【咕泡学院】人工智能深度学习系统班(第09期录播)(165.22GB)-阿里云盘资源下载-搜课100

课程包含丰富的案例，如新闻分类、异常检测、推荐系统、时间序列预测等，结合真实业务场景，培养学员数据分析与模型应用能力。适合希望入门或提升人工智能、数据科学能力的学员，为从事AI、数据分析相关岗位奠定坚实基础。

📢 以下文件由阿里云盘用户[Mit***vaz[134***414]]于2025-05-26分享（只展示部分的文件和文件夹）

【咕泡学院】人工智能深度学习系统班（第09期录播）165.22GB

视频43.5GB

9-经典视觉项目实战：行为识别、姿态估计、目标追踪4.14GB

9-姿态估计OpenPose系列算法解读354.58MB

9-预测时PAF积分计算方法.mp434.91MB

8-PAF标签设计方法.mp425.01MB

7-PAF向量登场.mp412.59MB

6-各模块输出特征图解读.mp415.58MB

5-基于高斯分布预测关键点位置.mp424.83MB

4-要解决的两个问题分析.mp410.19MB

3-传统topdown方法的问题.mp437.95MB

2-姿态估计应用领域概述.mp420.8MB

12-算法流程与总结.mp450.27MB

11-CPM模型特点.mp421.94MB

10-匹配方法解读.mp421.06MB

1-姿态估计要解决的问题分析.mp479.45MB

8-课程介绍27.22MB

1-课程介绍.mp427.22MB

7-基础补充-Resnet模型及其应用实例0B

6-视频异常检测CVPR2021论文及其源码解读285.62MB

7-MetaLearn与输出.mp429.79MB

6-特征图生成.mp438.02MB

5-损失函数的目的.mp457.97MB

4-注意力机制模块打造.mp461.12MB

3-模型编码与解码结构.mp433.37MB

2-数据集配置与读取.mp438.74MB

1-论文概述与环境配置.mp426.61MB

5-视频异常检测算法与元学习159.63MB

7-MAML算法流程解读.mp428.99MB

6-如何找到合适的初始化参数.mp423.36MB

5-学习能力与参数定义.mp414.17MB

4-Meta-Learn要解决的问题.mp420.78MB

3-预测与常见问题.mp426.58MB

2-基本思想与流程分析.mp424.27MB

1-异常检测要解决的问题与数据集介绍.mp421.49MB

4-基于3D卷积的视频分析与动作识别283.39MB

7-训练网络模型.mp438.81MB

6-3D卷积网络所涉及模块.mp437.76MB

5-数据Batch制作方法.mp446.66MB

4-视频数据预处理方法.mp432.25MB

3-测试效果与项目配置.mp455.6MB

2-UCF101动作识别数据集简介.mp451.69MB

1-3D卷积原理解读.mp420.62MB

3-slowfast源码详细解读564.02MB

9-resnetBolock操作.mp453.62MB

8-slow与fast特征图拼接操作.mp449.69MB

7-分别计算特征图输出结果.mp456.64MB

6-slow与fast分别执行采样操作.mp466.34MB

5-图像数据所需预处理方法.mp466.76MB

4-数据与标签读取实例.mp452.22MB

3-dataloader数据遍历方法.mp456.85MB

2-数据处理概述.mp449.72MB

10-RoiAlign与输出层.mp478.92MB

1-模型所需配置文件参数读取.mp433.24MB

2-slowfast项目环境配置与配置文件368.46MB

8-完成视频分帧操作.mp432.77MB

7-视频数据集切分操作.mp439.66MB

6-训练所需视频数据准备.mp447.39MB

5-训练所需标签文件说明.mp448.77MB

4-测试DEMO演示.mp466.77MB

3-配置文件作用解读.mp450.9MB

2-目录各文件分析.mp436.84MB

1-环境基本配置解读.mp445.35MB

15-V5项目工程源码解读751.69MB

9-Focus模块流程分析.mp421.93MB

8-V5网络配置文件解读.mp435.74MB

7-网络架构图可视化工具安装.mp434.33MB

6-getItem构建batch.mp433.03MB

5-数据四合一方法与流程演示.mp441.69MB

4-Mosaic数据增强方法.mp428.19MB

3-加载标签数据.mp426.33MB

21-模型迭代过程.mp438.42MB

20-各种训练策略概述.mp438.43MB

2-图像数据源配置.mp434.65MB

19-训练流程解读.mp446.81MB

18-命令行参数介绍.mp444.26MB

17-超参数解读.mp434.94MB

16-输出结果分析.mp441.71MB

15-上采样与拼接操作.mp421.48MB

14-2-Head层流程解读.mp429.12MB

13-1-SPP层计算细节分析.mp429.09MB

12-BottleneckCSP层计算方法.mp433.82MB

11-前向传播计算.mp430.8MB

10-完成配置文件解析任务.mp458.8MB

1-数据源DEBUG流程解读.mp448.13MB

14-V5版本项目配置0B

13-YOLO-V4版本算法解读188.03MB

9-SAM注意力机制模块.mp422.48MB

8-SPP与CSP网络结构.mp414.81MB

7-NMS细节改进.mp416.66MB

6-CIOU损失函数定义.mp410.82MB

5-损失函数遇到的问题.mp414.26MB

4-DropBlock与标签平滑方法.mp419.36MB

3-数据增强策略分析.mp424.7MB

2-V4版本贡献解读.mp410.06MB

11-激活函数与整体架构总结.mp419.19MB

10-PAN模块解读.mp420.64MB

1-V4版本整体概述.mp415.06MB

12-deepsort源码解读451.85MB

9-ReID特征代价矩阵计算.mp446.45MB

8-级联匹配模块.mp443.34MB

7-参数更新操作.mp450.21MB

6-IOU代价矩阵计算.mp432.89MB

5-状态量预测结果.mp436.02MB

4-对track执行预测操作.mp438.3MB

3-针对检测结果初始化track.mp448.2MB

2-参数与DEMO演示.mp442.18MB

10-匹配结果与总结.mp476.93MB

1-项目环境配置.mp437.33MB

11-deepsort算法知识点解读270.33MB

9-REID特征的作用.mp420.84MB

8-匹配小例子分析.mp421.8MB

7-匈牙利匹配算法概述.mp419.23MB

6-追踪中的状态量.mp416.04MB

5-预测与更新操作.mp424MB

4-基于观测值进行最优估计.mp417.11MB

3-任务本质分析.mp419.07MB

2-卡尔曼滤波要完成的任务.mp415.6MB

12-追踪任务流程拆解.mp432.13MB

11-预测与匹配流程解读.mp426.25MB

10-sort与deepsort建模流程分析.mp426.79MB

1-卡尔曼滤波通俗解释.mp431.48MB

10-OpenPose算法源码分析366.53MB

9-网络模型一阶段输出.mp427.54MB

8-完成PAF特征图制作.mp431.91MB

7-特征图各点累加向量计算.mp432.67MB

6-各位置点归属判断.mp428.04MB

