人工智能深度学习高薪就业课程(128G)
人工智能深度学习高薪就业课程(128G)〖课程介绍〗:
人工智能深度学习高薪就业课程(128G)
〖课程目录〗:
├──00 资料
| ├──1.第一章 直播回放
| | ├──1-1 节开班典礼
| | ├──1-10 节直播7：半监督物体检测
| | ├──1-11 节直播8：基于图模型的时间序列预测
| | ├──1-12 节直播9：图像定位与检索
| | ├──1-13 节直播10：近期内容补充
| | ├──1-14节直播11文本生成GPT系列
| | ├──1-15 节直播12：异构图神经网络
| | ├──1-16 节直播13：BEV特征空间
| | ├──1-17 节补充：BevFormer源码解读
| | ├──1-18 节直播14：知识蒸馏
| | ├──1-3 节直播1：深度学习核心算法-神经网络与卷积网络
| | ├──1-4 节卷积神经网络
| | ├──1-5 节直播3：Transformer架构
| | ├──1-6 节直播4：Transfomer在视觉任务中的应用实例
| | ├──1-7 节直播5：YOLO系列（V7）算法解读
| | ├──1-8 节直播6：分割模型Maskformer系列
| | └──1-9 节补充：Mask2former源码解读
| ├──10.第一十章 图神经⽹络实战
| | ├──3-图模型必备神器PyTorch Geometric安装与使用
| | ├──4-使用PyTorch Geometric构建自己的图数据集
| | ├──5-图注意力机制与序列图模型
| | ├──6-图相似度论文解读
| | ├──7-图相似度计算实战
| | ├──8-基于图模型的轨迹估计
| | ├──9-图模型轨迹估计实战
| | ├──第二章：图卷积GCN模型
| | └──第一章：图神经网络基础
| ├──11.第一十一章 3D点云实战
| | ├──第1节：3D点云应用领域分析
| | ├──第2节：3D点云PointNet算法
| | ├──第3节：PointNet++算法解读
| | ├──第4节：Pointnet++项目实战
| | ├──第5节：点云补全PF-Net论文解读
| | ├──第6节：点云补全实战解读
| | ├──第7节：点云配准及其案例实战
| | └──第8节：基础补充-对抗生成网络架构原理与实战解析
| ├──12.第一十二章 ⽬标追踪与姿态估计实战
| | ├──第五六七章：YOLO目标检测
| | └──基础补充-Resnet模型及其应用实例
| ├──13.第一十三章 ⾯向深度学习的⽆⼈驾驶实战
| | ├──1.深度估计算法解读
| | ├──10-NeuralRecon项目源码解读
| | ├──11-TSDF算法与应用
| | ├──12-TSDF实战案例
| | ├──13-轨迹估计算法与论文解读
| | ├──14-轨迹估计预测实战
| | ├──15-特斯拉无人驾驶解读
| | ├──2.深度估计项目实战
| | ├──3-车道线检测算法与论文解读
| | ├──4-基于深度学习的车道线检测项目实战
| | ├──5-商汤LoFTR算法解读
| | ├──6-局部特征关键点匹配实战
| | ├──7-三维重建应用与坐标系基础
| | └──8-NeuralRecon算法解读
| ├──14.第一十四章 对比学习与多模态任务实战
| | ├──ANINET源码解读
| | ├──CLIP系列
| | ├──对比学习算法与实例
| | ├──多模态3D目标检测算法源码解读
| | └──多模态文字识别
| ├──15.第一十五章 缺陷检测实战
| | ├──PyTorch基础
| | ├──Resnet分类实战
| | ├──第1-4章：YOLOV5缺陷检测
| | ├──第11-12章：deeplab
| | └──第6-8章：Opencv各函数使用实例
| ├──16.第一十六章 ⾏⼈重识别实战
| | ├──第1节：行人重识别原理及其应用
| | ├──第2节：基于注意力机制的ReId模型论文解读
| | ├──第3节：基于Attention的行人重识别项目实战
| | ├──第4节：经典会议算法精讲（特征融合）
| | ├──第5节：项目实战-基于行人局部特征融合的再识别实战
| | ├──第6节：旷视研究院最新算法解读（基于图模型）
| | └──第7节：基于拓扑图的行人重识别项目实战
| ├──17.第一十七章 对抗⽣成⽹络实战
| | ├──第4节：stargan论文架构解析
| | ├──第6节：基于starganvc2的变声器论文原理解读
| | ├──第8节：图像超分辨率重构实战
| | └──第9节：基于GAN的图像补全实战
| ├──18.第一十八章 强化学习实战系列
| ├──19.第一十九章 Openai顶级黑科技算法及其项目实战
| | ├──1 节GPT系列生成模型
| | ├──2 节GPT建模与预测流程
| | ├──3 节CLIP系列
| | ├──4 节Diffusion模型解读
| | ├──5 节Dalle2及其源码解读
| | └──6 节ChatGPT
| ├──2.第二章 深度学习必备核⼼算法
| | └──课件
| ├──20.第二十章 面向医学领域的深度学习实战
| | ├──1-神经网络算法PPT
| | ├──10-基于deeplab的心脏视频数据诊断分析
| | ├──11-YOLO系列物体检测算法原理解读
| | ├──12-基于YOLO5细胞检测实战
| | ├──13-知识图谱原理解读
| | ├──14-Neo4j数据库实战
| | ├──15-基于知识图谱的医药问答系统实战
| | ├──17-医学糖尿病数据命名实体识别
| | ├──4-基于Resnet的医学数据集分类实战
| | ├──5-图像分割及其损失函数概述
| | ├──6-Unet系列算法讲解
| | ├──7-unet医学细胞分割实战
| | ├──8-deeplab系列算法
| | └──9-基于deeplabV3+版本进行VOC分割实战
| ├──21.第二十一章 深度学习模型部署与剪枝优化实战
| | ├──tensorRT
| | └──嵌入式AI
| ├──22.第二十二章 自然语言处理必备神器Huggingface系列实战
| | ├──第八章：GPT训练与预测部署流程
| | ├──第二章：Transformer工具包基本操作实例解读
| | ├──第九章：文本摘要建模
| | ├──第六章：文本预训练模型构建实例
| | ├──第七章：GPT系列算法
| | ├──第三章：transformer原理解读
| | ├──第十一章：补充Huggingface数据集制作方法实例
| | ├──第十章：图谱知识抽取实战
| | ├──第四章：BERT系列算法解读
| | ├──第五章：文本标注工具与NER实例
| | └──第一章：Huggingface与NLP介绍解读
| ├──23.第二十三章 ⾃然语⾔处理通⽤框架-BERT实战
| | ├──课后作业
| | └──课件、源码
| ├──24.第二十四章 ⾃然语⾔处理经典案例实战
| | ├──NLP常用工具包
| | ├──课后作业
| | ├──课件
| | └──源码、数据集等
| ├──25.第二十五章 知识图谱实战系列
| | ├──第1.2节：知识图谱介绍及其应用领域分析
| | ├──第3节：Neo4j数据库实战
| | ├──第4节：使用python操作neo4j实例
| | ├──第5节：基于知识图谱的医药问答系统实战
| | ├──第6节：文本关系抽取实践
| | ├──第7节：金融平台风控模型实践
| | └──第8节：医学糖尿病数据命名实体识别
| ├──26.第二十六章 语⾳识别实战系列
| | ├──PPT
| | ├──论文
| | ├──变声器pytorch-StarGAN-VC2.zip484.93M
| | ├──语音分离Conv-TasNet.zip84.38M
| | ├──语音合成tacotron2实战.zip302.43M
| | └──语音识别LAS模型.zip420.12M
| ├──27.第二十七章 推荐系统实战系列
| | ├──第10节：基于统计分析的电影推荐
| | ├──第3节：音乐推荐系统实战
| | ├──第4节：Neo4j数据库实例
| | ├──第11节：补充-基于相似度的酒店推荐系统.zip1.81M
| | ├──第1节：推荐系统介绍.pdf1.50M
| | ├──第2节：协同过滤与矩阵分解.pdf974.68kb
| | ├──第5节：基于知识图谱的电影推荐实战.zip160.61M
| | ├──第6节：FM与DeepFM算法.pdf759.61kb
| | ├──第7节：DeepFM算法实战.zip1.16M
| | ├──第8节：推荐系统常用工具包演示.zip129.35M
| | └──第9节：基于文本数据的推荐实例.zip254.77M
| ├──28.第二十八章 AI课程所需安装软件教程
| | ├──Anaconda3-2020.07-Windows-x86_64.exe467.49M
| | ├──cuda_11.3.0_465.89_win10.exe2.68G
| | ├──mmcv_full-1.4.7-cp38-cp38-win_amd64.whl12.75M
| | ├──notepadplusplus-8-4.exe4.28M
| | ├──pycharm-community-2022.1.2.exe378.78M
| | ├──torch-1.10.0+cu113-cp38-cp38-win_amd64.whl2.27G
| | ├──torchvision-0.11.0+cu113-cp38-cp38-win_amd64.whl3.04M
| | └──VisualStudioSetup.exe1.60M
| ├──29.第二十九章 额外补充
| | ├──ACMIX(卷积与注意力结合)
| | ├──ConvNeXt
| | ├──Coordinate_attention
| | ├──GCNET(全局特征融合)
| | ├──mobileone(提速)
| | ├──SPD-Conv
| | ├──SPPCSPC(替换SPP)
| | ├──gc(2).py5.67kb
| | └──gc.py5.67kb
| ├──3.第三章 深度学习核⼼框架PyTorch
| | ├──flask预测.zip712.05M
| | ├──第八章：对抗生成网络架构原理与实战解析.zip35.28M
| | ├──第二,三章：神经网络实战分类与回归任务.zip15.82M
| | ├──第六章：DataLoader自定义数据集制作.zip594.02M
| | ├──第七章：LSTM文本分类实战.zip31.53M
| | ├──第四章：卷积网络参数解读.zip33.37M
| | └──第五章：图像识别模型与训练策略（重点）.zip449.77M
| ├──4.第四章 MMLAB实战系列
| | ├──DeformableDetr算法解读
| | ├──KIE关键信息抽取与视频超分辨率重构
| | ├──OCR算法解读
| | ├──mask2former(mmdetection).zip192.38M
| | ├──ner.zip121.60M
| | ├──第八模块：mmrazor-模型蒸馏.zip1.00G
| | ├──第二模块：mmsegmentation-0.20.2.zip2.80G
| | ├──第二模块：MPViT-main.zip924.77M
| | ├──第九模块：mmaction2-master.zip827.76M
| | ├──第六模块：mmediting-master.zip107.78M
| | ├──第七模块：mmdetection3d-1.0.0rc0.zip395.05M
| | ├──第三模块：mmdetection-master.zip1.46G
| | ├──第四模块：mmocr-main.zip381.72M
| | ├──第五模块：mmgeneration-master.zip746.81M
| | └──第一模块：mmclassification-master.zip912.00M
| ├──5.第五章 Opencv图像处理框架实战
| | ├──课件
| | └──源码资料
| ├──6.第六章 综合项⽬-物体检测经典算法实战
| | ├──YOLO系列（PyTorch）
| | ├──CenterNet.pdf8.83M
| | ├──detr目标检测源码解读.zip108.29kb
| | ├──EfficientDet.pdf780.70kb
| | ├──EfficientDet.zip80.48M
| | ├──EfficientNet.pdf943.23kb
| | ├──json2yolo.py1.48kb
| | ├──yolov7-main.zip337.57M
| | ├──第十二章：基于Transformer的detr目标检测算法.pdf885.69kb
| | └──物体检测.pdf1.38M
| ├──7.第七章 图像分割实战
| | ├──第1节：图像分割算法
| | ├──第2节：卷积网络
| | ├──第3节：Unet系列算法讲解
| | ├──第4节：unet医学细胞分割实战
| | ├──第6节：deeplab系列算法
| | ├──第7节：基于deeplabV3+版本进行VOC分割实战
| | ├──第8节：基于deeplab的心脏视频数据诊断分析
| | ├──基于Resnet的医学数据集分类实战
| | ├──f112c9fda85536ee3eba662c9043e683.bat0.07kb
| | ├──mask-rcnn.pdf989.98kb
| | ├──MaskRcnn网络框架源码详解.zip1.14G
| | ├──PyTorch框架基本处理操作.zip98.58M
| | ├──R(2+1)D网络.pdf507.15kb
| | ├──第5节：U-2-Net.zip636.25M
| | ├──基于MASK-RCNN框架训练自己的数据与任务.zip439.38M
| | └──图像识别核心模块实战解读.zip336.95M
| ├──8.第八章 行为识别实战
| | ├──slowfast-add
| | ├──基础补充-Resnet模型及其应用实例
| | ├──1-slowfast算法知识点通俗解读.pdf572.31kb
| | ├──4-基于3D卷积的视频分析与动作识别.zip845.84M
| | ├──5-视频异常检测算法与元学习.pdf1.15M
| | ├──6-视频异常检测CVPR2021论文及其源码解读.zip243.75M
| | ├──slowfast论文.pdf1.45M
| | ├──基础补充-PyTorch框架必备核心模块解读.zip336.95M
| | └──基础补充-PyTorch框架基本处理操作.zip98.58M
| └──9.第九章 2022论⽂必备-Transformer实战系列
| | └──transformer系列
├──01 直播课回放
| ├──01 开班典礼
| | └──01 开班典礼.mp41.04G
| ├──02 Pycharm环境配置与Debug演示(没用过的同学必看)
| | └──01 Pycharm环境配置与Debug演示(没用过的同学必看).mp496.02M
| ├──03 直播1：深度学习核心算法-神经网络与卷积网络
| | └──01 深度学习核心算法-神经网络与卷积网络.mp4370.69M
| ├──04 直播2：卷积神经网络
| | └──01 卷积神经网络.mp4414.75M
| ├──05 直播3：Transformer架构
| | └──01 Transformer架构.mp4365.08M
| ├──06 直播4：Transfomer在视觉任务中的应用实例
| | └──01 Transfomer在视觉任务中的应用实例.mp4661.46M
| ├──07 直播5：YOLO系列（V7）算法解读
| | └──01 YOLO系列（V7）算法解读.mp4392.52M
| ├──08 直播6：分割模型Maskformer系列
| | └──01 分割模型Maskformer系列.mp4570.91M
| ├──09 补充：Mask2former源码解读
| | ├──01 Backbone获取多层级特征.mp427.89M
| | ├──02 多层级采样点初始化构建.mp433.82M
| | ├──03 多层级输入特征序列创建方法.mp433.71M
| | ├──04 偏移量与权重计算并转换.mp437.60M
| | ├──05 Encoder特征构建方法实例.mp440.05M
| | ├──06 query要预测的任务解读.mp436.21M
| | ├──07 Decoder中的AttentionMask方法.mp440.02M
| | ├──08 损失模块输入参数分析.mp431.76M
| | ├──09 标签分配策略解读.mp433.32M
| | ├──10 正样本筛选损失计算.mp432.51M
| | ├──11 标签分类匹配结果分析.mp449.34M
| | ├──12 最终损失计算流程.mp441.44M
| | └──13 汇总所有损失完成迭代.mp428.48M
| ├──10 直播7：半监督物体检测
| | └──01 半监督物体检测.mp4606.03M
| ├──11 直播8：基于图模型的时间序列预测
| | └──01 基于图模型的时间序列预测.mp4911.17M
| ├──12 直播9：图像定位与检索
| | └──01 图像定位与检索.mp4717.84M
| ├──13 直播10：近期内容补充
| | └──01 近期内容补充.mp4725.35M
| ├──14 直播11：文本生成GPT系列
| | └──01 文本生成GPT系列.mp4307.00M
| ├──15 直播12：异构图神经网络
| | └──01 异构图神经网络.mp4527.75M
| ├──16 直播13：BEV特征空间
| | └──01 BEV特征空间.mp4384.59M
| ├──17 补充：BevFormer源码解读
| | ├──01 环境配置方法解读.mp434.17M
| | ├──02 数据集下载与配置方法.mp441.44M
| | ├──03 特征提取以及BEV空间初始化.mp433.67M
| | ├──04 特征对齐与位置编码初始化.mp433.90M
| | ├──05 Reference初始点构建.mp429.37M
| | ├──06 BEV空间与图像空间位置对应.mp429.38M
| | ├──07 注意力机制模块计算方法.mp430.62M
| | ├──08 BEV空间特征构建.mp426.80M
| | ├──09 Decoder要完成的任务分析.mp426.51M
| | ├──10 获取当前BEV特征.mp428.58M
| | ├──11 Decoder级联校正模块.mp433.43M
| | └──12 损失函数与预测可视化.mp441.28M
| ├──18 直播14：知识蒸馏
| | └──01 知识蒸馏.mp4354.30M
| └──19 直播15：六期总结与论文简历
| | └──01 六期总结与论文简历.mp4289.93M
├──02 深度学习必备核心算法
| ├──01 神经网络算法解读
| | └──01 神经网络算法解读.mp4415.30M
| ├──02 卷积神经网络算法解读
| | └──01 卷积神经网络算法解读.mp4325.31M
| └──03 递归神经网络算法解读
| | └──01 递归神经网络算法解读.mp4271.82M
├──03 深度学习核心框架PyTorch
| ├──01 PyTorch框架介绍与配置安装
| | ├──01 PyTorch框架与其他框架区别分析.mp428.86M
| | └──02 CPU与GPU版本安装方法解读.mp469.56M
| ├──02 使用神经网络进行分类任务
| | ├──01 数据集与任务概述.mp435.61M
| | ├──02 基本模块应用测试.mp436.42M
| | ├──03 网络结构定义方法.mp443.97M
| | ├──04 数据源定义简介.mp429.45M
| | ├──05 损失与训练模块分析.mp432.01M
| | ├──06 训练一个基本的分类模型.mp442.01M
| | └──07 参数对结果的影响.mp439.23M
| ├──03 神经网络回归任务-气温预测
| | └──01 神经网络回归任务-气温预测.mp4154.93M
| ├──04 卷积网络参数解读分析
| | ├──01 输入特征通道分析.mp433.69M
| | ├──02 卷积网络参数解读.mp424.75M
| | └──03 卷积网络模型训练.mp441.99M
| ├──05 图像识别模型与训练策略（重点）
| | ├──01 任务分析与图像数据基本处理.mp431.96M
| | ├──02 数据增强模块.mp430.83M
| | ├──03 数据集与模型选择.mp436.14M
| | ├──04 迁移学习方法解读.mp434.10M
| | ├──05 输出层与梯度设置.mp447.38M
| | ├──06 输出类别个数修改.mp440.46M
| | ├──07 优化器与学习率衰减.mp441.29M
| | ├──08 模型训练方法.mp439.99M
| | ├──09 重新训练全部模型.mp443.25M
| | └──10 测试结果演示分析.mp491.09M
| ├──06 DataLoader自定义数据集制作
| | ├──01 Dataloader要完成的任务分析.mp429.00M
| | ├──02 图像数据与标签路径处理.mp437.60M
| | ├──03 Dataloader中需要实现的方法分析.mp433.96M
| | └──04 实用Dataloader加载数据并训练模型.mp463.88M
| ├──07 LSTM文本分类实战
| | ├──01 数据集与任务目标分析.mp436.03M
| | ├──02 文本数据处理基本流程分析.mp438.62M
| | ├──03 命令行参数与DEBUG.mp430.07M
| | ├──04 训练模型所需基本配置参数分析.mp433.00M
| | ├──05 预料表与字符切分.mp425.85M
| | ├──06 字符预处理转换ID.mp428.32M
