rk0636-2024路飞Python人工智能AI工程师【VIP】
——/2024路飞Python人工智能AI工程师/
├──第01模块：Python快速入门（新）
| ├──1.1 开篇：讲师和课程内容介绍.mp416.56M
| ├──1.2 开篇：授课模式须知.mp415.32M
| ├──1.3 开篇：学习方法的建议.mp414.98M
| ├──1.4 开篇：笔记和文档的编写.mp450.58M
| ├──1.5 开篇：写在最后.mp43.52M
| ├──10.1 Python环境配置.mp429.33M
| ├──10.10 字典基础定义.mp414.47M
| ├──10.11 字典的核心操作.mp420.90M
| ├──10.12 Set结构.mp419.91M
| ├──10.13 赋值机制.mp45.25M
| ├──10.14 判断结构.mp411.56M
| ├──10.15 循环结构.mp420.16M
| ├──10.16 函数定义.mp424.03M
| ├──10.17 模块与包.mp423.75M
| ├──10.18 异常处理模块.mp435.73M
| ├──10.19 文件操作.mp435.54M
| ├──10.2 Python库安装工具.mp428.50M
| ├──10.20 类的基本定义.mp423.51M
| ├──10.21 类的属性操作.mp425.40M
| ├──10.22 时间操作.mp412.63M
| ├──10.23 Python练习题-1.mp423.03M
| ├──10.24 Python练习题-2.mp435.47M
| ├──10.25 Python练习题-3.mp425.16M
| ├──10.3 Notebook工具使用.mp451.81M
| ├──10.4 Python简介.mp438.71M
| ├──10.5 Python数值运算.mp426.93M
| ├──10.6 Python字符串操作.mp424.67M
| ├──10.7 索引结构.mp416.80M
| ├──10.8 List基础结构.mp422.69M
| ├──10.9 List核心操作.mp423.67M
| ├──2.1 今日概要.mp46.25M
| ├──2.10 CPython解释器版本.mp48.49M
| ├──2.11 环境搭建说明.mp49.22M
| ├──2.12 python解释器的安装（mac系统）.mp454.36M
| ├──2.13 python解释器的安装（win系统）.mp465.47M
| ├──2.14 Pycharm使用和破解（mac系统）.mp432.03M
| ├──2.15 Pycharm使用和破解（win系统）.mp432.46M
| ├──2.16 今日总结.mp46.93M
| ├──2.17 今日作业.mp42.67M
| ├──2.18 作业答案和讲解.mp49.04M
| ├──2.2 课堂笔记的创建.mp46.61M
| ├──2.3 常见计算机基本概念.mp439.74M
| ├──2.4 编程语言.mp410.14M
| ├──2.5 编译器和解释器.mp417.33M
| ├──2.6 学习编程本质上的三件事.mp46.05M
| ├──2.7 编程语言的分类.mp414.69M
| ├──2.8 Python介绍.mp415.24M
| ├──2.9 Python解释器种类.mp418.50M
| ├──3.1 今日概要.mp41.85M
| ├──3.10 类型转换和数据类型相关练习题.mp424.61M
| ├──3.11 数据类型-练习题讲解.mp423.08M
| ├──3.12 变量及其命名规范.mp423.79M
| ├──3.13 变量的内存指向关系及其练习题.mp418.09M
| ├──3.14 注释.mp48.30M
| ├──3.15 输入.mp420.57M
| ├──3.16 基本条件语句.mp427.11M
| ├──3.17 基本条件语句-练习题讲解.mp411.59M
| ├──3.18 多条件判断.mp48.35M
| ├──3.19 条件嵌套.mp413.82M
| ├──3.2 编码.mp412.83M
| ├──3.20 今日总结和作业.mp45.36M
| ├──3.21 作业答案和讲解.mp417.58M
| ├──3.3 编程初体验.mp416.31M
| ├──3.4 print输出及练习题.mp415.47M
| ├──3.5 输出练习题讲解.mp47.41M
| ├──3.6 数据类型的引入.mp44.32M
| ├──3.7 整形.mp48.87M
| ├──3.8 字符串.mp418.56M
| ├──3.9 布尔类型.mp414.29M
| ├──4.1 今日概要new.mp42.47M
| ├──4.10 基于f字符串格式化.mp421.19M
| ├──4.11 运算符.mp421.15M
| ├──4.12 运算符：优先级.mp46.04M
| ├──4.13 运算符：面试题相关知识和练习题.mp417.02M
| ├──4.14 运算符：练习题讲解和面试题补充.mp425.24M
| ├──4.15 总结和今日作业.mp49.08M
| ├──4.16 作业题讲解.mp427.44M
| ├──4.2 while循环及案例讲解.mp425.54M
| ├──4.3 综合小案例以及阶段练习题.mp418.10M
| ├──4.4 练习题讲解.mp429.07M
| ├──4.5 break及示例讲解.mp412.90M
| ├──4.6 continue及示例讲解.mp415.55M
| ├──4.7 while_else语法.mp48.33M
| ├──4.8 基于%字符串格式化.mp429.26M
| ├──4.9 基于format字符串格式化及补充.mp415.87M
| ├──5.1 今日概要.mp44.27M
| ├──5.10 Python中的编码.mp412.81M
| ├──5.11 今日总结.mp415.59M
| ├──5.2 python代码的2种运行方式.mp410.30M
| ├──5.3 进制及相互之间的转换.mp427.36M
| ├──5.4 计算机中的单位.mp417.81M
| ├──5.5 单位相关练习题讲解.mp43.47M
| ├──5.6 ascii编码.mp413.56M
| ├──5.7 gbk编码.mp47.49M
| ├──5.8 unicode.mp440.60M
| ├──5.9 utf8编码.mp423.28M
| ├──6.1 数据类型概要.mp417.23M
| ├──6.10 字符串：类型转换.mp43.82M
| ├──6.11 字符串：不允许被修改.mp44.46M
| ├──6.12 今日总结和作业.mp49.36M
| ├──6.13 今日作业讲解.mp4114.14M
| ├──6.14 今日作业讲解.mp4102.42M
| ├──6.2 整型.mp429.03M
| ├──6.3 布尔类型.mp412.49M
| ├──6.4 字符串：独有功能（一）.mp441.64M
| ├──6.5 字符串：独有功能（三）.mp435.10M
| ├──6.6 字符串：独有功能（二）.mp440.45M
| ├──6.7 字符串：练习题和讲解.mp451.61M
| ├──6.8 字符串：公共功能（一）.mp432.46M
| ├──6.9 字符串：公共功能（二）.mp449.45M
| ├──7.1 今日概要.mp42.51M
| ├──7.10 元组：定义.mp412.85M
| ├──7.11 元组：公共功能.mp417.25M
| ├──7.12 元组：转换和嵌套.mp444.39M
| ├──7.13 元组：总结和作业.mp46.39M
| ├──7.14 作业讲解.mp418.11M
| ├──7.2 列表：定义.mp48.38M
| ├──7.3 列表：独有功能（一）.mp432.49M
| ├──7.4 列表：独有功能（二）.mp434.43M
| ├──7.5 列表：独有功能（三）.mp442.49M
| ├──7.6 列表：公共功能.mp458.21M
| ├──7.7 列表：类型转换.mp47.58M
| ├──7.8 列表：嵌套.mp421.38M
| ├──7.9 列表：阶段作业题讲解.mp472.39M
| ├──8.1 今日概要.mp43.09M
| ├──8.10 字典：定义.mp416.81M
| ├──8.11 字典：独有功能（一）.mp422.45M
| ├──8.12 字典：独有功能（二）.mp433.68M
| ├──8.13 字典：练习题和讲解.mp418.48M
| ├──8.14 字典：公共功能.mp428.87M
| ├──8.15 字典：转换和嵌套.mp422.63M
| ├──8.16 浮点型.mp46.17M
| ├──8.17 今日总结.mp49.61M
| ├──8.18 今日作业讲解.mp4102.69M
| ├──8.2 集合：定义.mp48.86M
| ├──8.3 集合：独有功能.mp412.49M
| ├──8.4 集合：公共功能.mp44.40M
| ├──8.5 集合：类型转换.mp44.84M
| ├──8.6 集合：内部存储原理.mp410.97M
| ├──8.7 集合：高效和嵌套.mp416.54M
| ├──8.8 集合：练习题和讲解.mp47.06M
| ├──8.9 None到底是个啥.mp48.34M
| ├──9.1 今日概要.mp43.70M
| ├──9.2 七条代码规范.mp429.63M
| ├──9.3 补充：pass的作用？.mp42.91M
| ├──9.4 补充：is和==的区别？.mp44.08M
| ├──9.5 补充：位运算到底是干啥的？.mp426.12M
| ├──9.6 阶段思维导图.mp44.56M
| ├──9.7 第一阶段考试题.mp43.83M
| └──9.8 第一阶段考试题（答案讲解）.mp492.00M
├──第02模块：Python数据科学必备工具包实战（新）
| ├──1-numpy（新）
| | ├──1.1 Anaconda简介及安装.mp466.48M
| | ├──1.10 routines函数（二）.mp420.34M
| | ├──1.11 routines函数（三）.mp430.19M
| | ├──1.12 routines函数练习.mp419.35M
| | ├──1.13 ndarray的读写操作.mp445.73M
| | ├──1.14 ndarray读写练习.mp413.80M
| | ├──1.15 ndarray级联concatenate.mp435.42M
| | ├──1.16 ndarray的拆分.mp415.95M
| | ├──1.17 ndarray拆分练习.mp419.53M
| | ├──1.18 ndarray的基本运算.mp411.62M
| | ├──1.19 广播机制.mp428.93M
| | ├──1.2 jupyter_notebook启动.mp429.98M
| | ├──1.20 ndarray运算练习.mp49.15M
| | ├──1.21 ndarray的聚合函数.mp434.13M
| | ├──1.22 ndarray综合练习.mp439.94M
| | ├──1.23 ndarray的append和insert.mp426.56M
| | ├──1.24 ndarray的delete、扁平处理、变形和翻转.mp432.05M
| | ├──1.25 numpy的数学函数和算数函数.mp425.44M
| | ├──1.26 numpy查找和排序.mp423.88M
| | ├──1.3 jupyter_notebook单元格基本状态.mp421.57M
| | ├──1.4 单元格的常用操作.mp49.71M
| | ├──1.5 单元格运行与帮助文档.mp417.14M
| | ├──1.6 IPython魔法指令和输入输出历史.mp450.35M
| | ├──1.7 ndarray的属性及输出方法.mp417.55M
| | ├──1.8 ndarray的元素类型统一.mp429.49M
| | └──1.9 routines函数（一）.mp419.22M
| ├──2-pandas（新）
| | ├──2.1 pandas简介.mp49.49M
| | ├──2.10 DataFrame运算（一）.mp436.35M
| | ├──2.11 DataFrame运算（二）.mp424.02M
| | ├──2.12 pandas对象的显示访问和隐式访问.mp419.80M
| | ├──2.13 pandas对象的loc访问详解.mp439.25M
| | ├──2.14 pandas对象iloc访问详解.mp412.82M
| | ├──2.15 pandas对象访问的注意事项.mp418.40M
| | ├──2.16 pandas高级查找.mp443.36M
| | ├──2.17 pandas聚合操作.mp423.17M
| | ├──2.18 pandas对象习题讲解.mp444.82M
| | ├──2.19 pandas单层索引.mp429.97M
| | ├──2.2 Series对象的基本构造及注意事项.mp439.38M
| | ├──2.20 pandas多层索引.mp437.38M
| | ├──2.21 多层索引的访问.mp433.11M
| | ├──2.22 stack和unstack操作.mp415.44M
| | ├──2.23 pandas数据类型练习.mp440.25M
| | ├──2.24 csv文件和txt文件的读取.mp434.36M
| | ├──2.25 pandasIO操作.mp423.49M
| | ├──2.26 常用数据探索方法.mp420.50M
| | ├──2.27 python空类型和numy空类型.mp431.22M
| | ├──2.28 pandas空值查找.mp430.50M
| | ├──2.29 pandas空值批量填充.mp436.10M
| | ├──2.3 Series高级构造函数.mp413.70M
| | ├──2.30 空值过滤.mp425.83M
| | ├──2.31 异常值处理.mp444.92M
| | ├──2.32 离群点检测和过滤.mp433.50M
| | ├──2.33 重复值处理.mp425.28M
| | ├──2.34 排序和随机抽样.mp412.42M
| | ├──2.35 pandas索引操作.mp414.55M
| | ├──2.36 rename操作.mp411.44M
| | ├──2.37 replace替换.mp434.55M
| | ├──2.38 map处理精确匹配模糊匹配.mp438.24M
| | ├──2.39 pandas级联.mp463.64M
| | ├──2.4 Series的重要属性.mp412.98M
| | ├──2.40 合并的基本逻辑和注意事项.mp411.24M
| | ├──2.41 合并参数left,right,how.mp463.91M
| | ├──2.42 -合并参数left_on,right_on,on.mp442.19M
| | ├──2.43 groupby分组.mp434.48M
| | ├──2.44 交叉表和透视表.mp414.76M
| | ├──2.5 Series的运算.mp421.04M
| | ├──2.6 DataFrame结构理解.mp418.59M
| | ├──2.7 DataFrame的基础构造方法.mp423.93M
| | ├──2.8 DataFrame的其他构造方法.mp417.75M
| | └──2.9 DataFrame的重要属性.mp49.22M
| ├──3-matplotlib绘图 (新)
| | ├──71课时matplotlib绘图-图像组成.mp424.48M
| | ├──72课时matplotlib绘图-画板画布和就近原则.mp453.13M
| | ├──73课时matplotlib绘图-网格设置.mp416.82M
| | ├──74课时matplotlib绘图-刻度界限.mp423.98M
| | ├──75课时matplotlib绘图-刻度值和刻度标签.mp427.08M
| | ├──76课时matplotlib绘图-轴标题和画布标题.mp413.26M
| | ├──77课时matplotlib绘图-图例设置.mp462.48M
| | ├──78课时matplotlib绘图-图像保存.mp424.25M
| | ├──79课时matplotlib绘图-画板注释信息和画板标题.mp431.88M
| | ├──80课时matplotlib绘图-画板注释信息和箭头注释.mp431.38M
| | ├──81课时matplotlib绘图-颜色处理.mp438.05M
| | ├──82课时matplotlib绘图-透明度和图像读取.mp432.20M
| | ├──83课时matplotlib绘图-线型和点型设置.mp433.99M
| | ├──84课时matplotlib绘图-其他设置方式补充.mp420.88M
| | ├──85课时2D图像绘制-线型图.mp439.72M
| | ├──86课时2D图像绘制-散点图.mp464.85M
| | ├──87课时2D图像绘制-直方图.mp446.84M
| | ├──88课时2D图像绘制-直方图bins的用法补充.mp414.28M
| | ├──89课时2D图像绘制-条形图.mp436.06M
| | ├──90课时2D图像绘制-极坐表条形图.mp432.14M
| | ├──91课时2D图像绘制-雷达图.mp444.92M
| | ├──92课时2D图像绘制-饼图.mp422.06M
