Ai人工智能高階畢業班課程，打造了選修課程與必修課程不同領域，適合不同階段的同學們進行學習。如果同學們對于Ai人工智能算法領域也感興趣的的話，建議可以完成選修課程的學習，雖然數學對于很多同學來說非常頭痛，但這方面的知識可以增加自己的內功修煉，可以在算法與人工智能方向走的更遠。課程內容包括了選修一的準備課程，選修二線性代數基礎，選修三概率論基礎，選修四Visual Studio Code使用，必修五機器學習，那么在必修五部分又集中進行了多個選修與必修課程，同學們可以進行學習參考。
（選修）第一部分：開始之前
（選修）第二部分：線性代數基礎
（選修）第三部分：概率論基礎
(選修)? ?第四部分：Visual Studio Code使用
（必修）第五部分：機器學習
（必修）第一部分：機器學習簡介
（必修）第二部分：模型評估與選擇
（必修）第三部分：線性模型
（必修）第四部分：決策樹
（必修）第五部分：數據預處理
（必修）第六部分：支持向量機
（必修）第七部分：神經網絡
（必修）第八部分：DL
(必修）第九部分：貝葉斯分類器
（必修）第十部分：集成學習
（必修）第一十一部分：聚類
(必修)第一十二部分：降維與度量
(1)\(選修)第四部分：Visual Studio Code使用
├─第一十一講：Visual Studio Code使用（一）.mp4
(2)\（必修）第五部分：機器學習
(3)\（選修）第一部分：開始之前
├─0.課程簡介與機器學習發展史.pptx
├─課程視頻 _ 第一講：課程簡介與機器學習發展史.mp4
(4)\（選修）第三部分：概率論基礎
(5)\（選修）第二部分：線性代數基礎
(6)\（必修）第五部分：機器學習\(必修)第一十二部分：降維與度量
(7)\（必修）第五部分：機器學習\(必修)第八部分：DL
├─第三十九講：自然語言處理3.mp4
├─第三十八講：自然語言處理2.mp4
(8)\（必修）第五部分：機器學習\(必修）第九部分：貝葉斯分類器
(9)\（必修）第五部分：機器學習\（必修）第一十一部分：聚類
├─第五十三講：層次聚類.mp4
(10)\（必修）第五部分：機器學習\（必修）第一部分：機器學習簡介
(11)\（必修）第五部分：機器學習\（必修）第七部分：神經網絡
(12)\（必修）第五部分：機器學習\（必修）第三部分：線性模型
(13)\（必修）第五部分：機器學習\（必修）第二部分：模型評估與選擇
(14)\（必修）第五部分：機器學習\（必修）第五部分：數據預處理
├─第一十九講：特征選擇.mp4
(15)\（必修）第五部分：機器學習\（必修）第六部分：支持向量機
(16)\（必修）第五部分：機器學習\（必修）第十部分：集成學習
├─第五十一講：xgboost2.mp4
├─第四十八講：Bagging, Boosting, Stacking-1 .mp4
(17)\（必修）第五部分：機器學習\（必修）第四部分：決策樹
(18)\（選修）第三部分：概率論基礎\第七講：概率論（一）
├─1.6 概率論1.pptx
├─課程視頻??第七講：概率論（一）.mp4
(19)\（選修）第三部分：概率論基礎\第九講：概率論（三）
├─1.8 概率論3.pptx
├─第九講：概率論（三）.mov
(20)\（選修）第三部分：概率論基礎\第八講：概率論（二）
├─1.7 概率論2.pptx
├─課程視頻??第八講：概率論（二） .mp4
(21)\（選修）第三部分：概率論基礎\第十講：概率論（四）
├─第十講：概率論（四）.mov
(22)\（選修）第二部分：線性代數基礎\線性代數基礎
(23)\（必修）第五部分：機器學習\(必修)第一十二部分：降維與度量\第五十七講：主成分分析2
├─12_DimReduct.rar
├─第五十七講：主成分分析2.mp4
(24)\（必修）第五部分：機器學習\(必修)第一十二部分：降維與度量\第五十八講：LDA降維1
├─12_DimReduct.rar
├─第五十八講：LDA降維1.mp4
