实用数据挖掘与人工智能一月特训班 视频教程

冰点也疯狂

课程目录：
( `7 ]8 P4 c* _/ {$ v1、课程：熟悉Jupyter notebook.1、创建新的Python环境
1、课程：熟悉Jupyter notebook.2、Python环境与版本（一）
: N4 E& Q- g. g1、课程：熟悉Jupyter notebook.3、Python环境与版本（二）
0 X. T7 q# D+ b( Y' Q6 [' u7 c1、课程：熟悉Jupyter notebook.4、Python环境与版本（三）
1、课程：熟悉Jupyter notebook.5、Python环境与版本（四）
5 B" ]+ g6 V3 X/ d. d1、课程：熟悉Jupyter notebook.6、Python环境与版本（五）
1、课程：熟悉Jupyter notebook.7、Python环境与版本（六）
1、课程：熟悉Jupyter notebook.8、Python环境与版本（七）
1、课程：熟悉Jupyter notebook.9、安装决策树可视化工具Graphviz（一）
) ^& g; ]: A. i. \2 \1、课程：熟悉Jupyter notebook.10、安装决策树可视化工具Graphviz（二）
+ i2 i! f6 Z# E( F' N! n1、课程：熟悉Jupyter notebook.11、几个重要的工具包介绍（一）
1、课程：熟悉Jupyter notebook.12、几个重要的工具包介绍（二）
4 E( i+ ?0 M2 D: O/ o( E8 b  p1、课程：熟悉Jupyter notebook.13、安装TensorFlow与Keras（一）
: V3 l7 e3 r# H/ N& `* G1、课程：熟悉Jupyter notebook.14、安装TensorFlow与Keras（二）
* \( F" h! |+ N. W3 Z  {1、课程：熟悉Jupyter notebook.15、Jupyter notebook的基本使用技巧
1、课程：熟悉Jupyter notebook.16、Markdown的基本技巧（一）
  U; M0 q2 j1 [2 S+ k1、课程：熟悉Jupyter notebook.17、Markdown的基本技巧（二）
' G! x9 N! u& v1 c1 b; ?! S2、课程：文献与代码管理工具及统计基础.1、学习方法总结
6 j5 O. W0 A7 k& m% K  T2、课程：文献与代码管理工具及统计基础.2、Mendeley介绍及安装（一）
: m6 s; h! Q2 x* j' t' @6 T2、课程：文献与代码管理工具及统计基础.3、Mendeley介绍及安装（二）
4 N' Q+ X0 n6 G" C; x2、课程：文献与代码管理工具及统计基础.4、GitHub介绍及安装
2、课程：文献与代码管理工具及统计基础.5、GitHub远端连接操作（一）
/ C* ?4 X7 [" g2、课程：文献与代码管理工具及统计基础.6、GitHub远端连接操作（二）
2、课程：文献与代码管理工具及统计基础.7、GitHub远端连接操作（三）
4 R5 y0 a) e& ^8 C2、课程：文献与代码管理工具及统计基础.8、答疑（一）
" K" l% G6 L9 q& V- D( z7 y1 r2、课程：文献与代码管理工具及统计基础.9、答疑（二）
( n! X& p) o8 _, G# J2、课程：文献与代码管理工具及统计基础.10、答疑（三）
$ v3 A- v0 o5 p2 z2、课程：文献与代码管理工具及统计基础.11、统计基础概述
( w  b. H  x5 A. R/ j3、课程：Python基本数据类型.1、课程概述
9 X- M. o9 V' g  f3、课程：Python基本数据类型.2、计算机语言与程序概述（一）
3、课程：Python基本数据类型.3、计算机语言与程序概述（二）
3、课程：Python基本数据类型.4、为什么需要编程语言
3、课程：Python基本数据类型.5、Python能做什么
/ B0 f6 B9 e* T/ R3、课程：Python基本数据类型.6、课间答疑
3、课程：Python基本数据类型.7、Python2和Python3的区别
3、课程：Python基本数据类型.8、编程语言的元素
3、课程：Python基本数据类型.9、致敬 Hello World
3、课程：Python基本数据类型.10、Python基本数据类型（一）
3、课程：Python基本数据类型.11、Python基本数据类型（二）
3、课程：Python基本数据类型.12、Python基本数据类型（三）
5 A5 G7 m8 g3 a# Z3、课程：Python基本数据类型.13、Python基本数据类型（四）
  E! Y( E4 u8 k* c6 R+ W3、课程：Python基本数据类型.14、Python基本数据类型（五）
3、课程：Python基本数据类型.15、Python基本数据类型（六）
3、课程：Python基本数据类型.16、Python基本数据类型（七）
% y0 G2 E  [9 u7 X) g) t; B1 f3、课程：Python基本数据类型.17、Python基本数据类型（八）
7 d" A4 [* D& N" X4、课程：函数与Python基本数据结构.1、函数（一）
4、课程：函数与Python基本数据结构.2、函数（二）
& ^" m- n0 O# A: ]4、课程：函数与Python基本数据结构.3、函数（三）
4、课程：函数与Python基本数据结构.4、函数（四）
4、课程：函数与Python基本数据结构.5、函数（五）
- j% O+ U( u; P" [) O* C4、课程：函数与Python基本数据结构.6、Python编码结构（一）
4、课程：函数与Python基本数据结构.7、Python编码结构（二）
9 u+ T5 F% V2 j4 _0 X1 \  E& M4、课程：函数与Python基本数据结构.8、Python编码结构（三）
4、课程：函数与Python基本数据结构.9、Python模块和程序包
4、课程：函数与Python基本数据结构.10、Python基本数据结构（一）
4、课程：函数与Python基本数据结构.11、Python基本数据结构（二）
4、课程：函数与Python基本数据结构.12、Python基本数据结构（三）
/ L) w* G' c- S" n5、课程：Numpy的基本操作.1、Introduction to Numpy
1 j8 u7 H3 ~; }: w/ c5、课程：Numpy的基本操作.2、Create Arrays
5、课程：Numpy的基本操作.3、Basic Operations of Arrays
5、课程：Numpy的基本操作.4、lndexing ，Slicing and Iterating（一）
* d4 N2 c" `! c- s" b9 O! Z, C$ s5、课程：Numpy的基本操作.5、lndexing ，Slicing and Iterating（二）
5、课程：Numpy的基本操作.6、lndexing ，Slicing and Iterating（三）
/ b7 Z* a! R) p% o* r1 U. L0 ]- [: a5、课程：Numpy的基本操作.7、Matrix Operations --（一）
5、课程：Numpy的基本操作.8、Matrix Operations --（二）
" c! a" g; c2 `5、课程：Numpy的基本操作.9、Array processing（一）
5、课程：Numpy的基本操作.10、Array processing（二）
" }9 L& e" c, h; C5、课程：Numpy的基本操作.11、Save and Load Array
6、课程：Pandas的基本操作.1、Series
5 c" a5 j6 [2 a  |6、课程：Pandas的基本操作.2、DataFrame+Titanic Example（一）
6、课程：Pandas的基本操作.3、DataFrame+Titanic Example（二）
2 ~3 L) Q; y- o# B& _1 ]6、课程：Pandas的基本操作.4、DataFrame+Titanic Example（三）
0 I2 ]% ]6 y' n- Z6、课程：Pandas的基本操作.5、DataFrame+Titanic Example（四）
6、课程：Pandas的基本操作.6、Index Objects
& j, X. G5 }7 M, ^1 Y  `- V6、课程：Pandas的基本操作.7、Reindex
3 F5 J7 Z3 p% e8 Q6、课程：Pandas的基本操作.8、Drop Data
6、课程：Pandas的基本操作.9、Slice Data（一）
