2024路飞Python人工智能AI工程师(46.18GB)-百度网盘资源下载-搜课100

这是一个全面的人工智能与Python工程师课程体系，内容涵盖从Python编程基础到高级AI应用的完整路径。课程分为多个模块，包括Python快速入门、数据科学工具包(NumPy、Pandas、Matplotlib、Seaborn)、机器学习必备数学基础、机器学习算法精讲与案例应用、数据挖掘项目实战、深度学习框架(TensorFlow与PyTorch)、计算机视觉(OpenCV)、自然语言处理(NLP)以及语音识别等核心领域。通过系统学习，学员将掌握从数据处理、模型构建到实际部署的全栈AI技能，并能够胜任各类AI工程师岗位要求。

📢 以下文件由百度网盘用户[us****伍贰柒]于2025-09-11分享（只展示部分的文件和文件夹）

2024路飞 Python 人工智能AI工程师46.18GB

路飞人工智能课件6.26GB

Python高级全部课件6.26GB

9-11模块549.56MB

第9模块：TF与Torch0B

Tensorflow2版本0B

PyTorch框架实战0B

第11模块：CV项目0B

YOLO-V3-PyTorch0B

MASK-RCNN0B

第10模块：opencv计算机视觉实战549.56MB

第十章：项目实战-文档扫描OCR识别.zip44.94MB

第十五章：项目实战-答题卡识别判卷.zip3.07MB

第十四章：项目实战-停车场车位识别.zip111.34MB

第十三章：案例实战-全景图像拼接.zip829.49KB

第十九章：项目实战-目标追踪.zip125.33MB

第十八章：Opencv的DNN模块.zip49.62MB

第九章：项目实战-信用卡数字识别.zip548.1KB

第二十章：卷积原理与操作.zip24.47KB

第二十一章：项目实战-疲劳检测.zip74.15MB

第二十一章：人脸关键点定位.zip69.75MB

第八章notebook课件.zip1.29MB

第2-7章notebook课件.zip7.28MB

第16-17章notebook课件.zip9.37MB

第11-12章notebook课件.zip52.05MB

6-8模块624.99MB

第8模块：深度学习入门11.16MB

LSTM情感分析0B

神经网络新.pdf5.99MB

神经网络-代码实现.zip5.16MB

第7模块：数据挖掘竞赛-优胜解决方案0B

第一章：快手用户活跃度预测0B

第五章：医学糖尿病数据命名实体识别0B

第四章：特征工程建模可解释工具包0B

第十章：机器学习项目实战模板0B

第三章：智慧城市道路通行时间预测0B

第七章：新闻关键词抽取模型0B

第六章：贷款平台风控模型-特征工程0B

第九章：用电敏感客户分类0B

第二章：工业化生产预测0B

第八章：数据特征常用构建方法0B

第6模块：Python数据分析与机器学习实战集锦613.83MB

第七章：NLP常用工具包0B

第一章：Python实战关联规则.zip22.86MB

第五章：绝地求生数据集探索分析与建模.zip345.95MB

第四章：商品销售额回归分析.zip93.33MB

第十章：数据特征预处理.zip1.1MB

第十一章：银行客户还款可能性预测.zip36.57MB

第十二章：图像特征聚类分析实践.zip12.31MB

第三章：基于相似度的酒店推荐系统.zip1.81MB

第六章：机器学习-模型解释方法实战.zip4.66MB

第九章：自然语言处理特征提取方法对比.zip1.22MB

第二章：爱彼迎数据集分析与建模.zip91.87MB

第八章：NLP核心模型-word2vec.zip2.15MB

15-16模块1.26GB

第16模块：深度学习-语音识别实战1.26GB

论文0B

基础补充0B

PPT0B

语音识别LAS模型.zip420.12MB

语音合成tacotron2实战.zip302.43MB

语音分离Conv-TasNet.zip84.38MB

变声器pytorch-StarGAN-VC2.zip484.93MB

第15模块：自然语言处理(Python版)0B

第五章：贝叶斯算法0B

第四章：商品信息与文本可视化0B

第十四章：NLP方法对比0B

第三章：Pandas工具包实战0B

第六章：贝叶斯算法-新闻分类任务0B

第九章：神经网络算法0B

第二章：NLP常用工具包0B

第7-8章：HMM实战0B

第28-32章：基于Keras的项目实战0B

第17-27章：基于Tensorflow的项目实战0B

第15-16：CNN与RNN网络0B

第10-13章：word2vec词向量实战0B

12-14模块3.35GB

第14模块：自然语言处理BERT模型实战0B

第一章：自然语言处理通用框架BERT原理解读0B

第五章：必备基知识点-word2vec模型通俗解读0B

第四章：项目实战-基于BERT的中文命名实体识别实战0B

第三章：项目实战-基于BERT的中文情感分析实战0B

第七章：必备基础知识点-RNN网络架构与情感分析应用实例0B

第六章：必备基础-掌握Tensorflow如何实现word2vec模型0B

第二章：谷歌开源项目BERT源码解读与应用实例0B

第八章：医学糖尿病数据命名实体识别0B

第13模块：行人重识别0B

第一章：行人重识别原理及其应用0B

第五章：项目实战-基于行人局部特征融合的再识别实战0B

第四章：经典会议算法精讲（特征融合）0B

第十章：基础补充-PyTorch图像识别实例0B

第三章：基于Attention的行人重识别项目实战0B

第七章：基于拓扑图的行人重识别项目实战0B

第六章：旷视研究院最新算法解读（基于图模型）0B

第九章：基础补充-PyTorch框架基本处理操作0B

第二章：基于注意力机制的ReId模型论文解读0B

第八章：算法补充-卷积神经网络原理与参数解读0B

第12模块：深度学习-对抗生成网络-实战系列3.35GB

第五章：基于starganvc2的变声器论文原理解读0B

第三章：stargan算法论文解析0B

第七章：图像超分辨率重构实战0B

第八章：基于GAN的图像补全实战0B

第一章：对抗生成网络架构原理与实战解析.zip35.28MB

第四章：stargan项目实战及其源码解读.zip869.44MB

第十章：基础补充-TF2版本卷积实例.zip66.23MB

第六章：starganvc2变声器项目实战及其源码解读.zip485MB

第九章：基础补充-PyTorch卷积模型实例.zip336.95MB

第二章：基于CycleGan开源项目实战图像合成.zip1.6GB

1-5模块510.2MB

第5模块：机器学习算法建模实战499.49MB

项目实战-交易数据异常检测0B

时间序列0B

基于随机森林的气温预测0B

基于贝叶斯的新闻分类实战0B

Python实现音乐推荐系统0B

京东购买意向预测.zip499.49MB

第4模块：机器学习实训营（原理+复现+实验）0B

mldata0B

9-聚类算法实验分析0B

8-Kmeans代码实现0B

7-聚类算法-Kmeans&Dbscan原理0B

6-逻辑回归实验分析0B

5-逻辑回归代码实现0B

31-HMM应用实例0B

30-隐马尔科夫模型0B

3-线性回归实验分析0B

3-模型评估方法0B

29-主成分分析降维算法解读0B

27.28-主成分分析与线性判别分析0B

26-打造音乐推荐系统0B

25-推荐系统原理0B

24-代码实现word2vec词向量模型0B

23-词向量word2vec通俗解读0B

22-关联规则代码实现0B

21-关联规则实战分析0B

20-贝叶斯代码实现0B

2-线性回归代码实现0B

19-贝叶斯算法原理0B

18-神经网络代码实现0B

17-神经网络算法原理0B

16-支持向量机实验分析0B

15-支持向量机原理推导0B

14-集成算法实验分析0B

13-集成算法原理0B

12-决策树实验分析0B

11-决策树代码实现0B

10-决策树原理0B

1-线性回归原理推导0B

第3模块：数学基础10.71MB

统计分析0B

微积分.pdf960.85KB

梯度.pdf702.08KB

特征值与特征向量.pdf386.91KB

泰勒公式.pdf777.52KB

似然函数.pdf384.36KB

熵.pdf267.74KB

拉格朗日乘子法.pdf599.32KB

矩阵.pdf1.32MB

激活函数.pdf264.4KB

后验概率估计.pdf230.81KB

核函数.pdf477.72KB

高等数学.pdf1.12MB

概率论.pdf2.33MB

概率分布与概率密度.pdf640.21KB

SVD.pdf396.61KB

第1，2模块：Python数据科学必备库（4个）0B

Seaborn0B

Python基础0B

Pandas0B

Numpy0B

Matplotlib0B

第16模块：语音识别核心项目实战（新）1.82GB

7.9 注意力机制应用方法_ev.mp436.81MB

7.8 解码器流程梳理_ev.mp430.17MB

7.7 解码器输入准备_ev.mp424.83MB

7.6 得到编码特征向量_ev.mp420.39MB

7.5 编码层要完成的任务_ev.mp432.77MB

7.4 Dataloader构建数据与标签_ev.mp452.49MB

7.3 路径配置与整体流程解读_ev.mp444.73MB

7.2 所需数据集介绍_ev.mp432.17MB

7.12 损失函数与预测_ev.mp434.14MB

7.11 模型输出结果_ev.mp439.85MB

7.10 得到加权的编码向量_ev.mp437.95MB

7.1 语音合成项目所需环境配置_ev.mp433.78MB

6.8 测试模块所需参数_ev.mp432MB

6.7 解码得到分离后的语音_ev.mp435.07MB

6.7 解码得到分离后的语音-1698817392_ev.mp435.07MB

6.6 构建更大的感受区域_ev.mp437.22MB

6.6 构建更大的感受区域-1698817387_ev.mp437.22MB

6.5 编码器特征提取_ev.mp439.83MB

6.5 编码器特征提取-1698817381_ev.mp439.83MB

6.4 采样数据特征编码_ev.mp427.92MB

6.4 采样数据特征编码-1698817375_ev.mp427.92MB

6.3 DataLoader定义_ev.mp425.28MB

6.3 DataLoader定义-1698817371_ev.mp425.28MB

6.2 训练任务所需参数介绍_ev.mp420.86MB

6.2 训练任务所需参数介绍-1698817367_ev.mp420.86MB

6.1 数据准备与环境配置_ev.mp456.78MB

5.6 基于Mask得到分离结果_ev.mp413.82MB

5.5 DW卷积的作用与效果_ev.mp48.33MB

5.4 TasNet编码器结构分析_ev.mp430.89MB

5.3 DeepClustering论文解读_ev.mp412.45MB

5.2 经典语音分离模型概述_ev.mp414.03MB

5.1 语音分离任务分析_ev.mp47.07MB

4.9 论文损失函数_ev.mp484.1MB

4.8 判别器模块解读_ev.mp424.46MB

4.7 生成器前向传播维度变化_ev.mp419.47MB

4.6 starganvc2版本标签输入分析_ev.mp425.38MB

4.5 下采样与上采样操作_ev.mp424.8MB

4.4 生成器构造模块解读_ev.mp429.56MB

4.3 数据预处理与声音特征提取_ev.mp460.67MB

4.2 环境配置与工具包安装_ev.mp429.06MB

4.11 测试模块生成转换语音_ev.mp434.99MB

4.10 源码损失计算流程_ev.mp427.66MB

4.1 数据与项目文件解读_ev.mp416.5MB

3.7 判别器模块分析_ev.mp485.51MB

3.6 AdaIn的目的与效果_ev.mp410.17MB

3.5 InstanceNorm的作用解读_ev.mp414.53MB

3.4 生成器模型架构分析_ev.mp411.62MB

3.3 语音特征提取_ev.mp423.77MB

3.2 VCC2016输入数据_ev.mp415.73MB

3.1 论文整体思路与架构解读_ev.mp427.6MB

2.9 解码器与训练过程演示_ev.mp431.12MB

2.8 计算得到每个输出的attention得分_ev.mp426.55MB

2.7 加入注意力机制_ev.mp423.83MB

2.6 编码器模块整体流程_ev.mp422.24MB

2.5 Pack与Pad操作解析_ev.mp426.01MB

2.4 声音数据处理模块解读_ev.mp442.17MB

2.3 制作json标注数据_ev.mp428.93MB

2.2 语料表制作方法_ev.mp418.22MB

2.1 数据源与环境配置_ev.mp423.85MB

1.6 额外补充.RNN网络模型解读_ev.mp420.2MB

1.5 TeacherForcing的作用与训练策略_ev.mp413.47MB

1.4 加入attention的序列模型整体架构_ev.mp417.14MB

1.3 注意力机制的作用_ev.mp411.96MB

1.2 工作原理概述_ev.mp47.2MB

1.1 序列网络模型概述分析_ev.mp414.96MB