| | ├──07 LSTM网络结构基本定义.mp428.87M
| | ├──08 网络模型预测结果输出.mp432.54M
| | └──09 模型训练任务与总结.mp439.42M
| └──08 PyTorch框架Flask部署例子
| | ├──01 基本结构与训练好的模型加载.mp417.32M
| | ├──02 服务端处理与预测函数.mp436.32M
| | └──03 基于Flask测试模型预测结果.mp438.76M
├──04 MMLAB实战系列
| ├──01 MMCV安装方法
| | └──01 MMCV安装方法.mp438.52M
| ├──02 第一模块：分类任务基本操作
| | ├──01 MMCLS问题修正.mp418.43M
| | ├──02 准备MMCLS项目.mp425.79M
| | ├──03 基本参数配置解读.mp426.22M
| | ├──04 各模块配置文件组成.mp429.52M
| | ├──05 生成完整配置文件.mp418.70M
| | ├──06 根据文件夹定义数据集.mp431.27M
| | ├──07 构建自己的数据集.mp426.92M
| | └──08 训练自己的任务.mp430.97M
| ├──03 第一模块：训练结果测试与验证
| | ├──01 测试DEMO效果.mp418.86M
| | ├──02 测试评估模型效果.mp421.47M
| | ├──03 MMCLS中增加一个新的模块.mp449.34M
| | ├──04 修改配置文件中的参数.mp452.35M
| | ├──05 数据增强流程可视化展示.mp429.94M
| | ├──06 Grad-Cam可视化方法.mp430.29M
| | ├──07 可视化细节与效果分析.mp491.83M
| | ├──08 MMCLS可视化模块应用.mp455.84M
| | └──09 模型分析脚本使用.mp426.39M
| ├──04 第一模块：模型源码DEBUG演示
| | ├──01 VIT任务概述.mp423.77M
| | ├──02 数据增强模块概述分析.mp443.85M
| | ├──03 PatchEmbedding层.mp419.28M
| | ├──04 前向传播基本模块.mp430.85M
| | └──05 CLS与输出模块.mp435.13M
| ├──05 第二模块：使用分割模块训练自己的数据集
| | ├──01 项目配置基本介绍.mp456.78M
| | ├──02 数据集标注与制作方法.mp444.00M
| | ├──03 根据预测类别数修改配置文件.mp431.28M
| | ├──04 加载预训练模型开始训练.mp469.51M
| | └──05 预测DEMO演示.mp416.89M
| ├──06 第二模块：基于Unet进行各种策略修改
| | ├──01 配置文件解读.mp425.75M
| | ├──02 编码层模块.mp425.47M
| | ├──03 上采样与输出层.mp422.78M
| | ├──04 辅助层的作用.mp415.46M
| | ├──05 给Unet添加一个neck层.mp424.60M
| | ├──06 如何修改参数适配网络结构.mp417.28M
| | ├──07 将Unet特征提取模块替换成transformer.mp418.15M
| | └──08 VIT模块源码分析.mp435.23M
| ├──07 第二模块：分割任务CVPR最新Backbone设计及其应用
| | ├──01 注册自己的Backbone模块.mp426.57M
| | ├──02 配置文件指定.mp429.26M
| | ├──03 DEBUG解读Backbone设计.mp429.89M
| | ├──04 PatchEmbedding的作用与实现.mp433.03M
| | ├──05 卷积位置编码计算方法.mp441.89M
| | ├──06 近似Attention模块实现.mp465.19M
| | ├──07 完成特征提取与融合模块.mp442.11M
| | ├──08 分割输出模块.mp440.73M
| | ├──09 全局特征的作用与实现.mp444.05M
| | └──10 汇总多层级特征进行输出.mp431.83M
| ├──08 第三模块：mmdet训练自己的数据任务
| | ├──01 数据集标注与标签获取.mp425.15M
| | ├──02 COCO数据标注格式.mp422.09M
| | ├──03 通过脚本生成COCO数据格式.mp429.89M
| | ├──04 配置文件数据增强策略分析.mp435.01M
| | ├──05 训练所需配置说明.mp444.55M
| | ├──06 模型训练与DEMO演示.mp426.62M
| | ├──07 模型测试与可视化分析模块.mp458.45M
| | └──08 补充：评估指标.mp411.21M
| ├──09 第三模块：DeformableDetr物体检测源码分析
| | ├──01 特征提取与位置编码.mp429.53M
| | ├──02 序列特征展开并叠加.mp437.73M
| | ├──03 得到相对位置点编码.mp423.07M
| | ├──04 准备Encoder编码层所需全部输入.mp428.79M
| | ├──05 编码层中的序列分析.mp430.81M
| | ├──06 偏移量offset计算.mp435.35M
| | ├──07 偏移量对齐操作.mp429.91M
| | ├──08 Encoder层完成特征对齐.mp439.83M
| | ├──09 Decoder要完成的操作.mp430.18M
| | ├──10 分类与回归输出模块.mp438.58M
| | └──11 预测输出结果与标签匹配模块.mp434.68M
| ├──10 补充：Mask2former源码解读
| | ├──01 Backbone获取多层级特征.mp427.89M
| | ├──02 多层级采样点初始化构建.mp433.82M
| | ├──03 多层级输入特征序列创建方法.mp433.71M
| | ├──04 偏移量与权重计算并转换.mp437.60M
| | ├──05 Encoder特征构建方法实例.mp440.05M
| | ├──06 query要预测的任务解读.mp436.21M
| | ├──07 Decoder中的AttentionMask方法.mp440.02M
| | ├──08 损失模块输入参数分析.mp431.76M
| | ├──09 标签分配策略解读.mp433.32M
| | ├──10 正样本筛选损失计算.mp432.51M
| | ├──11 标签分类匹配结果分析.mp449.34M
| | ├──12 最终损失计算流程.mp441.44M
| | └──13 汇总所有损失完成迭代.mp428.48M
| ├──11 第三模块：DeformableDetr算法解读
| | └──01 DeformableDetr算法解读.mp4540.76M
| ├──12 KIE关键信息抽取与视频超分辨率重构
| | └──01 KIE关键信息抽取与视频超分辨率重构.mp4671.16M
| ├──13 第四模块：DBNET文字检测
| | ├──01 文字检测数据概述与配置文件.mp442.82M
| | ├──02 配置文件参数设置.mp429.54M
| | ├──03 Neck层特征组合.mp424.90M
| | ├──04 损失函数模块概述.mp433.38M
| | └──05 损失计算方法.mp442.61M
| ├──14 第四模块：ANINET文字识别
| | ├──01 数据集与环境概述.mp441.91M
| | ├──02 配置文件修改方法.mp440.85M
| | ├──03 Bakbone模块得到特征.mp432.66M
| | ├──04 视觉Transformer模块的作用.mp432.87M
| | ├──05 视觉模型中的编码与解码的效果.mp440.90M
| | ├──06 文本模型中的结构分析.mp429.91M
| | ├──07 迭代修正模块.mp429.60M
| | └──08 输出层与损失计算.mp440.41M
| ├──15 第四模块：KIE基于图模型的关键信息抽取
| | ├──01 配置文件以及要完成的任务解读.mp435.84M
| | ├──02 KIE数据集格式调整方法.mp454.91M
| | ├──03 配置文件与标签要进行处理操作.mp438.07M
| | ├──04 边框要计算的特征分析.mp427.09M
| | ├──05 标签数据处理与关系特征提取.mp443.14M
| | ├──06 特征合并处理.mp432.93M
| | ├──07 准备拼接边与点特征.mp432.09M
| | └──08 整合得到图模型输入特征.mp453.51M
| ├──16 第五模块：stylegan2源码解读
| | ├──01 要完成的任务与基本思想概述.mp442.32M
| | ├──02 得到style特征编码.mp448.23M
| | ├──03 特征编码风格拼接.mp427.51M
| | ├──04 基础风格特征卷积模块.mp439.69M
| | ├──05 上采样得到输出结果.mp430.61M
| | └──06 损失函数概述.mp420.37M
| ├──17 第六模块：BasicVSR++视频超分辨重构源码解读
| | ├──01 要完成的任务分析与配置文件.mp421.72M
| | ├──02 特征基础提取模块.mp432.13M
| | ├──03 光流估计网络模块.mp420.15M
| | ├──04 基于光流完成对齐操作.mp431.96M
| | ├──05 偏移量计算方法.mp424.16M
| | ├──06 双向计算特征对齐.mp428.35M
| | ├──07 提特征传递流程分析.mp428.08M
| | ├──08 序列传播计算.mp430.46M
| | ├──09 准备变形卷积模块的输入.mp434.31M
| | ├──10 传播流程整体完成一圈.mp447.99M
| | └──11 完成输出结果.mp440.20M
| ├──18 第七模块：多模态3D目标检测算法源码解读
| | ├──01 环境配置与数据集概述.mp440.34M
| | ├──02 数据与标注文件介绍.mp430.35M
| | ├──03 基本流程梳理并进入debug模式.mp434.43M
| | ├──04 数据与图像特征提取模块.mp443.20M
| | ├──05 体素索引位置获取.mp447.13M
| | ├──06 体素特征提取方法解读.mp427.56M
| | ├──07 体素特征计算方法分析.mp450.68M
| | ├──08 全局体素特征提取.mp470.15M
| | ├──09 多模态特征融合.mp447.47M
| | ├──10 3D卷积特征融合.mp441.41M
| | └──11 输出层预测结果.mp461.43M
| ├──19 第八模块：模型蒸馏应用实例
| | ├──01 任务概述与工具使用.mp429.51M
| | ├──02 Teacher与Student网络结构定义.mp437.75M
| | ├──03 训练T与S得到蒸馏模型.mp454.35M
| | ├──04 开始模型训练过程与问题修正.mp443.60M
| | ├──05 日志输出与模型分离.mp453.46M
| | ├──06 分别得到Teacher与Student模型.mp436.11M
| | └──07 实际测试效果演示.mp430.76M
| ├──20 第八模块：模型剪枝方法概述分析
| | ├──01 SuperNet网络结构分析与剪枝概述.mp433.37M
| | └──02 搜索匹配到符合计算量的模型并训练.mp437.01M
| ├──21 第九模块：mmaction行为识别
| | └──01 创建自己的行为识别标注数据集.mp4166.34M
| ├──22 OCR算法解读
| | └──01 OCR算法解读.mp41.22G
| └──23 额外补充-在源码中加入各种注意力机制方法
| | └──01 在源码中加入各种注意力机制方法.mp491.89M
├──05 Opencv图像处理框架实战
| ├──01 课程简介与环境配置
| | ├──01 课程简介.mp44.33M
| | ├──02 Python与Opencv配置安装.mp427.60M
| | └──03 Notebook与IDE环境.mp461.54M
| ├──02 图像基本操作
| | ├──01 计算机眼中的图像.mp424.20M
| | ├──02 视频的读取与处理.mp436.27M
| | ├──03 ROI区域.mp412.10M
| | ├──04 边界填充.mp418.29M
| | └──05 数值计算.mp431.90M
| ├──03 阈值与平滑处理
| | ├──01 图像阈值.mp425.23M
| | ├──02 图像平滑处理.mp419.45M
| | └──03 高斯与中值滤波.mp416.59M
| ├──04 图像形态学操作
| | ├──01 腐蚀操作.mp414.51M
| | ├──02 膨胀操作.mp49.43M
| | ├──03 开运算与闭运算.mp47.53M
| | ├──04 梯度计算.mp45.92M
| | └──05 礼帽与黑帽.mp413.68M
| ├──05 图像梯度计算
| | ├──01 Sobel算子.mp420.99M
| | ├──02 梯度计算方法.mp423.41M
| | └──03 scharr与lapkacian算子.mp420.80M
| ├──06 边缘检测
| ├──07 图像金字塔与轮廓检测
| | ├──01 图像金字塔定义.mp416.03M
| | ├──02 金字塔制作方法.mp420.18M
| | ├──03 轮廓检测方法.mp414.59M
| | ├──04 轮廓检测结果.mp423.61M
| | ├──05 轮廓特征与近似.mp429.38M
| | ├──06 模板匹配方法.mp437.32M
| | └──07 匹配效果展示.mp417.09M
| ├──08 直方图与傅里叶变换
| | ├──01 直方图定义.mp419.79M
| | ├──02 均衡化原理.mp426.00M
| | ├──03 均衡化效果.mp421.44M
| | ├──04 傅里叶概述.mp429.84M
| | ├──05 频域变换结果.mp421.16M
| | └──06 低通与高通滤波.mp423.17M
| ├──09 项目实战-信用卡数字识别
| | ├──01 总体流程与方法讲解.mp418.80M
| | ├──02 环境配置与预处理.mp425.37M
| | ├──03 模板处理方法.mp417.88M
| | ├──04 输入数据处理方法.mp422.35M
| | └──05 模板匹配得出识别结果.mp434.74M
| ├──10 项目实战-文档扫描OCR识别
| | ├──01 整体流程演示.mp416.02M
| | ├──02 文档轮廓提取.mp421.78M
| | ├──03 原始与变换坐标计算.mp419.67M
| | ├──04 透视变换结果.mp423.94M
| | ├──05 tesseract-ocr安装配置.mp428.47M
| | └──06 文档扫描识别效果.mp420.73M
| ├──11 图像特征-harris
| | ├──01 角点检测基本原理.mp412.66M
| | ├──02 基本数学原理.mp423.93M
| | ├──03 求解化简.mp423.68M
| | ├──04 特征归属划分.mp433.70M
| | └──05 opencv角点检测效果.mp424.15M
| ├──12 图像特征-sift
| | ├──01 尺度空间定义.mp417.54M
| | ├──02 高斯差分金字塔.mp417.50M
| | ├──03 特征关键点定位.mp439.27M
| | ├──04 生成特征描述.mp419.13M
| | ├──05 特征向量生成.mp437.06M
| | └──06 opencv中sift函数使用.mp423.04M
| ├──13 案例实战-全景图像拼接
| | ├──01 特征匹配方法.mp421.70M
| | ├──02 RANSAC算法.mp428.32M
| | ├──03 图像拼接方法.mp433.33M
| | └──04 流程解读.mp416.24M
| ├──14 项目实战-停车场车位识别
| | ├──01 任务整体流程.mp438.80M
| | ├──02 所需数据介绍.mp424.05M
| | ├──03 图像数据预处理.mp436.17M
| | ├──04 车位直线检测.mp441.21M
| | ├──05 按列划分区域.mp437.61M
| | ├──06 车位区域划分.mp439.33M
| | ├──07 识别模型构建.mp429.77M
| | └──08 基于视频的车位检测.mp472.08M
| ├──15 项目实战-答题卡识别判卷
| | ├──01 整体流程与效果概述.mp420.46M
| | ├──02 预处理操作.mp417.86M
| | ├──03 填涂轮廓检测.mp419.21M
| | └──04 选项判断识别.mp435.75M
| ├──16 背景建模
| | ├──01 背景消除-帧差法.mp416.67M
| | ├──02 混合高斯模型.mp421.11M
| | ├──03 学习步骤.mp424.87M
| | └──04 背景建模实战.mp437.01M
| ├──17 光流估计
| | ├──01 基本概念.mp416.76M
| | ├──02 Lucas-Kanade算法.mp416.15M
| | ├──03 推导求解.mp421.02M
| | └──04 光流估计实战.mp449.11M
| ├──18 Opencv的DNN模块
| | ├──01 dnn模块.mp422.33M
| | └──02 模型加载结果输出.mp430.31M
| ├──19 项目实战-目标追踪
| | ├──01 目标追踪概述.mp436.05M
| | ├──02 多目标追踪实战.mp423.65M
| | ├──03 深度学习检测框架加载.mp429.57M
| | ├──04 基于dlib与ssd的追踪.mp449.38M
| | ├──05 多进程目标追踪.mp420.41M
| | └──06 多进程效率提升对比.mp445.47M
| ├──20 卷积原理与操作
| | ├──01 卷积神经网络的应用.mp431.39M
| | ├──02 卷积层解释.mp420.01M
| | ├──03 卷积计算过程.mp424.73M
| | ├──04 pading与stride.mp423.28M
| | ├──05 卷积参数共享.mp415.55M
| | ├──06 池化层原理.mp414.38M
| | ├──07 卷积效果演示.mp418.09M
| | └──08 卷积操作流程.mp429.60M
| └──21 项目实战-疲劳检测
| | ├──01 关键点定位概述.mp420.83M
| | ├──02 获取人脸关键点.mp426.65M
| | ├──03 定位效果演示.mp432.39M
| | ├──04 闭眼检测.mp447.61M
| | └──05 检测效果.mp429.73M
├──06 综合项目-物体检测经典算法实战
| ├──01 深度学习经典检测方法概述
| | ├──01 检测任务中阶段的意义.mp412.98M
| | ├──02 不同阶段算法优缺点分析.mp48.95M
| | ├──03 IOU指标计算.mp49.79M
| | ├──04 评估所需参数计算.mp420.90M
| | └──05 map指标计算.mp417.04M
| ├──02 YOLO-V1整体思想与网络架构
| | ├──01 YOLO算法整体思路解读.mp412.69M
| | ├──02 检测算法要得到的结果.mp411.73M
| | ├──03 整体网络架构解读.mp425.44M
| | ├──04 位置损失计算.mp416.36M
| | └──05 置信度误差与优缺点分析.mp423.08M
| ├──03 YOLO-V2改进细节详解
| | ├──01 V2版本细节升级概述.mp411.21M
| | ├──02 网络结构特点.mp412.99M
| | ├──03 架构细节解读.mp415.84M
| | ├──04 基于聚类来选择先验框尺寸.mp420.64M
| | ├──05 偏移量计算方法.mp423.07M
| | ├──06 坐标映射与还原.mp48.48M
| | ├──07 感受野的作用.mp422.27M
| | └──08 特征融合改进.mp416.21M
| ├──04 YOLO-V3核心网络模型
| | ├──01 V3版本改进概述.mp414.94M
| | ├──02 多scale方法改进与特征融合.mp414.52M
| | ├──03 经典变换方法对比分析.mp49.27M
| | ├──04 残差连接方法解读.mp415.89M
| | ├──05 整体网络模型架构分析.mp410.54M
| | ├──06 先验框设计改进.mp410.80M
| | └──07 sotfmax层改进.mp48.77M
| ├──05 项目实战-基于V3版本进行源码解读（建议直接跑V5版本）
| | ├──01 数据与环境配置.mp445.91M
| | ├──02 训练参数设置.mp417.23M
| | ├──03 COCO图像数据读取与处理.mp430.25M
| | ├──04 标签文件读取与处理.mp419.05M
| | ├──05 debug模式介绍.mp419.80M
| | ├──06 基于配置文件构建网络模型.mp429.14M
| | ├──07 路由层与shortcut层的作用.mp424.13M
| | ├──08 YOLO层定义解析.mp444.64M
| | ├──09 预测结果计算.mp432.27M
| | ├──10 网格偏移计算.mp424.06M
| | ├──11 模型要计算的损失概述.mp417.36M
| | ├──12 标签值格式修改.mp420.27M
| | ├──13 坐标相对位置计算.mp423.63M
| | ├──14 完成所有损失函数所需计算指标.mp426.24M
