所有分类
  • 所有分类
  • 编程开发
AI算法工程师就业班,人工智能最新培训视频教程(89G) 精品课程(价值19980元)

AI算法工程师就业班,人工智能最新培训视频教程(89G) 精品课程(价值19980元)

资源大小:93.9 GB
资源发放:百度网盘
更新时间:28/10/2022
发布日期:28/10/2022
资源下载
下载价格为42C,VIP免费,请先
唯有不断学习和奋斗 方能实现梦想!
VIP用户免C币下载,下载前请阅读上方文件目录,下载链接为百度云网盘,如链接失效,可在用户中心提交工单。
好途网上架了商场:提供网盘会员账号出租、小号批发,以及腾讯视频、爱奇艺、优酷视频、芒果tv、搜狐视频、迅雷白金、喜马拉雅、网易云音乐、QQ音乐等会员低价直冲业务,速去看看

AI算法工程师就业班,人工智能最新培训视频教程(89G) 精品课程(价值19980元)-1
本套课程AI算法工程师就业班(百Z程序员),课程官方售价19980元,由陈老师主讲,文件大小共计89.05G,文章底部附下载地址。

“人工智能时代刚刚开启,正是红利期,算法工程师岗位很稀缺且待遇很高,大厂急需。待遇通常在30万-100万”,如果不是强于沟通、善于领导这些能力,只想在技术上深根。有很多突破的方法,其中一种方式,转型人工智能最佳职位“算法工程师”。

课程介绍:

本套课程针对在校、在职学员,为期3年倾心打造良品《人工智能8.0版》,人工智能院长陈博老师亲自操刀,为期6个月的教学时段,125个知识模块,每日仅需2-3小时学习时间。跟着陈博老师学习进度,名企大厂offer在招手。

本套课程一共16阶段,从零开始,步步提升。一共6个月时间,业余时间学习,132个学习日,每天学2-3小时。本课制定了完整的学习计划,让学员只要一步一步跟着走完,就能拿到满意的offer。

更多人工智能课程推荐学习:人工智能深度学习高薪就业班P5马士兵AI人工智能工程师人工智能方向名企NLP第4期

AI算法工程师就业班,人工智能最新培训视频教程(89G) 精品课程(价值19980元)-2

AI算法工程师就业班,人工智能最新培训视频教程(89G) 精品课程(价值19980元)-3

AI算法工程师就业班 视频截图

AI算法工程师就业班,人工智能最新培训视频教程(89G) 精品课程(价值19980元)-4

AI算法工程师就业班 视频截图

课程文件目录:V-3810:AI算法工程师就业班课程 [89.05G]

V-3810:AI算法工程师就业班课程
├─01、人工智能基础-快速入门
│      1:人工智能就业前景与薪资.mp4
│      2:人工智能适合人群与必备技能.mp4
│      3:人工智能时代是发展的必然.mp4
│      4:人工智能在各领域的应用.mp4
│      5:人工智能常见流程.mp4
│      6:机器学习不同的学习方式.mp4
│      7:深度学习比传统机器学习有优势.mp4
│      8:有监督机器学习任务与本质.mp4
│      9:无监督机器学习任务与本质.mp4

├─02、人工智能基础-Python基础
│  ├─章节1:Python开发环境搭建
│  │      1:下载Miniconda运行环境.mp4
│  │      2:Miniconda安装和测试.mp4
│  │      3:Pycharm安装和代码运行.mp4
│  │      4:Jupyter安装和代码运行.mp4
│  │      5:Jupyter常用快捷键.mp4
│  │      6:Conda虚拟环境创建与Python模块安装.mp4
│  │      7:关联虚拟环境运行代码.mp4
│  │      人工智能-第1阶段Python基础.pdf
│  │      人工智能-第1阶段python进阶和高级编程.pdf
│  │      代码.rar
│  │
│  └─章节2:Python基础语法
│          10:Python_控制语句_多分支_三元条件运算符.mp4
│          11:Python_控制语句_while循环.mp4
│          12:Python_控制语句_for循环.mp4
│          13:Python_控制语句_嵌套循环.mp4
│          14:Python_控制语句_break_continue.mp4
│          15:Python_切片操作.mp4
│          16:Python_数据类型.mp4
│          17:Python_集合操作_列表.mp4
│          18:Python_集合操作_列表的基本操作.mp4
│          19:Python_集合操作_列表的常用方法.mp4
│          20:Python_集合操作_元组.mp4
│          21:Python_集合操作_字典和常见操作.mp4
│          22:Python_集合操作_字典keys方法_enumerate函数.mp4
│          23:Python_os模块_shutil模块.mp4
│          24:Python_打开并读取文件_中文编码问题.mp4
│          25:Python_函数_定义_调用_返回值_注释.mp4
│          26:Python_函数_局部变量_全局变量.mp4
│          27:Python_函数_默认参数_可变参数.mp4
│          28:Python_函数_递归.mp4
│          29:Python_函数式编程_高阶函数.mp4
│          30:Python_函数式编程_map_reduce_filter_匿名函数.mp4
│          31:Python_函数_闭包.mp4
│          32:Python_函数_装饰器.mp4
│          33:Python_类对象_定义与实例化对象.mp4
│          34:Python_类对象_实例属性和方法_类属性和方法.mp4
│          35:Python_类对象_内置方法.mp4
│          36:Python_类对象_运算符重载_私有对象方法_isinstance函数.mp4
│          37:Python_类对象_面向对象三大特性_类的继承.mp4
│          38:Python_类对象_子类复用父类构造器和方法_方法重写.mp4
│          8:Python是强类型的动态脚本语言.mp4
│          9:Python_控制语句_单双分支.mp4
│          新建文本文档.txt

├─03、人工智能基础-Python科学计算和可视化
│  ├─章节1:科学计算模型Numpy
│  │      1:Numpy_概述_安装_创建数组_获取shape形状.mp4
│  │      2:Numpy_array_arange.mp4
│  │      3:Numpy_random随机数生成.mp4
│  │      4:Numpy_ndarray属性_zeros_ones_like等创建数组函数.mp4
│  │      5:NumPy_reshape_切片操作_copy函数.mp4
│  │      6:Numpy_改变数组维度_数组的拼接.mp4
│  │      7:Numpy_数组的切分和转置.mp4
│  │      8:Numpy_算术运算_向上向下取整.mp4
│  │      9:Numpy_聚合函数.mp4
│  │      新建文本文档.txt
│  │
│  ├─章节2:数据可视化模块
│  │      10:Matplotlib_概述_绘制直线图.mp4
│  │      11:Matplotlib_绘制正余弦曲线_散点图_添加图例.mp4
│  │      12:Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比.mp4
│  │      13:Matplotlib_绘制饼图_直方图_同时绘制多组数据分布.mp4
│  │      14:Matplotlib_绘制等高线图_绘制三维图像.mp4
│  │      1599293649514137.png
│  │      人工智能-第1阶段数据分析(含办公自动化分析).pdf
│  │      新建文本文档.txt
│  │
│  └─章节3:数据处理分析模块Pandas
│          15:Python_Pandas_Series对象创建.mp4
│          16:Python_Pandas_DataFrame对象创建.mp4
│          17:Python_Pandas_获取Series对象的值.mp4
│          18:Python_Pandas_获取DataFrame对象的值.mp4
│          19:Python_Pandas_条件过滤.mp4
│          20:Python_Pandas_空值的删除与填充.mp4
│          21:Python_Pandas_拼接和合并.mp4
│          新建文本文档.txt

├─04、人工智能基础-高等数学知识强化
│      10:高阶导数_导数判断单调性_导数与极值.mp4
│      11:导数判断凹凸性_导数用于泰勒展开.mp4
│      12:向量的意义_n维欧式空间空间.mp4
│      13:行向量列向量_转置_数乘_加减乘除.mp4
│      14:向量的内积_向量运算法则.mp4
│      15:学习向量计算的用途举例.mp4
│      16:向量的范数_范数与正则项的关系.mp4
│      17:特殊的向量.mp4
│      18:矩阵_方阵_对称阵_单位阵_对角阵.mp4
│      19:矩阵的运算_加减法_转置.mp4
│      1:人工智能学习数学的必要性_微积分知识点.mp4
│      20:矩阵相乘.mp4
│      21:矩阵的逆矩阵.mp4
│      22:矩阵的行列式.mp4
│      23:多元函数求偏导.mp4
│      24:高阶偏导数_梯度.mp4
│      25:雅可比矩阵_在神经网络中应用.mp4
│      26:Hessian矩阵.mp4
│      27:二次型.mp4
│      28:补充关于正定负定的理解.mp4
│      29:特征值和特征向量(1).mp4
│      2:线性代数_概率论知识点.mp4
│      30:特征值和特征向量(2).mp4
│      31:特征值分解.mp4
│      32:多元函数的泰勒展开_矩阵和向量的求导.mp4
│      33:奇异值分解定义.mp4
│      34:求解奇异值分解中的UΣV矩阵.mp4
│      35:奇异值分解性质_数据压缩.mp4
│      36:SVD用于PCA降维.mp4
│      37:SVD用于协同过滤_求逆矩阵.mp4
│      38:概率论_随机事件与随机事件概率.mp4
│      39:条件概率_贝叶斯公式.mp4
│      3:最优化知识_数学内容学习重点.mp4
│      40:随机变量.mp4
│      41:数学期望和方差.mp4
│      42:常用随机变量服从的分布.mp4
│      43:随机向量_独立性_协方差_随机向量的正太分布.mp4
│      44:最大似然估计思想.mp4
│      45:最优化的基本概念.mp4
│      46:迭代求解的原因.mp4
│      47:梯度下降法思路.mp4
│      48:梯度下降法的推导.mp4
│      49:牛顿法公式推导以及优缺点.mp4
│      4:导数的定义_左导数和右导数.mp4
│      50:坐标下降法_数值优化面临的问题.mp4
│      51:凸集.mp4
│      52:凸函数.mp4
│      53:凸优化的性质_一般表达形式.mp4
│      54:拉格朗日函数.mp4
│      5:导数的几何意义和物理意义.mp4
│      6:常见函数的求导公式.mp4
│      7:导数求解的四则运算法则.mp4
│      8:复合函数求导法则.mp4
│      9:推导激活函数的导函数.mp4
│      数学.pdf

