尚学堂百战程序员，人工智能AI算法工程师就业班

资源介绍

手机端访问

📂 资源目录120 个文件夹868 个文件合计 61.8GB全部展开 | 全部收起

📁AA_0205——尚学堂百战程序员，人工智能AI算法工程师就业班119 个文件夹 · 868 个文件

▶📁 01--人工智能基础-快速入门2 个文件夹 · 9 个文件

▶📁 1--人工智能就业、薪资、各行业应用4 个文件

📄1-人工智能就业前景与薪资.mp452.1MB

📄2-人工智能适合人群与必备技能.mp444.6MB

📄3-人工智能时代是发展的必然.mp423.2MB

📄4-人工智能在各领域的应用.mp457.7MB

▶📁 2--机器学习和深度学习、有监督和无监督5 个文件

📄1-人工智能常见流程.mp489.6MB

📄2-机器学习不同的学习方式.mp483.5MB

📄3-深度学习比传统机器学习有优势.mp484.8MB

📄4-有监督机器学习任务与本质.mp437.5MB

📄5-无监督机器学习任务与本质.mp450.2MB

▶📁 02--人工智能基础-Python基础3 个文件夹 · 41 个文件

▶📁 1--Python开发环境搭建7 个文件

📄1-下载Miniconda运行环境.mp4100.7MB

📄2-Miniconda安装和测试.mp457.1MB

📄3-Pycharm安装和代码运行.mp471.6MB

📄4-Jupyter安装和代码运行.mp437.1MB

📄5-Jupyter常用快捷键.mp432.2MB

📄6-Conda虚拟环境创建与Python模块安装.mp473.1MB

📄7-关联虚拟环境运行代码.mp438.1MB

▶📁 2--Python基础语法31 个文件

📄1-Python是强类型的动态脚本语言.mp444.1MB

📄2-Python_控制语句_单双分支.mp450.7MB

📄3-Python_控制语句_多分支_三元条件运算符.mp431.0MB

📄4-Python_控制语句_while循环.mp425.0MB

📄5-Python_控制语句_for循环.mp422.8MB

📄6-Python_控制语句_嵌套循环.mp436.2MB

📄7-Python_控制语句_break_continue.mp425.2MB

📄8-Python_切片操作.mp440.2MB

📄9-Python_数据类型.mp425.4MB

📄10-Python_集合操作_列表.mp434.7MB

📄11-Python_集合操作_列表的基本操作.mp449.4MB

📄12-Python_集合操作_列表的常用方法.mp437.3MB

📄13-Python_集合操作_元组.mp443.5MB

📄14-Python_集合操作_字典和常见操作.mp438.0MB

📄15-Python_集合操作_字典keys方法_enumerate函数 .mp422.4MB

📄16-Python_os模块_shutil模块.mp451.5MB

📄17-Python_打开并读取文件_中文编码问题.mp458.8MB

📄18-Python_函数_定义_调用_返回值_注释.mp423.8MB

📄19-Python_函数_局部变量_全局变量 .mp431.2MB

📄20-Python_函数_默认参数_可变参数.mp424.5MB

📄21-Python_函数_递归.mp423.5MB

📄22-Python_函数式编程_高阶函数.mp424.6MB

📄23-Python_函数式编程_map_reduce_filter_匿名函数.mp437.9MB

📄24-Python_函数_闭包.mp441.6MB

📄25-Python_函数_装饰器.mp430.3MB

📄26-Python_类对象_定义与实例化对象.mp444.2MB

📄27-Python_类对象_实例属性和方法_类属性和方法.mp438.4MB

📄28-Python_类对象_内置方法.mp429.2MB

📄29-Python_类对象_运算符重载_私有对象方法_isinstance函数.mp438.5MB

📄30-Python_类对象_面向对象三大特性_类的继承.mp424.7MB

📄31-Python_类对象_子类复用父类构造器和方法_方法重写.mp432.0MB

▶📁 课件3 个文件

📄代码.rar509.9KB

📄人工智能-第1阶段Python基础.pdf9.4MB

📄人工智能-第1阶段python进阶和高级编程.pdf7.5MB

▶📁 03--人工智能基础-Python科学计算和可视化4 个文件夹 · 22 个文件

▶📁 1--科学计算模型Numpy9 个文件

📄1-Numpy_概述_安装_创建数组_获取shape形状.mp439.9MB

📄2-Numpy_array_arange.mp435.5MB

📄3-Numpy_random随机数生成.mp450.5MB

📄4-Numpy_ndarray属性_zeros_ones_like等创建数组函数.mp445.4MB

📄5-NumPy_reshape_切片操作_copy函数.mp434.5MB

📄6-Numpy_改变数组维度_数组的拼接.mp446.5MB

📄7-Numpy_数组的切分和转置.mp428.3MB

📄8-Numpy_算术运算_向上向下取整.mp434.6MB

📄9-Numpy_聚合函数.mp423.7MB

▶📁 2--数据可视化模块5 个文件

📄1-Matplotlib_概述_绘制直线图.mp440.8MB

📄2-Matplotlib_绘制正余弦曲线_散点图_添加图例.mp437.7MB

📄3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比.mp452.2MB

📄4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布.mp429.5MB

📄5-Matplotlib_绘制等高线图_绘制三维图像.mp434.9MB

▶📁 3--数据处理分析模块Pandas7 个文件

📄1-Python_Pandaseries对象创建.mp433.4MB

📄2-Python_Pandas_DataFrame对象创建.mp437.2MB

📄3-Python_Pandas_获取eries对象的值.mp422.4MB

📄4-Python_Pandas_获取DataFrame对象的值.mp428.3MB

📄5-Python_Pandas_条件过滤.mp424.7MB

📄6-Python_Pandas_空值的删除与填充 .mp446.7MB

📄7-Python_Pandas_拼接和合并 .mp444.8MB

▶📁 课件1 个文件

📄人工智能-第1阶段数据分析（含办公自动化分析）.pdf6.0MB

▶📁 04--人工智能基础-高等数学知识强化8 个文件夹 · 55 个文件

▶📁 1--数学内容概述3 个文件

📄1-人工智能学习数学的必要性_微积分知识点.mp428.8MB

📄2-线性代数_概率论知识点.mp426.8MB

📄3-最优化知识_数学内容学习重点.mp440.4MB

▶📁 2--一元函数微分学8 个文件

📄1-导数的定义_左导数和右导数.mp428.4MB

📄2-导数的几何意义和物理意义.mp414.5MB

📄3-常见函数的求导公式.mp422.8MB

📄4-导数求解的四则运算法则.mp426.5MB

📄5-复合函数求导法则.mp419.7MB

📄6-推导激活函数的导函数.mp433.4MB

📄7-高阶导数_导数判断单调性_导数与极值.mp422.0MB

📄8-导数判断凹凸性_导数用于泰勒展开.mp444.2MB

▶📁 3--线性代数基础11 个文件

📄1-向量的意义_n维欧式.mp420.8MB

📄2-行向量列向量_转置_数乘_加减乘除.mp419.3MB

📄3-向量的内积_向量运算法则.mp419.8MB

📄4-学习向量计算的用途举例.mp420.3MB

📄5-向量的范数_范数与正则项的关系.mp432.4MB

📄6-特殊的向量.mp426.5MB

📄7-矩阵_方阵_对称阵_单位阵_对角阵.mp418.1MB

📄8-矩阵的运算_加减法_转置.mp422.8MB

📄9-矩阵相乘.mp420.0MB

📄10-矩阵的逆矩阵.mp438.5MB

📄11-矩阵的行列式.mp420.1MB

▶📁 4--多元函数微分学4 个文件

📄1-多元函数求偏导.mp422.6MB

📄2-高阶偏导数_梯度.mp427.2MB

📄3-雅可比矩阵_在神经网络中应用.mp437.7MB

📄4-Hessian矩阵.mp432.9MB

▶📁 5--线性代数高级11 个文件

📄1-二次型.mp427.7MB

📄2-补充关于正定负定的理解.mp423.5MB

📄3-特征值和特征向量(1).mp429.8MB

📄4-特征值和特征向量(2).mp430.1MB

📄5-特征值分解.mp438.7MB

📄6-多元函数的泰勒展开_矩阵和向量的求导.mp444.8MB

📄7-奇异值分解定义.mp422.6MB

📄8-求解奇异值分解中的UΣV矩阵.mp449.5MB

📄9-奇异值分解性质_数据压缩.mp438.7MB

📄10VD用于PCA降维.mp424.9MB

📄11VD用于协同过滤_求逆矩阵.mp435.9MB

▶📁 6--概率论7 个文件

📄1-概率论_随机事件与随机事件概率.mp421.7MB

📄2-条件概率_贝叶斯公式.mp432.6MB

📄3-随机变量.mp422.6MB

📄4-数学期望和方差.mp423.0MB

📄5-常用随机变量服从的分布.mp422.5MB

📄6-随机向量_独立性_协方差_随机向量的正太分布.mp432.5MB

📄7-最大似然估计思想.mp423.4MB

▶📁 7--最优化10 个文件

📄1-最优化的基本概念.mp435.1MB

📄2-迭代求解的原因.mp420.2MB

