【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:2：人工智能适合人群与必备技能.mp4
• 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:7：深度学习比传统机器学习有优势.mp4
• file:6：机器学习不同的学习方式.mp4
• file:4：导数的定义_左导数和右导数.mp4
• file:42：常用随机变量服从的分布.mp4
• file:48：梯度下降法的推导.mp4
• file:50：坐标下降法_数值优化面临的问题.mp4
• file:46：迭代求解的原因.mp4
• file:13：行向量列向量_转置_数乘_加减乘除.mp4
• file:19：矩阵的运算_加减法_转置.mp4
• file:16：向量的范数_范数与正则项的关系.mp4
• file:14：向量的内积_向量运算法则.mp4
• file:52：凸函数.mp4
• file:18：矩阵_方阵_对称阵_单位阵_对角阵.mp4
• file:5：导数的几何意义和物理意义.mp4
• file:10：高阶导数_导数判断单调性_导数与极值.mp4
• file:6：常见函数的求导公式.mp4
• file:12：向量的意义_n维欧式空间空间.mp4
• file:53：凸优化的性质_一般表达形式.mp4
• file:17：特殊的向量.mp4
• file:25：雅可比矩阵_在神经网络中应用.mp4
• file:29：特征值和特征向量(1).mp4
• file:15：学习向量计算的用途举例.mp4
• file:2：线性代数_概率论知识点.mp4
• file:24：高阶偏导数_梯度.mp4
• file:1：人工智能学习数学的必要性_微积分知识点.mp4
• file:11：导数判断凹凸性_导数用于泰勒展开.mp4
• file:21：车牌识别项目_车牌字符识别模型训练.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:18：车牌识别项目_详解数据准备阶段代码.mp4
• file:4：预测波士顿房价_数据读取_正向传播.mp4
• file:1：安装PaddlePaddle.mp4
• file:2：Pycharm运行出现mkl-service或DLL找不到的问题.mp4
• file:5：预测波士顿房价_反向传播_模型保存_模型测试.mp4
• file:7：预测病理性近视_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:14：PCB电路板缺陷检测_项目配置文件.mp4
• file:12：PCB电路板缺陷检测_Images和Annotations.mp4
• file:10：PaddleDetection_项目配置.mp4
• file:34：PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果.mp4
• file:24：PaddleNLP_物流信息提取项目介绍.mp4
• file:27：PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader.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:30：PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果.mp4
• file:35：代码实战_策略梯度PG网络构建.mp4
• file:29：策略梯度PG_对比基于值和基于策略网络的区别.mp4
• file:32：策略梯度PG_总结整体流程_对比交叉熵损失函数求导.mp4
• file:33：策略梯度PG_讲解CartPole环境.mp4
• file:30：策略梯度PG_明确目标函数和导函数.mp4
• file:37：策略梯度PG_对TotalReward进行均值归一化.mp4
• file:38：策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战.mp4
• file:13：代码实战SarsaLambda_训练模型.mp4
• file:7：理解Q-table_创建maze交互环境.mp4
• file:9：代码实战Q-Learning智能体选择行为.mp4
• file:6：SARSA算法和Q-learning算法.mp4
• file:3：详解Q值和V值以及它们之间关系.mp4
• file:1：强化学习通过智能体与环境交互进行学习.mp4
• file:5：蒙特卡洛和时序差分估算状态V值.mp4
• file:11：代码实战Sarsa_Agent和Env整体交互.mp4
• file:2：引入马尔科夫链和价值评估的Q值与V值.mp4
• file:23：DoubleDQN缓解over-estimate.mp4
• file:16：ε-greedy_ReplayBuffer_FixedQ-targets.mp4
• file:20：代码实战DQN_训练阶段得到Q网络的预测值和真实值.mp4
• file:26：困难样本挖掘_Multi-step_NoiseyNet系统的探索.mp4
• file:27：计算Action的方差避免风险.mp4
• file:19：代码实战DQN_定义损失函数_构建Target网络更新逻辑.mp4
• file:18：代码实战DQN_构建Q网络.mp4
• file:25：DuelingDQN.mp4
• file:21：代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小.mp4
• file:15：DQN算法具体流程.mp4
• file:28：Rainbow_DQN如何计算连续型的Actions.mp4
• file:24：DoubleDQN代码实战.mp4
• file:62：代码实战_PPO与环境整体交互_Actor与Critic网络构建.mp4
• file:61：PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题.mp4
• file:56：代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示.mp4
• file:58：PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy.mp4
