找回密码
立即注册
搜索
热搜: Java Python Linux Go
发回帖 发新帖

1030

积分

0

好友

134

主题
发表于 昨天 22:08 | 查看: 1| 回复: 0

课程简介

本课程是一门体系化、深度全面的人工智能深度学习实战课程,旨在帮助学习者从零基础直达就业水平。课程内容覆盖了人工智能的核心技术栈,包括但不限于:深度学习基础算法(CNN、RNN、Transformer)、计算机视觉(物体检测、图像分割、目标追踪、缺陷检测)、自然语言处理(BERT、Huggingface、经典NLP案例)、前沿大模型(GPT系列、扩散模型、多模态)、强化学习、图神经网络、3D点云、模型部署与优化等。通过结合OpenCV、PyTorch、MMLab、YOLO系列等主流框架与工具,以及多个工业级综合项目(如无人驾驶、医学影像分析、推荐系统、语音识别)的实战演练,你将系统掌握从数据处理、模型构建、训练调优到项目部署的全流程技能。课程配套丰富的课件、代码与最新补充资料,是迈向AI算法工程师、研究员等高薪岗位的权威指南。


下载地址

游客,如果您要查看本帖隐藏内容请回复

课程目录

23 自然语言处理经典案例实战

涵盖自然语言处理基础操作、工具包使用及实战案例分析。

08 走向AI论文实验与项目实战的捷径-MMLAB实战系列

MMLAB系列工具实战,包括模型训练、知识蒸馏与视觉任务应用。

06 综合项目-物体检测经典算法实战

全面覆盖物体检测算法,包括评估指标、YOLO系列及Transformer模型。

05 Opencv图像处理框架实战

Opencv图像处理核心操作,涵盖特征提取、滤波与目标追踪实战。

03 深度学习必备核心算法

深度学习核心算法解读,包括Transformer、CNN与神经网络结构。

09 经典视觉项目实战:行为识别、姿态估计、目标追踪

经典视觉项目实战,包括行为识别、姿态估计与目标追踪。

13 面向深度学习的无人驾驶实战

无人驾驶实战,涵盖特征匹配、车道线检测与三维重建技术。

17 对抗生成网络实战

对抗生成网络实战,包括StarGAN、CycleGAN及图像合成案例。

15 缺陷检测实战

缺陷检测实战,结合图像处理与深度学习进行缺陷识别。

11 图神经网络实战

图神经网络实战,包括GCN、注意力机制与时间序列预测。

22 深度学习模型部署与剪枝优化实战

模型部署与优化实战,涵盖剪枝、TensorFlow-serving及边缘部署。

07 图像分割实战

图像分割实战,包括语义分割、实例分割与医学图像处理。

26 自然语言处理通用框架-BERT实战

BERT框架实战,用于命名实体识别、文本分类与预训练模型。

14 对比学习与多模态任务实战

对比学习与多模态实战,涵盖CLIP模型与多任务学习。

16 行人重识别实战

行人重识别实战,包括特征提取、图匹配与注意力机制应用。

18 强化学习与AI黑科技实例

强化学习实战与AI前沿技术,包括A3C、DQN及大模型实例。

19 面向医学领域的深度学习实战

医学深度学习实战,包括知识图谱、图像分割与检测案例。

10 论文必备-Transformer实战系列

Transformer实战系列,涵盖时间序列、检测、分割与多模态应用。

01 机器学习

机器学习全面实战,涵盖推荐系统、回归、分类与时间序列分析。

02 AI课程所需安装软件教程

AI课程软件安装教程,包括环境配置与工具使用指导。

27 论文创新点常用方法及其应用实例

论文创新点方法实战,涵盖注意力机制与损失函数设计实例。

21 CV与NLP经典大模型解读2

CV与NLP大模型解读,涵盖多模态、微调与Agent工作流。

28 知识图谱实战系列

知识图谱实战,包括图模型构建、Neo4j数据库与医疗应用。

24 时间序列预测

时间序列预测实战,涵盖Transformer与大模型预测方法。

29 语音识别实战系列

语音识别实战,包括语音合成、分离与变声器案例。

00 课件

课程课件与补充资料,包括代码、数据及文档资源。

30 推荐系统实战系列

推荐系统实战,包括协同过滤、矩阵分解与DeepFM模型。

20 CV与NLP经典大模型解读

CV与NLP大模型解读,包括BEV、注意力机制与预训练模型。

01 直播课回放

直播课回放,包括课程导学、算法解读与实战演示。

--- 点击展开详细目录 ---

0-课件

1.第1章 直播课

1-10 节直播9:自监督任务
1-11 节直播10:知识蒸馏
1-12 节直播11:分割Mask2former算法
1-13 节直播12:多模态与交叉注意力应用
1-14节 直播13:时间序列timesnet与地理分类任务
  • 📦 Time-Series-Library-main.zip
1-2 神经网络
1-3 节直播2:卷积神经网络
1-4 节直播3:Transformer架构解读
1-6 节直播5:图神经网络
1-7 节直播6:Transformer Decoder在视觉任务的应用
1-8 节直播7:对比学习与多模态任务
1-9节 直播8:GPT与Hugging face

2.第二章 深度学习必备核心算法

  • 📦 ViT.zip

3.第三章 深度学习框架PyTorch

  • 📦 第四章:卷积网络参数解读.zip
  • 📦 第五章:图像识别模型与训练策略(重点).zip
  • 📦 第六章:DataLoader自定义数据集制作.zip
  • 📦 第七章:LSTM文本分类实战.zip
  • 📦 flask预测.zip
  • 📦 第二,三章:神经网络实战分类与回归任务.zip

5.第五章 Opencv图像处理框架实战

课件
第2-8节课件
  • 📦 第2-7节notebook课件.zip

  • 📦 第8节notebook课件.zip

  • 📦 第11-12节notebook课件.zip

  • 📦 第16-17节notebook课件.zip

6.第六章 综合项⽬-物体检测经典算法实战

YOLO系列(PyTorch)
COCO-DATA
训练自己的数据集
  • 📦 NEU-DET.zip

  • 📦 PyTorch-YOLOv3.zip

  • 📦 YOLO5.zip

  • 📦 EfficientDet.zip

  • 📦 mmdetection-3.x.zip

  • 📦 yolov7-main.zip

7.第七章 图像分割实战

deeplab系列算法
unet医学细胞分割实战
新建文件夹
  • 📦 unet++.zip
Unet系列算法讲解
分割模型Maskformer系列
图像分割算法
基于deeplabV3+版本进行VOC分割实战
  • 📦 DeepLabV3Plus.zip
基于deeplab的心脏视频数据诊断分析
  • 📦 基于deeplab的心脏视频数据诊断分析.zip
基于Resnet的医学数据集分类实战
  • 📦 基于Resnet的医学数据集分类实战.zip

  • 📦 PyTorch框架基本处理操作.zip

  • 📦 图像识别核心模块实战解读.zip

  • 📦 基于MASK-RCNN框架训练自己的数据与任务.zip

  • 📦 第5节:U-2-Net.zip

8.第八章 走向AI论文实验与项目实战的捷径-MMLAB实战系列

DeformableDetr算法解读
KIE关键信息抽取与视频超分辨率重构
OCR算法解读
  • 📦 mask2former(mmdetection).zip
  • 📦 ner.zip
  • 📦 第一模块:mmclassification-master.zip
  • 📦 第七模块:mmdetection3d-1.0.0rc0.zip
  • 📦 第三模块:mmdetection-master.zip
  • 📦 第九模块:mmaction2-master.zip
  • 📦 第二模块:mmsegmentation-0.20.2.zip
  • 📦 第二模块:MPViT-main.zip
  • 📦 第五模块:mmgeneration-master.zip
  • 📦 第八模块:mmrazor-模型蒸馏.zip
  • 📦 第六模块:mmediting-master.zip
  • 📦 第四模块:mmocr-main.zip

9.第九章 经典视觉项目实战:行为识别、姿态估计、目标追踪

slowfast-add
download
ava_annotations
person_box_67091280_iou90
  • 🎬 1j20qq1JyX4.mp4

  • 🎬 -5KQ66BBWC4.mkv

  • 🎬 _145Aa_xkuE.mp4

  • 🎬 _Ca3gOdOHxU.mp4

  • 📦 avademo.zip

YOLO目标检测
COCO-DATA
训练自己的数据集
  • 📦 NEU-DET.zip
  • 📦 YOLO5.zip
基础补充-Resnet模型及其应用实例
  • 📦 基于Resnet的医学数据集分类实战.zip

  • 📦 基于3D卷积的视频分析与动作识别.zip

  • 📦 基础补充-PyTorch框架基本处理操作.zip

  • 📦 基础补充-PyTorch框架必备核心模块解读.zip

10.第一十章 2022论⽂必备-Transformer实战系列

基础补充-Resnet模型及其应用实例
  • 📦 基于Resnet的医学数据集分类实战.zip
第十二,十三章
  • 📦 LoFTR.zip

  • 📦 Informer.zip

  • 📦 LoFTR.zip

  • 📦 Medical-Transformer.zip

  • 📦 mmdetection-master.zip

  • 📦 ViT.zip

11.第一十一章 图神经⽹络实战

第一章:图神经网络基础
第二章:图卷积GCN模型
3-图模型必备神器PyTorch Geometric安装与使用
  • 📦 工具包使用.zip
4-使用PyTorch Geometric构建自己的图数据集
  • 📦 创建自己的数据集.zip
5-图注意力机制与序列图模型
  • 📦 时间序列TGCN.zip
6-图相似度论文解读
7-图相似度计算实战
  • 📦 Extended-SimGNN.zip
8-基于图模型的轨迹估计
  • 🎬 数据集Demo.mp4
9-图模型轨迹估计实战
  • 📦 Vector.zip
基于图模型的时间序列预测
异构图神经网络
  • 📦 HeterogeneousGraph.zip

12.第一十二章 3D点云实战

第1节:3D点云应用领域分析
  • 🎬 激光雷达.mp4
第2节:3D点云PointNet算法
  • 📦 CloudCompare.zip
第3节:PointNet++算法解读
第4节:Pointnet++项目实战
  • 📦 Pointnet2.zip
第5节:点云补全PF-Net论文解读
第6节:点云补全实战解读
  • 📦 PF-Net-Point-Fractal-Network.zip
第7节:点云配准及其案例实战
  • 📦 RPMNet.zip
第8节:基础补充-对抗生成网络架构原理与实战解析
  • 📦 第八章:对抗生成网络架构原理与实战解析.zip

13.第一十二章 ⾯向深度学习的⽆⼈驾驶实战

1.深度估计算法解读
2.深度估计项目实战
  • 📦 LapDepth.zip
3-车道线检测算法与论文解读
4-基于深度学习的车道线检测项目实战
  • 📦 Lane-Detection.zip
5-商汤LoFTR算法解读
6-局部特征关键点匹配实战
  • 📦 LoFTR.zip
7-三维重建应用与坐标系基础
8-NeuralRecon算法解读
9-NeuralRecon项目环境配置
参考其GITHUB即可
11-TSDF算法与应用
12-TSDF实战案例
TSDF实例
  • 📦 tsdf-fusion-python-master.zip
13-轨迹估计算法与论文解读
14-轨迹估计预测实战
  • 📦 Vector.zip
15-特斯拉无人驾驶解读

14.第一十三章 对比学习与多模态任务实战

CLIP系列
  • 📦 CLIP.zip
多模态文字识别
对比学习算法与实例

15.第一十五章 缺陷检测实战

PyTorch基础
  • 📦 1-PyTorch框架基本处理操作.zip
  • 📦 2-神经网络实战分类与回归任务.zip
  • 📦 3-图像识别核心模块实战解读.zip
Resnet分类实战
  • 📦 基于Resnet的医学数据集分类实战.zip
第1-4章:YOLOV5缺陷检测
  • 📦 Defective_Insulators.zip
  • 📦 NEU-DET.zip
  • 📦 YOLO5.zip
第11-12章:deeplab
  • 📦 DeepLabV3Plus.zip
第6-8章:Opencv各函数使用实例
  • 📦 第一部分notebook课件.zip

  • 📦 第二部分notebook课件.zip

  • 📦 DeepLab铁质材料缺陷检测与开源项目应用流程.zip

  • 📦 第10章:基于视频流水线的Opnecv缺陷检测项目.zip

  • 📦 第5章:Semi-supervised布料缺陷检测实战.zip

  • 📦 第9章:基于Opencv缺陷检测项目实战.zip

16.第一十六章 ⾏⼈重识别实战

第1节:行人重识别原理及其应用
第2节:基于注意力机制的ReId模型论文解读
第3节:基于Attention的行人重识别项目实战
  • 📦 Relation-Aware-Global-Attention-Networks.zip
第4节:经典会议算法精讲(特征融合)
第5节:项目实战-基于行人局部特征融合的再识别实战
  • 📦 Relation Network for Person Re-identification.zip
第6节:旷视研究院最新算法解读(基于图模型)
第7节:基于拓扑图的行人重识别项目实战
  • 📦 基于图模型的ReID(旷视).zip

17.第一十七章 对抗⽣成⽹络实战

第4节:stargan论文架构解析
第6节:基于starganvc2的变声器论文原理解读
第8节:图像超分辨率重构实战
  • 📦 srdata.zip
  • 📦 srgan超分辨率重构.zip
第9节:基于GAN的图像补全实战
  • 📦 glcic图像补全.zip

  • 📦 图像补全人脸数据.zip

  • 📦 static.zip

  • 📦 第2节:对抗生成网络架构原理与实战解析.zip

  • 📦 第3节:基于CycleGan开源项目实战图像合成.zip

18.第十八章 强化学习与AI黑科技实例

AI黑科技实例
1 节GPT系列生成模型
  • 📦 GPT.zip
2 节GPT建模与预测流程
  • 📦 ChinesePretrainedModels.zip
3 节CLIP系列
  • 📦 CLIP.zip
4 节Diffusion模型解读
6 节ChatGPT
  • 📦 第3节:策略梯度实战-月球登陆器训练实例.zip
  • 📦 第5节:DQN算法实例演示.zip
  • 📦 第8节:A3C算法玩转超级马里奥.zip

19.第一十九章 面向医学领域的深度学习实战

1-神经网络算法PPT
4-基于Resnet的医学数据集分类实战
  • 📦 基于Resnet的医学数据集分类实战.zip
5-图像分割及其损失函数概述
6-Unet系列算法讲解
7-unet医学细胞分割实战
新建文件夹
  • 📦 unet++.zip
8-deeplab系列算法
9-基于deeplabV3+版本进行VOC分割实战
  • 📦 DeepLabV3Plus.zip
10-基于deeplab的心脏视频数据诊断分析
  • 📦 基于deeplab的心脏视频数据诊断分析.zip
11-YOLO系列物体检测算法原理解读
12-基于YOLO5细胞检测实战
  • 📦 基于YOLO5细胞检测实战.zip
13-知识图谱原理解读
14-Neo4j数据库实战
15-基于知识图谱的医药问答系统实战
  • 📦 医药问答.zip
17-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

  • 📦 2-PyTorch框架基本处理操作.zip

  • 📦 3-PyTorch框架必备核心模块解读.zip

  • 📦 16-词向量模型与RNN网络架构.zip

20.第二十章 CV与NLP经典大模型解读

第三章:ChatGpt
第四章:LLM与LORA
第五章:LLM下游任务
  • 📦 Huatuo-Llama-Med-Chinese-main.zip
第六章:langchain
  • 📦 langchain-tutorials-main.zip
第七章:视觉大模型SAM
第八章:视觉QA
第九章:扩散模型
第十章:dalle2论文解读
第十二章:自监督任务对比学习
第十三章:BEIT
第十四章:BEITV2
第十六章:BEV感知
  • 📦 第二章:ChinesePretrainedModels.zip

21.第二十一章 深度学习模型部署与剪枝优化实战

嵌入式AI
第一章 认识 jetson nano
1software
  • 📦 SDCardFormatterv5_WinEN.zip
第二章 AI 实战
2software
networks
  • 📦 jetson-inference.zip
第三章 NVIDIA TAO 实用级的训练神器
第四章 deepstream
software
export
  • 📦 deepstream_tao_apps-release-tao3.0_ds6.0.1(1).zip
  • 📦 deepstream_tao_apps-release-tao3.0_ds6.0.1.zip
  • 📦 EasyPlayer-RTSP-Win-V3.0.19.0515(1).zip
  • 📦 EasyPlayer-RTSP-Win-V3.0.19.0515.zip
software4.7
autocar
carRun
tracker
lcdqxc
motorDemo
nano和arduino通信
softwareSerial
nano控制arduino
nanoKZarduino
大结局
nanoKZarduino
tracker
pycache
  • 📦 LiquidCrystal_I2C(1).zip

  • 📦 LiquidCrystal_I2C.zip

  • 📦 Docker使用命令.zip

  • 📦 pytorch-slimming.zip

  • 📦 PyTorch模型部署实例.zip

  • 📦 TensorFlow-serving.zip

  • 📦 YOLO部署实例.zip

22.第二十二章 ⾃然语⾔处理经典案例实战

NLP常用工具包
  • 📦 Python-自然语言处理工具包(1).zip
  • 📦 Python-自然语言处理工具包.zip
课件
课后作业

23.第二十三章 自然语言处理必备神器Huggingface系列实战

第一章:Huggingface与NLP介绍解读
第二章:Transformer工具包基本操作实例解读
  • 📦 1-Transformers.zip
  • 📦 2-Finetuning.zip
第三章:transformer原理解读
第四章:BERT系列算法解读
第五章:文本标注工具与NER实例
  • 📦 ner.zip
第六章:文本预训练模型构建实例
第七章:GPT系列算法
第八章:GPT训练与预测部署流程
  • 📦 GPT.zip
第九章:文本摘要建模
  • 📦 Summarization.zip
第十章:图谱知识抽取实战
  • 📦 CMeKG.zip
第十一章:补充Huggingface数据集制作方法实例
  • 📦 数据格式转换.zip

24.第二十四章 时间序列预测

2-Informer原理解读
  • 🎬 1-时间序列预测要完成的任务.mp4
  • 🎬 2-常用模块分析.mp4
  • 🎬 3-论文要解决的问题分析.mp4
  • 🎬 4-Query采样方法解读.mp4
  • 🎬 5-probAttention计算流程.mp4
  • 🎬 6-编码器全部计算流程.mp4
  • 🎬 7-解码器流程分析.mp4
  • 🎬 8-各种编码信息.mp4
4-Timesnet时序预测
  • 🎬 1-时序预测故事背景.mp4
  • 🎬 2-论文核心思想解读.mp4
  • 🎬 3-时序特征周期拆解.mp4
  • 🎬 4-计算公式流程拆解.mp4
  • 🎬 5-全部计算流程解读.mp4
  • 🎬 6-周期间特征分析.mp4
  • 🎬 7-源码流程解读.mp4
  • 🎬 8-傅里叶变换流程.mp4
informer
  • 📦 Informer.zip
timesnet
  • 📦 Time-Series-Library-main.zip

25.第二十五章 ⾃然语⾔处理通⽤框架-BERT实战

课后作业

26 论文创新点常用方法及其应用实例

27 知识图谱实战系列

PPT
论文
  • 📦 变声器pytorch-StarGAN-VC2.zip
  • 📦 语音分离Conv-TasNet.zip
  • 📦 语音合成tacotron2实战.zip
  • 📦 语音识别LAS模型.zip

28 语音识别实战系列

第10节:基于统计分析的电影推荐
  • 📦 电影推荐.zip
第3节:音乐推荐系统实战
Python实现音乐推荐系统
.ipynb_checkpoints
pycache
第4节:Neo4j数据库实例
  • 📦 第11节:补充-基于相似度的酒店推荐系统.zip
  • 📦 第5节:基于知识图谱的电影推荐实战.zip
  • 📦 第7节:DeepFM算法实战.zip
  • 📦 第8节:推荐系统常用工具包演示.zip
  • 📦 第9节:基于文本数据的推荐实例.zip

29 推荐系统实战系列

第10节:基于统计分析的电影推荐
  • 📦 电影推荐.zip
第3节:音乐推荐系统实战
Python实现音乐推荐系统
.ipynb_checkpoints
pycache
第4节:Neo4j数据库实例
  • 📦 第11节:补充-基于相似度的酒店推荐系统.zip
  • 📦 第5节:基于知识图谱的电影推荐实战.zip
  • 📦 第7节:DeepFM算法实战.zip
  • 📦 第8节:推荐系统常用工具包演示.zip
  • 📦 第9节:基于文本数据的推荐实例.zip

