IT猿 唐宇迪人工智能深度学习系统班第九期V9.2
唐宇迪人工智能深度学习系统班第九期V9.2
唐宇迪人工智能深度学习系统班第九期V9.2
网盘截图：
课程目录：
├── 5-Opencv图像处理框架实战
│ ├── 16-背景建模
│ │ ├── 1-背景消除-帧差法.mp4
│ │ ├── 4-背景建模实战.mp4
│ │ ├── 3-学习步骤.mp4
│ │ ├── 2-混合高斯模型.mp4
│ ├── 6-边缘检测
│ │ ├── 2-非极大值抑制.mp4
│ │ ├── 3-边缘检测效果.mp4
│ │ ├── 1-Canny边缘检测流程.mp4
│ ├── 7-图像金字塔与轮廓检测
│ │ ├── 3-轮廓检测方法.mp4
│ │ ├── 4-轮廓检测结果.mp4
│ │ ├── 5-轮廓特征与近似.mp4
│ │ ├── 6-模板匹配方法.mp4
│ │ ├── 7-匹配效果展示.mp4
│ │ ├── 2-金字塔制作方法.mp4
│ │ ├── 1-图像金字塔定义.mp4
│ ├── 19-项目实战-目标追踪
│ │ ├── 3-深度学习检测框架加载.mp4
│ │ ├── 5-多进程目标追踪.mp4
│ │ ├── 4-基于dlib与ssd的追踪.mp4
│ │ ├── 6-多进程效率提升对比.mp4
│ │ ├── 2-多目标追踪实战.mp4
│ │ ├── 1-目标追踪概述.mp4
│ ├── 14-项目实战-停车场车位识别
│ │ ├── 4-车位直线检测.mp4
│ │ ├── 3-图像数据预处理.mp4
│ │ ├── 7-识别模型构建.mp4
│ │ ├── 8-基于视频的车位检测.mp4
│ │ ├── 6-车位区域划分.mp4
│ │ ├── 5-按列划分区域.mp4
│ │ ├── 1-任务整体流程.mp4
│ │ ├── 2-所需数据介绍.mp4
│ ├── 12-图像特征-sift
│ │ ├── 6-opencv中sift函数使用.mp4
│ │ ├── 4-生成特征描述.mp4
│ │ ├── 3-特征关键点定位.mp4
│ │ ├── 2-高斯差分金字塔.mp4
│ │ ├── 1-尺度空间定义.mp4
│ │ ├── 5-特征向量生成.mp4
│ ├── 9-项目实战-信用卡数字识别
│ │ ├── 5-模板匹配得出识别结果.mp4
│ │ ├── 3-模板处理方法.mp4
│ │ ├── 4-输入数据处理方法.mp4
│ │ ├── 2-环境配置与预处理.mp4
│ │ ├── 1-总体流程与方法讲解.mp4
│ ├── 3-阈值与平滑处理
│ │ ├── 1-图像阈值.mp4
│ │ ├── 3-高斯与中值滤波.mp4
│ │ ├── 2-图像平滑处理.mp4
│ ├── 10-项目实战-文档扫描OCR识别
│ │ ├── 5-tesseract-ocr安装配置.mp4
│ │ ├── 2-文档轮廓提取.mp4
│ │ ├── 6-文档扫描识别效果.mp4
│ │ ├── 4-透视变换结果.mp4
│ │ ├── 1-整体流程演示.mp4
│ │ ├── 3-原始与变换坐标计算.mp4
│ ├── 8-直方图与傅里叶变换
│ │ ├── 3-均衡化效果.mp4
│ │ ├── 4-傅里叶概述.mp4
│ │ ├── 6-低通与高通滤波.mp4
│ │ ├── 5-频域变换结果.mp4
│ │ ├── 2-均衡化原理.mp4
│ │ ├── 1-直方图定义.mp4
│ ├── 11-图像特征-harris
│ │ ├── 4-特征归属划分.mp4
│ │ ├── 2-基本数学原理.mp4
│ │ ├── 5-opencv角点检测效果.mp4
│ │ ├── 3-求解化简.mp4
│ │ ├── 1-角点检测基本原理.mp4
│ ├── 18-Opencv的DNN模块
│ │ ├── 1-dnn模块.mp4
│ │ ├── 2-模型加载结果输出.mp4
│ ├── 4-图像形态学操作
│ │ ├── 2-膨胀操作.mp4
│ │ ├── 3-开运算与闭运算.mp4
│ │ ├── 5-礼帽与黑帽.mp4
│ │ ├── 1-腐蚀操作.mp4
│ │ ├── 4-梯度计算.mp4
│ ├── 1-课程简介与环境配置
│ │ ├── 2-Python与Opencv配置安装.mp4
│ │ ├── 1-课程简介.mp4
│ │ ├── 3-Notebook与IDE环境.mp4
│ ├── 5-图像梯度计算
│ │ ├── 3-scharr与lapkacian算子.mp4
│ │ ├── 2-梯度计算方法.mp4
│ │ ├── 1-Sobel算子.mp4
│ ├── 2-图像基本操作
│ │ ├── 3-ROI区域.mp4
│ │ ├── 4-边界填充.mp4
│ │ ├── 5-数值计算.mp4
│ │ ├── 2-视频的读取与处理.mp4
│ │ ├── 1-计算机眼中的图像.mp4
│ ├── 21-项目实战-疲劳检测
│ │ ├── 2-获取人脸关键点.mp4
│ │ ├── 4-闭眼检测.mp4
│ │ ├── 3-定位效果演示.mp4
│ │ ├── 5-检测效果.mp4
│ │ ├── 1-关键点定位概述.mp4
│ ├── 20-卷积原理与操作
│ │ ├── 4-pading与stride.mp4
│ │ ├── 2-卷积层解释.mp4
│ │ ├── 8-卷积操作流程.mp4
│ │ ├── 5-卷积参数共享.mp4
│ │ ├── 3-卷积计算过程.mp4
│ │ ├── 7-卷积效果演示.mp4
│ │ ├── 1-卷积神经网络的应用.mp4
│ │ ├── 6-池化层原理.mp4
│ ├── 17-光流估计
│ │ ├── 3-推导求解.mp4
│ │ ├── 4-光流估计实战.mp4
│ │ ├── 1-基本概念.mp4
│ │ ├── 2-Lucas-Kanade算法.mp4
│ ├── 13-案例实战-全景图像拼接
│ │ ├── 4-流程解读.mp4
│ │ ├── 1-特征匹配方法.mp4
│ │ ├── 3-图像拼接方法.mp4
│ │ ├── 2-RANSAC算法.mp4
│ ├── 15-项目实战-答题卡识别判卷
│ │ ├── 2-预处理操作.mp4
│ │ ├── 1-整体流程与效果概述.mp4
│ │ ├── 3-填涂轮廓检测.mp4
│ │ ├── 4-选项判断识别.mp4
├── 3-深度学习必备核⼼算法
│ ├── 3-Transformer
│ │ ├── 1-Transformer.mp4
│ ├── 4-VIT源码解读
│ │ ├── 1-VIT源码解读.mp4
│ ├── 1-神经网络结构
│ │ ├── 1-神经网络结构.mp4
│ ├── 2-卷积神经网络
│ │ ├── 1-卷积神经网络.mp4
├── 22-自然语言处理经典案例实战
│ ├── 11-NLP-相似度模型
│ │ ├── 4-数据预处理.mp4
│ │ ├── 3-正负样本制作.mp4
│ │ ├── 2-数据展示.mp4
│ │ ├── 7-基于句子的相似度训练.mp4
│ │ ├── 5-网络模型定义.mp4
│ │ ├── 1-任务概述.mp4
│ │ ├── 6-基于字符的训练.mp4
│ ├── 5-HMM隐马尔科夫模型
│ │ ├── 8-Baum-Welch算法.mp4
│ │ ├── 9-参数求解.mp4
│ │ ├── 2-隐马尔科夫模型基本出发点.mp4
│ │ ├── 3-组成与要解决的问题.mp4
│ │ ├── 6-前向算法.mp4
│ │ ├── 10-维特比算法.mp4
│ │ ├── 1-马尔科夫模型.mp4
│ │ ├── 4-暴力求解方法.mp4
│ │ ├── 5-复杂度计算.mp4
│ │ ├── 7-前向算法求解实例.mp4
│ ├── 7-语言模型
│ │ ├── 2-语言模型.mp4
│ │ ├── 10-负采样模型.mp4
│ │ ├── 7-CBOW模型实例.mp4
│ │ ├── 1-开篇.mp4
│ │ ├── 4-词向量.mp4
│ │ ├── 6-Hierarchical Softmax.mp4
│ │ ├── 5-神经网络模型.mp4
│ │ ├── 3-N-gram模型.mp4
│ │ ├── 9-锑度上升求解.mp4
│ │ ├── 8-CBOW求解目标.mp4
│ ├── 2-商品信息可视化与文本分析
│ │ ├── 7-通过降维进行可视化展示.mp4
│ │ ├── 4-商品描述长度对价格的影响分析.mp4
│ │ ├── 6-基于tf-idf提取关键词信息.mp4
│ │ ├── 5-关键词的词云可视化展示.mp4
│ │ ├── 1-在线商城商品数据信息概述.mp4
│ │ ├── 2-商品类别划分方式.mp4
│ │ ├── 3-商品类别可视化展示.mp4
│ │ ├── 8-聚类分析与主题模型展示.mp4
│ ├── 12-LSTM情感分析
│ │ ├── 3-案例：使用LSTM进行情感分类.mp4
│ │ ├── 2-LSTM网络架构.mp4
│ │ ├── 5-基于word2vec的LSTM模型.mp4
│ │ ├── 4-情感数据集处理.mp4
│ │ ├── 1-RNN网络架构.mp4
│ ├── 6-HMM工具包实战
│ │ ├── 4-实现中文分词.mp4
│ │ ├── 1-hmmlearn工具包.mp4
│ │ ├── 3-中文分词任务.mp4
│ │ ├── 2-工具包使用方法.mp4
│ ├── 3-贝叶斯算法
│ │ ├── 3-贝叶斯拼写纠错实例.mp4
│ │ ├── 4-垃圾邮件过滤实例.mp4
│ │ ├── 5-贝叶斯实现拼写检查器.mp4
│ │ ├── 1-贝叶斯算法概述.mp4
│ │ ├── 2-贝叶斯推导实例.mp4
│ ├── 10-NLP-文本特征方法对比
│ │ ├── 5-word2vec词向量模型.mp4
│ │ ├── 6-深度学习模型.mp4
│ │ ├── 1-任务概述.mp4
│ │ ├── 4-TFIDF模型.mp4
│ │ ├── 3-词袋模型分析.mp4
│ │ ├── 2-词袋模型.mp4
│ ├── 4-新闻分类任务实战
│ │ ├── 2-相似度计算.mp4
│ │ ├── 6-基于贝叶斯算法进行新闻分类.mp4
│ │ ├── 1-文本分析与关键词提取.mp4
│ │ ├── 5-LDA建模.mp4
│ │ ├── 4-TF-IDF关键词提取.mp4
│ │ ├── 3-新闻数据与任务简介.mp4
│ ├── 14-对话机器人
│ │ ├── 4-词向量与投影.mp4
│ │ ├── 5-seq网络.mp4
│ │ ├── 1-效果演示.mp4
│ │ ├── 2-参数配置与数据加载.mp4
│ │ ├── 6-网络训练.mp4
│ │ ├── 3-数据处理.mp4
│ ├── 1-NLP常用工具包实战
│ │ ├── 9-Spacy工具包.mp4
│ │ ├── 11-恐怖袭击分析.mp4
│ │ ├── 5-NLTK工具包简介.mp4
│ │ ├── 13-结巴分词器.mp4
│ │ ├── 3-正则常用符号.mp4
│ │ ├── 14-词云展示.mp4
│ │ ├── 6-停用词过滤.mp4
│ │ ├── 10-名字实体匹配.mp4
│ │ ├── 12-统计分析结果.mp4
│ │ ├── 1-Python字符串处理.mp4
│ │ ├── 4-常用函数介绍.mp4
│ │ ├── 7-词性标注.mp4
│ │ ├── 2-正则表达式基本语法.mp4
│ │ ├── 8-数据清洗实例.mp4
│ ├── 9-基于word2vec的分类任务
│ │ ├── 3-准备word2vec输入数据.mp4
│ │ ├── 4-使用gensim构建word2vec词向量（新）.mp4
│ │ ├── 2-基于词袋模型训练分类器.mp4
│ │ ├── 1-影评情感分类.mp4
│ ├── 13-机器人写唐诗
│ │ ├── 6-完成训练模块.mp4
│ │ ├── 4-batch数据制作.mp4
│ │ ├── 5-RNN模型定义.mp4
│ │ ├── 3-数据预处理模块.mp4
│ │ ├── 2-参数配置.mp4
│ │ ├── 8-测试唐诗生成效果.mp4
│ │ ├── 1-任务概述与环境配置.mp4
│ │ ├── 7-训练唐诗生成模型.mp4
│ ├── 8-使用Gemsim构建词向量
│ │ ├── 1-使用Gensim库构造词向量.mp4
│ │ ├── 4-测试模型相似度结果.mp4
│ │ ├── 2-维基百科中文数据处理.mp4
│ │ ├── 3-Gensim构造word2vec模型.mp4
├── 20-CV与NLP经典大模型解读
│ ├── 12-自监督任务-对比学习思想
│ │ ├── 2-正负样本构建方法.mp4
│ │ ├── 1-对比学习要解决的问题分析.mp4
│ │ ├── 4-下游任务应用概述.mp4
│ │ ├── 3-Simclr框架流程分析.mp4
│ ├── 11-openai-dalle2源码解读
│ │ ├── 1-项目整体流程分析.mp4
│ │ ├── 4-Decoder模块实现细节解读.mp4
│ │ ├── 2-源码实现细节分析.mp4
│ │ ├── 5-源码实现流程总结.mp4
│ │ ├── 3-源码公式对应论文分析.mp4
│ ├── 18-补充-视觉大模型基础-deformableAttention
│ │ ├── 6-下游任务应用场景.mp4
│ │ ├── 4-论文计算公式解读.mp4
│ │ ├── 5-整体框架流程实例.mp4
│ │ ├── 2-可变形偏移量分析.mp4
│ │ ├── 3-应用场景分析解读.mp4
│ │ ├── 1-DeformableAttention概述分析.mp4
│ ├── 9-扩散模型diffusion架构算法解读
│ │ ├── 3-公式原理推导解读.mp4
│ │ ├── 10-基本建模训练效果.mp4
│ │ ├── 4-分布相关计算操作.mp4
│ │ ├── 1-扩散模型概述与GAN遇到的问题.mp4
│ │ ├── 8-论文流程图解读.mp4
│ │ ├── 7-细节实现总结.mp4
│ │ ├── 2-要完成的任务分析.mp4
│ │ ├── 9-案例流程分析.mp4
│ │ ├── 6-公式推导结果分析.mp4
│ │ ├── 5-算法实现细节推导.mp4
│ ├── 4-chatgpt算法解读分析
│ │ ├── 1-chatgpt概述.mp4
│ │ ├── 2-挑战及其与有监督问题差异.mp4
│ │ ├── 4-强化学习的作用效果.mp4
│ │ ├── 3-强化学习登场.mp4
│ │ ├── 7-总结分析.mp4
│ │ ├── 6-RLHF训练流程解读.mp4
│ │ ├── 5-奖励模型设计方法.mp4
│ ├── 8-视觉QA算法与论文解读
│ │ ├── 1-视觉QA要解决的问题.mp4
│ │ ├── 5-VQA任务总结.mp4
│ │ ├── 3-实现流程路线图.mp4
│ │ ├── 4-答案关注区域分析.mp4
│ │ ├── 2-论文概述分析.mp4
│ ├── 17-BEVformer项目源码解读
│ │ ├── 1-环境配置方法解读.mp4
│ │ ├── 6-BEV空间与图像空间位置对应.mp4
│ │ ├── 2-数据集下载与配置方法.mp4
│ │ ├── 8-BEV空间特征构建.mp4
│ │ ├── 10-获取当前BEV特征.mp4
│ │ ├── 3-特征提取以及BEV空间初始化.mp4
│ │ ├── 9-Decoder要完成的任务分析.mp4
│ │ ├── 4-特征对齐与位置编码初始化.mp4
│ │ ├── 11-Decoder级联校正模块.mp4
│ │ ├── 7-注意力机制模块计算方法.mp4
│ │ ├── 12-损失函数与预测可视化.mp4
│ │ ├── 5-Reference初始点构建.mp4
│ ├── 15-视觉自监督任务BEITV2源码解读
│ │ ├── 1-mmselfup源码实现解读.mp4
│ │ ├── 2-网络结构搭建细节解读.mp4
│ │ ├── 3-源码实现流程总结.mp4
│ ├── 16-BEV感知特征空间算法解读
│ │ ├── 1-BEV要解决的问题通俗解读.mp4
│ │ ├── 2-BEV中的3D与4D分析.mp4
│ │ ├── 8-论文知识点分析.mp4
│ │ ├── 5-DeformableAttention回顾.mp4
│ │ ├── 4-BEV汇总特征方法实例解读.mp4
│ │ ├── 9-核心模块论文分析.mp4
│ │ ├── 3-特征融合过程中可能遇到的问题.mp4
│ │ ├── 10-整体架构总结.mp4
│ │ ├── 6-空间注意力模块解读.mp4
│ │ ├── 7-时间模块与拓展补充.mp4
│ ├── 6-LLM下游任务训练自己模型实战
│ │ ├── 2-基本API调用方法.mp4
│ │ ├── 5-数据切块方法.mp4
│ │ ├── 3-数据文档切分操作.mp4
│ │ ├── 4-样本索引与向量构建.mp4
│ │ ├── 1-提示工程的作用.mp4
│ ├── 1-课程简介
│ │ ├── 1-课程简介.mp4
│ ├── 2-GPT系列算法解读
│ │ ├── 1-GPT系列算法概述.mp4
│ │ ├── 7-应用场景CODEX分析.mp4
│ │ ├── 3-GPT初代版本要解决的问题.mp4
│ │ ├── 8-DEMO应用演示.mp4
│ │ ├── 2-GPT三代版本分析.mp4
│ │ ├── 6-GPT3的提示与生成方法.mp4
│ │ ├── 5-采样策略与多样性.mp4
│ │ ├── 4-GPT第二代版本训练策略.mp4
│ ├── 5-LLM与LORA微调策略解读
│ │ ├── 1-大模型如何做下游任务.mp4
│ │ ├── 5-LORA模型实现细节.mp4
│ │ ├── 2-LLM落地微调分析.mp4
│ │ ├── 3-LLAMA与LORA介绍.mp4
│ │ ├── 4-LORA微调的核心思想.mp4
│ ├── 10-openai-dalle2论文解读
│ │ ├── 4-各模块实现细节讲解.mp4
│ │ ├── 2-不同模块对比分析.mp4
│ │ ├── 1-论文基本思想与核心模块分析.mp4
│ │ ├── 3-算法核心流程解读.mp4
│ ├── 3-GPT2训练与预测部署流程
│ │ ├── 5-部署与网页预测展示.mp4
│ │ ├── 3-训练所需参数解读.mp4
│ │ ├── 4-模型训练过程.mp4
│ │ ├── 1-生成模型可以完成的任务概述.mp4
│ │ ├── 2-数据样本生成方法.mp4
│ ├── 13-视觉自监督BEIT算法解读
│ │ ├── 1-视觉自监督任务分析.mp4
│ │ ├── 4-codebook模块的作用.mp4
│ │ ├── 2-任务训练目标分析.mp4
│ │ ├── 5-任务总结分析.mp4
│ │ ├── 3-建模流程分析与效果展示.mp4
│ ├── 14-视觉自监督任务BEITV2论文解读
│ │ ├── 2-自监督任务中两大核心任务分析.mp4
│ │ ├── 4-框架实现细节流程分析.mp4
│ │ ├── 5-论文细节模块实现解读.mp4
│ │ ├── 3-整体网络架构图分析.mp4
│ │ ├── 1-BEITV2版本论文出发点解读.mp4
│ ├── 7-视觉大模型SAM
│ │ ├── 7-分割任务模块设计.mp4
│ │ ├── 6-Decoder的作用与项目源码.mp4
│ │ ├── 8-实现细节分析.mp4
│ │ ├── 2-论文解读分析.mp4
│ │ ├── 1-DEMO效果演示.mp4
│ │ ├── 3-完成的任务分析.mp4
│ │ ├── 9-总结分析.mp4
│ │ ├── 4-数据闭环方法.mp4
│ │ ├── 5-预训练模型的作用.mp4
├── 6-综合项目-物体检测经典算法实战
│ ├── 7-基于YOLO-V3训练自己的数据集与任务（建议直接跑V5版本）
│ │ ├── 5-json格式转换成yolo-v3所需输入.mp4
│ │ ├── 6-完成输入数据准备工作.mp4
│ │ ├── 7-训练代码与参数配置更改.mp4
│ │ ├── 8-训练模型并测试效果.mp4
│ │ ├── 4-生成模型所需配置文件.mp4
│ │ ├── 3-完成标签制作.mp4
│ │ ├── 1-Labelme工具安装.mp4
│ │ ├── 2-数据信息标注.mp4
│ ├── 8-YOLO-V4版本算法解读
│ │ ├── 6-CIOU损失函数定义.mp4
│ │ ├── 1-V4版本整体概述.mp4
│ │ ├── 7-NMS细节改进.mp4
│ │ ├── 3-数据增强策略分析.mp4
│ │ ├── 2-V4版本贡献解读.mp4
│ │ ├── 8-SPP与CSP网络结构.mp4
│ │ ├── 9-SAM注意力机制模块.mp4
│ │ ├── 5-损失函数遇到的问题.mp4
│ │ ├── 10-PAN模块解读.mp4
│ │ ├── 4-DropBlock与标签平滑方法.mp4
│ │ ├── 11-激活函数与整体架构总结.mp4
│ ├── 9-V5版本项目配置
│ │ ├── 1-整体项目概述.mp4
│ │ ├── 3-训练数据参数配置.mp4
│ │ ├── 2-训练自己的数据集方法.mp4
│ │ ├── 4-测试DEMO演示.mp4
│ ├── 17-EfficientNet网络
│ │ ├── 1-EfficientNet网络模型.mp4
│ ├── 5-YOLO-V3核心网络模型
│ │ ├── 1-V3版本改进概述.mp4
│ │ ├── 7-sotfmax层改进.mp4
│ │ ├── 5-整体网络模型架构分析.mp4
│ │ ├── 4-残差连接方法解读.mp4
│ │ ├── 6-先验框设计改进.mp4
│ │ ├── 2-多scale方法改进与特征融合.mp4
│ │ ├── 3-经典变换方法对比分析.mp4
│ ├── 18-EfficientDet检测算法
│ │ ├── 1-EfficientDet检测算法.mp4
│ ├── 4-YOLO-V2改进细节详解
│ │ ├── 3-架构细节解读.mp4
│ │ ├── 8-特征融合改进.mp4
│ │ ├── 1-V2版本细节升级概述.mp4
│ │ ├── 7-感受野的作用.mp4
│ │ ├── 6-坐标映射与还原.mp4
│ │ ├── 4-基于聚类来选择先验框尺寸.mp4
│ │ ├── 5-偏移量计算方法.mp4
│ │ ├── 2-网络结构特点.mp4
│ ├── 11-YOLO系列（V7）算法解读
│ │ ├── 1-YOLO系列（V7）算法解读.mp4
│ ├── 14-detr目标检测源码解读
│ │ ├── 7-Decoder层操作与计算.mp4
│ │ ├── 2-数据处理与dataloader.mp4
│ │ ├── 6-编码层作用方法.mp4
│ │ ├── 8-输出预测结果.mp4
│ │ ├── 3-位置编码作用分析.mp4
│ │ ├── 5-mask与编码模块.mp4
│ │ ├── 1-项目环境配置解读.mp4
│ │ ├── 4-backbone特征提取模块.mp4
│ │ ├── 9-损失函数与预测输出.mp4
│ ├── 16-半监督物体检测
│ │ ├── 1-半监督物体检测.mp4
│ ├── 1-物体检测评估指标
│ │ ├── 1-物体检测评估指标.mp4
│ ├── 10-V5项目工程源码解读
│ │ ├── 15-上采样与拼接操作.mp4
│ │ ├── 13-SPP层计算细节分析.mp4
│ │ ├── 11-前向传播计算.mp4
│ │ ├── 1-数据源DEBUG流程解读.mp4
│ │ ├── 10-完成配置文件解析任务.mp4
│ │ ├── 19-训练流程解读.mp4
│ │ ├── 18-命令行参数介绍.mp4
│ │ ├── 2-图像数据源配置.mp4
│ │ ├── 7-网络架构图可视化工具安装.mp4
│ │ ├── 16-输出结果分析.mp4
│ │ ├── 14-Head层流程解读.mp4
│ │ ├── 20-各种训练策略概述.mp4
│ │ ├── 9-Focus模块流程分析.mp4
│ │ ├── 17-超参数解读.mp4
│ │ ├── 12-BottleneckCSP层计算方法.mp4
│ │ ├── 21-模型迭代过程.mp4
│ │ ├── 6-getItem构建batch.mp4
│ │ ├── 8-V5网络配置文件解读.mp4
│ │ ├── 4-Mosaic数据增强方法.mp4
│ │ ├── 5-数据四合一方法与流程演示.mp4
│ │ ├── 3-加载标签数据.mp4
│ ├── 2-深度学习经典检测⽅法概述
│ │ ├── 2-不同阶段算法优缺点分析.mp4
│ │ ├── 4-评估所需参数计算.mp4
│ │ ├── 3-IOU指标计算.mp4
│ │ ├── 5-map指标计算.mp4
│ │ ├── 1-检测任务中阶段的意义.mp4
│ ├── 15-DeformableDetr算法解读
│ │ ├── 1-DeformableDetr算法解读.mp4
│ ├── 3-YOLO-V1整体思想与网络架构
│ │ ├── 1-YOLO算法整体思路解读.mp4
│ │ ├── 5-置信度误差与优缺点分析.mp4
│ │ ├── 4-位置损失计算.mp4
│ │ ├── 3-整体网络架构解读.mp4
│ │ ├── 2-检测算法要得到的结果.mp4
│ ├── 13-基于Transformer的detr目标检测算法
│ │ ├── 4-注意力机制的作用方法.mp4
│ │ ├── 2-整体网络架构分析.mp4
│ │ ├── 5-训练过程的策略.mp4
│ │ ├── 1-DETR目标检测基本思想解读.mp4
│ │ ├── 3-位置信息初始化query向量.mp4
│ ├── 12-V7源码解读
│ │ ├── 16-辅助头AUX网络结构配置文件解析.mp4
│ │ ├── 19-重参数化多分支合并加速.mp4
│ │ ├── 7-标签分配策略准备操作.mp4
│ │ ├── 11-候选框筛选流程分析.mp4
│ │ ├── 17-辅助头损失函数调整.mp4
│ │ ├── 10-完成BuildTargets模块.mp4
│ │ ├── 12-预测值各项指标获取与调整.mp4
│ │ ├── 5-各模块操作细节分析.mp4
│ │ ├── 14-通过IOU与置信度分配正样本.mp4
│ │ ├── 13-GT匹配正样本数量计算.mp4
│ │ ├── 2-基本参数作用.mp4
│ │ ├── 6-输出层与配置文件其他模块解读.mp4
│ │ ├── 4-网络结构配置文件解读.mp4
│ │ ├── 15-损失函数计算方法.mp4
│ │ ├── 9-得到偏移点所在网格位置.mp4
│ │ ├── 8-候选框偏移方法与find3p模块解读.mp4
│ │ ├── 18-BN与卷积权重参数融合方法.mp4
│ │ ├── 1-命令行参数介绍.mp4
│ │ ├── 3-EMA等训练技巧解读.mp4
│ ├── 6-项目实战-基于V3版本进行源码解读（建议直接跑V5版本）
│ │ ├── 14-完成所有损失函数所需计算指标.mp4
│ │ ├── 5-debug模式介绍.mp4
│ │ ├── 6-基于配置文件构建网络模型.mp4
│ │ ├── 11-模型要计算的损失概述.mp4
│ │ ├── 7-路由层与shortcut层的作用.mp4
│ │ ├── 10-网格偏移计算.mp4
│ │ ├── 3-COCO图像数据读取与处理.mp4
│ │ ├── 4-标签文件读取与处理.mp4
│ │ ├── 12-标签值格式修改.mp4
│ │ ├── 8-YOLO层定义解析.mp4
│ │ ├── 13-坐标相对位置计算.mp4
│ │ ├── 9-预测结果计算.mp4
│ │ ├── 1-数据与环境配置.mp4
│ │ ├── 2-训练参数设置.mp4
│ │ ├── 15-模型训练与总结.mp4
│ │ ├── 16-预测效果展示.mp4
├── 26-知识图谱实战系列
│ ├── 7-金融平台风控模型实践
│ │ ├── 5-各项统计特征.mp4
│ │ ├── 3-节点权重特征提取(PageRank).mp4
│ │ ├── 2-图模型信息提取.mp4
│ │ ├── 7-图中联系人特征.mp4
│ │ ├── 1-竞赛任务目标.mp4
│ │ ├── 6-app安装特征.mp4
│ │ ├── 4-deepwalk构建图顶点特征.mp4
│ ├── 6-文本关系抽取实践
│ │ ├── 5-依存句法概述.mp4
│ │ ├── 8-设计规则完成关系抽取.mp4
│ │ ├── 6-句法分析结果整理.mp4
│ │ ├── 3-pyltp安装与流程演示.mp4
│ │ ├── 1-关系抽取要完成的任务演示与分析.mp4
│ │ ├── 7-语义角色构建与分析.mp4
│ │ ├── 2-LTP工具包概述介绍.mp4
│ │ ├── 4-得到分词与词性标注结果.mp4
│ ├── 1-知识图谱介绍及其应用领域分析
│ │ ├── 4-金融��推荐领域的应用.mp4
│ │ ├── 1-知识图谱通俗解读.mp4
│ │ ├── 3-知识图谱在医疗领域应用实例.mp4
│ │ ├── 2-知识图谱在搜索引擎中的应用.mp4
│ │ ├── 5-数据获取分析.mp4
│ ├── 4-使用python操作neo4j实例
│ │ ├── 3-在图中创建实体.mp4
│ │ ├── 4-根据给定实体创建关系.mp4
│ │ ├── 1-使用Py2neo建立连接.mp4
│ │ ├── 2-提取所需的指标信息.mp4
│ ├── 5-基于知识图谱的医药问答系统实战
│ │ ├── 9-实体关键词字典制作.mp4
│ │ ├── 4-环境配置与所需工具包安装.mp4
│ │ ├── 10-完成对话系统构建.mp4
│ │ ├── 3-任务流程概述.mp4
│ │ ├── 7-打造医疗知识图谱模型.mp4
│ │ ├── 1-项目概述与整体架构分析.mp4
│ │ ├── 6-创建关系边.mp4
│ │ ├── 5-提取数据中的关键字段信息.mp4
│ │ ├── 8-加载所有实体数据.mp4
│ │ ├── 2-医疗数据介绍及其各字段含义.mp4
│ ├── 8-医学糖尿病数据命名实体识别
│ │ ├── 5-训练网络模型.mp4
│ │ ├── 1-数据与任务介绍.mp4
│ │ ├── 4-输入样本填充补齐.mp4
│ │ ├── 6-医疗数据集（糖尿病）实体识别.mp4
│ │ ├── 2-整体模型架构.mp4
│ │ ├── 3-数据-标签-语料库处理.mp4
│ ├── 3-Neo4j数据库实战
│ │ ├── 1-Neo4j图数据库介绍.mp4
│ │ ├── 3-可视化例子演示.mp4
│ │ ├── 2-Neo4j数据库安装流程演示.mp4
│ │ ├── 4-创建与删除操作演示.mp4
│ │ ├── 5-数据库更改查询操作演示.mp4
│ ├── 2-知识图谱涉及技术点分析
│ │ ├── 6-图谱知识融合与总结分析.mp4
│ │ ├── 4-金融领域图编码实例.mp4
