人工智能、大数据与复杂系统视频学习教程下载

119c4729761a4b9fb7846a324efc92c3_th.jpg

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。

课程简介

第 1 讲宣传片

1宣传片免费试听

第 2 讲复杂系统

1物理预测的胜利与失效免费试听

2预测失效原因免费试听

3复杂系统引论免费试听

4生活实例与本章答疑免费试听

第 3 讲大数据与机器学习

1大数据预测因为噪声失效

2大数据与机器学习

第 4 讲人工智能的三个阶段

1规则阶段

2机器学习阶段发展至连接主义阶段

3课间答疑

4连接主义阶段发展至深度学习阶段

5三个阶段总结分析

6人工智能的应用(一)

7人工智能的应用(二)

8课间答疑

9课程大纲(一)

10课程大纲(二)

第 5 讲高等数学—元素和极限

1实数的定义(一)

2实数的定义(二)

3实数的定义(三)

4实数的元素个数(一)

5实数的元素个数(二)

6自然数个数少于实数个数(一)

7自然数个数少于实数个数(二)

8无穷大之比较(一)

9无穷大之比较(二)

10级数的收敛

11极限的定义

12极限的四则运算

13极限的复合

14连续性

第 6 讲复杂网络经济学应用

1用网络的思维看经济结构

2复杂网络认识前后

3从网络结构看不同地区(一)

4从网络结构看不同地区(二)

第 7 讲机器学习与监督算法

1什么是机器学习

2机器学习的类型

3简单回归实例(一)

4简单回归实例(二)

5简单回归实例(三)

第 8 讲阿尔法狗与强化学习算法

1人工智能的发展

2强化学习算法(一)

3强化学习算法(二)

4强化学习算法(三)

5Alphago给我们的启示

6无监督学习

第 9 讲高等数学—两个重要的极限定理

1元素与极限的知识点回顾

2第一个重要极限定理的证明(一)

3第一个重要极限定理的证明(二)

4夹逼定理

5第二个重要极限定理的证明

第 10 讲高等数学—导数

1导数的定义

2初等函数的导数

3反函数的导数(一)

4反函数的导数(二)

5复合函数的导数

6泰勒展开

7罗尔定理

8微分中值定理和柯西中值定理

9洛比塔法则

10泰勒展开的证明

第 11 讲贝叶斯理论

1梯度优化(一)

2梯度优化(二)

3概率基础

4概率与事件

5贝叶斯推理(一)

6贝叶斯推理(二)

7贝叶斯推理(三)

8辛普森案件

9贝叶斯推理深入

10贝叶斯于机器学习(一)

11贝叶斯于机器学习(二)

12贝叶斯决策(一)

13贝叶斯决策(二)

14贝叶斯决策(三)

第 12 讲高等数学—泰勒展开

1泰勒展开

2展开半径

3欧拉公式

4泰勒展开求极限(一)

5泰勒展开求极限(二)

第 13 讲高等数学—偏导数

1偏导数的对称性

2链式法则

3梯度算符、拉氏算符

第 14 讲高等数学—积分

1黎曼积分

2微积分基本定理

3分部积分(一)

4分部积分(二)

第 15 讲高等数学—正态分布

1标准正态分布

2中心极限定理

3误差函数

4二维正态分布

5多维正态分布

第 16 讲朴素贝叶斯和最大似然估计

1蒙特卡洛分析(一)

2蒙特卡洛分析(二)

3贝叶斯先验

4先验到后验的过程

5朴素贝叶斯(一)

6朴素贝叶斯(二)

7算法设计

8TF-IDF(一)

9TF-IDF(二)

10朴素贝叶斯(三)

11最大似然估计(一)

12最大似然估计(二)

第 17 讲线性代数—线性空间和线性变换

1线性代数概述

2线性代数应用方法论

3线性乘法的可交换性和结合律

4线性空间

5线性空间八条法则(一)

6线性空间八条法则(二)

7线性空间八条法则(三)

