Ai人工智能高阶毕业班课程，打造了选修课程与必修课程不同领域，适合不同阶段的同学们进行学习。如果同学们对于Ai人工智能算法领域也感兴趣的的话，建议可以完成选修课程的学习，虽然数学对于很多同学来说非常头痛，但这方面的知识可以增加自己的内功修炼，可以在算法与人工智能方向走的更远。课程内容包括了选修一的准备课程，选修二线性代数基础，选修三概率论基础，选修四Visual Studio Code使用，必修五机器学习，那么在必修五部分又集中进行了多个选修与必修课程，同学们可以进行学习参考。
（选修）第一部分：开始之前
（选修）第二部分：线性代数基础
（选修）第三部分：概率论基础
(选修) 第四部分：Visual Studio Code使用
（必修）第五部分：机器学习
（必修）第一部分：机器学习简介
（必修）第二部分：模型评估与选择
（必修）第三部分：线性模型
（必修）第四部分：决策树
（必修）第五部分：数据预处理
（必修）第六部分：支持向量机
（必修）第七部分：神经网络
（必修）第八部分：DL
(必修）第九部分：贝叶斯分类器
（必修）第十部分：集成学习
（必修）第一十一部分：聚类
(必修)第一十二部分：降维与度量
(1)\(选修)第四部分：Visual Studio Code使用
├─第一十一讲：Visual Studio Code使用（一）.mp4
(2)\（必修）第五部分：机器学习
(3)\（选修）第一部分：开始之前
├─0.课程简介与机器学习发展史.pptx
├─课程视频 _ 第一讲：课程简介与机器学习发展史.mp4
(4)\（选修）第三部分：概率论基础
(5)\（选修）第二部分：线性代数基础
(6)\（必修）第五部分：机器学习\(必修)第一十二部分：降维与度量
(7)\（必修）第五部分：机器学习\(必修)第八部分：DL
├─第三十九讲：自然语言处理3.mp4
├─第三十八讲：自然语言处理2.mp4
(8)\（必修）第五部分：机器学习\(必修）第九部分：贝叶斯分类器
(9)\（必修）第五部分：机器学习\（必修）第一十一部分：聚类
├─第五十三讲：层次聚类.mp4
(10)\（必修）第五部分：机器学习\（必修）第一部分：机器学习简介
(11)\（必修）第五部分：机器学习\（必修）第七部分：神经网络
(12)\（必修）第五部分：机器学习\（必修）第三部分：线性模型
(13)\（必修）第五部分：机器学习\（必修）第二部分：模型评估与选择
(14)\（必修）第五部分：机器学习\（必修）第五部分：数据预处理
├─第一十九讲：特征选择.mp4
(15)\（必修）第五部分：机器学习\（必修）第六部分：支持向量机
(16)\（必修）第五部分：机器学习\（必修）第十部分：集成学习
├─第五十一讲：xgboost2.mp4
├─第四十八讲：Bagging, Boosting, Stacking-1 .mp4
(17)\（必修）第五部分：机器学习\（必修）第四部分：决策树
(18)\（选修）第三部分：概率论基础\第七讲：概率论（一）
├─1.6 概率论1.pptx
├─课程视频 第七讲：概率论（一）.mp4
(19)\（选修）第三部分：概率论基础\第九讲：概率论（三）
├─1.8 概率论3.pptx
├─第九讲：概率论（三）.mov
(20)\（选修）第三部分：概率论基础\第八讲：概率论（二）
├─1.7 概率论2.pptx
├─课程视频 第八讲：概率论（二） .mp4
(21)\（选修）第三部分：概率论基础\第十讲：概率论（四）
├─第十讲：概率论（四）.mov
(22)\（选修）第二部分：线性代数基础\线性代数基础
(23)\（必修）第五部分：机器学习\(必修)第一十二部分：降维与度量\第五十七讲：主成分分析2
├─12_DimReduct.rar
├─第五十七讲：主成分分析2.mp4
(24)\（必修）第五部分：机器学习\(必修)第一十二部分：降维与度量\第五十八讲：LDA降维1
├─12_DimReduct.rar
├─第五十八讲：LDA降维1.mp4