│ │ ├── 5-视觉领域图编码实例.mp4
│ │ ├── 2-常用NLP技术点分析.mp4
│ │ ├── 3-graph-embedding的作用与效果.mp4
│ │ ├── 1-数据关系抽取分析.mp4
├── 24-时间序列预测
│ ├── 3-Timesnet时序预测
│ │ ├── 1-时序预测故事背景.mp4
│ │ ├── 5-全部计算流程解读.mp4
│ │ ├── 8-傅里叶变换流程.mp4
│ │ ├── 3-时序特征周期拆解.mp4
│ │ ├── 4-计算公式流程拆解.mp4
│ │ ├── 2-论文核心思想解读.mp4
│ │ ├── 7-源码流程解读.mp4
│ │ ├── 6-周期间特征分析.mp4
│ ├── 1-Informer原理解读
│ │ ├── 3-论文要解决的问题分析.mp4
│ │ ├── 2-常用模块分析.mp4
│ │ ├── 5-probAttention计算流程.mp4
│ │ ├── 6-编码器全部计算流程.mp4
│ │ ├── 1-时间序列预测要完成的任务.mp4
│ │ ├── 4-Query采样方法解读.mp4
│ │ ├── 7-解码器流程分析.mp4
│ ├── 2-Informer源码解读
│ │ ├── 2-数据集解读.mp4
│ │ ├── 4-数据集构建与读取方式.mp4
│ │ ├── 1-项目使用说明.mp4
│ │ ├── 10-核心采样计算方法.mp4
│ │ ├── 13-解码器预测输出.mp4
│ │ ├── 6-时间相关特征提取方法.mp4
│ │ ├── 11-完成注意力机制计算模块.mp4
│ │ ├── 8-整体架构分析.mp4
│ │ ├── 9-编码器模块实现.mp4
│ │ ├── 3-模型训练所需参数解读.mp4
│ │ ├── 12-平均向量的作用.mp4
│ │ ├── 7-dataloader构建实例.mp4
│ │ ├── 5-数据处理相关模块.mp4
├── 15-缺陷检测实战
│ ├── 5-基于YOLOV5的钢材缺陷检测实战
│ │ ├── 2-数据与标签配置方法.mp4
│ │ ├── 1-任务需求与项目概述.mp4
│ │ ├── 6-缺陷检测模型训练.mp4
│ │ ├── 7-输出结果与项目总结.mp4
│ │ ├── 4-各版本模型介绍分析.mp4
│ │ ├── 3-标签转换格式脚本制作.mp4
│ │ ├── 5-项目参数配置.mp4
│ ├── 11-基于视频流⽔线的Opencv缺陷检测项⽬
│ │ ├── 3-目标质心计算.mp4
│ │ ├── 6-不同类型的缺陷检测方法.mp4
│ │ ├── 7-检测效果演示.mp4
│ │ ├── 2-视频数据读取与轮廓检测.mp4
│ │ ├── 4-视频数据遍历方法.mp4
│ │ ├── 1-数据与任务概述.mp4
│ │ ├── 5-缺陷区域提取.mp4
│ ├── 10-基于Opencv缺陷检测项⽬实战
│ │ ├── 3-缺陷形态学操作.mp4
│ │ ├── 2-数据读取与基本处理.mp4
│ │ ├── 4-整体流程解读.mp4
│ │ ├── 5-缺陷检测效果演示.mp4
│ │ ├── 1-任务需求与环境配置.mp4
│ ├── 1-课程介绍
│ │ ├── 1-课程介绍.mp4
│ ├── 13-基于deeplabV3+版本进⾏VOC分割实战
│ │ ├── 4-ASPP层特征融合.mp4
│ │ ├── 2-项目参数与数据集读取.mp4
│ │ ├── 3-网络前向传播流程.mp4
│ │ ├── 5-分割模型训练.mp4
│ │ ├── 1-PascalVoc数据集介绍.mp4
│ ├── 4-物体检测框架YOLOV5项目工程源码解读
│ │ ├── 13-SPP层计算细节分析.mp4
│ │ ├── 18-命令行参数介绍.mp4
│ │ ├── 3-加载标签数据.mp4
│ │ ├── 20-各种训练策略概述.mp4
│ │ ├── 8-V5网络配置文件解读.mp4
│ │ ├── 21-模型迭代过程.mp4
│ │ ├── 9-Focus模块流程分析.mp4
│ │ ├── 2-图像数据源配置.mp4
│ │ ├── 19-训练流程解读.mp4
│ │ ├── 4-Mosaic数据增强方法.mp4
│ │ ├── 5-数据四合一方法与流程演示.mp4
│ │ ├── 16-输出结果分析.mp4
│ │ ├── 11-前向传播计算.mp4
│ │ ├── 17-超参数解读.mp4
│ │ ├── 10-完成配置文件解析任务.mp4
│ │ ├── 7-网络架构图可视化工具安装.mp4
│ │ ├── 12-BottleneckCSP层计算方法.mp4
│ │ ├── 6-getItem构建batch.mp4
│ │ ├── 15-上采样与拼接操作.mp4
│ │ ├── 1-数据源DEBUG流程解读.mp4
│ │ ├── 14-Head层流程解读.mp4
│ ├── 2-物体检框架YOLO-V4版本算法解读
│ │ ├── 9-SAM注意力机制模块.mp4
│ │ ├── 3-数据增强策略分析.mp4
│ │ ├── 1-V4版本整体概述.mp4
│ │ ├── 2-V4版本贡献解读.mp4
│ │ ├── 6-CIOU损失函数定义.mp4
│ │ ├── 5-损失函数遇到的问题.mp4
│ │ ├── 4-DropBlock与标签平滑方法.mp4
│ │ ├── 8-SPP与CSP网络结构.mp4
│ │ ├── 10-PAN模块解读.mp4
│ │ ├── 11-激活函数与整体架构总结.mp4
│ │ ├── 7-NMS细节改进.mp4
│ ├── 12-图像分割deeplab系列算法
│ │ ├── 4-SPP层的作用.mp4
│ │ ├── 3-感受野的意义.mp4
│ │ ├── 2-空洞卷积的作用.mp4
│ │ ├── 6-deeplabV3Plus版本网络架构.mp4
│ │ ├── 1-deeplab分割算法概述.mp4
│ │ ├── 5-ASPP特征融合策略.mp4
│ ├── 14-Deeplab铁质材料缺陷检测与开源项⽬应⽤流程
│ │ ├── 3-github与kaggle中需要注意的点.mp4
│ │ ├── 2-开源项目应用方法.mp4
│ │ ├── 7-训练模型.mp4
│ │ ├── 6-数据路径配置.mp4
│ │ ├── 4-源码的利用方法.mp4
│ │ ├── 8-任务总结.mp4
│ │ ├── 5-数据集制作方法.mp4
│ │ ├── 1-数据集与任务概述.mp4
│ ├── 8-Opencv梯度计算与边缘检测实例
│ │ ├── 1-Canny边缘检测流程.mp4
│ │ ├── 3-边缘检测效果.mp4
│ │ ├── 6-scharr与lapkacian算子.mp4
│ │ ├── 2-非极大值抑制.mp4
│ │ ├── 4-Sobel算子.mp4
│ │ ├── 5-梯度计算方法.mp4
│ ├── 3-物体检测框架YOLOV5版本项目配置
│ │ ├── 1-整体项目概述.mp4
│ │ ├── 3-训练数据参数配置.mp4
│ │ ├── 4-测试DEMO演示.mp4
│ │ ├── 2-训练自己的数据集方法.mp4
│ ├── 6-Semi-supervised布料缺陷检测实战
│ │ ├── 1-任务目标与流程概述.mp4
│ │ ├── 2-论文思想与模型分析.mp4
│ │ ├── 4-网络流程分析.mp4
│ │ ├── 3-项目配置解读.mp4
│ │ ├── 5-输出结果展示.mp4
│ ├── 9-Opencv轮廓检测与直⽅图
│ │ ├── 12-频域变换结果.mp4
│ │ ├── 9-均衡化原理.mp4
│ │ ├── 10-均衡化效果.mp4
│ │ ├── 2-金字塔制作方法.mp4
│ │ ├── 13-低通与高通滤波.mp4
│ │ ├── 5-轮廓特征与近似.mp4
│ │ ├── 6-模板匹配方法.mp4
│ │ ├── 7-匹配效果展示.mp4
│ │ ├── 3-轮廓检测方法.mp4
│ │ ├── 11-傅里叶概述.mp4
│ │ ├── 8-直方图定义.mp4
│ │ ├── 1-图像金字塔定义.mp4
│ │ ├── 4-轮廓检测结果.mp4
│ ├── 7-Opencv图像常⽤处理⽅法实例
│ │ ├── 12-梯度计算.mp4
│ │ ├── 4-边界填充.mp4
│ │ ├── 10-膨胀操作.mp4
│ │ ├── 9-腐蚀操作.mp4
│ │ ├── 7-图像平滑处理.mp4
│ │ ├── 3-ROI区域.mp4
│ │ ├── 8-高斯与中值滤波.mp4
│ │ ├── 6-图像阈值.mp4
│ │ ├── 2-视频的读取与处理.mp4
│ │ ├── 13-礼帽与黑帽.mp4
│ │ ├── 5-数值计算.mp4
│ │ ├── 1-计算机眼中的图像.mp4
│ │ ├── 11-开运算与闭运算.mp4
├── 28-推荐系统实战系列
│ ├── 2-协同过滤与矩阵分解
│ │ ├── 3-3-相似度计算与推荐实例.mp4
│ │ ├── 5-5-矩阵分解中的隐向量.mp4
│ │ ├── 4-4-矩阵分解的目的与效果.mp4
│ │ ├── 6-6-目标函数简介.mp4
│ │ ├── 8-8-Embedding的作用.mp4
│ │ ├── 7-7-隐式情况分析.mp4
│ │ ├── 1-1-协同过滤与矩阵分解简介.mp4
│ │ ├── 2-2-基于用户与商品的协同过滤.mp4
│ ├── 4-知识图谱与Neo4j数据库实例
│ │ ├── 3-3-知识图谱在医疗领域应用实例.mp4
│ │ ├── 2-2-知识图谱在搜索引擎中的应用.mp4
│ │ ├── 4-4-金融与推荐领域的应用.mp4
│ │ ├── 7-2-Neo4j数据库安装流程演示.mp4
│ │ ├── 1-1-知识图谱通俗解读.mp4
│ │ ├── 6-1-Neo4j图数据库介绍.mp4
│ │ ├── 10-5-数据库更改查询操作演示.mp4
│ │ ├── 9-4-创建与删除操作演示.mp4
│ │ ├── 8-3-可视化例子演示.mp4
│ │ ├── 5-5-数据获取分析.mp4
│ ├── 1-推荐系统介绍及其应用
│ │ ├── 4-4-任务流程与挑战概述.mp4
│ │ ├── 2-2-推荐系统发展简介.mp4
│ │ ├── 5-5-常用技术点分析.mp4
│ │ ├── 1-1-推荐系统通俗解读.mp4
│ │ ├── 3-3-应用领域与多方位评估指标.mp4
│ │ ├── 6-6-与深度学习的结合.mp4
│ ├── 10-基本统计分析的电影推荐
│ │ ├── 9-9-得出推荐结果.mp4
│ │ ├── 3-3-关键词云与直方图展示.mp4
│ │ ├── 6-6-缺失值填充方法.mp4
│ │ ├── 5-5-数据清洗概述.mp4
│ │ ├── 2-2-数据与关键词信息展示.mp4
│ │ ├── 4-4-特征可视化.mp4
│ │ ├── 7-7-推荐引擎构造.mp4
│ │ ├── 1-1-电影数据与环境配置.mp4
│ │ ├── 8-8-数据特征构造.mp4
│ ├── 3-音乐推荐系统实战
│ │ ├── 4-4-物品相似度计算与推荐.mp4
│ │ ├── 6-6-基于矩阵分解的音乐推荐.mp4
│ │ ├── 1-1-音乐推荐任务概述.mp4
│ │ ├── 3-3-基于物品的协同过滤.mp4
│ │ ├── 5-5-SVD矩阵分解.mp4
│ │ ├── 2-2-数据集整合.mp4
│ ├── 5-基于知识图谱的电影推荐实战
│ │ ├── 3-3-图谱需求与任务流程解读.mp4
│ │ ├── 1-1-知识图谱推荐系统效果演示.mp4
│ │ ├── 4-4-项目所需环境配置安装.mp4
│ │ ├── 6-6-图谱查询与匹配操作.mp4
│ │ ├── 5-5-构建用户电影知识图谱.mp4
│ │ ├── 7-7-相似度计算与推荐引擎构建.mp4
│ │ ├── 2-2-kaggle电影数据集下载与配置.mp4
│ ├── 6-点击率估计FM与DeepFM算法
│ │ ├── 4-4-二阶公式推导与化简.mp4
│ │ ├── 6-6-DeepFm整体架构解读.mp4
│ │ ├── 2-2-高维特征带来的问题.mp4
│ │ ├── 3-3-二项式特征的作用与挑战.mp4
│ │ ├── 1-1-CTR估计及其经典方法概述.mp4
│ │ ├── 8-8-Embedding层的作用与总结.mp4
│ │ ├── 5-5-FM算法解析.mp4
│ │ ├── 7-7-输入层所需数据样例.mp4
│ ├── 8-推荐系统常用工具包演示
│ │ ├── 3-3-surprise工具包基本使用.mp4
│ │ ├── 1-1-环境配置与数据集介绍.mp4
│ │ ├── 5-5-评估指标概述.mp4
│ │ ├── 2-2-电影数据集预处理分析.mp4
│ │ ├── 4-4-模型测试集结果.mp4
│ ├── 7-DeepFM算法实战
│ │ ├── 3-3-数据处理模块Embedding层.mp4
│ │ ├── 1-1-数据集介绍与环境配置.mp4
│ │ ├── 2-2-广告点击数据预处理实例.mp4
│ │ ├── 7-7-特征组合方法实例分析.mp4
│ │ ├── 5-5-一阶权重参数设计.mp4
│ │ ├── 4-4-Index与Value数据制作.mp4
│ │ ├── 6-6-二阶特征构建方法.mp4
│ │ ├── 8-8-完成FM模块计算.mp4
│ │ ├── 9-9-DNN模块与训练过程.mp4
│ ├── 11-补充-基于相似度的酒店推荐系统
│ │ ├── 3-3-ngram结果可视化展示.mp4
│ │ ├── 2-2-文本词频统计.mp4
│ │ ├── 5-5-相似度计算.mp4
│ │ ├── 6-6-得出推荐结果.mp4
│ │ ├── 4-4-文本清洗.mp4
│ │ ├── 1-1-酒店数据与任务介绍.mp4
│ ├── 9-基于文本数据的推荐实例
│ │ ├── 2-2-数据科学相关数据介绍.mp4
│ │ ├── 7-7-推荐结果分析.mp4
│ │ ├── 6-6-LDA主题模型效果演示.mp4
│ │ ├── 1-1-数据与环境配置介绍.mp4
│ │ ├── 5-5-矩阵分解演示.mp4
│ │ ├── 3-3-文本数据预处理.mp4
│ │ ├── 4-4-TFIDF构建特征矩阵.mp4
├── 29-论文创新点常用方法及其应用实例
│ ├── 1-通用创新点
│ │ ├── 17-可变形卷积加入方法.mp4
│ │ ├── 3-Coordinate_attention.mp4
│ │ ├── 15-只能机器学习模型时凑工作量（特征工程）.mp4
│ │ ├── 9-CrossAttention融合特征.mp4
│ │ ├── 10-Attention额外加入先验知识.mp4
│ │ ├── 7-Deformable(替换selfAttention).mp4
│ │ ├── 12-损失函数约束项.mp4
│ │ ├── 16-自己数据集如何发的好(要开源).mp4
│ │ ├── 1-ACMIX（卷积与注意力融合）.mp4
│ │ ├── 14-Coarse2Fine大框架.mp4
│ │ ├── 13-自适应可学习参数.mp4
│ │ ├── 4-SPD（可替换下采样）.mp4
│ │ ├── 5-SPP改进.mp4
│ │ ├── 2-GCnet(全局特征融合).mp4
│ │ ├── 11-结合GNN构建局部特征.mp4
│ │ ├── 18-在源码中加入各种注意力机制方法.mp4
│ │ ├── 8-ProbAttention(采样策略).mp4
│ │ ├── 6-mobileOne(加速).mp4
├── 20-面向医学领域的深度学习实战
│ ├── 15-基于知识图谱的医药问答系统实战
│ │ ├── 5-提取数据中的关键字段信息.mp4
│ │ ├── 3-任务流程概述.mp4
│ │ ├── 7-打造医疗知识图谱模型.mp4
│ │ ├── 4-环境配置与所需工具包安装.mp4
│ │ ├── 9-实体关键词字典制作.mp4
│ │ ├── 6-创建关系边.mp4
│ │ ├── 8-加载所有实体数据.mp4
│ │ ├── 1-项目概述与整体架构分析.mp4
│ │ ├── 2-医疗数据介绍及其各字段含义.mp4
│ │ ├── 10-完成对话系统构建.mp4
│ ├── 4-基于Resnet的医学数据集分类实战
│ │ ├── 2-Resnet网络架构原理分析.mp4
│ │ ├── 7-网络整体流程与训练演示.mp4
│ │ ├── 3-dataloader加载数据集.mp4
│ │ ├── 5-残差网络的shortcut操作.mp4
│ │ ├── 4-Resnet网络前向传播.mp4
│ │ ├── 6-特征图升维与降采样操作.mp4
│ │ ├── 1-医学疾病数据集介绍.mp4
│ ├── 8-deeplab系列算法
│ │ ├── 3-感受野的意义.mp4
│ │ ├── 5-ASPP特征融合策略.mp4
│ │ ├── 2-空洞卷积的作用.mp4
│ │ ├── 1-deeplab分割算法概述.mp4
│ │ ├── 6-deeplabV3Plus版本网络架构.mp4
│ │ ├── 4-SPP层的作用.mp4
│ ├── 11-YOLO系列物体检测算法原理解读
│ │ ├── 15-偏移量计算方法.mp4
│ │ ├── 8-整体网络架构解读.mp4
│ │ ├── 16-坐标映射与还原.mp4
│ │ ├── 18-特征融合改进.mp4
│ │ ├── 32-NMS细节改进.mp4
│ │ ├── 7-检测算法要得到的结果.mp4
│ │ ├── 36-激活函数与整体架构总结.mp4
│ │ ├── 5-map指标计算.mp4
│ │ ├── 12-网络结构特点.mp4
│ │ ├── 24-先验框设计改进.mp4
│ │ ├── 23-整体网络模型架构分析.mp4
│ │ ├── 20-多scale方法改进与特征融合.mp4
│ │ ├── 33-SPP与CSP网络结构.mp4
│ │ ├── 14-基于聚类来选择先验框尺寸.mp4
│ │ ├── 21-经典变换方法对比分析.mp4
│ │ ├── 34-SAM注意力机制模块.mp4
│ │ ├── 30-损失函数遇到的问题.mp4
│ │ ├── 3-IOU指标计算.mp4
│ │ ├── 19-V3版本改进概述.mp4
│ │ ├── 11-V2版本细节升级概述.mp4
│ │ ├── 17-感受野的作用.mp4
│ │ ├── 29-DropBlock与标签平滑方法.mp4
│ │ ├── 26-V4版本整体概述.mp4
│ │ ├── 25-sotfmax层改进.mp4
│ │ ├── 28-数据增强策略分析.mp4
│ │ ├── 1-检测任务中阶段的意义.mp4
│ │ ├── 10-置信度误差与优缺点分析.mp4
│ │ ├── 4-评估所需参数计算.mp4
│ │ ├── 22-残差连接方法解读.mp4
│ │ ├── 9-位置损失计算.mp4
│ │ ├── 31-CIOU损失函数定义.mp4
│ │ ├── 2-不同阶段算法优缺点分析.mp4
│ │ ├── 6-YOLO算法整体思路解读.mp4
│ │ ├── 27-V4版本贡献解读.mp4
│ │ ├── 13-架构细节解读.mp4
│ │ ├── 35-PAN模块解读.mp4
│ ├── 9-基于deeplabV3+版本进行VOC分割实战
│ │ ├── 2-项目参数与数据集读取.mp4
│ │ ├── 1-PascalVoc数据集介绍.mp4
│ │ ├── 3-网络前向传播流程.mp4
│ │ ├── 4-ASPP层特征融合.mp4
│ │ ├── 5-分割模型训练.mp4
│ ├── 7-unet医学细胞分割实战
│ │ ├── 4-特征融合方法演示.mp4
│ │ ├── 6-模型效果验证.mp4
│ │ ├── 5-迭代完成整个模型计算任务.mp4
│ │ ├── 3-Debug模式演示网络计算流程.mp4
│ │ ├── 1-医学细胞数据集介绍与参数配置.mp4
│ │ ├── 2-数据增强工具.mp4
│ ├── 16-词向量模型与RNN网络架构
│ │ ├── 3-训练数据构建.mp4
│ │ ├── 5-负采样方案.mp4
│ │ ├── 6-额外补充-RNN网络模型解读.mp4
│ │ ├── 1-词向量模型通俗解释.mp4
│ │ ├── 4-CBOW与Skip-gram模型.mp4
│ │ ├── 2-模型整体框架.mp4
│ ├── 14-Neo4j数据库实战
│ │ ├── 3-可视化例子演示.mp4
│ │ ├── 5-数据库更改查询操作演示.mp4
│ │ ├── 4-创建与删除操作演示.mp4
│ │ ├── 1-Neo4j图数据库介绍.mp4
│ │ ├── 2-Neo4j数据库安装流程演示.mp4
│ ├── 17-医学糖尿病数据命名实体识别
│ │ ├── 6-医疗数据集（糖尿病）实体识别.mp4
│ │ ├── 4-输入样本填充补齐.mp4
│ │ ├── 3-数据-标签-语料库处理.mp4
│ │ ├── 5-训练网络模型.mp4
│ │ ├── 1-数据与任务介绍.mp4
│ │ ├── 2-整体模型架构.mp4
│ ├── 12-基于YOLO5细胞检测实战
│ │ ├── 5-细胞检测效果演示.mp4
│ │ ├── 1-任务与细胞数据集介绍.mp4
│ │ ├── 2-模型与算法配置参数解读.mp4
│ │ ├── 4-效果评估与展示.mp4
│ │ ├── 3-网络训练流程演示.mp4
│ ├── 5-图像分割及其损失函数概述
│ │ ├── 2-分割任务中的目标函数定义.mp4
│ │ ├── 1-语义分割与实例分割概述.mp4
│ │ ├── 3-MIOU评估标准.mp4
│ ├── 13-知识图谱原理解读
│ │ ├── 2-知识图谱在搜索引擎中的应用.mp4
│ │ ├── 11-图谱知识融合与总结分析.mp4
│ │ ├── 3-知识图谱在医疗领域应用实例.mp4
│ │ ├── 8-graph-embedding的作用与效果.mp4
│ │ ├── 7-常用NLP技术点分析.mp4
│ │ ├── 6-数据关系抽取分析.mp4
│ │ ├── 1-知识图谱通俗解读.mp4
│ │ ├── 9-金融领域图编码实例.mp4
│ │ ├── 5-数据获取分析.mp4
│ │ ├── 10-视觉领域图编码实例.mp4
│ │ ├── 4-金融与推荐领域的应用.mp4
│ ├── 6-Unet系列算法讲解
│ │ ├── 3-Unet升级版本改进.mp4
│ │ ├── 2-网络计算流程.mp4
│ │ ├── 4-后续升级版本介绍.mp4
│ │ ├── 1-Unet网络编码与解码过程.mp4
│ ├── 2-PyTorch框架基本处理操作
│ │ ├── 8-补充：常见tensor格式.mp4
│ │ ├── 9-补充：Hub模块简介.mp4
│ │ ├── 6-线性回归DEMO-数据与参数配置.mp4
│ │ ├── 7-线性回归DEMO-训练回归模型.mp4
│ │ ├── 4-PyTorch基本操作简介.mp4
│ │ ├── 5-自动求导机制.mp4
│ │ ├── 3-框架安装方法（CPU与GPU版本）.mp4
│ │ ├── 1-PyTorch实战课程简介.mp4
│ │ ├── 2-PyTorch框架发展趋势简介.mp4
│ ├── 10-基于deeplab的心脏视频数据诊断分析
│ │ ├── 3-任务流程解读.mp4
│ │ ├── 1-数据集与任务概述.mp4
│ │ ├── 2-项目基本配置参数.mp4
│ │ ├── 4-文献报告分析.mp4
│ │ ├── 6-补充：R(2plus1)D处理方法分析.mp4
│ │ ├── 5-补充：视频数据源特征处理方法概述.mp4
│ ├── 3-PyTorch框架必备核心模块解读
│ │ ├── 7-Batch数据制作.mp4
│ │ ├── 5-图像增强的作用.mp4
│ │ ├── 4-分类任务数据集定义与配置.mp4
│ │ ├── 1-卷积网络参数定义.mp4
│ │ ├── 8-迁移学习的目标.mp4
│ │ ├── 14-加载模型对测试数据进行预测.mp4
│ │ ├── 13-训练结果与模型保存.mp4
│ │ ├── 3-Vision模块功能解读.mp4
│ │ ├── 12-实现训练模块.mp4
│ │ ├── 15-额外补充-Resnet论文解读.mp4
│ │ ├── 10-加载训练好的网络模型.mp4
│ │ ├── 6-数据预处理与数据增强模块.mp4
│ │ ├── 11-优化器模块配置.mp4
│ │ ├── 2-网络流程解读.mp4
│ │ ├── 9-迁移学习策略.mp4
│ │ ├── 16-额外补充-Resnet网络架构解读.mp4
│ ├── 1-卷积神经网络原理与参数解读
│ │ ├── 1-卷积神经网络应用领域.mp4
│ │ ├── 4-得到特征图表示.mp4
│ │ ├── 2-卷积的作用.mp4
│ │ ├── 9-整体网络架构.mp4
│ │ ├── 7-特征图尺寸计算与参数共享.mp4
│ │ ├── 3-卷积特征值计算方法.mp4
│ │ ├── 5-步长与卷积核大小对结果的影响.mp4
│ │ ├── 6-边缘填充方法.mp4
│ │ ├── 12-感受野的作用.mp4
│ │ ├── 8-池化层的作用.mp4
│ │ ├── 10-VGG网络架构.mp4
│ │ ├── 11-残差网络Resnet.mp4
├── 18-强化学习与AI黑科技实例
│ ├── 4-Q-learning与DQN算法
│ │ ├── 5-算法原理通俗解读.mp4
│ │ ├── 7-Qlearning算法实例解读.mp4
│ │ ├── 9-DQN简介.mp4
│ │ ├── 3-计算target值.mp4
│ │ ├── 6-目标函数与公式解析.mp4
│ │ ├── 1-整体任务流程演示.mp4
│ │ ├── 8-Q值迭代求解.mp4
│ │ ├── 4-训练与更新.mp4
│ │ ├── 2-探索与action获取.mp4
│ ├── 12-Dalle2及其源码解读
│ │ ├── 1-Dalle2源码解读.mp4
│ ├── 9-GPT建模与预测流程
│ │ ├── 4-模型训练过程.mp4
│ │ ├── 1-生成模型可以完成的任务概述.mp4
│ │ ├── 3-训练所需参数解读.mp4
│ │ ├── 2-数据样本生成方法.mp4
│ │ ├── 5-部署与网页预测展示.mp4
│ ├── 1-强化学习简介及其应用
│ │ ├── 1-一张图通俗解释强化学习.mp4
│ │ ├── 6-计算机眼中的状态与行为.mp4
│ │ ├── 3-强化学习AI游戏DEMO.mp4
│ │ ├── 2-强化学习的指导依据.mp4
│ │ ├── 5-强化学习工作流程.mp4
│ │ ├── 4-应用领域简介.mp4
│ ├── 7-用A3C玩转超级马里奥
│ │ ├── 3-要计算的指标回顾.mp4
│ │ ├── 2-启动游戏环境.mp4
│ │ ├── 5-与环境交互得到训练数据.mp4
│ │ ├── 6-训练网络模型.mp4
│ │ ├── 4-初始化局部模型并加载参数.mp4
│ │ ├── 1-整体流程与环境配置.mp4
│ ├── 8-GPT系列生成模型
│ │ ├── 1-GPT系列.mp4
│ ├── 11-Diffusion模型解读
│ │ ├── 1-Diffusion模型解读.mp4
│ ├── 5-DQN改进与应用技巧
│ │ ├── 5-连续动作处理方法.mp4
│ │ ├── 1-DoubleDqn要解决的问题.mp4
│ │ ├── 2-DuelingDqn改进方法.mp4
│ │ ├── 3-Dueling整体网络架构分析.mp4
│ │ ├── 4-MultiSetp策略.mp4
│ ├── 3-PPO实战-月球登陆器训练实例
│ │ ├── 6-参数迭代与更新.mp4
│ │ ├── 2-PPO2版本公式解读.mp4
│ │ ├── 4-得到动作结果.mp4
│ │ ├── 3-参数与网络结构定义.mp4
│ │ ├── 5-奖励获得与计算.mp4
│ │ ├── 1-Critic的作用与效果.mp4
│ ├── 13-ChatGPT
│ │ ├── 1-ChatGPT.mp4
│ ├── 6-Actor-Critic算法分析（A3C）
│ │ ├── 4-A3C整体架构分析.mp4
│ │ ├── 3-计算流程实例.mp4
│ │ ├── 5-损失函数整理.mp4
│ │ ├── 2-优势函数解读与分析.mp4
│ │ ├── 1-AC算法回顾与知识点总结.mp4
│ ├── 2-PPO算法与公式推导
│ │ ├── 6-OnPolicy与OffPolicy策略.mp4
│ │ ├── 2-与环境交互得到所需数据.mp4
│ │ ├── 4-策略梯度推导.mp4
│ │ ├── 8-PPO算法整体思路解析.mp4
│ │ ├── 5-baseline方法.mp4
│ │ ├── 7-importance sampling的作用.mp4
│ │ ├── 3-要完成的目标分析.mp4
│ │ ├── 1-基本情况介绍.mp4
│ ├── 10-CLIP系列
│ │ ├── 1-CLIP系列.mp4
├── 课件和源码资料
│ ├── 课件资料.zip
│ ├── 源码-人工智能深度学习系统班（第9期录播）.java
├── 11-图神经网络实战
│ ├── 7-图相似度计算实战
│ │ ├── 4-获得直方图特征结果.mp4
│ │ ├── 2-图卷积特征提取模块.mp4
│ │ ├── 5-图的全局特征构建.mp4
│ │ ├── 1-数据集与任务概述.mp4
│ │ ├── 6-NTN图相似特征提取.mp4
│ │ ├── 7-预测得到相似度结果.mp4
│ │ ├── 3-分别计算不同Batch点的分布.mp4
│ ├── 9-图模型轨迹估计实战
│ │ ├── 5-SubGraph与Attention模型流程.mp4
│ │ ├── 4-DataLoader构建图结构.mp4
│ │ ├── 3-Agent特征提取方法.mp4
│ │ ├── 1-数据与环境配置.mp4
│ │ ├── 2-训练数据准备.mp4
│ ├── 11-异构图神经网络
│ │ ├── 1-异构图神经网络.mp4
│ ├── 10-基于图模型的时间序列预测
│ │ ├── 1-基于图模型的时间序列预测.mp4
│ ├── 6-图相似度论文解读
│ │ ├── 6-结果输出与总结.mp4
│ │ ├── 1-要完成的任务分析.mp4
│ │ ├── 4-NTN模块的作用与效果.mp4
│ │ ├── 3-图模型提取全局与局部特征.mp4
│ │ ├── 2-基本方法概述解读.mp4
│ │ ├── 5-点之间的对应关系计算.mp4
│ ├── 1-图神经网络基础
│ │ ├── 1-图神经网络应用领域分析.mp4
│ │ ├── 5-消息传递计算方法.mp4
│ │ ├── 6-多层GCN的作用.mp4
│ │ ├── 2-图基本模块定义.mp4
