【百战程序员】AI算法工程师就业班 - 带源码课件
深度学习与自然语言处理实战教程
编辑点评
系统讲解深度学习在自然语言处理领域的应用，涵盖RNN、LSTM、Attention机制、BERT、GPT等核心内容，适合希望深入理解AI算法原理的工程师。
⭐ 编辑推荐
本课程深入浅出地解析AI算法工程师必备的深度学习与自然语言处理技术，通过实战案例带你掌握核心原理和应用。
✨ 课程亮点
✦深度学习NLP原理与进阶
✦RNN、LSTM、Attention机制实战
✦BERT、GPT等前沿技术解析
✦带源码课件，动手实践
课程目录
📁 19-深度学习-NLP自然语言处理原理和进阶
📁 📁 章节2：循环神经网络原理与优化
14：补充讲一下为什么RNN中链越长越容易梯度消失.mp4 [27.9 MB]
17：RNN里面应用的Topology结构.mp4 [15.6 MB]
11：利用RNN循环神经网络对MNIST手写数字识别.mp4 [96.5 MB]
10：理解RNN循环神经网络计算流程.mp4 [29.9 MB]
13：VanillaRNN的回顾复习.mp4 [72.4 MB]
12：理解LSTM长短时记忆_记住Topo和公式.mp4 [104.7 MB]
15：LSTM的回顾复习_LSTM手写数字识别.mp4 [26.3 MB]
16：双向RNN_LSTM.mp4 [30.1 MB]
9：理解RNN循环神经网络拓扑结构.mp4 [74.6 MB]
RNN_Attention机制.pdf [2.8 MB]
📁 📁 章节4：ELMO_BERT_GPT
RNN_Attention机制.pdf [5.2 MB]
22：BERT理论.mp4 [52.6 MB]
21：ELMO.mp4 [33.2 MB]
23：ERNIE_GPT.mp4 [43.5 MB]
📁 📁 章节3：从Attention机制到Transformer
20：Transformer_Positional_使用逻辑_网络结构总结.mp4 [55.1 MB]
19：Transformer_Self-Attention_Multi-head.mp4 [79.3 MB]
RNN_Attention机制.pdf [5.2 MB]
18：Seq2Seq中Attention注意力机制.mp4 [40.0 MB]
📁 📁 章节1：词向量与词嵌入
3：词向量的作用.mp4 [36.3 MB]
5：Skip-gram模型思想和计算过程.mp4 [33.2 MB]
4：CBOW模型思想和计算过程.mp4 [100.2 MB]
6：Huffman树_分层Softmax的思想.mp4 [66.2 MB]
7：分层Softmax应用到CBOW模型上.mp4 [51.3 MB]
2：NPLM神经网络语言模型.mp4 [91.1 MB]
8：负采样和负采样应用到CBOW模型上.mp4 [59.1 MB]
1：N-gram语言模型.mp4 [100.9 MB]
Word2Vec.pdf [1.9 MB]
📁 21-深度学习-OCR文本识别
📁 📁 章节1：深度学习-OCR文本识别
9：CPTN项目代码剖析.mp4 [173.2 MB]
4：总结理解深度学习文字识别架构.mp4 [34.8 MB]
6：CTC损失函数前向后向算法推导_梯度求导公式推导.mp4 [85.5 MB]
7：CTC前向后向算法代码.mp4 [86.6 MB]
8：GreedySearch和BeamSearch解码的方式与代码逻辑.mp4 [116.5 MB]
1：传统OCR识别_深度学习OCR识别.mp4 [130.3 MB]
5：CTC损失函数的理解.mp4 [130.3 MB]
10：CRNN项目代码剖析.mp4 [127.1 MB]
3：OCR识别的CTC损失思想.mp4 [96.0 MB]
2：OCR识别本质就是文字检测和文字识别.mp4 [80.1 MB]
📁 08、机器学习-决策树系列
📁 📁 章节1：决策树
6：信息增益.mp4 [35.5 MB]
10：绘制决策树模型_寻找最优树深度.mp4 [52.7 MB]
3：如何构建一颗决策树.mp4 [33.1 MB]
7：熵与Gini系数关系_信息增益率.mp4 [49.7 MB]
4：什么是更好的一次划分.mp4 [26.9 MB]
1：决策树模型的特点.mp4 [35.9 MB]
12：后剪枝的意义.mp4 [28.3 MB]
13：CCP代价复杂度后剪枝.mp4 [70.8 MB]
9：代码实战决策树对鸢尾花数据集分类.mp4 [40.6 MB]
2：决策树的数学表达.mp4 [37.6 MB]
5：Gini系数.mp4 [50.1 MB]
14：CCP代价复杂度剪枝_α超参数设定.mp4 [30.4 MB]
11：代码训练回归树拟合SineWave.mp4 [41.2 MB]
8：预剪枝以及相关超参数.mp4 [68.0 MB]
📁 📁 章节3：GBDT
42：GBDT在sklearn中源码剖析_初始化F(x).mp4 [43.2 MB]
37：GBDT二分类举例详解.mp4 [39.4 MB]
28：GBDT应用于二分类问题.mp4 [38.8 MB]
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 [32.7 MB]
30：GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4 [34.4 MB]
33：GBDT多分类流程.mp4 [39.3 MB]
29：GBDT二分类拟合的负梯度依然是残差.mp4 [46.1 MB]
23：GBDT试图使用有监督最优化算法梯度下降求解F(x).mp4 [31.8 MB]
24：GBDT令每个弱学习器f(x)去拟合负梯度.mp4 [48.2 MB]
36：GBDT多分类叶子节点分值计算.mp4 [29.4 MB]
25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp4 [43.0 MB]
27：GBDT回归举例_总结.mp4 [45.6 MB]
39：计算特征重要度进行特征选择.mp4 [26.6 MB]
44：GBDT+LR架构训练模型代码实现.mp4 [46.2 MB]
35：GBDT二分类叶子节点分值计算推导.mp4 [40.6 MB]
38：GBDT多分类举例详解.mp4 [41.3 MB]
45：GBDT+LR架构预测评估代码实现.mp4 [34.0 MB]
26：GBDT应用于回归问题.mp4 [47.0 MB]
31：GBDT应用于多分类任务.mp4 [34.2 MB]
43：GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp4 [38.7 MB]
34：对比GBDT回归、二分类、多分类相同点与不同点.mp4 [27.6 MB]
41：特征组合降维在GBDT+LR架构应用.mp4 [28.6 MB]
40：GBDT用于特征组合降维.mp4 [23.4 MB]
📁 📁 章节4：XGBoost
46：回顾有监督机器学习三要素.mp4 [41.8 MB]
49：回顾基于树集成学习的模型和参数并举例说明.mp4 [41.6 MB]
62：总结XGBoost的特性_包括缺失值的处理策略.mp4 [56.2 MB]
50：通过目标函数Obj来达到准确率和复杂度平衡.mp4 [23.7 MB]
56：由每个叶子节点重组目标函数Obj.mp4 [30.4 MB]
48：基于树集成学习4个优点.mp4 [40.9 MB]
54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp4 [34.3 MB]
61：样本权重对于模型学习的影响.mp4 [27.7 MB]
57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp4 [31.9 MB]
58：根据Obj收益指导每一次分裂从而学习一棵树结构.mp4 [46.9 MB]
53：推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4 [25.8 MB]
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 [32.8 MB]
47：Bias_Variance_Trade-off.mp4 [34.3 MB]
51：Objective_vs_Heuristic.mp4 [31.4 MB]
52：得出XGBoost最开始的Obj目标函数.mp4 [41.5 MB]
60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp4 [31.7 MB]
55：重新定义树ft和树的复杂度Ω.mp4 [35.0 MB]
📁 📁 章节2：集成学习和随机森林
15：不同聚合方式_生成不同弱学习器方式.mp4 [43.7 MB]
16：Bagging_Boosting_Stacking.mp4 [32.6 MB]
18：代码实战随机森林对鸢尾花数据集分类.mp4 [49.3 MB]
21：调整数据权重让权重正确率达到50%.mp4 [36.1 MB]
17：随机森林.mp4 [46.3 MB]
22：Adaboost如何调整样本权重和求基模型权重.mp4 [49.0 MB]
19：OOB袋外数据.mp4 [51.7 MB]
20：Adaboost算法思路.mp4 [47.0 MB]
📁 03、人工智能基础-Python科学计算和可视化
📁 📁 章节1：科学计算模型Numpy
1：Numpy_概述_安装_创建数组_获取shape形状.mp4 [30.3 MB]
3：Numpy_random随机数生成.mp4 [35.8 MB]
8：Numpy_算术运算_向上向下取整.mp4 [23.0 MB]
9：Numpy_聚合函数.mp4 [15.3 MB]
4：Numpy_ndarray属性_zeros_ones_like等创建数组函数.mp4 [32.6 MB]
7：Numpy_数组的切分和转置.mp4 [19.2 MB]
6：Numpy_改变数组维度_数组的拼接.mp4 [30.4 MB]
5：NumPy_reshape_切片操作_copy函数.mp4 [22.7 MB]
2：Numpy_array_arange.mp4 [23.6 MB]
