|
85| 9
|
lf的Python人工智能AI工程师培训教程 |
|
lf的Python人工智能AI工程师培训教程 ├── 第10模块：opencv计算机视觉实战（新） │ ├── 20.7 卷积效果演示.mp4 │ ├── 11.2 基本数学原理.mp4 │ ├── 7.6 模板匹配方法.mp4 │ ├── 8.2 均衡化原理.mp4 │ ├── 20.1 卷积神经网络的应用.mp4 │ ├── 3.2 图像平滑处理.mp4 │ ├── 15.4 选项判断识别.mp4 │ ├── 2.5 数值计算.mp4 │ ├── 10.4 透视变换结果.mp4 │ ├── 11.1 角点检测基本原理.mp4 │ ├── 10.3 原始与变换坐标计算.mp4 │ ├── 17.4 光流估计实战.mp4 │ ├── 19.4 基于dlib与ssd的追踪.mp4 │ ├── 8.5 频域变换结果.mp4 │ ├── 7.1 图像金字塔定义.mp4 │ ├── 19.3 深度学习检测框架加载.mp4 │ ├── 15.3 填涂轮廓检测.mp4 │ ├── 17.3 推导求解.mp4 │ ├── 5.3 scharr与lapkacian算子.mp4 │ ├── 5.1 Sobel算子.mp4 │ ├── 14.5 按列划分区域.mp4 │ ├── 11.4 特征归属划分.mp4 │ ├── 10.5 tesseract-ocr安装配置.mp4 │ ├── 19.6 多进程效率提升对比.mp4 │ ├── 3.3 高斯与中值滤波.mp4 │ ├── 10.2 文档轮廓提取.mp4 │ ├── 6.3 边缘检测效果.mp4 │ ├── 11.3 求解化简.mp4 │ ├── 21.3 定位效果演示.mp4 │ ├── 21.1 关键点定位概述.mp4 │ ├── 9.4 输入数据处理方法.mp4 │ ├── 9.5 模板匹配得出识别结果.mp4 │ ├── 12.4 生成特征描述.mp4 │ ├── 20.8 卷积操作流程.mp4 │ ├── 4.2 膨胀操作.mp4 │ ├── 4.5 礼帽与黑帽.mp4 │ ├── 2.1 计算机眼中的图像.mp4 │ ├── 17.1 基本概念.mp4 │ ├── 1.3 Notebook与IDE环境.mp4 │ ├── 4.4 梯度计算.mp4 │ ├── 14.4 车位直线检测.mp4 │ ├── 6.1 Canny边缘检测流程.mp4 │ ├── 14.7 识别模型构建.mp4 │ ├── 19.2 多目标追踪实战.mp4 │ ├── 20.4 pading与stride.mp4 │ ├── 18.2 模型加载结果输出.mp4 │ ├── 13.3 RANSAC算法.mp4 │ ├── 18.1 dnn模块.mp4 │ ├── 15.1 整体流程与效果概述.mp4 │ ├── 21.5 检测效果.mp4 │ ├── 12.3 特征关键点定位.mp4 │ ├── 13.4 流程解读.mp4 │ ├── 6.2 非极大值抑制.mp4 │ ├── 7.4 轮廓检测结果.mp4 │ ├── 5.2 梯度计算方法.mp4 │ ├── 16.1 背景消除.帧差法.mp4 │ ├── 2.3 ROI区域.mp4 │ ├── 19.5 多进程目标追踪.mp4 │ ├── 21.2 获取人脸关键点.mp4 │ ├── 1.1 课程简介.mp4 │ ├── 3.1 图像阈值.mp4 │ ├── 19.1 目标追踪概述.mp4 │ ├── 13.1 特征匹配方法.mp4 │ ├── 10.6 文档扫描识别效果.mp4 │ ├── 9.3 模板处理方法.mp4 │ ├── 1.2 Python与Opencv配置安装.mp4 │ ├── 2.2 视频的读取与处理.mp4 │ ├── 8.4 傅里叶概述.mp4 │ ├── 8.3 均衡化效果.mp4 │ ├── 15.2 预处理操作.mp4 │ ├── 8.6 低通与高通滤波.mp4 │ ├── 14.8 基于视频的车位检测.mp4 │ ├── 9.1 总体流程与方法讲解.mp4 │ ├── 14.1 任务整体流程.mp4 │ ├── 16.3 学习步骤.mp4 │ ├── 8.1 直方图定义.mp4 │ ├── 2.4 边界填充.mp4 │ ├── 17.2 Lucas-Kanade算法.mp4 │ ├── 9.2 环境配置与预处理.mp4 │ ├── 11.5 opencv角点检测效果.mp4 │ ├── 10.1 整体流程演示.mp4 │ ├── 12.5 特征向量生成.mp4 │ ├── 20.3 卷积计算过程.mp4 │ ├── 4.1 腐蚀操作.mp4 │ ├── 14.3 图像数据预处理.mp4 │ ├── 12.6 opencv中sift函数使用.mp4 │ ├── 4.3 开运算与闭运算.mp4 │ ├── 20.2 卷积层解释.mp4 │ ├── 12.2 高斯差分金字塔.mp4 │ ├── 14.6 车位区域划分.mp4 │ ├── 12.1 尺度空间定义.mp4 │ ├── 7.2 金字塔制作方法.mp4 │ ├── 21.4 闭眼检测.mp4 │ ├── 20.5 卷积参数共享.mp4 │ ├── 16.4 背景建模实战.mp4 │ ├── 13.2 图像拼接方法.mp4 │ ├── 7.7 匹配效果展示.mp4 │ ├── 20.6 池化层原理.mp4 │ ├── 14.2 所需数据介绍.mp4 │ ├── 7.3 轮廓检测方法.mp4 │ ├── 16.2 混合高斯模型.mp4 │ ├── 7.5 轮廓特征与近似.mp4 ├── 第12模块：姿态估计与目标追踪实战系列（新） │ ├── 5-YOLO-V4版本算法解读 │ │ ├── 50课时CIOU损失函数定义.mp4 │ │ ├── 52课时SPP与CSP网络结构.mp4 │ │ ├── 55课时激活函数与整体架构总结.mp4 │ │ ├── 49课时损失函数遇到的问题.mp4 │ │ ├── 48课时DropBlock与标签平滑方法.mp4 │ │ ├── 51课时NMS细节改进.mp4 │ │ ├── 53课时SAM注意力机制模块.mp4 │ │ ├── 47课时数据增强策略分析.mp4 │ │ ├── 46课时V4版本贡献解读.mp4 │ │ ├── 54课时PAN模块解读.mp4 │ │ ├── 45课时V4版本整体概述.mp4 │ ├── 8-基础补充-Resnet模型及其应用实例 │ │ ├── 86课时特征图升维与降采样操作.mp4 │ │ ├── 81课时医学疾病数据集介绍.mp4 │ │ ├── 84课时Resnet网络前向传播.mp4 │ │ ├── 87课时网络整体流程与训练演示.mp4 │ │ ├── 82课时Resnet网络架构原理分析.mp4 │ │ ├── 85课时残差网络的shortcut操作.mp4 │ │ ├── 83课时dataloader加载数据集.mp4 │ ├── 2-OpenPose算法源码分析 │ │ ├── 17课时准备构建PAF躯干标签.mp4 │ │ ├── 16课时根据关键点位置设计关键点标签.mp4 │ │ ├── 14课时读取图像与标注信息.mp4 │ │ ├── 20课时完成PAF特征图制作.mp4 │ │ ├── 22课时多阶段输出与预测.mp4 │ │ ├── 15课时关键点与躯干特征图初始化.mp4 │ │ ├── 21课时网络模型一阶段输出.mp4 │ │ ├── 13课时数据集与路径配置解读.mp4 │ │ ├── 18课时各位置点归属判断.mp4 │ │ ├── 19课时特征图各点累加向量计算.mp4 │ ├── 4-deepsort源码解读 │ │ ├── 38课时对track执行预测操作.mp4 │ │ ├── 42课时级联匹配模块.mp4 │ │ ├── 41课时参数更新操作.mp4 │ │ ├── 36课时参数与DEMO演示.mp4 │ │ ├── 37课时针对检测结果初始化track.mp4 │ │ ├── 44课时匹配结果与总结.mp4 │ │ ├── 39课时状态量预测结果.mp4 │ │ ├── 35课时项目环境配置.mp4 │ │ ├── 40课时IOU代价矩阵计算.mp4 │ │ ├── 43课时ReID特征代价矩阵计算.mp4 │ ├── 1-姿态估计OpenPose系列算法解读 │ │ ├── 3课时传统topdown方法的问题.mp4 │ │ ├── 1课时姿态估计要解决的问题分析.mp4 │ │ ├── 4课时要解决的两个问题分析.mp4 │ │ ├── 2课时姿态估计应用领域概述.mp4 │ │ ├── 8课时PAF标签设计方法.mp4 │ │ ├── 9课时预测时PAF积分计算方法.mp4 │ │ ├── 12课时算法流程与总结.mp4 │ │ ├── 6课时各模块输出特征图解读.mp4 │ │ ├── 7课时PAF向量登场.mp4 │ │ ├── 11课时CPM模型特点.mp4 │ │ ├── 10课时匹配方法解读.mp4 │ │ ├── 5课时基于高斯分布预测关键点位置.mp4 │ ├── 9-基础补充-PyTorch框架基本处理操作 │ │ ├── 93课时线性回归DEMO_训练回归模型.mp4 │ │ ├── 89课时框架安装方法（CPU与GPU版本）.mp4 │ │ ├── 91课时自动求导机制.mp4 │ │ ├── 94课时常见tensor格式.mp4 │ │ ├── 90课时PyTorch基本操作简介.mp4 │ │ ├── 92课时线性回归DEMO_数据与参数配置.mp4 │ │ ├── 88课时PyTorch框架发展趋势简介.mp4 │ │ ├── 95课时Hub模块简介.mp4 │ ├── 3-deepsort算法知识点解读 │ │ ├── 25课时任务本质分析.mp4 │ │ ├── 29课时匈牙利匹配算法概述.mp4 │ │ ├── 28课时追踪中的状态量.mp4 │ │ ├── 23课时卡尔曼滤波通俗解释.mp4 │ │ ├── 32课时sort与deepsort建模流程分析.mp4 │ │ ├── 33课时预测与匹配流程解读.mp4 │ │ ├── 26课时基于观测值进行最优估计.mp4 │ │ ├── 31课时REID特征的作用.mp4 │ │ ├── 24课时卡尔曼滤波要完成的任务.mp4 │ │ ├── 30课时匹配小例子分析.mp4 │ │ ├── 27课时预测与更新操作.mp4 │ │ ├── 34课时追踪任务流程拆解.mp4 │ ├── 10-基础补充-PyTorch框架必备核心模块解读 │ │ ├── 108课时训练结果与模型保存.mp4 │ │ ├── 105课时加载训练好的网络模型.mp4 │ │ ├── 97课时网络流程解读.mp4 │ │ ├── 104课时迁移学习策略.mp4 │ │ ├── 106课时优化器模块配置.mp4 │ │ ├── 99课时分类任务数据集定义与配置.mp4 │ │ ├── 100课时图像增强的作用.mp4 │ │ ├── 103课时迁移学习的目标.mp4 │ │ ├── 107课时实现训练模块.mp4 │ │ ├── 109课时加载模型对测试数据进行预测.mp4 │ │ ├── 98课时Vision模块功能解读.mp4 │ │ ├── 101课时数据预处理与数据增强模块.mp4 │ │ ├── 96课时卷积网络参数定义.mp4 │ │ ├── 102课时Batch数据制作.mp4 │ ├── 6-V5版本项目配置 │ │ ├── 56课时整体项目概述.mp4 │ │ ├── 57课时训练自己的数据集方法.mp4 │ │ ├── 59课时测试DEMO演示.mp4 │ │ ├── 58课时训练数据参数配置.mp4 │ ├── 7-V5项目工程源码解读 │ │ ├── 80课时模型迭代过程.mp4 │ │ ├── 73课时Head层流程解读.mp4 │ │ ├── 70课时前向传播计算.mp4 │ │ ├── 71课时BottleneckCSP层计算方法.mp4 │ │ ├── 76课时超参数解读.mp4 │ │ ├── 77课时命令行参数介绍.mp4 │ │ ├── 75课时输出结果分析.mp4 │ │ ├── 62课时加载标签数据.mp4 │ │ ├── 72课时SPP层计算细节分析.mp4 │ │ ├── 69课时完成配置文件解析任务.mp4 │ │ ├── 60课时数据源DEBUG流程解读.mp4 │ │ ├── 66课时网络架构图可视化工具安装.mp4 │ │ ├── 67课时V5网络配置文件解读.mp4 │ │ ├── 74课时上采样与拼接操作.mp4 │ │ ├── 78课时训练流程解读.mp4 │ │ ├── 79课时各种训练策略概述.mp4 │ │ ├── 63课时Mosaic数据增强方法.mp4 │ │ ├── 65课时getItem构建batch.mp4 │ │ ├── 64课时数据四合一方法与流程演示.mp4 │ │ ├── 61课时图像数据源配置.mp4 │ │ ├── 68课时Focus模块流程分析.mp4 ├── 第06模块：深度学习框架-Tensorflow2版本实战（旧） │ ├── 17.8 训练resnet模型.mp4 │ ├── 4.3 卷积特征值计算方法.mp4 │ ├── 3.7 模型保存与读取实例.mp4 │ ├── 13.11 训练实例.mp4 │ ├── 15.5 损失函数定义与训练.mp4 │ ├── 14.1 BERT开源项目简介.mp4 │ ├── 17.4 数据集处理方法.mp4 │ ├── 1.4 tf基础操作.mp4 │ ├── 3.4 模型超参数调节与预测结果展示.mp4 │ ├── 16.10 判别网络模块构造.mp4 │ ├── 14.11 完成Transformer模块构建.mp4 │ ├── 16.12 生成与判别损失函数指定.mp4 │ ├── 4.6 边缘填充方法.mp4 │ ├── 6.3 猫狗识别任务数据增强实例.mp4 │ ├── 10.8 训练策略指定.mp4 │ ├── 4.8 池化层的作用.mp4 │ ├── 13.6 特征分配与softmax机制.mp4 │ ├── 9.4 训练batch数据制作.mp4 │ ├── 7.4 加载训练好的经典网络模型.mp4 │ ├── 14.8 加入位置编码特征.mp4 │ ├── 2.10 神经网络架构细节.mp4 │ ├── 17.5 训练数据构建.mp4 │ ├── 16.4 数据与环境配置.mp4 │ ├── 12.5 序列结果预测.mp4 │ ├── 5.1 猫狗识别任务与数据简介.mp4 │ ├── 9.5 损失函数定义与训练结果展示.mp4 │ ├── 12.3 训练时间序列数据预测结果.mp4 │ ├── 10.2 RNN模型输入数据维度解读.mp4 │ ├── 13.3 传统解决方案遇到的问题.mp4 │ ├── 9.2 模型定义参数设置.mp4 │ ├── 16.2 CycleGan整体网络架构.mp4 │ ├── 10.3 数据映射表制作.mp4 │ ├── 3.3 网络模型训练.mp4 │ ├── 4.12 感受野的作用.mp4 │ ├── 9.3 文本词预处理操作.mp4 │ ├── 10.9 训练文本分类模型.mp4 │ ├── 5.3 网络架构配置.mp4 │ ├── 16.6 整体损失模块解读.mp4 │ ├── 15.4 网络架构设计.mp4 │ ├── 3.1 任务目标与数据集简介.mp4 │ ├── 1.2 Tensorflow2版本简介与心得.mp4 │ ├── 15.1 对抗生成网络通俗解释.mp4 │ ├── 14.2 项目参数配置.mp4 │ ├── 2.13 神经网络过拟合解决方法.mp4 │ ├── 2.7 前向传播整体流程.mp4 │ ├── 11.1 CNN应用于文本任务原理解析.mp4 │ ├── 2.4 视觉任务中遇到的问题.mp4 │ ├── 12.2 构建时间序列数据.mp4 │ ├── 13.8 位置编码与多层堆叠.mp4 │ ├── 8.6 负采样方案.mp4 │ ├── 10.5 数据生成器构造.mp4 │ ├── 17.2 额外补充.Resnet网络架构解读.mp4 │ ├── 6.2 图像数据变换.mp4 │ ├── 14.7 加入额外编码特征.mp4 │ ├── 17.6 网络架构层次解读.mp4 │ ├── 11.3 网络架构设计与训练.mp4 │ ├── 7.1 迁移学习的目标.mp4 │ ├── 2.2 深度学习应用领域.mp4 │ ├── 7.3 Resnet原理.mp4 │ ├── 4.4 得到特征图表示.mp4 │ ├── 2.5 得分函数.mp4 │ ├── 1.1 课程简介.mp4 │ ├── 4.7 特征图尺寸计算与参数共享.mp4 │ ├── 10.1 任务目标与数据介绍.mp4 │ ├── 7.2 迁移学习策略.mp4 │ ├── 4.2 卷积的作用.mp4 │ ├── 16.9 生成网络模块构造.mp4 │ ├── 16.13 额外补充：VISDOM可视化配置.mp4 │ ├── 16.11 损失函数：identity loss计算方法.mp4 │ ├── 14.4 数据预处理模块.mp4 │ ├── 7.7 图像数据处理实例.mp4 │ ├── 10.4 embedding层向量制作.mp4 │ ├── 8.3 模型整体框架.mp4 │ ├── 9.1 任务流程解读.mp4 │ ├── 3.2 建模流程与API文档.mp4 │ ├── 5.2 卷积网络涉及参数解读.mp4 │ ├── 14.9 mask机制.mp4 │ ├── 16.5 生成与判别器损失函数定义.mp4 │ ├── 2.12 正则化与激活函数.mp4 │ ├── 13.7 Multi.head的作用.mp4 │ ├── 8.2 词向量模型通俗解释.mp4 │ ├── 2.1 深度学习要解决的问题.mp4 │ ├── 7.6 tfrecords数据源制作方法.mp4 │ ├── 16.7 Cycle开源项目简介.mp4 │ ├── 12.1 任务目标与数据源.mp4 │ ├── 4.10 VGG网络架构.mp4 │ ├── 15.3 DCGAN网络架构与流程解读.mp4 │ ├── 16.1 CycleGan网络所需数据.mp4 │ ├── 2.8 返向传播计算方法.mp4 │ ├── 17.3 项目结构概述.mp4 │ ├── 4.11 残差网络Resnet.mp4 │ ├── 13.1 BERT课程简介.mp4 │ ├── 2.3 计算机视觉任务.mp4 │ ├── 12.4 多特征预测结果.mp4 │ ├── 6.1 数据增强概述.mp4 │ ├── 13.5 self.attention计算方法.mp4 │ ├── 2.11 神经元个数对结果的影响.mp4 │ ├── 8.5 CBOW与Skip.gram模型.mp4 │ ├── 16.8 数据读取与预处理操作.mp4 │ ├── 15.2 GAN网络组成.mp4 │ ├── 3.6 tf.data模块解读.mp4 │ ├── 2.9 神经网络整体架构.mp4 │ ├── 11.2 整体流程解读.mp4 │ ├── 14.3 数据读取模块.mp4 │ ├── 8.4 训练数据构建.mp4 │ ├── 5.4 卷积模型训练与识别效果展示.mp4 │ ├── 16.3 PatchGan判别网络原理.mp4 │ ├── 4.5 步长与卷积核大小对结果的影响.mp4 │ ├── 14.6 Embedding层的作用.mp4 │ ├── 13.2 BERT任务目标概述.mp4 │ ├── 3.5 分类模型构建.mp4 │ ├── 14.12 训练BERT模型.mp4 │ ├── 17.7 前向传播配置.mp4 │ ├── 2.6 损失函数的作用.mp4 │ ├── 14.10 构建QKV矩阵.mp4 │ ├── 17.1 额外补充.Resnet论文解读.mp4 │ ├── 13.10 BERT模型训练方法.mp4 │ ├── 13.4 