当前位置:首页 > 全部课程 > 算法模型 > 机器学习 > 《实用数据挖掘与人工智能
实用数据挖掘与人工智能

已完结 实用数据挖掘与人工智能

7人已学习 收藏 分享赚 ¥44.9元
价 格
89.00 ~ 449.00
打开微信扫描二维码
点击右上角进行分享

开通以下任意VIP等级即可免费学习本课程

我已阅读并同意《VIP服务协议》
开通 取消

详情

目录

资料(0)

评价(0)

【课程详情】

  • 01、熟悉Jupyter notebook.1、创建新的Python环境

  • 01、熟悉Jupyter notebook.2、Python环境与版本(一)

  • 01、熟悉Jupyter notebook.3、Python环境与版本(二)

  • 01、熟悉Jupyter notebook.4、Python环境与版本(三)

  • 01、熟悉Jupyter notebook.5、Python环境与版本(四)

  • 01、熟悉Jupyter notebook.6、Python环境与版本(五)

  • 01、熟悉Jupyter notebook.7、Python环境与版本(六)

  • 01、熟悉Jupyter notebook.8、Python环境与版本(七)

  • 01、熟悉Jupyter notebook.9、安装决策树可视化工具Graphviz(一)

  • 01、熟悉Jupyter notebook.10、安装决策树可视化工具Graphviz(二)

  • 01、熟悉Jupyter notebook.11、几个重要的工具包介绍(一)

  • 01、熟悉Jupyter notebook.12、几个重要的工具包介绍(二)

  • 01、熟悉Jupyter notebook.13、安装TensorFlow与Keras(一)

  • 01、熟悉Jupyter notebook.14、安装TensorFlow与Keras(二)

  • 01、熟悉Jupyter notebook.15、Jupyter notebook的基本使用技巧

  • 01、熟悉Jupyter notebook.16、Markdown的基本技巧(一)

  • 01、熟悉Jupyter notebook.17、Markdown的基本技巧(二)

  • 02、文献与代码管理工具及统计基础.1、学习方法总结

  • 02、文献与代码管理工具及统计基础.2、Mendeley介绍及安装(一)

  • 02、文献与代码管理工具及统计基础.3、Mendeley介绍及安装(二)

  • 02、文献与代码管理工具及统计基础.4、GitHub介绍及安装

  • 02、文献与代码管理工具及统计基础.5、GitHub远端连接操作(一)

  • 02、文献与代码管理工具及统计基础.6、GitHub远端连接操作(二)

  • 02、文献与代码管理工具及统计基础.7、GitHub远端连接操作(三)

  • 02、文献与代码管理工具及统计基础.8、答疑(一)

  • 02、文献与代码管理工具及统计基础.9、答疑(二)

  • 02、文献与代码管理工具及统计基础.10、答疑(三)

  • 02、文献与代码管理工具及统计基础.11、统计基础概述

  • 03、Python基本数据类型.1、课程概述

  • 03、Python基本数据类型.2、计算机语言与程序概述(一)

  • 03、Python基本数据类型.3、计算机语言与程序概述(二)

  • 03、Python基本数据类型.4、为什么需要编程语言

  • 03、Python基本数据类型.5、Python能做什么

  • 03、Python基本数据类型.6、课间答疑

  • 03、Python基本数据类型.7、Python2和Python3的区别

  • 03、Python基本数据类型.8、编程语言的元素

  • 03、Python基本数据类型.9、致敬 Hello World

  • 03、Python基本数据类型.10、Python基本数据类型(一)

  • 03、Python基本数据类型.11、Python基本数据类型(二)

  • 03、Python基本数据类型.12、Python基本数据类型(三)

  • 03、Python基本数据类型.13、Python基本数据类型(四)

  • 03、Python基本数据类型.14、Python基本数据类型(五)

  • 03、Python基本数据类型.15、Python基本数据类型(六)

  • 03、Python基本数据类型.16、Python基本数据类型(七)

  • 03、Python基本数据类型.17、Python基本数据类型(八)

  • 10、逻辑回归及应用.1、逻辑回归与线性回归

  • 10、逻辑回归及应用.2、如何计算信用分数

  • 10、逻辑回归及应用.3、商家如何查看芝麻信用值?

  • 10、逻辑回归及应用.4、寻找最合理的参数-1设计Cost Function

  • 10、逻辑回归及应用.5、疑题解答

  • 10、逻辑回归及应用.6、寻找最合理的参数-3.计算最优参数(一)

  • 10、逻辑回归及应用.7、寻找最合理的参数-3.计算最优参数(二)

  • 10、逻辑回归及应用.8、寻找最合理的参数-3.计算最优参数(三)

  • 10、逻辑回归及应用.9、寻找最合理的参数-3.计算最优参数(四)

  • 10、逻辑回归及应用.10、寻找最合理的参数-3.计算最优参数(五)

  • 10、逻辑回归及应用.11、寻找最合理的参数-3.计算最优参数(六)

  • 10、逻辑回归及应用.12、更进一步:从逻辑回归到SoftMax(一)

  • 10、逻辑回归及应用.13、更进一步:从逻辑回归到SoftMax(二)

  • 11、拟合与过拟合的定义.1、拟合与过拟合

  • 11、拟合与过拟合的定义.2、对抗过拟合(一)

  • 11、拟合与过拟合的定义.3、对抗过拟合(二)

  • 11、拟合与过拟合的定义.4、对抗过拟合(三)

  • 11、拟合与过拟合的定义.5、Python实现(一)

  • 11、拟合与过拟合的定义.6、Python实现(二)

  • 11、拟合与过拟合的定义.7、正则化Regularization

  • 11、拟合与过拟合的定义.8、Ridge(一)

  • 11、拟合与过拟合的定义.9、Ridge(二)

  • 11、拟合与过拟合的定义.10、方差的分解(一)

  • 11、拟合与过拟合的定义.11、方差的分解(二)

  • 11、拟合与过拟合的定义.12、Bias与Variance的分解

  • 12、决策树模型.1、什么是决策树?

  • 12、决策树模型.2、游戏中的决策树分析(一)

  • 12、决策树模型.3、游戏中的决策树分析(二)

  • 12、决策树模型.4、哪个问题分的最好?

  • 12、决策树模型.5、Decision Tree_example1(一)

  • 12、决策树模型.6、Decision Tree_example1(二)

  • 12、决策树模型.7、Decision Tree_example1(三)

  • 12、决策树模型.8、Decision Tree_example1(四)

  • 12、决策树模型.9、Decision Tree_example1(五)

  • 12、决策树模型.10、Decision Tree_example1(六)

  • 12、决策树模型.11、Decision Tree_example1(七)

  • 13、Pandas 数据操作与Ensemble Method 集成算法.1、Combining dataframes

  • 13、Pandas 数据操作与Ensemble Method 集成算法.2、Mapping

  • 13、Pandas 数据操作与Ensemble Method 集成算法.3、Binning

  • 13、Pandas 数据操作与Ensemble Method 集成算法.4、GroupBy On Dict and Series(一)

  • 13、Pandas 数据操作与Ensemble Method 集成算法.5、GroupBy On Dict and Series(二)

  • 13、Pandas 数据操作与Ensemble Method 集成算法.6、Merge(一)

  • 13、Pandas 数据操作与Ensemble Method 集成算法.7、Merge(二)

  • 13、Pandas 数据操作与Ensemble Method 集成算法.8、Outliers

  • 13、Pandas 数据操作与Ensemble Method 集成算法.9、Pivoting

  • 13、Pandas 数据操作与Ensemble Method 集成算法.10、Replace

  • 13、Pandas 数据操作与Ensemble Method 集成算法.11、Bagging(Bootstrap aggregating)

  • 13、Pandas 数据操作与Ensemble Method 集成算法.12、Boosting and Ada boosting(一)

  • 13、Pandas 数据操作与Ensemble Method 集成算法.13、Boosting and Ada boosting(二)

  • 13、Pandas 数据操作与Ensemble Method 集成算法.14、Gradient Boosting

  • 14、Airbnb 数据分析.1、Airbnb介绍

  • 14、Airbnb 数据分析.2、Train and Test 用户本身数据和营销渠道数据

  • 14、Airbnb 数据分析.3、Airbnb_DataExploration(一)

  • 14、Airbnb 数据分析.4、Airbnb_DataExploration(二)

  • 14、Airbnb 数据分析.5、Airbnb_DataExploration(三)

  • 14、Airbnb 数据分析.6、Airbnb_FeatureEngineering(一)

  • 14、Airbnb 数据分析.7、Airbnb_FeatureEngineering(二)

  • 14、Airbnb 数据分析.8、Airbnb_FeatureEngineering(三)

  • 14、Airbnb 数据分析.9、Airbnb_FeatureEngineering(四)

  • 14、Airbnb 数据分析.10、Modeling(一)

  • 14、Airbnb 数据分析.11、Modeling(二)

  • 15、支持向量机(SVM).1、支持向量机简介与历史(一)

  • 15、支持向量机(SVM).2、支持向量机简介与历史(二)

  • 15、支持向量机(SVM).3、支持向量机分类与回归(一)

  • 15、支持向量机(SVM).4、支持向量机分类与回归(二)

  • 15、支持向量机(SVM).5、支持向量机分类与回归(三)

  • 15、支持向量机(SVM).6、对偶问题

  • 15、支持向量机(SVM).7、支持向量

  • 15、支持向量机(SVM).8、核函数

  • 15、支持向量机(SVM).9、正则化与软间隔

  • 15、支持向量机(SVM).10、支持向量机算法总结

  • 15、支持向量机(SVM).11、代码实战(一)

  • 15、支持向量机(SVM).12、代码实战(二)

  • 15、支持向量机(SVM).13、代码实战(三)

