百战-AI算法工程师就业班 |价值18980元|冲击百万年薪|完结无秘
深度学习与强化学习实战课程
⭐ 编辑推荐
本课程深入讲解深度学习与强化学习核心算法，通过实战案例提升AI算法工程师技能。
课程亮点
• 强化学习算法实战教学
• 深度学习算法原理解析
• 代码实战与案例分析
课程目录
📁 31--【加课】 强化学习【新增】
📁 2--Deep Q-Learning Network
12-DuelingDQN【公众号：密知圈】.mp4 [88.1 MB]
10-DoubleDQN缓解over-estimate【公众号：密知圈】.mp4 [44.1 MB]
1-DQN算法思想【公众号：密知圈】.mp4 [59.2 MB]
5-代码实战DQN_构建Q网络【公众号：密知圈】.mp4 [70.5 MB]
13-困难样本挖掘_Multi-step_NoiseyNet系统的探索【公众号：密知圈】.mp4 [91.0 MB]
14-计算Action的方差避免风险【公众号：密知圈】.mp4 [54.2 MB]
9-DQN会over-estimate的本质原因【公众号：密知圈】.mp4 [44.9 MB]
6-代码实战DQN_定义损失函数_构建Target网络更新逻辑【公众号：密知圈】.mp4 [85.8 MB]
7-代码实战DQN_训练阶段得到Q网络的预测值和真实值【公众号：密知圈】.mp4 [53.5 MB]
15-Rainbow_DQN如何计算连续型的Actions【公众号：密知圈】.mp4 [65.3 MB]
4-代码实战DQN_Agent和Env整体交互【公众号：密知圈】.mp4 [52.2 MB]
3-ε-greedy_ReplayBuffer_FixedQ-targets【公众号：密知圈】.mp4 [96.7 MB]
2-DQN算法具体流程【公众号：密知圈】.mp4 [56.2 MB]
11-DoubleDQN代码实战【公众号：密知圈】.mp4 [44.5 MB]
8-代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小【公众号：密知圈】.mp4 [58.9 MB]
📁 3--Policy Gradient 策略梯度
5-策略梯度PG_讲解CartPole环境【公众号：密知圈】.mp4 [55.6 MB]
9-策略梯度PG_对TotalReward进行均值归一化【公众号：密知圈】.mp4 [33.1 MB]
4-策略梯度PG_总结整体流程_对比交叉熵损失函数求导【公众号：密知圈】.mp4 [33.4 MB]
6-代码实战_策略梯度PG和CartPole交互【公众号：密知圈】.mp4 [75.6 MB]
1-策略梯度PG_对比基于值和基于策略网络的区别【公众号：密知圈】.mp4 [68.2 MB]
7-代码实战_策略梯度PG网络构建【公众号：密知圈】.mp4 [48.9 MB]
10-策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战【公众号：密知圈】.mp4 [34.2 MB]
8-代码实战_策略梯度PG选择行为和参数训练【公众号：密知圈】.mp4 [54.7 MB]
3-策略梯度PG_简化导函数的公式推导【公众号：密知圈】.mp4 [36.7 MB]
2-策略梯度PG_明确目标函数和导函数【公众号：密知圈】.mp4 [62.2 MB]
📁 1--Q-Learning与SARSA算法
2-引入马尔科夫链和价值评估的Q值与V值【公众号：密知圈】.mp4 [59.8 MB]
8-代码实战Q-Learning_Agent和Env整体交互【公众号：密知圈】.mp4 [34.2 MB]
4-蒙特卡洛采样回溯计算V值【公众号：密知圈】.mp4 [74.2 MB]
7-理解Q-table_创建maze交互环境【公众号：密知圈】.mp4 [78.6 MB]
3-详解Q值和V值以及它们之间关系【公众号：密知圈】.mp4 [82.7 MB]
6-SARSA算法和Q-learning算法【公众号：密知圈】.mp4 [76.3 MB]
10-代码实战Q-Learning智能体训练模型【公众号：密知圈】.mp4 [40.3 MB]
11-代码实战Sarsa_Agent和Env整体交互【公众号：密知圈】.mp4 [45.4 MB]
9-代码实战Q-Learning智能体选择行为【公众号：密知圈】.mp4 [38.4 MB]
12-代码实战Sarsa_Agent选择行为和训练模型【公众号：密知圈】.mp4 [42.7 MB]
13-代码实战SarsaLambda_训练模型【公众号：密知圈】.mp4 [42.5 MB]
1-强化学习通过智能体与环境交互进行学习【公众号：密知圈】.mp4 [81.8 MB]
5-蒙特卡洛和时序差分估算状态V值【公众号：密知圈】.mp4 [82.1 MB]
📁 4--Actor Critic (A3C)
9-代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性【公众号：密知圈】.mp4 [36.6 MB]
3-代码实战_ActorCritic与环境交互【公众号：密知圈】.mp4 [82.5 MB]
5-代码实战_详解Critic网络构建及训练【公众号：密知圈】.mp4 [87.9 MB]
1-ActorCritic原理_把PG和QLearning结合起来【公众号：密知圈】.mp4 [55.3 MB]
7-Pendulum环境_根据网络预测的μ和σ得到连续型的action值【公众号：密知圈】.mp4 [77.6 MB]
4-代码实战_Actor网络构建及训练【公众号：密知圈】.mp4 [58.1 MB]
14-代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示【公众号：密知圈】.mp4 [47.2 MB]
13-代码实战_A3C_讲解线程中worker和环境交互【公众号：密知圈】.mp4 [51.5 MB]
8-代码实战_A3C_讲解Coordinator调度多线程运算【公众号：密知圈】.mp4 [32.0 MB]
6-A3C架构和训练流程【公众号：密知圈】.mp4 [74.7 MB]
12-代码实战_A3C_结合流程图分三点总结前面讲的代码【公众号：密知圈】.mp4 [39.7 MB]
11-代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑【公众号：密知圈】.mp4 [40.2 MB]
2-AdvantageActorCritic_共享参数和修改reward技巧【公众号：密知圈】.mp4 [86.4 MB]
10-代码实战_A3C_增加actor探索性用到熵_定义worker正太分布抽样和求梯度的逻辑【公众号：密知圈】.mp4 [36.1 MB]
📁 5--DDPG、PPO、DPPO算法
4-代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示【公众号：密知圈】.mp4 [44.2 MB]
6-PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy【公众号：密知圈】.mp4 [38.4 MB]
8-PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题【公众号：密知圈】.mp4 [38.1 MB]
3-代码实战_DDPG_Critic网络构建_Actor网络链式求导【公众号：密知圈】.mp4 [57.1 MB]
14-代码实战_DPPO_创建一个PPO和多个Worker_创建多线程【公众号：密知圈】.mp4 [37.8 MB]
12-代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示【公众号：密知圈】.mp4 [42.1 MB]
15-代码实战_DPPO_GlobalPPO和Workers交替执行【公众号：密知圈】.mp4 [54.7 MB]
11-代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑【公众号：密知圈】.mp4 [41.0 MB]
2-代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑【公众号：密知圈】.mp4 [51.4 MB]
10-代码实战_PPO与环境整体交互_Actor与Critic网络构建【公众号：密知圈】.mp4 [32.5 MB]
7-PPO_通过重要性采样使得PPO可以做Off-Policy学习【公众号：密知圈】.mp4 [35.5 MB]
13-DPPO分布式PPO【公众号：密知圈】.mp4 [63.8 MB]
9-PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题【公众号：密知圈】.mp4 [61.8 MB]
1-DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic【公众号：密知圈】.mp4 [81.9 MB]
5-TD3_使用DoubleNetwork优化DDPG【公众号：密知圈】.mp4 [63.9 MB]
t.png [493.5 KB]
📁 6--机器学习-线性分类
📁 3--SVM支持向量机算法
3--SVM支持向量机算法文档.zip [1.8 MB]
7-软间隔SVM和总结流程【公众号：密知圈】.mp4 [135.8 MB]
4-数学预备知识_拉格朗日函数【公众号：密知圈】.mp4 [122.4 MB]
6-总结硬间隔SVM【公众号：密知圈】.mp4 [39.0 MB]
1-SVM与感知机关系_几何距离与函数距离【公众号：密知圈】.mp4 [114.2 MB]
2-SVM的思想【公众号：密知圈】.mp4 [55.6 MB]
9-SVM在sklearn中的使用_超参数【公众号：密知圈】.mp4 [144.3 MB]
8-非线性SVM【公众号：密知圈】.mp4 [54.4 MB]
5-硬间隔SVM的两步优化【公众号：密知圈】.mp4 [102.9 MB]
3-几种SVM_SVM的损失函数【公众号：密知圈】.mp4 [74.9 MB]
📁 2--Softmax回归
2--Softmax回归必看.zip [1.8 MB]
1-证明多项式分布属于指数族分布一种【公众号：密知圈】.mp4 [27.9 MB]
8-实战音乐分类器_探索不同曲风音乐文件的时间频率图【公众号：密知圈】.mp4 [52.4 MB]
10-实战音乐分类器_代码使用傅里叶变换将混音文件进行投影【公众号：密知圈】.mp4 [42.7 MB]
13-实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题【公众号：密知圈】.mp4 [78.0 MB]
12-实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型【公众号：密知圈】.mp4 [47.7 MB]
2-从广义线性回归的η推导出来Softmax的公式【公众号：密知圈】.mp4 [21.3 MB]
6-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【公众号：密知圈】.mp4 [46.7 MB]
11-实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果【公众号：密知圈】.mp4 [49.2 MB]
9-实战音乐分类器_傅里叶变换可以帮助我们做什么【公众号：密知圈】.mp4 [25.1 MB]
7-实战音乐分类器_讲解需求和读取数据【公众号：密知圈】.mp4 [32.6 MB]
3-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【公众号：密知圈】.mp4 [33.4 MB]
4-再次证明Softmax损失函数当K=2时就是逻辑回归损失函数【公众号：密知圈】.mp4 [28.2 MB]
5-证明Softmax公式K=2的时候就是逻辑回归_平移不变性【公众号：密知圈】.mp4 [13.9 MB]
📁 4--SMO优化算法
3-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【公众号：密知圈】.mp4 [63.2 MB]