| | ├──15 模型训练与总结.mp456.26M
| | └──16 预测效果展示.mp425.13M
| ├──06 基于YOLO-V3训练自己的数据集与任务（建议直接跑V5版本）
| | ├──01 Labelme工具安装.mp412.55M
| | ├──02 数据信息标注.mp423.64M
| | ├──03 完成标签制作.mp423.63M
| | ├──04 生成模型所需配置文件.mp427.42M
| | ├──05 json格式转换成yolo-v3所需输入.mp415.62M
| | ├──06 完成输入数据准备工作.mp429.35M
| | ├──07 训练代码与参数配置更改.mp433.77M
| | └──08 训练模型并测试效果.mp426.97M
| ├──07 YOLO-V4版本算法解读
| | ├──01 V4版本整体概述.mp413.00M
| | ├──02 V4版本贡献解读.mp48.19M
| | ├──03 数据增强策略分析.mp419.93M
| | ├──04 DropBlock与标签平滑方法.mp416.22M
| | ├──05 损失函数遇到的问题.mp412.28M
| | ├──06 CIOU损失函数定义.mp48.88M
| | ├──07 NMS细节改进.mp412.82M
| | ├──08 SPP与CSP网络结构.mp412.87M
| | ├──09 SAM注意力机制模块.mp418.63M
| | ├──10 PAN模块解读.mp418.35M
| | └──11 激活函数与整体架构总结.mp416.17M
| ├──08 V5版本项目配置
| | ├──01 整体项目概述.mp430.59M
| | ├──02 训练自己的数据集方法.mp432.00M
| | ├──03 训练数据参数配置.mp439.04M
| | └──04 测试DEMO演示.mp439.96M
| ├──09 V5项目工程源码解读
| | ├──01 数据源DEBUG流程解读.mp431.25M
| | ├──02 图像数据源配置.mp425.11M
| | ├──03 加载标签数据.mp419.15M
| | ├──04 Mosaic数据增强方法.mp420.36M
| | ├──05 数据四合一方法与流程演示.mp430.47M
| | ├──06 getItem构建batch.mp424.55M
| | ├──07 网络架构图可视化工具安装.mp424.71M
| | ├──08 V5网络配置文件解读.mp428.14M
| | ├──09 Focus模块流程分析.mp416.12M
| | ├──10 完成配置文件解析任务.mp440.97M
| | ├──11 前向传播计算.mp422.10M
| | ├──12 BottleneckCSP层计算方法.mp423.91M
| | ├──13 SPP层计算细节分析.mp420.94M
| | ├──14 Head层流程解读.mp421.78M
| | ├──15 上采样与拼接操作.mp414.72M
| | ├──16 输出结果分析.mp426.86M
| | ├──17 超参数解读.mp426.59M
| | ├──18 命令行参数介绍.mp431.71M
| | ├──19 训练流程解读.mp435.08M
| | ├──20 各种训练策略概述.mp429.71M
| | └──21 模型迭代过程.mp429.18M
| ├──10 V7源码解读
| | ├──01 命令行参数介绍.mp420.65M
| | ├──02 基本参数作用.mp433.81M
| | ├──03 EMA等训练技巧解读.mp442.26M
| | ├──04 网络结构配置文件解读.mp430.16M
| | ├──05 各模块操作细节分析.mp437.92M
| | ├──06 输出层与配置文件其他模块解读.mp449.75M
| | ├──07 标签分配策略准备操作.mp428.14M
| | ├──08 候选框偏移方法与find3p模块解读.mp427.40M
| | ├──09 得到偏移点所在网格位置.mp433.88M
| | ├──10 完成BuildTargets模块.mp440.87M
| | ├──11 候选框筛选流程分析.mp425.00M
| | ├──12 预测值各项指标获取与调整.mp436.53M
| | ├──13 GT匹配正样本数量计算.mp432.72M
| | ├──14 通过IOU与置信度分配正样本.mp448.07M
| | ├──15 损失函数计算方法.mp437.02M
| | ├──16 辅助头AUX网络结构配置文件解析.mp425.74M
| | ├──17 辅助头损失函数调整.mp433.33M
| | ├──18 BN与卷积权重参数融合方法.mp441.80M
| | └──19 重参数化多分支合并加速.mp434.97M
| ├──11 EfficientNet网络
| | └──01 EfficientNet网络模型.mp4406.83M
| ├──12 EfficientDet检测算法
| | └──01 EfficientDet检测算法.mp4344.48M
| ├──13 基于Transformer的detr目标检测算法
| | ├──01 DETR目标检测基本思想解读.mp416.02M
| | ├──02 整体网络架构分析.mp424.00M
| | ├──03 位置信息初始化query向量.mp415.81M
| | ├──04 注意力机制的作用方法.mp416.18M
| | └──05 训练过程的策略.mp423.73M
| └──14 detr目标检测源码解读
| | ├──01 项目环境配置解读.mp431.98M
| | ├──02 数据处理与dataloader.mp446.74M
| | ├──03 位置编码作用分析.mp435.67M
| | ├──04 backbone特征提取模块.mp425.73M
| | ├──05 mask与编码模块.mp425.66M
| | ├──06 编码层作用方法.mp432.20M
| | ├──07 Decoder层操作与计算.mp421.60M
| | ├──08 输出预测结果.mp430.35M
| | └──09 损失函数与预测输出.mp431.75M
├──07 图像分割实战
| ├──01 图像分割及其损失函数概述
| | ├──01 语义分割与实例分割概述.mp415.95M
| | ├──02 分割任务中的目标函数定义.mp415.36M
| | └──03 MIOU评估标准.mp47.37M
| ├──02 卷积神经网络原理与参数解读
| | ├──01 卷积神经网络应用领域.mp417.00M
| | ├──02 卷积的作用.mp419.52M
| | ├──03 卷积特征值计算方法.mp417.78M
| | ├──04 得到特征图表示.mp415.02M
| | ├──05 步长与卷积核大小对结果的影响.mp416.53M
| | ├──06 边缘填充方法.mp414.43M
| | ├──07 特征图尺寸计算与参数共享.mp417.03M
| | ├──08 池化层的作用.mp49.77M
| | ├──09 整体网络架构.mp413.09M
| | ├──10 VGG网络架构.mp415.62M
| | ├──11 残差网络Resnet.mp415.69M
| | └──12 感受野的作用.mp412.87M
| ├──03 Unet系列算法讲解
| | ├──01 Unet网络编码与解码过程.mp415.21M
| | ├──02 网络计算流程.mp413.01M
| | ├──03 Unet升级版本改进.mp412.22M
| | └──04 后续升级版本介绍.mp414.43M
| ├──04 unet医学细胞分割实战
| | ├──01 医学细胞数据集介绍与参数配置.mp446.02M
| | ├──02 数据增强工具.mp452.28M
| | ├──03 Debug模式演示网络计算流程.mp433.57M
| | ├──04 特征融合方法演示.mp421.21M
| | ├──05 迭代完成整个模型计算任务.mp423.94M
| | └──06 模型效果验证.mp435.40M
| ├──05 U2NET显著性检测实战
| | ├──01 任务目标与网络整体介绍.mp442.98M
| | ├──02 显著性检测任务与目标概述.mp449.01M
| | ├──03 编码器模块解读.mp430.94M
| | ├──04 解码器输出结果.mp421.67M
| | └──05 损失函数与应用效果.mp425.52M
| ├──06 deeplab系列算法
| | ├──01 deeplab分割算法概述.mp412.26M
| | ├──02 空洞卷积的作用.mp414.19M
| | ├──03 感受野的意义.mp414.85M
| | ├──04 SPP层的作用.mp415.63M
| | ├──05 ASPP特征融合策略.mp411.12M
| | └──06 deeplabV3Plus版本网络架构.mp419.02M
| ├──07 基于deeplabV3+版本进行VOC分割实战
| | ├──01 PascalVoc数据集介绍.mp449.31M
| | ├──02 项目参数与数据集读取.mp446.37M
| | ├──03 网络前向传播流程.mp424.29M
| | ├──04 ASPP层特征融合.mp437.63M
| | └──05 分割模型训练.mp426.00M
| ├──08 医学心脏视频数据集分割建模实战
| | ├──01 数据集与任务概述.mp427.87M
| | ├──02 项目基本配置参数.mp426.17M
| | ├──03 任务流程解读.mp455.75M
| | ├──04 文献报告分析.mp491.69M
| | ├──05 补充：视频数据源特征处理方法概述.mp420.94M
| | └──06 补充：R(2plus1)D处理方法分析.mp414.63M
| ├──09 物体检测框架-MaskRcnn项目介绍与配置
| | ├──01 Mask-Rcnn开源项目简介.mp475.30M
| | ├──02 开源项目数据集.mp433.48M
| | └──03 开源项目数据集.mp467.37M
| ├──10 MaskRcnn网络框架源码详解
| | ├──01 FPN层特征提取原理解读.mp431.37M
| | ├──02 FPN网络架构实现解读.mp441.99M
| | ├──03 生成框比例设置.mp421.08M
| | ├──04 基于不同尺度特征图生成所有框.mp425.04M
| | ├──05 RPN层的作用与实现解读.mp424.37M
| | ├──06 候选框过滤方法.mp412.55M
| | ├──07 Proposal层实现方法.mp425.49M
| | ├──08 DetectionTarget层的作用.mp419.28M
| | ├──09 正负样本选择与标签定义.mp420.59M
| | ├──10 RoiPooling层的作用与目的.mp425.21M
| | ├──11 RorAlign操作的效果.mp419.38M
| | └──12 整体框架回顾.mp422.88M
| └──11 基于MASK-RCNN框架训练自己的数据与任务
| | ├──01 Labelme工具安装.mp412.55M
| | ├──02 使用labelme进行数据与标签标注.mp420.95M
| | ├──03 完成训练数据准备工作.mp421.14M
| | ├──04 maskrcnn源码修改方法.mp449.33M
| | ├──05 基于标注数据训练所需任务.mp433.51M
| | └──06 测试与展示模块.mp427.72M
├──08 行为识别实战
| ├──01 slowfast算法知识点通俗解读
| | ├──01 slowfast核心思想解读.mp446.88M
| | ├──02 核心网络结构模块分析.mp417.28M
| | ├──03 数据采样曾的作用.mp414.04M
| | ├──04 模型网络结构设计.mp414.81M
| | └──05 特征融合模块与总结分析.mp428.29M
| ├──02 slowfast项目环境配置与配置文件
| | ├──01 环境基本配置解读.mp433.61M
| | ├──02 目录各文件分析.mp427.07M
| | ├──03 配置文件作用解读.mp437.55M
| | ├──04 测试DEMO演示.mp459.29M
| | ├──05 训练所需标签文件说明.mp435.70M
| | ├──06 训练所需视频数据准备.mp431.91M
| | ├──07 视频数据集切分操作.mp428.89M
| | └──08 完成视频分帧操作.mp424.24M
| ├──03 slowfast源码详细解读
| | ├──01 模型所需配置文件参数读取.mp424.11M
| | ├──02 数据处理概述.mp432.06M
| | ├──03 dataloader数据遍历方法.mp434.33M
| | ├──04 数据与标签读取实例.mp432.40M
| | ├──05 图像数据所需预处理方法.mp442.91M
| | ├──06 slow与fast分别执行采样操作.mp442.53M
| | ├──07 分别计算特征图输出结果.mp437.35M
| | ├──08 slow与fast特征图拼接操作.mp433.43M
| | ├──09 resnetBolock操作.mp434.68M
| | └──10 RoiAlign与输出层.mp451.65M
| ├──04 基于3D卷积的视频分析与动作识别
| | ├──01 3D卷积原理解读.mp416.86M
| | ├──02 UCF101动作识别数据集简介.mp435.67M
| | ├──03 测试效果与项目配置.mp441.51M
| | ├──04 视频数据预处理方法.mp422.95M
| | ├──05 数据Batch制作方法.mp434.48M
| | ├──06 3D卷积网络所涉及模块.mp427.67M
| | └──07 训练网络模型.mp430.13M
| ├──05 视频异常检测算法与元学习
| | ├──01 异常检测要解决的问题与数据集介绍.mp417.38M
| | ├──02 基本思想与流程分析.mp420.71M
| | ├──03 预测与常见问题.mp421.86M
| | ├──04 Meta-Learn要解决的问题.mp416.71M
| | ├──05 学习能力与参数定义.mp411.50M
| | ├──06 如何找到合适的初始化参数.mp418.90M
| | └──07 MAML算法流程解读.mp422.60M
| ├──06 视频异常检测CVPR2021论文及其源码解读
| | ├──01 论文概述与环境配置.mp419.18M
| | ├──02 数据集配置与读取.mp428.24M
| | ├──03 模型编码与解码结构.mp424.26M
| | ├──04 注意力机制模块打造.mp445.53M
| | ├──05 损失函数的目的.mp450.62M
| | ├──06 特征图生成.mp430.10M
| | └──07 MetaLearn与输出.mp422.04M
| └──07 基础补充-Resnet模型及其应用实例
| | ├──01 医学疾病数据集介绍.mp415.88M
| | ├──02 Resnet网络架构原理分析.mp420.70M
| | ├──03 dataloader加载数据集.mp446.80M
| | ├──04 Resnet网络前向传播.mp426.17M
| | ├──05 残差网络的shortcut操作.mp434.86M
| | ├──06 特征图升维与降采样操作.mp419.69M
| | └──07 网络整体流程与训练演示.mp451.41M
├──09 2022论文必备-Transformer实战系列
| ├──01 课程介绍
| | └──01 课程介绍.mp410.87M
| ├──02 自然语言处理通用框架BERT原理解读
| | ├──01 BERT任务目标概述.mp410.07M
| | ├──02 传统解决方案遇到的问题.mp419.87M
| | ├──03 注意力机制的作用.mp413.08M
| | ├──04 self-attention计算方法.mp421.40M
| | ├──05 特征分配与softmax机制.mp418.48M
| | ├──06 Multi-head的作用.mp416.99M
| | ├──07 位置编码与多层堆叠.mp414.54M
| | ├──08 transformer整体架构梳理.mp420.18M
| | ├──09 BERT模型训练方法.mp417.76M
| | └──10 训练实例.mp419.42M
| ├──03 Transformer在视觉中的应用VIT算法
| | ├──01 transformer发家史介绍.mp412.63M
| | ├──02 对图像数据构建patch序列.mp417.95M
| | ├──03 VIT整体架构解读.mp418.88M
| | ├──04 CNN遇到的问题与窘境.mp417.44M
| | ├──05 计算公式解读.mp419.24M
| | ├──06 位置编码与TNT模型.mp419.53M
| | └──07 TNT模型细节分析.mp422.12M
| ├──04 VIT算法模型源码解读
| | ├──01 项目配置说明.mp434.33M
| | ├──02 输入序列构建方法解读.mp421.51M
| | ├──03 注意力机制计算.mp420.15M
| | └──04 输出层计算结果.mp427.44M
| ├──05 swintransformer算法原理解析
| | ├──01 swintransformer整体概述.mp411.67M
| | ├──02 要解决的问题及其优势分析.mp417.42M
| | ├──03 一个block要完成的任务.mp413.77M
| | ├──04 获取各窗口输入特征.mp415.81M
| | ├──05 基于窗口的注意力机制解读.mp424.90M
| | ├──06 窗口偏移操作的实现.mp419.44M
| | ├──07 偏移细节分析及其计算量概述.mp417.07M
| | ├──08 整体网络架构整合.mp416.13M
| | ├──09 下采样操作实现方法.mp416.85M
| | └──10 分层计算方法.mp416.37M
| ├──06 swintransformer源码解读
| | ├──01 数据与环境配置解读.mp448.61M
| | ├──02 图像数据patch编码.mp427.92M
| | ├──03 数据按window进行划分计算.mp424.66M
| | ├──04 基础attention计算模块.mp421.68M
| | ├──05 窗口位移模块细节分析.mp427.77M
| | ├──06 patchmerge下采样操作.mp418.58M
| | ├──07 各block计算方法解读.mp421.34M
| | └──08 输出层概述.mp429.67M
| ├──07 基于Transformer的detr目标检测算法
| | ├──01 DETR目标检测基本思想解读.mp416.02M
| | ├──02 整体网络架构分析.mp424.00M
| | ├──03 位置信息初始化query向量.mp415.81M
| | ├──04 注意力机制的作用方法.mp416.18M
| | └──05 训练过程的策略.mp423.73M
| ├──08 detr目标检测源码解读
| | ├──01 项目环境配置解读.mp431.98M
| | ├──02 数据处理与dataloader.mp446.74M
| | ├──03 位置编码作用分析.mp435.67M
| | ├──04 backbone特征提取模块.mp425.73M
| | ├──05 mask与编码模块.mp425.66M
| | ├──06 编码层作用方法.mp432.20M
| | ├──07 Decoder层操作与计算.mp421.60M
| | ├──08 输出预测结果.mp430.35M
| | └──09 损失函数与预测输出.mp431.75M
| ├──09 MedicalTrasnformer论文解读
| | ├──01 论文整体分析.mp418.35M
| | ├──02 核心思想分析.mp439.39M
| | ├──03 网络结构计算流程概述.mp435.50M
| | ├──04 论文公式计算分析.mp436.45M
| | ├──05 位置编码的作用与效果.mp435.22M
| | └──06 拓展应用分析.mp444.06M
| ├──10 MedicalTransformer源码解读
| | ├──01 项目环境配置.mp419.92M
| | ├──02 医学数据介绍与分析.mp445.25M
| | ├──03 基本处理操作.mp418.98M
| | ├──04 AxialAttention实现过程.mp426.74M
| | ├──05 位置编码向量解读.mp420.54M
| | ├──06 注意力计算过程与方法.mp439.19M
| | └──07 局部特征提取与计算.mp428.49M
| ├──11 商汤LoFTR算法解读
| | ├──01 特征匹配的应用场景.mp455.02M
| | ├──02 特征匹配的基本流程分析.mp413.09M
| | ├──03 整体流程梳理分析.mp413.70M
| | ├──04 CrossAttention的作用与效果.mp413.22M
| | ├──05 transformer构建匹配特征.mp426.75M
| | ├──06 粗粒度匹配过程与作用.mp421.40M
| | ├──07 特征图拆解操作.mp412.16M
| | ├──08 细粒度匹配的作用与方法.mp416.67M
| | ├──09 基于期望预测最终位置.mp418.81M
| | └──10 总结分析.mp426.80M
| ├──12 局部特征关键点匹配实战
| | ├──01 项目与参数配置解读.mp430.33M
| | ├──02 DEMO效果演示.mp451.84M
| | ├──03 backbone特征提取模块.mp420.14M
