百战-AI算法工程师就业班 ||冲击百万年薪|完结无秘

2--Deep Q-Learning Network13 集

10-DoubleDQN缓解over-estimate.mp4 [44.1 MB]
1-DQN算法思想.mp4 [59.2 MB]
5-代码实战DQN_构建Q网络.mp4 [70.5 MB]
13-困难样本挖掘_Multi-step_NoiseyNet系统的探索.mp4 [91.0 MB]
14-计算Action的方差避免风险.mp4 [54.2 MB]
9-DQN会over-estimate的本质原因.mp4 [44.9 MB]
6-代码实战DQN_定义损失函数_构建Target网络更新逻辑.mp4 [85.8 MB]
7-代码实战DQN_训练阶段得到Q网络的预测值和真实值.mp4 [53.5 MB]
15-Rainbow_DQN如何计算连续型的Actions.mp4 [65.3 MB]
4-代码实战DQN_Agent和Env整体交互.mp4 [52.2 MB]
2-DQN算法具体流程.mp4 [56.2 MB]
11-DoubleDQN代码实战.mp4 [44.5 MB]
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 [58.9 MB]

3--Policy Gradient 策略梯度10 集

5-策略梯度PG_讲解CartPole环境.mp4 [55.6 MB]
9-策略梯度PG_对TotalReward进行均值归一化.mp4 [33.1 MB]
4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导.mp4 [33.4 MB]
6-代码实战_策略梯度PG和CartPole交互.mp4 [75.6 MB]
1-策略梯度PG_对比基于值和基于策略网络的区别.mp4 [68.2 MB]
7-代码实战_策略梯度PG网络构建.mp4 [48.9 MB]
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 [34.2 MB]
8-代码实战_策略梯度PG选择行为和参数训练.mp4 [54.7 MB]
3-策略梯度PG_简化导函数的公式推导.mp4 [36.7 MB]
2-策略梯度PG_明确目标函数和导函数.mp4 [62.2 MB]

1--Q-Learning与SARSA算法13 集

2-引入马尔科夫链和价值评估的Q值与V值.mp4 [59.8 MB]
8-代码实战Q-Learning_Agent和Env整体交互.mp4 [34.2 MB]
4-蒙特卡洛采样回溯计算V值.mp4 [74.2 MB]
7-理解Q-table_创建maze交互环境.mp4 [78.6 MB]
3-详解Q值和V值以及它们之间关系.mp4 [82.7 MB]
6-SARSA绠楁硶鍜孮-learning绠楁硶.mp4 [76.3 MB]
10-代码实战Q-Learning智能体训练模型.mp4 [40.3 MB]
11-代码实战Sarsa_Agent和Env整体交互.mp4 [45.4 MB]
9-代码实战Q-Learning智能体选择行为.mp4 [38.4 MB]
12-代码实战Sarsa_Agent选择行为和训练模型.mp4 [42.7 MB]
13-代码实战SarsaLambda_训练模型.mp4 [42.5 MB]
1-强化学习通过智能体与环境交互进行学习.mp4 [81.8 MB]
5-蒙特卡洛和时序差分估算状态V值.mp4 [82.1 MB]

4--Actor Critic (A3C)14 集

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 [36.6 MB]
3-代码实战_ActorCritic与环境交互.mp4 [82.5 MB]
5-代码实战_详解Critic网络构建及训练.mp4 [87.9 MB]
1-ActorCritic原理_把PG和QLearning结合起来.mp4 [55.3 MB]
7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值.mp4 [77.6 MB]
4-代码实战_Actor网络构建及训练.mp4 [58.1 MB]
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 [47.2 MB]
13-代码实战_A3C_讲解线程中worker和环境交互.mp4 [51.5 MB]
8-代码实战_A3C_讲解Coordinator调度多线程运算.mp4 [32.0 MB]
6-A3C架构和训练流程.mp4 [74.7 MB]
12-代码实战_A3C_结合流程图分三点总结前面讲的代码.mp4 [39.7 MB]
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 [40.2 MB]
2-AdvantageActorCritic_共享参数和修改reward技巧.mp4 [86.4 MB]
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 [36.1 MB]

5--DDPG、PPO、DPPO算法16 集

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 [44.2 MB]
6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy.mp4 [38.4 MB]
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 [38.1 MB]
3-代码实战_DDPG_Critic网络构建_Actor网络链式求导.mp4 [57.1 MB]
14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程.mp4 [37.8 MB]
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 [42.1 MB]
15-代码实战_DPPO_GlobalPPO和Workers交替执行.mp4 [54.7 MB]
11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑.mp4 [41.0 MB]
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 [51.4 MB]
10-代码实战_PPO与环境整体交互_Actor与Critic网络构建.mp4 [32.5 MB]
7-PPO_通过重要性采样使得PPO可以做Off-Policy学习.mp4 [35.5 MB]
13-DPPO分布式PPO.mp4 [63.8 MB]
9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题.mp4 [61.8 MB]
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 [81.9 MB]
5-TD3_使用DoubleNetwork优化DDPG.mp4 [63.9 MB]
t.png [493.5 KB]

3--SVM支持向量机算法10 集

2--Softmax回归14 集

2--Softmax回归必看.zip [1.8 MB]
1-证明多项式分布属于指数族分布一种.mp4 [27.9 MB]
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 [52.4 MB]
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 [42.7 MB]
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 [78.0 MB]
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 [47.7 MB]
2-从广义线性回归的η推导出来Softmax的公式.mp4 [21.3 MB]
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 [46.7 MB]
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 [49.2 MB]
9-实战音乐分类器_傅里叶变换可以帮助我们做什么.mp4 [25.1 MB]
7-实战音乐分类器_讲解需求和读取数据.mp4 [32.6 MB]
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 [33.4 MB]
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 [28.2 MB]
5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性.mp4 [13.9 MB]

4--SMO优化算法15 集

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 [63.2 MB]
9-SVM的SMO实现读取数据和计算fx与Ei.mp4 [73.4 MB]
1-SVM算法流程总结.mp4 [58.4 MB]
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 [65.4 MB]
11-SVM的SMO实现应用公式计算alphas和b.mp4 [20.9 MB]
12-SVM绘制已有数据点和超平面以及边界.mp4 [21.1 MB]
10-SVM的SMO实现判断违背条件的α1.mp4 [19.2 MB]
4-对一元函数求极值点_推导出旧的α和新的α的关系.mp4 [53.2 MB]
7-启发式选择两个α.mp4 [23.1 MB]
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 [92.4 MB]
14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp4 [69.0 MB]
8-如何计算阈值b.mp4 [50.2 MB]
13-关于sklearn中的SVM封装的类和超参.mp4 [15.5 MB]
6-再次说明α2如何进行剪裁的思路_根据α2求α1.mp4 [37.6 MB]
15-OVR和OVO多分类_算法小结_对比逻辑回归.mp4 [36.5 MB]

