收起左侧

[人工智能] S学堂百战人工智能就业班82G 2022年

123
回复
8093
查看
  [复制链接]
  • TA的每日心情
    擦汗
    2022-9-1 01:49
  • 签到天数: 9 天

    [LV.3]偶尔看看

    发表于 2022-12-1 00:17:00 | 显示全部楼层 |阅读模式

    登录后查看本帖详细内容!

    您需要 登录 才可以下载或查看,没有帐号?立即注册

    x
    ├─1--人工智能基础-快速入门
    5 e: N) N  j% K│  ├─1--人工智能就业、薪资、各行业应用
    & Q- l, q2 ]7 W  X' M1 |│  │      1-人工智能就业前景与薪资.mp4# A! C4 L9 X9 L1 o" w  P$ Q
    │  │      2-人工智能适合人群与必备技能.mp44 R" L" e; P. O! s/ {
    │  │      3-人工智能时代是发展的必然.mp40 E  }3 ]) r1 o; [" ]; H
    │  │      4-人工智能在各领域的应用.mp4
    % B* X: o, L/ h7 u6 [$ y│  │      $ \7 K7 v' t$ g8 o- _
    │  └─2--机器学习和深度学习、有监督和无监督
    " ]1 t* b" S& G; c# ?# O1 U# A+ X) ^# i. U│          1-人工智能常见流程.mp4
    7 M6 ?* ~* }! O* C, _& c│          2-机器学习不同的学习方式.mp4" w' N' O2 X+ y" I: w
    │          3-深度学习比传统机器学习有优势.mp4+ H8 T: x! j6 }8 [  @1 e& D
    │          4-有监督机器学习任务与本质.mp4; L* C; g$ H9 V8 v, k- P
    │          5-无监督机器学习任务与本质.mp4
      o9 ~/ _. y, \$ k6 s- S6 c( |│          3 T+ v4 g: ], g8 b
    ├─10--机器学习与大数据-Kaggle竞赛实战! B9 v4 N. G; r3 X7 t
    │  ├─1--药店销量预测案例
    ' ]" ?( A5 B* S8 a3 w% }# ]8 m│  │      1-Rossmann药店销量预测_kaggle的介绍.mp4
    0 p6 P% I1 P% k/ O, f/ T( M│  │      2-对数据字段的介绍_导包.mp4
    % O/ c' x) x4 g6 U* i; p6 J│  │      3-自定义损失函数.mp4; C! C8 z! b2 z1 X
    │  │      4-对数据里面的目标变量sales的一个分析.mp4  i5 \9 `( ?) a! J. Q
    │  │      5-数据的预处理.mp4
    ! p' [8 ?0 u7 \. ~+ }$ y3 X/ Z; _│  │      6-模型的训练_评估.mp4
    : @6 l" _3 D4 ^4 m│  │      7-kaggle竞赛网站学习.mp4( H/ V  X  d9 E$ D
    │  │      
    # L3 \' [, r0 ~. [9 d- r, u│  └─2--网页分类案例) o+ h3 \; u, u
    │          1-Kaggle网页分类竞赛介绍.mp4" ?' r6 C, w' M( x% X; _  q
    │          2-评估指标ROC和AUC.mp4+ O6 F( w( j  H
    │          3-评估指标ROC和AUC.mp4" H4 b  J' R1 O- F$ H) N- e/ J
    │          4-竞赛其他相关提交成绩排行榜.mp4; ]9 r% N% a( S" o3 V
    │          5-数据导入.mp4* I; j: c2 M3 G5 J% `, g( Y7 V
    │          6-MLlib对网页分类竞赛数据预处理.mp41 n; m/ A4 `7 L6 x. F9 M
    │          7-MLlib对网页分类竞赛数据预处理_模型训练.mp4
    * r/ E# o* H& K1 Q$ I│          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: u7 J" Q0 A0 J% A& [
    │          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* G/ R% E3 _# `7 P+ p2 C1 H3 _
    │          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# n) d' t" s" _& {& o
    │          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
    9 r3 X1 @. V. c% e│          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. Z, n) Q0 m* u4 g0 O5 k
    │            }4 x; V$ a& ?8 p
    ├─11--机器学习与大数据-海量数据挖掘工具
    0 @# E+ v. I7 }# y* H  ]1 b# Z3 l│  ├─1--Spark计算框架基础
    " D0 A  O8 ^# F: C' P- A% y' K│  │      1-Spark特性_01.mp4
    # X4 K, [% A7 Z) ^! ~│  │      2-Spark特性_02.mp4( t1 `, A. N6 b6 h5 j$ s2 V" D
    │  │      3-Spark对比hadoop优势.mp4% h8 A6 {" \( i7 f$ [" v. k
    │  │      4-回顾hadoop讲解shuffle.mp4
    + P2 Y; n, V4 S  s│  │      5-分布式计算框架Shuffle的原理_01.mp4
    2 v0 A  o( U( k' Q+ J$ Y+ e│  │      6-分布式计算框架Shuffle的原理_02.mp49 I6 L; C0 n( t% N* W8 {
    │  │      7-分布式计算框架Shuffle的原理_03.mp4
    ( }: E4 B5 D7 ~5 H0 Z│  │      8-Spark的RDD特性_01.mp4
    2 _9 f% w- m4 _; U' r. a% B0 u( c│  │      9-Spark的RDD特性_02.mp4  ~" x. S* L9 u
    │  │      10-分布式计算所需进程.mp4
    ; Z' I* @) }  n" x│  │      11-两种算子操作本质区别.mp45 `% {8 R- }% d. [' i  ?
    │  │      12-Spark算子操作实战讲解_代码实战WordCount_01.mp4
    ) m5 |6 I. F; z│  │      13-Spark算子操作实战讲解_代码实战WordCount_02.mp4
    ; M% T/ |! B+ G) y5 n  m│  │      14-Spark算子操作实战讲解_代码实战WordCount_03.mp4
    + X# E. n$ m$ c7 H! t$ G+ _3 @& _│  │      15-Spark算子操作实战讲解_代码实战WordCount_04.mp4
    ! Y4 B; b( c* `9 ^& @5 i2 B│  │      : y+ p7 ]6 B( S& q0 F1 K) \& M
    │  ├─2--Spark计算框架深入0 q! v, S( A0 i
    │  │      1-Spark数据缓存机制.mp4) O; I; V) M! C
    │  │      2-Spark宽依赖和窄依赖_01.mp4
    : G0 y  M5 w4 b1 b│  │      3-Spark宽依赖和窄依赖_02.mp4
    " {& Z& o  }4 r+ v! z& ]│  │      4-Spark宽依赖和窄依赖_03.mp4
    : @: ?8 d+ @) r# c│  │      5-Spark术语总结.mp4
    % w; b- N2 ?1 F1 p2 `3 d: l9 @│  │      6-分布式文件系统Block块的大小配置.mp4
    . F* N2 s/ M8 k0 E& Y- a│  │      7-Spark程序启动运行流程详解_01.mp4
    ; c# Q( N( Q) ~1 z* [" T! o│  │      8-Spark程序启动运行流程详解_02.mp48 U$ E6 k( y4 i5 ?2 t! ]
    │  │      9-Spark程序启动运行流程详解_03.mp4/ B: H* ~" |! E: }
    │  │      10-讲解构建稀疏和稠密向量_01.mp4' P5 K0 t8 |+ B3 @5 A. H
    │  │      11-讲解构建稀疏和稠密向量_01.mp48 N0 E' g2 U4 G1 m$ W3 |
    │  │      12-构建LabeledPoint.mp4
    8 b3 c7 b( P) ?1 }4 Z: l+ l│  │      13-介绍SparkMLlib模块中实现的算法和调用.mp47 x4 V" Q1 F* H5 \  x
    │  │      
    ! y6 m' s: W& t0 p8 a│  └─3--Spark机器学习MLlib和ML模块
    . z: {) a0 M/ L) k4 e) f& c│          1-SparkMLlib对于逻辑回归算法的调用.mp4
    5 @7 u8 E3 A+ \│          2-SparkMLlib调用逻辑回归_自定义阈值_1.mp4
      P4 E6 H: T4 I│          3-SparkMLlib调用逻辑回归_自定义阈值_2.mp4) G" x, Y* S: P4 ^, W6 Z
    │          4-SparkMLlib调用逻辑回归_使用标准归一化_1.mp47 T1 Q9 Z' N, I) e; E! n3 G' p
    │          5-SparkMLlib调用逻辑回归_使用标准归一化_2.mp4* l. D% \: E  R2 k+ x! d/ M
    │          6-SparkMLlib调用逻辑回归_使用标准归一化_3.mp4
    ( H+ `2 G; Z  A. W4 B" M! x│          7-SparkMLlib调用逻辑回归_使用标准归一化_4.mp4: q  J- C5 T0 ~4 F2 j: i# J8 B1 k
    │          8-SparkMLlib调用KMeans聚类_调用决策树(1)_1.mp4  Q- b3 p7 c* S3 s
    │          9-SparkMLlib调用KMeans聚类_调用决策树(1)_2.mp4
    * R3 v1 A* `5 y% F2 Q; R│          10-SparkMLlib调用KMeans聚类_调用决策树(1)_3.mp4  }* m; V, m7 [: @
    │          11-使用逻辑回归和随机森林对股票Stock预测案例实战_1.mp4
    " s, H3 `  ?% F/ m7 D* g│          12-使用逻辑回归和随机森林对股票Stock预测案例实战_2.mp4
    * a. b  C5 q9 g│          13-使用逻辑回归和随机森林对股票Stock预测案例实战_3.mp41 C: r# N& y  X5 ]* ~
    │          14-从数据转化到训练集的构建.mp48 y! ?; t" B4 Q* D" F( a5 G  [5 X
    │          15-模型的训练以及评估和调超参_1.mp40 O' T  a/ {- c6 H
    │          16-模型的训练以及评估和调超参_2.mp46 N. h/ R; D. _# K$ A" w; y; I" b
    │          17-模型的训练以及评估和调超参_3.mp47 B$ u( o6 W- B( ]2 G
    │          18-SparkML机器学习库概念讲解_1.mp4
    2 U3 N3 f0 U6 X│          19-SparkML机器学习库概念讲解_2.mp4
      o5 f. W1 s4 R2 X$ f5 r7 J- K& ^│          20-SparkML机器学习库代码实战讲解_1.mp4
    5 u2 D5 r" u- j4 k: j" O│          21-SparkML机器学习库代码实战讲解_2.mp4, n8 x2 _" N1 R* W/ w3 X0 T
    │          22-SparkML网页分类案例代码实战续(1)_1.mp41 Q. j; k8 |# [  z
    │          23-SparkML网页分类案例代码实战续(1)_2.mp4  v' {. u0 |% m& R
    │          24-SparkML网页分类案例代码实战续(2)_1.mp4) _9 _1 M4 v9 y, W8 |. x8 {5 a; v- w
    │          25-SparkML网页分类案例代码实战续(2)_2.mp4
    $ C( q4 n/ E0 D- P/ l│          26-SparkML网页分类案例代码实战续(3).mp4
    , O& R5 b: z/ A" r' j$ o3 D  c7 ?+ b│         
    $ }) Q. w# z  T* D9 c2 t+ |├─12--机器学习与大数据-推荐系统项目实战
    : X; O5 b' j. }  V  Y) V% \. x│  ├─1--推荐系统--流程与架构0 J; Q5 m2 k. C6 C# I* M: L2 {6 `& m
    │  │      1-推荐系统_隐式用户反馈_1.mp4
    ( e# O+ b6 M7 v; o: h& \1 `│  │      2-推荐系统_隐式用户反馈_2.mp4/ n1 k( F# \5 ~( q2 v
    │  │      3-推荐系统_协同过滤_1.mp4
    , j4 h3 A* F8 q5 f* t& l& p! V) I% E│  │      4-推荐系统_协同过滤_2.mp4
    & i. l2 D6 v; ]0 e! |: S3 n3 j│  │      5-推荐系统_协同过滤_3.mp4: l1 ~3 y8 P$ t, T6 h- J. T
    │  │      6-推荐系统_协同过滤_4.mp4, W  B9 A, |* _8 F% Y
    │  │      7-推荐系统架构_实时_离线_1.mp4
    1 s& @; n$ @1 q, I: e$ Q' o+ X3 q5 H│  │      8-推荐系统架构_实时_离线_2.mp4
    , z+ ~7 f$ p$ G3 J0 n* B( C5 T" L│  │      9-推荐系统列表_关联特征权重_基本特征权重的计算_1.mp4
    1 Q% Q. p* U- r! v5 r& @' ?- O│  │      10-推荐系统列表_关联特征权重_基本特征权重的计算_2.mp4
    : q: _" E9 ~. Y/ X$ L! m0 |9 S│  │      11-推荐系统列表_关联特征权重_基本特征权重的计算_3.mp4  i3 v" H; J; s0 S
    │  │      12-推荐系统_数据源_1.mp46 E5 G) U) [% A2 O. N
    │  │      13-推荐系统_数据源_2.mp4
    ; H7 C6 B8 \9 a2 {* U│  │      & q# Y6 J4 M* \; T
    │  ├─2--推荐系统--数据预处理和模型构建评估实战% |9 f" b) l: c. o
    │  │      1-HQL语句_python脚本构建中间结果_1.mp4
    # J; U, J2 @* K0 a! ]' K5 A7 a│  │      2-HQL语句_python脚本构建中间结果_2.mp4
    ! n2 z+ v. u$ Z$ P5 O  S2 d│  │      3-HQL语句_python脚本构建中间结果_3.mp4
    7 q3 j6 k* m. b│  │      4-HQL语句_python脚本构建中间结果_4.mp4
    1 N6 a- J8 r5 C3 p* r( x9 J│  │      5-推荐系统_数据预处理_spark构建特征索引_标签列_1.mp4
    % A* h5 D/ v3 O( f) A  d│  │      6-spark构建特征索引_标签列_2.mp48 O# L& t- Q) E
    │  │      7-spark构建特征索引_标签列_3.mp4
    % H" G/ ]/ d. s8 Q/ e$ N│  │      8-spark构建特征索引_标签列_4.mp47 A8 D1 j) [( E
    │  │      9-MLlib调用算法计算模型文件并存储_1.mp4
    # @! O" b: }+ u1 A│  │      10-MLlib调用算法计算模型文件并存储_2.mp4* p. P3 M+ H  {4 }: `
    │  │      11-MLlib调用算法计算模型文件并存储_3.mp4& s% z3 B. ?  `; s0 F$ i! v9 p
    │  │      12-ACC准确率和AUC面积的计算以及意义.mp4$ w# }7 p- L. s; R
    │  │      8 _2 w. j" M: \; x; s$ J& g/ }
    │  └─3--推荐系统--模型使用和推荐服务
    0 U3 L" {8 S3 a8 F# N& [│          1-推荐模型文件使用思路.mp4
    1 _9 |( q( O  R: Q2 i  ^; ~. G│          2-Redis数据库安装及其使用.mp45 L; n- b% j) t0 Q8 Y
    │          3-实时在线推荐列表计算逻辑代码讲解_1.mp4
    1 D) M7 D  d3 D. J7 f│          4-实时在线推荐列表计算逻辑代码讲解_2.mp47 P- `9 G3 H* m$ p3 ^2 _% S
    │          5-实时在线推荐列表计算逻辑代码讲解_3.mp4
    " ?8 \+ ?6 Q" b5 j/ j0 t; Z│          6-实时在线推荐列表计算逻辑代码讲解_4.mp4+ T2 @( \9 p$ R6 z, z7 e
    │          7-使用Dubbo将推荐系统做成服务_1.mp43 }4 v' C0 t. A4 `) M8 M7 _1 g
    │          8-使用Dubbo将推荐系统做成服务_2.mp4
    8 R- E$ g0 V2 k  v' e4 N│          9-使用Dubbo将推荐系统做成服务_3.mp4
    ! C8 m; v3 W" a! k│          10-Dubbo推荐服务演示_SparkMLlib介绍_1.mp4& D1 I- S% g. n+ V! j3 p! _
    │          11-Dubbo推荐服务演示_SparkMLlib介绍_2.mp4
    + E" Y: X- D8 B; n0 f│          12-Dubbo推荐服务演示_SparkMLlib介绍_3.mp47 c7 I* R! E" `+ C! u- s$ z! Z6 `
    │         
    2 t; {  T* L' L& J: y├─13--深度学习-原理和进阶$ N5 ~* O2 }, }$ o
    │  ├─1--神经网络算法
    + d0 A% G- L  g9 m" n! E│  │      1-神经网络是有监督的算法_生物神经元到人工神经元.mp4
    . B4 V( F9 U& G- b  S* u. X- X│  │      2-三种常见的激活函数_网络拓扑介绍_优化算法.mp4
    ( w* N* P" @  g. d3 o; W│  │      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' p/ V$ l% _  ?9 h' I) L' B  w5 \6 p$ t
    │  │      4-用神经网络理解Softmax回归.mp4
