人工智能全套视频+源码+课件

yubin057

百战人工智能开发及远景介绍（预科）  
|   ├──1_何为机器学习 .mp4  264.21M
|   ├──2_人工智能与机器学习关系 .mp4  81.52M
|   ├──3_人工智能应用与价值 .mp4  116.97M
|   ├──4_有监督机器学习训练流程 .mp4  111.23M
|   ├──5_有监督机器学习训练流程 .mp4  111.23M
|   ├──6_Python机器学习库Scikit-Learn介绍 .mp4  341.64M
|   └──7_理解线性与回归 .mp4  48.74M
├──02_线性回归深入和代码实现  
|   ├──01.视频  
|   |   ├──01_机器学习是什么_(new) .mp4  104.12M
|   |   ├──02_怎么做线性回归_(new) .mp4  127.86M
|   |   ├──03_理解回归_最大似然函数_(new) .mp4  60.86M
|   |   └──04_应用正太分布概率密度函数_对数总似然 .mp4  55.68M
|   ├──代码  
|   |   ├──linear_regression_0 .py  0.84kb
|   |   └──linear_regression_1 .py  0.42kb
|   ├──软件  
|   |   ├──Anaconda3-4.2.0-Windows-x86_64 .exe  391.42M
|   |   └──pycharm-community-2017.3.3 .exe  188.67M
|   └──资料  
|   |   ├──机器学习是什么 .txt  1.00kb
|   |   └──线性回归 .txt  2.59kb
├──03_梯度下降和过拟合和归一化  
|   ├──01.视频  
|   |   ├──01_梯度下降法思路_导函数有什么用 .mp4  686.00M
|   |   ├──02_推导线性回归损失函数导函数_以及代码实现批量梯度下降 .mp4  665.95M
|   |   ├──03_随机梯度下降_及代码实现_mini-batchGD_调整学习率 .mp4  580.36M
|   |   ├──04_梯度下降做归一化的必要性 .mp4  783.75M
|   |   ├──05_最大值最小值归一化_sklearn官网介绍_防止过拟合W越少越小 .mp4  849.28M
|   |   ├──06_过拟合的总结 .mp4  348.88M
|   |   └──07_岭回归_以及代码调用 .mp4  597.53M
|   ├──代码  
|   |   ├──batch_gradient_descent .py  0.80kb
|   |   ├──elastic_net .py  0.51kb
|   |   ├──lasso_regression .py  0.53kb
|   |   └──ridge_regression .py  0.60kb
|   └──资料  
|   |   ├──过拟合 .png  16.59kb
|   |   └──梯度下降法 .txt  5.18kb
├──04_逻辑回归详解和应用  
|   ├──01.视频  
|   |   ├──01_Lasso_ElasticNet_PolynomialFeatures .mp4  803.89M
|   |   ├──02_多项式回归代码_保险案例数据说明 .mp4  862.61M
|   |   ├──03_相关系数_逻辑回归介绍 .mp4  695.77M
|   |   ├──04_逻辑回归的损失函数_交叉熵_逻辑回归对比多元线性回归 .mp4  719.83M
|   |   ├──05_逻辑回归sklearn处理鸢尾花数据集 .mp4  519.14M
|   |   └──06_逻辑回归多分类转成多个二分类详解 .mp4  537.49M
|   ├──代码  
|   |   ├──elastic_net .py  0.51kb
|   |   ├──insurance .py  1.23kb
|   |   ├──lasso_regression .py  0.54kb
|   |   ├──logistic_regression .py  1.95kb
|   |   ├──polynomial_regression .py  0.83kb
|   |   └──ridge_regression .py  0.60kb
|   └──资料  
|   |   ├──insurance .csv  54.32kb
|   |   ├──逻辑回归 .txt  3.00kb
|   |   ├──逻辑回归多分类 .png  47.44kb
|   |   └──线性回归2 .txt  3.22kb
├──05_分类器项目案例和神经网络算法  
|   ├──01.视频  
|   |   ├──01_理解维度_音乐分类器数据介绍 .mp4  743.03M
|   |   ├──02_傅里叶变化原理_傅里叶代码应用_傅里叶优缺点 .mp4  588.43M
|   |   ├──03_逻辑回归训练音乐分类器代码_测试代码 .mp4  292.12M
|   |   ├──04_人工神经网络开始 .mp4  802.40M
|   |   ├──05_神经网络隐藏层的必要性 .mp4  529.60M
|   |   └──06_神经网络案例_sklearn_concrete .mp4  630.69M
|   ├──代码  
|   |   ├──logistic .py  7.40kb
|   |   └──neural_network .py  0.49kb
|   └──资料  
|   |   ├──concrete .csv  40.44kb
|   |   ├──machine-learning .pdf  1.12M
|   |   ├──R04_神经网络 .pdf  459.35kb
|   |   ├──sine_a .wav  17.30kb
|   |   ├──sine_b .wav  17.30kb
|   |   ├──sine_mix .wav  17.30kb