注意力机制的作用.mp4 │ ├── 13.9 transformer整体架构梳理.mp4 │ ├── 10.7 自定义网络模型架构.mp4 │ ├── 7.5 Callback模块与迁移学习实例.mp4 │ ├── 4.9 整体网络架构.mp4 │ ├── 10.6 双向RNN模型定义.mp4 │ ├── 4.1 卷积神经网络应用领域.mp4 │ ├── 8.1 RNN网络架构解读.mp4 │ ├── 1.3 Tensorflow2版本安装方法.mp4 │ ├── 14.5 tfrecord制作.mp4 ├── 第12模块：对抗生成网络大项目实战（新） │ ├── 1.5 生成与判别网络定义.mp4 │ ├── 10.3 网络架构配置.mp4 │ ├── 9.4 分类任务数据集定义与配置.mp4 │ ├── 8.4 论文总结.mp4 │ ├── 8.3 细节设计.mp4 │ ├── 1.3 损失函数解释说明.mp4 │ ├── 9.12 实现训练模块.mp4 │ ├── 6.9 论文损失函数.mp4 │ ├── 8.8 网络迭代训练.mp4 │ ├── 6.10 源码损失计算流程.mp4 │ ├── 7.4 数据加载与配置.mp4 │ ├── 6.5 下采样与上采样操作.mp4 │ ├── 9.2 网络流程解读.mp4 │ ├── 4.5 所有网络模块构建实例.mp4 │ ├── 2.8 损失函数：identity loss计算方法.mp4 │ ├── 3.7 损失函数公式解析.mp4 │ ├── 5.6 AdaIn的目的与效果.mp4 │ ├── 5.1 论文整体思路与架构解读.mp4 │ ├── 6.4 生成器构造模块解读.mp4 │ ├── 3.3 建模流程分析.mp4 │ ├── 6.6 starganvc2版本标签输入分析.mp4 │ ├── 4.7 判别器损失计算.mp4 │ ├── 8.5 数据与项目概述.mp4 │ ├── 3.2 网络架构整体思路解读.mp4 │ ├── 9.13 训练结果与模型保存.mp4 │ ├── 7.5 生成模块.mp4 │ ├── 5.7 判别器模块分析.mp4 │ ├── 7.7 VGG特征提取网络.mp4 │ ├── 4.6 数据读取模块分析.mp4 │ ├── 1.4 数据读取模块.mp4 │ ├── 6.3 数据预处理与声音特征提取.mp4 │ ├── 5.3 语音特征提取.mp4 │ ├── 7.6 判别模块.mp4 │ ├── 6.11 测试模块生成转换语音.mp4 │ ├── 2.6 生成网络模块构造.mp4 │ ├── 2.5 数据读取与预处理操作.mp4 │ ├── 9.8 迁移学习的目标.mp4 │ ├── 2.10 额外补充：VISDOM可视化配置.mp4 │ ├── 9.5 图像增强的作用.mp4 │ ├── 7.3 数据与环境配置.mp4 │ ├── 9.9 迁移学习策略.mp4 │ ├── 4.9 生成模块损失计算.mp4 │ ├── 7.8 损失函数与训练.mp4 │ ├── 9.11 优化器模块配置.mp4 │ ├── 5.5 InstanceNorm的作用解读.mp4 │ ├── 3.8 训练过程分析.mp4 │ ├── 8.1 论文概述.mp4 │ ├── 2.9 生成与判别损失函数指定.mp4 │ ├── 9.1 卷积网络参数定义.mp4 │ ├── 9.10 加载训练好的网络模型.mp4 │ ├── 4.3 项目参数解析.mp4 │ ├── 4.2 测试效果演示.mp4 │ ├── 9.7 Batch数据制作.mp4 │ ├── 3.1 stargan效果演示分析.mp4 │ ├── 10.1 猫狗识别任务与数据简介.mp4 │ ├── 6.1 数据与项目文件解读.mp4 │ ├── 7.9 测试模块.mp4 │ ├── 9.3 Vision模块功能解读.mp4 │ ├── 6.7 生成器前向传播维度变化.mp4 │ ├── 7.1 论文概述.mp4 │ ├── 2.7 判别网络模块构造.mp4 │ ├── 6.2 环境配置与工具包安装.mp4 │ ├── 2.2 CycleGan整体网络架构.mp4 │ ├── 9.6 数据预处理与数据增强模块.mp4 │ ├── 9.16 额外补充.Resnet网络架构解读.mp4 │ ├── 2.3 PatchGan判别网络原理.mp4 │ ├── 2.4 Cycle开源项目简介.mp4 │ ├── 1.2 GAN网络组成.mp4 │ ├── 5.2 VCC2016输入数据.mp4 │ ├── 6.8 判别器模块解读.mp4 │ ├── 3.5 V2版本在整体网络架构.mp4 │ ├── 4.8 损失计算详细过程.mp4 │ ├── 4.10 测试模块效果与实验分析.mp4 │ ├── 3.6 编码器训练方法.mp4 │ ├── 3.4 V1版本存在的问题及后续改进思路.mp4 │ ├── 9.15 额外补充.Resnet论文解读.mp4 │ ├── 8.7 网络结构配置.mp4 │ ├── 7.2 网络架构.mp4 │ ├── 8.9 测试模块.mp4 │ ├── 8.6 参数基本设计.mp4 │ ├── 5.4 生成器模型架构分析.mp4 │ ├── 10.4 卷积模型训练与识别效果展示.mp4 │ ├── 1.1 对抗生成网络通俗解释.mp4 │ ├── 4.4 生成器模块源码解读.mp4 │ ├── 9.14 加载模型对测试数据进行预测.mp4 │ ├── 2.1 CycleGan网络所需数据.mp4 │ ├── 8.2 网络架构.mp4 │ ├── 4.1 项目配置与数据源下载.mp4 │ ├── 10.2 卷积网络涉及参数解读.mp4 ├── 第09模块：深度学习必备框架实战（PyTorch+Tensorflow）（新） │ ├── 11.7 前向传播配置.mp4 │ ├── 17.7 CNN应用于文本任务原理解析.mp4 │ ├── 6.1 迁移学习的目标.mp4 │ ├── 1.1 课程简介.mp4 │ ├── 17.3 项目配置参数设置.mp4 │ ├── 16.6 训练结果与模型保存.mp4 │ ├── 12.3 框架安装方法（CPU与GPU版本）.mp4 │ ├── 3.6 tf.data模块解读.mp4 │ ├── 2.6 损失函数的作用.mp4 │ ├── 7.1 任务流程解读.mp4 │ ├── 11.1 额外补充.Resnet论文解读.mp4 │ ├── 9.3 网络架构设计与训练.mp4 │ ├── 11.4 数据集处理方法.mp4 │ ├── 2.7 前向传播整体流程.mp4 │ ├── 15.1 卷积网络参数定义.mp4 │ ├── 4.4 卷积模型训练与识别效果展示.mp4 │ ├── 2.10 神经网络架构细节.mp4 │ ├── 2.12 正则化与激活函数.mp4 │ ├── 4.1 猫狗识别任务与数据简介.mp4 │ ├── 11.6 网络架构层次解读.mp4 │ ├── 6.7 图像数据处理实例.mp4 │ ├── 10.2 构建时间序列数据.mp4 │ ├── 7.3 文本词预处理操作.mp4 │ ├── 2.4 视觉任务中遇到的问题.mp4 │ ├── 3.3 网络模型训练.mp4 │ ├── 12.8 常见tensor格式.mp4 │ ├── 13.2 按建模顺序构建完成网络架构.mp4 │ ├── 1.4 tf基础操作.mp4 │ ├── 14.4 得到特征图表示.mp4 │ ├── 2.2 深度学习应用领域.mp4 │ ├── 10.4 多特征预测结果.mp4 │ ├── 8.9 训练文本分类模型.mp4 │ ├── 13.3 简化代码训练网络模型.mp4 │ ├── 12.7 线性回归DEMO.训练回归模型.mp4 │ ├── 14.7 特征图尺寸计算与参数共享.mp4 │ ├── 14.9 整体网络架构.mp4 │ ├── 17.1 任务目标与数据简介.mp4 │ ├── 15.2 网络流程解读.mp4 │ ├── 16.5 实现训练模块.mp4 │ ├── 2.9 神经网络整体架构.mp4 │ ├── 3.5 分类模型构建.mp4 │ ├── 1.2 Tensorflow2版本简介与心得.mp4 │ ├── 2.8 返向传播计算方法.mp4 │ ├── 8.6 双向RNN模型定义.mp4 │ ├── 14.2 卷积的作用.mp4 │ ├── 13.5 构建分类网络模型.mp4 │ ├── 17.2 RNN模型所需输入格式解析.mp4 │ ├── 5.2 图像数据变换.mp4 │ ├── 16.7 加载模型对测试数据进行预测.mp4 │ ├── 17.4 新闻数据读取与预处理方法.mp4 │ ├── 5.3 猫狗识别任务数据增强实例.mp4 │ ├── 7.2 模型定义参数设置.mp4 │ ├── 9.2 整体流程解读.mp4 │ ├── 17.6 Tensorboardx可视化展示模块搭建.mp4 │ ├── 12.5 自动求导机制.mp4 │ ├── 2.11 神经元个数对结果的影响.mp4 │ ├── 9.1 CNN应用于文本任务原理解析.mp4 │ ├── 14.10 VGG网络架构.mp4 │ ├── 8.2 RNN模型输入数据维度解读.mp4 │ ├── 16.8 额外补充.Resnet论文解读.mp4 │ ├── 7.4 训练batch数据制作.mp4 │ ├── 12.9 Hub模块简介.mp4 │ ├── 14.11 残差网络Resnet.mp4 │ ├── 11.5 训练数据构建.mp4 │ ├── 10.1 任务目标与数据源.mp4 │ ├── 14.1 卷积神经网络应用领域.mp4 │ ├── 3.2 建模流程与API文档.mp4 │ ├── 13.4 分类任务概述.mp4 │ ├── 14.6 边缘填充方法.mp4 │ ├── 13.6 DataSet模块介绍与应用方法.mp4 │ ├── 8.8 训练策略指定.mp4 │ ├── 8.3 数据映射表制作.mp4 │ ├── 16.2 迁移学习策略.mp4 │ ├── 8.5 数据生成器构造.mp4 │ ├── 15.7 Batch数据制作.mp4 │ ├── 2.13 神经网络过拟合解决方法.mp4 │ ├── 7.5 损失函数定义与训练结果展示.mp4 │ ├── 14.12 感受野的作用.mp4 │ ├── 14.3 卷积特征值计算方法.mp4 │ ├── 2.5 得分函数.mp4 │ ├── 13.1 气温数据集与任务介绍.mp4 │ ├── 2.3 计算机视觉任务.mp4 │ ├── 3.4 模型超参数调节与预测结果展示.mp4 │ ├── 1.3 Tensorflow2版本安装方法.mp4 │ ├── 5.1 数据增强概述.mp4 │ ├── 2.1 深度学习要解决的问题.mp4 │ ├── 6.3 Resnet原理.mp4 │ ├── 17.8 网络模型架构与效果展示.mp4 │ ├── 17.5 训练LSTM文本分类模型.mp4 │ ├── 6.2 迁移学习策略.mp4 │ ├── 4.2 卷积网络涉及参数解读.mp4 │ ├── 6.4 加载训练好的经典网络模型.mp4 │ ├── 6.5 Callback模块与迁移学习实例.mp4 │ ├── 3.1 任务目标与数据集简介.mp4 │ ├── 12.4 PyTorch基本操作简介.mp4 │ ├── 10.5 序列结果预测.mp4 │ ├── 15.5 图像增强的作用.mp4 │ ├── 12.1 PyTorch实战课程简介.mp4 │ ├── 15.3 Vision模块功能解读.mp4 │ ├── 11.2 额外补充.Resnet网络架构解读.mp4 │ ├── 6.6 tfrecords数据源制作方法.mp4 │ ├── 11.8 训练resnet模型.mp4 │ ├── 14.8 池化层的作用.mp4 │ ├── 16.9 额外补充.Resnet网络架构解读.mp4 │ ├── 10.3 训练时间序列数据预测结果.mp4 │ ├── 8.7 自定义网络模型架构.mp4 │ ├── 16.4 优化器模块配置.mp4 │ ├── 16.3 加载训练好的网络模型.mp4 │ ├── 11.3 项目结构概述.mp4 │ ├── 8.4 embedding层向量制作.mp4 │ ├── 4.3 网络架构配置.mp4 │ ├── 12.6 线性回归DEMO.数据与参数配置.mp4 │ ├── 15.4 分类任务数据集定义与配置.mp4 │ ├── 3.7 模型保存与读取实例.mp4 │ ├── 8.1 任务目标与数据介绍.mp4 │ ├── 16.1 迁移学习的目标.mp4 │ ├── 14.5 步长与卷积核大小对结果的影响.mp4 │ ├── 15.6 数据预处理与数据增强模块.mp4 │ ├── 12.2 PyTorch框架发展趋势简介.mp4 ├── 第06模块：机器学习案例实战应用集锦（新） │ ├── 8.5 负采样方案.mp4 │ ├── 11.9 逻辑回归模型.mp4 │ ├── 9.4 TFIDF模型.mp4 │ ├── 7.7 词性标注.mp4 │ ├── 6.3 双变量分析.mp4 │ ├── 12.3 图像特征编码.mp4 │ ├── 11.11 必杀神奇：lightgbm.mp4 │ ├── 2.1 数据与任务分析.mp4 │ ├── 7.4 常用函数介绍.mp4 │ ├── 1.6 电影数据集题材关联分析.mp4 │ ├── 2.3 房价随星期变化的可视化展示.mp4 │ ├── 4.5 标签变换.mp4 │ ├── 10.7 sklearn工具包预处理模块.mp4 │ ├── 7.11 恐怖袭击分析.mp4 │ ├── 11.2 EDA数据探索分析.mp4 │ ├── 7.1 Python字符串处理.mp4 │ ├── 9.2 词袋模型.mp4 │ ├── 11.8 自定义特征.mp4 │ ├── 12.1 数据与任务流程分析.mp4 │ ├── 10.12 构建回归模型.mp4 │ ├── 3.4 文本清洗.mp4 │ ├── 7.5 NLTK工具包简介.mp4 │ ├── 10.2 数据分析与可视化展示.mp4 │ ├── 1.5 数据集制作.mp4 │ ├── 10.10 序列化执行预处理操作.mp4 │ ├── 9.5 word2vec词向量模型.mp4 │ ├── 8.3 训练数据构建.mp4 │ ├── 7.6 停用词过滤.mp4 │ ├── 5.3 剔除开挂数据.mp4 │ ├── 5.2 数据问题探索与解决方案.mp4 │ ├── 10.9 构建合适的特征.mp4 │ ├── 4.1 数据任务分析.mp4 │ ├── 10.5 特征相关性分析.mp4 │ ├── 6.2 部分依赖图解释.mp4 │ ├── 7.3 正则表达式基本语法.mp4 │ ├── 7.9 Spacy工具包.mp4 │ ├── 2.7 预处理与建模准备.mp4 │ ├── 6.4 ShapValues指标分析.mp4 │ ├── 12.2 图片数据导入.mp4 │ ├── 7.14 词云展示.mp4 │ ├── 5.6 热度图展示.mp4 │ ├── 11.4 KDEPLOT展示.mp4 │ ├── 2.8 随机森林与LightGBM.mp4 │ ├── 11.7 多项式特征.mp4 │ ├── 4.8 生成输出结果.mp4 │ ├── 11.6 数据检查与特征工程.mp4 │ ├── 2.6 房屋规格热度图分析.mp4 │ ├── 12.5 得出聚类结果.mp4 │ ├── 10.4 加载数据坐标到实际地图中进行分析.mp4 │ ├── 9.1 任务概述.mp4 │ ├── 1.1 关联规则概述.mp4 │ ├── 4.6 输入数据制作.mp4 │ ├── 11.1 数据任务介绍及缺失值处理.mp4 │ ├── 8.4 CBOW与Skip_gram模型.mp4 │ ├── 5.1 数据与任务简介.mp4 │ ├── 8.1 词向量模型通俗解释.mp4 │ ├── 2.5 提取房屋常见设施.mp4 │ ├── 3.6 得出推荐结果.mp4 │ ├── 2.4 房屋信息指标分析.mp4 │ ├── 10.8 离散属性特征处理.mp4 │ ├── 3.3 ngram结果可视化展示.mp4 │ ├── 7.10 名字实体匹配.mp4 │ ├── 7.2 正则常用符号.mp4 │ ├── 3.2 文本词频统计.mp4 │ ├── 11.3 特征展示分析.mp4 │ ├── 4.4 特征信息提取.mp4 │ ├── 12.4 数组保存与读取.mp4 │ ├── 11.5 部分特征分析与可视化.mp4 │ ├── 10.1 数据与任务介绍.mp4 │ ├── 3.5 相似度计算.mp4 │ ├── 1.3 提升度的作用.mp4 │ ├── 7.13 结巴分词器.mp4 │ ├── 5.8 特征重要性.mp4 │ ├── 7.8 数据清洗实例.mp4 │ ├── 12.6 聚类效果可视化展示.mp4 │ ├── 3.1 数据与任务介绍.mp4 │ ├── 8.2 模型整体框架.mp4 │ ├── 11.10 结果评估.mp4 │ ├── 6.1 模型解释方法与实践.mp4 │ ├── 10.11 完成所有预处理操作.mp4 │ ├── 5.5 绘图统计分析.mp4 │ ├── 2.2 提取月份信息进行统计分析.mp4 │ ├── 7.12 统计分析结果.mp4 │ ├── 5.4 类别变量处理.mp4 │ ├── 4.3 统计指标生成.mp4 │ ├── 1.2 支持度与置信度.mp4 │ ├── 10.6 缺失值填充.mp4 │ ├── 2.9 训练与评估.mp4 │ ├── 4.2 特征工程制作.mp4 │ ├── 9.6 深度学习模型.mp4 │ ├── 6.5 疾病引起原因分析实战.mp4 │ ├── 5.7 随机森林建模.mp4 │ ├── 4.7 Xgboost训练模型.mp4 │ ├── 10.3 连续值离散化与可视化细节.mp4 │ ├── 9.3 词袋模型分析.mp4 │ ├── 1.4 Python实战关联规则.mp4 ├── 第16模块：语音识别核心项目实战（新） │ ├── 5.1 语音分离任务分析.mp4 │ ├── 6.4 采样数据特征编码.mp4 │ ├── 6.6 构建更大的感受区域-1698817387.mp4 │ ├── 2.2 语料表制作方法.mp4 │ ├── 1.4 加入attention的序列模型整体架构.mp4 │ ├── 2.1 数据源与环境配置.mp4 │ ├── 5.4 TasNet编码器结构分析.mp4 │ ├── 3.5 InstanceNorm的作用解读.mp4 │ ├── 5.3 DeepClustering论文解读.mp4 │ ├── 4.2 环境配置与工具包安装.mp4 │ ├── 4.8 判别器模块解读.mp4 │ ├── 3.7 判别器模块分析.mp4 │ ├── 6.2 训练任务所需参数介绍.mp4 │ ├── 4.10 源码损失计算流程.mp4 │ ├── 1.6 额外补充.RNN网络模型解读.mp4 │ ├── 2.5 Pack与Pad操作解析.mp4 │ ├── 3.2 VCC2016输入数据.mp4 │ ├── 7.9 注意力机制应用方法.mp4 │ ├── 3.1 论文整体思路与架构解读.mp4 │ ├── 7.5 编码层要完成的任务.mp4 │ ├── 3.4 生成器模型架构分析.mp4 │ ├── 7.7 解码器输入准备.mp4 │ ├── 4.7 生成器前向传播维度变化.mp4 │ ├── 6.7 解码得到分离后的语音-1698817392.mp4 │ ├── 4.1 数据与项目文件解读.mp4 │ ├── 6.8 测试模块所需参数.mp4 │ ├── 4.6 starganvc2版本标签输入分析.mp4 │ ├── 2.3 制作json标注数据.mp4 │ ├── 6.4 采样数据特征编码-1698817375.mp4 │ ├── 4.9 论文损失函数.mp4 │ ├── 2.4 声音数据处理模块解读.mp4 │ ├── 7.6 得到编码特征向量.mp4 │ ├── 1.1 序列网络模型概述分析.mp4 │ ├── 5.5 DW卷积的作用与效果.mp4 │ ├── 7.8 解码器流程梳理.mp4 │ ├── 4.11 测试模块生成转换语音.mp4 │ ├── 2.8 计算得到每个输出的attention得分.mp4 │ ├── 7.11 模型输出结果.mp4 │ ├── 7.3 路径配置与整体流程解读.mp4 │ ├── 1.3 注意力机制的作用.mp4 │ ├── 7.2 所需数据集介绍.mp4 │ ├── 7.12 损失函数与预测.mp4 │ ├── 6.3 DataLoader定义.mp4 │ ├── 6.7 解码得到分离后的语音.mp4 │ ├── 6.1 数据准备与环境配置.mp4 │ ├── 1.2 工作原理概述.mp4 │ ├── 4.4 生成器构造模块解读.mp4 │ ├── 6.5 编码器特征提取.mp4 │ ├── 4.3 数据预处理与声音特征提取.mp4 │ ├── 2.9 解码器与训练过程演示.mp4 │ ├── 7.4 Dataloader构建数据与标签.mp4 │ ├── 6.6 构建更大的感受区域.mp4 │ ├── 1.5 TeacherForcing的作用与训练策略.mp4 │ ├── 5.2 经典语音分离模型概述.mp4 │ ├── 6.2 训练任务所需参数介绍-1698817367.mp4 │ ├── 6.3 DataLoader定义-1698817371.mp4 │ ├── 7.1 语音合成项目所需环境配置.mp4 │ ├── 7.10 得到加权的编码向量.mp4 │ ├── 2.6 编码器模块整体流程.mp4 │ ├── 5.6 基于Mask得到分离结果.mp4 │ ├── 3.6 AdaIn的目的与效果.mp4 │ ├── 3.3 语音特征提取.mp4 │ ├── 4.5 下采样与上采样操作.mp4 │ ├── 6.5 编码器特征提取-1698817381.mp4 │ ├── 2.7 加入注意力机制.mp4 ├── Python高级全部课件AI │ ├── 模块09 │ ├── 模块10 │ ├── 模块04 │ │ ├── 第4模块：机器学习实训营（原理+复现+实验） │ │ │ ├── 17-神经网络算法原理 │ │ │ │ ├── 神经网络-单独.pdf │ │ │ ├── 19-贝叶斯算法原理 │ │ │ │ ├── 5-贝叶斯算法.pdf │ │ │ ├── 20-贝叶斯代码实现 │ │ │ │ ├── 贝叶斯-代码实现.zip │ │ │ ├── 3-模型评估方法 │ │ │ │ ├── img │ │ │ │ │ ├── 1.png │ │ │ │ │ ├── 6.png │ │ │ │ │ ├── 3.png │ │ │ │ │ ├── 5.png │ │ │ │ │ ├── 9.png │ │ │ │ │ ├── 2.png │ │ │ │ │ ├── 4.png │ │ │ │ │ ├── 7.png │ │ │ │ │ ├── 8.png │ │ │ │ ├── 模型评估方法.ipynb │ │ │ ├── 9-聚类算法实验分析 │ │ │ │ ├── mldata │ │ │ │ │ ├── mnist-original.mat │ │ │ │ ├── 聚类算法-实验.zip │ │ │ ├── 21-关联规则实战分析 │ │ │ │ ├── 第一章：Python实战关联规则.zip │ │ │ ├── 11-决策树代码实现 │ │ │ │ ├── 决策树-代码实现.zip │ │ │ ├── 7-聚类算法-Kmeans&Dbscan原理 │ │ │ │ ├── 4-聚类算法.pdf │ │ │ ├── 30-隐马尔科夫模型 │ │ │ │ ├── HMM.pdf │ │ │ ├── 12-决策树实验分析 │ │ │ │ ├── 决策树算法-实验.zip │ │ │ ├── 27.28-主成分分析与线性判别分析 │ │ │ │ ├── 降维算法.zip │ │ │ │ ├── 9-LDA与PCA算法.pdf │ │ │ ├── 8-Kmeans代码实现 │ │ │ │ ├── Kmeans-代码实现.zip │ │ │ ├── 31-HMM应用实例 │ │ │ │ ├── HMM │ │ │ │ │ ├── __pycache__ │ │ │ │ │ │ ├── get_hmm_param.cpython-36.pyc │ │ │ │ │ │ ├── data.cpython-36.pyc │ │ │ │ │ ├── hmm_start.py │ │ │ │ │ ├── get_hmm_param.py │ │ │ │ │ ├── data.py │ │ │ │ ├── 时间序列.ipynb │ │ │ │ ├── data2.csv │ │ │ │ ├── hmm实践.ipynb │ │ │ ├── 29-主成分分析降维算法解读 │ │ │ │ ├── 降维算法.zip │ │ │ ├── 18-神经网络代码实现 │ │ │ │ ├── 神经网络-代码实现.zip │ │ │ ├── 24-代码实现word2vec词向量模型 │ │ │ │ ├── 18.Tensorflow自己打造word2vec │ │ │ │ │ ├── word2vec │ │ │ │ │ │ ├── word2vec.zip │ │ │ ├── 2-线性回归代码实现 │ │ │ │ ├── 线性回归-代码实现.zip │ │ │ ├── 5-逻辑回归代码实现 │ │ │ │ ├── 逻辑回归-代码实现.zip │ │ │ ├── mldata │ │ │ │ ├── mnist-original.mat │ │ │ ├── 10-决策树原理 │ │ │ │ ├── 3-决策树与集成算法.pdf │ │ │ ├── 16-支持向量机实验分析 │ │ │ │ ├── 支持向量机-实验.zip │ │ │ ├── 15-支持向量机原理推导 │ │ │ │ ├── 6-支持向量机.pdf │ │ │ ├── 3-线性回归实验分析 │ │ │ │ ├── 线性回归-实验.zip │ │ │ ├── 26-打造音乐推荐系统 │ │ │ │ ├── Python实现音乐推荐系统.zip │ │ │ ├── 13-集成算法原理 │ │ │ │ ├── 3-决策树与集成算法.pdf │ │ │ ├── 14-集成算法实验分析 │ │ │ │ ├── mldata │ │ │ │ │ ├── mnist-original.mat │ │ │ │ ├── 随机森林与集成算法-实验.zip │ │ │ ├── 1-线性回归原理推导 │ │ │ │ ├── 2-回归算法.pdf │ │ │ ├── 23-词向量word2vec通俗解读 │ │ │ │ ├── NLP核心模型-word2vec.zip │ │ │ ├── 6-逻辑回归实验分析 │ │ │ │ ├── 逻辑回归-实验.zip │ │ │ ├── 22-关联规则代码实现 │ │ │ │ ├── Apriori-代码实现.zip │ │ │ ├── 25-推荐系统原理 │ │ │ │ ├── 7-推荐系统.pdf │ ├── 模块15 │ │ ├── 2-Finetuning.zip │ │ ├── ner.zip │ │ ├── 1-Transformers.zip │ │ ├── BERT系列.pptx │ │ ├── Summarization.zip │ ├── 模块12 │ ├── 模块01(新) │ │ ├── day05 数据类型（上） │ │ │ ├── 笔记 │ │ │ │ ├── assets │ │ │ │ │ ├── image-20201102172217820.png │ │ │ │ │ ├── image-20201102190227431.png │ │ │ │ ├── day05 数据类型.md │ │ │ ├── 代码和作业答案 │ │ │ │ ├── 5.今日作业讲解.py │ │ │ │ ├── 2.字符串.py │ │ │ │ ├── 1.整型.py │ │ │ │ ├── 3.字符串练习题.py │ │ │ │ ├── demo.py │ │ │ │ ├── 4.字符串公共功能.py │ │ ├── day01 计算机基础和环境搭建 │ │ │ ├── pycharm插件 │ │ │ │ ├── jetbrains-agent-latest.zip │ │ │ ├── 笔记和作业答案 │ │ │ │ ├── assets │ │ │ │ │ ├── image-20201021185430525.png │ │ │ │ │ ├── image-20201021214518950.png │ │ │ │ │ ├── image-20201022105833337.png │ │ │ │ │ ├── image-20201021214459011.png │ │ │ │ │ ├── image-20201021204525830.png │ │ │ │ │ ├── image-20201021205002626.png │ │ │ │ ├── day01 作业讲解.md │ │ │ │ ├── day01 计算机基础和环境搭建.md │ │ │ ├── pycharm插件.zip │ │ │ ├── 解码多多一键永久.rar │ │ ├── day07 数据类型（下） │ │ │ ├── 笔记 │ │ │ │ ├── assets │ │ │ │ │ ├── image-20201120193837492.png │ │ │ │ │ ├── image-20201121131221807.png │ │ │ │ │ ├── image-20201121190846593.png │ │ │ │ │ ├── image-20201120190454120.png │ │ │ │ ├── day07.md │ │ │ ├── 代码和作业答案 │ │ │ │ ├── 1.字典独有功能练习讲解.py │ │ │ │ ├── 2.字典的删除.py │ │ │ │ ├── 3.浮点型.py │ │ │ │ ├── 4.精确的小数计算.py │ │ │ │ ├── 5.今日作业讲解.py │ │ ├── day02 快速上手 │ │ │ ├── 代码 │ │ │ │ ├── 类型转换.py │ │ │ │ ├── 条件嵌套-10086.py │ │ │ │ ├── 注释.py │ │ │ │ ├── 变量.py │ │ │ │ ├── 条件语句练习题.py │ │ │ │ ├── 布尔类型.py │ │ │ │ ├── first.py │ │ │ │ ├── 输出练习题.py │ │ │ │ ├── 输出.py │ │ │ │ ├── 条件语句.py │ │ │ │ ├── 类型的比较.py │ │ │ │ ├── 布尔类型实例.py │ │ │ │ ├── 整形.py │ │ │ │ ├── 作业.py │ │ │ │ ├── 输入.py │ │ │ │ ├── 数据类型作业讲解.py │ │ │ │ ├── 字符串.py │ │ │ ├── 笔记和作业答案 │ │ │ │ ├── assets │ │ │ │ │ ├── image-20201011163427166.png │ │ │ │ │ ├── image-20201011163344305.png │ │ │ │ │ ├── image-20201022205915320.png │ │ │ │ │ ├── image-20201011163503412.png │ │ │ │ │ ├── image-20201011163312491.png │ │ │ │ │ ├── image-20201022211946339.png │ │ │ │ │ ├── image-20201011163528779.png │ │ │ │ │ ├── image-20201022203737151.png │ │ │ │ ├── day02 快速上手.md │ │ │ │ ├── day02 作业答案.md │ │ ├── day03 Python基础 │ │ │ ├── 笔记 │ │ │ │ ├── assets │ │ │ │ │ ├── image-20201011165419956.png │ │ │ │ │ ├── image-20201011165434014.png │ │ │ │ │ ├── image-20201011165609137.png │ │ │ │ │ ├── image-20201011164127284.png │ │ │ │ │ ├── image-20201011165530169.png │ │ │ │ │ ├── image-20201011165501909.png │ │ │ │ │ ├── image-20201011165515812.png │ │ │ │ ├── day03 Python基础.md │ │ │ │ ├── day03 作业答案讲解.md │ │ │ ├── 代码和作业答案 │ │ │ │ ├── 5.逻辑运算面试题.py │ │ │ │ ├── 3.百分号格式化.py │ │ │ │ ├── 6.作业题讲解.py │ │ │ │ ├── 4.f格式化.py │ │ │ │ ├── 1.用户登录案例.py │ │ │ │ ├── 2.循环练习题讲解.py │ │ ├── day08 阶段总结和考试 │ │ │ ├── 考试题 │ │ │ │ ├── 第一阶段 │ │ │ │ │ ├── 第一阶段 考试题.md │ │ │ │ │ ├── 第一阶段 考试题（答案）.md │ │ │ ├── 代码 │ │ │ │ ├── data_utils │ │ │ │ │ ├── x2.py │ │ │ │ │ ├── __int__.py │ │ │ │ │ ├── x1.py │ │ │ │ ├── date_frame.py │ │ │ │ ├── page.py │ │ │ ├── 笔记 │ │ │ │ ├── assets │ │ │ │ │ ├── image-20201122135126441.png │ │ │ │ │ ├── image-20201122122813525.png │ │ │ │ │ ├── image-20201122112314543.png │ │ │ │ │ ├── image-20201122112505721.png │ │ │ │ ├── day08.md │ │ │ ├── Python基础.xmind │ │ ├── day06 数据类型（中） │ │ │ ├── 代码和作业答案 │ │ │ │ ├── 3.获取unicode表示.py │ │ │ │ ├── 6.最后的作业.py │ │ │ │ ├── 4.列表的删除.py │ │ │ │ ├── 2.列表的排序.py │ │ │ │ ├── 5.列表阶段作业题.py │ │ │ │ ├── 1.列表的追加.py │ │ │ ├── 笔记 │ │ │ │ ├── day06 数据类型.md │ │ ├── 学前必备 │ │ │ ├── assets │ │ │ │ ├── image-20201011130623276.png │ │ │ │ ├── image-20201011133122518.png │ │ │ │ ├── image-20201011130339602.png │ │ │ │ ├── image-20201011131931183.png │ │ │ │ ├── image-20201011132632820.png │ │ │ │ ├── image-20201011125657758.png │ │ │ │ ├── image-20201011131441988.png │ │ │ │ ├── image-20201011125909612.png │ │ │ │ ├── image-20201011095336789.png │ │ │ │ ├── image-20201011131419006.png │ │ │ │ ├── image-20201011095314682.png │ │ │ │ ├── image-20201011131100278.png │ │ │ ├── pycharm-professional-2020.1.3.dmg │ │ │ ├── typora1117.exe │ │ │ ├── 学前必备.md │ │ │ ├── typora01118.dmg │ │ │ ├── pycharm-professional-2020.1.3.exe │ │ ├── day04 进制和编码 │ │ │ ├── 代码 │ │ │ │ ├── 1.进制转换.py │ │ │ │ ├── 2.写文件示例.py │ │ │ │ ├── 3.