0 G# V* ~2 L; \6、课程：Pandas的基本操作.10、Slice Data（二）
5 x8 w: `) T; z& a/ u6、课程：Pandas的基本操作.11、Data Alignment
1 y( U& O+ s* R7 D- z- X- r6、课程：Pandas的基本操作.12、Rank and Sort
7、课程：Matplotlib的基本操作.1、Matplotlib（一）
7、课程：Matplotlib的基本操作.2、Matplotlib（二）
; T3 F# I/ Q$ W" M7、课程：Matplotlib的基本操作.3、Matplotlib（三）
/ L0 f8 P# \* w( O. j3 ~7、课程：Matplotlib的基本操作.4、Matplotlib（四）
7、课程：Matplotlib的基本操作.5、Matplotlib（五）
7、课程：Matplotlib的基本操作.6、Aggregation（一）
7、课程：Matplotlib的基本操作.7、Aggregation（二）
0 i3 v7 P+ T! R$ ~4 f7、课程：Matplotlib的基本操作.8、Aggregation（三）
: \+ O, @- R- q2 Y  n$ x8、课程：什么是好的模型结果-cost function.1、如何定义一个模型结果的好坏？
; Z: S, k$ H- H  P. z; T+ L8、课程：什么是好的模型结果-cost function.2、连续变量的模型，如何来衡量模型结果？（一）
) W& L5 Z4 W) {- @  h: w8、课程：什么是好的模型结果-cost function.3、连续变量的模型，如何来衡量模型结果？（二）
6 a' k. D) x" f0 e' B1 L8、课程：什么是好的模型结果-cost function.4、二分类问题-假设检验，p-value（一）
, N8 \; ?& n# l! v3 _. O8、课程：什么是好的模型结果-cost function.5、二分类问题-假设检验，p-value（二）
8、课程：什么是好的模型结果-cost function.6、二分类问题-ROC & AUC（一）
8、课程：什么是好的模型结果-cost function.7、二分类问题-ROC & AUC（二）
" R. @1 V# L7 \+ u! x& Q  D) z8、课程：什么是好的模型结果-cost function.8、什么是好的分类（一）
/ p. A, a. c* F$ v/ M3 y8、课程：什么是好的模型结果-cost function.9、二分类问题-召回率，准确率
% }5 v, X+ X. P2 x8、课程：什么是好的模型结果-cost function.10、二分类问题-F1-score
8、课程：什么是好的模型结果-cost function.11、分类模型，如何衡量模型结果？
) s! M3 C+ m. Q9 e% ?8、课程：什么是好的模型结果-cost function.12、imbalanced问题（一）
8、课程：什么是好的模型结果-cost function.13、imbalanced问题（二）
, T4 ^* ?) n; C5 }9 V" c! X& k9、课程：线性回归.1、知识回顾
2 G( m. X" c, Q7 H) Z9、课程：线性回归.2、为什么要使用线性回归？
: a2 ]7 C) t, _* R4 g: U+ M2 i. w9、课程：线性回归.3、如何计算线性回归？（一）
5 G" m, f: l0 h0 }( `' Z  \9、课程：线性回归.4、如何计算线性回归？（二）
3 \1 j5 |& [# H, @( c2 a& G6 ^9、课程：线性回归.5、问题解答
3 t$ b* R* H( s" l$ a9、课程：线性回归.6、由最小二乘法选出的直线有没有用？（一）
. r; p) N+ e) q8 t2 K+ o9 B9、课程：线性回归.7、由最小二乘法选出的直线有没有用？（二）
3 S* `# ]2 T# I9、课程：线性回归.8、线性回归参数估计的含义
; K: K0 H, m3 ~2 B/ G9、课程：线性回归.9、线性回归对数据的解释
  O% C" J* b+ h" e7 b9、课程：线性回归.10、线性回归对样本及误差的要求和假设前提（一）
9、课程：线性回归.11、线性回归对样本及误差的要求和假设前提（二）
9、课程：线性回归.12、预测的confidence interval 和 prediction interval（一）
9、课程：线性回归.13、预测的confidence interval 和 prediction interval（二）
9 x/ Z9 t6 v8 k$ ^5 m0 }3 ~/ a9、课程：线性回归.14、预测的confidence interval 和 prediction interval（三）
! f1 \) o- A7 b! u& Q9、课程：线性回归.15、imbalanced问题
10、课程：逻辑回归及应用.1、逻辑回归与线性回归
, n* l" M/ t/ _- S- j3 }10、课程：逻辑回归及应用.2、如何计算信用分数
10、课程：逻辑回归及应用.3、商家如何查看芝麻信用值？
& G# m' w" I5 e. |7 I' o4 |10、课程：逻辑回归及应用.4、寻找最合理的参数-1设计Cost Function
( p8 O% S7 s" c  _! i% R& d10、课程：逻辑回归及应用.5、疑题解答
9 r- V' \% Z+ k10、课程：逻辑回归及应用.6、寻找最合理的参数-3. 计算最优参数（一）
% y2 W- A2 u4 M: M0 j2 P, B2 t10、课程：逻辑回归及应用.7、寻找最合理的参数-3. 计算最优参数(二)
10、课程：逻辑回归及应用.8、寻找最合理的参数-3. 计算最优参数(三)
10、课程：逻辑回归及应用.9、寻找最合理的参数-3. 计算最优参数(四)
10、课程：逻辑回归及应用.10、寻找最合理的参数-3. 计算最优参数(五)
10、课程：逻辑回归及应用.11、寻找最合理的参数-3. 计算最优参数(六)
6 r4 U; A4 _# x/ A0 Z10、课程：逻辑回归及应用.12、更进一步：从逻辑回归到SoftMax（一）
6 Q) A, L: v8 c0 ^% ?( |10、课程：逻辑回归及应用.13、更进一步：从逻辑回归到SoftMax(二)
11、课程：拟合与过拟合的定义.1、拟合与过拟合
11、课程：拟合与过拟合的定义.2、对抗过拟合（一）
, h1 N2 j7 a$ t7 m# X! j. B6 ]11、课程：拟合与过拟合的定义.3、对抗过拟合（二）
6 j8 |; e2 P0 V. D11、课程：拟合与过拟合的定义.4、对抗过拟合（三）
5 b+ \- c" i' Q" `$ e11、课程：拟合与过拟合的定义.5、Python实现（一）
/ u  I: M  S' o# c% \, u* u, Q+ i11、课程：拟合与过拟合的定义.6、Python实现（二）
11、课程：拟合与过拟合的定义.7、正则化Regularization
; w# j- Y, {# W  Q" T, E, g4 |; A11、课程：拟合与过拟合的定义.8、Ridge（一）
7 J& C) w$ ?0 l# e11、课程：拟合与过拟合的定义.9、Ridge（二）
11、课程：拟合与过拟合的定义.10、方差的分解（一）
11、课程：拟合与过拟合的定义.11、方差的分解（二）
11、课程：拟合与过拟合的定义.12、Bias与Variance的分解
8 @7 ]# j; `; D$ A4 f12、课程：决策树模型.1、什么是决策树？
3 d6 P4 s: V3 Z' a3 T" f& A12、课程：决策树模型.2、游戏中的决策树分析（一）
& r6 n0 P4 x: F+ i12、课程：决策树模型.3、游戏中的决策树分析（二）
12、课程：决策树模型.4、哪个问题分的最好？
12、课程：决策树模型.5、Decision Tree_example1（一）
- H: T3 u7 @+ x0 N' T7 P12、课程：决策树模型.6、Decision Tree_example1（二）
12、课程：决策树模型.7、Decision Tree_example1（三）
6 h3 ^- O( N. V0 T3 A12、课程：决策树模型.8、Decision Tree_example1（四）
1 d! E5 d4 ]5 g6 n) v12、课程：决策树模型.9、Decision Tree_example1（五）
12、课程：决策树模型.10、Decision Tree_example1（六）
12、课程：决策树模型.11、Decision Tree_example1（七）
13、课程：Pandas 数据操作与Ensemble Method 集成算法.1、Combining dataframes
