【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:44：最大似然估计思想.mp4
• file:43：随机向量_独立性_协方差_随机向量的正太分布.mp4
• file:41：数学期望和方差.mp4
• file:38：概率论_随机事件与随机事件概率.mp4
• file:35：奇异值分解性质_数据压缩.mp4
• file:31：特征值分解.mp4
• file:40：随机变量.mp4
• file:32：多元函数的泰勒展开_矩阵和向量的求导.mp4
• file:36：SVD用于PCA降维.mp4
• file:3：最优化知识_数学内容学习重点.mp4
• file:39：条件概率_贝叶斯公式.mp4
• file:26：Hessian矩阵.mp4
• file:16：向量的范数_范数与正则项的关系.mp4
• file:19：矩阵的运算_加减法_转置.mp4
• file:28：补充关于正定负定的理解.mp4
• file:2：线性代数_概率论知识点.mp4
• file:18：矩阵_方阵_对称阵_单位阵_对角阵.mp4
• file:15：学习向量计算的用途举例.mp4
• file:25：雅可比矩阵_在神经网络中应用.mp4
• file:23：多元函数求偏导.mp4
• file:1：人工智能学习数学的必要性_微积分知识点.mp4
• file:22：矩阵的行列式.mp4
• file:29：特征值和特征向量(1).mp4
• file:5：人工智能常见流程.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:2：人工智能适合人群与必备技能.mp4
• file:9：无监督机器学习任务与本质.mp4
• file:9：绘制逻辑回归损失函数_探索单个参数和损失的关系.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:6：推导逻辑回归损失函数_得到总似然的公式.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:13：对逻辑回归的损失函数求导_推导出导函数的形式.mp4
• file:3：逻辑回归为什么用sigmoid函数_预备知识.mp4
• file:15：OneVsRest将多分类问题转化成多个二分类问题.mp4
• file:16：实战逻辑回归对鸢尾花数据集进行多分类.mp4
• file:2：sigmoid函数作用.mp4
• file:第五阶段_线性分类算法_逻辑回归和Softmax回归.pdf
• 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: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:53：OVR和OVO多分类_算法小结_对比逻辑回归.mp4
• file:51：关于sklearn中的SVM封装的类和超参.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:50：SVM绘制已有数据点和超平面以及边界.mp4
• file:49：SVM的SMO实现应用公式计算alphas和b.mp4
• file:48：SVM的SMO实现判断违背条件的α1.mp4
• file:46：如何计算阈值b.mp4
• file:45：启发式选择两个α.mp4
• file:44：再次说明α2如何进行剪裁的思路_根据α2求α1.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: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: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: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:39：SVM算法流程总结.mp4
• file:34：硬间隔SVM的两步优化.mp4
• file:38：SVM在sklearn中的使用_超参数.mp4
• file:33：数学预备知识_拉格朗日函数.mp4
• file:SVM算法.pdf
• file:30：SVM与感知机关系_几何距离与函数距离.mp4
• file:32：几种SVM_SVM的损失函数.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:21：证明Softmax公式K=2的时候就是逻辑回归_平移不变性.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: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:18：从广义线性回归的η推导出来Softmax的公式.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:23：实战音乐分类器_讲解需求和读取数据.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: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:17：证明多项式分布属于指数族分布一种.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:2：上采样_repeat.mp4
• file:8：FPN思想与网络结构.mp4
• file:9：FPN应用于FasterRCNN_ResNetFPN.mp4
• file:7：ROIAlign.mp4
• file:5：转置卷积_以及TF的API.mp4
• file:6：双线性插值作为转置卷积核的初始参数.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:10：语义分割的基本概念.mp4
• file:13：UNet网络医疗图像的语义分割.mp4
• file:11：FCN全卷积网络做语义分割.mp4
• file:8：负采样和负采样应用到CBOW模型上.mp4
• file:3：词向量的作用.mp4
• file:5：Skip-gram模型思想和计算过程.mp4
• file:6：Huffman树_分层Softmax的思想.mp4
• file:2：NPLM神经网络语言模型.mp4
• file:Word2Vec.pdf
• file:23：ERNIE_GPT.mp4
• file:RNN_Attention机制.pdf
• file:20：Transformer_Positional_使用逻辑_网络结构总结.mp4
