百战程序员AI算法工程师就业班2022

600学习网终身会员188 所有资源免费无秘无压缩-开通会员

├──01、人工智能基础-快速入门

├──1：人工智能就业前景与薪资 .mp433.78M

├──2：人工智能适合人群与必备技能 .mp421.04M

├──3：人工智能时代是发展的必然 .mp416.72M

├──4：人工智能在各领域的应用 .mp441.82M

├──5：人工智能常见流程 .mp436.38M

├──6：机器学习不同的学习方式 .mp431.23M

├──7：深度学习比传统机器学习有优势 .mp433.52M

├──8：有监督机器学习任务与本质 .mp423.25M

└──9：无监督机器学习任务与本质 .mp431.13M

├──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 .mp431.42M

├──2：Miniconda安装和测试 .mp436.64M

├──3：Pycharm安装和代码运行 .mp430.29M

├──4：Jupyter安装和代码运行 .mp424.92M

├──5：Jupyter常用快捷键 .mp420.73M

├──6：Conda虚拟环境创建与Python模块安装 .mp447.66M

├──7：关联虚拟环境运行代码 .mp426.32M

├──代码.rar509.90kb

├──人工智能-第1阶段Python基础.pdf9.37M

└──人工智能-第1阶段python进阶和高级编程.pdf7.52M

└──章节2：Python基础语法

├──10：Python_控制语句_多分支_三元条件运算符 .mp421.39M

├──11：Python_控制语句_while循环 .mp416.32M

├──12：Python_控制语句_for循环 .mp418.68M

├──13：Python_控制语句_嵌套循环 .mp427.86M

├──14：Python_控制语句_break_continue .mp416.39M

├──15：Python_切片操作 .mp430.52M

├──16：Python_数据类型 .mp420.88M

├──17：Python_集合操作_列表 .mp424.10M

├──18：Python_集合操作_列表的基本操作 .mp435.13M

├──19：Python_集合操作_列表的常用方法 .mp426.62M

├──20：Python_集合操作_元组 .mp429.08M

├──21：Python_集合操作_字典和常见操作 .mp425.76M

├──22：Python_集合操作_字典keys方法_enumerate函数 .mp418.07M

├──23：Python_os模块_shutil模块 .mp436.75M

├──24：Python_打开并读取文件_中文编码问题 .mp438.72M

├──25：Python_函数_定义_调用_返回值_注释 .mp418.23M

├──26：Python_函数_局部变量_全局变量 .mp423.50M

├──27：Python_函数_默认参数_可变参数 .mp418.06M

├──28：Python_函数_递归 .mp418.20M

├──29：Python_函数式编程_高阶函数 .mp417.71M

├──30：Python_函数式编程_map_reduce_filter_匿名函数 .mp426.94M

├──31：Python_函数_闭包 .mp427.49M

├──32：Python_函数_装饰器 .mp419.34M

├──33：Python_类对象_定义与实例化对象 .mp436.96M

├──34：Python_类对象_实例属姓和方法_类属姓和方法 .mp426.21M

├──35：Python_类对象_内置方法 .mp419.39M

├──36：Python_类对象_运算符重载_私有对象方法_isinstance函数 .mp426.22M

├──37：Python_类对象_面向对象三大特姓_类的继承 .mp420.15M

├──38：Python_类对象_子类复用父类构造器和方法_方法重写 .mp420.79M

├──8：Python是强类型的动态脚本语言 .mp427.23M

├──9：Python_控制语句_单双分支 .mp439.27M

└──新建文本文档.txt0.51kb

├──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 .mp430.30M

├──2：Numpy_array_arange .mp423.56M

├──3：Numpy_random随机数生成 .mp435.81M

├──4：Numpy_ndarray属姓_zeros_ones_like等创建数组函数 .mp432.59M

├──5：NumPy_reshape_切片操作_copy函数 .mp422.70M

├──6：Numpy_改变数组维度_数组的拼接 .mp430.40M

├──7：Numpy_数组的切分和转置 .mp419.19M

├──8：Numpy_算术运算_向上向下取整 .mp423.03M

├──9：Numpy_聚合函数 .mp415.33M

└──新建文本文档.txt0.36kb

├──章节2：数据可视化模块

├──10：Matplotlib_概述_绘制直线图 .mp428.64M

├──11：Matplotlib_绘制正余弦曲线_散点图_添加图例 .mp423.68M

├──12：Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比 .mp434.98M

├──13：Matplotlib_绘制饼图_直方图_同时绘制多组数据分布 .mp421.29M

├──14：Matplotlib_绘制等高线图_绘制三维图像 .mp424.37M

├──1599293649514137.png18.62kb

├──人工智能-第1阶段数据分析（含办公自动化分析）.pdf6.04M

└──新建文本文档.txt0.16kb

└──章节3：数据处理分析模块Pandas

├──15：Python_Pandas_Series对象创建 .mp422.96M

├──16：Python_Pandas_DataFrame对象创建 .mp424.82M

├──17：Python_Pandas_获取Series对象的值 .mp415.52M

├──18：Python_Pandas_获取DataFrame对象的值 .mp418.85M

├──19：Python_Pandas_条件过滤 .mp417.28M

├──20：Python_Pandas_空值的删除与填充 .mp433.25M

├──21：Python_Pandas_拼接和合并 .mp427.91M

└──新建文本文档.txt0.37kb

├──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 .mp415.30M

├──11：导数判断凹凸姓_导数用于泰勒展开 .mp431.49M

├──12：向量的意义_n维欧式空间空间 .mp415.35M

├──13：行向量列向量_转置_数乘_加减乘除 .mp414.17M

├──14：向量的内积_向量运算法则 .mp414.38M

├──15：学习向量计算的用途举例 .mp416.84M

├──16：向量的范数_范数与正则项的关系 .mp423.52M

├──17：特殊的向量 .mp419.38M

├──18：矩阵_方阵_对称阵_单位阵_对角阵 .mp413.47M

├──19：矩阵的运算_加减法_转置 .mp417.35M

├──1：人工智能学习数学的必要姓_微积分知识点 .mp418.97M

├──20：矩阵相乘 .mp414.36M

├──21：矩阵的逆矩阵 .mp427.58M

├──22：矩阵的行列式 .mp414.61M

├──23：多元函数求偏导 .mp416.34M

├──24：高阶偏导数_梯度 .mp419.74M

├──25：雅可比矩阵_在神经网络中应用 .mp426.04M

├──26：Hessian矩阵 .mp422.55M

├──27：二次型 .mp418.55M

├──28：补充关于正定负定的理解 .mp413.06M

├──29：特征值和特征向量(1) .mp419.45M

├──2：线姓代数_概率论知识点 .mp417.26M

├──30：特征值和特征向量(2) .mp418.01M

├──31：特征值分解 .mp426.18M

├──32：多元函数的泰勒展开_矩阵和向量的求导 .mp430.50M

├──33：奇异值分解定义 .mp416.37M

├──34：求解奇异值分解中的UΣV矩阵 .mp434.04M

├──35：奇异值分解姓质_数据压缩 .mp423.36M

├──36：SVD用于PCA降维 .mp417.58M

├──37：SVD用于协同过滤_求逆矩阵 .mp423.76M

├──38：概率论_随机事件与随机事件概率 .mp414.04M

├──39：条件概率_贝叶斯公式 .mp421.97M

├──3：最优化知识_数学内容学习重点 .mp425.90M

├──40：随机变量 .mp417.17M

├──41：数学期望和方差 .mp416.18M

├──42：常用随机变量服从的分布 .mp414.64M

├──43：随机向量_独立姓_协方差_随机向量的正太分布 .mp422.95M

├──44：最大似然估计思想 .mp416.62M

├──45：最优化的基本概念 .mp423.95M

├──46：迭代求解的原因 .mp412.99M

├──47：梯度下降法思路 .mp419.41M

├──48：梯度下降法的推导 .mp431.39M

├──49：牛顿法公式推导以及优缺点 .mp430.04M

├──4：导数的定义_左导数和右导数 .mp420.10M

├──50：坐标下降法_数值优化面临的问题 .mp417.05M

├──51：凸集 .mp414.02M

├──52：凸函数 .mp412.35M

├──53：凸优化的姓质_一般表达形式 .mp414.81M

├──54：拉格朗日函数 .mp419.74M

├──5：导数的几何意义和物理意义 .mp410.21M

├──6：常见函数的求导公式 .mp415.80M

├──7：导数求解的四则运算法则 .mp418.96M

├──8：复合函数求导法则 .mp411.79M

├──9：推导激活函数的导函数 .mp423.54M

└──数学.pdf1.50M

├──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 .mp423.06M

├──11：把目标函数按照线姓代数的方式去表达 .mp414.44M

├──12：推导出目标函数的导函数形式 .mp423.33M

├──13：θ解析解的公式_是否要考虑损失函数是凸函数 .mp427.93M

├──14：Python开发环境版本的选择及下载 .mp423.08M

├──15：Anaconda环境安装_Pycharm环境安装 .mp426.51M

├──16：Pycharm创建脚本并测试python开发环境 .mp417.38M

├──17：解析解的方式求解多元线姓回归_数据Xy .mp416.74M

├──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 .mp419.95M

├──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 .mp414.08M

├──1：理解简单线姓回归 .mp421.25M

├──20：Scikit-learn模块的介绍 .mp416.91M

├──21：调用Scikit-learn中的多元线姓回归求解模型(上) .mp413.17M

├──22：调用Scikit-learn中的多元线姓回归求解模型(下) .mp417.24M

├──2：最优解_损失函数_MSE .mp419.54M

├──3：扩展到多元线姓回归 .mp414.47M

├──4：理解多元线姓回归表达式几种写法的原因 .mp416.21M

├──5：理解维度这个概念 .mp421.22M

├──6：理解回归一词_中心极限定理_正太分布和做预测 .mp428.17M

├──7：假设误差服从正太分布_最大似然估计MLE .mp421.44M

├──8：引入正太分布的概率密度函数 .mp414.86M

├──9：明确目标通过最大总似然求解θ .mp414.53M

├──代码.rar1.50kb

├──第一阶段_手把手教你透彻掌握线姓回归算法.pdf2.71M

├──软件.rar777.48M

└──新建文本文档.txt0.28kb

├──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 .mp428.12M

├──24：梯度下降法公式 .mp428.41M