6 f: S* C" e( }) {$ _13、课程：Pandas 数据操作与Ensemble Method 集成算法.2、Mapping
13、课程：Pandas 数据操作与Ensemble Method 集成算法.3、Binning
13、课程：Pandas 数据操作与Ensemble Method 集成算法.4、GroupBy On Dict and Series（一）
13、课程：Pandas 数据操作与Ensemble Method 集成算法.5、GroupBy On Dict and Series（二）
13、课程：Pandas 数据操作与Ensemble Method 集成算法.6、Merge（一）
13、课程：Pandas 数据操作与Ensemble Method 集成算法.7、Merge（二）
13、课程：Pandas 数据操作与Ensemble Method 集成算法.8、Outliers
& H$ P* g: n& d- U9 [! O13、课程：Pandas 数据操作与Ensemble Method 集成算法.9、Pivoting
13、课程：Pandas 数据操作与Ensemble Method 集成算法.10、Replace
13、课程：Pandas 数据操作与Ensemble Method 集成算法.11、Bagging (Bootstrap aggregating)
13、课程：Pandas 数据操作与Ensemble Method 集成算法.12、Boosting and Ada boosting（一）
13、课程：Pandas 数据操作与Ensemble Method 集成算法.13、Boosting and Ada boosting（二）
13、课程：Pandas 数据操作与Ensemble Method 集成算法.14、Gradient Boosting
% [- k. e: B% q2 S14、课程：Airbnb 数据分析.1、Airbnb介绍
14、课程：Airbnb 数据分析.2、Train and Test 用户本身数据和营销渠道数据
6 G, `' x' M8 K/ T2 L8 F. H14、课程：Airbnb 数据分析.3、Airbnb_DataExploration（一）
9 F# A! V) V6 t  N14、课程：Airbnb 数据分析.4、Airbnb_DataExploration（二）
7 ?) i9 L( s' B) _14、课程：Airbnb 数据分析.5、Airbnb_DataExploration（三）
, R6 g3 b5 I" p2 J2 L% N14、课程：Airbnb 数据分析.6、Airbnb_FeatureEngineering（一）
+ A4 U) O3 m& m9 S14、课程：Airbnb 数据分析.7、Airbnb_FeatureEngineering（二）
8 c+ b' g9 g3 c14、课程：Airbnb 数据分析.8、Airbnb_FeatureEngineering（三）
; z) K0 `- I  w) f0 c/ G14、课程：Airbnb 数据分析.9、Airbnb_FeatureEngineering（四）
5 ?% _. v  E- W# }4 Q  W# K7 w* D14、课程：Airbnb 数据分析.10、Modeling（一）
9 X0 I; R3 O" j7 G2 Y1 T14、课程：Airbnb 数据分析.11、Modeling（二）
15、课程：支持向量机（SVM）.1、支持向量机简介与历史（一）
15、课程：支持向量机（SVM）.2、支持向量机简介与历史（二）
15、课程：支持向量机（SVM）.3、支持向量机分类与回归（一）
15、课程：支持向量机（SVM）.4、支持向量机分类与回归（二）
15、课程：支持向量机（SVM）.5、支持向量机分类与回归（三）
15、课程：支持向量机（SVM）.6、对偶问题
15、课程：支持向量机（SVM）.7、支持向量
15、课程：支持向量机（SVM）.8、核函数
/ A! X0 g8 F2 ]8 H- L3 I, |( E. B9 P15、课程：支持向量机（SVM）.9、正则化与软间隔
* S- s6 a. F9 `, ~15、课程：支持向量机（SVM）.10、支持向量机算法总结
- I4 Q" ^8 M3 E+ l9 U2 I15、课程：支持向量机（SVM）.11、代码实战（一）
15、课程：支持向量机（SVM）.12、代码实战（二）
; Z) S! H4 n2 d15、课程：支持向量机（SVM）.13、代码实战（三）
16、课程：自然语言处理与NLP-代码实战.1、历史
8 \- T3 M2 c9 y2 Y% J; k16、课程：自然语言处理与NLP-代码实战.2、语言模型（一）
16、课程：自然语言处理与NLP-代码实战.3、语言模型（二）
2 v7 i+ {1 J  g/ S  g& x5 Z- W16、课程：自然语言处理与NLP-代码实战.4、语言模型（三）
16、课程：自然语言处理与NLP-代码实战.5、语言模型（四）
$ ?/ t, m) N1 T) j$ J7 Y8 E16、课程：自然语言处理与NLP-代码实战.6、语言模型（五）
16、课程：自然语言处理与NLP-代码实战.7、语言模型评价
3 I0 C5 ]: @) R. C16、课程：自然语言处理与NLP-代码实战.8、隐马尔可夫模型
& q" A3 |8 x9 w$ u/ S1 Q8 v16、课程：自然语言处理与NLP-代码实战.9、深度学习（一）
16、课程：自然语言处理与NLP-代码实战.10、深度学习（二）
4 v& N) F; s( p, }9 |$ Q16、课程：自然语言处理与NLP-代码实战.11、语言模型实战（一）
16、课程：自然语言处理与NLP-代码实战.12、语言模型实战（二）
16、课程：自然语言处理与NLP-代码实战.13、语言模型实战（三）
16、课程：自然语言处理与NLP-代码实战.14、语言模型实战（四）
17、课程：文字处理与Amazon评论NLP分析案例.1、Python文字处理基本操作回顾
17、课程：文字处理与Amazon评论NLP分析案例.2、ASCII，unicode解码与编码，utf-8（一）
* `3 f8 d+ J0 S* G6 a% T17、课程：文字处理与Amazon评论NLP分析案例.3、ASCII，unicode解码与编码，utf-8（二）
( [$ ~0 ~9 A5 Y% q; J  @( C17、课程：文字处理与Amazon评论NLP分析案例.4、Nltk工具包与特朗普的任职演讲
* b. F. Y8 j* {4 V17、课程：文字处理与Amazon评论NLP分析案例.5、计算词频
: g. t  d6 x8 d' G) W0 m17、课程：文字处理与Amazon评论NLP分析案例.6、读取文字
: i+ K) m  o) e( f; h. J  T17、课程：文字处理与Amazon评论NLP分析案例.7、整理标签（一）
17、课程：文字处理与Amazon评论NLP分析案例.8、整理标签（二）
; r/ m3 c, R- g& q17、课程：文字处理与Amazon评论NLP分析案例.9、整理标签（三）
% L1 H) r- s: z3 S3 Y; v9 M6 I17、课程：文字处理与Amazon评论NLP分析案例.10、清理文字并建语料库（一）
- G+ L  }& e* A- e" l17、课程：文字处理与Amazon评论NLP分析案例.11、清理文字并建语料库（二）
8 n* X7 n" Q/ H! o, l: G1 z17、课程：文字处理与Amazon评论NLP分析案例.12、建模
17、课程：文字处理与Amazon评论NLP分析案例.13、调用具体模型
18、课程：网络基础概述.1、网络基础概述
18、课程：网络基础概述.2、数据和数据库（一）
18、课程：网络基础概述.3、数据和数据库（二）
( O7 g4 ?) ?5 o. H0 ]18、课程：网络基础概述.4、计算机网络知识普及（一）
. d2 B3 I; M: b  J+ \18、课程：网络基础概述.5、计算机网络知识普及（二）
. K1 v/ Y" D2 U. e6 ^18、课程：网络基础概述.6、什么是网站
" D# p. v/ m. J+ {18、课程：网络基础概述.7、静态网站和动态网站
' t8 h9 R. N: m# O18、课程：网络基础概述.8、简单的网站服务程序（一）
# Y. |9 ]8 D- l18、课程：网络基础概述.9、简单的网站服务程序（二）
& ^- Y' L7 k4 O18、课程：网络基础概述.10、什么是API（一）
18、课程：网络基础概述.11、什么是API（二）
18、课程：网络基础概述.12、如何找到API
18、课程：网络基础概述.13、网络产品和现在网络程序
8 R8 X. t( I+ g# I3 c18、课程：网络基础概述.14、答疑