第15模块：NLP通用框架BERT项目实战（新）2.41GB

9.6 课时BERT系列与NER实例_ev.mp4393.13MB

9.5 课时Huggingface工具使用_ev.mp4480MB

9.4 课时训练自己标注的数据并测试_ev.mp420.67MB

9.3 课时文本摘要数据标注方法_ev.mp445.39MB

9.2 课时模型训练与测试结果_ev.mp471.02MB

9.1 课时中文商城评价数据处理方法_ev.mp449.36MB

8.6 医疗数据集（糖尿病）实体识别_ev.mp464.87MB

8.5 训练网络模型_ev.mp427.37MB

8.4 输入样本填充补齐_ev.mp424.83MB

8.3 数据-标签-语料库处理_ev.mp426.36MB

8.2 整体模型架构_ev.mp411.92MB

8.1 数据与任务介绍_ev.mp416.51MB

7.7 训练与测试效果_ev.mp461.91MB

7.6 构建LSTM网络模型_ev.mp433.12MB

7.5 正负样本数据读取_ev.mp427.97MB

7.4 加载词向量特征_ev.mp423.41MB

7.3 项目流程解读_ev.mp430.67MB

7.2 NLP应用领域与任务简介_ev.mp425.05MB

7.1 RNN网络模型解读_ev.mp418.86MB

6.5 可视化展示_ev.mp429.21MB

6.4 网络训练_ev.mp434.53MB

6.3 batch数据制作_ev.mp435.01MB

6.2 数据清洗_ev.mp419.78MB

6.1 数据与任务流程_ev.mp432.4MB

5.5 负采样方案_ev.mp424.03MB

5.4 CBOW与Skip-gram模型_ev.mp420.39MB

5.3 训练数据构建_ev.mp413.52MB

5.2 模型整体框架_ev.mp423.72MB

5.1 词向量模型通俗解释_ev.mp417.42MB

4.3 构建BERT与CRF模型_ev.mp441.87MB

4.2 NER标注数据处理与读取_ev.mp444.78MB

4.1 命名实体识别数据分析与任务目标_ev.mp422.96MB

3.3 训练BERT中文分类模型_ev.mp442.91MB

3.2 读取处理自己的数据集_ev.mp435.15MB

3.1 中文分类数据与任务概述_ev.mp440.72MB

2.9 mask机制_ev.mp422.99MB

2.8 加入位置编码特征_ev.mp415.03MB

2.7 加入额外编码特征_ev.mp427.58MB

2.6 Embedding层的作用_ev.mp419.79MB

2.5 tfrecord制作_ev.mp433.09MB

2.4 数据预处理模块_ev.mp425.93MB

2.3 数据读取模块_ev.mp433.17MB

2.2 项目参数配置_ev.mp462.82MB

2.12 训练BERT模型_ev.mp434.83MB

2.11 完成Transformer模块构建_ev.mp426.63MB

2.10 构建QKV矩阵_ev.mp433.57MB

2.1 BERT开源项目简介_ev.mp430.13MB

1.9 transformer整体架构梳理_ev.mp417.81MB

1.8 位置编码与多层堆叠_ev.mp412.75MB

1.7 Multi-head的作用_ev.mp415.27MB

1.6 特征分配与softmax机制_ev.mp416.18MB

1.5 self-attention计算方法_ev.mp418.74MB

1.4 注意力机制的作用_ev.mp411.36MB

1.3 传统解决方案遇到的问题_ev.mp417.88MB

1.2 BERT任务目标概述_ev.mp48.6MB

1.11 训练实例_ev.mp417.01MB

1.10 BERT模型训练方法_ev.mp415.47MB

1.1 BERT课程简介_ev.mp418.42MB

第14模块：自然语言处理实战案例（新）2.43GB

9.4 使用gensim构建word2vec词向量（新）_ev.mp452.16MB

9.3 准备word2vec输入数据_ev.mp423.13MB

9.2 基于词袋模型训练分类器_ev.mp426.38MB

9.1 影评情感分类_ev.mp443.16MB

8.4 测试模型相似度结果_ev.mp417.61MB

8.3 Gensim构造word2vec模型_ev.mp419.31MB

8.2 维基百科中文数据处理_ev.mp433.84MB

8.1 使用Gensim库构造词向量_ev.mp414.8MB

7.9 锑度上升求解_ev.mp414.64MB

7.8 CBOW求解目标_ev.mp48.04MB

7.7 CBOW模型实例_ev.mp416.78MB

7.6 Hierarchical Softmax_ev.mp414.06MB

7.5 神经网络模型_ev.mp414.68MB

7.4 词向量_ev.mp412.62MB

7.3 N.gram模型_ev.mp412.39MB

7.2 语言模型_ev.mp48.22MB

7.10 负采样模型_ev.mp49.87MB

7.1 开篇_ev.mp47.55MB

6.4 实现中文分词_ev.mp427.51MB

6.3 中文分词任务_ev.mp410.95MB

6.2 工具包使用方法_ev.mp447.5MB

6.1 hmmlearn工具包_ev.mp415.91MB

5.9 参数求解_ev.mp413.46MB

5.8 Baum.Welch算法_ev.mp420.48MB

5.7 前向算法求解实例_ev.mp426.96MB

5.6 前向算法_ev.mp428.03MB

5.5 复杂度计算_ev.mp412.1MB

5.4 暴力求解方法_ev.mp420.71MB

5.3 组成与要解决的问题_ev.mp411.77MB

5.2 隐马尔科夫模型基本出发点_ev.mp414.95MB

5.10 维特比算法_ev.mp434.1MB

5.1 马尔科夫模型_ev.mp414.21MB

4.6 基于贝叶斯算法进行新闻分类_ev.mp446.12MB

4.5 LDA建模_ev.mp425.96MB

4.4 TF.IDF关键词提取_ev.mp443.51MB

4.3 新闻数据与任务简介_ev.mp430.17MB

4.2 相似度计算_ev.mp417.35MB

4.1 文本分析与关键词提取_ev.mp417.42MB

3.5 贝叶斯实现拼写检查器_ev.mp433.01MB

3.4 垃圾邮件过滤实例_ev.mp420.43MB

3.3 贝叶斯拼写纠错实例_ev.mp416.78MB

3.2 贝叶斯推导实例_ev.mp410.95MB

3.1 贝叶斯算法概述_ev.mp410.05MB

2.8 聚类与主题模型_ev.mp447.47MB

2.7 降维可视化展示_ev.mp430.35MB

2.6 tf.idf结果_ev.mp427.28MB

2.5 词云展示_ev.mp444.11MB

2.4 描述长度对价格的影响_ev.mp426.96MB

2.3 商品类别可视化展示_ev.mp432.49MB

2.2 商品类别划分_ev.mp429.09MB

2.1 任务概述_ev.mp426.4MB

14.6 网络训练_ev.mp428.13MB

14.5 seq网络_ev.mp422.97MB

14.4 词向量与投影_ev.mp428.27MB

14.3 数据处理_ev.mp430.92MB

14.2 参数配置与数据加载_ev.mp437.07MB

14.1 效果演示_ev.mp422.63MB

13.8 测试唐诗生成效果_ev.mp419.64MB

13.7 训练唐诗生成模型_ev.mp410.32MB

13.6 完成训练模块_ev.mp425.47MB

13.5 RNN模型定义_ev.mp416.44MB

13.4 batch数据制作_ev.mp425.48MB

13.3 数据预处理模块_ev.mp431.59MB

13.2 参数配置_ev.mp420.32MB

13.1 任务概述与环境配置_ev.mp411.12MB

12.5 基于word2vec的LSTM模型_ev.mp446.74MB

12.4 情感数据集处理_ev.mp431.82MB

12.3 案例：使用LSTM进行情感分类_ev.mp428.45MB

12.2 LSTM网络架构_ev.mp416.6MB

12.1 RNN网络架构_ev.mp417.94MB

11.6 基于句子的相似度训练_ev.mp428.58MB

11.5 基于字符的训练_ev.mp440.35MB

11.4 网络模型定义_ev.mp439.1MB

11.3 正负样本制作_ev.mp427.78MB

11.2 数据展示_ev.mp416.74MB

11.1 任务概述_ev.mp410.43MB

10.6 深度学习模型_ev.mp431.73MB

10.5 word2vec词向量模型_ev.mp442.69MB

10.4 TFIDF模型_ev.mp436.95MB

10.3 词袋模型分析_ev.mp454.24MB

10.2 词袋模型_ev.mp424.07MB

10.1 任务概述_ev.mp432.11MB

1.9 Spacy工具包_ev.mp436.22MB

1.8 数据清洗实例_ev.mp435.5MB

1.7 词性标注_ev.mp428.41MB

1.6 停用词过滤_ev.mp421.43MB

1.5 NLTK工具包简介_ev.mp424.09MB

1.4 常用函数介绍_ev.mp430.8MB

1.3 正则表达式基本语法_ev.mp426.12MB

1.2 正则常用符号_ev.mp429.88MB

1.14 词云展示_ev.mp471.63MB

1.13 结巴分词器_ev.mp422.61MB

1.12 统计分析结果_ev.mp437.05MB

1.11 恐怖袭击分析_ev.mp432.99MB

1.10 名字实体匹配_ev.mp417.24MB

1.1 Python字符串处理_ev.mp432.05MB

第13模块：行人重识别系列项目（新）1.5GB

7.9 图匹配模块计算流程_ev.mp446.33MB

7.8 基于拓扑结构组合关键点特征_ev.mp444.63MB

7.7 邻接矩阵学习与更新_ev.mp437.02MB

7.6 mask矩阵的作用_ev.mp431.13MB

7.5 初始化图卷积模型_ev.mp427.33MB

7.4 阶段监督训练_ev.mp457.8MB

7.3 得到一阶段热度图结果_ev.mp428.79MB

7.2 局部特征准备方法_ev.mp437.82MB

7.10 整体项目总结_ev.mp455MB

7.1 数据集与环境配置概述_ev.mp434.46MB

6.7 整体算法框架分析_ev.mp417.63MB

6.6 图匹配在行人重识别中的作用_ev.mp413.45MB

6.5 图卷积模块实现方法_ev.mp419.93MB

6.4 基于图卷积构建人体拓扑关系_ev.mp422.04MB

6.3 局部特征热度图计算_ev.mp418.31MB

6.2 图卷积与匹配的作用_ev.mp417.41MB

6.1 关键点位置特征构建_ev.mp415.78MB

5.9 特征组合汇总_ev.mp432.53MB

5.8 局部特征提取实例_ev.mp437.3MB

5.7 GCP全局特征提取_ev.mp426.19MB

5.6 特征序列构建_ev.mp428.45MB

5.5 网络计算整体流程演示_ev.mp421.17MB

5.4 debug模式解读_ev.mp445.92MB

5.3 dataloader加载顺序解读_ev.mp419.39MB

5.2 数据源构建方法分析_ev.mp430.09MB

5.12 测试与验证模块_ev.mp435.85MB

5.11 损失函数与训练过程演示_ev.mp429.64MB

5.10 得到所有分组特征结果_ev.mp435.88MB

5.1 项目配置与数据集介绍_ev.mp446.62MB

4.6 损失函数应用位置_ev.mp412.52MB

4.5 oneVsReset方法实例_ev.mp411.79MB

4.4 GCP模块特征融合方法_ev.mp421.47MB

4.3 特征分组方法_ev.mp411.59MB

4.2 局部特征与全局关系计算方法_ev.mp412.01MB

4.1 论文整体框架概述_ev.mp412.93MB

3.9 训练与测试模块演示_ev.mp453.26MB

3.8 损失函数计算实例解读_ev.mp442.91MB

3.7 基于特征图的权重计算_ev.mp418.09MB

3.6 计算得到位置权重值_ev.mp426.98MB

3.5 组合关系特征图_ev.mp428.84MB

3.4 获得空间位置点之间的关系_ev.mp430.4MB

3.3 进入debug模式解读网络计算流程_ev.mp421.42MB

3.2 参数配置与整体架构分析_ev.mp447.64MB

3.1 项目环境与数据集配置_ev.mp438.74MB

2.4 基于特征图的注意力计算_ev.mp447.22MB

2.3 融合空间注意力所需特征_ev.mp420.02MB

2.2 空间权重值计算流程分析_ev.mp422.9MB

2.1 论文整体思想及注意力机制的作用解读_ev.mp439.56MB

1.6 Hard.Negative方法应用_ev.mp420.75MB

1.5 triplet损失计算实例_ev.mp419.7MB

1.4 map值计算方法_ev.mp412.06MB