| | ├──93课时2D图像绘制-箱线图.mp458.51M
| | └──94课时matplotlib全局设置.mp431.07M
| ├──4-seaborn可视化（新）
| | ├──100课时seaborn默认的配色方案.mp415.63M
| | ├──101课时seaborn分类调色板.mp430.96M
| | ├──102课时调色板工具和自定义调色板.mp416.22M
| | ├──103课时连续调色板配色方案.mp417.38M
| | ├──104课时对称调色板及配色方案总结.mp424.00M
| | ├──105课时seaborn玩具数据加载.mp411.85M
| | ├──106课时seaborn条形图绘制.mp434.28M
| | ├──107课时seaborn条形图多分组技巧.mp445.51M
| | ├──108课时scatterplot散点图.mp444.80M
| | ├──109课时离散字段和连续字段的可视化方案.mp419.87M
| | ├──110课时heatmap热力图.mp432.72M
| | ├──111课时regplot和lmplot线性回归.mp410.88M
| | ├──112课时单变量分布图像和组合图像.mp428.17M
| | ├──113课时多分组可视化实现方案.mp421.67M
| | ├──95课时seaborn默认风格设置.mp421.65M
| | ├──96课时seaborn画布风格设置.mp422.36M
| | ├──97课时seaborn边框配置.mp418.02M
| | ├──98课时seaborn文字线条设置.mp423.21M
| | └──99课时matplotlib调色板作用及定制.mp436.46M
| ├──5-科学计算库-Numpy
| | ├──5.1 Numpy概述.mp419.00M
| | ├──5.10 四则运算.mp418.09M
| | ├──5.11 随机模块.mp431.22M
| | ├──5.12 文件读写.mp421.28M
| | ├──5.13 数组保存.mp428.75M
| | ├──5.14 练习题1.mp431.83M
| | ├──5.15 练习题2.mp428.46M
| | ├──5.16 练习题3.mp439.22M
| | ├──5.2 Array数组.mp419.74M
| | ├──5.3 数组结构.mp440.51M
| | ├──5.4 数组类型.mp413.82M
| | ├──5.5 数值运算.mp428.57M
| | ├──5.6 排序操作.mp423.69M
| | ├──5.7 数组形状操作.mp436.32M
| | ├──5.8 数组生成函数.mp428.54M
| | └──5.9 常用生成函数.mp416.51M
| ├──6-数据分析处理库-Pandas
| | ├──6.1 Pandas概述.mp436.04M
| | ├──6.10 数据透视表.mp432.62M
| | ├──6.11 时间操作.mp426.12M
| | ├──6.12 时间序列操作.mp435.23M
| | ├──6.13 Pandas常用操作.mp430.31M
| | ├──6.14 Pandas常用操作2.mp428.85M
| | ├──6.15 Groupby操作延伸.mp447.78M
| | ├──6.16 字符串操作.mp418.33M
| | ├──6.17 索引进阶.mp422.67M
| | ├──6.18 Pandas绘图操作.mp441.54M
| | ├──6.19 大数据处理技巧.mp467.77M
| | ├──6.2 Pandas基本操作.mp445.31M
| | ├──6.3 Pandas索引.mp440.42M
| | ├──6.4 groupby操作.mp424.42M
| | ├──6.5 数值运算.mp432.55M
| | ├──6.6 对象操作.mp426.30M
| | ├──6.7 对象操作2.mp426.84M
| | ├──6.8 merge操作.mp429.37M
| | └──6.9 显示设置.mp418.64M
| ├──7-可视化库-Matplotlib
| | ├──7.1 Matplotlib概述.mp428.47M
| | ├──7.10 绘图细节设置2.mp432.27M
| | ├──7.11 直方图与散点图.mp437.68M
| | ├──7.12 3D图绘制.mp452.92M
| | ├──7.13 pie图.mp432.03M
| | ├──7.14 子图布局.mp446.73M
| | ├──7.15 结合pandas与sklearn.mp436.93M
| | ├──7.2 子图与标注.mp451.92M
| | ├──7.3 风格设置.mp412.97M
| | ├──7.4 条形图.mp428.08M
| | ├──7.5 条形图细节.mp428.84M
| | ├──7.6 条形图外观.mp430.75M
| | ├──7.7 盒图绘制.mp418.24M
| | ├──7.8 盒图细节.mp432.97M
| | └──7.9 绘图细节设置.mp430.02M
| └──8-可视化库-Seaborn
| | ├──8.1 课程简介.mp45.34M
| | ├──8.10 Facetgrid使用方法.mp419.25M
| | ├──8.11 Facetgrid绘制多变量.mp426.92M
| | ├──8.12 热度图绘制.mp440.24M
| | ├──8.2 整体布局风格设置.mp423.99M
| | ├──8.3 风格细节设置.mp424.86M
| | ├──8.4 调色板.mp422.06M
| | ├──8.5 调色板颜色设置.mp419.86M
| | ├──8.6 单变量分析绘图.mp424.78M
| | ├──8.7 回归分析绘图.mp426.57M
| | ├──8.8 多变量分析绘图.mp424.87M
| | └──8.9 分类属性绘图.mp426.86M
├──第03模块：人工智能-必备数学课程（新）
| ├──1.1 课程简介.mp46.56M
| ├──1.2 函数.mp48.80M
| ├──1.3 极限.mp411.64M
| ├──1.4 无穷小与无穷大.mp410.90M
| ├──1.5 连续性与导数.mp415.10M
| ├──1.6 偏导数.mp411.69M
| ├──1.7 方向导数.mp414.29M
| ├──1.8 梯度.mp421.72M
| ├──10.1 熵的概念.mp47.74M
| ├──10.2 熵的大小意味着什么.mp425.61M
| ├──10.3 激活函数.mp410.48M
| ├──10.4 激活函数的问题.mp416.52M
| ├──11.1 回归分析概述.mp416.10M
| ├──11.10 高阶与分类变量实例.mp443.81M
| ├──11.11 案例：汽车价格预测任务概述.mp430.21M
| ├──11.12 案例：缺失值填充.mp469.46M
| ├──11.13 案例：特征相关性.mp474.02M
| ├──11.14 案例：预处理问题.mp429.78M
| ├──11.15 案例：回归求解.mp455.10M
| ├──11.2 回归方程定义.mp412.10M
| ├──11.3 误差项的定义.mp421.13M
| ├──11.4 最小二乘法推导与求解.mp426.93M
| ├──11.5 回归方程求解小例子.mp417.71M
| ├──11.6 回归直线拟合优度.mp431.32M
| ├──11.7 多元与曲线回归问题.mp426.86M
| ├──11.8 Python工具包介绍.mp431.71M
| ├──11.9 statsmodels回归分析.mp426.24M
| ├──12.1 假设检验基本思想.mp425.42M
| ├──12.10 Python假设检验实例.mp442.48M
| ├──12.11 Python卡方检验实例.mp419.38M
| ├──12.2 左右侧检验与双侧检验.mp434.18M
| ├──12.3 Z检验基本原理.mp413.59M
| ├──12.4 Z检验实例.mp443.03M
| ├──12.5 T检验基本原理.mp439.37M
| ├──12.6 T检验实例.mp417.69M
| ├──12.7 T检验应用条件.mp419.70M
| ├──12.8 卡方检验.mp437.50M
| ├──12.9 假设检验中的两类错误.mp434.70M
| ├──13.1 相关分析概述.mp419.96M
| ├──13.2 皮尔森相关系数.mp418.49M
| ├──13.3 计算与检验.mp448.09M
| ├──13.4 斯皮尔曼等级相关.mp443.20M
| ├──13.5 肯德尔系数.mp421.44M
| ├──13.6 质量相关分析.mp437.11M
| ├──13.7 偏相关与复相关.mp428.71M
| ├──14.1 方差分析概述.mp414.51M
| ├──14.2 方差的比较.mp432.94M
| ├──14.3 方差分析计算方法.mp442.41M
| ├──14.4 方差分析中的多重比较.mp422.20M
| ├──14.5 多因素方差分析.mp430.76M
| ├──14.6 Python方差分析实例.mp422.79M
| ├──15.1 层次聚类概述.mp413.95M
| ├──15.10 多种聚类算法概述.mp46.98M
| ├──15.11 聚类案例实战.mp460.80M
| ├──15.2 层次聚类流程.mp436.19M
| ├──15.3 层次聚类实例.mp441.70M
| ├──15.4 KMEANS算法概述.mp418.63M
| ├──15.5 KMEANS工作流程.mp414.71M
| ├──15.6 KMEANS迭代可视化展示.mp425.54M
| ├──15.7 DBSCAN聚类算法.mp418.84M
| ├──15.8 DBSCAN工作流程.mp427.52M
| ├──15.9 DBSCAN可视化展示.mp424.00M
| ├──16.1 贝叶斯分析概述.mp417.99M
| ├──16.10 MCMC概述.mp432.52M
| ├──16.11 PYMC3概述.mp418.90M
| ├──16.12 模型诊断.mp431.11M
| ├──16.13 模型决策.mp445.21M
| ├──16.2 概率的解释.mp417.69M
| ├──16.3 贝叶斯学派与经典统计学派的争论.mp416.24M
| ├──16.4 贝叶斯算法概述.mp411.22M
| ├──16.5 贝叶斯推导实例.mp412.20M
| ├──16.6 贝叶斯拼写纠错实例.mp418.29M
| ├──16.7 垃圾邮件过滤实例.mp422.44M
| ├──16.8 贝叶斯解释.mp429.56M
| ├──16.9 经典求解思路.mp427.76M
| ├──2.1 微积分基本想法.mp410.36M
| ├──2.2 微积分的解释.mp413.37M
| ├──2.3 定积分.mp414.16M
| ├──2.4 定积分性质.mp48.83M
| ├──2.5 牛顿.莱布尼茨公式.mp421.12M
| ├──3.1 泰勒公式出发点.mp49.90M
| ├──3.2 一点一世界.mp416.13M
| ├──3.3 阶数的作用.mp413.77M
| ├──3.4 阶乘的作用.mp411.01M
| ├──3.5 拉格朗日乘子法.mp418.84M
| ├──3.6 求解拉格朗日乘子法.mp418.76M
| ├──4.1 行列式概述.mp49.38M
| ├──4.2 矩阵与数据的关系.mp415.05M
| ├──4.3 矩阵基本操作.mp419.97M
| ├──4.4 矩阵的几种变换.mp49.09M
| ├──4.5 矩阵的秩.mp421.42M
| ├──4.6 内积与正交.mp420.31M
| ├──5.1 特征值与特征向量.mp411.97M
| ├──5.2 特征空间与应用.mp47.62M
| ├──5.3 SVD要解决的问题.mp411.55M
| ├──5.4 特征值分解.mp49.22M
| ├──5.5 SVD矩阵分解.mp421.96M
| ├──6.1 离散型随机变量.mp412.66M
| ├──6.2 连续型随机变量.mp418.00M
| ├──6.3 简单随机抽样.mp43.84M
| ├──6.4 似然函数.mp412.27M
| ├──6.5 极大似然估计.mp417.65M
| ├──7.1 概率与频率.mp411.14M
| ├──7.10 期望求解.mp415.19M
| ├──7.11 马尔科夫不等式.mp414.64M
| ├──7.12 切比雪夫不等式.mp421.07M
| ├──7.13 后验概率估计.mp417.20M
| ├──7.14 贝叶斯拼写纠错实例.mp418.35M
| ├──7.15 垃圾邮件过滤实例.mp422.52M
| ├──7.2 古典概型.mp411.13M
| ├──7.3 条件概率.mp414.42M
| ├──7.4 条件概率小例子.mp410.43M
| ├──7.5 独立性.mp413.15M
| ├──7.6 二维离散型随机变量.mp414.13M
| ├──7.7 二维连续型随机变量.mp410.18M
| ├──7.8 边缘分布.mp418.07M
| ├──7.9 期望.mp47.80M
| ├──8.1 正太分布.mp460.64M
| ├──8.2 二项式分布.mp438.10M
| ├──8.3 泊松分布.mp453.43M
| ├──8.4 均匀分布.mp48.83M
| ├──8.5 卡方分布.mp423.83M
| ├──8.6 beta分布.mp446.30M
| ├──9.1 核函数的目的.mp411.25M
| ├──9.2 线性核函数.mp48.88M
| ├──9.3 多项式核函数.mp46.88M
| ├──9.4 核函数实例.mp416.05M
| ├──9.5 高斯核函数.mp414.78M
| └──9.6 参数的影响.mp415.69M
├──第04模块：机器学习算法精讲及其案例应用（新）
| ├──1.1 课程简介.mp423.43M
| ├──1.10 线性回归整体模块概述.mp49.99M
| ├──1.100 决策边界展示分析.mp430.54M
| ├──1.101 树模型预剪枝参数作用.mp429.93M
| ├──1.102 回归树模型.mp430.28M
| ├──1.103 随机森林算法原理.mp420.61M
| ├──1.104 随机森林优势与特征重要性指标.mp418.50M
| ├──1.105 提升算法概述.mp416.13M
| ├──1.106 stacking堆叠模型.mp413.44M
| ├──1.107 构建实验数据集.mp412.30M
| ├──1.108 硬投票与软投票效果对比.mp448.04M
| ├──1.109 Bagging策略效果.mp428.99M
| ├──1.11 初始化步骤.mp416.26M
| ├──1.110 集成效果展示分析.mp433.10M
| ├──1.111 OOB袋外数据的作用.mp412.30M
| ├──1.112 特征重要性热度图展示.mp437.42M
| ├──1.113 Adaboost算法概述.mp48.15M
| ├──1.114 Adaboost决策边界效果.mp444.05M
| ├──1.115 GBDT提升算法流程.mp417.31M
| ├──1.116 集成参数对比分析.mp463.54M
| ├──1.117 模型提前停止策略.mp421.36M
| ├──1.118 停止方案实施.mp438.02M
| ├──1.119 堆叠模型.mp416.52M
| ├──1.12 实现梯度下降优化模块.mp425.34M
| ├──1.120 支持向量机要解决的问题.mp413.97M
| ├──1.121 距离与数据定义.mp414.61M
| ├──1.122 目标函数推导.mp418.06M
| ├──1.123 拉格朗日乘子法求解.mp415.19M
| ├──1.124 化简最终目标函数.mp411.75M
| ├──1.125 求解决策方程.mp422.74M
| ├──1.126 软间隔优化.mp424.81M
| ├──1.127 核函数的作用.mp422.34M
| ├──1.128 知识点总结.mp419.11M
| ├──1.129 支持向量机所能带来的效果.mp419.26M
| ├──1.13 损失与预测模块.mp431.11M
| ├──1.130 决策边界可视化展示.mp426.29M
| ├──1.131 软间隔的作用.mp424.69M
| ├──1.132 非线性SVM.mp418.04M
| ├──1.133 核函数的作用与效果.mp449.38M
| ├──1.134 深度学习要解决的问题.mp414.69M
| ├──1.135 深度学习应用领域.mp436.63M
| ├──1.136 计算机视觉任务.mp412.62M
| ├──1.137 视觉任务中遇到的问题.mp422.38M
| ├──1.138 得分函数.mp413.38M
| ├──1.139 损失函数的作用.mp421.35M
| ├──1.14 数据与标签定义.mp427.93M
| ├──1.140 前向传播整体流程.mp427.60M
| ├──1.141 返向传播计算方法.mp418.49M
| ├──1.142 神经网络整体架构.mp421.02M
| ├──1.143 神经网络架构细节.mp424.35M
| ├──1.144 神经元个数对结果的影响.mp463.53M
