万门大学人工智能、大数据与复杂系统一月特训班视频课程78讲 (32.17G)，百度网盘

01-复杂系统

1.1物理预测的胜利与失效

1.2预测失效原因

1.3复杂系统引论

1.4生活实例与本章答疑

02-大数据与机器学习

2.1大数据预测因为

2.2大数据与机器学习

03-人工智能的三个阶段

3.10课程大纲（二）

3.1规则阶段

3.2机器学习阶段发展至连接主义阶段

3.3课间答疑

3.4连接主义阶段发展至学习阶段

3.5三个阶段总结分析

3.6人工智能的应用（一）

3.7人工智能的应用（二）

3.8课间答疑

3.9课程大纲（一）

04-高等数学—元素和极限

4.10级数的收敛

4.11极限的定义

4.12极限的四则运算

4.13极限的复合

4.14连续性

4.1实数的定义（一）

4.2实数的定义（二）

4.3实数的定义（三）

4.4实数的元素个数（一）

4.5实数的元素个数（二）

4.6自然数个数少于实数个数（一）

4.7自然数个数少于实数个数（二）

4.8无穷大之比较（一）

4.9无穷大之比较（二）

05-复杂网络经济学应用

5.1用网络的思维看经济结构

5.2复杂网络认识前后

5.3从网络结构看不同地区（一）

5.4从网络结构看不同地区（二）

06-机器学习与监督算法

6.1什么是机器学习

6.2机器学习的类型

6.3简单回归实例（一）

6.4简单回归实例（二）

6.5简单回归实例（三）

07-阿尔法狗与强化学习算法

7.1人工智能的发展

7.2强化学习算法（一）

7.3强化学习算法（二）

7.4强化学习算法（三）

7.5Alphago给我们的启示

7.6无监督学习

08-高等数学—两个重要的极限定理

8.1元素与极限的知识点回顾

8.2第一个重要极限定理的证明（一）

8.3第一个重要极限定理的证明（二）

8.4夹逼定理

8.5第二个重要极限定理的证明

09-高等数学—导数

9.10泰勒展开的证明

9.1导数的定义

9.2初等函数的导数

9.3反函数的导数（一）

9.4反函数的导数（二）

9.5复合函数的导数

9.6泰勒展开

9.7罗尔定理

9.8微分中值定理和柯西中值定理

9.9洛比塔法则

10-贝叶斯理论

10.10贝叶斯于机器学习（一）

10.11贝叶斯于机器学习（二）

10.12贝叶斯决策（一）

10.13贝叶斯决策（二）

10.14贝叶斯决策（三）

10.1梯度优化（一）

10.2梯度优化（二）

10.3概率基础【微信：17358309816】

10.4概率与事件

10.5贝叶斯推理（一）

10.6贝叶斯推理（二）

10.7贝叶斯推理（三）

10.8辛普森案件【微信：17358309816】

10.9贝叶斯推理深入

11-高等数学—泰勒展开

11.1泰勒展开

11.2展开半径

11.3欧拉公式

11.4泰勒展开求极限（一）

11.5泰勒展开求极限（二）

12-高等数学—偏导数

12.1偏导数的对称性

12.2链式法则

12.3梯度算符、拉氏算符

13-高等数学—积分

13.1黎曼积

13.2微积分基本定理

13.3分部积分（一）

13.4分部积分（二）

14-高等数学—正态分布

14.1标准正态分布

14.2中心极限定理

14.3误差函数

14.4二维正态分布

14.5多维正态分布

15-朴素贝叶斯和最大似然估计

15.10朴素贝叶斯（三）

15.11最大似然估计（一）

15.12最大似然估计（二）

15.1蒙特卡洛分析（一）

15.2蒙特卡洛分析（二）

15.3贝叶斯先验

15.4先验到后验的过程

15.5朴素贝叶斯（一）

15.6朴素贝叶斯（二）

15.7算法设计

15.8TF-IDF（一）

15.9TF-IDF（二）

16-线

16.10常规线空间

16.11线关

16.12秩

16.1线代数概述

16.2线代数应用方法论

16.3线律

16.4线空间

16.5线空间八条法则（一）

16.6线空间八条法则（二）

16.7线空间八条法则（三）

16.8连续傅

16.9傅立

17-数据科学和统计学（上）

17.10随机变量（二）

17.11换门的概率模拟计算（一）

17.12换门的概率模拟计算（二）

17.13换门的概率模拟计算（三）

17.1课程Overview

17.2回顾统计学（一）

17.3回顾统计学（二）

17.4回顾统计学（三）

17.5回顾数据科学（一）

17.6回顾数据科学（二）和教材介绍

17.7R和RStudio等介绍（一）

17.8R和RStudio等介绍（二）