📄3-梯度下降法思路.mp426.3MB

📄4-梯度下降法的推导.mp443.6MB

📄5-牛顿法公式推导以及优缺点.mp445.8MB

📄6-坐标下降法_数值优化面临的问题.mp423.9MB

📄7-凸集.mp421.9MB

📄8-凸函数.mp416.9MB

📄9-凸优化的性质_一般表达形式.mp420.8MB

📄10-拉格朗日函数.mp427.5MB

▶📁 课件1 个文件

📄数学.pdf1.5MB

▶📁 05--机器学习-线性回归5 个文件夹 · 63 个文件

▶📁 1--多元线性回归22 个文件

📄1-理解简单线性回归.mp451.1MB

📄2-最优解_损失函数_ME.mp439.6MB

📄3-扩展到多元线性回归.mp432.2MB

📄4-理解多元线性回归表达式几种写法的原因.mp434.0MB

📄5-理解维度这个概念.mp441.4MB

📄6-理解回归一词_中心极限定理_正太分布和做预测.mp465.8MB

📄7-假设误差服从正太分布_最大似然估计MLE.mp443.1MB

📄8-引入正太分布的概率密度函数.mp426.5MB

📄9-明确目标通过最大总似然求解θ.mp425.8MB

📄10-对数似然函数_推导出损失函数ME.mp441.9MB

📄11-把目标函数按照线性代数的方式去表达.mp427.0MB

📄12-推导出目标函数的导函数形式.mp446.4MB

📄13-θ解析解的公式_是否要考虑损失函数是凸函数.mp459.2MB

📄14-Python开发环境版本的选择及下载.mp454.1MB

📄15-Anaconda环境安装_Pycharm环境安装.mp461.1MB

📄16-Pycharm创建脚本并测试python开发环境.mp440.5MB

📄17-解析解的方式求解多元线性回归_数据Xy.mp440.4MB

📄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.mp448.3MB

📄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.mp434.7MB

📄20cikit-learn模块的介绍.mp429.2MB

📄21-调用cikit-learn中的多元线性回归求解模型(上) .mp425.2MB

📄22-调用cikit-learn中的多元线性回归求解模型(下).mp441.0MB

▶📁 2--梯度下降法17 个文件

📄1-梯度下降法产生的目的和原因以及思想.mp459.4MB

📄2-梯度下降法公式.mp457.1MB

📄3-学习率设置的学问_全局最优解.mp456.5MB

📄4-梯度下降法迭代流程总结.mp430.3MB

📄5-多元线性回归下的梯度下降法.mp443.3MB

📄6-全量梯度下降.mp462.8MB

📄7-随机梯度下降_小批量梯度下降.mp447.6MB

📄8-对应梯度下降法的问题和挑战.mp447.1MB

📄9-轮次和批次.mp445.2MB

📄10-代码实现全量梯度下降第1步和第2步.mp425.7MB

📄11-代码实现全量梯度下降第3步和第4步.mp430.7MB

📄12-代码实现随机梯度下降 .mp426.7MB

📄13-代码实现小批量梯度下降.mp427.3MB

📄14-代码改进保证训练数据全都能被随机取到.mp440.3MB

📄15-代码改进实现随着迭代增加动态调整学习率.mp439.2MB

📄代码.rar1.7KB

📄第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf2.6MB

▶📁 3--归一化6 个文件

📄1-归一化的目的_维度之间数量级不同产生的矛盾.mp463.6MB

📄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.mp434.1MB

📄3-归一化的副产品_有可能会提高模型的精度.mp421.6MB

📄4-最大值最小值归一化.mp424.9MB

📄5-标准归一化.mp451.9MB

📄6-代码完成标准归一化.mp441.1MB

▶📁 4--正则化5 个文件

📄1-正则化的目的防止过拟合.mp430.7MB

📄2-正则化通过损失函数加入惩罚项使得W越小越好.mp435.3MB

📄3-常用的L1和L2正则项以及数学意义.mp441.6MB

📄4-L1稀疏性和L2平滑性.mp451.6MB

📄5-通过L1和L2的导函数理解区别的本质原因.mp455.6MB

▶📁 5--Lasso回归_Ridge回归_多项式回归12 个文件

📄1-代码调用Ridge岭回归.mp476.3MB

📄2-代码调用Lasso回归.mp428.7MB

📄3-代码调用ElasticNet回归.mp453.7MB

📄4-升维的意义_多项式回归.mp448.1MB

📄5-多项式升维代码实战_传入不同超参数对比.mp444.8MB

📄6-多项式升维代码实战_训练模型和评估.mp435.1MB

📄7-实战保险花销预测_数据介绍和加载数据.mp435.3MB

📄8-实战保险花销预测_数据预处理.mp441.4MB

📄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.mp484.1MB

📄10-实战保险花销预测_特征选择思路.mp440.3MB

📄11-实战保险花销预测_特征工程.mp418.0MB

📄12-实战保险花销预测_模型训练和评估.mp458.9MB

📄代码.rar126.4KB

▶📁 06--机器学习-线性分类4 个文件夹 · 53 个文件

▶📁 1--逻辑回归16 个文件

📄1-逻辑回归igmoid函数.mp421.1MB

📄2-sigmoid函数作用.mp438.2MB

📄3-逻辑回归为什么用sigmoid函数_预备知识.mp431.0MB

📄4-证明伯努利分布是指数族分布_推导出逻辑回归公式.mp442.0MB

📄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.mp46.7MB

📄6-推导逻辑回归损失函数_得到总似然的公式.mp429.6MB

📄7-推导逻辑回归损失函数_得到最终形式.mp412.4MB

📄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.mp456.6MB

📄9-绘制逻辑回归损失函数_探索单个参数和损失的关系.mp430.7MB

📄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.mp439.8MB

📄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.mp443.9MB

📄12-对逻辑回归函数进行求导_结论在后面会用到.mp420.5MB

📄13-对逻辑回归的损失函数求导_推导出导函数的形式.mp442.5MB

📄14-实战逻辑回归对鸢尾花数据集进行二分类.mp446.6MB

📄15-OneVsRest将多分类问题转化成多个二分类问题.mp426.1MB

📄16-实战逻辑回归对鸢尾花数据集进行多分类.mp440.5MB

▶📁 2--Softmax回归13 个文件

📄1-证明多项式分布属于指数族分布一种.mp427.9MB

📄2-从广义线性回归的η推导出来oftmax的公式 .mp421.3MB

📄3-有了oftmax函数的公式就可以去计算lossoftmax的Loss函数形式其实就是LR的泛化版本.mp433.4MB

📄4-再次证明oftmax损失函数当K=2时就是逻辑回归损失函数.mp428.2MB

📄5-证明oftmax公式K=2的时候就是逻辑回归_平移不变性.mp413.9MB

📄6-逻辑回归和oftmax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.mp446.7MB

📄7-实战音乐分类器_讲解需求和读取数据.mp432.6MB

📄8-实战音乐分类器_探索不同曲风音乐文件的时间频率图.mp452.4MB

📄9-实战音乐分类器_傅里叶变换可以帮助我们做什么.mp425.1MB

📄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.mp442.7MB

📄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.mp449.2MB

📄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.mp447.7MB

📄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.mp478.0MB

▶📁 3--SVM支持向量机算法9 个文件

📄1VM与感知机关系_几何距离与函数距离.mp4114.2MB

📄2VM的思想.mp455.6MB

📄3-几种VMVM的损失函数.mp474.9MB

📄4-数学预备知识_拉格朗日函数.mp4122.4MB

📄5-硬间隔VM的两步优化.mp4102.9MB

📄6-总结硬间隔VM.mp439.0MB

📄7-软间隔VM和总结流程.mp4135.8MB

📄8-非线性VM.mp454.4MB

📄9VM在sklearn中的使用_超参数.mp4144.3MB

▶📁 4--SMO优化算法15 个文件

📄1VM算法流程总结.mp458.4MB

📄2MO算法求解思路_分解成很多个子二次规划问题分别求解.mp465.4MB

📄3MO将交给它的目标函数变成二元函数进一步变成一元函数.mp463.2MB

📄4-对一元函数求极值点_推导出旧的α和新的α的关系.mp453.2MB

📄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.mp492.4MB

