万门大学人工智能、大数据与复杂系统一月特训班
/万门大学：人工智能、大数据与复杂系统一月特训班 ┣━━01-复杂系统┃ ┣━━1.1物理预测的胜利与失效.mp4
┃ ┣━━1.2预测失效原因.mp4
┃ ┣━━1.3复杂系统引论.mp4
┃ ┗━━1.4生活实例与本章答疑.mp4
┣━━02-大数据与机器学习
┃ ┣━━2.1大数据预测因为.mp4
┃ ┗━━2.2大数据与机器学习.mp4
┣━━03-人工智能的三个阶段
┃ ┣━━3.10课程大纲（二）.mp4
┃ ┣━━3.1规则阶段.mp4
┃ ┣━━3.2机器学习阶段发展至连接主义阶段.mp4
┃ ┣━━3.3课间答疑.mp4
┃ ┣━━3.4连接主义阶段发展至学习阶段.mp4
┃ ┣━━3.5三个阶段总结分析.mp4
┃ ┣━━3.6人工智能的应用（一）.mp4
┃ ┣━━3.7人工智能的应用（二）.mp4
┃ ┣━━3.8课间答疑.mp4
┃ ┗━━3.9课程大纲（一）.mp4
┣━━04-高等数学—元素和极限
┃ ┣━━4.10级数的收敛.mp4
┃ ┣━━4.11极限的定义.mp4
┃ ┣━━4.12极限的四则运算.mp4
┃ ┣━━4.13极限的复合.mp4
┃ ┣━━4.14连续性.mp4
┃ ┣━━4.1实数的定义（一）.mp4
┃ ┣━━4.2实数的定义（二）.mp4
┃ ┣━━4.3实数的定义（三）.mp4
┃ ┣━━4.4实数的元素个数（一）.mp4
┃ ┣━━4.5实数的元素个数（二）.mp4
┃ ┣━━4.6自然数个数少于实数个数（一）.mp4
┃ ┣━━4.7自然数个数少于实数个数（二）.mp4
┃ ┣━━4.8无穷大之比较（一）.mp4
┃ ┗━━4.9无穷大之比较（二）.mp4
┣━━05-复杂网络经济学应用
┃ ┣━━5.1用网络的思维看经济结构.mp4
┃ ┣━━5.2复杂网络认识前后.mp4
┃ ┣━━5.3从网络结构看不同地区（一）.mp4
┃ ┗━━5.4从网络结构看不同地区（二）.mp4
┣━━06-机器学习与监督算法
┃ ┣━━6.1什么是机器学习.mp4
┃ ┣━━6.2机器学习的类型.mp4
┃ ┣━━6.3简单回归实例（一）.mp4
┃ ┣━━6.4简单回归实例（二）.mp4
┃ ┗━━6.5简单回归实例（三）.mp4
┣━━07-阿尔法狗与强化学习算法
┃ ┣━━7.1人工智能的发展.mp4
┃ ┣━━7.2强化学习算法（一）.mp4
┃ ┣━━7.3强化学习算法（二）.mp4
┃ ┣━━7.4强化学习算法（三）.mp4
┃ ┣━━7.5Alphago给我们的启示.mp4
┃ ┗━━7.6无监督学习.mp4
┣━━08-高等数学—两个重要的极限定理
┃ ┣━━8.1元素与极限的知识点回顾.mp4
┃ ┣━━8.2第一个重要极限定理的证明（一）.mp4
┃ ┣━━8.3第一个重要极限定理的证明（二）.mp4
┃ ┣━━8.4夹逼定理.mp4
┃ ┗━━8.5第二个重要极限定理的证明.mp4
┣━━09-高等数学—导数
┃ ┣━━9.10泰勒展开的证明.mp4
┃ ┣━━9.1导数的定义.mp4
┃ ┣━━9.2初等函数的导数.mp4
┃ ┣━━9.3反函数的导数（一）.mp4
┃ ┣━━9.4反函数的导数（二）.mp4
┃ ┣━━9.5复合函数的导数.mp4
┃ ┣━━9.6泰勒展开.mp4
┃ ┣━━9.7罗尔定理.mp4
┃ ┣━━9.8微分中值定理和柯西中值定理.mp4
┃ ┗━━9.9洛比塔法则.mp4
┣━━10-贝叶斯理论
┃ ┣━━10.10贝叶斯于机器学习（一）.mp4
┃ ┣━━10.11贝叶斯于机器学习（二）.mp4
┃ ┣━━10.12贝叶斯决策（一）.mp4
┃ ┣━━10.13贝叶斯决策（二）.mp4
┃ ┣━━10.14贝叶斯决策（三）.mp4
┃ ┣━━10.1梯度优化（一）.mp4
┃ ┣━━10.2梯度优化（二）.mp4
┃ ┣━━10.3概率基础.mp4
┃ ┣━━10.4概率与事件.mp4
┃ ┣━━10.5贝叶斯推理（一）.mp4
┃ ┣━━10.6贝叶斯推理（二）.mp4
┃ ┣━━10.7贝叶斯推理（三）.mp4
┃ ┣━━10.8辛普森案件.mp4
┃ ┗━━10.9贝叶斯推理深入.mp4
┣━━11-高等数学—泰勒展开
┃ ┣━━11.1泰勒展开.mp4
┃ ┣━━11.2展开半径.mp4
┃ ┣━━11.3欧拉公式.mp4
┃ ┣━━11.4泰勒展开求极限（一）.mp4
┃ ┗━━11.5泰勒展开求极限（二）.mp4
┣━━12-高等数学—偏导数
┃ ┣━━12.1偏导数的对称性.mp4
┃ ┣━━12.2链式法则.mp4
┃ ┗━━12.3梯度算符、拉氏算符.mp4
┣━━13-高等数学—积分
┃ ┣━━13.1黎曼积.mp4
┃ ┣━━13.2微积分基本定理.mp4
┃ ┣━━13.3分部积分（一）.mp4
┃ ┗━━13.4分部积分（二）.mp4
┣━━14-高等数学—正态分布
┃ ┣━━14.1标准正态分布.mp4
┃ ┣━━14.2中心极限定理.mp4
┃ ┣━━14.3误差函数.mp4
┃ ┣━━14.4二维正态分布.mp4
┃ ┗━━14.5多维正态分布.mp4
┣━━15-朴素贝叶斯和最大似然估计
┃ ┣━━15.10朴素贝叶斯（三）.mp4
┃ ┣━━15.11最大似然估计（一）.mp4
┃ ┣━━15.12最大似然估计（二）.mp4
┃ ┣━━15.1蒙特卡洛分析（一）.mp4
┃ ┣━━15.2蒙特卡洛分析（二）.mp4
┃ ┣━━15.3贝叶斯先验.mp4
┃ ┣━━15.4先验到后验的过程.mp4
┃ ┣━━15.5朴素贝叶斯（一）.mp4
┃ ┣━━15.6朴素贝叶斯（二）.mp4
┃ ┣━━15.7算法设计.mp4
┃ ┣━━15.8TF-IDF（一）.mp4
┃ ┗━━15.9TF-IDF（二）.mp4
┣━━16-线
┃ ┣━━16.10常规线空间.mp4
┃ ┣━━16.11线关.mp4
┃ ┣━━16.12秩.mp4
┃ ┣━━16.1线代数概述.mp4
┃ ┣━━16.2线代数应用方法论.mp4
┃ ┣━━16.3线律.mp4
┃ ┣━━16.4线空间.mp4
┃ ┣━━16.5线空间八条法则（一）.mp4
┃ ┣━━16.6线空间八条法则（二）.mp4
┃ ┣━━16.7线空间八条法则（三）.mp4
┃ ┣━━16.8连续傅.mp4
┃ ┗━━16.9傅立.mp4
