最后编辑:2024-10-11
- 资源介绍
网盘截图：
课程目录：
├── 5-Opencv图像处理框架实战
│ ├── 16-背景建模
│ │ ├── 1-背景消除-帧差法.mp4
│ │ ├── 4-背景建模实战.mp4
│ │ ├── 3-学习步骤.mp4
│ │ ├── 2-混合高斯模型.mp4
│ ├── 6-边缘检测
│ │ ├── 2-非极大值抑制.mp4
│ │ ├── 3-边缘检测效果.mp4
│ │ ├── 1-Canny边缘检测流程.mp4
│ ├── 7-图像金字塔与轮廓检测
│ │ ├── 3-轮廓检测方法.mp4
│ │ ├── 4-轮廓检测结果.mp4
│ │ ├── 5-轮廓特征与近似.mp4
│ │ ├── 6-模板匹配方法.mp4
│ │ ├── 7-匹配效果展示.mp4
│ │ ├── 2-金字塔制作方法.mp4
│ │ ├── 1-图像金字塔定义.mp4
│ ├── 19-项目实战-目标追踪
│ │ ├── 3-深度学习检测框架加载.mp4
│ │ ├── 5-多进程目标追踪.mp4
│ │ ├── 4-基于dlib与ssd的追踪.mp4
│ │ ├── 6-多进程效率提升对比.mp4
│ │ ├── 2-多目标追踪实战.mp4
│ │ ├── 1-目标追踪概述.mp4
│ ├── 14-项目实战-停车场车位识别
│ │ ├── 4-车位直线检测.mp4
│ │ ├── 3-图像数据预处理.mp4
│ │ ├── 7-识别模型构建.mp4
│ │ ├── 8-基于视频的车位检测.mp4
│ │ ├── 6-车位区域划分.mp4
│ │ ├── 5-按列划分区域.mp4
│ │ ├── 1-任务整体流程.mp4
│ │ ├── 2-所需数据介绍.mp4
│ ├── 12-图像特征-sift
│ │ ├── 6-opencv中sift函数使用.mp4
│ │ ├── 4-生成特征描述.mp4
│ │ ├── 3-特征关键点定位.mp4
│ │ ├── 2-高斯差分金字塔.mp4
│ │ ├── 1-尺度空间定义.mp4
│ │ ├── 5-特征向量生成.mp4
│ ├── 9-项目实战-信用卡数字识别
│ │ ├── 5-模板匹配得出识别结果.mp4
│ │ ├── 3-模板处理方法.mp4
│ │ ├── 4-输入数据处理方法.mp4
│ │ ├── 2-环境配置与预处理.mp4
│ │ ├── 1-总体流程与方法讲解.mp4
│ ├── 3-阈值与平滑处理
│ │ ├── 1-图像阈值.mp4
│ │ ├── 3-高斯与中值滤波.mp4
│ │ ├── 2-图像平滑处理.mp4
│ ├── 10-项目实战-文档扫描OCR识别
│ │ ├── 5-tesseract-ocr安装配置.mp4
│ │ ├── 2-文档轮廓提取.mp4
│ │ ├── 6-文档扫描识别效果.mp4
│ │ ├── 4-透视变换结果.mp4
│ │ ├── 1-整体流程演示.mp4
│ │ ├── 3-原始与变换坐标计算.mp4
│ ├── 8-直方图与傅里叶变换
│ │ ├── 3-均衡化效果.mp4
│ │ ├── 4-傅里叶概述.mp4
│ │ ├── 6-低通与高通滤波.mp4
│ │ ├── 5-频域变换结果.mp4
│ │ ├── 2-均衡化原理.mp4
│ │ ├── 1-直方图定义.mp4
│ ├── 11-图像特征-harris
│ │ ├── 4-特征归属划分.mp4
│ │ ├── 2-基本数学原理.mp4
│ │ ├── 5-opencv角点检测效果.mp4
│ │ ├── 3-求解化简.mp4
│ │ ├── 1-角点检测基本原理.mp4
│ ├── 18-Opencv的DNN模块
│ │ ├── 1-dnn模块.mp4
│ │ ├── 2-模型加载结果输出.mp4
│ ├── 4-图像形态学操作
│ │ ├── 2-膨胀操作.mp4
│ │ ├── 3-开运算与闭运算.mp4
│ │ ├── 5-礼帽与黑帽.mp4
│ │ ├── 1-腐蚀操作.mp4
│ │ ├── 4-梯度计算.mp4
│ ├── 1-课程简介与环境配置
│ │ ├── 2-Python与Opencv配置安装.mp4
│ │ ├── 1-课程简介.mp4
│ │ ├── 3-Notebook与IDE环境.mp4
│ ├── 5-图像梯度计算
│ │ ├── 3-scharr与lapkacian算子.mp4
│ │ ├── 2-梯度计算方法.mp4
│ │ ├── 1-Sobel算子.mp4
│ ├── 2-图像基本操作
│ │ ├── 3-ROI区域.mp4
│ │ ├── 4-边界填充.mp4
│ │ ├── 5-数值计算.mp4
│ │ ├── 2-视频的读取与处理.mp4
│ │ ├── 1-计算机眼中的图像.mp4
│ ├── 21-项目实战-疲劳检测
│ │ ├── 2-获取人脸关键点.mp4
│ │ ├── 4-闭眼检测.mp4
│ │ ├── 3-定位效果演示.mp4
│ │ ├── 5-检测效果.mp4
│ │ ├── 1-关键点定位概述.mp4
│ ├── 20-卷积原理与操作
│ │ ├── 4-pading与stride.mp4
│ │ ├── 2-卷积层解释.mp4
│ │ ├── 8-卷积操作流程.mp4
│ │ ├── 5-卷积参数共享.mp4
│ │ ├── 3-卷积计算过程.mp4
│ │ ├── 7-卷积效果演示.mp4
│ │ ├── 1-卷积神经网络的应用.mp4
│ │ ├── 6-池化层原理.mp4
│ ├── 17-光流估计
│ │ ├── 3-推导求解.mp4
│ │ ├── 4-光流估计实战.mp4
│ │ ├── 1-基本概念.mp4
│ │ ├── 2-Lucas-Kanade算法.mp4
│ ├── 13-案例实战-全景图像拼接
│ │ ├── 4-流程解读.mp4
│ │ ├── 1-特征匹配方法.mp4
│ │ ├── 3-图像拼接方法.mp4
│ │ ├── 2-RANSAC算法.mp4
│ ├── 15-项目实战-答题卡识别判卷
│ │ ├── 2-预处理操作.mp4
│ │ ├── 1-整体流程与效果概述.mp4
│ │ ├── 3-填涂轮廓检测.mp4
│ │ ├── 4-选项判断识别.mp4
├── 3-深度学习必备核⼼算法
│ ├── 3-Transformer
│ │ ├── 1-Transformer.mp4
│ ├── 4-VIT源码解读
│ │ ├── 1-VIT源码解读.mp4
│ ├── 1-神经网络结构
│ │ ├── 1-神经网络结构.mp4
│ ├── 2-卷积神经网络
│ │ ├── 1-卷积神经网络.mp4
├── 22-自然语言处理经典案例实战
│ ├── 11-NLP-相似度模型
│ │ ├── 4-数据预处理.mp4
│ │ ├── 3-正负样本制作.mp4
│ │ ├── 2-数据展示.mp4
│ │ ├── 7-基于句子的相似度训练.mp4
│ │ ├── 5-网络模型定义.mp4
│ │ ├── 1-任务概述.mp4
│ │ ├── 6-基于字符的训练.mp4
│ ├── 5-HMM隐马尔科夫模型
│ │ ├── 8-Baum-Welch算法.mp4
│ │ ├── 9-参数求解.mp4
│ │ ├── 2-隐马尔科夫模型基本出发点.mp4
│ │ ├── 3-组成与要解决的问题.mp4
│ │ ├── 6-前向算法.mp4
│ │ ├── 10-维特比算法.mp4
│ │ ├── 1-马尔科夫模型.mp4
│ │ ├── 4-暴力求解方法.mp4
│ │ ├── 5-复杂度计算.mp4
│ │ ├── 7-前向算法求解实例.mp4
│ ├── 7-语言模型
│ │ ├── 2-语言模型.mp4
│ │ ├── 10-负采样模型.mp4
│ │ ├── 7-CBOW模型实例.mp4
│ │ ├── 1-开篇.mp4
│ │ ├── 4-词向量.mp4
│ │ ├── 6-Hierarchical Softmax.mp4
│ │ ├── 5-神经网络模型.mp4
│ │ ├── 3-N-gram模型.mp4
│ │ ├── 9-锑度上升求解.mp4
│ │ ├── 8-CBOW求解目标.mp4
│ ├── 2-商品信息可视化与文本分析
│ │ ├── 7-通过降维进行可视化展示.mp4
│ │ ├── 4-商品描述长度对价格的影响分析.mp4
│ │ ├── 6-基于tf-idf提取关键词信息.mp4
│ │ ├── 5-关键词的词云可视化展示.mp4
│ │ ├── 1-在线商城商品数据信息概述.mp4
│ │ ├── 2-商品类别划分方式.mp4
│ │ ├── 3-商品类别可视化展示.mp4
│ │ ├── 8-聚类分析与主题模型展示.mp4
│ ├── 12-LSTM情感分析
│ │ ├── 3-案例：使用LSTM进行情感分类.mp4
│ │ ├── 2-LSTM网络架构.mp4
│ │ ├── 5-基于word2vec的LSTM模型.mp4
│ │ ├── 4-情感数据集处理.mp4
│ │ ├── 1-RNN网络架构.mp4
│ ├── 6-HMM工具包实战
│ │ ├── 4-实现中文分词.mp4
│ │ ├── 1-hmmlearn工具包.mp4
│ │ ├── 3-中文分词任务.mp4
│ │ ├── 2-工具包使用方法.mp4
│ ├── 3-贝叶斯算法
│ │ ├── 3-贝叶斯拼写纠错实例.mp4
│ │ ├── 4-垃圾邮件过滤实例.mp4
│ │ ├── 5-贝叶斯实现拼写检查器.mp4
│ │ ├── 1-贝叶斯算法概述.mp4
│ │ ├── 2-贝叶斯推导实例.mp4
│ ├── 10-NLP-文本特征方法对比
│ │ ├── 5-word2vec词向量模型.mp4
│ │ ├── 6-深度学习模型.mp4
│ │ ├── 1-任务概述.mp4
│ │ ├── 4-TFIDF模型.mp4
│ │ ├── 3-词袋模型分析.mp4
│ │ ├── 2-词袋模型.mp4
│ ├── 4-新闻分类任务实战
│ │ ├── 2-相似度计算.mp4
│ │ ├── 6-基于贝叶斯算法进行新闻分类.mp4
│ │ ├── 1-文本分析与关键词提取.mp4
│ │ ├── 5-LDA建模.mp4
│ │ ├── 4-TF-IDF关键词提取.mp4
│ │ ├── 3-新闻数据与任务简介.mp4
│ ├── 14-对话机器人
│ │ ├── 4-词向量与投影.mp4
│ │ ├── 5-seq网络.mp4
│ │ ├── 1-效果演示.mp4
│ │ ├── 2-参数配置与数据加载.mp4
│ │ ├── 6-网络训练.mp4
│ │ ├── 3-数据处理.mp4
│ ├── 1-NLP常用工具包实战
│ │ ├── 9-Spacy工具包.mp4
│ │ ├── 11-恐怖袭击分析.mp4
│ │ ├── 5-NLTK工具包简介.mp4
│ │ ├── 13-结巴分词器.mp4
│ │ ├── 3-正则常用符号.mp4
│ │ ├── 14-词云展示.mp4
│ │ ├── 6-停用词过滤.mp4
│ │ ├── 10-名字实体匹配.mp4
│ │ ├── 12-统计分析结果.mp4
│ │ ├── 1-Python字符串处理.mp4
│ │ ├── 4-常用函数介绍.mp4
│ │ ├── 7-词性标注.mp4
│ │ ├── 2-正则表达式基本语法.mp4
│ │ ├── 8-数据清洗实例.mp4
│ ├── 9-基于word2vec的分类任务
│ │ ├── 3-准备word2vec输入数据.mp4
│ │ ├── 4-使用gensim构建word2vec词向量（新）.mp4
│ │ ├── 2-基于词袋模型训练分类器.mp4
│ │ ├── 1-影评情感分类.mp4
│ ├── 13-机器人写唐诗
│ │ ├── 6-完成训练模块.mp4
│ │ ├── 4-batch数据制作.mp4
│ │ ├── 5-RNN模型定义.mp4
│ │ ├── 3-数据预处理模块.mp4
│ │ ├── 2-参数配置.mp4
│ │ ├── 8-测试唐诗生成效果.mp4
│ │ ├── 1-任务概述与环境配置.mp4
│ │ ├── 7-训练唐诗生成模型.mp4
│ ├── 8-使用Gemsim构建词向量
│ │ ├── 1-使用Gensim库构造词向量.mp4
│ │ ├── 4-测试模型相似度结果.mp4
│ │ ├── 2-维基百科中文数据处理.mp4
│ │ ├── 3-Gensim构造word2vec模型.mp4
├── 20-CV与NLP经典大模型解读
│ ├── 12-自监督任务-对比学习思想
│ │ ├── 2-正负样本构建方法.mp4
│ │ ├── 1-对比学习要解决的问题分析.mp4
│ │ ├── 4-下游任务应用概述.mp4
│ │ ├── 3-Simclr框架流程分析.mp4
│ ├── 11-openai-dalle2源码解读
│ │ ├── 1-项目整体流程分析.mp4
│ │ ├── 4-Decoder模块实现细节解读.mp4
│ │ ├── 2-源码实现细节分析.mp4
│ │ ├── 5-源码实现流程总结.mp4
│ │ ├── 3-源码公式对应论文分析.mp4
│ ├── 18-补充-视觉大模型基础-deformableAttention
│ │ ├── 6-下游任务应用场景.mp4
│ │ ├── 4-论文计算公式解读.mp4
│ │ ├── 5-整体框架流程实例.mp4
│ │ ├── 2-可变形偏移量分析.mp4
│ │ ├── 3-应用场景分析解读.mp4
│ │ ├── 1-DeformableAttention概述分析.mp4
│ ├── 9-扩散模型diffusion架构算法解读
│ │ ├── 3-公式原理推导解读.mp4
│ │ ├── 10-基本建模训练效果.mp4
│ │ ├── 4-分布相关计算操作.mp4
│ │ ├── 1-扩散模型概述与GAN遇到的问题.mp4
│ │ ├── 8-论文流程图解读.mp4
│ │ ├── 7-细节实现总结.mp4
│ │ ├── 2-要完成的任务分析.mp4
│ │ ├── 9-案例流程分析.mp4
│ │ ├── 6-公式推导结果分析.mp4
│ │ ├── 5-算法实现细节推导.mp4
│ ├── 4-chatgpt算法解读分析
│ │ ├── 1-chatgpt概述.mp4
│ │ ├── 2-挑战及其与有监督问题差异.mp4
│ │ ├── 4-强化学习的作用效果.mp4
│ │ ├── 3-强化学习登场.mp4
│ │ ├── 7-总结分析.mp4
│ │ ├── 6-RLHF训练流程解读.mp4
│ │ ├── 5-奖励模型设计方法.mp4
│ ├── 8-视觉QA算法与论文解读
│ │ ├── 1-视觉QA要解决的问题.mp4
│ │ ├── 5-VQA任务总结.mp4
│ │ ├── 3-实现流程路线图.mp4
│ │ ├── 4-答案关注区域分析.mp4
│ │ ├── 2-论文概述分析.mp4
│ ├── 17-BEVformer项目源码解读
│ │ ├── 1-环境配置方法解读.mp4
│ │ ├── 6-BEV空间与图像空间位置对应.mp4
│ │ ├── 2-数据集下载与配置方法.mp4
│ │ ├── 8-BEV空间特征构建.mp4
│ │ ├── 10-获取当前BEV特征.mp4
│ │ ├── 3-特征提取以及BEV空间初始化.mp4
│ │ ├── 9-Decoder要完成的任务分析.mp4
│ │ ├── 4-特征对齐与位置编码初始化.mp4
│ │ ├── 11-Decoder级联校正模块.mp4
│ │ ├── 7-注意力机制模块计算方法.mp4
│ │ ├── 12-损失函数与预测可视化.mp4
│ │ ├── 5-Reference初始点构建.mp4
│ ├── 15-视觉自监督任务BEITV2源码解读
│ │ ├── 1-mmselfup源码实现解读.mp4
│ │ ├── 2-网络结构搭建细节解读.mp4
│ │ ├── 3-源码实现流程总结.mp4
│ ├── 16-BEV感知特征空间算法解读
│ │ ├── 1-BEV要解决的问题通俗解读.mp4
│ │ ├── 2-BEV中的3D与4D分析.mp4
│ │ ├── 8-论文知识点分析.mp4
│ │ ├── 5-DeformableAttention回顾.mp4
│ │ ├── 4-BEV汇总特征方法实例解读.mp4
│ │ ├── 9-核心模块论文分析.mp4
│ │ ├── 3-特征融合过程中可能遇到的问题.mp4
│ │ ├── 10-整体架构总结.mp4
│ │ ├── 6-空间注意力模块解读.mp4
│ │ ├── 7-时间模块与拓展补充.mp4
│ ├── 6-LLM下游任务训练自己模型实战
│ │ ├── 2-基本API调用方法.mp4
│ │ ├── 5-数据切块方法.mp4
│ │ ├── 3-数据文档切分操作.mp4
│ │ ├── 4-样本索引与向量构建.mp4
│ │ ├── 1-提示工程的作用.mp4
│ ├── 1-课程简介
│ │ ├── 1-课程简介.mp4
│ ├── 2-GPT系列算法解读
│ │ ├── 1-GPT系列算法概述.mp4
│ │ ├── 7-应用场景CODEX分析.mp4
│ │ ├── 3-GPT初代版本要解决的问题.mp4
│ │ ├── 8-DEMO应用演示.mp4
│ │ ├── 2-GPT三代版本分析.mp4
│ │ ├── 6-GPT3的提示与生成方法.mp4
│ │ ├── 5-采样策略与多样性.mp4
│ │ ├── 4-GPT第二代版本训练策略.mp4
│ ├── 5-LLM与LORA微调策略解读
│ │ ├── 1-大模型如何做下游任务.mp4
│ │ ├── 5-LORA模型实现细节.mp4
│ │ ├── 2-LLM落地微调分析.mp4
│ │ ├── 3-LLAMA与LORA介绍.mp4
│ │ ├── 4-LORA微调的核心思想.mp4
│ ├── 10-openai-dalle2论文解读
│ │ ├── 4-各模块实现细节讲解.mp4
│ │ ├── 2-不同模块对比分析.mp4
│ │ ├── 1-论文基本思想与核心模块分析.mp4
│ │ ├── 3-算法核心流程解读.mp4
│ ├── 3-GPT2训练与预测部署流程
│ │ ├── 5-部署与网页预测展示.mp4
│ │ ├── 3-训练所需参数解读.mp4
│ │ ├── 4-模型训练过程.mp4
│ │ ├── 1-生成模型可以完成的任务概述.mp4
│ │ ├── 2-数据样本生成方法.mp4
│ ├── 13-视觉自监督BEIT算法解读
│ │ ├── 1-视觉自监督任务分析.mp4
│ │ ├── 4-codebook模块的作用.mp4
│ │ ├── 2-任务训练目标分析.mp4
│ │ ├── 5-任务总结分析.mp4
│ │ ├── 3-建模流程分析与效果展示.mp4
│ ├── 14-视觉自监督任务BEITV2论文解读
│ │ ├── 2-自监督任务中两大核心任务分析.mp4
│ │ ├── 4-框架实现细节流程分析.mp4
│ │ ├── 5-论文细节模块实现解读.mp4
│ │ ├── 3-整体网络架构图分析.mp4
│ │ ├── 1-BEITV2版本论文出发点解读.mp4
│ ├── 7-视觉大模型SAM
│ │ ├── 7-分割任务模块设计.mp4
│ │ ├── 6-Decoder的作用与项目源码.mp4
│ │ ├── 8-实现细节分析.mp4
│ │ ├── 2-论文解读分析.mp4
│ │ ├── 1-DEMO效果演示.mp4
│ │ ├── 3-完成的任务分析.mp4
│ │ ├── 9-总结分析.mp4
│ │ ├── 4-数据闭环方法.mp4
│ │ ├── 5-预训练模型的作用.mp4
├── 6-综合项目-物体检测经典算法实战
│ ├── 7-基于YOLO-V3训练自己的数据集与任务（建议直接跑V5版本）
│ │ ├── 5-json格式转换成yolo-v3所需输入.mp4
│ │ ├── 6-完成输入数据准备工作.mp4
│ │ ├── 7-训练代码与参数配置更改.mp4
│ │ ├── 8-训练模型并测试效果.mp4
│ │ ├── 4-生成模型所需配置文件.mp4
│ │ ├── 3-完成标签制作.mp4
│ │ ├── 1-Labelme工具安装.mp4
│ │ ├── 2-数据信息标注.mp4
│ ├── 8-YOLO-V4版本算法解读
│ │ ├── 6-CIOU损失函数定义.mp4
│ │ ├── 1-V4版本整体概述.mp4
│ │ ├── 7-NMS细节改进.mp4
│ │ ├── 3-数据增强策略分析.mp4
│ │ ├── 2-V4版本贡献解读.mp4
│ │ ├── 8-SPP与CSP网络结构.mp4
│ │ ├── 9-SAM注意力机制模块.mp4
│ │ ├── 5-损失函数遇到的问题.mp4
│ │ ├── 10-PAN模块解读.mp4
│ │ ├── 4-DropBlock与标签平滑方法.mp4
│ │ ├── 11-激活函数与整体架构总结.mp4
│ ├── 9-V5版本项目配置
│ │ ├── 1-整体项目概述.mp4
│ │ ├── 3-训练数据参数配置.mp4
│ │ ├── 2-训练自己的数据集方法.mp4
│ │ ├── 4-测试DEMO演示.mp4
│ ├── 17-EfficientNet网络
│ │ ├── 1-EfficientNet网络模型.mp4
│ ├── 5-YOLO-V3核心网络模型
│ │ ├── 1-V3版本改进概述.mp4
│ │ ├── 7-sotfmax层改进.mp4
│ │ ├── 5-整体网络模型架构分析.mp4
│ │ ├── 4-残差连接方法解读.mp4
│ │ ├── 6-先验框设计改进.mp4
│ │ ├── 2-多scale方法改进与特征融合.mp4
│ │ ├── 3-经典变换方法对比分析.mp4
│ ├── 18-EfficientDet检测算法
│ │ ├── 1-EfficientDet检测算法.mp4
│ ├── 4-YOLO-V2改进细节详解
│ │ ├── 3-架构细节解读.mp4
│ │ ├── 8-特征融合改进.mp4
│ │ ├── 1-V2版本细节升级概述.mp4
│ │ ├── 7-感受野的作用.mp4
│ │ ├── 6-坐标映射与还原.mp4
│ │ ├── 4-基于聚类来选择先验框尺寸.mp4
│ │ ├── 5-偏移量计算方法.mp4
│ │ ├── 2-网络结构特点.mp4
│ ├── 11-YOLO系列（V7）算法解读
│ │ ├── 1-YOLO系列（V7）算法解读.mp4
│ ├── 14-detr目标检测源码解读
│ │ ├── 7-Decoder层操作与计算.mp4
│ │ ├── 2-数据处理与dataloader.mp4
│ │ ├── 6-编码层作用方法.mp4
│ │ ├── 8-输出预测结果.mp4
│ │ ├── 3-位置编码作用分析.mp4
│ │ ├── 5-mask与编码模块.mp4
│ │ ├── 1-项目环境配置解读.mp4
│ │ ├── 4-backbone特征提取模块.mp4
│ │ ├── 9-损失函数与预测输出.mp4
│ ├── 16-半监督物体检测
│ │ ├── 1-半监督物体检测.mp4
│ ├── 1-物体检测评估指标
│ │ ├── 1-物体检测评估指标.mp4
│ ├── 10-V5项目工程源码解读
│ │ ├── 15-上采样与拼接操作.mp4
│ │ ├── 13-SPP层计算细节分析.mp4
│ │ ├── 11-前向传播计算.mp4
│ │ ├── 1-数据源DEBUG流程解读.mp4
│ │ ├── 10-完成配置文件解析任务.mp4
│ │ ├── 19-训练流程解读.mp4
│ │ ├── 18-命令行参数介绍.mp4
│ │ ├── 2-图像数据源配置.mp4
│ │ ├── 7-网络架构图可视化工具安装.mp4
│ │ ├── 16-输出结果分析.mp4
│ │ ├── 14-Head层流程解读.mp4
│ │ ├── 20-各种训练策略概述.mp4
│ │ ├── 9-Focus模块流程分析.mp4
│ │ ├── 17-超参数解读.mp4
│ │ ├── 12-BottleneckCSP层计算方法.mp4
│ │ ├── 21-模型迭代过程.mp4
│ │ ├── 6-getItem构建batch.mp4
│ │ ├── 8-V5网络配置文件解读.mp4
│ │ ├── 4-Mosaic数据增强方法.mp4
│ │ ├── 5-数据四合一方法与流程演示.mp4
│ │ ├── 3-加载标签数据.mp4
│ ├── 2-深度学习经典检测⽅法概述
│ │ ├── 2-不同阶段算法优缺点分析.mp4
│ │ ├── 4-评估所需参数计算.mp4
│ │ ├── 3-IOU指标计算.mp4
│ │ ├── 5-map指标计算.mp4
│ │ ├── 1-检测任务中阶段的意义.mp4
│ ├── 15-DeformableDetr算法解读
│ │ ├── 1-DeformableDetr算法解读.mp4
│ ├── 3-YOLO-V1整体思想与网络架构
│ │ ├── 1-YOLO算法整体思路解读.mp4
│ │ ├── 5-置信度误差与优缺点分析.mp4
│ │ ├── 4-位置损失计算.mp4
│ │ ├── 3-整体网络架构解读.mp4
│ │ ├── 2-检测算法要得到的结果.mp4
│ ├── 13-基于Transformer的detr目标检测算法
│ │ ├── 4-注意力机制的作用方法.mp4
│ │ ├── 2-整体网络架构分析.mp4
│ │ ├── 5-训练过程的策略.mp4
│ │ ├── 1-DETR目标检测基本思想解读.mp4
│ │ ├── 3-位置信息初始化query向量.mp4
│ ├── 12-V7源码解读
│ │ ├── 16-辅助头AUX网络结构配置文件解析.mp4
│ │ ├── 19-重参数化多分支合并加速.mp4
│ │ ├── 7-标签分配策略准备操作.mp4
│ │ ├── 11-候选框筛选流程分析.mp4
│ │ ├── 17-辅助头损失函数调整.mp4
│ │ ├── 10-完成BuildTargets模块.mp4
│ │ ├── 12-预测值各项指标获取与调整.mp4
│ │ ├── 5-各模块操作细节分析.mp4
│ │ ├── 14-通过IOU与置信度分配正样本.mp4
│ │ ├── 13-GT匹配正样本数量计算.mp4
│ │ ├── 2-基本参数作用.mp4
│ │ ├── 6-输出层与配置文件其他模块解读.mp4
│ │ ├── 4-网络结构配置文件解读.mp4
│ │ ├── 15-损失函数计算方法.mp4
│ │ ├── 9-得到偏移点所在网格位置.mp4
│ │ ├── 8-候选框偏移方法与find3p模块解读.mp4
│ │ ├── 18-BN与卷积权重参数融合方法.mp4
│ │ ├── 1-命令行参数介绍.mp4
│ │ ├── 3-EMA等训练技巧解读.mp4
│ ├── 6-项目实战-基于V3版本进行源码解读（建议直接跑V5版本）
│ │ ├── 14-完成所有损失函数所需计算指标.mp4
│ │ ├── 5-debug模式介绍.mp4
│ │ ├── 6-基于配置文件构建网络模型.mp4
│ │ ├── 11-模型要计算的损失概述.mp4
│ │ ├── 7-路由层与shortcut层的作用.mp4
│ │ ├── 10-网格偏移计算.mp4
│ │ ├── 3-COCO图像数据读取与处理.mp4
│ │ ├── 4-标签文件读取与处理.mp4
│ │ ├── 12-标签值格式修改.mp4
│ │ ├── 8-YOLO层定义解析.mp4
│ │ ├── 13-坐标相对位置计算.mp4
│ │ ├── 9-预测结果计算.mp4
│ │ ├── 1-数据与环境配置.mp4
│ │ ├── 2-训练参数设置.mp4
│ │ ├── 15-模型训练与总结.mp4
│ │ ├── 16-预测效果展示.mp4
├── 26-知识图谱实战系列
│ ├── 7-金融平台风控模型实践
│ │ ├── 5-各项统计特征.mp4
│ │ ├── 3-节点权重特征提取(PageRank).mp4
│ │ ├── 2-图模型信息提取.mp4
│ │ ├── 7-图中联系人特征.mp4
│ │ ├── 1-竞赛任务目标.mp4
│ │ ├── 6-app安装特征.mp4
│ │ ├── 4-deepwalk构建图顶点特征.mp4
│ ├── 6-文本关系抽取实践
│ │ ├── 5-依存句法概述.mp4
│ │ ├── 8-设计规则完成关系抽取.mp4
│ │ ├── 6-句法分析结果整理.mp4
│ │ ├── 3-pyltp安装与流程演示.mp4
│ │ ├── 1-关系抽取要完成的任务演示与分析.mp4
│ │ ├── 7-语义角色构建与分析.mp4
│ │ ├── 2-LTP工具包概述介绍.mp4
│ │ ├── 4-得到分词与词性标注结果.mp4
│ ├── 1-知识图谱介绍及其应用领域分析
│ │ ├── 4-金融与推荐领域的应用.mp4
│ │ ├── 1-知识图谱通俗解读.mp4
│ │ ├── 3-知识图谱在医疗领域应用实例.mp4
│ │ ├── 2-知识图谱在搜索引擎中的应用.mp4
│ │ ├── 5-数据获取分析.mp4
│ ├── 4-使用python操作neo4j实例
│ │ ├── 3-在图中创建实体.mp4
│ │ ├── 4-根据给定实体创建关系.mp4
│ │ ├── 1-使用Py2neo建立连接.mp4
│ │ ├── 2-提取所需的指标信息.mp4
│ ├── 5-基于知识图谱的医药问答系统实战
│ │ ├── 9-实体关键词字典制作.mp4
│ │ ├── 4-环境配置与所需工具包安装.mp4
│ │ ├── 10-完成对话系统构建.mp4
│ │ ├── 3-任务流程概述.mp4
│ │ ├── 7-打造医疗知识图谱模型.mp4
│ │ ├── 1-项目概述与整体架构分析.mp4
│ │ ├── 6-创建关系边.mp4
│ │ ├── 5-提取数据中的关键字段信息.mp4
│ │ ├── 8-加载所有实体数据.mp4
│ │ ├── 2-医疗数据介绍及其各字段含义.mp4
│ ├── 8-医学糖尿病数据命名实体识别
│ │ ├── 5-训练网络模型.mp4
│ │ ├── 1-数据与任务介绍.mp4
│ │ ├── 4-输入样本填充补齐.mp4
│ │ ├── 6-医疗数据集（糖尿病）实体识别.mp4
│ │ ├── 2-整体模型架构.mp4
│ │ ├── 3-数据-标签-语料库处理.mp4
│ ├── 3-Neo4j数据库实战
│ │ ├── 1-Neo4j图数据库介绍.mp4
│ │ ├── 3-可视化例子演示.mp4
│ │ ├── 2-Neo4j数据库安装流程演示.mp4
│ │ ├── 4-创建与删除操作演示.mp4
│ │ ├── 5-数据库更改查询操作演示.mp4
│ ├── 2-知识图谱涉及技术点分析
│ │ ├── 6-图谱知识融合与总结分析.mp4
│ │ ├── 4-金融领域图编码实例.mp4
│ │ ├── 5-视觉领域图编码实例.mp4
│ │ ├── 2-常用NLP技术点分析.mp4
│ │ ├── 3-graph-embedding的作用与效果.mp4
