人工智能、大数据与复杂系统一月特训班 价值3528元

从Alpha—GO到无人驾驶，人工智能AI结合大数据发挥出惊人功效的场景越来越多。如何从零开始真正入门这个领域？人工智能、大数据与复杂系统一月特训班可以帮到您！



混沌巡洋舰讲师团

来自巴黎高师，中科院，北师大等世界著名高校及机构的混沌巡洋舰导师团，为大家在人工智能，大数据与复杂系统的知识海洋里扬帆领航。



课程目录：



第 1 讲复杂系统

1.1物理预测的胜利与失效

1.2预测失效原因

1.3复杂系统引论

1.4生活实例与本章答疑



第 2 讲大数据与机器学习

2.1大数据预测因为噪声失效

2.2大数据与机器学习

第 3 讲人工智能的三个阶段

3.1规则阶段

3.2机器学习阶段发展至连接主义阶段

3.3课间答疑

3.4连接主义阶段发展至深度学习阶段

3.5三个阶段总结分析

3.6人工智能的应用（一）

3.7人工智能的应用（二）

3.8课间答疑

3.9课程大纲（一）

3.10课程大纲（二）



第 4 讲高等数学—元素和极限

4.1实数的定义（一）

4.2实数的定义（二）

4.3实数的定义（三）

4.4实数的元素个数（一）

4.5实数的元素个数（二）

4.6自然数个数少于实数个数（一）

4.7自然数个数少于实数个数（二）

4.8无穷大之比较（一）

4.9无穷大之比较（二）

4.10级数的收敛

4.11极限的定义

4.12极限的四则运算

4.13极限的复合

4.14连续性



第 5 讲复杂网络经济学应用

5.1用网络的思维看经济结构

5.2复杂网络认识前后

5.3从网络结构看不同地区（一）

5.4从网络结构看不同地区（二）



第 6 讲机器学习与监督算法

6.1什么是机器学习

6.2机器学习的类型

6.3简单回归实例（一）

6.4简单回归实例（二）

6.5简单回归实例（三）



第 7 讲阿尔法狗与强化学习算法

7.1人工智能的发展

7.2强化学习算法（一）

7.3强化学习算法（二）

7.4强化学习算法（三）

7.5Alphago给我们的启示

7.6无监督学习



第 8 讲高等数学—两个重要的极限定理

8.1元素与极限的知识点回顾

8.2第一个重要极限定理的证明（一）

8.3第一个重要极限定理的证明（二）

8.4夹逼定理

8.5第二个重要极限定理的证明



第 9 讲高等数学—导数

9.1导数的定义

9.2初等函数的导数

9.3反函数的导数（一）

9.4反函数的导数（二）

9.5复合函数的导数

9.6泰勒展开

9.7罗尔定理

9.8微分中值定理和柯西中值定理

9.9洛比塔法则

9.10泰勒展开的证明



第 10 讲贝叶斯理论

10.1梯度优化（一）

10.2梯度优化（二）

10.3概率基础

10.4概率与事件

10.5贝叶斯推理（一）

10.6贝叶斯推理（二）

10.7贝叶斯推理（三）

10.8辛普森案件

10.9贝叶斯推理深入

10.10贝叶斯于机器学习（一）

10.11贝叶斯于机器学习（二）

10.12贝叶斯决策（一）

10.13贝叶斯决策（二）

10.14贝叶斯决策（三）



第 11 讲高等数学—泰勒展开

11.1泰勒展开

11.2展开半径

11.3欧拉公式

11.4泰勒展开求极限（一）

11.5泰勒展开求极限（二）

第 12 讲高等数学—偏导数

12.1偏导数的对称性

12.2链式法则

12.3梯度算符、拉氏算符



第 13 讲高等数学—积分

13.1黎曼积分

13.2微积分基本定理

13.3分部积分（一）

13.4分部积分（二）



第 14 讲高等数学—正态分布

14.1标准正态分布

14.2中心极限定理

14.3误差函数

14.4二维正态分布

14.5多维正态分布



第 15 讲朴素贝叶斯和最大似然估计

