万门大学人工智能课目录

Posted 2020-10-21 lhuser

 

• 宣传片
• 第 1 讲宣传片
  • 1.1宣传片
• 第 2 讲复杂系统
  • 2.1物理预测的胜利与失效
  • 2.2预测失效原因
  • 2.3复杂系统引论
  • 2.4生活实例与本章答疑
• 第 3 讲大数据与机器学习
  • 3.1大数据预测因为噪声失效
  • 3.2大数据与机器学习
• 第 4 讲人工智能的三个阶段
  • 4.1规则阶段
  • 4.2机器学习阶段发展至连接主义阶段
  • 4.3课间答疑
  • 4.4连接主义阶段发展至深度学习阶段
  • 4.5三个阶段总结分析
  • 4.6人工智能的应用（一）
  • 4.7人工智能的应用（二）
  • 4.8课间答疑
  • 4.9课程大纲（一）
  • 4.10课程大纲（二）
• 第 5 讲高等数学—元素和极限
  • 5.1实数的定义（一）
  • 5.2实数的定义（二）
  • 5.3实数的定义（三）
  • 5.4实数的元素个数（一）
  • 5.5实数的元素个数（二）
  • 5.6自然数个数少于实数个数（一）
  • 5.7自然数个数少于实数个数（二）
  • 5.8无穷大之比较（一）
  • 5.9无穷大之比较（二）
  • 5.10级数的收敛
  • 5.11极限的定义
  • 5.12极限的四则运算
  • 5.13极限的复合
  • 5.14连续性
• 第 6 讲复杂网络经济学应用
  • 6.1用网络的思维看经济结构
  • 6.2复杂网络认识前后
  • 6.3从网络结构看不同地区（一）
  • 6.4从网络结构看不同地区（二）
• 第 7 讲机器学习与监督算法
  • 7.1什么是机器学习
  • 7.2机器学习的类型
  • 7.3简单回归实例（一）
  • 7.4简单回归实例（二）
  • 7.5简单回归实例（三）
• 第 8 讲阿尔法狗与强化学习算法
  • 8.1人工智能的发展
  • 8.2强化学习算法（一）
  • 8.3强化学习算法（二）
  • 8.4强化学习算法（三）
  • 8.5Alphago给我们的启示
  • 8.6无监督学习
• 第 9 讲高等数学—两个重要的极限定理
  • 9.1元素与极限的知识点回顾
  • 9.2第一个重要极限定理的证明（一）
  • 9.3第一个重要极限定理的证明（二）
  • 9.4夹逼定理
  • 9.5第二个重要极限定理的证明
• 第 10 讲高等数学—导数
  • 10.1导数的定义
  • 10.2初等函数的导数
  • 10.3反函数的导数（一）
  • 10.4反函数的导数（二）
  • 10.5复合函数的导数
  • 10.6泰勒展开
  • 10.7罗尔定理
  • 10.8微分中值定理和柯西中值定理
  • 10.9洛比塔法则
  • 10.10泰勒展开的证明
• 第 11 讲贝叶斯理论
  • 11.1梯度优化（一）
  • 11.2梯度优化（二）
  • 11.3概率基础
  • 11.4概率与事件
  • 11.5贝叶斯推理（一）
  • 11.6贝叶斯推理（二）
  • 11.7贝叶斯推理（三）
  • 11.8辛普森案件
  • 11.9贝叶斯推理深入
  • 11.10贝叶斯于机器学习（一）
  • 11.11贝叶斯于机器学习（二）
  • 11.12贝叶斯决策（一）
  • 11.13贝叶斯决策（二）
  • 11.14贝叶斯决策（三）
• 第 12 讲高等数学—泰勒展开
  • 12.1泰勒展开
  • 12.2展开半径
  • 12.3欧拉公式
  • 12.4泰勒展开求极限（一）
  • 12.5泰勒展开求极限（二）
• 第 13 讲高等数学—偏导数
  • 13.1偏导数的对称性
  • 13.2链式法则
  • 13.3梯度算符、拉氏算符
• 第 14 讲高等数学—积分
  • 14.1黎曼积分
  • 14.2微积分基本定理
  • 14.3分部积分（一）
  • 14.4分部积分（二）
• 第 15 讲高等数学—正态分布
  • 15.1标准正态分布
  • 15.2中心极限定理
  • 15.3误差函数
  • 15.4二维正态分布
  • 15.5多维正态分布
• 第 16 讲朴素贝叶斯和最大似然估计
  • 16.1蒙特卡洛分析（一）
  • 16.2蒙特卡洛分析（二）
  • 16.3贝叶斯先验
  • 16.4先验到后验的过程
  • 16.5朴素贝叶斯（一）
  • 16.6朴素贝叶斯（二）
  • 16.7算法设计
  • 16.8TF-IDF（一）
  • 16.9TF-IDF（二）
  • 16.10朴素贝叶斯（三）
  • 16.11最大似然估计（一）
  • 16.12最大似然估计（二）
• 第 17 讲线性代数—线性空间和线性变换
  • 17.1线性代数概述
  • 17.2线性代数应用方法论
  • 17.3线性乘法的可交换性和结合律
  • 17.4线性空间
  • 17.5线性空间八条法则（一）
  • 17.6线性空间八条法则（二）
  • 17.7线性空间八条法则（三）
  • 17.8连续傅立叶变换
  • 17.9离散傅立叶变换
  • 17.10非常规线性空间