| ├──1.145 正则化与激活函数.mp420.11M
| ├──1.146 神经网络过拟合解决方法.mp427.35M
| ├──1.147 神经网络整体框架概述.mp415.41M
| ├──1.148 参数初始化操作.mp429.14M
| ├──1.149 矩阵向量转换.mp422.45M
| ├──1.15 训练线性回归模型.mp429.23M
| ├──1.150 向量反变换.mp424.26M
| ├──1.151 完成前向传播模块.mp424.91M
| ├──1.152 损失函数定义.mp424.15M
| ├──1.153 准备反向传播迭代.mp420.60M
| ├──1.154 差异项计算.mp427.28M
| ├──1.155 逐层计算.mp426.72M
| ├──1.156 完成全部迭代更新模块.mp447.26M
| ├──1.157 手写字体识别数据集.mp426.91M
| ├──1.158 算法代码错误修正.mp436.78M
| ├──1.159 模型优化结果展示.mp436.16M
| ├──1.16 得到线性回归方程.mp422.34M
| ├──1.160 测试效果可视化展示.mp444.28M
| ├──1.161 贝叶斯要解决的问题.mp49.68M
| ├──1.162 贝叶斯公式推导.mp413.78M
| ├──1.163 拼写纠错实例.mp422.07M
| ├──1.164 垃圾邮件过滤实例.mp419.30M
| ├──1.165 朴素贝叶斯算法整体框架.mp412.65M
| ├──1.166 邮件数据读取.mp411.25M
| ├──1.167 预料表与特征向量构建.mp423.14M
| ├──1.168 分类别统计词频.mp421.02M
| ├──1.169 贝叶斯公式对数变换.mp420.24M
| ├──1.17 整体流程debug解读.mp421.83M
| ├──1.170 完成预测模块.mp423.53M
| ├──1.171 关联规则概述.mp415.68M
| ├──1.172 支持度与置信度.mp421.80M
| ├──1.173 提升度的作用.mp427.52M
| ├──1.174 Python实战关联规则.mp425.98M
| ├──1.175 数据集制作.mp425.64M
| ├──1.176 电影数据集题材关联分析.mp440.61M
| ├──1.177 Apripri算法整体流程.mp423.33M
| ├──1.178 数据集demo.mp48.30M
| ├──1.179 扫描模块.mp416.05M
| ├──1.18 多特征回归模型.mp438.78M
| ├──1.180 拼接模块.mp414.39M
| ├──1.181 挖掘频繁项集.mp418.09M
| ├──1.182 规则生成模块.mp417.13M
| ├──1.183 完成全部算法流程.mp419.58M
| ├──1.184 规则结果展示.mp420.38M
| ├──1.185 词向量模型通俗解释.mp415.43M
| ├──1.186 模型整体框架.mp421.30M
| ├──1.187 训练数据构建.mp412.18M
| ├──1.188 CBOW与Skip.gram模型.mp418.35M
| ├──1.189 负采样方案.mp421.98M
| ├──1.19 非线性回归.mp431.53M
| ├──1.190 数据与任务流程.mp431.49M
| ├──1.191 数据清洗.mp419.43M
| ├──1.192 batch数据制作.mp434.24M
| ├──1.193 网络训练.mp433.93M
| ├──1.194 可视化展示.mp428.62M
| ├──1.195 推荐系统应用.mp418.80M
| ├──1.196 推荐系统要完成的任务.mp410.35M
| ├──1.197 相似度计算.mp416.40M
| ├──1.198 基于用户的协同过滤.mp414.44M
| ├──1.199 基于物品的协同过滤.mp422.05M
| ├──1.2 回归问题概述.mp413.75M
| ├──1.20 Sklearn工具包简介.mp422.80M
| ├──1.200 隐语义模型.mp411.59M
| ├──1.201 隐语义模型求解.mp415.47M
| ├──1.202 模型评估标准.mp410.77M
| ├──1.203 音乐推荐任务概述.mp450.77M
| ├──1.204 数据集整合.mp439.97M
| ├──1.205 基于物品的协同过滤.mp443.49M
| ├──1.206 物品相似度计算与推荐.mp446.48M
| ├──1.207 SVD矩阵分解.mp444.93M
| ├──1.208 基于矩阵分解的音乐推荐~1.mp455.60M
| ├──1.209 线性判别分析要解决的问题.mp419.84M
| ├──1.21 数据集切分.mp419.97M
| ├──1.210 线性判别分析要优化的目标.mp419.10M
| ├──1.211 线性判别分析求解.mp420.21M
| ├──1.212 实现线性判别分析进行降维任务.mp428.35M
| ├──1.213 求解得出降维结果.mp427.92M
| ├──1.214 PCA基本概念.mp434.38M
| ├──1.215 PCA降维实例.mp445.80M
| ├──1.216 PCA结果推导.mp423.55M
| ├──1.217 方差与协方差.mp418.11M
| ├──1.218 马尔科夫模型.mp412.81M
| ├──1.219 隐马尔科夫模型基本出发点.mp413.35M
| ├──1.22 交叉验证的作用.mp428.06M
| ├──1.220 组成与要解决的问题.mp410.76M
| ├──1.221 暴力求解方法.mp418.17M
| ├──1.222 复杂度计算.mp410.86M
| ├──1.223 前向算法.mp424.78M
| ├──1.224 前向算法求解实例.mp424.27M
| ├──1.225 Baum.Welch算法.mp418.59M
| ├──1.226 参数求解.mp412.11M
| ├──1.227 维特比算法.mp430.93M
| ├──1.228 hmmlearn工具包.mp414.76M
| ├──1.229 工具包使用方法.mp444.75M
| ├──1.23 交叉验证实验分析.mp444.93M
| ├──1.230 中文分词任务.mp49.81M
| ├──1.231 实现中文分词.mp424.88M
| ├──1.24 混淆矩阵.mp415.56M
| ├──1.25 评估指标对比分析.mp436.82M
| ├──1.26 阈值对结果的影响.mp428.14M
| ├──1.27 ROC曲线.mp422.61M
| ├──1.28 实验目标分析.mp414.36M
| ├──1.29 参数直接求解方法.mp418.03M
| ├──1.3 误差项定义.mp418.86M
| ├──1.30 预处理对结果的影响.mp435.72M
| ├──1.31 梯度下降模块.mp414.50M
| ├──1.32 学习率对结果的影响.mp422.27M
| ├──1.33 随机梯度下降得到的效果.mp431.75M
| ├──1.34 MiniBatch方法.mp421.68M
| ├──1.35 不同策略效果对比.mp422.22M
| ├──1.36 多项式回归.mp426.16M
| ├──1.37 模型复杂度.mp445.42M
| ├──1.38 样本数量对结果的影响.mp442.42M
| ├──1.39 正则化的作用.mp422.49M
| ├──1.4 独立同分布的意义.mp416.26M
| ├──1.40 岭回归与lasso.mp459.88M
| ├──1.41 实验总结.mp440.28M
| ├──1.42 逻辑回归算法原理.mp416.15M
| ├──1.43 化简与求解.mp419.78M
| ├──1.44 多分类逻辑回归整体思路.mp414.61M
| ├──1.45 训练模块功能.mp427.31M
| ├──1.46 完成预测模块.mp423.85M
| ├──1.47 优化目标定义.mp423.56M
| ├──1.48 迭代优化参数.mp431.74M
| ├──1.49 梯度计算.mp429.39M
| ├──1.5 似然函数的作用.mp420.95M
| ├──1.50 得出最终结果.mp435.56M
| ├──1.51 鸢尾花数据集多分类任务.mp417.98M
| ├──1.52 训练多分类模型.mp430.20M
| ├──1.53 准备测试数据.mp425.30M
| ├──1.54 决策边界绘制.mp433.95M
| ├──1.55 非线性决策边界.mp414.46M
| ├──1.56 逻辑回归实验概述.mp440.11M
| ├──1.57 概率结果随特征数值的变化.mp430.57M
| ├──1.58 可视化展示.mp424.45M
| ├──1.59 坐标棋盘制作.mp424.99M
| ├──1.6 参数求解.mp422.42M
| ├──1.60 分类决策边界展示分析.mp441.51M
| ├──1.61 多分类.softmax.mp440.69M
| ├──1.62 KMEANS算法概述.mp418.57M
| ├──1.63 KMEANS工作流程.mp414.60M
| ├──1.64 KMEANS迭代可视化展示.mp425.55M
| ├──1.65 DBSCAN聚类算法.mp418.84M
| ├──1.66 DBSCAN工作流程.mp427.68M
| ├──1.67 DBSCAN可视化展示.mp424.02M
| ├──1.68 Kmeans算法模块概述.mp46.69M
| ├──1.69 计算得到簇中心点.mp416.57M
| ├──1.7 梯度下降通俗解释.mp415.14M
| ├──1.70 样本点归属划分.mp417.08M
| ├──1.71 算法迭代更新.mp417.30M
| ├──1.72 鸢尾花数据集聚类任务.mp421.48M
| ├──1.73 聚类效果展示.mp434.48M
| ├──1.74 Kmenas算法常用操作.mp429.07M
| ├──1.75 聚类结果展示.mp413.74M
| ├──1.76 建模流程解读.mp434.21M
| ├──1.77 不稳定结果.mp412.90M
| ├──1.78 评估指标.Inertia.mp432.28M
| ├──1.79 如何找到合适的K值.mp423.61M
| ├──1.8 参数更新方法.mp417.07M
| ├──1.80 轮廓系数的作用.mp429.70M
| ├──1.81 Kmenas算法存在的问题.mp422.21M
| ├──1.82 半监督学习.mp436.37M
| ├──1.83 DBSCAN算法.mp435.76M
| ├──1.84 决策树算法概述.mp416.89M
| ├──1.85 熵的作用.mp414.40M
| ├──1.86 信息增益原理.mp418.64M
| ├──1.87 决策树构造实例.mp416.52M
| ├──1.88 信息增益率与gini系数.mp412.49M
| ├──1.89 预剪枝方法.mp416.64M
| ├──1.9 优化参数设置.mp418.32M
| ├──1.90 后剪枝方法.mp415.52M
| ├──1.91 回归问题解决.mp412.49M
| ├──1.92 整体模块概述.mp47.60M
| ├──1.93 递归生成树节点.mp418.81M
| ├──1.94 整体框架逻辑.mp413.42M
| ├──1.95 熵值计算.mp425.64M
| ├──1.96 数据集切分.mp417.95M
| ├──1.97 完成树模型构建.mp417.86M
| ├──1.98 测试算法效果.mp415.50M
| └──1.99 树模型可视化展示.mp422.50M
├──第05模块：机器学习算法建模实战项目（新）
| ├──1.1 任务目标解读.mp423.14M
| ├──1.10 混淆矩阵评估分析.mp438.32M
| ├──1.11 测试集遇到的问题.mp415.13M
| ├──1.12 阈值对结果的影响.mp425.67M
| ├──1.13 SMOTE样本生成策略.mp417.99M
| ├──1.14 过采样效果与项目总结.mp427.63M
| ├──1.2 项目挑战与解决方案制定.mp431.31M
| ├──1.3 数据标准化处理.mp433.46M
| ├──1.4 下采样数据集制作.mp415.36M
| ├──1.5 交叉验证.mp417.03M
| ├──1.6 数据集切分.mp416.01M
| ├──1.7 模型评估方法与召回率.mp421.84M
| ├──1.8 正则化惩罚项.mp423.36M
| ├──1.9 训练逻辑回归模型.mp449.47M
| ├──2.1 基于随机森林的气温预测任务概述.mp430.59M
| ├──2.2 基本随机森林模型建立.mp430.68M
| ├──2.3 可视化展示与特征重要性.mp456.18M
| ├──2.4 加入新的数据与特征.mp436.57M
| ├──2.5 数据与特征对结果的影响.mp431.37M
| ├──2.6 效率对比分析.mp435.15M
| ├──2.7 网格与随机参数选择.mp424.89M
| ├──2.8 随机参数选择方法实践.mp429.37M
| ├──2.9 调参优化细节.mp434.61M
| ├──3.1 新闻数据与任务概述.mp417.49M
| ├──3.2 中文分词与停用词过滤.mp424.59M
| ├──3.3 文本关键词提取.mp448.51M
| ├──3.4 词袋模型.mp431.66M
| ├──3.5 贝叶斯建模结果.mp432.95M
| ├──3.6 TF_IDF特征分析对比.mp431.46M
| ├──4.1 音乐推荐任务概述.mp450.70M
| ├──4.2 数据集整合.mp439.99M
| ├──4.3 基于物品的协同过滤.mp443.73M
| ├──4.4 物品相似度计算与推荐.mp446.67M
| ├──4.5 SVD矩阵分解.mp444.91M
| ├──4.6-基于矩阵分解的音乐推荐.mp455.79M
| ├──5.1 fbprophet股价预测任务概述.mp453.99M
| ├──5.2 时间序列分析.mp451.86M
| ├──5.3 fbprophet时间序列预测实例.mp458.45M
| ├──5.4 亚马逊股价趋势.mp441.18M
| ├──5.5 突变点调参.mp462.88M
| ├──6.1 项目与数据介绍.mp453.44M
| ├──6.10 行为特征.mp433.26M
| ├──6.11 累积行为特征.mp454.94M
| ├──6.12 Xgboost模型.mp427.23M
| ├──6.2 数据挖掘流程.mp437.59M
| ├──6.3 数据检查.mp432.05M
| ├──6.4 构建用户特征表单.mp460.62M
| ├──6.5 构建商品特征表单.mp446.69M
| ├──6.6 数据探索概述.mp421.42M
| ├──6.7 购买因素分析.mp433.40M
| ├──6.8 特征工程.mp431.64M
| └──6.9 基本特征构造.mp450.94M
├──第06模块：机器学习案例实战应用集锦（新）
| ├──1.1 关联规则概述.mp415.68M
| ├──1.2 支持度与置信度.mp421.89M
| ├──1.3 提升度的作用.mp427.37M
| ├──1.4 Python实战关联规则.mp425.98M
| ├──1.5 数据集制作.mp425.66M
| ├──1.6 电影数据集题材关联分析.mp440.92M
| ├──10.1 数据与任务介绍.mp423.32M
| ├──10.10 序列化执行预处理操作.mp433.72M
| ├──10.11 完成所有预处理操作.mp436.54M
| ├──10.12 构建回归模型.mp445.49M
| ├──10.2 数据分析与可视化展示.mp424.18M
| ├──10.3 连续值离散化与可视化细节.mp435.84M
| ├──10.4 加载数据坐标到实际地图中进行分析.mp453.43M
| ├──10.5 特征相关性分析.mp443.45M
| ├──10.6 缺失值填充.mp415.94M
| ├──10.7 sklearn工具包预处理模块.mp443.68M
| ├──10.8 离散属性特征处理.mp426.19M
| ├──10.9 构建合适的特征.mp437.88M
| ├──11.1 数据任务介绍及缺失值处理.mp433.48M
| ├──11.10 结果评估.mp464.95M
| ├──11.11 必杀神奇：lightgbm.mp466.84M
| ├──11.2 EDA数据探索分析.mp427.70M
| ├──11.3 特征展示分析.mp423.96M
| ├──11.4 KDEPLOT展示.mp425.14M
| ├──11.5 部分特征分析与可视化.mp436.34M
| ├──11.6 数据检查与特征工程.mp447.37M
| ├──11.7 多项式特征.mp432.41M
| ├──11.8 自定义特征.mp419.82M
| ├──11.9 逻辑回归模型.mp448.93M
| ├──12.1 数据与任务流程分析.mp428.42M
| ├──12.2 图片数据导入.mp425.67M
| ├──12.3 图像特征编码.mp425.78M
| ├──12.4 数组保存与读取.mp419.85M
| ├──12.5 得出聚类结果.mp426.51M
