2025人工智能深度学习系统班(第十一期)
来自 网络整理·免费领取学习资源
5,047 领取 · 6,995 收藏更新于 2026年9月20日
这份资料来自网络整理2026年的付费VIP课，内容以视频为主，对应《2025人工智能深度学习系统班(第十一期)》。官网需要单独购买，有集上可以免费领取。
网盘截图：
课程目录
- 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
- 13-13-岭回归与lasso.sz
- 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
- 03-3-fbprophet时间序列预测实例.sz
- 04-4-亚马逊股价趋势.sz
- 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
- 03-3-fbprophet时间序列预测实例.sz
- 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-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
- 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
- 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
- 03-3-词袋模型分析.sz
- 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
- 03-3-batch数据制作.sz
- 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
- SVD
- 概率分布与概率密度
- 概率论
- 高等数学
- 核函数
- 后验概率估计
- 激活函数
- 矩阵
- 拉格朗日乘子法
- 熵
- 似然函数
- 泰勒公式
- 特征值与特征向量
- 梯度
- 统计分析-数据代码
- 微积分
- 资料
- 第八模块：Python金融分析与量化交易实战
- 第1-3章：Python基础
- 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
- 第19章：Matplotlib工具包实战
- 第20章：Seaborn
- 第4章：Numpy
- 第5章：Pandas
- 第11章：因子数据预处理
- 第13章：因子分析实战
- 第15章：基于回归的策略分析
- 第16章：聚类与统计策略分析
- 第18章：深度学习时间序列预测
- 第6章：金融时间序列分析
- 第7章：双均线交易策略实例
- 第8章：策略评估指标
- 第9章：量化交易解读
- 第九模块：深度学习入门
- 神经网络新
- 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
- 第八章：NLP核心模型-word2vec
- 第二章：爱彼迎数据集分析与建模
- 第九章：自然语言处理特征提取方法对比
- 第六章：机器学习-模型解释方法实战
- 第三章：基于相似度的酒店推荐系统
- 第十二章：图像特征聚类分析实践
- 第十一章：银行客户还款可能性预测
- 第十章：数据特征预处理
- 第四章：商品销售额回归分析
- 第五章：绝地求生数据集探索分析与建模
- 第一章：Python实战关联规则
- 第七模块：数据挖掘竞赛-优胜解决方案
- 第八章：数据特征常用构建方法
- 第二章：工业化生产预测
- 第九章：用电敏感客户分类
- 第六章：贷款平台风控模型-特征工程
- 第七章：新闻关键词抽取模型
- 第三章：智慧城市道路通行时间预测
- 第十章：机器学习项目实战模板
- 第四章：特征工程建模可解释工具包
- 第五章：医学糖尿病数据命名实体识别
- 第一章：快手用户活跃度预测
- 第三模块：数学基础
- 统计分析
- SVD
- 概率分布与概率密度
- 概率论
- 高等数学
- 核函数
- 后验概率估计
- 激活函数
- 矩阵
- 拉格朗日乘子法
- 熵
- 似然函数
- 泰勒公式
- 特征值与特征向量
- 梯度
- 微积分
- 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
- 10-决策树原理
- 11-决策树代码实现
- 12-决策树实验分析
- 13-集成算法原理
- 14-集成算法实验分析
- 15-支持向量机原理推导
- 16-支持向量机实验分析
- 17-神经网络算法原理
- 18-神经网络代码实现
- 19-贝叶斯算法原理
- 2-线性回归代码实现
- 20-贝叶斯代码实现
- 21-关联规则实战分析
- 22-关联规则代码实现
- 23-词向量word2vec通俗解读
- 24-代码实现word2vec词向量模型
- 25-推荐系统原理
- 26-打造音乐推荐系统
- 27.28-主成分分析与线性判别分析
- 29-主成分分析降维算法解读
- 3-模型评估方法
- 3-线性回归实验分析
- 30-隐马尔科夫模型
- 31-HMM应用实例
- 5-逻辑回归代码实现
- 6-逻辑回归实验分析
- 7-聚类算法-Kmeans&Dbscan原理
- 8-Kmeans代码实现
- 9-聚类算法实验分析
- mldata
- 第五模块：机器学习算法建模实战
- Python实现音乐推荐系统
- 第十六章：基于随机森林的气温预测
- 第十一章：项目实战-交易数据异常检测
- 股票
- 京东购买意向预测
- 第一二模块：Python数据科学必备库（4个）
- Matplotlib
- Numpy
- Pandas
- Python基础
- Seaborn
- 选修机器学习进阶实战
- 第九章：EM算法
- 第六章：降维算法-线性判别分析
- 课程简介.doc
- 数据代码.txt
- 新建 Microsoft Word 97 – 2003 文档.doc
- 1-直播课回放
- 001、开班典礼
- 002、Pycharm环境配置与Debug演示(没用过的同学必看)
- 003、神经网络解读
- 004、卷积神经网络
- 005、transformer架构解读
- 006、融合强化学习与机器人训练原理、架构、部署
- 007、VIT 源码Debug
- 008、Transformer下游应用实例
- 009、图神经网络
- 010、基于分层强化学习的机器人路径规划方法
- 011、时间序列预测
- 012、Huggingface与知识图谱
- 013、对比学习
- 014、Deepseek辅助科研技能学习和科研探索–
- 10-论⽂必备-Transformer实战系列
- 1-Transformer算法解读
- 10-MedicalTrasnformer论文解读
- 1-论文整体分析
- 2-核心思想分析
- 3-网络结构计算流程概述
- 4-论文公式计算分析
- 5-位置编码的作用与效果
- 6-拓展应用分析
- 11-MedicalTransformer源码解读
- 1-项目环境配置
- 2-医学数据介绍与分析
- 3-基本处理操作
- 4-AxialAttention实现过程
- 5-位置编码向量解读
- 6-注意力计算过程与方法
- 7-局部特征提取与计算
- 12-商汤LoFTR算法解读
- 1-特征匹配的应用场景
- 10-总结分析
- 2-特征匹配的基本流程分析
- 3-整体流程梳理分析
- 4-CrossAttention的作用与效果
- 5-transformer构建匹配特征
- 6-粗粒度匹配过程与作用
- 7-特征图拆解操作
- 8-细粒度匹配的作用与方法
- 9-基于期望预测最终位置
- 13-局部特征关键点匹配实战
- 1-项目与参数配置解读
- 10-得到精细化输出结果
- 11-通过期望计算最终输出
- 2-DEMO效果演示
- 3-backbone特征提取模块
- 4-注意力机制的作用与效果分析
- 5-特征融合模块实现方法
- 6-cross关系计算方法实例
- 7-粗粒度匹配过程
- 8-完成基础匹配模块
- 9-精细化调整方法与实例
- 14-分割模型Maskformer系列
- 1-分割模型Maskformer系列
- 15-Mask2former源码解读
- 1-Backbone获取多层级特征
- 10-正样本筛选损失计算
- 11-标签分类匹配结果分析
- 12-最终损失计算流程
- 13-汇总所有损失完成迭代
- 2-多层级采样点初始化构建
- 3-多层级输入特征序列创建方法
- 4-偏移量与权重计算并转换
- 5-Encoder特征构建方法实例
- 6-query要预测的任务解读
- 7-Decoder中的AttentionMask方法
- 8-损失模块输入参数分析
- 9-标签分配策略解读
- 16-BEV特征空间
- 1-BEV特征空间
- 17-BevFormer源码解读
- 1-环境配置方法解读
- 10-获取当前BEV特征
- 11-Decoder级联校正模块
- 12-损失函数与预测可视化
- 2-数据集下载与配置方法
- 3-特征提取以及BEV空间初始化
- 4-特征对齐与位置编码初始化
- 5-Reference初始点构建
- 6-BEV空间与图像空间位置对应
- 7-注意力机制模块计算方法
- 8-BEV空间特征构建
- 9-Decoder要完成的任务分析
- 18-时间序列预测
- 1-时间序列预测
- 19-Informer时间序列源码解读
- 1-Informer时间序列源码解读
- 2-视觉Transformer及其源码分析
- 1-视觉Transformer及其源码分析
- 20-Huggingface与NLP（讲故事）
- 1-Huggingface与NLP（讲故事）
- 3-VIT算法模型源码解读
- 1-项目配置说明
- 2-输入序列构建方法解读
- 3-注意力机制计算
- 4-输出层计算结果
- 4-swintransformer算法原理解析
- 1-swintransformer整体概述
- 10-分层计算方法
- 2-要解决的问题及其优势分析
- 3-一个block要完成的任务
- 4-获取各窗口输入特征
- 5-基于窗口的注意力机制解读
- 6-窗口偏移操作的实现
- 7-偏移细节分析及其计算量概述
- 8-整体网络架构整合
- 9-下采样操作实现方法
- 5-swintransformer源码解读
- 1-数据与环境配置解读
- 2-图像数据patch编码
- 3-数据按window进行划分计算
- 4-基础attention计算模块
- 5-窗口位移模块细节分析
- 6-patchmerge下采样操作
- 7-各block计算方法解读
- 8-输出层概述
- 6-基于Transformer的detr目标检测算法
- 1-DETR目标检测基本思想解读
- 2-整体网络架构分析
- 3-位置信息初始化query向量
- 4-注意力机制的作用方法
- 5-训练过程的策略
- 7-detr目标检测源码解读
- 1-项目环境配置解读
- 2-数据处理与dataloader
- 3-位置编码作用分析
- 4-backbone特征提取模块
- 5-mask与编码模块
- 6-编码层作用方法
- 7-Decoder层操作与计算
- 8-输出预测结果
- 9-损失函数与预测输出
- 8-DeformableDetr算法解读
- 1-DeformableDetr算法解读
- 9-DeformableDetr物体检测源码分析
- 1-特征提取与位置编码
- 10-分类与回归输出模块
- 11-预测输出结果与标签匹配模块
- 2-序列特征展开并叠加
- 3-得到相对位置点编码
- 4-准备Encoder编码层所需全部输入
- 5-编码层中的序列分析
- 6-偏移量offset计算
- 7-偏移量对齐操作
- 8-Encoder层完成特征对齐
- 9-Decoder要完成的操作
