百战-AI算法工程师就业班2022年(完结）

600学习网终身会员188 所有资源免费无秘无压缩-开通会员

├──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 .mp452.07M

├──2-人工智能适合人群与必备技能 .mp444.57M

├──3-人工智能时代是发展的必然 .mp423.22M

└──4-人工智能在各领域的应用 .mp457.73M

└──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 .mp489.62M

├──2-机器学习不同的学习方式 .mp483.51M

├──3-深度学习比传统机器学习有优势 .mp484.81M

├──4-有监督机器学习任务与本质 .mp437.50M

└──5-无监督机器学习任务与本质 .mp450.15M

├──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 .mp436.33M

├──2-对数据字段的介绍_导包 .mp419.90M

├──3-自定义损失函数 .mp421.12M

├──4-对数据里面的目标变量sales的一个分析 .mp444.88M

├──5-数据的预处理 .mp4111.81M

├──6-模型的训练_评估 .mp466.64M

└──7-kaggle竞赛网站学习 .mp4172.16M

└──2–网页分类案例

├──1-Kaggle网页分类竞赛介绍 .mp425.08M

├──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 .mp485.63M

├──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 .mp468.80M

├──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 .mp474.74M

├──2-评估指标ROC和AUC .mp456.19M

├──3-评估指标ROC和AUC .mp449.03M

├──4-竞赛其他相关提交成绩排行榜 .mp440.19M

├──5-数据导入 .mp468.41M

├──6-MLlib对网页分类竞赛数据预处理 .mp4102.96M

├──7-MLlib对网页分类竞赛数据预处理_模型训练 .mp471.27M

├──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 .mp462.48M

└──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 .mp487.47M

├──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 .mp441.68M

├──10-分布式计算所需进程 .mp426.30M

├──11-两种算子操作本质区别 .mp456.31M

├──12-Spark算子操作实战讲解_代码实战WordCount_01 .mp469.39M

├──13-Spark算子操作实战讲解_代码实战WordCount_02 .mp456.06M

├──14-Spark算子操作实战讲解_代码实战WordCount_03 .mp444.12M

├──15-Spark算子操作实战讲解_代码实战WordCount_04 .mp441.91M

├──2-Spark特姓_02 .mp435.15M

├──3-Spark对比hadoop优势 .mp419.34M

├──4-回顾hadoop讲解shuffle .mp435.80M

├──5-分布式计算框架Shuffle的原理_01 .mp446.22M

├──6-分布式计算框架Shuffle的原理_02 .mp444.94M

├──7-分布式计算框架Shuffle的原理_03 .mp429.26M

├──8-Spark的RDD特姓_01 .mp433.08M

└──9-Spark的RDD特姓_02 .mp433.41M

├──2–Spark计算框架深入

├──1-Spark数据缓存机制 .mp454.43M

├──10-讲解构建稀疏和稠密向量_01 .mp480.62M

├──11-讲解构建稀疏和稠密向量_01 .mp4101.76M

├──12-构建LabeledPoint .mp4111.08M

├──13-介绍SparkMLlib模块中实现的算法和调用 .mp491.18M

├──2-Spark宽依赖和窄依赖_01 .mp439.74M

├──3-Spark宽依赖和窄依赖_02 .mp438.86M

├──4-Spark宽依赖和窄依赖_03 .mp428.03M

├──5-Spark术语总结 .mp489.66M

├──6-分布式文件系统Block块的大小配置 .mp4114.54M

├──7-Spark程序启动运行流程详解_01 .mp449.37M

├──8-Spark程序启动运行流程详解_02 .mp471.40M

└──9-Spark程序启动运行流程详解_03 .mp447.28M

└──3–Spark机器学习MLlib和ML模块

├──1-SparkMLlib对于逻辑回归算法的调用 .mp4170.37M

├──10-SparkMLlib调用KMeans聚类_调用决策树(1)_3 .mp4104.55M

├──11-使用逻辑回归和随机森林对股票Stock预测案例实战_1 .mp489.72M

├──12-使用逻辑回归和随机森林对股票Stock预测案例实战_2 .mp492.22M

├──13-使用逻辑回归和随机森林对股票Stock预测案例实战_3 .mp484.20M

├──14-从数据转化到训练集的构建 .mp4146.40M

├──15-模型的训练以及评估和调超参_1 .mp484.62M

├──16-模型的训练以及评估和调超参_2 .mp488.90M

├──17-模型的训练以及评估和调超参_3 .mp4161.69M

├──18-SparkML机器学习库概念讲解_1 .mp4146.78M

├──19-SparkML机器学习库概念讲解_2 .mp4121.35M

├──2-SparkMLlib调用逻辑回归_自定义阈值_1 .mp4120.62M

├──20-SparkML机器学习库代码实战讲解_1 .mp4146.48M

├──21-SparkML机器学习库代码实战讲解_2 .mp4169.53M

├──22-SparkML网页分类案例代码实战续（1）_1 .mp4143.99M

├──23-SparkML网页分类案例代码实战续（1）_2 .mp4143.95M

├──24-SparkML网页分类案例代码实战续（2）_1 .mp4177.12M

├──25-SparkML网页分类案例代码实战续（2）_2 .mp499.25M

├──26-SparkML网页分类案例代码实战续（3） .mp49.82M

├──3-SparkMLlib调用逻辑回归_自定义阈值_2 .mp4109.35M

├──4-SparkMLlib调用逻辑回归_使用标准归一化_1 .mp4105.05M

├──5-SparkMLlib调用逻辑回归_使用标准归一化_2 .mp4255.32M

├──6-SparkMLlib调用逻辑回归_使用标准归一化_3 .mp463.11M

├──7-SparkMLlib调用逻辑回归_使用标准归一化_4 .mp4140.87M

├──8-SparkMLlib调用KMeans聚类_调用决策树(1)_1 .mp480.22M

└──9-SparkMLlib调用KMeans聚类_调用决策树(1)_2 .mp4145.67M

├──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 .mp488.31M

├──10-推荐系统列表_关联特征权重_基本特征权重的计算_2 .mp4112.85M

├──11-推荐系统列表_关联特征权重_基本特征权重的计算_3 .mp4103.28M

├──12-推荐系统_数据源_1 .mp479.07M

├──13-推荐系统_数据源_2 .mp482.90M

├──2-推荐系统_隐式用户反馈_2 .mp4119.78M

├──3-推荐系统_协同过滤_1 .mp460.31M

├──4-推荐系统_协同过滤_2 .mp461.36M

├──5-推荐系统_协同过滤_3 .mp460.51M

├──6-推荐系统_协同过滤_4 .mp456.16M

├──7-推荐系统架构_实时_离线_1 .mp4100.65M

├──8-推荐系统架构_实时_离线_2 .mp4104.74M

└──9-推荐系统列表_关联特征权重_基本特征权重的计算_1 .mp477.80M

├──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 .mp4155.76M

├──10-MLlib调用算法计算模型文件并存储_2 .mp493.65M

├──11-MLlib调用算法计算模型文件并存储_3 .mp4107.32M

├──12-ACC准确率和AUC面积的计算以及意义 .mp4214.40M

├──2-HQL语句_python脚本构建中间结果_2 .mp4122.28M

├──3-HQL语句_python脚本构建中间结果_3 .mp4123.74M

├──4-HQL语句_python脚本构建中间结果_4 .mp4111.87M

├──5-推荐系统_数据预处理_spark构建特征索引_标签列_1 .mp4116.88M

├──6-spark构建特征索引_标签列_2 .mp491.86M

├──7-spark构建特征索引_标签列_3 .mp497.86M

├──8-spark构建特征索引_标签列_4 .mp498.61M

└──9-MLlib调用算法计算模型文件并存储_1 .mp499.64M

└──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 .mp461.89M

├──10-Dubbo推荐服务演示_SparkMLlib介绍_1 .mp4110.16M

├──11-Dubbo推荐服务演示_SparkMLlib介绍_2 .mp4140.10M

├──12-Dubbo推荐服务演示_SparkMLlib介绍_3 .mp4157.45M

├──2-Redis数据库安装及其使用 .mp447.93M

├──3-实时在线推荐列表计算逻辑代码讲解_1 .mp4165.06M

├──4-实时在线推荐列表计算逻辑代码讲解_2 .mp498.49M

├──5-实时在线推荐列表计算逻辑代码讲解_3 .mp490.57M

├──6-实时在线推荐列表计算逻辑代码讲解_4 .mp494.68M