├─05、机器学习-线性回归
│  ├─章节1:多元线性回归
│  │      10:对数似然函数_推导出损失函数MSE.mp4
│  │      11:把目标函数按照线性代数的方式去表达.mp4
│  │      12:推导出目标函数的导函数形式.mp4
│  │      13:θ解析解的公式_是否要考虑损失函数是凸函数.mp4
│  │      14:Python开发环境版本的选择及下载.mp4
│  │      15:Anaconda环境安装_Pycharm环境安装.mp4
│  │      16:Pycharm创建脚本并测试python开发环境.mp4
│  │      17:解析解的方式求解多元线性回归_数据Xy.mp4
│  │      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.mp4
│  │      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.mp4
│  │      1:理解简单线性回归.mp4
│  │      20:Scikit-learn模块的介绍.mp4
│  │      21:调用Scikit-learn中的多元线性回归求解模型(上).mp4
│  │      22:调用Scikit-learn中的多元线性回归求解模型(下).mp4
│  │      2:最优解_损失函数_MSE.mp4
│  │      3:扩展到多元线性回归.mp4
│  │      4:理解多元线性回归表达式几种写法的原因.mp4
│  │      5:理解维度这个概念.mp4
│  │      6:理解回归一词_中心极限定理_正太分布和做预测.mp4
│  │      7:假设误差服从正太分布_最大似然估计MLE.mp4
│  │      8:引入正太分布的概率密度函数.mp4
│  │      9:明确目标通过最大总似然求解θ.mp4
│  │      代码.rar
│  │      新建文本文档.txt
│  │      第一阶段_手把手教你透彻掌握线性回归算法.pdf
│  │      软件.rar
│  │
│  ├─章节2:梯度下降法
│  │      23:梯度下降法产生的目的和原因以及思想.mp4
│  │      24:梯度下降法公式.mp4
│  │      25:学习率设置的学问_全局最优解.mp4
│  │      26:梯度下降法迭代流程总结.mp4
│  │      27:多元线性回归下的梯度下降法.mp4
│  │      28:全量梯度下降.mp4
│  │      29:随机梯度下降_小批量梯度下降.mp4
│  │      30:对应梯度下降法的问题和挑战.mp4
│  │      31:轮次和批次.mp4
│  │      32:代码实现全量梯度下降第1步和第2步.mp4
│  │      33:代码实现全量梯度下降第3步和第4步.mp4
│  │      34:代码实现随机梯度下降.mp4
│  │      35:代码实现小批量梯度下降.mp4
│  │      36:代码改进保证训练数据全都能被随机取到.mp4
│  │      37:代码改进实现随着迭代增加动态调整学习率.mp4
│  │      代码.rar
│  │      新建文本文档.txt
│  │      第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf
│  │
│  ├─章节3:归一化
│  │      38:归一化的目的_维度之间数量级不同产生的矛盾.mp4
│  │      39: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.mp4
│  │      40:归一化的副产品_有可能会提高模型的精度.mp4
│  │      41:最大值最小值归一化.mp4
│  │      42:标准归一化.mp4
│  │      新建文本文档.txt
│  │
│  ├─章节4:正则化
│  │      43:代码完成标准归一化.mp4
│  │      44:正则化的目的防止过拟合.mp4
│  │      45:正则化通过损失函数加入惩罚项使得W越小越好.mp4
│  │      46:常用的L1和L2正则项以及数学意义.mp4
│  │      47:L1稀疏性和L2平滑性.mp4
│  │      48:通过L1和L2的导函数理解区别的本质原因.mp4
│  │      新建文本文档.txt
│  │
│  └─章节5:Lasso回归_Ridge回归_多项式回归
│          49:代码调用Ridge岭回归.mp4
│          50:代码调用Lasso回归.mp4
│          51:代码调用ElasticNet回归.mp4
│          52:升维的意义_多项式回归.mp4
│          53:多项式升维代码实战_传入不同超参数对比.mp4
│          54:多项式升维代码实战_训练模型和评估.mp4
│          55:实战保险花销预测_数据介绍和加载数据.mp4
│          56:实战保险花销预测_数据预处理.mp4
│          57:实战保险花销预测_模型训练和评估_选择非线性算法改进.mp4
│          58:实战保险花销预测_特征选择思路.mp4
│          59:实战保险花销预测_特征工程.mp4
│          60:实战保险花销预测_模型训练和评估.mp4
│          代码.rar
│          新建文本文档.txt

├─06、机器学习-线性分类
│  ├─章节1:逻辑回归
│  │      1.txt
│  │      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.mp4
│  │      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.mp4
│  │      12:对逻辑回归函数进行求导_结论在后面会用到.mp4
│  │      13:对逻辑回归的损失函数求导_推导出导函数的形式.mp4
│  │      14:实战逻辑回归对鸢尾花数据集进行二分类.mp4
│  │      15:OneVsRest将多分类问题转化成多个二分类问题.mp4
│  │      16:实战逻辑回归对鸢尾花数据集进行多分类.mp4
│  │      1:逻辑回归_Sigmoid函数.mp4
│  │      2:sigmoid函数作用.mp4
│  │      3:逻辑回归为什么用sigmoid函数_预备知识.mp4
│  │      4:证明伯努利分布是指数族分布_推导出逻辑回归公式.mp4
│  │      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.mp4
│  │      6:推导逻辑回归损失函数_得到总似然的公式.mp4
│  │      7:推导逻辑回归损失函数_得到最终形式.mp4
│  │      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.mp4
│  │      9:绘制逻辑回归损失函数_探索单个参数和损失的关系.mp4
│  │      代码.rar
│  │      第五阶段_线性分类算法_逻辑回归和Softmax回归.pdf
│  │
│  ├─章节2:Softmax回归
│  │      1.txt
│  │      17:证明多项式分布属于指数族分布一种.mp4
│  │      18:从广义线性回归的η推导出来Softmax的公式.mp4
│  │      19:有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本.mp4
│  │      20:再次证明Softmax损失函数当K=2时就是逻辑回归损失函数.mp4
│  │      21:证明Softmax公式K=2的时候就是逻辑回归_平移不变性.mp4
│  │      22:逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别.mp4
│  │      23:实战音乐分类器_讲解需求和读取数据.mp4
│  │      24:实战音乐分类器_探索不同曲风音乐文件的时间频率图.mp4
│  │      25:实战音乐分类器_傅里叶变换可以帮助我们做什么.mp4
│  │      26:实战音乐分类器_代码使用傅里叶变换将混音文件进行投影.mp4
│  │      27:实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果.mp4
│  │      28:实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型.mp4
│  │      29:实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题.mp4
│  │      代码.rar
│  │      数据.rar
│  │
│  ├─章节3:SVM支持向量机算法
│  │      1.txt
│  │      30:SVM与感知机关系_几何距离与函数距离.mp4
│  │      31:SVM的思想.mp4
│  │      32:几种SVM_SVM的损失函数.mp4
│  │      33:数学预备知识_拉格朗日函数.mp4
│  │      34:硬间隔SVM的两步优化.mp4
│  │      35:总结硬间隔SVM.mp4
│  │      36:软间隔SVM和总结流程.mp4
│  │      37:非线性SVM.mp4
│  │      38:SVM在sklearn中的使用_超参数.mp4
│  │      SVM算法.pdf
│  │      代码.rar
│  │
│  └─章节4:SMO优化算法
│          1.txt
│          39:SVM算法流程总结.mp4
│          40:SMO算法求解思路_分解成很多个子二次规划问题分别求解.mp4
│          41:SMO将交给它的目标函数变成二元函数进一步变成一元函数.mp4
│          42:对一元函数求极值点_推导出旧的α和新的α的关系.mp4
│          43:将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁.mp4
│          44:再次说明α2如何进行剪裁的思路_根据α2求α1.mp4
│          45:启发式选择两个α.mp4
│          46:如何计算阈值b.mp4
│          47:SVM的SMO实现读取数据和计算fx与Ei.mp4
│          48:SVM的SMO实现判断违背条件的α1.mp4
│          49:SVM的SMO实现应用公式计算alphas和b.mp4
│          50:SVM绘制已有数据点和超平面以及边界.mp4
│          51:关于sklearn中的SVM封装的类和超参.mp4
│          52:概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp4
│          53:OVR和OVO多分类_算法小结_对比逻辑回归.mp4
│          代码.rar