- 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
- 2-图基本模块定义
- 3-邻接矩阵的定义
- 4-GNN中常见任务
- 5-消息传递计算方法
- 6-多层GCN的作用
- 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
- 11-异构图神经网络
- 1-异构图神经网络
- 2-图卷积GCN模型
- 1-GCN基本模型概述
- 2-图卷积的基本计算方法
- 3-邻接的矩阵的变换
- 4-GCN变换原理解读
- 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
- 3-模型定义与训练方法
- 4-文献引用数据集分类案例实战
- 4-使用PyTorch Geometric构建自己的图数据集
- 1-构建数据集基本方法
- 2-数据集与任务背景概述
- 3-数据集基本预处理
- 4-用户行为图结构创建
- 5-数据集创建函数介绍
- 6-网络结构定义模块
- 7-TopkPooling进行下采样任务
- 8-获取全局特征
- 9-模型训练与总结
- 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
- 2-邻接矩阵计算图Attention
- 3-序列图神经网络TGCN应用
- 4-序列图神经网络细节
- 6-图相似度论文解读
- 1-要完成的任务分析
- 2-基本方法概述解读
- 3-图模型提取全局与局部特征
- 4-NTN模块的作用与效果
- 5-点之间的对应关系计算
- 6-结果输出与总结
- 7-图相似度计算实战
- 1-数据集与任务概述
- 2-图卷积特征提取模块
- 3-分别计算不同Batch点的分布
- 4-获得直方图特征结果
- 5-图的全局特征构建
- 6-NTN图相似特征提取
- 7-预测得到相似度结果
- 8-基于图模型的轨迹估计
- 1-数据集与标注信息解读
- 2-整体三大模块分析
- 3-特征工程的作用与效果
- 4-传统方法与现在向量空间对比
- 5-输入细节分析
- 6-子图模块构建方法
- 7-特征融合模块分析
- 8-VectorNet输出层分析
- 9-图模型轨迹估计实战
- 1-数据与环境配置
- 2-训练数据准备
- 3-Agent特征提取方法
- 4-DataLoader构建图结构
- 5-SubGraph与Attention模型流程
- 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
- 2-点云应用领域与发展分析
- 3-点云分割任务
- 4-点云补全任务
- 5-点云检测与配准任务
- 6-点云数据特征提取概述与预告
- 2-3D点云PointNet算法
- 1-3D数据应用领域与点云介绍
- 2-点云数据可视化展示
- 3-点云数据特性和及要解决的问题
- 4-PointNet算法出发点解读
- 5-PointNet算法网络架构解读
- 3-PointNet++算法解读
- 1-PointNet升级版算法要解决的问题
- 2-最远点采样方法
- 3-分组Group方法原理解读
- 4-整体流程概述分析
- 5-分类与分割问题解决方案
- 6-遇到的问题及改进方法分析
- 4-Pointnet++项目实战
- 1-项目文件概述
- 10-分类任务总结
- 11-分割任务数据与配置概述
- 12-分割需要解决的任务概述
- 13-上采样完成分割任务
- 2-数据读取模块配置
- 3-DEBUG解读网络模型架构
- 4-最远点采样介绍
- 5-采样得到中心点
- 6-组区域划分方法
- 7-实现group操作得到各中心簇
- 8-特征提取模块整体流程
- 9-预测结果输出模块
- 5-点云补全PF-Net论文解读
- 1-点云补全要解决的问题
- 2-基本解决方案概述
- 3-整体网络概述
- 4-网络计算流程
- 5-输入与计算结果
- 6-点云补全实战解读
- 1-数据与项目配置解读
- 2-待补全数据准备方法
- 3-整体框架概述
- 4-MRE特征提取模块
- 5-分层预测输出模块
- 6-补全点云数据
- 7-判别模块
- 7-点云配准及其案例实战
- 1-点云配准任务概述
- 2-配准要完成的目标解读
- 3-训练数据构建
- 4-任务基本流程
- 5-数据源配置方法
- 6-参数计算模块解读
- 7-基于模型预测输出参数
- 8-特征构建方法分析
- 9-任务总结
- 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
- 2-GAN网络组成
- 3-损失函数解释说明
- 4-数据读取模块
- 5-生成与判别网络定义
- 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
- 10-损失计算
- 2-kitti数据集介绍
- 3-使用backbone获取层级特征
- 4-差异特征计算边界信息
- 5-SPP层的作用
- 6-空洞卷积与ASPP
- 7-特征拼接方法分析
- 8-网络coarse-to-fine过程
- 9-权重参数预处理
- 10-NeuralRecon项目源码解读
- 1-Backbone得到特征图
- 2-初始化体素位置
- 3-坐标映射方法实现
- 4-得到体素所对应特征图
- 5-插值得到对应特征向量
- 6-得到一阶段输出结果
- 7-完成三个阶段预测结果
- 8-项目总结
- 11-TSDF算法与应用
- 1-TSDF整体概述分析
- 2-合成过程DEMO演示
- 3-布局初始化操作
- 4-TSDF计算基本流程解读
- 5-坐标转换流程分析
- 6-输出结果融合更新
- 12-TSDF实战案例
- 1-环境配置概述
- 2-初始化与数据读取
- 3-计算得到TSDF输出
- 13-轨迹估计算法与论文解读
- 1-数据集与标注信息解读
- 2-整体三大模块分析
- 3-特征工程的作用与效果
- 4-传统方法与现在向量空间对比
- 5-输入细节分析
- 6-子图模块构建方法
- 7-特征融合模块分析
- 8-VectorNet输出层分析
- 14-轨迹估计预测实战
- 1-数据与环境配置
- 2-训练数据准备
- 3-Agent特征提取方法
- 4-DataLoader构建图结构
- 5-SubGraph与Attention模型流程
- 15-特斯拉无人驾驶解读
- 1-特斯拉无人驾驶解读
- 2-深度估计项目实战
- 1-项目环境配置解读
- 10-损失函数通俗解读
- 11-模型DEMO输出结果
- 2-数据与标签定义方法
- 3-数据集dataloader制作
- 4-使用backbone进行特征提取
- 5-计算差异特征
- 6-权重参数标准化操作
- 7-网络结构ASPP层
- 8-特征拼接方法解读
- 9-输出深度估计结果
- 3-车道线检测算法与论文解读
- 1-数据标签与任务分析
- 2-网络整体框架分析
- 3-输出结果分析
- 4-损失函数计算方法
- 5-论文概述分析
- 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
- 10-车道线规则损失函数限制
- 11-DEMO制作与配置
- 2-项目环境配置演示
- 3-制作数据集dataloader
- 4-车道线标签数据处理
- 5-四条车道线标签位置矩阵
- 6-grid设置方法
- 7-完成数据与标签制作
- 8-算法网络结构解读
- 9-损失函数计算模块分析
- 5-商汤LoFTR算法解读
- 1-特征匹配的应用场景
- 10-总结分析
- 2-特征匹配的基本流程分析
- 3-整体流程梳理分析
- 4-CrossAttention的作用与效果
- 5-transformer构建匹配特征
- 6-粗粒度匹配过程与作用
- 7-特征图拆解操作
- 8-细粒度匹配的作用与方法
- 9-基于期望预测最终位置
- 6-局部特征关键点匹配实战
- 1-项目与参数配置解读
- 10-得到精细化输出结果
- 11-通过期望计算最终输出
- 2-DEMO效果演示
- 3-backbone特征提取模块
- 4-注意力机制的作用与效果分析
- 5-特征融合模块实现方法
- 6-cross关系计算方法实例
- 7-粗粒度匹配过程
- 8-完成基础匹配模块
- 9-精细化调整方法与实例
- 7-三维重建应用与坐标系基础
- 1-三维重建概述分析
- 2-三维重建应用领域概述
- 3-成像方法概述
- 4-相机坐标系
- 5-坐标系转换方法解读
- 6-相机内外参
- 7-通过内外参数进行坐标变换
- 8-相机标定简介
- 8-NeuralRecon算法解读
- 1-任务流程分析
- 2-基本框架熟悉
- 3-特征映射方法解读
- 4-片段融合思想
- 5-整体架构重构方法
- 9-NeuralRecon项目环境配置
- 1-数据集下载与配置方法
- 2-Scannet数据集内容概述
- 3-TSDF标签生成方法
- 4-ISSUE的作用
- 5-完成依赖环境配置
- 14-对比学习与多模态任务实战
- 1-对比学习算法与实例
- 2-CLIP系列
- 1-CLIP系列
- 3-多模态3D目标检测算法源码解读
- 1-环境配置与数据集概述
- 10-3D卷积特征融合
- 11-输出层预测结果
- 2-数据与标注文件介绍
- 3-基本流程梳理并进入debug模式
- 4-数据与图像特征提取模块
- 5-体素索引位置获取
- 6-体素特征提取方法解读
- 7-体素特征计算方法分析
- 8-全局体素特征提取
- 9-多模态特征融合
- 4-多模态文字识别
- 1-多模态文字识别
- 5-ANINET源码解读
- 1-数据集与环境概述
- 2-配置文件修改方法
- 3-Bakbone模块得到特征
- 4-视觉Transformer模块的作用
- 5-视觉模型中的编码与解码的效果
- 6-文本模型中的结构分析
- 7-迭代修正模块
- 8-输出层与损失计算
- 15-缺陷检测实战
- 1-课程介绍
- 10-基于Opencv缺陷检测项⽬实战
- 1-任务需求与环境配置
- 2-数据读取与基本处理
- 3-缺陷形态学操作
- 4-整体流程解读
- 5-缺陷检测效果演示
- 11-基于视频流⽔线的Opencv缺陷检测项⽬
- 1-数据与任务概述
- 2-视频数据读取与轮廓检测
- 3-目标质心计算
- 4-视频数据遍历方法
- 5-缺陷区域提取
- 6-不同类型的缺陷检测方法
- 7-检测效果演示
- 12-图像分割deeplab系列算法
- 1-deeplab分割算法概述
- 2-空洞卷积的作用
- 3-感受野的意义
- 4-SPP层的作用
- 5-ASPP特征融合策略
- 6-deeplabV3Plus版本网络架构
- 13-基于deeplabV3+版本进⾏VOC分割实战
- 1-PascalVoc数据集介绍
- 2-项目参数与数据集读取
- 3-网络前向传播流程
- 4-ASPP层特征融合
- 5-分割模型训练
- 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
- 2-开源项目应用方法
- 3-github与kaggle中需要注意的点
- 4-源码的利用方法
- 5-数据集制作方法
- 6-数据路径配置
- 7-训练模型
- 8-任务总结
- 2-物体检框架YOLO-V4版本算法解读
- 1-V4版本整体概述
- 10-PAN模块解读
- 11-激活函数与整体架构总结
- 2-V4版本贡献解读
- 3-数据增强策略分析
- 4-DropBlock与标签平滑方法
- 5-损失函数遇到的问题
- 6-CIOU损失函数定义
- 7-NMS细节改进
- 8-SPP与CSP网络结构
- 9-SAM注意力机制模块
- 3-物体检测框架YOLOV5版本项目配置
- 1-整体项目概述
- 2-训练自己的数据集方法
- 3-训练数据参数配置
- 4-测试DEMO演示