9-SVM的SMO实现读取数据和计算fx与Ei【公众号：密知圈】.mp4 [73.4 MB]
1-SVM算法流程总结【公众号：密知圈】.mp4 [58.4 MB]
2-SMO算法求解思路_分解成很多个子二次规划问题分别求解【公众号：密知圈】.mp4 [65.4 MB]
11-SVM的SMO实现应用公式计算alphas和b【公众号：密知圈】.mp4 [20.9 MB]
12-SVM绘制已有数据点和超平面以及边界【公众号：密知圈】.mp4 [21.1 MB]
10-SVM的SMO实现判断违背条件的α1【公众号：密知圈】.mp4 [19.2 MB]
4-对一元函数求极值点_推导出旧的α和新的α的关系【公众号：密知圈】.mp4 [53.2 MB]
7-启发式选择两个α【公众号：密知圈】.mp4 [23.1 MB]
5-将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁【公众号：密知圈】.mp4 [92.4 MB]
14-概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM【公众号：密知圈】.mp4 [69.0 MB]
8-如何计算阈值b【公众号：密知圈】.mp4 [50.2 MB]
13-关于sklearn中的SVM封装的类和超参【公众号：密知圈】.mp4 [15.5 MB]
6-再次说明α2如何进行剪裁的思路_根据α2求α1【公众号：密知圈】.mp4 [37.6 MB]
15-OVR和OVO多分类_算法小结_对比逻辑回归【公众号：密知圈】.mp4 [36.5 MB]
📁 1--逻辑回归
3-逻辑回归为什么用sigmoid函数_预备知识【公众号：密知圈】.mp4 [31.0 MB]
12-对逻辑回归函数进行求导_结论在后面会用到【公众号：密知圈】.mp4 [20.5 MB]
5-回想多元线性回归公式其实也是从广义线性回归推导出来的【公众号：密知圈】.mp4 [6.7 MB]
14-实战逻辑回归对鸢尾花数据集进行二分类【公众号：密知圈】.mp4 [46.6 MB]
9-绘制逻辑回归损失函数_探索单个参数和损失的关系【公众号：密知圈】.mp4 [30.7 MB]
16-实战逻辑回归对鸢尾花数据集进行多分类【公众号：密知圈】.mp4 [40.5 MB]
11-绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度【公众号：密知圈】.mp4 [43.9 MB]
2-sigmoid函数作用【公众号：密知圈】.mp4 [38.2 MB]
13-对逻辑回归的损失函数求导_推导出导函数的形式【公众号：密知圈】.mp4 [42.5 MB]
4-证明伯努利分布是指数族分布_推导出逻辑回归公式【公众号：密知圈】.mp4 [42.0 MB]
6-推导逻辑回归损失函数_得到总似然的公式【公众号：密知圈】.mp4 [29.6 MB]
15-OneVsRest将多分类问题转化成多个二分类问题【公众号：密知圈】.mp4 [26.1 MB]
10-绘制逻辑回归损失函数_探索两个参数和损失函数变换关系【公众号：密知圈】.mp4 [39.8 MB]
1-逻辑回归_Sigmoid函数【公众号：密知圈】.mp4 [21.1 MB]
7-推导逻辑回归损失函数_得到最终形式【公众号：密知圈】.mp4 [12.4 MB]
8-绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数【公众号：密知圈】.mp4 [56.6 MB]
📁 27--【加课】算法与数据结构
📁 1--算法与数据结构
1--算法与数据结构资料.zip [1.8 MB]
11-哈希表冲突问题【公众号：密知圈】.mp4 [75.9 MB]
8-队列(线式)【公众号：密知圈】.mp4 [31.0 MB]
10-哈希表的基本结构【公众号：密知圈】.mp4 [54.3 MB]
4-单线链表1【公众号：密知圈】.mp4 [68.4 MB]
9-栈与双端队列【公众号：密知圈】.mp4 [28.1 MB]
17-冒泡排序【公众号：密知圈】.mp4 [53.2 MB]
24-最大堆的增加操作【公众号：密知圈】.mp4 [45.4 MB]
1-数据结构与算法简介【公众号：密知圈】.mp4 [35.7 MB]
20-归并排序【公众号：密知圈】.mp4 [84.5 MB]
13-哈希扩容【公众号：密知圈】.mp4 [111.0 MB]
6-双链表【公众号：密知圈】.mp4 [103.6 MB]
14-递归与栈【公众号：密知圈】.mp4 [50.8 MB]
21-快速排序【公众号：密知圈】.mp4 [36.6 MB]
3-线性结构【公众号：密知圈】.mp4 [53.1 MB]
18-选择排序【公众号：密知圈】.mp4 [43.3 MB]
16-二分查找【公众号：密知圈】.mp4 [52.3 MB]
29-二叉树的删除【公众号：密知圈】.mp4 [120.1 MB]
5-单链表2【公众号：密知圈】.mp4 [221.7 MB]
12-哈希表冲突问题2【公众号：密知圈】.mp4 [72.3 MB]
25-最大堆的删除操作【公众号：密知圈】.mp4 [45.6 MB]
15-线性查找【公众号：密知圈】.mp4 [57.8 MB]
27-二叉树获取最小值【公众号：密知圈】.mp4 [25.2 MB]
22-树结构【公众号：密知圈】.mp4 [96.9 MB]
2-大O表示法【公众号：密知圈】.mp4 [25.6 MB]
19-插入排序【公众号：密知圈】.mp4 [31.4 MB]
28-二叉树的添加【公众号：密知圈】.mp4 [72.7 MB]
26-二叉树的查找【公众号：密知圈】.mp4 [100.2 MB]
7-队列(链式)【公众号：密知圈】.mp4 [74.1 MB]
23-树结构的遍历【公众号：密知圈】.mp4 [61.1 MB]
📁 21--深度学习-OCR文本识别
5-CTC损失函数的理解【公众号：密知圈】.mp4 [330.6 MB]
2-OCR识别本质就是文字检测和文字识别【公众号：密知圈】.mp4 [253.3 MB]
4-总结理解深度学习文字识别架构【公众号：密知圈】.mp4 [121.6 MB]
1-传统OCR识别_深度学习OCR识别【公众号：密知圈】.mp4 [369.9 MB]
7-CTC前向后向算法代码【公众号：密知圈】.mp4 [225.4 MB]
6-CTC损失函数前向后向算法推导_梯度求导公式推导【公众号：密知圈】.mp4 [200.5 MB]
3-OCR识别的CTC损失思想【公众号：密知圈】.mp4 [327.7 MB]
8-GreedySearch和BeamSearch解码的方式与代码逻辑【公众号：密知圈】.mp4 [308.2 MB]
9-CPTN项目代码剖析【公众号：密知圈】.mp4 [491.7 MB]
10-CRNN项目代码剖析【公众号：密知圈】.mp4 [306.5 MB]
📁 18--深度学习-人脸识别项目实战
8-训练数据的准备_每一阶段训练的流程【公众号：密知圈】.mp4 [98.1 MB]
17-FaceNet论文_ZF和Inception对比_总结【公众号：密知圈】.mp4 [59.2 MB]
2-开源的FaceNet项目介绍【公众号：密知圈】.mp4 [38.1 MB]
6-PRelu_每阶段输出多分支意义【公众号：密知圈】.mp4 [56.1 MB]
9-总结MTCNN_缩放因子_注意3阶段网络里面的全连接【公众号：密知圈】.mp4 [54.8 MB]
18-人脸识别项目代码_FaceNet模型加载和使用【公众号：密知圈】.mp4 [42.8 MB]
3-人脸识别项目代码整体结构【公众号：密知圈】.mp4 [30.4 MB]
4-MTCNN论文_摘要和介绍【公众号：密知圈】.mp4 [68.5 MB]
7-每一个阶段每个分支的Loss损失_整合每个分支的Loss【公众号：密知圈】.mp4 [69.9 MB]
1-人脸识别任务种类_具体做法思路【公众号：密知圈】.mp4 [40.7 MB]
10-人脸识别项目代码_加载MTCNN模型【公众号：密知圈】.mp4 [72.1 MB]
11-人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框【公众号：密知圈】.mp4 [66.6 MB]
14-FaceNet论文_TripleLoss思路来源和目标【公众号：密知圈】.mp4 [44.3 MB]
5-MTCNN论文_网络整体架构【公众号：密知圈】.mp4 [76.6 MB]
12-FaceNet论文_摘要和前情介绍【公众号：密知圈】.mp4 [71.5 MB]
19-人脸识别项目代码_人脸匹配以及最后的绘图展示【公众号：密知圈】.mp4 [40.4 MB]
15-FaceNet论文_TripleLoss损失函数【公众号：密知圈】.mp4 [63.8 MB]
16-FaceNet论文_TripleSelection很至关重要【公众号：密知圈】.mp4 [131.8 MB]
13-FaceNet论文_相关的介绍【公众号：密知圈】.mp4 [39.6 MB]
📁 8--机器学习-决策树系列
📁 3--GBDT
t.png [493.5 KB]
18-GBDT用于特征组合降维【公众号：密知圈】.mp4 [43.7 MB]
21-GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算【公众号：密知圈】.mp4 [71.7 MB]
15-GBDT二分类举例详解【公众号：密知圈】.mp4 [86.7 MB]
8-GBDT中shrinkage学习率和最优树权重ρ可以共存【公众号：密知圈】.mp4 [61.5 MB]
11-GBDT多分类流程【公众号：密知圈】.mp4 [73.8 MB]
10-GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度【公众号：密知圈】.mp4 [72.1 MB]
3-GBDT每棵树都是回归树_准备数据才能训练下一颗小树【公众号：密知圈】.mp4 [77.4 MB]
1-GBDT试图使用有监督最优化算法梯度下降求解F(x)【公众号：密知圈】.mp4 [65.5 MB]
14-GBDT多分类叶子节点分值计算【公众号：密知圈】.mp4 [54.6 MB]
23-GBDT+LR架构预测评估代码实现【公众号：密知圈】.mp4 [66.5 MB]
17-计算特征重要度进行特征选择【公众号：密知圈】.mp4 [54.9 MB]
13-GBDT二分类叶子节点分值计算推导【公众号：密知圈】.mp4 [74.0 MB]
12-对比GBDT回归、二分类、多分类相同点与不同点【公众号：密知圈】.mp4 [60.8 MB]
19-特征组合降维在GBDT+LR架构应用【公众号：密知圈】.mp4 [51.3 MB]
22-GBDT+LR架构训练模型代码实现【公众号：密知圈】.mp4 [88.4 MB]
20-GBDT在sklearn中源码剖析_初始化F(x)【公众号：密知圈】.mp4 [115.1 MB]
9-GBDT应用于多分类任务【公众号：密知圈】.mp4 [73.3 MB]
2-GBDT令每个弱学习器f(x)去拟合负梯度【公众号：密知圈】.mp4 [88.4 MB]
6-GBDT应用于二分类问题【公众号：密知圈】.mp4 [70.4 MB]
7-GBDT二分类拟合的负梯度依然是残差【公众号：密知圈】.mp4 [83.8 MB]
16-GBDT多分类举例详解【公众号：密知圈】.mp4 [91.7 MB]
5-GBDT回归举例_总结【公众号：密知圈】.mp4 [108.5 MB]
4-GBDT应用于回归问题【公众号：密知圈】.mp4 [84.7 MB]
📁 2--集成学习和随机森林
3-随机森林【公众号：密知圈】.mp4 [108.1 MB]
4-代码实战随机森林对鸢尾花数据集分类【公众号：密知圈】.mp4 [101.8 MB]
7-调整数据权重让权重正确率达到50%【公众号：密知圈】.mp4 [66.8 MB]
1-不同聚合方式_生成不同弱学习器方式【公众号：密知圈】.mp4 [80.5 MB]
8-Adaboost如何调整样本权重和求基模型权重【公众号：密知圈】.mp4 [90.5 MB]
6-Adaboost算法思路【公众号：密知圈】.mp4 [106.3 MB]
