李开复讲AI:十堂人工智能科学课

课程简介:

李开复,人工智能领域先锋、智能时代先行者,曾任谷歌全球副总裁兼大中华区总裁、微软全球副总裁、苹果交互式多媒体部门副总裁。
从1980年初识人工智能至今,李开复投身人工智能领域37年。倾其研究积累,精炼成十堂人工智能课,解开你对人工智能的所有疑惑,带你进入人工智能的新世界。
[code]官方课程链接:https://www.ximalaya.com/keji/10537519/[/code]

课程目录:

Q1. 人工智能是机器人吗?

Q2. 人工智能已经进入到我们的生活了吗?

Q3. AI真的会挑战人类吗?

Q4. 人工智能的分类有哪些?

Q5. 三次AI热潮指的是什么?

Q6. 什么是深度学习?

Q7. AI会取代医生、翻译、驾驶员和金融人士吗?

Q8. 哪些工作是AI代替不了的?

Q9. AI时代该如何学习?该学什么?

Q10. AI来了,人生的意义没了?

推荐系统三十六式

课程简介:

最近十年尤其最近五年,借助推荐系统的技术和名头,异军突起的互联网产品越来越多,推荐系统成了互联网产品的标配。甚至有人说在未来,推荐系统会成为所有数据型产品的标配。
而推荐系统前方的技术蓬勃发展,后方却落地困难。审视推荐系统的技术应用现状,大厂们一骑绝尘,太多中小厂的工程师们还不知道一个推荐系统如何从 0 到 1 诞生,需要去了解哪些知识。
本专栏为推荐系统学习者架构起整体的知识脉络,并在此基础上补充实践案例与经验,力图解决你系统起步阶段 80% 的问题。
[code]官方课程链接:https://time.geekbang.org/column/intro/74[/code]

课程目录:

开篇词 | 用知识去对抗技术不平等

【概念篇】你真的需要个性化推荐系统吗?

【概念篇】个性化推荐系统那些绕不开的经典问题

【概念篇】这些你必须应该具备的思维模式

【内容推荐】画鬼容易画人难:用户画像的“能”和“不能”

【内容推荐】从文本到用户画像有多远

【内容推荐】超越标签的内容推荐系统

【近邻推荐】人以群分,你是什么人就看到什么世界

【近邻推荐】解密“看了又看”和“买了又买”

【近邻推荐】协同过滤中的相似度计算方法有哪些

【矩阵分解】那些在Netflix Prize中大放异彩的推荐算法

【矩阵分解】Facebook是怎么为十亿人互相推荐好友的

【矩阵分解】如果关注排序效果,那么这个模型可以帮到你

【模型融合】经典模型融合办法:线性模型和树模型的组合拳

【模型融合】一网打尽协同过滤、矩阵分解和线性模型

【模型融合】深度和宽度兼具的融合模型 Wide and Deep

【MAB问题】简单却有效的Bandit算法

【MAB问题】结合上下文信息的Bandit算法

【MAB问题】如何将Bandit算法与协同过滤结合使用

【深度学习】深度学习在推荐系统中的应用有哪些?

【深度学习】用RNN构建个性化音乐播单

【其他应用算法】构建一个科学的排行榜体系

【其他应用算法】实用的加权采样算法

【其他应用算法】推荐候选池的去重策略

【常见架构】典型的信息流架构是什么样的

【常见架构】Netflix个性化推荐架构

【常见架构】总览推荐架构和搜索、广告的关系

【关键模块】巧妇难为无米之炊:数据采集关键要素

【关键模块】让你的推荐系统反应更快:实时推荐

【关键模块】让数据驱动落地,你需要一个实验平台

【关键模块】 推荐系统服务化、存储选型及API设计

【效果保证】推荐系统的测试方法及常用指标介绍

【效果保证】道高一尺魔高一丈:推荐系统的攻防

【开源工具】和推荐系统有关的开源工具及框架介绍

【产品篇】推荐系统在互联网产品商业链条中的地位

【产品篇】说说信息流的前世今生

【团队篇】组建推荐团队及工程师的学习路径

推荐系统的参考阅读

【尾声】遇“荐”之后,江湖再见

《Python数据分析》升级版第二期

课程简介:

本期课程在《Python数据分析》升级版的基础上,主要新增了探索性数据分析(Exploratory Data Analysis,EDA)、金融数据量化分析及深度学习基础等三大数据分析工具,覆盖了时下最前沿的数据分析技术。具体新增内容如下:

