夸克网盘
5积分
01-软件安装及环境配置 02-人工智能数学基础 03-Python基础+数据科学入门 04-机器学习算法应用实战 05-李航《统计学习方法》训练营(含无监督学习部分) 06-《机器学习》西瓜书训练营 07-吴恩达《机器学习》作业班 08-深度学习TensorFlow2.0框架班 09-深度学习PyTorch框架班 10-《深度学习》花书训练营 11-李飞飞斯坦福CS231n计算机视觉课 12-斯坦福CS224n自然语言处理课训练营 13-人工智能项目实战班 14-04神经网络基础知识 15-06 OpenCV图像基础 16-【论文】 baseline基础篇目———NLP 17-【论文】 baseline基础篇目———cv 18-【NLP经典大赛】数据科学:疫情期间网民情绪识别赛 19-面试刷题班 20-05 NLP基础知识 代码资料汇总 ├── 01-软件安装及环境配置 ├── 02-人工智能数学基础 ├── 03-Python基础+数据科学入门 ├── 04-机器学习算法应用实战 ├── 05-李航《统计学习方法》训练营（含无监督学习部分） ├── 06-《机器学习》西瓜书训练营 ├── 07-吴恩达《机器学习》作业班 ├── 08-深度学习TensorFlow2.0框架班 ├── 09-深度学习PyTorch框架班 ├── 10-《深度学习》花书训练营 ├── 11-李飞飞斯坦福CS231n计算机视觉课 ├── 12-斯坦福CS224n自然语言处理课训练营 ├── 13-人工智能项目实战班 ├── 14-04 神经网络基础知识 ├── 15-06 OpenCV 图像基础 ├── 16-【论文】baseline基础篇目——NLP ├── 17-【论文】baseline基础篇目——CV ├── 18-【NLP经典大赛】数据科学： 疫情期间网民情绪识别赛 ├── 19-面试刷题班 ├── 20-05 NLP基础知识 ├── 代码资料汇总 ├── 课件合集PDF版本
人工智能研究生课程库61.93GB
01-软件安装及环境配置924.09MB
02-Anaconda介绍及安装.mp431.51MB03-【Python 3.6】 Python安装及验证.mp415.64MB04-【Python 3.6】 Python配置环境变量.mp47.92MB05-【Python 3.6】 Python卸载及验证.mp46.24MB06-【PyTorch 1.2】 PyTorch简介与安装.mp448.34MB07-【Pytorch1.2】 Pytorch开发环境安装.mp4210.8MB08-【TensorFlow 2.1.0】环境安装-ubuntu.mp4174.66MB09-【TensorFlow 2.1.0】环境安装-windows.mp4132.37MB10-【GPU驱动安装】GPU_driver_windows.mp419.82MB11-【GPU驱动安装】GPU_driver_Linux.mp496.04MB12-Linux 常用命令.mp492.54MB13-【数据分析工具】 MySQL.mp434.26MB14-【数据分析工具】 Navicate.mp418.11MB15-【数据分析工具】 Tableau Public.mp435.85MB02-人工智能数学基础1.6GB
05-【第一章 线性代数(上)】章节导读.mp411.07MB06-【第一章 线性代数(上)】-1 矩阵及其基本运算①.mp434.7MB07-【第一章 线性代数(上)】-2 矩阵及其基本运算②.mp464.4MB08-【第一章 线性代数(上)】-3 矩阵的行列式①.mp438.86MB09-【第一章 线性代数(上)】-4 矩阵的行列式②.mp446.99MB10-【第一章 线性代数(上)】-5 矩阵的行列式③.mp437.79MB11-【第一章 线性代数(上)】-6 矩阵的行列式④.mp410.01MB12-【第一章 线性代数(上)】-7 矩阵的逆①.mp441.26MB13-【第一章 线性代数(上)】-8 矩阵的逆②.mp426.8MB14-【第一章 线性代数(上)】-9 矩阵的逆③.mp430.43MB15-【第二章 线性代数(下)】章节导读.mp49.9MB16-【第二章 线性代数(下)】-1 矩阵的初等变换①.mp450.39MB17-【第二章 线性代数(下)】-2 矩阵的初等变换②.mp423.98MB18-【第二章 线性代数(下)】-3 矩阵的初等变换③.mp462.92MB19-【第二章 线性代数(下)】-4 矩阵的初等变换④.mp424.74MB20-【第二章 线性代数(下)】-5 矩阵的特征值与特征向量①.mp455MB21-【第二章 线性代数(下)】-6 矩阵的特征值与特征向量②.mp446.51MB22-【第二章 线性代数(下)】-7 矩阵的特征值与特征向量③.mp439.71MB23-【第二章 线性代数(下)】-8 矩阵对角化以及二次型①.mp448.69MB24-【第二章 线性代数(下)】-9 矩阵对角化以及二次型②.mp433.98MB25-【第二章 线性代数(下)】-10 矩阵对角化以及二次型③.mp432.49MB26-【第二章 线性代数(下)】-11svd分解的应用.mp449.81MB27-【第三章 微积分】-01常用函数的导数以及到导数的常用公式.mp450.35MB28-【第三章 微积分】-02 中值定理&洛必达法则&泰勒公式及应用.mp446.01MB29-【第三章 微积分】-03 函数的凹凸性&函数的极值.mp445.39MB30-【第三章 微积分】-04 不定积分.mp428.3MB31-【第三章 微积分】-05 定积分.mp429.72MB32-【第三章 微积分】-06 偏导数&多元函数复合求导法则链式求导法则.mp443.21MB33-【第三章 微积分】-07 方向导数与梯度及其应用.mp453.22MB34-【第三章 微积分】-08 多元函数泰勒公式与海森矩阵&多元函数的极值.mp437.63MB35-【第三章 微积分】-09 矩阵的求导.mp443.88MB36-【第三章 微积分】-10 矩阵的求导在深度学习中的应用.mp447.41MB37-【第四章 概率论】-01随机实验样本空间随机事件&概率的定义.mp453.38MB38-【第四章 概率论】-02全概率公式与贝叶斯公式及应用&独立性.mp437.17MB39-【第四章 概率论】-03随机变量与多维随机变量.mp447.05MB40-【第四章 概率论】-04期望与方差part1.mp442.55MB41-【第四章 概率论】-05期望与方差part2.mp419.22MB42-【第四章 概率论】-06参数的估计.mp447.82MB43-【第五章 最优化】-1 无约束最优化梯度下降.mp449.51MB44-【第五章 最优化】-2 无约束最优化梯度下降.mp449.56MB45-【第五章 最优化】-3 约束最优化.mp443.06MB03-Python基础+数据科学入门1.69GB
05-第一章 绪论和环境配置.mp443.13MB06-【作业讲解】第一章：助教实际演示配置环境过程.mp423.91MB07-第二章 Python 基本语法元素.mp492.02MB08-【作业讲解】第二章：Python基本语法元素.mp448.38MB09-第三章 基本数据类型.mp479.01MB10-【作业讲解】第三章：基本数据类型.mp442.3MB11-第四章 组合数据类型.mp482.14MB12-【作业讲解】第四章：复杂数据类型.mp459MB13-第五章 程序控制结构.mp472.94MB14-【作业讲解】第五章：程序控制结构.mp420.77MB15-第六章 函数-面向过程的编程.mp4110.26MB16-【作业讲解】第六章：函数.mp433.59MB17-第七章 类-面向对象的编程.mp467.41MB18-【作业讲解】第七章：类.mp421.34MB19-第八章 文件-异常和模块.mp4100.66MB20-【作业讲解】第八章：文件-异常和模块.mp410.27MB21-第九章 有益的探索.mp4111.45MB22-【作业讲解】第九章：有益的探索.mp425.27MB23-第十章 Python标准库.mp478.54MB24-【作业讲解】第十章：Python标准库.mp49.6MB25-第十一章 科学计算库—Numpy应用.mp468.47MB26-【作业讲解】第十一章：Numpy库.mp419.28MB27-第十二章 Pandas库.mp4117.04MB28-【作业讲解】第十二章：Pandas库.mp422.13MB29-第十三章 Matplotlib.mp483.33MB30-【作业讲解】第十三章：Matplotlib.mp431.47MB31-第十四章 Sklearn常规用法.mp451.57MB32-【作业讲解】第十四章：Sklearn常规用法.mp437.32MB33-第十五章 再谈编程.mp461.58MB35-【比赛实战】大牛手把手指导如何打一场完整的二分类比赛.mp4103.75MB36-【比赛实战】二分类算法比赛小测验—提供银行精准营销解决方案.mp47.51MB04-机器学习算法应用实战2.02GB
