人工智能是當(dāng)前乃至未來(lái)時(shí)代熱門的技術(shù)之一，已在全球范圍內(nèi)掀起了研究與學(xué)習(xí)熱潮。人工智能連續(xù)四年成為大學(xué)最熱門專業(yè)�。�！ 課程知識(shí)體系完備，從簡(jiǎn)明的python語(yǔ)言開(kāi)始，到機(jī)器學(xué)習(xí)，再到AI的兩大應(yīng)用方向：計(jì)算機(jī)視覺(jué)（CV）和自然語(yǔ)言處理（NLP），幾乎包含了當(dāng)下AI就業(yè)市場(chǎng)的全部需求。同時(shí)，課程學(xué)習(xí)曲線設(shè)計(jì)平滑，根據(jù)學(xué)習(xí)者對(duì)知識(shí)的消化吸收情況，循序漸進(jìn)增強(qiáng)自身的AI技能。
[attach]8241[/attach]
智能文本分類系統(tǒng)
智能文本分類系統(tǒng)是一款toB類型的應(yīng)用, 解決泛娛樂(lè)領(lǐng)域公司內(nèi)部對(duì)文本分類的需求, 用以支持推薦系統(tǒng), 精準(zhǔn)營(yíng)銷系統(tǒng)等, 它能夠?qū)⒏黝惙墙Y(jié)構(gòu)化文本進(jìn)行精確分類，打上一個(gè)或多個(gè)適合的標(biāo)簽.從系統(tǒng)本身角度: 系統(tǒng)內(nèi)包含很多NLP基礎(chǔ)任務(wù)的處理，比如分詞任務(wù)，命名實(shí)體識(shí)別任務(wù)等，又是機(jī)器翻譯，文本生成工作的基礎(chǔ)。因此，智能文本分類任務(wù)是學(xué)習(xí)NLP的必經(jīng)之路。
[attach]8242[/attach]
項(xiàng)目亮點(diǎn) 1.搭建多模型訓(xùn)練服務(wù),保證在訓(xùn)練過(guò)程中,進(jìn)行資源監(jiān)控和分配,得以高效率在有限資源內(nèi)進(jìn)行模型訓(xùn)練。
2.搭建多線程并行預(yù)測(cè)服務(wù),為了滿足性能要求,這里我們將利用多線程的方式,并對(duì)每一個(gè)獲得結(jié)果做最 后綜合處理。
3.圖譜權(quán)重更新,隨著模型的預(yù)測(cè)完成,將使用預(yù)測(cè)概率更新在該路徑權(quán)重,最后根據(jù)權(quán)重計(jì)算規(guī)則,
獲得最后結(jié)果。
4.使用n-gram特征工程,來(lái)捕捉詞序?qū)Y(jié)果的影響。
5.使用fasttext模型,適應(yīng)在語(yǔ)料變化大,模型數(shù)量規(guī)模大,模型上下線頻繁的場(chǎng)景。
智慧交通
汽車的日益普及在給人們帶來(lái)極大便利的同時(shí)，也導(dǎo)致了擁堵的交通路況，以及更為頻發(fā)的交通事故。智能交通技術(shù)已成為推動(dòng)現(xiàn)代技術(shù)交通技術(shù)發(fā)展的重要力量，智能交通不僅能夠提供實(shí)時(shí)的交通路況信息，幫助交通管理者規(guī)劃管理策略，而且還能優(yōu)化出行者的出行策略。還可以減輕交通道路的堵塞情況，降低交通事故的發(fā)生概率，提高道路運(yùn)行的安全系數(shù)。智慧交通項(xiàng)目利用深度學(xué)習(xí)技術(shù)，跟蹤路面實(shí)時(shí)車輛通行狀況，并逐幀記錄不同行車道車流量數(shù)目。車輛自動(dòng)計(jì)數(shù)系統(tǒng)由計(jì)數(shù)系統(tǒng)、圖像抓拍系統(tǒng)、實(shí)時(shí)監(jiān)控錄像系統(tǒng)組成，可在視頻看出每個(gè)車輛的連續(xù)幀路徑。該項(xiàng)目可拓展性強(qiáng)，可根據(jù)企業(yè)業(yè)務(wù)，外接計(jì)費(fèi)結(jié)算系統(tǒng)、LED顯示系統(tǒng)、語(yǔ)音播報(bào)系統(tǒng)、供電防雷系統(tǒng)等
項(xiàng)目展示：智慧交通技術(shù)架構(gòu)圖
[attach]8243[/attach]
在線醫(yī)生
在線醫(yī)生是一款toC類型的應(yīng)用, 以微信公眾號(hào)為依托, 用戶通過(guò)微信掃碼與在線AI醫(yī)生進(jìn)行交流，通過(guò)循序漸進(jìn)描述自己的癥狀, 在線醫(yī)生將逐步確定病情，同時(shí)也支持部分的閑聊功能，提升用戶
項(xiàng)目展示：
[attach]8244[/attach]
項(xiàng)目亮點(diǎn):1. 基于醫(yī)療知識(shí)圖譜的實(shí)體檢索技術(shù)。
2. 基于bert遷移學(xué)習(xí)的命名實(shí)體審核技術(shù)
3. 基于BiLSTM+CRF的命名實(shí)體識(shí)別技術(shù)
4. 基于微信公眾號(hào)和flask的模型部署服務(wù)
計(jì)算機(jī)視覺(jué)案例實(shí)戰(zhàn)
市場(chǎng)價(jià)值:綜合運(yùn)用計(jì)算機(jī)視覺(jué)及圖像處理相關(guān)技術(shù)，并將其用于企業(yè)業(yè)務(wù)場(chǎng)景及工業(yè)檢測(cè)如場(chǎng)景識(shí)別，手勢(shì)姿態(tài)識(shí)別，畫(huà)風(fēng)遷移及生成，人體姿態(tài)估計(jì)等多方應(yīng)用案例，通過(guò)案例實(shí)踐，能夠熟悉深度學(xué)習(xí)主要及前沿網(wǎng)絡(luò)模型的架構(gòu)原理及在實(shí)際業(yè)務(wù)場(chǎng)景中的應(yīng)用，結(jié)合實(shí)踐掌握深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)中的應(yīng)用。
學(xué)習(xí)內(nèi)容:1.視頻中場(chǎng)景識(shí)別案例
通過(guò)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)場(chǎng)景識(shí)別，與傳統(tǒng)的人工特征SIFT, HOG形成鮮明對(duì)比，通過(guò)訓(xùn)練模型，提取圖片中的特征，組合出更的特征，最終實(shí)現(xiàn)場(chǎng)景識(shí)別，是前沿的場(chǎng)景識(shí)別方法，通過(guò)本案例，可牢固掌握Deep Learning的網(wǎng)絡(luò)結(jié)構(gòu)、數(shù)據(jù)集增強(qiáng)方法，掌握CNN提取圖像特征和組合特征的特點(diǎn)并學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)提高模型容量和降低模型過(guò)擬合的方法。
[attach]8245[/attach]
2.垃圾圖片分類案例
紙巾再濕也是干垃圾？瓜子皮再干也是濕垃圾？你是否傻傻分不清？通過(guò)這個(gè)案例，你不僅能無(wú)障礙分類垃圾，
更能學(xué)會(huì)一系列深度學(xué)習(xí)技能，例如:
1,掌握EfficientNet等最新的深度神經(jīng)網(wǎng)絡(luò)模型;
2,掌握?qǐng)D片分類問(wèn)題高分優(yōu)化技巧;
3,學(xué)會(huì)使用分布式任務(wù)隊(duì)列Celery構(gòu)建企業(yè)級(jí)應(yīng)用等。
[attach]8246[/attach]
3.Flappy Bird的深度強(qiáng)化學(xué)習(xí)
本案例將完成如下游戲場(chǎng)景：障礙物以一定速度往左前行，小鳥(niǎo)拍打翅膀向上或向下飛翔來(lái)避開(kāi)障礙物，如果碰到障礙物，游戲就GAME OVER！而我們通過(guò)強(qiáng)化學(xué)習(xí)能夠使小鳥(niǎo)能夠自動(dòng)識(shí)別障礙物，做出正確的動(dòng)作（向上或向下飛翔）。
通過(guò)這個(gè)案例，你將學(xué)會(huì)：
1，深度強(qiáng)化學(xué)習(xí)模型訓(xùn)練及馬爾科夫決策原理
2，強(qiáng)化學(xué)習(xí)原理及貝爾曼優(yōu)化
3，將一個(gè)游戲決策問(wèn)題轉(zhuǎn)換成對(duì)瞬時(shí)多維圖像的分類識(shí)別問(wèn)題并運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行策略優(yōu)化
[attach]8247[/attach]
4.畫(huà)風(fēng)融合和遷移
