RK0088-【百Z】人工智能AI深度学习就业班
——/【百Z】人工智能AI深度学习就业班/
├──0-资料密码：MTcrr18oGVEnPXmy
| └──这是密码，返回从1看视频课
├──1-人工智能基础-快速入门
| ├──1：人工智能就业前景与薪资.mp433.79M
| ├──2：人工智能适合人群与必备技能.mp421.05M
| ├──3：人工智能时代.mp416.73M
| ├──4：人工智能在各领域的应用.mp441.84M
| ├──5：人工智能常见流程.mp436.39M
| ├──6：机器学习不同的学习方式.mp431.24M
| ├──7：深度学习比传统机器学习有优势.mp433.53M
| ├──8：有监督机器学习任务与本质.mp423.26M
| └──9：无监督机器学习任务与本质.mp431.15M
├──10-机器学习与大数据-Kaggle竞赛实战
| ├──章节1：药店销量预测案例
| | ├──1：Rossmann药店销量预测_kaggle的介绍.mp412.99M
| | ├──2：对数据字段的介绍_导包.mp48.64M
| | ├──3：自定义损失函数.mp49.45M
| | ├──4：对数据里面的目标变量sales的一个分析.mp416.92M
| | ├──5：数据的预处理.mp444.18M
| | ├──6：模型的训练_评估.mp423.63M
| | ├──7：kaggle竞赛网站学习.mp453.21M
| | ├──代码.rar6.42M
| | └──新建文本文档.txt0.38kb
| └──章节2：网页分类案例
| | ├──10：评估指标ROC和AUC.mp420.71M
| | ├──11：竞赛其他相关提交成绩排行榜.mp420.00M
| | ├──12：数据导入.mp423.64M
| | ├──13：MLlib对网页分类竞赛数据预处理.mp438.73M
| | ├──14：MLlib对网页分类竞赛数据预处理_模型训练.mp428.05M
| | ├──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.mp425.54M
| | ├──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.mp437.66M
| | ├──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.mp436.03M
| | ├──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.mp428.98M
| | ├──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.mp430.52M
| | ├──8：Kaggle网页分类竞赛介绍.mp411.18M
| | ├──9：评估指标ROC和AUC.mp422.36M
| | └──代码.rar8.81M
├──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
| | ├──10：分布式计算所需进程.mp415.59M
| | ├──11：两种算子操作本质区别.mp426.09M
| | ├──12：Spark算子操作实战讲解_代码实战WordCount_01.mp431.68M
| | ├──13：Spark算子操作实战讲解_代码实战WordCount_02.mp425.91M
| | ├──14：Spark算子操作实战讲解_代码实战WordCount_03.mp420.20M
| | ├──15：Spark算子操作实战讲解_代码实战WordCount_04.mp417.87M
| | ├──1：Spark特性_01.mp425.09M
| | ├──2：Spark特性_02.mp417.41M
| | ├──3：Spark对比hadoop优势.mp412.39M
| | ├──4：回顾hadoop讲解shuffle.mp419.98M
| | ├──5：分布式计算框架Shuffle的原理_01.mp425.52M
| | ├──6：分布式计算框架Shuffle的原理_02.mp425.75M
| | ├──7：分布式计算框架Shuffle的原理_03.mp417.40M
| | ├──8：Spark的RDD特性_01.mp419.36M
| | ├──9：Spark的RDD特性_02.mp421.88M
| | ├──代码.rar383.20M
| | └──资料.rar1.49M
| ├──章节2：Spark计算框架深入
| | ├──1.txt0.37kb
| | ├──16：Spark数据缓存机制.mp429.18M
| | ├──17：Spark宽依赖和窄依赖_01.mp424.87M
| | ├──18：Spark宽依赖和窄依赖_02.mp422.53M
| | ├──19：Spark宽依赖和窄依赖_03.mp415.82M
| | ├──20：Spark术语总结.mp440.15M
| | ├──21：分布式文件系统Block块的大小配置.mp444.19M
| | ├──22：Spark程序启动运行流程详解_01.mp419.60M
| | ├──23：Spark程序启动运行流程详解_02.mp428.62M
| | ├──24：Spark程序启动运行流程详解_03.mp419.89M
| | ├──25：讲解构建稀疏和稠密向量_01.mp433.94M
| | ├──26：讲解构建稀疏和稠密向量_01.mp436.25M
| | ├──27：构建LabeledPoint.mp444.28M
| | └──28：介绍SparkMLlib模块中实现的算法和调用.mp435.00M
| └──章节3：Spark机器学习MLlib和ML模块
| | ├──29：SparkMLlib对于逻辑回归算法的调用.mp449.31M
| | ├──30：SparkMLlib调用逻辑回归_自定义阈值_1.mp452.45M
| | ├──31：SparkMLlib调用逻辑回归_自定义阈值_2.mp447.12M
| | ├──32：SparkMLlib调用逻辑回归_使用标准归一化_1.mp438.65M
| | ├──33：SparkMLlib调用逻辑回归_使用标准归一化_2.mp465.63M
| | ├──34：SparkMLlib调用逻辑回归_使用标准归一化_3.mp433.16M
| | ├──35：SparkMLlib调用逻辑回归_使用标准归一化_4.mp443.62M
| | ├──36：SparkMLlib调用KMeans聚类_调用决策树(1)_1.mp437.81M
| | ├──37：SparkMLlib调用KMeans聚类_调用决策树(1)_2.mp447.16M
| | ├──38：SparkMLlib调用KMeans聚类_调用决策树(1)_3.mp440.96M
| | ├──39：使用逻辑回归和随机森林对股票Stock预测案例实战_1.mp443.44M
| | ├──40：使用逻辑回归和随机森林对股票Stock预测案例实战_2.mp434.89M
| | ├──41：使用逻辑回归和随机森林对股票Stock预测案例实战_3.mp434.73M
| | ├──42：从数据转化到训练集的构建.mp463.44M
| | ├──43：模型的训练以及评估和调超参_1.mp435.14M
| | ├──44：模型的训练以及评估和调超参_2.mp432.22M
| | ├──45：模型的训练以及评估和调超参_3.mp443.17M
| | ├──46：SparkML机器学习库概念讲解_1.mp459.66M
| | ├──47：SparkML机器学习库概念讲解_2.mp453.67M
| | ├──48：SparkML机器学习库代码实战讲解_1.mp461.18M
| | ├──49：SparkML机器学习库代码实战讲解_2.mp463.53M
| | ├──50：SparkML网页分类案例代码实战续（1）_1.mp462.91M
| | ├──51：SparkML网页分类案例代码实战续（1）_2.mp460.76M
| | ├──52：SparkML网页分类案例代码实战续（2）_1.mp457.54M
| | ├──53：SparkML网页分类案例代码实战续（2）_2.mp444.98M
| | ├──54：SparkML网页分类案例代码实战续（3）.mp44.00M
| | └──资料.rar1.28M
├──12-机器学习与大数据-推荐系统项目实战
| ├──章节1：推荐系统--流程与架构
| | ├──10：推荐系统列表_关联特征权重_基本特征权重的计算_2.mp443.65M
| | ├──11：推荐系统列表_关联特征权重_基本特征权重的计算_3.mp441.93M
| | ├──12：推荐系统_数据源_1.mp433.88M
| | ├──13：推荐系统_数据源_2.mp431.32M
| | ├──1：推荐系统_隐式用户反馈_1.mp444.97M
