夸克网盘
本课程专为有志成为AI算法工程师的学习者打造。课程内容丰富全面，从人工智能基础讲起，涵盖Python编程、数据处理等基础知识，为后续深入学习筑牢根基。在机器学习和深度学习板块，详细讲解了各类算法和框架，如TensorFlow和PyTorch等，让学员掌握核心技术。
课程的一大特色是注重理论与实践结合，设有Kaggle竞赛、推荐系统开发等实战项目。学员不仅能学到AI算法的核心理论，还能通过实际操作积累经验，提升解决复杂问题的能力。无论是想入门人工智能领域的初学者，还是希望进一步提升技能的在职者，都能从本课程中收获颇丰。通过系统学习，学员将为进入高薪的AI领域奠定坚实基础，开启职业发展的新篇章。
1：人工智能就业前景与薪资.mp433.78MB2：人工智能适合人群与必备技能.mp421.04MB3：人工智能时代是发展的必然.mp416.72MB4：人工智能在各领域的应用.mp441.82MB5：人工智能常见流程.mp436.38MB6：机器学习不同的学习方式.mp431.23MB7：深度学习比传统机器学习有优势.mp433.52MB8：有监督机器学习任务与本质.mp423.25MB9：无监督机器学习任务与本质.mp431.13MB1：下载Miniconda运行环境.mp431.42MB2：Miniconda安装和测试.mp436.64MB3：Pycharm安装和代码运行.mp430.29MB4：Jupyter安装和代码运行.mp424.92MB5：Jupyter常用快捷键.mp420.73MB6：Conda虚拟环境创建与Python模块安装.mp447.66MB7：关联虚拟环境运行代码.mp426.32MB
人工智能-第1阶段Python基础.pdf9.37MB人工智能-第1阶段python进阶和高级编程.pdf7.52MB8：Python是强类型的动态脚本语言.mp427.23MB9：Python_控制语句_单双分支.mp439.27MB10：Python_控制语句_多分支_三元条件运算符.mp421.39MB11：Python_控制语句_while循环.mp416.32MB12：Python_控制语句_for循环.mp418.68MB13：Python_控制语句_嵌套循环.mp427.86MB14：Python_控制语句_break_continue.mp416.39MB15：Python_切片操作.mp430.52MB16：Python_数据类型.mp420.88MB17：Python_集合操作_列表.mp424.1MB18：Python_集合操作_列表的基本操作.mp435.13MB19：Python_集合操作_列表的常用方法.mp426.62MB20：Python_集合操作_元组.mp429.08MB21：Python_集合操作_字典和常见操作.mp425.76MB22：Python_集合操作_字典keys方法_enumerate函数.mp418.07MB23：Python_os模块_shutil模块.mp436.75MB24：Python_打开并读取文件_中文编码问题.mp438.72MB25：Python_函数_定义_调用_返回值_注释.mp418.23MB26：Python_函数_局部变量_全局变量.mp423.5MB27：Python_函数_默认参数_可变参数.mp418.06MB28：Python_函数_递归.mp418.2MB29：Python_函数式编程_高阶函数.mp417.71MB30：Python_函数式编程_map_reduce_filter_匿名函数.mp426.94MB31：Python_函数_闭包.mp427.49MB32：Python_函数_装饰器.mp419.34MB33：Python_类对象_定义与实例化对象.mp436.96MB34：Python_类对象_实例属性和方法_类属性和方法.mp426.21MB35：Python_类对象_内置方法.mp419.39MB36：Python_类对象_运算符重载_私有对象方法_isinstance函数.mp426.22MB37：Python_类对象_面向对象三大特性_类的继承.mp420.15MB38：Python_类对象_子类复用父类构造器和方法_方法重写.mp420.79MB1：Numpy_概述_安装_创建数组_获取shape形状.mp430.3MB2：Numpy_array_arange.mp423.56MB3：Numpy_random随机数生成.mp435.81MB4：Numpy_ndarray属性_zeros_ones_like等创建数组函数.mp432.59MB5：NumPy_reshape_切片操作_copy函数.mp422.7MB6：Numpy_改变数组维度_数组的拼接.mp430.4MB7：Numpy_数组的切分和转置.mp419.19MB8：Numpy_算术运算_向上向下取整.mp423.03MB9：Numpy_聚合函数.mp415.33MB10：Matplotlib_概述_绘制直线图.mp428.64MB11：Matplotlib_绘制正余弦曲线_散点图_添加图例.mp423.68MB12：Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比.mp434.98MB13：Matplotlib_绘制饼图_直方图_同时绘制多组数据分布.mp421.29MB14：Matplotlib_绘制等高线图_绘制三维图像.mp424.37MB人工智能-第1阶段数据分析（含办公自动化分析）.pdf6.04MB15：Python_Pandas_Series对象创建.mp422.96MB16：Python_Pandas_DataFrame对象创建.mp424.82MB17：Python_Pandas_获取Series对象的值.mp415.52MB18：Python_Pandas_获取DataFrame对象的值.mp418.85MB19：Python_Pandas_条件过滤.mp417.28MB20：Python_Pandas_空值的删除与填充.mp433.25MB21：Python_Pandas_拼接和合并.mp427.91MB1：人工智能学习数学的必要性_微积分知识点.mp418.97MB2：线性代数_概率论知识点.mp417.26MB3：最优化知识_数学内容学习重点.mp425.9MB4：导数的定义_左导数和右导数.mp420.1MB5：导数的几何意义和物理意义.mp410.21MB6：常见函数的求导公式.mp415.8MB7：导数求解的四则运算法则.mp418.96MB8：复合函数求导法则.mp411.79MB9：推导激活函数的导函数.mp423.54MB10：高阶导数_导数判断单调性_导数与极值.mp415.3MB11：导数判断凹凸性_导数用于泰勒展开.mp431.49MB12：向量的意义_n维欧式空间空间.mp415.35MB13：行向量列向量_转置_数乘_加减乘除.mp414.17MB14：向量的内积_向量运算法则.mp414.38MB15：学习向量计算的用途举例.mp416.84MB16：向量的范数_范数与正则项的关系.mp423.52MB17：特殊的向量.mp419.38MB18：矩阵_方阵_对称阵_单位阵_对角阵.mp413.47MB19：矩阵的运算_加减法_转置.mp417.35MB20：矩阵相乘.mp414.36MB21：矩阵的逆矩阵.mp427.58MB22：矩阵的行列式.mp414.61MB23：多元函数求偏导.mp416.34MB24：高阶偏导数_梯度.mp419.74MB25：雅可比矩阵_在神经网络中应用.mp426.04MB26：Hessian矩阵.mp422.55MB27：二次型.mp418.55MB28：补充关于正定负定的理解.mp413.06MB29：特征值和特征向量(1).mp419.45MB30：特征值和特征向量(2).mp418.01MB31：特征值分解.mp426.18MB32：多元函数的泰勒展开_矩阵和向量的求导.mp430.5MB33：奇异值分解定义.mp416.37MB34：求解奇异值分解中的UΣV矩阵.mp434.04MB35：奇异值分解性质_数据压缩.mp423.36MB36：SVD用于PCA降维.mp417.58MB37：SVD用于协同过滤_求逆矩阵.mp423.76MB38：概率论_随机事件与随机事件概率.mp414.04MB39：条件概率_贝叶斯公式.mp421.97MB40：随机变量.mp417.17MB41：数学期望和方差.mp416.18MB42：常用随机变量服从的分布.mp414.64MB43：随机向量_独立性_协方差_随机向量的正太分布.mp422.95MB44：最大似然估计思想.mp416.62MB45：最优化的基本概念.mp423.95MB46：迭代求解的原因.mp412.99MB47：梯度下降法思路.mp419.41MB48：梯度下降法的推导.mp431.39MB49：牛顿法公式推导以及优缺点.mp430.04MB50：坐标下降法_数值