  • 17.11线性相关和线性无关
  • 17.12秩
• 第 18 讲数据科学和统计学（上）
  • 18.1课程Overview
  • 18.2回顾统计学（一）
  • 18.3回顾统计学（二）
  • 18.4回顾统计学（三）
  • 18.5回顾数据科学（一）
  • 18.6回顾数据科学（二）和教材介绍
  • 18.7R和RStudio等介绍（一）
  • 18.8R和RStudio等介绍（二）
  • 18.9随机变量（一）
  • 18.10随机变量（二）
  • 18.11换门的概率模拟计算（一）
  • 18.12换门的概率模拟计算（二）
  • 18.13换门的概率模拟计算（三）
• 第 19 讲线性代数—矩阵、等价类和行列式
  • 19.1线性代数知识点回顾
  • 19.2矩阵表示线性变化
  • 19.3可逆矩阵表示坐标变化
  • 19.4相似矩阵
  • 19.5相似矩阵表示相同线性变化
  • 19.6线性代数解微分方程
  • 19.7矩阵的运算—转秩（一）
  • 19.8矩阵的运算—转秩（二）
  • 19.9等价关系
  • 19.10等价类
  • 19.11行列式（一）
  • 19.12行列式（二）
  • 19.13行列式（三）
• 第 20 讲Python基础课程（上）
  • 20.1Python介绍（一）
  • 20.2Python介绍（二）
  • 20.3变量—命名规范
  • 20.4变量—代码规范
  • 20.5变量类型—数值类型
  • 20.6变量类型—bool类型
  • 20.7变量类型—字符串类型（一）
  • 20.8课间答疑
  • 20.9变量类型—字符串类型（二）
  • 20.10变量类型—字符串类型（三）
  • 20.11变量类型—列表类型（一）
  • 20.12变量类型—列表类型（二）
  • 20.13变量类型—列表类型（三）
  • 20.14变量类型—元组类型、字典类型（一）
  • 20.15变量类型—字典类型（二）
• 第 21 讲线性代数—特征值与特征向量
  • 21.1线性代数知识点回顾
  • 21.2例题讲解（一）
  • 21.3例题讲解（二）
  • 21.4例题讲解（三）
  • 21.5特征值与特征向量的物理意义
  • 21.6特征值与特征向量的性质（一）
  • 21.7特征值与特征向量的性质（二）
  • 21.8本征值的计算（一）
  • 21.9本征值的计算（二）
  • 21.10线性代数核心定理
  • 21.11对偶空间（一）
  • 21.12对偶空间（二）
  • 21.13欧氏空间与闵氏空间
  • 21.14厄米矩阵
• 第 22 讲监督学习框架
  • 22.1经验误差和泛化误差
  • 22.2最大后验估计
  • 22.3正则化
  • 22.4lasso回归
  • 22.5超参数（一）
  • 22.6超参数（二）
  • 22.7监督学习框架（一）
  • 22.8监督学习框架（二）
  • 22.9KNN(K最近邻)算法（一）
  • 22.10KNN(K最近邻)算法（二）
  • 22.11KNN(K最近邻)算法（三）
  • 22.12线性分类器
  • 22.13高斯判别模型（一）
  • 22.14高斯判别模型（二）
• 第 23 讲Python基础课程（下）
  • 23.1条件判断（一）
  • 23.2条件判断（二）
  • 23.3循环（一）
  • 23.4循环（二）
  • 23.5课间答疑
  • 23.6循环（三）
  • 23.7循环（四）
  • 23.8函数（一）
  • 23.9函数（二）
  • 23.10函数（三）
  • 23.11函数（四）
  • 23.12类（一）
  • 23.13类（二）
  • 23.14类（三）
• 第 24 讲PCA、降维方法引入
  • 24.1无监督学习框架
  • 24.2降维存在的原因
  • 24.3PCA数学分析方法（一）
  • 24.4PCA数学分析方法（二）
  • 24.5PCA数学分析方法（三）
  • 24.6PCA数学分析方法（四）
  • 24.7PCA之外的降维方法—LDA
  • 24.8PCA背后的假设（一）
  • 24.9PCA背后的假设（二）
• 第 25 讲数据科学和统计学（下）
  • 25.1课程Overview
  • 25.2理解统计思想（一）
  • 25.3理解统计思想（二）
  • 25.4理解统计思想（三）
  • 25.5概率空间
  • 25.6随机变量（一）
  • 25.7随机变量（二）
  • 25.8随机变量（三）
  • 25.9随机变量（四）
  • 25.10参数估计（一）
  • 25.11参数估计（二）
  • 25.12假设检验（一）
  • 25.13假设检验（二）
• 第 26 讲Python操作数据库、 Python爬虫
  • 26.1课程介绍
  • 26.2认识关系型数据库（一）
  • 26.3认识关系型数据库（二）
  • 26.4mysql数据库与Excel的不同
  • 26.5命令行操作数据库（一）
  • 26.6命令行操作数据库（二）