05-01-01-机器学习概述.mp435.45MB06-02-01线性回归简介-数学符号-假设函数-损失函数-代价函数.mp423.34MB07-02-02-梯度下降法..mp424.11MB08-02-03-梯度下降法代码实现.mp414.75MB09-02-04-使用梯度下降法求解线性回归问题.mp426.13MB10-02-05-线性回归代码实现.mp437.36MB11-02-06-线性回归代码实现-做特征归一化.mp429.95MB12-02-07-批量梯度下降，随机梯度下降，小批量梯度下降.mp411.35MB13-02-08-模型评价 · 几种常见的模型评价指标.mp424.08MB14-02-09-欠拟合与过拟合.mp412.23MB15-02-10-Ridge回归求解与代码实现.mp422.89MB16-02-11-LASSO回归求解.mp426.19MB17-02-12-LASSO回归求解举例说明.mp413.76MB18-02-13-LASSO回归代码实现.mp418.01MB19-02-14-最小二乘法求线性回归.mp419.32MB20-02-15-最小二乘法代码实现.mp49.21MB21-02-【实战】使用Sklearn实现Ridge，LASSO和ElasticNet.mp422.01MB22-02-【案例】波士顿房价预测(上).mp434.17MB23-02-【案例】-波士顿房价预测(下).mp441.17MB24-03-01-逻辑回归简介-假设函数-损失函数-成本函数.mp418.96MB25-03-02-逻辑回归求解.mp423.66MB26-03-03-一个示例解释逻辑回归的求解公式.mp412.44MB27-03-04-逻辑回归代码实现(上).mp428.99MB28-03-04-逻辑回归代码实现(下).mp426.09MB29-03-06-逻辑回归的正则化.mp417.17MB30-03-07-逻辑回归实现多分类方法.mp424.84MB31-03-08-【实战】使用Sklearn实现逻辑回归.mp417.68MB32-03-【案例】鸢尾花分类.mp443.16MB33-03-【案例】手写数字识别.mp435.34MB34-04-01-决策树简介-熵.mp417.68MB35-04-02条件熵及计算举例.mp413.47MB36-04-03信息增益-ID3算法.mp416.85MB37-04-04决策树代码实现(1-熵的计算).mp417.81MB38-04-05决策树代码实现(2-划分数据集-选择最好的特征).mp432.38MB39-04-06决策树代码实现(3-类别投票表决).mp411.6MB40-04-07决策树代码实现( 4-决策树递归生成，决策树对新数据进行预测).mp425.17MB41-04-08 C4.5算法.mp49.98MB42-04-09基尼指数(Gini Index)生成决策树.mp417.5MB43-04-10决策树剪枝.mp416.69MB44-04-11决策树处理连续值与缺失值.mp423.53MB45-04-12多变量决策树.mp412.46MB46-04-【实战】Sklearn实现决策树.mp431.51MB47-04-【案例】：使用决策树进行个人信用风险评估(1.数据集介绍-数据预处理).mp432.17MB48-04-【案例】：使用决策树进行个人信用风险评估(2.模型评估指标).mp429.95MB49-04-【案例】：使用决策树进行个人信用风险评估(3.模型评估，优化).mp417.91MB50-05-01-贝叶斯决策简介.mp418.35MB51-05-02-贝叶斯决策模型.mp410.29MB52-05-03-朴素贝叶斯模型.mp418.21MB53-05-04-朴素贝叶斯代码实现(1.训练过程).mp432.73MB54-05-05-朴素贝叶斯代码实现(2.预测过程).mp413.6MB55-05-06-拉普拉斯修正及代码实现.mp422.1MB56-05-07-朴素贝叶斯如何处理连续型数据.mp49.02MB57-05-08-Sklearn实现朴素贝叶斯.mp412.85MB58-05-【案例】垃圾邮件识别(1.实现原理).mp412.68MB59-05-【案例】垃圾邮件识别(2.代码实现).mp434.2MB60-06-01-支持向量机简介.mp48.81MB61-06-02-线性可分支持向量机(几何间隔，函数间隔，目标函数).mp431.89MB62-06-03-拉格朗日乘子法求带有等式约束的极值问题.mp424.76MB63-06-04-拉格朗日乘子法求带有不等式约束的极值问题-KKT条件.mp423.88MB64-06-05-目标函数求解(1.对偶问题-先对w-b求极小).mp424.5MB65-06-06-目标函数求解(2.对alpha求极大).mp412.65MB66-06-07-SVM求解举例.mp436.66MB67-06-08-线性支持向量机的目标函数.mp413.22MB68-06-09-线性支持向量机目标函数优化.mp422.48MB69-06-10-非线性支持向量机简介.mp431.31MB70-06-11-非线性支持向量机的目标函数.mp49.95MB71-06-12-SMO算法推导结果.mp421MB72-06-13-1SVM代码实现之简易版(上).mp453.18MB73-06-14-1SVM代码实现之简易版(下).mp414.95MB74-06-15-2SVM代码实现之改进版.mp433.84MB75-06-16-3SVM代码实现之引进核函数版.mp421.79MB76-06-17-SMO算法推导过程1.mp415.81MB77-06-18-SMO算法推导过程2.mp416.81MB78-06-19-SMO算法推导过程3.mp410.45MB79-06-20-SMO算法推导过程4.mp417.75MB80-06-21-SVM总结.mp49.48MB81-06-【实战】-Sklearn实现SVM1.mp411.86MB82-06-【实战】-Sklearn实现SVM2-3，输出常用属性值，使用高斯核.mp418.88MB83-06-【实战】-Sklearn实现SVM4，调参.mp418.03MB84-06-【案例】使用SVM完成人脸识别.mp447.14MB85-07-01-K-means基本原理及推导.mp414.09MB86-07-02-K-means中距离计算方法.mp412.38MB87-07-03-K-means代码实现(1原生代码实现).mp434.74MB88-07-04-K-means代码实现(2sklearn实现KMeans).mp46.56MB89-07-05-层次聚类原理及距离计算.mp413.59MB90-07-06层次聚类举例.mp49.68MB91-07-07Sklearn实现层次聚类.mp48.77MB92-07-08密度聚类.mp413.61MB93-07-09Sklearn实现密度聚类.mp47.33MB94-07-10-高斯混合模型介绍.mp414.59MB95-07-11-高斯混合模型参数估计.mp424.5MB96-07-12高斯混合模型原生代码实现.mp435.61MB97-07-13 Sklearn实现高斯混合模型.mp410.01MB98-07-【案例】对亚洲足球队进行聚类分析.mp411.9MB99-08-01-主成分分析介绍.mp416.12MB100-08-02协方差矩阵的特征值分解算法.mp413.02MB101-08-03协方差矩阵的特征值分解算法代码实现.mp424.46MB102-08-04基于数据矩阵的奇异值分解算法.mp412.22MB103-08-05基于数据矩阵的奇异值分解算法代码实现.mp410.88MB104-08-【实战】-Sklearn实现PCA.mp415.34MB05-李航《统计学习方法》训练营（含无监督学习部分）4.73GB
06-第一章 1.1 导论.mp4123.85MB07-第一章 1.2 极大似然估计.mp440.14MB08-第一章 1.3 梯度下降法.mp431.36MB09-第一章作业讲解-极大似然估计.mp416.28MB10-第二章 2.1 导论.mp4110.02MB11-第二章 2.2 对偶形式.mp446.54MB12-第二章 2.3 收敛性.mp450.18MB13-code——感知机.mp4127.37MB14-第二章作业讲解-感知机自编程实现.mp429.02MB15-第二章作业讲解-感知机sklearn实现.mp435.03MB16-第三章 3.1 导论.mp454.68MB17-第三章 3.2 kd树.mp476.74MB18-code——k近邻.mp480.75MB19-第三章作业讲解-KNN 自编程.mp419.58MB20-第三章作业讲解-KNN-sklearn.mp427.37MB21-第四章 4.1 导论.mp489.38MB22-第四章 4.2 贝叶斯估计.mp415.12MB23-第四章 4.3 期望风险最小化.mp428.8MB24-code——朴素贝叶斯.mp4100.24MB25-第四章作业讲解-贝叶斯估计.mp417.35MB26-第四章作业讲解-朴素贝叶斯.mp450.59MB27-第五章 5.1 导论.mp4126.42MB28-第五章 5.2 剪枝.mp466.26MB29-code——决策树.mp496.17MB30-第五章作业讲解-决策树.mp439.1MB31-第六章 6.1 逻辑斯蒂回归与最大熵.mp499.15MB32-第六章 6.2 改进的迭代尺度法.mp460.37MB33-第六章作业讲解-逻辑斯谛回归.mp460.3MB34-code——逻辑斯蒂回归与最大熵.mp4108.23MB35-第七章 7.1 导论.mp4174.87MB36-第七章 7.2 存在唯一性.mp450.05MB37-第七章作业讲解-支持向量机习题7.1.mp450.23MB38-第七章作业讲解-支持向量机 sklearn习题7.2.mp423.14MB39-第七章作业讲解-支持向量机习题7.3.mp417.34MB40-code——支持向量机.mp4164.19MB41-第八章 8.1 导论.mp499.07MB42-第八章 8.2 前向分步算法.mp447.02MB43-第八章 8.3 adaboost的训练误差.mp470.11MB44-第八章作业讲解-提升方法.mp434.31MB45-code——提升方法.mp4181.83MB46-第九章 9.1 导论.mp475.11MB47-第九章 9.2 高斯混合模型.mp468.54MB48-第九章作业讲解-EM算法.mp443.92MB49-code——EM算法及推广.mp479.73MB50-第十章 