📄6-再次说明α2如何进行剪裁的思路_根据α2求α1.mp437.6MB

📄7-启发式选择两个α.mp423.1MB

📄8-如何计算阈值b.mp450.2MB

📄9VM的MO实现读取数据和计算fx与Ei.mp473.4MB

📄10VM的MO实现判断违背条件的α1.mp419.2MB

📄11VM的MO实现应用公式计算alphas和b.mp420.9MB

📄12VM绘制已有数据点和超平面以及边界.mp421.1MB

📄13-关于sklearn中的VM封装的类和超参.mp415.5MB

📄14-概率化输出VM的合页损失函数_Tensorflow实现GD方式求解VM.mp469.0MB

📄15-OVR和OVO多分类_算法小结_对比逻辑回归.mp436.5MB

▶📁 07--机器学习-无监督学习3 个文件夹 · 20 个文件

▶📁 1--聚类系列算法6 个文件

📄1-KMeans聚类流程_距离测度欧式距离和余弦距离.mp4174.0MB

📄2-距离测度欧式距离和余弦距离的场景_TFIDF.mp4153.5MB

📄3-KMeans的一些变形_KMeans的损失函数推导及假设.mp4167.2MB

📄4-mini-batchKMeans_Canopy聚类_聚类评估指标.mp4214.7MB

📄5-KMeans代码测试不同情况下的聚类效果 .mp4148.7MB

📄6-层次聚类_密度聚类_谱聚类.mp4264.0MB

▶📁 2--EM算法和GMM高斯混合模型9 个文件

📄1-单个高斯分布GM的参数估计.mp4112.7MB

📄2-理解GMM高斯混合分布的对数似然函数.mp495.2MB

📄3-GMM参数估计Πμσ的流程.mp4112.2MB

📄4-Jensen不等式的应用.mp4109.2MB

📄5-将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp4157.6MB

📄6-将EM算法应用到GMM中并且推导出Π的公式.mp444.1MB

📄7-GMM前景背景分离.mp416.0MB

📄8-通过声音文件利用GMM算法识别性别.mp4134.4MB

📄9-通过声音文件利用GMM算法识别是谁.mp451.5MB

▶📁 3--PCA降维算法5 个文件

📄1-特征选择与特征映射.mp449.4MB

📄2-PCA的最大投影方差思路.mp4186.8MB

📄3-最大投影方差推导_最小投影距离思路.mp4115.7MB

📄4VD其实就可以去实现PCA了.mp493.0MB

📄5-PCA的几种应用.mp454.6MB

▶📁 08--机器学习-决策树系列4 个文件夹 · 62 个文件

▶📁 1--决策树14 个文件

📄1-决策树模型的特点.mp474.9MB

📄2-决策树的数学表达.mp489.9MB

📄3-如何构建一颗决策树 .mp484.9MB

📄4-什么是更好的一次划分.mp457.0MB

📄5-Gini系数.mp4107.5MB

📄6-信息增益.mp475.3MB

📄7-熵与Gini系数关系_信息增益率.mp4118.2MB

📄8-预剪枝以及相关超参数.mp4127.1MB

📄9-代码实战决策树对鸢尾花数据集分类.mp477.9MB

📄10-绘制决策树模型_寻找最优树深度.mp497.1MB

📄11-代码训练回归树拟合ineWave.mp493.8MB

📄12-后剪枝的意义 .mp450.5MB

📄13-CCP代价复杂度后剪枝.mp4130.7MB

📄14-CCP代价复杂度剪枝_α超参数设定.mp462.2MB

▶📁 2--集成学习和随机森林8 个文件

📄1-不同聚合方式_生成不同弱学习器方式.mp480.5MB

📄2-Bagging_Boostingtacking.mp459.0MB

📄3-随机森林.mp4108.1MB

📄4-代码实战随机森林对鸢尾花数据集分类.mp4101.8MB

📄5-OOB袋外数据.mp4106.1MB

📄6-Adaboost算法思路.mp4106.3MB

📄7-调整数据权重让权重正确率达到50% .mp466.8MB

📄8-Adaboost如何调整样本权重和求基模型权重.mp490.5MB

▶📁 3--GBDT23 个文件

📄1-GBDT试图使用有监督最优化算法梯度下降求解F(x).mp465.5MB

📄2-GBDT令每个弱学习器f(x)去拟合负梯度.mp488.4MB

📄3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp477.4MB

📄4-GBDT应用于回归问题.mp484.7MB

📄5-GBDT回归举例_总结 .mp4108.5MB

📄6-GBDT应用于二分类问题.mp470.4MB

📄7-GBDT二分类拟合的负梯度依然是残差.mp483.8MB

📄8-GBDT中shrinkage学习率和最优树权重ρ可以共存.mp461.5MB

📄9-GBDT应用于多分类任务.mp473.3MB

📄10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp472.1MB

📄11-GBDT多分类流程.mp473.8MB

📄12-对比GBDT回归、二分类、多分类相同点与不同点.mp460.8MB

📄13-GBDT二分类叶子节点分值计算推导.mp474.0MB

📄14-GBDT多分类叶子节点分值计算.mp454.6MB

📄15-GBDT二分类举例详解.mp486.7MB

📄16-GBDT多分类举例详解.mp491.7MB

📄17-计算特征重要度进行特征选择 .mp454.9MB

📄18-GBDT用于特征组合降维.mp443.7MB

📄19-特征组合降维在GBDT+LR架构应用.mp451.3MB

📄20-GBDT在sklearn中源码剖析_初始化F(x).mp4115.1MB

📄21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp471.7MB

📄22-GBDT+LR架构训练模型代码实现.mp488.4MB

📄23-GBDT+LR架构预测评估代码实现.mp466.5MB

▶📁 4--XGBoost17 个文件

📄1-回顾有监督机器学习三要素.mp482.5MB

📄2-Bias_Variance_Trade-off.mp466.0MB

📄3-基于树集成学习4个优点.mp491.4MB

📄4-回顾基于树集成学习的模型和参数并举例说明.mp493.4MB

📄5-通过目标函数Obj来达到准确率和复杂度平衡.mp448.3MB

📄6-Objective_vs_Heuristic.mp460.4MB

📄7-得出XGBoost最开始的Obj目标函数.mp494.9MB

📄8-推导XGBoost对Loss二阶泰勒展开之后的Obj.mp448.6MB

📄9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp467.4MB

📄10-重新定义树ft和树的复杂度Ω.mp477.7MB

📄11-由每个叶子节点重组目标函数Obj.mp468.6MB

📄12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp472.3MB

📄13-根据Obj收益指导每一次分裂从而学习一棵树结构.mp4106.7MB

📄14-举例说明从连续型和离散型变量中寻找最佳分裂条件.mp473.8MB

📄15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp471.2MB

📄16-样本权重对于模型学习的影响.mp459.8MB

📄17-总结XGBoost的特性_包括缺失值的处理策略 .mp4101.5MB

▶📁 09--机器学习-概率图模型3 个文件夹 · 22 个文件

▶📁 1--贝叶斯分类6 个文件

📄1-朴素贝叶斯分类算法.mp4126.7MB

📄2-TF-IDF.mp453.1MB

📄3-NB代码实现解析.mp4126.7MB

📄4-sklearn中调用NB_顺便讲解了GridearchCV.mp4131.8MB

📄5-语言模型的设计目的_MLE的作用进行参数估计.mp4107.1MB

📄6-贝叶斯网络_马尔可夫链.mp438.7MB

▶📁 2--HMM算法8 个文件

📄1-HMM隐马的定义.mp436.8MB

📄2-HMM隐马的三组参数_三个基本问题.mp4104.3MB

📄3-HMM预测问题使用前向算法.mp444.3MB

📄4-HMM预测问题使用维特比算法.mp433.4MB

📄5-HMM复习_明确概率计算问题要解决的目标.mp476.0MB

📄6-前向算法来解决概率计算问题.mp433.0MB

📄7-Viterbi算法案例详解.mp4107.1MB

📄8-Viterbi算法代码实现 .mp442.4MB

▶📁 3--CRF算法8 个文件

📄1-NER与分词和PO的关系_NER的标注策略_NER的主要方法.mp4127.8MB

📄2-讲解了一下常见的深度学习LTM+CRF的网络拓扑.mp471.9MB

📄3-了解CRF层添加的好处.mp4105.9MB

📄4-Emissioncore_Transitioncore.mp461.3MB

📄5-CRF的目标函数.mp423.7MB

📄6-计算CRF真实路径的分数 .mp450.4MB

📄7-计算CRF所有可能路径的总分数.mp4135.6MB

📄8-通过模型来预测新的句子的序列标签.mp483.2MB

▶📁 10--机器学习与大数据-Kaggle竞赛实战2 个文件夹 · 19 个文件

▶📁 1--药店销量预测案例7 个文件

📄1-Rossmann药店销量预测_kaggle的介绍.mp436.3MB

📄2-对数据字段的介绍_导包.mp419.9MB