通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)畫(huà)風(fēng)Style與內(nèi)容Content融合，最小化損失函數(shù)根據(jù)迭代最終生成手繪風(fēng)格圖像，其他案例如建筑物變化為梵高風(fēng)格，狗狗變成梵高風(fēng)格圖片等，都是基于深度神經(jīng)網(wǎng)絡(luò)自動(dòng)生成。
通過(guò)這個(gè)案例，你將學(xué)會(huì)：
1，基于深度神經(jīng)網(wǎng)絡(luò)完成圖像融合重構(gòu)及畫(huà)風(fēng)遷移
2、通過(guò)雙損失函數(shù)調(diào)節(jié)實(shí)現(xiàn)風(fēng)格內(nèi)容的比例制衡
3，神經(jīng)網(wǎng)絡(luò)自適應(yīng)匹配不同風(fēng)格畫(huà)作與寫(xiě)實(shí)畫(huà)風(fēng)融合，真正實(shí)現(xiàn)AI的藝術(shù)創(chuàng)作
[attach]8248[/attach]
5.畫(huà)風(fēng)融合及生成
通過(guò)生成對(duì)抗網(wǎng)絡(luò)網(wǎng)絡(luò)DCGAN等實(shí)現(xiàn)二次元圖片的自動(dòng)生成，通過(guò)這個(gè)案例，你將學(xué)會(huì)：
1，掌握非監(jiān)督圖像的生成技術(shù)及風(fēng)格遷移
2、了解深度卷積生成對(duì)抗網(wǎng)絡(luò)原理及其變體
3，掌握CycleGAN及特征解耦圖像生成技術(shù)
[attach]8249[/attach]
6.姿態(tài)估計(jì)及處理
手勢(shì)識(shí)別，人體姿態(tài)是人機(jī)交互領(lǐng)域一個(gè)重要的研究方向，本案例通過(guò)預(yù)測(cè)手勢(shì)或姿態(tài)進(jìn)行人機(jī)交互的技術(shù)其商用前景廣泛，通過(guò)這個(gè)案例，你將學(xué)會(huì)：
1，自底向上的方法：檢測(cè)圖像中的所有部件（即所有人的肢體關(guān)節(jié)），然后將屬于不同人的部件進(jìn)行關(guān)聯(lián)/分組。
2，自頂向下的方法：加入一個(gè)人體檢測(cè)器，然后分別估計(jì)各個(gè)部件，最后再計(jì)算每個(gè)人的姿態(tài)。
3，OpenPose，DeepCut，動(dòng)作捕捉和增強(qiáng)現(xiàn)實(shí)等相關(guān)原理及方法
[attach]8250[/attach]
自然語(yǔ)言處理(NLP)案例實(shí)戰(zhàn)
1.MSCOCO圖像說(shuō)明生成案例介紹
輸入為一張圖片，輸出該圖片的說(shuō)明描述文本。使用MSCOCO圖像數(shù)據(jù)集，基于seq2seq的模型架構(gòu)，編碼器使用InceptionV3的遷移預(yù)訓(xùn)練模型，在此基礎(chǔ)上進(jìn)行微調(diào)，提取圖像的表征。解碼器使用帶有attention機(jī)制的GRU模型，結(jié)合圖片表征循環(huán)生成文本，其中包含多個(gè)工程技巧。
[attach]8251[/attach]
2.IMDB影評(píng)情感分析案例介紹
輸入為一段影評(píng)文本，輸出為該段文本情感傾向。在這個(gè)案例中我們將使用多個(gè)不同隱層的RNN進(jìn)行效果對(duì)比，以獲得在IMDB標(biāo)注數(shù)據(jù)集上的最有表現(xiàn)，同時(shí)調(diào)節(jié)不同超參數(shù)，印證它們帶來(lái)的不同模型效果。
[attach]8252[/attach]
3.莎士比亞風(fēng)格的文本生成案例介紹
輸入為任意文本，循環(huán)輸出指定長(zhǎng)度的莎士比亞風(fēng)格的文本。以莎士比亞的劇作為訓(xùn)練樣本，使用GRU模型直接生成概率分布，通過(guò)random categorical進(jìn)行結(jié)果選擇，找到最有可能的生成方案。
[attach]8253[/attach]
4.西班牙語(yǔ)到英語(yǔ)的機(jī)器翻譯案例介紹
輸入為一段西班牙語(yǔ)，輸出為對(duì)應(yīng)同義的英文。以典型的西班牙語(yǔ)到英語(yǔ)的翻譯文本為語(yǔ)料，使用帶有attention機(jī)制的RNN模型，對(duì)Attention的效果進(jìn)行可視化分析，并不斷探尋這種機(jī)制的原理與改進(jìn)方案。
[attach]8254[/attach]
5.模型并行與分布式的實(shí)踐案例介紹
如何加快模型的訓(xùn)練和預(yù)測(cè)速度，使得在象牙塔中的理想模型能夠應(yīng)用于實(shí)際，促進(jìn)商業(yè)化發(fā)展，一直是困擾公司技術(shù)團(tuán)隊(duì)的關(guān)鍵問(wèn)題。該案例將從模型并行與分布式基本理論開(kāi)始，闡述這種技術(shù)方案如何改善以上問(wèn)題，并通過(guò)一系列實(shí)驗(yàn)對(duì)比結(jié)果論證方法的可行性。
[attach]8255[/attach]
6.應(yīng)用于bert模型的動(dòng)態(tài)量化技術(shù)案例介紹
隨著大型模型的出現(xiàn),各項(xiàng)任務(wù)的指標(biāo)都有了突飛猛進(jìn),但是如何將其部署在計(jì)算性能有限的場(chǎng)景下,如移動(dòng)設(shè)備,個(gè)人終端等,成為阻礙模型應(yīng)用的瓶頸,因此,模型壓縮技術(shù)開(kāi)始在工業(yè)界普及,尤其以能夠快速操作的動(dòng),靜態(tài)量化技術(shù)為主,該案例將詳細(xì)介紹在大型模型bert上的動(dòng)態(tài)量化技術(shù),對(duì)比量化后模型的性能情況。
[attach]8256[/attach]
[attach]8258[/attach]
目錄：
- ——/0000黑馬【年度鉆石會(huì)員】人工智能AI進(jìn)階2022年/
├──0000黑馬【年度鉆石會(huì)員】人工智能AI進(jìn)階
├──【 主學(xué)習(xí)路線】01、階段一 人工智能Python基礎(chǔ)
| ├──1–第一章 計(jì)算機(jī)組成原理
| | └──1–計(jì)算機(jī)原理
| ├──10–第十章 公共方法
| | ├──1–公共方法
| | └──2–推導(dǎo)式
| ├──11–第十一章 函數(shù)
| | ├──1–函數(shù)介紹
| | ├──10–函數(shù)參數(shù)二
| | ├──11–拆包, 交換變量
| | ├──12–引用
| | ├──2–函數(shù)參數(shù)一
| | ├──3–函數(shù)返回值一
| | ├──4–函數(shù)文檔說(shuō)明
| | ├──5–函數(shù)嵌套
| | ├──6–局部變量
| | ├──7–全局變量
| | ├──8–函數(shù)執(zhí)行流程
| | └──9–函數(shù)返回值二
| ├──12–第十二章 函數(shù)強(qiáng)化
| | ├──1–函數(shù)應(yīng)用學(xué)員管理系統(tǒng)
| | ├──2–課后練習(xí)(學(xué)員管理系統(tǒng))
| | ├──3–遞歸函數(shù)
| | ├──4–匿名函數(shù)
| | └──5–高階函數(shù)
| ├──13–第十三章 文件操作
| | ├──1–文件操作介紹
| | ├──2–文件讀寫(xiě)操作
| | ├──3–案例文件備份
| | └──4–文件及文件夾的相關(guān)操作
| ├──14–第十四章 面向?qū)ο?br />
| | ├──1–面向?qū)ο蠼榻B
| | ├──10–私有屬性和方法
| | ├──11–多態(tài)
| | ├──12–類屬性及相關(guān)方法
| | ├──2–類和對(duì)象
| | ├──3–對(duì)象屬性操作
| | ├──4–魔法方法
| | ├──5–案例烤地瓜
| | ├──6–案例 搬家具
| | ├──7–繼承
| | ├──8–子類重寫(xiě)父類屬性和方法
| | └──9–super方法使用
| ├──15–第十五章 異常
| | ├──1–異常介紹
| | ├──2–捕獲異常
| | ├──3–異常傳遞
| | └──4–自定義異常
| ├──16–第十六章 模塊
| | ├──1–模塊介紹
| | ├──2–模塊制作
| | └──3–python中的包
| ├──17–第十七章 學(xué)生管理系統(tǒng)(面向?qū)ο蟀?