8连续傅立叶变换

9离散傅立叶变换

10非常规线性空间

11线性相关和线性无关

12秩

第 18 讲数据科学和统计学(上)

1课程Overview

2回顾统计学(一)

3回顾统计学(二)

4回顾统计学(三)

5回顾数据科学(一)

6回顾数据科学(二)和教材介绍

7R和RStudio等介绍(一)

8R和RStudio等介绍(二)

9随机变量(一)

10随机变量(二)

11换门的概率模拟计算(一)

12换门的概率模拟计算(二)

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

1线性代数知识点回顾

2矩阵表示线性变化

3可逆矩阵表示坐标变化

4相似矩阵

5相似矩阵表示相同线性变化

6线性代数解微分方程

7矩阵的运算—转秩(一)

8矩阵的运算—转秩(二)

9等价关系

10等价类

11行列式(一)

12行列式(二)

13行列式(三)

第 20 讲Python基础课程(上)

1Python介绍(一)

2Python介绍(二)

3变量—命名规范

4变量—代码规范

5变量类型—数值类型

6变量类型—bool类型

7变量类型—字符串类型(一)

8课间答疑

9变量类型—字符串类型(二)

10变量类型—字符串类型(三)

11变量类型—列表类型(一)

12变量类型—列表类型(二)

13变量类型—列表类型(三)

14变量类型—元组类型、字典类型(一)

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

1线性代数知识点回顾

2例题讲解(一)

3例题讲解(二)

4例题讲解(三)

5特征值与特征向量的物理意义

6特征值与特征向量的性质(一)

7特征值与特征向量的性质(二)

8本征值的计算(一)

9本征值的计算(二)

10线性代数核心定理

11对偶空间(一)

12对偶空间(二)

13欧氏空间与闵氏空间

14厄米矩阵

第 22 讲监督学习框架

1经验误差和泛化误差

2最大后验估计

3正则化

4lasso回归

5超参数(一)

6超参数(二)

7监督学习框架(一)

8监督学习框架(二)

9KNN(K最近邻)算法(一)

10KNN(K最近邻)算法(二)

11KNN(K最近邻)算法(三)

12线性分类器

13高斯判别模型(一)

14高斯判别模型(二)

第 23 讲Python基础课程(下)

1条件判断(一)

2条件判断(二)

3循环(一)

4循环(二)

5课间答疑

6循环(三)

7循环(四)

8函数(一)

9函数(二)

10函数(三)

11函数(四)

12类(一)

13类(二)

14类(三)

第 24 讲PCA、降维方法引入

1无监督学习框架

2降维存在的原因

3PCA数学分析方法(一)

4PCA数学分析方法(二)

5PCA数学分析方法(三)

6PCA数学分析方法(四)

7PCA之外的降维方法—LDA

8PCA背后的假设(一)

9PCA背后的假设(二)

第 25 讲数据科学和统计学(下)

1课程Overview

2理解统计思想(一)

3理解统计思想(二)

4理解统计思想(三)

5概率空间

6随机变量(一)

7随机变量(二)

8随机变量(三)

9随机变量(四)

10参数估计(一)

11参数估计(二)

12假设检验(一)

13假设检验(二)

第 26 讲Python操作数据库、 Python爬虫

1课程介绍

2认识关系型数据库(一)

3认识关系型数据库(二)

4MySQL数据库与Excel的不同

5命令行操作数据库(一)

6命令行操作数据库(二)

7命令行操作数据库(三)

8命令行操作数据库(四)

9Python操作数据库(一)

10Python操作数据库(二)

11Python操作数据库(三)

12Python操作数据库(四)

13Python爬虫(一)

14Python爬虫(二)

15Python爬虫(三)

16Python爬虫(四)

17Python爬虫(五)

第 27 讲线性分类器

1Lasso:alpha参数与准确率(一)

2Lasso:alpha参数与准确率(二)

3Lasso:alpha参数与准确率(三)

4线性分类器

5LDA(一)