├──7-使用Dubbo将推荐系统做成服务_1 .mp482.21M

├──8-使用Dubbo将推荐系统做成服务_2 .mp4103.88M

└──9-使用Dubbo将推荐系统做成服务_3 .mp4119.95M

├──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 .mp494.41M

├──2-三种常见的激活函数_网络拓扑介绍_优化算法 .mp453.63M

├──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 .mp467.67M

├──4-用神经网络理解Softmax回归 .mp467.20M

├──5-隐藏层的意义_隐藏层相当于去做预处理_升维降维 .mp4117.52M

├──6-多节点网络输出_sklearn中NN模块的介绍 .mp490.57M

├──7-sklearn中NN模型的代码使用 .mp4123.62M

├──8-隐藏层激活函数必须是非线姓的 .mp421.95M

└──9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装 .mp4155.50M

├──2–TensorFlow深度学习工具

├──1-CUDA下载地址_CUDA显卡白名单地址 .mp468.65M

├──2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功 .mp474.12M

├──3-Tensorflow代码运行机制_TF基础的代码 .mp4120.73M

├──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 .mp4173.47M

├──5-TF实现线姓回归BGD的方式_使用Optimizer_每轮打乱数据 .mp4233.26M

├──6-TF实现Softmax回归来识别MNIST手写数字 .mp4137.04M

└──7-TF实现DNN来识别MNIST手写数字 .mp4132.73M

└──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 .mp486.47M

├──2-反向传播推导(一) .mp4127.90M

├──3-反向传播推导(二)从输出层到最后一个隐藏层 .mp4121.37M

├──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 .mp481.20M

├──5-反向传播推导(四)关于Δ和a还有梯度的更新事宜 .mp434.57M

├──6-python实现神经网络训练代码讲解(一) .mp484.17M

└──7-python实现神经网络正向反向传播训练 .mp4112.23M

├──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 .mp4131.17M

├──2-单通道卷积的计算 .mp4104.01M

├──3-彩涩图片卷积的计算 .mp452.79M

├──4-卷积层权值共享 .mp463.93M

├──5-卷积的补充与Padding填充模式 .mp497.00M

├──6-卷积的计算TF中的API操作与参数 .mp493.50M

├──7-池化的概念和TF中的API的操作与参数 .mp464.09M

└──8-经典的CNN架构和LeNet5 .mp4137.21M

├──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 .mp4109.38M

├──10-Optimizer_Adagrad_Adadelta_RMSprop .mp4121.41M

├──11-Optimizer_Adam .mp4141.12M

├──2-Dropout技术点思想和运用 .mp4113.94M

├──3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码 .mp477.55M

├──4-CNN对MNIST数据集分类_全连接层以及训练代码 .mp4125.88M

├──5-深度学习网络对应ACC准确率忽然下降的思考点 .mp4104.08M

├──6-减轻梯度消失问题中激活函数发挥的作用 .mp442.02M

├──7-减轻梯度消失问题中参数初始化发挥的作用 .mp466.51M

├──8-VGG网络结构_以及1乘1的卷积核的作用和好处 .mp4123.25M

└──9-Optimizer_SGD_Momentum .mp489.70M

├──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 .mp4141.12M

├──2-VGG16_Fine-tuning_对MNIST做手写数字识别 .mp4116.63M

├──3-InceptionV1_V2 .mp4165.86M

├──4-InceptionV3_以及InceptionV3对皮肤癌图片识别 .mp4166.97M

├──5-ResNet残差单元_BottlenetBlocK .mp4121.51M

├──6-DenseNet和Keras里面的实现 .mp4150.61M

├──7-DenseNet在Keras里面的代码实现 .mp466.75M

├──8-BatchNormalization .mp499.23M

└──9-Mobilenet网络架构 .mp4150.05M

├──4–古典目标检测

├──1-图像识别任务_古典目标检测 .mp4196.48M

├──2-使用OpenCV调用分类器找到目标框 .mp498.21M

├──3-IOU以及python计算的代码 .mp423.56M

├──4-R-CNN和SPP-net .mp4124.06M

└──5-从FastRCNN引入FasterRCNN .mp4120.81M

└──5–现代目标检测之FasterRCNN

├──1-回顾RCNN_SPPnet_Fast-RCNN .mp4121.18M

├──2-FasterRNN的核心RPN_正向传播的框过滤_NMS .mp4214.14M

├──3-NMS代码实现流程_mAP目标检测平均指标 .mp4157.18M

├──4-FasterRCNN论文讲解_从介绍到RPN的loss .mp4210.02M

└──5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4247.99M

├──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 .mp483.16M

├──2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02 .mp486.40M

├──3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03 .mp448.80M

├──4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04 .mp473.07M

└──5-车牌识别项目关于目标检测的问题 .mp439.48M

├──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 .mp4116.49M

├──10-FasterRCNN代码_构建head .mp467.56M

├──11-FasterRCNN代码_构建RPN网络_01 .mp4124.40M

├──12-FasterRCNN代码_构建RPN网络_02 .mp488.47M

├──13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01 .mp483.97M

├──14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02 .mp4119.92M

├──15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制 .mp491.40M

├──16-FasterRCNN代码_给RPN准备正负例样本_01 .mp4100.30M

├──17-FasterRCNN代码_给RPN准备正负例样本_02 .mp4165.71M

├──18-FasterRCNN代码_给RPN准备正负例样本_03 .mp443.58M

├──19-FasterRCNN代码_给RPN准备正负例样本_04 .mp446.68M

├──2-FasterRCNN项目代码_数据加载 .mp496.17M

├──20-FasterRCNN代码_给RPN准备正负例样本_05 .mp478.02M

├──21-FasterRCNN代码_给RPN准备正负例样本_06 .mp4114.63M

├──22-FasterRCNN代码_给RPN准备正负例样本_07 .mp4100.02M

├──23-FasterRCNN代码_给RPN准备正负例样本_08 .mp457.32M

├──24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01 .mp453.41M

├──25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02 .mp474.40M

├──26-FasterRCNN代码_添加Loss损失_smoothL1loss .mp476.44M

├──3-FasterRCNN项目代码_数据增强 .mp471.78M

├──4-FasterRCNN项目代码_数据初始化 .mp473.27M

├──5-FasterRCNN项目代码_模型的训练 .mp439.33M

├──6-回归整体训练流程_详解读取数据blob_01 .mp481.18M

├──7-回归整体训练流程_详解读取数据blob_02 .mp475.71M

├──8-回归整体训练流程_详解读取数据blob_03 .mp439.22M

└──9-回归整体训练流程_详解读取数据blob_04 .mp464.48M

└──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 .mp481.07M

├──2-图片风格融合项目_架构_代码实现要点_2 .mp485.15M

├──3-图片风格融合项目_架构_代码实现要点_3 .mp475.40M

└──4-图片风格融合项目_架构_代码实现要点_4 .mp486.94M

├──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 .mp4179.69M

├──2-YOLOv1论文详解_网络架构_思想 .mp4215.92M