10.1 导论.mp483.19MB51-第十章 10.2 前向算法.mp435.3MB52-第十章 10.3 维特比算法.mp429.18MB53-第十章作业讲解-隐马尔可夫模型.mp439.78MB54-code——隐马尔可夫.mp4160.18MB55-第十一章 11.1 导论.mp453.15MB56-第十一章 11.2 拟牛顿法.mp421.16MB57-第十一章 11.3 条件随机场的矩阵形式.mp420.05MB58-第十一章作业讲解-条件随机场.mp420.8MB59-第十三章无监督学习导论.mp444.13MB60-第十四章14.1聚类的基本概念.mp461.3MB61-第十四章14.2.1距离与相似度.mp440.97MB62-第十四章14.2.2聚合聚类 距离公式介绍.mp434.06MB63-第十四章14.2.3距离公式证明.mp459.6MB64-第十四章14.2.4确定最佳聚类数.mp430.8MB65-第十四章14.2.5有序样本分类法.mp435.23MB66-第十四章14.3K均值聚类.mp427.58MB67-第十四章14.1作业讲解- K-Means算法和高斯混合模型的比较.mp417.47MB68-第十四章14.2作业讲解- 14.2 有关类的定义推导.mp48.44MB69-第十四章14.3作业讲解- 离差平方和距离推导公式证明.mp413.53MB70-第十四章14.3作业讲解-重心距离推导公式证明.mp421.92MB71-第十五章15.1矩阵奇异值分解步骤.mp423.35MB72-第十五章15.2矩阵奇异值分解基本定理.mp422.06MB73-第十五章15.3矩阵奇异值分解性质与计算.mp423.36MB74-第十五章15.4.1矩阵奇异值分解的酉空间表示法.mp437.84MB75-第十五章15.5矩阵奇异值分解的应用.mp427.22MB76-第十五章作业讲解- 奇异值分解01.mp422.9MB77-第十五章作业讲解- 奇异值分解02.mp425.06MB78-第十六章16.1主成分分析介绍.mp431.91MB79-第十六章16.2主成分分析基本定理.mp425.71MB80-第十六章16.3主成分的性质与选择.mp418.91MB81-第十六章16.4主成分的特征.mp421.11MB82-第十六章16.5牛顿迭代与梯度下降法.mp434.58MB83-第十六章16.6拟牛顿迭代法.mp460.66MB84-第十六章16.1作业讲解- 样本主成分分析.mp432.31MB85-第十六章16.2 作业讲解-样本方差无偏估计的理解.mp416.78MB86-第十六章16.3作业讲解- 求第一主成分.mp49.62MB87-第十七章17.1LSA导入.mp420.64MB88-第十七章17.2LSA算法实现.mp412.81MB89-第十七章17.3非负矩阵分解算法.mp416.06MB90-第十七章17.4LSA案例分析与编程实现.mp421.35MB91-第十七章 作业讲解.mp418.46MB92-第十八章18.1PLSA生成模型.mp425.87MB93-第十八章18.2PLSA共现模型.mp413.19MB94-第十八章18.3PLSA模型算法实现.mp424.1MB95-第十八章18.4PLSA模型EM算法详解.mp421.14MB96-第十八章 作业讲解.mp415.24MB97-第十九章19.1蒙特卡罗法引入.mp416.4MB98-第十九章19.2马尔科夫链的定义与性质.mp435.49MB99-第十九章19.3连续状态马尔科夫链.mp447.25MB100-第十九章19.4Metropolis-Hastings算法与吉布斯抽样算法.mp450.58MB101-第十九章 作业讲解.mp418.06MB102-第二十章20.1LDA分布-模型与Gibbs抽样算法.mp467.27MB103-第二十章20.2LDA的变分EM算法.mp458.99MB104-第二十章 作业讲解.mp424.87MB105-第二十一章21.1PageRank算法的定义与幂法计算.mp439.47MB06-《机器学习》西瓜书训练营1.58GB
06-【第一周】机器学习绪论.mp438.33MB08-【第二周】西瓜书公式推导学习指南.mp411.2MB09-【第二周】一元线性回归公式.mp451.86MB10-【第二周】多元线性回归公式.mp458.27MB11-【第二周】对数几率回归公式.mp460.68MB14-【第二周】【作业讲解】逻辑回归.mp429.47MB15-【第三周】决策树的分裂准则.mp456.59MB19-【第三周】【作业讲解】决策树.mp415.56MB20-【第四周】支持向量机原始模型的建立和求解.mp4113.79MB21-【第四周】核函数和软间隔支持向量机.mp454.9MB24-【第四周】【作业讲解】SVM.mp461.24MB25-【第五周】极大似然估计与朴素贝叶斯.mp484.76MB26-【第五周】EM算法1.mp432.77MB27-【第五周】EM算法2.mp439.64MB28-【第五周】EM算法3.mp444.78MB31-【第五周】【作业讲解】贝叶斯和EM算法.mp425.02MB32-【第六周】神经网络结构.mp467.03MB35-【第六周】【作业讲解】神经网络.mp48.18MB41-【第七周】【作业讲解】模型评估与选择.mp414.9MB47-【第八周】【作业讲解】特征选择.mp416.09MB52-【第九周】【作业讲解】k-means.mp437.34MB53-【第十周】聚类.mp461.91MB54-【第十周】HMM-1.mp489.29MB55-【第十周】HMM-2.mp447.5MB56-【第十周】HMM-3.mp432.35MB61-【达观杯nlp比赛】第一节课 了解NLP任务和熟悉比赛题目-赛前介绍和准备.mp448.83MB62-【达观杯nlp比赛】第二节课 了解NLP任务和熟悉比赛题目-赛题介绍和思路分析.mp471.37MB63-【达观杯nlp比赛】第三节课 数据分析及处理.mp4114.17MB64-【达观杯nlp比赛】第四节课——Baseline实现.mp4107.05MB65-【达观杯nlp比赛】第五节课 验证集构建和交叉验证.mp4120.8MB07-吴恩达《机器学习》作业班2.01GB
06-【先修】学习绪论视频，了解预备知识.mp426.06MB07-【学前准备】开营仪式回放-老师部分.mp4177.9MB08-【学前准备】开营仪式回放-班主任部分.mp4224.38MB14-Week2 Day2【作业讲解】对照作业讲解视频查漏补缺.mp4149.98MB19-Week3-Day2 【作业讲解】完成编程作业2 (1).mp4153.93MB20-Week3-Day2 【作业讲解】完成编程作业2 (2).mp4130.59MB21-Week3-Day4 【达观杯文本智能处理挑战赛】（入门指导）.mp421.95MB25-Week4-Day2【作业讲解】编程作业3：神经网络（上）.mp480.15MB26-Week4-Day2【作业讲解】编程作业3：神经网络（下）.mp456.86MB27-Week4-Day4【达观杯文本智能处理挑战赛】（进阶指导）.mp430.56MB30-Week5-Day2【作业讲解】编程作业4（上）.mp490.66MB31-Week5-Day2【作业讲解】编程作业5.mp493.51MB32-Week5-Day2【作业讲解】编程作业4（下）.mp4133.03MB36-Week6-Day2【作业讲解】编程作业5.mp493.53MB40-Week7-Day2【作业讲解】编程作业6（上）.mp4113.69MB41-Week7-Day2【作业讲解】编程作业6（下）.mp475.46MB47-Week8-Day4【作业讲解】编程作业7（上）.mp4109.9MB48-Week8-Day4【作业讲解】编程作业7（下）.mp468.39MB52-Week9-Day4【作业实操】编程作业编程作业8：异常检测与推荐系统P1.mp476.1MB53-Week9-Day4【作业实操】编程作业编程作业8：异常检测与推荐系统P2.mp496.25MB54-Week9-Day4【作业实操】编程作业编程作业8：异常检测与推荐系统P3.mp448.62MB56-Week10-Day1【kaggle大赛】进阶指导.mp47.02MB08-深度学习TensorFlow2.0框架班2.7GB
05-Week1【任务1】tensorflow 2.0简介.mp446.77MB06-Week1【任务2】tensorflow2.0环境安装-ubuntu.mp4126.3MB07-Week1【任务2】tensorflow2.0环境安装-windows.mp4132.37MB09-Week2【任务1】张量与操作 & 三种自定义模型.mp4103.87MB10-Week2【任务2】keras模型训练.mp4124.12MB11-Week2【任务3】tensorflow2.0模型训练.mp483.26MB12-Week2【任务4】计算图机制详解.mp460.92MB13-Week2【任务5】计算图机制详解.mp460.83MB15-Week3【任务1】自定义层详解.mp487.91MB16-Week3【任务2】常用损失函数和自定义损失函数.mp4108.56MB17-Week3【任务3】常用评估函数和自定义评估函数.mp492.3MB18-Week3【任务4】tensorboard小试牛刀.mp493.51MB19-Week4【任务1】tf.data简介.mp456.74MB20-Week4【任务2】tf.data简介.mp4114.63MB21-Week4【任务3】tfrecord详解.mp471.49MB23-Week5【任务1】cnn介绍.mp488.61MB24-Week5【任务2】实战项目上.mp456.51MB25-Week5【任务3】实战项目下.mp4148.77MB26-Week6 【任务1】循环神经网络讲解.mp497.48MB27-Week6【任务2】word2vec简介.mp446.86MB28-Week6【任务3】实战四.mp4124.3MB29-Week7【任务1】ransformer简介.mp4107MB30-Week7【任务2】实战5.mp4325.1MB31-Week8【任务1】GPU分布式训练.mp465.81MB32-Week 8【任务2】TPU训练.mp484.47MB33-Week 9【任务1】TF.hub使用.mp452.01MB34-Week 9【任务2】BERT实战.mp4125.01MB35-Week9【任务3】模型部署.mp478.17MB09-深度学习PyTorch框架班2.84GB