│ │ ├── 1-数据关系抽取分析.mp4
├── 24-时间序列预测
│ ├── 3-Timesnet时序预测
│ │ ├── 1-时序预测故事背景.mp4
│ │ ├── 5-全部计算流程解读.mp4
│ │ ├── 8-傅里叶变换流程.mp4
│ │ ├── 3-时序特征周期拆解.mp4
│ │ ├── 4-计算公式流程拆解.mp4
│ │ ├── 2-论文核心思想解读.mp4
│ │ ├── 7-源码流程解读.mp4
│ │ ├── 6-周期间特征分析.mp4
│ ├── 1-Informer原理解读
│ │ ├── 3-论文要解决的问题分析.mp4
│ │ ├── 2-常用模块分析.mp4
│ │ ├── 5-probAttention计算流程.mp4
│ │ ├── 6-编码器全部计算流程.mp4
│ │ ├── 1-时间序列预测要完成的任务.mp4
│ │ ├── 4-Query采样方法解读.mp4
│ │ ├── 7-解码器流程分析.mp4
│ ├── 2-Informer源码解读
│ │ ├── 2-数据集解读.mp4
│ │ ├── 4-数据集构建与读取方式.mp4
│ │ ├── 1-项目使用说明.mp4
│ │ ├── 10-核心采样计算方法.mp4
│ │ ├── 13-解码器预测输出.mp4
│ │ ├── 6-时间相关特征提取方法.mp4
│ │ ├── 11-完成注意力机制计算模块.mp4
│ │ ├── 8-整体架构分析.mp4
│ │ ├── 9-编码器模块实现.mp4
│ │ ├── 3-模型训练所需参数解读.mp4
│ │ ├── 12-平均向量的作用.mp4
│ │ ├── 7-dataloader构建实例.mp4
│ │ ├── 5-数据处理相关模块.mp4
├── 15-缺陷检测实战
│ ├── 5-基于YOLOV5的钢材缺陷检测实战
│ │ ├── 2-数据与标签配置方法.mp4
│ │ ├── 1-任务需求与项目概述.mp4
│ │ ├── 6-缺陷检测模型训练.mp4
│ │ ├── 7-输出结果与项目总结.mp4
│ │ ├── 4-各版本模型介绍分析.mp4
│ │ ├── 3-标签转换格式脚本制作.mp4
│ │ ├── 5-项目参数配置.mp4
│ ├── 11-基于视频流⽔线的Opencv缺陷检测项⽬
│ │ ├── 3-目标质心计算.mp4
│ │ ├── 6-不同类型的缺陷检测方法.mp4
│ │ ├── 7-检测效果演示.mp4
│ │ ├── 2-视频数据读取与轮廓检测.mp4
│ │ ├── 4-视频数据遍历方法.mp4
│ │ ├── 1-数据与任务概述.mp4
│ │ ├── 5-缺陷区域提取.mp4
│ ├── 10-基于Opencv缺陷检测项⽬实战
│ │ ├── 3-缺陷形态学操作.mp4
│ │ ├── 2-数据读取与基本处理.mp4
│ │ ├── 4-整体流程解读.mp4
│ │ ├── 5-缺陷检测效果演示.mp4
│ │ ├── 1-任务需求与环境配置.mp4
│ ├── 1-课程介绍
│ │ ├── 1-课程介绍.mp4
│ ├── 13-基于deeplabV3+版本进⾏VOC分割实战
│ │ ├── 4-ASPP层特征融合.mp4
│ │ ├── 2-项目参数与数据集读取.mp4
│ │ ├── 3-网络前向传播流程.mp4
│ │ ├── 5-分割模型训练.mp4
│ │ ├── 1-PascalVoc数据集介绍.mp4
│ ├── 4-物体检测框架YOLOV5项目工程源码解读
│ │ ├── 13-SPP层计算细节分析.mp4
│ │ ├── 18-命令行参数介绍.mp4
│ │ ├── 3-加载标签数据.mp4
│ │ ├── 20-各种训练策略概述.mp4
│ │ ├── 8-V5网络配置文件解读.mp4
│ │ ├── 21-模型迭代过程.mp4
│ │ ├── 9-Focus模块流程分析.mp4
│ │ ├── 2-图像数据源配置.mp4
│ │ ├── 19-训练流程解读.mp4
│ │ ├── 4-Mosaic数据增强方法.mp4
│ │ ├── 5-数据四合一方法与流程演示.mp4
│ │ ├── 16-输出结果分析.mp4
│ │ ├── 11-前向传播计算.mp4
│ │ ├── 17-超参数解读.mp4
│ │ ├── 10-完成配置文件解析任务.mp4
│ │ ├── 7-网络架构图可视化工具安装.mp4
│ │ ├── 12-BottleneckCSP层计算方法.mp4
│ │ ├── 6-getItem构建batch.mp4
│ │ ├── 15-上采样与拼接操作.mp4
│ │ ├── 1-数据源DEBUG流程解读.mp4
│ │ ├── 14-Head层流程解读.mp4
│ ├── 2-物体检框架YOLO-V4版本算法解读
│ │ ├── 9-SAM注意力机制模块.mp4
│ │ ├── 3-数据增强策略分析.mp4
│ │ ├── 1-V4版本整体概述.mp4
│ │ ├── 2-V4版本贡献解读.mp4
│ │ ├── 6-CIOU损失函数定义.mp4
│ │ ├── 5-损失函数遇到的问题.mp4
│ │ ├── 4-DropBlock与标签平滑方法.mp4
│ │ ├── 8-SPP与CSP网络结构.mp4
│ │ ├── 10-PAN模块解读.mp4
│ │ ├── 11-激活函数与整体架构总结.mp4
│ │ ├── 7-NMS细节改进.mp4
│ ├── 12-图像分割deeplab系列算法
│ │ ├── 4-SPP层的作用.mp4
│ │ ├── 3-感受野的意义.mp4
│ │ ├── 2-空洞卷积的作用.mp4
│ │ ├── 6-deeplabV3Plus版本网络架构.mp4
│ │ ├── 1-deeplab分割算法概述.mp4
│ │ ├── 5-ASPP特征融合策略.mp4
│ ├── 14-Deeplab铁质材料缺陷检测与开源项⽬应⽤流程
│ │ ├── 3-github与kaggle中需要注意的点.mp4
│ │ ├── 2-开源项目应用方法.mp4
│ │ ├── 7-训练模型.mp4
│ │ ├── 6-数据路径配置.mp4
│ │ ├── 4-源码的利用方法.mp4
│ │ ├── 8-任务总结.mp4
│ │ ├── 5-数据集制作方法.mp4
│ │ ├── 1-数据集与任务概述.mp4
│ ├── 8-Opencv梯度计算与边缘检测实例
│ │ ├── 1-Canny边缘检测流程.mp4
│ │ ├── 3-边缘检测效果.mp4
│ │ ├── 6-scharr与lapkacian算子.mp4
│ │ ├── 2-非极大值抑制.mp4
│ │ ├── 4-Sobel算子.mp4
│ │ ├── 5-梯度计算方法.mp4
│ ├── 3-物体检测框架YOLOV5版本项目配置
│ │ ├── 1-整体项目概述.mp4
│ │ ├── 3-训练数据参数配置.mp4
│ │ ├── 4-测试DEMO演示.mp4
│ │ ├── 2-训练自己的数据集方法.mp4
│ ├── 6-Semi-supervised布料缺陷检测实战
│ │ ├── 1-任务目标与流程概述.mp4
│ │ ├── 2-论文思想与模型分析.mp4
│ │ ├── 4-网络流程分析.mp4
│ │ ├── 3-项目配置解读.mp4
│ │ ├── 5-输出结果展示.mp4
│ ├── 9-Opencv轮廓检测与直⽅图
│ │ ├── 12-频域变换结果.mp4
│ │ ├── 9-均衡化原理.mp4
│ │ ├── 10-均衡化效果.mp4
│ │ ├── 2-金字塔制作方法.mp4
│ │ ├── 13-低通与高通滤波.mp4
│ │ ├── 5-轮廓特征与近似.mp4
│ │ ├── 6-模板匹配方法.mp4
│ │ ├── 7-匹配效果展示.mp4
│ │ ├── 3-轮廓检测方法.mp4
│ │ ├── 11-傅里叶概述.mp4
│ │ ├── 8-直方图定义.mp4
│ │ ├── 1-图像金字塔定义.mp4
│ │ ├── 4-轮廓检测结果.mp4
│ ├── 7-Opencv图像常⽤处理⽅法实例
│ │ ├── 12-梯度计算.mp4
│ │ ├── 4-边界填充.mp4
│ │ ├── 10-膨胀操作.mp4
│ │ ├── 9-腐蚀操作.mp4
│ │ ├── 7-图像平滑处理.mp4
│ │ ├── 3-ROI区域.mp4
│ │ ├── 8-高斯与中值滤波.mp4
│ │ ├── 6-图像阈值.mp4
│ │ ├── 2-视频的读取与处理.mp4
│ │ ├── 13-礼帽与黑帽.mp4
│ │ ├── 5-数值计算.mp4
│ │ ├── 1-计算机眼中的图像.mp4
│ │ ├── 11-开运算与闭运算.mp4
├── 28-推荐系统实战系列
│ ├── 2-协同过滤与矩阵分解
│ │ ├── 3-3-相似度计算与推荐实例.mp4
│ │ ├── 5-5-矩阵分解中的隐向量.mp4
│ │ ├── 4-4-矩阵分解的目的与效果.mp4
│ │ ├── 6-6-目标函数简介.mp4
│ │ ├── 8-8-Embedding的作用.mp4
│ │ ├── 7-7-隐式情况分析.mp4
│ │ ├── 1-1-协同过滤与矩阵分解简介.mp4
│ │ ├── 2-2-基于用户与商品的协同过滤.mp4
│ ├── 4-知识图谱与Neo4j数据库实例
│ │ ├── 3-3-知识图谱在医疗领域应用实例.mp4
│ │ ├── 2-2-知识图谱在搜索引擎中的应用.mp4
│ │ ├── 4-4-金融与推荐领域的应用.mp4
│ │ ├── 7-2-Neo4j数据库安装流程演示.mp4
│ │ ├── 1-1-知识图谱通俗解读.mp4
│ │ ├── 6-1-Neo4j图数据库介绍.mp4
│ │ ├── 10-5-数据库更改查询操作演示.mp4
│ │ ├── 9-4-创建与删除操作演示.mp4
│ │ ├── 8-3-可视化例子演示.mp4
│ │ ├── 5-5-数据获取分析.mp4
│ ├── 1-推荐系统介绍及其应用
│ │ ├── 4-4-任务流程与挑战概述.mp4
│ │ ├── 2-2-推荐系统发展简介.mp4
│ │ ├── 5-5-常用技术点分析.mp4
│ │ ├── 1-1-推荐系统通俗解读.mp4
│ │ ├── 3-3-应用领域与多方位评估指标.mp4
│ │ ├── 6-6-与深度学习的结合.mp4
│ ├── 10-基本统计分析的电影推荐
│ │ ├── 9-9-得出推荐结果.mp4
│ │ ├── 3-3-关键词云与直方图展示.mp4
│ │ ├── 6-6-缺失值填充方法.mp4
│ │ ├── 5-5-数据清洗概述.mp4
│ │ ├── 2-2-数据与关键词信息展示.mp4
│ │ ├── 4-4-特征可视化.mp4
│ │ ├── 7-7-推荐引擎构造.mp4
│ │ ├── 1-1-电影数据与环境配置.mp4
│ │ ├── 8-8-数据特征构造.mp4
│ ├── 3-音乐推荐系统实战
│ │ ├── 4-4-物品相似度计算与推荐.mp4
│ │ ├── 6-6-基于矩阵分解的音乐推荐.mp4
│ │ ├── 1-1-音乐推荐任务概述.mp4
│ │ ├── 3-3-基于物品的协同过滤.mp4
│ │ ├── 5-5-SVD矩阵分解.mp4
│ │ ├── 2-2-数据集整合.mp4
│ ├── 5-基于知识图谱的电影推荐实战
│ │ ├── 3-3-图谱需求与任务流程解读.mp4
│ │ ├── 1-1-知识图谱推荐系统效果演示.mp4
│ │ ├── 4-4-项目所需环境配置安装.mp4
│ │ ├── 6-6-图谱查询与匹配操作.mp4
│ │ ├── 5-5-构建用户电影知识图谱.mp4
│ │ ├── 7-7-相似度计算与推荐引擎构建.mp4
│ │ ├── 2-2-kaggle电影数据集下载与配置.mp4
│ ├── 6-点击率估计FM与DeepFM算法
│ │ ├── 4-4-二阶公式推导与化简.mp4
│ │ ├── 6-6-DeepFm整体架构解读.mp4
│ │ ├── 2-2-高维特征带来的问题.mp4
│ │ ├── 3-3-二项式特征的作用与挑战.mp4
│ │ ├── 1-1-CTR估计及其经典方法概述.mp4
│ │ ├── 8-8-Embedding层的作用与总结.mp4
│ │ ├── 5-5-FM算法解析.mp4
│ │ ├── 7-7-输入层所需数据样例.mp4
│ ├── 8-推荐系统常用工具包演示
│ │ ├── 3-3-surprise工具包基本使用.mp4
│ │ ├── 1-1-环境配置与数据集介绍.mp4
│ │ ├── 5-5-评估指标概述.mp4
│ │ ├── 2-2-电影数据集预处理分析.mp4
│ │ ├── 4-4-模型测试集结果.mp4
│ ├── 7-DeepFM算法实战
│ │ ├── 3-3-数据处理模块Embedding层.mp4
│ │ ├── 1-1-数据集介绍与环境配置.mp4
│ │ ├── 2-2-广告点击数据预处理实例.mp4
│ │ ├── 7-7-特征组合方法实例分析.mp4
│ │ ├── 5-5-一阶权重参数设计.mp4
│ │ ├── 4-4-Index与Value数据制作.mp4
│ │ ├── 6-6-二阶特征构建方法.mp4
│ │ ├── 8-8-完成FM模块计算.mp4
│ │ ├── 9-9-DNN模块与训练过程.mp4
│ ├── 11-补充-基于相似度的酒店推荐系统
│ │ ├── 3-3-ngram结果可视化展示.mp4
│ │ ├── 2-2-文本词频统计.mp4
│ │ ├── 5-5-相似度计算.mp4
│ │ ├── 6-6-得出推荐结果.mp4
│ │ ├── 4-4-文本清洗.mp4
│ │ ├── 1-1-酒店数据与任务介绍.mp4
│ ├── 9-基于文本数据的推荐实例
│ │ ├── 2-2-数据科学相关数据介绍.mp4
│ │ ├── 7-7-推荐结果分析.mp4
│ │ ├── 6-6-LDA主题模型效果演示.mp4
│ │ ├── 1-1-数据与环境配置介绍.mp4
│ │ ├── 5-5-矩阵分解演示.mp4
│ │ ├── 3-3-文本数据预处理.mp4
│ │ ├── 4-4-TFIDF构建特征矩阵.mp4
├── 29-论文创新点常用方法及其应用实例
│ ├── 1-通用创新点
│ │ ├── 17-可变形卷积加入方法.mp4
│ │ ├── 3-Coordinate_attention.mp4
│ │ ├── 15-只能机器学习模型时凑工作量（特征工程）.mp4
│ │ ├── 9-CrossAttention融合特征.mp4
│ │ ├── 10-Attention额外加入先验知识.mp4
│ │ ├── 7-Deformable(替换selfAttention).mp4
│ │ ├── 12-损失函数约束项.mp4
│ │ ├── 16-自己数据集如何发的好(要开源).mp4
│ │ ├── 1-ACMIX（卷积与注意力融合）.mp4
│ │ ├── 14-Coarse2Fine大框架.mp4
│ │ ├── 13-自适应可学习参数.mp4
│ │ ├── 4-SPD（可替换下采样）.mp4
│ │ ├── 5-SPP改进.mp4
│ │ ├── 2-GCnet(全局特征融合).mp4
│ │ ├── 11-结合GNN构建局部特征.mp4
│ │ ├── 18-在源码中加入各种注意力机制方法.mp4
│ │ ├── 8-ProbAttention(采样策略).mp4
│ │ ├── 6-mobileOne(加速).mp4
├── 20-面向医学领域的深度学习实战
│ ├── 15-基于知识图谱的医药问答系统实战
│ │ ├── 5-提取数据中的关键字段信息.mp4
│ │ ├── 3-任务流程概述.mp4
│ │ ├── 7-打造医疗知识图谱模型.mp4
│ │ ├── 4-环境配置与所需工具包安装.mp4
│ │ ├── 9-实体关键词字典制作.mp4
│ │ ├── 6-创建关系边.mp4
│ │ ├── 8-加载所有实体数据.mp4
│ │ ├── 1-项目概述与整体架构分析.mp4
│ │ ├── 2-医疗数据介绍及其各字段含义.mp4
│ │ ├── 10-完成对话系统构建.mp4
│ ├── 4-基于Resnet的医学数据集分类实战
│ │ ├── 2-Resnet网络架构原理分析.mp4
│ │ ├── 7-网络整体流程与训练演示.mp4
│ │ ├── 3-dataloader加载数据集.mp4
│ │ ├── 5-残差网络的shortcut操作.mp4
│ │ ├── 4-Resnet网络前向传播.mp4
│ │ ├── 6-特征图升维与降采样操作.mp4
│ │ ├── 1-医学疾病数据集介绍.mp4
│ ├── 8-deeplab系列算法
│ │ ├── 3-感受野的意义.mp4
│ │ ├── 5-ASPP特征融合策略.mp4
│ │ ├── 2-空洞卷积的作用.mp4
│ │ ├── 1-deeplab分割算法概述.mp4
│ │ ├── 6-deeplabV3Plus版本网络架构.mp4
│ │ ├── 4-SPP层的作用.mp4
│ ├── 11-YOLO系列物体检测算法原理解读
│ │ ├── 15-偏移量计算方法.mp4
│ │ ├── 8-整体网络架构解读.mp4
│ │ ├── 16-坐标映射与还原.mp4
│ │ ├── 18-特征融合改进.mp4
│ │ ├── 32-NMS细节改进.mp4
│ │ ├── 7-检测算法要得到的结果.mp4
│ │ ├── 36-激活函数与整体架构总结.mp4
│ │ ├── 5-map指标计算.mp4
│ │ ├── 12-网络结构特点.mp4
│ │ ├── 24-先验框设计改进.mp4
│ │ ├── 23-整体网络模型架构分析.mp4
│ │ ├── 20-多scale方法改进与特征融合.mp4
│ │ ├── 33-SPP与CSP网络结构.mp4
│ │ ├── 14-基于聚类来选择先验框尺寸.mp4
│ │ ├── 21-经典变换方法对比分析.mp4
│ │ ├── 34-SAM注意力机制模块.mp4
│ │ ├── 30-损失函数遇到的问题.mp4
│ │ ├── 3-IOU指标计算.mp4
│ │ ├── 19-V3版本改进概述.mp4
│ │ ├── 11-V2版本细节升级概述.mp4
│ │ ├── 17-感受野的作用.mp4
│ │ ├── 29-DropBlock与标签平滑方法.mp4
│ │ ├── 26-V4版本整体概述.mp4
│ │ ├── 25-sotfmax层改进.mp4
│ │ ├── 28-数据增强策略分析.mp4
│ │ ├── 1-检测任务中阶段的意义.mp4
│ │ ├── 10-置信度误差与优缺点分析.mp4
│ │ ├── 4-评估所需参数计算.mp4
│ │ ├── 22-残差连接方法解读.mp4
│ │ ├── 9-位置损失计算.mp4
│ │ ├── 31-CIOU损失函数定义.mp4
│ │ ├── 2-不同阶段算法优缺点分析.mp4
│ │ ├── 6-YOLO算法整体思路解读.mp4
│ │ ├── 27-V4版本贡献解读.mp4
│ │ ├── 13-架构细节解读.mp4
│ │ ├── 35-PAN模块解读.mp4
│ ├── 9-基于deeplabV3+版本进行VOC分割实战
│ │ ├── 2-项目参数与数据集读取.mp4
│ │ ├── 1-PascalVoc数据集介绍.mp4
│ │ ├── 3-网络前向传播流程.mp4
│ │ ├── 4-ASPP层特征融合.mp4
│ │ ├── 5-分割模型训练.mp4
│ ├── 7-unet医学细胞分割实战
│ │ ├── 4-特征融合方法演示.mp4
│ │ ├── 6-模型效果验证.mp4
│ │ ├── 5-迭代完成整个模型计算任务.mp4
│ │ ├── 3-Debug模式演示网络计算流程.mp4
│ │ ├── 1-医学细胞数据集介绍与参数配置.mp4
│ │ ├── 2-数据增强工具.mp4
│ ├── 16-词向量模型与RNN网络架构
│ │ ├── 3-训练数据构建.mp4
│ │ ├── 5-负采样方案.mp4
│ │ ├── 6-额外补充-RNN网络模型解读.mp4
│ │ ├── 1-词向量模型通俗解释.mp4
│ │ ├── 4-CBOW与Skip-gram模型.mp4
│ │ ├── 2-模型整体框架.mp4
│ ├── 14-Neo4j数据库实战
│ │ ├── 3-可视化例子演示.mp4
│ │ ├── 5-数据库更改查询操作演示.mp4
│ │ ├── 4-创建与删除操作演示.mp4
│ │ ├── 1-Neo4j图数据库介绍.mp4
│ │ ├── 2-Neo4j数据库安装流程演示.mp4
│ ├── 17-医学糖尿病数据命名实体识别
│ │ ├── 6-医疗数据集（糖尿病）实体识别.mp4
│ │ ├── 4-输入样本填充补齐.mp4
│ │ ├── 3-数据-标签-语料库处理.mp4
│ │ ├── 5-训练网络模型.mp4
│ │ ├── 1-数据与任务介绍.mp4
│ │ ├── 2-整体模型架构.mp4
│ ├── 12-基于YOLO5细胞检测实战
│ │ ├── 5-细胞检测效果演示.mp4
│ │ ├── 1-任务与细胞数据集介绍.mp4
│ │ ├── 2-模型与算法配置参数解读.mp4
│ │ ├── 4-效果评估与展示.mp4
│ │ ├── 3-网络训练流程演示.mp4
│ ├── 5-图像分割及其损失函数概述
│ │ ├── 2-分割任务中的目标函数定义.mp4
│ │ ├── 1-语义分割与实例分割概述.mp4
│ │ ├── 3-MIOU评估标准.mp4
│ ├── 13-知识图谱原理解读
│ │ ├── 2-知识图谱在搜索引擎中的应用.mp4
│ │ ├── 11-图谱知识融合与总结分析.mp4
│ │ ├── 3-知识图谱在医疗领域应用实例.mp4
│ │ ├── 8-graph-embedding的作用与效果.mp4
│ │ ├── 7-常用NLP技术点分析.mp4
│ │ ├── 6-数据关系抽取分析.mp4
│ │ ├── 1-知识图谱通俗解读.mp4
│ │ ├── 9-金融领域图编码实例.mp4
│ │ ├── 5-数据获取分析.mp4
│ │ ├── 10-视觉领域图编码实例.mp4
│ │ ├── 4-金融与推荐领域的应用.mp4
│ ├── 6-Unet系列算法讲解
│ │ ├── 3-Unet升级版本改进.mp4
│ │ ├── 2-网络计算流程.mp4
│ │ ├── 4-后续升级版本介绍.mp4
│ │ ├── 1-Unet网络编码与解码过程.mp4
│ ├── 2-PyTorch框架基本处理操作
│ │ ├── 8-补充：常见tensor格式.mp4
│ │ ├── 9-补充：Hub模块简介.mp4
│ │ ├── 6-线性回归DEMO-数据与参数配置.mp4
│ │ ├── 7-线性回归DEMO-训练回归模型.mp4
│ │ ├── 4-PyTorch基本操作简介.mp4
│ │ ├── 5-自动求导机制.mp4
│ │ ├── 3-框架安装方法（CPU与GPU版本）.mp4
│ │ ├── 1-PyTorch实战课程简介.mp4
│ │ ├── 2-PyTorch框架发展趋势简介.mp4
│ ├── 10-基于deeplab的心脏视频数据诊断分析
│ │ ├── 3-任务流程解读.mp4
│ │ ├── 1-数据集与任务概述.mp4
│ │ ├── 2-项目基本配置参数.mp4
│ │ ├── 4-文献报告分析.mp4
│ │ ├── 6-补充：R(2plus1)D处理方法分析.mp4
│ │ ├── 5-补充：视频数据源特征处理方法概述.mp4
│ ├── 3-PyTorch框架必备核心模块解读
│ │ ├── 7-Batch数据制作.mp4
│ │ ├── 5-图像增强的作用.mp4
│ │ ├── 4-分类任务数据集定义与配置.mp4
│ │ ├── 1-卷积网络参数定义.mp4
│ │ ├── 8-迁移学习的目标.mp4
│ │ ├── 14-加载模型对测试数据进行预测.mp4
│ │ ├── 13-训练结果与模型保存.mp4
│ │ ├── 3-Vision模块功能解读.mp4
│ │ ├── 12-实现训练模块.mp4
│ │ ├── 15-额外补充-Resnet论文解读.mp4
│ │ ├── 10-加载训练好的网络模型.mp4
│ │ ├── 6-数据预处理与数据增强模块.mp4
│ │ ├── 11-优化器模块配置.mp4
│ │ ├── 2-网络流程解读.mp4
│ │ ├── 9-迁移学习策略.mp4
│ │ ├── 16-额外补充-Resnet网络架构解读.mp4
│ ├── 1-卷积神经网络原理与参数解读
│ │ ├── 1-卷积神经网络应用领域.mp4
│ │ ├── 4-得到特征图表示.mp4
│ │ ├── 2-卷积的作用.mp4
│ │ ├── 9-整体网络架构.mp4
│ │ ├── 7-特征图尺寸计算与参数共享.mp4
│ │ ├── 3-卷积特征值计算方法.mp4
│ │ ├── 5-步长与卷积核大小对结果的影响.mp4
│ │ ├── 6-边缘填充方法.mp4
│ │ ├── 12-感受野的作用.mp4
│ │ ├── 8-池化层的作用.mp4
│ │ ├── 10-VGG网络架构.mp4
│ │ ├── 11-残差网络Resnet.mp4
├── 18-强化学习与AI黑科技实例
│ ├── 4-Q-learning与DQN算法
│ │ ├── 5-算法原理通俗解读.mp4
│ │ ├── 7-Qlearning算法实例解读.mp4
│ │ ├── 9-DQN简介.mp4
│ │ ├── 3-计算target值.mp4
│ │ ├── 6-目标函数与公式解析.mp4
│ │ ├── 1-整体任务流程演示.mp4
│ │ ├── 8-Q值迭代求解.mp4
│ │ ├── 4-训练与更新.mp4
│ │ ├── 2-探索与action获取.mp4
│ ├── 12-Dalle2及其源码解读
│ │ ├── 1-Dalle2源码解读.mp4
│ ├── 9-GPT建模与预测流程
│ │ ├── 4-模型训练过程.mp4
│ │ ├── 1-生成模型可以完成的任务概述.mp4
│ │ ├── 3-训练所需参数解读.mp4
│ │ ├── 2-数据样本生成方法.mp4
│ │ ├── 5-部署与网页预测展示.mp4
│ ├── 1-强化学习简介及其应用
│ │ ├── 1-一张图通俗解释强化学习.mp4
│ │ ├── 6-计算机眼中的状态与行为.mp4
│ │ ├── 3-强化学习AI游戏DEMO.mp4
│ │ ├── 2-强化学习的指导依据.mp4
│ │ ├── 5-强化学习工作流程.mp4
│ │ ├── 4-应用领域简介.mp4
│ ├── 7-用A3C玩转超级马里奥
│ │ ├── 3-要计算的指标回顾.mp4
│ │ ├── 2-启动游戏环境.mp4
│ │ ├── 5-与环境交互得到训练数据.mp4
│ │ ├── 6-训练网络模型.mp4
│ │ ├── 4-初始化局部模型并加载参数.mp4
│ │ ├── 1-整体流程与环境配置.mp4
│ ├── 8-GPT系列生成模型
│ │ ├── 1-GPT系列.mp4
│ ├── 11-Diffusion模型解读
│ │ ├── 1-Diffusion模型解读.mp4
│ ├── 5-DQN改进与应用技巧
│ │ ├── 5-连续动作处理方法.mp4
│ │ ├── 1-DoubleDqn要解决的问题.mp4
│ │ ├── 2-DuelingDqn改进方法.mp4
│ │ ├── 3-Dueling整体网络架构分析.mp4
│ │ ├── 4-MultiSetp策略.mp4
│ ├── 3-PPO实战-月球登陆器训练实例
│ │ ├── 6-参数迭代与更新.mp4
│ │ ├── 2-PPO2版本公式解读.mp4
│ │ ├── 4-得到动作结果.mp4
│ │ ├── 3-参数与网络结构定义.mp4
│ │ ├── 5-奖励获得与计算.mp4
│ │ ├── 1-Critic的作用与效果.mp4
│ ├── 13-ChatGPT
│ │ ├── 1-ChatGPT.mp4
│ ├── 6-Actor-Critic算法分析（A3C）
│ │ ├── 4-A3C整体架构分析.mp4
│ │ ├── 3-计算流程实例.mp4
│ │ ├── 5-损失函数整理.mp4
│ │ ├── 2-优势函数解读与分析.mp4
│ │ ├── 1-AC算法回顾与知识点总结.mp4
│ ├── 2-PPO算法与公式推导
│ │ ├── 6-OnPolicy与OffPolicy策略.mp4
│ │ ├── 2-与环境交互得到所需数据.mp4
│ │ ├── 4-策略梯度推导.mp4
│ │ ├── 8-PPO算法整体思路解析.mp4
│ │ ├── 5-baseline方法.mp4
│ │ ├── 7-importance sampling的作用.mp4
│ │ ├── 3-要完成的目标分析.mp4
│ │ ├── 1-基本情况介绍.mp4
│ ├── 10-CLIP系列
│ │ ├── 1-CLIP系列.mp4
├── 课件和源码资料
│ ├── 课件资料.zip
│ ├── 源码-人工智能深度学习系统班（第9期录播）.java
├── 11-图神经网络实战
│ ├── 7-图相似度计算实战
│ │ ├── 4-获得直方图特征结果.mp4
│ │ ├── 2-图卷积特征提取模块.mp4
│ │ ├── 5-图的全局特征构建.mp4
│ │ ├── 1-数据集与任务概述.mp4
│ │ ├── 6-NTN图相似特征提取.mp4
│ │ ├── 7-预测得到相似度结果.mp4
│ │ ├── 3-分别计算不同Batch点的分布.mp4
│ ├── 9-图模型轨迹估计实战
│ │ ├── 5-SubGraph与Attention模型流程.mp4
│ │ ├── 4-DataLoader构建图结构.mp4
│ │ ├── 3-Agent特征提取方法.mp4
│ │ ├── 1-数据与环境配置.mp4
│ │ ├── 2-训练数据准备.mp4
│ ├── 11-异构图神经网络
│ │ ├── 1-异构图神经网络.mp4
│ ├── 10-基于图模型的时间序列预测
│ │ ├── 1-基于图模型的时间序列预测.mp4
│ ├── 6-图相似度论文解读
│ │ ├── 6-结果输出与总结.mp4
│ │ ├── 1-要完成的任务分析.mp4
│ │ ├── 4-NTN模块的作用与效果.mp4
│ │ ├── 3-图模型提取全局与局部特征.mp4
│ │ ├── 2-基本方法概述解读.mp4
│ │ ├── 5-点之间的对应关系计算.mp4
│ ├── 1-图神经网络基础
│ │ ├── 1-图神经网络应用领域分析.mp4
│ │ ├── 5-消息传递计算方法.mp4
│ │ ├── 6-多层GCN的作用.mp4
│ │ ├── 2-图基本模块定义.mp4
│ │ ├── 3-邻接矩阵的定义.mp4
│ │ ├── 4-GNN中常见任务.mp4
│ ├── 2-图卷积GCN模型
│ │ ├── 1-GCN基本模型概述.mp4