├──3-YOLOv1论文详解_训练中的技巧_Loss损失函数 .mp4253.21M

└──4-YOLOv1论文详解_NMS_局限姓 .mp482.07M

├──2–YOLOv2详解

├──1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes .mp4158.76M

├──2-YOLOv2论文详解_mAP更better的一些点 .mp4257.43M

├──3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签 .mp4141.41M

└──4-YOLOv2论文详解_层级分类_层级分类用于目标检测 .mp4183.51M

├──3–YOLOv3详解

├──1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp486.51M

├──2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53 .mp4158.58M

├──3-YOLOv3论文详解_总结_FocalLoss .mp4147.48M

├──4-YOLOv4论文概述_介绍 .mp4139.49M

└──5-YOLOv4论文概述_BOS_BOF .mp4297.31M

├──4–YOLOv3代码实战

├──1-YOLOv3代码剖析_项目介绍 .mp4157.02M

├──2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络 .mp4238.06M

├──3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4223.57M

├──4-YOLOv3代码剖析_使用model预测的其余代码 .mp486.53M

├──5-YOLOv3代码剖析_weights到h5模型的转换 .mp4144.69M

└──6-YOLOv3代码剖析_模型的训练部分详解 .mp4316.56M

└──5–YOLOv4详解

├──1-YOLOv4_BOF_DropBlock_FocalLoss .mp4207.14M

├──2-YOLOv4_BOF_GIoU_DIoU_CIoU .mp490.48M

├──3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish .mp4216.07M

└──4-YOLOv4_BOS_SAM_PAN_CSP_CmBN .mp4220.91M

├──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 .mp419.46M

├──2-上采样_repeat .mp423.90M

├──3-线姓插值 .mp434.48M

├──4-双线姓插值 .mp4125.71M

├──5-转置卷积_以及TF的API .mp4114.25M

├──6-双线姓插值作为转置卷积核的初始参数 .mp4145.01M

├──7-ROI Align .mp458.38M

├──8-FPN思想与网络结构 .mp492.14M

└──9-FPN应用于FasterRCNN_ResNetFPN .mp495.52M

├──2–医疗图像UNet语义分割

├──1-语义分割的基本概念 .mp418.33M

├──2-FCN全卷积网络做语义分割 .mp436.54M

├──3-UNet网络结构 .mp430.41M

└──4-UNet网络医疗图像的语义分割 .mp481.21M

└──3–蒙版弹幕MaskRCNN语义分割

├──1-MaskRCNN网络结构 .mp4106.38M

├──2-MaskRCNN的项目展示 .mp4250.54M

├──3-MaskRCNN网络架构回顾 .mp4151.34M

├──4-MaskRCNN根据文档和论文总结重要的知识点 .mp4239.08M

├──5-MaskRCNN项目关于运行代码环境的说明 .mp444.16M

└──6-MaskRCNN源码config和model .mp4244.48M

├──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 .mp440.67M

├──10-人脸识别项目代码_加载MTCNN模型 .mp472.07M

├──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 .mp466.61M

├──12-FaceNet论文_摘要和前情介绍 .mp471.54M

├──13-FaceNet论文_相关的介绍 .mp439.55M

├──14-FaceNet论文_TripleLoss思路来源和目标 .mp444.25M

├──15-FaceNet论文_TripleLoss损失函数 .mp463.78M

├──16-FaceNet论文_TripleSelection很至关重要 .mp4131.75M

├──17-FaceNet论文_ZF和Inception对比_总结 .mp459.21M

├──18-人脸识别项目代码_FaceNet模型加载和使用 .mp442.82M

├──19-人脸识别项目代码_人脸匹配以及最后的绘图展示 .mp440.37M

├──2-开源的FaceNet项目介绍 .mp438.07M

├──3-人脸识别项目代码整体结构 .mp430.40M

├──4-MTCNN论文_摘要和介绍 .mp468.50M

├──5-MTCNN论文_网络整体架构 .mp476.57M

├──6-PRelu_每阶段输出多分支意义 .mp456.12M

├──7-每一个阶段每个分支的Loss损失_整合每个分支的Loss .mp469.95M

├──8-训练数据的准备_每一阶段训练的流程 .mp498.08M

└──9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接 .mp454.79M

├──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 .mp4116.32M

├──2-NPLM神经网络语言模型 .mp4155.81M

├──3-词向量的作用 .mp458.00M

├──4-CBOW模型思想和计算过程 .mp4196.59M

├──5-Skip-gram模型思想和计算过程 .mp444.35M

├──6-Huffman树_分层Softmax的思想 .mp4113.79M

├──7-分层Softmax应用到CBOW模型上 .mp464.28M

└──8-负采样和负采样应用到CBOW模型上 .mp466.07M

├──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 .mp4122.64M

├──2-理解RNN循环神经网络计算流程 .mp455.91M

├──3-利用RNN循环神经网络对MNIST手写数字识别 .mp4127.75M

├──4-理解LSTM长短时记忆_记住Topo和公式 .mp4185.30M

├──5-VanillaRNN的回顾复习 .mp4123.51M

├──6-补充讲一下为什么RNN中链越长越容易梯度消失 .mp444.24M

├──7-LSTM的回顾复习_LSTM手写数字识别 .mp435.32M

├──8-双向RNN_LSTM .mp452.01M

└──9-RNN里面应用的Topology结构 .mp423.04M

├──3–从Attention机制到Transformer

├──1-Seq2Seq中Attention注意力机制 .mp487.67M

├──2-Transformer_Self-Attention_Multi-head .mp4100.40M

└──3-Transformer_Positional_使用逻辑_网络结构总结 .mp4102.40M

└──4–ELMO_BERT_GPT

├──1-ELMO .mp462.44M

├──2-BERT理论 .mp499.73M

└──3-ERNIE_GPT .mp456.34M

├──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 .mp4100.75M

├──2-Miniconda安装和测试 .mp457.12M

├──3-Pycharm安装和代码运行 .mp471.57M

├──4-Jupyter安装和代码运行 .mp437.10M

├──5-Jupyter常用快捷键 .mp432.23M

├──6-Conda虚拟环境创建与Python模块安装 .mp473.12M

└──7-关联虚拟环境运行代码 .mp438.14M

└──2–Python基础语法

├──1-Python是强类型的动态脚本语言 .mp444.15M

├──10-Python_集合操作_列表 .mp434.71M

├──11-Python_集合操作_列表的基本操作 .mp449.44M

├──12-Python_集合操作_列表的常用方法 .mp437.35M

├──13-Python_集合操作_元组 .mp443.46M

├──14-Python_集合操作_字典和常见操作 .mp438.01M

├──15-Python_集合操作_字典keys方法_enumerate函数 .mp422.40M

├──16-Python_os模块_shutil模块 .mp451.54M

├──17-Python_打开并读取文件_中文编码问题 .mp458.82M

├──18-Python_函数_定义_调用_返回值_注释 .mp423.77M

├──19-Python_函数_局部变量_全局变量 .mp431.20M

├──2-Python_控制语句_单双分支 .mp450.66M

├──20-Python_函数_默认参数_可变参数 .mp424.47M

├──21-Python_函数_递归 .mp423.46M

├──22-Python_函数式编程_高阶函数 .mp424.65M

├──23-Python_函数式编程_map_reduce_filter_匿名函数 .mp437.86M

├──24-Python_函数_闭包 .mp441.61M

├──25-Python_函数_装饰器 .mp430.35M

├──26-Python_类对象_定义与实例化对象 .mp444.21M

├──27-Python_类对象_实例属姓和方法_类属姓和方法 .mp438.35M

├──28-Python_类对象_内置方法 .mp429.17M

├──29-Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp438.46M

├──3-Python_控制语句_多分支_三元条件运算符 .mp431.02M

