咕泡学院-人工智能深度学习系统班（第14期）

520

├─01-【直播课】直播回放
│      1.开班典礼：如何学好人工智能学科.mp4
│      2.神经网络.mp4
│      3.卷积神经网络.mp4
│      4.transformer解读.mp4
│      
├─02-【基础模块】Al课程所需安装软件教程
│      1.AI课程所需安装软件教程.mp4
│      2.Python环境安装和搭建.mp4
│      3.Anaconda基础讲解和使用的教程.mp4
│      4.PyTorch框架与其他框架区别分析.mp4
│      5.CPU与GPU版本安装方法解读.mp4
│      
├─03-【基础模块】深度学习基础与框架
│  ├─1.神经网络结构
│  │      神经网络结构.mp4
│  │      
│  ├─2.PyTorch框架必备核心模块解读
│  │      1-PyTorch实战课程简介.mp4
│  │      2-PyTorch框架发展趋势简介.mp4
│  │      3-框架安装方法（CPU与GPU版本）.mp4
│  │      4-PyTorch基本操作简介.mp4
│  │      5-自动求导机制.mp4
│  │      6-线性回归DEMO-数据与参数配置.mp4
│  │      7-线性回归DEMO-训练回归模型.mp4
│  │      8-补充：常见tensor格式.mp4
│  │      9-补充：Hub模块简介.mp4
│  │      
│  ├─3.神经网络分类任务
│  │      1-数据集与任务概述.mp4
│  │      2-基本模块应用测试.mp4
│  │      3-网络结构定义方法.mp4
│  │      4-数据源定义简介.mp4
│  │      5-损失与训练模块分析.mp4
│  │      6-训练一个基本的分类模型.mp4
│  │      7-参数对结果的影响.mp4
│  │      
│  ├─4.神经网络回归：气温预测
│  │      神经网络回归任务-气温预测.mp4
│  │      
│  └─5.Pycharm环境配置与Debug演示
│          Pycharm环境配置与Debug演示(没用过的同学必看).mp4
│         
├─04-【基础模块】深度学习核心算法与实践
│  ├─1.卷积神经网络深度解析
│  │      卷积神经网络.mp4
│  │      
│  ├─2.卷积网络参数分析与优化
│  │      1-输入特征通道分析.mp4
│  │      2-卷积网络参数解读.mp4
│  │      3-卷积网络模型训练.mp4
│  │      
│  ├─3.ResNet模型及其应用
│  │      1-医学疾病数据集介绍.mp4
│  │      2-Resnet网络架构原理分析.mp4
│  │      3-dataloader加载数据集.mp4
│  │      4-Resnet网络前向传播.mp4
│  │      5-残差网络的shortcut操作.mp4
│  │      6-特征图升维与降采样操作.mp4
│  │      7-网络整体流程与训练演示.mp4
│  │      
│  ├─4.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
│  │      10-测试结果演示分析.mp4
│  │      2-数据增强模块.mp4
│  │      3-数据集与模型选择.mp4
│  │      4-迁移学习方法解读.mp4
│  │      5-输出层与梯度设置.mp4
│  │      6-输出类别个数修改.mp4
│  │      7-优化器与学习率衰减.mp4
│  │      8-模型训练方法.mp4
│  │      9-重新训练全部模型.mp4
│  │      
│  ├─5.DataLoader自定义数据集制作
│  │      1-Dataloader要完成的任务分析.mp4
│  │      2-图像数据与标签路径处理.mp4
│  │      3-Dataloader中需要实现的方法分析.mp4
│  │      4-实用Dataloader加载数据并训练模型.mp4
│  │      
│  ├─6.RNN网络架构
│  │      RNN网络架构.mp4
│  │      
│  ├─7.LSTM网络架构
│  │      LSTM网络架构.mp4
│  │      
│  ├─8.LSTM文本分类
│  │      1-数据集与任务目标分析.mp4
│  │      2-文本数据处理基本流程分析.mp4
│  │      3-命令行参数与DEBUG.mp4
│  │      4-训练模型所需基本配置参数分析.mp4
│  │      5-预料表与字符切分.mp4
│  │      6-字符预处理转换ID.mp4
│  │      7-LSTM网络结构基本定义.mp4
│  │      8-网络模型预测结果输出.mp4
│  │      9-模型训练任务与总结.mp4
│  │      
│  └─9.Transformer基础
│          1-Transformer.mp4
│          2-transformer-VIT源码解读.mp4
│          3-GITHUB开源项目使用方法.mp4
│         
├─05-【方向A：CV方向】图像处理基础
│  ├─1.课程介绍与环境配置
│  │      1-课程简介.mp4
│  │      2-Python与Opencv配置安装.mp4
│  │      3-Notebook与IDE环境.mp4
│  │      
│  ├─10.OpenCV项目实战-停车场车位识别
│  │      1-任务整体流程.mp4
│  │      2-所需数据介绍.mp4
│  │      3-图像数据预处理.mp4
│  │      4-车位直线检测.mp4
│  │      5-按列划分区域.mp4
│  │      6-车位区域划分.mp4
│  │      7-识别模型构建.mp4
│  │      8-基于视频的车位检测.mp4
│  │      
│  ├─11.OpenCV项目实战-答题卡识别判卷
│  │      1-整体流程与效果概述.mp4
│  │      2-预处理操作.mp4
│  │      3-填涂轮廓检测.mp4
│  │      4-选项判断识别.mp4
│  │      
│  ├─12.OpenCV项目实战-目标追踪
│  │      1-目标追踪概述.mp4
│  │      2-多目标追踪实战.mp4
│  │      3-深度学习检测框架加载.mp4
│  │      4-基于dlib与ssd的追踪.mp4
│  │      5-多进程目标追踪.mp4
│  │      6-多进程效率提升对比.mp4
│  │      
│  ├─13.OpenCV项目实战-疲劳检测
│  │      1-关键点定位概述.mp4
│  │      2-获取人脸关键点.mp4
│  │      3-定位效果演示.mp4
│  │      4-闭眼检测.mp4
│  │      5-检测效果.mp4
│  │      
│  ├─2.OpenCV图像常?处理?法实例
│  │      1-计算机眼中的图像.mp4
│  │      10-膨胀操作.mp4
│  │      11-开运算与闭运算.mp4
│  │      12-梯度计算.mp4
│  │      13-礼帽与黑帽.mp4
│  │      2-视频的读取与处理.mp4
│  │      3-ROI区域.mp4
│  │      4-边界填充.mp4
│  │      5-数值计算.mp4
│  │      6-图像阈值.mp4
│  │      7-图像平滑处理.mp4
│  │      8-高斯与中值滤波.mp4
│  │      9-腐蚀操作.mp4
│  │      
│  ├─3.OpenCV梯度计算与边缘检测实例
│  │      1-Canny边缘检测流程.mp4
│  │      2-非极大值抑制.mp4
│  │      3-边缘检测效果.mp4
│  │      4-Sobel算子.mp4
│  │      5-梯度计算方法.mp4
│  │      6-scharr与lapkacian算子.mp4
│  │      
│  ├─4.OpenCV轮廓检测与直?图
│  │      1-图像金字塔定义.mp4
│  │      10-均衡化效果.mp4
│  │      11-傅里叶概述.mp4
│  │      12-频域变换结果.mp4
│  │      13-低通与高通滤波.mp4
│  │      2-金字塔制作方法.mp4
│  │      3-轮廓检测方法.mp4
│  │      4-轮廓检测结果.mp4
│  │      5-轮廓特征与近似.mp4
│  │      6-模板匹配方法.mp4
│  │      7-匹配效果展示.mp4
│  │      8-直方图定义.mp4
│  │      9-均衡化原理.mp4
│  │      
│  ├─5.OpenCV角点检测
│  │      1-角点检测基本原理.mp4
│  │      2-基本数学原理.mp4
│  │      3-求解化简.mp4
│  │      4-特征归属划分.mp4
│  │      5-opencv角点检测效果.mp4
│  │      
│  ├─6.OpenCV尺度空间
│  │      1-尺度空间定义.mp4
│  │      2-高斯差分金字塔.mp4
│  │      3-特征关键点定位.mp4
│  │      4-生成特征描述.mp4
│  │      5-特征向量生成.mp4
│  │      6-opencv中sift函数使用.mp4
│  │      
│  ├─7.OpenCV高级图像处理技术
│  │      1-特征匹配方法.mp4
│  │      10-Lucas-Kanade算法.mp4
│  │      11-推导求解.mp4
│  │      12-光流估计实战.mp4
│  │      13-dnn模块.mp4
│  │      14-模型加载结果输出.mp4
│  │      2-RANSAC算法.mp4
│  │      3-图像拼接方法.mp4
│  │      4-流程解读.mp4
│  │      5-背景消除-帧差法.mp4
│  │      6-混合高斯模型.mp4
│  │      7-学习步骤.mp4
│  │      8-背景建模实战.mp4
│  │      9-基本概念.mp4
│  │      
│  ├─8.OpenCV项目实战-信用卡数字识别
│  │      1-总体流程与方法讲解.mp4
│  │      2-环境配置与预处理.mp4
│  │      3-模板处理方法.mp4
│  │      4-输入数据处理方法.mp4
│  │      5-模板匹配得出识别结果.mp4
│  │      
│  └─9.OpenCV项目实战-文档扫描OCR识别
│          1-整体流程演示.mp4
│          2-文档轮廓提取.mp4
│          3-原始与变换坐标计算.mp4
│          4-透视变换结果.mp4
│          5-tesseract-ocr安装配置.mp4
│          6-文档扫描识别效果.mp4
│         
├─06-【方向A：CV方向】目标检测算法
│  ├─1.物体检测评估指标
│  │      物体检测评估指标.mp4
│  │      
│  ├─10.YOLOv7检测算法深度解析
│  │      1-YOLO系列（V7）算法解读.mp4
│  │      10-得到偏移点所在网格位置.mp4
│  │      11-完成BuildTargets模块.mp4
│  │      12-候选框筛选流程分析.mp4
│  │      13-预测值各项指标获取与调整.mp4
│  │      14-GT匹配正样本数量计算.mp4
│  │      15-通过IOU与置信度分配正样本.mp4
│  │      16-损失函数计算方法.mp4
│  │      17-辅助头AUX网络结构配置文件解析.mp4
│  │      18-辅助头损失函数调整.mp4
│  │      19-BN与卷积权重参数融合方法.mp4
│  │      2-命令行参数介绍.mp4
│  │      20-重参数化多分支合并加速.mp4
│  │      3-基本参数作用.mp4
│  │      4-EMA等训练技巧解读.mp4
│  │      5-网络结构配置文件解读.mp4
│  │      6-各模块操作细节分析.mp4
│  │      7-输出层与配置文件其他模块解读.mp4
│  │      8-标签分配策略准备操作.mp4
│  │      9-候选框偏移方法与find3p模块解读.mp4
│  │      
│  ├─11.YOLOv8检测算法深度解析
│  │      YOLO V8.mp4
│  │      
│  ├─12.YOLOv9检测算法深度解析
│  │      YOLO V9.mp4
│  │      
│  ├─13.YOLO-World 检测算法
│  │      YOLO-World.mp4
│  │      
│  ├─14.YOLOv12与YOLOv13最新检测算法
│  │      YOLO V12与YOLO V13.mp4
│  │      
│  ├─2.YOLO系列大串讲(可刷这个快速过)
│  │      YOLO系列大串讲(可刷这个快速过).mp4
│  │      
│  ├─3.经典物体检测算法
│  │      1-半监督物体检测.mp4
│  │      2-EfficientNet网络模型.mp4
│  │      3-EfficientDet检测算法.mp4
│  │      
│  ├─4.YOLOv1检测算法深度解析
│  │      1-YOLO算法整体思路解读.mp4
│  │      2-检测算法要得到的结果.mp4
│  │      3-整体网络架构解读.mp4
│  │      4-位置损失计算.mp4
│  │      5-置信度误差与优缺点分析.mp4
│  │      
│  ├─5.YOLOv2检测算法深度解析
│  │      1-V2版本细节升级概述.mp4
│  │      2-网络结构特点.mp4
│  │      3-架构细节解读.mp4
│  │      4-基于聚类来选择先验框尺寸.mp4
