【課程內容】
01-復雜系統
02-大數據與機器學習
03-人工智能的三個階段
04-高等數學—元素和極限
05-復雜網絡經濟學應用
06-機器學習與監督算法
07-阿爾法狗與強化學習算法
08-高等數學—兩個重要的極限定理
09-高等數學—導數
10-貝葉斯理論
11-高等數學—泰勒展開
12-高等數學—偏導數
13-高等數學—積分
14-高等數學—正態分布
15-樸素貝葉斯和最大似然估計
16-線
17-數據科學和統計學
18-線代數—矩陣、等價類和行列式
19-Python基礎課程
20-線代數—特征值與特征向量
21-監督學習框架
22-Python基礎課程
23-Python操作數據庫、 Python爬蟲
24-線分類器
25-Python進階
26-Scikit-Learn
27-熵、邏輯斯蒂回歸、SVM引入
28-決策樹
29-數據呈現基礎
30-云計算初步
31-D-Park實戰
32-第四范式分享
33-決策樹到隨機森林
34-數據呈現進階
35-強化學習
36-SVM和網絡引入
37-集成模型總結和GDBT理解及其衍生應用
38-網絡
39-監督學習－回歸
40-監督學習－分類
41-網絡基礎與卷積網絡
42-時間序列預測
43-人工智能金融應用
44-計算機視覺深度學習入門目的篇
45-計算機視覺深度學習入門結構篇
46-計算機視覺學習入門優化篇
47-計算機視覺深度學習入門數據篇
48-計算機視覺深度學習入門工具篇
49-個化推薦算法
50-Pig和Spark鞏固
51-人工智能與設計
52-網絡
53-線動力學
54-訂單流模型
55-區塊鏈一場革命
56-統計物理專題
57-復雜網絡簡介
58-ABM簡介及金融市場建模
59-用伊辛模型理解復雜系統
60-金融市場的復雜性
61-廣泛出現的冪律分布
62-自然啟發算法
63-機器學習的方法
64-模型可視化工程管理
65-Value Iteration Networks
66-最新回放
67-線動力學系統
68-自然語言處理導入
69-復雜網絡上的物理傳輸過程
70-RNN及LSTM
71-漫談人工智能創業
72-學習其他主題
73-課程總結