| ├──12.6 聚类效果可视化展示.mp455.85M
| ├──2.1 数据与任务分析.mp437.61M
| ├──2.2 提取月份信息进行统计分析.mp420.38M
| ├──2.3 房价随星期变化的可视化展示.mp435.65M
| ├──2.4 房屋信息指标分析.mp459.63M
| ├──2.5 提取房屋常见设施.mp449.51M
| ├──2.6 房屋规格热度图分析.mp440.81M
| ├──2.7 预处理与建模准备.mp443.39M
| ├──2.8 随机森林与LightGBM.mp433.41M
| ├──2.9 训练与评估.mp452.91M
| ├──3.1 数据与任务介绍.mp417.81M
| ├──3.2 文本词频统计.mp424.94M
| ├──3.3 ngram结果可视化展示.mp441.58M
| ├──3.4 文本清洗.mp426.11M
| ├──3.5 相似度计算.mp435.30M
| ├──3.6 得出推荐结果.mp443.93M
| ├──4.1 数据任务分析.mp446.83M
| ├──4.2 特征工程制作.mp442.03M
| ├──4.3 统计指标生成.mp441.07M
| ├──4.4 特征信息提取.mp462.81M
| ├──4.5 标签变换.mp432.98M
| ├──4.6 输入数据制作.mp421.71M
| ├──4.7 Xgboost训练模型.mp421.40M
| ├──4.8 生成输出结果.mp452.19M
| ├──5.1 数据与任务简介.mp431.52M
| ├──5.2 数据问题探索与解决方案.mp442.17M
| ├──5.3 剔除开挂数据.mp430.38M
| ├──5.4 类别变量处理.mp422.00M
| ├──5.5 绘图统计分析.mp431.68M
| ├──5.6 热度图展示.mp427.04M
| ├──5.7 随机森林建模.mp425.45M
| ├──5.8 特征重要性.mp442.27M
| ├──6.1 模型解释方法与实践.mp437.13M
| ├──6.2 部分依赖图解释.mp416.94M
| ├──6.3 双变量分析.mp420.77M
| ├──6.4 ShapValues指标分析.mp447.04M
| ├──6.5 疾病引起原因分析实战.mp444.37M
| ├──7.1 Python字符串处理.mp431.86M
| ├──7.10 名字实体匹配.mp417.09M
| ├──7.11 恐怖袭击分析.mp433.03M
| ├──7.12 统计分析结果.mp437.32M
| ├──7.13 结巴分词器.mp422.69M
| ├──7.14 词云展示.mp471.31M
| ├──7.2 正则常用符号.mp430.06M
| ├──7.3 正则表达式基本语法.mp426.06M
| ├──7.4 常用函数介绍.mp430.82M
| ├──7.5 NLTK工具包简介.mp424.16M
| ├──7.6 停用词过滤.mp421.10M
| ├──7.7 词性标注.mp428.52M
| ├──7.8 数据清洗实例.mp435.30M
| ├──7.9 Spacy工具包.mp435.65M
| ├──8.1 词向量模型通俗解释.mp416.70M
| ├──8.2 模型整体框架.mp423.06M
| ├──8.3 训练数据构建.mp413.24M
| ├──8.4 CBOW与Skip_gram模型.mp419.76M
| ├──8.5 负采样方案.mp423.57M
| ├──9.1 任务概述.mp429.88M
| ├──9.2 词袋模型.mp422.75M
| ├──9.3 词袋模型分析.mp451.77M
| ├──9.4 TFIDF模型.mp435.28M
| ├──9.5 word2vec词向量模型.mp440.56M
| └──9.6 深度学习模型.mp430.81M
├──第06模块：深度学习框架-Tensorflow2版本实战（旧）
| ├──1.1 课程简介.mp42.89M
| ├──1.2 Tensorflow2版本简介与心得.mp422.85M
| ├──1.3 Tensorflow2版本安装方法.mp434.18M
| ├──1.4 tf基础操作.mp417.19M
| ├──10.1 任务目标与数据介绍.mp421.14M
| ├──10.2 RNN模型输入数据维度解读.mp412.50M
| ├──10.3 数据映射表制作.mp429.87M
| ├──10.4 embedding层向量制作.mp442.45M
| ├──10.5 数据生成器构造.mp427.56M
| ├──10.6 双向RNN模型定义.mp414.72M
| ├──10.7 自定义网络模型架构.mp437.80M
| ├──10.8 训练策略指定.mp420.68M
| ├──10.9 训练文本分类模型.mp423.87M
| ├──11.1 CNN应用于文本任务原理解析.mp417.31M
| ├──11.2 整体流程解读.mp415.61M
| ├──11.3 网络架构设计与训练.mp430.63M
| ├──12.1 任务目标与数据源.mp412.63M
| ├──12.2 构建时间序列数据.mp419.27M
| ├──12.3 训练时间序列数据预测结果.mp426.45M
| ├──12.4 多特征预测结果.mp421.39M
| ├──12.5 序列结果预测.mp415.62M
| ├──13.1 BERT课程简介.mp417.88M
| ├──13.10 BERT模型训练方法.mp415.25M
| ├──13.11 训练实例.mp416.84M
| ├──13.2 BERT任务目标概述.mp48.52M
| ├──13.3 传统解决方案遇到的问题.mp417.46M
| ├──13.4 注意力机制的作用.mp411.15M
| ├──13.5 self.attention计算方法.mp418.20M
| ├──13.6 特征分配与softmax机制.mp415.73M
| ├──13.7 Multi.head的作用.mp414.75M
| ├──13.8 位置编码与多层堆叠.mp412.10M
| ├──13.9 transformer整体架构梳理.mp417.22M
| ├──14.1 BERT开源项目简介.mp429.19M
| ├──14.10 构建QKV矩阵.mp432.78M
| ├──14.11 完成Transformer模块构建.mp426.12M
| ├──14.12 训练BERT模型.mp434.36M
| ├──14.2 项目参数配置.mp462.23M
| ├──14.3 数据读取模块.mp433.04M
| ├──14.4 数据预处理模块.mp425.36M
| ├──14.5 tfrecord制作.mp432.49M
| ├──14.6 Embedding层的作用.mp419.34M
| ├──14.7 加入额外编码特征.mp427.04M
| ├──14.8 加入位置编码特征.mp414.72M
| ├──14.9 mask机制.mp422.44M
| ├──15.1 对抗生成网络通俗解释.mp414.22M
| ├──15.2 GAN网络组成.mp48.32M
| ├──15.3 DCGAN网络架构与流程解读.mp411.93M
| ├──15.4 网络架构设计.mp423.88M
| ├──15.5 损失函数定义与训练.mp433.04M
| ├──16.1 CycleGan网络所需数据.mp420.82M
| ├──16.10 判别网络模块构造.mp412.78M
| ├──16.11 损失函数：identity loss计算方法.mp423.59M
| ├──16.12 生成与判别损失函数指定.mp435.12M
| ├──16.13 额外补充：VISDOM可视化配置.mp422.46M
| ├──16.2 CycleGan整体网络架构.mp416.10M
| ├──16.3 PatchGan判别网络原理.mp48.27M
| ├──16.4 数据与环境配置.mp435.01M
| ├──16.5 生成与判别器损失函数定义.mp420.97M
| ├──16.6 整体损失模块解读.mp438.44M
| ├──16.7 Cycle开源项目简介.mp432.80M
| ├──16.8 数据读取与预处理操作.mp435.01M
| ├──16.9 生成网络模块构造.mp431.36M
| ├──17.1 额外补充.Resnet论文解读.mp465.98M
| ├──17.2 额外补充.Resnet网络架构解读.mp413.98M
| ├──17.3 项目结构概述.mp414.30M
| ├──17.4 数据集处理方法.mp418.01M
| ├──17.5 训练数据构建.mp417.36M
| ├──17.6 网络架构层次解读.mp422.38M
| ├──17.7 前向传播配置.mp424.14M
| ├──17.8 训练resnet模型.mp420.06M
| ├──2.1 深度学习要解决的问题.mp414.41M
| ├──2.10 神经网络架构细节.mp423.74M
| ├──2.11 神经元个数对结果的影响.mp459.38M
| ├──2.12 正则化与激活函数.mp419.79M
| ├──2.13 神经网络过拟合解决方法.mp425.71M
| ├──2.2 深度学习应用领域.mp436.04M
| ├──2.3 计算机视觉任务.mp412.35M
| ├──2.4 视觉任务中遇到的问题.mp421.66M
| ├──2.5 得分函数.mp413.06M
| ├──2.6 损失函数的作用.mp420.94M
| ├──2.7 前向传播整体流程.mp426.87M
| ├──2.8 返向传播计算方法.mp417.68M
| ├──2.9 神经网络整体架构.mp420.67M
| ├──3.1 任务目标与数据集简介.mp424.37M
| ├──3.2 建模流程与API文档.mp419.87M
| ├──3.3 网络模型训练.mp421.53M
| ├──3.4 模型超参数调节与预测结果展示.mp438.06M
| ├──3.5 分类模型构建.mp439.39M
| ├──3.6 tf.data模块解读.mp422.38M
| ├──3.7 模型保存与读取实例.mp449.55M
| ├──4.1 卷积神经网络应用领域.mp414.81M
| ├──4.10 VGG网络架构.mp412.82M
| ├──4.11 残差网络Resnet.mp413.26M
| ├──4.12 感受野的作用.mp411.31M
| ├──4.2 卷积的作用.mp416.74M
| ├──4.3 卷积特征值计算方法.mp415.21M
| ├──4.4 得到特征图表示.mp413.38M
| ├──4.5 步长与卷积核大小对结果的影响.mp414.67M
| ├──4.6 边缘填充方法.mp412.57M
| ├──4.7 特征图尺寸计算与参数共享.mp414.79M
| ├──4.8 池化层的作用.mp48.73M
| ├──4.9 整体网络架构.mp411.84M
| ├──5.1 猫狗识别任务与数据简介.mp415.16M
| ├──5.2 卷积网络涉及参数解读.mp420.07M
| ├──5.3 网络架构配置.mp419.89M
| ├──5.4 卷积模型训练与识别效果展示.mp432.15M
| ├──6.1 数据增强概述.mp432.84M
| ├──6.2 图像数据变换.mp472.08M
| ├──6.3 猫狗识别任务数据增强实例.mp422.45M
| ├──7.1 迁移学习的目标.mp49.06M
| ├──7.2 迁移学习策略.mp411.64M
| ├──7.3 Resnet原理.mp480.66M
| ├──7.4 加载训练好的经典网络模型.mp424.92M
| ├──7.5 Callback模块与迁移学习实例.mp437.59M
| ├──7.6 tfrecords数据源制作方法.mp426.99M
| ├──7.7 图像数据处理实例.mp431.50M
| ├──8.1 RNN网络架构解读.mp417.64M
| ├──8.2 词向量模型通俗解释.mp415.37M
| ├──8.3 模型整体框架.mp421.24M
| ├──8.4 训练数据构建.mp412.20M
| ├──8.5 CBOW与Skip.gram模型.mp418.40M
| ├──8.6 负采样方案.mp422.01M
| ├──9.1 任务流程解读.mp412.08M
| ├──9.2 模型定义参数设置.mp411.77M
| ├──9.3 文本词预处理操作.mp413.08M
| ├──9.4 训练batch数据制作.mp429.46M
| └──9.5 损失函数定义与训练结果展示.mp429.46M
├──第07模块：机器学习竞赛优胜解决方案实战（新）
| ├──1.1 课程简介.mp416.25M
| ├──1.2 任务目标与数据分析..mp422.71M
| ├──1.3 整体模型架构.mp412.46M
| ├──1.4 构建用户特征序列.mp426.88M
| ├──1.5 序列特征提取方法.mp422.40M
| ├──1.6 生成特征汇总表.mp426.83M
| ├──1.7 标签制作.mp415.99M
| ├──1.8 网络训练模块.mp429.88M
| ├──1.9 得出最终模型结果.mp424.08M
| ├──10.1 任务概述.mp48.72M
| ├──10.2 处理流程与数据简介.mp439.36M
| ├──10.3 数据处理.mp433.80M
| ├──10.4 单变量绘图分析.mp417.86M
| ├──10.5 离群点剔除.mp429.72M
| ├──10.6 变量与结果的关系.mp429.39M
| ├──10.7 多变量展示.mp444.46M
| ├──10.8 特征工程.mp444.20M
| ├──11.1 dataleakage问题.mp444.18M
| ├──11.2 基础模型对比.mp445.69M
| ├──11.3 选择参数.mp449.48M
| ├──11.4 测试模型.mp436.34M
| ├──11.5 模型解释.mp431.38M
| ├──11.6 模型分析.mp464.50M
| ├──2.1 数据任务概述.mp419.42M
| ├──2.2 数据异常检查.mp443.36M
| ├──2.3 时间特征提取.mp440.51M
| ├──2.4 各道工序特征构建.mp447.57M
| ├──2.5 准备训练数据.mp431.79M
| ├──2.6 训练xgboost模型.mp437.94M
| ├──3.1 数据与任务目标分析.mp419.53M
| ├──3.2 数据清洗与标签转换.mp419.02M
| ├──3.3 道路通行时间序列数据生成.mp426.86M
| ├──3.4 序列缺失补全方法.mp425.52M
| ├──3.5 基于回归与插值完成序列特征.mp436.27M
| ├──3.6 基于回归与插值进行序列补全.mp422.85M
| ├──3.7 特征汇总.mp434.32M
| ├──3.8 建立回归模型进行预测.mp432.70M
| ├──4.1 竞赛与目标分析.mp420.27M
| ├──4.2 模型解释方法与实践.mp434.19M
| ├──4.3 特征对比分析方法.mp436.26M
| ├──4.4 部分依赖图解释.mp416.07M
| ├──4.5 结果对比分析.mp440.04M
| ├──4.6 双变量分析.mp419.99M
| ├──4.7 ShapValues指标分析.mp444.47M
| ├──4.8 疾病引起原因分析实战.mp441.69M
| ├──5.1 数据与任务介绍.mp415.43M
| ├──5.2 整体模型架构.mp410.82M
| ├──5.3 数据、标签、语料库处理.mp425.75M
| ├──5.4 输入样本填充补齐.mp424.18M
| ├──5.5 训练网络模型.mp426.90M
| ├──5.6 医疗数据集（糖尿病）实体识别.mp462.70M
| ├──6.1 竞赛任务目标.mp415.97M
| ├──6.2 图模型信息提取.mp420.59M
| ├──6.3 节点权重特征提取(PageRank).mp424.46M
| ├──6.4 deepwalk构建图顶点特征.mp435.83M
| ├──6.5 各项统计特征.mp435.15M
| ├──6.6 app安装特征.mp428.38M
| ├──6.7 图中联系人特征.mp447.83M
| ├──7.1 任务目标与数据集介绍.mp433.42M
| ├──7.2 数据清洗与预处理.mp437.47M
| ├──7.3 基本特征抽取.mp441.98M
| ├──7.4 文章与词向量分析.mp448.48M
| ├──7.5 权重划分.mp430.51M
| ├──7.6 候选词统计特征.mp422.08M
| ├──7.7 textrank特征提取.mp419.87M
| ├──7.8 候选词相似度特征.mp412.89M
| ├──7.9 特征工程汇总.mp447.25M
| ├──8.1 基本数值特征.mp438.87M
| ├──8.2 常用特征构造手段.mp441.74M
| ├──8.3 时间特征处理.mp444.88M
| ├──8.4 文本特征处理.mp482.64M
| ├──8.5 构造文本向量.mp439.47M
| ├──8.6 词向量特征.mp455.23M
| ├──8.7 计算机眼中的图像.mp418.59M
| ├──9.1 任务与解决框架概述.mp439.28M
| ├──9.2 特征工程分析与特征提取.mp465.76M
| ├──9.3 离散数据处理.mp448.86M
