人工智能实战与应用

1 - 高等数学—元素和极限

2 - 高等数学—两个重要的极限定理

3 - 高等数学—导数

4 - 高等数学—泰勒展开

5 - 高等数学—偏导数

6 - 高等数学—积分

7 - 高等数学—正态分布

8 - 线性代数—线性空间和线性变换

9 - 线性代数—矩阵、等价类和行列式

10 - 线性代数—特征值与特征向量

11 - Python基础课程（上）

12 - Python基础课程（下）

13 - Python操作数据库、 Python爬虫

14 - Python进阶（上）

15 - Python进阶（下）

16 - 人工智能如何改变我们的未来生活

17 - 人工智能简史

18 - 让神经网络看懂图象

19 - 模拟人类大脑：神经网络的故事

20 - 预测简史

21 - 模拟人类思维的机器学习工具

22 - 让神经网络听懂故事

23 - 让机器来思考之强化学习简介

24 - 贝叶斯理论

25 - 朴素贝叶斯和最大似然估计

26 - 机器学习引入

27 - 分类问题

28 - KNN算法

29 - 机器学习背后的数学（上）

30 - 机器学习背后的数学（下）

31 - 加入概率更健康之逻辑斯蒂回归

32 - 模拟人类理性的决策树

33 - 集群模型

34 - PCA

35 - 升维大法之神经网络

36 - 升维大法之SVM

37 - 多层感知机DNN

38 - 梯度下降法

39 - BP算法

40 - 卷积神经网络

41 - PyTorch（上）

42 - PyTorch（下）

43 - CNN进化

44 - BatchNormalization

45 - Resnet残差网络

46 - 图像识别综述

47 - 迁移学习

48 - 对抗网络

49 - 时间序列分析

50 - RNN

51 - RNN实战

52 - RNN时间序列预测

53 - RNN深度理解

54 - 课程总结

55 - 强化学习（上）

56 - 强化学习（下）

57 - Value Iteration Networks

58 - 计算机视觉深度学习入门目的篇

59 - 计算机视觉深度学习入门结构篇

60 - 计算机视觉深度学习入门优化篇

61 - 计算机视觉深度学习入门数据篇

62 - 计算机视觉深度学习入门工具篇

63 - Scikit-Learn

64 - 数据呈现基础

65 - 数据呈现进阶

66 - 监督学习－回归

67 - 监督学习－分类

68 - 自然语言处理导入

69 - 人工智能金融应用

70 - 人工智能与设计

71 - 第四范式分享

72 - 个性化推荐算法

资料