1.3 评估标准rank1指标_ev.mp410.15MB

1.2 挑战与困难分析_ev.mp427.51MB

1.1 行人重识别要解决的问题_ev.mp413.18MB

第12模块：姿态估计与目标追踪实战系列（新）2.29GB

9-基础补充-PyTorch框架基本处理操作179.92MB

95课时Hub模块简介_ev.mp442.1MB

94课时常见tensor格式_ev.mp414.56MB

93课时线性回归DEMO_训练回归模型_ev.mp428.13MB

92课时线性回归DEMO_数据与参数配置_ev.mp416.48MB

91课时自动求导机制_ev.mp425.73MB

90课时PyTorch基本操作简介_ev.mp421.36MB

89课时框架安装方法（CPU与GPU版本）_ev.mp413.54MB

88课时PyTorch框架发展趋势简介_ev.mp418.02MB

8-基础补充-Resnet模型及其应用实例192.87MB

87课时网络整体流程与训练演示_ev.mp447.09MB

86课时特征图升维与降采样操作_ev.mp417.13MB

85课时残差网络的shortcut操作_ev.mp430.98MB

84课时Resnet网络前向传播_ev.mp423.48MB

83课时dataloader加载数据集_ev.mp442.68MB

82课时Resnet网络架构原理分析_ev.mp417.48MB

81课时医学疾病数据集介绍_ev.mp414.04MB

7-V5项目工程源码解读481.65MB

80课时模型迭代过程_ev.mp424.46MB

79课时各种训练策略概述_ev.mp424.1MB

78课时训练流程解读_ev.mp430.83MB

77课时命令行参数介绍_ev.mp427.39MB

76课时超参数解读_ev.mp422.85MB

75课时输出结果分析_ev.mp424.9MB

74课时上采样与拼接操作_ev.mp414.27MB

73课时Head层流程解读_ev.mp419MB

72课时SPP层计算细节分析_ev.mp419.51MB

71课时BottleneckCSP层计算方法_ev.mp422.76MB

70课时前向传播计算_ev.mp420.62MB

69课时完成配置文件解析任务_ev.mp438.15MB

68课时Focus模块流程分析_ev.mp414.83MB

67课时V5网络配置文件解读_ev.mp425.66MB

66课时网络架构图可视化工具安装_ev.mp423.61MB

65课时getItem构建batch_ev.mp421.6MB

64课时数据四合一方法与流程演示_ev.mp425.74MB

63课时Mosaic数据增强方法_ev.mp417.61MB

62课时加载标签数据_ev.mp417.08MB

61课时图像数据源配置_ev.mp421.54MB

60课时数据源DEBUG流程解读_ev.mp425.14MB

6-V5版本项目配置127.82MB

59课时测试DEMO演示_ev.mp436.58MB

58课时训练数据参数配置_ev.mp434.86MB

57课时训练自己的数据集方法_ev.mp429.79MB

56课时整体项目概述_ev.mp426.6MB

5-YOLO-V4版本算法解读131.7MB

55课时激活函数与整体架构总结_ev.mp413.87MB

54课时PAN模块解读_ev.mp414.63MB

53课时SAM注意力机制模块_ev.mp415.42MB

52课时SPP与CSP网络结构_ev.mp410.73MB

51课时NMS细节改进_ev.mp411.07MB

50课时CIOU损失函数定义_ev.mp47.75MB

49课时损失函数遇到的问题_ev.mp410.45MB

48课时DropBlock与标签平滑方法_ev.mp413.89MB

47课时数据增强策略分析_ev.mp416.32MB

46课时V4版本贡献解读_ev.mp47.1MB

45课时V4版本整体概述_ev.mp410.47MB

4-deepsort源码解读286.2MB

44课时匹配结果与总结_ev.mp449.72MB

43课时ReID特征代价矩阵计算_ev.mp428.16MB

42课时级联匹配模块_ev.mp425.8MB

41课时参数更新操作_ev.mp432.94MB

40课时IOU代价矩阵计算_ev.mp420.01MB

39课时状态量预测结果_ev.mp423.05MB

38课时对track执行预测操作_ev.mp424.1MB

37课时针对检测结果初始化track_ev.mp430.27MB

36课时参数与DEMO演示_ev.mp426.27MB

35课时项目环境配置_ev.mp425.89MB

3-deepsort算法知识点解读184.09MB

34课时追踪任务流程拆解_ev.mp420.59MB

33课时预测与匹配流程解读_ev.mp418.43MB

32课时sort与deepsort建模流程分析_ev.mp418.35MB

31课时REID特征的作用_ev.mp413.57MB

30课时匹配小例子分析_ev.mp414.59MB

29课时匈牙利匹配算法概述_ev.mp412.79MB

28课时追踪中的状态量_ev.mp411.47MB

27课时预测与更新操作_ev.mp416.77MB

26课时基于观测值进行最优估计_ev.mp412.97MB

25课时任务本质分析_ev.mp413.65MB

24课时卡尔曼滤波要完成的任务_ev.mp411.27MB

23课时卡尔曼滤波通俗解释_ev.mp419.65MB

2-OpenPose算法源码分析235.36MB

22课时多阶段输出与预测_ev.mp431.41MB

21课时网络模型一阶段输出_ev.mp418.26MB

20课时完成PAF特征图制作_ev.mp421.13MB

19课时特征图各点累加向量计算_ev.mp420.65MB

18课时各位置点归属判断_ev.mp417.49MB

17课时准备构建PAF躯干标签_ev.mp418.4MB

16课时根据关键点位置设计关键点标签_ev.mp433.25MB

15课时关键点与躯干特征图初始化_ev.mp420.94MB

14课时读取图像与标注信息_ev.mp431.99MB

13课时数据集与路径配置解读_ev.mp421.84MB

10-基础补充-PyTorch框架必备核心模块解读318.09MB

99课时分类任务数据集定义与配置_ev.mp420.11MB

98课时Vision模块功能解读_ev.mp417.29MB

97课时网络流程解读_ev.mp426.27MB

96课时卷积网络参数定义_ev.mp419MB

109课时加载模型对测试数据进行预测_ev.mp437.7MB

108课时训练结果与模型保存_ev.mp431.14MB

107课时实现训练模块_ev.mp425.31MB

106课时优化器模块配置_ev.mp418.58MB

105课时加载训练好的网络模型_ev.mp436.16MB

104课时迁移学习策略_ev.mp411.2MB

103课时迁移学习的目标_ev.mp48.56MB

102课时Batch数据制作_ev.mp430.94MB

101课时数据预处理与数据增强模块_ev.mp424.9MB

100课时图像增强的作用_ev.mp410.92MB

1-姿态估计OpenPose系列算法解读209.51MB

9课时预测时PAF积分计算方法_ev.mp422.67MB

8课时PAF标签设计方法_ev.mp416.9MB

7课时PAF向量登场_ev.mp49.27MB

6课时各模块输出特征图解读_ev.mp411.44MB

5课时基于高斯分布预测关键点位置_ev.mp417.63MB

4课时要解决的两个问题分析_ev.mp47.25MB

3课时传统topdown方法的问题_ev.mp421.16MB

2课时姿态估计应用领域概述_ev.mp413.6MB

1课时姿态估计要解决的问题分析_ev.mp433.03MB

12课时算法流程与总结_ev.mp426.11MB

11课时CPM模型特点_ev.mp415.91MB

10课时匹配方法解读_ev.mp414.53MB

第12模块：对抗生成网络大项目实战（新）2.84GB

9.9 迁移学习策略_ev.mp411.93MB

9.8 迁移学习的目标_ev.mp49.15MB

9.7 Batch数据制作_ev.mp431.31MB

9.6 数据预处理与数据增强模块_ev.mp425.38MB

9.5 图像增强的作用_ev.mp411.12MB

9.4 分类任务数据集定义与配置_ev.mp419.82MB

9.3 Vision模块功能解读_ev.mp417.44MB

9.2 网络流程解读_ev.mp426.06MB

9.16 额外补充.Resnet网络架构解读_ev.mp414.26MB

9.15 额外补充.Resnet论文解读_ev.mp470.52MB

9.14 加载模型对测试数据进行预测_ev.mp439.3MB

9.13 训练结果与模型保存_ev.mp430.62MB

9.12 实现训练模块_ev.mp425.13MB

9.11 优化器模块配置_ev.mp418.4MB

9.10 加载训练好的网络模型_ev.mp435.83MB

9.1 卷积网络参数定义_ev.mp419.19MB

8.9 测试模块_ev.mp434.46MB

8.8 网络迭代训练_ev.mp469.21MB

8.7 网络结构配置_ev.mp449.48MB

8.6 参数基本设计_ev.mp452.77MB

8.5 数据与项目概述_ev.mp437.31MB

8.4 论文总结_ev.mp496.88MB

8.3 细节设计_ev.mp467.04MB

8.2 网络架构_ev.mp423.33MB

8.1 论文概述_ev.mp470.1MB

7.9 测试模块_ev.mp460.95MB

7.8 损失函数与训练_ev.mp465.77MB

7.7 VGG特征提取网络_ev.mp426.79MB

7.6 判别模块_ev.mp431.92MB

7.5 生成模块_ev.mp435.66MB

7.4 数据加载与配置_ev.mp428.93MB

7.3 数据与环境配置_ev.mp421.22MB

7.2 网络架构_ev.mp469.8MB

7.1 论文概述_ev.mp441.62MB

6.9 论文损失函数_ev.mp484.1MB

6.8 判别器模块解读_ev.mp424.46MB

6.7 生成器前向传播维度变化_ev.mp419.47MB

6.6 starganvc2版本标签输入分析_ev.mp436.61MB

6.5 下采样与上采样操作_ev.mp424.8MB

6.4 生成器构造模块解读_ev.mp429.56MB

6.3 数据预处理与声音特征提取_ev.mp460.67MB

6.2 环境配置与工具包安装_ev.mp429.06MB

6.11 测试模块生成转换语音_ev.mp434.99MB

6.10 源码损失计算流程_ev.mp427.66MB

6.1 数据与项目文件解读_ev.mp416.5MB

5.7 判别器模块分析_ev.mp485.51MB

5.6 AdaIn的目的与效果_ev.mp410.17MB

5.5 InstanceNorm的作用解读_ev.mp414.53MB

5.4 生成器模型架构分析_ev.mp411.62MB

5.3 语音特征提取_ev.mp423.77MB

5.2 VCC2016输入数据_ev.mp415.73MB

5.1 论文整体思路与架构解读_ev.mp427.6MB

4.9 生成模块损失计算_ev.mp448.74MB

4.8 损失计算详细过程_ev.mp433.4MB

4.7 判别器损失计算_ev.mp422.73MB

4.6 数据读取模块分析_ev.mp439.98MB

4.5 所有网络模块构建实例_ev.mp433.5MB

4.4 生成器模块源码解读_ev.mp434.03MB

4.3 项目参数解析_ev.mp420.06MB

4.2 测试效果演示_ev.mp430.33MB

4.10 测试模块效果与实验分析_ev.mp423.97MB

4.1 项目配置与数据源下载_ev.mp415.43MB

3.8 训练过程分析_ev.mp470.11MB

3.7 损失函数公式解析_ev.mp434.32MB

3.6 编码器训练方法_ev.mp444.02MB

3.5 V2版本在整体网络架构_ev.mp443.47MB

3.4 V1版本存在的问题及后续改进思路_ev.mp439.76MB

3.3 建模流程分析_ev.mp430.43MB

3.2 网络架构整体思路解读_ev.mp421.95MB

3.1 stargan效果演示分析_ev.mp422.55MB

2.9 生成与判别损失函数指定_ev.mp435.74MB

2.8 损失函数：identity loss计算方法_ev.mp423.99MB

2.7 判别网络模块构造_ev.mp413.07MB

2.6 生成网络模块构造_ev.mp432.02MB

2.5 数据读取与预处理操作_ev.mp435.49MB

2.4 Cycle开源项目简介_ev.mp433.84MB

2.3 PatchGan判别网络原理_ev.mp48.4MB

2.2 CycleGan整体网络架构_ev.mp416.43MB

2.10 额外补充：VISDOM可视化配置_ev.mp422.93MB

2.1 CycleGan网络所需数据_ev.mp421.11MB

10.4 卷积模型训练与识别效果展示_ev.mp434.68MB