  • 26.7命令行操作数据库（三）
  • 26.8命令行操作数据库（四）
  • 26.9Python操作数据库（一）
  • 26.10Python操作数据库（二）
  • 26.11Python操作数据库（三）
  • 26.12Python操作数据库（四）
  • 26.13Python爬虫（一）
  • 26.14Python爬虫（二）
  • 26.15Python爬虫（三）
  • 26.16Python爬虫（四）
  • 26.17Python爬虫（五）
• 第 27 讲线性分类器
  • 27.1Lasso：alpha参数与准确率（一）
  • 27.2Lasso：alpha参数与准确率（二）
  • 27.3Lasso：alpha参数与准确率（三）
  • 27.4线性分类器
  • 27.5LDA（一）
  • 27.6LDA（二）
  • 27.7LDA（三）
  • 27.8Perceptron（一）
  • 27.9Perceptron（二）
  • 27.10Perceptron（三）
  • 27.11Perceptron（四）
  • 27.12熵与信息（一）
  • 27.13熵与信息（二）
• 第 28 讲Python进阶（上）
  • 28.1NumPy基本操作（一）
  • 28.2NumPy基本操作（二）
  • 28.3NumPy基本操作（三）
  • 28.4NumPy基本操作（四）
  • 28.5NumPy基本操作（五）
  • 28.6NumPy基本操作（六）
  • 28.7Pandas基本操作（一）
  • 28.8Pandas基本操作（二）
  • 28.9Pandas基本操作（三）
  • 28.10Pandas基本操作（四）
  • 28.11Pandas绘图（一）
  • 28.12Pandas绘图（二）
  • 28.13Pandas绘图（三）
  • 28.14Pandas绘图（四）
• 第 29 讲Scikit-Learn
  • 29.1课程介绍
  • 29.2Scikit-Learn介绍
  • 29.3数据处理（一）
  • 29.4数据处理（二）
  • 29.5模型实例、模型选择（一）
  • 29.6模型实例、模型选择（二）
  • 29.7模型实例、模型选择（三）
  • 29.8模型实例、模型选择（四）
  • 29.9模型实例、模型选择（五）
• 第 30 讲熵、逻辑斯蒂回归、SVM引入
  • 30.1熵（一）
  • 30.2熵（二）
  • 30.3熵（三）
  • 30.4熵（四）
  • 30.5熵（五）
  • 30.6熵（六）
  • 30.7熵（七）
  • 30.8逻辑斯蒂回归（一）
  • 30.9逻辑斯蒂回归（二）
  • 30.10逻辑斯蒂回归（三）
  • 30.11逻辑斯蒂回归（四）
  • 30.12逻辑斯蒂回归（五）
  • 30.13SVM引入
• 第 31 讲Python进阶（下）
  • 31.1泰坦尼克数据处理与分析（一）
  • 31.2泰坦尼克数据处理与分析（二）
  • 31.3泰坦尼克数据处理与分析（三）
  • 31.4泰坦尼克数据处理与分析（四）
  • 31.5泰坦尼克数据处理与分析（五）
  • 31.6泰坦尼克数据处理与分析（六）
  • 31.7泰坦尼克数据处理与分析（七）
  • 31.8泰坦尼克数据处理与分析（八）
  • 31.9泰坦尼克数据处理与分析（九）
• 第 32 讲决策树
  • 32.1决策树（一）
  • 32.2决策树（二）
  • 32.3决策树（三）
  • 32.4决策树（四）
• 第 33 讲数据呈现基础
  • 33.1课程安排
  • 33.2什么是数据可视化
  • 33.3设计原则
  • 33.4数据可视化流程
  • 33.5视觉编码
  • 33.6图形选择（一）
  • 33.7图形选择（二）
  • 33.8图形选择（三）
• 第 34 讲云计算初步
  • 34.1Hadoop介绍
  • 34.2Hdfs应用（一）
  • 34.3Hdfs应用（二）
  • 34.4MapReduce（一）
  • 34.5MapReduce（二）
  • 34.6Hive应用（一）
  • 34.7Hive应用（二）
  • 34.8Hive应用（三）
  • 34.9Hive应用（四）
• 第 35 讲D-Park实战
  • 35.1Pig应用（一）
  • 35.2Pig应用（二）
  • 35.3Pig应用（三）
  • 35.4Pig应用（四）
  • 35.5Pig应用（五）
  • 35.6Pig应用（六）
  • 35.7Spark应用（一）
  • 35.8Spark应用（二）
  • 35.9Spark应用（三）
  • 35.10Spark应用（四）
  • 35.11Spark应用（五）
  • 35.12Spark应用（六）
  • 35.13Spark应用（七）
• 第 36 讲第四范式分享
  • 36.1推荐技术的介绍
  • 36.2人是如何推荐商品的
  • 36.3推荐系统的形式化以及如何评价推荐结果
  • 36.4求解—从数据到模型
  • 36.5数据拆分与特征工程