│ │ ├── 2-图卷积的基本计算方法.mp4
│ │ ├── 3-邻接的矩阵的变换.mp4
│ │ ├── 4-GCN变换原理解读.mp4
│ ├── 8-基于图模型的轨迹估计
│ │ ├── 8-VectorNet输出层分析.mp4
│ │ ├── 1-数据集与标注信息解读.mp4
│ │ ├── 5-输入细节分析.mp4
│ │ ├── 6-子图模块构建方法.mp4
│ │ ├── 4-传统方法与现在向量空间对比.mp4
│ │ ├── 7-特征融合模块分析.mp4
│ │ ├── 3-特征工程的作用与效果.mp4
│ │ ├── 2-整体三大模块分析.mp4
│ ├── 5-图注意力机制与序列图模型
│ │ ├── 1-图注意力机制的作用与方法.mp4
│ │ ├── 2-邻接矩阵计算图Attention.mp4
│ │ ├── 3-序列图神经网络TGCN应用.mp4
│ │ ├── 4-序列图神经网络细节.mp4
│ ├── 3-图模型必备神器PyTorch Geometric安装与使用
│ │ ├── 3-模型定义与训练方法.mp4
│ │ ├── 4-文献引用数据集分类案例实战.mp4
│ │ ├── 2-数据集与邻接矩阵格式.mp4
│ │ ├── 1-PyTorch Geometric工具包安装与配置方法.mp4
│ ├── 4-使用PyTorch Geometric构建自己的图数据集
│ │ ├── 8-获取全局特征.mp4
│ │ ├── 6-网络结构定义模块.mp4
│ │ ├── 3-数据集基本预处理.mp4
│ │ ├── 5-数据集创建函数介绍.mp4
│ │ ├── 2-数据集与任务背景概述.mp4
│ │ ├── 9-模型训练与总结.mp4
│ │ ├── 1-构建数据集基本方法.mp4
│ │ ├── 7-TopkPooling进行下采样任务.mp4
│ │ ├── 4-用户行为图结构创建.mp4
├── 23-自然语言处理必备神器Huggingface系列实战
│ ├── 6-文本预训练模型构建实例
│ │ ├── 2-文本数据截断处理.mp4
│ │ ├── 3-预训练模型自定义训练.mp4
│ │ ├── 1-预训练模型效果分析.mp4
│ ├── 1-Huggingface与NLP介绍解读
│ │ ├── 1-Huggingface与NLP介绍解读.mp4
│ ├── 9-文本摘要建模
│ │ ├── 2-模型训练与测试结果.mp4
│ │ ├── 3-文本摘要数据标注方法.mp4
│ │ ├── 1-中文商城评价数据处理方法.mp4
│ │ ├── 4-训练自己标注的数据并测试.mp4
│ ├── 11-补充Huggingface数据集制作方法实例
│ │ ├── 2-Huggingface中的预处理实例.mp4
│ │ ├── 1-数据结构分析.mp4
│ │ ├── 3-数据处理基本流程.mp4
│ ├── 8-GPT训练与预测部署流程
│ │ ├── 2-数据样本生成方法.mp4
│ │ ├── 5-部署与网页预测展示.mp4
│ │ ├── 4-模型训练过程.mp4
│ │ ├── 1-生成模型可以完成的任务概述.mp4
│ │ ├── 3-训练所需参数解读.mp4
│ ├── 2-Transformer工具包基本操作实例解读
│ │ ├── 7-模型训练所需配置参数.mp4
│ │ ├── 1-工具包与任务整体介绍.mp4
│ │ ├── 6-数据Dataloader封装.mp4
│ │ ├── 4-AttentionMask配套使用方法.mp4
│ │ ├── 5-数据集与模型.mp4
│ │ ├── 2-NLP任务常规流程分析.mp4
│ │ ├── 3-文本切分方法实例解读.mp4
│ │ ├── 8-模型训练DEMO.mp4
│ ├── 7-GPT系列算法
│ │ ├── 5-采样策略与多样性.mp4
│ │ ├── 1-GPT系列算法概述.mp4
│ │ ├── 8-DEMO应用演示.mp4
│ │ ├── 2-GPT三代版本分析.mp4
│ │ ├── 3-GPT初代版本要解决的问题.mp4
│ │ ├── 4-GPT第二代版本训练策略.mp4
│ │ ├── 7-应用场景CODEX分析.mp4
│ │ ├── 6-GPT3的提示与生成方法.mp4
│ ├── 10-图谱知识抽取实战
│ │ ├── 5-标签与数据结构定义方法.mp4
│ │ ├── 1-应用场景概述分析.mp4
│ │ ├── 2-数据标注格式样例分析.mp4
│ │ ├── 8-关系抽取模型训练.mp4
│ │ ├── 7-网络模型前向计算方法.mp4
│ │ ├── 3-数据处理与读取模块.mp4
│ │ ├── 4-实体抽取模块分析.mp4
│ │ ├── 6-模型构建与计算流程.mp4
│ ├── 3-transformer原理解读
│ │ ├── 1-transformer原理解读.mp4
│ ├── 5-文本标注工具与NER实例
│ │ ├── 2-命名实体识别任务标注方法实例.mp4
│ │ ├── 6-模型训练与输出结果预测.mp4
│ │ ├── 1-文本标注工具Doccano配置方法.mp4
│ │ ├── 4-标签处理并完成对齐操作.mp4
│ │ ├── 3-标注导出与BIO处理.mp4
│ │ ├── 5-预训练模型加载与参数配置.mp4
│ ├── 4-BERT系列算法解读
│ │ ├── 3-ALBERT中的简化方法解读.mp4
│ │ ├── 5-DistilBert模型解读.mp4
│ │ ├── 1-BERT模型训练方法解读.mp4
│ │ ├── 4-RoBerta模型训练方法解读.mp4
│ │ ├── 2-ALBERT基本定义.mp4
├── 9-经典视觉项目实战：行为识别、姿态估计、目标追踪
│ ├── 12-deepsort源码解读
│ │ ├── 6-IOU代价矩阵计算.mp4
│ │ ├── 2-参数与DEMO演示.mp4
│ │ ├── 4-对track执行预测操作.mp4
│ │ ├── 5-状态量预测结果.mp4
│ │ ├── 10-匹配结果与总结.mp4
│ │ ├── 8-级联匹配模块.mp4
│ │ ├── 1-项目环境配置.mp4
│ │ ├── 9-ReID特征代价矩阵计算.mp4
│ │ ├── 7-参数更新操作.mp4
│ │ ├── 3-针对检测结果初始化track.mp4
│ ├── 2-slowfast项目环境配置与配置文件
│ │ ├── 4-测试DEMO演示.mp4
│ │ ├── 1-环境基本配置解读.mp4
│ │ ├── 8-完成视频分帧操作.mp4
│ │ ├── 3-配置文件作用解读.mp4
│ │ ├── 2-目录各文件分析.mp4
│ │ ├── 7-视频数据集切分操作.mp4
│ │ ├── 5-训练所需标签文件说明.mp4
│ │ ├── 6-训练所需视频数据准备.mp4
│ ├── 14-V5版本项目配置
│ │ ├── 2-训练自己的数据集方法.mp4
│ │ ├── 3-训练数据参数配置.mp4
│ │ ├── 4-测试DEMO演示.mp4
│ │ ├── 1-整体项目概述.mp4
│ ├── 9-姿态估计OpenPose系列算法解读
│ │ ├── 3-传统topdown方法的问题.mp4
│ │ ├── 8-PAF标签设计方法.mp4
│ │ ├── 4-要解决的两个问题分析.mp4
│ │ ├── 9-预测时PAF积分计算方法.mp4
│ │ ├── 11-CPM模型特点.mp4
│ │ ├── 6-各模块输出特征图解读.mp4
│ │ ├── 1-姿态估计要解决的问题分析.mp4
│ │ ├── 10-匹配方法解读.mp4
│ │ ├── 5-基于高斯分布预测关键点位置.mp4
│ │ ├── 2-姿态估计应用领域概述.mp4
│ │ ├── 7-PAF向量登场.mp4
│ │ ├── 12-算法流程与总结.mp4
│ ├── 5-视频异常检测算法与元学习
│ │ ├── 2-基本思想与流程分析.mp4
│ │ ├── 6-如何找到合适的初始化参数.mp4
│ │ ├── 4-Meta-Learn要解决的问题.mp4
│ │ ├── 3-预测与常见问题.mp4
│ │ ├── 5-学习能力与参数定义.mp4
│ │ ├── 7-MAML算法流程解读.mp4
│ │ ├── 1-异常检测要解决的问题与数据集介绍.mp4
│ ├── 8-课程介绍
│ │ ├── 1-课程介绍.mp4
│ ├── 15-V5项目工程源码解读
│ │ ├── 20-各种训练策略概述.mp4
│ │ ├── 21-模型迭代过程.mp4
│ │ ├── 2-图像数据源配置.mp4
│ │ ├── 13-1-SPP层计算细节分析.mp4
│ │ ├── 15-上采样与拼接操作.mp4
│ │ ├── 11-前向传播计算.mp4
│ │ ├── 1-数据源DEBUG流程解读.mp4
│ │ ├── 17-超参数解读.mp4
│ │ ├── 9-Focus模块流程分析.mp4
│ │ ├── 5-数据四合一方法与流程演示.mp4
│ │ ├── 12-BottleneckCSP层计算方法.mp4
│ │ ├── 18-命令行参数介绍.mp4
│ │ ├── 7-网络架构图可视化工具安装.mp4
│ │ ├── 3-加载标签数据.mp4
│ │ ├── 14-2-Head层流程解读.mp4
│ │ ├── 16-输出结果分析.mp4
│ │ ├── 19-训练流程解读.mp4
│ │ ├── 6-getItem构建batch.mp4
│ │ ├── 8-V5网络配置文件解读.mp4
│ │ ├── 10-完成配置文件解析任务.mp4
│ │ ├── 4-Mosaic数据增强方法.mp4
│ ├── 10-OpenPose算法源码分析
│ │ ├── 7-特征图各点累加向量计算.mp4
│ │ ├── 6-各位置点归属判断.mp4
│ │ ├── 3-关键点与躯干特征图初始化.mp4
│ │ ├── 8-完成PAF特征图制作.mp4
│ │ ├── 4-根据关键点位置设计关键点标签.mp4
│ │ ├── 1-数据集与路径配置解读.mp4
│ │ ├── 5-准备构建PAF躯干标签.mp4
│ │ ├── 2-读取图像与标注信息.mp4
│ │ ├── 10-多阶段输出与预测.mp4
│ │ ├── 9-网络模型一阶段输出.mp4
│ ├── 1-slowfast算法知识点通俗解读
│ │ ├── 1-slowfast核心思想解读.mp4
│ │ ├── 3-数据采样曾的作用.mp4
│ │ ├── 2-核心网络结构模块分析.mp4
│ │ ├── 5-特征融合模块与总结分析.mp4
│ │ ├── 4-模型网络结构设计.mp4
│ ├── 7-基础补充-Resnet模型及其应用实例
│ │ ├── 1-医学疾病数据集介绍.mp4
│ │ ├── 6-特征图升维与降采样操作.mp4
│ │ ├── 3-dataloader加载数据集.mp4
│ │ ├── 7-网络整体流程与训练演示.mp4
│ │ ├── 2-Resnet网络架构原理分析.mp4
│ │ ├── 5-残差网络的shortcut操作.mp4
│ │ ├── 4-Resnet网络前向传播.mp4
│ ├── 6-视频异常检测CVPR2021论文及其源码解读
│ │ ├── 4-注意力机制模块打造.mp4
│ │ ├── 5-损失函数的目的.mp4
│ │ ├── 2-数据集配置与读取.mp4
│ │ ├── 6-特征图生成.mp4
│ │ ├── 3-模型编码与解码结构.mp4
│ │ ├── 1-论文概述与环境配置.mp4
│ │ ├── 7-MetaLearn与输出.mp4
│ ├── 3-slowfast源码详细解读
│ │ ├── 4-数据与标签读取实例.mp4
│ │ ├── 2-数据处理概述.mp4
│ │ ├── 6-slow与fast分别执行采样操作.mp4
│ │ ├── 1-模型所需配置文件参数读取.mp4
│ │ ├── 8-slow与fast特征图拼接操作.mp4
│ │ ├── 3-dataloader数据遍历方法.mp4
│ │ ├── 5-图像数据所需预处理方法.mp4
│ │ ├── 10-RoiAlign与输出层.mp4
│ │ ├── 7-分别计算特征图输出结果.mp4
│ │ ├── 9-resnetBolock操作.mp4
│ ├── 11-deepsort算法知识点解读
│ │ ├── 3-任务本质分析.mp4
│ │ ├── 12-追踪任务流程拆解.mp4
│ │ ├── 11-预测与匹配流程解读.mp4
│ │ ├── 4-基于观测值进行最优估计.mp4
│ │ ├── 8-匹配小例子分析.mp4
│ │ ├── 6-追踪中的状态量.mp4
│ │ ├── 10-sort与deepsort建模流程分析.mp4
│ │ ├── 9-REID特征的作用.mp4
│ │ ├── 5-预测与更新操作.mp4
│ │ ├── 2-卡尔曼滤波要完成的任务.mp4
│ │ ├── 1-卡尔曼滤波通俗解释.mp4
│ │ ├── 7-匈牙利匹配算法概述.mp4
│ ├── 13-YOLO-V4版本算法解读
│ │ ├── 5-损失函数遇到的问题.mp4
│ │ ├── 7-NMS细节改进.mp4
│ │ ├── 8-SPP与CSP网络结构.mp4
│ │ ├── 9-SAM注意力机制模块.mp4
│ │ ├── 2-V4版本贡献解读.mp4
│ │ ├── 4-DropBlock与标签平滑方法.mp4
│ │ ├── 1-V4版本整体概述.mp4
│ │ ├── 10-PAN模块解读.mp4
│ │ ├── 6-CIOU损失函数定义.mp4
│ │ ├── 11-激活函数与整体架构总结.mp4
│ │ ├── 3-数据增强策略分析.mp4
│ ├── 4-基于3D卷积的视频分析与动作识别
│ │ ├── 2-UCF101动作识别数据集简介.mp4
│ │ ├── 4-视频数据预处理方法.mp4
│ │ ├── 1-3D卷积原理解读.mp4
│ │ ├── 5-数据Batch制作方法.mp4
│ │ ├── 6-3D卷积网络所涉及模块.mp4
│ │ ├── 7-训练网络模型.mp4
│ │ ├── 3-测试效果与项目配置.mp4
├── 0咕泡机器学习
│ ├── 资料
│ │ ├── 第三模块：数学基础
│ │ │ ├── 统计分析
│ │ │ │ ├── 统计分析-数据代码.zip
│ │ │ ├── 拉格朗日乘子法.pdf
│ │ │ ├── 熵.pdf
│ │ │ ├── 矩阵.pdf
│ │ │ ├── 概率论.pdf
│ │ │ ├── 激活函数.pdf
│ │ │ ├── 后验概率估计.pdf
│ │ │ ├── 微积分.pdf
│ │ │ ├── SVD.pdf
│ │ │ ├── 核函数.pdf
│ │ │ ├── 高等数学.pdf
│ │ │ ├── 泰勒公式.pdf
│ │ │ ├── 概率分布与概率密度.pdf
│ │ │ ├── 似然函数.pdf
│ │ │ ├── 梯度.pdf
│ │ │ ├── 特征值与特征向量.pdf
│ │ ├── 第七模块：数据挖掘竞赛-优胜解决方案
│ │ │ ├── 第十章：机器学习项目实战模板
│ │ │ │ ├── 机器学习项目实战流程
│ │ │ │ │ ├── auto_ml
│ │ │ │ │ │ ├── tpot_exported_pipeline.py
│ │ │ │ │ ├── images
│ │ │ │ │ │ ├── tpot_training_information.PNG
│ │ │ │ │ │ ├── density_type.png
│ │ │ │ │ │ ├── data_formatted_with_score.PNG
│ │ │ │ │ │ ├── formatted_train_data.PNG
│ │ │ │ │ │ ├── test_prediction_density.png
│ │ │ │ │ │ ├── tpot-ml-pipeline.png
│ │ │ │ │ │ ├── test_values.png
│ │ │ │ │ │ ├── correlation_examples.png
│ │ │ │ │ │ ├── nestimator_performance.png
│ │ │ │ │ │ ├── individual_node.png
│ │ │ │ │ │ ├── tree_single.dot
│ │ │ │ │ │ ├── residual_distribution.png
│ │ │ │ │ │ ├── feature_pairs.png
│ │ │ │ │ │ ├── feature_importances.PNG
│ │ │ │ │ │ ├── cover_three.jpg
│ │ │ │ │ │ ├── tree_verysmall.png
│ │ │ │ │ │ ├── intrepretability_vs_accuracy.png
│ │ │ │ │ │ ├── tree_small.dot
│ │ │ │ │ │ ├── feature_importances_graph.png
│ │ │ │ │ │ ├── negative_correlations.PNG
│ │ │ │ │ │ ├── df_info.PNG
│ │ │ │ │ │ ├── tree_verysmall.dot
│ │ │ │ │ │ ├── wrong_explanation_plot.png
│ │ │ │ │ │ ├── score_distribution.png
│ │ │ │ │ │ ├── score_vs_eui.png
│ │ │ │ │ │ ├── weather_norm_eui.png
│ │ │ │ │ │ ├── kfold_cv.png
│ │ │ │ │ │ ├── cover_one.jpg
│ │ │ │ │ │ ├── model_comparison.png
│ │ │ │ │ │ ├── density_boroughs.png
│ │ │ │ │ │ ├── missing_values.PNG
│ │ │ │ │ │ ├── tree.dot
│ │ │ │ │ │ ├── cover_two.jpg
│ │ │ │ │ │ ├── raw_data.PNG
│ │ │ │ │ │ ├── cover_auto_ml.jpg
│ │ │ │ │ │ ├── tree_single_small.dot
│ │ │ │ │ │ ├── local_explanation_one.png
│ │ │ │ │ │ ├── lime_wrong_explanation.PNG
│ │ │ │ │ │ ├── annotated_individual_node.PNG
│ │ │ │ │ │ ├── positive_correlations.PNG
│ │ │ │ │ │ ├── tree_small.png
│ │ │ │ │ │ ├── tree_single_small.png
│ │ │ │ │ │ ├── tree.png
│ │ │ │ │ │ ├── tree_single.png
│ │ │ │ │ ├── .ipynb_checkpoints
│ │ │ │ │ │ ├── Exploratory_Work-checkpoint.ipynb
│ │ │ │ │ │ ├── 机器学习项目实战-3-分析-checkpoint.ipynb
│ │ │ │ │ │ ├── 机器学习项目实战-1-数据预处理-checkpoint.ipynb
│ │ │ │ │ │ ├── 机器学习项目实战-2-建模-checkpoint.ipynb
│ │ │ │ │ ├── data
│ │ │ │ │ │ ├── Y_train.csv
│ │ │ │ │ │ ├── Y_test.csv
│ │ │ │ │ │ ├── testing_labels.csv
│ │ │ │ │ │ ├── testing_features.csv
│ │ │ │ │ │ ├── Energy_and_Water_Data_Disclosure_for_Local_Law_84_2017__Data_for_Calendar_Year_2016_.csv
│ │ │ │ │ │ ├── no_score.csv
│ │ │ │ │ │ ├── training_labels.csv
│ │ │ │ │ │ ├── X_test.csv
│ │ │ │ │ │ ├── cleaned_data.csv
│ │ │ │ │ │ ├── X_train.csv
│ │ │ │ │ │ ├── training_features.csv
│ │ │ │ │ ├── Building Data Report.pdf
│ │ │ │ │ ├── 2016_nyc_benchmarking_data_disclosure_definitions.pdf
│ │ │ │ │ ├── 机器学习项目实战-3-分析.ipynb
│ │ │ │ │ ├── hw_assignment.docx
│ │ │ │ │ ├── 机器学习项目实战-2-建模.ipynb
│ │ │ │ │ ├── hw_assignment.pdf
│ │ │ │ │ ├── 机器学习项目实战-1-数据预处理.ipynb
│ │ │ ├── 第六章：贷款平台风控模型-特征工程
│ │ │ │ ├── 贷款风控特征工程.zip
│ │ │ ├── 第八章：数据特征常用构建方法
│ │ │ │ ├── 数值特征
│ │ │ │ │ ├── datasets
│ │ │ │ │ │ ├── dog.png
│ │ │ │ │ │ ├── cat.png
│ │ │ │ │ │ ├── song_views.csv
│ │ │ │ │ │ ├── fcc_2016_coder_survey_subset.csv
│ │ │ │ │ │ ├── item_popularity.csv
│ │ │ │ │ │ ├── Pokemon.csv
│ │ │ │ │ │ ├── vgsales.csv
│ │ │ │ │ ├── .ipynb_checkpoints
│ │ │ │ │ │ ├── Feature Engineering on Numeric Data-checkpoint.ipynb
│ │ │ │ │ │ ├── 特征预处理-checkpoint.ipynb
│ │ │ │ │ │ ├── 图像特征-checkpoint.ipynb
│ │ │ │ │ │ ├── Feature Engineering on Temporal Data-checkpoint.ipynb
│ │ │ │ │ │ ├── 数值特征-checkpoint.ipynb
│ │ │ │ │ │ ├── Feature Selection-checkpoint.ipynb
│ │ │ │ │ │ ├── 文本特征-checkpoint.ipynb
│ │ │ │ │ │ ├── Feature Engineering on Text Data-checkpoint.ipynb
│ │ │ │ │ ├── 文本特征.ipynb
│ │ │ │ │ ├── 数值特征.ipynb
│ │ │ │ │ ├── 图像特征.ipynb
│ │ │ │ │ ├── 特征预处理.ipynb
│ │ │ ├── 第五章：医学糖尿病数据命名实体识别
│ │ │ │ ├── eclipse-命名实体识别.zip
│ │ │ │ ├── notebook-瑞金.zip
│ │ │ ├── 第三章：智慧城市道路通行时间预测
│ │ │ │ ├── 智慧交通.zip
│ │ │ ├── 第九章：用电敏感客户分类
│ │ │ │ ├── 电费敏感预测
│ │ │ │ │ ├── img
│ │ │ │ │ │ ├── 13.png
│ │ │ │ │ │ ├── 12.png
│ │ │ │ │ │ ├── 5.png
│ │ │ │ │ │ ├── 11.png
│ │ │ │ │ │ ├── 2.png
│ │ │ │ │ │ ├── 9.png
│ │ │ │ │ │ ├── 7.png
│ │ │ │ │ │ ├── 10.png
│ │ │ │ │ │ ├── 8.png
│ │ │ │ │ │ ├── 4.png
│ │ │ │ │ │ ├── 3.png
│ │ │ │ │ │ ├── 1.png
│ │ │ │ │ │ ├── 6.png
│ │ │ │ │ │ ├── 14.png
│ │ │ │ │ ├── code
│ │ │ │ │ │ ├── .ipynb_checkpoints
│ │ │ │ │ │ │ ├── 高敏用户模型-checkpoint.ipynb
│ │ │ │ │ │ │ ├── 低敏用户模型-checkpoint.ipynb
│ │ │ │ │ │ ├── 高敏用户模型.ipynb
│ │ │ │ │ │ ├── 低敏用户模型.ipynb
│ │ │ │ │ ├── result
│ │ │ │ │ │ ├── result.csv
│ │ │ │ │ │ ├── B.csv
│ │ │ │ │ │ ├── A.csv
│ │ │ │ │ ├── myfeatures
│ │ │ │ │ │ ├── statistical_features_1.pkl
│ │ │ │ │ │ ├── single_select_words.pkl
│ │ │ │ │ │ ├── text_features_1.pkl
│ │ │ │ │ │ ├── multi_select_words.pkl
│ │ │ │ │ │ ├── statistical_features_2.pkl
│ │ │ │ │ │ ├── text_features_2.pkl
│ │ │ │ │ ├── rawdata
│ │ │ │ │ │ ├── 12_a_pay_flow.tsv
│ │ │ │ │ │ ├── 05_c_cons_prc.tsv
│ │ │ │ │ │ ├── 08_a_rcved_flow_test.tsv
│ │ │ │ │ │ ├── 12_a_pay_flow_test.tsv
│ │ │ │ │ │ ├── test_to_predict.csv
│ │ │ │ │ │ ├── 11_c_meter_test.tsv
│ │ │ │ │ │ ├── 07_c_rca_cons_test.tsv
│ │ │ │ │ │ ├── 04_c_cons.tsv
│ │ │ │ │ │ ├── 05_c_cons_prc_test.tsv
│ │ │ │ │ │ ├── 10_c_meter_read.tsv
│ │ │ │ │ │ ├── 03_s_info_oversee.tsv
│ │ │ │ │ │ ├── 11_c_meter.tsv
│ │ │ │ │ │ ├── 06_cont_info_test.tsv
│ │ │ │ │ │ ├── 08_a_rcved_flow.tsv
│ │ │ │ │ │ ├── 07_c_rca_cons.tsv
│ │ │ │ │ │ ├── 09_arc_a_rcvbl_flow.tsv
│ │ │ │ │ │ ├── 04_c_cons_test.tsv
│ │ │ │ │ │ ├── processed_01_arc_s_95598_wkst_test.tsv
│ │ │ │ │ │ ├── processed_01_arc_s_95598_wkst_train.tsv
│ │ │ │ │ │ ├── 02_s_comm_rec.tsv
│ │ │ │ │ │ ├── 01_arc_s_95598_wkst_train.tsv
│ │ │ │ │ │ ├── 06_cont_info.tsv
│ │ │ │ │ │ ├── train_label.csv
│ │ │ │ │ │ ├── 09_arc_a_rcvbl_flow_test.tsv
│ │ │ │ │ │ ├── 01_arc_s_95598_wkst_test.tsv
│ │ │ │ │ ├── stopwords.txt
│ │ │ ├── 第七章：新闻关键词抽取模型
│ │ │ │ ├── demo.py
│ │ │ │ ├── 文本关键词抽取.zip
│ │ │ ├── 第四章：特征工程建模可解释工具包
│ │ │ │ ├── 2-特征分析.zip
│ │ │ │ ├── 1-机器学习-模型解释方法实战.zip
│ │ │ ├── 第一章：快手用户活跃度预测
│ │ │ │ ├── 快手用户活跃度.zip
│ │ │ ├── 第二章：工业化生产预测
│ │ │ │ ├── 工业预测.zip
│ │ ├── 第八模块：Python金融分析与量化交易实战
│ │ │ ├── 第17章：fbprophet时间序列预测神器
│ │ │ │ ├── .ipynb_checkpoints
│ │ │ │ │ ├── 2-Stocker Prediction-checkpoint.ipynb
│ │ │ │ │ ├── 1-Stocker Analysis -checkpoint.ipynb
│ │ │ │ ├── data
│ │ │ │ │ ├── stock_list.csv
│ │ │ │ ├── __pycache__
│ │ │ │ │ ├── stocker.cpython-36.pyc
│ │ │ │ ├── images
│ │ │ │ │ ├── cps_error_curves.png
│ │ │ │ │ ├── amzn_future90.png
│ │ │ │ │ ├── amzn_playingresults.png
│ │ │ │ │ ├── shutterstock_smalljpg.jpg
│ │ │ │ │ ├── msft_history.png
│ │ │ │ │ ├── msft_cpsanalysis.png
│ │ │ │ │ ├── open_source.jpg
│ │ │ │ │ ├── evening_skyline.jpeg
│ │ │ │ │ ├── djia_longtern.PNG
│ │ │ │ │ ├── msft_create_predict.png
│ │ │ │ │ ├── singapore_skyline.jpg
│ │ │ │ │ ├── msft_prophetoutput.png
│ │ │ │ │ ├── tesla_search_freq.png
│ │ │ │ │ ├── msft_buyandhold_profits.png
│ │ │ │ │ ├── msft_plot_stock.png
│ │ │ │ │ ├── msft_change_volume.png
│ │ │ │ │ ├── msft_searchresults_profit.png
│ │ │ │ │ ├── amzn_training_testingcurves.png
│ │ │ │ │ ├── msft_prophet_eval.png
│ │ │ │ │ ├── msft_modeled.png
│ │ │ │ │ ├── night_skyline.jpeg