┣━━17-数据科学和统计学（上）
┃ ┣━━17.10随机变量（二）.mp4
┃ ┣━━17.11换门的概率模拟计算（一）.mp4
┃ ┣━━17.12换门的概率模拟计算（二）.mp4
┃ ┣━━17.13换门的概率模拟计算（三）.mp4
┃ ┣━━17.1课程Overview.mp4
┃ ┣━━17.2回顾统计学（一）.mp4
┃ ┣━━17.3回顾统计学（二）.mp4
┃ ┣━━17.4回顾统计学（三）.mp4
┃ ┣━━17.5回顾数据科学（一）.mp4
┃ ┣━━17.6回顾数据科学（二）和教材介绍.mp4
┃ ┣━━17.7R和RStudio等介绍（一）.mp4
┃ ┣━━17.8R和RStudio等介绍（二）.mp4
┃ ┗━━17.9随机变量（一）.mp4
┣━━18-线代数—矩阵、等价类和行列式
┃ ┣━━18.10等价类.mp4
┃ ┣━━18.11行列式（一）.mp4
┃ ┣━━18.12行列式（二）.mp4
┃ ┣━━18.13行列式（三）.mp4
┃ ┣━━18.1线代数知识点回顾.mp4
┃ ┣━━18.2矩阵表示线变化.mp4
┃ ┣━━18.3可矩阵表示坐标变化.mp4
┃ ┣━━18.4相似矩阵.mp4
┃ ┣━━18.5相似矩阵表示相同线变化.mp4
┃ ┣━━18.6线代数解微分方程.mp4
┃ ┣━━18.7矩阵的运算—转秩（一）.mp4
┃ ┣━━18.8矩阵的运算—转秩（二）.mp4
┃ ┗━━18.9等价关系.mp4
┣━━19-Python基础课程（上）
┃ ┣━━19.10变量类型—字符串类型（三）.mp4
┃ ┣━━19.11变量类型—列表类型（一）.mp4
┃ ┣━━19.12变量类型—列表类型（二）.mp4
┃ ┣━━19.13变量类型—列表类型（三）.mp4
┃ ┣━━19.14变量类型—语言组类型、字典类型（一）.mp4
┃ ┣━━19.15变量类型—字典类型（二）.mp4
┃ ┣━━19.1Python介绍（一）.mp4
┃ ┣━━19.2Python介绍（二）.mp4
┃ ┣━━19.3变量—命名规范.mp4
┃ ┣━━19.4变量—代码规范.mp4
┃ ┣━━19.5变量类型—数值类型.mp4
┃ ┣━━19.6变量类型—bool类型.mp4
┃ ┣━━19.7变量类型—字符串类型（一）.mp4
┃ ┣━━19.8课间答疑.mp4
┃ ┗━━19.9变量类型—字符串类型（二）.mp4
┣━━20-线代数—特征值与特征向量
┃ ┣━━20.10线代数核心定理.mp4
┃ ┣━━20.11对偶空间（一）.mp4
┃ ┣━━20.12对偶空间（二）.mp4
┃ ┣━━20.13欧氏空间与闵氏空间.mp4
┃ ┣━━20.14厄米矩阵.mp4
┃ ┣━━20.1线代数知识点回顾.mp4
┃ ┣━━20.2例题讲解（一）.mp4
┃ ┣━━20.3例题讲解（二）.mp4
┃ ┣━━20.4例题讲解（三）.mp4
┃ ┣━━20.5特征值与特征向量的物理意义.mp4
┃ ┣━━20.6特征值与特征向量的性质（一）.mp4
┃ ┣━━20.7特征值与特征向量的性质（二）.mp4
┃ ┣━━20.8本征值的计算（一）.mp4
┃ ┗━━20.9本征值的计算（二）.mp4
┣━━21-监督学习框架
┃ ┣━━21.10KNN(K最近邻)算法（二）.mp4
┃ ┣━━21.11KNN(K最近邻)算法（三）.mp4
┃ ┣━━21.12线性分类器.mp4
┃ ┣━━21.13高斯判别模型（一）.mp4
┃ ┣━━21.14高斯判别模型（二）.mp4
┃ ┣━━21.1经验误差和泛化误差.mp4
┃ ┣━━21.2最大后验估计.mp4
┃ ┣━━21.3正则化.mp4
┃ ┣━━21.4lasso回归.mp4
┃ ┣━━21.5超参数（一）.mp4
┃ ┣━━21.6超参数（二）.mp4
┃ ┣━━21.7监督学习框架（一）.mp4
┃ ┣━━21.8监督学习框架（二）.mp4
┃ ┗━━21.9KNN(K最近邻)算法（一）.mp4
┣━━22-Python基础课程（下）
┃ ┣━━22.10函数（三）.mp4
┃ ┣━━22.11函数（四）.mp4
┃ ┣━━22.12类（一）.mp4
┃ ┣━━22.13类（二）.mp4
┃ ┣━━22.14类（三）.mp4
┃ ┣━━22.1条件判断（一）.mp4
┃ ┣━━22.2条件判断（二）.mp4
┃ ┣━━22.3循环（一）.mp4
┃ ┣━━22.4循环（二）.mp4
┃ ┣━━22.5课间答疑.mp4
┃ ┣━━22.6循环（三）.mp4
┃ ┣━━22.7循环（四）.mp4
┃ ┣━━22.8函数（一）.mp4
┃ ┗━━22.9函数（二）.mp4
┣━━23-PCA、降维方法引入
┃ ┣━━23.1无监督学习框架.mp4
┃ ┣━━23.2降维存在的原因.mp4
┃ ┣━━23.3PCA数学分析方法（一）.mp4
┃ ┣━━23.4PCA数学分析方法（二）.mp4
┃ ┣━━23.5PCA数学分析方法（三）.mp4
┃ ┣━━23.6PCA数学分析方法（四）.mp4
┃ ┣━━23.7PCA之外的降维方法—LDA.mp4
┃ ┣━━23.8PCA背后的假设（一）.mp4
┃ ┗━━23.9PCA背后的假设（二）.mp4
┣━━24-数据科学和统计学（下）
┃ ┣━━24.10参数估计（一）.mp4
┃ ┣━━24.11参数估计（二）.mp4
┃ ┣━━24.12假设检验（一）.mp4
┃ ┣━━24.13假设检验（二）.mp4
┃ ┣━━24.1课程Overview.mp4
┃ ┣━━24.2理解统计思想（一）.mp4
┃ ┣━━24.3理解统计思想（二）.mp4
┃ ┣━━24.4理解统计思想（三）.mp4
┃ ┣━━24.5概率空间.mp4
┃ ┣━━24.6随机变量（一）.mp4
┃ ┣━━24.7随机变量（二）.mp4
┃ ┣━━24.8随机变量（三）.mp4
┃ ┗━━24.9随机变量（四）.mp4
┣━━25-Python操作数据库、 Python爬虫
┃ ┣━━25.10Python操作数据库（二）.mp4
┃ ┣━━25.11Python操作数据库（三）.mp4
┃ ┣━━25.12Python操作数据库（四）.mp4
┃ ┣━━25.13Python爬虫（一）.mp4
┃ ┣━━25.14Python爬虫（二）.mp4