6LDA(二)

7LDA(三)

8Perceptron(一)

9Perceptron(二)

10Perceptron(三)

11Perceptron(四)

12熵与信息(一)

13熵与信息(二)

第 28 讲Python进阶(上)

1NumPy基本操作(一)

2NumPy基本操作(二)

3NumPy基本操作(三)

4NumPy基本操作(四)

5NumPy基本操作(五)

6NumPy基本操作(六)

7Pandas基本操作(一)

8Pandas基本操作(二)

9Pandas基本操作(三)

10Pandas基本操作(四)

11Pandas绘图(一)

12Pandas绘图(二)

13Pandas绘图(三)

14Pandas绘图(四)

第 29 讲Scikit-Learn

1课程介绍

2Scikit-Learn介绍

3数据处理(一)

4数据处理(二)

5模型实例、模型选择(一)

6模型实例、模型选择(二)

7模型实例、模型选择(三)

8模型实例、模型选择(四)

9模型实例、模型选择(五)

第 30 讲熵、逻辑斯蒂回归、SVM引入

1熵(一)

2熵(二)

3熵(三)

4熵(四)

5熵(五)

6熵(六)

7熵(七)

8逻辑斯蒂回归(一)

9逻辑斯蒂回归(二)

10逻辑斯蒂回归(三)

11逻辑斯蒂回归(四)

12逻辑斯蒂回归(五)

13SVM引入

第 31 讲Python进阶(下)

1泰坦尼克数据处理与分析(一)

2泰坦尼克数据处理与分析(二)

3泰坦尼克数据处理与分析(三)

4泰坦尼克数据处理与分析(四)

5泰坦尼克数据处理与分析(五)

6泰坦尼克数据处理与分析(六)

7泰坦尼克数据处理与分析(七)

8泰坦尼克数据处理与分析(八)

9泰坦尼克数据处理与分析(九)

第 32 讲决策树

1决策树(一)

2决策树(二)

3决策树(三)

4决策树(四)

第 33 讲数据呈现基础

1课程安排

2什么是数据可视化

3设计原则

4数据可视化流程

5视觉编码

6图形选择(一)

7图形选择(二)

8图形选择(三)

第 34 讲云计算初步

1Hadoop介绍

2Hdfs应用(一)

3Hdfs应用(二)

4MapReduce(一)

5MapReduce(二)

6Hive应用(一)

7Hive应用(二)

8Hive应用(三)

9Hive应用(四)

第 35 讲D-Park实战

1Pig应用(一)

2Pig应用(二)

3Pig应用(三)

4Pig应用(四)

5Pig应用(五)

6Pig应用(六)

7Spark应用(一)

8Spark应用(二)

9Spark应用(三)

10Spark应用(四)

11Spark应用(五)

12Spark应用(六)

13Spark应用(七)

第 36 讲第四范式分享

1推荐技术的介绍

2人是如何推荐商品的

3推荐系统的形式化以及如何评价推荐结果

4求解—从数据到模型

5数据拆分与特征工程

6推荐系统机器学习模型

7评估模型

8建模过程的演示与课间答疑

第 37 讲决策树到随机森林

1决策树

2随机森林

3在Scikit-Learn里面如何用随机森林做预测(一)

4在Scikit-Learn里面如何用随机森林做预测(二)

5模型参数的介绍

6集成方法(一)

7集成方法(二)

8Blending

9gt多样化

10Bagging与决策树(一)

11Bagging与决策树(二)

12Boosting方法(一)

13Boosting方法(二)

14Boosting方法(三)

15Boosting方法(四)

第 38 讲数据呈现进阶

1静态信息图(一)

2静态信息图(二)

3静态信息图(三)

4静态信息图(四)

5静态信息图(五)

6HTML、CSS和JavaScript基础介绍

7DOM和开发者工具

8D3(一)

9D3(二)

10D3(三)

11div.html

12svg.html

13D3支持的数据类型

14Make a map(一)

15Make a map(二)