10.3 网络架构配置_ev.mp421.57MB

10.2 卷积网络涉及参数解读_ev.mp421.36MB

10.1 猫狗识别任务与数据简介_ev.mp416.07MB

1.5 生成与判别网络定义_ev.mp427.13MB

1.4 数据读取模块_ev.mp419.51MB

1.3 损失函数解释说明_ev.mp426.85MB

1.2 GAN网络组成_ev.mp48.46MB

1.1 对抗生成网络通俗解释_ev.mp414.35MB

第11模块：计算机视觉核心大项目实战（新）3.05GB

9.4 参数配置_ev.mp466.75MB

9.3 开源项目数据集_ev.mp433.4MB

9.2 Mask-Rcnn开源项目简介_ev.mp475.28MB

9.1 课程简介_ev.mp412.36MB

8.7 网络细节_ev.mp4158.52MB

8.6 损失函数定义_ev.mp4134.58MB

8.5 RPN网络结构_ev.mp475.69MB

8.4 论文整体概述_ev.mp477.33MB

8.3 faster-rcnn概述_ev.mp421.46MB

8.2 深度学习经典检测方法_ev.mp429.23MB

8.1 物体检测概述_ev.mp425.91MB

7.8 迁移学习效果对比_ev.mp435.34MB

7.7 加载训练好的权重_ev.mp424.06MB

7.6 shortcut模块_ev.mp427.07MB

7.5 Resnet基本处理操作_ev.mp420.61MB

7.4 Resnet网络细节_ev.mp428.49MB

7.3 Resnet原理_ev.mp481.02MB

7.2 迁移学习策略_ev.mp411.94MB

7.1 迁移学习的目标_ev.mp49.15MB

6.8 训练模型并测试效果_ev.mp424.22MB

6.7 训练代码与参数配置更改_ev.mp430.53MB

6.6 完成输入数据准备工作_ev.mp426.38MB

6.5 json格式转换成yolo.v3所需输入_ev.mp414.29MB

6.4 生成模型所需配置文件_ev.mp425.15MB

6.3 完成标签制作_ev.mp421.1MB

6.2 数据信息标注_ev.mp420.69MB

6.1 Labelme工具安装_ev.mp411.53MB

5.9 预测结果计算_ev.mp428.47MB

5.8 YOLO层定义解析_ev.mp439.57MB

5.7 路由层与shortcut层的作用_ev.mp421.76MB

5.6 基于配置文件构建网络模型_ev.mp425.63MB

5.5 debug模式介绍_ev.mp416.77MB

5.4 标签文件读取与处理_ev.mp416.92MB

5.3 数据与标签读取_ev.mp426.46MB

5.2 训练参数设置_ev.mp414.87MB

5.16 预测效果展示_ev.mp422.61MB

5.15 模型训练与总结_ev.mp448.99MB

5.14 完成所有损失函数所需计算指标_ev.mp423.21MB

5.13 坐标相对位置计算_ev.mp421MB

5.12 标签值格式修改_ev.mp418.12MB

5.11 模型要计算的损失概述_ev.mp415.53MB

5.10 网格偏移计算_ev.mp421.26MB

5.1 数据与环境配置_ev.mp439.73MB

4.7 sotfmax层改进_ev.mp47.97MB

4.6 先验框设计改进_ev.mp49.62MB

4.5 整体网络模型架构分析_ev.mp49.11MB

4.4 残差连接方法解读_ev.mp413.8MB

4.3 经典变换方法对比分析_ev.mp48.31MB

4.2 多scale方法改进与特征融合_ev.mp413.04MB

4.1 V3版本改进概述_ev.mp413.65MB

3.8 特征融合改进_ev.mp414.5MB

3.7 感受野的作用_ev.mp420.32MB

3.6 坐标映射与还原_ev.mp47MB

3.5 偏移量计算方法_ev.mp419.67MB

3.4 基于聚类来选择先验框尺寸_ev.mp417.92MB

3.3 架构细节解读_ev.mp413.42MB

3.2 网络结构特点_ev.mp411.48MB

3.1 V2版本细节升级概述_ev.mp49.84MB

2.5 置信度误差与优缺点分析_ev.mp420.85MB

2.4 位置损失计算_ev.mp414.32MB

2.3 整体网络架构解读_ev.mp422.29MB

2.2 检测算法要得到的结果_ev.mp410.51MB

2.1 YOLO算法整体思路解读_ev.mp411.57MB

18.7 模块应用与BenckMark解读_ev.mp445.11MB

18.6 训练结果可视化展示模块_ev.mp427.51MB

18.5 训练模块功能_ev.mp435.05MB

18.4 模型架构模块_ev.mp422.03MB

18.3 数据读取与预处理模块功能解读_ev.mp435.58MB

18.2 各模块配置参数解析_ev.mp428.01MB

18.1 项目模板各模块概述_ev.mp427.94MB

17.7 训练网络模型_ev.mp430.18MB

17.6 3D卷积网络所涉及模块_ev.mp427.68MB

17.5 数据Batch制作方法_ev.mp434.46MB

17.4 视频数据预处理方法_ev.mp423.17MB

17.3 测试效果与项目配置_ev.mp440.9MB

17.2 UCF101动作识别数据集简介_ev.mp435.43MB

17.1 3D卷积原理解读_ev.mp416.9MB

16.7 识别模块网络架构解读_ev.mp430.43MB

16.6 网络架构各模块完成的任务解读_ev.mp422.66MB

16.5 整体网络所需模块_ev.mp415.16MB

16.4 候选框标签制作_ev.mp424.1MB

16.3 检测模块候选框生成_ev.mp423.87MB

16.2 训练数据准备与环境配置_ev.mp421.63MB

16.1 OCR文字检测识别项目效果展示_ev.mp412.66MB

15.7 CTC模块的作用_ev.mp48.03MB

15.6 CRNN识别网络架构_ev.mp411.82MB

15.5 CTPN细节概述_ev.mp416.64MB

15.4 输出结果含义解析_ev.mp412.85MB

15.3 序列网络的作用_ev.mp417.07MB

15.2 CTPN文字检测网络概述_ev.mp414.5MB

15.1 OCR文字识别要完成的任务_ev.mp415.33MB

14.7 网络细节_ev.mp4180.05MB

14.6 损失函数定义_ev.mp4152.57MB

14.5 RPN网络结构_ev.mp484.95MB

14.4 论文整体概述_ev.mp487.94MB

14.3 faster-rcnn概述_ev.mp423.01MB

14.2 深度学习经典检测方法_ev.mp431.43MB

14.1 物体检测概述_ev.mp428.16MB

13.8 迁移学习效果对比_ev.mp437.52MB

13.7 加载训练好的权重_ev.mp426.03MB

第10模块：opencv计算机视觉实战（新）2.31GB

9.5 模板匹配得出识别结果_ev.mp431.84MB

9.4 输入数据处理方法_ev.mp419.95MB

9.3 模板处理方法_ev.mp416.34MB

9.2 环境配置与预处理_ev.mp423.21MB

9.1 总体流程与方法讲解_ev.mp416.46MB

8.6 低通与高通滤波_ev.mp422.71MB

8.5 频域变换结果_ev.mp420.67MB

8.4 傅里叶概述_ev.mp428.68MB

8.3 均衡化效果_ev.mp420.06MB

8.2 均衡化原理_ev.mp423.47MB

8.1 直方图定义_ev.mp417.39MB

7.7 匹配效果展示_ev.mp415.84MB

7.6 模板匹配方法_ev.mp434.96MB

7.5 轮廓特征与近似_ev.mp426.87MB

7.4 轮廓检测结果_ev.mp422.06MB

7.3 轮廓检测方法_ev.mp413.31MB

7.2 金字塔制作方法_ev.mp418.46MB

7.1 图像金字塔定义_ev.mp414.66MB

6.3 边缘检测效果_ev.mp423.17MB

6.2 非极大值抑制_ev.mp412.85MB

6.1 Canny边缘检测流程_ev.mp412.85MB

5.3 scharr与lapkacian算子_ev.mp419.04MB

5.2 梯度计算方法_ev.mp421.32MB

5.1 Sobel算子_ev.mp419.25MB

4.5 礼帽与黑帽_ev.mp412.41MB

4.4 梯度计算_ev.mp45.47MB

4.3 开运算与闭运算_ev.mp46.94MB

4.2 膨胀操作_ev.mp48.96MB

4.1 腐蚀操作_ev.mp413.57MB

3.3 高斯与中值滤波_ev.mp415.18MB

3.2 图像平滑处理_ev.mp418.05MB

3.1 图像阈值_ev.mp423.58MB

21.5 检测效果_ev.mp428.7MB

21.4 闭眼检测_ev.mp447.05MB

21.3 定位效果演示_ev.mp431.86MB

21.2 获取人脸关键点_ev.mp425.7MB

21.1 关键点定位概述_ev.mp420MB

20.8 卷积操作流程_ev.mp429.31MB

20.7 卷积效果演示_ev.mp417.19MB

20.6 池化层原理_ev.mp414.4MB

20.5 卷积参数共享_ev.mp415.22MB

20.4 pading与stride_ev.mp423.15MB

20.3 卷积计算过程_ev.mp423.94MB

20.2 卷积层解释_ev.mp420.08MB

20.1 卷积神经网络的应用_ev.mp430.86MB

2.5 数值计算_ev.mp430.91MB

2.4 边界填充_ev.mp417.73MB

2.3 ROI区域_ev.mp411.74MB

2.2 视频的读取与处理_ev.mp435.94MB

2.1 计算机眼中的图像_ev.mp424.21MB

19.6 多进程效率提升对比_ev.mp444.39MB

19.5 多进程目标追踪_ev.mp419.65MB

19.4 基于dlib与ssd的追踪_ev.mp449.36MB

19.3 深度学习检测框架加载_ev.mp428.17MB

19.2 多目标追踪实战_ev.mp423.64MB

19.1 目标追踪概述_ev.mp433.94MB

18.2 模型加载结果输出_ev.mp427.28MB

18.1 dnn模块_ev.mp419.22MB

17.4 光流估计实战_ev.mp446.02MB

17.3 推导求解_ev.mp418.84MB

17.2 Lucas-Kanade算法_ev.mp414.5MB

17.1 基本概念_ev.mp414.3MB

16.4 背景建模实战_ev.mp435.5MB

16.3 学习步骤_ev.mp420.87MB

16.2 混合高斯模型_ev.mp418.84MB

16.1 背景消除.帧差法_ev.mp414.63MB

15.4 选项判断识别_ev.mp433.06MB

15.3 填涂轮廓检测_ev.mp417.61MB

15.2 预处理操作_ev.mp416.55MB

15.1 整体流程与效果概述_ev.mp417.82MB

14.8 基于视频的车位检测_ev.mp465.1MB

14.7 识别模型构建_ev.mp427.17MB

14.6 车位区域划分_ev.mp435.7MB

14.5 按列划分区域_ev.mp433.65MB

14.4 车位直线检测_ev.mp437.01MB

14.3 图像数据预处理_ev.mp432.82MB

14.2 所需数据介绍_ev.mp421MB

14.1 任务整体流程_ev.mp434.47MB

13.4 流程解读_ev.mp414.96MB

13.3 RANSAC算法_ev.mp425.27MB

13.2 图像拼接方法_ev.mp429.87MB

13.1 特征匹配方法_ev.mp419.82MB

12.6 opencv中sift函数使用_ev.mp421.34MB

12.5 特征向量生成_ev.mp433.83MB

12.4 生成特征描述_ev.mp416.95MB

12.3 特征关键点定位_ev.mp433.71MB

12.2 高斯差分金字塔_ev.mp416.06MB

12.1 尺度空间定义_ev.mp414.48MB

11.5 opencv角点检测效果_ev.mp422.55MB

11.4 特征归属划分_ev.mp430.83MB

11.3 求解化简_ev.mp421.55MB

11.2 基本数学原理_ev.mp421.17MB

11.1 角点检测基本原理_ev.mp411.77MB

10.6 文档扫描识别效果_ev.mp419.46MB

10.5 tesseract-ocr安装配置_ev.mp426.4MB

10.4 透视变换结果_ev.mp421.79MB

10.3 原始与变换坐标计算_ev.mp418.13MB

10.2 文档轮廓提取_ev.mp420.09MB

10.1 整体流程演示_ev.mp414.07MB

1.3 Notebook与IDE环境_ev.mp458.12MB

第09模块：深度学习必备框架实战（PyTorch+Tensorflow）（新）2.39GB

9.3 网络架构设计与训练_ev.mp430.22MB