📁 📁 章节3：数据处理分析模块Pandas
15：Python_Pandas_Series对象创建.mp4 [23.0 MB]
18：Python_Pandas_获取DataFrame对象的值.mp4 [18.9 MB]
16：Python_Pandas_DataFrame对象创建.mp4 [24.8 MB]
20：Python_Pandas_空值的删除与填充.mp4 [33.2 MB]
21：Python_Pandas_拼接和合并.mp4 [27.9 MB]
19：Python_Pandas_条件过滤.mp4 [17.3 MB]
17：Python_Pandas_获取Series对象的值.mp4 [15.5 MB]
📁 📁 章节2：数据可视化模块
11：Matplotlib_绘制正余弦曲线_散点图_添加图例.mp4 [23.7 MB]
10：Matplotlib_概述_绘制直线图.mp4 [28.6 MB]
13：Matplotlib_绘制饼图_直方图_同时绘制多组数据分布.mp4 [21.3 MB]
12：Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比.mp4 [35.0 MB]
14：Matplotlib_绘制等高线图_绘制三维图像.mp4 [24.4 MB]
人工智能-第1阶段数据分析（含办公自动化分析）.pdf [6.0 MB]
📁 14-深度学习-图像识别原理
📁 📁 章节3：经典卷积网络算法
20：Keras介绍_以及不同项目调用不同的python环境和CUDA环境.mp4 [78.0 MB]
21：VGG16_Fine-tuning_对MNIST做手写数字识别.mp4 [89.7 MB]
24：ResNet残差单元_BottlenetBlocK.mp4 [72.3 MB]
28：Mobilenet网络架构.mp4 [123.6 MB]
22：InceptionV1_V2.mp4 [131.7 MB]
25：DenseNet和Keras里面的实现.mp4 [116.9 MB]
23：InceptionV3_以及InceptionV3对皮肤癌图片识别.mp4 [124.7 MB]
26：DenseNet在Keras里面的代码实现.mp4 [52.5 MB]
27：BatchNormalization.mp4 [84.1 MB]
📁 📁 章节4：古典目标检测
目标检测.pdf [2.4 MB]
30：使用OpenCV调用分类器找到目标框.mp4 [73.9 MB]
29：图像识别任务_古典目标检测.mp4 [121.5 MB]
33：从FastRCNN引入FasterRCNN.mp4 [93.8 MB]
32：R-CNN和SPP-net.mp4 [68.4 MB]
31：IOU以及python计算的代码.mp4 [18.5 MB]
📁 📁 章节1：卷积神经网络原理
2：单通道卷积的计算.mp4 [65.3 MB]
7：池化的概念和TF中的API的操作与参数.mp4 [52.5 MB]
5：卷积的补充与Padding填充模式.mp4 [56.3 MB]
1：回顾深度神经网络_卷积层是局部连接.mp4 [81.9 MB]
8：经典的CNN架构和LeNet5.mp4 [90.9 MB]
4：卷积层权值共享.mp4 [37.1 MB]
6：卷积的计算TF中的API操作与参数.mp4 [76.8 MB]
3：彩色图片卷积的计算.mp4 [36.3 MB]
📁 📁 章节2：卷积神经网络优化
15：减轻梯度消失问题中参数初始化发挥的作用.mp4 [54.6 MB]
19：Optimizer_Adam.mp4 [79.9 MB]
14：减轻梯度消失问题中激活函数发挥的作用.mp4 [25.7 MB]
9：AlexNet网络结构_连续使用小的卷积核好处.mp4 [60.5 MB]
12：CNN对MNIST数据集分类_全连接层以及训练代码.mp4 [75.3 MB]
17：Optimizer_SGD_Momentum.mp4 [59.3 MB]
11：数据增强技术点_CNN对MNIST数据集分类_卷积池化代码.mp4 [62.6 MB]
10：Dropout技术点思想和运用.mp4 [72.2 MB]
13：深度学习网络对应ACC准确率忽然下降的思考点.mp4 [63.3 MB]
18：Optimizer_Adagrad_Adadelta_RMSprop.mp4 [79.5 MB]
16：VGG网络结构_以及1乘1的卷积核的作用和好处.mp4 [76.6 MB]
📁 📁 章节5：现代目标检测之FasterRCNN
38：FasterRCNN论文讲解_从RPN损失到评估指标对比.mp4 [250.5 MB]
35：FasterRNN的核心RPN_正向传播的框过滤_NMS.mp4 [152.2 MB]
34：回顾RCNN_SPPnet_Fast-RCNN.mp4 [96.3 MB]
36：NMS代码实现流程_mAP目标检测平均指标.mp4 [105.2 MB]
37：FasterRCNN论文讲解_从介绍到RPN的loss.mp4 [198.8 MB]
FasterR-CNNTowardsReal-TimeObjectDetectionwithRegionProposalNetworks.pdf [6.5 MB]
📁 24-【加课】Pytorch项目实战
📁 📁 章节1：PyTorch运行环境安装_运行环境测试
2：PyTorch的安装.mp4 [45.8 MB]
1：PyTorch概述.mp4 [26.7 MB]
3：Pycharm关联PyTorch运行环境.mp4 [24.0 MB]
4：Jupyter关联PyTorch运行环境.mp4 [28.0 MB]
📁 📁 章节2：PyTorch基础_Tensor张量运算
7：广播机制_逐元素操作.mp4 [33.5 MB]
6：修改Tensor的形状_索引操作.mp4 [56.6 MB]
8：归并操作_比较操作_矩阵操作.mp4 [44.7 MB]
5：Tensor的创建.mp4 [42.4 MB]
📁 📁 章节3：PyTorch卷积神经网络_实战CIFAR10
9：PyTorch实战CIFAR10数据_读取和展示.mp4 [58.5 MB]
14：使用集成学习思想训练识别模型.mp4 [53.9 MB]
10：PyTorch实战CIFAR10_构建网络_打印网络层次.mp4 [38.9 MB]
15：使用VGG16模型提供准确率.mp4 [33.4 MB]
12：PyTorch实战CIFAR10_分类别打印模型准确率.mp4 [19.9 MB]
13：使用全局平均池化_使用LeNet模型.mp4 [26.7 MB]
17：迁移学习_PyTorch代码实战冻结预训练模型参数.mp4 [38.8 MB]
16：torchvision里面的预训练模型.mp4 [20.3 MB]
18：PyTorch代码实战加入数据增强.mp4 [23.5 MB]
11：PyTorch实战CIFAR10_训练模型_测试模型.mp4 [33.5 MB]
📁 📁 章节5：PyTorch编码器解码器_机器翻译
27：PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器.mp4 [43.2 MB]
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 [31.4 MB]
29：PyTorch中英文翻译_评估模型函数.mp4 [34.2 MB]
23：PyTorch中英文翻译_规范化语料库_构建中英文词典索引.mp4 [31.7 MB]
26：PyTorch中英文翻译_构建训练函数之Encoder计算.mp4 [32.8 MB]
24：PyTorch中英文翻译_数据预处理.mp4 [24.5 MB]
30：PyTorch中英文翻译_绘制Attentions注意力权重.mp4 [20.9 MB]
28：PyTorch中英文翻译_构建训练函数之Decoder计算.mp4 [38.5 MB]
📁 📁 章节4：PyTorch循环神经网络_词性标注
22：PyTorch词性标注_测试模型效果.mp4 [7.8 MB]
19：PyTorch词性标注_构建数据和词索引号.mp4 [16.7 MB]
21：PyTorch词性标注_构建数据索引化和训练模型代码.mp4 [27.1 MB]
20：PyTorch词性标注_构建词嵌入层LSTM层和词性输出层.mp4 [27.0 MB]
📁 09、机器学习-概率图模型
📁 📁 章节1：贝叶斯分类
2：TF-IDF.mp4 [49.5 MB]
NB_HMM.pdf [826.8 KB]
3：NB代码实现解析.mp4 [99.9 MB]
5：语言模型的设计目的_MLE的作用进行参数估计.mp4 [94.3 MB]
4：sklearn中调用NB_顺便讲解了GridSearchCV.mp4 [101.4 MB]
1：朴素贝叶斯分类算法.mp4 [116.0 MB]
6：贝叶斯网络_马尔可夫链.mp4 [31.7 MB]
📁 📁 章节2：HMM算法
8：HMM隐马的三组参数_三个基本问题.mp4 [56.0 MB]
12：前向算法来解决概率计算问题.mp4 [27.4 MB]
11：HMM复习_明确概率计算问题要解决的目标.mp4 [64.6 MB]
13：Viterbi算法案例详解.mp4 [71.7 MB]
7：HMM隐马的定义.mp4 [32.9 MB]
14：Viterbi算法代码实现.mp4 [32.9 MB]
9：HMM预测问题使用前向算法.mp4 [36.0 MB]
10：HMM预测问题使用维特比算法.mp4 [26.1 MB]
📁 📁 章节3：CRF算法
15：NER与分词和POS的关系_NER的标注策略_NER的主要方法.mp4 [84.7 MB]
19：CRF的目标函数.mp4 [14.3 MB]
17：了解CRF层添加的好处.mp4 [63.0 MB]
CRF_NER.pdf [1.2 MB]
22：通过模型来预测新的句子的序列标签.mp4 [50.1 MB]
16：讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp4 [40.0 MB]
20：计算CRF真实路径的分数.mp4 [44.3 MB]
18：EmissionScore_TransitionScore.mp4 [51.7 MB]
21：计算CRF所有可能路径的总分数.mp4 [86.3 MB]