    0 C% M  N) r* r) @│  │      5-隐藏层的意义_隐藏层相当于去做预处理_升维降维.mp4( D1 n, N" n) m1 ~) ?
    │  │      6-多节点网络输出_sklearn中NN模块的介绍.mp4# F! k: e  |8 O& m8 w
    │  │      7-sklearn中NN模型的代码使用.mp4
    ) }: K' H  n6 I( `* ]; h│  │      8-隐藏层激活函数必须是非线性的.mp4( V3 @& W, d% R+ H
    │  │      9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装.mp42 C# P( ^) g) [4 @) T  C  L0 e" u
    │  │      * o- G' w1 j1 c, |$ K+ }
    │  ├─2--TensorFlow深度学习工具
    2 x7 l6 I0 i3 ?7 \$ a. E│  │      1-CUDA下载地址_CUDA显卡白名单地址.mp45 ~. ~$ V* n& w9 n
    │  │      2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功.mp4* L9 i/ Q! ]0 v: V
    │  │      3-Tensorflow代码运行机制_TF基础的代码.mp4
    . l6 M+ c7 A- o1 j# r/ K6 C│  │      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.mp48 a$ d/ e: n. C1 x, B3 f6 c6 ^
    │  │      5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据.mp4' Y9 V' C; `7 ]! e1 a% {
    │  │      6-TF实现Softmax回归来识别MNIST手写数字.mp4
    / ^1 j9 m& a; p# k7 O5 |│  │      7-TF实现DNN来识别MNIST手写数字.mp4
    6 u* [3 _. v4 H│  │      % L( Y/ Q) _' G) V6 a/ y& _
    │  └─3--反向传播推导_Python代码实现神经网络, C2 I. c( G6 P, }
    │          1-反向传播_链式求导法则.mp4; U0 J" W" K9 _# i. j8 |& h
    │          2-反向传播推导(一).mp4' O$ b% I5 S, M8 F8 W$ r) x
    │          3-反向传播推导(二)从输出层到最后一个隐藏层.mp44 X+ a+ I' d- J- S
    │          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
    + {& W( `: x( B' ^- w│          5-反向传播推导(四)关于Δ和a还有梯度的更新事宜.mp4
    0 {& @1 `( y5 p' W! |│          6-python实现神经网络训练代码讲解(一).mp4
    " v8 K$ R% |' F9 b5 T. ?+ ^│          7-python实现神经网络正向反向传播训练.mp4& g7 P/ s! o  Q  N; t& a
    │          " r! o. y2 @) K8 k$ {3 `# {, p7 o" y
    ├─14--深度学习-图像识别原理$ Z6 P; u8 `4 D0 _2 \
    │  ├─1--卷积神经网络原理
    1 i5 F$ n7 S; M+ q│  │      1-回顾深度神经网络_卷积层是局部连接.mp4* w" v- F1 \: Q
    │  │      2-单通道卷积的计算.mp48 c$ {+ i/ q, z& S) A) l
    │  │      3-彩色图片卷积的计算.mp4
    3 @( N- P, h4 v) ?* D1 O# {│  │      4-卷积层权值共享.mp4
    2 k6 |$ D( a3 R0 h8 o  R│  │      5-卷积的补充与Padding填充模式.mp4! H6 n0 U8 o3 Y/ J1 m9 L# ^! z
    │  │      6-卷积的计算TF中的API操作与参数.mp4
    ' A" @( |  ?+ a+ K  @4 Q) ]│  │      7-池化的概念和TF中的API的操作与参数.mp41 x! n0 r* |  C0 V) \
    │  │      8-经典的CNN架构和LeNet5.mp4
    3 Q- s, ]& f) D# `  l│  │      2 r% d9 r% y6 M/ ~) c5 e1 F. ]
    │  ├─2--卷积神经网络优化; }  g. l/ e5 d
    │  │      1-AlexNet网络结构_连续使用小的卷积核好处.mp4
    0 w" U' r! S! g1 ]/ {, d; y0 Q│  │      2-Dropout技术点思想和运用.mp40 {4 {" X5 j3 f9 E7 [! a7 K6 Q1 v
    │  │      3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码.mp4! N$ m) N0 U% U
    │  │      4-CNN对MNIST数据集分类_全连接层以及训练代码.mp4
    7 @6 ~- M- k" {% w/ H- i1 [4 b│  │      5-深度学习网络对应ACC准确率忽然下降的思考点.mp4
    " E, B7 k3 y, d" E  m│  │      6-减轻梯度消失问题中激活函数发挥的作用.mp4
    ' S3 h: O, r! o* a7 n+ S│  │      7-减轻梯度消失问题中参数初始化发挥的作用.mp4
    / ]) g, k' d0 p* n5 e: ^│  │      8-VGG网络结构_以及1乘1的卷积核的作用和好处.mp4" x. ~- i$ R# r% n7 _
    │  │      9-Optimizer_SGD_Momentum.mp4- F9 J5 u2 A; e$ i$ R$ Z, b1 \
    │  │      10-Optimizer_Adagrad_Adadelta_RMSprop.mp46 p0 k$ I* s/ b# _; J- N- `
    │  │      11-Optimizer_Adam.mp4
    ; u, K+ Y$ d' K' N8 a/ e. r1 P│  │      
    8 p# m- {/ j3 p  [│  ├─3--经典卷积网络算法6 r7 ~  I1 v; [6 W8 z
    │  │      1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境.mp42 U# v' w/ e( m1 x* s9 }
    │  │      2-VGG16_Fine-tuning_对MNIST做手写数字识别.mp4+ }% s, d* x' E$ m0 b5 n( M
    │  │      3-InceptionV1_V2.mp4
    & S2 j2 _9 |# ?2 l2 e: p│  │      4-InceptionV3_以及InceptionV3对皮肤癌图片识别.mp4
    / d1 c" I6 S+ i5 L" c│  │      5-ResNet残差单元_BottlenetBlocK.mp4; Z+ a" M* |" `2 _: O5 e
    │  │      6-DenseNet和Keras里面的实现.mp4! [! H0 D9 ?3 y5 y. B
    │  │      7-DenseNet在Keras里面的代码实现.mp4
    8 z/ S1 _3 ~) H, K9 j│  │      8-BatchNormalization.mp48 S. r% U, L' l7 F  @$ u8 _" j% @
    │  │      9-Mobilenet网络架构.mp45 N5 j) r! y/ h% s6 \/ `
    │  │      % r5 i8 S$ c: @3 `' X
    │  ├─4--古典目标检测/ v# L; C0 C4 |
    │  │      1-图像识别任务_古典目标检测.mp4
    + Q8 D: W1 f! ?& b" Q, G0 U, i│  │      2-使用OpenCV调用分类器找到目标框.mp4
    * C: m% n) J& B) l- C4 M│  │      3-IOU以及python计算的代码.mp45 ~$ J+ b* @, _+ P' u% f4 I1 R
    │  │      4-R-CNN和SPP-net.mp4
    ' s. |* m# E4 ?+ k5 y│  │      5-从FastRCNN引入FasterRCNN.mp4
    : ^" z$ r9 K5 T- G' e$ c% n2 S│  │      / y6 j+ {5 P& B7 |  C4 O+ J2 |: l
    │  └─5--现代目标检测之FasterRCNN
    / u' ]1 J+ \  J  f" ]│          1-回顾RCNN_SPPnet_Fast-RCNN.mp4
    : ?( S: G/ G: V& p, e│          2-FasterRNN的核心RPN_正向传播的框过滤_NMS.mp4
    9 M* d9 i; @6 D+ l7 Q) W0 G' V│          3-NMS代码实现流程_mAP目标检测平均指标.mp4
    0 K: b, [5 Z4 ~' A! P│          4-FasterRCNN论文讲解_从介绍到RPN的loss.mp4$ v  ]4 |$ B1 z0 l  r1 }
    │          5-FasterRCNN论文讲解_从RPN损失到评估指标对比.mp4( v) [+ M, T! j& I/ L. q- V# H
    │         
    # D' V8 r& h6 ]├─15--深度学习-图像识别项目实战9 D) q: h. q, h% X4 K
    │  ├─1--车牌识别
    + }% x( O0 m# B. Y( L$ G# K│  │      1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01.mp4/ L  K% i% q  |) C
    │  │      2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02.mp4: m7 h9 e; }# l1 O* y; T
    │  │      3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03.mp46 I! @2 P4 A5 G: ?0 G, `% o+ u
    │  │      4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04.mp4
    # Z3 a$ J, I+ w% s; h& t* L│  │      5-车牌识别项目关于目标检测的问题.mp4  V3 [- w; z+ ]+ ?4 s0 Y+ m
    │  │      
    2 F; R' d! q0 n% J  s4 p& I! t7 }│  ├─2--自然场景下的目标检测及源码分析
    % x8 I5 H: x* U7 H$ P4 D. _│  │      1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明.mp4  }6 C- l: Y, L7 h& _& G3 u  w! Y
    │  │      2-FasterRCNN项目代码_数据加载.mp4
      ]% h8 z5 X4 F% \: v: ^│  │      3-FasterRCNN项目代码_数据增强.mp4
    / n1 c- `2 ], R) H$ w! t3 s│  │      4-FasterRCNN项目代码_数据初始化.mp41 {  z! X3 [) s3 _5 h
    │  │      5-FasterRCNN项目代码_模型的训练.mp4
    # r/ S/ B/ }: N│  │      6-回归整体训练流程_详解读取数据blob_01.mp4- K! n7 [: _/ w: z
    │  │      7-回归整体训练流程_详解读取数据blob_02.mp4' ]/ g+ d  ~8 b8 q
    │  │      8-回归整体训练流程_详解读取数据blob_03.mp4
    ( [" }0 Y7 f) ]3 Q; m+ z& I│  │      9-回归整体训练流程_详解读取数据blob_04.mp44 Z( y- v3 D+ y. c8 S0 K
    │  │      10-FasterRCNN代码_构建head.mp4
    9 H3 W0 i& b/ x/ G" D" L│  │      11-FasterRCNN代码_构建RPN网络_01.mp4% h0 Q0 Q5 V6 }6 ]3 J
    │  │      12-FasterRCNN代码_构建RPN网络_02.mp4: T7 L7 j! r3 F, i' x4 k/ v3 R
    │  │      13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01.mp4
    / b8 p4 ~  q- b6 ]% w4 {│  │      14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02.mp4
    ( V7 V& l4 L) A* ~│  │      15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制.mp4
    6 \' T! V& Z: l) \2 `& V; g3 p│  │      16-FasterRCNN代码_给RPN准备正负例样本_01.mp47 ^6 L  u, n+ ]1 u/ ^" @( j
    │  │      17-FasterRCNN代码_给RPN准备正负例样本_02.mp4
    1 g9 o$ G, G$ ]) n" K5 n│  │      18-FasterRCNN代码_给RPN准备正负例样本_03.mp44 D& e0 e, K9 \% c% p- L
    │  │      19-FasterRCNN代码_给RPN准备正负例样本_04.mp4! c6 B+ F9 I1 M/ v, Y
    │  │      20-FasterRCNN代码_给RPN准备正负例样本_05.mp4
    & Y  j, k) Y7 `; g% M8 o│  │      21-FasterRCNN代码_给RPN准备正负例样本_06.mp45 H" O* M, f4 V
    │  │      22-FasterRCNN代码_给RPN准备正负例样本_07.mp4# C. u: ?& x* e) I* z. W  I
    │  │      23-FasterRCNN代码_给RPN准备正负例样本_08.mp4
      }% r8 i$ }7 G6 C& _5 f│  │      24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01.mp4  J5 Y1 W' g" ~
    │  │      25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02.mp4
    ; q1 v' b2 [; L9 D  n│  │      26-FasterRCNN代码_添加Loss损失_smoothL1loss.mp4
    ) ~4 i$ G: ]- ]│  │      
    + R5 x* n! u& X+ Y% g% X, d│  └─3--图像风格迁移
    " }6 h% h: {( z; f/ S  T│          1-图片风格融合项目_架构_代码实现要点_1.mp4
    . L; C( a! h/ _3 p" Q0 ~│          2-图片风格融合项目_架构_代码实现要点_2.mp4) l* @+ e0 |  B2 Q8 _- M% m9 U) ?8 @
    │          3-图片风格融合项目_架构_代码实现要点_3.mp4
    6 b* n+ ?; J( H2 S( K/ d0 `9 Z│          4-图片风格融合项目_架构_代码实现要点_4.mp4
    8 @0 ?6 ?- r6 g) @; V+ c( y  N) u│          / E- }0 y3 P8 V& `1 B  @; X
    ├─16--深度学习-目标检测YOLO(V1-V4全版本)实战$ e4 c1 a- x0 r  A* q- f7 c1 U6 V
    │  ├─1--YOLOv1详解
    6 ]; a- o9 o' n) ~8 s% o│  │      1-YOLOv1论文详解_算法特点介绍.mp4) E6 i5 z6 a, D0 r1 M8 P
    │  │      2-YOLOv1论文详解_网络架构_思想.mp45 o& O$ |* d9 H9 z9 w+ B
    │  │      3-YOLOv1论文详解_训练中的技巧_Loss损失函数.mp4
    4 W; R9 `1 |  v: w! }. G! w5 ?│  │      4-YOLOv1论文详解_NMS_局限性.mp4) J0 x# a2 k+ Y$ u) o- q9 X
    │  │      # S7 }1 `" }$ w: M
    │  ├─2--YOLOv2详解
    6 v( t; H/ ~, Y: r│  │      1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes.mp4
      ~" H/ `/ M/ J) a" q│  │      2-YOLOv2论文详解_mAP更better的一些点.mp4& `! y" l5 _, K
    │  │      3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签.mp4
    # U' s& y. n8 `+ S. m│  │      4-YOLOv2论文详解_层级分类_层级分类用于目标检测.mp44 j7 C4 z; a/ ^- M/ D+ x2 t  h3 h
    │  │      
    % d1 N- Q+ i/ W! A│  ├─3--YOLOv3详解
    - e1 q: L9 p% L5 {│  │      1-YOLOv3论文详解_每个框都要预测多个类别概率.mp4- E* s, x& ]+ t  U
    │  │      2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53.mp4* y+ \2 u8 v$ u% |& ^
    │  │      3-YOLOv3论文详解_总结_FocalLoss.mp4* K6 B5 ~& d& r$ a0 k+ `8 C) e
    │  │      4-YOLOv4论文概述_介绍.mp40 c  j) V7 }/ D7 w6 f8 t, v
    │  │      5-YOLOv4论文概述_BOS_BOF.mp4
    ! ?  c: Q1 q( t! e│  │      
    $ L5 k' |% f' R│  ├─4--YOLOv3代码实战+ s  e( j7 ~7 v1 r! |. Z- M9 @* m. P
    │  │      1-YOLOv3代码剖析_项目介绍.mp43 R/ h) `) @+ n) n4 C
    │  │      2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络.mp4- j; I( j; Q& n1 f& r3 ?4 b) |
    │  │      3-YOLOv3代码剖析_model输出之后的预测框的计算.mp4
    & w# {1 o3 n) s) G# D0 c3 n│  │      4-YOLOv3代码剖析_使用model预测的其余代码.mp4# M8 r9 u! ?6 U2 y
    │  │      5-YOLOv3代码剖析_weights到h5模型的转换.mp4
    ; Q+ v4 a6 _: L) M│  │      6-YOLOv3代码剖析_模型的训练部分详解.mp42 h% i8 d$ Z7 I/ c
    │  │      7 g" K3 y2 s6 n: }, G
    │  └─5--YOLOv4详解! ]' [1 n- v: h* Y# n  E) m9 L