│  │      5-偏移量计算方法.mp4
│  │      6-坐标映射与还原.mp4
│  │      7-感受野的作用.mp4
│  │      8-特征融合改进.mp4
│  │      
│  ├─6.YOLOv3检测算法深度解析
│  │      1-V3版本改进概述.mp4
│  │      10-COCO图像数据读取与处理.mp4
│  │      11-标签文件读取与处理.mp4
│  │      12-debug模式介绍.mp4
│  │      13-基于配置文件构建网络模型.mp4
│  │      14-路由层与shortcut层的作用.mp4
│  │      15-YOLO层定义解析.mp4
│  │      16-预测结果计算.mp4
│  │      17-网格偏移计算.mp4
│  │      18-模型要计算的损失概述.mp4
│  │      19-标签值格式修改.mp4
│  │      2-多scale方法改进与特征融合.mp4
│  │      20-坐标相对位置计算.mp4
│  │      21-完成所有损失函数所需计算指标.mp4
│  │      22-模型训练与总结.mp4
│  │      23-预测效果展示.mp4
│  │      3-经典变换方法对比分析.mp4
│  │      4-残差连接方法解读.mp4
│  │      5-整体网络模型架构分析.mp4
│  │      6-先验框设计改进.mp4
│  │      7-sotfmax层改进.mp4
│  │      8-数据与环境配置.mp4
│  │      9-训练参数设置.mp4
│  │      
│  ├─7.YOLO模型数据标注与训练
│  │      1-Labelme工具安装.mp4
│  │      2-数据信息标注.mp4
│  │      3-完成标签制作.mp4
│  │      4-生成模型所需配置文件.mp4
│  │      5-json格式转换成yolo-v3所需输入.mp4
│  │      6-完成输入数据准备工作.mp4
│  │      7-训练代码与参数配置更改.mp4
│  │      8-训练模型并测试效果.mp4
│  │      
│  ├─8.YOLOv4版本算法解读
│  │      1-V4版本整体概述.mp4
│  │      10-PAN模块解读.mp4
│  │      11-激活函数与整体架构总结.mp4
│  │      2-V4版本贡献解读.mp4
│  │      3-数据增强策略分析.mp4
│  │      4-DropBlock与标签平滑方法.mp4
│  │      5-损失函数遇到的问题.mp4
│  │      6-CIOU损失函数定义.mp4
│  │      7-NMS细节改进.mp4
│  │      8-SPP与CSP网络结构.mp4
│  │      9-SAM注意力机制模块.mp4
│  │      
│  └─9.YOLOv5检测算法深度解析
│          1-整体项目概述.mp4
│          10-getItem构建batch.mp4
│          11-网络架构图可视化工具安装.mp4
│          12-V5网络配置文件解读.mp4
│          13-Focus模块流程分析.mp4
│          14-完成配置文件解析任务.mp4
│          15-前向传播计算.mp4
│          16-BottleneckCSP层计算方法.mp4
│          17-SPP层计算细节分析.mp4
│          18-Head层流程解读.mp4
│          19-上采样与拼接操作.mp4
│          2-训练自己的数据集方法.mp4
│          20-输出结果分析.mp4
│          21-超参数解读.mp4
│          22-命令行参数介绍.mp4
│          23-训练流程解读.mp4
│          24-各种训练策略概述.mp4
│          25-模型迭代过程.mp4
│          3-训练数据参数配置.mp4
│          4-测试DEMO演示.mp4
│          5-数据源DEBUG流程解读.mp4
│          6-图像数据源配置.mp4
│          7-加载标签数据.mp4
│          8-Mosaic数据增强方法.mp4
│          9-数据四合一方法与流程演示.mp4
│         
├─07-【方向A：CV方向】图像分割算法
│  ├─1.图像分割与损失函数
│  │      1-语义分割与实例分割概述.mp4
│  │      2-分割任务中的目标函数定义.mp4
│  │      3-MIOU评估标准.mp4
│  │      
│  ├─10.Mask R-CNN 训练自己的数据与任务
│  │      1-Labelme工具安装.mp4
│  │      2-使用labelme进行数据与标签标注.mp4
│  │      3-完成训练数据准备工作.mp4
│  │      4-maskrcnn源码修改方法.mp4
│  │      5-基于标注数据训练所需任务.mp4
│  │      6-测试与展示模块.mp4
│  │      
│  ├─11.SAM 图像分割算法
│  │      1-DEMO效果演示.mp4
│  │      2-论文解读分析.mp4
│  │      3-完成的任务分析.mp4
│  │      4-数据闭环方法.mp4
│  │      5-预训练模型的作用.mp4
│  │      6-Decoder的作用与项目源码.mp4
│  │      7-分割任务模块设计.mp4
│  │      8-实现细节分析.mp4
│  │      9-总结分析.mp4
│  │      
│  ├─12.SAM2视频分割
│  │      SAM2视频分割.mp4
│  │      
│  ├─13.EfficientSam分割算法
│  │      EfficientSam.mp4
│  │      
│  ├─14.遥感图像处理与高光谱图像智能解译
│  │      遥感图像处理与高光谱图像智能解译.mp4
│  │      
│  ├─2.Unet系列算法
│  │      1-Unet网络编码与解码过程.mp4
│  │      2-网络计算流程.mp4
│  │      3-Unet升级版本改进.mp4
│  │      4-后续升级版本介绍.mp4
│  │      
│  ├─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
│  │      2-数据增强工具.mp4
│  │      3-Debug模式演示网络计算流程.mp4
│  │      4-特征融合方法演示.mp4
│  │      5-迭代完成整个模型计算任务.mp4
│  │      6-模型效果验证.mp4
│  │      
│  ├─4.U2NET显著性检测实战
│  │      1-任务目标与网络整体介绍.mp4
│  │      2-显著性检测任务与目标概述.mp4
│  │      3-编码器模块解读.mp4
│  │      4-解码器输出结果.mp4
│  │      5-损失函数与应用效果.mp4
│  │      
│  ├─5.DeepLab 语义分割算法
│  │      1-deeplab分割算法概述.mp4
│  │      2-空洞卷积的作用.mp4
│  │      3-感受野的意义.mp4
│  │      4-SPP层的作用.mp4
│  │      5-ASPP特征融合策略.mp4
│  │      6-deeplabV3Plus版本网络架构.mp4
│  │      
│  ├─6.基于deeplabV3+版本进?VOC分割实战
│  │      1-PascalVoc数据集介绍.mp4
│  │      2-项目参数与数据集读取.mp4
│  │      3-网络前向传播流程.mp4
│  │      4-ASPP层特征融合.mp4
│  │      5-分割模型训练.mp4
│  │      
│  ├─7.基于deeplabV3?脏视频数据集分割建模实战
│  │      1-数据集与任务概述.mp4
│  │      2-项目基本配置参数.mp4
│  │      3-任务流程解读.mp4
│  │      4-文献报告分析.mp4
│  │      5-补充：视频数据源特征处理方法概述.mp4
│  │      6-补充：R(2plus1)D处理方法分析.mp4
│  │      
│  ├─8.Mask R-CNN 实例分割算法
│  │      1-Mask-Rcnn开源项目简介.mp4
│  │      2-开源项目数据集.mp4
│  │      3-开源项目数据集.mp4
│  │      
│  └─9.MaskRcnn网络框架源码详解
│          1-FPN层特征提取原理解读.mp4
│          10-RoiPooling层的作用与目的.mp4
│          11-RorAlign操作的效果.mp4
│          12-整体框架回顾.mp4
│          2-FPN网络架构实现解读.mp4
│          3-生成框比例设置.mp4
│          4-基于不同尺度特征图生成所有框.mp4
│          5-RPN层的作用与实现解读.mp4
│          6-候选框过滤方法.mp4
│          7-Proposal层实现方法.mp4
│          8-DetectionTarget层的作用.mp4
│          9-正负样本选择与标签定义.mp4
│         
├─08-【方向A：CV方向】MMLAB框架与数据集制作实战
│  ├─1.MMCV安装方法
│  │      MMCV安装方法.mp4
│  │      
│  ├─2.分类任务操作（分类）
│  │      1-MMCLS问题修正.mp4
│  │      2-准备MMCLS项目.mp4
│  │      3-基本参数配置解读.mp4
│  │      4-各模块配置文件组成.mp4
│  │      5-生成完整配置文件.mp4
│  │      6-根据文件夹定义数据集.mp4
│  │      7-构建自己的数据集.mp4
│  │      8-训练自己的任务.mp4
│  │      
│  ├─3.训练结果测试与验证（分类）
│  │      1-测试DEMO效果.mp4
│  │      2-测试评估模型效果.mp4
│  │      3-MMCLS中增加一个新的模块.mp4
│  │      4-修改配置文件中的参数.mp4
│  │      5-数据增强流程可视化展示.mp4
│  │      6-Grad-Cam可视化方法.mp4
│  │      7-可视化细节与效果分析.mp4
│  │      8-MMCLS可视化模块应用.mp4
│  │      9-模型分析脚本使用.mp4
│  │      
│  ├─4.模型源码调试（分类）
│  │      1-VIT任务概述.mp4
│  │      2-数据增强模块概述分析.mp4
│  │      3-PatchEmbedding层.mp4
│  │      4-前向传播基本模块.mp4
│  │      5-CLS与输出模块.mp4
│  │      
│  ├─5.分割模块自定义数据集训练（分割）
│  │      1-项目配置基本介绍.mp4
│  │      2-数据集标注与制作方法.mp4
│  │      3-根据预测类别数修改配置文件.mp4
│  │      4-加载预训练模型开始训练.mp4
│  │      5-预测DEMO演示.mp4
│  │      
│  ├─6.Unet策略修改（分割）
│  │      1-配置文件解读.mp4
│  │      2-编码层模块.mp4
│  │      3-上采样与输出层.mp4
│  │      4-辅助层的作用.mp4
│  │      5-给Unet添加一个neck层.mp4
│  │      6-如何修改参数适配网络结构.mp4
│  │      7-将Unet特征提取模块替换成transformer.mp4
│  │      8-VIT模块源码分析.mp4
│  │      
│  ├─7.分割任务CVPR最新Backbone设计及其应用（分割）
│  │      1-注册自己的Backbone模块.mp4
│  │      10-汇总多层级特征进行输出.mp4
│  │      2-配置文件指定.mp4
│  │      3-DEBUG解读Backbone设计.mp4
│  │      4-PatchEmbedding的作用与实现.mp4
│  │      5-卷积位置编码计算方法.mp4
│  │      6-近似Attention模块实现.mp4
│  │      7-完成特征提取与融合模块.mp4
│  │      8-分割输出模块.mp4
│  │      9-全局特征的作用与实现.mp4
│  │      
│  ├─8.MMDetection自定义数据训练（检测）
│  │      1-数据集标注与标签获取.mp4
│  │      2-COCO数据标注格式.mp4
│  │      3-通过脚本生成COCO数据格式.mp4
│  │      4-配置文件数据增强策略分析.mp4
│  │      5-训练所需配置说明.mp4
│  │      6-模型训练与DEMO演示.mp4
│  │      7-模型测试与可视化分析模块.mp4
│  │      8-补充：评估指标.mp4
│  │      
│  └─9. MMAction自定义数据训练（行为识别）
│          创建自己的行为识别标注数据集.mp4
│         
├─09-【方向A：CV方向】Transformer与视觉应用
│  ├─1.Vision Transformer算法原理解析
│  │      Transformer算法解读.mp4
│  │      
│  ├─10.Deformable DETR 检测算法解析
│  │      DeformableDetr算法解读.mp4
│  │      
│  ├─11.Deformable DETR 算法源码解读
│  │      1-特征提取与位置编码.mp4
│  │      10-分类与回归输出模块.mp4
│  │      11-预测输出结果与标签匹配模块.mp4
