当前位置:首页 > 全部课程 > 算法模型 > 机器学习 > 《人工智能、大数据与复杂系统
人工智能、大数据与复杂系统

已完结 人工智能、大数据与复杂系统

10人已学习 收藏 分享赚 ¥44.9元
价 格
89.00 ~ 449.00
打开微信扫描二维码
点击右上角进行分享

开通以下任意VIP等级即可免费学习本课程

我已阅读并同意《VIP服务协议》
开通 取消

详情

目录

资料(0)

评价(0)

【课程详情】

  • 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

    • 3.1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)


  • 04-高等数学―元素和极限

    • 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


  • 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

    • 9.1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

    • 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

    • 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)

    • 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)

    • 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)

    • 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

    • 37.14Make a map(一)

    • 37.15Make a map(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

    • 38.5Evaluation Problem(一)

    • 38.6Evaluation Problem(二)

    • 38.7Evaluation Problem(三)

    • 38.8Evaluation Problem(四)

    • 38.9Policy Learning(一)

    • 38.10Policy Learning(二)

    • 38.11Policy Learning(三)

    • 38.12Policy Learning(四)

    • 38.13Policy Learning(五)

    • 38.14Policy Learning(六)


  • 39-强化学习(下)

    • 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)

    • 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)


  • 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

    • 53.1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

    • 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

    • 62.1Networks 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

    • 63.1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

    • 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)

    • 65.6Classical Benchmarks(一)

    • 65.7Classical Benchmarks(二)

    • 65.8Classical Benchmarks(三)

    • 65.9Classical Benchmarks(四)

    • 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


  • 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―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


  • 70-Value Iteration Networks

    • 70.1Background&Motivation

    • 70.2Value Iteration

    • 70.3Grid―world Domain

    • 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)

    • 74.16Combining complex networks and data mining


  • 75-RNN及LSTM

    • 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)

    • 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)


  • 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―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)

    • 78.10课程总结(二)


相关说明:

1、资源部分来源于网络公开发表文件,所有资料仅供学习交流。

2、所收取费用仅用来维系网站运营,性质为用户友情赞助,并非售卖文件费用。

3、如侵犯您的权益,请联系管理员处理。

暂时没有任何课件
综合
好评
0%
  • 综合评分5.00
  • 内容实用5.00
  • 通俗易懂5.00
友情链接:

邮箱:didabiancheng@126.com

地址:厦门火炬高新区软件园创新大厦C区3F-A487

Android/IOS App

微信小程序

微信公众号

VIP特权
微信客服
微信扫一扫咨询客服