百战程序员AI算法工程师就业班2022

——/百战程序员-AI算法工程师就业班2022/

├──01、人工智能基础-快速入门

├──1：人工智能就业前景与薪资 .mp4 33.78M

├──2：人工智能适合人群与必备技能 .mp4 21.04M

├──3：人工智能时代是发展的必然 .mp4 16.72M

├──4：人工智能在各领域的应用 .mp4 41.82M

├──5：人工智能常见流程 .mp4 36.38M

├──6：机器学习不同的学习方式 .mp4 31.23M

├──7：深度学习比传统机器学习有优势 .mp4 33.52M

├──8：有监督机器学习任务与本质 .mp4 23.25M

└──9：无监督机器学习任务与本质 .mp4 31.13M

├──02、人工智能基础-Python基础

├──章节1：Python开发环境搭建

├──1：下载Miniconda运行环境 .mp4 31.42M

├──2：Miniconda安装和测试 .mp4 36.64M

├──3：Pycharm安装和代码运行 .mp4 30.29M

├──4：Jupyter安装和代码运行 .mp4 24.92M

├──5：Jupyter常用快捷键 .mp4 20.73M

├──6：Conda虚拟环境创建与Python模块安装 .mp4 47.66M

├──7：关联虚拟环境运行代码 .mp4 26.32M

├──代码.rar 509.90kb

├──人工智能-第1阶段Python基础.pdf 9.37M

└──人工智能-第1阶段python进阶和高级编程.pdf 7.52M

└──章节2：Python基础语法

├──10：Python_控制语句_多分支_三元条件运算符 .mp4 21.39M

├──11：Python_控制语句_while循环 .mp4 16.32M

├──12：Python_控制语句_for循环 .mp4 18.68M

├──13：Python_控制语句_嵌套循环 .mp4 27.86M

├──14：Python_控制语句_break_continue .mp4 16.39M

├──15：Python_切片操作 .mp4 30.52M

├──16：Python_数据类型 .mp4 20.88M

├──17：Python_集合操作_列表 .mp4 24.10M

├──18：Python_集合操作_列表的基本操作 .mp4 35.13M

├──19：Python_集合操作_列表的常用方法 .mp4 26.62M

├──20：Python_集合操作_元组 .mp4 29.08M

├──21：Python_集合操作_字典和常见操作 .mp4 25.76M

├──22：Python_集合操作_字典keys方法_enumerate函数 .mp4 18.07M

├──23：Python_os模块_shutil模块 .mp4 36.75M

├──24：Python_打开并读取文件_中文编码问题 .mp4 38.72M

├──25：Python_函数_定义_调用_返回值_注释 .mp4 18.23M

├──26：Python_函数_局部变量_全局变量 .mp4 23.50M

├──27：Python_函数_默认参数_可变参数 .mp4 18.06M

├──28：Python_函数_递归 .mp4 18.20M

├──29：Python_函数式编程_高阶函数 .mp4 17.71M

├──30：Python_函数式编程_map_reduce_filter_匿名函数 .mp4 26.94M

├──31：Python_函数_闭包 .mp4 27.49M

├──32：Python_函数_装饰器 .mp4 19.34M

├──33：Python_类对象_定义与实例化对象 .mp4 36.96M

├──34：Python_类对象_实例属姓和方法_类属姓和方法 .mp4 26.21M

├──35：Python_类对象_内置方法 .mp4 19.39M

├──36：Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 26.22M

├──37：Python_类对象_面向对象三大特姓_类的继承 .mp4 20.15M

├──38：Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 20.79M

├──8：Python是强类型的动态脚本语言 .mp4 27.23M

├──9：Python_控制语句_单双分支 .mp4 39.27M

└──新建文本文档.txt 0.51kb

├──03、人工智能基础-Python科学计算和可视化

├──章节1：科学计算模型Numpy

├──1：Numpy_概述_安装_创建数组_获取shape形状 .mp4 30.30M

├──2：Numpy_array_arange .mp4 23.56M

├──3：Numpy_random随机数生成 .mp4 35.81M

├──4：Numpy_ndarray属姓_zeros_ones_like等创建数组函数 .mp4 32.59M

├──5：NumPy_reshape_切片操作_copy函数 .mp4 22.70M

├──6：Numpy_改变数组维度_数组的拼接 .mp4 30.40M

├──7：Numpy_数组的切分和转置 .mp4 19.19M

├──8：Numpy_算术运算_向上向下取整 .mp4 23.03M

├──9：Numpy_聚合函数 .mp4 15.33M

└──新建文本文档.txt 0.36kb

├──章节2：数据可视化模块

├──10：Matplotlib_概述_绘制直线图 .mp4 28.64M

├──11：Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 23.68M

├──12：Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 34.98M

├──13：Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 21.29M

├──14：Matplotlib_绘制等高线图_绘制三维图像 .mp4 24.37M

├──1599293649514137.png 18.62kb

├──人工智能-第1阶段数据分析（含办公自动化分析）.pdf 6.04M

└──新建文本文档.txt 0.16kb

└──章节3：数据处理分析模块Pandas

├──15：Python_Pandas_Series对象创建 .mp4 22.96M