| | ├──2：推荐系统_隐式用户反馈_2.mp449.07M
| | ├──3：推荐系统_协同过滤_1.mp429.27M
| | ├──4：推荐系统_协同过滤_2.mp428.45M
| | ├──5：推荐系统_协同过滤_3.mp428.66M
| | ├──6：推荐系统_协同过滤_4.mp429.77M
| | ├──7：推荐系统架构_实时_离线_1.mp441.82M
| | ├──8：推荐系统架构_实时_离线_2.mp441.81M
| | ├──9：推荐系统列表_关联特征权重_基本特征权重的计算_1.mp437.60M
| | ├──数据.rar759.94kb
| | └──资料.rar2.67M
| ├──章节2：推荐系统--数据预处理和模型构建评估实战
| | ├──14：HQL语句_python脚本构建中间结果_1.mp448.92M
| | ├──15：HQL语句_python脚本构建中间结果_2.mp446.80M
| | ├──16：HQL语句_python脚本构建中间结果_3.mp444.00M
| | ├──17：HQL语句_python脚本构建中间结果_4.mp447.20M
| | ├──18：推荐系统_数据预处理_spark构建特征索引_标签列_1.mp443.81M
| | ├──19：spark构建特征索引_标签列_2.mp443.33M
| | ├──20：spark构建特征索引_标签列_3.mp442.33M
| | ├──21：spark构建特征索引_标签列_4.mp439.91M
| | ├──22：MLlib调用算法计算模型文件并存储_1.mp440.22M
| | ├──23：MLlib调用算法计算模型文件并存储_2.mp437.79M
| | ├──24：MLlib调用算法计算模型文件并存储_3.mp443.56M
| | ├──25：ACC准确率和AUC面积的计算以及意义.mp493.25M
| | ├──代码.rar6.12kb
| | ├──软件.rar665.46M
| | ├──数据.rar2.90M
| | └──资料.rar468.42kb
| └──章节3：推荐系统--模型使用和推荐服务
| | ├──26：推荐模型文件使用思路.mp425.83M
| | ├──27：Redis数据库安装及其使用.mp416.63M
| | ├──28：实时在线推荐列表计算逻辑代码讲解_1.mp450.64M
| | ├──29：实时在线推荐列表计算逻辑代码讲解_2.mp440.19M
| | ├──30：实时在线推荐列表计算逻辑代码讲解_3.mp436.76M
| | ├──31：实时在线推荐列表计算逻辑代码讲解_4.mp436.52M
| | ├──32：使用Dubbo将推荐系统做成服务_1.mp441.32M
| | ├──33：使用Dubbo将推荐系统做成服务_2.mp441.42M
| | ├──34：使用Dubbo将推荐系统做成服务_3.mp445.76M
| | ├──35：Dubbo推荐服务演示_SparkMLlib介绍_1(1).mp439.28M
| | ├──35：Dubbo推荐服务演示_SparkMLlib介绍_1.mp451.31M
| | ├──36：Dubbo推荐服务演示_SparkMLlib介绍_2.mp447.93M
| | ├──37：Dubbo推荐服务演示_SparkMLlib介绍_3.mp450.73M
| | └──代码.rar42.15M
├──13-深度学习-原理和进阶
| ├──章节1：神经网络算法
| | ├──1：神经网络是有监督的算法_生物神经元到人工神经元.mp463.31M
| | ├──2：三种常见的激活函数_网络拓扑介绍_优化算法.mp433.56M
| | ├──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.mp445.45M
| | ├──4：用神经网络理解Softmax回归.mp444.39M
| | ├──5：隐藏层的意义_隐藏层相当于去做预处理_升维降维.mp469.12M
| | ├──6：多节点网络输出_sklearn中NN模块的介绍.mp453.04M
| | ├──7：sklearn中NN模型的代码使用.mp469.29M
| | ├──8：隐藏层激活函数必须是非线性的.mp413.71M
| | ├──9：tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装.mp4132.14M
| | ├──神经网络.pdf518.13kb
| | └──资料.rar12.88M
| ├──章节2：TensorFlow深度学习工具
| | ├──10：CUDA下载地址_CUDA显卡白名单地址.mp457.92M
| | ├──11：CUDA安装_cudnn安装_环境变量配置_检验是否安装成功.mp460.73M
| | ├──12：Tensorflow代码运行机制_TF基础的代码.mp498.18M
| | ├──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.mp4106.24M
| | ├──14：TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据.mp4130.45M
| | ├──15：TF实现Softmax回归来识别MNIST手写数字.mp4108.50M
| | ├──16：TF实现DNN来识别MNIST手写数字.mp4104.49M
| | ├──代码.rar27.29kb
| | └──软件.rar2.13G
| └──章节3：反向传播推导_Python代码实现神经网络
| | ├──1.txt0.31kb
| | ├──17：反向传播_链式求导法则.mp456.14M
| | ├──18：反向传播推导(一).mp491.09M
| | ├──19：反向传播推导(二)从输出层到最后一个隐藏层.mp478.83M
| | ├──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.mp465.09M
| | ├──21：反向传播推导(四)关于Δ和a还有梯度的更新事宜.mp425.08M
| | ├──22：python实现神经网络训练代码讲解(一).mp450.80M
| | ├──23：python实现神经网络正向反向传播训练.mp465.03M
| | ├──代码.rar2.83kb
| | └──资料.rar180.60kb
├──14-深度学习-图像识别原理
| ├──章节1：卷积神经网络原理.zip473.80M
| ├──章节2：卷积神经网络优化.zip673.57M
| ├──章节3：经典卷积网络算法.zip839.61M
| ├──章节4：古典目标检测.zip359.94M
| └──章节5：现代目标检测之FasterRCNN.zip780.53M
├──15-深度学习-图像识别项目实战
| ├──章节1：车牌识别
| | ├──1：基于CascadeClassifier来提取目标框做车牌识别代码详解_01.mp431.80M
| | ├──2：基于CascadeClassifier来提取目标框做车牌识别代码详解_02.mp433.65M
| | ├──3：基于CascadeClassifier来提取目标框做车牌识别代码详解_03.mp418.47M
| | ├──4：基于CascadeClassifier来提取目标框做车牌识别代码详解_04.mp428.09M
| | ├──5：车牌识别项目关于目标检测的问题.mp417.45M
| | └──car_license.rar177.04M
| ├──章节2：自然场景下的目标检测及源码分析
| | ├──10：FasterRCNN项目代码_模型的训练.mp417.63M
| | ├──11：回归整体训练流程_详解读取数据blob_01.mp433.05M
| | ├──12：回归整体训练流程_详解读取数据blob_02.mp431.65M
| | ├──13：回归整体训练流程_详解读取数据blob_03.mp418.49M
| | ├──14：回归整体训练流程_详解读取数据blob_04.mp427.25M
| | ├──15：FasterRCNN代码_构建head.mp425.92M
| | ├──16：FasterRCNN代码_构建RPN网络_01.mp449.35M
| | ├──17：FasterRCNN代码_构建RPN网络_02.mp439.33M
| | ├──18：FasterRCNN代码_根据RPN网络得到校正后的预测的框_01.mp437.70M
| | ├──19：FasterRCNN代码_根据RPN网络得到校正后的预测的框_02.mp448.02M
| | ├──20：FasterRCNN代码_bbox剪裁_NMS非极大值抑制.mp446.10M
| | ├──21：FasterRCNN代码_给RPN准备正负例样本_01.mp440.87M
| | ├──22：FasterRCNN代码_给RPN准备正负例样本_02.mp462.31M