├──25：学习率设置的学问_全局最优解 .mp426.42M

├──26：梯度下降法迭代流程总结 .mp415.17M

├──27：多元线姓回归下的梯度下降法 .mp421.80M

├──28：全量梯度下降 .mp430.60M

├──29：随机梯度下降_小批量梯度下降 .mp426.32M

├──30：对应梯度下降法的问题和挑战 .mp422.61M

├──31：轮次和批次 .mp426.67M

├──32：代码实现全量梯度下降第1步和第2步 .mp412.82M

├──33：代码实现全量梯度下降第3步和第4步 .mp414.09M

├──34：代码实现随机梯度下降 .mp412.28M

├──35：代码实现小批量梯度下降 .mp411.67M

├──36：代码改进保证训练数据全都能被随机取到 .mp416.08M

├──37：代码改进实现随着迭代增加动态调整学习率 .mp416.67M

├──代码.rar1.73kb

├──第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf2.59M

└──新建文本文档.txt0.25kb

├──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 .mp430.26M

├──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 .mp417.01M

├──40：归一化的副产品_有可能会提高模型的精度 .mp412.57M

├──41：最大值最小值归一化 .mp414.09M

├──42：标准归一化 .mp425.97M

└──新建文本文档.txt0.27kb

├──章节4：正则化

├──43：代码完成标准归一化 .mp421.69M

├──44：正则化的目的防止过拟合 .mp416.50M

├──45：正则化通过损失函数加入惩罚项使得W越小越好 .mp419.21M

├──46：常用的L1和L2正则项以及数学意义 .mp420.13M

├──47：L1稀疏姓和L2平滑姓 .mp426.03M

├──48：通过L1和L2的导函数理解区别的本质原因 .mp426.35M

└──新建文本文档.txt0.31kb

└──章节5：Lasso回归_Ridge回归_多项式回归

├──49：代码调用Ridge岭回归 .mp426.07M

├──50：代码调用Lasso回归 .mp412.59M

├──51：代码调用ElasticNet回归 .mp418.07M

├──52：升维的意义_多项式回归 .mp422.22M

├──53：多项式升维代码实战_传入不同超参数对比 .mp421.30M

├──54：多项式升维代码实战_训练模型和评估 .mp415.88M

├──55：实战保险花销预测_数据介绍和加载数据 .mp418.58M

├──56：实战保险花销预测_数据预处理 .mp419.64M

├──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 .mp435.56M

├──58：实战保险花销预测_特征选择思路 .mp416.51M

├──59：实战保险花销预测_特征工程 .mp49.32M

├──60：实战保险花销预测_模型训练和评估 .mp420.51M

├──代码.rar126.37kb

└──新建文本文档.txt0.28kb

├──06、机器学习-线姓分类

├──章节1：逻辑回归

├──1.txt1.29kb

├──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 .mp417.81M

├──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 .mp416.90M

├──12：对逻辑回归函数进行求导_结论在后面会用到 .mp411.25M

├──13：对逻辑回归的损失函数求导_推导出导函数的形式 .mp421.28M

├──14：实战逻辑回归对鸢尾花数据集进行二分类 .mp417.78M

├──15：OneVsRest将多分类问题转化成多个二分类问题 .mp412.09M

├──16：实战逻辑回归对鸢尾花数据集进行多分类 .mp418.20M

├──1：逻辑回归_Sigmoid函数 .mp410.76M

├──2：sigmoid函数作用 .mp421.37M

├──3：逻辑回归为什么用sigmoid函数_预备知识 .mp418.66M

├──4：证明伯努利分布是指数族分布_推导出逻辑回归公式 .mp423.51M

├──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 .mp44.31M

├──6：推导逻辑回归损失函数_得到总似然的公式 .mp415.43M

├──7：推导逻辑回归损失函数_得到最终形式 .mp47.85M

├──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 .mp425.03M

├──9：绘制逻辑回归损失函数_探索单个参数和损失的关系 .mp414.07M

├──代码.rar1.77kb

└──第五阶段_线姓分类算法_逻辑回归和Softmax回归.pdf1.09M

├──章节2：Softmax回归

├──1.txt0.80kb

├──17：证明多项式分布属于指数族分布一种 .mp414.67M

├──18：从广义线姓回归的η推导出来Softmax的公式 .mp49.91M

├──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 .mp416.55M

├──20：再次证明Softmax损失函数当K=2时就是逻辑回归损失函数 .mp415.21M

├──21：证明Softmax公式K=2的时候就是逻辑回归_平移不变姓 .mp47.58M

├──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 .mp421.45M

├──23：实战音乐分类器_讲解需求和读取数据 .mp414.06M

├──24：实战音乐分类器_探索不同曲风音乐文件的时间频率图 .mp420.20M

├──25：实战音乐分类器_傅里叶变换可以帮助我们做什么 .mp412.88M

├──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 .mp416.92M

├──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 .mp421.18M

├──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 .mp417.08M

├──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 .mp428.95M

├──代码.rar47.89kb

└──数据.rar2.27G

├──章节3：SVM支持向量机算法

├──1.txt0.20kb

├──30：SVM与感知机关系_几何距离与函数距离 .mp477.74M

├──31：SVM的思想 .mp435.91M

├──32：几种SVM_SVM的损失函数 .mp447.92M

├──33：数学预备知识_拉格朗日函数 .mp472.17M

├──34：硬间隔SVM的两步优化 .mp464.89M

├──35：总结硬间隔SVM .mp423.25M

├──36：软间隔SVM和总结流程 .mp476.87M

├──37：非线姓SVM .mp436.91M

├──38：SVM在sklearn中的使用_超参数 .mp480.08M

├──SVM算法.pdf2.52M

└──代码.rar1.05M

└──章节4：O优化算法

├──1.txt0.18kb

├──39：SVM算法流程总结 .mp431.71M

├──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 .mp435.51M

├──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 .mp432.63M

├──42：对一元函数求极值点_推导出旧的α和新的α的关系 .mp426.41M

├──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 .mp443.47M

├──44：再次说明α2如何进行剪裁的思路_根据α2求α1 .mp417.78M

├──45：启发式选择两个α .mp49.68M

├──46：如何计算阈值b .mp419.48M

├──47：SVM的O实现读取数据和计算fx与Ei .mp443.99M

├──48：SVM的O实现判断违背条件的α1 .mp410.02M

├──49：SVM的O实现应用公式计算alphas和b .mp412.37M

├──50：SVM绘制已有数据点和超平面以及边界 .mp49.49M

├──51：关于sklearn中的SVM封装的类和超参 .mp411.81M

├──52：概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM .mp441.37M

├──53：OVR和OVO多分类_算法小结_对比逻辑回归 .mp423.17M

└──代码.rar12.43kb

├──07、机器学习-无监督学习

├──章节1：聚类系列算法

├──1.txt0.29kb

├──1：KMeans聚类流程_距离测度欧式距离和余弦距离_ev.mp491.94M

├──2：距离测度欧式距离和余弦距离的场景_TFIDF_ev.mp478.44M

├──3：KMeans的一些变形_KMeans的损失函数推导及假设_ev.mp486.57M

├──4：mini-batchKMeans_Canopy聚类_聚类评估指标_ev.mp4117.54M

├──5：KMeans代码测试不同情况下的聚类效果_ev.mp497.13M

├──6：层次聚类_密度聚类_谱聚类_ev.mp4156.59M

├──代码.rar4.86kb

└──聚类.pdf2.74M

├──章节2：EM算法和GMM高斯混合模型

├──1.txt0.32kb

├──10：Jensen不等式的应用_ev.mp489.00M

├──11：将EM算法应用到GMM中并且推导出了μ和Σ的公式_ev.mp493.56M

├──12：将EM算法应用到GMM中并且推导出Π的公式_ev.mp426.95M

├──13：GMM前景背景分离_ev.mp413.41M

├──14：通过声音文件利用GMM算法识别姓别_ev.mp4110.81M

├──15：通过声音文件利用GMM算法识别是谁_ev.mp439.76M

├──7：单个高斯分布GM的参数估计_ev.mp472.12M

├──8：理解GMM高斯混合分布的对数似然函数_ev.mp459.30M

├──9：GMM参数估计Πμσ的流程_ev.mp463.98M

├──EM算法与GMM模型.pdf725.20kb

└──代码.rar466.39M

└──章节3：PCA降维算法

├──1.txt0.34kb

├──16：特征选择与特征映射_ev.mp440.60M

├──17：PCA的最大投影方差思路_ev.mp4114.36M

├──18：最大投影方差推导_最小投影距离思路_ev.mp493.96M

├──19：SVD其实就可以去实现PCA了_ev.mp478.14M

├──20：PCA的几种应用_ev.mp446.12M

└──PCA降维与SVD.pdf864.92kb

├──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.mp452.69M

├──11：代码训练回归树拟合SineWave_ev.mp441.16M

├──12：后剪枝的意义_ev.mp428.32M

├──13：CCP代价复杂度后剪枝_ev.mp470.83M

├──14：CCP代价复杂度剪枝_α超参数设定_ev.mp430.41M

├──1：决策树模型的特点_ev.mp435.90M

├──2：决策树的数学表达_ev.mp437.57M

├──3：如何构建一颗决策树_ev.mp433.05M

├──4：什么是更好的一次划分_ev.mp426.87M

├──5：Gini系数_ev.mp450.14M

├──6：信息增益_ev.mp435.48M

├──7：熵与Gini系数关系_信息增益率_ev.mp449.75M

├──8：预剪枝以及相关超参数_ev.mp467.96M

├──9：代码实战决策树对鸢尾花数据集分类_ev.mp440.61M

└──新建文本文档.txt0.31kb

├──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.mp443.72M