5-准备构建PAF躯干标签.mp429.58MB

4-根据关键点位置设计关键点标签.mp454.92MB

3-关键点与躯干特征图初始化.mp434.31MB

2-读取图像与标注信息.mp446.78MB

10-多阶段输出与预测.mp446.99MB

1-数据集与路径配置解读.mp433.79MB

1-slowfast算法知识点通俗解读172.69MB

5-特征融合模块与总结分析.mp439.3MB

4-模型网络结构设计.mp419.3MB

3-数据采样曾的作用.mp418.26MB

2-核心网络结构模块分析.mp420.98MB

1-slowfast核心思想解读.mp474.86MB

8-走向AI论文实验与项目实战的捷径-MMLAB实战系列9.76GB

9-第三模块：DeformableDetr物体检测源码分析466.41MB

9-Decoder要完成的操作.mp438.98MB

8-Encoder层完成特征对齐.mp451.84MB

7-偏移量对齐操作.mp439.8MB

6-偏移量offset计算.mp446.09MB

5-编码层中的序列分析.mp439.73MB

4-准备Encoder编码层所需全部输入.mp437.91MB

3-得到相对位置点编码.mp428.8MB

2-序列特征展开并叠加.mp451.07MB

11-预测输出结果与标签匹配模块.mp444.31MB

10-分类与回归输出模块.mp449.72MB

1-特征提取与位置编码.mp438.16MB

8-第三模块：mmdet训练自己的数据任务326.6MB

8-补充：评估指标.mp414.06MB

7-模型测试与可视化分析模块.mp477.61MB

6-模型训练与DEMO演示.mp435.27MB

5-训练所需配置说明.mp456MB

4-配置文件数据增强策略分析.mp445.59MB

3-通过脚本生成COCO数据格式.mp438.55MB

2-COCO数据标注格式.mp428.16MB

1-数据集标注与标签获取.mp431.35MB

7-第二模块：分割任务CVPR最新Backbone设计及其应用501.96MB

9-全局特征的作用与实现.mp456.34MB

8-分割输出模块.mp457.72MB

7-完成特征提取与融合模块.mp455.69MB

6-近似Attention模块实现.mp479.49MB

5-卷积位置编码计算方法.mp453.89MB

4-PatchEmbedding的作用与实现.mp444.88MB

3-DEBUG解读Backbone设计.mp440.45MB

2-配置文件指定.mp435.84MB

10-汇总多层级特征进行输出.mp443.35MB

1-注册自己的Backbone模块.mp434.3MB

6-第二模块：基于Unet进行各种策略修改232.64MB

8-VIT模块源码分析.mp445.48MB

7-将Unet特征提取模块替换成transformer.mp422.41MB

6-如何修改参数适配网络结构.mp421.73MB

5-给Unet添加一个neck层.mp430.37MB

4-辅助层的作用.mp419.83MB

3-上采样与输出层.mp428.25MB

2-编码层模块.mp432.47MB

1-配置文件解读.mp432.12MB

5-第二模块：使用分割模块训练自己的数据集278.96MB

5-预测DEMO演示.mp421.88MB

4-加载预训练模型开始训练.mp486.52MB

3-根据预测类别数修改配置文件.mp439.48MB

2-数据集标注与制作方法.mp456.84MB

1-项目配置基本介绍.mp474.23MB

4-第一模块：模型源码DEBUG演示187.75MB

5-CLS与输出模块.mp444.04MB

4-前向传播基本模块.mp438.87MB

3-PatchEmbedding层.mp425.3MB

2-数据增强模块概述分析.mp449.58MB

1-VIT任务概述.mp429.96MB

3-第一模块：训练结果测试与验证494.59MB

9-模型分析脚本使用.mp436.37MB

8-MMCLS可视化模块应用.mp472.07MB

7-可视化细节与效果分析.mp4124.19MB

6-Grad-Cam可视化方法.mp441.17MB

5-数据增强流程可视化展示.mp437.4MB

4-修改配置文件中的参数.mp467.72MB

3-MMCLS中增加一个新的模块.mp462.61MB

2-测试评估模型效果.mp427.58MB

1-测试DEMO效果.mp425.49MB

23-额外补充-在源码中加入各种注意力机制方法122.48MB

1-在源码中加入各种注意力机制方法.mp4122.48MB

22-OCR算法解读1.67GB

1-OCR算法解读.mp41.67GB

21-第九模块：mmaction行为识别232.73MB

1-创建自己的行为识别标注数据集.mp4232.73MB

20-第八模块：模型剪枝方法概述分析87.41MB

2-搜索匹配到符合计算量的模型并训练.mp446.83MB

1-SuperNet网络结构分析与剪枝概述.mp440.58MB

2-第一模块：分类任务基本操作266.46MB

8-训练自己的任务.mp439.32MB

7-构建自己的数据集.mp436.33MB

6-根据文件夹定义数据集.mp440.27MB

5-生成完整配置文件.mp424.45MB

4-各模块配置文件组成.mp435.81MB

3-基本参数配置解读.mp434.52MB

2-准备MMCLS项目.mp432.26MB

1-MMCLS问题修正.mp423.5MB

19-第八模块：模型蒸馏应用实例368.79MB

7-实际测试效果演示.mp439.02MB

6-分别得到Teacher与Student模型.mp445.74MB

5-日志输出与模型分离.mp470.25MB

4-开始模型训练过程与问题修正.mp457.26MB

3-训练T与S得到蒸馏模型.mp470.63MB

2-Teacher与Student网络结构定义.mp446.25MB

1-任务概述与工具使用.mp439.64MB

18-第七模块：多模态3D目标检测算法源码解读672.25MB

9-多模态特征融合.mp468.36MB

8-全局体素特征提取.mp495.96MB

7-体素特征计算方法分析.mp470.71MB

6-体素特征提取方法解读.mp437.57MB

5-体素索引位置获取.mp464.72MB

4-数据与图像特征提取模块.mp458.02MB

3-基本流程梳理并进入debug模式.mp450.33MB

2-数据与标注文件介绍.mp437.49MB

11-输出层预测结果.mp480.8MB

10-3D卷积特征融合.mp456.76MB

1-环境配置与数据集概述.mp451.52MB

17-第六模块：BasicVSR++视频超分辨重构源码解读442.21MB

9-准备变形卷积模块的输入.mp444.71MB

8-序列传播计算.mp439.88MB

7-提特征传递流程分析.mp437.23MB

6-双向计算特征对齐.mp436.97MB

5-偏移量计算方法.mp432.48MB

4-基于光流完成对齐操作.mp440.23MB

3-光流估计网络模块.mp425.67MB

2-特征基础提取模块.mp444.58MB

11-完成输出结果.mp451.56MB

10-传播流程整体完成一圈.mp461.55MB

1-要完成的任务分析与配置文件.mp427.36MB

16-第五模块：stylegan2源码解读286.06MB

6-损失函数概述.mp426.56MB