| | ├──23：FasterRCNN代码_给RPN准备正负例样本_03.mp422.06M
| | ├──24：FasterRCNN代码_给RPN准备正负例样本_04.mp419.14M
| | ├──25：FasterRCNN代码_给RPN准备正负例样本_05.mp429.95M
| | ├──26：FasterRCNN代码_给RPN准备正负例样本_06.mp442.62M
| | ├──28：FasterRCNN代码_给RPN准备正负例样本_08.mp421.94M
| | ├──29：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01.mp426.53M
| | ├──30：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02.mp425.43M
| | ├──31：FasterRCNN代码_添加Loss损失_smoothL1loss.mp426.85M
| | ├──4：双线性插值.mp437.96M
| | ├──6：FasterRCNN项目代码_环境说明_数据集详解_项目结构说明.mp446.54M
| | ├──7：FasterRCNN项目代码_数据加载.mp439.95M
| | ├──8：FasterRCNN项目代码_数据增强.mp431.38M
| | ├──9：FasterRCNN项目代码_数据初始化.mp430.32M
| | ├──Faster-RCNN-TensorFlow-Python3.5-master.rar3.06G
| | └──资料.rar26.61kb
| └──章节3：图像风格迁移
| | ├──1.txt0.25kb
| | ├──32：图片风格融合项目_架构_代码实现要点_1.mp430.55M
| | ├──33：图片风格融合项目_架构_代码实现要点_2.mp435.40M
| | ├──34：图片风格融合项目_架构_代码实现要点_3.mp434.83M
| | ├──35：图片风格融合项目_架构_代码实现要点_4.mp437.10M
| | └──style_transfer.rar512.68M
├──16-深度学习-目标检测YOLO(V1-V4全版本)实战
| ├──章节1：YOLOv1详解
| | ├──1：YOLOv1论文详解_算法特点介绍.mp4143.17M
| | ├──2：YOLOv1论文详解_网络架构_思想.mp4163.34M
| | ├──3：YOLOv1论文详解_训练中的技巧_Loss损失函数.mp4192.73M
| | └──4：YOLOv1论文详解_NMS_局限性.mp462.48M
| ├──章节2：YOLOv2详解
| | ├──5：YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes.mp4138.75M
| | ├──6：YOLOv2论文详解_mAP更better的一些点.mp4212.96M
| | ├──7：YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签.mp4120.93M
| | └──8：YOLOv2论文详解_层级分类_层级分类用于目标检测.mp4146.76M
| ├──章节3：YOLOv3详解
| | ├──10：YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53.mp4109.36M
| | ├──11：YOLOv3论文详解_总结_FocalLoss.mp4100.60M
| | ├──12：YOLOv4论文概述_介绍.mp496.29M
| | ├──13：YOLOv4论文概述_BOS_BOF.mp4253.07M
| | └──9：YOLOv3论文详解_每个框都要预测多个类别概率.mp464.56M
| ├──章节4：YOLOv3代码实战
| | ├──14：YOLOv3代码剖析_项目介绍.mp495.03M
| | ├──15：YOLOv3代码剖析_聚类anchors_构建backbone主干网络.mp4144.48M
| | ├──16：YOLOv3代码剖析_model输出之后的预测框的计算.mp4138.42M
| | ├──17：YOLOv3代码剖析_使用model预测的其余代码.mp454.58M
| | ├──18：YOLOv3代码剖析_weights到h5模型的转换.mp483.71M
| | └──19：YOLOv3代码剖析_模型的训练部分详解.mp4189.73M
| ├──章节5：YOLOv4详解
| | ├──20：YOLOv4_BOF_DropBlock_FocalLoss.mp4159.23M
| | ├──21：YOLOv4_BOF_GIoU_DIoU_CIoU.mp472.27M
| | ├──22：YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish.mp4163.22M
| | └──23：YOLOv4_BOS_SAM_PAN_CSP_CmBN.mp4174.04M
| ├──keras-yolo3-master.rar443.97M
| └──资料.rar25.37M
├──17-深度学习-语义分割原理和实战
| ├──章节1：上采样_双线性插值_转置卷积
| | ├──1：前言.mp414.48M
| | ├──2：上采样_repeat.mp416.99M
| | ├──3：线性插值.mp423.88M
| | ├──4：双线性插值.mp466.04M
| | ├──5：转置卷积_以及TF的API.mp462.75M
| | ├──6：双线性插值作为转置卷积核的初始参数.mp483.66M
| | ├──7：ROIAlign.mp447.17M
| | ├──8：FPN思想与网络结构.mp448.21M
| | ├──9：FPN应用于FasterRCNN_ResNetFPN.mp4101.58M
| | ├──代码.rar3.31kb
| | └──资料.rar4.43M
| ├──章节2：医疗图像UNet语义分割
| | ├──10：语义分割的基本概念.mp414.14M
| | ├──11：FCN全卷积网络做语义分割.mp428.31M
| | ├──12：UNet网络结构.mp417.91M
| | ├──13：UNet网络医疗图像的语义分割.mp459.42M
| | ├──U-Net.zip102.75M
| | └──资料.rar3.41M
| └──章节3：蒙版弹幕MaskRCNN语义分割
| | ├──14：MaskRCNN网络结构.mp454.02M
| | ├──15：MaskRCNN的项目展示.mp4117.08M
| | ├──16：MaskRCNN网络架构回顾.mp474.85M
| | ├──17：MaskRCNN根据文档和论文总结重要的知识点.mp4191.30M
| | ├──18：MaskRCNN项目关于运行代码环境的说明.mp434.37M
| | ├──19：MaskRCNN源码config和model.mp4190.10M
| | ├──代码.rar798.38M
| | └──资料.rar6.77M
├──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.mp453.21M
| | ├──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.mp448.89M
| | ├──12：FaceNet论文_摘要和前情介绍.mp458.47M
| | ├──13：FaceNet论文_相关的介绍.mp442.20M
| | ├──14：FaceNet论文_TripleLoss思路来源和目标.mp448.46M
| | ├──15：FaceNet论文_TripleLoss损失函数.mp453.84M
| | ├──16：FaceNet论文_TripleSelection很至关重要.mp462.95M
| | ├──16：FaceNet论文_TripleSelection很至关重要.pdf5.16M
| | ├──17：FaceNet论文_ZF和Inception对比_总结.mp457.57M
| | ├──18：人脸识别项目代码_FaceNet模型加载和使用.mp435.75M
| | ├──19：人脸识别项目代码_人脸匹配以及最后的绘图展示.mp430.33M
| | ├──1：人脸识别任务种类_具体做法思路.mp426.67M
| | ├──2：开源的FaceNet项目介绍.mp429.13M
| | ├──3：人脸识别项目代码整体结构.mp423.37M
| | ├──4：MTCNN论文_摘要和介绍.mp462.25M
| | ├──5：MTCNN论文_网络整体架构.mp466.94M
| | ├──6：PRelu_每阶段输出多分支意义.mp435.09M
| | ├──7：每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp457.34M
