最新公告
  • 欢迎您光临666资源站,全网唯一域名:666java.com
  • 百战-AI算法工程师就业班2022年|价值18980元|重磅首发|冲击百万年薪|完结无秘

    百战-AI算法工程师就业班2022年|价值18980元|重磅首发|冲击百万年薪|完结无秘 最后编辑:2022-11-12
    资源介绍: 网盘在线学习 一手资源 包更新 资料齐全超清画质mp4格式

    课程简介:

    网盘截图:

    目录:

    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特性_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特性_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特性_01.mp4 33.08M
    | | └──9-Spark的RDD特性_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性的.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实现线性回归解析解的方式_TF实现线性回归梯度下降的方式.mp4 173.47M
    | | ├──5-TF实现线性回归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-彩色图片卷积的计算.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_局限性.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_双线性插值_转置卷积
    | | ├──1-前言.mp4 19.46M
    | | ├──2-上采样_repeat.mp4 23.90M
    | | ├──3-线性插值.mp4 34.48M
    | | ├──4-双线性插值.mp4 125.71M
    | | ├──5-转置卷积_以及TF的API.mp4 114.25M
    | | ├──6-双线性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_实例属性和方法_类属性和方法.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_面向对象三大特性_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_增加随机性.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_词性标注
    | | ├──1-PyTorch词性标注_构建数据和词索引号.mp4 28.07M
    | | ├──2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层.mp4 47.01M
    | | ├──3-PyTorch词性标注_构建数据索引化和训练模型代码.mp4 44.59M
    | | └──4-PyTorch词性标注_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求解线性模型.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_病理性近视识别
    | | ├──1-预测病理性近视_图片数据读取.mp4 97.18M
    | | ├──2-预测病理性近视_模型训练.mp4 86.66M
    | | ├──3-预测病理性近视_定义模型结构_评估模型.mp4 84.10M
    | | └──4-预测病理性近视_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-线性查找.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-线性结构.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属性_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随机性减小.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探索性用到熵_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 87.92M
    | | ├──6-A3C架构和训练流程.mp4 74.66M
    | | ├──7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值.mp4 77.58M
    | | ├──8-代码实战_A3C_讲解Coordinator调度多线程运算.mp4 32.03M
    | | └──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探索性.mp4 36.62M
    | └──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.mp4 81.92M
    | | ├──10-代码实战_PPO与环境整体交互_Actor与Critic网络构建.mp4 32.54M
    | | ├──11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑.mp4 41.02M
    | | ├──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.mp4 42.12M
    | | ├──13-DPPO分布式PPO.mp4 63.81M
    | | ├──14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程.mp4 37.79M
    | | ├──15-代码实战_DPPO_GlobalPPO和Workers交替执行.mp4 54.72M
    | | ├──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.mp4 51.45M
    | | ├──3-代码实战_DDPG_Critic网络构建_Actor网络链式求导.mp4 57.06M
    | | ├──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.mp4 44.17M
    | | ├──5-TD3_使用DoubleNetwork优化DDPG.mp4 63.92M
    | | ├──6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy.mp4 38.45M
    | | ├──7-PPO_通过重要性采样使得PPO可以做Off-Policy学习.mp4 35.49M