5-上采样得到输出结果.mp440.75MB

4-基础风格特征卷积模块.mp454.69MB

3-特征编码风格拼接.mp436.76MB

2-得到style特征编码.mp469.51MB

1-要完成的任务与基本思想概述.mp457.79MB

15-第四模块：KIE基于图模型的关键信息抽取418MB

8-整合得到图模型输入特征.mp471.98MB

7-准备拼接边与点特征.mp441.38MB

6-特征合并处理.mp443.74MB

5-标签数据处理与关系特征提取.mp456.48MB

4-边框要计算的特征分析.mp435.57MB

3-配置文件与标签要进行处理操作.mp447.83MB

2-KIE数据集格式调整方法.mp469.46MB

1-配置文件以及要完成的任务解读.mp451.55MB

14-第四模块：ANINET文字识别380.24MB

8-输出层与损失计算.mp452.81MB

7-迭代修正模块.mp438.14MB

6-文本模型中的结构分析.mp438.66MB

5-视觉模型中的编码与解码的效果.mp454.49MB

4-视觉Transformer模块的作用.mp445.97MB

3-Bakbone模块得到特征.mp442.1MB

2-配置文件修改方法.mp452.49MB

1-数据集与环境概述.mp455.58MB

13-第四模块：DBNET文字检测229.85MB

5-损失计算方法.mp459.35MB

4-损失函数模块概述.mp443.11MB

3-Neck层特征组合.mp432.04MB

2-配置文件参数设置.mp438.74MB

1-文字检测数据概述与配置文件.mp456.6MB

12-KIE关键信息抽取与视频超分辨率重构916.12MB

1-KIE关键信息抽取与视频超分辨率重构.mp4916.12MB

11-补充：Mask2former源码解读591.38MB

9-标签分配策略解读.mp442.53MB

8-损失模块输入参数分析.mp440.84MB

7-Decoder中的AttentionMask方法.mp450.89MB

6-query要预测的任务解读.mp445.61MB

5-Encoder特征构建方法实例.mp449.77MB

4-偏移量与权重计算并转换.mp448.78MB

3-多层级输入特征序列创建方法.mp443.83MB

2-多层级采样点初始化构建.mp441.46MB

13-汇总所有损失完成迭代.mp435.76MB

12-最终损失计算流程.mp452.29MB

11-标签分类匹配结果分析.mp462.04MB

10-正样本筛选损失计算.mp441.78MB

1-Backbone获取多层级特征.mp435.79MB

10-第三模块：DeformableDetr算法解读730.35MB

1-DeformableDetr算法解读.mp4730.35MB

1-MMCV安装方法55.75MB

1-MMCV安装方法.mp455.75MB

7-图像分割实战3.67GB

9-补充：Mask2former源码解读591.38MB

9-标签分配策略解读.mp442.53MB

8-损失模块输入参数分析.mp440.84MB

7-Decoder中的AttentionMask方法.mp450.89MB

6-query要预测的任务解读.mp445.61MB

5-Encoder特征构建方法实例.mp449.77MB

4-偏移量与权重计算并转换.mp448.78MB

3-多层级输入特征序列创建方法.mp443.83MB

2-多层级采样点初始化构建.mp441.46MB

13-汇总所有损失完成迭代.mp435.76MB

12-最终损失计算流程.mp452.29MB

11-标签分类匹配结果分析.mp462.04MB

10-正样本筛选损失计算.mp441.78MB

1-Backbone获取多层级特征.mp435.79MB

8-分割模型Maskformer系列1.27GB

1-分割模型Maskformer系列.mp41.27GB

7-医学⼼脏视频数据集分割建模实战315.86MB

6-补充：R(2plus1)D处理方法分析.mp418.88MB

5-补充：视频数据源特征处理方法概述.mp426.33MB

4-文献报告分析.mp4122.67MB

3-任务流程解读.mp469.12MB

2-项目基本配置参数.mp433.31MB

1-数据集与任务概述.mp445.55MB

6-基于deeplabV3+版本进⾏VOC分割实战0B

5-deeplab系列算法106.47MB

6-deeplabV3Plus版本网络架构.mp424.08MB

5-ASPP特征融合策略.mp413.45MB

4-SPP层的作用.mp419.02MB

3-感受野的意义.mp419.37MB

2-空洞卷积的作用.mp416.74MB

1-deeplab分割算法概述.mp413.81MB

4-U2NET显著性检测实战218.53MB

5-损失函数与应用效果.mp434.34MB

4-解码器输出结果.mp427.9MB

3-编码器模块解读.mp443.66MB

2-显著性检测任务与目标概述.mp453.96MB

1-任务目标与网络整体介绍.mp458.66MB

3-unet医学细胞分割实战284.93MB

6-模型效果验证.mp447.29MB

5-迭代完成整个模型计算任务.mp433.55MB

4-特征融合方法演示.mp430.05MB

3-Debug模式演示网络计算流程.mp441.37MB

2-数据增强工具.mp461.47MB

1-医学细胞数据集介绍与参数配置.mp471.21MB

2-Unet系列算法讲解68.54MB

4-后续升级版本介绍.mp418.37MB

3-Unet升级版本改进.mp415.75MB

2-网络计算流程.mp416.13MB

1-Unet网络编码与解码过程.mp418.29MB

12-基于MASK-RCNN框架训练自己的数据与任务209.07MB

6-测试与展示模块.mp438.6MB

5-基于标注数据训练所需任务.mp439.72MB

4-maskrcnn源码修改方法.mp463.56MB

3-完成训练数据准备工作.mp426.61MB

2-使用labelme进行数据与标签标注.mp426.29MB

1-Labelme工具安装.mp414.29MB

11-MaskRcnn网络框架源码详解380.35MB

9-正负样本选择与标签定义.mp427.59MB

8-DetectionTarget层的作用.mp425.7MB

7-Proposal层实现方法.mp433.31MB

6-候选框过滤方法.mp415.59MB

5-RPN层的作用与实现解读.mp430.9MB

4-基于不同尺度特征图生成所有框.mp432.93MB

3-生成框比例设置.mp428.25MB

2-FPN网络架构实现解读.mp455.77MB

12-整体框架回顾.mp428.86MB

11-RorAlign操作的效果.mp425.7MB

10-RoiPooling层的作用与目的.mp433.45MB

1-FPN层特征提取原理解读.mp442.31MB

10-物体检测框架-MaskRcnn项目介绍与配置228.51MB

3-开源项目数据集.mp497.85MB

2-开源项目数据集.mp442.48MB

1-Mask-Rcnn开源项目简介.mp488.18MB

1-图像分割及其损失函数概述49.27MB

3-MIOU评估标准.mp49.03MB

2-分割任务中的目标函数定义.mp420MB

1-语义分割与实例分割概述.mp420.24MB

6-综合项目-物体检测经典算法实战7.72GB

