从Alpha—GO到无人驾驶,人工智能AI结合大数据发挥出惊人功效的场景越来越多。如何从零开始真正入门这个领域?人工智能、大数据与复杂系统一月特训班可以帮到您!
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习,计算机视觉等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
├─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 │ 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 │ 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) │ 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) │ 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) │ 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-第四范式分享 │ 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 │ 37.14Make a map(一) │ 37.15Make a map(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) │ 38.10Policy Learning(二) │ 38.11Policy Learning(三) │ 38.12Policy Learning(四) │ 38.13Policy Learning(五) │ 38.14Policy Learning(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 │ 38.5Evaluation Problem(一) │ 38.6Evaluation Problem(二) │ 38.7Evaluation Problem(三) │ 38.8Evaluation Problem(四) │ 38.9Policy Learning(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) │ 39.13RL in alphaGo(一) │ 39.14RL in alphaGo(二) │ 39.15RL in alphaGo(三) │ 39.16RL in alphaGo(四) │ 39.1Policy Learning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) │ ├─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Weight Decay │ 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step by step(一) │ 53.7建模step by step(二) │ 53.8建模step by step(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 │ 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 │ 62.1Networks in real worlds │ 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Monte Carlo模拟 │ 64.5Ising Model(2D) │ 64.6相变和临界现象 │ 64.7Critical Exponents │ 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 │ 65.10Classical Benchmarks(五) │ 65.11Endogenous Risk(一) │ 65.12Endogenous Risk(二) │ 65.13Endogenous Risk(三) │ 65.14Endogenous Risk(四) │ 65.15Endogenous Risk(五) │ 65.16Endogenous Risk(六) │ 65.17Heterogeneous Beliefs(一) │ 65.18Heterogeneous Beliefs(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) │ 65.6Classical Benchmarks(一) │ 65.7Classical Benchmarks(二) │ 65.8Classical Benchmarks(三) │ 65.9Classical Benchmarks(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—Jupyter Dashboard(一) │ 69.11定制化可视化系统—Jupyter Dashboard(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-Value Iteration Networks │ 70.1Background&Motivation │ 70.2Value Iteration │ 70.3Grid—world Domain │ 70.4总结及答疑 │ ├─70-最新回放 │ 0822 CNN RNN回顾 非线性动力学引入 │ 0822 高频订单流模型、区块链介绍 │ ├─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) │ 74.16Combining complex networks and data mining │ 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) │ 75.11Reservoir computing—偷懒方法 │ 75.12LSTM │ 75.13LSTM、Use Examples │ 75.14词向量、Deep RNN │ 75.15Encoder Decoder Structure │ 75.16LSTM Text Generation(一) │ 75.17LSTM Text Generation(二) │ 75.18LSTM Text Generation(三) │ 75.1RNN—序列处理器(一) │ 75.2RNN—序列处理器(二) │ 75.3A simple enough case │ 75.4A dance between fix points │ 75.5Fix point、Train Chaos │ 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—Spatial Transformer 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) |
欢迎光临 IT码上发视频教程 (https://www.itmsf.com/) | Powered by Discuz! X3.3 |