| ├──9.4 统计与文本特征.mp443.49M
| ├──9.5 文本特征构建.mp454.04M
| ├──9.6 构建低敏用户模型.mp450.23M
| └──9.7 高敏模型概述.mp441.00M
├──第07模块：深度学习框架-PyTorch项目实战（旧）
| ├──1.1 PyTorch实战课程简介.mp415.77M
| ├──1.2 PyTorch框架发展趋势简介.mp416.95M
| ├──1.3 框架安装方法（CPU与GPU版本）.mp412.61M
| ├──1.4 PyTorch基本操作简介.mp419.34M
| ├──1.5 自动求导机制.mp425.88M
| ├──1.6 线性回归DEMO.数据与参数配置.mp417.01M
| ├──1.7 线性回归DEMO.训练回归模型.mp428.21M
| ├──1.8 常见tensor格式.mp415.06M
| ├──1.9 Hub模块简介.mp440.59M
| ├──10.1 OCR文字识别要完成的任务.mp413.74M
| ├──10.2 CTPN文字检测网络概述.mp412.96M
| ├──10.3 序列网络的作用.mp415.42M
| ├──10.4 输出结果含义解析.mp411.72M
| ├──10.5 CTPN细节概述.mp415.40M
| ├──10.6 CRNN识别网络架构.mp410.58M
| ├──10.7 CTC模块的作用.mp47.25M
| ├──11.1 OCR文字检测识别项目效果展示.mp411.09M
| ├──11.2 训练数据准备与环境配置.mp419.55M
| ├──11.3 检测模块候选框生成.mp420.64M
| ├──11.4 候选框标签制作.mp420.74M
| ├──11.5 整体网络所需模块.mp413.45M
| ├──11.6 网络架构各模块完成的任务解读.mp419.67M
| ├──11.7 CRNN识别模块所需数据与标签.mp412.64M
| ├──11.8 识别模块网络架构解读.mp426.57M
| ├──12.1 3D卷积原理解读.mp415.03M
| ├──12.2 UCF101动作识别数据集简介.mp431.45M
| ├──12.3 测试效果与项目配置.mp435.80M
| ├──12.4 视频数据预处理方法.mp419.94M
| ├──12.5 数据Batch制作方法.mp430.32M
| ├──12.6 3D卷积网络所涉及模块.mp424.11M
| ├──12.7 训练网络模型.mp426.14M
| ├──13.1 BERT课程简介.mp417.80M
| ├──13.10 BERT模型训练方法.mp415.25M
| ├──13.11 训练实例.mp416.79M
| ├──13.2 BERT任务目标概述.mp48.47M
| ├──13.3 传统解决方案遇到的问题.mp417.28M
| ├──13.4 注意力机制的作用.mp411.23M
| ├──13.5 selfattention计算方法.mp418.19M
| ├──13.6 特征分配与softmax机制.mp415.73M
| ├──13.7 Multihead的作用.mp414.90M
| ├──13.8 位置编码与多层堆叠.mp412.37M
| ├──13.9 transformer整体架构梳理.mp417.12M
| ├──14.1 BERT开源项目简介.mp428.73M
| ├──14.10 构建QKV矩阵.mp432.84M
| ├──14.11 完成Transformer模块构建.mp426.04M
| ├──14.12 训练BERT模型.mp434.57M
| ├──14.2 项目参数配置.mp462.23M
| ├──14.3 数据读取模块.mp432.95M
| ├──14.4 数据预处理模块.mp425.32M
| ├──14.5 tfrecord制作.mp432.53M
| ├──14.6 Embedding层的作用.mp419.34M
| ├──14.7 加入额外编码特征.mp427.02M
| ├──14.8 加入位置编码特征.mp414.74M
| ├──14.9 mask机制.mp422.44M
| ├──15.1 项目配置与环境概述.mp416.86M
| ├──15.2 数据读取与预处理.mp414.47M
| ├──15.3 网络结构定义.mp419.12M
| ├──15.4 训练网络模型.mp425.04M
| ├──16.1 项目模板各模块概述.mp424.25M
| ├──16.2 各模块配置参数解析.mp424.36M
| ├──16.3 数据读取与预处理模块功能解读.mp430.90M
| ├──16.4 模型架构模块.mp419.39M
| ├──16.5 训练模块功能.mp430.79M
| ├──16.6 训练结果可视化展示模块.mp423.09M
| ├──16.7 模块应用与BenckMark解读.mp439.16M
| ├──2.1 气温数据集与任务介绍.mp421.47M
| ├──2.2 按建模顺序构建完成网络架构.mp427.47M
| ├──2.3 简化代码训练网络模型.mp432.30M
| ├──2.4 分类任务概述.mp410.66M
| ├──2.5 构建分类网络模型.mp425.78M
| ├──2.6 DataSet模块介绍与应用方法.mp434.06M
| ├──3.1 卷积神经网络应用领域.mp414.81M
| ├──3.10 VGG网络架构.mp412.84M
| ├──3.11 残差网络Resnet.mp413.33M
| ├──3.12 感受野的作用.mp411.31M
| ├──3.2 卷积的作用.mp416.77M
| ├──3.3 卷积特征值计算方法.mp415.27M
| ├──3.4 得到特征图表示.mp413.25M
| ├──3.5 步长与卷积核大小对结果的影响.mp414.67M
| ├──3.6 边缘填充方法.mp412.71M
| ├──3.7 特征图尺寸计算与参数共享.mp414.79M
| ├──3.8 池化层的作用.mp48.87M
| ├──3.9 整体网络架构.mp411.78M
| ├──4.1 卷积网络参数定义.mp417.47M
| ├──4.2 网络流程解读.mp424.45M
| ├──4.3 Vision模块功能解读.mp416.32M
| ├──4.4 分类任务数据集定义与配置.mp418.97M
| ├──4.5 图像增强的作用.mp411.04M
| ├──4.6 数据预处理与数据增强模块.mp423.45M
| ├──4.7 Batch数据制作.mp429.73M
| ├──5.1 迁移学习的目标.mp49.01M
| ├──5.2 迁移学习策略.mp411.64M
| ├──5.3 加载训练好的网络模型.mp433.48M
| ├──5.4 优化器模块配置.mp417.32M
| ├──5.5 实现训练模块.mp422.08M
| ├──5.6 训练结果与模型保存.mp428.79M
| ├──5.7 加载模型对测试数据进行预测.mp437.54M
| ├──5.8 额外补充.Resnet论文解读.mp470.30M
| ├──5.9 额外补充.Resnet网络架构解读.mp413.92M
| ├──6.1 RNN网络架构解读.mp417.73M
| ├──6.2 词向量模型通俗解释.mp415.48M
| ├──6.3 模型整体框架.mp421.22M
| ├──6.4 训练数据构建.mp412.24M
| ├──6.5 CBOW与Skipgram模型.mp418.33M
| ├──6.6 负采样方案.mp422.04M
| ├──7.1 任务目标与数据简介.mp420.36M
| ├──7.2 RNN模型所需输入格式解析.mp413.65M
| ├──7.3 项目配置参数设置.mp425.09M
| ├──7.4 新闻数据读取与预处理方法.mp421.98M
| ├──7.5 训练LSTM文本分类模型.mp424.53M
| ├──7.6 Tensorboardx可视化展示模块搭建.mp430.94M
| ├──7.7 CNN应用于文本任务原理解析.mp417.31M
| ├──7.8 网络模型架构与效果展示.mp428.72M
| ├──8.1 对抗生成网络通俗解释.mp414.22M
| ├──8.2 GAN网络组成.mp48.32M
| ├──8.3 损失函数解释说明.mp426.30M
| ├──8.4 数据读取模块.mp419.02M
| ├──8.5 生成与判别网络定义.mp426.58M
| ├──9.1 CycleGan网络所需数据.mp420.97M
| ├──9.10 额外补充：VISDOM可视化配置.mp422.37M
| ├──9.2 CycleGan整体网络架构.mp416.10M
| ├──9.3 PatchGan判别网络原理.mp48.24M
| ├──9.4 Cycle开源项目简介.mp432.80M
| ├──9.5 数据读取与预处理操作.mp434.97M
| ├──9.6 生成网络模块构造.mp431.48M
| ├──9.7 判别网络模块构造.mp412.79M
| ├──9.8 损失函数：identity loss计算方法.mp423.65M
| └──9.9 生成与判别损失函数指定.mp435.15M
├──第08模块：深度学习入门视频课程（新）
| ├──1.1 深度学习要解决的问题.mp414.51M
| ├──1.2 深度学习应用领域.mp435.95M
| ├──1.3 计算机视觉任务.mp412.31M
| ├──1.4 视觉任务中遇到的问题.mp421.82M
| ├──1.5 得分函数.mp413.12M
| ├──1.6 损失函数的作用.mp420.97M
| ├──1.7 前向传播整体流程.mp427.09M
| ├──2.1 返向传播计算方法.mp417.83M
| ├──2.2 神经网络整体架构.mp420.82M
| ├──2.3 神经网络架构细节.mp423.94M
| ├──2.4 神经元个数对结果的影响.mp459.97M
| ├──2.5 正则化与激活函数.mp419.79M
| ├──2.6 神经网络过拟合解决方法.mp426.42M
| ├──3.1 卷积神经网络应用领域.mp415.31M
| ├──3.10 VGG网络架构.mp413.31M
| ├──3.11 残差网络Resnet.mp413.98M
| ├──3.12 感受野的作用.mp411.86M
| ├──3.2 卷积的作用.mp417.56M
| ├──3.3 卷积特征值计算方法.mp416.04M
| ├──3.4 得到特征图表示.mp413.81M
| ├──3.5 步长与卷积核大小对结果的影响.mp415.45M
| ├──3.6 边缘填充方法.mp413.29M
| ├──3.7 特征图尺寸计算与参数共享.mp415.29M
| ├──3.8 池化层的作用.mp49.21M
| ├──3.9 整体网络架构.mp412.46M
| ├──4.1 RNN网络架构解读.mp417.98M
| ├──4.2 词向量模型通俗解释.mp417.40M
| ├──4.3 模型整体框架.mp423.69M
| ├──4.4 训练数据构建.mp413.53M
| ├──4.5 CBOW与Skipgram模型.mp420.35M
| └──4.6 负采样方案.mp424.01M
├──第09模块：深度学习必备框架实战（PyTorch+Tensorflow）（新）
| ├──1.1 课程简介.mp43.05M
| ├──1.2 Tensorflow2版本简介与心得.mp422.70M
| ├──1.3 Tensorflow2版本安装方法.mp434.20M
| ├──1.4 tf基础操作.mp417.17M
| ├──10.1 任务目标与数据源.mp411.59M
| ├──10.2 构建时间序列数据.mp419.60M
| ├──10.3 训练时间序列数据预测结果.mp423.89M
| ├──10.4 多特征预测结果.mp421.50M
| ├──10.5 序列结果预测.mp415.48M
| ├──11.1 额外补充.Resnet论文解读.mp470.52M
| ├──11.2 额外补充.Resnet网络架构解读.mp414.26M
| ├──11.3 项目结构概述.mp414.56M
| ├──11.4 数据集处理方法.mp418.32M
| ├──11.5 训练数据构建.mp417.68M
| ├──11.6 网络架构层次解读.mp422.61M
| ├──11.7 前向传播配置.mp424.00M
| ├──11.8 训练resnet模型.mp420.38M
| ├──12.1 PyTorch实战课程简介.mp416.07M
| ├──12.2 PyTorch框架发展趋势简介.mp418.27M
| ├──12.3 框架安装方法（CPU与GPU版本）.mp411.45M
| ├──12.4 PyTorch基本操作简介.mp420.73M
| ├──12.5 自动求导机制.mp425.84M
| ├──12.6 线性回归DEMO.数据与参数配置.mp417.00M
| ├──12.7 线性回归DEMO.训练回归模型.mp428.13M
| ├──12.8 常见tensor格式.mp415.11M
| ├──12.9 Hub模块简介.mp440.80M
| ├──13.1 气温数据集与任务介绍.mp421.39M
| ├──13.2 按建模顺序构建完成网络架构.mp427.37M
| ├──13.3 简化代码训练网络模型.mp432.40M
| ├──13.4 分类任务概述.mp410.54M
| ├──13.5 构建分类网络模型.mp420.50M
| ├──13.6 DataSet模块介绍与应用方法.mp434.05M
| ├──14.1 卷积神经网络应用领域.mp415.31M
| ├──14.10 VGG网络架构.mp413.31M
| ├──14.11 残差网络Resnet.mp413.98M
| ├──14.12 感受野的作用.mp411.86M
| ├──14.2 卷积的作用.mp417.56M
| ├──14.3 卷积特征值计算方法.mp416.04M
| ├──14.4 得到特征图表示.mp413.81M
| ├──14.5 步长与卷积核大小对结果的影响.mp415.45M
| ├──14.6 边缘填充方法.mp413.29M
| ├──14.7 特征图尺寸计算与参数共享.mp415.29M
| ├──14.8 池化层的作用.mp49.21M
| ├──14.9 整体网络架构.mp412.46M
| ├──15.1 卷积网络参数定义.mp419.19M
| ├──15.2 网络流程解读.mp426.06M
| ├──15.3 Vision模块功能解读.mp417.44M
| ├──15.4 分类任务数据集定义与配置.mp419.82M
| ├──15.5 图像增强的作用.mp411.35M
| ├──15.6 数据预处理与数据增强模块.mp423.99M
| ├──15.7 Batch数据制作.mp429.86M
| ├──16.1 迁移学习的目标.mp49.15M
| ├──16.2 迁移学习策略.mp411.93M
| ├──16.3 加载训练好的网络模型.mp435.83M
| ├──16.4 优化器模块配置.mp418.40M
| ├──16.5 实现训练模块.mp425.13M
| ├──16.6 训练结果与模型保存.mp430.62M
| ├──16.7 加载模型对测试数据进行预测.mp439.30M
| ├──16.8 额外补充.Resnet论文解读.mp470.52M
| ├──16.9 额外补充.Resnet网络架构解读.mp414.26M
| ├──17.1 任务目标与数据简介.mp420.71M
| ├──17.2 RNN模型所需输入格式解析.mp414.33M
| ├──17.3 项目配置参数设置.mp425.66M
| ├──17.4 新闻数据读取与预处理方法.mp422.31M
| ├──17.5 训练LSTM文本分类模型.mp425.10M
| ├──17.6 Tensorboardx可视化展示模块搭建.mp429.09M
| ├──17.7 CNN应用于文本任务原理解析.mp417.67M
| ├──17.8 网络模型架构与效果展示.mp429.28M
| ├──2.1 深度学习要解决的问题.mp414.51M
| ├──2.10 神经网络架构细节.mp423.94M
| ├──2.11 神经元个数对结果的影响.mp459.97M
| ├──2.12 正则化与激活函数.mp419.79M
| ├──2.13 神经网络过拟合解决方法.mp426.42M
| ├──2.2 深度学习应用领域.mp435.95M
| ├──2.3 计算机视觉任务.mp412.31M
| ├──2.4 视觉任务中遇到的问题.mp421.82M
| ├──2.5 得分函数.mp413.12M
| ├──2.6 损失函数的作用.mp420.97M
| ├──2.7 前向传播整体流程.mp427.09M
| ├──2.8 返向传播计算方法.mp417.83M
| ├──2.9 神经网络整体架构.mp420.82M
| ├──3.1 任务目标与数据集简介.mp425.90M
| ├──3.2 建模流程与API文档.mp421.18M
| ├──3.3 网络模型训练.mp423.13M
| ├──3.4 模型超参数调节与预测结果展示.mp440.15M
| ├──3.5 分类模型构建.mp441.61M
| ├──3.6 tf.data模块解读.mp422.26M
| ├──3.7 模型保存与读取实例.mp449.51M
| ├──4.1 猫狗识别任务与数据简介.mp414.00M