1--逻辑回归15 集

3-逻辑回归为什么用sigmoid函数_预备知识.mp4 [31.0 MB]
12-对逻辑回归函数进行求导_结论在后面会用到.mp4 [20.5 MB]
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 [6.7 MB]
14-实战逻辑回归对鸢尾花数据集进行二分类.mp4 [46.6 MB]
9-绘制逻辑回归损失函数_探索单个参数和损失的关系.mp4 [30.7 MB]
16-实战逻辑回归对鸢尾花数据集进行多分类.mp4 [40.5 MB]
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 [43.9 MB]
13-对逻辑回归的损失函数求导_推导出导函数的形式.mp4 [42.5 MB]
4-证明伯努利分布是指数族分布_推导出逻辑回归公式.mp4 [42.0 MB]
6-推导逻辑回归损失函数_得到总似然的公式.mp4 [29.6 MB]
15-OneVsRest将多分类问题转化成多个二分类问题.mp4 [26.1 MB]
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 [39.8 MB]
1-逻辑回归_Sigmoid函数.mp4 [21.1 MB]
7-推导逻辑回归损失函数_得到最终形式.mp4 [12.4 MB]
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 [56.6 MB]

1--算法与数据结构25 集

21--深度学习-OCR文本识别10 集

5-CTC损失函数的理解.mp4 [330.6 MB]
2-OCR识别本质就是文字检测和文字识别.mp4 [253.3 MB]
4-总结理解深度学习文字识别架构.mp4 [121.6 MB]
1-传统OCR识别_深度学习OCR识别.mp4 [369.9 MB]
7-CTC前向后向算法代码.mp4 [225.4 MB]
6-CTC损失函数前向后向算法推导_梯度求导公式推导.mp4 [200.5 MB]
3-OCR识别的CTC损失思想.mp4 [327.7 MB]
8-GreedySearch和BeamSearch解码的方式与代码逻辑.mp4 [308.2 MB]
9-CPTN项目代码剖析.mp4 [491.7 MB]
10-CRNN项目代码剖析.mp4 [306.5 MB]

18--深度学习-人脸识别项目实战19 集

8-训练数据的准备_每一阶段训练的流程.mp4 [98.1 MB]
17-FaceNet论文_ZF和Inception对比_总结.mp4 [59.2 MB]
2-开源的FaceNet项目介绍.mp4 [38.1 MB]
6-PRelu_每阶段输出多分支意义.mp4 [56.1 MB]
9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp4 [54.8 MB]
18-人脸识别项目代码_FaceNet模型加载和使用.mp4 [42.8 MB]
3-人脸识别项目代码整体结构.mp4 [30.4 MB]
4-MTCNN论文_摘要和介绍.mp4 [68.5 MB]
7-每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp4 [69.9 MB]
1-人脸识别任务种类_具体做法思路.mp4 [40.7 MB]
10-人脸识别项目代码_加载MTCNN模型.mp4 [72.1 MB]
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 [66.6 MB]
14-FaceNet论文_TripleLoss思路来源和目标.mp4 [44.3 MB]
5-MTCNN论文_网络整体架构.mp4 [76.6 MB]
12-FaceNet论文_摘要和前情介绍.mp4 [71.5 MB]
19-人脸识别项目代码_人脸匹配以及最后的绘图展示.mp4 [40.4 MB]
15-FaceNet论文_TripleLoss损失函数.mp4 [63.8 MB]
16-FaceNet论文_TripleSelection很至关重要.mp4 [131.8 MB]
13-FaceNet论文_相关的介绍.mp4 [39.6 MB]

3--GBDT24 集

t.png [493.5 KB]
18-GBDT用于特征组合降维.mp4 [43.7 MB]
21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp4 [71.7 MB]
15-GBDT二分类举例详解.mp4 [86.7 MB]
8-GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4 [61.5 MB]
11-GBDT多分类流程.mp4 [73.8 MB]
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 [72.1 MB]
3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp4 [77.4 MB]
1-GBDT试图使用有监督最优化算法梯度下降求解F(x).mp4 [65.5 MB]
14-GBDT多分类叶子节点分值计算.mp4 [54.6 MB]
23-GBDT+LR架构预测评估代码实现.mp4 [66.5 MB]
17-计算特征重要度进行特征选择.mp4 [54.9 MB]
13-GBDT二分类叶子节点分值计算推导.mp4 [74.0 MB]
12-对比GBDT回归、二分类、多分类相同点与不同点.mp4 [60.8 MB]
19-特征组合降维在GBDT+LR架构应用.mp4 [51.3 MB]
22-GBDT+LR架构训练模型代码实现.mp4 [88.4 MB]
20-GBDT在sklearn中源码剖析_初始化F(x).mp4 [115.1 MB]
9-GBDT应用于多分类任务.mp4 [73.3 MB]
2-GBDT令每个弱学习器f(x)去拟合负梯度.mp4 [88.4 MB]
6-GBDT应用于二分类问题.mp4 [70.4 MB]
7-GBDT二分类拟合的负梯度依然是残差.mp4 [83.8 MB]
16-GBDT多分类举例详解.mp4 [91.7 MB]
5-GBDT回归举例_总结.mp4 [108.5 MB]
4-GBDT应用于回归问题.mp4 [84.7 MB]

2--集成学习和随机森林6 集

1--决策树13 集

4--XGBoost15 集

10-重新定义树ft和树的复杂度Ω.mp4 [77.7 MB]
13-根据Obj收益指导每一次分裂从而学习一棵树结构.mp4 [106.7 MB]
16-样本权重对于模型学习的影响.mp4 [59.8 MB]
9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp4 [67.4 MB]
17-总结XGBoost的特性_包括缺失值的处理策略.mp4 [101.5 MB]
11-由每个叶子节点重组目标函数Obj.mp4 [68.6 MB]
8-推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4 [48.6 MB]
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 [73.8 MB]
5-通过目标函数Obj来达到准确率和复杂度平衡.mp4 [48.3 MB]
7-得出XGBoost最开始的Obj目标函数.mp4 [94.9 MB]
15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp4 [71.2 MB]
1-回顾有监督机器学习三要素.mp4 [82.5 MB]
12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp4 [72.3 MB]
3-基于树集成学习4个优点.mp4 [91.4 MB]
4-回顾基于树集成学习的模型和参数并举例说明.mp4 [93.4 MB]

课件1 条

人工智能课件.txt [5.2 KB]

