|
|
4 s' h4 [! i m' X; E! [: a- h6 U, _ F4 b! v- Q
: Q# V5 Y- j/ `( X- S' g. C
+ j+ `6 {' X* M5 \1 C百战-人工智能2022/2 t4 P! I% C5 D
├──1--人工智能基础-快速入门 U% ~( w* [4 A: G4 q) C2 }. o
| ├──1--人工智能就业、薪资、各行业应用
& w8 [8 D8 E+ M+ F. b! a `| | ├──1-人工智能就业前景与薪资 .mp4 52.07M
6 k: L5 _; y, t| | ├──2-人工智能适合人群与必备技能 .mp4 44.57M
5 G5 r+ J r1 o7 b| | ├──3-人工智能时代是发展的必然 .mp4 23.22M
) Q2 ^6 W% P; Y, {& e| | └──4-人工智能在各领域的应用 .mp4 57.73M# _. {9 S! Q& n9 O( \
| └──2--机器学习和深度学习、有监督和无监督
. y% w3 a$ I/ a% l0 B. d# L| | ├──1-人工智能常见流程 .mp4 89.62M# r/ E4 J: d/ |9 u7 y. C4 V/ Q
| | ├──2-机器学习不同的学习方式 .mp4 83.51M9 s8 [$ k. Q0 A+ t$ u7 `0 n5 K! B- C9 M
| | ├──3-深度学习比传统机器学习有优势 .mp4 84.81M$ y, L; ^6 R: h2 ?/ B
| | ├──4-有监督机器学习任务与本质 .mp4 37.50M
& G I( K, z; Z+ p% Q6 R& ?| | └──5-无监督机器学习任务与本质 .mp4 50.15M2 o( V, L$ L$ t( f5 C& b$ _
├──10--机器学习与大数据-Kaggle竞赛实战 / l8 N6 C# Q5 ]* S
| ├──1--药店销量预测案例 6 l. d, f7 i- W- V& M7 f
| | ├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M
. }6 r# F$ p' _: v7 S| | ├──2-对数据字段的介绍_导包 .mp4 19.90M
* L! ?" q0 I( F2 w| | ├──3-自定义损失函数 .mp4 21.12M7 w1 n. V7 M3 o2 R- d# S
| | ├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M7 N, U5 m( j8 i T/ o! {9 {) t
| | ├──5-数据的预处理 .mp4 111.81M
N( j( f" C3 A7 p" n# Q! m| | ├──6-模型的训练_评估 .mp4 66.64M, t+ y& | W; M4 J/ V" b
| | └──7-kaggle竞赛网站学习 .mp4 172.16M& I. x) Z% \1 s
| └──2--网页分类案例 8 Q) U M, h# N& O2 ]
| | ├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M3 k& j7 E8 E, A5 p+ A: S( j
| | ├──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 e" @& p* f, I" J _- G T C
| | ├──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
! U) n1 I& Y" Y5 c* Y. p4 a" i| | ├──12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp4 74.74M% p' |0 g p# g* f1 b' o& S) j$ i
| | ├──2-评估指标ROC和AUC .mp4 56.19M: x. m- C; P, t' A q# }7 a4 h3 X
| | ├──3-评估指标ROC和AUC .mp4 49.03M
% ?! ?5 o8 S* t| | ├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M b$ D X+ P' E7 m& a
| | ├──5-数据导入 .mp4 68.41M- \* ?+ C, |& @' h$ x6 z. Y
| | ├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M
0 [! a$ f( c( i| | ├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M7 ?- y. C Z' n: |! L: J
| | ├──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
3 B7 _( N0 {& g# P| | └──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 m9 }4 C* ?) {9 P: U& b9 _/ ]* x├──11--机器学习与大数据-海量数据挖掘工具 , j6 W4 C( N0 X \! {8 P
| ├──1--Spark计算框架基础
3 C) l3 d. L, H4 ^| | ├──1-Spark特性_01 .mp4 41.68M
7 N/ g( |2 V3 c| | ├──10-分布式计算所需进程 .mp4 26.30M
7 J( Z1 j7 Q3 J6 H- t4 [% s; G| | ├──11-两种算子操作本质区别 .mp4 56.31M
0 }5 Q( y! ~) G0 I7 V| | ├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M
9 F6 V6 i/ u9 k; c0 x| | ├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M
o3 @& o/ }0 B9 H# Y# Y# }0 c| | ├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M3 w; G* x2 m# j0 r4 v
| | ├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M
- s( |7 N6 c" |, ]) S0 M| | ├──2-Spark特性_02 .mp4 35.15M7 E0 M7 G9 v* g2 G" t, p: }+ i
| | ├──3-Spark对比hadoop优势 .mp4 19.34M* [) B- i2 D- V9 S8 V* q
| | ├──4-回顾hadoop讲解shuffle .mp4 35.80M
6 s3 l Q. d1 p8 k+ F| | ├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M [1 X- |% \. s1 J/ ^
| | ├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M0 I; H% H- K; x- t/ ^. g
| | ├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M! V2 _( }$ f1 w2 v8 U
| | ├──8-Spark的RDD特性_01 .mp4 33.08M% f2 Z3 L$ [! f# B* U
| | └──9-Spark的RDD特性_02 .mp4 33.41M O) S7 _+ b% ^4 d/ P: s
| ├──2--Spark计算框架深入
, Y; [7 s# S; r# s3 S8 m+ \& T* i' e| | ├──1-Spark数据缓存机制 .mp4 54.43M
. Q8 q9 n! P0 b% R+ J! q" q+ o| | ├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M- c4 f4 {7 X7 B4 w
| | ├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M0 l0 x+ _5 d$ Y0 }- ?
| | ├──12-构建LabeledPoint .mp4 111.08M! D! x; `' p$ f- G1 a
| | ├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M
; ~1 z0 A* T% {/ u( }! h| | ├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M6 k4 I/ W! e# w3 \5 g& _4 C: z
| | ├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M3 S2 U- x) [, K6 u* [ v( L
| | ├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M
+ U4 O5 \+ U3 f# u8 t4 F| | ├──5-Spark术语总结 .mp4 89.66M( g/ X! w" N. P7 k( J- i
| | ├──6-分布式文件系统Block块的大小配置 .mp4 114.54M, P; Z. _2 Q2 {3 {8 W* k `
| | ├──7-Spark程序启动运行流程详解_01 .mp4 49.37M/ O2 X9 i) R+ Z2 o, r
| | ├──8-Spark程序启动运行流程详解_02 .mp4 71.40M
g6 A1 U( E0 g7 l% V, a5 X# z# || | └──9-Spark程序启动运行流程详解_03 .mp4 47.28M
J$ _) k8 o4 {, p| └──3--Spark机器学习MLlib和ML模块
4 M& U4 J$ M% E# z& f( [& q| | ├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M
2 t1 i" s% O/ d: b: m| | ├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M
9 i: f S' Y; ~5 j( \3 v; z| | ├──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
# z/ Q! g( c; i| | ├──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; i2 J( R/ \% 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
/ e5 o* q! R) ~2 `0 i% v) D# u| | ├──14-从数据转化到训练集的构建 .mp4 146.40M
" }2 {' \% { x0 U& |0 W| | ├──15-模型的训练以及评估和调超参_1 .mp4 84.62M1 X# x: j/ c! O2 H2 C f' E" B- S
| | ├──16-模型的训练以及评估和调超参_2 .mp4 88.90M. V( F) R2 E; C. z
| | ├──17-模型的训练以及评估和调超参_3 .mp4 161.69M
* x6 n' x; N: d) u% v| | ├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M3 T4 E2 E- |8 u- H3 b0 Q
| | ├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M% q9 |# u/ x* ]' l
| | ├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M! z! S& `6 Y/ r1 e) f9 f
| | ├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M: _1 G# B$ I8 @7 W- ?% u
| | ├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M9 B( _ D" J/ L1 j
| | ├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M$ n0 g0 p1 D& f# ]3 Y; i
| | ├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M
9 N& D- C( t1 \- y: a| | ├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M6 T0 M( w$ F' {# E6 {! Y D. U* Y3 a, _
| | ├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M9 d; _" ^4 {1 w* ?
| | ├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M
; V& w* Y# Q# F/ `* `4 i' c| | ├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M
0 A O( S6 d. w1 K: H2 }| | ├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M
; D0 f1 h- \: y, C| | ├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M$ `5 H+ H9 d$ W, U R6 g- ~
| | ├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M
( \/ V; J- Z7 t3 t- s| | ├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M4 B) L( x/ g7 d
| | ├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M4 G+ |5 J- P3 C3 [0 u6 l
| | └──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M
. F* \4 ~3 u* A' O+ ?- |/ R├──12--机器学习与大数据-推荐系统项目实战
8 p( D6 ~2 h* X# j! n( u+ E4 h| ├──1--推荐系统--流程与架构
/ x, Z" S( x! w( B4 w; u- F1 P| | ├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M5 m2 Z* N0 s) A- Z2 }$ \+ d3 P1 ?
| | ├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4 112.85M4 O# J' G; t0 y5 O: t* b: }
| | ├──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 ?% Q; K8 o4 m2 f& G| | ├──12-推荐系统_数据源_1 .mp4 79.07M
) s, [/ B5 b q8 s| | ├──13-推荐系统_数据源_2 .mp4 82.90M0 m: u; t8 _: F+ F3 G6 r
| | ├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M
8 B* o2 b; N' P& O0 B, G| | ├──3-推荐系统_协同过滤_1 .mp4 60.31M% m7 `0 D3 O9 e6 N7 w5 q) z
| | ├──4-推荐系统_协同过滤_2 .mp4 61.36M
2 s: g) j) _7 a7 q& || | ├──5-推荐系统_协同过滤_3 .mp4 60.51M
& v3 r, a1 z) `! r" s- I| | ├──6-推荐系统_协同过滤_4 .mp4 56.16M
$ v- ~/ n1 F/ G| | ├──7-推荐系统架构_实时_离线_1 .mp4 100.65M
4 P, {( g8 ~/ N5 n| | ├──8-推荐系统架构_实时_离线_2 .mp4 104.74M' v% ~" G; R7 z( C' V
| | └──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" U* {3 |' F% K% n, B4 B
| ├──2--推荐系统--数据预处理和模型构建评估实战
" T" N! e( M1 k0 Q/ H! y% L| | ├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M2 v2 |" ?0 e3 r
| | ├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M
2 b% y* n8 }# c0 N| | ├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M" G6 z6 U5 T+ [5 n% o- q3 D) ?