│  │      2-序列特征展开并叠加.mp4
│  │      3-得到相对位置点编码.mp4
│  │      4-准备Encoder编码层所需全部输入.mp4
│  │      5-编码层中的序列分析.mp4
│  │      6-偏移量offset计算.mp4
│  │      7-偏移量对齐操作.mp4
│  │      8-Encoder层完成特征对齐.mp4
│  │      9-Decoder要完成的操作.mp4
│  │      
│  ├─12.MedicalTransformer 分割算法解析
│  │      1-论文整体分析.mp4
│  │      2-核心思想分析.mp4
│  │      3-网络结构计算流程概述.mp4
│  │      4-论文公式计算分析.mp4
│  │      5-位置编码的作用与效果.mp4
│  │      6-拓展应用分析.mp4
│  │      
│  ├─13.MedicalTransformer 算法源码解读
│  │      1-项目环境配置.mp4
│  │      2-医学数据介绍与分析.mp4
│  │      3-基本处理操作.mp4
│  │      4-AxialAttention实现过程.mp4
│  │      5-位置编码向量解读.mp4
│  │      6-注意力计算过程与方法.mp4
│  │      7-局部特征提取与计算.mp4
│  │      
│  ├─14.Maskformer 分割算法源码解读
│  │      分割模型Maskformer系列.mp4
│  │      
│  ├─15.Mask2former 分割算法码解读
│  │      1-Backbone获取多层级特征.mp4
│  │      10-正样本筛选损失计算.mp4
│  │      11-标签分类匹配结果分析.mp4
│  │      12-最终损失计算流程.mp4
│  │      13-汇总所有损失完成迭代.mp4
│  │      2-多层级采样点初始化构建.mp4
│  │      3-多层级输入特征序列创建方法.mp4
│  │      4-偏移量与权重计算并转换.mp4
│  │      5-Encoder特征构建方法实例.mp4
│  │      6-query要预测的任务解读.mp4
│  │      7-Decoder中的AttentionMask方法.mp4
│  │      8-损失模块输入参数分析.mp4
│  │      9-标签分配策略解读.mp4
│  │      
│  ├─16.BEVFormer 3D检测算法解析
│  │      BEV特征空间.mp4
│  │      
│  ├─17.BEVFormer 算法源码解读
│  │      1-环境配置方法解读.mp4
│  │      10-获取当前BEV特征.mp4
│  │      11-Decoder级联校正模块.mp4
│  │      12-损失函数与预测可视化.mp4
│  │      2-数据集下载与配置方法.mp4
│  │      3-特征提取以及BEV空间初始化.mp4
│  │      4-特征对齐与位置编码初始化.mp4
│  │      5-Reference初始点构建.mp4
│  │      6-BEV空间与图像空间位置对应.mp4
│  │      7-注意力机制模块计算方法.mp4
│  │      8-BEV空间特征构建.mp4
│  │      9-Decoder要完成的任务分析.mp4
│  │      
│  ├─18.LoFTR特征匹配算法
│  │      1-特征匹配的应用场景.mp4
│  │      10-总结分析.mp4
│  │      2-特征匹配的基本流程分析.mp4
│  │      3-整体流程梳理分析.mp4
│  │      4-CrossAttention的作用与效果.mp4
│  │      5-transformer构建匹配特征.mp4
│  │      6-粗粒度匹配过程与作用.mp4
│  │      7-特征图拆解操作.mp4
│  │      8-细粒度匹配的作用与方法.mp4
│  │      9-基于期望预测最终位置.mp4
│  │      
│  ├─2.Vision Transformer算法源码解读
│  │      视觉Transformer及其源码分析.mp4
│  │      
│  ├─3.视觉自监督BEIT算法解读
│  │      1-建模流程分析与效果展示.mp4
│  │      2-codebook模块的作用.mp4
│  │      3-任务总结分析.mp4
│  │      
│  ├─4.视觉自监督任务BEITv2论文解读
│  │      1-BEITV2版本论文出发点解读.mp4
│  │      2-自监督任务中两大核心任务分析.mp4
│  │      3-整体网络架构图分析.mp4
│  │      4-框架实现细节流程分析.mp4
│  │      5-论文细节模块实现解读.mp4
│  │      
│  ├─5.视觉自监督任务BEITv2源码解读
│  │      1-mmselfup源码实现解读.mp4
│  │      2-网络结构搭建细节解读.mp4
│  │      3-源码实现流程总结.mp4
│  │      
│  ├─6.SwinTransformer算法原理解析
│  │      1-swintransformer整体概述.mp4
│  │      10-分层计算方法.mp4
│  │      2-要解决的问题及其优势分析.mp4
│  │      3-一个block要完成的任务.mp4
│  │      4-获取各窗口输入特征.mp4
│  │      5-基于窗口的注意力机制解读.mp4
│  │      6-窗口偏移操作的实现.mp4
│  │      7-偏移细节分析及其计算量概述.mp4
│  │      8-整体网络架构整合.mp4
│  │      9-下采样操作实现方法.mp4
│  │      
│  ├─7.SwinTransformer算法源码解读
│  │      1-数据与环境配置解读.mp4
│  │      2-图像数据patch编码.mp4
│  │      3-数据按window进行划分计算.mp4
│  │      4-基础attention计算模块.mp4
│  │      5-窗口位移模块细节分析.mp4
│  │      6-patchmerge下采样操作.mp4
│  │      7-各block计算方法解读.mp4
│  │      8-输出层概述.mp4
│  │      
│  ├─8.DETR目标检测算法解析
│  │      1-DETR目标检测基本思想解读.mp4
│  │      2-整体网络架构分析.mp4
│  │      3-位置信息初始化query向量.mp4
│  │      4-注意力机制的作用方法.mp4
│  │      5-训练过程的策略.mp4
│  │      
│  └─9.DETR目标检测源码解读
│          1-项目环境配置解读.mp4
│          2-数据处理与dataloader.mp4
│          3-位置编码作用分析.mp4
│          4-backbone特征提取模块.mp4
│          5-mask与编码模块.mp4
│          6-编码层作用方法.mp4
│          7-Decoder层操作与计算.mp4
│          8-输出预测结果.mp4
│          9-损失函数与预测输出.mp4
│         
├─10-【方向A：CV方向】生成模型与图像生成技术
│  ├─1-生成对抗网络架构原理
│  │      1-对抗生成网络通俗解释.mp4
│  │      2-GAN网络组成.mp4
│  │      3-损失函数解释说明.mp4
│  │      4-数据读取模块.mp4
│  │      5-生成与判别网络定义.mp4
│  │      
│  ├─10-Diffusion模型架构
│  │      1-Diffusion模型解读.mp4
│  │      
│  ├─11-DALL-E 2论文解析
│  │      1-论文基本思想与核心模块分析.mp4
│  │      2-不同模块对比分析.mp4
│  │      3-算法核心流程解读.mp4
│  │      4-各模块实现细节讲解.mp4
│  │      
│  ├─12-DALL-E 2源码解读
│  │      1-项目整体流程分析.mp4
│  │      2-源码实现细节分析.mp4
│  │      3-源码公式对应论文分析.mp4
│  │      4-Decoder模块实现细节解读.mp4
│  │      5-源码实现流程总结.mp4
│  │      
│  ├─13-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
│  │      
│  ├─2-基于 GAN 的图像补全实战
│  │      1-论文概述.mp4
│  │      2-网络架构.mp4
│  │      3-细节设计.mp4
│  │      4-论文总结.mp4
│  │      5-数据与项目概述.mp4
│  │      6-参数基本设计.mp4
│  │      7-网络结构配置.mp4
│  │      8-网络迭代训练.mp4
│  │      9-测试模块.mp4
│  │      
│  ├─3-基于 SRGAN图像超分辨率实战
│  │      1-论文概述.mp4
│  │      2-网络架构.mp4
│  │      3-数据与环境配置.mp4
│  │      4-数据加载与配置.mp4
│  │      5-生成模块.mp4
│  │      6-判别模块.mp4
│  │      7-VGG特征提取网络.mp4
│  │      8-损失函数与训练.mp4
│  │      9-测试模块.mp4
│  │      
│  ├─4-CycleGAN图像转换技术
│  │      1-CycleGan网络所需数据.mp4
│  │      10-额外补充：VISDOM可视化配置.mp4
│  │      2-CycleGan整体网络架构.mp4
│  │      3-PatchGan判别网络原理.mp4
│  │      4-Cycle开源项目简介.mp4
│  │      5-数据读取与预处理操作.mp4
│  │      6-生成网络模块构造.mp4
│  │      7-判别网络模块构造.mp4
│  │      8-损失函数：identity loss计算方法.mp4
│  │      9-生成与判别损失函数指定.mp4
│  │      
│  ├─5-stargan论文架构解析
│  │      1-stargan效果演示分析.mp4
│  │      2-网络架构整体思路解读.mp4
│  │      3-建模流程分析.mp4
│  │      4-V1版本存在的问题及后续改进思路.mp4
│  │      5-V2版本在整体网络架构.mp4
│  │      6-编码器训练方法.mp4
│  │      7-损失函数公式解析.mp4
│  │      8-训练过程分析.mp4
│  │      
│  ├─6-stargan项目实战及其源码解读
│  │      1-测试模块效果与实验分析.mp4
│  │      10-生成模块损失计算.mp4
│  │      2-项目配置与数据源下载.mp4
│  │      3-测试效果演示.mp4
│  │      4-项目参数解析.mp4
│  │      5-生成器模块源码解读.mp4
│  │      6-所有网络模块构建实例.mp4
│  │      7-数据读取模块分析.mp4
│  │      8-判别器损失计算.mp4
│  │      9-损失计算详细过程.mp4
│  │      
│  ├─7-StarGANv2变声器论文解析
│  │      1-论文整体思路与架构解读.mp4
│  │      2-VCC2016输入数据.mp4
│  │      3-语音特征提取.mp4
│  │      4-生成器模型架构分析.mp4
│  │      5-InstanceNorm的作用解读.mp4
│  │      6-AdaIn的目的与效果.mp4
│  │      7-判别器模块分析.mp4
│  │      
│  ├─8-starganvc2变声器项目实战
│  │      1-数据与项目文件解读.mp4
│  │      10-源码损失计算流程.mp4
│  │      11-测试模块-生成转换语音.mp4
│  │      2-环境配置与工具包安装.mp4
│  │      3-数据预处理与声音特征提取.mp4
│  │      4-生成器构造模块解读.mp4
│  │      5-下采样与上采样操作.mp4
│  │      6-starganvc2版本标签输入分析.mp4
│  │      7-生成器前向传播维度变化.mp4
│  │      8-判别器模块解读.mp4
│  │      9-论文损失函数.mp4
│  │      
│  └─9-StyleGAN2高质量图像生成架构
│          1-要完成的任务与基本思想概述.mp4
│          2-得到style特征编码.mp4
│          3-特征编码风格拼接.mp4
│          4-基础风格特征卷积模块.mp4
│          5-上采样得到输出结果.mp4
│          6-损失函数概述.mp4
│         
├─11-【方向A：CV方向】行为识别+姿态估计+目标追踪
│  ├─1-SlowFast 行为识别算法解析
│  │      1-slowfast核心思想解读.mp4
│  │      2-核心网络结构模块分析.mp4
│  │      3-数据采样曾的作用.mp4
│  │      4-模型网络结构设计.mp4
│  │      5-特征融合模块与总结分析.mp4
│  │      
│  ├─10-deepsort算法知识点解读
│  │      1-卡尔曼滤波通俗解释.mp4
│  │      10-sort与deepsort建模流程分析.mp4
│  │      11-预测与匹配流程解读.mp4
│  │      12-追踪任务流程拆解.mp4
│  │      2-卡尔曼滤波要完成的任务.mp4
│  │      3-任务本质分析.mp4
│  │      4-基于观测值进行最优估计.mp4
│  │      5-预测与更新操作.mp4