5-OOB袋外数据【公众号：密知圈】.mp4 [106.1 MB]
2-Bagging_Boosting_Stacking【公众号：密知圈】.mp4 [59.0 MB]
📁 1--决策树
3-如何构建一颗决策树【公众号：密知圈】.mp4 [84.9 MB]
6-信息增益【公众号：密知圈】.mp4 [75.3 MB]
14-CCP代价复杂度剪枝_α超参数设定【公众号：密知圈】.mp4 [62.2 MB]
11-代码训练回归树拟合SineWave【公众号：密知圈】.mp4 [93.8 MB]
13-CCP代价复杂度后剪枝【公众号：密知圈】.mp4 [130.7 MB]
12-后剪枝的意义【公众号：密知圈】.mp4 [50.5 MB]
5-Gini系数【公众号：密知圈】.mp4 [107.5 MB]
2-决策树的数学表达【公众号：密知圈】.mp4 [89.9 MB]
7-熵与Gini系数关系_信息增益率【公众号：密知圈】.mp4 [118.2 MB]
10-绘制决策树模型_寻找最优树深度【公众号：密知圈】.mp4 [97.1 MB]
4-什么是更好的一次划分【公众号：密知圈】.mp4 [57.0 MB]
1-决策树模型的特点【公众号：密知圈】.mp4 [74.9 MB]
8-预剪枝以及相关超参数【公众号：密知圈】.mp4 [127.1 MB]
9-代码实战决策树对鸢尾花数据集分类【公众号：密知圈】.mp4 [77.9 MB]
📁 4--XGBoost
10-重新定义树ft和树的复杂度Ω【公众号：密知圈】.mp4 [77.7 MB]
13-根据Obj收益指导每一次分裂从而学习一棵树结构【公众号：密知圈】.mp4 [106.7 MB]
16-样本权重对于模型学习的影响【公众号：密知圈】.mp4 [59.8 MB]
9-Obj化简常数项_明确训练每颗回归树需要准备gi和hi【公众号：密知圈】.mp4 [67.4 MB]
17-总结XGBoost的特性_包括缺失值的处理策略【公众号：密知圈】.mp4 [101.5 MB]
11-由每个叶子节点重组目标函数Obj【公众号：密知圈】.mp4 [68.6 MB]
8-推导XGBoost对Loss二阶泰勒展开之后的Obj【公众号：密知圈】.mp4 [48.6 MB]
14-举例说明从连续型和离散型变量中寻找最佳分裂条件【公众号：密知圈】.mp4 [73.8 MB]
5-通过目标函数Obj来达到准确率和复杂度平衡【公众号：密知圈】.mp4 [48.3 MB]
7-得出XGBoost最开始的Obj目标函数【公众号：密知圈】.mp4 [94.9 MB]
15-XGBoost中防止过拟合的前剪枝_后剪枝_学习率【公众号：密知圈】.mp4 [71.2 MB]
1-回顾有监督机器学习三要素【公众号：密知圈】.mp4 [82.5 MB]
2-Bias_Variance_Trade-off【公众号：密知圈】.mp4 [66.0 MB]
12-推导XGBoost出Wj计算公式_推导评价树好坏的Obj【公众号：密知圈】.mp4 [72.3 MB]
3-基于树集成学习4个优点【公众号：密知圈】.mp4 [91.4 MB]
6-Objective_vs_Heuristic【公众号：密知圈】.mp4 [60.4 MB]
4-回顾基于树集成学习的模型和参数并举例说明【公众号：密知圈】.mp4 [93.4 MB]
📁 课件
人工智能课件.txt [5.2 KB]
📁 14--深度学习-图像识别原理
📁 1--卷积神经网络原理
2-单通道卷积的计算【公众号：密知圈】.mp4 [104.0 MB]
6-卷积的计算TF中的API操作与参数【公众号：密知圈】.mp4 [93.5 MB]
7-池化的概念和TF中的API的操作与参数【公众号：密知圈】.mp4 [64.1 MB]
1-回顾深度神经网络_卷积层是局部连接【公众号：密知圈】.mp4 [131.2 MB]
4-卷积层权值共享【公众号：密知圈】.mp4 [63.9 MB]
3-彩色图片卷积的计算【公众号：密知圈】.mp4 [52.8 MB]
5-卷积的补充与Padding填充模式【公众号：密知圈】.mp4 [97.0 MB]
8-经典的CNN架构和LeNet5【公众号：密知圈】.mp4 [137.2 MB]
📁 3--经典卷积网络算法
8-BatchNormalization【公众号：密知圈】.mp4 [99.2 MB]
3-InceptionV1_V2【公众号：密知圈】.mp4 [165.9 MB]
9-Mobilenet网络架构【公众号：密知圈】.mp4 [150.0 MB]
1-Keras介绍_以及不同项目调用不同的python环境和CUDA环境【公众号：密知圈】.mp4 [141.1 MB]
5-ResNet残差单元_BottlenetBlocK【公众号：密知圈】.mp4 [121.5 MB]
7-DenseNet在Keras里面的代码实现【公众号：密知圈】.mp4 [66.7 MB]
2-VGG16_Fine-tuning_对MNIST做手写数字识别【公众号：密知圈】.mp4 [116.6 MB]
6-DenseNet和Keras里面的实现【公众号：密知圈】.mp4 [150.6 MB]
4-InceptionV3_以及InceptionV3对皮肤癌图片识别【公众号：密知圈】.mp4 [167.0 MB]
📁 4--古典目标检测
3-IOU以及python计算的代码【公众号：密知圈】.mp4 [23.6 MB]
5-从FastRCNN引入FasterRCNN【公众号：密知圈】.mp4 [120.8 MB]
1-图像识别任务_古典目标检测【公众号：密知圈】.mp4 [196.5 MB]
2-使用OpenCV调用分类器找到目标框【公众号：密知圈】.mp4 [98.2 MB]
4-R-CNN和SPP-net【公众号：密知圈】.mp4 [124.1 MB]
📁 5--现代目标检测之FasterRCNN
1-回顾RCNN_SPPnet_Fast-RCNN【公众号：密知圈】.mp4 [121.2 MB]
5-FasterRCNN论文讲解_从RPN损失到评估指标对比【公众号：密知圈】.mp4 [248.0 MB]
3-NMS代码实现流程_mAP目标检测平均指标【公众号：密知圈】.mp4 [157.2 MB]
2-FasterRNN的核心RPN_正向传播的框过滤_NMS【公众号：密知圈】.mp4 [214.1 MB]
4-FasterRCNN论文讲解_从介绍到RPN的loss【公众号：密知圈】.mp4 [210.0 MB]
📁 2--卷积神经网络优化
5-深度学习网络对应ACC准确率忽然下降的思考点【公众号：密知圈】.mp4 [104.1 MB]
1-AlexNet网络结构_连续使用小的卷积核好处【公众号：密知圈】.mp4 [109.4 MB]
8-VGG网络结构_以及1乘1的卷积核的作用和好处【公众号：密知圈】.mp4 [123.2 MB]
3-数据增强技术点_CNN对MNIST数据集分类_卷积池化代码【公众号：密知圈】.mp4 [77.6 MB]
9-Optimizer_SGD_Momentum【公众号：密知圈】.mp4 [89.7 MB]
10-Optimizer_Adagrad_Adadelta_RMSprop【公众号：密知圈】.mp4 [121.4 MB]
4-CNN对MNIST数据集分类_全连接层以及训练代码【公众号：密知圈】.mp4 [125.9 MB]
6-减轻梯度消失问题中激活函数发挥的作用【公众号：密知圈】.mp4 [42.0 MB]
2-Dropout技术点思想和运用【公众号：密知圈】.mp4 [113.9 MB]
7-减轻梯度消失问题中参数初始化发挥的作用【公众号：密知圈】.mp4 [66.5 MB]
11-Optimizer_Adam【公众号：密知圈】.mp4 [141.1 MB]
📁 10--机器学习与大数据-Kaggle竞赛实战
📁 1--药店销量预测案例
7-kaggle竞赛网站学习【公众号：密知圈】.mp4 [172.2 MB]
4-对数据里面的目标变量sales的一个分析【公众号：密知圈】.mp4 [44.9 MB]
1-Rossmann药店销量预测_kaggle的介绍【公众号：密知圈】.mp4 [36.3 MB]
6-模型的训练_评估【公众号：密知圈】.mp4 [66.6 MB]
2-对数据字段的介绍_导包【公众号：密知圈】.mp4 [19.9 MB]
3-自定义损失函数【公众号：密知圈】.mp4 [21.1 MB]
5-数据的预处理【公众号：密知圈】.mp4 [111.8 MB]
📁 2--网页分类案例
9-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【公众号：密知圈】.mp4 [87.5 MB]
2-评估指标ROC和AUC【公众号：密知圈】.mp4 [56.2 MB]
3-评估指标ROC和AUC【公众号：密知圈】.mp4 [49.0 MB]
7-MLlib对网页分类竞赛数据预处理_模型训练【公众号：密知圈】.mp4 [71.3 MB]
4-竞赛其他相关提交成绩排行榜【公众号：密知圈】.mp4 [40.2 MB]
12-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【公众号：密知圈】.mp4 [74.7 MB]
1-Kaggle网页分类竞赛介绍【公众号：密知圈】.mp4 [25.1 MB]
5-数据导入【公众号：密知圈】.mp4 [68.4 MB]
11-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【公众号：密知圈】.mp4 [68.8 MB]
10-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【公众号：密知圈】.mp4 [85.6 MB]
6-MLlib对网页分类竞赛数据预处理【公众号：密知圈】.mp4 [103.0 MB]
8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数【公众号：密知圈】.mp4 [62.5 MB]
📁 25--【加课】百度飞桨PaddlePaddle实战【新增】
📁 4--PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
4-车牌识别项目_车牌目标框检测模型训练【公众号：密知圈】.mp4 [61.6 MB]
1-PaddleOCR_项目配置_CCPD数据集介绍【公众号：密知圈】.mp4 [69.6 MB]
5-车牌识别项目_车牌字符识别模型训练【公众号：密知圈】.mp4 [61.9 MB]
3-车牌识别项目_运行保存标签和剪切出的车牌图片【公众号：密知圈】.mp4 [57.5 MB]
2-车牌识别项目_详解数据准备阶段代码【公众号：密知圈】.mp4 [42.9 MB]
6-车牌识别项目_车牌识别模型导出及预测【公众号：密知圈】.mp4 [75.6 MB]
📁 6--PaddleNLP模块_物流信息提取（ERNIE版）
3-PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码【公众号：密知圈】.mp4 [47.8 MB]
1-PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset【公众号：密知圈】.mp4 [49.5 MB]
4-PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果【公众号：密知圈】.mp4 [57.9 MB]
2-PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用【公众号：密知圈】.mp4 [57.4 MB]
📁 3--PaddleDetection工具_PCB电路板缺陷检测
1-PaddleDetection_项目配置【公众号：密知圈】.mp4 [82.9 MB]
2-安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题【公众号：密知圈】.mp4 [65.5 MB]
3-PCB电路板缺陷检测_Images和Annotations【公众号：密知圈】.mp4 [83.1 MB]