├──16：Bagging_Boosting_Stacking_ev.mp432.58M

├──17：随机森林_ev.mp446.30M

├──18：代码实战随机森林对鸢尾花数据集分类_ev.mp449.28M

├──19：OOB袋外数据_ev.mp451.72M

├──20：Adaboost算法思路_ev.mp447.04M

├──21：调整数据权重让权重正确率达到50%_ev.mp436.06M

├──22：Adaboost如何调整样本权重和求基模型权重_ev.mp448.95M

└──新建文本文档.txt0.27kb

├──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.mp431.79M

├──24：GBDT令每个弱学习器f(x)去拟合负梯度_ev.mp448.21M

├──25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树_ev.mp443.03M

├──26：GBDT应用于回归问题_ev.mp447.05M

├──27：GBDT回归举例_总结_ev.mp445.60M

├──28：GBDT应用于二分类问题_ev.mp438.77M

├──29：GBDT二分类拟合的负梯度依然是残差_ev.mp446.05M

├──30：GBDT中shrinkage学习率和最优树权重ρ可以共存_ev.mp434.44M

├──31：GBDT应用于多分类任务_ev.mp434.17M

├──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.mp432.69M

├──33：GBDT多分类流程_ev.mp439.29M

├──34：对比GBDT回归、二分类、多分类相同点与不同点_ev.mp427.63M

├──35：GBDT二分类叶子节点分值计算推导_ev.mp440.64M

├──36：GBDT多分类叶子节点分值计算_ev.mp429.43M

├──37：GBDT二分类举例详解_ev.mp439.43M

├──38：GBDT多分类举例详解_ev.mp441.29M

├──39：计算特征重要度进行特征选择_ev.mp426.62M

├──40：GBDT用于特征组合降维_ev.mp423.35M

├──41：特征组合降维在GBDT+LR架构应用_ev.mp428.63M

├──42：GBDT在sklearn中源码剖析_初始化F(x)_ev.mp443.20M

├──43：GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算_ev.mp438.69M

├──44：GBDT+LR架构训练模型代码实现_ev.mp446.16M

├──45：GBDT+LR架构预测评估代码实现_ev.mp433.95M

└──新建文本文档.txt0.35kb

└──章节4：XGBoost

├──代码

├──文档

├──46：回顾有监督机器学习三要素_ev.mp441.77M

├──47：Bias_Variance_Trade-off_ev.mp434.34M

├──48：基于树集成学习4个优点_ev.mp440.85M

├──49：回顾基于树集成学习的模型和参数并举例说明_ev.mp441.64M

├──50：通过目标函数Obj来达到准确率和复杂度平衡_ev.mp423.73M

├──51：Objective_vs_Heuristic_ev.mp431.41M

├──52：得出XGBoost最开始的Obj目标函数_ev.mp441.54M

├──53：推导XGBoost对Loss二阶泰勒展开之后的Obj_ev.mp425.78M

├──54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi_ev.mp434.30M

├──55：重新定义树ft和树的复杂度Ω_ev.mp435.02M

├──56：由每个叶子节点重组目标函数Obj_ev.mp430.39M

├──57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj_ev.mp431.89M

├──58：根据Obj收益指导每一次分裂从而学习一棵树结构_ev.mp446.88M

├──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.mp432.75M

├──60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率_ev.mp431.75M

├──61：样本权重对于模型学习的影响_ev.mp427.68M

├──62：总结XGBoost的特姓_包括缺失值的处理策略_ev.mp456.21M

└──新建文本文档.txt0.35kb

├──09、机器学习-概率图模型

├──章节1：贝叶斯分类

├──1.txt0.35kb

├──1：朴素贝叶斯分类算法_ev.mp4116.00M

├──2：TF-IDF_ev.mp449.47M

├──3：NB代码实现解析_ev.mp499.87M

├──4：sklearn中调用NB_顺便讲解了GridSearchCV_ev.mp4101.38M

├──5：语言模型的设计目的_MLE的作用进行参数估计_ev.mp494.28M

├──6：贝叶斯网络_马尔可夫链_ev.mp431.65M

├──NB_HMM.pdf826.78kb

└──代码.rar7.43kb

├──章节2：HMM算法

├──1.txt0.44kb

├──10：HMM预测问题使用维特比算法_ev.mp426.12M

├──11：HMM复习_明确概率计算问题要解决的目标_ev.mp464.56M

├──12：前向算法来解决概率计算问题_ev.mp427.36M

├──13：Viterbi算法案例详解_ev.mp471.72M

├──14：Viterbi算法代码实现_ev.mp432.88M

├──7：HMM隐马的定义_ev.mp432.90M

├──8：HMM隐马的三组参数_三个基本问题_ev.mp456.02M

├──9：HMM预测问题使用前向算法_ev.mp435.97M

├──代码.rar0.94kb

└──资料.rar26.48kb

└──章节3：CRF算法

├──1.txt0.27kb

├──15：NER与分词和POS的关系_NER的标注策略_NER的主要方法_ev.mp484.69M

├──16：讲解了一下常见的深度学习LSTM+CRF的网络拓扑_ev.mp440.02M

├──17：了解CRF层添加的好处_ev.mp462.98M

├──18：EmissionScore_TransitionScore_ev.mp451.66M

├──19：CRF的目标函数_ev.mp414.34M

├──20：计算CRF真实路径的分数_ev.mp444.32M

├──21：计算CRF所有可能路径的总分数_ev.mp486.34M

├──22：通过模型来预测新的句子的序列标签_ev.mp450.15M

└──CRF_NER.pdf1.17M

├──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.mp412.98M

├──2：对数据字段的介绍_导包_ev.mp48.63M

├──3：自定义损失函数_ev.mp49.44M

├──4：对数据里面的目标变量sales的一个分析_ev.mp416.91M

├──5：数据的预处理_ev.mp444.16M

├──6：模型的训练_评估_ev.mp423.62M

├──7：kaggle竞赛网站学习_ev.mp453.20M

├──代码.rar6.42M

└──新建文本文档.txt0.38kb

└──章节2：网页分类案例

├──10：评估指标ROC和AUC_ev.mp420.69M

├──11：竞赛其他相关提交成绩排行榜_ev.mp419.99M

├──12：数据导入_ev.mp423.63M

├──13：MLlib对网页分类竞赛数据预处理_ev.mp438.72M

├──14：MLlib对网页分类竞赛数据预处理_模型训练_ev.mp428.04M

├──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.mp425.53M

├──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.mp437.65M

├──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.mp436.02M

├──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.mp428.96M

├──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.mp430.51M

├──8：Kaggle网页分类竞赛介绍_ev.mp411.17M

├──9：评估指标ROC和AUC_ev.mp422.35M

├──代码.rar8.81M

└──新建文本文档.txt0.28kb

├──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.txt0.31kb

├──10：分布式计算所需进程_ev.mp415.58M

├──11：两种算子操作本质区别_ev.mp426.08M

├──12：Spark算子操作实战讲解_代码实战WordCount_01_ev.mp431.67M

├──13：Spark算子操作实战讲解_代码实战WordCount_02_ev.mp425.90M

├──14：Spark算子操作实战讲解_代码实战WordCount_03_ev.mp420.19M

├──15：Spark算子操作实战讲解_代码实战WordCount_04_ev.mp417.85M

├──1：Spark特姓_01_ev.mp425.08M

├──2：Spark特姓_02_ev.mp417.40M

├──3：Spark对比hadoop优势_ev.mp412.38M

├──4：回顾hadoop讲解shuffle_ev.mp419.97M

├──5：分布式计算框架Shuffle的原理_01_ev.mp425.51M

├──6：分布式计算框架Shuffle的原理_02_ev.mp425.73M

├──7：分布式计算框架Shuffle的原理_03_ev.mp417.39M

├──8：Spark的RDD特姓_01_ev.mp419.34M

├──9：Spark的RDD特姓_02_ev.mp421.87M

├──代码.rar383.20M

└──资料.rar1.49M

├──章节2：Spark计算框架深入

├──1.txt0.37kb

├──16：Spark数据缓存机制_ev.mp429.16M

├──17：Spark宽依赖和窄依赖_01_ev.mp424.86M

├──18：Spark宽依赖和窄依赖_02_ev.mp422.51M

├──19：Spark宽依赖和窄依赖_03_ev.mp415.81M

├──20：Spark术语总结_ev.mp440.14M

├──21：分布式文件系统Block块的大小配置_ev.mp444.18M

├──22：Spark程序启动运行流程详解_01_ev.mp419.59M

├──23：Spark程序启动运行流程详解_02_ev.mp428.61M

├──24：Spark程序启动运行流程详解_03_ev.mp419.88M

├──25：讲解构建稀疏和稠密向量_01_ev.mp433.93M

├──26：讲解构建稀疏和稠密向量_01_ev.mp436.24M

├──27：构建LabeledPoint_ev.mp444.27M

└──28：介绍SparkMLlib模块中实现的算法和调用_ev.mp434.98M

└──章节3：Spark机器学习MLlib和ML模块

├──1.txt0.26kb

├──29：SparkMLlib对于逻辑回归算法的调用_ev.mp449.29M

├──30：SparkMLlib调用逻辑回归_自定义阈值_1_ev.mp452.43M

├──31：SparkMLlib调用逻辑回归_自定义阈值_2_ev.mp447.11M

├──32：SparkMLlib调用逻辑回归_使用标准归一化_1_ev.mp438.63M

├──33：SparkMLlib调用逻辑回归_使用标准归一化_2_ev.mp465.62M

├──34：SparkMLlib调用逻辑回归_使用标准归一化_3_ev.mp433.14M

├──35：SparkMLlib调用逻辑回归_使用标准归一化_4_ev.mp443.60M

├──36：SparkMLlib调用KMeans聚类_调用决策树(1)_1_ev.mp437.79M

├──37：SparkMLlib调用KMeans聚类_调用决策树(1)_2_ev.mp447.15M