01-机器学习

01-第一模块:Python快速入门

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
03-3-Notebook工具使用
  • 📁 01-3-Notebook工具使用.ts
04-4-Python简介
  • 📁 01-4-Python简介.ts
05-5-Python数值运算
  • 📁 01-5-Python数值运算.ts
06-6-Python字符串操作
  • 📁 01-6-Python字符串操作.ts
07-7-1-索引结构
  • 📁 01-7-1-索引结构.ts
08-7-2-List基础结构
  • 📁 01-7-2-List基础结构.ts
09-8-List核心操作
  • 📁 01-8-List核心操作.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
12-11-Set结构
  • 📁 01-11-Set结构.ts
13-12-赋值机制
  • 📁 01-12-赋值机制.ts
14-13-判断结构
  • 📁 01-13-判断结构.ts
15-14-循环结构
  • 📁 01-14-循环结构.ts
16-15-函数定义
  • 📁 01-15-函数定义.ts
17-16-模块与包
  • 📁 01-16-模块与包.ts
18-17-异常处理模块
  • 📁 01-17-异常处理模块.ts
19-18-文件操作
  • 📁 01-18-文件操作.ts
20-19-类的基本定义
  • 📁 01-19-类的基本定义.ts
21-20-类的属性操作
  • 📁 01-20-类的属性操作.ts
22-21-时间操作
  • 📁 01-21-时间操作.ts
23-22-Python练习题-1
  • 📁 01-22-Python练习题-1.ts
24-23-Python练习题-2
  • 📁 01-23-Python练习题-2.ts

02-第二模块:Python数据科学必备工具包实战

01-科学计算库-Numpy
  • 📁 01-1-Numpy概述.ts
  • 📁 02-2-Array数组.ts
  • 📁 03-3-数组结构.ts
  • 📁 04-4-数组类型.ts
  • 📁 05-5-数值运算.ts
  • 📁 06-6-排序操作.ts
  • 📁 07-7-数组形状操作.ts
  • 📁 08-8-数组生成函数.ts
  • 📁 09-9-常用生成函数.ts
  • 📁 10-10-四则运算.ts
  • 📁 11-11-随机模块.ts
  • 📁 12-12-文件读写.ts
  • 📁 13-13-数组保存.ts
  • 📁 14-14-练习题-1.ts
  • 📁 15-15-练习题-2.ts
  • 📁 16-16-练习题-3.ts
  • 📁 17-13-Pandas常用操作.ts
  • 📁 18-14-Pandas常用操作2.ts
02-数据分析处理库-Pandas
  • 📁 01-1-Pandas概述.ts
  • 📁 02-2-Pandas基本操作.ts
  • 📁 03-3-Pandas索引.ts
  • 📁 04-4-groupby操作.ts
  • 📁 05-5-数值运算1.ts
  • 📁 06-6-对象操作.ts
  • 📁 07-7-对象操作2.ts
  • 📁 08-8-merge操作.ts
  • 📁 09-9-显示设置.ts
  • 📁 10-10-数据透视表.ts
  • 📁 11-11-时间操作.ts
  • 📁 12-12-时间序列操作.ts
  • 📁 13-15-Groupby操作延伸.ts
  • 📁 14-16-字符串操作.ts
  • 📁 15-17-索引进阶.ts
  • 📁 16-18-Pandas绘图操作.ts
  • 📁 17-19-大数据处理技巧.ts
03-.可视化库-Matplotlib
  • 📁 01-1-Matplotlib概述.ts
  • 📁 02-2-子图与标注.ts
  • 📁 03-3-风格设置.ts
  • 📁 04-4-条形图.ts
  • 📁 05-5-条形图细节.ts
  • 📁 06-6-条形图外观.ts
  • 📁 07-7-盒图绘制.ts
  • 📁 08-8-盒图细节.ts
  • 📁 09-9-绘图细节设置.ts
  • 📁 10-10-绘图细节设置2.ts
  • 📁 11-11-直方图与散点图.ts
  • 📁 12-12-3D图绘制.ts
  • 📁 13-13-pie图.ts
  • 📁 14-14-子图布局.ts
  • 📁 15-15-结合pandas与sklearn.ts
04-可视化库-Seaborn
  • 📁 01-0-课程简介.ts
  • 📁 02-1整体布局风格设置.ts
  • 📁 03-2风格细节设置.ts
  • 📁 04-3调色板.ts
  • 📁 05-4调色板颜色设置.ts
  • 📁 06-5单变量分析绘图.ts
  • 📁 07-6回归分析绘图.ts
  • 📁 08-7多变量分析绘图.ts
  • 📁 09-8分类属性绘图.ts
  • 📁 10-9Facetgrid使用方法.ts
  • 📁 11-10Facetgrid绘制多变量.ts
  • 📁 12-11热度图绘制.ts

03-第三模块:人工智能-必备数学课程

01-高等数学基础
  • 📁 01-0-课程简介.ts
  • 📁 02-1-函数.ts
  • 📁 03-2-极限.ts
  • 📁 04-3-无穷小与无穷大.ts
  • 📁 05-4-连续性与导数.ts
  • 📁 06-5-偏导数.ts
  • 📁 07-6-方向导数.ts
  • 📁 08-7-梯度.ts
02-微积分
  • 📁 01-1-微积分基本想法.ts
  • 📁 02-2-微积分的解释.ts
  • 📁 03-3-定积分.ts
  • 📁 04-4-定积分性质.ts
  • 📁 05-5-牛顿-莱布尼茨公式.ts
03-泰勒公式与拉格朗日
  • 📁 01-1-泰勒公式出发点.ts
  • 📁 02-2-一点一世界.ts
  • 📁 03-3-阶数的作用.ts
  • 📁 04-4-阶乘的作用.ts
  • 📁 05-5-拉格朗日乘子法.ts
  • 📁 06-6-求解拉格朗日乘子法.ts
04-线性代数基础
  • 📁 01-1-行列式概述.ts
  • 📁 02-2-矩阵与数据的关系.ts
  • 📁 03-3-矩阵基本操作.ts
  • 📁 04-4-矩阵的几种变换.ts
  • 📁 05-5-矩阵的秩.ts
  • 📁 06-6-内积与正交.ts
05-特征值与矩阵分解
  • 📁 01-1-特征值与特征向量.ts
  • 📁 02-2-特征空间与应用.ts
  • 📁 03-1-SVD要解决的问题.ts
  • 📁 04-4-特征值分解.ts
  • 📁 05-5-SVD矩阵分解.ts
06-随机变量
  • 📁 01-1-离散型随机变量.ts
  • 📁 02-2-连续型随机变量.ts
  • 📁 03-3-简单随机抽样.ts
  • 📁 04-4-似然函数.ts
  • 📁 05-5-极大似然估计.ts
07-概率论基础
  • 📁 01-1-概率与频率.ts
  • 📁 02-2-古典概型.ts
  • 📁 03-3-条件概率.ts
  • 📁 04-4-条件概率小例子.ts
  • 📁 05-5-独立性.ts
  • 📁 06-6-二维离散型随机变量.ts
  • 📁 07-7-二维连续型随机变量.ts
  • 📁 08-8-边缘分布.ts
  • 📁 09-9-期望.ts
  • 📁 10-10-期望求解.ts
  • 📁 11-11-马尔科夫不等式.ts
  • 📁 12-12-切比雪夫不等式.ts
  • 📁 13-13-后验概率估计.ts
  • 📁 14-14-贝叶斯拼写纠错实例.ts
  • 📁 15-15-垃圾邮件过滤实例.ts
08-数据科学你得知道的几种分布
  • 📁 01-1-正太分布.ts
  • 📁 02-2-二项式分布.ts
  • 📁 03-3-泊松分布.ts
  • 📁 04-4-均匀分布.ts
  • 📁 05-5-卡方分布.ts
  • 📁 06-6-beta分布.ts
09-核函数变换
  • 📁 01-1-核函数的目的.ts
  • 📁 02-2-线性核函数.ts
  • 📁 03-3-多项式核函数.ts
  • 📁 04-4-核函数实例.ts
  • 📁 05-5-高斯核函数.ts
  • 📁 06-6-参数的影响.ts
10-熵与激活函数
  • 📁 01-1-熵的概念.ts
  • 📁 02-2-熵的大小意味着什么.ts
  • 📁 03-3-激活函数.ts
  • 📁 04-4-激活函数的问题.ts
11-回归分析
  • 📁 01-1-回归分析概述.ts
  • 📁 02-2-回归方程定义.ts
  • 📁 03-3-误差项的定义.ts
  • 📁 04-4-最小二乘法推导与求解.ts
  • 📁 05-5-回归方程求解小例子.ts
  • 📁 06-6-回归直线拟合优度.ts
  • 📁 07-7-多元与曲线回归问题.ts
  • 📁 08-8-Python工具包介绍.ts
  • 📁 09-9-statsmodels回归分析.ts
  • 📁 10-10-高阶与分类变量实例.ts
  • 📁 11-11-案例:汽车价格预测任务概述.ts
  • 📁 12-12-案例:缺失值填充.ts
  • 📁 13-13-案例:特征相关性.ts
  • 📁 14-14-案例:预处理问题.ts
  • 📁 15-15-案例:回归求解.ts
12-假设检验
  • 📁 01-1-假设检验基本思想.ts
  • 📁 02-2-左右侧检验与双侧检验.ts
  • 📁 03-3-Z检验基本原理.ts
  • 📁 04-4-Z检验实例.ts
  • 📁 05-5-T检验基本原理.ts
  • 📁 06-6-T检验实例.ts
  • 📁 07-7-T检验应用条件.ts
  • 📁 08-8-卡方检验.ts
  • 📁 09-9-假设检验中的两类错误.ts
  • 📁 10-10-Python假设检验实例.ts
  • 📁 11-11-Python卡方检验实例.ts
13-相关分析
  • 📁 01-1-相关分析概述.ts
  • 📁 02-2-皮尔森相关系数.ts
  • 📁 03-3-计算与检验.ts
  • 📁 04-4-斯皮尔曼等级相关.ts
  • 📁 05-5-肯德尔系数.ts
  • 📁 06-6-质量相关分析.ts
  • 📁 07-7-偏相关与复相关.ts
14-方差分析
  • 📁 01-1-方差分析概述.ts
  • 📁 02-2-方差的比较.ts
  • 📁 03-3-方差分析计算方法.ts
  • 📁 04-4-方差分析中的多重比较.ts
  • 📁 05-5-多因素方差分析.ts
  • 📁 06-6-Python方差分析实例.ts
15-聚类分析
  • 📁 01-1-层次聚类概述.ts
  • 📁 02-2-层次聚类流程.ts
  • 📁 03-3-层次聚类实例.ts
  • 📁 04-4-1-KMEANS算法概述.ts
  • 📁 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
  • 📁 08-5-2-DBSCAN工作流程.ts
  • 📁 09-5-3-DBSCAN可视化展示.ts
  • 📁 10-6-1-多种聚类算法概述.ts
  • 📁 11-6-2-聚类案例实战.ts
16-贝叶斯分析
  • 📁 01-1-贝叶斯分析概述.ts
  • 📁 02-2-概率的解释.ts
  • 📁 03-3-贝叶斯学派与经典统计学派的争论.ts
  • 📁 04-4-贝叶斯算法概述.ts
  • 📁 05-5-贝叶斯推导实例.ts
  • 📁 06-6-贝叶斯拼写纠错实例.ts
  • 📁 07-7-垃圾邮件过滤实例.ts
  • 📁 08-8-贝叶斯解释.ts
  • 📁 09-9-经典求解思路.ts
  • 📁 10-10-MCMC概述.ts
  • 📁 11-11-PYMC3概述.ts
  • 📁 12-12-模型诊断.ts
  • 📁 13-13-模型决策.ts

04-第四模块:机器学习算法精讲及其案例应用

01-线性回归原理推导
  • 📁 01-0-课程简介1.ts
  • 📁 02-1-回归问题概述.ts
  • 📁 03-2-误差项定义.ts
  • 📁 04-3-独立同分布的意义.ts
  • 📁 05-4-似然函数的作用.ts
  • 📁 06-5-参数求解.ts
  • 📁 07-6-梯度下降通俗解释.ts
  • 📁 08-7参数更新方法.ts
  • 📁 09-8-优化参数设置.ts
02-线性回归代码实现
  • 📁 01-线性回归整体模块概述.ts
  • 📁 02-初始化步骤.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
  • 📁 06-训练线性回归模型.ts
  • 📁 07-得到线性回归方程.ts
  • 📁 08-整体流程debug解读.ts
  • 📁 09-多特征回归模型.ts
  • 📁 10-非线性回归.ts
03-模型评估方法
  • 📁 01-1-Sklearn工具包简介.ts
  • 📁 02-2-数据集切分.ts
  • 📁 03-3-交叉验证的作用.ts
  • 📁 04-4-交叉验证实验分析.ts
  • 📁 05-5-混淆矩阵.ts
  • 📁 06-6-评估指标对比分析.ts
  • 📁 07-7-阈值对结果的影响.ts
  • 📁 08-8-ROC曲线.ts
04-线性回归实验分析
  • 📁 01-1-实验目标分析.ts
  • 📁 02-2-参数直接求解方法.ts
  • 📁 03-3-预处理对结果的影响.ts
  • 📁 04-4-梯度下降模块.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
  • 📁 07-7-MiniBatch方法.ts
  • 📁 08-8-不同策略效果对比.ts
  • 📁 09-9-多项式回归.ts
  • 📁 10-10-模型复杂度.ts
  • 📁 11-11-样本数量对结果的影响.ts
  • 📁 12-12-正则化的作用.ts
  • 📁 14-14-实验总结.ts
05-逻辑回归实验分析
  • 📁 01-1-逻辑回归算法原理.ts
  • 📁 02-2-化简与求解.ts
06-逻辑回归代码实现
  • 📁 01-1-多分类逻辑回归整体思路.ts
  • 📁 02-2-训练模块功能.ts
  • 📁 03-3-完成预测模块.ts
  • 📁 04-4-优化目标定义.ts
  • 📁 05-5-迭代优化参数.ts
  • 📁 06-6-梯度计算.ts
  • 📁 07-7-得出最终结果.ts
  • 📁 08-8-鸢尾花数据集多分类任务.ts
  • 📁 09-9-训练多分类模型.ts
  • 📁 10-10-准备测试数据.ts
  • 📁 11-11-决策边界绘制.ts
  • 📁 12-12-非线性决策边界.ts
07-逻辑回归实验分析
  • 📁 01-1-逻辑回归实验概述.ts
  • 📁 02-2-概率结果随特征数值的变化.ts
  • 📁 03-3-可视化展示.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
08-聚类算法-Kmeans&Dbscan原理
  • 📁 01-1-KMEANS算法概述.ts
  • 📁 02-2-KMEANS工作流程.ts
  • 📁 03-3-KMEANS迭代可视化展示.ts
  • 📁 04-4-DBSCAN聚类算法.ts
  • 📁 05-5-DBSCAN工作流程.ts
  • 📁 06-6-DBSCAN可视化展示.ts
09-Kmeans代码实现
  • 📁 01-1-Kmeans算法模块概述.ts
  • 📁 02-2-计算得到簇中心点.ts
  • 📁 03-3-样本点归属划分.ts
  • 📁 04-4-算法迭代更新.ts
  • 📁 05-5-鸢尾花数据集聚类任务.ts
  • 📁 06-6-聚类效果展示.ts
10-聚类算法实验分析
  • 📁 01-1-Kmenas算法常用操作.ts
  • 📁 02-2-Kmenas算法常用操作_20190805_232034.ts
  • 📁 03-1-聚类结果展示.ts
  • 📁 04-2-聚类结果展示_20190805_232030.ts
  • 📁 05-1-建模流程解读.ts
  • 📁 06-2-建模流程解读_20190805_232032.ts
  • 📁 07-2-不稳定结果_20190805_232028.ts
  • 📁 08-1-不稳定结果.ts
  • 📁 09-1-评估指标-Inertia.ts
  • 📁 10-2-评估指标-Inertia_20190805_232027.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
  • 📁 14-1-轮廓系数的作用_20190805_232028.ts
  • 📁 15-1-Kmenas算法存在的问题_20190805_232023.ts
  • 📁 16-2-应用实例-图像分割.ts
  • 📁 17-1-应用实例-图像分割_20190805_232021.ts
  • 📁 18-2-半监督学习_20190805_232033.ts
  • 📁 19-1-半监督学习.ts
  • 📁 20-1-DBSCAN算法.ts
  • 📁 21-2-DBSCAN算法_20190805_232033.ts
11-决策树原理
  • 📁 01-1-决策树算法概述.ts
  • 📁 02-2-熵的作用.ts
  • 📁 03-3-信息增益原理.ts
  • 📁 04-4-决策树构造实例.ts
  • 📁 05-5-信息增益率与gini系数.ts
  • 📁 06-6-预剪枝方法.ts
  • 📁 07-7-后剪枝方法.ts
  • 📁 08-8-回归问题解决.ts
12-决策树代码实现
  • 📁 01-整体模块概述.ts
  • 📁 02-递归生成树节点.ts
  • 📁 03-整体框架逻辑.ts
  • 📁 04-熵值计算.ts
  • 📁 05-数据集切分.ts
  • 📁 06-完成树模型构建.ts
  • 📁 07-测试算法效果.ts
13-决策树实验分析
  • 📁 01-1-树模型可视化展示.ts
  • 📁 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
14-集成算法原理
  • 📁 01-1-随机森林算法原理.ts
  • 📁 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
15-集成算法实验分析
  • 📁 01-1-构建实验数据集.ts
  • 📁 02-2-硬投票与软投票效果对比.ts
  • 📁 03-3-Bagging策略效果.ts
  • 📁 04-4-集成效果展示分析.ts
  • 📁 05-5-OOB袋外数据的作用.ts
  • 📁 06-6-特征重要性热度图展示.ts
  • 📁 07-7-Adaboost算法概述.ts
  • 📁 08-8-Adaboost决策边界效果.ts
  • 📁 09-9-GBDT提升算法流程.ts
  • 📁 10-10-集成参数对比分析.ts
  • 📁 11-11-模型提前停止策略.ts
  • 📁 12-12-停止方案实施.ts
  • 📁 13-13-堆叠模型.ts
16-支持向量机原理推导
  • 📁 01-1-支持向量机要解决的问题.ts
  • 📁 02-2-距离与数据定义.ts
  • 📁 03-3-目标函数推导.ts
  • 📁 04-4-拉格朗日乘子法求解.ts
  • 📁 05-5-化简最终目标函数.ts
  • 📁 06-6-求解决策方程.ts
  • 📁 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
17-支持向量机实验分析
  • 📁 01-1-支持向量机所能带来的效果.ts
  • 📁 02-2-决策边界可视化展示.ts
  • 📁 03-3-软间隔的作用.ts
  • 📁 04-4-非线性SVM.ts
  • 📁 05-5-核函数的作用与效果.ts
18-神经网络算法原理
  • 📁 01-1-深度学习要解决的问题.ts
  • 📁 02-2-深度学习应用领域.ts
  • 📁 03-3-计算机视觉任务.ts
  • 📁 04-4-视觉任务中遇到的问题.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
  • 📁 08-8-返向传播计算方法.ts
  • 📁 09-9-神经网络整体架构.ts
  • 📁 10-10-神经网络架构细节.ts
  • 📁 11-11-神经元个数对结果的影响.ts
  • 📁 12-12-正则化与激活函数.ts
  • 📁 13-13-神经网络过拟合解决方法.ts
19-神经网络代码实现
  • 📁 01-1-神经网络整体框架概述.ts
  • 📁 02-2-参数初始化操作.ts
  • 📁 03-3-矩阵向量转换.ts
  • 📁 04-4-向量反变换.ts
  • 📁 05-5-完成前向传播模块.ts
  • 📁 06-6-损失函数定义.ts
  • 📁 07-7-准备反向传播迭代.ts
  • 📁 08-8-差异项计算.ts
  • 📁 09-9-逐层计算.ts
  • 📁 10-10-完成全部迭代更新模块.ts
  • 📁 11-11-手写字体识别数据集.ts
  • 📁 12-12-算法代码错误修正.ts
  • 📁 13-13-模型优化结果展示.ts
  • 📁 14-14-测试效果可视化展示.ts
20-贝叶斯算法原理
  • 📁 01-1-贝叶斯要解决的问题.ts
  • 📁 02-2-贝叶斯公式推导.ts
  • 📁 03-3-垃圾邮件过滤实例.ts
  • 📁 04-4-拼写纠错实例.ts
21-贝叶斯代码实现
  • 📁 01-1-朴素贝叶斯算法整体框架.ts
  • 📁 02-2-邮件数据读取.ts
  • 📁 03-3-预料表与特征向量构建.ts
  • 📁 04-4-分类别统计词频.ts
  • 📁 05-5-贝叶斯公式对数变换.ts
  • 📁 06-6-完成预测模块.ts
22-关联规则实战分析
  • 📁 01-1-关联规则概述.ts
  • 📁 02-2-支持度与置信度.ts
  • 📁 03-3-提升度的作用.ts
  • 📁 04-4-Python实战关联规则.ts
  • 📁 05-5-数据集制作.ts
  • 📁 06-6-电影数据集题材关联分析.ts
23-关联规则代码实现
  • 📁 01-1-Apripri算法整体流程.ts
  • 📁 02-2-数据集demo.ts
  • 📁 03-3-扫描模块.ts
  • 📁 04-4-拼接模块.ts
  • 📁 05-5-挖掘频繁项集.ts
  • 📁 06-6-规则生成模块.ts
  • 📁 07-7-完成全部算法流程.ts
  • 📁 08-8-规则结果展示.ts
24-词向量word2vec通俗解读
  • 📁 01-1-词向量模型通俗解释.ts
  • 📁 02-2-模型整体框架.ts
  • 📁 03-3-训练数据构建.ts
  • 📁 04-4-CBOW与Skip-gram模型.ts
  • 📁 05-5-负采样方案.ts
25-代码实现word2vec词向量模型
  • 📁 01-1-数据与任务流程.ts
  • 📁 02-2-数据清洗.ts
  • 📁 03-3-batch数据制作.ts
  • 📁 04-4-网络训练.ts
  • 📁 05-5-可视化展示.ts
26-线性判别分析降维算法原理解读
  • 📁 01-1-线性判别分析要解决的问题.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-实现线性判别分析进行降维任务.ts
  • 📁 05-5-求解得出降维结果.ts
27-主成分分析降维算法原理解读
  • 📁 01-1-PCA基本概念.ts
  • 📁 02-2-方差与协方差.ts
  • 📁 03-3-PCA结果推导.ts
  • 📁 04-4-PCA降维实例.ts
28-隐马尔科夫模型
  • 📁 01-1-马尔科夫模型.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
  • 📁 04-4-暴力求解方法.ts
  • 📁 05-5-复杂度计算.ts
  • 📁 06-6-前向算法.ts
  • 📁 07-7-前向算法求解实例.ts
  • 📁 08-8-Baum-Welch算法.ts
  • 📁 09-9-参数求解.ts
  • 📁 10-10-维特比算法.ts
29-HMM应用实例
  • 📁 01-1-hmmlearn工具包.ts
  • 📁 02-2-工具包使用方法.ts
  • 📁 03-3-中文分词任务.ts
  • 📁 04-4-实现中文分词.ts