│ │ ├── 3-邻接矩阵的定义.mp4
│ │ ├── 4-GNN中常见任务.mp4
│ ├── 2-图卷积GCN模型
│ │ ├── 1-GCN基本模型概述.mp4
│ │ ├── 2-图卷积的基本计算方法.mp4
│ │ ├── 3-邻接的矩阵的变换.mp4
│ │ ├── 4-GCN变换原理解读.mp4
│ ├── 8-基于图模型的轨迹估计
│ │ ├── 8-VectorNet输出层分析.mp4
│ │ ├── 1-数据集与标注信息解读.mp4
│ │ ├── 5-输入细节分析.mp4
│ │ ├── 6-子图模块构建方法.mp4
│ │ ├── 4-传统方法与现在向量空间对比.mp4
│ │ ├── 7-特征融合模块分析.mp4
│ │ ├── 3-特征工程的作用与效果.mp4
│ │ ├── 2-整体三大模块分析.mp4
│ ├── 5-图注意力机制与序列图模型
│ │ ├── 1-图注意力机制的作用与方法.mp4
│ │ ├── 2-邻接矩阵计算图Attention.mp4
│ │ ├── 3-序列图神经网络TGCN应用.mp4
│ │ ├── 4-序列图神经网络细节.mp4
│ ├── 3-图模型必备神器PyTorch Geometric安装与使用
│ │ ├── 3-模型定义与训练方法.mp4
│ │ ├── 4-文献引用数据集分类案例实战.mp4
│ │ ├── 2-数据集与邻接矩阵格式.mp4
│ │ ├── 1-PyTorch Geometric工具包安装与配置方法.mp4
│ ├── 4-使用PyTorch Geometric构建自己的图数据集
│ │ ├── 8-获取全局特征.mp4
│ │ ├── 6-网络结构定义模块.mp4
│ │ ├── 3-数据集基本预处理.mp4
│ │ ├── 5-数据集创建函数介绍.mp4
│ │ ├── 2-数据集与任务背景概述.mp4
│ │ ├── 9-模型训练与总结.mp4
│ │ ├── 1-构建数据集基本方法.mp4
│ │ ├── 7-TopkPooling进行下采样任务.mp4
│ │ ├── 4-用户行为图结构创建.mp4
├── 23-自然语言处理必备神器Huggingface系列实战
│ ├── 6-文本预训练模型构建实例
│ │ ├── 2-文本数据截断处理.mp4
│ │ ├── 3-预训练模型自定义训练.mp4
│ │ ├── 1-预训练模型效果分析.mp4
│ ├── 1-Huggingface与NLP介绍解读
│ │ ├── 1-Huggingface与NLP介绍解读.mp4
│ ├── 9-文本摘要建模
│ │ ├── 2-模型训练与测试结果.mp4
│ │ ├── 3-文本摘要数据标注方法.mp4
│ │ ├── 1-中文商城评价数据处理方法.mp4
│ │ ├── 4-训练自己标注的数据并测试.mp4
│ ├── 11-补充Huggingface数据集制作方法实例
│ │ ├── 2-Huggingface中的预处理实例.mp4
│ │ ├── 1-数据结构分析.mp4
│ │ ├── 3-数据处理基本流程.mp4
│ ├── 8-GPT训练与预测部署流程
│ │ ├── 2-数据样本生成方法.mp4
│ │ ├── 5-部署与网页预测展示.mp4
│ │ ├── 4-模型训练过程.mp4
│ │ ├── 1-生成模型可以完成的任务概述.mp4
│ │ ├── 3-训练所需参数解读.mp4
│ ├── 2-Transformer工具包基本操作实例解读
│ │ ├── 7-模型训练所需配置参数.mp4
│ │ ├── 1-工具包与任务整体介绍.mp4
│ │ ├── 6-数据Dataloader封装.mp4
│ │ ├── 4-AttentionMask配套使用方法.mp4
│ │ ├── 5-数据集与模型.mp4
│ │ ├── 2-NLP任务常规流程分析.mp4
│ │ ├── 3-文本切分方法实例解读.mp4
│ │ ├── 8-模型训练DEMO.mp4
│ ├── 7-GPT系列算法
│ │ ├── 5-采样策略与多样性.mp4
│ │ ├── 1-GPT系列算法概述.mp4
│ │ ├── 8-DEMO应用演示.mp4
│ │ ├── 2-GPT三代版本分析.mp4
│ │ ├── 3-GPT初代版本要解决的问题.mp4
│ │ ├── 4-GPT第二代版本训练策略.mp4
│ │ ├── 7-应用场景CODEX分析.mp4
│ │ ├── 6-GPT3的提示与生成方法.mp4
│ ├── 10-图谱知识抽取实战
│ │ ├── 5-标签与数据结构定义方法.mp4
│ │ ├── 1-应用场景概述分析.mp4
│ │ ├── 2-数据标注格式样例分析.mp4
│ │ ├── 8-关系抽取模型训练.mp4
│ │ ├── 7-网络模型前向计算方法.mp4
│ │ ├── 3-数据处理与读取模块.mp4
│ │ ├── 4-实体抽取模块分析.mp4
│ │ ├── 6-模型构建与计算流程.mp4
│ ├── 3-transformer原理解读
│ │ ├── 1-transformer原理解读.mp4
│ ├── 5-文本标注工具与NER实例
│ │ ├── 2-命名实体识别任务标注方法实例.mp4
│ │ ├── 6-模型训练与输出结果预测.mp4
│ │ ├── 1-文本标注工具Doccano配置方法.mp4
│ │ ├── 4-标签处理并完成对齐操作.mp4
│ │ ├── 3-标注导出与BIO处理.mp4
│ │ ├── 5-预训练模型加载与参数配置.mp4
│ ├── 4-BERT系列算法解读
│ │ ├── 3-ALBERT中的简化方法解读.mp4
│ │ ├── 5-DistilBert模型解读.mp4
│ │ ├── 1-BERT模型训练方法解读.mp4
│ │ ├── 4-RoBerta模型训练方法解读.mp4
│ │ ├── 2-ALBERT基本定义.mp4
├── 9-经典视觉项目实战：行为识别、姿态估计、目标追踪
│ ├── 12-deepsort源码解读
│ │ ├── 6-IOU代价矩阵计算.mp4
│ │ ├── 2-参数与DEMO演示.mp4
│ │ ├── 4-对track执行预测操作.mp4
│ │ ├── 5-状态量预测结果.mp4
│ │ ├── 10-匹配结果与总结.mp4
│ │ ├── 8-级联匹配模块.mp4
│ │ ├── 1-项目环境配置.mp4
│ │ ├── 9-ReID特征代价矩阵计算.mp4
│ │ ├── 7-参数更新操作.mp4
│ │ ├── 3-针对检测结果初始化track.mp4
│ ├── 2-slowfast项目环境配置与配置文件
│ │ ├── 4-测试DEMO演示.mp4
│ │ ├── 1-环境基本配置解读.mp4
│ │ ├── 8-完成视频分帧操作.mp4
│ │ ├── 3-配置文件作用解读.mp4
│ │ ├── 2-目录各文件分析.mp4
│ │ ├── 7-视频数据集切分操作.mp4
│ │ ├── 5-训练所需标签文件说明.mp4
│ │ ├── 6-训练所需视频数据准备.mp4
│ ├── 14-V5版本项目配置
│ │ ├── 2-训练自己的数据集方法.mp4
│ │ ├── 3-训练数据参数配置.mp4
│ │ ├── 4-测试DEMO演示.mp4
│ │ ├── 1-整体项目概述.mp4
│ ├── 9-姿态估计OpenPose系列算法解读
│ │ ├── 3-传统topdown方法的问题.mp4
│ │ ├── 8-PAF标签设计方法.mp4
│ │ ├── 4-要解决的两个问题分析.mp4
│ │ ├── 9-预测时PAF积分计算方法.mp4
│ │ ├── 11-CPM模型特点.mp4
│ │ ├── 6-各模块输出特征图解读.mp4
│ │ ├── 1-姿态估计要解决的问题分析.mp4
│ │ ├── 10-匹配方法解读.mp4
│ │ ├── 5-基于高斯分布预测关键点位置.mp4
│ │ ├── 2-姿态估计应用领域概述.mp4
│ │ ├── 7-PAF向量登场.mp4
│ │ ├── 12-算法流程与总结.mp4
│ ├── 5-视频异常检测算法与元学习
│ │ ├── 2-基本思想与流程分析.mp4
│ │ ├── 6-如何找到合适的初始化参数.mp4
│ │ ├── 4-Meta-Learn要解决的问题.mp4
│ │ ├── 3-预测与常见问题.mp4
│ │ ├── 5-学习能力与参数定义.mp4
│ │ ├── 7-MAML算法流程解读.mp4
│ │ ├── 1-异常检测要解决的问题与数据集介绍.mp4
│ ├── 8-课程介绍
│ │ ├── 1-课程介绍.mp4
│ ├── 15-V5项目工程源码解读
│ │ ├── 20-各种训练策略概述.mp4
│ │ ├── 21-模型迭代过程.mp4
│ │ ├── 2-图像数据源配置.mp4
│ │ ├── 13-1-SPP层计算细节分析.mp4
│ │ ├── 15-上采样与拼接操作.mp4
│ │ ├── 11-前向传播计算.mp4
│ │ ├── 1-数据源DEBUG流程解读.mp4
│ │ ├── 17-超参数解读.mp4
│ │ ├── 9-Focus模块流程分析.mp4
│ │ ├── 5-数据四合一方法与流程演示.mp4
│ │ ├── 12-BottleneckCSP层计算方法.mp4
│ │ ├── 18-命令行参数介绍.mp4
│ │ ├── 7-网络架构图可视化工具安装.mp4
│ │ ├── 3-加载标签数据.mp4
│ │ ├── 14-2-Head层流程解读.mp4
│ │ ├── 16-输出结果分析.mp4
│ │ ├── 19-训练流程解读.mp4
│ │ ├── 6-getItem构建batch.mp4
│ │ ├── 8-V5网络配置文件解读.mp4
│ │ ├── 10-完成配置文件解析任务.mp4
│ │ ├── 4-Mosaic数据增强方法.mp4
│ ├── 10-OpenPose算法源码分析
│ │ ├── 7-特征图各点累加向量计算.mp4
│ │ ├── 6-各位置点归属判断.mp4
│ │ ├── 3-关键点与躯干特征图初始化.mp4
│ │ ├── 8-完成PAF特征图制作.mp4
│ │ ├── 4-根据关键点位置设计关键点标签.mp4
│ │ ├── 1-数据集与路径配置解读.mp4
│ │ ├── 5-准备构建PAF躯干标签.mp4
│ │ ├── 2-读取图像与标注信息.mp4
│ │ ├── 10-多阶段输出与预测.mp4
│ │ ├── 9-网络模型一阶段输出.mp4
│ ├── 1-slowfast算法知识点通俗解读
│ │ ├── 1-slowfast核心思想解读.mp4
│ │ ├── 3-数据采样曾的作用.mp4
│ │ ├── 2-核心网络结构模块分析.mp4
│ │ ├── 5-特征融合模块与总结分析.mp4
│ │ ├── 4-模型网络结构设计.mp4
│ ├── 7-基础补充-Resnet模型及其应用实例
│ │ ├── 1-医学疾病数据集介绍.mp4
│ │ ├── 6-特征图升维与降采样操作.mp4
│ │ ├── 3-dataloader加载数据集.mp4
│ │ ├── 7-网络整体流程与训练演示.mp4
│ │ ├── 2-Resnet网络架构原理分析.mp4
│ │ ├── 5-残差网络的shortcut操作.mp4
│ │ ├── 4-Resnet网络前向传播.mp4
│ ├── 6-视频异常检测CVPR2021论文及其源码解读
│ │ ├── 4-注意力机制模块打造.mp4
│ │ ├── 5-损失函数的目的.mp4
│ │ ├── 2-数据集配置与读取.mp4
│ │ ├── 6-特征图生成.mp4
│ │ ├── 3-模型编码与解码结构.mp4
│ │ ├── 1-论文概述与环境配置.mp4
│ │ ├── 7-MetaLearn与输出.mp4
│ ├── 3-slowfast源码详细解读
│ │ ├── 4-数据与标签读取实例.mp4
│ │ ├── 2-数据处理概述.mp4
│ │ ├── 6-slow与fast分别执行采样操作.mp4
│ │ ├── 1-模型所需配置文件参数读取.mp4
│ │ ├── 8-slow与fast特征图拼接操作.mp4
│ │ ├── 3-dataloader数据遍历方法.mp4
│ │ ├── 5-图像数据所需预处理方法.mp4
│ │ ├── 10-RoiAlign与输出层.mp4
│ │ ├── 7-分别计算特征图输出结果.mp4
│ │ ├── 9-resnetBolock操作.mp4
│ ├── 11-deepsort算法知识点解读
│ │ ├── 3-任务本质分析.mp4
│ │ ├── 12-追踪任务流程拆解.mp4
│ │ ├── 11-预测与匹配流程解读.mp4
│ │ ├── 4-基于观测值进行最优估计.mp4
│ │ ├── 8-匹配小例子分析.mp4
│ │ ├── 6-追踪中的状态量.mp4
│ │ ├── 10-sort与deepsort建模流程分析.mp4
│ │ ├── 9-REID特征的作用.mp4
│ │ ├── 5-预测与更新操作.mp4
│ │ ├── 2-卡尔曼滤波要完成的任务.mp4
│ │ ├── 1-卡尔曼滤波通俗解释.mp4
│ │ ├── 7-匈牙利匹配算法概述.mp4
│ ├── 13-YOLO-V4版本算法解读
│ │ ├── 5-损失函数遇到的问题.mp4
│ │ ├── 7-NMS细节改进.mp4
│ │ ├── 8-SPP与CSP网络结构.mp4
│ │ ├── 9-SAM注意力机制模块.mp4
│ │ ├── 2-V4版本贡献解读.mp4
│ │ ├── 4-DropBlock与标签平滑方法.mp4
│ │ ├── 1-V4版本整体概述.mp4
│ │ ├── 10-PAN模块解读.mp4
│ │ ├── 6-CIOU损失函数定义.mp4
│ │ ├── 11-激活函数与整体架构总结.mp4
│ │ ├── 3-数据增强策略分析.mp4
│ ├── 4-基于3D卷积的视频分析与动作识别
│ │ ├── 2-UCF101动作识别数据集简介.mp4
│ │ ├── 4-视频数据预处理方法.mp4
│ │ ├── 1-3D卷积原理解读.mp4
│ │ ├── 5-数据Batch制作方法.mp4
│ │ ├── 6-3D卷积网络所涉及模块.mp4
│ │ ├── 7-训练网络模型.mp4
│ │ ├── 3-测试效果与项目配置.mp4
├── 0咕泡机器学习
│ ├── 资料
│ │ ├── 第三模块：数学基础
│ │ │ ├── 统计分析
│ │ │ │ ├── 统计分析-数据代码.zip
│ │ │ ├── 拉格朗日乘子法.pdf
│ │ │ ├── 熵.pdf
│ │ │ ├── 矩阵.pdf
│ │ │ ├── 概率论.pdf
│ │ │ ├── 激活函数.pdf
│ │ │ ├── 后验概率估计.pdf
│ │ │ ├── 微积分.pdf
│ │ │ ├── SVD.pdf
│ │ │ ├── 核函数.pdf
│ │ │ ├── 高等数学.pdf
│ │ │ ├── 泰勒公式.pdf
│ │ │ ├── 概率分布与概率密度.pdf
│ │ │ ├── 似然函数.pdf
│ │ │ ├── 梯度.pdf
│ │ │ ├── 特征值与特征向量.pdf
│ │ ├── 第七模块：数据挖掘竞赛-优胜解决方案
│ │ │ ├── 第十章：机器学习项目实战模板
│ │ │ │ ├── 机器学习项目实战流程
│ │ │ │ │ ├── auto_ml
│ │ │ │ │ │ ├── tpot_exported_pipeline.py
│ │ │ │ │ ├── images
│ │ │ │ │ │ ├── tpot_training_information.PNG
│ │ │ │ │ │ ├── density_type.png
│ │ │ │ │ │ ├── data_formatted_with_score.PNG
│ │ │ │ │ │ ├── formatted_train_data.PNG
│ │ │ │ │ │ ├── test_prediction_density.png
│ │ │ │ │ │ ├── tpot-ml-pipeline.png
│ │ │ │ │ │ ├── test_values.png
│ │ │ │ │ │ ├── correlation_examples.png
│ │ │ │ │ │ ├── nestimator_performance.png
│ │ │ │ │ │ ├── individual_node.png
│ │ │ │ │ │ ├── tree_single.dot
│ │ │ │ │ │ ├── residual_distribution.png
│ │ │ │ │ │ ├── feature_pairs.png
│ │ │ │ │ │ ├── feature_importances.PNG
│ │ │ │ │ │ ├── cover_three.jpg
│ │ │ │ │ │ ├── tree_verysmall.png
│ │ │ │ │ │ ├── intrepretability_vs_accuracy.png
│ │ │ │ │ │ ├── tree_small.dot
│ │ │ │ │ │ ├── feature_importances_graph.png
│ │ │ │ │ │ ├── negative_correlations.PNG
│ │ │ │ │ │ ├── df_info.PNG
│ │ │ │ │ │ ├── tree_verysmall.dot
│ │ │ │ │ │ ├── wrong_explanation_plot.png
│ │ │ │ │ │ ├── score_distribution.png
│ │ │ │ │ │ ├── score_vs_eui.png
│ │ │ │ │ │ ├── weather_norm_eui.png
│ │ │ │ │ │ ├── kfold_cv.png
│ │ │ │ │ │ ├── cover_one.jpg
│ │ │ │ │ │ ├── model_comparison.png
│ │ │ │ │ │ ├── density_boroughs.png
│ │ │ │ │ │ ├── missing_values.PNG
│ │ │ │ │ │ ├── tree.dot
│ │ │ │ │ │ ├── cover_two.jpg
│ │ │ │ │ │ ├── raw_data.PNG
│ │ │ │ │ │ ├── cover_auto_ml.jpg
│ │ │ │ │ │ ├── tree_single_small.dot
│ │ │ │ │ │ ├── local_explanation_one.png
│ │ │ │ │ │ ├── lime_wrong_explanation.PNG
│ │ │ │ │ │ ├── annotated_individual_node.PNG
│ │ │ │ │ │ ├── positive_correlations.PNG
│ │ │ │ │ │ ├── tree_small.png
│ │ │ │ │ │ ├── tree_single_small.png
│ │ │ │ │ │ ├── tree.png
│ │ │ │ │ │ ├── tree_single.png
│ │ │ │ │ ├── .ipynb_checkpoints
│ │ │ │ │ │ ├── Exploratory_Work-checkpoint.ipynb
│ │ │ │ │ │ ├── 机器学习项目实战-3-分析-checkpoint.ipynb
│ │ │ │ │ │ ├── 机器学习项目实战-1-数据预处理-checkpoint.ipynb
│ │ │ │ │ │ ├── 机器学习项目实战-2-建模-checkpoint.ipynb
│ │ │ │ │ ├── data
│ │ │ │ │ │ ├── Y_train.csv
│ │ │ │ │ │ ├── Y_test.csv
│ │ │ │ │ │ ├── testing_labels.csv
│ │ │ │ │ │ ├── testing_features.csv
│ │ │ │ │ │ ├── Energy_and_Water_Data_Disclosure_for_Local_Law_84_2017__Data_for_Calendar_Year_2016_.csv
│ │ │ │ │ │ ├── no_score.csv
│ │ │ │ │ │ ├── training_labels.csv
│ │ │ │ │ │ ├── X_test.csv
│ │ │ │ │ │ ├── cleaned_data.csv
│ │ │ │ │ │ ├── X_train.csv
│ │ │ │ │ │ ├── training_features.csv
│ │ │ │ │ ├── Building Data Report.pdf
│ │ │ │ │ ├── 2016_nyc_benchmarking_data_disclosure_definitions.pdf
│ │ │ │ │ ├── 机器学习项目实战-3-分析.ipynb
│ │ │ │ │ ├── hw_assignment.docx
│ │ │ │ │ ├── 机器学习项目实战-2-建模.ipynb
│ │ │ │ │ ├── hw_assignment.pdf
│ │ │ │ │ ├── 机器学习项目实战-1-数据预处理.ipynb
│ │ │ ├── 第六章：贷款平台风控模型-特征工程
│ │ │ │ ├── 贷款风控特征工程.zip
│ │ │ ├── 第八章：数据特征常用构建方法
│ │ │ │ ├── 数值特征
│ │ │ │ │ ├── datasets
│ │ │ │ │ │ ├── dog.png
│ │ │ │ │ │ ├── cat.png
│ │ │ │ │ │ ├── song_views.csv
│ │ │ │ │ │ ├── fcc_2016_coder_survey_subset.csv
│ │ │ │ │ │ ├── item_popularity.csv
│ │ │ │ │ │ ├── Pokemon.csv
│ │ │ │ │ │ ├── vgsales.csv
│ │ │ │ │ ├── .ipynb_checkpoints
│ │ │ │ │ │ ├── Feature Engineering on Numeric Data-checkpoint.ipynb
│ │ │ │ │ │ ├── 特征预处理-checkpoint.ipynb
│ │ │ │ │ │ ├── 图像特征-checkpoint.ipynb
│ │ │ │ │ │ ├── Feature Engineering on Temporal Data-checkpoint.ipynb
│ │ │ │ │ │ ├── 数值特征-checkpoint.ipynb
│ │ │ │ │ │ ├── Feature Selection-checkpoint.ipynb
│ │ │ │ │ │ ├── 文本特征-checkpoint.ipynb
│ │ │ │ │ │ ├── Feature Engineering on Text Data-checkpoint.ipynb
│ │ │ │ │ ├── 文本特征.ipynb
│ │ │ │ │ ├── 数值特征.ipynb
│ │ │ │ │ ├── 图像特征.ipynb
│ │ │ │ │ ├── 特征预处理.ipynb
│ │ │ ├── 第五章：医学糖尿病数据命名实体识别
│ │ │ │ ├── eclipse-命名实体识别.zip
│ │ │ │ ├── notebook-瑞金.zip
│ │ │ ├── 第三章：智慧城市道路通行时间预测
│ │ │ │ ├── 智慧交通.zip
│ │ │ ├── 第九章：用电敏感客户分类
│ │ │ │ ├── 电费敏感预测
│ │ │ │ │ ├── img
│ │ │ │ │ │ ├── 13.png
│ │ │ │ │ │ ├── 12.png
│ │ │ │ │ │ ├── 5.png
│ │ │ │ │ │ ├── 11.png
│ │ │ │ │ │ ├── 2.png
│ │ │ │ │ │ ├── 9.png
│ │ │ │ │ │ ├── 7.png
│ │ │ │ │ │ ├── 10.png
│ │ │ │ │ │ ├── 8.png
│ │ │ │ │ │ ├── 4.png
│ │ │ │ │ │ ├── 3.png
│ │ │ │ │ │ ├── 1.png
│ │ │ │ │ │ ├── 6.png
│ │ │ │ │ │ ├── 14.png
│ │ │ │ │ ├── code
│ │ │ │ │ │ ├── .ipynb_checkpoints
│ │ │ │ │ │ │ ├── 高敏用户模型-checkpoint.ipynb
│ │ │ │ │ │ │ ├── 低敏用户模型-checkpoint.ipynb
│ │ │ │ │ │ ├── 高敏用户模型.ipynb
│ │ │ │ │ │ ├── 低敏用户模型.ipynb
│ │ │ │ │ ├── result
│ │ │ │ │ │ ├── result.csv
│ │ │ │ │ │ ├── B.csv
│ │ │ │ │ │ ├── A.csv
│ │ │ │ │ ├── myfeatures
│ │ │ │ │ │ ├── statistical_features_1.pkl
│ │ │ │ │ │ ├── single_select_words.pkl
│ │ │ │ │ │ ├── text_features_1.pkl
│ │ │ │ │ │ ├── multi_select_words.pkl
│ │ │ │ │ │ ├── statistical_features_2.pkl
│ │ │ │ │ │ ├── text_features_2.pkl
│ │ │ │ │ ├── rawdata
│ │ │ │ │ │ ├── 12_a_pay_flow.tsv
│ │ │ │ │ │ ├── 05_c_cons_prc.tsv
│ │ │ │ │ │ ├── 08_a_rcved_flow_test.tsv
│ │ │ │ │ │ ├── 12_a_pay_flow_test.tsv
│ │ │ │ │ │ ├── test_to_predict.csv
│ │ │ │ │ │ ├── 11_c_meter_test.tsv
│ │ │ │ │ │ ├── 07_c_rca_cons_test.tsv
│ │ │ │ │ │ ├── 04_c_cons.tsv
│ │ │ │ │ │ ├── 05_c_cons_prc_test.tsv
│ │ │ │ │ │ ├── 10_c_meter_read.tsv
│ │ │ │ │ │ ├── 03_s_info_oversee.tsv
│ │ │ │ │ │ ├── 11_c_meter.tsv
│ │ │ │ │ │ ├── 06_cont_info_test.tsv
│ │ │ │ │ │ ├── 08_a_rcved_flow.tsv
│ │ │ │ │ │ ├── 07_c_rca_cons.tsv
│ │ │ │ │ │ ├── 09_arc_a_rcvbl_flow.tsv
│ │ │ │ │ │ ├── 04_c_cons_test.tsv
│ │ │ │ │ │ ├── processed_01_arc_s_95598_wkst_test.tsv
│ │ │ │ │ │ ├── processed_01_arc_s_95598_wkst_train.tsv
│ │ │ │ │ │ ├── 02_s_comm_rec.tsv
│ │ │ │ │ │ ├── 01_arc_s_95598_wkst_train.tsv
│ │ │ │ │ │ ├── 06_cont_info.tsv
│ │ │ │ │ │ ├── train_label.csv
│ │ │ │ │ │ ├── 09_arc_a_rcvbl_flow_test.tsv
│ │ │ │ │ │ ├── 01_arc_s_95598_wkst_test.tsv
│ │ │ │ │ ├── stopwords.txt
│ │ │ ├── 第七章：新闻关键词抽取模型
│ │ │ │ ├── demo.py
│ │ │ │ ├── 文本关键词抽取.zip
│ │ │ ├── 第四章：特征工程建模可解释工具包
│ │ │ │ ├── 2-特征分析.zip
│ │ │ │ ├── 1-机器学习-模型解释方法实战.zip
│ │ │ ├── 第一章：快手用户活跃度预测
│ │ │ │ ├── 快手用户活跃度.zip
│ │ │ ├── 第二章：工业化生产预测
│ │ │ │ ├── 工业预测.zip
│ │ ├── 第八模块：Python金融分析与量化交易实战
│ │ │ ├── 第17章：fbprophet时间序列预测神器
│ │ │ │ ├── .ipynb_checkpoints
│ │ │ │ │ ├── 2-Stocker Prediction-checkpoint.ipynb
│ │ │ │ │ ├── 1-Stocker Analysis -checkpoint.ipynb
│ │ │ │ ├── data
│ │ │ │ │ ├── stock_list.csv
│ │ │ │ ├── __pycache__
│ │ │ │ │ ├── stocker.cpython-36.pyc
│ │ │ │ ├── images
│ │ │ │ │ ├── cps_error_curves.png
│ │ │ │ │ ├── amzn_future90.png
│ │ │ │ │ ├── amzn_playingresults.png
│ │ │ │ │ ├── shutterstock_smalljpg.jpg
│ │ │ │ │ ├── msft_history.png
│ │ │ │ │ ├── msft_cpsanalysis.png
│ │ │ │ │ ├── open_source.jpg
│ │ │ │ │ ├── evening_skyline.jpeg
│ │ │ │ │ ├── djia_longtern.PNG
│ │ │ │ │ ├── msft_create_predict.png
│ │ │ │ │ ├── singapore_skyline.jpg
│ │ │ │ │ ├── msft_prophetoutput.png
│ │ │ │ │ ├── tesla_search_freq.png
│ │ │ │ │ ├── msft_buyandhold_profits.png
│ │ │ │ │ ├── msft_plot_stock.png
│ │ │ │ │ ├── msft_change_volume.png
│ │ │ │ │ ├── msft_searchresults_profit.png
│ │ │ │ │ ├── amzn_training_testingcurves.png