17.9随机变量（一）

18-线代数—矩阵、等价类和行列式

18.10等价类

18.11行列式（一）

18.12行列式（二）

18.13行列式（三）

18.1线代数知识点回顾

18.2矩阵表示线变化

18.3可矩阵表示坐标变化

18.4相似矩阵

18.5相似矩阵表示相同线变化

18.6线代数解微分方程

18.7矩阵的运算—转秩（一）

18.8矩阵的运算—转秩（二）

18.9等价关系

19-Python基础课程（上）

19.10变量类型—字符串类型（三）

19.11变量类型—列表类型（一）

19.12变量类型—列表类型（二）

19.13变量类型—列表类型（三）

19.14变量类型—语言组类型、字典类型（一）

19.15变量类型—字典类型（二）

19.1Python介绍（一）

19.2Python介绍（二）

19.3变量—命名规范

19.4变量—代码规范

19.5变量类型—数值类型

19.6变量类型—bool类型

19.7变量类型—字符串类型（一）

19.8课间答疑

19.9变量类型—字符串类型（二）

20-线代数—特征值与特征向量

20.10线代数核心定理

20.11对偶空间（一）

20.12对偶空间（二）

20.13欧氏空间与闵氏空间

20.14厄米矩阵

20.1线代数知识点回顾

20.2例题讲解（一）

20.3例题讲解（二）

20.4例题讲解（三）

20.5特征值与特征向量的物理意义

20.6特征值与特征向量的性质（一）

20.7特征值与特征向量的性质（二）

20.8本征值的计算（一）

20.9本征值的计算（二）

21-监督学习框架

21.10KNN(K最近邻)算法（二）

21.11KNN(K最近邻)算法（三）

21.12线性分类器

21.13高斯判别模型（一）

21.14高斯判别模型（二）

21.1经验误差和泛化误差

21.2最大后验估计

21.3正则化

21.4lasso回归

21.5超参数（一）

21.6超参数（二）

21.7监督学习框架（一）

21.8监督学习框架（二）

21.9KNN(K最近邻)算法（一）

22-Python基础课程（下）

22.10函数（三）

22.11函数（四）

22.12类（一）

22.13类（二）

22.14类（三）

22.1条件判断（一）

22.2条件判断（二）

22.3循环（一）

22.4循环（二）

22.5课间答疑

22.6循环（三）

22.7循环（四）

22.8函数（一）

22.9函数（二）

23-PCA、降维方法引入

23.1无监督学习框架

23.2降维存在的原因

23.3PCA数学分析方法（一）

23.4PCA数学分析方法（二）

23.5PCA数学分析方法（三）

23.6PCA数学分析方法（四）

23.7PCA之外的降维方法—LDA

23.8PCA背后的假设（一）

23.9PCA背后的假设（二）

24-数据科学和统计学（下）

24.10参数估计（一）

24.11参数估计（二）

24.12假设检验（一）

24.13假设检验（二）

24.1课程Overview

24.2理解统计思想（一）

24.3理解统计思想（二）

24.4理解统计思想（三）

24.5概率空间

24.6随机变量（一）

24.7随机变量（二）

24.8随机变量（三）

24.9随机变量（四）

25-Python操作数据库、Python爬虫

25.10Python操作数据库（二）

25.11Python操作数据库（三）

25.12Python操作数据库（四）

25.13Python爬虫（一）

25.14Python爬虫（二）

25.15Python爬虫（三）

25.16Python爬虫（四）

25.17Python爬虫（五）

25.1课程介绍

25.2认识关系型数据库（一）

25.3认识关系型数据库（二）

25.4MySQL数据库与Excel的不同

25.5命令行操作数据库（一）

25.6命令行操作数据库（二）

25.7命令行操作数据库（三）

25.8命令行操作数据库（四）

25.9Python操作数据库（一）

26-线分类器

26.10Perceptron（三）

26.11Perceptron（四）

26.12熵与信息（一）

26.13熵与信息（二）

26.1Lasso：alpha参数与准确率（一）

26.2Lasso：alpha参数与准确率（二）

26.3Lasso：alpha参数与准确率（三）

26.4线分类器

26.5LDA（一）

26.6LDA（二）

26.7LDA（三）

26.8Perceptron（一）