│ │ │ │ │ ├── downtown.jpeg
│ │ │ │ │ ├── amzn_refined_evaluation.png
│ │ │ │ │ ├── amzn_stock.png
│ │ │ │ │ ├── amzn_training_testingrefined.png
│ │ │ │ │ ├── amzn_default_evaluation.png
│ │ │ │ │ ├── djia_daily.PNG
│ │ │ │ │ ├── microsoft_buyandhold.png
│ │ │ │ │ ├── msft_changepoints.png
│ │ │ │ │ ├── cps_uncertainty_curves.png
│ │ │ │ │ ├── peter_b_lewis.jpg
│ │ │ │ │ ├── msft_prophet_components.png
│ │ │ │ │ ├── msft_predicted_profits.png
│ │ │ │ │ ├── msft_search_freq.png
│ │ │ │ │ ├── night_downtown.jpeg
│ │ │ │ │ ├── amzn_long_forecast.png
│ │ │ │ │ ├── msft_weekly.PNG
│ │ │ │ │ ├── amazn_short_forecast.png
│ │ │ │ │ ├── msft_searchresults_office.png
│ │ │ │ │ ├── shutterstock_564998500.jpg
│ │ │ │ │ ├── msft_news.PNG
│ │ │ │ │ ├── msft_components.png
│ │ │ │ │ ├── amzn_playing_negative.png
│ │ │ │ │ ├── skyline.jpeg
│ │ │ │ │ ├── amzn_uncertainty.png
│ │ │ │ │ ├── msft_data.PNG
│ │ │ │ │ ├── amzn_changepoints_graphdefault.png
│ │ │ │ ├── 2-Stocker Prediction.ipynb
│ │ │ │ ├── 1-Stocker Analysis .ipynb
│ │ │ │ ├── stocker.py
│ │ │ ├── 第14章：因子打分选股实战
│ │ │ │ ├── 3_因子打分选股.txt
│ │ │ ├── 第1-3章：Python基础
│ │ │ │ ├── Python基础代码.zip
│ │ │ ├── 第19章：Matplotlib工具包实战
│ │ │ │ ├── Matplotlib绘图.zip
│ │ │ ├── 第5章：Pandas
│ │ │ │ ├── tushare工具包.zip
│ │ │ ├── 第10章：Ricequant回测选股分析实战
│ │ │ │ ├── 1_simple_demo.txt
│ │ │ ├── 第4章：Numpy
│ │ │ │ ├── numpy代码.zip
│ │ │ ├── 第12章：因子策略选股实例
│ │ │ │ ├── 2_因子策略.txt
│ │ │ ├── 第20章：Seaborn
│ │ │ │ ├── 5-category.ipynb
│ │ │ │ ├── f1.png
│ │ │ │ ├── iris.data
│ │ │ │ ├── 7-Heatmap.ipynb
│ │ │ │ ├── Seaborn-2Color.ipynb
│ │ │ │ ├── Untitled.ipynb
│ │ │ │ ├── 4-REG.ipynb
│ │ │ │ ├── 6-FacetGrid.ipynb
│ │ │ │ ├── Seaborn-3Var.ipynb
│ │ │ │ ├── Seaborn-1Style.ipynb
│ │ │ ├── 第9章：量化交易解读.zip
│ │ │ ├── 第15章：基于回归的策略分析.zip
│ │ │ ├── 第13章：因子分析实战.zip
│ │ │ ├── 第11章：因子数据预处理.zip
│ │ │ ├── 第8章：策略评估指标.zip
│ │ │ ├── 第7章：双均线交易策略实例.zip
│ │ │ ├── 第6章：金融时间序列分析.zip
│ │ │ ├── 第18章：深度学习时间序列预测.zip
│ │ │ ├── 第16章：聚类与统计策略分析.zip
│ │ ├── 选修机器学习进阶实战
│ │ │ ├── 第九章：EM算法
│ │ │ │ ├── 课件
│ │ │ │ │ ├── 10-EM算法.pdf
│ │ │ ├── 第六章：降维算法-线性判别分析
│ │ │ │ ├── 课件
│ │ │ │ │ ├── 9-LDA与PCA算法.pdf
│ │ │ │ ├── 代码
│ │ │ │ │ ├── 降维算法.zip
│ │ │ ├── 课程简介.doc
│ │ │ ├── 新建 Microsoft Word 97 - 2003 文档.doc
│ │ │ ├── 数据代码.txt
│ │ ├── 第四模块：机器学习实训营（原理+复现+实验）
│ │ │ ├── 3-模型评估方法
│ │ │ │ ├── img
│ │ │ │ │ ├── 5.png
│ │ │ │ │ ├── 8.png
│ │ │ │ │ ├── 6.png
│ │ │ │ │ ├── 9.png
│ │ │ │ │ ├── 7.png
│ │ │ │ │ ├── 4.png
│ │ │ │ │ ├── 1.png
│ │ │ │ │ ├── 2.png
│ │ │ │ │ ├── 3.png
│ │ │ │ ├── 模型评估方法.ipynb
│ │ │ ├── 13-集成算法原理
│ │ │ │ ├── 3-决策树与集成算法.pdf
│ │ │ ├── 8-Kmeans代码实现
│ │ │ │ ├── Kmeans-代码实现.zip
│ │ │ ├── 9-聚类算法实验分析
│ │ │ │ ├── mldata
│ │ │ │ │ ├── mnist-original.mat
│ │ │ │ ├── 聚类算法-实验.zip
│ │ │ ├── 31-HMM应用实例
│ │ │ │ ├── HMM
│ │ │ │ │ ├── __pycache__
│ │ │ │ │ │ ├── get_hmm_param.cpython-36.pyc
│ │ │ │ │ │ ├── data.cpython-36.pyc
│ │ │ │ │ ├── hmm_start.py
│ │ │ │ │ ├── get_hmm_param.py
│ │ │ │ │ ├── data.py
│ │ │ │ ├── hmm实践.ipynb
│ │ │ │ ├── 时间序列.ipynb
│ │ │ │ ├── data2.csv
│ │ │ ├── 22-关联规则代码实现
│ │ │ │ ├── Apriori-代码实现.zip
│ │ │ ├── 11-决策树代码实现
│ │ │ │ ├── 决策树-代码实现.zip
│ │ │ ├── 17-神经网络算法原理
│ │ │ │ ├── 神经网络-单独.pdf
│ │ │ ├── 12-决策树实验分析
│ │ │ │ ├── 决策树算法-实验.zip
│ │ │ ├── 24-代码实现word2vec词向量模型
│ │ │ │ ├── 18.Tensorflow自己打造word2vec
│ │ │ │ │ ├── word2vec
│ │ │ │ │ │ ├── word2vec.zip
│ │ │ ├── 6-逻辑回归实验分析
│ │ │ │ ├── 逻辑回归-实验.zip
│ │ │ ├── 19-贝叶斯算法原理
│ │ │ │ ├── 5-贝叶斯算法.pdf
│ │ │ ├── 7-聚类算法-Kmeans&Dbscan原理
│ │ │ │ ├── 4-聚类算法.pdf
│ │ │ ├── 21-关联规则实战分析
│ │ │ │ ├── 第一章：Python实战关联规则.zip
│ │ │ ├── 16-支持向量机实验分析
│ │ │ │ ├── 支持向量机-实验.zip
│ │ │ ├── 23-词向量word2vec通俗解读
│ │ │ │ ├── NLP核心模型-word2vec.zip
│ │ │ ├── mldata
│ │ │ │ ├── mnist-original.mat
│ │ │ ├── 27.28-主成分分析与线性判别分析
│ │ │ │ ├── 降维算法.zip
│ │ │ │ ├── 9-LDA与PCA算法.pdf
│ │ │ ├── 30-隐马尔科夫模型
│ │ │ │ ├── HMM.pdf
│ │ │ ├── 20-贝叶斯代码实现
│ │ │ │ ├── 贝叶斯-代码实现.zip
│ │ │ ├── 14-集成算法实验分析
│ │ │ │ ├── mldata
│ │ │ │ │ ├── mnist-original.mat
│ │ │ │ ├── 随机森林与集成算法-实验.zip
│ │ │ ├── 25-推荐系统原理
│ │ │ │ ├── 7-推荐系统.pdf
│ │ │ ├── 10-决策树原理
│ │ │ │ ├── 3-决策树与集成算法.pdf
│ │ │ ├── 2-线性回归代码实现
│ │ │ │ ├── 线性回归-代码实现
│ │ │ │ │ ├── utils
│ │ │ │ │ │ ├── hypothesis
│ │ │ │ │ │ │ ├── __pycache__
│ │ │ │ │ │ │ │ ├── sigmoid_gradient.cpython-36.pyc
│ │ │ │ │ │ │ │ ├── sigmoid.cpython-36.pyc
│ │ │ │ │ │ │ │ ├── __init__.cpython-36.pyc
│ │ │ │ │ │ │ ├── sigmoid_gradient.py
│ │ │ │ │ │ │ ├── __init__.py
│ │ │ │ │ │ │ ├── sigmoid.py
│ │ │ │ │ │ ├── features
│ │ │ │ │ │ │ ├── __pycache__
│ │ │ │ │ │ │ │ ├── generate_polynomials.cpython-36.pyc
│ │ │ │ │ │ │ │ ├── normalize.cpython-36.pyc
│ │ │ │ │ │ │ │ ├── __init__.cpython-36.pyc
│ │ │ │ │ │ │ │ ├── generate_sinusoids.cpython-36.pyc
│ │ │ │ │ │ │ │ ├── prepare_for_training.cpython-36.pyc
│ │ │ │ │ │ │ ├── prepare_for_training.py
│ │ │ │ │ │ │ ├── normalize.py
│ │ │ │ │ │ │ ├── __init__.py
│ │ │ │ │ │ │ ├── generate_sinusoids.py
│ │ │ │ │ │ │ ├── generate_polynomials.py
│ │ │ │ │ │ ├── __pycache__
│ │ │ │ │ │ │ ├── __init__.cpython-36.pyc
│ │ │ │ │ │ ├── __init__.py
│ │ │ │ │ ├── LinearRegression
│ │ │ │ │ │ ├── __pycache__
│ │ │ │ │ │ │ ├── Non-linearRegression.cpython-36.pyc
│ │ │ │ │ │ │ ├── linear_regression.cpython-36.pyc
│ │ │ │ │ │ ├── linear_regression.py
│ │ │ │ │ │ ├── MultivariateLinearRegression.py
│ │ │ │ │ │ ├── UnivariateLinearRegression.py
│ │ │ │ │ │ ├── Non-linearRegression.py
│ │ │ │ │ │ ├── temp-plot.html
│ │ │ │ │ ├── data
│ │ │ │ │ │ ├── fashion-mnist-demo.csv
│ │ │ │ │ │ ├── world-happiness-report-2017.csv
│ │ │ │ │ │ ├── microchips-tests.csv
│ │ │ │ │ │ ├── non-linear-regression-x-y.csv
│ │ │ │ │ │ ├── mnist-demo.csv
│ │ │ │ │ │ ├── iris.csv
│ │ │ │ │ │ ├── server-operational-params.csv
│ │ │ │ ├── 线性回归-代码实现.zip
│ │ │ ├── 18-神经网络代码实现
│ │ │ │ ├── 神经网络-代码实现.zip
│ │ │ ├── 15-支持向量机原理推导
│ │ │ │ ├── 6-支持向量机.pdf
│ │ │ ├── 26-打造音乐推荐系统
│ │ │ │ ├── Python实现音乐推荐系统.zip
│ │ │ ├── 5-逻辑回归代码实现
│ │ │ │ ├── 逻辑回归-代码实现.zip
│ │ │ ├── 3-线性回归实验分析
│ │ │ │ ├── 线性回归-实验.zip
│ │ │ ├── 1-线性回归原理推导
│ │ │ │ ├── 2-回归算法.pdf
│ │ │ ├── 29-主成分分析降维算法解读
│ │ │ │ ├── 降维算法.zip
│ │ ├── 第六模块：Python数据分析与机器学习实战集锦
│ │ │ ├── 第七章：NLP常用工具包
│ │ │ │ ├── Python-自然语言处理工具包.zip
│ │ │ ├── 第六章：机器学习-模型解释方法实战.zip
│ │ │ ├── 第十一章：银行客户还款可能性预测.zip
│ │ │ ├── 第十章：数据特征预处理.zip
│ │ │ ├── 第四章：商品销售额回归分析.zip
│ │ │ ├── 第八章：NLP核心模型-word2vec.zip
│ │ │ ├── 第二章：爱彼迎数据集分析与建模.zip
│ │ │ ├── 第十二章：图像特征聚类分析实践.zip
│ │ │ ├── 第三章：基于相似度的酒店推荐系统.zip
│ │ │ ├── 第一章：Python实战关联规则.zip
│ │ │ ├── 第九章：自然语言处理特征提取方法对比.zip
│ │ │ ├── 第五章：绝地求生数据集探索分析与建模.zip
│ │ ├── 第九模块：深度学习入门
│ │ │ ├── 神经网络新.pdf
│ │ ├── 第五模块：机器学习算法建模实战
│ │ │ ├── 股票
│ │ │ │ ├── .ipynb_checkpoints
│ │ │ │ │ ├── 1-Stocker Analysis -checkpoint.ipynb
│ │ │ │ │ ├── 2-Stocker Prediction-checkpoint.ipynb
│ │ │ │ ├── __pycache__
│ │ │ │ │ ├── stocker.cpython-36.pyc
│ │ │ │ ├── data
│ │ │ │ │ ├── stock_list.csv
│ │ │ │ ├── images
│ │ │ │ │ ├── night_downtown.jpeg
│ │ │ │ │ ├── cps_uncertainty_curves.png
│ │ │ │ │ ├── amzn_future90.png
│ │ │ │ │ ├── msft_weekly.PNG
│ │ │ │ │ ├── msft_data.PNG
│ │ │ │ │ ├── cps_error_curves.png
│ │ │ │ │ ├── msft_cpsanalysis.png
│ │ │ │ │ ├── msft_prophetoutput.png
│ │ │ │ │ ├── peter_b_lewis.jpg
│ │ │ │ │ ├── msft_buyandhold_profits.png
│ │ │ │ │ ├── amzn_playing_negative.png
│ │ │ │ │ ├── amzn_training_testingrefined.png
│ │ │ │ │ ├── evening_skyline.jpeg
│ │ │ │ │ ├── msft_prophet_components.png
│ │ │ │ │ ├── amzn_uncertainty.png
│ │ │ │ │ ├── amzn_long_forecast.png
│ │ │ │ │ ├── msft_news.PNG
│ │ │ │ │ ├── microsoft_buyandhold.png
│ │ │ │ │ ├── msft_create_predict.png
│ │ │ │ │ ├── msft_history.png
│ │ │ │ │ ├── msft_change_volume.png
│ │ │ │ │ ├── amzn_stock.png
│ │ │ │ │ ├── msft_search_freq.png
│ │ │ │ │ ├── amzn_training_testingcurves.png
│ │ │ │ │ ├── amzn_default_evaluation.png
│ │ │ │ │ ├── tesla_search_freq.png
│ │ │ │ │ ├── msft_changepoints.png
│ │ │ │ │ ├── msft_predicted_profits.png
│ │ │ │ │ ├── night_skyline.jpeg
│ │ │ │ │ ├── downtown.jpeg
│ │ │ │ │ ├── msft_searchresults_profit.png
│ │ │ │ │ ├── open_source.jpg
│ │ │ │ │ ├── msft_prophet_eval.png
│ │ │ │ │ ├── amazn_short_forecast.png
│ │ │ │ │ ├── djia_longtern.PNG
│ │ │ │ │ ├── djia_daily.PNG
│ │ │ │ │ ├── singapore_skyline.jpg
│ │ │ │ │ ├── shutterstock_smalljpg.jpg
│ │ │ │ │ ├── msft_plot_stock.png
│ │ │ │ │ ├── msft_components.png
│ │ │ │ │ ├── amzn_playingresults.png
│ │ │ │ │ ├── msft_searchresults_office.png
│ │ │ │ │ ├── shutterstock_564998500.jpg
│ │ │ │ │ ├── amzn_refined_evaluation.png
│ │ │ │ │ ├── skyline.jpeg
│ │ │ │ │ ├── amzn_changepoints_graphdefault.png
│ │ │ │ │ ├── msft_modeled.png
│ │ │ │ ├── 1-Stocker Analysis .ipynb
│ │ │ │ ├── stocker.py
│ │ │ │ ├── 2-Stocker Prediction.ipynb
│ │ │ ├── 第十六章：基于随机森林的气温预测
│ │ │ │ ├── 随机森林.zip
│ │ │ ├── 第十一章：项目实战-交易数据异常检测
│ │ │ │ ├── 逻辑回归-信用卡欺诈检测.zip
│ │ │ ├── 第十八章：基于贝叶斯的新闻分类实战
│ │ │ ├── Python实现音乐推荐系统
│ │ │ │ ├── .ipynb_checkpoints
│ │ │ │ │ ├── 推荐系统-checkpoint.ipynb
│ │ │ │ ├── __pycache__
│ │ │ │ │ ├── Recommenders.cpython-36.pyc
│ │ │ │ ├── user_playcount_df.csv
│ │ │ │ ├── track_metadata.db
│ │ │ │ ├── 3.png
│ │ │ │ ├── song_playcount_df.csv
│ │ │ │ ├── track_metadata_df_sub.csv
│ │ │ │ ├── recommendation_engines.py
│ │ │ │ ├── 7.png
│ │ │ │ ├── Recommenders.py
│ │ │ │ ├── 8.png
│ │ │ │ ├── triplet_dataset_sub_song.csv
│ │ │ │ ├── 2.png
│ │ │ │ ├── 4.png
│ │ │ │ ├── 5.png
│ │ │ │ ├── 6.png
│ │ │ │ ├── 推荐系统.ipynb
│ │ │ │ ├── train_triplets.txt
│ │ │ │ ├── 1.png
│ │ │ ├── 京东购买意向预测.zip
│ │ ├── 第一二模块：Python数据科学必备库（4个）
│ │ │ ├── Numpy
│ │ │ │ ├── numpy代码.zip
│ │ │ ├── Pandas
│ │ │ │ ├── pandas_basics.pdf
│ │ │ │ ├── pandas.pdf
│ │ │ │ ├── 机器学习numpy和pandas基础.rar
│ │ │ ├── Python基础
│ │ │ │ ├── Python基础代码.zip
│ │ │ ├── Seaborn
│ │ │ │ ├── 6-FacetGrid.ipynb
│ │ │ │ ├── 5-category.ipynb
│ │ │ │ ├── 4-REG.ipynb
│ │ │ │ ├── Seaborn-3Var.ipynb
│ │ │ │ ├── iris.data
│ │ │ │ ├── 7-Heatmap.ipynb
│ │ │ │ ├── f1.png
│ │ │ │ ├── Seaborn-1Style.ipynb
│ │ │ │ ├── Untitled.ipynb
│ │ │ │ ├── Seaborn-2Color.ipynb
│ │ │ ├── Matplotlib
│ │ │ │ ├── Matplotlib绘图.zip
│ ├── 06-第六模块：机器学习案例实战应用集锦
│ │ ├── 04-商品销售额回归分析
│ │ │ ├── 05-5-标签变换.ts
│ │ │ ├── 02-2-特征工程制作.ts
│ │ │ ├── 01-1-数据任务分析.ts
│ │ │ ├── 08-8-生成输出结果.ts
│ │ │ ├── 03-3-统计指标生成.ts
│ │ │ ├── 04-4-特征信息提取.ts
│ │ │ ├── 06-6-输入数据制作.ts
│ │ │ ├── 07-7-Xgboost训练模型.ts
│ │ ├── 08-NLP核心模型-Word2vec
│ │ │ ├── 02-2-模型整体框架.ts
│ │ │ ├── 04-4-CBOW与Skip-gram模型.ts
│ │ │ ├── 05-5-负采样方案.ts
│ │ │ ├── 01-1-词向量模型通俗解释.ts
│ │ │ ├── 03-3-训练数据构建.ts
│ │ ├── 03-基于相似度的酒店推荐系统
│ │ │ ├── 02-2-文本词频统计.ts
│ │ │ ├── 05-5-相似度计算.ts
│ │ │ ├── 04-4-文本清洗.ts
│ │ │ ├── 01-1-数据与任务介绍.ts
│ │ │ ├── 03-3-ngram结果可视化展示.ts
│ │ │ ├── 06-6-得出推荐结果.ts
│ │ ├── 10-10文本特征处理方法对比
│ │ │ ├── 05-5-特征相关性分析.ts
│ │ │ ├── 06-6-缺失值填充.ts
│ │ │ ├── 09-9-构建合适的特征.ts
│ │ │ ├── 02-2-数据分析与可视化展示.ts
│ │ │ ├── 10-10-序列化执行预处理操作.ts
│ │ │ ├── 08-8-离散属性特征处理.ts
│ │ │ ├── 12-12-构建回归模型.ts
│ │ │ ├── 11-11-完成所有预处理操作.ts
│ │ │ ├── 07-7-sklearn工具包预处理模块.ts
│ │ │ ├── 04-4-加载数据坐标到实际地图中进行分析.ts
│ │ │ ├── 01-1-数据与任务介绍.ts
│ │ │ ├── 03-3-连续值离散化与可视化细节.ts
│ │ ├── 12-图像特征聚类分析实践
│ │ │ ├── 01-1-数据与任务流程分析.ts
│ │ │ ├── 03-3-图像特征编码.ts
│ │ │ ├── 02-2-图片数据导入.ts
│ │ │ ├── 04-4-数组保存与读取.ts
│ │ │ ├── 05-5-得出聚类结果.ts
│ │ │ ├── 06-6-聚类效果可视化展示.ts
│ │ ├── 05-绝地求生数据集探索分析与建模
│ │ │ ├── 03-3-剔除开挂数据.ts
│ │ │ ├── 07-8-特征重要性.ts
│ │ │ ├── 02-2-数据问题探索与解决方案.ts
│ │ │ ├── 04-5-绘图统计分析.ts
│ │ │ ├── 05-6-热度图展示.ts
│ │ │ ├── 06-7-随机森林建模.ts
│ │ │ ├── 01-1-数据与任务简介.ts
│ │ ├── 02-爱彼迎数据集分析与建模
│ │ │ ├── 05-5-提取房屋常见设施.ts
│ │ │ ├── 08-8-随机森林与LightGBM.ts
│ │ │ ├── 02-2-提取月份信息进行统计分析.ts
│ │ │ ├── 06-6-房屋规格热度图分析.ts
│ │ │ ├── 04-4-房屋信息指标分析.ts
│ │ │ ├── 09-9-训练与评估.ts
│ │ │ ├── 03-3-房价随星期变化的可视化展示.ts
│ │ │ ├── 01-1-数据与任务分析.ts
│ │ │ ├── 07-7-预处理与建模准备.ts
│ │ ├── 01-Python实战关联规则
│ │ │ ├── 04-4-Python实战关联规则.ts
│ │ │ ├── 02-2-支持度与置信度.ts
│ │ │ ├── 01-1-关联规则概述.ts
│ │ │ ├── 03-3-提升度的作用.ts
│ │ │ ├── 05-5-数据集制作.ts
│ │ │ ├── 06-6-电影数据集题材关联分析.ts
│ │ ├── 06-机器学习-模型解释方法实战
│ │ │ ├── 05-5-疾病引起原因分析实战.ts
│ │ │ ├── 02-2-部分依赖图解释.ts
│ │ │ ├── 04-4-ShapValues指标分析.ts
│ │ │ ├── 03-3-双变量分析.ts
│ │ │ ├── 01-1-模型解释方法与实践.ts
│ │ ├── 07-自然语言处理必备工具包实战
│ │ │ ├── 01-1-Python字符串处理.ts
│ │ │ ├── 11-11-恐怖袭击分析.ts
│ │ │ ├── 12-12-统计分析结果.ts
│ │ │ ├── 05-5-NLTK工具包简介.ts
│ │ │ ├── 09-9-Spacy工具包.ts
│ │ │ ├── 08-8-数据清洗实例.ts
│ │ │ ├── 03-3-正则常用符号.ts
│ │ │ ├── 13-13-结巴分词器.ts
│ │ │ ├── 02-2-正则表达式基本语法.ts
│ │ │ ├── 14-14-词云展示.ts
│ │ │ ├── 06-6-停用词过滤.ts
│ │ │ ├── 10-10-名字实体匹配.ts
│ │ │ ├── 07-7-词性标注.ts
│ │ │ ├── 04-4-常用函数介绍.ts
│ │ ├── 09-数据特征预处理
│ │ │ ├── 04-4-TFIDF模型.ts
│ │ │ ├── 05-5-word2vec词向量模型.ts
│ │ │ ├── 06-6-深度学习模型.ts
│ │ │ ├── 03-3-词袋模型分析.ts
│ │ │ ├── 01-1-任务概述.ts
│ │ │ ├── 02-2-词袋模型.ts
│ │ ├── 11-银行客户还款可能性预测
│ │ │ ├── 06-6-数据检查与特征工程.ts
│ │ │ ├── 09-9-逻辑回归模型.ts
│ │ │ ├── 08-8-自定义特征.ts
│ │ │ ├── 02-2-EDA数据探索分析.ts
│ │ │ ├── 05-5-部分特征分析与可视化.ts
│ │ │ ├── 04-4-KDEPLOT展示.ts
│ │ │ ├── 01-1-数据任务介绍及缺失值处理.ts
│ │ │ ├── 07-7-多项式特征.ts
│ │ │ ├── 10-10-结果评估.ts
│ │ │ ├── 11-11-必杀神奇：lightgbm.ts
│ │ │ ├── 03-3-特征展示分析.ts
│ ├── 10-选修：Python数据分析案例实战
│ │ ├── 04-纽约出租车建模
│ │ │ ├── 06-6-不同类别的出租车运行情况对比.ts
│ │ │ ├── 03-3-客流趋势动态展示.ts
│ │ │ ├── 08-8-聚类特征信息可视化展示.ts
│ │ │ ├── 09-9-xgboost模型进行分析预测.ts
│ │ │ ├── 02-2-聚类区域划分.ts
│ │ │ ├── 04-4-区域邻居情况分析.ts
│ │ │ ├── 07-7-客户数据特征可视化分析.ts
│ │ │ ├── 05-5-用户数据特征分析.ts
│ │ │ ├── 10-10-加入天气特征对结果的影响分析.ts
│ │ │ ├── 01-1-纽约出租车运行情况数据概述.ts
│ │ ├── 06-数据分析-机器学习模板
│ │ │ ├── 09-9-机器学习算法模型效果对比.ts
│ │ │ ├── 05-5-单变量展示.ts
│ │ │ ├── 02-2-单特征与缺失值展示.ts
│ │ │ ├── 08-8-ROC与AUC模型评估标准.ts
│ │ │ ├── 06-6-双变量分析.ts
│ │ │ ├── 07-7-开发新变量.ts
│ │ │ ├── 03-3-人口普查数据集清洗.ts
│ │ │ ├── 04-4-人口信息数据特征工程展示.ts
│ │ │ ├── 01-1-人口普查预测任务概述.ts
│ │ ├── 01-KIVA贷款数据
│ │ │ ├── 02-2-各个国家贷款需求.ts
│ │ │ ├── 04-5-深入各个行业分析.ts
│ │ │ ├── 05-6-针对时间序列进行分析.ts
│ │ │ ├── 06-7-各项数据指标统计分析.ts
