【百战程序员】AI算法工程师就业班 - 带源码课件夸克网盘资源_网盘资源_夸克网盘资源搜索_全盘搜

• file:课件.zip
• file:4：人工智能在各领域的应用.mp4
• file:8：有监督机器学习任务与本质.mp4
• file:2：人工智能适合人群与必备技能.mp4
• file:6：机器学习不同的学习方式.mp4
• file:7：深度学习比传统机器学习有优势.mp4
• file:50：坐标下降法_数值优化面临的问题.mp4
• file:22：矩阵的行列式.mp4
• file:15：学习向量计算的用途举例.mp4
• file:8：复合函数求导法则.mp4
• file:47：梯度下降法思路.mp4
• file:2：线性代数_概率论知识点.mp4
• file:42：常用随机变量服从的分布.mp4
• file:49：牛顿法公式推导以及优缺点.mp4
• file:30：特征值和特征向量(2).mp4
• file:54：拉格朗日函数.mp4
• file:45：最优化的基本概念.mp4
• file:5：导数的几何意义和物理意义.mp4
• file:7：导数求解的四则运算法则.mp4
• file:46：迭代求解的原因.mp4
• file:4：导数的定义_左导数和右导数.mp4
• file:25：雅可比矩阵_在神经网络中应用.mp4
• file:53：凸优化的性质_一般表达形式.mp4
• file:数学.pdf
• file:26：Hessian矩阵.mp4
• file:1：人工智能学习数学的必要性_微积分知识点.mp4
• file:21：YOLOv4_BOF_GIoU_DIoU_CIoU.mp4
• file:20：YOLOv4_BOF_DropBlock_FocalLoss.mp4
• file:22：YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish.mp4
• file:6：YOLOv2论文详解_mAP更better的一些点.mp4
• file:8：YOLOv2论文详解_层级分类_层级分类用于目标检测.mp4
• file:5：YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes.mp4
• file:7：YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签.mp4
• file:17：YOLOv3代码剖析_使用model预测的其余代码.mp4
• file:18：YOLOv3代码剖析_weights到h5模型的转换.mp4
• file:15：YOLOv3代码剖析_聚类anchors_构建backbone主干网络.mp4
• file:14：YOLOv3代码剖析_项目介绍.mp4
• file:9：YOLOv3论文详解_每个框都要预测多个类别概率.mp4
• file:10：YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53.mp4
• file:13：YOLOv4论文概述_BOS_BOF.mp4
• file:2：YOLOv1论文详解_网络架构_思想.mp4
• file:3：YOLOv1论文详解_训练中的技巧_Loss损失函数.mp4
• file:19：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04.mp4
• file:8：Kaggle网页分类竞赛介绍.mp4
• file:11：竞赛其他相关提交成绩排行榜.mp4
• file:13：MLlib对网页分类竞赛数据预处理.mp4
• file:9：评估指标ROC和AUC.mp4
• file:15：MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数.mp4
• file:4：对数据里面的目标变量sales的一个分析.mp4
• file:6：模型的训练_评估.mp4
• file:7：kaggle竞赛网站学习.mp4
• file:2：对数据字段的介绍_导包.mp4
• file:1：Rossmann药店销量预测_kaggle的介绍.mp4
• file:1：基于CascadeClassifier来提取目标框做车牌识别代码详解_01.mp4
• file:5：车牌识别项目关于目标检测的问题.mp4
• file:32：图片风格融合项目_架构_代码实现要点.mp4
• file:28：FasterRCNN代码_给RPN准备正负例样本_08.mp4
• file:7：FasterRCNN项目代码_数据加载.mp4
• file:20：FasterRCNN代码_bbox剪裁_NMS非极大值抑制.mp4
• file:13：回归整体训练流程_详解读取数据blob_03.mp4
• file:31：FasterRCNN代码_添加Loss损失_smoothL1loss.mp4
• file:8：绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数.mp4
• file:12：对逻辑回归函数进行求导_结论在后面会用到.mp4
• file:11：绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度.mp4
• file:3：逻辑回归为什么用sigmoid函数_预备知识.mp4
• file:第五阶段_线性分类算法_逻辑回归和Softmax回归.pdf
• file:7：推导逻辑回归损失函数_得到最终形式.mp4
• file:14：实战逻辑回归对鸢尾花数据集进行二分类.mp4
• file:13：对逻辑回归的损失函数求导_推导出导函数的形式.mp4
• file:15：OneVsRest将多分类问题转化成多个二分类问题.mp4
