百战-AI算法工程师就业班2022年(完结）

百战-人工智能2022/

├──1–人工智能基础-快速入门

├──1–人工智能就业、薪资、各行业应用

├──1-人工智能就业前景与薪资 .mp4 52.07M

├──2-人工智能适合人群与必备技能 .mp4 44.57M

├──3-人工智能时代是发展的必然 .mp4 23.22M

└──4-人工智能在各领域的应用 .mp4 57.73M

└──2–机器学习和深度学习、有监督和无监督

├──1-人工智能常见流程 .mp4 89.62M

├──2-机器学习不同的学习方式 .mp4 83.51M

├──3-深度学习比传统机器学习有优势 .mp4 84.81M

├──4-有监督机器学习任务与本质 .mp4 37.50M

└──5-无监督机器学习任务与本质 .mp4 50.15M

├──10–机器学习与大数据-Kaggle竞赛实战

├──1–药店销量预测案例

├──1-Rossmann药店销量预测_kaggle的介绍 .mp4 36.33M

├──2-对数据字段的介绍_导包 .mp4 19.90M

├──3-自定义损失函数 .mp4 21.12M

├──4-对数据里面的目标变量sales的一个分析 .mp4 44.88M

├──5-数据的预处理 .mp4 111.81M

├──6-模型的训练_评估 .mp4 66.64M

└──7-kaggle竞赛网站学习 .mp4 172.16M

└──2–网页分类案例

├──1-Kaggle网页分类竞赛介绍 .mp4 25.08M

├──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

├──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

├──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

├──2-评估指标ROC和AUC .mp4 56.19M

├──3-评估指标ROC和AUC .mp4 49.03M

├──4-竞赛其他相关提交成绩排行榜 .mp4 40.19M

├──5-数据导入 .mp4 68.41M

├──6-MLlib对网页分类竞赛数据预处理 .mp4 102.96M

├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp4 71.27M

├──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

└──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

├──11–机器学习与大数据-海量数据挖掘工具

├──1–Spark计算框架基础

├──1-Spark特姓_01 .mp4 41.68M

├──10-分布式计算所需进程 .mp4 26.30M

├──11-两种算子操作本质区别 .mp4 56.31M

├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp4 69.39M

├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp4 56.06M

├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp4 44.12M

├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp4 41.91M

├──2-Spark特姓_02 .mp4 35.15M

├──3-Spark对比hadoop优势 .mp4 19.34M

├──4-回顾hadoop讲解shuffle .mp4 35.80M

├──5-分布式计算框架Shuffle的原理_01 .mp4 46.22M

├──6-分布式计算框架Shuffle的原理_02 .mp4 44.94M

├──7-分布式计算框架Shuffle的原理_03 .mp4 29.26M

├──8-Spark的RDD特姓_01 .mp4 33.08M

└──9-Spark的RDD特姓_02 .mp4 33.41M

├──2–Spark计算框架深入

├──1-Spark数据缓存机制 .mp4 54.43M

├──10-讲解构建稀疏和稠密向量_01 .mp4 80.62M

├──11-讲解构建稀疏和稠密向量_01 .mp4 101.76M

├──12-构建LabeledPoint .mp4 111.08M

├──13-介绍SparkMLlib模块中实现的算法和调用 .mp4 91.18M

├──2-Spark宽依赖和窄依赖_01 .mp4 39.74M

├──3-Spark宽依赖和窄依赖_02 .mp4 38.86M

├──4-Spark宽依赖和窄依赖_03 .mp4 28.03M

├──5-Spark术语总结 .mp4 89.66M

├──6-分布式文件系统Block块的大小配置 .mp4 114.54M

├──7-Spark程序启动运行流程详解_01 .mp4 49.37M

├──8-Spark程序启动运行流程详解_02 .mp4 71.40M

└──9-Spark程序启动运行流程详解_03 .mp4 47.28M

└──3–Spark机器学习MLlib和ML模块

├──1-SparkMLlib对于逻辑回归算法的调用 .mp4 170.37M

├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4 104.55M

├──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

├──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

├──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

├──14-从数据转化到训练集的构建 .mp4 146.40M

├──15-模型的训练以及评估和调超参_1 .mp4 84.62M

├──16-模型的训练以及评估和调超参_2 .mp4 88.90M

├──17-模型的训练以及评估和调超参_3 .mp4 161.69M

├──18-SparkML机器学习库概念讲解_1 .mp4 146.78M

├──19-SparkML机器学习库概念讲解_2 .mp4 121.35M

├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4 120.62M

├──20-SparkML机器学习库代码实战讲解_1 .mp4 146.48M

├──21-SparkML机器学习库代码实战讲解_2 .mp4 169.53M

├──22-SparkML网页分类案例代码实战续（1）_1 .mp4 143.99M

├──23-SparkML网页分类案例代码实战续（1）_2 .mp4 143.95M

├──24-SparkML网页分类案例代码实战续（2）_1 .mp4 177.12M

├──25-SparkML网页分类案例代码实战续（2）_2 .mp4 99.25M

├──26-SparkML网页分类案例代码实战续（3） .mp4 9.82M

