百战程序员-AI算法工程师就业班2022

【加课】Linux环境编程基础[210.23M]

章节1：Linux[210.23M]

1：Linux_课程介绍.mp4[2.92M]

10：Linux_常用命令_clear、touch、cat命令.mp4[6.89M]

11：Linux_常用命令more、head、tail命令.mp4[11.70M]

14：Linux_常用命令_rm、mv命令.mp4[19.93M]

15：Linux_常用命令_vi、vim.mp4[22.76M]

16：Linux_常用命令_reboot、halt.mp4[4.00M]

18：Linux_常用配置_启动网络.mp4[11.23M]

20：Linux_常用配置_设置网络类型.mp4[18.98M]

25：Linux_文件的压缩与解压缩处理.mp4[28.49M]

26：Linux_安装MySQL.mp4[50.60M]

3：Linux_VMWare安装及使用.mp4[13.50M]

5：Linux_目录介绍.mp4[13.21M]

8：Linux_常用命令_cd命令.mp4[6.00M]

【加课】算法与数据结构[799.65M]

章节1：算法与数据结构[799.65M]

1：数据结构与算法简介.mp4[17.10M]

10：哈希表的基本结构.mp4[26.13M]

11：哈希表冲突问题.mp4[36.27M]

12：哈希表冲突问题2.mp4[29.22M]

13：哈希扩容.mp4[41.81M]

14：递归与栈.mp4[23.30M]

16：二分查找.mp4[25.38M]

17：冒泡排序.mp4[26.31M]

18：选择排序.mp4[22.56M]

19：插入排序.mp4[15.88M]

2：大O表示法.mp4[11.34M]

20：归并排序.mp4[40.45M]

21：快速排序.mp4[19.04M]

22：树结构.mp4[42.63M]

23：树结构的遍历.mp4[27.49M]

24：最大堆的增加操作.mp4[35.82M]

26：二叉树的查找.mp4[41.35M]

27：二叉树获取最小值.mp4[11.17M]

28：二叉树的添加.mp4[30.58M]

29：二叉树的删除.mp4[54.96M]

3：线性结构.mp4[24.14M]

4：单线链表1.mp4[27.60M]

5：单链表2.mp4[58.34M]

6：双链表.mp4[46.56M]

7：队列(链式).mp4[33.40M]

8：队列(线式).mp4[17.80M]

9：栈与双端队列.mp4[13.03M]

01、人工智能基础-快速入门[268.87M]

1：人工智能就业前景与薪资.mp4[33.78M]

2：人工智能适合人群与必备技能.mp4[21.04M]

3：人工智能时代是发展的必然.mp4[16.72M]

4：人工智能在各领域的应用.mp4[41.82M]

5：人工智能常见流程.mp4[36.38M]

6：机器学习不同的学习方式.mp4[31.23M]

7：深度学习比传统机器学习有优势.mp4[33.52M]

8：有监督机器学习任务与本质.mp4[23.25M]

9：无监督机器学习任务与本质.mp4[31.13M]

02、人工智能基础-Python基础[0.98G]

章节1：Python开发环境搭建[235.37M]

1：下载Miniconda运行环境.mp4[31.42M]

2：Miniconda安装和测试.mp4[36.64M]

3：Pycharm安装和代码运行.mp4[30.29M]

4：Jupyter安装和代码运行.mp4[24.92M]

5：Jupyter常用快捷键.mp4[20.73M]

6：Conda虚拟环境创建与Python模块安装.mp4[47.66M]

7：关联虚拟环境运行代码.mp4[26.32M]

代码.rar[509.90K]

人工智能-第1阶段Python基础.pdf[9.37M]

人工智能-第1阶段python进阶和高级编程.pdf[7.52M]

章节2：Python基础语法[771.94M]

10：Python_控制语句_多分支_三元条件运算符.mp4[21.39M]

11：Python_控制语句_while循环.mp4[16.32M]

12：Python_控制语句_for循环.mp4[18.68M]

13：Python_控制语句_嵌套循环.mp4[27.86M]

14：Python_控制语句_break_continue.mp4[16.39M]

15：Python_切片操作.mp4[30.52M]

16：Python_数据类型.mp4[20.88M]

17：Python_集合操作_列表.mp4[24.10M]

18：Python_集合操作_列表的基本操作.mp4[35.13M]

19：Python_集合操作_列表的常用方法.mp4[26.62M]

20：Python_集合操作_元组.mp4[29.08M]

21：Python_集合操作_字典和常见操作.mp4[25.76M]

22：Python_集合操作_字典keys方法_enumerate函数.mp4[18.07M]

23：Python_os模块_shutil模块.mp4[36.75M]

24：Python_打开并读取文件_中文编码问题.mp4[38.72M]

25：Python_函数_定义_调用_返回值_注释.mp4[18.23M]

26：Python_函数_局部变量_全局变量.mp4[23.50M]

27：Python_函数_默认参数_可变参数.mp4[18.06M]

28：Python_函数_递归.mp4[18.20M]

29：Python_函数式编程_高阶函数.mp4[17.71M]

30：Python_函数式编程_map_reduce_filter_匿名函数.mp4[26.94M]

31：Python_函数_闭包.mp4[27.49M]

32：Python_函数_装饰器.mp4[19.34M]

33：Python_类对象_定义与实例化对象.mp4[36.96M]

34：Python_类对象_实例属性和方法_类属性和方法.mp4[26.21M]

35：Python_类对象_内置方法.mp4[19.39M]

36：Python_类对象_运算符重载_私有对象方法_isinstance函数.mp4[26.22M]

37：Python_类对象_面向对象三大特性_类的继承.mp4[20.15M]

38：Python_类对象_子类复用父类构造器和方法_方法重写.mp4[20.79M]

8：Python是强类型的动态脚本语言.mp4[27.23M]

9：Python_控制语句_单双分支.mp4[39.27M]

新建文本文档.txt[0.51K]

03、人工智能基础-Python科学计算和可视化[532.52M]

章节1：科学计算模型Numpy[232.91M]

1：Numpy_概述_安装_创建数组_获取shape形状.mp4[30.30M]

2：Numpy_array_arange.mp4[23.56M]

3：Numpy_random随机数生成.mp4[35.81M]

4：Numpy_ndarray属性_zeros_ones_like等创建数组函数.mp4[32.59M]

5：NumPy_reshape_切片操作_copy函数.mp4[22.70M]

6：Numpy_改变数组维度_数组的拼接.mp4[30.40M]

7：Numpy_数组的切分和转置.mp4[19.19M]

8：Numpy_算术运算_向上向下取整.mp4[23.03M]

9：Numpy_聚合函数.mp4[15.33M]

新建文本文档.txt[0.36K]

章节2：数据可视化模块[139.03M]

10：Matplotlib_概述_绘制直线图.mp4[28.64M]

11：Matplotlib_绘制正余弦曲线_散点图_添加图例.mp4[23.68M]

12：Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比.mp4[34.98M]

13：Matplotlib_绘制饼图_直方图_同时绘制多组数据分布.mp4[21.29M]

14：Matplotlib_绘制等高线图_绘制三维图像.mp4[24.37M]

1599293649514137.png[18.62K]

人工智能-第1阶段数据分析（含办公自动化分析）.pdf[6.04M]

新建文本文档.txt[0.16K]

章节3：数据处理分析模块Pandas[160.59M]

15：Python_Pandas_Series对象创建.mp4[22.96M]

16：Python_Pandas_DataFrame对象创建.mp4[24.82M]

17：Python_Pandas_获取Series对象的值.mp4[15.52M]

18：Python_Pandas_获取DataFrame对象的值.mp4[18.85M]

19：Python_Pandas_条件过滤.mp4[17.28M]

20：Python_Pandas_空值的删除与填充.mp4[33.25M]

21：Python_Pandas_拼接和合并.mp4[27.91M]

新建文本文档.txt[0.37K]

04、人工智能基础-高等数学知识强化[1.02G]

1：人工智能学习数学的必要性_微积分知识点.mp4[18.97M]

10：高阶导数_导数判断单调性_导数与极值.mp4[15.30M]

11：导数判断凹凸性_导数用于泰勒展开.mp4[31.49M]

12：向量的意义_n维欧式空间空间.mp4[15.35M]

13：行向量列向量_转置_数乘_加减乘除.mp4[14.17M]

14：向量的内积_向量运算法则.mp4[14.38M]

15：学习向量计算的用途举例.mp4[16.84M]

16：向量的范数_范数与正则项的关系.mp4[23.52M]

17：特殊的向量.mp4[19.38M]

18：矩阵_方阵_对称阵_单位阵_对角阵.mp4[13.47M]

19：矩阵的运算_加减法_转置.mp4[17.35M]

2：线性代数_概率论知识点.mp4[17.26M]

20：矩阵相乘.mp4[14.36M]

21：矩阵的逆矩阵.mp4[27.58M]

22：矩阵的行列式.mp4[14.61M]

23：多元函数求偏导.mp4[16.34M]

24：高阶偏导数_梯度.mp4[19.74M]

25：雅可比矩阵_在神经网络中应用.mp4[26.04M]

26：Hessian矩阵.mp4[22.55M]

27：二次型.mp4[18.55M]

28：补充关于正定负定的理解.mp4[13.06M]

29：特征值和特征向量(1).mp4[19.45M]

3：最优化知识_数学内容学习重点.mp4[25.90M]

30：特征值和特征向量(2).mp4[18.01M]

31：特征值分解.mp4[26.18M]

32：多元函数的泰勒展开_矩阵和向量的求导.mp4[30.50M]

33：奇异值分解定义.mp4[16.37M]

34：求解奇异值分解中的UΣV矩阵.mp4[34.04M]