  • 16、自然语言处理与NLP-代码实战.1、历史

  • 16、自然语言处理与NLP-代码实战.2、语言模型(一)

  • 16、自然语言处理与NLP-代码实战.3、语言模型(二)

  • 16、自然语言处理与NLP-代码实战.4、语言模型(三)

  • 16、自然语言处理与NLP-代码实战.5、语言模型(四)

  • 16、自然语言处理与NLP-代码实战.6、语言模型(五)

  • 16、自然语言处理与NLP-代码实战.7、语言模型评价

  • 16、自然语言处理与NLP-代码实战.8、隐马尔可夫模型

  • 16、自然语言处理与NLP-代码实战.9、深度学习(一)

  • 16、自然语言处理与NLP-代码实战.10、深度学习(二)

  • 16、自然语言处理与NLP-代码实战.11、语言模型实战(一)

  • 16、自然语言处理与NLP-代码实战.12、语言模型实战(二)

  • 16、自然语言处理与NLP-代码实战.13、语言模型实战(三)

  • 16、自然语言处理与NLP-代码实战.14、语言模型实战(四)

  • 17、文字处理与Amazon评论NLP分析案例.1、Python文字处理基本操作回顾

  • 17、文字处理与Amazon评论NLP分析案例.2、ASCII,unicode解码与编码,utf-8(一)

  • 17、文字处理与Amazon评论NLP分析案例.3、ASCII,unicode解码与编码,utf-8(二)

  • 17、文字处理与Amazon评论NLP分析案例.4、Nltk工具包与特朗普的任职演讲

  • 17、文字处理与Amazon评论NLP分析案例.5、计算词频

  • 17、文字处理与Amazon评论NLP分析案例.6、读取文字

  • 17、文字处理与Amazon评论NLP分析案例.7、整理标签(一)

  • 17、文字处理与Amazon评论NLP分析案例.8、整理标签(二)

  • 17、文字处理与Amazon评论NLP分析案例.9、整理标签(三)

  • 17、文字处理与Amazon评论NLP分析案例.10、清理文字并建语料库(一)

  • 17、文字处理与Amazon评论NLP分析案例.11、清理文字并建语料库(二)

  • 17、文字处理与Amazon评论NLP分析案例.12、建模

  • 17、文字处理与Amazon评论NLP分析案例.13、调用具体模型

  • 18、网络基础概述.1、网络基础概述

  • 18、网络基础概述.2、数据和数据库(一)

  • 18、网络基础概述.3、数据和数据库(二)

  • 18、网络基础概述.4、计算机网络知识普及(一)

  • 18、网络基础概述.5、计算机网络知识普及(二)

  • 18、网络基础概述.6、什么是网站

  • 18、网络基础概述.7、静态网站和动态网站

  • 18、网络基础概述.8、简单的网站服务程序(一)

  • 18、网络基础概述.9、简单的网站服务程序(二)

  • 18、网络基础概述.10、什么是API(一)

  • 18、网络基础概述.11、什么是API(二)

  • 18、网络基础概述.12、如何找到API

  • 18、网络基础概述.13、网络产品和现在网络程序

  • 18、网络基础概述.14、答疑

  • 19、网络爬虫入门.1、网络爬虫概述

  • 19、网络爬虫入门.2、复习HTML

  • 19、网络爬虫入门.3、强大的工具―Requests

  • 19、网络爬虫入门.4、强大的工具―Beautifulsoup(一)

  • 19、网络爬虫入门.5、强大的工具―Beautifulsoup(二)

  • 19、网络爬虫入门.6、Charity Watch(一)

  • 19、网络爬虫入门.7、Charity Watch(二)

  • 19、网络爬虫入门.8、Charity Watch(三)

  • 19、网络爬虫入门.9、弹幕爬虫(一)

  • 19、网络爬虫入门.10、弹幕爬虫(二)

  • 19、网络爬虫入门.11、弹幕爬虫(三)

  • 19、网络爬虫入门.12、弹幕爬虫(四)

  • 19、网络爬虫入门.13、弹幕爬虫(五)

  • 19、网络爬虫入门.14、弹幕爬虫(六)

  • 20、爬虫进阶.1、Write Binary File

  • 20、爬虫进阶.2、Read Binary File

  • 20、爬虫进阶.3、静态文件获取(一)

  • 20、爬虫进阶.4、静态文件获取(二)

  • 20、爬虫进阶.5、认证授权(一)

  • 20、爬虫进阶.6、认证授权(二)

  • 20、爬虫进阶.7、认证授权(三)

  • 20、爬虫进阶.8、爬虫进阶扩展(一)

  • 20、爬虫进阶.9、爬虫进阶扩展(二)

  • 21、正则表达式.1、常见代码

  • 21、正则表达式.2、基本语句(一)

  • 21、正则表达式.3、基本语句(二)

  • 21、正则表达式.4、字符匹配和分枝条件

  • 21、正则表达式.5、分组

  • 21、正则表达式.6、后向引用和零宽断言

  • 21、正则表达式.7、案例分析(一)

  • 21、正则表达式.8、案例分析(二)

  • 22、贝叶斯统计.1、联合概率

  • 22、贝叶斯统计.2、边缘概率

  • 22、贝叶斯统计.3、条件概率

  • 22、贝叶斯统计.4、联合概率、边缘概率和条件概率

  • 22、贝叶斯统计.5、贝叶斯公式(一)

  • 22、贝叶斯统计.6、贝叶斯公式(二)

  • 22、贝叶斯统计.7、流感案例

  • 22、贝叶斯统计.8、图形化理解

  • 22、贝叶斯统计.9、案例分析

  • 22、贝叶斯统计.10、贝叶斯公式垃圾短信识别程序(一)

  • 22、贝叶斯统计.11、贝叶斯公式垃圾短信识别程序(二)

  • 22、贝叶斯统计.12、贝叶斯公式垃圾短信识别程序(三)

  • 22、贝叶斯统计.13、脑筋急转弯:三门问题(一)

  • 22、贝叶斯统计.14、脑筋急转弯:三门问题(二)

  • 23、搜集用户信息与数据整合.1、搜集用户发帖Comment Id(一)

  • 23、搜集用户信息与数据整合.2、搜集用户发帖Comment Id(二)

  • 23、搜集用户信息与数据整合.3、正向编码方法

  • 23、搜集用户信息与数据整合.4、如何逆向解码(一)

  • 23、搜集用户信息与数据整合.5、如何逆向解码(二)

  • 23、搜集用户信息与数据整合.6、如何逆向解码(三)

  • 23、搜集用户信息与数据整合.7、如何逆向解码(四)

  • 23、搜集用户信息与数据整合.8、整理用户mid ID

  • 23、搜集用户信息与数据整合.9、爬取用户信息(一)

  • 23、搜集用户信息与数据整合.10、爬取用户信息(二)

  • 23、搜集用户信息与数据整合.11、爬取用户信息(三)

  • 23、搜集用户信息与数据整合.12、爬取用户信息(四)

  • 23、搜集用户信息与数据整合.13、RandomForest 重新采样(一)

  • 23、搜集用户信息与数据整合.14、RandomForest 重新采样(二)

  • 24、贝叶斯思维.1、贝叶斯统计(一)

  • 24、贝叶斯思维.2、贝叶斯统计(二)

  • 24、贝叶斯思维.3、贝叶斯统计(三)

  • 24、贝叶斯思维.4、贝叶斯统计(四)

  • 24、贝叶斯思维.5、贝叶斯公式(一)

  • 24、贝叶斯思维.6、贝叶斯公式(二)

  • 24、贝叶斯思维.7、贝叶斯公式(三)

  • 24、贝叶斯思维.8、贝叶斯公式(四)

  • 24、贝叶斯思维.9、证明正态分布的后验分布依然是正态分布(一)

  • 24、贝叶斯思维.10、证明正态分布的后验分布依然是正态分布(二)

  • 24、贝叶斯思维.11、证明正态分布的后验分布依然是正态分布(三)

  • 24、贝叶斯思维.12、证明正态分布的后验分布依然是正态分布(四)

  • 24、贝叶斯思维.13、美国海岸救援案例

  • 25、BiliBili火爆剧集与观众分析.1、结巴分词原理

  • 25、BiliBili火爆剧集与观众分析.2、结巴分词使用

  • 25、BiliBili火爆剧集与观众分析.3、去除NaN、分词

  • 25、BiliBili火爆剧集与观众分析.4、去停用词、整理词频

  • 25、BiliBili火爆剧集与观众分析.5、关键词计算

  • 25、BiliBili火爆剧集与观众分析.6、生成词云

  • 25、BiliBili火爆剧集与观众分析.7、沿时间的动态变化:频率与高频词(一)

  • 25、BiliBili火爆剧集与观众分析.8、沿时间的动态变化:频率与高频词(二)

  • 25、BiliBili火爆剧集与观众分析.9、沿时间的动态变化:频率与高频词(三)

  • 25、BiliBili火爆剧集与观众分析.10、二十四小时的弹幕频率分布

  • 25、BiliBili火爆剧集与观众分析.11、年内的弹幕频率分布

  • 25、BiliBili火爆剧集与观众分析.12、观众信息

  • 25、BiliBili火爆剧集与观众分析.13、脑筋急转弯(一)

  • 25、BiliBili火爆剧集与观众分析.14、脑筋急转弯(二)

  • 26、聚类与代码实战.1、课程概要

  • 26、聚类与代码实战.2、机器学习与聚类简介

  • 26、聚类与代码实战.3、聚类的定义以及和分类的区别

  • 26、聚类与代码实战.4、聚类相似度度量:几何距离

  • 26、聚类与代码实战.5、划分聚类

  • 26、聚类与代码实战.6、划分聚类―K均值算法(一)