• file:10：绘制逻辑回归损失函数_探索两个参数和损失函数变换关系.mp4
• file:4：证明伯努利分布是指数族分布_推导出逻辑回归公式.mp4
• file:2：sigmoid函数作用.mp4
• file:5：回想多元线性回归公式其实也是从广义线性回归推导出来的.mp4
• file:36：软间隔SVM和总结流程.mp4
• file:32：几种SVM_SVM的损失函数.mp4
• file:38：SVM在sklearn中的使用_超参数.mp4
• file:30：SVM与感知机关系_几何距离与函数距离.mp4
• file:17：证明多项式分布属于指数族分布一种.mp4
• file:19：有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本.mp4
• file:23：实战音乐分类器_讲解需求和读取数据.mp4
• file:26：实战音乐分类器_代码使用傅里叶变换将混音文件进行投影.mp4
• file:24：实战音乐分类器_探索不同曲风音乐文件的时间频率图.mp4
• file:20：再次证明Softmax损失函数当K=2时就是逻辑回归损失函数.mp4
• file:29：实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题.mp4
• file:28：实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型.mp4
• file:18：从广义线性回归的η推导出来Softmax的公式.mp4
• file:22：逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别.mp4
• file:27：实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果.mp4
• file:49：SVM的SMO实现应用公式计算alphas和b.mp4
• file:44：再次说明α2如何进行剪裁的思路_根据α2求α1.mp4
• file:50：SVM绘制已有数据点和超平面以及边界.mp4
• file:52：概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp4
• file:42：对一元函数求极值点_推导出旧的α和新的α的关系.mp4
• file:48：SVM的SMO实现判断违背条件的α1.mp4
• file:45：启发式选择两个α.mp4
• file:51：关于sklearn中的SVM封装的类和超参.mp4
• file:43：将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁.mp4
• file:53：OVR和OVO多分类_算法小结_对比逻辑回归.mp4
• file:41：SMO将交给它的目标函数变成二元函数进一步变成一元函数.mp4
• file:40：SMO算法求解思路_分解成很多个子二次规划问题分别求解.mp4
• file:21：从AI写唐诗到Seq2Seq再到Encoder-Decoder.mp4
• file:22：Seq2Seq版Chatbot的数据预处理.mp4
• file:10：代码讲解_01.mp4
• file:7：Keras实战RNN以及词嵌入来做情感分析.mp4
• file:9：数据预处理_02.mp4
• file:34：GPT2闲聊机器人.mp4
• file:33：BERT新浪新闻10分类项目.mp4
• file:27：feature进入BiLSTM进行正向传播的过程.mp4
• file:32：补充标注偏置问题_HMM做分词代码结构.mp4
• file:29：BiLSTM-CRF模型的预测代码.mp4
• file:28：通过CRF层来计算Loss损失以及训练.mp4
• file:26：NER代码读取数据和预处理.mp4
• file:31：对比逻辑回归_相比HMM优势.mp4
• file:24：回顾了一下CRF训练和使用过程.mp4
• file:25：介绍了代码目录结构.mp4
• file:30：CRF中的特征函数们.mp4
• file:3：Word2Vec项目代码_构建一个个批次数据.mp4
• file:5：Word2Vec项目代码_评估比较相似度_最后的训练绘图.mp4
• file:1：回顾了词向量里面训练的Topology.mp4
• file:4：Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质.mp4
• file:15：AI写唐诗_数据的读取_字典的构建_文本的索引化.mp4
• file:17：MultiRNNCell单元.mp4
• file:20：AI写唐诗_模型的使用_增加随机性.mp4
• file:16：AI写唐诗_训练数据的构建.mp4
• file:19：AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码.mp4
• file:18：AI写唐诗_从词嵌入到构建RNN再到输出层概率输出.mp4
• file:16：Python_Pandas_DataFrame对象创建.mp4
• file:13：Matplotlib_绘制饼图_直方图_同时绘制多组数据分布.mp4
• file:人工智能-第1阶段数据分析（含办公自动化分析）.pdf
• file:10：Matplotlib_概述_绘制直线图.mp4
• file:12：Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比.mp4
• file:8：Numpy_算术运算_向上向下取整.mp4