├─07、机器学习-无监督学习
│  ├─章节1:聚类系列算法
│  │      1.txt
│  │      1:KMeans聚类流程_距离测度欧式距离和余弦距离.mp4
│  │      2:距离测度欧式距离和余弦距离的场景_TFIDF.mp4
│  │      3:KMeans的一些变形_KMeans的损失函数推导及假设.mp4
│  │      4:mini-batchKMeans_Canopy聚类_聚类评估指标.mp4
│  │      5:KMeans代码测试不同情况下的聚类效果.mp4
│  │      6:层次聚类_密度聚类_谱聚类.mp4
│  │      代码.rar
│  │      聚类.pdf
│  │
│  ├─章节2:EM算法和GMM高斯混合模型
│  │      1.txt
│  │      10:Jensen不等式的应用.mp4
│  │      11:将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp4
│  │      12:将EM算法应用到GMM中并且推导出Π的公式.mp4
│  │      13:GMM前景背景分离.mp4
│  │      14:通过声音文件利用GMM算法识别性别.mp4
│  │      15:通过声音文件利用GMM算法识别是谁.mp4
│  │      7:单个高斯分布GM的参数估计.mp4
│  │      8:理解GMM高斯混合分布的对数似然函数.mp4
│  │      9:GMM参数估计Πμσ的流程.mp4
│  │      EM算法与GMM模型.pdf
│  │      代码.rar
│  │
│  └─章节3:PCA降维算法
│          1.txt
│          16:特征选择与特征映射.mp4
│          17:PCA的最大投影方差思路.mp4
│          18:最大投影方差推导_最小投影距离思路.mp4
│          19:SVD其实就可以去实现PCA了.mp4
│          20:PCA的几种应用.mp4
│          PCA降维与SVD.pdf

├─08、机器学习-决策树系列
│  ├─章节1:决策树
│  │      10:绘制决策树模型_寻找最优树深度.mp4
│  │      11:代码训练回归树拟合SineWave.mp4
│  │      12:后剪枝的意义.mp4
│  │      13:CCP代价复杂度后剪枝.mp4
│  │      14:CCP代价复杂度剪枝_α超参数设定.mp4
│  │      1:决策树模型的特点.mp4
│  │      2:决策树的数学表达.mp4
│  │      3:如何构建一颗决策树.mp4
│  │      4:什么是更好的一次划分.mp4
│  │      5:Gini系数.mp4
│  │      6:信息增益.mp4
│  │      7:熵与Gini系数关系_信息增益率.mp4
│  │      8:预剪枝以及相关超参数.mp4
│  │      9:代码实战决策树对鸢尾花数据集分类.mp4
│  │      代码.rar
│  │      文档.rar
│  │
│  ├─章节2:集成学习和随机森林
│  │      15:不同聚合方式_生成不同弱学习器方式.mp4
│  │      16:Bagging_Boosting_Stacking.mp4
│  │      17:随机森林.mp4
│  │      18:代码实战随机森林对鸢尾花数据集分类.mp4
│  │      19:OOB袋外数据.mp4
│  │      20:Adaboost算法思路.mp4
│  │      21:调整数据权重让权重正确率达到50%.mp4
│  │      22:Adaboost如何调整样本权重和求基模型权重.mp4
│  │      代码.rar
│  │
│  ├─章节3:GBDT
│  │      23:GBDT试图使用有监督最优化算法梯度下降求解F(x).mp4
│  │      24:GBDT令每个弱学习器f(x)去拟合负梯度.mp4
│  │      25:GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp4
│  │      26:GBDT应用于回归问题.mp4
│  │      27:GBDT回归举例_总结.mp4
│  │      28:GBDT应用于二分类问题.mp4
│  │      29:GBDT二分类拟合的负梯度依然是残差.mp4
│  │      30:GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4
│  │      31:GBDT应用于多分类任务.mp4
│  │      32:GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp4
│  │      33:GBDT多分类流程.mp4
│  │      34:对比GBDT回归、二分类、多分类相同点与不同点.mp4
│  │      35:GBDT二分类叶子节点分值计算推导.mp4
│  │      36:GBDT多分类叶子节点分值计算.mp4
│  │      37:GBDT二分类举例详解.mp4
│  │      38:GBDT多分类举例详解.mp4
│  │      39:计算特征重要度进行特征选择.mp4
│  │      40:GBDT用于特征组合降维.mp4
│  │      41:特征组合降维在GBDT+LR架构应用.mp4
│  │      42:GBDT在sklearn中源码剖析_初始化F(x).mp4
│  │      43:GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp4
│  │      44:GBDT+LR架构训练模型代码实现.mp4
│  │      45:GBDT+LR架构预测评估代码实现.mp4
│  │      代码.rar
│  │
│  └─章节4:XGBoost
│      │  46:回顾有监督机器学习三要素.mp4
│      │  47:Bias_Variance_Trade-off.mp4
│      │  48:基于树集成学习4个优点.mp4
│      │  49:回顾基于树集成学习的模型和参数并举例说明.mp4
│      │  50:通过目标函数Obj来达到准确率和复杂度平衡.mp4
│      │  51:Objective_vs_Heuristic.mp4
│      │  52:得出XGBoost最开始的Obj目标函数.mp4
│      │  53:推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4
│      │  54:Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp4
│      │  55:重新定义树ft和树的复杂度Ω.mp4
│      │  56:由每个叶子节点重组目标函数Obj.mp4
│      │  57:推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp4
│      │  58:根据Obj收益指导每一次分裂从而学习一棵树结构.mp4
│      │  59:举例说明从连续型和离散型变量中寻找最佳分裂条件.mp4
│      │  60:XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp4
│      │  61:样本权重对于模型学习的影响.mp4
│      │  62:总结XGBoost的特性_包括缺失值的处理策略.mp4
│      │
│      ├─代码
│      │      pima-indians-diabetes.csv
│      │      xgboost_feature_selection.py
│      │
│      └─文档
│              新建文本文档.txt
│              第七阶段_掌握AI竞赛神器_XGBoost算法.wps

├─09、机器学习-概率图模型
│  ├─章节1:贝叶斯分类
│  │      1.txt
│  │      1:朴素贝叶斯分类算法.mp4
│  │      2:TF-IDF.mp4
│  │      3:NB代码实现解析.mp4
│  │      4:sklearn中调用NB_顺便讲解了GridSearchCV.mp4
│  │      5:语言模型的设计目的_MLE的作用进行参数估计.mp4
│  │      6:贝叶斯网络_马尔可夫链.mp4
│  │      NB_HMM.pdf
│  │      代码.rar
│  │
│  ├─章节2:HMM算法
│  │      1.txt
│  │      10:HMM预测问题使用维特比算法.mp4
│  │      11:HMM复习_明确概率计算问题要解决的目标.mp4
│  │      12:前向算法来解决概率计算问题.mp4
│  │      13:Viterbi算法案例详解.mp4
│  │      14:Viterbi算法代码实现.mp4
│  │      7:HMM隐马的定义.mp4
│  │      8:HMM隐马的三组参数_三个基本问题.mp4
│  │      9:HMM预测问题使用前向算法.mp4
│  │      代码.rar
│  │      资料.rar
│  │
│  └─章节3:CRF算法
│          1.txt
│          15:NER与分词和POS的关系_NER的标注策略_NER的主要方法.mp4
│          16:讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp4
│          17:了解CRF层添加的好处.mp4
│          18:EmissionScore_TransitionScore.mp4
│          19:CRF的目标函数.mp4
│          20:计算CRF真实路径的分数.mp4
│          21:计算CRF所有可能路径的总分数.mp4
│          22:通过模型来预测新的句子的序列标签.mp4
│          CRF_NER.pdf

├─10、机器学习与大数据-Kaggle竞赛实战
│  ├─章节1:药店销量预测案例
│  │      1:Rossmann药店销量预测_kaggle的介绍.mp4
│  │      2:对数据字段的介绍_导包.mp4
│  │      3:自定义损失函数.mp4
│  │      4:对数据里面的目标变量sales的一个分析.mp4
│  │      5:数据的预处理.mp4
│  │      6:模型的训练_评估.mp4
│  │      7:kaggle竞赛网站学习.mp4
│  │      代码.rar
│  │      新建文本文档.txt
│  │
│  └─章节2:网页分类案例
│          10:评估指标ROC和AUC.mp4
│          11:竞赛其他相关提交成绩排行榜.mp4
│          12:数据导入.mp4
│          13:MLlib对网页分类竞赛数据预处理.mp4
│          14:MLlib对网页分类竞赛数据预处理_模型训练.mp4
│          15:MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数.mp4
│          16:使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01.mp4
│          17:使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02.mp4
│          18:使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03.mp4
│          19:使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04.mp4
│          8:Kaggle网页分类竞赛介绍.mp4
│          9:评估指标ROC和AUC.mp4
│          代码.rar
│          新建文本文档.txt