) \/ b- S; W* Q2 P1 w) V4 Z19、课程：网络爬虫入门.1、网络爬虫概述
& s4 \* ]- \4 D  R9 E: l" k19、课程：网络爬虫入门.2、复习HTML
19、课程：网络爬虫入门.3、强大的工具—Requests
0 `' c( V. i9 T7 q6 }19、课程：网络爬虫入门.4、强大的工具—Beautifulsoup（一）
19、课程：网络爬虫入门.5、强大的工具—Beautifulsoup（二）
  N7 a! }1 X% {19、课程：网络爬虫入门.6、Charity Watch（一）
19、课程：网络爬虫入门.7、Charity Watch（二）
1 ~; n2 r1 V  _! I9 H- H19、课程：网络爬虫入门.8、Charity Watch（三）
, A- ]$ U0 g: K# x5 C0 Q19、课程：网络爬虫入门.9、弹幕爬虫（一）
19、课程：网络爬虫入门.10、弹幕爬虫（二）
19、课程：网络爬虫入门.11、弹幕爬虫（三）
19、课程：网络爬虫入门.12、弹幕爬虫（四）
6 T: l' p: ?2 C) Z4 G- `; z0 i; w& v19、课程：网络爬虫入门.13、弹幕爬虫（五）
& f/ J2 f( R! v19、课程：网络爬虫入门.14、弹幕爬虫（六）
' L1 v& s7 x" H( K. Q. B3 e20、课程：爬虫进阶.1、Write Binary File
20、课程：爬虫进阶.2、Read Binary File
4 `9 ~7 X  h+ w% b20、课程：爬虫进阶.3、静态文件获取（一）
0 h% _8 @, j  ]/ V20、课程：爬虫进阶.4、静态文件获取（二）
! }" w7 L" n- I20、课程：爬虫进阶.5、认证授权（一）
# A( I; ^, j% O20、课程：爬虫进阶.6、认证授权（二）
+ _: N4 C1 c5 b6 W5 P20、课程：爬虫进阶.7、认证授权（三）
8 a, Q2 P9 W* d1 U20、课程：爬虫进阶.8、爬虫进阶扩展（一）
20、课程：爬虫进阶.9、爬虫进阶扩展（二）
21、课程： 正则表达式.1、常见代码
21、课程： 正则表达式.2、基本语句（一）
/ Y, _3 N6 U" ~# P; t21、课程： 正则表达式.3、基本语句（二）
9 t% K. |) i) Q- J+ P21、课程： 正则表达式.4、字符匹配和分枝条件
' x! l, u* A6 x; W8 q21、课程： 正则表达式.5、分组
1 R0 s% G, k1 H( p- j( u21、课程： 正则表达式.6、后向引用和零宽断言
21、课程： 正则表达式.7、案例分析（一）
* f+ O: \3 |" L" V* N/ O+ i: X21、课程： 正则表达式.8、案例分析（二）
" |6 E8 Z5 I7 i  T2 [( k22、课程：贝叶斯统计.1、联合概率
5 X" \% W  x( S" C; }- |: H3 g22、课程：贝叶斯统计.2、边缘概率
22、课程：贝叶斯统计.3、条件概率
1 {, W0 E' j5 f, D0 M, `22、课程：贝叶斯统计.4、联合概率、边缘概率和条件概率
$ d/ O: S; F  F' E22、课程：贝叶斯统计.5、贝叶斯公式（一）
22、课程：贝叶斯统计.6、贝叶斯公式（二）
22、课程：贝叶斯统计.7、流感案例
. L' k% q" K. s* Y" c4 |$ f. d22、课程：贝叶斯统计.8、图形化理解
7 Y$ u( G3 ?0 ^1 I0 Q, A4 Q4 s; w22、课程：贝叶斯统计.9、案例分析
22、课程：贝叶斯统计.10、贝叶斯公式垃圾短信识别程序（一）
- d7 X* @; Y. M" m% h22、课程：贝叶斯统计.11、贝叶斯公式垃圾短信识别程序（二）
, L+ L4 z6 @0 n( U+ t# n22、课程：贝叶斯统计.12、贝叶斯公式垃圾短信识别程序（三）
6 j% x4 S. C2 I, i22、课程：贝叶斯统计.13、脑筋急转弯：三门问题（一）
( w1 G' ~: N* Y  R! A22、课程：贝叶斯统计.14、脑筋急转弯：三门问题（二）
23、课程：搜集用户信息与数据整合.1、搜集用户发帖Comment Id（一）
23、课程：搜集用户信息与数据整合.2、搜集用户发帖Comment Id（二）
" d" F' K6 H% E. a7 z23、课程：搜集用户信息与数据整合.3、正向编码方法
23、课程：搜集用户信息与数据整合.4、如何逆向解码（一）
23、课程：搜集用户信息与数据整合.5、如何逆向解码（二）
23、课程：搜集用户信息与数据整合.6、如何逆向解码（三）
  p1 g! H8 i8 F; a23、课程：搜集用户信息与数据整合.7、如何逆向解码（四）
% X& c* g' X! p5 ?4 z% G23、课程：搜集用户信息与数据整合.8、整理用户mid ID
23、课程：搜集用户信息与数据整合.9、爬取用户信息（一）
6 W2 V+ S  v4 ]$ a/ N$ o: D# e23、课程：搜集用户信息与数据整合.10、爬取用户信息（二）
23、课程：搜集用户信息与数据整合.11、爬取用户信息（三）
23、课程：搜集用户信息与数据整合.12、爬取用户信息（四）
23、课程：搜集用户信息与数据整合.13、RandomForest 重新采样（一）
/ w4 y, s4 ~: _& z3 [23、课程：搜集用户信息与数据整合.14、RandomForest 重新采样（二）
24、课程：贝叶斯思维.1、贝叶斯统计（一）
24、课程：贝叶斯思维.2、贝叶斯统计（二）
24、课程：贝叶斯思维.3、贝叶斯统计（三）
3 c) a% t' J4 x8 G% q$ N( }24、课程：贝叶斯思维.4、贝叶斯统计（四）
24、课程：贝叶斯思维.5、贝叶斯公式（一）
, G) m3 c* _; N+ \( }+ x0 P! V24、课程：贝叶斯思维.6、贝叶斯公式（二）
24、课程：贝叶斯思维.7、贝叶斯公式（三）
24、课程：贝叶斯思维.8、贝叶斯公式（四）
7 \. d; a  W% @/ M5 \24、课程：贝叶斯思维.9、证明正态分布的后验分布依然是正态分布（一）
: m7 q7 F  B& o" m3 {24、课程：贝叶斯思维.10、证明正态分布的后验分布依然是正态分布（二）
5 d7 \$ q( a% C% O; M! v24、课程：贝叶斯思维.11、证明正态分布的后验分布依然是正态分布（三）
* b. i4 Q& j  r7 d24、课程：贝叶斯思维.12、证明正态分布的后验分布依然是正态分布（四）
) R6 w. F" ~2 {: ]/ p# b24、课程：贝叶斯思维.13、美国海岸救援案例
& y& ~1 C0 t  g* M  f. ~25、课程：BiliBili火爆剧集与观众分析.1、结巴分词原理
25、课程：BiliBili火爆剧集与观众分析.2、结巴分词使用
25、课程：BiliBili火爆剧集与观众分析.3、去除NaN、分词
25、课程：BiliBili火爆剧集与观众分析.4、去停用词、整理词频
25、课程：BiliBili火爆剧集与观众分析.5、关键词计算
9 C  F# Z6 k. Q! [0 K8 B' ?, Z7 \7 S25、课程：BiliBili火爆剧集与观众分析.6、生成词云
25、课程：BiliBili火爆剧集与观众分析.7、沿时间的动态变化：频率与高频词（一）
. T& R0 |" _5 Y& M+ d* D25、课程：BiliBili火爆剧集与观众分析.8、沿时间的动态变化：频率与高频词（二）
25、课程：BiliBili火爆剧集与观众分析.9、沿时间的动态变化：频率与高频词（三）
" r! ]" K+ A* f1 l6 R/ K25、课程：BiliBili火爆剧集与观众分析.10、二十四小时的弹幕频率分布
25、课程：BiliBili火爆剧集与观众分析.11、年内的弹幕频率分布
, R9 C8 q/ i0 @' ?2 E5 k25、课程：BiliBili火爆剧集与观众分析.12、观众信息
  M6 g5 h: ~1 o; j4 ]: ], o25、课程：BiliBili火爆剧集与观众分析.13、脑筋急转弯（一）
7 w, L# m$ Y  V' F+ H  H* S) [7 c25、课程：BiliBili火爆剧集与观众分析.14、脑筋急转弯（二）
26、课程：聚类与代码实战.1、课程概要
26、课程：聚类与代码实战.2、机器学习与聚类简介
3 U4 T  ~) q9 l) t. v9 U26、课程：聚类与代码实战.3、聚类的定义以及和分类的区别
26、课程：聚类与代码实战.4、聚类相似度度量：几何距离
26、课程：聚类与代码实战.5、划分聚类
  S" b. |9 j& N1 |26、课程：聚类与代码实战.6、划分聚类—K均值算法（一）
26、课程：聚类与代码实战.7、划分聚类—K均值算法（二）
26、课程：聚类与代码实战.8、层次聚类