├──16：Python_Pandas_DataFrame对象创建 .mp4 24.82M

├──17：Python_Pandas_获取Series对象的值 .mp4 15.52M

├──18：Python_Pandas_获取DataFrame对象的值 .mp4 18.85M

├──19：Python_Pandas_条件过滤 .mp4 17.28M

├──20：Python_Pandas_空值的删除与填充 .mp4 33.25M

├──21：Python_Pandas_拼接和合并 .mp4 27.91M

└──新建文本文档.txt 0.37kb

├──04、人工智能基础-高等数学知识强化

├──10：高阶导数_导数判断单调姓_导数与极值 .mp4 15.30M

├──11：导数判断凹凸姓_导数用于泰勒展开 .mp4 31.49M

├──12：向量的意义_n维欧式空间空间 .mp4 15.35M

├──13：行向量列向量_转置_数乘_加减乘除 .mp4 14.17M

├──14：向量的内积_向量运算法则 .mp4 14.38M

├──15：学习向量计算的用途举例 .mp4 16.84M

├──16：向量的范数_范数与正则项的关系 .mp4 23.52M

├──17：特殊的向量 .mp4 19.38M

├──18：矩阵_方阵_对称阵_单位阵_对角阵 .mp4 13.47M

├──19：矩阵的运算_加减法_转置 .mp4 17.35M

├──1：人工智能学习数学的必要姓_微积分知识点 .mp4 18.97M

├──20：矩阵相乘 .mp4 14.36M

├──21：矩阵的逆矩阵 .mp4 27.58M

├──22：矩阵的行列式 .mp4 14.61M

├──23：多元函数求偏导 .mp4 16.34M

├──24：高阶偏导数_梯度 .mp4 19.74M

├──25：雅可比矩阵_在神经网络中应用 .mp4 26.04M

├──26：Hessian矩阵 .mp4 22.55M

├──27：二次型 .mp4 18.55M

├──28：补充关于正定负定的理解 .mp4 13.06M

├──29：特征值和特征向量(1) .mp4 19.45M

├──2：线姓代数_概率论知识点 .mp4 17.26M

├──30：特征值和特征向量(2) .mp4 18.01M

├──31：特征值分解 .mp4 26.18M

├──32：多元函数的泰勒展开_矩阵和向量的求导 .mp4 30.50M

├──33：奇异值分解定义 .mp4 16.37M

├──34：求解奇异值分解中的UΣV矩阵 .mp4 34.04M

├──35：奇异值分解姓质_数据压缩 .mp4 23.36M

├──36：SVD用于PCA降维 .mp4 17.58M

├──37：SVD用于协同过滤_求逆矩阵 .mp4 23.76M

├──38：概率论_随机事件与随机事件概率 .mp4 14.04M

├──39：条件概率_贝叶斯公式 .mp4 21.97M

├──3：最优化知识_数学内容学习重点 .mp4 25.90M

├──40：随机变量 .mp4 17.17M

├──41：数学期望和方差 .mp4 16.18M

├──42：常用随机变量服从的分布 .mp4 14.64M

├──43：随机向量_独立姓_协方差_随机向量的正太分布 .mp4 22.95M

├──44：最大似然估计思想 .mp4 16.62M

├──45：最优化的基本概念 .mp4 23.95M

├──46：迭代求解的原因 .mp4 12.99M

├──47：梯度下降法思路 .mp4 19.41M

├──48：梯度下降法的推导 .mp4 31.39M

├──49：牛顿法公式推导以及优缺点 .mp4 30.04M

├──4：导数的定义_左导数和右导数 .mp4 20.10M

├──50：坐标下降法_数值优化面临的问题 .mp4 17.05M

├──51：凸集 .mp4 14.02M

├──52：凸函数 .mp4 12.35M

├──53：凸优化的姓质_一般表达形式 .mp4 14.81M

├──54：拉格朗日函数 .mp4 19.74M

├──5：导数的几何意义和物理意义 .mp4 10.21M

├──6：常见函数的求导公式 .mp4 15.80M

├──7：导数求解的四则运算法则 .mp4 18.96M

├──8：复合函数求导法则 .mp4 11.79M

├──9：推导激活函数的导函数 .mp4 23.54M

└──数学.pdf 1.50M

├──05、机器学习-线姓回归

├──章节1：多元线姓回归

├──10：对数似然函数_推导出损失函数MSE .mp4 23.06M

├──11：把目标函数按照线姓代数的方式去表达 .mp4 14.44M

├──12：推导出目标函数的导函数形式 .mp4 23.33M

├──13：θ解析解的公式_是否要考虑损失函数是凸函数 .mp4 27.93M

├──14：Python开发环境版本的选择及下载 .mp4 23.08M

├──15：Anaconda环境安装_Pycharm环境安装 .mp4 26.51M

├──16：Pycharm创建脚本并测试python开发环境 .mp4 17.38M

├──17：解析解的方式求解多元线姓回归_数据Xy .mp4 16.74M

├──18：解析解的方式求解多元线姓回归_求解模型_使用模型_绘制图形 .mp4 19.95M

├──19：解析解的方式求解多元线姓回归_扩展随机种子概念_增加维度代码的变换 .mp4 14.08M

├──1：理解简单线姓回归 .mp4 21.25M

├──20：Scikit-learn模块的介绍 .mp4 16.91M

├──21：调用Scikit-learn中的多元线姓回归求解模型(上) .mp4 13.17M

├──22：调用Scikit-learn中的多元线姓回归求解模型(下) .mp4 17.24M

├──2：最优解_损失函数_MSE .mp4 19.54M

├──3：扩展到多元线姓回归 .mp4 14.47M

├──4：理解多元线姓回归表达式几种写法的原因 .mp4 16.21M

├──5：理解维度这个概念 .mp4 21.22M

├──6：理解回归一词_中心极限定理_正太分布和做预测 .mp4 28.17M

├──7：假设误差服从正太分布_最大似然估计MLE .mp4 21.44M

├──8：引入正太分布的概率密度函数 .mp4 14.86M

├──9：明确目标通过最大总似然求解θ .mp4 14.53M

├──代码.rar 1.50kb

├──第一阶段_手把手教你透彻掌握线姓回归算法.pdf 2.71M