┃ ┣━━25.15Python爬虫（三）.mp4
┃ ┣━━25.16Python爬虫（四）.mp4
┃ ┣━━25.17Python爬虫（五）.mp4
┃ ┣━━25.1课程介绍.mp4
┃ ┣━━25.2认识关系型数据库（一）.mp4
┃ ┣━━25.3认识关系型数据库（二）.mp4
┃ ┣━━25.4MySQL数据库与Excel的不同.mp4
┃ ┣━━25.5命令行操作数据库（一）.mp4
┃ ┣━━25.6命令行操作数据库（二）.mp4
┃ ┣━━25.7命令行操作数据库（三）.mp4
┃ ┣━━25.8命令行操作数据库（四）.mp4
┃ ┗━━25.9Python操作数据库（一）.mp4
┣━━26-线分类器
┃ ┣━━26.10Perceptron（三）.mp4
┃ ┣━━26.11Perceptron（四）.mp4
┃ ┣━━26.12熵与信息（一）.mp4
┃ ┣━━26.13熵与信息（二）.mp4
┃ ┣━━26.1Lasso：alpha参数与准确率（一）.mp4
┃ ┣━━26.2Lasso：alpha参数与准确率（二）.mp4
┃ ┣━━26.3Lasso：alpha参数与准确率（三）.mp4
┃ ┣━━26.4线分类器.mp4
┃ ┣━━26.5LDA（一）.mp4
┃ ┣━━26.6LDA（二）.mp4
┃ ┣━━26.7LDA（三）.mp4
┃ ┣━━26.8Perceptron（一）.mp4
┃ ┗━━26.9Perceptron（二）.mp4
┣━━27-Python进阶（上）
┃ ┣━━27.10Pandas基本操作（四）.mp4
┃ ┣━━27.11Pandas绘图（一）.mp4
┃ ┣━━27.12Pandas绘图（二）.mp4
┃ ┣━━27.13Pandas绘图（三）.mp4
┃ ┣━━27.14Pandas绘图（四）.mp4
┃ ┣━━27.1NumPy基本操作（一）.mp4
┃ ┣━━27.2NumPy基本操作（二）.mp4
┃ ┣━━27.3NumPy基本操作（三）.mp4
┃ ┣━━27.4NumPy基本操作（四）.mp4
┃ ┣━━27.5NumPy基本操作（五）.mp4
┃ ┣━━27.6NumPy基本操作（六）.mp4
┃ ┣━━27.7Pandas基本操作（一）.mp4
┃ ┣━━27.8Pandas基本操作（二）.mp4
┃ ┗━━27.9Pandas基本操作（三）.mp4
┣━━28-Scikit-Learn
┃ ┣━━28.1课程介绍.mp4
┃ ┣━━28.2Scikit-Learn介绍.mp4
┃ ┣━━28.3数据处理（一）.mp4
┃ ┣━━28.4数据处理（二）.mp4
┃ ┣━━28.5模型实例、模型选择（一）.mp4
┃ ┣━━28.6模型实例、模型选择（二）.mp4
┃ ┣━━28.7模型实例、模型选择（三）.mp4
┃ ┣━━28.8模型实例、模型选择（四）.mp4
┃ ┗━━28.9模型实例、模型选择（五）.mp4
┣━━29-熵、逻辑斯蒂回归、SVM引入
┃ ┣━━29.10逻辑斯蒂回归（三）.mp4
┃ ┣━━29.11逻辑斯蒂回归（四）.mp4
┃ ┣━━29.12逻辑斯蒂回归（五）.mp4
┃ ┣━━29.13SVM引入.mp4
┃ ┣━━29.1熵（一）.mp4
┃ ┣━━29.2熵（二）.mp4
┃ ┣━━29.3熵（三）.mp4
┃ ┣━━29.4熵（四）.mp4
┃ ┣━━29.5熵（五）.mp4
┃ ┣━━29.6熵（六）.mp4
┃ ┣━━29.7熵（七）.mp4
┃ ┣━━29.8逻辑斯蒂回归（一）.mp4
┃ ┗━━29.9逻辑斯蒂回归（二）.mp4
┣━━30-Python进阶（下）
┃ ┣━━30.1泰坦尼克数据处理与分析（一）.mp4
┃ ┣━━30.2泰坦尼克数据处理与分析（二）.mp4
┃ ┣━━30.3泰坦尼克数据处理与分析（三）.mp4
┃ ┣━━30.4泰坦尼克数据处理与分析（四）.mp4
┃ ┣━━30.5泰坦尼克数据处理与分析（五）.mp4
┃ ┣━━30.6泰坦尼克数据处理与分析（六）.mp4
┃ ┣━━30.7泰坦尼克数据处理与分析（七）.mp4
┃ ┣━━30.8泰坦尼克数据处理与分析（八）.mp4
┃ ┗━━30.9泰坦尼克数据处理与分析（九）.mp4
┣━━31-决策树
┃ ┣━━31.1决策树（一）.mp4
┃ ┣━━31.2决策树（二）.mp4
┃ ┣━━31.3决策树（三）.mp4
┃ ┗━━31.4决策树（四）.mp4
┣━━32-数据呈现基础
┃ ┣━━32.1课程安排.mp4
┃ ┣━━32.2什么是数据可视化.mp4
┃ ┣━━32.3设计原则.mp4
┃ ┣━━32.4数据可视化流程.mp4
┃ ┣━━32.5视觉编码.mp4
┃ ┣━━32.6图形选择（一）.mp4
┃ ┣━━32.7图形选择（二）.mp4
┃ ┗━━32.8图形选择（三）.mp4
┣━━33-云计算初步
┃ ┣━━33.1Hadoop介绍.mp4
┃ ┣━━33.2Hdfs应用（一）.mp4
┃ ┣━━33.3Hdfs应用（二）.mp4
┃ ┣━━33.4MapReduce（一）.mp4
┃ ┣━━33.5MapReduce（二）.mp4
┃ ┣━━33.6Hive应用（一）.mp4
┃ ┣━━33.7Hive应用（二）.mp4
┃ ┣━━33.8Hive应用（三）.mp4
┃ ┗━━33.9Hive应用（四）.mp4
┣━━34-D-Park实战
┃ ┣━━34.10Spark应用（四）.mp4
┃ ┣━━34.11Spark应用（五）.mp4
┃ ┣━━34.12Spark应用（六）.mp4
┃ ┣━━34.13Spark应用（七）.mp4
┃ ┣━━34.1Pig应用（一）.mp4
┃ ┣━━34.2Pig应用（二）.mp4
┃ ┣━━34.3Pig应用（三）.mp4
┃ ┣━━34.4Pig应用（四）.mp4
┃ ┣━━34.5Pig应用（五）.mp4
┃ ┣━━34.6Pig应用（六）.mp4
┃ ┣━━34.7Spark应用（一）.mp4
┃ ┣━━34.8Spark应用（二）.mp4
┃ ┗━━34.9Spark应用（三）.mp4
┣━━35-第四范式分享
┃ ┣━━35.1推荐技术的介绍.mp4
┃ ┣━━35.2人是如何推荐商品的.mp4
┃ ┣━━35.3推荐系统的形式化以及如何评价推荐结果.mp4