    │          1-YOLOv4_BOF_DropBlock_FocalLoss.mp4
    9 \$ L1 t8 t( I# j% `; p│          2-YOLOv4_BOF_GIoU_DIoU_CIoU.mp4( E9 B6 ?# I: O# J9 d# i
    │          3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish.mp43 I# P0 u4 g# P5 P! B
    │          4-YOLOv4_BOS_SAM_PAN_CSP_CmBN.mp4) e- z" P( s# w( K5 E
    │         
    & N2 p3 S. r4 R8 ]( `├─17--深度学习-语义分割原理和实战
    6 K* l( q; J) A! T, T! c│  ├─1--上采样_双线性插值_转置卷积8 J& G+ ~1 s4 e$ r* m
    │  │      1-前言.mp4
    4 ]! X: @: u8 J9 P% l- Q" k- ?│  │      2-上采样_repeat.mp4
    3 ~3 ]8 C; t+ f/ t- R, K; a/ z│  │      3-线性插值.mp4
    : A6 E3 E, Q0 W7 v* J* L│  │      4-双线性插值.mp4" W. ]/ ~- G7 c! x
    │  │      5-转置卷积_以及TF的API.mp4% _# P! Q) l! s5 E1 x0 `
    │  │      6-双线性插值作为转置卷积核的初始参数.mp4
    8 V, i2 r; r) ]  Y; ~7 F│  │      7-ROI Align.mp4/ K9 g$ `  d% Q! ~% Z' r
    │  │      8-FPN思想与网络结构.mp4
    1 h- h; |+ W! M! O0 _' A6 t6 z* Q│  │      9-FPN应用于FasterRCNN_ResNetFPN.mp44 r# P3 @* R* {: u5 @5 h
    │  │      5 a5 ]. W. d0 I9 ^" ~% }' _! M( K
    │  ├─2--医疗图像UNet语义分割+ k0 V# r2 b) `( Q& ]3 h! Y5 x
    │  │      1-语义分割的基本概念.mp4# m: w! `8 r* Y- }+ r
    │  │      2-FCN全卷积网络做语义分割.mp44 V' }9 K5 [* n6 {- J
    │  │      3-UNet网络结构.mp4, Y1 @/ \( @7 [$ c8 O+ o
    │  │      4-UNet网络医疗图像的语义分割.mp4) a. C9 {2 K7 g+ j- |
    │  │      4 b4 w) V7 ]7 W! d  k4 B+ u' z
    │  └─3--蒙版弹幕MaskRCNN语义分割
    ! k& E3 b3 p! I. c│          1-MaskRCNN网络结构.mp4- |$ B! w/ k8 w) |
    │          2-MaskRCNN的项目展示.mp41 {! s& t5 V6 J9 x
    │          3-MaskRCNN网络架构回顾.mp4
    ! N7 ~8 G( w+ W; Q7 C│          4-MaskRCNN根据文档和论文总结重要的知识点.mp4$ T; Y8 m3 x% i' j% d
    │          5-MaskRCNN项目关于运行代码环境的说明.mp4  M6 S' P$ C* A% r1 G- {, o9 o. K  g
    │          6-MaskRCNN源码config和model.mp4+ `: k8 a5 A; M  q6 k$ o# m
    │         
    ; x4 b6 L- R: u8 K( y├─18--深度学习-人脸识别项目实战
    6 O1 ~5 m- K! {9 i" H1 _│      1-人脸识别任务种类_具体做法思路.mp4
    3 p1 m- g" u9 s/ A) ]0 {│      2-开源的FaceNet项目介绍.mp4% j" ~: S; b* M* K
    │      3-人脸识别项目代码整体结构.mp4
      f7 ~8 p8 W- S; o; ?1 P8 i│      4-MTCNN论文_摘要和介绍.mp4
    , a, }2 c, z0 k* K% c/ t- d+ _│      5-MTCNN论文_网络整体架构.mp49 [2 p$ n; j9 Q- h2 x
    │      6-PRelu_每阶段输出多分支意义.mp4
    6 E* b4 g8 ^2 H9 `- N4 _# N2 y2 Y│      7-每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp4+ }2 h# O! }, d* |* n1 U. P- r
    │      8-训练数据的准备_每一阶段训练的流程.mp4
    $ T! X7 d9 w; g3 b│      9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp4
    : n" d' ?! n4 I* P0 k│      10-人脸识别项目代码_加载MTCNN模型.mp4
    " v5 [9 M7 P" h0 s. ]4 P│      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, b. J# ^! O$ M" Q
    │      12-FaceNet论文_摘要和前情介绍.mp4
    9 q6 f; o+ A6 ~8 ]1 N, z│      13-FaceNet论文_相关的介绍.mp40 E3 V* ?4 u( V
    │      14-FaceNet论文_TripleLoss思路来源和目标.mp4
    7 m. l1 \, I* Z; X- `$ m│      15-FaceNet论文_TripleLoss损失函数.mp4
    ) y. h$ C8 ^# I1 t7 G2 K│      16-FaceNet论文_TripleSelection很至关重要.mp4! y9 L' X4 ^2 W  h
    │      17-FaceNet论文_ZF和Inception对比_总结.mp4
    : i; T( H. a/ w  a│      18-人脸识别项目代码_FaceNet模型加载和使用.mp4) f+ S1 [* F/ e9 a; K. ]; w
    │      19-人脸识别项目代码_人脸匹配以及最后的绘图展示.mp4
    % n$ t) ]( O* K! Y% B8 ^│      8 _6 x" @: @5 y- |0 w' O! u" ?
    ├─19--深度学习-NLP自然语言处理原理和进阶0 `- ^" j) ~/ e9 m6 @
    │  ├─1--词向量与词嵌入
    1 W% l- m) ?  L: ^5 b│  │      1-N-gram语言模型.mp4
    % k6 F/ q# j. Z# g│  │      2-NPLM神经网络语言模型.mp4
    * _. O+ L4 T( U$ X4 R) G│  │      3-词向量的作用.mp4
    9 Y% O6 ]0 m# h  r) {│  │      4-CBOW模型思想和计算过程.mp4
    # `1 w5 _$ J( y  P, X0 [! J1 ?1 c0 y│  │      5-Skip-gram模型思想和计算过程.mp4
    ( Q" h  |: T: c2 _+ K: j" V│  │      6-Huffman树_分层Softmax的思想.mp4# E3 g( Z& x, [" S
    │  │      7-分层Softmax应用到CBOW模型上.mp4  U- i* n. X; n1 g7 j
    │  │      8-负采样和负采样应用到CBOW模型上.mp4
    : R/ L( d7 f2 M( n2 V1 \# t│  │      - c) Y# e: O$ t* n" N6 @5 d/ R
    │  ├─2--循环神经网络原理与优化
    7 r2 b7 D9 V3 A5 R│  │      1-理解RNN循环神经网络拓扑结构.mp4
    % X4 D/ k" ^) T" Y4 a) x; Q│  │      2-理解RNN循环神经网络计算流程.mp4
    2 w7 A% J: J. \! v0 O│  │      3-利用RNN循环神经网络对MNIST手写数字识别.mp43 ^6 b3 H4 s7 R8 e) t
    │  │      4-理解LSTM长短时记忆_记住Topo和公式.mp4: h6 Q0 M2 K* l$ r: }) q
    │  │      5-VanillaRNN的回顾复习.mp4" ^9 y2 ~  {5 H" I
    │  │      6-补充讲一下为什么RNN中链越长越容易梯度消失.mp4$ d1 G! f; Y6 M; M9 N# n* ^$ ~
    │  │      7-LSTM的回顾复习_LSTM手写数字识别.mp4. B" N5 j8 M" D
    │  │      8-双向RNN_LSTM.mp4& W3 S$ [3 Z% P  V" N: H- W
    │  │      9-RNN里面应用的Topology结构.mp4$ |8 o( {3 b% ~: s9 c. y& w
    │  │      ( ?; h2 J" Q3 ?) ~3 [, H2 p5 y
    │  ├─3--从Attention机制到Transformer
    : j5 Q5 Y" L+ I$ e6 u# N- ?* |; r: V│  │      1-Seq2Seq中Attention注意力机制.mp4
    7 T- t. B1 o6 Q, U- K│  │      2-Transformer_Self-Attention_Multi-head.mp4
    / J/ b- \. Z  G3 `  n│  │      3-Transformer_Positional_使用逻辑_网络结构总结.mp4* I0 Z- R; ]/ j$ d
    │  │      
    ) h3 z1 `  y$ j5 l& h) r/ m│  └─4--ELMO_BERT_GPT7 p; I. `2 _0 [
    │          1-ELMO.mp4
    6 k) o: n* [3 y* V! s│          2-BERT理论.mp4
    , U: \. Q0 `/ K  z: S8 N5 v  w│          3-ERNIE_GPT.mp4/ d& d! T" T4 ^1 k; [' Z
    │          " p" ^: D. I$ u: D& S6 i: s
    ├─2--人工智能基础-Python基础6 R  d! y7 }+ I+ N: X
    │  ├─1--Python开发环境搭建# Q* n" v  y' W
    │  │      1-下载Miniconda运行环境.mp4
    * B3 Q, S3 h' T' j  b" O│  │      2-Miniconda安装和测试.mp4
    9 G% \. D1 b- `/ L, l8 a6 G5 O│  │      3-Pycharm安装和代码运行.mp4* v2 ^  X; ]0 @# k5 i. P
    │  │      4-Jupyter安装和代码运行.mp4* L" G3 j! k, Z# l" {
    │  │      5-Jupyter常用快捷键.mp48 P, p$ V; G1 u4 ^* G8 u: r
    │  │      6-Conda虚拟环境创建与Python模块安装.mp4: I4 u4 S* o3 ~. E
    │  │      7-关联虚拟环境运行代码.mp4
    & l" h1 G" @& R2 j$ {/ i0 A│  │      : b* B! W% f5 F# q: m' Q
    │  └─2--Python基础语法
    ! U# {8 ^( ]' Q7 V7 U│          1-Python是强类型的动态脚本语言.mp4
    5 r, g% A: H$ Z5 _9 y& h│          2-Python_控制语句_单双分支.mp4  O9 `) V! B4 l% k* A4 T
    │          3-Python_控制语句_多分支_三元条件运算符.mp4; C: ]5 Z" t, m7 A* U% f
    │          4-Python_控制语句_while循环.mp4* k9 j8 G4 L5 w; Y# R
    │          5-Python_控制语句_for循环.mp4
    ' P2 g1 L# A6 x( ?7 c# ~! O+ `│          6-Python_控制语句_嵌套循环.mp4& |& E) p3 X+ X6 {% u5 v
    │          7-Python_控制语句_break_continue.mp4
    2 S. G* G7 a  a3 U│          8-Python_切片操作.mp45 D" U. f! ?+ F# I' E1 K( m- x
    │          9-Python_数据类型.mp4
    8 F* m6 V8 t. e1 y, Z│          10-Python_集合操作_列表.mp4# {! O& s+ D' V
    │          11-Python_集合操作_列表的基本操作.mp43 |7 z4 s1 z7 f' G/ o" w
    │          12-Python_集合操作_列表的常用方法.mp4. g! r. c% c+ ~$ ?
    │          13-Python_集合操作_元组.mp4
    ( c  ^7 ~. x' k  e& }│          14-Python_集合操作_字典和常见操作.mp4
    ' d! v+ [, {0 G) g│          15-Python_集合操作_字典keys方法_enumerate函数.mp4
    # I9 f3 m. `8 T' A: T- p1 N& A│          16-Python_os模块_shutil模块.mp4
    3 k' e; m0 o" K" v+ d│          17-Python_打开并读取文件_中文编码问题.mp4# c6 j. K/ m# T- G' @
    │          18-Python_函数_定义_调用_返回值_注释.mp4
      g# v4 u: G  H& ?│          19-Python_函数_局部变量_全局变量.mp4
    ' J; R4 }' k! B. N5 N1 V│          20-Python_函数_默认参数_可变参数.mp47 l, M; c+ u# L0 I( M
    │          21-Python_函数_递归.mp40 t9 R9 ^, x5 |% _# j! H% {
    │          22-Python_函数式编程_高阶函数.mp4
    % |) c( s; b3 l│          23-Python_函数式编程_map_reduce_filter_匿名函数.mp49 S* P. U1 ?" M$ j" N8 I! {, ^
    │          24-Python_函数_闭包.mp4- ?$ _9 M5 a, ?/ |; k
    │          25-Python_函数_装饰器.mp4
    3 S9 W' V8 m/ W. e' i' |│          26-Python_类对象_定义与实例化对象.mp4
    ; |( ^- x5 |1 V- |9 M6 {% x+ c│          27-Python_类对象_实例属性和方法_类属性和方法.mp4; W: n4 X4 {( e- z
    │          28-Python_类对象_内置方法.mp4: Y3 z* o) }  g% c
    │          29-Python_类对象_运算符重载_私有对象方法_isinstance函数.mp4
    1 ?& R: Y% f  B5 S. [* U# s3 u' c│          30-Python_类对象_面向对象三大特性_类的继承.mp4
    6 F' E6 }$ @  ~9 K8 u│          31-Python_类对象_子类复用父类构造器和方法_方法重写.mp4
    1 f* m) u' H4 F" w" `" t: m, J│         
    6 @% E4 h8 C7 I7 `/ }- J2 J├─20--深度学习-NLP自然语言处理项目实战7 A9 Q  H6 G# d! G
    │  ├─1--词向量
    7 P7 x0 p/ x) R# I: p8 E% y" r│  │      1-回顾了词向量里面训练的Topology.mp49 o) Z4 b! x% d' f0 G
    │  │      2-Word2Vec项目代码_加载数据_构建字典.mp44 h. i1 s* O: ]2 U' ]2 F5 @; p/ U
    │  │      3-Word2Vec项目代码_构建一个个批次数据.mp4% Q" E; s5 ^# x* z; W( N7 J0 S" c/ i3 T0 g
    │  │      4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质.mp4
    ' m$ Q" V$ E% @$ i% P: V1 O│  │      5-Word2Vec项目代码_评估比较相似度_最后的训练绘图.mp4
    . }) p: C  a8 v7 j6 _" W$ r/ U│  │      6-Word2Vec项目代码_总结串讲.mp4
    6 C+ I( Z4 O) Q; u  H3 H! O│  │      - C! H. C4 t  \9 i2 e) ?
    │  ├─2--自然语言处理--情感分析: n% A  X7 |- P
    │  │      1-Keras实战RNN以及词嵌入来做情感分析.mp40 u/ b6 f0 e- J; _8 x
    │  │      2-数据预处理_01.mp4/ B2 C7 i- K; B/ Y' h
    │  │      3-数据预处理_02.mp4
    % k0 `3 x$ @0 v│  │      4-代码讲解_01.mp4
    8 w+ E5 \9 o7 g  V2 R# }│  │      5-代码讲解_02.mp4
    2 r, {$ }+ [# c( q8 T│  │      6-代码讲解_03.mp4
    ) }  V" L5 a6 S0 k│  │      7-代码讲解_04.mp4
    6 J, E$ U. X& x8 r) D│  │      8-代码讲解_05.mp4) c8 z% L7 d! Y' Q! ~
    │  │      ) K) X* H1 _% e
    │  ├─3--AI写唐诗7 X5 E+ V  @$ o: ]* r
    │  │      1-AI写唐诗_数据的读取_字典的构建_文本的索引化.mp44 P+ F: w4 _. G
    │  │      2-AI写唐诗_训练数据的构建.mp4
    2 n; _' `; s) P3 F6 P│  │      3-MultiRNNCell单元.mp4
    4 P0 w/ H2 G2 D: p- P│  │      4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出.mp4- v8 O2 J7 q: S: I, S5 k: ]
    │  │      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+ Q: f4 c2 q4 |0 f7 c9 V4 S
    │  │      6-AI写唐诗_模型的使用_增加随机性.mp4
    3 [- H, Y5 K2 o5 _6 V4 P" V│  │      6 h  _4 q# `  e4 k/ V
    │  ├─4--Seq2Seq聊天机器人
    / m9 @! i) T5 e- H; D) N│  │      1-从AI写唐诗到Seq2Seq再到Encoder-Decoder.mp47 a  }: M( n/ l6 [3 m8 E( U
    │  │      2-Seq2Seq版Chatbot的数据预处理.mp4
    - {/ g- F6 [5 b# C! i│  │      3-Seq2Seq版Chatbot训练和模型使用.mp4, b9 ?9 N$ q5 v; t4 F! w/ B6 [