📄3-自定义损失函数.mp421.1MB

📄4-对数据里面的目标变量sales的一个分析.mp444.9MB

📄5-数据的预处理 .mp4111.8MB

📄6-模型的训练_评估.mp466.6MB

📄7-kaggle竞赛网站学习.mp4172.2MB

▶📁 2--网页分类案例12 个文件

📄1-Kaggle网页分类竞赛介绍.mp425.1MB

📄2-评估指标ROC和AUC.mp456.2MB

📄3-评估指标ROC和AUC.mp449.0MB

📄4-竞赛其他相关提交成绩排行榜.mp440.2MB

📄5-数据导入.mp468.4MB

📄6-MLlib对网页分类竞赛数据预处理.mp4103.0MB

📄7-MLlib对网页分类竞赛数据预处理_模型训练.mp471.3MB

📄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.mp462.5MB

📄9-使用parkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01.mp487.5MB

📄10-使用parkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02.mp485.6MB

📄11-使用parkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03.mp468.8MB

📄12-使用parkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04 .mp474.7MB

▶📁 11--机器学习与大数据-海量数据挖掘工具3 个文件夹 · 54 个文件

▶📁 1--Spark计算框架基础15 个文件

📄1park特性_01.mp441.7MB

📄2park特性_02.mp435.1MB

📄3park对比hadoop优势.mp419.3MB

📄4-回顾hadoop讲解shuffle.mp435.8MB

📄5-分布式计算框架huffle的原理_01.mp446.2MB

📄6-分布式计算框架huffle的原理_02.mp444.9MB

📄7-分布式计算框架huffle的原理_03.mp429.3MB

📄8park的RDD特性_01.mp433.1MB

📄9park的RDD特性_02.mp433.4MB

📄10-分布式计算所需进程.mp426.3MB

📄11-两种算子操作本质区别.mp456.3MB

📄12park算子操作实战讲解_代码实战WordCount_01.mp469.4MB

📄13park算子操作实战讲解_代码实战WordCount_02.mp456.1MB

📄14park算子操作实战讲解_代码实战WordCount_03.mp444.1MB

📄15park算子操作实战讲解_代码实战WordCount_04.mp441.9MB

▶📁 2--Spark计算框架深入13 个文件

📄1park数据缓存机制.mp454.4MB

📄2park宽依赖和窄依赖_01.mp439.7MB

📄3park宽依赖和窄依赖_02.mp438.9MB

📄4park宽依赖和窄依赖_03.mp428.0MB

📄5park术语总结.mp489.7MB

📄6-分布式文件系统Block块的大小配置.mp4114.5MB

📄7park程序启动运行流程详解_01.mp449.4MB

📄8park程序启动运行流程详解_02.mp471.4MB

📄9park程序启动运行流程详解_03.mp447.3MB

📄10-讲解构建稀疏和稠密向量_01 .mp480.6MB

📄11-讲解构建稀疏和稠密向量_01.mp4101.8MB

📄12-构建LabeledPoint.mp4111.1MB

📄13-介绍parkMLlib模块中实现的算法和调用.mp491.2MB

▶📁 3--Spark机器学习MLlib和ML模块26 个文件

📄1parkMLlib对于逻辑回归算法的调用.mp4170.4MB

📄2parkMLlib调用逻辑回归_自定义阈值_1.mp4120.6MB

📄3parkMLlib调用逻辑回归_自定义阈值_2.mp4109.4MB

📄4parkMLlib调用逻辑回归_使用标准归一化_1.mp4105.0MB

📄5parkMLlib调用逻辑回归_使用标准归一化_2.mp4255.3MB

📄6parkMLlib调用逻辑回归_使用标准归一化_3.mp463.1MB

📄7parkMLlib调用逻辑回归_使用标准归一化_4.mp4140.9MB

📄8parkMLlib调用KMeans聚类_调用决策树(1)_1.mp480.2MB

📄9parkMLlib调用KMeans聚类_调用决策树(1)_2.mp4145.7MB

📄10parkMLlib调用KMeans聚类_调用决策树(1)_3.mp4104.5MB

📄11-使用逻辑回归和随机森林对股票tock预测案例实战_1.mp489.7MB

📄12-使用逻辑回归和随机森林对股票tock预测案例实战_2 .mp492.2MB

📄13-使用逻辑回归和随机森林对股票tock预测案例实战_3.mp484.2MB

📄14-从数据转化到训练集的构建.mp4146.4MB

📄15-模型的训练以及评估和调超参_1.mp484.6MB

📄16-模型的训练以及评估和调超参_2.mp488.9MB

📄17-模型的训练以及评估和调超参_3.mp4161.7MB

📄18parkML机器学习库概念讲解_1 .mp4146.8MB

📄19parkML机器学习库概念讲解_2.mp4121.3MB

📄20parkML机器学习库代码实战讲解_1.mp4146.5MB

📄21parkML机器学习库代码实战讲解_2.mp4169.5MB

📄22parkML网页分类案例代码实战续（1）_1.mp4144.0MB

📄23parkML网页分类案例代码实战续（1）_2.mp4143.9MB

📄24parkML网页分类案例代码实战续（2）_1.mp4177.1MB

📄25parkML网页分类案例代码实战续（2）_2.mp499.3MB

📄26parkML网页分类案例代码实战续（3）.mp49.8MB

▶📁 12--机器学习与大数据-推荐系统项目实战3 个文件夹 · 37 个文件

▶📁 1--推荐系统--流程与架构13 个文件

📄1-推荐系统_隐式用户反馈_1.mp488.3MB

📄2-推荐系统_隐式用户反馈_2.mp4119.8MB

📄3-推荐系统_协同过滤_1.mp460.3MB

📄4-推荐系统_协同过滤_2.mp461.4MB

📄5-推荐系统_协同过滤_3.mp460.5MB

📄6-推荐系统_协同过滤_4.mp456.2MB

📄7-推荐系统架构_实时_离线_1.mp4100.7MB

📄8-推荐系统架构_实时_离线_2 .mp4104.7MB

📄9-推荐系统列表_关联特征权重_基本特征权重的计算_1.mp477.8MB

📄10-推荐系统列表_关联特征权重_基本特征权重的计算_2.mp4112.8MB

📄11-推荐系统列表_关联特征权重_基本特征权重的计算_3.mp4103.3MB

📄12-推荐系统_数据源_1.mp479.1MB

📄13-推荐系统_数据源_2.mp482.9MB

▶📁 2--推荐系统--数据预处理和模型构建评估实战12 个文件

📄1-HQL语句_python脚本构建中间结果_1.mp4155.8MB

📄2-HQL语句_python脚本构建中间结果_2.mp4122.3MB

📄3-HQL语句_python脚本构建中间结果_3.mp4123.7MB

📄4-HQL语句_python脚本构建中间结果_4.mp4111.9MB

📄5-推荐系统_数据预处理_spark构建特征索引_标签列_1.mp4116.9MB

📄6-spark构建特征索引_标签列_2.mp491.9MB

📄7-spark构建特征索引_标签列_3.mp497.9MB

📄8-spark构建特征索引_标签列_4.mp498.6MB

📄9-MLlib调用算法计算模型文件并存储_1.mp499.6MB

📄10-MLlib调用算法计算模型文件并存储_2.mp493.7MB

📄11-MLlib调用算法计算模型文件并存储_3.mp4107.3MB

📄12-ACC准确率和AUC面积的计算以及意义.mp4214.4MB

▶📁 3--推荐系统--模型使用和推荐服务12 个文件

📄1-推荐模型文件使用思路.mp461.9MB

📄2-Redis数据库安装及其使用.mp447.9MB

📄3-实时在线推荐列表计算逻辑代码讲解_1.mp4165.1MB

📄4-实时在线推荐列表计算逻辑代码讲解_2.mp498.5MB

📄5-实时在线推荐列表计算逻辑代码讲解_3.mp490.6MB

📄6-实时在线推荐列表计算逻辑代码讲解_4.mp494.7MB

📄7-使用Dubbo将推荐系统做成服务_1.mp482.2MB

📄8-使用Dubbo将推荐系统做成服务_2.mp4103.9MB

📄9-使用Dubbo将推荐系统做成服务_3.mp4119.9MB

📄10-Dubbo推荐服务演示parkMLlib介绍_1.mp4110.2MB

📄11-Dubbo推荐服务演示parkMLlib介绍_2.mp4140.1MB

📄12-Dubbo推荐服务演示parkMLlib介绍_3.mp4157.5MB

▶📁 13--深度学习-原理和进阶3 个文件夹 · 23 个文件

▶📁 1--神经网络算法9 个文件

📄1-神经网络是有监督的算法_生物神经元到人工神经元.mp494.4MB

📄2-三种常见的激活函数_网络拓扑介绍_优化算法.mp453.6MB

📄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.mp467.7MB

📄4-用神经网络理解oftmax回归.mp467.2MB