  • 26、聚类与代码实战.7、划分聚类―K均值算法(二)

  • 26、聚类与代码实战.8、层次聚类

  • 26、聚类与代码实战.9、Agglomerative clustering算法

  • 26、聚类与代码实战.10、密度聚类

  • 26、聚类与代码实战.11、DBSCAN

  • 26、聚类与代码实战.12、聚类算法总结

  • 26、聚类与代码实战.13、代码实战(一)

  • 26、聚类与代码实战.14、代码实战(二)

  • 26、聚类与代码实战.15、代码实战(三)

  • 27、商业社交媒体舆情分析.1、脑筋急转弯(一)

  • 27、商业社交媒体舆情分析.2、脑筋急转弯(二)

  • 27、商业社交媒体舆情分析.3、脑筋急转弯(三)

  • 27、商业社交媒体舆情分析.4、社媒舆情分析的目的

  • 27、商业社交媒体舆情分析.5、作用价值一:获取市场的必要信息(一)

  • 27、商业社交媒体舆情分析.6、作用价值一:获取市场的必要信息(二)

  • 27、商业社交媒体舆情分析.7、如何通过舆情分析掌握时长状况

  • 27、商业社交媒体舆情分析.8、作用价值二:提升决策敏感性

  • 27、商业社交媒体舆情分析.9、有趣的营销发现

  • 27、商业社交媒体舆情分析.10、作用价值三:寻找接触点

  • 27、商业社交媒体舆情分析.11、总结:营销领域的舆情分析应用

  • 27、商业社交媒体舆情分析.12、答疑(一)

  • 27、商业社交媒体舆情分析.13、答疑(二)

  • 28、近期推荐系统概述.1、推荐系统应用场景(一)

  • 28、近期推荐系统概述.2、推荐系统应用场景(二)

  • 28、近期推荐系统概述.3、推荐系统算法概述(一)

  • 28、近期推荐系统概述.4、推荐系统算法概述(二)

  • 28、近期推荐系统概述.5、推荐系统算法概述(三)

  • 28、近期推荐系统概述.6、推荐系统算法概述(四)

  • 28、近期推荐系统概述.7、CF+矩阵分解(一)

  • 28、近期推荐系统概述.8、CF+矩阵分解(二)

  • 28、近期推荐系统概述.9、基于图像的推荐

  • 28、近期推荐系统概述.10、评估推荐系统结果

  • 29、人工智能的江湖.1、达特茅斯会议与第一次AI大发展

  • 29、人工智能的江湖.2、第一次AI寒冬(一)

  • 29、人工智能的江湖.3、第一次AI寒冬(二)

  • 29、人工智能的江湖.4、复苏与第二次AI寒冬

  • 29、人工智能的江湖.5、再次复苏与神经网翻身

  • 29、人工智能的江湖.6、瞻仰大神(一)

  • 29、人工智能的江湖.7、瞻仰大神(二)

  • 29、人工智能的江湖.8、瞻仰大神(三)

  • 29、人工智能的江湖.9、今天的应用与影响(一)

  • 29、人工智能的江湖.10、今天的应用与影响(二)

  • 29、人工智能的江湖.11、今天的应用与影响(三)

  • 30、机器学习在图像识别中的应用.1、图像处理和机器学习有什么关系

  • 30、机器学习在图像识别中的应用.2、什么是机器学习

  • 30、机器学习在图像识别中的应用.3、什么是图像识别

  • 30、机器学习在图像识别中的应用.4、图像识别的困难在哪里

  • 30、机器学习在图像识别中的应用.5、图像识别的发展历史

  • 30、机器学习在图像识别中的应用.6、机器学习对比深度学习

  • 30、机器学习在图像识别中的应用.7、机器学习的工作方式

  • 30、机器学习在图像识别中的应用.8、机器学习的算法(一)

  • 30、机器学习在图像识别中的应用.9、机器学习的算法(二)

  • 30、机器学习在图像识别中的应用.10、机器学习总结

  • 31、Pygame.1、学习框架梳理

  • 31、Pygame.2、剩余课程安排

  • 31、Pygame.3、Flappy bird基本背景图像(一)

  • 31、Pygame.4、Flappy bird基本背景图像(二)

  • 31、Pygame.5、键盘操作-小鸟左右移动

  • 31、Pygame.6、扑腾扑腾翅膀(一)

  • 31、Pygame.7、扑腾扑腾翅膀(二)

  • 31、Pygame.8、柱子的移动

  • 31、Pygame.9、生成一系列的柱子,并且移动

  • 31、Pygame.10、让小鸟飞起来

  • 31、Pygame.11、假如小鸟很聪明

  • 31、Pygame.12、给小鸟计分

  • 32、Python控制系统.1、The basic self-driving loop

  • 32、Python控制系统.2、不同的数据存储和类型

  • 32、Python控制系统.3、安装OpenCV

  • 32、Python控制系统.4、OpenCV练习

  • 32、Python控制系统.5、数据库基础review(一)

  • 32、Python控制系统.6、数据库基础review(二)

  • 32、Python控制系统.7、MYSQL的简单介绍(一)

  • 32、Python控制系统.8、MYSQL的简单介绍(二)

  • 32、Python控制系统.9、激光雷达

  • 32、Python控制系统.10、Ctypes basic(一)

  • 32、Python控制系统.11、Ctypes basic(二)

  • 32、Python控制系统.12、Ctypes basic(三)

  • 33、图像识别处理基础―OpenCV.1、读取图片(一)

  • 33、图像识别处理基础―OpenCV.2、读取图片(二)

  • 33、图像识别处理基础―OpenCV.3、读取图片(三)

  • 33、图像识别处理基础―OpenCV.4、读取视频

  • 33、图像识别处理基础―OpenCV.5、绘图函数

  • 33、图像识别处理基础―OpenCV.6、OpenCV图像的基本操作(一)

  • 33、图像识别处理基础―OpenCV.7、OpenCV图像的基本操作(二)

  • 33、图像识别处理基础―OpenCV.8、图像处理:颜色空间转换(一)

  • 33、图像识别处理基础―OpenCV.9、图像处理:颜色空间转换(二)

  • 33、图像识别处理基础―OpenCV.10、几何变换

  • 33、图像识别处理基础―OpenCV.11、图像处理:图像平滑

  • 33、图像识别处理基础―OpenCV.12、图像处理:形态学变换

  • 34、从游戏数据中提取feature.1、收集GTA5游戏数据(一)

  • 34、从游戏数据中提取feature.2、收集GTA5游戏数据(二)

  • 34、从游戏数据中提取feature.3、收集GTA5游戏数据(三)

  • 34、从游戏数据中提取feature.4、Check Data和OpenCV(一)

  • 34、从游戏数据中提取feature.5、Check Data和OpenCV(二)

  • 34、从游戏数据中提取feature.6、模型加载插件

  • 34、从游戏数据中提取feature.7、C++ review(一)

  • 34、从游戏数据中提取feature.8、C++ review(二)

  • 34、从游戏数据中提取feature.9、模型案例分析+OpenCV process(一)

  • 34、从游戏数据中提取feature.10、模型案例分析+OpenCV process(二)

  • 34、从游戏数据中提取feature.11、模型案例分析+OpenCV process(三)

  • 34、从游戏数据中提取feature.12、模型案例分析+OpenCV process(四)

  • 34、从游戏数据中提取feature.13、模型案例分析+OpenCV process(五)

  • 35、GTA5自动驾驶项目.1、作业布置

  • 35、GTA5自动驾驶项目.2、GTA5自动驾驶分解问题(一)

  • 35、GTA5自动驾驶项目.3、GTA5自动驾驶分解问题(二)

  • 35、GTA5自动驾驶项目.4、GTA5自动驾驶分解问题(三)

  • 35、GTA5自动驾驶项目.5、GTA5自动驾驶分解问题(四)

  • 35、GTA5自动驾驶项目.6、GTA5自动驾驶分解问题(五)

  • 35、GTA5自动驾驶项目.7、GTA游戏AI识别车道分割线(一)

  • 35、GTA5自动驾驶项目.8、GTA游戏AI识别车道分割线(二)

  • 35、GTA5自动驾驶项目.9、GTA游戏AI识别车道分割线(三)

  • 35、GTA5自动驾驶项目.10、GTA游戏AI识别车道分割线(四)

  • 35、GTA5自动驾驶项目.11、GTA游戏AI识别车道分割线(五)

  • 35、GTA5自动驾驶项目.12、GTA游戏AI识别车道分割线(六)

  • 35、GTA5自动驾驶项目.13、GTA游戏AI识别车道分割线(七)

  • 36、TensorFlow的基本操作.1、TensorFlow的基本概念

  • 36、TensorFlow的基本操作.2、TensorFlow的具体使用(一)

  • 36、TensorFlow的基本操作.3、TensorFlow的具体使用(二)

  • 36、TensorFlow的基本操作.4、Tensor Shapes(一)

  • 36、TensorFlow的基本操作.5、Tensor Shapes(二)

  • 36、TensorFlow的基本操作.6、Tensor Operations

  • 36、TensorFlow的基本操作.7、Tensor Slicing

  • 36、TensorFlow的基本操作.8、Tensor Sequences

  • 36、TensorFlow的基本操作.9、Graph

  • 36、TensorFlow的基本操作.10、Session和Constant

  • 36、TensorFlow的基本操作.11、Variables和Placeholders

  • 36、TensorFlow的基本操作.12、Example(一)

  • 36、TensorFlow的基本操作.13、Example(二)

  • 36、TensorFlow的基本操作.14、Example(三)

  • 36、TensorFlow的基本操作.15、Example(四)

  • 37、神经网络.1、神经网络

  • 37、神经网络.2、深度神经网络

  • 37、神经网络.3、反向传播算法

  • 37、神经网络.4、激活函数

  • 37、神经网络.5、优化算法(一)

