实用数据挖掘与人工智能 掌握硅谷前沿技术

【课程内容】

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