第 39 讲强化学习(上)

1你所了解的强化学习是什么

2经典条件反射(一)

3经典条件反射(二)

4操作性条件反射

5Evaluation Problem(一)

6Evaluation Problem(二)

7Evaluation Problem(三)

8Evaluation Problem(四)

9Policy Learning(一)

10Policy Learning(二)

11Policy Learning(三)

12Policy Learning(四)

13Policy Learning(五)

14Policy Learning(六)

第 40 讲强化学习(下)

1Policy Learning总结

2基于模型的RL(一)

3基于模型的RL(二)

4基于模型的RL(三)

5基于模型的RL(四)

6基于模型的RL(五)

7基于模型的RL(六)

8大脑中的强化学习算法(一)

9大脑中的强化学习算法(二)

10大脑中的强化学习算法(三)

11大脑中的强化学习算法(四)

12大脑中的强化学习算法(五)

13RL in alphaGo(一)

14RL in alphaGo(二)

15RL in alphaGo(三)

16RL in alphaGo(四)

第 41 讲SVM和神经网络引入

1VC维

2SVM(一)

3SVM(二)

4SVM(三)

5SVM(四)

6SVM(五)

7SVM(六)

8SVM(七)

9SVM(八)

10SVM(九)

11SVM(十)

12SVM(十一)

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

1集成模型总结(一)

2集成模型总结(二)

3集成模型总结(三)

4集成模型总结(四)

5集成模型总结(五)

6GDBT理解及其衍生应用(一)

7GDBT理解及其衍生应用(二)

8GDBT理解及其衍生应用(三)

9GDBT理解及其衍生应用(四)

10GDBT理解及其衍生应用(五)

11GDBT理解及其衍生应用(六)

12GDBT理解及其衍生应用(七)

13GDBT理解及其衍生应用(八)

14GDBT理解及其衍生应用(九)

15GDBT理解及其衍生应用(十)

第 43 讲神经网络

1SVM比较其他分类起代码(一)

2SVM比较其他分类起代码(二)

3神经网络(一)

4神经网络(二)

5神经网络(三)

6神经网络(四)

第 44 讲监督学习-回归

1机器学习的概念和监督学习

2机器学习工作流程(一)

3机器学习工作流程(二)

4机器学习工作流程(三)

5机器学习工作流程(四)

6案例分析(一)

7案例分析(二)

8案例分析(三)

9案例分析(四)

10经验分享(一)

11经验分享(二)

12经验分享(三)

第 45 讲监督学习-分类

1常用的分类算法

2模型评估标准和案例分析

3数据探索(一)

4数据探索(二)

5数据探索(三)

6数据探索(四)

7数据探索(五)

8数据探索(六)

9模型训练与选择(一)

10模型训练与选择(二)

11Airbnb数据探索过程(一)

12Airbnb数据探索过程(二)

13地震数据可视化过程(一)

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

1神经网络(一)

2神经网络(二)

3神经网络(三)

4神经网络(四)

5神经网络(五)

6神经网络(六)

7神经网络(七)

8神经网络(八)

9神经网络(九)

10神经网络(十)

11图像处理基础

12卷积(一)

13卷积(二)

第 47 讲时间序列预测

1时间序列预测概述(一)

2时间序列预测概述(二)

3差分自回归移动平均模型(ARIMA)

4差分自回归移动平均模型(ARIMA)案例分析(一)

5差分自回归移动平均模型(ARIMA)案例分析(二)

6差分自回归移动平均模型(ARIMA)案例分析(三)

7差分自回归移动平均模型(ARIMA)案例分析(四)

8长短期记忆网络(LSTM)(一)

9长短期记忆网络(LSTM)(二)

10长短期记忆网络(LSTM)案例分析

11Facebook开源的新预测工具—Prophet(一)

12Facebook开源的新预测工具—Prophet(二)

13课程答疑

第 48 讲人工智能金融应用

1人工智能金融应用(一)

2人工智能金融应用(二)