    | | ├──8-PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题.mp4 38.09M
    | | └──9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题.mp4 61.79M
    ├──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性_微积分知识点.mp4 28.76M
    | | ├──2-线性代数_概率论知识点.mp4 26.81M
    | | └──3-最优化知识_数学内容学习重点.mp4 40.43M
    | ├──2–一元函数微分学
    | | ├──1-导数的定义_左导数和右导数.mp4 28.39M
    | | ├──2-导数的几何意义和物理意义.mp4 14.49M
    | | ├──3-常见函数的求导公式.mp4 22.76M
    | | ├──4-导数求解的四则运算法则.mp4 26.52M
    | | ├──5-复合函数求导法则.mp4 19.68M
    | | ├──6-推导激活函数的导函数.mp4 33.40M
    | | ├──7-高阶导数_导数判断单调性_导数与极值.mp4 21.95M
    | | └──8-导数判断凹凸性_导数用于泰勒展开.mp4 44.22M
    | ├──3–线性代数基础
    | | ├──1-向量的意义_n维欧式空间空间.mp4 20.82M
    | | ├──10-矩阵的逆矩阵.mp4 38.54M
    | | ├──11-矩阵的行列式.mp4 20.13M
    | | ├──2-行向量列向量_转置_数乘_加减乘除.mp4 19.28M
    | | ├──3-向量的内积_向量运算法则.mp4 19.78M
    | | ├──4-学习向量计算的用途举例.mp4 20.32M
    | | ├──5-向量的范数_范数与正则项的关系.mp4 32.40M
    | | ├──6-特殊的向量.mp4 26.45M
    | | ├──7-矩阵_方阵_对称阵_单位阵_对角阵.mp4 18.06M
    | | ├──8-矩阵的运算_加减法_转置.mp4 22.76M
    | | └──9-矩阵相乘.mp4 20.02M
    | ├──4–多元函数微分学
    | | ├──1-多元函数求偏导.mp4 22.61M
    | | ├──2-高阶偏导数_梯度.mp4 27.15M
    | | ├──3-雅可比矩阵_在神经网络中应用.mp4 37.65M
    | | └──4-Hessian矩阵.mp4 32.93M
    | ├──5–线性代数高级
    | | ├──1-二次型.mp4 27.70M
    | | ├──10-SVD用于PCA降维.mp4 24.90M
    | | ├──11-SVD用于协同过滤_求逆矩阵.mp4 35.85M
    | | ├──2-补充关于正定负定的理解.mp4 23.48M
    | | ├──3-特征值和特征向量(1).mp4 29.83M
    | | ├──4-特征值和特征向量(2).mp4 30.07M
    | | ├──5-特征值分解.mp4 38.68M
    | | ├──6-多元函数的泰勒展开_矩阵和向量的求导.mp4 44.77M
    | | ├──7-奇异值分解定义.mp4 22.58M
    | | ├──8-求解奇异值分解中的UΣV矩阵.mp4 49.47M
    | | └──9-奇异值分解性质_数据压缩.mp4 38.70M
    | ├──6–概率论
    | | ├──1-概率论_随机事件与随机事件概率.mp4 21.71M
    | | ├──2-条件概率_贝叶斯公式.mp4 32.64M
    | | ├──3-随机变量.mp4 22.57M
    | | ├──4-数学期望和方差.mp4 22.96M
    | | ├──5-常用随机变量服从的分布.mp4 22.48M
    | | ├──6-随机向量_独立性_协方差_随机向量的正太分布.mp4 32.48M
    | | └──7-最大似然估计思想.mp4 23.42M
    | └──7–最优化
    | | ├──1-最优化的基本概念.mp4 35.14M
    | | ├──10-拉格朗日函数.mp4 27.46M
    | | ├──2-迭代求解的原因.mp4 20.15M
    | | ├──3-梯度下降法思路.mp4 26.33M
    | | ├──4-梯度下降法的推导.mp4 43.56M
    | | ├──5-牛顿法公式推导以及优缺点.mp4 45.83M
    | | ├──6-坐标下降法_数值优化面临的问题.mp4 23.90M
    | | ├──7-凸集.mp4 21.90M
    | | ├──8-凸函数.mp4 16.93M
    | | └──9-凸优化的性质_一般表达形式.mp4 20.81M
    ├──5–机器学习-线性回归
    | ├──1–多元线性回归
    | | ├──1-理解简单线性回归.mp4 51.11M
    | | ├──10-对数似然函数_推导出损失函数MSE.mp4 41.92M
    | | ├──11-把目标函数按照线性代数的方式去表达.mp4 27.00M
    | | ├──12-推导出目标函数的导函数形式.mp4 46.38M
    | | ├──13-θ解析解的公式_是否要考虑损失函数是凸函数.mp4 59.19M
    | | ├──14-Python开发环境版本的选择及下载.mp4 54.07M
    | | ├──15-Anaconda环境安装_Pycharm环境安装.mp4 61.07M
    | | ├──16-Pycharm创建脚本并测试python开发环境.mp4 40.51M
    | | ├──17-解析解的方式求解多元线性回归_数据Xy.mp4 40.41M
    | | ├──18-解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形.mp4 48.31M
    | | ├──19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换.mp4 34.67M
    | | ├──2-最优解_损失函数_MSE.mp4 39.58M
    | | ├──20-Scikit-learn模块的介绍.mp4 29.18M
    | | ├──21-调用Scikit-learn中的多元线性回归求解模型(上).mp4 25.20M
    | | ├──22-调用Scikit-learn中的多元线性回归求解模型(下).mp4 41.02M
    | | ├──3-扩展到多元线性回归.mp4 32.15M
    | | ├──4-理解多元线性回归表达式几种写法的原因.mp4 33.97M
    | | ├──5-理解维度这个概念.mp4 41.41M
    | | ├──6-理解回归一词_中心极限定理_正太分布和做预测.mp4 65.82M