  • 37、神经网络.6、优化算法(二)

  • 37、神经网络.7、正规化

  • 37、神经网络.8、神经网络代码实战(一)

  • 37、神经网络.9、神经网络代码实战(二)

  • 37、神经网络.10、神经网络代码实战(三)

  • 37、神经网络.11、神经网络代码实战(四)

  • 38、卷积神经网络.1、卷积和卷积核(一)

  • 38、卷积神经网络.2、卷积和卷积核(二)

  • 38、卷积神经网络.3、卷积和卷积核(三)

  • 38、卷积神经网络.4、填充和池化

  • 38、卷积神经网络.5、深度卷积神经网络:LeNet-5

  • 38、卷积神经网络.6、深度卷积神经网络:AlexNet

  • 38、卷积神经网络.7、深度卷积神经网络:ZF-net

  • 38、卷积神经网络.8、深度卷积神经网络:VGG-16

  • 38、卷积神经网络.9、深度卷积神经网络:Inception Network

  • 38、卷积神经网络.10、深度卷积神经网络:Residual Network

  • 38、卷积神经网络.11、深度卷积神经网络:DenseNet

  • 39、卷积神经网络的应用.1、卷积神经网络应用概述

  • 39、卷积神经网络的应用.2、物体检测:RCNN和SPP-Net(一)

  • 39、卷积神经网络的应用.3、物体检测:RCNN和SPP-Net(二)

  • 39、卷积神经网络的应用.4、物体检测:Fast R-CNN

  • 39、卷积神经网络的应用.5、物体检测:YOLO和SSD

  • 39、卷积神经网络的应用.6、文档的归类

  • 39、卷积神经网络的应用.7、代码实战(一)

  • 39、卷积神经网络的应用.8、代码实战(二)

  • 39、卷积神经网络的应用.9、代码实战(三)

  • 39、卷积神经网络的应用.10、代码实战(四)

  • 39、卷积神经网络的应用.11、代码实战(五)

  • 40、深度学习框架剖析.1、深度学习系统的目标定位

  • 40、深度学习框架剖析.2、典型深度学习系统框架

  • 40、深度学习框架剖析.3、命令式编程与声明式编程等概念讲解

  • 40、深度学习框架剖析.4、图优化、执行引擎

  • 40、深度学习框架剖析.5、编程接口、分布式并行计算

  • 40、深度学习框架剖析.6、TF多卡训练

  • 40、深度学习框架剖析.7、TF多机训练

  • 40、深度学习框架剖析.8、主流开源深度学习平台简析

  • 40、深度学习框架剖析.9、答疑

  • 40、深度学习框架剖析.10、Tensorflow tutorial example(一)

  • 40、深度学习框架剖析.11、ensorflow tutorial example(二)

  • 40、深度学习框架剖析.12、模型训练Tricks分享

  • 40、深度学习框架剖析.13、DL优化方法分析以及相关TF API说明

  • 40、深度学习框架剖析.14、Tensorflow detection models

  • 40、深度学习框架剖析.15、实际模型项目介绍(一)

  • 40、深度学习框架剖析.16、实际模型项目介绍(二)

  • 41、递归神经网络.1、递归神经网络―序列问题

  • 41、递归神经网络.2、为什么递归

  • 41、递归神经网络.3、递归神经网络(一)

  • 41、递归神经网络.4、递归神经网络(二)

  • 41、递归神经网络.5、双向递归神经网络

  • 41、递归神经网络.6、沿时间反向传播

  • 41、递归神经网络.7、梯度消失

  • 42、长短记忆网络和递归神经网络代码操作.1、长短记忆网络(一)

  • 42、长短记忆网络和递归神经网络代码操作.2、长短记忆网络(二)

  • 42、长短记忆网络和递归神经网络代码操作.3、伪装曹雪芹(一)

  • 42、长短记忆网络和递归神经网络代码操作.4、伪装曹雪芹(二)

  • 42、长短记忆网络和递归神经网络代码操作.5、伪装曹雪芹(三)

  • 42、长短记忆网络和递归神经网络代码操作.6、伪装曹雪芹(四)

  • 42、长短记忆网络和递归神经网络代码操作.7、图像识别(一)

  • 42、长短记忆网络和递归神经网络代码操作.8、图像识别(二)

  • 43、线性代数与数值分析.1、线性代数与数值分析概述

  • 43、线性代数与数值分析.2、线性代数的基础定义

  • 43、线性代数与数值分析.3、矩阵乘积和转置

  • 43、线性代数与数值分析.4、矩阵性质

  • 43、线性代数与数值分析.5、矩阵行列式

  • 43、线性代数与数值分析.6、矩阵的迹和秩

  • 43、线性代数与数值分析.7、范数

  • 43、线性代数与数值分析.8、矩阵的特征值和特征向量

  • 43、线性代数与数值分析.9、特殊类型的矩阵和向量(一)

  • 43、线性代数与数值分析.10、特殊类型的矩阵和向量(二)

  • 43、线性代数与数值分析.11、矩阵分解

  • 43、线性代数与数值分析.12、矩阵微积分

  • 43、线性代数与数值分析.13、矩阵计算(一)

  • 43、线性代数与数值分析.14、矩阵计算(二)

  • 43、线性代数与数值分析.15、范数、向量之间的夹角

  • 43、线性代数与数值分析.16、对角矩阵、单位矩阵、转置矩阵和reshape

  • 43、线性代数与数值分析.17、行列式、秩、迹以及SVD奇异值分解

  • 44、词嵌入表示.1、N-元模型回顾

  • 44、词嵌入表示.2、神经语言模型

  • 44、词嵌入表示.3、递归神经网络语言模型

  • 44、词嵌入表示.4、词嵌入

  • 44、词嵌入表示.5、哈夫曼树

  • 44、词嵌入表示.6、连续词袋模型―分层Softmax

  • 44、词嵌入表示.7、Skip-gram:分层Softmax

  • 44、词嵌入表示.8、连续词袋模型:负采样

  • 44、词嵌入表示.9、词向量:可视化

  • 45、递归神经网络的应用.1、文本生成和情绪分析

  • 45、递归神经网络的应用.2、语音识别

  • 45、递归神经网络的应用.3、机器翻译(一)

  • 45、递归神经网络的应用.4、机器翻译(二)

  • 45、递归神经网络的应用.5、视觉注意力机制

  • 45、递归神经网络的应用.6、词嵌入表示―Word2Vec

  • 45、递归神经网络的应用.7、词嵌入表示―RNN语言模型(一)

  • 45、递归神经网络的应用.8、词嵌入表示―RNN语言模型(二)

  • 45、递归神经网络的应用.9、词嵌入表示―RNN for POS tagging(一)

  • 45、递归神经网络的应用.10、词嵌入表示―RNN for POS tagging(二)

  • 46、强化学习系列课程基本概念与方法总览.1、复习监督学习

  • 46、强化学习系列课程基本概念与方法总览.2、强化学习基本概念(一)

  • 46、强化学习系列课程基本概念与方法总览.3、强化学习基本概念(二)

  • 46、强化学习系列课程基本概念与方法总览.4、策略与总价值(一)

  • 46、强化学习系列课程基本概念与方法总览.5、策略与总价值(二)

  • 46、强化学习系列课程基本概念与方法总览.6、强化学习系列方法总览(一)

  • 46、强化学习系列课程基本概念与方法总览.7、强化学习系列方法总览(二)

  • 46、强化学习系列课程基本概念与方法总览.8、强化学习系列方法总览(三)

  • 47、马尔可夫决策过程.1、马尔可夫决策过程:Markov状态转移矩阵

  • 47、马尔可夫决策过程.2、Markov Rewards Process

  • 47、马尔可夫决策过程.3、状态价值state value

  • 47、马尔可夫决策过程.4、Bellman方程(一)

  • 47、马尔可夫决策过程.5、Bellman方程(二)

  • 47、马尔可夫决策过程.10、最优总价值与最优动作价值(一)

  • 47、马尔可夫决策过程.11、最优总价值与最优动作价值(二)

  • 47、马尔可夫决策过程.12、Flappy bird的简单解决方法(一)

  • 47、马尔可夫决策过程.13、Flappy bird的简单解决方法(二)

相关说明:

1、资源部分来源于网络公开发表文件,所有资料仅供学习交流。

2、所收取费用仅用来维系网站运营,性质为用户友情赞助,并非售卖文件费用。

3、如侵犯您的权益,请联系管理员处理。

实用数据挖掘与人工智能[499课时]

01、熟悉Jupyter notebook.1、创建新的Python环境 (10:06)

01、熟悉Jupyter notebook.2、Python环境与版本(一) (07:56)

01、熟悉Jupyter notebook.3、Python环境与版本(二) (14:37)

01、熟悉Jupyter notebook.4、Python环境与版本(三) (09:16)

01、熟悉Jupyter notebook.5、Python环境与版本(四) (10:20)

01、熟悉Jupyter notebook.6、Python环境与版本(五) (10:38)

01、熟悉Jupyter notebook.7、Python环境与版本(六) (13:43)

01、熟悉Jupyter notebook.8、Python环境与版本(七) (12:54)

01、熟悉Jupyter notebook.9、安装决策树可视化工具Graphviz(一) (08:31)

01、熟悉Jupyter notebook.10、安装决策树可视化工具Graphviz(二) (16:45)

01、熟悉Jupyter notebook.11、几个重要的工具包介绍(一) (15:52)

01、熟悉Jupyter notebook.12、几个重要的工具包介绍(二) (07:02)

01、熟悉Jupyter notebook.13、安装TensorFlow与Keras(一) (09:14)

01、熟悉Jupyter notebook.14、安装TensorFlow与Keras(二) (08:46)