7-PCB电路板缺陷检测_模型预测【公众号：密知圈】.mp4 [51.7 MB]
4-PCB电路板缺陷检测_前期数据的分析【公众号：密知圈】.mp4 [133.8 MB]
6-PCB电路板缺陷检测_模型训练【公众号：密知圈】.mp4 [64.6 MB]
5-PCB电路板缺陷检测_项目配置文件【公众号：密知圈】.mp4 [42.8 MB]
📁 1--PaddlePaddle框架安装_波士顿房价预测
3-PaddlePaddle求解线性模型【公众号：密知圈】.mp4 [50.6 MB]
1-安装PaddlePaddle【公众号：密知圈】.mp4 [87.3 MB]
2-Pycharm运行出现mkl-service或DLL找不到的问题【公众号：密知圈】.mp4 [45.2 MB]
5-预测波士顿房价_反向传播_模型保存_模型测试【公众号：密知圈】.mp4 [43.7 MB]
4-预测波士顿房价_数据读取_正向传播【公众号：密知圈】.mp4 [60.5 MB]
📁 5--PaddleNLP模块_物流信息提取（BiGRU+CRF）
5-PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader【公众号：密知圈】.mp4 [51.9 MB]
1-PaddleNLP_项目配置【公众号：密知圈】.mp4 [49.4 MB]
8-PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果【公众号：密知圈】.mp4 [80.6 MB]
2-PaddleNLP_物流信息提取项目介绍【公众号：密知圈】.mp4 [48.0 MB]
6-PaddleNLP_物流信息提取项目_构建网络模型【公众号：密知圈】.mp4 [48.5 MB]
7-PaddleNLP_物流信息提取项目_模型训练【公众号：密知圈】.mp4 [47.3 MB]
3-物流信息提取项目_解决导包显示找不到nul问题【公众号：密知圈】.mp4 [106.2 MB]
4-PaddleNLP_物流信息提取项目_加载数据构建DataSet【公众号：密知圈】.mp4 [55.5 MB]
📁 2--PaddlePaddle卷积网络_病理性近视识别
4-预测病理性近视_调用经典卷积神经网络【公众号：密知圈】.mp4 [91.8 MB]
1-预测病理性近视_图片数据读取【公众号：密知圈】.mp4 [97.2 MB]
2-预测病理性近视_模型训练【公众号：密知圈】.mp4 [86.7 MB]
3-预测病理性近视_定义模型结构_评估模型【公众号：密知圈】.mp4 [84.1 MB]
📁 15--深度学习-图像识别项目实战
📁 3--图像风格迁移
2-图片风格融合项目_架构_代码实现要点_2【公众号：密知圈】.mp4 [85.2 MB]
1-图片风格融合项目_架构_代码实现要点_1【公众号：密知圈】.mp4 [81.1 MB]
3-图片风格融合项目_架构_代码实现要点_3【公众号：密知圈】.mp4 [75.4 MB]
4-图片风格融合项目_架构_代码实现要点_4【公众号：密知圈】.mp4 [86.9 MB]
📁 1--车牌识别
2-基于CascadeClassifier来提取目标框做车牌识别代码详解_02【公众号：密知圈】.mp4 [86.4 MB]
1-基于CascadeClassifier来提取目标框做车牌识别代码详解_01【公众号：密知圈】.mp4 [83.2 MB]
3-基于CascadeClassifier来提取目标框做车牌识别代码详解_03【公众号：密知圈】.mp4 [48.8 MB]
5-车牌识别项目关于目标检测的问题【公众号：密知圈】.mp4 [39.5 MB]
4-基于CascadeClassifier来提取目标框做车牌识别代码详解_04【公众号：密知圈】.mp4 [73.1 MB]
📁 2--自然场景下的目标检测及源码分析
1-FasterRCNN项目代码_环境说明_数据集详解_项目结构说明【公众号：密知圈】.mp4 [116.5 MB]
16-FasterRCNN代码_给RPN准备正负例样本_01【公众号：密知圈】.mp4 [100.3 MB]
22-FasterRCNN代码_给RPN准备正负例样本_07【公众号：密知圈】.mp4 [100.0 MB]
8-回归整体训练流程_详解读取数据blob_03【公众号：密知圈】.mp4 [39.2 MB]
12-FasterRCNN代码_构建RPN网络_02【公众号：密知圈】.mp4 [88.5 MB]
3-FasterRCNN项目代码_数据增强【公众号：密知圈】.mp4 [71.8 MB]
14-FasterRCNN代码_根据RPN网络得到校正后的预测的框_02【公众号：密知圈】.mp4 [119.9 MB]
24-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01【公众号：密知圈】.mp4 [53.4 MB]
5-FasterRCNN项目代码_模型的训练【公众号：密知圈】.mp4 [39.3 MB]
25-FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02【公众号：密知圈】.mp4 [74.4 MB]
15-FasterRCNN代码_bbox剪裁_NMS非极大值抑制【公众号：密知圈】.mp4 [91.4 MB]
17-FasterRCNN代码_给RPN准备正负例样本_02【公众号：密知圈】.mp4 [165.7 MB]
18-FasterRCNN代码_给RPN准备正负例样本_03【公众号：密知圈】.mp4 [43.6 MB]
2-FasterRCNN项目代码_数据加载【公众号：密知圈】.mp4 [96.2 MB]
26-FasterRCNN代码_添加Loss损失_smoothL1loss【公众号：密知圈】.mp4 [76.4 MB]
20-FasterRCNN代码_给RPN准备正负例样本_05【公众号：密知圈】.mp4 [78.0 MB]
23-FasterRCNN代码_给RPN准备正负例样本_08【公众号：密知圈】.mp4 [57.3 MB]
10-FasterRCNN代码_构建head【公众号：密知圈】.mp4 [67.6 MB]
13-FasterRCNN代码_根据RPN网络得到校正后的预测的框_01【公众号：密知圈】.mp4 [84.0 MB]
4-FasterRCNN项目代码_数据初始化【公众号：密知圈】.mp4 [73.3 MB]
7-回归整体训练流程_详解读取数据blob_02【公众号：密知圈】.mp4 [75.7 MB]
11-FasterRCNN代码_构建RPN网络_01【公众号：密知圈】.mp4 [124.4 MB]
21-FasterRCNN代码_给RPN准备正负例样本_06【公众号：密知圈】.mp4 [114.6 MB]
9-回归整体训练流程_详解读取数据blob_04【公众号：密知圈】.mp4 [64.5 MB]
6-回归整体训练流程_详解读取数据blob_01【公众号：密知圈】.mp4 [81.2 MB]
19-FasterRCNN代码_给RPN准备正负例样本_04【公众号：密知圈】.mp4 [46.7 MB]
📁 5--机器学习-线性回归
📁 2--梯度下降法
6-全量梯度下降【公众号：密知圈】.mp4 [62.8 MB]
5-多元线性回归下的梯度下降法【公众号：密知圈】.mp4 [43.3 MB]
7-随机梯度下降_小批量梯度下降【公众号：密知圈】.mp4 [47.6 MB]
1-梯度下降法产生的目的和原因以及思想【公众号：密知圈】.mp4 [59.4 MB]
4-梯度下降法迭代流程总结【公众号：密知圈】.mp4 [30.3 MB]
13-代码实现小批量梯度下降【公众号：密知圈】.mp4 [27.3 MB]
15-代码改进实现随着迭代增加动态调整学习率【公众号：密知圈】.mp4 [39.2 MB]
2-梯度下降法公式【公众号：密知圈】.mp4 [57.1 MB]
3-学习率设置的学问_全局最优解【公众号：密知圈】.mp4 [56.5 MB]
8-对应梯度下降法的问题和挑战【公众号：密知圈】.mp4 [47.1 MB]
14-代码改进保证训练数据全都能被随机取到【公众号：密知圈】.mp4 [40.3 MB]
9-轮次和批次【公众号：密知圈】.mp4 [45.2 MB]
12-代码实现随机梯度下降【公众号：密知圈】.mp4 [26.7 MB]
11-代码实现全量梯度下降第3步和第4步【公众号：密知圈】.mp4 [30.7 MB]
10-代码实现全量梯度下降第1步和第2步【公众号：密知圈】.mp4 [25.7 MB]
📁 5--Lasso回归_Ridge回归_多项式回归
1-代码调用Ridge岭回归【公众号：密知圈】.mp4 [76.3 MB]
3-代码调用ElasticNet回归【公众号：密知圈】.mp4 [53.7 MB]
8-实战保险花销预测_数据预处理【公众号：密知圈】.mp4 [41.4 MB]
5-多项式升维代码实战_传入不同超参数对比【公众号：密知圈】.mp4 [44.8 MB]
12-实战保险花销预测_模型训练和评估【公众号：密知圈】.mp4 [58.9 MB]
10-实战保险花销预测_特征选择思路【公众号：密知圈】.mp4 [40.3 MB]
7-实战保险花销预测_数据介绍和加载数据【公众号：密知圈】.mp4 [35.3 MB]
2-代码调用Lasso回归【公众号：密知圈】.mp4 [28.7 MB]
6-多项式升维代码实战_训练模型和评估【公众号：密知圈】.mp4 [35.1 MB]
9-实战保险花销预测_模型训练和评估_选择非线性算法改进【公众号：密知圈】.mp4 [84.1 MB]
4-升维的意义_多项式回归【公众号：密知圈】.mp4 [48.1 MB]
11-实战保险花销预测_特征工程【公众号：密知圈】.mp4 [18.0 MB]
📁 1--多元线性回归
16-Pycharm创建脚本并测试python开发环境【公众号：密知圈】.mp4 [40.5 MB]
9-明确目标通过最大总似然求解θ【公众号：密知圈】.mp4 [25.8 MB]
15-Anaconda环境安装_Pycharm环境安装【公众号：密知圈】.mp4 [61.1 MB]
4-理解多元线性回归表达式几种写法的原因【公众号：密知圈】.mp4 [34.0 MB]
12-推导出目标函数的导函数形式【公众号：密知圈】.mp4 [46.4 MB]
22-调用Scikit-learn中的多元线性回归求解模型(下)【公众号：密知圈】.mp4 [41.0 MB]
13-θ解析解的公式_是否要考虑损失函数是凸函数【公众号：密知圈】.mp4 [59.2 MB]
10-对数似然函数_推导出损失函数MSE【公众号：密知圈】.mp4 [41.9 MB]
1-理解简单线性回归【公众号：密知圈】.mp4 [51.1 MB]
17-解析解的方式求解多元线性回归_数据Xy【公众号：密知圈】.mp4 [40.4 MB]
3-扩展到多元线性回归【公众号：密知圈】.mp4 [32.2 MB]
18-解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形【公众号：密知圈】.mp4 [48.3 MB]
5-理解维度这个概念【公众号：密知圈】.mp4 [41.4 MB]
8-引入正太分布的概率密度函数【公众号：密知圈】.mp4 [26.5 MB]
19-解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换【公众号：密知圈】.mp4 [34.7 MB]
20-Scikit-learn模块的介绍【公众号：密知圈】.mp4 [29.2 MB]
6-理解回归一词_中心极限定理_正太分布和做预测【公众号：密知圈】.mp4 [65.8 MB]
21-调用Scikit-learn中的多元线性回归求解模型(上)【公众号：密知圈】.mp4 [25.2 MB]
14-Python开发环境版本的选择及下载【公众号：密知圈】.mp4 [54.1 MB]
11-把目标函数按照线性代数的方式去表达【公众号：密知圈】.mp4 [27.0 MB]
7-假设误差服从正太分布_最大似然估计MLE【公众号：密知圈】.mp4 [43.1 MB]
2-最优解_损失函数_MSE【公众号：密知圈】.mp4 [39.6 MB]
📁 3--归一化
6-代码完成标准归一化【公众号：密知圈】.mp4 [41.1 MB]