│ │ │ ├── 01-kiva贷款数据集介绍.ts
│ │ │ ├── 03-3-贷款金额与还款间隔分析.ts
│ │ ├── 02-订单数据集分析
│ │ │ ├── 02-2-双变量热度图绘制方法.ts
│ │ │ ├── 05-5-聚类划分商品.ts
│ │ │ ├── 01-8-预测结果展示.ts
│ │ │ ├── 04-4-购物车情况与复购.ts
│ │ │ ├── 03-3-复购情况对比分析.ts
│ │ ├── 05-商品信息可视化与文本分析
│ │ │ ├── 04-4-商品描述长度对价格的影响分析.ts
│ │ │ ├── 03-3-商品类别可视化展示.ts
│ │ │ ├── 05-5-关键词的词云可视化展示.ts
│ │ │ ├── 01-1-在线商城商品数据信息概述.ts
│ │ │ ├── 08-8-聚类分析与主题模型展示.ts
│ │ │ ├── 02-2-商品类别划分方式.ts
│ │ │ ├── 07-7-通过降维进行可视化展示.ts
│ │ │ ├── 06-6-基于tf-idf提取关键词信息.ts
│ │ ├── 03-基于统计分析的电影推荐
│ │ │ ├── 03-3-关键词云与直方图可视化展示.ts
│ │ │ ├── 04-4-电影特征数据可视化.ts
│ │ │ ├── 01-1-电影数据与环境配置.ts
│ │ │ ├── 08-8-数据特征构造.ts
│ │ │ ├── 05-5数据清洗方法分析.ts
│ │ │ ├── 02-2-数据与关键词信息展示.ts
│ │ │ ├── 06-6-缺失值填充方法.ts
│ │ │ ├── 09-9-得出推荐结果.ts
│ │ │ ├── 07-7-推荐引擎构造.ts
│ ├── 03-第三模块：人工智能-必备数学课程
│ │ ├── 10-熵与激活函数
│ │ │ ├── 03-3-激活函数.ts
│ │ │ ├── 04-4-激活函数的问题.ts
│ │ │ ├── 01-1-熵的概念.ts
│ │ │ ├── 02-2-熵的大小意味着什么.ts
│ │ ├── 05-特征值与矩阵分解
│ │ │ ├── 05-5-SVD矩阵分解.ts
│ │ │ ├── 01-1-特征值与特征向量.ts
│ │ │ ├── 04-4-特征值分解.ts
│ │ │ ├── 02-2-特征空间与应用.ts
│ │ │ ├── 03-1-SVD要解决的问题.ts
│ │ ├── 16-贝叶斯分析
│ │ │ ├── 13-13-模型决策.ts
│ │ │ ├── 07-7-垃圾邮件过滤实例.ts
│ │ │ ├── 09-9-经典求解思路.ts
│ │ │ ├── 03-3-贝叶斯学派与经典统计学派的争论.ts
│ │ │ ├── 11-11-PYMC3概述.ts
│ │ │ ├── 10-10-MCMC概述.ts
│ │ │ ├── 04-4-贝叶斯算法概述.ts
│ │ │ ├── 06-6-贝叶斯拼写纠错实例.ts
│ │ │ ├── 05-5-贝叶斯推导实例.ts
│ │ │ ├── 08-8-贝叶斯解释.ts
│ │ │ ├── 01-1-贝叶斯分析概述.ts
│ │ │ ├── 02-2-概率的解释.ts
│ │ │ ├── 12-12-模型诊断.ts
│ │ ├── 07-概率论基础
│ │ │ ├── 09-9-期望.ts
│ │ │ ├── 11-11-马尔科夫不等式.ts
│ │ │ ├── 13-13-后验概率估计.ts
│ │ │ ├── 15-15-垃圾邮件过滤实例.ts
│ │ │ ├── 12-12-切比雪夫不等式.ts
│ │ │ ├── 01-1-概率与频率.ts
│ │ │ ├── 05-5-独立性.ts
│ │ │ ├── 04-4-条件概率小例子.ts
│ │ │ ├── 10-10-期望求解.ts
│ │ │ ├── 07-7-二维连续型随机变量.ts
│ │ │ ├── 14-14-贝叶斯拼写纠错实例.ts
│ │ │ ├── 02-2-古典概型.ts
│ │ │ ├── 06-6-二维离散型随机变量.ts
│ │ │ ├── 03-3-条件概率.ts
│ │ │ ├── 08-8-边缘分布.ts
│ │ ├── 15-聚类分析
│ │ │ ├── 05-4-2-KMEANS工作流程.ts
│ │ │ ├── 06-4-3-KMEANS迭代可视化展示.ts
│ │ │ ├── 07-5-1-DBSCAN聚类算法.ts
│ │ │ ├── 04-4-1-KMEANS算法概述.ts
│ │ │ ├── 02-2-层次聚类流程.ts
│ │ │ ├── 01-1-层次聚类概述.ts
│ │ │ ├── 08-5-2-DBSCAN工作流程.ts
│ │ │ ├── 11-6-2-聚类案例实战.ts
│ │ │ ├── 03-3-层次聚类实例.ts
│ │ │ ├── 10-6-1-多种聚类算法概述.ts
│ │ │ ├── 09-5-3-DBSCAN可视化展示.ts
│ │ ├── 06-随机变量
│ │ │ ├── 02-2-连续型随机变量.ts
│ │ │ ├── 05-5-极大似然估计.ts
│ │ │ ├── 01-1-离散型随机变量.ts
│ │ │ ├── 04-4-似然函数.ts
│ │ │ ├── 03-3-简单随机抽样.ts
│ │ ├── 13-相关分析
│ │ │ ├── 07-7-偏相关与复相关.ts
│ │ │ ├── 03-3-计算与检验.ts
│ │ │ ├── 05-5-肯德尔系数.ts
│ │ │ ├── 02-2-皮尔森相关系数.ts
│ │ │ ├── 04-4-斯皮尔曼等级相关.ts
│ │ │ ├── 01-1-相关分析概述.ts
│ │ │ ├── 06-6-质量相关分析.ts
│ │ ├── 11-回归分析
│ │ │ ├── 02-2-回归方程定义.ts
│ │ │ ├── 06-6-回归直线拟合优度.ts
│ │ │ ├── 04-4-最小二乘法推导与求解.ts
│ │ │ ├── 11-11-案例：汽车价格预测任务概述.ts
│ │ │ ├── 14-14-案例：预处理问题.ts
│ │ │ ├── 05-5-回归方程求解小例子.ts
│ │ │ ├── 13-13-案例：特征相关性.ts
│ │ │ ├── 01-1-回归分析概述.ts
│ │ │ ├── 07-7-多元与曲线回归问题.ts
│ │ │ ├── 08-8-Python工具包介绍.ts
│ │ │ ├── 03-3-误差项的定义.ts
│ │ │ ├── 09-9-statsmodels回归分析.ts
│ │ │ ├── 15-15-案例：回归求解.ts
│ │ │ ├── 12-12-案例：缺失值填充.ts
│ │ │ ├── 10-10-高阶与分类变量实例.ts
│ │ ├── 08-数据科学你得知道的几种分布
│ │ │ ├── 03-3-泊松分布.ts
│ │ │ ├── 06-6-beta分布.ts
│ │ │ ├── 04-4-均匀分布.ts
│ │ │ ├── 01-1-正太分布.ts
│ │ │ ├── 02-2-二项式分布.ts
│ │ │ ├── 05-5-卡方分布.ts
│ │ ├── 09-核函数变换
│ │ │ ├── 01-1-核函数的目的.ts
│ │ │ ├── 06-6-参数的影响.ts
│ │ │ ├── 04-4-核函数实例.ts
│ │ │ ├── 02-2-线性核函数.ts
│ │ │ ├── 03-3-多项式核函数.ts
│ │ │ ├── 05-5-高斯核函数.ts
│ │ ├── 01-高等数学基础
│ │ │ ├── 08-7-梯度.ts
│ │ │ ├── 05-4-连续性与导数.ts
│ │ │ ├── 01-0-课程简介.ts
│ │ │ ├── 04-3-无穷小与无穷大.ts
│ │ │ ├── 02-1-函数.ts
│ │ │ ├── 06-5-偏导数.ts
│ │ │ ├── 07-6-方向导数.ts
│ │ │ ├── 03-2-极限.ts
│ │ ├── 12-假设检验
│ │ │ ├── 11-11-Python卡方检验实例.ts
│ │ │ ├── 10-10-Python假设检验实例.ts
│ │ │ ├── 04-4-Z检验实例.ts
│ │ │ ├── 03-3-Z检验基本原理.ts
│ │ │ ├── 02-2-左右侧检验与双侧检验.ts
│ │ │ ├── 08-8-卡方检验.ts
│ │ │ ├── 09-9-假设检验中的两类错误.ts
│ │ │ ├── 07-7-T检验应用条件.ts
│ │ │ ├── 06-6-T检验实例.ts
│ │ │ ├── 01-1-假设检验基本思想.ts
│ │ │ ├── 05-5-T检验基本原理.ts
│ │ ├── 04-线性代数基础
│ │ │ ├── 02-2-矩阵与数据的关系.ts
│ │ │ ├── 05-5-矩阵的秩.ts
│ │ │ ├── 04-4-矩阵的几种变换.ts
│ │ │ ├── 01-1-行列式概述.ts
│ │ │ ├── 06-6-内积与正交.ts
│ │ │ ├── 03-3-矩阵基本操作.ts
│ │ ├── 14-方差分析
│ │ │ ├── 03-3-方差分析计算方法.ts
│ │ │ ├── 06-6-Python方差分析实例.ts
│ │ │ ├── 04-4-方差分析中的多重比较.ts
│ │ │ ├── 01-1-方差分析概述.ts
│ │ │ ├── 02-2-方差的比较.ts
│ │ │ ├── 05-5-多因素方差分析.ts
│ │ ├── 02-微积分
│ │ │ ├── 05-5-牛顿-莱布尼茨公式.ts
│ │ │ ├── 01-1-微积分基本想法.ts
│ │ │ ├── 03-3-定积分.ts
│ │ │ ├── 02-2-微积分的解释.ts
│ │ │ ├── 04-4-定积分性质.ts
│ │ ├── 03-泰勒公式与拉格朗日
│ │ │ ├── 01-1-泰勒公式出发点.ts
│ │ │ ├── 06-6-求解拉格朗日乘子法.ts
│ │ │ ├── 02-2-一点一世界.ts
│ │ │ ├── 05-5-拉格朗日乘子法.ts
│ │ │ ├── 04-4-阶乘的作用.ts
│ │ │ ├── 03-3-阶数的作用.ts
│ ├── 07-第七模块：机器学习竞赛优胜解决方案实战
│ │ ├── 01-快手短视频用户活跃度分析
│ │ │ ├── 09-0-课程简介.ts
│ │ │ ├── 03-3-构建用户特征序列.ts
│ │ │ ├── 01-1-任务目标与数据分析..ts
│ │ │ ├── 04-4-序列特征提取方法.ts
│ │ │ ├── 02-2-整体模型架构.ts
│ │ │ ├── 06-6-标签制作.ts
│ │ │ ├── 08-8-得出最终模型结果.ts
│ │ │ ├── 07-7-网络训练模块.ts
│ │ │ ├── 05-5-生成特征汇总表.ts
│ │ ├── 05-医学糖尿病数据命名实体识别
│ │ │ ├── 06-6-医疗数据集（糖尿病）实体识别.ts
│ │ │ ├── 04-4-输入样本填充补齐.ts
│ │ │ ├── 03-3-数据-标签-语料库处理.ts
│ │ │ ├── 02-2-整体模型架构.ts
│ │ │ ├── 05-5-训练网络模型.ts
│ │ │ ├── 01-1-数据与任务介绍.ts
│ │ ├── 07-新闻关键词抽取模型
│ │ │ ├── 02-2-数据清洗与预处理.ts
│ │ │ ├── 04-4-文章与词向量分析.ts
│ │ │ ├── 08-8-候选词相似度特征.ts
│ │ │ ├── 03-3-基本特征抽取.ts
│ │ │ ├── 07-7-textrank特征提取.ts
│ │ │ ├── 06-6-候选词统计特征.ts
│ │ │ ├── 09-9-特征工程汇总.ts
│ │ │ ├── 01-1-任务目标与数据集介绍.ts
│ │ │ ├── 05-5-权重划分.ts
│ │ ├── 04-特征工程建模可解释包
│ │ │ ├── 07-1-特征对比分析方法.ts
│ │ │ ├── 06-1-竞赛与目标分析.ts
│ │ │ ├── 04-4-ShapValues指标分析.ts
│ │ │ ├── 05-5-疾病引起原因分析实战.ts
│ │ │ ├── 01-1-模型解释方法与实践.ts
│ │ │ ├── 03-3-双变量分析.ts
│ │ │ ├── 02-2-部分依赖图解释.ts
│ │ │ ├── 08-1-结果对比分析.ts
│ │ ├── 10-机器学习项目实战模板
│ │ │ ├── 11-3-选择参数.ts
│ │ │ ├── 09-1-dataleakage问题.ts
│ │ │ ├── 06-6-变量与结果的关系.ts
│ │ │ ├── 07-7-多变量展示.ts
│ │ │ ├── 13-5-模型解释.ts
│ │ │ ├── 02-2-处理流程与数据简介.ts
│ │ │ ├── 01-1-建筑能源利用效率任务概述.ts
│ │ │ ├── 03-3-能源信息各项指标数据预处理.ts
│ │ │ ├── 10-2-基础模型对比.ts
│ │ │ ├── 04-4-单变量绘图分析.ts
│ │ │ ├── 08-8-特征工程的价值和方法.ts
│ │ │ ├── 12-4-测试模型.ts
│ │ │ ├── 05-5-离群点剔除.ts
│ │ │ ├── 14-6-模型分析.ts
│ │ ├── 09-用电敏感客户分类
│ │ │ ├── 07-7-高敏模型概述.ts
│ │ │ ├── 04-4-统计与文本特征.ts
│ │ │ ├── 05-5-文本特征构建.ts
│ │ │ ├── 03-3-离散数据处理.ts
│ │ │ ├── 06-6-构建低敏用户模型.ts
│ │ │ ├── 01-1-任务与解决框架概述.ts
│ │ │ ├── 02-2-特征工程分析与特征提取.ts
│ │ ├── 06-贷款平台风控模型+特征工程
│ │ │ ├── 03-3-节点权重特征提取(PageRank).ts
│ │ │ ├── 06-6-app安装特征.ts
│ │ │ ├── 04-4-deepwalk构建图顶点特征.ts
│ │ │ ├── 01-1-竞赛任务目标.ts
│ │ │ ├── 02-2-图模型信息提取.ts
│ │ │ ├── 07-7-图中联系人特征.ts
│ │ │ ├── 05-5-各项统计特征.ts
│ │ ├── 03-智慧城市-道路通行时间预测
│ │ │ ├── 07-7-特征汇总.ts
│ │ │ ├── 01-1-数据与任务目标分析.ts
│ │ │ ├── 06-6-基于回归与插值进行序列补全.ts
│ │ │ ├── 03-3-道路通行时间序列数据生成.ts
│ │ │ ├── 04-4-序列缺失补全方法.ts
│ │ │ ├── 08-8-建立回归模型进行预测.ts
│ │ │ ├── 02-2-数据清洗与标签转换.ts
│ │ │ ├── 05-5-基于回归与插值完成序列特征.ts
│ │ ├── 02-工业化生产预测
│ │ │ ├── 04-4-各道工序特征构建.ts
│ │ │ ├── 05-5-准备训练数据.ts
│ │ │ ├── 06-6-训练xgboost模型.ts
│ │ │ ├── 01-1-数据任务概述.ts
│ │ │ ├── 03-3-时间特征提取.ts
│ │ │ ├── 02-2-数据异常检查.ts
│ │ ├── 08-数据特征常用构建方法
│ │ │ ├── 07-7-计算机眼中的图像.ts
│ │ │ ├── 06-6-词向量特征.ts
│ │ │ ├── 04-4-文本特征处理.ts
│ │ │ ├── 05-5-构造文本向量.ts
│ │ │ ├── 03-3-时间特征处理.ts
│ │ │ ├── 01-1-基本数值特征.ts
│ │ │ ├── 02-2-常用特征构造手段.ts
│ ├── 02-第二模块：Python数据科学必备工具包实战
│ │ ├── 03-.可视化库-Matplotlib
│ │ │ ├── 02-2-子图与标注.ts
│ │ │ ├── 06-6-条形图外观.ts
│ │ │ ├── 07-7-盒图绘制.ts
│ │ │ ├── 12-12-3D图绘制.ts
│ │ │ ├── 09-9-绘图细节设置.ts
│ │ │ ├── 04-4-条形图.ts
│ │ │ ├── 11-11-直方图与散点图.ts
│ │ │ ├── 10-10-绘图细节设置2.ts
│ │ │ ├── 01-1-Matplotlib概述.ts
│ │ │ ├── 13-13-pie图.ts
│ │ │ ├── 15-15-结合pandas与sklearn.ts
│ │ │ ├── 05-5-条形图细节.ts
│ │ │ ├── 08-8-盒图细节.ts
│ │ │ ├── 14-14-子图布局.ts
│ │ │ ├── 03-3-风格设置.ts
│ │ ├── 01-科学计算库-Numpy
│ │ │ ├── 06-6-排序操作.ts
│ │ │ ├── 11-11-随机模块.ts
│ │ │ ├── 18-14-Pandas常用操作2.ts
│ │ │ ├── 15-15-练习题-2.ts
│ │ │ ├── 12-12-文件读写.ts
│ │ │ ├── 16-16-练习题-3.ts
│ │ │ ├── 01-1-Numpy概述.ts
│ │ │ ├── 05-5-数值运算.ts
│ │ │ ├── 09-9-常用生成函数.ts
│ │ │ ├── 04-4-数组类型.ts
│ │ │ ├── 02-2-Array数组.ts
│ │ │ ├── 17-13-Pandas常用操作.ts
│ │ │ ├── 08-8-数组生成函数.ts
│ │ │ ├── 10-10-四则运算.ts
│ │ │ ├── 03-3-数组结构.ts
│ │ │ ├── 13-13-数组保存.ts
│ │ │ ├── 07-7-数组形状操作.ts
│ │ │ ├── 14-14-练习题-1.ts
│ │ ├── 02-数据分析处理库-Pandas
│ │ │ ├── 06-6-对象操作.ts
│ │ │ ├── 12-12-时间序列操作.ts
│ │ │ ├── 10-10-数据透视表.ts
│ │ │ ├── 02-2-Pandas基本操作.ts
│ │ │ ├── 03-3-Pandas索引.ts
│ │ │ ├── 17-19-大数据处理技巧.ts
│ │ │ ├── 13-15-Groupby操作延伸.ts
│ │ │ ├── 08-8-merge操作.ts
│ │ │ ├── 14-16-字符串操作.ts
│ │ │ ├── 16-18-Pandas绘图操作.ts
│ │ │ ├── 04-4-groupby操作.ts
│ │ │ ├── 09-9-显示设置.ts
│ │ │ ├── 05-5-数值运算1.ts
│ │ │ ├── 11-11-时间操作.ts
│ │ │ ├── 15-17-索引进阶.ts
│ │ │ ├── 01-1-Pandas概述.ts
│ │ │ ├── 07-7-对象操作2.ts
│ │ ├── 04-可视化库-Seaborn
│ │ │ ├── 09-8分类属性绘图.ts
│ │ │ ├── 03-2风格细节设置.ts
│ │ │ ├── 12-11热度图绘制.ts
│ │ │ ├── 10-9Facetgrid使用方法.ts
│ │ │ ├── 06-5单变量分析绘图.ts
│ │ │ ├── 11-10Facetgrid绘制多变量.ts
│ │ │ ├── 08-7多变量分析绘图.ts
│ │ │ ├── 02-1整体布局风格设置.ts
│ │ │ ├── 01-0-课程简介.ts
│ │ │ ├── 05-4调色板颜色设置.ts
│ │ │ ├── 07-6回归分析绘图.ts
│ │ │ ├── 04-3调色板.ts
│ ├── 01-第一模块：Python快速入门
│ │ ├── 14-13-判断结构
│ │ │ ├── 01-13-判断结构.ts
│ │ ├── 10-9-字典基础定义
│ │ │ ├── 01-9-字典基础定义.ts
│ │ ├── 11-10-字典的核心操作
│ │ │ ├── 01-10-字典的核心操作.ts
│ │ ├── 07-7-1-索引结构
│ │ │ ├── 01-7-1-索引结构.ts
│ │ ├── 22-21-时间操作
│ │ │ ├── 01-21-时间操作.ts
│ │ ├── 16-15-函数定义
│ │ │ ├── 01-15-函数定义.ts
│ │ ├── 13-12-赋值机制
│ │ │ ├── 01-12-赋值机制.ts
│ │ ├── 18-17-异常处理模块
│ │ │ ├── 01-17-异常处理模块.ts
│ │ ├── 01-1-Python环境配置
│ │ │ ├── 01-1-Python环境配置.ts
│ │ ├── 02-2-Python库安装工具
│ │ │ ├── 01-2-Python库安装工具.ts
│ │ ├── 05-5-Python数值运算
│ │ │ ├── 01-5-Python数值运算.ts
│ │ ├── 04-4-Python简介
│ │ │ ├── 01-4-Python简介.ts
│ │ ├── 09-8-List核心操作
│ │ │ ├── 01-8-List核心操作.ts
│ │ ├── 24-23-Python练习题-2
│ │ │ ├── 01-23-Python练习题-2.ts
│ │ ├── 21-20-类的属性操作
│ │ │ ├── 01-20-类的属性操作.ts
│ │ ├── 17-16-模块与包
│ │ │ ├── 01-16-模块与包.ts
│ │ ├── 23-22-Python练习题-1
│ │ │ ├── 01-22-Python练习题-1.ts
│ │ ├── 15-14-循环结构
│ │ │ ├── 01-14-循环结构.ts
│ │ ├── 03-3-Notebook工具使用
│ │ │ ├── 01-3-Notebook工具使用.ts
│ │ ├── 20-19-类的基本定义
│ │ │ ├── 01-19-类的基本定义.ts
│ │ ├── 06-6-Python字符串操作
│ │ │ ├── 01-6-Python字符串操作.ts
│ │ ├── 12-11-Set结构
│ │ │ ├── 01-11-Set结构.ts
│ │ ├── 19-18-文件操作
│ │ │ ├── 01-18-文件操作.ts
│ │ ├── 08-7-2-List基础结构
│ │ │ ├── 01-7-2-List基础结构.ts
│ ├── 数学基础课件
│ │ ├── 泰勒公式.pdf
│ │ ├── 微积分.pdf
│ │ ├── 梯度.pdf
│ │ ├── 概率分布与概率密度.pdf
│ │ ├── 矩阵.pdf
│ │ ├── 核函数.pdf
│ │ ├── 似然函数.pdf
│ │ ├── 统计分析-数据代码.zip
│ │ ├── 拉格朗日乘子法.pdf
│ │ ├── 概率论.pdf
│ │ ├── SVD.pdf
│ │ ├── 后验概率估计.pdf
│ │ ├── 特征值与特征向量.pdf
│ │ ├── 激活函数.pdf
│ │ ├── 熵.pdf
│ │ ├── 高等数学.pdf
│ ├── 11-选修：机器学习进阶实战
│ │ ├── 11-HMM案例实战
│ │ │ ├── 02-2-工具包使用方法.ts
│ │ │ ├── 04-4-实现中文分词.ts
│ │ │ ├── 03-3-中文分词任务.ts
│ │ │ ├── 01-1-hmmlearn工具包.ts
│ │ ├── 13-音乐推荐系统实战
│ │ │ ├── 04-4-物品相似度计算与推荐.ts
│ │ │ ├── 06-6-基于矩阵分解的音乐推荐.ts
│ │ │ ├── 02-2-数据集整合.ts
│ │ │ ├── 05-5-SVD矩阵分解.ts
│ │ │ ├── 01-1-音乐推荐任务概述.ts
│ │ │ ├── 03-3-基于物品的协同过滤.ts
│ │ ├── 15-NLP-文本特征方法对比
│ │ │ ├── 01-1.1-任务概述.ts
│ │ │ ├── 06-6-深度学习模型.ts
│ │ │ ├── 05-5-word2vec词向量模型.ts
│ │ │ ├── 04-4-TFIDF模型.ts
│ │ │ ├── 03-3-词袋模型分析.mp4
│ │ │ ├── 02-2-词袋模型.ts
│ │ ├── 05-降维算法-线性判别分析
│ │ │ ├── 04-4-实现线性判别分析进行降维任务.ts
│ │ │ ├── 01-1-线性判别分析要解决的问题.ts
│ │ │ ├── 05-5-求解得出降维结果.ts
│ │ │ ├── 02-2-线性判别分析要优化的目标.ts
│ │ │ ├── 03-3-线性判别分析求解.ts
│ │ ├── 04-4.使用lightgbm进行饭店流量预测
│ │ │ ├── 02-2-数据汇总.ts
│ │ │ ├── 01-1-饭店流量数据介绍.ts
│ │ │ ├── 05-5-lightgbm建模.ts
│ │ │ ├── 04-4-特征提取.ts
│ │ │ ├── 03-3-离群点筛选.ts
│ │ ├── 09-EM算法
│ │ │ ├── 05-5-GMM模型.ts
│ │ │ ├── 03-3-EM算法求解实例.ts
│ │ │ ├── 02-2-隐变量问题.ts
│ │ │ ├── 06-6-GMM实例.ts
│ │ │ ├── 01-1-EM算法要解决的问题.ts
│ │ │ ├── 07-7-GMM聚类.ts
│ │ │ ├── 04-4-Jensen不等式.ts
│ │ ├── 12-推荐系统
│ │ │ ├── 01-0-开场.ts
│ │ │ ├── 05-4-基于用户的协同过滤.ts
│ │ │ ├── 02-1-推荐系统应用.ts
│ │ │ ├── 04-3-相似度计算.ts
│ │ │ ├── 08-7-隐语义模型求解.ts
│ │ │ ├── 03-2-推荐系统要完成的任务.ts
│ │ │ ├── 06-5-基于物品的协同过滤.ts
│ │ │ ├── 09-8-模型评估标准.ts
│ │ │ ├── 07-6-隐语义模型.ts
│ │ ├── 05-人口普查数据集项目实战-收入预测
│ │ │ ├── 08-8-ROC与AUC模型评估标准.ts
│ │ │ ├── 02-2-单特征与缺失值展示.ts
│ │ │ ├── 06-6-双变量分析.ts
│ │ │ ├── 01-1-人口普查预测任务概述.ts
│ │ │ ├── 03-3-第一步：数据清洗.ts
│ │ │ ├── 07-7-开发新变量.ts
│ │ │ ├── 05-5-单变量展示.ts
│ │ │ ├── 09-9-机器学习模型.ts
│ │ │ ├── 04-4-特征工程.ts
│ │ ├── 01-GBDT提升算法
│ │ │ ├── 05-5-分类任务.ts
│ │ │ ├── 06-6-可视化.ts
│ │ │ ├── 01-1-回归树模型.ts
│ │ │ ├── 03-3-GBDT工作流程.ts
│ │ │ ├── 02-2-Adaboost算法.ts
│ │ │ ├── 04-4-回归任务.ts
│ │ ├── 08-贝叶斯优化实战
│ │ │ ├── 04-4-贝叶斯优化效果.ts
│ │ │ ├── 01-1-基础模型建立.ts
│ │ │ ├── 05-5-方法对比.ts
│ │ │ ├── 02-2-设置参数空间.ts
│ │ │ ├── 03-3-随机优化结果.ts
│ │ │ ├── 06-6-参数变化情况.ts
│ │ ├── 18-Tensorflow自己打造word2vec
│ │ │ ├── 01-1-数据与任务流程.ts
│ │ │ ├── 04-4-网络训练.ts
│ │ │ ├── 02-2-数据清洗.ts
│ │ │ ├── 03-3-batch数据制作.mp4
│ │ │ ├── 05-5-可视化展示.ts
│ │ ├── 15-学习曲线
│ │ │ ├── 01-1-Bian与Variance曲线.ts
│ │ │ ├── 02-2-数据集中的结果.ts
│ │ │ ├── 03-3-曲线实验结果.ts
│ │ ├── 01-数据特征
│ │ │ ├── 04-4-文本特征处理.ts
│ │ │ ├── 03-3-时间特征处理.ts
│ │ │ ├── 02-2-常用特征构造手段.ts
│ │ │ ├── 07-7-计算机眼中的图像.ts
│ │ │ ├── 06-6-词向量特征.ts
│ │ │ ├── 01-1-基本数值特征.ts
│ │ │ ├── 05-5-构造文本向量.ts
│ │ ├── 07-贝叶斯优化及其工具包使用
│ │ │ ├── 01-1-贝叶斯优化概述.ts
│ │ │ ├── 03-3-贝叶斯优化效果.ts
│ │ │ ├── 02-2-工具包使用方法.ts
│ │ │ ├── 04-4-调整参数空间.ts
│ │ ├── 02-xgboost-gbdt-lightgbm提升算法框架对比
│ │ │ ├── 01-1-GBDT效果.ts
│ │ │ ├── 03-3-lightGBM效果.ts
│ │ │ ├── 02-2-Xgboost效果.ts
│ │ ├── 13-基于统计分析的电影推荐
│ │ │ ├── 03-3-关键词云与直方图展示.ts
│ │ │ ├── 06-6-缺失值填充方法.ts
│ │ │ ├── 08-8-数据特征构造.ts
│ │ │ ├── 02-2-数据与关键词信息展示.ts
│ │ │ ├── 04-4-特征可视化.ts
│ │ │ ├── 07-7-推荐引擎构造.ts
│ │ │ ├── 05-5-数据清洗概述.ts
│ │ │ ├── 09-9-得出推荐结果.ts
│ │ │ ├── 01-1-数据与环境配置.ts
│ │ ├── 10-HMM隐马尔科夫模型
│ │ │ ├── 09-9-参数求解.ts
│ │ │ ├── 04-4-暴力求解方法.ts
│ │ │ ├── 07-7-前向算法求解实例.ts
│ │ │ ├── 10-10-维特比算法.ts
│ │ │ ├── 08-8-Baum-Welch算法.ts
│ │ │ ├── 01-1-马尔科夫模型.ts
│ │ │ ├── 05-5-复杂度计算.ts
│ │ │ ├── 06-6-前向算法.ts
│ │ │ ├── 02-2-隐马尔科夫模型基本出发点.ts
│ │ │ ├── 03-3-组成与要解决的问题.ts
│ │ ├── 21-机器学习项目实战-建模与分析
│ │ │ ├── 02-2-机器学习基础模型对比.ts
│ │ │ ├── 01-1-dataleakage问题解决方案.ts
│ │ │ ├── 06-6-机器学习常用模型分析方法介绍.ts
│ │ │ ├── 03-3-参数对结果的影响分析.ts
│ │ │ ├── 05-5-模型的结果解释与参数分析.ts
│ │ │ ├── 04-4-测试模型效果.ts
│ │ ├── 20-机器学习项目实战-数据处理与特征提取
│ │ │ ├── 05-5-离群点剔除.ts
│ │ │ ├── 04-4-单变量绘图分析.ts
│ │ │ ├── 01-1-建筑能源利用效率任务概述.ts
