咕泡人工智能深度学习第10期

[资源目录]:

1-AI课程所需安装软件教程

｜ 1-AI课程所需安装软件教程

｜｜ 1-AI课程所需安装软件教程.mp4 19.61M

10-2022论⽂必备-Transformer实战系列

｜ 1-Transformer算法解读

｜｜ 1-Transformer算法解读.mp4 557.22M

｜ 10-MedicalTrasnformer论文解读

｜｜ 1-论文整体分析.mp4 23.72M

｜｜ 2-核心思想分析.mp4 54.26M

｜｜ 3-网络结构计算流程概述.mp4 44.46M

｜｜ 4-论文公式计算分析.mp4 46.93M

｜｜ 5-位置编码的作用与效果.mp4 46.55M

｜｜ 6-拓展应用分析.mp4 56.52M

｜ 11-MedicalTransformer源码解读

｜｜ 1-项目环境配置.mp4 25.29M

｜｜ 2-医学数据介绍与分析.mp4 56.68M

｜｜ 3-基本处理操作.mp4 25.77M

｜｜ 4-AxialAttention实现过程.mp4 36.87M

｜｜ 5-位置编码向量解读.mp4 27.80M

｜｜ 6-注意力计算过程与方法.mp4 52.13M

｜｜ 7-局部特征提取与计算.mp4 40.92M

｜ 12-商汤LoFTR算法解读

｜｜ 1-特征匹配的应用场景.mp4 87.35M

｜｜ 10-总结分析.mp4 39.42M

｜｜ 2-特征匹配的基本流程分析.mp4 15.91M

｜｜ 3-整体流程梳理分析.mp4 16.46M

｜｜ 4-CrossAttention的作用与效果.mp4 15.69M

｜｜ 5-transformer构建匹配特征.mp4 33.79M

｜｜ 6-粗粒度匹配过程与作用.mp4 26.00M

｜｜ 7-特征图拆解操作.mp4 14.34M

｜｜ 8-细粒度匹配的作用与方法.mp4 19.87M

｜｜ 9-基于期望预测最终位置.mp4 23.08M

｜ 13-局部特征关键点匹配实战

｜｜ 1-项目与参数配置解读.mp4 44.48M

｜｜ 10-得到精细化输出结果.mp4 19.35M

｜｜ 11-通过期望计算最终输出.mp4 40.24M

｜｜ 2-DEMO效果演示.mp4 39.57M

｜｜ 3-backbone特征提取模块.mp4 28.65M

｜｜ 4-注意力机制的作用与效果分析.mp4 30.98M

｜｜ 5-特征融合模块实现方法.mp4 29.29M

｜｜ 6-cross关系计算方法实例.mp4 29.30M

｜｜ 7-粗粒度匹配过程.mp4 49.80M

｜｜ 8-完成基础匹配模块.mp4 63.33M

｜｜ 9-精细化调整方法与实例.mp4 42.73M

｜ 14-分割模型Maskformer系列

｜｜ 1-分割模型Maskformer系列.mp4 776.88M

｜ 15-Mask2former源码解读

｜｜ 1-Backbone获取多层级特征.mp4 35.79M

｜｜ 10-正样本筛选损失计算.mp4 41.78M

｜｜ 11-标签分类匹配结果分析.mp4 62.04M

｜｜ 12-最终损失计算流程.mp4 52.29M

｜｜ 13-汇总所有损失完成迭代.mp4 35.76M

｜｜ 2-多层级采样点初始化构建.mp4 41.46M

｜｜ 3-多层级输入特征序列创建方法.mp4 43.83M

｜｜ 4-偏移量与权重计算并转换.mp4 48.78M

｜｜ 5-Encoder特征构建方法实例.mp4 49.77M

｜｜ 6-query要预测的任务解读.mp4 45.61M

｜｜ 7-Decoder中的AttentionMask方法.mp4 50.89M

｜｜ 8-损失模块输入参数分析.mp4 40.84M

｜｜ 9-标签分配策略解读.mp4 42.53M

｜ 16-BEV特征空间

｜｜ 1-BEV特征空间.mp4 523.07M

｜ 17-BevFormer源码解读

｜｜ 1-环境配置方法解读.mp4 42.79M

｜｜ 10-获取当前BEV特征.mp4 35.90M

｜｜ 11-Decoder级联校正模块.mp4 41.58M

｜｜ 12-损失函数与预测可视化.mp4 49.48M

｜｜ 2-数据集下载与配置方法.mp4 53.57M

｜｜ 3-特征提取以及BEV空间初始化.mp4 43.81M

｜｜ 4-特征对齐与位置编码初始化.mp4 43.63M

｜｜ 5-Reference初始点构建.mp4 37.26M

｜｜ 6-BEV空间与图像空间位置对应.mp4 37.67M

｜｜ 7-注意力机制模块计算方法.mp4 38.61M

｜｜ 8-BEV空间特征构建.mp4 34.01M

｜｜ 9-Decoder要完成的任务分析.mp4 33.95M

｜ 18-时间序列预测

｜｜ 1-时间序列预测.mp4 375.40M

｜ 19-Informer时间序列源码解读

｜｜ 1-Informer时间序列源码解读.mp4 829.10M

｜ 2-视觉Transformer及其源码分析

｜｜ 1-视觉Transformer及其源码分析.mp4 878.23M

｜ 20-Huggingface与NLP(讲故事)