| | ├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M
: o1 w$ q% L: ]" I| | ├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M$ \' N, ^0 {+ O- E5 e1 Q
| | ├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M9 i* D! K8 p, P+ u3 T9 M
| | ├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M
( s( l7 @! c. x3 t. [ Z& h9 O| | ├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M, `5 A9 U4 ~5 Z) i4 Z& ?$ x% S4 A% M
| | ├──6-spark构建特征索引_标签列_2 .mp4 91.86M, v3 o( w: y* Y! c; x- ?6 v
| | ├──7-spark构建特征索引_标签列_3 .mp4 97.86M& a1 R$ k8 _, ~6 Q3 X) X& u. }' n7 f
| | ├──8-spark构建特征索引_标签列_4 .mp4 98.61M3 X& ]1 @2 r. t7 \: J/ ~ e
| | └──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M1 K# }" F' t4 S# a
| └──3--推荐系统--模型使用和推荐服务 2 L$ A# j0 }5 G! `: r+ ^
| | ├──1-推荐模型文件使用思路 .mp4 61.89M+ `* {7 U* T* F+ c+ `
| | ├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M# v/ [% ?9 N+ x$ F8 Z' m
| | ├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M
) V, T3 X- w, f5 {! W1 v* J* d5 q| | ├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M
* g0 Y8 T3 E9 [3 D| | ├──2-Redis数据库安装及其使用 .mp4 47.93M% H$ o/ f% X! J; [$ ^3 }
| | ├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M: C7 C$ A0 T( s) H- Q2 p
| | ├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M# _6 v* ]- K2 c
| | ├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M
& Z5 H' t# `1 ?' s% w$ [4 [2 Z# B| | ├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M4 ^# m1 `. b# g6 e/ S# u. W+ `
| | ├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M+ y/ B' @) f( r8 i
| | ├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M
/ E1 Q' B" F) |. N0 @; c" b% `| | └──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M: i) o8 r0 L" L: n( K
├──13--深度学习-原理和进阶 ( n t3 I" A8 n/ }& S/ x# g. `# x
| ├──1--神经网络算法
' K- j$ t2 S3 k9 U. c| | ├──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( g! W# L0 N* w9 q7 r
| | ├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M* b, b2 C7 C: S
| | ├──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. ~% v- v" z8 z/ S" A" }: v) |9 O
| | ├──4-用神经网络理解Softmax回归 .mp4 67.20M- E( }3 T \+ l7 @- z. \
| | ├──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% G- t$ T$ l$ {5 q5 p* m5 ^
| | ├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M5 Y2 V, S6 l* M. \7 d
| | ├──7-sklearn中NN模型的代码使用 .mp4 123.62M
; j8 N! l0 o, p# ^' y# q| | ├──8-隐藏层激活函数必须是非线性的 .mp4 21.95M
( M1 h; \, T- ]. J| | └──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M* b; g* T7 A7 m$ m9 s
| ├──2--TensorFlow深度学习工具
! \5 z% J7 k- t! c| | ├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M
) J( a. f5 @. K, G| | ├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M/ `& w4 E+ }$ M4 D% f% H
| | ├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M
; r9 { r: E* a$ b: ?| | ├──4-TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式 .mp4 173.47M- `, r& W8 x' 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
0 e6 \0 F) k( H" g( N* G; f| | ├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M
/ i5 x3 x& Z- L% ]& D8 O& a% m! K. E| | └──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M- {. |0 ~4 k5 s3 N& Y2 x2 S! }2 A
| └──3--反向传播推导_Python代码实现神经网络 ! p, `$ T% g/ U `' {; `! w
| | ├──1-反向传播_链式求导法则 .mp4 86.47M) F$ \' C9 _% y
| | ├──2-反向传播推导(一) .mp4 127.90M' J. o& c+ R) k0 {# B5 G; A" ~
| | ├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M
/ u; V* {2 i1 M, e| | ├──4-反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例 .mp4 81.20M
8 K5 n) v I! I! h: |# c| | ├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp4 34.57M3 u7 S& \ L; |- O1 E
| | ├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M, V; M# X; @& w- D: `' x2 Y
| | └──7-python实现神经网络正向反向传播训练 .mp4 112.23M
9 I: t$ |" L! e1 S8 z4 \├──14--深度学习-图像识别原理
8 L" s' m! H- R6 @7 [8 Y| ├──1--卷积神经网络原理 . Z, S' a6 O# q
| | ├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M
+ Z$ J8 l3 Q8 Q* W7 y, E- M| | ├──2-单通道卷积的计算 .mp4 104.01M
+ }# D0 G8 {0 N$ m e| | ├──3-彩色图片卷积的计算 .mp4 52.79M& F6 S$ g( X8 T) f+ }
| | ├──4-卷积层权值共享 .mp4 63.93M
7 b, s2 V' r, q1 S2 b& K| | ├──5-卷积的补充与Padding填充模式 .mp4 97.00M
7 w) @1 n) d* F. ~( C| | ├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M- S+ ~( L; Y: Z; ?
| | ├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M
1 A$ M0 l/ @# S/ g ?| | └──8-经典的CNN架构和LeNet5 .mp4 137.21M
/ S" n& w( M$ ]# B| ├──2--卷积神经网络优化 ' h* [) Y' B2 U/ h \0 r) x8 h
| | ├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M
4 A' J7 S; A4 n2 v) W| | ├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M
3 o/ N# a' W* ^5 @/ V| | ├──11-Optimizer_Adam .mp4 141.12M
9 d& X/ c+ i# T2 S. V& O6 Z ]| | ├──2-Dropout技术点思想和运用 .mp4 113.94M7 k+ p$ A- X2 ]* `/ l _8 G
| | ├──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) m9 ]2 H( Q+ O( _( a2 m }% j
| | ├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M
/ S& z7 `; I# E7 j2 D U/ o| | ├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M$ H" |2 t. n* c& @0 ]9 X2 n
| | ├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M
6 m0 a) s6 a& V4 \! [8 G ]| | ├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M2 |: Q+ I$ v% K) u% }
| | ├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M
+ d1 i& z0 l* H! {| | └──9-Optimizer_SGD_Momentum .mp4 89.70M5 o$ [3 E; s" x6 F
| ├──3--经典卷积网络算法
) h) T$ U! D& U, @- [| | ├──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
`9 d3 @; E% O1 \; k| | ├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M2 w' [9 C4 Q/ {# C3 a
| | ├──3-InceptionV1_V2 .mp4 165.86M: n2 ?' A6 b2 n; M
| | ├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M
, k4 a" H6 Q% B& o4 N8 _| | ├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M
) m. x4 q4 A& ^# W- @+ s7 G| | ├──6-DenseNet和Keras里面的实现 .mp4 150.61M) S. q# N+ \( Q' c! X% A3 P* W
| | ├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M+ i5 [+ S* _% m4 U9 u3 ~
| | ├──8-BatchNormalization .mp4 99.23M* e9 [6 N; H e, z! g
| | └──9-Mobilenet网络架构 .mp4 150.05M* K6 W; _: S$ j; ^) C/ F
| ├──4--古典目标检测
( `& j4 |9 g# E5 v8 D! Y+ z6 n. P: k" Y| | ├──1-图像识别任务_古典目标检测 .mp4 196.48M
( Z$ t ]$ k, K6 c D+ g: Y| | ├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M
3 V1 D* t1 _& U. T0 L- E| | ├──3-IOU以及python计算的代码 .mp4 23.56M, v' m3 S0 z( J0 i$ [
| | ├──4-R-CNN和SPP-net .mp4 124.06M
1 Y# {0 l8 k3 x( C| | └──5-从FastRCNN引入FasterRCNN .mp4 120.81M
! |6 K( W, M* `6 }8 T- q, L9 H0 D| └──5--现代目标检测之FasterRCNN ) v. x# R) P% p9 C; P* h7 O/ J' j' ]$ j0 N
| | ├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M
2 y: H J! Q" G6 L5 F| | ├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M6 F& B0 f/ ^% z& t- J
| | ├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M
/ b6 o0 [- K$ D: P2 ^| | ├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M
) K! T+ _1 B1 h1 v2 R4 `| | └──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M
" Q$ A( z/ W, p% |9 R8 b5 ^├──15--深度学习-图像识别项目实战
2 H! l, i# J/ Y. J8 D| ├──1--车牌识别 2 U, q- o/ Y, W) N5 ]& ]
| | ├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M! Z9 a$ f8 u; `0 g7 {
| | ├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M
' x) M* P! k* b9 v3 l| | ├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M( S5 l" R0 p2 H5 X' A& a, E. {
| | ├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M
/ m) y0 V3 y1 c# w# {| | └──5-车牌识别项目关于目标检测的问题 .mp4 39.48M
0 l4 N, m' z1 A }# w* ^2 p4 P3 d+ g| ├──2--自然场景下的目标检测及源码分析
) Y6 b. j" ?! y0 |0 M; l1 C1 r/ R| | ├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M. G+ }9 _( C" ~, x
| | ├──10-FasterRCNN代码_构建head .mp4 67.56M
- J( o- `/ m8 ^# _| | ├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M, M0 _$ T5 y' _
| | ├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M
9 |, {1 P' x+ r8 `7 L| | ├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M
8 ]4 L- s# V" H ` \| | ├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M: I0 L2 J( ^* P( t2 b, D2 H
| | ├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M4 q4 h" L0 @+ |1 T7 |
| | ├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M
& u v% g& x$ ~$ O% B/ ]8 }| | ├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M5 F! O ~$ G3 f* h9 e; n- ~
| | ├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M' p4 I# y" v. Z" ^& n3 h% U) C
| | ├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M% U6 w8 E( E' J. f. T' f
| | ├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M
+ f) C W: Z9 N" [| | ├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M8 i: [: W, [! I3 B# B$ @# R l- N
| | ├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M
6 k# Y; v% ^2 f' K* a9 v| | ├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M1 w: N5 {9 O; S9 a" D t2 R
| | ├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M+ i8 e) c, P+ v9 t- _" O4 K- u; i
| | ├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M
* d0 o. D0 O m& Y| | ├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M
l& Z/ T& c3 x% l( O$ t# T| | ├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M
. G0 G* Y- Y! |3 b| | ├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M( ?& _. Q- }7 s% D, _) ^# N* W+ F
| | ├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M8 q" V& W9 T$ L' q* z+ W
| | ├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M# |" F9 u7 K7 ~1 T/ c( W
| | ├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M
- y2 L, Y1 \3 S% Y9 T2 a8 r| | ├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M8 c' p- Z. q2 ?- `
| | ├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M
; S7 N2 a/ b3 H/ b2 d% L# X, I# p| | └──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M' m, x0 b. i; N
| └──3--图像风格迁移 # }$ n. c" Q. Z/ E( n% g0 P
| | ├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M
7 G: b! [- ^; F$ g! k) ~| | ├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M2 D/ K8 ?& c6 |# h2 Q
| | ├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M
- F, ?1 f$ A" w! M9 ^5 ^' }| | └──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M! J7 @7 ?( b- w( }0 Y: w
├──16--深度学习-目标检测YOLO(V1-V4全版本)实战
) E1 s# C! q3 f t% ~0 J| ├──1--YOLOv1详解 1 A- f9 _" G2 V
| | ├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M
3 V4 z* Y( x0 o% U. G| | ├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M: y+ g! P1 O+ z$ ^. ^0 ?; F8 `# h
| | ├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M0 D2 b8 j/ k# c, Q' l, }, U
| | └──4-YOLOv1论文详解_NMS_局限性 .mp4 82.07M
$ |1 I5 _+ f# a; m) A5 D| ├──2--YOLOv2详解
$ T/ _' n# q! O2 A" ^! h" u- Y| | ├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M# F% Z) K% E6 [ a) O9 y
| | ├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M
$ q+ I/ n1 s: m- Z| | ├──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
7 F( @+ F2 F u c) \3 \* y+ [| | └──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M
6 ]0 S1 [+ j9 o$ n| ├──3--YOLOv3详解
) T1 i* {0 t2 G' ~| | ├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M
) e3 m4 W4 _( I: m3 r" t9 P| | ├──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' H! k! S3 i, `/ c( c
| | ├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M) X5 C8 z' N/ p, ^
| | ├──4-YOLOv4论文概述_介绍 .mp4 139.49M+ A5 R$ U6 Q% ~; ?