| | └──1–學(xué)生管理系統(tǒng)(面向?qū)ο?
| ├──2–第二章 python基礎(chǔ)語(yǔ)法
| | ├──1–課程介紹
| | ├──2–注釋
| | ├──3–變量
| | ├──4–bug認(rèn)識(shí)
| | ├──5–數(shù)據(jù)類型
| | ├──6–輸出
| | ├──7–輸入
| | ├──8–數(shù)據(jù)類型轉(zhuǎn)換
| | └──9–運(yùn)算符
| ├──3–第三章 判斷語(yǔ)句
| | ├──1–判斷語(yǔ)句介紹
| | ├──2–if基本格式
| | ├──3–if…elif…else格式
| | ├──4–if嵌套
| | └──5–案例猜拳游戲
| ├──4–第四章 循環(huán)語(yǔ)句
| | ├──1–循環(huán)語(yǔ)句介紹
| | ├──2–while循環(huán)
| | ├──3–循環(huán)應(yīng)用
| | ├──4–break和continue
| | ├──5–while循環(huán)嵌套及應(yīng)用
| | ├──6–for循環(huán)
| | └──7–循環(huán)else應(yīng)用
| ├──5–第五章 字符串
| | ├──1–字符串介紹
| | ├──2–輸入輸出
| | ├──3–切片
| | └──4–字符串操作方法
| ├──6–第六章 列表
| | ├──1–列表相關(guān)操作
| | ├──2–列表循環(huán)遍歷
| | └──3–列表嵌套
| ├──7–第七章 元組
| | └──1–元組相關(guān)操作
| ├──8–第八章 字典
| | ├──1–字典介紹
| | ├──2–字典的常見(jiàn)操作
| | └──3–字典遍歷
| └──9–第九章 集合
| | └──1–集合的相關(guān)操作
├──【 主學(xué)習(xí)路線】02、階段二 人工智能Python高級(jí)
| ├──1–第一章 Linux基礎(chǔ)命令
| | ├──1–linux簡(jiǎn)介
| | └──2–linux相關(guān)命令
| ├──10–第十章 MySqL數(shù)據(jù)庫(kù)高級(jí)使用
| | ├──1–條件查詢
| | ├──2–實(shí)戰(zhàn)操作
| | ├──3–外鍵使用
| | ├──4–視圖
| | ├──5–事務(wù)
| | ├──6–索引
| | ├──7–設(shè)計(jì)范式
| | └──8–PyMySQL的使用
| ├──2–第二章 Linux高級(jí)命令
| | ├──1–linux高級(jí)操作
| | ├──2–遠(yuǎn)程控制
| | └──3–vim介紹
| ├──3–第三章 多任務(wù)編程
| | ├──1–多任務(wù)介紹
| | ├──2–多進(jìn)程介紹
| | ├──3–多線程介紹
| | ├──4–鎖的介紹
| | └──5–進(jìn)程和線程的對(duì)比
| ├──4–第四章 網(wǎng)絡(luò)編程
| | ├──1–ip和端口介紹
| | ├──2–TCP介紹
| | ├──3–TCP開(kāi)發(fā)流程
| | └──4–多任務(wù)案例
| ├──5–第五章 HTTP協(xié)議和靜態(tài)服務(wù)器
| | ├──1–HTTP協(xié)議
| | └──2–靜態(tài)web服務(wù)器搭建
| ├──6–第六章 閉包,裝飾器及python高級(jí)語(yǔ)法
| | ├──1–閉包
| | ├──2–裝飾器
| | ├──3–property語(yǔ)法
| | ├──4–with語(yǔ)法
| | └──5–python高級(jí)語(yǔ)法
| ├──7–第七章 正則表達(dá)式
| | └──1–正則表達(dá)式
| ├──8–第八章 數(shù)據(jù)結(jié)構(gòu)與算法
| | ├──1–算法概念
| | ├──10–選擇排序
| | ├──11–插入排序
| | ├──12–快速排序
| | ├──13–二分查找
| | ├──14–二叉樹(shù)
| | ├──15–二叉樹(shù)的遍歷
| | ├──2–時(shí)間復(fù)雜度
| | ├──3–空間復(fù)雜度
| | ├──4–數(shù)據(jù)結(jié)構(gòu)
| | ├──5–順序表
| | ├──6–鏈表
| | ├──7–棧
| | ├──8–隊(duì)列
| | └──9–冒泡排序
| └──9–第九章 MySql數(shù)據(jù)庫(kù)基本使用
| | ├──1–數(shù)據(jù)庫(kù)介紹
| | ├──2–數(shù)據(jù)表的基本操作
| | ├──3–where條件查詢
| | └──4–排序
├──【 主學(xué)習(xí)路線】03、階段三 人工智能機(jī)器學(xué)習(xí)
| ├──1–第一章 機(jī)器學(xué)習(xí)概述V2.1
| | └──1–機(jī)器學(xué)習(xí)介紹
| ├──10–第十章 決策樹(shù)V2.1
| | ├──1–信息增益
| | ├──2–特征提取
| | ├──3–案例泰坦生存預(yù)測(cè)
| | └──4–回歸決策樹(shù)
| ├──11–第十一章 集成學(xué)習(xí)V2.1
| | ├──1–集成介紹
| | ├──2–隨機(jī)森林案例
| | └──3–集成學(xué)習(xí)
| ├──12–第十二章 聚類算法V2.1
| | └──1–聚類算法
| ├──13–第十三章 樸素貝葉斯V2.1
| | └──1–樸素貝葉斯
| ├──14–第十四章 SVM算法V2.1
| | └──1–SVM算法
| ├──15–第十五章 EM算法V2.1
| | └──1–EM算法
| ├──16–第十六章 HMM算法V2.1
| | └──1–HMM算法
| ├──17–第十七章 集成學(xué)習(xí)進(jìn)階V2.1
| | ├──1–XGBoost算法
| | ├──2–otto案例
| | ├──3–lightGBM算法
| | └──4–絕地求生案例
| ├──2–第二章 環(huán)境安裝和使用V2.1
| | └──1–環(huán)境安裝及使用
| ├──3–第三章 matplotlibV2.1
| | └──1–matplotlib使用
| ├──4–第四章 numpyV2.1
| | └──1–numpy使用
| ├──5–第五章 pandasV2.1
| | ├──1–pandas數(shù)據(jù)結(jié)構(gòu)
| | ├──2–pandas基礎(chǔ)使用
| | ├──3–pandas高級(jí)使用
| | └──4–電影案例分析
| ├──6–第六章 seabornV2.1
| | ├──1–繪制統(tǒng)計(jì)圖
| | ├──2–分類數(shù)據(jù)繪圖
| | ├──3–NBA案例
| | └──4–北京租房數(shù)據(jù)統(tǒng)計(jì)分析
| ├──7–第七章 K近鄰算法V2.1
| | ├──1–k近鄰算法介紹
| | ├──2–kd樹(shù)
| | ├──3–數(shù)據(jù)集處理
| | ├──4–特征工程
| | ├──5–KNN總結(jié)
| | ├──6–交叉驗(yàn)證, 網(wǎng)格搜索
| | └──7–案例 Facebook位置預(yù)測(cè)
| ├──8–第八章 線性回歸V2.1
| | ├──1–回歸介紹
| | ├──2–損失優(yōu)化
| | └──3–回歸相關(guān)知識(shí)
| └──9–第九章 邏輯回歸V2.1
| | └──1–邏輯回歸
├──【 主學(xué)習(xí)路線】04、階段四 計(jì)算機(jī)視覺(jué)與圖像處理
| ├──1–第一章 課程簡(jiǎn)介_(kāi)v2.0
| | ├──1–深度學(xué)習(xí)
| | └──2–計(jì)算機(jī)視覺(jué)（CV）
| ├──10–第十章 圖像特征提取與描述_v2.0
| | ├──1–角點(diǎn)特征
| | ├──2–Harris和Shi-Tomas算法
| | ├──3–SIFT
| | ├──4–Fast和ORB算法
| | └──5–LBP和HOG特征算子