- 4-物体检测框架YOLOV5项目工程源码解读
- 1-数据源DEBUG流程解读
- 10-完成配置文件解析任务
- 11-前向传播计算
- 12-BottleneckCSP层计算方法
- 13-SPP层计算细节分析
- 14-Head层流程解读
- 15-上采样与拼接操作
- 16-输出结果分析
- 17-超参数解读
- 18-命令行参数介绍
- 19-训练流程解读
- 2-图像数据源配置
- 20-各种训练策略概述
- 21-模型迭代过程
- 3-加载标签数据
- 4-Mosaic数据增强方法
- 5-数据四合一方法与流程演示
- 6-getItem构建batch
- 7-网络架构图可视化工具安装
- 8-V5网络配置文件解读
- 9-Focus模块流程分析
- 5-基于YOLOV5的钢材缺陷检测实战
- 1-任务需求与项目概述
- 2-数据与标签配置方法
- 3-标签转换格式脚本制作
- 4-各版本模型介绍分析
- 5-项目参数配置
- 6-缺陷检测模型训练
- 7-输出结果与项目总结
- 6-Semi-supervised布料缺陷检测实战
- 1-任务目标与流程概述
- 2-论文思想与模型分析
- 3-项目配置解读
- 4-网络流程分析
- 5-输出结果展示
- 7-Opencv图像常⽤处理⽅法实例
- 1-计算机眼中的图像
- 10-膨胀操作
- 11-开运算与闭运算
- 12-梯度计算
- 13-礼帽与黑帽
- 2-视频的读取与处理
- 3-ROI区域
- 4-边界填充
- 5-数值计算
- 6-图像阈值
- 7-图像平滑处理
- 8-高斯与中值滤波
- 9-腐蚀操作
- 8-Opencv梯度计算与边缘检测实例
- 1-Canny边缘检测流程
- 2-非极大值抑制
- 3-边缘检测效果
- 4-Sobel算子
- 5-梯度计算方法
- 6-scharr与lapkacian算子
- 9-Opencv轮廓检测与直⽅图
- 1-图像金字塔定义
- 10-均衡化效果
- 11-傅里叶概述
- 12-频域变换结果
- 13-低通与高通滤波
- 2-金字塔制作方法
- 3-轮廓检测方法
- 4-轮廓检测结果
- 5-轮廓特征与近似
- 6-模板匹配方法
- 7-匹配效果展示
- 8-直方图定义
- 9-均衡化原理
- 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
- 2-挑战与困难分析
- 3-评估标准rank1指标
- 4-map值计算方法
- 5-triplet损失计算实例
- 6-Hard-Negative方法应用
- 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
- 2-空间权重值计算流程分析
- 3-融合空间注意力所需特征
- 4-基于特征图的注意力计算
- 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
- 2-参数配置与整体架构分析
- 3-进入debug模式解读网络计算流程
- 4-获得空间位置点之间的关系
- 5-组合关系特征图
- 6-计算得到位置权重值
- 7-基于特征图的权重计算
- 8-损失函数计算实例解读
- 9-训练与测试模块演示
- 4-AAAI2020顶会算法精讲
- 1-论文整体框架概述
- 2-局部特征与全局关系计算方法
- 3-特征分组方法
- 4-GCP模块特征融合方法
- 5-oneVsReset方法实例
- 6-损失函数应用位置
- 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
- 10-得到所有分组特征结果
- 11-损失函数与训练过程演示
- 12-测试与验证模块
- 2-数据源构建方法分析
- 3-dataloader加载顺序解读
- 4-debug模式解读
- 5-网络计算整体流程演示
- 6-特征序列构建
- 7-GCP全局特征提取
- 8-局部特征提取实例
- 9-特征组合汇总
- 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
- 2-图卷积与匹配的作用
- 3-局部特征热度图计算
- 4-基于图卷积构建人体拓扑关系
- 5-图卷积模块实现方法
- 6-图匹配在行人重识别中的作用
- 7-整体算法框架分析
- 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
- 10-整体项目总结
- 2-局部特征准备方法
- 3-得到一阶段热度图结果
- 4-阶段监督训练
- 5-初始化图卷积模型
- 6-mask矩阵的作用
- 7-邻接矩阵学习与更新
- 8-基于拓扑结构组合关键点特征
- 9-图匹配模块计算流程
- 8-额外补充：行人搜索源码分析
- 1-检测与搜索
- 10-总结概述
- 2-项目概述
- 3-项目概述
- 4-数据与标签读取模块
- 5-通过配置文件读取模型位置
- 6-BackBone位置与流程
- 7-Neck层操作方法
- 8-Head层预测模块
- 9-损失函数计算模块
- 17-对抗生成网络实战
- 1-课程介绍
- 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
- 2-GAN网络组成
- 3-损失函数解释说明
- 4-数据读取模块
- 5-生成与判别网络定义
- 3-基于CycleGan开源项目实战图像合成
- 1-CycleGan网络所需数据
- 10-额外补充：VISDOM可视化配置
- 2-CycleGan整体网络架构
- 3-PatchGan判别网络原理
- 4-Cycle开源项目简介
- 5-数据读取与预处理操作
- 6-生成网络模块构造
- 7-判别网络模块构造
- 8-损失函数：identity loss计算方法
- 9-生成与判别损失函数指定
- 4-stargan论文架构解析
- 1-stargan效果演示分析
- 2-网络架构整体思路解读
- 3-建模流程分析
- 4-V1版本存在的问题及后续改进思路
- 5-V2版本在整体网络架构
- 6-编码器训练方法
- 7-损失函数公式解析
- 8-训练过程分析
- 5-stargan项目实战及其源码解读
- 1-测试模块效果与实验分析
- 10-生成模块损失计算
- 2-项目配置与数据源下载
- 3-测试效果演示
- 4-项目参数解析
- 5-生成器模块源码解读
- 6-所有网络模块构建实例
- 7-数据读取模块分析
- 8-判别器损失计算
- 9-损失计算详细过程
- 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
- 2-VCC2016输入数据
- 3-语音特征提取
- 4-生成器模型架构分析
- 5-InstanceNorm的作用解读
- 6-AdaIn的目的与效果
- 7-判别器模块分析
- 7-starganvc2变声器项目实战及其源码解读
- 1-数据与项目文件解读
- 10-源码损失计算流程
- 11-测试模块-生成转换语音
- 2-环境配置与工具包安装
- 3-数据预处理与声音特征提取
- 4-生成器构造模块解读
- 5-下采样与上采样操作
- 6-starganvc2版本标签输入分析
- 7-生成器前向传播维度变化
- 8-判别器模块解读
- 9-论文损失函数
- 8-图像超分辨率重构实战
- 1-论文概述
- 2-网络架构
- 3-数据与环境配置
- 4-数据加载与配置
- 5-生成模块
- 6-判别模块
- 7-VGG特征提取网络
- 8-损失函数与训练
- 9-测试模块
- 9-基于GAN的图像补全实战
- 1-论文概述
- 2-网络架构
- 3-细节设计
- 4-论文总结
- 5-数据与项目概述
- 6-参数基本设计
- 7-网络结构配置
- 8-网络迭代训练
- 9-测试模块
- 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
- 2-强化学习的指导依据
- 3-强化学习AI游戏DEMO
- 4-应用领域简介
- 5-强化学习工作流程
- 6-计算机眼中的状态与行为
- 10-CLIP系列
- 1-CLIP系列
- 11-Diffusion模型解读
- 1-Diffusion模型解读
- 12-Dalle2及其源码解读
- 1-Dalle2源码解读
- 13-ChatGPT
- 1-ChatGPT
- 14-拓展-强化学习
- 1-强化学习的基础原理与应用等
- 2-PPO算法与公式推导
- 1-基本情况介绍
- 2-与环境交互得到所需数据
- 3-要完成的目标分析
- 4-策略梯度推导
- 5-baseline方法
- 6-OnPolicy与OffPolicy策略
- 7-importance sampling的作用
- 8-PPO算法整体思路解析
- 3-PPO实战-月球登陆器训练实例
- 1-Critic的作用与效果
- 2-PPO2版本公式解读
- 3-参数与网络结构定义
- 4-得到动作结果
- 5-奖励获得与计算
- 6-参数迭代与更新
- 4-Q-learning与DQN算法
- 1-整体任务流程演示
- 2-探索与action获取
- 3-计算target值
- 4-训练与更新
- 5-算法原理通俗解读
- 6-目标函数与公式解析
- 7-Qlearning算法实例解读
- 8-Q值迭代求解
- 9-DQN简介
- 5-DQN改进与应用技巧
- 1-DoubleDqn要解决的问题
- 2-DuelingDqn改进方法
- 3-Dueling整体网络架构分析
- 4-MultiSetp策略
- 5-连续动作处理方法
- 6-Actor-Critic算法分析（A3C）
- 1-AC算法回顾与知识点总结
- 2-优势函数解读与分析
- 3-计算流程实例
- 4-A3C整体架构分析
- 5-损失函数整理
- 7-用A3C玩转超级马里奥
- 1-整体流程与环境配置
- 2-启动游戏环境
- 3-要计算的指标回顾
- 4-初始化局部模型并加载参数
- 5-与环境交互得到训练数据
- 6-训练网络模型
- 8-GPT系列生成模型
- 1-GPT系列
- 9-GPT建模与预测流程
- 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
- 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
- 10-VGG网络架构
- 11-残差网络Resnet
- 12-感受野的作用
- 2-卷积的作用
- 3-卷积特征值计算方法
- 4-得到特征图表示
- 5-步长与卷积核大小对结果的影响
- 6-边缘填充方法
- 7-特征图尺寸计算与参数共享
- 8-池化层的作用
- 9-整体网络架构
- 10-基于deeplab的心脏视频数据诊断分析
- 1-数据集与任务概述
- 2-项目基本配置参数
- 3-任务流程解读
- 4-文献报告分析
- 5-补充：视频数据源特征处理方法概述
- 6-补充：R(2plus1)D处理方法分析
- 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
- 10-置信度误差与优缺点分析
- 11-V2版本细节升级概述
- 12-网络结构特点
- 13-架构细节解读
- 14-基于聚类来选择先验框尺寸
- 15-偏移量计算方法
- 16-坐标映射与还原
- 17-感受野的作用
- 18-特征融合改进
- 19-V3版本改进概述
- 2-不同阶段算法优缺点分析
- 20-多scale方法改进与特征融合
- 21-经典变换方法对比分析
- 22-残差连接方法解读
- 23-整体网络模型架构分析
- 24-先验框设计改进
- 25-sotfmax层改进
- 26-V4版本整体概述
- 27-V4版本贡献解读
- 28-数据增强策略分析
- 29-DropBlock与标签平滑方法
- 3-IOU指标计算
- 30-损失函数遇到的问题
