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：
. V# \+ }" m* V/ Z( l1、课程：熟悉Jupyter notebook.1、创建新的Python环境
- K- q, C2 U( R9 O$ S1、课程：熟悉Jupyter notebook.2、Python环境与版本（一）
. w# u( H& U3 d3 y5 i& P1、课程：熟悉Jupyter notebook.3、Python环境与版本（二）
& `$ d# G+ h4 O) ?0 m# e0 l3 e1、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）
1、课程：熟悉Jupyter notebook.6、Python环境与版本（五）
# F, `$ x" L8 s1、课程：熟悉Jupyter notebook.7、Python环境与版本（六）
1 r8 f8 d! Y# b7 P8 ?! o1、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）
3 |6 r, }" \1 c# l1、课程：熟悉Jupyter notebook.10、安装决策树可视化工具Graphviz（二）
1、课程：熟悉Jupyter notebook.11、几个重要的工具包介绍（一）
7 @1 p; j: X' I6 U' X1、课程：熟悉Jupyter notebook.12、几个重要的工具包介绍（二）
1、课程：熟悉Jupyter notebook.13、安装TensorFlow与Keras（一）
* F5 G* W7 t) {. J! F% Q1、课程：熟悉Jupyter notebook.14、安装TensorFlow与Keras（二）
: S" H& C0 U: C! N4 t/ H1、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）
1、课程：熟悉Jupyter notebook.17、Markdown的基本技巧（二）
2、课程：文献与代码管理工具及统计基础.1、学习方法总结
6 B2 [. q( I+ ~, i2 T5 L9 J0 K2、课程：文献与代码管理工具及统计基础.2、Mendeley介绍及安装（一）
2、课程：文献与代码管理工具及统计基础.3、Mendeley介绍及安装（二）
2、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）
5 \8 R2 D; Q- h- O; t$ g$ 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）
5 g5 l0 |4 v  M# n: p; d' G2、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 u6 j$ l) w; P: q/ E3 I( F2、课程：文献与代码管理工具及统计基础.8、答疑（一）
2、课程：文献与代码管理工具及统计基础.9、答疑（二）
2、课程：文献与代码管理工具及统计基础.10、答疑（三）
2、课程：文献与代码管理工具及统计基础.11、统计基础概述
3、课程：Python基本数据类型.1、课程概述
4 U& b1 {. K9 S3、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
3、课程：Python基本数据类型.6、课间答疑
* W  a/ U9 L+ O3、课程：Python基本数据类型.7、Python2和Python3的区别
8 D8 x- s% C0 F2 j3、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
4 j$ c6 Z2 d) T. v. S3 W3、课程：Python基本数据类型.10、Python基本数据类型（一）
4 v8 T9 m( m& N. k# Z- K3、课程：Python基本数据类型.11、Python基本数据类型（二）
- {! u) w: J) [. H3、课程：Python基本数据类型.12、Python基本数据类型（三）
3、课程：Python基本数据类型.13、Python基本数据类型（四）
8 d  i  ]+ e/ p6 N1 m( z3 V& m3、课程：Python基本数据类型.14、Python基本数据类型（五）
3 [4 ~  g; E! \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）
5 u5 s5 V( i. V7 Y' c; S3、课程：Python基本数据类型.17、Python基本数据类型（八）
4、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）
& `' B# m- p: F- [4、课程：函数与Python基本数据结构.3、函数（三）
& Z! _. \2 W4 ~% X( I6 ?# h1 T4、课程：函数与Python基本数据结构.4、函数（四）
6 C# @! X; Q4 O* n! F5 M* ~4、课程：函数与Python基本数据结构.5、函数（五）
4、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）
; D* O. u# {- o9 T2 g8 {4 u1 `5 j) L( k8 d4、课程：函数与Python基本数据结构.8、Python编码结构（三）
9 e: a8 [: r: V6 i, U4、课程：函数与Python基本数据结构.9、Python模块和程序包
+ z3 a* {9 `- o- T; t4、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）
$ L- O+ g: R6 {- ~3 b( r4、课程：函数与Python基本数据结构.12、Python基本数据结构（三）
6 ]+ N" M4 }2 _" m/ S3 @5、课程：Numpy的基本操作.1、Introduction to Numpy
/ }, T- `7 ^4 W  g+ e5、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
% M2 O) I; k5 ]( I" r( V& e5、课程：Numpy的基本操作.4、lndexing ，Slicing and Iterating（一）
* [" J5 E& ?1 n5、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）
8 u6 a$ T. F1 e' g5、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）
; ^8 n  G% r) L5 w5、课程：Numpy的基本操作.9、Array processing（一）
- I& q7 i2 m' ^  w4 x" N5、课程：Numpy的基本操作.10、Array processing（二）
! S* F: k2 ]5 p+ B4 c7 c* D; v  C5、课程：Numpy的基本操作.11、Save and Load Array
0 [  D9 d( M' T! y( r6、课程：Pandas的基本操作.1、Series
6、课程：Pandas的基本操作.2、DataFrame+Titanic Example（一）
6 i3 J6 N+ l8 {+ }( s6、课程：Pandas的基本操作.3、DataFrame+Titanic Example（二）
  w& ^8 H1 _4 F# l5 Q/ P5 s6、课程：Pandas的基本操作.4、DataFrame+Titanic Example（三）
6、课程：Pandas的基本操作.5、DataFrame+Titanic Example（四）
# i& Q) D/ N; o% X3 ]9 b& A# T6、课程：Pandas的基本操作.6、Index Objects
6、课程：Pandas的基本操作.7、Reindex
6、课程：Pandas的基本操作.8、Drop Data
6、课程：Pandas的基本操作.9、Slice Data（一）