1--卷积神经网络原理8 集

3--经典卷积网络算法7 集

9-Mobilenet网络架构.mp4 [150.0 MB]
1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境.mp4 [141.1 MB]
5-ResNet娈嬪樊鍗曞厓_BottlenetBlocK.mp4 [121.5 MB]
7-DenseNet在Keras里面的代码实现.mp4 [66.7 MB]
2-VGG16_Fine-tuning_对MNIST做手写数字识别.mp4 [116.6 MB]
6-DenseNet和Keras里面的实现.mp4 [150.6 MB]
4-InceptionV3_以及InceptionV3对皮肤癌图片识别.mp4 [167.0 MB]

4--古典目标检测4 集

3-IOU以及python计算的代码.mp4 [23.6 MB]
5-浠嶧astRCNN寮曞叆FasterRCNN.mp4 [120.8 MB]
1-图像识别任务_古典目标检测.mp4 [196.5 MB]
2-使用OpenCV调用分类器找到目标框.mp4 [98.2 MB]

5--现代目标检测之FasterRCNN4 集

5-FasterRCNN论文讲解_从RPN损失到评估指标对比.mp4 [248.0 MB]
3-NMS代码实现流程_mAP目标检测平均指标.mp4 [157.2 MB]
2-FasterRNN的核心RPN_正向传播的框过滤_NMS.mp4 [214.1 MB]
4-FasterRCNN论文讲解_从介绍到RPN的loss.mp4 [210.0 MB]

2--卷积神经网络优化8 集

5-深度学习网络对应ACC准确率忽然下降的思考点.mp4 [104.1 MB]
1-AlexNet网络结构_连续使用小的卷积核好处.mp4 [109.4 MB]
8-VGG网络结构_以及1乘1的卷积核的作用和好处.mp4 [123.2 MB]
3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码.mp4 [77.6 MB]
4-CNN对MNIST数据集分类_全连接层以及训练代码.mp4 [125.9 MB]
6-减轻梯度消失问题中激活函数发挥的作用.mp4 [42.0 MB]
2-Dropout技术点思想和运用.mp4 [113.9 MB]
7-减轻梯度消失问题中参数初始化发挥的作用.mp4 [66.5 MB]

1--药店销量预测案例7 集

7-kaggle竞赛网站学习.mp4 [172.2 MB]
4-对数据里面的目标变量sales的一个分析.mp4 [44.9 MB]
1-Rossmann药店销量预测_kaggle的介绍.mp4 [36.3 MB]
6-模型的训练_评估.mp4 [66.6 MB]
2-对数据字段的介绍_导包.mp4 [19.9 MB]
3-自定义损失函数.mp4 [21.1 MB]
5-数据的预处理.mp4 [111.8 MB]

2--网页分类案例12 集

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 [87.5 MB]
2-璇勪及鎸囨爣ROC鍜孉UC.mp4 [56.2 MB]
3-璇勪及鎸囨爣ROC鍜孉UC.mp4 [49.0 MB]
7-MLlib对网页分类竞赛数据预处理_模型训练.mp4 [71.3 MB]
4-竞赛其他相关提交成绩排行榜.mp4 [40.2 MB]
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 [74.7 MB]
1-Kaggle网页分类竞赛介绍.mp4 [25.1 MB]
5-数据导入.mp4 [68.4 MB]
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 [68.8 MB]
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 [85.6 MB]
6-MLlib对网页分类竞赛数据预处理.mp4 [103.0 MB]
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 [62.5 MB]

4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)6 集

4-车牌识别项目_车牌目标框检测模型训练.mp4 [61.6 MB]
1-PaddleOCR_项目配置_CCPD数据集介绍.mp4 [69.6 MB]
5-车牌识别项目_车牌字符识别模型训练.mp4 [61.9 MB]
3-车牌识别项目_运行保存标签和剪切出的车牌图片.mp4 [57.5 MB]
2-车牌识别项目_详解数据准备阶段代码.mp4 [42.9 MB]
6-车牌识别项目_车牌识别模型导出及预测.mp4 [75.6 MB]

6--PaddleNLP模块_物流信息提取（ERNIE版）4 集

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 [47.8 MB]
1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset.mp4 [49.5 MB]
4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果.mp4 [57.9 MB]
2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用.mp4 [57.4 MB]

3--PaddleDetection工具_PCB电路板缺陷检测7 集

1-PaddleDetection_项目配置.mp4 [82.9 MB]
2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题.mp4 [65.5 MB]
3-PCB电路板缺陷检测_Images和Annotations.mp4 [83.1 MB]
7-PCB电路板缺陷检测_模型预测.mp4 [51.7 MB]
4-PCB电路板缺陷检测_前期数据的分析.mp4 [133.8 MB]
6-PCB电路板缺陷检测_模型训练.mp4 [64.6 MB]
5-PCB电路板缺陷检测_项目配置文件.mp4 [42.8 MB]

1--PaddlePaddle框架安装_波士顿房价预测5 集

3-PaddlePaddle求解线性模型.mp4 [50.6 MB]
1-安装PaddlePaddle.mp4 [87.3 MB]
2-Pycharm运行出现mkl-service或DLL找不到的问题.mp4 [45.2 MB]
5-预测波士顿房价_反向传播_模型保存_模型测试.mp4 [43.7 MB]
4-预测波士顿房价_数据读取_正向传播.mp4 [60.5 MB]

5--PaddleNLP模块_物流信息提取（BiGRU+CRF）8 集

5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader.mp4 [51.9 MB]
1-PaddleNLP_项目配置.mp4 [49.4 MB]
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 [80.6 MB]
2-PaddleNLP_物流信息提取项目介绍.mp4 [48.0 MB]
6-PaddleNLP_物流信息提取项目_构建网络模型.mp4 [48.5 MB]
7-PaddleNLP_物流信息提取项目_模型训练.mp4 [47.3 MB]
3-物流信息提取项目_解决导包显示找不到nul问题.mp4 [106.2 MB]
4-PaddleNLP_物流信息提取项目_加载数据构建DataSet.mp4 [55.5 MB]

2--PaddlePaddle卷积网络_病理性近视识别4 集

4-预测病理性近视_调用经典卷积神经网络.mp4 [91.8 MB]
1-预测病理性近视_图片数据读取.mp4 [97.2 MB]
2-预测病理性近视_模型训练.mp4 [86.7 MB]
3-预测病理性近视_定义模型结构_评估模型.mp4 [84.1 MB]

3--图像风格迁移4 集

2-图片风格融合项目_架构_代码实现要点_2.mp4 [85.2 MB]
1-图片风格融合项目_架构_代码实现要点_1.mp4 [81.1 MB]
3-图片风格融合项目_架构_代码实现要点_3.mp4 [75.4 MB]
4-图片风格融合项目_架构_代码实现要点_4.mp4 [86.9 MB]