- 31-CIOU损失函数定义
- 32-NMS细节改进
- 33-SPP与CSP网络结构
- 34-SAM注意力机制模块
- 35-PAN模块解读
- 36-激活函数与整体架构总结
- 4-评估所需参数计算
- 5-map指标计算
- 6-YOLO算法整体思路解读
- 7-检测算法要得到的结果
- 8-整体网络架构解读
- 9-位置损失计算
- 12-基于YOLO5细胞检测实战
- 1-任务与细胞数据集介绍
- 2-模型与算法配置参数解读
- 3-网络训练流程演示
- 4-效果评估与展示
- 5-细胞检测效果演示
- 13-知识图谱原理解读
- 1-知识图谱通俗解读
- 10-视觉领域图编码实例
- 11-图谱知识融合与总结分析
- 2-知识图谱在搜索引擎中的应用
- 3-知识图谱在医疗领域应用实例
- 4-金融与推荐领域的应用
- 5-数据获取分析
- 6-数据关系抽取分析
- 7-常用NLP技术点分析
- 8-graph-embedding的作用与效果
- 9-金融领域图编码实例
- 14-Neo4j数据库实战
- 1-Neo4j图数据库介绍
- 2-Neo4j数据库安装流程演示
- 3-可视化例子演示
- 4-创建与删除操作演示
- 5-数据库更改查询操作演示
- 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
- 10-完成对话系统构建
- 2-医疗数据介绍及其各字段含义
- 3-任务流程概述
- 4-环境配置与所需工具包安装
- 5-提取数据中的关键字段信息
- 6-创建关系边
- 7-打造医疗知识图谱模型
- 8-加载所有实体数据
- 9-实体关键词字典制作
- 16-词向量模型与RNN网络架构
- 1-词向量模型通俗解释
- 2-模型整体框架
- 3-训练数据构建
- 4-CBOW与Skip-gram模型
- 5-负采样方案
- 6-额外补充-RNN网络模型解读
- 17-医学糖尿病数据命名实体识别
- 1-数据与任务介绍
- 2-整体模型架构
- 3-数据-标签-语料库处理
- 4-输入样本填充补齐
- 5-训练网络模型
- 6-医疗数据集（糖尿病）实体识别
- 2-PyTorch框架基本处理操作
- 1-PyTorch实战课程简介
- 2-PyTorch框架发展趋势简介
- 3-框架安装方法（CPU与GPU版本）
- 4-PyTorch基本操作简介
- 5-自动求导机制
- 6-线性回归DEMO-数据与参数配置
- 7-线性回归DEMO-训练回归模型
- 8-补充：常见tensor格式
- 9-补充：Hub模块简介
- 3-PyTorch框架必备核心模块解读
- 1-卷积网络参数定义
- 10-加载训练好的网络模型
- 11-优化器模块配置
- 12-实现训练模块
- 13-训练结果与模型保存
- 14-加载模型对测试数据进行预测
- 15-额外补充-Resnet论文解读
- 16-额外补充-Resnet网络架构解读
- 2-网络流程解读
- 3-Vision模块功能解读
- 4-分类任务数据集定义与配置
- 5-图像增强的作用
- 6-数据预处理与数据增强模块
- 7-Batch数据制作
- 8-迁移学习的目标
- 9-迁移学习策略
- 4-基于Resnet的医学数据集分类实战
- 1-医学疾病数据集介绍
- 2-Resnet网络架构原理分析
- 3-dataloader加载数据集
- 4-Resnet网络前向传播
- 5-残差网络的shortcut操作
- 6-特征图升维与降采样操作
- 7-网络整体流程与训练演示
- 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
- 2-分割任务中的目标函数定义
- 3-MIOU评估标准
- 6-Unet系列算法讲解
- 1-Unet网络编码与解码过程
- 2-网络计算流程
- 3-Unet升级版本改进
- 4-后续升级版本介绍
- 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
- 2-数据增强工具
- 3-Debug模式演示网络计算流程
- 4-特征融合方法演示
- 5-迭代完成整个模型计算任务
- 6-模型效果验证
- 8-deeplab系列算法
- 1-deeplab分割算法概述
- 2-空洞卷积的作用
- 3-感受野的意义
- 4-SPP层的作用
- 5-ASPP特征融合策略
- 6-deeplabV3Plus版本网络架构
- 9-基于deeplabV3+版本进行VOC分割实战
- 1-PascalVoc数据集介绍
- 2-项目参数与数据集读取
- 3-网络前向传播流程
- 4-ASPP层特征融合
- 5-分割模型训练
- 2-AI课程所需安装软件教程
- 1-AI课程所需安装软件教程
- 2-Anaconda基础讲解和使用的教程
- 1-Anaconda基础讲解和使用的教程
- 20-CV与NLP经典大模型解读
- 1-课程简介
- 10-补充-视觉大模型基础-deformableAttention
- 1-DeformableAttention概述分析
- 2-可变形偏移量分析
- 11-LLM与LORA微调策略解读
- 1-大模型如何做下游任务
- 2-LLM落地微调分析
- 3-LLAMA与LORA介绍
- 4-LORA微调的核心思想
- 5-LORA模型实现细节
- 12-LLM下游任务训练自己模型实战
- 1-提示工程的作用
- 2-基本API调用方法
- 3-数据文档切分操作
- 4-样本索引与向量构建
- 5-数据切块方法
- 13-视觉大模型SAM
- 1-DEMO效果演示
- 2-论文解读分析
- 3-完成的任务分析
- 4-数据闭环方法
- 5-预训练模型的作用
- 6-Decoder的作用与项目源码
- 7-分割任务模块设计
- 8-实现细节分析
- 9-总结分析
- 14-视觉QA算法与论文解读
- 1-视觉QA要解决的问题
- 2-论文概述分析
- 3-实现流程路线图
- 4-答案关注区域分析
- 5-VQA任务总结
- 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
- 10-基本建模训练效果
- 2-要完成的任务分析
- 3-公式原理推导解读
- 4-分布相关计算操作
- 5-算法实现细节推导
- 6-公式推导结果分析
- 7-细节实现总结
- 8-论文流程图解读
- 9-案例流程分析
- 16-openai-dalle2论文解读
- 1-论文基本思想与核心模块分析
- 2-不同模块对比分析
- 3-算法核心流程解读
- 4-各模块实现细节讲解
- 17-openai-dalle2源码解读
- 1-项目整体流程分析
- 2-源码实现细节分析
- 3-源码公式对应论文分析
- 4-Decoder模块实现细节解读
- 5-源码实现流程总结
- 18-RAGFLOW和function calling
- 1-RAGFLOW和function calling
- 2-GPT系列算法解读
- 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
- 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
- 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
- 5-视觉自监督BEIT算法解读
- 1-建模流程分析与效果展示
- 2-codebook模块的作用
- 3-任务总结分析
- 6-视觉自监督任务BEITV2论文解读
- 1-BEITV2版本论文出发点解读
- 2-自监督任务中两大核心任务分析
- 3-整体网络架构图分析
- 4-框架实现细节流程分析
- 5-论文细节模块实现解读
- 7-视觉自监督任务BEITV2源码解读
- 1-mmselfup源码实现解读
- 2-网络结构搭建细节解读
- 3-源码实现流程总结
- 8-BEV感知特征空间算法解读
- 1-BEV要解决的问题通俗解读
- 10-整体架构总结
- 2-BEV中的3D与4D分析
- 3-特征融合过程中可能遇到的问题
- 4-BEV汇总特征方法实例解读
- 5-DeformableAttention回顾
- 6-空间注意力模块解读
- 7-时间模块与拓展补充
- 8-论文知识点分析
- 9-核心模块论文分析
- 9-BEVformer项目源码解读
- 1-环境配置方法解读
- 10-获取当前BEV特征
- 11-Decoder级联校正模块
- 12-损失函数与预测可视化
- 2-数据集下载与配置方法
- 3-特征提取以及BEV空间初始化
- 4-特征对齐与位置编码初始化
- 5-Reference初始点构建
- 6-BEV空间与图像空间位置对应
- 7-注意力机制模块计算方法
- 8-BEV空间特征构建
- 9-Decoder要完成的任务分析
- 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
- 10-项目环境配置方法解读
- 2-要解决的问题和整体框架分析
- 3-论文基本框架分析
- 4-Agent的记忆信息
- 5-感知与反思模块构建流程
- 6-计划模块实现细节
- 7-整体流程框架图
- 8-感知模块解读
- 9-思考模块解读
- 10-Llava与YOLO11
- 1-Llava与YOLO11
- 3-CVPR2024：YOLO- World
- 1-CVPR2024：YOLO- World
- 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
- 5-Llama3应用
- 1-Llama3应用
- 6-SAM2视频分割
- 1-SAM2视频分割
- 7-大模型微调与应用
- 1-大模型微调与应用
- 8-RAGFLOW和function calling
- 1-RAGFLOW和function calling
- 9-Agent工作流搭建
- 1-Agent工作流搭建
- 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
- 2-jetson nano 刷机
- 3- jetson nano 系统安装过程
- 4-感受nano的GPU算力
- 5-安装使用摄像头csi usb
- 10-模型剪枝-Network Slimming实战解读
- 1-整体案例流程解读
- 2-加入L1正则化来进行更新
- 3-剪枝模块介绍
- 4-筛选需要的特征图
- 5-剪枝后模型参数赋值
- 6-微调完成剪枝模型
- 11-Mobilenet三代网络模型架构
- 1-模型剪枝分析
- 10-V2整体架构与效果分析
- 11-V3版本网络架构分析
- 12-SE模块作用与效果解读
- 13-代码实现mobilenetV3网络架构
- 2-常见剪枝方法介绍
- 3-mobilenet简介
- 4-经典卷积计算量与参数量分析
- 5-深度可分离卷积的作用与效果
- 6-参数与计算量的比较
- 7-V1版本效果分析
- 8-V2版本改进以及Relu激活函数的问题
- 9-倒残差结构的作用
- 12-拓展-模型部署
- 1-模型部署
- 2-AIoT人工智能物联网之AI 实战
- 1- jetson-inference 入门
- 2-docker 的安装使用
- 3-docker中运行分类模型
- 4-训练自己的目标检测模型准备
- 5- 训练出自己目标识别模型a
- 6-训练出自己目标识别模型b
- 7-转换出onnx模型，并使用
- 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
- 2-NVIDIA TAO数据准备和环境设置
- 3-NVIDIA TAO数据转换
- 4-NVIDIA TAO预训练模型和训练a
- 5-NVIDIA TAO预训练模型和训练b
- 6-NVIDIA TAO预训练模型和训练c.