📁 07、机器学习-无监督学习
📁 📁 章节1：聚类系列算法
6：层次聚类_密度聚类_谱聚类.mp4 [156.6 MB]
1：KMeans聚类流程_距离测度欧式距离和余弦距离.mp4 [91.9 MB]
3：KMeans的一些变形_KMeans的损失函数推导及假设.mp4 [86.6 MB]
聚类.pdf [2.7 MB]
2：距离测度欧式距离和余弦距离的场景_TFIDF.mp4 [78.4 MB]
5：KMeans代码测试不同情况下的聚类效果.mp4 [97.1 MB]
4：mini-batchKMeans_Canopy聚类_聚类评估指标.mp4 [117.5 MB]
📁 📁 章节3：PCA降维算法
19：SVD其实就可以去实现PCA了.mp4 [78.1 MB]
17：PCA的最大投影方差思路.mp4 [114.4 MB]
PCA降维与SVD.pdf [864.9 KB]
20：PCA的几种应用.mp4 [46.1 MB]
16：特征选择与特征映射.mp4 [40.6 MB]
18：最大投影方差推导_最小投影距离思路.mp4 [94.0 MB]
📁 📁 章节2：EM算法和GMM高斯混合模型
7：单个高斯分布GM的参数估计.mp4 [72.1 MB]
14：通过声音文件利用GMM算法识别性别.mp4 [110.8 MB]
9：GMM参数估计Πμσ的流程.mp4 [64.0 MB]
15：通过声音文件利用GMM算法识别是谁.mp4 [39.8 MB]
12：将EM算法应用到GMM中并且推导出Π的公式.mp4 [27.0 MB]
10：Jensen不等式的应用.mp4 [89.0 MB]
11：将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp4 [93.6 MB]
8：理解GMM高斯混合分布的对数似然函数.mp4 [59.3 MB]
13：GMM前景背景分离.mp4 [13.4 MB]
EM算法与GMM模型.pdf [725.2 KB]
📁 04、人工智能基础-高等数学知识强化
8：复合函数求导法则.mp4 [11.8 MB]
43：随机向量_独立性_协方差_随机向量的正太分布.mp4 [23.0 MB]
42：常用随机变量服从的分布.mp4 [14.6 MB]
54：拉格朗日函数.mp4 [19.7 MB]
47：梯度下降法思路.mp4 [19.4 MB]
10：高阶导数_导数判断单调性_导数与极值.mp4 [15.3 MB]
37：SVD用于协同过滤_求逆矩阵.mp4 [23.8 MB]
25：雅可比矩阵_在神经网络中应用.mp4 [26.0 MB]
48：梯度下降法的推导.mp4 [31.4 MB]
45：最优化的基本概念.mp4 [24.0 MB]
35：奇异值分解性质_数据压缩.mp4 [23.4 MB]
1：人工智能学习数学的必要性_微积分知识点.mp4 [19.0 MB]
38：概率论_随机事件与随机事件概率.mp4 [14.0 MB]
16：向量的范数_范数与正则项的关系.mp4 [23.5 MB]
39：条件概率_贝叶斯公式.mp4 [22.0 MB]
15：学习向量计算的用途举例.mp4 [16.8 MB]
21：矩阵的逆矩阵.mp4 [27.6 MB]
29：特征值和特征向量(1).mp4 [19.5 MB]
49：牛顿法公式推导以及优缺点.mp4 [30.0 MB]
50：坐标下降法_数值优化面临的问题.mp4 [17.1 MB]
7：导数求解的四则运算法则.mp4 [19.0 MB]
31：特征值分解.mp4 [26.2 MB]
12：向量的意义_n维欧式空间空间.mp4 [15.4 MB]
44：最大似然估计思想.mp4 [16.6 MB]
34：求解奇异值分解中的UΣV矩阵.mp4 [34.0 MB]
27：二次型.mp4 [18.6 MB]
6：常见函数的求导公式.mp4 [15.8 MB]
9：推导激活函数的导函数.mp4 [23.5 MB]
数学.pdf [1.5 MB]
13：行向量列向量_转置_数乘_加减乘除.mp4 [14.2 MB]
46：迭代求解的原因.mp4 [13.0 MB]
28：补充关于正定负定的理解.mp4 [13.1 MB]
23：多元函数求偏导.mp4 [16.3 MB]
5：导数的几何意义和物理意义.mp4 [10.2 MB]
51：凸集.mp4 [14.0 MB]
52：凸函数.mp4 [12.3 MB]
41：数学期望和方差.mp4 [16.2 MB]
30：特征值和特征向量(2).mp4 [18.0 MB]
40：随机变量.mp4 [17.2 MB]
20：矩阵相乘.mp4 [14.4 MB]
18：矩阵_方阵_对称阵_单位阵_对角阵.mp4 [13.5 MB]
19：矩阵的运算_加减法_转置.mp4 [17.4 MB]
17：特殊的向量.mp4 [19.4 MB]
32：多元函数的泰勒展开_矩阵和向量的求导.mp4 [30.5 MB]
22：矩阵的行列式.mp4 [14.6 MB]
4：导数的定义_左导数和右导数.mp4 [20.1 MB]
14：向量的内积_向量运算法则.mp4 [14.4 MB]
24：高阶偏导数_梯度.mp4 [19.7 MB]
11：导数判断凹凸性_导数用于泰勒展开.mp4 [31.5 MB]
33：奇异值分解定义.mp4 [16.4 MB]
36：SVD用于PCA降维.mp4 [17.6 MB]
53：凸优化的性质_一般表达形式.mp4 [14.8 MB]
2：线性代数_概率论知识点.mp4 [17.3 MB]
26：Hessian矩阵.mp4 [22.5 MB]
3：最优化知识_数学内容学习重点.mp4 [25.9 MB]
📁 16-深度学习-目标检测YOLO(V1-V4全版本)实战
📁 📁 章节5：YOLOv4详解
22：YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish.mp4 [163.2 MB]
20：YOLOv4_BOF_DropBlock_FocalLoss.mp4 [159.2 MB]
21：YOLOv4_BOF_GIoU_DIoU_CIoU.mp4 [72.3 MB]
23：YOLOv4_BOS_SAM_PAN_CSP_CmBN.mp4 [174.0 MB]
📁 📁 章节1：YOLOv1详解
4：YOLOv1论文详解_NMS_局限性.mp4 [62.5 MB]
3：YOLOv1论文详解_训练中的技巧_Loss损失函数.mp4 [192.7 MB]
1：YOLOv1论文详解_算法特点介绍.mp4 [143.2 MB]
2：YOLOv1论文详解_网络架构_思想.mp4 [163.3 MB]
📁 📁 章节2：YOLOv2详解
7：YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签.mp4 [120.9 MB]
6：YOLOv2论文详解_mAP更better的一些点.mp4 [212.9 MB]
8：YOLOv2论文详解_层级分类_层级分类用于目标检测.mp4 [146.8 MB]
5：YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes.mp4 [138.7 MB]
📁 📁 章节4：YOLOv3代码实战
19：YOLOv3代码剖析_模型的训练部分详解.mp4 [189.7 MB]
15：YOLOv3代码剖析_聚类anchors_构建backbone主干网络.mp4 [144.5 MB]
16：YOLOv3代码剖析_model输出之后的预测框的计算.mp4 [138.4 MB]
17：YOLOv3代码剖析_使用model预测的其余代码.mp4 [54.6 MB]
14：YOLOv3代码剖析_项目介绍.mp4 [95.0 MB]
18：YOLOv3代码剖析_weights到h5模型的转换.mp4 [83.7 MB]
📁 📁 章节3：YOLOv3详解
9：YOLOv3论文详解_每个框都要预测多个类别概率.mp4 [64.5 MB]
12：YOLOv4论文概述_介绍.mp4 [96.3 MB]
13：YOLOv4论文概述_BOS_BOF.mp4 [253.1 MB]
11：YOLOv3论文详解_总结_FocalLoss.mp4 [100.6 MB]
10：YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53.mp4 [109.3 MB]
📁 12-机器学习与大数据-推荐系统项目实战
📁 📁 章节3：推荐系统--模型使用和推荐服务
32：使用Dubbo将推荐系统做成服务.mp4 [41.3 MB]
29：实时在线推荐列表计算逻辑代码讲解.mp4 [40.2 MB]
26：推荐模型文件使用思路.mp4 [25.8 MB]
33：使用Dubbo将推荐系统做成服务.mp4 [41.4 MB]
28：实时在线推荐列表计算逻辑代码讲解.mp4 [50.6 MB]
36：Dubbo推荐服务演示_SparkMLlib介绍.mp4 [47.9 MB]
31：实时在线推荐列表计算逻辑代码讲解_4.mp4 [36.5 MB]
37：Dubbo推荐服务演示_SparkMLlib介绍.mp4 [50.7 MB]
35：Dubbo推荐服务演示_SparkMLlib介绍.mp4 [51.3 MB]
27：Redis数据库安装及其使用.mp4 [16.6 MB]
34：使用Dubbo将推荐系统做成服务.mp4 [45.7 MB]
30：实时在线推荐列表计算逻辑代码讲解.mp4 [36.7 MB]
📁 📁 章节2：推荐系统--数据预处理和模型构建评估实战
24：MLlib调用算法计算模型文件并存储.mp4 [43.5 MB]
15：HQL语句_python脚本构建中间结果.mp4 [46.8 MB]
18：推荐系统_数据预处理_spark构建特征索引_标签列.mp4 [43.8 MB]
16：HQL语句_python脚本构建中间结果.mp4 [44.0 MB]
23：MLlib调用算法计算模型文件并存储.mp4 [37.8 MB]
20：spark构建特征索引_标签列.mp4 [42.3 MB]
14：HQL语句_python脚本构建中间结果.mp4 [48.9 MB]
25：ACC准确率和AUC面积的计算以及意义.mp4 [93.2 MB]
21：spark构建特征索引_标签列_4.mp4 [39.9 MB]