字符串和字节的相互转换.py │ │ │ │ ├── log.txt │ │ │ ├── 笔记 │ │ │ │ ├── assets │ │ │ │ │ ├── image-20201026111752410.png │ │ │ │ │ ├── image-20201025180124802.png │ │ │ │ │ ├── image-20201026111741235.png │ │ │ │ │ ├── 截屏2020-10-25 下午5.36.39.png │ │ │ │ │ ├── image-20201025174321969.png │ │ │ │ │ ├── 截屏2020-10-25 下午5.15.51.png │ │ │ │ ├── day04 进制和编码.md │ ├── 目标追踪与姿态估计项目实战 │ │ ├── 基础补充-Resnet模型及其应用实例 │ │ │ ├── 基于Resnet的医学数据集分类实战.zip │ │ │ ├── Resnet.pptx │ │ ├── 第五六七章：YOLO目标检测 │ │ │ ├── COCO-DATA │ │ │ │ ├── COCO数据集.txt │ │ │ ├── 训练自己的数据集 │ │ │ │ ├── 构建自己的数据集.docx │ │ │ │ ├── json2yolo.py │ │ │ ├── YOLO5.zip │ │ │ ├── YOLO新版.pdf │ │ │ ├── NEU-DET.zip │ │ ├── 第二章：OpenPose算法源码分析.zip │ │ ├── 第一章：姿态估计OpenPose系列算法解读.pdf │ │ ├── 第三章：Deepsort算法知识点解读.pdf │ │ ├── 基础补充-PyTorch框架基本处理操作.zip │ │ ├── 第四章：Deepsort源码解读.zip │ │ ├── 基础补充-PyTorch框架必备核心模块解读.zip │ ├── 模块06 │ │ ├── 第6模块：Python数据分析与机器学习实战集锦.zip │ ├── 模块11 │ ├── 模块16 │ ├── 模块14 │ ├── 模块02(新) │ │ ├── seaborn可视化课件代码 │ │ │ ├── Seaborn可视化基础.ipynb │ │ │ ├── Seaborn常用图像绘制.ipynb │ │ ├── 1.numpy(新)课件 │ │ │ ├── 01-Jupyter notebook(1).ipynb │ │ │ ├── 01-Jupyter notebook.ipynb │ │ │ ├── 03-Numpy 进阶(1).ipynb │ │ │ ├── 02-NumPy quickstart.ipynb │ │ │ ├── 02-NumPy quickstart(1).ipynb │ │ │ ├── 03-Numpy 进阶.ipynb │ │ │ ├── lss.jfif │ │ │ ├── lss(1).jfif │ │ ├── 2.pandas(新)课件 │ │ │ ├── csv文件(1).csv │ │ │ ├── m_data(1).csv │ │ │ ├── txt文件.txt │ │ │ ├── excel文件(1).xlsx │ │ │ ├── 04-Pandas 核心数据类型.ipynb │ │ │ ├── 分组练习数据heros(1).xlsx │ │ │ ├── tools.py │ │ │ ├── 05-Pandas 数据处理(1).ipynb │ │ │ ├── 06-Pandas 高级数据处理(1).ipynb │ │ │ ├── 合并表格案例.xlsx │ │ │ ├── csv文件.csv │ │ │ ├── 分组练习数据heros.xlsx │ │ │ ├── 06-Pandas 高级数据处理.ipynb │ │ │ ├── m_data.xlsx │ │ │ ├── 合并表格案例(1).xlsx │ │ │ ├── m_data.csv │ │ │ ├── 电商用户数据(1).xlsx │ │ │ ├── tools(1).py │ │ │ ├── 分组表格案例.xlsx │ │ │ ├── txt文件(1).txt │ │ │ ├── m_data(1).xlsx │ │ │ ├── excel文件.xlsx │ │ │ ├── 04-Pandas 核心数据类型(1).ipynb │ │ │ ├── 05-Pandas 数据处理.ipynb │ │ │ ├── 分组表格案例(1).xlsx │ │ │ ├── 电商用户数据.xlsx │ │ ├── Anaconda安装配置 │ │ │ ├── Anaconda3-5.1.0-Windows-x86_64.exe │ │ │ ├── Anaconda安装配置.pdf │ │ │ ├── Anaconda3-5.1.0-Windows-x86_64(1).exe │ │ │ ├── Anaconda安装配置(1).pdf │ │ ├── matplotlib绘图 │ │ │ ├── Matplotlib绘图(1).ipynb │ │ │ ├── 图片组成.png │ │ │ ├── Matplotlib绘图.ipynb │ │ │ ├── 蒙纳超刚黑简.ttf │ │ │ ├── 腾祥范笑歌楷书简(1).ttf │ │ │ ├── 腾祥范笑歌楷书简.ttf │ │ │ ├── 小姐姐(1).jfif │ │ │ ├── 图片组成(1).png │ │ │ ├── my_circle(1).png │ │ │ ├── 辣鸡心心体.ttf │ │ │ ├── 辣鸡心心体(1).ttf │ │ │ ├── 小姐姐.jfif │ │ │ ├── 蒙纳超刚黑简(1).ttf │ │ │ ├── my_circle.png │ │ ├── 路飞Miniconda安装配置.pdf │ ├── 模块05 │ ├── 模块08 │ │ ├── 第8模块：深度学习入门.zip │ ├── 旧模块内容 │ │ ├── 第1，2模块：Python数据科学必备库（4个）.zip │ ├── 模块03 │ │ ├── 统计分析 │ │ │ ├── 统计分析 │ │ │ │ ├── 回归分析 │ │ │ │ │ ├── 汽车价格预测 │ │ │ │ │ │ ├── Auto-Data.csv │ │ │ │ │ │ ├── 汽车价格预测.ipynb │ │ │ │ │ ├── img │ │ │ │ │ │ ├── 27.png │ │ │ │ │ │ ├── 17.png │ │ │ │ │ │ ├── 13.png │ │ │ │ │ │ ├── 24.png │ │ │ │ │ │ ├── 9.png │ │ │ │ │ │ ├── 1.png │ │ │ │ │ │ ├── 18.png │ │ │ │ │ │ ├── 26.png │ │ │ │ │ │ ├── 34.png │ │ │ │ │ │ ├── 6.png │ │ │ │ │ │ ├── 35.png │ │ │ │ │ │ ├── 21.png │ │ │ │ │ │ ├── 11.png │ │ │ │ │ │ ├── 7.png │ │ │ │ │ │ ├── 16.png │ │ │ │ │ │ ├── 33.png │ │ │ │ │ │ ├── 19.png │ │ │ │ │ │ ├── 20.png │ │ │ │ │ │ ├── 37.png │ │ │ │ │ │ ├── 22.png │ │ │ │ │ │ ├── 30.png │ │ │ │ │ │ ├── 36.png │ │ │ │ │ │ ├── 3.png │ │ │ │ │ │ ├── 25.png │ │ │ │ │ │ ├── 31.png │ │ │ │ │ │ ├── 10.png │ │ │ │ │ │ ├── 39.png │ │ │ │ │ │ ├── 23.png │ │ │ │ │ │ ├── 29.png │ │ │ │ │ │ ├── 2.png │ │ │ │ │ │ ├── 5.png │ │ │ │ │ │ ├── 32.png │ │ │ │ │ │ ├── 8.png │ │ │ │ │ │ ├── 4.png │ │ │ │ │ │ ├── 28.png │ │ │ │ │ │ ├── 38.png │ │ │ │ │ │ ├── 14.png │ │ │ │ │ │ ├── 12.png │ │ │ │ │ │ ├── 15.png │ │ │ │ │ ├── 回归分析.ipynb │ │ │ │ │ ├── weight.csv │ │ │ │ │ ├── 身体-体重.ipynb │ │ │ │ │ ├── 回归算法.pdf │ │ │ │ │ ├── 回归分析-statsmodel.ipynb │ │ │ │ ├── 相关分析 │ │ │ │ │ ├── img │ │ │ │ │ │ ├── 29.png │ │ │ │ │ │ ├── 38.png │ │ │ │ │ │ ├── 31.png │ │ │ │ │ │ ├── 49.png │ │ │ │ │ │ ├── 8.png │ │ │ │ │ │ ├── 47.png │ │ │ │ │ │ ├── 52.png │ │ │ │ │ │ ├── 6.png │ │ │ │ │ │ ├── 53.png │ │ │ │ │ │ ├── 14.png │ │ │ │ │ │ ├── 30.png │ │ │ │ │ │ ├── 19.png │ │ │ │ │ │ ├── 34.png │ │ │ │ │ │ ├── 7.png │ │ │ │ │ │ ├── 21.png │ │ │ │ │ │ ├── 9.png │ │ │ │ │ │ ├── 12.png │ │ │ │ │ │ ├── 2.png │ │ │ │ │ │ ├── 22.png │ │ │ │ │ │ ├── 28.png │ │ │ │ │ │ ├── 40.png │ │ │ │ │ │ ├── 45.png │ │ │ │ │ │ ├── 20.png │ │ │ │ │ │ ├── 37.png │ │ │ │ │ │ ├── 46.png │ │ │ │ │ │ ├── 51.png │ │ │ │ │ │ ├── 32.png │ │ │ │ │ │ ├── 27.png │ │ │ │ │ │ ├── 25.png │ │ │ │ │ │ ├── 36.png │ │ │ │ │ │ ├── 5.png │ │ │ │ │ │ ├── 17.png │ │ │ │ │ │ ├── 50.png │ │ │ │ │ │ ├── 15.png │ │ │ │ │ │ ├── 33.png │ │ │ │ │ │ ├── 10.png │ │ │ │ │ │ ├── 23.png │ │ │ │ │ │ ├── 16.png │ │ │ │ │ │ ├── 1.png │ │ │ │ │ │ ├── 48.png │ │ │ │ │ │ ├── 39.png │ │ │ │ │ │ ├── 41.png │ │ │ │ │ │ ├── 13.png │ │ │ │ │ │ ├── 44.png │ │ │ │ │ │ ├── 35.png │ │ │ │ │ │ ├── 43.png │ │ │ │ │ │ ├── 3.png │ │ │ │ │ │ ├── 24.png │ │ │ │ │ │ ├── 42.png │ │ │ │ │ │ ├── 11.png │ │ │ │ │ │ ├── 4.png │ │ │ │ │ │ ├── 18.png │ │ │ │ │ │ ├── 26.png │ │ │ │ │ ├── 相关分析.ipynb │ │ │ │ │ ├── Untitled.ipynb │ │ │ │ ├── 描述统计 │ │ │ │ │ ├── img │ │ │ │ │ │ ├── 1.png │ │ │ │ │ │ ├── 4.png │ │ │ │ │ │ ├── 7.png │ │ │ │ │ │ ├── 3.png │ │ │ │ │ │ ├── 6.png │ │ │ │ │ │ ├── 5.png │ │ │ │ │ │ ├── 2.png │ │ │ │ │ ├── 恐怖袭击统计描述.ipynb │ │ │ │ │ ├── 描述统计.ipynb │ │ │ │ │ ├── globalterrorismdb_0617dist.csv │ │ │ │ │ ├── kaggle数据调查.zip │ │ │ │ │ ├── pima-indians-diabetes.data │ │ │ │ ├── 逻辑回归 │ │ │ │ │ ├── 梯度下降求解逻辑回归.zip │ │ │ │ ├── 贝叶斯分析 │ │ │ │ │ ├── 贝叶斯分析 │ │ │ │ │ │ ├── styles │ │ │ │ │ │ │ ├── matplotlibrc │ │ │ │ │ │ │ ├── bmh_matplotlibrc.json │ │ │ │ │ │ │ ├── custom.css │ │ │ │ │ │ ├── images │ │ │ │ │ │ │ ├── hemophilia.png │ │ │ │ │ │ │ ├── dag.png │ │ │ │ │ │ │ ├── fisher.png │ │ │ │ │ │ │ ├── prob_model.png │ │ │ │ │ │ │ ├── conditional.png │ │ │ │ │ │ │ ├── bayes.png │ │ │ │ │ │ │ ├── bayes_formula.png │ │ │ │ │ │ │ ├── can-of-worms.jpg │ │ │ │ │ │ │ ├── 123.png │ │ │ │ │ │ ├── img │ │ │ │ │ │ │ ├── 4.png │ │ │ │ │ │ │ ├── 1.png │ │ │ │ │ │ │ ├── 3.png │ │ │ │ │ │ │ ├── 2.png │ │ │ │ │ │ ├── data │ │ │ │ │ │ │ ├── cancer.csv │ │ │ │ │ │ ├── 贝叶斯分析.ipynb │ │ │ │ │ ├── 贝叶斯建模 │ │ │ │ │ │ ├── img │ │ │ │ │ │ │ ├── 3.png │ │ │ │ │ │ │ ├── 6.png │ │ │ │ │ │ │ ├── 4.png │ │ │ │ │ │ │ ├── 5.png │ │ │ │ │ │ ├── data │ │ │ │ │ │ │ ├── hangout_chat_data.csv │ │ │ │ │ │ ├── styles │ │ │ │ │ │ │ ├── custom.css │ │ │ │ │ │ ├── graphics │ │ │ │ │ │ │ ├── Neg Binomial Dag.png │ │ │ │ │ │ │ ├── Bayes Factor DAG.png │ │ │ │ │ │ │ ├── dag neg poisson gamma hyper.png │ │ │ │ │ │ │ ├── dag-bayes-factor.png │ │ │ │ │ │ │ ├── Poisson-dag.png │ │ │ │ │ │ │ ├── dag-partial-pooled-model.png │ │ │ │ │ │ │ ├── Neg Binomial Hierarchal.png │ │ │ │ │ │ │ ├── cover.png │ │ │ │ │ │ │ ├── posterior-predictive-distribution.png │ │ │ │ │ │ │ ├── mcmc-animate.gif │ │ │ │ │ │ ├── 贝叶斯建模.ipynb │ │ │ │ ├── 统计分布 │ │ │ │ │ ├── notebooks │ │ │ │ │ │ ├── img │ │ │ │ │ │ │ ├── 2.png │ │ │ │ │ │ │ ├── 6.png │ │ │ │ │ │ │ ├── 3.png │ │ │ │ │ │ │ ├── 1.png │ │ │ │ │ │ │ ├── 5.png │ │ │ │ │ │ │ ├── 4.png │ │ │ │ │ │ │ ├── 7.png │ │ │ │ │ │ ├── 均匀分布、.ipynb │ │ │ │ │ │ ├── Beta 分布.ipynb │ │ │ │ │ │ ├── 卡方分布（Chi-Squared Distribution）.ipynb │ │ │ │ │ │ ├── 泊松分布（Poisson Distribution）.ipynb │ │ │ │ │ │ ├── 二项式分布（Binomial Distribution）.ipynb │ │ │ │ │ │ ├── 正太分布.ipynb │ │ │ │ ├── 因子分析 │ │ │ │ │ ├── 降维算法 │ │ │ │ │ │ ├── LDA │ │ │ │ │ │ │ ├── 3.png │ │ │ │ │ │ │ ├── LDA.ipynb │ │ │ │ │ │ │ ├── 2.png │ │ │ │ │ │ │ ├── 6.png │ │ │ │ │ │ │ ├── 5.png │ │ │ │ │ │ │ ├── 4.png │ │ │ │ │ │ │ ├── 7.png │ │ │ │ │ │ │ ├── 1.png │ │ │ │ │ │ ├── PCA │ │ │ │ │ │ │ ├── iris.data │ │ │ │ │ │ │ ├── PCA.ipynb │ │ │ │ │ ├── 因子分析.ipynb │ │ │ │ │ ├── LDA与PCA算法.pdf │ │ │ │ ├── 方差分析 │ │ │ │ │ ├── img │ │ │ │ │ │ ├── 1.png │ │ │ │ │ │ ├── 33.png │ │ │ │ │ │ ├── 9.png │ │ │ │ │ │ ├── 31.png │ │ │ │ │ │ ├── 15.png │ │ │ │ │ │ ├── 14.png │ │ │ │ │ │ ├── 12.png │ │ │ │ │ │ ├── 34.png │ │ │ │ │ │ ├── 35.png │ │ │ │ │ │ ├── 11.png │ │ │ │ │ │ ├── 13.png │ │ │ │ │ │ ├── 18.png │ │ │ │ │ │ ├── 20.png │ │ │ │ │ │ ├── 16.png │ │ │ │ │ │ ├── 37.png │ │ │ │ │ │ ├── 26.png │ │ │ │ │ │ ├── 36.png │ │ │ │ │ │ ├── 27.png │ │ │ │ │ │ ├── 28.png │ │ │ │ │ │ ├── 25.png │ │ │ │ │ │ ├── 23.png │ │ │ │ │ │ ├── 17.png │ │ │ │ │ │ ├── 8.png │ │ │ │ │ │ ├── 29.png │ │ │ │ │ │ ├── 10.png │ │ │ │ │ │ ├── 24.png │ │ │ │ │ │ ├── 21.png │ │ │ │ │ │ ├── 4.png │ │ │ │ │ │ ├── 5.png │ │ │ │ │ │ ├── 19.png │ │ │ │ │ │ ├── 2.png │ │ │ │ │ │ ├── 6.png │ │ │ │ │ │ ├── 22.png │ │ │ │ │ │ ├── 32.png │ │ │ │ │ │ ├── 3.png │ │ │ │ │ │ ├── 30.png │ │ │ │ │ │ ├── 7.png │ │ │ │ │ ├── 方差分析实例.ipynb │ │ │ │ │ ├── 方差分析.ipynb │ │ │ │ ├── 假设检验 │ │ │ │ │ ├── img │ │ │ │ │ │ ├── 18.png │ │ │ │ │ │ ├── 3.png │ │ │ │ │ │ ├── 15.png │ │ │ │ │ │ ├── 1.png │ │ │ │ │ │ ├── 40.png │ │ │ │ │ │ ├── 20.png │ │ │ │ │ │ ├── 30.png │ │ │ │ │ │ ├── 34.png │ │ │ │ │ │ ├── 17.png │ │ │ │ │ │ ├── 25.png │ │ │ │ │ │ ├── 13.png │ │ │ │ │ │ ├── 31.png │ │ │ │ │ │ ├── 33.png │ │ │ │ │ │ ├── 19.png │ │ │ │ │ │ ├── 7.png │ │ │ │ │ │ ├── 37.png │ │ │ │ │ │ ├── 9.png │ │ │ │ │ │ ├── 38.png │ │ │ │ │ │ ├── 29.png │ │ │ │ │ │ ├── 23.png │ │ │ │ │ │ ├── 6.png │ │ │ │ │ │ ├── 32.png │ │ │ │ │ │ ├── 24.png │ │ │ │ │ │ ├── 21.png │ │ │ │ │ │ ├── 8.png │ │ │ │ │ │ ├── 4.png │ │ │ │ │ │ ├── 16.png │ │ │ │ │ │ ├── 28.png │ │ │ │ │ │ ├── 26.png │ │ │ │ │ │ ├── 35.png │ │ │ │ │ │ ├── 5.png │ │ │ │ │ │ ├── 12.png │ │ │ │ │ │ ├── 36.png │ │ │ │ │ │ ├── 14.png │ │ │ │ │ │ ├── 39.png │ │ │ │ │ │ ├── 22.png │ │ │ │ │ │ ├── 2.png │ │ │ │ │ │ ├── 27.png │ │ │ │ │ │ ├── 11.png │ │ │ │ │ │ ├── 10.png │ │ │ │ │ ├── 假设检验实例 │ │ │ │ │ │ ├── 假设检验实例.ipynb │ │ │ │ │ │ ├── normtemp.txt │ │ │ │ │ ├── 卡方检验实例.ipynb │ │ │ │ │ ├── 假设检验.ipynb │ │ │ │ │ ├── us_job_market_discrimination.dta │ │ │ │ ├── 聚类分析 │ │ │ │ │ ├── datasets │ │ │ │ │ │ ├── ch1ex1.csv │ │ │ │ │ │ ├── ch1ex2.csv │ │ │ │ │ │ ├── seeds-less-rows.csv │ │ │ │ │ │ ├── company-stock-movements-2010-2015-incl.csv │ │ │ │ │ │ ├── eurovision-2016-televoting.csv │ │ │ │ │ │ ├── fish.csv │ │ │ │ │ │ ├── seeds.csv │ │ │ │ │ ├── img │ │ │ │ │ │ ├── 10.png │ │ │ │ │ │ ├── 4.png │ │ │ │ │ │ ├── 1.png │ │ │ │ │ │ ├── 3.png │ │ │ │ │ │ ├── 2.png │ │ │ │ │ │ ├── 5.png │ │ │ │ │ │ ├── 6.png │ │ │ │ │ │ ├── 7.png │ │ │ │ │ │ ├── 8.png │ │ │ │ │ │ ├── 9.png │ │ │ │ │ ├── images │ │ │ │ │ │ ├── seeds.png │ │ │ │ │ │ ├── cluster_linkage_riddle.png │ │ │ │ │ ├── K-means实例.ipynb │ │ │ │ │ ├── 层次聚类实例.ipynb │ │ │ │ │ ├── 层次聚类.ipynb │ │ │ ├── 统计分析-数据代码.zip │ │ ├── 激活函数.pdf │ │ ├── SVD.pdf │ │ ├── 泰勒公式.pdf │ │ ├── 第3模块：数学基础.zip │ │ ├── 后验概率估计.pdf │ │ ├── 4-聚类算法.pdf │ │ ├── 概率论.pdf │ │ ├── 5-贝叶斯算法（第十七章）.pdf │ │ ├── 微积分.pdf │ │ ├── 梯度.pdf │ │ ├── 熵.pdf │ │ ├── 特征值与特征向量.pdf │ │ ├── 似然函数.pdf │ │ ├── 拉格朗日乘子法.pdf │ │ ├── 核函数.pdf │ │ ├── 高等数学.pdf │ │ ├── 矩阵.pdf │ │ ├── 概率分布与概率密度.pdf │ ├── 模块07 │ │ ├── 第7模块：数据挖掘竞赛-优胜解决方案.zip │ ├── 模块13 │ ├── 12-14模块.zip │ ├── 15-16模块.zip │ ├── 9-11模块.zip │ ├── 1-5模块.zip │ ├── 6-8模块.zip ├── 第03模块：人工智能-必备数学课程（新） │ ├── 6.5 极大似然估计.mp4 │ ├── 11.4 最小二乘法推导与求解.mp4 │ ├── 11.14 案例：预处理问题.mp4 │ ├── 16.12 模型诊断.mp4 │ ├── 11.15 案例：回归求解.mp4 │ ├── 9.4 核函数实例.mp4 │ ├── 15.3 层次聚类实例.mp4 │ ├── 2.5 牛顿.莱布尼茨公式.mp4 │ ├── 12.8 卡方检验.mp4 │ ├── 4.5 矩阵的秩.mp4 │ ├── 13.5 肯德尔系数.mp4 │ ├── 9.2 线性核函数.mp4 │ ├── 11.13 案例：特征相关性.mp4 │ ├── 3.2 一点一世界.mp4 │ ├── 14.3 方差分析计算方法.mp4 │ ├── 3.3 阶数的作用.mp4 │ ├── 11.5 回归方程求解小例子.mp4 │ ├── 1.3 极限.mp4 │ ├── 7.8 边缘分布.mp4 │ ├── 7.2 古典概型.mp4 │ ├── 2.3 定积分.mp4 │ ├── 16.1 贝叶斯分析概述.mp4 │ ├── 5.4 特征值分解.mp4 │ ├── 3.1 泰勒公式出发点.mp4 │ ├── 4.3 矩阵基本操作.mp4 │ ├── 8.5 卡方分布.mp4 │ ├── 16.8 贝叶斯解释.mp4 │ ├── 16.5 贝叶斯推导实例.mp4 │ ├── 13.6 质量相关分析.mp4 │ ├── 11.2 回归方程定义.mp4 │ ├── 2.1 微积分基本想法.mp4 │ ├── 16.9 经典求解思路.mp4 │ ├── 1.1 课程简介.mp4 │ ├── 14.1 方差分析概述.mp4 │ ├── 11.10 高阶与分类变量实例.mp4 │ ├── 7.7 二维连续型随机变量.mp4 │ ├── 7.6 二维离散型随机变量.mp4 │ ├── 12.7 T检验应用条件.mp4 │ ├── 8.2 二项式分布.mp4 │ ├── 16.6 贝叶斯拼写纠错实例.mp4 │ ├── 11.8 Python工具包介绍.mp4 │ ├── 4.6 内积与正交.mp4 │ ├── 8.1 正太分布.mp4 │ ├── 3.5 拉格朗日乘子法.mp4 │ ├── 1.5 连续性与导数.mp4 │ ├── 12.1 假设检验基本思想.mp4 │ ├── 7.15 垃圾邮件过滤实例.mp4 │ ├── 12.2 左右侧检验与双侧检验.mp4 │ ├── 12.5 T检验基本原理.mp4 │ ├── 11.7 多元与曲线回归问题.mp4 │ ├── 15.2 层次聚类流程.mp4 │ ├── 15.9 DBSCAN可视化展示.mp4 │ ├── 9.1 核函数的目的.mp4 │ ├── 10.1 熵的概念.mp4 │ ├── 16.10 MCMC概述.mp4 │ ├── 9.3 多项式核函数.mp4 │ ├── 4.4 矩阵的几种变换.mp4 │ ├── 3.4 阶乘的作用.mp4 │ ├── 7.4 条件概率小例子.mp4 │ ├── 5.3 SVD要解决的问题.mp4 │ ├── 14.2 方差的比较.mp4 │ ├── 7.1 概率与频率.mp4 │ ├── 14.4 方差分析中的多重比较.mp4 │ ├── 6.4 似然函数.mp4 │ ├── 8.3 泊松分布.mp4 │ ├── 14.5 多因素方差分析.mp4 │ ├── 1.2 函数.mp4 │ ├── 16.13 模型决策.mp4 │ ├── 9.5 高斯核函数.mp4 │ ├── 13.4 斯皮尔曼等级相关.mp4 │ ├── 16.7 垃圾邮件过滤实例.mp4 │ ├── 10.3 激活函数.mp4 │ ├── 3.6 求解拉格朗日乘子法.mp4 │ ├── 13.1 相关分析概述.mp4 │ ├── 12.4 Z检验实例.mp4 │ ├── 12.9 假设检验中的两类错误.mp4 │ ├── 7.5 独立性.mp4 │ ├── 5.2 特征空间与应用.mp4 │ ├── 12.11 Python卡方检验实例.mp4 │ ├── 16.3 贝叶斯学派与经典统计学派的争论.mp4 │ ├── 11.6 回归直线拟合优度.mp4 │ ├── 8.6 beta分布.mp4 │ ├── 15.7 DBSCAN聚类算法.mp4 │ ├── 6.3 简单随机抽样.mp4 │ ├── 11.3 误差项的定义.mp4 │ ├── 11.12 案例：缺失值填充.mp4 │ ├── 1.7 方向导数.mp4 │ ├── 15.10 多种聚类算法概述.mp4 │ ├── 7.14 贝叶斯拼写纠错实例.mp4 │ ├── 13.2 皮尔森相关系数.mp4 │ ├── 15.6 KMEANS迭代可视化展示.mp4 │ ├── 16.4 贝叶斯算法概述.mp4 │ ├── 5.1 特征值与特征向量.mp4 │ ├── 7.11 马尔科夫不等式.mp4 │ ├── 15.11 聚类案例实战.mp4 │ ├── 12.10 Python假设检验实例.mp4 │ ├── 7.12 切比雪夫不等式.mp4 │ ├── 7.13 后验概率估计.mp4 │ ├── 10.4 激活函数的问题.mp4 │ ├── 12.3 Z检验基本原理.mp4 │ ├── 15.5 KMEANS工作流程.mp4 │ ├── 15.8 DBSCAN工作流程.mp4 │ ├── 13.7 偏相关与复相关.mp4 │ ├── 15.4 KMEANS算法概述.mp4 │ ├── 11.11 案例：汽车价格预测任务概述.mp4 │ ├── 16.2 概率的解释.mp4 │ ├── 4.1 行列式概述.mp4 │ ├── 5.5 SVD矩阵分解.mp4 │ ├── 4.2 矩阵与数据的关系.mp4 │ ├── 2.2 微积分的解释.mp4 │ ├── 6.1 离散型随机变量.mp4 │ ├── 11.1 回归分析概述.mp4 │ ├── 2.4 定积分性质.mp4 │ ├── 7.10 期望求解.mp4 │ ├── 1.8 梯度.mp4 │ ├── 14.6 Python方差分析实例.mp4 │ ├── 8.4 均匀分布.mp4 │ ├── 6.2 连续型随机变量.mp4 │ ├── 11.9 statsmodels回归分析.mp4 │ ├── 1.6 偏导数.mp4 │ ├── 12.6 T检验实例.mp4 │ ├── 15.1 层次聚类概述.mp4 │ ├── 10.2 熵的大小意味着什么.mp4 │ ├── 1.4 无穷小与无穷大.mp4 │ ├── 7.9 期望.mp4 │ ├── 7.3 条件概率.mp4 │ ├── 13.3 计算与检验.mp4 │ ├── 9.6 参数的影响.mp4 │ ├── 16.11 PYMC3概述.mp4 ├── 第01模块：Python快速入门（新） │ ├── 9.4 补充：is和==的区别？.mp4 │ ├── 8.5 集合：类型转换.mp4 │ ├── 4.2 while循环及案例讲解.mp4 │ ├── 4.11 运算符.mp4 │ ├── 5.9 utf8编码.mp4 │ ├── 10.23 Python练习题-1.mp4 │ ├── 10.16 函数定义.mp4 │ ├── 9.8 第一阶段考试题（答案讲解）.mp4 │ ├── 2.18 作业答案和讲解.mp4 │ ├── 7.10 元组：定义.mp4 │ ├── 4.10 基于f字符串格式化.mp4 │ ├── 3.1 今日概要.mp4 │ ├── 4.16 作业题讲解.mp4 │ ├── 10.13 赋值机制.mp4 │ ├── 4.12 运算符：优先级.mp4 │ ├── 3.3 编程初体验.mp4 │ ├── 10.3 Notebook工具使用.mp4 │ ├── 9.2 七条代码规范.mp4 │ ├── 2.2 课堂笔记的创建.mp4 │ ├── 9.1 今日概要.mp4 │ ├── 8.15 字典：转换和嵌套.mp4 │ ├── 10.24 Python练习题-2.mp4 │ ├── 8.7 集合：高效和嵌套.mp4 │ ├── 9.7 第一阶段考试题.mp4 │ ├── 7.11 元组：公共功能.mp4 │ ├── 8.2 集合：定义.mp4 │ ├── 6.11 字符串：不允许被修改.mp4 │ ├── 10.4 Python简介.mp4 │ ├── 4.3 综合小案例以及阶段练习题.mp4 │ ├── 4.15 总结和今日作业.mp4 │ ├── 9.6 阶段思维导图.mp4 │ ├── 3.17 基本条件语句-练习题讲解.mp4 │ ├── 3.14 注释.mp4 │ ├── 2.6 学习编程本质上的三件事.mp4 │ ├── 7.8 列表：嵌套.mp4 │ ├── 3.8 字符串.mp4 │ ├── 3.16 基本条件语句.mp4 │ ├── 7.7 列表：类型转换.mp4 │ ├── 7.1 今日概要.mp4 │ ├── 6.8 字符串：公共功能（一）.mp4 │ ├── 3.11 数据类型-练习题讲解.mp4 │ ├── 7.5 列表：独有功能（三）.mp4 │ ├── 3.13 变量的内存指向关系及其练习题.mp4 │ ├── 6.5 字符串：独有功能（三）.mp4 │ ├── 2.12 python解释器的安装（mac系统）.mp4 │ ├── 8.12 字典：独有功能（二）.mp4 │ ├── 10.2 Python库安装工具.mp4 │ ├── 7.6 列表：公共功能.mp4 │ ├── 8.4 集合：公共功能.mp4 │ ├── 6.14 今日作业讲解.mp4 │ ├── 9.5 补充：位运算到底是干啥的？.mp4 │ ├── 7.3 列表：独有功能（一）.mp4 │ ├── 4.9 基于format字符串格式化及补充.mp4 │ ├── 3.15 输入.mp4 │ ├── 2.13 python解释器的安装（win系统）.mp4 │ ├── 4.13 运算符：面试题相关知识和练习题.mp4 │ ├── 5.1 今日概要.mp4 │ ├── 2.14 Pycharm使用和破解（mac系统）.mp4 │ ├── 8.17 今日总结.mp4 │ ├── 7.12 元组：转换和嵌套.mp4 │ ├── 10.22 时间操作.mp4 │ ├── 6.4 字符串：独有功能（一）.mp4 │ ├── 10.17 模块与包.mp4 │ ├── 2.1 今日概要.mp4 │ ├── 4.5 break及示例讲解.mp4 │ ├── 10.21 类的属性操作.mp4 │ ├── 10.11 字典的核心操作.mp4 │ ├── 8.14 字典：公共功能.mp4 │ ├── 8.6 集合：内部存储原理.mp4 │ ├── 4.14 运算符：练习题讲解和面试题补充.mp4 │ ├── 6.12 今日总结和作业.mp4 │ ├── 10.18 异常处理模块.mp4 │ ├── 5.10 Python中的编码.mp4 │ ├── 3.6 数据类型的引入.mp4 │ ├── 2.10 CPython解释器版本.mp4 │ ├── 8.18 今日作业讲解.mp4 │ ├── 4.4 练习题讲解.mp4 │ ├── 10.15 循环结构.mp4 │ ├── 9.3 补充：pass的作用？.mp4 │ ├── 1.2 开篇：授课模式须知.mp4 │ ├── 8.16 浮点型.mp4 │ ├── 7.13 元组：总结和作业.mp4 │ ├── 10.19 文件操作.mp4 │ ├── 10.9 List核心操作.mp4 │ ├── 3.18 多条件判断.mp4 │ ├── 8.8 集合：练习题和讲解.mp4 │ ├── 3.20 今日总结和作业.mp4 │ ├── 6.13 今日作业讲解.mp4 │ ├── 3.9 布尔类型.mp4 │ ├── 6.9 字符串：公共功能（二）.mp4 │ ├── 10.6 Python字符串操作.mp4 │ ├── 8.1 今日概要.mp4 │ ├── 5.6 ascii编码.mp4 │ ├── 6.10 字符串：类型转换.mp4 │ ├── 2.5 编译器和解释器.mp4 │ ├── 3.7 整形.mp4 │ ├── 5.2 python代码的2种运行方式.mp4 │ ├── 2.11 环境搭建说明.mp4 │ ├── 10.12 Set结构.mp4 │ ├── 2.7 编程语言的分类.mp4 │ ├── 5.3 进制及相互之间的转换.mp4 │ ├── 10.7 索引结构.mp4 │ ├── 2.8 Python介绍.mp4 │ ├── 10.10 字典基础定义.mp4 │ ├── 1.5 开篇：写在最后.mp4 │ ├── 6.2 整型.mp4 │ ├── 6.1 数据类型概要.mp4 │ ├── 5.5 单位相关练习题讲解.mp4 │ ├── 6.7 字符串：练习题和讲解.mp4 │ ├── 7.14 作业讲解.mp4 │ ├── 8.11 字典：独有功能（一）.mp4 │ ├── 2.15 Pycharm使用和破解（win系统）.mp4 │ ├── 7.4 列表：独有功能（二）.mp4 │ ├── 7.2 列表：定义.mp4 │ ├── 5.4 计算机中的单位.mp4 │ ├── 8.10 字典：定义.mp4 │ ├── 10.5 Python数值运算.mp4 │ ├── 8.3 集合：独有功能.mp4 │ ├── 3.21 作业答案和讲解.mp4 │ ├── 10.25 Python练习题-3.mp4 │ ├── 3.5 输出练习题讲解.mp4 │ ├── 4.1 今日概要new.mp4 │ ├── 4.8 基于%字符串格式化.mp4 │ ├── 3.10 类型转换和数据类型相关练习题.mp4 │ ├── 2.3 常见计算机基本概念.mp4 │ ├── 2.17 今日作业.mp4 │ ├── 5.11 今日总结.mp4 │ ├── 1.1 开篇：讲师和课程内容介绍.mp4 │ ├── 10.20 类的基本定义.mp4 │ ├── 3.19 条件嵌套.mp4 │ ├── 10.14 判断结构.mp4 │ ├── 8.9 None到底是个啥.mp4 │ ├── 2.16 今日总结.mp4 │ ├── 1.4 开篇：笔记和文档的编写.mp4 │ ├── 2.4 编程语言.mp4 │ ├── 6.6 字符串：独有功能（二）.mp4 │ ├── 10.8 List基础结构.mp4 │ ├── 5.7 gbk编码.mp4 │ ├── 3.2 编码.mp4 │ ├── 1.3 开篇：学习方法的建议.mp4 │ ├── 2.9 Python解释器种类.mp4 │ ├── 8.13 字典：练习题和讲解.mp4 │ ├── 6.3 布尔类型.mp4 │ ├── 3.4 print输出及练习题.mp4 │ ├── 5.8 unicode.mp4 │ ├── 3.12 变量及其命名规范.mp4 │ ├── 10.1 Python环境配置.mp4 │ ├── 4.7 while_else语法.mp4 │ ├── 4.6 continue及示例讲解.mp4 │ ├── 7.9 列表：阶段作业题讲解.mp4 ├── 第11模块：计算机视觉核心大项目实战（新） │ ├── 8.4 论文整体概述.mp4 │ ├── 4.7 sotfmax层改进.mp4 │ ├── 10.12 整体框架回顾.mp4 │ ├── 7.2 迁移学习策略.mp4 │ ├── 5.7 路由层与shortcut层的作用.mp4 │ ├── 13.4 Resnet网络细节.mp4 │ ├── 16.4 候选框标签制作.mp4 │ ├── 10.6 候选框过滤方法.mp4 │ ├── 14.4 论文整体概述.mp4 │ ├── 4.5 整体网络模型架构分析.mp4 │ ├── 13.1 迁移学习的目标.mp4 │ ├── 16.5 整体网络所需模块.mp4 │ ├── 5.2 训练参数设置.mp4 │ ├── 8.6 损失函数定义.mp4 │ ├── 5.10 网格偏移计算.mp4 │ ├── 5.5 debug模式介绍.mp4 │ ├── 15.1 OCR文字识别要完成的任务.mp4 │ ├── 6.6 完成输入数据准备工作.mp4 │ ├── 5.13 坐标相对位置计算.mp4 │ ├── 16.3 检测模块候选框生成.mp4 │ ├── 10.9 正负样本选择与标签定义.mp4 │ ├── 17.2 UCF101动作识别数据集简介.mp4 │ ├── 12.1 COCO数据集与人体姿态识别简介.mp4 │ ├── 14.7 网络细节.mp4 │ ├── 7.8 迁移学习效果对比.mp4 │ ├── 6.3 完成标签制作.mp4 │ ├── 14.3 faster-rcnn概述.mp4 │ ├── 4.4 残差连接方法解读.mp4 │ ├── 6.8 训练模型并测试效果.mp4 │ ├── 2.5 置信度误差与优缺点分析.mp4 │ ├── 5.9 预测结果计算.mp4 │ ├── 16.2 训练数据准备与环境配置.mp4 │ ├── 14.2 深度学习经典检测方法.mp4 │ ├── 15.2 CTPN文字检测网络概述.mp4 │ ├── 11.5 基于标注数据训练所需任务.mp4 │ ├── 5.3 数据与标签读取.mp4 │ ├── 10.8 DetectionTarget层的作用.mp4 │ ├── 8.3 faster-rcnn概述.mp4 │ ├── 5.14 完成所有损失函数所需计算指标.mp4 │ ├── 11.6 测试与展示模块.mp4 │ ├── 10.1 FPN层特征提取原理解读.mp4 │ ├── 7.4 Resnet网络细节.mp4 │ ├── 16.7 识别模块网络架构解读.mp4 │ ├── 10.11 RorAlign操作的效果.mp4 │ ├── 13.2 迁移学习策略.mp4 │ ├── 5.6 基于配置文件构建网络模型.mp4 │ ├── 5.16 预测效果展示.mp4 │ ├── 11.3 完成训练数据准备工作.mp4 │ ├── 17.4 视频数据预处理方法.mp4 │ ├── 17.3 测试效果与项目配置.mp4 │ ├── 1.2 不同阶段算法优缺点分析.mp4 │ ├── 3.6 坐标映射与还原.mp4 │ ├── 4.6 先验框设计改进.mp4 │ ├── 6.1 Labelme工具安装.mp4 │ ├── 18.4 模型架构模块.mp4 │ ├── 5.4 标签文件读取与处理.mp4 │ ├── 6.2 数据信息标注.mp4 │ ├── 3.8 特征融合改进.mp4 │ ├── 7.3 Resnet原理.mp4 │ ├── 13.3 Resnet原理.mp4 │ ├── 11.2 使用labelme进行数据与标签标注.mp4 │ ├── 17.1 3D卷积原理解读.mp4 │ ├── 12.3 流程与结果演示.mp4 │ ├── 2.2 检测算法要得到的结果.mp4 │ ├── 10.7 Proposal层实现方法.mp4 │ ├── 10.2 FPN网络架构实现解读.mp4 │ ├── 14.5 RPN网络结构.mp4 │ ├── 4.2 多scale方法改进与特征融合.mp4 │ ├── 18.3 数据读取与预处理模块功能解读.mp4 │ ├── 7.5 Resnet基本处理操作.mp4 │ ├── 8.1 物体检测概述.mp4 │ ├── 2.4 位置损失计算.mp4 │ ├── 5.1 数据与环境配置.mp4 │ ├── 18.6 训练结果可视化展示模块.mp4 │ ├── 2.3 整体网络架构解读.mp4 │ ├── 10.10 RoiPooling层的作用与目的.mp4 │ ├── 1.4 评估所需参数计算.mp4 │ ├── 8.2 深度学习经典检测方法.mp4 │ ├── 5.12 标签值格式修改.mp4 │ ├── 13.5 Resnet基本处理操作.mp4 │ ├── 15.4 输出结果含义解析.mp4 │ ├── 6.7 训练代码与参数配置更改.mp4 │ ├── 8.5 RPN网络结构.mp4 │ ├── 1.5 map指标计算.mp4 │ ├── 9.4 参数配置.mp4 │ ├── 7.6 shortcut模块.mp4 │ ├── 10.4 基于不同尺度特征图生成所有框.mp4 │ ├── 18.1 项目模板各模块概述.mp4 │ ├── 15.7 CTC模块的作用.mp4 │ ├── 13.7 加载训练好的权重.mp4 │ ├── 5.11 模型要计算的损失概述.mp4 │ ├── 4.1 V3版本改进概述.mp4 │ ├── 7.1 迁移学习的目标.mp4 │ ├── 17.7 训练网络模型.mp4 │ ├── 14.1 物体检测概述.mp4 │ ├── 10.3 生成框比例设置.mp4 │ ├── 15.3 序列网络的作用.mp4 │ ├── 18.2 各模块配置参数解析.mp4 │ ├── 14.6 损失函数定义.mp4 │ ├── 3.4 基于聚类来选择先验框尺寸.mp4 │ ├── 11.4 maskrcnn源码修改方法.mp4 │ ├── 11.1 Labelme工具安装.mp4 │ ├── 18.7 模块应用与BenckMark解读.mp4 │ ├── 1.3 IOU指标计算.mp4 │ ├── 3.5 偏移量计算方法.mp4 │ ├── 9.3 开源项目数据集.mp4 │ ├── 18.5 训练模块功能.mp4 │ ├── 2.1 YOLO算法整体思路解读.mp4 │ ├── 6.4 生成模型所需配置文件.mp4 │ ├── 9.1 课程简介.mp4 │ ├── 6.5 json格式转换成yolo.v3所需输入.mp4 │ ├── 5.15 模型训练与总结.mp4 │ ├── 13.6 shortcut模块.mp4 │ ├── 4.3 经典变换方法对比分析.mp4 │ ├── 3.2 网络结构特点.mp4 │ ├── 8.7 网络细节.mp4 │ ├── 7.7 加载训练好的权重.mp4 │ ├── 16.1 OCR文字检测识别项目效果展示.mp4 │ ├── 3.7 感受野的作用.mp4 │ ├── 5.8 YOLO层定义解析.mp4 │ ├── 3.3 架构细节解读.mp4 │ ├── 10.5 RPN层的作用与实现解读.mp4 │ ├── 15.5 CTPN细节概述.mp4 │ ├── 3.1 V2版本细节升级概述.mp4 │ ├── 1.1 检测任务中阶段的意义.mp4 │ ├── 17.5 数据Batch制作方法.mp4 │ ├── 17.6 3D卷积网络所涉及模块.mp4 │ ├── 13.8 迁移学习效果对比.mp4 │ ├── 12.2 网络架构概述.mp4 │ ├── 15.6 CRNN识别网络架构.mp4 │ ├── 9.2 Mask-Rcnn开源项目简介.mp4 │ ├── 16.6 网络架构各模块完成的任务解读.mp4 ├── 第04模块：机器学习算法精讲及其案例应用（新） │ ├── 1.160 测试效果可视化展示.mp4 │ ├── 1.120 支持向量机要解决的问题.mp4 │ ├── 1.213 求解得出降维结果.mp4 │ ├── 1.215 PCA降维实例.mp4 │ ├── 1.102 回归树模型.mp4 │ ├── 1.1 课程简介.mp4 │ ├── 1.35 不同策略效果对比.mp4 │ ├── 1.203 音乐推荐任务概述.mp4 │ ├── 1.219 隐马尔科夫模型基本出发点.mp4 │ ├── 1.145 正则化与激活函数.mp4 │ ├── 1.94 整体框架逻辑.mp4 │ ├── 1.47 优化目标定义.mp4 │ ├── 1.53 准备测试数据.mp4 │ ├── 1.122 目标函数推导.mp4 │ ├── 1.101 树模型预剪枝参数作用.mp4 │ ├── 1.161 贝叶斯要解决的问题.mp4 │ ├── 1.196 推荐系统要完成的任务.mp4 │ ├── 1.54 决策边界绘制.mp4 │ ├── 1.162 贝叶斯公式推导.mp4 │ ├── 1.104 随机森林优势与特征重要性指标.mp4 │ ├── 1.112 特征重要性热度图展示.mp4 │ ├── 1.231 实现中文分词.mp4 │ ├── 1.138 得分函数.mp4 │ ├── 1.68 Kmeans算法模块概述.mp4 │ ├── 1.216 PCA结果推导.mp4 │ ├── 1.170 完成预测模块.mp4 │ ├── 1.74 Kmenas算法常用操作.mp4 │ ├── 1.164 垃圾邮件过滤实例.mp4 │ ├── 1.208 基于矩阵分解的音乐推荐~1.mp4 │ ├── 1.58 可视化展示.mp4 │ ├── 1.180 拼接模块.mp4 │ ├── 1.165 朴素贝叶斯算法整体框架.mp4 │ ├── 1.98 测试算法效果.mp4 │ ├── 1.155 逐层计算.mp4 │ ├── 1.147 神经网络整体框架概述.mp4 │ ├── 1.89 预剪枝方法.mp4 │ ├── 1.108 硬投票与软投票效果对比.mp4 │ ├── 1.16 得到线性回归方程.mp4 │ ├── 1.209 线性判别分析要解决的问题.mp4 │ ├── 1.21 数据集切分.mp4 │ ├── 1.20 Sklearn工具包简介.mp4 │ ├── 1.227 维特比算法.mp4 │ ├── 1.23 交叉验证实验分析.mp4 │ ├── 1.184 规则结果展示.mp4 │ ├── 1.105 提升算法概述.mp4 │ ├── 1.167 预料表与特征向量构建.mp4 │ ├── 1.15 训练线性回归模型.mp4 │ ├── 1.156 完成全部迭代更新模块.mp4 │ ├── 1.81 Kmenas算法存在的问题.mp4 │ ├── 1.154 差异项计算.mp4 │ ├── 1.226 参数求解.mp4 │ ├── 1.163 拼写纠错实例.mp4 │ ├── 1.41 实验总结.mp4 │ ├── 1.185 词向量模型通俗解释.mp4 │ ├── 1.79 如何找到合适的K值.mp4 │ ├── 1.91 回归问题解决.mp4 │ ├── 1.149 矩阵向量转换.mp4 │ ├── 1.125 求解决策方程.mp4 │ ├── 1.45 训练模块功能.mp4 │ ├── 1.140 前向传播整体流程.mp4 │ ├── 1.34 MiniBatch方法.mp4 │ ├── 1.217 方差与协方差.mp4 │ ├── 1.200 隐语义模型.mp4 │ ├── 1.189 负采样方案.mp4 │ ├── 1.77 不稳定结果.mp4 │ ├── 1.172 支持度与置信度.mp4 │ ├── 1.10 线性回归整体模块概述.mp4 │ ├── 1.86 信息增益原理.mp4 │ ├── 1.222 复杂度计算.mp4 │ ├── 1.99 树模型可视化展示.mp4 │ ├── 1.179 扫描模块.mp4 │ ├── 1.90 后剪枝方法.mp4 │ ├── 1.153 准备反向传播迭代.mp4 │ ├── 1.92 整体模块概述.mp4 │ ├── 1.71 算法迭代更新.mp4 │ ├── 1.136 计算机视觉任务.mp4 │ ├── 1.186 模型整体框架.mp4 │ ├── 1.107 构建实验数据集.mp4 │ ├── 1.199 基于物品的协同过滤.mp4 │ ├── 1.65 DBSCAN聚类算法.mp4 │ ├── 1.106 stacking堆叠模型.mp4 │ ├── 1.190 数据与任务流程.mp4 │ ├── 1.230 中文分词任务.mp4 │ ├── 1.110 集成效果展示分析.mp4 │ ├── 1.192 batch数据制作.mp4 │ ├── 1.210 线性判别分析要优化的目标.mp4 │ ├── 1.183 完成全部算法流程.mp4 │ ├── 1.121 距离与数据定义.mp4 │ ├── 1.85 熵的作用.mp4 │ ├── 1.176 电影数据集题材关联分析.mp4 │ ├── 1.169 贝叶斯公式对数变换.mp4 │ ├── 1.206 物品相似度计算与推荐.mp4 │ ├── 1.13 损失与预测模块.mp4 │ ├── 1.66 DBSCAN工作流程.mp4 │ ├── 1.158 算法代码错误修正.mp4 │ ├── 1.141 返向传播计算方法.mp4 │ ├── 1.207 SVD矩阵分解.mp4 │ ├── 1.175 数据集制作.mp4 │ ├── 1.168 分类别统计词频.mp4 │ ├── 1.57 概率结果随特征数值的变化.mp4 │ ├── 1.22 交叉验证的作用.mp4 │ ├── 1.133 核函数的作用与效果.mp4 │ ├── 1.134 深度学习要解决的问题.mp4 │ ├── 1.214 PCA基本概念.mp4 │ ├── 1.40 岭回归与lasso.mp4 │ ├── 1.43 化简与求解.mp4 │ ├── 1.181 挖掘频繁项集.mp4 │ ├── 1.72 鸢尾花数据集聚类任务.mp4 │ ├── 1.130 决策边界可视化展示.mp4 │ ├── 1.135 深度学习应用领域.mp4 │ ├── 1.3 误差项定义.mp4 │ ├── 1.48 迭代优化参数.mp4 │ ├── 1.38 样本数量对结果的影响.mp4 │ ├── 1.211 线性判别分析求解.mp4 │ ├── 1.76 建模流程解读.mp4 │ ├── 1.114 Adaboost决策边界效果.mp4 │ ├── 1.124 化简最终目标函数.mp4 │ ├── 1.96 数据集切分.mp4 │ ├── 1.19 非线性回归.mp4 │ ├── 1.95 熵值计算.mp4 │ ├── 1.5 似然函数的作用.mp4 │ ├── 1.187 训练数据构建.mp4 │ ├── 1.128 知识点总结.mp4 │ ├── 1.171 关联规则概述.mp4 │ ├── 1.75 聚类结果展示.mp4 │ ├── 1.218 马尔科夫模型.mp4 │ ├── 1.223 前向算法.mp4 │ ├── 1.44 多分类逻辑回归整体思路.mp4 │ ├── 1.82 半监督学习.mp4 │ ├── 1.11 初始化步骤.mp4 │ ├── 1.195 推荐系统应用.mp4 │ ├── 1.84 决策树算法概述.mp4 │ ├── 1.126 软间隔优化.mp4 │ ├── 1.197 相似度计算.mp4 │ ├── 1.144 神经元个数对结果的影响.mp4 │ ├── 1.27 ROC曲线.mp4 │ ├── 1.60 分类决策边界展示分析.mp4 │ ├── 1.2 回归问题概述.mp4 │ ├── 1.229 工具包使用方法.mp4 │ ├── 1.29 参数直接求解方法.mp4 │ ├── 1.137 视觉任务中遇到的问题.mp4 │ ├── 1.198 基于用户的协同过滤.mp4 │ ├── 1.49 梯度计算.mp4 │ ├── 1.14 数据与标签定义.mp4 │ ├── 1.142 神经网络整体架构.mp4 │ ├── 1.73 聚类效果展示.mp4 │ ├── 1.62 KMEANS算法概述.mp4 │ ├── 1.177 Apripri算法整体流程.mp4 │ ├── 1.225 Baum.Welch算法.mp4 │ ├── 1.36 多项式回归.mp4 │ ├── 1.28 实验目标分析.mp4 │ ├── 1.159 模型优化结果展示.mp4 │ ├── 1.111 OOB袋外数据的作用.mp4 │ ├── 1.139 损失函数的作用.mp4 │ ├── 1.61 多分类.softmax.mp4 │ ├── 1.103 随机森林算法原理.mp4 │ ├── 1.157 手写字体识别数据集.mp4 │ ├── 1.25 评估指标对比分析.mp4 │ ├── 1.64 KMEANS迭代可视化展示.mp4 │ ├── 1.228 hmmlearn工具包.mp4 │ ├── 1.201 隐语义模型求解.mp4 │ ├── 1.109 Bagging策略效果.mp4 │ ├── 1.143 神经网络架构细节.mp4 │ ├── 1.188 CBOW与Skip.gram模型.mp4 │ ├── 1.178 数据集demo.mp4 │ ├── 1.12 实现梯度下降优化模块.mp4 │ ├── 1.39 正则化的作用.mp4 │ ├── 1.51 鸢尾花数据集多分类任务.mp4 │ ├── 1.31 梯度下降模块.mp4 │ ├── 1.26 阈值对结果的影响.mp4 │ ├── 1.129 支持向量机所能带来的效果.mp4 │ ├── 1.191 数据清洗.mp4 │ ├── 1.17 整体流程debug解读.mp4 │ ├── 1.212 实现线性判别分析进行降维任务.mp4 │ ├── 1.127 核函数的作用.mp4 │ ├── 1.205 基于物品的协同过滤.mp4 │ ├── 1.174 Python实战关联规则.mp4 │ ├── 1.166 邮件数据读取.mp4 │ ├── 1.148 参数初始化操作.mp4 │ ├── 1.32 学习率对结果的影响.mp4 │ ├── 1.88 信息增益率与gini系数.mp4 │ ├── 1.33 随机梯度下降得到的效果.mp4 │ ├── 1.152 损失函数定义.mp4 │ ├── 1.67 DBSCAN可视化展示.mp4 │ ├── 1.146 神经网络过拟合解决方法.mp4 │ ├── 1.116 集成参数对比分析.mp4 │ ├── 1.24 混淆矩阵.mp4 │ ├── 1.83 DBSCAN算法.mp4 │ ├── 1.46 完成预测模块.mp4 │ ├── 1.69 计算得到簇中心点.mp4 │ ├── 1.220 组成与要解决的问题.mp4 │ ├── 1.6 参数求解.mp4 │ ├── 1.18 多特征回归模型.mp4 │ ├── 1.123 拉格朗日乘子法求解.mp4 │ ├── 1.202 模型评估标准.mp4 │ ├── 1.173 提升度的作用.mp4 │ ├── 1.80 轮廓系数的作用.mp4 │ ├── 1.87 决策树构造实例.mp4 │ ├── 1.221 暴力求解方法.mp4 │ ├── 1.113 Adaboost算法概述.mp4 │ ├── 1.118 停止方案实施.mp4 │ ├── 1.204 数据集整合.mp4 │ ├── 1.55 非线性决策边界.mp4 │ ├── 1.132 非线性SVM.mp4 │ ├── 1.119 堆叠模型.mp4 │ ├── 1.100 决策边界展示分析.mp4 │ ├── 1.194 可视化展示.mp4 │ ├── 1.8 参数更新方法.mp4 │ ├── 1.182 规则生成模块.mp4 │ ├── 1.4 独立同分布的意义.mp4 │ ├── 1.56 逻辑回归实验概述.mp4 │ ├── 1.37 模型复杂度.mp4 │ ├── 1.115 GBDT提升算法流程.mp4 │ ├── 1.52 训练多分类模型.mp4 │ ├── 1.50 得出最终结果.mp4 │ ├── 1.70 样本点归属划分.mp4 │ ├── 1.42 逻辑回归算法原理.mp4 │ ├── 1.117 模型提前停止策略.mp4 │ ├── 1.151 完成前向传播模块.mp4 │ ├── 1.78 评估指标.Inertia.mp4 │ ├── 1.224 前向算法求解实例.mp4 │ ├── 1.63 KMEANS工作流程.mp4 │ ├── 1.97 完成树模型构建.mp4 │ ├── 1.193 网络训练.mp4 │ ├── 1.59 坐标棋盘制作.mp4 │ ├── 1.30 预处理对结果的影响.mp4 │ ├── 1.93 递归生成树节点.mp4 │ ├── 1.7 梯度下降通俗解释.mp4 │ ├── 1.131 软间隔的作用.mp4 │ ├── 1.9 优化参数设置.mp4 │ ├── 1.150 向量反变换.mp4 ├── 第13模块：行人重识别系列项目（新） │ ├── 6.6 图匹配在行人重识别中的作用.mp4 │ ├── 3.3 进入debug模式解读网络计算流程.mp4 │ ├── 1.5 triplet损失计算实例.mp4 │ ├── 5.11 损失函数与训练过程演示.mp4 │ ├── 4.3 特征分组方法.mp4 │ ├── 5.8 局部特征提取实例.mp4 │ ├── 3.4 获得空间位置点之间的关系.mp4 │ ├── 2.3 融合空间注意力所需特征.mp4 │ ├── 3.9 训练与测试模块演示.mp4 │ ├── 5.1 项目配置与数据集介绍.mp4 │ ├── 6.5 图卷积模块实现方法.mp4 │ ├── 3.7 基于特征图的权重计算.mp4 │ ├── 4.1 论文整体框架概述.mp4 │ ├── 5.4 debug模式解读.mp4 │ ├── 4.4 GCP模块特征融合方法.mp4 │ ├── 4.5 oneVsReset方法实例.mp4 │ ├── 6.7 整体算法框架分析.mp4 │ ├── 7.10 整体项目总结.mp4 │ ├── 3.8 损失函数计算实例解读.mp4 │ ├── 7.1 