 |& Z# I, J| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
9 [& G$ a( g! H* y* @| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M0 Y- j% y2 w, [+ ]
| | ├──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
1 F' n b: \" x| | ├──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 58.93M6 ]' Y& p" Q/ A- s9 e5 m
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M
/ q" i; o* `! A| ├──3--Policy Gradient 策略梯度
, J v! o9 A Q" G8 Q2 }' f$ e& Y| | ├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M, i# |: o0 E H1 y( r! d* i* 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 34.22M3 [2 ?% y+ `% `4 G7 x B( Q
| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
: y# Y9 G9 Z7 B& y| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
( {' K, Z) f. O; e| | ├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp4 33.38M1 T3 G% Q# W9 r/ w+ O
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
9 j6 e2 M; `7 V. a9 w| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
# Y3 v* Y& T; _) P6 I| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M0 Q1 K5 a, z& U* f; G
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M2 {6 ~' l% w+ u4 l K) ?
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M+ ^* T" @8 E F7 t2 ]5 S1 F- @' _9 o
| ├──4--Actor Critic (A3C)
* W% x1 _9 [9 P$ g: m5 ~' p| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M1 v7 V1 a ~$ N$ e+ |5 U0 h
| | ├──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
8 x6 S7 N7 ?, F| | ├──11-代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑 .mp4 40.24M
- `2 O2 c$ c: K C+ Y2 A| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M1 A! y- W$ n0 k7 c
| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M/ I; b" C8 ~6 W4 H! M
| | ├──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
0 q. p6 l4 i' C8 i) [' Q. C3 g| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M& |/ \/ \4 b$ m+ X$ g6 g1 s
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M: H* f! f% M- H0 N8 i
| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M1 c$ _, U! p+ S. T/ \( b7 u
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M
' B# d. p+ B% t! K! P$ z8 ]| | ├──6-A3C架构和训练流程 .mp4 74.66M
- f3 k g' ~. D1 || | ├──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
! L+ V2 }+ ]) s| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M
; X# P3 d) G z/ R6 v6 }| | └──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' P, ?& ]9 y( b' f- r, } c) ?- _
| └──5--DDPG、PPO、DPPO算法
* z) s: R' ?" E| | ├──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
; P y, C2 V2 x9 Q) A: w5 ?$ q- y| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M
! K ]+ u$ ?0 W| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
4 O- M* ?3 k9 L0 e# S9 t) y0 i| | ├──12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示 .mp4 42.12M8 L3 C# H- n7 H( U6 w
| | ├──13-DPPO分布式PPO .mp4 63.81M
7 n4 y# r4 a i! l% l| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
8 G! O! \2 I/ k1 z. i" a| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M
$ d* i# G, L6 [3 }8 R| | ├──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; ~ F1 I8 f# ?; |7 Y# H
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M) z, n3 V+ I, G- Z, E
| | ├──4-代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示 .mp4 44.17M
Y6 Z: ^' @1 L$ O| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M- }1 ~( ]* O1 G* E
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M. g" I" i: [* h. r) a
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M; J3 o/ |9 E/ v3 }' B* G1 r* e& x. ^
| | ├──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 38.09M4 S- O$ d. D$ k
| | └──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* I1 N! x# h( ?2 ^: ^
├──4--人工智能基础-高等数学知识强化