｜｜ 1-Huggingface与NLP(讲故事).mp4 163.59M

｜ 3-VIT算法模型源码解读

｜｜ 1-项目配置说明.mp4 43.27M

｜｜ 2-输入序列构建方法解读.mp4 29.80M

｜｜ 3-注意力机制计算.mp4 28.04M

｜｜ 4-输出层计算结果.mp4 37.72M

｜ 4-swintransformer算法原理解析

｜｜ 1-swintransformer整体概述.mp4 14.76M

｜｜ 10-分层计算方法.mp4 21.71M

｜｜ 2-要解决的问题及其优势分析.mp4 22.33M

｜｜ 3-一个block要完成的任务.mp4 17.36M

｜｜ 4-获取各窗口输入特征.mp4 18.99M

｜｜ 5-基于窗口的注意力机制解读.mp4 29.53M

｜｜ 6-窗口偏移操作的实现.mp4 24.27M

｜｜ 7-偏移细节分析及其计算量概述.mp4 20.41M

｜｜ 8-整体网络架构整合.mp4 20.88M

｜｜ 9-下采样操作实现方法.mp4 22.24M

｜ 5-swintransformer源码解读

｜｜ 1-数据与环境配置解读.mp4 59.59M

｜｜ 2-图像数据patch编码.mp4 37.62M

｜｜ 3-数据按window进行划分计算.mp4 31.46M

｜｜ 4-基础attention计算模块.mp4 27.58M

｜｜ 5-窗口位移模块细节分析.mp4 36.81M

｜｜ 6-patchmerge下采样操作.mp4 25.24M

｜｜ 7-各block计算方法解读.mp4 27.91M

｜｜ 8-输出层概述.mp4 41.11M

｜ 6-基于Transformer的detr目标检测算法

｜｜ 1-DETR目标检测基本思想解读.mp4 19.27M

｜｜ 2-整体网络架构分析.mp4 31.54M

｜｜ 3-位置信息初始化query向量.mp4 19.90M

｜｜ 4-注意力机制的作用方法.mp4 20.79M

｜｜ 5-训练过程的策略.mp4 28.34M

｜ 7-detr目标检测源码解读

｜｜ 1-项目环境配置解读.mp4 40.33M

｜｜ 2-数据处理与dataloader.mp4 63.98M

｜｜ 3-位置编码作用分析.mp4 47.86M

｜｜ 4-backbone特征提取模块.mp4 35.54M

｜｜ 5-mask与编码模块.mp4 34.68M

｜｜ 6-编码层作用方法.mp4 42.78M

｜｜ 7-Decoder层操作与计算.mp4 30.08M

｜｜ 8-输出预测结果.mp4 41.20M

｜｜ 9-损失函数与预测输出.mp4 41.18M

｜ 8-DeformableDetr算法解读

｜｜ 1-DeformableDetr算法解读.mp4 730.35M

｜ 9-DeformableDetr物体检测源码分析

｜｜ 1-特征提取与位置编码.mp4 38.16M

｜｜ 10-分类与回归输出模块.mp4 49.72M

｜｜ 11-预测输出结果与标签匹配模块.mp4 44.31M

｜｜ 2-序列特征展开并叠加.mp4 51.07M

｜｜ 3-得到相对位置点编码.mp4 28.80M

｜｜ 4-准备Encoder编码层所需全部输入.mp4 37.91M

｜｜ 5-编码层中的序列分析.mp4 39.73M

｜｜ 6-偏移量offset计算.mp4 46.09M

｜｜ 7-偏移量对齐操作.mp4 39.80M

｜｜ 8-Encoder层完成特征对齐.mp4 51.84M

｜｜ 9-Decoder要完成的操作.mp4 38.98M

11-图神经网络实战

｜ 1-图神经网络基础

｜｜ 1-图神经网络应用领域分析.mp4 26.40M

｜｜ 2-图基本模块定义.mp4 10.51M

｜｜ 3-邻接矩阵的定义.mp4 16.06M

｜｜ 4-GNN中常见任务.mp4 19.17M

｜｜ 5-消息传递计算方法.mp4 14.23M

｜｜ 6-多层GCN的作用.mp4 13.00M

｜ 10-基于图模型的时间序列预测

｜｜ 1-基于图模型的时间序列预测.mp4 1021.16M

｜ 11-异构图神经网络

｜｜ 1-异构图神经网络.mp4 754.04M

｜ 2-图卷积GCN模型

｜｜ 1-GCN基本模型概述.mp4 13.24M

｜｜ 2-图卷积的基本计算方法.mp4 12.56M

｜｜ 3-邻接的矩阵的变换.mp4 18.38M

｜｜ 4-GCN变换原理解读.mp4 21.12M

｜ 3-图模型必备神器PyTorch Geometric安装与使用

｜｜ 1-PyTorch Geometric工具包安装与配置方法.mp4 45.07M

｜｜ 2-数据集与邻接矩阵格式.mp4 51.92M

｜｜ 3-模型定义与训练方法.mp4 41.92M

｜｜ 4-文献引用数据集分类案例实战.mp4 47.75M

｜ 4-使用PyTorch Geometric构建自己的图数据集

｜｜ 1-构建数据集基本方法.mp4 13.47M

｜｜ 2-数据集与任务背景概述.mp4 21.63M

｜｜ 3-数据集基本预处理.mp4 31.50M

｜｜ 4-用户行为图结构创建.mp4 36.67M

｜｜ 5-数据集创建函数介绍.mp4 34.87M

｜｜ 6-网络结构定义模块.mp4 36.87M

｜｜ 7-TopkPooling进行下采样任务.mp4 31.30M

｜｜ 8-获取全局特征.mp4 25.71M

｜｜ 9-模型训练与总结.mp4 35.84M

｜ 5-图注意力机制与序列图模型

｜｜ 1-图注意力机制的作用与方法.mp4 16.53M

｜｜ 2-邻接矩阵计算图Attention.mp4 21.40M

｜｜ 3-序列图神经网络TGCN应用.mp4 12.59M

｜｜ 4-序列图神经网络细节.mp4 23.67M

｜ 6-图相似度论文解读

｜｜ 1-要完成的任务分析.mp4 47.79M

｜｜ 2-基本方法概述解读.mp4 52.67M

｜｜ 3-图模型提取全局与局部特征.mp4 47.42M

｜｜ 4-NTN模块的作用与效果.mp4 41.09M

｜｜ 5-点之间的对应关系计算.mp4 51.22M

｜｜ 6-结果输出与总结.mp4 71.18M

｜ 7-图相似度计算实战

｜｜ 1-数据集与任务概述.mp4 18.11M

｜｜ 2-图卷积特征提取模块.mp4 55.92M

｜｜ 3-分别计算不同Batch点的分布.mp4 31.70M

｜｜ 4-获得直方图特征结果.mp4 21.11M

｜｜ 5-图的全局特征构建.mp4 31.45M

｜｜ 6-NTN图相似特征提取.mp4 39.25M

｜｜ 7-预测得到相似度结果.mp4 18.64M

｜ 8-基于图模型的轨迹估计

｜｜ 1-数据集与标注信息解读.mp4 57.53M

｜｜ 2-整体三大模块分析.mp4 71.83M

｜｜ 3-特征工程的作用与效果.mp4 41.75M

｜｜ 4-传统方法与现在向量空间对比.mp4 51.83M

｜｜ 5-输入细节分析.mp4 49.96M

｜｜ 6-子图模块构建方法.mp4 42.55M

｜｜ 7-特征融合模块分析.mp4 47.67M

｜｜ 8-VectorNet输出层分析.mp4 85.45M

｜ 9-图模型轨迹估计实战

｜｜ 1-数据与环境配置.mp4 35.36M

｜｜ 2-训练数据准备.mp4 27.69M

｜｜ 3-Agent特征提取方法.mp4 37.87M

｜｜ 4-DataLoader构建图结构.mp4 28.61M

｜｜ 5-SubGraph与Attention模型流程.mp4 34.55M

12-3D点云实战

｜ 1-3D点云实战 3D点云应用领域分析

｜｜ 1-点云数据概述.mp4 49.53M

｜｜ 2-点云应用领域与发展分析.mp4 82.18M

｜｜ 3-点云分割任务.mp4 52.03M

｜｜ 4-点云补全任务.mp4 29.17M

｜｜ 5-点云检测与配准任务.mp4 59.58M

｜｜ 6-点云数据特征提取概述与预告.mp4 22.69M

｜ 2-3D点云PointNet算法

｜｜ 1-3D数据应用领域与点云介绍.mp4 40.05M

｜｜ 2-点云数据可视化展示.mp4 40.07M

｜｜ 3-点云数据特性和及要解决的问题.mp4 33.08M

｜｜ 4-PointNet算法出发点解读.mp4 17.46M

｜｜ 5-PointNet算法网络架构解读.mp4 31.01M

｜ 3-PointNet算法解读

｜｜ 1-PointNet升级版算法要解决的问题.mp4 22.08M

｜｜ 2-最远点采样方法.mp4 21.00M

｜｜ 3-分组Group方法原理解读.mp4 32.79M

｜｜ 4-整体流程概述分析.mp4 16.37M

｜｜ 5-分类与分割问题解决方案.mp4 21.74M

｜｜ 6-遇到的问题及改进方法分析.mp4 13.43M

｜ 4-Pointnet项目实战

｜｜ 1-项目文件概述.mp4 29.02M

｜｜ 11-分割任务数据与配置概述.mp4 51.28M

｜｜ 12-分割需要解决的任务概述.mp4 33.94M

｜｜ 13-上采样完成分割任务.mp4 44.75M

｜｜ 2-数据读取模块配置.mp4 39.23M

｜｜ 3-DEBUG解读网络模型架构.mp4 24.25M

｜｜ 4-最远点采样介绍.mp4 19.48M

｜｜ 5-采样得到中心点.mp4 31.77M

｜｜ 6-组区域划分方法.mp4 24.88M

｜｜ 7-实现group操作得到各中心簇.mp4 35.00M

｜｜ 8-特征提取模块整体流程.mp4 40.04M

｜｜ 9-预测结果输出模块.mp4 38.74M

｜ 5-点云补全PF-Net论文解读

｜｜ 1-点云补全要解决的问题.mp4 23.13M

｜｜ 2-基本解决方案概述.mp4 17.42M

｜｜ 3-整体网络概述.mp4 20.61M

｜｜ 4-网络计算流程.mp4 25.52M

｜｜ 5-输入与计算结果.mp4 65.02M

｜ 6-点云补全实战解读

｜｜ 1-数据与项目配置解读.mp4 41.86M

｜｜ 2-待补全数据准备方法.mp4 29.26M

｜｜ 3-整体框架概述.mp4 49.10M

｜｜ 4-MRE特征提取模块.mp4 40.36M

｜｜ 5-分层预测输出模块.mp4 31.04M

｜｜ 6-补全点云数据.mp4 35.21M

｜｜ 7-判别模块.mp4 48.59M

｜ 7-点云配准及其案例实战

｜｜ 1-点云配准任务概述.mp4 20.00M

｜｜ 2-配准要完成的目标解读.mp4 17.64M

｜｜ 3-训练数据构建.mp4 23.43M

｜｜ 4-任务基本流程.mp4 15.56M

｜｜ 5-数据源配置方法.mp4 45.42M

｜｜ 6-参数计算模块解读.mp4 21.85M

｜｜ 7-基于模型预测输出参数.mp4 24.88M

｜｜ 8-特征构建方法分析.mp4 34.65M

｜｜ 9-任务总结.mp4 33.31M

｜ 8-基础补充-对抗生成网络架构原理与实战解析

｜｜ 1-对抗生成网络通俗解释.mp4 18.39M

｜｜ 2-GAN网络组成.mp4 10.73M

｜｜ 3-损失函数解释说明.mp4 39.88M

｜｜ 4-数据读取模块.mp4 29.93M

｜｜ 5-生成与判别网络定义.mp4 44.24M

13-面向深度学习的无人驾驶实战

｜ 1-深度估计算法原理解读

｜｜ 1-深度估计效果与应用.mp4 98.47M

｜｜ 10-损失计算.mp4 30.51M

｜｜ 2-kitti数据集介绍.mp4 59.45M

｜｜ 3-使用backbone获取层级特征.mp4 22.18M

｜｜ 4-差异特征计算边界信息.mp4 26.49M

｜｜ 5-SPP层的作用.mp4 15.27M

｜｜ 6-空洞卷积与ASPP.mp4 18.94M

｜｜ 7-特征拼接方法分析.mp4 21.24M

｜｜ 8-网络coarse-to-fine过程.mp4 26.50M

｜｜ 9-权重参数预处理.mp4 27.50M

｜ 10-NeuralRecon项目源码解读

｜｜ 1-Backbone得到特征图.mp4 36.02M

｜｜ 2-初始化体素位置.mp4 41.51M

｜｜ 3-坐标映射方法实现.mp4 26.66M

｜｜ 4-得到体素所对应特征图.mp4 50.70M

｜｜ 5-插值得到对应特征向量.mp4 32.36M

｜｜ 6-得到一阶段输出结果.mp4 38.08M

｜｜ 7-完成三个阶段预测结果.mp4 45.77M

｜｜ 8-项目总结.mp4 108.40M

｜ 11-TSDF算法与应用

｜｜ 1-TSDF整体概述分析.mp4 23.16M

｜｜ 2-合成过程DEMO演示.mp4 27.58M

｜｜ 3-布局初始化操作.mp4 12.69M

｜｜ 4-TSDF计算基本流程解读.mp4 23.93M

｜｜ 5-坐标转换流程分析.mp4 31.10M

｜｜ 6-输出结果融合更新.mp4 34.23M

｜ 12-TSDF实战案例

｜｜ 1-环境配置概述.mp4 32.66M

｜｜ 2-初始化与数据读取.mp4 21.30M

｜｜ 3-计算得到TSDF输出.mp4 44.10M

｜ 13-轨迹估计算法与论文解读

｜｜ 1-数据集与标注信息解读.mp4 57.53M

｜｜ 2-整体三大模块分析.mp4 71.83M

｜｜ 3-特征工程的作用与效果.mp4 41.75M

｜｜ 4-传统方法与现在向量空间对比.mp4 51.83M

｜｜ 5-输入细节分析.mp4 49.96M

｜｜ 6-子图模块构建方法.mp4 42.55M

｜｜ 7-特征融合模块分析.mp4 47.67M

｜｜ 8-VectorNet输出层分析.mp4 85.45M

｜ 14-轨迹估计预测实战

｜｜ 1-数据与环境配置.mp4 35.43M

｜｜ 2-训练数据准备.mp4 27.75M

｜｜ 3-Agent特征提取方法.mp4 37.97M

｜｜ 4-DataLoader构建图结构.mp4 28.68M

｜｜ 5-SubGraph与Attention模型流程.mp4 34.64M

｜ 15-特斯拉无人驾驶解读

｜｜ 1-特斯拉无人驾驶解读.mp4 644.17M

｜ 2-深度估计项目实战

｜｜ 1-项目环境配置解读.mp4 52.89M

｜｜ 10-损失函数通俗解读.mp4 65.84M

｜｜ 11-模型DEMO输出结果.mp4 80.63M

｜｜ 2-数据与标签定义方法.mp4 74.34M

｜｜ 3-数据集dataloader制作.mp4 36.83M

｜｜ 4-使用backbone进行特征提取.mp4 42.38M

｜｜ 5-计算差异特征.mp4 30.69M

｜｜ 6-权重参数标准化操作.mp4 42.56M

｜｜ 7-网络结构ASPP层.mp4 47.25M

｜｜ 8-特征拼接方法解读.mp4 47.64M

｜｜ 9-输出深度估计结果.mp4 25.45M

｜ 3-车道线检测算法与论文解读

｜｜ 1-数据标签与任务分析.mp4 84.49M

｜｜ 2-网络整体框架分析.mp4 28.89M

｜｜ 3-输出结果分析.mp4 18.12M

｜｜ 4-损失函数计算方法.mp4 27.30M

｜｜ 5-论文概述分析.mp4 62.39M

｜ 4-基于深度学习的车道线检测项目实战

｜｜ 1-车道数据与标签解读.mp4 65.61M

｜｜ 10-车道线规则损失函数限制.mp4 44.61M

｜｜ 11-DEMO制作与配置.mp4 40.28M

｜｜ 2-项目环境配置演示.mp4 29.98M

｜｜ 3-制作数据集dataloader.mp4 54.62M

｜｜ 4-车道线标签数据处理.mp4 34.18M

｜｜ 5-四条车道线标签位置矩阵.mp4 22.28M

｜｜ 6-grid设置方法.mp4 41.70M

｜｜ 7-完成数据与标签制作.mp4 24.65M

｜｜ 8-算法网络结构解读.mp4 59.95M

｜｜ 9-损失函数计算模块分析.mp4 45.66M

｜ 5-商汤LoFTR算法解读

｜｜ 1-特征匹配的应用场景.mp4 87.35M

｜｜ 10-总结分析.mp4 39.42M

｜｜ 2-特征匹配的基本流程分析.mp4 15.91M

｜｜ 3-整体流程梳理分析.mp4 16.46M

｜｜ 4-CrossAttention的作用与效果.mp4 15.69M

｜｜ 5-transformer构建匹配特征.mp4 33.79M

｜｜ 6-粗粒度匹配过程与作用.mp4 26.00M

｜｜ 7-特征图拆解操作.mp4 14.34M

｜｜ 8-细粒度匹配的作用与方法.mp4 19.87M

｜｜ 9-基于期望预测最终位置.mp4 23.08M

｜ 6-局部特征关键点匹配实战

｜｜ 1-项目与参数配置解读.mp4 44.48M

｜｜ 10-得到精细化输出结果.mp4 19.39M

｜｜ 11-通过期望计算最终输出.mp4 40.24M

｜｜ 2-DEMO效果演示.mp4 39.56M

｜｜ 3-backbone特征提取模块.mp4 28.70M

｜｜ 4-注意力机制的作用与效果分析.mp4 31.04M

｜｜ 5-特征融合模块实现方法.mp4 29.35M

｜｜ 6-cross关系计算方法实例.mp4 29.36M

｜｜ 7-粗粒度匹配过程.mp4 49.80M

｜｜ 8-完成基础匹配模块.mp4 63.33M

｜｜ 9-精细化调整方法与实例.mp4 42.81M

｜ 7-三维重建应用与坐标系基础

｜｜ 1-三维重建概述分析.mp4 66.80M

｜｜ 2-三维重建应用领域概述.mp4 13.17M

｜｜ 3-成像方法概述.mp4 16.33M

｜｜ 4-相机坐标系.mp4 17.15M

｜｜ 5-坐标系转换方法解读.mp4 20.91M

｜｜ 6-相机内外参.mp4 17.01M

｜｜ 7-通过内外参数进行坐标变换.mp4 16.47M

｜｜ 8-相机标定简介.mp4 5.50M

｜ 8-NeuralRecon算法解读

｜｜ 1-任务流程分析.mp4 19.35M

｜｜ 2-基本框架熟悉.mp4 27.45M

｜｜ 3-特征映射方法解读.mp4 34.68M

｜｜ 4-片段融合思想.mp4 16.72M

｜｜ 5-整体架构重构方法.mp4 23.00M

｜ 9-NeuralRecon项目环境配置

｜｜ 1-数据集下载与配置方法.mp4 52.41M

｜｜ 2-Scannet数据集内容概述.mp4 37.26M

｜｜ 3-TSDF标签生成方法.mp4 55.30M

｜｜ 4-ISSUE的作用.mp4 49.23M

｜｜ 5-完成依赖环境配置.mp4 57.11M

14-对比学习与多模态任务实战

｜ 1-对比学习算法与实例

｜｜ 1-对比学习算法与实例.mp4 549.52M

｜ 2-CLIP系列

｜｜ 1-CLIP系列.mp4 621.00M

｜ 3-多模态3D目标检测算法源码解读

｜｜ 1-环境配置与数据集概述.mp4 51.52M

｜｜ 10-3D卷积特征融合.mp4 56.76M

｜｜ 11-输出层预测结果.mp4 80.80M

｜｜ 2-数据与标注文件介绍.mp4 37.49M

｜｜ 3-基本流程梳理并进入debug模式.mp4 50.33M

｜｜ 4-数据与图像特征提取模块.mp4 58.02M

｜｜ 5-体素索引位置获取.mp4 64.72M

｜｜ 6-体素特征提取方法解读.mp4 37.57M

｜｜ 7-体素特征计算方法分析.mp4 70.71M

｜｜ 8-全局体素特征提取.mp4 95.96M

｜｜ 9-多模态特征融合.mp4 68.36M

｜ 4-多模态文字识别

｜｜ 1-多模态文字识别.mp4 766.02M

｜ 5-ANINET源码解读

｜｜ 1-数据集与环境概述.mp4 55.58M

｜｜ 2-配置文件修改方法.mp4 52.49M

｜｜ 3-Bakbone模块得到特征.mp4 42.10M

｜｜ 4-视觉Transformer模块的作用.mp4 45.97M

｜｜ 5-视觉模型中的编码与解码的效果.mp4 54.49M

｜｜ 6-文本模型中的结构分析.mp4 38.66M

｜｜ 7-迭代修正模块.mp4 38.14M

｜｜ 8-输出层与损失计算.mp4 52.81M

15-缺陷检测实战

｜ 1-课程介绍

｜｜ 1-课程介绍.mp4 26.71M

｜ 10-基于Opencv缺陷检测项⽬实战

｜｜ 1-任务需求与环境配置.mp4 15.40M

｜｜ 2-数据读取与基本处理.mp4 26.63M

｜｜ 3-缺陷形态学操作.mp4 26.46M

｜｜ 4-整体流程解读.mp4 23.65M

｜｜ 5-缺陷检测效果演示.mp4 50.91M

｜ 11-基于视频流⽔线的Opencv缺陷检测项⽬

｜｜ 1-数据与任务概述.mp4 16.48M

｜｜ 2-视频数据读取与轮廓检测.mp4 20.83M

｜｜ 3-目标质心计算.mp4 32.47M

｜｜ 4-视频数据遍历方法.mp4 31.41M

｜｜ 5-缺陷区域提取.mp4 36.00M

｜｜ 6-不同类型的缺陷检测方法.mp4 36.77M

｜｜ 7-检测效果演示.mp4 25.73M

｜ 12-图像分割deeplab系列算法

｜｜ 1-deeplab分割算法概述.mp4 13.81M

｜｜ 2-空洞卷积的作用.mp4 16.74M

｜｜ 3-感受野的意义.mp4 19.37M

｜｜ 4-SPP层的作用.mp4 19.02M

｜｜ 5-ASPP特征融合策略.mp4 13.45M

｜｜ 6-deeplabV3Plus版本网络架构.mp4 24.08M

｜ 13-基于deeplabV3+版本进⾏VOC分割实战

｜｜ 1-PascalVoc数据集介绍.mp4 70.12M

｜｜ 2-项目参数与数据集读取.mp4 60.32M

｜｜ 3-网络前向传播流程.mp4 33.10M

｜｜ 4-ASPP层特征融合.mp4 51.19M

｜｜ 5-分割模型训练.mp4 34.97M

｜ 14-Deeplab铁质材料缺陷检测与开源项⽬应⽤流程

｜｜ 1-数据集与任务概述.mp4 31.09M

｜｜ 2-开源项目应用方法.mp4 36.52M

｜｜ 3-github与kaggle中需要注意的点.mp4 40.24M

｜｜ 4-源码的利用方法.mp4 89.46M

｜｜ 5-数据集制作方法.mp4 75.53M

｜｜ 6-数据路径配置.mp4 54.55M

｜｜ 7-训练模型.mp4 34.38M

｜｜ 8-任务总结.mp4 43.02M

｜ 2-物体检框架YOLO-V4版本算法解读

｜｜ 1-V4版本整体概述.mp4 15.06M

｜｜ 10-PAN模块解读.mp4 20.64M

｜｜ 11-激活函数与整体架构总结.mp4 19.19M

｜｜ 2-V4版本贡献解读.mp4 10.06M

｜｜ 3-数据增强策略分析.mp4 24.70M

｜｜ 4-DropBlock与标签平滑方法.mp4 19.36M

｜｜ 5-损失函数遇到的问题.mp4 14.26M

｜｜ 6-CIOU损失函数定义.mp4 10.82M

｜｜ 7-NMS细节改进.mp4 16.66M

｜｜ 8-SPP与CSP网络结构.mp4 14.81M

｜｜ 9-SAM注意力机制模块.mp4 22.48M

｜ 3-物体检测框架YOLOV5版本项目配置

｜｜ 1-整体项目概述.mp4 35.77M

｜｜ 2-训练自己的数据集方法.mp4 41.32M

｜｜ 3-训练数据参数配置.mp4 51.48M

｜｜ 4-测试DEMO演示.mp4 50.47M

｜ 4-物体检测框架YOLOV5项目工程源码解读

｜｜ 1-数据源DEBUG流程解读.mp4 48.13M

｜｜ 10-完成配置文件解析任务.mp4 58.80M

｜｜ 11-前向传播计算.mp4 30.80M

｜｜ 12-BottleneckCSP层计算方法.mp4 33.82M

｜｜ 13-SPP层计算细节分析.mp4 29.17M

｜｜ 14-Head层流程解读.mp4 29.19M

｜｜ 15-上采样与拼接操作.mp4 21.48M

｜｜ 16-输出结果分析.mp4 41.71M

｜｜ 17-超参数解读.mp4 34.94M

｜｜ 18-命令行参数介绍.mp4 44.26M

｜｜ 19-训练流程解读.mp4 46.81M

｜｜ 2-图像数据源配置.mp4 34.65M

｜｜ 20-各种训练策略概述.mp4 38.43M

｜｜ 21-模型迭代过程.mp4 38.42M

｜｜ 3-加载标签数据.mp4 26.33M

｜｜ 4-Mosaic数据增强方法.mp4 28.19M

｜｜ 5-数据四合一方法与流程演示.mp4 41.69M

｜｜ 6-getItem构建batch.mp4 33.03M

｜｜ 7-网络架构图可视化工具安装.mp4 34.33M

｜｜ 8-V5网络配置文件解读.mp4 35.74M

｜｜ 9-Focus模块流程分析.mp4 21.93M

｜ 5-基于YOLOV5的钢材缺陷检测实战

｜｜ 1-任务需求与项目概述.mp4 14.14M

｜｜ 2-数据与标签配置方法.mp4 38.42M

｜｜ 3-标签转换格式脚本制作.mp4 30.57M

｜｜ 4-各版本模型介绍分析.mp4 33.52M

｜｜ 5-项目参数配置.mp4 27.21M

｜｜ 6-缺陷检测模型训练.mp4 34.15M

｜｜ 7-输出结果与项目总结.mp4 45.20M

｜ 6-Semi-supervised布料缺陷检测实战

｜｜ 1-任务目标与流程概述.mp4 53.72M

｜｜ 2-论文思想与模型分析.mp4 129.03M

｜｜ 3-项目配置解读.mp4 63.00M

｜｜ 4-网络流程分析.mp4 37.48M

｜｜ 5-输出结果展示.mp4 39.29M

｜ 7-Opencv图像常⽤处理⽅法实例

｜｜ 1-计算机眼中的图像.mp4 30.88M

｜｜ 10-膨胀操作.mp4 12.25M

｜｜ 11-开运算与闭运算.mp4 9.32M

｜｜ 12-梯度计算.mp4 7.85M

｜｜ 13-礼帽与黑帽.mp4 15.88M

｜｜ 2-视频的读取与处理.mp4 46.97M

｜｜ 3-ROI区域.mp4 15.37M

｜｜ 4-边界填充.mp4 21.46M

｜｜ 5-数值计算.mp4 40.04M

｜｜ 6-图像阈值.mp4 30.85M

｜｜ 7-图像平滑处理.mp4 24.77M

｜｜ 8-高斯与中值滤波.mp4 20.61M

｜｜ 9-腐蚀操作.mp4 20.99M

｜ 8-Opencv梯度计算与边缘检测实例

｜｜ 1-Canny边缘检测流程.mp4 18.97M

｜｜ 2-非极大值抑制.mp4 18.32M

｜｜ 3-边缘检测效果.mp4 36.63M

｜｜ 4-Sobel算子.mp4 27.00M

｜｜ 5-梯度计算方法.mp4 30.29M

｜｜ 6-scharr与lapkacian算子.mp4 27.39M

｜ 9-Opencv轮廓检测与直⽅图

｜｜ 1-图像金字塔定义.mp4 19.68M

｜｜ 10-均衡化效果.mp4 27.21M

｜｜ 11-傅里叶概述.mp4 38.86M

｜｜ 12-频域变换结果.mp4 26.32M

｜｜ 13-低通与高通滤波.mp4 27.40M

｜｜ 2-金字塔制作方法.mp4 25.47M

｜｜ 3-轮廓检测方法.mp4 19.37M

｜｜ 4-轮廓检测结果.mp4 34.44M

｜｜ 5-轮廓特征与近似.mp4 37.62M

｜｜ 6-模板匹配方法.mp4 47.45M

｜｜ 7-匹配效果展示.mp4 21.20M

｜｜ 8-直方图定义.mp4 23.64M

｜｜ 9-均衡化原理.mp4 31.35M

16-行人重识别实战

｜ 1-行人重识别原理及其应用

｜｜ 1-行人重识别要解决的问题.mp4 17.26M

｜｜ 2-挑战与困难分析.mp4 35.89M

｜｜ 3-评估标准rank1指标.mp4 14.05M

｜｜ 4-map值计算方法.mp4 15.70M

｜｜ 5-triplet损失计算实例.mp4 25.16M

｜｜ 6-Hard-Negative方法应用.mp4 27.27M

｜ 2-基于注意力机制的Reld模型论文解读

｜｜ 1-论文整体思想及注意力机制的作用解读.mp4 50.47M

｜｜ 2-空间权重值计算流程分析.mp4 32.88M

｜｜ 3-融合空间注意力所需特征.mp4 27.38M

｜｜ 4-基于特征图的注意力计算.mp4 66.01M

｜ 3-基于Attention的行人重识别项目实战

｜｜ 1-项目环境与数据集配置.mp4 49.78M

｜｜ 2-参数配置与整体架构分析.mp4 65.40M

｜｜ 3-进入debug模式解读网络计算流程.mp4 30.56M

｜｜ 4-获得空间位置点之间的关系.mp4 43.11M

｜｜ 5-组合关系特征图.mp4 39.65M

｜｜ 6-计算得到位置权重值.mp4 38.01M

｜｜ 7-基于特征图的权重计算.mp4 25.57M

｜｜ 8-损失函数计算实例解读.mp4 60.36M

｜｜ 9-训练与测试模块演示.mp4 75.66M

｜ 4-AAAI2020顶会算法精讲

｜｜ 1-论文整体框架概述.mp4 16.23M

｜｜ 2-局部特征与全局关系计算方法.mp4 15.39M

｜｜ 3-特征分组方法.mp4 15.12M

｜｜ 4-GCP模块特征融合方法.mp4 28.45M

｜｜ 5-oneVsReset方法实例.mp4 15.63M

｜｜ 6-损失函数应用位置.mp4 16.80M

｜ 5-项目实战-基于行人局部特征融合的再识别实战

｜｜ 1-项目配置与数据集介绍.mp4 67.72M

｜｜ 10-得到所有分组特征结果.mp4 51.20M

｜｜ 11-损失函数与训练过程演示.mp4 42.52M

｜｜ 12-测试与验证模块.mp4 47.02M

｜｜ 2-数据源构建方法分析.mp4 41.23M

｜｜ 3-dataloader加载顺序解读.mp4 27.96M

｜｜ 4-debug模式解读.mp4 62.34M

｜｜ 5-网络计算整体流程演示.mp4 30.51M

｜｜ 6-特征序列构建.mp4 41.00M

｜｜ 7-GCP全局特征提取.mp4 39.65M

｜｜ 8-局部特征提取实例.mp4 52.39M

｜｜ 9-特征组合汇总.mp4 49.29M

｜ 6-旷视研究院最新算法解读(基于图模型)

｜｜ 1-关键点位置特征构建.mp4 22.40M

｜｜ 2-图卷积与匹配的作用.mp4 24.41M

｜｜ 3-局部特征热度图计算.mp4 24.78M

｜｜ 4-基于图卷积构建人体拓扑关系.mp4 29.82M

｜｜ 5-图卷积模块实现方法.mp4 27.54M

｜｜ 6-图匹配在行人重识别中的作用.mp4 18.07M

｜｜ 7-整体算法框架分析.mp4 24.09M

｜ 7-基于拓扑图的行人重识别项目实战

｜｜ 1-数据集与环境配置概述.mp4 48.08M

｜｜ 10-整体项目总结.mp4 79.79M

｜｜ 2-局部特征准备方法.mp4 47.66M

｜｜ 3-得到一阶段热度图结果.mp4 42.07M

｜｜ 4-阶段监督训练.mp4 78.61M

｜｜ 5-初始化图卷积模型.mp4 34.82M

｜｜ 6-mask矩阵的作用.mp4 40.13M

｜｜ 7-邻接矩阵学习与更新.mp4 50.98M

｜｜ 8-基于拓扑结构组合关键点特征.mp4 63.20M

｜｜ 9-图匹配模块计算流程.mp4 67.63M

｜ 8-额外补充：行人搜索源码分析

｜｜ 1-项目概述.mp4 26.15M

｜｜ 2-项目概述.mp4 31.61M

｜｜ 3-数据与标签读取模块.mp4 57.97M

｜｜ 4-通过配置文件读取模型位置.mp4 37.97M

｜｜ 5-BackBone位置与流程.mp4 52.30M

｜｜ 6-Neck层操作方法.mp4 33.12M

｜｜ 7-Head层预测模块.mp4 40.06M

｜｜ 8-损失函数计算模块.mp4 54.31M

｜｜ 9-总结概述.mp4 34.10M

17-对抗生成网络实战

｜ 1-课程介绍

｜｜ 1-课程介绍.mp4 28.55M

｜ 2-对抗生成网络架构原理与实战解析

｜｜ 1-对抗生成网络通俗解释.mp4 18.39M

｜｜ 2-GAN网络组成.mp4 10.73M

｜｜ 3-损失函数解释说明.mp4 39.88M

｜｜ 4-数据读取模块.mp4 29.93M

｜｜ 5-生成与判别网络定义.mp4 44.24M

｜ 3-基于CycleGan开源项目实战图像合成

｜｜ 1-CycleGan网络所需数据.mp4 37.56M

｜｜ 10-额外补充：VISDOM可视化配置.mp4 38.69M

｜｜ 2-CycleGan整体网络架构.mp4 21.36M

｜｜ 3-PatchGan判别网络原理.mp4 11.45M

｜｜ 4-Cycle开源项目简介.mp4 46.41M

｜｜ 5-数据读取与预处理操作.mp4 57.93M

｜｜ 6-生成网络模块构造.mp4 48.52M

｜｜ 7-判别网络模块构造.mp4 19.77M

｜｜ 8-损失函数：identity loss计算方法.mp4 37.16M

｜｜ 9-生成与判别损失函数指定.mp4 54.69M

｜ 4-stargan论文架构解析

｜｜ 1-stargan效果演示分析.mp4 27.95M

｜｜ 2-网络架构整体思路解读.mp4 30.84M

｜｜ 3-建模流程分析.mp4 42.55M

｜｜ 4-V1版本存在的问题及后续改进思路.mp4 60.74M

｜｜ 5-V2版本在整体网络架构.mp4 63.67M

｜｜ 6-编码器训练方法.mp4 53.45M

｜｜ 7-损失函数公式解析.mp4 49.43M

｜｜ 8-训练过程分析.mp4 34.17M

｜ 5-stargan项目实战及其源码解读

｜｜ 1-测试模块效果与实验分析.mp4 29.95M

｜｜ 10-生成模块损失计算.mp4 70.07M

｜｜ 2-项目配置与数据源下载.mp4 21.51M

｜｜ 3-测试效果演示.mp4 34.97M

｜｜ 4-项目参数解析.mp4 27.62M

｜｜ 5-生成器模块源码解读.mp4 53.18M

｜｜ 6-所有网络模块构建实例.mp4 46.52M

｜｜ 7-数据读取模块分析.mp4 56.60M

｜｜ 8-判别器损失计算.mp4 32.90M

｜｜ 9-损失计算详细过程.mp4 45.76M

｜ 6-基于starganvc2的变声器论文原理解读

｜｜ 1-论文整体思路与架构解读.mp4 34.66M

｜｜ 2-VCC2016输入数据.mp4 20.76M

｜｜ 3-语音特征提取.mp4 30.57M

｜｜ 4-生成器模型架构分析.mp4 15.81M

｜｜ 5-InstanceNorm的作用解读.mp4 18.58M

｜｜ 6-AdaIn的目的与效果.mp4 13.18M

｜｜ 7-判别器模块分析.mp4 114.03M

｜ 7-starganvc2变声器项目实战及其源码解读

｜｜ 1-数据与项目文件解读.mp4 21.80M

｜｜ 10-源码损失计算流程.mp4 34.82M

｜｜ 11-测试模块-生成转换语音.mp4 47.17M

｜｜ 2-环境配置与工具包安装.mp4 37.11M

｜｜ 3-数据预处理与声音特征提取.mp4 88.49M

｜｜ 4-生成器构造模块解读.mp4 41.33M

｜｜ 5-下采样与上采样操作.mp4 35.48M

｜｜ 6-starganvc2版本标签输入分析.mp4 49.96M

｜｜ 7-生成器前向传播维度变化.mp4 26.49M

｜｜ 8-判别器模块解读.mp4 35.22M

｜｜ 9-论文损失函数.mp4 100.48M

｜ 8-图像超分辨率重构实战

｜｜ 1-论文概述.mp4 46.83M

｜｜ 2-网络架构.mp4 106.93M

｜｜ 3-数据与环境配置.mp4 26.90M

｜｜ 4-数据加载与配置.mp4 39.14M

｜｜ 5-生成模块.mp4 48.50M

｜｜ 6-判别模块.mp4 44.60M

｜｜ 7-VGG特征提取网络.mp4 35.88M

｜｜ 8-损失函数与训练.mp4 89.00M

｜｜ 9-测试模块.mp4 90.79M

｜ 9-基于GAN的图像补全实战

｜｜ 1-论文概述.mp4 75.09M

｜｜ 2-网络架构.mp4 30.75M

｜｜ 3-细节设计.mp4 77.69M

｜｜ 4-论文总结.mp4 67.30M

｜｜ 5-数据与项目概述.mp4 45.92M

｜｜ 6-参数基本设计.mp4 81.81M

｜｜ 7-网络结构配置.mp4 71.57M

｜｜ 8-网络迭代训练.mp4 92.87M

｜｜ 9-测试模块.mp4 48.39M

18-强化学习与AI黑科技实例

｜ 1-强化学习简介及其应用

｜｜ 1-一张图通俗解释强化学习.mp4 17.69M

｜｜ 2-强化学习的指导依据.mp4 20.19M

｜｜ 3-强化学习AI游戏DEMO.mp4 20.36M

｜｜ 4-应用领域简介.mp4 17.34M

｜｜ 5-强化学习工作流程.mp4 14.78M

｜｜ 6-计算机眼中的状态与行为.mp4 20.09M

｜ 10-CLIP系列

｜｜ 1-CLIP系列.mp4 621.00M

｜ 11-Diffusion模型解读

｜｜ 1-Diffusion模型解读.mp4 737.53M

｜ 12-Dalle2及其源码解读

｜｜ 1-Dalle2源码解读.mp4 614.12M

｜ 13-ChatGPT

｜｜ 1-ChatGPT.mp4 382.23M

｜ 2-PPO算法与公式推导

｜｜ 1-基本情况介绍.mp4 28.05M

｜｜ 2-与环境交互得到所需数据.mp4 23.17M

｜｜ 3-要完成的目标分析.mp4 24.51M

｜｜ 4-策略梯度推导.mp4 21.76M

｜｜ 5-baseline方法.mp4 18.36M

｜｜ 6-OnPolicy与OffPolicy策略.mp4 20.77M

｜｜ 7-importance sampling的作用.mp4 23.19M

｜｜ 8-PPO算法整体思路解析.mp4 26.57M

｜ 3-PPO实战-月球登陆器训练实例

｜｜ 1-Critic的作用与效果.mp4 40.06M

｜｜ 2-PPO2版本公式解读.mp4 31.64M

｜｜ 3-参数与网络结构定义.mp4 33.70M

｜｜ 4-得到动作结果.mp4 29.01M

｜｜ 5-奖励获得与计算.mp4 36.29M

｜｜ 6-参数迭代与更新.mp4 49.26M

｜ 4-Q-learning与DQN算法

｜｜ 1-整体任务流程演示.mp4 23.90M

｜｜ 2-探索与action获取.mp4 28.41M

｜｜ 3-计算target值.mp4 22.46M

｜｜ 4-训练与更新.mp4 34.15M

｜｜ 5-算法原理通俗解读.mp4 25.99M

｜｜ 6-目标函数与公式解析.mp4 25.54M

｜｜ 7-Qlearning算法实例解读.mp4 16.65M

｜｜ 8-Q值迭代求解.mp4 22.46M

｜｜ 9-DQN简介.mp4 15.36M

｜ 5-DQN改进与应用技巧

｜｜ 1-DoubleDqn要解决的问题.mp4 22.34M

｜｜ 2-DuelingDqn改进方法.mp4 19.06M

｜｜ 3-Dueling整体网络架构分析.mp4 21.73M

｜｜ 4-MultiSetp策略.mp4 8.67M

｜｜ 5-连续动作处理方法.mp4 22.24M

｜ 6-Actor-Critic算法分析(A3C)