| | ├──8：训练数据的准备_每一阶段训练的流程.mp453.06M
| | └──9：总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp451.74M
| ├──facenet-master.zip823.10M
| ├──模型.rar186.42M
| └──资料.rar7.47M
├──19-深度学习-NLP自然语言处理原理和进阶
| ├──章节1：词向量与词嵌入
| | ├──1：N-gram语言模型.mp4100.91M
| | ├──2：NPLM神经网络语言模型.mp491.15M
| | ├──3：词向量的作用.mp436.30M
| | ├──4：CBOW模型思想和计算过程.mp4100.16M
| | ├──5：Skip-gram模型思想和计算过程.mp433.22M
| | ├──6：Huffman树_分层Softmax的思想.mp466.25M
| | ├──7：分层Softmax应用到CBOW模型上.mp451.32M
| | ├──8：负采样和负采样应用到CBOW模型上.mp459.10M
| | ├──Word2Vec.pdf1.89M
| | └──资料.rar266.85kb
| ├──章节2：循环神经网络原理与优化
| | ├──10：理解RNN循环神经网络计算流程.mp429.89M
| | ├──11：利用RNN循环神经网络对MNIST手写数字识别.mp496.50M
| | ├──12：理解LSTM长短时记忆_记住Topo和公式.mp4104.74M
| | ├──13：VanillaRNN的回顾复习.mp472.42M
| | ├──14：补充讲一下为什么RNN中链越长越容易梯度消失.mp427.93M
| | ├──15：LSTM的回顾复习_LSTM手写数字识别.mp426.34M
| | ├──16：双向RNN_LSTM.mp430.10M
| | ├──17：RNN里面应用的Topology结构.mp415.66M
| | ├──9：理解RNN循环神经网络拓扑结构.mp474.60M
| | ├──RNN_Attention机制.pdf2.83M
| | ├──代码.rar1.69kb
| | └──资料.rar1.59M
| ├──章节3：从Attention机制到Transformer
| | ├──18：Seq2Seq中Attention注意力机制.mp440.01M
| | ├──19：Transformer_Self-Attention_Multi-head.mp479.27M
| | ├──20：Transformer_Positional_使用逻辑_网络结构总结.mp455.11M
| | └──资料.rar792.99kb
| └──章节4：ELMO_BERT_GPT
| | ├──21：ELMO.mp433.26M
| | ├──22：BERT理论.mp452.59M
| | ├──23：ERNIE_GPT.mp443.48M
| | └──RNN_Attention机制.pdf5.16M
├──2-人工智能基础-Python基础
| ├──章节1：Python开发环境搭建
| | ├──1：下载Miniconda运行环境.mp431.43M
| | ├──2：Miniconda安装和测试.mp436.65M
| | ├──3：Pycharm安装和代码运行.mp430.30M
| | ├──4：Jupyter安装和代码运行.mp424.93M
| | ├──5：Jupyter常用快捷键.mp420.74M
| | ├──6：Conda虚拟环境创建与Python模块安装.mp447.67M
| | ├──7：关联虚拟环境运行代码.mp426.33M
| | ├──代码.rar509.90kb
| | ├──人工智能-第1阶段Python基础.pdf9.37M
| | └──人工智能-第1阶段python进阶和高级编程.pdf7.52M
| └──章节2：Python基础语法
| | ├──10：Python_控制语句_多分支_三元条件运算符.mp421.40M
| | ├──11：Python_控制语句_while循环.mp416.33M
| | ├──12：Python_控制语句_for循环.mp418.69M
| | ├──13：Python_控制语句_嵌套循环.mp427.88M
| | ├──14：Python_控制语句_break_continue.mp416.40M
| | ├──15：Python_切片操作.mp430.53M
| | ├──16：Python_数据类型.mp420.89M
| | ├──17：Python_集合操作_列表.mp424.12M
| | ├──18：Python_集合操作_列表的基本操作.mp435.14M
| | ├──19：Python_集合操作_列表的常用方法.mp426.63M
| | ├──20：Python_集合操作_元组.mp429.10M
| | ├──21：Python_集合操作_字典和常见操作.mp425.78M
| | ├──22：Python_集合操作_字典keys方法_enumerate函数.mp418.08M
| | ├──23：Python_os模块_shutil模块.mp436.76M
| | ├──24：Python_打开并读取文件_中文编码问题.mp438.73M
| | ├──25：Python_函数_定义_调用_返回值_注释.mp418.24M
| | ├──26：Python_函数_局部变量_全局变量.mp423.51M
| | ├──27：Python_函数_默认参数_可变参数.mp418.08M
| | ├──28：Python_函数_递归.mp418.21M
| | ├──29：Python_函数式编程_高阶函数.mp417.72M
| | ├──30：Python_函数式编程_map_reduce_filter_匿名函数.mp426.95M
| | ├──31：Python_函数_闭包.mp427.50M
| | ├──32：Python_函数_装饰器.mp419.35M
| | ├──33：Python_类对象_定义与实例化对象.mp436.97M
| | ├──34：Python_类对象_实例属性和方法_类属性和方法.mp426.22M
| | ├──35：Python_类对象_内置方法.mp419.41M
| | ├──36：Python_类对象_运算符重载_私有对象方法_isinstance函数.mp426.23M
| | ├──37：Python_类对象_面向对象三大特性_类的继承.mp420.16M
| | ├──38：Python_类对象_子类复用父类构造器和方法_方法重写.mp420.80M
| | ├──8：Python是强类型的动态脚本语言.mp427.24M
| | └──新建文本文档.txt0.51kb
├──20-深度学习-NLP自然语言处理项目实战
| ├──章节1：词向量.zip438.10M
| ├──章节2：自然语言处理--情感分析.zip195.51M
| ├──章节3：AI写唐诗.zip335.02M
| ├──章节4：Seq2Seq聊天机器人.zip204.42M
| ├──章节5：实战NER命名实体识别项目.zip576.16M
| ├──章节6：BERT新浪新闻10分类项目.zip153.66M
| └──章节7：GPT2聊天机器人.zip49.97M
├──21-深度学习-OCR文本识别
| ├──章节1：深度学习-OCR文本识别
| | ├──10：CRNN项目代码剖析.mp4127.09M
| | ├──1：传统OCR识别_深度学习OCR识别.mp4130.35M
| | ├──2：OCR识别本质就是文字检测和文字识别.mp480.14M
| | ├──3：OCR识别的CTC损失思想.mp495.97M
| | ├──4：总结理解深度学习文字识别架构.mp434.82M
| | ├──5：CTC损失函数的理解.mp4130.28M
| | ├──6：CTC损失函数前向后向算法推导_梯度求导公式推导.mp485.55M
| | ├──7：CTC前向后向算法代码.mp486.61M
| | ├──8：GreedySearch和BeamSearch解码的方式与代码逻辑.mp4116.50M
| | └──9：CPTN项目代码剖析.mp4173.25M
| └──资料.rar478.63kb
├──22-【加课】Pytorch项目实战
| ├──章节1：PyTorch运行环境安装_运行环境测试
| | ├──1：PyTorch概述.mp426.68M
| | ├──2：PyTorch的安装.mp445.82M
| | ├──3：Pycharm关联PyTorch运行环境.mp424.05M
| | └──4：Jupyter关联PyTorch运行环境.mp428.00M
| ├──章节2：PyTorch基础_Tensor张量运算
| | ├──5：Tensor的创建.mp442.46M
| | ├──6：修改Tensor的形状_索引操作.mp456.60M