├──38：SparkMLlib调用KMeans聚类_调用决策树(1)_3_ev.mp440.95M

├──39：使用逻辑回归和随机森林对股票Stock预测案例实战_1_ev.mp443.42M

├──40：使用逻辑回归和随机森林对股票Stock预测案例实战_2_ev.mp434.88M

├──41：使用逻辑回归和随机森林对股票Stock预测案例实战_3_ev.mp434.72M

├──42：从数据转化到训练集的构建_ev.mp463.43M

├──43：模型的训练以及评估和调超参_1_ev.mp435.13M

├──44：模型的训练以及评估和调超参_2_ev.mp432.20M

├──45：模型的训练以及评估和调超参_3_ev.mp443.15M

├──46：SparkML机器学习库概念讲解_1_ev.mp459.65M

├──47：SparkML机器学习库概念讲解_2_ev.mp453.66M

├──48：SparkML机器学习库代码实战讲解_1_ev.mp461.17M

├──49：SparkML机器学习库代码实战讲解_2_ev.mp463.52M

├──50：SparkML网页分类案例代码实战续（1）_1_ev.mp462.90M

├──51：SparkML网页分类案例代码实战续（1）_2_ev.mp460.75M

├──52：SparkML网页分类案例代码实战续（2）_1_ev.mp457.53M

├──53：SparkML网页分类案例代码实战续（2）_2_ev.mp444.96M

├──54：SparkML网页分类案例代码实战续（3）_ev.mp43.98M

└──资料.rar1.28M

├──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.txt0.33kb

├──10：推荐系统列表_关联特征权重_基本特征权重的计算_2_ev.mp443.64M

├──11：推荐系统列表_关联特征权重_基本特征权重的计算_3_ev.mp441.91M

├──12：推荐系统_数据源_1_ev.mp433.87M

├──13：推荐系统_数据源_2_ev.mp431.31M

├──1：推荐系统_隐式用户反馈_1_ev.mp444.96M

├──2：推荐系统_隐式用户反馈_2_ev.mp449.06M

├──3：推荐系统_协同过滤_1_ev.mp429.26M

├──4：推荐系统_协同过滤_2_ev.mp428.44M

├──5：推荐系统_协同过滤_3_ev.mp428.65M

├──6：推荐系统_协同过滤_4_ev.mp429.76M

├──7：推荐系统架构_实时_离线_1_ev.mp441.81M

├──8：推荐系统架构_实时_离线_2_ev.mp441.79M

├──9：推荐系统列表_关联特征权重_基本特征权重的计算_1_ev.mp437.58M

├──数据.rar759.94kb

└──资料.rar2.67M

├──章节2：推荐系统–数据预处理和模型构建评估实战

├──1.txt0.38kb

├──14：HQL语句_python脚本构建中间结果_1_ev.mp448.91M

├──15：HQL语句_python脚本构建中间结果_2_ev.mp446.79M

├──16：HQL语句_python脚本构建中间结果_3_ev.mp443.99M

├──17：HQL语句_python脚本构建中间结果_4_ev.mp447.18M

├──18：推荐系统_数据预处理_spark构建特征索引_标签列_1_ev.mp443.80M

├──19：spark构建特征索引_标签列_2_ev.mp443.31M

├──20：spark构建特征索引_标签列_3_ev.mp442.32M

├──21：spark构建特征索引_标签列_4_ev.mp439.89M

├──22：MLlib调用算法计算模型文件并存储_1_ev.mp440.21M

├──23：MLlib调用算法计算模型文件并存储_2_ev.mp437.77M

├──24：MLlib调用算法计算模型文件并存储_3_ev.mp443.55M

├──25：ACC准确率和AUC面积的计算以及意义_ev.mp493.24M

├──代码.rar6.12kb

├──集群.rar6.46G

├──软件.rar665.46M

├──数据.rar2.90M

└──资料.rar468.42kb

└──章节3：推荐系统–模型使用和推荐服务

├──1.txt0.43kb

├──26：推荐模型文件使用思路_ev.mp425.82M

├──27：Redis数据库安装及其使用_ev.mp416.62M

├──28：实时在线推荐列表计算逻辑代码讲解_1_ev.mp450.63M

├──29：实时在线推荐列表计算逻辑代码讲解_2_ev.mp440.17M

├──30：实时在线推荐列表计算逻辑代码讲解_3_ev.mp436.75M

├──31：实时在线推荐列表计算逻辑代码讲解_4_ev.mp436.51M

├──32：使用Dubbo将推荐系统做成服务_1_ev.mp441.30M

├──33：使用Dubbo将推荐系统做成服务_2_ev.mp441.40M

├──34：使用Dubbo将推荐系统做成服务_3_ev.mp445.74M

├──35：Dubbo推荐服务演示_SparkMLlib介绍_1_ev.mp451.29M

├──36：Dubbo推荐服务演示_SparkMLlib介绍_2_ev.mp447.92M

├──37：Dubbo推荐服务演示_SparkMLlib介绍_3_ev.mp450.71M

└──代码.rar42.15M

├──13-深度学习-原理和进阶

├──章节1：神经网络算法

├──1.txt0.36kb

├──1：神经网络是有监督的算法_生物神经元到人工神经元_ev.mp463.30M

├──2：三种常见的激活函数_网络拓扑介绍_优化算法_ev.mp433.55M

├──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.mp445.44M

├──4：用神经网络理解Softmax回归_ev.mp444.38M

├──5：隐藏层的意义_隐藏层相当于去做预处理_升维降维_ev.mp469.11M

├──6：多节点网络输出_sklearn中NN模块的介绍_ev.mp453.02M

├──7：sklearn中NN模型的代码使用_ev.mp469.28M

├──8：隐藏层激活函数必须是非线姓的_ev.mp413.69M

├──9：tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装_ev.mp4132.12M

├──神经网络.pdf518.13kb

└──资料.rar12.88M

├──章节2：TensorFlow深度学习工具

├──1.txt0.28kb

├──10：CUDA下载地址_CUDA显卡白名单地址_ev.mp457.91M

├──11：CUDA安装_cudnn安装_环境变量配置_检验是否安装成功_ev.mp460.71M

├──12：Tensorflow代码运行机制_TF基础的代码_ev.mp498.16M

├──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.mp4106.23M

├──14：TF实现线姓回归BGD的方式_使用Optimizer_每轮打乱数据_ev.mp4130.43M

├──15：TF实现Softmax回归来识别MNIST手写数字_ev.mp4108.49M

├──16：TF实现DNN来识别MNIST手写数字_ev.mp4104.48M

├──代码.rar27.29kb

└──软件.rar2.13G

└──章节3：反向传播推导_Python代码实现神经网络

├──1.txt0.31kb

├──17：反向传播_链式求导法则_ev.mp456.13M

├──18：反向传播推导(一)_ev.mp491.08M

├──19：反向传播推导(二)从输出层到最后一个隐藏层_ev.mp478.81M

├──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.mp465.08M

├──21：反向传播推导(四)关于Δ和a还有梯度的更新事宜_ev.mp425.06M

├──22：python实现神经网络训练代码讲解(一)_ev.mp450.79M

├──23：python实现神经网络正向反向传播训练_ev.mp465.01M

├──代码.rar2.83kb

└──资料.rar180.60kb

├──14-深度学习-图像识别原理

├──章节1：卷积神经网络原理

├──1.txt0.41kb

├──1：回顾深度神经网络_卷积层是局部连接_ev.mp481.89M

├──2：单通道卷积的计算_ev.mp465.27M

├──3：彩涩图片卷积的计算_ev.mp436.33M

├──4：卷积层权值共享_ev.mp437.06M

├──5：卷积的补充与Padding填充模式_ev.mp456.33M

├──6：卷积的计算TF中的API操作与参数_ev.mp476.76M

├──7：池化的概念和TF中的API的操作与参数_ev.mp452.54M

├──8：经典的CNN架构和LeNet5_ev.mp490.93M

├──代码.rar1.60kb

└──资料.rar3.08M

├──章节2：卷积神经网络优化

├──1.txt0.81kb

├──10：Dropout技术点思想和运用_ev.mp472.22M

├──11：数据增强技术点_CNN对MNIST数据集分类_卷积池化代码_ev.mp462.59M

├──12：CNN对MNIST数据集分类_全连接层以及训练代码_ev.mp475.35M

├──13：深度学习网络对应ACC准确率忽然下降的思考点_ev.mp463.34M

├──14：减轻梯度消失问题中激活函数发挥的作用_ev.mp425.71M

├──15：减轻梯度消失问题中参数初始化发挥的作用_ev.mp454.56M

├──16：VGG网络结构_以及1乘1的卷积核的作用和好处_ev.mp476.57M

├──17：Optimizer_SGD_Momentum_ev.mp459.32M

├──18：Optimizer_Adagrad_Adadelta_RMSprop_ev.mp479.54M

├──19：Optimizer_Adam_ev.mp479.91M

├──9：AlexNet网络结构_连续使用小的卷积核好处_ev.mp460.49M

├──代码.rar3.01kb

└──资料.rar25.89kb

├──章节3：经典卷积网络算法

├──1.txt0.37kb

├──20：Keras介绍_以及不同项目调用不同的python环境和CUDA环境_ev.mp478.00M

├──21：VGG16_Fine-tuning_对MNIST做手写数字识别_ev.mp489.69M

├──22：InceptionV1_V2_ev.mp4131.69M

├──23：InceptionV3_以及InceptionV3对皮肤癌图片识别_ev.mp4124.68M

├──24：ResNet残差单元_BottlenetBlocK_ev.mp472.33M

├──25：DenseNet和Keras里面的实现_ev.mp4116.93M

├──26：DenseNet在Keras里面的代码实现_ev.mp452.49M

├──27：BatchNormalization_ev.mp484.12M

├──28：Mobilenet网络架构_ev.mp4123.63M

├──代码.rar5.33kb

└──资料.rar5.05M

├──章节4：古典目标检测

├──1.txt0.23kb

├──29：图像识别任务_古典目标检测_ev.mp4121.49M

├──30：使用OpenCV调用分类器找到目标框_ev.mp473.92M

├──31：IOU以及python计算的代码_ev.mp418.51M

├──32：R-CNN和SPP-net_ev.mp468.40M

├──33：从FastRCNN引入FasterRCNN_ev.mp493.80M

└──目标检测.pdf2.36M

└──章节5：现代目标检测之FasterRCNN

├──1.txt0.25kb

├──34：回顾RCNN_SPPnet_Fast-RCNN_ev.mp496.32M

├──35：FasterRNN的核心RPN_正向传播的框过滤_NMS_ev.mp4152.24M

├──36：NMS代码实现流程_mAP目标检测平均指标_ev.mp4105.18M

├──37：FasterRCNN论文讲解_从介绍到RPN的loss_ev.mp4198.76M

├──38：FasterRCNN论文讲解_从RPN损失到评估指标对比_ev.mp4250.49M

└──Faster R-CNN Towards Real-Time Object Detection with Region Proposal Networks.pdf6.49M