01、熟悉Jupyter notebook.15、Jupyter notebook的基本使用技巧 (10:37)

01、熟悉Jupyter notebook.16、Markdown的基本技巧(一) (12:49)

01、熟悉Jupyter notebook.17、Markdown的基本技巧(二) (07:30)

02、文献与代码管理工具及统计基础.1、学习方法总结 (07:17)

02、文献与代码管理工具及统计基础.2、Mendeley介绍及安装(一) (10:18)

02、文献与代码管理工具及统计基础.3、Mendeley介绍及安装(二) (06:41)

02、文献与代码管理工具及统计基础.4、GitHub介绍及安装 (15:06)

02、文献与代码管理工具及统计基础.5、GitHub远端连接操作(一) (14:39)

02、文献与代码管理工具及统计基础.6、GitHub远端连接操作(二) (15:47)

02、文献与代码管理工具及统计基础.7、GitHub远端连接操作(三) (12:55)

02、文献与代码管理工具及统计基础.8、答疑(一) (09:47)

02、文献与代码管理工具及统计基础.9、答疑(二) (07:13)

02、文献与代码管理工具及统计基础.10、答疑(三) (08:12)

02、文献与代码管理工具及统计基础.11、统计基础概述 (10:56)

03、Python基本数据类型.1、课程概述 (07:36)

03、Python基本数据类型.2、计算机语言与程序概述(一) (13:22)

03、Python基本数据类型.3、计算机语言与程序概述(二) (15:29)

03、Python基本数据类型.4、为什么需要编程语言 (09:59)

03、Python基本数据类型.5、Python能做什么 (12:10)

03、Python基本数据类型.6、课间答疑 (11:09)

03、Python基本数据类型.7、Python2和Python3的区别 (05:19)

03、Python基本数据类型.8、编程语言的元素 (10:58)

03、Python基本数据类型.9、致敬 Hello World (12:12)

03、Python基本数据类型.10、Python基本数据类型(一) (16:07)

03、Python基本数据类型.11、Python基本数据类型(二) (13:39)

03、Python基本数据类型.12、Python基本数据类型(三) (09:38)

03、Python基本数据类型.13、Python基本数据类型(四) (10:55)

03、Python基本数据类型.14、Python基本数据类型(五) (10:25)

03、Python基本数据类型.15、Python基本数据类型(六) (13:21)

03、Python基本数据类型.16、Python基本数据类型(七) (12:59)

03、Python基本数据类型.17、Python基本数据类型(八) (11:17)

10、逻辑回归及应用.1、逻辑回归与线性回归 (08:07)

10、逻辑回归及应用.2、如何计算信用分数 (08:52)

10、逻辑回归及应用.3、商家如何查看芝麻信用值? (12:51)

10、逻辑回归及应用.4、寻找最合理的参数-1设计Cost Function (13:55)

10、逻辑回归及应用.5、疑题解答 (12:35)

10、逻辑回归及应用.6、寻找最合理的参数-3.计算最优参数(一) (11:51)

10、逻辑回归及应用.7、寻找最合理的参数-3.计算最优参数(二) (12:56)

10、逻辑回归及应用.8、寻找最合理的参数-3.计算最优参数(三) (12:30)

10、逻辑回归及应用.9、寻找最合理的参数-3.计算最优参数(四) (13:56)

10、逻辑回归及应用.10、寻找最合理的参数-3.计算最优参数(五) (12:35)

10、逻辑回归及应用.11、寻找最合理的参数-3.计算最优参数(六) (08:08)

10、逻辑回归及应用.12、更进一步:从逻辑回归到SoftMax(一) (07:42)

10、逻辑回归及应用.13、更进一步:从逻辑回归到SoftMax(二) (13:20)

11、拟合与过拟合的定义.1、拟合与过拟合 (15:41)

11、拟合与过拟合的定义.2、对抗过拟合(一) (10:56)

11、拟合与过拟合的定义.3、对抗过拟合(二) (15:10)

11、拟合与过拟合的定义.4、对抗过拟合(三) (08:28)

11、拟合与过拟合的定义.5、Python实现(一) (11:56)

11、拟合与过拟合的定义.6、Python实现(二) (14:06)

11、拟合与过拟合的定义.7、正则化Regularization (14:15)

11、拟合与过拟合的定义.8、Ridge(一) (08:26)

11、拟合与过拟合的定义.9、Ridge(二) (14:56)

11、拟合与过拟合的定义.10、方差的分解(一) (14:18)

11、拟合与过拟合的定义.11、方差的分解(二) (15:40)

11、拟合与过拟合的定义.12、Bias与Variance的分解 (09:12)

12、决策树模型.1、什么是决策树? (12:55)

12、决策树模型.2、游戏中的决策树分析(一) (10:22)

12、决策树模型.3、游戏中的决策树分析(二) (08:17)

12、决策树模型.4、哪个问题分的最好? (19:11)

12、决策树模型.5、Decision Tree_example1(一) (08:24)

12、决策树模型.6、Decision Tree_example1(二) (11:04)

12、决策树模型.7、Decision Tree_example1(三) (10:57)

12、决策树模型.8、Decision Tree_example1(四) (08:22)

12、决策树模型.9、Decision Tree_example1(五) (11:52)

12、决策树模型.10、Decision Tree_example1(六) (14:03)

12、决策树模型.11、Decision Tree_example1(七) (14:34)

13、Pandas 数据操作与Ensemble Method 集成算法.1、Combining dataframes (11:29)

13、Pandas 数据操作与Ensemble Method 集成算法.2、Mapping (13:35)

13、Pandas 数据操作与Ensemble Method 集成算法.3、Binning (15:40)

13、Pandas 数据操作与Ensemble Method 集成算法.4、GroupBy On Dict and Series(一) (10:14)

13、Pandas 数据操作与Ensemble Method 集成算法.5、GroupBy On Dict and Series(二) (13:19)

13、Pandas 数据操作与Ensemble Method 集成算法.6、Merge(一) (14:26)

13、Pandas 数据操作与Ensemble Method 集成算法.7、Merge(二) (14:11)

13、Pandas 数据操作与Ensemble Method 集成算法.8、Outliers (09:11)

13、Pandas 数据操作与Ensemble Method 集成算法.9、Pivoting (10:53)

13、Pandas 数据操作与Ensemble Method 集成算法.10、Replace (11:28)

13、Pandas 数据操作与Ensemble Method 集成算法.11、Bagging(Bootstrap aggregating) (08:52)

13、Pandas 数据操作与Ensemble Method 集成算法.12、Boosting and Ada boosting(一) (11:56)

13、Pandas 数据操作与Ensemble Method 集成算法.13、Boosting and Ada boosting(二) (13:12)

13、Pandas 数据操作与Ensemble Method 集成算法.14、Gradient Boosting (13:16)

14、Airbnb 数据分析.1、Airbnb介绍 (13:57)

14、Airbnb 数据分析.2、Train and Test 用户本身数据和营销渠道数据 (14:37)

14、Airbnb 数据分析.3、Airbnb_DataExploration(一) (14:19)

14、Airbnb 数据分析.4、Airbnb_DataExploration(二) (15:09)

14、Airbnb 数据分析.5、Airbnb_DataExploration(三) (15:17)

14、Airbnb 数据分析.6、Airbnb_FeatureEngineering(一) (12:32)

14、Airbnb 数据分析.7、Airbnb_FeatureEngineering(二) (15:08)

14、Airbnb 数据分析.8、Airbnb_FeatureEngineering(三) (14:33)

14、Airbnb 数据分析.9、Airbnb_FeatureEngineering(四) (14:30)

14、Airbnb 数据分析.10、Modeling(一) (14:26)

14、Airbnb 数据分析.11、Modeling(二) (10:13)

15、支持向量机(SVM).1、支持向量机简介与历史(一) (12:06)

15、支持向量机(SVM).2、支持向量机简介与历史(二) (09:59)

15、支持向量机(SVM).3、支持向量机分类与回归(一) (12:31)

15、支持向量机(SVM).4、支持向量机分类与回归(二) (12:17)

15、支持向量机(SVM).5、支持向量机分类与回归(三) (10:39)

15、支持向量机(SVM).6、对偶问题 (15:09)

15、支持向量机(SVM).7、支持向量 (10:10)

15、支持向量机(SVM).8、核函数 (13:22)

15、支持向量机(SVM).9、正则化与软间隔 (14:28)

15、支持向量机(SVM).10、支持向量机算法总结 (13:17)

15、支持向量机(SVM).11、代码实战(一) (14:52)

15、支持向量机(SVM).12、代码实战(二) (11:34)

15、支持向量机(SVM).13、代码实战(三) (11:08)

16、自然语言处理与NLP-代码实战.1、历史 (12:49)

16、自然语言处理与NLP-代码实战.2、语言模型(一) (12:23)

16、自然语言处理与NLP-代码实战.3、语言模型(二) (12:38)

16、自然语言处理与NLP-代码实战.4、语言模型(三) (09:26)

16、自然语言处理与NLP-代码实战.5、语言模型(四) (07:56)

16、自然语言处理与NLP-代码实战.6、语言模型(五) (14:23)

16、自然语言处理与NLP-代码实战.7、语言模型评价 (15:34)

16、自然语言处理与NLP-代码实战.8、隐马尔可夫模型 (15:14)

16、自然语言处理与NLP-代码实战.9、深度学习(一) (13:14)

16、自然语言处理与NLP-代码实战.10、深度学习(二) (14:51)

16、自然语言处理与NLP-代码实战.11、语言模型实战(一) (08:17)

16、自然语言处理与NLP-代码实战.12、语言模型实战(二) (15:39)

16、自然语言处理与NLP-代码实战.13、语言模型实战(三) (12:47)