(25)\（必修）第五部分：機器學習\(必修)第一十二部分：降維與度量\第五十六講：主成分分析
├─12.降維.pptx
├─第五十六講：主成分分析.mp4
(26)\（必修）第五部分：機器學習\(必修)第一十二部分：降維與度量\第六十一講：非線性PCA,流形學習,度量學習2
├─12_DimReduct.rar
├─第六十一講：非線性PCA,流形學習,度量學習2.mp4
(27)\（必修）第五部分：機器學習\(必修)第一十二部分：降維與度量\第六十講：非線性PCA，流形學習，度量學習
├─12_DimReduct.rar
├─第六十講：非線性PCA，流形學習，度量學習.mp4
(28)\（必修）第五部分：機器學習\(必修)第八部分：DL\第三十一講：回歸
├─basic_regression.rar
├─第三十一講：回歸.mp4
(29)\（必修）第五部分：機器學習\(必修)第八部分：DL\第三十七講：自然語言處理
├─Natural Language Processing with Word Embeddings-zh.ipynb
├─第三十七講：自然語言處理.mp4
(30)\（必修）第五部分：機器學習\(必修)第八部分：DL\第三十三講：模型的保存與恢復
├─模型.rar
├─第三十三講：模型的保存與恢復 .mp4
(31)\（必修）第五部分：機器學習\(必修)第八部分：DL\第三十二講：過擬合與欠擬合
├─第三十二講：過擬合與欠擬合.mp4
├─過擬合.rar
(32)\（必修）第五部分：機器學習\(必修)第八部分：DL\第三十五講：使用CNN識別圖像2
├─第三十五講：使用CNN識別圖像2.mp4
(33)\（必修）第五部分：機器學習\(必修)第八部分：DL\第三十六講：循環神經網絡
├─8.10.RNN.ppt
├─第三十六講：循環神經網絡.mp4
(34)\（必修）第五部分：機器學習\(必修)第八部分：DL\第三十四講： 使用CNN圖像識別
├─9_CNN.rar
├─第三十四講： 使用CNN圖像識別.mp4
(35)\（必修）第五部分：機器學習\(必修)第八部分：DL\第三十講：文本分類
├─basic_text_classification.rar
├─第三十講：文本分類.mp4
(36)\（必修）第五部分：機器學習\(必修)第八部分：DL\第二十七講：開源深度學習框架與常見卷積網絡模型
├─8.2 深度學習框架與網絡模型.ppt
├─第二十七講：開源深度學習框架與常見卷積網絡模型.mp4
(37)\（必修）第五部分：機器學習\(必修)第八部分：DL\第二十九講：基本分類（二）
├─第二十九講：基本分類（二）.mp4
(38)\（必修）第五部分：機器學習\(必修)第八部分：DL\第二十八講：基本分類（一）
├─classifiction.rar
├─第二十八講：基本分類（一）.mp4
(39)\（必修）第五部分：機器學習\(必修)第八部分：DL\第二十六講：卷積神經網絡CNN基本原理
├─8.1 卷積神經網絡.pptx
├─第二十六講：卷積神經網絡CNN基本原理.mp4
(40)\（必修）第五部分：機器學習\(必修)第八部分：DL\第四十講：LSTM例子
├─lstm.rar
├─第四十講：LSTM例子.mp4
(41)\（必修）第五部分：機器學習\(必修）第九部分：貝葉斯分類器\第四十一講：極大似然估計
├─9-1.rar
├─第四十一講：極大似然估計.mp4
(42)\（必修）第五部分：機器學習\(必修）第九部分：貝葉斯分類器\第四十三講：樸素貝葉斯2
├─第四十三講：樸素貝葉斯2.mp4
(43)\（必修）第五部分：機器學習\(必修）第九部分：貝葉斯分類器\第四十二講：樸素貝葉斯分類器
├─native-bay.rar
├─第四十二講：樸素貝葉斯分類器.mp4
(44)\（必修）第五部分：機器學習\(必修）第九部分：貝葉斯分類器\第四十五講：樸素貝葉斯4
├─c4a362742f-hd.mp4