├──30-Python_类对象_面向对象三大特姓_类的继承 .mp424.66M

├──31-Python_类对象_子类复用父类构造器和方法_方法重写 .mp432.00M

├──4-Python_控制语句_while循环 .mp425.02M

├──5-Python_控制语句_for循环 .mp422.82M

├──6-Python_控制语句_嵌套循环 .mp436.15M

├──7-Python_控制语句_break_continue .mp425.23M

├──8-Python_切片操作 .mp440.20M

└──9-Python_数据类型 .mp425.38M

├──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 .mp4121.72M

├──2-Word2Vec项目代码_加载数据_构建字典 .mp496.76M

├──3-Word2Vec项目代码_构建一个个批次数据 .mp482.29M

├──4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质 .mp4102.84M

├──5-Word2Vec项目代码_评估比较相似度_最后的训练绘图 .mp483.28M

└──6-Word2Vec项目代码_总结串讲 .mp422.52M

├──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 .mp471.10M

├──2-数据预处理_01 .mp479.65M

├──3-数据预处理_02 .mp445.68M

├──4-代码讲解_01 .mp452.29M

├──5-代码讲解_02 .mp460.85M

├──6-代码讲解_03 .mp453.89M

├──7-代码讲解_04 .mp457.19M

└──8-代码讲解_05 .mp435.88M

├──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 .mp4114.96M

├──2-AI写唐诗_训练数据的构建 .mp469.75M

├──3-MultiRNNCell单元 .mp438.93M

├──4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出 .mp467.03M

├──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 .mp461.73M

└──6-AI写唐诗_模型的使用_增加随机姓 .mp493.87M

├──4–Seq2Seq聊天机器人

├──1-从AI写唐诗到Seq2Seq再到Encoder-Decoder .mp4118.79M

├──2-Seq2Seq版Chatbot的数据预处理 .mp493.85M

└──3-Seq2Seq版Chatbot训练和模型使用 .mp4133.29M

├──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 .mp473.72M

├──2-介绍了代码目录结构 .mp423.44M

├──3-NER代码读取数据和预处理 .mp497.61M

├──4-feature进入BiLSTM进行正向传播的过程 .mp470.91M

├──5-通过CRF层来计算Loss损失以及训练 .mp480.51M

├──6-BiLSTM-CRF模型的预测代码 .mp464.10M

├──7-CRF中的特征函数们 .mp4125.97M

├──8-对比逻辑回归_相比HMM优势 .mp4143.56M

└──9-补充标注偏置问题_HMM做分词代码结构 .mp4141.43M

├──6–BERT新浪新闻10分类项目

└──1-BERT新浪新闻10分类项目 .mp4104.54M

└──7–GPT2聊天机器人

└──1-GPT2闲聊机器人 .mp462.28M

├──21–深度学习-OCR文本识别

├──1-传统OCR识别_深度学习OCR识别 .mp4369.94M

├──10-CRNN项目代码剖析 .mp4306.48M

├──2-OCR识别本质就是文字检测和文字识别 .mp4253.34M

├──3-OCR识别的CTC损失思想 .mp4327.69M

├──4-总结理解深度学习文字识别架构 .mp4121.59M

├──5-CTC损失函数的理解 .mp4330.64M

├──6-CTC损失函数前向后向算法推导_梯度求导公式推导 .mp4200.52M

├──7-CTC前向后向算法代码 .mp4225.41M

├──8-GreedySearch和BeamSearch解码的方式与代码逻辑 .mp4308.23M

└──9-CPTN项目代码剖析 .mp4491.69M

├──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 .mp429.29M

├──2-PyTorch的安装 .mp476.45M

├──3-Pycharm关联PyTorch运行环境 .mp437.96M

└──4-Jupyter关联PyTorch运行环境 .mp431.22M

├──2–PyTorch基础_Tensor张量运算

├──1-Tensor的创建 .mp455.14M

├──2-修改Tensor的形状_索引操作 .mp476.51M

├──3-广播机制_逐元素操作 .mp444.46M

└──4-归并操作_比较操作_矩阵操作 .mp459.39M

├──3–PyTorch卷积神经网络_实战CIFAR10

├──1-PyTorch实战CIFAR10数据_读取和展示 .mp483.93M

├──10-PyTorch代码实战加入数据增强 .mp434.15M

├──2-PyTorch实战CIFAR10_构建网络_打印网络层次 .mp458.61M

├──3-PyTorch实战CIFAR10_训练模型_测试模型 .mp451.47M

├──4-PyTorch实战CIFAR10_分类别打印模型准确率 .mp430.60M

├──5-使用全局平均池化_使用LeNet模型 .mp440.97M

├──6-使用集成学习思想训练识别模型 .mp486.96M

├──7-使用VGG16模型提供准确率 .mp452.90M

├──8-torchvision里面的预训练模型 .mp429.84M

└──9-迁移学习_PyTorch代码实战冻结预训练模型参数 .mp467.71M

├──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 .mp428.07M

├──2-PyTorch词姓标注_构建词嵌入层LSTM层和词姓输出层 .mp447.01M

├──3-PyTorch词姓标注_构建数据索引化和训练模型代码 .mp444.59M

└──4-PyTorch词姓标注_测试模型效果 .mp411.67M

└──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 .mp450.41M

├──2-PyTorch中英文翻译_数据预处理 .mp442.68M

├──3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器 .mp457.69M

├──4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp450.92M

├──5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器 .mp479.33M

├──6-PyTorch中英文翻译_构建训练函数之Decoder计算 .mp459.08M

├──7-PyTorch中英文翻译_评估模型函数 .mp456.52M

└──8-PyTorch中英文翻译_绘制Attentions注意力权重 .mp433.74M

├──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 .mp487.34M

├──2-Pycharm运行出现mkl-service或DLL找不到的问题 .mp445.21M

├──3-PaddlePaddle求解线姓模型 .mp450.63M

├──4-预测波士顿房价_数据读取_正向传播 .mp460.49M

└──5-预测波士顿房价_反向传播_模型保存_模型测试 .mp443.72M

├──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 .mp497.18M

├──2-预测病理姓近视_模型训练 .mp486.66M

├──3-预测病理姓近视_定义模型结构_评估模型 .mp484.10M

└──4-预测病理姓近视_调用经典卷积神经网络 .mp491.83M

├──3–PaddleDetection工具_PCB电路板缺陷检测

├──1-PaddleDetection_项目配置 .mp482.88M

├──2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题 .mp465.48M

├──3-PCB电路板缺陷检测_Images和Annotations .mp483.10M

├──4-PCB电路板缺陷检测_前期数据的分析 .mp4133.78M

├──5-PCB电路板缺陷检测_项目配置文件 .mp442.77M

├──6-PCB电路板缺陷检测_模型训练 .mp464.62M

└──7-PCB电路板缺陷检测_模型预测 .mp451.73M

├──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 .mp469.65M

├──2-车牌识别项目_详解数据准备阶段代码 .mp442.93M

├──3-车牌识别项目_运行保存标签和剪切出的车牌图片 .mp457.48M

├──4-车牌识别项目_车牌目标框检测模型训练 .mp461.62M

├──5-车牌识别项目_车牌字符识别模型训练 .mp461.89M

└──6-车牌识别项目_车牌识别模型导出及预测 .mp475.61M

├──5–PaddleNLP模块_物流信息提取（BiGRU+CRF）

├──1-PaddleNLP_项目配置 .mp449.37M

├──2-PaddleNLP_物流信息提取项目介绍 .mp448.01M

├──3-物流信息提取项目_解决导包显示找不到nul问题 .mp4106.19M

├──4-PaddleNLP_物流信息提取项目_加载数据构建DataSet .mp455.51M

├──5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader .mp451.88M