| | ├──7：广播机制_逐元素操作.mp433.46M
| | └──8：归并操作_比较操作_矩阵操作.mp444.69M
| ├──章节3：PyTorch卷积神经网络_实战CIFAR10
| | ├──10：PyTorch实战CIFAR10_构建网络_打印网络层次.mp438.93M
| | ├──11：PyTorch实战CIFAR10_训练模型_测试模型.mp433.52M
| | ├──12：PyTorch实战CIFAR10_分类别打印模型准确率.mp419.96M
| | ├──13：使用全局平均池化_使用LeNet模型.mp426.75M
| | ├──14：使用集成学习思想训练识别模型.mp453.93M
| | ├──15：使用VGG16模型提供准确率.mp433.36M
| | ├──16：torchvision里面的预训练模型.mp420.29M
| | ├──17：迁移学习_PyTorch代码实战冻结预训练模型参数.mp438.83M
| | ├──18：PyTorch代码实战加入数据增强.mp423.51M
| | └──9：PyTorch实战CIFAR10数据_读取和展示.mp458.50M
| ├──章节4：PyTorch循环神经网络_词性标注
| | ├──19：PyTorch词性标注_构建数据和词索引号.mp416.73M
| | ├──20：PyTorch词性标注_构建词嵌入层LSTM层和词性输出层.mp426.99M
| | ├──21：PyTorch词性标注_构建数据索引化和训练模型代码.mp427.13M
| | └──22：PyTorch词性标注_测试模型效果.mp47.79M
| ├──章节5：PyTorch编码器解码器_机器翻译
| | ├──23：PyTorch中英文翻译_规范化语料库_构建中英文词典索引.mp431.68M
| | ├──24：PyTorch中英文翻译_数据预处理.mp424.47M
| | ├──25：PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器.mp431.38M
| | ├──26：PyTorch中英文翻译_构建训练函数之Encoder计算.mp432.86M
| | ├──27：PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器.mp443.19M
| | ├──28：PyTorch中英文翻译_构建训练函数之Decoder计算.mp438.51M
| | ├──29：PyTorch中英文翻译_评估模型函数.mp434.24M
| | └──30：PyTorch中英文翻译_绘制Attentions注意力权重.mp420.90M
| ├──代码.rar307.66M
| └──资料.rar1.77M
├──23-【加课】百度飞桨PaddlePaddle实战【新增】
| ├──章节1：PaddlePaddle框架安装_波士顿房价预测
| | ├──代码
| | ├──数据
| | ├──1：安装PaddlePaddle.mp436.78M
| | ├──2：Pycharm运行出现mkl-service或DLL找不到的问题.mp428.20M
| | ├──3：PaddlePaddle求解线性模型.mp435.69M
| | ├──4：预测波士顿房价_数据读取_正向传播.mp438.02M
| | └──5：预测波士顿房价_反向传播_模型保存_模型测试.mp429.69M
| ├──章节2：PaddlePaddle卷积网络_病理性近视识别
| | ├──代码
| | ├──数据
| | ├──6：预测病理性近视_图片数据读取.mp445.51M
| | ├──7：预测病理性近视_模型训练.mp440.79M
| | ├──8：预测病理性近视_定义模型结构_评估模型.mp440.94M
| | └──9：预测病理性近视_调用经典卷积神经网络.mp466.30M
| ├──章节3：PaddleDetection工具_PCB电路板缺陷检测
| | ├──代码
| | ├──数据
| | ├──10：PaddleDetection_项目配置.mp442.15M
| | ├──11：安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题.mp431.06M
| | ├──12：PCB电路板缺陷检测_Images和Annotations.mp429.78M
| | ├──13：PCB电路板缺陷检测_前期数据的分析.mp456.00M
| | ├──14：PCB电路板缺陷检测_项目配置文件.mp427.19M
| | ├──15：PCB电路板缺陷检测_模型训练.mp443.75M
| | └──16：PCB电路板缺陷检测_模型预测.mp440.77M
| ├──章节4：PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
| | ├──代码
| | ├──数据
| | ├──17：PaddleOCR_项目配置_CCPD数据集介绍.mp447.41M
| | ├──18：车牌识别项目_详解数据准备阶段代码.mp428.74M
| | ├──19：车牌识别项目_运行保存标签和剪切出的车牌图片.mp437.24M
| | ├──20：车牌识别项目_车牌目标框检测模型训练.mp444.22M
| | ├──21：车牌识别项目_车牌字符识别模型训练.mp445.20M
| | └──22：车牌识别项目_车牌识别模型导出及预测.mp454.76M
| ├──章节5：PaddleNLP模块_物流信息提取（BiGRU+CRF）
| | ├──代码
| | ├──数据
| | ├──23：PaddleNLP_项目配置.mp430.95M
| | ├──24：PaddleNLP_物流信息提取项目介绍.mp432.52M
| | ├──25：物流信息提取项目_解决导包显示找不到nul问题.mp442.24M
| | ├──26：PaddleNLP_物流信息提取项目_加载数据构建DataSet.mp438.37M
| | ├──27：PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader.mp437.33M
| | ├──28：PaddleNLP_物流信息提取项目_构建网络模型.mp432.77M
| | ├──29：PaddleNLP_物流信息提取项目_模型训练.mp435.54M
| | └──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.mp452.26M
| └──章节6：PaddleNLP模块_物流信息提取（ERNIE版）
| | ├──代码
| | ├──数据
| | ├──31：PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset.mp434.07M
| | ├──32：PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用.mp439.06M
| | ├──33：PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码.mp434.17M
| | └──34：PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果.mp437.52M
├──24-【加课】Linux环境编程基础
| ├──章节1：Linux
| | ├──10：Linux_常用命令_clear-touch-cat命令.mp46.89M
| | ├──11：Linux_常用命令more-head-tail命令.mp411.72M
| | ├──12：Linux_常用命令_mkdir命令.mp47.45M
| | ├──13：Linux_常用命令_cp命令.mp410.71M
| | ├──14：Linux_常用命令_rm-mv命令.mp419.99M
| | ├──15：Linux_常用命令_vi-vim.mp422.87M
| | ├──16：Linux_常用命令_reboot-halt.mp44.01M
| | ├──17：Linux_常用配置_设置时区.mp418.89M
| | ├──18：Linux_常用配置_启动网络.mp411.23M
| | ├──19：Linux_常用配置_修改网段.mp48.26M
| | ├──1：Linux_课程介绍.mp42.94M
| | ├──20：Linux_常用配置_设置网络类型.mp418.91M
| | ├──21：Linux_常用配置_快照与克隆.mp410.71M
| | ├──22：Linux_Xshell的安装与使用.mp414.04M
| | ├──23：Linux_上传与下载_Xftp的使用.mp412.72M
| | ├──24：Linux_上传与下载_lrzsz工具.mp429.89M
| | ├──25：Linux_文件的压缩与解压缩处理.mp428.42M