(25)\（必修）第五部分：机器学习\(必修)第一十二部分：降维与度量\第五十六讲：主成分分析
├─12.降维.pptx
├─第五十六讲：主成分分析.mp4
(26)\（必修）第五部分：机器学习\(必修)第一十二部分：降维与度量\第六十一讲：非线性PCA,流形学习,度量学习2
├─12_DimReduct.rar
├─第六十一讲：非线性PCA,流形学习,度量学习2.mp4
(27)\（必修）第五部分：机器学习\(必修)第一十二部分：降维与度量\第六十讲：非线性PCA，流形学习，度量学习
├─12_DimReduct.rar
├─第六十讲：非线性PCA，流形学习，度量学习.mp4
(28)\（必修）第五部分：机器学习\(必修)第八部分：DL\第三十一讲：回归
├─basic_regression.rar
├─第三十一讲：回归.mp4
(29)\（必修）第五部分：机器学习\(必修)第八部分：DL\第三十七讲：自然语言处理
├─Natural Language Processing with Word Embeddings-zh.ipynb
├─第三十七讲：自然语言处理.mp4
(30)\（必修）第五部分：机器学习\(必修)第八部分：DL\第三十三讲：模型的保存与恢复
├─模型.rar
├─第三十三讲：模型的保存与恢复 .mp4
(31)\（必修）第五部分：机器学习\(必修)第八部分：DL\第三十二讲：过拟合与欠拟合
├─第三十二讲：过拟合与欠拟合.mp4
├─过拟合.rar
(32)\（必修）第五部分：机器学习\(必修)第八部分：DL\第三十五讲：使用CNN识别图像2
├─第三十五讲：使用CNN识别图像2.mp4
(33)\（必修）第五部分：机器学习\(必修)第八部分：DL\第三十六讲：循环神经网络
├─8.10.RNN.ppt
├─第三十六讲：循环神经网络.mp4
(34)\（必修）第五部分：机器学习\(必修)第八部分：DL\第三十四讲： 使用CNN图像识别
├─9_CNN.rar
├─第三十四讲： 使用CNN图像识别.mp4
(35)\（必修）第五部分：机器学习\(必修)第八部分：DL\第三十讲：文本分类
├─basic_text_classification.rar
├─第三十讲：文本分类.mp4
(36)\（必修）第五部分：机器学习\(必修)第八部分：DL\第二十七讲：开源深度学习框架与常见卷积网络模型
├─8.2 深度学习框架与网络模型.ppt
├─第二十七讲：开源深度学习框架与常见卷积网络模型.mp4
(37)\（必修）第五部分：机器学习\(必修)第八部分：DL\第二十九讲：基本分类（二）
├─第二十九讲：基本分类（二）.mp4
(38)\（必修）第五部分：机器学习\(必修)第八部分：DL\第二十八讲：基本分类（一）
├─classifiction.rar
├─第二十八讲：基本分类（一）.mp4
(39)\（必修）第五部分：机器学习\(必修)第八部分：DL\第二十六讲：卷积神经网络CNN基本原理
├─8.1 卷积神经网络.pptx
├─第二十六讲：卷积神经网络CNN基本原理.mp4
(40)\（必修）第五部分：机器学习\(必修)第八部分：DL\第四十讲：LSTM例子
├─lstm.rar
├─第四十讲：LSTM例子.mp4
(41)\（必修）第五部分：机器学习\(必修）第九部分：贝叶斯分类器\第四十一讲：极大似然估计
├─9-1.rar
├─第四十一讲：极大似然估计.mp4
(42)\（必修）第五部分：机器学习\(必修）第九部分：贝叶斯分类器\第四十三讲：朴素贝叶斯2
├─第四十三讲：朴素贝叶斯2.mp4
(43)\（必修）第五部分：机器学习\(必修）第九部分：贝叶斯分类器\第四十二讲：朴素贝叶斯分类器
├─native-bay.rar
├─第四十二讲：朴素贝叶斯分类器.mp4
(44)\（必修）第五部分：机器学习\(必修）第九部分：贝叶斯分类器\第四十五讲：朴素贝叶斯4
├─c4a362742f-hd.mp4