3人工智能金融应用(三)

4人工智能金融应用(四)

5机器学习方法(一)

6机器学习方法(二)

7机器学习方法(三)

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

1计算机视觉深度学习入门概述

2计算机视觉领域正在关心的问题(一)

3计算机视觉领域正在关心的问题(二)

4实际问题转化为具体问题并用深度学习解决(一)

5实际问题转化为具体问题并用深度学习解决(二)

6实际问题转化为具体问题并用深度学习解决(三)

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

1复习计算机视觉最主要的负责特征提取的结构CNN

2特征如何组织(一)

3特征如何组织(二)

4特征如何组织(三)

5特征如何组织(四)

6结构之间的优劣评判以及实验结果(一)

7结构之间的优劣评判以及实验结果(二)

8结构之间的优劣评判以及实验结果(三)

9结构之间的优劣评判以及实验结果(四)

10结构之间的优劣评判以及实验结果(五)

11结构之间的优劣评判以及实验结果(六)

12结构之间的优劣评判以及实验结果(七)

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

1计算机视觉深度学习入门:优化篇概述

2CNN模型的一阶优化逻辑

3训练稳定性:Annealing和Momentum

4抗拟合:从Dropout到Weight Decay

5竞争优化器和多机并行

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

1计算机视觉领域的常用竞赛数据集

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)

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)

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

1计算机视觉深度学习入门工具篇(一)

2计算机视觉深度学习入门工具篇(二)

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

1个性化推荐的发展

2推荐算法的演进(一)

3推荐算法的演进(二)

4推荐算法的演进(三)

5推荐算法的演进(四)

6建模step by step(一)

7建模step by step(二)

8建模step by step(三)

9算法评估和迭代

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

1Pig巩固(一)

2Pig巩固(二)

3Pig巩固(三)

4Pig巩固(四)

5Pig巩固(五)

6Spark巩固(一)

7Spark巩固(二)

8Spark巩固(三)

9Spark巩固(四)

10Spark巩固(五)

第 56 讲人工智能与设计

1智能存在的意义是什么?

2已有人工智的设计应用

3人的智能(一)

4人的智能(二)

5人的智能的特点(一)

6人的智能的特点(二)

7人的智能的特点(三)

8人工智能(一)

9人工智能(二)

10使用人工智能的方式

第 57 讲神经网络

1卷积的本质

2卷积的三大特点

3Pooling

4数字识别(一)

5数字识别(二)

6感受野

7RNN

第 58 讲非线性动力学

1非线性动力学

2线性动力系统

3线性动力学与非线性动力学系统(一)

4线性动力学与非线性动力学系统(二)

5定点理论

6Poincare引理

第 59 讲高频交易订单流模型

1高频交易

2点过程基础(一)

3点过程基础(二)

4点过程基础(三)

5订单流数据分析(一)

6订单流数据分析(二)

7订单流数据分析(三)

8订单流数据分析(四)

9订单流数据分析(五)

第 60 讲区块链:一场革命

1比特币(一)

2比特币(二)

3比特币(三)

4以太坊简介及ICO

第 61 讲统计物理专题(一)

1统计物理的开端(一)

2统计物理的开端(二)

3抛硬币抛出正态分布(一)

4抛硬币抛出正态分布(二)

5再造整个世界(一)

6再造整个世界(二)

7温度的本质(一)

8温度的本质(二)

9压强

10证明理想气体方程

11化学势

12四大热力学势(一)

13 四大热力学势(二)

第 62 讲统计物理专题(二)

1神奇公式.mp4

2信息熵(一)

3信息熵(二)

4Boltzmann分布

5配分函数Z

第 63 讲复杂网络简介

1Networks in real worlds

2BasicConcepts(一)

3BasicConcepts(二)

4Models(一)

5Models(二)

6Algorithms(一)

7Algorithms(二)

第 64 讲ABM简介及金融市场建模

1课程介绍

2系统与系统建模

3ABM与复杂系统建模(一)