- 7-TAO 剪枝在训练推理验证
- 4- AIoT人工智能物联网之deepstream
- 1-deepstream 介绍安装
- 2-deepstream HelloWorld
- 3-GStreamer RTP和RTSP1
- 4-GStreamer RTP和RTSP2
- 5-python实现RTP和RTSP
- 6-deepstream推理
- 7-deepstream集成yolov4
- 5-pyTorch框架部署实践
- 1-所需基本环境配置
- 2-模型加载与数据预处理
- 3-接收与预测模块实现
- 4-效果实例演示
- 5-课程简介
- 6-YOLO-V3物体检测部署实例
- 1-项目所需配置文件介绍
- 2-加载参数与模型权重
- 3-数据预处理
- 4-返回线性预测结果
- 7-docker实例演示
- 1-docker简介
- 2-docker安装与配置
- 3-阿里云镜像配置
- 4-基于docker配置pytorch环境
- 5-安装演示环境所需依赖
- 6-复制所需配置到容器中
- 7-上传与下载配置好的项目
- 8-tensorflow-serving实战
- 1-tf-serving项目获取与配置
- 2-加载并启动模型服务
- 3-测试模型部署效果
- 4-fashion数据集获取
- 5-加载fashion模型启动服务
- 9-模型剪枝-Network Slimming算法分析
- 1-论文算法核心框架概述
- 2-BatchNorm要解决的问题
- 3-BN的本质作用
- 4-额外的训练参数解读
- 5-稀疏化原理与效果
- 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
- 10-名字实体匹配
- 11-恐怖袭击分析
- 12-统计分析结果
- 13-结巴分词器
- 14-词云展示
- 2-正则表达式基本语法
- 3-正则常用符号
- 4-常用函数介绍
- 5-NLTK工具包简介
- 6-停用词过滤
- 7-词性标注
- 8-数据清洗实例
- 9-Spacy工具包
- 10-NLP-文本特征方法对比
- 1-任务概述
- 2-词袋模型
- 3-词袋模型分析
- 4-TFIDF模型
- 5-word2vec词向量模型
- 6-深度学习模型
- 11-NLP-相似度模型
- 1-任务概述
- 2-数据展示
- 3-正负样本制作
- 4-数据预处理
- 5-网络模型定义
- 6-基于字符的训练
- 7-基于句子的相似度训练
- 12-LSTM情感分析
- 1-RNN网络架构
- 2-LSTM网络架构
- 3-案例：使用LSTM进行情感分类
- 4-情感数据集处理
- 5-基于word2vec的LSTM模型
- 13-机器人写唐诗
- 1-任务概述与环境配置
- 2-参数配置
- 3-数据预处理模块
- 4-batch数据制作
- 5-RNN模型定义
- 6-完成训练模块
- 7-训练唐诗生成模型
- 8-测试唐诗生成效果
- 14-对话机器人
- 1-效果演示
- 2-参数配置与数据加载
- 3-数据处理
- 4-词向量与投影
- 5-seq网络
- 6-网络训练
- 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
- 2-商品类别划分方式
- 3-商品类别可视化展示
- 4-商品描述长度对价格的影响分析
- 5-关键词的词云可视化展示
- 6-基于tf-idf提取关键词信息
- 7-通过降维进行可视化展示
- 8-聚类分析与主题模型展示
- 3-贝叶斯算法
- 1-贝叶斯算法概述
- 2-贝叶斯推导实例
- 3-贝叶斯拼写纠错实例
- 4-垃圾邮件过滤实例
- 5-贝叶斯实现拼写检查器
- 4-新闻分类任务实战
- 1-文本分析与关键词提取
- 2-相似度计算
- 3-新闻数据与任务简介
- 4-TF-IDF关键词提取
- 5-LDA建模
- 6-基于贝叶斯算法进行新闻分类
- 5-HMM隐马尔科夫模型
- 1-马尔科夫模型
- 10-维特比算法
- 2-隐马尔科夫模型基本出发点
- 3-组成与要解决的问题
- 4-暴力求解方法
- 5-复杂度计算
- 6-前向算法
- 7-前向算法求解实例
- 8-Baum-Welch算法
- 9-参数求解
- 6-HMM工具包实战
- 1-hmmlearn工具包
- 2-工具包使用方法
- 3-中文分词任务
- 4-实现中文分词
- 7-语言模型
- 1-开篇
- 10-负采样模型
- 2-语言模型
- 3-N-gram模型
- 4-词向量
- 5-神经网络模型
- 6-Hierarchical Softmax
- 7-CBOW模型实例
- 8-CBOW求解目标
- 9-锑度上升求解
- 8-使用Gemsim构建词向量
- 1-使用Gensim库构造词向量
- 2-维基百科中文数据处理
- 3-Gensim构造word2vec模型
- 4-测试模型相似度结果
- 9-基于word2vec的分类任务
- 1-影评情感分类
- 2-基于词袋模型训练分类器
- 3-准备word2vec输入数据
- 4-使用gensim构建word2vec词向量（新）
- 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
- 2-常用模块分析
- 3-论文要解决的问题分析
- 4-Query采样方法解读
- 5-probAttention计算流程
- 6-编码器全部计算流程
- 7-解码器流程分析
- 2-Informer源码解读
- 1-项目使用说明
- 10-核心采样计算方法
- 11-完成注意力机制计算模块
- 12-平均向量的作用
- 13-解码器预测输出
- 2-数据集解读
- 3-模型训练所需参数解读
- 4-数据集构建与读取方式
- 5-数据处理相关模块
- 6-时间相关特征提取方法
- 7-dataloader构建实例
- 8-整体架构分析
- 9-编码器模块实现
- 3-Timesnet时序预测
- 1-时序预测故事背景
- 2-论文核心思想解读
- 3-时序特征周期拆解
- 4-计算公式流程拆解
- 5-全部计算流程解读
- 6-周期间特征分析
- 7-源码流程解读
- 8-傅里叶变换流程
- 9-整体计算流程
- 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
- 25-自然语言处理必备神器Huggingface系列实战
- 1-Huggingface与NLP介绍解读
- meta.json
- 10-图谱知识抽取实战
- 1-应用场景概述分析
- meta.json
- raw.m3u8
- 2-数据标注格式样例分析
- meta.json
- raw.m3u8
- 3-数据处理与读取模块
- meta.json
- raw.m3u8
- 4-实体抽取模块分析
- meta.json
- raw.m3u8
- 5-标签与数据结构定义方法
- meta.json
- raw.m3u8
- 6-模型构建与计算流程
- meta.json
- raw.m3u8
- 7-网络模型前向计算方法
- meta.json
- raw.m3u8
- 8-关系抽取模型训练
- meta.json
- raw.m3u8
- 11-补充Huggingface数据集制作方法实例
- 1-数据结构分析
- meta.json
- raw.m3u8
- 2-Huggingface中的预处理实例
- meta.json
- raw.m3u8
- 3-数据处理基本流程
- meta.json
- raw.m3u8
- 2-Transformer工具包基本操作实例解读
- 1-工具包与任务整体介绍
- meta.json
- raw.m3u8
- 2-NLP任务常规流程分析
- meta.json
- raw.m3u8
- 3-文本切分方法实例解读
- meta.json
- raw.m3u8
- 4-AttentionMask配套使用方法
- meta.json
- raw.m3u8
- 5-数据集与模型
- meta.json
- raw.m3u8
- 6-数据Dataloader封装
- meta.json
- raw.m3u8
- 7-模型训练所需配置参数
- meta.json
- raw.m3u8
- 8-模型训练DEMO
- meta.json
- raw.m3u8
- 3-transformer原理解读
- 1-transformer原理解读
- meta.json
- raw.m3u8
- 4-BERT系列算法解读
- 1-BERT模型训练方法解读
- meta.json
- raw.m3u8
- 2-ALBERT基本定义
- meta.json
- raw.m3u8
- 3-ALBERT中的简化方法解读
- meta.json
- raw.m3u8
- 4-RoBerta模型训练方法解读
- meta.json
- raw.m3u8
- 5-DistilBert模型解读
- meta.json
- raw.m3u8
- 5-文本标注工具与NER实例
- 1-文本标注工具Doccano配置方法
- meta.json
- raw.m3u8
- 2-命名实体识别任务标注方法实例
- meta.json
- raw.m3u8
- 3-标注导出与BIO处理
- meta.json
- raw.m3u8
- 4-标签处理并完成对齐操作
- meta.json
- raw.m3u8
- 5-预训练模型加载与参数配置
- meta.json
- raw.m3u8
- 6-模型训练与输出结果预测
- meta.json
- raw.m3u8
- 6-文本预训练模型构建实例
- 1-预训练模型效果分析
- meta.json
- raw.m3u8
- 2-文本数据截断处理
- meta.json
- raw.m3u8
- 3-预训练模型自定义训练
- meta.json
- raw.m3u8
- 7-GPT系列算法
- 1-GPT系列算法概述
- meta.json
- raw.m3u8
- 2-GPT三代版本分析
- meta.json
- raw.m3u8
- 3-GPT初代版本要解决的问题
- meta.json
- raw.m3u8
- 4-GPT第二代版本训练策略
- meta.json
- raw.m3u8
- 5-采样策略与多样性
- meta.json
- raw.m3u8
- 6-GPT3的提示与生成方法
- meta.json
- raw.m3u8
- 7-应用场景CODEX分析
- meta.json
- raw.m3u8
- 8-DEMO应用演示
- meta.json
- raw.m3u8
- 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
- meta.json
- raw.m3u8
- 2-数据样本生成方法
- meta.json
- raw.m3u8
- 3-训练所需参数解读
- meta.json
- raw.m3u8
- 4-模型训练过程
- meta.json
- raw.m3u8
- 5-部署与网页预测展示
- meta.json
- raw.m3u8
- 9-文本摘要建模
- 1-中文商城评价数据处理方法
- meta.json
- raw.m3u8
- 2-模型训练与测试结果
- meta.json
- raw.m3u8
- 3-文本摘要数据标注方法
- meta.json
- raw.m3u8
- 4-训练自己标注的数据并测试
- meta.json
- raw.m3u8
- 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
- 10-BERT模型训练方法
- 11-训练实例
- 2-BERT任务目标概述
- 3-传统解决方案遇到的问题
- 4-注意力机制的作用
- 5-self-attention计算方法
- 6-特征分配与softmax机制
- 7-Multi-head的作用
- 8-位置编码与多层堆叠
- 9-transformer整体架构梳理
- 2-谷歌开源项目BERT源码解读与应用实例
- 1-BERT开源项目简介
- 10-构建QKV矩阵
- 11-完成Transformer模块构建
- 12-训练BERT模型
- 2-项目参数配置
- 3-数据读取模块
- 4-数据预处理模块
- 5-tfrecord数据源制作
- 6-Embedding层的作用
- 7-加入额外编码特征
- 8-加入位置编码特征
- 9-mask机制的作用
- 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