16、自然语言处理与NLP-代码实战.14、语言模型实战(四) (08:45)

17、文字处理与Amazon评论NLP分析案例.1、Python文字处理基本操作回顾 (09:48)

17、文字处理与Amazon评论NLP分析案例.2、ASCII,unicode解码与编码,utf-8(一) (13:16)

17、文字处理与Amazon评论NLP分析案例.3、ASCII,unicode解码与编码,utf-8(二) (14:31)

17、文字处理与Amazon评论NLP分析案例.4、Nltk工具包与特朗普的任职演讲 (14:11)

17、文字处理与Amazon评论NLP分析案例.5、计算词频 (11:10)

17、文字处理与Amazon评论NLP分析案例.6、读取文字 (12:12)

17、文字处理与Amazon评论NLP分析案例.7、整理标签(一) (12:37)

17、文字处理与Amazon评论NLP分析案例.8、整理标签(二) (09:00)

17、文字处理与Amazon评论NLP分析案例.9、整理标签(三) (13:16)

17、文字处理与Amazon评论NLP分析案例.10、清理文字并建语料库(一) (10:54)

17、文字处理与Amazon评论NLP分析案例.11、清理文字并建语料库(二) (08:00)

17、文字处理与Amazon评论NLP分析案例.12、建模 (11:54)

17、文字处理与Amazon评论NLP分析案例.13、调用具体模型 (15:28)

18、网络基础概述.1、网络基础概述 (06:20)

18、网络基础概述.2、数据和数据库(一) (12:17)

18、网络基础概述.3、数据和数据库(二) (11:56)

18、网络基础概述.4、计算机网络知识普及(一) (08:52)

18、网络基础概述.5、计算机网络知识普及(二) (16:19)

18、网络基础概述.6、什么是网站 (16:13)

18、网络基础概述.7、静态网站和动态网站 (04:09)

18、网络基础概述.8、简单的网站服务程序(一) (11:46)

18、网络基础概述.9、简单的网站服务程序(二) (12:47)

18、网络基础概述.10、什么是API(一) (16:40)

18、网络基础概述.11、什么是API(二) (15:46)

18、网络基础概述.12、如何找到API (10:44)

18、网络基础概述.13、网络产品和现在网络程序 (04:03)

18、网络基础概述.14、答疑 (13:08)

19、网络爬虫入门.1、网络爬虫概述 (11:04)

19、网络爬虫入门.2、复习HTML (05:04)

19、网络爬虫入门.3、强大的工具―Requests (12:41)

19、网络爬虫入门.4、强大的工具―Beautifulsoup(一) (08:29)

19、网络爬虫入门.5、强大的工具―Beautifulsoup(二) (10:55)

19、网络爬虫入门.6、Charity Watch(一) (11:09)

19、网络爬虫入门.7、Charity Watch(二) (15:16)

19、网络爬虫入门.8、Charity Watch(三) (12:41)

19、网络爬虫入门.9、弹幕爬虫(一) (12:00)

19、网络爬虫入门.10、弹幕爬虫(二) (15:59)

19、网络爬虫入门.11、弹幕爬虫(三) (10:30)

19、网络爬虫入门.12、弹幕爬虫(四) (08:54)

19、网络爬虫入门.13、弹幕爬虫(五) (07:11)

19、网络爬虫入门.14、弹幕爬虫(六) (15:45)

20、爬虫进阶.1、Write Binary File (14:19)

20、爬虫进阶.2、Read Binary File (02:57)

20、爬虫进阶.3、静态文件获取(一) (08:52)

20、爬虫进阶.4、静态文件获取(二) (10:04)

20、爬虫进阶.5、认证授权(一) (13:52)

20、爬虫进阶.6、认证授权(二) (05:21)

20、爬虫进阶.7、认证授权(三) (07:46)

20、爬虫进阶.8、爬虫进阶扩展(一) (07:57)

20、爬虫进阶.9、爬虫进阶扩展(二) (11:40)

21、正则表达式.1、常见代码 (14:15)

21、正则表达式.2、基本语句(一) (07:31)

21、正则表达式.3、基本语句(二) (08:41)

21、正则表达式.4、字符匹配和分枝条件 (10:27)

21、正则表达式.5、分组 (11:05)

21、正则表达式.6、后向引用和零宽断言 (08:27)

21、正则表达式.7、案例分析(一) (06:07)

21、正则表达式.8、案例分析(二) (12:46)

22、贝叶斯统计.1、联合概率 (10:06)

22、贝叶斯统计.2、边缘概率 (06:50)

22、贝叶斯统计.3、条件概率 (14:48)

22、贝叶斯统计.4、联合概率、边缘概率和条件概率 (09:22)

22、贝叶斯统计.5、贝叶斯公式(一) (13:01)

22、贝叶斯统计.6、贝叶斯公式(二) (11:00)

22、贝叶斯统计.7、流感案例 (15:09)

22、贝叶斯统计.8、图形化理解 (11:59)

22、贝叶斯统计.9、案例分析 (09:58)

22、贝叶斯统计.10、贝叶斯公式垃圾短信识别程序(一) (15:28)

22、贝叶斯统计.11、贝叶斯公式垃圾短信识别程序(二) (08:05)

22、贝叶斯统计.12、贝叶斯公式垃圾短信识别程序(三) (13:16)

22、贝叶斯统计.13、脑筋急转弯:三门问题(一) (11:14)

22、贝叶斯统计.14、脑筋急转弯:三门问题(二) (07:41)

23、搜集用户信息与数据整合.1、搜集用户发帖Comment Id(一) (08:20)

23、搜集用户信息与数据整合.2、搜集用户发帖Comment Id(二) (11:50)

23、搜集用户信息与数据整合.3、正向编码方法 (05:13)

23、搜集用户信息与数据整合.4、如何逆向解码(一) (12:28)

23、搜集用户信息与数据整合.5、如何逆向解码(二) (12:10)

23、搜集用户信息与数据整合.6、如何逆向解码(三) (10:13)

23、搜集用户信息与数据整合.7、如何逆向解码(四) (09:55)

23、搜集用户信息与数据整合.8、整理用户mid ID (03:28)

23、搜集用户信息与数据整合.9、爬取用户信息(一) (10:39)

23、搜集用户信息与数据整合.10、爬取用户信息(二) (17:21)

23、搜集用户信息与数据整合.11、爬取用户信息(三) (14:05)

23、搜集用户信息与数据整合.12、爬取用户信息(四) (05:53)

23、搜集用户信息与数据整合.13、RandomForest 重新采样(一) (14:11)

23、搜集用户信息与数据整合.14、RandomForest 重新采样(二) (12:44)

24、贝叶斯思维.1、贝叶斯统计(一) (10:20)

24、贝叶斯思维.2、贝叶斯统计(二) (15:22)

24、贝叶斯思维.3、贝叶斯统计(三) (13:07)

24、贝叶斯思维.4、贝叶斯统计(四) (14:53)

24、贝叶斯思维.5、贝叶斯公式(一) (14:07)

24、贝叶斯思维.6、贝叶斯公式(二) (12:29)

24、贝叶斯思维.7、贝叶斯公式(三) (14:00)

24、贝叶斯思维.8、贝叶斯公式(四) (16:17)

24、贝叶斯思维.9、证明正态分布的后验分布依然是正态分布(一) (15:45)

24、贝叶斯思维.10、证明正态分布的后验分布依然是正态分布(二) (09:54)

24、贝叶斯思维.11、证明正态分布的后验分布依然是正态分布(三) (13:48)

24、贝叶斯思维.12、证明正态分布的后验分布依然是正态分布(四) (11:35)

24、贝叶斯思维.13、美国海岸救援案例 (06:30)

25、BiliBili火爆剧集与观众分析.1、结巴分词原理 (15:23)

25、BiliBili火爆剧集与观众分析.2、结巴分词使用 (12:52)

25、BiliBili火爆剧集与观众分析.3、去除NaN、分词 (06:18)

25、BiliBili火爆剧集与观众分析.4、去停用词、整理词频 (09:27)

25、BiliBili火爆剧集与观众分析.5、关键词计算 (12:55)

25、BiliBili火爆剧集与观众分析.6、生成词云 (06:40)

25、BiliBili火爆剧集与观众分析.7、沿时间的动态变化:频率与高频词(一) (10:34)

25、BiliBili火爆剧集与观众分析.8、沿时间的动态变化:频率与高频词(二) (07:25)

25、BiliBili火爆剧集与观众分析.9、沿时间的动态变化:频率与高频词(三) (06:06)

25、BiliBili火爆剧集与观众分析.10、二十四小时的弹幕频率分布 (11:35)

25、BiliBili火爆剧集与观众分析.11、年内的弹幕频率分布 (07:37)

25、BiliBili火爆剧集与观众分析.12、观众信息 (10:58)

25、BiliBili火爆剧集与观众分析.13、脑筋急转弯(一) (09:20)

25、BiliBili火爆剧集与观众分析.14、脑筋急转弯(二) (12:24)

26、聚类与代码实战.1、课程概要 (13:11)

26、聚类与代码实战.2、机器学习与聚类简介 (04:49)

26、聚类与代码实战.3、聚类的定义以及和分类的区别 (09:37)

26、聚类与代码实战.4、聚类相似度度量:几何距离 (07:40)

26、聚类与代码实战.5、划分聚类 (08:31)

26、聚类与代码实战.6、划分聚类―K均值算法(一) (09:47)

26、聚类与代码实战.7、划分聚类―K均值算法(二) (13:44)

26、聚类与代码实战.8、层次聚类 (08:53)

26、聚类与代码实战.9、Agglomerative clustering算法 (07:39)

26、聚类与代码实战.10、密度聚类 (13:42)

26、聚类与代码实战.11、DBSCAN (14:21)