(45)\（必修）第五部分：机器学习\(必修）第九部分：贝叶斯分类器\第四十六讲：EM算法
├─8aa5e0c985e-hd.mp4
├─9.3 EM期望值最大化.pptx
(46)\（必修）第五部分：机器学习\(必修）第九部分：贝叶斯分类器\第四十四讲：朴素贝叶斯3
├─9_Baiyes.rar
├─743167deb-hd.mp4
(47)\（必修）第五部分：机器学习\（必修）第一十一部分：聚类\第五十二讲：k-means聚类
├─11_cluster.rar
├─第五十二讲：k-means聚类.mp4
(48)\（必修）第五部分：机器学习\（必修）第一部分：机器学习简介\第一讲：引言、基本术语、假设空间
├─机器学习1.1.pptx
├─第一讲：引言、基本术语、假设空间.mov
(49)\（必修）第五部分：机器学习\（必修）第一部分：机器学习简介\第二讲：归纳偏好、发展历程、应用现状
├─机器学习1.2.pptx
├─第二讲：归纳偏好、发展历程、应用现状.mov
(50)\（必修）第五部分：机器学习\（必修）第七部分：神经网络\第二十三讲：神经网络基础知识(
├─第二十三讲：神经网络基础知识 .mp4
(51)\（必修）第五部分：机器学习\（必修）第七部分：神经网络\第二十五讲：神经网络（二）
├─efe0eba55ec64932b565ce99d9f604b2-ff1d271d5c9177d0643854e9b1a94459-hd.mp4
(52)\（必修）第五部分：机器学习\（必修）第七部分：神经网络\第二十四讲：神经网络（一）
├─6712bb01b8744ebea37f58f614a9926d-530dad4b1f5796f30401d4f01cf1055f-sd.mp4
(53)\（必修）第五部分：机器学习\（必修）第三部分：线性模型\第一十一讲：逻辑回归（一）
├─第一十一讲：逻辑回归（一）.mp4
(54)\（必修）第五部分：机器学习\（必修）第三部分：线性模型\第一十二讲：逻辑回归（二）
├─机器学习1.11-逻辑回归1.zip
├─第一十二讲：逻辑回归（二）.mp4
(55)\（必修）第五部分：机器学习\（必修）第三部分：线性模型\第七讲：线性回归（一）
├─第七讲：线性回归（一）.mp4
├─线性回归（一）.pptx
(56)\（必修）第五部分：机器学习\（必修）第三部分：线性模型\第九讲：线性回归（三）
├─mcxy_ml2_20181030_0.zip.zip
├─第九讲：线性回归（三）.mp4
(57)\（必修）第五部分：机器学习\（必修）第三部分：线性模型\第八讲：线性回归（二）
├─第八讲：线性回归（二）.mp4
├─线性回归（二）.zip
(58)\（必修）第五部分：机器学习\（必修）第三部分：线性模型\第十讲：线性回归（四）
├─mcxy_ml2_20181030_1.zip
├─第十讲：线性回归（四）.mp4
(59)\（必修）第五部分：机器学习\（必修）第二部分：模型评估与选择\第三讲：经验误差与过拟合
├─机器学习1.3.pptx
├─第三讲：经验误差与过拟合.mp4
(60)\（必修）第五部分：机器学习\（必修）第二部分：模型评估与选择\第五讲：评估法代码分析
├─机器学习1.4-1.5-评估方法.pptx
├─第五讲：评估法代码分析.mp4
(61)\（必修）第五部分：机器学习\（必修）第二部分：模型评估与选择\第六讲：性能度量（混淆矩阵 ，准确率，精确度，敏感度，特异度，F1 score）
├─mcxy_ml2_20181016_1.zip
├─第六讲：性能度量（混淆矩阵 ，准确率，精确度，敏感度，特异度，F1 score）.mp4
(62)\（必修）第五部分：机器学习\（必修）第二部分：模型评估与选择\第四讲：评估方法（留出法，交叉验证法，自助法，调参与最终模型）
├─第四讲：评估方法（留出法，交叉验证法，自助法，调参与最终模型）.mp4
├─第四讲：评估方法（留出法，交叉验证法，自助法，调参与最终模型）.zip