| | └──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M
! n0 a& Z& k4 Z| ├──4--YOLOv3代码实战
9 v# ~, V; |4 o6 a| | ├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M
/ u# w* N( O" c' S- }$ r) l, m| | ├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M
# o0 r- A$ L% K) j| | ├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M, [0 d# }2 r8 i& q1 @& L% O
| | ├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M
Q- G H: D& z) [( k| | ├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M
# Y6 i {) w2 o& ~| | └──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M
1 O2 `5 S1 [5 s4 S: U. i8 i| └──5--YOLOv4详解
3 s6 \' O$ i) @6 J6 t5 z| | ├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M
x6 G$ @, q+ R. g/ m1 Y- Q, p| | ├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M
3 L/ a9 r" n! `| | ├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M# B' \( Q% l7 B/ A4 o/ p: O3 X
| | └──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M' L& J' ?% S: i
├──17--深度学习-语义分割原理和实战 : y4 n/ E* R4 G9 ^3 o
| ├──1--上采样_双线性插值_转置卷积
1 W4 @8 \. B( |0 ~| | ├──1-前言 .mp4 19.46M
4 t( H. B/ V" x| | ├──2-上采样_repeat .mp4 23.90M4 |+ c6 _, A* g, k9 p6 S
| | ├──3-线性插值 .mp4 34.48M
8 O5 _6 n: Y; o0 k& h) H0 o| | ├──4-双线性插值 .mp4 125.71M* g4 r$ a6 G! Y6 G( r( k) n
| | ├──5-转置卷积_以及TF的API .mp4 114.25M, j9 z$ o, _1 @- ~# Z4 e
| | ├──6-双线性插值作为转置卷积核的初始参数 .mp4 145.01M
6 K6 ?5 G" u' ]2 i| | ├──7-ROI Align .mp4 58.38M: {" w1 }8 F# R/ d# p/ w
| | ├──8-FPN思想与网络结构 .mp4 92.14M+ N! ]$ d- `9 i( q, d. g
| | └──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M
( a- w' b6 u: x, \; c v% Q| ├──2--医疗图像UNet语义分割 8 C4 {' j2 \% \; }; }
| | ├──1-语义分割的基本概念 .mp4 18.33M! j/ [" `- ~* l5 T( W, Y
| | ├──2-FCN全卷积网络做语义分割 .mp4 36.54M
4 }1 }7 T O" W+ k5 s| | ├──3-UNet网络结构 .mp4 30.41M2 a; `# S" G; V4 [" s I/ W& w( e
| | └──4-UNet网络医疗图像的语义分割 .mp4 81.21M
. N p, A6 f0 A9 D/ _2 {( Q$ d# u| └──3--蒙版弹幕MaskRCNN语义分割
$ b5 G. \# {7 ^6 \$ k| | ├──1-MaskRCNN网络结构 .mp4 106.38M
7 W- g0 B9 [7 V" l| | ├──2-MaskRCNN的项目展示 .mp4 250.54M
3 F/ J! C( ?) V9 o' v6 \6 j- O| | ├──3-MaskRCNN网络架构回顾 .mp4 151.34M
( c7 p: F- A; a j! T( ]; c| | ├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M
7 u- S6 p8 |+ }7 |* }( U, E r3 b0 e| | ├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M
, N& @- S% e. A1 x: Q# g+ J* o| | └──6-MaskRCNN源码config和model .mp4 244.48M' _6 N2 h0 [! `* t; J' d+ Z0 P
├──18--深度学习-人脸识别项目实战
& C) n# H4 V6 i5 \| ├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M* V" i3 a! u% u, t
| ├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M5 f9 l7 O' z+ e! B
| ├──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' r; x' ?6 i: ]
| ├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M
; ~, l( v4 P' B) d- J+ v6 q| ├──13-FaceNet论文_相关的介绍 .mp4 39.55M# t9 \2 p1 \( A3 o) F' E+ \/ Y+ R
| ├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M. y/ m0 y. b' I4 q* e5 K
| ├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M q- k' N1 L H$ h8 T# Z, J2 X
| ├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M5 ~, F+ f) J1 Q# r/ ]
| ├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M$ u }$ H5 R H- e
| ├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M
6 K+ e" ~/ |7 Y) X( f| ├──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
7 c( M) J/ V' W4 U7 }| ├──2-开源的FaceNet项目介绍 .mp4 38.07M
5 J% i. g' Z6 F7 e; T2 C5 U| ├──3-人脸识别项目代码整体结构 .mp4 30.40M1 v+ d+ v* s) E7 e! K# c
| ├──4-MTCNN论文_摘要和介绍 .mp4 68.50M
5 v7 l- O- P" I5 |& i1 R* {| ├──5-MTCNN论文_网络整体架构 .mp4 76.57M0 e" r) N# } _8 k$ |0 H- ]. h
| ├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M
& [& g$ d/ s3 C3 X" ^+ v+ D| ├──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
0 m' @3 @' A. e$ n! I| ├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M
P* b% E0 L( }0 ]) r$ g# d| └──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M. g3 l/ X9 V- ]. g4 m$ @
├──19--深度学习-NLP自然语言处理原理和进阶 % `0 g7 l& D1 E1 [4 @6 z) B9 i0 P
| ├──1--词向量与词嵌入 8 C+ U3 X0 D* r v3 j! E1 t( l
| | ├──1-N-gram语言模型 .mp4 116.32M9 E- J: a8 s. J; k8 C
| | ├──2-NPLM神经网络语言模型 .mp4 155.81M# I3 Z' j1 ?' ?+ L+ j& H
| | ├──3-词向量的作用 .mp4 58.00M
4 b7 T( |. c, M! @" E" @( W8 m| | ├──4-CBOW模型思想和计算过程 .mp4 196.59M% `# u% i" V. c. S( B/ }6 [
| | ├──5-Skip-gram模型思想和计算过程 .mp4 44.35M$ ?( Y3 v0 C" W" |: B, p
| | ├──6-Huffman树_分层Softmax的思想 .mp4 113.79M
! ?5 @7 W5 z {3 F; I| | ├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M5 P: y7 S, t6 s( K
| | └──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M# j8 Z- _& o5 i+ e% S% P
| ├──2--循环神经网络原理与优化 4 Q, z8 `8 t3 v) P0 G* e# S
| | ├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M: ~7 N9 w4 j( X8 D1 P9 N
| | ├──2-理解RNN循环神经网络计算流程 .mp4 55.91M. B: {4 N8 Z! i
| | ├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M
: b5 P' Q# f2 i/ Y# U# o5 p( o| | ├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M5 W% h9 O9 o' [
| | ├──5-VanillaRNN的回顾复习 .mp4 123.51M7 P' M5 Y6 H/ W: f2 e
| | ├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M4 f O6 T# Y. i
| | ├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M6 o. n- e% R; w, d6 n; Q$ {! n% T
| | ├──8-双向RNN_LSTM .mp4 52.01M0 b9 i/ i) w) S" v1 |
| | └──9-RNN里面应用的Topology结构 .mp4 23.04M
2 [6 ?+ ~( [ ~1 D t. R3 }| ├──3--从Attention机制到Transformer ; S. D( t7 F% |" T1 Z3 U3 L
| | ├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M4 u: ]% R* F t
| | ├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M/ u" @* ]6 l, o% I. G9 R! r, _8 \
| | └──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M1 S0 l' q. u* ^, v% h% ?, H- l
| └──4--ELMO_BERT_GPT 1 O4 G$ N. e E/ ]4 P4 c. E
| | ├──1-ELMO .mp4 62.44M
& m- b c3 D% U' Y7 A, N5 P, O& H) ~. B| | ├──2-BERT理论 .mp4 99.73M: f I7 D& o! k! \* X. d
| | └──3-ERNIE_GPT .mp4 56.34M
3 W; y) v" j! ?# ~, Y; j├──2--人工智能基础-Python基础 7 p+ y; n# o+ v% K
| ├──1--Python开发环境搭建
& a7 D' [+ r4 y" C f| | ├──1-下载Miniconda运行环境 .mp4 100.75M
' Z' j3 g; T8 x3 p& N1 @, H| | ├──2-Miniconda安装和测试 .mp4 57.12M
2 T1 S, q8 G" @* k# {% z1 Q| | ├──3-Pycharm安装和代码运行 .mp4 71.57M
$ z9 J f+ s5 X$ Y! p| | ├──4-Jupyter安装和代码运行 .mp4 37.10M( F, A4 `! b. h
| | ├──5-Jupyter常用快捷键 .mp4 32.23M p# Q! r$ n5 d: j
| | ├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M
; \$ w0 e% _- W3 F1 ~9 y8 x| | └──7-关联虚拟环境运行代码 .mp4 38.14M' z8 [9 p2 e2 ^5 @, ]
| └──2--Python基础语法 4 o2 m% G2 f ^& l9 h
| | ├──1-Python是强类型的动态脚本语言 .mp4 44.15M1 d/ m1 M$ Q5 {8 N1 a
| | ├──10-Python_集合操作_列表 .mp4 34.71M
# ^9 Z; n3 _4 z4 \: h| | ├──11-Python_集合操作_列表的基本操作 .mp4 49.44M. } x: { W& I# \
| | ├──12-Python_集合操作_列表的常用方法 .mp4 37.35M7 L# |9 E! F+ D7 Q. U) A# N- P. T
| | ├──13-Python_集合操作_元组 .mp4 43.46M
- C8 {5 k, e' b* T0 Y| | ├──14-Python_集合操作_字典和常见操作 .mp4 38.01M
. |' c6 h" d5 T9 E ]6 W; n( U# \| | ├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M4 n3 w- ?4 ~- R8 T4 X* ?7 X
| | ├──16-Python_os模块_shutil模块 .mp4 51.54M- T) d0 `2 F) }6 `; C6 C
| | ├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M' ^# x& R2 A2 s
| | ├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M
, g' Y1 U8 B" `, m9 ?8 `6 j' I| | ├──19-Python_函数_局部变量_全局变量 .mp4 31.20M
- I/ J4 ^# j1 h4 E. Q- l| | ├──2-Python_控制语句_单双分支 .mp4 50.66M2 _6 L0 u+ ?$ _3 l; Q" c7 q
| | ├──20-Python_函数_默认参数_可变参数 .mp4 24.47M2 f) A' U5 P$ @4 R* V2 c
| | ├──21-Python_函数_递归 .mp4 23.46M
) V6 a- L+ v9 M9 ^| | ├──22-Python_函数式编程_高阶函数 .mp4 24.65M
6 j u7 H. A5 y# X4 h| | ├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M W& R5 A$ ^/ V& r) j) P7 O
| | ├──24-Python_函数_闭包 .mp4 41.61M% v: M( X+ M! i5 y# g
| | ├──25-Python_函数_装饰器 .mp4 30.35M3 _+ H/ H" x3 R$ J: |+ z9 X9 Y1 U
| | ├──26-Python_类对象_定义与实例化对象 .mp4 44.21M8 \7 \3 _+ O" o& {6 l
| | ├──27-Python_类对象_实例属性和方法_类属性和方法 .mp4 38.35M
: R* n- V( X+ O2 h+ B9 j| | ├──28-Python_类对象_内置方法 .mp4 29.17M. w" r; |1 S- H! W9 b$ W
| | ├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M
; \6 U9 W7 k4 o5 n: w' c" L| | ├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M7 o2 f5 _8 K, k
| | ├──30-Python_类对象_面向对象三大特性_类的继承 .mp4 24.66M
& c8 a) s# |! L* @* k2 ~| | ├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M- ~2 _, P D+ v4 |: m. Q% R( v
| | ├──4-Python_控制语句_while循环 .mp4 25.02M
( u8 _* U; d$ m5 t5 `| | ├──5-Python_控制语句_for循环 .mp4 22.82M
3 \4 g% ?6 ]( D$ z7 f' X| | ├──6-Python_控制语句_嵌套循环 .mp4 36.15M& x( [# c6 v$ A6 H
| | ├──7-Python_控制语句_break_continue .mp4 25.23M+ w( M2 B2 ]8 g8 @3 g' Y
| | ├──8-Python_切片操作 .mp4 40.20M$ t* q( i, \/ f9 i/ x
| | └──9-Python_数据类型 .mp4 25.38M8 Q3 N/ J) p2 d$ @( [' |% ?$ W
├──20--深度学习-NLP自然语言处理项目实战 : y, p4 V) f' @' X* h
| ├──1--词向量 0 `/ s) y y) c3 P% C5 w
| | ├──1-回顾了词向量里面训练的Topology .mp4 121.72M: |2 A' W" g+ t7 _5 K3 X+ a9 z
| | ├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M, X: R+ O- B6 i8 B6 D! m! \
| | ├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M