35：奇异值分解性质_数据压缩.mp4[23.36M]

36：SVD用于PCA降维.mp4[17.58M]

37：SVD用于协同过滤_求逆矩阵.mp4[23.76M]

38：概率论_随机事件与随机事件概率.mp4[14.04M]

39：条件概率_贝叶斯公式.mp4[21.97M]

4：导数的定义_左导数和右导数.mp4[20.10M]

40：随机变量.mp4[17.17M]

41：数学期望和方差.mp4[16.18M]

42：常用随机变量服从的分布.mp4[14.64M]

43：随机向量_独立性_协方差_随机向量的正太分布.mp4[22.95M]

44：最大似然估计思想.mp4[16.62M]

45：最优化的基本概念.mp4[23.95M]

46：迭代求解的原因.mp4[12.99M]

47：梯度下降法思路.mp4[19.41M]

48：梯度下降法的推导.mp4[31.39M]

49：牛顿法公式推导以及优缺点.mp4[30.04M]

5：导数的几何意义和物理意义.mp4[10.21M]

50：坐标下降法_数值优化面临的问题.mp4[17.05M]

51：凸集.mp4[14.02M]

52：凸函数.mp4[12.35M]

53：凸优化的性质_一般表达形式.mp4[14.81M]

54：拉格朗日函数.mp4[19.74M]

6：常见函数的求导公式.mp4[15.80M]

7：导数求解的四则运算法则.mp4[18.96M]

8：复合函数求导法则.mp4[11.79M]

9：推导激活函数的导函数.mp4[23.54M]

数学.pdf[1.50M]

05、机器学习-线性回归[1.94G]

章节1：多元线性回归[1.18G]

1：理解简单线性回归.mp4[21.25M]

10：对数似然函数_推导出损失函数MSE.mp4[23.06M]

11：把目标函数按照线性代数的方式去表达.mp4[14.44M]

12：推导出目标函数的导函数形式.mp4[23.33M]

13：θ解析解的公式_是否要考虑损失函数是凸函数.mp4[27.93M]

14：Python开发环境版本的选择及下载.mp4[23.08M]

15：Anaconda环境安装_Pycharm环境安装.mp4[26.51M]

16：Pycharm创建脚本并测试python开发环境.mp4[17.38M]

17：解析解的方式求解多元线性回归_数据Xy.mp4[16.74M]

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[19.95M]

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[14.08M]

2：最优解_损失函数_MSE.mp4[19.54M]

20：Scikit-learn模块的介绍.mp4[16.91M]

21：调用Scikit-learn中的多元线性回归求解模型(上).mp4[13.17M]

22：调用Scikit-learn中的多元线性回归求解模型(下).mp4[17.24M]

3：扩展到多元线性回归.mp4[14.47M]

4：理解多元线性回归表达式几种写法的原因.mp4[16.21M]

5：理解维度这个概念.mp4[21.22M]

6：理解回归一词_中心极限定理_正太分布和做预测.mp4[28.17M]

7：假设误差服从正太分布_最大似然估计MLE.mp4[21.44M]

8：引入正太分布的概率密度函数.mp4[14.86M]

9：明确目标通过最大总似然求解θ.mp4[14.53M]

代码.rar[1.50K]

第一阶段_手把手教你透彻掌握线性回归算法.pdf[2.71M]

软件.rar[777.48M]

新建文本文档.txt[0.28K]

章节2：梯度下降法[312.33M]

23：梯度下降法产生的目的和原因以及思想.mp4[28.12M]

24：梯度下降法公式.mp4[28.41M]

25：学习率设置的学问_全局最优解.mp4[26.42M]

26：梯度下降法迭代流程总结.mp4[15.17M]

27：多元线性回归下的梯度下降法.mp4[21.80M]

28：全量梯度下降.mp4[30.60M]

29：随机梯度下降_小批量梯度下降.mp4[26.32M]

30：对应梯度下降法的问题和挑战.mp4[22.61M]

31：轮次和批次.mp4[26.67M]

32：代码实现全量梯度下降第1步和第2步.mp4[12.82M]

33：代码实现全量梯度下降第3步和第4步.mp4[14.09M]

34：代码实现随机梯度下降.mp4[12.28M]

35：代码实现小批量梯度下降.mp4[11.67M]

36：代码改进保证训练数据全都能被随机取到.mp4[16.08M]

37：代码改进实现随着迭代增加动态调整学习率.mp4[16.67M]

代码.rar[1.73K]

第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf[2.59M]

新建文本文档.txt[0.25K]

章节3：归一化[99.90M]

38：归一化的目的_维度之间数量级不同产生的矛盾.mp4[30.26M]

39：归一化的目的_举例子来理解做归一化和不做归一化的区别.mp4[17.01M]

40：归一化的副产品_有可能会提高模型的精度.mp4[12.57M]

41：最大值最小值归一化.mp4[14.09M]

42：标准归一化.mp4[25.97M]

新建文本文档.txt[0.27K]

章节4：正则化[129.91M]

43：代码完成标准归一化.mp4[21.69M]

44：正则化的目的防止过拟合.mp4[16.50M]

45：正则化通过损失函数加入惩罚项使得W越小越好.mp4[19.21M]

46：常用的L1和L2正则项以及数学意义.mp4[20.13M]

47：L1稀疏性和L2平滑性.mp4[26.03M]

48：通过L1和L2的导函数理解区别的本质原因.mp4[26.35M]

新建文本文档.txt[0.31K]

章节5：Lasso回归_Ridge回归_多项式回归[236.35M]

49：代码调用Ridge岭回归.mp4[26.07M]

50：代码调用Lasso回归.mp4[12.59M]

51：代码调用ElasticNet回归.mp4[18.07M]

52：升维的意义_多项式回归.mp4[22.22M]

53：多项式升维代码实战_传入不同超参数对比.mp4[21.30M]

54：多项式升维代码实战_训练模型和评估.mp4[15.88M]

55：实战保险花销预测_数据介绍和加载数据.mp4[18.58M]

56：实战保险花销预测_数据预处理.mp4[19.64M]

57：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[35.56M]

58：实战保险花销预测_特征选择思路.mp4[16.51M]

59：实战保险花销预测_特征工程.mp4[9.32M]

60：实战保险花销预测_模型训练和评估.mp4[20.51M]

代码.rar[126.37K]

新建文本文档.txt[0.28K]

06、机器学习-线性分类[3.60G]

章节1：逻辑回归[257.39M]

1.txt[1.29K]

1：逻辑回归_Sigmoid函数.mp4[10.76M]

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[17.81M]

11：绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度.mp4[16.90M]

12：对逻辑回归函数进行求导_结论在后面会用到.mp4[11.25M]

13：对逻辑回归的损失函数求导_推导出导函数的形式.mp4[21.28M]

14：实战逻辑回归对鸢尾花数据集进行二分类.mp4[17.78M]

15：OneVsRest将多分类问题转化成多个二分类问题.mp4[12.09M]

16：实战逻辑回归对鸢尾花数据集进行多分类.mp4[18.20M]

2：sigmoid函数作用.mp4[21.37M]

3：逻辑回归为什么用sigmoid函数_预备知识.mp4[18.66M]

4：证明伯努利分布是指数族分布_推导出逻辑回归公式.mp4[23.51M]

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[4.31M]

6：推导逻辑回归损失函数_得到总似然的公式.mp4[15.43M]

7：推导逻辑回归损失函数_得到最终形式.mp4[7.85M]

8：绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数.mp4[25.03M]

9：绘制逻辑回归损失函数_探索单个参数和损失的关系.mp4[14.07M]

代码.rar[1.77K]

第五阶段_线性分类算法_逻辑回归和Softmax回归.pdf[1.09M]

章节2：Softmax回归[2.48G]

1.txt[0.80K]

17：证明多项式分布属于指数族分布一种.mp4[14.67M]

18：从广义线性回归的η推导出来Softmax的公式.mp4[9.91M]

19：有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本.mp4[16.55M]

20：再次证明Softmax损失函数当K=2时就是逻辑回归损失函数.mp4[15.21M]

21：证明Softmax公式K=2的时候就是逻辑回归_平移不变性.mp4[7.58M]

22：逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别.mp4[21.45M]

23：实战音乐分类器_讲解需求和读取数据.mp4[14.06M]

24：实战音乐分类器_探索不同曲风音乐文件的时间频率图.mp4[20.20M]

25：实战音乐分类器_傅里叶变换可以帮助我们做什么.mp4[12.88M]

26：实战音乐分类器_代码使用傅里叶变换将混音文件进行投影.mp4[16.92M]

27：实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果.mp4[21.18M]

28：实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型.mp4[17.08M]

29：实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题.mp4[28.95M]

代码.rar[47.89K]

数据.rar[2.27G]

章节3：SVM支持向量机算法[519.30M]

1.txt[0.20K]

30：SVM与感知机关系_几何距离与函数距离.mp4[77.74M]

31：SVM的思想.mp4[35.91M]

32：几种SVM_SVM的损失函数.mp4[47.92M]

33：数学预备知识_拉格朗日函数.mp4[72.17M]

34：硬间隔SVM的两步优化.mp4[64.89M]

35：总结硬间隔SVM.mp4[23.25M]

36：软间隔SVM和总结流程.mp4[76.87M]

37：非线性SVM.mp4[36.91M]

38：SVM在sklearn中的使用_超参数.mp4[80.08M]

SVM算法.pdf[2.52M]

代码.rar[1.05M]

章节4：SMO优化算法[368.90M]

1.txt[0.18K]

39：SVM算法流程总结.mp4[31.71M]

40：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[35.51M]

41：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[32.63M]

42：对一元函数求极值点_推导出旧的α和新的α的关系.mp4[26.41M]