│ │ │ │ │ ├── msft_prophet_eval.png
│ │ │ │ │ ├── msft_modeled.png
│ │ │ │ │ ├── night_skyline.jpeg
│ │ │ │ │ ├── downtown.jpeg
│ │ │ │ │ ├── amzn_refined_evaluation.png
│ │ │ │ │ ├── amzn_stock.png
│ │ │ │ │ ├── amzn_training_testingrefined.png
│ │ │ │ │ ├── amzn_default_evaluation.png
│ │ │ │ │ ├── djia_daily.PNG
│ │ │ │ │ ├── microsoft_buyandhold.png
│ │ │ │ │ ├── msft_changepoints.png
│ │ │ │ │ ├── cps_uncertainty_curves.png
│ │ │ │ │ ├── peter_b_lewis.jpg
│ │ │ │ │ ├── msft_prophet_components.png
│ │ │ │ │ ├── msft_predicted_profits.png
│ │ │ │ │ ├── msft_search_freq.png
│ │ │ │ │ ├── night_downtown.jpeg
│ │ │ │ │ ├── amzn_long_forecast.png
│ │ │ │ │ ├── msft_weekly.PNG
│ │ │ │ │ ├── amazn_short_forecast.png
│ │ │ │ │ ├── msft_searchresults_office.png
│ │ │ │ │ ├── shutterstock_564998500.jpg
│ │ │ │ │ ├── msft_news.PNG
│ │ │ │ │ ├── msft_components.png
│ │ │ │ │ ├── amzn_playing_negative.png
│ │ │ │ │ ├── skyline.jpeg
│ │ │ │ │ ├── amzn_uncertainty.png
│ │ │ │ │ ├── msft_data.PNG
│ │ │ │ │ ├── amzn_changepoints_graphdefault.png
│ │ │ │ ├── 2-Stocker Prediction.ipynb
│ │ │ │ ├── 1-Stocker Analysis .ipynb
│ │ │ │ ├── stocker.py
│ │ │ ├── 第14章：因子打分选股实战
│ │ │ │ ├── 3_因子打分选股.txt
│ │ │ ├── 第1-3章：Python基础
│ │ │ │ ├── Python基础代码.zip
│ │ │ ├── 第19章：Matplotlib工具包实战
│ │ │ │ ├── Matplotlib绘图.zip
│ │ │ ├── 第5章：Pandas
│ │ │ │ ├── tushare工具包.zip
│ │ │ ├── 第10章：Ricequant回测选股分析实战
│ │ │ │ ├── 1_simple_demo.txt
│ │ │ ├── 第4章：Numpy
│ │ │ │ ├── numpy代码.zip
│ │ │ ├── 第12章：因子策略选股实例
│ │ │ │ ├── 2_因子策略.txt
│ │ │ ├── 第20章：Seaborn
│ │ │ │ ├── 5-category.ipynb
│ │ │ │ ├── f1.png
│ │ │ │ ├── iris.data
│ │ │ │ ├── 7-Heatmap.ipynb
│ │ │ │ ├── Seaborn-2Color.ipynb
│ │ │ │ ├── Untitled.ipynb
│ │ │ │ ├── 4-REG.ipynb
│ │ │ │ ├── 6-FacetGrid.ipynb
│ │ │ │ ├── Seaborn-3Var.ipynb
│ │ │ │ ├── Seaborn-1Style.ipynb
│ │ │ ├── 第9章：量化交易解读.zip
│ │ │ ├── 第15章：基于回归的策略分析.zip
│ │ │ ├── 第13章：因子分析实战.zip
│ │ │ ├── 第11章：因子数据预处理.zip
│ │ │ ├── 第8章：策略评估指标.zip
│ │ │ ├── 第7章：双均线交易策略实例.zip
│ │ │ ├── 第6章：金融时间序列分析.zip
│ │ │ ├── 第18章：深度学习时间序列预测.zip
│ │ │ ├── 第16章：聚类与统计策略分析.zip
│ │ ├── 选修机器学习进阶实战
│ │ │ ├── 第九章：EM算法
│ │ │ │ ├── 课件
│ │ │ │ │ ├── 10-EM算法.pdf
│ │ │ ├── 第六章：降维算法-线性判别分析
│ │ │ │ ├── 课件
│ │ │ │ │ ├── 9-LDA与PCA算法.pdf
│ │ │ │ ├── 代码
│ │ │ │ │ ├── 降维算法.zip
│ │ │ ├── 课程简介.doc
│ │ │ ├── 新建 Microsoft Word 97 - 2003 文档.doc
│ │ │ ├── 数据代码.txt
│ │ ├── 第四模块：机器学习实训营（原理+复现+实验）
│ │ │ ├── 3-模型评估方法
│ │ │ │ ├── img
│ │ │ │ │ ├── 5.png
│ │ │ │ │ ├── 8.png
│ │ │ │ │ ├── 6.png
│ │ │ │ │ ├── 9.png
│ │ │ │ │ ├── 7.png
│ │ │ │ │ ├── 4.png
│ │ │ │ │ ├── 1.png
│ │ │ │ │ ├── 2.png
│ │ │ │ │ ├── 3.png
│ │ │ │ ├── 模型评估方法.ipynb
│ │ │ ├── 13-集成算法原理
│ │ │ │ ├── 3-决策树与集成算法.pdf
│ │ │ ├── 8-Kmeans代码实现
│ │ │ │ ├── Kmeans-代码实现.zip
│ │ │ ├── 9-聚类算法实验分析
│ │ │ │ ├── mldata
│ │ │ │ │ ├── mnist-original.mat
│ │ │ │ ├── 聚类算法-实验.zip
│ │ │ ├── 31-HMM应用实例
│ │ │ │ ├── HMM
│ │ │ │ │ ├── __pycache__
│ │ │ │ │ │ ├── get_hmm_param.cpython-36.pyc
│ │ │ │ │ │ ├── data.cpython-36.pyc
│ │ │ │ │ ├── hmm_start.py
│ │ │ │ │ ├── get_hmm_param.py
│ │ │ │ │ ├── data.py
│ │ │ │ ├── hmm实践.ipynb
│ │ │ │ ├── 时间序列.ipynb
│ │ │ │ ├── data2.csv
│ │ │ ├── 22-关联规则代码实现
│ │ │ │ ├── Apriori-代码实现.zip
│ │ │ ├── 11-决策树代码实现
│ │ │ │ ├── 决策树-代码实现.zip
│ │ │ ├── 17-神经网络算法原理
│ │ │ │ ├── 神经网络-单独.pdf
│ │ │ ├── 12-决策树实验分析
│ │ │ │ ├── 决策树算法-实验.zip
│ │ │ ├── 24-代码实现word2vec词向量模型
│ │ │ │ ├── 18.Tensorflow自己打造word2vec
│ │ │ │ │ ├── word2vec
│ │ │ │ │ │ ├── word2vec.zip
│ │ │ ├── 6-逻辑回归实验分析
│ │ │ │ ├── 逻辑回归-实验.zip
│ │ │ ├── 19-贝叶斯算法原理
│ │ │ │ ├── 5-贝叶斯算法.pdf
│ │ │ ├── 7-聚类算法-Kmeans&Dbscan原理
│ │ │ │ ├── 4-聚类算法.pdf
│ │ │ ├── 21-关联规则实战分析
│ │ │ │ ├── 第一章：Python实战关联规则.zip
│ │ │ ├── 16-支持向量机实验分析
│ │ │ │ ├── 支持向量机-实验.zip
│ │ │ ├── 23-词向量word2vec通俗解读
│ │ │ │ ├── NLP核心模型-word2vec.zip
│ │ │ ├── mldata
│ │ │ │ ├── mnist-original.mat
│ │ │ ├── 27.28-主成分分析与线性判别分析
│ │ │ │ ├── 降维算法.zip
│ │ │ │ ├── 9-LDA与PCA算法.pdf
│ │ │ ├── 30-隐马尔科夫模型
│ │ │ │ ├── HMM.pdf
│ │ │ ├── 20-贝叶斯代码实现
│ │ │ │ ├── 贝叶斯-代码实现.zip
│ │ │ ├── 14-集成算法实验分析
│ │ │ │ ├── mldata
│ │ │ │ │ ├── mnist-original.mat
│ │ │ │ ├── 随机森林与集成算法-实验.zip
│ │ │ ├── 25-推荐系统原理
│ │ │ │ ├── 7-推荐系统.pdf
│ │ │ ├── 10-决策树原理
│ │ │ │ ├── 3-决策树与集成算法.pdf
│ │ │ ├── 2-线性回归代码实现
│ │ │ │ ├── 线性回归-代码实现
│ │ │ │ │ ├── utils
│ │ │ │ │ │ ├── hypothesis
│ │ │ │ │ │ │ ├── __pycache__
│ │ │ │ │ │ │ │ ├── sigmoid_gradient.cpython-36.pyc
│ │ │ │ │ │ │ │ ├── sigmoid.cpython-36.pyc
│ │ │ │ │ │ │ │ ├── __init__.cpython-36.pyc
│ │ │ │ │ │ │ ├── sigmoid_gradient.py
│ │ │ │ │ │ │ ├── __init__.py
│ │ │ │ │ │ │ ├── sigmoid.py
│ │ │ │ │ │ ├── features
│ │ │ │ │ │ │ ├── __pycache__
│ │ │ │ │ │ │ │ ├── generate_polynomials.cpython-36.pyc
│ │ │ │ │ │ │ │ ├── normalize.cpython-36.pyc
│ │ │ │ │ │ │ │ ├── __init__.cpython-36.pyc
│ │ │ │ │ │ │ │ ├── generate_sinusoids.cpython-36.pyc
│ │ │ │ │ │ │ │ ├── prepare_for_training.cpython-36.pyc
│ │ │ │ │ │ │ ├── prepare_for_training.py
│ │ │ │ │ │ │ ├── normalize.py
│ │ │ │ │ │ │ ├── __init__.py
│ │ │ │ │ │ │ ├── generate_sinusoids.py
│ │ │ │ │ │ │ ├── generate_polynomials.py
│ │ │ │ │ │ ├── __pycache__
│ │ │ │ │ │ │ ├── __init__.cpython-36.pyc
│ │ │ │ │ │ ├── __init__.py
│ │ │ │ │ ├── LinearRegression
│ │ │ │ │ │ ├── __pycache__
│ │ │ │ │ │ │ ├── Non-linearRegression.cpython-36.pyc
│ │ │ │ │ │ │ ├── linear_regression.cpython-36.pyc
│ │ │ │ │ │ ├── linear_regression.py
│ │ │ │ │ │ ├── MultivariateLinearRegression.py
│ │ │ │ │ │ ├── UnivariateLinearRegression.py
│ │ │ │ │ │ ├── Non-linearRegression.py
│ │ │ │ │ │ ├── temp-plot.html
│ │ │ │ │ ├── data
│ │ │ │ │ │ ├── fashion-mnist-demo.csv
│ │ │ │ │ │ ├── world-happiness-report-2017.csv
│ │ │ │ │ │ ├── microchips-tests.csv
│ │ │ │ │ │ ├── non-linear-regression-x-y.csv
│ │ │ │ │ │ ├── mnist-demo.csv
│ │ │ │ │ │ ├── iris.csv
│ │ │ │ │ │ ├── server-operational-params.csv
│ │ │ │ ├── 线性回归-代码实现.zip
│ │ │ ├── 18-神经网络代码实现
│ │ │ │ ├── 神经网络-代码实现.zip
│ │ │ ├── 15-支持向量机原理推导
│ │ │ │ ├── 6-支持向量机.pdf
│ │ │ ├── 26-打造音乐推荐系统
│ │ │ │ ├── Python实现音乐推荐系统.zip
│ │ │ ├── 5-逻辑回归代码实现
│ │ │ │ ├── 逻辑回归-代码实现.zip
│ │ │ ├── 3-线性回归实验分析
│ │ │ │ ├── 线性回归-实验.zip
│ │ │ ├── 1-线性回归原理推导
│ │ │ │ ├── 2-回归算法.pdf
│ │ │ ├── 29-主成分分析降维算法解读
│ │ │ │ ├── 降维算法.zip
│ │ ├── 第六模块：Python数据分析与机器学习实战集锦
│ │ │ ├── 第七章：NLP常用工具包
│ │ │ │ ├── Python-自然语言处理工具包.zip
│ │ │ ├── 第六章：机器学习-模型解释方法实战.zip
│ │ │ ├── 第十一章：银行客户还款可能性预测.zip
│ │ │ ├── 第十章：数据特征预处理.zip
│ │ │ ├── 第四章：商品销售额回归分析.zip
│ │ │ ├── 第八章：NLP核心模型-word2vec.zip
│ │ │ ├── 第二章：爱彼迎数据集分析与建模.zip
│ │ │ ├── 第十二章：图像特征聚类分析实践.zip
│ │ │ ├── 第三章：基于相似度的酒店推荐系统.zip
│ │ │ ├── 第一章：Python实战关联规则.zip
│ │ │ ├── 第九章：自然语言处理特征提取方法对比.zip
│ │ │ ├── 第五章：绝地求生数据集探索分析与建模.zip
│ │ ├── 第九模块：深度学习入门
│ │ │ ├── 神经网络新.pdf
│ │ ├── 第五模块：机器学习算法建模实战
│ │ │ ├── 股票
│ │ │ │ ├── .ipynb_checkpoints
│ │ │ │ │ ├── 1-Stocker Analysis -checkpoint.ipynb
│ │ │ │ │ ├── 2-Stocker Prediction-checkpoint.ipynb
│ │ │ │ ├── __pycache__
│ │ │ │ │ ├── stocker.cpython-36.pyc
│ │ │ │ ├── data
│ │ │ │ │ ├── stock_list.csv
│ │ │ │ ├── images
│ │ │ │ │ ├── night_downtown.jpeg
│ │ │ │ │ ├── cps_uncertainty_curves.png
│ │ │ │ │ ├── amzn_future90.png
│ │ │ │ │ ├── msft_weekly.PNG
│ │ │ │ │ ├── msft_data.PNG
│ │ │ │ │ ├── cps_error_curves.png
│ │ │ │ │ ├── msft_cpsanalysis.png
│ │ │ │ │ ├── msft_prophetoutput.png
│ │ │ │ │ ├── peter_b_lewis.jpg
│ │ │ │ │ ├── msft_buyandhold_profits.png
│ │ │ │ │ ├── amzn_playing_negative.png
│ │ │ │ │ ├── amzn_training_testingrefined.png
│ │ │ │ │ ├── evening_skyline.jpeg
│ │ │ │ │ ├── msft_prophet_components.png
│ │ │ │ │ ├── amzn_uncertainty.png
│ │ │ │ │ ├── amzn_long_forecast.png
│ │ │ │ │ ├── msft_news.PNG
│ │ │ │ │ ├── microsoft_buyandhold.png
│ │ │ │ │ ├── msft_create_predict.png
│ │ │ │ │ ├── msft_history.png
│ │ │ │ │ ├── msft_change_volume.png
│ │ │ │ │ ├── amzn_stock.png
│ │ │ │ │ ├── msft_search_freq.png
│ │ │ │ │ ├── amzn_training_testingcurves.png
│ │ │ │ │ ├── amzn_default_evaluation.png
│ │ │ │ │ ├── tesla_search_freq.png
│ │ │ │ │ ├── msft_changepoints.png
│ │ │ │ │ ├── msft_predicted_profits.png
│ │ │ │ │ ├── night_skyline.jpeg
│ │ │ │ │ ├── downtown.jpeg
│ │ │ │ │ ├── msft_searchresults_profit.png
│ │ │ │ │ ├── open_source.jpg
│ │ │ │ │ ├── msft_prophet_eval.png
│ │ │ │ │ ├── amazn_short_forecast.png
│ │ │ │ │ ├── djia_longtern.PNG
│ │ │ │ │ ├── djia_daily.PNG
│ │ │ │ │ ├── singapore_skyline.jpg
│ │ │ │ │ ├── shutterstock_smalljpg.jpg
│ │ │ │ │ ├── msft_plot_stock.png
│ │ │ │ │ ├── msft_components.png
│ │ │ │ │ ├── amzn_playingresults.png
│ │ │ │ │ ├── msft_searchresults_office.png
│ │ │ │ │ ├── shutterstock_564998500.jpg
│ │ │ │ │ ├── amzn_refined_evaluation.png
│ │ │ │ │ ├── skyline.jpeg
│ │ │ │ │ ├── amzn_changepoints_graphdefault.png
│ │ │ │ │ ├── msft_modeled.png
│ │ │ │ ├── 1-Stocker Analysis .ipynb
│ │ │ │ ├── stocker.py
│ │ │ │ ├── 2-Stocker Prediction.ipynb
│ │ │ ├── 第十六章：基于随机森林的气温预测
│ │ │ │ ├── 随机森林.zip
│ │ │ ├── 第十一章：项目实战-交易数据异常检测
│ │ │ │ ├── 逻辑回归-信用卡欺诈检测.zip
│ │ │ ├── 第十八章：基于贝叶斯的新闻分类实战
│ │ │ ├── Python实现音乐推荐系统
│ │ │ │ ├── .ipynb_checkpoints
│ │ │ │ │ ├── 推荐系统-checkpoint.ipynb
│ │ │ │ ├── __pycache__
│ │ │ │ │ ├── Recommenders.cpython-36.pyc
│ │ │ │ ├── user_playcount_df.csv
│ │ │ │ ├── track_metadata.db
│ │ │ │ ├── 3.png
│ │ │ │ ├── song_playcount_df.csv
│ │ │ │ ├── track_metadata_df_sub.csv
│ │ │ │ ├── recommendation_engines.py
│ │ │ │ ├── 7.png
│ │ │ │ ├── Recommenders.py
│ │ │ │ ├── 8.png
│ │ │ │ ├── triplet_dataset_sub_song.csv
│ │ │ │ ├── 2.png
│ │ │ │ ├── 4.png
│ │ │ │ ├── 5.png
│ │ │ │ ├── 6.png
│ │ │ │ ├── 推荐系统.ipynb
│ │ │ │ ├── train_triplets.txt
│ │ │ │ ├── 1.png
│ │ │ ├── 京东购买意向预测.zip
│ │ ├── 第一二模块：Python数据科学必备库（4个）
│ │ │ ├── Numpy
│ │ │ │ ├── numpy代码.zip
│ │ │ ├── Pandas
│ │ │ │ ├── pandas_basics.pdf
│ │ │ │ ├── pandas.pdf
│ │ │ │ ├── 机器学习numpy和pandas基础.rar
│ │ │ ├── Python基础
│ │ │ │ ├── Python基础代码.zip
│ │ │ ├── Seaborn
│ │ │ │ ├── 6-FacetGrid.ipynb
│ │ │ │ ├── 5-category.ipynb
│ │ │ │ ├── 4-REG.ipynb
│ │ │ │ ├── Seaborn-3Var.ipynb
│ │ │ │ ├── iris.data
│ │ │ │ ├── 7-Heatmap.ipynb
│ │ │ │ ├── f1.png
│ │ │ │ ├── Seaborn-1Style.ipynb
│ │ │ │ ├── Untitled.ipynb
│ │ │ │ ├── Seaborn-2Color.ipynb
│ │ │ ├── Matplotlib
│ │ │ │ ├── Matplotlib绘图.zip
│ ├── 06-第六模块：机器学习案例实战应用集锦
│ │ ├── 04-商品销售额回归分析
│ │ │ ├── 05-5-标签变换.ts
│ │ │ ├── 02-2-特征工程制作.ts
│ │ │ ├── 01-1-数据任务分析.ts
│ │ │ ├── 08-8-生成输出结果.ts
│ │ │ ├── 03-3-统计指标生成.ts
│ │ │ ├── 04-4-特征信息提取.ts
│ │ │ ├── 06-6-输入数据制作.ts
│ │ │ ├── 07-7-Xgboost训练模型.ts
│ │ ├── 08-NLP核心模型-Word2vec
│ │ │ ├── 02-2-模型整体框架.ts
│ │ │ ├── 04-4-CBOW与Skip-gram模型.ts
│ │ │ ├── 05-5-负采样方案.ts
│ │ │ ├── 01-1-词向量模型通俗解释.ts
│ │ │ ├── 03-3-训练数据构建.ts
│ │ ├── 03-基于相似度的酒店推荐系统
│ │ │ ├── 02-2-文本词频统计.ts
│ │ │ ├── 05-5-相似度计算.ts
│ │ │ ├── 04-4-文本清洗.ts
│ │ │ ├── 01-1-数据与任务介绍.ts
│ │ │ ├── 03-3-ngram结果可视化展示.ts
│ │ │ ├── 06-6-得出推荐结果.ts
│ │ ├── 10-10文本特征处理方法对比
│ │ │ ├── 05-5-特征相关性分析.ts
│ │ │ ├── 06-6-缺失值填充.ts
│ │ │ ├── 09-9-构建合适的特征.ts
│ │ │ ├── 02-2-数据分析与可视化展示.ts
│ │ │ ├── 10-10-序列化执行预处理操作.ts
│ │ │ ├── 08-8-离散属性特征处理.ts
│ │ │ ├── 12-12-构建回归模型.ts
│ │ │ ├── 11-11-完成所有预处理操作.ts
│ │ │ ├── 07-7-sklearn工具包预处理模块.ts
│ │ │ ├── 04-4-加载数据坐标到实际地图中进行分析.ts
│ │ │ ├── 01-1-数据与任务介绍.ts
│ │ │ ├── 03-3-连续值离散化与可视化细节.ts
│ │ ├── 12-图像特征聚类分析实践
│ │ │ ├── 01-1-数据与任务流程分析.ts
│ │ │ ├── 03-3-图像特征编码.ts
│ │ │ ├── 02-2-图片数据导入.ts
│ │ │ ├── 04-4-数组保存与读取.ts
│ │ │ ├── 05-5-得出聚类结果.ts
│ │ │ ├── 06-6-聚类效果可视化展示.ts
│ │ ├── 05-绝地求生数据集探索分析与建模
│ │ │ ├── 03-3-剔除开挂数据.ts
│ │ │ ├── 07-8-特征重要性.ts
│ │ │ ├── 02-2-数据问题探索与解决方案.ts
│ │ │ ├── 04-5-绘图统计分析.ts
│ │ │ ├── 05-6-热度图展示.ts
│ │ │ ├── 06-7-随机森林建模.ts
│ │ │ ├── 01-1-数据与任务简介.ts
│ │ ├── 02-爱彼迎数据集分析与建模
│ │ │ ├── 05-5-提取房屋常见设施.ts
│ │ │ ├── 08-8-随机森林与LightGBM.ts
│ │ │ ├── 02-2-提取月份信息进行统计分析.ts
│ │ │ ├── 06-6-房屋规格热度图分析.ts
│ │ │ ├── 04-4-房屋信息指标分析.ts
│ │ │ ├── 09-9-训练与评估.ts
│ │ │ ├── 03-3-房价随星期变化的可视化展示.ts
│ │ │ ├── 01-1-数据与任务分析.ts
│ │ │ ├── 07-7-预处理与建模准备.ts
│ │ ├── 01-Python实战关联规则
│ │ │ ├── 04-4-Python实战关联规则.ts
│ │ │ ├── 02-2-支持度与置信度.ts
│ │ │ ├── 01-1-关联规则概述.ts
│ │ │ ├── 03-3-提升度的作用.ts
│ │ │ ├── 05-5-数据集制作.ts
│ │ │ ├── 06-6-电影数据集题材关联分析.ts
│ │ ├── 06-机器学习-模型解释方法实战
│ │ │ ├── 05-5-疾病引起原因分析实战.ts
│ │ │ ├── 02-2-部分依赖图解释.ts
│ │ │ ├── 04-4-ShapValues指标分析.ts
│ │ │ ├── 03-3-双变量分析.ts
│ │ │ ├── 01-1-模型解释方法与实践.ts
│ │ ├── 07-自然语言处理必备工具包实战
│ │ │ ├── 01-1-Python字符串处理.ts
│ │ │ ├── 11-11-恐怖袭击分析.ts
│ │ │ ├── 12-12-统计分析结果.ts
│ │ │ ├── 05-5-NLTK工具包简介.ts
│ │ │ ├── 09-9-Spacy工具包.ts
│ │ │ ├── 08-8-数据清洗实例.ts
│ │ │ ├── 03-3-正则常用符号.ts
│ │ │ ├── 13-13-结巴分词器.ts
│ │ │ ├── 02-2-正则表达式基本语法.ts
│ │ │ ├── 14-14-词云展示.ts
│ │ │ ├── 06-6-停用词过滤.ts
│ │ │ ├── 10-10-名字实体匹配.ts
│ │ │ ├── 07-7-词性标注.ts
│ │ │ ├── 04-4-常用函数介绍.ts
│ │ ├── 09-数据特征预处理
│ │ │ ├── 04-4-TFIDF模型.ts
│ │ │ ├── 05-5-word2vec词向量模型.ts
│ │ │ ├── 06-6-深度学习模型.ts
│ │ │ ├── 03-3-词袋模型分析.ts
│ │ │ ├── 01-1-任务概述.ts
│ │ │ ├── 02-2-词袋模型.ts
│ │ ├── 11-银行客户还款可能性预测
│ │ │ ├── 06-6-数据检查与特征工程.ts
│ │ │ ├── 09-9-逻辑回归模型.ts
│ │ │ ├── 08-8-自定义特征.ts
│ │ │ ├── 02-2-EDA数据探索分析.ts
│ │ │ ├── 05-5-部分特征分析与可视化.ts
│ │ │ ├── 04-4-KDEPLOT展示.ts
│ │ │ ├── 01-1-数据任务介绍及缺失值处理.ts
│ │ │ ├── 07-7-多项式特征.ts
│ │ │ ├── 10-10-结果评估.ts
│ │ │ ├── 11-11-必杀神奇：lightgbm.ts
│ │ │ ├── 03-3-特征展示分析.ts
│ ├── 10-选修：Python数据分析案例实战
│ │ ├── 04-纽约出租车建模
│ │ │ ├── 06-6-不同类别的出租车运行情况对比.ts
│ │ │ ├── 03-3-客流趋势动态展示.ts
│ │ │ ├── 08-8-聚类特征信息可视化展示.ts
│ │ │ ├── 09-9-xgboost模型进行分析预测.ts
│ │ │ ├── 02-2-聚类区域划分.ts
│ │ │ ├── 04-4-区域邻居情况分析.ts
│ │ │ ├── 07-7-客户数据特征可视化分析.ts
│ │ │ ├── 05-5-用户数据特征分析.ts
│ │ │ ├── 10-10-加入天气特征对结果的影响分析.ts
│ │ │ ├── 01-1-纽约出租车运行情况数据概述.ts
│ │ ├── 06-数据分析-机器学习模板
│ │ │ ├── 09-9-机器学习算法模型效果对比.ts
│ │ │ ├── 05-5-单变量展示.ts
│ │ │ ├── 02-2-单特征与缺失值展示.ts
│ │ │ ├── 08-8-ROC与AUC模型评估标准.ts
│ │ │ ├── 06-6-双变量分析.ts
│ │ │ ├── 07-7-开发新变量.ts
│ │ │ ├── 03-3-人口普查数据集清洗.ts
│ │ │ ├── 04-4-人口信息数据特征工程展示.ts
│ │ │ ├── 01-1-人口普查预测任务概述.ts