05-第五模块:机器学习算法建模实战项目

01-项目实战-交易数据异常检测
  • 📁 01-1-任务目标解读.ts
  • 📁 02-2-项目挑战与解决方案制定.ts
  • 📁 03-3-数据标准化处理.ts
  • 📁 04-4-下采样数据集制作.ts
  • 📁 05-5-交叉验证.ts
  • 📁 06-6-数据集切分.ts
  • 📁 07-7-模型评估方法与召回率.ts
  • 📁 08-8-正则化惩罚项.ts
  • 📁 09-9-训练逻辑回归模型.ts
  • 📁 10-10-混淆矩阵评估分析.ts
  • 📁 11-11-测试集遇到的问题.ts
  • 📁 12-12-阈值对结果的影响.ts
  • 📁 13-13-SMOTE样本生成策略.ts
  • 📁 14-14-过采样效果与项目总结.ts
02-基于随机森林的气温预测实战
  • 📁 01-1-基于随机森林的气温预测任务概述.ts
  • 📁 02-2-基本随机森林模型建立.ts
  • 📁 03-3-可视化展示与特征重要性.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
  • 📁 06-6-效率对比分析.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
  • 📁 09-9-调参优化细节.ts
03-贝叶斯新闻分类实战
  • 📁 01-1-新闻数据与任务概述.ts
  • 📁 02-2-中文分词与停用词过滤.ts
  • 📁 03-3-文本关键词提取.ts
  • 📁 04-4-词袋模型.ts
  • 📁 05-5-贝叶斯建模结果.ts
  • 📁 06-6-TF-IDF特征分析对比.ts
04-推荐系统实战
  • 📁 01-1-音乐推荐任务概述.ts
  • 📁 02-2-数据集整合.ts
  • 📁 03-3-基于物品的协同过滤.ts
  • 📁 04-4-物品相似度计算与推荐.ts
  • 📁 05-5-SVD矩阵分解.ts
  • 📁 06-6-基于矩阵分解的音乐推荐.ts
05-fbprophe时间序列预测
  • 📁 01-1-fbprophet股价预测任务概述.ts
  • 📁 02-2-时间序列分析.ts
  • 📁 05-5-突变点调参.ts
06-京东用户购买意向预测
  • 📁 01-1-项目与数据介绍.ts
  • 📁 02-2-数据挖掘流程.ts
  • 📁 03-3-数据检查.ts
  • 📁 04-4-构建用户特征表单.ts
  • 📁 05-5-构建商品特征表单.ts
  • 📁 06-6-数据探索概述.ts
  • 📁 07-7-购买因素分析.ts
  • 📁 08-8-特征工程.ts
  • 📁 09-9-基本特征构造.ts
  • 📁 10-10-行为特征.ts
  • 📁 11-11-累积行为特征.ts
  • 📁 12-12-Xgboost模型.ts

06-第六模块:机器学习案例实战应用集锦

01-Python实战关联规则
  • 📁 01-1-关联规则概述.ts
  • 📁 02-2-支持度与置信度.ts
  • 📁 03-3-提升度的作用.ts
  • 📁 04-4-Python实战关联规则.ts
  • 📁 05-5-数据集制作.ts
  • 📁 06-6-电影数据集题材关联分析.ts
02-爱彼迎数据集分析与建模
  • 📁 01-1-数据与任务分析.ts
  • 📁 02-2-提取月份信息进行统计分析.ts
  • 📁 03-3-房价随星期变化的可视化展示.ts
  • 📁 04-4-房屋信息指标分析.ts
  • 📁 05-5-提取房屋常见设施.ts
  • 📁 06-6-房屋规格热度图分析.ts
  • 📁 07-7-预处理与建模准备.ts
  • 📁 08-8-随机森林与LightGBM.ts
  • 📁 09-9-训练与评估.ts
03-基于相似度的酒店推荐系统
  • 📁 01-1-数据与任务介绍.ts
  • 📁 02-2-文本词频统计.ts
  • 📁 03-3-ngram结果可视化展示.ts
  • 📁 04-4-文本清洗.ts
  • 📁 05-5-相似度计算.ts
  • 📁 06-6-得出推荐结果.ts
04-商品销售额回归分析
  • 📁 01-1-数据任务分析.ts
  • 📁 02-2-特征工程制作.ts
  • 📁 03-3-统计指标生成.ts
  • 📁 04-4-特征信息提取.ts
  • 📁 05-5-标签变换.ts
  • 📁 06-6-输入数据制作.ts
  • 📁 07-7-Xgboost训练模型.ts
  • 📁 08-8-生成输出结果.ts
05-绝地求生数据集探索分析与建模
  • 📁 01-1-数据与任务简介.ts
  • 📁 02-2-数据问题探索与解决方案.ts
  • 📁 03-3-剔除开挂数据.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
  • 📁 07-8-特征重要性.ts
06-机器学习-模型解释方法实战
  • 📁 01-1-模型解释方法与实践.ts
  • 📁 02-2-部分依赖图解释.ts
  • 📁 03-3-双变量分析.ts
  • 📁 04-4-ShapValues指标分析.ts
  • 📁 05-5-疾病引起原因分析实战.ts
07-自然语言处理必备工具包实战
  • 📁 01-1-Python字符串处理.ts
  • 📁 02-2-正则表达式基本语法.ts
  • 📁 03-3-正则常用符号.ts
  • 📁 04-4-常用函数介绍.ts
  • 📁 05-5-NLTK工具包简介.ts
  • 📁 06-6-停用词过滤.ts
  • 📁 07-7-词性标注.ts
  • 📁 08-8-数据清洗实例.ts
  • 📁 09-9-Spacy工具包.ts
  • 📁 10-10-名字实体匹配.ts
  • 📁 11-11-恐怖袭击分析.ts
  • 📁 12-12-统计分析结果.ts
  • 📁 13-13-结巴分词器.ts
  • 📁 14-14-词云展示.ts
08-NLP核心模型-Word2vec
  • 📁 01-1-词向量模型通俗解释.ts
  • 📁 02-2-模型整体框架.ts
  • 📁 03-3-训练数据构建.ts
  • 📁 04-4-CBOW与Skip-gram模型.ts
  • 📁 05-5-负采样方案.ts
09-数据特征预处理
  • 📁 01-1-任务概述.ts
  • 📁 02-2-词袋模型.ts
  • 📁 03-3-词袋模型分析.ts
  • 📁 04-4-TFIDF模型.ts
  • 📁 05-5-word2vec词向量模型.ts
  • 📁 06-6-深度学习模型.ts
10-10文本特征处理方法对比
  • 📁 01-1-数据与任务介绍.ts
  • 📁 02-2-数据分析与可视化展示.ts
  • 📁 03-3-连续值离散化与可视化细节.ts
  • 📁 04-4-加载数据坐标到实际地图中进行分析.ts
  • 📁 05-5-特征相关性分析.ts
  • 📁 06-6-缺失值填充.ts
  • 📁 07-7-sklearn工具包预处理模块.ts
  • 📁 08-8-离散属性特征处理.ts
  • 📁 09-9-构建合适的特征.ts
  • 📁 10-10-序列化执行预处理操作.ts
  • 📁 11-11-完成所有预处理操作.ts
  • 📁 12-12-构建回归模型.ts
11-银行客户还款可能性预测
  • 📁 01-1-数据任务介绍及缺失值处理.ts
  • 📁 02-2-EDA数据探索分析.ts
  • 📁 03-3-特征展示分析.ts
  • 📁 04-4-KDEPLOT展示.ts
  • 📁 05-5-部分特征分析与可视化.ts
  • 📁 06-6-数据检查与特征工程.ts
  • 📁 07-7-多项式特征.ts
  • 📁 08-8-自定义特征.ts
  • 📁 09-9-逻辑回归模型.ts
  • 📁 10-10-结果评估.ts
  • 📁 11-11-必杀神奇:lightgbm.ts
12-图像特征聚类分析实践
  • 📁 01-1-数据与任务流程分析.ts
  • 📁 02-2-图片数据导入.ts
  • 📁 03-3-图像特征编码.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

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
  • 📁 01-1-任务目标与数据分析..ts
  • 📁 02-2-整体模型架构.ts
  • 📁 03-3-构建用户特征序列.ts
  • 📁 04-4-序列特征提取方法.ts
  • 📁 05-5-生成特征汇总表.ts
  • 📁 06-6-标签制作.ts
  • 📁 07-7-网络训练模块.ts
  • 📁 08-8-得出最终模型结果.ts
  • 📁 09-0-课程简介.ts
02-工业化生产预测
  • 📁 01-1-数据任务概述.ts
  • 📁 02-2-数据异常检查.ts
  • 📁 03-3-时间特征提取.ts
  • 📁 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
03-智慧城市-道路通行时间预测
  • 📁 01-1-数据与任务目标分析.ts
  • 📁 02-2-数据清洗与标签转换.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
  • 📁 05-5-基于回归与插值完成序列特征.ts
  • 📁 06-6-基于回归与插值进行序列补全.ts
  • 📁 07-7-特征汇总.ts
  • 📁 08-8-建立回归模型进行预测.ts
04-特征工程建模可解释包
  • 📁 01-1-模型解释方法与实践.ts
  • 📁 02-2-部分依赖图解释.ts
  • 📁 03-3-双变量分析.ts
  • 📁 04-4-ShapValues指标分析.ts
  • 📁 05-5-疾病引起原因分析实战.ts
  • 📁 06-1-竞赛与目标分析.ts
  • 📁 07-1-特征对比分析方法.ts
  • 📁 08-1-结果对比分析.ts
05-医学糖尿病数据命名实体识别
  • 📁 01-1-数据与任务介绍.ts
  • 📁 02-2-整体模型架构.ts
  • 📁 03-3-数据-标签-语料库处理.ts
  • 📁 04-4-输入样本填充补齐.ts
  • 📁 05-5-训练网络模型.ts
  • 📁 06-6-医疗数据集(糖尿病)实体识别.ts
06-贷款平台风控模型+特征工程
  • 📁 01-1-竞赛任务目标.ts
  • 📁 02-2-图模型信息提取.ts
  • 📁 03-3-节点权重特征提取(PageRank).ts
  • 📁 04-4-deepwalk构建图顶点特征.ts
  • 📁 05-5-各项统计特征.ts
  • 📁 06-6-app安装特征.ts
  • 📁 07-7-图中联系人特征.ts
07-新闻关键词抽取模型
  • 📁 01-1-任务目标与数据集介绍.ts
  • 📁 02-2-数据清洗与预处理.ts
  • 📁 03-3-基本特征抽取.ts
  • 📁 04-4-文章与词向量分析.ts
  • 📁 05-5-权重划分.ts
  • 📁 06-6-候选词统计特征.ts
  • 📁 07-7-textrank特征提取.ts
  • 📁 08-8-候选词相似度特征.ts
  • 📁 09-9-特征工程汇总.ts
08-数据特征常用构建方法
  • 📁 01-1-基本数值特征.ts
  • 📁 02-2-常用特征构造手段.ts
  • 📁 03-3-时间特征处理.ts
  • 📁 04-4-文本特征处理.ts
  • 📁 05-5-构造文本向量.ts
  • 📁 06-6-词向量特征.ts
  • 📁 07-7-计算机眼中的图像.ts
09-用电敏感客户分类
  • 📁 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
  • 📁 03-3-离散数据处理.ts
  • 📁 04-4-统计与文本特征.ts
  • 📁 05-5-文本特征构建.ts
  • 📁 06-6-构建低敏用户模型.ts
  • 📁 07-7-高敏模型概述.ts
10-机器学习项目实战模板
  • 📁 01-1-建筑能源利用效率任务概述.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
  • 📁 04-4-单变量绘图分析.ts
  • 📁 05-5-离群点剔除.ts
  • 📁 06-6-变量与结果的关系.ts
  • 📁 07-7-多变量展示.ts
  • 📁 08-8-特征工程的价值和方法.ts
  • 📁 09-1-dataleakage问题.ts
  • 📁 10-2-基础模型对比.ts
  • 📁 11-3-选择参数.ts
  • 📁 12-4-测试模型.ts
  • 📁 13-5-模型解释.ts
  • 📁 14-6-模型分析.ts

08-第八模块:Python金融分析与量化交易实战

01-课程内容与大纲介绍
  • 📁 01-课程内容与大纲介绍.ts
02-金融数据时间序列分析
  • 📁 01-1-金融时间序列数据统计分析.ts
  • 📁 02-2-序列变化情况分析计算.ts
  • 📁 03-3-连续指标变化情况分析.ts
  • 📁 04-4-时间序列重采样操作.ts
  • 📁 05-5-短均与长均计算实例.ts
  • 📁 06-6-指标相关情况分析.ts
  • 📁 07-7-回归方程与相关系数实例.ts
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
04-策略收益与风险评估指标解析
  • 📁 01-1-回测收益率指标解读.ts
  • 📁 02-1-回测收益率指标解读.ts
  • 📁 03-3-最大回撤区间.ts
  • 📁 04-4-夏普比率的作用.ts
  • 📁 05-5-阿尔法与贝塔概述.ts
05-量化交易与回测平台解读
  • 📁 01-1-量化交易概述.ts
  • 📁 02-2-量化交易所需技能分析.ts
  • 📁 03-3-Ricequant交易平台简介.ts
06-Ricequant回测选股分析实战
  • 📁 01-1-策略任务分析.ts
  • 📁 02-2-股票池筛选.ts
  • 📁 03-2-股票池筛选.ts
  • 📁 04-4-定时器功能与作用.ts
07-因子数据预处理实战
  • 📁 01-1-百分位去极值方法.ts
  • 📁 02-2-基于百分位去极值实例.ts
  • 📁 03-3-Mad法去极值演示.ts
  • 📁 04-4-3Sigma方法实例.ts
  • 📁 05-5-标准化处理方法.ts
  • 📁 06-6-中性化处理方法通俗解释.ts
  • 📁 07-7-策略任务概述.ts
08-因子选股策略实战
  • 📁 01-1-股票数据获取.ts
  • 📁 02-2-过滤筛选因子指标数据.ts
  • 📁 03-3-因子数据预处理.ts
  • 📁 04-4-股票池筛选.ts
  • 📁 05-5-策略效果评估分析.ts
09-因子分析实战
  • 📁 01-5-策略效果评估分析.ts
  • 📁 02-2-Alphalens工具包介绍.ts
  • 📁 03-3-获取因子指标数据.ts
  • 📁 04-4-获取给定区间全部数据.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
  • 📁 08-8-因子收益率简介.ts
10-因子打分选股实战
  • 📁 01-1-打分法选股策略概述.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
  • 📁 04-4-因子打分与排序.ts
  • 📁 05-5-完成选股方法.ts
  • 📁 06-6-完成策略交易展示结果.ts
  • 📁 07-7-策略总结与分析.ts
11-回归分析策略
  • 📁 01-1-回归问题概述.ts
  • 📁 02-2-误差项定义.ts
  • 📁 03-3-独立同分布的意义.ts
  • 📁 04-4-似然函数的作用.ts
  • 📁 05-5-参数求解.ts
  • 📁 06-6-梯度下降通俗解释.ts
  • 📁 07-7参数更新方法.ts
  • 📁 08-8-优化参数设置.ts
  • 📁 09-9-回归任务概述.ts
  • 📁 10-10-特征可视化展示.ts
  • 📁 11-11-构建回归方程.ts
  • 📁 12-12-回归分析结果.ts
11-聚类分析策略
  • 📁 01-1-KMEANS算法概述.ts
  • 📁 02-2-KMEANS工作流程.ts
  • 📁 03-3-KMEANS迭代可视化展示.ts
  • 📁 04-4-DBSCAN聚类算法.ts
  • 📁 05-5-DBSCAN工作流程.ts
  • 📁 06-6-DBSCAN可视化展示.ts
  • 📁 07-6-DBSCAN可视化展示.ts
  • 📁 08-8-统计分析所需数据准备.ts
  • 📁 09-9-统计效果展示.ts
12-拓展:fbprophet时间序列预测神器
  • 📁 01-1-fbprophet股价预测任务概述.ts
  • 📁 02-2-时间序列分析.ts
  • 📁 04-4-亚马逊股价趋势.ts
  • 📁 05-5-突变点调参.ts
13-基于深度学习的时间序列预测
  • 📁 01-1-任务目标与数据源.ts
  • 📁 02-2-构建时间序列数据.ts
  • 📁 03-3-训练时间序列数据预测结果.ts
  • 📁 04-4-多特征预测结果.ts
  • 📁 05-5-序列结果预测.ts