    | | ├──7-假设误差服从正太分布_最大似然估计MLE.mp4 43.11M
    | | ├──8-引入正太分布的概率密度函数.mp4 26.54M
    | | └──9-明确目标通过最大总似然求解θ.mp4 25.83M
    | ├──2–梯度下降法
    | | ├──1-梯度下降法产生的目的和原因以及思想.mp4 59.45M
    | | ├──10-代码实现全量梯度下降第1步和第2步.mp4 25.70M
    | | ├──11-代码实现全量梯度下降第3步和第4步.mp4 30.73M
    | | ├──12-代码实现随机梯度下降.mp4 26.67M
    | | ├──13-代码实现小批量梯度下降.mp4 27.32M
    | | ├──14-代码改进保证训练数据全都能被随机取到.mp4 40.28M
    | | ├──15-代码改进实现随着迭代增加动态调整学习率.mp4 39.24M
    | | ├──2-梯度下降法公式.mp4 57.12M
    | | ├──3-学习率设置的学问_全局最优解.mp4 56.52M
    | | ├──4-梯度下降法迭代流程总结.mp4 30.28M
    | | ├──5-多元线性回归下的梯度下降法.mp4 43.27M
    | | ├──6-全量梯度下降.mp4 62.84M
    | | ├──7-随机梯度下降_小批量梯度下降.mp4 47.62M
    | | ├──8-对应梯度下降法的问题和挑战.mp4 47.07M
    | | └──9-轮次和批次.mp4 45.22M
    | ├──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.mp4 63.62M
    | | ├──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.mp4 34.11M
    | | ├──3-归一化的副产品_有可能会提高模型的精度.mp4 21.61M
    | | ├──4-最大值最小值归一化.mp4 24.87M
    | | ├──5-标准归一化.mp4 51.86M
    | | └──6-代码完成标准归一化.mp4 41.13M
    | ├──4–正则化
    | | ├──1-正则化的目的防止过拟合.mp4 30.71M
    | | ├──2-正则化通过损失函数加入惩罚项使得W越小越好.mp4 35.27M
    | | ├──3-常用的L1和L2正则项以及数学意义.mp4 41.55M
    | | ├──4-L1稀疏性和L2平滑性.mp4 51.64M
    | | └──5-通过L1和L2的导函数理解区别的本质原因.mp4 55.58M
    | └──5–Lasso回归_Ridge回归_多项式回归
    | | ├──1-代码调用Ridge岭回归.mp4 76.32M
    | | ├──10-实战保险花销预测_特征选择思路.mp4 40.29M
    | | ├──11-实战保险花销预测_特征工程.mp4 17.96M
    | | ├──12-实战保险花销预测_模型训练和评估.mp4 58.86M
    | | ├──2-代码调用Lasso回归.mp4 28.73M
    | | ├──3-代码调用ElasticNet回归.mp4 53.67M
    | | ├──4-升维的意义_多项式回归.mp4 48.06M
    | | ├──5-多项式升维代码实战_传入不同超参数对比.mp4 44.78M
    | | ├──6-多项式升维代码实战_训练模型和评估.mp4 35.06M
    | | ├──7-实战保险花销预测_数据介绍和加载数据.mp4 35.25M
    | | ├──8-实战保险花销预测_数据预处理.mp4 41.38M
    | | └──9-实战保险花销预测_模型训练和评估_选择非线性算法改进.mp4 84.12M
    ├──6–机器学习-线性分类
    | ├──1–逻辑回归
    | | ├──1-逻辑回归_Sigmoid函数.mp4 21.14M
    | | ├──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.mp4 39.83M
    | | ├──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.mp4 43.87M
    | | ├──12-对逻辑回归函数进行求导_结论在后面会用到.mp4 20.50M
    | | ├──13-对逻辑回归的损失函数求导_推导出导函数的形式.mp4 42.50M
    | | ├──14-实战逻辑回归对鸢尾花数据集进行二分类.mp4 46.63M
    | | ├──15-OneVsRest将多分类问题转化成多个二分类问题.mp4 26.13M
    | | ├──16-实战逻辑回归对鸢尾花数据集进行多分类.mp4 40.46M
    | | ├──2-sigmoid函数作用.mp4 38.15M
    | | ├──3-逻辑回归为什么用sigmoid函数_预备知识.mp4 31.00M
    | | ├──4-证明伯努利分布是指数族分布_推导出逻辑回归公式.mp4 41.97M
    | | ├──5-回想多元线性回归公式其实也是从广义线性回归推导出来的.mp4 6.71M
    | | ├──6-推导逻辑回归损失函数_得到总似然的公式.mp4 29.61M
    | | ├──7-推导逻辑回归损失函数_得到最终形式.mp4 12.43M
    | | ├──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.mp4 56.56M
    | | └──9-绘制逻辑回归损失函数_探索单个参数和损失的关系.mp4 30.72M
    | ├──2–Softmax回归
    | | ├──1-证明多项式分布属于指数族分布一种.mp4 27.93M
    | | ├──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.mp4 42.74M
    | | ├──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.mp4 49.16M
    | | ├──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.mp4 47.67M
    | | ├──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.mp4 78.03M
    | | ├──2-从广义线性回归的η推导出来Softmax的公式.mp4 21.35M
    | | ├──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.mp4 33.42M
    | | ├──4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数.mp4 28.15M