| ├──4.2 卷积网络涉及参数解读.mp421.36M
| ├──4.3 网络架构配置.mp420.50M
| ├──4.4 卷积模型训练与识别效果展示.mp433.20M
| ├──5.1 数据增强概述.mp433.55M
| ├──5.2 图像数据变换.mp467.69M
| ├──5.3 猫狗识别任务数据增强实例.mp423.42M
| ├──6.1 迁移学习的目标.mp49.15M
| ├──6.2 迁移学习策略.mp411.93M
| ├──6.3 Resnet原理.mp480.93M
| ├──6.4 加载训练好的经典网络模型.mp426.43M
| ├──6.5 Callback模块与迁移学习实例.mp439.92M
| ├──6.6 tfrecords数据源制作方法.mp426.99M
| ├──6.7 图像数据处理实例.mp433.71M
| ├──7.1 任务流程解读.mp411.99M
| ├──7.2 模型定义参数设置.mp411.86M
| ├──7.3 文本词预处理操作.mp413.04M
| ├──7.4 训练batch数据制作.mp429.47M
| ├──7.5 损失函数定义与训练结果展示.mp429.45M
| ├──8.1 任务目标与数据介绍.mp418.52M
| ├──8.2 RNN模型输入数据维度解读.mp414.05M
| ├──8.3 数据映射表制作.mp431.81M
| ├──8.4 embedding层向量制作.mp444.43M
| ├──8.5 数据生成器构造.mp429.64M
| ├──8.6 双向RNN模型定义.mp416.16M
| ├──8.7 自定义网络模型架构.mp440.28M
| ├──8.8 训练策略指定.mp422.01M
| ├──8.9 训练文本分类模型.mp425.56M
| ├──9.1 CNN应用于文本任务原理解析.mp417.67M
| ├──9.2 整体流程解读.mp415.64M
| └──9.3 网络架构设计与训练.mp430.22M
├──第10模块：opencv计算机视觉实战（新）
| ├──1.1 课程简介.mp43.87M
| ├──1.2 Python与Opencv配置安装.mp426.80M
| ├──1.3 Notebook与IDE环境.mp458.12M
| ├──10.1 整体流程演示.mp414.07M
| ├──10.2 文档轮廓提取.mp420.09M
| ├──10.3 原始与变换坐标计算.mp418.13M
| ├──10.4 透视变换结果.mp421.79M
| ├──10.5 tesseract-ocr安装配置.mp426.40M
| ├──10.6 文档扫描识别效果.mp419.46M
| ├──11.1 角点检测基本原理.mp411.77M
| ├──11.2 基本数学原理.mp421.17M
| ├──11.3 求解化简.mp421.55M
| ├──11.4 特征归属划分.mp430.83M
| ├──11.5 opencv角点检测效果.mp422.55M
| ├──12.1 尺度空间定义.mp414.48M
| ├──12.2 高斯差分金字塔.mp416.06M
| ├──12.3 特征关键点定位.mp433.71M
| ├──12.4 生成特征描述.mp416.95M
| ├──12.5 特征向量生成.mp433.83M
| ├──12.6 opencv中sift函数使用.mp421.34M
| ├──13.1 特征匹配方法.mp419.82M
| ├──13.2 图像拼接方法.mp429.87M
| ├──13.3 RANSAC算法.mp425.27M
| ├──13.4 流程解读.mp414.96M
| ├──14.1 任务整体流程.mp434.47M
| ├──14.2 所需数据介绍.mp421.00M
| ├──14.3 图像数据预处理.mp432.82M
| ├──14.4 车位直线检测.mp437.01M
| ├──14.5 按列划分区域.mp433.65M
| ├──14.6 车位区域划分.mp435.70M
| ├──14.7 识别模型构建.mp427.17M
| ├──14.8 基于视频的车位检测.mp465.10M
| ├──15.1 整体流程与效果概述.mp417.82M
| ├──15.2 预处理操作.mp416.55M
| ├──15.3 填涂轮廓检测.mp417.61M
| ├──15.4 选项判断识别.mp433.06M
| ├──16.1 背景消除.帧差法.mp414.63M
| ├──16.2 混合高斯模型.mp418.84M
| ├──16.3 学习步骤.mp420.87M
| ├──16.4 背景建模实战.mp435.50M
| ├──17.1 基本概念.mp414.30M
| ├──17.2 Lucas-Kanade算法.mp414.50M
| ├──17.3 推导求解.mp418.84M
| ├──17.4 光流估计实战.mp446.02M
| ├──18.1 dnn模块.mp419.22M
| ├──18.2 模型加载结果输出.mp427.28M
| ├──19.1 目标追踪概述.mp433.94M
| ├──19.2 多目标追踪实战.mp423.64M
| ├──19.3 深度学习检测框架加载.mp428.17M
| ├──19.4 基于dlib与ssd的追踪.mp449.36M
| ├──19.5 多进程目标追踪.mp419.65M
| ├──19.6 多进程效率提升对比.mp444.39M
| ├──2.1 计算机眼中的图像.mp424.21M
| ├──2.2 视频的读取与处理.mp435.94M
| ├──2.3 ROI区域.mp411.74M
| ├──2.4 边界填充.mp417.73M
| ├──2.5 数值计算.mp430.91M
| ├──20.1 卷积神经网络的应用.mp430.86M
| ├──20.2 卷积层解释.mp420.08M
| ├──20.3 卷积计算过程.mp423.94M
| ├──20.4 pading与stride.mp423.15M
| ├──20.5 卷积参数共享.mp415.22M
| ├──20.6 池化层原理.mp414.40M
| ├──20.7 卷积效果演示.mp417.19M
| ├──20.8 卷积操作流程.mp429.31M
| ├──21.1 关键点定位概述.mp420.00M
| ├──21.2 获取人脸关键点.mp425.70M
| ├──21.3 定位效果演示.mp431.86M
| ├──21.4 闭眼检测.mp447.05M
| ├──21.5 检测效果.mp428.70M
| ├──3.1 图像阈值.mp423.58M
| ├──3.2 图像平滑处理.mp418.05M
| ├──3.3 高斯与中值滤波.mp415.18M
| ├──4.1 腐蚀操作.mp413.57M
| ├──4.2 膨胀操作.mp48.96M
| ├──4.3 开运算与闭运算.mp46.94M
| ├──4.4 梯度计算.mp45.47M
| ├──4.5 礼帽与黑帽.mp412.41M
| ├──5.1 Sobel算子.mp419.25M
| ├──5.2 梯度计算方法.mp421.32M
| ├──5.3 scharr与lapkacian算子.mp419.04M
| ├──6.1 Canny边缘检测流程.mp412.85M
| ├──6.2 非极大值抑制.mp412.85M
| ├──6.3 边缘检测效果.mp423.17M
| ├──7.1 图像金字塔定义.mp414.66M
| ├──7.2 金字塔制作方法.mp418.46M
| ├──7.3 轮廓检测方法.mp413.31M
| ├──7.4 轮廓检测结果.mp422.06M
| ├──7.5 轮廓特征与近似.mp426.87M
| ├──7.6 模板匹配方法.mp434.96M
| ├──7.7 匹配效果展示.mp415.84M
| ├──8.1 直方图定义.mp417.39M
| ├──8.2 均衡化原理.mp423.47M
| ├──8.3 均衡化效果.mp420.06M
| ├──8.4 傅里叶概述.mp428.68M
| ├──8.5 频域变换结果.mp420.67M
| ├──8.6 低通与高通滤波.mp422.71M
| ├──9.1 总体流程与方法讲解.mp416.46M
| ├──9.2 环境配置与预处理.mp423.21M
| ├──9.3 模板处理方法.mp416.34M
| ├──9.4 输入数据处理方法.mp419.95M
| └──9.5 模板匹配得出识别结果.mp431.84M
├──第11模块：计算机视觉核心大项目实战（新）
| ├──1.1 检测任务中阶段的意义.mp411.45M
| ├──1.2 不同阶段算法优缺点分析.mp48.19M
| ├──1.3 IOU指标计算.mp48.80M
| ├──1.4 评估所需参数计算.mp418.76M
| ├──1.5 map指标计算.mp415.75M
| ├──10.1 FPN层特征提取原理解读.mp431.15M
| ├──10.10 RoiPooling层的作用与目的.mp424.75M
| ├──10.11 RorAlign操作的效果.mp419.32M
| ├──10.12 整体框架回顾.mp422.65M
| ├──10.2 FPN网络架构实现解读.mp441.22M
| ├──10.3 生成框比例设置.mp420.83M
| ├──10.4 基于不同尺度特征图生成所有框.mp424.75M
| ├──10.5 RPN层的作用与实现解读.mp423.91M
| ├──10.6 候选框过滤方法.mp411.96M
| ├──10.7 Proposal层实现方法.mp425.35M
| ├──10.8 DetectionTarget层的作用.mp419.17M
| ├──10.9 正负样本选择与标签定义.mp420.59M
| ├──11.1 Labelme工具安装.mp412.72M
| ├──11.2 使用labelme进行数据与标签标注.mp420.64M
| ├──11.3 完成训练数据准备工作.mp420.58M
| ├──11.4 maskrcnn源码修改方法.mp448.65M
| ├──11.5 基于标注数据训练所需任务.mp433.51M
| ├──11.6 测试与展示模块.mp427.58M
| ├──12.1 COCO数据集与人体姿态识别简介.mp438.59M
| ├──12.2 网络架构概述.mp422.47M
| ├──12.3 流程与结果演示.mp434.20M
| ├──13.1 迁移学习的目标.mp49.86M
| ├──13.2 迁移学习策略.mp412.91M
| ├──13.3 Resnet原理.mp487.51M
| ├──13.4 Resnet网络细节.mp430.47M
| ├──13.5 Resnet基本处理操作.mp422.12M
| ├──13.6 shortcut模块.mp429.06M
| ├──13.7 加载训练好的权重.mp426.03M
| ├──13.8 迁移学习效果对比.mp437.52M
| ├──14.1 物体检测概述.mp428.16M
| ├──14.2 深度学习经典检测方法.mp431.43M
| ├──14.3 faster-rcnn概述.mp423.01M
| ├──14.4 论文整体概述.mp487.94M
| ├──14.5 RPN网络结构.mp484.95M
| ├──14.6 损失函数定义.mp4152.57M
| ├──14.7 网络细节.mp4180.05M
| ├──15.1 OCR文字识别要完成的任务.mp415.33M
| ├──15.2 CTPN文字检测网络概述.mp414.50M
| ├──15.3 序列网络的作用.mp417.07M
| ├──15.4 输出结果含义解析.mp412.85M
| ├──15.5 CTPN细节概述.mp416.64M
| ├──15.6 CRNN识别网络架构.mp411.82M
| ├──15.7 CTC模块的作用.mp48.03M
| ├──16.1 OCR文字检测识别项目效果展示.mp412.66M
| ├──16.2 训练数据准备与环境配置.mp421.63M
| ├──16.3 检测模块候选框生成.mp423.87M
| ├──16.4 候选框标签制作.mp424.10M
| ├──16.5 整体网络所需模块.mp415.16M
| ├──16.6 网络架构各模块完成的任务解读.mp422.66M
| ├──16.7 识别模块网络架构解读.mp430.43M
| ├──17.1 3D卷积原理解读.mp416.90M
| ├──17.2 UCF101动作识别数据集简介.mp435.43M
| ├──17.3 测试效果与项目配置.mp440.90M
| ├──17.4 视频数据预处理方法.mp423.17M
| ├──17.5 数据Batch制作方法.mp434.46M
| ├──17.6 3D卷积网络所涉及模块.mp427.68M
| ├──17.7 训练网络模型.mp430.18M
| ├──18.1 项目模板各模块概述.mp427.94M
| ├──18.2 各模块配置参数解析.mp428.01M
| ├──18.3 数据读取与预处理模块功能解读.mp435.58M
| ├──18.4 模型架构模块.mp422.03M
| ├──18.5 训练模块功能.mp435.05M
| ├──18.6 训练结果可视化展示模块.mp427.51M
| ├──18.7 模块应用与BenckMark解读.mp445.11M
| ├──2.1 YOLO算法整体思路解读.mp411.57M
| ├──2.2 检测算法要得到的结果.mp410.51M
| ├──2.3 整体网络架构解读.mp422.29M
| ├──2.4 位置损失计算.mp414.32M
| ├──2.5 置信度误差与优缺点分析.mp420.85M
| ├──3.1 V2版本细节升级概述.mp49.84M
| ├──3.2 网络结构特点.mp411.48M
| ├──3.3 架构细节解读.mp413.42M
| ├──3.4 基于聚类来选择先验框尺寸.mp417.92M
| ├──3.5 偏移量计算方法.mp419.67M
| ├──3.6 坐标映射与还原.mp47.00M
| ├──3.7 感受野的作用.mp420.32M
| ├──3.8 特征融合改进.mp414.50M
| ├──4.1 V3版本改进概述.mp413.65M
| ├──4.2 多scale方法改进与特征融合.mp413.04M
| ├──4.3 经典变换方法对比分析.mp48.31M
| ├──4.4 残差连接方法解读.mp413.80M
| ├──4.5 整体网络模型架构分析.mp49.11M
| ├──4.6 先验框设计改进.mp49.62M
| ├──4.7 sotfmax层改进.mp47.97M
| ├──5.1 数据与环境配置.mp439.73M
| ├──5.10 网格偏移计算.mp421.26M
| ├──5.11 模型要计算的损失概述.mp415.53M
| ├──5.12 标签值格式修改.mp418.12M
| ├──5.13 坐标相对位置计算.mp421.00M
| ├──5.14 完成所有损失函数所需计算指标.mp423.21M
| ├──5.15 模型训练与总结.mp448.99M
| ├──5.16 预测效果展示.mp422.61M
| ├──5.2 训练参数设置.mp414.87M
| ├──5.3 数据与标签读取.mp426.46M
| ├──5.4 标签文件读取与处理.mp416.92M
| ├──5.5 debug模式介绍.mp416.77M
| ├──5.6 基于配置文件构建网络模型.mp425.63M
| ├──5.7 路由层与shortcut层的作用.mp421.76M
| ├──5.8 YOLO层定义解析.mp439.57M
| ├──5.9 预测结果计算.mp428.47M
| ├──6.1 Labelme工具安装.mp411.53M
| ├──6.2 数据信息标注.mp420.69M
| ├──6.3 完成标签制作.mp421.10M
| ├──6.4 生成模型所需配置文件.mp425.15M
| ├──6.5 json格式转换成yolo.v3所需输入.mp414.29M
| ├──6.6 完成输入数据准备工作.mp426.38M
| ├──6.7 训练代码与参数配置更改.mp430.53M
| ├──6.8 训练模型并测试效果.mp424.22M
| ├──7.1 迁移学习的目标.mp49.15M
| ├──7.2 迁移学习策略.mp411.94M
| ├──7.3 Resnet原理.mp481.02M
| ├──7.4 Resnet网络细节.mp428.49M
| ├──7.5 Resnet基本处理操作.mp420.61M
| ├──7.6 shortcut模块.mp427.07M
| ├──7.7 加载训练好的权重.mp424.06M
| ├──7.8 迁移学习效果对比.mp435.34M
| ├──8.1 物体检测概述.mp425.91M
| ├──8.2 深度学习经典检测方法.mp429.23M
| ├──8.3 faster-rcnn概述.mp421.46M
| ├──8.4 论文整体概述.mp477.33M
| ├──8.5 RPN网络结构.mp475.69M
| ├──8.6 损失函数定义.mp4134.58M
| ├──8.7 网络细节.mp4158.52M
| ├──9.1 课程简介.mp412.36M
| ├──9.2 Mask-Rcnn开源项目简介.mp475.28M
| ├──9.3 开源项目数据集.mp433.40M
| └──9.4 参数配置.mp466.75M
├──第12模块：对抗生成网络大项目实战（新）