26.9Perceptron（二）

27-Python进阶（上）

27.10Pandas基本操作（四）

27.11Pandas绘图（一）

27.12Pandas绘图（二）

27.13Pandas绘图（三）【微信：17358309816】

27.14Pandas绘图（四）

27.1NumPy基本操作（一）

27.2NumPy基本操作（二）

27.3NumPy基本操作（三）

27.4NumPy基本操作（四）

27.5NumPy基本操作（五）

27.6NumPy基本操作（六）

27.7Pandas基本操作（一）

27.8Pandas基本操作（二）【微信：17358309816】

27.9Pandas基本操作（三）

28-Scikit-Learn

28.1课程介绍

28.2Scikit-Learn介绍

28.3数据处理（一）【微信：17358309816】

28.4数据处理（二）

28.5模型实例、模型选择（一）

28.6模型实例、模型选择（二）

28.7模型实例、模型选择（三）

28.8模型实例、模型选择（四）

28.9模型实例、模型选择（五）

29-熵、逻辑斯蒂回归、SVM引入

29.10逻辑斯蒂回归（三）

29.11逻辑斯蒂回归（四）

29.12逻辑斯蒂回归（五）

29.13SVM引入

29.1熵（一）

29.2熵（二）

29.3熵（三）

29.4熵（四）

29.5熵（五）

29.6熵（六）

29.7熵（七）

29.8逻辑斯蒂回归（一）

29.9逻辑斯蒂回归（二）

30-Python进阶（下）

30.1泰坦尼克数据处理与分析（一）

30.2泰坦尼克数据处理与分析（二）

30.3泰坦尼克数据处理与分析（三）

30.4泰坦尼克数据处理与分析（四）

30.5泰坦尼克数据处理与分析（五）

30.6泰坦尼克数据处理与分析（六）

30.7泰坦尼克数据处理与分析（七）

30.8泰坦尼克数据处理与分析（八）

30.9泰坦尼克数据处理与分析（九）

31-决策树

31.1决策树（一）

31.2决策树（二）

31.3决策树（三）

31.4决策树（四）

32-数据呈现基础

32.1课程安排

32.2什么是数据可视化

32.3设计原则

32.4数据可视化流程

32.5视觉编码

32.6图形选择（一）

32.7图形选择（二）

32.8图形选择（三）

33-云计算初步

33.1Hadoop介绍

33.2Hdfs应用（一）

33.3Hdfs应用（二）

33.4MapReduce（一）

33.5MapReduce（二）

33.6Hive应用（一）

33.7Hive应用（二）

33.8Hive应用（三）

33.9Hive应用（四）

34-D-Park实战

34.10Spark应用（四）

34.11Spark应用（五）

34.12Spark应用（六）

34.13Spark应用（七）

34.1Pig应用（一）

34.2Pig应用（二）

34.3Pig应用（三）

34.4Pig应用（四）

34.5Pig应用（五）

34.6Pig应用（六）

34.7Spark应用（一）

34.8Spark应用（二）

34.9Spark应用（三）

35-第四范式

35.1推荐技术的介绍

35.2人是如何推荐商品的

35.3推荐系统的形式化以及如何评价推荐结果

35.4求解—从数据到模型

35.5数据拆分与特征工程

35.6推荐系统机器学习模型

35.7评估模型

35.8建模过程的演示与课间答疑

36-决策树到随机森林

36.10Bagging与决策树（一）

36.11Bagging与决策树（二）

36.12Boosting方法（一）

36.13Boosting方法（二）

36.14Boosting方法（三）

36.15Boosting方法（四）

36.1决策树

36.2随机森林

36.3在Scikit-Learn里面如何用随机森林做预测（一）

36.4在Scikit-Learn里面如何用随机森林做预测（二）

36.5模型参数的介绍

36.6集成方法（一）

36.7集成方法（二）

36.8Blending

36.9gt多样化

37-数据呈现进阶

37.10D3（三）

37.11div.html

37.12svg.html

37.13D3支持的数据类型

37.14Makeamap（一）

37.15Makeamap（二）

37.1静态信息图（一）

37.2静态信息图（二）

37.3静态信息图（三）

37.4静态信息图（四）

37.5静态信息图（五）

37.6HTML、CSS和JavaScript基础介绍

37.7DOM和开发者工具