6、课程：Pandas的基本操作.10、Slice Data（二）
- F+ Q+ a* K7 f4 h# R6 @; c! O6、课程：Pandas的基本操作.11、Data Alignment
+ o4 C1 p0 B4 O- I2 ?( l3 h6、课程：Pandas的基本操作.12、Rank and Sort
0 b( h3 w+ s) h6 P. F0 p0 b7、课程：Matplotlib的基本操作.1、Matplotlib（一）
0 I# v8 f5 T0 O6 t7、课程：Matplotlib的基本操作.2、Matplotlib（二）
7、课程：Matplotlib的基本操作.3、Matplotlib（三）
* V  I9 A2 W0 B7、课程：Matplotlib的基本操作.4、Matplotlib（四）
4 U' _( S& t3 p9 @1 {' T, H7、课程：Matplotlib的基本操作.5、Matplotlib（五）
% J1 X. Y+ F- W- g6 v- f2 ?7、课程：Matplotlib的基本操作.6、Aggregation（一）
! s2 d; E- N  A! u# i$ I7 ?7、课程：Matplotlib的基本操作.7、Aggregation（二）
3 B% m: W) Q  X/ A$ U( N+ `7、课程：Matplotlib的基本操作.8、Aggregation（三）
$ ~/ q& f8 n$ m5 {8、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？
8、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）
4 b3 H' \; V8 O* B# E8、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）
, U( O! q7 ^3 P6 b- ~/ J; x8、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）
8、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）
8、课程：什么是好的模型结果-cost function.8、什么是好的分类（一）
/ \3 E8 [+ [5 d: X2 J/ z8、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
8、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？
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）
9、课程：线性回归.1、知识回顾
9、课程：线性回归.2、为什么要使用线性回归？
2 g& s* C$ r) Q9、课程：线性回归.3、如何计算线性回归？（一）
; V! Q' C3 V, a9、课程：线性回归.4、如何计算线性回归？（二）
+ J$ E( }% I, E' w$ |9、课程：线性回归.5、问题解答
9、课程：线性回归.6、由最小二乘法选出的直线有没有用？（一）
9、课程：线性回归.7、由最小二乘法选出的直线有没有用？（二）
! [' R: p& ^" W& N8 R9、课程：线性回归.8、线性回归参数估计的含义
8 g4 \& n  G; |, T6 S9、课程：线性回归.9、线性回归对数据的解释
* e% M3 q" M/ \. i/ j3 m, m# `0 T9、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）
# b' Q1 T' h$ E! B9 V1 T9、课程：线性回归.12、预测的confidence interval 和 prediction interval（一）
# m, a. v; Q, |$ M9、课程：线性回归.13、预测的confidence interval 和 prediction interval（二）
9、课程：线性回归.14、预测的confidence interval 和 prediction interval（三）
9、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
' {7 a. k- e8 Y10、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？
9 j- \# c! T0 U+ Q+ D10、课程：逻辑回归及应用.4、寻找最合理的参数-1设计Cost Function
10、课程：逻辑回归及应用.5、疑题解答
" b8 s4 V6 w1 X& s  `10、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）
! D: R$ a2 C9 p: [- x# g10、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)
6 R" [! y1 C; J$ w7 V7 e. l; k10、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)
) B! e; S  q; |" G10、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)
10、课程：逻辑回归及应用.12、更进一步：从逻辑回归到SoftMax（一）
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）
- E& m; M$ u( o/ j1 G& s4 [5 |11、课程：拟合与过拟合的定义.3、对抗过拟合（二）
11、课程：拟合与过拟合的定义.4、对抗过拟合（三）
11、课程：拟合与过拟合的定义.5、Python实现（一）
  n. ?5 e" V1 U8 |11、课程：拟合与过拟合的定义.6、Python实现（二）
4 ~. E* a' f" W7 s* h9 \* p. A11、课程：拟合与过拟合的定义.7、正则化Regularization
11、课程：拟合与过拟合的定义.8、Ridge（一）
! y4 {* ^* H. M( l! B11、课程：拟合与过拟合的定义.9、Ridge（二）
: H  a' @: `: q; A) n- B  G11、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
5 e% k* r: X" q- r3 Y+ Z4 W( M12、课程：决策树模型.1、什么是决策树？
12、课程：决策树模型.2、游戏中的决策树分析（一）
12、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）
12、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）
12、课程：决策树模型.8、Decision Tree_example1（四）
' Z) v3 u( V0 n2 S3 `9 v2 S0 @12、课程：决策树模型.9、Decision Tree_example1（五）
" H2 w1 h  C+ g8 j12、课程：决策树模型.10、Decision Tree_example1（六）
2 T  D6 J! Z* x5 u5 n7 t1 ?: V, ~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
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
; W' m( B; X/ z+ A6 J3 F13、课程：Pandas 数据操作与Ensemble Method 集成算法.4、GroupBy On Dict and Series（一）
, a8 \3 Z/ ^# D+ |% W9 t8 q13、课程：Pandas 数据操作与Ensemble Method 集成算法.5、GroupBy On Dict and Series（二）
+ V/ Q, j2 {$ M6 {8 _1 Q- z13、课程：Pandas 数据操作与Ensemble Method 集成算法.6、Merge（一）