├─11-机器学习与大数据-海量数据挖掘工具
│  ├─章节1:Spark计算框架基础
│  │      1.txt
│  │      10:分布式计算所需进程.mp4
│  │      11:两种算子操作本质区别.mp4
│  │      12:Spark算子操作实战讲解_代码实战WordCount_01.mp4
│  │      13:Spark算子操作实战讲解_代码实战WordCount_02.mp4
│  │      14:Spark算子操作实战讲解_代码实战WordCount_03.mp4
│  │      15:Spark算子操作实战讲解_代码实战WordCount_04.mp4
│  │      1:Spark特性_01.mp4
│  │      2:Spark特性_02.mp4
│  │      3:Spark对比hadoop优势.mp4
│  │      4:回顾hadoop讲解shuffle.mp4
│  │      5:分布式计算框架Shuffle的原理_01.mp4
│  │      6:分布式计算框架Shuffle的原理_02.mp4
│  │      7:分布式计算框架Shuffle的原理_03.mp4
│  │      8:Spark的RDD特性_01.mp4
│  │      9:Spark的RDD特性_02.mp4
│  │      代码.rar
│  │      资料.rar
│  │
│  ├─章节2:Spark计算框架深入
│  │      1.txt
│  │      16:Spark数据缓存机制.mp4
│  │      17:Spark宽依赖和窄依赖_01.mp4
│  │      18:Spark宽依赖和窄依赖_02.mp4
│  │      19:Spark宽依赖和窄依赖_03.mp4
│  │      20:Spark术语总结.mp4
│  │      21:分布式文件系统Block块的大小配置.mp4
│  │      22:Spark程序启动运行流程详解_01.mp4
│  │      23:Spark程序启动运行流程详解_02.mp4
│  │      24:Spark程序启动运行流程详解_03.mp4
│  │      25:讲解构建稀疏和稠密向量_01.mp4
│  │      26:讲解构建稀疏和稠密向量_01.mp4
│  │      27:构建LabeledPoint.mp4
│  │      28:介绍SparkMLlib模块中实现的算法和调用.mp4
│  │
│  └─章节3:Spark机器学习MLlib和ML模块
│          1.txt
│          29:SparkMLlib对于逻辑回归算法的调用.mp4
│          30:SparkMLlib调用逻辑回归_自定义阈值_1.mp4
│          31:SparkMLlib调用逻辑回归_自定义阈值_2.mp4
│          32:SparkMLlib调用逻辑回归_使用标准归一化_1.mp4
│          33:SparkMLlib调用逻辑回归_使用标准归一化_2.mp4
│          34:SparkMLlib调用逻辑回归_使用标准归一化_3.mp4
│          35:SparkMLlib调用逻辑回归_使用标准归一化_4.mp4
│          36:SparkMLlib调用KMeans聚类_调用决策树(1)_1.mp4
│          37:SparkMLlib调用KMeans聚类_调用决策树(1)_2.mp4
│          38:SparkMLlib调用KMeans聚类_调用决策树(1)_3.mp4
│          39:使用逻辑回归和随机森林对股票Stock预测案例实战_1.mp4
│          40:使用逻辑回归和随机森林对股票Stock预测案例实战_2.mp4
│          41:使用逻辑回归和随机森林对股票Stock预测案例实战_3.mp4
│          42:从数据转化到训练集的构建.mp4
│          43:模型的训练以及评估和调超参_1.mp4
│          44:模型的训练以及评估和调超参_2.mp4
│          45:模型的训练以及评估和调超参_3.mp4
│          46:SparkML机器学习库概念讲解_1.mp4
│          47:SparkML机器学习库概念讲解_2.mp4
│          48:SparkML机器学习库代码实战讲解_1.mp4
│          49:SparkML机器学习库代码实战讲解_2.mp4
│          50:SparkML网页分类案例代码实战续(1)_1.mp4
│          51:SparkML网页分类案例代码实战续(1)_2.mp4
│          52:SparkML网页分类案例代码实战续(2)_1.mp4
│          53:SparkML网页分类案例代码实战续(2)_2.mp4
│          54:SparkML网页分类案例代码实战续(3).mp4
│          资料.rar

├─12-机器学习与大数据-推荐系统项目实战
│  ├─章节1:推荐系统–流程与架构
│  │      1.txt
│  │      10:推荐系统列表_关联特征权重_基本特征权重的计算_2.mp4
│  │      11:推荐系统列表_关联特征权重_基本特征权重的计算_3.mp4
│  │      12:推荐系统_数据源_1.mp4
│  │      13:推荐系统_数据源_2.mp4
│  │      1:推荐系统_隐式用户反馈_1.mp4
│  │      2:推荐系统_隐式用户反馈_2.mp4
│  │      3:推荐系统_协同过滤_1.mp4
│  │      4:推荐系统_协同过滤_2.mp4
│  │      5:推荐系统_协同过滤_3.mp4
│  │      6:推荐系统_协同过滤_4.mp4
│  │      7:推荐系统架构_实时_离线_1.mp4
│  │      8:推荐系统架构_实时_离线_2.mp4
│  │      9:推荐系统列表_关联特征权重_基本特征权重的计算_1.mp4
│  │      数据.rar
│  │      资料.rar
│  │
│  ├─章节2:推荐系统–数据预处理和模型构建评估实战
│  │      1.txt
│  │      14:HQL语句_python脚本构建中间结果_1.mp4
│  │      15:HQL语句_python脚本构建中间结果_2.mp4
│  │      16:HQL语句_python脚本构建中间结果_3.mp4
│  │      17:HQL语句_python脚本构建中间结果_4.mp4
│  │      18:推荐系统_数据预处理_spark构建特征索引_标签列_1.mp4
│  │      19:spark构建特征索引_标签列_2.mp4
│  │      20:spark构建特征索引_标签列_3.mp4
│  │      21:spark构建特征索引_标签列_4.mp4
│  │      22:MLlib调用算法计算模型文件并存储_1.mp4
│  │      23:MLlib调用算法计算模型文件并存储_2.mp4
│  │      24:MLlib调用算法计算模型文件并存储_3.mp4
│  │      25:ACC准确率和AUC面积的计算以及意义.mp4
│  │      代码.rar
│  │      数据.rar
│  │      资料.rar
│  │      软件.rar
│  │      集群.rar
│  │
│  └─章节3:推荐系统–模型使用和推荐服务
│          1.txt
│          26:推荐模型文件使用思路.mp4
│          27:Redis数据库安装及其使用.mp4
│          28:实时在线推荐列表计算逻辑代码讲解_1.mp4
│          29:实时在线推荐列表计算逻辑代码讲解_2.mp4
│          30:实时在线推荐列表计算逻辑代码讲解_3.mp4
│          31:实时在线推荐列表计算逻辑代码讲解_4.mp4
│          32:使用Dubbo将推荐系统做成服务_1.mp4
│          33:使用Dubbo将推荐系统做成服务_2.mp4
│          34:使用Dubbo将推荐系统做成服务_3.mp4
│          35:Dubbo推荐服务演示_SparkMLlib介绍_1.mp4
│          36:Dubbo推荐服务演示_SparkMLlib介绍_2.mp4
│          37:Dubbo推荐服务演示_SparkMLlib介绍_3.mp4
│          代码.rar

├─13-深度学习-原理和进阶
│  ├─章节1:神经网络算法
│  │      1.txt
│  │      1:神经网络是有监督的算法_生物神经元到人工神经元.mp4
│  │      2:三种常见的激活函数_网络拓扑介绍_优化算法.mp4
│  │      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.mp4
│  │      4:用神经网络理解Softmax回归.mp4
│  │      5:隐藏层的意义_隐藏层相当于去做预处理_升维降维.mp4
│  │      6:多节点网络输出_sklearn中NN模块的介绍.mp4
│  │      7:sklearn中NN模型的代码使用.mp4
│  │      8:隐藏层激活函数必须是非线性的.mp4
│  │      9:tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装.mp4
│  │      神经网络.pdf
│  │      资料.rar
│  │
│  ├─章节2:TensorFlow深度学习工具
│  │      1.txt
│  │      10:CUDA下载地址_CUDA显卡白名单地址.mp4
│  │      11:CUDA安装_cudnn安装_环境变量配置_检验是否安装成功.mp4
│  │      12:Tensorflow代码运行机制_TF基础的代码.mp4
│  │      13:TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式.mp4
│  │      14:TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据.mp4
│  │      15:TF实现Softmax回归来识别MNIST手写数字.mp4
│  │      16:TF实现DNN来识别MNIST手写数字.mp4
│  │      代码.rar
│  │      软件.rar
│  │
│  └─章节3:反向传播推导_Python代码实现神经网络
│          1.txt
│          17:反向传播_链式求导法则.mp4
│          18:反向传播推导(一).mp4
│          19:反向传播推导(二)从输出层到最后一个隐藏层.mp4
│          20:反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例.mp4
│          21:反向传播推导(四)关于Δ和a还有梯度的更新事宜.mp4
│          22:python实现神经网络训练代码讲解(一).mp4
│          23:python实现神经网络正向反向传播训练.mp4
│          代码.rar
│          资料.rar