    | | ├──5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性.mp4 13.92M
    | | ├──6-逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别.mp4 46.67M
    | | ├──7-实战音乐分类器_讲解需求和读取数据.mp4 32.57M
    | | ├──8-实战音乐分类器_探索不同曲风音乐文件的时间频率图.mp4 52.39M
    | | └──9-实战音乐分类器_傅里叶变换可以帮助我们做什么.mp4 25.13M
    | ├──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.mp4 114.25M
    | | ├──2-SVM的思想.mp4 55.56M
    | | ├──3-几种SVM_SVM的损失函数.mp4 74.91M
    | | ├──4-数学预备知识_拉格朗日函数.mp4 122.44M
    | | ├──5-硬间隔SVM的两步优化.mp4 102.88M
    | | ├──6-总结硬间隔SVM.mp4 39.01M
    | | ├──7-软间隔SVM和总结流程.mp4 135.76M
    | | ├──8-非线性SVM.mp4 54.43M
    | | └──9-SVM在sklearn中的使用_超参数.mp4 144.30M
    | └──4–SMO优化算法
    | | ├──1-SVM算法流程总结.mp4 58.36M
    | | ├──10-SVM的SMO实现判断违背条件的α1.mp4 19.23M
    | | ├──11-SVM的SMO实现应用公式计算alphas和b.mp4 20.88M
    | | ├──12-SVM绘制已有数据点和超平面以及边界.mp4 21.13M
    | | ├──13-关于sklearn中的SVM封装的类和超参.mp4 15.47M
    | | ├──14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp4 69.00M
    | | ├──15-OVR和OVO多分类_算法小结_对比逻辑回归.mp4 36.52M
    | | ├──2-SMO算法求解思路_分解成很多个子二次规划问题分别求解.mp4 65.42M
    | | ├──3-SMO将交给它的目标函数变成二元函数进一步变成一元函数.mp4 63.23M
    | | ├──4-对一元函数求极值点_推导出旧的α和新的α的关系.mp4 53.19M
    | | ├──5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁.mp4 92.38M
    | | ├──6-再次说明α2如何进行剪裁的思路_根据α2求α1.mp4 37.62M
    | | ├──7-启发式选择两个α.mp4 23.11M
    | | ├──8-如何计算阈值b.mp4 50.18M
    | | └──9-SVM的SMO实现读取数据和计算fx与Ei.mp4 73.44M
    ├──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.mp4 173.95M
    | | ├──2-距离测度欧式距离和余弦距离的场景_TFIDF.mp4 153.55M
    | | ├──3-KMeans的一些变形_KMeans的损失函数推导及假设.mp4 167.16M
    | | ├──4-mini-batchKMeans_Canopy聚类_聚类评估指标.mp4 214.69M
    | | ├──5-KMeans代码测试不同情况下的聚类效果.mp4 148.66M
    | | └──6-层次聚类_密度聚类_谱聚类.mp4 264.04M
    | ├──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.mp4 112.72M
    | | ├──2-理解GMM高斯混合分布的对数似然函数.mp4 95.22M
    | | ├──3-GMM参数估计Πμσ的流程.mp4 112.23M
    | | ├──4-Jensen不等式的应用.mp4 109.17M
    | | ├──5-将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp4 157.57M
    | | ├──6-将EM算法应用到GMM中并且推导出Π的公式.mp4 44.12M
    | | ├──7-GMM前景背景分离.mp4 16.01M
    | | ├──8-通过声音文件利用GMM算法识别性别.mp4 134.39M
    | | └──9-通过声音文件利用GMM算法识别是谁.mp4 51.52M
    | └──3–PCA降维算法
    | | ├──1-特征选择与特征映射.mp4 49.38M
    | | ├──2-PCA的最大投影方差思路.mp4 186.75M
    | | ├──3-最大投影方差推导_最小投影距离思路.mp4 115.67M
    | | ├──4-SVD其实就可以去实现PCA了.mp4 92.97M
    | | └──5-PCA的几种应用.mp4 54.58M
    ├──8–机器学习-决策树系列
    | ├──1–决策树
    | | ├──1-决策树模型的特点.mp4 74.88M
    | | ├──10-绘制决策树模型_寻找最优树深度.mp4 97.10M
    | | ├──11-代码训练回归树拟合SineWave.mp4 93.81M
    | | ├──12-后剪枝的意义.mp4 50.49M
    | | ├──13-CCP代价复杂度后剪枝.mp4 130.67M
    | | ├──14-CCP代价复杂度剪枝_α超参数设定.mp4 62.18M
    | | ├──2-决策树的数学表达.mp4 89.94M
    | | ├──3-如何构建一颗决策树.mp4 84.87M
    | | ├──4-什么是更好的一次划分.mp4 57.02M
    | | ├──5-Gini系数.mp4 107.54M
    | | ├──6-信息增益.mp4 75.26M
    | | ├──7-熵与Gini系数关系_信息增益率.mp4 118.18M
    | | ├──8-预剪枝以及相关超参数.mp4 127.06M
    | | └──9-代码实战决策树对鸢尾花数据集分类.mp4 77.90M
    | ├──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.mp4 80.47M
    | | ├──2-Bagging_Boosting_Stacking.mp4 59.02M
    | | ├──3-随机森林.mp4 108.14M
    | | ├──4-代码实战随机森林对鸢尾花数据集分类.mp4 101.81M