22：MLlib调用算法计算模型文件并存储.mp4 [40.2 MB]
19：spark构建特征索引_标签列.mp4 [43.3 MB]
17：HQL语句_python脚本构建中间结果_4.mp4 [47.2 MB]
📁 📁 章节1：推荐系统--流程与架构
7：推荐系统架构_实时_离线.mp4 [41.8 MB]
6：推荐系统_协同过滤_4.mp4 [29.8 MB]
9：推荐系统列表_关联特征权重_基本特征权重的计算.mp4 [37.6 MB]
2：推荐系统_隐式用户反馈.mp4 [49.1 MB]
5：推荐系统_协同过滤.mp4 [28.6 MB]
1：推荐系统_隐式用户反馈.mp4 [45.0 MB]
11：推荐系统列表_关联特征权重_基本特征权重的计算.mp4 [41.9 MB]
8：推荐系统架构_实时_离线.mp4 [41.8 MB]
13：推荐系统_数据源.mp4 [31.3 MB]
10：推荐系统列表_关联特征权重_基本特征权重的计算.mp4 [43.6 MB]
4：推荐系统_协同过滤.mp4 [28.4 MB]
12：推荐系统_数据源.mp4 [33.9 MB]
3：推荐系统_协同过滤.mp4 [29.3 MB]
📁 27-【加课】算法与数据结构
📁 📁 章节1：算法与数据结构
7：队列(链式).mp4 [33.8 MB]
10：哈希表的基本结构.mp4 [26.1 MB]
5：单链表2.mp4 [58.4 MB]
1：数据结构与算法简介.mp4 [17.1 MB]
4：单线链表1.mp4 [27.7 MB]
14：递归与栈.mp4 [23.2 MB]
22：树结构.mp4 [42.8 MB]
19：插入排序.mp4 [15.9 MB]
17：冒泡排序.mp4 [26.4 MB]
26：二叉树的查找.mp4 [41.8 MB]
13：哈希扩容.mp4 [42.0 MB]
15：线性查找.mp4 [27.2 MB]
27：二叉树获取最小值.mp4 [11.2 MB]
29：二叉树的删除.mp4 [55.1 MB]
3：线性结构.mp4 [24.2 MB]
21：快速排序.mp4 [19.0 MB]
20：归并排序.mp4 [40.5 MB]
8：队列(线式).mp4 [17.7 MB]
25：最大堆的删除操作.mp4 [35.1 MB]
23：树结构的遍历.mp4 [27.7 MB]
11：哈希表冲突问题.mp4 [36.7 MB]
16：二分查找.mp4 [25.2 MB]
28：二叉树的添加.mp4 [30.6 MB]
24：最大堆的增加操作.mp4 [36.2 MB]
9：栈与双端队列.mp4 [13.0 MB]
12：哈希表冲突问题2.mp4 [29.2 MB]
18：选择排序.mp4 [22.7 MB]
6：双链表.mp4 [46.4 MB]
2：大O表示法.mp4 [11.3 MB]
📁 10、机器学习与大数据-Kaggle竞赛实战
📁 📁 章节2：网页分类案例
14：MLlib对网页分类竞赛数据预处理_模型训练.mp4 [28.0 MB]
8：Kaggle网页分类竞赛介绍.mp4 [11.2 MB]
11：竞赛其他相关提交成绩排行榜.mp4 [20.0 MB]
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 [37.6 MB]
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 [25.5 MB]
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 [29.0 MB]
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 [36.0 MB]
10：评估指标ROC和AUC.mp4 [20.7 MB]
13：MLlib对网页分类竞赛数据预处理.mp4 [38.7 MB]
9：评估指标ROC和AUC.mp4 [22.4 MB]
12：数据导入.mp4 [23.6 MB]
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 [30.5 MB]
📁 📁 章节1：药店销量预测案例
2：对数据字段的介绍_导包.mp4 [8.6 MB]
3：自定义损失函数.mp4 [9.4 MB]
5：数据的预处理.mp4 [44.2 MB]
6：模型的训练_评估.mp4 [23.6 MB]
4：对数据里面的目标变量sales的一个分析.mp4 [16.9 MB]
7：kaggle竞赛网站学习.mp4 [53.2 MB]
1：Rossmann药店销量预测_kaggle的介绍.mp4 [13.0 MB]
📁 01、人工智能基础-快速入门
4：人工智能在各领域的应用.mp4 [41.8 MB]
8：有监督机器学习任务与本质.mp4 [23.2 MB]
5：人工智能常见流程.mp4 [36.4 MB]
2：人工智能适合人群与必备技能.mp4 [21.0 MB]
6：机器学习不同的学习方式.mp4 [31.2 MB]
7：深度学习比传统机器学习有优势.mp4 [33.5 MB]
1：人工智能就业前景与薪资.mp4 [33.8 MB]
3：人工智能时代是发展的必然.mp4 [16.7 MB]
9：无监督机器学习任务与本质.mp4 [31.1 MB]
📁 31、【加课】强化学习【新增】
📁 📁 章节5：DDPG、PPO、DPPO算法
55：代码实战_DDPG_Critic网络构建_Actor网络链式求导.mp4 [50.1 MB]
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 [38.8 MB]
63：代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑.mp4 [36.2 MB]
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 [43.4 MB]
65：DPPO分布式PPO.mp4 [36.4 MB]
57：TD3_使用DoubleNetwork优化DDPG.mp4 [57.1 MB]
66：代码实战_DPPO_创建一个PPO和多个Worker_创建多线程.mp4 [33.1 MB]
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 [34.4 MB]
59：PPO_通过重要性采样使得PPO可以做Off-Policy学习.mp4 [32.1 MB]
58：PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy.mp4 [34.7 MB]
67：代码实战_DPPO_GlobalPPO和Workers交替执行.mp4 [48.5 MB]
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 [34.5 MB]
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 [45.4 MB]
61：PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题.mp4 [32.5 MB]
62：代码实战_PPO与环境整体交互_Actor与Critic网络构建.mp4 [28.5 MB]
📁 📁 章节1：Q-Learning与SARSA算法
11：代码实战Sarsa_Agent和Env整体交互.mp4 [26.8 MB]
1：强化学习通过智能体与环境交互进行学习.mp4 [44.7 MB]
2：引入马尔科夫链和价值评估的Q值与V值.mp4 [35.0 MB]
10：代码实战Q-Learning智能体训练模型.mp4 [35.5 MB]
6：SARSA算法和Q-learning算法.mp4 [39.6 MB]
3：详解Q值和V值以及它们之间关系.mp4 [48.0 MB]
8：代码实战Q-Learning_Agent和Env整体交互.mp4 [30.0 MB]
7：理解Q-table_创建maze交互环境.mp4 [40.2 MB]
9：代码实战Q-Learning智能体选择行为.mp4 [33.9 MB]
5：蒙特卡洛和时序差分估算状态V值.mp4 [44.0 MB]
4：蒙特卡洛采样回溯计算V值.mp4 [41.1 MB]
12：代码实战Sarsa_Agent选择行为和训练模型.mp4 [37.7 MB]
13：代码实战SarsaLambda_训练模型.mp4 [36.8 MB]
📁 📁 章节3：PolicyGradient策略梯度
35：代码实战_策略梯度PG网络构建.mp4 [28.6 MB]
29：策略梯度PG_对比基于值和基于策略网络的区别.mp4 [36.1 MB]
32：策略梯度PG_总结整体流程_对比交叉熵损失函数求导.mp4 [30.0 MB]
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 [30.7 MB]
34：代码实战_策略梯度PG和CartPole交互.mp4 [44.4 MB]
36：代码实战_策略梯度PG选择行为和参数训练.mp4 [32.9 MB]
33：策略梯度PG_讲解CartPole环境.mp4 [32.0 MB]
30：策略梯度PG_明确目标函数和导函数.mp4 [33.8 MB]
37：策略梯度PG_对TotalReward进行均值归一化.mp4 [29.7 MB]
31：策略梯度PG_简化导函数的公式推导.mp4 [33.3 MB]
📁 📁 章节4：ActorCritic(A3C)
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 [35.5 MB]
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 [32.1 MB]
41：代码实战_ActorCritic与环境交互.mp4 [48.3 MB]
50：代码实战_A3C_结合流程图分三点总结前面讲的代码.mp4 [35.8 MB]
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 [41.6 MB]