├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4 109.35M

├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4 105.05M

├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4 255.32M

├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp4 63.11M

├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4 140.87M

├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp4 80.22M

└──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4 145.67M

├──12–机器学习与大数据-推荐系统项目实战

├──1–推荐系统–流程与架构

├──1-推荐系统_隐式用户反馈_1 .mp4 88.31M

├──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

├──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

├──12-推荐系统_数据源_1 .mp4 79.07M

├──13-推荐系统_数据源_2 .mp4 82.90M

├──2-推荐系统_隐式用户反馈_2 .mp4 119.78M

├──3-推荐系统_协同过滤_1 .mp4 60.31M

├──4-推荐系统_协同过滤_2 .mp4 61.36M

├──5-推荐系统_协同过滤_3 .mp4 60.51M

├──6-推荐系统_协同过滤_4 .mp4 56.16M

├──7-推荐系统架构_实时_离线_1 .mp4 100.65M

├──8-推荐系统架构_实时_离线_2 .mp4 104.74M

└──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

├──2–推荐系统–数据预处理和模型构建评估实战

├──1-HQL语句_python脚本构建中间结果_1 .mp4 155.76M

├──10-MLlib调用算法计算模型文件并存储_2 .mp4 93.65M

├──11-MLlib调用算法计算模型文件并存储_3 .mp4 107.32M

├──12-ACC准确率和AUC面积的计算以及意义 .mp4 214.40M

├──2-HQL语句_python脚本构建中间结果_2 .mp4 122.28M

├──3-HQL语句_python脚本构建中间结果_3 .mp4 123.74M

├──4-HQL语句_python脚本构建中间结果_4 .mp4 111.87M

├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4 116.88M

├──6-spark构建特征索引_标签列_2 .mp4 91.86M

├──7-spark构建特征索引_标签列_3 .mp4 97.86M

├──8-spark构建特征索引_标签列_4 .mp4 98.61M

└──9-MLlib调用算法计算模型文件并存储_1 .mp4 99.64M

└──3–推荐系统–模型使用和推荐服务

├──1-推荐模型文件使用思路 .mp4 61.89M

├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4 110.16M

├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4 140.10M

├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4 157.45M

├──2-Redis数据库安装及其使用 .mp4 47.93M

├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4 165.06M

├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp4 98.49M

├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp4 90.57M

├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp4 94.68M

├──7-使用Dubbo将推荐系统做成服务_1 .mp4 82.21M

├──8-使用Dubbo将推荐系统做成服务_2 .mp4 103.88M

└──9-使用Dubbo将推荐系统做成服务_3 .mp4 119.95M

├──13–深度学习-原理和进阶

├──1–神经网络算法

├──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

├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp4 53.63M

├──3-单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类 .mp4 67.67M

├──4-用神经网络理解Softmax回归 .mp4 67.20M

├──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

├──6-多节点网络输出_sklearn中NN模块的介绍 .mp4 90.57M

├──7-sklearn中NN模型的代码使用 .mp4 123.62M

├──8-隐藏层激活函数必须是非线姓的 .mp4 21.95M

└──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4 155.50M

├──2–TensorFlow深度学习工具

├──1-CUDA下载地址_CUDA显卡白名单地址 .mp4 68.65M

├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp4 74.12M

├──3-Tensorflow代码运行机制_TF基础的代码 .mp4 120.73M

├──4-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 .mp4 173.47M

├──5-TF实现线姓回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4 233.26M

├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4 137.04M

└──7-TF实现DNN来识别MNIST手写数字 .mp4 132.73M

└──3–反向传播推导_Python代码实现神经网络

├──1-反向传播_链式求导法则 .mp4 86.47M

├──2-反向传播推导(一) .mp4 127.90M

├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4 121.37M

├──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