数据集与环境配置概述.mp4 │ ├── 7.3 得到一阶段热度图结果.mp4 │ ├── 6.4 基于图卷积构建人体拓扑关系.mp4 │ ├── 1.6 Hard.Negative方法应用.mp4 │ ├── 4.2 局部特征与全局关系计算方法.mp4 │ ├── 5.5 网络计算整体流程演示.mp4 │ ├── 3.5 组合关系特征图.mp4 │ ├── 5.12 测试与验证模块.mp4 │ ├── 1.3 评估标准rank1指标.mp4 │ ├── 7.9 图匹配模块计算流程.mp4 │ ├── 5.10 得到所有分组特征结果.mp4 │ ├── 7.6 mask矩阵的作用.mp4 │ ├── 3.6 计算得到位置权重值.mp4 │ ├── 1.1 行人重识别要解决的问题.mp4 │ ├── 2.4 基于特征图的注意力计算.mp4 │ ├── 5.2 数据源构建方法分析.mp4 │ ├── 6.3 局部特征热度图计算.mp4 │ ├── 6.2 图卷积与匹配的作用.mp4 │ ├── 6.1 关键点位置特征构建.mp4 │ ├── 2.2 空间权重值计算流程分析.mp4 │ ├── 4.6 损失函数应用位置.mp4 │ ├── 3.1 项目环境与数据集配置.mp4 │ ├── 5.6 特征序列构建.mp4 │ ├── 1.2 挑战与困难分析.mp4 │ ├── 3.2 参数配置与整体架构分析.mp4 │ ├── 5.3 dataloader加载顺序解读.mp4 │ ├── 7.2 局部特征准备方法.mp4 │ ├── 7.8 基于拓扑结构组合关键点特征.mp4 │ ├── 7.7 邻接矩阵学习与更新.mp4 │ ├── 7.5 初始化图卷积模型.mp4 │ ├── 5.7 GCP全局特征提取.mp4 │ ├── 7.4 阶段监督训练.mp4 │ ├── 2.1 论文整体思想及注意力机制的作用解读.mp4 │ ├── 5.9 特征组合汇总.mp4 │ ├── 1.4 map值计算方法.mp4 ├── 第15模块：NLP通用框架BERT项目实战（新） │ ├── 6.2 数据清洗.mp4 │ ├── 2.4 数据预处理模块.mp4 │ ├── 7.2 NLP应用领域与任务简介.mp4 │ ├── 1.7 Multi-head的作用.mp4 │ ├── 6.1 数据与任务流程.mp4 │ ├── 5.1 词向量模型通俗解释.mp4 │ ├── 7.4 加载词向量特征.mp4 │ ├── 1.10 BERT模型训练方法.mp4 │ ├── 2.3 数据读取模块.mp4 │ ├── 5.5 负采样方案.mp4 │ ├── 2.12 训练BERT模型.mp4 │ ├── 6.5 可视化展示.mp4 │ ├── 7.7 训练与测试效果.mp4 │ ├── 8.1 数据与任务介绍.mp4 │ ├── 7.3 项目流程解读.mp4 │ ├── 3.2 读取处理自己的数据集.mp4 │ ├── 5.2 模型整体框架.mp4 │ ├── 9.4 课时训练自己标注的数据并测试.mp4 │ ├── 1.9 transformer整体架构梳理.mp4 │ ├── 8.5 训练网络模型.mp4 │ ├── 1.2 BERT任务目标概述.mp4 │ ├── 8.2 整体模型架构.mp4 │ ├── 2.1 BERT开源项目简介.mp4 │ ├── 1.5 self-attention计算方法.mp4 │ ├── 2.8 加入位置编码特征.mp4 │ ├── 2.7 加入额外编码特征.mp4 │ ├── 7.5 正负样本数据读取.mp4 │ ├── 4.2 NER标注数据处理与读取.mp4 │ ├── 2.9 mask机制.mp4 │ ├── 2.5 tfrecord制作.mp4 │ ├── 5.4 CBOW与Skip-gram模型.mp4 │ ├── 2.10 构建QKV矩阵.mp4 │ ├── 1.4 注意力机制的作用.mp4 │ ├── 2.2 项目参数配置.mp4 │ ├── 8.6 医疗数据集（糖尿病）实体识别.mp4 │ ├── 9.5 课时Huggingface工具使用.mp4 │ ├── 4.3 构建BERT与CRF模型.mp4 │ ├── 7.1 RNN网络模型解读.mp4 │ ├── 9.3 课时文本摘要数据标注方法.mp4 │ ├── 9.6 课时BERT系列与NER实例.mp4 │ ├── 6.3 batch数据制作.mp4 │ ├── 9.1 课时中文商城评价数据处理方法.mp4 │ ├── 2.6 Embedding层的作用.mp4 │ ├── 8.4 输入样本填充补齐.mp4 │ ├── 2.11 完成Transformer模块构建.mp4 │ ├── 3.3 训练BERT中文分类模型.mp4 │ ├── 9.2 课时模型训练与测试结果.mp4 │ ├── 1.1 BERT课程简介.mp4 │ ├── 8.3 数据-标签-语料库处理.mp4 │ ├── 7.6 构建LSTM网络模型.mp4 │ ├── 1.8 位置编码与多层堆叠.mp4 │ ├── 1.6 特征分配与softmax机制.mp4 │ ├── 1.3 传统解决方案遇到的问题.mp4 │ ├── 1.11 训练实例.mp4 │ ├── 6.4 网络训练.mp4 │ ├── 4.1 命名实体识别数据分析与任务目标.mp4 │ ├── 5.3 训练数据构建.mp4 │ ├── 3.1 中文分类数据与任务概述.mp4 ├── 第07模块：机器学习竞赛优胜解决方案实战（新） │ ├── 9.6 构建低敏用户模型.mp4 │ ├── 1.1 课程简介.mp4 │ ├── 3.4 序列缺失补全方法.mp4 │ ├── 3.5 基于回归与插值完成序列特征.mp4 │ ├── 1.2 任务目标与数据分析..mp4 │ ├── 3.7 特征汇总.mp4 │ ├── 11.3 选择参数.mp4 │ ├── 8.2 常用特征构造手段.mp4 │ ├── 2.4 各道工序特征构建.mp4 │ ├── 7.5 权重划分.mp4 │ ├── 10.3 数据处理.mp4 │ ├── 4.7 ShapValues指标分析.mp4 │ ├── 3.3 道路通行时间序列数据生成.mp4 │ ├── 10.6 变量与结果的关系.mp4 │ ├── 3.8 建立回归模型进行预测.mp4 │ ├── 5.1 数据与任务介绍.mp4 │ ├── 2.6 训练xgboost模型.mp4 │ ├── 7.2 数据清洗与预处理.mp4 │ ├── 6.3 节点权重特征提取(PageRank).mp4 │ ├── 2.5 准备训练数据.mp4 │ ├── 2.3 时间特征提取.mp4 │ ├── 7.8 候选词相似度特征.mp4 │ ├── 4.8 疾病引起原因分析实战.mp4 │ ├── 9.5 文本特征构建.mp4 │ ├── 6.1 竞赛任务目标.mp4 │ ├── 1.3 整体模型架构.mp4 │ ├── 5.5 训练网络模型.mp4 │ ├── 10.4 单变量绘图分析.mp4 │ ├── 9.1 任务与解决框架概述.mp4 │ ├── 7.9 特征工程汇总.mp4 │ ├── 9.2 特征工程分析与特征提取.mp4 │ ├── 7.6 候选词统计特征.mp4 │ ├── 1.4 构建用户特征序列.mp4 │ ├── 11.4 测试模型.mp4 │ ├── 2.1 数据任务概述.mp4 │ ├── 7.1 任务目标与数据集介绍.mp4 │ ├── 11.2 基础模型对比.mp4 │ ├── 3.2 数据清洗与标签转换.mp4 │ ├── 6.2 图模型信息提取.mp4 │ ├── 11.6 模型分析.mp4 │ ├── 4.2 模型解释方法与实践.mp4 │ ├── 1.6 生成特征汇总表.mp4 │ ├── 8.7 计算机眼中的图像.mp4 │ ├── 5.3 数据、标签、语料库处理.mp4 │ ├── 8.1 基本数值特征.mp4 │ ├── 8.5 构造文本向量.mp4 │ ├── 10.7 多变量展示.mp4 │ ├── 10.8 特征工程.mp4 │ ├── 1.8 网络训练模块.mp4 │ ├── 1.7 标签制作.mp4 │ ├── 7.7 textrank特征提取.mp4 │ ├── 7.3 基本特征抽取.mp4 │ ├── 11.1 dataleakage问题.mp4 │ ├── 5.6 医疗数据集（糖尿病）实体识别.mp4 │ ├── 10.1 任务概述.mp4 │ ├── 6.7 图中联系人特征.mp4 │ ├── 10.5 离群点剔除.mp4 │ ├── 11.5 模型解释.mp4 │ ├── 6.6 app安装特征.mp4 │ ├── 2.2 数据异常检查.mp4 │ ├── 3.1 数据与任务目标分析.mp4 │ ├── 9.4 统计与文本特征.mp4 │ ├── 3.6 基于回归与插值进行序列补全.mp4 │ ├── 4.5 结果对比分析.mp4 │ ├── 9.7 高敏模型概述.mp4 │ ├── 9.3 离散数据处理.mp4 │ ├── 5.2 整体模型架构.mp4 │ ├── 6.4 deepwalk构建图顶点特征.mp4 │ ├── 4.1 竞赛与目标分析.mp4 │ ├── 7.4 文章与词向量分析.mp4 │ ├── 6.5 各项统计特征.mp4 │ ├── 4.6 双变量分析.mp4 │ ├── 8.6 词向量特征.mp4 │ ├── 1.9 得出最终模型结果.mp4 │ ├── 8.4 文本特征处理.mp4 │ ├── 10.2 处理流程与数据简介.mp4 │ ├── 8.3 时间特征处理.mp4 │ ├── 1.5 序列特征提取方法.mp4 │ ├── 4.3 特征对比分析方法.mp4 │ ├── 5.4 输入样本填充补齐.mp4 │ ├── 4.4 部分依赖图解释.mp4 ├── 第08模块：深度学习入门视频课程（新） │ ├── 3.5 步长与卷积核大小对结果的影响.mp4 │ ├── 3.4 得到特征图表示.mp4 │ ├── 1.6 损失函数的作用.mp4 │ ├── 4.5 CBOW与Skipgram模型.mp4 │ ├── 1.5 得分函数.mp4 │ ├── 3.6 边缘填充方法.mp4 │ ├── 3.8 池化层的作用.mp4 │ ├── 3.2 卷积的作用.mp4 │ ├── 3.11 残差网络Resnet.mp4 │ ├── 3.9 整体网络架构.mp4 │ ├── 3.12 感受野的作用.mp4 │ ├── 3.1 卷积神经网络应用领域.mp4 │ ├── 1.2 深度学习应用领域.mp4 │ ├── 1.7 前向传播整体流程.mp4 │ ├── 2.1 返向传播计算方法.mp4 │ ├── 3.10 VGG网络架构.mp4 │ ├── 1.4 视觉任务中遇到的问题.mp4 │ ├── 1.3 计算机视觉任务.mp4 │ ├── 3.3 卷积特征值计算方法.mp4 │ ├── 4.3 模型整体框架.mp4 │ ├── 2.6 神经网络过拟合解决方法.mp4 │ ├── 4.6 负采样方案.mp4 │ ├── 1.1 深度学习要解决的问题.mp4 │ ├── 2.2 神经网络整体架构.mp4 │ ├── 4.1 RNN网络架构解读.mp4 │ ├── 2.4 神经元个数对结果的影响.mp4 │ ├── 4.2 词向量模型通俗解释.mp4 │ ├── 4.4 训练数据构建.mp4 │ ├── 2.3 神经网络架构细节.mp4 │ ├── 2.5 正则化与激活函数.mp4 │ ├── 3.7 特征图尺寸计算与参数共享.mp4 ├── 第14模块：自然语言处理实战案例（新） │ ├── 7.2 语言模型.mp4 │ ├── 14.5 seq网络.mp4 │ ├── 10.2 词袋模型.mp4 │ ├── 14.1 效果演示.mp4 │ ├── 3.1 贝叶斯算法概述.mp4 │ ├── 1.9 Spacy工具包.mp4 │ ├── 7.8 CBOW求解目标.mp4 │ ├── 7.6 Hierarchical Softmax.mp4 │ ├── 13.3 数据预处理模块.mp4 │ ├── 1.5 NLTK工具包简介.mp4 │ ├── 7.10 负采样模型.mp4 │ ├── 6.3 中文分词任务.mp4 │ ├── 2.3 商品类别可视化展示.mp4 │ ├── 1.13 结巴分词器.mp4 │ ├── 12.5 基于word2vec的LSTM模型.mp4 │ ├── 10.5 word2vec词向量模型.mp4 │ ├── 12.1 RNN网络架构.mp4 │ ├── 5.7 前向算法求解实例.mp4 │ ├── 8.4 测试模型相似度结果.mp4 │ ├── 11.3 正负样本制作.mp4 │ ├── 13.5 RNN模型定义.mp4 │ ├── 1.3 正则表达式基本语法.mp4 │ ├── 11.4 网络模型定义.mp4 │ ├── 7.1 开篇.mp4 │ ├── 3.2 贝叶斯推导实例.mp4 │ ├── 2.4 描述长度对价格的影响.mp4 │ ├── 11.6 基于句子的相似度训练.mp4 │ ├── 4.4 TF.IDF关键词提取.mp4 │ ├── 9.4 使用gensim构建word2vec词向量（新）.mp4 │ ├── 13.2 参数配置.mp4 │ ├── 5.10 维特比算法.mp4 │ ├── 10.3 词袋模型分析.mp4 │ ├── 7.5 神经网络模型.mp4 │ ├── 3.3 贝叶斯拼写纠错实例.mp4 │ ├── 5.4 暴力求解方法.mp4 │ ├── 5.8 Baum.Welch算法.mp4 │ ├── 12.2 LSTM网络架构.mp4 │ ├── 1.14 词云展示.mp4 │ ├── 1.10 名字实体匹配.mp4 │ ├── 7.9 锑度上升求解.mp4 │ ├── 7.4 词向量.mp4 │ ├── 1.2 正则常用符号.mp4 │ ├── 13.7 训练唐诗生成模型.mp4 │ ├── 2.8 聚类与主题模型.mp4 │ ├── 5.2 隐马尔科夫模型基本出发点.mp4 │ ├── 1.8 数据清洗实例.mp4 │ ├── 4.5 LDA建模.mp4 │ ├── 9.3 准备word2vec输入数据.mp4 │ ├── 12.4 情感数据集处理.mp4 │ ├── 9.2 基于词袋模型训练分类器.mp4 │ ├── 14.4 词向量与投影.mp4 │ ├── 11.2 数据展示.mp4 │ ├── 10.4 TFIDF模型.mp4 │ ├── 7.7 CBOW模型实例.mp4 │ ├── 14.3 数据处理.mp4 │ ├── 4.2 相似度计算.mp4 │ ├── 9.1 影评情感分类.mp4 │ ├── 13.8 测试唐诗生成效果.mp4 │ ├── 4.1 文本分析与关键词提取.mp4 │ ├── 4.6 基于贝叶斯算法进行新闻分类.mp4 │ ├── 4.3 新闻数据与任务简介.mp4 │ ├── 2.1 任务概述.mp4 │ ├── 1.12 统计分析结果.mp4 │ ├── 6.4 实现中文分词.mp4 │ ├── 14.2 参数配置与数据加载.mp4 │ ├── 1.1 Python字符串处理.mp4 │ ├── 8.3 Gensim构造word2vec模型.mp4 │ ├── 10.6 深度学习模型.mp4 │ ├── 3.5 贝叶斯实现拼写检查器.mp4 │ ├── 5.3 组成与要解决的问题.mp4 │ ├── 13.1 任务概述与环境配置.mp4 │ ├── 12.3 案例：使用LSTM进行情感分类.mp4 │ ├── 14.6 网络训练.mp4 │ ├── 2.2 商品类别划分.mp4 │ ├── 1.4 常用函数介绍.mp4 │ ├── 5.1 马尔科夫模型.mp4 │ ├── 13.6 完成训练模块.mp4 │ ├── 10.1 任务概述.mp4 │ ├── 5.9 参数求解.mp4 │ ├── 11.5 基于字符的训练.mp4 │ ├── 13.4 batch数据制作.mp4 │ ├── 6.2 工具包使用方法.mp4 │ ├── 5.5 复杂度计算.mp4 │ ├── 1.6 停用词过滤.mp4 │ ├── 1.7 词性标注.mp4 │ ├── 2.7 降维可视化展示.mp4 │ ├── 8.2 维基百科中文数据处理.mp4 │ ├── 2.5 词云展示.mp4 │ ├── 6.1 hmmlearn工具包.mp4 │ ├── 1.11 恐怖袭击分析.mp4 │ ├── 3.4 垃圾邮件过滤实例.mp4 │ ├── 2.6 tf.idf结果.mp4 │ ├── 7.3 N.gram模型.mp4 │ ├── 8.1 使用Gensim库构造词向量.mp4 │ ├── 5.6 前向算法.mp4 │ ├── 11.1 任务概述.mp4 ├── 第07模块：深度学习框架-PyTorch项目实战（旧） │ ├── 13.9 transformer整体架构梳理.mp4 │ ├── 2.2 按建模顺序构建完成网络架构.mp4 │ ├── 9.1 CycleGan网络所需数据.mp4 │ ├── 7.5 训练LSTM文本分类模型.mp4 │ ├── 4.4 分类任务数据集定义与配置.mp4 │ ├── 11.8 识别模块网络架构解读.mp4 │ ├── 2.1 气温数据集与任务介绍.mp4 │ ├── 4.5 图像增强的作用.mp4 │ ├── 12.3 测试效果与项目配置.mp4 │ ├── 2.5 构建分类网络模型.mp4 │ ├── 3.12 感受野的作用.mp4 │ ├── 14.9 mask机制.mp4 │ ├── 14.6 Embedding层的作用.mp4 │ ├── 1.8 常见tensor格式.mp4 │ ├── 16.3 数据读取与预处理模块功能解读.mp4 │ ├── 13.2 BERT任务目标概述.mp4 │ ├── 11.5 整体网络所需模块.mp4 │ ├── 5.7 加载模型对测试数据进行预测.mp4 │ ├── 8.2 GAN网络组成.mp4 │ ├── 16.5 训练模块功能.mp4 │ ├── 3.10 VGG网络架构.mp4 │ ├── 2.6 DataSet模块介绍与应用方法.mp4 │ ├── 1.2 PyTorch框架发展趋势简介.mp4 │ ├── 10.6 CRNN识别网络架构.mp4 │ ├── 16.2 各模块配置参数解析.mp4 │ ├── 14.1 BERT开源项目简介.mp4 │ ├── 16.6 训练结果可视化展示模块.mp4 │ ├── 7.2 RNN模型所需输入格式解析.mp4 │ ├── 14.12 训练BERT模型.mp4 │ ├── 6.3 模型整体框架.mp4 │ ├── 4.3 Vision模块功能解读.mp4 │ ├── 14.7 加入额外编码特征.mp4 │ ├── 5.8 额外补充.Resnet论文解读.mp4 │ ├── 13.1 BERT课程简介.mp4 │ ├── 14.2 项目参数配置.mp4 │ ├── 9.10 额外补充：VISDOM可视化配置.mp4 │ ├── 9.3 PatchGan判别网络原理.mp4 │ ├── 3.3 卷积特征值计算方法.mp4 │ ├── 14.10 构建QKV矩阵.mp4 │ ├── 12.5 数据Batch制作方法.mp4 │ ├── 10.7 CTC模块的作用.mp4 │ ├── 4.1 卷积网络参数定义.mp4 │ ├── 15.3 网络结构定义.mp4 │ ├── 9.5 数据读取与预处理操作.mp4 │ ├── 9.6 生成网络模块构造.mp4 │ ├── 14.4 数据预处理模块.mp4 │ ├── 14.3 数据读取模块.mp4 │ ├── 4.6 数据预处理与数据增强模块.mp4 │ ├── 5.5 实现训练模块.mp4 │ ├── 7.3 项目配置参数设置.mp4 │ ├── 13.3 传统解决方案遇到的问题.mp4 │ ├── 9.7 判别网络模块构造.mp4 │ ├── 5.6 训练结果与模型保存.mp4 │ ├── 10.3 序列网络的作用.mp4 │ ├── 8.5 生成与判别网络定义.mp4 │ ├── 6.4 训练数据构建.mp4 │ ├── 13.6 特征分配与softmax机制.mp4 │ ├── 12.6 3D卷积网络所涉及模块.mp4 │ ├── 14.11 完成Transformer模块构建.mp4 │ ├── 13.4 注意力机制的作用.mp4 │ ├── 11.4 候选框标签制作.mp4 │ ├── 9.9 生成与判别损失函数指定.mp4 │ ├── 10.4 输出结果含义解析.mp4 │ ├── 1.9 Hub模块简介.mp4 │ ├── 8.3 损失函数解释说明.mp4 │ ├── 11.1 OCR文字检测识别项目效果展示.mp4 │ ├── 16.1 项目模板各模块概述.mp4 │ ├── 3.6 边缘填充方法.mp4 │ ├── 1.3 框架安装方法（CPU与GPU版本）.mp4 │ ├── 4.2 网络流程解读.mp4 │ ├── 8.1 对抗生成网络通俗解释.mp4 │ ├── 9.8 损失函数：identity loss计算方法.mp4 │ ├── 12.1 3D卷积原理解读.mp4 │ ├── 6.2 词向量模型通俗解释.mp4 │ ├── 1.6 线性回归DEMO.