├─14-深度学习-图像识别原理
│  ├─章节1:卷积神经网络原理
│  │      1.txt
│  │      1:回顾深度神经网络_卷积层是局部连接.mp4
│  │      2:单通道卷积的计算.mp4
│  │      3:彩色图片卷积的计算.mp4
│  │      4:卷积层权值共享.mp4
│  │      5:卷积的补充与Padding填充模式.mp4
│  │      6:卷积的计算TF中的API操作与参数.mp4
│  │      7:池化的概念和TF中的API的操作与参数.mp4
│  │      8:经典的CNN架构和LeNet5.mp4
│  │      代码.rar
│  │      资料.rar
│  │
│  ├─章节2:卷积神经网络优化
│  │      1.txt
│  │      10:Dropout技术点思想和运用.mp4
│  │      11:数据增强技术点_CNN对MNIST数据集分类_卷积池化代码.mp4
│  │      12:CNN对MNIST数据集分类_全连接层以及训练代码.mp4
│  │      13:深度学习网络对应ACC准确率忽然下降的思考点.mp4
│  │      14:减轻梯度消失问题中激活函数发挥的作用.mp4
│  │      15:减轻梯度消失问题中参数初始化发挥的作用.mp4
│  │      16:VGG网络结构_以及1乘1的卷积核的作用和好处.mp4
│  │      17:Optimizer_SGD_Momentum.mp4
│  │      18:Optimizer_Adagrad_Adadelta_RMSprop.mp4
│  │      19:Optimizer_Adam.mp4
│  │      9:AlexNet网络结构_连续使用小的卷积核好处.mp4
│  │      代码.rar
│  │      资料.rar
│  │
│  ├─章节3:经典卷积网络算法
│  │      1.txt
│  │      20:Keras介绍_以及不同项目调用不同的python环境和CUDA环境.mp4
│  │      21:VGG16_Fine-tuning_对MNIST做手写数字识别.mp4
│  │      22:InceptionV1_V2.mp4
│  │      23:InceptionV3_以及InceptionV3对皮肤癌图片识别.mp4
│  │      24:ResNet残差单元_BottlenetBlocK.mp4
│  │      25:DenseNet和Keras里面的实现.mp4
│  │      26:DenseNet在Keras里面的代码实现.mp4
│  │      27:BatchNormalization.mp4
│  │      28:Mobilenet网络架构.mp4
│  │      代码.rar
│  │      资料.rar
│  │
│  ├─章节4:古典目标检测
│  │      1.txt
│  │      29:图像识别任务_古典目标检测.mp4
│  │      30:使用OpenCV调用分类器找到目标框.mp4
│  │      31:IOU以及python计算的代码.mp4
│  │      32:R-CNN和SPP-net.mp4
│  │      33:从FastRCNN引入FasterRCNN.mp4
│  │      目标检测.pdf
│  │
│  └─章节5:现代目标检测之FasterRCNN
│          1.txt
│          34:回顾RCNN_SPPnet_Fast-RCNN.mp4
│          35:FasterRNN的核心RPN_正向传播的框过滤_NMS.mp4
│          36:NMS代码实现流程_mAP目标检测平均指标.mp4
│          37:FasterRCNN论文讲解_从介绍到RPN的loss.mp4
│          38:FasterRCNN论文讲解_从RPN损失到评估指标对比.mp4
│          Faster R-CNN Towards Real-Time Object Detection with Region Proposal Networks.pdf

├─15-深度学习-图像识别项目实战
│  ├─章节1:车牌识别
│  │      1:基于CascadeClassifier来提取目标框做车牌识别代码详解_01.mp4
│  │      2:基于CascadeClassifier来提取目标框做车牌识别代码详解_02.mp4
│  │      3:基于CascadeClassifier来提取目标框做车牌识别代码详解_03.mp4
│  │      4:基于CascadeClassifier来提取目标框做车牌识别代码详解_04.mp4
│  │      5:车牌识别项目关于目标检测的问题.mp4
│  │      car_license.rar
│  │
│  ├─章节2:自然场景下的目标检测及源码分析
│  │      10:FasterRCNN项目代码_模型的训练.mp4
│  │      11:回归整体训练流程_详解读取数据blob_01.mp4
│  │      12:回归整体训练流程_详解读取数据blob_02.mp4
│  │      13:回归整体训练流程_详解读取数据blob_03.mp4
│  │      14:回归整体训练流程_详解读取数据blob_04.mp4
│  │      15:FasterRCNN代码_构建head.mp4
│  │      16:FasterRCNN代码_构建RPN网络_01.mp4
│  │      17:FasterRCNN代码_构建RPN网络_02.mp4
│  │      18:FasterRCNN代码_根据RPN网络得到校正后的预测的框_01.mp4
│  │      19:FasterRCNN代码_根据RPN网络得到校正后的预测的框_02.mp4
│  │      20:FasterRCNN代码_bbox剪裁_NMS非极大值抑制.mp4
│  │      21:FasterRCNN代码_给RPN准备正负例样本_01.mp4
│  │      22:FasterRCNN代码_给RPN准备正负例样本_02.mp4
│  │      23:FasterRCNN代码_给RPN准备正负例样本_03.mp4
│  │      24:FasterRCNN代码_给RPN准备正负例样本_04.mp4
│  │      25:FasterRCNN代码_给RPN准备正负例样本_05.mp4
│  │      26:FasterRCNN代码_给RPN准备正负例样本_06.mp4
│  │      27:FasterRCNN代码_给RPN准备正负例样本_07.mp4
│  │      28:FasterRCNN代码_给RPN准备正负例样本_08.mp4
│  │      29:FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01.mp4
│  │      30:FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02.mp4
│  │      31:FasterRCNN代码_添加Loss损失_smoothL1loss.mp4
│  │      6:FasterRCNN项目代码_环境说明_数据集详解_项目结构说明.mp4
│  │      7:FasterRCNN项目代码_数据加载.mp4
│  │      8:FasterRCNN项目代码_数据增强.mp4
│  │      9:FasterRCNN项目代码_数据初始化.mp4
│  │      Faster-RCNN-TensorFlow-Python3.5-master.rar
│  │      资料.rar
│  │
│  └─章节3:图像风格迁移
│          1.txt
│          32:图片风格融合项目_架构_代码实现要点_1.mp4
│          33:图片风格融合项目_架构_代码实现要点_2.mp4
│          34:图片风格融合项目_架构_代码实现要点_3.mp4
│          35:图片风格融合项目_架构_代码实现要点_4.mp4
│          style_transfer.rar

├─16-深度学习-目标检测YOLO(V1-V4全版本)实战
│  │  keras-yolo3-master.rar
│  │  资料.rar
│  │
│  ├─章节1:YOLOv1详解
│  │      1:YOLOv1论文详解_算法特点介绍.mp4
│  │      2:YOLOv1论文详解_网络架构_思想.mp4
│  │      3:YOLOv1论文详解_训练中的技巧_Loss损失函数.mp4
│  │      4:YOLOv1论文详解_NMS_局限性.mp4
│  │
│  ├─章节2:YOLOv2详解
│  │      5:YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes.mp4
│  │      6:YOLOv2论文详解_mAP更better的一些点.mp4
│  │      7:YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签.mp4
│  │      8:YOLOv2论文详解_层级分类_层级分类用于目标检测.mp4
│  │
│  ├─章节3:YOLOv3详解
│  │      10:YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53.mp4
│  │      11:YOLOv3论文详解_总结_FocalLoss.mp4
│  │      12:YOLOv4论文概述_介绍.mp4
│  │      13:YOLOv4论文概述_BOS_BOF.mp4
│  │      9:YOLOv3论文详解_每个框都要预测多个类别概率.mp4
│  │
│  ├─章节4:YOLOv3代码实战
│  │      14:YOLOv3代码剖析_项目介绍.mp4
│  │      15:YOLOv3代码剖析_聚类anchors_构建backbone主干网络.mp4
│  │      16:YOLOv3代码剖析_model输出之后的预测框的计算.mp4
│  │      17:YOLOv3代码剖析_使用model预测的其余代码.mp4
│  │      18:YOLOv3代码剖析_weights到h5模型的转换.mp4
│  │      19:YOLOv3代码剖析_模型的训练部分详解.mp4
│  │
│  └─章节5:YOLOv4详解
│          20:YOLOv4_BOF_DropBlock_FocalLoss.mp4
│          21:YOLOv4_BOF_GIoU_DIoU_CIoU.mp4
│          22:YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish.mp4
│          23:YOLOv4_BOS_SAM_PAN_CSP_CmBN.mp4

├─17-深度学习-语义分割原理和实战
│  ├─章节1:上采样_双线性插值_转置卷积
│  │      1.txt
│  │      1:前言.mp4
│  │      2:上采样_repeat.mp4
│  │      3:线性插值.mp4
│  │      4:双线性插值.mp4
│  │      5:转置卷积_以及TF的API.mp4
│  │      6:双线性插值作为转置卷积核的初始参数.mp4
│  │      7:ROIAlign.mp4
│  │      8:FPN思想与网络结构.mp4
│  │      9:FPN应用于FasterRCNN_ResNetFPN.mp4
│  │      代码.rar
│  │      资料.rar
│  │
│  ├─章节2:医疗图像UNet语义分割
│  │      1.txt
│  │      10:语义分割的基本概念.mp4
│  │      11:FCN全卷积网络做语义分割.mp4
│  │      12:UNet网络结构.mp4
│  │      13:UNet网络医疗图像的语义分割.mp4
│  │      U-Net.zip
│  │      资料.rar
│  │
│  └─章节3:蒙版弹幕MaskRCNN语义分割
│          1.txt
│          14:MaskRCNN网络结构.mp4
│          15:MaskRCNN的项目展示.mp4
│          16:MaskRCNN网络架构回顾.mp4
│          17:MaskRCNN根据文档和论文总结重要的知识点.mp4
│          18:MaskRCNN项目关于运行代码环境的说明.mp4
│          19:MaskRCNN源码config和model.mp4
│          代码.rar
│          资料.rar