• file:59：PPO_通过重要性采样使得PPO可以做Off-Policy学习.mp4
• file:66：代码实战_DPPO_创建一个PPO和多个Worker_创建多线程.mp4
• file:60：PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题.mp4
• file:53：DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic.mp4
• file:57：TD3_使用DoubleNetwork优化DDPG.mp4
• file:63：代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑.mp4
• file:55：代码实战_DDPG_Critic网络构建_Actor网络链式求导.mp4
• file:54：代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑.mp4
• file:64：代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示.mp4
• file:65：DPPO分布式PPO.mp4
• file:46：代码实战_A3C_讲解Coordinator调度多线程运算.mp4
• file:49：代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑.mp4
• file:47：代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性.mp4
• file:43：代码实战_详解Critic网络构建及训练.mp4
• file:45：Pendulum环境_根据网络预测的μ和σ得到连续型的action值.mp4
• file:52：代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示.mp4
• file:44：A3C架构和训练流程.mp4
• file:40：AdvantageActorCritic_共享参数和修改reward技巧.mp4
• file:50：代码实战_A3C_结合流程图分三点总结前面讲的代码.mp4
• file:39：ActorCritic原理_把PG和QLearning结合起来.mp4
• file:48：代码实战_A3C_增加actor探索性用到熵_定义worker正太分布抽样和求梯度的逻辑.mp4
• file:6：Word2Vec项目代码_总结串讲.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:33：BERT新浪新闻10分类项目.mp4
• file:34：GPT2闲聊机器人.mp4
• file:21：从AI写唐诗到Seq2Seq再到Encoder-Decoder.mp4
• file:23：Seq2Seq版Chatbot训练和模型使用.mp4
• file:27：feature进入BiLSTM进行正向传播的过程.mp4
• file:30：CRF中的特征函数们.mp4
• file:28：通过CRF层来计算Loss损失以及训练.mp4
• file:31：对比逻辑回归_相比HMM优势.mp4
• file:29：BiLSTM-CRF模型的预测代码.mp4
• file:24：回顾了一下CRF训练和使用过程.mp4
• file:26：NER代码读取数据和预处理.mp4
• file:25：介绍了代码目录结构.mp4
• file:32：补充标注偏置问题_HMM做分词代码结构.mp4
• file:20：AI写唐诗_模型的使用_增加随机性.mp4
• file:17：MultiRNNCell单元.mp4
• file:16：AI写唐诗_训练数据的构建.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: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:15：AI写唐诗_数据的读取_字典的构建_文本的索引化.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:14：Viterbi算法代码实现.mp4
• file:7：HMM隐马的定义.mp4
• file:9：HMM预测问题使用前向算法.mp4
• file:12：前向算法来解决概率计算问题.mp4
• file:11：HMM复习_明确概率计算问题要解决的目标.mp4
• file:8：HMM隐马的三组参数_三个基本问题.mp4
• file:17：了解CRF层添加的好处.mp4
• file:22：通过模型来预测新的句子的序列标签.mp4
• file:16：讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp4
• file:18：EmissionScore_TransitionScore.mp4
• file:CRF_NER.pdf
• file:21：计算CRF所有可能路径的总分数.mp4
• file:15：NER与分词和POS的关系_NER的标注策略_NER的主要方法.mp4
• file:6：贝叶斯网络_马尔可夫链.mp4
• file:4：sklearn中调用NB_顺便讲解了GridSearchCV.mp4
• file:5：语言模型的设计目的_MLE的作用进行参数估计.mp4
• file:2：TF-IDF.mp4
• file:3：NB代码实现解析.mp4
• file:1：朴素贝叶斯分类算法.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: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:47：SVM的SMO实现读取数据和计算fx与Ei.mp4
• file:45：启发式选择两个α.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:53：OVR和OVO多分类_算法小结_对比逻辑回归.mp4
• file:39：SVM算法流程总结.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: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: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:30：SVM与感知机关系_几何距离与函数距离.mp4