┃ ┣━━35.4求解—从数据到模型.mp4
┃ ┣━━35.5数据拆分与特征工程.mp4
┃ ┣━━35.6推荐系统机器学习模型.mp4
┃ ┣━━35.7评估模型.mp4
┃ ┗━━35.8建模过程的演示与课间答疑.mp4
┣━━36-决策树到随机森林
┃ ┣━━36.10Bagging与决策树（一）.mp4
┃ ┣━━36.11Bagging与决策树（二）.mp4
┃ ┣━━36.12Boosting方法（一）.mp4
┃ ┣━━36.13Boosting方法（二）.mp4
┃ ┣━━36.14Boosting方法（三）.mp4
┃ ┣━━36.15Boosting方法（四）.mp4
┃ ┣━━36.1决策树.mp4
┃ ┣━━36.2随机森林.mp4
┃ ┣━━36.3在Scikit-Learn里面如何用随机森林做预测（一）.mp4
┃ ┣━━36.4在Scikit-Learn里面如何用随机森林做预测（二）.mp4
┃ ┣━━36.5模型参数的介绍.mp4
┃ ┣━━36.6集成方法（一）.mp4
┃ ┣━━36.7集成方法（二）.mp4
┃ ┣━━36.8Blending.mp4
┃ ┗━━36.9gt多样化.mp4
┣━━37-数据呈现进阶
┃ ┣━━37.10D3（三）.mp4
┃ ┣━━37.11div.html.mp4
┃ ┣━━37.12svg.html.mp4
┃ ┣━━37.13D3支持的数据类型.mp4
┃ ┣━━37.14Make a map（一）.mp4
┃ ┣━━37.15Make a map（二）.mp4
┃ ┣━━37.1静态信息图（一）.mp4
┃ ┣━━37.2静态信息图（二）.mp4
┃ ┣━━37.3静态信息图（三）.mp4
┃ ┣━━37.4静态信息图（四）.mp4
┃ ┣━━37.5静态信息图（五）.mp4
┃ ┣━━37.6HTML、CSS和JavaScript基础介绍.mp4
┃ ┣━━37.7DOM和开发者工具.mp4
┃ ┣━━37.8D3（一）.mp4
┃ ┗━━37.9D3（二）.mp4
┣━━38-强化学习（上）
┃ ┣━━38.10Policy Learning（二）.mp4
┃ ┣━━38.11Policy Learning（三）.mp4
┃ ┣━━38.12Policy Learning（四）.mp4
┃ ┣━━38.13Policy Learning（五）.mp4
┃ ┣━━38.14Policy Learning（六）.mp4
┃ ┣━━38.1你所了解的强化学习是什么.mp4
┃ ┣━━38.2经典条件反射（一）.mp4
┃ ┣━━38.3经典条件反射（二）.mp4
┃ ┣━━38.4操作性条件反射.mp4
┃ ┣━━38.5Evaluation Problem（一）.mp4
┃ ┣━━38.6Evaluation Problem（二）.mp4
┃ ┣━━38.7Evaluation Problem（三）.mp4
┃ ┣━━38.8Evaluation Problem（四）.mp4
┃ ┗━━38.9Policy Learning（一）.mp4
┣━━39-强化学习（下）
┃ ┣━━39.10大脑中的强化学习算法（三）.mp4
┃ ┣━━39.11大脑中的强化学习算法（四）.mp4
┃ ┣━━39.12大脑中的强化学习算法（五）.mp4
┃ ┣━━39.13RL in alphaGo（一）.mp4
┃ ┣━━39.14RL in alphaGo（二）.mp4
┃ ┣━━39.15RL in alphaGo（三）.mp4
┃ ┣━━39.16RL in alphaGo（四）.mp4
┃ ┣━━39.1Policy Learning总结.mp4
┃ ┣━━39.2基于模型的RL（一）.mp4
┃ ┣━━39.3基于模型的RL（二）.mp4
┃ ┣━━39.4基于模型的RL（三）.mp4
┃ ┣━━39.5基于模型的RL（四）.mp4
┃ ┣━━39.6基于模型的RL（五）.mp4
┃ ┣━━39.7基于模型的RL（六）.mp4
┃ ┣━━39.8大脑中的强化学习算法（一）.mp4
┃ ┗━━39.9大脑中的强化学习算法（二）.mp4
┣━━40-SVM和网络引入
┃ ┣━━40.10SVM（九）.mp4
┃ ┣━━40.11SVM（十）.mp4
┃ ┣━━40.12SVM（十一）.mp4
┃ ┣━━40.13SVM（十二）和网络引入.mp4
┃ ┣━━40.1VC维.mp4
┃ ┣━━40.2SVM（一）.mp4
┃ ┣━━40.3SVM（二）.mp4
┃ ┣━━40.4SVM（三）.mp4
┃ ┣━━40.5SVM（四）.mp4
┃ ┣━━40.6SVM（五）.mp4
┃ ┣━━40.7SVM（六）.mp4
┃ ┣━━40.8SVM（七）.mp4
┃ ┗━━40.9SVM（八）.mp4
┣━━41-集成模型总结和GDBT理解及其衍生应用
┃ ┣━━41.10GDBT理解及其衍生应用（五）.mp4
┃ ┣━━41.11GDBT理解及其衍生应用（六）.mp4
┃ ┣━━41.12GDBT理解及其衍生应用（七）.mp4
┃ ┣━━41.13GDBT理解及其衍生应用（八）.mp4
┃ ┣━━41.14GDBT理解及其衍生应用（九）.mp4
┃ ┣━━41.15GDBT理解及其衍生应用（十）.mp4
┃ ┣━━41.1集成模型总结（一）.mp4
┃ ┣━━41.2集成模型总结（二）.mp4
┃ ┣━━41.3集成模型总结（三）.mp4
┃ ┣━━41.4集成模型总结（四）.mp4
┃ ┣━━41.5集成模型总结（五）.mp4
┃ ┣━━41.6GDBT理解及其衍生应用（一）.mp4
┃ ┣━━41.7GDBT理解及其衍生应用（二）.mp4
┃ ┣━━41.8GDBT理解及其衍生应用（三）.mp4
┃ ┗━━41.9GDBT理解及其衍生应用（四）.mp4
┣━━42-网络
┃ ┣━━42.1SVM比较其他分类起代码（一）.mp4
┃ ┣━━42.2SVM比较其他分类起代码（二）.mp4
┃ ┣━━42.3网络（一）.mp4
┃ ┣━━42.4网络（二）.mp4
┃ ┣━━42.5网络（三）.mp4
┃ ┗━━42.6网络（四）.mp4
┣━━43-监督学习－回归
┃ ┣━━43.10经验分享（一）.mp4
┃ ┣━━43.11经验分享（二）.mp4
┃ ┣━━43.12经验分享（三）.mp4