| ├──11–第十一章 視頻操作_v2.0
| | ├──1–視頻讀寫(xiě)
| | └──2–視頻追蹤
| ├──12–第十二章 案例人臉案例_v2.0
| | └──1–案例人臉案例
| ├──2–第二章 tensorflow入門_v2.0
| | ├──1–tensorflow和keras簡(jiǎn)介
| | └──2–快速入門模型
| ├──3–第三章 深度神經(jīng)網(wǎng)絡(luò)_v2.0
| | ├──1–神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
| | ├──2–常見(jiàn)的損失函數(shù)
| | ├──3–深度學(xué)習(xí)的優(yōu)化方法
| | ├──4–深度學(xué)習(xí)的正則化
| | ├──5–神經(jīng)網(wǎng)絡(luò)案例
| | └──6–卷積神經(jīng)網(wǎng)絡(luò)CNN
| ├──4–第四章 圖像分類_v2.0
| | ├──1–圖像分類簡(jiǎn)介
| | ├──2–AlexNet
| | ├──3–VGG
| | ├──4–GoogleNet
| | ├──5–ResNet
| | ├──6–圖像增強(qiáng)方法
| | └──7–模型微調(diào)
| ├──5–第五章 目標(biāo)檢測(cè)_v2.0
| | ├──1–目標(biāo)檢測(cè)概述
| | ├──2–R-CNN網(wǎng)絡(luò)基礎(chǔ)
| | ├──3–Faster-RCNN原理與實(shí)現(xiàn)
| | ├──4–yolo系列算法
| | ├──5–yoloV3案例
| | └──6–SSD模型介紹
| ├──6–第六章 圖像分割_v2.0
| | ├──1–目標(biāo)分割介紹
| | ├──2–語(yǔ)義分割：FCN與Unet
| | ├──3–Unet-案例
| | └──4–實(shí)例分割：MaskRCNN
| ├──7–第七章 OpenCV簡(jiǎn)介_(kāi)v2.0
| | ├──1–圖像處理簡(jiǎn)介
| | ├──2–OpenCV簡(jiǎn)介及安裝方法
| | └──3–OpenCV的模塊
| ├──8–第八章 OpenCV基本操作_v.2.0
| | ├──1–圖像的基礎(chǔ)操作
| | └──2–算數(shù)操作
| └──9–第九章 OpenCV圖像處理_v2.0
| | ├──1–幾何變換
| | ├──2–形態(tài)學(xué)操作
| | ├──3–圖像平滑
| | ├──4–直方圖
| | ├──5–邊緣檢測(cè)
| | ├──6–模版匹配和霍夫變換
| | └──7–輪廓檢測(cè)
├──【 主學(xué)習(xí)路線】05、階段五 NLP自然語(yǔ)言處理
| ├──1–第一章 Pytorch工具_(dá)v2.0
| | ├──1–認(rèn)識(shí)pytorch
| | ├──2– Pytorch中的autograd
| | ├──3–使用Pytorch構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)
| | └──4–使用Pytorch構(gòu)建一個(gè)分類器
| ├──10–第十章 遷移學(xué)習(xí)-v2.0
| | ├──1–遷移學(xué)習(xí)理論
| | ├──2–NLP中的標(biāo)準(zhǔn)數(shù)據(jù)集
| | ├──3–NLP中的常用預(yù)訓(xùn)練模型
| | ├──4–加載和使用預(yù)訓(xùn)練模型
| | └──5–遷移學(xué)習(xí)實(shí)踐
| ├──11–第十一章 BERT,Transformer的模型架構(gòu)與詳解-v2.0
| | ├──1–認(rèn)識(shí)BERT
| | ├──10–BERT模型的優(yōu)點(diǎn)和缺點(diǎn)
| | ├──11–BERT的MLM任務(wù)為什么采用80% 10% 10%的策略
| | ├──12–長(zhǎng)文本預(yù)測(cè)任務(wù)使用BERT如何構(gòu)造訓(xùn)練樣本
| | ├──2–Transformer的結(jié)構(gòu)是什么樣的 各個(gè)子模塊各有什么作用
| | ├──3–Transformer結(jié)構(gòu)中的Decoder端具體輸入
| | ├──4–Transformer中的self-attention
| | ├──5–采用Multi-head Attention的原因和計(jì)算規(guī)則
| | ├──6–Transformer相比于RNN的優(yōu)勢(shì)和原因
| | ├──7–Transformer可以代替seq2seq的原因
| | ├──8–self-attention公式中添加scaled的原因
| | └──9–Transformer架構(gòu)的并行化是如何進(jìn)行的
| ├──12–第十二章 ELMo, GPT等經(jīng)典模型的介紹與對(duì)比-v2.0
| | ├──1–認(rèn)識(shí)ELMo
| | ├──2–認(rèn)識(shí)GPT
| | ├──3–認(rèn)識(shí)GPT2
| | └──4–請(qǐng)?jiān)斒鯞ERT, GPT, ELMo模型的對(duì)比和各自的優(yōu)缺點(diǎn)
| ├──13–第十三章 HMM模型-v2.0
| | ├──1–馬爾科夫鏈
| | ├──2–HMM簡(jiǎn)介
| | ├──3–HMM模型基礎(chǔ)
| | └──4–維特比算法解碼隱藏狀態(tài)序列
| ├──14–第十四章 經(jīng)典的序列模型-v2.0
| | └──1–認(rèn)識(shí)HMM與CRF模型
| ├──2–第二章 自然語(yǔ)言處理NLP介紹-v2.0
| | └──1–NLP簡(jiǎn)介
| ├──3–第三章 文本預(yù)處理-v2.0
| | ├──1–認(rèn)識(shí)文本預(yù)處理
| | ├──2–文本處理的基本方法
| | ├──3–文本張量表示方法
| | ├──4–文本的數(shù)據(jù)分析
| | ├──5–文本的特征處理
| | └──6–文本數(shù)據(jù)增強(qiáng)
| ├──4–第四章 RNN架構(gòu)解析-v2.0
| | ├──1–認(rèn)識(shí)RNN模型
| | ├──2–傳統(tǒng)RNN模型
| | ├──3–LSTM模型
| | ├──4–GRU模型
| | └──5–注意力機(jī)制
| ├──5–第五章 RNN經(jīng)典案例-v2.0
| | ├──1–使用RNN模型構(gòu)建人名分類器
| | └──2–使用seq2seq模型架構(gòu)實(shí)現(xiàn)英譯法任務(wù)
| ├──6–第六章 莎士比亞風(fēng)格的文本生成任務(wù)-v2.0
| | └──1–莎士比亞風(fēng)格的文本生成任務(wù)
| ├──7–第七章 Transformer背景介紹-v2.0
| | └──1–Transformer背景介紹
| ├──8–第八章 Transformer架構(gòu)解析-v2.0
| | ├──1–認(rèn)識(shí)Transformer架構(gòu)
| | ├──10–編碼器
| | ├──11–解碼器層
| | ├──12–解碼器
| | ├──13–輸出部分實(shí)現(xiàn)
| | ├──14–模型構(gòu)建
| | ├──2–輸入部分實(shí)現(xiàn)
| | ├──3–掩碼張量
| | ├──4–注意力機(jī)制
| | ├──5–多頭注意力機(jī)制
| | ├──6–前饋全連接層
| | ├──7–規(guī)范化層
| | ├──8–子層連接結(jié)構(gòu)
| | └──9–編碼器層
| └──9–第九章 fasttext工具的使用-v2.0
| | ├──1–認(rèn)識(shí)fasttext工具
| | ├──2–進(jìn)行文本分類
| | ├──3–訓(xùn)練詞向量
| | └──4–詞向量遷移
├──【 主學(xué)習(xí)路線】06、階段六 人工智能項(xiàng)目實(shí)戰(zhàn)
| ├──1–第一章 智慧交通