43：将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁.mp4[43.47M]

44：再次说明α2如何进行剪裁的思路_根据α2求α1.mp4[17.78M]

45：启发式选择两个α.mp4[9.68M]

46：如何计算阈值b.mp4[19.48M]

47：SVM的SMO实现读取数据和计算fx与Ei.mp4[43.99M]

48：SVM的SMO实现判断违背条件的α1.mp4[10.02M]

49：SVM的SMO实现应用公式计算alphas和b.mp4[12.37M]

50：SVM绘制已有数据点和超平面以及边界.mp4[9.49M]

51：关于sklearn中的SVM封装的类和超参.mp4[11.81M]

52：概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp4[41.37M]

53：OVR和OVO多分类_算法小结_对比逻辑回归.mp4[23.17M]

代码.rar[12.43K]

07、机器学习-无监督学习[1.99G]

章节1：聚类系列算法[630.95M]

1.txt[0.29K]

1：KMeans聚类流程_距离测度欧式距离和余弦距离.mp4[91.94M]

2：距离测度欧式距离和余弦距离的场景_TFIDF.mp4[78.44M]

3：KMeans的一些变形_KMeans的损失函数推导及假设.mp4[86.57M]

4：mini-batchKMeans_Canopy聚类_聚类评估指标.mp4[117.54M]

5：KMeans代码测试不同情况下的聚类效果.mp4[97.13M]

6：层次聚类_密度聚类_谱聚类.mp4[156.59M]

代码.rar[4.86K]

聚类.pdf[2.74M]

章节2：EM算法和GMM高斯混合模型[1.01G]

1.txt[0.32K]

10：Jensen不等式的应用.mp4[89.00M]

11：将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp4[93.56M]

12：将EM算法应用到GMM中并且推导出Π的公式.mp4[26.95M]

13：GMM前景背景分离.mp4[13.41M]

14：通过声音文件利用GMM算法识别性别.mp4[110.81M]

15：通过声音文件利用GMM算法识别是谁.mp4[39.76M]

7：单个高斯分布GM的参数估计.mp4[72.12M]

8：理解GMM高斯混合分布的对数似然函数.mp4[59.30M]

9：GMM参数估计Πμσ的流程.mp4[63.98M]

EM算法与GMM模型.pdf[725.20K]

代码.rar[466.39M]

章节3：PCA降维算法[374.02M]

1.txt[0.34K]

16：特征选择与特征映射.mp4[40.60M]

17：PCA的最大投影方差思路.mp4[114.36M]

18：最大投影方差推导_最小投影距离思路.mp4[93.96M]

19：SVD其实就可以去实现PCA了.mp4[78.14M]

20：PCA的几种应用.mp4[46.12M]

PCA降维与SVD.pdf[864.92K]

08、机器学习-决策树系列[2.39G]

章节1：决策树[618.35M]

代码[43.87K]

decision_tree_regressor.py[1.06K]

iris_decision_tree.py[2.01K]

iris_tree.dot[2.31K]

iris_tree.png[38.49K]

文档[17.56M]

第六阶段_非线性分类回归算法_决策树与经典集成学习算法.wps[17.56M]

1：决策树模型的特点.mp4[35.90M]

10：绘制决策树模型_寻找最优树深度.mp4[52.69M]

11：代码训练回归树拟合SineWave.mp4[41.16M]

12：后剪枝的意义.mp4[28.32M]

13：CCP代价复杂度后剪枝.mp4[70.83M]

14：CCP代价复杂度剪枝_α超参数设定.mp4[30.41M]

2：决策树的数学表达.mp4[37.57M]

3：如何构建一颗决策树.mp4[33.05M]

4：什么是更好的一次划分.mp4[26.87M]

5：Gini系数.mp4[50.14M]

6：信息增益.mp4[35.48M]

7：熵与Gini系数关系_信息增益率.mp4[49.75M]

8：预剪枝以及相关超参数.mp4[67.96M]

9：代码实战决策树对鸢尾花数据集分类.mp4[40.61M]

新建文本文档.txt[0.31K]

章节2：集成学习和随机森林[355.66M]

代码[5.17K]

ensemble_adaboost.py[2.40K]

iris_bagging_tree.py[1.57K]

iris_random_forest.py[1.19K]

15：不同聚合方式_生成不同弱学习器方式.mp4[43.72M]

16：Bagging_Boosting_Stacking.mp4[32.58M]

17：随机森林.mp4[46.30M]

18：代码实战随机森林对鸢尾花数据集分类.mp4[49.28M]

19：OOB袋外数据.mp4[51.72M]

20：Adaboost算法思路.mp4[47.04M]

21：调整数据权重让权重正确率达到50%.mp4[36.06M]

22：Adaboost如何调整样本权重和求基模型权重.mp4[48.95M]

新建文本文档.txt[0.27K]

章节3：GBDT[860.09M]

代码[3.41K]

GBDT+LR.py[3.41K]

23：GBDT试图使用有监督最优化算法梯度下降求解F(x).mp4[31.79M]

24：GBDT令每个弱学习器f(x)去拟合负梯度.mp4[48.21M]

25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp4[43.03M]

26：GBDT应用于回归问题.mp4[47.05M]

27：GBDT回归举例_总结.mp4[45.60M]

28：GBDT应用于二分类问题.mp4[38.77M]

29：GBDT二分类拟合的负梯度依然是残差.mp4[46.05M]

30：GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4[34.44M]

31：GBDT应用于多分类任务.mp4[34.17M]

32：GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp4[32.69M]

33：GBDT多分类流程.mp4[39.29M]

34：对比GBDT回归、二分类、多分类相同点与不同点.mp4[27.63M]

35：GBDT二分类叶子节点分值计算推导.mp4[40.64M]

36：GBDT多分类叶子节点分值计算.mp4[29.43M]

37：GBDT二分类举例详解.mp4[39.43M]

38：GBDT多分类举例详解.mp4[41.29M]

39：计算特征重要度进行特征选择.mp4[26.62M]

40：GBDT用于特征组合降维.mp4[23.35M]

41：特征组合降维在GBDT+LR架构应用.mp4[28.63M]

42：GBDT在sklearn中源码剖析_初始化F(x).mp4[43.20M]

43：GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp4[38.69M]

44：GBDT+LR架构训练模型代码实现.mp4[46.16M]

45：GBDT+LR架构预测评估代码实现.mp4[33.95M]

新建文本文档.txt[0.35K]

章节4：XGBoost[610.63M]

代码[25.08K]

pima-indians-diabetes.csv[23.07K]

xgboost_feature_selection.py[2.00K]

文档[2.67M]

第七阶段_掌握AI竞赛神器_XGBoost算法.wps[2.67M]

46：回顾有监督机器学习三要素.mp4[41.77M]

47：Bias_Variance_Trade-off.mp4[34.34M]

48：基于树集成学习4个优点.mp4[40.85M]

49：回顾基于树集成学习的模型和参数并举例说明.mp4[41.64M]

50：通过目标函数Obj来达到准确率和复杂度平衡.mp4[23.73M]

51：Objective_vs_Heuristic.mp4[31.41M]

52：得出XGBoost最开始的Obj目标函数.mp4[41.54M]

53：推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4[25.78M]

54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp4[34.30M]

55：重新定义树ft和树的复杂度Ω.mp4[35.02M]

56：由每个叶子节点重组目标函数Obj.mp4[30.39M]

57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp4[31.89M]

58：根据Obj收益指导每一次分裂从而学习一棵树结构.mp4[46.88M]

59：举例说明从连续型和离散型变量中寻找最佳分裂条件.mp4[32.75M]

60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp4[31.75M]

61：样本权重对于模型学习的影响.mp4[27.68M]

62：总结XGBoost的特性_包括缺失值的处理策略.mp4[56.21M]

新建文本文档.txt[0.35K]

09、机器学习-概率图模型[1.25G]

章节1：贝叶斯分类[493.47M]

1.txt[0.35K]

1：朴素贝叶斯分类算法.mp4[116.00M]

2：TF-IDF.mp4[49.47M]

3：NB代码实现解析.mp4[99.87M]

4：sklearn中调用NB_顺便讲解了GridSearchCV.mp4[101.38M]

5：语言模型的设计目的_MLE的作用进行参数估计.mp4[94.28M]

6：贝叶斯网络_马尔可夫链.mp4[31.65M]

NB_HMM.pdf[826.78K]

代码.rar[7.43K]

章节2：HMM算法[347.55M]

1.txt[0.44K]

10：HMM预测问题使用维特比算法.mp4[26.12M]

11：HMM复习_明确概率计算问题要解决的目标.mp4[64.56M]

12：前向算法来解决概率计算问题.mp4[27.36M]

13：Viterbi算法案例详解.mp4[71.72M]

14：Viterbi算法代码实现.mp4[32.88M]

7：HMM隐马的定义.mp4[32.90M]

8：HMM隐马的三组参数_三个基本问题.mp4[56.02M]

9：HMM预测问题使用前向算法.mp4[35.97M]

代码.rar[0.94K]

资料.rar[26.48K]

章节3：CRF算法[435.65M]

1.txt[0.27K]

15：NER与分词和POS的关系_NER的标注策略_NER的主要方法.mp4[84.69M]

16：讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp4[40.02M]

17：了解CRF层添加的好处.mp4[62.98M]

18：EmissionScore_TransitionScore.mp4[51.66M]

19：CRF的目标函数.mp4[14.34M]

20：计算CRF真实路径的分数.mp4[44.32M]

21：计算CRF所有可能路径的总分数.mp4[86.34M]

22：通过模型来预测新的句子的序列标签.mp4[50.15M]

CRF_NER.pdf[1.17M]

10、机器学习与大数据-Kaggle竞赛实战[507.42M]