│ │ ├── 01-KIVA贷款数据
│ │ │ ├── 02-2-各个国家贷款需求.ts
│ │ │ ├── 04-5-深入各个行业分析.ts
│ │ │ ├── 05-6-针对时间序列进行分析.ts
│ │ │ ├── 06-7-各项数据指标统计分析.ts
│ │ │ ├── 01-kiva贷款数据集介绍.ts
│ │ │ ├── 03-3-贷款金额与还款间隔分析.ts
│ │ ├── 02-订单数据集分析
│ │ │ ├── 02-2-双变量热度图绘制方法.ts
│ │ │ ├── 05-5-聚类划分商品.ts
│ │ │ ├── 01-8-预测结果展示.ts
│ │ │ ├── 04-4-购物车情况与复购.ts
│ │ │ ├── 03-3-复购情况对比分析.ts
│ │ ├── 05-商品信息可视化与文本分析
│ │ │ ├── 04-4-商品描述长度对价格的影响分析.ts
│ │ │ ├── 03-3-商品类别可视化展示.ts
│ │ │ ├── 05-5-关键词的词云可视化展示.ts
│ │ │ ├── 01-1-在线商城商品数据信息概述.ts
│ │ │ ├── 08-8-聚类分析与主题模型展示.ts
│ │ │ ├── 02-2-商品类别划分方式.ts
│ │ │ ├── 07-7-通过降维进行可视化展示.ts
│ │ │ ├── 06-6-基于tf-idf提取关键词信息.ts
│ │ ├── 03-基于统计分析的电影推荐
│ │ │ ├── 03-3-关键词云与直方图可视化展示.ts
│ │ │ ├── 04-4-电影特征数据可视化.ts
│ │ │ ├── 01-1-电影数据与环境配置.ts
│ │ │ ├── 08-8-数据特征构造.ts
│ │ │ ├── 05-5数据清洗方法分析.ts
│ │ │ ├── 02-2-数据与关键词信息展示.ts
│ │ │ ├── 06-6-缺失值填充方法.ts
│ │ │ ├── 09-9-得出推荐结果.ts
│ │ │ ├── 07-7-推荐引擎构造.ts
│ ├── 03-第三模块：人工智能-必备数学课程
│ │ ├── 10-熵与激活函数
│ │ │ ├── 03-3-激活函数.ts
│ │ │ ├── 04-4-激活函数的问题.ts
│ │ │ ├── 01-1-熵的概念.ts
│ │ │ ├── 02-2-熵的大小意味着什么.ts
│ │ ├── 05-特征值与矩阵分解
│ │ │ ├── 05-5-SVD矩阵分解.ts
│ │ │ ├── 01-1-特征值与特征向量.ts
│ │ │ ├── 04-4-特征值分解.ts
│ │ │ ├── 02-2-特征空间与应用.ts
│ │ │ ├── 03-1-SVD要解决的问题.ts
│ │ ├── 16-贝叶斯分析
│ │ │ ├── 13-13-模型决策.ts
│ │ │ ├── 07-7-垃圾邮件过滤实例.ts
│ │ │ ├── 09-9-经典求解思路.ts
│ │ │ ├── 03-3-贝叶斯学派与经典统计学派的争论.ts
│ │ │ ├── 11-11-PYMC3概述.ts
│ │ │ ├── 10-10-MCMC概述.ts
│ │ │ ├── 04-4-贝叶斯算法概述.ts
│ │ │ ├── 06-6-贝叶斯拼写纠错实例.ts
│ │ │ ├── 05-5-贝叶斯推导实例.ts
│ │ │ ├── 08-8-贝叶斯解释.ts
│ │ │ ├── 01-1-贝叶斯分析概述.ts
│ │ │ ├── 02-2-概率的解释.ts
│ │ │ ├── 12-12-模型诊断.ts
│ │ ├── 07-概率论基础
│ │ │ ├── 09-9-期望.ts
│ │ │ ├── 11-11-马尔科夫不等式.ts
│ │ │ ├── 13-13-后验概率估计.ts
│ │ │ ├── 15-15-垃圾邮件过滤实例.ts
│ │ │ ├── 12-12-切比雪夫不等式.ts
│ │ │ ├── 01-1-概率与频率.ts
│ │ │ ├── 05-5-独立性.ts
│ │ │ ├── 04-4-条件概率小例子.ts
│ │ │ ├── 10-10-期望求解.ts
│ │ │ ├── 07-7-二维连续型随机变量.ts
│ │ │ ├── 14-14-贝叶斯拼写纠错实例.ts
│ │ │ ├── 02-2-古典概型.ts
│ │ │ ├── 06-6-二维离散型随机变量.ts
│ │ │ ├── 03-3-条件概率.ts
│ │ │ ├── 08-8-边缘分布.ts
│ │ ├── 15-聚类分析
│ │ │ ├── 05-4-2-KMEANS工作流程.ts
│ │ │ ├── 06-4-3-KMEANS迭代可视化展示.ts
│ │ │ ├── 07-5-1-DBSCAN聚类算法.ts
│ │ │ ├── 04-4-1-KMEANS算法概述.ts
│ │ │ ├── 02-2-层次聚类流程.ts
│ │ │ ├── 01-1-层次聚类概述.ts
│ │ │ ├── 08-5-2-DBSCAN工作流程.ts
│ │ │ ├── 11-6-2-聚类案例实战.ts
│ │ │ ├── 03-3-层次聚类实例.ts
│ │ │ ├── 10-6-1-多种聚类算法概述.ts
│ │ │ ├── 09-5-3-DBSCAN可视化展示.ts
│ │ ├── 06-随机变量
│ │ │ ├── 02-2-连续型随机变量.ts
│ │ │ ├── 05-5-极大似然估计.ts
│ │ │ ├── 01-1-离散型随机变量.ts
│ │ │ ├── 04-4-似然函数.ts
│ │ │ ├── 03-3-简单随机抽样.ts
│ │ ├── 13-相关分析
│ │ │ ├── 07-7-偏相关与复相关.ts
│ │ │ ├── 03-3-计算与检验.ts
│ │ │ ├── 05-5-肯德尔系数.ts
│ │ │ ├── 02-2-皮尔森相关系数.ts
│ │ │ ├── 04-4-斯皮尔曼等级相关.ts
│ │ │ ├── 01-1-相关分析概述.ts
│ │ │ ├── 06-6-质量相关分析.ts
│ │ ├── 11-回归分析
│ │ │ ├── 02-2-回归方程定义.ts
│ │ │ ├── 06-6-回归直线拟合优度.ts
│ │ │ ├── 04-4-最小二乘法推导与求解.ts
│ │ │ ├── 11-11-案例：汽车价格预测任务概述.ts
│ │ │ ├── 14-14-案例：预处理问题.ts
│ │ │ ├── 05-5-回归方程求解小例子.ts
│ │ │ ├── 13-13-案例：特征相关性.ts
│ │ │ ├── 01-1-回归分析概述.ts
│ │ │ ├── 07-7-多元与曲线回归问题.ts
│ │ │ ├── 08-8-Python工具包介绍.ts
│ │ │ ├── 03-3-误差项的定义.ts
│ │ │ ├── 09-9-statsmodels回归分析.ts
│ │ │ ├── 15-15-案例：回归求解.ts
│ │ │ ├── 12-12-案例：缺失值填充.ts
│ │ │ ├── 10-10-高阶与分类变量实例.ts
│ │ ├── 08-数据科学你得知道的几种分布
│ │ │ ├── 03-3-泊松分布.ts
│ │ │ ├── 06-6-beta分布.ts
│ │ │ ├── 04-4-均匀分布.ts
│ │ │ ├── 01-1-正太分布.ts
│ │ │ ├── 02-2-二项式分布.ts
│ │ │ ├── 05-5-卡方分布.ts
│ │ ├── 09-核函数���换
│ │ │ ├── 01-1-核函数的目的.ts
│ │ │ ├── 06-6-参数的影响.ts
│ │ │ ├── 04-4-核函数实例.ts
│ │ │ ├── 02-2-线性核函数.ts
│ │ │ ├── 03-3-多项式核函数.ts
│ │ │ ├── 05-5-高斯核函数.ts
│ │ ├── 01-高等数学基础
│ │ │ ├── 08-7-梯度.ts
│ │ │ ├── 05-4-连续性与导数.ts
│ │ │ ├── 01-0-课程简介.ts
│ │ │ ├── 04-3-无穷小与无穷大.ts
│ │ │ ├── 02-1-函数.ts
│ │ │ ├── 06-5-偏导数.ts
│ │ │ ├── 07-6-方向导数.ts
│ │ │ ├── 03-2-极限.ts
│ │ ├── 12-假设检验
│ │ │ ├── 11-11-Python卡方检验实例.ts
│ │ │ ├── 10-10-Python假设检验实例.ts
│ │ │ ├── 04-4-Z检验实例.ts
│ │ │ ├── 03-3-Z检验基本原理.ts
│ │ │ ├── 02-2-左右侧检验与双侧检验.ts
│ │ │ ├── 08-8-卡方检验.ts
│ │ │ ├── 09-9-假设检验中的两类错误.ts
│ │ │ ├── 07-7-T检验应用条件.ts
│ │ │ ├── 06-6-T检验实例.ts
│ │ │ ├── 01-1-假设检验基本思想.ts
│ │ │ ├── 05-5-T检验基本原理.ts
│ │ ├── 04-线性代数基础
│ │ │ ├── 02-2-矩阵与数据的关系.ts
│ │ │ ├── 05-5-矩阵的秩.ts
│ │ │ ├── 04-4-矩阵的几种变换.ts
│ │ │ ├── 01-1-行列式概述.ts
│ │ │ ├── 06-6-内积与正交.ts
│ │ │ ├── 03-3-矩阵基本操作.ts
│ │ ├── 14-方差分析
│ │ │ ├── 03-3-方差分析计算方法.ts
│ │ │ ├── 06-6-Python方差分析实例.ts
│ │ │ ├── 04-4-方差分析中的多重比较.ts
│ │ │ ├── 01-1-方差分析概述.ts
│ │ │ ├── 02-2-方差的比较.ts
│ │ │ ├── 05-5-多因素方差分析.ts
│ │ ├── 02-微积分
│ │ │ ├── 05-5-牛顿-莱布尼茨公式.ts
│ │ │ ├── 01-1-微积分基本想法.ts
│ │ │ ├── 03-3-定积分.ts
│ │ │ ├── 02-2-微积分的解释.ts
│ │ │ ├── 04-4-定积分性质.ts
│ │ ├── 03-泰勒公式与拉格朗日
│ │ │ ├── 01-1-泰勒公式出发点.ts
│ │ │ ├── 06-6-求解拉格朗日乘子法.ts
│ │ │ ├── 02-2-一点一世界.ts
│ │ │ ├── 05-5-拉格朗日乘子法.ts
│ │ │ ├── 04-4-阶乘的作用.ts
│ │ │ ├── 03-3-阶数的作用.ts
│ ├── 07-第七模块：机器学习竞赛优胜解决方案实战
│ │ ├── 01-快手短视频用户活跃度分析
│ │ │ ├── 09-0-课程简介.ts
│ │ │ ├── 03-3-构建用户特征序列.ts
│ │ │ ├── 01-1-任务目标与数据分析..ts
│ │ │ ├── 04-4-序列特征提取方法.ts
│ │ │ ├── 02-2-整体模型架构.ts
│ │ │ ├── 06-6-标签制作.ts
│ │ │ ├── 08-8-得出最终模型结果.ts
│ │ │ ├── 07-7-网络训练模块.ts
│ │ │ ├── 05-5-生成特征汇总表.ts
│ │ ├── 05-医学糖尿病数据命名实体识别
│ │ │ ├── 06-6-医疗数据集（糖尿病）实体识别.ts
│ │ │ ├── 04-4-输入样本填充补齐.ts
│ │ │ ├── 03-3-数据-标签-语料库处理.ts
│ │ │ ├── 02-2-整体模型架构.ts
│ │ │ ├── 05-5-训练网络模型.ts
│ │ │ ├── 01-1-数据与任务介绍.ts
│ │ ├── 07-新闻关键词抽取模型
│ │ │ ├── 02-2-数据清洗与预处理.ts
│ │ │ ├── 04-4-文章与词向量分析.ts
│ │ │ ├── 08-8-候选词相似度特征.ts
│ │ │ ├── 03-3-基本特征抽取.ts
│ │ │ ├── 07-7-textrank特征提取.ts
│ │ │ ├── 06-6-候选词统计特征.ts
│ │ │ ├── 09-9-特征工程汇总.ts
│ │ │ ├── 01-1-任务目标与数据集介绍.ts
│ │ │ ├── 05-5-权重划分.ts
│ │ ├── 04-特征工程建模可解释包
│ │ │ ├── 07-1-特征对比分析方法.ts
│ │ │ ├── 06-1-竞赛与目标分析.ts
│ │ │ ├── 04-4-ShapValues指标分析.ts
│ │ │ ├── 05-5-疾病引起原因分析实战.ts
│ │ │ ├── 01-1-模型解释方法与实践.ts
│ │ │ ├── 03-3-双变量分析.ts
│ │ │ ├── 02-2-部分依赖图解释.ts
│ │ │ ├── 08-1-结果对比分析.ts
│ │ ├── 10-机器学习项目实战模板
│ │ │ ├── 11-3-选择参数.ts
│ │ │ ├── 09-1-dataleakage问题.ts
│ │ │ ├── 06-6-变量与结果的关系.ts
│ │ │ ├── 07-7-多变量展示.ts
│ │ │ ├── 13-5-模型解释.ts
│ │ │ ├── 02-2-处理流程与数据简介.ts
│ │ │ ├── 01-1-建筑能源利用效率任务概述.ts
│ │ │ ├── 03-3-能源信息各项指标数据预处理.ts
│ │ │ ├── 10-2-基础模型对比.ts
│ │ │ ├── 04-4-单变量绘图分析.ts
│ │ │ ├── 08-8-特征工程的价值和方法.ts
│ │ │ ├── 12-4-测试模型.ts
│ │ │ ├── 05-5-离群点剔除.ts
│ │ │ ├── 14-6-模型分析.ts
│ │ ├── 09-用电敏感客户分类
│ │ │ ├── 07-7-高敏模型概述.ts
│ │ │ ├── 04-4-统计与文本特征.ts
│ │ │ ├── 05-5-文本特征构建.ts
│ │ │ ├── 03-3-离散数据处理.ts
│ │ │ ├── 06-6-构建低敏用户模型.ts
│ │ │ ├── 01-1-任务与解决框架概述.ts
│ │ │ ├── 02-2-特征工程分析与特征提取.ts
│ │ ├── 06-贷款平台风控模型+特征工程
│ │ │ ├── 03-3-节点权重特征提取(PageRank).ts
│ │ │ ├── 06-6-app安装特征.ts
│ │ │ ├── 04-4-deepwalk构建图顶点特征.ts
│ │ │ ├── 01-1-竞赛任务目标.ts
│ │ │ ├── 02-2-图模型信息提取.ts
│ │ │ ├── 07-7-图中联系人特征.ts
│ │ │ ├── 05-5-各项统计特征.ts
│ │ ├── 03-智慧城市-道路通行时间预测
│ │ │ ├── 07-7-特征汇总.ts
│ │ │ ├── 01-1-数据与任务目标分析.ts
│ │ │ ├── 06-6-基于回归与插值进行序列补全.ts
│ │ │ ├── 03-3-道路通行时间序列数据生成.ts
│ │ │ ├── 04-4-序列缺失补全方法.ts
│ │ │ ├── 08-8-建立回归模型进行预测.ts
│ │ │ ├── 02-2-数据清洗与标签转换.ts
│ │ │ ├── 05-5-基于回归与插值完成序列特征.ts
│ │ ├── 02-工业化生产预测
│ │ │ ├── 04-4-各道工序特征构建.ts
│ │ │ ├── 05-5-准备训练数据.ts
│ │ │ ├── 06-6-训练xgboost模型.ts
│ │ │ ├── 01-1-数据任务概述.ts
│ │ │ ├── 03-3-时间特征提取.ts
│ │ │ ├── 02-2-数据异常检查.ts
│ │ ├── 08-数据特征常用构建方法
│ │ │ ├── 07-7-计算机眼中的图像.ts
│ │ │ ├── 06-6-词向量特征.ts
│ │ │ ├── 04-4-文本特征处理.ts
│ │ │ ├── 05-5-构造文本向量.ts
│ │ │ ├── 03-3-时间特征处理.ts
│ │ │ ├── 01-1-基本数值特征.ts
│ │ │ ├── 02-2-常用特征构造手段.ts
│ ├── 02-第二模块：Python数据科学必备工具包实战
│ │ ├── 03-.可视化库-Matplotlib
│ │ │ ├── 02-2-子图与标注.ts
│ │ │ ├── 06-6-条形图外观.ts
│ │ │ ├── 07-7-盒图绘制.ts
│ │ │ ├── 12-12-3D图绘制.ts
│ │ │ ├── 09-9-绘图细节设置.ts
│ │ │ ├── 04-4-条形图.ts
│ │ │ ├── 11-11-直方图与散点图.ts
│ │ │ ├── 10-10-绘图细节设置2.ts
│ │ │ ├── 01-1-Matplotlib概述.ts
│ │ │ ├── 13-13-pie图.ts
│ │ │ ├── 15-15-结合pandas与sklearn.ts
│ │ │ ├── 05-5-条形图细节.ts
│ │ │ ├── 08-8-盒图细节.ts
│ │ │ ├── 14-14-子图布局.ts
│ │ │ ├── 03-3-风格设置.ts
│ │ ├── 01-科学计算库-Numpy
│ │ │ ├── 06-6-排序操作.ts
│ │ │ ├── 11-11-随机模块.ts
│ │ │ ├── 18-14-Pandas常用操作2.ts
│ │ │ ├── 15-15-练习题-2.ts
│ │ │ ├── 12-12-文件读写.ts
│ │ │ ├── 16-16-练习题-3.ts
│ │ │ ├── 01-1-Numpy概述.ts
│ │ │ ├── 05-5-数值运算.ts
│ │ │ ├── 09-9-常用生成函数.ts
│ │ │ ├── 04-4-数组类型.ts
│ │ │ ├── 02-2-Array数组.ts
│ │ │ ├── 17-13-Pandas常用操作.ts
│ │ │ ├── 08-8-数组生成函数.ts
│ │ │ ├── 10-10-四则运算.ts
│ │ │ ├── 03-3-数组结构.ts
│ │ │ ├── 13-13-数组保存.ts
│ │ │ ├── 07-7-数组形状操作.ts
│ │ │ ├── 14-14-练习题-1.ts
│ │ ├── 02-数据分析处理库-Pandas
│ │ │ ├── 06-6-对象操作.ts
│ │ │ ├── 12-12-时间序列操作.ts
│ │ │ ├── 10-10-数据透视表.ts
│ │ │ ├── 02-2-Pandas基本操作.ts
│ │ │ ├── 03-3-Pandas索引.ts
│ │ │ ├── 17-19-大数据处理技巧.ts
│ │ │ ├── 13-15-Groupby操作延伸.ts
│ │ │ ├── 08-8-merge操作.ts
│ │ │ ├── 14-16-字符串操作.ts
│ │ │ ├── 16-18-Pandas绘图操作.ts
│ │ │ ├── 04-4-groupby操作.ts
│ │ │ ├── 09-9-显示设置.ts
│ │ │ ├── 05-5-数值运算1.ts
│ │ │ ├── 11-11-时间操作.ts
│ │ │ ├── 15-17-索引进阶.ts
│ │ │ ├── 01-1-Pandas概述.ts
│ │ │ ├── 07-7-对象操作2.ts
│ │ ├── 04-可视化库-Seaborn
│ │ │ ├── 09-8分类属性绘图.ts
│ │ │ ├── 03-2风格细节设置.ts
│ │ │ ├── 12-11热度图绘制.ts
│ │ │ ├── 10-9Facetgrid使用方法.ts
│ │ │ ├── 06-5单变量分析绘图.ts
│ │ │ ├── 11-10Facetgrid绘制多变量.ts
│ │ │ ├── 08-7多变量分析绘图.ts
│ │ │ ├── 02-1整体布局风格设置.ts
│ │ │ ├── 01-0-课程简介.ts
│ │ │ ├── 05-4调色板颜色设置.ts
│ │ │ ├── 07-6回归分析绘图.ts
│ │ │ ├── 04-3调色板.ts
│ ├── 01-第一模块：Python快速入门
│ │ ├── 14-13-判断结构
│ │ │ ├── 01-13-判断结构.ts
│ │ ├── 10-9-字典基础定义
│ │ │ ├── 01-9-字典基础定义.ts
│ │ ├── 11-10-字典的核心操作
│ │ │ ├── 01-10-字典的核心操作.ts
│ │ ├── 07-7-1-索引结构
│ │ │ ├── 01-7-1-索引结构.ts
│ │ ├── 22-21-时间操作
│ │ │ ├── 01-21-时间操作.ts
│ │ ├── 16-15-函数定义
│ │ │ ├── 01-15-函数定义.ts
│ │ ├── 13-12-赋值机制
│ │ │ ├── 01-12-赋值机制.ts
│ │ ├── 18-17-异常处理模块
│ │ │ ├── 01-17-异常处理模块.ts
│ │ ├── 01-1-Python环境配置
│ │ │ ├── 01-1-Python环境配置.ts
│ │ ├── 02-2-Python库安装工具
│ │ │ ├── 01-2-Python库安装工具.ts
│ │ ├── 05-5-Python数值运算
│ │ │ ├── 01-5-Python数值运算.ts
│ │ ├── 04-4-Python简介
│ │ │ ├── 01-4-Python简介.ts
│ │ ├── 09-8-List核心操作
│ │ │ ├── 01-8-List核心操作.ts
│ │ ├── 24-23-Python练习题-2
│ │ │ ├── 01-23-Python练习题-2.ts
│ │ ├── 21-20-类的属性操作
│ │ │ ├── 01-20-类的属性操作.ts
│ │ ├── 17-16-模块与包
│ │ │ ├── 01-16-模块与包.ts
│ │ ├── 23-22-Python练习题-1
│ │ │ ├── 01-22-Python练习题-1.ts
│ │ ├── 15-14-循环结构
│ │ │ ├── 01-14-循环结构.ts
│ │ ├── 03-3-Notebook工具使用
│ │ │ ├── 01-3-Notebook工具使用.ts
│ │ ├── 20-19-类的基本定义
│ │ │ ├── 01-19-类的基本定义.ts
│ │ ├── 06-6-Python字符串操作
│ │ │ ├── 01-6-Python字符串操作.ts
│ │ ├── 12-11-Set结构
│ │ │ ├── 01-11-Set结构.ts
│ │ ├── 19-18-文件操作
│ │ │ ├── 01-18-文件操作.ts
│ │ ├── 08-7-2-List基础结构
│ │ │ ├── 01-7-2-List基础结构.ts
│ ├── 数学基础课件
│ │ ├── 泰勒公式.pdf
│ │ ├── 微积分.pdf
│ │ ├── 梯度.pdf
│ │ ├── 概率分布与概率密度.pdf
│ │ ├── 矩阵.pdf
│ │ ├── 核函数.pdf
│ │ ├── 似然函数.pdf
│ │ ├── 统计分析-数据代码.zip
│ │ ├── 拉格朗日乘子法.pdf
│ │ ├── 概率论.pdf
│ │ ├── SVD.pdf
│ │ ├── 后验概率估计.pdf
│ │ ├── 特征值与特征向量.pdf
│ │ ├── 激活函数.pdf
│ │ ├── 熵.pdf
│ │ ├── 高等数学.pdf
│ ├── 11-选修：机器学习进阶实战
│ │ ├── 11-HMM案例实战
│ │ │ ├── 02-2-工具包使用方法.ts
│ │ │ ├── 04-4-实现中文分词.ts
│ │ │ ├── 03-3-中文分词任务.ts
│ │ │ ├── 01-1-hmmlearn工具包.ts
│ │ ├── 13-音乐推荐系统实战
│ │ │ ├── 04-4-物品相似度计算与推荐.ts
│ │ │ ├── 06-6-基于矩阵分解的音乐推荐.ts
│ │ │ ├── 02-2-数据集整合.ts
│ │ │ ├── 05-5-SVD矩阵分解.ts
│ │ │ ├── 01-1-音乐推荐任务概述.ts
│ │ │ ├── 03-3-基于物品的协同过滤.ts
│ │ ├── 15-NLP-文本特征方法对比
│ │ │ ├── 01-1.1-任务概述.ts
│ │ │ ├── 06-6-深度学习模型.ts
│ │ │ ├── 05-5-word2vec词向量模型.ts
│ │ │ ├── 04-4-TFIDF模型.ts
│ │ │ ├── 03-3-词袋模型分析.mp4
│ │ │ ├── 02-2-词袋模��.ts
│ │ ├── 05-降维算法-线性判别分析
│ │ │ ├── 04-4-实现线性判别分析进行降维任务.ts
│ │ │ ├── 01-1-线性判别分析要解决的问题.ts
│ │ │ ├── 05-5-求解得出降维结果.ts
│ │ │ ├── 02-2-线性判别分析要优化的目标.ts
│ │ │ ├── 03-3-线性判别分析求解.ts
│ │ ├── 04-4.使用lightgbm进行饭店流量预测
│ │ │ ├── 02-2-数据汇总.ts
│ │ │ ├── 01-1-饭店流量数据介绍.ts
│ │ │ ├── 05-5-lightgbm建模.ts
│ │ │ ├── 04-4-特征提取.ts
│ │ │ ├── 03-3-离群点筛选.ts
│ │ ├── 09-EM算法
│ │ │ ├── 05-5-GMM模型.ts
│ │ │ ├── 03-3-EM算法求解实例.ts
│ │ │ ├── 02-2-隐变量问题.ts
│ │ │ ├── 06-6-GMM实例.ts
│ │ │ ├── 01-1-EM算法要解决的问题.ts
│ │ │ ├── 07-7-GMM聚类.ts
│ │ │ ├── 04-4-Jensen不等式.ts
│ │ ├── 12-推荐系统
│ │ │ ├── 01-0-开场.ts
│ │ │ ├── 05-4-基于用户的协同过滤.ts
│ │ │ ├── 02-1-推荐系统应用.ts
│ │ │ ├── 04-3-相似度计算.ts
│ │ │ ├── 08-7-隐语义模型求解.ts
│ │ │ ├── 03-2-推荐系统要完成的任务.ts
│ │ │ ├── 06-5-基于物品的协同过滤.ts
│ │ │ ├── 09-8-模型评估标准.ts
│ │ │ ├── 07-6-隐语义模型.ts
│ │ ├── 05-人口普查数据集项目实战-收入预测
│ │ │ ├── 08-8-ROC与AUC模型评估标准.ts
│ │ │ ├── 02-2-单特征与缺失值展示.ts
│ │ │ ├── 06-6-双变量分析.ts
│ │ │ ├── 01-1-人口普查预测任务概述.ts
│ │ │ ├── 03-3-第一步：数据清洗.ts
│ │ │ ├── 07-7-开发新变量.ts
│ │ │ ├── 05-5-单变量展示.ts
│ │ │ ├── 09-9-机器学习模型.ts
│ │ │ ├── 04-4-特征工程.ts
│ │ ├── 01-GBDT提升算法
│ │ │ ├── 05-5-分类任务.ts
│ │ │ ├── 06-6-可视化.ts
│ │ │ ├── 01-1-回归树模型.ts
│ │ │ ├── 03-3-GBDT工作流程.ts
│ │ │ ├── 02-2-Adaboost算法.ts
│ │ │ ├── 04-4-回归任务.ts
│ │ ├── 08-贝叶斯优化实战
│ │ │ ├── 04-4-贝叶斯优化效果.ts
│ │ │ ├── 01-1-基础模型建立.ts
│ │ │ ├── 05-5-方法对比.ts
│ │ │ ├── 02-2-设置参数空间.ts
│ │ │ ├── 03-3-随机优化结果.ts
│ │ │ ├── 06-6-参数变化情况.ts
│ │ ├── 18-Tensorflow自己打造word2vec
│ │ │ ├── 01-1-数据与任务流程.ts
│ │ │ ├── 04-4-网络训练.ts
│ │ │ ├── 02-2-数据清洗.ts
│ │ │ ├── 03-3-batch数据制作.mp4
│ │ │ ├── 05-5-可视化展示.ts
│ │ ├── 15-学习曲线
│ │ │ ├── 01-1-Bian与Variance曲线.ts
│ │ │ ├── 02-2-数据集中的结果.ts
│ │ │ ├── 03-3-曲线实验结果.ts
│ │ ├── 01-数据特征
│ │ │ ├── 04-4-文本特征处理.ts
│ │ │ ├── 03-3-时间特征处理.ts
│ │ │ ├── 02-2-常用特征构造手段.ts
│ │ │ ├── 07-7-计算机眼中的图像.ts
│ │ │ ├── 06-6-词向量特征.ts
│ │ │ ├── 01-1-基本数值特征.ts
│ │ │ ├── 05-5-构造文本向量.ts
│ │ ├── 07-贝叶斯优化及其工具包使用
│ │ │ ├── 01-1-贝叶斯优化概述.ts
│ │ │ ├── 03-3-贝叶斯优化效果.ts
│ │ │ ├── 02-2-工具包使用方法.ts
│ │ │ ├── 04-4-调整参数空间.ts
│ │ ├── 02-xgboost-gbdt-lightgbm提升算法框架对比
│ │ │ ├── 01-1-GBDT效果.ts
│ │ │ ├── 03-3-lightGBM效果.ts
│ │ │ ├── 02-2-Xgboost效果.ts
│ │ ├── 13-基于统计分析的电影推荐
│ │ │ ├── 03-3-关键词云与直方图展示.ts
│ │ │ ├── 06-6-缺失值填充方法.ts
│ │ │ ├── 08-8-数据特征构造.ts
│ │ │ ├── 02-2-数据与关键词信息展示.ts
│ │ │ ├── 04-4-特征可视化.ts
│ │ │ ├── 07-7-推荐引擎构造.ts
│ │ │ ├── 05-5-数据清洗概述.ts
│ │ │ ├── 09-9-得出推荐结果.ts
│ │ │ ├── 01-1-数据与环境配置.ts
│ │ ├── 10-HMM隐马尔科夫模型
│ │ │ ├── 09-9-参数求解.ts
│ │ │ ├── 04-4-暴力求解方法.ts
│ │ │ ├── 07-7-前向算法求解实例.ts
│ │ │ ├── 10-10-维特比算法.ts
│ │ │ ├── 08-8-Baum-Welch算法.ts
│ │ │ ├── 01-1-马尔科夫模型.ts
│ │ │ ├── 05-5-复杂度计算.ts
│ │ │ ├── 06-6-前向算法.ts
│ │ │ ├── 02-2-隐马尔科夫模型基本出发点.ts
│ │ │ ├── 03-3-组成与要解决的问题.ts
│ │ ├── 21-机器学习项目实战-建模与分析
│ │ │ ├── 02-2-机器学习基础模型对比.ts
│ │ │ ├── 01-1-dataleakage问题解决方案.ts
│ │ │ ├── 06-6-机器学习常用模型分析方法介绍.ts
│ │ │ ├── 03-3-参数对结果的影响分析.ts
│ │ │ ├── 05-5-模型的结果解释与参数分析.ts
