咕泡 - 人工智能深度学习系统班（第十一期）

星***

咕泡-人工智能深度学习系统班（第十一期）
　 01-机器学习
　 7-图像分割实战
　 6-综合项目-物体检测经典算法实战
　 18-强化学习与AI黑科技实例
　 2-AI课程所需安装软件教程
　 8-走向AI论文实验与项目实战的捷径-MMLAB实战系列
　 19-面向医学领域的深度学习实战
　 26-自然语言处理通用框架-BERT实战
　 13-面向深度学习的无人驾驶实战
　 9-经典视觉项目实战：行为识别、姿态估计、目标追踪
　 20-CV与NLP经典大模型解读
　 14-对比学习与多模态任务实战
　 11-图神经网络实战
　 15-缺陷检测实战
　 21-CV与NLP经典大模型解读2
　 10-论必备-Transformer实战系列
　 3-深度学习必备核算法
　 16-行人重识别实战
　 22-深度学习模型部署与剪枝优化实战
　 23-自然语言处理经典案例实战
　 28-知识图谱实战系列
　 30-推荐系统实战系列
　 12-3D点云实战
　 27-论文创新点常用方法及其应用实例
　 1-直播课回放
　 29-语音识别实战系列
　 5-Opencv图像处理框架实战
　 17-对抗生成网络实战
　 4-深度学习框架PyTorch
　 25-自然语言处理必备神器Huggingface系列实战
　 24-时间序列预测
　　 08-第八模块：Python金融分析与量化交易实战
　　 01-第一模块：Python快速入门
　　 09-第九模块：深度学习经典算法解析
　　 03-第三模块：人工智能-必备数学课程
　　 10-选修：Python数据分析案例实战
　　 11-选修：机器学习进阶实战
　　 02-第二模块：Python数据科学必备工具包实战
　　 07-第七模块：机器学习竞赛优胜解决方案实战
　　 06-第六模块：机器学习案例实战应用集锦
　　 05-第五模块：机器学习算法建模实战项目
　　 04-第四模块：机器学习算法精讲及其案例应用
　　 资料.7z
　　 数学基础课件.zip
　　 7-医学脏视频数据集分割建模实战
　　 10-物体检测框架-MaskRcnn项目介绍与配置
　　 4-U2NET显著性检测实战
　　 5-deeplab系列算法
　　 12-基于MASK-RCNN框架训练自己的数据与任务
　　 3-unet医学细胞分割实战
　　 1-图像分割及其损失函数概述
　　 9-补充：Mask2former源码解读
　　 2-Unet系列算法讲解
　　 6-基于deeplabV3+版本进VOC分割实战
　　 11-MaskRcnn网络框架源码详解
　　 8-分割模型Maskformer系列
　　 13-ChatGPT
　　 3-PPO实战-月球登陆器训练实例
　　 6-Actor-Critic算法分析（A3C）
　　 4-Q-learning与DQN算法
　　 9-GPT建模与预测流程
　　 7-用A3C玩转超级马里奥
　　 11-Diffusion模型解读
　　 2-PPO算法与公式推导
　　 14-拓展-强化学习
　　 1-强化学习简介及其应用
　　 12-Dalle2及其源码解读
　　 5-DQN改进与应用技巧
　　 10-CLIP系列
　　 8-GPT系列生成模型
　　 6-项目实战-基于V3版本进行源码解读（建议直接跑V5版本）
　　 19-EfficientDet检测算法
　　 3-YOLO-V1整体思想与网络架构
　　 15-detr目标检测源码解读
　　 14-基于Transformer的detr目标检测算法
　　 18-EfficientNet网络
　　 20-YOLO V9
　　 17-半监督物体检测
　　 1-物体检测评估指标
　　 5-YOLO-V3核心网络模型
　　 10-V5项目工程源码解读
　　 8-YOLO-V4版本算法解读
　　 2-深度学习经典检测法概述
　　 7-基于YOLO-V3训练自己的数据集与任务（建议直接跑V5版本）
　　 12-V7源码解读
　　 4-YOLO-V2改进细节详解
　　 13-YOLOV8
　　 11-YOLO系列（V7）算法解读
　　 9-V5版本项目配置
　　 16-DeformableDetr算法解读
　　 2-Anaconda基础讲解和使用的教程
　　 1-AI课程所需安装软件教程
　　 4-项目实战-基于BERT的中文命名实体识别识别实战
　　 1-自然语言处理通用框架BERT原理解读
　　 6-必备基础-掌握Tensorflow如何实现word2vec模型
　　 7-必备基础知识点-RNN网络架构与情感分析应用实例
　　 5-必备基础知识点-woed2vec模型通俗解读
　　 2-谷歌开源项目BERT源码解读与应用实例
　　 3-项目实战-基于BERT的中文情感分析实战
　　 8-医学糖尿病数据命名实体识别
　　 5-第二模块：使用分割模块训练自己的数据集
　　 16-第五模块：stylegan2源码解读
　　 9-第三模块：DeformableDetr物体检测源码分析
　　 1-MMCV安装方法
　　 7-第二模块：分割任务CVPR最新Backbone设计及其应用
　　 13-第四模块：DBNET文字检测
　　 20-第八模块：模型剪枝方法概述分析
　　 19-第八模块：模型蒸馏应用实例
　　 21-第九模块：mmaction行为识别
　　 14-第四模块：ANINET文字识别
　　 8-第三模块：mmdet训练自己的数据任务
　　 17-第六模块：BasicVSR++视频超分辨重构源码解读
　　 15-第四模块：KIE基于图模型的关键信息抽取
　　 18-第七模块：多模态3D目标检测算法源码解读
　　 23-额外补充-在源码中加入各种注意力机制方法
　　 10-第三模块：DeformableDetr算法解读
　　 11-补充：Mask2former源码解读
　　 3-第一模块：训练结果测试与验证
　　 24-追踪新增
　　 12-KIE关键信息抽取与视频超分辨率重构
　　 6-第二模块：基于Unet进行各种策略修改
　　 22-OCR算法解读
　　 4-第一模块：模型源码DEBUG演示
　　 2-第一模块：分类任务基本操作
　　 9-基于deeplabV3+版本进行VOC分割实战
　　 17-医学糖尿病数据命名实体识别
　　 2-PyTorch框架基本处理操作
　　 14-Neo4j数据库实战
　　 5-图像分割及其损失函数概述
　　 16-词向量模型与RNN网络架构
　　 1-卷积神经网络原理与参数解读
　　 11-YOLO系列物体检测算法原理解读
　　 7-unet医学细胞分割实战
　　 4-基于Resnet的医学数据集分类实战
　　 10-基于deeplab的心脏视频数据诊断分析
　　 15-基于知识图谱的医药问答系统实战
　　 3-PyTorch框架必备核心模块解读
　　 8-deeplab系列算法
　　 13-知识图谱原理解读
　　 12-基于YOLO5细胞检测实战
　　 6-Unet系列算法讲解
　　 5-ANINET源码解读
　　 3-多模态3D目标检测算法源码解读
　　 2-CLIP系列
　　 1-对比学习算法与实例
　　 4-多模态文字识别
　　 11-deepsort算法知识点解读
　　 13-YOLO-V4版本算法解读
　　 9-姿态估计OpenPose系列算法解读
　　 7-基础补充-Resnet模型及其应用实例
　　 15-V5项目工程源码解读