│  │      6-追踪中的状态量.mp4
│  │      7-匈牙利匹配算法概述.mp4
│  │      8-匹配小例子分析.mp4
│  │      9-REID特征的作用.mp4
│  │      
│  ├─11-多目标追踪算法源码解读
│  │      1-获取检测结果与追踪初始化.mp4
│  │      2-初始时刻追踪器创建.mp4
│  │      3-追踪器记录信息概述.mp4
│  │      4-匹配过程细节分析.mp4
│  │      5-不同帧时刻追踪器状态更新方法.mp4
│  │      6-追踪器状态更新处理.mp4
│  │      7-追踪器迭代更新策略.mp4
│  │      
│  ├─2-SlowFast 算法环境配置
│  │      1-环境基本配置解读.mp4
│  │      2-目录各文件分析.mp4
│  │      3-配置文件作用解读.mp4
│  │      4-测试DEMO演示.mp4
│  │      5-训练所需标签文件说明.mp4
│  │      6-训练所需视频数据准备.mp4
│  │      7-视频数据集切分操作.mp4
│  │      8-完成视频分帧操作.mp4
│  │      
│  ├─3-slowfast算法源码详细解读
│  │      1-模型所需配置文件参数读取.mp4
│  │      10-RoiAlign与输出层.mp4
│  │      2-数据处理概述.mp4
│  │      3-dataloader数据遍历方法.mp4
│  │      4-数据与标签读取实例.mp4
│  │      5-图像数据所需预处理方法.mp4
│  │      6-slow与fast分别执行采样操作.mp4
│  │      7-分别计算特征图输出结果.mp4
│  │      8-slow与fast特征图拼接操作.mp4
│  │      9-resnetBolock操作.mp4
│  │      
│  ├─4-3D卷积视频分析
│  │      1-3D卷积原理解读.mp4
│  │      2-UCF101动作识别数据集简介.mp4
│  │      3-测试效果与项目配置.mp4
│  │      4-视频数据预处理方法.mp4
│  │      5-数据Batch制作方法.mp4
│  │      6-3D卷积网络所涉及模块.mp4
│  │      7-训练网络模型.mp4
│  │      
│  ├─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
│  │      2-基本思想与流程分析.mp4
│  │      3-预测与常见问题.mp4
│  │      4-Meta-Learn要解决的问题.mp4
│  │      5-学习能力与参数定义.mp4
│  │      6-如何找到合适的初始化参数.mp4
│  │      7-MAML算法流程解读.mp4
│  │      
│  ├─6- CVPR 异常检测算法论文解读
│  │      1-论文概述.mp4
│  │      2-数据集配置与读取.mp4
│  │      3-模型编码与解码结构.mp4
│  │      4-注意力机制模块打造.mp4
│  │      5-损失函数的目的.mp4
│  │      6-特征图生成.mp4
│  │      7-MetaLearn与输出.mp4
│  │      
│  ├─7-人体姿态估计OpenPose算法解析
│  │      1-数据集与路径配置解读.mp4
│  │      10-多阶段输出与预测.mp4
│  │      2-读取图像与标注信息.mp4
│  │      3-关键点与躯干特征图初始化.mp4
│  │      4-根据关键点位置设计关键点标签.mp4
│  │      5-准备构建PAF躯干标签.mp4
│  │      6-各位置点归属判断.mp4
│  │      7-特征图各点累加向量计算.mp4
│  │      8-完成PAF特征图制作.mp4
│  │      9-网络模型一阶段输出.mp4
│  │      
│  ├─8-OpenPose算法源码解读
│  │      1-姿态估计要解决的问题分析.mp4
│  │      10-匹配方法解读.mp4
│  │      11-CPM模型特点.mp4
│  │      12-算法流程与总结.mp4
│  │      2-姿态估计应用领域概述.mp4
│  │      3-传统topdown方法的问题.mp4
│  │      4-要解决的两个问题分析.mp4
│  │      5-基于高斯分布预测关键点位置.mp4
│  │      6-各模块输出特征图解读.mp4
│  │      7-PAF向量登场.mp4
│  │      8-PAF标签设计方法.mp4
│  │      9-预测时PAF积分计算方法.mp4
│  │      
│  └─9-deepsort源码解读
│          1-项目环境配置.mp4
│          10-匹配结果与总结.mp4
│          2-参数与DEMO演示.mp4
│          3-针对检测结果初始化track.mp4
│          4-对track执行预测操作.mp4
│          5-状态量预测结果.mp4
│          6-IOU代价矩阵计算.mp4
│          7-参数更新操作.mp4
│          8-级联匹配模块.mp4
│          9-ReID特征代价矩阵计算.mp4
│         
├─12-【方向A：CV方向】行人重识别技术
│  ├─1-行人重识别基础理论
│  │      1-行人重识别要解决的问题.mp4
│  │      2-挑战与困难分析.mp4
│  │      3-评估标准rank1指标.mp4
│  │      4-map值计算方法.mp4
│  │      5-triplet损失计算实例.mp4
│  │      6-Hard-Negative方法应用.mp4
│  │      
│  ├─2-注意力机制ReID模型
│  │      1-论文整体思想及注意力机制的作用解读.mp4
│  │      10-计算得到位置权重值.mp4
│  │      11-基于特征图的权重计算.mp4
│  │      12-损失函数计算实例解读.mp4
│  │      13-训练与测试模块演示.mp4
│  │      2-空间权重值计算流程分析.mp4
│  │      3-融合空间注意力所需特征.mp4
│  │      4-基于特征图的注意力计算.mp4
│  │      5-项目环境与数据集配置.mp4
│  │      6-参数配置与整体架构分析.mp4
│  │      7-进入debug模式解读网络计算流程.mp4
│  │      8-获得空间位置点之间的关系.mp4
│  │      9-组合关系特征图.mp4
│  │      
│  ├─3-AAAI最新ReID算法
│  │      1-论文整体框架概述.mp4
│  │      2-局部特征与全局关系计算方法.mp4
│  │      3-特征分组方法.mp4
│  │      4-GCP模块特征融合方法.mp4
│  │      5-oneVsReset方法实例.mp4
│  │      6-损失函数应用位置.mp4
│  │      
│  ├─4-局部特征融合ReID实战
│  │      1-项目配置与数据集介绍.mp4
│  │      10-得到所有分组特征结果.mp4
│  │      11-损失函数与训练过程演示.mp4
│  │      12-测试与验证模块.mp4
│  │      2-数据源构建方法分析.mp4
│  │      3-dataloader加载顺序解读.mp4
│  │      4-debug模式解读.mp4
│  │      5-网络计算整体流程演示.mp4
│  │      6-特征序列构建.mp4
│  │      7-GCP全局特征提取.mp4
│  │      8-局部特征提取实例.mp4
│  │      9-特征组合汇总.mp4
│  │      
│  ├─5-旷视研究院图模型ReID算法
│  │      1-关键点位置特征构建.mp4
│  │      2-图卷积与匹配的作用.mp4
│  │      3-局部特征热度图计算.mp4
│  │      4-基于图卷积构建人体拓扑关系.mp4
│  │      5-图卷积模块实现方法.mp4
│  │      6-图匹配在行人重识别中的作用.mp4
│  │      7-整体算法框架分析.mp4
│  │      
│  ├─6-基于拓扑图的ReID实战
│  │      1-数据集与环境配置概述.mp4
│  │      10-整体项目总结.mp4
│  │      2-局部特征准备方法.mp4
│  │      3-得到一阶段热度图结果.mp4
│  │      4-阶段监督训练.mp4
│  │      5-初始化图卷积模型.mp4
│  │      6-mask矩阵的作用.mp4
│  │      7-邻接矩阵学习与更新.mp4
│  │      8-基于拓扑结构组合关键点特征.mp4
│  │      9-图匹配模块计算流程.mp4
│  │      
│  └─7-行人搜索源码分析
│          1-检测与搜索.mp4
│          10-总结概述.mp4
│          2-项目概述.mp4
│          3-配置文件修改方法.mp4
│          4-数据与标签读取模块.mp4
│          5-通过配置文件读取模型位置.mp4
│          6-BackBone位置与流程.mp4
│          7-Neck层操作方法.mp4
│          8-Head层预测模块.mp4
│          9-损失函数计算模块.mp4
│         
├─13-【方向A：CV方向】自动化驾驶
│  ├─1-深度估计算法解析
│  │      1-深度估计效果与应用.mp4
│  │      10-损失计算.mp4
│  │      2-kitti数据集介绍.mp4
│  │      3-使用backbone获取层级特征.mp4
│  │      4-差异特征计算边界信息.mp4
│  │      5-SPP层的作用.mp4
│  │      6-空洞卷积与ASPP.mp4
│  │      7-特征拼接方法分析.mp4
│  │      8-网络coarse-to-fine过程.mp4
│  │      9-权重参数预处理.mp4
│  │      
│  ├─10-三维重建 TSDF算法实战
│  │      1-环境配置概述.mp4
│  │      2-初始化与数据读取.mp4
│  │      3-计算得到TSDF输出.mp4
│  │      
│  ├─11-轨迹估计VectorNet 算法论文解读
│  │      1-数据集与标注信息解读.mp4
│  │      2-整体三大模块分析.mp4
│  │      3-特征工程的作用与效果.mp4
│  │      4-传统方法与现在向量空间对比.mp4
│  │      5-输入细节分析.mp4
│  │      6-子图模块构建方法.mp4
│  │      7-特征融合模块分析.mp4
│  │      8-VectorNet输出层分析.mp4
│  │      
│  ├─12-VectorNet 算法实战
│  │      1-数据与环境配置.mp4
│  │      2-训练数据准备.mp4
│  │      3-Agent特征提取方法.mp4
│  │      4-DataLoader构建图结构.mp4
│  │      5-SubGraph与Attention模型流程.mp4
│  │      
│  ├─13-特斯拉无人驾驶解读
│  │      1-特斯拉无人驾驶解读.mp4
│  │      
│  ├─2-深度估计实战
│  │      1-项目环境配置解读.mp4
│  │      10-损失函数通俗解读.mp4
│  │      11-模型DEMO输出结果.mp4
│  │      2-数据与标签定义方法.mp4
│  │      3-数据集dataloader制作.mp4
│  │      4-使用backbone进行特征提取.mp4
│  │      5-计算差异特征.mp4
│  │      6-权重参数标准化操作.mp4
│  │      7-网络结构ASPP层.mp4
│  │      8-特征拼接方法解读.mp4
│  │      9-输出深度估计结果.mp4
│  │      
│  ├─3-车道线检测算法解析
│  │      1-数据标签与任务分析.mp4
│  │      2-网络整体框架分析.mp4
│  │      3-输出结果分析.mp4
│  │      4-损失函数计算方法.mp4
│  │      5-论文概述分析.mp4
│  │      
│  ├─4-车道线检测实战
│  │      1-车道数据与标签解读.mp4
│  │      10-车道线规则损失函数限制.mp4
│  │      11-DEMO制作与配置.mp4
│  │      2-项目环境配置演示.mp4
│  │      3-制作数据集dataloader.mp4
│  │      4-车道线标签数据处理.mp4
│  │      5-四条车道线标签位置矩阵.mp4
│  │      6-grid设置方法.mp4
│  │      7-完成数据与标签制作.mp4
│  │      8-算法网络结构解读.mp4
│  │      9-损失函数计算模块分析.mp4
│  │      
│  ├─5-三维重建与坐标系
│  │      1-三维重建概述分析.mp4
│  │      2-三维重建应用领域概述.mp4
│  │      3-成像方法概述.mp4
│  │      4-相机坐标系.mp4
│  │      5-坐标系转换方法解读.mp4
│  │      6-相机内外参.mp4
│  │      7-通过内外参数进行坐标变换.mp4
│  │      8-相机标定简介.mp4
│  │      
│  ├─6-三维重建 NeuralRecon算法解析
│  │      1-任务流程分析.mp4
│  │      2-基本框架熟悉.mp4
│  │      3-特征映射方法解读.mp4
│  │      4-片段融合思想.mp4
│  │      5-整体架构重构方法.mp4
│  │      