│ │ │ ├── 06-6-变量与结果的关系对比分析.ts
│ │ │ ├── 07-7-多变量展示.ts
│ │ │ ├── 02-2-处理流程与数据简介.ts
│ │ │ ├── 03-3-能源信息各项指标数据预处理.ts
│ │ │ ├── 08-8-特征工程的价值与方法.ts
│ │ ├── 19-制作自己常用工具包
│ │ │ ├── 05-5-工具包调用.ts
│ │ │ ├── 04-4-其他处理方式概述.ts
│ │ │ ├── 03-3-缺失值处理.ts
│ │ │ ├── 01-1-为什么要做自己的数据工具包.ts
│ │ │ ├── 02-2-工具包注释.ts
│ │ ├── 17-使用word2vec分类任务
│ │ │ ├── 01-1-影评情感分类.ts
│ │ │ ├── 04-4-使用gensim构建word2vec词向量（新）.ts
│ │ │ ├── 03-3-准备word2vec输入数据.ts
│ │ │ ├── 02-2-基于词袋模型训练分类器.ts
│ ├── 04-第四模块：机器学习算法精讲及其案例应用
│ │ ├── 14-集成算法原理
│ │ │ ├── 02-2-随机森林优势与特征重要性指标.ts
│ │ │ ├── 03-3-提升算法概述.ts
│ │ │ ├── 04-4-stacking堆叠模型.ts
│ │ │ ├── 01-1-随机森林算法原理.ts
│ │ ├── 09-Kmeans代码实现
│ │ │ ├── 04-4-算法迭代更新.ts
│ │ │ ├── 05-5-鸢尾花数据集聚类任务.ts
│ │ │ ├── 02-2-计算得到簇中心点.ts
│ │ │ ├── 06-6-聚类效果展示.ts
│ │ │ ├── 01-1-Kmeans算法模块概述.ts
│ │ │ ├── 03-3-样本点归属划分.ts
│ │ ├── 20-贝叶斯算法原理
│ │ │ ├── 03-3-垃圾邮件过滤实例.ts
│ │ │ ├── 01-1-贝叶斯要解决的问题.ts
│ │ │ ├── 02-2-贝叶斯公式推导.ts
│ │ │ ├── 04-4-拼写纠错实例.ts
│ │ ├── 16-支持向量机原理推导
│ │ │ ├── 07-7-软间隔优化.ts
│ │ │ ├── 08-8-核函数的作用.ts
│ │ │ ├── 09-9-知识点总结.ts
│ │ │ ├── 04-4-拉格朗日乘子法求解.ts
│ │ │ ├── 02-2-距离与数据定义.ts
│ │ │ ├── 06-6-求解决策方程.ts
│ │ │ ├── 03-3-目标函数推导.ts
│ │ │ ├── 01-1-支持向量机要解决的问题.ts
│ │ │ ├── 05-5-化简最终目标函数.ts
│ │ ├── 10-聚类算法实验分析
│ │ │ ├── 08-1-不稳定结果.ts
│ │ │ ├── 10-2-评估指标-Inertia_20190805_232027.ts
│ │ │ ├── 17-1-应用实例-图像分割_20190805_232021.ts
│ │ │ ├── 15-1-Kmenas算法存在的问题_20190805_232023.ts
│ │ │ ├── 07-2-不稳定结果_20190805_232028.ts
│ │ │ ├── 04-2-聚类结果展示_20190805_232030.ts
│ │ │ ├── 18-2-半监督学习_20190805_232033.ts
│ │ │ ├── 05-1-建模流程解读.ts
│ │ │ ├── 11-1-如何找到合适的K值_20190805_232026.ts
│ │ │ ├── 12-2-如何找到合适的K值_20190805_232026.ts
│ │ │ ├── 13-2-Kmenas算法存在的问题.ts
│ │ │ ├── 20-1-DBSCAN算法.ts
│ │ │ ├── 02-2-Kmenas算法常用操作_20190805_232034.ts
│ │ │ ├── 19-1-半监督学习.ts
│ │ │ ├── 14-1-轮廓系数的作用_20190805_232028.ts
│ │ │ ├── 06-2-建模流程解读_20190805_232032.ts
│ │ │ ├── 16-2-应用实例-图像分割.ts
│ │ │ ├── 21-2-DBSCAN算法_20190805_232033.ts
│ │ │ ├── 01-1-Kmenas算法常用操作.ts
│ │ │ ├── 09-1-评估指标-Inertia.ts
│ │ │ ├── 03-1-聚类结果展示.ts
│ │ ├── 12-决策树代码实现
│ │ │ ├── 03-整体框架逻辑.ts
│ │ │ ├── 05-数据集切分.ts
│ │ │ ├── 01-整体模块概述.ts
│ │ │ ├── 07-测试算法效果.ts
│ │ │ ├── 06-完成树模型构建.ts
│ │ │ ├── 04-熵值计算.ts
│ │ │ ├── 02-递归生成树节点.ts
│ │ ├── 25-代码实现word2vec词向量模型
│ │ │ ├── 04-4-网络训练.ts
│ │ │ ├── 02-2-数据清洗.ts
│ │ │ ├── 03-3-batch数据制作.ts
│ │ │ ├── 05-5-可视化展示.ts
│ │ │ ├── 01-1-数据与任务流程.ts
│ │ ├── 08-聚类算法-Kmeans&Dbscan原理
│ │ │ ├── 01-1-KMEANS算法概述.ts
│ │ │ ├── 03-3-KMEANS迭代可视化展示.ts
│ │ │ ├── 04-4-DBSCAN聚类算法.ts
│ │ │ ├── 06-6-DBSCAN可视化展示.ts
│ │ │ ├── 05-5-DBSCAN工作流程.ts
│ │ │ ├── 02-2-KMEANS工作流程.ts
│ │ ├── 11-决策树原理
│ │ │ ├── 08-8-回归问题解决.ts
│ │ │ ├── 02-2-熵的作用.ts
│ │ │ ├── 05-5-信息增益率与gini系数.ts
│ │ │ ├── 04-4-决策树构造实例.ts
│ │ │ ├── 03-3-信息增益原理.ts
│ │ │ ├── 07-7-后剪枝方法.ts
│ │ │ ├── 01-1-决策树算法概述.ts
│ │ │ ├── 06-6-预剪枝方法.ts
│ │ ├── 22-关联规则实战分析
│ │ │ ├── 05-5-数据集制作.ts
│ │ │ ├── 02-2-支持度与置信度.ts
│ │ │ ├── 03-3-提升度的作用.ts
│ │ │ ├── 06-6-电影数据集题材关联分析.ts
│ │ │ ├── 01-1-关联规则概述.ts
│ │ │ ├── 04-4-Python实战关联规则.ts
│ │ ├── 15-集成算法实验分析
│ │ │ ├── 11-11-模型提前停止策略.ts
│ │ │ ├── 02-2-硬投票与软投票效果对比.ts
│ │ │ ├── 04-4-集成效果展示分析.ts
│ │ │ ├── 13-13-堆叠模型.ts
│ │ │ ├── 09-9-GBDT提升算法流程.ts
│ │ │ ├── 06-6-特征重要性热度图展示.ts
│ │ │ ├── 05-5-OOB袋外数据的作用.ts
│ │ │ ├── 12-12-停止方案实施.ts
│ │ │ ├── 03-3-Bagging策略效果.ts
│ │ │ ├── 08-8-Adaboost决策边界效果.ts
│ │ │ ├── 07-7-Adaboost算法概述.ts
│ │ │ ├── 10-10-集成参数对比分析.ts
│ │ │ ├── 01-1-构建实验数据集.ts
│ │ ├── 18-神经网络算法原理
│ │ │ ├── 10-10-神经网络架构细节.ts
│ │ │ ├── 05-5-得分函数.ts
│ │ │ ├── 13-13-神经网络过拟合解决方法.ts
│ │ │ ├── 06-6-损失函数的作用.ts
│ │ │ ├── 04-4-视觉任务中遇到的问题.ts
│ │ │ ├── 03-3-计算机视觉任务.ts
│ │ │ ├── 07-7-前向传播整体流程.ts
│ │ │ ├── 11-11-神经元个数对结果的影响.ts
│ │ │ ├── 08-8-返向传播计算方法.ts
│ │ │ ├── 09-9-神经网络整体架构.ts
│ │ │ ├── 02-2-深度学习应用领域.ts
│ │ │ ├── 12-12-正则化与激活函数.ts
│ │ │ ├── 01-1-深度学习要解决的问题.ts
│ │ ├── 26-线性判别分析降维算法原理解读
│ │ │ ├── 04-4-实现线性判别分析进行降维任务.ts
│ │ │ ├── 03-3-线性判别分析求解.ts
│ │ │ ├── 02-2-线性判别分析要优化的目标.ts
│ │ │ ├── 05-5-求解得出降维结果.ts
│ │ │ ├── 01-1-线性判别分析要解决的问题.ts
│ │ ├── 24-词向量word2vec通俗解读
│ │ │ ├── 05-5-负采样方案.ts
│ │ │ ├── 04-4-CBOW与Skip-gram模型.ts
│ │ │ ├── 01-1-词向量模型通俗解释.ts
│ │ │ ├── 03-3-训练数据构建.ts
│ │ │ ├── 02-2-模型整体框架.ts
│ │ ├── 19-神经网络代码实现
│ │ │ ├── 01-1-神经网络整体框架概述.ts
│ │ │ ├── 08-8-差异项计算.ts
│ │ │ ├── 11-11-手写字体识别数据集.ts
│ │ │ ├── 04-4-向量反变换.ts
│ │ │ ├── 06-6-损失函数定义.ts
│ │ │ ├── 02-2-参数初始化操作.ts
│ │ │ ├── 05-5-完成前向传播模块.ts
│ │ │ ├── 12-12-算法代码错误修正.ts
│ │ │ ├── 09-9-逐层计算.ts
│ │ │ ├── 14-14-测试效果可视化展示.ts
│ │ │ ├── 10-10-完成全部迭代更新模块.ts
│ │ │ ├── 13-13-模型优化结果展示.ts
│ │ │ ├── 03-3-矩阵向量转换.ts
│ │ │ ├── 07-7-准备反向传播迭代.ts
│ │ ├── 03-模型评估方法
│ │ │ ├── 07-7-阈值对结果的影响.ts
│ │ │ ├── 06-6-评估指标对比分析.ts
│ │ │ ├── 04-4-交叉验证实验分析.ts
│ │ │ ├── 01-1-Sklearn工具包简介.ts
│ │ │ ├── 03-3-交叉验证的作用.ts
│ │ │ ├── 02-2-数据集切分.ts
│ │ │ ├── 08-8-ROC曲线.ts
│ │ │ ├── 05-5-混淆矩阵.ts
│ │ ├── 01-线性回归原理推导
│ │ │ ├── 05-4-似然函数的作用.ts
│ │ │ ├── 04-3-独立同分布的意义.ts
│ │ │ ├── 03-2-误差项定义.ts
│ │ │ ├── 02-1-回归问题概述.ts
│ │ │ ├── 08-7参数更新方法.ts
│ │ │ ├── 06-5-参数求解.ts
│ │ │ ├── 07-6-梯度下降通俗解释.ts
│ │ │ ├── 01-0-课程简介1.ts
│ │ │ ├── 09-8-优化参数设置.ts
│ │ ├── 13-决策树实验分析
│ │ │ ├── 02-2-决策边界展示分析.ts
│ │ │ ├── 03-3-树模型预剪枝参数作用.ts
│ │ │ ├── 04-4-回归树模型.ts
│ │ │ ├── 01-1-树模型可视化展示.ts
│ │ ├── 04-线性回归实验分析
│ │ │ ├── 13-13-岭回归与lasso.mp4
│ │ │ ├── 10-10-模型复杂度.ts
│ │ │ ├── 02-2-参数直接求解方法.ts
│ │ │ ├── 05-5-学习率对结果的影响.ts
│ │ │ ├── 06-6-随机梯度下降得到的效果.ts
│ │ │ ├── 01-1-实验目标分析.ts
│ │ │ ├── 14-14-实验总结.ts
│ │ │ ├── 09-9-多项式回归.ts
│ │ │ ├── 11-11-样本数量对结果的影响.ts
│ │ │ ├── 07-7-MiniBatch方法.ts
│ │ │ ├── 04-4-梯度下降模块.ts
│ │ │ ├── 03-3-预处理对结果的影响.ts
│ │ │ ├── 08-8-不同策略效果对比.ts
│ │ │ ├── 12-12-正则化的作用.ts
│ │ ├── 29-HMM应用实例
│ │ │ ├── 02-2-工具包使用方法.ts
│ │ │ ├── 03-3-中文分词任务.ts
│ │ │ ├── 01-1-hmmlearn工具包.ts
│ │ │ ├── 04-4-实现中文分词.ts
│ │ ├── 28-隐马尔科夫模型
│ │ │ ├── 01-1-马尔科夫模型.ts
│ │ │ ├── 05-5-复杂度计算.ts
│ │ │ ├── 10-10-维特比算法.ts
│ │ │ ├── 03-3-组成与要解决的问题.ts
│ │ │ ├── 06-6-前向算法.ts
│ │ │ ├── 08-8-Baum-Welch算法.ts
│ │ │ ├── 04-4-暴力求解方法.ts
│ │ │ ├── 09-9-参数求解.ts
│ │ │ ├── 07-7-前向算法求解实例.ts
│ │ │ ├── 02-2-隐马尔科夫模型基本出发点.ts
│ │ ├── 02-线性回归代码实现
│ │ │ ├── 10-非线性回归.ts
│ │ │ ├── 06-训练线性回归模型.ts
│ │ │ ├── 02-初始化步骤.ts
│ │ │ ├── 07-得到线性回归方程.ts
│ │ │ ├── 03-实现梯度下降优化模块.ts
│ │ │ ├── 04-损失与预测模块.ts
│ │ │ ├── 05-数据与标签定义.ts
│ │ │ ├── 09-多特征回归模型.ts
│ │ │ ├── 01-线性回归整体模块概述.ts
│ │ │ ├── 08-整体流程debug解读.ts
│ │ ├── 07-逻辑回归实验分析
│ │ │ ├── 03-3-可视化展示.ts
│ │ │ ├── 01-1-逻辑回归实验概述.ts
│ │ │ ├── 04-4-坐标棋盘制作.ts
│ │ │ ├── 05-5-分类决策边界展示分析.ts
│ │ │ ├── 06-6-多分类-softmax.ts
│ │ │ ├── 02-2-概率结果随特征数值的变化.ts
│ │ ├── 21-贝叶斯代码实现
│ │ │ ├── 01-1-朴素贝叶斯算法整体框架.ts
│ │ │ ├── 04-4-分类别统计词频.ts
│ │ │ ├── 02-2-邮件数据读取.ts
│ │ │ ├── 05-5-贝叶斯公式对数变换.ts
│ │ │ ├── 06-6-完成预测模块.ts
│ │ │ ├── 03-3-预料表与特征向量构建.ts
│ │ ├── 06-逻辑回归代码实现
│ │ │ ├── 02-2-训练模块功能.ts
│ │ │ ├── 05-5-迭代优化参数.ts
│ │ │ ├── 11-11-决策边界绘制.ts
│ │ │ ├── 08-8-鸢尾花数据集多分类任务.ts
│ │ │ ├── 04-4-优化目标定义.ts
│ │ │ ├── 06-6-梯度计算.ts
│ │ │ ├── 10-10-准备测试数据.ts
│ │ │ ├── 09-9-训练多分类模型.ts
│ │ │ ├── 01-1-多分类逻辑回归整体思路.ts
│ │ │ ├── 03-3-完成预测模块.ts
│ │ │ ├── 07-7-得出最终结果.ts
│ │ │ ├── 12-12-非线性决策边界.ts
│ │ ├── 23-关联规则代码实现
│ │ │ ├── 04-4-拼接模块.ts
│ │ │ ├── 07-7-完成全部算法流程.ts
│ │ │ ├── 06-6-规则生成模块.ts
│ │ │ ├── 08-8-规则结果展示.ts
│ │ │ ├── 01-1-Apripri算法整体流程.ts
│ │ │ ├── 05-5-挖掘频繁项集.ts
│ │ │ ├── 03-3-扫描模块.ts
│ │ │ ├── 02-2-数据集demo.ts
│ │ ├── 27-主成分分析降维算法原理解读
│ │ │ ├── 04-4-PCA降维实例.ts
│ │ │ ├── 01-1-PCA基本概念.ts
│ │ │ ├── 03-3-PCA结果推导.ts
│ │ │ ├── 02-2-方差与协方差.ts
│ │ ├── 17-支持向量机实验分析
│ │ │ ├── 02-2-决策边界可视化展示.ts
│ │ │ ├── 03-3-软间隔的作用.ts
│ │ │ ├── 01-1-支持向量机所能带来的效果.ts
│ │ │ ├── 04-4-非线性SVM.ts
│ │ │ ├── 05-5-核函数的作用与效果.ts
│ │ ├── 05-逻辑回归实验分析
│ │ │ ├── 02-2-化简与求解.ts
│ │ │ ├── 01-1-逻辑回归算法原理.ts
│ ├── 05-第五模块：机器学习算法建模实战项目
│ │ ├── 06-京东用户购买意向预测
│ │ │ ├── 03-3-数据检查.ts
│ │ │ ├── 12-12-Xgboost模型.ts
│ │ │ ├── 01-1-项目与数据介绍.ts
│ │ │ ├── 02-2-数据挖掘流程.ts
│ │ │ ├── 07-7-购买因素分析.ts
│ │ │ ├── 05-5-构建商品特征表单.ts
│ │ │ ├── 08-8-特征工程.ts
│ │ │ ├── 11-11-累积行为特征.ts
│ │ │ ├── 10-10-行为特征.ts
│ │ │ ├── 09-9-基本特征构造.ts
│ │ │ ├── 06-6-数据探索概述.ts
│ │ │ ├── 04-4-构建用户特征表单.ts
│ │ ├── 01-项目实战-交易数据异常检测
│ │ │ ├── 03-3-数据标准化处理.ts
│ │ │ ├── 02-2-项目挑战与解决方案制定.ts
│ │ │ ├── 08-8-正则化惩罚项.ts
│ │ │ ├── 01-1-任务目标解读.ts
│ │ │ ├── 12-12-阈值对结果的影响.ts
│ │ │ ├── 04-4-下采样数据集制作.ts
│ │ │ ├── 06-6-数据集切分.ts
│ │ │ ├── 07-7-模型评估方法与召回率.ts
│ │ │ ├── 13-13-SMOTE样本生成策略.ts
│ │ │ ├── 10-10-混淆矩阵评估分析.ts
│ │ │ ├── 05-5-交叉验证.ts
│ │ │ ├── 11-11-测试集遇到的问题.ts
│ │ │ ├── 14-14-过采样效果与项目总结.ts
│ │ │ ├── 09-9-训练逻辑回归模型.ts
│ │ ├── 04-推荐系统实战
│ │ │ ├── 01-1-音乐推荐任务概述.ts
│ │ │ ├── 03-3-基于物品的协同过滤.ts
│ │ │ ├── 05-5-SVD矩阵分解.ts
│ │ │ ├── 02-2-数据集整合.ts
│ │ │ ├── 06-6-基于矩阵分解的音乐推荐.ts
│ │ │ ├── 04-4-物品相似度计算与推荐.ts
│ │ ├── 03-贝叶斯新闻分类实战
│ │ │ ├── 02-2-中文分词与停用词过滤.ts
│ │ │ ├── 01-1-新闻数据与任务概述.ts
│ │ │ ├── 06-6-TF-IDF特征分析对比.ts
│ │ │ ├── 03-3-文本关键词提取.ts
│ │ │ ├── 05-5-贝叶斯建模结果.ts
│ │ │ ├── 04-4-词袋模型.ts
│ │ ├── 02-基于随机森林的气温预测实战
│ │ │ ├── 09-9-调参优化细节.ts
│ │ │ ├── 07-7-网格与随机参数选择.ts
│ │ │ ├── 08-8-随机参数选择方法实践.ts
│ │ │ ├── 03-3-可视化展示与特征重要性.ts
│ │ │ ├── 01-1-基于随机森林的气温预测任务概述.ts
│ │ │ ├── 04-4-加入新的数据与特征.ts
│ │ │ ├── 05-5-数据与特征对结果的影响.ts
│ │ │ ├── 02-2-基本随机森林模型建立.ts
│ │ │ ├── 06-6-效率对比分析.ts
│ │ ├── 05-fbprophe时间序列预测
│ │ │ ├── 04-4-亚马逊股价趋势.mp4
│ │ │ ├── 02-2-时间序列分析.ts
│ │ │ ├── 03-3-fbprophet时间序列预测实例.mp4
│ │ │ ├── 05-5-突变点调参.ts
│ │ │ ├── 01-1-fbprophet股价预测任务概述.ts
│ ├── 09-第九模块：深度学习经典算法解析
│ │ ├── 06-案例实战卷积神经网络
│ │ │ ├── 04-4-参数对比.ts
│ │ │ ├── 01-1-卷积层构造.ts
│ │ │ ├── 03-3-BatchNormalization效果.ts
│ │ │ ├── 05-5-网络测试效果.ts
│ │ │ ├── 02-1-卷积层构造.ts
│ │ ├── 02-神经网络整体架构
│ │ │ ├── 06-6-神经网络过拟合解决方法.ts
│ │ │ ├── 03-2-神经网络整体架构.ts
│ │ │ ├── 04-4-神经元个数对结果的影响.ts
│ │ │ ├── 05-5-正则化与激活函数.ts
│ │ │ ├── 02-2-神经网络整体架构.ts
│ │ │ ├── 01-1-返向传播计算方法.ts
│ │ ├── 03-卷积神经网络原理与参数解读
│ │ │ ├── 06-6-边缘填充方法.ts
│ │ │ ├── 12-12-感受野的作用.ts
│ │ │ ├── 07-7-特征图尺寸计算与参数共享.ts
│ │ │ ├── 09-9-整体网络架构.ts
│ │ │ ├── 04-4-得到特征图表示.ts
│ │ │ ├── 02-2-卷积的作用.ts
│ │ │ ├── 11-11-残差网络Resnet.ts
│ │ │ ├── 10-10-VGG网络架构.ts
│ │ │ ├── 05-5-步长与卷积核大小对结果的影响.ts
│ │ │ ├── 03-3-卷积特征值计算方法.ts
│ │ │ ├── 08-8-池化层的作用.ts
│ │ │ ├── 01-1-卷积神经网络应用领域.ts
│ │ ├── 01-深度学习必备基础知识点础
│ │ │ ├── 02-2-深度学习应用领域.ts
│ │ │ ├── 05-5-得分函数.ts
│ │ │ ├── 06-6-损失函数的作用.ts
│ │ │ ├── 07-7-前向传播整体流程.ts
│ │ │ ├── 01-1-深度学习要解决的问题.ts
│ │ │ ├── 03-3-计算机视觉任务.ts
│ │ │ ├── 04-4-视觉任务中遇到的问题.ts
│ │ ├── 07-案例实战LSTM时间序列预测任务
│ │ │ ├── 05-5-多序列预测结果.ts
│ │ │ ├── 02-2-网络结构与参数定义.ts
│ │ │ ├── 06-6-股票数据预测.ts
│ │ │ ├── 03-3-构建LSTM模型.ts
│ │ │ ├── 01-1-时间序列模型.ts
│ │ │ ├── 08-8-预测结果展示.ts
│ │ │ ├── 04-4-训练模型与效果展示.ts
│ │ │ ├── 07-7-数据预处理.ts
│ │ ├── 05-案例实战搭建神经网络
│ │ │ ├── 06-5-Drop-out操作.ts
│ │ │ ├── 02-1-训练自己的数据集整体流程.ts
│ │ │ ├── 08-7-初始化标准差对结果的影响.ts
│ │ │ ├── 04-3-搭建网络模型.ts
│ │ │ ├── 09-8-正则化对结果的影响.ts
│ │ │ ├── 07-6-权重初始化方法对比.ts
│ │ │ ├── 05-4-学习率对结果的影响.ts
│ │ │ ├── 01-0-keras框架简介与安装.ts
│ │ │ ├── 10-9-加载模型进行测试.ts
│ │ │ ├── 03-2-数据加载与预处理.ts
│ │ ├── 04-递归神经网络与词向量原理解读
│ │ │ ├── 02-2-词向量模型通俗解释.ts
│ │ │ ├── 03-3-模型整体框架.ts
│ │ │ ├── 01-12-感受野的作用.ts
│ │ │ ├── 06-6-负采样方案.ts
│ │ │ ├── 05-5-CBOW与Skip-gram模型.ts
│ │ │ ├── 04-4-训练数据构建.ts
│ ├── 08-第八模块：Python金融分析与量化交易实战
│ │ ├── 03-1双均线交易策略实战
│ │ │ ├── 01-1-金叉与死叉介绍.ts
│ │ │ ├── 02-2-买点与卖点可视化分析.ts
│ │ │ ├── 03-3-策略收益效果分析.ts
│ │ │ ├── 04-4-均线调参实例.ts
│ │ ├── 02-金融数据时间序列分析
│ │ │ ├── 04-4-时间序列重采样操作.ts
│ │ │ ├── 02-2-序列变化情况分析计算.ts
│ │ │ ├── 01-1-金融时间序列数据统计分析.ts
│ │ │ ├── 06-6-指标相关情况分析.ts
│ │ │ ├── 05-5-短均与长均计算实例.ts
│ │ │ ├── 07-7-回归方程与相关系数实例.ts
│ │ │ ├── 03-3-连续指标变化情况分析.ts
│ │ ├── 01-课程内容与大纲介绍
│ │ │ ├── 01-课程内容与大纲介绍.ts
│ │ ├── 07-因子数据预处理实战
│ │ │ ├── 07-7-策略任务概述.ts
│ │ │ ├── 01-1-百分位去极值方法.ts
│ │ │ ├── 04-4-3Sigma方法实例.ts
│ │ │ ├── 06-6-中性化处理方法通俗解释.ts
│ │ │ ├── 03-3-Mad法去极值演示.ts
│ │ │ ├── 05-5-标准化处理方法.ts
│ │ │ ├── 02-2-基于百分位去极值实例.ts
│ │ ├── 05-量化交易与回测平台解读
│ │ │ ├── 02-2-量化交易所需技能分析.ts
│ │ │ ├── 03-3-Ricequant交易平台简介.ts
│ │ │ ├── 01-1-量化交易概述.ts
│ │ ├── 12-拓展：fbprophet时间序列预测神器
│ │ │ ├── 03-3-fbprophet时间序列预测实例.mp4
│ │ │ ├── 02-2-时间序列分析.ts
│ │ │ ├── 05-5-突变点调参.ts
│ │ │ ├── 04-4-亚马逊股价趋势.ts
│ │ │ ├── 01-1-fbprophet股价预测任务概述.ts
│ │ ├── 06-Ricequant回测选股分析实战
│ │ │ ├── 03-2-股票池筛选.ts
│ │ │ ├── 04-4-定时器功能与作用.ts
│ │ │ ├── 02-2-股票池筛选.ts
│ │ │ ├── 01-1-策略任务分析.ts
│ │ ├── 10-因子打分选股实战
│ │ │ ├── 01-1-打分法选股策略概述.ts
│ │ │ ├── 05-5-完成选股方法.ts
│ │ │ ├── 06-6-完成策略交易展示结果.ts
│ │ │ ├── 04-4-因子打分与排序.ts
│ │ │ ├── 07-7-策略总结与分析.ts
│ │ │ ├── 02-2-整体任务流程梳理.ts
│ │ │ ├── 03-3-策略初始化与数据读取.ts
│ │ ├── 11-回归分析策略
│ │ │ ├── 08-8-优化参数设置.ts
│ │ │ ├── 10-10-特征可视化展示.ts
│ │ │ ├── 03-3-独立同分布的意义.ts
│ │ │ ├── 12-12-回归分析结果.ts
│ │ │ ├── 02-2-误差项定义.ts
│ │ │ ├── 06-6-梯度下降通俗解释.ts
│ │ │ ├── 11-11-构建回归方程.ts
│ │ │ ├── 04-4-似然函数的作用.ts
│ │ │ ├── 07-7参数更新方法.ts
│ │ │ ├── 05-5-参数求解.ts
│ │ │ ├── 09-9-回归任务概述.ts
│ │ │ ├── 01-1-回归问题概述.ts
│ │ ├── 04-策略收益与风险评估指标解析
│ │ │ ├── 02-1-回测收益率指标解读.ts
│ │ │ ├── 04-4-夏普比率的作用.ts
│ │ │ ├── 05-5-阿尔法与贝塔概述.ts
│ │ │ ├── 03-3-最大回撤区间.ts
│ │ │ ├── 01-1-回测收益率指标解读.ts
│ │ ├── 13-基于深度学习的时间序列预测
│ │ │ ├── 04-4-多特征预测结果.ts
│ │ │ ├── 03-3-训练时间序列数据预测结果.ts
│ │ │ ├── 05-5-序列结果预测.ts
│ │ │ ├── 02-2-构建时间序列数据.ts
│ │ │ ├── 01-1-任务目标与数据源.ts
│ │ ├── 11-聚类分析策略
│ │ │ ├── 08-8-统计分析所需数据准备.ts
│ │ │ ├── 02-2-KMEANS工作流程.ts
│ │ │ ├── 09-9-统计效果展示.ts
│ │ │ ├── 04-4-DBSCAN聚类算法.ts
│ │ │ ├── 06-6-DBSCAN可视化展示.ts
│ │ │ ├── 01-1-KMEANS算法概述.ts
│ │ │ ├── 03-3-KMEANS迭代可视化展示.ts
│ │ │ ├── 07-6-DBSCAN可视化展示.ts
│ │ │ ├── 05-5-DBSCAN工作流程.ts
│ │ ├── 09-因子分析实战
│ │ │ ├── 01-5-策略效果评估分析.ts
│ │ │ ├── 05-5-数据格式转换.ts
│ │ │ ├── 06-6-IC指标值计算.ts
│ │ │ ├── 07-7-工具包绘图展示.ts
│ │ │ ├── 04-4-获取给定区间全部数据.ts
│ │ │ ├── 08-8-因子收益率简介.ts
│ │ │ ├── 02-2-Alphalens工具包介绍.ts
│ │ │ ├── 03-3-获取因子指标数据.ts
│ │ ├── 08-因子选股策略实战
│ │ │ ├── 03-3-因子数据预处理.ts
│ │ │ ├── 01-1-股票数据获取.ts
│ │ │ ├── 05-5-策略效果评估分析.ts
│ │ │ ├── 02-2-过滤筛选因子指标数据.ts
│ │ │ ├── 04-4-股票池筛选.ts
├── 16-行人重识别实战
│ ├── 2-基于注意力机制的Reld模型论文解读
│ │ ├── 4-基于特征图的注意力计算.mp4
│ │ ├── 2-空间权重值计算流程分析.mp4
│ │ ├── 3-融合空间注意力所需特征.mp4
│ │ ├── 1-论文整体思想及注意力机制的作用解读.mp4
│ ├── 5-项目实战-基于行人局部特征融合的再识别实战
│ │ ├── 12-测试与验证模块.mp4
│ │ ├── 2-数据源构建方法分析.mp4
│ │ ├── 8-局部特征提取实例.mp4
│ │ ├── 6-特征序列构建.mp4
│ │ ├── 7-GCP全局特征提取.mp4