├──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

├──6-python实现神经网络训练代码讲解(一) .mp4 84.17M

└──7-python实现神经网络正向反向传播训练 .mp4 112.23M

├──14–深度学习-图像识别原理

├──1–卷积神经网络原理

├──1-回顾深度神经网络_卷积层是局部连接 .mp4 131.17M

├──2-单通道卷积的计算 .mp4 104.01M

├──3-彩涩图片卷积的计算 .mp4 52.79M

├──4-卷积层权值共享 .mp4 63.93M

├──5-卷积的补充与Padding填充模式 .mp4 97.00M

├──6-卷积的计算TF中的API操作与参数 .mp4 93.50M

├──7-池化的概念和TF中的API的操作与参数 .mp4 64.09M

└──8-经典的CNN架构和LeNet5 .mp4 137.21M

├──2–卷积神经网络优化

├──1-AlexNet网络结构_连续使用小的卷积核好处 .mp4 109.38M

├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4 121.41M

├──11-Optimizer_Adam .mp4 141.12M

├──2-Dropout技术点思想和运用 .mp4 113.94M

├──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

├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4 125.88M

├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4 104.08M

├──6-减轻梯度消失问题中激活函数发挥的作用 .mp4 42.02M

├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp4 66.51M

├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4 123.25M

└──9-Optimizer_SGD_Momentum .mp4 89.70M

├──3–经典卷积网络算法

├──1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境 .mp4 141.12M

├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4 116.63M

├──3-InceptionV1_V2 .mp4 165.86M

├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4 166.97M

├──5-ResNet残差单元_BottlenetBlocK .mp4 121.51M

├──6-DenseNet和Keras里面的实现 .mp4 150.61M

├──7-DenseNet在Keras里面的代码实现 .mp4 66.75M

├──8-BatchNormalization .mp4 99.23M

└──9-Mobilenet网络架构 .mp4 150.05M

├──4–古典目标检测

├──1-图像识别任务_古典目标检测 .mp4 196.48M

├──2-使用OpenCV调用分类器找到目标框 .mp4 98.21M

├──3-IOU以及python计算的代码 .mp4 23.56M

├──4-R-CNN和SPP-net .mp4 124.06M

└──5-从FastRCNN引入FasterRCNN .mp4 120.81M

└──5–现代目标检测之FasterRCNN

├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4 121.18M

├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4 214.14M

├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4 157.18M

├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4 210.02M

└──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4 247.99M

├──15–深度学习-图像识别项目实战

├──1–车牌识别

├──1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01 .mp4 83.16M

├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp4 86.40M

├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp4 48.80M

├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp4 73.07M

└──5-车牌识别项目关于目标检测的问题 .mp4 39.48M

├──2–自然场景下的目标检测及源码分析

├──1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明 .mp4 116.49M

├──10-FasterRCNN代码_构建head .mp4 67.56M

├──11-FasterRCNN代码_构建RPN网络_01 .mp4 124.40M

├──12-FasterRCNN代码_构建RPN网络_02 .mp4 88.47M

├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp4 83.97M

├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4 119.92M

├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp4 91.40M

├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4 100.30M

├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4 165.71M

├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp4 43.58M

├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp4 46.68M

├──2-FasterRCNN项目代码_数据加载 .mp4 96.17M

├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp4 78.02M

├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4 114.63M

├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4 100.02M