( t/ O: [: M$ I13、课程：Pandas 数据操作与Ensemble Method 集成算法.7、Merge（二）
3 Q& f* }" F! c* r! c8 k1 Y13、课程：Pandas 数据操作与Ensemble Method 集成算法.8、Outliers
13、课程：Pandas 数据操作与Ensemble Method 集成算法.9、Pivoting
2 c. d3 C( b' M# U, y13、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)
- j$ N6 M. Q5 R- A- ?13、课程：Pandas 数据操作与Ensemble Method 集成算法.12、Boosting and Ada boosting（一）
( N# k8 t+ H2 u13、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
  Z9 K$ G' u. W% I% [/ {14、课程：Airbnb 数据分析.1、Airbnb介绍
0 V. g% n! V( a6 N) {. n14、课程：Airbnb 数据分析.2、Train and Test 用户本身数据和营销渠道数据
14、课程：Airbnb 数据分析.3、Airbnb_DataExploration（一）
14、课程：Airbnb 数据分析.4、Airbnb_DataExploration（二）
# o- o+ G; i9 t6 X' Q; @3 }# s14、课程：Airbnb 数据分析.5、Airbnb_DataExploration（三）
& a5 t: j. c5 n) |2 s14、课程：Airbnb 数据分析.6、Airbnb_FeatureEngineering（一）
14、课程：Airbnb 数据分析.7、Airbnb_FeatureEngineering（二）
6 M; [" |# E1 d2 t" T! u) ?" t14、课程：Airbnb 数据分析.8、Airbnb_FeatureEngineering（三）
6 ^6 F* }, h3 y) s! u7 V+ ~% m3 t' [$ C14、课程：Airbnb 数据分析.9、Airbnb_FeatureEngineering（四）
14、课程：Airbnb 数据分析.10、Modeling（一）
14、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）
$ v& ~" L& k7 d. X" K$ r) p) T8 z15、课程：支持向量机（SVM）.3、支持向量机分类与回归（一）
6 c  J$ z1 x# _8 O$ E7 ?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
4 S/ }' v2 y& G- |" d" O3 m15、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
+ X7 m4 s7 `' i: ]. D& ^15、课程：支持向量机（SVM）.9、正则化与软间隔
15、课程：支持向量机（SVM）.10、支持向量机算法总结
: h" G# j4 P% o! \7 C4 q$ @2 ~15、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）
15、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
, v- g) E! M+ S4 m) Z: e& P16、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）
16、课程：自然语言处理与NLP-代码实战.4、语言模型（三）
$ e6 _# ^/ A. w$ S+ k16、课程：自然语言处理与NLP-代码实战.5、语言模型（四）
16、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
1 @7 u+ I0 V' o5 Y1 O  D16、课程：自然语言处理与NLP-代码实战.8、隐马尔可夫模型
. [, ]; g4 \) r16、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）
16、课程：自然语言处理与NLP-代码实战.11、语言模型实战（一）
" r3 R$ I4 I/ X2 g* J) F$ d* `16、课程：自然语言处理与NLP-代码实战.12、语言模型实战（二）
& z& Y* Z* `1 s# m( M7 x16、课程：自然语言处理与NLP-代码实战.13、语言模型实战（三）
" N7 G5 q. L* _/ O$ i; v16、课程：自然语言处理与NLP-代码实战.14、语言模型实战（四）
/ p; i! `5 ^) c17、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
1 p3 C% Q: y2 w2 ^+ U) {! W% J+ m17、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）
' [- Y7 `+ k5 K2 U0 }17、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）
17、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
17、课程：文字处理与Amazon评论NLP分析案例.5、计算词频
0 K; w9 l, h6 V8 Z17、课程：文字处理与Amazon评论NLP分析案例.6、读取文字
17、课程：文字处理与Amazon评论NLP分析案例.7、整理标签（一）
& V3 \/ l9 ^* \) t17、课程：文字处理与Amazon评论NLP分析案例.8、整理标签（二）
( R/ O: o* f, H17、课程：文字处理与Amazon评论NLP分析案例.9、整理标签（三）
17、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）
+ |; X9 U  K5 P17、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）
( ]% K% v2 y/ q! q2 _  J+ I& N17、课程：文字处理与Amazon评论NLP分析案例.12、建模
& Y( \: [. P1 ~: \- c17、课程：文字处理与Amazon评论NLP分析案例.13、调用具体模型
0 W3 V2 _. _& x2 b% m18、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）
$ ^. |/ s4 @( B9 U18、课程：网络基础概述.3、数据和数据库（二）
18、课程：网络基础概述.4、计算机网络知识普及（一）
18、课程：网络基础概述.5、计算机网络知识普及（二）
18、课程：网络基础概述.6、什么是网站
18、课程：网络基础概述.7、静态网站和动态网站
+ }3 r, ^# N6 \# j# l18、课程：网络基础概述.8、简单的网站服务程序（一）
18、课程：网络基础概述.9、简单的网站服务程序（二）
18、课程：网络基础概述.10、什么是API（一）
6 B0 t0 T. f9 H1 ?3 E  Q8 B" b5 v18、课程：网络基础概述.11、什么是API（二）
( y2 ?, f6 o" T1 y4 j' s18、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
18、课程：网络基础概述.14、答疑
; ^& M: i: c3 i, Z1 v19、课程：网络爬虫入门.1、网络爬虫概述
19、课程：网络爬虫入门.2、复习HTML
4 D4 H0 s  n8 }4 f  h. w19、课程：网络爬虫入门.3、强大的工具—Requests
19、课程：网络爬虫入门.4、强大的工具—Beautifulsoup（一）
: F$ @$ D1 z0 h& D* O4 L: c19、课程：网络爬虫入门.5、强大的工具—Beautifulsoup（二）