├─18-深度学习-人脸识别项目实战
│  │  1.txt
│  │  facenet-master.zip
│  │  模型.rar
│  │  资料.rar
│  │
│  └─章节1:人脸识别
│          10:人脸识别项目代码_加载MTCNN模型.mp4
│          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.mp4
│          12:FaceNet论文_摘要和前情介绍.mp4
│          13:FaceNet论文_相关的介绍.mp4
│          14:FaceNet论文_TripleLoss思路来源和目标.mp4
│          15:FaceNet论文_TripleLoss损失函数.mp4
│          16:FaceNet论文_TripleSelection很至关重要.mp4
│          17:FaceNet论文_ZF和Inception对比_总结.mp4
│          18:人脸识别项目代码_FaceNet模型加载和使用.mp4
│          19:人脸识别项目代码_人脸匹配以及最后的绘图展示.mp4
│          1:人脸识别任务种类_具体做法思路.mp4
│          2:开源的FaceNet项目介绍.mp4
│          3:人脸识别项目代码整体结构.mp4
│          4:MTCNN论文_摘要和介绍.mp4
│          5:MTCNN论文_网络整体架构.mp4
│          6:PRelu_每阶段输出多分支意义.mp4
│          7:每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp4
│          8:训练数据的准备_每一阶段训练的流程.mp4
│          9:总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp4

├─19-深度学习-NLP自然语言处理原理和进阶
│  ├─章节1:词向量与词嵌入
│  │      1.txt
│  │      1:N-gram语言模型.mp4
│  │      2:NPLM神经网络语言模型.mp4
│  │      3:词向量的作用.mp4
│  │      4:CBOW模型思想和计算过程.mp4
│  │      5:Skip-gram模型思想和计算过程.mp4
│  │      6:Huffman树_分层Softmax的思想.mp4
│  │      7:分层Softmax应用到CBOW模型上.mp4
│  │      8:负采样和负采样应用到CBOW模型上.mp4
│  │      Word2Vec.pdf
│  │      资料.rar
│  │
│  ├─章节2:循环神经网络原理与优化
│  │      1.txt
│  │      10:理解RNN循环神经网络计算流程.mp4
│  │      11:利用RNN循环神经网络对MNIST手写数字识别.mp4
│  │      12:理解LSTM长短时记忆_记住Topo和公式.mp4
│  │      13:VanillaRNN的回顾复习.mp4
│  │      14:补充讲一下为什么RNN中链越长越容易梯度消失.mp4
│  │      15:LSTM的回顾复习_LSTM手写数字识别.mp4
│  │      16:双向RNN_LSTM.mp4
│  │      17:RNN里面应用的Topology结构.mp4
│  │      9:理解RNN循环神经网络拓扑结构.mp4
│  │      RNN_Attention机制.pdf
│  │      代码.rar
│  │      资料.rar
│  │
│  ├─章节3:从Attention机制到Transformer
│  │      1.txt
│  │      18:Seq2Seq中Attention注意力机制.mp4
│  │      19:Transformer_Self-Attention_Multi-head.mp4
│  │      20:Transformer_Positional_使用逻辑_网络结构总结.mp4
│  │      RNN_Attention机制.pdf
│  │      资料.rar
│  │
│  └─章节4:ELMO_BERT_GPT
│          1.txt
│          21:ELMO.mp4
│          22:BERT理论.mp4
│          23:ERNIE_GPT.mp4
│          RNN_Attention机制.pdf

├─20-深度学习-NLP自然语言处理项目实战
│  ├─章节1:词向量
│  │      1:回顾了词向量里面训练的Topology.mp4
│  │      2:Word2Vec项目代码_加载数据_构建字典.mp4
│  │      3:Word2Vec项目代码_构建一个个批次数据.mp4
│  │      4:Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质.mp4
│  │      5:Word2Vec项目代码_评估比较相似度_最后的训练绘图.mp4
│  │      6:Word2Vec项目代码_总结串讲.mp4
│  │      word_2_vector.rar
│  │
│  ├─章节2:自然语言处理–情感分析
│  │      10:代码讲解_01.mp4
│  │      11:代码讲解_02.mp4
│  │      12:代码讲解_03.mp4
│  │      13:代码讲解_04.mp4
│  │      14:代码讲解_05.mp4
│  │      7:Keras实战RNN以及词嵌入来做情感分析.mp4
│  │      8:数据预处理_01.mp4
│  │      9:数据预处理_02.mp4
│  │      代码.rar
│  │
│  ├─章节3:AI写唐诗
│  │      15:AI写唐诗_数据的读取_字典的构建_文本的索引化.mp4
│  │      16:AI写唐诗_训练数据的构建.mp4
│  │      17:MultiRNNCell单元.mp4
│  │      18:AI写唐诗_从词嵌入到构建RNN再到输出层概率输出.mp4
│  │      19: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.mp4
│  │      20:AI写唐诗_模型的使用_增加随机性.mp4
│  │      代码 .rar
│  │
│  ├─章节4:Seq2Seq聊天机器人
│  │      21:从AI写唐诗到Seq2Seq再到Encoder-Decoder.mp4
│  │      22:Seq2Seq版Chatbot的数据预处理.mp4
│  │      23:Seq2Seq版Chatbot训练和模型使用.mp4
│  │      代码.rar
│  │
│  ├─章节5:实战NER命名实体识别项目
│  │      24:回顾了一下CRF训练和使用过程.mp4
│  │      25:介绍了代码目录结构.mp4
│  │      26:NER代码读取数据和预处理.mp4
│  │      27:feature进入BiLSTM进行正向传播的过程.mp4
│  │      28:通过CRF层来计算Loss损失以及训练.mp4
│  │      29:BiLSTM-CRF模型的预测代码.mp4
│  │      30:CRF中的特征函数们.mp4
│  │      31:对比逻辑回归_相比HMM优势.mp4
│  │      32:补充标注偏置问题_HMM做分词代码结构.mp4
│  │      代码.rar
│  │
│  ├─章节6:BERT新浪新闻10分类项目
│  │      33:BERT新浪新闻10分类项目.mp4
│  │      bert.zip
│  │
│  └─章节7:GPT2聊天机器人
│          34:GPT2闲聊机器人.mp4
│          GPT2-Chinese-master.zip
│          gpt2_chatbot-master.zip

├─21-深度学习-OCR文本识别
│  │  资料.rar
│  │
│  └─章节1:深度学习-OCR文本识别
│          10:CRNN项目代码剖析.mp4
│          1:传统OCR识别_深度学习OCR识别.mp4
│          2:OCR识别本质就是文字检测和文字识别.mp4
│          3:OCR识别的CTC损失思想.mp4
│          4:总结理解深度学习文字识别架构.mp4
│          5:CTC损失函数的理解.mp4
│          6:CTC损失函数前向后向算法推导_梯度求导公式推导.mp4
│          7:CTC前向后向算法代码.mp4
│          8:GreedySearch和BeamSearch解码的方式与代码逻辑.mp4
│          9:CPTN项目代码剖析.mp4

├─22-深度学习-语音识别【2021新增 未更新。。。持续更新】
│  └─官方未更新。。。持续更新
├─23-深度学习-知识图谱【2021新增 未更新。。。持续更新】
│  └─官方未更新。。。持续更新
├─24-【加课】Pytorch项目实战
│  │  代码.rar
│  │  资料.rar
│  │
│  ├─章节1:PyTorch运行环境安装_运行环境测试
│  │      1:PyTorch概述.mp4
│  │      2:PyTorch的安装.mp4
│  │      3:Pycharm关联PyTorch运行环境.mp4
│  │      4:Jupyter关联PyTorch运行环境.mp4
│  │
│  ├─章节2:PyTorch基础_Tensor张量运算
│  │      5:Tensor的创建.mp4
│  │      6:修改Tensor的形状_索引操作.mp4
│  │      7:广播机制_逐元素操作.mp4
│  │      8:归并操作_比较操作_矩阵操作.mp4
│  │
│  ├─章节3:PyTorch卷积神经网络_实战CIFAR10
│  │      10:PyTorch实战CIFAR10_构建网络_打印网络层次.mp4
│  │      11:PyTorch实战CIFAR10_训练模型_测试模型.mp4
│  │      12:PyTorch实战CIFAR10_分类别打印模型准确率.mp4
│  │      13:使用全局平均池化_使用LeNet模型.mp4
│  │      14:使用集成学习思想训练识别模型.mp4
│  │      15:使用VGG16模型提供准确率.mp4
│  │      16:torchvision里面的预训练模型.mp4
│  │      17:迁移学习_PyTorch代码实战冻结预训练模型参数.mp4
│  │      18:PyTorch代码实战加入数据增强.mp4
│  │      9:PyTorch实战CIFAR10数据_读取和展示.mp4
│  │
│  ├─章节4:PyTorch循环神经网络_词性标注
│  │      19:PyTorch词性标注_构建数据和词索引号.mp4
│  │      20:PyTorch词性标注_构建词嵌入层LSTM层和词性输出层.mp4
│  │      21:PyTorch词性标注_构建数据索引化和训练模型代码.mp4
│  │      22:PyTorch词性标注_测试模型效果.mp4
│  │
│  └─章节5:PyTorch编码器解码器_机器翻译
│          23:PyTorch中英文翻译_规范化语料库_构建中英文词典索引.mp4
│          24:PyTorch中英文翻译_数据预处理.mp4
│          25:PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器.mp4
│          26:PyTorch中英文翻译_构建训练函数之Encoder计算.mp4
│          27:PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器.mp4
│          28:PyTorch中英文翻译_构建训练函数之Decoder计算.mp4
│          29:PyTorch中英文翻译_评估模型函数.mp4
│          30:PyTorch中英文翻译_绘制Attentions注意力权重.mp4