1--车牌识别5 集

2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02.mp4 [86.4 MB]
1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01.mp4 [83.2 MB]
3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03.mp4 [48.8 MB]
5-车牌识别项目关于目标检测的问题.mp4 [39.5 MB]
4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04.mp4 [73.1 MB]

2--自然场景下的目标检测及源码分析26 集

1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明.mp4 [116.5 MB]
16-FasterRCNN代码_给RPN准备正负例样本_01.mp4 [100.3 MB]
22-FasterRCNN代码_给RPN准备正负例样本_07.mp4 [100.0 MB]
8-回归整体训练流程_详解读取数据blob_03.mp4 [39.2 MB]
12-FasterRCNN代码_构建RPN网络_02.mp4 [88.5 MB]
3-FasterRCNN项目代码_数据增强.mp4 [71.8 MB]
14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02.mp4 [119.9 MB]
24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01.mp4 [53.4 MB]
5-FasterRCNN项目代码_模型的训练.mp4 [39.3 MB]
25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02.mp4 [74.4 MB]
15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制.mp4 [91.4 MB]
17-FasterRCNN代码_给RPN准备正负例样本_02.mp4 [165.7 MB]
18-FasterRCNN代码_给RPN准备正负例样本_03.mp4 [43.6 MB]
2-FasterRCNN项目代码_数据加载.mp4 [96.2 MB]
26-FasterRCNN代码_添加Loss损失_smoothL1loss.mp4 [76.4 MB]
20-FasterRCNN代码_给RPN准备正负例样本_05.mp4 [78.0 MB]
23-FasterRCNN代码_给RPN准备正负例样本_08.mp4 [57.3 MB]
10-FasterRCNN代码_构建head.mp4 [67.6 MB]
13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01.mp4 [84.0 MB]
4-FasterRCNN项目代码_数据初始化.mp4 [73.3 MB]
7-回归整体训练流程_详解读取数据blob_02.mp4 [75.7 MB]
11-FasterRCNN代码_构建RPN网络_01.mp4 [124.4 MB]
21-FasterRCNN代码_给RPN准备正负例样本_06.mp4 [114.6 MB]
9-回归整体训练流程_详解读取数据blob_04.mp4 [64.5 MB]
6-回归整体训练流程_详解读取数据blob_01.mp4 [81.2 MB]
19-FasterRCNN代码_给RPN准备正负例样本_04.mp4 [46.7 MB]

2--梯度下降法14 集

5--Lasso回归_Ridge回归_多项式回归12 集

1-代码调用Ridge岭回归.mp4 [76.3 MB]
3-代码调用ElasticNet回归.mp4 [53.7 MB]
8-实战保险花销预测_数据预处理.mp4 [41.4 MB]
5-多项式升维代码实战_传入不同超参数对比.mp4 [44.8 MB]
12-实战保险花销预测_模型训练和评估.mp4 [58.9 MB]
10-实战保险花销预测_特征选择思路.mp4 [40.3 MB]
7-实战保险花销预测_数据介绍和加载数据.mp4 [35.3 MB]
2-代码调用Lasso回归.mp4 [28.7 MB]
6-多项式升维代码实战_训练模型和评估.mp4 [35.1 MB]
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 [84.1 MB]
4-升维的意义_多项式回归.mp4 [48.1 MB]
11-实战保险花销预测_特征工程.mp4 [18.0 MB]

1--多元线性回归22 集

16-Pycharm创建脚本并测试python开发环境.mp4 [40.5 MB]
9-明确目标通过最大总似然求解θ.mp4 [25.8 MB]
15-Anaconda环境安装_Pycharm环境安装.mp4 [61.1 MB]
4-理解多元线性回归表达式几种写法的原因.mp4 [34.0 MB]
12-推导出目标函数的导函数形式.mp4 [46.4 MB]
22-调用Scikit-learn中的多元线性回归求解模型(下).mp4 [41.0 MB]
13-θ解析解的公式_是否要考虑损失函数是凸函数.mp4 [59.2 MB]
10-对数似然函数_推导出损失函数MSE.mp4 [41.9 MB]
1-理解简单线性回归.mp4 [51.1 MB]
17-解析解的方式求解多元线性回归_数据Xy.mp4 [40.4 MB]
3-扩展到多元线性回归.mp4 [32.2 MB]
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 [48.3 MB]
5-理解维度这个概念.mp4 [41.4 MB]
8-引入正太分布的概率密度函数.mp4 [26.5 MB]
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 [34.7 MB]
20-Scikit-learn模块的介绍.mp4 [29.2 MB]
6-理解回归一词_中心极限定理_正太分布和做预测.mp4 [65.8 MB]
21-调用Scikit-learn中的多元线性回归求解模型(上).mp4 [25.2 MB]
14-Python开发环境版本的选择及下载.mp4 [54.1 MB]
11-把目标函数按照线性代数的方式去表达.mp4 [27.0 MB]
7-假设误差服从正太分布_最大似然估计MLE.mp4 [43.1 MB]
2-最优解_损失函数_MSE.mp4 [39.6 MB]

3--归一化5 集

6-代码完成标准归一化.mp4 [41.1 MB]
3-归一化的副产品_有可能会提高模型的精度.mp4 [21.6 MB]
1-归一化的目的_维度之间数量级不同产生的矛盾.mp4 [63.6 MB]
4-最大值最小值归一化.mp4 [24.9 MB]
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 [34.1 MB]

4--正则化5 集

4-L1稀疏性和L2平滑性.mp4 [51.6 MB]
2-正则化通过损失函数加入惩罚项使得W越小越好.mp4 [35.3 MB]
3-常用的L1和L2正则项以及数学意义.mp4 [41.6 MB]
5-通过L1和L2的导函数理解区别的本质原因.mp4 [55.6 MB]
1-正则化的目的防止过拟合.mp4 [30.7 MB]

1--神经网络算法9 集

4-用神经网络理解Softmax回归.mp4 [67.2 MB]
9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装.mp4 [155.5 MB]
6-多节点网络输出_sklearn中NN模块的介绍.mp4 [90.6 MB]
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 [67.7 MB]
5-隐藏层的意义_隐藏层相当于去做预处理_升维降维.mp4 [117.5 MB]
7-sklearn中NN模型的代码使用.mp4 [123.6 MB]
8-隐藏层激活函数必须是非线性的.mp4 [21.9 MB]
2-三种常见的激活函数_网络拓扑介绍_优化算法.mp4 [53.6 MB]
1-神经网络是有监督的算法_生物神经元到人工神经元.mp4 [94.4 MB]

3--反向传播推导_Python代码实现神经网络7 集

2-反向传播推导(一).mp4 [127.9 MB]
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 [81.2 MB]
6-python实现神经网络训练代码讲解(一).mp4 [84.2 MB]
5-反向传播推导(四)关于Δ和a还有梯度的更新事宜.mp4 [34.6 MB]
1-反向传播_链式求导法则.mp4 [86.5 MB]
3-反向传播推导(二)从输出层到最后一个隐藏层.mp4 [121.4 MB]
7-python实现神经网络正向反向传播训练.mp4 [112.2 MB]