章节1：药店销量预测案例[175.36M]

1：Rossmann药店销量预测_kaggle的介绍.mp4[12.98M]

2：对数据字段的介绍_导包.mp4[8.63M]

3：自定义损失函数.mp4[9.44M]

4：对数据里面的目标变量sales的一个分析.mp4[16.91M]

5：数据的预处理.mp4[44.16M]

6：模型的训练_评估.mp4[23.62M]

7：kaggle竞赛网站学习.mp4[53.20M]

代码.rar[6.42M]

新建文本文档.txt[0.38K]

章节2：网页分类案例[332.06M]

10：评估指标ROC和AUC.mp4[20.69M]

11：竞赛其他相关提交成绩排行榜.mp4[19.99M]

12：数据导入.mp4[23.63M]

13：MLlib对网页分类竞赛数据预处理.mp4[38.72M]

14：MLlib对网页分类竞赛数据预处理_模型训练.mp4[28.04M]

15：MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数.mp4[25.53M]

16：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01.mp4[37.65M]

17：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02.mp4[36.02M]

18：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03.mp4[28.96M]

19：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04.mp4[30.51M]

8：Kaggle网页分类竞赛介绍.mp4[11.17M]

9：评估指标ROC和AUC.mp4[22.35M]

代码.rar[8.81M]

新建文本文档.txt[0.28K]

11-机器学习与大数据-海量数据挖掘工具[2.26G]

章节1：Spark计算框架基础[706.62M]

1.txt[0.31K]

1：Spark特性_01.mp4[25.08M]

10：分布式计算所需进程.mp4[15.58M]

11：两种算子操作本质区别.mp4[26.08M]

12：Spark算子操作实战讲解_代码实战WordCount_01.mp4[31.67M]

13：Spark算子操作实战讲解_代码实战WordCount_02.mp4[25.90M]

14：Spark算子操作实战讲解_代码实战WordCount_03.mp4[20.19M]

15：Spark算子操作实战讲解_代码实战WordCount_04.mp4[17.85M]

2：Spark特性_02.mp4[17.40M]

3：Spark对比hadoop优势.mp4[12.38M]

4：回顾hadoop讲解shuffle.mp4[19.97M]

5：分布式计算框架Shuffle的原理_01.mp4[25.51M]

6：分布式计算框架Shuffle的原理_02.mp4[25.73M]

7：分布式计算框架Shuffle的原理_03.mp4[17.39M]

8：Spark的RDD特性_01.mp4[19.34M]

9：Spark的RDD特性_02.mp4[21.87M]

代码.rar[383.20M]

资料.rar[1.49M]

章节2：Spark计算框架深入[394.15M]

1.txt[0.37K]

16：Spark数据缓存机制.mp4[29.16M]

17：Spark宽依赖和窄依赖_01.mp4[24.86M]

18：Spark宽依赖和窄依赖_02.mp4[22.51M]

19：Spark宽依赖和窄依赖_03.mp4[15.81M]

20：Spark术语总结.mp4[40.14M]

21：分布式文件系统Block块的大小配置.mp4[44.18M]

22：Spark程序启动运行流程详解_01.mp4[19.59M]

23：Spark程序启动运行流程详解_02.mp4[28.61M]

24：Spark程序启动运行流程详解_03.mp4[19.88M]

25：讲解构建稀疏和稠密向量_01.mp4[33.93M]

26：讲解构建稀疏和稠密向量_01.mp4[36.24M]

27：构建LabeledPoint.mp4[44.27M]

28：介绍SparkMLlib模块中实现的算法和调用.mp4[34.98M]

章节3：Spark机器学习MLlib和ML模块[1.18G]

1.txt[0.26K]

29：SparkMLlib对于逻辑回归算法的调用.mp4[49.29M]

30：SparkMLlib调用逻辑回归_自定义阈值_1.mp4[52.43M]

31：SparkMLlib调用逻辑回归_自定义阈值_2.mp4[47.11M]

32：SparkMLlib调用逻辑回归_使用标准归一化_1.mp4[38.63M]

33：SparkMLlib调用逻辑回归_使用标准归一化_2.mp4[65.62M]

34：SparkMLlib调用逻辑回归_使用标准归一化_3.mp4[33.14M]

35：SparkMLlib调用逻辑回归_使用标准归一化_4.mp4[43.60M]

36：SparkMLlib调用KMeans聚类_调用决策树(1)_1.mp4[37.79M]

37：SparkMLlib调用KMeans聚类_调用决策树(1)_2.mp4[47.15M]

38：SparkMLlib调用KMeans聚类_调用决策树(1)_3.mp4[40.95M]

39：使用逻辑回归和随机森林对股票Stock预测案例实战_1.mp4[43.42M]

40：使用逻辑回归和随机森林对股票Stock预测案例实战_2.mp4[34.88M]

41：使用逻辑回归和随机森林对股票Stock预测案例实战_3.mp4[34.72M]

42：从数据转化到训练集的构建.mp4[63.43M]

43：模型的训练以及评估和调超参_1.mp4[35.13M]

44：模型的训练以及评估和调超参_2.mp4[32.20M]

45：模型的训练以及评估和调超参_3.mp4[43.15M]

46：SparkML机器学习库概念讲解_1.mp4[59.65M]

47：SparkML机器学习库概念讲解_2.mp4[53.66M]

48：SparkML机器学习库代码实战讲解_1.mp4[61.17M]

49：SparkML机器学习库代码实战讲解_2.mp4[63.52M]

50：SparkML网页分类案例代码实战续（1）_1.mp4[62.90M]

51：SparkML网页分类案例代码实战续（1）_2.mp4[60.75M]

52：SparkML网页分类案例代码实战续（2）_1.mp4[57.53M]

53：SparkML网页分类案例代码实战续（2）_2.mp4[44.96M]

54：SparkML网页分类案例代码实战续（3）.mp4[3.98M]

资料.rar[1.28M]

12-机器学习与大数据-推荐系统项目实战[8.66G]

章节1：推荐系统–流程与架构[485.45M]

1.txt[0.33K]

1：推荐系统_隐式用户反馈_1.mp4[44.96M]

10：推荐系统列表_关联特征权重_基本特征权重的计算_2.mp4[43.64M]

11：推荐系统列表_关联特征权重_基本特征权重的计算_3.mp4[41.91M]

12：推荐系统_数据源_1.mp4[33.87M]

13：推荐系统_数据源_2.mp4[31.31M]

2：推荐系统_隐式用户反馈_2.mp4[49.06M]

3：推荐系统_协同过滤_1.mp4[29.26M]

4：推荐系统_协同过滤_2.mp4[28.44M]

5：推荐系统_协同过滤_3.mp4[28.65M]

6：推荐系统_协同过滤_4.mp4[29.76M]

7：推荐系统架构_实时_离线_1.mp4[41.81M]

8：推荐系统架构_实时_离线_2.mp4[41.79M]

9：推荐系统列表_关联特征权重_基本特征权重的计算_1.mp4[37.58M]

数据.rar[759.94K]

资料.rar[2.67M]

章节2：推荐系统–数据预处理和模型构建评估实战[7.67G]

1.txt[0.38K]

14：HQL语句_python脚本构建中间结果_1.mp4[48.91M]

15：HQL语句_python脚本构建中间结果_2.mp4[46.79M]

16：HQL语句_python脚本构建中间结果_3.mp4[43.99M]

17：HQL语句_python脚本构建中间结果_4.mp4[47.18M]

18：推荐系统_数据预处理_spark构建特征索引_标签列_1.mp4[43.80M]

19：spark构建特征索引_标签列_2.mp4[43.31M]

20：spark构建特征索引_标签列_3.mp4[42.32M]

21：spark构建特征索引_标签列_4.mp4[39.89M]

22：MLlib调用算法计算模型文件并存储_1.mp4[40.21M]

23：MLlib调用算法计算模型文件并存储_2.mp4[37.77M]

24：MLlib调用算法计算模型文件并存储_3.mp4[43.55M]

25：ACC准确率和AUC面积的计算以及意义.mp4[93.24M]

代码.rar[6.12K]

集群.rar[6.46G]

软件.rar[665.46M]

数据.rar[2.90M]

资料.rar[468.42K]

章节3：推荐系统–模型使用和推荐服务[527.03M]

1.txt[0.43K]

26：推荐模型文件使用思路.mp4[25.82M]

27：Redis数据库安装及其使用.mp4[16.62M]

28：实时在线推荐列表计算逻辑代码讲解_1.mp4[50.63M]

29：实时在线推荐列表计算逻辑代码讲解_2.mp4[40.17M]

30：实时在线推荐列表计算逻辑代码讲解_3.mp4[36.75M]

31：实时在线推荐列表计算逻辑代码讲解_4.mp4[36.51M]

32：使用Dubbo将推荐系统做成服务_1.mp4[41.30M]

33：使用Dubbo将推荐系统做成服务_2.mp4[41.40M]

34：使用Dubbo将推荐系统做成服务_3.mp4[45.74M]

35：Dubbo推荐服务演示_SparkMLlib介绍_1.mp4[51.29M]

36：Dubbo推荐服务演示_SparkMLlib介绍_2.mp4[47.92M]

37：Dubbo推荐服务演示_SparkMLlib介绍_3.mp4[50.71M]

代码.rar[42.15M]

13-深度学习-原理和进阶[3.73G]

章节1：神经网络算法[537.28M]

1.txt[0.36K]

1：神经网络是有监督的算法_生物神经元到人工神经元.mp4[63.30M]

2：三种常见的激活函数_网络拓扑介绍_优化算法.mp4[33.55M]

3：单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类.mp4[45.44M]

4：用神经网络理解Softmax回归.mp4[44.38M]