09-第九模块:深度学习经典算法解析

01-深度学习必备基础知识点础
  • 📁 01-1-深度学习要解决的问题.ts
  • 📁 02-2-深度学习应用领域.ts
  • 📁 03-3-计算机视觉任务.ts
  • 📁 04-4-视觉任务中遇到的问题.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
02-神经网络整体架构
  • 📁 01-1-返向传播计算方法.ts
  • 📁 02-2-神经网络整体架构.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
  • 📁 06-6-神经网络过拟合解决方法.ts
03-卷积神经网络原理与参数解读
  • 📁 01-1-卷积神经网络应用领域.ts
  • 📁 02-2-卷积的作用.ts
  • 📁 03-3-卷积特征值计算方法.ts
  • 📁 04-4-得到特征图表示.ts
  • 📁 05-5-步长与卷积核大小对结果的影响.ts
  • 📁 06-6-边缘填充方法.ts
  • 📁 07-7-特征图尺寸计算与参数共享.ts
  • 📁 08-8-池化层的作用.ts
  • 📁 09-9-整体网络架构.ts
  • 📁 10-10-VGG网络架构.ts
  • 📁 11-11-残差网络Resnet.ts
  • 📁 12-12-感受野的作用.ts
04-递归神经网络与词向量原理解读
  • 📁 01-12-感受野的作用.ts
  • 📁 02-2-词向量模型通俗解释.ts
  • 📁 03-3-模型整体框架.ts
  • 📁 04-4-训练数据构建.ts
  • 📁 05-5-CBOW与Skip-gram模型.ts
  • 📁 06-6-负采样方案.ts
05-案例实战搭建神经网络
  • 📁 01-0-keras框架简介与安装.ts
  • 📁 02-1-训练自己的数据集整体流程.ts
  • 📁 03-2-数据加载与预处理.ts
  • 📁 04-3-搭建网络模型.ts
  • 📁 05-4-学习率对结果的影响.ts
  • 📁 06-5-Drop-out操作.ts
  • 📁 07-6-权重初始化方法对比.ts
  • 📁 08-7-初始化标准差对结果的影响.ts
  • 📁 09-8-正则化对结果的影响.ts
  • 📁 10-9-加载模型进行测试.ts
06-案例实战卷积神经网络
  • 📁 01-1-卷积层构造.ts
  • 📁 02-1-卷积层构造.ts
  • 📁 03-3-BatchNormalization效果.ts
  • 📁 04-4-参数对比.ts
  • 📁 05-5-网络测试效果.ts
07-案例实战LSTM时间序列预测任务
  • 📁 01-1-时间序列模型.ts
  • 📁 02-2-网络结构与参数定义.ts
  • 📁 03-3-构建LSTM模型.ts
  • 📁 04-4-训练模型与效果展示.ts
  • 📁 05-5-多序列预测结果.ts
  • 📁 06-6-股票数据预测.ts
  • 📁 07-7-数据预处理.ts
  • 📁 08-8-预测结果展示.ts

10-选修:Python数据分析案例实战

01-KIVA贷款数据
  • 📁 01-kiva贷款数据集介绍.ts
  • 📁 02-2-各个国家贷款需求.ts
  • 📁 03-3-贷款金额与还款间隔分析.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
02-订单数据集分析
  • 📁 01-8-预测结果展示.ts
  • 📁 02-2-双变量热度图绘制方法.ts
  • 📁 03-3-复购情况对比分析.ts
  • 📁 04-4-购物车情况与复购.ts
  • 📁 05-5-聚类划分商品.ts
03-基于统计分析的电影推荐
  • 📁 01-1-电影数据与环境配置.ts
  • 📁 02-2-数据与关键词信息展示.ts
  • 📁 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
  • 📁 05-5数据清洗方法分析.ts
  • 📁 06-6-缺失值填充方法.ts
  • 📁 07-7-推荐引擎构造.ts
  • 📁 08-8-数据特征构造.ts
  • 📁 09-9-得出推荐结果.ts
04-纽约出租车建模
  • 📁 01-1-纽约出租车运行情况数据概述.ts
  • 📁 02-2-聚类区域划分.ts
  • 📁 03-3-客流趋势动态展示.ts
  • 📁 04-4-区域邻居情况分析.ts
  • 📁 05-5-用户数据特征分析.ts
  • 📁 06-6-不同类别的出租车运行情况对比.ts
  • 📁 07-7-客户数据特征可视化分析.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
  • 📁 10-10-加入天气特征对结果的影响分析.ts
05-商品信息可视化与文本分析
  • 📁 01-1-在线商城商品数据信息概述.ts
  • 📁 02-2-商品类别划分方式.ts
  • 📁 03-3-商品类别可视化展示.ts
  • 📁 04-4-商品描述长度对价格的影响分析.ts
  • 📁 05-5-关键词的词云可视化展示.ts
  • 📁 06-6-基于tf-idf提取关键词信息.ts
  • 📁 07-7-通过降维进行可视化展示.ts
  • 📁 08-8-聚类分析与主题模型展示.ts
06-数据分析-机器学习模板
  • 📁 01-1-人口普查预测任务概述.ts
  • 📁 02-2-单特征与缺失值展示.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
  • 📁 05-5-单变量展示.ts
  • 📁 06-6-双变量分析.ts
  • 📁 07-7-开发新变量.ts
  • 📁 08-8-ROC与AUC模型评估标准.ts
  • 📁 09-9-机器学习算法模型效果对比.ts

11-选修:机器学习进阶实战

01-GBDT提升算法
  • 📁 01-1-回归树模型.ts
  • 📁 02-2-Adaboost算法.ts
  • 📁 03-3-GBDT工作流程.ts
  • 📁 04-4-回归任务.ts
  • 📁 05-5-分类任务.ts
  • 📁 06-6-可视化.ts
01-数据特征
  • 📁 01-1-基本数值特征.ts
  • 📁 02-2-常用特征构造手段.ts
  • 📁 03-3-时间特征处理.ts
  • 📁 04-4-文本特征处理.ts
  • 📁 05-5-构造文本向量.ts
  • 📁 06-6-词向量特征.ts
  • 📁 07-7-计算机眼中的图像.ts
02-xgboost-gbdt-lightgbm提升算法框架对比
  • 📁 01-1-GBDT效果.ts
  • 📁 02-2-Xgboost效果.ts
  • 📁 03-3-lightGBM效果.ts
04-4.使用lightgbm进行饭店流量预测
  • 📁 01-1-饭店流量数据介绍.ts
  • 📁 02-2-数据汇总.ts
  • 📁 03-3-离群点筛选.ts
  • 📁 04-4-特征提取.ts
  • 📁 05-5-lightgbm建模.ts
05-人口普查数据集项目实战-收入预测
  • 📁 01-1-人口普查预测任务概述.ts
  • 📁 02-2-单特征与缺失值展示.ts
  • 📁 03-3-第一步:数据清洗.ts
  • 📁 04-4-特征工程.ts
  • 📁 05-5-单变量展示.ts
  • 📁 06-6-双变量分析.ts
  • 📁 07-7-开发新变量.ts
  • 📁 08-8-ROC与AUC模型评估标准.ts
  • 📁 09-9-机器学习模型.ts
05-降维算法-线性判别分析
  • 📁 01-1-线性判别分析要解决的问题.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-实现线性判别分析进行降维任务.ts
  • 📁 05-5-求解得出降维结果.ts
07-贝叶斯优化及其工具包使用
  • 📁 01-1-贝叶斯优化概述.ts
  • 📁 02-2-工具包使用方法.ts
  • 📁 03-3-贝叶斯优化效果.ts
  • 📁 04-4-调整参数空间.ts
08-贝叶斯优化实战
  • 📁 01-1-基础模型建立.ts
  • 📁 02-2-设置参数空间.ts
  • 📁 03-3-随机优化结果.ts
  • 📁 04-4-贝叶斯优化效果.ts
  • 📁 05-5-方法对比.ts
  • 📁 06-6-参数变化情况.ts
09-EM算法
  • 📁 01-1-EM算法要解决的问题.ts
  • 📁 02-2-隐变量问题.ts
  • 📁 03-3-EM算法求解实例.ts
  • 📁 04-4-Jensen不等式.ts
  • 📁 05-5-GMM模型.ts
  • 📁 06-6-GMM实例.ts
  • 📁 07-7-GMM聚类.ts
10-HMM隐马尔科夫模型
  • 📁 01-1-马尔科夫模型.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
  • 📁 04-4-暴力求解方法.ts
  • 📁 05-5-复杂度计算.ts
  • 📁 06-6-前向算法.ts
  • 📁 07-7-前向算法求解实例.ts
  • 📁 08-8-Baum-Welch算法.ts
  • 📁 09-9-参数求解.ts
  • 📁 10-10-维特比算法.ts
11-HMM案例实战
  • 📁 01-1-hmmlearn工具包.ts
  • 📁 02-2-工具包使用方法.ts
  • 📁 03-3-中文分词任务.ts
  • 📁 04-4-实现中文分词.ts
12-推荐系统
  • 📁 01-0-开场.ts
  • 📁 02-1-推荐系统应用.ts
  • 📁 03-2-推荐系统要完成的任务.ts
  • 📁 04-3-相似度计算.ts
  • 📁 05-4-基于用户的协同过滤.ts
  • 📁 06-5-基于物品的协同过滤.ts
  • 📁 07-6-隐语义模型.ts
  • 📁 08-7-隐语义模型求解.ts
  • 📁 09-8-模型评估标准.ts
13-基于统计分析的电影推荐
  • 📁 01-1-数据与环境配置.ts
  • 📁 02-2-数据与关键词信息展示.ts
  • 📁 03-3-关键词云与直方图展示.ts
  • 📁 04-4-特征可视化.ts
  • 📁 05-5-数据清洗概述.ts
  • 📁 06-6-缺失值填充方法.ts
  • 📁 07-7-推荐引擎构造.ts
  • 📁 08-8-数据特征构造.ts
  • 📁 09-9-得出推荐结果.ts
13-音乐推荐系统实战
  • 📁 01-1-音乐推荐任务概述.ts
  • 📁 02-2-数据集整合.ts
  • 📁 03-3-基于物品的协同过滤.ts
  • 📁 04-4-物品相似度计算与推荐.ts
  • 📁 05-5-SVD矩阵分解.ts
  • 📁 06-6-基于矩阵分解的音乐推荐.ts
15-NLP-文本特征方法对比
  • 📁 01-1.1-任务概述.ts
  • 📁 02-2-词袋模型.ts
  • 📁 04-4-TFIDF模型.ts
  • 📁 05-5-word2vec词向量模型.ts
  • 📁 06-6-深度学习模型.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
17-使用word2vec分类任务
  • 📁 01-1-影评情感分类.ts
  • 📁 02-2-基于词袋模型训练分类器.ts
  • 📁 03-3-准备word2vec输入数据.ts
  • 📁 04-4-使用gensim构建word2vec词向量(新).ts
18-Tensorflow自己打造word2vec
  • 📁 01-1-数据与任务流程.ts
  • 📁 02-2-数据清洗.ts
  • 📁 04-4-网络训练.ts
  • 📁 05-5-可视化展示.ts
19-制作自己常用工具包
  • 📁 01-1-为什么要做自己的数据工具包.ts
  • 📁 02-2-工具包注释.ts
  • 📁 03-3-缺失值处理.ts
  • 📁 04-4-其他处理方式概述.ts
  • 📁 05-5-工具包调用.ts
20-机器学习项目实战-数据处理与特征提取
  • 📁 01-1-建筑能源利用效率任务概述.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
  • 📁 04-4-单变量绘图分析.ts
  • 📁 05-5-离群点剔除.ts
  • 📁 06-6-变量与结果的关系对比分析.ts
  • 📁 07-7-多变量展示.ts
  • 📁 08-8-特征工程的价值与方法.ts
21-机器学习项目实战-建模与分析
  • 📁 01-1-dataleakage问题解决方案.ts
  • 📁 02-2-机器学习基础模型对比.ts
  • 📁 03-3-参数对结果的影响分析.ts
  • 📁 04-4-测试模型效果.ts
  • 📁 05-5-模型的结果解释与参数分析.ts
  • 📁 06-6-机器学习常用模型分析方法介绍.ts

数学基础课件

  • 📦 统计分析-数据代码.zip

资料

第一二模块:Python数据科学必备库(4个)
Matplotlib
  • 📦 Matplotlib绘图.zip
Numpy
  • 📦 numpy代码.zip
Pandas
Python基础
  • 📦 Python基础代码.zip
Seaborn
第七模块:数据挖掘竞赛-优胜解决方案
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
第三章:智慧城市道路通行时间预测
  • 📦 智慧交通.zip
第四章:特征工程建模可解释工具包
  • 📦 1-机器学习-模型解释方法实战.zip
  • 📦 2-特征分析.zip
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
第六章:贷款平台风控模型-特征工程
  • 📦 贷款风控特征工程.zip
第七章:新闻关键词抽取模型
  • 📦 文本关键词抽取.zip
第八章:数据特征常用构建方法
数值特征
.ipynb_checkpoints
datasets
第九章:用电敏感客户分类
电费敏感预测
code
.ipynb_checkpoints
img
myfeatures
rawdata
result
第十章:机器学习项目实战模板
机器学习项目实战流程
.ipynb_checkpoints
auto_ml
data
images
第三模块:数学基础
统计分析
  • 📦 统计分析-数据代码.zip
第九模块:深度学习入门
第五模块:机器学习算法建模实战
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
第十六章:基于随机森林的气温预测
  • 📦 随机森林.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
pycache
股票
.ipynb_checkpoints
pycache
data
images
  • 📦 京东购买意向预测.zip
第八模块:Python金融分析与量化交易实战
第1-3章:Python基础
  • 📦 Python基础代码.zip
第10章:Ricequant回测选股分析实战
第12章:因子策略选股实例
第14章:因子打分选股实战
第17章:fbprophet时间序列预测神器
.ipynb_checkpoints
pycache
data
images
第19章:Matplotlib工具包实战
  • 📦 Matplotlib绘图.zip
第20章:Seaborn
第4章:Numpy
  • 📦 numpy代码.zip
第5章:Pandas
  • 📦 tushare工具包.zip

  • 📦 第11章:因子数据预处理.zip

  • 📦 第13章:因子分析实战.zip

  • 📦 第15章:基于回归的策略分析.zip

  • 📦 第16章:聚类与统计策略分析.zip

  • 📦 第18章:深度学习时间序列预测.zip

  • 📦 第6章:金融时间序列分析.zip

  • 📦 第7章:双均线交易策略实例.zip

  • 📦 第8章:策略评估指标.zip

  • 📦 第9章:量化交易解读.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

  • 📦 第一章:Python实战关联规则.zip

  • 📦 第二章:爱彼迎数据集分析与建模.zip

  • 📦 第三章:基于相似度的酒店推荐系统.zip

  • 📦 第四章:商品销售额回归分析.zip

  • 📦 第五章:绝地求生数据集探索分析与建模.zip

  • 📦 第六章:机器学习-模型解释方法实战.zip

  • 📦 第八章:NLP核心模型-word2vec.zip

  • 📦 第九章:自然语言处理特征提取方法对比.zip

  • 📦 第十章:数据特征预处理.zip

  • 📦 第十一章:银行客户还款可能性预测.zip

  • 📦 第十二章:图像特征聚类分析实践.zip

第四模块:机器学习实训营(原理+复现+实验)
1-线性回归原理推导
2-线性回归代码实现
线性回归-代码实现
data
LinearRegression
pycache
utils
pycache
features
pycache
hypothesis
pycache
  • 📦 线性回归-代码实现.zip
3-模型评估方法
img
3-线性回归实验分析
  • 📦 线性回归-实验.zip
5-逻辑回归代码实现
  • 📦 逻辑回归-代码实现.zip
6-逻辑回归实验分析
  • 📦 逻辑回归-实验.zip
7-聚类算法-Kmeans&Dbscan原理
8-Kmeans代码实现
  • 📦 Kmeans-代码实现.zip
9-聚类算法实验分析
mldata
  • 📦 聚类算法-实验.zip
10-决策树原理
11-决策树代码实现
  • 📦 决策树-代码实现.zip
12-决策树实验分析
  • 📦 决策树算法-实验.zip
13-集成算法原理
14-集成算法实验分析
mldata
  • 📦 随机森林与集成算法-实验.zip
15-支持向量机原理推导
16-支持向量机实验分析
  • 📦 支持向量机-实验.zip
17-神经网络算法原理
18-神经网络代码实现
  • 📦 神经网络-代码实现.zip
19-贝叶斯算法原理
20-贝叶斯代码实现
  • 📦 贝叶斯-代码实现.zip
21-关联规则实战分析
  • 📦 第一章:Python实战关联规则.zip
22-关联规则代码实现
  • 📦 Apriori-代码实现.zip
23-词向量word2vec通俗解读
  • 📦 NLP核心模型-word2vec.zip
24-代码实现word2vec词向量模型
18.Tensorflow自己打造word2vec
word2vec
  • 📦 word2vec.zip
25-推荐系统原理
26-打造音乐推荐系统
  • 📦 Python实现音乐推荐系统.zip
27.28-主成分分析与线性判别分析
  • 📦 降维算法.zip
29-主成分分析降维算法解读
  • 📦 降维算法.zip
30-隐马尔科夫模型
31-HMM应用实例
HMM
pycache
mldata
选修机器学习进阶实战
第六章:降维算法-线性判别分析
代码
  • 📦 降维算法.zip
课件
第九章:EM算法
课件

1-直播课回放

  • 🎬 001、开班典礼.mp4
  • 🎬 002、Pycharm环境配置与Debug演示(没用过的同学必看).mp4
  • 🎬 003、神经网络解读.mp4
  • 🎬 004、卷积神经网络.mp4
  • 🎬 005、transformer架构解读.mp4
  • 🎬 006、融合强化学习与机器人训练原理、架构、部署.mp4
  • 🎬 007、VIT 源码Debug.mp4
  • 🎬 008、Transformer下游应用实例.mp4
  • 🎬 009、图神经网络.mp4
  • 🎬 010、基于分层强化学习的机器人路径规划方法.mp4
  • 🎬 011、时间序列预测.mp4
  • 🎬 012、Huggingface与知识图谱.mp4
  • 🎬 013、对比学习.mp4
  • 🎬 014、Deepseek辅助科研技能学习和科研探索-.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

2-Anaconda基础讲解和使用的教程

  • 🎬 1-Anaconda基础讲解和使用的教程.mp4

3-深度学习必备核⼼算法

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

3-Transformer

  • 🎬 1-Transformer.mp4

4-深度学习框架PyTorch

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

  • 🎬 1-数据集与任务概述.mp4
  • 🎬 2-基本模块应用测试.mp4
  • 🎬 3-网络结构定义方法.mp4
  • 🎬 4-数据源定义简介.mp4
  • 🎬 5-损失与训练模块分析.mp4
  • 🎬 6-训练一个基本的分类模型.mp4
  • 🎬 7-参数对结果的影响.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

4-卷积网络参数解读分析

  • 🎬 1-输入特征通道分析.mp4
  • 🎬 2-卷积网络参数解读.mp4
  • 🎬 3-卷积网络模型训练.mp4

5-图像识别模型与训练策略(重点)

  • 🎬 1-任务分析与图像数据基本处理.mp4
  • 🎬 2-数据增强模块.mp4
  • 🎬 3-数据集与模型选择.mp4
  • 🎬 4-迁移学习方法解读.mp4
  • 🎬 5-输出层与梯度设置.mp4
  • 🎬 6-输出类别个数修改.mp4
  • 🎬 7-优化器与学习率衰减.mp4
  • 🎬 8-模型训练方法.mp4
  • 🎬 9-重新训练全部模型.mp4
  • 🎬 10-测试结果演示分析.mp4

6-DataLoader自定义数据集制作

  • 🎬 1-Dataloader要完成的任务分析.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
  • 🎬 4-实用Dataloader加载数据并训练模型.mp4

7-LSTM文本分类实战

  • 🎬 1-数据集与任务目标分析.mp4
  • 🎬 2-文本数据处理基本流程分析.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
  • 🎬 5-预料表与字符切分.mp4
  • 🎬 6-字符预处理转换ID.mp4
  • 🎬 7-LSTM网络结构基本定义.mp4
  • 🎬 8-网络模型预测结果输出.mp4
  • 🎬 9-模型训练任务与总结.mp4

8-PyTorch框架Flask部署例子

  • 🎬 1-基本结构与训练好的模型加载.mp4
  • 🎬 2-服务端处理与预测函数.mp4
  • 🎬 3-基于Flask测试模型预测结果.mp4

5-Opencv图像处理框架实战

1-课程简介与环境配置

  • 🎬 1-Pycharm环境配置与Debug演示(没用过的同学必看).mp4
  • 🎬 2-课程简介.mp4
  • 🎬 3-Python与Opencv配置安装.mp4
  • 🎬 4-Notebook与IDE环境.mp4

2-图像基本操作

  • 🎬 1-计算机眼中的图像.mp4
  • 🎬 2-视频的读取与处理.mp4
  • 🎬 3-ROI区域.mp4
  • 🎬 4-边界填充.mp4
  • 🎬 5-数值计算.mp4

3-阈值与平滑处理

  • 🎬 1-图像阈值.mp4
  • 🎬 2-图像平滑处理.mp4
  • 🎬 3-高斯与中值滤波.mp4

4-图像形态学操作

  • 🎬 1-腐蚀操作.mp4
  • 🎬 2-膨胀操作.mp4
  • 🎬 3-开运算与闭运算.mp4
  • 🎬 4-梯度计算.mp4
  • 🎬 5-礼帽与黑帽.mp4

