课程介绍

人工智能、大数据与复杂系统，该课程是万门大学主推课程

包括了复杂系统 Python基础 爬虫 数学基础 大数据基础以及 人工智能

有监督学习 无监督学习 强化学习 深度学习 神经网络 卷神经网络 视觉深度学习 推荐算法 等等等等

你可以根据你需要的进行学习，不一定要全部看完

例如：你就看看基础，学学爬虫，抓抓妹子，你也可以，学学到底是如何换头的，或是看看人脸识别到底怎么做的

甚至就了解了解，人工智能到底是什么鬼！！ 带来哪些行业的危机，大数据到底干什么用的....

课程目录

• 万门大学-3528元-人工智能、大数据与复杂系统
• ____01-复杂系统
• ____02-大数据与机器学习
• ____03-人工智能的三个阶段
• ____04-高等数学—元素和极限
• ____05-复杂网络经济学应用
• ____06-机器学习与监督算法
• ____07-阿尔法狗与强化学习算法
• ____08-高等数学—两个重要的极限定理
• ____0822CNNRNN回顾非线性动力学引入
• ____0822高频订单流模型、区块链介绍
• ____09-高等数学—导数
• ____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
• ____2.1大数据预测因为
• ____2.2大数据与机器学习
• ____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）
• ____3.10课程大纲（二）
• ____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）
• ____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
• ____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）
• ____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）
• ____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
• ____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
• ____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
• ____9.10泰勒展开的证明
• ____10-贝叶斯理论
• ____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
• ____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）
• ____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
• ____15.1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）
• ____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）
• ____16-线
• ____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
• ____16.10常规线空间
• ____16.11线关
• ____16.12秩
• ____17-数据科学和统计学（上）
• ____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）
• ____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）
• ____18-线代数—矩阵、等价类和行列式
• ____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
• ____18.10等价类
• ____18.11行列式（一）
• ____18.12行列式（二）
• ____18.13行列式（三）
• ____19-Python基础课程（上）
• ____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）
• ____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）
• ____20-线代数—特征值与特征向量
• ____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）
• ____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
• ____21-监督学习框架
• ____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）
• ____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）
• ____22-Python基础课程（下）
• ____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）
• ____22.10函数（三）
• ____22.11函数（四）
• ____22.12类（一）
• ____22.13类（二）
• ____22.14类（三）
• ____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）
• ____24.1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）
• ____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）
• ____25-Python操作数据库、Python爬虫
• ____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）
• ____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）
• ____26-线分类器
• ____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）
• ____26.10Perceptron（三）
• ____26.11Perceptron（四）
• ____26.12熵与信息（一）
• ____26.13熵与信息（二）
• ____27-Python进阶（上）
• ____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）
• ____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）
• ____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
• ____29.1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）
• ____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
• ____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
• ____34.1Pig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）
• ____34.10Spark应用（四）
• ____34.11Spark应用（五）
• ____34.12Spark应用（六）
• ____34.13Spark应用（七）
• ____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
• ____36.1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
• ____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）
• ____37-数据呈现进阶
• ____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）
• ____37.10D3（三）
• ____37.11div.html
• ____37.12svg.html
• ____37.13D3支持的数据类型
• ____37.14Makeamap（一）
• ____37.15Makeamap（二）
• ____38-强化学习（上）
• ____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）
• ____38.10PolicyLearning（二）
• ____38.11PolicyLearning（三）
• ____38.12PolicyLearning（四）
• ____38.13PolicyLearning（五）
• ____38.14PolicyLearning（六）
• ____39-强化学习（下）
• ____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）
• ____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）
• ____40-SVM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）
• ____40.10SVM（九）
• ____40.11SVM（十）
• ____40.12SVM（十一）
• ____40.13SVM（十二）和网络引入
• ____41-集成模型总结和GDBT理解及其衍生应用
• ____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）
• ____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）
• ____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
• ____43.1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）
• ____43.10经验分享（一）
• ____43.11经验分享（二）
• ____43.12经验分享（三）
• ____44-监督学习－分类
• ____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）
• ____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）
• ____45-网络基础与卷积网络
• ____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）
• ____45.10网络（十）
• ____45.11图像处理基础
• ____45.12卷积（一）
• ____45.13卷积（二）
• ____45.网络（五）
• ____46-时间序列预测
• ____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）
• ____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
• ____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
• ____49.1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）
• ____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）
• ____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
• ____53.1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
• ____53.10工程望
• ____54-Pig和Spark巩固
• ____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）
• ____54.10Spark巩固（五）
• ____55-人工智能与设计
• ____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）
• ____55.10使用人工智能的方式
• ____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）
• ____60.1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
• ____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）
• ____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
• ____62.1Networksinrealworlds
• ____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
• ____63.1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
• ____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
• ____64-用伊辛模型理解复杂系统
• ____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
• ____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
• ____65-金融市场的复杂性
• ____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）
• ____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
• ____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
• ____67.1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）
• ____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
• ____68-机器学习的方法
• ____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）
• ____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）
• ____69-模型可视化工程管理
• ____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）
• ____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
• ____70-ValueIterationNetworks
• ____70-最新回放
• ____70.1Background&Motivation
• ____70.2ValueIteration
• ____70.3Grid—worldDomain
• ____70.4总结及答疑
• ____71-线动力学系统（上）
• ____71.1线动力学系统（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）
• ____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）
• ____71.20混沌（十一）
• ____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
• ____74.1一些基本概念
• ____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）
• ____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
• ____75-RNN及LSTM
• ____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）
• ____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）
• ____76-漫谈人工智能创业
• ____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）
• ____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
• ____77-学习其他主题
• ____77.1
• ____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）
• ____77.10程序讲解（三）
• ____78-课程总结
• ____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）
• ____78.10课程总结（二）