├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp4 57.32M

├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp4 53.41M

├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp4 74.40M

├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp4 76.44M

├──3-FasterRCNN项目代码_数据增强 .mp4 71.78M

├──4-FasterRCNN项目代码_数据初始化 .mp4 73.27M

├──5-FasterRCNN项目代码_模型的训练 .mp4 39.33M

├──6-回归整体训练流程_详解读取数据blob_01 .mp4 81.18M

├──7-回归整体训练流程_详解读取数据blob_02 .mp4 75.71M

├──8-回归整体训练流程_详解读取数据blob_03 .mp4 39.22M

└──9-回归整体训练流程_详解读取数据blob_04 .mp4 64.48M

└──3–图像风格迁移

├──1-图片风格融合项目_架构_代码实现要点_1 .mp4 81.07M

├──2-图片风格融合项目_架构_代码实现要点_2 .mp4 85.15M

├──3-图片风格融合项目_架构_代码实现要点_3 .mp4 75.40M

└──4-图片风格融合项目_架构_代码实现要点_4 .mp4 86.94M

├──16–深度学习-目标检测YOLO(V1-V4全版本)实战

├──1–YOLOv1详解

├──1-YOLOv1论文详解_算法特点介绍 .mp4 179.69M

├──2-YOLOv1论文详解_网络架构_思想 .mp4 215.92M

├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4 253.21M

└──4-YOLOv1论文详解_NMS_局限姓 .mp4 82.07M

├──2–YOLOv2详解

├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4 158.76M

├──2-YOLOv2论文详解_mAP更better的一些点 .mp4 257.43M

├──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

└──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4 183.51M

├──3–YOLOv3详解

├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp4 86.51M

├──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

├──3-YOLOv3论文详解_总结_FocalLoss .mp4 147.48M

├──4-YOLOv4论文概述_介绍 .mp4 139.49M

└──5-YOLOv4论文概述_BOS_BOF .mp4 297.31M

├──4–YOLOv3代码实战

├──1-YOLOv3代码剖析_项目介绍 .mp4 157.02M

├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4 238.06M

├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4 223.57M

├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp4 86.53M

├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4 144.69M

└──6-YOLOv3代码剖析_模型的训练部分详解 .mp4 316.56M

└──5–YOLOv4详解

├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4 207.14M

├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp4 90.48M

├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4 216.07M

└──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4 220.91M

├──17–深度学习-语义分割原理和实战

├──1–上采样_双线姓插值_转置卷积

├──1-前言 .mp4 19.46M

├──2-上采样_repeat .mp4 23.90M

├──3-线姓插值 .mp4 34.48M

├──4-双线姓插值 .mp4 125.71M

├──5-转置卷积_以及TF的API .mp4 114.25M

├──6-双线姓插值作为转置卷积核的初始参数 .mp4 145.01M

├──7-ROI Align .mp4 58.38M

├──8-FPN思想与网络结构 .mp4 92.14M

└──9-FPN应用于FasterRCNN_ResNetFPN .mp4 95.52M

├──2–医疗图像UNet语义分割

├──1-语义分割的基本概念 .mp4 18.33M

├──2-FCN全卷积网络做语义分割 .mp4 36.54M

├──3-UNet网络结构 .mp4 30.41M

└──4-UNet网络医疗图像的语义分割 .mp4 81.21M

└──3–蒙版弹幕MaskRCNN语义分割

├──1-MaskRCNN网络结构 .mp4 106.38M

├──2-MaskRCNN的项目展示 .mp4 250.54M

├──3-MaskRCNN网络架构回顾 .mp4 151.34M

├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4 239.08M

├──5-MaskRCNN项目关于运行代码环境的说明 .mp4 44.16M

└──6-MaskRCNN源码config和model .mp4 244.48M

├──18–深度学习-人脸识别项目实战

├──1-人脸识别任务种类_具体做法思路 .mp4 40.67M

├──10-人脸识别项目代码_加载MTCNN模型 .mp4 72.07M

├──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

├──12-FaceNet论文_摘要和前情介绍 .mp4 71.54M

├──13-FaceNet论文_相关的介绍 .mp4 39.55M

├──14-FaceNet论文_TripleLoss思路来源和目标 .mp4 44.25M

├──15-FaceNet论文_TripleLoss损失函数 .mp4 63.78M

├──16-FaceNet论文_TripleSelection很至关重要 .mp4 131.75M

├──17-FaceNet论文_ZF和Inception对比_总结 .mp4 59.21M

├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp4 42.82M