6 `3 H4 a( r) s: f. n| | ├──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
5 q% `2 S6 a" b: u& t| | ├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M, |; \; T. {, ]$ _% m- r
| | └──6-Word2Vec项目代码_总结串讲 .mp4 22.52M
: m$ F" w4 y# ^8 T5 j| ├──2--自然语言处理--情感分析 - H- A$ O/ Y- ~
| | ├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M
) F" D$ g0 C! _5 t7 { U3 F1 L| | ├──2-数据预处理_01 .mp4 79.65M5 i1 S' l7 B0 p
| | ├──3-数据预处理_02 .mp4 45.68M/ O2 y* g0 A& v2 \1 z
| | ├──4-代码讲解_01 .mp4 52.29M" Q ^, W* @1 j& l6 K; E7 i, C$ u
| | ├──5-代码讲解_02 .mp4 60.85M; ~$ r& l) ?- J+ T4 c
| | ├──6-代码讲解_03 .mp4 53.89M2 @- J- m6 ^. A8 c% @. ~" j
| | ├──7-代码讲解_04 .mp4 57.19M
. j0 t9 S [# c3 r| | └──8-代码讲解_05 .mp4 35.88M# b; a7 f- [, o, M: m. s" c6 U
| ├──3--AI写唐诗
3 F( a% n0 B3 ~/ N8 A3 }6 _| | ├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M
# R5 M" I! i# ~! B) O2 d| | ├──2-AI写唐诗_训练数据的构建 .mp4 69.75M% a5 V' U) X W) o' P" `9 A7 N5 n
| | ├──3-MultiRNNCell单元 .mp4 38.93M2 G9 e4 p- j: v: z( J0 b; B
| | ├──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! s8 S6 j5 {% O9 Q" m+ [/ z% I
| | ├──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 j/ X, a7 P1 \4 k2 U& j| | └──6-AI写唐诗_模型的使用_增加随机性 .mp4 93.87M
5 ~2 l; O7 W/ w4 E; _* [| ├──4--Seq2Seq聊天机器人 7 ^% `- O& Y- ?$ R; D
| | ├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M
5 S/ Q; K" O2 z8 d& o| | ├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M
9 o) @6 p9 v0 i% C: x; x3 y| | └──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M! a" W, ^3 [5 @; s. k, c5 I8 x& D
| ├──5--实战NER命名实体识别项目
7 k" n. i V& J- w: z& v* d! F+ Z| | ├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M
/ V! \( m: ~6 R! u1 ~& ]+ u& F| | ├──2-介绍了代码目录结构 .mp4 23.44M( l' C: o3 L# ^4 h# o% L! j
| | ├──3-NER代码读取数据和预处理 .mp4 97.61M; Z4 ?; u8 V U+ d7 S5 _
| | ├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M
) \9 f9 `9 }* v5 f; Q7 M| | ├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M
* m G; {) O0 Z- k& ?| | ├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M
# t- @1 h4 k9 D- K" G* b! e| | ├──7-CRF中的特征函数们 .mp4 125.97M d8 h1 x a! a% g& W- L3 B" B
| | ├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M
@, _& @6 L2 B8 h; ]! t6 x| | └──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M
0 ]# v( b s4 X# E( @4 n- y9 c$ Y| ├──6--BERT新浪新闻10分类项目
' z/ ?' `1 G3 z* @; w- f, z| | └──1-BERT新浪新闻10分类项目 .mp4 104.54M6 X u/ \" f* q- a+ `) f# ~
| └──7--GPT2聊天机器人 # s8 ^% e! P9 G4 L
| | └──1-GPT2闲聊机器人 .mp4 62.28M9 z; l9 }3 h' ~- j! h6 P
├──21--深度学习-OCR文本识别
" z8 m: o; s7 h0 X| ├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M
9 _2 I) D0 ?$ ~7 @2 W| ├──10-CRNN项目代码剖析 .mp4 306.48M
' H0 R# A' o' F) W| ├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M
4 |/ j+ ?+ ^8 L7 J8 k$ A4 s) J| ├──3-OCR识别的CTC损失思想 .mp4 327.69M
6 \' i0 p3 e$ v0 b| ├──4-总结理解深度学习文字识别架构 .mp4 121.59M
3 G# L4 l' D( \4 e1 k| ├──5-CTC损失函数的理解 .mp4 330.64M
; v* i# X8 U/ E7 l8 P5 s* b. r| ├──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* S! X7 H/ R( D: Q7 V
| ├──7-CTC前向后向算法代码 .mp4 225.41M
. e0 Q6 r' C* n' S4 y8 q0 S+ Z| ├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M
' h( g' n2 D. [9 z6 l| └──9-CPTN项目代码剖析 .mp4 491.69M3 ?4 e$ y! o( Z* A: k2 ~+ {
├──24--【加课】Pytorch项目实战
: I0 Z! b# M. ^" o+ I! n| ├──1--PyTorch运行环境安装_运行环境测试
+ w) ?& B2 U/ c3 p- g" P' @| | ├──1-PyTorch概述 .mp4 29.29M
# T# c- b. O' @7 \8 P9 w8 S1 _% Z| | ├──2-PyTorch的安装 .mp4 76.45M
9 Z' {+ e% k& r| | ├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M
3 \+ e8 C5 `6 j8 X) m| | └──4-Jupyter关联PyTorch运行环境 .mp4 31.22M3 B' \' ]( B* R4 }
| ├──2--PyTorch基础_Tensor张量运算 6 b; n* C: T( w2 N- x
| | ├──1-Tensor的创建 .mp4 55.14M5 l( E2 u; ^4 p. k6 [; L: m l1 T
| | ├──2-修改Tensor的形状_索引操作 .mp4 76.51M
- E8 ^1 N8 T. q a| | ├──3-广播机制_逐元素操作 .mp4 44.46M2 d: W* N: m1 I, p! [5 g% N
| | └──4-归并操作_比较操作_矩阵操作 .mp4 59.39M4 g' d$ S4 B" O& W
| ├──3--PyTorch卷积神经网络_实战CIFAR10
) \/ x+ O! M+ ]) g/ ~| | ├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M3 ? p! A- n, Z7 H( g/ W
| | ├──10-PyTorch代码实战加入数据增强 .mp4 34.15M7 Y! v+ }: t) N3 R$ @; K' ^ T
| | ├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M: a9 y5 @- [ i8 ~
| | ├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M& `; U* V1 T' H6 e9 C( r( E
| | ├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M& L/ _5 h( y9 r1 }4 r, u+ Z5 g
| | ├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M
! ^ F. I$ a ?| | ├──6-使用集成学习思想训练识别模型 .mp4 86.96M
% m" \+ {8 D: X! i% E" q| | ├──7-使用VGG16模型提供准确率 .mp4 52.90M) H% {8 Y5 I# l, `- E
| | ├──8-torchvision里面的预训练模型 .mp4 29.84M% z; z0 G: {$ I
| | └──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M
! b9 I6 S) `( L* Q( w' j| ├──4--PyTorch循环神经网络_词性标注 . B! i6 j+ b' w
| | ├──1-PyTorch词性标注_构建数据和词索引号 .mp4 28.07M
0 {; i. o6 `) U# k| | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层 .mp4 47.01M7 v8 H2 {( K2 r' U$ Q. [6 o; z
| | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码 .mp4 44.59M
% Z& `* O5 ]2 J) I| | └──4-PyTorch词性标注_测试模型效果 .mp4 11.67M; c1 a4 ~2 ^3 Q# W" U* k
| └──5--PyTorch编码器解码器_机器翻译 3 @ I% A, c6 n
| | ├──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
; Z9 y4 b3 U- R% F$ i$ T| | ├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M
& X+ }$ @5 L) @" q| | ├──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 57.69M5 ~" ]/ l0 O) s8 ]; P
| | ├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M
) P# E$ X$ F& L4 j, o| | ├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M% k* f+ p* Q3 e2 b9 R" s
| | ├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M+ h+ L! W [/ o; I
| | ├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M. S; L }4 N' S6 S- ], V
| | └──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M
/ J. _8 A9 N. D: n* c# h9 M├──25--【加课】百度飞桨PaddlePaddle实战【新增】
! C7 ^9 q3 [: N) b) @| ├──1--PaddlePaddle框架安装_波士顿房价预测 8 S1 q( U: {$ ^/ @
| | ├──1-安装PaddlePaddle .mp4 87.34M$ |% i$ `$ a, F
| | ├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M
2 p. z c/ F3 ]$ M( o| | ├──3-PaddlePaddle求解线性模型 .mp4 50.63M
* x3 c1 }1 M& B| | ├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M8 Q) }6 D- y1 Y' V7 O8 [/ ]
| | └──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M
; S- ?# r4 r+ B/ l| ├──2--PaddlePaddle卷积网络_病理性近视识别 ( Z7 g* t: b. r" C, }" d- w
| | ├──1-预测病理性近视_图片数据读取 .mp4 97.18M) h; D* |/ t- F
| | ├──2-预测病理性近视_模型训练 .mp4 86.66M. P$ ^1 q6 a+ T, ^4 l9 } a% d, H/ i
| | ├──3-预测病理性近视_定义模型结构_评估模型 .mp4 84.10M
2 K; U9 L/ \' m( |' S| | └──4-预测病理性近视_调用经典卷积神经网络 .mp4 91.83M
, s) ?/ N: d) x! l4 Q. N! I+ S A| ├──3--PaddleDetection工具_PCB电路板缺陷检测
+ @% [: B" i' V6 C' d2 {| | ├──1-PaddleDetection_项目配置 .mp4 82.88M
4 E* S: W; C5 J+ \! x| | ├──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. q& J& W5 H9 |/ \* `7 c# M
| | ├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M- D( O# w- W. r: L4 n' \4 _4 s( F
| | ├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M( n& z; O* D% d+ d2 x
| | ├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M
6 c O w- a3 y0 J& d( [, c| | ├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M' t5 ]) G9 m- a9 ?' J5 H+ j0 C
| | └──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M$ Z6 f2 ]5 U: J
| ├──4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
8 U, L+ @5 g/ c$ e5 M| | ├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M
: i8 ?- @) F$ G* F9 O' U| | ├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M0 F3 j1 i& c/ V: E, K
| | ├──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: Q$ h4 _) C0 k3 t& M+ Q+ X
| | ├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M* l/ B: Q$ \0 v7 `
| | ├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M
3 W0 _6 G: h7 K2 e* I& M| | └──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M. P8 M& f8 x5 f: z3 r8 j
| ├──5--PaddleNLP模块_物流信息提取（BiGRU+CRF） 3 @* Z; N& y9 m: q
| | ├──1-PaddleNLP_项目配置 .mp4 49.37M
+ l1 J+ h! ]+ W4 y' j| | ├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M9 h! S K0 s% s' Y$ d% D
| | ├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M
- j' }- y- {9 S, i9 f3 C7 q| | ├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M2 F, i& d7 M: k @
| | ├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M! W0 C& n- {" y# B0 u( r( g
| | ├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M' o: [ D2 I+ c5 o: B5 Q
| | ├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M
5 s% |8 {( V6 m3 [- r| | └──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
2 Z) H6 R3 ]1 C8 s2 g) Z4 W| └──6--PaddleNLP模块_物流信息提取（ERNIE版）
% J1 h$ [$ u R/ r1 N| | ├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M9 J, R' \0 ~ _( I. M. a* h2 y; N
| | ├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M
: |0 k) ]: C/ j2 X- V9 m6 i| | ├──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