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）
# ^+ S( I! {; i1 x4 a$ h! b19、课程：网络爬虫入门.8、Charity Watch（三）
9 @0 C/ }$ I: t0 [# b2 X19、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）
) m$ _) D* d0 d" S19、课程：网络爬虫入门.13、弹幕爬虫（五）
* q0 s$ D( @) `6 m19、课程：网络爬虫入门.14、弹幕爬虫（六）
& [) n) r6 @9 {# C, r- A20、课程：爬虫进阶.1、Write Binary File
  C' K. ^6 I  j7 }  S9 H20、课程：爬虫进阶.2、Read Binary File
, M0 J  n9 }! E# ]4 \! m20、课程：爬虫进阶.3、静态文件获取（一）
) x* c# L$ C! u$ E' f) Z$ J( j20、课程：爬虫进阶.4、静态文件获取（二）
20、课程：爬虫进阶.5、认证授权（一）
20、课程：爬虫进阶.6、认证授权（二）
20、课程：爬虫进阶.7、认证授权（三）
9 Q2 _$ B( f7 ?( |5 \! d* O/ E20、课程：爬虫进阶.8、爬虫进阶扩展（一）
1 y' x% Z8 e/ B* ^8 f20、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
; Y0 V7 X5 b, M; f21、课程： 正则表达式.2、基本语句（一）
21、课程： 正则表达式.3、基本语句（二）
21、课程： 正则表达式.4、字符匹配和分枝条件
7 @0 }/ Z! r% P, i- ^3 ]% `# i21、课程： 正则表达式.5、分组
. I6 r  f% L* q, R3 @21、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）
6 q+ J  n  P- h+ z21、课程： 正则表达式.8、案例分析（二）
22、课程：贝叶斯统计.1、联合概率
* y: e) Y3 K$ o2 X& f22、课程：贝叶斯统计.2、边缘概率
5 U$ |6 {9 R; b22、课程：贝叶斯统计.3、条件概率
$ W" \* {: J, R- z3 N22、课程：贝叶斯统计.4、联合概率、边缘概率和条件概率
22、课程：贝叶斯统计.5、贝叶斯公式（一）
& |* M- Z4 j2 k/ O% C5 i0 [22、课程：贝叶斯统计.6、贝叶斯公式（二）
3 a3 F/ [, K' L+ G, ^22、课程：贝叶斯统计.7、流感案例
: S% j) _9 U4 q7 V- O22、课程：贝叶斯统计.8、图形化理解
22、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）
22、课程：贝叶斯统计.11、贝叶斯公式垃圾短信识别程序（二）
22、课程：贝叶斯统计.12、贝叶斯公式垃圾短信识别程序（三）
22、课程：贝叶斯统计.13、脑筋急转弯：三门问题（一）
' u! @1 h. u! |; H! b22、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）
0 Z5 f5 |" R" O1 v& P& d# B% Q23、课程：搜集用户信息与数据整合.2、搜集用户发帖Comment Id（二）
: `8 `+ ^4 K1 n2 r9 ~23、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）
% Y; g1 s) k* ?4 t23、课程：搜集用户信息与数据整合.7、如何逆向解码（四）
23、课程：搜集用户信息与数据整合.8、整理用户mid ID
% t  w! |% |* b( P3 Z' `23、课程：搜集用户信息与数据整合.9、爬取用户信息（一）
23、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）
/ x% B; l$ t( V$ w23、课程：搜集用户信息与数据整合.13、RandomForest 重新采样（一）
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）
) P, s% @8 O& L2 H9 z8 p6 C24、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）
24、课程：贝叶斯思维.4、贝叶斯统计（四）
* B0 b- N- G( [24、课程：贝叶斯思维.5、贝叶斯公式（一）
8 M0 p- \! m4 n7 n6 m1 U; x24、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）
( U- h1 R. c. l2 T8 _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）
8 x" P& `$ t9 x24、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）
8 D; z0 H. ?) l8 W: e" }24、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）
" H9 P! I& n( w  D4 a$ U$ [24、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）
# l8 T6 n1 S+ d24、课程：贝叶斯思维.13、美国海岸救援案例
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
25、课程：BiliBili火爆剧集与观众分析.6、生成词云
6 F- L5 ]+ A  \4 H# p25、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）
! ^2 L/ X+ R, s: i. I' w2 W25、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）
. d. z4 _5 M; ^# H  D# K7 {8 H25、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）
9 t; |3 F" ^) g( [4 T25、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
* V- m1 _* t# F* e9 Q9 m9 M) v; A) m! t2 e9 F25、课程：BiliBili火爆剧集与观众分析.11、年内的弹幕频率分布
25、课程：BiliBili火爆剧集与观众分析.12、观众信息
0 D1 T8 M8 l4 w2 y' I1 r25、课程：BiliBili火爆剧集与观众分析.13、脑筋急转弯（一）
25、课程：BiliBili火爆剧集与观众分析.14、脑筋急转弯（二）
. m" U( o% D2 n: U: Y- z26、课程：聚类与代码实战.1、课程概要
/ c& [1 }; l! L2 T2 n3 L! O7 P2 z26、课程：聚类与代码实战.2、机器学习与聚类简介
26、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
26、课程：聚类与代码实战.6、划分聚类—K均值算法（一）
% u% `. a9 K' h# x# m3 \* q3 O: n* f. I26、课程：聚类与代码实战.7、划分聚类—K均值算法（二）
0 @1 \- w$ O9 J: K) i" ~7 u, x7 k26、课程：聚类与代码实战.8、层次聚类
26、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
6 Y' z/ \1 |( s26、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
/ X8 a, Y/ f: v, W26、课程：聚类与代码实战.13、代码实战（一）