｜｜ 1-AC算法回顾与知识点总结.mp4 17.31M

｜｜ 2-优势函数解读与分析.mp4 19.87M

｜｜ 3-计算流程实例.mp4 17.59M

｜｜ 4-A3C整体架构分析.mp4 16.43M

｜｜ 5-损失函数整理.mp4 22.40M

｜ 7-用A3C玩转超级马里奥

｜｜ 1-整体流程与环境配置.mp4 26.97M

｜｜ 2-启动游戏环境.mp4 32.19M

｜｜ 3-要计算的指标回顾.mp4 37.00M

｜｜ 4-初始化局部模型并加载参数.mp4 32.22M

｜｜ 5-与环境交互得到训练数据.mp4 39.26M

｜｜ 6-训练网络模型.mp4 44.24M

｜ 8-GPT系列生成模型

｜｜ 1-GPT系列.mp4 442.99M

｜ 9-GPT建模与预测流程

｜｜ 1-生成模型可以完成的任务概述.mp4 28.91M

｜｜ 2-数据样本生成方法.mp4 72.04M

｜｜ 3-训练所需参数解读.mp4 57.68M

｜｜ 4-模型训练过程.mp4 51.48M

｜｜ 5-部署与网页预测展示.mp4 79.57M

19-CV与NLP经典大模型解读

｜ 1-课程简介

｜｜ 1-课程简介.mp4 10.19M

｜ 10-openai-dalle2论文解读

｜｜ 1-论文基本思想与核心模块分析.mp4 42.10M

｜｜ 2-不同模块对比分析.mp4 34.78M

｜｜ 3-算法核心流程解读.mp4 62.78M

｜｜ 4-各模块实现细节讲解.mp4 78.77M

｜ 11-openai-dalle2源码解读

｜｜ 1-项目整体流程分析.mp4 53.51M

｜｜ 2-源码实现细节分析.mp4 41.14M

｜｜ 3-源码公式对应论文分析.mp4 47.57M

｜｜ 4-Decoder模块实现细节解读.mp4 44.83M

｜｜ 5-源码实现流程总结.mp4 56.49M

｜ 12-自监督任务-对比学习思想

｜｜ 1-对比学习要解决的问题分析.mp4 47.41M

｜｜ 2-正负样本构建方法.mp4 34.18M

｜｜ 3-Simclr框架流程分析.mp4 40.15M

｜｜ 4-下游任务应用概述.mp4 45.04M

｜ 13-视觉自监督BEIT算法解读

｜｜ 1-视觉自监督任务分析.mp4 56.86M

｜｜ 2-任务训练目标分析.mp4 72.80M

｜｜ 3-建模流程分析与效果展示.mp4 101.08M

｜｜ 4-codebook模块的作用.mp4 81.31M

｜｜ 5-任务总结分析.mp4 114.38M

｜ 14-视觉自监督任务BEITV2论文解读

｜｜ 1-BEITV2版本论文出发点解读.mp4 48.00M

｜｜ 2-自监督任务中两大核心任务分析.mp4 56.24M

｜｜ 3-整体网络架构图分析.mp4 43.98M

｜｜ 4-框架实现细节流程分析.mp4 21.84M

｜｜ 5-论文细节模块实现解读.mp4 99.31M

｜ 15-视觉自监督任务BEITV2源码解读

｜｜ 1-mmselfup源码实现解读.mp4 42.02M

｜｜ 2-网络结构搭建细节解读.mp4 49.16M

｜｜ 3-源码实现流程总结.mp4 45.78M

｜ 16-BEV感知特征空间算法解读

｜｜ 1-BEV要解决的问题通俗解读.mp4 57.89M

｜｜ 10-整体架构总结.mp4 51.47M

｜｜ 2-BEV中的3D与4D分析.mp4 23.58M

｜｜ 3-特征融合过程中可能遇到的问题.mp4 22.25M

｜｜ 4-BEV汇总特征方法实例解读.mp4 35.67M

｜｜ 5-DeformableAttention回顾.mp4 40.86M

｜｜ 6-空间注意力模块解读.mp4 33.92M

｜｜ 7-时间模块与拓展补充.mp4 27.10M

｜｜ 8-论文知识点分析.mp4 50.40M

｜｜ 9-核心模块论文分析.mp4 57.14M

｜ 17-BEVformer项目源码解读

｜｜ 1-环境配置方法解读.mp4 42.79M

｜｜ 10-获取当前BEV特征.mp4 35.90M

｜｜ 11-Decoder级联校正模块.mp4 41.58M

｜｜ 12-损失函数与预测可视化.mp4 49.48M

｜｜ 2-数据集下载与配置方法.mp4 53.57M

｜｜ 3-特征提取以及BEV空间初始化.mp4 43.81M

｜｜ 4-特征对齐与位置编码初始化.mp4 43.63M

｜｜ 5-Reference初始点构建.mp4 37.26M

｜｜ 6-BEV空间与图像空间位置对应.mp4 37.67M

｜｜ 7-注意力机制模块计算方法.mp4 38.61M

｜｜ 8-BEV空间特征构建.mp4 34.01M

｜｜ 9-Decoder要完成的任务分析.mp4 33.95M

｜ 18-补充-视觉大模型基础-deformableAttention

｜｜ 1-DeformableAttention概述分析.mp4 26.55M

｜｜ 2-可变形偏移量分析.mp4 37.05M

｜｜ 3-应用场景分析解读.mp4 48.64M

｜｜ 4-论文计算公式解读.mp4 70.45M

｜｜ 5-整体框架流程实例.mp4 52.61M

｜｜ 6-下游任务应用场景.mp4 29.34M

｜ 2-GPT系列算法解读

｜｜ 1-GPT系列算法概述.mp4 26.53M

｜｜ 2-GPT三代版本分析.mp4 29.33M

｜｜ 3-GPT初代版本要解决的问题.mp4 30.99M

｜｜ 4-GPT第二代版本训练策略.mp4 28.94M

｜｜ 5-采样策略与多样性.mp4 28.20M

｜｜ 6-GPT3的提示与生成方法.mp4 74.39M

｜｜ 7-应用场景CODEX分析.mp4 36.50M

｜｜ 8-DEMO应用演示.mp4 98.82M

｜ 3-GPT2训练与预测部署流程

｜｜ 1-生成模型可以完成的任务概述.mp4 28.91M

｜｜ 2-数据样本生成方法.mp4 72.04M

｜｜ 3-训练所需参数解读.mp4 57.68M

｜｜ 4-模型训练过程.mp4 51.48M

｜｜ 5-部署与网页预测展示.mp4 79.57M

｜ 4-chatgpt算法解读分析

｜｜ 1-chatgpt概述.mp4 21.49M

｜｜ 2-挑战及其与有监督问题差异.mp4 22.41M

｜｜ 3-强化学习登场.mp4 17.69M

｜｜ 4-强化学习的作用效果.mp4 33.81M

｜｜ 5-奖励模型设计方法.mp4 26.20M

｜｜ 6-RLHF训练流程解读.mp4 38.53M

｜｜ 7-总结分析.mp4 69.21M

｜ 5-LLM与LORA微调策略解读

｜｜ 1-大模型如何做下游任务.mp4 33.43M

｜｜ 2-LLM落地微调分析.mp4 37.03M

｜｜ 3-LLAMA与LORA介绍.mp4 30.10M

｜｜ 4-LORA微调的核心思想.mp4 22.08M

｜｜ 5-LORA模型实现细节.mp4 40.79M

｜ 6-LLM下游任务训练自己模型实战

｜｜ 1-提示工程的作用.mp4 44.01M

｜｜ 2-基本API调用方法.mp4 59.69M

｜｜ 3-数据文档切分操作.mp4 47.88M

｜｜ 4-样本索引与向量构建.mp4 66.44M

｜｜ 5-数据切块方法.mp4 61.14M

｜ 7-视觉大模型SAM

｜｜ 1-DEMO效果演示.mp4 57.83M

｜｜ 2-论文解读分析.mp4 74.48M

｜｜ 3-完成的任务分析.mp4 76.96M

｜｜ 4-数据闭环方法.mp4 93.66M

｜｜ 5-预训练模型的作用.mp4 144.99M

｜｜ 6-Decoder的作用与项目源码.mp4 94.78M

｜｜ 7-分割任务模块设计.mp4 62.84M

｜｜ 8-实现细节分析.mp4 62.98M

｜｜ 9-总结分析.mp4 60.65M

｜ 8-视觉QA算法与论文解读

｜｜ 1-视觉QA要解决的问题.mp4 51.72M

｜｜ 2-论文概述分析.mp4 66.38M

｜｜ 3-实现流程路线图.mp4 64.44M

｜｜ 4-答案关注区域分析.mp4 54.45M

｜｜ 5-VQA任务总结.mp4 51.51M

｜ 9-扩散模型diffusion架构算法解读

｜｜ 1-扩散模型概述与GAN遇到的问题.mp4 43.24M

｜｜ 10-基本建模训练效果.mp4 81.38M

｜｜ 2-要完成的任务分析.mp4 62.27M

｜｜ 3-公式原理推导解读.mp4 51.48M

｜｜ 4-分布相关计算操作.mp4 45.08M

｜｜ 5-算法实现细节推导.mp4 41.52M

｜｜ 6-公式推导结果分析.mp4 49.07M

｜｜ 7-细节实现总结.mp4 59.60M

｜｜ 8-论文流程图解读.mp4 46.55M

｜｜ 9-案例流程分析.mp4 53.76M

2-深度学习必备核⼼算法

｜ 1-神经网络结构

｜｜ 1-神经网络结构.mp4 604.62M

｜ 2-卷积神经网络

｜｜ 1-卷积神经网络.mp4 676.23M

｜ 3-Transformer

｜｜ 1-Transformer.mp4 557.22M

｜ 4-VIT源码解读

｜｜ 1-VIT源码解读.mp4 878.23M

20-面向医学领域的深度学习实战

｜ 1-卷积神经网络原理与参数解读

｜｜ 1-卷积神经网络应用领域.mp4 21.20M

｜｜ 10-VGG网络架构.mp4 19.34M

｜｜ 11-残差网络Resnet.mp4 18.02M

｜｜ 12-感受野的作用.mp4 16.86M

｜｜ 2-卷积的作用.mp4 22.67M

｜｜ 3-卷积特征值计算方法.mp4 21.23M

｜｜ 4-得到特征图表示.mp4 18.23M

｜｜ 5-步长与卷积核大小对结果的影响.mp4 19.86M

｜｜ 6-边缘填充方法.mp4 17.28M

｜｜ 7-特征图尺寸计算与参数共享.mp4 21.99M

｜｜ 8-池化层的作用.mp4 11.31M

｜｜ 9-整体网络架构.mp4 16.98M

｜ 10-基于deeplab的心脏视频数据诊断分析

｜｜ 1-数据集与任务概述.mp4 45.55M

｜｜ 2-项目基本配置参数.mp4 33.31M

｜｜ 3-任务流程解读.mp4 69.12M

｜｜ 4-文献报告分析.mp4 122.67M

｜｜ 5-补充：视频数据源特征处理方法概述.mp4 26.33M

｜｜ 6-补充：R(2plus1)D处理方法分析.mp4 18.88M

｜ 11-YOLO系列物体检测算法原理解读

｜｜ 1-检测任务中阶段的意义.mp4 15.14M

｜｜ 10-置信度误差与优缺点分析.mp4 26.86M

｜｜ 11-V2版本细节升级概述.mp4 13.43M

｜｜ 12-网络结构特点.mp4 15.69M

｜｜ 13-架构细节解读.mp4 18.92M

｜｜ 14-基于聚类来选择先验框尺寸.mp4 24.24M

｜｜ 15-偏移量计算方法.mp4 27.55M

｜｜ 16-坐标映射与还原.mp4 10.08M

｜｜ 17-感受野的作用.mp4 28.11M

｜｜ 18-特征融合改进.mp4 19.20M

｜｜ 19-V3版本改进概述.mp4 18.27M

｜｜ 2-不同阶段算法优缺点分析.mp4 10.68M

｜｜ 20-多scale方法改进与特征融合.mp4 17.07M

｜｜ 21-经典变换方法对比分析.mp4 10.83M

｜｜ 22-残差连接方法解读.mp4 18.64M

｜｜ 23-整体网络模型架构分析.mp4 12.93M

｜｜ 24-先验框设计改进.mp4 13.04M

｜｜ 25-sotfmax层改进.mp4 10.61M

｜｜ 26-V4版本整体概述.mp4 15.06M

｜｜ 27-V4版本贡献解读.mp4 10.06M

｜｜ 28-数据增强策略分析.mp4 24.70M

｜｜ 29-DropBlock与标签平滑方法.mp4 19.36M

｜｜ 3-IOU指标计算.mp4 11.74M

｜｜ 30-损失函数遇到的问题.mp4 14.26M

｜｜ 31-CIOU损失函数定义.mp4 10.82M

｜｜ 32-NMS细节改进.mp4 16.66M

｜｜ 33-SPP与CSP网络结构.mp4 14.81M

｜｜ 34-SAM注意力机制模块.mp4 22.48M

｜｜ 35-PAN模块解读.mp4 20.64M

｜｜ 36-激活函数与整体架构总结.mp4 19.19M

｜｜ 4-评估所需参数计算.mp4 26.23M

｜｜ 5-map指标计算.mp4 19.63M

｜｜ 6-YOLO算法整体思路解读.mp4 14.75M

｜｜ 7-检测算法要得到的结果.mp4 13.63M

｜｜ 8-整体网络架构解读.mp4 30.67M

｜｜ 9-位置损失计算.mp4 18.97M

｜ 12-基于YOLO5细胞检测实战

｜｜ 1-任务与细胞数据集介绍.mp4 49.79M

｜｜ 2-模型与算法配置参数解读.mp4 42.47M

｜｜ 3-网络训练流程演示.mp4 42.34M

｜｜ 4-效果评估与展示.mp4 32.65M

｜｜ 5-细胞检测效果演示.mp4 43.21M

｜ 13-知识图谱原理解读

｜｜ 1-知识图谱通俗解读.mp4 19.87M

｜｜ 10-视觉领域图编码实例.mp4 20.97M

｜｜ 11-图谱知识融合与总结分析.mp4 23.98M

｜｜ 2-知识图谱在搜索引擎中的应用.mp4 26.60M

｜｜ 3-知识图谱在医疗领域应用实例.mp4 102.89M

｜｜ 4-金融与推荐领域的应用.mp4 20.39M

｜｜ 5-数据获取分析.mp4 35.93M

｜｜ 6-数据关系抽取分析.mp4 27.31M

｜｜ 7-常用NLP技术点分析.mp4 22.09M

｜｜ 8-graph-embedding的作用与效果.mp4 26.15M

｜｜ 9-金融领域图编码实例.mp4 12.77M

｜ 14-Neo4j数据库实战

｜｜ 1-Neo4j图数据库介绍.mp4 63.50M

｜｜ 2-Neo4j数据库安装流程演示.mp4 27.67M

｜｜ 3-可视化例子演示.mp4 43.59M

｜｜ 4-创建与删除操作演示.mp4 25.32M

｜｜ 5-数据库更改查询操作演示.mp4 27.14M

｜ 15-基于知识图谱的医药问答系统实战

｜｜ 1-项目概述与整体架构分析.mp4 37.04M

｜｜ 10-完成对话系统构建.mp4 39.47M

｜｜ 2-医疗数据介绍及其各字段含义.mp4 62.65M

｜｜ 3-任务流程概述.mp4 39.73M

｜｜ 4-环境配置与所需工具包安装.mp4 36.37M

｜｜ 5-提取数据中的关键字段信息.mp4 61.33M

｜｜ 6-创建关系边.mp4 39.41M

｜｜ 7-打造医疗知识图谱模型.mp4 59.14M

｜｜ 8-加载所有实体数据.mp4 42.46M

｜｜ 9-实体关键词字典制作.mp4 31.84M

｜ 16-词向量模型与RNN网络架构

｜｜ 1-词向量模型通俗解释.mp4 21.72M

｜｜ 2-模型整体框架.mp4 28.24M

｜｜ 3-训练数据构建.mp4 15.85M

｜｜ 4-CBOW与Skip-gram模型.mp4 23.83M

｜｜ 5-负采样方案.mp4 29.51M

｜｜ 6-额外补充-RNN网络模型解读.mp4 23.75M

｜ 17-医学糖尿病数据命名实体识别

｜｜ 1-数据与任务介绍.mp4 22.73M

｜｜ 2-整体模型架构.mp4 15.01M

｜｜ 3-数据-标签-语料库处理.mp4 39.99M

｜｜ 4-输入样本填充补齐.mp4 36.22M

｜｜ 5-训练网络模型.mp4 40.37M

｜｜ 6-医疗数据集(糖尿病)实体识别.mp4 81.44M

｜ 2-PyTorch框架基本处理操作

｜｜ 1-PyTorch实战课程简介.mp4 22.98M

｜｜ 2-PyTorch框架发展趋势简介.mp4 25.22M

｜｜ 3-框架安装方法(CPU与GPU版本).mp4 18.60M

｜｜ 4-PyTorch基本操作简介.mp4 28.68M

｜｜ 5-自动求导机制.mp4 33.36M

｜｜ 6-线性回归DEMO-数据与参数配置.mp4 22.62M

｜｜ 7-线性回归DEMO-训练回归模型.mp4 39.40M

｜｜ 8-补充：常见tensor格式.mp4 19.59M

｜｜ 9-补充：Hub模块简介.mp4 53.11M

｜ 3-PyTorch框架必备核心模块解读

｜｜ 1-卷积网络参数定义.mp4 26.46M

｜｜ 10-加载训练好的网络模型.mp4 50.00M

｜｜ 11-优化器模块配置.mp4 24.63M

｜｜ 12-实现训练模块.mp4 33.20M

｜｜ 13-训练结果与模型保存.mp4 41.24M

｜｜ 14-加载模型对测试数据进行预测.mp4 52.81M

｜｜ 15-额外补充-Resnet论文解读.mp4 117.98M

｜｜ 16-额外补充-Resnet网络架构解读.mp4 18.27M

｜｜ 2-网络流程解读.mp4 37.49M

｜｜ 3-Vision模块功能解读.mp4 23.53M

｜｜ 4-分类任务数据集定义与配置.mp4 29.73M

｜｜ 5-图像增强的作用.mp4 14.68M

｜｜ 6-数据预处理与数据增强模块.mp4 37.24M

｜｜ 7-Batch数据制作.mp4 43.65M

｜｜ 8-迁移学习的目标.mp4 11.75M

｜｜ 9-迁移学习策略.mp4 15.47M

｜ 4-基于Resnet的医学数据集分类实战

｜｜ 1-医学疾病数据集介绍.mp4 18.85M

｜｜ 2-Resnet网络架构原理分析.mp4 24.81M

｜｜ 3-dataloader加载数据集.mp4 64.78M

｜｜ 4-Resnet网络前向传播.mp4 35.82M

｜｜ 5-残差网络的shortcut操作.mp4 47.34M

｜｜ 6-特征图升维与降采样操作.mp4 26.89M

｜｜ 7-网络整体流程与训练演示.mp4 67.45M

｜ 5-图像分割及其损失函数概述

｜｜ 1-语义分割与实例分割概述.mp4 20.24M

｜｜ 2-分割任务中的目标函数定义.mp4 20.00M

｜｜ 3-MIOU评估标准.mp4 9.03M

｜ 6-Unet系列算法讲解

｜｜ 1-Unet网络编码与解码过程.mp4 18.29M

｜｜ 2-网络计算流程.mp4 16.13M

｜｜ 3-Unet升级版本改进.mp4 15.75M

｜｜ 4-后续升级版本介绍.mp4 18.37M

｜ 7-unet医学细胞分割实战

｜｜ 1-医学细胞数据集介绍与参数配置.mp4 71.21M

｜｜ 2-数据增强工具.mp4 61.47M

｜｜ 3-Debug模式演示网络计算流程.mp4 41.37M

｜｜ 4-特征融合方法演示.mp4 30.05M

｜｜ 5-迭代完成整个模型计算任务.mp4 33.55M

｜｜ 6-模型效果验证.mp4 47.29M

｜ 8-deeplab系列算法

｜｜ 1-deeplab分割算法概述.mp4 13.81M

｜｜ 2-空洞卷积的作用.mp4 16.74M

｜｜ 3-感受野的意义.mp4 19.37M

｜｜ 4-SPP层的作用.mp4 19.02M

｜｜ 5-ASPP特征融合策略.mp4 13.45M

｜｜ 6-deeplabV3Plus版本网络架构.mp4 24.08M

｜ 9-基于deeplabV3+版本进行VOC分割实战

｜｜ 1-PascalVoc数据集介绍.mp4 70.12M

｜｜ 2-项目参数与数据集读取.mp4 60.32M

｜｜ 3-网络前向传播流程.mp4 33.10M

｜｜ 4-ASPP层特征融合.mp4 51.19M

｜｜ 5-分割模型训练.mp4 34.97M

21-深度学习模型部署与剪枝优化实战

｜ 1-AIoT人工智能物联网之认识 jetson nano

｜｜ 1- jetson nano 硬件介绍.mp4 22.06M

｜｜ 2-jetson nano 刷机.mp4 105.19M

｜｜ 3- jetson nano 系统安装过程.mp4 84.51M

｜｜ 4-感受nano的GPU算力.mp4 62.42M

｜｜ 5-安装使用摄像头csi usb.mp4 43.16M

｜ 10-模型剪枝-Network Slimming算法分析

｜｜ 1-论文算法核心框架概述.mp4 19.64M

｜｜ 2-BatchNorm要解决的问题.mp4 18.48M

｜｜ 3-BN的本质作用.mp4 22.56M

｜｜ 4-额外的训练参数解读.mp4 20.11M

｜｜ 5-稀疏化原理与效果.mp4 23.90M

｜ 11-模型剪枝-Network Slimming实战解读

｜｜ 1-整体案例流程解读.mp4 32.40M

｜｜ 2-加入L1正则化来进行更新.mp4 28.38M

｜｜ 3-剪枝模块介绍.mp4 31.01M

｜｜ 4-筛选需要的特征图.mp4 36.30M

｜｜ 5-剪枝后模型参数赋值.mp4 49.50M

｜｜ 6-微调完成剪枝模型.mp4 46.91M

｜ 12-Mobilenet三代网络模型架构

｜｜ 1-模型剪枝分析.mp4 22.35M

｜｜ 10-V2整体架构与效果分析.mp4 10.48M

｜｜ 11-V3版本网络架构分析.mp4 11.56M

｜｜ 12-SE模块作用与效果解读.mp4 31.91M

｜｜ 13-代码实现mobilenetV3网络架构.mp4 68.85M

｜｜ 2-常见剪枝方法介绍.mp4 21.73M

｜｜ 3-mobilenet简介.mp4 8.62M

｜｜ 4-经典卷积计算量与参数量分析.mp4 13.21M

｜｜ 5-深度可分离卷积的作用与效果.mp4 14.31M

｜｜ 6-参数与计算量的比较.mp4 39.68M

｜｜ 7-V1版本效果分析.mp4 24.94M

｜｜ 8-V2版本改进以及Relu激活函数的问题.mp4 19.55M

｜｜ 9-倒残差结构的作用.mp4 17.43M

｜ 2-AIoT人工智能物联网之AI 实战

｜｜ 1- jetson-inference 入门.mp4 59.71M

｜｜ 2-docker 的安装使用.mp4 86.11M

｜｜ 3-docker中运行分类模型.mp4 197.54M

｜｜ 4-训练自己的目标检测模型准备.mp4 77.71M

｜｜ 5- 训练出自己目标识别模型a.mp4 109.79M

｜｜ 6-训练出自己目标识别模型b.mp4 91.42M

｜｜ 7-转换出onnx模型，并使用.mp4 74.62M

｜ 3-AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器

｜｜ 1-NVIDIA TAO介绍和安装.mp4 74.35M

｜｜ 2-NVIDIA TAO数据准备和环境设置.mp4 74.09M

｜｜ 3-NVIDIA TAO数据转换.mp4 146.27M

｜｜ 4-NVIDIA TAO预训练模型和训练a.mp4 100.69M

｜｜ 5-NVIDIA TAO预训练模型和训练b.mp4 18.72M

｜｜ 6-NVIDIA TAO预训练模型和训练c…mp4 42.86M

｜｜ 7-TAO 剪枝在训练推理验证.mp4 198.78M

｜ 4- AIoT人工智能物联网之deepstream

｜｜ 1-deepstream 介绍安装.mp4 108.78M

｜｜ 2-deepstream HelloWorld.mp4 51.92M

｜｜ 3-GStreamer RTP和RTSP1.mp4 90.64M

｜｜ 4-GStreamer RTP和RTSP2.mp4 138.80M

｜｜ 5-python实现RTP和RTSP.mp4 118.05M

｜｜ 6-deepstream推理.mp4 117.90M

｜｜ 7-deepstream集成yolov4.mp4 117.19M

｜ 6-pyTorch框架部署实践

｜｜ 1-所需基本环境配置.mp4 22.07M

｜｜ 2-模型加载与数据预处理.mp4 39.61M

｜｜ 3-接收与预测模块实现.mp4 37.66M

｜｜ 4-效果实例演示.mp4 43.27M

｜｜ 5-课程简介.mp4 8.15M

｜ 7-YOLO-V3物体检测部署实例

｜｜ 1-项目所需配置文件介绍.mp4 24.63M

｜｜ 2-加载参数与模型权重.mp4 35.63M

｜｜ 3-数据预处理.mp4 53.86M

｜｜ 4-返回线性预测结果.mp4 44.91M

｜ 8-docker实例演示

｜｜ 1-docker简介.mp4 15.95M

｜｜ 2-docker安装与配置.mp4 48.52M

｜｜ 3-阿里云镜像配置.mp4 26.97M

｜｜ 4-基于docker配置pytorch环境.mp4 36.52M

｜｜ 5-安装演示环境所需依赖.mp4 31.47M

｜｜ 6-复制所需配置到容器中.mp4 28.20M

｜｜ 7-上传与下载配置好的项目.mp4 45.48M

｜ 9-tensorflow-serving实战

｜｜ 1-tf-serving项目获取与配置.mp4 30.47M

｜｜ 2-加载并启动模型服务.mp4 31.27M

｜｜ 3-测试模型部署效果.mp4 43.37M

｜｜ 4-fashion数据集获取.mp4 38.63M

｜｜ 5-加载fashion模型启动服务.mp4 33.40M

22-自然语言处理经典案例实战

｜ 1-NLP常用工具包实战

｜｜ 1-Python字符串处理.mp4 41.33M

｜｜ 10-名字实体匹配.mp4 21.37M

｜｜ 11-恐怖袭击分析.mp4 40.53M

｜｜ 12-统计分析结果.mp4 47.69M

｜｜ 13-结巴分词器.mp4 28.14M

｜｜ 14-词云展示.mp4 87.56M

｜｜ 2-正则表达式基本语法.mp4 31.03M

｜｜ 3-正则常用符号.mp4 37.06M

｜｜ 4-常用函数介绍.mp4 40.13M

｜｜ 5-NLTK工具包简介.mp4 32.26M

｜｜ 6-停用词过滤.mp4 27.63M

｜｜ 7-词性标注.mp4 35.92M

｜｜ 8-数据清洗实例.mp4 41.37M

｜｜ 9-Spacy工具包.mp4 47.11M

｜ 10-NLP-文本特征方法对比

｜｜ 1-任务概述.mp4 37.49M

｜｜ 2-词袋模型.mp4 28.12M

｜｜ 3-词袋模型分析.mp4 63.59M

｜｜ 4-TFIDF模型.mp4 47.59M

｜｜ 5-word2vec词向量模型.mp4 54.40M

｜｜ 6-深度学习模型.mp4 39.28M

｜ 11-NLP-相似度模型

｜｜ 1-任务概述.mp4 13.15M

｜｜ 2-数据展示.mp4 22.65M

｜｜ 3-正负样本制作.mp4 37.95M

｜｜ 4-数据预处理.mp4 36.08M

｜｜ 5-网络模型定义.mp4 55.90M

｜｜ 6-基于字符的训练.mp4 58.94M

｜｜ 7-基于句子的相似度训练.mp4 42.44M

｜ 12-LSTM情感分析

｜｜ 1-RNN网络架构.mp4 19.86M

｜｜ 2-LSTM网络架构.mp4 17.80M

｜｜ 3-案例：使用LSTM进行情感分类.mp4 30.99M

｜｜ 4-情感数据集处理.mp4 33.58M

｜｜ 5-基于word2vec的LSTM模型.mp4 50.52M

｜ 13-机器人写唐诗

｜｜ 1-任务概述与环境配置.mp4 13.71M

｜｜ 2-参数配置.mp4 21.87M

｜｜ 3-数据预处理模块.mp4 35.34M

｜｜ 4-batch数据制作.mp4 27.96M

｜｜ 5-RNN模型定义.mp4 17.97M

｜｜ 6-完成训练模块.mp4 28.00M

｜｜ 7-训练唐诗生成模型.mp4 11.13M

｜｜ 8-测试唐诗生成效果.mp4 21.38M

｜ 14-对话机器人

｜｜ 1-效果演示.mp4 30.57M

｜｜ 2-参数配置与数据加载.mp4 51.00M

｜｜ 3-数据处理.mp4 41.99M

｜｜ 4-词向量与投影.mp4 38.22M

｜｜ 5-seq网络.mp4 30.68M

｜｜ 6-网络训练.mp4 37.99M

｜ 2-商品信息可视化与文本分析

｜｜ 1-在线商城商品数据信息概述.mp4 32.31M

｜｜ 2-商品类别划分方式.mp4 37.31M

｜｜ 3-商品类别可视化展示.mp4 41.28M

｜｜ 4-商品描述长度对价格的影响分析.mp4 33.72M

｜｜ 5-关键词的词云可视化展示.mp4 51.86M

｜｜ 6-基于tf-idf提取关键词信息.mp4 35.32M

｜｜ 7-通过降维进行可视化展示.mp4 39.05M

｜｜ 8-聚类分析与主题模型展示.mp4 57.03M

｜ 3-贝叶斯算法

｜｜ 1-贝叶斯算法概述.mp4 11.34M

｜｜ 2-贝叶斯推导实例.mp4 11.92M

｜｜ 3-贝叶斯拼写纠错实例.mp4 18.58M

｜｜ 4-垃圾邮件过滤实例.mp4 22.82M

｜｜ 5-贝叶斯实现拼写检查器.mp4 36.77M

｜ 4-新闻分类任务实战

｜｜ 1-文本分析与关键词提取.mp4 19.44M

｜｜ 2-相似度计算.mp4 19.50M

｜｜ 3-新闻数据与任务简介.mp4 33.21M

｜｜ 4-TF-IDF关键词提取.mp4 45.75M

｜｜ 5-LDA建模.mp4 28.05M

｜｜ 6-基于贝叶斯算法进行新闻分类.mp4 50.88M

｜ 5-HMM隐马尔科夫模型

｜｜ 1-马尔科夫模型.mp4 17.50M

｜｜ 10-维特比算法.mp4 43.08M

｜｜ 2-隐马尔科夫模型基本出发点.mp4 18.72M

｜｜ 3-组成与要解决的问题.mp4 14.85M