05-【必看】深入浅出PyTorch.mp470.96MB06-【第一周】PyTorch简介与安装.mp446.31MB07-【第一周】补充-pytorch开发环境安装.mp4135.13MB08-【第一周】张量简介与创建.mp448.04MB09-【第一周】张量操作与线性回归.mp457.1MB10-【第一周】计算图与动态图机制.mp434.56MB11-【第一周】autograd与逻辑回归.mp455.17MB12-【第一周】作业讲解1.mp425.56MB13-【第一周】作业讲解2.mp423.26MB14-【第一周】作业讲解3.mp422.48MB15-【第二周】数据读取机制Dataloader与Dataset.mp450.29MB16-【第二周】数据预处理transforms模块机制.mp447.73MB17-【第二周】二十二种transforms数据预处理方法.mp491.65MB18-【第二周】学会自定义transforms方法.mp498.26MB19-【第二周】作业讲解.mp482.19MB20-【第三周】模型创建步骤与nn.Module.mp451.86MB21-【第三周】模型容器与AlexNet构建.mp455.33MB22-【第三周】nn网络层-卷积层.mp457.09MB23-【第三周】nn网络层-池化-线性-激活函数层.mp454.22MB24-【第三周】作业讲解.mp453.23MB25-【第四周】权值初始化.mp453.52MB26-【第四周】损失函数（一）.mp486.59MB27-【第四周】损失函数(二).mp488.01MB28-【第四周】优化器optimizer的概念.mp457.21MB29-【第四周】torch.optim.SGD.mp466.7MB30-【第四周】作业讲解.mp427.85MB31-【第五周】学习率调整策略.mp473.92MB32-【第五周】TensorBoard简介与安装.mp437.68MB33-【第五周】TensorBoard使用（一）.mp460.16MB34-【第五周】TensorBoard使用（二）.mp496.24MB35-【第五周】hook函数与CAM可视化.mp472.36MB36-【第五周】作业讲解.mp437.44MB37-【第六周】正则化之weight_decay.mp452.74MB38-【第六周】正则化之Dropout.mp453.35MB39-【第六周】Batch Normalization.mp473MB40-【第六周】Normalizaiton_layers.mp452.75MB41-【第六周】作业讲解.mp432.65MB42-【第七周】模型保存与加载.mp439.07MB43-【第七周】模型finetune.mp456.4MB44-【第七周】GPU的使用.mp461.77MB45-【第七周】PyTorch常见报错.mp450.94MB46-【第七周】作业讲解.mp419.18MB47-【第八周】图像分类一瞥.mp475.63MB48-【第八周】图像分割一瞥.mp497.51MB49-【第八周】图像目标检测一瞥（上）.mp467.71MB50-【第八周】图像目标检测一瞥（下）.mp4120.59MB51-【第九周】生成对抗网络一瞥.mp482.38MB52-【第九周】循环神经网络一瞥.mp454.93MB10-《深度学习》花书训练营3.03GB
05-第一周【任务1】矩阵对角化以及SVD分解.mp491.28MB06-第一周【任务1】逆矩阵-最小二乘及PCA原理推导.mp454.89MB07-第一周【任务2】：极大似然估计.mp428.59MB08-第一周【任务2】：无约束最优化.mp474.01MB09-第一周【任务2】：有约束最优化.mp441.1MB10-【第一周作业讲解】为什么要用最小二乘.mp44.24MB11-【第一周作业讲解】矩阵的分解及其应用.mp46.37MB12-【第一周作业讲解】极大似然估计以及优化理论.mp411.26MB13-【第一周作业讲解】熟悉svd分解算法的流程.mp411MB14-第二周【任务1】：机器学习算法基本概念.mp447.82MB15-第二周【任务1】：过拟合欠拟合超参数验证集.mp444.98MB16-第二周【任务2】：估计-偏差和方差.mp422.33MB17-第二周【任务2】：贝叶斯估计.mp423.38MB18-第二周【任务2】：逻辑回归.mp461.92MB19-第二周作业讲解.mp414.74MB20-第三周【任务1】学习支持向量机LDA.mp469.89MB21-第三周【任务1】其他监督学习算法SVM.mp4100.44MB22-第三周【任务2】决策树-kmeans算法.mp460.07MB23-第三周作业讲解.mp414.79MB24-第四周【任务1】：前馈神经网络结构表达能力.mp472.05MB25-第四周【任务1】：激活函数损失函数.mp490.22MB26-第四周【任务2】前馈神经网络技巧.mp451.37MB27-第四周【任务2】前向后向算法.mp472.55MB28-第四周作业讲解.mp410.16MB29-第五周【任务1】范数惩罚正则化.mp470.77MB30-第五周【任务1】：数据增强bagging&dropout.mp4107.92MB31-第五周【任务2】深度模型中的优化.mp4183.38MB32-第五周作业讲解.mp47.66MB33-第六周【任务1】cnn前向后向.mp484.28MB34-第六周【任务1】局部感知权值共享.mp495.9MB35-第六周【任务2】lenet&alexnet.mp4104.84MB36-第六周【任务2】vggnet googlenet.mp4109.77MB37-第六周【任务3】CNN应用——RCNN目标检测.mp495.09MB38-第六周【任务3】CNN应用——Bounding_box regression.mp461.68MB39-第六周【任务3】CNN应用——FastRCNN.mp496.62MB40-第六周【任务3】CNN应用——CNN人脸特征点定位.mp433.95MB41-第六周作业讲解.mp46.88MB42-【论文精读（选修）】mobilenet-01-背景介绍.mp438.1MB43-【论文精读（选修）】mobilenet-02-论文结构&摘要精读.mp464.46MB44-【论文精读（选修）】mobilenet-03-主体架构&深度可分离卷积.mp467.41MB45-【论文精读（选修）】mobilenet-04-超参数.mp444.36MB46-【论文精读（选修）】mobilenet-05-后续创新及改进.mp447.73MB47-【论文精读（选修）】mobilenet-06-代码结构.mp435.81MB48-【论文精读（选修）】mobilenet-07-模型设计.mp420.76MB49-【论文精读（选修）】mobilenet-08-模型评估.mp441.2MB50-第七周【任务1】RNN概念&前向传播.mp484.01MB51-第七周【任务1】RNN反向传播与并行计算.mp462.53MB52-第七周【任务2】lstm.mp471.97MB53-第七周【任务2】gru.mp445.45MB54-第七周【任务3】plstm&lstm在ocr的应用.mp4112.54MB55-第七周作业讲解.mp47.28MB56-第八周【任务1】推理加速.mp4101.71MB57-第八周【任务1】训练加速.mp448.5MB58-第八周【任务2】自适应技术.mp437.8MB59-第8周作业讲解.mp436.98MB11-李飞飞斯坦福CS231n计算机视觉课546.36MB
05-计算机视觉发展历史及一些计算机视觉任务概念.mp410.86MB08-knn与线性分类器知识点提点.mp418.91MB10-学习内容总结+观看作业解答视频.mp458.04MB11-损失函数和优化导读.mp410.05MB12-svm多分类损失函数与softmax.mp430.49MB15-学习反向传播.mp47.68MB16-作业讲解视频.mp467.97MB17-作业讲解视频.mp490.36MB19-学习卷积神经网络历史.mp47.29MB20-学习卷积和池化.mp427.72MB21-学习激活函数-数据处理-权重初始化.mp411.39MB22-作业讲解视频.mp438.63MB25-学习优化策略.mp416.75MB27-作业讲解视频.mp442.86MB30-学习比较流行的cnn网络结构.mp415.86MB31-学习rnn，lstm，gru.mp48.69MB33-学习图像分割学习任务，分类和定位.mp422.89MB35-学习特征可视化方法.mp411.29MB37-学习Pixel RNN，Pixel CNN与变分自编码.mp417.95MB45-【kaggle猫狗分类比赛】比赛简介.mp45.94MB46-【学习kaggle猫狗分类比赛】详细操作.mp424.74MB12-斯坦福CS224n自然语言处理课训练营1.77GB