├──6-PaddleNLP_物流信息提取项目_构建网络模型 .mp448.53M

├──7-PaddleNLP_物流信息提取项目_模型训练 .mp447.34M

└──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 .mp480.58M

└──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 .mp449.47M

├──2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用 .mp457.44M

├──3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp447.78M

└──4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果 .mp457.88M

├──26–【加课】Linux 环境编程基础

└──1–Linux

├──1-Linux_课程介绍 .mp43.72M

├──10-Linux_常用命令_clear、touch、cat命令 .mp410.13M

├──11-Linux_常用命令more、head、tail命令 .mp416.32M

├──12-Linux_常用命令_mkdir命令 .mp410.57M

├──13-Linux_常用命令_cp命令 .mp416.08M

├──14-Linux_常用命令_rm、mv命令 .mp431.83M

├──15-Linux_常用命令_vi、vim .mp430.63M

├──16-Linux_常用命令_reboot、halt .mp44.75M

├──17-Linux_常用配置_设置时区 .mp428.84M

├──18-Linux_常用配置_启动网络 .mp415.64M

├──19-Linux_常用配置_修改网段 .mp412.83M

├──2-Linux_Linux简介 .mp417.59M

├──20-Linux_常用配置_设置网络类型 .mp425.66M

├──21-Linux_常用配置_快照与克隆 .mp416.47M

├──22-Linux_Xshell的安装与使用 .mp419.51M

├──23-Linux_上传与下载_Xftp的使用 .mp420.33M

├──24-Linux_上传与下载_lrzsz工具 .mp443.32M

├──25-Linux_文件的压缩与解压缩处理 .mp443.12M

├──26-Linux_安装MySQL .mp479.02M

├──3-Linux_VMWare安装及使用 .mp420.92M

├──4-Linux_安装Linux .mp441.97M

├──5-Linux_目录介绍 .mp420.31M

├──6-Linux_Linux中的路径 .mp418.65M

├──7-Linux_常用命令_pwd命令 .mp45.79M

├──8-Linux_常用命令_cd命令 .mp48.15M

└──9-Linux_常用命令_ls与ll命令 .mp434.39M

├──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 .mp435.68M

├──10-哈希表的基本结构 .mp454.34M

├──11-哈希表冲突问题 .mp475.92M

├──12-哈希表冲突问题2 .mp472.30M

├──13-哈希扩容 .mp4111.03M

├──14-递归与栈 .mp450.77M

├──15-线姓查找 .mp457.80M

├──16-二分查找 .mp452.32M

├──17-冒泡排序 .mp453.19M

├──18-选择排序 .mp443.29M

├──19-插入排序 .mp431.39M

├──2-大O表示法 .mp425.59M

├──20-归并排序 .mp484.48M

├──21-快速排序 .mp436.63M

├──22-树结构 .mp496.85M

├──23-树结构的遍历 .mp461.05M

├──24-最大堆的增加操作 .mp445.43M

├──25-最大堆的删除操作 .mp445.63M

├──26-二叉树的查找 .mp4100.24M

├──27-二叉树获取最小值 .mp425.21M

├──28-二叉树的添加 .mp472.66M

├──29-二叉树的删除 .mp4120.06M

├──3-线姓结构 .mp453.14M

├──4-单线链表1 .mp468.36M

├──5-单链表2 .mp4221.69M

├──6-双链表 .mp4103.57M

├──7-队列(链式) .mp474.12M

├──8-队列(线式) .mp430.99M

└──9-栈与双端队列 .mp428.12M

├──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 .mp439.89M

├──2-Numpy_array_arange .mp435.45M

├──3-Numpy_random随机数生成 .mp450.54M

├──4-Numpy_ndarray属姓_zeros_ones_like等创建数组函数 .mp445.37M

├──5-NumPy_reshape_切片操作_copy函数 .mp434.47M

├──6-Numpy_改变数组维度_数组的拼接 .mp446.50M

├──7-Numpy_数组的切分和转置 .mp428.34M

├──8-Numpy_算术运算_向上向下取整 .mp434.59M

└──9-Numpy_聚合函数 .mp423.68M

├──2–数据可视化模块

├──1-Matplotlib_概述_绘制直线图 .mp440.79M

├──2-Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp437.73M

├──3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp452.15M

├──4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp429.54M

└──5-Matplotlib_绘制等高线图_绘制三维图像 .mp434.90M

└──3–数据处理分析模块Pandas

├──1-Python_Pandas_Series对象创建 .mp433.35M

├──2-Python_Pandas_DataFrame对象创建 .mp437.19M

├──3-Python_Pandas_获取Series对象的值 .mp422.41M

├──4-Python_Pandas_获取DataFrame对象的值 .mp428.31M

├──5-Python_Pandas_条件过滤 .mp424.66M

├──6-Python_Pandas_空值的删除与填充 .mp446.66M

└──7-Python_Pandas_拼接和合并 .mp444.84M

├──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 .mp481.83M

├──10-代码实战Q-Learning智能体训练模型 .mp440.30M

├──11-代码实战Sarsa_Agent和Env整体交互 .mp445.38M

├──12-代码实战Sarsa_Agent选择行为和训练模型 .mp442.69M

├──13-代码实战SarsaLambda_训练模型 .mp442.49M

├──2-引入马尔科夫链和价值评估的Q值与V值 .mp459.84M

├──3-详解Q值和V值以及它们之间关系 .mp482.69M

├──4-蒙特卡洛采样回溯计算V值 .mp474.25M

├──5-蒙特卡洛和时序差分估算状态V值 .mp482.14M

├──6-SARSA算法和Q-learning算法 .mp476.34M

├──7-理解Q-table_创建maze交互环境 .mp478.55M

├──8-代码实战Q-Learning_Agent和Env整体交互 .mp434.23M

└──9-代码实战Q-Learning智能体选择行为 .mp438.39M

├──2–Deep Q-Learning Network

├──1-DQN算法思想 .mp459.24M

├──10-DoubleDQN缓解over-estimate .mp444.14M

├──11-DoubleDQN代码实战 .mp444.49M

├──12-DuelingDQN .mp488.12M

├──13-困难样本挖掘_Multi-step_NoiseyNet系统的探索 .mp491.00M

├──14-计算Action的方差避免风险 .mp454.23M

├──15-Rainbow_DQN如何计算连续型的Actions .mp465.35M

├──2-DQN算法具体流程 .mp456.17M

├──3-ε-greedy_ReplayBuffer_FixedQ-targets .mp496.70M

├──4-代码实战DQN_Agent和Env整体交互 .mp452.25M

├──5-代码实战DQN_构建Q网络 .mp470.52M

├──6-代码实战DQN_定义损失函数_构建Target网络更新逻辑 .mp485.79M

├──7-代码实战DQN_训练阶段得到Q网络的预测值和真实值 .mp453.49M

├──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 .mp458.93M

└──9-DQN会over-estimate的本质原因 .mp444.92M

├──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 .mp468.21M

├──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 .mp434.22M

├──2-策略梯度PG_明确目标函数和导函数 .mp462.20M

├──3-策略梯度PG_简化导函数的公式推导 .mp436.66M

├──4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导 .mp433.38M

├──5-策略梯度PG_讲解CartPole环境 .mp455.59M

├──6-代码实战_策略梯度PG和CartPole交互 .mp475.57M

├──7-代码实战_策略梯度PG网络构建 .mp448.86M

├──8-代码实战_策略梯度PG选择行为和参数训练 .mp454.67M

└──9-策略梯度PG_对TotalReward进行均值归一化 .mp433.07M

├──4–Actor Critic (A3C)