｜｜ 4-暴力求解方法.mp4 28.00M

｜｜ 5-复杂度计算.mp4 15.28M

｜｜ 6-前向算法.mp4 36.14M

｜｜ 7-前向算法求解实例.mp4 33.34M

｜｜ 8-Baum-Welch算法.mp4 26.86M

｜｜ 9-参数求解.mp4 17.22M

｜ 6-HMM工具包实战

｜｜ 1-hmmlearn工具包.mp4 19.55M

｜｜ 2-工具包使用方法.mp4 55.62M

｜｜ 3-中文分词任务.mp4 13.44M

｜｜ 4-实现中文分词.mp4 35.77M

｜ 7-语言模型

｜｜ 1-开篇.mp4 8.52M

｜｜ 10-负采样模型.mp4 10.50M

｜｜ 2-语言模型.mp4 8.82M

｜｜ 3-N-gram模型.mp4 13.62M

｜｜ 4-词向量.mp4 13.55M

｜｜ 5-神经网络模型.mp4 15.87M

｜｜ 6-Hierarchical Softmax.mp4 15.19M

｜｜ 7-CBOW模型实例.mp4 18.54M

｜｜ 8-CBOW求解目标.mp4 8.68M

｜｜ 9-锑度上升求解.mp4 15.93M

｜ 8-使用Gemsim构建词向量

｜｜ 1-使用Gensim库构造词向量.mp4 16.84M

｜｜ 2-维基百科中文数据处理.mp4 39.14M

｜｜ 3-Gensim构造word2vec模型.mp4 20.97M

｜｜ 4-测试模型相似度结果.mp4 20.04M

｜ 9-基于word2vec的分类任务

｜｜ 1-影评情感分类.mp4 46.92M

｜｜ 2-基于词袋模型训练分类器.mp4 28.07M

｜｜ 3-准备word2vec输入数据.mp4 24.19M

｜｜ 4-使用gensim构建word2vec词向量(新).mp4 67.73M

23-自然语言处理必备神器Huggingface系列实战

｜ 1-Huggingface与NLP介绍解读

｜｜ 1-Huggingface与NLP介绍解读.mp4 163.59M

｜ 10-图谱知识抽取实战

｜｜ 1-应用场景概述分析.mp4 91.97M

｜｜ 2-数据标注格式样例分析.mp4 70.01M

｜｜ 3-数据处理与读取模块.mp4 39.11M

｜｜ 4-实体抽取模块分析.mp4 44.33M

｜｜ 5-标签与数据结构定义方法.mp4 49.68M

｜｜ 6-模型构建与计算流程.mp4 43.10M

｜｜ 7-网络模型前向计算方法.mp4 32.93M

｜｜ 8-关系抽取模型训练.mp4 42.25M

｜ 11-补充Huggingface数据集制作方法实例

｜｜ 1-数据结构分析.mp4 47.87M

｜｜ 2-Huggingface中的预处理实例.mp4 72.56M

｜｜ 3-数据处理基本流程.mp4 72.59M

｜ 2-Transformer工具包基本操作实例解读

｜｜ 1-工具包与任务整体介绍.mp4 33.38M

｜｜ 2-NLP任务常规流程分析.mp4 29.18M

｜｜ 3-文本切分方法实例解读.mp4 42.74M

｜｜ 4-AttentionMask配套使用方法.mp4 35.30M

｜｜ 5-数据集与模型.mp4 42.97M

｜｜ 6-数据Dataloader封装.mp4 50.18M

｜｜ 7-模型训练所需配置参数.mp4 36.95M

｜｜ 8-模型训练DEMO.mp4 58.66M

｜ 3-transformer原理解读

｜｜ 1-transformer原理解读.mp4 367.64M

｜ 4-BERT系列算法解读

｜｜ 1-BERT模型训练方法解读.mp4 23.92M

｜｜ 2-ALBERT基本定义.mp4 38.60M

｜｜ 3-ALBERT中的简化方法解读.mp4 43.38M

｜｜ 4-RoBerta模型训练方法解读.mp4 28.45M

｜｜ 5-DistilBert模型解读.mp4 16.06M

｜ 5-文本标注工具与NER实例

｜｜ 1-文本标注工具Doccano配置方法.mp4 33.01M

｜｜ 2-命名实体识别任务标注方法实例.mp4 39.35M

｜｜ 3-标注导出与BIO处理.mp4 39.39M

｜｜ 4-标签处理并完成对齐操作.mp4 38.62M

｜｜ 5-预训练模型加载与参数配置.mp4 41.50M

｜｜ 6-模型训练与输出结果预测.mp4 43.06M

｜ 6-文本预训练模型构建实例

｜｜ 1-预训练模型效果分析.mp4 31.96M

｜｜ 2-文本数据截断处理.mp4 45.78M

｜｜ 3-预训练模型自定义训练.mp4 97.91M

｜ 7-GPT系列算法

｜｜ 1-GPT系列算法概述.mp4 26.53M

｜｜ 2-GPT三代版本分析.mp4 29.33M

｜｜ 3-GPT初代版本要解决的问题.mp4 30.99M

｜｜ 4-GPT第二代版本训练策略.mp4 28.94M

｜｜ 5-采样策略与多样性.mp4 28.20M

｜｜ 6-GPT3的提示与生成方法.mp4 74.39M

｜｜ 7-应用场景CODEX分析.mp4 36.50M

｜｜ 8-DEMO应用演示.mp4 98.82M

｜ 8-GPT训练与预测部署流程

｜｜ 1-生成模型可以完成的任务概述.mp4 28.91M

｜｜ 2-数据样本生成方法.mp4 72.04M

｜｜ 3-训练所需参数解读.mp4 57.68M

｜｜ 4-模型训练过程.mp4 51.48M

｜｜ 5-部署与网页预测展示.mp4 79.57M

｜ 9-文本摘要建模

｜｜ 1-中文商城评价数据处理方法.mp4 66.36M

｜｜ 2-模型训练与测试结果.mp4 108.10M

｜｜ 3-文本摘要数据标注方法.mp4 55.92M

｜｜ 4-训练自己标注的数据并测试.mp4 27.68M

24-时间序列预测

｜ 1-Informer原理解读

｜｜ 1-时间序列预测要完成的任务.mp4 33.27M

｜｜ 2-常用模块分析.mp4 24.25M

｜｜ 3-论文要解决的问题分析.mp4 30.47M

｜｜ 4-Query采样方法解读.mp4 23.11M

｜｜ 5-probAttention计算流程.mp4 31.40M

｜｜ 6-编码器全部计算流程.mp4 24.05M

｜｜ 7-解码器流程分析.mp4 24.85M

｜ 2-Informer源码解读

｜｜ 1-项目使用说明.mp4 63.92M

｜｜ 10-核心采样计算方法.mp4 50.11M

｜｜ 11-完成注意力机制计算模块.mp4 28.39M

｜｜ 12-平均向量的作用.mp4 33.70M

｜｜ 13-解码器预测输出.mp4 74.46M

｜｜ 2-数据集解读.mp4 60.61M

｜｜ 3-模型训练所需参数解读.mp4 37.37M

｜｜ 4-数据集构建与读取方式.mp4 44.54M

｜｜ 5-数据处理相关模块.mp4 44.58M

｜｜ 6-时间相关特征提取方法.mp4 39.96M

｜｜ 7-dataloader构建实例.mp4 41.03M

｜｜ 8-整体架构分析.mp4 36.91M

｜｜ 9-编码器模块实现.mp4 39.16M

｜ 3-Timesnet时序预测

｜｜ 1-时序预测故事背景.mp4 81.92M

｜｜ 2-论文核心思想解读.mp4 64.34M

｜｜ 3-时序特征周期拆解.mp4 72.51M

｜｜ 4-计算公式流程拆解.mp4 52.93M

｜｜ 5-全部计算流程解读.mp4 66.52M

｜｜ 6-周期间特征分析.mp4 74.13M

｜｜ 7-源码流程解读.mp4 54.10M

｜｜ 8-傅里叶变换流程.mp4 33.97M

25-自然语言处理通用框架-BERT实战

｜ 1-自然语言处理通用框架BERT原理解读

｜｜ 1-BERT课程简介.mp4 29.78M

｜｜ 10-BERT模型训练方法.mp4 20.67M

｜｜ 11-训练实例.mp4 24.18M

｜｜ 2-BERT任务目标概述.mp4 11.52M

｜｜ 3-传统解决方案遇到的问题.mp4 22.69M

｜｜ 4-注意力机制的作用.mp4 14.78M

｜｜ 5-self-attention计算方法.mp4 23.80M

｜｜ 6-特征分配与softmax机制.mp4 21.32M

｜｜ 7-Multi-head的作用.mp4 19.37M

｜｜ 8-位置编码与多层堆叠.mp4 16.84M

｜｜ 9-transformer整体架构梳理.mp4 22.34M

｜ 2-谷歌开源项目BERT源码解读与应用实例

｜｜ 1-BERT开源项目简介.mp4 41.33M

｜｜ 10-构建QKV矩阵.mp4 50.77M

｜｜ 11-完成Transformer模块构建.mp4 40.81M

｜｜ 12-训练BERT模型.mp4 54.66M

｜｜ 2-项目参数配置.mp4 106.78M

｜｜ 3-数据读取模块.mp4 54.26M

｜｜ 4-数据预处理模块.mp4 40.10M

｜｜ 5-tfrecord数据源制作.mp4 51.50M

｜｜ 6-Embedding层的作用.mp4 30.98M

｜｜ 7-加入额外编码特征.mp4 42.45M

｜｜ 8-加入位置编码特征.mp4 23.61M

｜｜ 9-mask机制的作用.mp4 36.78M

｜ 3-项目实战-基于BERT的中文情感分析实战

｜｜ 1-中文分类数据与任务概述.mp4 83.53M

｜｜ 2-读取处理自己的数据集.mp4 53.09M

｜｜ 3-训练BERT中文分类模型.mp4 72.29M

｜ 4-项目实战-基于BERT的中文命名实体识别识别实战

｜｜ 1-命名实体识别数据分析与任务目标.mp4 30.45M

｜｜ 2-NER标注数据处理与读取.mp4 66.07M

｜｜ 3-构建BERT与CRF模型.mp4 66.46M

｜ 5-必备基础知识点-woed2vec模型通俗解读

｜｜ 1-词向量模型通俗解释.mp4 21.72M

｜｜ 2-模型整体框架.mp4 28.24M

｜｜ 3-训练数据构建.mp4 15.85M

｜｜ 4-CBOW与Skip-gram模型.mp4 23.83M

｜｜ 5-负采样方案.mp4 29.51M

｜ 6-必备基础-掌握Tensorflow如何实现word2vec模型

｜｜ 1-数据与任务流程.mp4 45.67M

｜｜ 2-数据清洗.mp4 27.60M

｜｜ 3-batch数据制作.mp4 51.53M

｜｜ 4-网络训练.mp4 49.09M

｜｜ 5-可视化展示.mp4 49.61M

｜ 7-必备基础知识点-RNN网络架构与情感分析应用实例

｜｜ 1-RNN网络模型解读.mp4 23.75M

｜｜ 2-NLP应用领域与任务简介.mp4 32.82M

｜｜ 3-项目流程解读.mp4 42.18M

｜｜ 4-加载词向量特征.mp4 32.32M

｜｜ 5-正负样本数据读取.mp4 36.78M

｜｜ 6-构建LSTM网络模型.mp4 46.69M

｜｜ 7-训练与测试效果.mp4 91.77M

｜｜ 8-LSTM情感分析.mp4 576.33M

｜ 8-医学糖尿病数据命名实体识别

｜｜ 1-数据与任务介绍.mp4 22.73M

｜｜ 2-整体模型架构.mp4 15.01M

｜｜ 3-数据-标签-语料库处理.mp4 39.99M

｜｜ 4-训练网络模型.mp4 40.37M

｜｜ 5-医疗数据集(糖尿病)实体识别.mp4 81.44M

｜｜ 6-输入样本填充补齐.mp4 36.22M

26-知识图谱实战系列

｜ 1-知识图谱介绍及其应用领域分析

｜｜ 1-知识图谱通俗解读.mp4 19.87M

｜｜ 2-知识图谱在搜索引擎中的应用.mp4 26.60M

｜｜ 3-知识图谱在医疗领域应用实例.mp4 102.89M

｜｜ 4-金融与推荐领域的应用.mp4 20.39M

｜｜ 5-数据获取分析.mp4 35.93M

｜ 2-知识图谱涉及技术点分析

｜｜ 1-数据关系抽取分析.mp4 27.31M

｜｜ 2-常用NLP技术点分析.mp4 22.09M

｜｜ 3-graph-embedding的作用与效果.mp4 26.15M

｜｜ 4-金融领域图编码实例.mp4 12.77M

｜｜ 5-视觉领域图编码实例.mp4 20.97M

｜｜ 6-图谱知识融合与总结分析.mp4 23.98M

｜ 3-Neo4j数据库实战

｜｜ 1-Neo4j图数据库介绍.mp4 63.50M

｜｜ 2-Neo4j数据库安装流程演示.mp4 27.67M

｜｜ 3-可视化例子演示.mp4 43.59M

｜｜ 4-创建与删除操作演示.mp4 25.32M

｜｜ 5-数据库更改查询操作演示.mp4 27.14M

｜ 4-使用python操作neo4j实例

｜｜ 1-使用Py2neo建立连接.mp4 47.58M

｜｜ 2-提取所需的指标信息.mp4 53.17M

｜｜ 3-在图中创建实体.mp4 43.83M

｜｜ 4-根据给定实体创建关系.mp4 51.03M

｜ 5-基于知识图谱的医药问答系统实战

｜｜ 1-项目概述与整体架构分析.mp4 37.04M

｜｜ 10-完成对话系统构建.mp4 39.47M

｜｜ 2-医疗数据介绍及其各字段含义.mp4 62.65M

｜｜ 3-任务流程概述.mp4 39.73M

｜｜ 4-环境配置与所需工具包安装.mp4 36.37M

｜｜ 5-提取数据中的关键字段信息.mp4 61.33M

｜｜ 6-创建关系边.mp4 39.41M

｜｜ 7-打造医疗知识图谱模型.mp4 59.14M

｜｜ 8-加载所有实体数据.mp4 42.46M

｜｜ 9-实体关键词字典制作.mp4 31.84M

｜ 6-文本关系抽取实践

｜｜ 1-关系抽取要完成的任务演示与分析.mp4 18.57M

｜｜ 2-LTP工具包概述介绍.mp4 46.52M

｜｜ 3-pyltp安装与流程演示.mp4 41.82M

｜｜ 4-得到分词与词性标注结果.mp4 47.19M

｜｜ 5-依存句法概述.mp4 30.83M

｜｜ 6-句法分析结果整理.mp4 39.09M

｜｜ 7-语义角色构建与分析.mp4 54.17M

｜｜ 8-设计规则完成关系抽取.mp4 52.47M

｜ 7-金融平台风控模型实践

｜｜ 1-竞赛任务目标.mp4 23.81M

｜｜ 2-图模型信息提取.mp4 27.76M

｜｜ 3-节点权重特征提取(PageRank).mp4 35.54M

｜｜ 4-deepwalk构建图顶点特征.mp4 53.48M

｜｜ 5-各项统计特征.mp4 56.04M

｜｜ 6-app安装特征.mp4 37.41M

｜｜ 7-图中联系人特征.mp4 70.31M

｜ 8-医学糖尿病数据命名实体识别

｜｜ 1-数据与任务介绍.mp4 22.73M

｜｜ 2-整体模型架构.mp4 15.01M

｜｜ 3-数据-标签-语料库处理.mp4 39.99M

｜｜ 4-输入样本填充补齐.mp4 36.22M

｜｜ 5-训练网络模型.mp4 40.37M

｜｜ 6-医疗数据集(糖尿病)实体识别.mp4 81.44M

27-语音识别实战系列

｜ 1-seq2seq序列网络模型

｜｜ 1-序列网络模型概述分析.mp4 17.30M

｜｜ 2-工作原理概述.mp4 8.98M

｜｜ 3-注意力机制的作用.mp4 14.86M

｜｜ 4-加入attention的序列模型整体架构.mp4 20.57M

｜｜ 5-TeacherForcing的作用与训练策略.mp4 16.61M

｜｜ 6-额外补充-RNN网络模型解读.mp4 23.75M

｜ 2-LAS模型语音识别实战

｜｜ 1-数据源与环境配置.mp4 32.23M

｜｜ 2-语料表制作方法.mp4 25.47M

｜｜ 3-制作json标注数据.mp4 37.84M

｜｜ 4-声音数据处理模块解读.mp4 62.84M

｜｜ 5-Pack与Pad操作解析.mp4 35.92M

｜｜ 6-编码器模块整体流程.mp4 31.43M

｜｜ 7-加入注意力机制.mp4 33.29M

｜｜ 8-计算得到每个输出的attention得分.mp4 36.42M

｜｜ 9-解码器与训练过程演示.mp4 43.78M

｜ 3-starganvc2变声器论文原理解读

｜｜ 1-论文整体思路与架构解读.mp4 34.66M

｜｜ 2-VCC2016输入数据.mp4 20.76M

｜｜ 3-语音特征提取.mp4 30.57M

｜｜ 4-生成器模型架构分析.mp4 15.81M

｜｜ 5-InstanceNorm的作用解读.mp4 18.58M

｜｜ 6-AdaIn的目的与效果.mp4 13.18M

｜｜ 7-判别器模块分析.mp4 114.03M

｜ 4-staeganvc2变声器源码实战

｜｜ 1-数据与项目文件解读.mp4 21.80M

｜｜ 10-源码损失计算流程.mp4 34.82M

｜｜ 11-测试模块-生成转换语音.mp4 47.17M

｜｜ 2-环境配置与工具包安装.mp4 37.11M

｜｜ 3-数据预处理与声音特征提取.mp4 88.49M

｜｜ 4-生成器构造模块解读.mp4 41.33M

｜｜ 5-下采样与上采样操作.mp4 35.48M

｜｜ 6-starganvc2版本标签输入分析.mp4 49.96M

｜｜ 7-生成器前向传播维度变化.mp4 26.49M

｜｜ 8-判别器模块解读.mp4 35.22M

｜｜ 9-论文损失函数.mp4 100.48M

｜ 5-语音分离ConvTasnet模型

｜｜ 1-语音分离任务分析.mp4 9.16M

｜｜ 2-经典语音分离模型概述.mp4 18.09M

｜｜ 3-DeepClustering论文解读.mp4 16.26M

｜｜ 4-TasNet编码器结构分析.mp4 41.61M

｜｜ 5-DW卷积的作用与效果.mp4 10.17M

｜｜ 6-基于Mask得到分离结果.mp4 19.25M

｜ 6-ConvTasnet语音分离实战

｜｜ 1-数据准备与环境配置.mp4 77.96M

｜｜ 2-训练任务所需参数介绍.mp4 27.66M

｜｜ 3-DataLoader定义.mp4 38.03M

｜｜ 4-采样数据特征编码.mp4 37.67M

｜｜ 5-编码器特征提取.mp4 55.01M

｜｜ 6-构建更大的感受区域.mp4 53.48M

｜｜ 7-解码得到分离后的语音.mp4 52.59M

｜｜ 8-测试模块所需参数.mp4 42.42M

｜ 7-语音合成tacotron最新版实战

｜｜ 1-语音合成项目所需环境配置.mp4 44.55M

｜｜ 10-得到加权的编码向量.mp4 55.86M

｜｜ 11-模型输出结果.mp4 53.26M

｜｜ 12-损失函数与预测.mp4 47.96M

｜｜ 2-所需数据集介绍.mp4 52.73M

｜｜ 3-路径配置与整体流程解读.mp4 70.15M

｜｜ 4-Dataloader构建数据与标签.mp4 66.68M

｜｜ 5-编码层要完成的任务.mp4 46.37M

｜｜ 6-得到编码特征向量.mp4 28.54M

｜｜ 7-解码器输入准备.mp4 34.57M

｜｜ 8-解码器流程梳理.mp4 41.40M

｜｜ 9-注意力机制应用方法.mp4 43.71M

28-推荐系统实战系列

｜ 1-推荐系统介绍及其应用

｜｜ 1-1-推荐系统通俗解读.mp4 17.27M

｜｜ 2-2-推荐系统发展简介.mp4 23.22M

｜｜ 3-3-应用领域与多方位评估指标.mp4 26.51M

｜｜ 4-4-任务流程与挑战概述.mp4 26.74M

｜｜ 5-5-常用技术点分析.mp4 16.45M

｜｜ 6-6-与深度学习的结合.mp4 23.70M

｜ 10-基本统计分析的电影推荐

｜｜ 1-1-电影数据与环境配置.mp4 64.07M

｜｜ 2-2-数据与关键词信息展示.mp4 61.26M

｜｜ 3-3-关键词云与直方图展示.mp4 45.97M

｜｜ 4-4-特征可视化.mp4 38.67M

｜｜ 5-5-数据清洗概述.mp4 57.31M

｜｜ 6-6-缺失值填充方法.mp4 37.16M

｜｜ 7-7-推荐引擎构造.mp4 50.93M

｜｜ 8-8-数据特征构造.mp4 36.15M

｜｜ 9-9-得出推荐结果.mp4 51.85M

｜ 11-补充-基于相似度的酒店推荐系统

｜｜ 1-1-酒店数据与任务介绍.mp4 22.01M

｜｜ 2-2-文本词频统计.mp4 31.41M

｜｜ 3-3-ngram结果可视化展示.mp4 53.07M

｜｜ 4-4-文本清洗.mp4 32.90M

｜｜ 5-5-相似度计算.mp4 47.62M

｜｜ 6-6-得出推荐结果.mp4 61.97M

｜ 2-协同过滤与矩阵分解

｜｜ 1-1-协同过滤与矩阵分解简介.mp4 11.30M

｜｜ 2-2-基于用户与商品的协同过滤.mp4 18.52M

｜｜ 3-3-相似度计算与推荐实例.mp4 15.18M

｜｜ 4-4-矩阵分解的目的与效果.mp4 20.65M

｜｜ 5-5-矩阵分解中的隐向量.mp4 25.07M

｜｜ 6-6-目标函数简介.mp4 13.75M

｜｜ 7-7-隐式情况分析.mp4 14.10M

｜｜ 8-8-Embedding的作用.mp4 11.11M

｜ 3-音乐推荐系统实战

｜｜ 1-1-音乐推荐任务概述.mp4 64.46M

｜｜ 2-2-数据集整合.mp4 53.91M

｜｜ 3-3-基于物品的协同过滤.mp4 63.10M

｜｜ 4-4-物品相似度计算与推荐.mp4 63.37M

｜｜ 5-5-SVD矩阵分解.mp4 30.83M

｜｜ 6-6-基于矩阵分解的音乐推荐.mp4 83.15M

｜ 4-知识图谱与Neo4j数据库实例

｜｜ 1-1-知识图谱通俗解读.mp4 19.87M

｜｜ 10-5-数据库更改查询操作演示.mp4 27.14M

｜｜ 2-2-知识图谱在搜索引擎中的应用.mp4 26.60M

｜｜ 3-3-知识图谱在医疗领域应用实例.mp4 102.89M

｜｜ 4-4-金融与推荐领域的应用.mp4 20.39M

｜｜ 5-5-数据获取分析.mp4 35.93M

｜｜ 6-1-Neo4j图数据库介绍.mp4 63.50M

｜｜ 7-2-Neo4j数据库安装流程演示.mp4 27.67M

｜｜ 8-3-可视化例子演示.mp4 43.59M

｜｜ 9-4-创建与删除操作演示.mp4 25.32M

｜ 5-基于知识图谱的电影推荐实战

｜｜ 1-1-知识图谱推荐系统效果演示.mp4 23.66M

｜｜ 2-2-kaggle电影数据集下载与配置.mp4 63.41M

｜｜ 3-3-图谱需求与任务流程解读.mp4 26.59M

｜｜ 4-4-项目所需环境配置安装.mp4 48.84M

｜｜ 5-5-构建用户电影知识图谱.mp4 61.49M

｜｜ 6-6-图谱查询与匹配操作.mp4 19.62M

｜｜ 7-7-相似度计算与推荐引擎构建.mp4 39.17M

｜ 6-点击率估计FM与DeepFM算法

｜｜ 1-1-CTR估计及其经典方法概述.mp4 21.94M

｜｜ 2-2-高维特征带来的问题.mp4 12.95M

｜｜ 3-3-二项式特征的作用与挑战.mp4 11.80M

｜｜ 4-4-二阶公式推导与化简.mp4 20.88M

｜｜ 5-5-FM算法解析.mp4 19.83M

｜｜ 6-6-DeepFm整体架构解读.mp4 15.14M

｜｜ 7-7-输入层所需数据样例.mp4 14.12M

｜｜ 8-8-Embedding层的作用与总结.mp4 21.52M

｜ 7-DeepFM算法实战

｜｜ 1-1-数据集介绍与环境配置.mp4 57.76M

｜｜ 2-2-广告点击数据预处理实例.mp4 49.15M

｜｜ 3-3-数据处理模块Embedding层.mp4 34.38M

｜｜ 4-4-Index与Value数据制作.mp4 29.32M

｜｜ 5-5-一阶权重参数设计.mp4 33.52M

｜｜ 6-6-二阶特征构建方法.mp4 28.85M

｜｜ 7-7-特征组合方法实例分析.mp4 49.49M

｜｜ 8-8-完成FM模块计算.mp4 24.56M

｜｜ 9-9-DNN模块与训练过程.mp4 37.53M

｜ 8-推荐系统常用工具包演示

｜｜ 1-1-环境配置与数据集介绍.mp4 35.70M

｜｜ 2-2-电影数据集预处理分析.mp4 32.75M

｜｜ 3-3-surprise工具包基本使用.mp4 36.06M

｜｜ 4-4-模型测试集结果.mp4 30.72M

｜｜ 5-5-评估指标概述.mp4 66.45M

｜ 9-基于文本数据的推荐实例

｜｜ 1-1-数据与环境配置介绍.mp4 19.81M

｜｜ 2-2-数据科学相关数据介绍.mp4 31.25M

｜｜ 3-3-文本数据预处理.mp4 37.37M

｜｜ 4-4-TFIDF构建特征矩阵.mp4 31.28M

｜｜ 5-5-矩阵分解演示.mp4 29.02M

｜｜ 6-6-LDA主题模型效果演示.mp4 53.07M

｜｜ 7-7-推荐结果分析.mp4 43.00M

29-论文创新点常用方法及其应用实例

｜ 1-通用创新点

｜｜ 1-ACMIX(卷积与注意力融合).mp4 86.05M

｜｜ 10-Attention额外加入先验知识.mp4 7.42M

｜｜ 11-结合GNN构建局部特征.mp4 25.87M

｜｜ 12-损失函数约束项.mp4 8.42M

｜｜ 13-自适应可学习参数.mp4 14.27M

｜｜ 14-Coarse2Fine大框架.mp4 40.53M

｜｜ 15-只能机器学习模型时凑工作量(特征工程).mp4 6.02M

｜｜ 16-自己数据集如何发的好(要开源).mp4 45.07M

｜｜ 17-可变形卷积加入方法.mp4 23.44M

｜｜ 18-在源码中加入各种注意力机制方法.mp4 122.48M

｜｜ 2-GCnet(全局特征融合).mp4 74.35M

｜｜ 3-Coordinate_attention.mp4 74.92M

｜｜ 4-SPD(可替换下采样).mp4 45.03M

｜｜ 5-SPP改进.mp4 17.03M

｜｜ 6-mobileOne(加速).mp4 45.26M

｜｜ 7-Deformable(替换selfAttention).mp4 44.90M

｜｜ 8-ProbAttention(采样策略).mp4 23.58M

｜｜ 9-CrossAttention融合特征.mp4 20.50M

3-深度学习核心框架PyTorch

｜ 3-1 节PyTorch框架介绍与配置安装

｜｜ 1-PyTorch框架与其他框架区别分析.mp4.mp4 33.24M

｜｜ 2-CPU与GPU版本安装方法解读.mp4.mp4 100.57M

｜ 3-2 节使用神经网络进行分类任务

｜｜ 1-数据集与任务概述.mp4.mp4 43.34M

｜｜ 2-基本模块应用测试.mp4.mp4 47.62M

｜｜ 3-网络结构定义方法.mp4.mp4 55.60M

｜｜ 4-数据源定义简介.mp4.mp4 38.98M

｜｜ 5-损失与训练模块分析.mp4.mp4 42.31M

｜｜ 6-训练一个基本的分类模型.mp4.mp4 54.59M

｜｜ 7-参数对结果的影响.mp4.mp4 51.65M

｜ 3-3 节神经网络回归任务-气温预测

｜｜神经网络回归任务-气温预测.mp4 226.94M

｜ 3-4 节卷积网络参数解读分析

｜｜ 1-输入特征通道分析.mp4.mp4 42.48M

｜｜ 2-卷积网络参数解读.mp4.mp4 31.46M

｜｜ 3-卷积网络模型训练.mp4.mp4 55.14M

｜ 3-5 节图像识别模型与训练策略(重点)

｜｜ 1-任务分析与图像数据基本处理.mp4.mp4 41.62M

｜｜ 10-测试结果演示分析.mp4.mp4 110.98M

｜｜ 2-数据增强模块.mp4.mp4 40.50M

｜｜ 3-数据集与模型选择.mp4.mp4 45.32M

｜｜ 4-迁移学习方法解读.mp4.mp4 44.66M

｜｜ 5-输出层与梯度设置.mp4.mp4 61.42M

｜｜ 6-输出类别个数修改.mp4.mp4 49.06M

｜｜ 7-优化器与学习率衰减.mp4.mp4 52.48M

｜｜ 8-模型训练方法.mp4.mp4 52.60M

｜｜ 9-重新训练全部模型.mp4.mp4 54.81M

｜ 3-6 节DataLoader自定义数据集制作

｜｜ 1-Dataloader要完成的任务分析.mp4.mp4 39.20M

｜｜ 2-图像数据与标签路径处理.mp4.mp4 48.98M

｜｜ 3-Dataloader中需要实现的方法分析.mp4.mp4 46.95M

｜｜ 4-实用Dataloader加载数据并训练模型.mp4.mp4 77.82M

｜ 3-7 节LSTM文本分类实战

｜｜ 1-数据集与任务目标分析.mp4.mp4 52.81M

｜｜ 2-文本数据处理基本流程分析.mp4.mp4 55.97M

｜｜ 3-命令行参数与DEBUG.mp4.mp4 36.52M

｜｜ 4-训练模型所需基本配置参数分析.mp4.mp4 40.92M

｜｜ 5-预料表与字符切分.mp4.mp4 31.98M

｜｜ 6-字符预处理转换ID.mp4.mp4 34.37M

｜｜ 7-LSTM网络结构基本定义.mp4.mp4 34.73M

｜｜ 8-网络模型预测结果输出.mp4.mp4 39.11M

｜｜ 9-模型训练任务与总结.mp4.mp4 45.16M

｜ 3-8 节PyTorch框架Flask部署例子

｜｜ 1-基本结构与训练好的模型加载.mp4.mp4 21.02M

｜｜ 2-服务端处理与预测函数.mp4.mp4 40.92M

｜｜ 3-基于Flask测试模型预测结果.mp4.mp4 46.26M

30-2024Ai必会Agent(应用解读+项目实战)