📄5-隐藏层的意义_隐藏层相当于去做预处理_升维降维.mp4117.5MB

📄6-多节点网络输出_sklearn中NN模块的介绍.mp490.6MB

📄7-sklearn中NN模型的代码使用.mp4123.6MB

📄8-隐藏层激活函数必须是非线性的.mp421.9MB

📄9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装.mp4155.5MB

▶📁 2--TensorFlow深度学习工具7 个文件

📄1-CUDA下载地址_CUDA显卡白名单地址.mp468.6MB

📄2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功.mp474.1MB

📄3-Tensorflow代码运行机制_TF基础的代码.mp4120.7MB

📄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.mp4173.5MB

📄5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据.mp4233.3MB

📄6-TF实现oftmax回归来识别MNIT手写数字.mp4137.0MB

📄7-TF实现DNN来识别MNIT手写数字.mp4132.7MB

▶📁 3--反向传播推导_Python代码实现神经网络7 个文件

📄1-反向传播_链式求导法则.mp486.5MB

📄2-反向传播推导(一).mp4127.9MB

📄3-反向传播推导(二)从输出层到最后一个隐藏层.mp4121.4MB

📄4-反向传播推导(三)从输出层到最后一个隐藏层oftmax多分类为例.mp481.2MB

📄5-反向传播推导(四)关于Δ和a还有梯度的更新事宜.mp434.6MB

📄6-python实现神经网络训练代码讲解(一).mp484.2MB

📄7-python实现神经网络正向反向传播训练.mp4112.2MB

▶📁 14--深度学习-图像识别原理5 个文件夹 · 38 个文件

▶📁 1--卷积神经网络原理8 个文件

📄1-回顾深度神经网络_卷积层是局部连接.mp4131.2MB

📄2-单通道卷积的计算.mp4104.0MB

📄3-彩色图片卷积的计算.mp452.8MB

📄4-卷积层权值共享.mp463.9MB

📄5-卷积的补充与Padding填充模式.mp497.0MB

📄6-卷积的计算TF中的API操作与参数.mp493.5MB

📄7-池化的概念和TF中的API的操作与参数.mp464.1MB

📄8-经典的CNN架构和LeNet5.mp4137.2MB

▶📁 2--卷积神经网络优化11 个文件

📄1-AlexNet网络结构_连续使用小的卷积核好处 .mp4109.4MB

📄2-Dropout技术点思想和运用.mp4113.9MB

📄3-数据增强技术点_CNN对MNIT数据集分类_卷积池化代码.mp477.6MB

📄4-CNN对MNIT数据集分类_全连接层以及训练代码.mp4125.9MB

📄5-深度学习网络对应ACC准确率忽然下降的思考点.mp4104.1MB

📄6-减轻梯度消失问题中激活函数发挥的作用.mp442.0MB

📄7-减轻梯度消失问题中参数初始化发挥的作用.mp466.5MB

📄8-VGG网络结构_以及1乘1的卷积核的作用和好处.mp4123.2MB

📄9-OptimizerGD_Momentum.mp489.7MB

📄10-Optimizer_Adagrad_Adadelta_RMprop.mp4121.4MB

📄11-Optimizer_Adam.mp4141.1MB

▶📁 3--经典卷积网络算法9 个文件

📄1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境.mp4141.1MB

📄2-VGG16_Fine-tuning_对MNIT做手写数字识别.mp4116.6MB

📄3-InceptionV1_V2.mp4165.9MB

📄4-InceptionV3_以及InceptionV3对皮肤癌图片识别.mp4167.0MB

📄5-ResNet残差单元_BottlenetBlocK.mp4121.5MB

📄6-DenseNet和Keras里面的实现.mp4150.6MB

📄7-DenseNet在Keras里面的代码实现.mp466.7MB

📄8-BatchNormalization.mp499.2MB

📄9-Mobilenet网络架构.mp4150.0MB

▶📁 4--古典目标检测5 个文件

📄1-图像识别任务_古典目标检测.mp4196.5MB

📄2-使用OpenCV调用分类器找到目标框.mp498.2MB

📄3-IOU以及python计算的代码.mp423.6MB

📄4-R-CNN和PP-net.mp4124.1MB

📄5-从FastRCNN引入FasterRCNN.mp4120.8MB

▶📁 5--现代目标检测之FasterRCNN5 个文件

📄1-回顾RCNNPPnet_Fast-RCNN.mp4121.2MB

📄2-FasterRNN的核心RPN_正向传播的框过滤_NM.mp4214.1MB

📄3-NM代码实现流程_mAP目标检测平均指标.mp4157.2MB

📄4-FasterRCNN论文讲解_从介绍到RPN的loss.mp4210.0MB

📄5-FasterRCNN论文讲解_从RPN损失到评估指标对比 .mp4248.0MB

▶📁 15--深度学习-图像识别项目实战3 个文件夹 · 35 个文件

▶📁 1--车牌识别5 个文件

📄1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01.mp483.2MB

📄2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02.mp486.4MB

📄3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03.mp448.8MB

📄4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04.mp473.1MB

📄5-车牌识别项目关于目标检测的问题.mp439.5MB

▶📁 2--自然场景下的目标检测及源码分析26 个文件

📄1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明.mp4116.5MB

📄2-FasterRCNN项目代码_数据加载.mp496.2MB

📄3-FasterRCNN项目代码_数据增强.mp471.8MB

📄4-FasterRCNN项目代码_数据初始化 .mp473.3MB

📄5-FasterRCNN项目代码_模型的训练.mp439.3MB

📄6-回归整体训练流程_详解读取数据blob_01 .mp481.2MB

📄7-回归整体训练流程_详解读取数据blob_02.mp475.7MB

📄8-回归整体训练流程_详解读取数据blob_03.mp439.2MB

📄9-回归整体训练流程_详解读取数据blob_04.mp464.5MB

📄10-FasterRCNN代码_构建head.mp467.6MB

📄11-FasterRCNN代码_构建RPN网络_01.mp4124.4MB

📄12-FasterRCNN代码_构建RPN网络_02.mp488.5MB

📄13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01.mp484.0MB

📄14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02.mp4119.9MB

📄15-FasterRCNN代码_bbox剪裁_NM非极大值抑制.mp491.4MB

📄16-FasterRCNN代码_给RPN准备正负例样本_01.mp4100.3MB

📄17-FasterRCNN代码_给RPN准备正负例样本_02.mp4165.7MB

📄18-FasterRCNN代码_给RPN准备正负例样本_03.mp443.6MB

📄19-FasterRCNN代码_给RPN准备正负例样本_04.mp446.7MB

📄20-FasterRCNN代码_给RPN准备正负例样本_05.mp478.0MB

📄21-FasterRCNN代码_给RPN准备正负例样本_06.mp4114.6MB

📄22-FasterRCNN代码_给RPN准备正负例样本_07.mp4100.0MB

📄23-FasterRCNN代码_给RPN准备正负例样本_08.mp457.3MB

📄24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01.mp453.4MB

📄25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02.mp474.4MB

📄26-FasterRCNN代码_添加Loss损失_smoothL1loss.mp476.4MB

▶📁 3--图像风格迁移4 个文件

📄1-图片风格融合项目_架构_代码实现要点_1.mp481.1MB

📄2-图片风格融合项目_架构_代码实现要点_2.mp485.2MB

📄3-图片风格融合项目_架构_代码实现要点_3.mp475.4MB

📄4-图片风格融合项目_架构_代码实现要点_4.mp486.9MB

▶📁 16--深度学习-目标检测YOLO(V1-V4全版本)实战5 个文件夹 · 23 个文件

▶📁 1--YOLOv1详解4 个文件

📄1-YOLOv1论文详解_算法特点介绍.mp4179.7MB

📄2-YOLOv1论文详解_网络架构_思想.mp4215.9MB

📄3-YOLOv1论文详解_训练中的技巧_Loss损失函数.mp4253.2MB