/ ^& d  U. I  i: ]% k5 G" p26、课程：聚类与代码实战.9、Agglomerative clustering算法
26、课程：聚类与代码实战.10、密度聚类
26、课程：聚类与代码实战.11、DBSCAN
26、课程：聚类与代码实战.12、聚类算法总结
) t9 }! M! H# A% _+ Q( R' \26、课程：聚类与代码实战.13、代码实战（一）
& V7 O; z  u+ E8 U6 `26、课程：聚类与代码实战.14、代码实战（二）
26、课程：聚类与代码实战.15、代码实战（三）
27、课程：商业社交媒体舆情分析.1、脑筋急转弯（一）
/ c% |+ ^1 {( j1 G5 M27、课程：商业社交媒体舆情分析.2、脑筋急转弯（二）
27、课程：商业社交媒体舆情分析.3、脑筋急转弯（三）
7 `6 E; g$ {' ?+ q' R27、课程：商业社交媒体舆情分析.4、社媒舆情分析的目的
! p0 F& \8 ^) Z; b- ~3 d27、课程：商业社交媒体舆情分析.5、作用价值一：获取市场的必要信息（一）
27、课程：商业社交媒体舆情分析.6、作用价值一：获取市场的必要信息（二）
) H9 _  |1 U* U3 s! f: N) r27、课程：商业社交媒体舆情分析.7、如何通过舆情分析掌握时长状况
' ~% U4 t! z# U# X0 ~/ ^27、课程：商业社交媒体舆情分析.8、作用价值二：提升决策敏感性
, ^7 C4 g+ c6 g% ?27、课程：商业社交媒体舆情分析.9、有趣的营销发现
2 s% ^  o  k* \- P  v27、课程：商业社交媒体舆情分析.10、作用价值三：寻找接触点
27、课程：商业社交媒体舆情分析.11、总结：营销领域的舆情分析应用
, u+ I+ Z  n- b& L3 i: ^4 h27、课程：商业社交媒体舆情分析.12、答疑（一）
27、课程：商业社交媒体舆情分析.13、答疑（二）
28、课程：近期推荐系统概述.1、推荐系统应用场景（一）
9 \" o1 M/ p5 h2 X28、课程：近期推荐系统概述.2、推荐系统应用场景（二）
4 i* l" t, h7 s; p) A* @+ B8 s28、课程：近期推荐系统概述.3、推荐系统算法概述（一）
28、课程：近期推荐系统概述.4、推荐系统算法概述（二）
28、课程：近期推荐系统概述.5、推荐系统算法概述（三）
$ i8 q# V% Q5 O' I9 }0 F28、课程：近期推荐系统概述.6、推荐系统算法概述（四）
; |- }' t! y: ]/ H) U28、课程：近期推荐系统概述.7、CF+矩阵分解（一）
* {8 e% J9 f. T  Z' H: _28、课程：近期推荐系统概述.8、CF+矩阵分解（二）
- b4 r* X+ s% }28、课程：近期推荐系统概述.9、基于图像的推荐
28、课程：近期推荐系统概述.10、评估推荐系统结果
& s7 D8 A- p/ o& }% R/ u. U29、课程：人工智能的江湖.1、达特茅斯会议与第一次AI大发展
; ?- c  I2 j( m7 W+ W( A29、课程：人工智能的江湖.2、第一次AI寒冬（一）
4 S$ r+ h7 j# P7 B5 H& I( i29、课程：人工智能的江湖.3、第一次AI寒冬（二）
29、课程：人工智能的江湖.4、复苏与第二次AI寒冬
29、课程：人工智能的江湖.5、再次复苏与神经网翻身
, T7 c: P* j6 _* R9 H, t! F29、课程：人工智能的江湖.6、瞻仰大神（一）
" O2 _7 c' b+ Q5 p9 Y% Q# Q6 O  ~; K29、课程：人工智能的江湖.7、瞻仰大神（二）
29、课程：人工智能的江湖.8、瞻仰大神（三）
29、课程：人工智能的江湖.9、今天的应用与影响（一）
29、课程：人工智能的江湖.10、今天的应用与影响（二）
29、课程：人工智能的江湖.11、今天的应用与影响（三）
30、课程：机器学习在图像识别中的应用.1、图像处理和机器学习有什么关系
6 q3 s& |0 _' H3 @# R6 T30、课程：机器学习在图像识别中的应用.2、什么是机器学习
30、课程：机器学习在图像识别中的应用.3、什么是图像识别
30、课程：机器学习在图像识别中的应用.4、图像识别的困难在哪里
- C" A6 ]5 ^5 w+ h30、课程：机器学习在图像识别中的应用.5、图像识别的发展历史
. q! b) t7 g( u# q6 N30、课程：机器学习在图像识别中的应用.6、机器学习对比深度学习
# {/ w3 t6 p: g/ X30、课程：机器学习在图像识别中的应用.7、机器学习的工作方式
; l: V/ [" D  [# s3 }, Q2 X9 f5 m30、课程：机器学习在图像识别中的应用.8、机器学习的算法（一）
' w& O7 v# @1 E1 y3 }) \/ K30、课程：机器学习在图像识别中的应用.9、机器学习的算法（二）
* {/ X# `: [% a% t6 Y0 V4 R4 k30、课程：机器学习在图像识别中的应用.10、机器学习总结
# m1 r2 @/ o9 k2 V8 x31、课程：Pygame.1、学习框架梳理
31、课程：Pygame.2、剩余课程安排
31、课程：Pygame.3、Flappy bird基本背景图像（一）
31、课程：Pygame.4、Flappy bird基本背景图像（二）
31、课程：Pygame.5、键盘操作-小鸟左右移动
31、课程：Pygame.6、扑腾扑腾翅膀（一）
" p1 H  u& l" C  f/ Z( h# [31、课程：Pygame.7、扑腾扑腾翅膀（二）
31、课程：Pygame.8、柱子的移动
31、课程：Pygame.9、生成一系列的柱子，并且移动
! K5 q3 l. }. O31、课程：Pygame.10、让小鸟飞起来
5 r! t8 Z( y" A$ R9 A) S31、课程：Pygame.11、假如小鸟很聪明
31、课程：Pygame.12、给小鸟计分
8 W/ W: T& C! g0 W32、课程：Python控制系统.1、The basic self-driving loop
3 r) ^4 N- |+ Y' j32、课程：Python控制系统.2、不同的数据存储和类型
5 W0 c9 [7 s7 ~% H. C32、课程：Python控制系统.3、安装OpenCV
32、课程：Python控制系统.4、OpenCV练习
32、课程：Python控制系统.5、数据库基础review（一）
32、课程：Python控制系统.6、数据库基础review（二）
" l8 D7 }! `1 v9 U32、课程：Python控制系统.7、MYSQL的简单介绍(一)
* B5 v0 C8 g! q8 F* f9 b  }1 C6 l+ n32、课程：Python控制系统.8、MYSQL的简单介绍(二)
# u% n) q) u8 B) U& ]; g5 o32、课程：Python控制系统.9、激光雷达
$ P- i" u" |- n7 @, u* O: n# n( o32、课程：Python控制系统.10、Ctypes basic（一）
0 A9 Z/ L& C; }- E% h32、课程：Python控制系统.11、Ctypes basic（二）
32、课程：Python控制系统.12、Ctypes basic（三）
% x1 @  e6 ]# r( y$ v  }33、课程：图像识别处理基础—OpenCV.1、读取图片（一）
1 O! Z( x% P; W! L) b33、课程：图像识别处理基础—OpenCV.2、读取图片（二）
33、课程：图像识别处理基础—OpenCV.3、读取图片（三）
8 w: ^. e- `( P) \- W* U33、课程：图像识别处理基础—OpenCV.4、读取视频
9 M6 V" o4 L, C8 B6 q( x33、课程：图像识别处理基础—OpenCV.5、绘图函数
, b5 g" X; b3 O/ b33、课程：图像识别处理基础—OpenCV.6、OpenCV图像的基本操作（一）
7 R0 l- D: W& n$ F33、课程：图像识别处理基础—OpenCV.7、OpenCV图像的基本操作（二）
33、课程：图像识别处理基础—OpenCV.8、图像处理：颜色空间转换（一）
1 g0 }% _9 Z% c9 W33、课程：图像识别处理基础—OpenCV.9、图像处理：颜色空间转换（二）
8 A2 x! a* w3 W2 G8 z) w' g33、课程：图像识别处理基础—OpenCV.10、几何变换
  i9 U) C; }) q33、课程：图像识别处理基础—OpenCV.11、图像处理：图像平滑
33、课程：图像识别处理基础—OpenCV.12、图像处理：形态学变换
# `; M" b8 h' f5 i& B34、课程：从游戏数据中提取feature.1、收集GTA5游戏数据（一）
( Y) {0 }2 u  p34、课程：从游戏数据中提取feature.2、收集GTA5游戏数据（二）