　　 1-slowfast算法知识点通俗解读
　　 5-视频异常检测算法与元学习
　　 6-视频异常检测CVPR2021论文及其源码解读
　　 4-基于3D卷积的视频分析与动作识别
　　 3-slowfast源码详细解读
　　 2-slowfast项目环境配置与配置文件
　　 8-课程介绍
　　 14-V5版本项目配置
　　 12-deepsort源码解读
　　 10-OpenPose算法源码分析
　　 12-TSDF实战案例
　　 9-NeuralRecon项目环境配置
　　 3-车道线检测算法与论文解读
　　 5-商汤LoFTR算法解读
　　 7-三维重建应用与坐标系基础
　　 1-深度估计算法原理解读
　　 15-特斯拉无人驾驶解读
　　 10-NeuralRecon项目源码解读
　　 13-轨迹估计算法与论文解读
　　 8-NeuralRecon算法解读
　　 14-轨迹估计预测实战
　　 2-深度估计项目实战
　　 4-基于深度学习的车道线检测项目实战
　　 6-局部特征关键点匹配实战
　　 11-TSDF算法与应用
　　 6-视觉自监督任务BEITV2论文解读
　　 14-视觉QA算法与论文解读
　　 2-GPT系列算法解读
　　 13-视觉大模型SAM
　　 1-课程简介
　　 18-RAGFLOW和function calling
　　 3-GPT2训练与预测部署流程
　　 5-视觉自监督BEIT算法解读
　　 10-补充-视觉大模型基础-deformableAttention
　　 8-BEV感知特征空间算法解读
　　 12-LLM下游任务训练自己模型实战
　　 9-BEVformer项目源码解读
　　 11-LLM与LORA微调策略解读
　　 7-视觉自监督任务BEITV2源码解读
　　 16-openai-dalle2论文解读
　　 17-openai-dalle2源码解读
　　 15-扩散模型diffusion架构算法解读
　　 8-基于图模型的轨迹估计
　　 9-图模型轨迹估计实战
　　 2-图卷积GCN模型
　　 5-图注意力机制与序列图模型
　　 11-异构图神经网络
　　 3-图模型必备神器PyTorch Geometric安装与使用
　　 4-使用PyTorch Geometric构建自己的图数据集
　　 6-图相似度论文解读
　　 1-图神经网络基础
　　 7-图相似度计算实战
　　 10-基于图模型的时间序列预测
　　 3-物体检测框架YOLOV5版本项目配置
　　 12-图像分割deeplab系列算法
　　 5-基于YOLOV5的钢材缺陷检测实战
　　 13-基于deeplabV3+版本进VOC分割实战
　　 14-Deeplab铁质材料缺陷检测与开源项应流程
　　 10-基于Opencv缺陷检测项实战
　　 11-基于视频流线的Opencv缺陷检测项
　　 2-物体检框架YOLO-V4版本算法解读
　　 1-课程介绍
　　 7-Opencv图像常处理法实例
　　 9-Opencv轮廓检测与直图
　　 6-Semi-supervised布料缺陷检测实战
　　 4-物体检测框架YOLOV5项目工程源码解读
　　 8-Opencv梯度计算与边缘检测实例
　　 3-CVPR2024：YOLO- World
　　 5-Llama3应用
　　 4-time-llm大模型多模态预测任务
　　 10-Llava与YOLO11
　　 1-斯坦福AI小镇架构与项目解读
　　 8-RAGFLOW和function calling
　　 7-大模型微调与应用
　　 9-Agent工作流搭建
　　 6-SAM2视频分割
　　 6-基于Transformer的detr目标检测算法
　　 19-Informer时间序列源码解读
　　 7-detr目标检测源码解读
　　 3-VIT算法模型源码解读
　　 1-Transformer算法解读
　　 4-swintransformer算法原理解析
　　 20-Huggingface与NLP（讲故事）
　　 16-BEV特征空间
　　 14-分割模型Maskformer系列
　　 15-Mask2former源码解读
　　 17-BevFormer源码解读
　　 18-时间序列预测
　　 2-视觉Transformer及其源码分析
　　 13-局部特征关键点匹配实战
　　 10-MedicalTrasnformer论文解读
　　 11-MedicalTransformer源码解读
　　 8-DeformableDetr算法解读
　　 9-DeformableDetr物体检测源码分析
　　 5-swintransformer源码解读
　　 12-商汤LoFTR算法解读
　　 6-YOLO-V3物体检测部署实例
　　 1-AIoT人工智能物联网之认识 jetson nano
　　 11-Mobilenet三代网络模型架构
　　 4- AIoT人工智能物联网之deepstream
　　 8-tensorflow-serving实战
　　 2-AIoT人工智能物联网之AI 实战
　　 3-AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器
　　 5-pyTorch框架部署实践
　　 7-docker实例演示
　　 9-模型剪枝-Network Slimming算法分析
　　 10-模型剪枝-Network Slimming实战解读
　　 12-拓展-模型部署
　　 1-神经网络结构
　　 2-卷积神经网络
　　 3-Transformer
　　 4-VIT源码解读
　　 4-AAAI2020顶会算法精讲
　　 5-项目实战-基于行人局部特征融合的再识别实战
　　 7-基于拓扑图的行人重识别项目实战
　　 2-基于注意力机制的Reld模型论文解读
　　 6-旷视研究院最新算法解读（基于图模型）
　　 8-额外补充：行人搜索源码分析
　　 1-行人重识别原理及其应用
　　 3-基于Attention的行人重识别项目实战
　　 2-商品信息可视化与文本分析
　　 3-贝叶斯算法
　　 7-语言模型
　　 12-LSTM情感分析
　　 9-基于word2vec的分类任务
　　 11-NLP-相似度模型
　　 10-NLP-文本特征方法对比
　　 13-机器人写唐诗
　　 6-HMM工具包实战
　　 5-HMM隐马尔科夫模型
　　 8-使用Gemsim构建词向量
　　 14-对话机器人
　　 1-NLP常用工具包实战
　　 4-新闻分类任务实战
　　 1-通用创新点
　　 2-论文写作参考范文
　　 8-医学糖尿病数据命名实体识别
　　 4-使用python操作neo4j实例
　　 1-知识图谱介绍及其应用领域分析
　　 5-基于知识图谱的医药问答系统实战
　　 2-知识图谱涉及技术点分析
　　 3-Neo4j数据库实战
　　 6-文本关系抽取实践
　　 7-金融平台风控模型实践
　　 2-协同过滤与矩阵分解
　　 8-推荐系统常用工具包演示
　　 10-基本统计分析的电影推荐
　　 5-基于知识图谱的电影推荐实战
　　 3-音乐推荐系统实战
　　 6-点击率估计FM与DeepFM算法
　　 9-基于文本数据的推荐实例
　　 4-知识图谱与Neo4j数据库实例
　　 11-补充-基于相似度的酒店推荐系统
　　 7-DeepFM算法实战
　　 1-推荐系统介绍及其应用
　　 6-点云补全实战解读
　　 7-点云配准及其案例实战