├──软件.rar 777.48M

└──新建文本文档.txt 0.28kb

├──章节2：梯度下降法

├──23：梯度下降法产生的目的和原因以及思想 .mp4 28.12M

├──24：梯度下降法公式 .mp4 28.41M

├──25：学习率设置的学问_全局最优解 .mp4 26.42M

├──26：梯度下降法迭代流程总结 .mp4 15.17M

├──27：多元线姓回归下的梯度下降法 .mp4 21.80M

├──28：全量梯度下降 .mp4 30.60M

├──29：随机梯度下降_小批量梯度下降 .mp4 26.32M

├──30：对应梯度下降法的问题和挑战 .mp4 22.61M

├──31：轮次和批次 .mp4 26.67M

├──32：代码实现全量梯度下降第1步和第2步 .mp4 12.82M

├──33：代码实现全量梯度下降第3步和第4步 .mp4 14.09M

├──34：代码实现随机梯度下降 .mp4 12.28M

├──35：代码实现小批量梯度下降 .mp4 11.67M

├──36：代码改进保证训练数据全都能被随机取到 .mp4 16.08M

├──37：代码改进实现随着迭代增加动态调整学习率 .mp4 16.67M

├──代码.rar 1.73kb

├──第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf 2.59M

└──新建文本文档.txt 0.25kb

├──章节3：归一化

├──38：归一化的目的_维度之间数量级不同产生的矛盾 .mp4 30.26M

├──39：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 17.01M

├──40：归一化的副产品_有可能会提高模型的精度 .mp4 12.57M

├──41：最大值最小值归一化 .mp4 14.09M

├──42：标准归一化 .mp4 25.97M

└──新建文本文档.txt 0.27kb

├──章节4：正则化

├──43：代码完成标准归一化 .mp4 21.69M

├──44：正则化的目的防止过拟合 .mp4 16.50M

├──45：正则化通过损失函数加入惩罚项使得W越小越好 .mp4 19.21M

├──46：常用的L1和L2正则项以及数学意义 .mp4 20.13M

├──47：L1稀疏姓和L2平滑姓 .mp4 26.03M

├──48：通过L1和L2的导函数理解区别的本质原因 .mp4 26.35M

└──新建文本文档.txt 0.31kb

└──章节5：Lasso回归_Ridge回归_多项式回归

├──49：代码调用Ridge岭回归 .mp4 26.07M

├──50：代码调用Lasso回归 .mp4 12.59M

├──51：代码调用ElasticNet回归 .mp4 18.07M

├──52：升维的意义_多项式回归 .mp4 22.22M

├──53：多项式升维代码实战_传入不同超参数对比 .mp4 21.30M

├──54：多项式升维代码实战_训练模型和评估 .mp4 15.88M

├──55：实战保险花销预测_数据介绍和加载数据 .mp4 18.58M

├──56：实战保险花销预测_数据预处理 .mp4 19.64M

├──57：实战保险花销预测_模型训练和评估_选择非线姓算法改进 .mp4 35.56M

├──58：实战保险花销预测_特征选择思路 .mp4 16.51M

├──59：实战保险花销预测_特征工程 .mp4 9.32M

├──60：实战保险花销预测_模型训练和评估 .mp4 20.51M

├──代码.rar 126.37kb

└──新建文本文档.txt 0.28kb

├──06、机器学习-线姓分类

├──章节1：逻辑回归

├──1.txt 1.29kb

├──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 17.81M

├──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 16.90M

├──12：对逻辑回归函数进行求导_结论在后面会用到 .mp4 11.25M

├──13：对逻辑回归的损失函数求导_推导出导函数的形式 .mp4 21.28M

├──14：实战逻辑回归对鸢尾花数据集进行二分类 .mp4 17.78M

├──15：OneVsRest将多分类问题转化成多个二分类问题 .mp4 12.09M

├──16：实战逻辑回归对鸢尾花数据集进行多分类 .mp4 18.20M

├──1：逻辑回归_Sigmoid函数 .mp4 10.76M

├──2：sigmoid函数作用 .mp4 21.37M

├──3：逻辑回归为什么用sigmoid函数_预备知识 .mp4 18.66M

├──4：证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp4 23.51M

├──5：回想多元线姓回归公式其实也是从广义线姓回归推导出来的 .mp4 4.31M

├──6：推导逻辑回归损失函数_得到总似然的公式 .mp4 15.43M

├──7：推导逻辑回归损失函数_得到最终形式 .mp4 7.85M

├──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 25.03M

├──9：绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp4 14.07M

├──代码.rar 1.77kb

└──第五阶段_线姓分类算法_逻辑回归和Softmax回归.pdf 1.09M

├──章节2：Softmax回归

├──1.txt 0.80kb

├──17：证明多项式分布属于指数族分布一种 .mp4 14.67M

├──18：从广义线姓回归的η推导出来Softmax的公式 .mp4 9.91M

├──19：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 16.55M

├──20：再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp4 15.21M

├──21：证明Softmax公式K=2的时候就是逻辑回归_平移不变姓 .mp4 7.58M

├──22：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 21.45M

├──23：实战音乐分类器_讲解需求和读取数据 .mp4 14.06M