26、聚类与代码实战.12、聚类算法总结 (04:20)

26、聚类与代码实战.13、代码实战(一) (15:06)

26、聚类与代码实战.14、代码实战(二) (08:20)

26、聚类与代码实战.15、代码实战(三) (16:58)

27、商业社交媒体舆情分析.1、脑筋急转弯(一) (09:49)

27、商业社交媒体舆情分析.2、脑筋急转弯(二) (15:53)

27、商业社交媒体舆情分析.3、脑筋急转弯(三) (12:46)

27、商业社交媒体舆情分析.4、社媒舆情分析的目的 (14:56)

27、商业社交媒体舆情分析.5、作用价值一:获取市场的必要信息(一) (13:51)

27、商业社交媒体舆情分析.6、作用价值一:获取市场的必要信息(二) (13:25)

27、商业社交媒体舆情分析.7、如何通过舆情分析掌握时长状况 (11:07)

27、商业社交媒体舆情分析.8、作用价值二:提升决策敏感性 (13:52)

27、商业社交媒体舆情分析.9、有趣的营销发现 (13:53)

27、商业社交媒体舆情分析.10、作用价值三:寻找接触点 (14:51)

27、商业社交媒体舆情分析.11、总结:营销领域的舆情分析应用 (13:12)

27、商业社交媒体舆情分析.12、答疑(一) (09:48)

27、商业社交媒体舆情分析.13、答疑(二) (09:14)

28、近期推荐系统概述.1、推荐系统应用场景(一) (13:30)

28、近期推荐系统概述.2、推荐系统应用场景(二) (14:30)

28、近期推荐系统概述.3、推荐系统算法概述(一) (14:28)

28、近期推荐系统概述.4、推荐系统算法概述(二) (06:40)

28、近期推荐系统概述.5、推荐系统算法概述(三) (14:44)

28、近期推荐系统概述.6、推荐系统算法概述(四) (14:14)

28、近期推荐系统概述.7、CF+矩阵分解(一) (15:10)

28、近期推荐系统概述.8、CF+矩阵分解(二) (15:24)

28、近期推荐系统概述.9、基于图像的推荐 (12:04)

28、近期推荐系统概述.10、评估推荐系统结果 (13:35)

29、人工智能的江湖.1、达特茅斯会议与第一次AI大发展 (14:32)

29、人工智能的江湖.2、第一次AI寒冬(一) (09:20)

29、人工智能的江湖.3、第一次AI寒冬(二) (14:04)

29、人工智能的江湖.4、复苏与第二次AI寒冬 (14:21)

29、人工智能的江湖.5、再次复苏与神经网翻身 (13:29)

29、人工智能的江湖.6、瞻仰大神(一) (12:30)

29、人工智能的江湖.7、瞻仰大神(二) (14:56)

29、人工智能的江湖.8、瞻仰大神(三) (09:17)

29、人工智能的江湖.9、今天的应用与影响(一) (13:12)

29、人工智能的江湖.10、今天的应用与影响(二) (15:30)

29、人工智能的江湖.11、今天的应用与影响(三) (14:34)

30、机器学习在图像识别中的应用.1、图像处理和机器学习有什么关系 (11:54)

30、机器学习在图像识别中的应用.2、什么是机器学习 (15:24)

30、机器学习在图像识别中的应用.3、什么是图像识别 (11:33)

30、机器学习在图像识别中的应用.4、图像识别的困难在哪里 (15:59)

30、机器学习在图像识别中的应用.5、图像识别的发展历史 (10:53)

30、机器学习在图像识别中的应用.6、机器学习对比深度学习 (10:28)

30、机器学习在图像识别中的应用.7、机器学习的工作方式 (15:00)

30、机器学习在图像识别中的应用.8、机器学习的算法(一) (11:28)

30、机器学习在图像识别中的应用.9、机器学习的算法(二) (12:50)

30、机器学习在图像识别中的应用.10、机器学习总结 (13:43)

31、Pygame.1、学习框架梳理 (12:51)

31、Pygame.2、剩余课程安排 (12:07)

31、Pygame.3、Flappy bird基本背景图像(一) (15:04)

31、Pygame.4、Flappy bird基本背景图像(二) (11:43)

31、Pygame.5、键盘操作-小鸟左右移动 (13:21)

31、Pygame.6、扑腾扑腾翅膀(一) (11:37)

31、Pygame.7、扑腾扑腾翅膀(二) (08:52)

31、Pygame.8、柱子的移动 (13:44)

31、Pygame.9、生成一系列的柱子,并且移动 (13:35)

31、Pygame.10、让小鸟飞起来 (13:59)

31、Pygame.11、假如小鸟很聪明 (08:45)

31、Pygame.12、给小鸟计分 (09:50)

32、Python控制系统.1、The basic self-driving loop (13:30)

32、Python控制系统.2、不同的数据存储和类型 (14:55)

32、Python控制系统.3、安装OpenCV (16:31)

32、Python控制系统.4、OpenCV练习 (11:45)

32、Python控制系统.5、数据库基础review(一) (14:13)

32、Python控制系统.6、数据库基础review(二) (14:18)

32、Python控制系统.7、MYSQL的简单介绍(一) (09:03)

32、Python控制系统.8、MYSQL的简单介绍(二) (08:38)

32、Python控制系统.9、激光雷达 (12:16)

32、Python控制系统.10、Ctypes basic(一) (10:56)

32、Python控制系统.11、Ctypes basic(二) (14:19)

32、Python控制系统.12、Ctypes basic(三) (14:00)

33、图像识别处理基础―OpenCV.1、读取图片(一) (10:49)

33、图像识别处理基础―OpenCV.2、读取图片(二) (12:06)

33、图像识别处理基础―OpenCV.3、读取图片(三) (12:22)

33、图像识别处理基础―OpenCV.4、读取视频 (14:05)

33、图像识别处理基础―OpenCV.5、绘图函数 (15:04)

33、图像识别处理基础―OpenCV.6、OpenCV图像的基本操作(一) (14:10)

33、图像识别处理基础―OpenCV.7、OpenCV图像的基本操作(二) (13:10)

33、图像识别处理基础―OpenCV.8、图像处理:颜色空间转换(一) (10:39)

33、图像识别处理基础―OpenCV.9、图像处理:颜色空间转换(二) (14:25)

33、图像识别处理基础―OpenCV.10、几何变换 (13:13)

33、图像识别处理基础―OpenCV.11、图像处理:图像平滑 (12:45)

33、图像识别处理基础―OpenCV.12、图像处理:形态学变换 (11:40)

34、从游戏数据中提取feature.1、收集GTA5游戏数据(一) (14:53)

34、从游戏数据中提取feature.2、收集GTA5游戏数据(二) (15:20)

34、从游戏数据中提取feature.3、收集GTA5游戏数据(三) (13:40)

34、从游戏数据中提取feature.4、Check Data和OpenCV(一) (14:26)

34、从游戏数据中提取feature.5、Check Data和OpenCV(二) (12:05)

34、从游戏数据中提取feature.6、模型加载插件 (08:02)

34、从游戏数据中提取feature.7、C++ review(一) (07:01)

34、从游戏数据中提取feature.8、C++ review(二) (09:59)

34、从游戏数据中提取feature.9、模型案例分析+OpenCV process(一) (11:52)

34、从游戏数据中提取feature.10、模型案例分析+OpenCV process(二) (07:58)

34、从游戏数据中提取feature.11、模型案例分析+OpenCV process(三) (15:18)

34、从游戏数据中提取feature.12、模型案例分析+OpenCV process(四) (15:35)

34、从游戏数据中提取feature.13、模型案例分析+OpenCV process(五) (13:40)

35、GTA5自动驾驶项目.1、作业布置 (10:01)

35、GTA5自动驾驶项目.2、GTA5自动驾驶分解问题(一) (07:01)

35、GTA5自动驾驶项目.3、GTA5自动驾驶分解问题(二) (09:52)

35、GTA5自动驾驶项目.4、GTA5自动驾驶分解问题(三) (08:59)

35、GTA5自动驾驶项目.5、GTA5自动驾驶分解问题(四) (14:49)

35、GTA5自动驾驶项目.6、GTA5自动驾驶分解问题(五) (06:31)

35、GTA5自动驾驶项目.7、GTA游戏AI识别车道分割线(一) (10:31)

35、GTA5自动驾驶项目.8、GTA游戏AI识别车道分割线(二) (08:10)

35、GTA5自动驾驶项目.9、GTA游戏AI识别车道分割线(三) (15:08)

35、GTA5自动驾驶项目.10、GTA游戏AI识别车道分割线(四) (11:54)

35、GTA5自动驾驶项目.11、GTA游戏AI识别车道分割线(五) (10:45)

35、GTA5自动驾驶项目.12、GTA游戏AI识别车道分割线(六) (13:21)

35、GTA5自动驾驶项目.13、GTA游戏AI识别车道分割线(七) (14:51)

36、TensorFlow的基本操作.1、TensorFlow的基本概念 (07:37)

36、TensorFlow的基本操作.2、TensorFlow的具体使用(一) (12:02)

36、TensorFlow的基本操作.3、TensorFlow的具体使用(二) (05:33)

36、TensorFlow的基本操作.4、Tensor Shapes(一) (12:42)

36、TensorFlow的基本操作.5、Tensor Shapes(二) (09:21)

36、TensorFlow的基本操作.6、Tensor Operations (07:38)

36、TensorFlow的基本操作.7、Tensor Slicing (09:37)

36、TensorFlow的基本操作.8、Tensor Sequences (04:00)

36、TensorFlow的基本操作.9、Graph (05:55)

36、TensorFlow的基本操作.10、Session和Constant (07:57)

36、TensorFlow的基本操作.11、Variables和Placeholders (13:09)