│  ├─7-三维重建 NeuralRecon算法环境配置
│  │      1-数据集下载与配置方法.mp4
│  │      2-Scannet数据集内容概述.mp4
│  │      3-TSDF标签生成方法.mp4
│  │      4-ISSUE的作用.mp4
│  │      5-完成依赖环境配置.mp4
│  │      
│  ├─8-三维重建 NeuralRecon算法源码解读
│  │      1-Backbone得到特征图.mp4
│  │      2-初始化体素位置.mp4
│  │      3-坐标映射方法实现.mp4
│  │      4-得到体素所对应特征图.mp4
│  │      5-插值得到对应特征向量.mp4
│  │      6-得到一阶段输出结果.mp4
│  │      7-完成三个阶段预测结果.mp4
│  │      8-项目总结.mp4
│  │      
│  └─9-三维重建 TSDF算法解析
│          1-TSDF整体概述分析.mp4
│          2-合成过程DEMO演示.mp4
│          3-布局初始化操作.mp4
│          4-TSDF计算基本流程解读.mp4
│          5-坐标转换流程分析.mp4
│          6-输出结果融合更新.mp4
│         
├─14-【方向A：CV方向】3D点云处理
│  ├─1-3D点云应用领域介绍
│  │      1-点云数据概述.mp4
│  │      2-点云应用领域与发展分析.mp4
│  │      3-点云分割任务.mp4
│  │      4-点云补全任务.mp4
│  │      5-点云检测与配准任务.mp4
│  │      6-点云数据特征提取概述与预告.mp4
│  │      
│  ├─2-3D点云PointNet 算法解析
│  │      1-3D数据应用领域与点云介绍.mp4
│  │      2-点云数据可视化展示.mp4
│  │      3-点云数据特性和及要解决的问题.mp4
│  │      4-PointNet算法出发点解读.mp4
│  │      5-PointNet算法网络架构解读.mp4
│  │      
│  ├─3-3D点云PointNet++算法解析
│  │      1-PointNet升级版算法要解决的问题.mp4
│  │      2-最远点采样方法.mp4
│  │      3-分组Group方法原理解读.mp4
│  │      4-整体流程概述分析.mp4
│  │      5-分类与分割问题解决方案.mp4
│  │      6-遇到的问题及改进方法分析.mp4
│  │      
│  ├─4-Pointnet++项目实战
│  │      1-项目文件概述.mp4
│  │      10-分类任务总结.mp4
│  │      11-分割任务数据与配置概述.mp4
│  │      12-分割需要解决的任务概述.mp4
│  │      13-上采样完成分割任务.mp4
│  │      2-数据读取模块配置.mp4
│  │      3-DEBUG解读网络模型架构.mp4
│  │      4-最远点采样介绍.mp4
│  │      5-采样得到中心点.mp4
│  │      6-组区域划分方法.mp4
│  │      7-实现group操作得到各中心簇.mp4
│  │      8-特征提取模块整体流程.mp4
│  │      9-预测结果输出模块.mp4
│  │      
│  ├─5-点云补全PF-Net 算法解析
│  │      1-点云补全要解决的问题.mp4
│  │      2-基本解决方案概述.mp4
│  │      3-整体网络概述.mp4
│  │      4-网络计算流程.mp4
│  │      5-输入与计算结果.mp4
│  │      
│  ├─6-PF-Net 算法实战
│  │      1-数据与项目配置解读.mp4
│  │      2-待补全数据准备方法.mp4
│  │      3-整体框架概述.mp4
│  │      4-MRE特征提取模块.mp4
│  │      5-分层预测输出模块.mp4
│  │      6-补全点云数据.mp4
│  │      7-判别模块.mp4
│  │      
│  └─7-点云配准技术
│          1-点云配准任务概述.mp4
│          2-配准要完成的目标解读.mp4
│          3-训练数据构建.mp4
│          4-任务基本流程.mp4
│          5-数据源配置方法.mp4
│          6-参数计算模块解读.mp4
│          7-基于模型预测输出参数.mp4
│          8-特征构建方法分析.mp4
│          9-任务总结.mp4
│         
├─15-【方向A：CV方向】工业与医学视觉应用
│  ├─1-钢材缺陷检测
│  │      1-任务需求与项目概述.mp4
│  │      2-数据与标签配置方法.mp4
│  │      3-标签转换格式脚本制作.mp4
│  │      4-各版本模型介绍分析.mp4
│  │      5-项目参数配置.mp4
│  │      6-缺陷检测模型训练.mp4
│  │      7-输出结果与项目总结.mp4
│  │      
│  ├─2-半监督布料缺陷检测
│  │      1-任务目标与流程概述.mp4
│  │      2-论文思想与模型分析.mp4
│  │      3-项目配置解读.mp4
│  │      4-网络流程分析.mp4
│  │      5-输出结果展示.mp4
│  │      
│  ├─3-基于OpenCV的缺陷检测实战
│  │      1-任务需求与环境配置.mp4
│  │      2-数据读取与基本处理.mp4
│  │      3-缺陷形态学操作.mp4
│  │      4-整体流程解读.mp4
│  │      5-缺陷检测效果演示.mp4
│  │      
│  ├─4-基于OpenCV的视频缺陷检测
│  │      1-数据与任务概述.mp4
│  │      2-视频数据读取与轮廓检测.mp4
│  │      3-目标质心计算.mp4
│  │      4-视频数据遍历方法.mp4
│  │      5-缺陷区域提取.mp4
│  │      6-不同类型的缺陷检测方法.mp4
│  │      7-检测效果演示.mp4
│  │      
│  ├─5-Deeplab铁质材料缺陷检测与开源项?应?流程
│  │      1-数据集与任务概述.mp4
│  │      2-开源项目应用方法.mp4
│  │      3-github与kaggle中需要注意的点.mp4
│  │      4-源码的利用方法.mp4
│  │      5-数据集制作方法.mp4
│  │      6-数据路径配置.mp4
│  │      7-训练模型.mp4
│  │      8-任务总结.mp4
│  │      
│  ├─6-医学图像分类
│  │      1-医学疾病数据集介绍.mp4
│  │      2-Resnet网络架构原理分析.mp4
│  │      3-dataloader加载数据集.mp4
│  │      4-Resnet网络前向传播.mp4
│  │      5-残差网络的shortcut操作.mp4
│  │      6-特征图升维与降采样操作.mp4
│  │      7-网络整体流程与训练演示.mp4
│  │      
│  ├─7-医学细胞分割
│  │      1-医学细胞数据集介绍与参数配置.mp4
│  │      2-数据增强工具.mp4
│  │      3-Debug模式演示网络计算流程.mp4
│  │      4-特征融合方法演示.mp4
│  │      5-迭代完成整个模型计算任务.mp4
│  │      6-模型效果验证.mp4
│  │      
│  ├─8-医学视频诊断
│  │      1-数据集与任务概述.mp4
│  │      2-项目基本配置参数.mp4
│  │      3-任务流程解读.mp4
│  │      4-文献报告分析.mp4
│  │      5-补充：视频数据源特征处理方法概述.mp4
│  │      6-补充：R(2plus1)D处理方法分析.mp4
│  │      
│  └─9-医学细胞检测
│          1-任务与细胞数据集介绍.mp4
│          2-模型与算法配置参数解读.mp4
│          3-网络训练流程演示.mp4
│          4-效果评估与展示.mp4
│          5-细胞检测效果演示.mp4
│         
├─16-【方向A：CV方向】文字检测与识别
│  ├─1-DBNET文字检测
│  │      1-文字检测数据概述与配置文件.mp4
│  │      2-配置文件参数设置.mp4
│  │      3-Neck层特征组合.mp4
│  │      4-损失函数模块概述.mp4
│  │      5-损失计算方法.mp4
│  │      
│  ├─2-ANINET文字识别
│  │      1-数据集与环境概述.mp4
│  │      2-配置文件修改方法.mp4
│  │      3-Bakbone模块得到特征.mp4
│  │      4-视觉Transformer模块的作用.mp4
│  │      5-视觉模型中的编码与解码的效果.mp4
│  │      6-文本模型中的结构分析.mp4
│  │      7-迭代修正模块.mp4
│  │      8-输出层与损失计算.mp4
│  │      
│  ├─3-OCR算法解读
│  │      1-OCR算法解读.mp4
│  │      
│  ├─4-项目实战-文档扫描OCR识别
│  │      1-整体流程演示.mp4
│  │      2-文档轮廓提取.mp4
│  │      3-原始与变换坐标计算.mp4
│  │      4-透视变换结果.mp4
│  │      5-tesseract-ocr安装配置.mp4
│  │      6-文档扫描识别效果.mp4
│  │      
│  └─5-项目实战-信用卡数字识别
│          1-总体流程与方法讲解.mp4
│          2-环境配置与预处理.mp4
│          3-模板处理方法.mp4
│          4-输入数据处理方法.mp4
│          5-模板匹配得出识别结果.mp4
│         
├─17-【方向B：NLP方向】自然语言处理基础技术
│  ├─1-NLP常用工具包实战
│  │      1-Python字符串处理.mp4
│  │      10-名字实体匹配.mp4
│  │      11-恐怖袭击分析.mp4
│  │      12-统计分析结果.mp4
│  │      13-结巴分词器.mp4
│  │      14-词云展示.mp4
│  │      2-正则表达式基本语法.mp4
│  │      3-正则常用符号.mp4
│  │      4-常用函数介绍.mp4
│  │      5-NLTK工具包简介.mp4
│  │      6-停用词过滤.mp4
│  │      7-词性标注.mp4
│  │      8-数据清洗实例.mp4
│  │      9-Spacy工具包.mp4
│  │      
│  ├─2-自然语言处理项目流程实例
│  │      1-Python字符串处理.mp4
│  │      10-名字实体匹配.mp4
│  │      11-恐怖袭击分析.mp4
│  │      12-统计分析结果.mp4
│  │      13-结巴分词器.mp4
│  │      14-词云展示.mp4
│  │      2-正则表达式基本语法.mp4
│  │      3-正则常用符号.mp4
│  │      4-常用函数介绍.mp4
│  │      5-NLTK工具包简介.mp4
│  │      6-停用词过滤.mp4
│  │      7-词性标注.mp4
│  │      8-数据清洗实例.mp4
│  │      9-Spacy工具包.mp4
│  │      
│  ├─3-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
│  │      2-商品类别划分方式.mp4
│  │      3-商品类别可视化展示.mp4
│  │      4-商品描述长度对价格的影响分析.mp4
│  │      5-关键词的词云可视化展示.mp4
│  │      6-基于tf-idf提取关键词信息.mp4
│  │      7-通过降维进行可视化展示.mp4
│  │      8-聚类分析与主题模型展示.mp4
│  │      
│  ├─4-贝叶斯算法分析与实战
│  │      1-贝叶斯算法概述.mp4
│  │      10-LDA建模.mp4
│  │      11-基于贝叶斯算法进行新闻分类.mp4
│  │      2-贝叶斯推导实例.mp4
│  │      3-贝叶斯拼写纠错实例.mp4
│  │      4-垃圾邮件过滤实例.mp4
│  │      5-贝叶斯实现拼写检查器.mp4
│  │      6-文本分析与关键词提取.mp4
│  │      7-相似度计算.mp4
│  │      8-新闻数据与任务简介.mp4
│  │      9-TF-IDF关键词提取.mp4
│  │      
│  ├─5-N-gram 语言模型
│  │      1-开篇.mp4
│  │      10-负采样模型.mp4
│  │      2-语言模型.mp4
│  │      3-N-gram模型.mp4
│  │      4-词向量.mp4
│  │      5-神经网络模型.mp4
│  │      6-Hierarchical Softmax.mp4
│  │      7-CBOW模型实例.mp4
│  │      8-CBOW求解目标.mp4
│  │      9-锑度上升求解.mp4
│  │      
│  └─6-HMM隐马尔科夫模型
│          1-马尔科夫模型.mp4
│          10-维特比算法.mp4
│          11-hmmlearn工具包.mp4
│          12-工具包使用方法.mp4
│          13-中文分词任务.mp4
│          14-实现中文分词.mp4