9.2 整体流程解读_ev.mp415.64MB

9.1 CNN应用于文本任务原理解析_ev.mp417.67MB

8.9 训练文本分类模型_ev.mp425.56MB

8.8 训练策略指定_ev.mp422.01MB

8.7 自定义网络模型架构_ev.mp440.28MB

8.6 双向RNN模型定义_ev.mp416.16MB

8.5 数据生成器构造_ev.mp429.64MB

8.4 embedding层向量制作_ev.mp444.43MB

8.3 数据映射表制作_ev.mp431.81MB

8.2 RNN模型输入数据维度解读_ev.mp414.05MB

8.1 任务目标与数据介绍_ev.mp418.52MB

7.5 损失函数定义与训练结果展示_ev.mp429.45MB

7.4 训练batch数据制作_ev.mp429.47MB

7.3 文本词预处理操作_ev.mp413.04MB

7.2 模型定义参数设置_ev.mp411.86MB

7.1 任务流程解读_ev.mp411.99MB

6.7 图像数据处理实例_ev.mp433.71MB

6.6 tfrecords数据源制作方法_ev.mp426.99MB

6.5 Callback模块与迁移学习实例_ev.mp439.92MB

6.4 加载训练好的经典网络模型_ev.mp426.43MB

6.3 Resnet原理_ev.mp480.93MB

6.2 迁移学习策略_ev.mp411.93MB

6.1 迁移学习的目标_ev.mp49.15MB

5.3 猫狗识别任务数据增强实例_ev.mp423.42MB

5.2 图像数据变换_ev.mp467.69MB

5.1 数据增强概述_ev.mp433.55MB

4.4 卷积模型训练与识别效果展示_ev.mp433.2MB

4.3 网络架构配置_ev.mp420.5MB

4.2 卷积网络涉及参数解读_ev.mp421.36MB

4.1 猫狗识别任务与数据简介_ev.mp414MB

3.7 模型保存与读取实例_ev.mp449.51MB

3.6 tf.data模块解读_ev.mp422.26MB

3.5 分类模型构建_ev.mp441.61MB

3.4 模型超参数调节与预测结果展示_ev.mp440.15MB

3.3 网络模型训练_ev.mp423.13MB

3.2 建模流程与API文档_ev.mp421.18MB

3.1 任务目标与数据集简介_ev.mp425.9MB

2.9 神经网络整体架构_ev.mp420.82MB

2.8 返向传播计算方法_ev.mp417.83MB

2.7 前向传播整体流程_ev.mp427.09MB

2.6 损失函数的作用_ev.mp420.97MB

2.5 得分函数_ev.mp413.12MB

2.4 视觉任务中遇到的问题_ev.mp421.82MB

2.3 计算机视觉任务_ev.mp412.31MB

2.2 深度学习应用领域_ev.mp435.95MB

2.13 神经网络过拟合解决方法_ev.mp426.42MB

2.12 正则化与激活函数_ev.mp419.79MB

2.11 神经元个数对结果的影响_ev.mp459.97MB

2.10 神经网络架构细节_ev.mp423.94MB

2.1 深度学习要解决的问题_ev.mp414.51MB

17.8 网络模型架构与效果展示_ev.mp429.28MB

17.7 CNN应用于文本任务原理解析_ev.mp417.67MB

17.6 Tensorboardx可视化展示模块搭建_ev.mp429.09MB

17.5 训练LSTM文本分类模型_ev.mp425.1MB

17.4 新闻数据读取与预处理方法_ev.mp422.31MB

17.3 项目配置参数设置_ev.mp425.66MB

17.2 RNN模型所需输入格式解析_ev.mp414.33MB

17.1 任务目标与数据简介_ev.mp420.71MB

16.9 额外补充.Resnet网络架构解读_ev.mp414.26MB

16.8 额外补充.Resnet论文解读_ev.mp470.52MB

16.7 加载模型对测试数据进行预测_ev.mp439.3MB

16.6 训练结果与模型保存_ev.mp430.62MB

16.5 实现训练模块_ev.mp425.13MB

16.4 优化器模块配置_ev.mp418.4MB

16.3 加载训练好的网络模型_ev.mp435.83MB

16.2 迁移学习策略_ev.mp411.93MB

16.1 迁移学习的目标_ev.mp49.15MB

15.7 Batch数据制作_ev.mp429.86MB

15.6 数据预处理与数据增强模块_ev.mp423.99MB

15.5 图像增强的作用_ev.mp411.35MB

15.4 分类任务数据集定义与配置_ev.mp419.82MB

15.3 Vision模块功能解读_ev.mp417.44MB

15.2 网络流程解读_ev.mp426.06MB

15.1 卷积网络参数定义_ev.mp419.19MB

14.9 整体网络架构_ev.mp412.46MB

14.8 池化层的作用_ev.mp49.21MB

14.7 特征图尺寸计算与参数共享_ev.mp415.29MB

14.6 边缘填充方法_ev.mp413.29MB

14.5 步长与卷积核大小对结果的影响_ev.mp415.45MB

14.4 得到特征图表示_ev.mp413.81MB

14.3 卷积特征值计算方法_ev.mp416.04MB

14.2 卷积的作用_ev.mp417.56MB

14.12 感受野的作用_ev.mp411.86MB

14.11 残差网络Resnet_ev.mp413.98MB

14.10 VGG网络架构_ev.mp413.31MB

14.1 卷积神经网络应用领域_ev.mp415.31MB

13.6 DataSet模块介绍与应用方法_ev.mp434.05MB

13.5 构建分类网络模型_ev.mp420.5MB

13.4 分类任务概述_ev.mp410.54MB

13.3 简化代码训练网络模型_ev.mp432.4MB

13.2 按建模顺序构建完成网络架构_ev.mp427.37MB

13.1 气温数据集与任务介绍_ev.mp421.39MB

12.9 Hub模块简介_ev.mp440.8MB

12.8 常见tensor格式_ev.mp415.11MB

12.7 线性回归DEMO.训练回归模型_ev.mp428.13MB

12.6 线性回归DEMO.数据与参数配置_ev.mp417MB

12.5 自动求导机制_ev.mp425.84MB

12.4 PyTorch基本操作简介_ev.mp420.73MB

12.3 框架安装方法（CPU与GPU版本）_ev.mp411.45MB

第08模块：深度学习入门视频课程（新）599.05MB

4.6 负采样方案_ev.mp424.01MB

4.5 CBOW与Skipgram模型_ev.mp420.35MB

4.4 训练数据构建_ev.mp413.53MB

4.3 模型整体框架_ev.mp423.69MB

4.2 词向量模型通俗解释_ev.mp417.4MB

4.1 RNN网络架构解读_ev.mp417.98MB

3.9 整体网络架构_ev.mp412.46MB

3.8 池化层的作用_ev.mp49.21MB

3.7 特征图尺寸计算与参数共享_ev.mp415.29MB

3.6 边缘填充方法_ev.mp413.29MB

3.5 步长与卷积核大小对结果的影响_ev.mp415.45MB

3.4 得到特征图表示_ev.mp413.81MB

3.3 卷积特征值计算方法_ev.mp416.04MB

3.2 卷积的作用_ev.mp417.56MB

3.12 感受野的作用_ev.mp411.86MB

3.11 残差网络Resnet_ev.mp413.98MB

3.10 VGG网络架构_ev.mp413.31MB

3.1 卷积神经网络应用领域_ev.mp415.31MB

2.6 神经网络过拟合解决方法_ev.mp426.42MB

2.5 正则化与激活函数_ev.mp419.79MB

2.4 神经元个数对结果的影响_ev.mp459.97MB

2.3 神经网络架构细节_ev.mp423.94MB

2.2 神经网络整体架构_ev.mp420.82MB

2.1 返向传播计算方法_ev.mp417.83MB

1.7 前向传播整体流程_ev.mp427.09MB

1.6 损失函数的作用_ev.mp420.97MB

1.5 得分函数_ev.mp413.12MB

1.4 视觉任务中遇到的问题_ev.mp421.82MB

1.3 计算机视觉任务_ev.mp412.31MB

1.2 深度学习应用领域_ev.mp435.95MB

1.1 深度学习要解决的问题_ev.mp414.51MB

第07模块：深度学习框架-PyTorch项目实战（旧）2.14GB

9.9 生成与判别损失函数指定_ev.mp435.15MB

9.8 损失函数：identity loss计算方法_ev.mp423.65MB

9.7 判别网络模块构造_ev.mp412.79MB

9.6 生成网络模块构造_ev.mp431.48MB

9.5 数据读取与预处理操作_ev.mp434.97MB

9.4 Cycle开源项目简介_ev.mp432.8MB

9.3 PatchGan判别网络原理_ev.mp48.24MB

9.2 CycleGan整体网络架构_ev.mp416.1MB

9.10 额外补充：VISDOM可视化配置_ev.mp422.37MB

9.1 CycleGan网络所需数据_ev.mp420.97MB

8.5 生成与判别网络定义_ev.mp426.58MB

8.4 数据读取模块_ev.mp419.02MB

8.3 损失函数解释说明_ev.mp426.3MB

8.2 GAN网络组成_ev.mp48.32MB

8.1 对抗生成网络通俗解释_ev.mp414.22MB

7.8 网络模型架构与效果展示_ev.mp428.72MB

7.7 CNN应用于文本任务原理解析_ev.mp417.31MB

7.6 Tensorboardx可视化展示模块搭建_ev.mp430.94MB

7.5 训练LSTM文本分类模型_ev.mp424.53MB

7.4 新闻数据读取与预处理方法_ev.mp421.98MB

7.3 项目配置参数设置_ev.mp425.09MB

7.2 RNN模型所需输入格式解析_ev.mp413.65MB

7.1 任务目标与数据简介_ev.mp420.36MB

6.6 负采样方案_ev.mp422.04MB

6.5 CBOW与Skipgram模型_ev.mp418.33MB

6.4 训练数据构建_ev.mp412.24MB

6.3 模型整体框架_ev.mp421.22MB

6.2 词向量模型通俗解释_ev.mp415.48MB

6.1 RNN网络架构解读_ev.mp417.73MB

5.9 额外补充.Resnet网络架构解读_ev.mp413.92MB

5.8 额外补充.Resnet论文解读_ev.mp470.3MB

5.7 加载模型对测试数据进行预测_ev.mp437.54MB

5.6 训练结果与模型保存_ev.mp428.79MB

5.5 实现训练模块_ev.mp422.08MB

5.4 优化器模块配置_ev.mp417.32MB

5.3 加载训练好的网络模型_ev.mp433.48MB

5.2 迁移学习策略_ev.mp411.64MB

5.1 迁移学习的目标_ev.mp49.01MB

4.7 Batch数据制作_ev.mp429.73MB

4.6 数据预处理与数据增强模块_ev.mp423.45MB

4.5 图像增强的作用_ev.mp411.04MB

4.4 分类任务数据集定义与配置_ev.mp418.97MB

4.3 Vision模块功能解读_ev.mp416.32MB

4.2 网络流程解读_ev.mp424.45MB

4.1 卷积网络参数定义_ev.mp417.47MB

3.9 整体网络架构_ev.mp411.78MB

3.8 池化层的作用_ev.mp48.87MB

3.7 特征图尺寸计算与参数共享_ev.mp414.79MB

3.6 边缘填充方法_ev.mp412.71MB

3.5 步长与卷积核大小对结果的影响_ev.mp414.67MB

3.4 得到特征图表示_ev.mp413.25MB

3.3 卷积特征值计算方法_ev.mp415.27MB

3.2 卷积的作用_ev.mp416.77MB

3.12 感受野的作用_ev.mp411.31MB

3.11 残差网络Resnet_ev.mp413.33MB

3.10 VGG网络架构_ev.mp412.84MB

3.1 卷积神经网络应用领域_ev.mp414.81MB

2.6 DataSet模块介绍与应用方法_ev.mp434.06MB

2.5 构建分类网络模型_ev.mp425.78MB

2.4 分类任务概述_ev.mp410.66MB

2.3 简化代码训练网络模型_ev.mp432.3MB

2.2 按建模顺序构建完成网络架构_ev.mp427.47MB

2.1 气温数据集与任务介绍_ev.mp421.47MB

16.7 模块应用与BenckMark解读_ev.mp439.16MB

16.6 训练结果可视化展示模块_ev.mp423.09MB

16.5 训练模块功能_ev.mp430.79MB

16.4 模型架构模块_ev.mp419.39MB

16.3 数据读取与预处理模块功能解读_ev.mp430.9MB

16.2 各模块配置参数解析_ev.mp424.36MB