|   |   ├──trainset .rar  26.96M
|   |   ├──理解维度_升维 .png  17.90kb
|   |   ├──神经网络 .txt  1.46kb
|   |   └──图片1 .png  132.46kb
├──06_多分类、决策树分类、随机森林分类  
|   ├──01.视频  
|   |   ├──00_机器学习有监督无监督 .mp4  45.04M
|   |   ├──01_逻辑回归多分类图示理解_逻辑回归和Softmax区别 .mp4  97.56M
|   |   ├──02_Softmax图示详解_梯度下降法整体调参 .mp4  100.82M
|   |   ├──03_评估指标_K折交叉验证 .mp4  142.64M
|   |   ├──04_决策树介绍 .mp4  146.62M
|   |   ├──05_随机森林_优缺点_对比逻辑回归_剪枝 .mp4  124.14M
|   |   └──06_决策树_随机森林_sklearn代码调用 .mp4  294.24M
|   ├──代码  
|   |   ├──decision_tree_regressor .py  1.06kb
|   |   ├──iris_bagging_tree .py  1.58kb
|   |   ├──iris_decision_tree .py  1.97kb
|   |   └──iris_random_forest .py  1.18kb
|   └──资料  
|   |   ├──Softmax画图剖析 .png  39.10kb
|   |   ├──逻辑回归多分类画图剖析 .png  41.95kb
|   |   ├──逻辑回归二分类画图剖析 .png  27.05kb
|   |   ├──随机森林 .pdf  476.36kb
|   |   ├──梯度下降训练过程 .png  62.52kb
|   |   └──线性回归(评估) .pdf  2.56M
├──07_分类评估、聚类  
|   ├──01.视频  
|   |   ├──01_评估指标 .mp4  997.46M
|   |   ├──02_监督学习评估指标代码调用 .mp4  258.97M
|   |   ├──03_相似度测量 .mp4  127.58M
|   |   ├──04_K-Means聚类 .mp4  149.78M
|   |   └──05_KMeans聚类的应用 .mp4  245.77M
|   ├──代码  
|   |   ├──cluster_images .py  2.45kb
|   |   ├──cluster_kmeans .py  3.84kb
|   |   └──mnist .py  4.58kb
|   └──资料  
|   |   ├──test_data_home  
|   |   ├──flower2 .png  1.41M
|   |   ├──Lena .png  596.76kb
|   |   ├──temp_5 .png  4.13kb
|   |   └──聚类 .pdf  6.39M
├──08_密度聚类、谱聚类  
|   ├──01.视频  
|   |   ├──01_聚类的评估_metrics代码 .mp4  636.68M
|   |   ├──02_密度聚类_代码实现 .mp4  140.90M
|   |   └──03_谱聚类 .mp4  66.13M
|   ├──代码  
|   |   ├──cluster_DBSCAN .py  2.26kb
|   |   ├──cluster_metrics .py  1.29kb
|   |   └──cluster_spectral .py  1.66kb
|   └──资料  
├──09_深度学习、TensorFlow安装和实现线性回归  
|   ├──01.视频  
|   |   ├──00_pip安装源设置 .mp4  17.68M
|   |   ├──01_TensorFlow介绍与安装 .mp4  201.94M
|   |   ├──02_TensorFlow CUDA GPU安装说明_TF使用 .mp4  154.54M
|   |   ├──03_TensorFlow代码初始_解析解多元线性回归实现 .mp4  112.86M
|   |   └──04_tensorflow来代码实现线性回归_梯度下降优化 .mp4  122.54M
|   ├──代码  
|   |   ├──00_tensorflow_version .py  0.05kb
|   |   ├──01_first_graph .py  1.95kb
|   |   ├──02_better_session_run .py  0.39kb
|   |   ├──03_global_variables_initializer .py  0.34kb
|   |   ├──04_interactive_session .py  0.77kb
|   |   ├──05_manager_graph .py  0.52kb
|   |   ├──06_lifecycle .py  0.75kb
|   |   ├──07_linear_regression .py  0.98kb
|   |   ├──08_manually_gradients .py  1.77kb
|   |   ├──09_autodiff .py  2.00kb
|   |   ├──10_using_optimizer .py  2.62kb
|   |   ├──11_placeholder .py  0.95kb
|   |   └──12_Softmax_regression .py  2.60kb
|   └──资料  
|   |   └──TensorFlow初识 .pdf  1.90M
├──10_TensorFlow深入、TensorBoard可视化  
|   ├──01.视频  
|   |   ├──01_placeholder代码详解_TF构建Softmax回归计算图 .mp4  1.12G
|   |   ├──02_TF对Softmax回归训练_评估代码实现 .mp4  142.28M
