課程介紹
我們有幸站在時代的風(fēng)口，目睹信息科技掀起的革命風(fēng)暴，從AlphaGo到無人駕駛，人工智能結(jié)合大數(shù)據(jù)應(yīng)用場景越來越多，現(xiàn)今每個人的工作都和數(shù)據(jù)息息相關(guān)，無論是大數(shù)據(jù)分析、機器學(xué)習(xí)、人工智能還是無人駕駛汽車，它們都將深刻改變我們的生活。
課程內(nèi)容
- 宣傳片
- 復(fù)雜系統(tǒng)
- 大數(shù)據(jù)與機器學(xué)習(xí)
- 人工智能的三個階段
- 高等數(shù)學(xué)—元素和極限
- 復(fù)雜網(wǎng)絡(luò)經(jīng)濟學(xué)應(yīng)用
- 機器學(xué)習(xí)與監(jiān)督算法
- 阿爾法狗與強化學(xué)習(xí)算法
- 高等數(shù)學(xué)—兩個重要的極限定理
- 高等數(shù)學(xué)—導(dǎo)數(shù)
- 貝葉斯理論
- 高等數(shù)學(xué)—泰勒展開
- 高等數(shù)學(xué)—偏導(dǎo)數(shù)
- 高等數(shù)學(xué)—積分
- 高等數(shù)學(xué)—正態(tài)分布
- 樸素貝葉斯和最大似然估計
- 線性代數(shù)—線性空間和線性變換
- 數(shù)據(jù)科學(xué)和統(tǒng)計學(xué)
- 線性代數(shù)—矩陣、等價類和行列式
- Python基礎(chǔ)課程
- 線性代數(shù)—特征值與特征向量
- 監(jiān)督學(xué)習(xí)框架
- PCA、降維方法引入
- Python操作數(shù)據(jù)庫、 Python爬蟲
- 線性分類器
- Python進階
- Scikit-Learn
- 熵、邏輯斯蒂回歸、SVM引入
- 決策樹
- 數(shù)據(jù)呈現(xiàn)基礎(chǔ)
- 云計算初步
- D-Park實戰(zhàn)
- 第四范式分享
- 決策樹到隨機森林
- 數(shù)據(jù)呈現(xiàn)進階
- 強化學(xué)習(xí)
- SVM和神經(jīng)網(wǎng)絡(luò)引入
- 集成模型總結(jié)和GDBT理解及其衍生應(yīng)用
- 神經(jīng)網(wǎng)絡(luò)
- 監(jiān)督學(xué)習(xí)－回歸與分類
- 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)與卷積網(wǎng)絡(luò)
- 時間序列預(yù)測
- 人工智能金融應(yīng)用
- 計算機視覺深度學(xué)習(xí)入門
- 個性化推薦算法
- Pig和Spark鞏固
- 人工智能與設(shè)計
- 神經(jīng)網(wǎng)絡(luò)
- 非線性動力學(xué)
- 高頻交易訂單流模型
- 區(qū)塊鏈一場革命
- 統(tǒng)計物理專題
- 復(fù)雜網(wǎng)絡(luò)簡介
- ABM簡介及金融市場建模
- 用伊辛模型理解復(fù)雜系統(tǒng)
- 金融市場的復(fù)雜性
- 廣泛出現(xiàn)的冪律分布
- 自然啟發(fā)算法
- 機器學(xué)習(xí)的方法
- 模型可視化工程管理
- Value Iteration Networks
- 最新回放
- 非線性動力學(xué)系統(tǒng)
- 自然語言處理導(dǎo)入
- 復(fù)雜網(wǎng)絡(luò)上的物理傳輸過程
- RNN及LSTM
- 漫談人工智能創(chuàng)業(yè)
- 深度學(xué)習(xí)其他主題
- 課程總結(jié)