| | ├──04 注意力机制的作用与效果分析.mp421.95M
| | ├──05 特征融合模块实现方法.mp421.37M
| | ├──06 cross关系计算方法实例.mp421.11M
| | ├──07 粗粒度匹配过程.mp436.33M
| | ├──08 完成基础匹配模块.mp445.59M
| | ├──09 精细化调整方法与实例.mp431.94M
| | ├──10 得到精细化输出结果.mp414.17M
| | └──11 通过期望计算最终输出.mp427.08M
| ├──13 项目补充-谷歌开源项目BERT源码解读与应用实例
| | ├──01 BERT开源项目简介.mp433.52M
| | ├──02 项目参数配置.mp475.02M
| | ├──03 数据读取模块.mp439.33M
| | ├──04 数据预处理模块.mp429.63M
| | ├──05 tfrecord制作.mp437.70M
| | ├──06 Embedding层的作用.mp422.79M
| | ├──07 加入额外编码特征.mp431.48M
| | ├──08 加入位置编码特征.mp417.18M
| | ├──09 mask机制的作用.mp426.76M
| | ├──10 构建QKV矩阵.mp438.19M
| | ├──11 完成Transformer模块构建.mp430.38M
| | └──12 训练BERT模型.mp440.90M
| └──14 项目补充-基于BERT的中文情感分析实战
| | ├──01 中文分类数据与任务概述.mp447.89M
| | ├──02 读取处理自己的数据集.mp440.67M
| | └──03 训练BERT中文分类模型.mp451.08M
├──10 图神经网络实战
| ├──01 图神经网络基础
| | ├──01 图神经网络应用领域分析.mp421.89M
| | ├──02 图基本模块定义.mp49.24M
| | ├──03 邻接矩阵的定义.mp412.89M
| | ├──04 GNN中常见任务.mp415.62M
| | ├──05 消息传递计算方法.mp412.63M
| | └──06 多层GCN的作用.mp411.02M
| ├──02 图卷积GCN模型
| | ├──01 GCN基本模型概述.mp411.84M
| | ├──02 图卷积的基本计算方法.mp410.43M
| | ├──03 邻接的矩阵的变换.mp415.15M
| | └──04 GCN变换原理解读.mp416.72M
| ├──03 图模型必备神器PyTorch Geometric安装与使用
| | ├──01 PyTorch Geometric工具包安装与配置方法.mp438.17M
| | ├──02 数据集与邻接矩阵格式.mp442.37M
| | ├──03 模型定义与训练方法.mp434.01M
| | └──04 文献引用数据集分类案例实战.mp439.78M
| ├──04 使用PyTorch Geometric构建自己的图数据集
| | ├──01 构建数据集基本方法.mp411.33M
| | ├──02 数据集与任务背景概述.mp416.85M
| | ├──03 数据集基本预处理.mp425.19M
| | ├──04 用户行为图结构创建.mp428.97M
| | ├──05 数据集创建函数介绍.mp427.72M
| | ├──06 网络结构定义模块.mp429.65M
| | ├──07 TopkPooling进行下采样任务.mp424.17M
| | ├──08 获取全局特征.mp420.67M
| | └──09 模型训练与总结.mp427.64M
| ├──05 图注意力机制与序列图模型
| | ├──01 图注意力机制的作用与方法.mp413.58M
| | ├──02 邻接矩阵计算图Attention.mp417.03M
| | ├──03 序列图神经网络TGCN应用.mp410.55M
| | └──04 序列图神经网络细节.mp418.98M
| ├──06 图相似度论文解读
| | ├──01 要完成的任务分析.mp436.68M
| | ├──02 基本方法概述解读.mp439.08M
| | ├──03 图模型提取全局与局部特征.mp434.55M
| | ├──04 NTN模块的作用与效果.mp431.42M
| | ├──05 点之间的对应关系计算.mp440.46M
| | └──06 结果输出与总结.mp451.72M
| ├──07 图相似度计算实战
| | ├──01 数据集与任务概述.mp412.88M
| | ├──02 图卷积特征提取模块.mp441.78M
| | ├──03 分别计算不同Batch点的分布.mp423.38M
| | ├──04 获得直方图特征结果.mp415.63M
| | ├──05 图的全局特征构建.mp422.57M
| | ├──06 NTN图相似特征提取.mp428.95M
| | └──07 预测得到相似度结果.mp413.76M
| ├──08 基于图模型的轨迹估计
| | ├──01 数据集与标注信息解读.mp441.67M
| | ├──02 整体三大模块分析.mp445.75M
| | ├──03 特征工程的作用与效果.mp429.55M
| | ├──04 传统方法与现在向量空间对比.mp440.02M
| | ├──05 输入细节分析.mp436.45M
| | ├──06 子图模块构建方法.mp432.51M
| | ├──07 特征融合模块分析.mp436.86M
| | └──08 VectorNet输出层分析.mp457.30M
| └──09 图模型轨迹估计实战
| | ├──01 数据与环境配置.mp424.54M
| | ├──02 训练数据准备.mp418.99M
| | ├──03 Agent特征提取方法.mp430.09M
| | ├──04 DataLoader构建图结构.mp422.49M
| | └──05 SubGraph与Attention模型流程.mp427.30M
├──11 3D点云实战
| ├──01 3D点云实战 3D点云应用领域分析
| | ├──01 点云数据概述.mp459.71M
| | ├──02 点云应用领域与发展分析.mp4130.49M
| | ├──03 点云分割任务.mp454.07M
| | ├──04 点云补全任务.mp419.85M
| | ├──05 点云检测与配准任务.mp470.48M
| | └──06 点云数据特征提取概述与预告.mp416.30M
| ├──02 3D点云PointNet算法
| | ├──01 3D数据应用领域与点云介绍.mp426.90M
| | ├──02 点云数据可视化展示.mp424.37M
| | ├──03 点云数据特性和及要解决的问题.mp425.50M
| | ├──04 PointNet算法出发点解读.mp413.91M
| | └──05 PointNet算法网络架构解读.mp424.42M
| ├──03 PointNet++算法解读
| | ├──01 PointNet升级版算法要解决的问题.mp417.47M
| | ├──02 最远点采样方法.mp416.00M
| | ├──03 分组Group方法原理解读.mp426.16M
| | ├──04 整体流程概述分析.mp413.33M
| | ├──05 分类与分割问题解决方案.mp417.06M
| | └──06 遇到的问题及改进方法分析.mp410.38M
| ├──04 Pointnet++项目实战
| | ├──01 项目文件概述.mp421.66M
| | ├──02 数据读取模块配置.mp428.76M
| | ├──03 DEBUG解读网络模型架构.mp418.03M
| | ├──04 最远点采样介绍.mp414.38M
| | ├──05 采样得到中心点.mp423.17M
| | ├──06 组区域划分方法.mp418.33M
| | ├──07 实现group操作得到各中心簇.mp425.59M
| | ├──08 特征提取模块整体流程.mp429.68M
| | ├──09 预测结果输出模块.mp429.51M
| | ├──10 分类任务总结.mp415.55M
| | ├──11 分割任务数据与配置概述.mp431.38M
| | ├──12 分割需要解决的任务概述.mp423.56M
| | └──13 上采样完成分割任务.mp433.84M
| ├──05 点云补全PF-Net论文解读
| | ├──01 点云补全要解决的问题.mp413.76M
| | ├──02 基本解决方案概述.mp415.08M
| | ├──03 整体网络概述.mp416.25M
| | ├──04 网络计算流程.mp420.58M
| | └──05 输入与计算结果.mp441.49M
| ├──06 点云补全实战解读
| | ├──01 数据与项目配置解读.mp431.85M
| | ├──02 待补全数据准备方法.mp421.10M
| | ├──03 整体框架概述.mp433.98M
| | ├──04 MRE特征提取模块.mp428.18M
| | ├──05 分层预测输出模块.mp421.72M
| | ├──06 补全点云数据.mp424.21M
| | └──07 判别模块.mp433.74M
| ├──07 点云配准及其案例实战
| | ├──01 点云配准任务概述.mp413.55M
| | ├──02 配准要完成的目标解读.mp414.90M
| | ├──03 训练数据构建.mp416.83M
| | ├──04 任务基本流程.mp411.95M
| | ├──05 数据源配置方法.mp433.19M
| | ├──06 参数计算模块解读.mp415.93M
| | ├──07 基于模型预测输出参数.mp418.04M
| | ├──08 特征构建方法分析.mp425.85M
| | └──09 任务总结.mp424.90M
| └──08 基础补充-对抗生成网络架构原理与实战解析
| | ├──01 对抗生成网络通俗解释.mp416.05M
| | ├──02 GAN网络组成.mp49.51M
| | ├──03 损失函数解释说明.mp431.10M
| | ├──04 数据读取模块.mp421.85M
| | └──05 生成与判别网络定义.mp431.53M
├──12 目标追踪与姿态估计实战
| ├──01 课程介绍
| | └──01 课程介绍.mp419.92M
| ├──02 姿态估计OpenPose系列算法解读
| | ├──01 姿态估计要解决的问题分析.mp440.26M
| | ├──02 姿态估计应用领域概述.mp416.41M
| | ├──03 传统topdown方法的问题.mp425.00M
| | ├──04 要解决的两个问题分析.mp48.65M
| | ├──05 基于高斯分布预测关键点位置.mp421.40M
| | ├──06 各模块输出特征图解读.mp413.74M
| | ├──07 PAF向量登场.mp410.57M
| | ├──08 PAF标签设计方法.mp420.03M
| | ├──09 预测时PAF积分计算方法.mp426.24M
| | ├──10 匹配方法解读.mp416.18M
| | ├──11 CPM模型特点.mp418.67M
| | └──12 算法流程与总结.mp429.97M
| ├──03 OpenPose算法源码分析
| | ├──01 数据集与路径配置解读.mp424.76M
| | ├──02 读取图像与标注信息.mp435.20M
| | ├──03 关键点与躯干特征图初始化.mp423.92M
| | ├──04 根据关键点位置设计关键点标签.mp437.71M
| | ├──05 准备构建PAF躯干标签.mp420.96M
| | ├──06 各位置点归属判断.mp420.56M
| | ├──07 特征图各点累加向量计算.mp424.26M
| | ├──08 完成PAF特征图制作.mp423.91M
| | ├──09 网络模型一阶段输出.mp419.69M
| | └──10 多阶段输出与预测.mp434.35M
| ├──04 deepsort算法知识点解读
| | ├──01 卡尔曼滤波通俗解释.mp422.77M
| | ├──02 卡尔曼滤波要完成的任务.mp412.89M
| | ├──03 任务本质分析.mp415.96M
| | ├──04 基于观测值进行最优估计.mp414.76M
| | ├──05 预测与更新操作.mp419.56M
| | ├──06 追踪中的状态量.mp413.03M
| | ├──07 匈牙利匹配算法概述.mp414.81M
| | ├──08 匹配小例子分析.mp416.76M
| | ├──09 REID特征的作用.mp415.89M
| | ├──10 sort与deepsort建模流程分析.mp421.61M
| | ├──11 预测与匹配流程解读.mp421.22M
| | └──12 追踪任务流程拆解.mp422.99M
| ├──05 deepsort源码解读
| | ├──01 项目环境配置.mp429.15M
| | ├──02 参数与DEMO演示.mp429.37M
| | ├──03 针对检测结果初始化track.mp434.80M
| | ├──04 对track执行预测操作.mp427.22M
| | ├──05 状态量预测结果.mp425.47M
| | ├──06 IOU代价矩阵计算.mp422.77M
| | ├──07 参数更新操作.mp434.57M
| | ├──08 级联匹配模块.mp428.61M
| | ├──09 ReID特征代价矩阵计算.mp432.19M
| | └──10 匹配结果与总结.mp454.81M
| ├──06 YOLO-V4版本算法解读
| | ├──01 V4版本整体概述.mp413.00M
| | ├──02 V4版本贡献解读.mp48.19M
| | ├──03 数据增强策略分析.mp419.93M
| | ├──04 DropBlock与标签平滑方法.mp416.22M
| | ├──05 损失函数遇到的问题.mp412.28M
| | ├──06 CIOU损失函数定义.mp48.88M
| | ├──07 NMS细节改进.mp412.82M
| | ├──08 SPP与CSP网络结构.mp412.87M
| | ├──09 SAM注意力机制模块.mp418.63M
| | ├──10 PAN模块解读.mp418.35M
| | └──11 激活函数与整体架构总结.mp416.17M
| ├──07 V5版本项目配置
| | ├──01 整体项目概述.mp430.59M
| | ├──02 训练自己的数据集方法.mp432.00M
| | ├──03 训练数据参数配置.mp439.04M
| | └──04 测试DEMO演示.mp439.96M
| └──08 V5项目工程源码解读
| | ├──01 数据源DEBUG流程解读.mp431.25M
| | ├──02 图像数据源配置.mp425.11M
| | ├──03 加载标签数据.mp419.15M
| | ├──04 Mosaic数据增强方法.mp420.36M
| | ├──05 数据四合一方法与流程演示.mp430.47M
| | ├──06 getItem构建batch.mp424.55M
| | ├──07 网络架构图可视化工具安装.mp424.71M
| | ├──08 V5网络配置文件解读.mp428.14M
| | ├──09 Focus模块流程分析.mp416.12M
| | ├──10 完成配置文件解析任务.mp440.97M
| | ├──11 前向传播计算.mp422.10M
| | ├──12 BottleneckCSP层计算方法.mp423.91M
| | ├──13 1-SPP层计算细节分析.mp420.94M
| | ├──14 2-Head层流程解读.mp421.78M
| | ├──15 上采样与拼接操作.mp414.72M
| | ├──16 输出结果分析.mp426.86M
| | ├──17 超参数解读.mp426.59M
| | ├──18 命令行参数介绍.mp431.71M
| | ├──19 训练流程解读.mp435.08M
| | ├──20 各种训练策略概述.mp429.71M
| | └──21 模型迭代过程.mp429.18M
├──13 面向深度学习的无人驾驶实战
| ├──01 深度估计算法原理解读
| | ├──01 深度估计效果与应用.mp450.24M
| | ├──02 kitti数据集介绍.mp464.85M
| | ├──03 使用backbone获取层级特征.mp417.08M
| | ├──04 差异特征计算边界信息.mp420.86M
| | ├──05 SPP层的作用.mp413.00M
| | ├──06 空洞卷积与ASPP.mp415.21M
| | ├──07 特征拼接方法分析.mp417.47M
| | ├──08 网络coarse-to-fine过程.mp420.60M
| | ├──09 权重参数预处理.mp422.35M
| | └──10 损失计算.mp423.60M
| ├──02 深度估计项目实战
| | ├──01 项目环境配置解读.mp437.02M
| | ├──02 数据与标签定义方法.mp450.54M
| | ├──03 数据集dataloader制作.mp427.86M
| | ├──04 使用backbone进行特征提取.mp430.56M
| | ├──05 计算差异特征.mp422.66M
| | ├──06 权重参数标准化操作.mp430.60M
| | ├──07 网络结构ASPP层.mp435.26M
| | ├──08 特征拼接方法解读.mp434.70M
| | ├──09 输出深度估计结果.mp418.41M
| | ├──10 损失函数通俗解读.mp449.18M
| | └──11 模型DEMO输出结果.mp454.44M
| ├──03 车道线检测算法与论文解读
| | ├──01 数据标签与任务分析.mp439.44M
| | ├──02 网络整体框架分析.mp423.37M
| | ├──03 输出结果分析.mp415.05M
| | ├──04 损失函数计算方法.mp421.12M
| | └──05 论文概述分析.mp448.20M
| ├──04 基于深度学习的车道线检测项目实战
| | ├──01 车道数据与标签解读.mp443.13M
| | ├──02 项目环境配置演示.mp421.48M
| | ├──03 制作数据集dataloader.mp439.31M
| | ├──04 车道线标签数据处理.mp424.06M
| | ├──05 四条车道线标签位置矩阵.mp416.34M
| | ├──06 grid设置方法.mp429.68M
| | ├──07 完成数据与标签制作.mp418.48M
| | ├──08 算法网络结构解读.mp442.14M
| | ├──09 损失函数计算模块分析.mp433.29M
| | ├──10 车道线规则损失函数限制.mp432.38M
| | └──11 DEMO制作与配置.mp431.81M
| ├──05 商汤LoFTR算法解读
| | ├──01 特征匹配的应用场景.mp455.02M
| | ├──02 特征匹配的基本流程分析.mp413.09M
| | ├──03 整体流程梳理分析.mp413.70M
| | ├──04 CrossAttention的作用与效果.mp413.22M
| | ├──05 transformer构建匹配特征.mp426.75M
| | ├──06 粗粒度匹配过程与作用.mp421.40M
| | ├──07 特征图拆解操作.mp412.16M
| | ├──08 细粒度匹配的作用与方法.mp416.67M
| | ├──09 基于期望预测最终位置.mp418.81M
| | └──10 总结分析.mp426.80M
| ├──06 局部特征关键点匹配实战
| | ├──01 项目与参数配置解读.mp430.33M
| | ├──02 DEMO效果演示.mp451.75M
| | ├──03 backbone特征提取模块.mp420.14M
| | ├──04 注意力机制的作用与效果分析.mp421.95M
| | ├──05 特征融合模块实现方法.mp421.37M
| | ├──06 cross关系计算方法实例.mp421.11M
| | ├──07 粗粒度匹配过程.mp436.33M
| | ├──08 完成基础匹配模块.mp445.59M
| | ├──09 精细化调整方法与实例.mp431.92M
| | ├──10 得到精细化输出结果.mp414.17M
| | └──11 通过期望计算最终输出.mp427.08M
| ├──07 三维重建应用与坐标系基础
| | ├──01 三维重建概述分析.mp449.66M
| | ├──02 三维重建应用领域概述.mp410.79M
| | ├──03 成像方法概述.mp413.34M
| | ├──04 相机坐标系.mp415.08M
| | ├──05 坐标系转换方法解读.mp417.46M
| | ├──06 相机内外参.mp414.40M
| | ├──07 通过内外参数进行坐标变换.mp413.81M
| | └──08 相机标定简介.mp44.21M
| ├──08 NeuralRecon算法解读
| | ├──01 任务流程分析.mp416.53M
| | ├──02 基本框架熟悉.mp422.32M
| | ├──03 特征映射方法解读.mp427.16M
| | ├──04 片段融合思想.mp413.42M
| | └──05 整体架构重构方法.mp417.83M
| ├──09 NeuralRecon项目环境配置
| | ├──01 数据集下载与配置方法.mp439.03M
| | ├──02 Scannet数据集内容概述.mp426.50M
| | ├──03 TSDF标签生成方法.mp439.48M
| | ├──04 ISSUE的作用.mp442.02M
| | └──05 完成依赖环境配置.mp441.47M
| ├──10 NeuralRecon项目源码解读
| | ├──01 Backbone得到特征图.mp427.33M
| | ├──02 初始化体素位置.mp434.06M
| | ├──03 坐标映射方法实现.mp420.82M