$ z- E' d5 Y( V7 r1 s0 L3 ~, a| | └──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
& A3 ?3 I" @- ]7 `├──26--【加课】Linux 环境编程基础 8 T) G- a- H4 j5 S& j" B5 D
| └──1--Linux
2 a7 M7 Y2 M* s# i! j1 A% f8 ^. A- K| | ├──1-Linux_课程介绍 .mp4 3.72M
7 R. B5 j9 Y& F- S| | ├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M* ?/ ]. {. E6 ]9 z' R ^
| | ├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M
' f5 R4 Q1 m( z| | ├──12-Linux_常用命令_mkdir命令 .mp4 10.57M
' [8 M# V4 i: q9 j8 S% A| | ├──13-Linux_常用命令_cp命令 .mp4 16.08M0 u1 L v6 F- J
| | ├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M |4 A, Q- @7 b: a' K! q
| | ├──15-Linux_常用命令_vi、vim .mp4 30.63M6 r. l( m8 q% `7 }7 l7 P$ C" }
| | ├──16-Linux_常用命令_reboot、halt .mp4 4.75M
( |8 [, l0 y. z* }2 L| | ├──17-Linux_常用配置_设置时区 .mp4 28.84M
3 J8 e. p; p* J6 `. Q- n- c| | ├──18-Linux_常用配置_启动网络 .mp4 15.64M; e4 c& G! g0 M2 W$ [. A/ ?% e
| | ├──19-Linux_常用配置_修改网段 .mp4 12.83M6 k$ H2 y, d1 m7 N; u) m
| | ├──2-Linux_Linux简介 .mp4 17.59M! N- v1 m6 L9 t1 o- q2 d0 {+ f. a
| | ├──20-Linux_常用配置_设置网络类型 .mp4 25.66M. p3 r+ I. T& x2 a, I6 G1 n+ l
| | ├──21-Linux_常用配置_快照与克隆 .mp4 16.47M: j5 a ]9 g% x& o0 m
| | ├──22-Linux_Xshell的安装与使用 .mp4 19.51M% ^3 L6 W2 j3 B' n
| | ├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M+ K, `+ H% f0 [! r" n9 Y, t2 B
| | ├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M
( m' T+ w6 C, |! v| | ├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M7 V9 ~6 v7 u8 U7 O
| | ├──26-Linux_安装MySQL .mp4 79.02M
+ M$ d; b" \* K8 r( y| | ├──3-Linux_VMWare安装及使用 .mp4 20.92M
+ s0 _/ n1 Q( X# N% R| | ├──4-Linux_安装Linux .mp4 41.97M% I, k# x7 Q9 Q* Q3 \
| | ├──5-Linux_目录介绍 .mp4 20.31M% S- ~& `/ O$ ~. G2 V
| | ├──6-Linux_Linux中的路径 .mp4 18.65M
" n3 r- b8 N0 W2 l| | ├──7-Linux_常用命令_pwd命令 .mp4 5.79M
, O" X* R# S1 D0 l* L5 B| | ├──8-Linux_常用命令_cd命令 .mp4 8.15M
9 v8 m5 B- p, [( n- A| | └──9-Linux_常用命令_ls与ll命令 .mp4 34.39M' v+ R8 B% a; M" h- I
├──27--【加课】算法与数据结构
) K. _, u2 t2 L. o$ v* Z# ^| └──1--算法与数据结构
% {% a3 ]1 D0 D| | ├──1-数据结构与算法简介 .mp4 35.68M! J' H3 v; t$ F
| | ├──10-哈希表的基本结构 .mp4 54.34M2 j/ x+ C) A9 b& F
| | ├──11-哈希表冲突问题 .mp4 75.92M
8 ^9 c! t( g2 W' O& t| | ├──12-哈希表冲突问题2 .mp4 72.30M# A7 G5 W w f4 r- u% E! t
| | ├──13-哈希扩容 .mp4 111.03M
$ m1 v! t' s/ V2 a5 o% o. J| | ├──14-递归与栈 .mp4 50.77M
# [. D( m4 m* [6 n; o| | ├──15-线性查找 .mp4 57.80M" l! K, A7 p( ^! f
| | ├──16-二分查找 .mp4 52.32M
% o5 g% n5 C& Y& z| | ├──17-冒泡排序 .mp4 53.19M3 k' c8 G0 X) c! e
| | ├──18-选择排序 .mp4 43.29M
. B7 g; M, i! J c, Q| | ├──19-插入排序 .mp4 31.39M! s3 B5 o. J5 q! X1 b( E: ]; y
| | ├──2-大O表示法 .mp4 25.59M
+ m' O) l U) p$ L0 t; o) u| | ├──20-归并排序 .mp4 84.48M3 U" u6 E( n/ B6 L
| | ├──21-快速排序 .mp4 36.63M, @2 \. l6 U' C
| | ├──22-树结构 .mp4 96.85M: L; P0 P5 f0 P9 @, F* J
| | ├──23-树结构的遍历 .mp4 61.05M3 G/ ]* I0 ^8 L d M3 a. `
| | ├──24-最大堆的增加操作 .mp4 45.43M6 d: K$ `, f8 B% v9 e: ~" V
| | ├──25-最大堆的删除操作 .mp4 45.63M
6 m2 F' t3 m- q$ d6 H* h' O| | ├──26-二叉树的查找 .mp4 100.24M' d% g5 E! y6 b, m7 V9 D
| | ├──27-二叉树获取最小值 .mp4 25.21M$ j6 S- i4 L$ N* n5 {9 s& Y
| | ├──28-二叉树的添加 .mp4 72.66M: x5 ]4 W. d1 Z2 b5 N, e, n. q( |3 j
| | ├──29-二叉树的删除 .mp4 120.06M1 g0 q: U! o) [9 W+ _2 ^
| | ├──3-线性结构 .mp4 53.14M
$ J8 c/ q9 j3 i0 O+ D7 L8 A! K" u2 \| | ├──4-单线链表1 .mp4 68.36M; [3 }9 U3 g4 y6 E+ y4 @
| | ├──5-单链表2 .mp4 221.69M
/ r' s) _- b' R# U2 k) F" s0 Y# C| | ├──6-双链表 .mp4 103.57M
$ z# V6 L! \, ?3 \3 L$ G* Q| | ├──7-队列(链式) .mp4 74.12M h- C; e) A; z7 E8 r
| | ├──8-队列(线式) .mp4 30.99M2 S% c9 ?/ e2 h t% O
| | └──9-栈与双端队列 .mp4 28.12M6 s; B( [- u! i: ]1 V
├──3--人工智能基础-Python科学计算和可视化 & v9 C- f, p6 p4 S5 ?1 z( |6 z$ D' X
| ├──1--科学计算模型Numpy ; B" V ?% B% F2 ~$ z
| | ├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M
* u$ j/ B3 z: p| | ├──2-Numpy_array_arange .mp4 35.45M
4 ?) |: a( _# D6 h8 @| | ├──3-Numpy_random随机数生成 .mp4 50.54M
, y( ^/ ?# {' z# F$ L. ~| | ├──4-Numpy_ndarray属性_zeros_ones_like等创建数组函数 .mp4 45.37M
9 z/ T! k( u' c; G+ a| | ├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M9 P+ t1 W! M( a A' F! Z N
| | ├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M
+ S3 Q2 `+ R, {| | ├──7-Numpy_数组的切分和转置 .mp4 28.34M5 J- X( E: y w3 h
| | ├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M, y7 M/ B1 p8 a5 V/ Q
| | └──9-Numpy_聚合函数 .mp4 23.68M3 C. c7 V2 c" @+ N6 Y' D
| ├──2--数据可视化模块
1 ]4 t+ t$ z! m3 I$ u| | ├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M2 E5 K; z. l6 m8 T4 f2 n
| | ├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M
; B# @* C/ ?+ X- C5 `5 R| | ├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M8 e: y+ v9 X; u$ k5 q
| | ├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M
; U2 c$ Q1 k8 F( g- a+ F1 _! N" N| | └──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M
8 `0 b9 z; d, T+ c| └──3--数据处理分析模块Pandas ' P' P/ o. R7 w5 u* q* _/ m" M
| | ├──1-Python_Pandas_Series对象创建 .mp4 33.35M% P$ l, R9 [$ m% z' }' |
| | ├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M W2 e$ C" u K5 W) E
| | ├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M
/ @1 n; U/ S# R& ^4 j. R| | ├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M
- v# e. _0 x5 G| | ├──5-Python_Pandas_条件过滤 .mp4 24.66M
5 \/ [1 ~$ j, r9 F) C| | ├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M" k- @* L7 q( w* g! C! Y5 P. d
| | └──7-Python_Pandas_拼接和合并 .mp4 44.84M
" a7 k& S* W( w( `0 t6 d5 m├──31--【加课】 强化学习【新增】
! Y3 Z) |' `3 G$ @| ├──1--Q-Learning与SARSA算法
5 K# J6 G! f7 y4 G, R$ z0 i| | ├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M) b- h2 C y4 h- W9 p7 y4 I
| | ├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M. ]- ]0 L: E, t/ b x
| | ├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M
) i! W7 f% k& t1 o( U7 Z| | ├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M0 L9 ^% `; x% l; _' r5 R
| | ├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M
! P/ Q! s5 t4 E+ h6 Y( T| | ├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M
6 J1 T/ a0 S& G' b6 @1 j| | ├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M4 N& i6 v A! P8 j7 J# w
| | ├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M, R% j6 _- ^5 r4 C- x; U! r
| | ├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M9 P7 A8 b% [8 T/ J y, x/ p7 O8 v
| | ├──6-SARSA算法和Q-learning算法 .mp4 76.34M5 W7 h. M( ?/ M- T
| | ├──7-理解Q-table_创建maze交互环境 .mp4 78.55M
4 z7 v: d+ |& Q/ H1 P4 F| | ├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M3 m7 s) ]1 P$ q4 d
| | └──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M
8 y8 F5 j! K+ @* S" s8 || ├──2--Deep Q-Learning Network ) v/ r2 n' A, M E: U0 y
| | ├──1-DQN算法思想 .mp4 59.24M
! A1 }1 G) G2 f. \' H! e% Q7 N3 A| | ├──10-DoubleDQN缓解over-estimate .mp4 44.14M8 |* I9 J. Q$ w' A
| | ├──11-DoubleDQN代码实战 .mp4 44.49M8 C& v4 I( q" k1 G9 A* B
| | ├──12-DuelingDQN .mp4 88.12M, G4 p1 N3 c, l; A
| | ├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M
' s- V3 [+ h- D3 H3 G| | ├──14-计算Action的方差避免风险 .mp4 54.23M, N" b9 D. t1 m, t' Z$ z
| | ├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M
3 K7 E- }5 D- ~| | ├──2-DQN算法具体流程 .mp4 56.17M$ E' X1 f' i) y+ Z
| | ├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M, C& G9 o( `; s0 Y7 u
| | ├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M
5 R& W4 q3 ?' f5 G, I| | ├──5-代码实战DQN_构建Q网络 .mp4 70.52M
: | ^; H! x( A Z8 L7 h" z& B| | ├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M' u2 b' P- Y( l( p+ |
| | ├──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
. i% _8 ?5 s4 t| | ├──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 58.93M5 O# k1 d# C: _6 x
| | └──9-DQN会over-estimate的本质原因 .mp4 44.92M, d9 s9 Q& D" a+ x, H) C
| ├──3--Policy Gradient 策略梯度 # L$ d+ {; k! z8 Q6 P" A1 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
9 e2 Z4 K3 I9 D, 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 34.22M
+ w- T, J1 f6 S2 @! u, X| | ├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M
L* R0 i8 U, B7 c| | ├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M
2 W' ?7 ~& C% S) m/ I! [, X& m6 {| | ├──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* @- O. J7 K" c- [1 U
| | ├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M
2 ~6 W1 O r0 H N( _| | ├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M
( d$ b5 D* l- r# s5 K, I| | ├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M* q. X( I- m, f! V) @( x" K* y
| | ├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M0 O2 b0 a( }8 E! N3 U/ m0 X! M
| | └──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M
+ Z5 m( U, Q2 J% S# P% b9 s% a| ├──4--Actor Critic (A3C)
! h9 z1 I% `9 S( {( \4 I| | ├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M* e# W' J4 v8 h5 U0 L- h d
| | ├──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
9 ^; o+ |9 o0 x+ q| | ├──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- O5 P' ?$ ?0 c; h' W