45：Pendulum环境_根据网络预测的μ和σ得到连续型的action值.mp4 [44.5 MB]
39：ActorCritic原理_把PG和QLearning结合起来.mp4 [50.0 MB]
44：A3C架构和训练流程.mp4 [37.5 MB]
43：代码实战_详解Critic网络构建及训练.mp4 [50.7 MB]
42：代码实战_Actor网络构建及训练.mp4 [33.5 MB]
51：代码实战_A3C_讲解线程中worker和环境交互.mp4 [45.2 MB]
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 [32.6 MB]
40：AdvantageActorCritic_共享参数和修改reward技巧.mp4 [44.7 MB]
46：代码实战_A3C_讲解Coordinator调度多线程运算.mp4 [27.8 MB]
📁 📁 章节2：DeepQ-LearningNetwork
23：DoubleDQN缓解over-estimate.mp4 [39.3 MB]
24：DoubleDQN代码实战.mp4 [39.7 MB]
27：计算Action的方差避免风险.mp4 [28.8 MB]
28：Rainbow_DQN如何计算连续型的Actions.mp4 [34.4 MB]
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 [52.3 MB]
26：困难样本挖掘_Multi-step_NoiseyNet系统的探索.mp4 [49.1 MB]
22：DQN会over-estimate的本质原因.mp4 [40.3 MB]
25：DuelingDQN.mp4 [47.5 MB]
15：DQN算法具体流程.mp4 [31.7 MB]
20：代码实战DQN_训练阶段得到Q网络的预测值和真实值.mp4 [47.9 MB]
19：代码实战DQN_定义损失函数_构建Target网络更新逻辑.mp4 [51.0 MB]
18：代码实战DQN_构建Q网络.mp4 [41.1 MB]
16：ε-greedy_ReplayBuffer_FixedQ-targets.mp4 [55.0 MB]
14：DQN算法思想.mp4 [35.2 MB]
17：代码实战DQN_Agent和Env整体交互.mp4 [46.1 MB]
📁 20-深度学习-NLP自然语言处理项目实战
📁 📁 章节7：GPT2聊天机器人
34：GPT2闲聊机器人.mp4 [37.6 MB]
📁 📁 章节4：Seq2Seq聊天机器人
22：Seq2Seq版Chatbot的数据预处理.mp4 [75.2 MB]
23：Seq2Seq版Chatbot训练和模型使用.mp4 [69.9 MB]
21：从AI写唐诗到Seq2Seq再到Encoder-Decoder.mp4 [69.5 MB]
📁 📁 章节3：AI写唐诗
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 [48.6 MB]
16：AI写唐诗_训练数据的构建.mp4 [44.8 MB]
20：AI写唐诗_模型的使用_增加随机性.mp4 [72.5 MB]
18：AI写唐诗_从词嵌入到构建RNN再到输出层概率输出.mp4 [52.6 MB]
17：MultiRNNCell单元.mp4 [22.3 MB]
15：AI写唐诗_数据的读取_字典的构建_文本的索引化.mp4 [89.3 MB]
📁 📁 章节1：词向量
2：Word2Vec项目代码_加载数据_构建字典.mp4 [75.5 MB]
5：Word2Vec项目代码_评估比较相似度_最后的训练绘图.mp4 [68.3 MB]
4：Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质.mp4 [80.9 MB]
3：Word2Vec项目代码_构建一个个批次数据.mp4 [65.4 MB]
6：Word2Vec项目代码_总结串讲.mp4 [18.3 MB]
1：回顾了词向量里面训练的Topology.mp4 [91.3 MB]
📁 📁 章节6：BERT新浪新闻10分类项目
33：BERT新浪新闻10分类项目.mp4 [90.2 MB]
📁 📁 章节2：自然语言处理--情感分析
14：代码讲解_05.mp4 [19.3 MB]
11：代码讲解_02.mp4 [27.8 MB]
9：数据预处理_02.mp4 [24.3 MB]
7：Keras实战RNN以及词嵌入来做情感分析.mp4 [28.8 MB]
12：代码讲解_03.mp4 [24.5 MB]
13：代码讲解_04.mp4 [26.3 MB]
10：代码讲解_01.mp4 [24.6 MB]
8：数据预处理_01.mp4 [33.2 MB]
📁 📁 章节5：实战NER命名实体识别项目
29：BiLSTM-CRF模型的预测代码.mp4 [60.4 MB]
32：补充标注偏置问题_HMM做分词代码结构.mp4 [58.2 MB]
26：NER代码读取数据和预处理.mp4 [85.9 MB]
28：通过CRF层来计算Loss损失以及训练.mp4 [66.0 MB]
24：回顾了一下CRF训练和使用过程.mp4 [56.7 MB]
25：介绍了代码目录结构.mp4 [19.7 MB]
30：CRF中的特征函数们.mp4 [87.8 MB]
31：对比逻辑回归_相比HMM优势.mp4 [83.1 MB]
27：feature进入BiLSTM进行正向传播的过程.mp4 [68.9 MB]
📁 02、人工智能基础-Python基础
📁 📁 章节2：Python基础语法
18：Python_集合操作_列表的基本操作.mp4 [35.1 MB]
35：Python_类对象_内置方法.mp4 [19.4 MB]
25：Python_函数_定义_调用_返回值_注释.mp4 [18.2 MB]
20：Python_集合操作_元组.mp4 [29.1 MB]
22：Python_集合操作_字典keys方法_enumerate函数.mp4 [18.1 MB]
21：Python_集合操作_字典和常见操作.mp4 [25.8 MB]
16：Python_数据类型.mp4 [20.9 MB]
12：Python_控制语句_for循环.mp4 [18.7 MB]
36：Python_类对象_运算符重载_私有对象方法_isinstance函数.mp4 [26.2 MB]
15：Python_切片操作.mp4 [30.5 MB]
27：Python_函数_默认参数_可变参数.mp4 [18.1 MB]
31：Python_函数_闭包.mp4 [27.5 MB]
28：Python_函数_递归.mp4 [18.2 MB]
17：Python_集合操作_列表.mp4 [24.1 MB]
29：Python_函数式编程_高阶函数.mp4 [17.7 MB]
34：Python_类对象_实例属性和方法_类属性和方法.mp4 [26.2 MB]
13：Python_控制语句_嵌套循环.mp4 [27.9 MB]
37：Python_类对象_面向对象三大特性_类的继承.mp4 [20.1 MB]
38：Python_类对象_子类复用父类构造器和方法_方法重写.mp4 [20.8 MB]
32：Python_函数_装饰器.mp4 [19.3 MB]
24：Python_打开并读取文件_中文编码问题.mp4 [38.7 MB]
19：Python_集合操作_列表的常用方法.mp4 [26.6 MB]
33：Python_类对象_定义与实例化对象.mp4 [37.0 MB]
14：Python_控制语句_break_continue.mp4 [16.4 MB]
26：Python_函数_局部变量_全局变量.mp4 [23.5 MB]
10：Python_控制语句_多分支_三元条件运算符.mp4 [21.4 MB]
9：Python_控制语句_单双分支.mp4 [39.3 MB]
23：Python_os模块_shutil模块.mp4 [36.7 MB]
30：Python_函数式编程_map_reduce_filter_匿名函数.mp4 [26.9 MB]
11：Python_控制语句_while循环.mp4 [16.3 MB]
8：Python是强类型的动态脚本语言.mp4 [27.2 MB]
📁 📁 章节1：Python开发环境搭建
4：Jupyter安装和代码运行.mp4 [24.9 MB]
3：Pycharm安装和代码运行.mp4 [30.3 MB]
人工智能-第1阶段Python基础.pdf [9.4 MB]
6：Conda虚拟环境创建与Python模块安装.mp4 [47.7 MB]
2：Miniconda安装和测试.mp4 [36.6 MB]
5：Jupyter常用快捷键.mp4 [20.7 MB]
1：下载Miniconda运行环境.mp4 [31.4 MB]
人工智能-第1阶段python进阶和高级编程.pdf [7.5 MB]
7：关联虚拟环境运行代码.mp4 [26.3 MB]
📁 25、【加课】百度飞桨PaddlePaddle实战【新增】
📁 📁 章节4：PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
22：车牌识别项目_车牌识别模型导出及预测.mp4 [54.8 MB]
20：车牌识别项目_车牌目标框检测模型训练.mp4 [44.2 MB]
19：车牌识别项目_运行保存标签和剪切出的车牌图片.mp4 [37.2 MB]
17：PaddleOCR_项目配置_CCPD数据集介绍.mp4 [47.4 MB]
21：车牌识别项目_车牌字符识别模型训练.mp4 [45.2 MB]
18：车牌识别项目_详解数据准备阶段代码.mp4 [28.7 MB]
📁 📁 章节5：PaddleNLP模块_物流信息提取（BiGRU+CRF）
📁 📁 代码
null
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 [52.2 MB]
28：PaddleNLP_物流信息提取项目_构建网络模型.mp4 [32.8 MB]
29：PaddleNLP_物流信息提取项目_模型训练.mp4 [35.5 MB]
23：PaddleNLP_项目配置.mp4 [30.9 MB]
24：PaddleNLP_物流信息提取项目介绍.mp4 [32.5 MB]