┃ ┣━━43.1机器学习的概念和监督学习.mp4
┃ ┣━━43.2机器学习工作流程（一）.mp4
┃ ┣━━43.3机器学习工作流程（二）.mp4
┃ ┣━━43.4机器学习工作流程（三）.mp4
┃ ┣━━43.5机器学习工作流程（四）.mp4
┃ ┣━━43.6案例分析（一）.mp4
┃ ┣━━43.7案例分析（二）.mp4
┃ ┣━━43.8案例分析（三）.mp4
┃ ┗━━43.9案例分析（四）.mp4
┣━━44-监督学习－分类
┃ ┣━━44.10模型训练与选择（二）.mp4
┃ ┣━━44.11Airbnb数据探索过程（一）.mp4
┃ ┣━━44.12Airbnb数据探索过程（二）.mp4
┃ ┣━━44.13地震数据可视化过程（一）.mp4
┃ ┣━━44.14地震数据可视化过程（二）.mp4
┃ ┣━━44.1常用的分类算法.mp4
┃ ┣━━44.2模型评估标准和案例分析.mp4
┃ ┣━━44.3数据探索（一）.mp4
┃ ┣━━44.4数据探索（二）.mp4
┃ ┣━━44.5数据探索（三）.mp4
┃ ┣━━44.6数据探索（四）.mp4
┃ ┣━━44.7数据探索（五）.mp4
┃ ┣━━44.8数据探索（六）.mp4
┃ ┗━━44.9模型训练与选择（一）.mp4
┣━━45-网络基础与卷积网络
┃ ┣━━45.10网络（十）.mp4
┃ ┣━━45.11图像处理基础.mp4
┃ ┣━━45.12卷积（一）.mp4
┃ ┣━━45.13卷积（二）.mp4
┃ ┣━━45.1网络（一）.mp4
┃ ┣━━45.2网络（二）.mp4
┃ ┣━━45.3网络（三）.mp4
┃ ┣━━45.4网络（四）.mp4
┃ ┣━━45.6网络（六）.mp4
┃ ┣━━45.7网络（七）.mp4
┃ ┣━━45.8网络（八）.mp4
┃ ┣━━45.9网络（九）.mp4
┃ ┗━━45.网络（五）.mp4
┣━━46-时间序列预测
┃ ┣━━46.10长短期记忆网络（LSTM）案例分析.mp4
┃ ┣━━46.11Facebook开源的新预测工具—Prophet（一）.mp4
┃ ┣━━46.12Facebook开源的新预测工具—Prophet（二）.mp4
┃ ┣━━46.13课程答疑.mp4
┃ ┣━━46.1时间序列预测概述（一）.mp4
┃ ┣━━46.2时间序列预测概述（二）.mp4
┃ ┣━━46.3差分自回归移动平均模型(ARIMA).mp4
┃ ┣━━46.4差分自回归移动平均模型(ARIMA)案例分析（一）.mp4
┃ ┣━━46.5差分自回归移动平均模型(ARIMA)案例分析（二）.mp4
┃ ┣━━46.6差分自回归移动平均模型(ARIMA)案例分析（三）.mp4
┃ ┣━━46.7差分自回归移动平均模型(ARIMA)案例分析（四）.mp4
┃ ┣━━46.8长短期记忆网络（LSTM）（一）.mp4
┃ ┗━━46.9长短期记忆网络（LSTM）（二）.mp4
┣━━47-人工智能金融应用
┃ ┣━━47.1人工智能金融应用（一）.mp4
┃ ┣━━47.2人工智能金融应用（二）.mp4
┃ ┣━━47.3人工智能金融应用（三）.mp4
┃ ┣━━47.4人工智能金融应用（四）.mp4
┃ ┣━━47.5机器学习方法（一）.mp4
┃ ┣━━47.6机器学习方法（二）.mp4
┃ ┣━━47.7机器学习方法（三）.mp4
┃ ┗━━47.8机器学习方法（四）.mp4
┣━━48-计算机视觉深度学习入门目的篇
┃ ┣━━48.1计算机视觉深度学习入门概述.mp4
┃ ┣━━48.2计算机视觉领域正在关心的问题（一）.mp4
┃ ┣━━48.3计算机视觉领域正在关心的问题（二）.mp4
┃ ┣━━48.4实际问题转化为具体问题并用深度学习解决（一）.mp4
┃ ┣━━48.5实际问题转化为具体问题并用深度学习解决（二）.mp4
┃ ┣━━48.6实际问题转化为具体问题并用深度学习解决（三）.mp4
┃ ┗━━48.7实际问题转化为具体问题并用深度学习解决（四）.mp4
┣━━49-计算机视觉深度学习入门结构篇
┃ ┣━━49.10结构之间的优劣评判以及实验结果（五）.mp4
┃ ┣━━49.11结构之间的优劣评判以及实验结果（六）.mp4
┃ ┣━━49.12结构之间的以及实验结果（七）.mp4
┃ ┣━━49.13结构之间的优劣评判以及实验结果（八）.mp4
┃ ┣━━49.1复习计算机视觉最主要的负责特征提取的结构CNN.mp4
┃ ┣━━49.2特征如何组织（一）.mp4
┃ ┣━━49.3特征如何组织（二）.mp4
┃ ┣━━49.4特征如何组织（三）.mp4
┃ ┣━━49.5特征如何组织（四）.mp4
┃ ┣━━49.6结构之间的优劣评判以及实验结果（一）.mp4
┃ ┣━━49.7结构之间的优劣评判以及实验结果（二）.mp4
┃ ┣━━49.8结构之间的优劣评判以及实验结果（三）.mp4
┃ ┗━━49.9结构之间的优劣评判以及实验结果（四）.mp4
┣━━50-计算机视觉学习入门优化篇
┃ ┣━━50.1计算机视觉学习入门：优化篇概述.mp4
┃ ┣━━50.2CNN模型的一阶优化逻辑.mp4
┃ ┣━━50.3稳定性：Annealing和Momentum.mp4
┃ ┣━━50.4拟合：从Dropout到Weight Decay.mp4
┃ ┣━━50.5优化器和多机并行.mp4
┃ ┗━━50.6手动超参优化逻辑以及超参优化往何处去.mp4
┣━━51-计算机视觉深度学习入门数据篇
┃ ┣━━51.1计算机视觉领域的常用竞赛数据集.mp4
┃ ┣━━51.2对数据常用的预处理工作和后处理工作如何提高竞赛成绩（一）.mp4
┃ ┣━━51.3对数据常用的预处理工作和后处理工作如何提高竞赛成绩（二）.mp4
┃ ┗━━51.4如何使用端到端深度学习的方法.mp4
┣━━52-计算机视觉深度学习入门工具篇
┃ ┣━━52.1计算机视觉深度学习入门工具篇（一）.mp4
┃ ┣━━52.2计算机视觉深度学习入门工具篇（二）.mp4
┃ ┗━━52.3计算机视觉深度学习入门工具篇（三）.mp4
┣━━53-个化推荐算法
┃ ┣━━53.10工程望.mp4
┃ ┣━━53.1个化推荐的发展.mp4
┃ ┣━━53.2推荐算法的演进（一）.mp4
┃ ┣━━53.3推荐算法的演进（二）.mp4
┃ ┣━━53.4推荐算法的演进（三）.mp4