　　 8-基础补充-对抗生成网络架构原理与实战解析
　　 3-PointNet++算法解读
　　 4-Pointnet++项目实战
　　 5-点云补全PF-Net论文解读
　　 2-3D点云PointNet算法
　　 1-3D点云实战 3D点云应用领域分析
　　 2-LAS模型语音识别实战
　　 7-语音合成tacotron最新版实战
　　 3-starganvc2变声器论文原理解读
　　 1-seq2seq序列网络模型
　　 5-语音分离ConvTasnet模型
　　 4-staeganvc2变声器源码实战
　　 6-ConvTasnet语音分离实战
　　 012、Huggingface与知识图谱.mp4
　　 010、基于分层强化学习的机器人路径规划方法.mp4
　　 014、Deepseek辅助科研技能学习和科研探索--.mp4
　　 011、时间序列预测.mp4
　　 006、融合强化学习与机器人训练原理、架构、部署.mp4
　　 008、Transformer下游应用实例.mp4
　　 007、VIT 源码Debug.mp4
　　 004、卷积神经网络.mp4
　　 003、神经网络解读.mp4
　　 002、Pycharm环境配置与Debug演示(没用过的同学必看).mp4
　　 005、transformer架构解读.mp4
　　 001、开班典礼.mp4
　　 009、图神经网络.mp4
　　 013、对比学习.mp4
　　 7-starganvc2变声器项目实战及其源码解读
　　 8-图像超分辨率重构实战
　　 2-对抗生成网络架构原理与实战解析
　　 6-基于starganvc2的变声器论文原理解读
　　 5-stargan项目实战及其源码解读
　　 9-基于GAN的图像补全实战
　　 1-课程介绍
　　 4-stargan论文架构解析
　　 3-基于CycleGan开源项目实战图像合成
　　 1-课程简介与环境配置
　　 9-项目实战-信用卡数字识别
　　 5-图像梯度计算
　　 10-项目实战-文档扫描OCR识别
　　 6-边缘检测
　　 3-阈值与平滑处理
　　 15-项目实战-答题卡识别判卷
　　 11-图像特征-harris
　　 19-项目实战-目标追踪
　　 12-图像特征-sift
　　 8-直方图与傅里叶变换
　　 13-案例实战-全景图像拼接
　　 16-背景建模
　　 14-项目实战-停车场车位识别
　　 21-项目实战-疲劳检测
　　 20-卷积原理与操作
　　 17-光流估计
　　 4-图像形态学操作
　　 7-图像金字塔与轮廓检测
　　 18-Opencv的DNN模块
　　 2-图像基本操作
　　 1-Informer原理解读
　　 2-Informer源码解读
　　 4-time-llm大模型多模态预测任务
　　 3-Timesnet时序预测
　　 3-神经网络回归任务-气温预测
　　 8-PyTorch框架Flask部署例子
　　 7-LSTM文本分类实战
　　 2-使用神经网络进行分类任务
　　 5-图像识别模型与训练策略（重点）
　　 1-PyTorch框架介绍与配置安装
　　 4-卷积网络参数解读分析
　　 6-DataLoader自定义数据集制作
　　 2-Transformer工具包基本操作实例解读
　　 11-补充Huggingface数据集制作方法实例
　　 8-GPT训练与预测部署流程
　　 1-Huggingface与NLP介绍解读
　　 3-transformer原理解读
　　 10-图谱知识抽取实战
　　 9-文本摘要建模
　　 4-BERT系列算法解读
　　 7-GPT系列算法
　　 6-文本预训练模型构建实例
　　 5-文本标注工具与NER实例
　　　 01-课程内容与大纲介绍
　　　 11-聚类分析策略
　　　 10-因子打分选股实战
　　　 09-因子分析实战
　　　 13-基于深度学习的时间序列预测
　　　 02-金融数据时间序列分析
　　　 06-Ricequant回测选股分析实战
　　　 08-因子选股策略实战
　　　 04-策略收益与风险评估指标解析
　　　 05-量化交易与回测平台解读
　　　 12-拓展：fbprophet时间序列预测神器
　　　 11-回归分析策略
　　　 07-因子数据预处理实战
　　　 03-1双均线交易策略实战
　　　 03-基于统计分析的电影推荐
　　　 01-KIVA贷款数据
　　　 06-数据分析-机器学习模板
　　　 02-订单数据集分析
　　　 04-纽约出租车建模
　　　 05-商品信息可视化与文本分析
　　　 14-方差分析
　　　 09-核函数变换
　　　 11-回归分析
　　　 12-假设检验
　　　 05-特征值与矩阵分解
　　　 07-概率论基础
　　　 08-数据科学你得知道的几种分布
　　　 04-线性代数基础
　　　 02-微积分
　　　 16-贝叶斯分析
　　　 13-相关分析
　　　 15-聚类分析
　　　 06-随机变量
　　　 10-熵与激活函数
　　　 01-高等数学基础
　　　 03-泰勒公式与拉格朗日
　　　 01-深度学习必备基础知识点础
　　　 05-案例实战搭建神经网络
　　　 02-神经网络整体架构
　　　 04-递归神经网络与词向量原理解读
　　　 07-案例实战LSTM时间序列预测任务
　　　 06-案例实战卷积神经网络
　　　 03-卷积神经网络原理与参数解读
　　　 13-12-赋值机制
　　　 07-7-1-索引结构
　　　 15-14-循环结构
　　　 04-4-Python简介
　　　 21-20-类的属性操作
　　　 14-13-判断结构
　　　 03-3-Notebook工具使用
　　　 01-1-Python环境配置
　　　 11-10-字典的核心操作
　　　 16-15-函数定义
　　　 22-21-时间操作
　　　 12-11-Set结构
　　　 08-7-2-List基础结构
　　　 18-17-异常处理模块
　　　 09-8-List核心操作
　　　 02-2-Python库安装工具
　　　 05-5-Python数值运算
　　　 17-16-模块与包
　　　 10-9-字典基础定义
　　　 20-19-类的基本定义
　　　 06-6-Python字符串操作
　　　 19-18-文件操作
　　　 23-22-Python练习题-1
　　　 24-23-Python练习题-2
　　　 10-10文本特征处理方法对比
　　　 09-数据特征预处理
　　　 12-图像特征聚类分析实践
　　　 03-基于相似度的酒店推荐系统
　　　 02-爱彼迎数据集分析与建模
　　　 06-机器学习-模型解释方法实战
　　　 11-银行客户还款可能性预测
　　　 01-Python实战关联规则
　　　 04-商品销售额回归分析
　　　 08-NLP核心模型-Word2vec
　　　 05-绝地求生数据集探索分析与建模
　　　 07-自然语言处理必备工具包实战
　　　 03-智慧城市-道路通行时间预测
　　　 04-特征工程建模可解释包
　　　 01-快手短视频用户活跃度分析
　　　 10-机器学习项目实战模板
　　　 08-数据特征常用构建方法
　　　 06-贷款平台风控模型+特征工程
　　　 07-新闻关键词抽取模型
　　　 05-医学糖尿病数据命名实体识别
　　　 09-用电敏感客户分类
　　　 04-特征工程建模可解释包
　　　 02-工业化生产预测