| | ├──04 得到体素所对应特征图.mp440.44M
| | ├──05 插值得到对应特征向量.mp424.38M
| | ├──06 得到一阶段输出结果.mp429.90M
| | ├──07 完成三个阶段预测结果.mp433.57M
| | └──08 项目总结.mp472.66M
| ├──11 TSDF算法与应用
| | ├──01 TSDF整体概述分析.mp418.89M
| | ├──02 合成过程DEMO演示.mp412.99M
| | ├──03 布局初始化操作.mp410.25M
| | ├──04 TSDF计算基本流程解读.mp421.16M
| | ├──05 坐标转换流程分析.mp424.77M
| | └──06 输出结果融合更新.mp420.16M
| ├──12 TSDF实战案例
| | ├──01 环境配置概述.mp424.00M
| | ├──02 初始化与数据读取.mp416.32M
| | └──03 计算得到TSDF输出.mp430.44M
| ├──13 轨迹估计算法与论文解读
| | ├──01 数据集与标注信息解读.mp441.67M
| | ├──02 整体三大模块分析.mp445.75M
| | ├──03 特征工程的作用与效果.mp429.55M
| | ├──04 传统方法与现在向量空间对比.mp440.02M
| | ├──05 输入细节分析.mp436.45M
| | ├──06 子图模块构建方法.mp432.51M
| | ├──07 特征融合模块分析.mp436.86M
| | └──08 VectorNet输出层分析.mp457.30M
| ├──14 轨迹估计预测实战
| | ├──01 数据与环境配置.mp424.54M
| | ├──02 训练数据准备.mp418.99M
| | ├──03 Agent特征提取方法.mp430.09M
| | ├──04 DataLoader构建图结构.mp422.49M
| | └──05 SubGraph与Attention模型流程.mp427.30M
| └──15 特斯拉无人驾驶解读
| | └──01 特斯拉无人驾驶解读.mp4409.96M
├──14 对比学习与多模态任务实战
| ├──01 对比学习算法与实例
| | └──01 对比学习算法与实例.mp4423.98M
| ├──02 CLIP系列
| | └──01 CLIP系列.mp4479.43M
| ├──03 多模态3D目标检测算法源码解读
| | ├──01 环境配置与数据集概述.mp440.34M
| | ├──02 数据与标注文件介绍.mp430.35M
| | ├──03 基本流程梳理并进入debug模式.mp434.43M
| | ├──04 数据与图像特征提取模块.mp443.20M
| | ├──05 体素索引位置获取.mp447.13M
| | ├──06 体素特征提取方法解读.mp427.56M
| | ├──07 体素特征计算方法分析.mp450.68M
| | ├──08 全局体素特征提取.mp470.15M
| | ├──09 多模态特征融合.mp447.47M
| | ├──10 3D卷积特征融合.mp441.41M
| | └──11 输出层预测结果.mp461.43M
| ├──04 多模态文字识别
| | └──01 多模态文字识别.mp4588.84M
| └──05 ANINET源码解读
| | ├──01 数据集与环境概述.mp441.91M
| | ├──02 配置文件修改方法.mp440.85M
| | ├──03 Bakbone模块得到特征.mp432.66M
| | ├──04 视觉Transformer模块的作用.mp432.87M
| | ├──05 视觉模型中的编码与解码的效果.mp440.90M
| | ├──06 文本模型中的结构分析.mp429.91M
| | ├──07 迭代修正模块.mp429.60M
| | └──08 输出层与损失计算.mp440.41M
├──15 缺陷检测实战
| ├──01 课程介绍
| | └──01 课程介绍.mp419.16M
| ├──02 物体检框架YOLO-V4版本算法解读
| | ├──01 V4版本整体概述.mp413.00M
| | ├──01 源码【内有百度云地址，自取】.txt0.15kb
| | ├──02 V4版本贡献解读.mp48.19M
| | ├──03 数据增强策略分析.mp419.93M
| | ├──04 DropBlock与标签平滑方法.mp416.22M
| | ├──05 损失函数遇到的问题.mp412.28M
| | ├──06 CIOU损失函数定义.mp48.88M
| | ├──07 NMS细节改进.mp412.82M
| | ├──08 SPP与CSP网络结构.mp412.87M
| | ├──09 SAM注意力机制模块.mp418.63M
| | ├──10 PAN模块解读.mp418.35M
| | └──11 激活函数与整体架构总结.mp416.17M
| ├──03 物体检测框架YOLOV5版本项目配置
| | ├──01 整体项目概述.mp430.59M
| | ├──02 训练自己的数据集方法.mp432.00M
| | ├──03 训练数据参数配置.mp439.04M
| | └──04 测试DEMO演示.mp439.96M
| ├──04 物体检测框架YOLOV5项目工程源码解读
| | ├──01 数据源DEBUG流程解读.mp431.25M
| | ├──02 图像数据源配置.mp425.11M
| | ├──03 加载标签数据.mp419.15M
| | ├──04 Mosaic数据增强方法.mp420.36M
| | ├──05 数据四合一方法与流程演示.mp430.47M
| | ├──06 getItem构建batch.mp424.55M
| | ├──07 网络架构图可视化工具安装.mp424.71M
| | ├──08 V5网络配置文件解读.mp428.14M
| | ├──09 Focus模块流程分析.mp416.12M
| | ├──10 完成配置文件解析任务.mp440.97M
| | ├──11 前向传播计算.mp422.10M
| | ├──12 BottleneckCSP层计算方法.mp423.91M
| | ├──13 SPP层计算细节分析.mp420.94M
| | ├──14 Head层流程解读.mp421.78M
| | ├──15 上采样与拼接操作.mp414.72M
| | ├──16 输出结果分析.mp426.86M
| | ├──17 超参数解读.mp426.59M
| | ├──18 命令行参数介绍.mp431.71M
| | ├──19 训练流程解读.mp435.08M
| | ├──20 各种训练策略概述.mp429.71M
| | └──21 模型迭代过程.mp429.18M
| ├──05 基于YOLOV5的钢材缺陷检测实战
| | ├──01 任务需求与项目概述.mp412.91M
| | ├──02 数据与标签配置方法.mp429.67M
| | ├──03 标签转换格式脚本制作.mp423.79M
| | ├──04 各版本模型介绍分析.mp424.68M
| | ├──05 项目参数配置.mp420.20M
| | ├──06 缺陷检测模型训练.mp427.45M
| | └──07 输出结果与项目总结.mp434.15M
| ├──06 Semi-supervised布料缺陷检测实战
| | ├──01 任务目标与流程概述.mp441.66M
| | ├──02 论文思想与模型分析.mp491.35M
| | ├──03 项目配置解读.mp446.08M
| | ├──04 网络流程分析.mp425.82M
| | └──05 输出结果展示.mp428.25M
| ├──07 Opencv图像常用处理方法实例
| | ├──01 计算机眼中的图像.mp424.20M
| | ├──02 视频的读取与处理.mp436.27M
| | ├──03 ROI区域.mp412.10M
| | ├──04 边界填充.mp418.29M
| | ├──05 数值计算.mp431.90M
| | ├──06 图像阈值.mp425.24M
| | ├──07 图像平滑处理.mp419.45M
| | ├──08 高斯与中值滤波.mp416.59M
| | ├──09 腐蚀操作.mp414.51M
| | ├──10 膨胀操作.mp49.43M
| | ├──11 开运算与闭运算.mp47.53M
| | ├──12 梯度计算.mp45.92M
| | └──13 礼帽与黑帽.mp413.68M
| ├──08 Opencv梯度计算与边缘检测实例
| | ├──01 Canny边缘检测流程.mp414.30M
| | ├──02 非极大值抑制.mp414.08M
| | ├──03 边缘检测效果.mp425.53M
| | ├──04 Sobel算子.mp420.99M
| | ├──05 梯度计算方法.mp423.41M
| | └──06 scharr与lapkacian算子.mp420.80M
| ├──09 Opencv轮廓检测与直方图
| | ├──01 图像金字塔定义.mp416.03M
| | ├──02 金字塔制作方法.mp420.18M
| | ├──03 轮廓检测方法.mp414.59M
| | ├──04 轮廓检测结果.mp423.61M
| | ├──05 轮廓特征与近似.mp429.38M
| | ├──06 模板匹配方法.mp437.29M
| | ├──07 匹配效果展示.mp417.08M
| | ├──08 直方图定义.mp419.79M
| | ├──09 均衡化原理.mp426.00M
| | ├──10 均衡化效果.mp421.44M
| | ├──11 傅里叶概述.mp429.84M
| | ├──12 频域变换结果.mp421.16M
| | └──13 低通与高通滤波.mp423.17M
| ├──10 基于Opencv缺陷检测项目实战
| | ├──01 任务需求与环境配置.mp412.01M
| | ├──02 数据读取与基本处理.mp419.80M
| | ├──03 缺陷形态学操作.mp419.36M
| | ├──04 整体流程解读.mp417.73M
| | └──05 缺陷检测效果演示.mp438.94M
| ├──11 基于视频流水线的Opencv缺陷检测项目
| | ├──01 数据与任务概述.mp412.52M
| | ├──02 视频数据读取与轮廓检测.mp415.77M
| | ├──03 目标质心计算.mp423.52M
| | ├──04 视频数据遍历方法.mp422.29M
| | ├──05 缺陷区域提取.mp426.52M
| | ├──06 不同类型的缺陷检测方法.mp426.15M
| | └──07 检测效果演示.mp418.49M
| ├──12 图像分割deeplab系列算法
| | ├──01 deeplab分割算法概述.mp412.26M
| | ├──02 空洞卷积的作用.mp414.19M
| | ├──03 感受野的意义.mp414.85M
| | ├──04 SPP层的作用.mp415.63M
| | ├──05 ASPP特征融合策略.mp411.12M
| | └──06 deeplabV3Plus版本网络架构.mp419.02M
| ├──13 基于deeplabV3+版本进行VOC分割实战
| | ├──01 PascalVoc数据集介绍.mp449.31M
| | ├──02 项目参数与数据集读取.mp446.37M
| | ├──03 网络前向传播流程.mp424.29M
| | ├──04 ASPP层特征融合.mp437.63M
| | └──05 分割模型训练.mp426.00M
| └──14 Deeplab铁质材料缺陷检测与开源项目应用流程
| | ├──01 数据集与任务概述.mp423.89M
| | ├──02 开源项目应用方法.mp427.10M
| | ├──03 github与kaggle中需要注意的点.mp430.85M
| | ├──04 源码的利用方法.mp498.83M
| | ├──04 源码的利用方法_ev.mp474.00M
| | ├──05 数据集制作方法_ev.mp458.20M
| | ├──06 数据路径配置_ev.mp441.89M
| | ├──07 训练模型_ev.mp425.04M
| | └──08 任务总结_ev.mp431.72M
├──16 行人重识别实战
| ├──01 行人重识别原理及其应用
| | ├──01 行人重识别要解决的问题_ev.mp414.16M
| | ├──02 挑战与困难分析_ev.mp427.88M
| | ├──03 评估标准rank1指标_ev.mp410.31M
| | ├──04 map值计算方法_ev.mp412.30M
| | ├──05 triplet损失计算实例_ev.mp419.96M
| | └──06 Hard-Negative方法应用_ev.mp421.02M
| ├──02 基于注意力机制的Reld模型论文解读
| ├──03 基于Attention的行人重识别项目实战
| | ├──01 项目环境与数据集配置_ev.mp438.80M
| | ├──02 参数配置与整体架构分析_ev.mp448.84M
| | ├──03 进入debug模式解读网络计算流程_ev.mp421.54M
| | ├──04 获得空间位置点之间的关系_ev.mp430.41M
| | ├──05 组合关系特征图_ev.mp429.21M
| | ├──06 计算得到位置权重值_ev.mp427.12M
| | ├──07 基于特征图的权重计算_ev.mp417.98M
| | ├──08 损失函数计算实例解读_ev.mp443.56M
| | └──09 训练与测试模块演示_ev.mp454.85M
| ├──04 AAAI2020顶会算法精讲
| | ├──01 论文整体框架概述_ev.mp414.21M
| | ├──02 局部特征与全局关系计算方法_ev.mp413.31M
| | ├──03 特征分组方法_ev.mp412.77M
| | ├──04 GCP模块特征融合方法_ev.mp423.56M
| | ├──05 oneVsReset方法实例_ev.mp412.67M
| | └──06 损失函数应用位置_ev.mp413.73M
| ├──05 项目实战-基于行人局部特征融合的再识别实战
| | ├──01 项目配置与数据集介绍_ev.mp447.38M
| | ├──02 数据源构建方法分析_ev.mp431.42M
| | ├──03 dataloader加载顺序解读_ev.mp419.40M
| | ├──04 debug模式解读_ev.mp446.24M
| | ├──05 网络计算整体流程演示_ev.mp421.56M
| | ├──06 特征序列构建_ev.mp428.23M
| | ├──07 GCP全局特征提取_ev.mp425.93M
| | ├──08 局部特征提取实例_ev.mp437.44M
| | ├──09 特征组合汇总_ev.mp432.50M
| | ├──10 得到所有分组特征结果_ev.mp435.79M
| | ├──11 损失函数与训练过程演示_ev.mp430.40M
| | └──12 测试与验证模块_ev.mp436.59M
| ├──06 旷视研究院最新算法解读（基于图模型）
| | ├──01 关键点位置特征构建_ev.mp417.62M
| | ├──02 图卷积与匹配的作用_ev.mp420.09M
| | ├──03 局部特征热度图计算_ev.mp421.03M
| | ├──04 基于图卷积构建人体拓扑关系_ev.mp425.39M
| | ├──05 图卷积模块实现方法_ev.mp422.70M
| | ├──06 图匹配在行人重识别中的作用_ev.mp415.41M
| | └──07 整体算法框架分析_ev.mp420.28M
| └──07 基于拓扑图的行人重识别项目实战
| | ├──01 数据集与环境配置概述_ev.mp435.08M
| | ├──02 局部特征准备方法_ev.mp438.93M
| | ├──03 得到一阶段热度图结果_ev.mp428.59M
| | ├──04 阶段监督训练_ev.mp458.65M
| | ├──05 初始化图卷积模型_ev.mp428.31M
| | ├──06 mask矩阵的作用_ev.mp432.47M
| | ├──07 邻接矩阵学习与更新_ev.mp437.08M
| | ├──08 基于拓扑结构组合关键点特征_ev.mp444.34M
| | ├──09 图匹配模块计算流程_ev.mp448.65M
| | └──10 整体项目总结_ev.mp455.71M
├──17 对抗生成网络实战
| ├──01 课程介绍
| | └──01 课程介绍_ev.mp420.37M
| ├──02 对抗生成网络架构原理与实战解析
| | ├──01 对抗生成网络通俗解释_ev.mp416.05M
| | ├──02 GAN网络组成_ev.mp49.51M
| | ├──03 损失函数解释说明_ev.mp431.10M
| | ├──04 数据读取模块_ev.mp421.85M
| | └──05 生成与判别网络定义_ev.mp431.53M
| ├──03 基于CycleGan开源项目实战图像合成
| | ├──01 CycleGan网络所需数据_ev.mp423.13M
| | ├──02 CycleGan整体网络架构_ev.mp419.00M
| | ├──03 PatchGan判别网络原理_ev.mp49.49M
| | ├──04 Cycle开源项目简介_ev.mp437.84M
| | ├──05 数据读取与预处理操作_ev.mp440.42M
| | ├──06 生成网络模块构造_ev.mp436.07M
| | ├──07 判别网络模块构造_ev.mp414.57M
| | ├──08 损失函数：identity loss计算方法_ev.mp427.22M
| | ├──09 生成与判别损失函数指定_ev.mp441.17M
| | └──10 额外补充：VISDOM可视化配置_ev.mp426.31M
| ├──04 stargan论文架构解析
| | ├──01 stargan效果演示分析_ev.mp422.99M
| | ├──02 网络架构整体思路解读_ev.mp422.23M
| | ├──03 建模流程分析_ev.mp431.06M
| | ├──04 V1版本存在的问题及后续改进思路_ev.mp440.55M
| | ├──05 V2版本在整体网络架构_ev.mp455.70M
| | ├──06 编码器训练方法_ev.mp445.16M
| | ├──07 损失函数公式解析_ev.mp436.48M
| | └──08 训练过程分析_ev.mp481.35M
| ├──05 stargan项目实战及其源码解读
| | ├──01 测试模块效果与实验分析_ev.mp424.72M
| | ├──02 项目配置与数据源下载_ev.mp415.60M
| | ├──03 测试效果演示_ev.mp430.87M
| | ├──04 项目参数解析_ev.mp420.98M
| | ├──05 生成器模块源码解读_ev.mp434.59M
| | ├──06 所有网络模块构建实例_ev.mp434.06M
| | ├──07 数据读取模块分析_ev.mp439.58M
| | ├──08 判别器损失计算_ev.mp422.65M
| | ├──09 损失计算详细过程_ev.mp433.48M
| | └──10 生成模块损失计算_ev.mp449.90M
| ├──06 基于starganvc2的变声器论文原理解读
| | ├──01 论文整体思路与架构解读_ev.mp429.63M
| | ├──02 VCC2016输入数据_ev.mp415.84M
| | ├──03 语音特征提取_ev.mp424.20M
| | ├──04 生成器模型架构分析_ev.mp411.70M
| | ├──05 InstanceNorm的作用解读_ev.mp415.20M
| | ├──06 AdaIn的目的与效果_ev.mp411.12M
| | └──07 判别器模块分析_ev.mp486.72M
| ├──07 starganvc2变声器项目实战及其源码解读
| | ├──01 数据与项目文件解读_ev.mp416.60M
| | ├──02 环境配置与工具包安装_ev.mp430.25M
| | ├──03 数据预处理与声音特征提取_ev.mp461.10M
| | ├──04 生成器构造模块解读_ev.mp429.54M
| | ├──05 下采样与上采样操作_ev.mp424.50M
| | ├──06 starganvc2版本标签输入分析_ev.mp437.38M
| | ├──07 生成器前向传播维度变化_ev.mp419.33M
| | ├──08 判别器模块解读_ev.mp424.21M
| | ├──09 论文损失函数_ev.mp487.19M
| | ├──10 源码损失计算流程_ev.mp427.61M
| | └──11 测试模块-生成转换语音_ev.mp436.03M
| ├──08 图像超分辨率重构实战
| | ├──01 论文概述_ev.mp442.01M
| | ├──02 网络架构_ev.mp471.01M
| | ├──03 数据与环境配置_ev.mp421.97M
| | ├──04 数据加载与配置_ev.mp428.88M
| | ├──05 生成模块_ev.mp435.59M
| | ├──06 判别模块_ev.mp431.69M
| | ├──07 VGG特征提取网络_ev.mp426.99M
| | ├──08 损失函数与训练_ev.mp467.04M
| | └──09 测试模块_ev.mp462.39M
| └──09 基于GAN的图像补全实战
| | ├──01 论文概述_ev.mp471.57M
| | ├──02 网络架构_ev.mp423.41M
| | ├──03 细节设计_ev.mp468.64M
| | ├──04 论文总结_ev.mp4110.96M
| | ├──05 数据与项目概述_ev.mp437.85M
| | ├──06 参数基本设计_ev.mp453.68M
| | ├──07 网络结构配置_ev.mp450.16M