| | ├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp4 39.73M
# b9 Q% G) F( S* t5 X6 w/ P' `; l| | ├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M
n: B4 W0 S4 Q5 Z! J4 T* i% y| | ├──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& ^- H, N5 T/ w# g, U4 i2 X
| | ├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M V0 e. ?4 N# j" B5 I# }# [: C8 f7 \
| | ├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M
U0 J( j# r9 G6 Y( Z8 r| | ├──4-代码实战_Actor网络构建及训练 .mp4 58.07M# T1 V! |) Y4 R. h- H' R
| | ├──5-代码实战_详解Critic网络构建及训练 .mp4 87.92M& A3 B% W2 n: [9 D! r
| | ├──6-A3C架构和训练流程 .mp4 74.66M3 w+ a. v! f4 x& P2 @. r
| | ├──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 O s7 i7 f6 {, y& Q. n4 X+ i
| | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp4 32.03M0 m( l4 p9 n k7 h% c- F2 t( b
| | └──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
* K ?& \9 R7 x1 L2 R| └──5--DDPG、PPO、DPPO算法
" b) }- Q5 v- G 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 81.92M6 F( B* \( @& l' i) t: P
| | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp4 32.54M+ R" s- S( R" G" y
| | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp4 41.02M
0 u2 N' {0 ?( q- |. 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 42.12M3 p3 s4 j/ r7 o3 K1 A/ z. P/ Z
| | ├──13-DPPO分布式PPO .mp4 63.81M) k& w1 p/ t+ F3 ?; a$ C+ _- G. C: `
| | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp4 37.79M
0 i4 R* q' c& i5 y! m( m% Z+ S| | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp4 54.72M& X3 r4 Q5 \0 @
| | ├──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+ f2 Y1 o T! D9 W0 S5 i' E7 S
| | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp4 57.06M
- A" M/ h' D3 K# T( m| | ├──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( C4 F9 u% \% I2 t
| | ├──5-TD3_使用DoubleNetwork优化DDPG .mp4 63.92M3 y5 |5 i3 ]- p d4 y
| | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp4 38.45M! m! U$ U$ n+ y9 L
| | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习 .mp4 35.49M
" ~4 a, n7 {8 n A6 z, @0 q9 o' 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 38.09M. t- |: B8 ~# E3 m
| | └──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
+ M% c# D. Z8 f6 Q$ Y├──4--人工智能基础-高等数学知识强化
; q; v$ L5 G" }| ├──1--数学内容概述 4 z g: N$ K- P |" v% w/ F) M8 \/ _
| | ├──1-人工智能学习数学的必要性_微积分知识点 .mp4 28.76M
& [8 p6 Y- \1 G- E9 N% Y| | ├──2-线性代数_概率论知识点 .mp4 26.81M
2 E9 ?/ h0 R R! L$ n/ t| | └──3-最优化知识_数学内容学习重点 .mp4 40.43M
9 i/ A$ [: w2 ~ z/ y8 V| ├──2--一元函数微分学
8 e6 B4 x$ s- \6 i+ p- e| | ├──1-导数的定义_左导数和右导数 .mp4 28.39M9 V. z" i5 z/ P" j
| | ├──2-导数的几何意义和物理意义 .mp4 14.49M
: k; n4 z" |! o1 W7 t% A2 a| | ├──3-常见函数的求导公式 .mp4 22.76M$ E- Q+ P6 h! R! u
| | ├──4-导数求解的四则运算法则 .mp4 26.52M
& t: q# ]3 m" ?( C( g6 ~) M| | ├──5-复合函数求导法则 .mp4 19.68M
! P7 X$ h7 q. y( K| | ├──6-推导激活函数的导函数 .mp4 33.40M
, p/ z; `" O! \7 A& t| | ├──7-高阶导数_导数判断单调性_导数与极值 .mp4 21.95M
) N' w& ^! q: W8 K1 R: ]| | └──8-导数判断凹凸性_导数用于泰勒展开 .mp4 44.22M6 y; y" ]4 C. P% y C( r
| ├──3--线性代数基础
4 D* q( @# V9 }$ l* b$ z| | ├──1-向量的意义_n维欧式空间空间 .mp4 20.82M
' y; Z: |9 P# q0 S2 H) Z| | ├──10-矩阵的逆矩阵 .mp4 38.54M
' O* A4 E; @" b; k( F+ ?4 @0 ~# w0 X| | ├──11-矩阵的行列式 .mp4 20.13M5 z, q/ |, \+ k4 r) q# d
| | ├──2-行向量列向量_转置_数乘_加减乘除 .mp4 19.28M3 ~* \4 i4 {7 E2 Q
| | ├──3-向量的内积_向量运算法则 .mp4 19.78M
- F8 h1 w- X, }$ l2 i( u; B& J$ I| | ├──4-学习向量计算的用途举例 .mp4 20.32M
% O1 s) v! @5 ]| | ├──5-向量的范数_范数与正则项的关系 .mp4 32.40M
7 I- q* R9 f, H3 k( x$ L, W' W8 t6 K| | ├──6-特殊的向量 .mp4 26.45M' K3 u* P. U6 {+ a- M( s1 _ R! t7 N
| | ├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp4 18.06M* J3 q8 E; _; B5 f+ s
| | ├──8-矩阵的运算_加减法_转置 .mp4 22.76M
' d6 s# _5 D$ Y/ t; J8 k| | └──9-矩阵相乘 .mp4 20.02M. k% d7 \& D# a I
| ├──4--多元函数微分学
8 ^8 L5 y& ?' X5 d Z+ E| | ├──1-多元函数求偏导 .mp4 22.61M
; e) r: |7 U0 j# T4 d# P: O9 B| | ├──2-高阶偏导数_梯度 .mp4 27.15M4 L% y+ Q' ]& y8 [, n: |
| | ├──3-雅可比矩阵_在神经网络中应用 .mp4 37.65M6 x; \6 q( ~9 ]9 Z5 f
| | └──4-Hessian矩阵 .mp4 32.93M
" k0 }+ f6 {" |" U7 L, y| ├──5--线性代数高级 % C5 A& j2 u$ [) ^0 S. L
| | ├──1-二次型 .mp4 27.70M
1 | ~/ F' v8 G8 z) c+ D7 L| | ├──10-SVD用于PCA降维 .mp4 24.90M
# v. O$ [' m3 _" Z5 d| | ├──11-SVD用于协同过滤_求逆矩阵 .mp4 35.85M
/ j/ w6 }) W7 F5 l" A! m7 G| | ├──2-补充关于正定负定的理解 .mp4 23.48M6 t. S* s1 j: Z8 W- r
| | ├──3-特征值和特征向量(1) .mp4 29.83M
3 S6 m3 N7 j( G| | ├──4-特征值和特征向量(2) .mp4 30.07M
; R8 |; V% n1 s- v| | ├──5-特征值分解 .mp4 38.68M
6 |0 b+ K, h1 a( l' Z/ d| | ├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp4 44.77M
8 f$ |! Z; `% @& _ N| | ├──7-奇异值分解定义 .mp4 22.58M$ w, B% B2 z. @) R
| | ├──8-求解奇异值分解中的UΣV矩阵 .mp4 49.47M4 R l. _" H0 n
| | └──9-奇异值分解性质_数据压缩 .mp4 38.70M' `) j2 T7 B4 }
| ├──6--概率论
! o. V4 s4 B0 V, V| | ├──1-概率论_随机事件与随机事件概率 .mp4 21.71M
9 `2 o' k- `4 h8 Z& n$ U9 W| | ├──2-条件概率_贝叶斯公式 .mp4 32.64M- s& t }8 M% q3 o; H& `
| | ├──3-随机变量 .mp4 22.57M: w" u Z% i$ Y8 y4 S7 P( e
| | ├──4-数学期望和方差 .mp4 22.96M9 D/ V- p7 w) Y" u$ p
| | ├──5-常用随机变量服从的分布 .mp4 22.48M9 [1 P9 M" ~5 _, L, |5 u, h
| | ├──6-随机向量_独立性_协方差_随机向量的正太分布 .mp4 32.48M" }5 t7 }% x- ]- ]7 f$ Y5 O
| | └──7-最大似然估计思想 .mp4 23.42M8 a4 q* r( p& G- G
| └──7--最优化 * p1 X" t0 }1 f1 S; A% d* b2 Q
| | ├──1-最优化的基本概念 .mp4 35.14M6 f0 J6 D4 Z# w3 d2 ^) K, o
| | ├──10-拉格朗日函数 .mp4 27.46M5 h/ I( `: m3 m. |/ T
| | ├──2-迭代求解的原因 .mp4 20.15M
! o* m3 I5 m) ~# B4 c7 x| | ├──3-梯度下降法思路 .mp4 26.33M' ^+ I! d8 ]9 b! A9 o8 ^
| | ├──4-梯度下降法的推导 .mp4 43.56M0 Z3 j4 i% u3 Q4 Y
| | ├──5-牛顿法公式推导以及优缺点 .mp4 45.83M
) H: w0 ]$ S' @: d| | ├──6-坐标下降法_数值优化面临的问题 .mp4 23.90M
( y9 U! }) G6 b0 O& i| | ├──7-凸集 .mp4 21.90M
, m Q" q3 s/ U: I| | ├──8-凸函数 .mp4 16.93M
[6 \6 D6 t$ X7 b s| | └──9-凸优化的性质_一般表达形式 .mp4 20.81M
9 ?9 B$ R1 k$ V7 z& o3 V: g! h) m├──5--机器学习-线性回归
# t8 _% N4 t+ t% y% ]( y6 S| ├──1--多元线性回归 1 `/ o8 m2 a2 b1 x+ b
| | ├──1-理解简单线性回归 .mp4 51.11M B# d( V( ^. b5 R- ~0 {- b
| | ├──10-对数似然函数_推导出损失函数MSE .mp4 41.92M- ^" k# X( C G$ C4 [
| | ├──11-把目标函数按照线性代数的方式去表达 .mp4 27.00M7 [7 T3 h* W5 \: e4 L/ h, b! n- R
| | ├──12-推导出目标函数的导函数形式 .mp4 46.38M* c* v9 ?+ c; R6 d/ d0 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$ ] W9 T# e5 |8 X- B* c. T! v6 k3 e
| | ├──14-Python开发环境版本的选择及下载 .mp4 54.07M
4 q2 F7 V( U$ s# N, X% I3 i" m| | ├──15-Anaconda环境安装_Pycharm环境安装 .mp4 61.07M3 j; W$ E2 v9 }8 j
| | ├──16-Pycharm创建脚本并测试python开发环境 .mp4 40.51M X O, R8 y) ~& H {- {2 C( e
| | ├──17-解析解的方式求解多元线性回归_数据Xy .mp4 40.41M$ E" N* `. M: r! ~+ @$ U! X$ l
| | ├──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
$ Y( i. B1 I! A' T' R| | ├──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 34.67M5 N; d/ U/ O5 d; m/ S4 ^0 _
| | ├──2-最优解_损失函数_MSE .mp4 39.58M# t. \% ~/ I# W: a( R8 V/ i
| | ├──20-Scikit-learn模块的介绍 .mp4 29.18M
4 ]* I ^, x3 y& P. j| | ├──21-调用Scikit-learn中的多元线性回归求解模型(上) .mp4 25.20M/ n5 I( [" K) M$ {2 v+ G
| | ├──22-调用Scikit-learn中的多元线性回归求解模型(下) .mp4 41.02M. u- R/ [2 @0 Z' ` o0 T4 z
| | ├──3-扩展到多元线性回归 .mp4 32.15M
3 O$ G8 U3 i5 D3 }3 n; s) T| | ├──4-理解多元线性回归表达式几种写法的原因 .mp4 33.97M# p4 k+ D6 f8 ]4 j1 v
| | ├──5-理解维度这个概念 .mp4 41.41M
* K! T. C! @8 d| | ├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp4 65.82M
7 }9 ~! A: ^1 a6 z# b y! s| | ├──7-假设误差服从正太分布_最大似然估计MLE .mp4 43.11M* L4 m' S, E) g/ T* G. V
| | ├──8-引入正太分布的概率密度函数 .mp4 26.54M7 a; a6 c& [6 P! [
| | └──9-明确目标通过最大总似然求解θ .mp4 25.83M
( l- R5 E. F$ @" B" c' W! m) X| ├──2--梯度下降法 , g9 J$ E# y4 x
| | ├──1-梯度下降法产生的目的和原因以及思想 .mp4 59.45M: I, N, }2 N7 k) B0 E( n q8 g; f
| | ├──10-代码实现全量梯度下降第1步和第2步 .mp4 25.70M% r% ?% T( \2 h6 T
| | ├──11-代码实现全量梯度下降第3步和第4步 .mp4 30.73M
) `/ A$ Y* b8 {7 Q; C| | ├──12-代码实现随机梯度下降 .mp4 26.67M- ?% a$ U- S5 M+ h
| | ├──13-代码实现小批量梯度下降 .mp4 27.32M6 y+ g8 \2 r1 d! p$ S6 |5 @
| | ├──14-代码改进保证训练数据全都能被随机取到 .mp4 40.28M4 S* I2 P; J2 A9 F8 b7 h
| | ├──15-代码改进实现随着迭代增加动态调整学习率 .mp4 39.24M
1 I4 Q4 g. k8 G& h| | ├──2-梯度下降法公式 .mp4 57.12M
5 a1 c6 w* W! d' z/ l| | ├──3-学习率设置的学问_全局最优解 .mp4 56.52M& H' @& i: A& ]2 E2 p* a
| | ├──4-梯度下降法迭代流程总结 .mp4 30.28M# W! j: N5 e. l/ D
| | ├──5-多元线性回归下的梯度下降法 .mp4 43.27M
. B# d3 p# {2 h+ p: J| | ├──6-全量梯度下降 .mp4 62.84M
* ~! U# H- [% A6 M! P/ J| | ├──7-随机梯度下降_小批量梯度下降 .mp4 47.62M
+ r+ Q( e; b5 b- ~: d% F5 A! z| | ├──8-对应梯度下降法的问题和挑战 .mp4 47.07M
, U/ T0 H& V. b$ D| | └──9-轮次和批次 .mp4 45.22M
7 d# D$ r0 c# e9 U| ├──3--归一化
8 `" P/ A9 I/ S| | ├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp4 63.62M
8 |, s' [* M4 d0 o' b8 I| | ├──2-归一化的目的_举例子来理解做归一化和不做归一化的区别 .mp4 34.11M+ _+ u2 j3 Y; J8 v+ }+ b f
| | ├──3-归一化的副产品_有可能会提高模型的精度 .mp4 21.61M
( w6 x5 B H* h| | ├──4-最大值最小值归一化 .mp4 24.87M
0 D/ i8 R% ?: Q3 g6 R' N3 z| | ├──5-标准归一化 .mp4 51.86M
3 S9 E9 e5 C! p; L3 O0 `' \| | └──6-代码完成标准归一化 .mp4 41.13M
% i8 ]; o/ c3 p/ H9 f9 [| ├──4--正则化
: n% ?! h9 M( y8 y- X. {| | ├──1-正则化的目的防止过拟合 .mp4 30.71M8 z3 \0 P3 Y- x* F
| | ├──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$ y8 z$ V% q# b1 t. Y0 ]
| | ├──3-常用的L1和L2正则项以及数学意义 .mp4 41.55M: p( |( L! E h& u; B, g/ ?