    │  │      * j# d1 A! r6 b. T: j. V
    │  ├─5--实战NER命名实体识别项目2 c' X$ p3 r/ p: t; D, y2 h
    │  │      1-回顾了一下CRF训练和使用过程.mp4
    1 q3 J% Q: T8 ^1 k* }│  │      2-介绍了代码目录结构.mp4, e0 r- T- z! h/ P1 i2 Q& P
    │  │      3-NER代码读取数据和预处理.mp4
    ' y+ o# v6 p3 j. L1 o( A5 l│  │      4-feature进入BiLSTM进行正向传播的过程.mp4
    ' k; {  l6 |0 D  [7 ~│  │      5-通过CRF层来计算Loss损失以及训练.mp43 I5 {% }/ u' d/ s; r
    │  │      6-BiLSTM-CRF模型的预测代码.mp4
    $ C. U' [3 H% G/ A7 a│  │      7-CRF中的特征函数们.mp43 e2 e  K! R- ~# r# `. o+ {6 W2 k
    │  │      8-对比逻辑回归_相比HMM优势.mp49 S; h# x, m% ~- K) k6 m3 I" M
    │  │      9-补充标注偏置问题_HMM做分词代码结构.mp44 s3 g9 p+ j: K9 Y
    │  │      
    * h- `) d5 e0 Z; N& i5 T) Y$ A2 D│  ├─6--BERT新浪新闻10分类项目4 }$ b: {$ o7 T' y
    │  │      1-BERT新浪新闻10分类项目.mp4
    $ o1 A8 Y7 D4 l2 h│  │      5 j; S8 n& M& K4 A5 h
    │  └─7--GPT2聊天机器人
    ( G+ f4 G/ M& K8 }) I$ Y! }9 P' `│          1-GPT2闲聊机器人.mp4
    ! K5 z; B0 m9 R; O1 F5 K( `/ V│          $ Z4 _: q) y& R5 L
    ├─21--深度学习-OCR文本识别5 Q7 T. V# g8 ^. g( q9 y9 `# ^" v
    │      1-传统OCR识别_深度学习OCR识别.mp4
    3 n) m" G2 k( F" V7 e│      2-OCR识别本质就是文字检测和文字识别.mp4
    3 L1 B( b$ e( C│      3-OCR识别的CTC损失思想.mp4
    0 U, o3 `) ]: N1 z- {* J  G5 P, h/ e│      4-总结理解深度学习文字识别架构.mp4
    ' W- m; E8 H5 e8 q│      5-CTC损失函数的理解.mp41 W! F" g2 H# V$ {& u
    │      6-CTC损失函数前向后向算法推导_梯度求导公式推导.mp44 B% \5 @8 e9 \
    │      7-CTC前向后向算法代码.mp46 B9 G% l0 |% ~
    │      8-GreedySearch和BeamSearch解码的方式与代码逻辑.mp4: J+ R' |5 H+ W5 |; N
    │      9-CPTN项目代码剖析.mp4
    ! v; T1 v+ G$ Z; b0 V+ d" P) D│      10-CRNN项目代码剖析.mp4; E- R/ I- |% r+ r4 U
    │      
    4 c' a1 C- o9 u- @  T├─24--【加课】Pytorch项目实战
    5 c2 V' B9 f: m1 W6 B* D│  ├─1--PyTorch运行环境安装_运行环境测试
    0 z" E9 m7 X! ~$ u# Q6 I* h│  │      1-PyTorch概述.mp4( x* j) X  x" q
    │  │      2-PyTorch的安装.mp42 B/ f1 \$ M' H* {6 L0 T: C- K# Q
    │  │      3-Pycharm关联PyTorch运行环境.mp4
    $ h+ h, S# f1 F│  │      4-Jupyter关联PyTorch运行环境.mp4
    " ]/ B* W1 \4 Y8 X& W│  │      ( i" f% z( @% E! c
    │  ├─2--PyTorch基础_Tensor张量运算
    $ S) H+ j0 T4 T1 a( E! f% J│  │      1-Tensor的创建.mp4
    0 B  ]$ o, b/ ?) ^│  │      2-修改Tensor的形状_索引操作.mp4- k* b$ Q' s% `# ]
    │  │      3-广播机制_逐元素操作.mp4
    ' ], Z* F4 {% {2 N& h! z8 M( t│  │      4-归并操作_比较操作_矩阵操作.mp46 ~/ h$ \9 G9 A* T; _/ T5 M2 |
    │  │      
    ) y/ u3 H, {6 x/ e│  ├─3--PyTorch卷积神经网络_实战CIFAR10
    : B! x$ F8 B' y, a( r% {5 B, Z│  │      1-PyTorch实战CIFAR10数据_读取和展示.mp4) s3 a1 c$ i4 P3 D1 G6 @! \
    │  │      2-PyTorch实战CIFAR10_构建网络_打印网络层次.mp4
    9 Q+ W6 C$ C& E│  │      3-PyTorch实战CIFAR10_训练模型_测试模型.mp4* o0 U# \7 h1 j' o& O$ p# I% H
    │  │      4-PyTorch实战CIFAR10_分类别打印模型准确率.mp4
    ; f# ]; e7 M8 N, C5 }│  │      5-使用全局平均池化_使用LeNet模型.mp4
    0 R2 f) w  n$ j& c2 S* ]$ s, h0 P│  │      6-使用集成学习思想训练识别模型.mp4
    9 K3 r, d; Q9 |+ j. u( L│  │      7-使用VGG16模型提供准确率.mp40 e; n' B9 U) f8 X8 W
    │  │      8-torchvision里面的预训练模型.mp4+ r9 [' P2 `2 F1 x3 A2 Z
    │  │      9-迁移学习_PyTorch代码实战冻结预训练模型参数.mp4
    2 ^1 X% b4 A7 b0 w│  │      10-PyTorch代码实战加入数据增强.mp4
    ' p2 D3 X# P% u1 I% i7 t│  │      
    6 R4 s) Z! O/ m) Z│  ├─4--PyTorch循环神经网络_词性标注) J% m8 T0 c* q! |; ~% S
    │  │      1-PyTorch词性标注_构建数据和词索引号.mp41 k% M+ F& A. T( O
    │  │      2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层.mp4
    3 a, X1 q5 l- _0 ^' a│  │      3-PyTorch词性标注_构建数据索引化和训练模型代码.mp4
    8 V( H4 v" W9 }! o% n% U│  │      4-PyTorch词性标注_测试模型效果.mp4
    ) j9 a& e  [2 h, O8 R) _8 F│  │      6 ~: b' o* e2 H1 y
    │  └─5--PyTorch编码器解码器_机器翻译
    9 [! f% Z4 D5 U+ e6 E, f│          1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引.mp4# U+ F# k3 ]: p% }4 C
    │          2-PyTorch中英文翻译_数据预处理.mp4! b6 q3 E* \0 j# e' X; h% L
    │          3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器.mp42 R" Z% G" G! k2 {
    │          4-PyTorch中英文翻译_构建训练函数之Encoder计算.mp4- `9 O) t0 T& V+ O- r( \
    │          5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器.mp4
    - q! X! }& s8 V0 l1 |│          6-PyTorch中英文翻译_构建训练函数之Decoder计算.mp4" |$ Z- \7 O# T1 G* B# p+ V: s
    │          7-PyTorch中英文翻译_评估模型函数.mp4
    $ \, i$ L& R/ M" j% Z0 r! ?$ {│          8-PyTorch中英文翻译_绘制Attentions注意力权重.mp4# Y' A) M5 U- `  m2 \5 D# [
    │         
    8 L) B5 u0 a! J* q' a  L4 e├─25--【加课】百度飞桨PaddlePaddle实战【新增】
    $ e7 J% n: L3 u4 e9 q  t│  ├─1--PaddlePaddle框架安装_波士顿房价预测
    # P) @% J* z: U9 |- l│  │      1-安装PaddlePaddle.mp4
    # e3 N5 l0 T8 M3 O( ^1 F) v│  │      2-Pycharm运行出现mkl-service或DLL找不到的问题.mp4
    ' h$ x5 K2 A! I, v* P│  │      3-PaddlePaddle求解线性模型.mp4
    / F6 q2 `1 J, J/ o+ y$ r│  │      4-预测波士顿房价_数据读取_正向传播.mp47 k! y' l! K6 {2 C# [: ^7 g
    │  │      5-预测波士顿房价_反向传播_模型保存_模型测试.mp44 j! @* s+ Y# h% m$ i
    │  │      3 \, ~# Q1 D/ w5 Z2 _% c3 \2 B! Q5 i
    │  ├─2--PaddlePaddle卷积网络_病理性近视识别8 c& W& @7 x5 o* Q9 d# h% |
    │  │      1-预测病理性近视_图片数据读取.mp4
      z) r6 J% S" g│  │      2-预测病理性近视_模型训练.mp4$ O  N% x, C, k% M. O( @- i
    │  │      3-预测病理性近视_定义模型结构_评估模型.mp44 t: c/ h. d0 H# M& ]2 Z$ R6 e
    │  │      4-预测病理性近视_调用经典卷积神经网络.mp4" p, Q  w# i  q$ A2 i1 g1 z& [& S& R* T
    │  │      , P4 k! m  p  x: [# e' f2 n; r, e
    │  ├─3--PaddleDetection工具_PCB电路板缺陷检测8 Y2 k, L6 M$ `; r+ Z9 ^
    │  │      1-PaddleDetection_项目配置.mp4
    : s" S0 J# D" F: |! ]- A- U' J7 a│  │      2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题.mp45 o: X( n6 x" \  b4 ?3 {; s
    │  │      3-PCB电路板缺陷检测_Images和Annotations.mp4
    / D+ H* O# ^0 V  y: ^8 J# [2 B3 ?│  │      4-PCB电路板缺陷检测_前期数据的分析.mp4
    9 S8 l/ \' B4 M& u; z; a& Y% \; b9 P│  │      5-PCB电路板缺陷检测_项目配置文件.mp4
    % `- F9 k5 }: L1 ?8 ^' G/ `3 I│  │      6-PCB电路板缺陷检测_模型训练.mp4
    * Z' m5 {" j4 B, ?( |4 J! P& N│  │      7-PCB电路板缺陷检测_模型预测.mp4
    # i2 o: B, C- R3 h5 |│  │      
    2 R0 Q( M& q& C/ n8 d% J5 d/ H! R  a│  ├─4--PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss)1 t# p0 Y6 h, L9 h8 Q' u" _
    │  │      1-PaddleOCR_项目配置_CCPD数据集介绍.mp4
    # {; m5 e$ _; d8 ^) h│  │      2-车牌识别项目_详解数据准备阶段代码.mp4* o) ^5 E, d' y% d" u9 X7 s
    │  │      3-车牌识别项目_运行保存标签和剪切出的车牌图片.mp4
    ' D; Z/ s2 v, j  `│  │      4-车牌识别项目_车牌目标框检测模型训练.mp46 F3 r: u1 c% C3 \' @/ N& ?/ z
    │  │      5-车牌识别项目_车牌字符识别模型训练.mp4
    / y  I& B+ m. `8 s│  │      6-车牌识别项目_车牌识别模型导出及预测.mp4
    & c5 P. L! V- [/ [+ j4 @│  │      
    0 [' g+ O+ P; L" H4 H# [1 D│  ├─5--PaddleNLP模块_物流信息提取(BiGRU+CRF)& o/ z# T8 J9 Y% [% K
    │  │      1-PaddleNLP_项目配置.mp4# t" f$ v" m' w
    │  │      2-PaddleNLP_物流信息提取项目介绍.mp4, B1 e6 I6 T5 B) J% ^% {
    │  │      3-物流信息提取项目_解决导包显示找不到nul问题.mp4  i. @" e4 q/ {. O2 C1 @
    │  │      4-PaddleNLP_物流信息提取项目_加载数据构建DataSet.mp4
    ) k4 o, [' h1 L│  │      5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader.mp47 u( ^  j7 J( j" {6 s2 k9 q
    │  │      6-PaddleNLP_物流信息提取项目_构建网络模型.mp4
    8 F' j! F+ a7 u2 R- [│  │      7-PaddleNLP_物流信息提取项目_模型训练.mp4
    ' F" R  a1 e& @- f│  │      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, o0 h) O8 O7 E
    │  │      
    & R8 ~' l  H, }- i; W4 Q6 F4 c( ^+ _4 ~) W│  └─6--PaddleNLP模块_物流信息提取(ERNIE版)% H4 i0 T8 [) m
    │          1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset.mp48 v3 Y4 I& P( J
    │          2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用.mp4
    0 s5 y' y+ c3 `1 x! P+ z│          3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码.mp45 F5 \- U% E3 _- o6 e
    │          4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果.mp4, v& c! M) d" B
    │          4 k( Y7 w5 F' H' M9 c+ R3 z
    ├─26--【加课】Linux 环境编程基础. c  n) Z; \5 r9 X# y) {6 m
    │  └─1--Linux
    * j7 P: c- `# w7 K│          1-Linux_课程介绍.mp4( G$ D4 m( s" X# G6 h! z
    │          2-Linux_Linux简介.mp4
    4 X" J7 a6 y/ c: N8 u│          3-Linux_VMWare安装及使用.mp4
    5 q1 _" A- Q7 k* y# A│          4-Linux_安装Linux.mp4: g* F5 o2 e/ f9 L
    │          5-Linux_目录介绍.mp49 p. n% T' q  H7 I% y
    │          6-Linux_Linux中的路径.mp4
    : D6 |4 a% |2 l$ v│          7-Linux_常用命令_pwd命令.mp4, X. M! n: x# V
    │          8-Linux_常用命令_cd命令.mp44 R3 ~4 T/ E' O; _& X  U
    │          9-Linux_常用命令_ls与ll命令.mp4  O: x" X: Z2 Y" n! p9 r; }) R
    │          10-Linux_常用命令_clear、touch、cat命令.mp4. B1 o. F1 X, {; g8 r
    │          11-Linux_常用命令more、head、tail命令.mp4
    7 B/ I' n* H! b4 ~* e. D8 w│          12-Linux_常用命令_mkdir命令.mp4: e; X6 \: ]! I, G9 L
    │          13-Linux_常用命令_cp命令.mp4
    1 a( ~6 R( |1 T5 V# @6 g0 c+ F- j│          14-Linux_常用命令_rm、mv命令.mp4" i. U5 a. Z: a
    │          15-Linux_常用命令_vi、vim.mp4! _* S2 t; r1 B% c
    │          16-Linux_常用命令_reboot、halt.mp4
    2 u: w/ ~& J: Q" B4 b  n% Z│          17-Linux_常用配置_设置时区.mp4& O. a# T- X9 a
    │          18-Linux_常用配置_启动网络.mp4
    - Z  Y1 x4 |9 b# f2 F│          19-Linux_常用配置_修改网段.mp4
    * e; B9 O+ U* f8 L1 s; @. j│          20-Linux_常用配置_设置网络类型.mp42 z  H1 t+ x  M0 ~' X7 S2 A! I2 P
    │          21-Linux_常用配置_快照与克隆.mp43 \" K3 W9 M6 z0 V& D4 z
    │          22-Linux_Xshell的安装与使用.mp4
    2 [- a3 J& j/ C│          23-Linux_上传与下载_Xftp的使用.mp4' }9 a& }0 w- S3 w) R6 k
    │          24-Linux_上传与下载_lrzsz工具.mp4
    + Z6 ^, O4 g% A8 x8 h: {0 O3 o│          25-Linux_文件的压缩与解压缩处理.mp4  y1 `$ L+ s$ }0 W( V/ T0 N
    │          26-Linux_安装MySQL.mp4
      s  l1 I3 |! t# e1 A│          . u( u% [8 u) x$ J; Y* F
    ├─27--【加课】算法与数据结构
    + ]# ?; Z& f& }+ d0 J. r% Z│  └─1--算法与数据结构. W* N" |$ V9 [# b
    │          1-数据结构与算法简介.mp4. G/ C5 X6 ^- f2 c
    │          2-大O表示法.mp4
    1 p$ z& _+ B) G│          3-线性结构.mp48 _$ M/ j; z5 c1 g; W; n1 K- }
    │          4-单线链表1.mp4