📄4-YOLOv1论文详解_NM_局限性.mp482.1MB

▶📁 2--YOLOv2详解4 个文件

📄1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes.mp4158.8MB

📄2-YOLOv2论文详解_mAP更better的一些点.mp4257.4MB

📄3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签.mp4141.4MB

📄4-YOLOv2论文详解_层级分类_层级分类用于目标检测.mp4183.5MB

▶📁 3--YOLOv3详解5 个文件

📄1-YOLOv3论文详解_每个框都要预测多个类别概率 .mp486.5MB

📄2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53.mp4158.6MB

📄3-YOLOv3论文详解_总结_FocalLoss.mp4147.5MB

📄4-YOLOv4论文概述_介绍.mp4139.5MB

📄5-YOLOv4论文概述_BO_BOF.mp4297.3MB

▶📁 4--YOLOv3代码实战6 个文件

📄1-YOLOv3代码剖析_项目介绍.mp4157.0MB

📄2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络.mp4238.1MB

📄3-YOLOv3代码剖析_model输出之后的预测框的计算 .mp4223.6MB

📄4-YOLOv3代码剖析_使用model预测的其余代码.mp486.5MB

📄5-YOLOv3代码剖析_weights到h5模型的转换.mp4144.7MB

📄6-YOLOv3代码剖析_模型的训练部分详解.mp4316.6MB

▶📁 5--YOLOv4详解4 个文件

📄1-YOLOv4_BOF_DropBlock_FocalLoss.mp4207.1MB

📄2-YOLOv4_BOF_GIoU_DIoU_CIoU.mp490.5MB

📄3-YOLOv4_BO_APPAMoftNM_Mish.mp4216.1MB

📄4-YOLOv4_BOAM_PAN_CP_CmBN.mp4220.9MB

▶📁 17--深度学习-语义分割原理和实战3 个文件夹 · 19 个文件

▶📁 1--上采样_双线性插值_转置卷积9 个文件

📄1-前言.mp419.5MB

📄2-上采样_repeat.mp423.9MB

📄3-线性插值.mp434.5MB

📄4-双线性插值.mp4125.7MB

📄5-转置卷积_以及TF的API.mp4114.2MB

📄6-双线性插值作为转置卷积核的初始参数.mp4145.0MB

📄7-ROI Align.mp458.4MB

📄8-FPN思想与网络结构.mp492.1MB

📄9-FPN应用于FasterRCNN_ResNetFPN.mp495.5MB

▶📁 2--医疗图像UNet语义分割4 个文件

📄1-语义分割的基本概念.mp418.3MB

📄2-FCN全卷积网络做语义分割.mp436.5MB

📄3-UNet网络结构.mp430.4MB

📄4-UNet网络医疗图像的语义分割.mp481.2MB

▶📁 3--蒙版弹幕MaskRCNN语义分割6 个文件

📄1-MaskRCNN网络结构.mp4106.4MB

📄2-MaskRCNN的项目展示.mp4250.5MB

📄3-MaskRCNN网络架构回顾.mp4151.3MB

📄4-MaskRCNN根据文档和论文总结重要的知识点.mp4239.1MB

📄5-MaskRCNN项目关于运行代码环境的说明.mp444.2MB

📄6-MaskRCNN源码config和model.mp4244.5MB

▶📁 18--深度学习-人脸识别项目实战19 个文件

📄1-人脸识别任务种类_具体做法思路.mp440.7MB

📄2-开源的FaceNet项目介绍.mp438.1MB

📄3-人脸识别项目代码整体结构.mp430.4MB

📄4-MTCNN论文_摘要和介绍.mp468.5MB

📄5-MTCNN论文_网络整体架构.mp476.6MB

📄6-PRelu_每阶段输出多分支意义 .mp456.1MB

📄7-每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp469.9MB

📄8-训练数据的准备_每一阶段训练的流程.mp498.1MB

📄9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp454.8MB

📄10-人脸识别项目代码_加载MTCNN模型.mp472.1MB

📄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.mp466.6MB

📄12-FaceNet论文_摘要和前情介绍.mp471.5MB

📄13-FaceNet论文_相关的介绍.mp439.6MB

📄14-FaceNet论文_TripleLoss思路来源和目标.mp444.3MB

📄15-FaceNet论文_TripleLoss损失函数.mp463.8MB

📄16-FaceNet论文_Tripleelection很至关重要.mp4131.8MB

📄17-FaceNet论文_ZF和Inception对比_总结.mp459.2MB

📄18-人脸识别项目代码_FaceNet模型加载和使用.mp442.8MB

📄19-人脸识别项目代码_人脸匹配以及最后的绘图展示.mp440.4MB

▶📁 19--深度学习-NLP自然语言处理原理和进阶4 个文件夹 · 23 个文件

▶📁 1--词向量与词嵌入8 个文件

📄1-N-gram语言模型.mp4116.3MB

📄2-NPLM神经网络语言模型.mp4155.8MB

📄3-词向量的作用.mp458.0MB

📄4-CBOW模型思想和计算过程.mp4196.6MB

📄5kip-gram模型思想和计算过程.mp444.3MB

📄6-Huffman树_分层oftmax的思想.mp4113.8MB

📄7-分层oftmax应用到CBOW模型上.mp464.3MB

📄8-负采样和负采样应用到CBOW模型上.mp466.1MB

▶📁 2--循环神经网络原理与优化9 个文件

📄1-理解RNN循环神经网络拓扑结构.mp4122.6MB

📄2-理解RNN循环神经网络计算流程.mp455.9MB

📄3-利用RNN循环神经网络对MNIT手写数字识别.mp4127.7MB

📄4-理解LTM长短时记忆_记住Topo和公式.mp4185.3MB

📄5-VanillaRNN的回顾复习.mp4123.5MB

📄6-补充讲一下为什么RNN中链越长越容易梯度消失.mp444.2MB

📄7-LTM的回顾复习_LTM手写数字识别.mp435.3MB

📄8-双向RNN_LTM.mp452.0MB

📄9-RNN里面应用的Topology结构.mp423.0MB

▶📁 3--从Attention机制到Transformer3 个文件

📄1eq2eq中Attention注意力机制.mp487.7MB

📄2-Transformerelf-Attention_Multi-head.mp4100.4MB

📄3-Transformer_Positional_使用逻辑_网络结构总结.mp4102.4MB

▶📁 4--ELMO_BERT_GPT3 个文件

📄1-ELMO.mp462.4MB

📄2-BERT理论.mp499.7MB

📄3-ERNIE_GPT.mp456.3MB

▶📁 20--深度学习-NLP自然语言处理项目实战7 个文件夹 · 34 个文件

▶📁 1--词向量6 个文件

📄1-回顾了词向量里面训练的Topology.mp4121.7MB

📄2-Word2Vec项目代码_加载数据_构建字典.mp496.8MB

📄3-Word2Vec项目代码_构建一个个批次数据.mp482.3MB

📄4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质.mp4102.8MB

📄5-Word2Vec项目代码_评估比较相似度_最后的训练绘图.mp483.3MB

📄6-Word2Vec项目代码_总结串讲.mp422.5MB

▶📁 2--自然语言处理--情感分析8 个文件

📄1-Keras实战RNN以及词嵌入来做情感分析.mp471.1MB

📄2-数据预处理_01.mp479.7MB

📄3-数据预处理_02.mp445.7MB

📄4-代码讲解_01.mp452.3MB

📄5-代码讲解_02.mp460.8MB

📄6-代码讲解_03.mp453.9MB

📄7-代码讲解_04.mp457.2MB

📄8-代码讲解_05.mp435.9MB

▶📁 3--AI写唐诗6 个文件

📄1-AI写唐诗_数据的读取_字典的构建_文本的索引化.mp4115.0MB

📄2-AI写唐诗_训练数据的构建.mp469.8MB

📄3-MultiRNNCell单元.mp438.9MB

📄4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出.mp467.0MB

📄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.mp461.7MB

📄6-AI写唐诗_模型的使用_增加随机性.mp493.9MB

▶📁 4--Seq2Seq聊天机器人3 个文件

📄1-从AI写唐诗到eq2eq再到Encoder-Decoder.mp4118.8MB

📄2eq2eq版Chatbot的数据预处理.mp493.8MB

📄3eq2eq版Chatbot训练和模型使用.mp4133.3MB

▶📁 5--实战NER命名实体识别项目9 个文件

📄1-回顾了一下CRF训练和使用过程.mp473.7MB