• file:18：Seq2Seq中Attention注意力机制.mp4
• file:19：Transformer_Self-Attention_Multi-head.mp4
• file:9：理解RNN循环神经网络拓扑结构.mp4
• file:16：双向RNN_LSTM.mp4
• file:17：RNN里面应用的Topology结构.mp4
• file:15：LSTM的回顾复习_LSTM手写数字识别.mp4
• file:11：利用RNN循环神经网络对MNIST手写数字识别.mp4
• file:13：VanillaRNN的回顾复习.mp4
• file:12：理解LSTM长短时记忆_记住Topo和公式.mp4
• file:14：补充讲一下为什么RNN中链越长越容易梯度消失.mp4
• file:19：Optimizer_Adam.mp4
• file:18：Optimizer_Adagrad_Adadelta_RMSprop.mp4
• file:16：VGG网络结构_以及1乘1的卷积核的作用和好处.mp4
• file:13：深度学习网络对应ACC准确率忽然下降的思考点.mp4
• file:15：减轻梯度消失问题中参数初始化发挥的作用.mp4
• file:12：CNN对MNIST数据集分类_全连接层以及训练代码.mp4
• file:11：数据增强技术点_CNN对MNIST数据集分类_卷积池化代码.mp4
• file:10：Dropout技术点思想和运用.mp4
• file:9：AlexNet网络结构_连续使用小的卷积核好处.mp4
• file:33：从FastRCNN引入FasterRCNN.mp4
• file:32：R-CNN和SPP-net.mp4
• file:31：IOU以及python计算的代码.mp4
• file:30：使用OpenCV调用分类器找到目标框.mp4
• file:29：图像识别任务_古典目标检测.mp4
• file:37：FasterRCNN论文讲解_从介绍到RPN的loss.mp4
• file:34：回顾RCNN_SPPnet_Fast-RCNN.mp4
• file:35：FasterRNN的核心RPN_正向传播的框过滤_NMS.mp4
• file:36：NMS代码实现流程_mAP目标检测平均指标.mp4
• file:FasterR-CNNTowardsReal-TimeObjectDetectionwithRegionProposalNetworks.pdf
• file:2：单通道卷积的计算.mp4
• file:8：经典的CNN架构和LeNet5.mp4
• file:1：回顾深度神经网络_卷积层是局部连接.mp4
• file:6：卷积的计算TF中的API操作与参数.mp4
• file:4：卷积层权值共享.mp4
• file:5：卷积的补充与Padding填充模式.mp4
• file:26：DenseNet在Keras里面的代码实现.mp4
• file:21：VGG16_Fine-tuning_对MNIST做手写数字识别.mp4
• file:28：Mobilenet网络架构.mp4
• file:20：Keras介绍_以及不同项目调用不同的python环境和CUDA环境.mp4
• file:23：InceptionV3_以及InceptionV3对皮肤癌图片识别.mp4
• file:27：BatchNormalization.mp4
• file:24：ResNet残差单元_BottlenetBlocK.mp4
• file:22：InceptionV1_V2.mp4
• file:9：栈与双端队列.mp4
• file:27：二叉树获取最小值.mp4
• file:12：哈希表冲突问题2.mp4
• file:8：队列(线式).mp4
• file:1：数据结构与算法简介.mp4
• file:25：最大堆的删除操作.mp4
• file:34：代码实现随机梯度下降.mp4
• file:30：对应梯度下降法的问题和挑战.mp4
• file:29：随机梯度下降_小批量梯度下降.mp4
• file:27：多元线性回归下的梯度下降法.mp4
• file:25：学习率设置的学问_全局最优解.mp4
• file:23：梯度下降法产生的目的和原因以及思想.mp4
• file:第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf
• file:37：代码改进实现随着迭代增加动态调整学习率.mp4
• file:36：代码改进保证训练数据全都能被随机取到.mp4
• file:49：代码调用Ridge岭回归.mp4
• file:56：实战保险花销预测_数据预处理.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: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:9：明确目标通过最大总似然求解θ.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:6：理解回归一词_中心极限定理_正太分布和做预测.mp4
• file:5：理解维度这个概念.mp4
• file:4：理解多元线性回归表达式几种写法的原因.mp4
• file:22：调用Scikit-learn中的多元线性回归求解模型(下).mp4
• file:2：最优解_损失函数_MSE.mp4
• file:3：扩展到多元线性回归.mp4
• file:20：Scikit-learn模块的介绍.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:12：推导出目标函数的导函数形式.mp4
• file:第一阶段_手把手教你透彻掌握线性回归算法.pdf
• 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:11：把目标函数按照线性代数的方式去表达.mp4
• file:15：Anaconda环境安装_Pycharm环境安装.mp4
• file:14：Python开发环境版本的选择及下载.mp4
• file:16：Pycharm创建脚本并测试python开发环境.mp4
• file:10：对数似然函数_推导出损失函数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: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:40：归一化的副产品_有可能会提高模型的精度.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:47：L1稀疏性和L2平滑性.mp4
• file:48：通过L1和L2的导函数理解区别的本质原因.mp4