    3 G5 Y; q1 h6 l! m+ V0 Q│          5-单链表2.mp4
    ' u6 h! F+ E4 V! u* a8 K; C) l│          6-双链表.mp4
    & q3 A' |" G) [/ d│          7-队列(链式).mp46 z" _) r/ ~% O( @3 f" M
    │          8-队列(线式).mp4
    4 o8 d% U& L3 s3 l6 }2 H│          9-栈与双端队列.mp46 F" s0 n& h3 J" w3 H; n
    │          10-哈希表的基本结构.mp4
      a% |" _9 N9 c- Y3 w0 V' q│          11-哈希表冲突问题.mp4- y+ R( U( y8 y$ M, x$ b: i
    │          12-哈希表冲突问题2.mp44 ?$ Z# }- E% I9 J+ R. R
    │          13-哈希扩容.mp4, e( m: [! x" ]/ J+ Q
    │          14-递归与栈.mp4
    8 {3 [) q  @& ?5 S│          15-线性查找.mp4( J! i+ W4 x# u5 Y( [: A
    │          16-二分查找.mp4  i& X: m6 Z0 K1 h+ Y
    │          17-冒泡排序.mp44 w0 O  H3 k2 e  E
    │          18-选择排序.mp4
    7 k+ L+ o4 T8 x6 O' S" ~; s│          19-插入排序.mp4. _4 S# n# N( M
    │          20-归并排序.mp4% v! Z! c0 ]+ j  K
    │          21-快速排序.mp4: R  `% b2 Y8 k
    │          22-树结构.mp4
    / U5 v/ O2 {$ b9 ]│          23-树结构的遍历.mp4: t$ t& Y: R# q- n% y, g/ T3 E
    │          24-最大堆的增加操作.mp4
    : q+ h, I! [# X: Q2 v+ {' E1 a│          25-最大堆的删除操作.mp4
    0 e7 R. {2 B2 S│          26-二叉树的查找.mp45 d! I3 B6 M+ ^2 C
    │          27-二叉树获取最小值.mp4
    / Z  I4 R0 w7 _- I│          28-二叉树的添加.mp45 a% M5 l; v& a* {7 A! \
    │          29-二叉树的删除.mp43 \( F8 q7 \. Y7 g- g
    │          # Z1 |$ M% h. S/ C- E( K: @
    ├─3--人工智能基础-Python科学计算和可视化
    $ Q$ Z: q: B- m│  ├─1--科学计算模型Numpy  \; {$ x; u  o6 L
    │  │      1-Numpy_概述_安装_创建数组_获取shape形状.mp4, x* H0 y  Y- U. i, ]( X% ]  u& i
    │  │      2-Numpy_array_arange.mp4
    - K* v$ i1 J. _│  │      3-Numpy_random随机数生成.mp4% k/ F. m; P: M* T
    │  │      4-Numpy_ndarray属性_zeros_ones_like等创建数组函数.mp4
    9 x) X. u+ H8 ?' O│  │      5-NumPy_reshape_切片操作_copy函数.mp40 O+ W* Y2 Y$ D$ U* G; M! J
    │  │      6-Numpy_改变数组维度_数组的拼接.mp4
    $ }/ B: n+ H; }& V% A6 [3 A* t│  │      7-Numpy_数组的切分和转置.mp4
    4 o  ]! G- l. S1 E0 W  ~│  │      8-Numpy_算术运算_向上向下取整.mp4
    + `4 w1 ^2 |4 ~" S9 J│  │      9-Numpy_聚合函数.mp4, H) I2 x6 A2 v" P: T
    │  │      
    5 y7 B- y( y4 M. T│  ├─2--数据可视化模块; t+ L" {' e! q
    │  │      1-Matplotlib_概述_绘制直线图.mp44 \8 Q. ]" W* K; _8 h
    │  │      2-Matplotlib_绘制正余弦曲线_散点图_添加图例.mp48 f5 I& @' `! b! C* G; ^1 J( J7 h
    │  │      3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比.mp4# v6 m. s5 @2 }6 V% U
    │  │      4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布.mp4: E$ I5 y; K8 M, W8 |9 Y) Q
    │  │      5-Matplotlib_绘制等高线图_绘制三维图像.mp4" b" {- J' Z- X7 f9 {
    │  │      ) w$ }& M" p5 r
    │  └─3--数据处理分析模块Pandas
    & C2 v2 {! G( ^- P+ P5 U/ Y9 B6 t│          1-Python_Pandas_Series对象创建.mp4' d' M! X2 K, F' l* y
    │          2-Python_Pandas_DataFrame对象创建.mp4
    & L) H& Q7 a8 k: x' ]: M│          3-Python_Pandas_获取Series对象的值.mp4
    1 V' j; ~, ^" O; {! t│          4-Python_Pandas_获取DataFrame对象的值.mp4
    ( @: Y( q! Q& @1 x! V│          5-Python_Pandas_条件过滤.mp4. f. b& N( E' `  O8 b$ x* R. B: P
    │          6-Python_Pandas_空值的删除与填充.mp4- t- {* c+ K- z( D% t. a% _
    │          7-Python_Pandas_拼接和合并.mp47 R! a9 @: b  G7 E
    │            [& e) i) }# U! E" u  }
    ├─31--【加课】 强化学习【新增】, R9 M. c/ Q. X( Y% `; q# I
    │  ├─1--Q-Learning与SARSA算法: e$ X  i0 \9 W% g9 g
    │  │      1-强化学习通过智能体与环境交互进行学习.mp4# t4 l  V' G% C, J% u0 A' G/ v
    │  │      2-引入马尔科夫链和价值评估的Q值与V值.mp4
    - x) k! }" Z. j$ B6 f6 F7 @: l│  │      3-详解Q值和V值以及它们之间关系.mp4, G6 B9 L; }* ^- J8 D9 Z
    │  │      4-蒙特卡洛采样回溯计算V值.mp4  Y$ @6 s/ X* q5 m: |
    │  │      5-蒙特卡洛和时序差分估算状态V值.mp4% [; E8 `6 m+ Z- e
    │  │      6-SARSA算法和Q-learning算法.mp4
    * x! C! G; I1 @. l│  │      7-理解Q-table_创建maze交互环境.mp4- G& T, W- p7 ]! d. s' {3 R! @, j
    │  │      8-代码实战Q-Learning_Agent和Env整体交互.mp4
    # E' F8 n$ W7 H+ w' j" m" T│  │      9-代码实战Q-Learning智能体选择行为.mp4* \8 x' b  v9 M' R3 S; P) ?
    │  │      10-代码实战Q-Learning智能体训练模型.mp4
    $ c9 u0 _1 H# ]! C- @│  │      11-代码实战Sarsa_Agent和Env整体交互.mp4
    ' |8 F2 B" X2 v, M) @1 U% \; Y  D│  │      12-代码实战Sarsa_Agent选择行为和训练模型.mp4" _: k: y- [& X$ N9 N" c; ~5 `
    │  │      13-代码实战SarsaLambda_训练模型.mp4
    . Y$ N6 @6 a% L: e: s- s& b│  │      0 _9 e1 J; i: S" k9 g) q! X- [4 i
    │  ├─2--Deep Q-Learning Network9 B% W6 ~, `& I. j( N- {. n
    │  │      1-DQN算法思想.mp49 ^( X5 S5 ~. c  _' Y
    │  │      2-DQN算法具体流程.mp4  E2 s4 `( }: d/ p" [
    │  │      3-ε-greedy_ReplayBuffer_FixedQ-targets.mp48 L# Z8 N6 j* h. Y9 O: n
    │  │      4-代码实战DQN_Agent和Env整体交互.mp4
    6 F7 [% m! ]4 @│  │      5-代码实战DQN_构建Q网络.mp4
    / K, v, Z- A) o3 o0 [│  │      6-代码实战DQN_定义损失函数_构建Target网络更新逻辑.mp47 ~2 u& p1 j4 J7 M' V1 ]
    │  │      7-代码实战DQN_训练阶段得到Q网络的预测值和真实值.mp4- t: t: y, }" W' H; M; u0 F
    │  │      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# y6 Q+ m  I9 [8 |" L5 {2 t
    │  │      9-DQN会over-estimate的本质原因.mp44 M; Z; l: `  |1 F; a. x
    │  │      10-DoubleDQN缓解over-estimate.mp4
    2 ?8 ^4 L# u$ I" _$ @6 ?( N9 `  w│  │      11-DoubleDQN代码实战.mp4% l* Z- s' S2 v3 h8 J
    │  │      12-DuelingDQN.mp42 l3 ?: W. T: o2 n$ _
    │  │      13-困难样本挖掘_Multi-step_NoiseyNet系统的探索.mp4
    - _0 D* {2 p! q; z│  │      14-计算Action的方差避免风险.mp4
    0 V$ z* Z; T" O! i, R8 m7 X% O│  │      15-Rainbow_DQN如何计算连续型的Actions.mp4
    , S3 s/ O, C  q│  │      ) ?! ~% }- @3 f) n- ~# L
    │  ├─3--Policy Gradient 策略梯度: R7 n5 D% y. p
    │  │      1-策略梯度PG_对比基于值和基于策略网络的区别.mp4( X1 T4 r$ }% f" y6 t. c
    │  │      2-策略梯度PG_明确目标函数和导函数.mp4
    ' K$ p/ ]/ i0 p- n. w' U│  │      3-策略梯度PG_简化导函数的公式推导.mp49 x1 I  e* [/ i3 `$ I8 \
    │  │      4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导.mp4
    3 d/ c1 d  Z* Q) \. U2 m  n│  │      5-策略梯度PG_讲解CartPole环境.mp4$ y. c2 F/ |5 h, W  R# T
    │  │      6-代码实战_策略梯度PG和CartPole交互.mp42 `; W; l$ l3 t* `' b
    │  │      7-代码实战_策略梯度PG网络构建.mp4# g+ I0 V+ d$ G: k2 j
    │  │      8-代码实战_策略梯度PG选择行为和参数训练.mp4
    ) a9 }" H8 m3 L/ b4 I│  │      9-策略梯度PG_对TotalReward进行均值归一化.mp4' @  p1 Z4 k$ b2 j8 f
    │  │      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. F- [* s8 y% q8 h" j/ M0 M
    │  │      ' S* c; l0 ]5 f2 k% k5 B8 w
    │  ├─4--Actor Critic (A3C)
    - h% r! X- O2 w) b$ }7 q│  │      1-ActorCritic原理_把PG和QLearning结合起来.mp44 [. S! N5 i( G; y
    │  │      2-AdvantageActorCritic_共享参数和修改reward技巧.mp45 O3 X; K; K9 H
    │  │      3-代码实战_ActorCritic与环境交互.mp4
    : |* H) ~" U& p  O8 q│  │      4-代码实战_Actor网络构建及训练.mp4! D& Q" N" ^7 E
    │  │      5-代码实战_详解Critic网络构建及训练.mp43 a" W. `7 c7 s
    │  │      6-A3C架构和训练流程.mp4: E3 u8 g9 q9 n* D0 ]7 w1 P
    │  │      7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值.mp4: q3 q' Y9 `$ B
    │  │      8-代码实战_A3C_讲解Coordinator调度多线程运算.mp4' M5 m% P* ]+ C8 Q
    │  │      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' j: M9 ^- H  a# c! d8 K
    │  │      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.mp47 I& G4 p+ u2 C" x, k5 U
    │  │      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# m6 d, e" [2 ?2 @
    │  │      12-代码实战_A3C_结合流程图分三点总结前面讲的代码.mp4+ a) a2 l' g) F& H: X% j$ R- Q
    │  │      13-代码实战_A3C_讲解线程中worker和环境交互.mp4. O) j" H. T6 g- `0 a9 _# O
    │  │      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% h: G; c2 v  N
    │  │      # H& H: k5 }; k: h/ n& O  t2 L
    │  └─5--DDPG、PPO、DPPO算法" c8 A, T- g9 ~! ]; Q( u
    │          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% s0 U* C$ |/ m- K/ l9 c
    │          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
    + G/ {0 J3 f' @  y" D* H│          3-代码实战_DDPG_Critic网络构建_Actor网络链式求导.mp4& X3 R6 `6 X/ V( j/ h; R* A; n
    │          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
    : w5 ~* M1 S: P9 b│          5-TD3_使用DoubleNetwork优化DDPG.mp4
    , r5 v/ R2 Y! [! U3 G" I+ E0 k/ F│          6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy.mp4
    ) |9 a" K" `6 e6 O* G│          7-PPO_通过重要性采样使得PPO可以做Off-Policy学习.mp4$ s. L5 ]; ]% y7 v( I
    │          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! H$ s( e/ N9 e; i' }! i9 I" S
    │          9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题.mp4
    8 E+ z1 M, r: }9 D/ b& `) z* S4 c│          10-代码实战_PPO与环境整体交互_Actor与Critic网络构建.mp4
    ; y8 O$ D2 r6 F│          11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑.mp4
    " l2 W. v9 N) d/ P" P3 s│          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) s6 E2 A) A) Y: n3 r  |, e
    │          13-DPPO分布式PPO.mp4" c, U+ _, l0 q' t
    │          14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程.mp4' M& M9 ~: A% w& Q5 k' O
    │          15-代码实战_DPPO_GlobalPPO和Workers交替执行.mp43 o/ \+ q; D) _
    │         
    . H) v+ r  w6 l, N├─4--人工智能基础-高等数学知识强化
    . L+ G! n, ]" P" |+ R│  ├─1--数学内容概述8 \) `# P2 n. t" U3 B
    │  │      1-人工智能学习数学的必要性_微积分知识点.mp47 n1 c. D! V* _; T$ {5 B5 V
    │  │      2-线性代数_概率论知识点.mp4* H3 i, K4 `( [. ^( G
    │  │      3-最优化知识_数学内容学习重点.mp47 r' r" B6 _0 h# ?. `
    │  │      
    # [5 g8 m! W) q0 n, X0 x2 {│  ├─2--一元函数微分学
    " M+ b$ @  q5 f: [8 j│  │      1-导数的定义_左导数和右导数.mp46 {6 B( C6 X6 m) n  n% q
    │  │      2-导数的几何意义和物理意义.mp4
    ' z/ a  y* Z! R1 Z: `│  │      3-常见函数的求导公式.mp4
    / J5 @% Z+ k  o7 r7 K, G8 Z│  │      4-导数求解的四则运算法则.mp4
    5 ?4 Y9 H; Z; c│  │      5-复合函数求导法则.mp4: M+ E4 P4 O# z  ~
    │  │      6-推导激活函数的导函数.mp4
    + T" T; u, ^7 o│  │      7-高阶导数_导数判断单调性_导数与极值.mp41 |7 Z1 {: x# l$ z2 ]- Q( ]/ V3 w
    │  │      8-导数判断凹凸性_导数用于泰勒展开.mp4' r8 A& i5 w6 a7 d  f  q
    │  │      9 \' Y; u5 Y7 g3 i: ^" [' u
    │  ├─3--线性代数基础
    7 @" K- D2 c* r3 z│  │      1-向量的意义_n维欧式空间空间.mp4$ Z. l4 f6 T* @/ L: w8 C% y5 k