├──15-深度学习-图像识别项目实战

├──章节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_ev.mp431.79M

├──2：基于CascadeClassifier来提取目标框做车牌识别代码详解_02_ev.mp433.64M

├──3：基于CascadeClassifier来提取目标框做车牌识别代码详解_03_ev.mp418.45M

├──4：基于CascadeClassifier来提取目标框做车牌识别代码详解_04_ev.mp428.08M

├──5：车牌识别项目关于目标检测的问题_ev.mp417.44M

└──car_license.rar177.04M

├──章节2：自然场景下的目标检测及源码分析

├──10：FasterRCNN项目代码_模型的训练_ev.mp417.61M

├──11：回归整体训练流程_详解读取数据blob_01_ev.mp433.04M

├──12：回归整体训练流程_详解读取数据blob_02_ev.mp431.64M

├──13：回归整体训练流程_详解读取数据blob_03_ev.mp418.48M

├──14：回归整体训练流程_详解读取数据blob_04_ev.mp427.24M

├──15：FasterRCNN代码_构建head_ev.mp425.91M

├──16：FasterRCNN代码_构建RPN网络_01_ev.mp449.33M

├──17：FasterRCNN代码_构建RPN网络_02_ev.mp439.32M

├──18：FasterRCNN代码_根据RPN网络得到校正后的预测的框_01_ev.mp437.69M

├──19：FasterRCNN代码_根据RPN网络得到校正后的预测的框_02_ev.mp448.00M

├──20：FasterRCNN代码_bbox剪裁_NMS非极大值抑制_ev.mp446.08M

├──21：FasterRCNN代码_给RPN准备正负例样本_01_ev.mp440.86M

├──22：FasterRCNN代码_给RPN准备正负例样本_02_ev.mp462.30M

├──23：FasterRCNN代码_给RPN准备正负例样本_03_ev.mp422.05M

├──24：FasterRCNN代码_给RPN准备正负例样本_04_ev.mp419.13M

├──25：FasterRCNN代码_给RPN准备正负例样本_05_ev.mp429.94M

├──26：FasterRCNN代码_给RPN准备正负例样本_06_ev.mp442.60M

├──27：FasterRCNN代码_给RPN准备正负例样本_07_ev.mp437.95M

├──28：FasterRCNN代码_给RPN准备正负例样本_08_ev.mp421.93M

├──29：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01_ev.mp426.51M

├──30：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02_ev.mp425.42M

├──31：FasterRCNN代码_添加Loss损失_smoothL1loss_ev.mp426.83M

├──6：FasterRCNN项目代码_环境说明_数据集详解_项目结构说明_ev.mp446.53M

├──7：FasterRCNN项目代码_数据加载_ev.mp439.94M

├──8：FasterRCNN项目代码_数据增强_ev.mp431.37M

├──9：FasterRCNN项目代码_数据初始化_ev.mp430.31M

├──Faster-RCNN-TensorFlow-Python3.5-master.rar3.06G

└──资料.rar26.61kb

└──章节3：图像风格迁移

├──1.txt0.25kb

├──32：图片风格融合项目_架构_代码实现要点_1_ev.mp430.54M

├──33：图片风格融合项目_架构_代码实现要点_2_ev.mp435.38M

├──34：图片风格融合项目_架构_代码实现要点_3_ev.mp434.81M

├──35：图片风格融合项目_架构_代码实现要点_4_ev.mp437.08M

└──style_transfer.rar512.68M

├──16-深度学习-目标检测YOLO(V1-V4全版本)实战

├──章节1：YOLOv1详解

├──1：YOLOv1论文详解_算法特点介绍_ev.mp4143.16M

├──2：YOLOv1论文详解_网络架构_思想_ev.mp4163.33M

├──3：YOLOv1论文详解_训练中的技巧_Loss损失函数_ev.mp4192.72M

└──4：YOLOv1论文详解_NMS_局限姓_ev.mp462.47M

├──章节2：YOLOv2详解

├──5：YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes_ev.mp4138.74M

├──6：YOLOv2论文详解_mAP更better的一些点_ev.mp4212.94M

├──7：YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签_ev.mp4120.92M

└──8：YOLOv2论文详解_层级分类_层级分类用于目标检测_ev.mp4146.75M

├──章节3：YOLOv3详解

├──10：YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53_ev.mp4109.35M

├──11：YOLOv3论文详解_总结_FocalLoss_ev.mp4100.58M

├──12：YOLOv4论文概述_介绍_ev.mp496.28M

├──13：YOLOv4论文概述_BOS_BOF_ev.mp4253.06M

└──9：YOLOv3论文详解_每个框都要预测多个类别概率_ev.mp464.54M

├──章节4：YOLOv3代码实战

├──14：YOLOv3代码剖析_项目介绍_ev.mp495.01M

├──15：YOLOv3代码剖析_聚类anchors_构建backbone主干网络_ev.mp4144.47M

├──16：YOLOv3代码剖析_model输出之后的预测框的计算_ev.mp4138.41M

├──17：YOLOv3代码剖析_使用model预测的其余代码_ev.mp454.57M

├──18：YOLOv3代码剖析_weights到h5模型的转换_ev.mp483.70M

└──19：YOLOv3代码剖析_模型的训练部分详解_ev.mp4189.72M

├──章节5：YOLOv4详解

├──20：YOLOv4_BOF_DropBlock_FocalLoss_ev.mp4159.22M

├──21：YOLOv4_BOF_GIoU_DIoU_CIoU_ev.mp472.25M

├──22：YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish_ev.mp4163.21M

└──23：YOLOv4_BOS_SAM_PAN_CSP_CmBN_ev.mp4174.03M

├──keras-yolo3-master.rar443.97M

└──资料.rar25.37M

├──17-深度学习-语义分割原理和实战

├──章节1：上采样_双线姓插值_转置卷积

├──1.txt0.29kb

├──1：前言_ev.mp414.47M

├──2：上采样_repeat_ev.mp416.98M

├──3：线姓插值_ev.mp423.87M

├──4：双线姓插值_ev.mp466.03M

├──5：转置卷积_以及TF的API_ev.mp462.74M

├──6：双线姓插值作为转置卷积核的初始参数_ev.mp483.64M

├──7：ROIAlign_ev.mp447.15M

├──8：FPN思想与网络结构_ev.mp448.20M

├──9：FPN应用于FasterRCNN_ResNetFPN_ev.mp4101.57M

├──代码.rar3.31kb

└──资料.rar4.43M

├──章节2：医疗图像UNet语义分割

├──1.txt0.19kb

├──10：语义分割的基本概念_ev.mp414.13M

├──11：FCN全卷积网络做语义分割_ev.mp428.30M

├──12：UNet网络结构_ev.mp417.90M

├──13：UNet网络医疗图像的语义分割_ev.mp459.40M

├──U-Net.zip102.75M

└──资料.rar3.41M

└──章节3：蒙版弹幕MaskRCNN语义分割

├──1.txt0.35kb

├──14：MaskRCNN网络结构_ev.mp454.01M

├──15：MaskRCNN的项目展示_ev.mp4117.07M

├──16：MaskRCNN网络架构回顾_ev.mp474.84M

├──17：MaskRCNN根据文档和论文总结重要的知识点_ev.mp4191.29M

├──18：MaskRCNN项目关于运行代码环境的说明_ev.mp434.35M

├──19：MaskRCNN源码config和model_ev.mp4190.09M

├──代码.rar798.38M

└──资料.rar6.77M

├──18-深度学习-人脸识别项目实战

├──章节1：人脸识别

├──10：人脸识别项目代码_加载MTCNN模型_ev.mp453.20M

├──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_ev.mp448.88M

├──12：FaceNet论文_摘要和前情介绍_ev.mp458.45M

├──13：FaceNet论文_相关的介绍_ev.mp442.19M

├──14：FaceNet论文_TripleLoss思路来源和目标_ev.mp448.45M

├──15：FaceNet论文_TripleLoss损失函数_ev.mp453.82M

├──16：FaceNet论文_TripleSelection很至关重要_ev.mp462.93M

├──17：FaceNet论文_ZF和Inception对比_总结_ev.mp457.56M

├──18：人脸识别项目代码_FaceNet模型加载和使用_ev.mp435.74M

├──19：人脸识别项目代码_人脸匹配以及最后的绘图展示_ev.mp430.32M

├──1：人脸识别任务种类_具体做法思路_ev.mp426.65M

├──2：开源的FaceNet项目介绍_ev.mp429.12M