    | | ├──5-OOB袋外数据.mp4 106.07M
    | | ├──6-Adaboost算法思路.mp4 106.30M
    | | ├──7-调整数据权重让权重正确率达到50%.mp4 66.83M
    | | └──8-Adaboost如何调整样本权重和求基模型权重.mp4 90.51M
    | ├──3–GBDT
    | | ├──1-GBDT试图使用有监督最优化算法梯度下降求解F(x).mp4 65.49M
    | | ├──10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp4 72.09M
    | | ├──11-GBDT多分类流程.mp4 73.80M
    | | ├──12-对比GBDT回归、二分类、多分类相同点与不同点.mp4 60.80M
    | | ├──13-GBDT二分类叶子节点分值计算推导.mp4 73.96M
    | | ├──14-GBDT多分类叶子节点分值计算.mp4 54.63M
    | | ├──15-GBDT二分类举例详解.mp4 86.67M
    | | ├──16-GBDT多分类举例详解.mp4 91.71M
    | | ├──17-计算特征重要度进行特征选择.mp4 54.87M
    | | ├──18-GBDT用于特征组合降维.mp4 43.72M
    | | ├──19-特征组合降维在GBDT+LR架构应用.mp4 51.28M
    | | ├──2-GBDT令每个弱学习器f(x)去拟合负梯度.mp4 88.39M
    | | ├──20-GBDT在sklearn中源码剖析_初始化F(x).mp4 115.14M
    | | ├──21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp4 71.74M
    | | ├──22-GBDT+LR架构训练模型代码实现.mp4 88.40M
    | | ├──23-GBDT+LR架构预测评估代码实现.mp4 66.47M
    | | ├──3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp4 77.36M
    | | ├──4-GBDT应用于回归问题.mp4 84.66M
    | | ├──5-GBDT回归举例_总结.mp4 108.52M
    | | ├──6-GBDT应用于二分类问题.mp4 70.42M
    | | ├──7-GBDT二分类拟合的负梯度依然是残差.mp4 83.81M
    | | ├──8-GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4 61.49M
    | | └──9-GBDT应用于多分类任务.mp4 73.34M
    | └──4–XGBoost
    | | ├──1-回顾有监督机器学习三要素.mp4 82.52M
    | | ├──10-重新定义树ft和树的复杂度Ω.mp4 77.70M
    | | ├──11-由每个叶子节点重组目标函数Obj.mp4 68.56M
    | | ├──12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp4 72.32M
    | | ├──13-根据Obj收益指导每一次分裂从而学习一棵树结构.mp4 106.69M
    | | ├──14-举例说明从连续型和离散型变量中寻找最佳分裂条件.mp4 73.80M
    | | ├──15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp4 71.21M
    | | ├──16-样本权重对于模型学习的影响.mp4 59.81M
    | | ├──17-总结XGBoost的特性_包括缺失值的处理策略.mp4 101.47M
    | | ├──2-Bias_Variance_Trade-off.mp4 66.00M
    | | ├──3-基于树集成学习4个优点.mp4 91.36M
    | | ├──4-回顾基于树集成学习的模型和参数并举例说明.mp4 93.39M
    | | ├──5-通过目标函数Obj来达到准确率和复杂度平衡.mp4 48.31M
    | | ├──6-Objective_vs_Heuristic.mp4 60.42M
    | | ├──7-得出XGBoost最开始的Obj目标函数.mp4 94.87M
    | | ├──8-推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4 48.62M
    | | └──9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp4 67.39M
    ├──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.mp4 126.74M
    | | ├──2-TF-IDF.mp4 53.08M
    | | ├──3-NB代码实现解析.mp4 126.73M
    | | ├──4-sklearn中调用NB_顺便讲解了GridSearchCV.mp4 131.83M
    | | ├──5-语言模型的设计目的_MLE的作用进行参数估计.mp4 107.12M
    | | └──6-贝叶斯网络_马尔可夫链.mp4 38.75M
    | ├──2–HMM算法
    | | ├──1-HMM隐马的定义.mp4 36.82M
    | | ├──2-HMM隐马的三组参数_三个基本问题.mp4 104.28M
    | | ├──3-HMM预测问题使用前向算法.mp4 44.33M
    | | ├──4-HMM预测问题使用维特比算法.mp4 33.43M
    | | ├──5-HMM复习_明确概率计算问题要解决的目标.mp4 76.05M
    | | ├──6-前向算法来解决概率计算问题.mp4 33.05M
    | | ├──7-Viterbi算法案例详解.mp4 107.12M
    | | └──8-Viterbi算法代码实现.mp4 42.43M
    | └──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.mp4 127.78M
    | | ├──2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp4 71.88M
    | | ├──3-了解CRF层添加的好处.mp4 105.90M
    | | ├──4-EmissionScore_TransitionScore.mp4 61.33M
    | | ├──5-CRF的目标函数.mp4 23.74M
    | | ├──6-计算CRF真实路径的分数.mp4 50.37M
    | | ├──7-计算CRF所有可能路径的总分数.mp4 135.58M
    | | └──8-通过模型来预测新的句子的序列标签.mp4 83.16M