(45)\（必修）第五部分：機器學習\(必修）第九部分：貝葉斯分類器\第四十六講：EM算法
├─8aa5e0c985e-hd.mp4
├─9.3 EM期望值最大化.pptx
(46)\（必修）第五部分：機器學習\(必修）第九部分：貝葉斯分類器\第四十四講：樸素貝葉斯3
├─9_Baiyes.rar
├─743167deb-hd.mp4
(47)\（必修）第五部分：機器學習\（必修）第一十一部分：聚類\第五十二講：k-means聚類
├─11_cluster.rar
├─第五十二講：k-means聚類.mp4
(48)\（必修）第五部分：機器學習\（必修）第一部分：機器學習簡介\第一講：引言、基本術語、假設空間
├─機器學習1.1.pptx
├─第一講：引言、基本術語、假設空間.mov
(49)\（必修）第五部分：機器學習\（必修）第一部分：機器學習簡介\第二講：歸納偏好、發展歷程、應用現狀
├─機器學習1.2.pptx
├─第二講：歸納偏好、發展歷程、應用現狀.mov
(50)\（必修）第五部分：機器學習\（必修）第七部分：神經網絡\第二十三講：神經網絡基礎知識(
├─第二十三講：神經網絡基礎知識 .mp4
(51)\（必修）第五部分：機器學習\（必修）第七部分：神經網絡\第二十五講：神經網絡（二）
├─efe0eba55ec64932b565ce99d9f604b2-ff1d271d5c9177d0643854e9b1a94459-hd.mp4
(52)\（必修）第五部分：機器學習\（必修）第七部分：神經網絡\第二十四講：神經網絡（一）
├─6712bb01b8744ebea37f58f614a9926d-530dad4b1f5796f30401d4f01cf1055f-sd.mp4
(53)\（必修）第五部分：機器學習\（必修）第三部分：線性模型\第一十一講：邏輯回歸（一）
├─第一十一講：邏輯回歸（一）.mp4
(54)\（必修）第五部分：機器學習\（必修）第三部分：線性模型\第一十二講：邏輯回歸（二）
├─機器學習1.11-邏輯回歸1.zip
├─第一十二講：邏輯回歸（二）.mp4
(55)\（必修）第五部分：機器學習\（必修）第三部分：線性模型\第七講：線性回歸（一）
├─第七講：線性回歸（一）.mp4
├─線性回歸（一）.pptx
(56)\（必修）第五部分：機器學習\（必修）第三部分：線性模型\第九講：線性回歸（三）
├─mcxy_ml2_20181030_0.zip.zip
├─第九講：線性回歸（三）.mp4
(57)\（必修）第五部分：機器學習\（必修）第三部分：線性模型\第八講：線性回歸（二）
├─第八講：線性回歸（二）.mp4
├─線性回歸（二）.zip
(58)\（必修）第五部分：機器學習\（必修）第三部分：線性模型\第十講：線性回歸（四）
├─mcxy_ml2_20181030_1.zip
├─第十講：線性回歸（四）.mp4
(59)\（必修）第五部分：機器學習\（必修）第二部分：模型評估與選擇\第三講：經驗誤差與過擬合
├─機器學習1.3.pptx
├─第三講：經驗誤差與過擬合.mp4
(60)\（必修）第五部分：機器學習\（必修）第二部分：模型評估與選擇\第五講：評估法代碼分析
├─機器學習1.4-1.5-評估方法.pptx
├─第五講：評估法代碼分析.mp4
(61)\（必修）第五部分：機器學習\（必修）第二部分：模型評估與選擇\第六講：性能度量（混淆矩陣 ，準確率，精確度，敏感度，特異度，F1 score）
├─mcxy_ml2_20181016_1.zip
├─第六講：性能度量（混淆矩陣 ，準確率，精確度，敏感度，特異度，F1 score）.mp4
(62)\（必修）第五部分：機器學習\（必修）第二部分：模型評估與選擇\第四講：評估方法（留出法，交叉驗證法，自助法，調參與最終模型）
├─第四講：評估方法（留出法，交叉驗證法，自助法，調參與最終模型）.mp4
├─第四講：評估方法（留出法，交叉驗證法，自助法，調參與最終模型）.zip