| | ├──1–項(xiàng)目簡(jiǎn)介
| | ├──10–車流量統(tǒng)計(jì)
| | ├──11–相機(jī)校正
| | ├──12–相機(jī)校正和圖像去畸變
| | ├──13–車道線提取
| | ├──14–透視變換
| | ├──15–車道線定位與擬合
| | ├──16–車道曲率與車輛偏離中心線距離
| | ├──17–在視頻中進(jìn)行車道線檢測(cè)
| | ├──18–SIamese網(wǎng)絡(luò)系列（選學(xué)）
| | ├──19–跟蹤效果（選學(xué)）
| | ├──2–算法原理
| | ├──20–數(shù)據(jù)集處理（選學(xué)）
| | ├──21–網(wǎng)絡(luò)模型搭建（選學(xué)）
| | ├──22–網(wǎng)絡(luò)模型訓(xùn)練（選學(xué)）
| | ├──23–網(wǎng)絡(luò)模型測(cè)試（選學(xué)）
| | ├──24–網(wǎng)絡(luò)模型應(yīng)用（選學(xué)）
| | ├──3–多目標(biāo)跟蹤
| | ├──4–輔助功能
| | ├──5–卡爾曼濾波
| | ├──6–匈牙利算法
| | ├──7–數(shù)據(jù)關(guān)聯(lián)
| | ├──8–SORT
| | └──9–目標(biāo)檢測(cè)
| ├──2–第二章 在線醫(yī)生
| | ├──1–背景介紹
| | ├──10–結(jié)構(gòu)化數(shù)據(jù)流水線
| | ├──11–非結(jié)構(gòu)化數(shù)據(jù)流水線
| | ├──12–任務(wù)介紹與模型選用
| | ├──13–訓(xùn)練數(shù)據(jù)集
| | ├──14–BERT中文預(yù)訓(xùn)練模型
| | ├──15–構(gòu)建RNN模型
| | ├──16–進(jìn)行模型訓(xùn)練
| | ├──17–NE模型使用
| | ├──18–命名實(shí)體識(shí)別介紹
| | ├──19–BiLSTM介紹
| | ├──2–Unit對(duì)話API使用
| | ├──20–CRF介紹
| | ├──21–BiLSTM+CRF模型
| | ├──22–模型訓(xùn)練
| | ├──23–模型使用
| | ├──24–在線部分簡(jiǎn)要分析
| | ├──25–werobot服務(wù)構(gòu)建
| | ├──26–主要邏輯服務(wù)
| | ├──27–任務(wù)介紹與模型選用及訓(xùn)練數(shù)據(jù)集
| | ├──28–BERT中文預(yù)訓(xùn)練模型1
| | ├──29–微調(diào)模型
| | ├──3–在線醫(yī)生的總體架構(gòu)
| | ├──30–進(jìn)行模型訓(xùn)練1
| | ├──31–模型部署
| | ├──32–系統(tǒng)聯(lián)調(diào)與測(cè)試
| | ├──4–總體架構(gòu)中的工具介紹
| | ├──5–neo4j簡(jiǎn)介
| | ├──6–neo4j圖數(shù)據(jù)庫(kù)的安裝
| | ├──7–Cypher介紹與使用
| | ├──8–在Python中使用neo4j
| | └──9–離線部分簡(jiǎn)要分析
| ├──3–第三章 智能文本分類系統(tǒng)
| | ├──1–整體系統(tǒng)搭建
| | ├──2–構(gòu)建標(biāo)簽詞匯圖譜
| | ├──3–特征工程和fasttext模型訓(xùn)練
| | ├──4–多模型訓(xùn)練和預(yù)測(cè)
| | ├──5–系統(tǒng)聯(lián)調(diào)和測(cè)試
| | ├──6–泛娛樂(lè)推薦介紹
| | ├──7–召回模塊
| | └──8–排序模塊
| └──4–第四章 實(shí)時(shí)人臉識(shí)別檢測(cè)項(xiàng)目
| | ├──1–人臉識(shí)別
| | ├──2–口罩檢測(cè)
| | ├──3–Dlib模型訓(xùn)練
| | ├──4–活體檢測(cè)
| | └──5–屬性識(shí)別
├──【 主學(xué)習(xí)路線】07、階段七 人工智能面試強(qiáng)化（贈(zèng)送）
| ├──1–第一章 自動(dòng)編碼器
| | ├──1–自動(dòng)編碼器歷史與應(yīng)用介紹
| | ├──2–構(gòu)建自動(dòng)編碼器
| | ├──3–自動(dòng)編碼器改進(jìn)技巧
| | └──4–變分自動(dòng)編碼器
| ├──10–第十章 貝葉斯方法實(shí)現(xiàn)及粒子濾波
| | └──1–貝葉斯方法實(shí)現(xiàn)及粒子濾波
| ├──11–第十一章 深度強(qiáng)化學(xué)習(xí)
| | ├──1–強(qiáng)化學(xué)習(xí)
| | ├──2–Q-learning算法
| | └──3–Deep Q-Network
| ├──2–第二章 圖像分割應(yīng)用
| | └──1–圖像分割應(yīng)用介紹
| ├──3–第三章 生成對(duì)抗學(xué)習(xí)
| | └──1–生成對(duì)抗學(xué)習(xí)
| ├──4–第四章 算法進(jìn)階遷移學(xué)習(xí)
| | └──1–遷移學(xué)習(xí)介紹
| ├──5–第五章 模型可解釋
| | └──1–模型可解釋
| ├──6–第六章 模型壓縮
| | └──1–模型壓縮
| ├──7–第七章 終生學(xué)習(xí)
| | └──1–終生學(xué)習(xí)
| ├──8–第八章 算法進(jìn)階進(jìn)化學(xué)習(xí)
| | └──1–進(jìn)化學(xué)習(xí)
| └──9–第九章 貝葉斯方法
| | └──1–貝葉斯方法
├──【課外拓展】01、階段一 HR面試技巧
| ├──第二章 2-求職篇
| | └──0-1 求職篇
| ├──第三章 3-面試篇
| | └──0-1 面試篇
| ├──第四章 4-試用期篇
| | └──0-1 試用期
| └──第一章 1-HR面試技巧
| | ├──1-眾里尋他千百度，你的簡(jiǎn)歷在何處.mp4 170.16M
| | ├──10-應(yīng)聘企業(yè)早知道.mp4 40.64M
| | ├──11-談錢怎么不傷感情.mp4 55.63M
| | ├──12-工作中的困難，你是如何處理的？.mp4 53.16M
| | ├──13-描述你的個(gè)性.mp4 53.88M
| | ├──14-你的應(yīng)聘優(yōu)勢(shì)是什么.mp4 48.98M
| | ├──15-應(yīng)聘企業(yè)早知道.mp4 43.40M
| | ├──16-生活中的那些愛(ài)好，挑一個(gè)盤他.mp4 50.93M
| | ├──17-選擇機(jī)會(huì)重因素，個(gè)人心中要有數(shù).mp4 69.24M
| | ├──18-加班，你怎么看？.mp4 64.57M
| | ├──19-處于下風(fēng)？不存在的，幾招教你定乾坤！.mp4 77.22M
| | ├──2-面試前的那些“坑”.mp4 140.79M
| | ├──20-提問(wèn)的含金量，你知道嗎？.mp4 83.59M
| | ├──3-了解應(yīng)聘流程，做個(gè)有條不紊的人.mp4 80.36M
| | ├──4-自我介紹，你行嗎？.mp4 129.29M
| | ├──5-你的規(guī)劃你做主!.mp4 145.04M
| | ├──6-如何正視你的小缺點(diǎn).mp4 85.29M
| | ├──7-談?wù)勌勰切┦?mp4 53.47M
| | ├──8-與領(lǐng)導(dǎo)意見(jiàn)分歧，你是怎么做的？.mp4 54.19M
| | └──9-世界那么大，趨勢(shì)知多少？.mp4 37.09M
├──【課外拓展】02、階段二 贈(zèng)送-人臉支付
| └──第一章 1-人臉支付
| | ├──0-1 項(xiàng)目背景介紹
| | ├──0-2 人臉檢測(cè)子任務(wù)
| | ├──0-3 人臉姿態(tài)估計(jì)
| | ├──0-4 人臉多任務(wù)
| | ├──0-5 人臉識(shí)別