3-归一化的副产品_有可能会提高模型的精度【公众号：密知圈】.mp4 [21.6 MB]
1-归一化的目的_维度之间数量级不同产生的矛盾【公众号：密知圈】.mp4 [63.6 MB]
4-最大值最小值归一化【公众号：密知圈】.mp4 [24.9 MB]
2-归一化的目的_举例子来理解做归一化和不做归一化的区别【公众号：密知圈】.mp4 [34.1 MB]
5-标准归一化【公众号：密知圈】.mp4 [51.9 MB]
📁 4--正则化
4-L1稀疏性和L2平滑性【公众号：密知圈】.mp4 [51.6 MB]
2-正则化通过损失函数加入惩罚项使得W越小越好【公众号：密知圈】.mp4 [35.3 MB]
3-常用的L1和L2正则项以及数学意义【公众号：密知圈】.mp4 [41.6 MB]
5-通过L1和L2的导函数理解区别的本质原因【公众号：密知圈】.mp4 [55.6 MB]
1-正则化的目的防止过拟合【公众号：密知圈】.mp4 [30.7 MB]
📁 13--深度学习-原理和进阶
📁 1--神经网络算法
4-用神经网络理解Softmax回归【公众号：密知圈】.mp4 [67.2 MB]
9-tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装【公众号：密知圈】.mp4 [155.5 MB]
6-多节点网络输出_sklearn中NN模块的介绍【公众号：密知圈】.mp4 [90.6 MB]
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【公众号：密知圈】.mp4 [67.7 MB]
5-隐藏层的意义_隐藏层相当于去做预处理_升维降维【公众号：密知圈】.mp4 [117.5 MB]
7-sklearn中NN模型的代码使用【公众号：密知圈】.mp4 [123.6 MB]
8-隐藏层激活函数必须是非线性的【公众号：密知圈】.mp4 [21.9 MB]
2-三种常见的激活函数_网络拓扑介绍_优化算法【公众号：密知圈】.mp4 [53.6 MB]
1-神经网络是有监督的算法_生物神经元到人工神经元【公众号：密知圈】.mp4 [94.4 MB]
📁 3--反向传播推导_Python代码实现神经网络
2-反向传播推导(一)【公众号：密知圈】.mp4 [127.9 MB]
4-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【公众号：密知圈】.mp4 [81.2 MB]
6-python实现神经网络训练代码讲解(一)【公众号：密知圈】.mp4 [84.2 MB]
5-反向传播推导(四)关于Δ和a还有梯度的更新事宜【公众号：密知圈】.mp4 [34.6 MB]
1-反向传播_链式求导法则【公众号：密知圈】.mp4 [86.5 MB]
3-反向传播推导(二)从输出层到最后一个隐藏层【公众号：密知圈】.mp4 [121.4 MB]
7-python实现神经网络正向反向传播训练【公众号：密知圈】.mp4 [112.2 MB]
📁 2--TensorFlow深度学习工具
7-TF实现DNN来识别MNIST手写数字【公众号：密知圈】.mp4 [132.7 MB]
2-CUDA安装_cudnn安装_环境变量配置_检验是否安装成功【公众号：密知圈】.mp4 [74.1 MB]
5-TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据【公众号：密知圈】.mp4 [233.3 MB]
4-TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式【公众号：密知圈】.mp4 [173.5 MB]
6-TF实现Softmax回归来识别MNIST手写数字【公众号：密知圈】.mp4 [137.0 MB]
1-CUDA下载地址_CUDA显卡白名单地址【公众号：密知圈】.mp4 [68.6 MB]
3-Tensorflow代码运行机制_TF基础的代码【公众号：密知圈】.mp4 [120.7 MB]
📁 11--机器学习与大数据-海量数据挖掘工具
📁 3--Spark机器学习MLlib和ML模块
2-SparkMLlib调用逻辑回归_自定义阈值_1【公众号：密知圈】.mp4 [120.6 MB]
23-SparkML网页分类案例代码实战续（1）_2【公众号：密知圈】.mp4 [143.9 MB]
26-SparkML网页分类案例代码实战续（3）【公众号：密知圈】.mp4 [9.8 MB]
24-SparkML网页分类案例代码实战续（2）_1【公众号：密知圈】.mp4 [177.1 MB]
1-SparkMLlib对于逻辑回归算法的调用【公众号：密知圈】.mp4 [170.4 MB]
13-使用逻辑回归和随机森林对股票Stock预测案例实战_3【公众号：密知圈】.mp4 [84.2 MB]
8-SparkMLlib调用KMeans聚类_调用决策树(1)_1【公众号：密知圈】.mp4 [80.2 MB]
15-模型的训练以及评估和调超参_1【公众号：密知圈】.mp4 [84.6 MB]
22-SparkML网页分类案例代码实战续（1）_1【公众号：密知圈】.mp4 [144.0 MB]
17-模型的训练以及评估和调超参_3【公众号：密知圈】.mp4 [161.7 MB]
16-模型的训练以及评估和调超参_2【公众号：密知圈】.mp4 [88.9 MB]
19-SparkML机器学习库概念讲解_2【公众号：密知圈】.mp4 [121.3 MB]
9-SparkMLlib调用KMeans聚类_调用决策树(1)_2【公众号：密知圈】.mp4 [145.7 MB]
18-SparkML机器学习库概念讲解_1【公众号：密知圈】.mp4 [146.8 MB]
5-SparkMLlib调用逻辑回归_使用标准归一化_2【公众号：密知圈】.mp4 [255.3 MB]
25-SparkML网页分类案例代码实战续（2）_2【公众号：密知圈】.mp4 [99.3 MB]
10-SparkMLlib调用KMeans聚类_调用决策树(1)_3【公众号：密知圈】.mp4 [104.5 MB]
4-SparkMLlib调用逻辑回归_使用标准归一化_1【公众号：密知圈】.mp4 [105.0 MB]
11-使用逻辑回归和随机森林对股票Stock预测案例实战_1【公众号：密知圈】.mp4 [89.7 MB]
6-SparkMLlib调用逻辑回归_使用标准归一化_3【公众号：密知圈】.mp4 [63.1 MB]
7-SparkMLlib调用逻辑回归_使用标准归一化_4【公众号：密知圈】.mp4 [140.9 MB]
21-SparkML机器学习库代码实战讲解_2【公众号：密知圈】.mp4 [169.5 MB]
3-SparkMLlib调用逻辑回归_自定义阈值_2【公众号：密知圈】.mp4 [109.4 MB]
14-从数据转化到训练集的构建【公众号：密知圈】.mp4 [146.4 MB]
12-使用逻辑回归和随机森林对股票Stock预测案例实战_2【公众号：密知圈】.mp4 [92.2 MB]
20-SparkML机器学习库代码实战讲解_1【公众号：密知圈】.mp4 [146.5 MB]
📁 1--Spark计算框架基础
10-分布式计算所需进程【公众号：密知圈】.mp4 [26.3 MB]
9-Spark的RDD特性_02【公众号：密知圈】.mp4 [33.4 MB]
14-Spark算子操作实战讲解_代码实战WordCount_03【公众号：密知圈】.mp4 [44.1 MB]
7-分布式计算框架Shuffle的原理_03【公众号：密知圈】.mp4 [29.3 MB]
11-两种算子操作本质区别【公众号：密知圈】.mp4 [56.3 MB]
4-回顾hadoop讲解shuffle【公众号：密知圈】.mp4 [35.8 MB]
2-Spark特性_02【公众号：密知圈】.mp4 [35.1 MB]
6-分布式计算框架Shuffle的原理_02【公众号：密知圈】.mp4 [44.9 MB]
13-Spark算子操作实战讲解_代码实战WordCount_02【公众号：密知圈】.mp4 [56.1 MB]
8-Spark的RDD特性_01【公众号：密知圈】.mp4 [33.1 MB]
3-Spark对比hadoop优势【公众号：密知圈】.mp4 [19.3 MB]
12-Spark算子操作实战讲解_代码实战WordCount_01【公众号：密知圈】.mp4 [69.4 MB]
1-Spark特性_01【公众号：密知圈】.mp4 [41.7 MB]
5-分布式计算框架Shuffle的原理_01【公众号：密知圈】.mp4 [46.2 MB]
15-Spark算子操作实战讲解_代码实战WordCount_04【公众号：密知圈】.mp4 [41.9 MB]
📁 2--Spark计算框架深入
2-Spark宽依赖和窄依赖_01【公众号：密知圈】.mp4 [39.7 MB]
4-Spark宽依赖和窄依赖_03【公众号：密知圈】.mp4 [28.0 MB]
6-分布式文件系统Block块的大小配置【公众号：密知圈】.mp4 [114.5 MB]
9-Spark程序启动运行流程详解_03【公众号：密知圈】.mp4 [47.3 MB]
12-构建LabeledPoint【公众号：密知圈】.mp4 [111.1 MB]
11-讲解构建稀疏和稠密向量_01【公众号：密知圈】.mp4 [101.8 MB]
13-介绍SparkMLlib模块中实现的算法和调用【公众号：密知圈】.mp4 [91.2 MB]
8-Spark程序启动运行流程详解_02【公众号：密知圈】.mp4 [71.4 MB]
1-Spark数据缓存机制【公众号：密知圈】.mp4 [54.4 MB]
10-讲解构建稀疏和稠密向量_01【公众号：密知圈】.mp4 [80.6 MB]
3-Spark宽依赖和窄依赖_02【公众号：密知圈】.mp4 [38.9 MB]
5-Spark术语总结【公众号：密知圈】.mp4 [89.7 MB]
7-Spark程序启动运行流程详解_01【公众号：密知圈】.mp4 [49.4 MB]
📁 2--人工智能基础-Python基础
📁 1--Python开发环境搭建
6-Conda虚拟环境创建与Python模块安装【公众号：密知圈】.mp4 [73.1 MB]
4-Jupyter安装和代码运行【公众号：密知圈】.mp4 [37.1 MB]
1-下载Miniconda运行环境【公众号：密知圈】.mp4 [100.7 MB]
7-关联虚拟环境运行代码【公众号：密知圈】.mp4 [38.1 MB]
2-Miniconda安装和测试【公众号：密知圈】.mp4 [57.1 MB]
5-Jupyter常用快捷键【公众号：密知圈】.mp4 [32.2 MB]
3-Pycharm安装和代码运行【公众号：密知圈】.mp4 [71.6 MB]
📁 2--Python基础语法
21-Python_函数_递归【公众号：密知圈】.mp4 [23.5 MB]
11-Python_集合操作_列表的基本操作【公众号：密知圈】.mp4 [49.4 MB]
15-Python_集合操作_字典keys方法_enumerate函数【公众号：密知圈】.mp4 [22.4 MB]
27-Python_类对象_实例属性和方法_类属性和方法【公众号：密知圈】.mp4 [38.4 MB]
24-Python_函数_闭包【公众号：密知圈】.mp4 [41.6 MB]
2-Python_控制语句_单双分支【公众号：密知圈】.mp4 [50.7 MB]
8-Python_切片操作【公众号：密知圈】.mp4 [40.2 MB]
20-Python_函数_默认参数_可变参数【公众号：密知圈】.mp4 [24.5 MB]
18-Python_函数_定义_调用_返回值_注释【公众号：密知圈】.mp4 [23.8 MB]
17-Python_打开并读取文件_中文编码问题【公众号：密知圈】.mp4 [58.8 MB]
30-Python_类对象_面向对象三大特性_类的继承【公众号：密知圈】.mp4 [24.7 MB]
22-Python_函数式编程_高阶函数【公众号：密知圈】.mp4 [24.6 MB]
29-Python_类对象_运算符重载_私有对象方法_isinstance函数【公众号：密知圈】.mp4 [38.5 MB]