: l% ]1 v, p, k$ B6 T26、课程：聚类与代码实战.14、代码实战（二）
5 P1 u( C) k% D; O- S+ U26、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）
27、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）
27、课程：商业社交媒体舆情分析.4、社媒舆情分析的目的
27、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）
/ g2 {" c7 w2 ]" t7 D27、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）
4 e7 X+ C1 g) H" \) c2 R1 a5 K8 W27、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
% I7 c6 ]6 V" J$ b9 q/ ^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
, g$ h: y6 i1 T1 |, @& n- Z27、课程：商业社交媒体舆情分析.9、有趣的营销发现
27、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
- j; }0 B* q' o# \2 m* _+ y27、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）
, w# J: _2 ~) d2 X28、课程：近期推荐系统概述.2、推荐系统应用场景（二）
9 c% m' f7 n8 N  k28、课程：近期推荐系统概述.3、推荐系统算法概述（一）
4 y, b, X0 f" Z% M1 D7 u4 E2 Q28、课程：近期推荐系统概述.4、推荐系统算法概述（二）
) Q" R# E% {, Z. K28、课程：近期推荐系统概述.5、推荐系统算法概述（三）
28、课程：近期推荐系统概述.6、推荐系统算法概述（四）
28、课程：近期推荐系统概述.7、CF+矩阵分解（一）
28、课程：近期推荐系统概述.8、CF+矩阵分解（二）
28、课程：近期推荐系统概述.9、基于图像的推荐
* x9 l# ]5 i* H6 U28、课程：近期推荐系统概述.10、评估推荐系统结果
29、课程：人工智能的江湖.1、达特茅斯会议与第一次AI大发展
9 u  j; N* V/ V: a4 U! x7 C" r29、课程：人工智能的江湖.2、第一次AI寒冬（一）
5 k' g; d* v( L$ r& h, v29、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
' C  u3 c  K5 [: p29、课程：人工智能的江湖.6、瞻仰大神（一）
! o/ n# }5 `* C$ s( Q2 a' B29、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）
8 G* }# H$ V) U! `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）
# m9 J# M% ~- |29、课程：人工智能的江湖.11、今天的应用与影响（三）
" g" r8 d$ f8 X  J* [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
, s' r% P6 T* _- [5 I/ x% e# w30、课程：机器学习在图像识别中的应用.2、什么是机器学习
, q; B+ W4 d2 Z/ ?( d4 `" X' d30、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
( s2 m& e' ^, |0 n; Y! K6 \30、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
30、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
; k! x3 J% i; W6 m0 r0 F) M30、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
0 l* {( [8 q; [8 P30、课程：机器学习在图像识别中的应用.8、机器学习的算法（一）
: m8 T/ L1 m$ M8 l, k" v30、课程：机器学习在图像识别中的应用.9、机器学习的算法（二）
0 t& G; L( t  e, E4 q30、课程：机器学习在图像识别中的应用.10、机器学习总结
31、课程：Pygame.1、学习框架梳理
31、课程：Pygame.2、剩余课程安排
8 {9 i1 U# b9 B* v, b& t# E$ K31、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）
31、课程：Pygame.7、扑腾扑腾翅膀（二）
31、课程：Pygame.8、柱子的移动
, ~1 `8 Z: L, x. I3 V1 r( s- ?* h31、课程：Pygame.9、生成一系列的柱子，并且移动
31、课程：Pygame.10、让小鸟飞起来
31、课程：Pygame.11、假如小鸟很聪明
31、课程：Pygame.12、给小鸟计分
32、课程：Python控制系统.1、The basic self-driving loop
( p  [( u' Q2 C% i& c32、课程：Python控制系统.2、不同的数据存储和类型
: S5 X/ v% t/ u9 G6 _7 t32、课程：Python控制系统.3、安装OpenCV
1 U1 w' N$ D% j9 d32、课程：Python控制系统.4、OpenCV练习
7 U% R$ v3 h8 n$ q# E( _$ p  ?32、课程：Python控制系统.5、数据库基础review（一）
# V  x* e2 g6 y- r32、课程：Python控制系统.6、数据库基础review（二）
32、课程：Python控制系统.7、MYSQL的简单介绍(一)
32、课程：Python控制系统.8、MYSQL的简单介绍(二)
32、课程：Python控制系统.9、激光雷达
32、课程：Python控制系统.10、Ctypes basic（一）
1 Z5 U' S! \; G32、课程：Python控制系统.11、Ctypes basic（二）
1 }1 V" Z8 {0 r0 ?! b$ c) ]32、课程：Python控制系统.12、Ctypes basic（三）
7 X8 b3 \* U: u/ x  S33、课程：图像识别处理基础—OpenCV.1、读取图片（一）
9 c4 U  `& |7 e4 K/ _9 M; N33、课程：图像识别处理基础—OpenCV.2、读取图片（二）
6 e6 h8 A/ S: y& {' k; J33、课程：图像识别处理基础—OpenCV.3、读取图片（三）
33、课程：图像识别处理基础—OpenCV.4、读取视频
  R) [, Q6 J: Z- [; }+ R33、课程：图像识别处理基础—OpenCV.5、绘图函数
! V+ \1 C: f$ D4 N3 z5 e- O33、课程：图像识别处理基础—OpenCV.6、OpenCV图像的基本操作（一）
" M  k" Q3 D2 N4 r) i, r) Y- Z- R33、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 \) c; S& a& @3 F* C/ J& i8 [33、课程：图像识别处理基础—OpenCV.9、图像处理：颜色空间转换（二）
$ K  O: w8 n, B3 D33、课程：图像识别处理基础—OpenCV.10、几何变换
33、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
) A. z' Q0 h6 L) {. A6 _; F  m34、课程：从游戏数据中提取feature.1、收集GTA5游戏数据（一）
* d' K* L8 i  M4 u: j  d8 x34、课程：从游戏数据中提取feature.2、收集GTA5游戏数据（二）