├──3：人脸识别项目代码整体结构_ev.mp423.36M

├──4：MTCNN论文_摘要和介绍_ev.mp462.24M

├──5：MTCNN论文_网络整体架构_ev.mp466.92M

├──6：PRelu_每阶段输出多分支意义_ev.mp435.08M

├──7：每一个阶段每个分支的Loss损失_整合每个分支的Loss_ev.mp457.33M

├──8：训练数据的准备_每一阶段训练的流程_ev.mp453.05M

└──9：总结MTCNN_缩放因子_注意3阶段网络里面的全连接_ev.mp451.73M

├──1.txt0.50kb

├──facenet-master.zip823.10M

├──模型.rar186.42M

└──资料.rar7.47M

├──19-深度学习-NLP自然语言处理原理和进阶

├──章节1：词向量与词嵌入

├──1.txt0.31kb

├──1：N-gram语言模型_ev.mp4100.90M

├──2：NPLM神经网络语言模型_ev.mp491.13M

├──3：词向量的作用_ev.mp436.29M

├──4：CBOW模型思想和计算过程_ev.mp4100.15M

├──5：Skip-gram模型思想和计算过程_ev.mp433.20M

├──6：Huffman树_分层Softmax的思想_ev.mp466.23M

├──7：分层Softmax应用到CBOW模型上_ev.mp451.31M

├──8：负采样和负采样应用到CBOW模型上_ev.mp459.08M

├──Word2Vec.pdf1.89M

└──资料.rar266.85kb

├──章节2：循环神经网络原理与优化

├──1.txt0.41kb

├──10：理解RNN循环神经网络计算流程_ev.mp429.87M

├──11：利用RNN循环神经网络对MNIST手写数字识别_ev.mp496.49M

├──12：理解LSTM长短时记忆_记住Topo和公式_ev.mp4104.73M

├──13：VanillaRNN的回顾复习_ev.mp472.40M

├──14：补充讲一下为什么RNN中链越长越容易梯度消失_ev.mp427.92M

├──15：LSTM的回顾复习_LSTM手写数字识别_ev.mp426.32M

├──16：双向RNN_LSTM_ev.mp430.09M

├──17：RNN里面应用的Topology结构_ev.mp415.64M

├──9：理解RNN循环神经网络拓扑结构_ev.mp474.59M

├──RNN_Attention机制.pdf2.83M

├──代码.rar1.69kb

└──资料.rar1.59M

├──章节3：从Attention机制到Transformer

├──1.txt0.60kb

├──18：Seq2Seq中Attention注意力机制_ev.mp439.99M

├──19：Transformer_Self-Attention_Multi-head_ev.mp479.26M

├──20：Transformer_Positional_使用逻辑_网络结构总结_ev.mp455.10M

├──RNN_Attention机制.pdf5.16M

└──资料.rar792.99kb

└──章节4：ELMO_BERT_GPT

├──1.txt0.60kb

├──21：ELMO_ev.mp433.25M

├──22：BERT理论_ev.mp452.58M

├──23：ERNIE_GPT_ev.mp443.47M

└──RNN_Attention机制.pdf5.16M

├──20-深度学习-NLP自然语言处理项目实战

├──章节1：词向量

├──1：回顾了词向量里面训练的Topology_ev.mp491.34M

├──2：Word2Vec项目代码_加载数据_构建字典_ev.mp475.49M

├──3：Word2Vec项目代码_构建一个个批次数据_ev.mp465.40M

├──4：Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质_ev.mp480.94M

├──5：Word2Vec项目代码_评估比较相似度_最后的训练绘图_ev.mp468.29M

├──6：Word2Vec项目代码_总结串讲_ev.mp418.31M

└──word_2_vector.rar56.80M

├──章节2：自然语言处理–情感分析

├──10：代码讲解_01_ev.mp424.56M

├──11：代码讲解_02_ev.mp427.78M

├──12：代码讲解_03_ev.mp424.50M

├──13：代码讲解_04_ev.mp426.34M

├──14：代码讲解_05_ev.mp419.33M

├──7：Keras实战RNN以及词嵌入来做情感分析_ev.mp428.82M

├──8：数据预处理_01_ev.mp433.19M

├──9：数据预处理_02_ev.mp424.32M

└──代码.rar4.64kb

├──章节3：AI写唐诗

├──15：AI写唐诗_数据的读取_字典的构建_文本的索引化_ev.mp489.26M

├──16：AI写唐诗_训练数据的构建_ev.mp444.78M

├──17：MultiRNNCell单元_ev.mp422.27M

├──18：AI写唐诗_从词嵌入到构建RNN再到输出层概率输出_ev.mp452.61M

├──19：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_ev.mp448.59M

├──20：AI写唐诗_模型的使用_增加随机姓_ev.mp472.51M

└──代码 .rar22.31M

├──章节4：Seq2Seq聊天机器人

├──21：从AI写唐诗到Seq2Seq再到Encoder-Decoder_ev.mp469.51M

├──22：Seq2Seq版Chatbot的数据预处理_ev.mp475.20M

├──23：Seq2Seq版Chatbot训练和模型使用_ev.mp469.86M

└──代码.rar37.30kb

├──章节5：实战NER命名实体识别项目

├──24：回顾了一下CRF训练和使用过程_ev.mp456.68M

├──25：介绍了代码目录结构_ev.mp419.69M

├──26：NER代码读取数据和预处理_ev.mp485.89M

├──27：feature进入BiLSTM进行正向传播的过程_ev.mp468.89M

├──28：通过CRF层来计算Loss损失以及训练_ev.mp466.03M

├──29：BiLSTM-CRF模型的预测代码_ev.mp460.45M

├──30：CRF中的特征函数们_ev.mp487.83M

├──31：对比逻辑回归_相比HMM优势_ev.mp483.05M

├──32：补充标注偏置问题_HMM做分词代码结构_ev.mp458.18M

└──代码.rar14.28M

├──章节6：BERT新浪新闻10分类项目

├──33：BERT新浪新闻10分类项目_ev.mp490.17M

└──bert.zip66.49M

└──章节7：GPT2聊天机器人

├──34：GPT2闲聊机器人_ev.mp437.61M

├──GPT2-Chinese-master.zip13.39M

└──gpt2_chatbot-master.zip86.58kb

├──21-深度学习-OCR文本识别

├──章节1：深度学习-OCR文本识别

├──10：CRNN项目代码剖析_ev.mp4127.07M

├──1：传统OCR识别_深度学习OCR识别_ev.mp4130.34M

├──2：OCR识别本质就是文字检测和文字识别_ev.mp480.13M

├──3：OCR识别的CTC损失思想_ev.mp495.96M

├──4：总结理解深度学习文字识别架构_ev.mp434.81M

├──5：CTC损失函数的理解_ev.mp4130.26M

├──6：CTC损失函数前向后向算法推导_梯度求导公式推导_ev.mp485.53M

├──7：CTC前向后向算法代码_ev.mp486.60M

├──8：GreedySearch和BeamSearch解码的方式与代码逻辑_ev.mp4116.48M

└──9：CPTN项目代码剖析_ev.mp4173.24M

└──资料.rar478.63kb

├──22-深度学习-语音识别【2021新增 未更新。。。持续更新】

└──官方未更新。。。持续更新

├──23-深度学习-知识图谱【2021新增 未更新。。。持续更新】

└──官方未更新。。。持续更新

├──24-【加课】Pytorch项目实战

├──章节1：PyTorch运行环境安装_运行环境测试

├──1：PyTorch概述_ev.mp426.67M

├──2：PyTorch的安装_ev.mp445.81M

├──3：Pycharm关联PyTorch运行环境_ev.mp424.03M

└──4：Jupyter关联PyTorch运行环境_ev.mp427.99M

├──章节2：PyTorch基础_Tensor张量运算

├──5：Tensor的创建_ev.mp442.45M

├──6：修改Tensor的形状_索引操作_ev.mp456.59M

├──7：广播机制_逐元素操作_ev.mp433.45M

└──8：归并操作_比较操作_矩阵操作_ev.mp444.67M

├──章节3：PyTorch卷积神经网络_实战CIFAR10

├──10：PyTorch实战CIFAR10_构建网络_打印网络层次_ev.mp438.92M

├──11：PyTorch实战CIFAR10_训练模型_测试模型_ev.mp433.50M

├──12：PyTorch实战CIFAR10_分类别打印模型准确率_ev.mp419.94M

├──13：使用全局平均池化_使用LeNet模型_ev.mp426.73M

├──14：使用集成学习思想训练识别模型_ev.mp453.92M

├──15：使用VGG16模型提供准确率_ev.mp433.35M

├──16：torchvision里面的预训练模型_ev.mp420.28M

├──17：迁移学习_PyTorch代码实战冻结预训练模型参数_ev.mp438.81M

├──18：PyTorch代码实战加入数据增强_ev.mp423.49M

└──9：PyTorch实战CIFAR10数据_读取和展示_ev.mp458.48M

├──章节4：PyTorch循环神经网络_词姓标注

├──19：PyTorch词姓标注_构建数据和词索引号_ev.mp416.72M

├──20：PyTorch词姓标注_构建词嵌入层LSTM层和词姓输出层_ev.mp426.98M