• file:4：Numpy_ndarray属性_zeros_ones_like等创建数组函数.mp4
• file:3：Numpy_random随机数生成.mp4
• file:5：NumPy_reshape_切片操作_copy函数.mp4
• file:6：Numpy_改变数组维度_数组的拼接.mp4
• file:1：Numpy_概述_安装_创建数组_获取shape形状.mp4
• file:2：Numpy_array_arange.mp4
• file:21：车牌识别项目_车牌字符识别模型训练.mp4
• file:18：车牌识别项目_详解数据准备阶段代码.mp4
• file:17：PaddleOCR_项目配置_CCPD数据集介绍.mp4
• file:19：车牌识别项目_运行保存标签和剪切出的车牌图片.mp4
• file:9：预测病理性近视_调用经典卷积神经网络.mp4
• file:8：预测病理性近视_定义模型结构_评估模型.mp4
• file:15：PCB电路板缺陷检测_模型训练.mp4
• file:11：安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题.mp4
• file:10：PaddleDetection_项目配置.mp4
• file:12：PCB电路板缺陷检测_Images和Annotations.mp4
• file:3：PaddlePaddle求解线性模型.mp4
• file:5：预测波士顿房价_反向传播_模型保存_模型测试.mp4
• file:2：Pycharm运行出现mkl-service或DLL找不到的问题.mp4
• file:4：预测波士顿房价_数据读取_正向传播.mp4
• file:33：PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码.mp4
• file:25：物流信息提取项目_解决导包显示找不到nul问题.mp4
• file:27：PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader.mp4
• file:24：PaddleNLP_物流信息提取项目介绍.mp4
• file:32：SparkMLlib调用逻辑回归_使用标准归一化.mp4
• file:51：SparkML网页分类案例代码实战续（1）.mp4
• file:39：使用逻辑回归和随机森林对股票Stock预测案例实战.mp4
• file:47：SparkML机器学习库概念讲解.mp4
• file:42：从数据转化到训练集的构建.mp4
• file:10：分布式计算所需进程.mp4
• file:4：回顾hadoop讲解shuffle.mp4
• file:5：分布式计算框架Shuffle的原理_01.mp4
• file:9：Spark的RDD特性_02.mp4
• file:12：Spark算子操作实战讲解_代码实战WordCount_01.mp4
• file:11：两种算子操作本质区别.mp4
• file:3：Spark对比hadoop优势.mp4
• file:22：Spark程序启动运行流程详解_01.mp4
• file:28：介绍SparkMLlib模块中实现的算法和调用.mp4
• file:27：构建LabeledPoint.mp4
• file:16：Spark数据缓存机制.mp4
• file:26：讲解构建稀疏和稠密向量_01.mp4
• file:21：分布式文件系统Block块的大小配置.mp4
• file:5：Jupyter常用快捷键.mp4
• file:6：Conda虚拟环境创建与Python模块安装.mp4
• file:7：关联虚拟环境运行代码.mp4
• file:2：Miniconda安装和测试.mp4
• file:人工智能-第1阶段Python基础.pdf
• file:3：Pycharm安装和代码运行.mp4
• file:12：Python_控制语句_for循环.mp4
• file:25：Python_函数_定义_调用_返回值_注释.mp4
• file:22：Python_集合操作_字典keys方法_enumerate函数.mp4
• file:24：Python_打开并读取文件_中文编码问题.mp4
• file:38：Python_类对象_子类复用父类构造器和方法_方法重写.mp4
• file:21：Python_集合操作_字典和常见操作.mp4
• file:36：Python_类对象_运算符重载_私有对象方法_isinstance函数.mp4
• file:33：Python_类对象_定义与实例化对象.mp4
• file:23：Python_os模块_shutil模块.mp4
• file:8：Python是强类型的动态脚本语言.mp4
• file:30：Python_函数式编程_map_reduce_filter_匿名函数.mp4
• file:22：Adaboost如何调整样本权重和求基模型权重.mp4
• file:16：Bagging_Boosting_Stacking.mp4
• file:21：调整数据权重让权重正确率达到50%.mp4
• file:17：随机森林.mp4
• file:20：Adaboost算法思路.mp4
• file:19：OOB袋外数据.mp4
• file:15：不同聚合方式_生成不同弱学习器方式.mp4
• file:55：重新定义树ft和树的复杂度Ω.mp4
• file:60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp4
• file:49：回顾基于树集成学习的模型和参数并举例说明.mp4
• file:50：通过目标函数Obj来达到准确率和复杂度平衡.mp4
• file:51：Objective_vs_Heuristic.mp4