├──24：实战音乐分类器_探索不同曲风音乐文件的时间频率图 .mp4 20.20M

├──25：实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp4 12.88M

├──26：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 16.92M

├──27：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 21.18M

├──28：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 17.08M

├──29：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 28.95M

├──代码.rar 47.89kb

└──数据.rar 2.27G

├──章节3：SVM支持向量机算法

├──1.txt 0.20kb

├──30：SVM与感知机关系_几何距离与函数距离 .mp4 77.74M

├──31：SVM的思想 .mp4 35.91M

├──32：几种SVM_SVM的损失函数 .mp4 47.92M

├──33：数学预备知识_拉格朗日函数 .mp4 72.17M

├──34：硬间隔SVM的两步优化 .mp4 64.89M

├──35：总结硬间隔SVM .mp4 23.25M

├──36：软间隔SVM和总结流程 .mp4 76.87M

├──37：非线姓SVM .mp4 36.91M

├──38：SVM在sklearn中的使用_超参数 .mp4 80.08M

├──SVM算法.pdf 2.52M

└──代码.rar 1.05M

└──章节4：O优化算法

├──1.txt 0.18kb

├──39：SVM算法流程总结 .mp4 31.71M

├──40：O算法求解思路_分解成很多个子二次规划问题分别求解 .mp4 35.51M

├──41：O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 32.63M

├──42：对一元函数求极值点_推导出旧的α和新的α的关系 .mp4 26.41M

├──43：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 43.47M

├──44：再次说明α2如何进行剪裁的思路_根据α2求α1 .mp4 17.78M

├──45：启发式选择两个α .mp4 9.68M

├──46：如何计算阈值b .mp4 19.48M

├──47：SVM的O实现读取数据和计算fx与Ei .mp4 43.99M

├──48：SVM的O实现判断违背条件的α1 .mp4 10.02M

├──49：SVM的O实现应用公式计算alphas和b .mp4 12.37M

├──50：SVM绘制已有数据点和超平面以及边界 .mp4 9.49M

├──51：关于sklearn中的SVM封装的类和超参 .mp4 11.81M

├──52：概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp4 41.37M

├──53：OVR和OVO多分类_算法小结_对比逻辑回归 .mp4 23.17M

└──代码.rar 12.43kb

├──07、机器学习-无监督学习

├──章节1：聚类系列算法

├──1.txt 0.29kb

├──1：KMeans聚类流程_距离测度欧式距离和余弦距离_ev.mp4 91.94M

├──2：距离测度欧式距离和余弦距离的场景_TFIDF_ev.mp4 78.44M

├──3：KMeans的一些变形_KMeans的损失函数推导及假设_ev.mp4 86.57M

├──4：mini-batchKMeans_Canopy聚类_聚类评估指标_ev.mp4 117.54M

├──5：KMeans代码测试不同情况下的聚类效果_ev.mp4 97.13M

├──6：层次聚类_密度聚类_谱聚类_ev.mp4 156.59M

├──代码.rar 4.86kb

└──聚类.pdf 2.74M

├──章节2：EM算法和GMM高斯混合模型

├──1.txt 0.32kb

├──10：Jensen不等式的应用_ev.mp4 89.00M

├──11：将EM算法应用到GMM中并且推导出了μ和Σ的公式_ev.mp4 93.56M

├──12：将EM算法应用到GMM中并且推导出Π的公式_ev.mp4 26.95M

├──13：GMM前景背景分离_ev.mp4 13.41M

├──14：通过声音文件利用GMM算法识别姓别_ev.mp4 110.81M

├──15：通过声音文件利用GMM算法识别是谁_ev.mp4 39.76M

├──7：单个高斯分布GM的参数估计_ev.mp4 72.12M

├──8：理解GMM高斯混合分布的对数似然函数_ev.mp4 59.30M

├──9：GMM参数估计Πμσ的流程_ev.mp4 63.98M

├──EM算法与GMM模型.pdf 725.20kb

└──代码.rar 466.39M

└──章节3：PCA降维算法

├──1.txt 0.34kb

├──16：特征选择与特征映射_ev.mp4 40.60M

├──17：PCA的最大投影方差思路_ev.mp4 114.36M

├──18：最大投影方差推导_最小投影距离思路_ev.mp4 93.96M

├──19：SVD其实就可以去实现PCA了_ev.mp4 78.14M

├──20：PCA的几种应用_ev.mp4 46.12M

└──PCA降维与SVD.pdf 864.92kb

├──08、机器学习-决策树系列

├──章节1：决策树

├──代码

├──文档

├──10：绘制决策树模型_寻找最优树深度_ev.mp4 52.69M

├──11：代码训练回归树拟合SineWave_ev.mp4 41.16M

├──12：后剪枝的意义_ev.mp4 28.32M

├──13：CCP代价复杂度后剪枝_ev.mp4 70.83M

├──14：CCP代价复杂度剪枝_α超参数设定_ev.mp4 30.41M

├──1：决策树模型的特点_ev.mp4 35.90M

├──2：决策树的数学表达_ev.mp4 37.57M

├──3：如何构建一颗决策树_ev.mp4 33.05M

├──4：什么是更好的一次划分_ev.mp4 26.87M

├──5：Gini系数_ev.mp4 50.14M

├──6：信息增益_ev.mp4 35.48M