　　　 01-科学计算库-Numpy
　　　 04-可视化库-Seaborn
　　　 02-数据分析处理库-Pandas
　　　 03-.可视化库-Matplotlib
　　　 10-HMM隐马尔科夫模型
　　　 09-EM算法
　　　 13-音乐推荐系统实战
　　　 20-机器学习项目实战-数据处理与特征提取
　　　 07-贝叶斯优化及其工具包使用
　　　 13-基于统计分析的电影推荐
　　　 02-xgboost-gbdt-lightgbm提升算法框架对比
　　　 05-降维算法-线性判别分析
　　　 01-GBDT提升算法
　　　 21-机器学习项目实战-建模与分析
　　　 18-Tensorflow自己打造word2vec
　　　 08-贝叶斯优化实战
　　　 05-人口普查数据集项目实战-收入预测
　　　 12-推荐系统
　　　 17-使用word2vec分类任务
　　　 01-数据特征
　　　 11-HMM案例实战
　　　 15-学习曲线
　　　 19-制作自己常用工具包
　　　 04-4.使用lightgbm进行饭店流量预测
　　　 15-NLP-文本特征方法对比
　　　 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
　　　 3-任务流程解读.mp4
　　　 1-数据集与任务概述.mp4
　　　 2-项目基本配置参数.mp4
　　　 6-补充：R(2plus1)D处理方法分析.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
　　　 05-fbprophe时间序列预测
　　　 02-基于随机森林的气温预测实战
　　　 06-京东用户购买意向预测
　　　 04-推荐系统实战
　　　 01-项目实战-交易数据异常检测
　　　 03-贝叶斯新闻分类实战
　　　 09-Kmeans代码实现
　　　 06-逻辑回归代码实现
　　　 16-支持向量机原理推导
　　　 29-HMM应用实例
　　　 14-集成算法原理
　　　 04-线性回归实验分析
　　　 05-逻辑回归实验分析
　　　 28-隐马尔科夫模型
　　　 27-主成分分析降维算法原理解读
　　　 13-决策树实验分析
　　　 03-模型评估方法
　　　 12-决策树代码实现
　　　 19-神经网络代码实现
　　　 20-贝叶斯算法原理
　　　 02-线性回归代码实现
　　　 07-逻辑回归实验分析
　　　 21-贝叶斯代码实现
　　　 25-代码实现word2vec词向量模型
　　　 11-决策树原理
　　　 17-支持向量机实验分析
　　　 22-关联规则实战分析
　　　 10-聚类算法实验分析
　　　 15-集成算法实验分析
　　　 18-神经网络算法原理
　　　 01-线性回归原理推导
　　　 24-词向量word2vec通俗解读
　　　 08-聚类算法-Kmeans&Dbscan原理
　　　 23-关联规则代码实现
　　　 26-线性判别分析降维算法原理解读
　　　 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
　　　 5-损失函数与应用效果.mp4
　　　 4-解码器输出结果.mp4
　　　 3-编码器模块解读.mp4
　　　 6-模型效果验证.mp4
　　　 2-数据增强工具.mp4
　　　 1-医学细胞数据集介绍与参数配置.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
　　　 3-Debug模式演示网络计算流程.mp4
　　　 6-测试与展示模块.mp4
　　　 2-使用labelme进行数据与标签标注.mp4
　　　 5-基于标注数据训练所需任务.mp4
　　　 4-maskrcnn源码修改方法.mp4
　　　 1-Labelme工具安装.mp4
　　　 3-完成训练数据准备工作.mp4
　　　 2-空洞卷积的作用.mp4
　　　 1-deeplab分割算法概述.mp4
　　　 3-感受野的意义.mp4
　　　 6-deeplabV3Plus版本网络架构.mp4
　　　 5-ASPP特征融合策略.mp4
　　　 4-SPP层的作用.mp4
　　　 2-分割任务中的目标函数定义.mp4
　　　 1-语义分割与实例分割概述.mp4
　　　 3-MIOU评估标准.mp4
　　　 1-PascalVoc数据集介绍.mp4
　　　 5-分割模型训练.mp4
　　　 3-网络前向传播流程.mp4
　　　 2-项目参数与数据集读取.mp4
　　　 4-ASPP层特征融合.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
　　　 1-Unet网络编码与解码过程.mp4
　　　 3-多层级输入特征序列创建方法.mp4
　　　 2-多层级采样点初始化构建.mp4
　　　 1-Backbone获取多层级特征.mp4
　　　 4-偏移量与权重计算并转换.mp4
　　　 12-最终损失计算流程.mp4
　　　 5-Encoder特征构建方法实例.mp4
　　　 7-Decoder中的AttentionMask方法.mp4
　　　 10-正样本筛选损失计算.mp4
　　　 11-标签分类匹配结果分析.mp4
　　　 13-汇总所有损失完成迭代.mp4
　　　 6-query要预测的任务解读.mp4
　　　 9-标签分配策略解读.mp4
　　　 8-损失模块输入参数分析.mp4
　　　 1-分割模型Maskformer系列.mp4
　　　 2-PPO2版本公式解读.mp4
　　　 3-参数与网络结构定义.mp4
　　　 6-参数迭代与更新.mp4
　　　 1-Critic的作用与效果.mp4
　　　 5-奖励获得与计算.mp4
　　　 4-得到动作结果.mp4
　　　 9-正负样本选择与标签定义.mp4
　　　 10-RoiPooling层的作用与目的.mp4
　　　 7-Proposal层实现方法.mp4
　　　 2-FPN网络架构实现解读.mp4
　　　 1-FPN层特征提取原理解读.mp4
　　　 4-基于不同尺度特征图生成所有框.mp4
　　　 8-DetectionTarget层的作用.mp4
　　　 3-生成框比例设置.mp4
　　　 6-候选框过滤方法.mp4
　　　 12-整体框架回顾.mp4
　　　 11-RorAlign操作的效果.mp4
　　　 5-RPN层的作用与实现解读.mp4
　　　 1-ChatGPT.mp4
　　　 4-A3C整体架构分析.mp4
　　　 5-损失函数整理.mp4
　　　 3-计算流程实例.mp4
　　　 1-AC算法回顾与知识点总结.mp4
　　　 2-优势函数解读与分析.mp4
　　　 5-部署与网页预测展示.mp4
　　　 1-生成模型可以完成的任务概述.mp4
　　　 4-模型训练过程.mp4
　　　 2-数据样本生成方法.mp4
　　　 3-训练所需参数解读.mp4
　　　 5-与环境交互得到训练数据.mp4
　　　 6-训练网络模型.mp4
　　　 2-启动游戏环境.mp4
　　　 1-整体流程与环境配置.mp4
　　　 4-初始化局部模型并加载参数.mp4
　　　 3-要计算的指标回顾.mp4
　　　 1-整体任务流程演示.mp4
　　　 4-训练与更新.mp4
　　　 6-目标函数与公式解析.mp4