新增探索性数据分析,更好地结合数据可视化发掘数据的模式与特点
新增金融数据量化分析,更好地结合时间序列分析探索金融数据的发展趋势
新增深度学习基础,更好地结合机器学习探索人工智能的技术趋势
升级并调整全部随课项目,并提供更详细的分析步骤
系统性地将相关章节的项目整理成一个完整的项目,使学员能够更加充分地理解数据分析的流程和步骤

[code]官方课程链接:http://www.chinahadoop.cn/course/937[/code]

课程目录:

第一课 工作环境准备及数据分析建模理论基础 (2-3课时)
1. 课程介绍
2. 数据分析的基本概念
3. Python简介和环境部署
4. NumPy数据结构及向量化
5. 数据分析建模理论基础
a. 机器学习基础

b. 数据分析建模过程
c. 常用的数据分析建模工具
6. 实战案例1:使用Python实现蒙特卡洛模拟的期权估值

第二课 数据分析工具Pandas (2-3课时)
1. Pandas的数据结构
2. Pandas的数据操作
a. 数据的导入、导出
b. 数据的过滤筛选
c. 索引及多重索引
3. Pandas统计计算和描述
4. 数据的分组与聚合
5. 数据清洗、合并、转化和重构
6. 实战案例2-1:Lending Club借贷数据处理及初步分析

第三课 探索性数据分析(EDA)及数据可视化 (2-3课时)
1. 什么是EDA
2. 探索单变量、多变量的关系及其可视化
3. 3D绘图
4. 实战案例2-2:Lending Club借贷数据探索性分析及可视化

第四课 机器学习及scikit-learn(2-3课时)
1. 机器学习基本概念与流程
2. Python机器学习库scikit-learn
3. 常用评价指标
4. 分类预测模型– Logistic回归与Softmax回归
5. 实战案例2-3:Lending Club借贷违约预测

第五课 金融数据分析(1)–金融时间序列(2-3课时)
1. Pandas的时间处理及操作
2. 金融数据
3. 金融学图表
4. 高频数据分析
5. 实战案例3-1:股票收益率回归分析

第六课 金融数据分析(2)–量化分析 (2-3课时)量化分析基础
1. 量化策略建模流程及回测
2. 常用量化分析指标及框架
3. TA-Lib金融软件工具
4. 实战案例3-2:多因子策略模型

第七课 图像数据处理及分析 (2-3课时)
1. 基本的图像操作和处理
2. 常用的图像特征描述
3. 聚类模型:K-Means
4. 实战案例4:电影海报主色调聚类分析

第八课 深度学习及TensorFlow (2-3课时)
1. 人工神经网络及深度学习
2. TensorFlow框架学习及使用
3. TensorFlow实现卷积神经网络
4. 实战案例5:基于TensorFlow的101类图像识别(Caltech101)

第九课 文本数据分析 (2-3课时)
1. Python文本分析工具NLTK
2. 情感分析与文本分类
3. TensorFlow实现文本深度表示模型Word2Vec
4. 分类与预测模型– 朴素贝叶斯
5. 实战案例6:搜狐新闻数据分类

第十课 项目实战(2-3课时)
1. 交叉验证及参数调整
2. 特征降维与特征选择
3. 实战案例7:根据日常新闻预测股市动向
4. 课程总结

课程截图:

Python3入门机器学习 经典算法与应用

课程简介:

由北京尚学堂人工智能学院研发的这门课程应各位同学对尚学堂的认可和对知识的渴求,希望帮助更多的有志之士能从中获益,也希望能帮助到对人工智能感兴趣的爱好者。
[code]官方课程链接:https://coding.imooc.com/class/chapter/169.html[/code]

课程目录:

第1章 欢迎来到 Python3 玩转机器学习
欢迎大家来到《Python3玩转机器学习》的课堂。在这个课程中,我们将从0开始,一点一点进入机器学习的世界。本门课程对机器学习领域的学习,绝不不仅仅只是对算法的学习,还包括诸如算法的评价,方法的选择,模型的优化,参数的调整,数据的整理,等等一系列工作。准备好了吗?现在开始我们的机器学习之旅!…
1-1 什么是机器学习
1-2 课程涵盖的内容和理念
1-3 课程所使用的主要技术栈