- 2-读取处理自己的数据集
- 3-训练BERT中文分类模型
- 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
- 2-NER标注数据处理与读取
- 3-构建BERT与CRF模型
- 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
- 2-模型整体框架
- 3-训练数据构建
- 4-CBOW与Skip-gram模型
- 5-负采样方案
- 6-必备基础-掌握Tensorflow如何实现word2vec模型
- 1-数据与任务流程
- 2-数据清洗
- 3-batch数据制作
- 4-网络训练
- 5-可视化展示
- 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
- 2-NLP应用领域与任务简介
- 3-项目流程解读
- 4-加载词向量特征
- 5-正负样本数据读取
- 6-构建LSTM网络模型
- 7-训练与测试效果
- 8-LSTM情感分析
- 8-医学糖尿病数据命名实体识别
- 1-数据与任务介绍
- 2-整体模型架构
- 3-数据-标签-语料库处理
- 4-训练网络模型
- 5-医疗数据集（糖尿病）实体识别
- 6-输入样本填充补齐
- 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）
- 10-Attention额外加入先验知识
- 11-结合GNN构建局部特征
- 12-损失函数约束项
- 13-自适应可学习参数
- 14-Coarse2Fine大框架
- 15-只能机器学习模型时凑工作量（特征工程）
- 16-自己数据集如何发的好(要开源)
- 17-可变形卷积加入方法
- 18-在源码中加入各种注意力机制方法
- 2-GCnet(全局特征融合)
- 3-Coordinate_attention
- 4-SPD（可替换下采样）
- 5-SPP改进
- 6-mobileOne(加速)
- 7-Deformable(替换selfAttention)
- 8-ProbAttention(采样策略)
- 9-CrossAttention融合特征
- 2-论文写作参考范文
- 1-论文要完成的核心架构分析
- 2-网络模型基本组件分析
- 3-流程概述分析
- 4-实验结果分析
- 5-源码实现细节解读
- 6-源码结果总结
- 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
- 2-知识图谱在搜索引擎中的应用
- 3-知识图谱在医疗领域应用实例
- 4-金融与推荐领域的应用
- 5-数据获取分析
- 2-知识图谱涉及技术点分析
- 1-数据关系抽取分析
- 2-常用NLP技术点分析
- 3-graph-embedding的作用与效果
- 4-金融领域图编码实例
- 5-视觉领域图编码实例
- 6-图谱知识融合与总结分析
- 3-Neo4j数据库实战
- 1-Neo4j图数据库介绍
- 2-Neo4j数据库安装流程演示
- 3-可视化例子演示
- 4-创建与删除操作演示
- 5-数据库更改查询操作演示
- 4-使用python操作neo4j实例
- 1-使用Py2neo建立连接
- 2-提取所需的指标信息
- 3-在图中创建实体
- 4-根据给定实体创建关系
- 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
- 10-完成对话系统构建
- 2-医疗数据介绍及其各字段含义
- 3-任务流程概述
- 4-环境配置与所需工具包安装
- 5-提取数据中的关键字段信息
- 6-创建关系边
- 7-打造医疗知识图谱模型
- 8-加载所有实体数据
- 9-实体关键词字典制作
- 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
- 2-LTP工具包概述介绍
- 3-pyltp安装与流程演示
- 4-得到分词与词性标注结果
- 5-依存句法概述
- 6-句法分析结果整理
- 7-语义角色构建与分析
- 8-设计规则完成关系抽取
- 7-金融平台风控模型实践
- 1-竞赛任务目标
- 2-图模型信息提取
- 3-节点权重特征提取(PageRank)
- 4-deepwalk构建图顶点特征
- 5-各项统计特征
- 6-app安装特征
- 7-图中联系人特征
- 8-医学糖尿病数据命名实体识别
- 1-数据与任务介绍
- 2-整体模型架构
- 3-数据-标签-语料库处理
- 4-输入样本填充补齐
- 5-训练网络模型
- 6-医疗数据集（糖尿病）实体识别
- 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
- 2-工作原理概述
- 3-注意力机制的作用
- 4-加入attention的序列模型整体架构
- 5-TeacherForcing的作用与训练策略
- 6-额外补充-RNN网络模型解读
- 2-LAS模型语音识别实战
- 1-数据源与环境配置
- 2-语料表制作方法
- 3-制作json标注数据
- 4-声音数据处理模块解读
- 5-Pack与Pad操作解析
- 6-编码器模块整体流程
- 7-加入注意力机制
- 8-计算得到每个输出的attention得分
- 9-解码器与训练过程演示
- 3-starganvc2变声器论文原理解读
- 1-论文整体思路与架构解读
- 2-VCC2016输入数据
- 3-语音特征提取
- 4-生成器模型架构分析
- 5-InstanceNorm的作用解读
- 6-AdaIn的目的与效果
- 7-判别器模块分析
- 4-staeganvc2变声器源码实战
- 1-数据与项目文件解读
- 10-源码损失计算流程
- 11-测试模块-生成转换语音
- 2-环境配置与工具包安装
- 3-数据预处理与声音特征提取
- 4-生成器构造模块解读
- 5-下采样与上采样操作
- 6-starganvc2版本标签输入分析
- 7-生成器前向传播维度变化
- 8-判别器模块解读
- 9-论文损失函数
- 5-语音分离ConvTasnet模型
- 1-语音分离任务分析
- 2-经典语音分离模型概述
- 3-DeepClustering论文解读
- 4-TasNet编码器结构分析
- 5-DW卷积的作用与效果
- 6-基于Mask得到分离结果
- 6-ConvTasnet语音分离实战
- 1-数据准备与环境配置
- 2-训练任务所需参数介绍
- 3-DataLoader定义
- 4-采样数据特征编码
- 5-编码器特征提取
- 6-构建更大的感受区域
- 7-解码得到分离后的语音
- 8-测试模块所需参数
- 7-语音合成tacotron最新版实战
- 1-语音合成项目所需环境配置
- 10-得到加权的编码向量
- 11-模型输出结果
- 12-损失函数与预测
- 2-所需数据集介绍
- 3-路径配置与整体流程解读
- 4-Dataloader构建数据与标签
- 5-编码层要完成的任务
- 6-得到编码特征向量
- 7-解码器输入准备
- 8-解码器流程梳理
- 9-注意力机制应用方法
- 3-深度学习必备核⼼算法
- 1-神经网络结构
- 2-卷积神经网络
- 1-卷积神经网络
- 3-Transformer
- 1-Transformer
- 4-VIT源码解读
- 1-VIT源码解读
- 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
- 2-2-推荐系统发展简介
- 3-3-应用领域与多方位评估指标
- 4-4-任务流程与挑战概述
- 5-5-常用技术点分析
- 6-6-与深度学习的结合
- 10-基本统计分析的电影推荐
- 1-1-电影数据与环境配置
- 2-2-数据与关键词信息展示
- 3-3-关键词云与直方图展示
- 4-4-特征可视化
- 5-5-数据清洗概述
- 6-6-缺失值填充方法
- 7-7-推荐引擎构造
- 8-8-数据特征构造
- 9-9-得出推荐结果
- 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
- 2-2-文本词频统计
- 3-3-ngram结果可视化展示
- 4-4-文本清洗
- 5-5-相似度计算
- 6-6-得出推荐结果
- 2-协同过滤与矩阵分解
- 1-1-协同过滤与矩阵分解简介
- 2-2-基于用户与商品的协同过滤
- 3-3-相似度计算与推荐实例
- 4-4-矩阵分解的目的与效果
- 5-5-矩阵分解中的隐向量
- 6-6-目标函数简介
- 7-7-隐式情况分析
- 8-8-Embedding的作用
- 3-音乐推荐系统实战
- 1-1-音乐推荐任务概述
- 2-2-数据集整合
- 3-3-基于物品的协同过滤
- 4-4-物品相似度计算与推荐
- 5-5-SVD矩阵分解
- 6-6-基于矩阵分解的音乐推荐
- 4-知识图谱与Neo4j数据库实例
- 1-1-知识图谱通俗解读
- 10-5-数据库更改查询操作演示
- 2-2-知识图谱在搜索引擎中的应用
- 3-3-知识图谱在医疗领域应用实例
- 4-4-金融与推荐领域的应用
- 5-5-数据获取分析
- 6-1-Neo4j图数据库介绍
- 7-2-Neo4j数据库安装流程演示
- 8-3-可视化例子演示
- 9-4-创建与删除操作演示
- 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
- 2-2-kaggle电影数据集下载与配置
- 3-3-图谱需求与任务流程解读
- 4-4-项目所需环境配置安装
- 5-5-构建用户电影知识图谱
- 6-6-图谱查询与匹配操作
- 7-7-相似度计算与推荐引擎构建
- 6-点击率估计FM与DeepFM算法
- 1-1-CTR估计及其经典方法概述
- 2-2-高维特征带来的问题
- 3-3-二项式特征的作用与挑战
- 4-4-二阶公式推导与化简
- 5-5-FM算法解析
- 6-6-DeepFm整体架构解读
- 7-7-输入层所需数据样例
- 8-8-Embedding层的作用与总结
- 7-DeepFM算法实战
- 1-1-数据集介绍与环境配置
- 2-2-广告点击数据预处理实例
- 3-3-数据处理模块Embedding层
- 4-4-Index与Value数据制作
- 5-5-一阶权重参数设计
- 6-6-二阶特征构建方法
- 7-7-特征组合方法实例分析
- 8-8-完成FM模块计算
- 9-9-DNN模块与训练过程
- 8-推荐系统常用工具包演示
- 1-1-环境配置与数据集介绍
- 2-2-电影数据集预处理分析
- 3-3-surprise工具包基本使用
- 4-4-模型测试集结果
- 5-5-评估指标概述
- 9-基于文本数据的推荐实例
- 1-1-数据与环境配置介绍
- 2-2-数据科学相关数据介绍
- 3-3-文本数据预处理
- 4-4-TFIDF构建特征矩阵
- 5-5-矩阵分解演示
- 6-6-LDA主题模型效果演示
- 7-7-推荐结果分析
- 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
- 2-CPU与GPU版本安装方法解读
- 2-使用神经网络进行分类任务
- 1-数据集与任务概述
- 2-基本模块应用测试
- 3-网络结构定义方法
- 4-数据源定义简介
- 5-损失与训练模块分析
- 6-训练一个基本的分类模型
- 7-参数对结果的影响
- 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
- 4-卷积网络参数解读分析
- 1-输入特征通道分析
- 2-卷积网络参数解读
- 3-卷积网络模型训练
- 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
- 10-测试结果演示分析
- 2-数据增强模块
- 3-数据集与模型选择
- 4-迁移学习方法解读
- 5-输出层与梯度设置
- 6-输出类别个数修改
- 7-优化器与学习率衰减
- 8-模型训练方法
- 9-重新训练全部模型
- 6-DataLoader自定义数据集制作
- 1-Dataloader要完成的任务分析
- 2-图像数据与标签路径处理
- 3-Dataloader中需要实现的方法分析
- 4-实用Dataloader加载数据并训练模型
- 7-LSTM文本分类实战
- 1-数据集与任务目标分析
- 2-文本数据处理基本流程分析