│          2-隐马尔科夫模型基本出发点.mp4
│          3-组成与要解决的问题.mp4
│          4-暴力求解方法.mp4
│          5-复杂度计算.mp4
│          6-前向算法.mp4
│          7-前向算法求解实例.mp4
│          8-Baum-Welch算法.mp4
│          9-参数求解.mp4
│         
├─18-【方向B：NLP方向】词向量与文本表示学习
│  ├─1-Word2Vec模型解读与构建
│  │      1-词向量模型通俗解释.mp4
│  │      2-模型整体框架.mp4
│  │      3-训练数据构建.mp4
│  │      4-CBOW与Skip-gram模型.mp4
│  │      5-负采样方案.mp4
│  │      6-word2vec词向量模型.mp4
│  │      
│  ├─2-基于word2vec的实战项目
│  │      1-数据与任务流程.mp4
│  │      10-基于word2vec的LSTM模型.mp4
│  │      11-影评情感分类.mp4
│  │      12-基于词袋模型训练分类器.mp4
│  │      13-准备word2vec输入数据.mp4
│  │      14-使用gensim构建word2vec词向量（新）.mp4
│  │      2-数据清洗.mp4
│  │      3-batch数据制作.mp4
│  │      4-网络训练.mp4
│  │      5-可视化展示.mp4
│  │      6-RNN网络架构.mp4
│  │      7-LSTM网络架构.mp4
│  │      8-案例：使用LSTM进行情感分类.mp4
│  │      9-情感数据集处理.mp4
│  │      
│  ├─3-文本特征方法对比
│  │      1-任务概述.mp4
│  │      2-词袋模型.mp4
│  │      3-词袋模型分析.mp4
│  │      4-TFIDF模型.mp4
│  │      5-word2vec词向量模型.mp4
│  │      6-深度学习模型.mp4
│  │      
│  ├─4-文本相似度模型
│  │      1-任务概述.mp4
│  │      2-数据展示.mp4
│  │      3-正负样本制作.mp4
│  │      4-数据预处理.mp4
│  │      5-网络模型定义.mp4
│  │      6-基于字符的训练.mp4
│  │      7-基于句子的相似度训练.mp4
│  │      
│  ├─5-NLP实战项目-机器人写唐诗
│  │      1-任务概述与环境配置.mp4
│  │      2-参数配置.mp4
│  │      3-数据预处理模块.mp4
│  │      4-batch数据制作.mp4
│  │      5-RNN模型定义.mp4
│  │      6-完成训练模块.mp4
│  │      7-训练唐诗生成模型.mp4
│  │      8-测试唐诗生成效果.mp4
│  │      
│  ├─6-NLP实战项目-对话机器人
│  │      1-效果演示.mp4
│  │      2-参数配置与数据加载.mp4
│  │      3-数据处理.mp4
│  │      4-词向量与投影.mp4
│  │      5-seq网络.mp4
│  │      6-网络训练.mp4
│  │      
│  └─7-NLP实战项目-医学糖尿病数据命名实体识别
│          1-数据与任务介绍.mp4
│          2-整体模型架构.mp4
│          3-数据-标签-语料库处理.mp4
│          4-训练网络模型.mp4
│          5-医疗数据集（糖尿病）实体识别.mp4
│          6-输入样本填充补齐.mp4
│         
├─19-【方向B：NLP方向】Transformer与预训练语言模型
│  ├─1-Huggingface与NLP介绍
│  │      1-Huggingface与NLP介绍解读.mp4
│  │      
│  ├─10-文本预训练构建
│  │      1-预训练模型效果分析.mp4
│  │      2-文本数据截断处理.mp4
│  │      3-预训练模型自定义训练.mp4
│  │      
│  ├─11-文本预训练模型构建实例
│  │      1-中文商城评价数据处理方法.mp4
│  │      2-模型训练与测试结果.mp4
│  │      3-文本摘要数据标注方法.mp4
│  │      4-训练自己标注的数据并测试.mp4
│  │      
│  ├─12-知识图谱抽取实战
│  │      1-应用场景概述分析.mp4
│  │      2-数据标注格式样例分析.mp4
│  │      3-数据处理与读取模块.mp4
│  │      4-实体抽取模块分析.mp4
│  │      5-标签与数据结构定义方法.mp4
│  │      6-模型构建与计算流程.mp4
│  │      7-网络模型前向计算方法.mp4
│  │      8-关系抽取模型训练.mp4
│  │      
│  ├─2-Huggingface数据集制作方法实例
│  │      1-数据结构分析.mp4
│  │      2-Huggingface中的预处理实例.mp4
│  │      3-数据处理基本流程.mp4
│  │      
│  ├─3-Transformer工具包实战
│  │      1-工具包与任务整体介绍.mp4
│  │      2-NLP任务常规流程分析.mp4
│  │      3-文本切分方法实例解读.mp4
│  │      4-AttentionMask配套使用方法.mp4
│  │      5-数据集与模型.mp4
│  │      6-数据Dataloader封装.mp4
│  │      7-模型训练所需配置参数.mp4
│  │      8-模型训练DEMO.mp4
│  │      9-transformer原理解读.mp4
│  │      
│  ├─4-预训练语言模型 BERT 原理解析
│  │      1-BERT课程简介.mp4
│  │      10-BERT模型训练方法.mp4
│  │      11-训练实例.mp4
│  │      2-BERT任务目标概述.mp4
│  │      3-传统解决方案遇到的问题.mp4
│  │      4-注意力机制的作用.mp4
│  │      5-self-attention计算方法.mp4
│  │      6-特征分配与softmax机制.mp4
│  │      7-Multi-head的作用.mp4
│  │      8-位置编码与多层堆叠.mp4
│  │      9-transformer整体架构梳理.mp4
│  │      
│  ├─5-预训练语言模型 BERT 源码解读
│  │      1-BERT开源项目简介.mp4
│  │      10-构建QKV矩阵.mp4
│  │      11-完成Transformer模块构建.mp4
│  │      12-训练BERT模型.mp4
│  │      2-项目参数配置.mp4
│  │      3-数据读取模块.mp4
│  │      4-数据预处理模块.mp4
│  │      5-tfrecord数据源制作.mp4
│  │      6-Embedding层的作用.mp4
│  │      7-加入额外编码特征.mp4
│  │      8-加入位置编码特征.mp4
│  │      9-mask机制的作用.mp4
│  │      
│  ├─6-预训练语言模型 BERT 变体原理解析
│  │      1-BERT模型训练方法解读.mp4
│  │      2-ALBERT基本定义.mp4
│  │      3-ALBERT中的简化方法解读.mp4
│  │      4-RoBerta模型训练方法解读.mp4
│  │      5-DistilBert模型解读.mp4
│  │      
│  ├─7-BERT应用实战-中文情感分析
│  │      1-中文分类数据与任务概述.mp4
│  │      2-读取处理自己的数据集.mp4
│  │      3-训练BERT中文分类模型.mp4
│  │      
│  ├─8-BERT应用实战-中文命名实体识别
│  │  ├─1-命名实体识别数据分析与任务目标
│  │  │      meta.json
│  │  │      raw.m3u8
│  │  │      
│  │  ├─2-NER标注数据处理与读取
│  │  │      meta.json
│  │  │      raw.m3u8
│  │  │      
│  │  └─3-构建BERT与CRF模型
│  │          meta.json
│  │          raw.m3u8
│  │         
│  └─9-文本标注与NER
│          1-文本标注工具Doccano配置方法.mp4
│          2-命名实体识别任务标注方法实例.mp4
│          3-标注导出与BIO处理.mp4
│          4-标签处理并完成对齐操作.mp4
│          5-预训练模型加载与参数配置.mp4
│          6-模型训练与输出结果预测.mp4
│         
├─25-【方向D时序与GNN方向】时间序列预测算法与实战
│  ├─1.RNN网络架构
│  │      RNN网络架构.mp4
│  │      
│  ├─2.LSTM网络架构
│  │      LSTM网络架构.mp4
│  │      
│  ├─3.Informer算法
│  │      1-时间序列预测要完成的任务.mp4
│  │      2-常用模块分析.mp4
│  │      3-论文要解决的问题分析.mp4
│  │      4-Query采样方法解读.mp4
│  │      5-probAttention计算流程.mp4
│  │      6-编码器全部计算流程.mp4
│  │      7-解码器流程分析.mp4
│  │      
│  ├─4.Informer源码
│  │      1-项目使用说明.mp4
│  │      10-核心采样计算方法.mp4
│  │      11-完成注意力机制计算模块.mp4
│  │      12-平均向量的作用.mp4
│  │      13-解码器预测输出.mp4
│  │      2-数据集解读.mp4
│  │      3-模型训练所需参数解读.mp4
│  │      4-数据集构建与读取方式.mp4
│  │      5-数据处理相关模块.mp4
│  │      6-时间相关特征提取方法.mp4
│  │      7-dataloader构建实例.mp4
│  │      8-整体架构分析.mp4
│  │      9-编码器模块实现.mp4
│  │      
│  ├─5.TimesNet时序预测
│  │      1-时序预测故事背景.mp4
│  │      2-论文核心思想解读.mp4
│  │      3-时序特征周期拆解.mp4
│  │      4-计算公式流程拆解.mp4
│  │      5-全部计算流程解读.mp4
│  │      6-周期间特征分析.mp4
│  │      7-源码流程解读.mp4
│  │      8-傅里叶变换流程.mp4
│  │      9-整体计算流程.mp4
│  │      
│  ├─6.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
│  │      
│  └─7.time-llm大模型多模态预测任务
│          1-time-llm大模型多模态预测任务.mp4
│         
├─26-【方向D时序与GNN方向】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
│  │      2-图基本模块定义.mp4
│  │      3-邻接矩阵的定义.mp4
│  │      4-GNN中常见任务.mp4
│  │      5-消息传递计算方法.mp4
│  │      6-多层GCN的作用.mp4
│  │      
│  ├─2.图卷积（GCN）模型
│  │      1-GCN基本模型概述.mp4
│  │      2-图卷积的基本计算方法.mp4
│  │      3-邻接的矩阵的变换.mp4
│  │      4-GCN变换原理解读.mp4
│  │      
│  ├─3.PyTorch Geometric配置与实战
│  │      1-PyTorch Geometric工具包安装与配置方法.mp4
│  │      10-网络结构定义模块.mp4
│  │      11-TopkPooling进行下采样任务.mp4
│  │      12-获取全局特征.mp4
│  │      13-模型训练与总结.mp4
│  │      2-数据集与邻接矩阵格式.mp4
│  │      3-模型定义与训练方法.mp4
│  │      4-文献引用数据集分类案例实战.mp4
│  │      5-构建数据集基本方法.mp4
│  │      6-数据集与任务背景概述.mp4
│  │      7-数据集基本预处理.mp4
│  │      8-用户行为图结构创建.mp4
│  │      9-数据集创建函数介绍.mp4
│  │      
│  ├─4.图注意力与序列模型
│  │      1-图注意力机制的作用与方法.mp4
│  │      2-邻接矩阵计算图Attention.mp4
│  │      3-序列图神经网络TGCN应用.mp4
│  │      4-序列图神经网络细节.mp4
│  │      
│  ├─5.图相似度论文分析
│  │      1-要完成的任务分析.mp4
│  │      10-获得直方图特征结果.mp4
│  │      11-图的全局特征构建.mp4
│  │      12-NTN图相似特征提取.mp4
│  │      13-预测得到相似度结果.mp4
│  │      2-基本方法概述解读.mp4
│  │      3-图模型提取全局与局部特征.mp4
│  │      4-NTN模块的作用与效果.mp4
│  │      5-点之间的对应关系计算.mp4
│  │      6-结果输出与总结.mp4