| | └──0-6 項(xiàng)目集成
├──【課外拓展】03、階段三 贈(zèng)送-文本摘要項(xiàng)目
| └──第一章 1-文本摘要項(xiàng)目
| | ├──0-1 文本摘要項(xiàng)項(xiàng)目背景介紹
| | ├──0-10 模型的預(yù)測(cè)
| | ├──0-11 詞向量的單獨(dú)訓(xùn)練
| | ├──0-12 模型的優(yōu)化
| | ├──0-13 PGN架構(gòu)
| | ├──0-14 數(shù)據(jù)預(yù)處理
| | ├──0-15 PGN數(shù)據(jù)特殊性分析
| | ├──0-16 迭代器和類的實(shí)現(xiàn)
| | ├──0-17 PGN模型的搭建
| | ├──0-18 PGN模型訓(xùn)練
| | ├──0-19 PGN模型預(yù)測(cè)
| | ├──0-2 項(xiàng)目中的數(shù)據(jù)集初探
| | ├──0-20 評(píng)估方法介紹
| | ├──0-21 BLEU算法理論
| | ├──0-22 ROUGE算法理論
| | ├──0-23 ROUGE算法實(shí)現(xiàn)
| | ├──0-24 coverage機(jī)制原理
| | ├──0-25 coverage模型類實(shí)現(xiàn)
| | ├──0-26 coverage訓(xùn)練和預(yù)測(cè)
| | ├──0-27 Beam-search原理介紹
| | ├──0-28 Beam-search模型類實(shí)現(xiàn)
| | ├──0-29 TF-IDF算法原理和實(shí)現(xiàn)
| | ├──0-3 TextRank算法理論基礎(chǔ)
| | ├──0-30 單詞替換法的類實(shí)現(xiàn)
| | ├──0-31 單詞替換法的訓(xùn)練和評(píng)估
| | ├──0-32 回譯數(shù)據(jù)法實(shí)現(xiàn)和評(píng)估
| | ├──0-33 半監(jiān)督學(xué)習(xí)法原理和實(shí)現(xiàn)
| | ├──0-34 訓(xùn)練策略原理和實(shí)現(xiàn)
| | ├──0-35 模型轉(zhuǎn)移實(shí)現(xiàn)
| | ├──0-36 GPU優(yōu)化原理和實(shí)現(xiàn)
| | ├──0-37 CPU優(yōu)化原理和實(shí)現(xiàn)
| | ├──0-38 Flask實(shí)現(xiàn)模型部署
| | ├──0-4 TextRank算法實(shí)現(xiàn)模型
| | ├──0-5 seq2seq架構(gòu)
| | ├──0-6 seq3seq架構(gòu)
| | ├──0-7 工具函數(shù)的實(shí)現(xiàn)
| | ├──0-8 模型類的搭建
| | └──0-9 模型的訓(xùn)練
├──【課外拓展】04、階段四 入學(xué)第一課
| └──無(wú)課程相關(guān)內(nèi)容
├──【課外拓展】05、階段五 階段一 python基礎(chǔ)（更新）
| ├──第二章 2-python面向?qū)ο?br />
| | ├──0-1 類定義及類屬性使用
| | ├──0-2 魔法方法
| | ├──0-3 案例-面向?qū)ο?br />
| | ├──0-4 面向?qū)ο蠓庋b與繼承
| | ├──0-5 面向?qū)ο蠖鄳B(tài)
| | └──0-6 類屬性方法
| └──第一章 1-python基礎(chǔ)編程
| | ├──0-1 python開(kāi)發(fā)環(huán)境搭建
| | ├──0-10 循環(huán)else
| | ├──0-11 字符串定義切片
| | ├──0-12 字符串查找，替換，合并
| | ├──0-13 列表定義及使用
| | ├──0-14 元祖定義及使用
| | ├──0-15 字典定義及使用
| | ├──0-16 案例-學(xué)生管理系統(tǒng)（一）
| | ├──0-17 集合定義及使用
| | ├──0-18 公共方法與推導(dǎo)式
| | ├──0-19 函數(shù)基本使用
| | ├──0-2 Python注釋與變量
| | ├──0-20 函數(shù)基本使用替代視頻（04,05,06）
| | ├──0-21 函數(shù)作用域
| | ├──0-22 不定長(zhǎng)參數(shù)與組包拆包
| | ├──0-23 案例-學(xué)生管理系統(tǒng)（二）
| | ├──0-24 基礎(chǔ)加強(qiáng)練習(xí)
| | ├──0-25 可變類型及非可變類型
| | ├──0-26 遞推
| | ├──0-27 遞歸
| | ├──0-28 lambda表達(dá)式
| | ├──0-29 文件基本操作
| | ├──0-3 Python數(shù)據(jù)類型
| | ├──0-30 文件操作案例
| | ├──0-31 案例-學(xué)生管理系統(tǒng)（三）
| | ├──0-32 python異常處理
| | ├──0-33 python模塊與包
| | ├──0-34 案例-飛機(jī)大戰(zhàn)
| | ├──0-4 Python格式化輸出
| | ├──0-5 Python運(yùn)算符
| | ├──0-6 Python分支語(yǔ)句
| | ├──0-7 while循環(huán)
| | ├──0-8 while循環(huán)案例
| | └──0-9 for循環(huán)及案例
├──【課外拓展】06、階段六 階段二 Python高級(jí)（更新）
| ├──第二章 2-SQL基礎(chǔ)
| | ├──0-1 數(shù)據(jù)庫(kù)基礎(chǔ)
| | ├──0-2 SQL語(yǔ)言基礎(chǔ)
| | ├──0-3 SQL約束
| | ├──0-4 SQL聚合
| | ├──0-5 SQL多表查詢
| | └──0-6 SQL高階特性
| ├──第三章 3-Python編程進(jìn)階
| | ├──0-1 函數(shù)的閉包
| | ├──0-10 進(jìn)程
| | ├──0-11 線程
| | ├──0-12 進(jìn)程線程對(duì)比
| | ├──0-13 With上下文管理器
| | ├──0-14 Python生成器
| | ├──0-15 Python中深淺拷貝
| | ├──0-16 Python中正則表達(dá)式
| | ├──0-17 正則表達(dá)式擴(kuò)展
| | ├──0-18 FastAPI搭建Web服務(wù)器
| | ├──0-19 Python爬蟲(chóng)
| | ├──0-2 裝飾器
| | ├──0-3 PyMySQL
| | ├──0-4 HTML基礎(chǔ)
| | ├──0-5 CSS基礎(chǔ)
| | ├──0-6 Socket網(wǎng)絡(luò)編程
| | ├──0-7 TCP服務(wù)器開(kāi)發(fā)
| | ├──0-8 靜態(tài)Weeb服務(wù)器
| | └──0-9 FastAPI
| └──第一章 1-Linux基礎(chǔ)
| | ├──0-1 Linux基礎(chǔ)
| | ├──0-2 Linux終端基本使用
| | ├──0-3 Linux常用命令(1)
| | └──0-4 Linux常用命令(2)
├──【課外拓展】07、階段七 階段三 機(jī)器學(xué)習(xí)（更新）
| ├──第二章 2-機(jī)器學(xué)習(xí)算法進(jìn)階
| | ├──0-1 決策樹(shù)算法
| | ├──0-2 樸素貝葉斯算法
| | ├──0-3 SVM算法
| | ├──0-4 聚類算法
| | ├──0-5 集成學(xué)習(xí)算法
| | └──0-6 機(jī)器學(xué)習(xí)算法回顧總結(jié)（有需要的同學(xué)可以看看）
| └──第一章 1-機(jī)器學(xué)習(xí)基礎(chǔ)算法
| | ├──0-1 人工智能原理基礎(chǔ)
| | ├──0-2 KNN算法
| | ├──0-3 線性回歸
| | └──0-4 邏輯回歸
├──【課外拓展】08、階段八 階段四—深度學(xué)習(xí)基礎(chǔ)補(bǔ)充視頻