• file:SVM算法.pdf
• file:35：总结硬间隔SVM.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:33：数学预备知识_拉格朗日函数.mp4
• file:3：逻辑回归为什么用sigmoid函数_预备知识.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:第五阶段_线性分类算法_逻辑回归和Softmax回归.pdf
• 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:15：OneVsRest将多分类问题转化成多个二分类问题.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: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: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: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:2：sigmoid函数作用.mp4
• file:18：从广义线性回归的η推导出来Softmax的公式.mp4
• file:25：实战音乐分类器_傅里叶变换可以帮助我们做什么.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: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: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: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: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: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:23：实战音乐分类器_讲解需求和读取数据.mp4
• file:21：调整数据权重让权重正确率达到50%.mp4
• file:20：Adaboost算法思路.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: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:51：Objective_vs_Heuristic.mp4
• file:57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj.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: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:53：推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4
• file:52：得出XGBoost最开始的Obj目标函数.mp4
• file:56：由每个叶子节点重组目标函数Obj.mp4
• file:55：重新定义树ft和树的复杂度Ω.mp4
• file:50：通过目标函数Obj来达到准确率和复杂度平衡.mp4
• file:47：Bias_Variance_Trade-off.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:48：基于树集成学习4个优点.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:61：样本权重对于模型学习的影响.mp4
• file:60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp4
• file:62：总结XGBoost的特性_包括缺失值的处理策略.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: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:30：GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4
• file:29：GBDT二分类拟合的负梯度依然是残差.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:39：计算特征重要度进行特征选择.mp4
• file:42：GBDT在sklearn中源码剖析_初始化F(x).mp4
• file:45：GBDT+LR架构预测评估代码实现.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:40：GBDT用于特征组合降维.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:10：绘制决策树模型_寻找最优树深度.mp4
• file:1：决策树模型的特点.mp4
• file:3：如何构建一颗决策树.mp4
• file:13：CCP代价复杂度后剪枝.mp4
• file:11：代码训练回归树拟合SineWave.mp4
• file:4：什么是更好的一次划分.mp4
• file:6：信息增益.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:20：PCA的几种应用.mp4
• file:17：PCA的最大投影方差思路.mp4
• file:19：SVD其实就可以去实现PCA了.mp4
• file:18：最大投影方差推导_最小投影距离思路.mp4
• file:16：特征选择与特征映射.mp4
• file:PCA降维与SVD.pdf
• file:2：距离测度欧式距离和余弦距离的场景_TFIDF.mp4
• file:5：KMeans代码测试不同情况下的聚类效果.mp4
• file:6：层次聚类_密度聚类_谱聚类.mp4