36、TensorFlow的基本操作.12、Example(一) (14:33)

36、TensorFlow的基本操作.13、Example(二) (16:31)

36、TensorFlow的基本操作.14、Example(三) (13:10)

36、TensorFlow的基本操作.15、Example(四) (06:51)

37、神经网络.1、神经网络 (15:54)

37、神经网络.2、深度神经网络 (09:42)

37、神经网络.3、反向传播算法 (08:55)

37、神经网络.4、激活函数 (08:34)

37、神经网络.5、优化算法(一) (11:02)

37、神经网络.6、优化算法(二) (09:29)

37、神经网络.7、正规化 (13:20)

37、神经网络.8、神经网络代码实战(一) (14:24)

37、神经网络.9、神经网络代码实战(二) (12:09)

37、神经网络.10、神经网络代码实战(三) (08:26)

37、神经网络.11、神经网络代码实战(四) (10:34)

38、卷积神经网络.1、卷积和卷积核(一) (10:21)

38、卷积神经网络.2、卷积和卷积核(二) (13:07)

38、卷积神经网络.3、卷积和卷积核(三) (07:15)

38、卷积神经网络.4、填充和池化 (09:34)

38、卷积神经网络.5、深度卷积神经网络:LeNet-5 (06:49)

38、卷积神经网络.6、深度卷积神经网络:AlexNet (08:07)

38、卷积神经网络.7、深度卷积神经网络:ZF-net (03:30)

38、卷积神经网络.8、深度卷积神经网络:VGG-16 (05:43)

38、卷积神经网络.9、深度卷积神经网络:Inception Network (09:24)

38、卷积神经网络.10、深度卷积神经网络:Residual Network (06:08)

38、卷积神经网络.11、深度卷积神经网络:DenseNet (08:18)

39、卷积神经网络的应用.1、卷积神经网络应用概述 (09:23)

39、卷积神经网络的应用.2、物体检测:RCNN和SPP-Net(一) (08:46)

39、卷积神经网络的应用.3、物体检测:RCNN和SPP-Net(二) (06:03)

39、卷积神经网络的应用.4、物体检测:Fast R-CNN (15:18)

39、卷积神经网络的应用.5、物体检测:YOLO和SSD (06:30)

39、卷积神经网络的应用.6、文档的归类 (03:28)

39、卷积神经网络的应用.7、代码实战(一) (05:32)

39、卷积神经网络的应用.8、代码实战(二) (15:34)

39、卷积神经网络的应用.9、代码实战(三) (06:43)

39、卷积神经网络的应用.10、代码实战(四) (13:55)

39、卷积神经网络的应用.11、代码实战(五) (07:40)

40、深度学习框架剖析.1、深度学习系统的目标定位 (06:35)

40、深度学习框架剖析.2、典型深度学习系统框架 (04:14)

40、深度学习框架剖析.3、命令式编程与声明式编程等概念讲解 (10:26)

40、深度学习框架剖析.4、图优化、执行引擎 (08:40)

40、深度学习框架剖析.5、编程接口、分布式并行计算 (08:43)

40、深度学习框架剖析.6、TF多卡训练 (07:47)

40、深度学习框架剖析.7、TF多机训练 (04:07)

40、深度学习框架剖析.8、主流开源深度学习平台简析 (11:32)

40、深度学习框架剖析.9、答疑 (10:09)

40、深度学习框架剖析.10、Tensorflow tutorial example(一) (15:52)

40、深度学习框架剖析.11、ensorflow tutorial example(二) (14:59)

40、深度学习框架剖析.12、模型训练Tricks分享 (15:43)

40、深度学习框架剖析.13、DL优化方法分析以及相关TF API说明 (07:05)

40、深度学习框架剖析.14、Tensorflow detection models (03:28)

40、深度学习框架剖析.15、实际模型项目介绍(一) (10:32)

40、深度学习框架剖析.16、实际模型项目介绍(二) (07:39)

41、递归神经网络.1、递归神经网络―序列问题 (10:00)

41、递归神经网络.2、为什么递归 (11:47)

41、递归神经网络.3、递归神经网络(一) (14:06)

41、递归神经网络.4、递归神经网络(二) (06:48)

41、递归神经网络.5、双向递归神经网络 (04:11)

41、递归神经网络.6、沿时间反向传播 (11:45)

41、递归神经网络.7、梯度消失 (09:32)

42、长短记忆网络和递归神经网络代码操作.1、长短记忆网络(一) (12:55)

42、长短记忆网络和递归神经网络代码操作.2、长短记忆网络(二) (10:53)

42、长短记忆网络和递归神经网络代码操作.3、伪装曹雪芹(一) (13:08)

42、长短记忆网络和递归神经网络代码操作.4、伪装曹雪芹(二) (13:29)

42、长短记忆网络和递归神经网络代码操作.5、伪装曹雪芹(三) (12:06)

42、长短记忆网络和递归神经网络代码操作.6、伪装曹雪芹(四) (06:21)

42、长短记忆网络和递归神经网络代码操作.7、图像识别(一) (11:38)

42、长短记忆网络和递归神经网络代码操作.8、图像识别(二) (06:13)

43、线性代数与数值分析.1、线性代数与数值分析概述 (06:25)

43、线性代数与数值分析.2、线性代数的基础定义 (07:38)

43、线性代数与数值分析.3、矩阵乘积和转置 (10:37)

43、线性代数与数值分析.4、矩阵性质 (06:12)

43、线性代数与数值分析.5、矩阵行列式 (11:49)

43、线性代数与数值分析.6、矩阵的迹和秩 (08:37)

43、线性代数与数值分析.7、范数 (12:30)

43、线性代数与数值分析.8、矩阵的特征值和特征向量 (07:30)

43、线性代数与数值分析.9、特殊类型的矩阵和向量(一) (06:10)

43、线性代数与数值分析.10、特殊类型的矩阵和向量(二) (12:10)

43、线性代数与数值分析.11、矩阵分解 (13:00)

43、线性代数与数值分析.12、矩阵微积分 (14:21)

43、线性代数与数值分析.13、矩阵计算(一) (08:31)

43、线性代数与数值分析.14、矩阵计算(二) (08:54)

43、线性代数与数值分析.15、范数、向量之间的夹角 (09:00)

43、线性代数与数值分析.16、对角矩阵、单位矩阵、转置矩阵和reshape (04:22)

43、线性代数与数值分析.17、行列式、秩、迹以及SVD奇异值分解 (12:13)

44、词嵌入表示.1、N-元模型回顾 (09:18)

44、词嵌入表示.2、神经语言模型 (15:45)

44、词嵌入表示.3、递归神经网络语言模型 (07:19)

44、词嵌入表示.4、词嵌入 (11:31)

44、词嵌入表示.5、哈夫曼树 (04:21)

44、词嵌入表示.6、连续词袋模型―分层Softmax (12:04)

44、词嵌入表示.7、Skip-gram:分层Softmax (06:44)

44、词嵌入表示.8、连续词袋模型:负采样 (06:59)

44、词嵌入表示.9、词向量:可视化 (03:24)

45、递归神经网络的应用.1、文本生成和情绪分析 (11:04)

45、递归神经网络的应用.2、语音识别 (08:56)

45、递归神经网络的应用.3、机器翻译(一) (13:00)

45、递归神经网络的应用.4、机器翻译(二) (04:03)

45、递归神经网络的应用.5、视觉注意力机制 (03:47)

45、递归神经网络的应用.6、词嵌入表示―Word2Vec (15:57)

45、递归神经网络的应用.7、词嵌入表示―RNN语言模型(一) (10:04)

45、递归神经网络的应用.8、词嵌入表示―RNN语言模型(二) (07:42)

45、递归神经网络的应用.9、词嵌入表示―RNN for POS tagging(一) (05:52)

45、递归神经网络的应用.10、词嵌入表示―RNN for POS tagging(二) (11:46)

46、强化学习系列课程基本概念与方法总览.1、复习监督学习 (14:16)

46、强化学习系列课程基本概念与方法总览.2、强化学习基本概念(一) (11:40)

46、强化学习系列课程基本概念与方法总览.3、强化学习基本概念(二) (09:47)

46、强化学习系列课程基本概念与方法总览.4、策略与总价值(一) (15:19)

46、强化学习系列课程基本概念与方法总览.5、策略与总价值(二) (11:16)

46、强化学习系列课程基本概念与方法总览.6、强化学习系列方法总览(一) (12:33)

46、强化学习系列课程基本概念与方法总览.7、强化学习系列方法总览(二) (15:05)

46、强化学习系列课程基本概念与方法总览.8、强化学习系列方法总览(三) (13:37)

47、马尔可夫决策过程.1、马尔可夫决策过程:Markov状态转移矩阵 (15:54)

47、马尔可夫决策过程.2、Markov Rewards Process (13:42)

47、马尔可夫决策过程.3、状态价值state value (09:50)

47、马尔可夫决策过程.4、Bellman方程(一) (09:50)

47、马尔可夫决策过程.5、Bellman方程(二) (14:21)

47、马尔可夫决策过程.10、最优总价值与最优动作价值(一) (14:10)

47、马尔可夫决策过程.11、最优总价值与最优动作价值(二) (08:59)

47、马尔可夫决策过程.12、Flappy bird的简单解决方法(一) (13:16)

47、马尔可夫决策过程.13、Flappy bird的简单解决方法(二) (15:21)

暂时没有任何课件
综合
好评
0%
  • 综合评分5.00
  • 内容实用5.00
  • 通俗易懂5.00
友情链接:

邮箱:didabiancheng@126.com

地址:厦门火炬高新区软件园创新大厦C区3F-A487

Android/IOS App

微信小程序

微信公众号

VIP特权
微信客服
微信扫一扫咨询客服