2--TensorFlow深度学习工具7 集

7-TF实现DNN来识别MNIST手写数字.mp4 [132.7 MB]
2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功.mp4 [74.1 MB]
5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据.mp4 [233.3 MB]
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 [173.5 MB]
6-TF实现Softmax回归来识别MNIST手写数字.mp4 [137.0 MB]
1-CUDA下载地址_CUDA显卡白名单地址.mp4 [68.6 MB]
3-Tensorflow代码运行机制_TF基础的代码.mp4 [120.7 MB]

3--Spark机器学习MLlib和ML模块26 集

2-SparkMLlib调用逻辑回归_自定义阈值_1.mp4 [120.6 MB]
23-SparkML网页分类案例代码实战续（1）_2.mp4 [143.9 MB]
26-SparkML网页分类案例代码实战续（3）.mp4 [9.8 MB]
24-SparkML网页分类案例代码实战续（2）_1.mp4 [177.1 MB]
1-SparkMLlib对于逻辑回归算法的调用.mp4 [170.4 MB]
13-使用逻辑回归和随机森林对股票Stock预测案例实战_3.mp4 [84.2 MB]
8-SparkMLlib调用KMeans聚类_调用决策树(1)_1.mp4 [80.2 MB]
15-模型的训练以及评估和调超参_1.mp4 [84.6 MB]
22-SparkML网页分类案例代码实战续（1）_1.mp4 [144.0 MB]
17-模型的训练以及评估和调超参_3.mp4 [161.7 MB]
16-模型的训练以及评估和调超参_2.mp4 [88.9 MB]
19-SparkML机器学习库概念讲解_2.mp4 [121.3 MB]
9-SparkMLlib调用KMeans聚类_调用决策树(1)_2.mp4 [145.7 MB]
18-SparkML机器学习库概念讲解_1.mp4 [146.8 MB]
5-SparkMLlib调用逻辑回归_使用标准归一化_2.mp4 [255.3 MB]
25-SparkML网页分类案例代码实战续（2）_2.mp4 [99.3 MB]
10-SparkMLlib调用KMeans聚类_调用决策树(1)_3.mp4 [104.5 MB]
4-SparkMLlib调用逻辑回归_使用标准归一化_1.mp4 [105.0 MB]
11-使用逻辑回归和随机森林对股票Stock预测案例实战_1.mp4 [89.7 MB]
6-SparkMLlib调用逻辑回归_使用标准归一化_3.mp4 [63.1 MB]
7-SparkMLlib调用逻辑回归_使用标准归一化_4.mp4 [140.9 MB]
21-SparkML机器学习库代码实战讲解_2.mp4 [169.5 MB]
3-SparkMLlib调用逻辑回归_自定义阈值_2.mp4 [109.4 MB]
14-从数据转化到训练集的构建.mp4 [146.4 MB]
12-使用逻辑回归和随机森林对股票Stock预测案例实战_2.mp4 [92.2 MB]
20-SparkML机器学习库代码实战讲解_1.mp4 [146.5 MB]

1--Spark计算框架基础11 集

10-分布式计算所需进程.mp4 [26.3 MB]
14-Spark算子操作实战讲解_代码实战WordCount_03.mp4 [44.1 MB]
7-分布式计算框架Shuffle的原理_03.mp4 [29.3 MB]
11-两种算子操作本质区别.mp4 [56.3 MB]
4-回顾hadoop讲解shuffle.mp4 [35.8 MB]
6-分布式计算框架Shuffle的原理_02.mp4 [44.9 MB]
13-Spark算子操作实战讲解_代码实战WordCount_02.mp4 [56.1 MB]
3-Spark瀵规瘮hadoop浼樺娍.mp4 [19.3 MB]
12-Spark算子操作实战讲解_代码实战WordCount_01.mp4 [69.4 MB]
5-分布式计算框架Shuffle的原理_01.mp4 [46.2 MB]
15-Spark算子操作实战讲解_代码实战WordCount_04.mp4 [41.9 MB]

2--Spark计算框架深入12 集

2-Spark宽依赖和窄依赖_01.mp4 [39.7 MB]
4-Spark宽依赖和窄依赖_03.mp4 [28.0 MB]
6-分布式文件系统Block块的大小配置.mp4 [114.5 MB]
9-Spark程序启动运行流程详解_03.mp4 [47.3 MB]
12-构建LabeledPoint.mp4 [111.1 MB]
11-讲解构建稀疏和稠密向量_01.mp4 [101.8 MB]
13-介绍SparkMLlib模块中实现的算法和调用.mp4 [91.2 MB]
8-Spark程序启动运行流程详解_02.mp4 [71.4 MB]
1-Spark数据缓存机制.mp4 [54.4 MB]
10-讲解构建稀疏和稠密向量_01.mp4 [80.6 MB]
3-Spark宽依赖和窄依赖_02.mp4 [38.9 MB]
7-Spark程序启动运行流程详解_01.mp4 [49.4 MB]

1--Python开发环境搭建6 集

2--Python基础语法31 集

21-Python_函数_递归.mp4 [23.5 MB]
11-Python_集合操作_列表的基本操作.mp4 [49.4 MB]
15-Python_集合操作_字典keys方法_enumerate函数.mp4 [22.4 MB]
27-Python_类对象_实例属性和方法_类属性和方法.mp4 [38.4 MB]
24-Python_函数_闭包.mp4 [41.6 MB]
2-Python_控制语句_单双分支.mp4 [50.7 MB]
8-Python_鍒囩墖鎿嶄綔.mp4 [40.2 MB]
20-Python_函数_默认参数_可变参数.mp4 [24.5 MB]
18-Python_函数_定义_调用_返回值_注释.mp4 [23.8 MB]
17-Python_打开并读取文件_中文编码问题.mp4 [58.8 MB]
30-Python_类对象_面向对象三大特性_类的继承.mp4 [24.7 MB]
22-Python_函数式编程_高阶函数.mp4 [24.6 MB]
29-Python_类对象_运算符重载_私有对象方法_isinstance函数.mp4 [38.5 MB]
7-Python_控制语句_break_continue.mp4 [25.2 MB]
14-Python_集合操作_字典和常见操作.mp4 [38.0 MB]
12-Python_集合操作_列表的常用方法.mp4 [37.3 MB]
31-Python_类对象_子类复用父类构造器和方法_方法重写.mp4 [32.0 MB]
1-Python是强类型的动态脚本语言.mp4 [44.1 MB]
5-Python_控制语句_for循环.mp4 [22.8 MB]
10-Python_集合操作_列表.mp4 [34.7 MB]
13-Python_集合操作_元组.mp4 [43.5 MB]
3-Python_控制语句_多分支_三元条件运算符.mp4 [31.0 MB]
23-Python_函数式编程_map_reduce_filter_匿名函数.mp4 [37.9 MB]
26-Python_类对象_定义与实例化对象.mp4 [44.2 MB]
28-Python_类对象_内置方法.mp4 [29.2 MB]
25-Python_函数_装饰器.mp4 [30.3 MB]
19-Python_函数_局部变量_全局变量.mp4 [31.2 MB]
9-Python_数据类型.mp4 [25.4 MB]
6-Python_控制语句_嵌套循环.mp4 [36.2 MB]
4-Python_控制语句_while循环.mp4 [25.0 MB]
16-Python_os模块_shutil模块.mp4 [51.5 MB]

