百战程序员-AI算法工程师就业班2022 百度网盘(79.41G)

百战程序员-AI算法工程师就业班2022

【加课】linux环境编程基础

章节1：linux

1：linux_课程介绍.mp4

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

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

1：数据结构与算法简介.mp4

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

2：大o表示法.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

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

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

代码.rar

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

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

1：人工智能学习数学的必要性_微积分知识点.mp4

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

2：线性代数_概率论知识点.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

3：最优化知识_数学内容学习重点.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

4：导数的定义_左导数和右导数.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

5：导数的几何意义和物理意义.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

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

1：理解简单线性回归.mp4

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

2：最优解_损失函数_mse.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

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

第一阶段_手把手教你透彻掌握线性回归算法.pdf

软件.rar

新建文本文档.txt

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

第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf

新建文本文档.txt

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

1：逻辑回归_sigmoid函数.mp4

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

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

代码

decision_tree_regressor.py

iris_decision_tree.py

iris_tree.dot

iris_tree.png

文档

第六阶段_非线性分类回归算法_决策树与经典集成学习算法.wps

1：决策树模型的特点.mp4

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

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

新建文本文档.txt

章节2：集成学习和随机森林

代码

ensemble_adaboost.py

iris_bagging_tree.py

iris_random_forest.py

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

新建文本文档.txt

章节3：gbdt

代码

gbdt+lr.py

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

新建文本文档.txt

章节4：xgboost

代码

pima-indians-diabetes.csv

xgboost_feature_selection.py

文档

第七阶段_掌握ai竞赛神器_xgboost算法.wps

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

新建文本文档.txt

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

1：spark特性_01.mp4

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

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

1：推荐系统_隐式用户反馈_1.mp4

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

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

集群.rar

软件.rar

数据.rar

资料.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

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

keras-yolo3-master.rar

资料.rar

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

章节1：人脸识别

1：人脸识别任务种类_具体做法思路.mp4

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

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

1.txt

facenet-master.zip

模型.rar

资料.rar

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_chatbot-master.zip

gpt2-chinese-master.zip

21-深度学习-ocr文本识别

章节1：深度学习-ocr文本识别

1：传统ocr识别_深度学习ocr识别.mp4

10：crnn项目代码剖析.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

资料.rar

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

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

代码.rar

资料.rar

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

代码

hello_paddle.py

predict_boston_housing.py

数据

housing.data

lr_model.pdparams

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

章节2：paddlepaddle卷积网络_病理性近视识别

代码

predict_pathologic_myopia.py

数据

palm.pdopt

palm.pdparams

palm-training400.zip

palm-validation400.zip

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

章节3：paddledetection工具_pcb电路板缺陷检测

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

output

04_missing_hole_10.jpg

pcb_faster_rcnn_r50_fpn_3x_coco

best_model.pdopt

best_model.pdparams

pcb_dataset.tar

resnet50_cos_pretrained.pdparams

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

章节4：paddleocr工具_车牌识别（目标检测+crnn+ctcloss)

代码

data_preprocessing.py

paddleocr-release-2.2.zip

数据

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

rec_mv3_none_bilstm_ctc_v2.0_train

best_accuracy.pdopt

best_accuracy.pdparams

best_accuracy.states

train.log

mobilenetv3_large_x0_5_pretrained.pdparams

111.jpg

ccpd2019.zip

dev_det.txt

dev_rec.txt

dict.txt

img.rar

train_det.txt

train_rec.txt

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

章节5：paddlenlp模块_物流信息提取（bigru+crf）

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

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

章节6：paddlenlp模块_物流信息提取（ernie版）

代码

waybill_ernie.py

数据

data

dev.txt

tag.dic

test.txt

train.txt

word.dic

ernie_result

model_450.pdparams

ernie_results.txt

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

26-【加课】linux环境编程基础

章节1：linux

1：linux_课程介绍.mp4

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

2：linux_linux简介.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

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

软件.rar

软件2.rar

文档.rar

27-【加课】算法与数据结构

章节1：算法与数据结构

1：数据结构与算法简介.mp4

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

2：大o表示法.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

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

资料.zip

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

代码

qlearn

rl_brain.py

run_maze.py

sarsa

rl_brain.py

run_maze.py

maze_env.py

资料

reinforcement learning.docx

1：强化学习通过智能体与环境交互进行学习.mp4

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

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

章节2：deep q-learning network

代码

maze_env.py

rl_brain.py

run_cartpole.py

run_maze.py

run_mountaincar.py

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

章节3：policy gradient 策略梯度

代码

rl_brain.py

run_cartpole.py

run_mountaincar.py

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

章节4：actor critic (a3c)

代码

a3c.py

ac_cartpole.py

ddpg.py

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

章节5：ddpg、ppo、dppo算法

代码

ddpg.py

discrete_dppo.py

dppo.py

simply_ppo.py

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

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