• file:46：常用的L1和L2正则项以及数学意义.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:44：正则化的目的防止过拟合.mp4
• file:43：代码完成标准归一化.mp4
• file:22：Adaboost如何调整样本权重和求基模型权重.mp4
• file:19：OOB袋外数据.mp4
• file:20：Adaboost算法思路.mp4
• file:21：调整数据权重让权重正确率达到50%.mp4
• file:16：Bagging_Boosting_Stacking.mp4
• file:15：不同聚合方式_生成不同弱学习器方式.mp4
• file:8：预剪枝以及相关超参数.mp4
• file:7：熵与Gini系数关系_信息增益率.mp4
• file:3：如何构建一颗决策树.mp4
• file:5：Gini系数.mp4
• file:4：什么是更好的一次划分.mp4
• file:14：CCP代价复杂度剪枝_α超参数设定.mp4
• file:11：代码训练回归树拟合SineWave.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:62：总结XGBoost的特性_包括缺失值的处理策略.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: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:61：样本权重对于模型学习的影响.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:52：得出XGBoost最开始的Obj目标函数.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:47：Bias_Variance_Trade-off.mp4
• file:51：Objective_vs_Heuristic.mp4
• file:48：基于树集成学习4个优点.mp4
• file:46：回顾有监督机器学习三要素.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:53：推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4
• file:45：GBDT+LR架构预测评估代码实现.mp4
• file:33：GBDT多分类流程.mp4
• file:39：计算特征重要度进行特征选择.mp4
• file:29：GBDT二分类拟合的负梯度依然是残差.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:34：对比GBDT回归、二分类、多分类相同点与不同点.mp4
• file:41：特征组合降维在GBDT+LR架构应用.mp4
• file:42：GBDT在sklearn中源码剖析_初始化F(x).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:24：GBDT令每个弱学习器f(x)去拟合负梯度.mp4
• file:35：GBDT二分类叶子节点分值计算推导.mp4
• file:30：GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4
• file:9：总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp4
• file:8：训练数据的准备_每一阶段训练的流程.mp4
• file:6：PRelu_每阶段输出多分支意义.mp4
• file:7：每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp4
• file:4：MTCNN论文_摘要和介绍.mp4
• file:1：人脸识别任务种类_具体做法思路.mp4
• file:3：人脸识别项目代码整体结构.mp4
• file:2：开源的FaceNet项目介绍.mp4
• file:19：人脸识别项目代码_人脸匹配以及最后的绘图展示.mp4
• file:18：人脸识别项目代码_FaceNet模型加载和使用.mp4
• file:16：FaceNet论文_TripleSelection很至关重要.mp4
• file:13：FaceNet论文_相关的介绍.mp4
• file:11：人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框.mp4
• file:8：GreedySearch和BeamSearch解码的方式与代码逻辑.mp4
• file:7：CTC前向后向算法代码.mp4
• file:6：CTC损失函数前向后向算法推导_梯度求导公式推导.mp4
• file:3：OCR识别的CTC损失思想.mp4
• file:4：总结理解深度学习文字识别架构.mp4
• file:2：OCR识别本质就是文字检测和文字识别.mp4
• file:1：传统OCR识别_深度学习OCR识别.mp4
• file:10：CRNN项目代码剖析.mp4
• file:20：Linux_常用配置_设置网络类型.mp4
• file:1：Linux_课程介绍.mp4
• file:16：Linux_常用命令_reboot、halt.mp4
• file:23：Linux_上传与下载_Xftp的使用.mp4
• file:25：Linux_文件的压缩与解压缩处理.mp4
• file:13：MLlib对网页分类竞赛数据预处理.mp4
• file:16：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_01.mp4
• file:8：Kaggle网页分类竞赛介绍.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:11：竞赛其他相关提交成绩排行榜.mp4
• file:7：kaggle竞赛网站学习.mp4
• file:4：对数据里面的目标变量sales的一个分析.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:6：模型的训练_评估.mp4
• file:2：三种常见的激活函数_网络拓扑介绍_优化算法.mp4
• file:9：tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装.mp4
• file:8：隐藏层激活函数必须是非线性的.mp4
• file:1：神经网络是有监督的算法_生物神经元到人工神经元.mp4
• file:5：隐藏层的意义_隐藏层相当于去做预处理_升维降维.mp4