& P& `6 ?7 P% A$ X( p; j' v2 b34、课程：从游戏数据中提取feature.3、收集GTA5游戏数据（三）
34、课程：从游戏数据中提取feature.4、Check Data和OpenCV（一）
34、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
7 j9 o! B: E- P  ]34、课程：从游戏数据中提取feature.7、C++ review（一）
; [$ K) x1 H; p$ W34、课程：从游戏数据中提取feature.8、C++ review（二）
/ n' J6 Y1 E8 K0 g34、课程：从游戏数据中提取feature.9、模型案例分析+OpenCV process（一）
34、课程：从游戏数据中提取feature.10、模型案例分析+OpenCV process（二）
- e( O. m  e, k34、课程：从游戏数据中提取feature.11、模型案例分析+OpenCV process（三）
34、课程：从游戏数据中提取feature.12、模型案例分析+OpenCV process（四）
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
2 `9 a! S0 I4 q5 R! z, r35、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）
35、课程：GTA5自动驾驶项目.6、GTA5自动驾驶分解问题（五）
( @+ \  ^% G1 r7 M. B" W35、课程：GTA5自动驾驶项目.7、GTA游戏AI识别车道分割线（一）
" [4 ~, u3 G% j) ]0 O35、课程：GTA5自动驾驶项目.8、GTA游戏AI识别车道分割线（二）
35、课程：GTA5自动驾驶项目.9、GTA游戏AI识别车道分割线（三）
35、课程：GTA5自动驾驶项目.10、GTA游戏AI识别车道分割线（四）
; p$ b8 R; I8 f35、课程：GTA5自动驾驶项目.11、GTA游戏AI识别车道分割线（五）
+ Y, u" ]1 N: t; q( C9 B6 ~; _8 A4 o35、课程：GTA5自动驾驶项目.12、GTA游戏AI识别车道分割线（六）
) w1 @  z+ _2 M* C1 L) J' W& w& R  K35、课程：GTA5自动驾驶项目.13、GTA游戏AI识别车道分割线（七）
36、课程：TensorFlow的基本操作.1、TensorFlow的基本概念
, R9 b: F) A0 S- X9 a1 R36、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）
1 J: ~; P8 B0 z( ?9 {6 u36、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
1 d5 S% q1 x9 {' X4 a  R3 M: ]36、课程：TensorFlow的基本操作.8、Tensor Sequences
2 P9 }; |7 s% y' N36、课程：TensorFlow的基本操作.9、Graph
36、课程：TensorFlow的基本操作.10、Session和Constant
) R: Y+ S; g; v& t36、课程：TensorFlow的基本操作.11、Variables和Placeholders
36、课程：TensorFlow的基本操作.12、Example（一）
. t+ \. k' [9 h% @: s# w. a5 v36、课程：TensorFlow的基本操作.13、Example（二）
& p" {4 i$ N6 I) E36、课程：TensorFlow的基本操作.14、Example（三）
! g- b+ r; E2 N36、课程：TensorFlow的基本操作.15、Example（四）
37、课程：神经网络.1、神经网络
37、课程：神经网络.2、深度神经网络
37、课程：神经网络.3、反向传播算法
0 D0 y% n, G# [( _6 J' I37、课程：神经网络.4、激活函数
! M/ u7 m8 y# I: _0 J37、课程：神经网络.5、优化算法（一）
37、课程：神经网络.6、优化算法（二）
37、课程：神经网络.7、正规化
5 g. l) ]& W  ]' a. o0 S0 U; ]37、课程：神经网络.8、神经网络代码实战（一）
37、课程：神经网络.9、神经网络代码实战（二）
8 }' ~6 ~/ {3 d7 q, l% x37、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）
: @- O& Z) ]3 e. I& E5 N38、课程：卷积神经网络.2、卷积和卷积核（二）
38、课程：卷积神经网络.3、卷积和卷积核（三）
4 _* p/ X$ [  a# R8 A* k8 P38、课程：卷积神经网络.4、填充和池化
38、课程：卷积神经网络.5、深度卷积神经网络：LeNet-5
3 a+ Y* E3 Q: L38、课程：卷积神经网络.6、深度卷积神经网络：AlexNet
4 R& V7 m" y0 Z& c7 b2 Q38、课程：卷积神经网络.7、深度卷积神经网络：ZF-net
* b' r6 l) O+ q8 `7 f( l) p38、课程：卷积神经网络.8、深度卷积神经网络：VGG-16
38、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
+ \( Q  u2 S& y' J9 Z7 j  C38、课程：卷积神经网络.11、深度卷积神经网络：DenseNet
39、课程：卷积神经网络的应用.1、卷积神经网络应用概述
; K7 o% @" b& x* _" T9 E9 ]39、课程：卷积神经网络的应用.2、物体检测：RCNN和SPP-Net（一）
/ L$ z& P  D* p, K' V, N3 V0 N39、课程：卷积神经网络的应用.3、物体检测：RCNN和SPP-Net（二）
39、课程：卷积神经网络的应用.4、物体检测：Fast R-CNN
: w* O7 j, t4 {1 N! h+ S+ y5 p39、课程：卷积神经网络的应用.5、物体检测：YOLO和SSD
39、课程：卷积神经网络的应用.6、文档的归类
6 w. H& r" H' r$ ]/ y39、课程：卷积神经网络的应用.7、代码实战（一）
5 T/ e1 N  e. {2 K) l39、课程：卷积神经网络的应用.8、代码实战（二）
39、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）
! o5 u9 ]. N5 Q" j4 u6 G8 h4 V  E39、课程：卷积神经网络的应用.11、代码实战（五）
% M3 |6 N7 M: j; b/ z. O7 c" p# C40、课程：深度学习框架剖析.1、深度学习系统的目标定位
6 |7 J" ]" I) D, e5 J6 O4 V40、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
7 P/ q1 n' b  }  T' j9 n( u% `" L40、课程：深度学习框架剖析.4、图优化、执行引擎
40、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
* z8 Y) J& R: E' C2 H$ r4 R40、课程：深度学习框架剖析.7、TF多机训练
5 @1 f3 u0 T3 J40、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
' ^3 Y2 a, G6 w) Q, B  [# P: \40、课程：深度学习框架剖析.10、Tensorflow tutorial example（一）
) I" G  x- B1 v& t40、课程：深度学习框架剖析.11、ensorflow tutorial example（二）
4 G; H. f5 J( d2 S" g40、课程：深度学习框架剖析.12、模型训练Tricks分享
40、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