• file:58：根据Obj收益指导每一次分裂从而学习一棵树结构.mp4
• file:61：样本权重对于模型学习的影响.mp4
• file:57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp4
• file:59：举例说明从连续型和离散型变量中寻找最佳分裂条件.mp4
• file:56：由每个叶子节点重组目标函数Obj.mp4
• file:53：推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4
• file:47：Bias_Variance_Trade-off.mp4
• file:52：得出XGBoost最开始的Obj目标函数.mp4
• file:48：基于树集成学习4个优点.mp4
• file:54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp4
• file:62：总结XGBoost的特性_包括缺失值的处理策略.mp4
• file:4：什么是更好的一次划分.mp4
• file:2：决策树的数学表达.mp4
• file:10：绘制决策树模型_寻找最优树深度.mp4
• file:13：CCP代价复杂度后剪枝.mp4
• file:3：如何构建一颗决策树.mp4
• file:7：熵与Gini系数关系_信息增益率.mp4
• file:11：代码训练回归树拟合SineWave.mp4
• file:8：预剪枝以及相关超参数.mp4
• file:43：GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp4
• file:36：GBDT多分类叶子节点分值计算.mp4
• file:45：GBDT+LR架构预测评估代码实现.mp4
• file:39：计算特征重要度进行特征选择.mp4
• file:27：GBDT回归举例_总结.mp4
• file:25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp4
• file:23：GBDT试图使用有监督最优化算法梯度下降求解F(x).mp4
• file:41：特征组合降维在GBDT+LR架构应用.mp4
• file:31：GBDT应用于多分类任务.mp4
• file:30：GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4
• file:34：对比GBDT回归、二分类、多分类相同点与不同点.mp4
• file:32：GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp4
• file:24：GBDT令每个弱学习器f(x)去拟合负梯度.mp4
• file:29：GBDT二分类拟合的负梯度依然是残差.mp4
• file:17：MaskRCNN根据文档和论文总结重要的知识点.mp4
• file:14：MaskRCNN网络结构.mp4
• file:18：MaskRCNN项目关于运行代码环境的说明.mp4
• file:19：MaskRCNN源码config和model.mp4
• file:11：FCN全卷积网络做语义分割.mp4
• file:13：UNet网络医疗图像的语义分割.mp4
• file:7：ROIAlign.mp4
• file:8：FPN思想与网络结构.mp4
• file:2：上采样_repeat.mp4
• file:6：双线性插值作为转置卷积核的初始参数.mp4
• file:9：FPN应用于FasterRCNN_ResNetFPN.mp4
• file:5：转置卷积_以及TF的API.mp4
• file:12：推导出目标函数的导函数形式.mp4
• file:6：理解回归一词_中心极限定理_正太分布和做预测.mp4
• file:14：Python开发环境版本的选择及下载.mp4
• file:3：扩展到多元线性回归.mp4
• file:20：Scikit-learn模块的介绍.mp4
• file:第一阶段_手把手教你透彻掌握线性回归算法.pdf
• file:9：明确目标通过最大总似然求解θ.mp4
• file:15：Anaconda环境安装_Pycharm环境安装.mp4
• file:22：调用Scikit-learn中的多元线性回归求解模型(下).mp4
• file:19：解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换.mp4
• file:16：Pycharm创建脚本并测试python开发环境.mp4
• file:18：解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形.mp4
• file:10：对数似然函数_推导出损失函数MSE.mp4
• file:4：理解多元线性回归表达式几种写法的原因.mp4
• file:2：最优解_损失函数_MSE.mp4
• file:13：θ解析解的公式_是否要考虑损失函数是凸函数.mp4
• file:11：把目标函数按照线性代数的方式去表达.mp4
• file:8：引入正太分布的概率密度函数.mp4
• file:7：假设误差服从正太分布_最大似然估计MLE.mp4
• file:38：归一化的目的_维度之间数量级不同产生的矛盾.mp4
• file:39：归一化的目的_举例子来理解做归一化和不做归一化的区别.mp4
• file:41：最大值最小值归一化.mp4
• file:40：归一化的副产品_有可能会提高模型的精度.mp4
• file:36：代码改进保证训练数据全都能被随机取到.mp4
• file:25：学习率设置的学问_全局最优解.mp4