    │  │      2-行向量列向量_转置_数乘_加减乘除.mp4
    . _0 }# E. d2 H) Q- {1 S│  │      3-向量的内积_向量运算法则.mp4  Y. N; a1 [9 o) y
    │  │      4-学习向量计算的用途举例.mp4
    4 R; Z: l5 u. l1 m$ f3 `│  │      5-向量的范数_范数与正则项的关系.mp4* e( b, T+ b  f: N: w
    │  │      6-特殊的向量.mp49 ^- Z  ~2 f- r; U$ x
    │  │      7-矩阵_方阵_对称阵_单位阵_对角阵.mp4
    - x3 U: W# |/ x+ R9 ^│  │      8-矩阵的运算_加减法_转置.mp4% z/ x2 y& I  @; ]7 e
    │  │      9-矩阵相乘.mp4
    5 v1 r/ P0 N9 A│  │      10-矩阵的逆矩阵.mp4. |, d0 C5 n3 \9 D8 |; M
    │  │      11-矩阵的行列式.mp42 v5 ^: Z2 ~8 z  t" z5 L4 ?7 h7 |
    │  │      
    ( U6 K& k+ v9 W9 [9 k! Y│  ├─4--多元函数微分学% [0 W8 A+ V# P4 s
    │  │      1-多元函数求偏导.mp4
    " y; B% Y' u& Z( e# {+ X$ y0 ]1 h│  │      2-高阶偏导数_梯度.mp4& x% U* ~; @  ^, t
    │  │      3-雅可比矩阵_在神经网络中应用.mp4: _& K, q- q1 k9 Q
    │  │      4-Hessian矩阵.mp4
    6 b( ^/ w- u  B, ]│  │      
    / c4 b8 R- i  R& ?│  ├─5--线性代数高级! i. T1 M( I8 L' l  e: \
    │  │      1-二次型.mp4* x- z/ A1 c* h3 w' }
    │  │      2-补充关于正定负定的理解.mp4* |5 j! p; b7 v  V1 Z- F* _0 i6 c
    │  │      3-特征值和特征向量(1).mp4% J# O* I; a" I" o+ c% y- i
    │  │      4-特征值和特征向量(2).mp4: O- n+ d! ~4 U
    │  │      5-特征值分解.mp4: z! J( c+ t* b9 K- B" }5 d3 G! R: x
    │  │      6-多元函数的泰勒展开_矩阵和向量的求导.mp4& ~/ A. T$ Z7 [! ~' p
    │  │      7-奇异值分解定义.mp4
    0 X* k& Y/ K' M' d) H( G│  │      8-求解奇异值分解中的UΣV矩阵.mp4  ^, k. b5 R( E$ j
    │  │      9-奇异值分解性质_数据压缩.mp4
    % _- D. B( Q' f* b4 R" W7 E+ a│  │      10-SVD用于PCA降维.mp4
    ' z5 D4 o2 ^1 N2 q. y7 Q5 @3 X│  │      11-SVD用于协同过滤_求逆矩阵.mp4
    * l; D1 c3 Z: P2 f2 B" d. z│  │      
    . H3 I' }  W8 r! w│  ├─6--概率论
    " {: R9 s+ b9 h; s% \! E│  │      1-概率论_随机事件与随机事件概率.mp4* |% |2 Y. C+ S8 s% o7 `9 l- o
    │  │      2-条件概率_贝叶斯公式.mp4
    + v/ S$ R( j6 j$ W) i1 C│  │      3-随机变量.mp40 l5 L8 m$ F) p& C" O' L2 |
    │  │      4-数学期望和方差.mp48 H  m2 ^' B& w& w5 g! ]2 D+ K
    │  │      5-常用随机变量服从的分布.mp4
    - l, Y7 w  }" l! @& m- C! E! a% @│  │      6-随机向量_独立性_协方差_随机向量的正太分布.mp4
    ' N0 r, J$ h) q8 O- m│  │      7-最大似然估计思想.mp42 C) d' P; `! W1 A& B
    │  │      
    : B1 v$ m# ~- p│  └─7--最优化) S) Q; X% w; k2 o0 }
    │          1-最优化的基本概念.mp4
    6 a( ^! X. a$ b9 n│          2-迭代求解的原因.mp4
    8 O) Z: W/ i# Z5 W$ g0 F+ p│          3-梯度下降法思路.mp4
    5 |! S! g+ x$ T) a- r! o│          4-梯度下降法的推导.mp4. C0 M1 t+ W" O4 Y7 y0 ?
    │          5-牛顿法公式推导以及优缺点.mp4# e' W/ R; f% e/ b0 q+ C
    │          6-坐标下降法_数值优化面临的问题.mp4
    1 }/ r) R0 v6 y; H" n│          7-凸集.mp4( ^8 M6 a) C4 l- |6 X, L$ x
    │          8-凸函数.mp4
    8 }  H/ A2 C$ m% P│          9-凸优化的性质_一般表达形式.mp4
    / u, k% H7 a  j" F4 v) l│          10-拉格朗日函数.mp4# N( f- m0 l5 b
    │         
    ! j& l9 z1 @" B9 T: M├─5--机器学习-线性回归
    ; j$ J1 `8 `- l│  ├─1--多元线性回归
    / A8 `3 y3 e7 a; a, j* j│  │      1-理解简单线性回归.mp44 ?% H# d9 P. ~# f. ~4 z
    │  │      2-最优解_损失函数_MSE.mp4
    % \7 ~  i( J3 |& J* l; _  u│  │      3-扩展到多元线性回归.mp40 t  I2 e  t1 a) D9 A
    │  │      4-理解多元线性回归表达式几种写法的原因.mp4$ G1 R* T# |/ ]1 X5 B# p/ O
    │  │      5-理解维度这个概念.mp4
    7 k3 N. q; a) T  T! h1 l│  │      6-理解回归一词_中心极限定理_正太分布和做预测.mp44 F& ^: Z; K# |, B+ ]1 R
    │  │      7-假设误差服从正太分布_最大似然估计MLE.mp4
    6 S  E( D+ ~; C│  │      8-引入正太分布的概率密度函数.mp4
    * N& d) V8 |3 s3 M│  │      9-明确目标通过最大总似然求解θ.mp4/ G8 s. b; H6 r  ^& p
    │  │      10-对数似然函数_推导出损失函数MSE.mp4
    , I) d3 X# v1 \0 x; s9 ]  C8 |│  │      11-把目标函数按照线性代数的方式去表达.mp4
      Z7 @3 _' q# h│  │      12-推导出目标函数的导函数形式.mp45 U5 K1 X' e5 _: n
    │  │      13-θ解析解的公式_是否要考虑损失函数是凸函数.mp4* m3 F( f8 U5 ~- s0 g
    │  │      14-Python开发环境版本的选择及下载.mp4' j) w+ s. y! e6 T9 {
    │  │      15-Anaconda环境安装_Pycharm环境安装.mp4
    5 P, J- z5 M0 v; @: Z│  │      16-Pycharm创建脚本并测试python开发环境.mp43 {$ D" _: i6 \0 I
    │  │      17-解析解的方式求解多元线性回归_数据Xy.mp49 g: e' t+ t4 |; N' ]9 I
    │  │      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
    # h: L, o2 r1 e* s5 A* o6 D) \│  │      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
    / m6 P8 p" r& i; E- D% r│  │      20-Scikit-learn模块的介绍.mp4
    7 W8 q+ o$ i1 }5 M7 t" o4 x% P│  │      21-调用Scikit-learn中的多元线性回归求解模型(上).mp4% Z4 v+ b' ~5 Z' {
    │  │      22-调用Scikit-learn中的多元线性回归求解模型(下).mp4* d/ }& E8 ?) I: X
    │  │      
    & p$ \) l) i4 L' l5 Q" I' h; E│  ├─2--梯度下降法
    , w+ y0 B: ?* i│  │      1-梯度下降法产生的目的和原因以及思想.mp4
    . p, Y- t$ x( K( e6 f6 u│  │      2-梯度下降法公式.mp4
    + T  l$ I& x4 c7 H! k: D) b2 a│  │      3-学习率设置的学问_全局最优解.mp4
      m4 t# }+ \6 x' k6 T│  │      4-梯度下降法迭代流程总结.mp46 b% o5 ^4 o& g9 V
    │  │      5-多元线性回归下的梯度下降法.mp4
    5 P6 c; a! |% N6 ?│  │      6-全量梯度下降.mp4
    6 v0 w- i4 K' I3 Y. T│  │      7-随机梯度下降_小批量梯度下降.mp4
    # j5 H: ?# q2 v' s/ B2 H& A; p│  │      8-对应梯度下降法的问题和挑战.mp4
    3 |& c$ b5 y$ w5 I2 O$ c0 t3 v│  │      9-轮次和批次.mp4
    ( {  P& K# Z* x│  │      10-代码实现全量梯度下降第1步和第2步.mp4- I% a4 i, _0 J3 Y* S- l5 `
    │  │      11-代码实现全量梯度下降第3步和第4步.mp4
    ! f( U2 F& A" q! K│  │      12-代码实现随机梯度下降.mp4
    ! q$ @% F( w1 G  D- Q; g2 L│  │      13-代码实现小批量梯度下降.mp4
    0 L  Y+ W( Q2 t1 G│  │      14-代码改进保证训练数据全都能被随机取到.mp4
    * T0 x: z9 Q( R( D* w│  │      15-代码改进实现随着迭代增加动态调整学习率.mp4
    9 y2 h8 C" O7 ^8 k2 ~" |3 U│  │      
    ; q/ i) `) L; Y4 O6 m$ @8 N│  ├─3--归一化
    " G! P% ~; R  B1 ^│  │      1-归一化的目的_维度之间数量级不同产生的矛盾.mp41 Y( A* B  l7 X/ G3 t
    │  │      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# p' M! x. V1 ~" n& X! Z. t8 }* e3 y
    │  │      3-归一化的副产品_有可能会提高模型的精度.mp4
    3 v- c8 a7 w" G" q* _/ B" Q' }│  │      4-最大值最小值归一化.mp4
    % E" Z% u$ a4 _* c│  │      5-标准归一化.mp4
    7 e' r) f$ }! i" X│  │      6-代码完成标准归一化.mp42 w, V" P* G" j8 Q6 n
    │  │      
    5 N9 A  F$ ?6 R8 h( R! O- Y* d! H7 Q│  ├─4--正则化
    6 i2 ]8 ]5 Z1 Q0 j- _8 \( ^3 ~( N, G│  │      1-正则化的目的防止过拟合.mp4
    . }' ?& q" Q, c7 `" K+ U/ m* G│  │      2-正则化通过损失函数加入惩罚项使得W越小越好.mp4
    : f& G7 r. g0 f. ~" s- E' f6 B; l│  │      3-常用的L1和L2正则项以及数学意义.mp4
    0 x1 Y4 F" V" M  }│  │      4-L1稀疏性和L2平滑性.mp4% \4 I6 K) S+ s+ I/ u
    │  │      5-通过L1和L2的导函数理解区别的本质原因.mp4; ?! O$ {! @# x- _, w. }5 E
    │  │      ; C0 A& s) G: t* E& \5 ~  {+ {
    │  └─5--Lasso回归_Ridge回归_多项式回归5 B& ?! u6 e  n* L
    │          1-代码调用Ridge岭回归.mp4
    2 N9 @( g: e" u. G5 g) Y5 S│          2-代码调用Lasso回归.mp48 j! [, p4 Z5 Y* s
    │          3-代码调用ElasticNet回归.mp4# f* e2 B8 r) H8 d- s, C3 y' @
    │          4-升维的意义_多项式回归.mp44 n  }2 D/ [0 a, n+ g0 T! u! [
    │          5-多项式升维代码实战_传入不同超参数对比.mp4" g, ^, j* C1 i
    │          6-多项式升维代码实战_训练模型和评估.mp4
    . M3 w4 E( Y, C2 O: d│          7-实战保险花销预测_数据介绍和加载数据.mp4
    4 ~+ T# r  z- h6 u8 X3 b│          8-实战保险花销预测_数据预处理.mp4% ~: G! e' L+ K4 e. @( X
    │          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.mp48 [7 i0 |, E. h( Y# Q7 n& G$ y
    │          10-实战保险花销预测_特征选择思路.mp4- l* F( P9 E7 z3 E+ J! w! N
    │          11-实战保险花销预测_特征工程.mp43 s% x: ^2 R: |% `
    │          12-实战保险花销预测_模型训练和评估.mp4
    3 [- l& V- s3 X% E2 [, q) D│          8 b5 G3 `( R& K
    ├─6--机器学习-线性分类
    % S, C4 m: q. K│  ├─1--逻辑回归2 X( j& M0 K  n/ v
    │  │      1-逻辑回归_Sigmoid函数.mp4
    & i' h. H4 @4 b2 u2 Y  e│  │      2-sigmoid函数作用.mp4) E, F% i1 I; ~. v4 O3 _3 J
    │  │      3-逻辑回归为什么用sigmoid函数_预备知识.mp4; N/ s9 ~3 D6 j' V& V) i7 j% R9 k
    │  │      4-证明伯努利分布是指数族分布_推导出逻辑回归公式.mp4. n0 w9 p% i7 |  h7 e5 m" E
    │  │      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- B8 q, k' }% ]; b* k8 ^
    │  │      6-推导逻辑回归损失函数_得到总似然的公式.mp4$ c9 v8 W* i  Y  g- K% h( @
    │  │      7-推导逻辑回归损失函数_得到最终形式.mp48 }! I* c. }9 B7 N" v2 ?) e
    │  │      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
    ! M; A; T4 \: ?4 ~" S│  │      9-绘制逻辑回归损失函数_探索单个参数和损失的关系.mp4
    $ N+ c! w; s6 m0 e3 f- p│  │      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.mp47 g1 ]. c: K: {: O+ g* G
    │  │      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$ r  R; v" [3 T1 q( u
    │  │      12-对逻辑回归函数进行求导_结论在后面会用到.mp41 N8 {5 O1 n0 Y1 F' ^( z1 B
    │  │      13-对逻辑回归的损失函数求导_推导出导函数的形式.mp4
    ! z. D1 [$ y' ^4 u8 }; Z5 {" ?│  │      14-实战逻辑回归对鸢尾花数据集进行二分类.mp4) v7 C+ e9 `0 G3 O
    │  │      15-OneVsRest将多分类问题转化成多个二分类问题.mp4% J* t' w; v& N2 r4 F/ \4 f
    │  │      16-实战逻辑回归对鸢尾花数据集进行多分类.mp42 I& H# |% d& W# D( q. J
    │  │      9 k1 U+ P  Q3 v7 _
    │  ├─2--Softmax回归
    1 v8 z9 b! m2 M; g│  │      1-证明多项式分布属于指数族分布一种.mp4
    . \: i- s( |  i) B/ B0 S│  │      2-从广义线性回归的η推导出来Softmax的公式.mp4
    / w$ J! ^/ y8 [* \* Z0 L5 U│  │      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.mp45 V; J- |1 U, V. L! H$ G( W
    │  │      4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数.mp47 Y' @+ ^/ x* S+ p8 D
    │  │      5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性.mp4& q" _2 c7 `! t: v
    │  │      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, W+ M  t- s; R" _
    │  │      7-实战音乐分类器_讲解需求和读取数据.mp4$ j' D. N- j& t: A' [
    │  │      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! ~" Z7 M8 f. k1 |
    │  │      9-实战音乐分类器_傅里叶变换可以帮助我们做什么.mp42 {( o) X% q, z5 P
    │  │      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
    6 O/ f+ f3 v: I% G1 u5 L: w│  │      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
    5 c: d' A9 n' Q# U! G' j0 x* O│  │      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* P% Z: U6 j/ o( j; i+ _/ l  R
    │  │      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.mp43 R% M) q! M5 ~% z
    │  │      
    / {0 Y+ p( ~* W& |3 u9 e│  ├─3--SVM支持向量机算法
      S5 t, v0 _, o  G) \/ b; K│  │      1-SVM与感知机关系_几何距离与函数距离.mp42 x8 N6 s0 W9 r  R! f7 P& {; r( i+ C
    │  │      2-SVM的思想.mp4