├─25、【加课】百度飞桨PaddlePaddle实战【新增】
│  ├─章节1:PaddlePaddle框架安装_波士顿房价预测
│  │      1:安装PaddlePaddle.mp4
│  │      2:Pycharm运行出现mkl-service或DLL找不到的问题.mp4
│  │      3:PaddlePaddle求解线性模型.mp4
│  │      4:预测波士顿房价_数据读取_正向传播.mp4
│  │      5:预测波士顿房价_反向传播_模型保存_模型测试.mp4
│  │      代码.rar
│  │      数据.rar
│  │
│  ├─章节2:PaddlePaddle卷积网络_病理性近视识别
│  │      6:预测病理性近视_图片数据读取.mp4
│  │      7:预测病理性近视_模型训练.mp4
│  │      8:预测病理性近视_定义模型结构_评估模型.mp4
│  │      9:预测病理性近视_调用经典卷积神经网络.mp4
│  │      代码.rar
│  │      数据.rar
│  │
│  ├─章节3:PaddleDetection工具_PCB电路板缺陷检测
│  │  │  10:PaddleDetection_项目配置.mp4
│  │  │  11:安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题.mp4
│  │  │  12:PCB电路板缺陷检测_Images和Annotations.mp4
│  │  │  13:PCB电路板缺陷检测_前期数据的分析.mp4
│  │  │  14:PCB电路板缺陷检测_项目配置文件.mp4
│  │  │  15:PCB电路板缺陷检测_模型训练.mp4
│  │  │  16:PCB电路板缺陷检测_模型预测.mp4
│  │  │
│  │  ├─代码
│  │  │      data_analysis.py
│  │  │      PaddleDetection-release-2.2.zip
│  │  │      PCB_faster_rcnn_r50_fpn_3x_coco.yml
│  │  │      PCB_faster_rcnn_r50_fpn_3x_coco_explain.yml
│  │  │      show_result.py
│  │  │
│  │  └─数据
│  │      │  PCB_DATASET.tar
│  │      │  ResNet50_cos_pretrained.pdparams
│  │      │
│  │      ├─output
│  │      │      04_missing_hole_10.jpg
│  │      │
│  │      └─PCB_faster_rcnn_r50_fpn_3x_coco
│  │              best_model.pdopt
│  │              best_model.pdparams
│  │
│  ├─章节4:PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss)
│  │  │  17:PaddleOCR_项目配置_CCPD数据集介绍.mp4
│  │  │  18:车牌识别项目_详解数据准备阶段代码.mp4
│  │  │  19:车牌识别项目_运行保存标签和剪切出的车牌图片.mp4
│  │  │  20:车牌识别项目_车牌目标框检测模型训练.mp4
│  │  │  21:车牌识别项目_车牌字符识别模型训练.mp4
│  │  │  22:车牌识别项目_车牌识别模型导出及预测.mp4
│  │  │
│  │  ├─代码
│  │  │      data_preprocessing.py
│  │  │      PaddleOCR-release-2.2.zip
│  │  │
│  │  └─数据
│  │      │  111.jpg
│  │      │  CCPD2019.zip
│  │      │  dev_det.txt
│  │      │  dev_rec.txt
│  │      │  dict.txt
│  │      │  img.rar
│  │      │  train_det.txt
│  │      │  train_rec.txt
│  │      │
│  │      ├─inference
│  │      │  ├─db_mv3
│  │      │  │      inference.pdiparams
│  │      │  │      inference.pdiparams.info
│  │      │  │      inference.pdmodel
│  │      │  │
│  │      │  └─rec_chinese_lite_v2.0
│  │      │          inference.pdiparams
│  │      │          inference.pdiparams.info
│  │      │          inference.pdmodel
│  │      │
│  │      ├─inference_results
│  │      │      111.jpg
│  │      │
│  │      └─pretrain_models
│  │          │  MobileNetV3_large_x0_5_pretrained.pdparams
│  │          │
│  │          └─rec_mv3_none_bilstm_ctc_v2.0_train
│  │                  best_accuracy.pdopt
│  │                  best_accuracy.pdparams
│  │                  best_accuracy.states
│  │                  train.log
│  │
│  ├─章节5:PaddleNLP模块_物流信息提取(BiGRU+CRF)
│  │  │  23:PaddleNLP_项目配置.mp4
│  │  │  24:PaddleNLP_物流信息提取项目介绍.mp4
│  │  │  25:物流信息提取项目_解决导包显示找不到nul问题.mp4
│  │  │  26:PaddleNLP_物流信息提取项目_加载数据构建DataSet.mp4
│  │  │  27:PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader.mp4
│  │  │  28:PaddleNLP_物流信息提取项目_构建网络模型.mp4
│  │  │  29:PaddleNLP_物流信息提取项目_模型训练.mp4
│  │  │  30:PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果.mp4
│  │  │
│  │  ├─代码
│  │  │      null
│  │  │      PaddleNLP-release-2.2.zip
│  │  │      readme.py
│  │  │      waybill.py
│  │  │
│  │  └─数据
│  │      ├─data
│  │      │      dev.txt
│  │      │      tag.dic
│  │      │      test.txt
│  │      │      train.txt
│  │      │      word.dic
│  │      │
│  │      └─results
│  │              final.pdopt
│  │              final.pdparams
│  │
│  └─章节6:PaddleNLP模块_物流信息提取(ERNIE版)
│      │  31:PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset.mp4
│      │  32:PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用.mp4
│      │  33:PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码.mp4
│      │  34:PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果.mp4
│      │
│      ├─代码
│      │      waybill_ernie.py
│      │
│      └─数据
│          │  ernie_results.txt
│          │
│          ├─data
│          │      dev.txt
│          │      tag.dic
│          │      test.txt
│          │      train.txt
│          │      word.dic
│          │
│          └─ernie_result
│                  model_450.pdparams

├─26-【加课】Linux环境编程基础
│  │  文档.rar
│  │  软件.rar
│  │  软件2.rar
│  │
│  └─章节1:Linux
│          10:Linux_常用命令_clear、touch、cat命令.mp4
│          11:Linux_常用命令more、head、tail命令.mp4
│          12:Linux_常用命令_mkdir命令.mp4
│          13:Linux_常用命令_cp命令.mp4
│          14:Linux_常用命令_rm、mv命令.mp4
│          15:Linux_常用命令_vi、vim.mp4
│          16:Linux_常用命令_reboot、halt.mp4
│          17:Linux_常用配置_设置时区.mp4
│          18:Linux_常用配置_启动网络.mp4
│          19:Linux_常用配置_修改网段.mp4
│          1:Linux_课程介绍.mp4
│          20:Linux_常用配置_设置网络类型.mp4
│          21:Linux_常用配置_快照与克隆.mp4
│          22:Linux_Xshell的安装与使用.mp4
│          23:Linux_上传与下载_Xftp的使用.mp4
│          24:Linux_上传与下载_lrzsz工具.mp4
│          25:Linux_文件的压缩与解压缩处理.mp4
│          26:Linux_安装MySQL.mp4
│          2:Linux_Linux简介.mp4
│          3:Linux_VMWare安装及使用.mp4
│          4:Linux_安装Linux.mp4
│          5:Linux_目录介绍.mp4
│          6:Linux_Linux中的路径.mp4
│          7:Linux_常用命令_pwd命令.mp4
│          8:Linux_常用命令_cd命令.mp4
│          9:Linux_常用命令_ls与ll命令.mp4

├─27-【加课】算法与数据结构
│  │  资料.zip
│  │
│  └─章节1:算法与数据结构
│          10:哈希表的基本结构.mp4
│          11:哈希表冲突问题.mp4
│          12:哈希表冲突问题2.mp4
│          13:哈希扩容.mp4
│          14:递归与栈.mp4
│          15:线性查找.mp4
│          16:二分查找.mp4
│          17:冒泡排序.mp4
│          18:选择排序.mp4
│          19:插入排序.mp4
│          1:数据结构与算法简介.mp4
│          20:归并排序.mp4
│          21:快速排序.mp4
│          22:树结构.mp4
│          23:树结构的遍历.mp4
│          24:最大堆的增加操作.mp4
│          25:最大堆的删除操作.mp4
│          26:二叉树的查找.mp4
│          27:二叉树获取最小值.mp4
│          28:二叉树的添加.mp4
│          29:二叉树的删除.mp4
│          2:大O表示法.mp4
│          3:线性结构.mp4
│          4:单线链表1.mp4
│          5:单链表2.mp4
│          6:双链表.mp4
│          7:队列(链式).mp4
│          8:队列(线式).mp4
│          9:栈与双端队列.mp4