05-学习CS224n第一课和课程导学.mp455.45MB06-【作业讲解】：assignment1讲解.mp478.67MB07-打达观杯NLP比赛（报名指导和入门指导）.mp421.96MB08-学习CS224n第二课和重难点讲解视频.mp457.65MB09-学习CS224n第三课和课程导学.mp465.74MB10-python numpy pytorch学习及编程作业解析.mp436.88MB11-学习CS224n第四课和课程导学.mp473.98MB12-观看看作业解答视频.mp452.68MB13-学习CS224n Lecture 05及导学.mp438.53MB15-Assignment 3作业讲解.mp469.37MB16-学习CS224n Lecture 06及导学.mp467.11MB18-观看作业解答视频.mp456.36MB19-观看作业解答视频2.mp4120.59MB20-观看作业解答视频3.mp462.14MB21-神经机器翻译及attention.mp485.01MB23-Neural Machine Translation with RNN.mp448.47MB24-基于卷积神经网络的nlp.mp476.06MB26-观看作业解答视频.mp482.42MB27-观看A5作业讲解视频2.mp473.73MB28-transformers and BERT.mp492.87MB29-Lecture 14.mp464.06MB30-Natural Language Generation.mp486.54MB33-Lecture 18.mp4165.36MB35-Future of NLP + Deep Learning.mp469.81MB36-kaggle文本分类比赛-比赛介绍.mp422.1MB37-kaggle文本分类比赛-数据分析.mp410.4MB38-kaggle文本分类比赛-baseline模型(1).mp428.76MB39-kaggle文本分类比赛-baseline模型(2).mp430.03MB40-kaggle文本分类比赛-提交数据+提分策略.mp417.83MB13-人工智能项目实战班3.49GB
05-【试听CV项目】1.1-背景介绍.mp439.19MB06-【试听CV项目】1.2.1-图像初步-可视化.mp440.97MB07-【试听】算法工作分享——1面试准备.mp492.99MB08-【NLP项目一人工智能辅助信息抽取】第三周第一节Ⅰ课程导读.mp413.64MB09-【NLP项目一人工智能辅助信息抽取】第三周第一节Ⅱ知识图谱的概念与应用.mp415.58MB10-【NLP项目一人工智能辅助信息抽取】第三周第一节Ⅲ信息抽取构建知识图谱实例.mp411.01MB11-【NLP项目一人工智能辅助信息抽取】第三周第二节-正则表达式与AC自动机算法讲解与应用.mp437.11MB12-【NLP项目一人工智能辅助信息抽取】第三周第三节Ⅰ中文自然语言处理基础.mp418.5MB13-【NLP项目一人工智能辅助信息抽取】第三周第三节Ⅱ命名实体识别详解.mp427.84MB14-【NLP项目一人工智能辅助信息抽取】第三周第三节Ⅲ隐马尔可夫模型与维特比算法.mp452.23MB15-【NLP项目一人工智能辅助信息抽取】第三周第四节：条件随机场.mp461.1MB16-【NLP项目一人工智能辅助信息抽取】第四周-2.1深度学习NLP问题.mp49.01MB17-【NLP项目一人工智能辅助信息抽取】第四周-2.2文本表示.mp471.13MB18-【NLP项目一人工智能辅助信息抽取】第四周-2.3文本特征抽取.mp480.9MB19-【NLP项目一人工智能辅助信息抽取】第四周-2.4常见NLP任务模型结构.mp415.51MB20-【NLP项目一人工智能辅助信息抽取】第四周-2.5 bilstm-crf模型介绍.mp436.85MB21-【NLP项目一人工智能辅助信息抽取】第四周-2.6 bilstm-crf实战.mp4134.95MB22-【NLP项目一人工智能辅助信息抽取】第四周-2.7 关系抽取介绍.mp425.88MB23-【NLP项目一人工智能辅助信息抽取】第四周-2.8 PCNN介绍.mp428.71MB24-【NLP项目一人工智能辅助信息抽取】第四周-2.9 PCNN实战.mp488.56MB25-【NLP项目一人工智能辅助信息抽取】3.1 图像预训练模型.mp422.73MB26-【NLP项目一人工智能辅助信息抽取】3.2 NLP预训练模型.mp453.76MB27-【NLP项目一人工智能辅助信息抽取】3.3 信息抽取深度学习综述.mp451.94MB28-【NLP项目一人工智能辅助信息抽取】3.4 BERT NER实战.mp4110.69MB29-【NLP项目一人工智能辅助信息抽取】3.5 总结与展望.mp442.16MB30-【CV项目一图像分割深度学习实战】第一周-1.1-背景介绍.mp439.19MB31-【CV项目一图像分割深度学习实战】第一周1.2.1-图像初步-可视化.mp440.97MB32-【CV项目一图像分割深度学习实战】第一周1.2.2-图像初步-图像运算.mp430.8MB33-【CV项目一图像分割深度学习实战】第一周1.3-训练数据准备.mp442.68MB34-【CV项目一图像分割深度学习实战】第一周-1.4-1-深度学习代码框架.mp446.33MB35-【CV项目一图像分割深度学习实战】第一周-1.4-2-pytorch基础知识.mp4183.39MB36-【CV项目一图像分割深度学习实战】第二周2.1-模版代码概述-A.mp453.19MB37-【CV项目一图像分割深度学习实战】第二周2.1-模版代码概述-B.mp467.19MB38-【CV项目一图像分割深度学习实战】第二周2.2-调参基础篇.mp426.97MB39-【CV项目一图像分割深度学习实战】第二周2.3-选择损失函数.mp411.94MB41-【CV项目一图像分割深度学习实战】第二周-2.5-调参-总结.mp413.95MB42-【CV项目一图像分割深度学习实战】第二周2.6-U-Net理论课.mp4217.5MB43-【CV项目一图像分割深度学习实战】第二周2.7-DeepLabv3+理论课.mp4120.79MB49-【CV项目一图像分割深度学习实战】第三周-3.3-梯度累积法.mp421.78MB50-【CV项目一图像分割深度学习实战】第三周-3.4-选择模型权重【网盘分享WPFX.LINK】.mp424.17MB51-【CV项目一图像分割深度学习实战】第三周-U-Net理论课进阶-迁移学习.mp4115.93MB53-【CV项目一图像分割深度学习实战】第四周-4.1-数据标注-a.mp421.53MB54-【CV项目一图像分割深度学习实战】第四周-4.1-数据标注-b.mp441.78MB58-【CV项目一图像分割深度学习实战】第四周-4.3-bad.mp413.07MB59-【CV项目一图像分割深度学习实战】第四周-算法工作分享——1面试准备.mp492.99MB60-【CV项目一图像分割深度学习实战】第四周-算法工作分享——2工作日常.mp494.1MB61-【CV项目一图像分割深度学习实战】第四周-算法工作分享——3职业前景.mp445.86MB62-【推荐系统项目一电影推荐项目】1.1：推荐系统简介.mp455.92MB63-【推荐系统项目一电影推荐项目】1.2： 简单的电影推荐.mp466.49MB64-【推荐系统项目一电影推荐项目】1.3： IMDB评分.mp447.38MB65-【推荐系统项目一电影推荐项目】1.4：基于内容推荐.mp4115.67MB66-【推荐系统项目一电影推荐项目】1.5：协同过滤算法.mp482.96MB67-【推荐系统项目】2.1criteo ctr.mp489.88MB68-【推荐系统项目】2.2FM&FFM.mp482.62MB69-【推荐系统项目】2.3Wide&Deep.mp471.63MB70-【推荐系统项目】2.4DeepFM.mp474.73MB71-【医疗知识图谱构建及图表征学习实践项目】课时0：项目先导课.mp430.67MB72-【医疗知识图谱构建及图表征学习实践项目】课时1：数据获取—爬虫.mp419.8MB73-【医疗知识图谱构建及图表征学习实践项目】课时2：数据处理.mp429.36MB74-【医疗知识图谱构建及图表征学习实践项目】课时3：BiLSTM+CRF.mp433.33MB75-【医疗知识图谱构建及图表征学习实践项目】课时4：NLP前沿技术讲解.mp466.12MB76-【医疗知识图谱构建及图表征学习实践项目】课时5：Neo4j.mp433.49MB77-【医疗知识图谱构建及图表征学习实践项目】课时6：图表征学习.mp440.12MB78-【医疗知识图谱构建及图表征学习实践项目】课时7：图表征算法代码学习.mp434.56MB79-【医疗知识图谱构建及图表征学习实践项目】课时8：项目总结.mp416.01MB80-【医疗知识图谱构建及图表征学习实践项目】补充内容：额外的LSTM.mp413.74MB81-【医疗知识图谱构建及图表征学习实践项目】补充内容：额外的python编码.mp418.61MB14-04 神经网络基础知识619.32MB
02-01-神经网络基础与多层感知机-0.mp450.27MB03-01-神经网络基础与多层感知机-1.mp439.18MB04-01-神经网络基础与多层感知机-2.mp458.01MB05-01-神经网络基础与多层感知机-3.mp436.52MB06-01-神经网络基础与多层感知机-4.mp472.88MB07-02-卷积神经网络-0.mp456.52MB08-02-卷积神经网络-1.mp488.02MB09-02-卷积神经网络-2.mp445.81MB10-03-循环神经网络-0.mp441.3MB11-03-循环神经网络-1.mp477.05MB12-03-循环神经网络-2.mp453.78MB15-06 OpenCV 图像基础1.12GB