｜ 001-课程介绍 .mp4 74.82M

｜ 002-1-Agent要解决的问题分析 .mp4 21.66M

｜ 003-2-Agent需要具备的基本能力 .mp4 21.18M

｜ 004-3-与大模型的关系分析 .mp4 18.35M

｜ 005-4-多智能体定义分析 .mp4 17.06M

｜ 006-5-框架的作用和能解决的问题 .mp4 26.34M

｜ 007-6-整体总结分析 .mp4 12.99M

｜ 008-7-GPTS分析一波 .mp4 30.61M

｜ 009-8-经典任务分析 .mp4 25.44M

｜ 010-1-GPTS任务流程概述分析 .mp4 47.78M

｜ 011-2-调用API的控制方式 .mp4 20.84M

｜ 012-3-API相关配置完成 .mp4 28.98M

｜ 013-4-完成指令与脚本并生成 .mp4 49.13M

｜ 014-1-DEMO演示与整体架构分析 .mp4 60.73M

｜ 015-2-后端GPT项目部署启动 .mp4 51.37M

｜ 016-3-前端助手API与流程图配置 .mp4 56.36M

｜ 017-4-接入外部API的方法与流程 .mp4 40.71M

｜ 018-5-GPT中加入外部API调用方法 .mp4 46.15M

｜ 019-6-指令提示构建 .mp4 24.49M

｜ 020-1-论文概述分析 .mp4 37.87M

｜ 021-2-整体框架逻辑介绍 .mp4 52.22M

｜ 022-3-项目环境配置 .mp4 60.39M

｜ 023-4-基础解读-动作定义方式 .mp4 15.72M

｜ 024-5-基础解读-角色定义 .mp4 13.34M

｜ 025-6-单动作智能体实现方法 .mp4 20.16M

｜ 026-7-多动作配置方法 .mp4 18.19M

｜ 027-8-定时器任务环境配置 .mp4 36.54M

｜ 028-9-定时器任务流程解读分析 .mp4 44.89M

｜ 029-0-基本Agent的组成 .mp4 43.11M

｜ 030-1-Agent要完成的任务和业务逻辑定义 .mp4 45.89M

｜ 031-2-问题拆解与执行流程 .mp4 61.54M

｜ 032-3-检索得到重要的URL .mp4 30.41M

｜ 033-4-子问题生成总结结果 .mp4 47.26M

｜ 034-5-总结与结果输出 .mp4 23.43M

｜ 035-1-RAG要完成的任务解读 .mp4 14.28M

｜ 036-2-RAG整体流程解读 .mp4 18.02M

｜ 037-3-召回优化策略分析 .mp4 17.57M

｜ 038-4-召回改进方案解读 .mp4 23.11M

｜ 039-5-评估工具RAGAS .mp4 34.62M

｜ 040-6-外接本地数据库工具 .mp4 19.47M

｜ 041-1-整体故事解读 .mp4 35.47M

｜ 042-2-要解决的问题和整体框架分析 .mp4 48.80M

｜ 043-3-论文基本框架分析 .mp4 81.31M

｜ 044-4-Agent的记忆信息 .mp4 61.90M

｜ 045-5-感知与反思模块构建流程 .mp4 21.35M

｜ 046-6-计划模块实现细节 .mp4 29.96M

｜ 047-7-整体流程框架图 .mp4 19.73M

｜ 048-8-感知模块解读 .mp4 38.05M

｜ 049-9-思考模块解读 .mp4 40.37M

｜ 050-10-项目环境配置方法解读 .mp4 39.58M

｜ 051-1-langchain框架解读 .mp4 20.18M

｜ 052-2-基本API调用方法 .mp4 40.13M

｜ 053-3-数据文档切分操作 .mp4 35.52M

｜ 054-4-样本索引与向量构建 .mp4 39.13M

｜ 055-5-数据切块方法 .mp4 40.65M

｜ 056-1-MOE概述分析 .mp4 19.57M

｜ 057-2-MOE模块实现方法解读 .mp4 29.67M

｜ 058-3-效果分析与总结 .mp4 41.43M

｜ 059-1-大模型如何做下游任务 .mp4 27.81M

｜ 060-2-LLM落地微调分析 .mp4 33.70M

｜ 061-3-LLAMA与LORA介绍 .mp4 27.13M

｜ 062-4-LORA微调的核心思想 .mp4 20.57M

｜ 063-5-LORA模型实现细节 .mp4 36.76M

｜ 064-1-提示工程的作用 .mp4 37.72M

｜ 065-2-项目数据解读 .mp4 37.77M

｜ 066-3-源码调用DEBUG解读 .mp4 35.11M

｜ 067-4-训练流程演示 .mp4 43.75M

｜ 068-5-效果演示与总结分析 .mp4 29.12M

｜ 069-1-RAG与微调可以解决与无法解决的问题 .mp4 19.56M

｜ 070-2-RAG实践策略 .mp4 16.47M

｜ 071-3-微调要解决的问题 .mp4 14.59M

4-Opencv图像处理框架实战

｜ 5-1 节课程简介与环境配置

｜｜ 1-课程简介.mp4.mp4 5.40M

｜｜ 2-Python与Opencv配置安装.mp4.mp4 33.28M

｜｜ 3-Notebook与IDE环境.mp4.mp4 84.50M

｜ 5-10 节⽂档扫描OCR识别

｜｜ 1-整体流程演示.mp4.mp4 21.50M

｜｜ 2-文档轮廓提取.mp4.mp4 27.81M

｜｜ 3-原始与变换坐标计算.mp4.mp4 26.24M

｜｜ 4-透视变换结果.mp4.mp4 32.87M

｜｜ 5-tesseract-ocr安装配置.mp4.mp4 41.23M

｜｜ 6-文档扫描识别效果.mp4.mp4 28.86M

｜ 5-11 节图像特征-harris

｜｜ 1-角点检测基本原理.mp4.mp4 15.53M

｜｜ 2-基本数学原理.mp4.mp4 30.58M

｜｜ 3-求解化简.mp4.mp4 31.79M

｜｜ 4-特征归属划分.mp4.mp4 43.23M

｜｜ 5-opencv角点检测效果.mp4.mp4 31.04M

｜ 5-12 节图像特征-sift

｜｜ 1-尺度空间定义.mp4.mp4 20.04M

｜｜ 2-高斯差分金字塔.mp4.mp4 21.68M

｜｜ 3-特征关键点定位.mp4.mp4 48.15M

｜｜ 4-生成特征描述.mp4.mp4 24.66M

｜｜ 5-特征向量生成.mp4.mp4 43.73M

｜｜ 6-opencv中sift函数使用.mp4.mp4 28.80M

｜ 5-13 节全景图像拼接

｜｜ 1-特征匹配方法.mp4.mp4 28.56M

｜｜ 2-RANSAC算法.mp4.mp4 34.50M

｜｜ 3-图像拼接方法.mp4.mp4 45.06M

｜｜ 4-流程解读.mp4.mp4 21.65M

｜ 5-14 节停⻋场⻋位识别

｜｜ 1-任务整体流程.mp4.mp4 71.40M

｜｜ 2-所需数据介绍.mp4.mp4 34.31M

｜｜ 3-图像数据预处理.mp4.mp4 56.75M

｜｜ 4-车位直线检测.mp4.mp4 61.44M

｜｜ 5-按列划分区域.mp4.mp4 54.67M

｜｜ 6-车位区域划分.mp4.mp4 57.33M

｜｜ 7-识别模型构建.mp4.mp4 41.19M

｜｜ 8-基于视频的车位检测.mp4.mp4 135.61M

｜ 5-15 节答题卡识别判卷

｜｜ 1-整体流程与效果概述.mp4.mp4 29.49M

｜｜ 2-预处理操作.mp4.mp4 24.08M

｜｜ 3-填涂轮廓检测.mp4.mp4 25.66M

｜｜ 4-选项判断识别.mp4.mp4 57.12M

｜ 5-16 节背景建模

｜｜ 1-背景消除-帧差法.mp4.mp4 20.79M

｜｜ 2-混合高斯模型.mp4.mp4 26.39M

｜｜ 3-学习步骤.mp4.mp4 31.75M

｜｜ 4-背景建模实战.mp4.mp4 51.17M

｜ 5-17 节光流估计

｜｜ 1-基本概念.mp4.mp4 20.20M

｜｜ 2-Lucas-Kanade算法.mp4.mp4 19.67M

｜｜ 3-推导求解.mp4.mp4 25.94M

｜｜ 4-光流估计实战.mp4.mp4 64.22M

｜ 5-18 节Opencv的DNN模块

｜｜ 1-dnn模块.mp4.mp4 28.59M

｜｜ 2-模型加载结果输出.mp4.mp4 40.50M

｜ 5-19 节⽬标追踪

｜｜ 1-目标追踪概述.mp4.mp4 49.75M

｜｜ 2-多目标追踪实战.mp4.mp4 34.62M

｜｜ 3-深度学习检测框架加载.mp4.mp4 43.62M

｜｜ 4-基于dlib与ssd的追踪.mp4.mp4 73.02M

｜｜ 5-多进程目标追踪.mp4.mp4 25.72M

｜｜ 6-多进程效率提升对比.mp4.mp4 78.13M

｜ 5-2 节图像基本操作

｜｜ 1-计算机眼中的图像.mp4.mp4 30.88M

｜｜ 2-视频的读取与处理.mp4.mp4 46.97M

｜｜ 3-ROI区域.mp4.mp4 15.37M

｜｜ 4-边界填充.mp4.mp4 21.46M

｜｜ 5-数值计算.mp4.mp4 40.04M

｜ 5-20 节卷积原理与操作

｜｜ 1-卷积神经网络的应用.mp4.mp4 36.18M

｜｜ 2-卷积层解释.mp4.mp4 22.31M

｜｜ 3-卷积计算过程.mp4.mp4 27.61M

｜｜ 4-pading与stride.mp4.mp4 26.12M

｜｜ 5-卷积参数共享.mp4.mp4 17.69M

｜｜ 6-池化层原理.mp4.mp4 16.09M

｜｜ 7-卷积效果演示.mp4.mp4 24.64M

｜｜ 8-卷积操作流程.mp4.mp4 41.24M

｜ 5-21 节疲劳检测

｜｜ 1-关键点定位概述.mp4.mp4 28.45M

｜｜ 2-获取人脸关键点.mp4.mp4 36.07M

｜｜ 3-定位效果演示.mp4.mp4 45.43M

｜｜ 4-闭眼检测.mp4.mp4 71.07M

｜｜ 5-检测效果.mp4.mp4 40.60M

｜ 5-3 节阈值与平滑处理

｜｜ 1-图像阈值.mp4.mp4 30.85M

｜｜ 2-图像平滑处理.mp4.mp4 24.77M

｜｜ 3-高斯与中值滤波.mp4.mp4 20.61M

｜ 5-4 节图像形态学操作

｜｜ 1-腐蚀操作.mp4.mp4 20.99M

｜｜ 2-膨胀操作.mp4.mp4 12.25M

｜｜ 3-开运算与闭运算.mp4.mp4 9.32M

｜｜ 4-梯度计算.mp4.mp4 7.85M

｜｜ 5-礼帽与黑帽.mp4.mp4 15.88M

｜ 5-5 节图像梯度计算

｜｜ 1-Sobel算子.mp4.mp4 27.00M

｜｜ 2-梯度计算方法.mp4.mp4 30.29M

｜｜ 3-scharr与lapkacian算子.mp4.mp4 27.39M

｜ 5-6 节边缘检测

｜｜ 1-Canny边缘检测流程.mp4.mp4 18.97M

｜｜ 2-非极大值抑制.mp4.mp4 18.32M

｜｜ 3-边缘检测效果.mp4.mp4 36.63M

｜ 5-7 节图像⾦字塔与轮廓检测

｜｜ 1-图像金字塔定义.mp4.mp4 19.68M

｜｜ 2-金字塔制作方法.mp4.mp4 25.47M

｜｜ 3-轮廓检测方法.mp4.mp4 19.37M

｜｜ 4-轮廓检测结果.mp4.mp4 34.44M

｜｜ 5-轮廓特征与近似.mp4.mp4 37.62M

｜｜ 6-模板匹配方法.mp4.mp4 47.45M

｜｜ 7-匹配效果展示.mp4.mp4 21.20M

｜ 5-8 节直⽅图与傅⾥叶变换

｜｜ 1-直方图定义.mp4.mp4 23.64M

｜｜ 2-均衡化原理.mp4.mp4 31.35M

｜｜ 3-均衡化效果.mp4.mp4 27.21M

｜｜ 4-傅里叶概述.mp4.mp4 38.86M

｜｜ 5-频域变换结果.mp4.mp4 26.32M

｜｜ 6-低通与高通滤波.mp4.mp4 27.40M

｜ 5-9 节信⽤卡数字识别

｜｜ 1-总体流程与方法讲解.mp4.mp4 20.73M

｜｜ 2-环境配置与预处理.mp4.mp4 34.85M

｜｜ 3-模板处理方法.mp4.mp4 23.69M

｜｜ 4-输入数据处理方法.mp4.mp4 28.88M

｜｜ 5-模板匹配得出识别结果.mp4.mp4 47.72M

5-综合项目-物体检测经典算法实战

｜ 1-YOLO V9

｜｜ 1-YOLO V9.mp4 1.42G

6-图像分割实战

｜ 1-图像分割及其损失函数概述

｜｜ 1-语义分割与实例分割概述.mp4 20.24M

｜｜ 2-分割任务中的目标函数定义.mp4 20.00M

｜｜ 3-MIOU评估标准.mp4 9.03M

｜ 10-物体检测框架-MaskRcnn项目介绍与配置

｜｜ 1-Mask-Rcnn开源项目简介.mp4 88.18M

｜｜ 2-开源项目数据集.mp4 42.48M

｜｜ 3-开源项目数据集.mp4 97.85M

｜ 11-MaskRcnn网络框架源码详解

｜｜ 1-FPN层特征提取原理解读.mp4 42.31M

｜｜ 10-RoiPooling层的作用与目的.mp4 33.45M

｜｜ 11-RorAlign操作的效果.mp4 25.70M

｜｜ 12-整体框架回顾.mp4 28.86M

｜｜ 2-FPN网络架构实现解读.mp4 55.77M

｜｜ 3-生成框比例设置.mp4 28.25M

｜｜ 4-基于不同尺度特征图生成所有框.mp4 32.93M

｜｜ 5-RPN层的作用与实现解读.mp4 30.90M

｜｜ 6-候选框过滤方法.mp4 15.59M

｜｜ 7-Proposal层实现方法.mp4 33.31M

｜｜ 8-DetectionTarget层的作用.mp4 25.70M

｜｜ 9-正负样本选择与标签定义.mp4 27.59M

｜ 12-基于MASK-RCNN框架训练自己的数据与任务

｜｜ 1-Labelme工具安装.mp4 14.29M

｜｜ 2-使用labelme进行数据与标签标注.mp4 26.29M

｜｜ 3-完成训练数据准备工作.mp4 26.61M

｜｜ 4-maskrcnn源码修改方法.mp4 63.56M

｜｜ 5-基于标注数据训练所需任务.mp4 39.72M

｜｜ 6-测试与展示模块.mp4 38.60M

｜ 2-Unet系列算法讲解

｜｜ 1-Unet网络编码与解码过程.mp4 18.29M

｜｜ 2-网络计算流程.mp4 16.13M

｜｜ 3-Unet升级版本改进.mp4 15.75M

｜｜ 4-后续升级版本介绍.mp4 18.37M

｜ 3-unet医学细胞分割实战

｜｜ 1-医学细胞数据集介绍与参数配置.mp4 71.21M

｜｜ 2-数据增强工具.mp4 61.47M

｜｜ 3-Debug模式演示网络计算流程.mp4 41.37M

｜｜ 4-特征融合方法演示.mp4 30.05M

｜｜ 5-迭代完成整个模型计算任务.mp4 33.55M

｜｜ 6-模型效果验证.mp4 47.29M

｜ 4-U2NET显著性检测实战

｜｜ 1-任务目标与网络整体介绍.mp4 58.66M

｜｜ 2-显著性检测任务与目标概述.mp4 53.96M

｜｜ 3-编码器模块解读.mp4 43.66M

｜｜ 4-解码器输出结果.mp4 27.90M

｜｜ 5-损失函数与应用效果.mp4 34.34M

｜ 5-deeplab系列算法

｜｜ 1-deeplab分割算法概述.mp4 13.81M

｜｜ 2-空洞卷积的作用.mp4 16.74M

｜｜ 3-感受野的意义.mp4 19.37M

｜｜ 4-SPP层的作用.mp4 19.02M

｜｜ 5-ASPP特征融合策略.mp4 13.45M

｜｜ 6-deeplabV3Plus版本网络架构.mp4 24.08M

｜ 6-基于deeplabV3+版本进⾏VOC分割实战

｜｜ 1-PascalVoc数据集介绍.mp4 70.12M

｜｜ 2-项目参数与数据集读取.mp4 60.32M

｜｜ 3-网络前向传播流程.mp4 33.10M

｜｜ 4-ASPP层特征融合.mp4 51.19M

｜｜ 5-分割模型训练.mp4 34.97M

｜ 7-医学⼼脏视频数据集分割建模实战

｜｜ 1-数据集与任务概述.mp4 45.55M

｜｜ 2-项目基本配置参数.mp4 33.31M

｜｜ 3-任务流程解读.mp4 69.12M

｜｜ 4-文献报告分析.mp4 122.67M

｜｜ 5-补充：视频数据源特征处理方法概述.mp4 26.33M

｜｜ 6-补充：R(2plus1)D处理方法分析.mp4 18.88M

｜ 8-分割模型Maskformer系列

｜｜ 1-分割模型Maskformer系列.mp4 1.27G

｜ 9-补充：Mask2former源码解读

｜｜ 1-Backbone获取多层级特征.mp4 35.79M

｜｜ 10-正样本筛选损失计算.mp4 41.78M

｜｜ 11-标签分类匹配结果分析.mp4 62.04M

｜｜ 12-最终损失计算流程.mp4 52.29M

｜｜ 13-汇总所有损失完成迭代.mp4 35.76M

｜｜ 2-多层级采样点初始化构建.mp4 41.46M

｜｜ 3-多层级输入特征序列创建方法.mp4 43.83M

｜｜ 4-偏移量与权重计算并转换.mp4 48.78M

｜｜ 5-Encoder特征构建方法实例.mp4 49.77M

｜｜ 6-query要预测的任务解读.mp4 45.61M

｜｜ 7-Decoder中的AttentionMask方法.mp4 50.89M

｜｜ 8-损失模块输入参数分析.mp4 40.84M

｜｜ 9-标签分配策略解读.mp4 42.53M

8-走向AI论文实验与项目实战的捷径-MMLAB实战系列

｜ 1-MMCV安装方法

｜｜ 1-MMCV安装方法.mp4 55.75M

｜ 10-第三模块：DeformableDetr算法解读

｜｜ 1-DeformableDetr算法解读.mp4 730.35M

｜ 11-补充：Mask2former源码解读

｜｜ 1-Backbone获取多层级特征.mp4 35.79M

｜｜ 10-正样本筛选损失计算.mp4 41.78M

｜｜ 11-标签分类匹配结果分析.mp4 62.04M

｜｜ 12-最终损失计算流程.mp4 52.29M

｜｜ 13-汇总所有损失完成迭代.mp4 35.76M

｜｜ 2-多层级采样点初始化构建.mp4 41.46M

｜｜ 3-多层级输入特征序列创建方法.mp4 43.83M

｜｜ 4-偏移量与权重计算并转换.mp4 48.78M

｜｜ 5-Encoder特征构建方法实例.mp4 49.77M

｜｜ 6-query要预测的任务解读.mp4 45.61M

｜｜ 7-Decoder中的AttentionMask方法.mp4 50.89M

｜｜ 8-损失模块输入参数分析.mp4 40.84M

｜｜ 9-标签分配策略解读.mp4 42.53M

｜ 12-KIE关键信息抽取与视频超分辨率重构

｜｜ 1-KIE关键信息抽取与视频超分辨率重构.mp4 916.12M

｜ 13-第四模块：DBNET文字检测

｜｜ 1-文字检测数据概述与配置文件.mp4 56.60M

｜｜ 2-配置文件参数设置.mp4 38.74M

｜｜ 3-Neck层特征组合.mp4 32.04M

｜｜ 4-损失函数模块概述.mp4 43.11M

｜｜ 5-损失计算方法.mp4 59.35M

｜ 14-第四模块：ANINET文字识别

｜｜ 1-数据集与环境概述.mp4 55.58M

｜｜ 2-配置文件修改方法.mp4 52.49M

｜｜ 3-Bakbone模块得到特征.mp4 42.10M

｜｜ 4-视觉Transformer模块的作用.mp4 45.97M

｜｜ 5-视觉模型中的编码与解码的效果.mp4 54.49M

｜｜ 6-文本模型中的结构分析.mp4 38.66M

｜｜ 7-迭代修正模块.mp4 38.14M

｜｜ 8-输出层与损失计算.mp4 52.81M

｜ 15-第四模块：KIE基于图模型的关键信息抽取

｜｜ 1-配置文件以及要完成的任务解读.mp4 51.55M

｜｜ 2-KIE数据集格式调整方法.mp4 69.46M

｜｜ 3-配置文件与标签要进行处理操作.mp4 47.83M

｜｜ 4-边框要计算的特征分析.mp4 35.57M

｜｜ 5-标签数据处理与关系特征提取.mp4 56.48M

｜｜ 6-特征合并处理.mp4 43.74M

｜｜ 7-准备拼接边与点特征.mp4 41.38M

｜｜ 8-整合得到图模型输入特征.mp4 71.98M

｜ 16-第五模块：stylegan2源码解读

｜｜ 1-要完成的任务与基本思想概述.mp4 57.79M

｜｜ 2-得到style特征编码.mp4 69.51M

｜｜ 3-特征编码风格拼接.mp4 36.76M

｜｜ 4-基础风格特征卷积模块.mp4 54.69M

｜｜ 5-上采样得到输出结果.mp4 40.75M

｜｜ 6-损失函数概述.mp4 26.56M

｜ 17-第六模块：BasicVSR视频超分辨重构源码解读

｜｜ 1-要完成的任务分析与配置文件.mp4 27.36M

｜｜ 10-传播流程整体完成一圈.mp4 61.55M

｜｜ 11-完成输出结果.mp4 51.56M

｜｜ 2-特征基础提取模块.mp4 44.58M

｜｜ 3-光流估计网络模块.mp4 25.67M

｜｜ 4-基于光流完成对齐操作.mp4 40.23M

｜｜ 5-偏移量计算方法.mp4 32.48M

｜｜ 6-双向计算特征对齐.mp4 36.97M

｜｜ 7-提特征传递流程分析.mp4 37.23M

｜｜ 8-序列传播计算.mp4 39.88M

｜｜ 9-准备变形卷积模块的输入.mp4 44.71M

｜ 18-第七模块：多模态3D目标检测算法源码解读

｜｜ 1-环境配置与数据集概述.mp4 51.52M

｜｜ 10-3D卷积特征融合.mp4 56.76M

｜｜ 11-输出层预测结果.mp4 80.80M

｜｜ 2-数据与标注文件介绍.mp4 37.49M

｜｜ 3-基本流程梳理并进入debug模式.mp4 50.33M

｜｜ 4-数据与图像特征提取模块.mp4 58.02M

｜｜ 5-体素索引位置获取.mp4 64.72M

｜｜ 6-体素特征提取方法解读.mp4 37.57M

｜｜ 7-体素特征计算方法分析.mp4 70.71M

｜｜ 8-全局体素特征提取.mp4 95.96M

｜｜ 9-多模态特征融合.mp4 68.36M

｜ 19-第八模块：模型蒸馏应用实例

｜｜ 1-任务概述与工具使用.mp4 39.64M

｜｜ 2-Teacher与Student网络结构定义.mp4 46.25M

｜｜ 3-训练T与S得到蒸馏模型.mp4 70.63M

｜｜ 4-开始模型训练过程与问题修正.mp4 57.26M

｜｜ 5-日志输出与模型分离.mp4 70.25M

｜｜ 6-分别得到Teacher与Student模型.mp4 45.74M

｜｜ 7-实际测试效果演示.mp4 39.02M

｜ 2-第一模块：分类任务基本操作

｜｜ 1-MMCLS问题修正.mp4 23.50M

｜｜ 2-准备MMCLS项目.mp4 32.26M

｜｜ 3-基本参数配置解读.mp4 34.52M

｜｜ 4-各模块配置文件组成.mp4 35.81M

｜｜ 5-生成完整配置文件.mp4 24.45M

｜｜ 6-根据文件夹定义数据集.mp4 40.27M

｜｜ 7-构建自己的数据集.mp4 36.33M

｜｜ 8-训练自己的任务.mp4 39.32M

｜ 20-第八模块：模型剪枝方法概述分析

｜｜ 1-SuperNet网络结构分析与剪枝概述.mp4 40.58M

｜｜ 2-搜索匹配到符合计算量的模型并训练.mp4 46.83M

｜ 21-第九模块：mmaction行为识别

｜｜ 1-创建自己的行为识别标注数据集.mp4 232.73M

｜ 22-OCR算法解读

｜｜ 1-OCR算法解读.mp4 1.67G

｜ 23-额外补充-在源码中加入各种注意力机制方法

｜｜ 1-在源码中加入各种注意力机制方法.mp4 122.48M

｜ 3-第一模块：训练结果测试与验证

｜｜ 1-测试DEMO效果.mp4 25.49M

｜｜ 2-测试评估模型效果.mp4 27.58M

｜｜ 3-MMCLS中增加一个新的模块.mp4 62.61M

｜｜ 4-修改配置文件中的参数.mp4 67.72M

｜｜ 5-数据增强流程可视化展示.mp4 37.40M

｜｜ 6-Grad-Cam可视化方法.mp4 41.17M

｜｜ 7-可视化细节与效果分析.mp4 124.19M

｜｜ 8-MMCLS可视化模块应用.mp4 72.07M

｜｜ 9-模型分析脚本使用.mp4 36.37M

｜ 4-第一模块：模型源码DEBUG演示

｜｜ 1-VIT任务概述.mp4 29.96M

｜｜ 2-数据增强模块概述分析.mp4 49.58M

｜｜ 3-PatchEmbedding层.mp4 25.30M

｜｜ 4-前向传播基本模块.mp4 38.87M

｜｜ 5-CLS与输出模块.mp4 44.04M

｜ 5-第二模块：使用分割模块训练自己的数据集

｜｜ 1-项目配置基本介绍.mp4 74.23M

｜｜ 2-数据集标注与制作方法.mp4 56.84M

｜｜ 3-根据预测类别数修改配置文件.mp4 39.48M

｜｜ 4-加载预训练模型开始训练.mp4 86.52M

｜｜ 5-预测DEMO演示.mp4 21.88M

｜ 6-第二模块：基于Unet进行各种策略修改

｜｜ 1-配置文件解读.mp4 32.12M

｜｜ 2-编码层模块.mp4 32.47M

｜｜ 3-上采样与输出层.mp4 28.25M

｜｜ 4-辅助层的作用.mp4 19.83M

｜｜ 5-给Unet添加一个neck层.mp4 30.37M

｜｜ 6-如何修改参数适配网络结构.mp4 21.73M

｜｜ 7-将Unet特征提取模块替换成transformer.mp4 22.41M

｜｜ 8-VIT模块源码分析.mp4 45.48M

｜ 7-第二模块：分割任务CVPR最新Backbone设计及其应用

｜｜ 1-注册自己的Backbone模块.mp4 34.30M

｜｜ 10-汇总多层级特征进行输出.mp4 43.35M

｜｜ 2-配置文件指定.mp4 35.84M

｜｜ 3-DEBUG解读Backbone设计.mp4 40.45M

｜｜ 4-PatchEmbedding的作用与实现.mp4 44.88M

｜｜ 5-卷积位置编码计算方法.mp4 53.89M

｜｜ 6-近似Attention模块实现.mp4 79.49M

｜｜ 7-完成特征提取与融合模块.mp4 55.69M

｜｜ 8-分割输出模块.mp4 57.72M

｜｜ 9-全局特征的作用与实现.mp4 56.34M

｜ 8-第三模块：mmdet训练自己的数据任务

｜｜ 1-数据集标注与标签获取.mp4 31.35M

｜｜ 2-COCO数据标注格式.mp4 28.16M

｜｜ 3-通过脚本生成COCO数据格式.mp4 38.55M

｜｜ 4-配置文件数据增强策略分析.mp4 45.59M

｜｜ 5-训练所需配置说明.mp4 56.00M

｜｜ 6-模型训练与DEMO演示.mp4 35.27M

｜｜ 7-模型测试与可视化分析模块.mp4 77.61M

｜｜ 8-补充：评估指标.mp4 14.06M

｜ 9-第三模块：DeformableDetr物体检测源码分析

｜｜ 1-特征提取与位置编码.mp4 38.16M

｜｜ 10-分类与回归输出模块.mp4 49.72M

｜｜ 11-预测输出结果与标签匹配模块.mp4 44.31M

｜｜ 2-序列特征展开并叠加.mp4 51.07M

｜｜ 3-得到相对位置点编码.mp4 28.80M

｜｜ 4-准备Encoder编码层所需全部输入.mp4 37.91M

｜｜ 5-编码层中的序列分析.mp4 39.73M

｜｜ 6-偏移量offset计算.mp4 46.09M

｜｜ 7-偏移量对齐操作.mp4 39.80M

｜｜ 8-Encoder层完成特征对齐.mp4 51.84M

｜｜ 9-Decoder要完成的操作.mp4 38.98M

9 期资料

｜ 1.第1章直播课

｜｜ 1-1 节开班典礼

｜｜｜人工智能详情页7.1.pdf 29.57M

｜｜ 1-10 节直播9：自监督任务

｜｜｜ BEiT v2.pdf 9.94M

｜｜ 1-11 节直播10：知识蒸馏

｜｜｜ 9-LDA与PCA算法.pdf 1.19M

｜｜｜蒸馏.pdf 1.45M

｜｜ 1-12 节直播11：分割Mask2former算法

｜｜｜ mask2former.pdf 2.97M

｜｜ 1-13 节直播12：多模态与交叉注意力应用

｜｜｜ Loftr.pdf 1.66M

｜｜ 1-14节直播13：时间序列timesnet与地理分类任务

｜｜｜ 2210.02186.pdf 3.81M

｜｜｜ Time-Series-Library-main.zip 21.74M

｜｜ 1-2 神经网络

｜｜｜神经网络.pdf 6.31M

｜｜ 1-3 节直播2：卷积神经网络

｜｜｜卷积神经网络.pdf 2.59M

｜｜ 1-4 节直播3：Transformer架构解读

｜｜｜ transformer.pdf 1.99M

｜｜ 1-5 节直播4：视觉Transformer- VIT源码解读

｜｜｜ Transformer在视觉中的应用VIT算法.pdf 1.24M

｜｜｜ ViT.zip 638.39M

｜｜ 1-6 节直播5：图神经网络

｜｜｜ Temporal Graph Neural Networks.pdf 695.82kb

｜｜｜图卷积.pdf 955.90kb

｜｜｜图神经网络.pdf 1.51M

｜｜｜图注意力机制.pdf 741.59kb

｜｜｜异构图.pdf 937.68kb

｜｜ 1-7 节直播6：Transformer Decoder在视觉任务的应用

｜｜｜ AlignPS.pdf 882.65kb

｜｜｜ DETR课件.pdf 883.44kb

｜｜｜ Informer.pdf 1.12M

｜｜｜可变形DETR.pdf 4.42M

｜｜ 1-8 节直播7：对比学习与多模态任务

｜｜｜ CLIP及其应用.pdf 1.95M

｜｜｜对比学习.pdf 1.96M

｜｜ 1-9节直播8：GPT与Hugging face

｜｜｜ GPT系列.pdf 2.00M

｜｜｜大模型.pdf 1.46M

｜ 10.第一十章 2022论⽂必备-Transformer实战系列

｜｜第十二，十三章

｜｜｜ 2104.00680.pdf 7.80M

｜｜｜ Loftr.pdf 1.51M

｜｜｜ LoFTR.zip 404.06M

｜｜谷歌开源项目BERT源码解读与应用实例

｜｜｜ BERT开源项目及数据.zip 992.70M

｜｜基础补充-Resnet模型及其应用实例

｜｜｜ Resnet.pdf 207.88kb

｜｜｜基于Resnet的医学数据集分类实战.zip 461.00M

｜｜ 2104.00680.pdf 7.80M

｜｜ baiduyunguangjia_cfg_A900527E-5BA6-4d22-8E96-E40D5C6EDF61.cfg 0.00kb

｜｜ BEV.pdf 998.21kb

｜｜ Informer.pdf 1.12M

｜｜ Informer.zip 18.28M

｜｜ Loftr.pdf 1.51M

｜｜ LoFTR.zip 404.06M

｜｜ mask2former.pdf 2.97M

｜｜ maskformer.pdf 1.51M

｜｜ Medical-Transformer.zip 59.77M

｜｜ mmdetection-master.zip 1.46G

｜｜ transformer.pdf 1.99M

｜｜ Transformer在视觉中的应用VIT算法.pdf 1.24M

｜｜ ViT.zip 638.39M

｜｜第六章：基于Transformer的detr目标检测算法.pdf 885.69kb

｜｜第七章：detr目标检测源码解读.zip 108.29kb

｜｜第四章：swintransformer算法原理解析.pdf 807.76kb

｜｜第五章：swintransformer源码解读.zip 234.56M

｜｜可变形DETR.pdf 4.50M

｜ 11.第一十一章图神经⽹络实战

｜｜ 3-图模型必备神器PyTorch Geometric安装与使用

｜｜｜工具包使用.zip 16.68M

｜｜ 4-使用PyTorch Geometric构建自己的图数据集

｜｜｜创建自己的数据集.zip 423.92M

｜｜ 5-图注意力机制与序列图模型

｜｜｜ Temporal Graph Neural Networks.pdf 703.14kb

｜｜｜时间序列TGCN.zip 29.94M

｜｜｜图注意力机制.pdf 748.26kb

｜｜ 6-图相似度论文解读

｜｜｜ 1808.05689.pdf 1.46M

｜｜ 7-图相似度计算实战

｜｜｜ Extended-SimGNN.zip 3.49M

｜｜ 8-基于图模型的轨迹估计

｜｜｜轨迹轨迹.pdf 669.95kb

｜｜｜数据集Demo.mp4 4.08M

｜｜ 9-图模型轨迹估计实战

｜｜｜ Vector.zip 4.93M

｜｜第二章：图卷积GCN模型

｜｜｜图卷积.pdf 1.02M

｜｜第一章：图神经网络基础

｜｜｜图神经网络.pdf 1.59M

｜｜基于图模型的时间序列预测

｜｜｜ 2110.05357.pdf 880.70kb

｜｜｜ raindrop-AAAI22.pdf 10.58M

｜｜｜ Raindrop-main.rar 89.66M

｜｜异构图神经网络

｜｜｜ HeterogeneousGraph.zip 1.89M

｜｜｜异构图.pdf 1017.27kb

｜｜｜异构图神经网络.pdf 3.06M

｜ 12.第一十二章 3D点云实战

｜｜第1节：3D点云应用领域分析

｜｜｜点云.pdf 1.14M

｜｜｜激光雷达.mp4 8.14M

｜｜第2节：3D点云PointNet算法

｜｜｜ CloudCompare.zip 68.07M

｜｜｜ PointNet.pdf 1.72M

｜｜第3节：PointNet算法解读

｜｜｜ PointNet.pdf 1.72M

｜｜第4节：Pointnet项目实战

｜｜｜ Pointnet2.zip 2.33G

｜｜第5节：点云补全PF-Net论文解读

｜｜｜ 2003.00410.pdf 4.02M

｜｜｜点云补全.pdf 596.42kb

｜｜第6节：点云补全实战解读

｜｜｜ PF-Net-Point-Fractal-Network.zip 646.12M

｜｜第7节：点云配准及其案例实战

｜｜｜ 2003.13479.pdf 1.64M

｜｜｜ RPMNet.zip 447.43M

｜｜｜点云匹配.pdf 552.85kb

｜｜第8节：基础补充-对抗生成网络架构原理与实战解析

｜｜｜第八章：对抗生成网络架构原理与实战解析.zip 35.28M

｜ 13.第一十二章⾯向深度学习的⽆⼈驾驶实战

｜｜ 1.深度估计算法解读

｜｜｜ Monocular_Depth_Estimation_Using_Laplacian_Pyramid-Based_Depth_Residuals.pdf 13.78M

｜｜｜深度估计.pdf 1.50M

｜｜ 10-NeuralRecon项目源码解读

｜｜｜ NeuralRecon

｜｜ 10-NeuralRecon项目源码解读-

｜｜｜ NeuralRecon

｜｜ 11-TSDF算法与应用

｜｜｜ TSDF.pdf 786.76kb

｜｜ 12-TSDF实战案例

｜｜｜ TSDF实例

｜｜ 12-TSDF实战案例-

｜｜｜ TSDF实例

｜｜ 13-轨迹估计算法与论文解读

｜｜｜无人驾驶.pdf 629.17kb

｜｜ 14-轨迹估计预测实战

｜｜｜ Vector.zip 4.93M

｜｜ 15-特斯拉无人驾驶解读

｜｜｜ Tesla无人驾驶.pdf 4.02M

｜｜ 2.深度估计项目实战

｜｜｜ LapDepth.zip 650.39M

｜｜ 3-车道线检测算法与论文解读

｜｜｜基于深度学习的车道线检测.pdf 879.67kb

｜｜ 4-基于深度学习的车道线检测项目实战

｜｜｜ Lane-Detection.zip 1.90G

｜｜ 5-商汤LoFTR算法解读

｜｜｜ 2104.00680.pdf 7.68M

｜｜｜ Loftr.pdf 1.66M

｜｜ 6-局部特征关键点匹配实战

｜｜｜ LoFTR.zip 404.06M

｜｜ 7-三维重建应用与坐标系基础

｜｜｜三维重建.pdf 2.91M

｜｜ 8-NeuralRecon算法解读

｜｜｜ NeuralRecon.pdf 7.73M

｜｜｜三维重建.pdf 3.07M

｜｜ 9-NeuralRecon项目环境配置

｜｜｜参考其GITHUB即可

｜ 14.第一十三章对比学习与多模态任务实战

｜｜ ANINET源码解读

｜｜｜ mmocr-main.zip 381.72M

｜｜ CLIP系列

｜｜｜ CLIP.zip 679.35kb

｜｜｜ CLIP及其应用.pdf 1.94M

｜｜对比学习算法与实例

｜｜｜ trainCLIP.py 1.56kb

｜｜｜对比学习.pdf 1.96M

｜｜多模态3D目标检测算法源码解读

｜｜｜ mmdetection3d-1.0.0rc0.zip 395.05M

｜｜多模态文字识别

｜｜｜ ABINET.pdf 1.24M

｜｜｜ DBNET.pdf 3.83M

｜ 15.第一十五章缺陷检测实战

｜｜ PyTorch基础

｜｜｜ 1-PyTorch框架基本处理操作.zip 98.58M

｜｜｜ 2-神经网络实战分类与回归任务.zip 15.82M

｜｜｜ 3-图像识别核心模块实战解读.zip 336.95M

｜｜ Resnet分类实战

｜｜｜ Resnet.pdf 207.88kb

｜｜｜基于Resnet的医学数据集分类实战.zip 461.00M

｜｜第1-4章：YOLOV5缺陷检测

｜｜｜ Defective_Insulators.zip 54.69M

｜｜｜ NEU-DET.zip 26.68M

｜｜｜ YOLO5.zip 469.64M

｜｜｜ YOLO新版.pdf 3.62M

｜｜第11-12章：deeplab

｜｜｜ DeepLab.pdf 704.25kb

｜｜｜ DeepLabV3Plus.zip 1.92G

｜｜第6-8章：Opencv各函数使用实例

｜｜｜第二部分notebook课件.zip 1.29M

｜｜｜第一部分notebook课件.zip 7.28M

｜｜ DeepLab铁质材料缺陷检测与开源项目应用流程.zip 3.58G

｜｜第10章：基于视频流水线的Opnecv缺陷检测项目.zip 13.96M

｜｜第5章：Semi-supervised布料缺陷检测实战.zip 212.33M

｜｜第9章：基于Opencv缺陷检测项目实战.zip 11.38M

｜ 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

｜｜｜行人重识别.pdf 1.83M

｜｜第2节：基于注意力机制的ReId模型论文解读

｜｜｜ Relation-Aware Global Attention.pdf 675.74kb

｜｜第3节：基于Attention的行人重识别项目实战

｜｜｜ Relation-Aware-Global-Attention-Networks.zip 3.09G

｜｜第4节：经典会议算法精讲(特征融合)

｜｜｜ Relation Network for Person Re-identification.pdf 2.52M

｜｜第5节：项目实战-基于行人局部特征融合的再识别实战

｜｜｜ Relation Network for Person Re-identification.zip 296.48M

｜｜第6节：旷视研究院最新算法解读(基于图模型)

｜｜｜ Wang_High-Order_Information_Matters_Learning_Relation_and_Topology_for_Occluded_Person_CVPR_2020_paper.pdf 1.50M