| | ├──26：Linux_安装MySQL.mp450.88M
| | ├──2：Linux_Linux简介.mp413.02M
| | ├──3：Linux_VMWare安装及使用.mp413.61M
| | ├──4：Linux_安装Linux.mp425.93M
| | ├──5：Linux_目录介绍.mp413.26M
| | ├──6：Linux_Linux中的路径.mp413.01M
| | ├──7：Linux_常用命令_pwd命令.mp44.75M
| | ├──8：Linux_常用命令_cd命令.mp46.06M
| | └──9：Linux_常用命令_ls与ll命令.mp422.64M
| ├──软件.rar2.18G
| └──文档.rar2.78M
├──25-【加课】算法与数据结构
| ├──章节1：算法与数据结构
| | ├──10：哈希表的基本结构.mp426.07M
| | ├──11：哈希表冲突问题.mp436.73M
| | ├──12：哈希表冲突问题2.mp429.17M
| | ├──13：哈希扩容.mp442.01M
| | ├──14：递归与栈.mp423.21M
| | ├──15：线性查找.mp427.18M
| | ├──16：二分查找.mp425.23M
| | ├──17：冒泡排序.mp426.40M
| | ├──18：选择排序.mp422.72M
| | ├──19：插入排序.mp415.88M
| | ├──1：数据结构与算法简介.mp417.14M
| | ├──20：归并排序.mp440.52M
| | ├──21：快速排序.mp418.98M
| | ├──22：树结构.mp442.82M
| | ├──23：树结构的遍历.mp427.73M
| | ├──24：最大堆的增加操作.mp436.17M
| | ├──25：最大堆的删除操作.mp435.15M
| | ├──26：二叉树的查找.mp441.78M
| | ├──27：二叉树获取最小值.mp411.17M
| | ├──28：二叉树的添加.mp430.58M
| | ├──29：二叉树的删除.mp455.16M
| | ├──2：大O表示法.mp411.30M
| | ├──3：线性结构.mp424.16M
| | ├──4：单线链表1.mp427.69M
| | ├──5：单链表2.mp458.45M
| | ├──6：双链表.mp446.44M
| | ├──7：队列(链式).mp433.78M
| | ├──8：队列(线式).mp417.70M
| | └──9：栈与双端队列.mp413.04M
| └──资料.zip4.80M
├──3-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.mp430.31M
| | ├──2：Numpy_array_arange.mp423.58M
| | ├──3：Numpy_random随机数生成.mp435.82M
| | ├──4：Numpy_ndarray属性_zeros_ones_like等创建数组函数.mp432.61M
| | ├──5：NumPy_reshape_切片操作_copy函数.mp422.72M
| | ├──6：Numpy_改变数组维度_数组的拼接.mp430.41M
| | ├──7：Numpy_数组的切分和转置.mp419.20M
| | ├──8：Numpy_算术运算_向上向下取整.mp423.04M
| | ├──9：Numpy_聚合函数.mp415.34M
| | └──新建文本文档.txt0.36kb
| ├──章节2：数据可视化模块
| | ├──10：Matplotlib_概述_绘制直线图.mp428.66M
| | ├──11：Matplotlib_绘制正余弦曲线_散点图_添加图例.mp423.70M
| | ├──12：Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比.mp434.99M
| | ├──13：Matplotlib_绘制饼图_直方图_同时绘制多组数据分布.mp421.30M
| | ├──14：Matplotlib_绘制等高线图_绘制三维图像.mp424.38M
| | ├──1599293649514137.png18.62kb
| | ├──人工智能-第1阶段数据分析（含办公自动化分析）.pdf6.04M
| | └──新建文本文档.txt0.16kb
| └──章节3：数据处理分析模块Pandas
| | ├──15：Python_Pandas_Series对象创建.mp422.97M
| | ├──16：Python_Pandas_DataFrame对象创建.mp424.83M
| | ├──17：Python_Pandas_获取Series对象的值.mp415.53M
| | ├──18：Python_Pandas_获取DataFrame对象的值.mp418.86M
| | ├──19：Python_Pandas_条件过滤.mp417.29M
| | ├──20：Python_Pandas_空值的删除与填充.mp433.26M
| | ├──21：Python_Pandas_拼接和合并.mp427.92M
| | └──新建文本文档.txt0.37kb
├──4-人工智能基础-高等数学知识强化
| ├──10：高阶导数_导数判断单调性_导数与极值.mp415.31M
| ├──11：导数判断凹凸性_导数用于泰勒展开.mp431.51M
| ├──12：向量的意义_n维欧式空间空间.mp415.36M
| ├──13：行向量列向量_转置_数乘_加减乘除.mp414.18M
| ├──14：向量的内积_向量运算法则.mp414.39M
| ├──15：学习向量计算的用途举例.mp416.85M
| ├──16：向量的范数_范数与正则项的关系.mp423.53M
| ├──17：特殊的向量.mp419.39M
| ├──18：矩阵_方阵_对称阵_单位阵_对角阵.mp413.48M
| ├──19：矩阵的运算_加减法_转置.mp417.36M
| ├──1：人工智能学习数学的必要性_微积分知识点.mp418.98M
| ├──20：矩阵相乘.mp414.37M
| ├──21：矩阵的逆矩阵.mp427.59M
| ├──22：矩阵的行列式.mp414.62M
| ├──23：多元函数求偏导.mp416.35M
| ├──24：高阶偏导数_梯度.mp419.75M
| ├──25：雅可比矩阵_在神经网络中应用.mp426.05M
| ├──26：Hessian矩阵.mp422.56M
| ├──27：二次型.mp418.56M
| ├──28：补充关于正定负定的理解.mp413.08M
| ├──29：特征值和特征向量(1).mp419.46M
| ├──2：线性代数_概率论知识点.mp417.27M
| ├──30：特征值和特征向量(2).mp418.02M
| ├──31：特征值分解.mp426.19M
| ├──32：多元函数的泰勒展开_矩阵和向量的求导.mp430.51M
| ├──33：奇异值分解定义.mp416.39M
| ├──34：求解奇异值分解中的UΣV矩阵.mp434.06M
| ├──35：奇异值分解性质_数据压缩.mp423.37M
| ├──36：SVD用于PCA降维.mp417.59M
| ├──37：SVD用于协同过滤_求逆矩阵.mp423.78M
| ├──38：概率论_随机事件与随机事件概率.mp414.05M
| ├──39：条件概率_贝叶斯公式.mp421.98M
| ├──3：最优化知识_数学内容学习重点.mp425.92M
| ├──40：随机变量.mp417.18M
| ├──41：数学期望和方差.mp416.19M
| ├──42：常用随机变量服从的分布.mp414.65M
| ├──43：随机向量_独立性_协方差_随机向量的正太分布.mp422.96M
| ├──44：最大似然估计思想.mp416.64M
| ├──45：最优化的基本概念.mp423.97M
| ├──46：迭代求解的原因.mp413.00M
| ├──47：梯度下降法思路.mp419.43M
| ├──48：梯度下降法的推导.mp431.40M
| ├──49：牛顿法公式推导以及优缺点.mp430.05M
| ├──4：导数的定义_左导数和右导数.mp420.12M
| ├──50：坐标下降法_数值优化面临的问题.mp417.07M
| ├──51：凸集.mp414.04M
| ├──52：凸函数.mp412.36M
| ├──53：凸优化的性质_一般表达形式.mp414.83M
| ├──54：拉格朗日函数.mp419.75M
| ├──5：导数的几何意义和物理意义.mp410.23M
| ├──6：常见函数的求导公式.mp415.81M
| ├──7：导数求解的四则运算法则.mp418.97M
| ├──8：复合函数求导法则.mp411.80M
| ├──9：推导激活函数的导函数.mp423.55M
| └──数学.pdf1.50M
├──5-机器学习-线性回归