┃ ┣━━53.5推荐算法的演进（四）.mp4
┃ ┣━━53.6建模step by step（一）.mp4
┃ ┣━━53.7建模step by step（二）.mp4
┃ ┣━━53.8建模step by step（三）.mp4
┃ ┗━━53.9算法评估和迭代.mp4
┣━━54-Pig和Spark巩固
┃ ┣━━54.10Spark巩固（五）.mp4
┃ ┣━━54.1Pig巩固（一）.mp4
┃ ┣━━54.2Pig巩固（二）.mp4
┃ ┣━━54.3Pig巩固（三）.mp4
┃ ┣━━54.4Pig巩固（四）.mp4
┃ ┣━━54.5Pig巩固（五）.mp4
┃ ┣━━54.6Spark巩固（一）.mp4
┃ ┣━━54.7Spark巩固（二）.mp4
┃ ┣━━54.8Spark巩固（三）.mp4
┃ ┗━━54.9Spark巩固（四）.mp4
┣━━55-人工智能与设计
┃ ┣━━55.10使用人工智能的方式.mp4
┃ ┣━━55.1智能存在的意义是什么.mp4
┃ ┣━━55.2已有人工智的设计应用.mp4
┃ ┣━━55.3人的智能（一）.mp4
┃ ┣━━55.4人的智能（二）.mp4
┃ ┣━━55.5人的智能的特点（一）.mp4
┃ ┣━━55.6人的智能的特点（二）.mp4
┃ ┣━━55.7人的智能的特点（三）.mp4
┃ ┣━━55.8人工智能（一）.mp4
┃ ┗━━55.9人工智能（二）.mp4
┣━━56-网络
┃ ┣━━56.1卷积的本质.mp4
┃ ┣━━56.2卷积的三大特点.mp4
┃ ┣━━56.3Pooling.mp4
┃ ┣━━56.4数字识别（一）.mp4
┃ ┣━━56.5数字识别（二）.mp4
┃ ┣━━56.6感受野.mp4
┃ ┗━━56.7RNN.mp4
┣━━57-线动力学
┃ ┣━━57.1非线动力学.mp4
┃ ┣━━57.2线动力系统.mp4
┃ ┣━━57.3线动力学与非线动力学系统（一）.mp4
┃ ┣━━57.4线动力学与非线动力学系统（二）.mp4
┃ ┗━━57.6Poincare引理.mp4
┣━━58-订单流模型
┃ ┣━━58.1交易.mp4
┃ ┣━━58.2点过程基础（一）.mp4
┃ ┣━━58.3点过程基础（二）.mp4
┃ ┣━━58.4点过程基础（三）.mp4
┃ ┣━━58.5订单流数据分析（一）.mp4
┃ ┣━━58.6订单流数据分析（二）.mp4
┃ ┣━━58.7订单流数据分析（三）.mp4
┃ ┣━━58.8订单流数据分析（四）.mp4
┃ ┗━━58.9订单流数据分析（五）.mp4
┣━━59-区块链一场革命
┃ ┣━━59.1比特币（一）.mp4
┃ ┣━━59.2比特币（二）.mp4
┃ ┣━━59.3比特币（三）.mp4
┃ ┗━━59.4以太坊简介及ICO.mp4
┣━━60-统计物理专题（一）
┃ ┣━━60.10证明理想气体方程.mp4
┃ ┣━━60.11化学势.mp4
┃ ┣━━60.12四大热力学势（一）.mp4
┃ ┣━━60.13 四大热力学势（二）.mp4
┃ ┣━━60.1统计物理的开端(一).mp4
┃ ┣━━60.2统计物理的开端（二）.mp4
┃ ┣━━60.3抛硬币抛出正态分布（一）.mp4
┃ ┣━━60.4抛硬币抛出正态分布（二）.mp4
┃ ┣━━60.5再造整个世界（一）.mp4
┃ ┣━━60.6再造整个世界（二）.mp4
┃ ┣━━60.7温度的本质（一）.mp4
┃ ┣━━60.8温度的本质（二）.mp4
┃ ┗━━60.9.mp4
┣━━61-统计物理专题（二）
┃ ┣━━61.1神奇公式.mp4.mp4
┃ ┣━━61.2信息熵（一）.mp4
┃ ┣━━61.3信息熵（二）.mp4
┃ ┣━━61.4Boltzmann分布.mp4
┃ ┗━━61.5配分函数Z.mp4
┣━━62-复杂网络简介
┃ ┣━━62.1Networks in real worlds.mp4
┃ ┣━━62.2BasicConcepts（一）.mp4
┃ ┣━━62.3BasicConcepts（二）.mp4
┃ ┣━━62.4Models（一）.mp4
┃ ┣━━62.5Models（二）.mp4
┃ ┣━━62.6Algorithms（一）.mp4
┃ ┗━━62.7Algorithms（二）.mp4
┣━━63-ABM简介及金融市场建模
┃ ┣━━63.10ABM与复杂系统建模-交通系统（一）.mp4
┃ ┣━━63.11ABM与复杂系统建模-交通系统（二）.mp4
┃ ┣━━63.12ABM金融市场-SFI股票市场模型（一）.mp4
┃ ┣━━63.13ABM金融市场-SFI股票市场模型（二）.mp4
┃ ┣━━63.14ABM金融市场-genova市场模型.mp4
┃ ┣━━63.15ABM金融市场-Agent及其行为.mp4
┃ ┣━━63.16学习模型.mp4
┃ ┣━━63.17ABM金融市场-价格形成机制.mp4
┃ ┣━━63.18ABM的特点.mp4
┃ ┣━━63.1课程介绍.mp4
┃ ┣━━63.2系统与系统建模.mp4
┃ ┣━━63.3ABM与复杂系统建模（一）.mp4
┃ ┣━━63.4ABM与复杂系统建模（二）.mp4
┃ ┣━━63.5ABM与复杂系统建模（三）.mp4
┃ ┣━━63.6ABM为经济系统建模.mp4
┃ ┣━━63.7经典经济学如何给市场建模.mp4
┃ ┣━━63.8ABM与复杂系统建模-市场交易.mp4
┃ ┗━━63.9ABM与复杂系统建模-技术扩散.mp4
┣━━64-用伊辛模型理解复杂系统
┃ ┣━━64.10（网络中的）投票模型.mp4
┃ ┣━━64.11观念动力学.mp4
┃ ┣━━64.12集体运动Vicsek模型.mp4
┃ ┣━━64.13自旋玻璃.mp4
┃ ┣━━64.14Hopfield神经网络.mp4
┃ ┣━━64.15限制Boltzmann机.mp4
┃ ┣━━64.16深度学习与重正化群（一）.mp4
┃ ┣━━64.17深度学习与重正化群（二）.mp4
┃ ┣━━64.18总结.mp4
┃ ┣━━64.19答疑.mp4
┃ ┣━━64.1伊辛模型的背景及格气模型.mp4
┃ ┣━━64.2伊辛模型（一）.mp4
┃ ┣━━64.3伊辛模型（二）.mp4
┃ ┣━━64.4从能量到统计分布及Monte Carlo模拟.mp4