15.1蒙特卡洛分析（一）

15.2蒙特卡洛分析（二）

15.3贝叶斯先验

15.4先验到后验的过程

15.5朴素贝叶斯（一）

15.6朴素贝叶斯（二）

15.7算法设计

15.8TF-IDF（一）

15.9TF-IDF（二）

15.10朴素贝叶斯（三）

15.11最大似然估计（一）

15.12最大似然估计（二）



第 16 讲线性代数—线性空间和线性变换

16.1线性代数概述

16.2线性代数应用方法论

16.3线性乘法的可交换性和结合律

16.4线性空间

16.5线性空间八条法则（一）

16.6线性空间八条法则（二）

16.7线性空间八条法则（三）

16.8连续傅立叶变换

16.9离散傅立叶变换

16.10非常规线性空间

16.11线性相关和线性无关

16.12秩



第 17 讲数据科学和统计学（上）

17.1课程Overview

17.2回顾统计学（一）

17.3回顾统计学（二）

17.4回顾统计学（三）

17.5回顾数据科学（一）

17.6回顾数据科学（二）和教材介绍

17.7R和RStudio等介绍（一）

17.8R和RStudio等介绍（二）

17.9随机变量（一）

17.10随机变量（二）

17.11换门的概率模拟计算（一）

17.12换门的概率模拟计算（二）

17.13换门的概率模拟计算（三）



第 18 讲线性代数—矩阵、等价类和行列式

18.1线性代数知识点回顾

18.2矩阵表示线性变化

18.3可逆矩阵表示坐标变化

18.4相似矩阵

18.5相似矩阵表示相同线性变化

18.6线性代数解微分方程

18.7矩阵的运算—转秩（一）

18.8矩阵的运算—转秩（二）

18.9等价关系

18.10等价类

18.11行列式（一）

18.12行列式（二）

18.13行列式（三）



第 19 讲Python基础课程（上）

19.1Python介绍（一）

19.2Python介绍（二）

19.3变量—命名规范

19.4变量—代码规范

19.5变量类型—数值类型

19.6变量类型—bool类型

19.7变量类型—字符串类型（一）

19.8课间答疑

19.9变量类型—字符串类型（二）

19.10变量类型—字符串类型（三）

19.11变量类型—列表类型（一）

19.12变量类型—列表类型（二）

19.13变量类型—列表类型（三）

19.14变量类型—元组类型、字典类型（一）

19.15变量类型—字典类型（二）



第 20 讲线性代数—特征值与特征向量

20.1线性代数知识点回顾

20.2例题讲解（一）

20.3例题讲解（二）

20.4例题讲解（三）

20.5特征值与特征向量的物理意义

20.6特征值与特征向量的性质（一）

20.7特征值与特征向量的性质（二）

20.8本征值的计算（一）

20.9本征值的计算（二）

20.10线性代数核心定理

20.11对偶空间（一）

20.12对偶空间（二）

20.13欧氏空间与闵氏空间

20.14厄米矩阵



第 21 讲监督学习框架

21.1经验误差和泛化误差

21.2最大后验估计

21.3正则化

21.4lasso回归

21.5超参数（一）

21.6超参数（二）

21.7监督学习框架（一）

21.8监督学习框架（二）

21.9KNN(K最近邻)算法（一）

21.10KNN(K最近邻)算法（二）

21.11KNN(K最近邻)算法（三）

21.12线性分类器

21.13高斯判别模型（一）

21.14高斯判别模型（二）



第 22 讲Python基础课程（下）

22.1条件判断（一）

22.2条件判断（二）

22.3循环（一）

22.4循环（二）

22.5课间答疑

22.6循环（三）

22.7循环（四）

22.8函数（一）

22.9函数（二）