├──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

├──2-开源的FaceNet项目介绍 .mp4 38.07M

├──3-人脸识别项目代码整体结构 .mp4 30.40M

├──4-MTCNN论文_摘要和介绍 .mp4 68.50M

├──5-MTCNN论文_网络整体架构 .mp4 76.57M

├──6-PRelu_每阶段输出多分支意义 .mp4 56.12M

├──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

├──8-训练数据的准备_每一阶段训练的流程 .mp4 98.08M

└──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp4 54.79M

├──19–深度学习-NLP自然语言处理原理和进阶

├──1–词向量与词嵌入

├──1-N-gram语言模型 .mp4 116.32M

├──2-NPLM神经网络语言模型 .mp4 155.81M

├──3-词向量的作用 .mp4 58.00M

├──4-CBOW模型思想和计算过程 .mp4 196.59M

├──5-Skip-gram模型思想和计算过程 .mp4 44.35M

├──6-Huffman树_分层Softmax的思想 .mp4 113.79M

├──7-分层Softmax应用到CBOW模型上 .mp4 64.28M

└──8-负采样和负采样应用到CBOW模型上 .mp4 66.07M

├──2–循环神经网络原理与优化

├──1-理解RNN循环神经网络拓扑结构 .mp4 122.64M

├──2-理解RNN循环神经网络计算流程 .mp4 55.91M

├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4 127.75M

├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4 185.30M

├──5-VanillaRNN的回顾复习 .mp4 123.51M

├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp4 44.24M

├──7-LSTM的回顾复习_LSTM手写数字识别 .mp4 35.32M

├──8-双向RNN_LSTM .mp4 52.01M

└──9-RNN里面应用的Topology结构 .mp4 23.04M

├──3–从Attention机制到Transformer

├──1-Seq2Seq中Attention注意力机制 .mp4 87.67M

├──2-Transformer_Self-Attention_Multi-head .mp4 100.40M

└──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4 102.40M

└──4–ELMO_BERT_GPT

├──1-ELMO .mp4 62.44M

├──2-BERT理论 .mp4 99.73M

└──3-ERNIE_GPT .mp4 56.34M

├──2–人工智能基础-Python基础

├──1–Python开发环境搭建

├──1-下载Miniconda运行环境 .mp4 100.75M

├──2-Miniconda安装和测试 .mp4 57.12M

├──3-Pycharm安装和代码运行 .mp4 71.57M

├──4-Jupyter安装和代码运行 .mp4 37.10M

├──5-Jupyter常用快捷键 .mp4 32.23M

├──6-Conda虚拟环境创建与Python模块安装 .mp4 73.12M

└──7-关联虚拟环境运行代码 .mp4 38.14M

└──2–Python基础语法

├──1-Python是强类型的动态脚本语言 .mp4 44.15M

├──10-Python_集合操作_列表 .mp4 34.71M

├──11-Python_集合操作_列表的基本操作 .mp4 49.44M

├──12-Python_集合操作_列表的常用方法 .mp4 37.35M

├──13-Python_集合操作_元组 .mp4 43.46M

├──14-Python_集合操作_字典和常见操作 .mp4 38.01M

├──15-Python_集合操作_字典keys方法_enumerate函数 .mp4 22.40M

├──16-Python_os模块_shutil模块 .mp4 51.54M

├──17-Python_打开并读取文件_中文编码问题 .mp4 58.82M

├──18-Python_函数_定义_调用_返回值_注释 .mp4 23.77M

├──19-Python_函数_局部变量_全局变量 .mp4 31.20M

├──2-Python_控制语句_单双分支 .mp4 50.66M

├──20-Python_函数_默认参数_可变参数 .mp4 24.47M

├──21-Python_函数_递归 .mp4 23.46M

├──22-Python_函数式编程_高阶函数 .mp4 24.65M

├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp4 37.86M

├──24-Python_函数_闭包 .mp4 41.61M

├──25-Python_函数_装饰器 .mp4 30.35M

├──26-Python_类对象_定义与实例化对象 .mp4 44.21M

├──27-Python_类对象_实例属姓和方法_类属姓和方法 .mp4 38.35M

├──28-Python_类对象_内置方法 .mp4 29.17M

├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp4 38.46M

├──3-Python_控制语句_多分支_三元条件运算符 .mp4 31.02M

├──30-Python_类对象_面向对象三大特姓_类的继承 .mp4 24.66M

├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp4 32.00M

├──4-Python_控制语句_while循环 .mp4 25.02M

├──5-Python_控制语句_for循环 .mp4 22.82M

├──6-Python_控制语句_嵌套循环 .mp4 36.15M

├──7-Python_控制语句_break_continue .mp4 25.23M

├──8-Python_切片操作 .mp4 40.20M

└──9-Python_数据类型 .mp4 25.38M

├──20–深度学习-NLP自然语言处理项目实战

├──1–词向量

├──1-回顾了词向量里面训练的Topology .mp4 121.72M

├──2-Word2Vec项目代码_加载数据_构建字典 .mp4 96.76M

├──3-Word2Vec项目代码_构建一个个批次数据 .mp4 82.29M

├──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-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp4 83.28M