优化面临的问题.mp417.05MB51：凸集.mp414.02MB52：凸函数.mp412.35MB53：凸优化的性质_一般表达形式.mp414.81MB54：拉格朗日函数.mp419.74MB数学.pdf1.5MB1：理解简单线性回归.mp421.25MB2：最优解_损失函数_MSE.mp419.54MB3：扩展到多元线性回归.mp414.47MB4：理解多元线性回归表达式几种写法的原因.mp416.21MB5：理解维度这个概念.mp421.22MB6：理解回归一词_中心极限定理_正太分布和做预测.mp428.17MB7：假设误差服从正太分布_最大似然估计MLE.mp421.44MB8：引入正太分布的概率密度函数.mp414.86MB9：明确目标通过最大总似然求解θ.mp414.53MB10：对数似然函数_推导出损失函数MSE.mp423.06MB11：把目标函数按照线性代数的方式去表达.mp414.44MB12：推导出目标函数的导函数形式.mp423.33MB13：θ解析解的公式_是否要考虑损失函数是凸函数.mp427.93MB14：Python开发环境版本的选择及下载.mp423.08MB15：Anaconda环境安装_Pycharm环境安装.mp426.51MB16：Pycharm创建脚本并测试python开发环境.mp417.38MB17：解析解的方式求解多元线性回归_数据Xy.mp416.74MB18：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.mp419.95MB19：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.mp414.08MB20：Scikit-learn模块的介绍.mp416.91MB21：调用Scikit-learn中的多元线性回归求解模型(上).mp413.17MB22：调用Scikit-learn中的多元线性回归求解模型(下).mp417.24MB第一阶段_手把手教你透彻掌握线性回归算法.pdf2.71MB23：梯度下降法产生的目的和原因以及思想.mp428.12MB24：梯度下降法公式.mp428.41MB25：学习率设置的学问_全局最优解.mp426.42MB26：梯度下降法迭代流程总结.mp415.17MB27：多元线性回归下的梯度下降法.mp421.8MB28：全量梯度下降.mp430.6MB29：随机梯度下降_小批量梯度下降.mp426.32MB30：对应梯度下降法的问题和挑战.mp422.61MB31：轮次和批次.mp426.67MB32：代码实现全量梯度下降第1步和第2步.mp412.82MB33：代码实现全量梯度下降第3步和第4步.mp414.09MB34：代码实现随机梯度下降.mp412.28MB35：代码实现小批量梯度下降.mp411.67MB36：代码改进保证训练数据全都能被随机取到.mp416.08MB37：代码改进实现随着迭代增加动态调整学习率.mp416.67MB第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf2.59MB38：归一化的目的_维度之间数量级不同产生的矛盾.mp430.26MB39：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.mp417.01MB40：归一化的副产品_有可能会提高模型的精度.mp412.57MB41：最大值最小值归一化.mp414.09MB42：标准归一化.mp425.97MB43：代码完成标准归一化.mp421.69MB44：正则化的目的防止过拟合.mp416.5MB45：正则化通过损失函数加入惩罚项使得W越小越好.mp419.21MB46：常用的L1和L2正则项以及数学意义.mp420.13MB47：L1稀疏性和L2平滑性.mp426.03MB48：通过L1和L2的导函数理解区别的本质原因.mp426.35MB49：代码调用Ridge岭回归.mp426.07MB50：代码调用Lasso回归.mp412.59MB51：代码调用ElasticNet回归.mp418.07MB52：升维的意义_多项式回归.mp422.22MB53：多项式升维代码实战_传入不同超参数对比.mp421.3MB54：多项式升维代码实战_训练模型和评估.mp415.88MB55：实战保险花销预测_数据介绍和加载数据.mp418.58MB56：实战保险花销预测_数据预处理.mp419.64MB57：实战保险花销预测_模型训练和评估_选择非线性算法改进.mp435.56MB58：实战保险花销预测_特征选择思路.mp416.51MB59：实战保险花销预测_特征工程.mp49.32MB60：实战保险花销预测_模型训练和评估.mp420.51MB1：逻辑回归_Sigmoid函数.mp410.76MB2：sigmoid函数作用.mp421.37MB3：逻辑回归为什么用sigmoid函数_预备知识.mp418.66MB4：证明伯努利分布是指数族分布_推导出逻辑回归公式.mp423.51MB5：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.mp44.31MB6：推导逻辑回归损失函数_得到总似然的公式.mp415.43MB7：推导逻辑回归损失函数_得到最终形式.mp47.85MB8：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.mp425.03MB9：绘制逻辑回归损失函数_探索单个参数和损失的关系.mp414.07MB10：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.mp417.81MB11：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.mp416.9MB12：对逻辑回归函数进行求导_结论在后面会用到.mp411.25MB13：对逻辑回归的损失函数求导_推导出导函数的形式.mp421.28MB14：实战逻辑回归对鸢尾花数据集进行二分类.mp417.78MB15：OneVsRest将多分类问题转化成多个二分类问题.mp412.09MB16：实战逻辑回归对鸢尾花数据集进行多分类.mp418.2MB第五阶段_线性分类算法_逻辑回归和Softmax回归.pdf1.09MB17：证明多项式分布属于指数族分布一种.mp414.67MB18：从广义线性回归的η推导出来Softmax的公式.mp49.91MB19：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.mp416.55MB20：再次证明Softmax损失函数当K=2时就是逻辑回归损失函数.mp415.21MB21：证明Softmax公式K=2的时候就是逻辑回归_平移不变性.mp47.58MB22：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.mp421.45MB23：实战音乐分类器_讲解需求和读取数据.mp414.06MB24：实战音乐分类器_探索不同曲风音乐文件的时间频率图.mp420.2MB25：实战音乐分类器_傅里叶变换可以帮助我们做什么.mp412.88MB26：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.mp416.92MB27：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.mp421.18MB28：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.mp417.08MB29：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.mp428.95MB30：SVM与感知机关系_几何距离与函数距离.mp477.74MB31：SVM的思想.mp435.91MB32：几种SVM_SVM的损失函数.mp447.92MB33：数学预备知识_拉格朗日函数.mp472.17MB34：硬间隔SVM的两步优化.mp464.89MB35：总结硬间隔SVM.mp423.25MB36：软间隔SVM和总结流程.mp476.87MB37：非线性SVM.mp436.91MB38：SVM在sklearn中的使用_超参数.mp480.08MBSVM算法.pdf2.52MB39：SVM算法流程总结.mp431.71MB40：SMO算法求解思路_分解成很多个子二次规划问题分别求解.mp435.51MB41：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.mp432.63MB42：对一元函数求极值点_推导出旧的α和新的α的关系.mp426.41MB43：