27：PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader.mp4 [37.3 MB]
26：PaddleNLP_物流信息提取项目_加载数据构建DataSet.mp4 [38.4 MB]
25：物流信息提取项目_解决导包显示找不到nul问题.mp4 [42.2 MB]
📁 📁 章节3：PaddleDetection工具_PCB电路板缺陷检测
10：PaddleDetection_项目配置.mp4 [42.1 MB]
16：PCB电路板缺陷检测_模型预测.mp4 [40.8 MB]
14：PCB电路板缺陷检测_项目配置文件.mp4 [27.2 MB]
13：PCB电路板缺陷检测_前期数据的分析.mp4 [56.0 MB]
11：安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题.mp4 [31.1 MB]
12：PCB电路板缺陷检测_Images和Annotations.mp4 [29.8 MB]
15：PCB电路板缺陷检测_模型训练.mp4 [43.7 MB]
📁 📁 章节2：PaddlePaddle卷积网络_病理性近视识别
7：预测病理性近视_模型训练.mp4 [40.8 MB]
6：预测病理性近视_图片数据读取.mp4 [45.5 MB]
9：预测病理性近视_调用经典卷积神经网络.mp4 [66.3 MB]
8：预测病理性近视_定义模型结构_评估模型.mp4 [40.9 MB]
📁 📁 章节6：PaddleNLP模块_物流信息提取（ERNIE版）
31：PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset.mp4 [34.1 MB]
32：PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用.mp4 [39.1 MB]
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 [34.2 MB]
34：PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果.mp4 [37.5 MB]
📁 📁 章节1：PaddlePaddle框架安装_波士顿房价预测
4：预测波士顿房价_数据读取_正向传播.mp4 [38.0 MB]
5：预测波士顿房价_反向传播_模型保存_模型测试.mp4 [29.7 MB]
1：安装PaddlePaddle.mp4 [36.8 MB]
3：PaddlePaddle求解线性模型.mp4 [35.7 MB]
2：Pycharm运行出现mkl-service或DLL找不到的问题.mp4 [28.2 MB]
📁 18-深度学习-人脸识别项目实战
📁 📁 章节1：人脸识别
10：人脸识别项目代码_加载MTCNN模型.mp4 [53.2 MB]
7：每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp4 [57.3 MB]
5：MTCNN论文_网络整体架构.mp4 [66.9 MB]
16：FaceNet论文_TripleSelection很至关重要.mp4 [62.9 MB]
4：MTCNN论文_摘要和介绍.mp4 [62.2 MB]
18：人脸识别项目代码_FaceNet模型加载和使用.mp4 [35.7 MB]
15：FaceNet论文_TripleLoss损失函数.mp4 [53.8 MB]
9：总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp4 [51.7 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 [48.9 MB]
2：开源的FaceNet项目介绍.mp4 [29.1 MB]
3：人脸识别项目代码整体结构.mp4 [23.4 MB]
14：FaceNet论文_TripleLoss思路来源和目标.mp4 [48.5 MB]
6：PRelu_每阶段输出多分支意义.mp4 [35.1 MB]
12：FaceNet论文_摘要和前情介绍.mp4 [58.5 MB]
13：FaceNet论文_相关的介绍.mp4 [42.2 MB]
8：训练数据的准备_每一阶段训练的流程.mp4 [53.0 MB]
1：人脸识别任务种类_具体做法思路.mp4 [26.7 MB]
17：FaceNet论文_ZF和Inception对比_总结.mp4 [57.6 MB]
19：人脸识别项目代码_人脸匹配以及最后的绘图展示.mp4 [30.3 MB]
📁 26-【加课】Linux环境编程基础
📁 📁 章节1：Linux
3：Linux_VMWare安装及使用.mp4 [13.6 MB]
26：Linux_安装MySQL.mp4 [50.9 MB]
21：Linux_常用配置_快照与克隆.mp4 [10.7 MB]
22：Linux_Xshell的安装与使用.mp4 [14.0 MB]
9：Linux_常用命令_ls与ll命令.mp4 [22.6 MB]
25：Linux_文件的压缩与解压缩处理.mp4 [28.4 MB]
18：Linux_常用配置_启动网络.mp4 [11.2 MB]
16：Linux_常用命令_reboot、halt.mp4 [4.0 MB]
14：Linux_常用命令_rm、mv命令.mp4 [20.0 MB]
6：Linux_Linux中的路径.mp4 [13.0 MB]
1：Linux_课程介绍.mp4 [2.9 MB]
8：Linux_常用命令_cd命令.mp4 [6.0 MB]
2：Linux_Linux简介.mp4 [13.0 MB]
4：Linux_安装Linux.mp4 [25.9 MB]
23：Linux_上传与下载_Xftp的使用.mp4 [12.7 MB]
13：Linux_常用命令_cp命令.mp4 [10.7 MB]
24：Linux_上传与下载_lrzsz工具.mp4 [29.9 MB]
5：Linux_目录介绍.mp4 [13.2 MB]
12：Linux_常用命令_mkdir命令.mp4 [7.4 MB]
15：Linux_常用命令_vi、vim.mp4 [22.9 MB]
10：Linux_常用命令_clear、touch、cat命令.mp4 [6.9 MB]
11：Linux_常用命令more、head、tail命令.mp4 [11.7 MB]
17：Linux_常用配置_设置时区.mp4 [18.9 MB]
19：Linux_常用配置_修改网段.mp4 [8.3 MB]
7：Linux_常用命令_pwd命令.mp4 [4.7 MB]
20：Linux_常用配置_设置网络类型.mp4 [18.9 MB]
📁 17-深度学习-语义分割原理和实战
📁 📁 章节2：医疗图像UNet语义分割
10：语义分割的基本概念.mp4 [14.1 MB]
12：UNet网络结构.mp4 [17.9 MB]
13：UNet网络医疗图像的语义分割.mp4 [59.4 MB]
11：FCN全卷积网络做语义分割.mp4 [28.3 MB]
📁 📁 章节3：蒙版弹幕MaskRCNN语义分割
15：MaskRCNN的项目展示.mp4 [117.1 MB]
16：MaskRCNN网络架构回顾.mp4 [74.8 MB]
18：MaskRCNN项目关于运行代码环境的说明.mp4 [34.4 MB]
17：MaskRCNN根据文档和论文总结重要的知识点.mp4 [191.3 MB]
14：MaskRCNN网络结构.mp4 [54.0 MB]
19：MaskRCNN源码config和model.mp4 [190.1 MB]
📁 📁 章节1：上采样_双线性插值_转置卷积
7：ROIAlign.mp4 [47.2 MB]
4：双线性插值.mp4 [66.0 MB]
1：前言.mp4 [14.5 MB]
2：上采样_repeat.mp4 [17.0 MB]
6：双线性插值作为转置卷积核的初始参数.mp4 [83.6 MB]
3：线性插值.mp4 [23.9 MB]
5：转置卷积_以及TF的API.mp4 [62.7 MB]
9：FPN应用于FasterRCNN_ResNetFPN.mp4 [101.6 MB]
8：FPN思想与网络结构.mp4 [48.2 MB]
📁 06、机器学习-线性分类
📁 📁 章节4：SMO优化算法
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 [35.5 MB]
42：对一元函数求极值点_推导出旧的α和新的α的关系.mp4 [26.4 MB]
47：SVM的SMO实现读取数据和计算fx与Ei.mp4 [44.0 MB]
53：OVR和OVO多分类_算法小结_对比逻辑回归.mp4 [23.2 MB]
49：SVM的SMO实现应用公式计算alphas和b.mp4 [12.4 MB]
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 [32.6 MB]
45：启发式选择两个α.mp4 [9.7 MB]
48：SVM的SMO实现判断违背条件的α1.mp4 [10.0 MB]
52：概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp4 [41.4 MB]
39：SVM算法流程总结.mp4 [31.7 MB]
51：关于sklearn中的SVM封装的类和超参.mp4 [11.8 MB]
44：再次说明α2如何进行剪裁的思路_根据α2求α1.mp4 [17.8 MB]
46：如何计算阈值b.mp4 [19.5 MB]
50：SVM绘制已有数据点和超平面以及边界.mp4 [9.5 MB]
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 [43.5 MB]
📁 📁 章节1：逻辑回归
第五阶段_线性分类算法_逻辑回归和Softmax回归.pdf [1.1 MB]
15：OneVsRest将多分类问题转化成多个二分类问题.mp4 [12.1 MB]
3：逻辑回归为什么用sigmoid函数_预备知识.mp4 [18.7 MB]
2：sigmoid函数作用.mp4 [21.4 MB]