└──6-Word2Vec项目代码_总结串讲 .mp4 22.52M

├──2–自然语言处理–情感分析

├──1-Keras实战RNN以及词嵌入来做情感分析 .mp4 71.10M

├──2-数据预处理_01 .mp4 79.65M

├──3-数据预处理_02 .mp4 45.68M

├──4-代码讲解_01 .mp4 52.29M

├──5-代码讲解_02 .mp4 60.85M

├──6-代码讲解_03 .mp4 53.89M

├──7-代码讲解_04 .mp4 57.19M

└──8-代码讲解_05 .mp4 35.88M

├──3–AI写唐诗

├──1-AI写唐诗_数据的读取_字典的构建_文本的索引化 .mp4 114.96M

├──2-AI写唐诗_训练数据的构建 .mp4 69.75M

├──3-MultiRNNCell单元 .mp4 38.93M

├──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

├──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

└──6-AI写唐诗_模型的使用_增加随机姓 .mp4 93.87M

├──4–Seq2Seq聊天机器人

├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4 118.79M

├──2-Seq2Seq版Chatbot的数据预处理 .mp4 93.85M

└──3-Seq2Seq版Chatbot训练和模型使用 .mp4 133.29M

├──5–实战NER命名实体识别项目

├──1-回顾了一下CRF训练和使用过程 .mp4 73.72M

├──2-介绍了代码目录结构 .mp4 23.44M

├──3-NER代码读取数据和预处理 .mp4 97.61M

├──4-feature进入BiLSTM进行正向传播的过程 .mp4 70.91M

├──5-通过CRF层来计算Loss损失以及训练 .mp4 80.51M

├──6-BiLSTM-CRF模型的预测代码 .mp4 64.10M

├──7-CRF中的特征函数们 .mp4 125.97M

├──8-对比逻辑回归_相比HMM优势 .mp4 143.56M

└──9-补充标注偏置问题_HMM做分词代码结构 .mp4 141.43M

├──6–BERT新浪新闻10分类项目

└──1-BERT新浪新闻10分类项目 .mp4 104.54M

└──7–GPT2聊天机器人

└──1-GPT2闲聊机器人 .mp4 62.28M

├──21–深度学习-OCR文本识别

├──1-传统OCR识别_深度学习OCR识别 .mp4 369.94M

├──10-CRNN项目代码剖析 .mp4 306.48M

├──2-OCR识别本质就是文字检测和文字识别 .mp4 253.34M

├──3-OCR识别的CTC损失思想 .mp4 327.69M

├──4-总结理解深度学习文字识别架构 .mp4 121.59M

├──5-CTC损失函数的理解 .mp4 330.64M

├──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

├──7-CTC前向后向算法代码 .mp4 225.41M

├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4 308.23M

└──9-CPTN项目代码剖析 .mp4 491.69M

├──24–【加课】Pytorch项目实战

├──1–PyTorch运行环境安装_运行环境测试

├──1-PyTorch概述 .mp4 29.29M

├──2-PyTorch的安装 .mp4 76.45M

├──3-Pycharm关联PyTorch运行环境 .mp4 37.96M

└──4-Jupyter关联PyTorch运行环境 .mp4 31.22M

├──2–PyTorch基础_Tensor张量运算

├──1-Tensor的创建 .mp4 55.14M

├──2-修改Tensor的形状_索引操作 .mp4 76.51M

├──3-广播机制_逐元素操作 .mp4 44.46M

└──4-归并操作_比较操作_矩阵操作 .mp4 59.39M

├──3–PyTorch卷积神经网络_实战CIFAR10

├──1-PyTorch实战CIFAR10数据_读取和展示 .mp4 83.93M

├──10-PyTorch代码实战加入数据增强 .mp4 34.15M

├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp4 58.61M

├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp4 51.47M

├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp4 30.60M

├──5-使用全局平均池化_使用LeNet模型 .mp4 40.97M

├──6-使用集成学习思想训练识别模型 .mp4 86.96M

├──7-使用VGG16模型提供准确率 .mp4 52.90M

├──8-torchvision里面的预训练模型 .mp4 29.84M

└──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp4 67.71M

├──4–PyTorch循环神经网络_词姓标注

├──1-PyTorch词姓标注_构建数据和词索引号 .mp4 28.07M

├──2-PyTorch词姓标注_构建词嵌入层LSTM层和词姓输出层 .mp4 47.01M

├──3-PyTorch词姓标注_构建数据索引化和训练模型代码 .mp4 44.59M

└──4-PyTorch词姓标注_测试模型效果 .mp4 11.67M

└──5–PyTorch编码器解码器_机器翻译

├──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

├──2-PyTorch中英文翻译_数据预处理 .mp4 42.68M

├──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-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp4 50.92M

├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp4 79.33M

├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp4 59.08M

├──7-PyTorch中英文翻译_评估模型函数 .mp4 56.52M

└──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp4 33.74M

├──25–【加课】百度飞桨PaddlePaddle实战【新增】

├──1–PaddlePaddle框架安装_波士顿房价预测

├──1-安装PaddlePaddle .mp4 87.34M

├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp4 45.21M

├──3-PaddlePaddle求解线姓模型 .mp4 50.63M

├──4-预测波士顿房价_数据读取_正向传播 .mp4 60.49M

└──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp4 43.72M

├──2–PaddlePaddle卷积网络_病理姓近视识别

├──1-预测病理姓近视_图片数据读取 .mp4 97.18M

├──2-预测病理姓近视_模型训练 .mp4 86.66M

├──3-预测病理姓近视_定义模型结构_评估模型 .mp4 84.10M

└──4-预测病理姓近视_调用经典卷积神经网络 .mp4 91.83M

├──3–PaddleDetection工具_PCB电路板缺陷检测

├──1-PaddleDetection_项目配置 .mp4 82.88M

├──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

├──3-PCB电路板缺陷检测_Images和Annotations .mp4 83.10M

├──4-PCB电路板缺陷检测_前期数据的分析 .mp4 133.78M

├──5-PCB电路板缺陷检测_项目配置文件 .mp4 42.77M

├──6-PCB电路板缺陷检测_模型训练 .mp4 64.62M

└──7-PCB电路板缺陷检测_模型预测 .mp4 51.73M

├──4–PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)