│ │ │ ├── 04-4-测试模型效果.ts
│ │ ├── 20-机器学习项目实战-数据处理与特征提取
│ │ │ ├── 05-5-离群点剔除.ts
│ │ │ ├── 04-4-单变量绘图分析.ts
│ │ │ ├── 01-1-建筑能源利用效率任务概述.ts
│ │ │ ├── 06-6-变量与结果的关系对比分析.ts
│ │ │ ├── 07-7-多变量展示.ts
│ │ │ ├── 02-2-处理流程与数据简介.ts
│ │ │ ├── 03-3-能源信息各项指标数据预处理.ts
│ │ │ ├── 08-8-特征工程的价值与方法.ts
│ │ ├── 19-制作自己常用工具包
│ │ │ ├── 05-5-工具包调用.ts
│ │ │ ├── 04-4-其他处理方式概述.ts
│ │ │ ├── 03-3-缺失值处理.ts
│ │ │ ├── 01-1-为什么要做自己的数据工具包.ts
│ │ │ ├── 02-2-工具包注释.ts
│ │ ├── 17-使用word2vec分类任务
│ │ │ ├── 01-1-影评情感分类.ts
│ │ │ ├── 04-4-使用gensim构建word2vec词向量（新）.ts
│ │ │ ├── 03-3-准备word2vec输入数据.ts
│ │ │ ├── 02-2-基于词袋模型训练分类器.ts
│ ├── 04-第四模块：机器学习算法精讲及其案例应用
│ │ ├── 14-集成算法原理
│ │ │ ├── 02-2-随机森林优势与特征重要性指标.ts
│ │ │ ├── 03-3-提升算法概述.ts
│ │ │ ├── 04-4-stacking堆叠模型.ts
│ │ │ ├── 01-1-随机森林算法原理.ts
│ │ ├── 09-Kmeans代码实现
│ │ │ ├── 04-4-算法迭代更新.ts
│ │ │ ├── 05-5-鸢尾花数据集聚类任务.ts
│ │ │ ├── 02-2-计算得到簇中心点.ts
│ │ │ ├── 06-6-聚类效果展示.ts
│ │ │ ├── 01-1-Kmeans算法模块概述.ts
│ │ │ ├── 03-3-样本点归属划分.ts
│ │ ├── 20-贝叶斯算法原理
│ │ │ ├── 03-3-垃圾邮件过滤实例.ts
│ │ │ ├── 01-1-贝叶斯要解决的问题.ts
│ │ │ ├── 02-2-贝叶斯公式推导.ts
│ │ │ ├── 04-4-拼写纠错实例.ts
│ │ ├── 16-支持向量机原理推导
│ │ │ ├── 07-7-软间隔优化.ts
│ │ │ ├── 08-8-核函数的作用.ts
│ │ │ ├── 09-9-知识点总结.ts
│ │ │ ├── 04-4-拉格朗日乘子法求解.ts
│ │ │ ├── 02-2-距离与数据定义.ts
│ │ │ ├── 06-6-求解决策方程.ts
│ │ │ ├── 03-3-目标函数推导.ts
│ │ │ ├── 01-1-支持向量机要解决的问题.ts
│ │ │ ├── 05-5-化简最终目标函数.ts
│ │ ├── 10-聚类算法实验分析
│ │ │ ├── 08-1-不稳定结果.ts
│ │ │ ├── 10-2-评估指标-Inertia_20190805_232027.ts
│ │ │ ├── 17-1-应用实例-图像分割_20190805_232021.ts
│ │ │ ├── 15-1-Kmenas算法存在的问题_20190805_232023.ts
│ │ │ ├── 07-2-不稳定结果_20190805_232028.ts
│ │ │ ├── 04-2-聚类结果展示_20190805_232030.ts
│ │ │ ├── 18-2-半监督学习_20190805_232033.ts
│ │ │ ├── 05-1-建模流程解读.ts
│ │ │ ├── 11-1-如何找到合适的K值_20190805_232026.ts
│ │ │ ├── 12-2-如何找到合适的K值_20190805_232026.ts
│ │ │ ├── 13-2-Kmenas算法存在的问题.ts
│ │ │ ├── 20-1-DBSCAN算法.ts
│ │ │ ├── 02-2-Kmenas算法常用操作_20190805_232034.ts
│ │ │ ├── 19-1-半监督学习.ts
│ │ │ ├── 14-1-轮廓系数的作用_20190805_232028.ts
│ │ │ ├── 06-2-建模流程解读_20190805_232032.ts
│ │ │ ├── 16-2-应用实例-图像分割.ts
│ │ │ ├── 21-2-DBSCAN算法_20190805_232033.ts
│ │ │ ├── 01-1-Kmenas算法常用操作.ts
│ │ │ ├── 09-1-评估指标-Inertia.ts
│ │ │ ├── 03-1-聚类结果展示.ts
│ │ ├── 12-决策树代码实现
│ │ │ ├── 03-整体框架逻辑.ts
│ │ │ ├── 05-数据集切分.ts
│ │ │ ├── 01-整体模块概述.ts
│ │ │ ├── 07-测试算法效果.ts
│ │ │ ├── 06-完成树模型构建.ts
│ │ │ ├── 04-熵值计算.ts
│ │ │ ├── 02-递归生成树节点.ts
│ │ ├── 25-代码实现word2vec词向量模型
│ │ │ ├── 04-4-网络训练.ts
│ │ │ ├── 02-2-数据清洗.ts
│ │ │ ├── 03-3-batch数据制作.ts
│ │ │ ├── 05-5-可视化展示.ts
│ │ │ ├── 01-1-数据与任务流程.ts
│ │ ├── 08-聚类算法-Kmeans&Dbscan原理
│ │ │ ├── 01-1-KMEANS算法概述.ts
│ │ │ ├── 03-3-KMEANS迭代可视化展示.ts
│ │ │ ├── 04-4-DBSCAN聚类算法.ts
│ │ │ ├── 06-6-DBSCAN可视化展示.ts
│ │ │ ├── 05-5-DBSCAN工作流程.ts
│ │ │ ├── 02-2-KMEANS工作流程.ts
│ │ ├── 11-决策树原理
│ │ │ ├── 08-8-回归问题解决.ts
│ │ │ ├── 02-2-熵的作用.ts
│ │ │ ├── 05-5-信息增益率与gini系数.ts
│ │ │ ├── 04-4-决策树构造实例.ts
│ │ │ ├── 03-3-信息增益原理.ts
│ │ │ ├── 07-7-后剪枝方法.ts
│ │ │ ├── 01-1-决策树算法概述.ts
│ │ │ ├── 06-6-预剪枝方法.ts
│ │ ├── 22-关联规则实战分析
│ │ │ ├── 05-5-数据集制作.ts
│ │ │ ├── 02-2-支持度与置信度.ts
│ │ │ ├── 03-3-提升度的作用.ts
│ │ │ ├── 06-6-电影数据集题材关联分析.ts
│ │ │ ├── 01-1-关联规则概述.ts
│ │ │ ├── 04-4-Python实战关联规则.ts
│ │ ├── 15-集成算法实验分析
│ │ │ ├── 11-11-模型提前停止策略.ts
│ │ │ ├── 02-2-硬投票与软投票效果对比.ts
│ │ │ ├── 04-4-集成效果展示分析.ts
│ │ │ ├── 13-13-堆叠模型.ts
│ │ │ ├── 09-9-GBDT提升算法流程.ts
│ │ │ ├── 06-6-特征重要性热度图展示.ts
│ │ │ ├── 05-5-OOB袋外数据的作用.ts
│ │ │ ├── 12-12-停止方案实施.ts
│ │ │ ├── 03-3-Bagging策略效果.ts
│ │ │ ├── 08-8-Adaboost决策边界效果.ts
│ │ │ ├── 07-7-Adaboost算法概述.ts
│ │ │ ├── 10-10-集成参数对比分析.ts
│ │ │ ├── 01-1-构建实验数据集.ts
│ │ ├── 18-神经网络算法原理
│ │ │ ├── 10-10-神经网络架构细节.ts
│ │ │ ├── 05-5-得分函数.ts
│ │ │ ├── 13-13-神经网络过拟合解决方法.ts
│ │ │ ├── 06-6-损失函数的作用.ts
│ │ │ ├── 04-4-视觉任务中遇到的问题.ts
│ │ │ ├── 03-3-计算机视觉任务.ts
│ │ │ ├── 07-7-前向传播整体流程.ts
│ │ │ ├── 11-11-神经元个数对结果的影响.ts
│ │ │ ├── 08-8-返向传播计算方法.ts
│ │ │ ├── 09-9-神经网络整体架构.ts
│ │ │ ├── 02-2-深度学习应用领域.ts
│ │ │ ├── 12-12-正则化与激活函数.ts
│ │ │ ├── 01-1-深度学习要解决的问题.ts
│ │ ├── 26-线性判别分析降维算法原理解读
│ │ │ ├── 04-4-实现线性判别分析进行降维任务.ts
│ │ │ ├── 03-3-线性判别分析求解.ts
│ │ │ ├── 02-2-线性判别分析要优化的目标.ts
│ │ │ ├── 05-5-求解得出降维结果.ts
│ │ │ ├── 01-1-线性判别分析要解决的问题.ts
│ │ ├── 24-词向量word2vec通俗解读
│ │ │ ├── 05-5-负采样方案.ts
│ │ │ ├── 04-4-CBOW与Skip-gram模型.ts
│ │ │ ├── 01-1-词向量模型通俗解释.ts
│ │ │ ├── 03-3-训练数据构建.ts
│ │ │ ├── 02-2-模型整体框架.ts
│ │ ├── 19-神经网络代码实现
│ │ │ ├── 01-1-神经网络整体框架概述.ts
│ │ │ ├── 08-8-差异项计算.ts
│ │ │ ├── 11-11-手写字体识别数据集.ts
│ │ │ ├── 04-4-向量反变换.ts
│ │ │ ├── 06-6-损失函数定义.ts
│ │ │ ├── 02-2-参数初始化操作.ts
│ │ │ ├── 05-5-完成前向传播模块.ts
│ │ │ ├── 12-12-算法代码错误修正.ts
│ │ │ ├── 09-9-逐层计算.ts
│ │ │ ├── 14-14-测试效果可视化展示.ts
│ │ │ ├── 10-10-完成全部迭代更新模块.ts
│ │ │ ├── 13-13-模型优化结果展示.ts
│ │ │ ├── 03-3-矩阵向量转换.ts
│ │ │ ├── 07-7-准备反向传播迭代.ts
│ │ ├── 03-模型评估方法
│ │ │ ├── 07-7-阈值对结果的影响.ts
│ │ │ ├── 06-6-评估指标对比分析.ts
│ │ │ ├��─ 04-4-交叉验证实验分析.ts
│ │ │ ├── 01-1-Sklearn工具包简介.ts
│ │ │ ├── 03-3-交叉验证的作用.ts
│ │ │ ├── 02-2-数据集切分.ts
│ │ │ ├── 08-8-ROC曲线.ts
│ │ │ ├── 05-5-混淆矩阵.ts
│ │ ├── 01-线性回归原理推导
│ │ │ ├── 05-4-似然函数的作用.ts
│ │ │ ├── 04-3-独立同分布的意义.ts
│ │ │ ├── 03-2-误差项定义.ts
│ │ │ ├── 02-1-回归问题概述.ts
│ │ │ ├── 08-7参数更新方法.ts
│ │ │ ├── 06-5-参数求解.ts
│ │ │ ├── 07-6-梯度下降通俗解释.ts
│ │ │ ├── 01-0-课程简介1.ts
│ │ │ ├── 09-8-优化参数设置.ts
│ │ ├── 13-决策树实验分析
│ │ │ ├── 02-2-决策边界展示分析.ts
│ │ │ ├── 03-3-树模型预剪枝参数作用.ts
│ │ │ ├── 04-4-回归树模型.ts
│ │ │ ├── 01-1-树模型可视化展示.ts
│ │ ├── 04-线性回归实验分析
│ │ │ ├── 13-13-岭回归与lasso.mp4
│ │ │ ├── 10-10-模型复杂度.ts
│ │ │ ├── 02-2-参数直接求解方法.ts
│ │ │ ├── 05-5-学习率对结果的影响.ts
│ │ │ ├── 06-6-随机梯度下降得到的效果.ts
│ │ │ ├── 01-1-实验目标分析.ts
│ │ │ ├── 14-14-实验总结.ts
│ │ │ ├── 09-9-多项式回归.ts
│ │ │ ├── 11-11-样本数量对结果的影响.ts
│ │ │ ├── 07-7-MiniBatch方法.ts
│ │ │ ├── 04-4-梯度下降模块.ts
│ │ │ ├── 03-3-预处理对结果的影响.ts
│ │ │ ├── 08-8-不同策略效果对比.ts
│ │ │ ├── 12-12-正则化的作用.ts
│ │ ├── 29-HMM应用实例
│ │ │ ├── 02-2-工具包使用方法.ts
│ │ │ ├── 03-3-中文分词任务.ts
│ │ │ ├── 01-1-hmmlearn工具包.ts
│ │ │ ├── 04-4-实现中文分词.ts
│ │ ├── 28-隐马尔科夫模型
│ │ │ ├── 01-1-马尔科夫模型.ts
│ │ │ ├── 05-5-复杂度计算.ts
│ │ │ ├── 10-10-维特比算法.ts
│ │ │ ├── 03-3-组成与要解决的问题.ts
│ │ │ ├── 06-6-前向算法.ts
│ │ │ ├── 08-8-Baum-Welch算法.ts
│ │ │ ├── 04-4-暴力求解方法.ts
│ │ │ ├── 09-9-参数求解.ts
│ │ │ ├── 07-7-前向算法求解实例.ts
│ │ │ ├── 02-2-隐马尔科夫模型基本出发点.ts
│ │ ├── 02-线性回归代码实现
│ │ │ ├── 10-非线性回归.ts
│ │ │ ├── 06-训练线性回归模型.ts
│ │ │ ├── 02-初始化步骤.ts
│ │ │ ├── 07-得到线性回归方程.ts
│ │ │ ├── 03-实现梯度下降优化模块.ts
│ │ │ ├── 04-损失与预测模块.ts
│ │ │ ├── 05-数据与标签定义.ts
│ │ │ ├── 09-多特征回归模型.ts
│ │ │ ├── 01-线性回归整体模块概述.ts
│ │ │ ├── 08-整体流程debug解读.ts
│ │ ├── 07-逻辑回归实验分析
│ │ │ ├── 03-3-可视化展示.ts
│ │ │ ├── 01-1-逻辑回归实验概述.ts
│ │ │ ├── 04-4-坐标棋盘制作.ts
│ │ │ ├── 05-5-分类决策边界展示分析.ts
│ │ │ ├── 06-6-多分类-softmax.ts
│ │ │ ├── 02-2-概率结果随特征数值的变化.ts
│ │ ├── 21-贝叶斯代码实现
│ │ │ ├── 01-1-朴素贝叶斯算法整体框架.ts
│ │ │ ├── 04-4-分类别统计词频.ts
│ │ │ ├── 02-2-邮件数据读取.ts
│ │ │ ├── 05-5-贝叶斯公式对数变换.ts
│ │ │ ├── 06-6-完成预测模块.ts
│ │ │ ├── 03-3-预料表与特征向量构建.ts
│ │ ├── 06-逻辑回归代码实现
│ │ │ ├── 02-2-训练模块功能.ts
│ │ │ ├── 05-5-迭代优化参数.ts
│ │ │ ├── 11-11-决策边界绘制.ts
│ │ │ ├── 08-8-鸢尾花数据集多分类任务.ts
│ │ │ ├── 04-4-优化目标定义.ts
│ │ │ ├── 06-6-梯度计算.ts
│ │ │ ├── 10-10-准备测试数据.ts
│ │ │ ├── 09-9-训练多分类模型.ts
│ │ │ ├── 01-1-多分类逻辑回归整体思路.ts
│ │ │ ├── 03-3-完成预测模块.ts
│ │ │ ├── 07-7-得出最终结果.ts
│ │ │ ├── 12-12-非线性决策边界.ts
│ │ ├── 23-关联规则代码实现
│ │ │ ├── 04-4-拼接模块.ts
│ │ │ ├── 07-7-完成全部算法流程.ts
│ │ │ ├── 06-6-规则生成模块.ts
│ │ │ ├── 08-8-规则结果展示.ts
│ │ │ ├── 01-1-Apripri算法整体流程.ts
│ │ │ ├── 05-5-挖掘频繁项集.ts
│ │ │ ├── 03-3-扫描模块.ts
│ │ │ ├── 02-2-数据集demo.ts
│ │ ├── 27-主成分分析降维算法原理解读
│ │ │ ├── 04-4-PCA降维实例.ts
│ │ │ ├── 01-1-PCA基本概念.ts
│ │ │ ├── 03-3-PCA结果推导.ts
│ │ │ ├── 02-2-方差与协方差.ts
│ │ ├── 17-支持向量机实验分析
│ │ │ ├── 02-2-决策边界可视化展示.ts
│ │ │ ├── 03-3-软间隔的作用.ts
│ │ │ ├── 01-1-支持向量机所能带来的效果.ts
│ │ │ ├── 04-4-非线性SVM.ts
│ │ │ ├── 05-5-核函数的作用与效果.ts
│ │ ├── 05-逻辑回归实验分析
│ │ │ ├── 02-2-化简与求解.ts
│ │ │ ├── 01-1-逻辑回归算法原理.ts
│ ├── 05-第五模块：机器学习算法建模实战项目
│ │ ├── 06-京东用户购买意向预测
│ │ │ ├── 03-3-数据检查.ts
│ │ │ ├── 12-12-Xgboost模型.ts
│ │ │ ├── 01-1-项目与数据介绍.ts
│ │ │ ├── 02-2-数据挖掘流程.ts
│ │ │ ├── 07-7-购买因素分析.ts
│ │ │ ├── 05-5-构建商品特征表单.ts
│ │ │ ├── 08-8-特征工程.ts
│ │ │ ├── 11-11-累积行为特征.ts
│ │ │ ├── 10-10-行为特征.ts
│ │ │ ├── 09-9-基本特征构造.ts
│ │ │ ├── 06-6-数据探索概述.ts
│ │ │ ├── 04-4-构建用户特征表单.ts
│ │ ├── 01-项目实战-交易数据异常检测
│ │ │ ├── 03-3-数据标准化处理.ts
│ │ │ ├── 02-2-项目挑战与解决方案制定.ts
│ │ │ ├── 08-8-正则化惩罚项.ts
│ │ │ ├── 01-1-任务目标解读.ts
│ │ │ ├── 12-12-阈值对结果的影响.ts
│ │ │ ├── 04-4-下采样数据集制作.ts
│ │ │ ├── 06-6-数据集切分.ts
│ │ │ ├── 07-7-模型评估方法与召回率.ts
│ │ │ ├── 13-13-SMOTE样本生成策略.ts
│ │ │ ├── 10-10-混淆矩阵评估分析.ts
│ │ │ ├── 05-5-交叉验证.ts
│ │ │ ├── 11-11-测试集遇到的问题.ts
│ │ │ ├── 14-14-过采样效果与项目总结.ts
│ │ │ ├── 09-9-训练逻辑回归模型.ts
│ │ ├── 04-推荐系统实战
│ │ │ ├── 01-1-音乐推荐任务概述.ts
│ │ │ ├── 03-3-基于物品的协同过滤.ts
│ │ │ ├── 05-5-SVD矩阵分解.ts
│ │ │ ├── 02-2-数据集整合.ts
│ │ │ ├── 06-6-基于矩阵分解的音乐推荐.ts
│ │ │ ├── 04-4-物品相似度计算与推荐.ts
│ │ ├── 03-贝叶斯新闻分类实战
│ │ │ ├── 02-2-中文分词与停用词过滤.ts
│ │ │ ├── 01-1-新闻数据与任务概述.ts
│ │ │ ├── 06-6-TF-IDF特征分析对比.ts
│ │ │ ├── 03-3-文本关键词提取.ts
│ │ │ ├── 05-5-贝叶斯建模结果.ts
│ │ │ ├── 04-4-词袋模型.ts
│ │ ├── 02-基于随机森林的气温预测实战
│ │ │ ├── 09-9-调参优化细节.ts
│ │ │ ├── 07-7-网格与随机参数选择.ts
│ │ │ ├── 08-8-随机参数选择方法实践.ts
│ │ │ ├── 03-3-可视化展示与特征重要性.ts
│ │ │ ├── 01-1-基于随机森林的气温预测任务概述.ts
│ │ │ ├── 04-4-加入新的数据与特征.ts
│ │ │ ├── 05-5-数据与特征对结果的影响.ts
│ │ │ ├── 02-2-基本随机森林模型建立.ts
│ │ │ ├── 06-6-效率对比分析.ts
│ │ ├── 05-fbprophe时间序列预测
│ │ │ ├── 04-4-亚马逊股价趋势.mp4
│ │ │ ├── 02-2-时间序列分析.ts
│ │ │ ├── 03-3-fbprophet时间序列预测实例.mp4
│ │ │ ├── 05-5-突变点调参.ts
│ │ │ ├── 01-1-fbprophet股价预测任务概述.ts
│ ├── 09-第九模块：深度学习经典算法解析
│ │ ├── 06-案例实战卷积神经网络
│ │ │ ├── 04-4-参数对比.ts
│ │ │ ├── 01-1-卷积层构造.ts
│ │ │ ├── 03-3-BatchNormalization效果.ts
│ │ │ ├── 05-5-网络测试效果.ts
│ │ │ ├── 02-1-卷积层构造.ts
│ │ ├── 02-神经网络整体架构
│ │ │ ├── 06-6-神经网络过拟合解决方法.ts
│ │ │ ├── 03-2-神经网络整体架构.ts
│ │ │ ├── 04-4-神经元个数对结果的影响.ts
│ │ │ ├── 05-5-正则化与激活函数.ts
│ │ │ ├── 02-2-神经网络整体架构.ts
│ │ │ ├── 01-1-返向传播计算方法.ts
│ │ ├── 03-卷积神经网络原理与参数解读
│ │ │ ├── 06-6-边缘填充方法.ts
│ │ │ ├── 12-12-感受野的作用.ts
│ │ │ ├── 07-7-特征图尺寸计算与参数共享.ts
│ │ │ ├── 09-9-整体网络架构.ts
│ │ │ ├── 04-4-得到特征图表示.ts
│ │ │ ├── 02-2-卷积的作用.ts
│ │ │ ├── 11-11-残差网络Resnet.ts
│ │ │ ├── 10-10-VGG网络架构.ts
│ │ │ ├── 05-5-步长与卷积核大小对结果的影响.ts
│ │ │ ├── 03-3-卷积特征值计算方法.ts
│ │ │ ├── 08-8-池化层的作用.ts
│ │ │ ├── 01-1-卷积神经网络应用领域.ts
│ │ ├── 01-深度学习必备基础知识点础
│ │ │ ├── 02-2-深度学习应用领域.ts
│ │ │ ├── 05-5-得分函数.ts
│ │ │ ├── 06-6-损失函数的作用.ts
│ │ │ ├── 07-7-前向传播整体流程.ts
│ │ │ ├── 01-1-深度学习要解决的问题.ts
│ │ │ ├── 03-3-计算机视觉任务.ts
│ │ │ ├── 04-4-视觉任务中遇到的问题.ts
│ │ ├── 07-案例实战LSTM时间序列预测任务
│ │ │ ├── 05-5-多序列预测结果.ts
│ │ │ ├── 02-2-网络结构与参数定义.ts
│ │ │ ├── 06-6-股票数据预测.ts
│ │ │ ├── 03-3-构建LSTM模型.ts
│ │ │ ├── 01-1-时间序列模型.ts
│ │ │ ├── 08-8-预测结果展示.ts
│ │ │ ├── 04-4-训练模型与效果展示.ts
│ │ │ ├── 07-7-数据预处理.ts
│ │ ├── 05-案例实战搭建神经网络
│ │ │ ├── 06-5-Drop-out操作.ts
│ │ │ ├── 02-1-训练自己的数据集整体流程.ts
│ │ │ ├── 08-7-初始化标准差对结果的影响.ts
│ │ │ ├── 04-3-搭建网络模型.ts
│ │ │ ├── 09-8-正则化对结果的影响.ts
│ │ │ ├── 07-6-权重初始化方法对比.ts
│ │ │ ├── 05-4-学习率对结果的影响.ts
│ │ │ ├── 01-0-keras框架简介与安装.ts
│ │ │ ├── 10-9-加载模型进行测试.ts
│ │ │ ├── 03-2-数据加载与预处理.ts
│ │ ├── 04-递归神经网络与词向量原理解读
│ │ │ ├── 02-2-词向量模型通俗解释.ts
│ │ │ ├── 03-3-模型整体框架.ts
│ │ │ ├── 01-12-感受野的作用.ts
│ │ │ ├── 06-6-负采样方案.ts
│ │ │ ├── 05-5-CBOW与Skip-gram模型.ts
│ │ │ ├── 04-4-训练数据构建.ts
│ ├── 08-第八模块：Python金融分析与量化交易实战
│ │ ├── 03-1双均线交易策略实战
│ │ │ ├── 01-1-金叉与死叉介绍.ts
│ │ │ ├── 02-2-买点与卖点可视化分析.ts
│ │ │ ├── 03-3-策略收益效果分析.ts
│ │ │ ├── 04-4-均线调参实例.ts
│ │ ├── 02-金融数据时间序列分析
│ │ │ ├── 04-4-时间序列重采样操作.ts
│ │ │ ├── 02-2-序列变化情况分析计算.ts
│ │ │ ├── 01-1-金融时间序列数据统计分析.ts
│ │ │ ├── 06-6-指标相关情况分析.ts
│ │ │ ├── 05-5-短均与长均计算实例.ts
│ │ │ ├── 07-7-回归方程与相关系数实例.ts
│ │ │ ├── 03-3-连续指标变化情况分析.ts
│ │ ├── 01-课程内容与大纲介绍
│ │ │ ├── 01-课程内容与大纲介绍.ts
│ │ ├── 07-因子数据预处理实战
│ │ │ ├── 07-7-策略任务概述.ts
│ │ │ ├── 01-1-百分位去极值方法.ts
│ │ │ ├── 04-4-3Sigma方法实例.ts
│ │ │ ├── 06-6-中性化处理方法通俗解释.ts
│ │ │ ├── 03-3-Mad法去极值演示.ts
│ │ │ ├── 05-5-标准化处理方法.ts
│ │ │ ├── 02-2-基于百分位去极值实例.ts
│ │ ├── 05-量化交易与回测平台解读
│ │ │ ├── 02-2-量化交易所需技能分析.ts
│ │ │ ├── 03-3-Ricequant交易平台简介.ts
│ │ │ ├── 01-1-量化交易概述.ts
│ │ ├── 12-拓展：fbprophet时间序列预测神器
│ │ │ ├── 03-3-fbprophet时间序列预测实例.mp4
│ │ │ ├── 02-2-时间序列分析.ts
│ │ │ ├── 05-5-突变点调参.ts
│ │ │ ├── 04-4-亚马逊股价趋势.ts
│ │ │ ├── 01-1-fbprophet股价预测任务概述.ts
│ │ ├── 06-Ricequant回测选股分析实战
│ │ │ ├── 03-2-股票池筛选.ts
│ │ │ ├── 04-4-定时器功能与作用.ts
│ │ │ ├── 02-2-股票池筛选.ts
│ │ │ ├── 01-1-策略任务分析.ts
│ │ ├── 10-因子打分选股实战
│ │ │ ├── 01-1-打分法选股策略概述.ts
│ │ │ ├── 05-5-完成选股方法.ts
│ │ │ ├── 06-6-完成策略交易展示结果.ts
│ │ │ ├── 04-4-因子打分与排序.ts
│ │ │ ├── 07-7-策略总结与分析.ts
│ │ │ ├── 02-2-整体任务流程梳理.ts
│ │ │ ├── 03-3-策略初始化与数据读取.ts
│ │ ├── 11-回归分析策略
│ │ │ ├── 08-8-优化参数设置.ts
│ │ │ ├── 10-10-特征可视化展示.ts
│ │ │ ├── 03-3-独立同分布的意义.ts
│ │ │ ├── 12-12-回归分析结果.ts
│ │ │ ├── 02-2-误差项定义.ts
│ │ │ ├── 06-6-梯度下降通俗解释.ts
│ │ │ ├── 11-11-构建回归方程.ts
│ │ │ ├── 04-4-似然函数的作用.ts
│ │ │ ├── 07-7参数更新方法.ts
│ │ │ ├── 05-5-参数求解.ts
│ │ │ ├── 09-9-回归任务概述.ts
│ │ │ ├── 01-1-回归问题概述.ts
│ │ ├── 04-策略收益与风险评估指标解析
│ │ │ ├── 02-1-回测收益率指标解读.ts
│ │ │ ├── 04-4-夏普比率的作用.ts
│ │ │ ├── 05-5-阿尔法与贝塔概述.ts
│ │ │ ├── 03-3-最大回撤区间.ts
│ │ │ ├── 01-1-回测收益率指标解读.ts
│ │ ├── 13-基于深度学习的时间序列预测
│ │ │ ├── 04-4-多特征预测结果.ts
│ │ │ ├── 03-3-训练时间序列数据预测结果.ts
│ │ │ ├── 05-5-序列结果预测.ts
│ │ │ ├── 02-2-构建时间序列数据.ts
│ │ │ ├── 01-1-任务目标与数据源.ts
│ │ ├── 11-聚类分析策略
│ │ │ ├── 08-8-统计分析所需数据准备.ts
│ │ │ ├── 02-2-KMEANS工作流程.ts
│ │ │ ├── 09-9-统计效果展示.ts
│ │ │ ├── 04-4-DBSCAN聚类算法.ts
│ │ │ ├── 06-6-DBSCAN可视化展示.ts
│ │ │ ├── 01-1-KMEANS算法概述.ts
│ │ │ ├── 03-3-KMEANS迭代可视化展示.ts
│ │ │ ├── 07-6-DBSCAN可视化展示.ts
│ │ │ ├── 05-5-DBSCAN工作流程.ts
│ │ ├── 09-因子分析实战
│ │ │ ├── 01-5-策略效果评估分析.ts
│ │ │ ├── 05-5-数据格式转换.ts
│ │ │ ├── 06-6-IC指标值计算.ts
│ │ │ ├── 07-7-工具包绘图展示.ts
│ │ │ ├── 04-4-获取给定区间全部数据.ts
│ │ │ ├── 08-8-因子收益率简介.ts
│ │ │ ├── 02-2-Alphalens工具包介绍.ts
│ │ │ ├── 03-3-获取因子指标数据.ts
│ │ ├── 08-因子选股策略实战
│ │ │ ├── 03-3-因子数据预处理.ts
│ │ │ ├── 01-1-股票数据获取.ts
│ │ │ ├── 05-5-策略效果评估分析.ts
│ │ │ ├── 02-2-过滤筛选因子指标数据.ts
│ │ │ ├── 04-4-股票池筛选.ts
├── 16-行人重识别实战
│ ├── 2-基于注意力机制的Reld模型论文解读
│ │ ├── 4-基于特征图的注意力计算.mp4
│ │ ├── 2-空间权重值计算流程分析.mp4
│ │ ├── 3-融合空间注意力所需特征.mp4