|   |   ├──03_TF的模型持久化_重新加载 .mp4  38.04M
|   |   └──04_模块化 .mp4  24.07M
|   ├──代码  
|   |   ├──11_placeholder .py  0.95kb
|   |   ├──12_Softmax_regression .py  2.60kb
|   |   ├──13_saving_model .py  2.25kb
|   |   ├──14_restoring_model .py  1.57kb
|   |   ├──15_modularity_ .py  0.62kb
|   |   ├──15_modularity .py  0.73kb
|   |   ├──16_DNN .py  4.19kb
|   |   ├──17_tensorboard .py  6.16kb
|   |   ├──18_convolution .py  1.16kb
|   |   └──19_pooling .py  1.06kb
|   └──资料  
|   |   ├──MNIST_data_bak  
|   |   └──TensorFlow热恋 .pdf  2.04M
├──11_DNN深度神经网络手写图片识别  
|   ├──01.视频  
|   |   ├──01_深度学习DNN是什么 .mp4  1.11G
|   |   └──02_TF训练2层DNN来进行手写数字识别 .mp4  116.83M
|   ├──代码  
|   |   └──16_DNN .py  4.19kb
|   └──资料  
|   |   ├──MNIST_data_bak  
|   |   └──TensorFlow热恋 .pdf  2.04M
├──12_TensorBoard可视化  
|   ├──01.视频  
|   |   ├──01_TensorBoard代码 .mp4  503.35M
|   |   └──02_TensorBoard启动以及页面 .mp4  74.84M
|   └──代码  
|   |   └──17_tensorboard .py  6.16kb
├──13_卷积神经网络、CNN识别图片  
|   ├──01.视频  
|   |   ├──01_卷积1个通道的计算__垂直水平fiter图片 .mp4  789.93M
|   |   ├──01_图释对比原始图片和卷积FeatureMap .mp4  30.53M
|   |   ├──02_三通道卷积_池化层的意思 .mp4  191.20M
|   |   ├──03_CNN架构图LeNet5架构 .mp4  85.28M
|   |   ├──04_CNN来对MNIST进行图片识别代码实现 .mp4  227.44M
|   |   └──05_TF使用CNN来做Cifar10数据集分类任务 .mp4  483.90M
|   ├──代码  
|   |   ├──tensorflow_cnn_alexnet .py  8.56kb
|   |   ├──tensorflow_cnn_cifar10 .py  11.86kb
|   |   ├──tensorflow_cnn_mnist .py  5.59kb
|   |   └──tensorflow_cnn_vgg .py  2.21kb
|   └──资料  
|   |   └──tutorials .rar  101.24kb
├──14_卷积神经网络深入、AlexNet模型实现  
|   ├──01.视频  
|   |   ├──01_解决梯度消失的三个思路 .mp4  976.77M
|   |   ├──02_反向传播计算W对应的梯度 .mp4  128.86M
|   |   └──03_AlexNet五层卷积benchmark代码实现 .mp4  103.16M
|   ├──代码  
|   |   ├──tensorflow_cnn_alexnet .py  8.56kb
|   |   ├──tensorflow_cnn_cifar10 .py  11.86kb
|   |   ├──tensorflow_cnn_mnist .py  5.59kb
|   |   └──tensorflow_cnn_vgg .py  2.21kb
|   └──资料  
|   |   ├──test_data_home  
|   |   └──TensorFlow热恋 .pdf  2.05M
└──15_Keras深度学习框架  
|   ├──01.视频  
|   |   ├──01_Keras开篇 .mp4  93.46M
|   |   ├──02_Keras构建模型_Keras使用MNIST数据集训练CNN .mp4  147.45M
|   |   ├──03_Keras调用VGG16来训练 .mp4  168.25M
|   |   └──04_深度学习更种优化算法 .mp4  79.49M
|   ├──代码  
|   |   ├──00_hello_keras .py  0.56kb
|   |   ├──01_keras_model_sequential_ .py  0.28kb
|   |   ├──01_keras_model_sequential .py  0.74kb
|   |   ├──02_keras_model_model .py  1.55kb
|   |   ├──03_keras_mnist .py  2.90kb
|   |   └──04_keras_vgg16 .py  3.88kb
|   └──资料  
|   |   ├──test_data_home  
|   |   └──TensorFlow热恋 .pdf  2.05M

游客，如果您要查看本帖隐藏内容请回复

nandenong

激动人心，无法言表！

taipingyang2021

强烈支持楼主ing……

com

激动人心，无法言表！

cold_fly

强烈支持楼主ing……

draak

我只是路过打酱油的。

kanpic

如果您要查看本帖隐藏内容

asdfg

强烈支持楼主ing……

三级建造师彭工

看到这帖子真是高兴！

alon920

无回帖，不论坛，这才是人道。