| ├──章节1：多元线性回归.rar1.12G
| ├──章节2：梯度下降法.rar260.99M
| ├──章节3：归一化.rar85.03M
| ├──章节4：正则化.rar106.94M
| └──章节5：Lasso回归_Ridge回归_多项式回归.rar204.99M
├──6-机器学习-线性分类
| ├──章节1：逻辑回归
| | ├──1.txt1.29kb
| | ├──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.mp417.82M
| | ├──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.mp416.91M
| | ├──12：对逻辑回归函数进行求导_结论在后面会用到.mp411.27M
| | ├──13：对逻辑回归的损失函数求导_推导出导函数的形式.mp421.29M
| | ├──14：实战逻辑回归对鸢尾花数据集进行二分类.mp417.80M
| | ├──15：OneVsRest将多分类问题转化成多个二分类问题.mp412.11M
| | ├──16：实战逻辑回归对鸢尾花数据集进行多分类.mp418.21M
| | ├──1：逻辑回归_Sigmoid函数.mp410.77M
| | ├──2：sigmoid函数作用.mp421.38M
| | ├──3：逻辑回归为什么用sigmoid函数_预备知识.mp418.67M
| | ├──4：证明伯努利分布是指数族分布_推导出逻辑回归公式.mp423.52M
| | ├──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.mp44.32M
| | ├──6：推导逻辑回归损失函数_得到总似然的公式.mp415.44M
| | ├──7：推导逻辑回归损失函数_得到最终形式.mp47.86M
| | ├──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.mp425.04M
| | ├──9：绘制逻辑回归损失函数_探索单个参数和损失的关系.mp414.09M
| | ├──代码.rar1.77kb
| | └──第五阶段_线性分类算法_逻辑回归和Softmax回归.pdf1.09M
| ├──章节2：Softmax回归
| | ├──1.txt0.80kb
| | ├──17：证明多项式分布属于指数族分布一种.mp414.69M
| | ├──18：从广义线性回归的η推导出来Softmax的公式.mp49.93M
| | ├──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.mp416.56M
| | ├──20：再次证明Softmax损失函数当K=2时就是逻辑回归损失函数.mp415.22M
| | ├──21：证明Softmax公式K=2的时候就是逻辑回归_平移不变性.mp47.59M
| | ├──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.mp421.46M
| | ├──23：实战音乐分类器_讲解需求和读取数据.mp414.08M
| | ├──24：实战音乐分类器_探索不同曲风音乐文件的时间频率图.mp420.22M
| | ├──25：实战音乐分类器_傅里叶变换可以帮助我们做什么.mp412.89M
| | ├──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.mp416.93M
| | ├──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.mp421.20M
| | ├──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.mp417.09M
| | ├──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.mp428.96M
| | ├──代码.rar47.89kb
| | └──数据.rar2.27G
| ├──章节3：SVM支持向量机算法
| | ├──1.txt0.20kb
| | ├──30：SVM与感知机关系_几何距离与函数距离.mp477.75M
| | ├──31：SVM的思想.mp435.92M
| | ├──32：几种SVM_SVM的损失函数.mp447.93M
| | ├──33：数学预备知识_拉格朗日函数.mp472.18M
| | ├──34：硬间隔SVM的两步优化.mp464.90M
| | ├──35：总结硬间隔SVM.mp423.26M
| | ├──36：软间隔SVM和总结流程.mp476.88M
| | ├──37：非线性SVM.mp436.92M
| | ├──38：SVM在sklearn中的使用_超参数.mp480.09M
| | ├──SVM算法.pdf2.52M
| | └──代码.rar1.05M
| └──章节4：SMO优化算法
| | ├──1.txt0.18kb
| | ├──39：SVM算法流程总结.mp431.72M
| | ├──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.mp435.52M
| | ├──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.mp432.64M
| | ├──42：对一元函数求极值点_推导出旧的α和新的α的关系.mp426.42M
| | ├──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.mp443.49M
| | ├──44：再次说明α2如何进行剪裁的思路_根据α2求α1.mp417.79M
| | ├──45：启发式选择两个α.mp49.69M
| | ├──46：如何计算阈值b.mp419.50M
| | ├──47：SVM的SMO实现读取数据和计算fx与Ei.mp444.00M
| | ├──48：SVM的SMO实现判断违背条件的α1.mp410.04M
| | ├──49：SVM的SMO实现应用公式计算alphas和b.mp412.39M
| | ├──50：SVM绘制已有数据点和超平面以及边界.mp49.50M
| | ├──51：关于sklearn中的SVM封装的类和超参.mp411.82M
| | ├──52：概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp441.38M
| | ├──53：OVR和OVO多分类_算法小结_对比逻辑回归.mp423.19M
| | └──代码.rar12.43kb
├──7-机器学习-无监督学习
| ├──章节1：聚类系列算法
| | ├──1.txt0.29kb
| | ├──1：KMeans聚类流程_距离测度欧式距离和余弦距离.mp491.95M
| | ├──2：距离测度欧式距离和余弦距离的场景_TFIDF.mp478.45M
| | ├──3：KMeans的一些变形_KMeans的损失函数推导及假设.mp486.59M
| | ├──4：mini-batchKMeans_Canopy聚类_聚类评估指标.mp4117.55M
| | ├──5：KMeans代码测试不同情况下的聚类效果.mp497.14M
| | ├──6：层次聚类_密度聚类_谱聚类.mp4156.60M
| | ├──代码.rar4.86kb
| | └──聚类.pdf2.74M
| ├──章节2：EM算法和GMM高斯混合模型
| | ├──1.txt0.32kb
| | ├──10：Jensen不等式的应用.mp489.01M
| | ├──11：将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp493.58M
| | ├──12：将EM算法应用到GMM中并且推导出Π的公式.mp426.97M
| | ├──13：GMM前景背景分离.mp413.42M
| | ├──14：通过声音文件利用GMM算法识别性别.mp4110.82M
| | ├──15：通过声音文件利用GMM算法识别是谁.mp439.78M
| | ├──7：单个高斯分布GM的参数估计.mp472.13M
| | ├──8：理解GMM高斯混合分布的对数似然函数.mp459.31M
| | ├──9：GMM参数估计Πμσ的流程.mp464.00M
| | ├──EM算法与GMM模型.pdf725.20kb
| | └──代码.rar466.39M
| └──章节3：PCA降维算法
| | ├──1.txt0.34kb
| | ├──16：特征选择与特征映射.mp440.62M
| | ├──17：PCA的最大投影方差思路.mp4114.37M
| | ├──18：最大投影方差推导_最小投影距离思路.mp493.97M
| | ├──19：SVD其实就可以去实现PCA了.mp478.15M