- [6 X' T$ k# D1 [: f34、课程：从游戏数据中提取feature.3、收集GTA5游戏数据（三）
, L+ a- R' v1 g34、课程：从游戏数据中提取feature.4、Check Data和OpenCV（一）
% a$ y  d3 w1 Q' K+ S34、课程：从游戏数据中提取feature.5、Check Data和OpenCV（二）
34、课程：从游戏数据中提取feature.6、模型加载插件
34、课程：从游戏数据中提取feature.7、C++ review（一）
34、课程：从游戏数据中提取feature.8、C++ review（二）
1 I& }" z2 l7 m7 _$ U2 a  Y& [34、课程：从游戏数据中提取feature.9、模型案例分析+OpenCV process（一）
, I+ y7 ^$ m8 ^' k& l34、课程：从游戏数据中提取feature.10、模型案例分析+OpenCV process（二）
34、课程：从游戏数据中提取feature.11、模型案例分析+OpenCV process（三）
. g! g, `3 W8 g, x$ h3 U34、课程：从游戏数据中提取feature.12、模型案例分析+OpenCV process（四）
6 D6 R- x7 z7 B3 _6 @34、课程：从游戏数据中提取feature.13、模型案例分析+OpenCV process（五）
35、课程：GTA5自动驾驶项目.1、作业布置
! z1 G. f) _4 B: J4 L5 X2 f4 ^. S35、课程：GTA5自动驾驶项目.2、GTA5自动驾驶分解问题（一）
35、课程：GTA5自动驾驶项目.3、GTA5自动驾驶分解问题（二）
35、课程：GTA5自动驾驶项目.4、GTA5自动驾驶分解问题（三）
35、课程：GTA5自动驾驶项目.5、GTA5自动驾驶分解问题（四）
- P" C# w- P4 ^35、课程：GTA5自动驾驶项目.6、GTA5自动驾驶分解问题（五）
# Q4 I3 Q( m+ W- |6 [' p! [: y35、课程：GTA5自动驾驶项目.7、GTA游戏AI识别车道分割线（一）
3 x4 B4 T" l0 q2 O3 \9 {7 E8 g35、课程：GTA5自动驾驶项目.8、GTA游戏AI识别车道分割线（二）
; d% w" A" @( }- E- \35、课程：GTA5自动驾驶项目.9、GTA游戏AI识别车道分割线（三）
0 ?7 O4 m2 o( @0 y. x# w' N35、课程：GTA5自动驾驶项目.10、GTA游戏AI识别车道分割线（四）
, q& ~6 N2 Z! ?0 m9 h: T35、课程：GTA5自动驾驶项目.11、GTA游戏AI识别车道分割线（五）
) s. m' j/ W3 Q/ }8 U* }) k35、课程：GTA5自动驾驶项目.12、GTA游戏AI识别车道分割线（六）
35、课程：GTA5自动驾驶项目.13、GTA游戏AI识别车道分割线（七）
; M5 x' j" O  S9 d7 Z36、课程：TensorFlow的基本操作.1、TensorFlow的基本概念
  B9 h3 G: ?* L! ]! w4 m% N6 z, j36、课程：TensorFlow的基本操作.2、TensorFlow的具体使用（一）
36、课程：TensorFlow的基本操作.3、TensorFlow的具体使用（二）
$ F9 x# Q5 @. @" P' G/ N& w: }7 p2 T36、课程：TensorFlow的基本操作.4、Tensor Shapes（一）
36、课程：TensorFlow的基本操作.5、Tensor Shapes（二）
36、课程：TensorFlow的基本操作.6、Tensor Operations
36、课程：TensorFlow的基本操作.7、Tensor Slicing
# e9 ~2 d- G5 ~# G36、课程：TensorFlow的基本操作.8、Tensor Sequences
36、课程：TensorFlow的基本操作.9、Graph
  J$ Q- k0 R1 |2 ?3 ]& V$ W3 _% V36、课程：TensorFlow的基本操作.10、Session和Constant
! ~( N, B& }) |. \( H36、课程：TensorFlow的基本操作.11、Variables和Placeholders
36、课程：TensorFlow的基本操作.12、Example（一）
0 L3 g: |; u* m5 Q" ^: A6 _0 f36、课程：TensorFlow的基本操作.13、Example（二）
36、课程：TensorFlow的基本操作.14、Example（三）
  F  H7 z- y: l36、课程：TensorFlow的基本操作.15、Example（四）
4 z6 e# n% ?% C9 K2 f/ s1 r6 m8 c37、课程：神经网络.1、神经网络
2 X* Q0 ^$ [0 |( F5 S37、课程：神经网络.2、深度神经网络
: f  W5 ?9 R. v( y" y37、课程：神经网络.3、反向传播算法
- T& g% m* M: q" j; C3 P: b9 S) K37、课程：神经网络.4、激活函数
% e% r6 l2 O3 o+ C% P- z37、课程：神经网络.5、优化算法（一）
# m0 ~& {- \! _: C& r8 K: p2 Z0 b37、课程：神经网络.6、优化算法（二）
37、课程：神经网络.7、正规化
37、课程：神经网络.8、神经网络代码实战（一）
7 z) G. I7 \# H$ w37、课程：神经网络.9、神经网络代码实战（二）
37、课程：神经网络.10、神经网络代码实战（三）
37、课程：神经网络.11、神经网络代码实战（四）
38、课程：卷积神经网络.1、卷积和卷积核（一）
3 t7 t4 `) T1 P" N' M) j4 h" r38、课程：卷积神经网络.2、卷积和卷积核（二）
; Y9 |# {! e! Q6 h- B# v+ q38、课程：卷积神经网络.3、卷积和卷积核（三）
( O6 e; n& P6 e5 y8 m# ~4 N1 D38、课程：卷积神经网络.4、填充和池化
/ M  O8 k( J9 D, I% a( y38、课程：卷积神经网络.5、深度卷积神经网络：LeNet-5
9 B0 ~  L7 |( U1 ?/ n2 A38、课程：卷积神经网络.6、深度卷积神经网络：AlexNet
5 i, g  d& z& r4 L2 H0 h5 p5 K. J38、课程：卷积神经网络.7、深度卷积神经网络：ZF-net
38、课程：卷积神经网络.8、深度卷积神经网络：VGG-16
  X# h; ]" t8 x. s38、课程：卷积神经网络.9、深度卷积神经网络：Inception Network
38、课程：卷积神经网络.10、深度卷积神经网络：Residual Network
38、课程：卷积神经网络.11、深度卷积神经网络：DenseNet
: n8 S. g/ B7 m) g* w39、课程：卷积神经网络的应用.1、卷积神经网络应用概述
6 Y' w9 E3 R7 O1 [  M0 O0 j39、课程：卷积神经网络的应用.2、物体检测：RCNN和SPP-Net（一）
+ t* s4 W4 Z; I& u! j# g$ ?39、课程：卷积神经网络的应用.3、物体检测：RCNN和SPP-Net（二）
5 B5 a, x) u# y0 g1 @39、课程：卷积神经网络的应用.4、物体检测：Fast R-CNN
39、课程：卷积神经网络的应用.5、物体检测：YOLO和SSD
1 }# \6 u8 l2 ?: @5 H5 z. Y# J. T39、课程：卷积神经网络的应用.6、文档的归类
39、课程：卷积神经网络的应用.7、代码实战（一）
( K/ P8 s7 _& o5 W! [39、课程：卷积神经网络的应用.8、代码实战（二）
$ K# k9 C4 t2 }7 y) m6 T% k39、课程：卷积神经网络的应用.9、代码实战（三）
39、课程：卷积神经网络的应用.10、代码实战（四）
. O( N0 z. N9 d: R2 c39、课程：卷积神经网络的应用.11、代码实战（五）
3 @6 u( T  P4 z& }% q; y40、课程：深度学习框架剖析.1、深度学习系统的目标定位
40、课程：深度学习框架剖析.2、典型深度学习系统框架
40、课程：深度学习框架剖析.3、命令式编程与声明式编程等概念讲解
40、课程：深度学习框架剖析.4、图优化、执行引擎
5 Z# w% `  n! B2 C* C40、课程：深度学习框架剖析.5、编程接口、分布式并行计算
40、课程：深度学习框架剖析.6、TF多卡训练