37.8D3（一）

37.9D3（二）

38-强化学习（上）

38.10PolicyLearning（二）

38.11PolicyLearning（三）

38.12PolicyLearning（四）

38.13PolicyLearning（五）

38.14PolicyLearning（六）

38.1你所了解的强化学习是什么

38.2经典条件反射（一）

38.3经典条件反射（二）

38.4操作性条件反射

38.5EvaluationProblem（一）

38.6EvaluationProblem（二）

38.7EvaluationProblem（三）

38.8EvaluationProblem（四）

38.9PolicyLearning（一）

39-强化学习（下）

39.10大脑中的强化学习算法（三）

39.11大脑中的强化学习算法（四）

39.12大脑中的强化学习算法（五）

39.13RLinalphaGo（一）

39.14RLinalphaGo（二）

39.15RLinalphaGo（三）

39.16RLinalphaGo（四）

39.1PolicyLearning总结

39.2基于模型的RL（一）

39.3基于模型的RL（二）

39.4基于模型的RL（三）

39.5基于模型的RL（四）

39.6基于模型的RL（五）

39.7基于模型的RL（六）

39.8大脑中的强化学习算法（一）

39.9大脑中的强化学习算法（二）

40-SVM和网络引入

40.10SVM（九）

40.11SVM（十）

40.12SVM（十一）

40.13SVM（十二）和网络引入

40.1VC维

40.2SVM（一）

40.3SVM（二）

40.4SVM（三）

40.5SVM（四）

40.6SVM（五）

40.7SVM（六）

40.8SVM（七）

40.9SVM（八）

41-集成模型总结和GDBT理解及其衍生应用

41.10GDBT理解及其衍生应用（五）

41.11GDBT理解及其衍生应用（六）

41.12GDBT理解及其衍生应用（七）

41.13GDBT理解及其衍生应用（八）

41.14GDBT理解及其衍生应用（九）

41.15GDBT理解及其衍生应用（十）

41.1集成模型总结（一）

41.2集成模型总结（二）

41.3集成模型总结（三）

41.4集成模型总结（四）

41.5集成模型总结（五）

41.6GDBT理解及其衍生应用（一）

41.7GDBT理解及其衍生应用（二）

41.8GDBT理解及其衍生应用（三）

41.9GDBT理解及其衍生应用（四）

教程补充说明

扫码每天推送不定期福利哦

下载必看

42-网络

42.1SVM比较其他分类起代码（一）

42.2SVM比较其他分类起代码（二）

42.3网络（一）

42.4网络（二）

42.5网络（三）

42.6网络（四）

43-监督学习－回归

43.10经验分享（一）

43.11经验分享（二）

43.12经验分享（三）

43.1机器学习的概念和监督学习

43.2机器学习工作流程（一）

43.3机器学习工作流程（二）

43.4机器学习工作流程（三）

43.5机器学习工作流程（四）

43.6案例分析（一）

43.7案例分析（二）

43.8案例分析（三）

43.9案例分析（四）

44-监督学习－分类

44.10模型训练与选择（二）

44.11Airbnb数据探索过程（一）

44.12Airbnb数据探索过程（二）

44.13地震数据可视化过程（一）

44.14地震数据可视化过程（二）

44.1常用的分类算法

44.2模型评估标准和案例分析

44.3数据探索（一）

44.4数据探索（二）

44.5数据探索（三）

44.6数据探索（四）

44.7数据探索（五）

44.8数据探索（六）

44.9模型训练与选择（一）

45-网络基础与卷积网络

45.10网络（十）

45.11图像处理基础

45.12卷积（一）

45.13卷积（二）

45.1网络（一）

45.2网络（二）

45.3网络（三）

45.4网络（四）

45.6网络（六）

45.7网络（七）

45.8网络（八）

45.9网络（九）

45.网络（五）

46-时间序列预测

46.10长短期记忆网络（LSTM）案例分析

46.11Facebook开源的新预测工具—Prophet（一）

46.12Facebook开源的新预测工具—Prophet（二）

46.13课程答疑

46.1时间序列预测概述（一）

46.2时间序列预测概述（二）

46.3差分自回归移动平均模型(ARIMA)