5-图像梯度计算

  • 🎬 1-Sobel算子.mp4
  • 🎬 2-梯度计算方法.mp4
  • 🎬 3-scharr与lapkacian算子.mp4

6-边缘检测

  • 🎬 1-Canny边缘检测流程.mp4
  • 🎬 2-非极大值抑制.mp4
  • 🎬 3-边缘检测效果.mp4

7-图像金字塔与轮廓检测

  • 🎬 1-图像金字塔定义.mp4
  • 🎬 2-金字塔制作方法.mp4
  • 🎬 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

8-直方图与傅里叶变换

  • 🎬 1-直方图定义.mp4
  • 🎬 2-均衡化原理.mp4
  • 🎬 3-均衡化效果.mp4
  • 🎬 4-傅里叶概述.mp4
  • 🎬 5-频域变换结果.mp4
  • 🎬 6-低通与高通滤波.mp4

9-项目实战-信用卡数字识别

  • 🎬 1-总体流程与方法讲解.mp4
  • 🎬 2-环境配置与预处理.mp4
  • 🎬 3-模板处理方法.mp4
  • 🎬 4-输入数据处理方法.mp4
  • 🎬 5-模板匹配得出识别结果.mp4

11-图像特征-harris

  • 🎬 1-角点检测基本原理.mp4
  • 🎬 2-基本数学原理.mp4
  • 🎬 3-求解化简.mp4
  • 🎬 4-特征归属划分.mp4
  • 🎬 5-opencv角点检测效果.mp4

12-图像特征-sift

  • 🎬 1-尺度空间定义.mp4
  • 🎬 2-高斯差分金字塔.mp4
  • 🎬 3-特征关键点定位.mp4
  • 🎬 4-生成特征描述.mp4
  • 🎬 5-特征向量生成.mp4
  • 🎬 6-opencv中sift函数使用.mp4

13-案例实战-全景图像拼接

  • 🎬 1-特征匹配方法.mp4
  • 🎬 2-RANSAC算法.mp4
  • 🎬 3-图像拼接方法.mp4
  • 🎬 4-流程解读.mp4

14-项目实战-停车场车位识别

  • 🎬 1-任务整体流程.mp4
  • 🎬 2-所需数据介绍.mp4
  • 🎬 3-图像数据预处理.mp4
  • 🎬 4-车位直线检测.mp4
  • 🎬 5-按列划分区域.mp4
  • 🎬 6-车位区域划分.mp4
  • 🎬 7-识别模型构建.mp4
  • 🎬 8-基于视频的车位检测.mp4

15-项目实战-答题卡识别判卷

  • 🎬 1-整体流程与效果概述.mp4
  • 🎬 2-预处理操作.mp4
  • 🎬 3-填涂轮廓检测.mp4
  • 🎬 4-选项判断识别.mp4

16-背景建模

  • 🎬 1-背景消除-帧差法.mp4
  • 🎬 2-混合高斯模型.mp4
  • 🎬 3-学习步骤.mp4
  • 🎬 4-背景建模实战.mp4

17-光流估计

  • 🎬 1-基本概念.mp4
  • 🎬 2-Lucas-Kanade算法.mp4
  • 🎬 3-推导求解.mp4
  • 🎬 4-光流估计实战.mp4

18-Opencv的DNN模块

  • 🎬 1-dnn模块.mp4
  • 🎬 2-模型加载结果输出.mp4

19-项目实战-目标追踪

  • 🎬 1-目标追踪概述.mp4
  • 🎬 2-多目标追踪实战.mp4
  • 🎬 3-深度学习检测框架加载.mp4
  • 🎬 4-基于dlib与ssd的追踪.mp4
  • 🎬 5-多进程目标追踪.mp4
  • 🎬 6-多进程效率提升对比.mp4

20-卷积原理与操作

  • 🎬 1-卷积神经网络的应用.mp4
  • 🎬 2-卷积层解释.mp4
  • 🎬 3-卷积计算过程.mp4
  • 🎬 4-pading与stride.mp4
  • 🎬 5-卷积参数共享.mp4
  • 🎬 6-池化层原理.mp4
  • 🎬 7-卷积效果演示.mp4
  • 🎬 8-卷积操作流程.mp4

21-项目实战-疲劳检测

  • 🎬 1-关键点定位概述.mp4
  • 🎬 2-获取人脸关键点.mp4
  • 🎬 3-定位效果演示.mp4
  • 🎬 4-闭眼检测.mp4
  • 🎬 5-检测效果.mp4

6-综合项目-物体检测经典算法实战

1-物体检测评估指标

  • 🎬 1-Pycharm环境配置与Debug演示(没用过的同学必看).mp4
  • 🎬 2-物体检测评估指标.mp4

2-深度学习经典检测⽅法概述

  • 🎬 1-检测任务中阶段的意义.mp4
  • 🎬 2-不同阶段算法优缺点分析.mp4
  • 🎬 3-IOU指标计算.mp4
  • 🎬 4-评估所需参数计算.mp4
  • 🎬 5-map指标计算.mp4

3-YOLO-V1整体思想与网络架构

  • 🎬 1-YOLO算法整体思路解读.mp4
  • 🎬 2-检测算法要得到的结果.mp4
  • 🎬 3-整体网络架构解读.mp4
  • 🎬 4-位置损失计算.mp4
  • 🎬 5-置信度误差与优缺点分析.mp4

4-YOLO-V2改进细节详解

  • 🎬 1-V2版本细节升级概述.mp4
  • 🎬 2-网络结构特点.mp4
  • 🎬 3-架构细节解读.mp4
  • 🎬 4-基于聚类来选择先验框尺寸.mp4
  • 🎬 5-偏移量计算方法.mp4
  • 🎬 6-坐标映射与还原.mp4
  • 🎬 7-感受野的作用.mp4
  • 🎬 8-特征融合改进.mp4

5-YOLO-V3核心网络模型

  • 🎬 1-V3版本改进概述.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
  • 🎬 4-残差连接方法解读.mp4
  • 🎬 5-整体网络模型架构分析.mp4
  • 🎬 6-先验框设计改进.mp4
  • 🎬 7-sotfmax层改进.mp4

7-基于YOLO-V3训练自己的数据集与任务(建议直接跑V5版本)

  • 🎬 1-Labelme工具安装.mp4
  • 🎬 2-数据信息标注.mp4
  • 🎬 3-完成标签制作.mp4
  • 🎬 4-生成模型所需配置文件.mp4
  • 🎬 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

8-YOLO-V4版本算法解读

  • 🎬 1-V4版本整体概述.mp4
  • 🎬 2-V4版本贡献解读.mp4
  • 🎬 3-数据增强策略分析.mp4
  • 🎬 4-DropBlock与标签平滑方法.mp4
  • 🎬 5-损失函数遇到的问题.mp4
  • 🎬 6-CIOU损失函数定义.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
  • 🎬 10-PAN模块解读.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
  • 🎬 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

11-YOLO系列(V7)算法解读

  • 🎬 1-YOLO系列(V7)算法解读.mp4

13-YOLOV8

  • 🎬 1-YOLOV8.mp4

14-基于Transformer的detr目标检测算法

  • 🎬 1-DETR目标检测基本思想解读.mp4
  • 🎬 2-整体网络架构分析.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
  • 🎬 5-训练过程的策略.mp4

16-DeformableDetr算法解读

  • 🎬 1-DeformableDetr算法解读.mp4

17-半监督物体检测

  • 🎬 1-半监督物体检测.mp4

18-EfficientNet网络

  • 🎬 1-EfficientNet网络模型.mp4

19-EfficientDet检测算法

  • 🎬 1-EfficientDet检测算法.mp4

20-YOLO V9

  • 🎬 1-YOLO V9.mp4

7-图像分割实战

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

2-Unet系列算法讲解

  • 🎬 1-Unet网络编码与解码过程.mp4
  • 🎬 2-网络计算流程.mp4
  • 🎬 3-Unet升级版本改进.mp4
  • 🎬 4-后续升级版本介绍.mp4

3-unet医学细胞分割实战

  • 🎬 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
  • 🎬 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

4-U2NET显著性检测实战

  • 🎬 1-任务目标与网络整体介绍.mp4
  • 🎬 2-显著性检测任务与目标概述.mp4
  • 🎬 3-编码器模块解读.mp4
  • 🎬 4-解码器输出结果.mp4
  • 🎬 5-损失函数与应用效果.mp4

5-deeplab系列算法

  • 🎬 1-deeplab分割算法概述.mp4
  • 🎬 2-空洞卷积的作用.mp4
  • 🎬 3-感受野的意义.mp4
  • 🎬 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

6-基于deeplabV3+版本进⾏VOC分割实战

  • 🎬 1-PascalVoc数据集介绍.mp4
  • 🎬 2-项目参数与数据集读取.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-医学⼼脏视频数据集分割建模实战

  • 🎬 1-数据集与任务概述.mp4
  • 🎬 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
  • 🎬 5-补充:视频数据源特征处理方法概述.mp4
  • 🎬 6-补充:R(2plus1)D处理方法分析.mp4

8-分割模型Maskformer系列

  • 🎬 1-分割模型Maskformer系列.mp4

10-物体检测框架-MaskRcnn项目介绍与配置

  • 🎬 1-Mask-Rcnn开源项目简介.mp4
  • 🎬 2-开源项目数据集.mp4
  • 🎬 3-开源项目数据集.mp4

12-基于MASK-RCNN框架训练自己的数据与任务

  • 🎬 1-Labelme工具安装.mp4
  • 🎬 2-使用labelme进行数据与标签标注.mp4
  • 🎬 3-完成训练数据准备工作.mp4
  • 🎬 4-maskrcnn源码修改方法.mp4
  • 🎬 5-基于标注数据训练所需任务.mp4
  • 🎬 6-测试与展示模块.mp4

8-走向AI论文实验与项目实战的捷径-MMLAB实战系列

1-MMCV安装方法

  • 🎬 1-MMCV安装方法.mp4

2-第一模块:分类任务基本操作

  • 🎬 1-MMCLS问题修正.mp4
  • 🎬 2-准备MMCLS项目.mp4
  • 🎬 3-基本参数配置解读.mp4
  • 🎬 4-各模块配置文件组成.mp4
  • 🎬 5-生成完整配置文件.mp4
  • 🎬 6-根据文件夹定义数据集.mp4
  • 🎬 7-构建自己的数据集.mp4
  • 🎬 8-训练自己的任务.mp4

3-第一模块:训练结果测试与验证

  • 🎬 1-测试DEMO效果.mp4
  • 🎬 2-测试评估模型效果.mp4
  • 🎬 3-MMCLS中增加一个新的模块.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
  • 🎬 7-可视化细节与效果分析.mp4
  • 🎬 8-MMCLS可视化模块应用.mp4
  • 🎬 9-模型分析脚本使用.mp4

5-第二模块:使用分割模块训练自己的数据集

  • 🎬 1-项目配置基本介绍.mp4
  • 🎬 2-数据集标注与制作方法.mp4
  • 🎬 3-根据预测类别数修改配置文件.mp4
  • 🎬 4-加载预训练模型开始训练.mp4
  • 🎬 5-预测DEMO演示.mp4

6-第二模块:基于Unet进行各种策略修改

  • 🎬 3-上采样与输出层.mp4
  • 🎬 4-辅助层的作用.mp4
  • 🎬 5-给Unet添加一个neck层.mp4
  • 🎬 6-如何修改参数适配网络结构.mp4
  • 🎬 7-将Unet特征提取模块替换成transformer.mp4

7-第二模块:分割任务CVPR最新Backbone设计及其应用

8-第三模块:mmdet训练自己的数据任务

10-第三模块:DeformableDetr算法解读

  • 🎬 1-DeformableDetr算法解读.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

13-第四模块:DBNET文字检测

  • 🎬 1-文字检测数据概述与配置文件.mp4
  • 🎬 2-配置文件参数设置.mp4
  • 🎬 3-Neck层特征组合.mp4
  • 🎬 4-损失函数模块概述.mp4
  • 🎬 5-损失计算方法.mp4

14-第四模块:ANINET文字识别

  • 🎬 1-数据集与环境概述.mp4
  • 🎬 2-配置文件修改方法.mp4
  • 🎬 3-Bakbone模块得到特征.mp4
  • 🎬 4-视觉Transformer模块的作用.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
  • 🎬 7-迭代修正模块.mp4
  • 🎬 8-输出层与损失计算.mp4

15-第四模块:KIE基于图模型的关键信息抽取

  • 🎬 1-配置文件以及要完成的任务解读.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
  • 🎬 4-边框要计算的特征分析.mp4
  • 🎬 5-标签数据处理与关系特征提取.mp4
  • 🎬 6-特征合并处理.mp4
  • 🎬 7-准备拼接边与点特征.mp4
  • 🎬 8-整合得到图模型输入特征.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
  • 🎬 2-Teacher与Student网络结构定义.mp4
  • 🎬 3-训练T与S得到蒸馏模型.mp4
  • 🎬 4-开始模型训练过程与问题修正.mp4
  • 🎬 5-日志输出与模型分离.mp4
  • 🎬 6-分别得到Teacher与Student模型.mp4
  • 🎬 7-实际测试效果演示.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

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

22-OCR算法解读

  • 🎬 1-OCR算法解读.mp4

24-追踪新增

  • 🎬 1-获取检测结果与追踪初始化.mp4
  • 🎬 2-初始时刻追踪器创建.mp4
  • 🎬 3-追踪器记录信息概述.mp4
  • 🎬 4-匹配过程细节分析.mp4
  • 🎬 5-不同帧时刻追踪器状态更新方法.mp4
  • 🎬 6-追踪器状态更新处理.mp4
  • 🎬 7-追踪器迭代更新策略.mp4

9-经典视觉项目实战:行为识别、姿态估计、目标追踪

10-论⽂必备-Transformer实战系列

1-Transformer算法解读

  • 🎬 1-Transformer算法解读.mp4

4-swintransformer算法原理解析

  • 🎬 1-swintransformer整体概述.mp4
  • 🎬 2-要解决的问题及其优势分析.mp4
  • 🎬 3-一个block要完成的任务.mp4
  • 🎬 4-获取各窗口输入特征.mp4
  • 🎬 5-基于窗口的注意力机制解读.mp4
  • 🎬 6-窗口偏移操作的实现.mp4
  • 🎬 7-偏移细节分析及其计算量概述.mp4
  • 🎬 8-整体网络架构整合.mp4
  • 🎬 9-下采样操作实现方法.mp4
  • 🎬 10-分层计算方法.mp4

6-基于Transformer的detr目标检测算法

  • 🎬 1-DETR目标检测基本思想解读.mp4
  • 🎬 2-整体网络架构分析.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
  • 🎬 5-训练过程的策略.mp4

8-DeformableDetr算法解读

  • 🎬 1-DeformableDetr算法解读.mp4

10-MedicalTrasnformer论文解读

  • 🎬 1-论文整体分析.mp4
  • 🎬 2-核心思想分析.mp4
  • 🎬 3-网络结构计算流程概述.mp4
  • 🎬 4-论文公式计算分析.mp4
  • 🎬 5-位置编码的作用与效果.mp4
  • 🎬 6-拓展应用分析.mp4

12-商汤LoFTR算法解读

  • 🎬 1-特征匹配的应用场景.mp4
  • 🎬 2-特征匹配的基本流程分析.mp4
  • 🎬 3-整体流程梳理分析.mp4
  • 🎬 4-CrossAttention的作用与效果.mp4
  • 🎬 5-transformer构建匹配特征.mp4
  • 🎬 6-粗粒度匹配过程与作用.mp4
  • 🎬 7-特征图拆解操作.mp4
  • 🎬 8-细粒度匹配的作用与方法.mp4
  • 🎬 9-基于期望预测最终位置.mp4
  • 🎬 10-总结分析.mp4

13-局部特征关键点匹配实战

  • 🎬 1-项目与参数配置解读.mp4
  • 🎬 2-DEMO效果演示.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
  • 🎬 5-特征融合模块实现方法.mp4
  • 🎬 6-cross关系计算方法实例.mp4
  • 🎬 7-粗粒度匹配过程.mp4
  • 🎬 8-完成基础匹配模块.mp4
  • 🎬 9-精细化调整方法与实例.mp4
  • 🎬 10-得到精细化输出结果.mp4
  • 🎬 11-通过期望计算最终输出.mp4

14-分割模型Maskformer系列

  • 🎬 1-分割模型Maskformer系列.mp4

16-BEV特征空间

  • 🎬 1-BEV特征空间.mp4

18-时间序列预测

  • 🎬 1-时间序列预测.mp4

20-Huggingface与NLP(讲故事)

  • 🎬 1-Huggingface与NLP(讲故事).mp4

11-图神经网络实战

1-图神经网络基础

  • 🎬 1-图神经网络应用领域分析.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
  • 🎬 5-消息传递计算方法.mp4
  • 🎬 6-多层GCN的作用.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

3-图模型必备神器PyTorch Geometric安装与使用

  • 🎬 1-PyTorch Geometric工具包安装与配置方法.mp4
  • 🎬 2-数据集与邻接矩阵格式.mp4
  • 🎬 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

4-使用PyTorch Geometric构建自己的图数据集

  • 🎬 1-构建数据集基本方法.mp4
  • 🎬 2-数据集与任务背景概述.mp4
  • 🎬 3-数据集基本预处理.mp4
  • 🎬 4-用户行为图结构创建.mp4
  • 🎬 5-数据集创建函数介绍.mp4
  • 🎬 6-网络结构定义模块.mp4
  • 🎬 7-TopkPooling进行下采样任务.mp4
  • 🎬 8-获取全局特征.mp4
  • 🎬 9-模型训练与总结.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

6-图相似度论文解读

  • 🎬 1-要完成的任务分析.mp4
  • 🎬 2-基本方法概述解读.mp4
  • 🎬 3-图模型提取全局与局部特征.mp4
  • 🎬 4-NTN模块的作用与效果.mp4
  • 🎬 5-点之间的对应关系计算.mp4
  • 🎬 6-结果输出与总结.mp4

7-图相似度计算实战

  • 🎬 1-数据集与任务概述.mp4
  • 🎬 2-图卷积特征提取模块.mp4
  • 🎬 3-分别计算不同Batch点的分布.mp4
  • 🎬 4-获得直方图特征结果.mp4
  • 🎬 5-图的全局特征构建.mp4
  • 🎬 6-NTN图相似特征提取.mp4
  • 🎬 7-预测得到相似度结果.mp4

8-基于图模型的轨迹估计

  • 🎬 1-数据集与标注信息解读.mp4
  • 🎬 2-整体三大模块分析.mp4
  • 🎬 3-特征工程的作用与效果.mp4
  • 🎬 4-传统方法与现在向量空间对比.mp4
  • 🎬 5-输入细节分析.mp4
  • 🎬 6-子图模块构建方法.mp4
  • 🎬 7-特征融合模块分析.mp4
  • 🎬 8-VectorNet输出层分析.mp4

9-图模型轨迹估计实战

  • 🎬 1-数据与环境配置.mp4
  • 🎬 2-训练数据准备.mp4
  • 🎬 3-Agent特征提取方法.mp4
  • 🎬 4-DataLoader构建图结构.mp4
  • 🎬 5-SubGraph与Attention模型流程.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

11-异构图神经网络

  • 🎬 1-异构图神经网络.mp4

12-3D点云实战

1-3D点云实战 3D点云应用领域分析

  • 🎬 1-点云数据概述.mp4
  • 🎬 2-点云应用领域与发展分析.mp4
  • 🎬 3-点云分割任务.mp4
  • 🎬 4-点云补全任务.mp4
  • 🎬 5-点云检测与配准任务.mp4
  • 🎬 6-点云数据特征提取概述与预告.mp4

2-3D点云PointNet算法

  • 🎬 1-3D数据应用领域与点云介绍.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
  • 🎬 4-PointNet算法出发点解读.mp4
  • 🎬 5-PointNet算法网络架构解读.mp4

3-PointNet++算法解读

  • 🎬 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
  • 🎬 4-整体流程概述分析.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

4-Pointnet++项目实战

  • 🎬 1-项目文件概述.mp4
  • 🎬 2-数据读取模块配置.mp4
  • 🎬 3-DEBUG解读网络模型架构.mp4
  • 🎬 4-最远点采样介绍.mp4
  • 🎬 5-采样得到中心点.mp4
  • 🎬 6-组区域划分方法.mp4
  • 🎬 7-实现group操作得到各中心簇.mp4
  • 🎬 8-特征提取模块整体流程.mp4
  • 🎬 9-预测结果输出模块.mp4
  • 🎬 10-分类任务总结.mp4
  • 🎬 11-分割任务数据与配置概述.mp4
  • 🎬 12-分割需要解决的任务概述.mp4
  • 🎬 13-上采样完成分割任务.mp4