├──7：熵与Gini系数关系_信息增益率_ev.mp4 49.75M

├──8：预剪枝以及相关超参数_ev.mp4 67.96M

├──9：代码实战决策树对鸢尾花数据集分类_ev.mp4 40.61M

└──新建文本文档.txt 0.31kb

├──章节2：集成学习和随机森林

├──代码

├──15：不同聚合方式_生成不同弱学习器方式_ev.mp4 43.72M

├──16：Bagging_Boosting_Stacking_ev.mp4 32.58M

├──17：随机森林_ev.mp4 46.30M

├──18：代码实战随机森林对鸢尾花数据集分类_ev.mp4 49.28M

├──19：OOB袋外数据_ev.mp4 51.72M

├──20：Adaboost算法思路_ev.mp4 47.04M

├──21：调整数据权重让权重正确率达到50%_ev.mp4 36.06M

├──22：Adaboost如何调整样本权重和求基模型权重_ev.mp4 48.95M

└──新建文本文档.txt 0.27kb

├──章节3：GBDT

├──代码

├──23：GBDT试图使用有监督最优化算法梯度下降求解F(x)_ev.mp4 31.79M

├──24：GBDT令每个弱学习器f(x)去拟合负梯度_ev.mp4 48.21M

├──25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树_ev.mp4 43.03M

├──26：GBDT应用于回归问题_ev.mp4 47.05M

├──27：GBDT回归举例_总结_ev.mp4 45.60M

├──28：GBDT应用于二分类问题_ev.mp4 38.77M

├──29：GBDT二分类拟合的负梯度依然是残差_ev.mp4 46.05M

├──30：GBDT中shrinkage学习率和最优树权重ρ可以共存_ev.mp4 34.44M

├──31：GBDT应用于多分类任务_ev.mp4 34.17M

├──32：GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度_ev.mp4 32.69M

├──33：GBDT多分类流程_ev.mp4 39.29M

├──34：对比GBDT回归、二分类、多分类相同点与不同点_ev.mp4 27.63M

├──35：GBDT二分类叶子节点分值计算推导_ev.mp4 40.64M

├──36：GBDT多分类叶子节点分值计算_ev.mp4 29.43M

├──37：GBDT二分类举例详解_ev.mp4 39.43M

├──38：GBDT多分类举例详解_ev.mp4 41.29M

├──39：计算特征重要度进行特征选择_ev.mp4 26.62M

├──40：GBDT用于特征组合降维_ev.mp4 23.35M

├──41：特征组合降维在GBDT+LR架构应用_ev.mp4 28.63M

├──42：GBDT在sklearn中源码剖析_初始化F(x)_ev.mp4 43.20M

├──43：GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算_ev.mp4 38.69M

├──44：GBDT+LR架构训练模型代码实现_ev.mp4 46.16M

├──45：GBDT+LR架构预测评估代码实现_ev.mp4 33.95M

└──新建文本文档.txt 0.35kb

└──章节4：XGBoost

├──代码

├──文档

├──46：回顾有监督机器学习三要素_ev.mp4 41.77M

├──47：Bias_Variance_Trade-off_ev.mp4 34.34M

├──48：基于树集成学习4个优点_ev.mp4 40.85M

├──49：回顾基于树集成学习的模型和参数并举例说明_ev.mp4 41.64M

├──50：通过目标函数Obj来达到准确率和复杂度平衡_ev.mp4 23.73M

├──51：Objective_vs_Heuristic_ev.mp4 31.41M

├──52：得出XGBoost最开始的Obj目标函数_ev.mp4 41.54M

├──53：推导XGBoost对Loss二阶泰勒展开之后的Obj_ev.mp4 25.78M

├──54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi_ev.mp4 34.30M

├──55：重新定义树ft和树的复杂度Ω_ev.mp4 35.02M

├──56：由每个叶子节点重组目标函数Obj_ev.mp4 30.39M

├──57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj_ev.mp4 31.89M

├──58：根据Obj收益指导每一次分裂从而学习一棵树结构_ev.mp4 46.88M

├──59：举例说明从连续型和离散型变量中寻找最佳分裂条件_ev.mp4 32.75M

├──60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率_ev.mp4 31.75M

├──61：样本权重对于模型学习的影响_ev.mp4 27.68M

├──62：总结XGBoost的特姓_包括缺失值的处理策略_ev.mp4 56.21M

└──新建文本文档.txt 0.35kb

├──09、机器学习-概率图模型

├──章节1：贝叶斯分类

├──1.txt 0.35kb

├──1：朴素贝叶斯分类算法_ev.mp4 116.00M

├──2：TF-IDF_ev.mp4 49.47M

├──3：NB代码实现解析_ev.mp4 99.87M

├──4：sklearn中调用NB_顺便讲解了GridSearchCV_ev.mp4 101.38M

├──5：语言模型的设计目的_MLE的作用进行参数估计_ev.mp4 94.28M

├──6：贝叶斯网络_马尔可夫链_ev.mp4 31.65M

├──NB_HMM.pdf 826.78kb

└──代码.rar 7.43kb

├──章节2：HMM算法

├──1.txt 0.44kb

├──10：HMM预测问题使用维特比算法_ev.mp4 26.12M

├──11：HMM复习_明确概率计算问题要解决的目标_ev.mp4 64.56M

├──12：前向算法来解决概率计算问题_ev.mp4 27.36M

├──13：Viterbi算法案例详解_ev.mp4 71.72M

├──14：Viterbi算法代码实现_ev.mp4 32.88M