├─29-【加课】计算机图形学机器视觉实战【2021新增 未更新。。。持续更新】
│  └─官方未更新。。。持续更新
├─30-【加课】 ROS智能机器人操作系统【2021新增 未更新。。。持续更新】
│  └─未更新。。。持续更新
├─31-【加课】 强化学习【新增】
│  ├─章节1:Q-Learning与SARSA算法
│  │  │  10:代码实战Q-Learning智能体训练模型.mp4
│  │  │  11:代码实战Sarsa_Agent和Env整体交互.mp4
│  │  │  12:代码实战Sarsa_Agent选择行为和训练模型.mp4
│  │  │  13:代码实战SarsaLambda_训练模型.mp4
│  │  │  1:强化学习通过智能体与环境交互进行学习.mp4
│  │  │  2:引入马尔科夫链和价值评估的Q值与V值.mp4
│  │  │  3:详解Q值和V值以及它们之间关系.mp4
│  │  │  4:蒙特卡洛采样回溯计算V值.mp4
│  │  │  5:蒙特卡洛和时序差分估算状态V值.mp4
│  │  │  6:SARSA算法和Q-learning算法.mp4
│  │  │  7:理解Q-table_创建maze交互环境.mp4
│  │  │  8:代码实战Q-Learning_Agent和Env整体交互.mp4
│  │  │  9:代码实战Q-Learning智能体选择行为.mp4
│  │  │
│  │  ├─代码
│  │  │  │  maze_env.py
│  │  │  │
│  │  │  ├─QLearn
│  │  │  │      RL_brain.py
│  │  │  │      run_maze.py
│  │  │  │
│  │  │  └─Sarsa
│  │  │          RL_brain.py
│  │  │          run_maze.py
│  │  │
│  │  └─资料
│  │          Reinforcement Learning.docx
│  │
│  ├─章节2:Deep Q-Learning Network
│  │  │  14:DQN算法思想.mp4
│  │  │  15:DQN算法具体流程.mp4
│  │  │  16:ε-greedy_ReplayBuffer_FixedQ-targets.mp4
│  │  │  17:代码实战DQN_Agent和Env整体交互.mp4
│  │  │  18:代码实战DQN_构建Q网络.mp4
│  │  │  19:代码实战DQN_定义损失函数_构建Target网络更新逻辑.mp4
│  │  │  20:代码实战DQN_训练阶段得到Q网络的预测值和真实值.mp4
│  │  │  21: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.mp4
│  │  │  22:DQN会over-estimate的本质原因.mp4
│  │  │  23:DoubleDQN缓解over-estimate.mp4
│  │  │  24:DoubleDQN代码实战.mp4
│  │  │  25:DuelingDQN.mp4
│  │  │  26:困难样本挖掘_Multi-step_NoiseyNet系统的探索.mp4
│  │  │  27:计算Action的方差避免风险.mp4
│  │  │  28:Rainbow_DQN如何计算连续型的Actions.mp4
│  │  │
│  │  └─代码
│  │          maze_env.py
│  │          RL_brain.py
│  │          run_CartPole.py
│  │          run_maze.py
│  │          run_MountainCar.py
│  │
│  ├─章节3:Policy Gradient 策略梯度
│  │  │  29:策略梯度PG_对比基于值和基于策略网络的区别.mp4
│  │  │  30:策略梯度PG_明确目标函数和导函数.mp4
│  │  │  31:策略梯度PG_简化导函数的公式推导.mp4
│  │  │  32:策略梯度PG_总结整体流程_对比交叉熵损失函数求导.mp4
│  │  │  33:策略梯度PG_讲解CartPole环境.mp4
│  │  │  34:代码实战_策略梯度PG和CartPole交互.mp4
│  │  │  35:代码实战_策略梯度PG网络构建.mp4
│  │  │  36:代码实战_策略梯度PG选择行为和参数训练.mp4
│  │  │  37:策略梯度PG_对TotalReward进行均值归一化.mp4
│  │  │  38: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.mp4
│  │  │
│  │  └─代码
│  │          RL_brain.py
│  │          run_CartPole.py
│  │          run_MountainCar.py
│  │
│  ├─章节4:Actor Critic (A3C)
│  │  │  39:ActorCritic原理_把PG和QLearning结合起来.mp4
│  │  │  40:AdvantageActorCritic_共享参数和修改reward技巧.mp4
│  │  │  41:代码实战_ActorCritic与环境交互.mp4
│  │  │  42:代码实战_Actor网络构建及训练.mp4
│  │  │  43:代码实战_详解Critic网络构建及训练.mp4
│  │  │  44:A3C架构和训练流程.mp4
│  │  │  45:Pendulum环境_根据网络预测的μ和σ得到连续型的action值.mp4
│  │  │  46:代码实战_A3C_讲解Coordinator调度多线程运算.mp4
│  │  │  47: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.mp4
│  │  │  48: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.mp4
│  │  │  49: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.mp4
│  │  │  50:代码实战_A3C_结合流程图分三点总结前面讲的代码.mp4
│  │  │  51:代码实战_A3C_讲解线程中worker和环境交互.mp4
│  │  │  52:代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示.mp4
│  │  │
│  │  └─代码
│  │          A3C.py
│  │          AC_CartPole.py
│  │          DDPG.py
│  │
│  └─章节5:DDPG、PPO、DPPO算法
│      │  53:DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic.mp4
│      │  54: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.mp4
│      │  55:代码实战_DDPG_Critic网络构建_Actor网络链式求导.mp4
│      │  56:代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示.mp4
│      │  57:TD3_使用DoubleNetwork优化DDPG.mp4
│      │  58:PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy.mp4
│      │  59:PPO_通过重要性采样使得PPO可以做Off-Policy学习.mp4
│      │  60: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.mp4
│      │  61:PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题.mp4
│      │  62:代码实战_PPO与环境整体交互_Actor与Critic网络构建.mp4
│      │  63:代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑.mp4
│      │  64: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.mp4
│      │  65:DPPO分布式PPO.mp4
│      │  66:代码实战_DPPO_创建一个PPO和多个Worker_创建多线程.mp4
│      │  67:代码实战_DPPO_GlobalPPO和Workers交替执行.mp4
│      │
│      └─代码
│              DDPG.py
│              discrete_DPPO.py
│              DPPO.py
│              simply_PPO.py

├─32-【加课】 图神经网络【2021新增 未更新。。。持续更新】
│  └─未更新。。。持续更新
├─【加课】Linux环境编程基础
│  └─章节1:Linux
│          10:Linux_常用命令_clear、touch、cat命令.mp4
│          11:Linux_常用命令more、head、tail命令.mp4
│          14:Linux_常用命令_rm、mv命令.mp4
│          15:Linux_常用命令_vi、vim.mp4
│          16:Linux_常用命令_reboot、halt.mp4
│          18:Linux_常用配置_启动网络.mp4
│          1:Linux_课程介绍.mp4
│          20:Linux_常用配置_设置网络类型.mp4
│          25:Linux_文件的压缩与解压缩处理.mp4
│          26:Linux_安装MySQL.mp4
│          3:Linux_VMWare安装及使用.mp4
│          5:Linux_目录介绍.mp4
│          8:Linux_常用命令_cd命令.mp4

└─【加课】算法与数据结构
└─章节1:算法与数据结构
10:哈希表的基本结构.mp4
11:哈希表冲突问题.mp4
12:哈希表冲突问题2.mp4
13:哈希扩容.mp4
14:递归与栈.mp4
16:二分查找.mp4
17:冒泡排序.mp4
18:选择排序.mp4
19:插入排序.mp4
1:数据结构与算法简介.mp4
20:归并排序.mp4
21:快速排序.mp4
22:树结构.mp4
23:树结构的遍历.mp4
24:最大堆的增加操作.mp4
26:二叉树的查找.mp4
27:二叉树获取最小值.mp4
28:二叉树的添加.mp4
29:二叉树的删除.mp4
2:大O表示法.mp4
3:线性结构.mp4
4:单线链表1.mp4
5:单链表2.mp4
6:双链表.mp4
7:队列(链式).mp4
8:队列(线式).mp4
9:栈与双端队列.mp4

好途网上架了商场:提供网盘会员账号出租、小号批发,以及腾讯视频、爱奇艺、优酷视频、芒果tv、搜狐视频、迅雷白金、喜马拉雅、网易云音乐、QQ音乐等会员低价直冲业务,速去看看
资源下载
下载价格42 C
VIP免费
唯有不断学习和奋斗 方能实现梦想!
VIP用户免C币下载,下载前请阅读上方文件目录,下载链接为百度云网盘,如链接失效,可在用户中心提交工单。
资源大小:93.9 GB
资源发放:百度网盘
更新时间:28/10/2022
发布日期:28/10/2022

特别说明:
此教程来源于网络收集整理,仅供本地学习参考,教程无法保证一直有效,请及时转存!
如本教程是商业教程,请务必联系教程作者购买商业许可后方可观看!
教程作者如需删除请第一时间联系右侧客服,获悉后将第一时间删除!

0
广告位招租
显示验证码
没有账号?注册  忘记密码?