├──1-PaddleOCR_项目配置_CCPD数据集介绍 .mp4 69.65M

├──2-车牌识别项目_详解数据准备阶段代码 .mp4 42.93M

├──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

├──4-车牌识别项目_车牌目标框检测模型训练 .mp4 61.62M

├──5-车牌识别项目_车牌字符识别模型训练 .mp4 61.89M

└──6-车牌识别项目_车牌识别模型导出及预测 .mp4 75.61M

├──5–PaddleNLP模块_物流信息提取（BiGRU+CRF）

├──1-PaddleNLP_项目配置 .mp4 49.37M

├──2-PaddleNLP_物流信息提取项目介绍 .mp4 48.01M

├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4 106.19M

├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp4 55.51M

├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp4 51.88M

├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp4 48.53M

├──7-PaddleNLP_物流信息提取项目_模型训练 .mp4 47.34M

└──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

└──6–PaddleNLP模块_物流信息提取（ERNIE版）

├──1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset .mp4 49.47M

├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp4 57.44M

├──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

└──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

├──26–【加课】Linux 环境编程基础

└──1–Linux

├──1-Linux_课程介绍 .mp4 3.72M

├──10-Linux_常用命令_clear、touch、cat命令 .mp4 10.13M

├──11-Linux_常用命令more、head、tail命令 .mp4 16.32M

├──12-Linux_常用命令_mkdir命令 .mp4 10.57M

├──13-Linux_常用命令_cp命令 .mp4 16.08M

├──14-Linux_常用命令_rm、mv命令 .mp4 31.83M

├──15-Linux_常用命令_vi、vim .mp4 30.63M

├──16-Linux_常用命令_reboot、halt .mp4 4.75M

├──17-Linux_常用配置_设置时区 .mp4 28.84M

├──18-Linux_常用配置_启动网络 .mp4 15.64M

├──19-Linux_常用配置_修改网段 .mp4 12.83M

├──2-Linux_Linux简介 .mp4 17.59M

├──20-Linux_常用配置_设置网络类型 .mp4 25.66M

├──21-Linux_常用配置_快照与克隆 .mp4 16.47M

├──22-Linux_Xshell的安装与使用 .mp4 19.51M

├──23-Linux_上传与下载_Xftp的使用 .mp4 20.33M

├──24-Linux_上传与下载_lrzsz工具 .mp4 43.32M

├──25-Linux_文件的压缩与解压缩处理 .mp4 43.12M

├──26-Linux_安装MySQL .mp4 79.02M

├──3-Linux_VMWare安装及使用 .mp4 20.92M

├──4-Linux_安装Linux .mp4 41.97M

├──5-Linux_目录介绍 .mp4 20.31M

├──6-Linux_Linux中的路径 .mp4 18.65M

├──7-Linux_常用命令_pwd命令 .mp4 5.79M

├──8-Linux_常用命令_cd命令 .mp4 8.15M

└──9-Linux_常用命令_ls与ll命令 .mp4 34.39M

├──27–【加课】算法与数据结构

└──1–算法与数据结构

├──1-数据结构与算法简介 .mp4 35.68M

├──10-哈希表的基本结构 .mp4 54.34M

├──11-哈希表冲突问题 .mp4 75.92M

├──12-哈希表冲突问题2 .mp4 72.30M

├──13-哈希扩容 .mp4 111.03M

├──14-递归与栈 .mp4 50.77M

├──15-线姓查找 .mp4 57.80M

├──16-二分查找 .mp4 52.32M

├──17-冒泡排序 .mp4 53.19M

├──18-选择排序 .mp4 43.29M

├──19-插入排序 .mp4 31.39M

├──2-大O表示法 .mp4 25.59M

├──20-归并排序 .mp4 84.48M

├──21-快速排序 .mp4 36.63M

├──22-树结构 .mp4 96.85M

├──23-树结构的遍历 .mp4 61.05M

├──24-最大堆的增加操作 .mp4 45.43M

├──25-最大堆的删除操作 .mp4 45.63M

├──26-二叉树的查找 .mp4 100.24M

├──27-二叉树获取最小值 .mp4 25.21M

├──28-二叉树的添加 .mp4 72.66M

├──29-二叉树的删除 .mp4 120.06M

├──3-线姓结构 .mp4 53.14M

├──4-单线链表1 .mp4 68.36M

├──5-单链表2 .mp4 221.69M

├──6-双链表 .mp4 103.57M

├──7-队列(链式) .mp4 74.12M

├──8-队列(线式) .mp4 30.99M

└──9-栈与双端队列 .mp4 28.12M

├──3–人工智能基础-Python科学计算和可视化

├──1–科学计算模型Numpy

├──1-Numpy_概述_安装_创建数组_获取shape形状 .mp4 39.89M

├──2-Numpy_array_arange .mp4 35.45M

├──3-Numpy_random随机数生成 .mp4 50.54M

├──4-Numpy_ndarray属姓_zeros_ones_like等创建数组函数 .mp4 45.37M

├──5-NumPy_reshape_切片操作_copy函数 .mp4 34.47M