├──7：HMM隐马的定义_ev.mp4 32.90M

├──8：HMM隐马的三组参数_三个基本问题_ev.mp4 56.02M

├──9：HMM预测问题使用前向算法_ev.mp4 35.97M

├──代码.rar 0.94kb

└──资料.rar 26.48kb

└──章节3：CRF算法

├──1.txt 0.27kb

├──15：NER与分词和POS的关系_NER的标注策略_NER的主要方法_ev.mp4 84.69M

├──16：讲解了一下常见的深度学习LSTM+CRF的网络拓扑_ev.mp4 40.02M

├──17：了解CRF层添加的好处_ev.mp4 62.98M

├──18：EmissionScore_TransitionScore_ev.mp4 51.66M

├──19：CRF的目标函数_ev.mp4 14.34M

├──20：计算CRF真实路径的分数_ev.mp4 44.32M

├──21：计算CRF所有可能路径的总分数_ev.mp4 86.34M

├──22：通过模型来预测新的句子的序列标签_ev.mp4 50.15M

└──CRF_NER.pdf 1.17M

├──10、机器学习与大数据-Kaggle竞赛实战

├──章节1：药店销量预测案例

├──1：Rossmann药店销量预测_kaggle的介绍_ev.mp4 12.98M

├──2：对数据字段的介绍_导包_ev.mp4 8.63M

├──3：自定义损失函数_ev.mp4 9.44M

├──4：对数据里面的目标变量sales的一个分析_ev.mp4 16.91M

├──5：数据的预处理_ev.mp4 44.16M

├──6：模型的训练_评估_ev.mp4 23.62M

├──7：kaggle竞赛网站学习_ev.mp4 53.20M

├──代码.rar 6.42M

└──新建文本文档.txt 0.38kb

└──章节2：网页分类案例

├──10：评估指标ROC和AUC_ev.mp4 20.69M

├──11：竞赛其他相关提交成绩排行榜_ev.mp4 19.99M

├──12：数据导入_ev.mp4 23.63M

├──13：MLlib对网页分类竞赛数据预处理_ev.mp4 38.72M

├──14：MLlib对网页分类竞赛数据预处理_模型训练_ev.mp4 28.04M

├──15：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_ev.mp4 25.53M

├──16：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_ev.mp4 37.65M

├──17：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_ev.mp4 36.02M

├──18：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_ev.mp4 28.96M

├──19：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_ev.mp4 30.51M

├──8：Kaggle网页分类竞赛介绍_ev.mp4 11.17M

├──9：评估指标ROC和AUC_ev.mp4 22.35M

├──代码.rar 8.81M

└──新建文本文档.txt 0.28kb

├──11-机器学习与大数据-海量数据挖掘工具

├──章节1：Spark计算框架基础

├──1.txt 0.31kb

├──10：分布式计算所需进程_ev.mp4 15.58M

├──11：两种算子操作本质区别_ev.mp4 26.08M

├──12：Spark算子操作实战讲解_代码实战WordCount_01_ev.mp4 31.67M

├──13：Spark算子操作实战讲解_代码实战WordCount_02_ev.mp4 25.90M

├──14：Spark算子操作实战讲解_代码实战WordCount_03_ev.mp4 20.19M

├──15：Spark算子操作实战讲解_代码实战WordCount_04_ev.mp4 17.85M

├──1：Spark特姓_01_ev.mp4 25.08M

├──2：Spark特姓_02_ev.mp4 17.40M

├──3：Spark对比hadoop优势_ev.mp4 12.38M

├──4：回顾hadoop讲解shuffle_ev.mp4 19.97M

├──5：分布式计算框架Shuffle的原理_01_ev.mp4 25.51M

├──6：分布式计算框架Shuffle的原理_02_ev.mp4 25.73M

├──7：分布式计算框架Shuffle的原理_03_ev.mp4 17.39M

├──8：Spark的RDD特姓_01_ev.mp4 19.34M

├──9：Spark的RDD特姓_02_ev.mp4 21.87M

├──代码.rar 383.20M

└──资料.rar 1.49M

├──章节2：Spark计算框架深入

├──1.txt 0.37kb

├──16：Spark数据缓存机制_ev.mp4 29.16M

├──17：Spark宽依赖和窄依赖_01_ev.mp4 24.86M

├──18：Spark宽依赖和窄依赖_02_ev.mp4 22.51M

├──19：Spark宽依赖和窄依赖_03_ev.mp4 15.81M

├──20：Spark术语总结_ev.mp4 40.14M

├──21：分布式文件系统Block块的大小配置_ev.mp4 44.18M

├──22：Spark程序启动运行流程详解_01_ev.mp4 19.59M

├──23：Spark程序启动运行流程详解_02_ev.mp4 28.61M

├──24：Spark程序启动运行流程详解_03_ev.mp4 19.88M

├──25：讲解构建稀疏和稠密向量_01_ev.mp4 33.93M

├──26：讲解构建稀疏和稠密向量_01_ev.mp4 36.24M

├──27：构建LabeledPoint_ev.mp4 44.27M

└──28：介绍SparkMLlib模块中实现的算法和调用_ev.mp4 34.98M

└──章节3：Spark机器学习MLlib和ML模块

├──1.txt 0.26kb

├──29：SparkMLlib对于逻辑回归算法的调用_ev.mp4 49.29M

├──30：SparkMLlib调用逻辑回归_自定义阈值_1_ev.mp4 52.43M

├──31：SparkMLlib调用逻辑回归_自定义阈值_2_ev.mp4 47.11M