- 3-命令行参数与DEBUG
- 4-训练模型所需基本配置参数分析
- 5-预料表与字符切分
- 6-字符预处理转换ID
- 7-LSTM网络结构基本定义
- 8-网络模型预测结果输出
- 9-模型训练任务与总结
- 8-PyTorch框架Flask部署例子
- 1-基本结构与训练好的模型加载
- 2-服务端处理与预测函数
- 3-基于Flask测试模型预测结果
- 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)
- 2-课程简介
- 3-Python与Opencv配置安装
- 4-Notebook与IDE环境
- 10-项目实战-文档扫描OCR识别
- 1-整体流程演示
- 2-文档轮廓提取
- 3-原始与变换坐标计算
- 4-透视变换结果
- 5-tesseract-ocr安装配置
- 6-文档扫描识别效果
- 11-图像特征-harris
- 1-角点检测基本原理
- 2-基本数学原理
- 3-求解化简
- 4-特征归属划分
- 5-opencv角点检测效果
- 12-图像特征-sift
- 1-尺度空间定义
- 2-高斯差分金字塔
- 3-特征关键点定位
- 4-生成特征描述
- 5-特征向量生成
- 6-opencv中sift函数使用
- 13-案例实战-全景图像拼接
- 1-特征匹配方法
- 2-RANSAC算法
- 3-图像拼接方法
- 4-流程解读
- 14-项目实战-停车场车位识别
- 1-任务整体流程
- 2-所需数据介绍
- 3-图像数据预处理
- 4-车位直线检测
- 5-按列划分区域
- 6-车位区域划分
- 7-识别模型构建
- 8-基于视频的车位检测
- 15-项目实战-答题卡识别判卷
- 1-整体流程与效果概述
- 2-预处理操作
- 3-填涂轮廓检测
- 4-选项判断识别
- 16-背景建模
- 1-背景消除-帧差法
- 2-混合高斯模型
- 3-学习步骤
- 4-背景建模实战
- 17-光流估计
- 1-基本概念
- 2-Lucas-Kanade算法
- 3-推导求解
- 4-光流估计实战
- 18-Opencv的DNN模块
- 1-dnn模块
- 2-模型加载结果输出
- 19-项目实战-目标追踪
- 1-目标追踪概述
- 2-多目标追踪实战
- 3-深度学习检测框架加载
- 4-基于dlib与ssd的追踪
- 5-多进程目标追踪
- 6-多进程效率提升对比
- 2-图像基本操作
- 1-计算机眼中的图像
- 2-视频的读取与处理
- 3-ROI区域
- 4-边界填充
- 5-数值计算
- 20-卷积原理与操作
- 1-卷积神经网络的应用
- 2-卷积层解释
- 3-卷积计算过程
- 4-pading与stride
- 5-卷积参数共享
- 6-池化层原理
- 7-卷积效果演示
- 8-卷积操作流程
- 21-项目实战-疲劳检测
- 1-关键点定位概述
- 2-获取人脸关键点
- 3-定位效果演示
- 4-闭眼检测
- 5-检测效果
- 3-阈值与平滑处理
- 1-图像阈值
- 2-图像平滑处理
- 3-高斯与中值滤波
- 4-图像形态学操作
- 1-腐蚀操作
- 2-膨胀操作
- 3-开运算与闭运算
- 4-梯度计算
- 5-礼帽与黑帽
- 5-图像梯度计算
- 1-Sobel算子
- 2-梯度计算方法
- 3-scharr与lapkacian算子
- 6-边缘检测
- 1-Canny边缘检测流程
- 2-非极大值抑制
- 3-边缘检测效果
- 7-图像金字塔与轮廓检测
- 1-图像金字塔定义
- 2-金字塔制作方法
- 3-轮廓检测方法
- 4-轮廓检测结果
- 5-轮廓特征与近似
- 6-模板匹配方法
- 7-匹配效果展示
- 8-直方图与傅里叶变换
- 1-直方图定义
- 2-均衡化原理
- 3-均衡化效果
- 4-傅里叶概述
- 5-频域变换结果
- 6-低通与高通滤波
- 9-项目实战-信用卡数字识别
- 1-总体流程与方法讲解
- 2-环境配置与预处理
- 3-模板处理方法
- 4-输入数据处理方法
- 5-模板匹配得出识别结果
- 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)
- 2-物体检测评估指标
- 10-V5项目工程源码解读
- 1-数据源DEBUG流程解读
- 10-完成配置文件解析任务
- 11-前向传播计算
- 12-BottleneckCSP层计算方法
- 13-SPP层计算细节分析
- 14-Head层流程解读
- 15-上采样与拼接操作
- 16-输出结果分析
- 17-超参数解读
- 18-命令行参数介绍
- 19-训练流程解读
- 2-图像数据源配置
- 20-各种训练策略概述
- 21-模型迭代过程
- 3-加载标签数据
- 4-Mosaic数据增强方法
- 5-数据四合一方法与流程演示
- 6-getItem构建batch
- 7-网络架构图可视化工具安装
- 8-V5网络配置文件解读
- 9-Focus模块流程分析
- 11-YOLO系列（V7）算法解读
- 1-YOLO系列（V7）算法解读
- 12-V7源码解读
- 1-命令行参数介绍
- 10-完成BuildTargets模块
- 11-候选框筛选流程分析
- 12-预测值各项指标获取与调整
- 13-GT匹配正样本数量计算
- 14-通过IOU与置信度分配正样本
- 15-损失函数计算方法
- 16-辅助头AUX网络结构配置文件解析
- 17-辅助头损失函数调整
- 18-BN与卷积权重参数融合方法
- 19-重参数化多分支合并加速
- 2-基本参数作用
- 3-EMA等训练技巧解读
- 4-网络结构配置文件解读
- 5-各模块操作细节分析
- 6-输出层与配置文件其他模块解读
- 7-标签分配策略准备操作
- 8-候选框偏移方法与find3p模块解读
- 9-得到偏移点所在网格位置
- 13-YOLOV8
- 1-YOLOV8
- 14-基于Transformer的detr目标检测算法
- 1-DETR目标检测基本思想解读
- 2-整体网络架构分析
- 3-位置信息初始化query向量
- 4-注意力机制的作用方法
- 5-训练过程的策略
- 15-detr目标检测源码解读
- 1-项目环境配置解读
- 2-数据处理与dataloader
- 3-位置编码作用分析
- 4-backbone特征提取模块
- 5-mask与编码模块
- 6-编码层作用方法
- 7-Decoder层操作与计算
- 8-输出预测结果
- 9-损失函数与预测输出
- 16-DeformableDetr算法解读
- 1-DeformableDetr算法解读
- 17-半监督物体检测
- 1-半监督物体检测
- 18-EfficientNet网络
- 1-EfficientNet网络模型
- 19-EfficientDet检测算法
- 1-EfficientDet检测算法
- 2-深度学习经典检测⽅法概述
- 1-检测任务中阶段的意义
- 2-不同阶段算法优缺点分析
- 3-IOU指标计算
- 4-评估所需参数计算
- 5-map指标计算
- 20-YOLO V9
- 1-YOLO V9
- 3-YOLO-V1整体思想与网络架构
- 1-YOLO算法整体思路解读
- 2-检测算法要得到的结果
- 3-整体网络架构解读
- 4-位置损失计算
- 5-置信度误差与优缺点分析
- 4-YOLO-V2改进细节详解
- 1-V2版本细节升级概述
- 2-网络结构特点
- 3-架构细节解读
- 4-基于聚类来选择先验框尺寸
- 5-偏移量计算方法
- 6-坐标映射与还原
- 7-感受野的作用
- 8-特征融合改进
- 5-YOLO-V3核心网络模型
- 1-V3版本改进概述
- 2-多scale方法改进与特征融合
- 3-经典变换方法对比分析
- 4-残差连接方法解读
- 5-整体网络模型架构分析
- 6-先验框设计改进
- 7-sotfmax层改进
- 6-项目实战-基于V3版本进行源码解读（建议直接跑V5版本）
- 1-数据与环境配置
- 10-网格偏移计算
- 11-模型要计算的损失概述
- 12-标签值格式修改
- 13-坐标相对位置计算
- 14-完成所有损失函数所需计算指标
- 15-模型训练与总结
- 16-预测效果展示
- 2-训练参数设置
- 3-COCO图像数据读取与处理
- 4-标签文件读取与处理
- 5-debug模式介绍
- 6-基于配置文件构建网络模型
- 7-路由层与shortcut层的作用
- 8-YOLO层定义解析
- 9-预测结果计算
- 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
- 2-数据信息标注
- 3-完成标签制作
- 4-生成模型所需配置文件
- 5-json格式转换成yolo-v3所需输入
- 6-完成输入数据准备工作
- 7-训练代码与参数配置更改
- 8-训练模型并测试效果
- 8-YOLO-V4版本算法解读
- 1-V4版本整体概述
- 10-PAN模块解读
- 11-激活函数与整体架构总结
- 2-V4版本贡献解读
- 3-数据增强策略分析
- 4-DropBlock与标签平滑方法
- 5-损失函数遇到的问题
- 6-CIOU损失函数定义
- 7-NMS细节改进
- 8-SPP与CSP网络结构
- 9-SAM注意力机制模块
- 9-V5版本项目配置
- 1-整体项目概述
- 2-训练自己的数据集方法
- 3-训练数据参数配置
- 4-测试DEMO演示
- 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
- 2-分割任务中的目标函数定义
- 3-MIOU评估标准
- 10-物体检测框架-MaskRcnn项目介绍与配置
- 1-Mask-Rcnn开源项目简介
- 2-开源项目数据集
- 3-开源项目数据集
- 11-MaskRcnn网络框架源码详解
- 1-FPN层特征提取原理解读
- 10-RoiPooling层的作用与目的
- 11-RorAlign操作的效果
- 12-整体框架回顾
- 2-FPN网络架构实现解读
- 3-生成框比例设置
- 4-基于不同尺度特征图生成所有框
- 5-RPN层的作用与实现解读
- 6-候选框过滤方法
- 7-Proposal层实现方法
- 8-DetectionTarget层的作用
- 9-正负样本选择与标签定义
- 12-基于MASK-RCNN框架训练自己的数据与任务
- 1-Labelme工具安装
- 2-使用labelme进行数据与标签标注
- 3-完成训练数据准备工作
- 4-maskrcnn源码修改方法
- 5-基于标注数据训练所需任务
- 6-测试与展示模块
- 2-Unet系列算法讲解
- 1-Unet网络编码与解码过程
- 2-网络计算流程
- 3-Unet升级版本改进
- 4-后续升级版本介绍
- 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
- 2-数据增强工具
- 3-Debug模式演示网络计算流程
- 4-特征融合方法演示
- 5-迭代完成整个模型计算任务
- 6-模型效果验证
- 4-U2NET显著性检测实战
- 1-任务目标与网络整体介绍
- 2-显著性检测任务与目标概述
- 3-编码器模块解读
- 4-解码器输出结果
- 5-损失函数与应用效果
- 5-deeplab系列算法
- 1-deeplab分割算法概述
- 2-空洞卷积的作用
- 3-感受野的意义
- 4-SPP层的作用
- 5-ASPP特征融合策略
- 6-deeplabV3Plus版本网络架构
- 6-基于deeplabV3+版本进⾏VOC分割实战
- 1-PascalVoc数据集介绍
- 2-项目参数与数据集读取
- 3-网络前向传播流程
- 4-ASPP层特征融合
- 5-分割模型训练
- 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
- 2-项目基本配置参数
- 3-任务流程解读
- 4-文献报告分析
- 5-补充：视频数据源特征处理方法概述
- 6-补充：R(2plus1)D处理方法分析
- 8-分割模型Maskformer系列
- 1-分割模型Maskformer系列
- 9-补充：Mask2former源码解读
- 1-Backbone获取多层级特征
- 10-正样本筛选损失计算
- 11-标签分类匹配结果分析
- 12-最终损失计算流程
- 13-汇总所有损失完成迭代
- 2-多层级采样点初始化构建
- 3-多层级输入特征序列创建方法
- 4-偏移量与权重计算并转换
- 5-Encoder特征构建方法实例