4ABM与复杂系统建模(二)

5ABM与复杂系统建模(三)

6ABM为经济系统建模

7经典经济学如何给市场建模

8ABM与复杂系统建模-市场交易

9ABM与复杂系统建模-技术扩散

10ABM与复杂系统建模-交通系统(一)

11ABM与复杂系统建模-交通系统(二)

12ABM金融市场-SFI股票市场模型(一)

13ABM金融市场-SFI股票市场模型(二)

14ABM金融市场-genova市场模型

15ABM金融市场-Agent及其行为

16学习模型

17ABM金融市场-价格形成机制

18ABM的特点与缺陷

第 65 讲用伊辛模型理解复杂系统

1伊辛模型的背景及格气模型

2伊辛模型(一)

3伊辛模型(二)

4从能量到统计分布及Monte Carlo模拟

5Ising Model(2D)

6相变和临界现象

7Critical Exponents

8正问题和反问题

9(空间中的)投票模型

10(网络中的)投票模型

11观念动力学

12集体运动Vicsek模型

13自旋玻璃

14Hopfield神经网络

15限制Boltzmann机

16深度学习与重正化群(一)

17深度学习与重正化群(二)

18总结

19答疑

第 66 讲金融市场的复杂性

1导论(一)

2导论(二)

3导论(三)

4导论(四)

5导论(五)

6Classical Benchmarks(一)

7Classical Benchmarks(二)

8Classical Benchmarks(三)

9Classical Benchmarks(四)

10Classical Benchmarks(五)

11Endogenous Risk(一)

12Endogenous Risk(二)

13Endogenous Risk(三)

14Endogenous Risk(四)

15Endogenous Risk(五)

16Endogenous Risk(六)

17Heterogeneous Beliefs(一)

18Heterogeneous Beliefs(二)

19总结

第 67 讲广泛出现的幂律分布

1生物界(一)

2生物界(二)

3生物界(三)

4生物界(四)

5城市、商业(一)

6城市、商业(二)

7启示(一)

8启示(二)

9总结

第 68 讲自然启发算法

1课程回顾及答疑

2概括(一)

3概括(二)

4模拟退火算法(一)

5模拟退火算法(二)

6进化相关的算法(一)

7进化相关的算法(二)

8进化相关的算法(三)

9进化相关的算法(四)

10粒子群算法(一)

11粒子群算法(二)

12粒子群算法(三)

13遗传算法和PSO的比较

14更多的类似的算法(一)

15更多的类似的算法(二)

16答疑

第 69 讲机器学习的方法

1为什么要讲学习方法

2阅读论文

3综述式文章举例(一)

4综述式文章举例(二)

5碎片化时间学习及书籍

6视频学习资源及做思维导图

7铁哥答疑(一)

8铁哥答疑(二)

9输出是最好的学习(一)

10输出是最好的学习(二)

11案例(一)

12案例(二)

13案例(三)

14案例(四)

15案例(五)

第 70 讲模型可视化工程管理

1课程简介

2虚拟换环境—Anaconda&docker(一)

3虚拟换环境—Anaconda&docker(二)

4虚拟换环境—Anaconda&docker(三)

5虚拟换环境—Anaconda&docker(四)

6虚拟换环境—Anaconda&docker(五)

7虚拟换环境—Anaconda&docker(六)

8虚拟换环境—Anaconda&docker(七)

9虚拟换环境—Anaconda&docker(八)

10定制化可视化系统—Jupyter Dashboard(一)

11定制化可视化系统—Jupyter Dashboard(二)

12变身前端—seaboarn+Bokeh+Echarts

13日志管理系统—ELK

14极速Bi系统—superset

15Dashboard补充

16ELK补充

17Superset补充

18Superset补充及总结

第 71 讲Value Iteration Networks

1Background&Motivation

2Value Iteration

3Grid—world Domain

4总结及答疑

第 72 讲非线性动力学系统(上)

1非线性动力学系统(一)