3--蒙版弹幕MaskRCNN语义分割5 集

5-MaskRCNN项目关于运行代码环境的说明.mp4 [44.2 MB]
4-MaskRCNN根据文档和论文总结重要的知识点.mp4 [239.1 MB]
3-MaskRCNN网络架构回顾.mp4 [151.3 MB]
2-MaskRCNN的项目展示.mp4 [250.5 MB]
1-MaskRCNN网络结构.mp4 [106.4 MB]

2--医疗图像UNet语义分割4 集

1-语义分割的基本概念.mp4 [18.3 MB]
2-FCN全卷积网络做语义分割.mp4 [36.5 MB]
4-UNet网络医疗图像的语义分割.mp4 [81.2 MB]
3-UNet网络结构.mp4 [30.4 MB]

1--上采样_双线性插值_转置卷积4 集

8-FPN思想与网络结构.mp4 [92.1 MB]
6-双线性插值作为转置卷积核的初始参数.mp4 [145.0 MB]
5-转置卷积_以及TF的API.mp4 [114.2 MB]
9-FPN搴旂敤浜嶧asterRCNN_ResNetFPN.mp4 [95.5 MB]

3--YOLOv3详解5 集

3-YOLOv3论文详解_总结_FocalLoss.mp4 [147.5 MB]
5-YOLOv4璁烘枃姒傝堪_BOS_BOF.mp4 [297.3 MB]
2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53.mp4 [158.6 MB]
1-YOLOv3论文详解_每个框都要预测多个类别概率.mp4 [86.5 MB]
4-YOLOv4论文概述_介绍.mp4 [139.5 MB]

4--YOLOv3代码实战6 集

1-YOLOv3代码剖析_项目介绍.mp4 [157.0 MB]
4-YOLOv3代码剖析_使用model预测的其余代码.mp4 [86.5 MB]
5-YOLOv3代码剖析_weights到h5模型的转换.mp4 [144.7 MB]
3-YOLOv3代码剖析_model输出之后的预测框的计算.mp4 [223.6 MB]
6-YOLOv3代码剖析_模型的训练部分详解.mp4 [316.6 MB]
2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络.mp4 [238.1 MB]

2--YOLOv2详解4 集

3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签.mp4 [141.4 MB]
1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes.mp4 [158.8 MB]
4-YOLOv2论文详解_层级分类_层级分类用于目标检测.mp4 [183.5 MB]
2-YOLOv2论文详解_mAP更better的一些点.mp4 [257.4 MB]

1--YOLOv1详解4 集

1-YOLOv1论文详解_算法特点介绍.mp4 [179.7 MB]
3-YOLOv1论文详解_训练中的技巧_Loss损失函数.mp4 [253.2 MB]
2-YOLOv1论文详解_网络架构_思想.mp4 [215.9 MB]
4-YOLOv1论文详解_NMS_局限性.mp4 [82.1 MB]

2--机器学习和深度学习、有监督和无监督5 集

3-深度学习比传统机器学习有优势.mp4 [84.8 MB]
2-机器学习不同的学习方式.mp4 [83.5 MB]
1-人工智能常见流程.mp4 [89.6 MB]
4-有监督机器学习任务与本质.mp4 [37.5 MB]
5-无监督机器学习任务与本质.mp4 [50.2 MB]

1--人工智能就业、薪资、各行业应用4 集

2-人工智能适合人群与必备技能.mp4 [44.6 MB]
4-人工智能在各领域的应用.mp4 [57.7 MB]
1-人工智能就业前景与薪资.mp4 [52.1 MB]
3-人工智能时代是发展的必然.mp4 [23.2 MB]

1--Linux26 集

2-Linux_Linux简介.mp4 [17.6 MB]
3-Linux_VMWare安装及使用.mp4 [20.9 MB]
6-Linux_Linux中的路径.mp4 [18.7 MB]
18-Linux_常用配置_启动网络.mp4 [15.6 MB]
4-Linux_安装Linux.mp4 [42.0 MB]
10-Linux_常用命令_clear、touch、cat命令.mp4 [10.1 MB]
24-Linux_上传与下载_lrzsz工具.mp4 [43.3 MB]
20-Linux_常用配置_设置网络类型.mp4 [25.7 MB]
17-Linux_常用配置_设置时区.mp4 [28.8 MB]
12-Linux_常用命令_mkdir命令.mp4 [10.6 MB]
26-Linux_安装MySQL.mp4 [79.0 MB]
15-Linux_常用命令_vi、vim.mp4 [30.6 MB]
19-Linux_常用配置_修改网段.mp4 [12.8 MB]
8-Linux_常用命令_cd命令.mp4 [8.1 MB]
5-Linux_目录介绍.mp4 [20.3 MB]
1-Linux_课程介绍.mp4 [3.7 MB]
14-Linux_常用命令_rm、mv命令.mp4 [31.8 MB]
9-Linux_常用命令_ls与ll命令.mp4 [34.4 MB]
16-Linux_常用命令_reboot、halt.mp4 [4.8 MB]
21-Linux_常用配置_快照与克隆.mp4 [16.5 MB]
11-Linux_常用命令more、head、tail命令.mp4 [16.3 MB]
25-Linux_文件的压缩与解压缩处理.mp4 [43.1 MB]
23-Linux_上传与下载_Xftp的使用.mp4 [20.3 MB]
13-Linux_常用命令_cp命令.mp4 [16.1 MB]
22-Linux_Xshell的安装与使用.mp4 [19.5 MB]
7-Linux_常用命令_pwd命令.mp4 [5.8 MB]

2--HMM算法7 集

3--CRF算法6 集

2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp4 [71.9 MB]
1-NER与分词和POS的关系_NER的标注策略_NER的主要方法.mp4 [127.8 MB]
8-通过模型来预测新的句子的序列标签.mp4 [83.2 MB]
7-计算CRF所有可能路径的总分数.mp4 [135.6 MB]
6-计算CRF真实路径的分数.mp4 [50.4 MB]
3-了解CRF层添加的好处.mp4 [105.9 MB]