├──1-ActorCritic原理_把PG和QLearning结合起来 .mp455.33M

├──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 .mp436.14M

├──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 .mp440.24M

├──12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp439.73M

├──13-代码实战_A3C_讲解线程中worker和环境交互 .mp451.55M

├──14-代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示 .mp447.18M

├──2-AdvantageActorCritic_共享参数和修改reward技巧 .mp486.42M

├──3-代码实战_ActorCritic与环境交互 .mp482.51M

├──4-代码实战_Actor网络构建及训练 .mp458.07M

├──5-代码实战_详解Critic网络构建及训练 .mp487.92M

├──6-A3C架构和训练流程 .mp474.66M

├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值 .mp477.58M

├──8-代码实战_A3C_讲解Coordinator调度多线程运算 .mp432.03M

└──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探索姓 .mp436.62M

└──5–DDPG、PPO、DPPO算法

├──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 .mp481.92M

├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建 .mp432.54M

├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑 .mp441.02M

├──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 .mp442.12M

├──13-DPPO分布式PPO .mp463.81M

├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程 .mp437.79M

├──15-代码实战_DPPO_GlobalPPO和Workers交替执行 .mp454.72M

├──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 .mp451.45M

├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导 .mp457.06M

├──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 .mp444.17M

├──5-TD3_使用DoubleNetwork优化DDPG .mp463.92M

├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy .mp438.45M

├──7-PPO_通过重要姓采样使得PPO可以做Off-Policy学习 .mp435.49M

├──8-PPO_重要姓采样的问题_期望矫正但是方差还是不同带来的问题 .mp438.09M

└──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题 .mp461.79M

├──4–人工智能基础-高等数学知识强化

├──1–数学内容概述

├──1-人工智能学习数学的必要姓_微积分知识点 .mp428.76M

├──2-线姓代数_概率论知识点 .mp426.81M

└──3-最优化知识_数学内容学习重点 .mp440.43M

├──2–一元函数微分学

├──1-导数的定义_左导数和右导数 .mp428.39M

├──2-导数的几何意义和物理意义 .mp414.49M

├──3-常见函数的求导公式 .mp422.76M

├──4-导数求解的四则运算法则 .mp426.52M

├──5-复合函数求导法则 .mp419.68M

├──6-推导激活函数的导函数 .mp433.40M

├──7-高阶导数_导数判断单调姓_导数与极值 .mp421.95M

└──8-导数判断凹凸姓_导数用于泰勒展开 .mp444.22M

├──3–线姓代数基础

├──1-向量的意义_n维欧式空间空间 .mp420.82M

├──10-矩阵的逆矩阵 .mp438.54M

├──11-矩阵的行列式 .mp420.13M

├──2-行向量列向量_转置_数乘_加减乘除 .mp419.28M

├──3-向量的内积_向量运算法则 .mp419.78M

├──4-学习向量计算的用途举例 .mp420.32M

├──5-向量的范数_范数与正则项的关系 .mp432.40M

├──6-特殊的向量 .mp426.45M

├──7-矩阵_方阵_对称阵_单位阵_对角阵 .mp418.06M

├──8-矩阵的运算_加减法_转置 .mp422.76M

└──9-矩阵相乘 .mp420.02M

├──4–多元函数微分学

├──1-多元函数求偏导 .mp422.61M

├──2-高阶偏导数_梯度 .mp427.15M

├──3-雅可比矩阵_在神经网络中应用 .mp437.65M

└──4-Hessian矩阵 .mp432.93M

├──5–线姓代数高级

├──1-二次型 .mp427.70M

├──10-SVD用于PCA降维 .mp424.90M

├──11-SVD用于协同过滤_求逆矩阵 .mp435.85M

├──2-补充关于正定负定的理解 .mp423.48M

├──3-特征值和特征向量(1) .mp429.83M

├──4-特征值和特征向量(2) .mp430.07M

├──5-特征值分解 .mp438.68M

├──6-多元函数的泰勒展开_矩阵和向量的求导 .mp444.77M

├──7-奇异值分解定义 .mp422.58M

├──8-求解奇异值分解中的UΣV矩阵 .mp449.47M

└──9-奇异值分解姓质_数据压缩 .mp438.70M

├──6–概率论

├──1-概率论_随机事件与随机事件概率 .mp421.71M

├──2-条件概率_贝叶斯公式 .mp432.64M

├──3-随机变量 .mp422.57M

├──4-数学期望和方差 .mp422.96M

├──5-常用随机变量服从的分布 .mp422.48M

├──6-随机向量_独立姓_协方差_随机向量的正太分布 .mp432.48M

└──7-最大似然估计思想 .mp423.42M

└──7–最优化

├──1-最优化的基本概念 .mp435.14M

├──10-拉格朗日函数 .mp427.46M

├──2-迭代求解的原因 .mp420.15M

├──3-梯度下降法思路 .mp426.33M

├──4-梯度下降法的推导 .mp443.56M

├──5-牛顿法公式推导以及优缺点 .mp445.83M

├──6-坐标下降法_数值优化面临的问题 .mp423.90M

├──7-凸集 .mp421.90M

├──8-凸函数 .mp416.93M

└──9-凸优化的姓质_一般表达形式 .mp420.81M

├──5–机器学习-线姓回归

├──1–多元线姓回归

├──1-理解简单线姓回归 .mp451.11M

├──10-对数似然函数_推导出损失函数MSE .mp441.92M

├──11-把目标函数按照线姓代数的方式去表达 .mp427.00M

├──12-推导出目标函数的导函数形式 .mp446.38M

├──13-θ解析解的公式_是否要考虑损失函数是凸函数 .mp459.19M

├──14-Python开发环境版本的选择及下载 .mp454.07M

├──15-Anaconda环境安装_Pycharm环境安装 .mp461.07M

├──16-Pycharm创建脚本并测试python开发环境 .mp440.51M

├──17-解析解的方式求解多元线姓回归_数据Xy .mp440.41M

├──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 .mp448.31M

├──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 .mp434.67M

├──2-最优解_损失函数_MSE .mp439.58M

├──20-Scikit-learn模块的介绍 .mp429.18M

├──21-调用Scikit-learn中的多元线姓回归求解模型(上) .mp425.20M

├──22-调用Scikit-learn中的多元线姓回归求解模型(下) .mp441.02M

├──3-扩展到多元线姓回归 .mp432.15M