46.4差分自回归移动平均模型(ARIMA)案例分析（一）

46.5差分自回归移动平均模型(ARIMA)案例分析（二）

46.6差分自回归移动平均模型(ARIMA)案例分析（三）

46.7差分自回归移动平均模型(ARIMA)案例分析（四）

46.8长短期记忆网络（LSTM）（一）

46.9长短期记忆网络（LSTM）（二）

47-人工智能金融应用

47.1人工智能金融应用（一）

47.2人工智能金融应用（二）

47.3人工智能金融应用（三）

47.4人工智能金融应用（四）

47.5机器学习方法（一）

47.6机器学习方法（二）

47.7机器学习方法（三）

47.8机器学习方法（四）

48-计算机视觉深度学习入门目的篇

48.1计算机视觉深度学习入门概述

48.2计算机视觉领域正在关心的问题（一）

48.3计算机视觉领域正在关心的问题（二）

48.4实际问题转化为具体问题并用深度学习解决（一）

48.5实际问题转化为具体问题并用深度学习解决（二）

48.6实际问题转化为具体问题并用深度学习解决（三）

48.7实际问题转化为具体问题并用深度学习解决（四）

49-计算机视觉深度学习入门结构篇

49.10结构之间的优劣评判以及实验结果（五）

49.11结构之间的优劣评判以及实验结果（六）

49.12结构之间的以及实验结果（七）

49.13结构之间的优劣评判以及实验结果（八）

49.1复习计算机视觉最主要的负责特征提取的结构CNN

49.2特征如何组织（一）

49.3特征如何组织（二）

49.4特征如何组织（三）

49.5特征如何组织（四）

49.6结构之间的优劣评判以及实验结果（一）

49.7结构之间的优劣评判以及实验结果（二）

49.8结构之间的优劣评判以及实验结果（三）

49.9结构之间的优劣评判以及实验结果（四）

50-计算机视觉学习入门优化篇

50.1计算机视觉学习入门：优化篇概述

50.2CNN模型的一阶优化逻辑

50.3稳定性：Annealing和Momentum

50.4拟合：从Dropout到WeightDecay

50.5优化器和多机并行

50.6手动超参优化逻辑以及超参优化往何处去

51-计算机视觉深度学习入门数据篇

51.1计算机视觉领域的常用竞赛数据集

51.2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）

51.3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）

51.4如何使用端到端深度学习的方法

52-计算机视觉深度学习入门工具篇

52.1计算机视觉深度学习入门工具篇（一）

52.2计算机视觉深度学习入门工具篇（二）

52.3计算机视觉深度学习入门工具篇（三）

53-个化推荐算法

53.10工程望

53.1个化推荐的发展

53.2推荐算法的演进（一）

53.3推荐算法的演进（二）

53.4推荐算法的演进（三）

53.5推荐算法的演进（四）

53.6建模stepbystep（一）

53.7建模stepbystep（二）

53.8建模stepbystep（三）

53.9算法评估和迭代

54-Pig和Spark巩固

54.10Spark巩固（五）

54.1Pig巩固（一）

54.2Pig巩固（二）

54.3Pig巩固（三）

54.4Pig巩固（四）

54.5Pig巩固（五）

54.6Spark巩固（一）

54.7Spark巩固（二）

54.8Spark巩固（三）

54.9Spark巩固（四）

55-人工智能与设计

55.10使用人工智能的方式

55.1智能存在的意义是什么

55.2已有人工智的设计应用

55.3人的智能（一）

55.4人的智能（二）

55.5人的智能的特点（一）

55.6人的智能的特点（二）

55.7人的智能的特点（三）

55.8人工智能（一）

55.9人工智能（二）

56-网络

56.1卷积的本质

56.2卷积的三大特点

56.3Pooling

56.4数字识别（一）

56.5数字识别（二）

56.6感受野

56.7RNN

57-线动力学

57.1非线动力学

57.2线动力系统

57.3线动力学与非线动力学系统（一）

57.4线动力学与非线动力学系统（二）

57.6Poincare引理

58-订单流模型

58.1交易

58.2点过程基础（一）

58.3点过程基础（二）

58.4点过程基础（三）

58.5订单流数据分析（一）

58.6订单流数据分析（二）

58.7订单流数据分析（三）

58.8订单流数据分析（四）

58.9订单流数据分析（五）

59-区块链一场革命

59.1比特币（一）

59.2比特币（二）

59.3比特币（三）

59.4以太坊简介及ICO

60-统计物理专题（一）

60.10证明理想气体方程

60.11化学势

60.12四大热力学势（一）

60.13四大热力学势（二）

60.1统计物理的开端(一)