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.mp443.47MB44：再次说明α2如何进行剪裁的思路_根据α2求α1.mp417.78MB45：启发式选择两个α.mp49.68MB46：如何计算阈值b.mp419.48MB47：SVM的SMO实现读取数据和计算fx与Ei.mp443.99MB48：SVM的SMO实现判断违背条件的α1.mp410.02MB49：SVM的SMO实现应用公式计算alphas和b.mp412.37MB50：SVM绘制已有数据点和超平面以及边界.mp49.49MB51：关于sklearn中的SVM封装的类和超参.mp411.81MB52：概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp441.37MB53：OVR和OVO多分类_算法小结_对比逻辑回归.mp423.17MB1：KMeans聚类流程_距离测度欧式距离和余弦距离.mp491.94MB2：距离测度欧式距离和余弦距离的场景_TFIDF.mp478.44MB3：KMeans的一些变形_KMeans的损失函数推导及假设.mp486.57MB4：mini-batchKMeans_Canopy聚类_聚类评估指标.mp4117.54MB5：KMeans代码测试不同情况下的聚类效果.mp497.13MB6：层次聚类_密度聚类_谱聚类.mp4156.59MB聚类.pdf2.74MB7：单个高斯分布GM的参数估计.mp472.12MB8：理解GMM高斯混合分布的对数似然函数.mp459.3MB9：GMM参数估计Πμσ的流程.mp463.98MB10：Jensen不等式的应用.mp489MB11：将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp493.56MB12：将EM算法应用到GMM中并且推导出Π的公式.mp426.95MB13：GMM前景背景分离.mp413.41MB14：通过声音文件利用GMM算法识别性别.mp4110.81MB15：通过声音文件利用GMM算法识别是谁.mp439.76MBEM算法与GMM模型.pdf725.2KB16：特征选择与特征映射.mp440.6MB17：PCA的最大投影方差思路.mp4114.36MB18：最大投影方差推导_最小投影距离思路.mp493.96MB19：SVD其实就可以去实现PCA了.mp478.14MB20：PCA的几种应用.mp446.12MBPCA降维与SVD.pdf864.92KB1：决策树模型的特点.mp435.9MB2：决策树的数学表达.mp437.57MB3：如何构建一颗决策树.mp433.05MB4：什么是更好的一次划分.mp426.87MB5：Gini系数.mp450.14MB6：信息增益.mp435.48MB7：熵与Gini系数关系_信息增益率.mp449.75MB8：预剪枝以及相关超参数.mp467.96MB9：代码实战决策树对鸢尾花数据集分类.mp440.61MB10：绘制决策树模型_寻找最优树深度.mp452.69MB11：代码训练回归树拟合SineWave.mp441.16MB12：后剪枝的意义.mp428.32MB13：CCP代价复杂度后剪枝.mp470.83MB14：CCP代价复杂度剪枝_α超参数设定.mp430.41MB15：不同聚合方式_生成不同弱学习器方式.mp443.72MB16：Bagging_Boosting_Stacking.mp432.58MB17：随机森林.mp446.3MB18：代码实战随机森林对鸢尾花数据集分类.mp449.28MB19：OOB袋外数据.mp451.72MB20：Adaboost算法思路.mp447.04MB21：调整数据权重让权重正确率达到50%.mp436.06MB22：Adaboost如何调整样本权重和求基模型权重.mp448.95MB23：GBDT试图使用有监督最优化算法梯度下降求解F(x).mp431.79MB24：GBDT令每个弱学习器f(x)去拟合负梯度(1).mp448.21MB24：GBDT令每个弱学习器f(x)去拟合负梯度.mp448.21MB25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树(1).mp443.03MB25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp443.03MB26：GBDT应用于回归问题.mp447.05MB27：GBDT回归举例_总结.mp445.6MB28：GBDT应用于二分类问题.mp438.77MB29：GBDT二分类拟合的负梯度依然是残差.mp446.05MB30：GBDT中shrinkage学习率和最优树权重ρ可以共存(1).mp434.44MB30：GBDT中shrinkage学习率和最优树权重ρ可以共存.mp434.44MB31：GBDT应用于多分类任务.mp434.17MB32：GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp432.69MB33：GBDT多分类流程.mp439.29MB34：对比GBDT回归、二分类、多分类相同点与不同点.mp427.63MB35：GBDT二分类叶子节点分值计算推导.mp440.64MB36：GBDT多分类叶子节点分值计算.mp429.43MB37：GBDT二分类举例详解.mp439.43MB38：GBDT多分类举例详解.mp441.29MB39：计算特征重要度进行特征选择.mp426.62MB40：GBDT用于特征组合降维(1).mp423.35MB40：GBDT用于特征组合降维.mp423.35MB41：特征组合降维在GBDT+LR架构应用(1).mp428.63MB41：特征组合降维在GBDT+LR架构应用.mp428.63MB42：GBDT在sklearn中源码剖析_初始化F(x).mp443.2MB43：GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp438.69MB44：GBDT+LR架构训练模型代码实现.mp446.16MB45：GBDT+LR架构预测评估代码实现(1).mp433.95MB45：GBDT+LR架构预测评估代码实现.mp433.95MB46：回顾有监督机器学习三要素.mp441.77MB47：Bias_Variance_Trade-off.mp434.34MB48：基于树集成学习4个优点.mp440.85MB49：回顾基于树集成学习的模型和参数并举例说明.mp441.64MB50：通过目标函数Obj来达到准确率和复杂度平衡.mp423.73MB51：Objective_vs_Heuristic.mp431.41MB52：得出XGBoost最开始的Obj目标函数.mp441.54MB53：推导XGBoost对Loss二阶泰勒展开之后的Obj.mp425.78MB54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp434.3MB55：重新定义树ft和树的复杂度Ω.mp435.02MB56：由每个叶子节点重组目标函数Obj.mp430.39MB57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp431.89MB58：根据Obj收益指导每一次分裂从而学习一棵树结构.mp446.88MB59：举例说明从连续型和离散型变量中寻找最佳分裂条件.mp432.75MB60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp431.75MB61：样本权重对于模型学习的影响.mp427.68MB62：总结XGBoost的特性_包括缺失值的处理策略.mp456.21MB1：朴素贝叶斯分类算法.mp4116MB2：TF-IDF.mp449.47MB3：NB代码实现解析.mp499.87MB4：sklearn中调用NB_顺便讲解了GridSearchCV.mp4101.38MB5：语言模型的设计目的_MLE的作用进行参数估计.mp494.28MB6：贝叶斯网络_马尔可夫链.mp431.65MBNB_HMM.pdf826.78KB7：HMM隐马的定义.mp432.9MB8：HMM隐马的三组参数_三个基本问题.mp456.02MB9：HMM预测问题使用前向算法.mp435.97MB10：HMM预测问题使用维特比算法.mp426.12MB11：HMM复习_明确概率计算问题要解决的目标.mp464.56MB12：前向算法来解决概率计算问题.mp427.36MB13：Viterbi算法案例详解.mp471.72MB14：Viterbi算法代码实现.mp432.88MB15：NER与分词和POS的关系_NER的标注策略_NER的主要方法.mp484.69MB16：讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp440.02MB17：了解CRF层添加的好处.mp462.98MB18：EmissionScore_TransitionScore.mp451.66MB19：CRF的目标函数.mp414.34MB20：计算CRF真实路径的分数.mp444.32MB21：计算CRF所有可能路径的总分数.mp486.34MB22：通过模型来预测新的句子的序列标签.mp450.15MBCRF_NER.pdf1.17MB1：Rossmann药店销量预测_kaggle的介绍.mp412.98MB2：对数据字段的介绍_导包.mp48.63MB3：自定义损失函数.mp49.44MB4：对数据里面的目标变量sales的一个分析.mp416.91MB5：数据的预处理.mp444.16MB6：模型的训练_评估.mp423.62MB7：kaggle竞赛网站学习.mp453.2MB8：Kaggle网页分类竞赛介绍.mp411.17MB9：评估指标ROC和AUC.mp422.35MB10：评估指标ROC和AUC.mp420.69MB11：竞赛其他相关提交成绩排行榜.mp419.99MB12：数据导入.mp423.63MB13：MLlib对网页分类竞赛数据预处理.mp438.72MB14：MLlib对网页分类竞赛数据预处理_模型训练.mp428.04MB15：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.mp425.53MB16：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.mp437.65MB17：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.mp436.02MB18：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.mp428.96MB19：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.mp430.51MB1：Spark特性_01.mp425.08MB2：Spark特性_02.mp417.4MB3：Spark对比hadoop优势.mp412.38MB4：回顾hadoop讲解shuffle.mp419.97MB5：分布式计算框架Shuffle的原理_01.mp425.51MB6：分布式计算框架Shuffle的原理_02.mp425.73MB7：分布式计算框架Shuffle的原理_03.mp417.39MB8：Spark的RDD特性_01.mp419.34MB9：Spark的RDD特性_02.mp421.87MB10：分布式计算所需进程.mp415.58MB11：两种算子操作本质区别.mp426.08MB12：Spark算子操作实战讲解_代码实战WordCount_01.mp431.67MB13：Spark算子操作实战讲解_代码实战WordCount_02.mp425.9MB14：Spark算子操作实战讲解_代码实战WordCount_03.mp420.19MB15：Spark算子操作实战讲解_代码实战WordCount_04.mp417.85MB16：Spark数据缓存机制.mp429.16MB17：Spark宽依赖和窄依赖_01.mp424.86MB18：Spark宽依赖和窄依赖_02.mp422.51MB19：Spark宽依赖和窄依赖_03.mp415.81MB20：Spark术语总结.mp440.14MB21：分布式文件系统Block块的大小配置.mp444.18MB22：Spark程序启动运行流程详解_01.mp419.59MB23：Spark程序启动运行流程详解_02.mp428.61MB24：Spark程序启动运行流程详解_03.mp419.88MB25：讲解构建稀疏和稠密向量_01.mp433.93MB26：讲解构建稀疏和稠密向量_01.mp436.24MB27：构建LabeledPoint.mp444.27MB28：介绍SparkMLlib模块中实现的算法和调用.mp434.98MB29：SparkMLlib对于逻辑回归算法的调用.mp449.29MB30：SparkMLlib调用逻辑回归_自定义阈值.mp452.43MB31：SparkMLlib调用逻辑回归_自定义阈值.mp447.11MB32：SparkMLlib调用逻辑回归_使用标准归一化.mp438.63MB33：SparkMLlib调用逻辑回归_使用标准归一化.mp465.62MB34：SparkMLlib调用逻辑回归_使用标准归一化.mp433.14MB35：SparkMLlib调用逻辑回归_使用标准归一化_4.mp443.6MB36：SparkMLlib调用KMeans聚类_调用决策树(1).mp437.79MB37：SparkMLlib调用KMeans聚类_调用决策树(1).mp447.15MB38：SparkMLlib调用KMeans聚类_调用决策树(1).mp440.95MB39：使用逻辑回归和随机森林对股票Stock预测案例实战.mp443.42MB40：使用逻辑回归和随机森林对股票Stock预测案例实战.mp434.88MB41：使用逻辑回归和随机森林对股票Stock预测案例实战.mp434.72MB42：从数据转化到训练集的构建.mp463.43MB43：模型的训练以及评估和调超参.mp435.13MB44：模型的训练以及评估和调超参.mp432.2MB45：模型的训练以及评估和调超参.mp443.15MB46：SparkML机器学习库概念讲解.mp459.65MB47：SparkML机器学习库概念讲解.mp453.66MB48：SparkML机器学习库代码实战讲解.mp461.17MB49：SparkML机器学习库代码实战讲解.mp463.52MB50：SparkML网页分类案例代码实战续（1）.mp462.9MB51：SparkML网页分类案例代码实战续（1）.mp460.75MB52：SparkML网页分类案例代码实战续（2）.mp457.53MB53：SparkML网页分类案例代码实战续（2）.mp444.96MB54：SparkML网页分类案例代码实战续（3）.mp43.98MB1：推荐系统_隐式用户反馈.mp444.96MB2：推荐系统_隐式用户反馈.mp449.06MB3：推荐系统_协同过滤.mp429.26MB4：推荐系统_协同过滤.mp428.44MB5：推荐系统_协同过滤.mp428.65MB6：推荐系统_协同过滤_4.mp429.76MB7：推荐系统架构_实时_离线.mp441.81MB8：推荐系统架构_实时_离线.mp441.79MB9：推荐系统列表_关联特征权重_基本特征权重的计算.mp437.58MB10：推荐系统列表_关联特征权重_基本特征权重的计算.mp443.64MB11：推荐系统列表_关联特征权重_基本特征权重的计算.mp441.91MB12：推荐系统_数据源.mp433.87MB13：推荐系统_数据源.mp431.31MB14：HQL语句_python脚本构建中间结果.mp448.91MB15：HQL语句_python脚本构建中间结果.mp446.79MB16：HQL语句_python脚本构建中间结果.mp443.99MB17：HQL语句_python脚本构建中间结果_4.mp447.18MB18：推荐系统_数据预处理_spark构建特征索引_标签列.mp443.8MB19：spark构建特征索引_标签列.mp443.31MB20：spark构建特征索引_标签列.mp442.32MB21：spark构建特征索引_标签列_4.mp439.89MB22：MLlib调用算法计算模型文件并存储.mp440.21MB23：MLlib调用算法计算模型文件并存储.mp437.77MB24：MLlib调用算法计算模型文件并存储.mp443.55MB25：ACC准确率和AUC面积的计算以及意义.mp493.24MB26：推荐模型文件使用思路.mp425.82MB27：Redis数据库安装及其使用.mp416.62MB28：实时在线推荐列表计算逻辑代码讲解.mp450.63MB29：实时在线推荐列表计算逻辑代码讲解.mp440.17MB30：实时在线推荐列表计算逻辑代码讲解.mp436.75MB31：实时在线推荐列表计算逻辑代码讲解_4.mp436.51MB32：使用Dubbo将推荐系统做成服务.mp441.3MB33：使用Dubbo将推荐系统做成服务.mp441.4MB34：使用Dubbo将推荐系统做成服务.mp445.74MB35：Dubbo推荐服务演示_SparkMLlib介绍.mp451.29MB36：Dubbo推荐服务演示_SparkMLlib介绍.mp447.92MB37：Dubbo推荐服务演示_SparkMLlib介绍.mp450.71MB1：神经网络是有监督的算法_生物神经元到人工神经元.mp463.3MB2：三种常见的激活函