(63)\（必修）第五部分：機器學習\（必修）第五部分：數據預處理\第一十七講：處理缺失數據，處理類別數據(
├─第一十七講：處理缺失數據，處理類別數據 .mp4
(64)\（必修）第五部分：機器學習\（必修）第五部分：數據預處理\第一十八講：數據標準化與歸一化(
├─機器學習5.1 數據預處理.zip
├─第一十八講：數據標準化與歸一化 .mp4
(65)\（必修）第五部分：機器學習\（必修）第五部分：數據預處理\第二十講：特征排序，plot_decision_regions函數講解
├─機器學習5.2 plot_decision_regions.zip
├─第二十講：特征排序，plot_decision_regions函數講解 .mp4
(66)\（必修）第五部分：機器學習\（必修）第六部分：支持向量機\第二十一講：使用支持向量機最大化分類間隔
├─第二十一講：使用支持向量機最大化分類間隔.mp4
(67)\（必修）第五部分：機器學習\（必修）第六部分：支持向量機\第二十二講：SVM非線性分類
├─第二十二講：SVM非線性分類.mp4
(68)\（必修）第五部分：機器學習\（必修）第十部分：集成學習\第五十講：xgboost例子
├─7_xgboost.py
├─第五十講：xgboost例子.mp4
(69)\（必修）第五部分：機器學習\（必修）第十部分：集成學習\第四十七講：集成學習概述
├─9443e356b9c648da94c17d8d55b6d86a-702ed3e2aed75ecf316d2b16f3543a79-hd.mp4
├─ensembling.rar
(70)\（必修）第五部分：機器學習\（必修）第十部分：集成學習\第四十九講：Bagging, Boosting, Stacking-2
├─10_ensembling.rar
├─第四十九講：Bagging, Boosting, Stacking-2.mp4
(71)\（必修）第五部分：機器學習\（必修）第四部分：決策樹\第一十三講：劃分選擇與算法基本思想（一）
├─第一十三講：劃分選擇與算法基本思想（一）.mp4
(72)\（必修）第五部分：機器學習\（必修）第四部分：決策樹\第一十五講：代碼分析與KNN
├─第一十五講：代碼分析與KNN.mp4
(73)\（必修）第五部分：機器學習\（必修）第四部分：決策樹\第一十六講：機器學習中距離和相似性度量方法概述
├─第一十六講：機器學習中距離和相似性度量方法概述.mp4
├─第一十六講：機器學習中距離和相似性度量方法概述.zip
(74)\（必修）第五部分：機器學習\（必修）第四部分：決策樹\第一十四講：劃分選擇與算法基本思想（二）
├─決策樹.zip
├─第一十四講：劃分選擇與算法基本思想（二）.mp4
(75)\（選修）第三部分：概率論基礎\第十講：概率論（四）\概率論4
├─1.9 概率論4.pptx
├─bino.py
├─norm.py
(76)\（選修）第二部分：線性代數基礎\線性代數基礎\第三講：線性代數（二）
├─1.2 線性代數2.pptx
├─課程視頻 _ 第三講：線性代數（二）.mp4
(77)\（選修）第二部分：線性代數基礎\線性代數基礎\第二講：線性代數（一）
├─1.1 線性代數1.pptx
├─課程視頻 _ 第二講：線性代數（一） .mp4
(78)\（選修）第二部分：線性代數基礎\線性代數基礎\第五講：線性代數（四）
├─mcxy_ml2_20180911_0.zip
├─課程視頻??第五講：線性代數（四）.mp4
(79)\（選修）第二部分：線性代數基礎\線性代數基礎\第六講：線性代數（五）
├─mcxy_ml2_20180911_1.zip
├─課程視頻??第六講：線性代數（五）.mp4
(80)\（選修）第二部分：線性代數基礎\線性代數基礎\第四講：線性代數（三）
├─1.3 線性代數3.pptx
├─課程視頻 _ 第四講：線性代數（三） .mp4