• file:32：代码实现全量梯度下降第1步和第2步.mp4
• file:23：梯度下降法产生的目的和原因以及思想.mp4
• file:29：随机梯度下降_小批量梯度下降.mp4
• file:30：对应梯度下降法的问题和挑战.mp4
• file:27：多元线性回归下的梯度下降法.mp4
• file:37：代码改进实现随着迭代增加动态调整学习率.mp4
• file:第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf
• file:31：轮次和批次.mp4
• file:49：代码调用Ridge岭回归.mp4
• file:58：实战保险花销预测_特征选择思路.mp4
• file:53：多项式升维代码实战_传入不同超参数对比.mp4
• file:52：升维的意义_多项式回归.mp4
• file:57：实战保险花销预测_模型训练和评估_选择非线性算法改进.mp4
• file:48：通过L1和L2的导函数理解区别的本质原因.mp4
• file:44：正则化的目的防止过拟合.mp4
• file:45：正则化通过损失函数加入惩罚项使得W越小越好.mp4
• file:46：常用的L1和L2正则项以及数学意义.mp4
• file:47：L1稀疏性和L2平滑性.mp4
• file:23：PyTorch中英文翻译_规范化语料库_构建中英文词典索引.mp4
• file:28：PyTorch中英文翻译_构建训练函数之Decoder计算.mp4
• file:30：PyTorch中英文翻译_绘制Attentions注意力权重.mp4
• file:25：PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器.mp4
• folder:【百战程序员】AI算法工程师就业班 - 带源码课件
• folder:16-深度学习-目标检测YOLO(V1-V4全版本)实战
• folder:10、机器学习与大数据-Kaggle竞赛实战
• folder:15-深度学习-图像识别项目实战
• folder:06、机器学习-线性分类
• folder:03、人工智能基础-Python科学计算和可视化
• folder:25、【加课】百度飞桨PaddlePaddle实战【新增】
• folder:11-机器学习与大数据-海量数据挖掘工具
• folder:24-【加课】Pytorch项目实战
• folder:19-深度学习-NLP自然语言处理原理和进阶
• folder:01、人工智能基础-快速入门
• folder:26-【加课】Linux环境编程基础
• folder:27-【加课】算法与数据结构
• folder:21-深度学习-OCR文本识别
• folder:31、【加课】强化学习【新增】
• folder:章节5：YOLOv4详解
• folder:章节2：网页分类案例
• folder:章节1：车牌识别
• folder:章节3：图像风格迁移
• folder:章节2：自然场景下的目标检测及源码分析
• folder:章节3：SVM支持向量机算法
• folder:章节2：Softmax回归
• folder:章节4：Seq2Seq聊天机器人
• folder:章节2：自然语言处理--情感分析
• folder:章节5：实战NER命名实体识别项目
• folder:章节3：数据处理分析模块Pandas
• folder:章节1：科学计算模型Numpy
• folder:章节4：PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
• folder:章节2：PaddlePaddle卷积网络_病理性近视识别
• folder:章节3：PaddleDetection工具_PCB电路板缺陷检测
• folder:章节6：PaddleNLP模块_物流信息提取（ERNIE版）
• folder:章节3：Spark机器学习MLlib和ML模块
• folder:章节1：Spark计算框架基础
• folder:章节1：Python开发环境搭建
• folder:章节2：集成学习和随机森林
• folder:章节4：XGBoost
• folder:章节3：蒙版弹幕MaskRCNN语义分割
• folder:章节2：医疗图像UNet语义分割
• folder:章节1：上采样_双线性插值_转置卷积
• folder:章节5：Lasso回归_Ridge回归_多项式回归
• folder:章节5：PyTorch编码器解码器_机器翻译
• folder:章节3：PyTorch卷积神经网络_实战CIFAR10
• folder:章节1：PyTorch运行环境安装_运行环境测试
• folder:章节2：PyTorch基础_Tensor张量运算
• folder:章节4：ELMO_BERT_GPT
• folder:章节3：从Attention机制到Transformer
• folder:章节2：循环神经网络原理与优化
• folder:章节5：现代目标检测之FasterRCNN
• folder:章节2：EM算法和GMM高斯混合模型
• folder:章节3：反向传播推导_Python代码实现神经网络
• folder:章节2：TensorFlow深度学习工具
• folder:章节3：PolicyGradient策略梯度
• folder:章节2：DeepQ-LearningNetwork
• folder:章节5：DDPG、PPO、DPPO算法
• folder:章节1：Q-Learning与SARSA算法
• folder:章节4：ActorCritic(A3C)
• folder:章节3：推荐系统--模型使用和推荐服务
• folder:章节2：推荐系统--数据预处理和模型构建评估实战
• folder:代码