┃ ┣━━64.5Ising Model(2D).mp4
┃ ┣━━64.6相变和临界现象.mp4
┃ ┣━━64.7Critical Exponents.mp4
┃ ┣━━64.8正问题和反问题.mp4
┃ ┗━━64.9（空间中的）投票模型.mp4
┣━━65-金融市场的复杂性
┃ ┣━━65.10Classical Benchmarks（五）.mp4
┃ ┣━━65.11Endogenous Risk（一）.mp4
┃ ┣━━65.12Endogenous Risk（二）.mp4
┃ ┣━━65.13Endogenous Risk（三）.mp4
┃ ┣━━65.14Endogenous Risk（四）.mp4
┃ ┣━━65.15Endogenous Risk（五）.mp4
┃ ┣━━65.16Endogenous Risk（六）.mp4
┃ ┣━━65.17Heterogeneous Beliefs（一）.mp4
┃ ┣━━65.18Heterogeneous Beliefs（二）.mp4
┃ ┣━━65.19总结.mp4
┃ ┣━━65.1导论（一）.mp4
┃ ┣━━65.2导论（二）.mp4
┃ ┣━━65.3导论（三）.mp4
┃ ┣━━65.4导论（四）.mp4
┃ ┣━━65.5导论（五）.mp4
┃ ┣━━65.6Classical Benchmarks（一）.mp4
┃ ┣━━65.7Classical Benchmarks（二）.mp4
┃ ┣━━65.8Classical Benchmarks（三）.mp4
┃ ┗━━65.9Classical Benchmarks（四）.mp4
┣━━66-广泛出现的幂律分布
┃ ┣━━66.1界（一）.mp4
┃ ┣━━66.2界（二）.mp4
┃ ┣━━66.3界（三）.mp4
┃ ┣━━66.4界（四）.mp4
┃ ┣━━66.5城市、商业（一）.mp4
┃ ┣━━66.6城市、商业（二）.mp4
┃ ┣━━66.7启示（一）.mp4
┃ ┣━━66.8启示（二）.mp4
┃ ┗━━66.9总结.mp4
┣━━67-自然启发算法
┃ ┣━━67.10粒子群算法（一）.mp4
┃ ┣━━67.11粒子群算法（二）.mp4
┃ ┣━━67.12粒子群算法（三）.mp4
┃ ┣━━67.13遗传算法和PSO的比较.mp4
┃ ┣━━67.14更多的类似的算法（一）.mp4
┃ ┣━━67.15更多的类似的算法（二）.mp4
┃ ┣━━67.16答疑.mp4
┃ ┣━━67.1课程回顾及答疑.mp4
┃ ┣━━67.2概括（一）.mp4
┃ ┣━━67.3概括（二）.mp4
┃ ┣━━67.4模拟退火算法（一）.mp4
┃ ┣━━67.5模拟退火算法（二）.mp4
┃ ┣━━67.6进化相关的算法（一）.mp4
┃ ┣━━67.7进化相关的算法（二）.mp4
┃ ┣━━67.8进化相关的算法（三）.mp4
┃ ┗━━67.9进化相关的算法（四）.mp4
┣━━68-机器学习的方法
┃ ┣━━68.10输出是最好的学习（二）.mp4
┃ ┣━━68.11案例（一）.mp4
┃ ┣━━68.12案例（二）.mp4
┃ ┣━━68.13案例（三）.mp4
┃ ┣━━68.14案例（四）.mp4
┃ ┣━━68.15案例（五）.mp4
┃ ┣━━68.1为什么要讲学习方法.mp4
┃ ┣━━68.2阅读论文.mp4
┃ ┣━━68.3综述式文章举例（一）.mp4
┃ ┣━━68.4综述式文章举例（二）.mp4
┃ ┣━━68.5碎片化时间学习及书籍.mp4
┃ ┣━━68.6视频学习资源及做思维导图.mp4
┃ ┣━━68.7铁哥答疑（一）.mp4
┃ ┣━━68.8铁哥答疑（二）.mp4
┃ ┗━━68.9输出是最好的学习（一）.mp4
┣━━69-模型可视化工程管理
┃ ┣━━69.10定制化可视化系统—Jupyter Dashboard（一）.mp4
┃ ┣━━69.11定制化可视化系统—Jupyter Dashboard（二）.mp4
┃ ┣━━69.12变身前端—seaboarn+Bokeh+Echarts.mp4
┃ ┣━━69.13日志管理系统—ELK.mp4
┃ ┣━━69.14极速Bi系统—superset.mp4
┃ ┣━━69.15Dashboard补充.mp4
┃ ┣━━69.16ELK补充.mp4
┃ ┣━━69.17Superset补充.mp4
┃ ┣━━69.18Superset补充及总结.mp4
┃ ┣━━69.1课程简介.mp4
┃ ┣━━69.2虚拟换环境—Anaconda&docker（一）.mp4
┃ ┣━━69.3虚拟换环境—Anaconda&docker（二）.mp4
┃ ┣━━69.4虚拟换环境—Anaconda&docker（三）.mp4
┃ ┣━━69.5虚拟换环境—Anaconda&docker（四）.mp4
┃ ┣━━69.6虚拟换环境—Anaconda&docker（五）.mp4
┃ ┣━━69.7虚拟换环境—Anaconda&docker（六）.mp4
┃ ┣━━69.8虚拟换环境—Anaconda&docker（七）.mp4
┃ ┗━━69.9虚拟换环境—Anaconda&docker（八）.mp4
┣━━70-Value Iteration Networks
┃ ┣━━70.1Background&Motivation.mp4
┃ ┣━━70.2Value Iteration.mp4
┃ ┣━━70.3Grid—world Domain.mp4
┃ ┗━━70.4总结及答疑.mp4
┣━━70-最新回放
┃ ┣━━0822 CNN RNN回顾 非线性动力学引入.mp4
┃ ┗━━0822 高频订单流模型、区块链介绍.mp4
┣━━71-线动力学系统（上）
┃ ┣━━71.10混沌（一）.mp4
┃ ┣━━71.11混沌（二）.mp4
┃ ┣━━71.12混沌（三）.mp4
┃ ┣━━71.13混沌（四）.mp4
┃ ┣━━71.14混沌（五）.mp4
┃ ┣━━71.15混沌（六）.mp4
┃ ┣━━71.16混沌（七）.mp4
┃ ┣━━71.17混沌（八）.mp4
┃ ┣━━71.18混沌（九）.mp4
┃ ┣━━71.19混沌（十）.mp4
┃ ┣━━71.1线动力学系统（一）.mp4
┃ ┣━━71.20混沌（十一）.mp4