6 T* V! k& V( R% }2 i$ r40、课程：深度学习框架剖析.7、TF多机训练
40、课程：深度学习框架剖析.8、主流开源深度学习平台简析
40、课程：深度学习框架剖析.9、答疑
40、课程：深度学习框架剖析.10、Tensorflow tutorial example（一）
0 l+ K6 a! h; A/ H9 e$ n40、课程：深度学习框架剖析.11、ensorflow tutorial example（二）
40、课程：深度学习框架剖析.12、模型训练Tricks分享
: ~* O2 {9 f% \6 K) x3 k' y40、课程：深度学习框架剖析.13、DL优化方法分析以及相关TF API说明
, M7 v  i  x: n3 F7 G40、课程：深度学习框架剖析.14、Tensorflow detection models
9 L) ~5 }: a6 i$ k9 X2 [40、课程：深度学习框架剖析.15、实际模型项目介绍（一）
; I: l, x1 V! Y! C& O+ S- ^) ?0 O* y40、课程：深度学习框架剖析.16、实际模型项目介绍（二）
41、课程：递归神经网络.1、递归神经网络—序列问题
41、课程：递归神经网络.2、为什么递归
0 B6 ?; e* i) u0 B2 G; q" q+ k41、课程：递归神经网络.3、递归神经网络（一）
* ~" t) A8 v  c7 c' [41、课程：递归神经网络.4、递归神经网络（二）
41、课程：递归神经网络.5、双向递归神经网络
41、课程：递归神经网络.6、沿时间反向传播
41、课程：递归神经网络.7、梯度消失
42、课程：长短记忆网络和递归神经网络代码操作.1、长短记忆网络（一）
0 R7 F( U3 F7 B7 S4 V* k42、课程：长短记忆网络和递归神经网络代码操作.2、长短记忆网络（二）
42、课程：长短记忆网络和递归神经网络代码操作.3、伪装曹雪芹（一）
42、课程：长短记忆网络和递归神经网络代码操作.4、伪装曹雪芹（二）
42、课程：长短记忆网络和递归神经网络代码操作.5、伪装曹雪芹（三）
! ]9 v; N" V3 M1 r* G- z! ^" {42、课程：长短记忆网络和递归神经网络代码操作.6、伪装曹雪芹（四）
7 X% v  F8 b0 M" v: h# [42、课程：长短记忆网络和递归神经网络代码操作.7、图像识别（一）
42、课程：长短记忆网络和递归神经网络代码操作.8、图像识别（二）
43、课程：线性代数与数值分析.1、线性代数与数值分析概述
43、课程：线性代数与数值分析.2、线性代数的基础定义
. ^$ a' Z8 x, M' [/ Z1 ~( r; g% Z43、课程：线性代数与数值分析.3、矩阵乘积和转置
43、课程：线性代数与数值分析.4、矩阵性质
43、课程：线性代数与数值分析.5、矩阵行列式
5 |5 j$ P( h/ R! I* `43、课程：线性代数与数值分析.6、矩阵的迹和秩
* T2 [1 |* g% L43、课程：线性代数与数值分析.7、范数
43、课程：线性代数与数值分析.8、矩阵的特征值和特征向量
: r9 m* w. A$ i+ |43、课程：线性代数与数值分析.9、特殊类型的矩阵和向量（一）
* [  s/ v* K- ^43、课程：线性代数与数值分析.10、特殊类型的矩阵和向量（二）
% j  @* [. H; i' I43、课程：线性代数与数值分析.11、矩阵分解
43、课程：线性代数与数值分析.12、矩阵微积分
43、课程：线性代数与数值分析.13、矩阵计算（一）
8 y' l* x3 y. D9 E, R- o43、课程：线性代数与数值分析.14、矩阵计算（二）
; b" U+ @1 m9 c: w# L6 F43、课程：线性代数与数值分析.15、范数、向量之间的夹角
/ S: \* V# j! w' ^43、课程：线性代数与数值分析.16、对角矩阵、单位矩阵、转置矩阵和reshape
43、课程：线性代数与数值分析.17、行列式、秩、迹以及SVD奇异值分解
$ {: F# ?$ C+ s: j1 @: c44、课程：词嵌入表示.1、N-元模型回顾
44、课程：词嵌入表示.2、神经语言模型
44、课程：词嵌入表示.3、递归神经网络语言模型
44、课程：词嵌入表示.4、词嵌入
, {1 X, z* g& ~44、课程：词嵌入表示.5、哈夫曼树
44、课程：词嵌入表示.6、连续词袋模型—分层Softmax
44、课程：词嵌入表示.7、Skip-gram：分层Softmax
44、课程：词嵌入表示.8、连续词袋模型：负采样
; A' R) e* E" N3 {0 `' G44、课程：词嵌入表示.9、词向量：可视化
9 d% [/ ^! j5 B" r+ ]8 Q; k- q45、课程：递归神经网络的应用.1、文本生成和情绪分析
45、课程：递归神经网络的应用.2、语音识别
  O4 J8 V- i4 r7 L2 N4 y( o" e45、课程：递归神经网络的应用.3、机器翻译（一）
45、课程：递归神经网络的应用.4、机器翻译（二）
45、课程：递归神经网络的应用.5、视觉注意力机制
45、课程：递归神经网络的应用.6、词嵌入表示—Word2Vec
( r8 J2 W. x8 h( R" [  k45、课程：递归神经网络的应用.7、词嵌入表示—RNN语言模型（一）
45、课程：递归神经网络的应用.8、词嵌入表示—RNN语言模型（二）
45、课程：递归神经网络的应用.9、词嵌入表示—RNN for POS tagging（一）
45、课程：递归神经网络的应用.10、词嵌入表示—RNN for POS tagging（二）
46、课程：强化学习系列课程基本概念与方法总览.1、复习监督学习
46、课程：强化学习系列课程基本概念与方法总览.2、强化学习基本概念（一）
7 D/ s0 W0 r. K4 ^2 k5 X7 R46、课程：强化学习系列课程基本概念与方法总览.3、强化学习基本概念（二）
0 @; H' S; z  ^/ L' o  C46、课程：强化学习系列课程基本概念与方法总览.4、策略与总价值（一）
/ Z* l: W/ x! g! c  e46、课程：强化学习系列课程基本概念与方法总览.5、策略与总价值（二）
46、课程：强化学习系列课程基本概念与方法总览.6、强化学习系列方法总览（一）
46、课程：强化学习系列课程基本概念与方法总览.7、强化学习系列方法总览（二）
46、课程：强化学习系列课程基本概念与方法总览.8、强化学习系列方法总览（三）
47、课程：马尔可夫决策过程.1、马尔可夫决策过程：Markov状态转移矩阵
47、课程：马尔可夫决策过程.2、Markov Rewards Process
47、课程：马尔可夫决策过程.3、状态价值state value
47、课程：马尔可夫决策过程.4、Bellman方程（一）
3 T- |( [' X* _( {6 k& h4 z47、课程：马尔可夫决策过程.5、Bellman方程（二）
47、课程：马尔可夫决策过程.6、Bellman方程（三）
6 ~  L( m8 N5 A$ W$ {47、课程：马尔可夫决策过程.7、Bellman方程（四）
/ {8 P6 i! |) E7 T) L1 ~0 \2 Q. J47、课程：马尔可夫决策过程.8、状态价值函数 v.s 动作价值函数（一）
47、课程：马尔可夫决策过程.9、状态价值函数 v.s 动作价值函数（二）
47、课程：马尔可夫决策过程.10、最优总价值与最优动作价值（一）
47、课程：马尔可夫决策过程.11、最优总价值与最优动作价值（二）
47、课程：马尔可夫决策过程.12、Flappy bird的简单解决方法（一）
47、课程：马尔可夫决策过程.13、Flappy bird的简单解决方法（二）
, {- D9 B# `( \8 Q8 w4 q% C48、课程：强化学习：迭代法.1、动态规划（一）
48、课程：强化学习：迭代法.2、动态规划（二）
7 `" m- h+ s# ]/ V48、课程：强化学习：迭代法.3、迭代法（一）
5 |3 @# }6 _" y48、课程：强化学习：迭代法.4、迭代法（二）
48、课程：强化学习：迭代法.5、复习+Jacob方法（一）
48、课程：强化学习：迭代法.6、复习+Jacob方法（二）
4 Q- P0 e2 B! w0 J: _48、课程：强化学习：迭代法.7、Gauss-Seidel迭代法
7 ?; e) m! n2 I- f! Q4 V7 g- o& n48、课程：强化学习：迭代法.8、迭代法求策略估值（一）
48、课程：强化学习：迭代法.9、迭代法求策略估值（二）
48、课程：强化学习：迭代法.10、迭代法求策略估值（三）
0 X! d& W; ]& z48、课程：强化学习：迭代法.11、迭代法更新最佳策略（一）
$ v5 I9 V! V1 s* S" m! k3 t- [) o48、课程：强化学习：迭代法.12、迭代法更新最佳策略（二）
48、课程：强化学习：迭代法.13、斐波拉契数列