│  │      7-数据集与任务概述.mp4
│  │      8-图卷积特征提取模块.mp4
│  │      9-分别计算不同Batch点的分布.mp4
│  │      
│  ├─6.图模型轨迹估计
│  │      1-数据集与标注信息解读.mp4
│  │      10-训练数据准备.mp4
│  │      11-Agent特征提取方法.mp4
│  │      12-DataLoader构建图结构.mp4
│  │      13-SubGraph与Attention模型流程.mp4
│  │      2-整体三大模块分析.mp4
│  │      3-特征工程的作用与效果.mp4
│  │      4-传统方法与现在向量空间对比.mp4
│  │      5-输入细节分析.mp4
│  │      6-子图模块构建方法.mp4
│  │      7-特征融合模块分析.mp4
│  │      8-VectorNet输出层分析.mp4
│  │      9-数据与环境配置.mp4
│  │      
│  ├─7.异构图神经网络
│  └─8.KIE关键信息抽取
│          1-配置文件以及要完成的任务解读.mp4
│          2-KIE数据集格式调整方法.mp4
│          3-配置文件与标签要进行处理操作.mp4
│          4-边框要计算的特征分析.mp4
│          5-标签数据处理与关系特征提取.mp4
│          6-特征合并处理.mp4
│          7-准备拼接边与点特征.mp4
│          8-整合得到图模型输入特征.mp4
│         
├─27-【方向E强化学习】强化学习基础算法与实战
│  ├─1.强化学习简介及其应用
│  │      1-一张图通俗解释强化学习.mp4
│  │      2-强化学习的指导依据.mp4
│  │      3-强化学习AI游戏DEMO.mp4
│  │      4-应用领域简介.mp4
│  │      5-强化学习工作流程.mp4
│  │      6-计算机眼中的状态与行为.mp4
│  │      
│  ├─2.PPO算法与公式推导
│  │      1-基本情况介绍.mp4
│  │      2-与环境交互得到所需数据.mp4
│  │      3-要完成的目标分析.mp4
│  │      4-策略梯度推导.mp4
│  │      5-baseline方法.mp4
│  │      6-OnPolicy与OffPolicy策略.mp4
│  │      7-importance sampling的作用.mp4
│  │      8-PPO算法整体思路解析.mp4
│  │      
│  ├─3.PPO实战-月球登陆器训练实例
│  │      1-Critic的作用与效果.mp4
│  │      2-PPO2版本公式解读.mp4
│  │      3-参数与网络结构定义.mp4
│  │      4-得到动作结果.mp4
│  │      5-奖励获得与计算.mp4
│  │      6-参数迭代与更新.mp4
│  │      
│  ├─4.Q-learning与DQN算法
│  │      1-整体任务流程演示.mp4
│  │      2-探索与action获取.mp4
│  │      3-计算target值.mp4
│  │      4-训练与更新.mp4
│  │      5-算法原理通俗解读.mp4
│  │      6-目标函数与公式解析.mp4
│  │      7-Qlearning算法实例解读.mp4
│  │      8-Q值迭代求解.mp4
│  │      9-DQN简介.mp4
│  │      
│  ├─5.DQN改进与应用技巧
│  │      1-DoubleDqn要解决的问题.mp4
│  │      2-DuelingDqn改进方法.mp4
│  │      3-Dueling整体网络架构分析.mp4
│  │      4-MultiSetp策略.mp4
│  │      5-连续动作处理方法.mp4
│  │      
│  ├─6.Actor-Critic算法分析（A3C）
│  │      1-AC算法回顾与知识点总结.mp4
│  │      2-优势函数解读与分析.mp4
│  │      3-计算流程实例.mp4
│  │      4-A3C整体架构分析.mp4
│  │      5-损失函数整理.mp4
│  │      
│  ├─7.用A3C玩转超级马里奥
│  │      1-整体流程与环境配置.mp4
│  │      2-启动游戏环境.mp4
│  │      3-要计算的指标回顾.mp4
│  │      4-初始化局部模型并加载参数.mp4
│  │      5-与环境交互得到训练数据.mp4
│  │      6-训练网络模型.mp4
│  │      
│  └─8.强化学习-拓展
│          强化学习的基础原理与应用等.mp4
│         
├─28-【方向E强化学习】人形机器人高级学习与控制方法
├─29-【方向F智能应用】知识图谱技术与构建
│  ├─1.知识图谱分析与应用
│  │      1-知识图谱通俗解读.mp4
│  │      10-视觉领域图编码实例.mp4
│  │      11-图谱知识融合与总结分析.mp4
│  │      2-知识图谱在搜索引擎中的应用.mp4
│  │      3-知识图谱在医疗领域应用实例.mp4
│  │      4-金融与推荐领域的应用.mp4
│  │      5-数据获取分析.mp4
│  │      6-数据关系抽取分析.mp4
│  │      7-常用NLP技术点分析.mp4
│  │      8-graph-embedding的作用与效果.mp4
│  │      9-金融领域图编码实例.mp4
│  │      
│  ├─2.Neo4j图数据库实战
│  │      1-Neo4j图数据库介绍.mp4
│  │      2-Neo4j数据库安装流程演示.mp4
│  │      3-可视化例子演示.mp4
│  │      4-创建与删除操作演示.mp4
│  │      5-数据库更改查询操作演示.mp4
│  │      6-使用Py2neo建立连接.mp4
│  │      7-提取所需的指标信息.mp4
│  │      8-在图中创建实体.mp4
│  │      9-根据给定实体创建关系.mp4
│  │      
│  ├─3.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
│  │      10-完成对话系统构建.mp4
│  │      2-医疗数据介绍及其各字段含义.mp4
│  │      3-任务流程概述.mp4
│  │      4-环境配置与所需工具包安装.mp4
│  │      5-提取数据中的关键字段信息.mp4
│  │      6-创建关系边.mp4
│  │      7-打造医疗知识图谱模型.mp4
│  │      8-加载所有实体数据.mp4
│  │      9-实体关键词字典制作.mp4
│  │      
│  ├─4.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
│  │      2-LTP工具包概述介绍.mp4
│  │      3-pyltp安装与流程演示.mp4
│  │      4-得到分词与词性标注结果.mp4
│  │      5-依存句法概述.mp4
│  │      6-句法分析结果整理.mp4
│  │      7-语义角色构建与分析.mp4
│  │      8-设计规则完成关系抽取.mp4
│  │      
│  ├─5.金融平台风控模型实践
│  │      1-竞赛任务目标.mp4
│  │      2-图模型信息提取.mp4
│  │      3-节点权重特征提取(PageRank).mp4
│  │      4-deepwalk构建图顶点特征.mp4
│  │      5-各项统计特征.mp4
│  │      6-app安装特征.mp4
│  │      7-图中联系人特征.mp4
│  │      
│  └─6.医学糖尿病数据命名实体识别
│          1-数据与任务介绍.mp4
│          2-整体模型架构.mp4
│          3-数据-标签-语料库处理.mp4
│          4-输入样本填充补齐.mp4
│          5-训练网络模型.mp4
│          6-医疗数据集（糖尿病）实体识别.mp4
│         
├─30-【方向F智能应用】语音识别
│  ├─1.seq2seq序列网络模型
│  │      1-序列网络模型概述分析.mp4
│  │      2-工作原理概述.mp4
│  │      3-注意力机制的作用.mp4
│  │      4-加入attention的序列模型整体架构.mp4
│  │      5-TeacherForcing的作用与训练策略.mp4
│  │      6-额外补充-RNN网络模型解读.mp4
│  │      
│  ├─2.LAS模型语音识别实战
│  │      1-数据源与环境配置.mp4
│  │      2-语料表制作方法.mp4
│  │      3-制作json标注数据.mp4
│  │      4-声音数据处理模块解读.mp4
│  │      5-Pack与Pad操作解析.mp4
│  │      6-编码器模块整体流程.mp4
│  │      7-加入注意力机制.mp4
│  │      8-计算得到每个输出的attention得分.mp4
│  │      9-解码器与训练过程演示.mp4
│  │      
│  ├─3.starganvc2变声器论文原理解读
│  │      1-论文整体思路与架构解读.mp4
│  │      2-VCC2016输入数据.mp4
│  │      3-语音特征提取.mp4
│  │      4-生成器模型架构分析.mp4
│  │      5-InstanceNorm的作用解读.mp4
│  │      6-AdaIn的目的与效果.mp4
│  │      7-判别器模块分析.mp4
│  │      
│  ├─4.staeganvc2变声器源码实战
│  │      1-数据与项目文件解读.mp4
│  │      10-源码损失计算流程.mp4
│  │      11-测试模块-生成转换语音.mp4
│  │      2-环境配置与工具包安装.mp4
│  │      3-数据预处理与声音特征提取.mp4
│  │      4-生成器构造模块解读.mp4
│  │      5-下采样与上采样操作.mp4
│  │      6-starganvc2版本标签输入分析.mp4
│  │      7-生成器前向传播维度变化.mp4
│  │      8-判别器模块解读.mp4
│  │      9-论文损失函数.mp4
│  │      
│  ├─5.语音分离ConvTasnet模型
│  │      1-语音分离任务分析.mp4
│  │      2-经典语音分离模型概述.mp4
│  │      3-DeepClustering论文解读.mp4
│  │      4-TasNet编码器结构分析.mp4
│  │      5-DW卷积的作用与效果.mp4
│  │      6-基于Mask得到分离结果.mp4
│  │      
│  ├─6.ConvTasnet语音分离实战
│  │      1-数据准备与环境配置.mp4
│  │      2-训练任务所需参数介绍.mp4
│  │      3-DataLoader定义.mp4
│  │      4-采样数据特征编码.mp4
│  │      5-编码器特征提取.mp4
│  │      6-构建更大的感受区域.mp4
│  │      7-解码得到分离后的语音.mp4
│  │      8-测试模块所需参数.mp4
│  │      
│  └─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
│          10-得到加权的编码向量.mp4
│          11-模型输出结果.mp4
│          12-损失函数与预测.mp4
│          2-所需数据集介绍.mp4
│          3-路径配置与整体流程解读.mp4
│          4-Dataloader构建数据与标签.mp4
│          5-编码层要完成的任务.mp4
│          6-得到编码特征向量.mp4
│          7-解码器输入准备.mp4
│          8-解码器流程梳理.mp4
│          9-注意力机制应用方法.mp4
│         
├─31-【方向F智能应用】现代推荐系统与实战
│  ├─1.协同过滤与矩阵分解
│  │      1-协同过滤与矩阵分解简介.mp4
│  │      2-基于用户与商品的协同过滤.mp4
│  │      3-相似度计算与推荐实例.mp4
│  │      4-矩阵分解的目的与效果.mp4
│  │      5-矩阵分解中的隐向量.mp4
│  │      6-目标函数简介.mp4
│  │      7-隐式情况分析.mp4
│  │      8-Embedding的作用.mp4
│  │      
│  ├─10.基于相似度的酒店推荐系统
│  │      1-酒店数据与任务介绍.mp4
│  │      2-文本词频统计.mp4
│  │      3-ngram结果可视化展示.mp4
│  │      4-文本清洗.mp4
│  │      5-相似度计算.mp4
│  │      6-得出推荐结果.mp4
│  │      
│  ├─2.推荐系统介绍及其应用
│  │      1-推荐系统通俗解读.mp4
│  │      2-推荐系统发展简介.mp4
│  │      3-应用领域与多方位评估指标.mp4
│  │      4-任务流程与挑战概述.mp4
│  │      5-常用技术点分析.mp4
│  │      6-与深度学习的结合.mp4
│  │      
│  ├─3.音乐推荐系统实战
│  │      1-音乐推荐任务概述.mp4
│  │      2-数据集整合.mp4
│  │      3-基于物品的协同过滤.mp4
│  │      4-物品相似度计算与推荐.mp4
│  │      5-SVD矩阵分解.mp4
│  │      6-基于矩阵分解的音乐推荐.mp4