┃ ┣━━71.2线动力学系统（二）.mp4
┃ ┣━━71.3二维系统动力学综述—Poincare引理.mp4
┃ ┣━━71.4Bifurcation（一）.mp4
┃ ┣━━71.5Bifurcation（二）.mp4
┃ ┣━━71.6Bifurcation（三）.mp4
┃ ┣━━71.7Bifurcation（四）.mp4
┃ ┣━━71.8Bifurcation（五）.mp4
┃ ┗━━71.9Bifurcation（六）.mp4
┣━━72-线动力学系统（下）
┃ ┣━━72.1自然语言处理（一）.mp4
┃ ┣━━72.2自然语言处理（二）.mp4
┃ ┣━━72.3RNN.mp4
┃ ┗━━72.4RNN及.mp4
┣━━73-自然语言处理导入
┃ ┣━━73.1中文分词.mp4
┃ ┣━━73.2中文分词、依存文法分析.mp4
┃ ┣━━73.3篇章分析、自动摘要、知识提取、文本相似度计算.mp4
┃ ┣━━73.4知识库构建、问答系统.mp4
┃ ┣━━73.5示范2的豆瓣评论词云（一）.mp4
┃ ┣━━73.6示范2的豆瓣评论词云（二）.mp4
┃ ┣━━73.7示范2的豆瓣评论词云（三）.mp4
┃ ┣━━73.8示范2的豆瓣评论词云（四）.mp4
┃ ┗━━73.9示范2的豆瓣评论词云（五）.mp4
┣━━74-复杂网络上的物理传输过程
┃ ┣━━74.10一些传播动力学模型（七）.mp4
┃ ┣━━74.11一些传播动力学模型（八）.mp4
┃ ┣━━74.12仿真模型的建立过程（一）.mp4
┃ ┣━━74.13仿真模型的建立过程（二）.mp4
┃ ┣━━74.14仿真模型的建立过程（三）.mp4
┃ ┣━━74.15仿真模型的建立过程（四）.mp4
┃ ┣━━74.16Combining complex networks and data mining.mp4
┃ ┣━━74.1一些基本概念.mp4
┃ ┣━━74.2常用的统计描述物理量.mp4
┃ ┣━━74.3四种网络模型.mp4
┃ ┣━━74.4一些传播动力学模型（一）.mp4
┃ ┣━━74.5一些传播动力学模型（二）.mp4
┃ ┣━━74.6一些传播动力学模型（三）.mp4
┃ ┣━━74.7一些传播动力学模型（四）.mp4
┃ ┣━━74.8一些传播动力学模型（五）.mp4
┃ ┗━━74.9一些传播动力学模型（六）.mp4
┣━━75-RNN及LSTM
┃ ┣━━75.10梯度消失与梯度爆炸（二）.mp4
┃ ┣━━75.11Reservoir computing—偷懒方法.mp4
┃ ┣━━75.12LSTM.mp4
┃ ┣━━75.13LSTM、Use Examples.mp4
┃ ┣━━75.14词向量、Deep RNN.mp4
┃ ┣━━75.15Encoder Decoder Structure.mp4
┃ ┣━━75.16LSTM Text Generation（一）.mp4
┃ ┣━━75.17LSTM Text Generation（二）.mp4
┃ ┣━━75.18LSTM Text Generation（三）.mp4
┃ ┣━━75.1RNN—序列处理器（一）.mp4
┃ ┣━━75.2RNN—序列处理器（二）.mp4
┃ ┣━━75.3A simple enough case.mp4
┃ ┣━━75.4A dance between fix points.mp4
┃ ┣━━75.5Fix point、Train Chaos.mp4
┃ ┣━━75.6RNN作为生成模型（动力系统）.mp4
┃ ┣━━75.7RNN训练—BPTT（一）.mp4
┃ ┣━━75.8RNN训练—BPTT（二）.mp4
┃ ┗━━75.9梯度消失与梯度爆炸（一）.mp4
┣━━76-漫谈人工智能创业
┃ ┣━━76.10三个战略管理学商业模型（三）.mp4
┃ ┣━━76.11三个战略管理学商业模型（四）.mp4
┃ ┣━━76.12三个战略管理学商业模型（五）.mp4
┃ ┣━━76.13三个战略管理学商业模型（六）.mp4
┃ ┣━━76.14三个战略管理学商业模型（七）.mp4
┃ ┣━━76.15三个战略管理学商业模型（八）.mp4
┃ ┣━━76.16三个战略管理学商业模型（九）.mp4
┃ ┣━━76.17关于Entrepreneurship.mp4
┃ ┣━━76.1人工智能对我们生活的影响（一）.mp4
┃ ┣━━76.2人工智能对我们生活的影响（二）.mp4
┃ ┣━━76.3人工智能对我们生活的影响（三）.mp4
┃ ┣━━76.4人工智能对我们生活的影响（四）.mp4
┃ ┣━━76.5人工智能对我们生活的影响（五）.mp4
┃ ┣━━76.6人工智能对我们生活的影响（六）.mp4
┃ ┣━━76.7人工智能创业中的商业思维.mp4
┃ ┣━━76.8三个战略管理学商业模型（一）.mp4
┃ ┗━━76.9三个战略管理学商业模型（二）.mp4
┣━━77-学习其他主题
┃ ┣━━77.1.mp4
┃ ┣━━77.10程序讲解（三）.mp4
┃ ┣━━77.2玻尔兹曼机—联想的机器.mp4
┃ ┣━━77.3玻尔兹曼机.mp4
┃ ┣━━77.4学习（一）.mp4
┃ ┣━━77.5学习（二）.mp4
┃ ┣━━77.6学习（三）.mp4
┃ ┣━━77.7学习（四）.mp4
┃ ┣━━77.8程序讲解（一）.mp4
┃ ┗━━77.9程序讲解（二）.mp4
┗━━78-课程总结
┣━━78.10课程总结（二）.mp4
┣━━78.1开场.mp4
┣━━78.2Attention实例—Spatial Transformer.mp4
┣━━78.3猫狗大战—CNN实战（一）.mp4
┣━━78.4猫狗大战—CNN实战（二）.mp4
┣━━78.5RNN诗人.mp4
┣━━78.6课程复习.mp4
┣━━78.7课程大纲（一）.mp4
┣━━78.8课程大纲（二）.mp4
┗━━78.9课程总结（一）.mp4
下载地址:
**** Hidden Message ***** 啥也不说了，感谢楼主分享哇！ 啥也不说了，感谢楼主分享哇！ 额，看不懂在说神马~@_@ 啥也不说了，感谢楼主分享哇！ 啥也不说了，感谢楼主分享哇！ 啥也不说了，感谢楼主分享哇！ 啥也不说了，感谢楼主分享哇！ 啥也不说了，感谢楼主分享哇！ 啥也不说了，感谢楼主分享哇！