16.1 项目模板各模块概述_ev.mp424.25MB

15.4 训练网络模型_ev.mp425.04MB

15.3 网络结构定义_ev.mp419.12MB

15.2 数据读取与预处理_ev.mp414.47MB

15.1 项目配置与环境概述_ev.mp416.86MB

14.9 mask机制_ev.mp422.44MB

14.8 加入位置编码特征_ev.mp414.74MB

14.7 加入额外编码特征_ev.mp427.02MB

14.6 Embedding层的作用_ev.mp419.34MB

14.5 tfrecord制作_ev.mp432.53MB

14.4 数据预处理模块_ev.mp425.32MB

14.3 数据读取模块_ev.mp432.95MB

14.2 项目参数配置_ev.mp462.23MB

14.12 训练BERT模型_ev.mp434.57MB

14.11 完成Transformer模块构建_ev.mp426.04MB

14.10 构建QKV矩阵_ev.mp432.84MB

14.1 BERT开源项目简介_ev.mp428.73MB

13.9 transformer整体架构梳理_ev.mp417.12MB

13.8 位置编码与多层堆叠_ev.mp412.37MB

13.7 Multihead的作用_ev.mp414.9MB

13.6 特征分配与softmax机制_ev.mp415.73MB

13.5 selfattention计算方法_ev.mp418.19MB

13.4 注意力机制的作用_ev.mp411.23MB

13.3 传统解决方案遇到的问题_ev.mp417.28MB

13.2 BERT任务目标概述_ev.mp48.47MB

13.11 训练实例_ev.mp416.79MB

13.10 BERT模型训练方法_ev.mp415.25MB

13.1 BERT课程简介_ev.mp417.8MB

12.7 训练网络模型_ev.mp426.14MB

12.6 3D卷积网络所涉及模块_ev.mp424.11MB

12.5 数据Batch制作方法_ev.mp430.32MB

第07模块：机器学习竞赛优胜解决方案实战（新）2.68GB

9.7 高敏模型概述_ev.mp441MB

9.6 构建低敏用户模型_ev.mp450.23MB

9.5 文本特征构建_ev.mp454.04MB

9.4 统计与文本特征_ev.mp443.49MB

9.3 离散数据处理_ev.mp448.86MB

9.2 特征工程分析与特征提取_ev.mp465.76MB

9.1 任务与解决框架概述_ev.mp439.28MB

8.7 计算机眼中的图像_ev.mp418.59MB

8.6 词向量特征_ev.mp455.23MB

8.5 构造文本向量_ev.mp439.47MB

8.4 文本特征处理_ev.mp482.64MB

8.3 时间特征处理_ev.mp444.88MB

8.2 常用特征构造手段_ev.mp441.74MB

8.1 基本数值特征_ev.mp438.87MB

7.9 特征工程汇总_ev.mp447.25MB

7.8 候选词相似度特征_ev.mp412.89MB

7.7 textrank特征提取_ev.mp419.87MB

7.6 候选词统计特征_ev.mp422.08MB

7.5 权重划分_ev.mp430.51MB

7.4 文章与词向量分析_ev.mp448.48MB

7.3 基本特征抽取_ev.mp441.98MB

7.2 数据清洗与预处理_ev.mp437.47MB

7.1 任务目标与数据集介绍_ev.mp433.42MB

6.7 图中联系人特征_ev.mp447.83MB

6.6 app安装特征_ev.mp428.38MB

6.5 各项统计特征_ev.mp435.15MB

6.4 deepwalk构建图顶点特征_ev.mp435.83MB

6.3 节点权重特征提取(PageRank)_ev.mp424.46MB

6.2 图模型信息提取_ev.mp420.59MB

6.1 竞赛任务目标_ev.mp415.97MB

5.6 医疗数据集（糖尿病）实体识别_ev.mp462.7MB

5.5 训练网络模型_ev.mp426.9MB

5.4 输入样本填充补齐_ev.mp424.18MB

5.3 数据、标签、语料库处理_ev.mp425.75MB

5.2 整体模型架构_ev.mp410.82MB

5.1 数据与任务介绍_ev.mp415.43MB

4.8 疾病引起原因分析实战_ev.mp441.69MB

4.7 ShapValues指标分析_ev.mp444.47MB

4.6 双变量分析_ev.mp419.99MB

4.5 结果对比分析_ev.mp440.04MB

4.4 部分依赖图解释_ev.mp416.07MB

4.3 特征对比分析方法_ev.mp436.26MB

4.2 模型解释方法与实践_ev.mp434.19MB

4.1 竞赛与目标分析_ev.mp420.27MB

3.8 建立回归模型进行预测_ev.mp432.7MB

3.7 特征汇总_ev.mp434.32MB

3.6 基于回归与插值进行序列补全_ev.mp422.85MB

3.5 基于回归与插值完成序列特征_ev.mp436.27MB

3.4 序列缺失补全方法_ev.mp425.52MB

3.3 道路通行时间序列数据生成_ev.mp426.86MB

3.2 数据清洗与标签转换_ev.mp419.02MB

3.1 数据与任务目标分析_ev.mp419.53MB

2.6 训练xgboost模型_ev.mp437.94MB

2.5 准备训练数据_ev.mp431.79MB

2.4 各道工序特征构建_ev.mp447.57MB

2.3 时间特征提取_ev.mp440.51MB

2.2 数据异常检查_ev.mp443.36MB

2.1 数据任务概述_ev.mp419.42MB

11.6 模型分析_ev.mp464.5MB

11.5 模型解释_ev.mp431.38MB

11.4 测试模型_ev.mp436.34MB

11.3 选择参数_ev.mp449.48MB

11.2 基础模型对比_ev.mp445.69MB

11.1 dataleakage问题_ev.mp444.18MB

10.8 特征工程_ev.mp444.2MB

10.7 多变量展示_ev.mp444.46MB

10.6 变量与结果的关系_ev.mp429.39MB

10.5 离群点剔除_ev.mp429.72MB

10.4 单变量绘图分析_ev.mp417.86MB

10.3 数据处理_ev.mp433.8MB

10.2 处理流程与数据简介_ev.mp439.36MB

10.1 任务概述_ev.mp48.72MB

1.9 得出最终模型结果_ev.mp424.08MB

1.8 网络训练模块_ev.mp429.88MB

1.7 标签制作_ev.mp415.99MB

1.6 生成特征汇总表_ev.mp426.83MB

1.5 序列特征提取方法_ev.mp422.4MB

1.4 构建用户特征序列_ev.mp426.88MB

1.3 整体模型架构_ev.mp412.46MB

1.2 任务目标与数据分析._ev.mp422.71MB

1.1 课程简介_ev.mp416.25MB

第06模块：深度学习框架-Tensorflow2版本实战（旧）2.33GB

9.5 损失函数定义与训练结果展示_ev.mp429.46MB

9.4 训练batch数据制作_ev.mp429.46MB

9.3 文本词预处理操作_ev.mp413.08MB

9.2 模型定义参数设置_ev.mp411.77MB

9.1 任务流程解读_ev.mp412.08MB

8.6 负采样方案_ev.mp422.01MB

8.5 CBOW与Skip.gram模型_ev.mp418.4MB

8.4 训练数据构建_ev.mp412.2MB

8.3 模型整体框架_ev.mp421.24MB

8.2 词向量模型通俗解释_ev.mp415.37MB

8.1 RNN网络架构解读_ev.mp417.64MB

7.7 图像数据处理实例_ev.mp431.5MB

7.6 tfrecords数据源制作方法_ev.mp426.99MB

7.5 Callback模块与迁移学习实例_ev.mp437.59MB

7.4 加载训练好的经典网络模型_ev.mp424.92MB

7.3 Resnet原理_ev.mp480.66MB

7.2 迁移学习策略_ev.mp411.64MB

7.1 迁移学习的目标_ev.mp49.06MB

6.3 猫狗识别任务数据增强实例_ev.mp422.45MB

6.2 图像数据变换_ev.mp472.08MB

6.1 数据增强概述_ev.mp432.84MB

5.4 卷积模型训练与识别效果展示_ev.mp432.15MB

5.3 网络架构配置_ev.mp419.89MB

5.2 卷积网络涉及参数解读_ev.mp420.07MB

5.1 猫狗识别任务与数据简介_ev.mp415.16MB

4.9 整体网络架构_ev.mp411.84MB

4.8 池化层的作用_ev.mp48.73MB

4.7 特征图尺寸计算与参数共享_ev.mp414.79MB

4.6 边缘填充方法_ev.mp412.57MB

4.5 步长与卷积核大小对结果的影响_ev.mp414.67MB

4.4 得到特征图表示_ev.mp413.38MB

4.3 卷积特征值计算方法_ev.mp415.21MB

4.2 卷积的作用_ev.mp416.74MB

4.12 感受野的作用_ev.mp411.31MB

4.11 残差网络Resnet_ev.mp413.26MB

4.10 VGG网络架构_ev.mp412.82MB

4.1 卷积神经网络应用领域_ev.mp414.81MB

3.7 模型保存与读取实例_ev.mp449.55MB

3.6 tf.data模块解读_ev.mp422.38MB

3.5 分类模型构建_ev.mp439.39MB

3.4 模型超参数调节与预测结果展示_ev.mp438.06MB

3.3 网络模型训练_ev.mp421.53MB

3.2 建模流程与API文档_ev.mp419.87MB

3.1 任务目标与数据集简介_ev.mp424.37MB

2.9 神经网络整体架构_ev.mp420.67MB

2.8 返向传播计算方法_ev.mp417.68MB

2.7 前向传播整体流程_ev.mp426.87MB

2.6 损失函数的作用_ev.mp420.94MB

2.5 得分函数_ev.mp413.06MB

2.4 视觉任务中遇到的问题_ev.mp421.66MB

2.3 计算机视觉任务_ev.mp412.35MB

2.2 深度学习应用领域_ev.mp436.04MB

2.13 神经网络过拟合解决方法_ev.mp425.71MB

2.12 正则化与激活函数_ev.mp419.79MB

2.11 神经元个数对结果的影响_ev.mp459.38MB

2.10 神经网络架构细节_ev.mp423.74MB

2.1 深度学习要解决的问题_ev.mp414.41MB

17.8 训练resnet模型_ev.mp420.06MB

17.7 前向传播配置_ev.mp424.14MB

17.6 网络架构层次解读_ev.mp422.38MB

17.5 训练数据构建_ev.mp417.36MB

17.4 数据集处理方法_ev.mp418.01MB

17.3 项目结构概述_ev.mp414.3MB

17.2 额外补充.Resnet网络架构解读_ev.mp413.98MB

17.1 额外补充.Resnet论文解读_ev.mp465.98MB

16.9 生成网络模块构造_ev.mp431.36MB

16.8 数据读取与预处理操作_ev.mp435.01MB

16.7 Cycle开源项目简介_ev.mp432.8MB

16.6 整体损失模块解读_ev.mp438.44MB

16.5 生成与判别器损失函数定义_ev.mp420.97MB

16.4 数据与环境配置_ev.mp435.01MB

16.3 PatchGan判别网络原理_ev.mp48.27MB

16.2 CycleGan整体网络架构_ev.mp416.1MB

16.13 额外补充：VISDOM可视化配置_ev.mp422.46MB

16.12 生成与判别损失函数指定_ev.mp435.12MB

16.11 损失函数：identity loss计算方法_ev.mp423.59MB

16.10 判别网络模块构造_ev.mp412.78MB

16.1 CycleGan网络所需数据_ev.mp420.82MB

15.5 损失函数定义与训练_ev.mp433.04MB

15.4 网络架构设计_ev.mp423.88MB

15.3 DCGAN网络架构与流程解读_ev.mp411.93MB

15.2 GAN网络组成_ev.mp48.32MB

15.1 对抗生成网络通俗解释_ev.mp414.22MB

14.9 mask机制_ev.mp422.44MB

14.8 加入位置编码特征_ev.mp414.72MB

14.7 加入额外编码特征_ev.mp427.04MB

14.6 Embedding层的作用_ev.mp419.34MB

14.5 tfrecord制作_ev.mp432.49MB

14.4 数据预处理模块_ev.mp425.36MB

14.3 数据读取模块_ev.mp433.04MB

14.2 项目参数配置_ev.mp462.23MB

14.12 训练BERT模型_ev.mp434.36MB