9-V5版本项目配置179.04MB

4-测试DEMO演示.mp450.47MB

3-训练数据参数配置.mp451.48MB

2-训练自己的数据集方法.mp441.32MB

1-整体项目概述.mp435.77MB

8-YOLO-V4版本算法解读188.03MB

9-SAM注意力机制模块.mp422.48MB

8-SPP与CSP网络结构.mp414.81MB

7-NMS细节改进.mp416.66MB

6-CIOU损失函数定义.mp410.82MB

5-损失函数遇到的问题.mp414.26MB

4-DropBlock与标签平滑方法.mp419.36MB

3-数据增强策略分析.mp424.7MB

2-V4版本贡献解读.mp410.06MB

11-激活函数与整体架构总结.mp419.19MB

10-PAN模块解读.mp420.64MB

1-V4版本整体概述.mp415.06MB

7-基于YOLO-V3训练自己的数据集与任务（建议直接跑V5版本）258.67MB

8-训练模型并测试效果.mp438.49MB

7-训练代码与参数配置更改.mp444.29MB

6-完成输入数据准备工作.mp440.1MB

5-json格式转换成yolo-v3所需输入.mp420.95MB

4-生成模型所需配置文件.mp436.71MB

3-完成标签制作.mp431.74MB

2-数据信息标注.mp432.09MB

1-Labelme工具安装.mp414.29MB

6-项目实战-基于V3版本进行源码解读（建议直接跑V5版本）630.33MB

9-预测结果计算.mp446MB

8-YOLO层定义解析.mp461.09MB

7-路由层与shortcut层的作用.mp433.72MB

6-基于配置文件构建网络模型.mp442.04MB

5-debug模式介绍.mp427.25MB

4-标签文件读取与处理.mp427.48MB

3-COCO图像数据读取与处理.mp442.51MB

2-训练参数设置.mp423.85MB

16-预测效果展示.mp434.51MB

15-模型训练与总结.mp472.91MB

14-完成所有损失函数所需计算指标.mp435.32MB

13-坐标相对位置计算.mp432.8MB

12-标签值格式修改.mp428.27MB

11-模型要计算的损失概述.mp423.14MB

10-网格偏移计算.mp433.92MB

1-数据与环境配置.mp465.52MB

5-YOLO-V3核心网络模型101.39MB

7-sotfmax层改进.mp410.61MB

6-先验框设计改进.mp413.04MB

5-整体网络模型架构分析.mp412.93MB

4-残差连接方法解读.mp418.64MB

3-经典变换方法对比分析.mp410.83MB

2-多scale方法改进与特征融合.mp417.07MB

1-V3版本改进概述.mp418.27MB

4-YOLO-V2改进细节详解157.17MB

8-特征融合改进.mp419.2MB

7-感受野的作用.mp428.11MB

6-坐标映射与还原.mp410.08MB

5-偏移量计算方法.mp427.55MB

4-基于聚类来选择先验框尺寸.mp424.24MB

3-架构细节解读.mp418.92MB

2-网络结构特点.mp415.69MB

1-V2版本细节升级概述.mp413.38MB

3-YOLO-V1整体思想与网络架构104.81MB

5-置信度误差与优缺点分析.mp426.86MB

4-位置损失计算.mp418.97MB

3-整体网络架构解读.mp430.67MB

2-检测算法要得到的结果.mp413.63MB

1-YOLO算法整体思路解读.mp414.68MB

2-深度学习经典检测⽅法概述83.42MB

5-map指标计算.mp419.63MB

4-评估所需参数计算.mp426.23MB

3-IOU指标计算.mp411.74MB

2-不同阶段算法优缺点分析.mp410.68MB

1-检测任务中阶段的意义.mp415.14MB

18-EfficientDet检测算法448.01MB

1-EfficientDet检测算法.mp4448.01MB

17-EfficientNet网络538.47MB

1-EfficientNet网络模型.mp4538.47MB

16-半监督物体检测824.82MB

1-半监督物体检测.mp4824.82MB

15-DeformableDetr算法解读1.55GB

1-DeformableDetr算法解读.mp41.55GB

14-detr目标检测源码解读378.31MB

9-损失函数与预测输出.mp441.18MB

8-输出预测结果.mp441.28MB

7-Decoder层操作与计算.mp430.15MB

6-编码层作用方法.mp442.86MB

5-mask与编码模块.mp434.75MB

4-backbone特征提取模块.mp435.62MB

3-位置编码作用分析.mp447.95MB

2-数据处理与dataloader.mp464.11MB

1-项目环境配置解读.mp440.42MB

13-基于Transformer的detr目标检测算法120.21MB

5-训练过程的策略.mp428.41MB

4-注意力机制的作用方法.mp420.85MB

3-位置信息初始化query向量.mp419.97MB

2-整体网络架构分析.mp431.64MB

1-DETR目标检测基本思想解读.mp419.35MB

12-V7源码解读819.36MB

9-得到偏移点所在网格位置.mp442.85MB

8-候选框偏移方法与find3p模块解读.mp433.7MB

7-标签分配策略准备操作.mp434.72MB

6-输出层与配置文件其他模块解读.mp460.88MB

5-各模块操作细节分析.mp449.07MB

4-网络结构配置文件解读.mp436.94MB

3-EMA等训练技巧解读.mp449.31MB

2-基本参数作用.mp440.8MB

19-重参数化多分支合并加速.mp443.19MB

18-BN与卷积权重参数融合方法.mp453.77MB

17-辅助头损失函数调整.mp439.28MB

16-辅助头AUX网络结构配置文件解析.mp431.05MB

15-损失函数计算方法.mp446.08MB

14-通过IOU与置信度分配正样本.mp460.44MB

13-GT匹配正样本数量计算.mp442.07MB

12-预测值各项指标获取与调整.mp447.03MB

11-候选框筛选流程分析.mp431.75MB

10-完成BuildTargets模块.mp451.4MB

1-命令行参数介绍.mp425.02MB

11-YOLO系列（V7）算法解读650.58MB

1-YOLO系列（V7）算法解读.mp4650.58MB

10-V5项目工程源码解读751.76MB

9-Focus模块流程分析.mp421.93MB

8-V5网络配置文件解读.mp435.74MB

7-网络架构图可视化工具安装.mp434.33MB

6-getItem构建batch.mp433.03MB

5-数据四合一方法与流程演示.mp441.69MB

4-Mosaic数据增强方法.mp428.19MB

3-加载标签数据.mp426.33MB

21-模型迭代过程.mp438.42MB

20-各种训练策略概述.mp438.43MB

2-图像数据源配置.mp434.65MB

19-训练流程解读.mp446.81MB

18-命令行参数介绍.mp444.26MB

17-超参数解读.mp434.94MB

16-输出结果分析.mp441.71MB

15-上采样与拼接操作.mp421.48MB