│ │ ├── 1-论文整体思想及注意力机制的作用解读.mp4
│ ├── 5-项目实战-基于行人局部特征融合的再识别实战
│ │ ├── 12-测试与验证模块.mp4
│ │ ├── 2-数据源构建方法分析.mp4
│ │ ├── 8-局部特征提取实例.mp4
│ │ ├── 6-特征序列构建.mp4
│ │ ├── 7-GCP全局特征提取.mp4
│ │ ├── 4-debug模式解读.mp4
│ │ ├── 1-项目配置与数据集介绍.mp4
│ │ ├── 9-特征组合汇总.mp4
│ │ ├── 5-网络计算整体流程演示.mp4
│ │ ├── 11-损失函数与训练过程演示.mp4
│ │ ├── 10-得到所有分组特征结果.mp4
│ │ ├── 3-dataloader加载顺序解读.mp4
│ ├── 1-行人重识别原理及其应用
│ │ ├── 3-评估标准rank1指标.mp4
│ │ ├── 6-Hard-Negative方法应用.mp4
│ │ ├── 1-行人重识别要解决的问题.mp4
│ │ ├── 5-triplet损失计算实例.mp4
│ │ ├── 2-挑战与困难分析.mp4
│ │ ├── 4-map值计算方法.mp4
│ ├── 4-AAAI2020顶会算法精讲
│ │ ├── 2-局部特征与全局关系计算方法.mp4
│ │ ├── 5-oneVsReset方法实例.mp4
│ │ ├── 3-特征分组方法.mp4
│ │ ├── 4-GCP模块特征融合方法.mp4
│ │ ├── 6-损失函数应用位置.mp4
│ │ ├── 1-论文整体框架概述.mp4
│ ├── 8-额外补充：行人搜索源码分析
│ │ ├── 1-项目概述.mp4
│ │ ├── 3-数据与标签读取模块.mp4
│ │ ├── 8-损失函数计算模块.mp4
│ │ ├── 7-Head层预测模块.mp4
│ │ ├── 4-通过配置文件读取模型位置.mp4
│ │ ├── 5-BackBone位置与流程.mp4
│ │ ├── 2-项目概述.mp4
│ │ ├── 9-总结概述.mp4
│ │ ├── 6-Neck层操作方法.mp4
│ ├── 6-旷视研究院最新算法解读（基于图模型）
│ │ ├── 1-关键点位置特征构建.mp4
│ │ ├── 5-图卷积模块实现方法.mp4
│ │ ├── 6-图匹配在行人重识别中的作用.mp4
│ │ ├── 2-图卷积与匹配的作用.mp4
│ │ ├── 3-局部特征热度图计算.mp4
│ │ ├── 7-整体算法框架分析.mp4
│ │ ├── 4-基于图卷积构建人体拓扑关系.mp4
│ ├── 3-基于Attention的行人重识别项目实战
│ │ ├── 9-训练与测试模块演示.mp4
│ │ ├── 6-计算得到位置权重值.mp4
│ │ ├── 4-获得空间位置点之间的关系.mp4
│ │ ├── 8-损失函数计算实例解读.mp4
│ │ ├── 1-项目环境与数据集配置.mp4
│ │ ├── 5-组合关系特征图.mp4
│ │ ├── 7-基于特征图的权重计算.mp4
│ │ ├── 2-参数配置与整体架构分析.mp4
│ │ ├── 3-进入debug模式解读网络计算流程.mp4
│ ├── 7-基于拓扑图的行人重识别项目实战
│ │ ├── 6-mask矩阵的作用.mp4
│ │ ├── 1-数据集与环境配置概述.mp4
│ │ ├── 4-阶段监督训练.mp4
│ │ ├── 2-局部特征准备方法.mp4
│ │ ├── 9-图匹配模块计算流程.mp4
│ │ ├── 5-初始化图卷积模型.mp4
│ │ ├── 10-整体项目总结.mp4
│ │ ├── 3-得到一阶段热度图结果.mp4
│ │ ├── 7-邻接矩阵学习与更新.mp4
│ │ ├── 8-基于拓扑结构组合关键点特征.mp4
├── 21-深度学习模型部署与剪枝优化实战
│ ├── 10-模型剪枝-Network Slimming算法分析
│ │ ├── 2-BatchNorm要解决的问题.mp4
│ │ ├── 3-BN的本质作用.mp4
│ │ ├── 4-额外的训练参数解读.mp4
│ │ ├── 1-论文算法核心框架概述.mp4
│ │ ├── 5-稀疏化原理与效果.mp4
│ ├── 8-docker实例演示
│ │ ├── 2-docker安装与配置.mp4
│ │ ├── 5-安装演示环境所需依赖.mp4
│ │ ├── 6-复制所需配置到容器中.mp4
│ │ ├── 1-docker简介.mp4
│ │ ├── 3-阿里云镜像配置.mp4
│ │ ├── 4-基于docker配置pytorch环境.mp4
│ │ ├── 7-上传与下载配置好的项目.mp4
│ ├── 2-AIoT人工智能物联网之AI 实战
│ │ ├── 7-转换出onnx模型，并使用.mp4
│ │ ├── 5- 训练出自己目标识别模型a.mp4
│ │ ├── 1- jetson-inference 入门.mp4
│ │ ├── 2-docker 的安装使用.mp4
│ │ ├── 6-训练出自己目标识别模型b.mp4
│ │ ├── 4-训练自己的目标检测模型准备.mp4
│ │ ├── 3-docker中运行分类模型.mp4
│ ├── 11-模型剪枝-Network Slimming实战解读
│ │ ├── 1-整体案例流程解读.mp4
│ │ ├── 6-微调完成剪枝模型.mp4
│ │ ├── 3-剪枝模块介绍.mp4
│ │ ├── 5-剪枝后模型参数赋值.mp4
│ │ ├── 4-筛选需要的特征图.mp4
│ │ ├── 2-加入L1正则化来进行更新.mp4
│ ├── 6-pyTorch框架部署实践
│ │ ├── 1-所需基本环境配置.mp4
│ │ ├── 3-接收与预测模块实现.mp4
│ │ ├── 2-模型加载与数据预处理.mp4
│ │ ├── 4-效果实例演示.mp4
│ │ ├── 5-课程简介.mp4
│ ├── 9-tensorflow-serving实战
│ │ ├── 3-测试模型部署效果.mp4
│ │ ├── 4-fashion数据集获取.mp4
│ │ ├── 2-加载并启动模型服务.mp4
│ │ ├── 1-tf-serving项目获取与配置.mp4
│ │ ├── 5-加载fashion模型启动服务.mp4
│ ├── 4- AIoT人工智能物联网之deepstream
│ │ ├── 3-GStreamer RTP和RTSP1.mp4
│ │ ├── 2-deepstream HelloWorld.mp4
│ │ ├── 4-GStreamer RTP和RTSP2.mp4
│ │ ├── 6-deepstream推理.mp4
│ │ ├── 5-python实现RTP和RTSP.mp4
│ │ ├── 1-deepstream 介绍安装.mp4
│ │ ├── 7-deepstream集成yolov4.mp4
│ ├── 3-AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器
│ │ ├── 7-TAO 剪枝在训练推理验证.mp4
│ │ ├── 5-NVIDIA TAO预训练模型和训练b.mp4
│ │ ├── 1-NVIDIA TAO介绍和安装.mp4
│ │ ├── 2-NVIDIA TAO数据准备和环境设置.mp4
│ │ ├── 4-NVIDIA TAO预训练模型和训练a.mp4
│ │ ├── 6-NVIDIA TAO预训练模型和训练c..mp4
│ │ ├── 3-NVIDIA TAO数据转换.mp4
│ ├── 1-AIoT人工智能物联网之认识 jetson nano
│ │ ├── 4-感受nano的GPU算力.mp4
│ │ ├── 1- jetson nano 硬件介绍.mp4
│ │ ├── 3- jetson nano 系统安装过程.mp4
│ │ ├── 2-jetson nano 刷机.mp4
│ │ ├── 5-安装使用摄像头csi usb.mp4
│ ├── 12-Mobilenet三代网络模型架构
│ │ ├── 1-模型剪枝分析.mp4
│ │ ├── 10-V2整体架构与效果分析.mp4
│ │ ├── 9-倒残差结构的作用.mp4
│ │ ├── 4-经典卷积计算量与参数量分析.mp4
│ │ ├── 11-V3版本网络架构分析.mp4
│ │ ├── 12-SE模块作用与效果解读.mp4
│ │ ├── 6-参数与计算量的比较.mp4
│ │ ├── 13-代码实现mobilenetV3网络架构.mp4
│ │ ├── 2-常见剪枝方法介绍.mp4
│ │ ├── 5-深度可分离卷积的作用与效果.mp4
│ │ ├── 8-V2版本改进以及Relu激活函数的问题.mp4
│ │ ├── 7-V1版本效果分析.mp4
│ │ ├── 3-mobilenet简介.mp4
│ ├── 7-YOLO-V3物体检测部署实例
│ │ ├── 1-项目所需配置文件介绍.mp4
│ │ ├── 2-加载参数与模型权重.mp4
│ │ ├── 4-返回线性预测结果.mp4
│ │ ├── 3-数据预处理.mp4
├── 4-深度学习框架PyTorch
│ ├── 4-卷积网络参数解读分析
│ │ ├── 2-卷积网络参数解读.mp4
│ │ ├── 1-输入特征通道分析.mp4
│ │ ├── 3-卷积网络模型训练.mp4
│ ├── 3-神经网络回归任务-气温预测
│ │ ├── 1-神经网络回归任务-气温预测.mp4
│ ├── 6-DataLoader自定义数据集制作
│ │ ├── 4-实用Dataloader加载数据并训练模型.mp4
│ │ ├── 2-图像数据与标签路径处理.mp4
│ │ ├── 3-Dataloader中需要实现的方法分析.mp4
│ │ ├── 1-Dataloader要完成的任务分析.mp4
│ ├── 7-LSTM文本分类实战
│ │ ├── 2-文本数据处理基本流程分析.mp4
│ │ ├── 8-网络模型预测结果输出.mp4
│ │ ├── 7-LSTM网络结构基本定义.mp4
│ │ ├── 5-预料表与字符切分.mp4
│ │ ├── 6-字符预处理转换ID.mp4
│ │ ├── 3-命令行参数与DEBUG.mp4
│ │ ├── 4-训练模型所需基本配置参数分析.mp4
│ │ ├── 9-模型训练任务与总结.mp4
│ │ ├── 1-数据集与任务目标分析.mp4
│ ├── 1-PyTorch框架介绍与配置安装
│ │ ├── 1-PyTorch框架与其他框架区别分析.mp4
│ │ ├── 2-CPU与GPU版本安装方法解读.mp4
│ ├── 2-使用神经网络进行分类任务
│ │ ├── 2-基本模块应用测试.mp4
│ │ ├── 3-网络结构定义方法.mp4
│ │ ├── 1-数据集与任务概述.mp4
│ │ ├── 5-损失与训练模块分析.mp4
│ │ ├── 7-参数对结果的影响.mp4
│ │ ├── 6-训练一个基本的分类模型.mp4
│ │ ├── 4-数据源定义简介.mp4
│ ├── 5-图像识别模型与训练策略（重点）
│ │ ├── 4-迁移学习方法解读.mp4
│ │ ├── 2-数据增强模块.mp4
│ │ ├── 1-任务分析与图像数据基本处理.mp4
│ │ ├── 9-重新训练全部模型.mp4
│ │ ├── 5-输出层与梯度设置.mp4
│ │ ├── 10-测试结果演示分析.mp4
│ │ ├── 6-输出类别个数修改.mp4
│ │ ├── 3-数据集与模型选择.mp4
│ │ ├── 8-模型训练方法.mp4
│ │ ├── 7-优化器与学习率衰减.mp4
├── 2-AI课程所需安装软件教程
│ ├── 1-AI课程所需安装软件教程
│ │ ├── 1-AI课程所需安装软件教程.mp4
├── 10-2022论⽂必备-Transformer实战系列
│ ├── 12-商汤LoFTR算法解读
│ │ ├── 1-特征匹配的应用场景.mp4
│ │ ├── 9-基于期望预测最终位置.mp4
│ │ ├── 3-整体流程梳理分析.mp4
│ │ ├── 6-粗粒度匹配过程与作用.mp4
│ │ ├── 5-transformer构建匹配特征.mp4
│ │ ├── 7-特征图拆解操作.mp4
│ │ ├── 4-CrossAttention的作用与效果.mp4
│ │ ├── 8-细粒度匹配的作用与方法.mp4
│ │ ├── 2-特征匹配的基本流程分析.mp4
│ │ ├── 10-总结分析.mp4
│ ├── 6-基于Transformer的detr目标检测算法
│ │ ├── 5-训练过程的策略.mp4
│ │ ├── 3-位置信息初始化query向量.mp4
│ │ ├── 4-注意力机制的作用方法.mp4
│ │ ├── 2-整体网络架构分析.mp4
│ │ ├── 1-DETR目标检测基本思想解读.mp4
│ ├── 18-时间序列预测
│ │ ├── 1-时间序列预测.mp4
│ ├── 3-VIT算法模型源码解读
│ │ ├── 1-项目配置说明.mp4
│ │ ├── 4-输出层计算结果.mp4
│ │ ├── 2-输入序列构建方法解读.mp4
│ │ ├── 3-注意力机制计算.mp4
│ ├── 10-MedicalTrasnformer论文解读
│ │ ├── 5-位置编码的作用与效果.mp4
│ │ ├── 4-论文公式计算分析.mp4
│ │ ├── 3-网络结构计算流程概述.mp4
│ │ ├── 1-论文整体分析.mp4
│ │ ├── 6-拓展应用分析.mp4
│ │ ├── 2-核心思想分析.mp4
│ ├── 9-DeformableDetr物体检测源码分析
│ │ ├── 6-偏移量offset计算.mp4
│ │ ├── 2-序列特征展开并叠加.mp4
│ │ ├── 5-编码层中的序列分析.mp4
│ │ ├── 8-Encoder层完成特征对齐.mp4
│ │ ├── 1-特征提取与位置编码.mp4
│ │ ├── 10-分类与回归输出模块.mp4
│ │ ├── 7-偏移量对齐操作.mp4
│ │ ├── 4-准备Encoder编码层所需全部输入.mp4
│ │ ├── 9-Decoder要完成的操作.mp4
│ │ ├── 11-预测输出结果与标签匹配模块.mp4
│ │ ├── 3-得到相对位置点编码.mp4
│ ├── 13-局部特征关键点匹配实战
│ │ ├── 9-精细化调整方法与实例.mp4
│ │ ├── 1-项目与参数配置解读.mp4
│ │ ├── 8-完成基础匹配模块.mp4
│ │ ├── 3-backbone特征提取模块.mp4
│ │ ├── 4-注意力机制的作用与效果分析.mp4
│ │ ├── 6-cross关系计算方法实例.mp4
│ │ ├── 7-粗粒度匹配过程.mp4
│ │ ├── 11-通过期望计算最终输出.mp4
│ │ ├── 2-DEMO效果演示.mp4
│ │ ├── 5-特征融合模块实现方法.mp4
│ │ ├── 10-得到精细化输出结果.mp4
│ ├── 5-swintransformer源码解读
│ │ ├── 7-各block计算方法解读.mp4
│ │ ├── 3-数据按window进行划分计算.mp4
│ │ ├── 4-基础attention计算模块.mp4
│ │ ├── 6-patchmerge下采样操作.mp4
│ │ ├── 1-数据与环境配置解读.mp4
│ │ ├── 2-图像数据patch编码.mp4
│ │ ├── 8-输出层概述.mp4
│ │ ├── 5-窗口位移模块细节分析.mp4
│ ├── 19-Informer时间序列源码解读
│ │ ├── 1-Informer时间序列源码解读.mp4
│ ├── 14-分割模型Maskformer系列
│ │ ├── 1-分割模型Maskformer系列.mp4
│ ├── 20-Huggingface与NLP（讲故事）
│ │ ├── 1-Huggingface与NLP（讲故事）.mp4
│ ├── 4-swintransformer算法原理解析
│ │ ├── 10-分层计算方法.mp4
│ │ ├── 9-下采样操作实现方法.mp4
│ │ ├── 8-整体网络架构整合.mp4
│ │ ├── 6-窗口偏移操作的实现.mp4
│ │ ├── 3-一个block要完成的任务.mp4
│ │ ├── 7-偏移细节分析及其计算量概述.mp4
│ │ ├── 5-基于窗口的注意力机制解读.mp4
│ │ ├── 1-swintransformer整体概述.mp4
│ │ ├── 2-要解决的问题及其优势分析.mp4
│ │ ├── 4-获取各窗口输入特征.mp4
│ ├── 2-视觉Transformer及其源码分析
│ │ ├── 1-视觉Transformer及其源码分析.mp4
│ ├── 7-detr目标检测源码解读
│ │ ├── 7-Decoder层操作与计算.mp4
│ │ ├── 9-损失函数与预测输出.mp4
│ │ ├── 6-编码层作用方法.mp4
│ │ ├── 5-mask与编码模块.mp4
│ │ ├── 1-项目环境配置解读.mp4
│ │ ├── 4-backbone特征提取模块.mp4
│ │ ├── 2-数据处理与dataloader.mp4
│ │ ├── 3-位置编码作用分析.mp4
│ │ ├── 8-输出预测结果.mp4
│ ├── 8-DeformableDetr算法解读
│ │ ├── 1-DeformableDetr算法解读.mp4
│ ├── 17-BevFormer源码解读
│ │ ├── 4-特征对齐与位置编码初始化.mp4
│ │ ├── 3-特征提取以及BEV空间初始化.mp4
│ │ ├── 10-获取当前BEV特征.mp4
│ │ ├── 11-Decoder级联校正模块.mp4
│ │ ├── 6-BEV空间与图像空间位置对应.mp4
│ │ ├── 7-注意力机制模块计算方法.mp4
│ │ ├── 8-BEV空间特征构建.mp4
│ │ ├── 1-环境配置方法解读.mp4
│ │ ├── 9-Decoder要完成的任务分析.mp4
│ │ ├── 2-数据集下载与配置方法.mp4
│ │ ├── 12-损失函数与预测可视化.mp4
│ │ ├── 5-Reference初始点构建.mp4
│ ├── 16-BEV特征空间
│ │ ├── 1-BEV特征空间.mp4
│ ├── 1-Transformer算法解读
│ │ ├── 1-Transformer算法解读.mp4
│ ├── 15-Mask2former源码解读
│ │ ├── 11-标签分类匹配结果分析.mp4
│ │ ├── 2-多层级采样点初始化构建.mp4
│ │ ├── 9-标签分配策略解读.mp4
│ │ ├── 1-Backbone获取多层级特征.mp4
│ │ ├── 5-Encoder特征构建方法实例.mp4
│ │ ├── 10-正样本筛选损失计算.mp4
│ │ ├── 6-query要预测的任务解读.mp4
│ │ ├── 3-多层级输入特征序列创建方法.mp4
│ │ ├── 7-Decoder中的AttentionMask方法.mp4
│ │ ├── 8-损失模块输入参数分析.mp4
│ │ ├── 4-偏移量与权重计算并转换.mp4
│ │ ├── 12-最终损失计算流程.mp4
│ │ ├── 13-汇总所有损失完成迭代.mp4
│ ├── 11-MedicalTransformer源码解读
│ │ ├── 2-医学数据介绍与分析.mp4
│ │ ├── 1-项目环境配置.mp4
│ │ ├── 7-局部特征提取与计算.mp4
│ │ ├── 3-基本处理操作.mp4
│ │ ├── 5-位置编码向量解读.mp4
│ │ ├── 4-AxialAttention实现过程.mp4
│ │ ├── 6-注意力计算过程与方法.mp4
├── 25-自然语言处理通用框架-BERT实战
│ ├── 7-必备基础知识点-RNN网络架构与情感分析应用实例
│ │ ├── 8-LSTM情感分析.mp4
│ │ ├── 6-构建LSTM网络模型.mp4
│ │ ├── 3-项目流程解读.mp4
│ │ ├── 2-NLP应用领域与任务简介.mp4
│ │ ├── 1-RNN网络模型解读.mp4
│ │ ├── 4-加载词向量特征.mp4
│ │ ├── 5-正负样本数据读取.mp4
│ │ ├── 7-训练与测试效果.mp4
│ ├── 4-项目实战-基于BERT的中文命名实体识别识别实战
│ │ ├── 1-命名实体识别数据分析与任务目标.mp4
│ │ ├── 2-NER标注数据处理与读取.mp4
│ │ ├── 3-构建BERT与CRF模型.mp4
│ ├── 5-必备基础知识点-woed2vec模型通俗解读
│ │ ├── 4-CBOW与Skip-gram模型.mp4
│ │ ├── 5-负采样方案.mp4
│ │ ├── 1-词向量模型通俗解释.mp4
│ │ ├── 3-训练数据构建.mp4
│ │ ├── 2-模型整体框架.mp4
│ ├── 3-项目实战-基于BERT的中文情感分析实战
│ │ ├── 2-读取处理自己的数据集.mp4
│ │ ├── 3-训练BERT中文分类模型.mp4
│ │ ├── 1-中文分类数据与任务概述.mp4
│ ├── 1-自然语言处理通用框架BERT原理解读
│ │ ├── 6-特征分配与softmax机制.mp4
│ │ ├── 11-训练实例.mp4
│ │ ├── 4-注意力机制的作用.mp4
│ │ ├── 9-transformer整体架构梳理.mp4
│ │ ├── 7-Multi-head的作用.mp4
│ │ ├── 5-self-attention计算方法.mp4
│ │ ├── 1-BERT课程简介.mp4
│ │ ├── 10-BERT模型训练方法.mp4
│ │ ├── 2-BERT任务目标概述.mp4
│ │ ├── 3-传统解决方案遇到的问题.mp4
│ │ ├── 8-位置编码与多层堆叠.mp4
│ ├── 6-必备基础-掌握Tensorflow如何实现word2vec模型
│ │ ├── 4-网络训练.mp4
│ │ ├── 2-数据清洗.mp4
│ │ ├── 3-batch数据制作.mp4
│ │ ├── 1-数据与任务流程.mp4
│ │ ├── 5-可视化展示.mp4
│ ├── 2-谷歌开源项目BERT源码解读与应用实例
│ │ ├── 7-加入额外编码特征.mp4
│ │ ├── 4-数据预处理模块.mp4
│ │ ├── 2-项目参数配置.mp4
│ │ ├── 3-数据读取模块.mp4
│ │ ├── 10-构建QKV矩阵.mp4
│ │ ├── 12-训练BERT模型.mp4
│ │ ├── 5-tfrecord数据源制作.mp4
│ │ ├── 6-Embedding层的作用.mp4
│ │ ├── 1-BERT开源项目简介.mp4
│ │ ├── 8-加入位置编码特征.mp4
│ │ ├── 9-mask机制的作用.mp4
│ │ ├── 11-完成Transformer模块构建.mp4
│ ├── 8-医学糖尿病数据命名实体识别
│ │ ├── 3-数据-标签-语料库处理.mp4
│ │ ├── 5-医疗数据集（糖尿病）实体识别.mp4
│ │ ├── 4-训练网络模型.mp4
│ │ ├── 1-数据与任务介绍.mp4
│ │ ├── 2-整体模型架构.mp4
│ │ ├── 6-输入样本填充补齐.mp4
├── 17-对抗生成网络实战
│ ├── 4-stargan论文架构解析
│ │ ├── 2-网络架构整体思路解读.mp4
│ │ ├── 1-stargan效果演示分析.mp4
│ │ ├── 5-V2版本在整体网络架构.mp4
│ │ ├── 8-训练过程分析.mp4
│ │ ├── 4-V1版本存在的问题及后续改进思路.mp4
│ │ ├── 3-建模流程分析.mp4
│ │ ├── 6-编码器训练方法.mp4
│ │ ├── 7-损失函数公式解析.mp4
│ ├── 8-图像超分辨率重构实战
│ │ ├── 3-数据与环境配置.mp4
│ │ ├── 6-判别模块.mp4
│ │ ├── 2-网络架构.mp4
│ │ ├── 4-数据加载与配置.mp4
│ │ ├── 1-论文概述.mp4
│ │ ├── 9-测试模块.mp4
│ │ ├── 5-生成模块.mp4
│ │ ├── 8-损失函数与训练.mp4
│ │ ├── 7-VGG特征提取网络.mp4
│ ├── 9-基于GAN的图像补全实战
│ │ ├── 8-网络迭代训练.mp4
│ │ ├── 3-细节设计.mp4
│ │ ├── 9-测试模块.mp4
│ │ ├── 5-数据与项目概述.mp4
│ │ ├── 1-论文概述.mp4
│ │ ├── 6-参数基本设计.mp4
│ │ ├── 7-网络结构配置.mp4
│ │ ├── 2-网络架构.mp4
│ │ ├── 4-论文总结.mp4
│ ├── 3-基于CycleGan开源项目实战图像合成
│ │ ├── 8-损失函数：identity loss计算方法.mp4
│ │ ├── 2-CycleGan整体网络架构.mp4
│ │ ├── 1-CycleGan网络所需数据.mp4
│ │ ├── 3-PatchGan判别网络原理.mp4
│ │ ├── 10-额外补充：VISDOM可视化配置.mp4
│ │ ├── 9-生成与判别损失函数指定.mp4
│ │ ├── 6-生成网络模块构造.mp4
│ │ ├── 7-判别网络模块构造.mp4
│ │ ├── 5-数据读取与预处理操作.mp4
│ │ ├── 4-Cycle开源项目简介.mp4
│ ├── 7-starganvc2变声器项目实战及其源码解读
│ │ ├── 8-判别器模块解读.mp4
│ │ ├── 1-数据与项目文件解读.mp4
│ │ ├── 7-生成器前向传播维度变化.mp4
│ │ ├── 6-starganvc2版本标签输入分析.mp4
│ │ ├── 3-数据预处理与声音特征提取.mp4
│ │ ├── 2-环境配置与工具包安装.mp4
│ │ ├── 9-论文损失函数.mp4
│ │ ├── 4-生成器构造模块解读.mp4
│ │ ├── 11-测试模块-生成转换语音.mp4
│ │ ├── 10-源码损失计算流程.mp4
│ │ ├── 5-下采样与上采样操作.mp4
│ ├── 2-对抗生成网络架构原理与实战解析
│ │ ├── 4-数据读取模块.mp4
│ │ ├── 2-GAN网络组成.mp4
│ │ ├── 3-损失函数解释说明.mp4
│ │ ├── 5-生成与判别网络定义.mp4
│ │ ├── 1-对抗生成网络通俗解释.mp4
│ ├── 5-stargan项目实战及其源码解读
│ │ ├── 7-数据读取模块分析.mp4
│ │ ├── 8-判别器损失计算.mp4
│ │ ├── 3-测试效果演示.mp4
│ │ ├── 1-测试模块效果与实验分析.mp4
│ │ ├── 6-所有网络模块构建实例.mp4
│ │ ├── 10-生成模块损失计算.mp4
│ │ ├── 9-损失计算详细过程.mp4
│ │ ├── 5-生成器模块源码解读.mp4
│ │ ├── 4-项目参数解析.mp4
│ │ ├── 2-项目配置与数据源下载.mp4
│ ├── 6-基于starganvc2的变声器论文原理解读
│ │ ├── 3-语音特征提取.mp4
│ │ ├── 7-判别器模块分析.mp4
│ │ ├── 1-论文整体思路与架构解读.mp4
│ │ ├── 5-InstanceNorm的作用解读.mp4
│ │ ├── 4-生成器模型架构分析.mp4
│ │ ├── 2-VCC2016输入数据.mp4
│ │ ├── 6-AdaIn的目的与效果.mp4
│ ├── 1-课程介绍
│ │ ├── 1-课程介绍.mp4
├── 1-直播回放
│ ├── 11-直播：GPT与Hugging face
│ │ ├── 1-GPT与Hugging face.mp4
│ │ ├── 1-GPT与Hugging face(1).mp4
│ ├── 14-直播：分割Mask2former算法
│ │ ├── 1-分割Mask2former算法.mp4
│ ├── 7-直播：密集场景计数统计实战
│ │ ├── 1-密集场景计数统计实战.mp4
│ ├── 10-直播：对比学习与多模态任务
│ │ ├── 1-对比学习与多模态任务.mp4
│ ├── 9-直播：Transformer Decoder在视觉任务的应用
│ │ ├── 1-Transformer Decoder在视觉任务的应用.mp4
│ ├── 15-直播：多模态与交叉注意力应用
│ │ ├── 1-多模态与交叉注意力应用.mp4
│ ├── 18-直播：知识图谱与LORA
│ │ ├── 1-知识图谱与LORA.mp4
│ ├── 16-直播：时间序列timesnet与地理分类任务
│ │ ├── 1-时间序列timesnet与地理分类任务.mp4
│ ├── 6-直播：视觉Transformer Vit Debug解读
│ │ ├── 1-视觉Transformer Vit Debug解读.mp4
│ ├── 8-直播：图神经网络
│ │ ├── 1-图神经网络.mp4
│ ├── 4-直播：卷积神经网络
│ │ ├── 1-卷积神经网络.mp4
│ ├── 1-直播：开班典礼
│ │ ├── 1-开班典礼.mp4
│ ├── 13-直播：知识蒸馏
│ │ ├── 1-知识蒸馏.mp4
│ ├── 2-直播：Pycharm环境配置与Debug演示(没用过的同学必看)
│ │ ├── 1-Pycharm环境配置与Debug演示(没用过的同学必看).mp4
│ ├── 12-直播：自监督任务
│ │ ├── 1-自监督任务.mp4
│ ├── 5-直播：Transformer
│ │ ├── 1-Transformer.mp4
│ ├── 17-直播：论文写作与就业简历
│ │ ├── 1-论文写作与就业简历.mp4
│ ├── 3-直播：神经网络
│ │ ├── 1-神经网络.mp4
├── 14-对比学习与多模态任务实战
│ ├── 2-CLIP系列
│ │ ├── 1-CLIP系列.mp4
│ ├── 4-多模态文字识别
│ │ ├── 1-多模态文字识别.mp4
│ ├── 3-多模态3D目标检测算法源码解读
│ │ ├── 2-数据与标注文件介绍.mp4
│ │ ├── 1-环境配置与数据集概述.mp4
│ │ ├── 5-体素索引位置获取.mp4
│ │ ├── 4-数据与图像特征提取模块.mp4
│ │ ├── 3-基本流程梳理并进入debug模式.mp4
│ │ ├── 6-体素特征提取方法解读.mp4
│ │ ├── 9-多模态特征融合.mp4
│ │ ├── 8-全局体素特征提取.mp4
│ │ ├── 7-体素特征计算方法分析.mp4
│ │ ├── 11-输出层预测结果.mp4
│ │ ├── 10-3D卷积特征融合.mp4