14.11 完成Transformer模块构建_ev.mp426.12MB

14.10 构建QKV矩阵_ev.mp432.78MB

14.1 BERT开源项目简介_ev.mp429.19MB

13.9 transformer整体架构梳理_ev.mp417.22MB

13.8 位置编码与多层堆叠_ev.mp412.1MB

13.7 Multi.head的作用_ev.mp414.75MB

13.6 特征分配与softmax机制_ev.mp415.73MB

13.5 self.attention计算方法_ev.mp418.2MB

第06模块：机器学习案例实战应用集锦（新）3.17GB

9.6 深度学习模型_ev.mp430.81MB

9.5 word2vec词向量模型_ev.mp440.56MB

9.4 TFIDF模型_ev.mp435.28MB

9.3 词袋模型分析_ev.mp451.77MB

9.2 词袋模型_ev.mp422.75MB

9.1 任务概述_ev.mp429.88MB

8.5 负采样方案_ev.mp423.57MB

8.4 CBOW与Skip_gram模型_ev.mp419.76MB

8.3 训练数据构建_ev.mp413.24MB

8.2 模型整体框架_ev.mp423.06MB

8.1 词向量模型通俗解释_ev.mp416.7MB

7.9 Spacy工具包_ev.mp435.65MB

7.8 数据清洗实例_ev.mp435.3MB

7.7 词性标注_ev.mp428.52MB

7.6 停用词过滤_ev.mp421.1MB

7.5 NLTK工具包简介_ev.mp424.16MB

7.4 常用函数介绍_ev.mp430.82MB

7.3 正则表达式基本语法_ev.mp426.06MB

7.2 正则常用符号_ev.mp430.06MB

7.14 词云展示_ev.mp471.31MB

7.13 结巴分词器_ev.mp422.69MB

7.12 统计分析结果_ev.mp437.32MB

7.11 恐怖袭击分析_ev.mp433.03MB

7.10 名字实体匹配_ev.mp417.09MB

7.1 Python字符串处理_ev.mp431.86MB

6.5 疾病引起原因分析实战_ev.mp444.37MB

6.4 ShapValues指标分析_ev.mp447.04MB

6.3 双变量分析_ev.mp420.77MB

6.2 部分依赖图解释_ev.mp416.94MB

6.1 模型解释方法与实践_ev.mp437.13MB

5.8 特征重要性_ev.mp442.27MB

5.7 随机森林建模_ev.mp425.45MB

5.6 热度图展示_ev.mp427.04MB

5.5 绘图统计分析_ev.mp431.68MB

5.4 类别变量处理_ev.mp422MB

5.3 剔除开挂数据_ev.mp430.38MB

5.2 数据问题探索与解决方案_ev.mp442.17MB

5.1 数据与任务简介_ev.mp431.52MB

4.8 生成输出结果_ev.mp452.19MB

4.7 Xgboost训练模型_ev.mp421.4MB

4.6 输入数据制作_ev.mp421.71MB

4.5 标签变换_ev.mp432.98MB

4.4 特征信息提取_ev.mp462.81MB

4.3 统计指标生成_ev.mp441.07MB

4.2 特征工程制作_ev.mp442.03MB

4.1 数据任务分析_ev.mp446.83MB

3.6 得出推荐结果_ev.mp443.93MB

3.5 相似度计算_ev.mp435.3MB

3.4 文本清洗_ev.mp426.11MB

3.3 ngram结果可视化展示_ev.mp441.58MB

3.2 文本词频统计_ev.mp424.94MB

3.1 数据与任务介绍_ev.mp417.81MB

2.9 训练与评估_ev.mp452.91MB

2.8 随机森林与LightGBM_ev.mp433.41MB

2.7 预处理与建模准备_ev.mp443.39MB

2.6 房屋规格热度图分析_ev.mp440.81MB

2.5 提取房屋常见设施_ev.mp449.51MB

2.4 房屋信息指标分析_ev.mp459.63MB

2.3 房价随星期变化的可视化展示_ev.mp435.65MB

2.2 提取月份信息进行统计分析_ev.mp420.38MB

2.1 数据与任务分析_ev.mp437.61MB

12.6 聚类效果可视化展示_ev.mp455.85MB

12.5 得出聚类结果_ev.mp426.51MB

12.4 数组保存与读取_ev.mp419.85MB

12.3 图像特征编码_ev.mp425.78MB

12.2 图片数据导入_ev.mp425.67MB

12.1 数据与任务流程分析_ev.mp428.42MB

11.9 逻辑回归模型_ev.mp448.93MB

11.8 自定义特征_ev.mp419.82MB

11.7 多项式特征_ev.mp432.41MB

11.6 数据检查与特征工程_ev.mp447.37MB

11.5 部分特征分析与可视化_ev.mp436.34MB

11.4 KDEPLOT展示_ev.mp425.14MB

11.3 特征展示分析_ev.mp423.96MB

11.2 EDA数据探索分析_ev.mp427.7MB

11.11 必杀神奇：lightgbm_ev.mp466.84MB

11.10 结果评估_ev.mp464.95MB

11.1 数据任务介绍及缺失值处理_ev.mp433.48MB

10.9 构建合适的特征_ev.mp437.88MB

10.8 离散属性特征处理_ev.mp426.19MB

10.7 sklearn工具包预处理模块_ev.mp443.68MB

10.6 缺失值填充_ev.mp415.94MB

10.5 特征相关性分析_ev.mp443.45MB

10.4 加载数据坐标到实际地图中进行分析_ev.mp453.43MB

10.3 连续值离散化与可视化细节_ev.mp435.84MB

10.2 数据分析与可视化展示_ev.mp424.18MB

10.12 构建回归模型_ev.mp445.49MB

10.11 完成所有预处理操作_ev.mp436.54MB

10.10 序列化执行预处理操作_ev.mp433.72MB

10.1 数据与任务介绍_ev.mp423.32MB

1.6 电影数据集题材关联分析_ev.mp440.92MB

1.5 数据集制作_ev.mp425.66MB

1.4 Python实战关联规则_ev.mp425.98MB

1.3 提升度的作用_ev.mp427.37MB

1.2 支持度与置信度_ev.mp421.89MB

1.1 关联规则概述_ev.mp415.68MB

第05模块：机器学习算法建模实战项目（新）1.84GB

6.9 基本特征构造_ev.mp450.94MB

6.8 特征工程_ev.mp431.64MB

6.7 购买因素分析_ev.mp433.4MB

6.6 数据探索概述_ev.mp421.42MB

6.5 构建商品特征表单_ev.mp446.69MB

6.4 构建用户特征表单_ev.mp460.62MB

6.3 数据检查_ev.mp432.05MB

6.2 数据挖掘流程_ev.mp437.59MB

6.12 Xgboost模型_ev.mp427.23MB

6.11 累积行为特征_ev.mp454.94MB

6.10 行为特征_ev.mp433.26MB

6.1 项目与数据介绍_ev.mp453.44MB

5.5 突变点调参_ev.mp462.88MB

5.4 亚马逊股价趋势_ev.mp441.18MB

5.3 fbprophet时间序列预测实例_ev.mp458.45MB

5.2 时间序列分析_ev.mp451.86MB

5.1 fbprophet股价预测任务概述_ev.mp453.99MB

4.6-基于矩阵分解的音乐推荐_ev.mp455.79MB

4.5 SVD矩阵分解_ev.mp444.91MB

4.4 物品相似度计算与推荐_ev.mp446.67MB

4.3 基于物品的协同过滤_ev.mp443.73MB

4.2 数据集整合_ev.mp439.99MB

4.1 音乐推荐任务概述_ev.mp450.7MB

3.6 TF_IDF特征分析对比_ev.mp431.46MB

3.5 贝叶斯建模结果_ev.mp432.95MB

3.4 词袋模型_ev.mp431.66MB

3.3 文本关键词提取_ev.mp448.51MB

3.2 中文分词与停用词过滤_ev.mp424.59MB

3.1 新闻数据与任务概述_ev.mp417.49MB

2.9 调参优化细节_ev.mp434.61MB

2.8 随机参数选择方法实践_ev.mp429.37MB

2.7 网格与随机参数选择_ev.mp424.89MB

2.6 效率对比分析_ev.mp435.15MB

2.5 数据与特征对结果的影响_ev.mp431.37MB

2.4 加入新的数据与特征_ev.mp436.57MB

2.3 可视化展示与特征重要性_ev.mp456.18MB

2.2 基本随机森林模型建立_ev.mp430.68MB

2.1 基于随机森林的气温预测任务概述_ev.mp430.59MB

1.9 训练逻辑回归模型_ev.mp449.47MB

1.8 正则化惩罚项_ev.mp423.36MB

1.7 模型评估方法与召回率_ev.mp421.84MB

1.6 数据集切分_ev.mp416.01MB

1.5 交叉验证_ev.mp417.03MB

1.4 下采样数据集制作_ev.mp415.36MB

1.3 数据标准化处理_ev.mp433.46MB

1.2 项目挑战与解决方案制定_ev.mp431.31MB

1.14 过采样效果与项目总结_ev.mp427.63MB

1.13 SMOTE样本生成策略_ev.mp417.99MB

1.12 阈值对结果的影响_ev.mp425.67MB

1.11 测试集遇到的问题_ev.mp415.13MB

1.10 混淆矩阵评估分析_ev.mp438.32MB

1.1 任务目标解读_ev.mp423.14MB

第04模块：机器学习算法精讲及其案例应用（新）2.28GB

1.99 树模型可视化展示_ev.mp422.5MB

1.98 测试算法效果_ev.mp415.5MB

1.97 完成树模型构建_ev.mp417.86MB

1.96 数据集切分_ev.mp417.95MB

1.95 熵值计算_ev.mp425.64MB

1.94 整体框架逻辑_ev.mp413.42MB

1.93 递归生成树节点_ev.mp418.81MB

1.92 整体模块概述_ev.mp47.6MB

1.91 回归问题解决_ev.mp412.49MB

1.90 后剪枝方法_ev.mp415.52MB

1.9 优化参数设置_ev.mp418.32MB

1.89 预剪枝方法_ev.mp416.64MB

1.88 信息增益率与gini系数_ev.mp412.49MB

1.87 决策树构造实例_ev.mp416.52MB

1.86 信息增益原理_ev.mp418.64MB

1.85 熵的作用_ev.mp414.4MB

1.84 决策树算法概述_ev.mp416.89MB

1.83 DBSCAN算法_ev.mp435.76MB

1.82 半监督学习_ev.mp436.37MB

1.81 Kmenas算法存在的问题_ev.mp422.21MB

1.80 轮廓系数的作用_ev.mp429.7MB

1.8 参数更新方法_ev.mp417.07MB

1.79 如何找到合适的K值_ev.mp423.61MB

1.78 评估指标.Inertia_ev.mp432.28MB

1.77 不稳定结果_ev.mp412.9MB

1.76 建模流程解读_ev.mp434.21MB

1.75 聚类结果展示_ev.mp413.74MB

1.74 Kmenas算法常用操作_ev.mp429.07MB

1.73 聚类效果展示_ev.mp434.48MB

1.72 鸢尾花数据集聚类任务_ev.mp421.48MB

1.71 算法迭代更新_ev.mp417.3MB

1.70 样本点归属划分_ev.mp417.08MB

1.7 梯度下降通俗解释_ev.mp415.14MB

1.69 计算得到簇中心点_ev.mp416.57MB

1.68 Kmeans算法模块概述_ev.mp46.69MB

1.67 DBSCAN可视化展示_ev.mp424.02MB

1.66 DBSCAN工作流程_ev.mp427.68MB

1.65 DBSCAN聚类算法_ev.mp418.84MB

1.64 KMEANS迭代可视化展示_ev.mp425.55MB

1.63 KMEANS工作流程_ev.mp414.6MB

1.62 KMEANS算法概述_ev.mp418.57MB

1.61 多分类.softmax_ev.mp440.69MB

1.60 分类决策边界展示分析_ev.mp441.51MB

1.6 参数求解_ev.mp422.42MB

1.59 坐标棋盘制作_ev.mp424.99MB

1.58 可视化展示_ev.mp424.45MB

1.57 概率结果随特征数值的变化_ev.mp430.57MB

1.56 逻辑回归实验概述_ev.mp440.11MB

1.55 非线性决策边界_ev.mp414.46MB

1.54 决策边界绘制_ev.mp433.95MB

1.53 准备测试数据_ev.mp425.3MB

1.52 训练多分类模型_ev.mp430.2MB

1.51 鸢尾花数据集多分类任务_ev.mp417.98MB