02-1-1图像基础知识.mp425.87MB03-1-2图像基础知识.mp430.36MB04-1-3图像基础知识.mp450.56MB05-1-4图像基础知识.mp440.81MB06-2-1图像基本处理.mp454.16MB07-2_2图像基本处理.mp424.47MB08-2_3图像基本处理.mp444.18MB09-2_4图像基本处理.mp452.09MB10-2_5图像基本操作_图像滤波.mp458.94MB11-2_6图像基本操作_图像增强.mp440.22MB12-2-7形态学操作_腐蚀..mp443.71MB13-2_8形态学操作_膨胀开运算与闭运算.mp461.29MB14-3_1固定阈值分割.mp441.3MB15-3_2自动阈值分割.mp451.64MB16-3_3边缘检测算子.mp464.32MB17-3_4连通区域_区域生长算法.mp448.26MB18-3_5分水岭算法图像分割.mp442.8MB19-4_1特征描述_HOG.mp447.18MB20-4_2特征描述Harris和SIFT算法.mp438.34MB21-4_3纹理特征LBP算法.mp446.89MB22-4_4模板匹配算法.mp436.39MB23-4_5人脸检测算法.mp458.78MB24-5_1摄像头调用和视频的读取保存.mp452.42MB25-5_2帧差法视频目标识别.mp443.94MB26-5_3光流法和背景减除法..mp450.62MB16-【论文】baseline基础篇目——NLP9.99GB
02-1.1 joint-bert.mp472.2MB03-1.2 joint-bert.mp420.53MB04-1.3 joint-bert.mp410.51MB05-1.4 joint-bert.mp4163.58MB06-1.5 joint-bert.mp420.31MB07-1.6 joint-bert.mp42.42MB08-1.7 joint-bert.mp459.41MB09-1.8 joint-bert-代码.mp441.67MB10-1.9 joint-bert-代码.mp4171.59MB11-01 cnn_for-re-01（新版）.mp444.68MB12-01 cnn_for-re-02（新版）.mp462.23MB13-01 cnn_for-re-03（新版）.mp473MB14-01 cnn_for-re-04（新版）.mp477.66MB15-01 cnn_for-re-05（新版）.mp460.89MB16-01 code_cnn_for_re-06（新版）.mp489.23MB17-01 code_cnn_for_re-07（新版）.mp484.48MB18-01 code_cnn_for_re-08（新版）.mp498.82MB19-01 code_cnn_for_re-09（新版）.mp4109.69MB20-01 code_cnn_for_re-10（新版）.mp469.05MB21-03elmo-01-elmo的下游任务介绍..mp447MB22-03elmo-02-feature_based和fine_tuning.mp444.11MB23-03elmo-03-word2vec和charcnn回顾.mp435.84MB24-03elmo-04-Bidirectional_language_models.mp446.09MB25-03elmo-05-how to use emol..mp439.38MB26-03elmo-06-论文回顾..mp4117.24MB27-03elmo-07-代码预处理部分.mp4242.87MB28-03elmo-08-代码模型结构部分.mp4218.74MB29-03elmo-09-代码crf流程..mp4163.52MB30-03elmo-10-代码crf实现..mp4233.32MB31-01nodevec-01-研究背景.mp4.mp470.4MB32-01nodevec-02-研究成果.mp4.mp4177.29MB33-01nodevec-03-图的应用.mp4.mp498.82MB34-01nodevec-04-模型结构&BFS&DFS.mp4.mp4401.92MB35-01nodevec-05-模型算法&alias算法.mp4.mp4593.86MB36-01nodevec-06-实验分析.mp4.mp4515MB37-01nodevec-07-论文总结.mp4.mp4255.5MB38-01nodevec-08-代码整体介绍.mp4414.96MB39-01nodevec-09-代码节点和边的alias实现.mp4.mp4457.58MB40-01nodevec-10-代码有偏随机游走和模型训练.mp4.mp4183.1MB41-01nodevec-11-代码结果展示和总结.mp4.mp485.83MB42-01transformer-01-论文背景&研究成果.mp4134.08MB43-01transformer-02-attention回顾.mp4126.21MB44-01transformer-03-模型框架和self_attention.mp4114.95MB45-01transformer-04-模型小trick..mp4240.65MB46-01transformer-05-代码框架部分和encoder.mp4423.84MB47-01transformer-06-代码decoder和self_attention.mp4433.47MB48-01transformer-07-代码训练部分和预测部分.mp4537.31MB49-1.1 word2vec1-1背景知识.mp4200.15MB50-1.2 word2vec1-2论文泛读.mp4163.96MB51-1.3 word2vec2-1对比模型.mp4160.79MB52-1.4 word2vec2-2原理.mp489.22MB53-1.5 word2vec2-3word2vec关键技术.mp4123.18MB54-1.6 word2vec2-4模型复杂度.mp457.38MB55-1.7 word2vec2-5实验结果.mp4164.15MB56-1.8 word2vec3-1代码部分上.mp4240.51MB57-1.9 word2vec3-2代码部分下.mp4264.11MB58-1.1- BiLSTM-CRF-论文研究背景.mp4129.95MB59-1.2- BiLSTM-CRF-论文算法总览.mp492.2MB60-1.3-BiLSTM-CRF模型结构.mp473.23MB61-1.4-BiLSTM-CRF损失函数与维特比解码.mp456.29MB62-1.5- BiLSTM-CRF-实验结果与论文总结.mp435.22MB63-1.6- BiLSTM-CRF代码讲解.mp4180.9MB64-1.7- BiLSTM-CRF-NCR-Fpp代码详解.mp4155.81MB65-01DSSM-00专题引言.mp434.45MB66-01DSSM-01-学习目标..mp49.8MB67-01DSSM-02-论文背景-贡献及意义.mp421.73MB68-01DSSM-03摘要精读-总结.mp415.85MB69-01DSSM-04-上节回顾.mp412.39MB70-01DSSM-05-词哈希.mp427.39MB71-01DSSM-06-DSSM整体结构.mp413.01MB72-01DSSM-07-优化函数-实验与总结.mp420.27MB73-01DSSM-08-代码总览.mp422.27MB74-01DSSM-09-词哈希表的建立与数据载入.mp447.05MB75-01DSSM-10-模型的搭建与训练-测试.mp436.95MB17-【论文】baseline基础篇目——CV12.16GB
02-1.1 CRNN-泛读-背景论文.mp4239.74MB03-1.2 CRNN-泛读-研究成果及意义.mp479.27MB04-1.3 CRNN-泛读-LSTM-CTC-Beam Search-论文泛读.mp4134.24MB05-1.4 CRNN-精读-原有模型.mp437.97MB07-1.6 CRNN-精读-论文细节二三四.mp498.25MB08-1.7 CRNN-精读-实验结果及总结.mp440.13MB09-1.8 CRNN-code1.mp471.62MB10-1.9 CRNN-code2.mp475.49MB11-1.10 CRNN-code3.mp476.27MB12-1.11 CRNN-code4.mp426.15MB13-1.12 CRNN-code5.mp429.05MB14-YOLO-01-发展历史和YOLO v1.mp479.22MB15-YOLO-02-YOLO v2.mp4.mp4112.09MB16-YOLO-03-YOLO v3_2.mp4.mp4117.62MB17-YOLO-04-代码复现.mp445.47MB18-YOLO-05-数据预处理和网络结构代码讲解.mp4.mp4290.84MB19-YOLO-06-训练和检测代码讲解.mp445.15MB20-03{white}Faster{white}R-CNN-01-论文泛读_RCNN演变.mp4197.17MB21-03 Faster R-CNN-02-论文泛读_摘要和网络结构.mp4291.86MB22-03 Faster R-CNN-03-精读_结构总览.mp4.mp4189.81MB23-03 Faster R-CNN-04-精读Paper_背景介绍.mp4.mp4215.97MB24-03 Faster R-CNN-05-精读Paper_RPN与rpn_loss.mp4.mp4535.99MB25-03 Faster R-CNN-06-精读Paper_RPN训练.mp4.mp4317.93MB26-03 Faster R-CNN-07-精读Paper_实验和结论.mp4.mp4459.85MB27-03 