| | ├──4-L1稀疏性和L2平滑性 .mp4 51.64M
' x( K! S$ K1 b8 P& N| | └──5-通过L1和L2的导函数理解区别的本质原因 .mp4 55.58M4 x0 a% [# @9 u7 G9 _% w% a; i
| └──5--Lasso回归_Ridge回归_多项式回归 * j. C: D* }; ]! V1 M! `8 a
| | ├──1-代码调用Ridge岭回归 .mp4 76.32M
+ X6 {$ k* e7 d$ C| | ├──10-实战保险花销预测_特征选择思路 .mp4 40.29M
+ U3 H, E/ H7 k, T| | ├──11-实战保险花销预测_特征工程 .mp4 17.96M5 ]0 P: p3 Q4 ]3 ?1 }; ]' T' b
| | ├──12-实战保险花销预测_模型训练和评估 .mp4 58.86M. L$ r- r- \, r
| | ├──2-代码调用Lasso回归 .mp4 28.73M# z1 R' U6 |* V
| | ├──3-代码调用ElasticNet回归 .mp4 53.67M7 k, Q; J; X1 S
| | ├──4-升维的意义_多项式回归 .mp4 48.06M
+ U9 W8 h6 x' B: x$ {9 ]- l. K, _| | ├──5-多项式升维代码实战_传入不同超参数对比 .mp4 44.78M4 X) c# J6 E. [/ b/ Z! E( {9 x
| | ├──6-多项式升维代码实战_训练模型和评估 .mp4 35.06M
# C$ P7 Z S7 |) k) R3 c| | ├──7-实战保险花销预测_数据介绍和加载数据 .mp4 35.25M9 x8 k# B3 j/ Q9 ?' P1 X
| | ├──8-实战保险花销预测_数据预处理 .mp4 41.38M
8 p. V8 q6 a4 W7 H+ Z1 V2 V6 A| | └──9-实战保险花销预测_模型训练和评估_选择非线性算法改进 .mp4 84.12M2 C/ _8 A; }, w1 z% {- b
├──6--机器学习-线性分类
" i- g& o" p) z4 j: ?| ├──1--逻辑回归
0 o0 `+ R4 |( N: H4 ^+ F+ ]7 m| | ├──1-逻辑回归_Sigmoid函数 .mp4 21.14M4 b3 V- B: H: P* M3 U7 e. G& X
| | ├──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 39.83M5 d- D5 R3 M: _0 O; e
| | ├──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
) [+ k6 F4 a* l' [| | ├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp4 20.50M
' N# ^; R6 O5 ^5 i' ]; j2 c| | ├──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. a+ s1 a5 G& g/ {" y7 T D; H
| | ├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp4 46.63M
8 M% }. E, S' X| | ├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp4 26.13M
% k* o) t* n! ~( j' ?+ o| | ├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp4 40.46M- x+ Z8 o; i3 A) W7 i1 {
| | ├──2-sigmoid函数作用 .mp4 38.15M1 o9 R' B9 e5 n* m7 O: ~
| | ├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp4 31.00M
4 V# S- E9 d* t| | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 41.97M2 F: l( Y" R' O/ R" U- N
| | ├──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
, y$ ^% K6 F* J1 Y$ X0 X| | ├──6-推导逻辑回归损失函数_得到总似然的公式 .mp4 29.61M7 W i+ P1 P' n# Q
| | ├──7-推导逻辑回归损失函数_得到最终形式 .mp4 12.43M! C! \2 d" u: e" y5 b
| | ├──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* W* J1 W9 w5 y, m, j' f4 n
| | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 30.72M
. a' O) }' F5 R* ?1 n" q8 y7 B| ├──2--Softmax回归
/ g$ w3 l# g* f) n| | ├──1-证明多项式分布属于指数族分布一种 .mp4 27.93M' A' _: x7 h, c. J3 M; 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 42.74M* t* a' @) p& R
| | ├──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
7 r+ r0 b( a6 L: B) L- [| | ├──12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型 .mp4 47.67M$ m& A: l1 y) t1 z4 d8 i
| | ├──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! j0 L S6 a1 \' }
| | ├──2-从广义线性回归的η推导出来Softmax的公式 .mp4 21.35M2 D; r( x. d; A5 e! Y" u4 P" R8 V
| | ├──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
! L7 k/ n& V& K% k/ f7 b| | ├──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. R1 O! R4 O/ {0 v
| | ├──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
: Z3 I! y: H' `3 X5 |+ X7 P% d| | ├──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 46.67M6 p. `4 P. h; [4 G
| | ├──7-实战音乐分类器_讲解需求和读取数据 .mp4 32.57M
" d% q3 u- x" k; Q! ~$ V' H8 D| | ├──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
+ G# m. c3 A- A# g| | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 25.13M
7 |$ Z' c0 O! w1 ^; z| ├──3--SVM支持向量机算法 3 M: n- {; |: d- z$ L, M, Y
| | ├──1-SVM与感知机关系_几何距离与函数距离 .mp4 114.25M) ]1 k1 D$ L e# p0 h6 c
| | ├──2-SVM的思想 .mp4 55.56M6 d' y2 z( k. E8 _* T6 S1 R. p
| | ├──3-几种SVM_SVM的损失函数 .mp4 74.91M
T0 i5 q" y( A| | ├──4-数学预备知识_拉格朗日函数 .mp4 122.44M
8 R3 @, q+ H- V6 X& ~; a8 _2 ^| | ├──5-硬间隔SVM的两步优化 .mp4 102.88M
7 Z+ ~1 n( X( p% a4 C| | ├──6-总结硬间隔SVM .mp4 39.01M
* a7 C/ C. _6 ~| | ├──7-软间隔SVM和总结流程 .mp4 135.76M" c7 x' r4 X% `
| | ├──8-非线性SVM .mp4 54.43M/ I# u1 V6 b8 {; S p ^9 l
| | └──9-SVM在sklearn中的使用_超参数 .mp4 144.30M& R2 b9 ^% d0 A& S- C
| └──4--SMO优化算法 0 P) t/ @8 v1 O( |: d2 T
| | ├──1-SVM算法流程总结 .mp4 58.36M6 t' Q- F( R4 R/ R9 o
| | ├──10-SVM的SMO实现判断违背条件的α1 .mp4 19.23M4 O# D' ?3 Y) c( w
| | ├──11-SVM的SMO实现应用公式计算alphas和b .mp4 20.88M
1 Y* F' N) M$ y3 Q6 ?% ]| | ├──12-SVM绘制已有数据点和超平面以及边界 .mp4 21.13M
: q9 ~! E" x8 K: d| | ├──13-关于sklearn中的SVM封装的类和超参 .mp4 15.47M# X0 o5 a5 |3 E4 _
| | ├──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
3 ^ H2 Q- o; U( |1 z| | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 36.52M. J9 x- W* R8 P1 d: u; X
| | ├──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, k+ n0 D0 |& b3 d6 @0 v# h5 m4 x
| | ├──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
) }5 a" \0 y" w1 x* o2 g t* h, [| | ├──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
, D( q3 V' z9 l2 ^ D6 y| | ├──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( |# \, m% t ~# L
| | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 37.62M
7 x: w5 |, D1 {: H' J, q| | ├──7-启发式选择两个α .mp4 23.11M' y9 _- r) A5 J8 `
| | ├──8-如何计算阈值b .mp4 50.18M
, C3 t5 K& H" _, m" S: Z' g| | └──9-SVM的SMO实现读取数据和计算fx与Ei .mp4 73.44M# h3 C: g, |' c" y8 O6 a
├──7--机器学习-无监督学习
, u% v% ?# P% {3 q5 s| ├──1--聚类系列算法
, c5 ]* J: Y6 H. v ^) [5 |1 R| | ├──1-KMeans聚类流程_距离测度欧式距离和余弦距离 .mp4 173.95M
6 ^5 ^6 M% f. P1 r( D# k| | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF .mp4 153.55M) {, T# H7 X- U. s
| | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设 .mp4 167.16M1 x, P$ C/ o/ M S# G4 L6 X4 j2 B
| | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标 .mp4 214.69M0 s6 K1 V, L- G/ c; J/ m& L
| | ├──5-KMeans代码测试不同情况下的聚类效果 .mp4 148.66M
; U- |0 |' s- _) K, u0 ^/ C| | └──6-层次聚类_密度聚类_谱聚类 .mp4 264.04M! f9 X2 M7 O1 S( B
| ├──2--EM算法和GMM高斯混合模型
# B$ ~- s: |: K, ~+ T- P| | ├──1-单个高斯分布GM的参数估计 .mp4 112.72M) d! X9 Z9 Z5 \
| | ├──2-理解GMM高斯混合分布的对数似然函数 .mp4 95.22M& _; F/ _5 D# u. y2 W
| | ├──3-GMM参数估计Πμσ的流程 .mp4 112.23M
& D2 Q' d6 `2 Z( ]" N' }9 R| | ├──4-Jensen不等式的应用 .mp4 109.17M* ^1 c% q6 R: n: |/ a1 J
| | ├──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
2 w2 Y+ r. a9 w4 |: t$ x7 M| | ├──6-将EM算法应用到GMM中并且推导出Π的公式 .mp4 44.12M
. Z7 b& E* r/ d( ^# l, @| | ├──7-GMM前景背景分离 .mp4 16.01M5 E7 o" K1 [; L; N% }4 W3 m
| | ├──8-通过声音文件利用GMM算法识别性别 .mp4 134.39M, B& B3 ?) t7 B% i# ? G) Q' w
| | └──9-通过声音文件利用GMM算法识别是谁 .mp4 51.52M8 I) N ^5 T1 T' Y- _5 \+ U) l
| └──3--PCA降维算法
/ L2 y, s) P. w$ s! K1 c| | ├──1-特征选择与特征映射 .mp4 49.38M
8 u! j& B0 U9 I8 f" b8 O6 M( v| | ├──2-PCA的最大投影方差思路 .mp4 186.75M