数_网络拓扑介绍_优化算法.mp433.55MB3：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.mp445.44MB4：用神经网络理解Softmax回归.mp444.38MB5：隐藏层的意义_隐藏层相当于去做预处理_升维降维.mp469.11MB6：多节点网络输出_sklearn中NN模块的介绍.mp453.02MB7：sklearn中NN模型的代码使用.mp469.28MB8：隐藏层激活函数必须是非线性的.mp413.69MB9：tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装.mp4132.12MB神经网络.pdf518.13KB10：CUDA下载地址_CUDA显卡白名单地址.mp457.91MB11：CUDA安装_cudnn安装_环境变量配置_检验是否安装成功.mp460.71MB12：Tensorflow代码运行机制_TF基础的代码.mp498.16MB13：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.mp4106.23MB14：TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据.mp4130.43MB15：TF实现Softmax回归来识别MNIST手写数字.mp4108.49MB16：TF实现DNN来识别MNIST手写数字.mp4104.48MB17：反向传播_链式求导法则.mp456.13MB18：反向传播推导(一).mp491.08MB19：反向传播推导(二)从输出层到最后一个隐藏层.mp478.81MB20：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.mp465.08MB21：反向传播推导(四)关于Δ和a还有梯度的更新事宜.mp425.06MB22：python实现神经网络训练代码讲解(一).mp450.79MB23：python实现神经网络正向反向传播训练.mp465.01MB1：回顾深度神经网络_卷积层是局部连接.mp481.89MB2：单通道卷积的计算.mp465.27MB3：彩色图片卷积的计算.mp436.33MB4：卷积层权值共享.mp437.06MB5：卷积的补充与Padding填充模式.mp456.33MB6：卷积的计算TF中的API操作与参数.mp476.76MB7：池化的概念和TF中的API的操作与参数.mp452.54MB8：经典的CNN架构和LeNet5.mp490.93MB9：AlexNet网络结构_连续使用小的卷积核好处.mp460.49MB10：Dropout技术点思想和运用.mp472.22MB11：数据增强技术点_CNN对MNIST数据集分类_卷积池化代码.mp462.59MB12：CNN对MNIST数据集分类_全连接层以及训练代码.mp475.35MB13：深度学习网络对应ACC准确率忽然下降的思考点.mp463.34MB14：减轻梯度消失问题中激活函数发挥的作用.mp425.71MB15：减轻梯度消失问题中参数初始化发挥的作用.mp454.56MB16：VGG网络结构_以及1乘1的卷积核的作用和好处.mp476.57MB17：Optimizer_SGD_Momentum.mp459.32MB18：Optimizer_Adagrad_Adadelta_RMSprop.mp479.54MB19：Optimizer_Adam.mp479.91MB20：Keras介绍_以及不同项目调用不同的python环境和CUDA环境(1).mp478MB20：Keras介绍_以及不同项目调用不同的python环境和CUDA环境.mp478MB21：VGG16_Fine-tuning_对MNIST做手写数字识别(1).mp489.69MB21：VGG16_Fine-tuning_对MNIST做手写数字识别.mp489.69MB22：InceptionV1_V2(1).mp4131.69MB22：InceptionV1_V2.mp4131.69MB23：InceptionV3_以及InceptionV3对皮肤癌图片识别(1).mp4124.68MB23：InceptionV3_以及InceptionV3对皮肤癌图片识别.mp4124.68MB24：ResNet残差单元_BottlenetBlocK(1).mp472.33MB24：ResNet残差单元_BottlenetBlocK.mp472.33MB25：DenseNet和Keras里面的实现(1).mp4116.93MB25：DenseNet和Keras里面的实现.mp4116.93MB26：DenseNet在Keras里面的代码实现(1).mp452.49MB26：DenseNet在Keras里面的代码实现.mp452.49MB27：BatchNormalization(1).mp484.12MB27：BatchNormalization.mp484.12MB28：Mobilenet网络架构(1).mp4123.63MB28：Mobilenet网络架构.mp4123.63MB29：图像识别任务_古典目标检测.mp4121.49MB30：使用OpenCV调用分类器找到目标框.mp473.92MB31：IOU以及python计算的代码.mp418.51MB32：R-CNN和SPP-net.mp468.4MB33：从FastRCNN引入FasterRCNN.mp493.8MB目标检测.pdf2.36MB34：回顾RCNN_SPPnet_Fast-RCNN.mp496.32MB35：FasterRNN的核心RPN_正向传播的框过滤_NMS.mp4152.24MB36：NMS代码实现流程_mAP目标检测平均指标.mp4105.18MB37：FasterRCNN论文讲解_从介绍到RPN的loss.mp4198.76MB38：FasterRCNN论文讲解_从RPN损失到评估指标对比.mp4250.49MBFasterR-CNNTowardsReal-TimeObjectDetectionwithRegionProposalNetworks.pdf6.49MB1：基于CascadeClassifier来提取目标框做车牌识别代码详解_01.mp431.79MB2：基于CascadeClassifier来提取目标框做车牌识别代码详解_02.mp433.64MB3：基于CascadeClassifier来提取目标框做车牌识别代码详解_03.mp418.45MB4：基于CascadeClassifier来提取目标框做车牌识别代码详解_04.mp428.08MB5：车牌识别项目关于目标检测的问题.mp417.44MB6：FasterRCNN项目代码_环境说明_数据集详解_项目结构说明.mp446.53MB7：FasterRCNN项目代码_数据加载.mp439.94MB8：FasterRCNN项目代码_数据增强.mp431.37MB9：FasterRCNN项目代码_数据初始化.mp430.31MB10：FasterRCNN项目代码_模型的训练.mp417.61MB11：回归整体训练流程_详解读取数据blob_01.mp433.04MB12：回归整体训练流程_详解读取数据blob_02.mp431.64MB13：回归整体训练流程_详解读取数据blob_03.mp418.48MB14：回归整体训练流程_详解读取数据blob_04.mp427.24MB15：FasterRCNN代码_构建head.mp425.91MB16：FasterRCNN代码_构建RPN网络_01.mp449.33MB17：FasterRCNN代码_构建RPN网络_02.mp439.32MB18：FasterRCNN代码_根据RPN网络得到校正后的预测的框_01.mp437.69MB19：FasterRCNN代码_根据RPN网络得到校正后的预测的框_02.mp448MB20：FasterRCNN代码_bbox剪裁_NMS非极大值抑制.mp446.08MB21：FasterRCNN代码_给RPN准备正负例样本_01.mp440.86MB22：FasterRCNN代码_给RPN准备正负例样本_02.mp462.3MB23：FasterRCNN代码_给RPN准备正负例样本_03.mp422.05MB24：FasterRCNN代码_给RPN准备正负例样本_04.mp419.13MB25：FasterRCNN代码_给RPN准备正负例样本_05.mp429.94MB26：FasterRCNN代码_给RPN准备正负例样本_06.mp442.6MB27：FasterRCNN代码_给RPN准备正负例样本_07.mp437.95MB28：FasterRCNN代码_给RPN准备正负例样本_08.mp421.93MB29：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01.mp426.51MB30：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02.mp425.42MB31：FasterRCNN代码_添加Loss损失_smoothL1loss.mp426.83MB32：图片风格融合项目_架构_代码实现要点.mp430.54MB33：图片风格融合项目_架构_代码实现要点.mp435.38MB34：图片风格融合项目_架构_代码实现要点.mp434.81MB35：图片风格融合项目_架构_代码实现要点_4.mp437.08MB1：YOLOv1论文详解_算法特点介绍.mp4143.16MB2：YOLOv1论文详解_网络架构_思想.mp4163.33MB3：YOLOv1论文详解_训练中的技巧_Loss损失函数.mp4192.72MB4：YOLOv1论文详解_NMS_局限性.mp462.47MB5：YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes.mp4138.74MB6：YOLOv2论文详解_mAP更better的一些点.mp4212.94MB7：YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签.mp4120.92MB8：YOLOv2论文详解_层级分类_层级分类用于目标检测.mp4146.75MB9：YOLOv3论文详解_每个框都要预测多个类别概率.mp464.54MB10：YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53.mp4109.35MB11：YOLOv3论文详解_总结_FocalLoss.mp4100.58MB12：YOLOv4论文概述_介绍.mp496.28MB13：YOLOv4论文概述_BOS_BOF.mp4253.06MB14：YOLOv3代码剖析_项目介绍.mp495.01MB15：YOLOv3代码剖析_聚类anchors_构建backbone主干网络.mp4144.47MB16：YOLOv3代码剖析_model输出之后的预测框的计算.mp4138.41MB17：YOLOv3代码剖析_使用model预测的其余代码.mp454.57MB18：YOLOv3代码剖析_weights到h5模型的转换.mp483.7MB19：YOLOv3代码剖析_模型的训练部分详解.mp4189.72MB20：YOLOv4_BOF_DropBlock_FocalLoss.mp4159.22MB21：YOLOv4_BOF_GIoU_DIoU_CIoU.mp472.25MB22：YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish.mp4163.21MB23：YOLOv4_BOS_SAM_PAN_CSP_CmBN.mp4174.03MB1：前言.mp414.47MB2：上采样_repeat.mp416.98MB3：线性插值.mp423.87MB4：双线性插值.mp466.03MB5：转置卷积_以及TF的API.mp462.74MB6：双线性插值作为转置卷积核的初始参数.mp483.64MB7：ROIAlign.mp447.15MB8：FPN思想与网络结构.mp448.2MB9：FPN应用于FasterRCNN_ResNetFPN.mp4101.57MB10：语义分割的基本概念.mp414.13MB11：FCN全卷积网络做语义分割.mp428.3MB12：UNet网络结构.mp417.9MB13：UNet网络医疗图像的语义分割.mp459.4MB14：MaskRCNN网络结构.mp454.01MB15：MaskRCNN的项目展示.mp4117.07MB16：MaskRCNN网络架构回顾.mp474.84MB17：MaskRCNN根据文档和论文总结重要的知识点.mp4191.29MB18：MaskRCNN项目关于运行代码环境的说明.mp434.35MB19：MaskRCNN源码config和model.mp4190.09MB1：人脸识别任务种类_具体做法思路.mp426.65MB2：开源的FaceNet项目介绍.mp429.12MB3：人脸识别项目代码整体结构.mp423.36MB4：MTCNN论文_摘要和介绍.mp462.24MB5：MTCNN论文_网络整体架构.mp466.92MB6：PRelu_每阶段输出多分支意义.mp435.08MB7：每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp457.33MB8：训练数据的准备_每一阶段训练的流程.mp453.05MB9：总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp451.73MB10：人脸识别项目代码_加载MTCNN模型.mp453.2MB11：人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框.mp448.88MB12：FaceNet论文_摘要和前情介绍.mp458.45MB13：FaceNet论文_相关的介绍.mp442.19MB14：FaceNet论文_TripleLoss思路来源和目标.mp448.45MB15：FaceNet论文_TripleLoss损失函数.mp453.82MB16：FaceNet论文_TripleSelection很至关重要.mp462.93MB17：FaceNet论文_ZF和Inception对比_总结.mp457.56MB18：人脸识别项目代码_FaceNet模型加载和使用.mp435.74MB19：人脸识别项目代码_人脸匹配以及最后的绘图展示.mp430.32MB1：N-gram语言模型.mp4100.9MB2：NPLM神经网络语言模型.mp491.13MB3：词向量的作用.mp436.29MB4：CBOW模型思想和计算过程.mp4100.15MB5：Skip-gram模型思想和计算过程.mp433.2MB6：Huffman树_分层Softmax的思想.mp466.23MB7：分层Softmax应用到CBOW模型上.mp451.31MB8：负采样和负采样应用到CBOW模型上.mp459.08MBWord2Vec.pdf1.89MB9：理解RNN循环神经网络拓扑结构.mp474.59MB10：理解RNN循环神经网络计算流程.mp429.87MB11：利用RNN循环神经网络对MNIST手写数字识别.mp496.49MB12：理解LSTM长短时记忆_记住Topo和公式.mp4104.73MB13：VanillaRNN的回顾复习.mp472.4MB14：补充讲一下为什么RNN中链越长越容易梯度消失.mp427.92MB15：LSTM的回顾复习_LSTM手写数字识别.mp426.32MB16：双向RNN_LSTM.mp430.09MB17：RNN里面应用的Topology结构.mp415.64MBRNN_Attention机制.pdf2.83MB18：Seq2Seq中Attention注意力机制(1).mp439.99MB18：Seq2Seq中Attention注意力机制.mp439.99MB19：Transformer_Self-Attention_Multi-head(1).mp479.26MB19：Transformer_Self-Attention_Multi-head.mp479.26MB20：Transformer_Positional_使用逻辑_网络结构总结(1).mp455.1MB20：Transformer_Positional_使用逻辑_网络结构总结.mp455.1MBRNN_Attention机制(1).pdf5.16MBRNN_Attention机制.pdf5.16MB21：ELMO(1).mp433.25MB21：ELMO.mp433.25MB22：BERT理论(1).mp452.58MB22：BERT理论.mp452.58MB23：ERNIE_GPT(1).mp443.47MB23：ERNIE_GPT.mp443.47MBRNN_Attention机制(1).pdf5.16MBRNN_Attention机制.pdf5.16MB1：回顾了词向量里面训练的Topology.mp491.34MB2：Word2Vec项目代码_加载数据_构建字典.mp475.49MB3：Word2Vec项目代码_构建一个个批次数据.mp465.4MB4：Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质.mp480.94MB5：Word2Vec项目代码_评估比较相似度_最后的训练绘图.mp468.29MB6：Word2Vec项目代码_总结串讲.mp418.31MB7：Keras实战RNN以及词嵌入来做情感分析.mp428.82MB8：数据预处理_01.mp433.19MB9：数据预处理_02.mp424.32MB10：代码讲解_01.mp424