14-Head层流程解读.mp429.12MB

13-SPP层计算细节分析.mp429.17MB

12-BottleneckCSP层计算方法.mp433.82MB

11-前向传播计算.mp430.8MB

10-完成配置文件解析任务.mp458.8MB

1-数据源DEBUG流程解读.mp448.13MB

1-物体检测评估指标84.11MB

1-物体检测评估指标.mp484.11MB

5-Opencv图像处理框架实战3.18GB

9-项目实战-信用卡数字识别155.79MB

5-模板匹配得出识别结果.mp447.72MB

4-输入数据处理方法.mp428.88MB

3-模板处理方法.mp423.69MB

2-环境配置与预处理.mp434.85MB

1-总体流程与方法讲解.mp420.65MB

8-直方图与傅里叶变换174.59MB

6-低通与高通滤波.mp427.34MB

5-频域变换结果.mp426.26MB

4-傅里叶概述.mp438.79MB

3-均衡化效果.mp427.21MB

2-均衡化原理.mp431.35MB

1-直方图定义.mp423.64MB

7-图像金字塔与轮廓检测204.83MB

7-匹配效果展示.mp421.14MB

6-模板匹配方法.mp447.35MB

5-轮廓特征与近似.mp437.51MB

4-轮廓检测结果.mp434.37MB

3-轮廓检测方法.mp419.31MB

2-金字塔制作方法.mp425.47MB

1-图像金字塔定义.mp419.68MB

6-边缘检测73.92MB

3-边缘检测效果.mp436.63MB

2-非极大值抑制.mp418.32MB

1-Canny边缘检测流程.mp418.97MB

5-图像梯度计算84.69MB

3-scharr与lapkacian算子.mp427.39MB

2-梯度计算方法.mp430.29MB

1-Sobel算子.mp427MB

4-图像形态学操作66.29MB

5-礼帽与黑帽.mp415.88MB

4-梯度计算.mp47.85MB

3-开运算与闭运算.mp49.32MB

2-膨胀操作.mp412.25MB

1-腐蚀操作.mp420.99MB

3-阈值与平滑处理76.02MB

3-高斯与中值滤波.mp420.55MB

2-图像平滑处理.mp424.69MB

1-图像阈值.mp430.78MB

21-项目实战-疲劳检测0B

20-卷积原理与操作211.74MB

8-卷积操作流程.mp441.15MB

7-卷积效果演示.mp424.58MB

6-池化层原理.mp416.09MB

5-卷积参数共享.mp417.69MB

4-pading与stride.mp426.12MB

3-卷积计算过程.mp427.61MB

2-卷积层解释.mp422.31MB

1-卷积神经网络的应用.mp436.18MB

2-图像基本操作154.72MB

5-数值计算.mp440.04MB

4-边界填充.mp421.46MB

3-ROI区域.mp415.37MB

2-视频的读取与处理.mp446.97MB

1-计算机眼中的图像.mp430.88MB

19-项目实战-目标追踪304.87MB

6-多进程效率提升对比.mp478.13MB

5-多进程目标追踪.mp425.72MB

4-基于dlib与ssd的追踪.mp473.02MB

3-深度学习检测框架加载.mp443.62MB

2-多目标追踪实战.mp434.62MB

1-目标追踪概述.mp449.75MB

18-Opencv的DNN模块69.09MB

2-模型加载结果输出.mp440.5MB

1-dnn模块.mp428.59MB

17-光流估计130.04MB

4-光流估计实战.mp464.22MB

3-推导求解.mp425.94MB

2-Lucas-Kanade算法.mp419.67MB

1-基本概念.mp420.2MB

16-背景建模130.1MB

4-背景建模实战.mp451.17MB

3-学习步骤.mp431.75MB

2-混合高斯模型.mp426.39MB

1-背景消除-帧差法.mp420.79MB

15-项目实战-答题卡识别判卷136.35MB

4-选项判断识别.mp457.12MB

3-填涂轮廓检测.mp425.66MB

2-预处理操作.mp424.08MB

1-整体流程与效果概述.mp429.49MB

14-项目实战-停车场车位识别512.69MB

8-基于视频的车位检测.mp4135.61MB

7-识别模型构建.mp441.19MB

6-车位区域划分.mp457.33MB

5-按列划分区域.mp454.67MB

4-车位直线检测.mp461.44MB

3-图像数据预处理.mp456.75MB

2-所需数据介绍.mp434.31MB

1-任务整体流程.mp471.4MB

13-案例实战-全景图像拼接129.68MB

4-流程解读.mp421.65MB

3-图像拼接方法.mp444.96MB

2-RANSAC算法.mp434.5MB

1-特征匹配方法.mp428.56MB

12-图像特征-sift187.06MB

6-opencv中sift函数使用.mp428.8MB

5-特征向量生成.mp443.73MB

4-生成特征描述.mp424.66MB

3-特征关键点定位.mp448.15MB

2-高斯差分金字塔.mp421.68MB

1-尺度空间定义.mp420.04MB

11-图像特征-harris152.16MB

5-opencv角点检测效果.mp431.04MB

4-特征归属划分.mp443.23MB

3-求解化简.mp431.79MB

2-基本数学原理.mp430.58MB

1-角点检测基本原理.mp415.53MB

10-项目实战-文档扫描OCR识别178.5MB

6-文档扫描识别效果.mp428.86MB

5-tesseract-ocr安装配置.mp441.23MB

4-透视变换结果.mp432.87MB

3-原始与变换坐标计算.mp426.24MB

2-文档轮廓提取.mp427.81MB

1-整体流程演示.mp421.5MB

1-课程简介与环境配置123.05MB

3-Notebook与IDE环境.mp484.39MB

2-Python与Opencv配置安装.mp433.28MB

1-课程简介.mp45.37MB

4-深度学习框架PyTorch1.89GB

7-LSTM文本分类实战371.56MB

9-模型训练任务与总结.mp445.16MB

8-网络模型预测结果输出.mp439.11MB

7-LSTM网络结构基本定义.mp434.73MB

6-字符预处理转换ID.mp434.37MB

5-预料表与字符切分.mp431.98MB

4-训练模型所需基本配置参数分析.mp440.92MB

3-命令行参数与DEBUG.mp436.52MB

2-文本数据处理基本流程分析.mp455.97MB

1-数据集与任务目标分析.mp452.81MB

6-DataLoader自定义数据集制作212.96MB

4-实用Dataloader加载数据并训练模型.mp477.82MB

3-Dataloader中需要实现的方法分析.mp446.95MB

2-图像数据与标签路径处理.mp448.98MB

1-Dataloader要完成的任务分析.mp439.2MB

5-图像识别模型与训练策略（重点）553.46MB

9-重新训练全部模型.mp454.81MB

8-模型训练方法.mp452.6MB

7-优化器与学习率衰减.mp452.48MB

6-输出类别个数修改.mp449.06MB

5-输出层与梯度设置.mp461.42MB