    ) I* g. K7 _$ Y│  │      3-几种SVM_SVM的损失函数.mp4# d5 C+ C$ G& n+ h
    │  │      4-数学预备知识_拉格朗日函数.mp4
    , a0 d2 N: Y! G; c) R' u│  │      5-硬间隔SVM的两步优化.mp4
    4 P. N8 f5 s( ]& B8 B0 ^5 i! T│  │      6-总结硬间隔SVM.mp4
    : `6 u# @) b8 A: q) X8 v│  │      7-软间隔SVM和总结流程.mp4+ @4 n6 j3 D- U) i
    │  │      8-非线性SVM.mp4* L; \# L, k5 g/ V) a
    │  │      9-SVM在sklearn中的使用_超参数.mp4' r( t" f* k- z
    │  │      
    9 i1 _4 C8 Q2 z( v3 I│  └─4--SMO优化算法# ?- n3 Y9 M0 H
    │          1-SVM算法流程总结.mp4
    $ K+ ~# o. e% G. T* k+ X7 v& ^0 R│          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
    ! g2 n; U* W# \  K+ l# I- U│          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
    " K: w: {) U3 X1 M│          4-对一元函数求极值点_推导出旧的α和新的α的关系.mp4" C8 x: \  M1 @! q$ S4 i, l7 Q
    │          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
    $ S( a# B" p* t+ {( W│          6-再次说明α2如何进行剪裁的思路_根据α2求α1.mp4' @! P3 e5 q: j+ y
    │          7-启发式选择两个α.mp4
    / V0 i* S5 B9 R# G8 s+ o2 z$ [│          8-如何计算阈值b.mp4
    : a, s+ |3 j3 c$ M+ ~2 q│          9-SVM的SMO实现读取数据和计算fx与Ei.mp4
    & _; @( d. |8 g( |8 F: @& F) }│          10-SVM的SMO实现判断违背条件的α1.mp4
    " d8 k% I9 w& X7 M│          11-SVM的SMO实现应用公式计算alphas和b.mp4: ~* s+ h1 n8 P# F7 i" E: i
    │          12-SVM绘制已有数据点和超平面以及边界.mp4( d) P! h* Y( T4 j6 F9 F' b
    │          13-关于sklearn中的SVM封装的类和超参.mp45 t% \. b5 s5 L
    │          14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp4- m6 h/ p- a; `, u* U9 ~  ]1 D
    │          15-OVR和OVO多分类_算法小结_对比逻辑回归.mp4
    7 p% g+ j# \& L" s% T$ W7 D│          / c$ j% G' I$ e! b
    ├─7--机器学习-无监督学习3 \7 `5 c# b) f, a7 [9 u7 I4 N
    │  ├─1--聚类系列算法
    $ i$ v: Z3 ~5 p% k0 a% ]│  │      1-KMeans聚类流程_距离测度欧式距离和余弦距离.mp42 ~+ b- G' X: v- O
    │  │      2-距离测度欧式距离和余弦距离的场景_TFIDF.mp49 z( T! u+ T. |/ q
    │  │      3-KMeans的一些变形_KMeans的损失函数推导及假设.mp45 q+ ]: D$ w7 ?- u6 `
    │  │      4-mini-batchKMeans_Canopy聚类_聚类评估指标.mp4- W5 {- d1 M* s1 h+ h3 A
    │  │      5-KMeans代码测试不同情况下的聚类效果.mp4
    3 `6 h8 D: j6 P  D1 V* O- Y│  │      6-层次聚类_密度聚类_谱聚类.mp4
    + `( _6 l4 h1 k6 |+ T: E│  │      , i9 o4 T. O. ?" H) {! D0 i: x
    │  ├─2--EM算法和GMM高斯混合模型
    + |7 P' D5 L) Y0 z│  │      1-单个高斯分布GM的参数估计.mp4
    - K# N1 u  U% |│  │      2-理解GMM高斯混合分布的对数似然函数.mp4  g0 t) y9 M  t. ?
    │  │      3-GMM参数估计Πμσ的流程.mp4
    ; d0 i1 o$ J$ Y│  │      4-Jensen不等式的应用.mp43 k' W9 _% d1 v4 P
    │  │      5-将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp4
    ; Z6 r4 v  W" {5 u: [│  │      6-将EM算法应用到GMM中并且推导出Π的公式.mp42 m/ a" F9 ~: a7 V' H+ G) o
    │  │      7-GMM前景背景分离.mp42 N  `/ M% z' S" ^
    │  │      8-通过声音文件利用GMM算法识别性别.mp45 r7 Z# h$ W) J
    │  │      9-通过声音文件利用GMM算法识别是谁.mp4. N+ X+ c. Y) @
    │  │      
    0 y/ j9 H6 z: d, M) n4 v# c6 n│  └─3--PCA降维算法
    : R5 U/ l) K. m│          1-特征选择与特征映射.mp4$ U) r+ P$ V7 [* Z: e
    │          2-PCA的最大投影方差思路.mp4& D0 W" I/ x) Z
    │          3-最大投影方差推导_最小投影距离思路.mp41 z" V7 v$ C- Q; M: }3 g0 L
    │          4-SVD其实就可以去实现PCA了.mp4
    - j' N( i- S9 ]1 q* Q) T│          5-PCA的几种应用.mp4$ C9 _6 i; ^6 T
    │         
    % ]9 m' C6 z( E" g+ c- ^├─8--机器学习-决策树系列
    6 g) Q* M5 z% n│  ├─1--决策树
    8 B: W3 Q  k  [( u3 s│  │      1-决策树模型的特点.mp4! D  ?0 n" W  Z. J
    │  │      2-决策树的数学表达.mp4- U2 {; I, t) d: [) y- i4 }
    │  │      3-如何构建一颗决策树.mp4
    ' M! ~; ~6 h: q8 _- o+ H│  │      4-什么是更好的一次划分.mp4
    % i) s9 G( f1 c. I: t! n. D│  │      5-Gini系数.mp4
    2 n& x$ D6 D9 x9 d4 m( r│  │      6-信息增益.mp4
      m1 o3 B) b6 ^; @│  │      7-熵与Gini系数关系_信息增益率.mp4" g. H: O) W2 u5 P2 j
    │  │      8-预剪枝以及相关超参数.mp4
    " A* L" ?7 m5 A6 ^8 |; [7 C│  │      9-代码实战决策树对鸢尾花数据集分类.mp4
    6 f+ }) M% M+ I$ `8 T│  │      10-绘制决策树模型_寻找最优树深度.mp4
    5 E) }. {9 B3 b+ T. _│  │      11-代码训练回归树拟合SineWave.mp4: K9 n7 e; z  j0 Z% }  y
    │  │      12-后剪枝的意义.mp40 U& a  b: `" [. U5 |5 V0 r7 D
    │  │      13-CCP代价复杂度后剪枝.mp4, W5 K6 f8 m/ Y2 H# e9 p$ ^
    │  │      14-CCP代价复杂度剪枝_α超参数设定.mp4
    # Q: e7 O! W2 @  f  D; {│  │      
    ( o: Z; j2 [. @: t9 X│  ├─2--集成学习和随机森林' n% }) G7 _4 {0 m7 r$ I) }; `% p
    │  │      1-不同聚合方式_生成不同弱学习器方式.mp4
    + a9 `3 ^( v6 ]2 A; H$ C; l│  │      2-Bagging_Boosting_Stacking.mp4% ^' Y9 M5 a6 i9 U, a7 m' |9 y6 [
    │  │      3-随机森林.mp4
    * N- a; @" d: Z5 j6 K3 M7 @9 Z2 u│  │      4-代码实战随机森林对鸢尾花数据集分类.mp4
    + e& U5 a+ M- B- x3 Z1 Y& b) _3 u│  │      5-OOB袋外数据.mp4
    ) H, N' f( ~( E  n( I. n/ r' d│  │      6-Adaboost算法思路.mp4: s0 R$ I) Z8 }  `) o" C
    │  │      7-调整数据权重让权重正确率达到50%.mp4
    ( v- p% w, g- y: o6 U│  │      8-Adaboost如何调整样本权重和求基模型权重.mp46 z0 Y+ p- N; a! N6 K! V4 }
    │  │      4 b4 p1 z' S0 U2 |' W! Q+ _; M
    │  ├─3--GBDT+ c6 |* e) l8 a. a' h$ y- n- Q
    │  │      1-GBDT试图使用有监督最优化算法梯度下降求解F(x).mp4/ l  S8 J; ?0 B) p9 d2 k
    │  │      2-GBDT令每个弱学习器f(x)去拟合负梯度.mp47 P/ R& [' H* \6 v
    │  │      3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp4
    5 a* s/ p+ B% O│  │      4-GBDT应用于回归问题.mp42 D& {; F1 [; E+ j) d5 [
    │  │      5-GBDT回归举例_总结.mp4- `% r& A& ]: d
    │  │      6-GBDT应用于二分类问题.mp41 R+ b; F) H) a& [2 N
    │  │      7-GBDT二分类拟合的负梯度依然是残差.mp4. T1 X7 G" H, T+ I+ e
    │  │      8-GBDT中shrinkage学习率和最优树权重ρ可以共存.mp45 p5 O& b% y5 _. A5 u- r0 C
    │  │      9-GBDT应用于多分类任务.mp4
    ' c! D7 p0 V6 X7 S2 p│  │      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
    2 \( l  H9 l0 h  q& _6 k│  │      11-GBDT多分类流程.mp4
    0 ]8 s9 A6 F; [# t  f9 A│  │      12-对比GBDT回归、二分类、多分类相同点与不同点.mp4
    3 B& w& p, e' ~│  │      13-GBDT二分类叶子节点分值计算推导.mp4
    $ T( x) v2 x4 B│  │      14-GBDT多分类叶子节点分值计算.mp4, h% b& H8 Q7 a( \1 ~8 G
    │  │      15-GBDT二分类举例详解.mp4' F$ y% ?: Z4 d9 V
    │  │      16-GBDT多分类举例详解.mp4% [0 C8 s. }1 @8 h, l
    │  │      17-计算特征重要度进行特征选择.mp4! f' i% C4 ]4 r0 B2 i
    │  │      18-GBDT用于特征组合降维.mp43 p$ ?2 N/ S3 W; D5 U2 G
    │  │      19-特征组合降维在GBDT+LR架构应用.mp4
    ' X% b0 g1 k0 R1 J2 Z6 ]* T" c" m│  │      20-GBDT在sklearn中源码剖析_初始化F(x).mp4& g6 o6 p' q  v, x5 p4 N
    │  │      21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp4" o8 }  [8 J5 _# x
    │  │      22-GBDT+LR架构训练模型代码实现.mp4
    7 A/ \# [8 F. ~" X# Y9 @# {9 T│  │      23-GBDT+LR架构预测评估代码实现.mp4  e) O) n- X/ [( }) u- s7 s
    │  │      & H( _" Y7 B( b, [
    │  └─4--XGBoost
    & n( L' t3 i: h  r( G( _│          1-回顾有监督机器学习三要素.mp4
    ) p, V6 i7 k) I│          2-Bias_Variance_Trade-off.mp46 |, R( m: m7 V9 ?9 O# W
    │          3-基于树集成学习4个优点.mp4
    - n' R, ^- s/ G  U$ N│          4-回顾基于树集成学习的模型和参数并举例说明.mp4
    & j8 }4 `- w6 u│          5-通过目标函数Obj来达到准确率和复杂度平衡.mp4
    " j# H9 f6 A3 I8 {. ]& b- Z│          6-Objective_vs_Heuristic.mp40 G  p8 F* f4 D3 C! \8 \
    │          7-得出XGBoost最开始的Obj目标函数.mp4- b& J4 K0 l. x0 `7 _# \3 w% K
    │          8-推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4
    , ~! C7 e" c3 S+ D! O" F" G5 w│          9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp4
    2 F; k2 w$ \3 k│          10-重新定义树ft和树的复杂度Ω.mp4
    " K/ h& V7 G( }  R4 P  k) C│          11-由每个叶子节点重组目标函数Obj.mp4
    2 j. }0 N1 g0 k3 o* T│          12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp4
    0 n( O7 X! G" s│          13-根据Obj收益指导每一次分裂从而学习一棵树结构.mp4
    2 K5 w" {' F; N1 e- K/ W0 _│          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
    8 d; V. e/ S; Y  q, C  H8 t│          15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp47 h& n7 T. [. J; S3 @
    │          16-样本权重对于模型学习的影响.mp4
    . G  O- _* o) {$ ?" N│          17-总结XGBoost的特性_包括缺失值的处理策略.mp4; x  N* U# J! b; S% K: e$ r
    │          & Z/ ]4 p0 N; `0 Y* f* t# K9 w
    ├─9--机器学习-概率图模型
    + K7 Z- ^* V  t3 n8 j7 }, c│  ├─1--贝叶斯分类
    ! C% @! w4 f2 D' J( T│  │      1-朴素贝叶斯分类算法.mp4. K+ N# t9 d0 O1 X* H
    │  │      2-TF-IDF.mp4
    " m4 ~- ^% L( j* O│  │      3-NB代码实现解析.mp4# r* z& n$ |1 H/ z9 x5 ^( C
    │  │      4-sklearn中调用NB_顺便讲解了GridSearchCV.mp4
    * j$ b" g1 z5 @# V( [, N- ^# ]│  │      5-语言模型的设计目的_MLE的作用进行参数估计.mp4" N/ ?5 c9 F. O$ u, D  c# ]) I
    │  │      6-贝叶斯网络_马尔可夫链.mp4! q  l% f" H4 W& v( |4 O6 a( {
    │  │      
    ; x4 k3 t& S+ d│  ├─2--HMM算法
    4 m, ^7 ?0 E1 |; k- s3 i4 h* ?│  │      1-HMM隐马的定义.mp44 \. d) T! |9 c' {. |; \5 f4 S
    │  │      2-HMM隐马的三组参数_三个基本问题.mp4
    " W5 d( E9 i$ w* F' M│  │      3-HMM预测问题使用前向算法.mp4' p- K/ R8 a, a" c: z2 D- X
    │  │      4-HMM预测问题使用维特比算法.mp4
    * N9 ?* [4 T' e1 M5 H0 H8 q3 ^* M│  │      5-HMM复习_明确概率计算问题要解决的目标.mp4
    8 X2 p( G8 b3 I1 M% i& y: X/ H$ R│  │      6-前向算法来解决概率计算问题.mp43 j  Q9 u9 ~) ]; O* d* x8 L) O
    │  │      7-Viterbi算法案例详解.mp4$ K4 l' n/ C: @0 _$ D
    │  │      8-Viterbi算法代码实现.mp4
    3 B1 q5 }; Q/ _0 w9 f│  │      2 x- E  N9 {& A8 p$ |6 y& [
    │  └─3--CRF算法% o: h" ^# G9 f7 v
    │          1-NER与分词和POS的关系_NER的标注策略_NER的主要方法.mp44 V4 d5 ]  j& |, `: |: h4 s. g
    │          2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp4
    * W. W- [( J+ ?. x7 |│          3-了解CRF层添加的好处.mp4
    9 A4 x# f& U0 |8 x) k8 Z│          4-EmissionScore_TransitionScore.mp4
    + n& R2 L) r& x+ E/ b5 W+ e│          5-CRF的目标函数.mp41 o2 o0 p+ _0 ?4 o: N3 [. l; @
    │          6-计算CRF真实路径的分数.mp4
    , i; v+ O7 P0 K! t" B9 X9 b' \│          7-计算CRF所有可能路径的总分数.mp4
    ( h0 O2 K7 A# F/ g│          8-通过模型来预测新的句子的序列标签.mp48 j3 _! P, D) ?/ a1 ?* S
    │          5 L/ i2 b( ?/ {' s8 `
    └─课件.rar1 {6 c' q5 f5 l7 j
    & K! {8 y: a! K2 t8 W
    . {7 Z9 e( Z3 Z: k/ W1 X. K+ R, n
    下载地址:aub234
    * w+ {2 c: S1 P% Z
    游客,如果您要查看本帖隐藏内容请回复
    参与人数 2金币 +2 收起 理由
    HTHTHUANGTONG + 1 视频资源很全,但是加课部分没有代码资源,.
    2319415971 + 1 虽然资源有点老但是还是值得学习!.