｜｜第7节：基于拓扑图的行人重识别项目实战

｜｜｜基于图模型的ReID(旷视).zip 1.55G

｜ 17.第一十七章对抗⽣成⽹络实战

｜｜第4节：stargan论文架构解析

｜｜｜ 1912.01865.pdf 5.45M

｜｜｜ stargan.pdf 936.95kb

｜｜第6节：基于starganvc2的变声器论文原理解读

｜｜｜ 1907.12279.pdf 451.51kb

｜｜｜ stargan-vc2.pdf 788.57kb

｜｜第8节：图像超分辨率重构实战

｜｜｜ srdata.zip 3.97G

｜｜｜ srgan超分辨率重构.zip 532.56M

｜｜第9节：基于GAN的图像补全实战

｜｜｜ glcic图像补全.zip 178.82M

｜｜｜图像补全人脸数据.zip 1.31G

｜｜ cyclegan.pdf 2.67M

｜｜ static.zip 1.26M

｜｜第2节：对抗生成网络架构原理与实战解析.zip 35.28M

｜｜第3节：基于CycleGan开源项目实战图像合成.zip 1.60G

｜｜第5节：stargan项目实战及其源码解读.zip 869.44M

｜｜第7节：starganvc2变声器项目实战及其源码解读.zip 485.00M

｜ 18.第十八章强化学习与AI黑科技实例

｜｜ AI黑科技实例

｜｜｜ 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

｜｜ AI黑科技实例-

｜｜｜ 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

｜｜第1节：强化学习简介及其应用.pdf 738.65kb

｜｜第2节：PPO算法与公式推导.pdf 899.22kb

｜｜第3节：策略梯度实战-月球登陆器训练实例.zip 4.34M

｜｜第4节：DQN算法.pdf 1.43M

｜｜第5节：DQN算法实例演示.zip 1.98kb

｜｜第7节：Actor-Critic算法分析(A3C).pdf 560.29kb

｜｜第8节：A3C算法玩转超级马里奥.zip 97.62M

｜ 19.第一十九章面向医学领域的深度学习实战

｜｜ 1-神经网络算法PPT

｜｜｜深度学习.pdf 9.93M

｜｜ 10-基于deeplab的心脏视频数据诊断分析

｜｜｜基于deeplab的心脏视频数据诊断分析.zip 748.28M

｜｜ 11-YOLO系列物体检测算法原理解读

｜｜｜ YOLO.pdf 2.05M

｜｜｜ YOLOv4.pdf 3.84M

｜｜ 12-基于YOLO5细胞检测实战

｜｜｜基于YOLO5细胞检测实战.zip 584.81M

｜｜ 13-知识图谱原理解读

｜｜｜知识图谱.pdf 2.14M

｜｜ 14-Neo4j数据库实战

｜｜｜ NEO4J.pdf 268.00kb

｜｜ 15-基于知识图谱的医药问答系统实战

｜｜｜配置与安装.pdf 102.29kb

｜｜｜医药问答.zip 15.81M

｜｜ 17-医学糖尿病数据命名实体识别

｜｜｜ eclipse-命名实体识别.zip 18.19M

｜｜｜ notebook-瑞金.zip 4.96M

｜｜ 4-基于Resnet的医学数据集分类实战

｜｜｜ Resnet.pdf 207.88kb

｜｜｜基于Resnet的医学数据集分类实战.zip 461.00M

｜｜ 5-图像分割及其损失函数概述

｜｜｜深度学习分割任务.pdf 1.14M

｜｜ 6-Unet系列算法讲解

｜｜｜深度学习分割任务.pdf 1.14M

｜｜ 7-unet医学细胞分割实战

｜｜｜新建文件夹

｜｜｜ unet.zip 409.60M

｜｜ 8-deeplab系列算法

｜｜｜ DeepLab.pdf 704.25kb

｜｜ 9-基于deeplabV3+版本进行VOC分割实战

｜｜｜ DeepLabV3Plus.zip 1.92G

｜｜ 16-词向量模型与RNN网络架构.zip 2.15M

｜｜ 2-PyTorch框架基本处理操作.zip 98.58M

｜｜ 3-PyTorch框架必备核心模块解读.zip 336.95M

｜ 2.第二章深度学习必备核心算法

｜｜ transformer.pdf 1.99M

｜｜ Transformer在视觉中的应用VIT算法.pdf 1.24M

｜｜ ViT.zip 638.39M

｜｜卷积神经网络.pdf 2.59M

｜｜神经网络.pdf 6.31M

｜ 20.第二十章 CV与NLP经典大模型解读

｜｜第八章：视觉QA

｜｜｜ From Images to Textual Prompts.pdf 6.65M

｜｜第九章：扩散模型

｜｜｜ annotated_diffusion.ipynb 4.45M

｜｜第六章：langchain

｜｜｜ langchain-tutorials-main.zip 38.24M

｜｜第七章：视觉大模型SAM

｜｜｜ SAM.pdf 14.99M

｜｜第三章：ChatGpt

｜｜｜ GPT系列.pdf 2.00M

｜｜第十二章：自监督任务对比学习

｜｜｜对比学习.pdf 1.96M

｜｜第十六章：BEV感知

｜｜｜ BEV.pdf 999.80kb

｜｜第十七章：BEVFORMER源码

｜｜｜ bevformer.zip 5.12G

｜｜第十三章：BEIT

｜｜｜ beit.pdf 13.64M

｜｜第十四章：BEITV2

｜｜｜ BEiT v2.pdf 9.95M

｜｜第十五章：BEITV2源码

｜｜｜ mmselfsup-1.x.zip 326.58M

｜｜第十一章：dalle2源码解读

｜｜｜ DALLE2-pytorch-main.zip 4.21M

｜｜第十章：dalle2论文解读

｜｜｜ dalle2.pdf 40.99M

｜｜第四章：LLM与LORA

｜｜｜大模型.pdf 1.46M

｜｜第五章：LLM下游任务

｜｜｜ Huatuo-Llama-Med-Chinese-main.zip 44.74M

｜｜第二章：ChinesePretrainedModels.zip 1.62G

｜｜第一章：GPT系列.pdf 1.37M

｜｜课程介绍.pdf 131.35kb

｜ 21-深度学习模型部署与剪枝优化实战

｜｜ 1-AIoT人工智能物联网之认识 jetson nano

｜｜｜ 1- jetson nano 硬件介绍.mp4 22.06M

｜｜｜ 2-jetson nano 刷机.mp4 105.19M

｜｜｜ 3- jetson nano 系统安装过程.mp4 84.51M

｜｜｜ 4-感受nano的GPU算力.mp4 62.42M

｜｜｜ 5-安装使用摄像头csi usb.mp4 43.16M

｜｜ 10-模型剪枝-Network Slimming算法分析

｜｜｜ 1-论文算法核心框架概述.mp4 19.64M

｜｜｜ 2-BatchNorm要解决的问题.mp4 18.48M

｜｜｜ 3-BN的本质作用.mp4 22.56M

｜｜｜ 4-额外的训练参数解读.mp4 20.11M

｜｜｜ 5-稀疏化原理与效果.mp4 23.90M

｜｜ 11-模型剪枝-Network Slimming实战解读

｜｜｜ 1-整体案例流程解读.mp4 32.40M

｜｜｜ 2-加入L1正则化来进行更新.mp4 28.38M

｜｜｜ 3-剪枝模块介绍.mp4 31.01M

｜｜｜ 4-筛选需要的特征图.mp4 36.30M

｜｜｜ 5-剪枝后模型参数赋值.mp4 49.50M

｜｜｜ 6-微调完成剪枝模型.mp4 46.91M

｜｜ 12-Mobilenet三代网络模型架构

｜｜｜ 1-模型剪枝分析.mp4 22.35M

｜｜｜ 10-V2整体架构与效果分析.mp4 10.48M

｜｜｜ 11-V3版本网络架构分析.mp4 11.56M

｜｜｜ 12-SE模块作用与效果解读.mp4 31.91M

｜｜｜ 13-代码实现mobilenetV3网络架构.mp4 68.85M

｜｜｜ 2-常见剪枝方法介绍.mp4 21.73M

｜｜｜ 3-mobilenet简介.mp4 8.62M

｜｜｜ 4-经典卷积计算量与参数量分析.mp4 13.21M

｜｜｜ 5-深度可分离卷积的作用与效果.mp4 14.31M

｜｜｜ 6-参数与计算量的比较.mp4 39.68M

｜｜｜ 7-V1版本效果分析.mp4 24.94M

｜｜｜ 8-V2版本改进以及Relu激活函数的问题.mp4 19.55M

｜｜｜ 9-倒残差结构的作用.mp4 17.43M

｜｜ 2-AIoT人工智能物联网之AI 实战

｜｜｜ 1- jetson-inference 入门.mp4 59.71M

｜｜｜ 2-docker 的安装使用.mp4 86.11M

｜｜｜ 3-docker中运行分类模型.mp4 197.54M

｜｜｜ 4-训练自己的目标检测模型准备.mp4 77.71M

｜｜｜ 5- 训练出自己目标识别模型a.mp4 109.79M

｜｜｜ 6-训练出自己目标识别模型b.mp4 91.42M

｜｜｜ 7-转换出onnx模型，并使用.mp4 74.62M

｜｜ 3-AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器

｜｜｜ 1-NVIDIA TAO介绍和安装.mp4 74.35M

｜｜｜ 2-NVIDIA TAO数据准备和环境设置.mp4 74.09M

｜｜｜ 3-NVIDIA TAO数据转换.mp4 146.27M

｜｜｜ 4-NVIDIA TAO预训练模型和训练a.mp4 100.69M

｜｜｜ 5-NVIDIA TAO预训练模型和训练b.mp4 18.72M

｜｜｜ 6-NVIDIA TAO预训练模型和训练c…mp4 42.86M

｜｜｜ 7-TAO 剪枝在训练推理验证.mp4 198.78M

｜｜ 4- AIoT人工智能物联网之deepstream

｜｜｜ 1-deepstream 介绍安装.mp4 108.78M

｜｜｜ 2-deepstream HelloWorld.mp4 51.92M

｜｜｜ 3-GStreamer RTP和RTSP1.mp4 90.64M

｜｜｜ 4-GStreamer RTP和RTSP2.mp4 138.80M

｜｜｜ 5-python实现RTP和RTSP.mp4 118.05M

｜｜｜ 6-deepstream推理.mp4 117.90M

｜｜｜ 7-deepstream集成yolov4.mp4 117.19M

｜｜ 6-pyTorch框架部署实践

｜｜｜ 1-所需基本环境配置.mp4 22.07M

｜｜｜ 2-模型加载与数据预处理.mp4 39.61M

｜｜｜ 3-接收与预测模块实现.mp4 37.66M

｜｜｜ 4-效果实例演示.mp4 43.27M

｜｜｜ 5-课程简介.mp4 8.15M

｜｜ 7-YOLO-V3物体检测部署实例

｜｜｜ 1-项目所需配置文件介绍.mp4 24.63M

｜｜｜ 2-加载参数与模型权重.mp4 35.63M

｜｜｜ 3-数据预处理.mp4 53.86M

｜｜｜ 4-返回线性预测结果.mp4 44.91M

｜｜ 8-docker实例演示

｜｜｜ 1-docker简介.mp4 15.95M

｜｜｜ 2-docker安装与配置.mp4 48.52M

｜｜｜ 3-阿里云镜像配置.mp4 26.97M

｜｜｜ 4-基于docker配置pytorch环境.mp4 36.52M

｜｜｜ 5-安装演示环境所需依赖.mp4 31.47M

｜｜｜ 6-复制所需配置到容器中.mp4 28.20M

｜｜｜ 7-上传与下载配置好的项目.mp4 45.48M

｜｜ 9-tensorflow-serving实战

｜｜｜ 1-tf-serving项目获取与配置.mp4 30.47M

｜｜｜ 2-加载并启动模型服务.mp4 31.27M

｜｜｜ 3-测试模型部署效果.mp4 43.37M

｜｜｜ 4-fashion数据集获取.mp4 38.63M

｜｜｜ 5-加载fashion模型启动服务.mp4 33.40M

｜ 22-自然语言处理经典案例实战

｜｜ 1-NLP常用工具包实战

｜｜｜ 1-Python字符串处理.mp4 41.33M

｜｜｜ 10-名字实体匹配.mp4 21.37M

｜｜｜ 11-恐怖袭击分析.mp4 40.53M

｜｜｜ 12-统计分析结果.mp4 47.69M

｜｜｜ 13-结巴分词器.mp4 28.14M

｜｜｜ 14-词云展示.mp4 87.56M

｜｜｜ 2-正则表达式基本语法.mp4 31.03M

｜｜｜ 3-正则常用符号.mp4 37.06M

｜｜｜ 4-常用函数介绍.mp4 40.13M

｜｜｜ 5-NLTK工具包简介.mp4 32.26M

｜｜｜ 6-停用词过滤.mp4 27.63M

｜｜｜ 7-词性标注.mp4 35.92M

｜｜｜ 8-数据清洗实例.mp4 41.37M

｜｜｜ 9-Spacy工具包.mp4 47.11M

｜｜ 10-NLP-文本特征方法对比

｜｜｜ 1-任务概述.mp4 37.49M

｜｜｜ 2-词袋模型.mp4 28.12M

｜｜｜ 3-词袋模型分析.mp4 63.59M

｜｜｜ 4-TFIDF模型.mp4 47.59M

｜｜｜ 5-word2vec词向量模型.mp4 54.40M

｜｜｜ 6-深度学习模型.mp4 39.28M

｜｜ 11-NLP-相似度模型

｜｜｜ 1-任务概述.mp4 13.15M

｜｜｜ 2-数据展示.mp4 22.65M

｜｜｜ 3-正负样本制作.mp4 37.95M

｜｜｜ 4-数据预处理.mp4 36.08M

｜｜｜ 5-网络模型定义.mp4 55.90M

｜｜｜ 6-基于字符的训练.mp4 58.94M

｜｜｜ 7-基于句子的相似度训练.mp4 42.44M

｜｜ 12-LSTM情感分析

｜｜｜ 1-RNN网络架构.mp4 19.86M

｜｜｜ 2-LSTM网络架构.mp4 17.80M

｜｜｜ 3-案例：使用LSTM进行情感分类.mp4 30.99M

｜｜｜ 4-情感数据集处理.mp4 33.58M

｜｜｜ 5-基于word2vec的LSTM模型.mp4 50.52M

｜｜ 13-机器人写唐诗

｜｜｜ 1-任务概述与环境配置.mp4 13.71M

｜｜｜ 2-参数配置.mp4 21.87M

｜｜｜ 3-数据预处理模块.mp4 35.34M

｜｜｜ 4-batch数据制作.mp4 27.96M

｜｜｜ 5-RNN模型定义.mp4 17.97M

｜｜｜ 6-完成训练模块.mp4 28.00M

｜｜｜ 7-训练唐诗生成模型.mp4 11.13M

｜｜｜ 8-测试唐诗生成效果.mp4 21.38M

｜｜ 14-对话机器人

｜｜｜ 1-效果演示.mp4 30.57M

｜｜｜ 2-参数配置与数据加载.mp4 51.00M

｜｜｜ 3-数据处理.mp4 41.99M

｜｜｜ 4-词向量与投影.mp4 38.22M

｜｜｜ 5-seq网络.mp4 30.68M

｜｜｜ 6-网络训练.mp4 37.99M

｜｜ 2-商品信息可视化与文本分析

｜｜｜ 1-在线商城商品数据信息概述.mp4 32.31M

｜｜｜ 2-商品类别划分方式.mp4 37.31M

｜｜｜ 3-商品类别可视化展示.mp4 41.28M

｜｜｜ 4-商品描述长度对价格的影响分析.mp4 33.72M

｜｜｜ 5-关键词的词云可视化展示.mp4 51.86M

｜｜｜ 6-基于tf-idf提取关键词信息.mp4 35.32M

｜｜｜ 7-通过降维进行可视化展示.mp4 39.05M

｜｜｜ 8-聚类分析与主题模型展示.mp4 57.03M

｜｜ 3-贝叶斯算法

｜｜｜ 1-贝叶斯算法概述.mp4 11.34M

｜｜｜ 2-贝叶斯推导实例.mp4 11.92M

｜｜｜ 3-贝叶斯拼写纠错实例.mp4 18.58M

｜｜｜ 4-垃圾邮件过滤实例.mp4 22.82M

｜｜｜ 5-贝叶斯实现拼写检查器.mp4 36.77M

｜｜ 4-新闻分类任务实战

｜｜｜ 1-文本分析与关键词提取.mp4 19.44M

｜｜｜ 2-相似度计算.mp4 19.50M

｜｜｜ 3-新闻数据与任务简介.mp4 33.21M

｜｜｜ 4-TF-IDF关键词提取.mp4 45.75M

｜｜｜ 5-LDA建模.mp4 28.05M

｜｜｜ 6-基于贝叶斯算法进行新闻分类.mp4 50.88M

｜｜ 5-HMM隐马尔科夫模型

｜｜｜ 1-马尔科夫模型.mp4 17.50M

｜｜｜ 10-维特比算法.mp4 43.08M

｜｜｜ 2-隐马尔科夫模型基本出发点.mp4 18.72M

｜｜｜ 3-组成与要解决的问题.mp4 14.85M

｜｜｜ 4-暴力求解方法.mp4 28.00M

｜｜｜ 5-复杂度计算.mp4 15.28M

｜｜｜ 6-前向算法.mp4 36.14M

｜｜｜ 7-前向算法求解实例.mp4 33.34M

｜｜｜ 8-Baum-Welch算法.mp4 26.86M

｜｜｜ 9-参数求解.mp4 17.22M

｜｜ 6-HMM工具包实战

｜｜｜ 1-hmmlearn工具包.mp4 19.55M

｜｜｜ 2-工具包使用方法.mp4 55.62M

｜｜｜ 3-中文分词任务.mp4 13.44M

｜｜｜ 4-实现中文分词.mp4 35.77M

｜｜ 7-语言模型

｜｜｜ 1-开篇.mp4 8.52M

｜｜｜ 10-负采样模型.mp4 10.50M

｜｜｜ 2-语言模型.mp4 8.82M

｜｜｜ 3-N-gram模型.mp4 13.62M

｜｜｜ 4-词向量.mp4 13.55M

｜｜｜ 5-神经网络模型.mp4 15.87M

｜｜｜ 6-Hierarchical Softmax.mp4 15.19M

｜｜｜ 7-CBOW模型实例.mp4 18.54M

｜｜｜ 8-CBOW求解目标.mp4 8.68M

｜｜｜ 9-锑度上升求解.mp4 15.93M

｜｜ 8-使用Gemsim构建词向量

｜｜｜ 1-使用Gensim库构造词向量.mp4 16.84M

｜｜｜ 2-维基百科中文数据处理.mp4 39.14M

｜｜｜ 3-Gensim构造word2vec模型.mp4 20.97M

｜｜｜ 4-测试模型相似度结果.mp4 20.04M

｜｜ 9-基于word2vec的分类任务

｜｜｜ 1-影评情感分类.mp4 46.92M

｜｜｜ 2-基于词袋模型训练分类器.mp4 28.07M

｜｜｜ 3-准备word2vec输入数据.mp4 24.19M

｜｜｜ 4-使用gensim构建word2vec词向量(新).mp4 67.73M

｜ 23-自然语言处理必备神器Huggingface系列实战

｜｜ 1-Huggingface与NLP介绍解读

｜｜｜ 1-Huggingface与NLP介绍解读.mp4 163.59M

｜｜ 10-图谱知识抽取实战

｜｜｜ 1-应用场景概述分析.mp4 91.97M

｜｜｜ 2-数据标注格式样例分析.mp4 70.01M

｜｜｜ 3-数据处理与读取模块.mp4 39.11M

｜｜｜ 4-实体抽取模块分析.mp4 44.33M

｜｜｜ 5-标签与数据结构定义方法.mp4 49.68M

｜｜｜ 6-模型构建与计算流程.mp4 43.10M

｜｜｜ 7-网络模型前向计算方法.mp4 32.93M

｜｜｜ 8-关系抽取模型训练.mp4 42.25M

｜｜ 11-补充Huggingface数据集制作方法实例

｜｜｜ 1-数据结构分析.mp4 47.87M

｜｜｜ 2-Huggingface中的预处理实例.mp4 72.56M

｜｜｜ 3-数据处理基本流程.mp4 72.59M

｜｜ 2-Transformer工具包基本操作实例解读

｜｜｜ 1-工具包与任务整体介绍.mp4 33.38M

｜｜｜ 2-NLP任务常规流程分析.mp4 29.18M

｜｜｜ 3-文本切分方法实例解读.mp4 42.74M

｜｜｜ 4-AttentionMask配套使用方法.mp4 35.30M

｜｜｜ 5-数据集与模型.mp4 42.97M

｜｜｜ 6-数据Dataloader封装.mp4 50.18M

｜｜｜ 7-模型训练所需配置参数.mp4 36.95M

｜｜｜ 8-模型训练DEMO.mp4 58.66M

｜｜ 3-transformer原理解读

｜｜｜ 1-transformer原理解读.mp4 367.64M

｜｜ 4-BERT系列算法解读

｜｜｜ 1-BERT模型训练方法解读.mp4 23.92M

｜｜｜ 2-ALBERT基本定义.mp4 38.60M

｜｜｜ 3-ALBERT中的简化方法解读.mp4 43.38M

｜｜｜ 4-RoBerta模型训练方法解读.mp4 28.45M

｜｜｜ 5-DistilBert模型解读.mp4 16.06M

｜｜ 5-文本标注工具与NER实例

｜｜｜ 1-文本标注工具Doccano配置方法.mp4 33.01M

｜｜｜ 2-命名实体识别任务标注方法实例.mp4 39.35M

｜｜｜ 3-标注导出与BIO处理.mp4 39.39M

｜｜｜ 4-标签处理并完成对齐操作.mp4 38.62M

｜｜｜ 5-预训练模型加载与参数配置.mp4 41.50M

｜｜｜ 6-模型训练与输出结果预测.mp4 43.06M

｜｜ 6-文本预训练模型构建实例

｜｜｜ 1-预训练模型效果分析.mp4 31.96M

｜｜｜ 2-文本数据截断处理.mp4 45.78M

｜｜｜ 3-预训练模型自定义训练.mp4 97.91M

｜｜ 7-GPT系列算法

｜｜｜ 1-GPT系列算法概述.mp4 26.53M

｜｜｜ 2-GPT三代版本分析.mp4 29.33M

｜｜｜ 3-GPT初代版本要解决的问题.mp4 30.99M

｜｜｜ 4-GPT第二代版本训练策略.mp4 28.94M

｜｜｜ 5-采样策略与多样性.mp4 28.20M

｜｜｜ 6-GPT3的提示与生成方法.mp4 74.39M

｜｜｜ 7-应用场景CODEX分析.mp4 36.50M

｜｜｜ 8-DEMO应用演示.mp4 98.82M

｜｜ 8-GPT训练与预测部署流程

｜｜｜ 1-生成模型可以完成的任务概述.mp4 28.91M

｜｜｜ 2-数据样本生成方法.mp4 72.04M

｜｜｜ 3-训练所需参数解读.mp4 57.68M

｜｜｜ 4-模型训练过程.mp4 51.48M

｜｜｜ 5-部署与网页预测展示.mp4 79.57M

｜｜ 9-文本摘要建模

｜｜｜ 1-中文商城评价数据处理方法.mp4 66.36M

｜｜｜ 2-模型训练与测试结果.mp4 108.10M

｜｜｜ 3-文本摘要数据标注方法.mp4 55.92M

｜｜｜ 4-训练自己标注的数据并测试.mp4 27.68M