4-迁移学习方法解读.mp444.66MB

3-数据集与模型选择.mp445.32MB

2-数据增强模块.mp440.5MB

10-测试结果演示分析.mp4110.98MB

1-任务分析与图像数据基本处理.mp441.62MB

4-卷积网络参数解读分析129.09MB

3-卷积网络模型训练.mp455.14MB

2-卷积网络参数解读.mp431.46MB

1-输入特征通道分析.mp442.48MB

3-神经网络回归任务-气温预测198.56MB

1-神经网络回归任务-气温预测.mp4198.56MB

2-使用神经网络进行分类任务334.09MB

7-参数对结果的影响.mp451.65MB

6-训练一个基本的分类模型.mp454.59MB

5-损失与训练模块分析.mp442.31MB

4-数据源定义简介.mp438.98MB

3-网络结构定义方法.mp455.6MB

2-基本模块应用测试.mp447.62MB

1-数据集与任务概述.mp443.34MB

1-PyTorch框架介绍与配置安装133.81MB

2-CPU与GPU版本安装方法解读.mp4100.57MB

1-PyTorch框架与其他框架区别分析.mp433.24MB

30-2024Ai必会Agent(应用解读+项目实战)1.61GB

071-3-微调要解决的问题 .mp414.59MB

070-2-RAG实践策略 .mp416.47MB

069-1-RAG与微调可以解决与无法解决的问题 .mp419.56MB

068-5-效果演示与总结分析 .mp429.12MB

067-4-训练流程演示 .mp443.75MB

066-3-源码调用DEBUG解读 .mp435.11MB

065-2-项目数据解读 .mp437.77MB

064-1-提示工程的作用 .mp437.72MB

063-5-LORA模型实现细节 .mp436.76MB

062-4-LORA微调的核心思想 .mp420.57MB

061-3-LLAMA与LORA介绍 .mp427.13MB

060-2-LLM落地微调分析 .mp433.7MB

059-1-大模型如何做下游任务 .mp427.81MB

058-3-效果分析与总结 .mp441.43MB

057-2-MOE模块实现方法解读 .mp429.67MB

056-1-MOE概述分析 .mp419.57MB

055-5-数据切块方法 .mp440.65MB

054-4-样本索引与向量构建 .mp439.13MB

053-3-数据文档切分操作 .mp435.52MB

052-2-基本API调用方法 .mp440.13MB

051-1-langchain框架解读 .mp420.18MB

050-10-项目环境配置方法解读 .mp439.58MB

049-9-思考模块解读 .mp440.37MB

048-8-感知模块解读 .mp438.05MB

047-7-整体流程框架图 .mp419.73MB

046-6-计划模块实现细节 .mp429.96MB

045-5-感知与反思模块构建流程 .mp421.35MB

044-4-Agent的记忆信息 .mp461.9MB

043-3-论文基本框架分析 .mp481.31MB

042-2-要解决的问题和整体框架分析 .mp448.8MB

041-1-整体故事解读 .mp435.47MB

040-6-外接本地数据库工具 .mp419.47MB

039-5-评估工具RAGAS .mp434.62MB

038-4-召回改进方案解读 .mp423.11MB

037-3-召回优化策略分析 .mp417.57MB

036-2-RAG整体流程解读 .mp418.02MB

035-1-RAG要完成的任务解读 .mp414.28MB

034-5-总结与结果输出 .mp423.43MB

033-4-子问题生成总结结果 .mp447.26MB

032-3-检索得到重要的URL .mp430.41MB

031-2-问题拆解与执行流程 .mp461.54MB

030-1-Agent要完成的任务和业务逻辑定义 .mp445.89MB

029-0-基本Agent的组成 .mp443.11MB

028-9-定时器任务流程解读分析 .mp444.89MB

027-8-定时器任务环境配置 .mp436.54MB

026-7-多动作配置方法 .mp418.19MB

025-6-单动作智能体实现方法 .mp420.16MB

024-5-基础解读-角色定义 .mp413.34MB

023-4-基础解读-动作定义方式 .mp415.72MB

022-3-项目环境配置 .mp460.39MB

3-深度学习必备核⼼算法2.65GB

4-VIT源码解读878.23MB

1-VIT源码解读.mp4878.23MB

3-Transformer557.22MB

1-Transformer.mp4557.22MB

2-卷积神经网络676.23MB

1-卷积神经网络.mp4676.23MB

1-神经网络结构604.62MB

1-神经网络结构.mp4604.62MB

29-论文创新点常用方法及其应用实例725.13MB

1-通用创新点725.13MB

9-CrossAttention融合特征.mp420.5MB

8-ProbAttention(采样策略).mp423.58MB

7-Deformable(替换selfAttention).mp444.9MB

6-mobileOne(加速).mp445.26MB

5-SPP改进.mp417.03MB

4-SPD（可替换下采样）.mp445.03MB

3-Coordinate_attention.mp474.92MB

2-GCnet(全局特征融合).mp474.35MB

18-在源码中加入各种注意力机制方法.mp4122.48MB

17-可变形卷积加入方法.mp423.44MB

16-自己数据集如何发的好(要开源).mp445.07MB

15-只能机器学习模型时凑工作量（特征工程）.mp46.02MB

14-Coarse2Fine大框架.mp440.53MB

13-自适应可学习参数.mp414.27MB

12-损失函数约束项.mp48.42MB

11-结合GNN构建局部特征.mp425.87MB

10-Attention额外加入先验知识.mp47.42MB

1-ACMIX（卷积与注意力融合）.mp486.05MB

28-推荐系统实战系列0B

27-语音识别实战系列1.73GB

7-语音合成tacotron最新版实战585.77MB

9-注意力机制应用方法.mp443.71MB

8-解码器流程梳理.mp441.4MB

7-解码器输入准备.mp434.57MB

6-得到编码特征向量.mp428.54MB

5-编码层要完成的任务.mp446.37MB

4-Dataloader构建数据与标签.mp466.68MB

3-路径配置与整体流程解读.mp470.15MB

2-所需数据集介绍.mp452.73MB

12-损失函数与预测.mp447.96MB

11-模型输出结果.mp453.26MB

10-得到加权的编码向量.mp455.86MB

1-语音合成项目所需环境配置.mp444.55MB

6-ConvTasnet语音分离实战384.82MB

8-测试模块所需参数.mp442.42MB

7-解码得到分离后的语音.mp452.59MB

6-构建更大的感受区域.mp453.48MB

5-编码器特征提取.mp455.01MB

4-采样数据特征编码.mp437.67MB

3-DataLoader定义.mp438.03MB

2-训练任务所需参数介绍.mp427.66MB