    查看全部评分总评分 : 金币 +2

  • TA的每日心情

    3 小时前
  • 签到天数: 863 天

    [LV.10]以吧为家

    发表于 2022-12-1 04:04:47 | 显示全部楼层
    长工沉水,如果您要查看本帖隐藏内容请回复
    ( V8 N' u: W2 a/ I) @( H) [" z$ h
  • TA的每日心情
    开心
    前天 23:18
  • 签到天数: 666 天

    [LV.9]铁杆吧粉

    发表于 2022-12-1 10:28:49 | 显示全部楼层
    谢谢分享“S学堂百战人工智能就业班82G 2022年”
  • TA的每日心情
    开心
    前天 00:29
  • 签到天数: 64 天

    [LV.6]普通吧粉

    发表于 2022-12-1 12:17:20 | 显示全部楼层
    谢谢分享
  • TA的每日心情
    奋斗
    昨天 21:42
  • 签到天数: 321 天

    [LV.8]狂热吧粉

    发表于 2022-12-1 22:10:27 | 显示全部楼层
    6666666666666666
  • TA的每日心情
    开心
    2024-2-13 22:09
  • 签到天数: 7 天

    [LV.3]偶尔看看

    发表于 2023-2-20 15:56:53 | 显示全部楼层
    谢谢分享!
  • TA的每日心情
    开心
    2023-3-3 14:20
  • 签到天数: 1 天

    [LV.1]小吧新人

    发表于 2023-3-3 14:46:26 | 显示全部楼层
    666
  • TA的每日心情
    开心
    2023-7-18 15:11
  • 签到天数: 3 天

    [LV.2]小吧熟人

    发表于 2023-4-4 15:50:58 | 显示全部楼层
    厉害了
  • TA的每日心情

    2023-11-10 07:58
  • 签到天数: 18 天

    [LV.4]常来常往

    发表于 2023-4-9 13:22:33 | 显示全部楼层
    我来看看
  • TA的每日心情
    开心
    2024-2-2 19:27
  • 签到天数: 165 天

    [LV.7]超级吧粉

    发表于 2023-4-18 21:02:09 | 显示全部楼层
    666666666
    您需要登录后才可以回帖 登录 | 立即注册

    本版积分规则