60.2统计物理的开端（二）

60.3抛硬币抛出正态分布（一）

60.4抛硬币抛出正态分布（二）

60.5再造整个世界（一）

60.6再造整个世界（二）

60.7温度的本质（一）

60.8温度的本质（二）

60.9

61-统计物理专题（二）

61.1神奇公式.mp4

61.2信息熵（一）

61.3信息熵（二）

61.4Boltzmann分布

61.5配分函数Z

62-复杂网络简介

62.1Networksinrealworlds

62.2BasicConcepts（一）

62.3BasicConcepts（二）

62.4Models（一）

62.5Models（二）

62.6Algorithms（一）

62.7Algorithms（二）

63-ABM简介及金融市场建模

63.10ABM与复杂系统建模-交通系统（一）

63.11ABM与复杂系统建模-交通系统（二）

63.12ABM金融市场-SFI股票市场模型（一）

63.13ABM金融市场-SFI股票市场模型（二）

63.14ABM金融市场-genova市场模型

63.15ABM金融市场-Agent及其行为

63.16学习模型

63.17ABM金融市场-价格形成机制

63.18ABM的特点

63.1课程介绍

63.2系统与系统建模

63.3ABM与复杂系统建模（一）

63.4ABM与复杂系统建模（二）

63.5ABM与复杂系统建模（三）

63.6ABM为经济系统建模

63.7经典经济学如何给市场建模

63.8ABM与复杂系统建模-市场交易

63.9ABM与复杂系统建模-技术扩散

64-用伊辛模型理解复杂系统

64.10（网络中的）投票模型

64.11观念动力学

64.12集体运动Vicsek模型

64.13自旋玻璃

64.14Hopfield神经网络

64.15限制Boltzmann机

64.16深度学习与重正化群（一）

64.17深度学习与重正化群（二）

64.18总结

64.19答疑

64.1伊辛模型的背景及格气模型

64.2伊辛模型（一）

64.3伊辛模型（二）

64.4从能量到统计分布及MonteCarlo模拟

64.5IsingModel(2D)