7-Python_控制语句_break_continue【公众号：密知圈】.mp4 [25.2 MB]
14-Python_集合操作_字典和常见操作【公众号：密知圈】.mp4 [38.0 MB]
12-Python_集合操作_列表的常用方法【公众号：密知圈】.mp4 [37.3 MB]
31-Python_类对象_子类复用父类构造器和方法_方法重写【公众号：密知圈】.mp4 [32.0 MB]
1-Python是强类型的动态脚本语言【公众号：密知圈】.mp4 [44.1 MB]
5-Python_控制语句_for循环【公众号：密知圈】.mp4 [22.8 MB]
10-Python_集合操作_列表【公众号：密知圈】.mp4 [34.7 MB]
13-Python_集合操作_元组【公众号：密知圈】.mp4 [43.5 MB]
3-Python_控制语句_多分支_三元条件运算符【公众号：密知圈】.mp4 [31.0 MB]
23-Python_函数式编程_map_reduce_filter_匿名函数【公众号：密知圈】.mp4 [37.9 MB]
26-Python_类对象_定义与实例化对象【公众号：密知圈】.mp4 [44.2 MB]
28-Python_类对象_内置方法【公众号：密知圈】.mp4 [29.2 MB]
25-Python_函数_装饰器【公众号：密知圈】.mp4 [30.3 MB]
19-Python_函数_局部变量_全局变量【公众号：密知圈】.mp4 [31.2 MB]
9-Python_数据类型【公众号：密知圈】.mp4 [25.4 MB]
6-Python_控制语句_嵌套循环【公众号：密知圈】.mp4 [36.2 MB]
4-Python_控制语句_while循环【公众号：密知圈】.mp4 [25.0 MB]
16-Python_os模块_shutil模块【公众号：密知圈】.mp4 [51.5 MB]
📁 17--深度学习-语义分割原理和实战
📁 3--蒙版弹幕MaskRCNN语义分割
5-MaskRCNN项目关于运行代码环境的说明【公众号：密知圈】.mp4 [44.2 MB]
4-MaskRCNN根据文档和论文总结重要的知识点【公众号：密知圈】.mp4 [239.1 MB]
6-MaskRCNN源码config和model【公众号：密知圈】.mp4 [244.5 MB]
3-MaskRCNN网络架构回顾【公众号：密知圈】.mp4 [151.3 MB]
2-MaskRCNN的项目展示【公众号：密知圈】.mp4 [250.5 MB]
1-MaskRCNN网络结构【公众号：密知圈】.mp4 [106.4 MB]
📁 2--医疗图像UNet语义分割
1-语义分割的基本概念【公众号：密知圈】.mp4 [18.3 MB]
2-FCN全卷积网络做语义分割【公众号：密知圈】.mp4 [36.5 MB]
4-UNet网络医疗图像的语义分割【公众号：密知圈】.mp4 [81.2 MB]
3-UNet网络结构【公众号：密知圈】.mp4 [30.4 MB]
📁 1--上采样_双线性插值_转置卷积
1-前言【公众号：密知圈】.mp4 [19.5 MB]
4-双线性插值【公众号：密知圈】.mp4 [125.7 MB]
8-FPN思想与网络结构【公众号：密知圈】.mp4 [92.1 MB]
6-双线性插值作为转置卷积核的初始参数【公众号：密知圈】.mp4 [145.0 MB]
5-转置卷积_以及TF的API【公众号：密知圈】.mp4 [114.2 MB]
9-FPN应用于FasterRCNN_ResNetFPN【公众号：密知圈】.mp4 [95.5 MB]
7-ROI Align【公众号：密知圈】.mp4 [58.4 MB]
3-线性插值【公众号：密知圈】.mp4 [34.5 MB]
2-上采样_repeat【公众号：密知圈】.mp4 [23.9 MB]
📁 16--深度学习-目标检测YOLO(V1-V4全版本)实战
📁 5--YOLOv4详解
3-YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish【公众号：密知圈】.mp4 [216.1 MB]
2-YOLOv4_BOF_GIoU_DIoU_CIoU【公众号：密知圈】.mp4 [90.5 MB]
1-YOLOv4_BOF_DropBlock_FocalLoss【公众号：密知圈】.mp4 [207.1 MB]
4-YOLOv4_BOS_SAM_PAN_CSP_CmBN【公众号：密知圈】.mp4 [220.9 MB]
📁 3--YOLOv3详解
3-YOLOv3论文详解_总结_FocalLoss【公众号：密知圈】.mp4 [147.5 MB]
5-YOLOv4论文概述_BOS_BOF【公众号：密知圈】.mp4 [297.3 MB]
2-YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53【公众号：密知圈】.mp4 [158.6 MB]
1-YOLOv3论文详解_每个框都要预测多个类别概率【公众号：密知圈】.mp4 [86.5 MB]
4-YOLOv4论文概述_介绍【公众号：密知圈】.mp4 [139.5 MB]
📁 4--YOLOv3代码实战
1-YOLOv3代码剖析_项目介绍【公众号：密知圈】.mp4 [157.0 MB]
4-YOLOv3代码剖析_使用model预测的其余代码【公众号：密知圈】.mp4 [86.5 MB]
5-YOLOv3代码剖析_weights到h5模型的转换【公众号：密知圈】.mp4 [144.7 MB]
3-YOLOv3代码剖析_model输出之后的预测框的计算【公众号：密知圈】.mp4 [223.6 MB]
6-YOLOv3代码剖析_模型的训练部分详解【公众号：密知圈】.mp4 [316.6 MB]
2-YOLOv3代码剖析_聚类anchors_构建backbone主干网络【公众号：密知圈】.mp4 [238.1 MB]
📁 2--YOLOv2详解
3-YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签【公众号：密知圈】.mp4 [141.4 MB]
1-YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes【公众号：密知圈】.mp4 [158.8 MB]
4-YOLOv2论文详解_层级分类_层级分类用于目标检测【公众号：密知圈】.mp4 [183.5 MB]
2-YOLOv2论文详解_mAP更better的一些点【公众号：密知圈】.mp4 [257.4 MB]
📁 1--YOLOv1详解
1-YOLOv1论文详解_算法特点介绍【公众号：密知圈】.mp4 [179.7 MB]
3-YOLOv1论文详解_训练中的技巧_Loss损失函数【公众号：密知圈】.mp4 [253.2 MB]
2-YOLOv1论文详解_网络架构_思想【公众号：密知圈】.mp4 [215.9 MB]
4-YOLOv1论文详解_NMS_局限性【公众号：密知圈】.mp4 [82.1 MB]
📁 1--人工智能基础-快速入门
📁 2--机器学习和深度学习、有监督和无监督
3-深度学习比传统机器学习有优势【公众号：密知圈】.mp4 [84.8 MB]
2-机器学习不同的学习方式【公众号：密知圈】.mp4 [83.5 MB]
1-人工智能常见流程【公众号：密知圈】.mp4 [89.6 MB]
4-有监督机器学习任务与本质【公众号：密知圈】.mp4 [37.5 MB]
5-无监督机器学习任务与本质【公众号：密知圈】.mp4 [50.2 MB]
📁 1--人工智能就业、薪资、各行业应用
2-人工智能适合人群与必备技能【公众号：密知圈】.mp4 [44.6 MB]
4-人工智能在各领域的应用【公众号：密知圈】.mp4 [57.7 MB]
1-人工智能就业前景与薪资【公众号：密知圈】.mp4 [52.1 MB]
3-人工智能时代是发展的必然【公众号：密知圈】.mp4 [23.2 MB]
📁 26--【加课】Linux 环境编程基础
📁 1--Linux
2-Linux_Linux简介【公众号：密知圈】.mp4 [17.6 MB]
3-Linux_VMWare安装及使用【公众号：密知圈】.mp4 [20.9 MB]
6-Linux_Linux中的路径【公众号：密知圈】.mp4 [18.7 MB]
18-Linux_常用配置_启动网络【公众号：密知圈】.mp4 [15.6 MB]
4-Linux_安装Linux【公众号：密知圈】.mp4 [42.0 MB]
10-Linux_常用命令_clear、touch、cat命令【公众号：密知圈】.mp4 [10.1 MB]
24-Linux_上传与下载_lrzsz工具【公众号：密知圈】.mp4 [43.3 MB]
20-Linux_常用配置_设置网络类型【公众号：密知圈】.mp4 [25.7 MB]
17-Linux_常用配置_设置时区【公众号：密知圈】.mp4 [28.8 MB]
12-Linux_常用命令_mkdir命令【公众号：密知圈】.mp4 [10.6 MB]
26-Linux_安装MySQL【公众号：密知圈】.mp4 [79.0 MB]
15-Linux_常用命令_vi、vim【公众号：密知圈】.mp4 [30.6 MB]
19-Linux_常用配置_修改网段【公众号：密知圈】.mp4 [12.8 MB]
8-Linux_常用命令_cd命令【公众号：密知圈】.mp4 [8.1 MB]
5-Linux_目录介绍【公众号：密知圈】.mp4 [20.3 MB]
1-Linux_课程介绍【公众号：密知圈】.mp4 [3.7 MB]
14-Linux_常用命令_rm、mv命令【公众号：密知圈】.mp4 [31.8 MB]
9-Linux_常用命令_ls与ll命令【公众号：密知圈】.mp4 [34.4 MB]
16-Linux_常用命令_reboot、halt【公众号：密知圈】.mp4 [4.8 MB]
21-Linux_常用配置_快照与克隆【公众号：密知圈】.mp4 [16.5 MB]
11-Linux_常用命令more、head、tail命令【公众号：密知圈】.mp4 [16.3 MB]
25-Linux_文件的压缩与解压缩处理【公众号：密知圈】.mp4 [43.1 MB]
23-Linux_上传与下载_Xftp的使用【公众号：密知圈】.mp4 [20.3 MB]
13-Linux_常用命令_cp命令【公众号：密知圈】.mp4 [16.1 MB]
22-Linux_Xshell的安装与使用【公众号：密知圈】.mp4 [19.5 MB]
7-Linux_常用命令_pwd命令【公众号：密知圈】.mp4 [5.8 MB]
📁 9--机器学习-概率图模型
📁 2--HMM算法
7-Viterbi算法案例详解【公众号：密知圈】.mp4 [107.1 MB]
6-前向算法来解决概率计算问题【公众号：密知圈】.mp4 [33.0 MB]
2-HMM隐马的三组参数_三个基本问题【公众号：密知圈】.mp4 [104.3 MB]
3-HMM预测问题使用前向算法【公众号：密知圈】.mp4 [44.3 MB]
5-HMM复习_明确概率计算问题要解决的目标【公众号：密知圈】.mp4 [76.0 MB]
1-HMM隐马的定义【公众号：密知圈】.mp4 [36.8 MB]
4-HMM预测问题使用维特比算法【公众号：密知圈】.mp4 [33.4 MB]
8-Viterbi算法代码实现【公众号：密知圈】.mp4 [42.4 MB]
📁 3--CRF算法
5-CRF的目标函数【公众号：密知圈】.mp4 [23.7 MB]
2-讲解了一下常见的深度学习LSTM+CRF的网络拓扑【公众号：密知圈】.mp4 [71.9 MB]
1-NER与分词和POS的关系_NER的标注策略_NER的主要方法【公众号：密知圈】.mp4 [127.8 MB]
8-通过模型来预测新的句子的序列标签【公众号：密知圈】.mp4 [83.2 MB]
7-计算CRF所有可能路径的总分数【公众号：密知圈】.mp4 [135.6 MB]
4-EmissionScore_TransitionScore【公众号：密知圈】.mp4 [61.3 MB]
6-计算CRF真实路径的分数【公众号：密知圈】.mp4 [50.4 MB]
3-了解CRF层添加的好处【公众号：密知圈】.mp4 [105.9 MB]