Faster R-CNN-08-精读PPT_Anchor和RPN.mp4.mp4231.19MB28-03 Faster R-CNN-09-精读PPT_网络细节【网盘分享WPFX.LINK】.mp4102.33MB29-03 Faster R-CNN-10-代码讲解_训练VOC数据集.mp4211.14MB30-03 Faster R-CNN-11-代码讲解_backbone网络讲解.mp4378.81MB31-03 Faster R-CNN-12-代码讲解_RPN.mp447.96MB32-03 Faster R-CNN-13-代码讲解_数据和标签的同步处理(Dataset类).mp4287.45MB33-03 Faster R-CNN-14代码讲解_建议框的生成(Proposal layer).mp4154.31MB34-03 Faster R-CNN-15-代码讲解_Anchor box的生成和正负样本的划分.mp4380.29MB35-01GAN-01-论文摘要.mp4147.71MB36-01GAN-02-论文背景.mp459.74MB37-01GAN-03-论文泛读.mp4198.37MB38-01GAN-04-价值函数.mp486.38MB39-01GAN-05-训练流程&理论证明1.mp475.72MB40-01GAN-06-理论证明2&实验结果&总结展望.mp4115.88MB41-01GAN-07-代码分析综述.mp4131.77MB42-01GAN-08-代码分析精讲.mp4194.73MB43-01mobileNet-01-背景介绍.mp451.82MB44-01mobileNet-02-论文结构&摘要精读.mp4143.8MB45-01mobileNet-03-主体架构&深度可分离卷积.mp4187.3MB46-01MobileNet-04-超参数.mp4128.33MB47-01mobileNet-05-后续创新及改进.mp4119.38MB49-01MobileNets-07-模型设计.mp488.27MB50-01MobileNets-08-模型评估.mp4150.81MB51-01FCN-01-语意分割简介.mp460.32MB52-01FCN-02常用数据集-指标-研究成果..mp466.09MB53-01FCN-03-论文摘要精读..mp4202.53MB54-01FCN-04-论文引言-全局信息及部分信息.mp4114.78MB55-01FCN-05-感受域&平移不变性.mp4112.51MB56-01FCN-06-经典算法&本文算法-上采样.mp457.42MB57-01FCN-07-算法架构..mp4103.19MB58-01FCN-08-训练技巧&实验结果及分析..mp4119.27MB59-01FCN-09-讨论&总结.mp428.19MB60-01FCN-10-代码实现.mp463.7MB61-01FCN-11-数据预处理..mp4138.36MB62-01FCN-12-模型搭建.mp4155.84MB63-01FCN-13-训练-验证&预测函数搭建..mp4104.17MB64-01FCN-14-损失函数【网盘分享WPFX.LINK】.mp495.08MB65-01FCN-15-指标计算.mp4130.86MB66-01AlexNet-01-研究背景.mp4155.77MB67-01AlexNet-02- 研究成果意义.mp424.05MB68-01AlexNet-03-论文结构.mp481.13MB69-01AlexNet-04-结构.mp471.65MB70-01AlexNet-05网络结构特点.mp4226.1MB71-01AlexNet-06-训练技巧.mp478.92MB72-01AlexNet-07实验结果及分析.mp495.69MB73-01AlexNet-08-论文总结.mp452.16MB74-01AlexNet-09-准备工作&代码结构.mp493.6MB75-01AlexNet-10-代码结构.mp4196.09MB76-01AlexNet-11-代码结构.mp483.08MB77-01AlexNet-12- 代码结构4&训练方法.mp4421.73MB78-1.1 特征脸识别-人脸识别背景介绍.mp4109.04MB79-1.2 特征脸识别-论文研究背景成果以及意义.mp478.72MB80-1.3 特征脸识别-论文泛读摘要部分.mp4131.86MB81-1.4 特征脸识别-论文泛读介绍部分.mp481.39MB82-1.5 特征脸识别-论文泛读相关工作部分.mp4100.49MB83-1.6 特征脸识别-论文精读PCA补充.mp4133.72MB84-1.7 特征脸识别-论文精读特征脸计算上.mp4245.61MB85-1.8 特征脸识别-论文精读特征脸计算中.mp4162.81MB86-1.9 特征脸识别-论文精读特征脸计算下.mp4267.53MB87-1.10 特征脸识别-代码讲解pca计算.mp4118.07MB88-1.11 特征脸识别-代码讲解特征提取以及人脸重构.mp478.57MB89-1.12 特征脸识别-代码讲解人脸分类之最短距离方法.mp477.75MB90-1.13 特征脸识别-代码讲解人脸分类之SVM方法.mp468.57MB91-1.14 特征脸识别-代码讲解人脸分类之神经网络方法.mp4153.78MB92-1.15 特征脸识别-论文总结.mp428.74MB18-【NLP经典大赛】数据科学： 疫情期间网民情绪识别赛730.08MB
01-打造舒适的AI开发环境.mp4100.84MB02-【01课】赛题详解.mp4156.41MB03-【02课】比赛专题讲解.mp4125.32MB04-【03课】模型调参和文本增强比赛专题讲解.mp4121.68MB05-【04课】比赛思路进阶专题讲解.mp499.24MB06-【05课】比赛思路全复盘（纯干货）.mp4126.57MB19-面试刷题班4.03GB
04-开营仪式—老师部分.mp481.28MB05-【了解机器学习中的特征工程和模型评估】P1快速排序.mp435.42MB06-【了解机器学习中的特征工程和模型评估】P2堆排序.mp434.87MB07-【了解机器学习中的特征工程和模型评估】P3滑动窗口.mp425.24MB08-【了解机器学习中的特征工程和模型评估】P4双指针.mp427.9MB09-【了解监督学习中的经典算法】P1逻辑回归.mp432.73MB10-【了解监督学习中的经典算法】P2决策树.mp441.34MB12-【学习支持向量机】P1几个重要的概念.mp422.15MB13-【学习支持向量机】P2svm最优化问题.mp439.2MB14-【学习支持向量机】P3硬间隔SVM最优化问题的推导.mp496.87MB15-【学习支持向量机】P4线性可分SVM.mp466MB16-【学习支持向量机】P5核函数.mp477.82MB17-【学习支持向量机】P6smo算法.mp4129.72MB18-【数据结构和算法】P1KMP算法.mp476.58MB19-【数据结构和算法】P2二分搜索.mp466.96MB20-【数据结构和算法】P3哈希表.mp434.23MB21-【了解机器学习中如何降维处理】PCA和LDA.mp467.52MB23-【了解机器学习中的非监督学习算法】K-means.mp455.13MB24-【数据结构和算法】P1虚拟头结点.mp478.52MB25-【数据结构和算法】P2链表中环的入口结点.mp478.52MB26-【数据结构和算法】P3删除链表中重复的结点.mp438.28MB27-【数据结构和算法】P4栈，队列.mp453.21MB28-【机器学习中的概率图模型】P1hmm的引出和问题的介绍.mp435.71MB29-【机器学习中的概率图模型】P2HMM预测问题之维特比算法.mp4125.42MB30-【机器学习中的概率图模型】P3crf的一些基础概念.mp481.5MB31-【机器学习中的概率图模型】P4crf具体介绍.mp4101.93MB33-【数据结构和算法】P1DFS和BFS.mp438.73MB34-【数据结构和算法】P2最短路径.mp435.67MB35-【数据结构和算法】P3最小生成树.mp432.4MB36-【数据结构和算法】P4二叉树的遍历.mp427.83MB37-【数据结构和算法】P4二叉搜索树和平衡二叉树.mp481.7MB38-【前向神经网络】P1网络图和激活函数.mp427.04MB39-【前向神经网络】P2前向传播.mp449.22MB40-【前向神经网络】P3损失函数选用.mp426.01MB41-【前向神经网络】P4反向传播1.mp479.04MB42-【前向神经网络】P5反向传播2.mp457.35MB43-【了解序列数据中常用的循环神经网络】P1RNN.mp422.47MB44-【了解序列数据中常用的循环神经网络】P2GRU和LSTM.mp411.63MB46-【集成学习的原理和常见的集成学习】P1提升树算法.mp425.66MB47-【集成学习的原理和常见的集成学习】P2梯度提升树算法.mp426.23MB48-【集成学习的原理和常见的集成学习】P3二分类问题.mp437.45MB49-【集成学习的原理和常见的集成学习】P4多分类问题和回归问题.mp411.66MB50-【数据结构和算法】01背包问题.mp447.05MB51-【数据结构和算法】什么是动态规划(leetcode 70题).mp418.3MB52-【数据结构和算法】回溯法(机器人的运动范围).mp466.27MB53-【数据结构和算法】什么是递归(斐波那契额数列-跳台阶-变态跳台阶).mp438.55MB54-【数据结构和算法】leetcode416（01背包实例）.mp436.41MB55-【数据结构和算法】最长公共子序列(leetcode 1143题).mp427.3MB56-【数据结构和算法】最长上升子序列(leetcode 