40、课程：深度学习框架剖析.14、Tensorflow detection models
40、课程：深度学习框架剖析.15、实际模型项目介绍（一）
40、课程：深度学习框架剖析.16、实际模型项目介绍（二）
# J9 n: x* k/ V. D: z) k41、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
/ x4 C- L) W, ?( W! Z41、课程：递归神经网络.3、递归神经网络（一）
41、课程：递归神经网络.4、递归神经网络（二）
/ M! H0 w  j2 M41、课程：递归神经网络.5、双向递归神经网络
0 }3 L, U, d" S# w: ?5 r41、课程：递归神经网络.6、沿时间反向传播
6 O4 P- u  m5 H& b  d  p+ D$ x6 d: H% j41、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）
42、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）
8 ?; j5 S- x, }2 K42、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）
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）
4 y$ w9 G1 @/ a42、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
; U' ?  y6 I, V& L* L  [43、课程：线性代数与数值分析.3、矩阵乘积和转置
: V3 c0 b. {  J9 r' m43、课程：线性代数与数值分析.4、矩阵性质
2 a5 g8 b+ _0 j' C" u) Q& g7 i5 p43、课程：线性代数与数值分析.5、矩阵行列式
: L6 r' x" r- q2 K! I43、课程：线性代数与数值分析.6、矩阵的迹和秩
43、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
43、课程：线性代数与数值分析.9、特殊类型的矩阵和向量（一）
43、课程：线性代数与数值分析.10、特殊类型的矩阵和向量（二）
43、课程：线性代数与数值分析.11、矩阵分解
, `0 @) c$ [# @1 v  `/ W2 h43、课程：线性代数与数值分析.12、矩阵微积分
8 z, g% g. V, ?. n" X43、课程：线性代数与数值分析.13、矩阵计算（一）
43、课程：线性代数与数值分析.14、矩阵计算（二）
43、课程：线性代数与数值分析.15、范数、向量之间的夹角
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
9 _4 G9 {/ |9 L* ]- B44、课程：词嵌入表示.1、N-元模型回顾
( n* p% d5 b) T8 B3 `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
' @, x% r# o8 [! `44、课程：词嵌入表示.4、词嵌入
* t, X9 ]9 c% y. Z4 w44、课程：词嵌入表示.5、哈夫曼树
- a' c7 m3 o' B4 s7 |44、课程：词嵌入表示.6、连续词袋模型—分层Softmax
4 c; W! B  m& I: ]$ ^# }2 B44、课程：词嵌入表示.7、Skip-gram：分层Softmax
; V, ?6 K5 n2 p, e( B: b44、课程：词嵌入表示.8、连续词袋模型：负采样
" I- A) t  b- a1 _44、课程：词嵌入表示.9、词向量：可视化
45、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
45、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）
, i! z7 g/ y# E3 X- I% T45、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
# ?9 g& a8 M) S* ^7 i% }3 S0 w45、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）
8 }; S9 {9 p: y8 X: _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）
46、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）
. }2 [& T2 e0 `. l  P5 Q46、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）
46、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）
1 ~3 N! ]$ [4 \) P6 g46、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）
; o( O! I( c5 {% V2 V+ `; E* N# f/ ]' @- f46、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）
& ~$ C5 ^1 t( L, _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
3 }2 ^9 _, w/ O1 C2 t4 T$ A- O: D47、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）
47、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）
4 [7 @, Y1 V; j1 e( V1 o+ X47、课程：马尔可夫决策过程.7、Bellman方程（四）
8 Z1 e5 H+ W4 |+ Q47、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）
+ }' R$ L2 |5 b6 H47、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）
1 A5 h# O% z  _) n- H4 n47、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）
( n5 v$ J' S, o: I& p2 q& \2 u1 s47、课程：马尔可夫决策过程.13、Flappy bird的简单解决方法（二）
2 n: H+ |( r: L9 @" H) I8 }/ P48、课程：强化学习：迭代法.1、动态规划（一）
8 ^6 ~; H0 r; y1 d$ x  ?7 E4 ?48、课程：强化学习：迭代法.2、动态规划（二）
7 C; [+ m- Y' i- b0 l$ v48、课程：强化学习：迭代法.3、迭代法（一）
48、课程：强化学习：迭代法.4、迭代法（二）
% G! n# ]+ U0 `% b1 z48、课程：强化学习：迭代法.5、复习+Jacob方法（一）
0 T( N( u8 z9 m, u  `0 P48、课程：强化学习：迭代法.6、复习+Jacob方法（二）
' D3 V4 ?, D! B5 V6 J5 |! a; j48、课程：强化学习：迭代法.7、Gauss-Seidel迭代法
48、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）
9 G5 z; j) K9 s48、课程：强化学习：迭代法.10、迭代法求策略估值（三）
  I, S" V$ D2 G7 \8 K/ |48、课程：强化学习：迭代法.11、迭代法更新最佳策略（一）
1 X5 T! @6 I$ H4 s3 [2 }. T! f48、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）