• file:1：KMeans聚类流程_距离测度欧式距离和余弦距离.mp4
• file:3：KMeans的一些变形_KMeans的损失函数推导及假设.mp4
• file:4：mini-batchKMeans_Canopy聚类_聚类评估指标.mp4
• file:15：通过声音文件利用GMM算法识别是谁.mp4
• file:EM算法与GMM模型.pdf
• file:9：GMM参数估计Πμσ的流程.mp4
• file:13：GMM前景背景分离.mp4
• file:11：将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp4
• file:10：Jensen不等式的应用.mp4
• file:7：单个高斯分布GM的参数估计.mp4
• file:8：理解GMM高斯混合分布的对数似然函数.mp4
• file:2：OCR识别本质就是文字检测和文字识别.mp4
• file:10：CRNN项目代码剖析.mp4
• file:1：传统OCR识别_深度学习OCR识别.mp4
• file:4：总结理解深度学习文字识别架构.mp4
• file:5：CTC损失函数的理解.mp4
• file:8：GreedySearch和BeamSearch解码的方式与代码逻辑.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:7：CTC前向后向算法代码.mp4
• file:3：OCR识别的CTC损失思想.mp4
• file:5：转置卷积_以及TF的API.mp4
• file:2：上采样_repeat.mp4
• file:7：ROIAlign.mp4
• file:6：双线性插值作为转置卷积核的初始参数.mp4
• file:8：FPN思想与网络结构.mp4
• file:9：FPN应用于FasterRCNN_ResNetFPN.mp4
• file:15：MaskRCNN的项目展示.mp4
• file:17：MaskRCNN根据文档和论文总结重要的知识点.mp4
• file:19：MaskRCNN源码config和model.mp4
• file:13：UNet网络医疗图像的语义分割.mp4
• file:10：语义分割的基本概念.mp4
• file:11：FCN全卷积网络做语义分割.mp4
• file:8：经典的CNN架构和LeNet5.mp4
• file:2：单通道卷积的计算.mp4
• file:5：卷积的补充与Padding填充模式.mp4
• file:4：卷积层权值共享.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:22：InceptionV1_V2.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:24：ResNet残差单元_BottlenetBlocK.mp4
• file:27：BatchNormalization.mp4
• file:26：DenseNet在Keras里面的代码实现.mp4
• file:18：Optimizer_Adagrad_Adadelta_RMSprop.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:13：深度学习网络对应ACC准确率忽然下降的思考点.mp4
• file:17：Optimizer_SGD_Momentum.mp4
• file:14：减轻梯度消失问题中激活函数发挥的作用.mp4
• file:9：AlexNet网络结构_连续使用小的卷积核好处.mp4
• file:12：CNN对MNIST数据集分类_全连接层以及训练代码.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:32：R-CNN和SPP-net.mp4
• file:33：从FastRCNN引入FasterRCNN.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:FasterR-CNNTowardsReal-TimeObjectDetectionwithRegionProposalNetworks.pdf
• 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:36：NMS代码实现流程_mAP目标检测平均指标.mp4
• file:35：FasterRNN的核心RPN_正向传播的框过滤_NMS.mp4
• file:30：PyTorch中英文翻译_绘制Attentions注意力权重.mp4
• file:26：PyTorch中英文翻译_构建训练函数之Encoder计算.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
• 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:3：Pycharm关联PyTorch运行环境.mp4
• file:2：PyTorch的安装.mp4
• file:19：PyTorch词性标注_构建数据和词索引号.mp4
• file:7：广播机制_逐元素操作.mp4
• file:6：修改Tensor的形状_索引操作.mp4
• file:8：归并操作_比较操作_矩阵操作.mp4
• file:9：PyTorch实战CIFAR10数据_读取和展示.mp4
• file:13：使用全局平均池化_使用LeNet模型.mp4
• file:17：迁移学习_PyTorch代码实战冻结预训练模型参数.mp4
• file:14：使用集成学习思想训练识别模型.mp4
• file:15：使用VGG16模型提供准确率.mp4
• file:16：torchvision里面的预训练模型.mp4
• file:18：YOLOv3代码剖析_weights到h5模型的转换.mp4
• file:16：YOLOv3代码剖析_model输出之后的预测框的计算.mp4
• file:15：YOLOv3代码剖析_聚类anchors_构建backbone主干网络.mp4
• file:19：YOLOv3代码剖析_模型的训练部分详解.mp4
• file:4：YOLOv1论文详解_NMS_局限性.mp4
• file:3：YOLOv1论文详解_训练中的技巧_Loss损失函数.mp4
• file:21：YOLOv4_BOF_GIoU_DIoU_CIoU.mp4