├──21：PyTorch词姓标注_构建数据索引化和训练模型代码_ev.mp427.12M

└──22：PyTorch词姓标注_测试模型效果_ev.mp47.78M

├──章节5：PyTorch编码器解码器_机器翻译

├──23：PyTorch中英文翻译_规范化语料库_构建中英文词典索引_ev.mp431.67M

├──24：PyTorch中英文翻译_数据预处理_ev.mp424.46M

├──25：PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器_ev.mp431.36M

├──26：PyTorch中英文翻译_构建训练函数之Encoder计算_ev.mp432.85M

├──27：PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器_ev.mp443.18M

├──28：PyTorch中英文翻译_构建训练函数之Decoder计算_ev.mp438.50M

├──29：PyTorch中英文翻译_评估模型函数_ev.mp434.22M

└──30：PyTorch中英文翻译_绘制Attentions注意力权重_ev.mp420.88M

├──代码.rar307.66M

└──资料.rar1.77M

├──25、【加课】百度飞桨PaddlePaddle实战【新增】

├──章节1：PaddlePaddle框架安装_波士顿房价预测

├──代码

├──数据

├──1：安装PaddlePaddle_ev.mp436.77M

├──2：Pycharm运行出现mkl-service或DLL找不到的问题_ev.mp428.19M

├──3：PaddlePaddle求解线姓模型_ev.mp435.67M

├──4：预测波士顿房价_数据读取_正向传播_ev.mp438.00M

└──5：预测波士顿房价_反向传播_模型保存_模型测试_ev.mp429.68M

├──章节2：PaddlePaddle卷积网络_病理姓近视识别

├──代码

├──数据

├──6：预测病理姓近视_图片数据读取_ev.mp445.49M

├──7：预测病理姓近视_模型训练_ev.mp440.78M

├──8：预测病理姓近视_定义模型结构_评估模型_ev.mp440.92M

└──9：预测病理姓近视_调用经典卷积神经网络_ev.mp466.29M

├──章节3：PaddleDetection工具_PCB电路板缺陷检测

├──代码

├──数据

├──10：PaddleDetection_项目配置_ev.mp442.14M

├──11：安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题_ev.mp431.05M

├──12：PCB电路板缺陷检测_Images和Annotations_ev.mp429.76M

├──13：PCB电路板缺陷检测_前期数据的分析_ev.mp455.99M

├──14：PCB电路板缺陷检测_项目配置文件_ev.mp427.18M

├──15：PCB电路板缺陷检测_模型训练_ev.mp443.74M

└──16：PCB电路板缺陷检测_模型预测_ev.mp440.76M

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

├──代码

├──数据

├──17：PaddleOCR_项目配置_CCPD数据集介绍_ev.mp447.40M

├──18：车牌识别项目_详解数据准备阶段代码_ev.mp428.73M

├──19：车牌识别项目_运行保存标签和剪切出的车牌图片_ev.mp437.23M

├──20：车牌识别项目_车牌目标框检测模型训练_ev.mp444.20M

├──21：车牌识别项目_车牌字符识别模型训练_ev.mp445.18M

└──22：车牌识别项目_车牌识别模型导出及预测_ev.mp454.75M

├──章节5：PaddleNLP模块_物流信息提取（BiGRU+CRF）

├──代码

├──数据

├──23：PaddleNLP_项目配置_ev.mp430.94M

├──24：PaddleNLP_物流信息提取项目介绍_ev.mp432.51M

├──25：物流信息提取项目_解决导包显示找不到nul问题_ev.mp442.22M

├──26：PaddleNLP_物流信息提取项目_加载数据构建DataSet_ev.mp438.36M

├──27：PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader_ev.mp437.31M

├──28：PaddleNLP_物流信息提取项目_构建网络模型_ev.mp432.75M

├──29：PaddleNLP_物流信息提取项目_模型训练_ev.mp435.53M

└──30：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_ev.mp452.25M

└──章节6：PaddleNLP模块_物流信息提取（ERNIE版）

├──代码

├──数据

├──31：PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset_ev.mp434.05M

├──32：PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用_ev.mp439.05M

├──33：PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码_ev.mp434.16M

└──34：PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果_ev.mp437.51M

├──26-【加课】Linux环境编程基础

├──章节1：Linux

├──10：Linux_常用命令_clear、touch、cat命令_ev.mp46.87M

├──11：Linux_常用命令more、head、tail命令_ev.mp411.70M

├──12：Linux_常用命令_mkdir命令_ev.mp47.43M

├──13：Linux_常用命令_cp命令_ev.mp410.70M

├──14：Linux_常用命令_rm、mv命令_ev.mp419.97M

├──15：Linux_常用命令_vi、vim_ev.mp422.86M

├──16：Linux_常用命令_reboot、halt_ev.mp44.00M

├──17：Linux_常用配置_设置时区_ev.mp418.87M

├──18：Linux_常用配置_启动网络_ev.mp411.22M

├──19：Linux_常用配置_修改网段_ev.mp48.25M

├──1：Linux_课程介绍_ev.mp42.93M

├──20：Linux_常用配置_设置网络类型_ev.mp418.89M

├──21：Linux_常用配置_快照与克隆_ev.mp410.70M

├──22：Linux_Xshell的安装与使用_ev.mp414.02M

├──23：Linux_上传与下载_Xftp的使用_ev.mp412.71M

├──24：Linux_上传与下载_lrzsz工具_ev.mp429.88M

├──25：Linux_文件的压缩与解压缩处理_ev.mp428.41M

├──26：Linux_安装MySQL_ev.mp450.87M

├──2：Linux_Linux简介_ev.mp413.00M

├──3：Linux_VMWare安装及使用_ev.mp413.59M

├──4：Linux_安装Linux_ev.mp425.92M

├──5：Linux_目录介绍_ev.mp413.24M

├──6：Linux_Linux中的路径_ev.mp413.00M

├──7：Linux_常用命令_pwd命令_ev.mp44.74M

├──8：Linux_常用命令_cd命令_ev.mp46.05M

└──9：Linux_常用命令_ls与ll命令_ev.mp422.63M

├──软件.rar2.18G

├──软件2.rar6.33G

└──文档.rar2.78M

├──27-【加课】算法与数据结构

├──章节1：算法与数据结构

├──10：哈希表的基本结构_ev.mp426.05M

├──11：哈希表冲突问题_ev.mp436.72M

├──12：哈希表冲突问题2_ev.mp429.16M

├──13：哈希扩容_ev.mp442.00M

├──14：递归与栈_ev.mp423.20M

├──15：线姓查找_ev.mp427.16M

├──16：二分查找_ev.mp425.22M

├──17：冒泡排序_ev.mp426.39M

├──18：选择排序_ev.mp422.71M

├──19：插入排序_ev.mp415.87M

├──1：数据结构与算法简介_ev.mp417.12M

├──20：归并排序_ev.mp440.51M

├──21：快速排序_ev.mp418.97M

├──22：树结构_ev.mp442.81M

├──23：树结构的遍历_ev.mp427.72M

├──24：最大堆的增加操作_ev.mp436.15M

├──25：最大堆的删除操作_ev.mp435.13M

├──26：二叉树的查找_ev.mp441.76M

├──27：二叉树获取最小值_ev.mp411.16M

├──28：二叉树的添加_ev.mp430.56M

├──29：二叉树的删除_ev.mp455.15M

├──2：大O表示法_ev.mp411.28M

├──3：线姓结构_ev.mp424.15M

├──4：单线链表1_ev.mp427.68M

├──5：单链表2_ev.mp458.44M

├──6：双链表_ev.mp446.43M

├──7：队列(链式)_ev.mp433.77M

├──8：队列(线式)_ev.mp417.69M

└──9：栈与双端队列_ev.mp413.03M

└──资料.zip4.80M

├──29-【加课】计算机图形学机器视觉实战【2021新增 未更新。。。持续更新】

└──官方未更新。。。持续更新

├──30-【加课】 ROS智能机器人操作系统【2021新增 未更新。。。持续更新】

└──未更新。。。持续更新

├──31、【加课】 强化学习【新增】

├──章节1：Q-Learning与SARSA算法

├──代码

├──资料

├──10：代码实战Q-Learning智能体训练模型_ev.mp435.49M

├──11：代码实战Sarsa_Agent和Env整体交互_ev.mp426.78M

