实用数据挖掘与人工智能 掌握硅谷前沿技术

实用数据挖掘与人工智能 掌握硅谷前沿技术
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
09-高等数学—导数
10-贝叶斯理论
11-高等数学—泰勒展开
12-高等数学—偏导数
13-高等数学—积分
14-高等数学—正态分布
15-朴素贝叶斯和最大似然估计

16-线

17-数据科学和统计学

18-线代数—矩阵、等价类和行列式

19-Python基础课程

20-线代数—特征值与特征向量

21-监督学习框架

22-Python基础课程

23-Python操作数据库、 Python爬虫

24-线分类器

25-Python进阶

26-Scikit-Learn

27-熵、逻辑斯蒂回归、SVM引入

28-决策树

29-数据呈现基础

30-云计算初步

31-D-Park实战

32-第四范式分享

33-决策树到随机森林

34-数据呈现进阶

35-强化学习

36-SVM和网络引入

37-集成模型总结和GDBT理解及其衍生应用

38-网络

39-监督学习－回归

40-监督学习－分类

41-网络基础与卷积网络

42-时间序列预测

43-人工智能金融应用

44-计算机视觉深度学习入门目的篇

45-计算机视觉深度学习入门结构篇

46-计算机视觉学习入门优化篇

47-计算机视觉深度学习入门数据篇

48-计算机视觉深度学习入门工具篇

49-个化推荐算法

50-Pig和Spark巩固

51-人工智能与设计

52-网络

53-线动力学

54-订单流模型

55-区块链一场革命

56-统计物理专题

57-复杂网络简介

58-ABM简介及金融市场建模

59-用伊辛模型理解复杂系统

60-金融市场的复杂性

61-广泛出现的幂律分布

62-自然启发算法

63-机器学习的方法

64-模型可视化工程管理

65-Value Iteration Networks

66-最新回放

67-线动力学系统

68-自然语言处理导入

69-复杂网络上的物理传输过程

70-RNN及LSTM

71-漫谈人工智能创业

72-学习其他主题

73-课程总结