• file:23：YOLOv4_BOS_SAM_PAN_CSP_CmBN.mp4
• file:20：YOLOv4_BOF_DropBlock_FocalLoss.mp4
• file:6：YOLOv2论文详解_mAP更better的一些点.mp4
• file:5：YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes.mp4
• file:8：YOLOv2论文详解_层级分类_层级分类用于目标检测.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: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:12：YOLOv4论文概述_介绍.mp4
• 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:RNN_Attention机制.pdf
• file:19：Transformer_Self-Attention_Multi-head.mp4
• file:8：负采样和负采样应用到CBOW模型上.mp4
• file:2：NPLM神经网络语言模型.mp4
• file:3：词向量的作用.mp4
• file:4：CBOW模型思想和计算过程.mp4
• file:Word2Vec.pdf
• file:6：Huffman树_分层Softmax的思想.mp4
• file:23：ERNIE_GPT.mp4
• file:11：利用RNN循环神经网络对MNIST手写数字识别.mp4
• file:10：理解RNN循环神经网络计算流程.mp4
• file:16：双向RNN_LSTM.mp4
• file:12：理解LSTM长短时记忆_记住Topo和公式.mp4
• file:15：LSTM的回顾复习_LSTM手写数字识别.mp4
• file:13：VanillaRNN的回顾复习.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: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:22：python实现神经网络训练代码讲解(一).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:12：Tensorflow代码运行机制_TF基础的代码.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:10：CUDA下载地址_CUDA显卡白名单地址.mp4
• file:15：TF实现Softmax回归来识别MNIST手写数字.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:11：CUDA安装_cudnn安装_环境变量配置_检验是否安装成功.mp4
• folder:【百战程序员】AI算法工程师就业班 - 带源码课件
• folder:25、【加课】百度飞桨PaddlePaddle实战【新增】
• folder:31、【加课】强化学习【新增】
• folder:20-深度学习-NLP自然语言处理项目实战
• folder:01、人工智能基础-快速入门
• folder:09、机器学习-概率图模型
• folder:21-深度学习-OCR文本识别
• folder:17-深度学习-语义分割原理和实战
• folder:24-【加课】Pytorch项目实战
• folder:16-深度学习-目标检测YOLO(V1-V4全版本)实战
• folder:03、人工智能基础-Python科学计算和可视化
• folder:12-机器学习与大数据-推荐系统项目实战
• folder:27-【加课】算法与数据结构
• folder:26-【加课】Linux环境编程基础
• folder:章节4：PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
• folder:章节1：PaddlePaddle框架安装_波士顿房价预测
• 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：PolicyGradient策略梯度
• folder:章节1：Q-Learning与SARSA算法
• folder:章节2：DeepQ-LearningNetwork
• folder:章节5：DDPG、PPO、DPPO算法
• folder:章节4：ActorCritic(A3C)
• folder:章节1：词向量
• folder:章节7：GPT2聊天机器人
• folder:章节5：实战NER命名实体识别项目
• folder:章节2：自然语言处理--情感分析
• folder:章节4：SMO优化算法
• folder:章节2：Softmax回归
• folder:章节2：集成学习和随机森林
• folder:章节2：EM算法和GMM高斯混合模型
• 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1：卷积神经网络原理
• folder:章节5：现代目标检测之FasterRCNN
• folder:章节5：PyTorch编码器解码器_机器翻译
• 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3：PyTorch卷积神经网络_实战CIFAR10
• folder:章节4：YOLOv3代码实战
• folder:章节3：从Attention机制到Transformer
• folder:章节4：ELMO_BERT_GPT
• 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1：科学计算模型Numpy
• folder:章节3：数据处理分析模块Pandas
• 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:章节5：Lasso回归_Ridge回归_多项式回归
• 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1：Spark计算框架基础
• folder:章节3：Spark机器学习MLlib和ML模块
• folder:章节2：网页分类案例
• folder:章节1：Python开发环境搭建
• folder:代码