| ├──1.1 对抗生成网络通俗解释.mp414.35M
| ├──1.2 GAN网络组成.mp48.46M
| ├──1.3 损失函数解释说明.mp426.85M
| ├──1.4 数据读取模块.mp419.51M
| ├──1.5 生成与判别网络定义.mp427.13M
| ├──10.1 猫狗识别任务与数据简介.mp416.07M
| ├──10.2 卷积网络涉及参数解读.mp421.36M
| ├──10.3 网络架构配置.mp421.57M
| ├──10.4 卷积模型训练与识别效果展示.mp434.68M
| ├──2.1 CycleGan网络所需数据.mp421.11M
| ├──2.10 额外补充：VISDOM可视化配置.mp422.93M
| ├──2.2 CycleGan整体网络架构.mp416.43M
| ├──2.3 PatchGan判别网络原理.mp48.40M
| ├──2.4 Cycle开源项目简介.mp433.84M
| ├──2.5 数据读取与预处理操作.mp435.49M
| ├──2.6 生成网络模块构造.mp432.02M
| ├──2.7 判别网络模块构造.mp413.07M
| ├──2.8 损失函数：identity loss计算方法.mp423.99M
| ├──2.9 生成与判别损失函数指定.mp435.74M
| ├──3.1 stargan效果演示分析.mp422.55M
| ├──3.2 网络架构整体思路解读.mp421.95M
| ├──3.3 建模流程分析.mp430.43M
| ├──3.4 V1版本存在的问题及后续改进思路.mp439.76M
| ├──3.5 V2版本在整体网络架构.mp443.47M
| ├──3.6 编码器训练方法.mp444.02M
| ├──3.7 损失函数公式解析.mp434.32M
| ├──3.8 训练过程分析.mp470.11M
| ├──4.1 项目配置与数据源下载.mp415.43M
| ├──4.10 测试模块效果与实验分析.mp423.97M
| ├──4.2 测试效果演示.mp430.33M
| ├──4.3 项目参数解析.mp420.06M
| ├──4.4 生成器模块源码解读.mp434.03M
| ├──4.5 所有网络模块构建实例.mp433.50M
| ├──4.6 数据读取模块分析.mp439.98M
| ├──4.7 判别器损失计算.mp422.73M
| ├──4.8 损失计算详细过程.mp433.40M
| ├──4.9 生成模块损失计算.mp448.74M
| ├──5.1 论文整体思路与架构解读.mp427.60M
| ├──5.2 VCC2016输入数据.mp415.73M
| ├──5.3 语音特征提取.mp423.77M
| ├──5.4 生成器模型架构分析.mp411.62M
| ├──5.5 InstanceNorm的作用解读.mp414.53M
| ├──5.6 AdaIn的目的与效果.mp410.17M
| ├──5.7 判别器模块分析.mp485.51M
| ├──6.1 数据与项目文件解读.mp416.50M
| ├──6.10 源码损失计算流程.mp427.66M
| ├──6.11 测试模块生成转换语音.mp434.99M
| ├──6.2 环境配置与工具包安装.mp429.06M
| ├──6.3 数据预处理与声音特征提取.mp460.67M
| ├──6.4 生成器构造模块解读.mp429.56M
| ├──6.5 下采样与上采样操作.mp424.80M
| ├──6.6 starganvc2版本标签输入分析.mp436.61M
| ├──6.7 生成器前向传播维度变化.mp419.47M
| ├──6.8 判别器模块解读.mp424.46M
| ├──6.9 论文损失函数.mp484.10M
| ├──7.1 论文概述.mp441.62M
| ├──7.2 网络架构.mp469.80M
| ├──7.3 数据与环境配置.mp421.22M
| ├──7.4 数据加载与配置.mp428.93M
| ├──7.5 生成模块.mp435.66M
| ├──7.6 判别模块.mp431.92M
| ├──7.7 VGG特征提取网络.mp426.79M
| ├──7.8 损失函数与训练.mp465.77M
| ├──7.9 测试模块.mp460.95M
| ├──8.1 论文概述.mp470.10M
| ├──8.2 网络架构.mp423.33M
| ├──8.3 细节设计.mp467.04M
| ├──8.4 论文总结.mp496.88M
| ├──8.5 数据与项目概述.mp437.31M
| ├──8.6 参数基本设计.mp452.77M
| ├──8.7 网络结构配置.mp449.48M
| ├──8.8 网络迭代训练.mp469.21M
| ├──8.9 测试模块.mp434.46M
| ├──9.1 卷积网络参数定义.mp419.19M
| ├──9.10 加载训练好的网络模型.mp435.83M
| ├──9.11 优化器模块配置.mp418.40M
| ├──9.12 实现训练模块.mp425.13M
| ├──9.13 训练结果与模型保存.mp430.62M
| ├──9.14 加载模型对测试数据进行预测.mp439.30M
| ├──9.15 额外补充.Resnet论文解读.mp470.52M
| ├──9.16 额外补充.Resnet网络架构解读.mp414.26M
| ├──9.2 网络流程解读.mp426.06M
| ├──9.3 Vision模块功能解读.mp417.44M
| ├──9.4 分类任务数据集定义与配置.mp419.82M
| ├──9.5 图像增强的作用.mp411.12M
| ├──9.6 数据预处理与数据增强模块.mp425.38M
| ├──9.7 Batch数据制作.mp431.31M
| ├──9.8 迁移学习的目标.mp49.15M
| └──9.9 迁移学习策略.mp411.93M
├──第12模块：姿态估计与目标追踪实战系列（新）
| ├──1-姿态估计OpenPose系列算法解读
| | ├──10课时匹配方法解读.mp414.53M
| | ├──11课时CPM模型特点.mp415.91M
| | ├──12课时算法流程与总结.mp426.11M
| | ├──1课时姿态估计要解决的问题分析.mp433.03M
| | ├──2课时姿态估计应用领域概述.mp413.60M
| | ├──3课时传统topdown方法的问题.mp421.16M
| | ├──4课时要解决的两个问题分析.mp47.25M
| | ├──5课时基于高斯分布预测关键点位置.mp417.63M
| | ├──6课时各模块输出特征图解读.mp411.44M
| | ├──7课时PAF向量登场.mp49.27M
| | ├──8课时PAF标签设计方法.mp416.90M
| | └──9课时预测时PAF积分计算方法.mp422.67M
| ├──10-基础补充-PyTorch框架必备核心模块解读
| | ├──100课时图像增强的作用.mp410.92M
| | ├──101课时数据预处理与数据增强模块.mp424.90M
| | ├──102课时Batch数据制作.mp430.94M
| | ├──103课时迁移学习的目标.mp48.56M
| | ├──104课时迁移学习策略.mp411.20M
| | ├──105课时加载训练好的网络模型.mp436.16M
| | ├──106课时优化器模块配置.mp418.58M
| | ├──107课时实现训练模块.mp425.31M
| | ├──108课时训练结果与模型保存.mp431.14M
| | ├──109课时加载模型对测试数据进行预测.mp437.70M
| | ├──96课时卷积网络参数定义.mp419.00M
| | ├──97课时网络流程解读.mp426.27M
| | ├──98课时Vision模块功能解读.mp417.29M
| | └──99课时分类任务数据集定义与配置.mp420.11M
| ├──2-OpenPose算法源码分析
| | ├──13课时数据集与路径配置解读.mp421.84M
| | ├──14课时读取图像与标注信息.mp431.99M
| | ├──15课时关键点与躯干特征图初始化.mp420.94M
| | ├──16课时根据关键点位置设计关键点标签.mp433.25M
| | ├──17课时准备构建PAF躯干标签.mp418.40M
| | ├──18课时各位置点归属判断.mp417.49M
| | ├──19课时特征图各点累加向量计算.mp420.65M
| | ├──20课时完成PAF特征图制作.mp421.13M
| | ├──21课时网络模型一阶段输出.mp418.26M
| | └──22课时多阶段输出与预测.mp431.41M
| ├──3-deepsort算法知识点解读
| | ├──23课时卡尔曼滤波通俗解释.mp419.65M
| | ├──24课时卡尔曼滤波要完成的任务.mp411.27M
| | ├──25课时任务本质分析.mp413.65M
| | ├──26课时基于观测值进行最优估计.mp412.97M
| | ├──27课时预测与更新操作.mp416.77M
| | ├──28课时追踪中的状态量.mp411.47M
| | ├──29课时匈牙利匹配算法概述.mp412.79M
| | ├──30课时匹配小例子分析.mp414.59M
| | ├──31课时REID特征的作用.mp413.57M
| | ├──32课时sort与deepsort建模流程分析.mp418.35M
| | ├──33课时预测与匹配流程解读.mp418.43M
| | └──34课时追踪任务流程拆解.mp420.59M
| ├──4-deepsort源码解读
| | ├──35课时项目环境配置.mp425.89M
| | ├──36课时参数与DEMO演示.mp426.27M
| | ├──37课时针对检测结果初始化track.mp430.27M
| | ├──38课时对track执行预测操作.mp424.10M
| | ├──39课时状态量预测结果.mp423.05M
| | ├──40课时IOU代价矩阵计算.mp420.01M
| | ├──41课时参数更新操作.mp432.94M
| | ├──42课时级联匹配模块.mp425.80M
| | ├──43课时ReID特征代价矩阵计算.mp428.16M
| | └──44课时匹配结果与总结.mp449.72M
| ├──5-YOLO-V4版本算法解读
| | ├──45课时V4版本整体概述.mp410.47M
| | ├──46课时V4版本贡献解读.mp47.10M
| | ├──47课时数据增强策略分析.mp416.32M
| | ├──48课时DropBlock与标签平滑方法.mp413.89M
| | ├──49课时损失函数遇到的问题.mp410.45M
| | ├──50课时CIOU损失函数定义.mp47.75M
| | ├──51课时NMS细节改进.mp411.07M
| | ├──52课时SPP与CSP网络结构.mp410.73M
| | ├──53课时SAM注意力机制模块.mp415.42M
| | ├──54课时PAN模块解读.mp414.63M
| | └──55课时激活函数与整体架构总结.mp413.87M
| ├──6-V5版本项目配置
| | ├──56课时整体项目概述.mp426.60M
| | ├──57课时训练自己的数据集方法.mp429.79M
| | ├──58课时训练数据参数配置.mp434.86M
| | └──59课时测试DEMO演示.mp436.58M
| ├──7-V5项目工程源码解读
| | ├──60课时数据源DEBUG流程解读.mp425.14M
| | ├──61课时图像数据源配置.mp421.54M
| | ├──62课时加载标签数据.mp417.08M
| | ├──63课时Mosaic数据增强方法.mp417.61M
| | ├──64课时数据四合一方法与流程演示.mp425.74M
| | ├──65课时getItem构建batch.mp421.60M
| | ├──66课时网络架构图可视化工具安装.mp423.61M
| | ├──67课时V5网络配置文件解读.mp425.66M
| | ├──68课时Focus模块流程分析.mp414.83M
| | ├──69课时完成配置文件解析任务.mp438.15M
| | ├──70课时前向传播计算.mp420.62M
| | ├──71课时BottleneckCSP层计算方法.mp422.76M
| | ├──72课时SPP层计算细节分析.mp419.51M
| | ├──73课时Head层流程解读.mp419.00M
| | ├──74课时上采样与拼接操作.mp414.27M
| | ├──75课时输出结果分析.mp424.90M
| | ├──76课时超参数解读.mp422.85M
| | ├──77课时命令行参数介绍.mp427.39M
| | ├──78课时训练流程解读.mp430.83M
| | ├──79课时各种训练策略概述.mp424.10M
| | └──80课时模型迭代过程.mp424.46M
| ├──8-基础补充-Resnet模型及其应用实例
| | ├──81课时医学疾病数据集介绍.mp414.04M
| | ├──82课时Resnet网络架构原理分析.mp417.48M
| | ├──83课时dataloader加载数据集.mp442.68M
| | ├──84课时Resnet网络前向传播.mp423.48M
| | ├──85课时残差网络的shortcut操作.mp430.98M
| | ├──86课时特征图升维与降采样操作.mp417.13M
| | └──87课时网络整体流程与训练演示.mp447.09M
| └──9-基础补充-PyTorch框架基本处理操作
| | ├──88课时PyTorch框架发展趋势简介.mp418.02M
| | ├──89课时框架安装方法（CPU与GPU版本）.mp413.54M
| | ├──90课时PyTorch基本操作简介.mp421.36M
| | ├──91课时自动求导机制.mp425.73M
| | ├──92课时线性回归DEMO_数据与参数配置.mp416.48M
| | ├──93课时线性回归DEMO_训练回归模型.mp428.13M
| | ├──94课时常见tensor格式.mp414.56M
| | └──95课时Hub模块简介.mp442.10M
├──第13模块：行人重识别系列项目（新）
| ├──1.1 行人重识别要解决的问题.mp413.18M
| ├──1.2 挑战与困难分析.mp427.51M
| ├──1.3 评估标准rank1指标.mp410.15M
| ├──1.4 map值计算方法.mp412.06M
| ├──1.5 triplet损失计算实例.mp419.70M
| ├──1.6 Hard.Negative方法应用.mp420.75M
| ├──2.1 论文整体思想及注意力机制的作用解读.mp439.56M
| ├──2.2 空间权重值计算流程分析.mp422.90M
| ├──2.3 融合空间注意力所需特征.mp420.02M
| ├──2.4 基于特征图的注意力计算.mp447.22M
| ├──3.1 项目环境与数据集配置.mp438.74M
| ├──3.2 参数配置与整体架构分析.mp447.64M
| ├──3.3 进入debug模式解读网络计算流程.mp421.42M
| ├──3.4 获得空间位置点之间的关系.mp430.40M
| ├──3.5 组合关系特征图.mp428.84M
| ├──3.6 计算得到位置权重值.mp426.98M
| ├──3.7 基于特征图的权重计算.mp418.09M
| ├──3.8 损失函数计算实例解读.mp442.91M
| ├──3.9 训练与测试模块演示.mp453.26M
| ├──4.1 论文整体框架概述.mp412.93M
| ├──4.2 局部特征与全局关系计算方法.mp412.01M
| ├──4.3 特征分组方法.mp411.59M
| ├──4.4 GCP模块特征融合方法.mp421.47M
| ├──4.5 oneVsReset方法实例.mp411.79M
| ├──4.6 损失函数应用位置.mp412.52M
| ├──5.1 项目配置与数据集介绍.mp446.62M
| ├──5.10 得到所有分组特征结果.mp435.88M
| ├──5.11 损失函数与训练过程演示.mp429.64M
| ├──5.12 测试与验证模块.mp435.85M
| ├──5.2 数据源构建方法分析.mp430.09M
| ├──5.3 dataloader加载顺序解读.mp419.39M
| ├──5.4 debug模式解读.mp445.92M
| ├──5.5 网络计算整体流程演示.mp421.17M
| ├──5.6 特征序列构建.mp428.45M
| ├──5.7 GCP全局特征提取.mp426.19M
| ├──5.8 局部特征提取实例.mp437.30M
| ├──5.9 特征组合汇总.mp432.53M
| ├──6.1 关键点位置特征构建.mp415.78M
| ├──6.2 图卷积与匹配的作用.mp417.41M
| ├──6.3 局部特征热度图计算.mp418.31M
| ├──6.4 基于图卷积构建人体拓扑关系.mp422.04M
| ├──6.5 图卷积模块实现方法.mp419.93M
| ├──6.6 图匹配在行人重识别中的作用.mp413.45M
| ├──6.7 整体算法框架分析.mp417.63M
| ├──7.1 数据集与环境配置概述.mp434.46M
| ├──7.10 整体项目总结.mp455.00M