｜ 24-时间序列预测

｜｜ 1-Informer原理解读

｜｜｜ 1-时间序列预测要完成的任务.mp4 33.27M

｜｜｜ 2-常用模块分析.mp4 24.25M

｜｜｜ 3-论文要解决的问题分析.mp4 30.47M

｜｜｜ 4-Query采样方法解读.mp4 23.11M

｜｜｜ 5-probAttention计算流程.mp4 31.40M

｜｜｜ 6-编码器全部计算流程.mp4 24.05M

｜｜｜ 7-解码器流程分析.mp4 24.85M

｜｜ 2-Informer源码解读

｜｜｜ 1-项目使用说明.mp4 63.92M

｜｜｜ 10-核心采样计算方法.mp4 50.11M

｜｜｜ 11-完成注意力机制计算模块.mp4 28.39M

｜｜｜ 12-平均向量的作用.mp4 33.70M

｜｜｜ 13-解码器预测输出.mp4 74.46M

｜｜｜ 2-数据集解读.mp4 60.61M

｜｜｜ 3-模型训练所需参数解读.mp4 37.37M

｜｜｜ 4-数据集构建与读取方式.mp4 44.54M

｜｜｜ 5-数据处理相关模块.mp4 44.58M

｜｜｜ 6-时间相关特征提取方法.mp4 39.96M

｜｜｜ 7-dataloader构建实例.mp4 41.03M

｜｜｜ 8-整体架构分析.mp4 36.91M

｜｜｜ 9-编码器模块实现.mp4 39.16M

｜｜ 3-Timesnet时序预测

｜｜｜ 1-时序预测故事背景.mp4 81.92M

｜｜｜ 2-论文核心思想解读.mp4 64.34M

｜｜｜ 3-时序特征周期拆解.mp4 72.51M

｜｜｜ 4-计算公式流程拆解.mp4 52.93M

｜｜｜ 5-全部计算流程解读.mp4 66.52M

｜｜｜ 6-周期间特征分析.mp4 74.13M

｜｜｜ 7-源码流程解读.mp4 54.10M

｜｜｜ 8-傅里叶变换流程.mp4 33.97M

｜ 25-自然语言处理通用框架-BERT实战

｜｜ 1-自然语言处理通用框架BERT原理解读

｜｜｜ 1-BERT课程简介.mp4 29.78M

｜｜｜ 10-BERT模型训练方法.mp4 20.67M

｜｜｜ 11-训练实例.mp4 24.18M

｜｜｜ 2-BERT任务目标概述.mp4 11.52M

｜｜｜ 3-传统解决方案遇到的问题.mp4 22.69M

｜｜｜ 4-注意力机制的作用.mp4 14.78M

｜｜｜ 5-self-attention计算方法.mp4 23.80M

｜｜｜ 6-特征分配与softmax机制.mp4 21.32M

｜｜｜ 7-Multi-head的作用.mp4 19.37M

｜｜｜ 8-位置编码与多层堆叠.mp4 16.84M

｜｜｜ 9-transformer整体架构梳理.mp4 22.34M

｜｜ 2-谷歌开源项目BERT源码解读与应用实例

｜｜｜ 1-BERT开源项目简介.mp4 41.33M

｜｜｜ 10-构建QKV矩阵.mp4 50.77M

｜｜｜ 11-完成Transformer模块构建.mp4 40.81M

｜｜｜ 12-训练BERT模型.mp4 54.66M

｜｜｜ 2-项目参数配置.mp4 106.78M

｜｜｜ 3-数据读取模块.mp4 54.26M

｜｜｜ 4-数据预处理模块.mp4 40.10M

｜｜｜ 5-tfrecord数据源制作.mp4 51.50M

｜｜｜ 6-Embedding层的作用.mp4 30.98M

｜｜｜ 7-加入额外编码特征.mp4 42.45M

｜｜｜ 8-加入位置编码特征.mp4 23.61M

｜｜｜ 9-mask机制的作用.mp4 36.78M

｜｜ 3-项目实战-基于BERT的中文情感分析实战

｜｜｜ 1-中文分类数据与任务概述.mp4 83.53M

｜｜｜ 2-读取处理自己的数据集.mp4 53.09M

｜｜｜ 3-训练BERT中文分类模型.mp4 72.29M

｜｜ 4-项目实战-基于BERT的中文命名实体识别识别实战

｜｜｜ 1-命名实体识别数据分析与任务目标.mp4 30.45M

｜｜｜ 2-NER标注数据处理与读取.mp4 66.07M

｜｜｜ 3-构建BERT与CRF模型.mp4 66.46M

｜｜ 5-必备基础知识点-woed2vec模型通俗解读

｜｜｜ 1-词向量模型通俗解释.mp4 21.72M

｜｜｜ 2-模型整体框架.mp4 28.24M

｜｜｜ 3-训练数据构建.mp4 15.85M

｜｜｜ 4-CBOW与Skip-gram模型.mp4 23.83M

｜｜｜ 5-负采样方案.mp4 29.51M

｜｜ 6-必备基础-掌握Tensorflow如何实现word2vec模型

｜｜｜ 1-数据与任务流程.mp4 45.67M

｜｜｜ 2-数据清洗.mp4 27.60M

｜｜｜ 3-batch数据制作.mp4 51.53M

｜｜｜ 4-网络训练.mp4 49.09M

｜｜｜ 5-可视化展示.mp4 49.61M

｜｜ 7-必备基础知识点-RNN网络架构与情感分析应用实例

｜｜｜ 1-RNN网络模型解读.mp4 23.75M

｜｜｜ 2-NLP应用领域与任务简介.mp4 32.82M

｜｜｜ 3-项目流程解读.mp4 42.18M

｜｜｜ 4-加载词向量特征.mp4 32.32M

｜｜｜ 5-正负样本数据读取.mp4 36.78M

｜｜｜ 6-构建LSTM网络模型.mp4 46.69M

｜｜｜ 7-训练与测试效果.mp4 91.77M

｜｜｜ 8-LSTM情感分析.mp4 576.33M

｜｜ 8-医学糖尿病数据命名实体识别

｜｜｜ 1-数据与任务介绍.mp4 22.73M

｜｜｜ 2-整体模型架构.mp4 15.01M

｜｜｜ 3-数据-标签-语料库处理.mp4 39.99M

｜｜｜ 4-训练网络模型.mp4 40.37M

｜｜｜ 5-医疗数据集(糖尿病)实体识别.mp4 81.44M

｜｜｜ 6-输入样本填充补齐.mp4 36.22M

｜ 26-知识图谱实战系列

｜｜ 1-知识图谱介绍及其应用领域分析

｜｜｜ 1-知识图谱通俗解读.mp4 19.87M

｜｜｜ 2-知识图谱在搜索引擎中的应用.mp4 26.60M

｜｜｜ 3-知识图谱在医疗领域应用实例.mp4 102.89M

｜｜｜ 4-金融与推荐领域的应用.mp4 20.39M

｜｜｜ 5-数据获取分析.mp4 35.93M

｜｜ 2-知识图谱涉及技术点分析

｜｜｜ 1-数据关系抽取分析.mp4 27.31M

｜｜｜ 2-常用NLP技术点分析.mp4 22.09M

｜｜｜ 3-graph-embedding的作用与效果.mp4 26.15M

｜｜｜ 4-金融领域图编码实例.mp4 12.77M

｜｜｜ 5-视觉领域图编码实例.mp4 20.97M

｜｜｜ 6-图谱知识融合与总结分析.mp4 23.98M

｜｜ 3-Neo4j数据库实战

｜｜｜ 1-Neo4j图数据库介绍.mp4 63.50M

｜｜｜ 2-Neo4j数据库安装流程演示.mp4 27.67M

｜｜｜ 3-可视化例子演示.mp4 43.59M

｜｜｜ 4-创建与删除操作演示.mp4 25.32M

｜｜｜ 5-数据库更改查询操作演示.mp4 27.14M

｜｜ 4-使用python操作neo4j实例

｜｜｜ 1-使用Py2neo建立连接.mp4 47.58M

｜｜｜ 2-提取所需的指标信息.mp4 53.17M

｜｜｜ 3-在图中创建实体.mp4 43.83M

｜｜｜ 4-根据给定实体创建关系.mp4 51.03M

｜｜ 5-基于知识图谱的医药问答系统实战

｜｜｜ 1-项目概述与整体架构分析.mp4 37.04M

｜｜｜ 10-完成对话系统构建.mp4 39.47M

｜｜｜ 2-医疗数据介绍及其各字段含义.mp4 62.65M

｜｜｜ 3-任务流程概述.mp4 39.73M

｜｜｜ 4-环境配置与所需工具包安装.mp4 36.37M

｜｜｜ 5-提取数据中的关键字段信息.mp4 61.33M

｜｜｜ 6-创建关系边.mp4 39.41M

｜｜｜ 7-打造医疗知识图谱模型.mp4 59.14M

｜｜｜ 8-加载所有实体数据.mp4 42.46M

｜｜｜ 9-实体关键词字典制作.mp4 31.84M

｜｜ 6-文本关系抽取实践

｜｜｜ 1-关系抽取要完成的任务演示与分析.mp4 18.57M

｜｜｜ 2-LTP工具包概述介绍.mp4 46.52M

｜｜｜ 3-pyltp安装与流程演示.mp4 41.82M

｜｜｜ 4-得到分词与词性标注结果.mp4 47.19M

｜｜｜ 5-依存句法概述.mp4 30.83M

｜｜｜ 6-句法分析结果整理.mp4 39.09M

｜｜｜ 7-语义角色构建与分析.mp4 54.17M

｜｜｜ 8-设计规则完成关系抽取.mp4 52.47M

｜｜ 7-金融平台风控模型实践

｜｜｜ 1-竞赛任务目标.mp4 23.81M

｜｜｜ 2-图模型信息提取.mp4 27.76M

｜｜｜ 3-节点权重特征提取(PageRank).mp4 35.54M

｜｜｜ 4-deepwalk构建图顶点特征.mp4 53.48M

｜｜｜ 5-各项统计特征.mp4 56.04M

｜｜｜ 6-app安装特征.mp4 37.41M

｜｜｜ 7-图中联系人特征.mp4 70.31M

｜｜ 8-医学糖尿病数据命名实体识别

｜｜｜ 1-数据与任务介绍.mp4 22.73M

｜｜｜ 2-整体模型架构.mp4 15.01M

｜｜｜ 3-数据-标签-语料库处理.mp4 39.99M

｜｜｜ 4-输入样本填充补齐.mp4 36.22M

｜｜｜ 5-训练网络模型.mp4 40.37M

｜｜｜ 6-医疗数据集(糖尿病)实体识别.mp4 81.44M

｜ 27-语音识别实战系列

｜｜ 1-seq2seq序列网络模型

｜｜｜ 1-序列网络模型概述分析.mp4 17.30M

｜｜｜ 2-工作原理概述.mp4 8.98M

｜｜｜ 3-注意力机制的作用.mp4 14.86M

｜｜｜ 4-加入attention的序列模型整体架构.mp4 20.57M

｜｜｜ 5-TeacherForcing的作用与训练策略.mp4 16.61M

｜｜｜ 6-额外补充-RNN网络模型解读.mp4 23.75M

｜｜ 2-LAS模型语音识别实战

｜｜｜ 1-数据源与环境配置.mp4 32.23M

｜｜｜ 2-语料表制作方法.mp4 25.47M

｜｜｜ 3-制作json标注数据.mp4 37.84M

｜｜｜ 4-声音数据处理模块解读.mp4 62.84M

｜｜｜ 5-Pack与Pad操作解析.mp4 35.92M

｜｜｜ 6-编码器模块整体流程.mp4 31.43M

｜｜｜ 7-加入注意力机制.mp4 33.29M

｜｜｜ 8-计算得到每个输出的attention得分.mp4 36.42M

｜｜｜ 9-解码器与训练过程演示.mp4 43.78M

｜｜ 3-starganvc2变声器论文原理解读

｜｜｜ 1-论文整体思路与架构解读.mp4 34.66M

｜｜｜ 2-VCC2016输入数据.mp4 20.76M

｜｜｜ 3-语音特征提取.mp4 30.57M

｜｜｜ 4-生成器模型架构分析.mp4 15.81M

｜｜｜ 5-InstanceNorm的作用解读.mp4 18.58M

｜｜｜ 6-AdaIn的目的与效果.mp4 13.18M

｜｜｜ 7-判别器模块分析.mp4 114.03M

｜｜ 4-staeganvc2变声器源码实战

｜｜｜ 1-数据与项目文件解读.mp4 21.80M

｜｜｜ 10-源码损失计算流程.mp4 34.82M

｜｜｜ 11-测试模块-生成转换语音.mp4 47.17M

｜｜｜ 2-环境配置与工具包安装.mp4 37.11M

｜｜｜ 3-数据预处理与声音特征提取.mp4 88.49M

｜｜｜ 4-生成器构造模块解读.mp4 41.33M

｜｜｜ 5-下采样与上采样操作.mp4 35.48M

｜｜｜ 6-starganvc2版本标签输入分析.mp4 49.96M

｜｜｜ 7-生成器前向传播维度变化.mp4 26.49M

｜｜｜ 8-判别器模块解读.mp4 35.22M

｜｜｜ 9-论文损失函数.mp4 100.48M

｜｜ 5-语音分离ConvTasnet模型

｜｜｜ 1-语音分离任务分析.mp4 9.16M

｜｜｜ 2-经典语音分离模型概述.mp4 18.09M

｜｜｜ 3-DeepClustering论文解读.mp4 16.26M

｜｜｜ 4-TasNet编码器结构分析.mp4 41.61M

｜｜｜ 5-DW卷积的作用与效果.mp4 10.17M

｜｜｜ 6-基于Mask得到分离结果.mp4 19.25M

｜｜ 6-ConvTasnet语音分离实战

｜｜｜ 1-数据准备与环境配置.mp4 77.96M

｜｜｜ 2-训练任务所需参数介绍.mp4 27.66M

｜｜｜ 3-DataLoader定义.mp4 38.03M

｜｜｜ 4-采样数据特征编码.mp4 37.67M

｜｜｜ 5-编码器特征提取.mp4 55.01M

｜｜｜ 6-构建更大的感受区域.mp4 53.48M

｜｜｜ 7-解码得到分离后的语音.mp4 52.59M

｜｜｜ 8-测试模块所需参数.mp4 42.42M

｜｜ 7-语音合成tacotron最新版实战

｜｜｜ 1-语音合成项目所需环境配置.mp4 44.55M

｜｜｜ 10-得到加权的编码向量.mp4 55.86M

｜｜｜ 11-模型输出结果.mp4 53.26M

｜｜｜ 12-损失函数与预测.mp4 47.96M

｜｜｜ 2-所需数据集介绍.mp4 52.73M

｜｜｜ 3-路径配置与整体流程解读.mp4 70.15M

｜｜｜ 4-Dataloader构建数据与标签.mp4 66.68M

｜｜｜ 5-编码层要完成的任务.mp4 46.37M

｜｜｜ 6-得到编码特征向量.mp4 28.54M

｜｜｜ 7-解码器输入准备.mp4 34.57M

｜｜｜ 8-解码器流程梳理.mp4 41.40M

｜｜｜ 9-注意力机制应用方法.mp4 43.71M

｜ 28-推荐系统实战系列

｜｜ 1-推荐系统介绍及其应用

｜｜｜ 1-1-推荐系统通俗解读.mp4 17.27M

｜｜｜ 2-2-推荐系统发展简介.mp4 23.22M

｜｜｜ 3-3-应用领域与多方位评估指标.mp4 26.51M

｜｜｜ 4-4-任务流程与挑战概述.mp4 26.74M

｜｜｜ 5-5-常用技术点分析.mp4 16.45M

｜｜｜ 6-6-与深度学习的结合.mp4 23.70M

｜｜ 10-基本统计分析的电影推荐

｜｜｜ 1-1-电影数据与环境配置.mp4 64.07M

｜｜｜ 2-2-数据与关键词信息展示.mp4 61.26M

｜｜｜ 3-3-关键词云与直方图展示.mp4 45.97M

｜｜｜ 4-4-特征可视化.mp4 38.67M

｜｜｜ 5-5-数据清洗概述.mp4 57.31M

｜｜｜ 6-6-缺失值填充方法.mp4 37.16M

｜｜｜ 7-7-推荐引擎构造.mp4 50.93M

｜｜｜ 8-8-数据特征构造.mp4 36.15M

｜｜｜ 9-9-得出推荐结果.mp4 51.85M

｜｜ 11-补充-基于相似度的酒店推荐系统

｜｜｜ 1-1-酒店数据与任务介绍.mp4 22.01M

｜｜｜ 2-2-文本词频统计.mp4 31.41M

｜｜｜ 3-3-ngram结果可视化展示.mp4 53.07M

｜｜｜ 4-4-文本清洗.mp4 32.90M

｜｜｜ 5-5-相似度计算.mp4 47.62M

｜｜｜ 6-6-得出推荐结果.mp4 61.97M

｜｜ 2-协同过滤与矩阵分解

｜｜｜ 1-1-协同过滤与矩阵分解简介.mp4 11.30M

｜｜｜ 2-2-基于用户与商品的协同过滤.mp4 18.52M

｜｜｜ 3-3-相似度计算与推荐实例.mp4 15.18M

｜｜｜ 4-4-矩阵分解的目的与效果.mp4 20.65M

｜｜｜ 5-5-矩阵分解中的隐向量.mp4 25.07M

｜｜｜ 6-6-目标函数简介.mp4 13.75M

｜｜｜ 7-7-隐式情况分析.mp4 14.10M

｜｜｜ 8-8-Embedding的作用.mp4 11.11M

｜｜ 3-音乐推荐系统实战

｜｜｜ 1-1-音乐推荐任务概述.mp4 64.46M

｜｜｜ 2-2-数据集整合.mp4 53.91M

｜｜｜ 3-3-基于物品的协同过滤.mp4 63.10M

｜｜｜ 4-4-物品相似度计算与推荐.mp4 63.37M

｜｜｜ 5-5-SVD矩阵分解.mp4 30.83M

｜｜｜ 6-6-基于矩阵分解的音乐推荐.mp4 83.15M

｜｜ 4-知识图谱与Neo4j数据库实例

｜｜｜ 1-1-知识图谱通俗解读.mp4 19.87M

｜｜｜ 10-5-数据库更改查询操作演示.mp4 27.14M

｜｜｜ 2-2-知识图谱在搜索引擎中的应用.mp4 26.60M

｜｜｜ 3-3-知识图谱在医疗领域应用实例.mp4 102.89M

｜｜｜ 4-4-金融与推荐领域的应用.mp4 20.39M

｜｜｜ 5-5-数据获取分析.mp4 35.93M

｜｜｜ 6-1-Neo4j图数据库介绍.mp4 63.50M

｜｜｜ 7-2-Neo4j数据库安装流程演示.mp4 27.67M

｜｜｜ 8-3-可视化例子演示.mp4 43.59M

｜｜｜ 9-4-创建与删除操作演示.mp4 25.32M

｜｜ 5-基于知识图谱的电影推荐实战

｜｜｜ 1-1-知识图谱推荐系统效果演示.mp4 23.66M

｜｜｜ 2-2-kaggle电影数据集下载与配置.mp4 63.41M

｜｜｜ 3-3-图谱需求与任务流程解读.mp4 26.59M

｜｜｜ 4-4-项目所需环境配置安装.mp4 48.84M

｜｜｜ 5-5-构建用户电影知识图谱.mp4 61.49M

｜｜｜ 6-6-图谱查询与匹配操作.mp4 19.62M

｜｜｜ 7-7-相似度计算与推荐引擎构建.mp4 39.17M

｜｜ 6-点击率估计FM与DeepFM算法

｜｜｜ 1-1-CTR估计及其经典方法概述.mp4 21.94M

｜｜｜ 2-2-高维特征带来的问题.mp4 12.95M

｜｜｜ 3-3-二项式特征的作用与挑战.mp4 11.80M

｜｜｜ 4-4-二阶公式推导与化简.mp4 20.88M

｜｜｜ 5-5-FM算法解析.mp4 19.83M

｜｜｜ 6-6-DeepFm整体架构解读.mp4 15.14M

｜｜｜ 7-7-输入层所需数据样例.mp4 14.12M

｜｜｜ 8-8-Embedding层的作用与总结.mp4 21.52M

｜｜ 7-DeepFM算法实战

｜｜｜ 1-1-数据集介绍与环境配置.mp4 57.76M

｜｜｜ 2-2-广告点击数据预处理实例.mp4 49.15M

｜｜｜ 3-3-数据处理模块Embedding层.mp4 34.38M

｜｜｜ 4-4-Index与Value数据制作.mp4 29.32M

｜｜｜ 5-5-一阶权重参数设计.mp4 33.52M

｜｜｜ 6-6-二阶特征构建方法.mp4 28.85M

｜｜｜ 7-7-特征组合方法实例分析.mp4 49.49M

｜｜｜ 8-8-完成FM模块计算.mp4 24.56M

｜｜｜ 9-9-DNN模块与训练过程.mp4 37.53M

｜｜ 8-推荐系统常用工具包演示

｜｜｜ 1-1-环境配置与数据集介绍.mp4 35.70M

｜｜｜ 2-2-电影数据集预处理分析.mp4 32.75M

｜｜｜ 3-3-surprise工具包基本使用.mp4 36.06M

｜｜｜ 4-4-模型测试集结果.mp4 30.72M

｜｜｜ 5-5-评估指标概述.mp4 66.45M

｜｜ 9-基于文本数据的推荐实例

｜｜｜ 1-1-数据与环境配置介绍.mp4 19.81M

｜｜｜ 2-2-数据科学相关数据介绍.mp4 31.25M

｜｜｜ 3-3-文本数据预处理.mp4 37.37M

｜｜｜ 4-4-TFIDF构建特征矩阵.mp4 31.28M

｜｜｜ 5-5-矩阵分解演示.mp4 29.02M

｜｜｜ 6-6-LDA主题模型效果演示.mp4 53.07M

｜｜｜ 7-7-推荐结果分析.mp4 43.00M

｜ 29-论文创新点常用方法及其应用实例

｜｜ 1-通用创新点

｜｜｜ 1-ACMIX(卷积与注意力融合).mp4 86.05M

｜｜｜ 10-Attention额外加入先验知识.mp4 7.42M

｜｜｜ 11-结合GNN构建局部特征.mp4 25.87M

｜｜｜ 12-损失函数约束项.mp4 8.42M

｜｜｜ 13-自适应可学习参数.mp4 14.27M

｜｜｜ 14-Coarse2Fine大框架.mp4 40.53M

｜｜｜ 15-只能机器学习模型时凑工作量(特征工程).mp4 6.02M

｜｜｜ 16-自己数据集如何发的好(要开源).mp4 45.07M

｜｜｜ 17-可变形卷积加入方法.mp4 23.44M

｜｜｜ 18-在源码中加入各种注意力机制方法.mp4 122.48M

｜｜｜ 2-GCnet(全局特征融合).mp4 74.35M

｜｜｜ 3-Coordinate_attention.mp4 74.92M

｜｜｜ 4-SPD(可替换下采样).mp4 45.03M

｜｜｜ 5-SPP改进.mp4 17.03M

｜｜｜ 6-mobileOne(加速).mp4 45.26M

｜｜｜ 7-Deformable(替换selfAttention).mp4 44.90M

｜｜｜ 8-ProbAttention(采样策略).mp4 23.58M

｜｜｜ 9-CrossAttention融合特征.mp4 20.50M

｜ 3.第三章深度学习框架PyTorch

｜｜ flask预测.zip 712.05M

｜｜ PyTorch.pdf 2.67M

｜｜第二,三章：神经网络实战分类与回归任务.zip 15.82M

｜｜第六章：DataLoader自定义数据集制作.zip 594.02M

｜｜第七章：LSTM文本分类实战.zip 31.53M

｜｜第四章：卷积网络参数解读.zip 33.37M

｜｜第五章：图像识别模型与训练策略(重点).zip 449.77M

｜｜深度学习.pdf 9.93M

｜ 30-2024Ai必会Agent(应用解读+项目实战)

｜｜ 001-课程介绍 .mp4 74.82M

｜｜ 002-1-Agent要解决的问题分析 .mp4 21.66M

｜｜ 003-2-Agent需要具备的基本能力 .mp4 21.18M

｜｜ 004-3-与大模型的关系分析 .mp4 18.35M

｜｜ 005-4-多智能体定义分析 .mp4 17.06M

｜｜ 006-5-框架的作用和能解决的问题 .mp4 26.34M

｜｜ 007-6-整体总结分析 .mp4 12.99M