300题).mp424.12MB57-【xgboost的原理以及常见面试题】P1xgboost的一些预备知识.mp420.54MB58-【xgboost的原理以及常见面试题】P2结构分.mp426.77MB59-【xgboost的原理以及常见面试题】P3贪心算法寻找分裂点.mp433.79MB60-【xgboost的原理以及常见面试题】P4近似算法和加权分桶.mp445.57MB61-【xgboost的原理以及常见面试题】P5缺失值处理算法.mp420.02MB62-【xgboost的原理以及常见面试题】P6其他优化.mp411.12MB64-【了解优化算法的原理】P1深度学习中的优化问题.mp418.96MB65-【了解优化算法的原理】P2梯度下降简单的数学原理.mp423.21MB66-【了解优化算法的原理】P3随机梯度下降和小批量随机梯度下降.mp410.38MB67-【了解优化算法的原理】P4动量法.mp429.39MB68-【了解优化算法的原理】P5常见的一些改进的优化算法.mp434.29MB69-【了解常见的采样方法-作用-具体实现，以及应用】P1蒙塔卡罗模拟定积分和重要性采样.mp432.67MB70-【了解常见的采样方法-作用-具体实现，以及应用】P2.mp422.86MB71-【了解常见的采样方法-作用-具体实现，以及应用】P3.mp454.74MB72-【了解常见的采样方法-作用-具体实现，以及应用】P4.mp419.63MB74-面试刷题班 8月5日直播答疑.mp4355.32MB76-面试刷题班 8月9日直播答疑.mp4357.08MB78-面试刷题班 8月15日直播答疑.mp4407.94MB80-面试刷题班 8月22日直播答疑.mp4151.49MB20-05 NLP基础知识3.99GB
02-1-1 前言..mp4181.87MB03-1-2 研究方向概述..mp4142.59MB04-2-1 预备知识..mp482.84MB05-2-2 NLP问题中的特征..mp485.13MB06-2-3 特征输入..mp4152.25MB07-2-4 文本的向量化表示与案例实现..mp4120.55MB08-3-1 统计语言模型简介与案例实现..mp4279.29MB09-3-2 语言模型任务评估..mp4106.57MB10-3-3 神经语言模型简介与代码实现..mp4340.85MB11-3-4 预训练的词表示及其使用实例..mp4143.4MB12-4-1 word2vec原理..mp4159.83MB13-4-2 word2vec代码复现..mp4409.43MB14-4-3 word2vec项目实战展示..mp4213.51MB15-4-4 BERT使用实战讲解..mp4247.82MB16-4-5 MLP模型与实战..mp4204.34MB17-4-6 RNN模型原理-代码复现与实战..mp4339.92MB18-5-1 HMM序列标注..mp471.02MB19-5-2 HMM模型简介..mp4130.72MB20-5-3 HMM样本生成..mp4166.83MB21-5-4 HMM训练..mp490.57MB22-5-5 HMM预测..mp4127.18MB23-5-6 HMM代码实现..mp4287.92MB代码资料汇总143.69MB
02代码资料汇总.exe143.69MB课件合集PDF版本293.08MB
01机器学习概述2.38MB
01-01-机器学习概述.pdf2.38MB02线性回归47.59MB
02-01-线性回归简介、数学符号、假设函数、损失函数、代价函数.pdf3.31MB02-02-梯度下降法.pdf3.22MB02-03-梯度下降法代码实现.pdf3.01MB02-04-使用梯度下降法求解线性回归问题.pdf3.17MB02-05-线性回归代码实现.pdf1.83MB02-06-线性回归代码实现-做特征归一化.pdf3.01MB02-07-批量梯度下降，随机梯度下降，小批量梯度下降.pdf3.06MB02-08-几种常见的模型评价指标.pdf3.05MB02-09-欠拟合与过拟合.pdf1.87MB02-10-Ridge回归求解与代码实现.pdf1.83MB02-11-LASSO回归求解.pdf1.85MB02-12-LASSO回归求解举例说明.pdf3.11MB02-13-LASSO回归代码实现.pdf2.98MB02-14-最小二乘法求线性回归.pdf3.13MB02-15-最小二乘法代码实现.pdf2.98MB02-16-使用Sklearn实现Ridge，LASSO和ElasticNet.pdf3.1MB02-17-波士顿房价预测.pdf3.08MB03逻辑回归28.28MB
03-01-逻辑回归简介、假设函数、损失函数、成本函数.pdf3.36MB03-02-逻辑回归求解.pdf3.57MB03-03-一个示例解释逻辑回归的求解公式.pdf3.06MB03-04-逻辑回归代码实现.pdf2.96MB03-05-逻辑回归的正则化.pdf3.03MB03-06-逻辑回归实现多分类方法.pdf3.29MB03-07-使用Sklearn实现逻辑回归.pdf2.96MB03-08-案例：鸢尾花分类.pdf2.98MB03-09-案例：手写数字识别.pdf3.05MB04决策树32.99MB
04-01-决策树简介、熵.pdf1.92MB04-02-条件熵及计算举例.pdf3.11MB04-03-信息增益、ID3算法.pdf3.29MB04-04-决策树代码实现.pdf2.96MB04-05-C4.pdf3.14MB04-06-基尼指数(Gini Index)生成决策树.pdf3.15MB04-07-决策树剪枝.pdf3.1MB04-08-决策树处理连续值与缺失值.pdf3.1MB04-09-多变量决策树.pdf3.2MB04-10-Sklearn实现决策树.pdf2.96MB04-11-案例：使用决策树进行个人信用风险评估.pdf3.06MB05朴素贝叶斯24.59MB
05-01-贝叶斯决策简介.pdf3.2MB05-02-贝叶斯决策模型.pdf3.21MB05-03-朴素贝叶斯模型.pdf3.12MB05-04-朴素贝叶斯代码实现.pdf2.96MB05-05-拉普拉斯修正及代码实现.pdf3.03MB05-06-朴素贝叶斯如何处理连续型数据.pdf3.11MB05-07-Sklearn实现朴素贝叶斯.pdf2.96MB05-08-案例：垃圾邮件识别.pdf3MB06支持向量机52.56MB
06-01-支持向量机简介.pdf3.08MB06-02-线性可分支持向量机(几何间隔，函数间隔，目标函数).pdf3.48MB06-03-拉格朗日乘子法求带有等式约束的极值问题.pdf3.17MB06-04-拉格朗日乘子法求带有不等式约束的极值问题、KKT条件.pdf3.23MB06-05-目标函数求解(1.pdf3.08MB06-06-目标函数求解(2.pdf3.17MB06-07-SVM求解举例.pdf3.28MB06-08-线性支持向量机的目标函数.pdf1.71MB06-09-线性支持向量机目标函数优化.pdf3.21MB06-10-非线性支持向量机简介.pdf3.47MB06-11-非线性支持向量机的目标函数.pdf3.04MB06-12-SMO算法推导结果.pdf3.07MB06-13-SVM代码实现.pdf2.96MB06-14-SMO算法推导过程.pdf3.52MB06-15-SVM总结.pdf3.16MB06-16-Sklearn实现SVM.pdf2.96MB06-17-案例：使用SVM完成人脸识别.pdf2.96MB07聚类35.38MB
07-01-K-means基本原理及推导.pdf3.17MB07-02-K-means中距离计算方法.pdf3.05MB07-03-K-means代码实现.pdf1.73MB07-04-层次聚类原理及距离计算.pdf3.33MB07-05-层次聚类举例.pdf3.03MB07-06-Sklearn实现层次聚类.pdf2.96MB07-07-密度聚类.pdf3.08MB07-08-Sklearn实现密度聚类.pdf2.96MB07-09-高斯混合模型介绍.pdf3.15MB07-10-高斯混合模型参数估计.pdf2.98MB07-11-高斯混合模型代码实现.pdf2.96MB07-12-案例：对亚洲足球队进行聚类分析.pdf2.96MB08主成分分析21.18MB
08-01-主成分分析介绍.pdf3.11MB08-02-协方差矩阵的特征值分解算法.pdf3.06MB08-03-协方差矩阵的特征值分解算法代码实现.pdf2.97MB08-04-基于数据矩阵的奇异值分解算法.pdf3.02MB08-05-基于数据矩阵的奇异值分解算法代码实现.pdf2.97MB08-06-Sklearn实现PCA.pdf3.09MB08-07-案例：PCA实现照片压缩.pdf2.96MB09集成学习48.13MB
09-01-集成学习介绍.pdf2.98MB09-02-Voting能够提高准确度的原因.pdf2.99MB09-03-Voting原理.pdf3.04MB09-04-Voting代码实现.pdf2.96MB09-05-Bagging与随机森林及其代码实现.pdf3.04MB09-06-Boosting.pdf3.04MB09-07-Adaboost举例.pdf1.92MB09-08-AdaBoost代码实现.pdf2.96MB09-09-GBDT之提升和提升树概念.pdf3.01MB09-10-GBDT梯度提升树.pdf3.04MB09-11-XGBoost介绍，目标函数，正则项.pdf3.6MB09-12-XGBoost求解.pdf3.1MB09-13-XGBoost树结构生成.pdf3.29MB09-14-XGBoost代码实现.pdf2.96MB09-15-Stacking.pdf3.27MB09-16-Stacking 代码实现.pdf2.96MB