│ ├── 1-对比学习算法与实例
│ │ ├── 1-对比学习算法与实例.mp4
│ ├── 5-ANINET源码解读
│ │ ├── 4-视觉Transformer模块的作用.mp4
│ │ ├── 2-配置文件修改方法.mp4
│ │ ├── 7-迭代修正模块.mp4
│ │ ├── 1-数据集与环境概述.mp4
│ │ ├── 5-视觉模型中的编码与解码的效果.mp4
│ │ ├── 6-文本模型中的结构分析.mp4
│ │ ├── 8-输出层与损失计算.mp4
│ │ ├── 3-Bakbone模块得到特征.mp4
├── 8-走向AI论文实验与项目实战的捷径-MMLAB实战系列
│ ├── 9-第三模块：DeformableDetr物体检测源码分析
│ │ ├── 3-得到相对位置点编码.mp4
│ │ ├── 6-偏移量offset计算.mp4
│ │ ├── 4-准备Encoder编码层所需全部输入.mp4
│ │ ├── 7-偏移量对齐操作.mp4
│ │ ├── 11-预测输出结果与标签匹配模块.mp4
│ │ ├── 9-Decoder要完成的操作.mp4
│ │ ├── 1-特征提取与位置编码.mp4
│ │ ├── 2-序列特征展开并叠加.mp4
│ │ ├── 8-Encoder层完成特征对齐.mp4
│ │ ├── 10-分类与回归输出模块.mp4
│ │ ├── 5-编码层中的序列分析.mp4
│ ├── 18-第七模块：多模态3D目标检测算法源码解读
│ │ ├── 9-多模态特征融合.mp4
│ │ ├── 8-全局体素特征提取.mp4
│ │ ├── 1-环境配置与数据集概述.mp4
│ │ ├── 2-数据与标注文件介绍.mp4
│ │ ├── 6-体素特征提取方法解读.mp4
│ │ ├── 11-输出层预测结果.mp4
│ │ ├── 3-基本流程梳理并进入debug模式.mp4
│ │ ├── 5-体素索引位置获取.mp4
│ │ ├── 10-3D卷积特征融合.mp4
│ │ ├── 4-数据与图像特征提取模块.mp4
│ │ ├── 7-体素特征计算方法分析.mp4
│ ├── 17-第六模块：BasicVSR++视频超分辨重构源码解读
│ │ ├── 5-偏移量计算方法.mp4
│ │ ├── 10-传播流程整体完成一圈.mp4
│ │ ├── 9-准备变形卷积模块的输入.mp4
│ │ ├── 11-完成输出结果.mp4
│ │ ├── 3-光流估计网络模块.mp4
│ │ ├── 6-双向计算特征对齐.mp4
│ │ ├── 8-序列传播计算.mp4
│ │ ├── 1-要完成的任务分析与配置文件.mp4
│ │ ├── 7-提特征传递流程分析.mp4
│ │ ├── 4-基于光流完成对齐操作.mp4
│ │ ├── 2-特征基础提取模块.mp4
│ ├── 14-第四模块：ANINET文字识别
│ │ ├── 6-文本模型中的结构分析.mp4
│ │ ├── 3-Bakbone模块得到特征.mp4
│ │ ├── 2-配置文件修改方法.mp4
│ │ ├── 1-数据集与环境概述.mp4
│ │ ├── 7-迭代修正模块.mp4
│ │ ├── 8-输出层与损失计算.mp4
│ │ ├── 5-视觉模型中的编码与解码的效果.mp4
│ │ ├── 4-视觉Transformer模块的作用.mp4
│ ├── 7-第二模块：分割任务CVPR最新Backbone设计及其应用
│ │ ├── 4-PatchEmbedding的作用与实现.mp4
│ │ ├── 7-完成特征提取与融合模块.mp4
│ │ ├── 9-全局特征的作用与实现.mp4
│ │ ├── 10-汇总多层级特征进行输出.mp4
│ │ ├── 6-近似Attention模块实现.mp4
│ │ ├── 3-DEBUG解读Backbone设计.mp4
│ │ ├── 1-注册自己的Backbone模块.mp4
│ │ ├── 5-卷积位置编码计算方法.mp4
│ │ ├── 2-配置文件指定.mp4
│ │ ├── 8-分割输出模块.mp4
│ ├── 2-第一模块：分类任务基本操作
│ │ ├── 7-构建自己的数据集.mp4
│ │ ├── 8-训练自己的任务.mp4
│ │ ├── 3-基本参数配置解读.mp4
│ │ ├── 6-根据文件夹定义数据集.mp4
│ │ ├── 4-各模块配置文件组成.mp4
│ │ ├── 2-准备MMCLS项目.mp4
│ │ ├── 1-MMCLS问题修正.mp4
│ │ ├── 5-生成完整配置文件.mp4
│ ├── 6-第二模块：基于Unet进行各种策略修改
│ │ ├── 7-将Unet特征提取模块替换成transformer.mp4
│ │ ├── 2-编码层模块.mp4
│ │ ├── 8-VIT模块源码分析.mp4
│ │ ├── 6-如何修改参数适配网络结构.mp4
│ │ ├── 4-辅助层的作用.mp4
│ │ ├── 3-上采样与输出层.mp4
│ │ ├── 5-给Unet添加一个neck层.mp4
│ │ ├── 1-配置文件解读.mp4
│ ├── 12-KIE关键信息抽取与视频超分辨率重构
│ │ ├── 1-KIE关键信息抽取与视频超分辨率重构.mp4
│ ├── 10-第三模块：DeformableDetr算法解读
│ │ ├── 1-DeformableDetr算法解读.mp4
│ ├── 21-第九模块：mmaction行为识别
│ │ ├── 1-创建自己的行为识别标注数据集.mp4
│ ├── 13-第四模块：DBNET文字检测
│ │ ├── 2-配置文件参数设置.mp4
│ │ ├── 4-损失函数模块概述.mp4
│ │ ├── 1-文字检测数据概述与配置文件.mp4
│ │ ├── 3-Neck层特征组合.mp4
│ │ ├── 5-损失计算方法.mp4
│ ├── 1-MMCV安装方法
│ │ ├── 1-MMCV安装方法.mp4
│ ├── 8-第三模块：mmdet训练自己的数据任务
│ │ ├── 2-COCO数据标注格式.mp4
│ │ ├── 7-模型测试与可视化分析模块.mp4
│ │ ├── 1-数据集标注与标签获取.mp4
│ │ ├── 6-模型训练与DEMO演示.mp4
│ │ ├── 8-补充：评估指标.mp4
│ │ ├── 5-训练所需配置说明.mp4
│ │ ├── 4-配置文件数据增强策略分析.mp4
│ │ ├── 3-通过脚本生成COCO数据格式.mp4
│ ├── 5-第二模块：使用分割模块训练自己的数据集
│ │ ├── 4-加载预训练模型开始训练.mp4
│ │ ├── 5-预测DEMO演示.mp4
│ │ ├── 1-项目配置基本介绍.mp4
│ │ ├── 3-根据预测类别数修改配置文件.mp4
│ │ ├── 2-数据集标注与制作方法.mp4
│ ├── 16-第五模块：stylegan2源码解读
│ │ ├── 3-特征编码风格拼接.mp4
│ │ ├── 6-损失函数概述.mp4
│ │ ├── 2-得到style特征编码.mp4
│ │ ├── 1-要完成的任务与基本思想概述.mp4
│ │ ├── 4-基础风格特征卷积模块.mp4
│ │ ├── 5-上采样得到输出结果.mp4
│ ├── 15-第四模块：KIE基于图模型的关键信息抽取
│ │ ├── 4-边框要计算的特征分析.mp4
│ │ ├── 7-准备拼接边与点特征.mp4
│ │ ├── 1-配置文件以及要完成的任务解读.mp4
│ │ ├── 8-整合得到图模型输入特征.mp4
│ │ ├── 6-特征合并处理.mp4
│ │ ├── 5-标签数据处理与关系特征提取.mp4
│ │ ├── 2-KIE数据集格式调整方法.mp4
│ │ ├── 3-配置文件与标签要进行处理操作.mp4
│ ├── 22-OCR算法解读
│ │ ├── 1-OCR算法解读.mp4
│ ├── 20-第八模块：模型剪枝方法概述分析
│ │ ├── 1-SuperNet网络结构分析与剪枝概述.mp4
│ │ ├── 2-搜索匹配到符合计算量的模型并训练.mp4
│ ├── 19-第八模块：模型蒸馏应用实例
│ │ ├── 1-任务概述与工具使用.mp4
│ │ ├── 7-实际测试效果演示.mp4
│ │ ├── 4-开始模型训练过程与问题修正.mp4
│ │ ├── 3-训练T与S得到蒸馏模型.mp4
│ │ ├── 2-Teacher与Student网络结构定义.mp4
│ │ ├── 6-分别得到Teacher与Student模型.mp4
│ │ ├── 5-日志输出与模型分离.mp4
│ ├── 23-额外补充-在源码中加入各种注意力机制方法
│ │ ├── 1-在源码中加入各种注意力机制方法.mp4
│ ├── 11-补充：Mask2former源码解读
│ │ ├── 10-正样本筛选损失计算.mp4
│ │ ├── 1-Backbone获取多层级特征.mp4
│ │ ├── 12-最终损失计算流程.mp4
│ │ ├── 7-Decoder中的AttentionMask方法.mp4
│ │ ├── 8-损失模块输入参数分析.mp4
│ │ ├── 13-汇总所有损失完成迭代.mp4
│ │ ├── 3-多层级输入特征序列创建方法.mp4
│ │ ├── 6-query要预测的任务解读.mp4
│ │ ├── 9-标签分配策略解读.mp4
│ │ ├── 5-Encoder特征构建方法实例.mp4
│ │ ├── 4-偏移量与权重计算并转换.mp4
│ │ ├── 2-多层级采样点初始化构建.mp4
│ │ ├── 11-标签分类匹配结果分析.mp4
│ ├── 3-第一模块：训练结果测试与验证
│ │ ├── 2-测试评估模型效果.mp4
│ │ ├── 9-模型分析脚本使用.mp4
│ │ ├── 3-MMCLS中增加一个新的模块.mp4
│ │ ├── 7-可视化细节与效果分析.mp4
│ │ ├── 8-MMCLS可视化模块应用.mp4
│ │ ├── 4-修改配置文件中的参数.mp4
│ │ ├── 5-数据增强流程可视化展示.mp4
│ │ ├── 6-Grad-Cam可视化方法.mp4
│ │ ├── 1-测试DEMO效果.mp4
│ ├── 4-第一模块：模型源码DEBUG演示
│ │ ├── 4-前向传播基本模块.mp4
│ │ ├── 5-CLS与输出模块.mp4
│ │ ├── 1-VIT任务概述.mp4
│ │ ├── 3-PatchEmbedding层.mp4
│ │ ├── 2-数据增强模块概述分析.mp4
├── 12-3D点云实战
│ ├── 2-3D点云PointNet算法
│ │ ├── 1-3D数据应用领域与点云介绍.mp4
│ │ ├── 5-PointNet算法网络架构解读.mp4
│ │ ├── 4-PointNet算法出发点解读.mp4
│ │ ├── 2-点云数据可视化展示.mp4
│ │ ├── 3-点云数据特性和及要解决的问题.mp4
│ ├── 6-点云补全实战解读
│ │ ├── 6-补全点云数据.mp4
│ │ ├── 5-分层预测输出模块.mp4
│ │ ├── 4-MRE特征提取模块.mp4
│ │ ├── 7-判别模块.mp4
│ │ ├── 3-整体框架概述.mp4
│ │ ├── 2-待补全数据准备方法.mp4
│ │ ├── 1-数据与项目配置解读.mp4
│ ├── 7-点云配准及其案例实战
│ │ ├── 3-训练数据构建.mp4
│ │ ├── 2-配准要完成的目标解读.mp4
│ │ ├── 7-基于模型预测输出参数.mp4
│ │ ├── 9-任务总结.mp4
│ │ ├── 4-任务基本流程.mp4
│ │ ├── 6-参数计算模块解读.mp4
│ │ ├── 5-数据源配置方法.mp4
│ │ ├── 8-特征构建方法分析.mp4
│ │ ├── 1-点云配准任务概述.mp4
│ ├── 4-Pointnet++项目实战
│ │ ├── 8-特征提取模块整体流程.mp4
│ │ ├── 9-预测结果输出模块.mp4
│ │ ├── 13-上采样完成分割任务.mp4
│ │ ├── 3-DEBUG解读网络模型架构.mp4
│ │ ├── 12-分割需要解决的任务概述.mp4
│ │ ├── 1-项目文件概述.mp4
│ │ ├── 11-分割任务数据与配置概述.mp4
│ │ ├── 6-组区域划分方法.mp4
│ │ ├── 5-采样得到中心点.mp4
│ │ ├── 2-数据读取模块配置.mp4
│ │ ├── 4-最远点采样介绍.mp4
│ │ ├── 7-实现group操作得到各中心簇.mp4
│ ├── 5-点云补全PF-Net论文解读
│ │ ├── 1-点云补全要解决的问题.mp4
│ │ ├── 3-整体网络概述.mp4
│ │ ├── 4-网络计算流程.mp4
│ │ ├── 5-输入与计算结果.mp4
│ │ ├── 2-基本解决方案概述.mp4
│ ├── 8-基础补充-对抗生成网络架构原理与实战解析
│ │ ├── 4-数据读取模块.mp4
│ │ ├── 5-生成与判别网络定义.mp4
│ │ ├── 1-对抗生成网络通俗解释.mp4
│ │ ├── 2-GAN网络组成.mp4
│ │ ├── 3-损失函数解释说明.mp4
│ ├── 3-PointNet++算法解读
│ │ ├── 4-整体流程概述分析.mp4
│ │ ├── 1-PointNet升级版算法要解决的问题.mp4
│ │ ├── 2-最远点采样方法.mp4
│ │ ├── 3-分组Group方法原理解读.mp4
│ │ ├── 5-分类与分割问题解决方案.mp4
│ │ ├── 6-遇到的问题及改进方法分析.mp4
│ ├── 1-3D点云实战 3D点云应用领域分析
│ │ ├── 1-点云数据概述.mp4
│ │ ├── 3-点云分割任务.mp4
│ │ ├── 5-点云检测与配准任务.mp4
│ │ ├── 2-点云应用领域与发展分析.mp4
│ │ ├── 4-点云补全任务.mp4
│ │ ├── 6-点云数据特征提取概述与预告.mp4
├── 13-面向深度学习的无人驾驶实战
│ ├── 2-深度估计项目实战
│ │ ├── 2-数据与标签定义方法.mp4
│ │ ├── 8-特征拼接方法解读.mp4
│ │ ├── 3-数据集dataloader制作.mp4
│ │ ├── 11-模型DEMO输出结果.mp4
│ │ ├── 10-损失函数通俗解读.mp4
│ │ ├── 1-项目环境配置解读.mp4
│ │ ├── 4-使用backbone进行特征提取.mp4
│ │ ├── 7-网络结构ASPP层.mp4
│ │ ├── 9-输出深度估计结果.mp4
│ │ ├── 6-权重参数标准化操作.mp4
│ │ ├── 5-计算差异特征.mp4
│ ├── 3-车道线检测算法与论文解读
│ │ ├── 3-输出结果分析.mp4
│ │ ├── 1-数据标签与任务分析.mp4
│ │ ├── 4-损失函数计算方法.mp4
│ │ ├── 2-网络整体框架分析.mp4
│ │ ├── 5-论文概述分析.mp4
│ ├── 13-轨迹估计算法与论文解读
│ │ ├── 8-VectorNet输出层分析.mp4
│ │ ├── 2-整体三大模块分析.mp4
│ │ ├── 4-传统方法与现在向量空间对比.mp4
│ │ ├── 3-特征工程的作用与效果.mp4
│ │ ├── 6-子图模块构建方法.mp4
│ │ ├── 7-特征融合模块分析.mp4
│ │ ├── 5-输入细节分析.mp4
│ │ ├── 1-数据集与标注信息解读.mp4
│ ├── 5-商汤LoFTR算法解读
│ │ ├── 1-特征匹配的应用场景.mp4
│ │ ├── 7-特征图拆解操作.mp4
│ │ ├── 4-CrossAttention的作用与效果.mp4
│ │ ├── 5-transformer构建匹配特征.mp4
│ │ ├── 9-基于期望预测最终位置.mp4
│ │ ├── 6-粗粒度匹配过程与作用.mp4
│ │ ├── 2-特征匹配的基本流程分析.mp4
│ │ ├── 3-整体流程梳理分析.mp4
│ │ ├── 10-总结分析.mp4
│ │ ├── 8-细粒度匹配的作用与方法.mp4
│ ├── 7-三维重建应用与坐标系基础
│ │ ├── 5-坐标系转换方法解读.mp4
│ │ ├── 1-三维重建概述分析.mp4
│ │ ├── 8-相机标定简介.mp4
│ │ ├── 7-通过内外参数进行坐标变换.mp4
│ │ ├── 2-三维重建应用领域概述.mp4
│ │ ├── 4-相机坐标系.mp4
│ │ ├── 6-相机内外参.mp4
│ │ ├── 3-成像方法概述.mp4
│ ├── 8-NeuralRecon算法解读
│ │ ├── 1-任务流程分析.mp4
│ │ ├── 4-片段融合思想.mp4
│ │ ├── 3-特征映射方法解读.mp4
│ │ ├── 5-整体架构重构方法.mp4
│ │ ├── 2-基本框架熟悉.mp4
│ ├── 1-深度估计算法原理解读
│ │ ├── 3-使用backbone获取层级特征.mp4
│ │ ├── 10-损失计算.mp4
│ │ ├── 5-SPP层的作用.mp4
│ │ ├── 4-差异特征计算边界信息.mp4
│ │ ├── 2-kitti数据集介绍.mp4
│ │ ├── 9-权重参数预处理.mp4
│ │ ├── 1-深度估计效果与应用.mp4
│ │ ├── 7-特征拼接方法分析.mp4
│ │ ├── 8-网络coarse-to-fine过程.mp4
│ │ ├── 6-空洞卷积与ASPP.mp4
│ ├── 11-TSDF算法与应用
│ │ ├── 6-输出结果融合更新.mp4
│ │ ├── 2-合成过程DEMO演示.mp4
│ │ ├── 3-布局初始化操作.mp4
│ │ ├── 5-坐标转换流程分析.mp4
│ │ ├── 1-TSDF整体概述分析.mp4
│ │ ├── 4-TSDF计算基本流程解读.mp4
│ ├── 15-特斯拉无人驾驶解读
│ │ ├── 1-特斯拉无人驾驶解读.mp4
│ ├── 9-NeuralRecon项目环境配置
│ │ ├── 1-数据集下载与配置方法.mp4
│ │ ├── 2-Scannet数据集内容概述.mp4
│ │ ├── 5-完成依赖环境配置.mp4
│ │ ├── 4-ISSUE的作用.mp4
│ │ ├── 3-TSDF标签生成方法.mp4
│ ├── 6-局部特征关键点匹配实战
│ │ ├── 8-完成基础匹配模块.mp4
│ │ ├── 4-注意力机制的作用与效果分析.mp4
│ │ ├── 6-cross关系计算方法实例.mp4
│ │ ├── 7-粗粒度匹配过程.mp4
│ │ ├── 11-通过期望计算最终输出.mp4
│ │ ├── 5-特征融合模块实现方法.mp4
│ │ ├── 2-DEMO效果演示.mp4
│ │ ├── 10-得到精细化输出结果.mp4
│ │ ├── 1-项目与参数配置解读.mp4
│ │ ├── 9-精细化调整方法与实例.mp4
│ │ ├── 3-backbone特征提取模块.mp4
│ ├── 12-TSDF实战案例
│ │ ├── 1-环境配置概述.mp4
│ │ ├── 3-计算得到TSDF输出.mp4
│ │ ├── 2-初始化与数据读取.mp4
│ ├── 4-基于深度学习的车道线检测项目实战
│ │ ├── 8-算法网络结构解读.mp4
│ │ ├── 9-损失函数计算模块分析.mp4
│ │ ├── 3-制作数据集dataloader.mp4
│ │ ├── 10-车道线规则损失函数限制.mp4
│ │ ├── 6-grid设置方法.mp4
│ │ ├── 7-完成数据与标签制作.mp4
│ │ ├── 1-车道数据与标签解读.mp4
│ │ ├── 5-四条车道线标签位置矩阵.mp4
│ │ ├── 4-车道线标签数据处理.mp4
│ │ ├── 2-项目环境配置演示.mp4
│ │ ├── 11-DEMO制作与配置.mp4
│ ├── 14-轨迹估计预测实战
│ │ ├── 5-SubGraph与Attention模型流程.mp4
│ │ ├── 1-数据与环境配置.mp4
│ │ ├── 3-Agent特征提取方法.mp4
│ │ ├── 4-DataLoader构建图结构.mp4
│ │ ├── 2-训练数据准备.mp4
│ ├── 10-NeuralRecon项目源码解读
│ │ ├── 2-初始化体素位置.mp4
│ │ ├── 7-完成三个阶段预测结果.mp4
│ │ ├── 4-得到体素所对应特征图.mp4
│ │ ├── 6-得到一阶段输出结果.mp4
│ │ ├── 5-插值得到对应特征向量.mp4
│ │ ├── 8-项目总结.mp4
│ │ ├── 3-坐标映射方法实现.mp4
│ │ ├── 1-Backbone得到特征图.mp4
├── 7-图像分割实战
│ ├── 3-unet医学细胞分割实战
│ │ ├── 4-特征融合方法演示.mp4
│ │ ├── 5-迭代完成整个模型计算任务.mp4
│ │ ├── 6-模型效果验证.mp4
│ │ ├── 1-医学细胞数据集介绍与参数配置.mp4
│ │ ├── 2-数据增强工具.mp4
│ │ ├── 3-Debug模式演示网络计算流程.mp4
│ ├── 5-deeplab系列算法
│ │ ├── 4-SPP层的作用.mp4
│ │ ├── 5-ASPP特征融合策略.mp4
│ │ ├── 6-deeplabV3Plus版本网络架构.mp4
│ │ ├── 3-感受野的意义.mp4
│ │ ├── 1-deeplab分割算法概述.mp4
│ │ ├── 2-空洞卷积的作用.mp4
│ ├── 7-医学⼼脏视频数据集分割建模实战
│ │ ├── 2-项目基本配置参数.mp4
│ │ ├── 3-任务流程解读.mp4
│ │ ├── 4-文献报告分析.mp4
│ │ ├── 6-补充：R(2plus1)D处理方法分析.mp4
│ │ ├── 1-数据集与任务概述.mp4
│ │ ├── 5-补充：视频数据源特征处理方法概述.mp4
│ ├── 11-MaskRcnn网络框架源码详解
│ │ ├── 5-RPN层的作用与实现解读.mp4
│ │ ├── 1-FPN层特征提取原理解读.mp4
│ │ ├── 10-RoiPooling层的作用与目的.mp4
│ │ ├── 6-候选框过滤方法.mp4
│ │ ├── 4-基于不同尺度特征图生成所有框.mp4
│ │ ├── 12-整体框架回顾.mp4
│ │ ├── 2-FPN网络架构实现解读.mp4
│ │ ├── 7-Proposal层实现方法.mp4
│ │ ├── 11-RorAlign操作的效果.mp4
│ │ ├── 9-正负样本选择与标签定义.mp4
│ │ ├── 8-DetectionTarget层的作用.mp4
│ │ ├── 3-生成框比例设置.mp4
│ ├── 1-图像分割及其损失函数概述
│ │ ├── 1-语义分割与实例分割概述.mp4
│ │ ├── 2-分割任务中的目标函数定义.mp4
│ │ ├── 3-MIOU评估标准.mp4
│ ├── 12-基于MASK-RCNN框架训练自己的数据与任务
│ │ ├── 2-使用labelme进行数据与标签标注.mp4
│ │ ├── 4-maskrcnn源码修改方法.mp4
│ │ ├── 5-基于标注数据训练所需任务.mp4
│ │ ├── 1-Labelme工具安装.mp4
│ │ ├── 6-测试与展示模块.mp4
│ │ ├── 3-完成训练数据准备工作.mp4
│ ├── 2-Unet系列算法讲解
│ │ ├── 4-后续升级版本介绍.mp4
│ │ ├── 2-网络计算流程.mp4
│ │ ├── 1-Unet网络编码与解码过程.mp4
│ │ ├── 3-Unet升级版本改进.mp4
│ ├── 8-分割模型Maskformer系列
│ │ ├── 1-分割模型Maskformer系列.mp4
│ ├── 9-补充：Mask2former源码解读
│ │ ├── 13-汇总所有损失完成迭代.mp4
│ │ ├── 1-Backbone获取多层级特征.mp4
│ │ ├── 7-Decoder中的AttentionMask方法.mp4
│ │ ├── 10-正样本筛选损失计算.mp4
│ │ ├── 9-标签分配策略解读.mp4
│ │ ├── 4-偏移量与权重计算并转换.mp4
│ │ ├── 5-Encoder特征构建方法实例.mp4
│ │ ├── 6-query要预测的任务解读.mp4
│ │ ├── 11-标签分类匹配结果分析.mp4
│ │ ├── 2-多层级采样点初始化构建.mp4
│ │ ├── 3-多层级输入特征序列创建方法.mp4
│ │ ├── 12-最终损失计算流程.mp4
│ │ ├── 8-损失模块输入参数分析.mp4
│ ├── 6-基于deeplabV3+版本进⾏VOC分割实战
│ │ ├── 3-网络前向传播流程.mp4
│ │ ├── 4-ASPP层特征融合.mp4
│ │ ├── 1-PascalVoc数据集介绍.mp4
│ │ ├── 5-分割模型训练.mp4
│ │ ├── 2-项目参数与数据集读取.mp4
│ ├── 10-物体检测框架-MaskRcnn项目介绍与配置
│ │ ├── 2-开源项目数据集.mp4
│ │ ├── 1-Mask-Rcnn开源项目简介.mp4
│ │ ├── 3-开源项目数据集.mp4
│ ├── 4-U2NET显著性检测实战
│ │ ├── 5-损失函数与应用效果.mp4
│ │ ├── 4-解码器输出结果.mp4
│ │ ├── 2-显著性检测任务与目标概述.mp4
│ │ ├── 3-编码器模块解读.mp4
│ │ ├── 1-任务目标与网络整体介绍.mp4
├── 27-语音识别实战系列
│ ├── 7-语音合成tacotron最新版实战
│ │ ├── 11-模型输出结果.mp4
│ │ ├── 3-路径配置与整体流程解读.mp4
│ │ ├── 1-语音合成项目所需环境配置.mp4
│ │ ├── 10-得到加权的编码向量.mp4
│ │ ├── 5-编码层要完成的任务.mp4
│ │ ├── 8-解码器流程梳理.mp4
│ │ ├── 6-得到编码特征向量.mp4
│ │ ├── 7-解码器输入准备.mp4
│ │ ├── 9-注意力机制应用方法.mp4
│ │ ├── 12-损失函数与预测.mp4
│ │ ├── 4-Dataloader构建数据与标签.mp4
│ │ ├── 2-所需数据集介绍.mp4
│ ├── 1-seq2seq序列网络模型
│ │ ├── 4-加入attention的序列模型整体架构.mp4
│ │ ├── 1-序列网络模型概述分析.mp4
│ │ ├── 5-TeacherForcing的作用与训练策略.mp4
│ │ ├── 3-注意力机制的作用.mp4
│ │ ├── 2-工作原理概述.mp4
│ │ ├── 6-额外补充-RNN网络模型解读.mp4
│ ├── 5-语音分离ConvTasnet模型
│ │ ├── 1-语音分离任务分析.mp4
│ │ ├── 6-基于Mask得到分离结果.mp4
│ │ ├── 5-DW卷积的作用与效果.mp4
│ │ ├── 3-DeepClustering论文解读.mp4
│ │ ├── 2-经典语音分离模型概述.mp4
│ │ ├── 4-TasNet编码器结构分析.mp4
│ ├── 2-LAS模型语音识别实战
│ │ ├── 8-计算得到每个输出的attention得分.mp4
│ │ ├── 6-编码器模块整体流程.mp4
│ │ ├── 9-解码器与训练过程演示.mp4
│ │ ├── 5-Pack与Pad操作解析.mp4
│ │ ├── 7-加入注意力机制.mp4
│ │ ├── 4-声音数据处理模块解读.mp4
│ │ ├── 3-制作json标注数据.mp4
│ │ ├── 2-语料表制作方法.mp4
│ │ ├── 1-数据源与环境配置.mp4
│ ├── 6-ConvTasnet语音分离实战
│ │ ├── 4-采样数据特征编码.mp4
│ │ ├── 3-DataLoader定义.mp4
│ │ ├── 2-训练任务所需参数介绍.mp4
│ │ ├── 6-构建更大的感受区域.mp4
│ │ ├── 1-数据准备与环境配置.mp4
│ │ ├── 5-编码器特征提取.mp4
│ │ ├── 7-解码得到分离后的语音.mp4
│ │ ├── 8-测试模块所需参数.mp4
│ ├── 4-staeganvc2变声器源码实战
│ │ ├── 2-环境配置与工具包安装.mp4
│ │ ├── 8-判别器模块解读.mp4
│ │ ├── 10-源码损失计算流程.mp4
│ │ ├── 11-测试模块-生成转换语音.mp4
│ │ ├── 1-数据与项目文件解读.mp4
│ │ ├── 5-下采样与上采样操作.mp4
│ │ ├── 4-生成器构造模块解读.mp4
│ │ ├── 6-starganvc2版本标签输入分析.mp4
│ │ ├── 9-论文损失函数.mp4
│ │ ├── 3-数据预处理与声音特征提取.mp4
│ │ ├── 7-生成器前向传播维度变化.mp4
│ ├── 3-starganvc2变声器论文原理解读
│ │ ├── 4-生成器模型架构分析.mp4
│ │ ├── 2-VCC2016输入数据.mp4
│ │ ├── 5-InstanceNorm的作用解读.mp4
│ │ ├── 1-论文整体思路与架构解读.mp4
│ │ ├── 3-语音特征提取.mp4
│ │ ├── 6-AdaIn的目的与效果.mp4
│ │ ├── 7-判别器模块分析.mp4
免责声明： 1、本站信息来自网络，版权争议与本站无关 2、本站所有主题由该帖子作者发表，该帖子作者与本站享有帖子相关版权 3、其他单位或个人使用、转载或引用本文时必须同时征得该帖子作者和本站的同意 4、本帖部分内容转载自其它媒体，但并不代表本站赞同其观点和对其真实性负责 5、用户所发布的一切软件的解密分析文章仅限用于学习和研究目的；不得将上述内容用于商业或者非法用途，否则，一切后果请用户自负。 6、您必须在下载后的24个小时之内，从您的电脑中彻底删除上述内容。 7、请支持正版软件、得到更好的正版服务。 8、如有侵权请立即告知本站（邮箱：204942507@qq.com），本站将及时予与删除 9、本站所发布的一切破解补丁、注册机和注册信息及软件的解密分析文章和视频仅限用于学习和研究目的；不得将上述内容用于商业或者非法用途，否则，一切后果请用户自负。本站信息来自网络，版权争议与本站无关。您必须在下载后的24个小时之内，从您的电脑中彻底删除上述内容。如果您喜欢该程序，请支持正版软件，购买注册，得到更好的正版服务。如有侵权请邮件与我们联系处理。
小麻雀IT分享站 » 唐宇迪人工智能深度学习系统班第九期V9.2
小麻雀IT分享站 » 唐宇迪人工智能深度学习系统班第九期V9.2
常见问题FAQ
- 视频格式是什么？
- 不加密，网盘在线学习
- 怎么发货？
- 有些资源没更新完结怎么办？
- 有问题不懂的怎么办？