| ├──01-深度學(xué)習(xí)基礎(chǔ)-TensorFlow和keras入門-張量計(jì)算增補(bǔ)-軸axis的意義.mp4 100.88M
| ├──02-深度學(xué)習(xí)基礎(chǔ)-TensorFlow和keras入門-張量計(jì)算增補(bǔ)-軸axis的應(yīng)用(1).mp4 134.81M
| ├──02-深度學(xué)習(xí)基礎(chǔ)-TensorFlow和keras入門-張量計(jì)算增補(bǔ)-軸axis的應(yīng)用.mp4 134.81M
| ├──03-深度學(xué)習(xí)基礎(chǔ)-深度神經(jīng)網(wǎng)絡(luò)-神經(jīng)網(wǎng)絡(luò)介紹-網(wǎng)絡(luò)是如何工作的-參數(shù)初始化增補(bǔ)-初始化方式的對(duì)比.mp4 132.24M
| ├──04-深度學(xué)習(xí)基礎(chǔ)-深度神經(jīng)網(wǎng)絡(luò)-神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法-反向傳播算法增補(bǔ)-數(shù)據(jù)傳輸過(guò)程(1).mp4 43.91M
| ├──04-深度學(xué)習(xí)基礎(chǔ)-深度神經(jīng)網(wǎng)絡(luò)-神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法-反向傳播算法增補(bǔ)-數(shù)據(jù)傳輸過(guò)程.mp4 43.91M
| ├──05-深度學(xué)習(xí)基礎(chǔ)-深度神經(jīng)網(wǎng)絡(luò)-神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法-反向傳播算法增補(bǔ)-前向傳播過(guò)程（輸入層到隱藏層）(1).mp4 38.46M
| ├──05-深度學(xué)習(xí)基礎(chǔ)-深度神經(jīng)網(wǎng)絡(luò)-神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法-反向傳播算法增補(bǔ)-前向傳播過(guò)程（輸入層到隱藏層）.mp4 38.46M
| ├──06-深度學(xué)習(xí)基礎(chǔ)-深度神經(jīng)網(wǎng)絡(luò)-神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法-反向傳播算法增補(bǔ)-前向傳輸過(guò)程（隱藏層到輸出層）(1).mp4 19.99M
| ├──06-深度學(xué)習(xí)基礎(chǔ)-深度神經(jīng)網(wǎng)絡(luò)-神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法-反向傳播算法增補(bǔ)-前向傳輸過(guò)程（隱藏層到輸出層）.mp4 19.99M
| ├──07-深度學(xué)習(xí)基礎(chǔ)-深度神經(jīng)網(wǎng)絡(luò)-神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法-反向傳播算法增補(bǔ)-損失函數(shù)的計(jì)算.mp4 49.95M
| ├──08-深度學(xué)習(xí)基礎(chǔ)-深度神經(jīng)網(wǎng)絡(luò)-神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法-反向傳播算法增補(bǔ)-輸出層權(quán)值的更新.mp4 65.37M
| ├──09-深度學(xué)習(xí)基礎(chǔ)-深度神經(jīng)網(wǎng)絡(luò)-神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法-反向傳播算法增補(bǔ)-隱藏層權(quán)值的更新.mp4 63.39M
| ├──10-深度學(xué)習(xí)基礎(chǔ)-深度神經(jīng)網(wǎng)絡(luò)-卷積神經(jīng)網(wǎng)絡(luò)CNN增補(bǔ)-網(wǎng)絡(luò)參數(shù)量的計(jì)算.mp4 155.78M
| ├──11-深度學(xué)習(xí)基礎(chǔ)-圖像分類-圖像分類案例補(bǔ)充(1)-任務(wù)介紹.mp4 51.45M
| ├──12-深度學(xué)習(xí)基礎(chǔ)-圖像分類-圖像分類案例補(bǔ)充(2)-數(shù)據(jù)接獲取與可視化.mp4 149.87M
| ├──13-深度學(xué)習(xí)基礎(chǔ)-圖像分類-圖像分類案例補(bǔ)充(3)-圖像增強(qiáng).mp4 27.15M
| ├──14-深度學(xué)習(xí)基礎(chǔ)-圖像分類-圖像分類案例補(bǔ)充(4)-Xception模型介紹.mp4 107.98M
| ├──15-深度學(xué)習(xí)基礎(chǔ)-圖像分類-圖像分類案例補(bǔ)充(5)-項(xiàng)目網(wǎng)絡(luò)介紹.mp4 131.99M
| ├──16-深度學(xué)習(xí)基礎(chǔ)-圖像分類-圖像分類案例補(bǔ)充(6)-網(wǎng)絡(luò)構(gòu)建（輸入流）.mp4 28.44M
| ├──17-深度學(xué)習(xí)基礎(chǔ)-圖像分類-圖像分類案例補(bǔ)充(7)-網(wǎng)絡(luò)構(gòu)建（中間流）.mp4 29.77M
| ├──18-深度學(xué)習(xí)基礎(chǔ)-圖像分類-圖像分類案例補(bǔ)充(8)-網(wǎng)絡(luò)構(gòu)建（輸出流）.mp4 41.05M
| ├──19-深度學(xué)習(xí)基礎(chǔ)-圖像分類-圖像分類案例補(bǔ)充(9)-模型訓(xùn)練.mp4 121.96M
| ├──20-深度學(xué)習(xí)基礎(chǔ)-圖像分類-圖像分類案例補(bǔ)充(10)-模型訓(xùn)練的實(shí)現(xiàn).mp4 22.20M
| └──21-深度學(xué)習(xí)基礎(chǔ)-圖像分類-圖像分類案例補(bǔ)充(11)-模型預(yù)測(cè).mp4 143.40M
├──【課外拓展】09、階段九 階段五—NLP基礎(chǔ)補(bǔ)充視頻
| ├──第一章 1-階段五—NLP基礎(chǔ)補(bǔ)充視頻
| | ├──0-1 文本預(yù)處理階段補(bǔ)充
| | ├──0-2 RNN及其變體階段補(bǔ)充
| | ├──0-3 Transformer階段補(bǔ)充
| | ├──0-4 遷移學(xué)習(xí)階段補(bǔ)充
| | └──0-5 虛擬機(jī)的使用
| ├──01-文本預(yù)處理-文本預(yù)處理-文本數(shù)據(jù)增強(qiáng)講解.mp4 14.12M
| ├──02-文本預(yù)處理-文本預(yù)處理-文本數(shù)據(jù)增強(qiáng)代碼實(shí)現(xiàn).mp4 14.17M
| ├──03-文本預(yù)處理- 新聞主題分類任務(wù)-數(shù)據(jù)加載方式的增補(bǔ)代碼解讀.mp4 9.12M
| ├──04-文本預(yù)處理-新聞主題分類任務(wù)-數(shù)據(jù)加載方式的增補(bǔ)文件補(bǔ)齊.mp4 5.40M
| ├──05-RNN及其變體-RNN架構(gòu)解析-注意力機(jī)制的增補(bǔ)內(nèi)容概念.mp4 9.78M
| ├──06-RNN及其變體-RNN架構(gòu)解析-注意力機(jī)制的增補(bǔ)流程梳理.mp4 20.46M
| ├──07-RNN及其變體-RNN架構(gòu)解析-注意力機(jī)制的增補(bǔ)attention機(jī)制模型.mp4 34.58M
| ├──08-RNN及其變體-RNN架構(gòu)解析-注意力機(jī)制的增補(bǔ)attention公式講解.mp4 21.86M
| ├──09-RNN及其變體-RNN架構(gòu)解析-注意力機(jī)制的增補(bǔ)attention應(yīng)用場(chǎng)景.mp4 14.74M