5：隐藏层的意义_隐藏层相当于去做预处理_升维降维.mp4[69.11M]

6：多节点网络输出_sklearn中NN模块的介绍.mp4[53.02M]

7：sklearn中NN模型的代码使用.mp4[69.28M]

8：隐藏层激活函数必须是非线性的.mp4[13.69M]

9：tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装.mp4[132.12M]

神经网络.pdf[518.13K]

资料.rar[12.88M]

章节2：TensorFlow深度学习工具[2.78G]

1.txt[0.28K]

10：CUDA下载地址_CUDA显卡白名单地址.mp4[57.91M]

11：CUDA安装_cudnn安装_环境变量配置_检验是否安装成功.mp4[60.71M]

12：Tensorflow代码运行机制_TF基础的代码.mp4[98.16M]

13：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[106.23M]

14：TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据.mp4[130.43M]

15：TF实现Softmax回归来识别MNIST手写数字.mp4[108.49M]

16：TF实现DNN来识别MNIST手写数字.mp4[104.48M]

代码.rar[27.29K]

软件.rar[2.13G]

章节3：反向传播推导_Python代码实现神经网络[432.15M]

1.txt[0.31K]

17：反向传播_链式求导法则.mp4[56.13M]

18：反向传播推导(一).mp4[91.08M]

19：反向传播推导(二)从输出层到最后一个隐藏层.mp4[78.81M]

20：反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例.mp4[65.08M]

21：反向传播推导(四)关于Δ和a还有梯度的更新事宜.mp4[25.06M]

22：python实现神经网络训练代码讲解(一).mp4[50.79M]

23：python实现神经网络正向反向传播训练.mp4[65.01M]

代码.rar[2.83K]

资料.rar[180.60K]

14-深度学习-图像识别原理[3.20G]

章节1：卷积神经网络原理[500.19M]

1.txt[0.41K]

1：回顾深度神经网络_卷积层是局部连接.mp4[81.89M]

2：单通道卷积的计算.mp4[65.27M]

3：彩色图片卷积的计算.mp4[36.33M]

4：卷积层权值共享.mp4[37.06M]

5：卷积的补充与Padding填充模式.mp4[56.33M]

6：卷积的计算TF中的API操作与参数.mp4[76.76M]

7：池化的概念和TF中的API的操作与参数.mp4[52.54M]

8：经典的CNN架构和LeNet5.mp4[90.93M]

代码.rar[1.60K]

资料.rar[3.08M]

章节2：卷积神经网络优化[709.62M]

1.txt[0.81K]

10：Dropout技术点思想和运用.mp4[72.22M]

11：数据增强技术点_CNN对MNIST数据集分类_卷积池化代码.mp4[62.59M]

12：CNN对MNIST数据集分类_全连接层以及训练代码.mp4[75.35M]

13：深度学习网络对应ACC准确率忽然下降的思考点.mp4[63.34M]

14：减轻梯度消失问题中激活函数发挥的作用.mp4[25.71M]

15：减轻梯度消失问题中参数初始化发挥的作用.mp4[54.56M]

16：VGG网络结构_以及1乘1的卷积核的作用和好处.mp4[76.57M]

17：Optimizer_SGD_Momentum.mp4[59.32M]

18：Optimizer_Adagrad_Adadelta_RMSprop.mp4[79.54M]

19：Optimizer_Adam.mp4[79.91M]

9：AlexNet网络结构_连续使用小的卷积核好处.mp4[60.49M]

代码.rar[3.01K]

资料.rar[25.89K]

章节3：经典卷积网络算法[878.62M]

1.txt[0.37K]

20：Keras介绍_以及不同项目调用不同的python环境和CUDA环境.mp4[78.00M]

21：VGG16_Fine-tuning_对MNIST做手写数字识别.mp4[89.69M]

22：InceptionV1_V2.mp4[131.69M]

23：InceptionV3_以及InceptionV3对皮肤癌图片识别.mp4[124.68M]

24：ResNet残差单元_BottlenetBlocK.mp4[72.33M]

25：DenseNet和Keras里面的实现.mp4[116.93M]

26：DenseNet在Keras里面的代码实现.mp4[52.49M]

27：BatchNormalization.mp4[84.12M]

28：Mobilenet网络架构.mp4[123.63M]

代码.rar[5.33K]

资料.rar[5.05M]

章节4：古典目标检测[378.49M]

1.txt[0.23K]

29：图像识别任务_古典目标检测.mp4[121.49M]

30：使用OpenCV调用分类器找到目标框.mp4[73.92M]

31：IOU以及python计算的代码.mp4[18.51M]

32：R-CNN和SPP-net.mp4[68.40M]

33：从FastRCNN引入FasterRCNN.mp4[93.80M]

目标检测.pdf[2.36M]

章节5：现代目标检测之FasterRCNN[809.48M]

1.txt[0.25K]

34：回顾RCNN_SPPnet_Fast-RCNN.mp4[96.32M]

35：FasterRNN的核心RPN_正向传播的框过滤_NMS.mp4[152.24M]

36：NMS代码实现流程_mAP目标检测平均指标.mp4[105.18M]

37：FasterRCNN论文讲解_从介绍到RPN的loss.mp4[198.76M]

38：FasterRCNN论文讲解_从RPN损失到评估指标对比.mp4[250.49M]

FasterR-CNNTowardsReal-TimeObjectDetectionwithRegionProposalNetworks.pdf[6.49M]

15-深度学习-图像识别项目实战[4.85G]

章节1：车牌识别[306.44M]

1：基于CascadeClassifier来提取目标框做车牌识别代码详解_01.mp4[31.79M]

2：基于CascadeClassifier来提取目标框做车牌识别代码详解_02.mp4[33.64M]

3：基于CascadeClassifier来提取目标框做车牌识别代码详解_03.mp4[18.45M]

4：基于CascadeClassifier来提取目标框做车牌识别代码详解_04.mp4[28.08M]

5：车牌识别项目关于目标检测的问题.mp4[17.44M]

car_license.rar[177.04M]

章节2：自然场景下的目标检测及源码分析[3.92G]

10：FasterRCNN项目代码_模型的训练.mp4[17.61M]

11：回归整体训练流程_详解读取数据blob_01.mp4[33.04M]

12：回归整体训练流程_详解读取数据blob_02.mp4[31.64M]

13：回归整体训练流程_详解读取数据blob_03.mp4[18.48M]

14：回归整体训练流程_详解读取数据blob_04.mp4[27.24M]

15：FasterRCNN代码_构建head.mp4[25.91M]

16：FasterRCNN代码_构建RPN网络_01.mp4[49.33M]

17：FasterRCNN代码_构建RPN网络_02.mp4[39.32M]

18：FasterRCNN代码_根据RPN网络得到校正后的预测的框_01.mp4[37.69M]

19：FasterRCNN代码_根据RPN网络得到校正后的预测的框_02.mp4[48.00M]

20：FasterRCNN代码_bbox剪裁_NMS非极大值抑制.mp4[46.08M]

21：FasterRCNN代码_给RPN准备正负例样本_01.mp4[40.86M]

22：FasterRCNN代码_给RPN准备正负例样本_02.mp4[62.30M]

23：FasterRCNN代码_给RPN准备正负例样本_03.mp4[22.05M]

24：FasterRCNN代码_给RPN准备正负例样本_04.mp4[19.13M]

25：FasterRCNN代码_给RPN准备正负例样本_05.mp4[29.94M]

26：FasterRCNN代码_给RPN准备正负例样本_06.mp4[42.60M]

27：FasterRCNN代码_给RPN准备正负例样本_07.mp4[37.95M]

28：FasterRCNN代码_给RPN准备正负例样本_08.mp4[21.93M]

29：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01.mp4[26.51M]

30：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02.mp4[25.42M]

31：FasterRCNN代码_添加Loss损失_smoothL1loss.mp4[26.83M]

6：FasterRCNN项目代码_环境说明_数据集详解_项目结构说明.mp4[46.53M]

7：FasterRCNN项目代码_数据加载.mp4[39.94M]

8：FasterRCNN项目代码_数据增强.mp4[31.37M]

9：FasterRCNN项目代码_数据初始化.mp4[30.31M]

Faster-RCNN-TensorFlow-Python3.5-master.rar[3.06G]

资料.rar[26.61K]

章节3：图像风格迁移[650.50M]

1.txt[0.25K]

32：图片风格融合项目_架构_代码实现要点_1.mp4[30.54M]

33：图片风格融合项目_架构_代码实现要点_2.mp4[35.38M]

34：图片风格融合项目_架构_代码实现要点_3.mp4[34.81M]

35：图片风格融合项目_架构_代码实现要点_4.mp4[37.08M]

style_transfer.rar[512.68M]

16-深度学习-目标检测YOLO(V1-V4全版本)实战[3.47G]

章节1：YOLOv1详解[561.67M]

1：YOLOv1论文详解_算法特点介绍.mp4[143.16M]

2：YOLOv1论文详解_网络架构_思想.mp4[163.33M]

3：YOLOv1论文详解_训练中的技巧_Loss损失函数.mp4[192.72M]

4：YOLOv1论文详解_NMS_局限性.mp4[62.47M]

章节2：YOLOv2详解[619.35M]

5：YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes.mp4[138.74M]

6：YOLOv2论文详解_mAP更better的一些点.mp4[212.94M]

7：YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签.mp4[120.92M]

8：YOLOv2论文详解_层级分类_层级分类用于目标检测.mp4[146.75M]

章节3：YOLOv3详解[623.81M]

10：YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53.mp4[109.35M]

11：YOLOv3论文详解_总结_FocalLoss.mp4[100.58M]

12：YOLOv4论文概述_介绍.mp4[96.28M]