├──32：SparkMLlib调用逻辑回归_使用标准归一化_1_ev.mp4 38.63M

├──33：SparkMLlib调用逻辑回归_使用标准归一化_2_ev.mp4 65.62M

├──34：SparkMLlib调用逻辑回归_使用标准归一化_3_ev.mp4 33.14M

├──35：SparkMLlib调用逻辑回归_使用标准归一化_4_ev.mp4 43.60M

├──36：SparkMLlib调用KMeans聚类_调用决策树(1)_1_ev.mp4 37.79M

├──37：SparkMLlib调用KMeans聚类_调用决策树(1)_2_ev.mp4 47.15M

├──38：SparkMLlib调用KMeans聚类_调用决策树(1)_3_ev.mp4 40.95M

├──39：使用逻辑回归和随机森林对股票Stock预测案例实战_1_ev.mp4 43.42M

├──40：使用逻辑回归和随机森林对股票Stock预测案例实战_2_ev.mp4 34.88M

├──41：使用逻辑回归和随机森林对股票Stock预测案例实战_3_ev.mp4 34.72M

├──42：从数据转化到训练集的构建_ev.mp4 63.43M

├──43：模型的训练以及评估和调超参_1_ev.mp4 35.13M

├──44：模型的训练以及评估和调超参_2_ev.mp4 32.20M

├──45：模型的训练以及评估和调超参_3_ev.mp4 43.15M

├──46：SparkML机器学习库概念讲解_1_ev.mp4 59.65M

├──47：SparkML机器学习库概念讲解_2_ev.mp4 53.66M

├──48：SparkML机器学习库代码实战讲解_1_ev.mp4 61.17M

├──49：SparkML机器学习库代码实战讲解_2_ev.mp4 63.52M

├──50：SparkML网页分类案例代码实战续（1）_1_ev.mp4 62.90M

├──51：SparkML网页分类案例代码实战续（1）_2_ev.mp4 60.75M

├──52：SparkML网页分类案例代码实战续（2）_1_ev.mp4 57.53M

├──53：SparkML网页分类案例代码实战续（2）_2_ev.mp4 44.96M

├──54：SparkML网页分类案例代码实战续（3）_ev.mp4 3.98M

└──资料.rar 1.28M

├──12-机器学习与大数据-推荐系统项目实战

├──章节1：推荐系统–流程与架构

├──1.txt 0.33kb

├──10：推荐系统列表_关联特征权重_基本特征权重的计算_2_ev.mp4 43.64M

├──11：推荐系统列表_关联特征权重_基本特征权重的计算_3_ev.mp4 41.91M

├──12：推荐系统_数据源_1_ev.mp4 33.87M

├──13：推荐系统_数据源_2_ev.mp4 31.31M

├──1：推荐系统_隐式用户反馈_1_ev.mp4 44.96M

├──2：推荐系统_隐式用户反馈_2_ev.mp4 49.06M

├──3：推荐系统_协同过滤_1_ev.mp4 29.26M

├──4：推荐系统_协同过滤_2_ev.mp4 28.44M

├──5：推荐系统_协同过滤_3_ev.mp4 28.65M

├──6：推荐系统_协同过滤_4_ev.mp4 29.76M

├──7：推荐系统架构_实时_离线_1_ev.mp4 41.81M

├──8：推荐系统架构_实时_离线_2_ev.mp4 41.79M

├──9：推荐系统列表_关联特征权重_基本特征权重的计算_1_ev.mp4 37.58M

├──数据.rar 759.94kb

└──资料.rar 2.67M

├──章节2：推荐系统–数据预处理和模型构建评估实战

├──1.txt 0.38kb

├──14：HQL语句_python脚本构建中间结果_1_ev.mp4 48.91M

├──15：HQL语句_python脚本构建中间结果_2_ev.mp4 46.79M

├──16：HQL语句_python脚本构建中间结果_3_ev.mp4 43.99M

├──17：HQL语句_python脚本构建中间结果_4_ev.mp4 47.18M

├──18：推荐系统_数据预处理_spark构建特征索引_标签列_1_ev.mp4 43.80M

├──19：spark构建特征索引_标签列_2_ev.mp4 43.31M

├──20：spark构建特征索引_标签列_3_ev.mp4 42.32M

├──21：spark构建特征索引_标签列_4_ev.mp4 39.89M

├──22：MLlib调用算法计算模型文件并存储_1_ev.mp4 40.21M

├──23：MLlib调用算法计算模型文件并存储_2_ev.mp4 37.77M

├──24：MLlib调用算法计算模型文件并存储_3_ev.mp4 43.55M

├──25：ACC准确率和AUC面积的计算以及意义_ev.mp4 93.24M

├──代码.rar 6.12kb

├──集群.rar 6.46G

├──软件.rar 665.46M

├──数据.rar 2.90M

└──资料.rar 468.42kb

└──章节3：推荐系统–模型使用和推荐服务

├──1.txt 0.43kb

├──26：推荐模型文件使用思路_ev.mp4 25.82M

├──27：Redis数据库安装及其使用_ev.mp4 16.62M

├──28：实时在线推荐列表计算逻辑代码讲解_1_ev.mp4 50.63M

├──29：实时在线推荐列表计算逻辑代码讲解_2_ev.mp4 40.17M

├──30：实时在线推荐列表计算逻辑代码讲解_3_ev.mp4 36.75M

├──31：实时在线推荐列表计算逻辑代码讲解_4_ev.mp4 36.51M

├──32：使用Dubbo将推荐系统做成服务_1_ev.mp4 41.30M

├──33：使用Dubbo将推荐系统做成服务_2_ev.mp4 41.40M

├──34：使用Dubbo将推荐系统做成服务_3_ev.mp4 45.74M

├──35：Dubbo推荐服务演示_SparkMLlib介绍_1_ev.mp4 51.29M

├──36：Dubbo推荐服务演示_SparkMLlib介绍_2_ev.mp4 47.92M

├──37：Dubbo推荐服务演示_SparkMLlib介绍_3_ev.mp4 50.71M

└──代码.rar 42.15M

├──13-深度学习-原理和进阶

├──章节1：神经网络算法

├──1.txt 0.36kb

├──1：神经网络是有监督的算法_生物神经元到人工神经元_ev.mp4 63.30M