48、课程：强化学习：迭代法.14、最长递增序列（一）
! T2 t" L( n/ M! T; t$ ?' X2 b48、课程：强化学习：迭代法.15、最长递增序列（二）
49、课程：简单的蒙特卡洛.1、蒙特卡洛模拟方法介绍
49、课程：简单的蒙特卡洛.2、训练flappy bird 模型（一）
49、课程：简单的蒙特卡洛.3、训练flappy bird 模型（二）
9 _) a/ ^3 [% H+ F$ X7 L7 k  a49、课程：简单的蒙特卡洛.4、训练flappy bird 模型（三）
6 D+ s, r& @! s4 p49、课程：简单的蒙特卡洛.5、整理碰壁函数与reward函数
4 `$ m$ p5 e0 y0 j& l' `+ l' D49、课程：简单的蒙特卡洛.6、离散化环境状态
49、课程：简单的蒙特卡洛.7、由状态环境选择飞行动作
) F. t) t" K, m) Q2 T9 w$ ]% r49、课程：简单的蒙特卡洛.8、处理碰壁函数与reward函数
49、课程：简单的蒙特卡洛.9、队列存飞行路径（一）
49、课程：简单的蒙特卡洛.10、队列存飞行路径（二）
49、课程：简单的蒙特卡洛.11、队列存飞行路径（三）
49、课程：简单的蒙特卡洛.12、队列存飞行路径（四）
49、课程：简单的蒙特卡洛.13、答疑
50、课程：云，计算，数据.1、云计算的定义
4 a& B9 o# ]! L50、课程：云，计算，数据.2、NIST、云计算市场的发展条件
: R# G2 m: ^0 ^) o- x* W- P50、课程：云，计算，数据.3、芯片设计的取舍、并行化
50、课程：云，计算，数据.4、WSC（新型数据中心）的形成、概念、优点
* D, F8 O. W* j50、课程：云，计算，数据.5、虚拟化（一）
50、课程：云，计算，数据.6、虚拟化（二）
6 M. C# M) [( [8 A. a50、课程：云，计算，数据.7、云计算的商业模式
$ X. j' l8 n$ P. _50、课程：云，计算，数据.8、层级分类
1 @( h9 j0 \: \7 R, e4 ~50、课程：云，计算，数据.9、阿里云介绍（一）
+ v% M* B) n, S" [50、课程：云，计算，数据.10、阿里云介绍（二）
* A# N# R3 y+ J; p5 G$ {6 t50、课程：云，计算，数据.11、实例创建（一）
% ]6 p6 x. @; M+ z) }50、课程：云，计算，数据.12、实例创建（二）
" g) `, J. A2 Z50、课程：云，计算，数据.13、实例创建（三）
. H/ x. X* L& t0 K; C50、课程：云，计算，数据.14、Logging模块的简单应用（一）
7 B, i5 v0 S. S9 g9 a50、课程：云，计算，数据.15、Logging模块的简单应用（二）
6 a7 j$ l6 t1 ?( J6 ]50、课程：云，计算，数据.16、Logging模块的简单应用（三）
51、课程：机器学习（上）.1、时间差分法公式
51、课程：机器学习（上）.2、蒙特卡洛法（一）
51、课程：机器学习（上）.3、蒙特卡洛法（二）
51、课程：机器学习（上）.4、TD（时间差分）的特点
51、课程：机器学习（上）.5、课间答疑
+ e& }" ~4 \; K& |/ S7 @& X51、课程：机器学习（上）.6、MC与TD对比
5 [7 V, h% G, U5 e1 q+ U; M0 W, b51、课程：机器学习（上）.7、无偏估计
- ~! v) d/ V+ M0 r# ^. z51、课程：机器学习（上）.8、收敛性质
7 b/ g2 D8 D! n3 t! }51、课程：机器学习（上）.9、MC与TD收敛差异
2 u& J+ o& a3 ~51、课程：机器学习（上）.10、Model-Free Control（一）
51、课程：机器学习（上）.11、Model-Free Control（二）
51、课程：机器学习（上）.12、Model-Free Control（三）
51、课程：机器学习（上）.13、Model-Free Control（四）
9 [/ z! ?% b9 [* {51、课程：机器学习（上）.14、Model-Free Control（五）
52、课程：机器学习（下）.1、函数的近似方法（一）
52、课程：机器学习（下）.2、函数的近似方法（二）
' }4 D' U) c; |7 ?3 w52、课程：机器学习（下）.3、函数的近似方法（三）
52、课程：机器学习（下）.4、DQN（一）
52、课程：机器学习（下）.5、DQN（二）
52、课程：机器学习（下）.6、Flappy bird（一）
52、课程：机器学习（下）.7、Flappy bird（二）
5 b6 Y( a; A3 }52、课程：机器学习（下）.8、Flappy bird（三）
# L! G' _; `1 ?/ K& _( ]2 Y/ K52、课程：机器学习（下）.9、Flappy bird（四）
, w- C8 U8 ~# V0 C" I52、课程：机器学习（下）.10、Flappy bird（五）
52、课程：机器学习（下）.11、Flappy bird（六）
52、课程：机器学习（下）.12、Flappy bird（七）
52、课程：机器学习（下）.13、Flappy bird（八）
) N+ L4 b( ?; u/ f9 ~53、课程：软件工程师、数据工程师和数据科学家职业介绍.1、自我介绍及课程介绍
' T$ t( q: a6 P6 o: h53、课程：软件工程师、数据工程师和数据科学家职业介绍.2、Career Path Insight
  A' J) C7 v+ E8 t' Z7 v. z53、课程：软件工程师、数据工程师和数据科学家职业介绍.3、软件工程师之基础课程
9 Z" w. d" L% ]53、课程：软件工程师、数据工程师和数据科学家职业介绍.4、软件工程师之面试准备与技巧
53、课程：软件工程师、数据工程师和数据科学家职业介绍.5、大数据之协同合作（一）
& K+ I8 l% L6 m1 P/ T53、课程：软件工程师、数据工程师和数据科学家职业介绍.6、大数据之协同合作（二）
) }% W1 B; \0 g53、课程：软件工程师、数据工程师和数据科学家职业介绍.7、数据工程师和数据科学家
53、课程：软件工程师、数据工程师和数据科学家职业介绍.8、答疑（一）
7 v( u/ k- a8 L! ]53、课程：软件工程师、数据工程师和数据科学家职业介绍.9、答疑（二）
54、课程：金融科技—数据科学在金融业的应用和前景.1、金融行业不同岗位对人才的需求
54、课程：金融科技—数据科学在金融业的应用和前景.2、金融科技用到的数据科学
6 [9 b/ ]: z, n54、课程：金融科技—数据科学在金融业的应用和前景.3、职位和机会
$ k; z) E( {1 n* `- h& }54、课程：金融科技—数据科学在金融业的应用和前景.4、数字化财富管理行业
4 u+ G  P  `( _7 L; G2 M% a54、课程：金融科技—数据科学在金融业的应用和前景.5、智能投顾创业公司的数据分析
54、课程：金融科技—数据科学在金融业的应用和前景.6、答疑（一）
54、课程：金融科技—数据科学在金融业的应用和前景.7、答疑（二）
! v0 o# E, }/ B( M, [9 U55、课程：深度学习经典网络分析基础.1、课程安排
55、课程：深度学习经典网络分析基础.2、深度学习的两大基本问题
55、课程：深度学习经典网络分析基础.3、反向传播算法简介
55、课程：深度学习经典网络分析基础.4、深度学习网络模型回顾
: r* q# v  h0 s- t) I55、课程：深度学习经典网络分析基础.5、CNN架构发展简要流程
55、课程：深度学习经典网络分析基础.6、LeNet
55、课程：深度学习经典网络分析基础.7、答疑—人脸识别
55、课程：深度学习经典网络分析基础.8、答疑—通用检测
55、课程：深度学习经典网络分析基础.9、答疑—语音识别
6 k* a. ]$ o3 e0 t- C55、课程：深度学习经典网络分析基础.10、AlexNet
2 M$ R( S! e% p6 E/ P' v- z55、课程：深度学习经典网络分析基础.11、VGG
55、课程：深度学习经典网络分析基础.12、GoogleNet（一）
% ]- @0 i- i2 H  }0 O55、课程：深度学习经典网络分析基础.13、GoogleNet（二）
* N9 I3 K  I9 E) D# d55、课程：深度学习经典网络分析基础.14、ResNet
7 a3 V5 u  l) d. ~) Z9 n7 g' R55、课程：深度学习经典网络分析基础.15、经典网络简单比较、网络设计考虑
55、课程：深度学习经典网络分析基础.16、答疑（一）
55、课程：深度学习经典网络分析基础.17、答疑（二）

续杯啤酒

ddddddddddddddddddd