2非线性动力学系统(二)

3二维系统动力学综述—Poincare引理

4Bifurcation(一)

5Bifurcation(二)

6Bifurcation(三)

7Bifurcation(四)

8Bifurcation(五)

9Bifurcation(六)

10混沌(一)

11混沌(二)

12混沌(三)

13混沌(四)

14混沌(五)

15混沌(六)

16混沌(七)

17混沌(八)

18混沌(九)

19混沌(十)

20混沌(十一)

第 73 讲非线性动力学系统(下)

1自然语言处理乱弹(一)

2自然语言处理乱弹(二)

3RNN

4RNN及答疑

第 74 讲自然语言处理导入

1中文分词

2中文分词、依存文法分析

3篇章分析、自动摘要、知识提取、文本相似度计算

4知识库构建、问答系统

5示范战狼2的豆瓣评论词云(一)

6示范战狼2的豆瓣评论词云(二)

7示范战狼2的豆瓣评论词云(三)

8示范战狼2的豆瓣评论词云(四)

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

1一些基本概念

2常用的统计描述物理量

3四种网络模型

4一些传播动力学模型(一)

5一些传播动力学模型(二)

6一些传播动力学模型(三)

7一些传播动力学模型(四)

8一些传播动力学模型(五)

9一些传播动力学模型(六)

10一些传播动力学模型(七)

11一些传播动力学模型(八)

12仿真模型的建立过程(一)

13仿真模型的建立过程(二)

14仿真模型的建立过程(三)

15仿真模型的建立过程(四)

16Combining complex networks and data mining

第 76 讲RNN及LSTM

1RNN—序列处理器(一)

2RNN—序列处理器(二)

3A simple enough case

4A dance between fix points

5Fix point、Train Chaos

6RNN作为生成模型(动力系统)

7RNN训练—BPTT(一)

8RNN训练—BPTT(二)

9梯度消失与梯度爆炸(一)

10梯度消失与梯度爆炸(二)

11Reservoir computing—偷懒方法

12LSTM

13LSTM、Use Examples

14词向量、Deep RNN

15Encoder Decoder Structure

16LSTM Text Generation(一)

17LSTM Text Generation(二)

18LSTM Text Generation(三)

第 77 讲漫谈人工智能创业

1人工智能对我们生活的影响(一)

2人工智能对我们生活的影响(二)

3人工智能对我们生活的影响(三)

4人工智能对我们生活的影响(四)

5人工智能对我们生活的影响(五)

6人工智能对我们生活的影响(六)

7人工智能创业中的商业思维

8三个战略管理学商业模型(一)

9三个战略管理学商业模型(二)

10三个战略管理学商业模型(三)

11三个战略管理学商业模型(四)

12三个战略管理学商业模型(五)

13三个战略管理学商业模型(六)

14三个战略管理学商业模型(七)

15三个战略管理学商业模型(八)

16三个战略管理学商业模型(九)

17关于Entrepreneurship

第 78 讲深度学习其他主题

1神经网络的无穷潜力

2玻尔兹曼机—联想的机器

3受限玻尔兹曼机

4对抗学习(一)

5对抗学习(二)

6对抗学习(三)

7对抗学习(四)

8程序讲解(一)

9程序讲解(二)

10程序讲解(三)

第 79 讲课程总结

1开场

2Attention实例—Spatial Transformer

3猫狗大战—CNN实战(一)

4猫狗大战—CNN实战(二)

5RNN诗人

6课程复习

7课程大纲(一)

8课程大纲(二)

9课程总结(一)

10课程总结(二)

资源下载此资源下载价格为10学分,请先
充值比例 1元=1学分
资源失效,请咨询客服
客服QQ 980264305
资源下载
下载价格:10 学分
VIP优惠:免费
充值比例 1元=1学分
资源失效,请咨询客服
客服QQ 980264305

评论0

  • 昵称
  • 邮箱
  • 网址
找资源,搜一下,更惊喜
没有账号? 注册忘记密码?