8 S8 V4 b! l" l$ ]% U$ O| ├──1--数学内容概述
. [) G2 \5 b& l. v: C0 s3 e: C| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
% y" z9 S6 |4 G( z; e1 ?& X: [% ?| | ├──2-线性代数_概率论知识点 .mp4 26.81M) B1 B, H) f7 ]+ B
| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
+ M2 k% F2 i& b! f7 W( \| ├──2--一元函数微分学 ' a% n/ B5 G4 |, q! D
| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M6 o( i v7 e& A1 j' H7 d/ @
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M/ H# h( F8 i/ s% h/ Y( x# S
| | ├──3-常见函数的求导公式 .mp4 22.76M( p2 V& b+ E$ ~: `+ z1 R u
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
- R5 i1 Q7 _2 R. I% X: m( |" l| | ├──5-复合函数求导法则 .mp4 19.68M' v5 y2 y$ U% f
| | ├──6-推导激活函数的导函数 .mp4 33.40M
9 j/ F4 S2 H& W* l( p4 X1 v| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M3 k& n2 h4 c8 B% C7 f4 @7 x
| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M; ]! c- t% @) _/ {6 u7 M: i; f
| ├──3--线性代数基础
) d& s' @* u! w; b+ v$ y| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
) R7 |/ ? v" Q z; P4 K| | ├──10-矩阵的逆矩阵 .mp4 38.54M. j4 |! @7 {1 i( u" {# D: h- o" d
| | ├──11-矩阵的行列式 .mp4 20.13M; N, y* v' l c+ i; w) j
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M! Y0 u. q4 B5 f6 {
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M6 | v4 q; Q0 G1 V
| | ├──4-学习向量计算的用途举例 .mp4 20.32M1 ^+ J4 Z8 r" {( X
| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
$ p; t4 X/ U. D [% v ^" u| | ├──6-特殊的向量 .mp4 26.45M: Y$ n' i( t/ x$ n4 W3 {( W
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M
9 e5 e0 Q$ U: d m| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M* i8 I3 ?* Z& g/ D/ l' d5 @$ v g
| | └──9-矩阵相乘 .mp4 20.02M
, S; r% ]! D& H3 H| ├──4--多元函数微分学 5 p- }0 f! s$ Y/ b
| | ├──1-多元函数求偏导 .mp4 22.61M
% U$ P9 l1 f. [& ]: l. l( F U| | ├──2-高阶偏导数_梯度 .mp4 27.15M
1 a+ n$ Y; V4 U| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M2 Z8 I% t8 E8 F) U
| | └──4-Hessian矩阵 .mp4 32.93M
5 S- t4 [0 F/ z; e; ~) q0 A! W0 `| ├──5--线性代数高级 4 o% Z U$ a# J8 ~' f. C3 n
| | ├──1-二次型 .mp4 27.70M9 c0 @( j6 F! Z% p: |
| | ├──10-SVD用于PCA降维 .mp4 24.90M
1 \* U# P- s# F" L| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M3 r& ?6 ? s) ?2 u: `
| | ├──2-补充关于正定负定的理解 .mp4 23.48M* m1 l( i0 o/ m) N- }+ G
| | ├──3-特征值和特征向量(1) .mp4 29.83M
- {2 {; g) [6 m- A# f2 b| | ├──4-特征值和特征向量(2) .mp4 30.07M n% u6 e/ \% ]
| | ├──5-特征值分解 .mp4 38.68M
* t) W \3 e$ e8 \| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M& @, e+ Q# s4 v8 g- @
| | ├──7-奇异值分解定义 .mp4 22.58M3 x( J: f# h' m6 [, M& j! Z# l
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M0 L8 d) e* m. E& z% }' ]
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M" Z! _. A) @6 g% a6 E$ r$ J
| ├──6--概率论
" L$ Y; p# d8 A0 l: W/ B, I| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M* W% m; {4 U+ B; k1 s& h; z7 k
| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M
( X: z2 b6 g, g: r, v/ L| | ├──3-随机变量 .mp4 22.57M* W! j$ G8 i, ~4 T: Y' d {" ~. p
| | ├──4-数学期望和方差 .mp4 22.96M1 S% j1 s' P1 l/ u
| | ├──5-常用随机变量服从的分布 .mp4 22.48M2 j! p6 a* w1 M7 ]
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M
) \+ v/ T5 A2 Y, @/ s. ^# l| | └──7-最大似然估计思想 .mp4 23.42M
- O. \/ D/ J6 r. w8 {, x8 j| └──7--最优化
9 W9 Z3 z' j" ?1 S" L( k2 G| | ├──1-最优化的基本概念 .mp4 35.14M$ v# J; R/ ]) I, ?* y1 s4 x0 _7 w
| | ├──10-拉格朗日函数 .mp4 27.46M
; ^- i. {" }' k( q| | ├──2-迭代求解的原因 .mp4 20.15M
* M$ Z3 V/ s5 t/ N| | ├──3-梯度下降法思路 .mp4 26.33M3 b7 @0 f( S5 t }
| | ├──4-梯度下降法的推导 .mp4 43.56M
1 S9 Q' c5 E9 q3 G9 G1 S$ || | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M4 z; R( v5 g, }( i1 ]/ m
| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M7 x# k5 Z1 M# ^# Y! N! s
| | ├──7-凸集 .mp4 21.90M; c, V- u3 O5 L5 X+ y7 q
| | ├──8-凸函数 .mp4 16.93M4 X, N3 W1 f9 T4 G
| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M+ R3 M: A: n6 d2 U9 t! f# l" r
├──5--机器学习-线性回归
7 b `! _. z/ E$ o5 \| ├──1--多元线性回归 6 w, b; e( [ |* c5 H
| | ├──1-理解简单线性回归 .mp4 51.11M
) ]' a) m: N9 n% O) Y| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M3 u' ^+ D- J$ L4 X
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M
7 |, t0 Y4 b- Y9 \4 c: M| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M1 z. o5 K( a' f7 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
0 ^( s; k/ V# z8 \ m| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
: T6 \# d8 ~+ y. U+ O' u! n. e| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M
. k/ ^ v/ s9 w; T| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M, H$ Y! i/ v' |" L9 k& F, P' Z$ |
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M
1 L. \+ Z$ D! C v9 O| | ├──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
, Z# K5 Y3 D+ Z* h3 X| | ├──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 S9 m* w2 r; R3 y( u7 e
| | ├──2-最优解_损失函数_MSE .mp4 39.58M& K3 t( \) `' J6 B% B" h% H' `
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M& `- R/ n u9 X$ ]2 e$ i
| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M
; K! M" x* g+ O* y7 u: Z! p| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M T* L3 }7 h, H3 x
| | ├──3-扩展到多元线性回归 .mp4 32.15M
7 v1 n' @0 ~# [| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M7 e# E: N; D9 ?
| | ├──5-理解维度这个概念 .mp4 41.41M- I; }+ l. ]7 a" @( b% 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
& t! u+ T% }) i2 }$ ~| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M7 O( H* h6 U5 ]& h. o5 [+ C" S
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M
3 H& _; ?- E- h6 j* p| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
7 B! @ `: i5 V" @3 M- k) _| ├──2--梯度下降法
X' O" u% Y* k6 o) R| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M
3 G, h" p) r( c' S7 {+ ?- \* J7 M| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M1 e$ T+ h$ H, _2 h& M
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
; W" {& n8 k" w9 }( o( A t% y| | ├──12-代码实现随机梯度下降 .mp4 26.67M
5 u7 G) m8 d, `" G4 G% B0 ?* P: S| | ├──13-代码实现小批量梯度下降 .mp4 27.32M
" B# N3 z+ Q! ] ] {6 j' [| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M7 V3 x6 F8 S5 s+ I
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M! r5 x6 p# {& E. [- p
| | ├──2-梯度下降法公式 .mp4 57.12M
7 x+ _) ]6 w( Y| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M
7 d" A6 N2 T5 m6 c| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M
; o! m5 l: J% E! H| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
$ Z e. `, q5 R: Y| | ├──6-全量梯度下降 .mp4 62.84M
" e1 Q) Z: W2 c3 f$ \| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
/ C8 \ D1 d) Q2 b8 h+ I3 O7 s7 M| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
- g4 P: s/ V7 B0 m4 }| | └──9-轮次和批次 .mp4 45.22M
1 U( t) E) T: M/ j| ├──3--归一化
6 r k a& J( A% m6 x| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M' g' a0 k' {5 H4 J6 c: q3 u$ @( E
| | ├──2-归一化的目的_举例子来理解做归一化和不做归一化的区别 .mp4 34.11M5 W2 Q4 o1 o% L; \7 v$ m! j$ r3 x
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
9 }$ S: u) W9 G, Q. |0 A% g| | ├──4-最大值最小值归一化 .mp4 24.87M- C4 H! z% F+ K8 `7 a4 H. P5 b
| | ├──5-标准归一化 .mp4 51.86M
5 }. c8 o5 l& \| | └──6-代码完成标准归一化 .mp4 41.13M r) P% y! |5 f8 @2 d
| ├──4--正则化 * f. c* p- [. S; r* I
| | ├──1-正则化的目的防止过拟合 .mp4 30.71M
6 c7 a/ o5 T/ x4 i| | ├──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! l/ I8 ^# H# [) M
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M2 `. K( m; ^8 q+ ?" y1 u
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
6 P, {* S! _( F$ @| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M' K. j6 m/ H/ w/ \$ r
| └──5--Lasso回归_Ridge回归_多项式回归