1-数据准备与环境配置.mp477.96MB

5-语音分离ConvTasnet模型114.54MB

6-基于Mask得到分离结果.mp419.25MB

5-DW卷积的作用与效果.mp410.17MB

4-TasNet编码器结构分析.mp441.61MB

3-DeepClustering论文解读.mp416.26MB

2-经典语音分离模型概述.mp418.09MB

1-语音分离任务分析.mp49.16MB

4-staeganvc2变声器源码实战0B

3-starganvc2变声器论文原理解读247.59MB

7-判别器模块分析.mp4114.03MB

6-AdaIn的目的与效果.mp413.18MB

5-InstanceNorm的作用解读.mp418.58MB

4-生成器模型架构分析.mp415.81MB

3-语音特征提取.mp430.57MB

2-VCC2016输入数据.mp420.76MB

1-论文整体思路与架构解读.mp434.66MB

2-LAS模型语音识别实战339.23MB

9-解码器与训练过程演示.mp443.78MB

8-计算得到每个输出的attention得分.mp436.42MB

7-加入注意力机制.mp433.29MB

6-编码器模块整体流程.mp431.43MB

5-Pack与Pad操作解析.mp435.92MB

4-声音数据处理模块解读.mp462.84MB

3-制作json标注数据.mp437.84MB

2-语料表制作方法.mp425.47MB

1-数据源与环境配置.mp432.23MB

1-seq2seq序列网络模型102.07MB

6-额外补充-RNN网络模型解读.mp423.75MB

5-TeacherForcing的作用与训练策略.mp416.61MB

4-加入attention的序列模型整体架构.mp420.57MB

3-注意力机制的作用.mp414.86MB

2-工作原理概述.mp48.98MB

1-序列网络模型概述分析.mp417.3MB

26-知识图谱实战系列1.99GB

8-医学糖尿病数据命名实体识别235.75MB

6-医疗数据集（糖尿病）实体识别.mp481.44MB

5-训练网络模型.mp440.37MB

4-输入样本填充补齐.mp436.22MB

3-数据-标签-语料库处理.mp439.99MB

2-整体模型架构.mp415.01MB

1-数据与任务介绍.mp422.73MB

7-金融平台风控模型实践304.36MB

7-图中联系人特征.mp470.31MB

6-app安装特征.mp437.41MB

5-各项统计特征.mp456.04MB

4-deepwalk构建图顶点特征.mp453.48MB

3-节点权重特征提取(PageRank).mp435.54MB

2-图模型信息提取.mp427.76MB

1-竞赛任务目标.mp423.81MB

6-文本关系抽取实践330.64MB

8-设计规则完成关系抽取.mp452.47MB

7-语义角色构建与分析.mp454.17MB

6-句法分析结果整理.mp439.09MB

5-依存句法概述.mp430.83MB

4-得到分词与词性标注结果.mp447.19MB

3-pyltp安装与流程演示.mp441.82MB

2-LTP工具包概述介绍.mp446.52MB

1-关系抽取要完成的任务演示与分析.mp418.57MB

5-基于知识图谱的医药问答系统实战449.43MB

9-实体关键词字典制作.mp431.84MB

8-加载所有实体数据.mp442.46MB

7-打造医疗知识图谱模型.mp459.14MB

6-创建关系边.mp439.41MB

5-提取数据中的关键字段信息.mp461.33MB

4-环境配置与所需工具包安装.mp436.37MB

3-任务流程概述.mp439.73MB

2-医疗数据介绍及其各字段含义.mp462.65MB

10-完成对话系统构建.mp439.47MB

1-项目概述与整体架构分析.mp437.04MB

4-使用python操作neo4j实例195.6MB

4-根据给定实体创建关系.mp451.03MB

3-在图中创建实体.mp443.83MB

2-提取所需的指标信息.mp453.17MB

1-使用Py2neo建立连接.mp447.58MB

3-Neo4j数据库实战187.21MB

5-数据库更改查询操作演示.mp427.14MB

4-创建与删除操作演示.mp425.32MB

3-可视化例子演示.mp443.59MB

2-Neo4j数据库安装流程演示.mp427.67MB

1-Neo4j图数据库介绍.mp463.5MB

2-知识图谱涉及技术点分析133.26MB

6-图谱知识融合与总结分析.mp423.98MB

5-视觉领域图编码实例.mp420.97MB

4-金融领域图编码实例.mp412.77MB

3-graph-embedding的作用与效果.mp426.15MB

2-常用NLP技术点分析.mp422.09MB

1-数据关系抽取分析.mp427.31MB

1-知识图谱介绍及其应用领域分析205.68MB

5-数据获取分析.mp435.93MB

4-金融与推荐领域的应用.mp420.39MB

3-知识图谱在医疗领域应用实例.mp4102.89MB

2-知识图谱在搜索引擎中的应用.mp426.6MB

1-知识图谱通俗解读.mp419.87MB

25-自然语言处理通用框架-BERT实战2.34GB

8-医学糖尿病数据命名实体识别0B

7-必备基础知识点-RNN网络架构与情感分析应用实例882.63MB

8-LSTM情感分析.mp4576.33MB

7-训练与测试效果.mp491.77MB

6-构建LSTM网络模型.mp446.69MB

5-正负样本数据读取.mp436.78MB

4-加载词向量特征.mp432.32MB

3-项目流程解读.mp442.18MB

2-NLP应用领域与任务简介.mp432.82MB

1-RNN网络模型解读.mp423.75MB

6-必备基础-掌握Tensorflow如何实现word2vec模型223.5MB

5-可视化展示.mp449.61MB

4-网络训练.mp449.09MB

3-batch数据制作.mp451.53MB

2-数据清洗.mp427.6MB

1-数据与任务流程.mp445.67MB

5-必备基础知识点-woed2vec模型通俗解读119.15MB

5-负采样方案.mp429.51MB

4-CBOW与Skip-gram模型.mp423.83MB

3-训练数据构建.mp415.85MB

2-模型整体框架.mp428.24MB

1-词向量模型通俗解释.mp421.72MB

4-项目实战-基于BERT的中文命名实体识别识别实战162.98MB

3-构建BERT与CRF模型.mp466.46MB

2-NER标注数据处理与读取.mp466.07MB

1-命名实体识别数据分析与任务目标.mp430.45MB

3-项目实战-基于BERT的中文情感分析实战208.9MB

3-训练BERT中文分类模型.mp472.29MB

2-读取处理自己的数据集.mp453.09MB

1-中文分类数据与任务概述.mp483.53MB

2-谷歌开源项目BERT源码解读与应用实例574.02MB

9-mask机制的作用.mp436.78MB

8-加入位置编码特征.mp423.61MB

7-加入额外编码特征.mp442.45MB

6-Embedding层的作用.mp430.98MB

5-tfrecord数据源制作.mp451.5MB

4-数据预处理模块.mp440.1MB

3-数据读取模块.mp454.26MB

2-项目参数配置.mp4106.78MB