├──2：三种常见的激活函数_网络拓扑介绍_优化算法_ev.mp4 33.55M

├──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_ev.mp4 45.44M

├──4：用神经网络理解Softmax回归_ev.mp4 44.38M

├──5：隐藏层的意义_隐藏层相当于去做预处理_升维降维_ev.mp4 69.11M

├──6：多节点网络输出_sklearn中NN模块的介绍_ev.mp4 53.02M

├──7：sklearn中NN模型的代码使用_ev.mp4 69.28M

├──8：隐藏层激活函数必须是非线姓的_ev.mp4 13.69M

├──9：tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装_ev.mp4 132.12M

├──神经网络.pdf 518.13kb

└──资料.rar 12.88M

├──章节2：TensorFlow深度学习工具

├──1.txt 0.28kb

├──10：CUDA下载地址_CUDA显卡白名单地址_ev.mp4 57.91M

├──11：CUDA安装_cudnn安装_环境变量配置_检验是否安装成功_ev.mp4 60.71M

├──12：Tensorflow代码运行机制_TF基础的代码_ev.mp4 98.16M

├──13：TF实现线姓回归解析解的方式_TF实现线姓回归梯度下降的方式_ev.mp4 106.23M

├──14：TF实现线姓回归BGD的方式_使用Optimizer_每轮打乱数据_ev.mp4 130.43M

├──15：TF实现Softmax回归来识别MNIST手写数字_ev.mp4 108.49M

├──16：TF实现DNN来识别MNIST手写数字_ev.mp4 104.48M

├──代码.rar 27.29kb

└──软件.rar 2.13G

└──章节3：反向传播推导_Python代码实现神经网络

├──1.txt 0.31kb

├──17：反向传播_链式求导法则_ev.mp4 56.13M

├──18：反向传播推导(一)_ev.mp4 91.08M

├──19：反向传播推导(二)从输出层到最后一个隐藏层_ev.mp4 78.81M

├──20：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_ev.mp4 65.08M

├──21：反向传播推导(四)关于Δ和a还有梯度的更新事宜_ev.mp4 25.06M

├──22：python实现神经网络训练代码讲解(一)_ev.mp4 50.79M

├──23：python实现神经网络正向反向传播训练_ev.mp4 65.01M

├──代码.rar 2.83kb

└──资料.rar 180.60kb

├──14-深度学习-图像识别原理

├──章节1：卷积神经网络原理

├──1.txt 0.41kb

├──1：回顾深度神经网络_卷积层是局部连接_ev.mp4 81.89M

├──2：单通道卷积的计算_ev.mp4 65.27M

├──3：彩涩图片卷积的计算_ev.mp4 36.33M

├──4：卷积层权值共享_ev.mp4 37.06M

├──5：卷积的补充与Padding填充模式_ev.mp4 56.33M

├──6：卷积的计算TF中的API操作与参数_ev.mp4 76.76M

├──7：池化的概念和TF中的API的操作与参数_ev.mp4 52.54M

├──8：经典的CNN架构和LeNet5_ev.mp4 90.93M

├──代码.rar 1.60kb

└──资料.rar 3.08M

├──章节2：卷积神经网络优化

├──1.txt 0.81kb

├──10：Dropout技术点思想和运用_ev.mp4 72.22M

├──11：数据增强技术点_CNN对MNIST数据集分类_卷积池化代码_ev.mp4 62.59M

├──12：CNN对MNIST数据集分类_全连接层以及训练代码_ev.mp4 75.35M

├──13：深度学习网络对应ACC准确率忽然下降的思考点_ev.mp4 63.34M

├──14：减轻梯度消失问题中激活函数发挥的作用_ev.mp4 25.71M

├──15：减轻梯度消失问题中参数初始化发挥的作用_ev.mp4 54.56M

├──16：VGG网络结构_以及1乘1的卷积核的作用和好处_ev.mp4 76.57M

├──17：Optimizer_SGD_Momentum_ev.mp4 59.32M

├──18：Optimizer_Adagrad_Adadelta_RMSprop_ev.mp4 79.54M

├──19：Optimizer_Adam_ev.mp4 79.91M

├──9：AlexNet网络结构_连续使用小的卷积核好处_ev.mp4 60.49M

├──代码.rar 3.01kb

└──资料.rar 25.89kb

├──章节3：经典卷积网络算法

├──1.txt 0.37kb

├──20：Keras介绍_以及不同项目调用不同的python环境和CUDA环境_ev.mp4 78.00M

├──21：VGG16_Fine-tuning_对MNIST做手写数字识别_ev.mp4 89.69M

├──22：InceptionV1_V2_ev.mp4 131.69M

├──23：InceptionV3_以及InceptionV3对皮肤癌图片识别_ev.mp4 124.68M

├──24：ResNet残差单元_BottlenetBlocK_ev.mp4 72.33M

├──25：DenseNet和Keras里面的实现_ev.mp4 116.93M

├──26：DenseNet在Keras里面的代码实现_ev.mp4 52.49M

├──27：BatchNormalization_ev.mp4 84.12M

├──28：Mobilenet网络架构_ev.mp4 123.63M

├──代码.rar 5.33kb

└──资料.rar 5.05M

├──章节4：古典目标检测

├──1.txt 0.23kb

├──29：图像识别任务_古典目标检测_ev.mp4 121.49M

├──30：使用OpenCV调用分类器找到目标框_ev.mp4 73.92M

├──31：IOU以及python计算的代码_ev.mp4 18.51M

├──32：R-CNN和SPP-net_ev.mp4 68.40M

├──33：从FastRCNN引入FasterRCNN_ev.mp4 93.80M

└──目标检测.pdf 2.36M