5 J$ M5 @" B5 n  N7 K48、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）
5 y* [9 v  o1 d+ u+ O( M* Y2 u49、课程：简单的蒙特卡洛.3、训练flappy bird 模型（二）
49、课程：简单的蒙特卡洛.4、训练flappy bird 模型（三）
49、课程：简单的蒙特卡洛.5、整理碰壁函数与reward函数
49、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
$ q6 w# [; v: T' H49、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
50、课程：云，计算，数据.2、NIST、云计算市场的发展条件
50、课程：云，计算，数据.3、芯片设计的取舍、并行化
9 H3 S$ R2 Q  K* G" l50、课程：云，计算，数据.4、WSC（新型数据中心）的形成、概念、优点
50、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）
, J0 P" K6 l! }0 h8 z% ?- a! Q50、课程：云，计算，数据.7、云计算的商业模式
50、课程：云，计算，数据.8、层级分类
50、课程：云，计算，数据.9、阿里云介绍（一）
50、课程：云，计算，数据.10、阿里云介绍（二）
50、课程：云，计算，数据.11、实例创建（一）
8 }1 L4 `7 K- B50、课程：云，计算，数据.12、实例创建（二）
3 j# d1 ?+ n7 U7 M. X: ?% Y* \" p50、课程：云，计算，数据.13、实例创建（三）
% V& C* [, k7 O' e; j& g1 N50、课程：云，计算，数据.14、Logging模块的简单应用（一）
3 V) U7 s  A& ]+ @* p50、课程：云，计算，数据.15、Logging模块的简单应用（二）
50、课程：云，计算，数据.16、Logging模块的简单应用（三）
1 L7 c' `0 D' n5 B- ]51、课程：机器学习（上）.1、时间差分法公式
& K' j& |4 }* f, ?; h- k6 j( J51、课程：机器学习（上）.2、蒙特卡洛法（一）
1 H6 ^4 `- W# R2 B) s* {+ r51、课程：机器学习（上）.3、蒙特卡洛法（二）
( N/ m, V4 R- M" f51、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
+ Z& B' @$ z5 P6 y1 H9 ]; X2 s51、课程：机器学习（上）.6、MC与TD对比
51、课程：机器学习（上）.7、无偏估计
51、课程：机器学习（上）.8、收敛性质
51、课程：机器学习（上）.9、MC与TD收敛差异
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）
; u: a4 i. Z  K# m51、课程：机器学习（上）.13、Model-Free Control（四）
6 _; Z- x0 ^% G2 u/ b$ m2 P  @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）
7 D- s, W6 b9 V- Y, X8 U! t52、课程：机器学习（下）.2、函数的近似方法（二）
52、课程：机器学习（下）.3、函数的近似方法（三）
& Z4 P2 L8 Q# X% Z! |* ~% n9 @52、课程：机器学习（下）.4、DQN（一）
6 N* }8 D7 g4 u- C1 P' i52、课程：机器学习（下）.5、DQN（二）
52、课程：机器学习（下）.6、Flappy bird（一）
/ t( R, m$ G8 F1 O8 B% b52、课程：机器学习（下）.7、Flappy bird（二）
7 K' `. E+ ?3 L7 z7 j% K: A1 p52、课程：机器学习（下）.8、Flappy bird（三）
52、课程：机器学习（下）.9、Flappy bird（四）
52、课程：机器学习（下）.10、Flappy bird（五）
, o. `1 v; i4 N7 A) O52、课程：机器学习（下）.11、Flappy bird（六）
52、课程：机器学习（下）.12、Flappy bird（七）
) q* ]% ?, h0 Y2 U  `* J( y# q52、课程：机器学习（下）.13、Flappy bird（八）
+ F. D9 X' \  y% A2 x53、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
53、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
; o, l1 V/ `; p53、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
  Q9 d0 n( h/ H% S% g6 r* F% v" ]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
" R4 U3 d; d; m$ R) C  y53、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）
53、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）
) G; d( n. j, h6 H; C: L- E, J53、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）
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
4 p9 T; k! b) ]9 a" }2 M' A* e54、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
54、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
) O1 H) S7 c! O' H( U" i3 W54、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
54、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
/ ^0 @  F" y" N* }  O54、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）
55、课程：深度学习经典网络分析基础.1、课程安排
+ F9 `( _2 o4 Y/ n/ k" q( H55、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
  ~1 v$ L1 r  ]  G4 j( u3 H) W55、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
& \' ~8 d; z. t55、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
; O' o& g/ r2 e55、课程：深度学习经典网络分析基础.9、答疑—语音识别
- `( y% F% l5 G3 E3 q# f55、课程：深度学习经典网络分析基础.10、AlexNet
55、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）
55、课程：深度学习经典网络分析基础.13、GoogleNet（二）
) t, X; l% L7 `  C0 l0 |$ T55、课程：深度学习经典网络分析基础.14、ResNet
0 @  y  O4 X& b4 P; w# \55、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）
) b4 L$ @1 I* c5 |55、课程：深度学习经典网络分析基础.17、答疑（二）
' U. N* N/ M; t/ Y# o
- H, y# {$ F; t  R% p2 D' q

续杯啤酒

ddddddddddddddddddd