| ├──7.2 局部特征准备方法.mp437.82M
| ├──7.3 得到一阶段热度图结果.mp428.79M
| ├──7.4 阶段监督训练.mp457.80M
| ├──7.5 初始化图卷积模型.mp427.33M
| ├──7.6 mask矩阵的作用.mp431.13M
| ├──7.7 邻接矩阵学习与更新.mp437.02M
| ├──7.8 基于拓扑结构组合关键点特征.mp444.63M
| └──7.9 图匹配模块计算流程.mp446.33M
├──第14模块：自然语言处理实战案例（新）
| ├──1.1 Python字符串处理.mp432.05M
| ├──1.10 名字实体匹配.mp417.24M
| ├──1.11 恐怖袭击分析.mp432.99M
| ├──1.12 统计分析结果.mp437.05M
| ├──1.13 结巴分词器.mp422.61M
| ├──1.14 词云展示.mp471.63M
| ├──1.2 正则常用符号.mp429.88M
| ├──1.3 正则表达式基本语法.mp426.12M
| ├──1.4 常用函数介绍.mp430.80M
| ├──1.5 NLTK工具包简介.mp424.09M
| ├──1.6 停用词过滤.mp421.43M
| ├──1.7 词性标注.mp428.41M
| ├──1.8 数据清洗实例.mp435.50M
| ├──1.9 Spacy工具包.mp436.22M
| ├──10.1 任务概述.mp432.11M
| ├──10.2 词袋模型.mp424.07M
| ├──10.3 词袋模型分析.mp454.24M
| ├──10.4 TFIDF模型.mp436.95M
| ├──10.5 word2vec词向量模型.mp442.69M
| ├──10.6 深度学习模型.mp431.73M
| ├──11.1 任务概述.mp410.43M
| ├──11.2 数据展示.mp416.74M
| ├──11.3 正负样本制作.mp427.78M
| ├──11.4 网络模型定义.mp439.10M
| ├──11.5 基于字符的训练.mp440.35M
| ├──11.6 基于句子的相似度训练.mp428.58M
| ├──12.1 RNN网络架构.mp417.94M
| ├──12.2 LSTM网络架构.mp416.60M
| ├──12.3 案例：使用LSTM进行情感分类.mp428.45M
| ├──12.4 情感数据集处理.mp431.82M
| ├──12.5 基于word2vec的LSTM模型.mp446.74M
| ├──13.1 任务概述与环境配置.mp411.12M
| ├──13.2 参数配置.mp420.32M
| ├──13.3 数据预处理模块.mp431.59M
| ├──13.4 batch数据制作.mp425.48M
| ├──13.5 RNN模型定义.mp416.44M
| ├──13.6 完成训练模块.mp425.47M
| ├──13.7 训练唐诗生成模型.mp410.32M
| ├──13.8 测试唐诗生成效果.mp419.64M
| ├──14.1 效果演示.mp422.63M
| ├──14.2 参数配置与数据加载.mp437.07M
| ├──14.3 数据处理.mp430.92M
| ├──14.4 词向量与投影.mp428.27M
| ├──14.5 seq网络.mp422.97M
| ├──14.6 网络训练.mp428.13M
| ├──2.1 任务概述.mp426.40M
| ├──2.2 商品类别划分.mp429.09M
| ├──2.3 商品类别可视化展示.mp432.49M
| ├──2.4 描述长度对价格的影响.mp426.96M
| ├──2.5 词云展示.mp444.11M
| ├──2.6 tf.idf结果.mp427.28M
| ├──2.7 降维可视化展示.mp430.35M
| ├──2.8 聚类与主题模型.mp447.47M
| ├──3.1 贝叶斯算法概述.mp410.05M
| ├──3.2 贝叶斯推导实例.mp410.95M
| ├──3.3 贝叶斯拼写纠错实例.mp416.78M
| ├──3.4 垃圾邮件过滤实例.mp420.43M
| ├──3.5 贝叶斯实现拼写检查器.mp433.01M
| ├──4.1 文本分析与关键词提取.mp417.42M
| ├──4.2 相似度计算.mp417.35M
| ├──4.3 新闻数据与任务简介.mp430.17M
| ├──4.4 TF.IDF关键词提取.mp443.51M
| ├──4.5 LDA建模.mp425.96M
| ├──4.6 基于贝叶斯算法进行新闻分类.mp446.12M
| ├──5.1 马尔科夫模型.mp414.21M
| ├──5.10 维特比算法.mp434.10M
| ├──5.2 隐马尔科夫模型基本出发点.mp414.95M
| ├──5.3 组成与要解决的问题.mp411.77M
| ├──5.4 暴力求解方法.mp420.71M
| ├──5.5 复杂度计算.mp412.10M
| ├──5.6 前向算法.mp428.03M
| ├──5.7 前向算法求解实例.mp426.96M
| ├──5.8 Baum.Welch算法.mp420.48M
| ├──5.9 参数求解.mp413.46M
| ├──6.1 hmmlearn工具包.mp415.91M
| ├──6.2 工具包使用方法.mp447.50M
| ├──6.3 中文分词任务.mp410.95M
| ├──6.4 实现中文分词.mp427.51M
| ├──7.1 开篇.mp47.55M
| ├──7.10 负采样模型.mp49.87M
| ├──7.2 语言模型.mp48.22M
| ├──7.3 N.gram模型.mp412.39M
| ├──7.4 词向量.mp412.62M
| ├──7.5 神经网络模型.mp414.68M
| ├──7.6 Hierarchical Softmax.mp414.06M
| ├──7.7 CBOW模型实例.mp416.78M
| ├──7.8 CBOW求解目标.mp48.04M
| ├──7.9 锑度上升求解.mp414.64M
| ├──8.1 使用Gensim库构造词向量.mp414.80M
| ├──8.2 维基百科中文数据处理.mp433.84M
| ├──8.3 Gensim构造word2vec模型.mp419.31M
| ├──8.4 测试模型相似度结果.mp417.61M
| ├──9.1 影评情感分类.mp443.16M
| ├──9.2 基于词袋模型训练分类器.mp426.38M
| ├──9.3 准备word2vec输入数据.mp423.13M
| └──9.4 使用gensim构建word2vec词向量（新）.mp452.16M
├──第15模块：NLP通用框架BERT项目实战（新）
| ├──1.1 BERT课程简介.mp418.42M
| ├──1.10 BERT模型训练方法.mp415.47M
| ├──1.11 训练实例.mp417.01M
| ├──1.2 BERT任务目标概述.mp48.60M
| ├──1.3 传统解决方案遇到的问题.mp417.88M
| ├──1.4 注意力机制的作用.mp411.36M
| ├──1.5 self-attention计算方法.mp418.74M
| ├──1.6 特征分配与softmax机制.mp416.18M
| ├──1.7 Multi-head的作用.mp415.27M
| ├──1.8 位置编码与多层堆叠.mp412.75M
| ├──1.9 transformer整体架构梳理.mp417.81M
| ├──2.1 BERT开源项目简介.mp430.13M
| ├──2.10 构建QKV矩阵.mp433.57M
| ├──2.11 完成Transformer模块构建.mp426.63M
| ├──2.12 训练BERT模型.mp434.83M
| ├──2.2 项目参数配置.mp462.82M
| ├──2.3 数据读取模块.mp433.17M
| ├──2.4 数据预处理模块.mp425.93M
| ├──2.5 tfrecord制作.mp433.09M
| ├──2.6 Embedding层的作用.mp419.79M
| ├──2.7 加入额外编码特征.mp427.58M
| ├──2.8 加入位置编码特征.mp415.03M
| ├──2.9 mask机制.mp422.99M
| ├──3.1 中文分类数据与任务概述.mp440.72M
| ├──3.2 读取处理自己的数据集.mp435.15M
| ├──3.3 训练BERT中文分类模型.mp442.91M
| ├──4.1 命名实体识别数据分析与任务目标.mp422.96M
| ├──4.2 NER标注数据处理与读取.mp444.78M
| ├──4.3 构建BERT与CRF模型.mp441.87M
| ├──5.1 词向量模型通俗解释.mp417.42M
| ├──5.2 模型整体框架.mp423.72M
| ├──5.3 训练数据构建.mp413.52M
| ├──5.4 CBOW与Skip-gram模型.mp420.39M
| ├──5.5 负采样方案.mp424.03M
| ├──6.1 数据与任务流程.mp432.40M
| ├──6.2 数据清洗.mp419.78M
| ├──6.3 batch数据制作.mp435.01M
| ├──6.4 网络训练.mp434.53M
| ├──6.5 可视化展示.mp429.21M
| ├──7.1 RNN网络模型解读.mp418.86M
| ├──7.2 NLP应用领域与任务简介.mp425.05M
| ├──7.3 项目流程解读.mp430.67M
| ├──7.4 加载词向量特征.mp423.41M
| ├──7.5 正负样本数据读取.mp427.97M
| ├──7.6 构建LSTM网络模型.mp433.12M
| ├──7.7 训练与测试效果.mp461.91M
| ├──8.1 数据与任务介绍.mp416.51M
| ├──8.2 整体模型架构.mp411.92M
| ├──8.3 数据-标签-语料库处理.mp426.36M
| ├──8.4 输入样本填充补齐.mp424.83M
| ├──8.5 训练网络模型.mp427.37M
| ├──8.6 医疗数据集（糖尿病）实体识别.mp464.87M
| ├──9.1 课时中文商城评价数据处理方法.mp449.36M
| ├──9.2 课时模型训练与测试结果.mp471.02M
| ├──9.3 课时文本摘要数据标注方法.mp445.39M
| ├──9.4 课时训练自己标注的数据并测试.mp420.67M
| ├──9.5 课时Huggingface工具使用.mp4480.00M
| └──9.6 课时BERT系列与NER实例.mp4393.13M
├──第16模块：语音识别核心项目实战（新）
| ├──1.1 序列网络模型概述分析.mp414.96M
| ├──1.2 工作原理概述.mp47.20M
| ├──1.3 注意力机制的作用.mp411.96M
| ├──1.4 加入attention的序列模型整体架构.mp417.14M
| ├──1.5 TeacherForcing的作用与训练策略.mp413.47M
| ├──1.6 额外补充.RNN网络模型解读.mp420.20M
| ├──2.1 数据源与环境配置.mp423.85M
| ├──2.2 语料表制作方法.mp418.22M
| ├──2.3 制作json标注数据.mp428.93M
| ├──2.4 声音数据处理模块解读.mp442.17M
| ├──2.5 Pack与Pad操作解析.mp426.01M
| ├──2.6 编码器模块整体流程.mp422.24M
| ├──2.7 加入注意力机制.mp423.83M
| ├──2.8 计算得到每个输出的attention得分.mp426.55M
| ├──2.9 解码器与训练过程演示.mp431.12M
| ├──3.1 论文整体思路与架构解读.mp427.60M
| ├──3.2 VCC2016输入数据.mp415.73M
| ├──3.3 语音特征提取.mp423.77M
| ├──3.4 生成器模型架构分析.mp411.62M
| ├──3.5 InstanceNorm的作用解读.mp414.53M
| ├──3.6 AdaIn的目的与效果.mp410.17M
| ├──3.7 判别器模块分析.mp485.51M
| ├──4.1 数据与项目文件解读.mp416.50M
| ├──4.10 源码损失计算流程.mp427.66M
| ├──4.11 测试模块生成转换语音.mp434.99M
| ├──4.2 环境配置与工具包安装.mp429.06M
| ├──4.3 数据预处理与声音特征提取.mp460.67M
| ├──4.4 生成器构造模块解读.mp429.56M
| ├──4.5 下采样与上采样操作.mp424.80M
| ├──4.6 starganvc2版本标签输入分析.mp425.38M
| ├──4.7 生成器前向传播维度变化.mp419.47M
| ├──4.8 判别器模块解读.mp424.46M
| ├──4.9 论文损失函数.mp484.10M
| ├──5.1 语音分离任务分析.mp47.07M
| ├──5.2 经典语音分离模型概述.mp414.03M
| ├──5.3 DeepClustering论文解读.mp412.45M
| ├──5.4 TasNet编码器结构分析.mp430.89M
| ├──5.5 DW卷积的作用与效果.mp48.33M
| ├──5.6 基于Mask得到分离结果.mp413.82M
| ├──6.1 数据准备与环境配置.mp456.78M
| ├──6.2 训练任务所需参数介绍-1698817367.mp420.86M
| ├──6.2 训练任务所需参数介绍.mp420.86M
| ├──6.3 DataLoader定义-1698817371.mp425.28M
| ├──6.3 DataLoader定义.mp425.28M
| ├──6.4 采样数据特征编码-1698817375.mp427.92M
| ├──6.4 采样数据特征编码.mp427.92M
| ├──6.5 编码器特征提取-1698817381.mp439.83M
| ├──6.5 编码器特征提取.mp439.83M
| ├──6.6 构建更大的感受区域-1698817387.mp437.22M
| ├──6.6 构建更大的感受区域.mp437.22M
| ├──6.7 解码得到分离后的语音-1698817392.mp435.07M
| ├──6.7 解码得到分离后的语音.mp435.07M
| ├──6.8 测试模块所需参数.mp432.00M
| ├──7.1 语音合成项目所需环境配置.mp433.78M
| ├──7.10 得到加权的编码向量.mp437.95M
| ├──7.11 模型输出结果.mp439.85M
| ├──7.12 损失函数与预测.mp434.14M
| ├──7.2 所需数据集介绍.mp432.17M
| ├──7.3 路径配置与整体流程解读.mp444.73M
| ├──7.4 Dataloader构建数据与标签.mp452.49M
| ├──7.5 编码层要完成的任务.mp432.77M
| ├──7.6 得到编码特征向量.mp420.39M
| ├──7.7 解码器输入准备.mp424.83M
| ├──7.8 解码器流程梳理.mp430.17M
| └──7.9 注意力机制应用方法.mp436.81M
└──课件资料
| ├──第11模块：CV项目
| | ├──MASK-RCNN
| | └──YOLO-V3-PyTorch.exe464.40M
| ├──第12模块：深度学习-对抗生成网络-实战系列
| | ├──第七章：图像超分辨率重构实战
| | ├──1-6章.exe2.97G
| | └──8-10章.exe1.88G
| ├──第13模块：行人重识别
| | ├──1-5章.exe3.39G
| | └──6-10章.exe1.98G
| ├──第15模块：自然语言处理(Python版)
| | ├──2-16章.exe2.46G
| | ├──第17-27章：基于Tensorflow的项目实战.exe3.91G
| | └──第28-32章：基于Keras的项目实战.exe720.44M
| ├──第7模块：数据挖掘竞赛-优胜解决方案
| | ├──1-8章.exe3.99G
| | ├──第九章：用电敏感客户分类.exe937.43M
| | └──第十章：机器学习项目实战模板.exe13.19M
| ├──第9模块：TF与Torch
| | ├──PyTorch框架实战
| | └──Tensorflow2版本.exe3.56G
| ├──第10模块：opencv计算机视觉实战.exe549.87M
| ├──第14模块：自然语言处理BERT模型实战.exe1.84G
| ├──第16模块：深度学习-语音识别实战.exe1.38G
| ├──第1，2模块：Python数据科学必备库（4个）.exe32.44M
| ├──第3模块：数学基础.exe75.71M
| ├──第4模块：机器学习实训营（原理+复现+实验）.exe1.03G
| ├──第5模块：机器学习算法建模实战.exe1.10G
| ├──第6模块：Python数据分析与机器学习实战集锦.exe487.12M
| └──第8模块：深度学习入门.exe112.58M
：用电敏感客户分类.exe937.43M
| | └──第十章：机器学习项目实战模板.exe13.19M rk0635-2024路飞Python人工智能AI工程师【VIP】 谢谢分享 强烈支持楼主ing…… 感谢分享。。 非常感谢楼主分享资源 强烈支持楼主ing……
111 1