│ │ ├── 4-debug模式解读.mp4
│ │ ├── 1-项目配置与数据集介绍.mp4
│ │ ├── 9-特征组合汇总.mp4
│ │ ├── 5-网络计算整体流程演示.mp4
│ │ ├── 11-损失函数与训练过程演示.mp4
│ │ ├── 10-得到所有分组特征结果.mp4
│ │ ├── 3-dataloader加载顺序解读.mp4
│ ├── 1-行人重识别原理及其应用
│ │ ├── 3-评估标准rank1指标.mp4
│ │ ├── 6-Hard-Negative方法应用.mp4
│ │ ├── 1-行人重识别要解决的问题.mp4
│ │ ├── 5-triplet损失计算实例.mp4
│ │ ├── 2-挑战与困难分析.mp4
│ │ ├── 4-map值计算方法.mp4
│ ├── 4-AAAI2020顶会算法精讲
│ │ ├── 2-局部特征与全局关系计算方法.mp4
│ │ ├── 5-oneVsReset方法实例.mp4
│ │ ├── 3-特征分组方法.mp4
│ │ ├── 4-GCP模块特征融合方法.mp4
│ │ ├── 6-损失函数应用位置.mp4
│ │ ├── 1-论文整体框架概述.mp4
│ ├── 8-额外补充：行人搜索源码分析
│ │ ├── 1-项目概述.mp4
│ │ ├── 3-数据与标签读取模块.mp4
│ │ ├── 8-损失函数计算模块.mp4
│ │ ├── 7-Head层预测模块.mp4
│ │ ├── 4-通过配置文件读取模型位置.mp4
│ │ ├── 5-BackBone位置与流程.mp4
│ │ ├── 2-项目概述.mp4
│ │ ├── 9-总结概述.mp4
│ │ ├── 6-Neck层操作方法.mp4
│ ├── 6-旷视研究院最新算法解读（基于图模型）
│ │ ├── 1-关键点位置特征构建.mp4
│ │ ├── 5-图卷积模块实现方法.mp4
│ │ ├── 6-图匹配在行人重识别中的作用.mp4
│ │ ├── 2-图卷积与匹配的作用.mp4
│ │ ├── 3-局部特征热度图计算.mp4
│ │ ├── 7-整体算法框架分析.mp4
│ │ ├── 4-基于图卷积构建人体拓扑关系.mp4
│ ├── 3-基于Attention的行人重识别项目实战
│ │ ├── 9-训练与测试模块演示.mp4
│ │ ├── 6-计算得到位置权重值.mp4
│ │ ├── 4-获得空间位置点之间的关系.mp4
│ │ ├── 8-损失函数计算实例解读.mp4
│ │ ├── 1-项目环境与数据集配置.mp4
│ │ ├── 5-组合关系特征图.mp4
│ │ ├── 7-基于特征图的权重计算.mp4
│ │ ├── 2-参数配置与整体架构分析.mp4
│ │ ├── 3-进入debug模式解读网络计算流程.mp4
│ ├── 7-基于拓扑图的行人重识别项目实战
│ │ ├── 6-mask矩阵的作用.mp4
│ │ ├── 1-数据集与环境配置概述.mp4
│ │ ├── 4-阶段监督训练.mp4
│ │ ├── 2-局部特征准备方法.mp4
│ │ ├── 9-图匹配模块计算流程.mp4
│ │ ├── 5-初始化图卷积模型.mp4
│ │ ├── 10-整体项目总结.mp4
│ │ ├── 3-得到一阶段热度图结果.mp4
│ │ ├── 7-邻接矩阵学习与更新.mp4
│ │ ├── 8-基于拓扑结构组合关键点特征.mp4
├── 21-深度学习模型部署与剪枝优化实战
│ ├── 10-模型剪枝-Network Slimming算法分析
│ │ ├── 2-BatchNorm要解决的问题.mp4
│ │ ├── 3-BN的本质作用.mp4
│ │ ├── 4-额外的训练参数解读.mp4
│ │ ├── 1-论文算法核心框架概述.mp4
│ │ ├── 5-稀疏化原理与效果.mp4
│ ├── 8-docker实例演示
│ │ ├── 2-docker安装与配置.mp4
│ │ ├── 5-安装演示环境所需依赖.mp4
│ │ ├── 6-复制所需配置到容器中.mp4
│ │ ├── 1-docker简介.mp4
│ │ ├── 3-阿里云镜像配置.mp4
│ │ ├── 4-基于docker配置pytorch环境.mp4
│ │ ├── 7-上传与下载配置好的项目.mp4
│ ├── 2-AIoT人工智能物联网之AI 实战
│ │ ├── 7-转换出onnx模型，并使用.mp4
│ │ ├── 5- 训练出自己目标识别模型a.mp4
│ │ ├── 1- jetson-inference 入门.mp4
│ │ ├── 2-docker 的安装使用.mp4
│ │ ├── 6-训练出自己目标识别模型b.mp4
│ │ ├── 4-训练自己的目标检测模型准备.mp4
│ │ ├── 3-docker中运行分类模型.mp4
│ ├── 11-模型剪枝-Network Slimming实战解读
│ │ ├── 1-整体案例流程解读.mp4
│ │ ├── 6-微调完成剪枝模型.mp4
│ │ ├── 3-剪枝模块介绍.mp4
│ │ ├── 5-剪枝后模型参数赋值.mp4
│ │ ├── 4-筛选需要的特征图.mp4
│ │ ├── 2-加入L1正则化来进行更新.mp4
│ ├── 6-pyTorch框架部署实践
│ │ ├── 1-所需基本环境配置.mp4
│ │ ├── 3-接收与预测模块实现.mp4
│ │ ├── 2-模型加载与数据预处理.mp4
│ │ ├── 4-效果实例演示.mp4
│ │ ├── 5-课程简介.mp4
│ ├── 9-tensorflow-serving实战
│ │ ├── 3-测试模型部署效果.mp4
│ │ ├── 4-fashion数据集获取.mp4
│ │ ├── 2-加载并启动模型服务.mp4
│ │ ├── 1-tf-serving项目获取与配置.mp4
│ │ ├── 5-加载fashion模型启动服务.mp4
│ ├── 4- AIoT人工智能物联网之deepstream
│ │ ├── 3-GStreamer RTP和RTSP1.mp4
│ │ ├── 2-deepstream HelloWorld.mp4
│ │ ├── 4-GStreamer RTP和RTSP2.mp4
│ │ ├── 6-deepstream推理.mp4
│ │ ├── 5-python实现RTP和RTSP.mp4
│ │ ├── 1-deepstream 介绍安装.mp4
│ │ ├── 7-deepstream集成yolov4.mp4
│ ├── 3-AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器
│ │ ├── 7-TAO 剪枝在训练推理验证.mp4
│ │ ├── 5-NVIDIA TAO预训练模型和训练b.mp4
│ │ ├── 1-NVIDIA TAO介绍和安装.mp4
│ │ ├── 2-NVIDIA TAO数据准备和环境设置.mp4
│ │ ├── 4-NVIDIA TAO预训练模型和训练a.mp4
│ │ ├── 6-NVIDIA TAO预训练模型和训练c..mp4
│ │ ├── 3-NVIDIA TAO数据转换.mp4
│ ├── 1-AIoT人工智能物联网之认识 jetson nano
│ │ ├── 4-感受nano的GPU算力.mp4
│ │ ├── 1- jetson nano 硬件介绍.mp4
│ │ ├── 3- jetson nano 系统安装过程.mp4
│ │ ├── 2-jetson nano 刷机.mp4
│ │ ├── 5-安装使用摄像头csi usb.mp4
│ ├── 12-Mobilenet三代网络模型架构
│ │ ├── 1-模型剪枝分析.mp4
│ │ ├── 10-V2整体架构与效果分析.mp4
│ │ ├── 9-倒残差结构的作用.mp4
│ │ ├── 4-经典卷积计算量与参数量分析.mp4
│ │ ├── 11-V3版本网络架构分析.mp4
│ │ ├── 12-SE模块作用与效果解读.mp4
│ │ ├── 6-参数与计算量的比较.mp4
│ │ ├── 13-代码实现mobilenetV3网络架构.mp4
│ │ ├── 2-常见剪枝方法介绍.mp4
│ │ ├── 5-深度可分离卷积的作用与效果.mp4
│ │ ├── 8-V2版本改进以及Relu激活函数的问题.mp4
│ │ ├── 7-V1版本效果分析.mp4
│ │ ├── 3-mobilenet简介.mp4
│ ├── 7-YOLO-V3物体检测部署实例
│ │ ├── 1-项目所需配置文件介绍.mp4
│ │ ├── 2-加载参数与模型权重.mp4
│ │ ├── 4-返回线性预测结果.mp4
│ │ ├── 3-数据预处理.mp4
├── 4-深度学习框架PyTorch
│ ├── 4-卷积网络参数解读分析
│ │ ├── 2-卷积网络参数解读.mp4
│ │ ├── 1-输入特征通道分析.mp4
│ │ ├── 3-卷积网络模型训练.mp4
│ ├── 3-神经网络回归任务-气温预测
│ │ ├── 1-神经网络回归任务-气温预测.mp4
│ ├── 6-DataLoader自定义数据集制作
│ │ ├── 4-实用Dataloader加载数据并训练模型.mp4
│ │ ├── 2-图像数据与标签路径处理.mp4
│ │ ├── 3-Dataloader中需要实现的方法分析.mp4
│ │ ├── 1-Dataloader要完成的任务分析.mp4
│ ├── 7-LSTM文本分类实战
│ │ ├── 2-文本数据处理基本流程分析.mp4
│ │ ├── 8-网络模型预测结果输出.mp4
│ │ ├── 7-LSTM网络结构基本定义.mp4
│ │ ├── 5-预料表与字符切分.mp4
│ │ ├── 6-字符预处理转换ID.mp4
│ │ ├── 3-命令行参数与DEBUG.mp4
│ │ ├── 4-训练模型所需基本配置参数分析.mp4
│ │ ├── 9-模型训练任务与总结.mp4
│ │ ├── 1-数据集与任务目标分析.mp4
│ ├── 1-PyTorch框架介绍与配置安装
│ │ ├── 1-PyTorch框架与其他框架区别分析.mp4
│ │ ├── 2-CPU与GPU版本安装方法解读.mp4
│ ├── 2-使用神经网络进行分类任务
│ │ ├── 2-基本模块应用测试.mp4
│ │ ├── 3-网络结构定义方法.mp4
│ │ ├── 1-数据集与任务概述.mp4
│ │ ├── 5-损失与训练模块分析.mp4
│ │ ├── 7-参数对结果的影响.mp4
│ │ ├── 6-训练一个基本的分类模型.mp4
│ │ ├── 4-数据源定义简介.mp4
│ ├── 5-图像识别模型与训练策略（重点）
│ │ ├── 4-迁移学习方法解读.mp4
│ │ ├── 2-数据增强模块.mp4
│ │ ├── 1-任务分析与图像数据基本处理.mp4
│ │ ├── 9-重新训练全部模型.mp4
│ │ ├── 5-输出层与梯度设置.mp4
│ │ ├── 10-测试结果演示分析.mp4
│ │ ├── 6-输出类别个数修改.mp4
│ │ ├── 3-数据集与模型选择.mp4
│ │ ├── 8-模型训练方法.mp4
│ │ ├── 7-优化器与学习率衰减.mp4
├── 2-AI课程所需安装软件教程
│ ├── 1-AI课程所需安装软件教程
│ │ ├── 1-AI课程所需安装软件教程.mp4
├── 10-2022论⽂必备-Transformer实战系列
│ ├── 12-商汤LoFTR算法解读
│ │ ├── 1-特征匹配的应用场景.mp4
│ │ ├── 9-基于期望预测最终位置.mp4
│ │ ├── 3-整体流程梳理分析.mp4
│ │ ├── 6-粗粒度匹配过程与作用.mp4
│ │ ├── 5-transformer构建匹配特征.mp4
│ │ ├── 7-特征图拆解操作.mp4
│ │ ├── 4-CrossAttention的作用与效果.mp4
│ │ ├── 8-细粒度匹配的作用与方法.mp4
│ │ ├── 2-特征匹配的基本流程分析.mp4
│ │ ├── 10-总结分析.mp4
│ ├── 6-基于Transformer的detr目标检测算法
│ │ ├── 5-训练过程的策略.mp4
│ │ ├── 3-位置信息初始化query向量.mp4
│ │ ├── 4-注意力机制的作用方法.mp4
│ │ ├── 2-整体网络架构分析.mp4
│ │ ├── 1-DETR目标检测基本思想解读.mp4
│ ├── 18-时间序列预测
│ │ ├── 1-时间序列预测.mp4
│ ├── 3-VIT算法模型源码解读
│ │ ├── 1-项目配置说明.mp4
│ │ ├── 4-输出层计算结果.mp4
│ │ ├── 2-输入序列构建方法解读.mp4
│ │ ├── 3-注意力机制计算.mp4
│ ├── 10-MedicalTrasnformer论文解读
│ │ ├── 5-位置编码的作用与效果.mp4
│ │ ├── 4-论文公式计算分析.mp4
│ │ ├── 3-网络结构计算流程概述.mp4
│ │ ├── 1-论文整体分析.mp4
│ │ ├── 6-拓展应用分析.mp4
│ │ ├── 2-核心思想分析.mp4
│ ├── 9-DeformableDetr物体检测源码分析
│ │ ├── 6-偏移量offset计算.mp4
│ │ ├── 2-序列特征展开并叠加.mp4
│ │ ├── 5-编码层中的序列分析.mp4
│ │ ├── 8-Encoder层完成特征对齐.mp4
│ │ ├── 1-特征提取与位置编码.mp4
│ │ ├── 10-分类与回归输出模块.mp4
│ │ ├── 7-偏移量对齐操作.mp4
│ │ ├── 4-准备Encoder编码层所需全部输入.mp4
│ │ ├── 9-Decoder要完成的操作.mp4
│ │ ├── 11-预测输出结果与标签匹配模块.mp4
│ │ ├── 3-得到相对位置点编码.mp4
│ ├── 13-局部特征关键点匹配实战
│ │ ├── 9-精细化调整方法与实例.mp4
│ │ ├── 1-项目与参数配置解读.mp4
│ │ ├── 8-完成基础匹配模块.mp4
│ │ ├── 3-backbone特征提取模块.mp4
│ │ ├── 4-注意力机制的作用与效果分析.mp4
│ │ ├── 6-cross关系计算方法实例.mp4
│ │ ├── 7-粗粒度匹配过程.mp4
│ │ ├── 11-通过期望计算最终输出.mp4
│ │ ├── 2-DEMO效果演示.mp4
│ │ ├── 5-特征融合模块实现方法.mp4
│ │ ├── 10-得到精细化输出结果.mp4
│ ├── 5-swintransformer源码解读
│ │ ├── 7-各block计算方法解读.mp4
│ │ ├── 3-数据按window进行划分计算.mp4
│ │ ├── 4-基础attention计算模块.mp4
│ │ ├── 6-patchmerge下采样操作.mp4
│ │ ├── 1-数据与环境配置解读.mp4
│ │ ├── 2-图像数据patch编码.mp4
│ │ ├── 8-输出层概述.mp4
│ │ ├── 5-窗口位移模块细节分析.mp4
│ ├── 19-Informer时间序列源码解读
│ │ ├── 1-Informer时间序列源码解读.mp4
│ ├── 14-分割模型Maskformer系列
│ │ ├── 1-分割模型Maskformer系列.mp4
│ ├── 20-Huggingface与NLP（讲故事）
│ │ ├── 1-Huggingface与NLP（讲故事）.mp4
│ ├── 4-swintransformer算法原理解析
│ │ ├── 10-分层计算方法.mp4
│ │ ├── 9-下采样操作实现方法.mp4
│ │ ├── 8-整体网络架构整合.mp4
│ │ ├── 6-窗口偏移操作的实现.mp4
│ │ ├── 3-一个block要完成的任务.mp4
│ │ ├── 7-偏移细节分析及其计算量概述.mp4
│ │ ├── 5-基于窗口的注意力机制解读.mp4
│ │ ├── 1-swintransformer整体概述.mp4
│ │ ├── 2-要解决的问题及其优势分析.mp4
│ │ ├── 4-获取各窗口输入特征.mp4
│ ├── 2-视觉Transformer及其源码分析
│ │ ├── 1-视觉Transformer及其源码分析.mp4
│ ├── 7-detr目标检测源码解读
│ │ ├── 7-Decoder层操作与计算.mp4
│ │ ├── 9-损失函数与预测输出.mp4
│ │ ├── 6-编码层作用方法.mp4
│ │ ├── 5-mask与编码模块.mp4
│ │ ├── 1-项目环境配置解读.mp4
│ │ ├── 4-backbone特征提取模块.mp4
│ │ ├── 2-数据处理与dataloader.mp4
│ │ ├── 3-位置编码作用分析.mp4
│ │ ├── 8-输出预测结果.mp4
│ ├── 8-DeformableDetr算法解读
│ │ ├── 1-DeformableDetr算法解读.mp4
│ ├── 17-BevFormer源码解读
│ │ ├── 4-特征对齐与位置编码初始化.mp4
│ │ ├── 3-特征提取以及BEV空间初始化.mp4
│ │ ├── 10-获取当前BEV特征.mp4
│ │ ├── 11-Decoder级联校正模块.mp4
│ │ ├── 6-BEV空间与图像空间位置对应.mp4
│ │ ├── 7-注意力机制模块计算方法.mp4
│ │ ├── 8-BEV空间特征构建.mp4
│ │ ├── 1-环境配置方法解读.mp4
│ │ ├── 9-Decoder要完成的任务分析.mp4
│ │ ├── 2-数据集下载与配置方法.mp4
│ │ ├── 12-损失函数与预测可视化.mp4
│ │ ├── 5-Reference初始点构建.mp4
│ ├── 16-BEV特征空间
│ │ ├── 1-BEV特征空间.mp4
│ ├── 1-Transformer算法解读
│ │ ├── 1-Transformer算法解读.mp4
│ ├── 15-Mask2former源码解读
│ │ ├── 11-标签分类匹配结果分析.mp4
│ │ ├── 2-多层级采样点初始化构建.mp4
│ │ ├── 9-标签分配策略解读.mp4
│ │ ├── 1-Backbone获取多层级特征.mp4
│ │ ├── 5-Encoder特征构建方法实例.mp4
│ │ ├── 10-正样本筛选损失计算.mp4
│ │ ├── 6-query要预测的任务解读.mp4
│ │ ├── 3-多层级输入特征序列创建方法.mp4
│ │ ├── 7-Decoder中的AttentionMask方法.mp4
│ │ ├── 8-损失模块输入参数分析.mp4
│ │ ├── 4-偏移量与权重计算并转换.mp4
│ │ ├── 12-最终损失计算流程.mp4
│ │ ├── 13-汇总所有损失完成迭代.mp4
│ ├── 11-MedicalTransformer源码解读
│ │ ├── 2-医学数据介绍与分析.mp4
│ │ ├── 1-项目环境配置.mp4
│ │ ├── 7-局部特征提取与计算.mp4
│ │ ├── 3-基本处理操作.mp4
│ │ ├── 5-位置编码向量解读.mp4
│ │ ├── 4-AxialAttention实现过程.mp4
│ │ ├── 6-注意力计算过程与方法.mp4
├── 25-自然语言处理通用框架-BERT实战
│ ├── 7-必备基础知识点-RNN网络架构与情感分析应用实例
│ │ ├── 8-LSTM情感分析.mp4
│ │ ├── 6-构建LSTM网络模型.mp4
│ │ ├── 3-项目流程解读.mp4
│ │ ├── 2-NLP应用领域与任务简介.mp4
│ │ ├── 1-RNN网络模型解读.mp4
│ │ ├── 4-加载词向量特征.mp4
│ │ ├── 5-正负样本数据读取.mp4
│ │ ├── 7-训练与测试效果.mp4
│ ├── 4-项目实战-基于BERT的中文命名实体识别识别实战
│ │ ├── 1-命名实体识别数据分析与任务目标.mp4
│ │ ├── 2-NER标注数据处理与读取.mp4
│ │ ├── 3-构建BERT与CRF模型.mp4
│ ├── 5-必备基础知识点-woed2vec模型通俗解读
│ │ ├── 4-CBOW与Skip-gram模型.mp4
│ │ ├── 5-负采样方案.mp4
│ │ ├── 1-词向量模型通俗解释.mp4
│ │ ├── 3-训练数据构建.mp4
│ │ ├── 2-模型整体框架.mp4
│ ├── 3-项目实战-基于BERT的中文情感分析实战
│ │ ├── 2-读取处理自己的数据集.mp4
│ │ ├── 3-训练BERT中文分类模型.mp4
│ │ ├── 1-中文分类数据与任务概述.mp4
│ ├── 1-自然语言处理通用框架BERT原理解读
│ │ ├── 6-特征分配与softmax机制.mp4
│ │ ├── 11-训练实例.mp4
│ │ ├── 4-注意力机制的作用.mp4
│ │ ├── 9-transformer整体架构梳理.mp4
│ │ ├── 7-Multi-head的作用.mp4
│ │ ├── 5-self-attention计算方法.mp4
│ │ ├── 1-BERT课程简介.mp4
│ │ ├── 10-BERT模型训练方法.mp4
│ │ ├── 2-BERT任务目标概述.mp4
│ │ ├── 3-传统解决方案遇到的问题.mp4
│ │ ├── 8-位置编码与多层堆叠.mp4
│ ├── 6-必备基础-掌握Tensorflow如何实现word2vec模型
│ │ ├── 4-网络训练.mp4
│ │ ├── 2-数据清洗.mp4
│ │ ├── 3-batch数据制作.mp4
│ │ ├── 1-数据与任务流程.mp4
│ │ ├── 5-可视化展示.mp4
│ ├── 2-谷歌开源项目BERT源码解读与应用实例
│ │ ├── 7-加入额外编码特征.mp4
│ │ ├── 4-数据预处理模块.mp4
│ │ ├── 2-项目参数配置.mp4
│ │ ├── 3-数据读取模块.mp4
│ │ ├── 10-构建QKV矩阵.mp4
│ │ ├── 12-训练BERT模型.mp4
│ │ ├── 5-tfrecord数据源制作.mp4
│ │ ├── 6-Embedding层的作用.mp4
│ │ ├── 1-BERT开源项目简介.mp4
│ │ ├── 8-加入位置编码特征.mp4
│ │ ├── 9-mask机制的作用.mp4
│ │ ├── 11-完成Transformer模块构建.mp4
│ ├── 8-医学糖尿病数据命名实体识别
│ │ ├── 3-数据-标签-语料库处理.mp4
│ │ ├── 5-医疗数据集（糖尿病）实体识别.mp4
│ │ ├── 4-训练网络模型.mp4
│ │ ├── 1-数据与任务介绍.mp4
│ │ ├── 2-整体模型架构.mp4
│ │ ├── 6-输入样本填充补齐.mp4
├── 17-对抗生成网络实战
│ ├── 4-stargan论文架构解析
│ │ ├── 2-网络架构整体思路解读.mp4
│ │ ├── 1-stargan效果演示分析.mp4
│ │ ├── 5-V2版本在整体网络架构.mp4
│ │ ├── 8-训练过程分析.mp4
│ │ ├── 4-V1版本存在的问题及后续改进思路.mp4
│ │ ├── 3-建模流程分析.mp4
│ │ ├── 6-编码器训练方法.mp4
│ │ ├── 7-损失函数公式解析.mp4
│ ├── 8-图像超分辨率重构实战
│ │ ├── 3-数据与环境配置.mp4
│ │ ├── 6-判别模块.mp4
│ │ ├── 2-网络架构.mp4
│ │ ├── 4-数据加载与配置.mp4
│ │ ├── 1-论文概述.mp4
│ │ ├── 9-测试模块.mp4
│ │ ├── 5-生成模块.mp4
│ │ ├── 8-损失函数与训练.mp4
│ │ ├── 7-VGG特征提取网络.mp4
│ ├── 9-基于GAN的图像补全实战
│ │ ├── 8-网络迭代训练.mp4
│ │ ├── 3-细节设计.mp4
│ │ ├── 9-测试模块.mp4
│ │ ├── 5-数据与项目概述.mp4
│ │ ├── 1-论文概述.mp4
│ │ ├── 6-参数基本设计.mp4
│ │ ├── 7-网络结构配置.mp4
│ │ ├── 2-网络架构.mp4
│ │ ├── 4-论文总结.mp4
│ ├── 3-基于CycleGan开源项目实战图像合成
│ │ ├── 8-损失函数：identity loss计算方法.mp4
│ │ ├── 2-CycleGan整体网络架构.mp4
│ │ ├── 1-CycleGan网络所需数据.mp4
│ │ ├── 3-PatchGan判别网络原理.mp4
│ │ ├── 10-额外补充：VISDOM可视化配置.mp4
│ │ ├── 9-生成与判别损失函数指定.mp4
│ │ ├── 6-生成网络模块构造.mp4
│ │ ├── 7-判别网络模块构造.mp4
│ │ ├── 5-数据读取与预处理操作.mp4
│ │ ├── 4-Cycle开源项目简介.mp4
│ ├── 7-starganvc2变声器项目实战及其源码解读
│ │ ├── 8-判别器模块解读.mp4
│ │ ├── 1-数据与项目文件解读.mp4
│ │ ├── 7-生成器前向传播维度变化.mp4
│ │ ├── 6-starganvc2版本标签输入分析.mp4
│ │ ├── 3-数据预处理与声音特征提取.mp4
│ │ ├── 2-环境配置与工具包安装.mp4
│ │ ├── 9-论文损失函数.mp4
│ │ ├── 4-生成器构造模块解读.mp4
│ │ ├── 11-测试模块-生成转换语音.mp4
│ │ ├── 10-源码损失计算流程.mp4
│ │ ├── 5-下采样与上采样操作.mp4
│ ├── 2-对抗生成网络架构原理与实战解析
│ │ ├── 4-数据读取模块.mp4
│ │ ├── 2-GAN网络组成.mp4
│ │ ├── 3-损失函数解释说明.mp4
│ │ ├── 5-生成与判别网络定义.mp4
│ │ ├── 1-对抗生成网络通俗解释.mp4
│ ├── 5-stargan项目实战及其源码解读
│ │ ├── 7-数据读取模块分析.mp4
│ │ ├── 8-判别器损失计算.mp4
│ │ ├── 3-测试效果演示.mp4
│ │ ├── 1-测试模块效果与实验分析.mp4
│ │ ├── 6-所有网络模块构建实例.mp4
│ │ ├── 10-生成模块损失计算.mp4
│ │ ├── 9-损失计算详细过程.mp4
│ │ ├── 5-生成器模块源码解读.mp4
│ │ ├── 4-项目参数解析.mp4
│ │ ├── 2-项目配置与数据源下载.mp4
│ ├── 6-基于starganvc2的变声器论文原理解读
│ │ ├── 3-语音特征提取.mp4
│ │ ├── 7-判别器模块分析.mp4
│ │ ├── 1-论文整体思路与架构解读.mp4
│ │ ├── 5-InstanceNorm的作用解读.mp4
│ │ ├── 4-生成器模型架构分析.mp4
│ │ ├── 2-VCC2016输入数据.mp4
│ │ ├── 6-AdaIn的目的与效果.mp4
│ ├── 1-课程介绍
│ │ ├── 1-课程介绍.mp4
├── 1-直播回放
│ ├── 11-直播：GPT与Hugging face
│ │ ├── 1-GPT与Hugging face.mp4
│ │ ├── 1-GPT与Hugging face(1).mp4
│ ├── 14-直播：分割Mask2former算法
│ │ ├── 1-分割Mask2former算法.mp4
│ ├── 7-直播：密集场景计数统计实战
│ │ ├── 1-密集场景计数统计实战.mp4
│ ├── 10-直播：对比学习与多模态任务
│ │ ├── 1-对比学习与多模态任务.mp4
│ ├── 9-直播：Transformer Decoder在视觉任务的应用
│ │ ├── 1-Transformer Decoder在视觉任务的应用.mp4
│ ├── 15-直播：多模态与交叉注意力应用
│ │ ├── 1-多模态与交叉注意力应用.mp4
│ ├── 18-直播：知识图谱与LORA
│ │ ├── 1-知识图谱与LORA.mp4
│ ├── 16-直播：时间序列timesnet与地理分类任务
│ │ ├── 1-时间序列timesnet与地理分类任务.mp4
│ ├── 6-直播：视觉Transformer Vit Debug解读
│ │ ├── 1-视觉Transformer Vit Debug解读.mp4
│ ├── 8-直播：图神经网络
│ │ ├── 1-图神经网络.mp4
│ ├── 4-直播：卷积神经网络
│ │ ├── 1-卷积神经网络.mp4
│ ├── 1-直播：开班典礼
│ │ ├── 1-开班典礼.mp4
│ ├── 13-直播：知识蒸馏
│ │ ├── 1-知识蒸馏.mp4
│ ├── 2-直播：Pycharm环境配置与Debug演示(没用过的同学必看)
│ │ ├── 1-Pycharm环境配置与Debug演示(没用过的同学必看).mp4
│ ├── 12-直播：自监督任务
│ │ ├── 1-自监督任务.mp4
│ ├── 5-直播：Transformer
│ │ ├── 1-Transformer.mp4
│ ├── 17-直播：论文写作与就业简历
│ │ ├── 1-论文写作与就业简历.mp4
│ ├── 3-直播：神经网络
│ │ ├── 1-神经网络.mp4
├── 14-对比学习与多模态任务实战
│ ├── 2-CLIP系列
│ │ ├── 1-CLIP系列.mp4
│ ├── 4-多模态文字识别
│ │ ├── 1-多模态文字识别.mp4
│ ├── 3-多模态3D目标检测算法源码解读
│ │ ├── 2-数据与标注文件介绍.mp4
│ │ ├── 1-环境配置与数据集概述.mp4
│ │ ├── 5-体素索引位置获取.mp4
│ │ ├── 4-数据与图像特征提取模块.mp4
│ │ ├── 3-基本流程梳理并进入debug模式.mp4
│ │ ├── 6-体素特征提取方法解读.mp4
│ │ ├── 9-多模态特征融合.mp4
│ │ ├── 8-全局体素特征提取.mp4
│ │ ├── 7-体素特征计算方法分析.mp4
│ │ ├── 11-输出层预测结果.mp4
│ │ ├── 10-3D卷积特征融合.mp4
│ ├── 1-对比学习算法与实例
│ │ ├── 1-对比学习算法与实例.mp4
│ ├── 5-ANINET源码解读
│ │ ├── 4-视觉Transformer模块的作用.mp4
│ │ ├── 2-配置文件修改方法.mp4
│ │ ├── 7-迭代修正模块.mp4
│ │ ├── 1-数据集与环境概述.mp4
│ │ ├── 5-视觉模型中的编码与解码的效果.mp4
│ │ ├── 6-文本模型中的结构分析.mp4