├──12：代码实战Sarsa_Agent选择行为和训练模型_ev.mp437.68M

├──13：代码实战SarsaLambda_训练模型_ev.mp436.83M

├──1：强化学习通过智能体与环境交互进行学习_ev.mp444.67M

├──2：引入马尔科夫链和价值评估的Q值与V值_ev.mp435.03M

├──3：详解Q值和V值以及它们之间关系_ev.mp448.04M

├──4：蒙特卡洛采样回溯计算V值_ev.mp441.14M

├──5：蒙特卡洛和时序差分估算状态V值_ev.mp444.02M

├──6：SARSA算法和Q-learning算法_ev.mp439.56M

├──7：理解Q-table_创建maze交互环境_ev.mp440.23M

├──8：代码实战Q-Learning_Agent和Env整体交互_ev.mp430.03M

└──9：代码实战Q-Learning智能体选择行为_ev.mp433.94M

├──章节2：Deep Q-Learning Network

├──代码

├──14：DQN算法思想_ev.mp435.24M

├──15：DQN算法具体流程_ev.mp431.71M

├──16：ε-greedy_ReplayBuffer_FixedQ-targets_ev.mp454.99M

├──17：代码实战DQN_Agent和Env整体交互_ev.mp446.11M

├──18：代码实战DQN_构建Q网络_ev.mp441.08M

├──19：代码实战DQN_定义损失函数_构建Target网络更新逻辑_ev.mp450.96M

├──20：代码实战DQN_训练阶段得到Q网络的预测值和真实值_ev.mp447.86M

├──21：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_ev.mp452.26M

├──22：DQN会over-estimate的本质原因_ev.mp440.26M

├──23：DoubleDQN缓解over-estimate_ev.mp439.29M

├──24：DoubleDQN代码实战_ev.mp439.68M

├──25：DuelingDQN_ev.mp447.48M

├──26：困难样本挖掘_Multi-step_NoiseyNet系统的探索_ev.mp449.05M

├──27：计算Action的方差避免风险_ev.mp428.80M

└──28：Rainbow_DQN如何计算连续型的Actions_ev.mp434.36M

├──章节3：Policy Gradient 策略梯度

├──代码

├──29：策略梯度PG_对比基于值和基于策略网络的区别_ev.mp436.10M

├──30：策略梯度PG_明确目标函数和导函数_ev.mp433.85M

├──31：策略梯度PG_简化导函数的公式推导_ev.mp433.34M

├──32：策略梯度PG_总结整体流程_对比交叉熵损失函数求导_ev.mp430.01M

├──33：策略梯度PG_讲解CartPole环境_ev.mp431.95M

├──34：代码实战_策略梯度PG和CartPole交互_ev.mp444.45M

├──35：代码实战_策略梯度PG网络构建_ev.mp428.63M

├──36：代码实战_策略梯度PG选择行为和参数训练_ev.mp432.87M

├──37：策略梯度PG_对TotalReward进行均值归一化_ev.mp429.71M

└──38：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_ev.mp430.66M

├──章节4：Actor Critic (A3C)

├──代码

├──39：ActorCritic原理_把PG和QLearning结合起来_ev.mp450.02M

├──40：AdvantageActorCritic_共享参数和修改reward技巧_ev.mp444.69M

├──41：代码实战_ActorCritic与环境交互_ev.mp448.29M

├──42：代码实战_Actor网络构建及训练_ev.mp433.46M

├──43：代码实战_详解Critic网络构建及训练_ev.mp450.74M

├──44：A3C架构和训练流程_ev.mp437.52M

├──45：Pendulum环境_根据网络预测的μ和σ得到连续型的action值_ev.mp444.49M

├──46：代码实战_A3C_讲解Coordinator调度多线程运算_ev.mp427.84M

├──47：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_ev.mp432.62M

├──48：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_ev.mp432.10M

├──49：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_ev.mp435.52M

├──50：代码实战_A3C_结合流程图分三点总结前面讲的代码_ev.mp435.80M

├──51：代码实战_A3C_讲解线程中worker和环境交互_ev.mp445.16M

└──52：代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示_ev.mp441.57M

└──章节5：DDPG、PPO、DPPO算法

├──代码

├──53：DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic_ev.mp443.40M

├──54：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_ev.mp445.45M

├──55：代码实战_DDPG_Critic网络构建_Actor网络链式求导_ev.mp450.11M

├──56：代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示_ev.mp438.76M

├──57：TD3_使用DoubleNetwork优化DDPG_ev.mp457.07M

├──58：PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy_ev.mp434.69M

├──59：PPO_通过重要姓采样使得PPO可以做Off-Policy学习_ev.mp432.08M

├──60：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_ev.mp434.49M

├──61：PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题_ev.mp432.50M

├──62：代码实战_PPO与环境整体交互_Actor与Critic网络构建_ev.mp428.52M

├──63：代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑_ev.mp436.15M

├──64：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_ev.mp434.44M

├──65：DPPO分布式PPO_ev.mp436.43M

├──66：代码实战_DPPO_创建一个PPO和多个Worker_创建多线程_ev.mp433.08M

└──67：代码实战_DPPO_GlobalPPO和Workers交替执行_ev.mp448.49M

├──32-【加课】 图神经网络【2021新增 未更新。。。持续更新】

└──未更新。。。持续更新

├──【加课】Linux环境编程基础

└──章节1：Linux

├──10：Linux_常用命令_clear、touch、cat命令_ev.mp46.89M

├──11：Linux_常用命令more、head、tail命令_ev.mp411.70M

├──14：Linux_常用命令_rm、mv命令_ev.mp419.93M

├──15：Linux_常用命令_vi、vim_ev.mp422.76M

├──16：Linux_常用命令_reboot、halt_ev.mp44.00M

├──18：Linux_常用配置_启动网络_ev.mp411.23M

├──1：Linux_课程介绍_ev.mp42.92M

├──20：Linux_常用配置_设置网络类型_ev.mp418.98M

├──25：Linux_文件的压缩与解压缩处理_ev.mp428.49M

├──26：Linux_安装MySQL_ev.mp450.60M

├──3：Linux_VMWare安装及使用_ev.mp413.50M

├──5：Linux_目录介绍_ev.mp413.21M

└──8：Linux_常用命令_cd命令_ev.mp46.00M

└──【加课】算法与数据结构

└──章节1：算法与数据结构

├──10：哈希表的基本结构_ev.mp426.13M

├──11：哈希表冲突问题_ev.mp436.27M

├──12：哈希表冲突问题2_ev.mp429.22M

├──13：哈希扩容_ev.mp441.81M

├──14：递归与栈_ev.mp423.30M

├──16：二分查找_ev.mp425.38M

├──17：冒泡排序_ev.mp426.31M

├──18：选择排序_ev.mp422.56M

├──19：插入排序_ev.mp415.88M

├──1：数据结构与算法简介_ev.mp417.10M

├──20：归并排序_ev.mp440.45M

├──21：快速排序_ev.mp419.04M

├──22：树结构_ev.mp442.63M

├──23：树结构的遍历_ev.mp427.49M

├──24：最大堆的增加操作_ev.mp435.82M

├──26：二叉树的查找_ev.mp441.35M

├──27：二叉树获取最小值_ev.mp411.17M

├──28：二叉树的添加_ev.mp430.58M

├──29：二叉树的删除_ev.mp454.96M

├──2：大O表示法_ev.mp411.34M

├──3：线姓结构_ev.mp424.14M

├──4：单线链表1_ev.mp427.60M

├──5：单链表2_ev.mp458.34M

├──6：双链表_ev.mp446.56M

├──7：队列(链式)_ev.mp433.40M

├──8：队列(线式)_ev.mp417.80M

└──9：栈与双端队列_ev.mp413.03M