12：对逻辑回归函数进行求导_结论在后面会用到.mp4 [11.3 MB]
1：逻辑回归_Sigmoid函数.mp4 [10.8 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 [4.3 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 [25.0 MB]
7：推导逻辑回归损失函数_得到最终形式.mp4 [7.8 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 [16.9 MB]
14：实战逻辑回归对鸢尾花数据集进行二分类.mp4 [17.8 MB]
16：实战逻辑回归对鸢尾花数据集进行多分类.mp4 [18.2 MB]
6：推导逻辑回归损失函数_得到总似然的公式.mp4 [15.4 MB]
13：对逻辑回归的损失函数求导_推导出导函数的形式.mp4 [21.3 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 [23.5 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 [17.8 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 [14.1 MB]
📁 📁 章节2：Softmax回归
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 [21.4 MB]
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 [17.1 MB]
23：实战音乐分类器_讲解需求和读取数据.mp4 [14.1 MB]
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 [21.2 MB]
21：证明Softmax公式K=2的时候就是逻辑回归_平移不变性.mp4 [7.6 MB]
25：实战音乐分类器_傅里叶变换可以帮助我们做什么.mp4 [12.9 MB]
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 [16.9 MB]
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 [16.6 MB]
17：证明多项式分布属于指数族分布一种.mp4 [14.7 MB]
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 [29.0 MB]
18：从广义线性回归的η推导出来Softmax的公式.mp4 [9.9 MB]
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 [20.2 MB]
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 [15.2 MB]
📁 📁 章节3：SVM支持向量机算法
34：硬间隔SVM的两步优化.mp4 [64.9 MB]
32：几种SVM_SVM的损失函数.mp4 [47.9 MB]
37：非线性SVM.mp4 [36.9 MB]
35：总结硬间隔SVM.mp4 [23.2 MB]
33：数学预备知识_拉格朗日函数.mp4 [72.2 MB]
30：SVM与感知机关系_几何距离与函数距离.mp4 [77.7 MB]
SVM算法.pdf [2.5 MB]
38：SVM在sklearn中的使用_超参数.mp4 [80.1 MB]
36：软间隔SVM和总结流程.mp4 [76.9 MB]
31：SVM的思想.mp4 [35.9 MB]
📁 13-深度学习-原理和进阶
📁 📁 章节3：反向传播推导_Python代码实现神经网络
17：反向传播_链式求导法则.mp4 [56.1 MB]
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 [65.1 MB]
22：python实现神经网络训练代码讲解(一).mp4 [50.8 MB]
21：反向传播推导(四)关于Δ和a还有梯度的更新事宜.mp4 [25.1 MB]
18：反向传播推导(一).mp4 [91.1 MB]
19：反向传播推导(二)从输出层到最后一个隐藏层.mp4 [78.8 MB]
23：python实现神经网络正向反向传播训练.mp4 [65.0 MB]
📁 📁 章节2：TensorFlow深度学习工具
16：TF实现DNN来识别MNIST手写数字.mp4 [104.5 MB]
11：CUDA安装_cudnn安装_环境变量配置_检验是否安装成功.mp4 [60.7 MB]
10：CUDA下载地址_CUDA显卡白名单地址.mp4 [57.9 MB]
12：Tensorflow代码运行机制_TF基础的代码.mp4 [98.2 MB]
14：TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据.mp4 [130.4 MB]
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 [106.2 MB]
15：TF实现Softmax回归来识别MNIST手写数字.mp4 [108.5 MB]
📁 📁 章节1：神经网络算法
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 [45.4 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 [63.3 MB]
神经网络.pdf [518.1 KB]
6：多节点网络输出_sklearn中NN模块的介绍.mp4 [53.0 MB]
4：用神经网络理解Softmax回归.mp4 [44.4 MB]
5：隐藏层的意义_隐藏层相当于去做预处理_升维降维.mp4 [69.1 MB]
7：sklearn中NN模型的代码使用.mp4 [69.3 MB]
9：tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装.mp4 [132.1 MB]
8：隐藏层激活函数必须是非线性的.mp4 [13.7 MB]
2：三种常见的激活函数_网络拓扑介绍_优化算法.mp4 [33.5 MB]
📁 05、机器学习-线性回归
📁 📁 章节1：多元线性回归
16：Pycharm创建脚本并测试python开发环境.mp4 [17.4 MB]
8：引入正太分布的概率密度函数.mp4 [14.9 MB]
9：明确目标通过最大总似然求解θ.mp4 [14.5 MB]
5：理解维度这个概念.mp4 [21.2 MB]
22：调用Scikit-learn中的多元线性回归求解模型(下).mp4 [17.2 MB]
12：推导出目标函数的导函数形式.mp4 [23.3 MB]
20：Scikit-learn模块的介绍.mp4 [16.9 MB]
2：最优解_损失函数_MSE.mp4 [19.5 MB]
15：Anaconda环境安装_Pycharm环境安装.mp4 [26.5 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 [20.0 MB]
4：理解多元线性回归表达式几种写法的原因.mp4 [16.2 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 [14.1 MB]
6：理解回归一词_中心极限定理_正太分布和做预测.mp4 [28.2 MB]
21：调用Scikit-learn中的多元线性回归求解模型(上).mp4 [13.2 MB]
1：理解简单线性回归.mp4 [21.2 MB]
第一阶段_手把手教你透彻掌握线性回归算法.pdf [2.7 MB]
14：Python开发环境版本的选择及下载.mp4 [23.1 MB]
17：解析解的方式求解多元线性回归_数据Xy.mp4 [16.7 MB]
7：假设误差服从正太分布_最大似然估计MLE.mp4 [21.4 MB]
13：θ解析解的公式_是否要考虑损失函数是凸函数.mp4 [27.9 MB]
10：对数似然函数_推导出损失函数MSE.mp4 [23.1 MB]
3：扩展到多元线性回归.mp4 [14.5 MB]
11：把目标函数按照线性代数的方式去表达.mp4 [14.4 MB]
📁 📁 章节2：梯度下降法
27：多元线性回归下的梯度下降法.mp4 [21.8 MB]
24：梯度下降法公式.mp4 [28.4 MB]
28：全量梯度下降.mp4 [30.6 MB]
34：代码实现随机梯度下降.mp4 [12.3 MB]
35：代码实现小批量梯度下降.mp4 [11.7 MB]
31：轮次和批次.mp4 [26.7 MB]
33：代码实现全量梯度下降第3步和第4步.mp4 [14.1 MB]
25：学习率设置的学问_全局最优解.mp4 [26.4 MB]
37：代码改进实现随着迭代增加动态调整学习率.mp4 [16.7 MB]
第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf [2.6 MB]
23：梯度下降法产生的目的和原因以及思想.mp4 [28.1 MB]
36：代码改进保证训练数据全都能被随机取到.mp4 [16.1 MB]
32：代码实现全量梯度下降第1步和第2步.mp4 [12.8 MB]
29：随机梯度下降_小批量梯度下降.mp4 [26.3 MB]
26：梯度下降法迭代流程总结.mp4 [15.2 MB]
30：对应梯度下降法的问题和挑战.mp4 [22.6 MB]
📁 📁 章节3：归一化
42：标准归一化.mp4 [26.0 MB]
41：最大值最小值归一化.mp4 [14.1 MB]
40：归一化的副产品_有可能会提高模型的精度.mp4 [12.6 MB]
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 [17.0 MB]
38：归一化的目的_维度之间数量级不同产生的矛盾.mp4 [30.3 MB]
📁 📁 章节5：Lasso回归_Ridge回归_多项式回归
55：实战保险花销预测_数据介绍和加载数据.mp4 [18.6 MB]