  • 36.6推荐系统机器学习模型
  • 36.7评估模型
  • 36.8建模过程的演示与课间答疑
• 第 37 讲决策树到随机森林
  • 37.1决策树
  • 37.2随机森林
  • 37.3在Scikit-Learn里面如何用随机森林做预测（一）
  • 37.4在Scikit-Learn里面如何用随机森林做预测（二）
  • 37.5模型参数的介绍
  • 37.6集成方法（一）
  • 37.7集成方法（二）
  • 37.8Blending
  • 37.9gt多样化
  • 37.10Bagging与决策树（一）
  • 37.11Bagging与决策树（二）
  • 37.12Boosting方法（一）
  • 37.13Boosting方法（二）
  • 37.14Boosting方法（三）
  • 37.15Boosting方法（四）
• 第 38 讲数据呈现进阶
  • 38.1静态信息图（一）
  • 38.2静态信息图（二）
  • 38.3静态信息图（三）
  • 38.4静态信息图（四）
  • 38.5静态信息图（五）
  • 38.6html、CSS和javascript基础介绍
  • 38.7DOM和开发者工具
  • 38.8D3（一）
  • 38.9D3（二）
  • 38.10D3（三）
  • 38.11div.html
  • 38.12svg.html
  • 38.13D3支持的数据类型
  • 38.14Make a map（一）
  • 38.15Make a map（二）
• 第 39 讲强化学习（上）
  • 39.1你所了解的强化学习是什么
  • 39.2经典条件反射（一）
  • 39.3经典条件反射（二）
  • 39.4操作性条件反射
  • 39.5Evaluation Problem（一）
  • 39.6Evaluation Problem（二）
  • 39.7Evaluation Problem（三）
  • 39.8Evaluation Problem（四）
  • 39.9Policy Learning（一）
  • 39.10Policy Learning（二）
  • 39.11Policy Learning（三）
  • 39.12Policy Learning（四）
  • 39.13Policy Learning（五）
  • 39.14Policy Learning（六）
• 第 40 讲强化学习（下）
  • 40.1Policy Learning总结
  • 40.2基于模型的RL（一）
  • 40.3基于模型的RL（二）
  • 40.4基于模型的RL（三）
  • 40.5基于模型的RL（四）
  • 40.6基于模型的RL（五）
  • 40.7基于模型的RL（六）
  • 40.8大脑中的强化学习算法（一）
  • 40.9大脑中的强化学习算法（二）
  • 40.10大脑中的强化学习算法（三）
  • 40.11大脑中的强化学习算法（四）
  • 40.12大脑中的强化学习算法（五）
  • 40.13RL in alphaGo（一）
  • 40.14RL in alphaGo（二）
  • 40.15RL in alphaGo（三）
  • 40.16RL in alphaGo（四）
• 第 41 讲SVM和神经网络引入
  • 41.1VC维
  • 41.2SVM（一）
  • 41.3SVM（二）
  • 41.4SVM（三）
  • 41.5SVM（四）
  • 41.6SVM（五）
  • 41.7SVM（六）
  • 41.8SVM（七）
  • 41.9SVM（八）
  • 41.10SVM（九）
  • 41.11SVM（十）
  • 41.12SVM（十一）
  • 41.13SVM（十二）和神经网络引入
• 第 42 讲集成模型总结和GDBT理解及其衍生应用
  • 42.1集成模型总结（一）
  • 42.2集成模型总结（二）
  • 42.3集成模型总结（三）
  • 42.4集成模型总结（四）
  • 42.5集成模型总结（五）
  • 42.6GDBT理解及其衍生应用（一）
  • 42.7GDBT理解及其衍生应用（二）
  • 42.8GDBT理解及其衍生应用（三）
  • 42.9GDBT理解及其衍生应用（四）
  • 42.10GDBT理解及其衍生应用（五）
  • 42.11GDBT理解及其衍生应用（六）
  • 42.12GDBT理解及其衍生应用（七）
  • 42.13GDBT理解及其衍生应用（八）
  • 42.14GDBT理解及其衍生应用（九）
  • 42.15GDBT理解及其衍生应用（十）
• 第 43 讲神经网络
  • 43.1SVM比较其他分类起代码（一）
  • 43.2SVM比较其他分类起代码（二）
  • 43.3神经网络（一）
  • 43.4神经网络（二）
  • 43.5神经网络（三）
  • 43.6神经网络（四）
• 第 44 讲监督学习－回归
  • 44.1机器学习的概念和监督学习
  • 44.2机器学习工作流程（一）
  • 44.3机器学习工作流程（二）
  • 44.4机器学习工作流程（三）