13：YOLOv4论文概述_BOS_BOF.mp4[253.06M]

9：YOLOv3论文详解_每个框都要预测多个类别概率.mp4[64.54M]

章节4：YOLOv3代码实战[705.88M]

14：YOLOv3代码剖析_项目介绍.mp4[95.01M]

15：YOLOv3代码剖析_聚类anchors_构建backbone主干网络.mp4[144.47M]

16：YOLOv3代码剖析_model输出之后的预测框的计算.mp4[138.41M]

17：YOLOv3代码剖析_使用model预测的其余代码.mp4[54.57M]

18：YOLOv3代码剖析_weights到h5模型的转换.mp4[83.70M]

19：YOLOv3代码剖析_模型的训练部分详解.mp4[189.72M]

章节5：YOLOv4详解[568.71M]

20：YOLOv4_BOF_DropBlock_FocalLoss.mp4[159.22M]

21：YOLOv4_BOF_GIoU_DIoU_CIoU.mp4[72.25M]

22：YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish.mp4[163.21M]

23：YOLOv4_BOS_SAM_PAN_CSP_CmBN.mp4[174.03M]

keras-yolo3-master.rar[443.97M]

资料.rar[25.37M]

17-深度学习-语义分割原理和实战[2.11G]

章节1：上采样_双线性插值_转置卷积[469.07M]

1.txt[0.29K]

1：前言.mp4[14.47M]

2：上采样_repeat.mp4[16.98M]

3：线性插值.mp4[23.87M]

4：双线性插值.mp4[66.03M]

5：转置卷积_以及TF的API.mp4[62.74M]

6：双线性插值作为转置卷积核的初始参数.mp4[83.64M]

7：ROIAlign.mp4[47.15M]

8：FPN思想与网络结构.mp4[48.20M]

9：FPN应用于FasterRCNN_ResNetFPN.mp4[101.57M]

代码.rar[3.31K]

资料.rar[4.43M]

章节2：医疗图像UNet语义分割[225.89M]

1.txt[0.19K]

10：语义分割的基本概念.mp4[14.13M]

11：FCN全卷积网络做语义分割.mp4[28.30M]

12：UNet网络结构.mp4[17.90M]

13：UNet网络医疗图像的语义分割.mp4[59.40M]

U-Net.zip[102.75M]

资料.rar[3.41M]

章节3：蒙版弹幕MaskRCNN语义分割[1.43G]

1.txt[0.35K]

14：MaskRCNN网络结构.mp4[54.01M]

15：MaskRCNN的项目展示.mp4[117.07M]

16：MaskRCNN网络架构回顾.mp4[74.84M]

17：MaskRCNN根据文档和论文总结重要的知识点.mp4[191.29M]

18：MaskRCNN项目关于运行代码环境的说明.mp4[34.35M]

19：MaskRCNN源码config和model.mp4[190.09M]

代码.rar[798.38M]

资料.rar[6.77M]

18-深度学习-人脸识别项目实战[1.87G]

章节1：人脸识别[897.01M]

1：人脸识别任务种类_具体做法思路.mp4[26.65M]

10：人脸识别项目代码_加载MTCNN模型.mp4[53.20M]

11：人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框.mp4[48.88M]

12：FaceNet论文_摘要和前情介绍.mp4[58.45M]

13：FaceNet论文_相关的介绍.mp4[42.19M]

14：FaceNet论文_TripleLoss思路来源和目标.mp4[48.45M]

15：FaceNet论文_TripleLoss损失函数.mp4[53.82M]

16：FaceNet论文_TripleSelection很至关重要.mp4[62.93M]

17：FaceNet论文_ZF和Inception对比_总结.mp4[57.56M]

18：人脸识别项目代码_FaceNet模型加载和使用.mp4[35.74M]

19：人脸识别项目代码_人脸匹配以及最后的绘图展示.mp4[30.32M]

2：开源的FaceNet项目介绍.mp4[29.12M]

3：人脸识别项目代码整体结构.mp4[23.36M]

4：MTCNN论文_摘要和介绍.mp4[62.24M]

5：MTCNN论文_网络整体架构.mp4[66.92M]

6：PRelu_每阶段输出多分支意义.mp4[35.08M]

7：每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp4[57.33M]

8：训练数据的准备_每一阶段训练的流程.mp4[53.05M]

9：总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp4[51.73M]

1.txt[0.50K]

facenet-master.zip[823.10M]

模型.rar[186.42M]

资料.rar[7.47M]

19-深度学习-NLP自然语言处理原理和进阶[1.31G]

章节1：词向量与词嵌入[540.45M]

1.txt[0.31K]

1：N-gram语言模型.mp4[100.90M]

2：NPLM神经网络语言模型.mp4[91.13M]

3：词向量的作用.mp4[36.29M]

4：CBOW模型思想和计算过程.mp4[100.15M]

5：Skip-gram模型思想和计算过程.mp4[33.20M]

6：Huffman树_分层Softmax的思想.mp4[66.23M]

7：分层Softmax应用到CBOW模型上.mp4[51.31M]

8：负采样和负采样应用到CBOW模型上.mp4[59.08M]

Word2Vec.pdf[1.89M]

资料.rar[266.85K]

章节2：循环神经网络原理与优化[482.47M]

1.txt[0.41K]

10：理解RNN循环神经网络计算流程.mp4[29.87M]

11：利用RNN循环神经网络对MNIST手写数字识别.mp4[96.49M]

12：理解LSTM长短时记忆_记住Topo和公式.mp4[104.73M]

13：VanillaRNN的回顾复习.mp4[72.40M]

14：补充讲一下为什么RNN中链越长越容易梯度消失.mp4[27.92M]

15：LSTM的回顾复习_LSTM手写数字识别.mp4[26.32M]

16：双向RNN_LSTM.mp4[30.09M]

17：RNN里面应用的Topology结构.mp4[15.64M]

9：理解RNN循环神经网络拓扑结构.mp4[74.59M]

RNN_Attention机制.pdf[2.83M]

代码.rar[1.69K]

资料.rar[1.59M]

章节3：从Attention机制到Transformer[180.29M]

1.txt[0.60K]

18：Seq2Seq中Attention注意力机制.mp4[39.99M]

19：Transformer_Self-Attention_Multi-head.mp4[79.26M]

20：Transformer_Positional_使用逻辑_网络结构总结.mp4[55.10M]

RNN_Attention机制.pdf[5.16M]

资料.rar[792.99K]

章节4：ELMO_BERT_GPT[134.46M]

1.txt[0.60K]

21：ELMO.mp4[33.25M]

22：BERT理论.mp4[52.58M]

23：ERNIE_GPT.mp4[43.47M]

RNN_Attention机制.pdf[5.16M]

20-深度学习-NLP自然语言处理项目实战[1.99G]

章节1：词向量[456.56M]

1：回顾了词向量里面训练的Topology.mp4[91.34M]

2：Word2Vec项目代码_加载数据_构建字典.mp4[75.49M]

3：Word2Vec项目代码_构建一个个批次数据.mp4[65.40M]

4：Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质.mp4[80.94M]

5：Word2Vec项目代码_评估比较相似度_最后的训练绘图.mp4[68.29M]

6：Word2Vec项目代码_总结串讲.mp4[18.31M]

word_2_vector.rar[56.80M]

章节2：自然语言处理–情感分析[208.85M]

10：代码讲解_01.mp4[24.56M]

11：代码讲解_02.mp4[27.78M]

12：代码讲解_03.mp4[24.50M]

13：代码讲解_04.mp4[26.34M]

14：代码讲解_05.mp4[19.33M]

7：Keras实战RNN以及词嵌入来做情感分析.mp4[28.82M]

8：数据预处理_01.mp4[33.19M]

9：数据预处理_02.mp4[24.32M]

代码.rar[4.64K]

章节3：AI写唐诗[352.33M]

15：AI写唐诗_数据的读取_字典的构建_文本的索引化.mp4[89.26M]

16：AI写唐诗_训练数据的构建.mp4[44.78M]

17：MultiRNNCell单元.mp4[22.27M]

18：AI写唐诗_从词嵌入到构建RNN再到输出层概率输出.mp4[52.61M]

19：AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码.mp4[48.59M]

20：AI写唐诗_模型的使用_增加随机性.mp4[72.51M]

代码.rar[22.31M]

章节4：Seq2Seq聊天机器人[214.60M]

21：从AI写唐诗到Seq2Seq再到Encoder-Decoder.mp4[69.51M]

22：Seq2Seq版Chatbot的数据预处理.mp4[75.20M]

23：Seq2Seq版Chatbot训练和模型使用.mp4[69.86M]

代码.rar[37.30K]

章节5：实战NER命名实体识别项目[600.97M]

24：回顾了一下CRF训练和使用过程.mp4[56.68M]

25：介绍了代码目录结构.mp4[19.69M]

26：NER代码读取数据和预处理.mp4[85.89M]

27：feature进入BiLSTM进行正向传播的过程.mp4[68.89M]

28：通过CRF层来计算Loss损失以及训练.mp4[66.03M]

29：BiLSTM-CRF模型的预测代码.mp4[60.45M]

30：CRF中的特征函数们.mp4[87.83M]

31：对比逻辑回归_相比HMM优势.mp4[83.05M]

32：补充标注偏置问题_HMM做分词代码结构.mp4[58.18M]

代码.rar[14.28M]

章节6：BERT新浪新闻10分类项目[156.66M]

33：BERT新浪新闻10分类项目.mp4[90.17M]

bert.zip[66.49M]

章节7：GPT2聊天机器人[51.09M]

34：GPT2闲聊机器人.mp4[37.61M]

gpt2_chatbot-master.zip[86.58K]

GPT2-Chinese-master.zip[13.39M]