| | ├──08 网络迭代训练_ev.mp470.51M
| | └──09 测试模块_ev.mp434.78M
├──18 强化学习实战系列
| ├──01 强化学习简介及其应用
| | ├──01 一张图通俗解释强化学习_ev.mp412.45M
| | ├──02 强化学习的指导依据_ev.mp415.62M
| | ├──03 强化学习AI游戏DEMO_ev.mp413.38M
| | ├──04 应用领域简介_ev.mp413.86M
| | ├──05 强化学习工作流程_ev.mp412.11M
| | └──06 计算机眼中的状态与行为_ev.mp416.43M
| ├──02 PPO算法与公式推导
| | ├──01 基本情况介绍_ev.mp421.74M
| | ├──02 与环境交互得到所需数据_ev.mp418.47M
| | ├──03 要完成的目标分析_ev.mp420.35M
| | ├──04 策略梯度推导_ev.mp418.05M
| | ├──05 baseline方法_ev.mp414.08M
| | ├──06 OnPolicy与OffPolicy策略_ev.mp416.36M
| | ├──07 importance sampling的作用_ev.mp418.70M
| | └──08 PPO算法整体思路解析_ev.mp420.39M
| ├──03 PPO实战-月球登陆器训练实例
| | ├──01 Critic的作用与效果_ev.mp430.04M
| | ├──02 PPO2版本公式解读_ev.mp425.27M
| | ├──03 参数与网络结构定义_ev.mp424.80M
| | ├──04 得到动作结果_ev.mp421.10M
| | ├──05 奖励获得与计算_ev.mp426.23M
| | └──06 参数迭代与更新_ev.mp434.90M
| ├──04 Q-learning与DQN算法
| | ├──01 整体任务流程演示_ev.mp417.27M
| | ├──02 探索与action获取_ev.mp420.68M
| | ├──03 计算target值_ev.mp416.37M
| | ├──04 训练与更新_ev.mp424.62M
| | ├──05 算法原理通俗解读_ev.mp418.78M
| | ├──06 目标函数与公式解析_ev.mp421.21M
| | ├──07 Qlearning算法实例解读_ev.mp414.15M
| | ├──08 Q值迭代求解_ev.mp418.41M
| | └──09 DQN简介_ev.mp411.60M
| ├──05 DQN算法实例演示
| | ├──01 整体任务流程演示_ev.mp417.27M
| | ├──02 探索与action获取_ev.mp420.68M
| | ├──03 计算target值_ev.mp416.37M
| | └──04 训练与更新_ev.mp424.62M
| ├──06 DQN改进与应用技巧
| | ├──01 DoubleDqn要解决的问题_ev.mp415.78M
| | ├──02 DuelingDqn改进方法_ev.mp414.41M
| | ├──03 Dueling整体网络架构分析_ev.mp417.33M
| | ├──04 MultiSetp策略_ev.mp47.03M
| | └──05 连续动作处理方法_ev.mp417.45M
| ├──07 Actor-Critic算法分析（A3C）
| | ├──01 AC算法回顾与知识点总结_ev.mp413.91M
| | ├──02 优势函数解读与分析_ev.mp415.50M
| | ├──03 计算流程实例_ev.mp413.82M
| | ├──04 A3C整体架构分析_ev.mp413.01M
| | └──05 损失函数整理_ev.mp417.91M
| └──08 用A3C玩转超级马里奥
| | ├──01 整体流程与环境配置_ev.mp419.17M
| | ├──02 启动游戏环境_ev.mp424.56M
| | ├──03 要计算的指标回顾_ev.mp426.23M
| | ├──04 初始化局部模型并加载参数_ev.mp423.29M
| | ├──05 与环境交互得到训练数据_ev.mp427.98M
| | └──06 训练网络模型_ev.mp431.62M
├──19 Openai顶级黑科技算法及其项目实战
| ├──01 GPT系列生成模型
| | └──01 GPT系列_ev.mp4346.96M
| ├──02 GPT建模与预测流程
| | ├──01 生成模型可以完成的任务概述_ev.mp423.08M
| | ├──02 数据样本生成方法_ev.mp453.49M
| | ├──03 训练所需参数解读_ev.mp446.11M
| | ├──04 模型训练过程_ev.mp441.37M
| | └──05 部署与网页预测展示_ev.mp462.77M
| ├──03 CLIP系列
| | └──01 CLIP系列_ev.mp4479.43M
| ├──04 Diffusion模型解读
| | └──01 Diffusion模型解读_ev.mp4547.16M
| ├──05 Dalle2及其源码解读
| | └──01 Dalle2源码解读_ev.mp4462.67M
| └──06 ChatGPT
| | └──01 ChatGPT_ev.mp4307.00M
├──20 面向医学领域的深度学习实战
| ├──01 卷积神经网络原理与参数解读
| | ├──01 卷积神经网络应用领域_ev.mp417.00M
| | ├──02 卷积的作用_ev.mp419.52M
| | ├──03 卷积特征值计算方法_ev.mp417.78M
| | ├──04 得到特征图表示_ev.mp415.02M
| | ├──05 步长与卷积核大小对结果的影响_ev.mp416.53M
| | ├──06 边缘填充方法_ev.mp414.43M
| | ├──07 特征图尺寸计算与参数共享_ev.mp417.03M
| | ├──08 池化层的作用_ev.mp49.77M
| | ├──09 整体网络架构_ev.mp413.09M
| | ├──10 VGG网络架构_ev.mp415.62M
| | ├──11 残差网络Resnet_ev.mp415.69M
| | └──12 感受野的作用_ev.mp412.87M
| ├──02 PyTorch框架基本处理操作
| | ├──01 PyTorch实战课程简介_ev.mp417.64M
| | ├──02 PyTorch框架发展趋势简介_ev.mp419.20M
| | ├──03 框架安装方法（CPU与GPU版本）_ev.mp414.24M
| | ├──04 PyTorch基本操作简介_ev.mp421.86M
| | ├──05 自动求导机制_ev.mp429.31M
| | ├──06 线性回归DEMO-数据与参数配置_ev.mp419.09M
| | ├──07 线性回归DEMO-训练回归模型_ev.mp432.77M
| | ├──08 补充：常见tensor格式_ev.mp416.98M
| | └──09 补充：Hub模块简介_ev.mp446.26M
| ├──03 PyTorch框架必备核心模块解读
| | ├──01 卷积网络参数定义_ev.mp420.38M
| | ├──02 网络流程解读_ev.mp428.99M
| | ├──03 Vision模块功能解读_ev.mp418.90M
| | ├──04 分类任务数据集定义与配置_ev.mp422.07M
| | ├──05 图像增强的作用_ev.mp413.30M
| | ├──06 数据预处理与数据增强模块_ev.mp427.17M
| | ├──07 Batch数据制作_ev.mp434.45M
| | ├──08 迁移学习的目标_ev.mp49.99M
| | ├──09 迁移学习策略_ev.mp413.47M
| | ├──10 加载训练好的网络模型_ev.mp439.52M
| | ├──11 优化器模块配置_ev.mp420.42M
| | ├──12 实现训练模块_ev.mp427.46M
| | ├──13 训练结果与模型保存_ev.mp433.83M
| | ├──14 加载模型对测试数据进行预测_ev.mp443.28M
| | ├──15 额外补充-Resnet论文解读_ev.mp482.12M
| | └──16 额外补充-Resnet网络架构解读_ev.mp415.62M
| ├──04 基于Resnet的医学数据集分类实战
| | ├──01 医学疾病数据集介绍_ev.mp415.88M
| | ├──02 Resnet网络架构原理分析_ev.mp420.70M
| | ├──03 dataloader加载数据集_ev.mp446.80M
| | ├──04 Resnet网络前向传播_ev.mp426.17M
| | ├──05 残差网络的shortcut操作_ev.mp434.86M
| | ├──06 特征图升维与降采样操作_ev.mp419.69M
| | └──07 网络整体流程与训练演示_ev.mp451.41M
| ├──05 图像分割及其损失函数概述
| | ├──01 语义分割与实例分割概述_ev.mp415.95M
| | ├──02 分割任务中的目标函数定义_ev.mp415.36M
| | └──03 MIOU评估标准_ev.mp47.37M
| ├──06 Unet系列算法讲解
| | ├──01 Unet网络编码与解码过程_ev.mp415.21M
| | ├──02 网络计算流程_ev.mp413.01M
| | ├──03 Unet升级版本改进_ev.mp412.22M
| | └──04 后续升级版本介绍_ev.mp414.43M
| ├──07 unet医学细胞分割实战
| | ├──01 医学细胞数据集介绍与参数配置_ev.mp446.02M
| | ├──02 数据增强工具_ev.mp452.28M
| | ├──03 Debug模式演示网络计算流程_ev.mp433.57M
| | ├──04 特征融合方法演示_ev.mp421.21M
| | ├──05 迭代完成整个模型计算任务_ev.mp423.94M
| | └──06 模型效果验证_ev.mp435.40M
| ├──08 deeplab系列算法
| | ├──01 deeplab分割算法概述_ev.mp412.26M
| | ├──02 空洞卷积的作用_ev.mp414.19M
| | ├──03 感受野的意义_ev.mp414.85M
| | ├──04 SPP层的作用_ev.mp415.63M
| | ├──05 ASPP特征融合策略_ev.mp411.12M
| | └──06 deeplabV3Plus版本网络架构_ev.mp419.02M
| ├──09 基于deeplabV3+版本进行VOC分割实战
| | ├──01 PascalVoc数据集介绍_ev.mp449.31M
| | ├──02 项目参数与数据集读取_ev.mp446.37M
| | ├──03 网络前向传播流程_ev.mp424.29M
| | ├──04 ASPP层特征融合_ev.mp437.63M
| | └──05 分割模型训练_ev.mp426.00M
| ├──10 基于deeplab的心脏视频数据诊断分析
| | ├──01 数据集与任务概述_ev.mp427.87M
| | ├──02 项目基本配置参数_ev.mp426.17M
| | ├──03 任务流程解读_ev.mp455.75M
| | ├──04 文献报告分析_ev.mp491.69M
| | ├──05 补充：视频数据源特征处理方法概述_ev.mp420.94M
| | └──06 补充：R(2plus1)D处理方法分析_ev.mp414.63M
| ├──11 YOLO系列物体检测算法原理解读
| | ├──01 检测任务中阶段的意义_ev.mp412.98M
| | ├──02 不同阶段算法优缺点分析_ev.mp48.95M
| | ├──03 IOU指标计算_ev.mp49.79M
| | ├──04 评估所需参数计算_ev.mp420.90M
| | ├──05 map指标计算_ev.mp417.04M
| | ├──06 YOLO算法整体思路解读_ev.mp412.69M
| | ├──07 检测算法要得到的结果_ev.mp411.73M
| | ├──08 整体网络架构解读_ev.mp425.44M
| | ├──09 位置损失计算_ev.mp416.36M
| | ├──10 置信度误差与优缺点分析_ev.mp423.08M
| | ├──11 V2版本细节升级概述_ev.mp411.21M
| | ├──12 网络结构特点_ev.mp412.99M
| | ├──13 架构细节解读_ev.mp415.84M
| | ├──14 基于聚类来选择先验框尺寸_ev.mp420.64M
| | ├──15 偏移量计算方法_ev.mp423.07M
| | ├──16 坐标映射与还原_ev.mp48.48M
| | ├──17 感受野的作用_ev.mp422.27M
| | ├──18 特征融合改进_ev.mp416.21M
| | ├──19 V3版本改进概述_ev.mp414.94M
| | ├──20 多scale方法改进与特征融合_ev.mp414.52M
| | ├──21 经典变换方法对比分析_ev.mp49.27M
| | ├──22 残差连接方法解读_ev.mp415.89M
| | ├──23 整体网络模型架构分析_ev.mp410.54M
| | ├──24 先验框设计改进_ev.mp410.80M
| | ├──25 sotfmax层改进_ev.mp48.77M
| | ├──26 V4版本整体概述_ev.mp413.00M
| | ├──27 V4版本贡献解读_ev.mp48.19M
| | ├──28 数据增强策略分析_ev.mp419.93M
| | ├──29 DropBlock与标签平滑方法_ev.mp416.22M
| | ├──30 损失函数遇到的问题_ev.mp412.28M
| | ├──31 CIOU损失函数定义_ev.mp48.88M
| | ├──32 NMS细节改进_ev.mp412.82M
| | ├──33 SPP与CSP网络结构_ev.mp412.87M
| | ├──34 SAM注意力机制模块_ev.mp418.63M
| | ├──35 PAN模块解读_ev.mp418.35M
| | └──36 激活函数与整体架构总结_ev.mp416.17M
| ├──12 基于YOLO5细胞检测实战
| | ├──01 任务与细胞数据集介绍_ev.mp434.31M
| | ├──02 模型与算法配置参数解读_ev.mp430.75M
| | ├──03 网络训练流程演示_ev.mp432.31M
| | ├──04 效果评估与展示_ev.mp422.48M
| | └──05 细胞检测效果演示_ev.mp430.61M
| ├──13 知识图谱原理解读
| | ├──01 知识图谱通俗解读_ev.mp416.22M
| | ├──02 知识图谱在搜索引擎中的应用_ev.mp420.74M
| | ├──03 知识图谱在医疗领域应用实例_ev.mp465.42M
| | ├──04 金融与推荐领域的应用_ev.mp417.14M
| | ├──05 数据获取分析_ev.mp427.15M
| | ├──06 数据关系抽取分析_ev.mp421.29M
| | ├──07 常用NLP技术点分析_ev.mp418.19M
| | ├──08 graph-embedding的作用与效果_ev.mp421.37M
| | ├──09 金融领域图编码实例_ev.mp410.14M
| | ├──10 视觉领域图编码实例_ev.mp417.11M
| | └──11 图谱知识融合与总结分析_ev.mp419.22M
| ├──14 Neo4j数据库实战
| | ├──01 Neo4j图数据库介绍_ev.mp436.74M
| | ├──02 Neo4j数据库安装流程演示_ev.mp421.06M
| | ├──03 可视化例子演示_ev.mp433.63M
| | ├──04 创建与删除操作演示_ev.mp420.27M
| | └──05 数据库更改查询操作演示_ev.mp421.39M
| ├──15 基于知识图谱的医药问答系统实战
| | ├──01 项目概述与整体架构分析_ev.mp425.48M
| | ├──02 医疗数据介绍及其各字段含义_ev.mp485.49M
| | ├──03 任务流程概述_ev.mp424.82M
| | ├──04 环境配置与所需工具包安装_ev.mp424.22M
| | ├──05 提取数据中的关键字段信息_ev.mp443.55M
| | ├──06 创建关系边_ev.mp428.69M
| | ├──07 打造医疗知识图谱模型_ev.mp441.80M
| | ├──08 加载所有实体数据_ev.mp427.31M
| | ├──09 实体关键词字典制作_ev.mp424.13M
| | └──10 完成对话系统构建_ev.mp428.64M
| ├──16 词向量模型与RNN网络架构
| | ├──01 词向量模型通俗解释_ev.mp417.35M
| | ├──02 模型整体框架_ev.mp423.56M
| | ├──03 训练数据构建_ev.mp413.87M
| | ├──04 CBOW与Skip-gram模型_ev.mp420.09M
| | ├──05 负采样方案_ev.mp424.16M
| | └──06 额外补充-RNN网络模型解读_ev.mp421.07M
| └──17 医学糖尿病数据命名实体识别
| | ├──01 数据与任务介绍_ev.mp417.20M
| | ├──02 整体模型架构_ev.mp412.01M
| | ├──03 数据-标签-语料库处理_ev.mp428.87M
| | ├──04 输入样本填充补齐_ev.mp426.49M
| | ├──05 训练网络模型_ev.mp430.07M
| | └──06 医疗数据集（糖尿病）实体识别_ev.mp467.86M
├──21 深度学习模型部署与剪枝优化实战
| ├──01 AIoT人工智能物联网之认识 jetson nano
| | ├──01 jetson nano 硬件介绍_ev.mp420.81M
| | ├──02 jetson nano 刷机_ev.mp415.98M
| | ├──03 jetson nano 系统安装过程_ev.mp489.80M
| | ├──04 感受nano的GPU算力_ev.mp467.13M
| | └──05 安装使用摄像头csi usb_ev.mp447.55M
| ├──02 AIoT人工智能物联网之AI 实战
| | ├──01 jetson-inference 入门_ev.mp443.82M
| | ├──02 docker 的安装使用_ev.mp432.63M
| | ├──03 docker中运行分类模型_ev.mp4141.33M
| | ├──04 训练自己的目标检测模型准备_ev.mp456.11M
| | ├──05 训练出自己目标识别模型a_ev.mp4101.63M
| | ├──06 训练出自己目标识别模型b_ev.mp467.92M
| | └──07 转换出onnx模型，并使用_ev.mp4437.20M
| ├──03 AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器
| | ├──01 NVIDIA TAO介绍和安装_ev.mp475.50M
| | ├──02 NVIDIA TAO数据准备和环境设置_ev.mp446.29M
| | ├──03 NVIDIA TAO数据转换_ev.mp4146.44M
| | ├──04 NVIDIA TAO预训练模型和训练a_ev.mp473.64M
| | ├──05 NVIDIA TAO预训练模型和训练b_ev.mp413.54M
| | ├──06 NVIDIA TAO预训练模型和训练c._ev.mp432.05M
| | └──07 TAO 剪枝在训练推理验证_ev.mp4143.98M
| ├──04 AIoT人工智能物联网之deepstream
| | ├──01 deepstream 介绍安装_ev.mp479.02M
| | ├──02 deepstream HelloWorld_ev.mp448.33M
| | ├──03 GStreamer RTP和RTSP1_ev.mp485.35M
| | ├──04 GStreamer RTP和RTSP2_ev.mp4111.14M
| | ├──05 python实现RTP和RTSP_ev.mp475.31M
| | ├──06 deepstream推理_ev.mp4111.37M
| | └──07 deepstream集成yolov4_ev.mp4108.50M
| ├──05 tensorRT视频
| | ├──01 说在前面_ev.mp427.33M
| | ├──01 源码【内有百度云地址，自取】.txt0.15kb
| | ├──02 学习工具环境的介绍，自动环境配置_ev.mp432.90M
| | ├──03 cuda驱动API，课程概述和清单_ev.mp414.36M
| | ├──04 cuda驱动API，初始化和检查的理解，CUDA错误检查习惯_ev.mp454.35M
| | ├──05 cuda驱动API，上下文管理设置，以及其作用_ev.mp436.25M
| | ├──06 cuda驱动API，使用驱动API进行内存分配_ev.mp416.28M
| | ├──07 cuda运行时API，课程概述和清单_ev.mp410.71M
| | ├──08 cuda运行时API，第一个运行时程序，hello-cuda_ev.mp417.03M
| | ├──09 cuda运行时API，内存的学习，pinnedmemory，内存效率问题_ev.mp439.68M
| | ├──10 cuda运行时API，流的学习，异步任务的管理_ev.mp432.66M
| | ├──11 cuda运行时API，核函数的定义和使用_ev.mp4115.38M
| | ├──12 cuda运行时API，共享内存的学习_ev.mp439.31M