5-点云补全PF-Net论文解读

  • 🎬 1-点云补全要解决的问题.mp4
  • 🎬 2-基本解决方案概述.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

6-点云补全实战解读

  • 🎬 1-数据与项目配置解读.mp4
  • 🎬 2-待补全数据准备方法.mp4
  • 🎬 3-整体框架概述.mp4
  • 🎬 4-MRE特征提取模块.mp4
  • 🎬 5-分层预测输出模块.mp4
  • 🎬 6-补全点云数据.mp4
  • 🎬 7-判别模块.mp4

7-点云配准及其案例实战

  • 🎬 1-点云配准任务概述.mp4
  • 🎬 2-配准要完成的目标解读.mp4
  • 🎬 3-训练数据构建.mp4
  • 🎬 4-任务基本流程.mp4
  • 🎬 5-数据源配置方法.mp4
  • 🎬 6-参数计算模块解读.mp4
  • 🎬 7-基于模型预测输出参数.mp4
  • 🎬 8-特征构建方法分析.mp4
  • 🎬 9-任务总结.mp4

8-基础补充-对抗生成网络架构原理与实战解析

  • 🎬 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
  • 🎬 4-数据读取模块.mp4
  • 🎬 5-生成与判别网络定义.mp4

13-面向深度学习的无人驾驶实战

1-深度估计算法原理解读

  • 🎬 1-深度估计效果与应用.mp4
  • 🎬 2-kitti数据集介绍.mp4
  • 🎬 3-使用backbone获取层级特征.mp4
  • 🎬 4-差异特征计算边界信息.mp4
  • 🎬 5-SPP层的作用.mp4
  • 🎬 6-空洞卷积与ASPP.mp4
  • 🎬 7-特征拼接方法分析.mp4
  • 🎬 8-网络coarse-to-fine过程.mp4
  • 🎬 9-权重参数预处理.mp4
  • 🎬 10-损失计算.mp4

2-深度估计项目实战

  • 🎬 1-项目环境配置解读.mp4
  • 🎬 2-数据与标签定义方法.mp4
  • 🎬 3-数据集dataloader制作.mp4
  • 🎬 4-使用backbone进行特征提取.mp4
  • 🎬 5-计算差异特征.mp4
  • 🎬 6-权重参数标准化操作.mp4
  • 🎬 7-网络结构ASPP层.mp4
  • 🎬 8-特征拼接方法解读.mp4
  • 🎬 9-输出深度估计结果.mp4
  • 🎬 10-损失函数通俗解读.mp4
  • 🎬 11-模型DEMO输出结果.mp4

3-车道线检测算法与论文解读

  • 🎬 1-数据标签与任务分析.mp4
  • 🎬 2-网络整体框架分析.mp4
  • 🎬 3-输出结果分析.mp4
  • 🎬 4-损失函数计算方法.mp4
  • 🎬 5-论文概述分析.mp4

4-基于深度学习的车道线检测项目实战

  • 🎬 1-车道数据与标签解读.mp4
  • 🎬 2-项目环境配置演示.mp4
  • 🎬 3-制作数据集dataloader.mp4
  • 🎬 4-车道线标签数据处理.mp4
  • 🎬 5-四条车道线标签位置矩阵.mp4
  • 🎬 6-grid设置方法.mp4
  • 🎬 7-完成数据与标签制作.mp4
  • 🎬 8-算法网络结构解读.mp4
  • 🎬 9-损失函数计算模块分析.mp4
  • 🎬 10-车道线规则损失函数限制.mp4
  • 🎬 11-DEMO制作与配置.mp4

5-商汤LoFTR算法解读

  • 🎬 1-特征匹配的应用场景.mp4
  • 🎬 2-特征匹配的基本流程分析.mp4
  • 🎬 3-整体流程梳理分析.mp4
  • 🎬 4-CrossAttention的作用与效果.mp4
  • 🎬 5-transformer构建匹配特征.mp4
  • 🎬 6-粗粒度匹配过程与作用.mp4
  • 🎬 7-特征图拆解操作.mp4
  • 🎬 8-细粒度匹配的作用与方法.mp4
  • 🎬 9-基于期望预测最终位置.mp4
  • 🎬 10-总结分析.mp4

6-局部特征关键点匹配实战

  • 🎬 1-项目与参数配置解读.mp4
  • 🎬 2-DEMO效果演示.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
  • 🎬 5-特征融合模块实现方法.mp4
  • 🎬 6-cross关系计算方法实例.mp4
  • 🎬 7-粗粒度匹配过程.mp4
  • 🎬 8-完成基础匹配模块.mp4
  • 🎬 9-精细化调整方法与实例.mp4
  • 🎬 10-得到精细化输出结果.mp4
  • 🎬 11-通过期望计算最终输出.mp4

7-三维重建应用与坐标系基础

  • 🎬 1-三维重建概述分析.mp4
  • 🎬 2-三维重建应用领域概述.mp4
  • 🎬 3-成像方法概述.mp4
  • 🎬 4-相机坐标系.mp4
  • 🎬 5-坐标系转换方法解读.mp4
  • 🎬 6-相机内外参.mp4
  • 🎬 7-通过内外参数进行坐标变换.mp4
  • 🎬 8-相机标定简介.mp4

8-NeuralRecon算法解读

  • 🎬 1-任务流程分析.mp4
  • 🎬 2-基本框架熟悉.mp4
  • 🎬 3-特征映射方法解读.mp4
  • 🎬 4-片段融合思想.mp4
  • 🎬 5-整体架构重构方法.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
  • 🎬 3-TSDF标签生成方法.mp4
  • 🎬 4-ISSUE的作用.mp4
  • 🎬 5-完成依赖环境配置.mp4

11-TSDF算法与应用

  • 🎬 1-TSDF整体概述分析.mp4
  • 🎬 2-合成过程DEMO演示.mp4
  • 🎬 3-布局初始化操作.mp4
  • 🎬 4-TSDF计算基本流程解读.mp4
  • 🎬 5-坐标转换流程分析.mp4
  • 🎬 6-输出结果融合更新.mp4

12-TSDF实战案例

  • 🎬 1-环境配置概述.mp4
  • 🎬 2-初始化与数据读取.mp4
  • 🎬 3-计算得到TSDF输出.mp4

13-轨迹估计算法与论文解读

  • 🎬 1-数据集与标注信息解读.mp4
  • 🎬 2-整体三大模块分析.mp4
  • 🎬 3-特征工程的作用与效果.mp4
  • 🎬 4-传统方法与现在向量空间对比.mp4
  • 🎬 5-输入细节分析.mp4
  • 🎬 6-子图模块构建方法.mp4
  • 🎬 7-特征融合模块分析.mp4
  • 🎬 8-VectorNet输出层分析.mp4

14-轨迹估计预测实战

  • 🎬 1-数据与环境配置.mp4
  • 🎬 2-训练数据准备.mp4
  • 🎬 3-Agent特征提取方法.mp4
  • 🎬 4-DataLoader构建图结构.mp4
  • 🎬 5-SubGraph与Attention模型流程.mp4

15-特斯拉无人驾驶解读

  • 🎬 1-特斯拉无人驾驶解读.mp4

14-对比学习与多模态任务实战

1-对比学习算法与实例

  • 🎬 1-对比学习算法与实例.mp4

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

15-缺陷检测实战

1-课程介绍

  • 🎬 1-课程介绍.mp4

2-物体检框架YOLO-V4版本算法解读

  • 🎬 1-V4版本整体概述.mp4
  • 🎬 2-V4版本贡献解读.mp4
  • 🎬 3-数据增强策略分析.mp4
  • 🎬 4-DropBlock与标签平滑方法.mp4
  • 🎬 5-损失函数遇到的问题.mp4
  • 🎬 6-CIOU损失函数定义.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
  • 🎬 10-PAN模块解读.mp4
  • 🎬 11-激活函数与整体架构总结.mp4

3-物体检测框架YOLOV5版本项目配置

  • 🎬 1-整体项目概述.mp4
  • 🎬 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

5-基于YOLOV5的钢材缺陷检测实战

  • 🎬 1-任务需求与项目概述.mp4
  • 🎬 2-数据与标签配置方法.mp4
  • 🎬 3-标签转换格式脚本制作.mp4
  • 🎬 4-各版本模型介绍分析.mp4
  • 🎬 5-项目参数配置.mp4
  • 🎬 6-缺陷检测模型训练.mp4
  • 🎬 7-输出结果与项目总结.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
  • 🎬 3-项目配置解读.mp4
  • 🎬 4-网络流程分析.mp4
  • 🎬 5-输出结果展示.mp4

7-Opencv图像常⽤处理⽅法实例

  • 🎬 1-计算机眼中的图像.mp4
  • 🎬 2-视频的读取与处理.mp4
  • 🎬 3-ROI区域.mp4
  • 🎬 4-边界填充.mp4
  • 🎬 5-数值计算.mp4
  • 🎬 6-图像阈值.mp4
  • 🎬 7-图像平滑处理.mp4
  • 🎬 8-高斯与中值滤波.mp4
  • 🎬 9-腐蚀操作.mp4
  • 🎬 10-膨胀操作.mp4
  • 🎬 11-开运算与闭运算.mp4
  • 🎬 12-梯度计算.mp4
  • 🎬 13-礼帽与黑帽.mp4

8-Opencv梯度计算与边缘检测实例

  • 🎬 1-Canny边缘检测流程.mp4
  • 🎬 2-非极大值抑制.mp4
  • 🎬 3-边缘检测效果.mp4
  • 🎬 4-Sobel算子.mp4
  • 🎬 5-梯度计算方法.mp4
  • 🎬 6-scharr与lapkacian算子.mp4

9-Opencv轮廓检测与直⽅图

  • 🎬 1-图像金字塔定义.mp4
  • 🎬 2-金字塔制作方法.mp4
  • 🎬 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
  • 🎬 8-直方图定义.mp4
  • 🎬 9-均衡化原理.mp4
  • 🎬 10-均衡化效果.mp4
  • 🎬 11-傅里叶概述.mp4
  • 🎬 12-频域变换结果.mp4
  • 🎬 13-低通与高通滤波.mp4

10-基于Opencv缺陷检测项⽬实战

  • 🎬 1-任务需求与环境配置.mp4
  • 🎬 2-数据读取与基本处理.mp4
  • 🎬 3-缺陷形态学操作.mp4
  • 🎬 4-整体流程解读.mp4
  • 🎬 5-缺陷检测效果演示.mp4

11-基于视频流⽔线的Opencv缺陷检测项⽬

  • 🎬 1-数据与任务概述.mp4
  • 🎬 2-视频数据读取与轮廓检测.mp4
  • 🎬 3-目标质心计算.mp4
  • 🎬 4-视频数据遍历方法.mp4
  • 🎬 5-缺陷区域提取.mp4
  • 🎬 6-不同类型的缺陷检测方法.mp4
  • 🎬 7-检测效果演示.mp4

12-图像分割deeplab系列算法

  • 🎬 1-deeplab分割算法概述.mp4
  • 🎬 2-空洞卷积的作用.mp4
  • 🎬 3-感受野的意义.mp4
  • 🎬 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

13-基于deeplabV3+版本进⾏VOC分割实战

  • 🎬 1-PascalVoc数据集介绍.mp4
  • 🎬 2-项目参数与数据集读取.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

14-Deeplab铁质材料缺陷检测与开源项⽬应⽤流程

  • 🎬 1-数据集与任务概述.mp4
  • 🎬 2-开源项目应用方法.mp4
  • 🎬 3-github与kaggle中需要注意的点.mp4
  • 🎬 4-源码的利用方法.mp4
  • 🎬 5-数据集制作方法.mp4
  • 🎬 6-数据路径配置.mp4
  • 🎬 7-训练模型.mp4
  • 🎬 8-任务总结.mp4

16-行人重识别实战

1-行人重识别原理及其应用

  • 🎬 1-行人重识别要解决的问题.mp4
  • 🎬 2-挑战与困难分析.mp4
  • 🎬 3-评估标准rank1指标.mp4
  • 🎬 4-map值计算方法.mp4
  • 🎬 5-triplet损失计算实例.mp4
  • 🎬 6-Hard-Negative方法应用.mp4

2-基于注意力机制的Reld模型论文解读

  • 🎬 1-论文整体思想及注意力机制的作用解读.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
  • 🎬 4-基于特征图的注意力计算.mp4

3-基于Attention的行人重识别项目实战

  • 🎬 1-项目环境与数据集配置.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
  • 🎬 4-获得空间位置点之间的关系.mp4
  • 🎬 5-组合关系特征图.mp4
  • 🎬 6-计算得到位置权重值.mp4
  • 🎬 7-基于特征图的权重计算.mp4
  • 🎬 8-损失函数计算实例解读.mp4
  • 🎬 9-训练与测试模块演示.mp4

4-AAAI2020顶会算法精讲

  • 🎬 1-论文整体框架概述.mp4
  • 🎬 2-局部特征与全局关系计算方法.mp4
  • 🎬 3-特征分组方法.mp4
  • 🎬 4-GCP模块特征融合方法.mp4
  • 🎬 5-oneVsReset方法实例.mp4
  • 🎬 6-损失函数应用位置.mp4

5-项目实战-基于行人局部特征融合的再识别实战

  • 🎬 1-项目配置与数据集介绍.mp4
  • 🎬 2-数据源构建方法分析.mp4
  • 🎬 3-dataloader加载顺序解读.mp4
  • 🎬 4-debug模式解读.mp4
  • 🎬 5-网络计算整体流程演示.mp4
  • 🎬 6-特征序列构建.mp4
  • 🎬 7-GCP全局特征提取.mp4
  • 🎬 8-局部特征提取实例.mp4
  • 🎬 9-特征组合汇总.mp4
  • 🎬 10-得到所有分组特征结果.mp4
  • 🎬 11-损失函数与训练过程演示.mp4
  • 🎬 12-测试与验证模块.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
  • 🎬 2-图卷积与匹配的作用.mp4
  • 🎬 3-局部特征热度图计算.mp4
  • 🎬 4-基于图卷积构建人体拓扑关系.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
  • 🎬 7-整体算法框架分析.mp4

7-基于拓扑图的行人重识别项目实战

  • 🎬 1-数据集与环境配置概述.mp4
  • 🎬 2-局部特征准备方法.mp4
  • 🎬 3-得到一阶段热度图结果.mp4
  • 🎬 4-阶段监督训练.mp4
  • 🎬 5-初始化图卷积模型.mp4
  • 🎬 6-mask矩阵的作用.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
  • 🎬 9-图匹配模块计算流程.mp4
  • 🎬 10-整体项目总结.mp4

17-对抗生成网络实战

1-课程介绍

  • 🎬 1-课程介绍.mp4

2-对抗生成网络架构原理与实战解析

  • 🎬 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
  • 🎬 4-数据读取模块.mp4
  • 🎬 5-生成与判别网络定义.mp4

3-基于CycleGan开源项目实战图像合成

  • 🎬 1-CycleGan网络所需数据.mp4
  • 🎬 2-CycleGan整体网络架构.mp4
  • 🎬 3-PatchGan判别网络原理.mp4
  • 🎬 4-Cycle开源项目简介.mp4
  • 🎬 5-数据读取与预处理操作.mp4
  • 🎬 6-生成网络模块构造.mp4
  • 🎬 7-判别网络模块构造.mp4
  • 🎬 8-损失函数:identity loss计算方法.mp4
  • 🎬 9-生成与判别损失函数指定.mp4
  • 🎬 10-额外补充:VISDOM可视化配置.mp4

4-stargan论文架构解析

  • 🎬 1-stargan效果演示分析.mp4
  • 🎬 2-网络架构整体思路解读.mp4
  • 🎬 3-建模流程分析.mp4
  • 🎬 4-V1版本存在的问题及后续改进思路.mp4
  • 🎬 5-V2版本在整体网络架构.mp4
  • 🎬 6-编码器训练方法.mp4
  • 🎬 7-损失函数公式解析.mp4
  • 🎬 8-训练过程分析.mp4

6-基于starganvc2的变声器论文原理解读

  • 🎬 1-论文整体思路与架构解读.mp4
  • 🎬 2-VCC2016输入数据.mp4
  • 🎬 3-语音特征提取.mp4
  • 🎬 4-生成器模型架构分析.mp4
  • 🎬 5-InstanceNorm的作用解读.mp4
  • 🎬 6-AdaIn的目的与效果.mp4
  • 🎬 7-判别器模块分析.mp4

8-图像超分辨率重构实战

  • 🎬 1-论文概述.mp4
  • 🎬 2-网络架构.mp4
  • 🎬 3-数据与环境配置.mp4
  • 🎬 4-数据加载与配置.mp4
  • 🎬 5-生成模块.mp4
  • 🎬 6-判别模块.mp4
  • 🎬 7-VGG特征提取网络.mp4
  • 🎬 8-损失函数与训练.mp4
  • 🎬 9-测试模块.mp4

9-基于GAN的图像补全实战

  • 🎬 1-论文概述.mp4
  • 🎬 2-网络架构.mp4
  • 🎬 3-细节设计.mp4
  • 🎬 4-论文总结.mp4
  • 🎬 5-数据与项目概述.mp4
  • 🎬 6-参数基本设计.mp4
  • 🎬 7-网络结构配置.mp4
  • 🎬 8-网络迭代训练.mp4
  • 🎬 9-测试模块.mp4

18-强化学习与AI黑科技实例

1-强化学习简介及其应用

  • 🎬 1-一张图通俗解释强化学习.mp4
  • 🎬 2-强化学习的指导依据.mp4
  • 🎬 3-强化学习AI游戏DEMO.mp4
  • 🎬 4-应用领域简介.mp4
  • 🎬 5-强化学习工作流程.mp4
  • 🎬 6-计算机眼中的状态与行为.mp4

2-PPO算法与公式推导

  • 🎬 1-基本情况介绍.mp4
  • 🎬 2-与环境交互得到所需数据.mp4
  • 🎬 3-要完成的目标分析.mp4
  • 🎬 4-策略梯度推导.mp4
  • 🎬 5-baseline方法.mp4
  • 🎬 6-OnPolicy与OffPolicy策略.mp4
  • 🎬 7-importance sampling的作用.mp4
  • 🎬 8-PPO算法整体思路解析.mp4

3-PPO实战-月球登陆器训练实例

  • 🎬 1-Critic的作用与效果.mp4
  • 🎬 2-PPO2版本公式解读.mp4
  • 🎬 3-参数与网络结构定义.mp4
  • 🎬 4-得到动作结果.mp4
  • 🎬 5-奖励获得与计算.mp4
  • 🎬 6-参数迭代与更新.mp4

4-Q-learning与DQN算法

  • 🎬 1-整体任务流程演示.mp4
  • 🎬 2-探索与action获取.mp4
  • 🎬 3-计算target值.mp4
  • 🎬 4-训练与更新.mp4
  • 🎬 5-算法原理通俗解读.mp4
  • 🎬 6-目标函数与公式解析.mp4
  • 🎬 7-Qlearning算法实例解读.mp4
  • 🎬 8-Q值迭代求解.mp4
  • 🎬 9-DQN简介.mp4

5-DQN改进与应用技巧

  • 🎬 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
  • 🎬 5-连续动作处理方法.mp4

6-Actor-Critic算法分析(A3C)

  • 🎬 1-AC算法回顾与知识点总结.mp4
  • 🎬 2-优势函数解读与分析.mp4
  • 🎬 3-计算流程实例.mp4
  • 🎬 4-A3C整体架构分析.mp4
  • 🎬 5-损失函数整理.mp4

7-用A3C玩转超级马里奥

  • 🎬 1-整体流程与环境配置.mp4
  • 🎬 2-启动游戏环境.mp4
  • 🎬 3-要计算的指标回顾.mp4
  • 🎬 4-初始化局部模型并加载参数.mp4
  • 🎬 5-与环境交互得到训练数据.mp4
  • 🎬 6-训练网络模型.mp4

8-GPT系列生成模型

  • 🎬 1-GPT系列.mp4

9-GPT建模与预测流程

  • 🎬 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
  • 🎬 3-训练所需参数解读.mp4
  • 🎬 4-模型训练过程.mp4
  • 🎬 5-部署与网页预测展示.mp4

10-CLIP系列

  • 🎬 1-CLIP系列.mp4

11-Diffusion模型解读

  • 🎬 1-Diffusion模型解读.mp4

13-ChatGPT

  • 🎬 1-ChatGPT.mp4

14-拓展-强化学习

  • 🎬 1-强化学习的基础原理与应用等.mp4

19-面向医学领域的深度学习实战

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
  • 🎬 2-卷积的作用.mp4
  • 🎬 3-卷积特征值计算方法.mp4
  • 🎬 4-得到特征图表示.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
  • 🎬 7-特征图尺寸计算与参数共享.mp4
  • 🎬 8-池化层的作用.mp4
  • 🎬 9-整体网络架构.mp4
  • 🎬 10-VGG网络架构.mp4
  • 🎬 11-残差网络Resnet.mp4
  • 🎬 12-感受野的作用.mp4