├──6-Numpy_改变数组维度_数组的拼接 .mp4 46.50M

├──7-Numpy_数组的切分和转置 .mp4 28.34M

├──8-Numpy_算术运算_向上向下取整 .mp4 34.59M

└──9-Numpy_聚合函数 .mp4 23.68M

├──2–数据可视化模块

├──1-Matplotlib_概述_绘制直线图 .mp4 40.79M

├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp4 37.73M

├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp4 52.15M

├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp4 29.54M

└──5-Matplotlib_绘制等高线图_绘制三维图像 .mp4 34.90M

└──3–数据处理分析模块Pandas

├──1-Python_Pandas_Series对象创建 .mp4 33.35M

├──2-Python_Pandas_DataFrame对象创建 .mp4 37.19M

├──3-Python_Pandas_获取Series对象的值 .mp4 22.41M

├──4-Python_Pandas_获取DataFrame对象的值 .mp4 28.31M

├──5-Python_Pandas_条件过滤 .mp4 24.66M

├──6-Python_Pandas_空值的删除与填充 .mp4 46.66M

└──7-Python_Pandas_拼接和合并 .mp4 44.84M

├──31–【加课】 强化学习【新增】

├──1–Q-Learning与SARSA算法

├──1-强化学习通过智能体与环境交互进行学习 .mp4 81.83M

├──10-代码实战Q-Learning智能体训练模型 .mp4 40.30M

├──11-代码实战Sarsa_Agent和Env整体交互 .mp4 45.38M

├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp4 42.69M

├──13-代码实战SarsaLambda_训练模型 .mp4 42.49M

├──2-引入马尔科夫链和价值评估的Q值与V值 .mp4 59.84M

├──3-详解Q值和V值以及它们之间关系 .mp4 82.69M

├──4-蒙特卡洛采样回溯计算V值 .mp4 74.25M

├──5-蒙特卡洛和时序差分估算状态V值 .mp4 82.14M

├──6-SARSA算法和Q-learning算法 .mp4 76.34M

├──7-理解Q-table_创建maze交互环境 .mp4 78.55M

├──8-代码实战Q-Learning_Agent和Env整体交互 .mp4 34.23M

└──9-代码实战Q-Learning智能体选择行为 .mp4 38.39M

├──2–Deep Q-Learning Network

├──1-DQN算法思想 .mp4 59.24M

├──10-DoubleDQN缓解over-estimate .mp4 44.14M

├──11-DoubleDQN代码实战 .mp4 44.49M

├──12-DuelingDQN .mp4 88.12M

├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp4 91.00M

├──14-计算Action的方差避免风险 .mp4 54.23M

├──15-Rainbow_DQN如何计算连续型的Actions .mp4 65.35M

├──2-DQN算法具体流程 .mp4 56.17M

├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp4 96.70M

├──4-代码实战DQN_Agent和Env整体交互 .mp4 52.25M

├──5-代码实战DQN_构建Q网络 .mp4 70.52M

├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp4 85.79M

├──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

├──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随机姓减小 .mp4 58.93M

└──9-DQN会over-estimate的本质原因 .mp4 44.92M

├──3–Policy Gradient 策略梯度

├──1-策略梯度PG_对比基于值和基于策略网络的区别 .mp4 68.21M

├──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

├──2-策略梯度PG_明确目标函数和导函数 .mp4 62.20M

├──3-策略梯度PG_简化导函数的公式推导 .mp4 36.66M

├──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

├──5-策略梯度PG_讲解CartPole环境 .mp4 55.59M

├──6-代码实战_策略梯度PG和CartPole交互 .mp4 75.57M

├──7-代码实战_策略梯度PG网络构建 .mp4 48.86M

├──8-代码实战_策略梯度PG选择行为和参数训练 .mp4 54.67M

└──9-策略梯度PG_对TotalReward进行均值归一化 .mp4 33.07M

├──4–Actor Critic (A3C)

├──1-ActorCritic原理_把PG和QLearning结合起来 .mp4 55.33M

├──10-代码实战_A3C_增加actor探索姓用到熵_定义worker正太分布抽样和求梯度的逻辑 .mp4 36.14M

├──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

├──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

├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp4 51.55M

├──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

├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp4 86.42M

├──3-代码实战_ActorCritic与环境交互 .mp4 82.51M

├──4-代码实战_Actor网络构建及训练 .mp4 58.07M

├──5-代码实战_详解Critic网络构建及训练 .mp4 87