| | ├──13 cuda运行时API，使用cuda核函数加速warpaffine_ev.mp445.74M
| | ├──14 cuda运行时API，使用cuda核函数加速yolov5的后处理_ev.mp4122.11M
| | ├──15 cuda运行时API，错误处理的理解以及错误的传播特性_ev.mp425.82M
| | ├──16 tensorRT基础，课程概述清单_ev.mp426.84M
| | ├──17 tensorRT基础，第一个trt程序，实现模型编译的过程_ev.mp441.94M
| | ├──18 tensorRT基础，实现模型的推理过程_ev.mp440.09M
| | ├──19 tensorRT基础，模型推理时动态shape的具体实现要点_ev.mp436.76M
| | ├──20 tensorRT基础，onnx文件及其结构的学习，编辑修改onnx.mkv_ev.mp480.14M
| | ├──21 tensorRT基础，实际模型上onnx文件的各种操作_ev.mp4227.02M
| | ├──22 tensorRT基础，正确导出onnx的介绍，使得onnx问题尽量少_ev.mp424.99M
| | ├──23 tensorRT基础，学习使用onnx解析器来读取onnx文件，使用onnx-tensorrt源代码_ev.mp489.32M
| | ├──24 tensorRT基础，学习从下载onnx-tensorrt到配置好并运行起来全过程_ev.mp4115.58M
| | ├──25 tensorRT基础，学习第一个插件的编写_ev.mp4141.19M
| | ├──26 tensorRT基础，对插件过程进行封装，并实现更容易的插件开发_ev.mp480.33M
| | ├──27 tensorRT基础，学习编译int8模型，对模型进行int8量化_ev.mp4118.23M
| | ├──28 tensorRT高级，课程概述和清单_ev.mp432.30M
| | ├──29 tensorRT高级，第一个完整的分类器程序_ev.mp482.97M
| | ├──30 tensorRT高级，学习yolov5目标检测项目的代码修改、模型导出、编译到推理过程，没有封装_ev.mp4144.19M
| | ├──31 tensorRT高级，学习UNet场景分割项目的代码修改、模型导出、编译到推理过程，没有封装_ev.mp4283.67M
| | ├──32 tensorRT高级，学习alphapose姿态检测项目的代码修改、模型导出、编译到推理过程，没有封装_ev.mp4385.47M
| | ├──33 tensorRT高级，学习如何处理mmdetection框架下yolox模型的导出，并使得正常推理出来_ev.mp4303.16M
| | ├──34 tensorRT高级，学习如何使用onnxruntime进行onnx的模型推理过程_ev.mp463.09M
| | ├──35 tensorRT高级，学习如何使用openvino进行onnx的模型推理过程_ev.mp449.48M
| | ├──36 tensorRT高级，学习深度学习中涉及的线程知识_ev.mp454.28M
| | ├──37 tensorRT高级，学习模型部署时常用的生产者消费者模型，以及future、promise、condition_variable.mkv_ev.mp4137.02M
| | ├──38 tensorRT高级，学习使用RAII资源获取即初始化配合接口模式对代码进行有效封装_ev.mp4125.43M
| | ├──39 tensorRT高级，学习RAII 接口模式下的生产者消费者以及多Batch的实现_ev.mp4129.38M
| | ├──40 tensorRT高级，封装之，模型编译过程封装，简化模型编译代码_ev.mp482.12M
| | ├──41 tensorRT高级，封装之，内存管理的封装，内存的复用_ev.mp439.70M
| | ├──42 tensorRT高级，封装之，tensor张量的封装，索引计算，内存标记以及自动复制_ev.mp4118.52M
| | ├──43 tensorRT高级，封装之，infer推理的封装，输入输出tensor的关联_ev.mp450.57M
| | ├──44 tensorRT高级，封装之，基于生产者消费者实现的yolov5封装_ev.mp480.52M
| | ├──45 tensorRT高级，封装之，终极封装形态，以及考虑的问题_ev.mp4234.61M
| | ├──46 tensorRT高级，调试方法、思想讨论_ev.mp487.74M
| | ├──47 tensorRT高级，自动驾驶案例项目self-driving-道路分割分析_ev.mp4173.54M
| | ├──48 tensorRT高级，自动驾驶案例项目self-driving-深度估计分析_ev.mp499.56M
| | ├──49 tensorRT高级，自动驾驶案例项目self-driving-车道线检测分析_ev.mp4239.73M
| | └──50 tensorRT高级，学习使用pybind11为python开发扩展模块_ev.mp491.76M
| ├──06 pyTorch框架部署实践
| | ├──01 所需基本环境配置_ev.mp416.18M
| | ├──02 模型加载与数据预处理_ev.mp428.03M
| | ├──03 接收与预测模块实现_ev.mp428.56M
| | ├──04 效果实例演示_ev.mp431.64M
| | ├──05 课程简介_ev.mp46.52M
| | └──05 源码【内有百度云地址，自取】.txt0.15kb
| ├──07 YOLO-V3物体检测部署实例
| | ├──01 项目所需配置文件介绍_ev.mp418.87M
| | ├──02 加载参数与模型权重_ev.mp426.94M
| | ├──03 数据预处理_ev.mp440.31M
| | └──04 返回线性预测结果_ev.mp432.56M
| ├──08 docker实例演示
| | ├──01 docker简介_ev.mp412.10M
| | ├──02 docker安装与配置_ev.mp436.85M
| | ├──03 阿里云镜像配置_ev.mp420.05M
| | ├──04 基于docker配置pytorch环境_ev.mp428.38M
| | ├──05 安装演示环境所需依赖_ev.mp425.09M
| | ├──06 复制所需配置到容器中_ev.mp421.71M
| | └──07 上传与下载配置好的项目_ev.mp436.18M
| ├──09 tensorflow-serving实战
| | ├──01 tf-serving项目获取与配置_ev.mp423.18M
| | ├──02 加载并启动模型服务_ev.mp423.11M
| | ├──03 测试模型部署效果_ev.mp432.59M
| | ├──04 fashion数据集获取_ev.mp427.32M
| | └──05 加载fashion模型启动服务_ev.mp428.19M
| ├──10 模型剪枝-Network Slimming算法分析
| | ├──01 论文算法核心框架概述_ev.mp415.23M
| | ├──02 BatchNorm要解决的问题_ev.mp415.14M
| | ├──03 BN的本质作用_ev.mp417.66M
| | ├──04 额外的训练参数解读_ev.mp416.14M
| | └──05 稀疏化原理与效果_ev.mp419.08M
| ├──11 模型剪枝-Network Slimming实战解读
| | ├──01 整体案例流程解读_ev.mp425.37M
| | ├──02 加入L1正则化来进行更新_ev.mp420.52M
| | ├──03 剪枝模块介绍_ev.mp423.63M
| | ├──04 筛选需要的特征图_ev.mp427.92M
| | ├──05 剪枝后模型参数赋值_ev.mp436.68M
| | └──06 微调完成剪枝模型_ev.mp433.71M
| └──12 Mobilenet三代网络模型架构
| | ├──01 模型剪枝分析_ev.mp417.36M
| | ├──02 常见剪枝方法介绍_ev.mp419.86M
| | ├──03 mobilenet简介_ev.mp47.50M
| | ├──04 经典卷积计算量与参数量分析_ev.mp411.49M
| | ├──05 深度可分离卷积的作用与效果_ev.mp412.73M
| | ├──06 参数与计算量的比较_ev.mp431.97M
| | ├──07 V1版本效果分析_ev.mp419.62M
| | ├──08 V2版本改进以及Relu激活函数的问题_ev.mp415.45M
| | ├──09 倒残差结构的作用_ev.mp414.38M
| | ├──10 V2整体架构与效果分析_ev.mp48.36M
| | ├──11 V3版本网络架构分析_ev.mp49.54M
| | ├──12 SE模块作用与效果解读_ev.mp425.55M
| | └──13 代码实现mobilenetV3网络架构_ev.mp446.99M
├──22 自然语言处理必备神器Huggingface系列实战
| ├──01 Huggingface与NLP介绍解读
| | └──01 Huggingface与NLP介绍解读_ev.mp4133.48M
| ├──02 Transformer工具包基本操作实例解读
| | ├──01 工具包与任务整体介绍_ev.mp424.29M
| | ├──02 NLP任务常规流程分析_ev.mp423.33M
| | ├──03 文本切分方法实例解读_ev.mp434.51M
| | ├──04 AttentionMask配套使用方法_ev.mp432.73M
| | ├──05 数据集与模型_ev.mp434.74M
| | ├──06 数据Dataloader封装_ev.mp445.42M
| | ├──07 模型训练所需配置参数_ev.mp432.04M
| | └──08 模型训练DEMO_ev.mp451.52M
| ├──03 transformer原理解读
| | └──01 transformer原理解读_ev.mp4302.10M
| ├──04 BERT系列算法解读
| | ├──01 BERT模型训练方法解读_ev.mp420.74M
| | ├──02 ALBERT基本定义_ev.mp431.81M
| | ├──03 ALBERT中的简化方法解读_ev.mp436.68M
| | ├──04 RoBerta模型训练方法解读_ev.mp422.64M
| | └──05 DistilBert模型解读_ev.mp413.96M
| ├──05 文本标注工具与NER实例
| | ├──01 文本标注工具Doccano配置方法_ev.mp427.62M
| | ├──02 命名实体识别任务标注方法实例_ev.mp429.96M
| | ├──03 标注导出与BIO处理_ev.mp430.65M
| | ├──04 标签处理并完成对齐操作_ev.mp432.65M
| | ├──05 预训练模型加载与参数配置_ev.mp434.16M
| | └──06 模型训练与输出结果预测_ev.mp435.57M
| ├──06 文本预训练模型构建实例
| | ├──01 预训练模型效果分析_ev.mp427.07M
| | ├──02 文本数据截断处理_ev.mp438.11M
| | └──03 预训练模型自定义训练_ev.mp483.34M
| ├──07 GPT系列算法
| | ├──01 GPT系列算法概述_ev.mp421.79M
| | ├──02 GPT三代版本分析_ev.mp425.04M
| | ├──03 GPT初代版本要解决的问题_ev.mp426.61M
| | ├──04 GPT第二代版本训练策略_ev.mp422.53M
| | ├──05 采样策略与多样性_ev.mp422.14M
| | ├──06 GPT3的提示与生成方法_ev.mp458.77M
| | ├──07 应用场景CODEX分析_ev.mp431.10M
| | └──08 DEMO应用演示_ev.mp472.71M
| ├──08 GPT训练与预测部署流程
| | ├──01 生成模型可以完成的任务概述_ev.mp423.08M
| | ├──01 源码【内有百度云地址，自取】.txt0.15kb
| | ├──02 数据样本生成方法_ev.mp453.49M
| | ├──03 训练所需参数解读_ev.mp446.11M
| | ├──04 模型训练过程_ev.mp441.37M
| | └──05 部署与网页预测展示_ev.mp462.77M
| ├──09 文本摘要建模
| | ├──01 源码【内有百度云地址，自取】.txt0.15kb
| | ├──01 中文商城评价数据处理方法_ev.mp453.68M
| | ├──02 模型训练与测试结果_ev.mp483.03M
| | ├──03 文本摘要数据标注方法_ev.mp444.44M
| | └──04 训练自己标注的数据并测试_ev.mp422.74M
| ├──10 图谱知识抽取实战
| | ├──01 应用场景概述分析_ev.mp466.44M
| | ├──02 数据标注格式样例分析_ev.mp451.34M
| | ├──03 数据处理与读取模块_ev.mp431.60M
| | ├──04 实体抽取模块分析_ev.mp437.15M
| | ├──05 标签与数据结构定义方法_ev.mp439.88M
| | ├──06 模型构建与计算流程_ev.mp435.86M
| | ├──07 网络模型前向计算方法_ev.mp426.17M
| | └──08 关系抽取模型训练_ev.mp433.54M
| └──11 补充Huggingface数据集制作方法实例
| | ├──01 数据结构分析_ev.mp446.24M
| | ├──02 Huggingface中的预处理实例_ev.mp467.44M
| | └──03 数据处理基本流程_ev.mp462.46M
├──23 自然语言处理通用框架-BERT实战
| ├──01 自然语言处理通用框架BERT原理解读
| | ├──01 BERT课程简介_ev.mp421.52M
| | ├──02 BERT任务目标概述_ev.mp410.07M
| | ├──03 传统解决方案遇到的问题_ev.mp419.87M
| | ├──04 注意力机制的作用_ev.mp413.08M
| | ├──05 self-attention计算方法_ev.mp421.40M
| | ├──06 特征分配与softmax机制_ev.mp418.48M
| | ├──07 Multi-head的作用_ev.mp416.99M
| | ├──08 位置编码与多层堆叠_ev.mp414.54M
| | ├──09 transformer整体架构梳理_ev.mp420.18M
| | ├──10 BERT模型训练方法_ev.mp417.75M
| | └──11 训练实例_ev.mp419.42M
| ├──02 谷歌开源项目BERT源码解读与应用实例
| | ├──01 BERT开源项目简介_ev.mp433.51M
| | ├──02 项目参数配置_ev.mp474.98M
| | ├──03 数据读取模块_ev.mp439.33M
| | ├──04 数据预处理模块_ev.mp429.63M
| | ├──05 tfrecord数据源制作_ev.mp437.70M
| | ├──06 Embedding层的作用_ev.mp422.79M
| | ├──07 加入额外编码特征_ev.mp431.47M
| | ├──08 加入位置编码特征_ev.mp417.18M
| | ├──09 mask机制的作用_ev.mp426.76M
| | ├──10 构建QKV矩阵_ev.mp438.19M
| | ├──11 完成Transformer模块构建_ev.mp430.38M
| | └──12 训练BERT模型_ev.mp440.90M
| ├──03 项目实战-基于BERT的中文情感分析实战
| | ├──01 中文分类数据与任务概述_ev.mp447.89M
| | ├──02 读取处理自己的数据集_ev.mp440.67M
| | └──03 训练BERT中文分类模型_ev.mp451.06M
| ├──04 项目实战-基于BERT的中文命名实体识别识别实战
| | ├──01 命名实体识别数据分析与任务目标_ev.mp425.14M
| | ├──02 NER标注数据处理与读取_ev.mp451.73M
| | └──03 构建BERT与CRF模型_ev.mp448.68M
| ├──05 必备基础知识点-woed2vec模型通俗解读
| | ├──01 词向量模型通俗解释_ev.mp417.35M
| | ├──02 模型整体框架_ev.mp423.56M
| | ├──03 训练数据构建_ev.mp413.87M
| | ├──04 CBOW与Skip-gram模型_ev.mp420.09M
| | └──05 负采样方案_ev.mp424.16M
| ├──06 必备基础-掌握Tensorflow如何实现word2vec模型
| | ├──01 数据与任务流程_ev.mp436.56M
| | ├──02 数据清洗_ev.mp421.20M
| | ├──03 batch数据制作_ev.mp438.00M
| | ├──04 网络训练_ev.mp437.77M
| | └──05 可视化展示_ev.mp430.99M
| ├──07 必备基础知识点-RNN网络架构与情感分析应用实例
| | ├──01 RNN网络模型解读_ev.mp421.07M
| | ├──02 NLP应用领域与任务简介_ev.mp427.14M
| | ├──03 项目流程解读_ev.mp434.00M
| | ├──04 加载词向量特征_ev.mp424.99M
| | ├──05 正负样本数据读取_ev.mp430.75M
| | ├──06 构建LSTM网络模型_ev.mp437.00M
| | ├──07 训练与测试效果_ev.mp471.00M
| | └──08 LSTM情感分析_ev.mp4460.22M
| └──08 医学糖尿病数据命名实体识别
| | ├──01 数据与任务介绍_ev.mp417.20M
| | ├──02 整体模型架构_ev.mp412.01M
| | ├──03 数据-标签-语料库处理_ev.mp428.87M
| | ├──04 训练网络模型_ev.mp430.07M
| | ├──05 医疗数据集（糖尿病）实体识别_ev.mp467.86M
| | └──06 输入样本填充补齐_ev.mp426.49M
├──24 自然语言处理经典案例实战
| ├──01 NLP常用工具包实战
| | ├──01 Python字符串处理_ev.mp432.37M
| | ├──02 正则表达式基本语法_ev.mp426.35M
| | ├──03 正则常用符号_ev.mp430.75M
| | ├──04 常用函数介绍_ev.mp431.77M
| | ├──05 NLTK工具包简介_ev.mp424.55M
| | ├──06 停用词过滤_ev.mp422.15M
| | ├──07 词性标注_ev.mp428.94M
| | ├──08 数据清洗实例_ev.mp436.17M
| | ├──09 Spacy工具包_ev.mp436.94M
| | ├──10 名字实体匹配_ev.mp417.57M
| | ├──11 恐怖袭击分析_ev.mp433.51M
| | ├──12 统计分析结果_ev.mp438.11M
| | ├──13 结巴分词器_ev.mp422.94M
| | └──14 词云展示_ev.mp472.83M
| ├──02 商品信息可视化与文本分析
| | ├──01 在线商城商品数据信息概述_ev.mp427.30M
| | ├──02 商品类别划分方式_ev.mp430.37M
| | ├──03 商品类别可视化展示_ev.mp433.33M
| | ├──04 商品描述长度对价格的影响分析_ev.mp427.75M
| | ├──05 关键词的词云可视化展示_ev.mp445.17M
| | ├──06 基于tf-idf提取关键词信息_ev.mp427.51M
| | ├──07 通过降维进行可视化展示_ev.mp430.91M
| | └──08 聚类分析与主题模型展示_ev.mp448.53M
| ├──03 贝叶斯算法
| | ├──01 贝叶斯算法概述_ev.mp410.25M
| | ├──02 贝叶斯推导实例_ev.mp411.08M
| | ├──03 贝叶斯拼写纠错实例_ev.mp417.59M
| | ├──04 垃圾邮件过滤实例_ev.mp421.06M
| | └──05 贝叶斯实现拼写检查器_ev.mp433.53M
| ├──04 新闻分类任务实战
| | ├──01 文本分析与关键词提取_ev.mp418.04M
| | ├──02 相似度计算_ev.mp417.52M
| | ├──03 新闻数据与任务简介_ev.mp430.55M
| | ├──04 TF-IDF关键词提取_ev.mp444.00M
| | ├──05 LDA建模_ev.mp426.19M
| | └──06 基于贝叶斯算法进行新闻分类_ev.mp446.68M
| ├──05 HMM隐马尔科夫模型
| | ├──01 马尔科夫模型_ev.mp414.24M
| | ├──02 隐马尔科夫模型基本出发点_ev.mp415.04M
| | ├──03 组成与要解决的问题_ev.mp412.09M
| | ├──04 暴力求解方法_ev.mp421.01M
| | ├──05 复杂度计算_ev.mp412.42M
| | ├──06 前向算法_ev.mp428.20M
| | ├──07 前向算法求解实例_ev.mp427.10M
| | ├──08 Baum-Welch算法_ev.mp420.75M
| | ├──09 参数求解_ev.mp413.68M
| | └──10 维特比算法_ev.mp434.24M
| ├──06 HMM工具包实战
| | ├──01 hmmlearn工具包_ev.mp416.18M
| | ├──02 工具包使用方法_ev.mp448.00M
| | ├──03 中文分词任务_ev.mp411.17M