% T. K1 D$ v. l6 ^| | ├──1-代码调用Ridge岭回归 .mp4 76.32M; m, L% Z2 x% m" S: a8 V* Y' g
| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M S7 R. P4 U' y6 x0 c7 F
| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M* A' U, D ~$ F0 @7 d9 H
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M
: X& |- X( [, |: q2 s| | ├──2-代码调用Lasso回归 .mp4 28.73M
0 O" P5 x8 r3 M| | ├──3-代码调用ElasticNet回归 .mp4 53.67M
8 T0 K2 m( [6 s9 D5 y9 i6 I| | ├──4-升维的意义_多项式回归 .mp4 48.06M
% D* e1 B; g' N) q4 E! b' P| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M: y# `& h+ U. T$ R1 N3 x" O/ `" y
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M( K3 i7 [0 y% B# u
| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M
$ V/ R3 R& j' n5 s, \0 |5 b O| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M7 J9 s b% N* h( z! J* h4 N
| | └──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
9 U! @; ~+ [+ k8 e1 N) c4 f├──6--机器学习-线性分类
1 j1 M. E7 G7 ?7 v M2 w| ├──1--逻辑回归 1 I* X3 J( J2 O4 i! A/ M1 @( B
| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M
( `+ s8 _: q$ k% M( A/ c| | ├──10-绘制逻辑回归损失函数_探索两个参数和损失函数变换关系 .mp4 39.83M
! z' c: l" \3 j( o) t& X; 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
9 W3 k2 i0 H- z9 k: M| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M1 f5 u" e+ e9 E
| | ├──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' u3 N& ]! c ^# `: c, h8 C
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
- p1 H4 i ^2 z2 e| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M/ Z' S% K- w8 G
| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M$ P+ v( B/ u8 p2 Q8 J0 }+ ?
| | ├──2-sigmoid函数作用 .mp4 38.15M) M3 u, v- u w& ^7 f$ Y/ s
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
9 i+ {9 v: K, ]: L; g3 q9 F, L| | ├──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( Y; `- u3 h1 h! ~5 h: u
| | ├──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& W6 d6 k( c* [- I) S- s: H
| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M
$ W4 o% x% p; n! w8 @8 W0 x| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M
, s, j2 l. s* Z8 }| | ├──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! Z- n' { P" @$ \2 k
| | └──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
- w8 d8 K+ H7 p6 H- j% L, w| ├──2--Softmax回归
2 |4 V$ I4 a) h4 p| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M
/ `" E$ I/ \8 { J) B% B| | ├──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 42.74M0 ^1 ?; V! F7 C+ r0 W
| | ├──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
* T s) l& _2 `" n" R# a2 x4 b| | ├──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
* T3 Z h5 \' g# {+ Q# [! N| | ├──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
2 i/ R6 a! G+ B| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M: J& U7 x- n3 b# k' c | B
| | ├──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
5 M. y* E+ h1 W0 K0 \, b& P| | ├──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! b6 Y. G( u4 N3 n2 J1 d
| | ├──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- y& c; P( I D# N& B4 t
| | ├──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
2 }) a& C) P4 W% U+ p. l% |2 r* h| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
- w* S- J) D: V: x8 e% 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 52.39M$ t7 P, W$ j1 V; p x0 ]$ \
| | └──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
% u! T/ \5 ~- ?| ├──3--SVM支持向量机算法 ; k, o. r) ~+ \ t+ o2 Q( b
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M- v) R2 Q0 M+ b* q& b- l$ ^# ~
| | ├──2-SVM的思想 .mp4 55.56M5 K5 G0 ?( `2 D5 n) K# d
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M% ]. R" Y% J5 B7 b
| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