.56MB11：代码讲解_02.mp427.78MB12：代码讲解_03.mp424.5MB13：代码讲解_04.mp426.34MB14：代码讲解_05.mp419.33MB15：AI写唐诗_数据的读取_字典的构建_文本的索引化.mp489.26MB16：AI写唐诗_训练数据的构建.mp444.78MB17：MultiRNNCell单元.mp422.27MB18：AI写唐诗_从词嵌入到构建RNN再到输出层概率输出.mp452.61MB19：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.mp448.59MB20：AI写唐诗_模型的使用_增加随机性.mp472.51MB21：从AI写唐诗到Seq2Seq再到Encoder-Decoder.mp469.51MB22：Seq2Seq版Chatbot的数据预处理.mp475.2MB23：Seq2Seq版Chatbot训练和模型使用.mp469.86MB24：回顾了一下CRF训练和使用过程.mp456.68MB25：介绍了代码目录结构.mp419.69MB26：NER代码读取数据和预处理.mp485.89MB27：feature进入BiLSTM进行正向传播的过程.mp468.89MB28：通过CRF层来计算Loss损失以及训练.mp466.03MB29：BiLSTM-CRF模型的预测代码.mp460.45MB30：CRF中的特征函数们.mp487.83MB31：对比逻辑回归_相比HMM优势.mp483.05MB32：补充标注偏置问题_HMM做分词代码结构.mp458.18MB33：BERT新浪新闻10分类项目.mp490.17MB34：GPT2闲聊机器人.mp437.61MB1：传统OCR识别_深度学习OCR识别.mp4130.34MB2：OCR识别本质就是文字检测和文字识别.mp480.13MB3：OCR识别的CTC损失思想.mp495.96MB4：总结理解深度学习文字识别架构.mp434.81MB5：CTC损失函数的理解.mp4130.26MB6：CTC损失函数前向后向算法推导_梯度求导公式推导.mp485.53MB7：CTC前向后向算法代码.mp486.6MB8：GreedySearch和BeamSearch解码的方式与代码逻辑.mp4116.48MB9：CPTN项目代码剖析.mp4173.24MB10：CRNN项目代码剖析.mp4127.07MB1：PyTorch概述.mp426.67MB2：PyTorch的安装.mp445.81MB3：Pycharm关联PyTorch运行环境.mp424.03MB4：Jupyter关联PyTorch运行环境.mp427.99MB5：Tensor的创建.mp442.45MB6：修改Tensor的形状_索引操作.mp456.59MB7：广播机制_逐元素操作.mp433.45MB8：归并操作_比较操作_矩阵操作.mp444.67MB9：PyTorch实战CIFAR10数据_读取和展示.mp458.48MB10：PyTorch实战CIFAR10_构建网络_打印网络层次.mp438.92MB11：PyTorch实战CIFAR10_训练模型_测试模型.mp433.5MB12：PyTorch实战CIFAR10_分类别打印模型准确率.mp419.94MB13：使用全局平均池化_使用LeNet模型.mp426.73MB14：使用集成学习思想训练识别模型.mp453.92MB15：使用VGG16模型提供准确率.mp433.35MB16：torchvision里面的预训练模型.mp420.28MB17：迁移学习_PyTorch代码实战冻结预训练模型参数.mp438.81MB18：PyTorch代码实战加入数据增强.mp423.49MB19：PyTorch词性标注_构建数据和词索引号.mp416.72MB20：PyTorch词性标注_构建词嵌入层LSTM层和词性输出层.mp426.98MB21：PyTorch词性标注_构建数据索引化和训练模型代码.mp427.12MB22：PyTorch词性标注_测试模型效果.mp47.78MB23：PyTorch中英文翻译_规范化语料库_构建中英文词典索引.mp431.67MB24：PyTorch中英文翻译_数据预处理.mp424.46MB25：PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器.mp431.36MB26：PyTorch中英文翻译_构建训练函数之Encoder计算.mp432.85MB27：PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器.mp443.18MB28：PyTorch中英文翻译_构建训练函数之Decoder计算.mp438.5MB29：PyTorch中英文翻译_评估模型函数.mp434.22MB30：PyTorch中英文翻译_绘制Attentions注意力权重.mp420.88MB1：安装PaddlePaddle.mp436.77MB2：Pycharm运行出现mkl-service或DLL找不到的问题.mp428.19MB3：PaddlePaddle求解线性模型.mp435.67MB4：预测波士顿房价_数据读取_正向传播.mp438MB5：预测波士顿房价_反向传播_模型保存_模型测试.mp429.68MB6：预测病理性近视_图片数据读取.mp445.49MB7：预测病理性近视_模型训练.mp440.78MB8：预测病理性近视_定义模型结构_评估模型.mp440.92MB9：预测病理性近视_调用经典卷积神经网络.mp466.29MB10：PaddleDetection_项目配置.mp442.14MB11：安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题.mp431.05MB12：PCB电路板缺陷检测_Images和Annotations.mp429.76MB13：PCB电路板缺陷检测_前期数据的分析.mp455.99MB14：PCB电路板缺陷检测_项目配置文件.mp427.18MB15：PCB电路板缺陷检测_模型训练.mp443.74MB16：PCB电路板缺陷检测_模型预测.mp440.76MB17：PaddleOCR_项目配置_CCPD数据集介绍.mp447.4MB18：车牌识别项目_详解数据准备阶段代码.mp428.73MB19：车牌识别项目_运行保存标签和剪切出的车牌图片.mp437.23MB20：车牌识别项目_车牌目标框检测模型训练.mp444.2MB21：车牌识别项目_车牌字符识别模型训练.mp445.18MB22：车牌识别项目_车牌识别模型导出及预测.mp454.75MB
null0B23：PaddleNLP_项目配置.mp430.94MB24：PaddleNLP_物流信息提取项目介绍.mp432.51MB25：物流信息提取项目_解决导包显示找不到nul问题.mp442.22MB26：PaddleNLP_物流信息提取项目_加载数据构建DataSet.mp438.36MB27：PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader.mp437.31MB28：PaddleNLP_物流信息提取项目_构建网络模型.mp432.75MB29：PaddleNLP_物流信息提取项目_模型训练.mp435.53MB30：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.mp452.25MB31：PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset.mp434.05MB32：PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用.mp439.05MB33：PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码.mp434.16MB34：PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果.mp437.51MB1：Linux_课程介绍.mp42.93MB2：Linux_Linux简介.mp413MB3：Linux_VMWare安装及使用.mp413.59MB4：Linux_安装Linux.mp425.92MB5：Linux_目录介绍.mp413.24MB6：Linux_Linux中的路径.mp413MB7：Linux_常用命令_pwd命令.mp44.74MB8：Linux_常用命令_cd命令.mp46.05MB9：Linux_常用命令_ls与ll命令.mp422.63MB10：Linux_常用命令_clear、touch、cat命令.mp46.87MB11：Linux_常用命令more、head、tail命令.mp411.7MB12：Linux_常用