1--贝叶斯分类5 集

6-贝叶斯网络_马尔可夫链.mp4 [38.7 MB]
1-朴素贝叶斯分类算法.mp4 [126.7 MB]
5-语言模型的设计目的_MLE的作用进行参数估计.mp4 [107.1 MB]
3-NB代码实现解析.mp4 [126.7 MB]
4-sklearn中调用NB_顺便讲解了GridSearchCV.mp4 [131.8 MB]

4--多元函数微分学3 集

3-雅可比矩阵_在神经网络中应用.mp4 [37.7 MB]
1-多元函数求偏导.mp4 [22.6 MB]
2-高阶偏导数_梯度.mp4 [27.2 MB]

1--数学内容概述3 集

3-最优化知识_数学内容学习重点.mp4 [40.4 MB]
2-线性代数_概率论知识点.mp4 [26.8 MB]
1-人工智能学习数学的必要性_微积分知识点.mp4 [28.8 MB]

6--概率论7 集

3--线性代数基础9 集

2--一元函数微分学8 集

7--最优化8 集

5--线性代数高级9 集

5--实战NER命名实体识别项目9 集

3-NER代码读取数据和预处理.mp4 [97.6 MB]
1-回顾了一下CRF训练和使用过程.mp4 [73.7 MB]
4-feature进入BiLSTM进行正向传播的过程.mp4 [70.9 MB]
6-BiLSTM-CRF模型的预测代码.mp4 [64.1 MB]
5-通过CRF层来计算Loss损失以及训练.mp4 [80.5 MB]
9-补充标注偏置问题_HMM做分词代码结构.mp4 [141.4 MB]
8-对比逻辑回归_相比HMM优势.mp4 [143.6 MB]
7-CRF中的特征函数们.mp4 [126.0 MB]
2-介绍了代码目录结构.mp4 [23.4 MB]

4--Seq2Seq聊天机器人3 集

1-从AI写唐诗到Seq2Seq再到Encoder-Decoder.mp4 [118.8 MB]
3-Seq2Seq版Chatbot训练和模型使用.mp4 [133.3 MB]
2-Seq2Seq版Chatbot的数据预处理.mp4 [93.8 MB]

1--词向量6 集

6-Word2Vec项目代码_总结串讲.mp4 [22.5 MB]
5-Word2Vec项目代码_评估比较相似度_最后的训练绘图.mp4 [83.3 MB]
3-Word2Vec项目代码_构建一个个批次数据.mp4 [82.3 MB]
4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质.mp4 [102.8 MB]
1-回顾了词向量里面训练的Topology.mp4 [121.7 MB]
2-Word2Vec项目代码_加载数据_构建字典.mp4 [96.8 MB]

3--AI写唐诗5 集

1-AI写唐诗_数据的读取_字典的构建_文本的索引化.mp4 [115.0 MB]
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 [61.7 MB]
6-AI写唐诗_模型的使用_增加随机性.mp4 [93.9 MB]
4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出.mp4 [67.0 MB]
2-AI写唐诗_训练数据的构建.mp4 [69.8 MB]

2--自然语言处理--情感分析8 集

6--BERT新浪新闻10分类项目1 集

1-BERT新浪新闻10分类项目.mp4 [104.5 MB]

2--数据可视化模块5 集

2-Matplotlib_绘制正余弦曲线_散点图_添加图例.mp4 [37.7 MB]
5-Matplotlib_绘制等高线图_绘制三维图像.mp4 [34.9 MB]
3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比.mp4 [52.2 MB]
4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布.mp4 [29.5 MB]
1-Matplotlib_概述_绘制直线图.mp4 [40.8 MB]

1--科学计算模型Numpy6 集

7-Numpy_数组的切分和转置.mp4 [28.3 MB]
1-Numpy_概述_安装_创建数组_获取shape形状.mp4 [39.9 MB]
4-Numpy_ndarray属性_zeros_ones_like等创建数组函数.mp4 [45.4 MB]
5-NumPy_reshape_切片操作_copy函数.mp4 [34.5 MB]
8-Numpy_算术运算_向上向下取整.mp4 [34.6 MB]
6-Numpy_改变数组维度_数组的拼接.mp4 [46.5 MB]

3--数据处理分析模块Pandas6 集

3-Python_Pandas_获取Series对象的值.mp4 [22.4 MB]
1-Python_Pandas_Series瀵硅薄鍒涘缓.mp4 [33.4 MB]
7-Python_Pandas_拼接和合并.mp4 [44.8 MB]
6-Python_Pandas_空值的删除与填充.mp4 [46.7 MB]
4-Python_Pandas_获取DataFrame对象的值.mp4 [28.3 MB]
2-Python_Pandas_DataFrame瀵硅薄鍒涘缓.mp4 [37.2 MB]

2--循环神经网络原理与优化7 集

4-理解LSTM长短时记忆_记住Topo和公式.mp4 [185.3 MB]
2-理解RNN循环神经网络计算流程.mp4 [55.9 MB]
6-补充讲一下为什么RNN中链越长越容易梯度消失.mp4 [44.2 MB]
3-利用RNN循环神经网络对MNIST手写数字识别.mp4 [127.7 MB]
1-理解RNN循环神经网络拓扑结构.mp4 [122.6 MB]
9-RNN里面应用的Topology结构.mp4 [23.0 MB]
7-LSTM的回顾复习_LSTM手写数字识别.mp4 [35.3 MB]

3--从Attention机制到Transformer2 集

3-Transformer_Positional_使用逻辑_网络结构总结.mp4 [102.4 MB]
1-Seq2Seq中Attention注意力机制.mp4 [87.7 MB]

1--词向量与词嵌入7 集

3--PyTorch卷积神经网络_实战CIFAR1010 集

2-PyTorch实战CIFAR10_构建网络_打印网络层次.mp4 [58.6 MB]
5-使用全局平均池化_使用LeNet模型.mp4 [41.0 MB]
6-使用集成学习思想训练识别模型.mp4 [87.0 MB]
10-PyTorch代码实战加入数据增强.mp4 [34.2 MB]
7-使用VGG16模型提供准确率.mp4 [52.9 MB]
8-torchvision里面的预训练模型.mp4 [29.8 MB]
9-迁移学习_PyTorch代码实战冻结预训练模型参数.mp4 [67.7 MB]
4-PyTorch实战CIFAR10_分类别打印模型准确率.mp4 [30.6 MB]
1-PyTorch实战CIFAR10数据_读取和展示.mp4 [83.9 MB]
3-PyTorch实战CIFAR10_训练模型_测试模型.mp4 [51.5 MB]