| | └──04 实现中文分词_ev.mp427.67M
| ├──07 语言模型
| | ├──01 开篇_ev.mp47.56M
| | ├──02 语言模型_ev.mp48.32M
| | ├──03 N-gram模型_ev.mp412.62M
| | ├──04 词向量_ev.mp412.59M
| | ├──05 神经网络模型_ev.mp414.99M
| | ├──06 Hierarchical Softmax_ev.mp414.52M
| | ├──07 CBOW模型实例_ev.mp417.33M
| | ├──08 CBOW求解目标_ev.mp48.19M
| | ├──09 锑度上升求解_ev.mp415.55M
| | └──10 负采样模型_ev.mp49.77M
| ├──08 使用Gemsim构建词向量
| | ├──01 使用Gensim库构造词向量_ev.mp414.84M
| | ├──02 维基百科中文数据处理_ev.mp434.30M
| | ├──03 Gensim构造word2vec模型_ev.mp419.14M
| | └──04 测试模型相似度结果_ev.mp417.74M
| ├──09 基于word2vec的分类任务
| | ├──01 影评情感分类_ev.mp443.97M
| | ├──02 基于词袋模型训练分类器_ev.mp426.80M
| | ├──03 准备word2vec输入数据_ev.mp423.41M
| | └──04 使用gensim构建word2vec词向量（新）_ev.mp454.57M
| ├──10 NLP-文本特征方法对比
| | ├──01 任务概述_ev.mp430.59M
| | ├──02 词袋模型_ev.mp423.16M
| | ├──03 词袋模型分析_ev.mp453.16M
| | ├──04 TFIDF模型_ev.mp435.60M
| | ├──05 word2vec词向量模型_ev.mp440.89M
| | └──06 深度学习模型_ev.mp431.08M
| ├──11 NLP-相似度模型
| | ├──01 任务概述_ev.mp410.63M
| | ├──02 数据展示_ev.mp417.04M
| | ├──03 正负样本制作_ev.mp428.70M
| | ├──04 数据预处理_ev.mp429.06M
| | ├──05 网络模型定义_ev.mp439.19M
| | ├──06 基于字符的训练_ev.mp440.91M
| | └──07 基于句子的相似度训练_ev.mp429.17M
| ├──12 LSTM情感分析
| | ├──01 RNN网络架构_ev.mp418.03M
| | ├──02 LSTM网络架构_ev.mp416.63M
| | ├──03 案例：使用LSTM进行情感分类_ev.mp428.36M
| | ├──04 情感数据集处理_ev.mp432.21M
| | └──05 基于word2vec的LSTM模型_ev.mp447.23M
| ├──13 机器人写唐诗
| | ├──01 任务概述与环境配置_ev.mp411.24M
| | ├──02 参数配置_ev.mp420.54M
| | ├──03 数据预处理模块_ev.mp431.88M
| | ├──04 batch数据制作_ev.mp425.87M
| | ├──05 RNN模型定义_ev.mp416.59M
| | ├──06 完成训练模块_ev.mp425.30M
| | ├──07 训练唐诗生成模型_ev.mp410.34M
| | └──08 测试唐诗生成效果_ev.mp419.61M
| └──14 对话机器人
| | ├──01 效果演示_ev.mp424.19M
| | ├──02 参数配置与数据加载_ev.mp437.63M
| | ├──03 数据处理_ev.mp431.80M
| | ├──04 词向量与投影_ev.mp429.20M
| | ├──05 seq网络_ev.mp423.66M
| | └──06 网络训练_ev.mp428.47M
├──25 知识图谱实战系列
| ├──01 知识图谱介绍及其应用领域分析
| | ├──01 知识图谱通俗解读_ev.mp416.22M
| | ├──02 知识图谱在搜索引擎中的应用_ev.mp420.74M
| | ├──03 知识图谱在医疗领域应用实例_ev.mp465.42M
| | ├──04 金融与推荐领域的应用_ev.mp417.14M
| | └──05 数据获取分析_ev.mp427.15M
| ├──02 知识图谱涉及技术点分析
| | ├──01 数据关系抽取分析_ev.mp421.29M
| | ├──02 常用NLP技术点分析_ev.mp418.19M
| | ├──03 graph-embedding的作用与效果_ev.mp421.37M
| | ├──04 金融领域图编码实例_ev.mp410.14M
| | ├──05 视觉领域图编码实例_ev.mp417.11M
| | └──06 图谱知识融合与总结分析_ev.mp419.22M
| ├──03 Neo4j数据库实战
| | ├──01 Neo4j图数据库介绍_ev.mp436.74M
| | ├──02 Neo4j数据库安装流程演示_ev.mp421.06M
| | ├──03 可视化例子演示_ev.mp433.63M
| | ├──04 创建与删除操作演示_ev.mp420.27M
| | └──05 数据库更改查询操作演示_ev.mp421.39M
| ├──04 使用python操作neo4j实例
| | ├──01 使用Py2neo建立连接_ev.mp431.34M
| | ├──02 提取所需的指标信息_ev.mp435.67M
| | ├──03 在图中创建实体_ev.mp430.47M
| | └──04 根据给定实体创建关系_ev.mp436.16M
| ├──05 基于知识图谱的医药问答系统实战
| | ├──01 项目概述与整体架构分析_ev.mp425.48M
| | ├──02 医疗数据介绍及其各字段含义_ev.mp485.49M
| | ├──03 任务流程概述_ev.mp424.82M
| | ├──04 环境配置与所需工具包安装_ev.mp424.22M
| | ├──05 提取数据中的关键字段信息_ev.mp443.55M
| | ├──06 创建关系边_ev.mp428.69M
| | ├──07 打造医疗知识图谱模型_ev.mp441.80M
| | ├──08 加载所有实体数据_ev.mp427.31M
| | ├──09 实体关键词字典制作_ev.mp424.13M
| | └──10 完成对话系统构建_ev.mp428.64M
| ├──06 文本关系抽取实践
| | ├──01 关系抽取要完成的任务演示与分析_ev.mp413.79M
| | ├──02 LTP工具包概述介绍_ev.mp435.51M
| | ├──03 pyltp安装与流程演示_ev.mp430.12M
| | ├──04 得到分词与词性标注结果_ev.mp433.36M
| | ├──05 依存句法概述_ev.mp422.06M
| | ├──06 句法分析结果整理_ev.mp428.07M
| | ├──07 语义角色构建与分析_ev.mp439.63M
| | └──08 设计规则完成关系抽取_ev.mp438.22M
| ├──07 金融平台风控模型实践
| | ├──01 竞赛任务目标_ev.mp418.71M
| | ├──02 图模型信息提取_ev.mp423.50M
| | ├──03 节点权重特征提取(PageRank)_ev.mp428.38M
| | ├──04 deepwalk构建图顶点特征_ev.mp442.21M
| | ├──05 各项统计特征_ev.mp440.57M
| | ├──06 app安装特征_ev.mp433.72M
| | └──07 图中联系人特征_ev.mp455.96M
| └──08 医学糖尿病数据命名实体识别
| | ├──01 数据与任务介绍_ev.mp417.20M
| | ├──02 整体模型架构_ev.mp412.01M
| | ├──03 数据-标签-语料库处理_ev.mp428.87M
| | ├──04 输入样本填充补齐_ev.mp426.49M
| | ├──05 训练网络模型_ev.mp430.07M
| | └──06 医疗数据集（糖尿病）实体识别_ev.mp467.86M
├──26 语音识别实战系列
| ├──01 seq2seq序列网络模型
| | ├──01 序列网络模型概述分析_ev.mp415.34M
| | ├──02 工作原理概述_ev.mp47.46M
| | ├──03 注意力机制的作用_ev.mp412.53M
| | ├──04 加入attention的序列模型整体架构_ev.mp417.98M
| | ├──05 TeacherForcing的作用与训练策略_ev.mp413.91M
| | └──06 额外补充-RNN网络模型解读_ev.mp421.07M
| ├──02 LAS模型语音识别实战
| | ├──01 数据源与环境配置_ev.mp423.58M
| | ├──02 语料表制作方法_ev.mp418.49M
| | ├──03 制作json标注数据_ev.mp428.74M
| | ├──04 声音数据处理模块解读_ev.mp443.66M
| | ├──05 Pack与Pad操作解析_ev.mp426.11M
| | ├──06 编码器模块整体流程_ev.mp422.30M
| | ├──07 加入注意力机制_ev.mp424.02M
| | ├──08 计算得到每个输出的attention得分_ev.mp426.53M
| | └──09 解码器与训练过程演示_ev.mp431.69M
| ├──03 starganvc2变声器论文原理解读
| | ├──01 论文整体思路与架构解读_ev.mp429.63M
| | ├──02 VCC2016输入数据_ev.mp415.84M
| | ├──03 语音特征提取_ev.mp424.20M
| | ├──04 生成器模型架构分析_ev.mp411.70M
| | ├──05 InstanceNorm的作用解读_ev.mp415.20M
| | ├──06 AdaIn的目的与效果_ev.mp411.12M
| | └──07 判别器模块分析_ev.mp486.72M
| ├──04 staeganvc2变声器源码实战
| | ├──01 数据与项目文件解读_ev.mp416.60M
| | ├──02 环境配置与工具包安装_ev.mp430.25M
| | ├──03 数据预处理与声音特征提取_ev.mp461.10M
| | ├──04 生成器构造模块解读_ev.mp429.54M
| | ├──05 下采样与上采样操作_ev.mp424.50M
| | ├──06 starganvc2版本标签输入分析_ev.mp437.38M
| | ├──07 生成器前向传播维度变化_ev.mp419.33M
| | ├──08 判别器模块解读_ev.mp424.21M
| | ├──09 论文损失函数_ev.mp487.19M
| | ├──10 源码损失计算流程_ev.mp427.61M
| | └──11 测试模块-生成转换语音_ev.mp436.03M
| ├──05 语音分离ConvTasnet模型
| | ├──01 语音分离任务分析_ev.mp47.24M
| | ├──02 经典语音分离模型概述_ev.mp414.87M
| | ├──03 DeepClustering论文解读_ev.mp412.75M
| | ├──04 TasNet编码器结构分析_ev.mp432.49M
| | ├──05 DW卷积的作用与效果_ev.mp48.85M
| | └──06 基于Mask得到分离结果_ev.mp414.07M
| ├──06 ConvTasnet语音分离实战
| | ├──01 数据准备与环境配置_ev.mp456.94M
| | ├──02 训练任务所需参数介绍_ev.mp420.58M
| | ├──03 DataLoader定义_ev.mp425.84M
| | ├──04 采样数据特征编码_ev.mp428.11M
| | ├──05 编码器特征提取_ev.mp440.11M
| | ├──06 构建更大的感受区域_ev.mp437.05M
| | ├──07 解码得到分离后的语音_ev.mp435.34M
| | └──08 测试模块所需参数_ev.mp432.68M
| └──07 语音合成tacotron最新版实战
| | ├──01 语音合成项目所需环境配置_ev.mp434.63M
| | ├──02 所需数据集介绍_ev.mp432.54M
| | ├──03 路径配置与整体流程解读_ev.mp446.09M
| | ├──04 Dataloader构建数据与标签_ev.mp452.87M
| | ├──05 编码层要完成的任务_ev.mp433.31M
| | ├──06 得到编码特征向量_ev.mp420.52M
| | ├──07 解码器输入准备_ev.mp424.82M
| | ├──08 解码器流程梳理_ev.mp430.59M
| | ├──09 注意力机制应用方法_ev.mp437.22M
| | ├──10 得到加权的编码向量_ev.mp438.04M
| | ├──11 模型输出结果_ev.mp439.77M
| | └──12 损失函数与预测_ev.mp434.73M
├──27 推荐系统实战系列
| ├──01 推荐系统介绍及其应用
| | ├──01 1-推荐系统通俗解读_ev.mp414.57M
| | ├──02 2-推荐系统发展简介_ev.mp419.20M
| | ├──03 3-应用领域与多方位评估指标_ev.mp420.15M
| | ├──04 4-任务流程与挑战概述_ev.mp421.92M
| | ├──05 5-常用技术点分析_ev.mp413.75M
| | └──06 6-与深度学习的结合_ev.mp419.13M
| ├──02 协同过滤与矩阵分解
| | ├──01 1-协同过滤与矩阵分解简介_ev.mp48.91M
| | ├──02 2-基于用户与商品的协同过滤_ev.mp415.68M
| | ├──03 3-相似度计算与推荐实例_ev.mp412.15M
| | ├──04 4-矩阵分解的目的与效果_ev.mp417.31M
| | ├──05 5-矩阵分解中的隐向量_ev.mp420.12M
| | ├──06 6-目标函数简介_ev.mp410.78M
| | ├──07 7-隐式情况分析_ev.mp411.62M
| | └──08 8-Embedding的作用_ev.mp48.91M
| ├──03 音乐推荐系统实战
| | ├──01 1-音乐推荐任务概述_ev.mp455.21M
| | ├──02 2-数据集整合_ev.mp442.93M
| | ├──03 3-基于物品的协同过滤_ev.mp448.36M
| | ├──04 4-物品相似度计算与推荐_ev.mp452.54M
| | ├──05 5-SVD矩阵分解_ev.mp424.91M
| | └──06 6-基于矩阵分解的音乐推荐_ev.mp464.02M
| ├──04 知识图谱与Neo4j数据库实例
| | ├──01 1-知识图谱通俗解读_ev.mp416.22M
| | ├──02 2-知识图谱在搜索引擎中的应用_ev.mp420.74M
| | ├──03 3-知识图谱在医疗领域应用实例_ev.mp465.42M
| | ├──04 4-金融与推荐领域的应用_ev.mp417.14M
| | ├──05 5-数据获取分析_ev.mp427.15M
| | ├──06 1-Neo4j图数据库介绍_ev.mp436.74M
| | ├──07 2-Neo4j数据库安装流程演示_ev.mp421.06M
| | ├──08 3-可视化例子演示_ev.mp433.63M
| | ├──09 4-创建与删除操作演示_ev.mp420.27M
| | └──10 5-数据库更改查询操作演示_ev.mp421.39M
| ├──05 基于知识图谱的电影推荐实战
| | ├──01 1-知识图谱推荐系统效果演示_ev.mp417.11M
| | ├──02 2-kaggle电影数据集下载与配置_ev.mp447.01M
| | ├──03 3-图谱需求与任务流程解读_ev.mp419.95M
| | ├──04 4-项目所需环境配置安装_ev.mp435.79M
| | ├──05 5-构建用户电影知识图谱_ev.mp443.41M
| | ├──06 6-图谱查询与匹配操作_ev.mp414.77M
| | └──07 7-相似度计算与推荐引擎构建_ev.mp428.40M
| ├──06 点击率估计FM与DeepFM算法
| | ├──01 1-CTR估计及其经典方法概述_ev.mp416.87M
| | ├──02 2-高维特征带来的问题_ev.mp49.88M
| | ├──03 3-二项式特征的作用与挑战_ev.mp410.04M
| | ├──04 4-二阶公式推导与化简_ev.mp417.27M
| | ├──05 5-FM算法解析_ev.mp416.30M
| | ├──06 6-DeepFm整体架构解读_ev.mp412.37M
| | ├──07 7-输入层所需数据样例_ev.mp410.97M
| | └──08 8-Embedding层的作用与总结_ev.mp417.03M
| ├──07 DeepFM算法实战
| | ├──01 1-数据集介绍与环境配置_ev.mp441.04M
| | ├──02 2-广告点击数据预处理实例_ev.mp436.84M
| | ├──03 3-数据处理模块Embedding层_ev.mp424.60M
| | ├──04 4-Index与Value数据制作_ev.mp420.81M
| | ├──05 5-一阶权重参数设计_ev.mp423.78M
| | ├──06 6-二阶特征构建方法_ev.mp420.89M
| | ├──07 7-特征组合方法实例分析_ev.mp431.05M
| | ├──08 8-完成FM模块计算_ev.mp415.58M
| | └──09 9-DNN模块与训练过程_ev.mp428.36M
| ├──08 推荐系统常用工具包演示
| | ├──01 1-环境配置与数据集介绍_ev.mp424.93M
| | ├──02 2-电影数据集预处理分析_ev.mp427.96M
| | ├──03 3-surprise工具包基本使用_ev.mp427.38M
| | ├──04 4-模型测试集结果_ev.mp425.08M
| | └──05 5-评估指标概述_ev.mp446.54M
| ├──09 基于文本数据的推荐实例
| | ├──01 1-数据与环境配置介绍_ev.mp413.11M
| | ├──02 2-数据科学相关数据介绍_ev.mp424.27M
| | ├──03 3-文本数据预处理_ev.mp429.03M
| | ├──04 4-TFIDF构建特征矩阵_ev.mp422.21M
| | ├──05 5-矩阵分解演示_ev.mp421.76M
| | ├──06 6-LDA主题模型效果演示_ev.mp438.49M
| | └──07 7-推荐结果分析_ev.mp434.39M
| ├──10 基本统计分析的电影推荐
| | ├──01 1-电影数据与环境配置_ev.mp452.40M
| | ├──02 2-数据与关键词信息展示_ev.mp444.80M
| | ├──03 3-关键词云与直方图展示_ev.mp442.14M
| | ├──04 4-特征可视化_ev.mp433.14M
| | ├──05 5-数据清洗概述_ev.mp449.36M
| | ├──06 6-缺失值填充方法_ev.mp433.95M
| | ├──07 7-推荐引擎构造_ev.mp436.10M
| | ├──08 8-数据特征构造_ev.mp426.41M
| | └──09 9-得出推荐结果_ev.mp437.26M
| └──11 补充-基于相似度的酒店推荐系统
| | ├──01 1-酒店数据与任务介绍_ev.mp418.11M
| | ├──02 2-文本词频统计_ev.mp425.41M
| | ├──03 3-ngram结果可视化展示_ev.mp441.40M
| | ├──04 4-文本清洗_ev.mp427.26M
| | ├──05 5-相似度计算_ev.mp437.08M
| | └──06 6-得出推荐结果_ev.mp444.93M
├──28 AI课程所需安装软件教程
| └──01 AI课程所需安装软件教程
| | └──01 AI课程所需安装软件教程_ev.mp415.42M
└──29 额外补充
| └──01 通用创新点
〖视频截图〗:
〖百度网盘下载地址〗:**** Hidden Message *****
---------------------------------华丽分割线--------------------------------华丽分割线-------------------华丽分割线-------------------------华丽分割线----------------
〖下载地址失效反馈〗:
如果下载地址失效，请尽快反馈给我们，我们尽快修复。反馈地址：https://www.itmsf.com/forum-66-1.html
〖赞助VIP免学币下载全站资源〗:
全站资源高清无密，每天更新，vip特权了解一下：https://www.itmsf.com/plugin.php?id=threed_vip
〖客服24小时咨询〗:
有任何问题，请点击右侧QQ咨询。
看到这样的好资源真是高兴！感谢【IT码上发视频学习网】的无私分享！ 激动人心，无法言表！【IT码上发视频学习网】太给力了！ 看到这样的好资源真是高兴！感谢【IT码上发视频学习网】的无私分享！ 看到这样的好资源真是高兴！感谢【IT码上发视频学习网】的无私分享！ 真是难得给力的资源啊！支持【IT码上发视频学习网】！ 太生气了，无法HOLD啦 >_<......为什么我才发现【IT码上发视频学习网】这样的好站！ 无回帖，不论坛，这才是人道。支持【IT码上发视频学习网】！ 淡定，淡定，淡定……【IT码上发视频学习网】就是这么666！ 6666666666666666666666666