64.6相变和临界现象

64.7CriticalExponents

64.8正问题和反问题

64.9（空间中的）投票模型

65-金融市场的复杂性

65.10ClassicalBenchmarks（五）

65.11EndogenousRisk（一）

65.12EndogenousRisk（二）

65.13EndogenousRisk（三）

65.14EndogenousRisk（四）

65.15EndogenousRisk（五）

65.16EndogenousRisk（六）

65.17HeterogeneousBeliefs（一）

65.18HeterogeneousBeliefs（二）

65.19总结

65.1导论（一）

65.2导论（二）

65.3导论（三）

65.4导论（四）

65.5导论（五）

65.6ClassicalBenchmarks（一）

65.7ClassicalBenchmarks（二）

65.8ClassicalBenchmarks（三）

65.9ClassicalBenchmarks（四）

66-广泛出现的幂律分布

66.1界（一）

66.2界（二）

66.3界（三）

66.4界（四）

66.5城市、商业（一）

66.6城市、商业（二）

66.7启示（一）

66.8启示（二）

66.9总结

67-自然启发算法

67.10粒子群算法（一）

67.11粒子群算法（二）

67.12粒子群算法（三）

67.13遗传算法和PSO的比较

67.14更多的类似的算法（一）

67.15更多的类似的算法（二）

67.16答疑

67.1课程回顾及答疑

67.2概括（一）

67.3概括（二）

67.4模拟退火算法（一）

67.5模拟退火算法（二）

67.6进化相关的算法（一）

67.7进化相关的算法（二）

67.8进化相关的算法（三）

67.9进化相关的算法（四）

68-机器学习的方法

68.10输出是最好的学习（二）

68.11案例（一）

68.12案例（二）

68.13案例（三）

68.14案例（四）

68.15案例（五）

68.1为什么要讲学习方法

68.2阅读论文

68.3综述式文章举例（一）

68.4综述式文章举例（二）

68.5碎片化时间学习及书籍

68.6视频学习资源及做思维导图

68.7铁哥答疑（一）

68.8铁哥答疑（二）

68.9输出是最好的学习（一）

69-模型可视化工程管理

69.10定制化可视化系统—JupyterDashboard（一）

69.11定制化可视化系统—JupyterDashboard（二）

69.12变身前端—seaboarn+Bokeh+Echarts

69.13日志管理系统—ELK

69.14极速Bi系统—superset

69.15Dashboard补充

69.16ELK补充

69.17Superset补充

69.18Superset补充及总结

69.1课程简介

69.2虚拟换环境—Anaconda&docker（一）

69.3虚拟换环境—Anaconda&docker（二）

69.4虚拟换环境—Anaconda&docker（三）

69.5虚拟换环境—Anaconda&docker（四）

69.6虚拟换环境—Anaconda&docker（五）

69.7虚拟换环境—Anaconda&docker（六）

69.8虚拟换环境—Anaconda&docker（七）

69.9虚拟换环境—Anaconda&docker（八）

70-ValueIterationNetworks

70.1Background&Motivation

70.2ValueIteration

70.3Grid—worldDomain

70.4总结及答疑

71-线动力学系统（上）

71.10混沌（一）

71.11混沌（二）

71.12混沌（三）

71.13混沌（四）

71.14混沌（五）

71.15混沌（六）

71.16混沌（七）

71.17混沌（八）

71.18混沌（九）

71.19混沌（十）

71.1线动力学系统（一）

71.20混沌（十一）