命令_mkdir命令.mp47.43MB13：Linux_常用命令_cp命令.mp410.7MB14：Linux_常用命令_rm、mv命令.mp419.97MB15：Linux_常用命令_vi、vim.mp422.86MB16：Linux_常用命令_reboot、halt.mp44MB17：Linux_常用配置_设置时区.mp418.87MB18：Linux_常用配置_启动网络.mp411.22MB19：Linux_常用配置_修改网段.mp48.25MB20：Linux_常用配置_设置网络类型.mp418.89MB21：Linux_常用配置_快照与克隆.mp410.7MB22：Linux_Xshell的安装与使用.mp414.02MB23：Linux_上传与下载_Xftp的使用.mp412.71MB24：Linux_上传与下载_lrzsz工具.mp429.88MB25：Linux_文件的压缩与解压缩处理.mp428.41MB26：Linux_安装MySQL.mp450.87MB1：数据结构与算法简介.mp417.13MB2：大O表示法.mp411.28MB3：线性结构.mp424.15MB4：单线链表1.mp427.68MB5：单链表2.mp458.44MB6：双链表.mp446.43MB7：队列(链式).mp433.77MB8：队列(线式).mp417.69MB9：栈与双端队列.mp413.03MB10：哈希表的基本结构.mp426.05MB11：哈希表冲突问题.mp436.72MB12：哈希表冲突问题2.mp429.16MB13：哈希扩容.mp442MB14：递归与栈.mp423.2MB15：线性查找.mp427.16MB16：二分查找.mp425.22MB17：冒泡排序.mp426.39MB18：选择排序.mp422.71MB19：插入排序.mp415.87MB20：归并排序.mp440.51MB21：快速排序.mp418.97MB22：树结构.mp442.81MB23：树结构的遍历.mp427.72MB24：最大堆的增加操作.mp436.15MB25：最大堆的删除操作.mp435.13MB26：二叉树的查找.mp441.76MB27：二叉树获取最小值.mp411.16MB28：二叉树的添加.mp430.56MB29：二叉树的删除.mp455.15MB1：强化学习通过智能体与环境交互进行学习.mp444.67MB2：引入马尔科夫链和价值评估的Q值与V值.mp435.03MB3：详解Q值和V值以及它们之间关系.mp448.04MB4：蒙特卡洛采样回溯计算V值.mp441.14MB5：蒙特卡洛和时序差分估算状态V值.mp444.02MB6：SARSA算法和Q-learning算法.mp439.56MB7：理解Q-table_创建maze交互环境.mp440.23MB8：代码实战Q-Learning_Agent和Env整体交互.mp430.03MB9：代码实战Q-Learning智能体选择行为.mp433.94MB10：代码实战Q-Learning智能体训练模型.mp435.49MB11：代码实战Sarsa_Agent和Env整体交互.mp426.78MB12：代码实战Sarsa_Agent选择行为和训练模型.mp437.68MB13：代码实战SarsaLambda_训练模型.mp436.83MB14：DQN算法思想.mp435.24MB15：DQN算法具体流程.mp431.71MB16：ε-greedy_ReplayBuffer_FixedQ-targets.mp454.99MB17：代码实战DQN_Agent和Env整体交互.mp446.11MB18：代码实战DQN_构建Q网络.mp441.08MB19：代码实战DQN_定义损失函数_构建Target网络更新逻辑.mp450.96MB20：代码实战DQN_训练阶段得到Q网络的预测值和真实值.mp447.86MB21：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.mp452.26MB22：DQN会over-estimate的本质原因.mp440.26MB23：DoubleDQN缓解over-estimate.mp439.29MB24：DoubleDQN代码实战.mp439.68MB25：DuelingDQN.mp447.48MB26：困难样本挖掘_Multi-step_NoiseyNet系统的探索.mp449.05MB27：计算Action的方差避免风险.mp428.8MB28：Rainbow_DQN如何计算连续型的Actions.mp434.36MB29：策略梯度PG_对比基于值和基于策略网络的区别.mp436.1MB30：策略梯度PG_明确目标函数和导函数.mp433.85MB31：策略梯度PG_简化导函数的公式推导.mp433.34MB32：策略梯度PG_总结整体流程_对比交叉熵损失函数求导.mp430.01MB33：策略梯度PG_讲解CartPole环境.mp431.95MB34：代码实战_策略梯度PG和CartPole交互.mp444.45MB35：代码实战_策略梯度PG网络构建.mp428.63MB36：代码实战_策略梯度PG选择行为和参数训练.mp432.87MB37：策略梯度PG_对TotalReward进行均值归一化.mp429.71MB38：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.mp430.66MB39：ActorCritic原理_把PG和QLearning结合起来.mp450.02MB40：AdvantageActorCritic_共享参数和修改reward技巧.mp444.69MB41：代码实战_ActorCritic与环境交互.mp448.29MB42：代码实战_Actor网络构建及训练.mp433.46MB43：代码实战_详解Critic网络构建及训练.mp450.74MB44：A3C架构和训练流程.mp437.52MB45：Pendulum环境_根据网络预测的μ和σ得到连续型的action值.mp444.49MB46：代码实战_A3C_讲解Coordinator调度多线程运算.mp427.84MB47：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.mp432.62MB48：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.mp432.1MB49：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.mp435.52MB50：代码实战_A3C_结合流程图分三点总结前面讲的代码.mp435.8MB51：代码实战_A3C_讲解线程中worker和环境交互.mp445.16MB52：代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示.mp441.57MB53：DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic.mp443.4MB54：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.mp445.45MB55：代码实战_DDPG_Critic网络构建_Actor网络链式求导.mp450.11MB56：代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示.mp438.76MB57：TD3_使用DoubleNetwork优化DDPG.mp457.07MB58：PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy.mp434.69MB59：PPO_通过重要性采样使得PPO可以做Off-Policy学习.mp432.08MB60：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.mp434.49MB61：PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题.mp432.5MB62：代码实战_PPO与环境整体交互_Actor与Critic网络构建.mp428.52MB63：代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑.mp436.15MB64：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.mp434.44MB65：DPPO分布式PPO.mp436.43MB66：代码实战_DPPO_创建一个PPO和多个Worker_创建多线程.mp433.08MB67：代码实战_DPPO_GlobalPPO和Workers交替执行.mp448.49MB
课件.zip59.26GB