📁 1--贝叶斯分类
6-贝叶斯网络_马尔可夫链【公众号：密知圈】.mp4 [38.7 MB]
1-朴素贝叶斯分类算法【公众号：密知圈】.mp4 [126.7 MB]
5-语言模型的设计目的_MLE的作用进行参数估计【公众号：密知圈】.mp4 [107.1 MB]
3-NB代码实现解析【公众号：密知圈】.mp4 [126.7 MB]
4-sklearn中调用NB_顺便讲解了GridSearchCV【公众号：密知圈】.mp4 [131.8 MB]
2-TF-IDF【公众号：密知圈】.mp4 [53.1 MB]
📁 4--人工智能基础-高等数学知识强化
📁 4--多元函数微分学
3-雅可比矩阵_在神经网络中应用【公众号：密知圈】.mp4 [37.7 MB]
4-Hessian矩阵【公众号：密知圈】.mp4 [32.9 MB]
1-多元函数求偏导【公众号：密知圈】.mp4 [22.6 MB]
2-高阶偏导数_梯度【公众号：密知圈】.mp4 [27.2 MB]
📁 1--数学内容概述
3-最优化知识_数学内容学习重点【公众号：密知圈】.mp4 [40.4 MB]
2-线性代数_概率论知识点【公众号：密知圈】.mp4 [26.8 MB]
1-人工智能学习数学的必要性_微积分知识点【公众号：密知圈】.mp4 [28.8 MB]
📁 6--概率论
7-最大似然估计思想【公众号：密知圈】.mp4 [23.4 MB]
2-条件概率_贝叶斯公式【公众号：密知圈】.mp4 [32.6 MB]
6-随机向量_独立性_协方差_随机向量的正太分布【公众号：密知圈】.mp4 [32.5 MB]
4-数学期望和方差【公众号：密知圈】.mp4 [23.0 MB]
5-常用随机变量服从的分布【公众号：密知圈】.mp4 [22.5 MB]
1-概率论_随机事件与随机事件概率【公众号：密知圈】.mp4 [21.7 MB]
3-随机变量【公众号：密知圈】.mp4 [22.6 MB]
📁 3--线性代数基础
11-矩阵的行列式【公众号：密知圈】.mp4 [20.1 MB]
8-矩阵的运算_加减法_转置【公众号：密知圈】.mp4 [22.8 MB]
9-矩阵相乘【公众号：密知圈】.mp4 [20.0 MB]
4-学习向量计算的用途举例【公众号：密知圈】.mp4 [20.3 MB]
1-向量的意义_n维欧式空间空间【公众号：密知圈】.mp4 [20.8 MB]
3-向量的内积_向量运算法则【公众号：密知圈】.mp4 [19.8 MB]
5-向量的范数_范数与正则项的关系【公众号：密知圈】.mp4 [32.4 MB]
6-特殊的向量【公众号：密知圈】.mp4 [26.5 MB]
10-矩阵的逆矩阵【公众号：密知圈】.mp4 [38.5 MB]
2-行向量列向量_转置_数乘_加减乘除【公众号：密知圈】.mp4 [19.3 MB]
7-矩阵_方阵_对称阵_单位阵_对角阵【公众号：密知圈】.mp4 [18.1 MB]
📁 2--一元函数微分学
8-导数判断凹凸性_导数用于泰勒展开【公众号：密知圈】.mp4 [44.2 MB]
4-导数求解的四则运算法则【公众号：密知圈】.mp4 [26.5 MB]
7-高阶导数_导数判断单调性_导数与极值【公众号：密知圈】.mp4 [22.0 MB]
6-推导激活函数的导函数【公众号：密知圈】.mp4 [33.4 MB]
2-导数的几何意义和物理意义【公众号：密知圈】.mp4 [14.5 MB]
3-常见函数的求导公式【公众号：密知圈】.mp4 [22.8 MB]
5-复合函数求导法则【公众号：密知圈】.mp4 [19.7 MB]
1-导数的定义_左导数和右导数【公众号：密知圈】.mp4 [28.4 MB]
📁 7--最优化
4-梯度下降法的推导【公众号：密知圈】.mp4 [43.6 MB]
7-凸集【公众号：密知圈】.mp4 [21.9 MB]
8-凸函数【公众号：密知圈】.mp4 [16.9 MB]
10-拉格朗日函数【公众号：密知圈】.mp4 [27.5 MB]
2-迭代求解的原因【公众号：密知圈】.mp4 [20.2 MB]
3-梯度下降法思路【公众号：密知圈】.mp4 [26.3 MB]
6-坐标下降法_数值优化面临的问题【公众号：密知圈】.mp4 [23.9 MB]
9-凸优化的性质_一般表达形式【公众号：密知圈】.mp4 [20.8 MB]
5-牛顿法公式推导以及优缺点【公众号：密知圈】.mp4 [45.8 MB]
1-最优化的基本概念【公众号：密知圈】.mp4 [35.1 MB]
📁 5--线性代数高级
1-二次型【公众号：密知圈】.mp4 [27.7 MB]
6-多元函数的泰勒展开_矩阵和向量的求导【公众号：密知圈】.mp4 [44.8 MB]
4-特征值和特征向量(2)【公众号：密知圈】.mp4 [30.1 MB]
9-奇异值分解性质_数据压缩【公众号：密知圈】.mp4 [38.7 MB]
8-求解奇异值分解中的UΣV矩阵【公众号：密知圈】.mp4 [49.5 MB]
7-奇异值分解定义【公众号：密知圈】.mp4 [22.6 MB]
2-补充关于正定负定的理解【公众号：密知圈】.mp4 [23.5 MB]
5-特征值分解【公众号：密知圈】.mp4 [38.7 MB]
3-特征值和特征向量(1)【公众号：密知圈】.mp4 [29.8 MB]
10-SVD用于PCA降维【公众号：密知圈】.mp4 [24.9 MB]
11-SVD用于协同过滤_求逆矩阵【公众号：密知圈】.mp4 [35.9 MB]
📁 20--深度学习-NLP自然语言处理项目实战
📁 5--实战NER命名实体识别项目
3-NER代码读取数据和预处理【公众号：密知圈】.mp4 [97.6 MB]
1-回顾了一下CRF训练和使用过程【公众号：密知圈】.mp4 [73.7 MB]
4-feature进入BiLSTM进行正向传播的过程【公众号：密知圈】.mp4 [70.9 MB]
6-BiLSTM-CRF模型的预测代码【公众号：密知圈】.mp4 [64.1 MB]
5-通过CRF层来计算Loss损失以及训练【公众号：密知圈】.mp4 [80.5 MB]
9-补充标注偏置问题_HMM做分词代码结构【公众号：密知圈】.mp4 [141.4 MB]
8-对比逻辑回归_相比HMM优势【公众号：密知圈】.mp4 [143.6 MB]
7-CRF中的特征函数们【公众号：密知圈】.mp4 [126.0 MB]
2-介绍了代码目录结构【公众号：密知圈】.mp4 [23.4 MB]
📁 4--Seq2Seq聊天机器人
1-从AI写唐诗到Seq2Seq再到Encoder-Decoder【公众号：密知圈】.mp4 [118.8 MB]
3-Seq2Seq版Chatbot训练和模型使用【公众号：密知圈】.mp4 [133.3 MB]
2-Seq2Seq版Chatbot的数据预处理【公众号：密知圈】.mp4 [93.8 MB]
📁 1--词向量
6-Word2Vec项目代码_总结串讲【公众号：密知圈】.mp4 [22.5 MB]
5-Word2Vec项目代码_评估比较相似度_最后的训练绘图【公众号：密知圈】.mp4 [83.3 MB]
3-Word2Vec项目代码_构建一个个批次数据【公众号：密知圈】.mp4 [82.3 MB]
4-Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质【公众号：密知圈】.mp4 [102.8 MB]
1-回顾了词向量里面训练的Topology【公众号：密知圈】.mp4 [121.7 MB]
2-Word2Vec项目代码_加载数据_构建字典【公众号：密知圈】.mp4 [96.8 MB]
📁 3--AI写唐诗
3-MultiRNNCell单元【公众号：密知圈】.mp4 [38.9 MB]
1-AI写唐诗_数据的读取_字典的构建_文本的索引化【公众号：密知圈】.mp4 [115.0 MB]
5-AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码【公众号：密知圈】.mp4 [61.7 MB]
6-AI写唐诗_模型的使用_增加随机性【公众号：密知圈】.mp4 [93.9 MB]
4-AI写唐诗_从词嵌入到构建RNN再到输出层概率输出【公众号：密知圈】.mp4 [67.0 MB]
2-AI写唐诗_训练数据的构建【公众号：密知圈】.mp4 [69.8 MB]
📁 2--自然语言处理--情感分析
7-代码讲解_04【公众号：密知圈】.mp4 [57.2 MB]
6-代码讲解_03【公众号：密知圈】.mp4 [53.9 MB]
4-代码讲解_01【公众号：密知圈】.mp4 [52.3 MB]
5-代码讲解_02【公众号：密知圈】.mp4 [60.8 MB]
2-数据预处理_01【公众号：密知圈】.mp4 [79.7 MB]
1-Keras实战RNN以及词嵌入来做情感分析【公众号：密知圈】.mp4 [71.1 MB]
3-数据预处理_02【公众号：密知圈】.mp4 [45.7 MB]
8-代码讲解_05【公众号：密知圈】.mp4 [35.9 MB]
📁 6--BERT新浪新闻10分类项目
1-BERT新浪新闻10分类项目【公众号：密知圈】.mp4 [104.5 MB]
📁 7--GPT2聊天机器人
1-GPT2闲聊机器人【公众号：密知圈】.mp4 [62.3 MB]
📁 3--人工智能基础-Python科学计算和可视化
📁 2--数据可视化模块
2-Matplotlib_绘制正余弦曲线_散点图_添加图例【公众号：密知圈】.mp4 [37.7 MB]
5-Matplotlib_绘制等高线图_绘制三维图像【公众号：密知圈】.mp4 [34.9 MB]
3-Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比【公众号：密知圈】.mp4 [52.2 MB]
4-Matplotlib_绘制饼图_直方图_同时绘制多组数据分布【公众号：密知圈】.mp4 [29.5 MB]
1-Matplotlib_概述_绘制直线图【公众号：密知圈】.mp4 [40.8 MB]
📁 1--科学计算模型Numpy
7-Numpy_数组的切分和转置【公众号：密知圈】.mp4 [28.3 MB]
1-Numpy_概述_安装_创建数组_获取shape形状【公众号：密知圈】.mp4 [39.9 MB]
2-Numpy_array_arange【公众号：密知圈】.mp4 [35.5 MB]
4-Numpy_ndarray属性_zeros_ones_like等创建数组函数【公众号：密知圈】.mp4 [45.4 MB]
3-Numpy_random随机数生成【公众号：密知圈】.mp4 [50.5 MB]
5-NumPy_reshape_切片操作_copy函数【公众号：密知圈】.mp4 [34.5 MB]
8-Numpy_算术运算_向上向下取整【公众号：密知圈】.mp4 [34.6 MB]
6-Numpy_改变数组维度_数组的拼接【公众号：密知圈】.mp4 [46.5 MB]
9-Numpy_聚合函数【公众号：密知圈】.mp4 [23.7 MB]
📁 3--数据处理分析模块Pandas
3-Python_Pandas_获取Series对象的值【公众号：密知圈】.mp4 [22.4 MB]
1-Python_Pandas_Series对象创建【公众号：密知圈】.mp4 [33.4 MB]
7-Python_Pandas_拼接和合并【公众号：密知圈】.mp4 [44.8 MB]
6-Python_Pandas_空值的删除与填充【公众号：密知圈】.mp4 [46.7 MB]
4-Python_Pandas_获取DataFrame对象的值【公众号：密知圈】.mp4 [28.3 MB]
5-Python_Pandas_条件过滤【公众号：密知圈】.mp4 [24.7 MB]
2-Python_Pandas_DataFrame对象创建【公众号：密知圈】.mp4 [37.2 MB]
📁 19--深度学习-NLP自然语言处理原理和进阶
📁 2--循环神经网络原理与优化
4-理解LSTM长短时记忆_记住Topo和公式【公众号：密知圈】.mp4 [185.3 MB]
2-理解RNN循环神经网络计算流程【公众号：密知圈】.mp4 [55.9 MB]
5-VanillaRNN的回顾复习【公众号：密知圈】.mp4 [123.5 MB]