| | ├──20：PCA的几种应用.mp446.14M
| | └──PCA降维与SVD.pdf864.92kb
├──8-机器学习-决策树系列
| ├──章节1：决策树
| | ├──代码
| | ├──文档
| | ├──10：绘制决策树模型_寻找最优树深度.mp452.70M
| | ├──11：代码训练回归树拟合SineWave.mp441.17M
| | ├──12：后剪枝的意义.mp428.34M
| | ├──13：CCP代价复杂度后剪枝.mp470.84M
| | ├──14：CCP代价复杂度剪枝_α超参数设定.mp430.43M
| | ├──1：决策树模型的特点.mp435.91M
| | ├──2：决策树的数学表达.mp437.59M
| | ├──3：如何构建一颗决策树.mp433.06M
| | ├──4：什么是更好的一次划分.mp426.88M
| | ├──5：Gini系数.mp450.15M
| | ├──6：信息增益.mp435.50M
| | ├──7：熵与Gini系数关系_信息增益率.mp449.76M
| | ├──8：预剪枝以及相关超参数.mp467.97M
| | ├──9：代码实战决策树对鸢尾花数据集分类.mp440.63M
| | └──新建文本文档.txt0.31kb
| ├──章节2：集成学习和随机森林
| | ├──代码
| | ├──15：不同聚合方式_生成不同弱学习器方式.mp443.73M
| | ├──16：Bagging_Boosting_Stacking.mp432.60M
| | ├──17：随机森林.mp446.31M
| | ├──18：代码实战随机森林对鸢尾花数据集分类.mp449.29M
| | ├──19：OOB袋外数据.mp451.73M
| | ├──20：Adaboost算法思路.mp447.05M
| | ├──21：调整数据权重让权重正确率达到50%.mp436.07M
| | ├──22：Adaboost如何调整样本权重和求基模型权重.mp448.96M
| | └──新建文本文档.txt0.27kb
| ├──章节3：GBDT
| | ├──代码
| | ├──23：GBDT试图使用有监督最优化算法梯度下降求解F(x).mp431.81M
| | ├──24：GBDT令每个弱学习器f(x)去拟合负梯度.mp448.22M
| | ├──25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp443.04M
| | ├──26：GBDT应用于回归问题.mp447.06M
| | ├──27：GBDT回归举例_总结.mp445.61M
| | ├──28：GBDT应用于二分类问题.mp438.79M
| | ├──29：GBDT二分类拟合的负梯度依然是残差.mp446.07M
| | ├──30：GBDT中shrinkage学习率和最优树权重ρ可以共存.mp434.45M
| | ├──31：GBDT应用于多分类任务.mp434.19M
| | ├──32：GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp432.70M
| | ├──33：GBDT多分类流程.mp439.30M
| | ├──34：对比GBDT回归-二分类-多分类相同点与不同点.mp427.64M
| | ├──35：GBDT二分类叶子节点分值计算推导.mp440.66M
| | ├──36：GBDT多分类叶子节点分值计算.mp429.44M
| | ├──37：GBDT二分类举例详解.mp439.44M
| | ├──38：GBDT多分类举例详解.mp441.30M
| | ├──39：计算特征重要度进行特征选择.mp426.63M
| | ├──40：GBDT用于特征组合降维.mp423.37M
| | ├──41：特征组合降维在GBDT+LR架构应用.mp428.64M
| | ├──42：GBDT在sklearn中源码剖析_初始化F(x).mp443.21M
| | ├──43：GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp438.70M
| | ├──44：GBDT+LR架构训练模型代码实现.mp446.17M
| | ├──45：GBDT+LR架构预测评估代码实现.mp433.97M
| | └──新建文本文档.txt0.35kb
| └──章节4：XGBoost
| | ├──代码
| | ├──文档
| | ├──46：回顾有监督机器学习三要素.mp441.79M
| | ├──47：Bias_Variance_Trade-off.mp434.35M
| | ├──48：基于树集成学习4个优点.mp440.87M
| | ├──49：回顾基于树集成学习的模型和参数并举例说明.mp441.65M
| | ├──50：通过目标函数Obj来达到准确率和复杂度平衡.mp423.75M
| | ├──51：Objective_vs_Heuristic.mp431.42M
| | ├──52：得出XGBoost最开始的Obj目标函数.mp441.55M
| | ├──53：推导XGBoost对Loss二阶泰勒展开之后的Obj.mp425.79M
| | ├──54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp434.32M
| | ├──55：重新定义树ft和树的复杂度Ω.mp435.03M
| | ├──56：由每个叶子节点重组目标函数Obj.mp430.40M
| | ├──57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp431.91M
| | ├──58：根据Obj收益指导每一次分裂从而学习一棵树结构.mp446.89M
| | ├──59：举例说明从连续型和离散型变量中寻找最佳分裂条件.mp432.77M
| | ├──60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp431.76M
| | ├──61：样本权重对于模型学习的影响.mp427.69M
| | ├──62：总结XGBoost的特性_包括缺失值的处理策略.mp456.22M
| | └──新建文本文档.txt0.35kb
└──9-机器学习-概率图模型
| ├──章节1：贝叶斯分类
| | ├──1.txt0.35kb
| | ├──1：朴素贝叶斯分类算法.mp4116.02M
| | ├──2：TF-IDF.mp449.48M
| | ├──3：NB代码实现解析.mp499.88M
| | ├──4：sklearn中调用NB_顺便讲解了GridSearchCV.mp4101.39M
| | ├──5：语言模型的设计目的_MLE的作用进行参数估计.mp494.29M
| | ├──6：贝叶斯网络_马尔可夫链.mp431.66M
| | ├──NB_HMM.pdf826.78kb
| | └──代码.rar7.43kb
| ├──章节2：HMM算法
| | ├──1.txt0.44kb
| | ├──10：HMM预测问题使用维特比算法.mp426.13M
| | ├──11：HMM复习_明确概率计算问题要解决的目标.mp464.58M
| | ├──12：前向算法来解决概率计算问题.mp427.37M
| | ├──13：Viterbi算法案例详解.mp471.73M
| | ├──14：Viterbi算法代码实现.mp432.89M
| | ├──7：HMM隐马的定义.mp432.91M
| | ├──8：HMM隐马的三组参数_三个基本问题.mp456.04M
| | ├──9：HMM预测问题使用前向算法.mp435.98M
| | ├──代码.rar0.94kb
| | └──资料.rar26.48kb
| └──章节3：CRF算法
| | ├──1.txt0.27kb
| | ├──15：NER与分词和POS的关系_NER的标注策略_NER的主要方法.mp484.70M
| | ├──16：讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp440.03M
| | ├──17：了解CRF层添加的好处.mp462.99M
| | ├──18：EmissionScore_TransitionScore.mp451.67M
| | ├──19：CRF的目标函数.mp414.35M
| | ├──20：计算CRF真实路径的分数.mp444.34M
| | ├──21：计算CRF所有可能路径的总分数.mp486.35M
| | ├──22：通过模型来预测新的句子的序列标签.mp450.16M
| | └──CRF_NER.pdf1.17M
谢谢分享 111111111111111
111111111111111 强烈支持楼主ing…… 强烈支持楼主ing…… 感谢分享 666 66666666666666666666666666666666666 强烈支持楼主ing……