│ │ ├── 8-输出层与损失计算.mp4
│ │ ├── 3-Bakbone模块得到特征.mp4
├── 8-走向AI论文实验与项目实战的捷径-MMLAB实战系列
│ ├── 9-第三模块：DeformableDetr物体检测源码分析
│ │ ├── 3-得到相对位置点编码.mp4
│ │ ├── 6-偏移量offset计算.mp4
│ │ ├── 4-准备Encoder编码层所需全部输入.mp4
│ │ ├── 7-偏移量对齐操作.mp4
│ │ ├── 11-预测输出结果与标签匹配模块.mp4
│ │ ├── 9-Decoder要完成的操作.mp4
│ │ ├── 1-特征提取与位置编码.mp4
│ │ ├── 2-序列特征展开并叠加.mp4
│ │ ├── 8-Encoder层完成特征对齐.mp4
│ │ ├── 10-分类与回归输出模块.mp4
│ │ ├── 5-编码层中的序列分析.mp4
│ ├── 18-第七模块：多模态3D目标检测算法源码解读
│ │ ├── 9-多模态特征融合.mp4
│ │ ├── 8-全局体素特征提取.mp4
│ │ ├── 1-环境配置与数据集概述.mp4
│ │ ├── 2-数据与标注文件介绍.mp4
│ │ ├── 6-体素特征提取方法解读.mp4
│ │ ├── 11-输出层预测结果.mp4
│ │ ├── 3-基本流程梳理并进入debug模式.mp4
│ │ ├── 5-体素索引位置获取.mp4
│ │ ├── 10-3D卷积特征融合.mp4
│ │ ├── 4-数据与图像特征提取模块.mp4
│ │ ├── 7-体素特征计算方法分析.mp4
│ ├── 17-第六模块：BasicVSR++视频超分辨重构源码解读
│ │ ├── 5-偏移量计算方法.mp4
│ │ ├── 10-传播流程整体完成一圈.mp4
│ │ ├── 9-准备变形卷积模块的输入.mp4
│ │ ├── 11-完成输出结果.mp4
│ │ ├── 3-光流估计网络模块.mp4
│ │ ├── 6-双向计算特征对齐.mp4
│ │ ├── 8-序列传播计算.mp4
│ │ ├── 1-要完成的任务分析与配置文件.mp4
│ │ ├── 7-提特征传递流程分析.mp4
│ │ ├── 4-基于光流完成对齐操作.mp4
│ │ ├── 2-特征基础提取模块.mp4
│ ├── 14-第四模块：ANINET文字识别
│ │ ├── 6-文本模型中的结构分析.mp4
│ │ ├── 3-Bakbone模块得到特征.mp4
│ │ ├── 2-配置文件修改方法.mp4
│ │ ├── 1-数据集与环境概述.mp4
│ │ ├── 7-迭代修正模块.mp4
│ │ ├── 8-输出层与损失计算.mp4
│ │ ├── 5-视觉模型中的编码与解码的效果.mp4
│ │ ├── 4-视觉Transformer模块的作用.mp4
│ ├── 7-第二模块：分割任务CVPR最新Backbone设计及其应用
│ │ ├── 4-PatchEmbedding的作用与实现.mp4
│ │ ├── 7-完成特征提取与融合模块.mp4
│ │ ├── 9-全局特征的作用与实现.mp4
│ │ ├── 10-汇总多层级特征进行输出.mp4
│ │ ├── 6-近似Attention模块实现.mp4
│ │ ├── 3-DEBUG解读Backbone设计.mp4
│ │ ├── 1-注册自己的Backbone模块.mp4
│ │ ├── 5-卷积位置编码计算方法.mp4
│ │ ├── 2-配置文件指定.mp4
│ │ ├── 8-分割输出模块.mp4
│ ├── 2-第一模块：分类任务基本操作
│ │ ├── 7-构建自己的数据集.mp4
│ │ ├── 8-训练自己的任务.mp4
│ │ ├── 3-基本参数配置解读.mp4
│ │ ├── 6-根据文件夹定义数据集.mp4
│ │ ├── 4-各模块配置文件组成.mp4
│ │ ├── 2-准备MMCLS项目.mp4
│ │ ├── 1-MMCLS问题修正.mp4
│ │ ├── 5-生成完整配置文件.mp4
│ ├── 6-第二模块：基于Unet进行各种策略修改
│ │ ├── 7-将Unet特征提取模块替换成transformer.mp4
│ │ ├── 2-编码层模块.mp4
│ │ ├── 8-VIT模块源码分析.mp4
│ │ ├── 6-如何修改参数适配网络结构.mp4
│ │ ├── 4-辅助层的作用.mp4
│ │ ├── 3-上采样与输出层.mp4
│ │ ├── 5-给Unet添加一个neck层.mp4
│ │ ├── 1-配置文件解读.mp4
│ ├── 12-KIE关键信息抽取与视频超分辨率重构
│ │ ├── 1-KIE关键信息抽取与视频超分辨率重构.mp4
│ ├── 10-第三模块：DeformableDetr算法解读
│ │ ├── 1-DeformableDetr算法解读.mp4
│ ├── 21-第九模块：mmaction行为识别
│ │ ├── 1-创建自己的行为识别标注数据集.mp4
│ ├── 13-第四模块：DBNET文字检测
│ │ ├── 2-配置文件参数设置.mp4
│ │ ├── 4-损失函数模块概述.mp4
│ │ ├── 1-文字检测数据概述与配置文件.mp4
│ │ ├── 3-Neck层特征组合.mp4
│ │ ├── 5-损失计算方法.mp4
│ ├── 1-MMCV安装方法
│ │ ├── 1-MMCV安装方法.mp4
│ ├── 8-第三模块：mmdet训练自己的数据任务
│ │ ├── 2-COCO数据标注格式.mp4
│ │ ├── 7-模型测试与可视化分析模块.mp4
│ │ ├── 1-数据集标注与标签获取.mp4
│ │ ├── 6-模型训练与DEMO演示.mp4
│ │ ├── 8-补充：评估指标.mp4
│ │ ├── 5-训练所需配置说明.mp4
│ │ ├── 4-配置文件数据增强策略分析.mp4
│ │ ├── 3-通过脚本生成COCO数据格式.mp4
│ ├── 5-第二模块：使用分割模块训练自己的数据集
│ │ ├── 4-加载预训练模型开始训练.mp4
│ │ ├── 5-预测DEMO演示.mp4
│ │ ├── 1-项目配置基本介绍.mp4
│ │ ├── 3-根据预测类别数修改配置文件.mp4
│ │ ├── 2-数据集标注与制作方法.mp4
│ ├── 16-第五模块：stylegan2源码解读
│ │ ├── 3-特征编码风格拼接.mp4
│ │ ├── 6-损失函数概述.mp4
│ │ ├── 2-得到style特征编码.mp4
│ │ ├── 1-要完成的任务与基本思想概述.mp4
│ │ ├── 4-基础风格特征卷积模块.mp4
│ │ ├── 5-上采样得到输出结果.mp4
│ ├── 15-第四模块：KIE基于图模型的关键信息抽取
│ │ ├── 4-边框要计算的特征分析.mp4
│ │ ├── 7-准备拼接边与点特征.mp4
│ │ ├── 1-配置文件以及要完成的任务解读.mp4
│ │ ├── 8-整合得到图模型输入特征.mp4
│ │ ├── 6-特征合并处理.mp4
│ │ ├── 5-标签数据处理与关系特征提取.mp4
│ │ ├── 2-KIE数据集格式调整方法.mp4
│ │ ├── 3-配置文件与标签要进行处理操作.mp4
│ ├── 22-OCR算法解读
│ │ ├── 1-OCR算法解读.mp4
│ ├── 20-第八模块：模型剪枝方法概述分析
│ │ ├── 1-SuperNet网络结构分析与剪枝概述.mp4
│ │ ├── 2-搜索匹配到符合计算量的模型并训练.mp4
│ ├── 19-第八模块：模型蒸馏应用实例
│ │ ├── 1-任务概述与工具使用.mp4
│ │ ├── 7-实际测试效果演示.mp4
│ │ ├── 4-开始模型训练过程与问题修正.mp4
│ │ ├── 3-训练T与S得到蒸馏模型.mp4
│ │ ├── 2-Teacher与Student网络结构定义.mp4
│ │ ├── 6-分别得到Teacher与Student模型.mp4
│ │ ├── 5-日志输出与模型分离.mp4
│ ├── 23-额外补充-在源码中加入各种注意力机制方法
│ │ ├── 1-在源码中加入各种注意力机制方法.mp4
│ ├── 11-补充：Mask2former源码解读
│ │ ├── 10-正样本筛选损失计算.mp4
│ │ ├── 1-Backbone获取多层级特征.mp4
│ │ ├── 12-最终损失计算流程.mp4
│ │ ├── 7-Decoder中的AttentionMask方法.mp4
│ │ ├── 8-损失模块输入参数分析.mp4
│ │ ├── 13-汇总所有损失完成迭代.mp4
│ │ ├── 3-多层级输入特征序列创建方法.mp4
│ │ ├── 6-query要预测的任务解读.mp4
│ │ ├── 9-标签分配策略解读.mp4
│ │ ├── 5-Encoder特征构建方法实例.mp4
│ │ ├── 4-偏移量与权重计算并转换.mp4
│ │ ├── 2-多层级采样点初始化构建.mp4
│ │ ├── 11-标签分类匹配结果分析.mp4
│ ├── 3-第一模块：训练结果测试与验证
│ │ ├── 2-测试评估模型效果.mp4
│ │ ├── 9-模型分析脚本使用.mp4
│ │ ├── 3-MMCLS中增加一个新的模块.mp4
│ │ ├── 7-可视化细节与效果分析.mp4
│ │ ├── 8-MMCLS可视化模块应用.mp4
│ │ ├── 4-修改配置文件中的参数.mp4
│ │ ├── 5-数据增强流程可视化展示.mp4
│ │ ├── 6-Grad-Cam可视化方法.mp4
│ │ ├── 1-测试DEMO效果.mp4
│ ├── 4-第一模块：模型源码DEBUG演示
│ │ ├── 4-前向传播基本模块.mp4
│ │ ├── 5-CLS与输出模块.mp4
│ │ ├── 1-VIT任务概述.mp4
│ │ ├── 3-PatchEmbedding层.mp4
│ │ ├── 2-数据增强模块概述分析.mp4
├── 12-3D点云实战
│ ├── 2-3D点云PointNet算法
│ │ ├── 1-3D数据应用领域与点云介绍.mp4
│ │ ├── 5-PointNet算法网络架构解读.mp4
│ │ ├── 4-PointNet算法出发点解读.mp4
│ │ ├── 2-点云数据可视化展示.mp4
│ │ ├── 3-点云数据特性和及要解决的问题.mp4
│ ├── 6-点云补全实战解读
│ │ ├── 6-补全点云数据.mp4
│ │ ├── 5-分层预测输出模块.mp4
│ │ ├── 4-MRE特征提取模块.mp4
│ │ ├── 7-判别模块.mp4
│ │ ├── 3-整体框架概述.mp4
│ │ ├── 2-待补全数据准备方法.mp4
│ │ ├── 1-数据与项目配置解读.mp4
│ ├── 7-点云配准及其案例实战
│ │ ├── 3-训练数据构建.mp4
│ │ ├── 2-配准要完成的目标解读.mp4
│ │ ├── 7-基于模型预测输出参数.mp4
│ │ ├── 9-任务总结.mp4
│ │ ├── 4-任务基本流程.mp4
│ │ ├── 6-参数计算模块解读.mp4
│ │ ├── 5-数据源配置方法.mp4
│ │ ├── 8-特征构建方法分析.mp4
│ │ ├── 1-点云配准任务概述.mp4
│ ├── 4-Pointnet++项目实战
│ │ ├── 8-特征提取模块整体流程.mp4
│ │ ├── 9-预测结果输出模块.mp4
│ │ ├── 13-上采样完成分割任务.mp4
│ │ ├── 3-DEBUG解读网络模型架构.mp4
│ │ ├── 12-分割需要解决的任务概述.mp4
│ │ ├── 1-项目文件概述.mp4
│ │ ├── 11-分割任务数据与配置概述.mp4
│ │ ├── 6-组区域划分方法.mp4
│ │ ├── 5-采样得到中心点.mp4
│ │ ├── 2-数据读取模块配置.mp4
│ │ ├── 4-最远点采样介绍.mp4
│ │ ├── 7-实现group操作得到各中心簇.mp4
│ ├── 5-点云补全PF-Net论文解读
│ │ ├── 1-点云补全要解决的问题.mp4
│ │ ├── 3-整体网络概述.mp4
│ │ ├── 4-网络计算流程.mp4
│ │ ├── 5-输入与计算结果.mp4
│ │ ├── 2-基本解决方案概述.mp4
│ ├── 8-基础补充-对抗生成网络架构原理与实战解析
│ │ ├── 4-数据读取模块.mp4
│ │ ├── 5-生成与判别网络定义.mp4
│ │ ├── 1-对抗生成网络通俗解释.mp4
│ │ ├── 2-GAN网络组成.mp4
│ │ ├── 3-损失函数解释说明.mp4
│ ├── 3-PointNet++算法解读
│ │ ├── 4-整体流程概述分析.mp4
│ │ ├── 1-PointNet升级版算法要解决的问题.mp4
│ │ ├── 2-最远点采样方法.mp4
│ │ ├── 3-分组Group方法原理解读.mp4
│ │ ├── 5-分类与分割问题解决方案.mp4
│ │ ├── 6-遇到的问题及改进方法分析.mp4
│ ├── 1-3D点云实战 3D点云应用领域分析
│ │ ├── 1-点云数据概述.mp4
│ │ ├── 3-点云分割任务.mp4
│ │ ├── 5-点云检测与配准任务.mp4
│ │ ├── 2-点云应用领域与发展分析.mp4
│ │ ├── 4-点云补全任务.mp4
│ │ ├── 6-点云数据特征提取概述与预告.mp4
├── 13-面向深度学习的无人驾驶实战
│ ├── 2-深度估计项目实战
│ │ ├── 2-数据与标签定义方法.mp4
│ │ ├── 8-特征拼接方法解读.mp4
│ │ ├── 3-数据集dataloader制作.mp4
│ │ ├── 11-模型DEMO输出结果.mp4
│ │ ├── 10-损失函数通俗解读.mp4
│ │ ├── 1-项目环境配置解读.mp4
│ │ ├── 4-使用backbone进行特征提取.mp4
│ │ ├── 7-网络结构ASPP层.mp4
│ │ ├── 9-输出深度估计结果.mp4
│ │ ├── 6-权重参数标准化操作.mp4
│ │ ├── 5-计算差异特征.mp4
│ ├── 3-车道线检测算法与论文解读
│ │ ├── 3-输出结果分析.mp4
│ │ ├── 1-数据标签与任务分析.mp4
│ │ ├── 4-损失函数计算方法.mp4
│ │ ├── 2-网络整体框架分析.mp4
│ │ ├── 5-论文概述分析.mp4
│ ├── 13-轨迹估计算法与论文解读
│ │ ├── 8-VectorNet输出层分析.mp4
│ │ ├── 2-整体三大模块分析.mp4
│ │ ├── 4-传统方法与现在向量空间对比.mp4
│ │ ├── 3-特征工程的作用与效果.mp4
│ │ ├── 6-子图模块构建方法.mp4
│ │ ├── 7-特征融合模块分析.mp4
│ │ ├── 5-输入细节分析.mp4
│ │ ├── 1-数据集与标注信息解读.mp4
│ ├── 5-商汤LoFTR算法解读
│ │ ├── 1-特征匹配的应用场景.mp4
│ │ ├── 7-特征图拆解操作.mp4
│ │ ├── 4-CrossAttention的作用与效果.mp4
│ │ ├── 5-transformer构建匹配特征.mp4
│ │ ├── 9-基于期望预测最终位置.mp4
│ │ ├── 6-粗粒度匹配过程与作用.mp4
│ │ ├── 2-特征匹配的基本流程分析.mp4
│ │ ├── 3-整体流程梳理分析.mp4
│ │ ├── 10-总结分析.mp4
│ │ ├── 8-细粒度匹配的作用与方法.mp4
│ ├── 7-三维重建应用与坐标系基础
│ │ ├── 5-坐标系转换方法解读.mp4
│ │ ├── 1-三维重建概述分析.mp4
│ │ ├── 8-相机标定简介.mp4
│ │ ├── 7-通过内外参数进行坐标变换.mp4
│ │ ├── 2-三维重建应用领域概述.mp4
│ │ ├── 4-相机坐标系.mp4
│ │ ├── 6-相机内外参.mp4
│ │ ├── 3-成像方法概述.mp4
│ ├── 8-NeuralRecon算法解读
│ │ ├── 1-任务流程分析.mp4
│ │ ├── 4-片段融合思想.mp4
│ │ ├── 3-特征映射方法解读.mp4
│ │ ├── 5-整体架构重构方法.mp4
│ │ ├── 2-基本框架熟悉.mp4
│ ├── 1-深度估计算法原理解读
│ │ ├── 3-使用backbone获取层级特征.mp4
│ │ ├── 10-损失计算.mp4
│ │ ├── 5-SPP层的作用.mp4
│ │ ├── 4-差异特征计算边界信息.mp4
│ │ ├── 2-kitti数据集介绍.mp4
│ │ ├── 9-权重参数预处理.mp4
│ │ ├── 1-深度估计效果与应用.mp4
│ │ ├── 7-特征拼接方法分析.mp4
│ │ ├── 8-网络coarse-to-fine过程.mp4
│ │ ├── 6-空洞卷积与ASPP.mp4
│ ├── 11-TSDF算法与应用
│ │ ├── 6-输出结果融合更新.mp4
│ │ ├── 2-合成过程DEMO演示.mp4
│ │ ├── 3-布局初始化操作.mp4
│ │ ├── 5-坐标转换流程分析.mp4
│ │ ├── 1-TSDF整体概述分析.mp4
│ │ ├── 4-TSDF计算基本流程解读.mp4
│ ├── 15-特斯拉无人驾驶解读
│ │ ├── 1-特斯拉无人驾驶解读.mp4
│ ├── 9-NeuralRecon项目环境配置
│ │ ├── 1-数据集下载与配置方法.mp4
│ │ ├── 2-Scannet数据集内容概述.mp4
│ │ ├── 5-完成依赖环境配置.mp4
│ │ ├── 4-ISSUE的作用.mp4
│ │ ├── 3-TSDF标签生成方法.mp4
│ ├── 6-局部特征关键点匹配实战
│ │ ├── 8-完成基础匹配模块.mp4
│ │ ├── 4-注意力机制的作用与效果分析.mp4
│ │ ├── 6-cross关系计算方法实例.mp4
│ │ ├── 7-粗粒度匹配过程.mp4
│ │ ├── 11-通过期望计算最终输出.mp4
│ │ ├── 5-特征融合模块实现方法.mp4
│ │ ├── 2-DEMO效果演示.mp4
│ │ ├── 10-得到精细化输出结果.mp4
│ │ ├── 1-项目与参数配置解读.mp4
│ │ ├── 9-精细化调整方法与实例.mp4
│ │ ├── 3-backbone特征提取模块.mp4
│ ├── 12-TSDF实战案例
│ │ ├── 1-环境配置概述.mp4
│ │ ├── 3-计算得到TSDF输出.mp4
│ │ ├── 2-初始化与数据读取.mp4
│ ├── 4-基于深度学习的车道线检测项目实战
│ │ ├── 8-算法网络结构解读.mp4
│ │ ├── 9-损失函数计算模块分析.mp4
│ │ ├── 3-制作数据集dataloader.mp4
│ │ ├── 10-车道线规则损失函数限制.mp4
│ │ ├── 6-grid设置方法.mp4
│ │ ├── 7-完成数据与标签制作.mp4
│ │ ├── 1-车道数据与标签解读.mp4
│ │ ├── 5-四条车道线标签位置矩阵.mp4
│ │ ├── 4-车道线标签数据处理.mp4
│ │ ├── 2-项目环境配置演示.mp4
│ │ ├── 11-DEMO制作与配置.mp4
│ ├── 14-轨迹估计预测实战
│ │ ├── 5-SubGraph与Attention模型流程.mp4
│ │ ├── 1-数据与环境配置.mp4
│ │ ├── 3-Agent特征提取方法.mp4
│ │ ├── 4-DataLoader构建图结构.mp4
│ │ ├── 2-训练数据准备.mp4
│ ├── 10-NeuralRecon项目源码解读
│ │ ├── 2-初始化体素位置.mp4
│ │ ├── 7-完成三个阶段预测结果.mp4
│ │ ├── 4-得到体素所对应特征图.mp4
│ │ ├── 6-得到一阶段输出结果.mp4
│ │ ├── 5-插值得到对应特征向量.mp4
│ │ ├── 8-项目总结.mp4
│ │ ├── 3-坐标映射方法实现.mp4
│ │ ├── 1-Backbone得到特征图.mp4
├── 7-图像分割实战
│ ├── 3-unet医学细胞分割实战
│ │ ├── 4-特征融合方法演示.mp4
│ │ ├── 5-迭代完成整个模型计算任务.mp4
│ │ ├── 6-模型效果验证.mp4
│ │ ├── 1-医学细胞数据集介绍与参数配置.mp4
│ │ ├── 2-数据增强工具.mp4
│ │ ├── 3-Debug模式演示网络计算流程.mp4
│ ├── 5-deeplab系列算法
│ │ ├── 4-SPP层的作用.mp4
│ │ ├── 5-ASPP特征融合策略.mp4
│ │ ├── 6-deeplabV3Plus版本网络架构.mp4
│ │ ├── 3-感受野的意义.mp4
│ │ ├── 1-deeplab分割算法概述.mp4
│ │ ├── 2-空洞卷积的作用.mp4
│ ├── 7-医学⼼脏视频数据集分割建模实战
│ │ ├── 2-项目基本配置参数.mp4
│ │ ├── 3-任务流程解读.mp4
│ │ ├── 4-文献报告分析.mp4
│ │ ├── 6-补充：R(2plus1)D处理方法分析.mp4
│ │ ├── 1-数据集与任务概述.mp4
│ │ ├── 5-补充：视频数据源特征处理方法概述.mp4
│ ├── 11-MaskRcnn网络框架源码详解
│ │ ├── 5-RPN层的作用与实现解读.mp4
│ │ ├── 1-FPN层特征提取原理解读.mp4
│ │ ├── 10-RoiPooling层的作用与目的.mp4
│ │ ├── 6-候选框过滤方法.mp4
│ │ ├── 4-基于不同尺度特征图生成所有框.mp4
│ │ ├── 12-整体框架回顾.mp4
│ │ ├── 2-FPN网络架构实现解读.mp4
│ │ ├── 7-Proposal层实现方法.mp4
│ │ ├── 11-RorAlign操作的效果.mp4
│ │ ├── 9-正负样本选择与标签定义.mp4
│ │ ├── 8-DetectionTarget层的作用.mp4
│ │ ├── 3-生成框比例设置.mp4
│ ├── 1-图像分割及其损失函数概述
│ │ ├── 1-语义分割与实例分割概述.mp4
│ │ ├── 2-分割任务中的目标函数定义.mp4
│ │ ├── 3-MIOU评估标准.mp4
│ ├── 12-基于MASK-RCNN框架训练自己的数据与任务
│ │ ├── 2-使用labelme进行数据与标签标注.mp4
│ │ ├── 4-maskrcnn源码修改方法.mp4
│ │ ├── 5-基于标注数据训练所需任务.mp4
│ │ ├── 1-Labelme工具安装.mp4
│ │ ├── 6-测试与展示模块.mp4
│ │ ├── 3-完成训练数据准备工作.mp4
│ ├── 2-Unet系列算法讲解
│ │ ├── 4-后续升级版本介绍.mp4
│ │ ├── 2-网络计算流程.mp4
│ │ ├── 1-Unet网络编码与解码过程.mp4
│ │ ├── 3-Unet升级版本改进.mp4
│ ├── 8-分割模型Maskformer系列
│ │ ├── 1-分割模型Maskformer系列.mp4
│ ├── 9-补充：Mask2former源码解读
│ │ ├── 13-汇总所有损失完成迭代.mp4
│ │ ├── 1-Backbone获取多层级特征.mp4
│ │ ├── 7-Decoder中的AttentionMask方法.mp4
│ │ ├── 10-正样本筛选损失计算.mp4
│ │ ├── 9-标签分配策略解读.mp4
│ │ ├── 4-偏移量与权重计算并转换.mp4
│ │ ├── 5-Encoder特征构建方法实例.mp4
│ │ ├── 6-query要预测的任务解读.mp4
│ │ ├── 11-标签分类匹配结果分析.mp4
│ │ ├── 2-多层级采样点初始化构建.mp4
│ │ ├── 3-多层级输入特征序列创建方法.mp4
│ │ ├── 12-最终损失计算流程.mp4
│ │ ├── 8-损失模块输入参数分析.mp4
│ ├── 6-基于deeplabV3+版本进⾏VOC分割实战
│ │ ├── 3-网络前向传播流程.mp4
│ │ ├── 4-ASPP层特征融合.mp4
│ │ ├── 1-PascalVoc数据集介绍.mp4
│ │ ├── 5-分割模型训练.mp4
│ │ ├── 2-项目参数与数据集读取.mp4
│ ├── 10-物体检测框架-MaskRcnn项目介绍与配置
│ │ ├── 2-开源项目数据集.mp4
│ │ ├── 1-Mask-Rcnn开源项目简介.mp4
│ │ ├── 3-开源项目数据集.mp4
│ ├── 4-U2NET显著性检测实战
│ │ ├── 5-损失函数与应用效果.mp4
│ │ ├── 4-解码器输出结果.mp4
│ │ ├── 2-显著性检测任务与目标概述.mp4
│ │ ├── 3-编码器模块解读.mp4
│ │ ├── 1-任务目标与网络整体介绍.mp4
├── 27-语音识别实战系列
│ ├── 7-语音合成tacotron最新版实战
│ │ ├── 11-模型输出结果.mp4
│ │ ├── 3-路径配置与整体流程解读.mp4
│ │ ├── 1-语音合成项目所需环境配置.mp4
│ │ ├── 10-得到加权的编码向量.mp4
│ │ ├── 5-编码层要完成的任务.mp4
│ │ ├── 8-解码器流程梳理.mp4
│ │ ├── 6-得到编码特征向量.mp4
│ │ ├── 7-解码器输入准备.mp4
│ │ ├── 9-注意力机制应用方法.mp4
│ │ ├── 12-损失函数与预测.mp4
│ │ ├── 4-Dataloader构建数据与标签.mp4
│ │ ├── 2-所需数据集介绍.mp4
│ ├── 1-seq2seq序列网络模型
│ │ ├── 4-加入attention的序列模型整体架构.mp4
│ │ ├── 1-序列网络模型概述分析.mp4
│ │ ├── 5-TeacherForcing的作用与训练策略.mp4
│ │ ├── 3-注意力机制的作用.mp4
│ │ ├── 2-工作原理概述.mp4
│ │ ├── 6-额外补充-RNN网络模型解读.mp4
│ ├── 5-语音分离ConvTasnet模型
│ │ ├── 1-语音分离任务分析.mp4
│ │ ├── 6-基于Mask得到分离结果.mp4
│ │ ├── 5-DW卷积的作用与效果.mp4
│ │ ├── 3-DeepClustering论文解读.mp4
│ │ ├── 2-经典语音分离模型概述.mp4
│ │ ├── 4-TasNet编码器结构分析.mp4
│ ├── 2-LAS模型语音识别实战
│ │ ├── 8-计算得到每个输出的attention得分.mp4
│ │ ├── 6-编码器模块整体流程.mp4
│ │ ├── 9-解码器与训练过程演示.mp4
│ │ ├── 5-Pack与Pad操作解析.mp4
│ │ ├── 7-加入注意力机制.mp4
│ │ ├── 4-声音数据处理模块解读.mp4
│ │ ├── 3-制作json标注数据.mp4
│ │ ├── 2-语料表制作方法.mp4
│ │ ├── 1-数据源与环境配置.mp4
│ ├── 6-ConvTasnet语音分离实战
│ │ ├── 4-采样数据特征编码.mp4
│ │ ├── 3-DataLoader定义.mp4
│ │ ├── 2-训练任务所需参数介绍.mp4
│ │ ├── 6-构建更大的感受区域.mp4
│ │ ├── 1-数据准备与环境配置.mp4
│ │ ├── 5-编码器特征提取.mp4
│ │ ├── 7-解码得到分离后的语音.mp4
│ │ ├── 8-测试模块所需参数.mp4
│ ├── 4-staeganvc2变声器源码实战
│ │ ├── 2-环境配置与工具包安装.mp4
│ │ ├── 8-判别器模块解读.mp4
│ │ ├── 10-源码损失计算流程.mp4
│ │ ├── 11-测试模块-生成转换语音.mp4
│ │ ├── 1-数据与项目文件解读.mp4
│ │ ├── 5-下采样与上采样操作.mp4
│ │ ├── 4-生成器构造模块解读.mp4
│ │ ├── 6-starganvc2版本标签输入分析.mp4
│ │ ├── 9-论文损失函数.mp4
│ │ ├── 3-数据预处理与声音特征提取.mp4
│ │ ├── 7-生成器前向传播维度变化.mp4
│ ├── 3-starganvc2变声器论文原理解读
│ │ ├── 4-生成器模型架构分析.mp4
│ │ ├── 2-VCC2016输入数据.mp4
│ │ ├── 5-InstanceNorm的作用解读.mp4
│ │ ├── 1-论文整体思路与架构解读.mp4
│ │ ├── 3-语音特征提取.mp4
│ │ ├── 6-AdaIn的目的与效果.mp4
│ │ ├── 7-判别器模块分析.mp4
猜你喜欢
-
深度学习之神经网络CNN/RNN/GAN（算法原理+实战）
2022-11-23 -
2023数艺设-AIGC全能通识训练营第三期
2024-09-29 -
机器学习入门 Scikit-learn实现经典小案例
2022-11-13 -
百战-AI算法工程师就业班2022年|价值18980元|百万年薪|完整
2023-12-14 -
深度学习-行人重识别实战(2020)
2024-04-20 -
深蓝学院-自动驾驶控制与规划|2022|完结
2023-08-21 -
udemy-机器学习和数据科学训练营2023年
2024-07-14 -
深兰Ai人工智能名企内部培训+实践班第五期 价值万元|2022-2023
2024-05-11 -
梗直哥瞿炜-机器学习必修课：经典AI算法与编程实战
2024-06-23 -
深蓝多传感器融合定位
2022-12-04
-
开课吧-人工智能核心能力培养计划7期|完结无秘
2023-05-28 -
2024全新Langchain大模型AI应用与多智能体实战开发
2024-09-11 -
极客时间-机器学习训练营一期|价值3000
2023-08-19 -
数据分析与机器学习实战人脸检测， 36套系统课
2024-07-14 -
Coze零基础开发Agent智能体
2024-08-30 -
唐宇迪人工智能深度学习系统班第九期V9.2
2024-10-11 -
深蓝学院-多传感器融合定位2023
2024-01-15 -
卢菁博士的人工智能体系课-进阶部分
2024-06-11 -
Autoware自动驾驶框架源码剖析与实践，五大技术模块教程(视频+资料) ,价值1399
2024-01-18 -
慕课WeNet语音识别实战
2024-05-20
猜你在找
常见问题FAQ
- 视频加密吗？
- 无密，本站视频全部为超清无密MP4格式
- 怎么发货？
- 课程没更新完怎么办？
- 有问题怎么解决？