% b3 v% A( Z6 a| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M7 p8 x4 |$ ^/ p) x9 l% j
| | ├──6-总结硬间隔SVM .mp4 39.01M
1 b2 t. b+ Z4 R0 L6 I3 G8 x| | ├──7-软间隔SVM和总结流程 .mp4 135.76M
: C6 s [- [" N| | ├──8-非线性SVM .mp4 54.43M! y; G1 h5 s5 K2 `$ X+ [- E& W
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M
7 l+ m. [" P( @& d| └──4--SMO优化算法
; \& X, u4 h. B7 w' Q| | ├──1-SVM算法流程总结 .mp4 58.36M9 j# m7 ~4 w& l0 {3 T
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M# \3 A! \6 y6 r8 ]( g' y% u4 R
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
4 I' f5 l, P( |7 C1 ~0 c| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M! n: i3 O' z: D( b# g
| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M# D% ^ |5 v) x( i( [6 d
| | ├──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
. A! h3 Y+ t$ G) a" x! w0 W4 {| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M
& L+ ?1 B8 ~, T* n2 w+ _6 `) B| | ├──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 65.42M1 Y2 F0 y( s3 j0 |# }" }; S' h
| | ├──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
3 f. ]2 G( e" D! Z' 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# E: q' z, `# m% V
| | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁 .mp4 92.38M1 N, E. e V6 W, I
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M5 J4 Y. ]- C5 e5 f) G z$ @
| | ├──7-启发式选择两个α .mp4 23.11M
, O J" x" u: t n) K| | ├──8-如何计算阈值b .mp4 50.18M
; A) n; X9 j: ^. y| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M
0 r4 R4 j/ O& B* \7 w. \/ p├──7--机器学习-无监督学习 0 f' D1 d- e4 [3 a0 d7 h6 F
| ├──1--聚类系列算法
7 a1 A4 p' p$ B| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M( E u5 i5 H: o2 f! ]( J
| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M
3 F; g( B$ Y% l7 k| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M) X$ s0 V0 Y! u T8 ^
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M
* R$ j! R- j* I2 O| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
. {" O: C* t! v/ `( E3 S) [| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M
8 n! u" u) i2 h- ^6 n. W6 s| ├──2--EM算法和GMM高斯混合模型 : G" o1 \; [) {
| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M* u& s: r/ O; \7 a* x; K
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M1 E4 f6 r( G1 D
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
; S. Z& R7 X2 A1 a* e0 X3 x| | ├──4-Jensen不等式的应用 .mp4 109.17M; P8 p' T8 v' g( L1 I" E
| | ├──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
4 D1 x3 T O/ ]& Q/ C z: ?2 z| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M+ Q* E9 |3 V; A
| | ├──7-GMM前景背景分离 .mp4 16.01M1 O' z0 _2 x$ b; n3 t
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M3 w( O6 ?. K) A" b
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M* v# x/ S+ n: \
| └──3--PCA降维算法 ' _4 y8 b$ k. q7 x* }. y
| | ├──1-特征选择与特征映射 .mp4 49.38M- ~9 w# h' f, G, q, O
| | ├──2-PCA的最大投影方差思路 .mp4 186.75M+ m `6 y6 X. L9 Y$ V, J
| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M p- u! t6 [' n8 l/ n" K9 z9 {
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M- X/ T: Z/ w' v7 B
| | └──5-PCA的几种应用 .mp4 54.58M
0 A0 W+ Q8 K6 V/ _9 q├──8--机器学习-决策树系列
# P* z- x% O- {* B; |# h" O| ├──1--决策树
2 m4 `/ s* _/ T8 E7 O| | ├──1-决策树模型的特点 .mp4 74.88M; w4 p$ o! Z: j0 |) ?5 ^) u
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M) t8 H% B3 h# V7 O( ]
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M7 D$ M$ V5 l% _0 G+ T8 G7 ]
| | ├──12-后剪枝的意义 .mp4 50.49M& U/ I8 v; C* M! A5 s
| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M) \4 n1 P H$ J3 m
| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M1 _/ C4 L$ _* `1 ?- B2 i( E/ v
| | ├──2-决策树的数学表达 .mp4 89.94M E% E0 w: p Y# h4 H3 u
| | ├──3-如何构建一颗决策树 .mp4 84.87M
" C/ S; w# X' N| | ├──4-什么是更好的一次划分 .mp4 57.02M