　　　 8-Q值迭代求解.mp4
　　　 2-探索与action获取.mp4
　　　 7-Qlearning算法实例解读.mp4
　　　 5-算法原理通俗解读.mp4
　　　 9-DQN简介.mp4
　　　 3-计算target值.mp4
　　　 1-Diffusion模型解读.mp4
　　　 2-强化学习的指导依据.mp4
　　　 3-强化学习AI游戏DEMO.mp4
　　　 6-计算机眼中的状态与行为.mp4
　　　 4-应用领域简介.mp4
　　　 5-强化学习工作流程.mp4
　　　 1-一张图通俗解释强化学习.mp4
　　　 1-强化学习的基础原理与应用等.mp4
　　　 3-要完成的目标分析.mp4
　　　 2-与环境交互得到所需数据.mp4
　　　 8-PPO算法整体思路解析.mp4
　　　 5-baseline方法.mp4
　　　 4-策略梯度推导.mp4
　　　 7-importance sampling的作用.mp4
　　　 1-基本情况介绍.mp4
　　　 6-OnPolicy与OffPolicy策略.mp4
　　　 1-CLIP系列.mp4
　　　 1-Dalle2源码解读.mp4
　　　 4-MultiSetp策略.mp4
　　　 1-DoubleDqn要解决的问题.mp4
　　　 5-连续动作处理方法.mp4
　　　 2-DuelingDqn改进方法.mp4
　　　 3-Dueling整体网络架构分析.mp4
　　　 1-GPT系列.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
　　　 1-YOLO算法整体思路解读.mp4
　　　 2-检测算法要得到的结果.mp4
　　　 1-EfficientDet检测算法.mp4
　　　 7-Decoder层操作与计算.mp4
　　　 5-mask与编码模块.mp4
　　　 4-backbone特征提取模块.mp4
　　　 8-输出预测结果.mp4
　　　 2-数据处理与dataloader.mp4
　　　 3-位置编码作用分析.mp4
　　　 9-损失函数与预测输出.mp4
　　　 6-编码层作用方法.mp4
　　　 1-项目环境配置解读.mp4
　　　 3-COCO图像数据读取与处理.mp4
　　　 9-预测结果计算.mp4
　　　 2-训练参数设置.mp4
　　　 5-debug模式介绍.mp4
　　　 14-完成所有损失函数所需计算指标.mp4
　　　 13-坐标相对位置计算.mp4
　　　 6-基于配置文件构建网络模型.mp4
　　　 7-路由层与shortcut层的作用.mp4
　　　 10-网格偏移计算.mp4
　　　 8-YOLO层定义解析.mp4
　　　 16-预测效果展示.mp4
　　　 1-数据与环境配置.mp4
　　　 11-模型要计算的损失概述.mp4
　　　 4-标签文件读取与处理.mp4
　　　 15-模型训练与总结.mp4
　　　 12-标签值格式修改.mp4
　　　 1-半监督物体检测.mp4
　　　 1-EfficientNet网络模型.mp4
　　　 4-注意力机制的作用方法.mp4
　　　 2-整体网络架构分析.mp4
　　　 5-训练过程的策略.mp4
　　　 3-位置信息初始化query向量.mp4
　　　 1-DETR目标检测基本思想解读.mp4
　　　 1-YOLO V9【网盘分享wpfx.org.cn】.mp4
　　　 1-Pycharm环境配置与Debug演示(没用过的同学必看).mp4
　　　 2-物体检测评估指标.mp4
　　　 7-sotfmax层改进.mp4
　　　 3-经典变换方法对比分析.mp4
　　　 2-多scale方法改进与特征融合.mp4
　　　 5-整体网络模型架构分析.mp4
　　　 6-先验框设计改进.mp4
　　　 1-V3版本改进概述.mp4
　　　 4-残差连接方法解读.mp4
　　　 9-SAM注意力机制模块.mp4
　　　 3-数据增强策略分析.mp4
　　　 8-SPP与CSP网络结构.mp4
　　　 2-V4版本贡献解读.mp4
　　　 4-DropBlock与标签平滑方法.mp4
　　　 11-激活函数与整体架构总结.mp4
　　　 5-损失函数遇到的问题.mp4
　　　 7-NMS细节改进.mp4
　　　 1-V4版本整体概述.mp4
　　　 6-CIOU损失函数定义.mp4
　　　 10-PAN模块解读.mp4
　　　 11-前向传播计算.mp4
　　　 15-上采样与拼接操作.mp4
　　　 14-Head层流程解读.mp4
　　　 3-加载标签数据.mp4
　　　 13-SPP层计算细节分析.mp4
　　　 16-输出结果分析.mp4
　　　 18-命令行参数介绍.mp4
　　　 8-V5网络配置文件解读.mp4
　　　 19-训练流程解读.mp4
　　　 12-BottleneckCSP层计算方法.mp4
　　　 5-数据四合一方法与流程演示.mp4
　　　 17-超参数解读.mp4
　　　 1-数据源DEBUG流程解读.mp4
　　　 6-getItem构建batch.mp4
　　　 4-Mosaic数据增强方法.mp4
　　　 7-网络架构图可视化工具安装.mp4
　　　 20-各种训练策略概述.mp4
　　　 2-图像数据源配置.mp4
　　　 9-Focus模块流程分析.mp4
　　　 10-完成配置文件解析任务.mp4
　　　 21-模型迭代过程.mp4
　　　 3-IOU指标计算.mp4
　　　 1-检测任务中阶段的意义.mp4
　　　 5-map指标计算.mp4
　　　 4-评估所需参数计算.mp4
　　　 2-不同阶段算法优缺点分析.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
　　　 3-完成标签制作.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
　　　 2-数据信息标注.mp4
　　　 8-训练模型并测试效果.mp4
　　　 1-Labelme工具安装.mp4
　　　 8-候选框偏移方法与find3p模块解读.mp4
　　　 13-GT匹配正样本数量计算.mp4
　　　 4-网络结构配置文件解读.mp4
　　　 12-预测值各项指标获取与调整.mp4
　　　 6-输出层与配置文件其他模块解读.mp4
　　　 3-EMA等训练技巧解读.mp4
　　　 19-重参数化多分支合并加速.mp4
　　　 1-命令行参数介绍.mp4
　　　 17-辅助头损失函数调整.mp4
　　　 7-标签分配策略准备操作.mp4
　　　 14-通过IOU与置信度分配正样本.mp4
　　　 10-完成BuildTargets模块.mp4
　　　 2-基本参数作用.mp4
　　　 11-候选框筛选流程分析.mp4
　　　 16-辅助头AUX网络结构配置文件解析.mp4
　　　 18-BN与卷积权重参数融合方法.mp4
　　　 9-得到偏移点所在网格位置.mp4
　　　 5-各模块操作细节分析.mp4
　　　 15-损失函数计算方法.mp4
　　　 7-感受野的作用.mp4
　　　 4-基于聚类来选择先验框尺寸.mp4
　　　 8-特征融合改进.mp4
　　　 6-坐标映射与还原.mp4
　　　 1-V2版本细节升级概述.mp4
　　　 5-偏移量计算方法.mp4