│  │      
│  ├─4.知识图谱与Neo4j数据库实例
│  │      1-知识图谱通俗解读.mp4
│  │      10-数据库更改查询操作演示.mp4
│  │      2-知识图谱在搜索引擎中的应用.mp4
│  │      3-知识图谱在医疗领域应用实例.mp4
│  │      4-金融与推荐领域的应用.mp4
│  │      5-数据获取分析.mp4
│  │      6-Neo4j图数据库介绍.mp4
│  │      7-Neo4j数据库安装流程演示.mp4
│  │      8-可视化例子演示.mp4
│  │      9-创建与删除操作演示.mp4
│  │      
│  ├─5.基于知识图谱的电影推荐实战
│  │      1-知识图谱推荐系统效果演示.mp4
│  │      2-kaggle电影数据集下载与配置.mp4
│  │      3-图谱需求与任务流程解读.mp4
│  │      4-项目所需环境配置安装.mp4
│  │      5-构建用户电影知识图谱.mp4
│  │      6-图谱查询与匹配操作.mp4
│  │      7-相似度计算与推荐引擎构建.mp4
│  │      
│  ├─6.DeepFM算法解析与实战
│  │      1-CTR估计及其经典方法概述.mp4
│  │      10-广告点击数据预处理实例.mp4
│  │      11-数据处理模块Embedding层.mp4
│  │      12-Index与Value数据制作.mp4
│  │      13-一阶权重参数设计.mp4
│  │      14-二阶特征构建方法.mp4
│  │      15-特征组合方法实例分析.mp4
│  │      16-完成FM模块计算.mp4
│  │      17-DNN模块与训练过程.mp4
│  │      2-高维特征带来的问题.mp4
│  │      3-二项式特征的作用与挑战.mp4
│  │      4-二阶公式推导与化简.mp4
│  │      5-FM算法解析.mp4
│  │      6-DeepFm整体架构解读.mp4
│  │      7-输入层所需数据样例.mp4
│  │      8-Embedding层的作用与总结.mp4
│  │      9-数据集介绍与环境配置.mp4
│  │      
│  ├─7.推荐系统常用工具包演示
│  │      1-环境配置与数据集介绍.mp4
│  │      2-电影数据集预处理分析.mp4
│  │      3-surprise工具包基本使用.mp4
│  │      4-模型测试集结果.mp4
│  │      5-评估指标概述.mp4
│  │      
│  ├─8.基于文本数据的推荐实例
│  │      1-数据与环境配置介绍.mp4
│  │      2-数据科学相关数据介绍.mp4
│  │      3-文本数据预处理.mp4
│  │      4-TFIDF构建特征矩阵.mp4
│  │      5-矩阵分解演示.mp4
│  │      6-LDA主题模型效果演示.mp4
│  │      7-推荐结果分析.mp4
│  │      
│  └─9.基本统计分析的电影推荐
│          1-电影数据与环境配置.mp4
│          2-数据与关键词信息展示.mp4
│          3-关键词云与直方图展示.mp4
│          4-特征可视化.mp4
│          5-数据清洗概述.mp4
│          6-缺失值填充方法.mp4
│          7-推荐引擎构造.mp4
│          8-数据特征构造.mp4
│          9-得出推荐结果.mp4
│         
├─32-【进阶模块】深度学习模型部署与实战
│  ├─1.PyTorch Flask部署示例
│  │      1-基本结构与训练好的模型加载.mp4
│  │      2-服务端处理与预测函数.mp4
│  │      3-基于Flask测试模型预测结果.mp4
│  │      
│  ├─2.PyTorch Docker部署示例
│  │      1-docker简介.mp4
│  │      2-docker安装与配置.mp4
│  │      3-阿里云镜像配置.mp4
│  │      4-基于docker配置pytorch环境.mp4
│  │      5-安装演示环境所需依赖.mp4
│  │      6-复制所需配置到容器中.mp4
│  │      7-上传与下载配置好的项目.mp4
│  │      
│  ├─3.使用Docker实现TensorFlow-Serving部署实战
│  │      1-tf-serving项目获取与配置.mp4
│  │      2-加载并启动模型服务.mp4
│  │      3-测试模型部署效果.mp4
│  │      4-fashion数据集获取.mp4
│  │      5-加载fashion模型启动服务.mp4
│  │      
│  ├─4.AloT与Jetson Nano
│  │      1-jetson nano 硬件介绍.mp4
│  │      2-jetson nano 刷机.mp4
│  │      3-jetson nano 系统安装过程.mp4
│  │      4-感受nano的GPU算力.mp4
│  │      5-安装使用摄像头csi usb.mp4
│  │      
│  ├─5.AloT实战应用
│  │      1-jetson-inference 入门.mp4
│  │      2-docker 的安装使用.mp4
│  │      3-docker中运行分类模型.mp4
│  │      4-训练自己的目标检测模型准备.mp4
│  │      5-训练出自己目标识别模型a.mp4
│  │      6-训练出自己目标识别模型b.mp4
│  │      7-转换出onnx模型，并使用.mp4
│  │      
│  ├─6.NVIDIA TAO训练工具
│  │      1-NVIDIA TAO介绍和安装.mp4
│  │      2-NVIDIA TAO数据准备和环境设置.mp4
│  │      3-NVIDIA TAO数据转换.mp4
│  │      4-NVIDIA TAO预训练模型和训练a.mp4
│  │      5-NVIDIA TAO预训练模型和训练b.mp4
│  │      6-NVIDIA TAO预训练模型和训练c.mp4
│  │      7-TAO 剪枝在训练推理验证.mp4
│  │      
│  └─7.DeepStream应用
│          1-deepstream 介绍安装.mp4
│          2-deepstream HelloWorld.mp4
│          3-GStreamer RTP和RTSP1.mp4
│          4-GStreamer RTP和RTSP2.mp4
│          5-python实现RTP和RTSP.mp4
│          6-deepstream推理.mp4
│          7-deepstream集成yolov4.mp4
│         
├─33-【进阶模块】深度学习模型优化与创新
│  ├─1.通用创新点
│  │      1-ACMIX（卷积与注意力融合）.mp4
│  │      10-Attention额外加入先验知识.mp4
│  │      11-结合GNN构建局部特征.mp4
│  │      12-损失函数约束项.mp4
│  │      13-自适应可学习参数.mp4
│  │      14-Coarse2Fine大框架.mp4
│  │      15-只能机器学习模型时凑工作量（特征工程）.mp4
│  │      16-自己数据集如何发的好（要开源）.mp4
│  │      17-可变形卷积加入方法.mp4
│  │      18-在源码中加入各种注意力机制方法.mp4
│  │      2-GCnet（全局特征融合）.mp4
│  │      3-Coordinate_attention.mp4
│  │      4-SPD（可替换下采样）.mp4
│  │      5-SPP改进.mp4
│  │      6-mobileOne（加速）.mp4
│  │      7-Deformable（替换selfAttention）.mp4
│  │      8-ProbAttention（采样策略）.mp4
│  │      9-CrossAttention融合特征.mp4
│  │      
│  ├─2.模型剪枝-Network Slimming算法分析
│  │      1-论文算法核心框架概述.mp4
│  │      2-BatchNorm要解决的问题.mp4
│  │      3-BN的本质作用.mp4
│  │      4-额外的训练参数解读.mp4
│  │      5-稀疏化原理与效果.mp4
│  │      
│  ├─3.模型剪枝-Network Slimming实战解读
│  │      1-整体案例流程解读.mp4
│  │      2-加入L1正则化来进行更新.mp4
│  │      3-剪枝模块介绍.mp4
│  │      4-筛选需要的特征图.mp4
│  │      5-剪枝后模型参数赋值.mp4
│  │      6-微调完成剪枝模型.mp4
│  │      
│  ├─4.Mobilenet三代网络模型架构
│  │      1-模型剪枝分析.mp4
│  │      10-V2整体架构与效果分析.mp4
│  │      11-V3版本网络架构分析.mp4
│  │      12-SE模块作用与效果解读.mp4
│  │      13-代码实现mobilenetV3网络架构.mp4
│  │      2-常见剪枝方法介绍.mp4
│  │      3-mobilenet简介.mp4
│  │      4-经典卷积计算量与参数量分析.mp4
│  │      5-深度可分离卷积的作用与效果.mp4
│  │      6-参数与计算量的比较.mp4
│  │      7-V1版本效果分析.mp4
│  │      8-V2版本改进以及Relu激活函数的问题.mp4
│  │      9-倒残差结构的作用.mp4
│  │      
│  ├─5.知识蒸馏
│  │      知识蒸馏与简历相关.mp4
│  │      
│  └─6.拓展-模型部署与优化
│          模型部署.mp4
│         
├─34-【进阶模块】科研与职业发展
│  ├─1.论文写作与科研方法论
│  │      1-从0-1：论文写作.mp4
│  │      2-论文要完成的核心架构分析.mp4
│  │      3-网络模型基本组件分析.mp4
│  │      4-流程概述分析.mp4
│  │      5-实验结果分析.mp4
│  │      6-源码实现细节解读.mp4
│  │      7-源码结果总结.mp4
│  │      
│  ├─2.Deepseek辅助科研技能学习和科研探索
│  │      Deepseek辅助科研技能学习和科研探索.mp4
│  │      
│  ├─3.AI时代职业规划
│  │      AI浪潮之下的职业新机遇：如何武装自己，拿下未来岗位？.mp4
│  │      
│  └─4.就业简历指导
│          就业简历.mp4
│         
├─35-14期直播课程
│  ├─1-计算机视觉基础与工程落地
│  │      1.CV的任务体系、发展历程及图像的数学基础.mp4
│  │      2.图像处理基础.mp4
│  │      3.图像特征提取与图像分类传统机器学习方法.mp4
│  │      4.神经网络发展历程与卷积神经网络的原理及训练方法.mp4
│  │      5.经典CNN结构：AlexNet →VGG →GoogLeNet→ResNet.mp4
│  │      6.深度学习训练技巧与模型优化方法.mp4
│  │      7.目标检测（一）两阶段检测方法.mp4
│  │      8.目标检测（二）单阶段检测方法.mp4
│  │      
│  ├─2-计算机视觉行业落地综合实战
│  │      1.MediaPipe面部关键点检测与追踪.mp4
│  │      2.图像融合与美瞳试戴.mp4
│  │      3.图像融合以及美瞳试戴2.mp4
│  │      4.MediaPipe人体姿态检测与关键点提取.mp4
│  │      5.SAM3自动分割图像.mp4
│  │      6.sam3视频分割与追踪.mp4
│  │      7.YOLO目标检测和实例分割.mp4
│  │      8.yolo实战古籍上色.mp4
│  │      
│  ├─3-自然语言处理基础与Transformer原理
│  │      1.NLP基础任务体系与技术演进.mp4
│  │      2.文本表示：从词袋模型到静态词向量.mp4
│  │      3.RNN序列建模与LSTMGRU门控机制详解.mp4
│  │      4.Attention原理与Self-Attention内部计算！.mp4
│  │      5.预训练模型架构范式对比（BERT  GPT  T5）.mp4
│  │      6.GPT 与 LLM 基础.mp4
│  │      7.LoRA、P-Tuning原理.mp4
│  │      
│  └─4-大模型算法原理与架构深度解析
│          1.大模型架构生态论.mp4
│          2.工程化落地实践.mp4
│          3.链式思维（CoT）进阶.mp4
│          4.慢思考模型解析.mp4
│          5.稀疏激活机制详解.mp4
│          6.SOTA模型架构精读.mp4
│         
└─资料
        1-人工智能深度学习系统班（第十四期）.txt
        打开资料的看的方式.png

游客，如果您要查看本帖隐藏内容请回复

本帖隐藏的内容需要登入才可浏览，如需注册账号请点击这里

七岁大胖猫

啥也不说了，感谢楼主分享哇！

smart009131

啥也不说了，感谢楼主分享哇！

csa

啥也不说了，感谢楼主分享哇！

taipingyang2021

啥也不说了，感谢楼主分享哇！

neun

啥也不说了，感谢楼主分享哇！

mayongz2023

啥也不说了，感谢楼主分享哇！

17770767379

啥也不说了，感谢楼主分享哇！

离之歌

啥也不说了，感谢楼主分享哇！

pm1784

啥也不说了，感谢楼主分享哇！