21-深度学习-OCR文本识别[1.04G]

章节1：深度学习-OCR文本识别[1.04G]

1：传统OCR识别_深度学习OCR识别.mp4[130.34M]

10：CRNN项目代码剖析.mp4[127.07M]

2：OCR识别本质就是文字检测和文字识别.mp4[80.13M]

3：OCR识别的CTC损失思想.mp4[95.96M]

4：总结理解深度学习文字识别架构.mp4[34.81M]

5：CTC损失函数的理解.mp4[130.26M]

6：CTC损失函数前向后向算法推导_梯度求导公式推导.mp4[85.53M]

7：CTC前向后向算法代码.mp4[86.60M]

8：GreedySearch和BeamSearch解码的方式与代码逻辑.mp4[116.48M]

9：CPTN项目代码剖析.mp4[173.24M]

资料.rar[478.63K]

22-深度学习-语音识别【2021新增未更新。持续更新】

官方未更新。持续更新

23-深度学习-知识图谱【2021新增未更新。持续更新】

官方未更新。持续更新

24-【加课】Pytorch项目实战[1.26G]

章节1：PyTorch运行环境安装_运行环境测试[124.50M]

1：PyTorch概述.mp4[26.67M]

2：PyTorch的安装.mp4[45.81M]

3：Pycharm关联PyTorch运行环境.mp4[24.03M]

4：Jupyter关联PyTorch运行环境.mp4[27.99M]

章节2：PyTorch基础_Tensor张量运算[177.16M]

5：Tensor的创建.mp4[42.45M]

6：修改Tensor的形状_索引操作.mp4[56.59M]

7：广播机制_逐元素操作.mp4[33.45M]

8：归并操作_比较操作_矩阵操作.mp4[44.67M]

章节3：PyTorch卷积神经网络_实战CIFAR10[347.44M]

10：PyTorch实战CIFAR10_构建网络_打印网络层次.mp4[38.92M]

11：PyTorch实战CIFAR10_训练模型_测试模型.mp4[33.50M]

12：PyTorch实战CIFAR10_分类别打印模型准确率.mp4[19.94M]

13：使用全局平均池化_使用LeNet模型.mp4[26.73M]

14：使用集成学习思想训练识别模型.mp4[53.92M]

15：使用VGG16模型提供准确率.mp4[33.35M]

16：torchvision里面的预训练模型.mp4[20.28M]

17：迁移学习_PyTorch代码实战冻结预训练模型参数.mp4[38.81M]

18：PyTorch代码实战加入数据增强.mp4[23.49M]

9：PyTorch实战CIFAR10数据_读取和展示.mp4[58.48M]

章节4：PyTorch循环神经网络_词性标注[78.59M]

19：PyTorch词性标注_构建数据和词索引号.mp4[16.72M]

20：PyTorch词性标注_构建词嵌入层LSTM层和词性输出层.mp4[26.98M]

21：PyTorch词性标注_构建数据索引化和训练模型代码.mp4[27.12M]

22：PyTorch词性标注_测试模型效果.mp4[7.78M]

章节5：PyTorch编码器解码器_机器翻译[257.12M]

23：PyTorch中英文翻译_规范化语料库_构建中英文词典索引.mp4[31.67M]

24：PyTorch中英文翻译_数据预处理.mp4[24.46M]

25：PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器.mp4[31.36M]

26：PyTorch中英文翻译_构建训练函数之Encoder计算.mp4[32.85M]

27：PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器.mp4[43.18M]

28：PyTorch中英文翻译_构建训练函数之Decoder计算.mp4[38.50M]

29：PyTorch中英文翻译_评估模型函数.mp4[34.22M]

30：PyTorch中英文翻译_绘制Attentions注意力权重.mp4[20.88M]

代码.rar[307.66M]

资料.rar[1.77M]

25、【加课】百度飞桨PaddlePaddle实战【新增】[15.92G]

章节1：PaddlePaddle框架安装_波士顿房价预测[168.37M]

代码[6.59K]

hello_paddle.py[1.74K]

predict_boston_housing.py[4.86K]

数据[48.25K]

housing.data[47.93K]

LR_model.pdparams[0.32K]

1：安装PaddlePaddle.mp4[36.77M]

2：Pycharm运行出现mkl-service或DLL找不到的问题.mp4[28.19M]

3：PaddlePaddle求解线性模型.mp4[35.67M]

4：预测波士顿房价_数据读取_正向传播.mp4[38.00M]

5：预测波士顿房价_反向传播_模型保存_模型测试.mp4[29.68M]

章节2：PaddlePaddle卷积网络_病理性近视识别[1.53G]

代码[25.82K]

predict_Pathologic_Myopia.py[25.82K]

数据[1.34G]

palm.pdopt[89.70M]

palm.pdparams[89.91M]

PALM-Training400.zip[618.75M]

PALM-Validation400.zip[575.84M]

6：预测病理性近视_图片数据读取.mp4[45.49M]

7：预测病理性近视_模型训练.mp4[40.78M]

8：预测病理性近视_定义模型结构_评估模型.mp4[40.92M]

9：预测病理性近视_调用经典卷积神经网络.mp4[66.29M]

章节3：PaddleDetection工具_PCB电路板缺陷检测[1.70G]

代码[142.63M]

data_analysis.py[0.79K]

PaddleDetection-release-2.2.zip[142.62M]

PCB_faster_rcnn_r50_fpn_3x_coco.yml[3.61K]

PCB_faster_rcnn_r50_fpn_3x_coco_explain.yml[6.13K]

show_result.py[0.25K]

数据[1.29G]

output[1.78M]

04_missing_hole_10.jpg[1.78M]

PCB_faster_rcnn_r50_fpn_3x_coco[314.88M]

best_model.pdopt[156.80M]

best_model.pdparams[158.08M]

PCB_DATASET.tar[916.16M]

ResNet50_cos_pretrained.pdparams[89.90M]

10：PaddleDetection_项目配置.mp4[42.14M]

11：安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题.mp4[31.05M]

12：PCB电路板缺陷检测_Images和Annotations.mp4[29.76M]

13：PCB电路板缺陷检测_前期数据的分析.mp4[55.99M]

14：PCB电路板缺陷检测_项目配置文件.mp4[27.18M]

15：PCB电路板缺陷检测_模型训练.mp4[43.74M]

16：PCB电路板缺陷检测_模型预测.mp4[40.76M]

章节4：PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)[9.12G]

代码[70.97M]

data_preprocessing.py[2.67K]

PaddleOCR-release-2.2.zip[70.96M]

数据[8.80G]

inference[10.68M]

db_mv3[7.78M]

inference.pdiparams[6.46M]

inference.pdiparams.info[25.69K]

inference.pdmodel[1.29M]

rec_chinese_lite_v2.0[2.72M]

inference.pdiparams[1.73M]

inference.pdiparams.info[19.48K]

inference.pdmodel[994.11K]

inference_results[189.37K]

111.jpg[189.37K]

pretrain_models[64.32M]

rec_mv3_none_bilstm_ctc_v2.0_train[48.82M]

best_accuracy.pdopt[16.00M]

best_accuracy.pdparams[12.25M]

best_accuracy.states[0.13K]

train.log[20.57M]

MobileNetV3_large_x0_5_pretrained.pdparams[15.50M]

111.jpg[171.39K]

CCPD2019.zip[7.22G]

dev_det.txt[3.81M]

dev_rec.txt[1.21M]

dict.txt[0.25K]

img.rar[1.48G]

train_det.txt[15.21M]

train_rec.txt[4.82M]

17：PaddleOCR_项目配置_CCPD数据集介绍.mp4[47.40M]

18：车牌识别项目_详解数据准备阶段代码.mp4[28.73M]

19：车牌识别项目_运行保存标签和剪切出的车牌图片.mp4[37.23M]

20：车牌识别项目_车牌目标框检测模型训练.mp4[44.20M]

21：车牌识别项目_车牌字符识别模型训练.mp4[45.18M]

22：车牌识别项目_车牌识别模型导出及预测.mp4[54.75M]

章节5：PaddleNLP模块_物流信息提取（BiGRU+CRF）[2.89G]

代码[17.44M]

null

PaddleNLP-release-2.2.zip[17.43M]

readme.py[3.00K]

waybill.py[5.57K]

数据[2.58G]

data[609.73K]

dev.txt[51.79K]

tag.dic[0.06K]

test.txt[52.79K]

train.txt[423.67K]

word.dic[81.43K]

results[2.58G]

final.pdopt[1.47G]

final.pdparams[1.11G]

23：PaddleNLP_项目配置.mp4[30.94M]

24：PaddleNLP_物流信息提取项目介绍.mp4[32.51M]

25：物流信息提取项目_解决导包显示找不到nul问题.mp4[42.22M]

26：PaddleNLP_物流信息提取项目_加载数据构建DataSet.mp4[38.36M]

27：PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader.mp4[37.31M]

28：PaddleNLP_物流信息提取项目_构建网络模型.mp4[32.75M]

29：PaddleNLP_物流信息提取项目_模型训练.mp4[35.53M]

30：PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果.mp4[52.25M]

章节6：PaddleNLP模块_物流信息提取（ERNIE版）[526.41M]

代码[5.67K]

waybill_ernie.py[5.67K]

数据[381.64M]

data[609.73K]

dev.txt[51.79K]

tag.dic[0.06K]

test.txt[52.79K]

train.txt[423.67K]

word.dic[81.43K]

ernie_result[381.02M]

model_450.pdparams[381.02M]

ernie_results.txt[26.75K]

31：PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset.mp4[34.05M]

32：PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用.mp4[39.05M]

33：PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码.mp4[34.16M]

34：PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果.mp4[37.51M]