　　　 2-网络结构特点.mp4
　　　 3-架构细节解读.mp4
　　　 1-YOLOV8.mp4
　　　 4-测试DEMO演示.mp4
　　　 3-训练数据参数配置.mp4
　　　 2-训练自己的数据集方法.mp4
　　　 1-整体项目概述.mp4
　　　 1-YOLO系列（V7）算法解读.mp4
　　　 1-DeformableDetr算法解读.mp4
　　　 1-Anaconda基础讲解和使用的教程.mp4
　　　 1-命名实体识别数据分析与任务目标.mp4
　　　 2-NER标注数据处理与读取.mp4
　　　 3-构建BERT与CRF模型.mp4
　　　 4-注意力机制的作用.mp4
　　　 5-self-attention计算方法.mp4
　　　 9-transformer整体架构梳理.mp4
　　　 2-BERT任务目标概述.mp4
　　　 11-训练实例.mp4
　　　 1-BERT课程简介.mp4
　　　 10-BERT模型训练方法.mp4
　　　 7-Multi-head的作用.mp4
　　　 8-位置编码与多层堆叠.mp4
　　　 3-传统解决方案遇到的问题.mp4
　　　 6-特征分配与softmax机制.mp4
　　　 1-AI课程所需安装软件教程.mp4
　　　 3-项目流程解读.mp4
　　　 4-加载词向量特征.mp4
　　　 8-LSTM情感分析.mp4
　　　 7-训练与测试效果.mp4
　　　 1-RNN网络模型解读.mp4
　　　 6-构建LSTM网络模型.mp4
　　　 2-NLP应用领域与任务简介.mp4
　　　 5-正负样本数据读取.mp4
　　　 4-网络训练.mp4
　　　 5-可视化展示.mp4
　　　 1-数据与任务流程.mp4
　　　 3-batch数据制作.mp4
　　　 2-数据清洗.mp4
　　　 11-完成Transformer模块构建.mp4
　　　 5-tfrecord数据源制作.mp4
　　　 9-mask机制的作用.mp4
　　　 1-BERT开源项目简介.mp4
　　　 4-数据预处理模块.mp4
　　　 6-Embedding层的作用.mp4
　　　 10-构建QKV矩阵.mp4
　　　 7-加入额外编码特征.mp4
　　　 12-训练BERT模型.mp4
　　　 3-数据读取模块.mp4
　　　 8-加入位置编码特征.mp4
　　　 2-项目参数配置.mp4
　　　 5-负采样方案.mp4
　　　 4-CBOW与Skip-gram模型.mp4
　　　 3-训练数据构建.mp4
　　　 1-词向量模型通俗解释.mp4
　　　 2-模型整体框架.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
　　　 6-损失函数概述.mp4
　　　 5-上采样得到输出结果.mp4
　　　 1-要完成的任务与基本思想概述.mp4
　　　 3-训练BERT中文分类模型.mp4
　　　 2-读取处理自己的数据集.mp4
　　　 1-中文分类数据与任务概述.mp4
　　　 3-数据-标签-语料库处理.mp4
　　　 1-数据与任务介绍.mp4
　　　 5-医疗数据集（糖尿病）实体识别.mp4
　　　 2-整体模型架构.mp4
　　　 6-输入样本填充补齐.mp4
　　　 4-训练网络模型.mp4
　　　 2-数据集标注与制作方法.mp4
　　　 5-预测DEMO演示.mp4
　　　 1-项目配置基本介绍.mp4
　　　 4-加载预训练模型开始训练.mp4
　　　 3-根据预测类别数修改配置文件.mp4
　　　 1-特征提取与位置编码.mp4
　　　 3-得到相对位置点编码.mp4
　　　 6-偏移量offset计算.mp4
　　　 5-编码层中的序列分析.mp4
　　　 2-序列特征展开并叠加.mp4
　　　 7-偏移量对齐操作.mp4
　　　 4-准备Encoder编码层所需全部输入.mp4
　　　 11-预测输出结果与标签匹配模块.mp4
　　　 10-分类与回归输出模块.mp4
　　　 9-Decoder要完成的操作.mp4
　　　 8-Encoder层完成特征对齐.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
　　　 1-文字检测数据概述与配置文件.mp4
　　　 6-近似Attention模块实现.mp4
　　　 7-完成特征提取与融合模块.mp4
　　　 2-配置文件指定.mp4
　　　 4-PatchEmbedding的作用与实现.mp4
　　　 1-注册自己的Backbone模块.mp4
　　　 9-全局特征的作用与实现.mp4
　　　 8-分割输出模块.mp4
　　　 3-DEBUG解读Backbone设计.mp4
　　　 5-卷积位置编码计算方法.mp4
　　　 10-汇总多层级特征进行输出.mp4
　　　 1-MMCV安装方法.mp4
　　　 3-Bakbone模块得到特征.mp4
　　　 1-数据集与环境概述.mp4
　　　 8-输出层与损失计算.mp4
　　　 6-文本模型中的结构分析.mp4
　　　 4-视觉Transformer模块的作用.mp4
　　　 2-配置文件修改方法.mp4
　　　 7-迭代修正模块.mp4
　　　 5-视觉模型中的编码与解码的效果.mp4
　　　 1-创建自己的行为识别标注数据集.mp4
　　　 4-开始模型训练过程与问题修正.mp4
　　　 7-实际测试效果演示.mp4
　　　 3-训练T与S得到蒸馏模型.mp4
　　　 5-日志输出与模型分离.mp4
　　　 1-任务概述与工具使用.mp4
　　　 6-分别得到Teacher与Student模型.mp4
　　　 2-Teacher与Student网络结构定义.mp4
　　　 1-SuperNet网络结构分析与剪枝概述.mp4
　　　 2-搜索匹配到符合计算量的模型并训练.mp4
　　　 1-要完成的任务分析与配置文件.mp4
　　　 6-双向计算特征对齐.mp4
　　　 3-光流估计网络模块.mp4
　　　 7-提特征传递流程分析.mp4
　　　 4-基于光流完成对齐操作.mp4
　　　 2-特征基础提取模块.mp4
　　　 9-准备变形卷积模块的输入.mp4
　　　 8-序列传播计算.mp4
　　　 10-传播流程整体完成一圈.mp4
　　　 11-完成输出结果.mp4
　　　 5-偏移量计算方法.mp4
　　　 7-体素特征计算方法分析.mp4
　　　 2-数据与标注文件介绍.mp4
　　　 5-体素索引位置获取.mp4
　　　 4-数据与图像特征提取模块.mp4
　　　 8-全局体素特征提取.mp4
　　　 10-3D卷积特征融合.mp4
　　　 3-基本流程梳理并进入debug模式.mp4
　　　 6-体素特征提取方法解读.mp4
　　　 11-输出层预测结果.mp4
　　　 9-多模态特征融合.mp4
　　　 1-环境配置与数据集概述.mp4
　　　 6-特征合并处理.mp4
　　　 1-配置文件以及要完成的任务解读.mp4
　　　 5-标签数据处理与关系特征提取.mp4
　　　 7-准备拼接边与点特征.mp4
　　　 4-边框要计算的特征分析.mp4
　　　 3-配置文件与标签要进行处理操作.mp4
　　　 8-整合得到图模型输入特征.mp4
　　　 2-KIE数据集格式调整方法.mp4
　　　 2-COCO数据标注格式.mp4