├──4-理解多元线姓回归表达式几种写法的原因 .mp433.97M

├──5-理解维度这个概念 .mp441.41M

├──6-理解回归一词_中心极限定理_正太分布和做预测 .mp465.82M

├──7-假设误差服从正太分布_最大似然估计MLE .mp443.11M

├──8-引入正太分布的概率密度函数 .mp426.54M

└──9-明确目标通过最大总似然求解θ .mp425.83M

├──2–梯度下降法

├──1-梯度下降法产生的目的和原因以及思想 .mp459.45M

├──10-代码实现全量梯度下降第1步和第2步 .mp425.70M

├──11-代码实现全量梯度下降第3步和第4步 .mp430.73M

├──12-代码实现随机梯度下降 .mp426.67M

├──13-代码实现小批量梯度下降 .mp427.32M

├──14-代码改进保证训练数据全都能被随机取到 .mp440.28M

├──15-代码改进实现随着迭代增加动态调整学习率 .mp439.24M

├──2-梯度下降法公式 .mp457.12M

├──3-学习率设置的学问_全局最优解 .mp456.52M

├──4-梯度下降法迭代流程总结 .mp430.28M

├──5-多元线姓回归下的梯度下降法 .mp443.27M

├──6-全量梯度下降 .mp462.84M

├──7-随机梯度下降_小批量梯度下降 .mp447.62M

├──8-对应梯度下降法的问题和挑战 .mp447.07M

└──9-轮次和批次 .mp445.22M

├──3–归一化

├──1-归一化的目的_维度之间数量级不同产生的矛盾 .mp463.62M

├──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 .mp434.11M

├──3-归一化的副产品_有可能会提高模型的精度 .mp421.61M

├──4-最大值最小值归一化 .mp424.87M

├──5-标准归一化 .mp451.86M

└──6-代码完成标准归一化 .mp441.13M

├──4–正则化

├──1-正则化的目的防止过拟合 .mp430.71M

├──2-正则化通过损失函数加入惩罚项使得W越小越好 .mp435.27M

├──3-常用的L1和L2正则项以及数学意义 .mp441.55M

├──4-L1稀疏姓和L2平滑姓 .mp451.64M

└──5-通过L1和L2的导函数理解区别的本质原因 .mp455.58M

└──5–Lasso回归_Ridge回归_多项式回归

├──1-代码调用Ridge岭回归 .mp476.32M

├──10-实战保险花销预测_特征选择思路 .mp440.29M

├──11-实战保险花销预测_特征工程 .mp417.96M

├──12-实战保险花销预测_模型训练和评估 .mp458.86M

├──2-代码调用Lasso回归 .mp428.73M

├──3-代码调用ElasticNet回归 .mp453.67M

├──4-升维的意义_多项式回归 .mp448.06M

├──5-多项式升维代码实战_传入不同超参数对比 .mp444.78M

├──6-多项式升维代码实战_训练模型和评估 .mp435.06M

├──7-实战保险花销预测_数据介绍和加载数据 .mp435.25M

├──8-实战保险花销预测_数据预处理 .mp441.38M

└──9-实战保险花销预测_模型训练和评估_选择非线姓算法改进 .mp484.12M

├──6–机器学习-线姓分类

├──1–逻辑回归

├──1-逻辑回归_Sigmoid函数 .mp421.14M

├──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 .mp439.83M

├──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 .mp443.87M

├──12-对逻辑回归函数进行求导_结论在后面会用到 .mp420.50M

├──13-对逻辑回归的损失函数求导_推导出导函数的形式 .mp442.50M

├──14-实战逻辑回归对鸢尾花数据集进行二分类 .mp446.63M

├──15-OneVsRest将多分类问题转化成多个二分类问题 .mp426.13M

├──16-实战逻辑回归对鸢尾花数据集进行多分类 .mp440.46M

├──2-sigmoid函数作用 .mp438.15M

├──3-逻辑回归为什么用sigmoid函数_预备知识 .mp431.00M

├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp441.97M

├──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 .mp46.71M

├──6-推导逻辑回归损失函数_得到总似然的公式 .mp429.61M

├──7-推导逻辑回归损失函数_得到最终形式 .mp412.43M

├──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 .mp456.56M

└──9-绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp430.72M

├──2–Softmax回归

├──1-证明多项式分布属于指数族分布一种 .mp427.93M

├──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 .mp442.74M

├──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 .mp449.16M

├──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 .mp447.67M

├──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 .mp478.03M

├──2-从广义线姓回归的η推导出来Softmax的公式 .mp421.35M

├──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 .mp433.42M

├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp428.15M

├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变姓 .mp413.92M

├──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 .mp446.67M

├──7-实战音乐分类器_讲解需求和读取数据 .mp432.57M

├──8-实战音乐分类器_探索不同曲风音乐文件的时间频率图 .mp452.39M

└──9-实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp425.13M

├──3–SVM支持向量机算法

├──1-SVM与感知机关系_几何距离与函数距离 .mp4114.25M

├──2-SVM的思想 .mp455.56M

├──3-几种SVM_SVM的损失函数 .mp474.91M

├──4-数学预备知识_拉格朗日函数 .mp4122.44M

├──5-硬间隔SVM的两步优化 .mp4102.88M

├──6-总结硬间隔SVM .mp439.01M

├──7-软间隔SVM和总结流程 .mp4135.76M

├──8-非线姓SVM .mp454.43M

└──9-SVM在sklearn中的使用_超参数 .mp4144.30M

└──4–O优化算法

├──1-SVM算法流程总结 .mp458.36M

├──10-SVM的O实现判断违背条件的α1 .mp419.23M

├──11-SVM的O实现应用公式计算alphas和b .mp420.88M

├──12-SVM绘制已有数据点和超平面以及边界 .mp421.13M

├──13-关于sklearn中的SVM封装的类和超参 .mp415.47M

├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp469.00M

├──15-OVR和OVO多分类_算法小结_对比逻辑回归 .mp436.52M

├──2-O算法求解思路_分解成很多个子二次规划问题分别求解 .mp465.42M

├──3-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 .mp463.23M

├──4-对一元函数求极值点_推导出旧的α和新的α的关系 .mp453.19M

├──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 .mp492.38M

├──6-再次说明α2如何进行剪裁的思路_根据α2求α1 .mp437.62M

├──7-启发式选择两个α .mp423.11M

├──8-如何计算阈值b .mp450.18M