| ├──10-Transformer—新增案例機(jī)器翻譯模型-1模型的介紹.mp4 57.15M
| ├──11-Transformer—新增案例機(jī)器翻譯模型-數(shù)據(jù)的下載和vocab構(gòu)建.mp4 24.13M
| ├──12-Transformer—新增案例機(jī)器翻譯模型-3模型構(gòu)建.mp4 31.48M
| ├──13-Transformer—新增案例機(jī)器翻譯模型-4掩碼的構(gòu)建.mp4 15.05M
| ├──14-Transformer—新增案例機(jī)器翻譯模型-5數(shù)據(jù)批處理.mp4 13.79M
| ├──15-Transformer—新增案例機(jī)器翻譯模型-6構(gòu)建訓(xùn)練函數(shù)和評(píng)估函數(shù).mp4 32.81M
| ├──16-Transformer—新增案例機(jī)器翻譯模型-7訓(xùn)練模型和定義解碼函數(shù).mp4 22.58M
| ├──17-Transformer—新增案例機(jī)器翻譯模型-8翻譯函數(shù)的定義和9模型保存.mp4 13.30M
| ├──18-遷移學(xué)習(xí)—遷移理論—加載和使用預(yù)訓(xùn)練模型全小節(jié)增補(bǔ)-1tokenizer加載.mp4 22.91M
| ├──19-遷移學(xué)習(xí)—遷移理論—加載和使用預(yù)訓(xùn)練模型全小節(jié)增補(bǔ)-2加載帶頭和不帶頭的預(yù)訓(xùn)練模型.mp4 39.74M
| ├──20-遷移學(xué)習(xí)—遷移理論—加載和使用預(yù)訓(xùn)練模型全小節(jié)增補(bǔ)-3加載不帶頭的模型輸出結(jié)果.mp4 27.98M
| ├──21-遷移學(xué)習(xí)—遷移理論—加載和使用預(yù)訓(xùn)練模型全小節(jié)增補(bǔ)-4加載語(yǔ)言模型頭結(jié)果輸出.mp4 25.83M
| ├──22-遷移學(xué)習(xí)—遷移理論—加載和使用預(yù)訓(xùn)練模型全小節(jié)增補(bǔ)-5加載分類模型頭結(jié)果輸出.mp4 21.14M
| ├──23-遷移學(xué)習(xí)—遷移理論—加載和使用預(yù)訓(xùn)練模型全小節(jié)增補(bǔ)-6加載問(wèn)答模型頭結(jié)果輸出.mp4 45.77M
| ├──24-遷移學(xué)習(xí)—遷移理論—遷移學(xué)習(xí)實(shí)踐增補(bǔ)內(nèi)容-模型上傳.mp4 52.62M
| ├──25-遷移學(xué)習(xí)—遷移理論—遷移學(xué)習(xí)實(shí)踐增補(bǔ)內(nèi)容-模型上傳后加載使用.mp4 29.35M
| └──26-虛擬機(jī)的使用.mp4 14.09M
├──【課外拓展】10、階段十 CV基礎(chǔ)+項(xiàng)目（更新）
| ├──第二章 2-深度學(xué)習(xí)核心模型與實(shí)戰(zhàn)
| | ├──0-1 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
| | ├──0-2 卷積神經(jīng)網(wǎng)絡(luò)案例
| | ├──0-3 循環(huán)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
| | └──0-4 循環(huán)神經(jīng)網(wǎng)絡(luò)案例
| ├──第六章 6-04 – 智慧交通
| | ├──0-1 項(xiàng)目簡(jiǎn)介
| | ├──0-10 相機(jī)標(biāo)定
| | ├──0-11 圖像去畸變
| | ├──0-12 車道線提取
| | ├──0-13 透視變換
| | ├──0-14 車道線定位與擬合
| | ├──0-15 車道線曲率計(jì)算
| | ├──0-2 算法原理
| | ├──0-3 多目標(biāo)跟蹤
| | ├──0-4 卡爾曼濾波
| | ├──0-5 匈牙利算法
| | ├──0-6 sort
| | ├──0-7 yolo目標(biāo)檢測(cè)
| | ├──0-8 車流量統(tǒng)計(jì)
| | └──0-9 車道線檢測(cè)
| ├──第三章 3-01 – 目標(biāo)檢測(cè)
| | ├──0-1 目標(biāo)檢測(cè)概述
| | ├──0-2 FasterRCNN原理與實(shí)現(xiàn)
| | ├──0-3 FasterRCNN案例
| | ├──0-4 yolo v1-v3算法介紹
| | ├──0-5 yolo v4算法介紹
| | ├──0-6 yolo v5算法介紹
| | └──0-7 yolo v5案例
| ├──第四章 4-02 – OpenCV
| | ├──0-1 opencv簡(jiǎn)介
| | ├──0-2 幾何變換
| | ├──0-3 形態(tài)學(xué)操作
| | ├──0-4 圖形平滑
| | ├──0-5 直方圖
| | ├──0-6 邊緣檢測(cè)
| | ├──0-7 視頻讀寫(xiě)
| | └──0-8 視頻追蹤
| ├──第五章 5-03 – 人臉支付
| | ├──0-1 項(xiàng)目背景介紹
| | ├──0-2 人臉檢測(cè)子任務(wù)
| | ├──0-3 人臉姿態(tài)任務(wù)
| | ├──0-4 人臉多任務(wù)
| | ├──0-5 人臉識(shí)別
| | └──0-6 項(xiàng)目集成
| └──第一章 1-Pytorch與深度學(xué)習(xí)基礎(chǔ)
| | ├──0-1 Pytorch基礎(chǔ)
| | ├──0-2 Pytorch張量操作
| | ├──0-3 Pytorch高階操作
| | ├──0-4 Pytorch案例實(shí)戰(zhàn)
| | ├──0-5 深度學(xué)習(xí)基礎(chǔ)理論
| | ├──0-6 深度學(xué)習(xí)優(yōu)化理論
| | └──0-7 BP神經(jīng)網(wǎng)絡(luò)案例
├──人工智能課件
| ├──01-階段1-3（python基礎(chǔ) 、python高級(jí)、機(jī)器學(xué)習(xí)）
| | ├──02-虛擬機(jī)環(huán)境
| | ├──01-Python+機(jī)器學(xué)習(xí)課程環(huán)境使用說(shuō)明(1).pdf 3.78M
| | ├──01-階段1-3（python基礎(chǔ) 、python高級(jí)、機(jī)器學(xué)習(xí)）.zip 2.22G
| | ├──AI虛擬機(jī)使用常見(jiàn)問(wèn)題匯總(1).pdf 646.33kb
| | └──Azure機(jī)器學(xué)習(xí)模型搭建實(shí)驗(yàn)(1).doc 1.70M
| ├──02-階段4 （計(jì)算機(jī)視覺(jué)CV) 階段6 （CV項(xiàng)目）
| | ├──02-虛擬機(jī)環(huán)境
| | └──02-階段4 （計(jì)算機(jī)視覺(jué)CV) 階段6 （CV項(xiàng)目）.zip 439.07M
| ├──03-階段5（自然語(yǔ)言處理NLP）、階段6（NLP項(xiàng)目）
| | ├──02-NLP虛擬機(jī)環(huán)境
| | └──03-階段5（自然語(yǔ)言處理NLP）、階段6（NLP項(xiàng)目）.zip 10.50G
| ├──階段測(cè)試題
| | ├──階段1—測(cè)試
| | ├──階段2—測(cè)試
| | ├──階段3—測(cè)試
| | ├──階段4—測(cè)試
| | ├──階段5—測(cè)試
| | └──.DS_Store 6.00kb
| ├──Iris數(shù)據(jù)集
| | ├──iris.csv 4.86kb
| | └──iris.txt 4.85kb
| ├──01-計(jì)算機(jī)視覺(jué)CV課程環(huán)境使用說(shuō)明文檔.pdf 3.59M
| └──機(jī)器學(xué)習(xí)梳理總結(jié)xmind.zip 8.61M
[復(fù)制鏈接]
發(fā)表于 2023-2-4 22:20:01
收藏