- 6-query要预测的任务解读
- 7-Decoder中的AttentionMask方法
- 8-损失模块输入参数分析
- 9-标签分配策略解读
- 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
- 10-第三模块：DeformableDetr算法解读
- 1-DeformableDetr算法解读
- 11-补充：Mask2former源码解读
- 1-Backbone获取多层级特征
- 10-正样本筛选损失计算
- 11-标签分类匹配结果分析
- 12-最终损失计算流程
- 13-汇总所有损失完成迭代
- 2-多层级采样点初始化构建
- 3-多层级输入特征序列创建方法
- 4-偏移量与权重计算并转换
- 5-Encoder特征构建方法实例
- 6-query要预测的任务解读
- 7-Decoder中的AttentionMask方法
- 8-损失模块输入参数分析
- 9-标签分配策略解读
- 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
- 13-第四模块：DBNET文字检测
- 1-文字检测数据概述与配置文件
- 2-配置文件参数设置
- 3-Neck层特征组合
- 4-损失函数模块概述
- 5-损失计算方法
- 14-第四模块：ANINET文字识别
- 1-数据集与环境概述
- 2-配置文件修改方法
- 3-Bakbone模块得到特征
- 4-视觉Transformer模块的作用
- 5-视觉模型中的编码与解码的效果
- 6-文本模型中的结构分析
- 7-迭代修正模块
- 8-输出层与损失计算
- 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
- 2-KIE数据集格式调整方法
- 3-配置文件与标签要进行处理操作
- 4-边框要计算的特征分析
- 5-标签数据处理与关系特征提取
- 6-特征合并处理
- 7-准备拼接边与点特征
- 8-整合得到图模型输入特征
- 16-第五模块：stylegan2源码解读
- 1-要完成的任务与基本思想概述
- 2-得到style特征编码
- 3-特征编码风格拼接
- 4-基础风格特征卷积模块
- 5-上采样得到输出结果
- 6-损失函数概述
- 17-第六模块：BasicVSR++视频超分辨重构源码解读
- 1-要完成的任务分析与配置文件
- 10-传播流程整体完成一圈
- 11-完成输出结果
- 2-特征基础提取模块
- 3-光流估计网络模块
- 4-基于光流完成对齐操作
- 5-偏移量计算方法
- 6-双向计算特征对齐
- 7-提特征传递流程分析
- 8-序列传播计算
- 9-准备变形卷积模块的输入
- 18-第七模块：多模态3D目标检测算法源码解读
- 1-环境配置与数据集概述
- 10-3D卷积特征融合
- 11-输出层预测结果
- 2-数据与标注文件介绍
- 3-基本流程梳理并进入debug模式
- 4-数据与图像特征提取模块
- 5-体素索引位置获取
- 6-体素特征提取方法解读
- 7-体素特征计算方法分析
- 8-全局体素特征提取
- 9-多模态特征融合
- 19-第八模块：模型蒸馏应用实例
- 1-任务概述与工具使用
- 2-Teacher与Student网络结构定义
- 3-训练T与S得到蒸馏模型
- 4-开始模型训练过程与问题修正
- 5-日志输出与模型分离
- 6-分别得到Teacher与Student模型
- 7-实际测试效果演示
- 2-第一模块：分类任务基本操作
- 1-MMCLS问题修正
- 2-准备MMCLS项目
- 3-基本参数配置解读
- 4-各模块配置文件组成
- 5-生成完整配置文件
- 6-根据文件夹定义数据集
- 7-构建自己的数据集
- 8-训练自己的任务
- 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
- 2-搜索匹配到符合计算量的模型并训练
- 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
- 22-OCR算法解读
- 1-OCR算法解读
- 23-额外补充-在源码中加入各种注意力机制方法
- 1-在源码中加入各种注意力机制方法
- 24-追踪新增
- 1-获取检测结果与追踪初始化
- 2-初始时刻追踪器创建
- 3-追踪器记录信息概述
- 4-匹配过程细节分析
- 5-不同帧时刻追踪器状态更新方法
- 6-追踪器状态更新处理
- 7-追踪器迭代更新策略
- 3-第一模块：训练结果测试与验证
- 1-测试DEMO效果
- 2-测试评估模型效果
- 3-MMCLS中增加一个新的模块
- 4-修改配置文件中的参数
- 5-数据增强流程可视化展示
- 6-Grad-Cam可视化方法
- 7-可视化细节与效果分析
- 8-MMCLS可视化模块应用
- 9-模型分析脚本使用
- 4-第一模块：模型源码DEBUG演示
- 1-VIT任务概述
- 2-数据增强模块概述分析
- 3-PatchEmbedding层
- 4-前向传播基本模块
- 5-CLS与输出模块
- 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
- 2-数据集标注与制作方法
- 3-根据预测类别数修改配置文件
- 4-加载预训练模型开始训练
- 5-预测DEMO演示
- 6-第二模块：基于Unet进行各种策略修改
- 1-配置文件解读
- 2-编码层模块
- 3-上采样与输出层
- 4-辅助层的作用
- 5-给Unet添加一个neck层
- 6-如何修改参数适配网络结构
- 7-将Unet特征提取模块替换成transformer
- 8-VIT模块源码分析
- 7-第二模块：分割任务CVPR最新Backbone设计及其应用
- 1-注册自己的Backbone模块
- 10-汇总多层级特征进行输出
- 2-配置文件指定
- 3-DEBUG解读Backbone设计
- 4-PatchEmbedding的作用与实现
- 5-卷积位置编码计算方法
- 6-近似Attention模块实现
- 7-完成特征提取与融合模块
- 8-分割输出模块
- 9-全局特征的作用与实现
- 8-第三模块：mmdet训练自己的数据任务
- 1-数据集标注与标签获取
- 2-COCO数据标注格式
- 3-通过脚本生成COCO数据格式
- 4-配置文件数据增强策略分析
- 5-训练所需配置说明
- 6-模型训练与DEMO演示
- 7-模型测试与可视化分析模块
- 8-补充：评估指标
- 9-第三模块：DeformableDetr物体检测源码分析
- 1-特征提取与位置编码
- 10-分类与回归输出模块
- 11-预测输出结果与标签匹配模块
- 2-序列特征展开并叠加
- 3-得到相对位置点编码
- 4-准备Encoder编码层所需全部输入
- 5-编码层中的序列分析
- 6-偏移量offset计算
- 7-偏移量对齐操作
- 8-Encoder层完成特征对齐
- 9-Decoder要完成的操作
- 9-经典视觉项目实战：行为识别、姿态估计、目标追踪
- 1-slowfast算法知识点通俗解读
- 1-slowfast核心思想解读
- 2-核心网络结构模块分析
- 3-数据采样曾的作用
- 4-模型网络结构设计
- 5-特征融合模块与总结分析
- 10-OpenPose算法源码分析
- 1-数据集与路径配置解读
- 10-多阶段输出与预测
- 2-读取图像与标注信息
- 3-关键点与躯干特征图初始化
- 4-根据关键点位置设计关键点标签
- 5-准备构建PAF躯干标签
- 6-各位置点归属判断
- 7-特征图各点累加向量计算
- 8-完成PAF特征图制作
- 9-网络模型一阶段输出
- 11-deepsort算法知识点解读
- 1-卡尔曼滤波通俗解释
- 10-sort与deepsort建模流程分析
- 11-预测与匹配流程解读
- 12-追踪任务流程拆解
- 2-卡尔曼滤波要完成的任务
- 3-任务本质分析
- 4-基于观测值进行最优估计
- 5-预测与更新操作
- 6-追踪中的状态量
- 7-匈牙利匹配算法概述
- 8-匹配小例子分析
- 9-REID特征的作用
- 12-deepsort源码解读
- 1-项目环境配置
- 10-匹配结果与总结
- 2-参数与DEMO演示
- 3-针对检测结果初始化track
- 4-对track执行预测操作
- 5-状态量预测结果
- 6-IOU代价矩阵计算
- 7-参数更新操作
- 8-级联匹配模块
- 9-ReID特征代价矩阵计算
- 13-YOLO-V4版本算法解读
- 1-V4版本整体概述
- 10-PAN模块解读
- 11-激活函数与整体架构总结
- 2-V4版本贡献解读
- 3-数据增强策略分析
- 4-DropBlock与标签平滑方法
- 5-损失函数遇到的问题
- 6-CIOU损失函数定义
- 7-NMS细节改进
- 8-SPP与CSP网络结构
- 9-SAM注意力机制模块
- 14-V5版本项目配置
- 1-整体项目概述
- 2-训练自己的数据集方法
- 3-训练数据参数配置
- 4-测试DEMO演示
- 15-V5项目工程源码解读
- 1-数据源DEBUG流程解读
- 10-完成配置文件解析任务
- 11-前向传播计算
- 12-BottleneckCSP层计算方法
- 13-1-SPP层计算细节分析
- 14-2-Head层流程解读
- 15-上采样与拼接操作
- 16-输出结果分析
- 17-超参数解读
- 18-命令行参数介绍
- 19-训练流程解读
- 2-图像数据源配置
- 20-各种训练策略概述
- 21-模型迭代过程
- 3-加载标签数据
- 4-Mosaic数据增强方法
- 5-数据四合一方法与流程演示
- 6-getItem构建batch
- 7-网络架构图可视化工具安装
- 8-V5网络配置文件解读
- 9-Focus模块流程分析
- 2-slowfast项目环境配置与配置文件
- 1-环境基本配置解读
- 2-目录各文件分析
- 3-配置文件作用解读
- 4-测试DEMO演示
- 5-训练所需标签文件说明
- 6-训练所需视频数据准备
- 7-视频数据集切分操作
- 8-完成视频分帧操作
- 3-slowfast源码详细解读
- 1-模型所需配置文件参数读取
- 10-RoiAlign与输出层
- 2-数据处理概述
- 3-dataloader数据遍历方法
- 4-数据与标签读取实例
- 5-图像数据所需预处理方法
- 6-slow与fast分别执行采样操作
- 7-分别计算特征图输出结果
- 8-slow与fast特征图拼接操作
- 9-resnetBolock操作
- 4-基于3D卷积的视频分析与动作识别
- 1-3D卷积原理解读
- 2-UCF101动作识别数据集简介
- 3-测试效果与项目配置
- 4-视频数据预处理方法
- 5-数据Batch制作方法
- 6-3D卷积网络所涉及模块
- 7-训练网络模型
- 5-视频异常检测算法与元学习
- 1-异常检测要解决的问题与数据集介绍
- 2-基本思想与流程分析
- 3-预测与常见问题
- 4-Meta-Learn要解决的问题
- 5-学习能力与参数定义
- 6-如何找到合适的初始化参数
- 7-MAML算法流程解读
- 6-视频异常检测CVPR2021论文及其源码解读
- 1-论文概述与环境配置
- 2-数据集配置与读取
- 3-模型编码与解码结构
- 4-注意力机制模块打造
- 5-损失函数的目的
- 6-特征图生成
- 7-MetaLearn与输出
- 7-基础补充-Resnet模型及其应用实例
- 1-医学疾病数据集介绍
- 2-Resnet网络架构原理分析
- 3-dataloader加载数据集
- 4-Resnet网络前向传播
- 5-残差网络的shortcut操作
- 6-特征图升维与降采样操作
- 7-网络整体流程与训练演示
- 8-课程介绍
- 1-课程介绍
- 9-姿态估计OpenPose系列算法解读
- 1-姿态估计要解决的问题分析
- 10-匹配方法解读
- 11-CPM模型特点
- 12-算法流程与总结
- 2-姿态估计应用领域概述
- 3-传统topdown方法的问题
- 4-要解决的两个问题分析
- 5-基于高斯分布预测关键点位置
- 6-各模块输出特征图解读
- 7-PAF向量登场
- 8-PAF标签设计方法
- 9-预测时PAF积分计算方法
包含内容
- · 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
贡献者
Kevin
青铜