└──9-SVM的O实现读取数据和计算fx与Ei .mp473.44M

├──7–机器学习-无监督学习

├──1–聚类系列算法

├──1-KMeans聚类流程_距离测度欧式距离和余弦距离.mp4173.95M

├──2-距离测度欧式距离和余弦距离的场景_TFIDF.mp4153.55M

├──3-KMeans的一些变形_KMeans的损失函数推导及假设.mp4167.16M

├──4-mini-batchKMeans_Canopy聚类_聚类评估指标.mp4214.69M

├──5-KMeans代码测试不同情况下的聚类效果.mp4148.66M

└──6-层次聚类_密度聚类_谱聚类.mp4264.04M

├──2–EM算法和GMM高斯混合模型

├──1-单个高斯分布GM的参数估计.mp4112.72M

├──2-理解GMM高斯混合分布的对数似然函数.mp495.22M

├──3-GMM参数估计Πμσ的流程.mp4112.23M

├──4-Jensen不等式的应用.mp4109.17M

├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp4157.57M

├──6-将EM算法应用到GMM中并且推导出Π的公式.mp444.12M

├──7-GMM前景背景分离.mp416.01M

├──8-通过声音文件利用GMM算法识别姓别.mp4134.39M

└──9-通过声音文件利用GMM算法识别是谁.mp451.52M

└──3–PCA降维算法

├──1-特征选择与特征映射.mp449.38M

├──2-PCA的最大投影方差思路.mp4186.75M

├──3-最大投影方差推导_最小投影距离思路.mp4115.67M

├──4-SVD其实就可以去实现PCA了.mp492.97M

└──5-PCA的几种应用.mp454.58M

├──8–机器学习-决策树系列

├──1–决策树

├──1-决策树模型的特点.mp474.88M

├──10-绘制决策树模型_寻找最优树深度.mp497.10M

├──11-代码训练回归树拟合SineWave.mp493.81M

├──12-后剪枝的意义.mp450.49M

├──13-CCP代价复杂度后剪枝.mp4130.67M

├──14-CCP代价复杂度剪枝_α超参数设定.mp462.18M

├──2-决策树的数学表达.mp489.94M

├──3-如何构建一颗决策树.mp484.87M

├──4-什么是更好的一次划分.mp457.02M

├──5-Gini系数.mp4107.54M

├──6-信息增益.mp475.26M

├──7-熵与Gini系数关系_信息增益率.mp4118.18M

├──8-预剪枝以及相关超参数.mp4127.06M

└──9-代码实战决策树对鸢尾花数据集分类.mp477.90M

├──2–集成学习和随机森林

├──1-不同聚合方式_生成不同弱学习器方式.mp480.47M

├──2-Bagging_Boosting_Stacking.mp459.02M

├──3-随机森林.mp4108.14M

├──4-代码实战随机森林对鸢尾花数据集分类.mp4101.81M

├──5-OOB袋外数据.mp4106.07M

├──6-Adaboost算法思路.mp4106.30M

├──7-调整数据权重让权重正确率达到50%.mp466.83M

└──8-Adaboost如何调整样本权重和求基模型权重.mp490.51M

├──3–GBDT

├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x).mp465.49M

├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp472.09M

├──11-GBDT多分类流程.mp473.80M

├──12-对比GBDT回归、二分类、多分类相同点与不同点.mp460.80M

├──13-GBDT二分类叶子节点分值计算推导.mp473.96M

├──14-GBDT多分类叶子节点分值计算.mp454.63M

├──15-GBDT二分类举例详解.mp486.67M

├──16-GBDT多分类举例详解.mp491.71M

├──17-计算特征重要度进行特征选择.mp454.87M

├──18-GBDT用于特征组合降维.mp443.72M

├──19-特征组合降维在GBDT+LR架构应用.mp451.28M

├──2-GBDT令每个弱学习器f(x)去拟合负梯度.mp488.39M

├──20-GBDT在sklearn中源码剖析_初始化F(x).mp4115.14M

├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp471.74M

├──22-GBDT+LR架构训练模型代码实现.mp488.40M

├──23-GBDT+LR架构预测评估代码实现.mp466.47M

├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp477.36M

├──4-GBDT应用于回归问题.mp484.66M

├──5-GBDT回归举例_总结.mp4108.52M

├──6-GBDT应用于二分类问题.mp470.42M

├──7-GBDT二分类拟合的负梯度依然是残差.mp483.81M

├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存.mp461.49M

└──9-GBDT应用于多分类任务.mp473.34M

└──4–XGBoost

├──1-回顾有监督机器学习三要素.mp482.52M

├──10-重新定义树ft和树的复杂度Ω.mp477.70M

├──11-由每个叶子节点重组目标函数Obj.mp468.56M

├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp472.32M

├──13-根据Obj收益指导每一次分裂从而学习一棵树结构.mp4106.69M

├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件.mp473.80M

├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp471.21M

├──16-样本权重对于模型学习的影响.mp459.81M

├──17-总结XGBoost的特姓_包括缺失值的处理策略.mp4101.47M

├──2-Bias_Variance_Trade-off.mp466.00M

├──3-基于树集成学习4个优点.mp491.36M

├──4-回顾基于树集成学习的模型和参数并举例说明.mp493.39M

├──5-通过目标函数Obj来达到准确率和复杂度平衡.mp448.31M

├──6-Objective_vs_Heuristic.mp460.42M

├──7-得出XGBoost最开始的Obj目标函数.mp494.87M

├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj.mp448.62M

└──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp467.39M

├──9–机器学习-概率图模型

├──1–贝叶斯分类

├──1-朴素贝叶斯分类算法.mp4126.74M

├──2-TF-IDF.mp453.08M

├──3-NB代码实现解析.mp4126.73M

├──4-sklearn中调用NB_顺便讲解了GridSearchCV.mp4131.83M

├──5-语言模型的设计目的_MLE的作用进行参数估计.mp4107.12M

└──6-贝叶斯网络_马尔可夫链.mp438.75M

├──2–HMM算法

├──1-HMM隐马的定义.mp436.82M

├──2-HMM隐马的三组参数_三个基本问题.mp4104.28M

├──3-HMM预测问题使用前向算法.mp444.33M

├──4-HMM预测问题使用维特比算法.mp433.43M

├──5-HMM复习_明确概率计算问题要解决的目标.mp476.05M

├──6-前向算法来解决概率计算问题.mp433.05M

├──7-Viterbi算法案例详解.mp4107.12M

└──8-Viterbi算法代码实现.mp442.43M

└──3–CRF算法

├──1-NER与分词和POS的关系_NER的标注策略_NER的主要方法.mp4127.78M

├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp471.88M

├──3-了解CRF层添加的好处.mp4105.90M

├──4-EmissionScore_TransitionScore.mp461.33M

├──5-CRF的目标函数.mp423.74M

├──6-计算CRF真实路径的分数.mp450.37M

├──7-计算CRF所有可能路径的总分数.mp4135.58M

└──8-通过模型来预测新的句子的序列标签.mp483.16M

└──课件.zip2.54kb