1.2.3.《萬門大學-人工智能、大數據、複雜系統》課程大綱

前言

　　感受是時候系統性的學一下人工智能啦！

粗略大綱：

　　1.貝葉斯與隨機過程

　　　　1.貝葉斯分析

　　　　2.隨機過程理論

　　2.機器學習

　　　　1.監督學習（重點）

　　　　　　1.掃描各類算法

　　　　　　　　1.數學推導

　　　　　　　　2.程序清單

　　　　　　　　　　1.安裝

　　　　　　　　　　2.介紹

　　　　2.無監督學習

　　　　3.強化學習

　　3.深度學習（重點）

　　　　1.公式

　　　　2.實踐（python）

　　　　　　1.CNN（卷積網絡）——對抗學習

　　　　　　2.RNN（循環網絡、遞歸網絡）

　　　　3.應用

　　　　　　1.圖像

　　　　　　2.語言

　　4.複雜系統

　　　　1.統計力學

　　　　2.非線性動力學

　　　　3.與機器學習關聯

 課程目錄

第 1 講複雜系統
第 2 講大數據與機器學習
第 3 講人工智能的三個階段
第 4 講高等數學—元素和極限
第 5 講複雜網絡經濟學應用
第 6 講機器學習與監督算法
第 7 講阿爾法狗與強化學習算法
第 8 講高等數學—兩個重要的極限定理
第 9 講高等數學—導數
第 10 講貝葉斯理論
第 11 講高等數學—泰勒展開
第 13 講高等數學—積分
第 14 講高等數學—正態分佈
第 15 講樸素貝葉斯和最大似然估計
第 16 講線性代數—線性空間和線性變換
第 17 講數據科學和統計學（上）
第 18 講線性代數—矩陣、等價類和行列式
第 19 講Python基礎課程（上）
第 20 講線性代數—特徵值與特徵向量
第 21 講監督學習框架
第 22 講Python基礎課程（下）
第 23 講PCA、降維方法引入
第 24 講數據科學和統計學（下）
第 25 講Python操做數據庫、 Python爬蟲
第 26 講線性分類器
第 27 講Python進階（上）
第 28 講Scikit-Learn
第 29 講熵、邏輯斯蒂迴歸、SVM引入
第 30 講Python進階（下）
第 31 講決策樹
第 32 講數據呈現基礎
第 33 講雲計算初步
第 34 講D-Park實戰
第 35 講第四範式分享
第 36 講決策樹到隨機森林
第 37 講數據呈現進階
第 38 講強化學習（上）
第 39 講強化學習（下）
第 40 講SVM和神經網絡引入
第 41 講集成模型總結和GDBT理解及其衍生應用
第 42 講神經網絡
第 43 講監督學習－迴歸
第 44 講監督學習－分類
第 45 講神經網絡基礎與卷積網絡
第 46 講時間序列預測
第 47 講人工智能金融應用
第 48 講計算機視覺深度學習入門目的篇
第 49 講計算機視覺深度學習入門結構篇
第 50 講計算機視覺深度學習入門優化篇
第 51 講計算機視覺深度學習入門數據篇
第 52 講計算機視覺深度學習入門工具篇
第 53 講個性化推薦算法
第 54 講Pig和Spark鞏固
第 55 講人工智能與設計
第 56 講神經網絡
第 57 講非線性動力學
第 58 講高頻交易訂單流模型
第 59 講區塊鏈:一場革命
第 60 講統計物理專題（一）
第 61 講統計物理專題（二）
61.1神奇公式.mp4
61.2信息熵（一）
61.3信息熵（二）
61.4Boltzmann分佈
61.5配分函數Z
第 62 講複雜網絡簡介
第 63 講ABM簡介及金融市場建模
第 64 講用伊辛模型理解複雜系統
第 65 講金融市場的複雜性
第 66 講普遍出現的冪律分佈
第 67 講天然啓發算法
第 68 講機器學習的方法
第 69 講模型可視化工程管理
第 70 講Value Iteration Networks
第 71 講非線性動力學系統（上）
第 72 講非線性動力學系統（下）
第 73 講天然語言處理導入
第 74 講複雜網絡上的物理傳輸過程
第 75 講RNN及LSTM
第 76 講漫談人工智能創業
第 77 講深度學習其餘主題
第 78 講課程總結

 

關於學習筆記

　　經過目錄也能夠看出，前三講主要是說一些歷史背景，行業狀態，因此1.2.3講就不作筆記了，從第4講開始吧——！