2-PyTorch框架基本处理操作

  • 🎬 1-PyTorch实战课程简介.mp4
  • 🎬 2-PyTorch框架发展趋势简介.mp4
  • 🎬 3-框架安装方法(CPU与GPU版本).mp4
  • 🎬 4-PyTorch基本操作简介.mp4
  • 🎬 5-自动求导机制.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
  • 🎬 8-补充:常见tensor格式.mp4
  • 🎬 9-补充:Hub模块简介.mp4

3-PyTorch框架必备核心模块解读

  • 🎬 1-卷积网络参数定义.mp4
  • 🎬 2-网络流程解读.mp4
  • 🎬 3-Vision模块功能解读.mp4
  • 🎬 4-分类任务数据集定义与配置.mp4
  • 🎬 5-图像增强的作用.mp4
  • 🎬 6-数据预处理与数据增强模块.mp4
  • 🎬 7-Batch数据制作.mp4
  • 🎬 8-迁移学习的目标.mp4
  • 🎬 9-迁移学习策略.mp4
  • 🎬 10-加载训练好的网络模型.mp4
  • 🎬 11-优化器模块配置.mp4
  • 🎬 12-实现训练模块.mp4
  • 🎬 13-训练结果与模型保存.mp4
  • 🎬 14-加载模型对测试数据进行预测.mp4
  • 🎬 15-额外补充-Resnet论文解读.mp4
  • 🎬 16-额外补充-Resnet网络架构解读.mp4

4-基于Resnet的医学数据集分类实战

  • 🎬 1-医学疾病数据集介绍.mp4
  • 🎬 2-Resnet网络架构原理分析.mp4
  • 🎬 3-dataloader加载数据集.mp4
  • 🎬 4-Resnet网络前向传播.mp4
  • 🎬 5-残差网络的shortcut操作.mp4
  • 🎬 6-特征图升维与降采样操作.mp4
  • 🎬 7-网络整体流程与训练演示.mp4

5-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

6-Unet系列算法讲解

  • 🎬 1-Unet网络编码与解码过程.mp4
  • 🎬 2-网络计算流程.mp4
  • 🎬 3-Unet升级版本改进.mp4
  • 🎬 4-后续升级版本介绍.mp4

7-unet医学细胞分割实战

  • 🎬 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
  • 🎬 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

8-deeplab系列算法

  • 🎬 1-deeplab分割算法概述.mp4
  • 🎬 2-空洞卷积的作用.mp4
  • 🎬 3-感受野的意义.mp4
  • 🎬 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

9-基于deeplabV3+版本进行VOC分割实战

  • 🎬 1-PascalVoc数据集介绍.mp4
  • 🎬 2-项目参数与数据集读取.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

10-基于deeplab的心脏视频数据诊断分析

  • 🎬 1-数据集与任务概述.mp4
  • 🎬 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
  • 🎬 5-补充:视频数据源特征处理方法概述.mp4
  • 🎬 6-补充:R(2plus1)D处理方法分析.mp4

11-YOLO系列物体检测算法原理解读

  • 🎬 1-检测任务中阶段的意义.mp4
  • 🎬 2-不同阶段算法优缺点分析.mp4
  • 🎬 3-IOU指标计算.mp4
  • 🎬 4-评估所需参数计算.mp4
  • 🎬 5-map指标计算.mp4
  • 🎬 6-YOLO算法整体思路解读.mp4
  • 🎬 7-检测算法要得到的结果.mp4
  • 🎬 8-整体网络架构解读.mp4
  • 🎬 9-位置损失计算.mp4
  • 🎬 10-置信度误差与优缺点分析.mp4
  • 🎬 11-V2版本细节升级概述.mp4
  • 🎬 12-网络结构特点.mp4
  • 🎬 13-架构细节解读.mp4
  • 🎬 14-基于聚类来选择先验框尺寸.mp4
  • 🎬 15-偏移量计算方法.mp4
  • 🎬 16-坐标映射与还原.mp4
  • 🎬 17-感受野的作用.mp4
  • 🎬 18-特征融合改进.mp4
  • 🎬 19-V3版本改进概述.mp4
  • 🎬 20-多scale方法改进与特征融合.mp4
  • 🎬 21-经典变换方法对比分析.mp4
  • 🎬 22-残差连接方法解读.mp4
  • 🎬 23-整体网络模型架构分析.mp4
  • 🎬 24-先验框设计改进.mp4
  • 🎬 25-sotfmax层改进.mp4
  • 🎬 26-V4版本整体概述.mp4
  • 🎬 27-V4版本贡献解读.mp4
  • 🎬 28-数据增强策略分析.mp4
  • 🎬 29-DropBlock与标签平滑方法.mp4
  • 🎬 30-损失函数遇到的问题.mp4
  • 🎬 31-CIOU损失函数定义.mp4
  • 🎬 32-NMS细节改进.mp4
  • 🎬 33-SPP与CSP网络结构.mp4
  • 🎬 34-SAM注意力机制模块.mp4
  • 🎬 35-PAN模块解读.mp4
  • 🎬 36-激活函数与整体架构总结.mp4

12-基于YOLO5细胞检测实战

  • 🎬 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
  • 🎬 3-网络训练流程演示.mp4
  • 🎬 4-效果评估与展示.mp4
  • 🎬 5-细胞检测效果演示.mp4

13-知识图谱原理解读

  • 🎬 1-知识图谱通俗解读.mp4
  • 🎬 2-知识图谱在搜索引擎中的应用.mp4
  • 🎬 3-知识图谱在医疗领域应用实例.mp4
  • 🎬 4-金融与推荐领域的应用.mp4
  • 🎬 5-数据获取分析.mp4
  • 🎬 6-数据关系抽取分析.mp4
  • 🎬 7-常用NLP技术点分析.mp4
  • 🎬 8-graph-embedding的作用与效果.mp4
  • 🎬 9-金融领域图编码实例.mp4
  • 🎬 10-视觉领域图编码实例.mp4
  • 🎬 11-图谱知识融合与总结分析.mp4

14-Neo4j数据库实战

  • 🎬 1-Neo4j图数据库介绍.mp4
  • 🎬 2-Neo4j数据库安装流程演示.mp4
  • 🎬 3-可视化例子演示.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

15-基于知识图谱的医药问答系统实战

  • 🎬 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
  • 🎬 3-任务流程概述.mp4
  • 🎬 4-环境配置与所需工具包安装.mp4
  • 🎬 5-提取数据中的关键字段信息.mp4
  • 🎬 6-创建关系边.mp4
  • 🎬 7-打造医疗知识图谱模型.mp4
  • 🎬 8-加载所有实体数据.mp4
  • 🎬 9-实体关键词字典制作.mp4
  • 🎬 10-完成对话系统构建.mp4

16-词向量模型与RNN网络架构

  • 🎬 1-词向量模型通俗解释.mp4
  • 🎬 2-模型整体框架.mp4
  • 🎬 3-训练数据构建.mp4
  • 🎬 4-CBOW与Skip-gram模型.mp4
  • 🎬 5-负采样方案.mp4
  • 🎬 6-额外补充-RNN网络模型解读.mp4

17-医学糖尿病数据命名实体识别

  • 🎬 1-数据与任务介绍.mp4
  • 🎬 2-整体模型架构.mp4
  • 🎬 3-数据-标签-语料库处理.mp4
  • 🎬 4-输入样本填充补齐.mp4
  • 🎬 5-训练网络模型.mp4
  • 🎬 6-医疗数据集(糖尿病)实体识别.mp4

20-CV与NLP经典大模型解读

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
  • 🎬 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
  • 🎬 5-采样策略与多样性.mp4
  • 🎬 6-GPT3的提示与生成方法.mp4
  • 🎬 7-应用场景CODEX分析.mp4
  • 🎬 8-DEMO应用演示.mp4

3-GPT2训练与预测部署流程

  • 🎬 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
  • 🎬 3-训练所需参数解读.mp4
  • 🎬 4-模型训练过程.mp4
  • 🎬 5-部署与网页预测展示.mp4

5-视觉自监督BEIT算法解读

  • 🎬 1-建模流程分析与效果展示.mp4
  • 🎬 2-codebook模块的作用.mp4
  • 🎬 3-任务总结分析.mp4

6-视觉自监督任务BEITV2论文解读

  • 🎬 1-BEITV2版本论文出发点解读.mp4
  • 🎬 2-自监督任务中两大核心任务分析.mp4
  • 🎬 3-整体网络架构图分析.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

8-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
  • 🎬 3-特征融合过程中可能遇到的问题.mp4
  • 🎬 4-BEV汇总特征方法实例解读.mp4
  • 🎬 5-DeformableAttention回顾.mp4
  • 🎬 6-空间注意力模块解读.mp4
  • 🎬 7-时间模块与拓展补充.mp4
  • 🎬 8-论文知识点分析.mp4
  • 🎬 9-核心模块论文分析.mp4
  • 🎬 10-整体架构总结.mp4

10-补充-视觉大模型基础-deformableAttention

  • 🎬 1-DeformableAttention概述分析.mp4
  • 🎬 2-可变形偏移量分析.mp4

11-LLM与LORA微调策略解读

  • 🎬 1-大模型如何做下游任务.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
  • 🎬 5-LORA模型实现细节.mp4

12-LLM下游任务训练自己模型实战

  • 🎬 1-提示工程的作用.mp4
  • 🎬 2-基本API调用方法.mp4
  • 🎬 3-数据文档切分操作.mp4
  • 🎬 4-样本索引与向量构建.mp4
  • 🎬 5-数据切块方法.mp4

13-视觉大模型SAM

  • 🎬 1-DEMO效果演示.mp4
  • 🎬 2-论文解读分析.mp4
  • 🎬 3-完成的任务分析.mp4
  • 🎬 4-数据闭环方法.mp4
  • 🎬 5-预训练模型的作用.mp4
  • 🎬 6-Decoder的作用与项目源码.mp4
  • 🎬 7-分割任务模块设计.mp4
  • 🎬 8-实现细节分析.mp4
  • 🎬 9-总结分析.mp4

14-视觉QA算法与论文解读

  • 🎬 1-视觉QA要解决的问题.mp4
  • 🎬 2-论文概述分析.mp4
  • 🎬 3-实现流程路线图.mp4
  • 🎬 4-答案关注区域分析.mp4
  • 🎬 5-VQA任务总结.mp4

15-扩散模型diffusion架构算法解读

  • 🎬 1-扩散模型概述与GAN遇到的问题.mp4
  • 🎬 2-要完成的任务分析.mp4
  • 🎬 3-公式原理推导解读.mp4
  • 🎬 4-分布相关计算操作.mp4
  • 🎬 5-算法实现细节推导.mp4
  • 🎬 6-公式推导结果分析.mp4
  • 🎬 7-细节实现总结.mp4
  • 🎬 8-论文流程图解读.mp4
  • 🎬 9-案例流程分析.mp4
  • 🎬 10-基本建模训练效果.mp4

16-openai-dalle2论文解读

  • 🎬 1-论文基本思想与核心模块分析.mp4
  • 🎬 2-不同模块对比分析.mp4
  • 🎬 3-算法核心流程解读.mp4
  • 🎬 4-各模块实现细节讲解.mp4

18-RAGFLOW和function calling

  • 🎬 1-RAGFLOW和function calling.mp4

21-CV与NLP经典大模型解读2

1-斯坦福AI小镇架构与项目解读

  • 🎬 1-整体故事解读.mp4
  • 🎬 2-要解决的问题和整体框架分析.mp4
  • 🎬 3-论文基本框架分析.mp4
  • 🎬 4-Agent的记忆信息.mp4
  • 🎬 5-感知与反思模块构建流程.mp4
  • 🎬 6-计划模块实现细节.mp4
  • 🎬 7-整体流程框架图.mp4
  • 🎬 8-感知模块解读.mp4
  • 🎬 9-思考模块解读.mp4
  • 🎬 10-项目环境配置方法解读.mp4

3-CVPR2024:YOLO- World

  • 🎬 1-CVPR2024:YOLO- World.mp4

4-time-llm大模型多模态预测任务

  • 🎬 1-time-llm大模型多模态预测任务.mp4

5-Llama3应用

  • 🎬 1-Llama3应用.mp4

6-SAM2视频分割

  • 🎬 1-SAM2视频分割 .mp4

7-大模型微调与应用

  • 🎬 1-大模型微调与应用.mp4

8-RAGFLOW和function calling

  • 🎬 1-RAGFLOW和function calling.mp4

9-Agent工作流搭建

  • 🎬 1-Agent工作流搭建.mp4

10-Llava与YOLO11

  • 🎬 1-Llava与YOLO11.mp4

22-深度学习模型部署与剪枝优化实战

1-AIoT人工智能物联网之认识 jetson nano

  • 🎬 1- jetson nano 硬件介绍.mp4
  • 🎬 2-jetson nano 刷机.mp4
  • 🎬 3- jetson nano 系统安装过程.mp4
  • 🎬 4-感受nano的GPU算力.mp4
  • 🎬 5-安装使用摄像头csi usb.mp4

2-AIoT人工智能物联网之AI 实战

  • 🎬 1- jetson-inference 入门.mp4
  • 🎬 2-docker 的安装使用.mp4
  • 🎬 3-docker中运行分类模型.mp4
  • 🎬 4-训练自己的目标检测模型准备.mp4
  • 🎬 5- 训练出自己目标识别模型a.mp4
  • 🎬 6-训练出自己目标识别模型b.mp4
  • 🎬 7-转换出onnx模型,并使用.mp4

3-AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器

  • 🎬 1-NVIDIA TAO介绍和安装.mp4
  • 🎬 2-NVIDIA TAO数据准备和环境设置.mp4
  • 🎬 3-NVIDIA TAO数据转换.mp4
  • 🎬 4-NVIDIA TAO预训练模型和训练a.mp4
  • 🎬 5-NVIDIA TAO预训练模型和训练b.mp4
  • 🎬 6-NVIDIA TAO预训练模型和训练c..mp4
  • 🎬 7-TAO 剪枝在训练推理验证.mp4

4- AIoT人工智能物联网之deepstream

  • 🎬 1-deepstream 介绍安装.mp4
  • 🎬 2-deepstream HelloWorld.mp4
  • 🎬 3-GStreamer RTP和RTSP1.mp4
  • 🎬 4-GStreamer RTP和RTSP2.mp4
  • 🎬 5-python实现RTP和RTSP.mp4
  • 🎬 6-deepstream推理.mp4
  • 🎬 7-deepstream集成yolov4.mp4

5-pyTorch框架部署实践

  • 🎬 1-所需基本环境配置.mp4
  • 🎬 2-模型加载与数据预处理.mp4
  • 🎬 3-接收与预测模块实现.mp4
  • 🎬 4-效果实例演示.mp4
  • 🎬 5-课程简介.mp4

6-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
  • 🎬 3-数据预处理.mp4
  • 🎬 4-返回线性预测结果.mp4

8-tensorflow-serving实战

  • 🎬 1-tf-serving项目获取与配置.mp4
  • 🎬 2-加载并启动模型服务.mp4
  • 🎬 3-测试模型部署效果.mp4
  • 🎬 4-fashion数据集获取.mp4
  • 🎬 5-加载fashion模型启动服务.mp4

9-模型剪枝-Network Slimming算法分析

  • 🎬 1-论文算法核心框架概述.mp4
  • 🎬 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
  • 🎬 5-稀疏化原理与效果.mp4

10-模型剪枝-Network Slimming实战解读

  • 🎬 1-整体案例流程解读.mp4
  • 🎬 2-加入L1正则化来进行更新.mp4
  • 🎬 3-剪枝模块介绍.mp4
  • 🎬 4-筛选需要的特征图.mp4
  • 🎬 5-剪枝后模型参数赋值.mp4
  • 🎬 6-微调完成剪枝模型.mp4

11-Mobilenet三代网络模型架构

  • 🎬 1-模型剪枝分析.mp4
  • 🎬 2-常见剪枝方法介绍.mp4
  • 🎬 3-mobilenet简介.mp4
  • 🎬 4-经典卷积计算量与参数量分析.mp4
  • 🎬 5-深度可分离卷积的作用与效果.mp4
  • 🎬 6-参数与计算量的比较.mp4
  • 🎬 7-V1版本效果分析.mp4
  • 🎬 8-V2版本改进以及Relu激活函数的问题.mp4
  • 🎬 9-倒残差结构的作用.mp4
  • 🎬 10-V2整体架构与效果分析.mp4
  • 🎬 11-V3版本网络架构分析.mp4
  • 🎬 12-SE模块作用与效果解读.mp4
  • 🎬 13-代码实现mobilenetV3网络架构.mp4

12-拓展-模型部署

  • 🎬 1-模型部署.mp4

23-自然语言处理经典案例实战

1-NLP常用工具包实战

  • 🎬 1-Python字符串处理.mp4
  • 🎬 2-正则表达式基本语法.mp4
  • 🎬 3-正则常用符号.mp4
  • 🎬 4-常用函数介绍.mp4
  • 🎬 5-NLTK工具包简介.mp4
  • 🎬 6-停用词过滤.mp4
  • 🎬 7-词性标注.mp4
  • 🎬 8-数据清洗实例.mp4
  • 🎬 9-Spacy工具包.mp4
  • 🎬 10-名字实体匹配.mp4
  • 🎬 11-恐怖袭击分析.mp4
  • 🎬 12-统计分析结果.mp4
  • 🎬 13-结巴分词器.mp4
  • 🎬 14-词云展示.mp4

2-商品信息可视化与文本分析

  • 🎬 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
  • 🎬 4-商品描述长度对价格的影响分析.mp4
  • 🎬 5-关键词的词云可视化展示.mp4
  • 🎬 6-基于tf-idf提取关键词信息.mp4
  • 🎬 7-通过降维进行可视化展示.mp4
  • 🎬 8-聚类分析与主题模型展示.mp4

3-贝叶斯算法

  • 🎬 1-贝叶斯算法概述.mp4
  • 🎬 2-贝叶斯推导实例.mp4
  • 🎬 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

4-新闻分类任务实战

  • 🎬 1-文本分析与关键词提取.mp4
  • 🎬 2-相似度计算.mp4
  • 🎬 3-新闻数据与任务简介.mp4
  • 🎬 4-TF-IDF关键词提取.mp4
  • 🎬 5-LDA建模.mp4
  • 🎬 6-基于贝叶斯算法进行新闻分类.mp4

5-HMM隐马尔科夫模型

  • 🎬 1-马尔科夫模型.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
  • 🎬 4-暴力求解方法.mp4
  • 🎬 5-复杂度计算.mp4
  • 🎬 6-前向算法.mp4
  • 🎬 7-前向算法求解实例.mp4
  • 🎬 8-Baum-Welch算法.mp4
  • 🎬 9-参数求解.mp4
  • 🎬 10-维特比算法.mp4

6-HMM工具包实战

  • 🎬 1-hmmlearn工具包.mp4
  • 🎬 2-工具包使用方法.mp4
  • 🎬 3-中文分词任务.mp4
  • 🎬 4-实现中文分词.mp4

7-语言模型

  • 🎬 1-开篇.mp4
  • 🎬 2-语言模型.mp4
  • 🎬 3-N-gram模型.mp4
  • 🎬 4-词向量.mp4
  • 🎬 5-神经网络模型.mp4
  • 🎬 6-Hierarchical Softmax.mp4
  • 🎬 7-CBOW模型实例.mp4
  • 🎬 8-CBOW求解目标.mp4
  • 🎬 9-锑度上升求解.mp4
  • 🎬 10-负采样模型.mp4

8-使用Gemsim构建词向量

  • 🎬 1-使用Gensim库构造词向量.mp4
  • 🎬 2-维基百科中文数据处理.mp4
  • 🎬 3-Gensim构造word2vec模型.mp4
  • 🎬 4-测试模型相似度结果.mp4

9-基于word2vec的分类任务

  • 🎬 1-影评情感分类.mp4
  • 🎬 2-基于词袋模型训练分类器.mp4
  • 🎬 3-准备word2vec输入数据.mp4
  • 🎬 4-使用gensim构建word2vec词向量(新).mp4