    └──课件.zip 87.97M

    猜你喜欢

    猜你在找

    免责声明: 1、本站信息来自网络,版权争议与本站无关 2、本站所有主题由该帖子作者发表,该帖子作者与本站享有帖子相关版权 3、其他单位或个人使用、转载或引用本文时必须同时征得该帖子作者和本站的同意 4、本帖部分内容转载自其它媒体,但并不代表本站赞同其观点和对其真实性负责 5、用户所发布的一切软件的解密分析文章仅限用于学习和研究目的;不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。 6、您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容。 7、请支持正版软件、得到更好的正版服务。 8、如有侵权请立即告知本站(邮箱:666java@sina.com,备用微信:java666vip),本站将及时予与删除 9、本站所发布的一切破解补丁、注册机和注册信息及软件的解密分析文章和视频仅限用于学习和研究目的;不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。本站信息来自网络,版权争议与本站无关。您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容。如果您喜欢该程序,请支持正版软件,购买注册,得到更好的正版服务。如有侵权请邮件与我们联系处理。
    666资源站 » 百战-AI算法工程师就业班2022年|价值18980元|重磅首发|冲击百万年薪|完结无秘

    常见问题FAQ

    视频格式是什么?
    不加密,网盘在线学习
    怎么发货?
    自动发货,提供百度云链接和提取码【如失效点击网站右侧联系客服】】
    有些资源没更新完结怎么办?
    本站资源包更新至完结,后续可以点击链接获取
    有问题不懂的怎么办
    咨询邮箱:666java@sina.com 备用微信:java666vip
    • 24748会员总数(位)
    • 32861资源总数(个)
    • 4本周发布(个)
    • 0 今日发布(个)
    • 2802稳定运行(天)

    最专业的it资源平台

    加入我们
  • © 2012 666资源站 All rights reserved |
  • 升级SVIP尊享更多特权立即升级