　　　 8-补充：评估指标.mp4
　　　 1-数据集标注与标签获取.mp4
　　　 3-通过脚本生成COCO数据格式.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
　　　 4-配置文件数据增强策略分析.mp4
　　　 1-测试DEMO效果.mp4
　　　 8-MMCLS可视化模块应用.mp4
　　　 2-测试评估模型效果.mp4
　　　 3-MMCLS中增加一个新的模块.mp4
　　　 7-可视化细节与效果分析.mp4
　　　 5-数据增强流程可视化展示.mp4
　　　 6-Grad-Cam可视化方法.mp4
　　　 4-修改配置文件中的参数.mp4
　　　 9-模型分析脚本使用.mp4
　　　 1-在源码中加入各种注意力机制方法.mp4
　　　 1-DeformableDetr算法解读.mp4
　　　 3-多层级输入特征序列创建方法.mp4
　　　 2-多层级采样点初始化构建.mp4
　　　 9-标签分配策略解读.mp4
　　　 11-标签分类匹配结果分析.mp4
　　　 7-Decoder中的AttentionMask方法.mp4
　　　 8-损失模块输入参数分析.mp4
　　　 10-正样本筛选损失计算.mp4
　　　 5-Encoder特征构建方法实例.mp4
　　　 12-最终损失计算流程.mp4
　　　 6-query要预测的任务解读.mp4
　　　 4-偏移量与权重计算并转换.mp4
　　　 1-Backbone获取多层级特征.mp4
　　　 13-汇总所有损失完成迭代.mp4
　　　 1-KIE关键信息抽取与视频超分辨率重构.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
　　　 6-追踪器状态更新处理.mp4
　　　 5-不同帧时刻追踪器状态更新方法.mp4
　　　 1-获取检测结果与追踪初始化.mp4
　　　 7-追踪器迭代更新策略.mp4
　　　 1-OCR算法解读.mp4
　　　 4-辅助层的作用.mp4
　　　 1-配置文件解读.mp4
　　　 3-上采样与输出层.mp4
　　　 2-编码层模块.mp4
　　　 7-将Unet特征提取模块替换成transformer.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
　　　 8-VIT模块源码分析.mp4
　　　 1-PascalVoc数据集介绍.mp4
　　　 2-项目参数与数据集读取.mp4
　　　 5-分割模型训练.mp4
　　　 3-网络前向传播流程.mp4
　　　 4-ASPP层特征融合.mp4
　　　 2-数据增强模块概述分析.mp4
　　　 5-CLS与输出模块.mp4
　　　 1-VIT任务概述.mp4
　　　 3-PatchEmbedding层.mp4
　　　 4-前向传播基本模块.mp4
　　　 2-准备MMCLS项目.mp4
　　　 8-训练自己的任务.mp4
　　　 5-生成完整配置文件.mp4
　　　 4-各模块配置文件组成.mp4
　　　 1-MMCLS问题修正.mp4
　　　 7-构建自己的数据集.mp4
　　　 3-基本参数配置解读.mp4
　　　 6-根据文件夹定义数据集.mp4
　　　 4-输入样本填充补齐.mp4
　　　 2-整体模型架构.mp4
　　　 3-数据-标签-语料库处理.mp4
　　　 6-医疗数据集（糖尿病）实体识别.mp4
　　　 5-训练网络模型.mp4
　　　 1-数据与任务介绍.mp4
　　　 4-CBOW与Skip-gram模型.mp4
　　　 5-负采样方案.mp4
　　　 1-词向量模型通俗解释.mp4
　　　 3-训练数据构建.mp4
　　　 6-额外补充-RNN网络模型解读.mp4
　　　 2-模型整体框架.mp4
　　　 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
　　　 9-补充：Hub模块简介.mp4
　　　 4-PyTorch基本操作简介.mp4
　　　 8-补充：常见tensor格式.mp4
　　　 6-线性回归DEMO-数据与参数配置.mp4
　　　 5-自动求导机制.mp4
　　　 7-线性回归DEMO-训练回归模型.mp4
　　　 4-创建与删除操作演示.mp4
　　　 1-Neo4j图数据库介绍.mp4
　　　 3-可视化例子演示.mp4
　　　 5-数据库更改查询操作演示.mp4
　　　 2-Neo4j数据库安装流程演示.mp4
　　　 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
　　　 4-特征融合方法演示.mp4
　　　 6-模型效果验证.mp4
　　　 1-医学细胞数据集介绍与参数配置.mp4
　　　 3-Debug模式演示网络计算流程.mp4
　　　 5-迭代完成整个模型计算任务.mp4
　　　 2-数据增强工具.mp4
　　　 2-卷积的作用.mp4
　　　 6-边缘填充方法.mp4
　　　 1-卷积神经网络应用领域.mp4
　　　 8-池化层的作用.mp4
　　　 3-卷积特征值计算方法.mp4
　　　 11-残差网络Resnet.mp4
　　　 7-特征图尺寸计算与参数共享.mp4
　　　 9-整体网络架构.mp4
　　　 12-感受野的作用.mp4
　　　 4-得到特征图表示.mp4
　　　 5-步长与卷积核大小对结果的影响.mp4
　　　 10-VGG网络架构.mp4
　　　 1-检测任务中阶段的意义.mp4
　　　 28-数据增强策略分析.mp4
　　　 2-不同阶段算法优缺点分析.mp4
　　　 33-SPP与CSP网络结构.mp4
　　　 26-V4版本整体概述.mp4
　　　 4-评估所需参数计算.mp4
　　　 24-先验框设计改进.mp4
　　　 14-基于聚类来选择先验框尺寸.mp4
　　　 9-位置损失计算.mp4
　　　 30-损失函数遇到的问题.mp4
　　　 3-IOU指标计算.mp4
　　　 35-PAN模块解读.mp4
　　　 17-感受野的作用.mp4
　　　 27-V4版本贡献解读.mp4
　　　 10-置信度误差与优缺点分析.mp4
　　　 13-架构细节解读.mp4
　　　 32-NMS细节改进.mp4
　　　 8-整体网络架构解读.mp4
　　　 31-CIOU损失函数定义.mp4
　　　 29-DropBlock与标签平滑方法.mp4
　　　 34-SAM注意力机制模块.mp4
　　　 21-经典变换方法对比分析.mp4
　　　 23-整体网络模型架构分析.mp4
　　　 19-V3版本改进概述.mp4
　　　 15-偏移量计算方法.mp4
　　　 25-sotfmax层改进.mp4
　　　 6-YOLO算法整体思路解读.mp4
　　　 16-坐标映射与还原.mp4
　　　 18-特征融合改进.mp4
　　　 20-多scale方法改进与特征融合.mp4
　　　 22-残差连接方法解读.mp4
　　　 11-V2版本细节升级概述.mp4
　　　 7-检测算法要得到的结果.mp4
　　　 12-网络结构特点.mp4
　　　 5-map指标计算.mp4
　　　 36-激活函数与整体架构总结.mp4
　　　 7-网络整体流程与训练演示.mp4
　　　 2-Resnet网络架构原理分析.mp4
　　　 6-特征图升维与降采样操作.mp4