📄2-介绍了代码目录结构.mp423.4MB

📄3-NER代码读取数据和预处理.mp497.6MB

📄4-feature进入BiLTM进行正向传播的过程.mp470.9MB

📄5-通过CRF层来计算Loss损失以及训练.mp480.5MB

📄6-BiLTM-CRF模型的预测代码.mp464.1MB

📄7-CRF中的特征函数们.mp4126.0MB

📄8-对比逻辑回归_相比HMM优势.mp4143.6MB

📄9-补充标注偏置问题_HMM做分词代码结构.mp4141.4MB

▶📁 6--BERT新浪新闻10分类项目1 个文件

📄1-BERT新浪新闻10分类项目.mp4104.5MB

▶📁 7--GPT2聊天机器人1 个文件

📄1-GPT2闲聊机器人.mp462.3MB

▶📁 21--深度学习-OCR文本识别10 个文件

📄1-传统OCR识别_深度学习OCR识别.mp4369.9MB

📄2-OCR识别本质就是文字检测和文字识别.mp4253.3MB

📄3-OCR识别的CTC损失思想.mp4327.7MB

📄4-总结理解深度学习文字识别架构.mp4121.6MB

📄5-CTC损失函数的理解.mp4330.6MB

📄6-CTC损失函数前向后向算法推导_梯度求导公式推导.mp4200.5MB

📄7-CTC前向后向算法代码.mp4225.4MB

📄8-Greedyearch和Beamearch解码的方式与代码逻辑.mp4308.2MB

📄9-CPTN项目代码剖析.mp4491.7MB

📄10-CRNN项目代码剖析.mp4306.5MB

▶📁 22--【加课】Pytorch项目实战5 个文件夹 · 30 个文件

▶📁 1--PyTorch运行环境安装_运行环境测试4 个文件

📄1-PyTorch概述.mp429.3MB

📄2-PyTorch的安装.mp476.5MB

📄3-Pycharm关联PyTorch运行环境.mp438.0MB

📄4-Jupyter关联PyTorch运行环境 .mp431.2MB

▶📁 2--PyTorch基础_Tensor张量运算4 个文件

📄1-Tensor的创建.mp455.1MB

📄2-修改Tensor的形状_索引操作.mp476.5MB

📄3-广播机制_逐元素操作.mp444.5MB

📄4-归并操作_比较操作_矩阵操作.mp459.4MB

▶📁 3--PyTorch卷积神经网络_实战CIFAR1010 个文件

📄1-PyTorch实战CIFAR10数据_读取和展示.mp483.9MB

📄2-PyTorch实战CIFAR10_构建网络_打印网络层次.mp458.6MB

📄3-PyTorch实战CIFAR10_训练模型_测试模型.mp451.5MB

📄4-PyTorch实战CIFAR10_分类别打印模型准确率.mp430.6MB

📄5-使用全局平均池化_使用LeNet模型.mp441.0MB

📄6-使用集成学习思想训练识别模型.mp487.0MB

📄7-使用VGG16模型提供准确率.mp452.9MB

📄8-torchvision里面的预训练模型.mp429.8MB

📄9-迁移学习_PyTorch代码实战冻结预训练模型参数.mp467.7MB

📄10-PyTorch代码实战加入数据增强.mp434.2MB

▶📁 4--PyTorch循环神经网络_词性标注4 个文件

📄1-PyTorch词性标注_构建数据和词索引号.mp428.1MB

📄2-PyTorch词性标注_构建词嵌入层LTM层和词性输出层.mp447.0MB

📄3-PyTorch词性标注_构建数据索引化和训练模型代码.mp444.6MB

📄4-PyTorch词性标注_测试模型效果.mp411.7MB

▶📁 5--PyTorch编码器解码器_机器翻译8 个文件

📄1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引.mp450.4MB

📄2-PyTorch中英文翻译_数据预处理.mp442.7MB

📄3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器.mp457.7MB

📄4-PyTorch中英文翻译_构建训练函数之Encoder计算 .mp450.9MB

📄5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器.mp479.3MB

📄6-PyTorch中英文翻译_构建训练函数之Decoder计算.mp459.1MB

📄7-PyTorch中英文翻译_评估模型函数.mp456.5MB

📄8-PyTorch中英文翻译_绘制Attentions注意力权重.mp433.7MB

▶📁 23--【加课】百度飞桨PaddlePaddle实战【新增】6 个文件夹 · 34 个文件

▶📁 1--PaddlePaddle框架安装_波士顿房价预测5 个文件

📄1-安装PaddlePaddle .mp487.3MB

📄2-Pycharm运行出现mkl-service或DLL找不到的问题.mp445.2MB

📄3-PaddlePaddle求解线性模型.mp450.6MB

📄4-预测波士顿房价_数据读取_正向传播.mp460.5MB

📄5-预测波士顿房价_反向传播_模型保存_模型测试.mp443.7MB

▶📁 2--PaddlePaddle卷积网络_病理性近视识别4 个文件

📄1-预测病理性近视_图片数据读取.mp497.2MB

📄2-预测病理性近视_模型训练.mp486.7MB

📄3-预测病理性近视_定义模型结构_评估模型.mp484.1MB

📄4-预测病理性近视_调用经典卷积神经网络.mp491.8MB

▶📁 3--PaddleDetection工具_PCB电路板缺陷检测7 个文件

📄1-PaddleDetection_项目配置.mp482.9MB

📄2-安装配置Visualtudio_解决安装模块pycocotools或cython_bbox编译报错问题.mp465.5MB

📄3-PCB电路板缺陷检测_Images和Annotations.mp483.1MB

📄4-PCB电路板缺陷检测_前期数据的分析.mp4133.8MB

📄5-PCB电路板缺陷检测_项目配置文件.mp442.8MB

📄6-PCB电路板缺陷检测_模型训练.mp464.6MB

📄7-PCB电路板缺陷检测_模型预测.mp451.7MB

▶📁 4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)6 个文件

📄1-PaddleOCR_项目配置_CCPD数据集介绍.mp469.6MB

📄2-车牌识别项目_详解数据准备阶段代码.mp442.9MB

📄3-车牌识别项目_运行保存标签和剪切出的车牌图片.mp457.5MB

📄4-车牌识别项目_车牌目标框检测模型训练 .mp461.6MB

📄5-车牌识别项目_车牌字符识别模型训练.mp461.9MB

📄6-车牌识别项目_车牌识别模型导出及预测.mp475.6MB

▶📁 5--PaddleNLP模块_物流信息提取（BiGRU+CRF）8 个文件

📄1-PaddleNLP_项目配置.mp449.4MB

📄2-PaddleNLP_物流信息提取项目介绍.mp448.0MB

📄3-物流信息提取项目_解决导包显示找不到nul问题.mp4106.2MB

📄4-PaddleNLP_物流信息提取项目_加载数据构建Dataet.mp455.5MB

📄5-PaddleNLP_物流信息提取项目_进一步通过Dataet构建出DataLoader .mp451.9MB

📄6-PaddleNLP_物流信息提取项目_构建网络模型.mp448.5MB

📄7-PaddleNLP_物流信息提取项目_模型训练 .mp447.3MB

📄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.mp480.6MB

▶📁 6--PaddleNLP模块_物流信息提取（ERNIE版）4 个文件

📄1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset.mp449.5MB

📄2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用.mp457.4MB

📄3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码 .mp447.8MB

📄4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果.mp457.9MB

▶📁 24--【加课】Linux 环境编程基础1 个文件夹 · 26 个文件

▶📁 1--Linux26 个文件

📄1-Linux_课程介绍.mp43.7MB

📄2-Linux_Linux简介.mp417.6MB

📄3-Linux_VMWare安装及使用.mp420.9MB

📄4-Linux_安装Linux.mp442.0MB

📄5-Linux_目录介绍.mp420.3MB

📄6-Linux_Linux中的路径.mp418.7MB

📄7-Linux_常用命令_pwd命令.mp45.8MB

📄8-Linux_常用命令_cd命令 .mp48.1MB

📄9-Linux_常用命令_ls与ll命令.mp434.4MB

📄10-Linux_常用命令_clear、touch、cat命令.mp410.1MB

📄11-Linux_常用命令more、head、tail命令.mp416.3MB

📄12-Linux_常用命令_mkdir命令.mp410.6MB

📄13-Linux_常用命令_cp命令.mp416.1MB

📄14-Linux_常用命令_rm、mv命令.mp431.8MB

📄15-Linux_常用命令_vi、vim.mp430.6MB