12-训练BERT模型.mp454.66MB

11-完成Transformer模块构建.mp440.81MB

10-构建QKV矩阵.mp450.77MB

1-BERT开源项目简介.mp441.33MB

1-自然语言处理通用框架BERT原理解读227.29MB

9-transformer整体架构梳理.mp422.34MB

8-位置编码与多层堆叠.mp416.84MB

7-Multi-head的作用.mp419.37MB

6-特征分配与softmax机制.mp421.32MB

5-self-attention计算方法.mp423.8MB

4-注意力机制的作用.mp414.78MB

3-传统解决方案遇到的问题.mp422.69MB

2-BERT任务目标概述.mp411.52MB

11-训练实例.mp424.18MB

10-BERT模型训练方法.mp420.67MB

1-BERT课程简介.mp429.78MB

24-时间序列预测691.81MB

3-Timesnet时序预测500.41MB

8-傅里叶变换流程.mp433.97MB

7-源码流程解读.mp454.1MB

6-周期间特征分析.mp474.13MB

5-全部计算流程解读.mp466.52MB

4-计算公式流程拆解.mp452.93MB

3-时序特征周期拆解.mp472.51MB

2-论文核心思想解读.mp464.34MB

1-时序预测故事背景.mp481.92MB

2-Informer源码解读0B

1-Informer原理解读191.39MB

7-解码器流程分析.mp424.85MB

6-编码器全部计算流程.mp424.05MB

5-probAttention计算流程.mp431.4MB

4-Query采样方法解读.mp423.11MB

3-论文要解决的问题分析.mp430.47MB

2-常用模块分析.mp424.25MB

1-时间序列预测要完成的任务.mp433.27MB

23-自然语言处理必备神器Huggingface系列实战1.43GB

9-文本摘要建模258.06MB

4-训练自己标注的数据并测试.mp427.68MB

3-文本摘要数据标注方法.mp455.92MB

2-模型训练与测试结果.mp4108.1MB

1-中文商城评价数据处理方法.mp466.36MB

8-GPT训练与预测部署流程289.69MB

5-部署与网页预测展示.mp479.57MB

4-模型训练过程.mp451.48MB

3-训练所需参数解读.mp457.68MB

2-数据样本生成方法.mp472.04MB

1-生成模型可以完成的任务概述.mp428.91MB

7-GPT系列算法353.7MB

8-DEMO应用演示.mp498.82MB

7-应用场景CODEX分析.mp436.5MB

6-GPT3的提示与生成方法.mp474.39MB

5-采样策略与多样性.mp428.2MB

4-GPT第二代版本训练策略.mp428.94MB

3-GPT初代版本要解决的问题.mp430.99MB

2-GPT三代版本分析.mp429.33MB

1-GPT系列算法概述.mp426.53MB

6-文本预训练模型构建实例175.65MB

3-预训练模型自定义训练.mp497.91MB

2-文本数据截断处理.mp445.78MB

1-预训练模型效果分析.mp431.96MB

5-文本标注工具与NER实例234.94MB

6-模型训练与输出结果预测.mp443.06MB

5-预训练模型加载与参数配置.mp441.5MB

4-标签处理并完成对齐操作.mp438.62MB

3-标注导出与BIO处理.mp439.39MB

2-命名实体识别任务标注方法实例.mp439.35MB

1-文本标注工具Doccano配置方法.mp433.01MB

4-BERT系列算法解读150.4MB

5-DistilBert模型解读.mp416.06MB

4-RoBerta模型训练方法解读.mp428.45MB

3-ALBERT中的简化方法解读.mp443.38MB

2-ALBERT基本定义.mp438.6MB

1-BERT模型训练方法解读.mp423.92MB

3-transformer原理解读0B

2-Transformer工具包基本操作实例解读0B

11-补充Huggingface数据集制作方法实例0B

10-图谱知识抽取实战0B

1-Huggingface与NLP介绍解读0B

22-自然语言处理经典案例实战0B

21-深度学习模型部署与剪枝优化实战0B

20-面向医学领域的深度学习实战0B

2-AI课程所需安装软件教程0B

19-CV与NLP经典大模型解读0B

18-强化学习与AI黑科技实例0B

17-对抗生成网络实战0B

16-行人重识别实战0B

15-缺陷检测实战0B

14-对比学习与多模态任务实战0B

13-面向深度学习的无人驾驶实战0B

12-3D点云实战0B

11-图神经网络实战0B

10-2022论⽂必备-Transformer实战系列0B

1-直播回放0B

0-机器学习0B

课件.exe2.5GB

课件.e51.exe1.72GB

课件.e50.exe2.5GB

课件.e49.exe2.5GB

课件.e48.exe2.5GB

课件.e47.exe2.5GB

课件.e46.exe2.5GB

课件.e45.exe2.5GB

课件.e44.exe2.5GB

课件.e43.exe2.5GB

课件.e42.exe2.5GB

课件.e41.exe2.5GB

课件.e40.exe2.5GB

课件.e39.exe2.5GB

课件.e38.exe2.5GB

课件.e37.exe2.5GB

课件.e36.exe2.5GB

课件.e35.exe2.5GB

课件.e34.exe2.5GB

课件.e33.exe2.5GB

课件.e32.exe2.5GB

课件.e31.exe2.5GB

课件.e30.exe2.5GB

课件.e29.exe2.5GB

课件.e28.exe2.5GB

课件.e27.exe2.5GB

课件.e26.exe2.5GB

课件.e25.exe2.5GB

课件.e24.exe2.5GB

课件.e23.exe2.5GB

课件.e22.exe2.5GB

课件.e21.exe2.5GB

课件.e20.exe2.5GB

课件.e19.exe2.5GB

课件.e18.exe2.5GB

课件.e17.exe2.5GB

课件.e16.exe2.5GB

课件.e15.exe2.5GB

课件.e14.exe2.5GB

课件.e13.exe2.5GB

课件.e12.exe2.5GB

课件.e11.exe2.5GB

课件.e10.exe2.5GB

课件.e09.exe2.5GB

课件.e08.exe2.5GB

课件.e07.exe2.5GB

课件.e06.exe2.5GB

课件.e05.exe2.5GB

课件.e04.exe2.5GB

网站声明：
1. 本站链接通过程序自动收集互联网公开分享链接，本站不储存、复制、传播任何网盘文件，也不提供下载服务。
2. 本站遵守相关法律法规，坚决杜绝一切违规不良信息，如您发现任何涉嫌违规的网盘信息，请立即向网盘官方网站举报，并及时反馈给我们进行屏蔽删除。同时您必须了解并同意本站《用户协议》，严禁搜索非法关键词。
3. 本站高度重视知识产权保护和个人隐私保护，如有网盘链接侵犯您的合法权益，请立即向网盘官方网站举报，并参见本站《版权说明》提供书面材料联系我们屏蔽删改。
4. 本站作为非经营性网站，所有服务仅供学习交流使用。

{{userData.name}}已认证

【咕泡学院】人工智能深度学习系统班(第09期录播)