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 [35.6 MB]
50：代码调用Lasso回归.mp4 [12.6 MB]
58：实战保险花销预测_特征选择思路.mp4 [16.5 MB]
52：升维的意义_多项式回归.mp4 [22.2 MB]
51：代码调用ElasticNet回归.mp4 [18.1 MB]
53：多项式升维代码实战_传入不同超参数对比.mp4 [21.3 MB]
54：多项式升维代码实战_训练模型和评估.mp4 [15.9 MB]
49：代码调用Ridge岭回归.mp4 [26.1 MB]
59：实战保险花销预测_特征工程.mp4 [9.3 MB]
56：实战保险花销预测_数据预处理.mp4 [19.6 MB]
60：实战保险花销预测_模型训练和评估.mp4 [20.5 MB]
📁 📁 章节4：正则化
48：通过L1和L2的导函数理解区别的本质原因.mp4 [26.3 MB]
46：常用的L1和L2正则项以及数学意义.mp4 [20.1 MB]
44：正则化的目的防止过拟合.mp4 [16.5 MB]
43：代码完成标准归一化.mp4 [21.7 MB]
47：L1稀疏性和L2平滑性.mp4 [26.0 MB]
45：正则化通过损失函数加入惩罚项使得W越小越好.mp4 [19.2 MB]
📁 11-机器学习与大数据-海量数据挖掘工具
📁 📁 章节1：Spark计算框架基础
9：Spark的RDD特性_02.mp4 [21.9 MB]
7：分布式计算框架Shuffle的原理_03.mp4 [17.4 MB]
5：分布式计算框架Shuffle的原理_01.mp4 [25.5 MB]
15：Spark算子操作实战讲解_代码实战WordCount_04.mp4 [17.9 MB]
10：分布式计算所需进程.mp4 [15.6 MB]
6：分布式计算框架Shuffle的原理_02.mp4 [25.7 MB]
8：Spark的RDD特性_01.mp4 [19.3 MB]
14：Spark算子操作实战讲解_代码实战WordCount_03.mp4 [20.2 MB]
2：Spark特性_02.mp4 [17.4 MB]
1：Spark特性_01.mp4 [25.1 MB]
11：两种算子操作本质区别.mp4 [26.1 MB]
12：Spark算子操作实战讲解_代码实战WordCount_01.mp4 [31.7 MB]
13：Spark算子操作实战讲解_代码实战WordCount_02.mp4 [25.9 MB]
4：回顾hadoop讲解shuffle.mp4 [20.0 MB]
3：Spark对比hadoop优势.mp4 [12.4 MB]
📁 📁 章节3：Spark机器学习MLlib和ML模块
31：SparkMLlib调用逻辑回归_自定义阈值.mp4 [47.1 MB]
37：SparkMLlib调用KMeans聚类_调用决策树(1).mp4 [47.2 MB]
42：从数据转化到训练集的构建.mp4 [63.4 MB]
46：SparkML机器学习库概念讲解.mp4 [59.7 MB]
40：使用逻辑回归和随机森林对股票Stock预测案例实战.mp4 [34.9 MB]
52：SparkML网页分类案例代码实战续（2）.mp4 [57.5 MB]
30：SparkMLlib调用逻辑回归_自定义阈值.mp4 [52.4 MB]
49：SparkML机器学习库代码实战讲解.mp4 [63.5 MB]
43：模型的训练以及评估和调超参.mp4 [35.1 MB]
48：SparkML机器学习库代码实战讲解.mp4 [61.2 MB]
50：SparkML网页分类案例代码实战续（1）.mp4 [62.9 MB]
38：SparkMLlib调用KMeans聚类_调用决策树(1).mp4 [40.9 MB]
39：使用逻辑回归和随机森林对股票Stock预测案例实战.mp4 [43.4 MB]
32：SparkMLlib调用逻辑回归_使用标准归一化.mp4 [38.6 MB]
34：SparkMLlib调用逻辑回归_使用标准归一化.mp4 [33.1 MB]
53：SparkML网页分类案例代码实战续（2）.mp4 [45.0 MB]
35：SparkMLlib调用逻辑回归_使用标准归一化_4.mp4 [43.6 MB]
45：模型的训练以及评估和调超参.mp4 [43.2 MB]
36：SparkMLlib调用KMeans聚类_调用决策树(1).mp4 [37.8 MB]
47：SparkML机器学习库概念讲解.mp4 [53.7 MB]
41：使用逻辑回归和随机森林对股票Stock预测案例实战.mp4 [34.7 MB]
44：模型的训练以及评估和调超参.mp4 [32.2 MB]
33：SparkMLlib调用逻辑回归_使用标准归一化.mp4 [65.6 MB]
51：SparkML网页分类案例代码实战续（1）.mp4 [60.7 MB]
54：SparkML网页分类案例代码实战续（3）.mp4 [4.0 MB]
29：SparkMLlib对于逻辑回归算法的调用.mp4 [49.3 MB]
📁 📁 章节2：Spark计算框架深入
26：讲解构建稀疏和稠密向量_01.mp4 [36.2 MB]
21：分布式文件系统Block块的大小配置.mp4 [44.2 MB]
28：介绍SparkMLlib模块中实现的算法和调用.mp4 [35.0 MB]
27：构建LabeledPoint.mp4 [44.3 MB]
20：Spark术语总结.mp4 [40.1 MB]
17：Spark宽依赖和窄依赖_01.mp4 [24.9 MB]
24：Spark程序启动运行流程详解_03.mp4 [19.9 MB]
23：Spark程序启动运行流程详解_02.mp4 [28.6 MB]
16：Spark数据缓存机制.mp4 [29.2 MB]
18：Spark宽依赖和窄依赖_02.mp4 [22.5 MB]
25：讲解构建稀疏和稠密向量_01.mp4 [33.9 MB]
19：Spark宽依赖和窄依赖_03.mp4 [15.8 MB]
22：Spark程序启动运行流程详解_01.mp4 [19.6 MB]
📁 15-深度学习-图像识别项目实战
📁 📁 章节2：自然场景下的目标检测及源码分析
28：FasterRCNN代码_给RPN准备正负例样本_08.mp4 [21.9 MB]
13：回归整体训练流程_详解读取数据blob_03.mp4 [18.5 MB]
6：FasterRCNN项目代码_环境说明_数据集详解_项目结构说明.mp4 [46.5 MB]
19：FasterRCNN代码_根据RPN网络得到校正后的预测的框_02.mp4 [48.0 MB]
29：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01.mp4 [26.5 MB]
26：FasterRCNN代码_给RPN准备正负例样本_06.mp4 [42.6 MB]
31：FasterRCNN代码_添加Loss损失_smoothL1loss.mp4 [26.8 MB]
30：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02.mp4 [25.4 MB]
17：FasterRCNN代码_构建RPN网络_02.mp4 [39.3 MB]
14：回归整体训练流程_详解读取数据blob_04.mp4 [27.2 MB]
23：FasterRCNN代码_给RPN准备正负例样本_03.mp4 [22.0 MB]
27：FasterRCNN代码_给RPN准备正负例样本_07.mp4 [37.9 MB]
12：回归整体训练流程_详解读取数据blob_02.mp4 [31.6 MB]
9：FasterRCNN项目代码_数据初始化.mp4 [30.3 MB]
25：FasterRCNN代码_给RPN准备正负例样本_05.mp4 [29.9 MB]
16：FasterRCNN代码_构建RPN网络_01.mp4 [49.3 MB]
18：FasterRCNN代码_根据RPN网络得到校正后的预测的框_01.mp4 [37.7 MB]
22：FasterRCNN代码_给RPN准备正负例样本_02.mp4 [62.3 MB]
20：FasterRCNN代码_bbox剪裁_NMS非极大值抑制.mp4 [46.1 MB]
10：FasterRCNN项目代码_模型的训练.mp4 [17.6 MB]
24：FasterRCNN代码_给RPN准备正负例样本_04.mp4 [19.1 MB]
11：回归整体训练流程_详解读取数据blob_01.mp4 [33.0 MB]
15：FasterRCNN代码_构建head.mp4 [25.9 MB]
7：FasterRCNN项目代码_数据加载.mp4 [39.9 MB]
8：FasterRCNN项目代码_数据增强.mp4 [31.4 MB]
21：FasterRCNN代码_给RPN准备正负例样本_01.mp4 [40.9 MB]
📁 📁 章节3：图像风格迁移
35：图片风格融合项目_架构_代码实现要点_4.mp4 [37.1 MB]
34：图片风格融合项目_架构_代码实现要点.mp4 [34.8 MB]
32：图片风格融合项目_架构_代码实现要点.mp4 [30.5 MB]
33：图片风格融合项目_架构_代码实现要点.mp4 [35.4 MB]
📁 📁 章节1：车牌识别
2：基于CascadeClassifier来提取目标框做车牌识别代码详解_02.mp4 [33.6 MB]
3：基于CascadeClassifier来提取目标框做车牌识别代码详解_03.mp4 [18.5 MB]
4：基于CascadeClassifier来提取目标框做车牌识别代码详解_04.mp4 [28.1 MB]
1：基于CascadeClassifier来提取目标框做车牌识别代码详解_01.mp4 [31.8 MB]
5：车牌识别项目关于目标检测的问题.mp4 [17.4 MB]
课件.zip [59.3 GB]适合人群
- AI算法工程师
- 深度学习爱好者
- 自然语言处理研究者
🎯 学习收获
- 掌握深度学习在NLP领域的应用
- 精通RNN、LSTM等核心算法
- 了解BERT、GPT等前沿技术
- 提升AI算法实战能力
🎉 祝您学习愉快！