  • 44.5机器学习工作流程（四）
  • 44.6案例分析（一）
  • 44.7案例分析（二）
  • 44.8案例分析（三）
  • 44.9案例分析（四）
  • 44.10经验分享（一）
  • 44.11经验分享（二）
  • 44.12经验分享（三）
• 第 45 讲监督学习－分类
  • 45.1常用的分类算法
  • 45.2模型评估标准和案例分析
  • 45.3数据探索（一）
  • 45.4数据探索（二）
  • 45.5数据探索（三）
  • 45.6数据探索（四）
  • 45.7数据探索（五）
  • 45.8数据探索（六）
  • 45.9模型训练与选择（一）
  • 45.10模型训练与选择（二）
  • 45.11Airbnb数据探索过程（一）
  • 45.12Airbnb数据探索过程（二）
  • 45.13地震数据可视化过程（一）
  • 45.14地震数据可视化过程（二）
• 第 46 讲神经网络基础与卷积网络
  • 46.1神经网络（一）
  • 46.2神经网络（二）
  • 46.3神经网络（三）
  • 46.4神经网络（四）
  • 46.5神经网络（五）
  • 46.6神经网络（六）
  • 46.7神经网络（七）
  • 46.8神经网络（八）
  • 46.9神经网络（九）
  • 46.10神经网络（十）
  • 46.11图像处理基础
  • 46.12卷积（一）
  • 46.13卷积（二）
• 第 47 讲时间序列预测
  • 47.1时间序列预测概述（一）
  • 47.2时间序列预测概述（二）
  • 47.3差分自回归移动平均模型(ARIMA)
  • 47.4差分自回归移动平均模型(ARIMA)案例分析（一）
  • 47.5差分自回归移动平均模型(ARIMA)案例分析（二）
  • 47.6差分自回归移动平均模型(ARIMA)案例分析（三）
  • 47.7差分自回归移动平均模型(ARIMA)案例分析（四）
  • 47.8长短期记忆网络（LSTM）（一）
  • 47.9长短期记忆网络（LSTM）（二）
  • 47.10长短期记忆网络（LSTM）案例分析
  • 47.11Facebook开源的新预测工具—Prophet（一）
  • 47.12Facebook开源的新预测工具—Prophet（二）
  • 47.13课程答疑
• 第 48 讲人工智能金融应用
  • 48.1人工智能金融应用（一）
  • 48.2人工智能金融应用（二）
  • 48.3人工智能金融应用（三）
  • 48.4人工智能金融应用（四）
  • 48.5机器学习方法（一）
  • 48.6机器学习方法（二）
  • 48.7机器学习方法（三）
  • 48.8机器学习方法（四）
• 第 49 讲计算机视觉深度学习入门目的篇
  • 49.1计算机视觉深度学习入门概述
  • 49.2计算机视觉领域正在关心的问题（一）
  • 49.3计算机视觉领域正在关心的问题（二）
  • 49.4实际问题转化为具体问题并用深度学习解决（一）
  • 49.5实际问题转化为具体问题并用深度学习解决（二）
  • 49.6实际问题转化为具体问题并用深度学习解决（三）
  • 49.7实际问题转化为具体问题并用深度学习解决（四）
• 第 50 讲计算机视觉深度学习入门结构篇
  • 50.1复习计算机视觉最主要的负责特征提取的结构CNN
  • 50.2特征如何组织（一）
  • 50.3特征如何组织（二）
  • 50.4特征如何组织（三）
  • 50.5特征如何组织（四）
  • 50.6结构之间的优劣评判以及实验结果（一）
  • 50.7结构之间的优劣评判以及实验结果（二）
  • 50.8结构之间的优劣评判以及实验结果（三）
  • 50.9结构之间的优劣评判以及实验结果（四）
  • 50.10结构之间的优劣评判以及实验结果（五）
  • 50.11结构之间的优劣评判以及实验结果（六）
  • 50.12结构之间的优劣评判以及实验结果（七）
  • 50.13结构之间的优劣评判以及实验结果（八）
• 第 51 讲计算机视觉深度学习入门优化篇
  • 51.1计算机视觉深度学习入门：优化篇概述
  • 51.2CNN模型的一阶优化逻辑
  • 51.3训练稳定性：Annealing和Momentum
  • 51.4抗拟合：从Dropout到Weight Decay
  • 51.5竞争优化器和多机并行
  • 51.6手动超参优化逻辑以及超参优化往何处去
• 第 52 讲计算机视觉深度学习入门数据篇
  • 52.1计算机视觉领域的常用竞赛数据集
  • 52.2对数据常用的预处理工作和后处理工作如何提高竞赛成绩（一）
  • 52.3对数据常用的预处理工作和后处理工作如何提高竞赛成绩（二）
  • 52.4如何使用端到端深度学习的方法
• 第 53 讲计算机视觉深度学习入门工具篇
  • 53.1计算机视觉深度学习入门工具篇（一）
  • 53.2计算机视觉深度学习入门工具篇（二）
  • 53.3计算机视觉深度学习入门工具篇（三）
• 第 54 讲个性化推荐算法
  • 54.1个性化推荐的发展
  • 54.2推荐算法的演进（一）