(63)\（必修）第五部分：机器学习\（必修）第五部分：数据预处理\第一十七讲：处理缺失数据，处理类别数据(
├─第一十七讲：处理缺失数据，处理类别数据 .mp4
(64)\（必修）第五部分：机器学习\（必修）第五部分：数据预处理\第一十八讲：数据标准化与归一化(
├─机器学习5.1 数据预处理.zip
├─第一十八讲：数据标准化与归一化 .mp4
(65)\（必修）第五部分：机器学习\（必修）第五部分：数据预处理\第二十讲：特征排序，plot_decision_regions函数讲解
├─机器学习5.2 plot_decision_regions.zip
├─第二十讲：特征排序，plot_decision_regions函数讲解 .mp4
(66)\（必修）第五部分：机器学习\（必修）第六部分：支持向量机\第二十一讲：使用支持向量机最大化分类间隔
├─第二十一讲：使用支持向量机最大化分类间隔.mp4
(67)\（必修）第五部分：机器学习\（必修）第六部分：支持向量机\第二十二讲：SVM非线性分类
├─第二十二讲：SVM非线性分类.mp4
(68)\（必修）第五部分：机器学习\（必修）第十部分：集成学习\第五十讲：xgboost例子
├─7_xgboost.py
├─第五十讲：xgboost例子.mp4
(69)\（必修）第五部分：机器学习\（必修）第十部分：集成学习\第四十七讲：集成学习概述
├─9443e356b9c648da94c17d8d55b6d86a-702ed3e2aed75ecf316d2b16f3543a79-hd.mp4
├─ensembling.rar
(70)\（必修）第五部分：机器学习\（必修）第十部分：集成学习\第四十九讲：Bagging, Boosting, Stacking-2
├─10_ensembling.rar
├─第四十九讲：Bagging, Boosting, Stacking-2.mp4
(71)\（必修）第五部分：机器学习\（必修）第四部分：决策树\第一十三讲：划分选择与算法基本思想（一）
├─第一十三讲：划分选择与算法基本思想（一）.mp4
(72)\（必修）第五部分：机器学习\（必修）第四部分：决策树\第一十五讲：代码分析与KNN
├─第一十五讲：代码分析与KNN.mp4
(73)\（必修）第五部分：机器学习\（必修）第四部分：决策树\第一十六讲：机器学习中距离和相似性度量方法概述
├─第一十六讲：机器学习中距离和相似性度量方法概述.mp4
├─第一十六讲：机器学习中距离和相似性度量方法概述.zip
(74)\（必修）第五部分：机器学习\（必修）第四部分：决策树\第一十四讲：划分选择与算法基本思想（二）
├─决策树.zip
├─第一十四讲：划分选择与算法基本思想（二）.mp4
(75)\（选修）第三部分：概率论基础\第十讲：概率论（四）\概率论4
├─1.9 概率论4.pptx
├─bino.py
├─norm.py
(76)\（选修）第二部分：线性代数基础\线性代数基础\第三讲：线性代数（二）
├─1.2 线性代数2.pptx
├─课程视频 _ 第三讲：线性代数（二）.mp4
(77)\（选修）第二部分：线性代数基础\线性代数基础\第二讲：线性代数（一）
├─1.1 线性代数1.pptx
├─课程视频 _ 第二讲：线性代数（一） .mp4
(78)\（选修）第二部分：线性代数基础\线性代数基础\第五讲：线性代数（四）
├─mcxy_ml2_20180911_0.zip
├─课程视频 第五讲：线性代数（四）.mp4
(79)\（选修）第二部分：线性代数基础\线性代数基础\第六讲：线性代数（五）
├─mcxy_ml2_20180911_1.zip
├─课程视频 第六讲：线性代数（五）.mp4
(80)\（选修）第二部分：线性代数基础\线性代数基础\第四讲：线性代数（三）
├─1.3 线性代数3.pptx
├─课程视频 _ 第四讲：线性代数（三） .mp4