9 m8 }- J4 \% g% P1 u| | ├──5-Gini系数 .mp4 107.54M" r) Z D( \ o$ Q" u/ \& G5 M3 U
| | ├──6-信息增益 .mp4 75.26M
: @0 ^' H1 a& @; ?/ {( y4 {| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M
r4 |4 v* ~: q N3 m# H! w| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
3 [& A/ V0 P9 P- Y' k| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M
' Q, i. c2 _$ n5 k% R9 p5 e| ├──2--集成学习和随机森林 5 b1 B' D5 C' x
| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
) z$ X+ z% Y- _| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M3 J7 @9 q; h' C8 k* {( N. V* \
| | ├──3-随机森林 .mp4 108.14M/ G; ~' q+ Z6 m: e
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M; e/ e; V4 m" ?" R! X3 l
| | ├──5-OOB袋外数据 .mp4 106.07M P. Y( E( P, W" ?9 a# j' [0 w
| | ├──6-Adaboost算法思路 .mp4 106.30M
3 v+ {; Z9 {% \) K! C# Q6 v$ p| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M4 ]" E, _# I/ [ w9 r- I: a- z
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M: w1 o f9 U% u6 P m% V! E
| ├──3--GBDT 1 D5 s M9 o: R) [ |
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M9 Z$ d# i2 h/ D2 X* r. @/ O% C
| | ├──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
1 h3 o/ U5 q2 [3 Y; N5 d5 G| | ├──11-GBDT多分类流程 .mp4 73.80M
- V( d2 E3 s9 I: t| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M0 N. n6 p" n. f% ^* o" K6 K( c, c
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M4 _1 Q% F4 g: K7 A& m9 m8 C6 u5 P
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M
& s8 a- i/ H. ^( y5 ^ E) t! b# N| | ├──15-GBDT二分类举例详解 .mp4 86.67M1 K; j0 t. P6 b' |2 \ I0 Z7 ?; i
| | ├──16-GBDT多分类举例详解 .mp4 91.71M
: a3 `# g T' Y5 h4 H- K2 h4 M5 D| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M
9 w2 L& [% K8 [: h| | ├──18-GBDT用于特征组合降维 .mp4 43.72M* o: v: A6 i! r/ j+ G
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M& M4 Y/ G- L" o$ P
| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
! D$ R+ d8 X% j# h8 W| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M
( ~+ ^/ J- V, n& B4 {* c0 q$ O" T* || | ├──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& Z5 `, i, r- S* S8 _" R
| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
- }' s3 a3 ^" @. f K| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
4 _/ s2 q Y! g3 s2 z| | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树 .mp4 77.36M3 H1 R6 \3 S1 M" d: i
| | ├──4-GBDT应用于回归问题 .mp4 84.66M
4 V1 }, Q7 f2 R$ n0 `" [| | ├──5-GBDT回归举例_总结 .mp4 108.52M* |; k8 r' K1 @$ P9 m c# _
| | ├──6-GBDT应用于二分类问题 .mp4 70.42M) Q8 ~. o) [9 c. V0 A
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M/ }. r5 E$ R. w' x9 ^2 G( H
| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M; O. c, t+ e, `# @7 G
| | └──9-GBDT应用于多分类任务 .mp4 73.34M w! s2 U( j) p) r8 E
| └──4--XGBoost $ B. |) f, }6 i- B' i* V# j$ A) Y$ L: h8 r
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
* P& ^3 D- s j8 w* S| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M
% c1 |! c" I" x0 \) }2 A, w, ]| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M
' ~# E$ \# [( I5 e| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M Y- u9 z5 o* k9 D6 j
| | ├──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, {+ I+ z/ c( O6 s* s
| | ├──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$ o% t% s3 Y: W. q6 p" `
| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M
: U$ W" c! T, ]| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M" l, n7 `! I. r/ o e% J' u
| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M$ F9 j0 Z G* V+ }1 e$ ]7 u# B, F! \
| | ├──2-Bias_Variance_Trade-off .mp4 66.00M
% K4 a* N. Q$ i/ J' |0 T9 `6 f" d. `| | ├──3-基于树集成学习4个优点 .mp4 91.36M) [( d* C0 d" N- v' H0 k- W. F8 r* `8 u
| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M) V' w. @$ Z* l4 ?