71.2线动力学系统（二）

71.3二维系统动力学综述—Poincare引理

71.4Bifurcation（一）

71.5Bifurcation（二）

71.6Bifurcation（三）

71.7Bifurcation（四）

71.8Bifurcation（五）

71.9Bifurcation（六）

72-线动力学系统（下）

72.1自然语言处理（一）

72.2自然语言处理（二）

72.3RNN

72.4RNN及

73-自然语言处理导入

73.1中文分词

73.2中文分词、依存文法分析

73.3篇章分析、自动摘要、知识提取、文本相似度计算

73.4知识库构建、问答系统

73.5示范2的豆瓣评论词云（一）

73.6示范2的豆瓣评论词云（二）

73.7示范2的豆瓣评论词云（三）

73.8示范2的豆瓣评论词云（四）

73.9示范2的豆瓣评论词云（五）

74-复杂网络上的物理传输过程

74.10一些传播动力学模型（七）

74.11一些传播动力学模型（八）

74.12仿真模型的建立过程（一）

74.13仿真模型的建立过程（二）

74.14仿真模型的建立过程（三）

74.15仿真模型的建立过程（四）

74.16Combiningcomplexnetworksanddatamining

74.1一些基本概念

74.2常用的统计描述物理量

74.3四种网络模型

74.4一些传播动力学模型（一）

74.5一些传播动力学模型（二）

74.6一些传播动力学模型（三）

74.7一些传播动力学模型（四）

74.8一些传播动力学模型（五）

74.9一些传播动力学模型（六）

75-RNN及LSTM

75.10梯度消失与梯度爆炸（二）

75.11Reservoircomputing—偷懒方法

75.12LSTM

75.13LSTM、UseExamples

75.14词向量、DeepRNN

75.15EncoderDecoderStructure

75.16LSTMTextGeneration（一）

75.17LSTMTextGeneration（二）

75.18LSTMTextGeneration（三）

75.1RNN—序列处理器（一）

75.2RNN—序列处理器（二）

75.3Asimpleenoughcase

75.4Adancebetweenfixpoints

75.5Fixpoint、TrainChaos

75.6RNN作为生成模型（动力系统）

75.7RNN训练—BPTT（一）

75.8RNN训练—BPTT（二）

75.9梯度消失与梯度爆炸（一）

76-漫谈人工智能创业

76.10三个战略管理学商业模型（三）

76.11三个战略管理学商业模型（四）

76.12三个战略管理学商业模型（五）

76.13三个战略管理学商业模型（六）

76.14三个战略管理学商业模型（七）

76.15三个战略管理学商业模型（八）

76.16三个战略管理学商业模型（九）

76.17关于Entrepreneurship

76.1人工智能对我们生活的影响（一）

76.2人工智能对我们生活的影响（二）

76.3人工智能对我们生活的影响（三）

76.4人工智能对我们生活的影响（四）

76.5人工智能对我们生活的影响（五）

76.6人工智能对我们生活的影响（六）

76.7人工智能创业中的商业思维

76.8三个战略管理学商业模型（一）

76.9三个战略管理学商业模型（二）

77-学习其他主题

77.1

77.10程序讲解（三）

77.2玻尔兹曼机—联想的机器

77.3玻尔兹曼机

77.4学习（一）

77.5学习（二）

77.6学习（三）

77.7学习（四）

77.8程序讲解（一）

77.9程序讲解（二）

78-课程总结

78.10课程总结（二）

78.1开场

78.2Attention实例—SpatialTransformer

78.3猫狗大战—CNN实战（一）

78.4猫狗大战—CNN实战（二）

78.5RNN诗人

78.6课程复习

78.7课程大纲（一）

78.8课程大纲（二）

78.9课程总结（一）