📄16-Linux_常用命令_reboot、halt.mp44.8MB

📄17-Linux_常用配置_设置时区.mp428.8MB

📄18-Linux_常用配置_启动网络.mp415.6MB

📄19-Linux_常用配置_修改网段.mp412.8MB

📄20-Linux_常用配置_设置网络类型.mp425.7MB

📄21-Linux_常用配置_快照与克隆.mp416.5MB

📄22-Linux_Xshell的安装与使用.mp419.5MB

📄23-Linux_上传与下载_Xftp的使用.mp420.3MB

📄24-Linux_上传与下载_lrzsz工具.mp443.3MB

📄25-Linux_文件的压缩与解压缩处理.mp443.1MB

📄26-Linux_安装MyQL.mp479.0MB

▶📁 25--【加课】算法与数据结构1 个文件夹 · 29 个文件

▶📁 1--算法与数据结构29 个文件

📄1-数据结构与算法简介.mp435.7MB

📄2-大O表示法.mp425.6MB

📄3-线性结构.mp453.1MB

📄4-单线链表1.mp468.4MB

📄5-单链表2.mp4221.7MB

📄6-双链表.mp4103.6MB

📄7-队列(链式).mp474.1MB

📄8-队列(线式).mp431.0MB

📄9-栈与双端队列 .mp428.1MB

📄10-哈希表的基本结构.mp454.3MB

📄11-哈希表冲突问题 .mp475.9MB

📄12-哈希表冲突问题2.mp472.3MB

📄13-哈希扩容.mp4111.0MB

📄14-递归与栈 .mp450.8MB

📄15-线性查找.mp457.8MB

📄16-二分查找.mp452.3MB

📄17-冒泡排序 .mp453.2MB

📄18-选择排序.mp443.3MB

📄19-插入排序.mp431.4MB

📄20-归并排序.mp484.5MB

📄21-快速排序.mp436.6MB

📄22-树结构.mp496.9MB

📄23-树结构的遍历.mp461.1MB

📄24-最大堆的增加操作.mp445.4MB

📄25-最大堆的删除操作.mp445.6MB

📄26-二叉树的查找 .mp4100.2MB

📄27-二叉树获取最小值.mp425.2MB

📄28-二叉树的添加.mp472.7MB

📄29-二叉树的删除.mp4120.1MB

▶📁 26--【加课】强化学习【新增】5 个文件夹 · 67 个文件

▶📁 1--Q-Learning与SARSA算法13 个文件

📄1-强化学习通过智能体与环境交互进行学习.mp481.8MB

📄2-引入马尔科夫链和价值评估的Q值与V值.mp459.8MB

📄3-详解Q值和V值以及它们之间关系.mp482.7MB

📄4-蒙特卡洛采样回溯计算V值.mp474.2MB

📄5-蒙特卡洛和时序差分估算状态V值.mp482.1MB

📄6ARA算法和Q-learning算法.mp476.3MB

📄7-理解Q-table_创建maze交互环境.mp478.6MB

📄8-代码实战Q-Learning_Agent和Env整体交互.mp434.2MB

📄9-代码实战Q-Learning智能体选择行为.mp438.4MB

📄10-代码实战Q-Learning智能体训练模型.mp440.3MB

📄11-代码实战arsa_Agent和Env整体交互 .mp445.4MB

📄12-代码实战arsa_Agent选择行为和训练模型.mp442.7MB

📄13-代码实战arsaLambda_训练模型.mp442.5MB

▶📁 2--Deep Q-Learning Network15 个文件

📄1-DQN算法思想.mp459.2MB

📄2-DQN算法具体流程.mp456.2MB

📄3-ε-greedy_ReplayBuffer_FixedQ-targets.mp496.7MB

📄4-代码实战DQN_Agent和Env整体交互.mp452.2MB

📄5-代码实战DQN_构建Q网络.mp470.5MB

📄6-代码实战DQN_定义损失函数_构建Target网络更新逻辑.mp485.8MB

📄7-代码实战DQN_训练阶段得到Q网络的预测值和真实值.mp453.5MB

📄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.mp458.9MB

📄9-DQN会over-estimate的本质原因.mp444.9MB

📄10-DoubleDQN缓解over-estimate.mp444.1MB

📄11-DoubleDQN代码实战.mp444.5MB

📄12-DuelingDQN.mp488.1MB

📄13-困难样本挖掘_Multi-step_NoiseyNet系统的探索.mp491.0MB

📄14-计算Action的方差避免风险.mp454.2MB

📄15-Rainbow_DQN如何计算连续型的Actions.mp465.3MB

▶📁 3--Policy Gradient 策略梯度10 个文件

📄1-策略梯度PG_对比基于值和基于策略网络的区别.mp468.2MB

📄2-策略梯度PG_明确目标函数和导函数.mp462.2MB

📄3-策略梯度PG_简化导函数的公式推导.mp436.7MB

📄4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导.mp433.4MB

📄5-策略梯度PG_讲解CartPole环境.mp455.6MB

📄6-代码实战_策略梯度PG和CartPole交互.mp475.6MB

📄7-代码实战_策略梯度PG网络构建 .mp448.9MB

📄8-代码实战_策略梯度PG选择行为和参数训练.mp454.7MB

📄9-策略梯度PG_对TotalReward进行均值归一化.mp433.1MB

📄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.mp434.2MB

▶📁 4--Actor Critic (A3C)14 个文件

📄1-ActorCritic原理_把PG和QLearning结合起来.mp455.3MB

📄2-AdvantageActorCritic_共享参数和修改reward技巧.mp486.4MB

📄3-代码实战_ActorCritic与环境交互 .mp482.5MB

📄4-代码实战_Actor网络构建及训练.mp458.1MB

📄5-代码实战_详解Critic网络构建及训练.mp487.9MB

📄6-A3C架构和训练流程.mp474.7MB

📄7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值.mp477.6MB

📄8-代码实战_A3C_讲解Coordinator调度多线程运算.mp432.0MB

📄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.mp436.6MB

📄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.mp436.1MB

📄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.mp440.2MB

📄12-代码实战_A3C_结合流程图分三点总结前面讲的代码 .mp439.7MB

📄13-代码实战_A3C_讲解线程中worker和环境交互.mp451.5MB

📄14-代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示.mp447.2MB

▶📁 5--DDPG、PPO、DPPO算法15 个文件

📄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.mp481.9MB

📄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 .mp451.4MB

📄3-代码实战_DDPG_Critic网络构建_Actor网络链式求导.mp457.1MB

📄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.mp444.2MB

📄5-TD3_使用DoubleNetwork优化DDPG.mp463.9MB

📄6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy.mp438.4MB

📄7-PPO_通过重要性采样使得PPO可以做Off-Policy学习.mp435.5MB

📄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.mp438.1MB

📄9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题.mp461.8MB

📄10-代码实战_PPO与环境整体交互_Actor与Critic网络构建.mp432.5MB

📄11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑.mp441.0MB

📄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.mp442.1MB

📄13-DPPO分布式PPO.mp463.8MB

📄14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程.mp437.8MB

📄15-代码实战_DPPO_GlobalPPO和Workers交替执行.mp454.7MB

▶📁 课件1 个文件

📄人工智能课件.txt5.2KB

推荐资源

官方客服

尚学堂 百战程序员，人工智能AI算法工程师就业班

推荐资源

官方客服

尚学堂百战程序员，人工智能AI算法工程师就业班