1.50 得出最终结果_ev.mp435.56MB

1.5 似然函数的作用_ev.mp420.95MB

1.49 梯度计算_ev.mp429.39MB

1.48 迭代优化参数_ev.mp431.74MB

1.47 优化目标定义_ev.mp423.56MB

1.46 完成预测模块_ev.mp423.85MB

1.45 训练模块功能_ev.mp427.31MB

1.44 多分类逻辑回归整体思路_ev.mp414.61MB

1.43 化简与求解_ev.mp419.78MB

1.42 逻辑回归算法原理_ev.mp416.15MB

1.41 实验总结_ev.mp440.28MB

1.40 岭回归与lasso_ev.mp459.88MB

1.4 独立同分布的意义_ev.mp416.26MB

1.39 正则化的作用_ev.mp422.49MB

1.38 样本数量对结果的影响_ev.mp442.42MB

1.37 模型复杂度_ev.mp445.42MB

1.36 多项式回归_ev.mp426.16MB

1.35 不同策略效果对比_ev.mp422.22MB

1.34 MiniBatch方法_ev.mp421.68MB

1.33 随机梯度下降得到的效果_ev.mp431.75MB

1.32 学习率对结果的影响_ev.mp422.27MB

1.31 梯度下降模块_ev.mp414.5MB

1.30 预处理对结果的影响_ev.mp435.72MB

1.3 误差项定义_ev.mp418.86MB

1.29 参数直接求解方法_ev.mp418.03MB

1.28 实验目标分析_ev.mp414.36MB

1.27 ROC曲线_ev.mp422.61MB

1.26 阈值对结果的影响_ev.mp428.14MB

1.25 评估指标对比分析_ev.mp436.82MB

1.24 混淆矩阵_ev.mp415.56MB

1.231 实现中文分词_ev.mp424.88MB

1.230 中文分词任务_ev.mp49.81MB

1.23 交叉验证实验分析_ev.mp444.93MB

1.229 工具包使用方法_ev.mp444.75MB

1.228 hmmlearn工具包_ev.mp414.76MB

1.227 维特比算法_ev.mp430.93MB

1.226 参数求解_ev.mp412.11MB

1.225 Baum.Welch算法_ev.mp418.59MB

1.224 前向算法求解实例_ev.mp424.27MB

1.223 前向算法_ev.mp424.78MB

1.222 复杂度计算_ev.mp410.86MB

1.221 暴力求解方法_ev.mp418.17MB

1.220 组成与要解决的问题_ev.mp410.76MB

1.22 交叉验证的作用_ev.mp428.06MB

1.219 隐马尔科夫模型基本出发点_ev.mp413.35MB

1.218 马尔科夫模型_ev.mp412.81MB

1.217 方差与协方差_ev.mp418.11MB

第03模块：人工智能-必备数学课程（新）2.08GB

9.6 参数的影响_ev.mp415.69MB

9.5 高斯核函数_ev.mp414.78MB

9.4 核函数实例_ev.mp416.05MB

9.3 多项式核函数_ev.mp46.88MB

9.2 线性核函数_ev.mp48.88MB

9.1 核函数的目的_ev.mp411.25MB

8.6 beta分布_ev.mp446.3MB

8.5 卡方分布_ev.mp423.83MB

8.4 均匀分布_ev.mp48.83MB

8.3 泊松分布_ev.mp453.43MB

8.2 二项式分布_ev.mp438.1MB

8.1 正太分布_ev.mp460.64MB

7.9 期望_ev.mp47.8MB

7.8 边缘分布_ev.mp418.07MB

7.7 二维连续型随机变量_ev.mp410.18MB

7.6 二维离散型随机变量_ev.mp414.13MB

7.5 独立性_ev.mp413.15MB

7.4 条件概率小例子_ev.mp410.43MB

7.3 条件概率_ev.mp414.42MB

7.2 古典概型_ev.mp411.13MB

7.15 垃圾邮件过滤实例_ev.mp422.52MB

7.14 贝叶斯拼写纠错实例_ev.mp418.35MB

7.13 后验概率估计_ev.mp417.2MB

7.12 切比雪夫不等式_ev.mp421.07MB

7.11 马尔科夫不等式_ev.mp414.64MB

7.10 期望求解_ev.mp415.19MB

7.1 概率与频率_ev.mp411.14MB

6.5 极大似然估计_ev.mp417.65MB

6.4 似然函数_ev.mp412.27MB

6.3 简单随机抽样_ev.mp43.84MB

6.2 连续型随机变量_ev.mp418MB

6.1 离散型随机变量_ev.mp412.66MB

5.5 SVD矩阵分解_ev.mp421.96MB

5.4 特征值分解_ev.mp49.22MB

5.3 SVD要解决的问题_ev.mp411.55MB

5.2 特征空间与应用_ev.mp47.62MB

5.1 特征值与特征向量_ev.mp411.97MB

4.6 内积与正交_ev.mp420.31MB

4.5 矩阵的秩_ev.mp421.42MB

4.4 矩阵的几种变换_ev.mp49.09MB

4.3 矩阵基本操作_ev.mp419.97MB

4.2 矩阵与数据的关系_ev.mp415.05MB

4.1 行列式概述_ev.mp49.38MB

3.6 求解拉格朗日乘子法_ev.mp418.76MB

3.5 拉格朗日乘子法_ev.mp418.84MB

3.4 阶乘的作用_ev.mp411.01MB

3.3 阶数的作用_ev.mp413.77MB

3.2 一点一世界_ev.mp416.13MB

3.1 泰勒公式出发点_ev.mp49.9MB

2.5 牛顿.莱布尼茨公式_ev.mp421.12MB

2.4 定积分性质_ev.mp48.83MB

2.3 定积分_ev.mp414.16MB

2.2 微积分的解释_ev.mp413.37MB

2.1 微积分基本想法_ev.mp410.36MB

16.9 经典求解思路_ev.mp427.76MB

16.8 贝叶斯解释_ev.mp429.56MB

16.7 垃圾邮件过滤实例_ev.mp422.44MB

16.6 贝叶斯拼写纠错实例_ev.mp418.29MB

16.5 贝叶斯推导实例_ev.mp412.2MB

16.4 贝叶斯算法概述_ev.mp411.22MB

16.3 贝叶斯学派与经典统计学派的争论_ev.mp416.24MB

16.2 概率的解释_ev.mp417.69MB

16.13 模型决策_ev.mp445.21MB

16.12 模型诊断_ev.mp431.11MB

16.11 PYMC3概述_ev.mp418.9MB

16.10 MCMC概述_ev.mp432.52MB

16.1 贝叶斯分析概述_ev.mp417.99MB

15.9 DBSCAN可视化展示_ev.mp424MB

15.8 DBSCAN工作流程_ev.mp427.52MB

15.7 DBSCAN聚类算法_ev.mp418.84MB

15.6 KMEANS迭代可视化展示_ev.mp425.54MB

15.5 KMEANS工作流程_ev.mp414.71MB

15.4 KMEANS算法概述_ev.mp418.63MB

15.3 层次聚类实例_ev.mp441.7MB

15.2 层次聚类流程_ev.mp436.19MB

15.11 聚类案例实战_ev.mp460.8MB

15.10 多种聚类算法概述_ev.mp46.98MB

15.1 层次聚类概述_ev.mp413.95MB

14.6 Python方差分析实例_ev.mp422.79MB

14.5 多因素方差分析_ev.mp430.76MB

14.4 方差分析中的多重比较_ev.mp422.2MB

14.3 方差分析计算方法_ev.mp442.41MB

14.2 方差的比较_ev.mp432.94MB

14.1 方差分析概述_ev.mp414.51MB

13.7 偏相关与复相关_ev.mp428.71MB

13.6 质量相关分析_ev.mp437.11MB

13.5 肯德尔系数_ev.mp421.44MB

13.4 斯皮尔曼等级相关_ev.mp443.2MB

13.3 计算与检验_ev.mp448.09MB

13.2 皮尔森相关系数_ev.mp418.49MB

13.1 相关分析概述_ev.mp419.96MB

12.9 假设检验中的两类错误_ev.mp434.7MB

12.8 卡方检验_ev.mp437.5MB

12.7 T检验应用条件_ev.mp419.7MB

12.6 T检验实例_ev.mp417.69MB

12.5 T检验基本原理_ev.mp439.37MB

12.4 Z检验实例_ev.mp443.03MB

12.3 Z检验基本原理_ev.mp413.59MB

12.2 左右侧检验与双侧检验_ev.mp434.18MB

12.11 Python卡方检验实例_ev.mp419.38MB

第02模块：Python数据科学必备工具包实战（新）1.8GB

8-可视化库-Seaborn285.6MB

8.9 分类属性绘图_ev.mp426.86MB

8.8 多变量分析绘图_ev.mp424.87MB

8.7 回归分析绘图_ev.mp426.57MB

8.6 单变量分析绘图_ev.mp424.78MB

8.5 调色板颜色设置_ev.mp419.86MB

8.4 调色板_ev.mp422.06MB

8.3 风格细节设置_ev.mp424.86MB

8.2 整体布局风格设置_ev.mp423.99MB

8.12 热度图绘制_ev.mp440.24MB

8.11 Facetgrid绘制多变量_ev.mp426.92MB

8.10 Facetgrid使用方法_ev.mp419.25MB

8.1 课程简介_ev.mp45.34MB

7-可视化库-Matplotlib500.82MB

7.9 绘图细节设置_ev.mp430.02MB

7.8 盒图细节_ev.mp432.97MB

7.7 盒图绘制_ev.mp418.24MB

7.6 条形图外观_ev.mp430.75MB

7.5 条形图细节_ev.mp428.84MB

7.4 条形图_ev.mp428.08MB

7.3 风格设置_ev.mp412.97MB

7.2 子图与标注_ev.mp451.92MB

7.15 结合pandas与sklearn_ev.mp436.93MB

7.14 子图布局_ev.mp446.73MB

7.13 pie图_ev.mp432.03MB

7.12 3D图绘制_ev.mp452.92MB

7.11 直方图与散点图_ev.mp437.68MB

7.10 绘图细节设置2_ev.mp432.27MB

7.1 Matplotlib概述_ev.mp428.47MB

6-数据分析处理库-Pandas631.1MB

6.9 显示设置_ev.mp418.64MB

6.8 merge操作_ev.mp429.37MB

6.7 对象操作2_ev.mp426.84MB

6.6 对象操作_ev.mp426.3MB

6.5 数值运算_ev.mp432.55MB

6.4 groupby操作_ev.mp424.42MB

6.3 Pandas索引_ev.mp440.42MB

6.2 Pandas基本操作_ev.mp445.31MB

6.19 大数据处理技巧_ev.mp467.77MB

6.18 Pandas绘图操作_ev.mp441.54MB

6.17 索引进阶_ev.mp422.67MB

6.16 字符串操作_ev.mp418.33MB

6.15 Groupby操作延伸_ev.mp447.78MB

6.14 Pandas常用操作2_ev.mp428.85MB

6.13 Pandas常用操作_ev.mp430.31MB

6.12 时间序列操作_ev.mp435.23MB

6.11 时间操作_ev.mp426.12MB

6.10 数据透视表_ev.mp432.62MB

6.1 Pandas概述_ev.mp436.04MB

5-科学计算库-Numpy425.57MB

5.9 常用生成函数_ev.mp416.51MB

5.8 数组生成函数_ev.mp428.54MB

5.7 数组形状操作_ev.mp436.32MB

5.6 排序操作_ev.mp423.69MB

5.5 数值运算_ev.mp428.57MB

5.4 数组类型_ev.mp413.82MB

5.3 数组结构_ev.mp440.51MB

5.2 Array数组_ev.mp419.74MB

5.16 练习题3_ev.mp439.22MB

5.15 练习题2_ev.mp428.46MB

5.14 练习题1_ev.mp431.83MB

5.13 数组保存_ev.mp428.75MB

5.12 文件读写_ev.mp421.28MB

5.11 随机模块_ev.mp431.22MB

5.10 四则运算_ev.mp418.09MB

5.1 Numpy概述_ev.mp419MB

4-seaborn可视化（新）0B

3-matplotlib绘图 (新)0B

2-pandas（新）0B

1-numpy（新）0B

第01模块：Python快速入门（新）0B

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

2024路飞 Python 人工智能AI工程师