  • 54.3推荐算法的演进（二）
  • 54.4推荐算法的演进（三）
  • 54.5推荐算法的演进（四）
  • 54.6建模step by step（一）
  • 54.7建模step by step（二）
  • 54.8建模step by step（三）
  • 54.9算法评估和迭代
  • 54.10工程化实践、常见的问题与解决方法、前沿进展与展望
• 第 55 讲Pig和Spark巩固
  • 55.1Pig巩固（一）
  • 55.2Pig巩固（二）
  • 55.3Pig巩固（三）
  • 55.4Pig巩固（四）
  • 55.5Pig巩固（五）
  • 55.6Spark巩固（一）
  • 55.7Spark巩固（二）
  • 55.8Spark巩固（三）
  • 55.9Spark巩固（四）
  • 55.10Spark巩固（五）
• 第 56 讲人工智能与设计
  • 56.1智能存在的意义是什么?
  • 56.2已有人工智的设计应用
  • 56.3人的智能（一）
  • 56.4人的智能（二）
  • 56.5人的智能的特点（一）
  • 56.6人的智能的特点（二）
  • 56.7人的智能的特点（三）
  • 56.8人工智能（一）
  • 56.9人工智能（二）
  • 56.10使用人工智能的方式
• 第 57 讲神经网络
  • 57.1卷积的本质
  • 57.2卷积的三大特点
  • 57.3Pooling
  • 57.4数字识别（一）
  • 57.5数字识别（二）
  • 57.6感受野
  • 57.7RNN
• 第 58 讲非线性动力学
  • 58.1非线性动力学
  • 58.2线性动力系统
  • 58.3线性动力学与非线性动力学系统（一）
  • 58.4线性动力学与非线性动力学系统（二）
  • 58.5定点理论
  • 58.6Poincare引理
• 第 59 讲高频交易订单流模型
  • 59.1高频交易
  • 59.2点过程基础（一）
  • 59.3点过程基础（二）
  • 59.4点过程基础（三）
  • 59.5订单流数据分析（一）
  • 59.6订单流数据分析（二）
  • 59.7订单流数据分析（三）
  • 59.8订单流数据分析（四）
  • 59.9订单流数据分析（五）
• 第 60 讲区块链:一场革命
  • 60.1比特币（一）
  • 60.2比特币（二）
  • 60.3比特币（三）
  • 60.4以太坊简介及ICO
• 第 61 讲统计物理专题（一）
  • 61.1统计物理的开端(一)
  • 61.2统计物理的开端（二）
  • 61.3抛硬币抛出正态分布（一）
  • 61.4抛硬币抛出正态分布（二）
  • 61.5再造整个世界（一）
  • 61.6再造整个世界（二）
  • 61.7温度的本质（一）
  • 61.8温度的本质（二）
  • 61.9压强
  • 61.10证明理想气体方程
  • 61.11化学势
  • 61.12四大热力学势（一）
  • 61.13四大热力学势（二）
• 第 62 讲统计物理专题（二）
  • 62.1神奇公式.mp4
  • 62.2信息熵（一）
  • 62.3信息熵（二）
  • 62.4Boltzmann分布
  • 62.5配分函数Z
• 第 63 讲复杂网络简介
  • 63.1Networks in real worlds
  • 63.2BasicConcepts（一）
  • 63.3BasicConcepts（二）
  • 63.4Models（一）
  • 63.5Models（二）
  • 63.6Algorithms（一）
  • 63.7Algorithms（二）
• 第 64 讲ABM简介及金融市场建模
  • 64.1课程介绍
  • 64.2系统与系统建模
  • 64.3ABM与复杂系统建模（一）
  • 64.4ABM与复杂系统建模（二）
  • 64.5ABM与复杂系统建模（三）
  • 64.6ABM为经济系统建模
  • 64.7经典经济学如何给市场建模
  • 64.8ABM与复杂系统建模-市场交易
  • 64.9ABM与复杂系统建模-技术扩散
  • 64.10ABM与复杂系统建模-交通系统（一）
  • 64.11ABM与复杂系统建模-交通系统（二）
  • 64.12ABM金融市场-SFI股票市场模型（一）
  • 64.13ABM金融市场-SFI股票市场模型（二）
  • 64.14ABM金融市场-genova市场模型
  • 64.15ABM金融市场-Agent及其行为
  • 64.16学习模型
  • 64.17ABM金融市场-价格形成机制
  • 64.18ABM的特点与缺陷
• 第 65 讲用伊辛模型理解复杂系统
  • 65.1伊辛模型的背景及格气模型
  • 65.2伊辛模型（一）
  • 65.3伊辛模型（二）
  • 65.4从能量到统计分布及Monte Carlo模拟
  • 65.5Ising Model(2D)
  • 65.6相变和临界现象
  • 65.7Critical Exponents
  • 65.8正问题和反问题