数据与参数配置.mp4 │ ├── 11.6 网络架构各模块完成的任务解读.mp4 │ ├── 5.3 加载训练好的网络模型.mp4 │ ├── 10.5 CTPN细节概述.mp4 │ ├── 7.8 网络模型架构与效果展示.mp4 │ ├── 11.3 检测模块候选框生成.mp4 │ ├── 13.5 selfattention计算方法.mp4 │ ├── 5.2 迁移学习策略.mp4 │ ├── 2.3 简化代码训练网络模型.mp4 │ ├── 6.6 负采样方案.mp4 │ ├── 3.5 步长与卷积核大小对结果的影响.mp4 │ ├── 16.4 模型架构模块.mp4 │ ├── 14.5 tfrecord制作.mp4 │ ├── 9.4 Cycle开源项目简介.mp4 │ ├── 13.8 位置编码与多层堆叠.mp4 │ ├── 7.4 新闻数据读取与预处理方法.mp4 │ ├── 4.7 Batch数据制作.mp4 │ ├── 1.4 PyTorch基本操作简介.mp4 │ ├── 5.9 额外补充.Resnet网络架构解读.mp4 │ ├── 13.11 训练实例.mp4 │ ├── 5.1 迁移学习的目标.mp4 │ ├── 12.7 训练网络模型.mp4 │ ├── 7.6 Tensorboardx可视化展示模块搭建.mp4 │ ├── 12.4 视频数据预处理方法.mp4 │ ├── 13.7 Multihead的作用.mp4 │ ├── 3.9 整体网络架构.mp4 │ ├── 3.7 特征图尺寸计算与参数共享.mp4 │ ├── 14.8 加入位置编码特征.mp4 │ ├── 10.1 OCR文字识别要完成的任务.mp4 │ ├── 3.4 得到特征图表示.mp4 │ ├── 1.7 线性回归DEMO.训练回归模型.mp4 │ ├── 2.4 分类任务概述.mp4 │ ├── 7.7 CNN应用于文本任务原理解析.mp4 │ ├── 11.2 训练数据准备与环境配置.mp4 │ ├── 8.4 数据读取模块.mp4 │ ├── 15.4 训练网络模型.mp4 │ ├── 3.1 卷积神经网络应用领域.mp4 │ ├── 15.1 项目配置与环境概述.mp4 │ ├── 1.5 自动求导机制.mp4 │ ├── 15.2 数据读取与预处理.mp4 │ ├── 1.1 PyTorch实战课程简介.mp4 │ ├── 11.7 CRNN识别模块所需数据与标签.mp4 │ ├── 3.11 残差网络Resnet.mp4 │ ├── 6.1 RNN网络架构解读.mp4 │ ├── 16.7 模块应用与BenckMark解读.mp4 │ ├── 12.2 UCF101动作识别数据集简介.mp4 │ ├── 9.2 CycleGan整体网络架构.mp4 │ ├── 3.2 卷积的作用.mp4 │ ├── 13.10 BERT模型训练方法.mp4 │ ├── 6.5 CBOW与Skipgram模型.mp4 │ ├── 3.8 池化层的作用.mp4 │ ├── 7.1 任务目标与数据简介.mp4 │ ├── 10.2 CTPN文字检测网络概述.mp4 │ ├── 5.4 优化器模块配置.mp4 ├── 第05模块：机器学习算法建模实战项目（新） │ ├── 1.2 项目挑战与解决方案制定.mp4 │ ├── 6.5 构建商品特征表单.mp4 │ ├── 1.6 数据集切分.mp4 │ ├── 6.8 特征工程.mp4 │ ├── 6.6 数据探索概述.mp4 │ ├── 6.10 行为特征.mp4 │ ├── 3.1 新闻数据与任务概述.mp4 │ ├── 2.9 调参优化细节.mp4 │ ├── 3.5 贝叶斯建模结果.mp4 │ ├── 6.1 项目与数据介绍.mp4 │ ├── 5.1 fbprophet股价预测任务概述.mp4 │ ├── 1.9 训练逻辑回归模型.mp4 │ ├── 3.3 文本关键词提取.mp4 │ ├── 1.8 正则化惩罚项.mp4 │ ├── 5.4 亚马逊股价趋势.mp4 │ ├── 5.3 fbprophet时间序列预测实例.mp4 │ ├── 1.4 下采样数据集制作.mp4 │ ├── 1.14 过采样效果与项目总结.mp4 │ ├── 4.1 音乐推荐任务概述.mp4 │ ├── 2.5 数据与特征对结果的影响.mp4 │ ├── 3.2 中文分词与停用词过滤.mp4 │ ├── 2.2 基本随机森林模型建立.mp4 │ ├── 3.4 词袋模型.mp4 │ ├── 6.9 基本特征构造.mp4 │ ├── 6.7 购买因素分析.mp4 │ ├── 5.5 突变点调参.mp4 │ ├── 6.2 数据挖掘流程.mp4 │ ├── 4.5 SVD矩阵分解.mp4 │ ├── 5.2 时间序列分析.mp4 │ ├── 3.6 TF_IDF特征分析对比.mp4 │ ├── 6.11 累积行为特征.mp4 │ ├── 4.2 数据集整合.mp4 │ ├── 1.11 测试集遇到的问题.mp4 │ ├── 1.12 阈值对结果的影响.mp4 │ ├── 2.8 随机参数选择方法实践.mp4 │ ├── 1.10 混淆矩阵评估分析.mp4 │ ├── 1.7 模型评估方法与召回率.mp4 │ ├── 4.4 物品相似度计算与推荐.mp4 │ ├── 4.3 基于物品的协同过滤.mp4 │ ├── 2.1 基于随机森林的气温预测任务概述.mp4 │ ├── 1.3 数据标准化处理.mp4 │ ├── 4.6-基于矩阵分解的音乐推荐.mp4 │ ├── 1.1 任务目标解读.mp4 │ ├── 6.4 构建用户特征表单.mp4 │ ├── 2.4 加入新的数据与特征.mp4 │ ├── 6.12 Xgboost模型.mp4 │ ├── 2.3 可视化展示与特征重要性.mp4 │ ├── 6.3 数据检查.mp4 │ ├── 2.7 网格与随机参数选择.mp4 │ ├── 1.13 SMOTE样本生成策略.mp4 │ ├── 1.5 交叉验证.mp4 │ ├── 2.6 效率对比分析.mp4 ├── 第02模块：Python数据科学必备工具包实战（新） │ ├── 8-可视化库-Seaborn │ │ ├── 8.9 分类属性绘图.mp4 │ │ ├── 8.8 多变量分析绘图.mp4 │ │ ├── 8.4 调色板.mp4 │ │ ├── 8.6 单变量分析绘图.mp4 │ │ ├── 8.10 Facetgrid使用方法.mp4 │ │ ├── 8.11 Facetgrid绘制多变量.mp4 │ │ ├── 8.1 课程简介.mp4 │ │ ├── 8.7 回归分析绘图.mp4 │ │ ├── 8.3 风格细节设置.mp4 │ │ ├── 8.5 调色板颜色设置.mp4 │ │ ├── 8.2 整体布局风格设置.mp4 │ │ ├── 8.12 热度图绘制.mp4 │ ├── 7-可视化库-Matplotlib │ │ ├── 7.11 直方图与散点图.mp4 │ │ ├── 7.10 绘图细节设置2.mp4 │ │ ├── 7.6 条形图外观.mp4 │ │ ├── 7.8 盒图细节.mp4 │ │ ├── 7.12 3D图绘制.mp4 │ │ ├── 7.3 风格设置.mp4 │ │ ├── 7.1 Matplotlib概述.mp4 │ │ ├── 7.5 条形图细节.mp4 │ │ ├── 7.2 子图与标注.mp4 │ │ ├── 7.13 pie图.mp4 │ │ ├── 7.7 盒图绘制.mp4 │ │ ├── 7.15 结合pandas与sklearn.mp4 │ │ ├── 7.4 条形图.mp4 │ │ ├── 7.14 子图布局.mp4 │ │ ├── 7.9 绘图细节设置.mp4 │ ├── 2-pandas（新） │ │ ├── 2.23 pandas数据类型练习.mp4 │ │ ├── 2.35 pandas索引操作.mp4 │ │ ├── 2.44 交叉表和透视表.mp4 │ │ ├── 2.31 异常值处理.mp4 │ │ ├── 2.30 空值过滤.mp4 │ │ ├── 2.27 python空类型和numy空类型.mp4 │ │ ├── 2.10 DataFrame运算（一）.mp4 │ │ ├── 2.42 -合并参数left_on,right_on,on.mp4 │ │ ├── 2.26 常用数据探索方法.mp4 │ │ ├── 2.38 map处理精确匹配模糊匹配.mp4 │ │ ├── 2.39 pandas级联.mp4 │ │ ├── 2.8 DataFrame的其他构造方法.mp4 │ │ ├── 2.7 DataFrame的基础构造方法.mp4 │ │ ├── 2.5 Series的运算.mp4 │ │ ├── 2.34 排序和随机抽样.mp4 │ │ ├── 2.32 离群点检测和过滤.mp4 │ │ ├── 2.4 Series的重要属性.mp4 │ │ ├── 2.36 rename操作.mp4 │ │ ├── 2.28 pandas空值查找.mp4 │ │ ├── 2.12 pandas对象的显示访问和隐式访问.mp4 │ │ ├── 2.41 合并参数left,right,how.mp4 │ │ ├── 2.29 pandas空值批量填充.mp4 │ │ ├── 2.37 replace替换.mp4 │ │ ├── 2.2 Series对象的基本构造及注意事项.mp4 │ │ ├── 2.21 多层索引的访问.mp4 │ │ ├── 2.11 DataFrame运算（二）.mp4 │ │ ├── 2.19 pandas单层索引.mp4 │ │ ├── 2.16 pandas高级查找.mp4 │ │ ├── 2.14 pandas对象iloc访问详解.mp4 │ │ ├── 2.15 pandas对象访问的注意事项.mp4 │ │ ├── 2.13 pandas对象的loc访问详解.mp4 │ │ ├── 2.40 合并的基本逻辑和注意事项.mp4 │ │ ├── 2.3 Series高级构造函数.mp4 │ │ ├── 2.33 重复值处理.mp4 │ │ ├── 2.1 pandas简介.mp4 │ │ ├── 2.17 pandas聚合操作.mp4 │ │ ├── 2.9 DataFrame的重要属性.mp4 │ │ ├── 2.43 groupby分组.mp4 │ │ ├── 2.6 DataFrame结构理解.mp4 │ │ ├── 2.18 pandas对象习题讲解.mp4 │ │ ├── 2.20 pandas多层索引.mp4 │ │ ├── 2.24 csv文件和txt文件的读取.mp4 │ │ ├── 2.25 pandasIO操作.mp4 │ │ ├── 2.22 stack和unstack操作.mp4 │ ├── 6-数据分析处理库-Pandas │ │ ├── 6.7 对象操作2.mp4 │ │ ├── 6.5 数值运算.mp4 │ │ ├── 6.19 大数据处理技巧.mp4 │ │ ├── 6.15 Groupby操作延伸.mp4 │ │ ├── 6.12 时间序列操作.mp4 │ │ ├── 6.3 Pandas索引.mp4 │ │ ├── 6.18 Pandas绘图操作.mp4 │ │ ├── 6.6 对象操作.mp4 │ │ ├── 6.13 Pandas常用操作.mp4 │ │ ├── 6.14 Pandas常用操作2.mp4 │ │ ├── 6.9 显示设置.mp4 │ │ ├── 6.8 merge操作.mp4 │ │ ├── 6.17 索引进阶.mp4 │ │ ├── 6.11 时间操作.mp4 │ │ ├── 6.16 字符串操作.mp4 │ │ ├── 6.1 Pandas概述.mp4 │ │ ├── 6.4 groupby操作.mp4 │ │ ├── 6.2 Pandas基本操作.mp4 │ │ ├── 6.10 数据透视表.mp4 │ ├── 4-seaborn可视化（新） │ │ ├── 102课时调色板工具和自定义调色板.mp4 │ │ ├── 109课时离散字段和连续字段的可视化方案.mp4 │ │ ├── 101课时seaborn分类调色板.mp4 │ │ ├── 97课时seaborn边框配置.mp4 │ │ ├── 108课时scatterplot散点图.mp4 │ │ ├── 112课时单变量分布图像和组合图像.mp4 │ │ ├── 107课时seaborn条形图多分组技巧.mp4 │ │ ├── 103课时连续调色板配色方案.mp4 │ │ ├── 100课时seaborn默认的配色方案.mp4 │ │ ├── 113课时多分组可视化实现方案.mp4 │ │ ├── 99课时matplotlib调色板作用及定制.mp4 │ │ ├── 95课时seaborn默认风格设置.mp4 │ │ ├── 106课时seaborn条形图绘制.mp4 │ │ ├── 96课时seaborn画布风格设置.mp4 │ │ ├── 104课时对称调色板及配色方案总结.mp4 │ │ ├── 110课时heatmap热力图.mp4 │ │ ├── 111课时regplot和lmplot线性回归.mp4 │ │ ├── 98课时seaborn文字线条设置.mp4 │ │ ├── 105课时seaborn玩具数据加载.mp4 │ ├── 3-matplotlib绘图 (新) │ │ ├── 84课时matplotlib绘图-其他设置方式补充.mp4 │ │ ├── 85课时2D图像绘制-线型图.mp4 │ │ ├── 80课时matplotlib绘图-画板注释信息和箭头注释.mp4 │ │ ├── 93课时2D图像绘制-箱线图.mp4 │ │ ├── 78课时matplotlib绘图-图像保存.mp4 │ │ ├── 82课时matplotlib绘图-透明度和图像读取.mp4 │ │ ├── 71课时matplotlib绘图-图像组成.mp4 │ │ ├── 90课时2D图像绘制-极坐表条形图.mp4 │ │ ├── 75课时matplotlib绘图-刻度值和刻度标签.mp4 │ │ ├── 81课时matplotlib绘图-颜色处理.mp4 │ │ ├── 89课时2D图像绘制-条形图.mp4 │ │ ├── 76课时matplotlib绘图-轴标题和画布标题.mp4 │ │ ├── 94课时matplotlib全局设置.mp4 │ │ ├── 88课时2D图像绘制-直方图bins的用法补充.mp4 │ │ ├── 79课时matplotlib绘图-画板注释信息和画板标题.mp4 │ │ ├── 91课时2D图像绘制-雷达图.mp4 │ │ ├── 73课时matplotlib绘图-网格设置.mp4 │ │ ├── 83课时matplotlib绘图-线型和点型设置.mp4 │ │ ├── 72课时matplotlib绘图-画板画布和就近原则.mp4 │ │ ├── 92课时2D图像绘制-饼图.mp4 │ │ ├── 87课时2D图像绘制-直方图.mp4 │ │ ├── 74课时matplotlib绘图-刻度界限.mp4 │ │ ├── 86课时2D图像绘制-散点图.mp4 │ │ ├── 77课时matplotlib绘图-图例设置.mp4 │ ├── 5-科学计算库-Numpy │ │ ├── 5.2 Array数组.mp4 │ │ ├── 5.6 排序操作.mp4 │ │ ├── 5.1 Numpy概述.mp4 │ │ ├── 5.4 数组类型.mp4 │ │ ├── 5.10 四则运算.mp4 │ │ ├── 5.12 文件读写.mp4 │ │ ├── 5.11 随机模块.mp4 │ │ ├── 5.14 练习题1.mp4 │ │ ├── 5.13 数组保存.mp4 │ │ ├── 5.15 练习题2.mp4 │ │ ├── 5.7 数组形状操作.mp4 │ │ ├── 5.9 常用生成函数.mp4 │ │ ├── 5.5 数值运算.mp4 │ │ ├── 5.16 练习题3.mp4 │ │ ├── 5.3 数组结构.mp4 │ │ ├── 5.8 数组生成函数.mp4 │ ├── 1-numpy（新） │ │ ├── 1.10 routines函数（二）.mp4 │ │ ├── 1.7 ndarray的属性及输出方法.mp4 │ │ ├── 1.26 numpy查找和排序.mp4 │ │ ├── 1.25 numpy的数学函数和算数函数.mp4 │ │ ├── 1.2 jupyter_notebook启动.mp4 │ │ ├── 1.14 ndarray读写练习.mp4 │ │ ├── 1.19 广播机制.mp4 │ │ ├── 1.6 IPython魔法指令和输入输出历史.mp4 │ │ ├── 1.23 ndarray的append和insert.mp4 │ │ ├── 1.3 jupyter_notebook单元格基本状态.mp4 │ │ ├── 1.4 单元格的常用操作.mp4 │ │ ├── 1.8 ndarray的元素类型统一.mp4 │ │ ├── 1.5 单元格运行与帮助文档.mp4 │ │ ├── 1.12 routines函数练习.mp4 │ │ ├── 1.20 ndarray运算练习.mp4 │ │ ├── 1.11 routines函数（三）.mp4 │ │ ├── 1.18 ndarray的基本运算.mp4 │ │ ├── 1.16 ndarray的拆分.mp4 │ │ ├── 1.21 ndarray的聚合函数.mp4 │ │ ├── 1.9 routines函数（一）.mp4 │ │ ├── 1.22 ndarray综合练习.mp4 │ │ ├── 1.24 ndarray的delete、扁平处理、变形和翻转.mp4 │ │ ├── 1.1 Anaconda简介及安装.mp4 │ │ ├── 1.17 ndarray拆分练习.mp4 │ │ ├── 1.13 ndarray的读写操作.mp4 │ │ ├── 1.15 ndarray级联concatenate.mp4
购买主题
本主题需向作者支付 20 资源币 才能浏览
| |
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
小黑屋|资源共享吧 ( 琼ICP备2023000410号-1 )
GMT+8, 2025-7-16 10:18 , Processed in 0.097134 second(s), 17 queries , MemCached On.
发表于 
发表于