1--PyTorch运行环境安装_运行环境测试3 集

3-Pycharm关联PyTorch运行环境.mp4 [38.0 MB]
4-Jupyter关联PyTorch运行环境.mp4 [31.2 MB]
2-PyTorch的安装.mp4 [76.5 MB]

4--PyTorch循环神经网络_词性标注4 集

2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层.mp4 [47.0 MB]
1-PyTorch词性标注_构建数据和词索引号.mp4 [28.1 MB]
4-PyTorch词性标注_测试模型效果.mp4 [11.7 MB]
3-PyTorch词性标注_构建数据索引化和训练模型代码.mp4 [44.6 MB]

2--PyTorch基础_Tensor张量运算3 集

3-广播机制_逐元素操作.mp4 [44.5 MB]
4-归并操作_比较操作_矩阵操作.mp4 [59.4 MB]
2-修改Tensor的形状_索引操作.mp4 [76.5 MB]

5--PyTorch编码器解码器_机器翻译8 集

7-PyTorch中英文翻译_评估模型函数.mp4 [56.5 MB]
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 [57.7 MB]
6-PyTorch中英文翻译_构建训练函数之Decoder计算.mp4 [59.1 MB]
4-PyTorch中英文翻译_构建训练函数之Encoder计算.mp4 [50.9 MB]
8-PyTorch中英文翻译_绘制Attentions注意力权重.mp4 [33.7 MB]
1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引.mp4 [50.4 MB]
5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器.mp4 [79.3 MB]
2-PyTorch中英文翻译_数据预处理.mp4 [42.7 MB]

3--推荐系统--模型使用和推荐服务12 集

11-Dubbo推荐服务演示_SparkMLlib介绍_2.mp4 [140.1 MB]
1-推荐模型文件使用思路.mp4 [61.9 MB]
9-使用Dubbo将推荐系统做成服务_3.mp4 [119.9 MB]
4-实时在线推荐列表计算逻辑代码讲解_2.mp4 [98.5 MB]
12-Dubbo推荐服务演示_SparkMLlib介绍_3.mp4 [157.5 MB]
2-Redis数据库安装及其使用.mp4 [47.9 MB]
5-实时在线推荐列表计算逻辑代码讲解_3.mp4 [90.6 MB]
8-使用Dubbo将推荐系统做成服务_2.mp4 [103.9 MB]
3-实时在线推荐列表计算逻辑代码讲解_1.mp4 [165.1 MB]
6-实时在线推荐列表计算逻辑代码讲解_4.mp4 [94.7 MB]
10-Dubbo推荐服务演示_SparkMLlib介绍_1.mp4 [110.2 MB]
7-使用Dubbo将推荐系统做成服务_1.mp4 [82.2 MB]

1--推荐系统--流程与架构13 集

13-推荐系统_数据源_2.mp4 [82.9 MB]
8-推荐系统架构_实时_离线_2.mp4 [104.7 MB]
5-推荐系统_协同过滤_3.mp4 [60.5 MB]
2-推荐系统_隐式用户反馈_2.mp4 [119.8 MB]
6-推荐系统_协同过滤_4.mp4 [56.2 MB]
3-推荐系统_协同过滤_1.mp4 [60.3 MB]
9-推荐系统列表_关联特征权重_基本特征权重的计算_1.mp4 [77.8 MB]
7-推荐系统架构_实时_离线_1.mp4 [100.7 MB]
12-推荐系统_数据源_1.mp4 [79.1 MB]
11-推荐系统列表_关联特征权重_基本特征权重的计算_3.mp4 [103.3 MB]
4-推荐系统_协同过滤_2.mp4 [61.4 MB]
1-推荐系统_隐式用户反馈_1.mp4 [88.3 MB]
10-推荐系统列表_关联特征权重_基本特征权重的计算_2.mp4 [112.8 MB]

2--推荐系统--数据预处理和模型构建评估实战12 集

12-ACC准确率和AUC面积的计算以及意义.mp4 [214.4 MB]
4-HQL语句_python脚本构建中间结果_4.mp4 [111.9 MB]
6-spark构建特征索引_标签列_2.mp4 [91.9 MB]
9-MLlib调用算法计算模型文件并存储_1.mp4 [99.6 MB]
5-推荐系统_数据预处理_spark构建特征索引_标签列_1.mp4 [116.9 MB]
3-HQL语句_python脚本构建中间结果_3.mp4 [123.7 MB]
10-MLlib调用算法计算模型文件并存储_2.mp4 [93.7 MB]
1-HQL语句_python脚本构建中间结果_1.mp4 [155.8 MB]
11-MLlib调用算法计算模型文件并存储_3.mp4 [107.3 MB]
2-HQL语句_python脚本构建中间结果_2.mp4 [122.3 MB]
7-spark构建特征索引_标签列_3.mp4 [97.9 MB]
8-spark构建特征索引_标签列_4.mp4 [98.6 MB]

2--EM算法和GMM高斯混合模型9 集

2-理解GMM高斯混合分布的对数似然函数.mp4 [95.2 MB]
7-GMM前景背景分离.mp4 [16.0 MB]
9-通过声音文件利用GMM算法识别是谁.mp4 [51.5 MB]
5-将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp4 [157.6 MB]
8-通过声音文件利用GMM算法识别性别.mp4 [134.4 MB]
4-Jensen不等式的应用.mp4 [109.2 MB]
6-将EM算法应用到GMM中并且推导出Π的公式.mp4 [44.1 MB]
3-GMM参数估计Πμσ的流程.mp4 [112.2 MB]
1-单个高斯分布GM的参数估计.mp4 [112.7 MB]

3--PCA降维算法4 集

4-SVD其实就可以去实现PCA了.mp4 [93.0 MB]
2-PCA的最大投影方差思路.mp4 [186.8 MB]
3-最大投影方差推导_最小投影距离思路.mp4 [115.7 MB]
1-特征选择与特征映射.mp4 [49.4 MB]

1--聚类系列算法6 集

4-mini-batchKMeans_Canopy聚类_聚类评估指标.mp4 [214.7 MB]
6-层次聚类_密度聚类_谱聚类.mp4 [264.0 MB]
2-距离测度欧式距离和余弦距离的场景_TFIDF.mp4 [153.5 MB]
3-KMeans的一些变形_KMeans的损失函数推导及假设.mp4 [167.2 MB]
5-KMeans代码测试不同情况下的聚类效果.mp4 [148.7 MB]
1-KMeans聚类流程_距离测度欧式距离和余弦距离.mp4 [174.0 MB]

百战-AI算法工程师就业班 |价值18980元|冲击百万年薪|完结无秘

⭐ 编辑推荐

✨ 课程亮点

课程目录

适合人群

🎯 学习收获