  • 65.9（空间中的）投票模型
  • 65.10（网络中的）投票模型
  • 65.11观念动力学
  • 65.12集体运动Vicsek模型
  • 65.13自旋玻璃
  • 65.14Hopfield神经网络
  • 65.15限制Boltzmann机
  • 65.16深度学习与重正化群（一）
  • 65.17深度学习与重正化群（二）
  • 65.18总结
  • 65.19答疑
• 第 66 讲金融市场的复杂性
  • 66.1导论（一）
  • 66.2导论（二）
  • 66.3导论（三）
  • 66.4导论（四）
  • 66.5导论（五）
  • 66.6Classical Benchmarks（一）
  • 66.7Classical Benchmarks（二）
  • 66.8Classical Benchmarks（三）
  • 66.9Classical Benchmarks（四）
  • 66.10Classical Benchmarks（五）
  • 66.11Endogenous Risk（一）
  • 66.12Endogenous Risk（二）
  • 66.13Endogenous Risk（三）
  • 66.14Endogenous Risk（四）
  • 66.15Endogenous Risk（五）
  • 66.16Endogenous Risk（六）
  • 66.17Heterogeneous Beliefs（一）
  • 66.18Heterogeneous Beliefs（二）
  • 66.19总结
• 第 67 讲广泛出现的幂律分布
  • 67.1生物界（一）
  • 67.2生物界（二）
  • 67.3生物界（三）
  • 67.4生物界（四）
  • 67.5城市、商业（一）
  • 67.6城市、商业（二）
  • 67.7启示（一）
  • 67.8启示（二）
  • 67.9总结
• 第 68 讲自然启发算法
  • 68.1课程回顾及答疑
  • 68.2概括（一）
  • 68.3概括（二）
  • 68.4模拟退火算法（一）
  • 68.5模拟退火算法（二）
  • 68.6进化相关的算法（一）
  • 68.7进化相关的算法（二）
  • 68.8进化相关的算法（三）
  • 68.9进化相关的算法（四）
  • 68.10粒子群算法（一）
  • 68.11粒子群算法（二）
  • 68.12粒子群算法（三）
  • 68.13遗传算法和PSO的比较
  • 68.14更多的类似的算法（一）
  • 68.15更多的类似的算法（二）
  • 68.16答疑
• 第 69 讲机器学习的方法
  • 69.1为什么要讲学习方法
  • 69.2阅读论文
  • 69.3综述式文章举例（一）
  • 69.4综述式文章举例（二）
  • 69.5碎片化时间学习及书籍
  • 69.6视频学习资源及做思维导图
  • 69.7铁哥答疑（一）
  • 69.8铁哥答疑（二）
  • 69.9输出是最好的学习（一）
  • 69.10输出是最好的学习（二）
  • 69.11案例（一）
  • 69.12案例（二）
  • 69.13案例（三）
  • 69.14案例（四）
  • 69.15案例（五）
• 第 70 讲模型可视化工程管理
  • 70.1课程简介
  • 70.2虚拟换环境—Anaconda&docker（一）
  • 70.3虚拟换环境—Anaconda&docker（二）
  • 70.4虚拟换环境—Anaconda&docker（三）
  • 70.5虚拟换环境—Anaconda&docker（四）
  • 70.6虚拟换环境—Anaconda&docker（五）
  • 70.7虚拟换环境—Anaconda&docker（六）
  • 70.8虚拟换环境—Anaconda&docker（七）
  • 70.9虚拟换环境—Anaconda&docker（八）
  • 70.10定制化可视化系统—Jupyter Dashboard（一）
  • 70.11定制化可视化系统—Jupyter Dashboard（二）
  • 70.12变身前端—seaboarn+Bokeh+Echarts
  • 70.13日志管理系统—ELK
  • 70.14极速Bi系统—superset
  • 70.15Dashboard补充
  • 70.16ELK补充
  • 70.17Superset补充
  • 70.18Superset补充及总结
• 第 71 讲Value Iteration Networks
  • 71.1Background&Motivation
  • 71.2Value Iteration
  • 71.3Grid—world Domain
  • 71.4总结及答疑
• 第 72 讲非线性动力学系统（上）
  • 72.1非线性动力学系统（一）
  • 72.2非线性动力学系统（二）
  • 72.3二维系统动力学综述—Poincare引理
  • 72.4Bifurcation（一）
  • 72.5Bifurcation（二）
  • 72.6Bifurcation（三）