8-双向RNN_LSTM【公众号：密知圈】.mp4 [52.0 MB]
6-补充讲一下为什么RNN中链越长越容易梯度消失【公众号：密知圈】.mp4 [44.2 MB]
3-利用RNN循环神经网络对MNIST手写数字识别【公众号：密知圈】.mp4 [127.7 MB]
1-理解RNN循环神经网络拓扑结构【公众号：密知圈】.mp4 [122.6 MB]
9-RNN里面应用的Topology结构【公众号：密知圈】.mp4 [23.0 MB]
7-LSTM的回顾复习_LSTM手写数字识别【公众号：密知圈】.mp4 [35.3 MB]
📁 3--从Attention机制到Transformer
2-Transformer_Self-Attention_Multi-head【公众号：密知圈】.mp4 [100.4 MB]
3-Transformer_Positional_使用逻辑_网络结构总结【公众号：密知圈】.mp4 [102.4 MB]
1-Seq2Seq中Attention注意力机制【公众号：密知圈】.mp4 [87.7 MB]
📁 1--词向量与词嵌入
1-N-gram语言模型【公众号：密知圈】.mp4 [116.3 MB]
3-词向量的作用【公众号：密知圈】.mp4 [58.0 MB]
2-NPLM神经网络语言模型【公众号：密知圈】.mp4 [155.8 MB]
4-CBOW模型思想和计算过程【公众号：密知圈】.mp4 [196.6 MB]
7-分层Softmax应用到CBOW模型上【公众号：密知圈】.mp4 [64.3 MB]
8-负采样和负采样应用到CBOW模型上【公众号：密知圈】.mp4 [66.1 MB]
5-Skip-gram模型思想和计算过程【公众号：密知圈】.mp4 [44.3 MB]
6-Huffman树_分层Softmax的思想【公众号：密知圈】.mp4 [113.8 MB]
📁 4--ELMO_BERT_GPT
1-ELMO【公众号：密知圈】.mp4 [62.4 MB]
2-BERT理论【公众号：密知圈】.mp4 [99.7 MB]
3-ERNIE_GPT【公众号：密知圈】.mp4 [56.3 MB]
📁 24--【加课】Pytorch项目实战
📁 3--PyTorch卷积神经网络_实战CIFAR10
2-PyTorch实战CIFAR10_构建网络_打印网络层次【公众号：密知圈】.mp4 [58.6 MB]
5-使用全局平均池化_使用LeNet模型【公众号：密知圈】.mp4 [41.0 MB]
6-使用集成学习思想训练识别模型【公众号：密知圈】.mp4 [87.0 MB]
10-PyTorch代码实战加入数据增强【公众号：密知圈】.mp4 [34.2 MB]
7-使用VGG16模型提供准确率【公众号：密知圈】.mp4 [52.9 MB]
8-torchvision里面的预训练模型【公众号：密知圈】.mp4 [29.8 MB]
9-迁移学习_PyTorch代码实战冻结预训练模型参数【公众号：密知圈】.mp4 [67.7 MB]
4-PyTorch实战CIFAR10_分类别打印模型准确率【公众号：密知圈】.mp4 [30.6 MB]
1-PyTorch实战CIFAR10数据_读取和展示【公众号：密知圈】.mp4 [83.9 MB]
3-PyTorch实战CIFAR10_训练模型_测试模型【公众号：密知圈】.mp4 [51.5 MB]
📁 1--PyTorch运行环境安装_运行环境测试
3-Pycharm关联PyTorch运行环境【公众号：密知圈】.mp4 [38.0 MB]
4-Jupyter关联PyTorch运行环境【公众号：密知圈】.mp4 [31.2 MB]
1-PyTorch概述【公众号：密知圈】.mp4 [29.3 MB]
2-PyTorch的安装【公众号：密知圈】.mp4 [76.5 MB]
📁 4--PyTorch循环神经网络_词性标注
2-PyTorch词性标注_构建词嵌入层LSTM层和词性输出层【公众号：密知圈】.mp4 [47.0 MB]
1-PyTorch词性标注_构建数据和词索引号【公众号：密知圈】.mp4 [28.1 MB]
4-PyTorch词性标注_测试模型效果【公众号：密知圈】.mp4 [11.7 MB]
3-PyTorch词性标注_构建数据索引化和训练模型代码【公众号：密知圈】.mp4 [44.6 MB]
📁 2--PyTorch基础_Tensor张量运算
3-广播机制_逐元素操作【公众号：密知圈】.mp4 [44.5 MB]
4-归并操作_比较操作_矩阵操作【公众号：密知圈】.mp4 [59.4 MB]
2-修改Tensor的形状_索引操作【公众号：密知圈】.mp4 [76.5 MB]
1-Tensor的创建【公众号：密知圈】.mp4 [55.1 MB]
📁 5--PyTorch编码器解码器_机器翻译
7-PyTorch中英文翻译_评估模型函数【公众号：密知圈】.mp4 [56.5 MB]
3-PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器【公众号：密知圈】.mp4 [57.7 MB]
6-PyTorch中英文翻译_构建训练函数之Decoder计算【公众号：密知圈】.mp4 [59.1 MB]
4-PyTorch中英文翻译_构建训练函数之Encoder计算【公众号：密知圈】.mp4 [50.9 MB]
8-PyTorch中英文翻译_绘制Attentions注意力权重【公众号：密知圈】.mp4 [33.7 MB]
1-PyTorch中英文翻译_规范化语料库_构建中英文词典索引【公众号：密知圈】.mp4 [50.4 MB]
5-PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器【公众号：密知圈】.mp4 [79.3 MB]
2-PyTorch中英文翻译_数据预处理【公众号：密知圈】.mp4 [42.7 MB]
📁 12--机器学习与大数据-推荐系统项目实战
📁 3--推荐系统--模型使用和推荐服务
11-Dubbo推荐服务演示_SparkMLlib介绍_2【公众号：密知圈】.mp4 [140.1 MB]
1-推荐模型文件使用思路【公众号：密知圈】.mp4 [61.9 MB]
9-使用Dubbo将推荐系统做成服务_3【公众号：密知圈】.mp4 [119.9 MB]
4-实时在线推荐列表计算逻辑代码讲解_2【公众号：密知圈】.mp4 [98.5 MB]
12-Dubbo推荐服务演示_SparkMLlib介绍_3【公众号：密知圈】.mp4 [157.5 MB]
2-Redis数据库安装及其使用【公众号：密知圈】.mp4 [47.9 MB]
5-实时在线推荐列表计算逻辑代码讲解_3【公众号：密知圈】.mp4 [90.6 MB]
8-使用Dubbo将推荐系统做成服务_2【公众号：密知圈】.mp4 [103.9 MB]
3-实时在线推荐列表计算逻辑代码讲解_1【公众号：密知圈】.mp4 [165.1 MB]
6-实时在线推荐列表计算逻辑代码讲解_4【公众号：密知圈】.mp4 [94.7 MB]
10-Dubbo推荐服务演示_SparkMLlib介绍_1【公众号：密知圈】.mp4 [110.2 MB]
7-使用Dubbo将推荐系统做成服务_1【公众号：密知圈】.mp4 [82.2 MB]
📁 1--推荐系统--流程与架构
13-推荐系统_数据源_2【公众号：密知圈】.mp4 [82.9 MB]
8-推荐系统架构_实时_离线_2【公众号：密知圈】.mp4 [104.7 MB]
5-推荐系统_协同过滤_3【公众号：密知圈】.mp4 [60.5 MB]
2-推荐系统_隐式用户反馈_2【公众号：密知圈】.mp4 [119.8 MB]
6-推荐系统_协同过滤_4【公众号：密知圈】.mp4 [56.2 MB]
3-推荐系统_协同过滤_1【公众号：密知圈】.mp4 [60.3 MB]
9-推荐系统列表_关联特征权重_基本特征权重的计算_1【公众号：密知圈】.mp4 [77.8 MB]
7-推荐系统架构_实时_离线_1【公众号：密知圈】.mp4 [100.7 MB]
12-推荐系统_数据源_1【公众号：密知圈】.mp4 [79.1 MB]
11-推荐系统列表_关联特征权重_基本特征权重的计算_3【公众号：密知圈】.mp4 [103.3 MB]
4-推荐系统_协同过滤_2【公众号：密知圈】.mp4 [61.4 MB]
1-推荐系统_隐式用户反馈_1【公众号：密知圈】.mp4 [88.3 MB]
10-推荐系统列表_关联特征权重_基本特征权重的计算_2【公众号：密知圈】.mp4 [112.8 MB]
📁 2--推荐系统--数据预处理和模型构建评估实战
12-ACC准确率和AUC面积的计算以及意义【公众号：密知圈】.mp4 [214.4 MB]
4-HQL语句_python脚本构建中间结果_4【公众号：密知圈】.mp4 [111.9 MB]
6-spark构建特征索引_标签列_2【公众号：密知圈】.mp4 [91.9 MB]
9-MLlib调用算法计算模型文件并存储_1【公众号：密知圈】.mp4 [99.6 MB]
5-推荐系统_数据预处理_spark构建特征索引_标签列_1【公众号：密知圈】.mp4 [116.9 MB]
3-HQL语句_python脚本构建中间结果_3【公众号：密知圈】.mp4 [123.7 MB]
10-MLlib调用算法计算模型文件并存储_2【公众号：密知圈】.mp4 [93.7 MB]
1-HQL语句_python脚本构建中间结果_1【公众号：密知圈】.mp4 [155.8 MB]
11-MLlib调用算法计算模型文件并存储_3【公众号：密知圈】.mp4 [107.3 MB]
2-HQL语句_python脚本构建中间结果_2【公众号：密知圈】.mp4 [122.3 MB]
7-spark构建特征索引_标签列_3【公众号：密知圈】.mp4 [97.9 MB]
8-spark构建特征索引_标签列_4【公众号：密知圈】.mp4 [98.6 MB]
📁 7--机器学习-无监督学习
📁 2--EM算法和GMM高斯混合模型
2-理解GMM高斯混合分布的对数似然函数【公众号：密知圈】.mp4 [95.2 MB]
7-GMM前景背景分离【公众号：密知圈】.mp4 [16.0 MB]
9-通过声音文件利用GMM算法识别是谁【公众号：密知圈】.mp4 [51.5 MB]
5-将EM算法应用到GMM中并且推导出了μ和Σ的公式【公众号：密知圈】.mp4 [157.6 MB]
8-通过声音文件利用GMM算法识别性别【公众号：密知圈】.mp4 [134.4 MB]
4-Jensen不等式的应用【公众号：密知圈】.mp4 [109.2 MB]
6-将EM算法应用到GMM中并且推导出Π的公式【公众号：密知圈】.mp4 [44.1 MB]
3-GMM参数估计Πμσ的流程【公众号：密知圈】.mp4 [112.2 MB]
1-单个高斯分布GM的参数估计【公众号：密知圈】.mp4 [112.7 MB]
📁 3--PCA降维算法
5-PCA的几种应用【公众号：密知圈】.mp4 [54.6 MB]
4-SVD其实就可以去实现PCA了【公众号：密知圈】.mp4 [93.0 MB]
2-PCA的最大投影方差思路【公众号：密知圈】.mp4 [186.8 MB]
3-最大投影方差推导_最小投影距离思路【公众号：密知圈】.mp4 [115.7 MB]
1-特征选择与特征映射【公众号：密知圈】.mp4 [49.4 MB]
📁 1--聚类系列算法
4-mini-batchKMeans_Canopy聚类_聚类评估指标【公众号：密知圈】.mp4 [214.7 MB]
6-层次聚类_密度聚类_谱聚类【公众号：密知圈】.mp4 [264.0 MB]
2-距离测度欧式距离和余弦距离的场景_TFIDF【公众号：密知圈】.mp4 [153.5 MB]
3-KMeans的一些变形_KMeans的损失函数推导及假设【公众号：密知圈】.mp4 [167.2 MB]
5-KMeans代码测试不同情况下的聚类效果【公众号：密知圈】.mp4 [148.7 MB]
1-KMeans聚类流程_距离测度欧式距离和余弦距离【公众号：密知圈】.mp4 [174.0 MB]适合人群
- AI算法工程师
- 机器学习爱好者
- 计算机相关专业学生
学习收获
掌握强化学习核心算法
提升深度学习实战能力
实现AI算法工程师职业目标
祝您学习愉快！
学有所成，前程似锦！