• file:4：用神经网络理解Softmax回归.mp4
• file:6：多节点网络输出_sklearn中NN模块的介绍.mp4
• file:7：sklearn中NN模型的代码使用.mp4
• file:3：单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类.mp4
• file:17：反向传播_链式求导法则.mp4
• file:21：反向传播推导(四)关于Δ和a还有梯度的更新事宜.mp4
• file:20：反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例.mp4
• file:23：python实现神经网络正向反向传播训练.mp4
• file:10：CUDA下载地址_CUDA显卡白名单地址.mp4
• file:14：TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据.mp4
• file:13：TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式.mp4
• file:11：CUDA安装_cudnn安装_环境变量配置_检验是否安装成功.mp4
• file:15：TF实现Softmax回归来识别MNIST手写数字.mp4
• file:12：Tensorflow代码运行机制_TF基础的代码.mp4
• file:53：SparkML网页分类案例代码实战续（2）.mp4
• file:46：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:40：使用逻辑回归和随机森林对股票Stock预测案例实战.mp4
• file:38：SparkMLlib调用KMeans聚类_调用决策树(1).mp4
• file:35：SparkMLlib调用逻辑回归_使用标准归一化_4.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:26：讲解构建稀疏和稠密向量_01.mp4
• file:16：Spark数据缓存机制.mp4
• file:21：分布式文件系统Block块的大小配置.mp4
• file:18：Spark宽依赖和窄依赖_02.mp4
• file:24：Spark程序启动运行流程详解_03.mp4
• file:13：Spark算子操作实战讲解_代码实战WordCount_02.mp4
• file:5：分布式计算框架Shuffle的原理_01.mp4
• file:4：回顾hadoop讲解shuffle.mp4
• file:3：Spark对比hadoop优势.mp4
• file:10：分布式计算所需进程.mp4
• file:11：两种算子操作本质区别.mp4
• file:14：HQL语句_python脚本构建中间结果.mp4
• file:22：MLlib调用算法计算模型文件并存储.mp4
• file:18：推荐系统_数据预处理_spark构建特征索引_标签列.mp4
• file:25：ACC准确率和AUC面积的计算以及意义.mp4
• file:37：Dubbo推荐服务演示_SparkMLlib介绍.mp4
• file:34：使用Dubbo将推荐系统做成服务.mp4
• file:29：实时在线推荐列表计算逻辑代码讲解.mp4
• file:26：推荐模型文件使用思路.mp4
• file:27：Redis数据库安装及其使用.mp4
• folder:【百战程序员】AI算法工程师就业班 - 带源码课件
• folder:06、机器学习-线性分类
• folder:17-深度学习-语义分割原理和实战
• folder:27-【加课】算法与数据结构
• folder:21-深度学习-OCR文本识别
• folder:26-【加课】Linux环境编程基础
• folder:10、机器学习与大数据-Kaggle竞赛实战
• folder:04、人工智能基础-高等数学知识强化
• folder:11-机器学习与大数据-海量数据挖掘工具
• folder:16-深度学习-目标检测YOLO(V1-V4全版本)实战
• folder:20-深度学习-NLP自然语言处理项目实战
• folder:31、【加课】强化学习【新增】
• folder:24-【加课】Pytorch项目实战
• 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:章节1：逻辑回归
• folder:章节4：SMO优化算法
• folder:章节2：Softmax回归
• folder:章节1：上采样_双线性插值_转置卷积
• 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5：Lasso回归_Ridge回归_多项式回归
• folder:章节2：集成学习和随机森林
• folder:章节2：网页分类案例
• 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：Spark机器学习MLlib和ML模块
• folder:章节2：Spark计算框架深入
• folder:章节2：推荐系统--数据预处理和模型构建评估实战
• folder:章节3：推荐系统--模型使用和推荐服务
• folder:章节5：YOLOv4详解
• folder:章节2：自然语言处理--情感分析
• folder:章节6：BERT新浪新闻10分类项目
• folder:章节5：实战NER命名实体识别项目
• folder:章节7：GPT2聊天机器人
• folder:章节5：DDPG、PPO、DPPO算法
• folder:章节2：DeepQ-LearningNetwork
• folder:章节3：PolicyGradient策略梯度
• folder:章节4：ActorCritic(A3C)
• folder:章节1：Q-Learning与SARSA算法
• folder:章节4：PyTorch循环神经网络_词性标注
• 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2：Python基础语法
• 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5：PaddleNLP模块_物流信息提取（BiGRU+CRF）
• folder:章节3：PaddleDetection工具_PCB电路板缺陷检测
• folder:章节2：PaddlePaddle卷积网络_病理性近视识别
• folder:章节2：自然场景下的目标检测及源码分析
• folder:章节3：图像风格迁移
• folder:章节2：EM算法和GMM高斯混合模型