  • 72.7Bifurcation（四）
  • 72.8Bifurcation（五）
  • 72.9Bifurcation（六）
  • 72.10混沌（一）
  • 72.11混沌（二）
  • 72.12混沌（三）
  • 72.13混沌（四）
  • 72.14混沌（五）
  • 72.15混沌（六）
  • 72.16混沌（七）
  • 72.17混沌（八）
  • 72.18混沌（九）
  • 72.19混沌（十）
  • 72.20混沌（十一）
• 第 73 讲非线性动力学系统（下）
  • 73.1自然语言处理乱弹（一）
  • 73.2自然语言处理乱弹（二）
  • 73.3RNN
  • 73.4RNN及答疑
• 第 74 讲自然语言处理导入
  • 74.1中文分词
  • 74.2中文分词、依存文法分析
  • 74.3篇章分析、自动摘要、知识提取、文本相似度计算
  • 74.4知识库构建、问答系统
  • 74.5示范战狼2的豆瓣评论词云（一）
  • 74.6示范战狼2的豆瓣评论词云（二）
  • 74.7示范战狼2的豆瓣评论词云（三）
  • 74.8示范战狼2的豆瓣评论词云（四）
  • 74.9示范战狼2的豆瓣评论词云（五）
• 第 75 讲复杂网络上的物理传输过程
  • 75.1一些基本概念
  • 75.2常用的统计描述物理量
  • 75.3四种网络模型
  • 75.4一些传播动力学模型（一）
  • 75.5一些传播动力学模型（二）
  • 75.6一些传播动力学模型（三）
  • 75.7一些传播动力学模型（四）
  • 75.8一些传播动力学模型（五）
  • 75.9一些传播动力学模型（六）
  • 75.10一些传播动力学模型（七）
  • 75.11一些传播动力学模型（八）
  • 75.12仿真模型的建立过程（一）
  • 75.13仿真模型的建立过程（二）
  • 75.14仿真模型的建立过程（三）
  • 75.15仿真模型的建立过程（四）
  • 75.16Combining complex networks and data mining
• 第 76 讲RNN及LSTM
  • 76.1RNN—序列处理器（一）
  • 76.2RNN—序列处理器（二）
  • 76.3A simple enough case
  • 76.4A dance between fix points
  • 76.5Fix point、Train Chaos
  • 76.6RNN作为生成模型（动力系统）
  • 76.7RNN训练—BPTT（一）
  • 76.8RNN训练—BPTT（二）
  • 76.9梯度消失与梯度爆炸（一）
  • 76.10梯度消失与梯度爆炸（二）
  • 76.11Reservoir computing—偷懒方法
  • 76.12LSTM
  • 76.13LSTM、Use Examples
  • 76.14词向量、Deep RNN
  • 76.15Encoder Decoder Structure
  • 76.16LSTM Text Generation（一）
  • 76.17LSTM Text Generation（二）
  • 76.18LSTM Text Generation（三）
• 第 77 讲漫谈人工智能创业
  • 77.1人工智能对我们生活的影响（一）
  • 77.2人工智能对我们生活的影响（二）
  • 77.3人工智能对我们生活的影响（三）
  • 77.4人工智能对我们生活的影响（四）
  • 77.5人工智能对我们生活的影响（五）
  • 77.6人工智能对我们生活的影响（六）
  • 77.7人工智能创业中的商业思维
  • 77.8三个战略管理学商业模型（一）
  • 77.9三个战略管理学商业模型（二）
  • 77.10三个战略管理学商业模型（三）
  • 77.11三个战略管理学商业模型（四）
  • 77.12三个战略管理学商业模型（五）
  • 77.13三个战略管理学商业模型（六）
  • 77.14三个战略管理学商业模型（七）
  • 77.15三个战略管理学商业模型（八）
  • 77.16三个战略管理学商业模型（九）
  • 77.17关于Entrepreneurship
• 第 78 讲深度学习其他主题
  • 78.1神经网络的无穷潜力
  • 78.2玻尔兹曼机—联想的机器
  • 78.3受限玻尔兹曼机
  • 78.4对抗学习（一）
  • 78.5对抗学习（二）
  • 78.6对抗学习（三）
  • 78.7对抗学习（四）
  • 78.8程序讲解（一）
  • 78.9程序讲解（二）
  • 78.10程序讲解（三）
• 第 79 讲课程总结
  • 79.1开场
  • 79.2Attention实例—Spatial Transformer
  • 79.3猫狗大战—CNN实战（一）
  • 79.4猫狗大战—CNN实战（二）
  • 79.5RNN诗人
  • 79.6课程复习
  • 79.7课程大纲（一）
  • 79.8课程大纲（二）
  • 79.9课程总结（一）
  • 79.10课程总结（二）

 

本课程我买了。。呵呵