　　　 3-dataloader加载数据集.mp4
　　　 5-残差网络的shortcut操作.mp4
　　　 4-Resnet网络前向传播.mp4
　　　 1-医学疾病数据集介绍.mp4
　　　 3-任务流程解读.mp4
　　　 5-补充：视频数据源特征处理方法概述.mp4
　　　 4-文献报告分析.mp4
　　　 1-数据集与任务概述.mp4
　　　 2-项目基本配置参数.mp4
　　　 6-补充：R(2plus1)D处理方法分析.mp4
　　　 2-空洞卷积的作用.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
　　　 1-deeplab分割算法概述.mp4
　　　 3-感受野的意义.mp4
　　　 15-额外补充-Resnet论文解读.mp4
　　　 16-额外补充-Resnet网络架构解读.mp4
　　　 8-迁移学习的目标.mp4
　　　 12-实现训练模块.mp4
　　　 4-分类任务数据集定义与配置.mp4
　　　 9-迁移学习策略.mp4
　　　 13-训练结果与模型保存.mp4
　　　 3-Vision模块功能解读.mp4
　　　 2-网络流程解读.mp4
　　　 6-数据预处理与数据增强模块.mp4
　　　 10-加载训练好的网络模型.mp4
　　　 1-卷积网络参数定义.mp4
　　　 11-优化器模块配置.mp4
　　　 14-加载模型对测试数据进行预测.mp4
　　　 7-Batch数据制作.mp4
　　　 5-图像增强的作用.mp4
　　　 5-提取数据中的关键字段信息.mp4
　　　 7-打造医疗知识图谱模型.mp4
　　　 6-创建关系边.mp4
　　　 10-完成对话系统构建.mp4
　　　 8-加载所有实体数据.mp4
　　　 3-任务流程概述.mp4
　　　 4-环境配置与所需工具包安装.mp4
　　　 2-医疗数据介绍及其各字段含义.mp4
　　　 9-实体关键词字典制作.mp4
　　　 1-项目概述与整体架构分析.mp4
　　　 1-任务与细胞数据集介绍.mp4
　　　 3-网络训练流程演示.mp4
　　　 5-细胞检测效果演示.mp4
　　　 2-模型与算法配置参数解读.mp4
　　　 4-效果评估与展示.mp4
　　　 2-网络计算流程.mp4
　　　 4-后续升级版本介绍.mp4
　　　 1-Unet网络编码与解码过程.mp4
　　　 3-Unet升级版本改进.mp4
　　　 7-常用NLP技术点分析.mp4
　　　 3-知识图谱在医疗领域应用实例.mp4
　　　 11-图谱知识融合与总结分析.mp4
　　　 4-金融与推荐领域的应用.mp4
　　　 8-graph-embedding的作用与效果.mp4
　　　 9-金融领域图编码实例.mp4
　　　 6-数据关系抽取分析.mp4
　　　 1-知识图谱通俗解读.mp4
　　　 10-视觉领域图编码实例.mp4
　　　 5-数据获取分析.mp4
　　　 2-知识图谱在搜索引擎中的应用.mp4
　　　 8-输出层与损失计算.mp4
　　　 3-Bakbone模块得到特征.mp4
　　　 1-数据集与环境概述.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
　　　 2-配置文件修改方法.mp4
　　　 4-视觉Transformer模块的作用.mp4
　　　 1-对比学习算法与实例.mp4
　　　 3-基本流程梳理并进入debug模式.mp4
　　　 1-环境配置与数据集概述.mp4
　　　 11-输出层预测结果.mp4
　　　 10-3D卷积特征融合.mp4
　　　 8-全局体素特征提取.mp4
　　　 6-体素特征提取方法解读.mp4
　　　 2-数据与标注文件介绍.mp4
　　　 4-数据与图像特征提取模块.mp4
　　　 5-体素索引位置获取.mp4
　　　 7-体素特征计算方法分析.mp4
　　　 9-多模态特征融合.mp4
　　　 1-多模态文字识别.mp4
　　　 1-CLIP系列.mp4
　　　 1-V4版本整体概述.mp4
　　　 5-损失函数遇到的问题.mp4
　　　 3-数据增强策略分析.mp4
　　　 4-DropBlock与标签平滑方法.mp4
　　　 9-SAM注意力机制模块.mp4
　　　 2-V4版本贡献解读.mp4
　　　 8-SPP与CSP网络结构.mp4
　　　 10-PAN模块解读.mp4
　　　 7-NMS细节改进.mp4
　　　 11-激活函数与整体架构总结.mp4
　　　 6-CIOU损失函数定义.mp4
　　　 2-姿态估计应用领域概述.mp4
　　　 12-算法流程与总结.mp4
　　　 9-预测时PAF积分计算方法.mp4
　　　 3-传统topdown方法的问题.mp4
　　　 8-PAF标签设计方法.mp4
　　　 1-姿态估计要解决的问题分析.mp4
　　　 5-基于高斯分布预测关键点位置.mp4
　　　 10-匹配方法解读.mp4
　　　 7-PAF向量登场.mp4
　　　 11-CPM模型特点.mp4
　　　 4-要解决的两个问题分析.mp4
　　　 6-各模块输出特征图解读.mp4
　　　 3-dataloader加载数据集.mp4
　　　 5-残差网络的shortcut操作.mp4
　　　 1-医学疾病数据集介绍.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
　　　 2-Resnet网络架构原理分析.mp4
　　　 4-Resnet网络前向传播.mp4
　　　 9-REID特征的作用.mp4
　　　 4-基于观测值进行最优估计.mp4
　　　 6-追踪中的状态量.mp4
　　　 7-匈牙利匹配算法概述.mp4
　　　 2-卡尔曼滤波要完成的任务.mp4
　　　 3-任务本质分析.mp4
　　　 10-sort与deepsort建模流程分析.mp4
　　　 1-卡尔曼滤波通俗解释.mp4
　　　 11-预测与匹配流程解读.mp4
　　　 12-追踪任务流程拆解.mp4
　　　 5-预测与更新操作.mp4
　　　 8-匹配小例子分析.mp4
　　　 5-损失函数的目的.mp4
　　　 6-特征图生成.mp4
　　　 4-注意力机制模块打造.mp4
　　　 2-数据集配置与读取.mp4
　　　 3-模型编码与解码结构.mp4
　　　 1-论文概述与环境配置.mp4
　　　 7-MetaLearn与输出.mp4
　　　 2-核心网络结构模块分析.mp4
　　　 3-数据采样曾的作用.mp4
　　　 1-slowfast核心思想解读.mp4
　　　 5-特征融合模块与总结分析.mp4
　　　 4-模型网络结构设计.mp4
　　　 6-如何找到合适的初始化参数.mp4
　　　 2-基本思想与流程分析.mp4
　　　 1-异常检测要解决的问题与数据集介绍.mp4
　　　 3-预测与常见问题.mp4
　　　 7-MAML算法流程解读.mp4
　　　 5-学习能力与参数定义.mp4
　　　 4-Meta-Learn要解决的问题.mp4
　　　 20-各种训练策略概述.mp4
　　　 2-图像数据源配置.mp4
　　　 11-前向传播计算.mp4
　　　 5-数据四合一方法与流程演示.mp4
　　　 15-上采样与拼接操作.mp4

下载地址:

游客，如果您要查看本帖隐藏内容请回复