10-NLP-文本特征方法对比

  • 🎬 1-任务概述.mp4
  • 🎬 2-词袋模型.mp4
  • 🎬 3-词袋模型分析.mp4
  • 🎬 4-TFIDF模型.mp4
  • 🎬 5-word2vec词向量模型.mp4
  • 🎬 6-深度学习模型.mp4

11-NLP-相似度模型

  • 🎬 1-任务概述.mp4
  • 🎬 2-数据展示.mp4
  • 🎬 3-正负样本制作.mp4
  • 🎬 4-数据预处理.mp4
  • 🎬 5-网络模型定义.mp4
  • 🎬 6-基于字符的训练.mp4
  • 🎬 7-基于句子的相似度训练.mp4

12-LSTM情感分析

  • 🎬 1-RNN网络架构.mp4
  • 🎬 2-LSTM网络架构.mp4
  • 🎬 3-案例:使用LSTM进行情感分类.mp4
  • 🎬 4-情感数据集处理.mp4
  • 🎬 5-基于word2vec的LSTM模型.mp4

13-机器人写唐诗

  • 🎬 1-任务概述与环境配置.mp4
  • 🎬 2-参数配置.mp4
  • 🎬 3-数据预处理模块.mp4
  • 🎬 4-batch数据制作.mp4
  • 🎬 5-RNN模型定义.mp4
  • 🎬 6-完成训练模块.mp4
  • 🎬 7-训练唐诗生成模型.mp4
  • 🎬 8-测试唐诗生成效果.mp4

14-对话机器人

  • 🎬 1-效果演示.mp4
  • 🎬 2-参数配置与数据加载.mp4
  • 🎬 3-数据处理.mp4
  • 🎬 4-词向量与投影.mp4
  • 🎬 5-seq网络.mp4
  • 🎬 6-网络训练.mp4

24-时间序列预测

1-Informer原理解读

  • 🎬 1-时间序列预测要完成的任务.mp4
  • 🎬 2-常用模块分析.mp4
  • 🎬 3-论文要解决的问题分析.mp4
  • 🎬 4-Query采样方法解读.mp4
  • 🎬 5-probAttention计算流程.mp4
  • 🎬 6-编码器全部计算流程.mp4
  • 🎬 7-解码器流程分析.mp4

3-Timesnet时序预测

  • 🎬 1-时序预测故事背景.mp4
  • 🎬 2-论文核心思想解读.mp4
  • 🎬 3-时序特征周期拆解.mp4
  • 🎬 4-计算公式流程拆解.mp4
  • 🎬 5-全部计算流程解读.mp4
  • 🎬 6-周期间特征分析.mp4
  • 🎬 7-源码流程解读.mp4
  • 🎬 8-傅里叶变换流程.mp4
  • 🎬 9-整体计算流程.mp4

4-time-llm大模型多模态预测任务

  • 🎬 1-time-llm大模型多模态预测任务.mp4

25-自然语言处理必备神器Huggingface系列实战

1-Huggingface与NLP介绍解读

1-Huggingface与NLP介绍解读

2-Transformer工具包基本操作实例解读

1-工具包与任务整体介绍
2-NLP任务常规流程分析
3-文本切分方法实例解读
4-AttentionMask配套使用方法
5-数据集与模型
6-数据Dataloader封装
7-模型训练所需配置参数
8-模型训练DEMO

3-transformer原理解读

1-transformer原理解读

4-BERT系列算法解读

1-BERT模型训练方法解读
2-ALBERT基本定义
3-ALBERT中的简化方法解读
4-RoBerta模型训练方法解读
5-DistilBert模型解读

5-文本标注工具与NER实例

1-文本标注工具Doccano配置方法
2-命名实体识别任务标注方法实例
3-标注导出与BIO处理
4-标签处理并完成对齐操作
5-预训练模型加载与参数配置
6-模型训练与输出结果预测

6-文本预训练模型构建实例

1-预训练模型效果分析
2-文本数据截断处理
3-预训练模型自定义训练

7-GPT系列算法

1-GPT系列算法概述
2-GPT三代版本分析
3-GPT初代版本要解决的问题
4-GPT第二代版本训练策略
5-采样策略与多样性
6-GPT3的提示与生成方法
7-应用场景CODEX分析
8-DEMO应用演示

8-GPT训练与预测部署流程

1-生成模型可以完成的任务概述
2-数据样本生成方法
3-训练所需参数解读
4-模型训练过程
5-部署与网页预测展示

9-文本摘要建模

1-中文商城评价数据处理方法
2-模型训练与测试结果
3-文本摘要数据标注方法
4-训练自己标注的数据并测试

10-图谱知识抽取实战

1-应用场景概述分析
2-数据标注格式样例分析
3-数据处理与读取模块
4-实体抽取模块分析
5-标签与数据结构定义方法
6-模型构建与计算流程
7-网络模型前向计算方法
8-关系抽取模型训练

11-补充Huggingface数据集制作方法实例

1-数据结构分析
2-Huggingface中的预处理实例
3-数据处理基本流程

26-自然语言处理通用框架-BERT实战

1-自然语言处理通用框架BERT原理解读

  • 🎬 1-BERT课程简介.mp4
  • 🎬 2-BERT任务目标概述.mp4
  • 🎬 3-传统解决方案遇到的问题.mp4
  • 🎬 4-注意力机制的作用.mp4
  • 🎬 5-self-attention计算方法.mp4
  • 🎬 6-特征分配与softmax机制.mp4
  • 🎬 7-Multi-head的作用.mp4
  • 🎬 8-位置编码与多层堆叠.mp4
  • 🎬 9-transformer整体架构梳理.mp4
  • 🎬 10-BERT模型训练方法.mp4
  • 🎬 11-训练实例.mp4

3-项目实战-基于BERT的中文情感分析实战

  • 🎬 1-中文分类数据与任务概述.mp4
  • 🎬 2-读取处理自己的数据集.mp4
  • 🎬 3-训练BERT中文分类模型.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

  • 🎬 1-词向量模型通俗解释.mp4
  • 🎬 2-模型整体框架.mp4
  • 🎬 3-训练数据构建.mp4
  • 🎬 4-CBOW与Skip-gram模型.mp4
  • 🎬 5-负采样方案.mp4

6-必备基础-掌握Tensorflow如何实现word2vec模型

  • 🎬 1-数据与任务流程.mp4
  • 🎬 2-数据清洗.mp4
  • 🎬 3-batch数据制作.mp4
  • 🎬 4-网络训练.mp4
  • 🎬 5-可视化展示.mp4

7-必备基础知识点-RNN网络架构与情感分析应用实例

  • 🎬 1-RNN网络模型解读.mp4
  • 🎬 2-NLP应用领域与任务简介.mp4
  • 🎬 3-项目流程解读.mp4
  • 🎬 4-加载词向量特征.mp4
  • 🎬 5-正负样本数据读取.mp4
  • 🎬 6-构建LSTM网络模型.mp4
  • 🎬 7-训练与测试效果.mp4
  • 🎬 8-LSTM情感分析.mp4

8-医学糖尿病数据命名实体识别

  • 🎬 1-数据与任务介绍.mp4
  • 🎬 2-整体模型架构.mp4
  • 🎬 3-数据-标签-语料库处理.mp4
  • 🎬 4-训练网络模型.mp4
  • 🎬 5-医疗数据集(糖尿病)实体识别.mp4
  • 🎬 6-输入样本填充补齐.mp4

27-论文创新点常用方法及其应用实例

1-通用创新点

  • 🎬 1-ACMIX(卷积与注意力融合).mp4
  • 🎬 2-GCnet(全局特征融合).mp4
  • 🎬 3-Coordinate_attention.mp4
  • 🎬 4-SPD(可替换下采样).mp4
  • 🎬 5-SPP改进.mp4
  • 🎬 6-mobileOne(加速).mp4
  • 🎬 7-Deformable(替换selfAttention).mp4
  • 🎬 8-ProbAttention(采样策略).mp4
  • 🎬 9-CrossAttention融合特征.mp4
  • 🎬 10-Attention额外加入先验知识.mp4
  • 🎬 11-结合GNN构建局部特征.mp4
  • 🎬 12-损失函数约束项.mp4
  • 🎬 13-自适应可学习参数.mp4
  • 🎬 14-Coarse2Fine大框架.mp4
  • 🎬 15-只能机器学习模型时凑工作量(特征工程).mp4
  • 🎬 16-自己数据集如何发的好(要开源).mp4
  • 🎬 17-可变形卷积加入方法.mp4
  • 🎬 18-在源码中加入各种注意力机制方法.mp4

2-论文写作参考范文

  • 🎬 1-论文要完成的核心架构分析.mp4
  • 🎬 2-网络模型基本组件分析.mp4
  • 🎬 3-流程概述分析.mp4
  • 🎬 4-实验结果分析.mp4
  • 🎬 5-源码实现细节解读.mp4
  • 🎬 6-源码结果总结.mp4

28-知识图谱实战系列

1-知识图谱介绍及其应用领域分析

  • 🎬 1-知识图谱通俗解读.mp4
  • 🎬 2-知识图谱在搜索引擎中的应用.mp4
  • 🎬 3-知识图谱在医疗领域应用实例.mp4
  • 🎬 4-金融与推荐领域的应用.mp4
  • 🎬 5-数据获取分析.mp4

2-知识图谱涉及技术点分析

  • 🎬 1-数据关系抽取分析.mp4
  • 🎬 2-常用NLP技术点分析.mp4
  • 🎬 3-graph-embedding的作用与效果.mp4
  • 🎬 4-金融领域图编码实例.mp4
  • 🎬 5-视觉领域图编码实例.mp4
  • 🎬 6-图谱知识融合与总结分析.mp4

3-Neo4j数据库实战

  • 🎬 1-Neo4j图数据库介绍.mp4
  • 🎬 2-Neo4j数据库安装流程演示.mp4
  • 🎬 3-可视化例子演示.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

4-使用python操作neo4j实例

  • 🎬 1-使用Py2neo建立连接.mp4
  • 🎬 2-提取所需的指标信息.mp4
  • 🎬 3-在图中创建实体.mp4
  • 🎬 4-根据给定实体创建关系.mp4

5-基于知识图谱的医药问答系统实战

  • 🎬 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
  • 🎬 3-任务流程概述.mp4
  • 🎬 4-环境配置与所需工具包安装.mp4
  • 🎬 5-提取数据中的关键字段信息.mp4
  • 🎬 6-创建关系边.mp4
  • 🎬 7-打造医疗知识图谱模型.mp4
  • 🎬 8-加载所有实体数据.mp4
  • 🎬 9-实体关键词字典制作.mp4
  • 🎬 10-完成对话系统构建.mp4

6-文本关系抽取实践

  • 🎬 1-关系抽取要完成的任务演示与分析.mp4
  • 🎬 2-LTP工具包概述介绍.mp4
  • 🎬 3-pyltp安装与流程演示.mp4
  • 🎬 4-得到分词与词性标注结果.mp4
  • 🎬 5-依存句法概述.mp4
  • 🎬 6-句法分析结果整理.mp4
  • 🎬 7-语义角色构建与分析.mp4
  • 🎬 8-设计规则完成关系抽取.mp4

7-金融平台风控模型实践

  • 🎬 1-竞赛任务目标.mp4
  • 🎬 2-图模型信息提取.mp4
  • 🎬 3-节点权重特征提取(PageRank).mp4
  • 🎬 4-deepwalk构建图顶点特征.mp4
  • 🎬 5-各项统计特征.mp4
  • 🎬 6-app安装特征.mp4
  • 🎬 7-图中联系人特征.mp4

8-医学糖尿病数据命名实体识别

  • 🎬 1-数据与任务介绍.mp4
  • 🎬 2-整体模型架构.mp4
  • 🎬 3-数据-标签-语料库处理.mp4
  • 🎬 4-输入样本填充补齐.mp4
  • 🎬 5-训练网络模型.mp4
  • 🎬 6-医疗数据集(糖尿病)实体识别.mp4

29-语音识别实战系列

1-seq2seq序列网络模型

  • 🎬 1-序列网络模型概述分析.mp4
  • 🎬 2-工作原理概述.mp4
  • 🎬 3-注意力机制的作用.mp4
  • 🎬 4-加入attention的序列模型整体架构.mp4
  • 🎬 5-TeacherForcing的作用与训练策略.mp4
  • 🎬 6-额外补充-RNN网络模型解读.mp4

2-LAS模型语音识别实战

  • 🎬 1-数据源与环境配置.mp4
  • 🎬 2-语料表制作方法.mp4
  • 🎬 3-制作json标注数据.mp4
  • 🎬 4-声音数据处理模块解读.mp4
  • 🎬 5-Pack与Pad操作解析.mp4
  • 🎬 6-编码器模块整体流程.mp4
  • 🎬 7-加入注意力机制.mp4
  • 🎬 8-计算得到每个输出的attention得分.mp4
  • 🎬 9-解码器与训练过程演示.mp4

3-starganvc2变声器论文原理解读

  • 🎬 1-论文整体思路与架构解读.mp4
  • 🎬 2-VCC2016输入数据.mp4
  • 🎬 3-语音特征提取.mp4
  • 🎬 4-生成器模型架构分析.mp4
  • 🎬 5-InstanceNorm的作用解读.mp4
  • 🎬 6-AdaIn的目的与效果.mp4
  • 🎬 7-判别器模块分析.mp4

5-语音分离ConvTasnet模型

  • 🎬 1-语音分离任务分析.mp4
  • 🎬 2-经典语音分离模型概述.mp4
  • 🎬 3-DeepClustering论文解读.mp4
  • 🎬 4-TasNet编码器结构分析.mp4
  • 🎬 5-DW卷积的作用与效果.mp4
  • 🎬 6-基于Mask得到分离结果.mp4

6-ConvTasnet语音分离实战

  • 🎬 1-数据准备与环境配置.mp4
  • 🎬 2-训练任务所需参数介绍.mp4
  • 🎬 3-DataLoader定义.mp4
  • 🎬 4-采样数据特征编码.mp4
  • 🎬 5-编码器特征提取.mp4
  • 🎬 6-构建更大的感受区域.mp4
  • 🎬 7-解码得到分离后的语音.mp4
  • 🎬 8-测试模块所需参数.mp4

7-语音合成tacotron最新版实战

  • 🎬 1-语音合成项目所需环境配置.mp4
  • 🎬 2-所需数据集介绍.mp4
  • 🎬 3-路径配置与整体流程解读.mp4
  • 🎬 4-Dataloader构建数据与标签.mp4
  • 🎬 5-编码层要完成的任务.mp4
  • 🎬 6-得到编码特征向量.mp4
  • 🎬 7-解码器输入准备.mp4
  • 🎬 8-解码器流程梳理.mp4
  • 🎬 9-注意力机制应用方法.mp4
  • 🎬 10-得到加权的编码向量.mp4
  • 🎬 11-模型输出结果.mp4
  • 🎬 12-损失函数与预测.mp4

30-推荐系统实战系列

1-推荐系统介绍及其应用

  • 🎬 1-1-推荐系统通俗解读.mp4
  • 🎬 2-2-推荐系统发展简介.mp4
  • 🎬 3-3-应用领域与多方位评估指标.mp4
  • 🎬 4-4-任务流程与挑战概述.mp4
  • 🎬 5-5-常用技术点分析.mp4
  • 🎬 6-6-与深度学习的结合.mp4

2-协同过滤与矩阵分解

  • 🎬 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
  • 🎬 3-3-相似度计算与推荐实例.mp4
  • 🎬 4-4-矩阵分解的目的与效果.mp4
  • 🎬 5-5-矩阵分解中的隐向量.mp4
  • 🎬 6-6-目标函数简介.mp4
  • 🎬 7-7-隐式情况分析.mp4
  • 🎬 8-8-Embedding的作用.mp4

3-音乐推荐系统实战

  • 🎬 1-1-音乐推荐任务概述.mp4
  • 🎬 2-2-数据集整合.mp4
  • 🎬 3-3-基于物品的协同过滤.mp4
  • 🎬 4-4-物品相似度计算与推荐.mp4
  • 🎬 5-5-SVD矩阵分解.mp4
  • 🎬 6-6-基于矩阵分解的音乐推荐.mp4

4-知识图谱与Neo4j数据库实例

  • 🎬 1-1-知识图谱通俗解读.mp4
  • 🎬 2-2-知识图谱在搜索引擎中的应用.mp4
  • 🎬 3-3-知识图谱在医疗领域应用实例.mp4
  • 🎬 4-4-金融与推荐领域的应用.mp4
  • 🎬 5-5-数据获取分析.mp4
  • 🎬 6-1-Neo4j图数据库介绍.mp4
  • 🎬 7-2-Neo4j数据库安装流程演示.mp4
  • 🎬 8-3-可视化例子演示.mp4
  • 🎬 9-4-创建与删除操作演示.mp4
  • 🎬 10-5-数据库更改查询操作演示.mp4

5-基于知识图谱的电影推荐实战

  • 🎬 1-1-知识图谱推荐系统效果演示.mp4
  • 🎬 2-2-kaggle电影数据集下载与配置.mp4
  • 🎬 3-3-图谱需求与任务流程解读.mp4
  • 🎬 4-4-项目所需环境配置安装.mp4
  • 🎬 5-5-构建用户电影知识图谱.mp4
  • 🎬 6-6-图谱查询与匹配操作.mp4
  • 🎬 7-7-相似度计算与推荐引擎构建.mp4

6-点击率估计FM与DeepFM算法

  • 🎬 1-1-CTR估计及其经典方法概述.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
  • 🎬 4-4-二阶公式推导与化简.mp4
  • 🎬 5-5-FM算法解析.mp4
  • 🎬 6-6-DeepFm整体架构解读.mp4
  • 🎬 7-7-输入层所需数据样例.mp4
  • 🎬 8-8-Embedding层的作用与总结.mp4

7-DeepFM算法实战

  • 🎬 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
  • 🎬 3-3-数据处理模块Embedding层.mp4
  • 🎬 4-4-Index与Value数据制作.mp4
  • 🎬 5-5-一阶权重参数设计.mp4
  • 🎬 6-6-二阶特征构建方法.mp4
  • 🎬 7-7-特征组合方法实例分析.mp4
  • 🎬 8-8-完成FM模块计算.mp4
  • 🎬 9-9-DNN模块与训练过程.mp4

8-推荐系统常用工具包演示

  • 🎬 1-1-环境配置与数据集介绍.mp4
  • 🎬 2-2-电影数据集预处理分析.mp4
  • 🎬 3-3-surprise工具包基本使用.mp4
  • 🎬 4-4-模型测试集结果.mp4
  • 🎬 5-5-评估指标概述.mp4

9-基于文本数据的推荐实例

  • 🎬 1-1-数据与环境配置介绍.mp4
  • 🎬 2-2-数据科学相关数据介绍.mp4
  • 🎬 3-3-文本数据预处理.mp4
  • 🎬 4-4-TFIDF构建特征矩阵.mp4
  • 🎬 5-5-矩阵分解演示.mp4
  • 🎬 6-6-LDA主题模型效果演示.mp4
  • 🎬 7-7-推荐结果分析.mp4

10-基本统计分析的电影推荐

  • 🎬 1-1-电影数据与环境配置.mp4
  • 🎬 2-2-数据与关键词信息展示.mp4
  • 🎬 3-3-关键词云与直方图展示.mp4
  • 🎬 4-4-特征可视化.mp4
  • 🎬 5-5-数据清洗概述.mp4
  • 🎬 6-6-缺失值填充方法.mp4
  • 🎬 7-7-推荐引擎构造.mp4
  • 🎬 8-8-数据特征构造.mp4
  • 🎬 9-9-得出推荐结果.mp4

11-补充-基于相似度的酒店推荐系统

  • 🎬 1-1-酒店数据与任务介绍.mp4
  • 🎬 2-2-文本词频统计.mp4
  • 🎬 3-3-ngram结果可视化展示.mp4
  • 🎬 4-4-文本清洗.mp4
  • 🎬 5-5-相似度计算.mp4
  • 🎬 6-6-得出推荐结果.mp4

新版补充资料

新版补充资料(1)






上一篇:AI运维实战指南:从智能监控到运维智能体的核心场景解析
下一篇:Linux云计算运维工程师从入门到精通体系化课程 一站式掌握Linux、K8s、监控、数据库与DevOps核心技能
您需要登录后才可以回帖 登录 | 立即注册

手机版|小黑屋|网站地图|云栈社区 ( 苏ICP备2022046150号-2 )

GMT+8, 2026-1-31 01:59 , Processed in 0.374371 second(s), 40 queries , Gzip On.

Powered by Discuz! X3.5

© 2025-2026 云栈社区.

快速回复 返回顶部 返回列表