1 \2 O/ ?' ^% H& {; X: `( Q% R8 C| | ├──3-最大投影方差推导_最小投影距离思路 .mp4 115.67M' W5 E9 C# U. I
| | ├──4-SVD其实就可以去实现PCA了 .mp4 92.97M/ |( n* z* m5 R- H2 U: c
| | └──5-PCA的几种应用 .mp4 54.58M7 X2 j/ M( q! n; m; C
├──8--机器学习-决策树系列 6 e2 y/ f( {6 s4 |! P8 s( I, t* J
| ├──1--决策树 & T4 \# b" N' T2 h9 n
| | ├──1-决策树模型的特点 .mp4 74.88M# f4 c: t6 w: U
| | ├──10-绘制决策树模型_寻找最优树深度 .mp4 97.10M: K* V7 n6 r5 p2 r
| | ├──11-代码训练回归树拟合SineWave .mp4 93.81M
: M" D6 Z' Z( b% I* {# T| | ├──12-后剪枝的意义 .mp4 50.49M
. k7 b t+ Q/ ]. {- } y| | ├──13-CCP代价复杂度后剪枝 .mp4 130.67M
' r! e" u( b* S5 ~| | ├──14-CCP代价复杂度剪枝_α超参数设定 .mp4 62.18M& u* |8 R* K0 h) [9 a5 R& j
| | ├──2-决策树的数学表达 .mp4 89.94M0 I9 w- x" A* D& |) C9 T+ W* e
| | ├──3-如何构建一颗决策树 .mp4 84.87M
: r& ^7 }& d0 L5 Z| | ├──4-什么是更好的一次划分 .mp4 57.02M
3 w9 K! f- E/ w! J1 e| | ├──5-Gini系数 .mp4 107.54M* a' G) @! x% {, i9 g, a
| | ├──6-信息增益 .mp4 75.26M4 i) F5 E+ H( c# h% [$ t
| | ├──7-熵与Gini系数关系_信息增益率 .mp4 118.18M$ n- w4 O/ E z. U
| | ├──8-预剪枝以及相关超参数 .mp4 127.06M
7 K7 ^* l5 H5 ]1 I& w| | └──9-代码实战决策树对鸢尾花数据集分类 .mp4 77.90M% Z: R. t8 H' X/ o4 R9 D3 N# F, } a
| ├──2--集成学习和随机森林
3 k% r' f7 H/ g0 m' B| | ├──1-不同聚合方式_生成不同弱学习器方式 .mp4 80.47M
& \5 |2 C. G7 P% V$ ^4 o& y& h2 s6 \| | ├──2-Bagging_Boosting_Stacking .mp4 59.02M
) E3 j* e+ J$ [ _| | ├──3-随机森林 .mp4 108.14M7 i* o' g7 l0 s* a% f) ~
| | ├──4-代码实战随机森林对鸢尾花数据集分类 .mp4 101.81M2 l' I5 x: M/ h6 m' g3 }
| | ├──5-OOB袋外数据 .mp4 106.07M
- P) g* _" @4 U; \0 L$ n6 q9 j| | ├──6-Adaboost算法思路 .mp4 106.30M
$ e f# Q/ P7 B| | ├──7-调整数据权重让权重正确率达到50% .mp4 66.83M4 @5 j$ v7 j% Z# @, u: N
| | └──8-Adaboost如何调整样本权重和求基模型权重 .mp4 90.51M5 F. ~$ g# g+ s$ f5 w
| ├──3--GBDT + g7 D6 r8 u2 M3 e- `
| | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x) .mp4 65.49M4 N7 A: E; [0 \3 O- B2 I
| | ├──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
+ ^$ N3 @% i3 }7 S) W( h| | ├──11-GBDT多分类流程 .mp4 73.80M3 l8 y' T9 |; d/ ?' g* N+ Y
| | ├──12-对比GBDT回归、二分类、多分类相同点与不同点 .mp4 60.80M. f B' [- x5 j
| | ├──13-GBDT二分类叶子节点分值计算推导 .mp4 73.96M6 V8 u9 a2 i2 d5 K* C
| | ├──14-GBDT多分类叶子节点分值计算 .mp4 54.63M! e$ ^+ w0 c. `7 s) r' U4 q
| | ├──15-GBDT二分类举例详解 .mp4 86.67M
c/ Q% B+ @7 M5 j! K J| | ├──16-GBDT多分类举例详解 .mp4 91.71M
+ L8 p8 i5 F4 e1 Z& A| | ├──17-计算特征重要度进行特征选择 .mp4 54.87M, M$ F* | e1 ~, M! R. Y
| | ├──18-GBDT用于特征组合降维 .mp4 43.72M: i0 \. E, j; a4 v; u
| | ├──19-特征组合降维在GBDT+LR架构应用 .mp4 51.28M
& d: @% d2 G5 i1 i& ? [/ M| | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度 .mp4 88.39M
+ V2 K P& Q+ Q| | ├──20-GBDT在sklearn中源码剖析_初始化F(x) .mp4 115.14M/ F. ~; I$ T* w" ?, w
| | ├──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
8 x2 z1 t) R3 N| | ├──22-GBDT+LR架构训练模型代码实现 .mp4 88.40M
; q% {. o: M4 a, N6 D9 n| | ├──23-GBDT+LR架构预测评估代码实现 .mp4 66.47M
' A+ `$ P( J, H/ B$ Y3 l| | ├──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
* f* N @8 o8 o) P| | ├──4-GBDT应用于回归问题 .mp4 84.66M
2 l) N, N7 ?' Q- h1 p* N| | ├──5-GBDT回归举例_总结 .mp4 108.52M
6 _0 q; B5 ]) i' i9 X| | ├──6-GBDT应用于二分类问题 .mp4 70.42M% F) I3 u) d; s2 U8 U7 {
| | ├──7-GBDT二分类拟合的负梯度依然是残差 .mp4 83.81M
# R5 j' W$ W( r( O4 I| | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存 .mp4 61.49M; b* ?# Q: L5 G4 H0 U
| | └──9-GBDT应用于多分类任务 .mp4 73.34M
# f" c* u1 o' O Z$ n| └──4--XGBoost & S0 S J' \( z
| | ├──1-回顾有监督机器学习三要素 .mp4 82.52M
0 D/ s) @$ E; c/ [5 t& u3 r* g) _| | ├──10-重新定义树ft和树的复杂度Ω .mp4 77.70M3 w, K' @/ @& F% _% _/ \
| | ├──11-由每个叶子节点重组目标函数Obj .mp4 68.56M% z5 W- f- _9 ^* e4 D/ G+ |8 y2 Z
| | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj .mp4 72.32M
6 K0 o+ T. U( n| | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构 .mp4 106.69M
5 o A8 p$ W: P# R6 y+ y* 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
# Q, J; |3 J" d! C2 M7 q6 l| | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率 .mp4 71.21M6 j- k1 i% {7 Y" E w4 C" P
| | ├──16-样本权重对于模型学习的影响 .mp4 59.81M
3 c, V+ o9 T" y& z* z4 l- F+ C4 ^| | ├──17-总结XGBoost的特性_包括缺失值的处理策略 .mp4 101.47M
3 B3 d5 H' W; P7 P- t* D7 d, w| | ├──2-Bias_Variance_Trade-off .mp4 66.00M: ^4 y( Q) Y+ G( `
| | ├──3-基于树集成学习4个优点 .mp4 91.36M
6 V. {6 P: b& l| | ├──4-回顾基于树集成学习的模型和参数并举例说明 .mp4 93.39M( h9 H! s" t0 @- Z) E" l& g
| | ├──5-通过目标函数Obj来达到准确率和复杂度平衡 .mp4 48.31M
, h/ h5 @9 B) B; V4 ^| | ├──6-Objective_vs_Heuristic .mp4 60.42M
+ |* m c0 E- `2 Y| | ├──7-得出XGBoost最开始的Obj目标函数 .mp4 94.87M
" W8 M# `+ v2 ]; |8 V' S| | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj .mp4 48.62M
$ O' l& D, h" l! z& s8 r/ L3 D! d# A| | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi .mp4 67.39M6 t0 N$ w% i% M9 z
├──9--机器学习-概率图模型
3 Q5 O( N, O9 N| ├──1--贝叶斯分类
0 d m+ O8 b- B0 u5 Q! n| | ├──1-朴素贝叶斯分类算法 .mp4 126.74M! [& n8 I; w. k. x9 s
| | ├──2-TF-IDF .mp4 53.08M
5 j" H3 Z' i7 ?8 n& z| | ├──3-NB代码实现解析 .mp4 126.73M
. e# {+ q& D& N| | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV .mp4 131.83M
+ O7 V+ K% q% Z/ n2 || | ├──5-语言模型的设计目的_MLE的作用进行参数估计 .mp4 107.12M! I6 z: R; H8 i$ b6 d! O
| | └──6-贝叶斯网络_马尔可夫链 .mp4 38.75M' \" {: h% u+ i& g
| ├──2--HMM算法
/ |7 M& F; M7 r3 A/ G| | ├──1-HMM隐马的定义 .mp4 36.82M" ~; p: g! e9 r3 ^( d
| | ├──2-HMM隐马的三组参数_三个基本问题 .mp4 104.28M+ S# B4 w9 F2 H* }) y6 N; C1 H' z
| | ├──3-HMM预测问题使用前向算法 .mp4 44.33M! @6 B2 b6 ]0 x" P0 g- I
| | ├──4-HMM预测问题使用维特比算法 .mp4 33.43M
$ T! ^% J9 Z6 \4 l0 h" V! x| | ├──5-HMM复习_明确概率计算问题要解决的目标 .mp4 76.05M' w4 z! O! ^: U9 J. g0 {3 d
| | ├──6-前向算法来解决概率计算问题 .mp4 33.05M
% E3 Y* R" F$ n: h5 A) H| | ├──7-Viterbi算法案例详解 .mp4 107.12M' |5 ^/ F* q2 l/ B) j" {( O
| | └──8-Viterbi算法代码实现 .mp4 42.43M
. q9 n% F9 s4 P5 l! K9 L4 E| └──3--CRF算法 ( u! O' q: [7 D( ~1 G/ d
| | ├──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
- r4 Y% ?/ Z7 z* k7 @| | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑 .mp4 71.88M
6 A' }4 z( t" V. H/ p& L. m| | ├──3-了解CRF层添加的好处 .mp4 105.90M
+ n, I' N: b: ]9 X8 A0 ]6 N) _/ q| | ├──4-EmissionScore_TransitionScore .mp4 61.33M3 ^7 v A7 X* h! G
| | ├──5-CRF的目标函数 .mp4 23.74M- ]& `& H$ _4 |8 G7 x; z
| | ├──6-计算CRF真实路径的分数 .mp4 50.37M
: q2 r' f) x0 a C2 ~| | ├──7-计算CRF所有可能路径的总分数 .mp4 135.58M
# L% j3 ~1 J1 G0 F1 F/ i| | └──8-通过模型来预测新的句子的序列标签 .mp4 83.16M8 d7 v3 g- j# F7 n
└──课件.zip 2.54kb- v' l" q- @2 A) Q, ~; r- Y; U! l
/ }! L$ A4 y+ ?7 k9 \6 {& ^4 |" L. p
z b" k6 ~2 a! \
) J) B4 {. C" `+ e& H. m3 A2 G8 \3 g( X) l. G
资源下载地址和密码（百度云盘）： [/hide] 百度网盘信息回帖可见
( z: K' n( L& U8 x: G: n4 l' i2 t% b2 }! h2 Q) x, j
) a; V2 h; U0 ?' y! c' Q
4 r! [' P0 K: i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