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M- Z# N- l7 ^- L2 t/ w; _3 U
| | ├──6-Objective_vs_Heuristic .mp4 60.42M
. ]! h8 \# y3 \9 y( v8 a/ M H| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
9 m7 G# j4 C4 r! F' n/ I6 b| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
+ X5 ^! @6 r# S& T/ k3 j| | └──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; e5 V5 W( ^) E. E+ g( I" x
├──9--机器学习-概率图模型
+ V3 q$ X: S+ f6 K% }| ├──1--贝叶斯分类 4 o% u6 r8 ]0 X% f) E* M0 h" t
| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M
- Q7 ^8 S+ ]$ |' I4 l. i| | ├──2-TF-IDF .mp4 53.08M0 {/ u$ O/ S) G( S1 Y4 F
| | ├──3-NB代码实现解析 .mp4 126.73M3 K% O! [3 ]( C p+ Y1 J3 h
| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
& z ^& K. a" r0 X| | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M
3 b' n+ z9 \4 ~& [( K# `6 a* y5 _| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M) o$ f6 v" ]0 p) z. F7 {$ s
| ├──2--HMM算法
4 ?. Y# o/ J% s8 B4 o2 g& B| | ├──1-HMM隐马的定义 .mp4 36.82M
$ _ \; ~$ r+ q" [2 z/ ]| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M
! L! E$ o9 _9 H9 x" } o$ Q| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M
7 M; l! X. ~* N6 L& f1 J5 R| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
( W/ }, G. v7 T* j! N( || | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M
$ U. M: r) q* M6 r| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
' N. F1 u. K: v" t| | ├──7-Viterbi算法案例详解 .mp4 107.12M# x8 g! p/ ?% S+ ?, V3 [6 M6 S
| | └──8-Viterbi算法代码实现 .mp4 42.43M& @: S8 U, s6 v& x
| └──3--CRF算法 8 z' m0 f7 ~, b" P/ V5 [$ k
| | ├──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
: x; g: j. ~* e7 Q" v| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M0 v1 x4 ^- s9 Y5 J4 e
| | ├──3-了解CRF层添加的好处 .mp4 105.90M
6 L3 i, }; u" \/ [3 s" h& N" z| | ├──4-EmissionScore_TransitionScore .mp4 61.33M9 j' ~# s) n7 i$ i* f1 k8 ~- L
| | ├──5-CRF的目标函数 .mp4 23.74M
E* E$ r9 Q! z% A| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
& K( S7 b0 r3 a; P& X: P' T| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
; I' Y% X& U; u: _1 X; x) K) {0 M| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M
# e8 z# P* w3 [- ?, H└──课件.zip 2.54kb
, F! }* K4 ~# W2 U8 H' n6 [+ Y, x3 e7 ?. a
) {5 {/ V$ W2 K ]( O
% M+ c' p& ~9 }5 M6 \& Q, D
8 i1 H: U4 ~ x资源下载地址和密码（百度云盘）： [/hide] 百度网盘信息回帖可见# T/ A2 x4 o' R& y
1 P9 d, ]8 v% f$ x
) `7 Q) F( H9 ?# y/ }
9 ? {1 A: R6 a" M9 S$ _本资源由Java自学网收集整理【www.javazx.com】 |
|
[复制链接]
发表于 2022-11-13 09:51:01