｜｜ 008-7-GPTS分析一波 .mp4 30.61M

｜｜ 009-8-经典任务分析 .mp4 25.44M

｜｜ 010-1-GPTS任务流程概述分析 .mp4 47.78M

｜｜ 011-2-调用API的控制方式 .mp4 20.84M

｜｜ 012-3-API相关配置完成 .mp4 28.98M

｜｜ 013-4-完成指令与脚本并生成 .mp4 49.13M

｜｜ 014-1-DEMO演示与整体架构分析 .mp4 60.73M

｜｜ 015-2-后端GPT项目部署启动 .mp4 51.37M

｜｜ 016-3-前端助手API与流程图配置 .mp4 56.36M

｜｜ 017-4-接入外部API的方法与流程 .mp4 40.71M

｜｜ 018-5-GPT中加入外部API调用方法 .mp4 46.15M

｜｜ 019-6-指令提示构建 .mp4 24.49M

｜｜ 020-1-论文概述分析 .mp4 37.87M

｜｜ 021-2-整体框架逻辑介绍 .mp4 52.22M

｜｜ 022-3-项目环境配置 .mp4 60.39M

｜｜ 023-4-基础解读-动作定义方式 .mp4 15.72M

｜｜ 024-5-基础解读-角色定义 .mp4 13.34M

｜｜ 025-6-单动作智能体实现方法 .mp4 20.16M

｜｜ 026-7-多动作配置方法 .mp4 18.19M

｜｜ 027-8-定时器任务环境配置 .mp4 36.54M

｜｜ 028-9-定时器任务流程解读分析 .mp4 44.89M

｜｜ 029-0-基本Agent的组成 .mp4 43.11M

｜｜ 030-1-Agent要完成的任务和业务逻辑定义 .mp4 45.89M

｜｜ 031-2-问题拆解与执行流程 .mp4 61.54M

｜｜ 032-3-检索得到重要的URL .mp4 30.41M

｜｜ 033-4-子问题生成总结结果 .mp4 47.26M

｜｜ 034-5-总结与结果输出 .mp4 23.43M

｜｜ 035-1-RAG要完成的任务解读 .mp4 14.28M

｜｜ 036-2-RAG整体流程解读 .mp4 18.02M

｜｜ 037-3-召回优化策略分析 .mp4 17.57M

｜｜ 038-4-召回改进方案解读 .mp4 23.11M

｜｜ 039-5-评估工具RAGAS .mp4 34.62M

｜｜ 040-6-外接本地数据库工具 .mp4 19.47M

｜｜ 041-1-整体故事解读 .mp4 35.47M

｜｜ 042-2-要解决的问题和整体框架分析 .mp4 48.80M

｜｜ 043-3-论文基本框架分析 .mp4 81.31M

｜｜ 044-4-Agent的记忆信息 .mp4 61.90M

｜｜ 045-5-感知与反思模块构建流程 .mp4 21.35M

｜｜ 046-6-计划模块实现细节 .mp4 29.96M

｜｜ 047-7-整体流程框架图 .mp4 19.73M

｜｜ 048-8-感知模块解读 .mp4 38.05M

｜｜ 049-9-思考模块解读 .mp4 40.37M

｜｜ 050-10-项目环境配置方法解读 .mp4 39.58M

｜｜ 051-1-langchain框架解读 .mp4 20.18M

｜｜ 052-2-基本API调用方法 .mp4 40.13M

｜｜ 053-3-数据文档切分操作 .mp4 35.52M

｜｜ 054-4-样本索引与向量构建 .mp4 39.13M

｜｜ 055-5-数据切块方法 .mp4 40.65M

｜｜ 056-1-MOE概述分析 .mp4 19.57M

｜｜ 057-2-MOE模块实现方法解读 .mp4 29.67M

｜｜ 058-3-效果分析与总结 .mp4 41.43M

｜｜ 059-1-大模型如何做下游任务 .mp4 27.81M

｜｜ 060-2-LLM落地微调分析 .mp4 33.70M

｜｜ 061-3-LLAMA与LORA介绍 .mp4 27.13M

｜｜ 062-4-LORA微调的核心思想 .mp4 20.57M

｜｜ 063-5-LORA模型实现细节 .mp4 36.76M

｜｜ 064-1-提示工程的作用 .mp4 37.72M

｜｜ 065-2-项目数据解读 .mp4 37.77M

｜｜ 066-3-源码调用DEBUG解读 .mp4 35.11M

｜｜ 067-4-训练流程演示 .mp4 43.75M

｜｜ 068-5-效果演示与总结分析 .mp4 29.12M

｜｜ 069-1-RAG与微调可以解决与无法解决的问题 .mp4 19.56M

｜｜ 070-2-RAG实践策略 .mp4 16.47M

｜｜ 071-3-微调要解决的问题 .mp4 14.59M

｜ 5.第五章 Opencv图像处理框架实战

｜｜课件

｜｜｜第2-8节课件

｜｜｜第11-12节notebook课件.zip 52.05M

｜｜｜第16-17节notebook课件.zip 9.37M

｜｜源码资料

｜｜｜第10节：项目实战-文档扫描OCR识别.zip 44.94M

｜｜｜第13节：案例实战-全景图像拼接.zip 829.49kb

｜｜｜第14节：项目实战-停车场车位识别.zip 111.34M

｜｜｜第15节：项目实战-答题卡识别判卷.zip 3.07M

｜｜｜第18节：Opencv的DNN模块.zip 49.62M

｜｜｜第19节：项目实战-目标追踪.zip 125.33M

｜｜｜第20节：卷积原理与操作.zip 24.47kb

｜｜｜第21节：人脸关键点定位.zip 69.75M

｜｜｜第21节：项目实战-疲劳检测.zip 74.15M

｜｜｜第9节：项目实战-信用卡数字识别.zip 548.10kb

｜ 6.第六章综合项⽬-物体检测经典算法实战

｜｜ YOLO系列(PyTorch)

｜｜｜ COCO-DATA

｜｜｜训练自己的数据集

｜｜｜ NEU-DET.zip 26.68M

｜｜｜ PyTorch-YOLOv3.zip 462.21M

｜｜｜ YOLO5.zip 469.64M

｜｜｜ YOLO新版.pdf 3.62M

｜｜ CenterNet.pdf 8.83M

｜｜ detr目标检测源码解读.zip 108.29kb

｜｜ EfficientDet.pdf 780.70kb

｜｜ EfficientDet.zip 80.48M

｜｜ EfficientNet.pdf 943.23kb

｜｜ json2yolo.py 1.48kb

｜｜ mmdetection-3.x.zip 35.60M

｜｜ yolov7-main.zip 337.57M

｜｜ YOLOV7.pdf 1.69M

｜｜ Yolov7结构图.pptx 44.45kb

｜｜第十二章：基于Transformer的detr目标检测算法.pdf 885.69kb

｜｜可变形DETR.pdf 4.50M

｜｜物体检测.pdf 1.38M

｜ 7.第七章图像分割实战

｜｜ deeplab系列算法

｜｜｜ DeepLab.pdf 704.25kb

｜｜ Unet系列算法讲解

｜｜｜深度学习分割任务.pdf 1.14M

｜｜ unet医学细胞分割实战

｜｜｜新建文件夹

｜｜｜ unet++.zip 409.60M

｜｜补充：Mask2former源码解读

｜｜｜ mask2former(mmdetection).zip 192.38M

｜｜分割模型Maskformer系列

｜｜｜ mask2former.pdf 2.97M

｜｜｜ maskformer.pdf 1.51M

｜｜基于deeplabV3+版本进行VOC分割实战

｜｜｜ DeepLabV3Plus.zip 1.92G

｜｜基于deeplab的心脏视频数据诊断分析

｜｜｜基于deeplab的心脏视频数据诊断分析.zip 748.28M

｜｜基于Resnet的医学数据集分类实战

｜｜｜ Resnet.pdf 207.88kb

｜｜｜基于Resnet的医学数据集分类实战.zip 461.00M

｜｜图像分割算法

｜｜｜深度学习分割任务.pdf 1.14M

｜｜ f112c9fda85536ee3eba662c9043e683.bat 0.07kb

｜｜ mask-rcnn.pdf 989.98kb

｜｜ MaskRcnn网络框架源码详解.zip 1.14G

｜｜ PyTorch框架基本处理操作.zip 98.58M

｜｜ R(2+1)D网络.pdf 507.15kb

｜｜第5节：U-2-Net.zip 636.25M

｜｜基于MASK-RCNN框架训练自己的数据与任务.zip 439.38M

｜｜图像识别核心模块实战解读.zip 336.95M

｜ 8.第八章走向AI论文实验与项目实战的捷径-MMLAB实战系列

｜｜ DeformableDetr算法解读

｜｜｜可变形DETR.pdf 4.50M

｜｜ KIE关键信息抽取与视频超分辨率重构

｜｜｜ BasicVSR++.pdf 13.04M

｜｜｜ KIE.pdf 2.27M

｜｜｜ spynet.pdf 5.80M

｜｜ OCR算法解读

｜｜｜ ABINET.pdf 1.24M

｜｜｜ DBNET.pdf 3.83M

｜｜ mask2former(mmdetection).zip 192.38M

｜｜ ner.zip 121.60M

｜｜第八模块：mmrazor-模型蒸馏.zip 1.00G

｜｜第二模块：mmsegmentation-0.20.2.zip 2.80G

｜｜第二模块：MPViT-main.zip 924.77M

｜｜第九模块：mmaction2-master.zip 827.76M

｜｜第六模块：mmediting-master.zip 107.78M

｜｜第七模块：mmdetection3d-1.0.0rc0.zip 395.05M

｜｜第三模块：mmdetection-master.zip 1.46G

｜｜第四模块：mmocr-main.zip 381.72M

｜｜第五模块：mmgeneration-master.zip 746.81M

｜｜第一模块：mmclassification-master.zip 912.00M

｜ 9.第九章经典视觉项目实战：行为识别、姿态估计、目标追踪

｜｜ slowfast-add

｜｜｜ download

｜｜ slowfast-add-

｜｜｜ download

｜｜｜ avademo.zip 2.08G

｜｜ YOLO目标检测

｜｜｜ COCO-DATA

｜｜｜训练自己的数据集

｜｜｜ NEU-DET.zip 26.68M

｜｜｜ YOLO5.zip 469.64M

｜｜｜ YOLO新版.pdf 3.62M

｜｜基础补充-Resnet模型及其应用实例

｜｜｜ Resnet.pdf 207.88kb

｜｜｜基于Resnet的医学数据集分类实战.zip 461.00M

｜｜ 1-slowfast算法知识点通俗解读.pdf 572.31kb

｜｜ 5-视频异常检测算法与元学习.pdf 1.15M

｜｜ Deepsort算法知识点解读.pdf 1.58M

｜｜ Deepsort源码解读.zip 107.90M

｜｜ OpenPose算法源码分析.zip 243.86M

｜｜ slowfast论文.pdf 1.45M

｜｜第一章：姿态估计OpenPose系列算法解读.pdf 2.42M

｜｜基础补充-PyTorch框架必备核心模块解读.zip 336.95M

｜｜基础补充-PyTorch框架基本处理操作.zip 98.58M

｜｜基于3D卷积的视频分析与动作识别.zip 845.84M

｜｜视频异常检测CVPR2021论文及其源码解读.zip 243.75M

9-经典视觉项目实战：行为识别、姿态估计、目标追踪

｜ 1-slowfast算法知识点通俗解读

｜｜ 1-slowfast核心思想解读.mp4 74.86M

｜｜ 2-核心网络结构模块分析.mp4 20.98M

｜｜ 3-数据采样曾的作用.mp4 18.26M

｜｜ 4-模型网络结构设计.mp4 19.30M

｜｜ 5-特征融合模块与总结分析.mp4 39.30M

｜ 10-OpenPose算法源码分析

｜｜ 1-数据集与路径配置解读.mp4 33.79M

｜｜ 10-多阶段输出与预测.mp4 46.99M

｜｜ 2-读取图像与标注信息.mp4 46.78M

｜｜ 3-关键点与躯干特征图初始化.mp4 34.31M

｜｜ 4-根据关键点位置设计关键点标签.mp4 54.92M

｜｜ 5-准备构建PAF躯干标签.mp4 29.58M

｜｜ 6-各位置点归属判断.mp4 28.04M

｜｜ 7-特征图各点累加向量计算.mp4 32.67M

｜｜ 8-完成PAF特征图制作.mp4 31.91M

｜｜ 9-网络模型一阶段输出.mp4 27.54M

｜ 11-deepsort算法知识点解读

｜｜ 1-卡尔曼滤波通俗解释.mp4 31.48M

｜｜ 10-sort与deepsort建模流程分析.mp4 26.79M

｜｜ 11-预测与匹配流程解读.mp4 26.25M

｜｜ 12-追踪任务流程拆解.mp4 32.13M

｜｜ 2-卡尔曼滤波要完成的任务.mp4 15.60M

｜｜ 3-任务本质分析.mp4 19.07M

｜｜ 4-基于观测值进行最优估计.mp4 17.11M

｜｜ 5-预测与更新操作.mp4 24.00M

｜｜ 6-追踪中的状态量.mp4 16.04M

｜｜ 7-匈牙利匹配算法概述.mp4 19.23M

｜｜ 8-匹配小例子分析.mp4 21.80M

｜｜ 9-REID特征的作用.mp4 20.84M

｜ 12-deepsort源码解读

｜｜ 1-项目环境配置.mp4 37.33M

｜｜ 10-匹配结果与总结.mp4 76.93M

｜｜ 2-参数与DEMO演示.mp4 42.18M

｜｜ 3-针对检测结果初始化track.mp4 48.20M

｜｜ 4-对track执行预测操作.mp4 38.30M

｜｜ 5-状态量预测结果.mp4 36.02M

｜｜ 6-IOU代价矩阵计算.mp4 32.89M

｜｜ 7-参数更新操作.mp4 50.21M

｜｜ 8-级联匹配模块.mp4 43.34M

｜｜ 9-ReID特征代价矩阵计算.mp4 46.45M

｜ 13-YOLO-V4版本算法解读

｜｜ 1-V4版本整体概述.mp4 15.06M

｜｜ 10-PAN模块解读.mp4 20.64M

｜｜ 11-激活函数与整体架构总结.mp4 19.19M

｜｜ 2-V4版本贡献解读.mp4 10.06M

｜｜ 3-数据增强策略分析.mp4 24.70M

｜｜ 4-DropBlock与标签平滑方法.mp4 19.36M

｜｜ 5-损失函数遇到的问题.mp4 14.26M

｜｜ 6-CIOU损失函数定义.mp4 10.82M

｜｜ 7-NMS细节改进.mp4 16.66M

｜｜ 8-SPP与CSP网络结构.mp4 14.81M

｜｜ 9-SAM注意力机制模块.mp4 22.48M

｜ 14-V5版本项目配置

｜｜ 1-整体项目概述.mp4 35.77M

｜｜ 2-训练自己的数据集方法.mp4 41.32M

｜｜ 3-训练数据参数配置.mp4 51.48M

｜｜ 4-测试DEMO演示.mp4 50.47M

｜ 15-V5项目工程源码解读

｜｜ 1-数据源DEBUG流程解读.mp4 48.13M

｜｜ 10-完成配置文件解析任务.mp4 58.80M

｜｜ 11-前向传播计算.mp4 30.80M

｜｜ 12-BottleneckCSP层计算方法.mp4 33.82M

｜｜ 13-1-SPP层计算细节分析.mp4 29.09M

｜｜ 14-2-Head层流程解读.mp4 29.12M

｜｜ 15-上采样与拼接操作.mp4 21.48M

｜｜ 16-输出结果分析.mp4 41.71M

｜｜ 17-超参数解读.mp4 34.94M

｜｜ 18-命令行参数介绍.mp4 44.26M

｜｜ 19-训练流程解读.mp4 46.81M

｜｜ 2-图像数据源配置.mp4 34.65M

｜｜ 20-各种训练策略概述.mp4 38.43M

｜｜ 21-模型迭代过程.mp4 38.42M

｜｜ 3-加载标签数据.mp4 26.33M

｜｜ 4-Mosaic数据增强方法.mp4 28.19M

｜｜ 5-数据四合一方法与流程演示.mp4 41.69M

｜｜ 6-getItem构建batch.mp4 33.03M

｜｜ 7-网络架构图可视化工具安装.mp4 34.33M

｜｜ 8-V5网络配置文件解读.mp4 35.74M

｜｜ 9-Focus模块流程分析.mp4 21.93M

｜ 2-slowfast项目环境配置与配置文件

｜｜ 1-环境基本配置解读.mp4 45.35M

｜｜ 2-目录各文件分析.mp4 36.84M

｜｜ 3-配置文件作用解读.mp4 50.90M

｜｜ 4-测试DEMO演示.mp4 66.77M

｜｜ 5-训练所需标签文件说明.mp4 48.77M

｜｜ 6-训练所需视频数据准备.mp4 47.39M

｜｜ 7-视频数据集切分操作.mp4 39.66M

｜｜ 8-完成视频分帧操作.mp4 32.77M

｜ 3-slowfast源码详细解读

｜｜ 1-模型所需配置文件参数读取.mp4 33.24M

｜｜ 10-RoiAlign与输出层.mp4 78.92M

｜｜ 2-数据处理概述.mp4 49.72M

｜｜ 3-dataloader数据遍历方法.mp4 56.85M

｜｜ 4-数据与标签读取实例.mp4 52.22M

｜｜ 5-图像数据所需预处理方法.mp4 66.76M

｜｜ 6-slow与fast分别执行采样操作.mp4 66.34M

｜｜ 7-分别计算特征图输出结果.mp4 56.64M

｜｜ 8-slow与fast特征图拼接操作.mp4 49.69M

｜｜ 9-resnetBolock操作.mp4 53.62M

｜ 4-基于3D卷积的视频分析与动作识别

｜｜ 1-3D卷积原理解读.mp4 20.62M

｜｜ 2-UCF101动作识别数据集简介.mp4 51.69M

｜｜ 3-测试效果与项目配置.mp4 55.60M

｜｜ 4-视频数据预处理方法.mp4 32.25M

｜｜ 5-数据Batch制作方法.mp4 46.66M

｜｜ 6-3D卷积网络所涉及模块.mp4 37.76M

｜｜ 7-训练网络模型.mp4 38.81M

｜ 5-视频异常检测算法与元学习

｜｜ 1-异常检测要解决的问题与数据集介绍.mp4 21.49M

｜｜ 2-基本思想与流程分析.mp4 24.27M

｜｜ 3-预测与常见问题.mp4 26.58M

｜｜ 4-Meta-Learn要解决的问题.mp4 20.78M

｜｜ 5-学习能力与参数定义.mp4 14.17M

｜｜ 6-如何找到合适的初始化参数.mp4 23.36M

｜｜ 7-MAML算法流程解读.mp4 28.99M

｜ 6-视频异常检测CVPR2021论文及其源码解读

｜｜ 1-论文概述与环境配置.mp4 26.61M

｜｜ 2-数据集配置与读取.mp4 38.74M

｜｜ 3-模型编码与解码结构.mp4 33.37M

｜｜ 4-注意力机制模块打造.mp4 61.12M

｜｜ 5-损失函数的目的.mp4 57.97M

｜｜ 6-特征图生成.mp4 38.02M

｜｜ 7-MetaLearn与输出.mp4 29.79M

｜ 7-基础补充-Resnet模型及其应用实例

｜｜ 1-医学疾病数据集介绍.mp4 18.85M

｜｜ 2-Resnet网络架构原理分析.mp4 24.81M

｜｜ 3-dataloader加载数据集.mp4 64.78M

｜｜ 4-Resnet网络前向传播.mp4 35.82M

｜｜ 5-残差网络的shortcut操作.mp4 47.34M

｜｜ 6-特征图升维与降采样操作.mp4 26.89M

｜｜ 7-网络整体流程与训练演示.mp4 67.45M

｜ 8-课程介绍

｜｜ 1-课程介绍.mp4 27.22M

｜ 9-姿态估计OpenPose系列算法解读

｜｜ 1-姿态估计要解决的问题分析.mp4 79.45M

｜｜ 10-匹配方法解读.mp4 21.06M

｜｜ 11-CPM模型特点.mp4 21.94M

｜｜ 12-算法流程与总结.mp4 50.27M

｜｜ 2-姿态估计应用领域概述.mp4 20.80M

｜｜ 3-传统topdown方法的问题.mp4 37.95M

｜｜ 4-要解决的两个问题分析.mp4 10.19M

｜｜ 5-基于高斯分布预测关键点位置.mp4 24.83M

｜｜ 6-各模块输出特征图解读.mp4 15.58M

｜｜ 7-PAF向量登场.mp4 12.59M

｜｜ 8-PAF标签设计方法.mp4 25.01M

｜｜ 9-预测时PAF积分计算方法.mp4 34.91M

资料

｜ 2-深度学习必备核心算法

｜｜ transformer.pdf 1.99M

｜｜ Transformer在视觉中的应用VIT算法.pdf 1.24M

｜｜ ViT.zip 638.39M

｜｜卷积神经网络.pdf 2.59M

｜｜神经网络.pdf 6.31M

｜ 3-深度学习框架PyTorch

｜｜ flask预测.zip 712.05M

｜｜ PyTorch.pdf 2.67M

｜｜第二,三章：神经网络实战分类与回归任务.zip 15.82M

｜｜第六章：DataLoader自定义数据集制作.zip 594.02M

｜｜第七章：LSTM文本分类实战.zip 31.53M

｜｜第四章：卷积网络参数解读.zip 33.37M

｜｜第五章：图像识别模型与训练策略(重点).zip 449.77M

｜｜深度学习.pdf 9.93M

｜ 4-Opencv图像处理框架实战

｜｜课件

｜｜｜第2-8节课件

｜｜｜第11-12节notebook课件.zip 52.05M

｜｜｜第16-17节notebook课件.zip 9.37M

｜｜源码资料

｜｜｜第10节：项目实战-文档扫描OCR识别.zip 44.94M

｜｜｜第13节：案例实战-全景图像拼接.zip 829.49kb

｜｜｜第14节：项目实战-停车场车位识别.zip 111.34M

｜｜｜第15节：项目实战-答题卡识别判卷.zip 3.07M

｜｜｜第18节：Opencv的DNN模块.zip 49.62M

｜｜｜第19节：项目实战-目标追踪.zip 125.33M

｜｜｜第20节：卷积原理与操作.zip 24.47kb

｜｜｜第21节：人脸关键点定位.zip 69.75M

｜｜｜第21节：项目实战-疲劳检测.zip 74.15M

｜｜｜第9节：项目实战-信用卡数字识别.zip 548.10kb

猜你喜欢

评论0