26-【加课】Linux环境编程基础[8.91G]

章节1：Linux[402.46M]

1：Linux_课程介绍.mp4[2.93M]

10：Linux_常用命令_clear、touch、cat命令.mp4[6.87M]

11：Linux_常用命令more、head、tail命令.mp4[11.70M]

12：Linux_常用命令_mkdir命令.mp4[7.43M]

13：Linux_常用命令_cp命令.mp4[10.70M]

14：Linux_常用命令_rm、mv命令.mp4[19.97M]

15：Linux_常用命令_vi、vim.mp4[22.86M]

16：Linux_常用命令_reboot、halt.mp4[4.00M]

17：Linux_常用配置_设置时区.mp4[18.87M]

18：Linux_常用配置_启动网络.mp4[11.22M]

19：Linux_常用配置_修改网段.mp4[8.25M]

2：Linux_Linux简介.mp4[13.00M]

20：Linux_常用配置_设置网络类型.mp4[18.89M]

21：Linux_常用配置_快照与克隆.mp4[10.70M]

22：Linux_Xshell的安装与使用.mp4[14.02M]

23：Linux_上传与下载_Xftp的使用.mp4[12.71M]

24：Linux_上传与下载_lrzsz工具.mp4[29.88M]

25：Linux_文件的压缩与解压缩处理.mp4[28.41M]

26：Linux_安装MySQL.mp4[50.87M]

3：Linux_VMWare安装及使用.mp4[13.59M]

4：Linux_安装Linux.mp4[25.92M]

5：Linux_目录介绍.mp4[13.24M]

6：Linux_Linux中的路径.mp4[13.00M]

7：Linux_常用命令_pwd命令.mp4[4.74M]

8：Linux_常用命令_cd命令.mp4[6.05M]

9：Linux_常用命令_ls与ll命令.mp4[22.63M]

软件.rar[2.18G]

软件2.rar[6.33G]

文档.rar[2.78M]

27-【加课】算法与数据结构[868.79M]

章节1：算法与数据结构[863.99M]

1：数据结构与算法简介.mp4[17.13M]

10：哈希表的基本结构.mp4[26.05M]

11：哈希表冲突问题.mp4[36.72M]

12：哈希表冲突问题2.mp4[29.16M]

13：哈希扩容.mp4[42.00M]

14：递归与栈.mp4[23.20M]

15：线性查找.mp4[27.16M]

16：二分查找.mp4[25.22M]

17：冒泡排序.mp4[26.39M]

18：选择排序.mp4[22.71M]

19：插入排序.mp4[15.87M]

2：大O表示法.mp4[11.28M]

20：归并排序.mp4[40.51M]

21：快速排序.mp4[18.97M]

22：树结构.mp4[42.81M]

23：树结构的遍历.mp4[27.72M]

24：最大堆的增加操作.mp4[36.15M]

25：最大堆的删除操作.mp4[35.13M]

26：二叉树的查找.mp4[41.76M]

27：二叉树获取最小值.mp4[11.16M]

28：二叉树的添加.mp4[30.56M]

29：二叉树的删除.mp4[55.15M]

3：线性结构.mp4[24.15M]

4：单线链表1.mp4[27.68M]

5：单链表2.mp4[58.44M]

6：双链表.mp4[46.43M]

7：队列(链式).mp4[33.77M]

8：队列(线式).mp4[17.69M]

9：栈与双端队列.mp4[13.03M]

资料.zip[4.80M]

29-【加课】计算机图形学机器视觉实战【2021新增未更新。持续更新】

官方未更新。持续更新

30-【加课】ROS智能机器人操作系统【2021新增未更新。持续更新】

未更新。持续更新

31、【加课】强化学习【新增】[2.56G]

章节1：Q-Learning与SARSA算法[502.84M]

代码[10.83K]

QLearn[2.51K]

RL_brain.py[1.63K]

run_maze.py[0.89K]

Sarsa[4.49K]

RL_brain.py[3.28K]

run_maze.py[1.21K]

maze_env.py[3.83K]

资料[9.40M]

ReinforcementLearning.docx[9.40M]

1：强化学习通过智能体与环境交互进行学习.mp4[44.67M]

10：代码实战Q-Learning智能体训练模型.mp4[35.49M]

11：代码实战Sarsa_Agent和Env整体交互.mp4[26.78M]

12：代码实战Sarsa_Agent选择行为和训练模型.mp4[37.68M]

13：代码实战SarsaLambda_训练模型.mp4[36.83M]

2：引入马尔科夫链和价值评估的Q值与V值.mp4[35.03M]

3：详解Q值和V值以及它们之间关系.mp4[48.04M]

4：蒙特卡洛采样回溯计算V值.mp4[41.14M]

5：蒙特卡洛和时序差分估算状态V值.mp4[44.02M]

6：SARSA算法和Q-learning算法.mp4[39.56M]

7：理解Q-table_创建maze交互环境.mp4[40.23M]

8：代码实战Q-Learning_Agent和Env整体交互.mp4[30.03M]

9：代码实战Q-Learning智能体选择行为.mp4[33.94M]

章节2：DeepQ-LearningNetwork[639.14M]

代码[17.15K]

maze_env.py[3.68K]

RL_brain.py[9.34K]

run_CartPole.py[1.49K]

run_maze.py[1.38K]

run_MountainCar.py[1.27K]

14：DQN算法思想.mp4[35.24M]

15：DQN算法具体流程.mp4[31.71M]

16：ε-greedy_ReplayBuffer_FixedQ-targets.mp4[54.99M]

17：代码实战DQN_Agent和Env整体交互.mp4[46.11M]

18：代码实战DQN_构建Q网络.mp4[41.08M]

19：代码实战DQN_定义损失函数_构建Target网络更新逻辑.mp4[50.96M]

20：代码实战DQN_训练阶段得到Q网络的预测值和真实值.mp4[47.86M]

21：代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小.mp4[52.26M]

22：DQN会over-estimate的本质原因.mp4[40.26M]

23：DoubleDQN缓解over-estimate.mp4[39.29M]

24：DoubleDQN代码实战.mp4[39.68M]

25：DuelingDQN.mp4[47.48M]

26：困难样本挖掘_Multi-step_NoiseyNet系统的探索.mp4[49.05M]

27：计算Action的方差避免风险.mp4[28.80M]

28：Rainbow_DQN如何计算连续型的Actions.mp4[34.36M]

章节3：PolicyGradient策略梯度[331.56M]

代码[8.02K]

RL_brain.py[4.05K]

run_CartPole.py[2.17K]

run_MountainCar.py[1.80K]

29：策略梯度PG_对比基于值和基于策略网络的区别.mp4[36.10M]

30：策略梯度PG_明确目标函数和导函数.mp4[33.85M]

31：策略梯度PG_简化导函数的公式推导.mp4[33.34M]

32：策略梯度PG_总结整体流程_对比交叉熵损失函数求导.mp4[30.01M]

33：策略梯度PG_讲解CartPole环境.mp4[31.95M]

34：代码实战_策略梯度PG和CartPole交互.mp4[44.45M]

35：代码实战_策略梯度PG网络构建.mp4[28.63M]

36：代码实战_策略梯度PG选择行为和参数训练.mp4[32.87M]

37：策略梯度PG_对TotalReward进行均值归一化.mp4[29.71M]

38：策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战.mp4[30.66M]

章节4：ActorCritic(A3C)[559.87M]

代码[21.51K]

A3C.py[7.93K]

AC_CartPole.py[5.14K]

DDPG.py[8.43K]

39：ActorCritic原理_把PG和QLearning结合起来.mp4[50.02M]

40：AdvantageActorCritic_共享参数和修改reward技巧.mp4[44.69M]

41：代码实战_ActorCritic与环境交互.mp4[48.29M]

42：代码实战_Actor网络构建及训练.mp4[33.46M]

43：代码实战_详解Critic网络构建及训练.mp4[50.74M]

44：A3C架构和训练流程.mp4[37.52M]

45：Pendulum环境_根据网络预测的μ和σ得到连续型的action值.mp4[44.49M]

46：代码实战_A3C_讲解Coordinator调度多线程运算.mp4[27.84M]

47：代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性.mp4[32.62M]

48：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[32.10M]

49：代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑.mp4[35.52M]

50：代码实战_A3C_结合流程图分三点总结前面讲的代码.mp4[35.80M]

51：代码实战_A3C_讲解线程中worker和环境交互.mp4[45.16M]

52：代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示.mp4[41.57M]

章节5：DDPG、PPO、DPPO算法[585.69M]

代码[30.00K]

DDPG.py[8.43K]

discrete_DPPO.py[8.07K]

DPPO.py[7.57K]

simply_PPO.py[5.93K]

53：DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic.mp4[43.40M]

54：代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑.mp4[45.45M]

55：代码实战_DDPG_Critic网络构建_Actor网络链式求导.mp4[50.11M]

56：代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示.mp4[38.76M]

57：TD3_使用DoubleNetwork优化DDPG.mp4[57.07M]

58：PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy.mp4[34.69M]

59：PPO_通过重要性采样使得PPO可以做Off-Policy学习.mp4[32.08M]

60：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[34.49M]

61：PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题.mp4[32.50M]

62：代码实战_PPO与环境整体交互_Actor与Critic网络构建.mp4[28.52M]

63：代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑.mp4[36.15M]

64：代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示.mp4[34.44M]

65：DPPO分布式PPO.mp4[36.43M]

66：代码实战_DPPO_创建一个PPO和多个Worker_创建多线程.mp4[33.08M]

67：代码实战_DPPO_GlobalPPO和Workers交替执行.mp4[48.49M]

32-【加课】图神经网络【2021新增未更新。持续更新】

未更新。持续更新