第2章 机器学习基础
机器学习到底是什么鬼?这一章将带领大家深入理解机器学习的世界,让大家去熟悉那些看似陌生的专业术语。监督学习,非监督学习,半监督学习,增强学习,批量学习,在线学习,参数学习,非参数学习。看完这一章,这些概念你就统统了解啦。不仅如此,本章还包含相当深刻地和机器学习相关的哲学探讨,让你深入思索有关机器学习…
2-1 机器学习世界的数据
2-2 机器学习的主要任务
2-3 监督学习,非监督学习,半监督学习和增强学习
2-4 批量学习,在线学习,参数学习和非参数学习
2-5 和机器学习相关的“哲学”思考
2-6 课程使用环境搭建

第3章 Jupyter Notebook, numpy和matplotlib
工欲善其事,必先利其器。在本章,我们将学习和机器学习相关的基础工具的使用:Jupyter Notebook, numpy和matplotlib。大多数教程在讲解机器学习的时候,大量使用这些工具,却不对这些工具进行系统讲解。我特意添加了这个章节,让同学们在后续编写机器学习算法的过程中,更加得心应手!…
3-1 Jupyter Notebook基础
3-2 Jupyter Notebook中的魔法命令
3-3 Numpy数据基础
3-4 创建Numpy数组(和矩阵)
3-5 Numpy数组(和矩阵)的基本操作
3-6 Numpy数组(和矩阵)的合并与分割
3-7 Numpy中的矩阵运算
3-8 Numpy中的聚合运算
3-9 Numpy中的arg运算
3-10 Numpy中的比较和Fancy Indexing
3-11 Matplotlib数据可视化基础
3-12 数据加载和简单的数据探索

第4章 最基础的分类算法-k近邻算法 kNN
k近邻算法本身是一个思想非常简单的算法,但是这个简单算法背后,也蕴含着丰富的内容。在这一章,我们将详细介绍k近邻算法的原理,进而对训练数据集,测试数据集,分类准确度,超参数,数据归一化,样本距离等基础概念进行详细的探讨。我们将详细了解scikit-learn框架中对算法的封装,并实现我们自己的算法框架。我们还将学…
4-1 k近邻算法基础
4-2 scikit-learn中的机器学习算法封装
4-3 训练数据集,测试数据集
4-4 分类准确度
4-5 超参数
4-6 网格搜索与k近邻算法中更多超参数
4-7 数据归一化
4-8 scikit-learn中的Scaler
4-9 更多有关k近邻算法的思考

第5章 线性回归法
线性回归法是机器学习领域的经典算法,很多更复杂的算法都是以线性回归为基础的。在这一章,我们将深入学习线性回归法背后的原理,同时仔细探讨如何评价回归算法。大家将对MSE,RMSE,MAE和R Squared等回归问题的评价指标有充分的理解。在实现层面上,我们还将学习机器学习领域的一个重要的实现技巧:向量化。…
5-1 简单线性回归
5-2 最小二乘法
5-3 简单线性回归的实现
5-4 向量化
5-5 衡量线性回归法的指标:MSE,RMSE和MAE
5-6 最好的衡量线性回归法的指标:R Squared
5-7 多元线性回归和正规方程解
5-8 实现多元线性回归
5-9 使用scikit-learn解决回归问题
5-10 线性回归的可解释性和更多思考

第6章 梯度下降法
梯度下降法是在机器学习领域的一个重要的搜索策略。在这一章,我们将详细讲解梯度下降法的基本原理,一步一步改进梯度下降算法,让大家理解梯度下降法中各种参数,尤其是学习率的意义。同时,我们还将引申出随机梯度下降法和小批量梯度下降法两个方法,让大家对梯度下降法家族有一个全方位的认识。…
6-1 什么是梯度下降法
6-2 模拟实现梯度下降法
6-3 线性回归中的梯度下降法
6-4 实现线性回归中的梯度下降法
6-5 梯度下降法的向量化和数据标准化
6-6 随机梯度下降法
6-7 scikit-learn中的随机梯度下降法
6-8 如何确定梯度计算的准确性?调试梯度下降法
6-9 有关梯度下降法的更多深入讨论

第7章 PCA与梯度上升法
通常教材会使用非常多的数学概念来讲解PCA,在这个课程中,我们将另辟蹊径,绕开繁重的数学概念,使用梯度下降法的姊妹方法:梯度上升法来求解PCA问题,进而深刻理解PCA的基本原理,如何使用PCA进行数据的降维。我们还将给出多个PCA的应用场景,不仅让大家亲手实践出PCA降维的巨大威力,也让大家看到PCA在降噪,人脸识别等…
7-1 什么是PCA
7-2 使用梯度上升法求解PCA问题
7-3 求数据的主成分PCA
7-4 求数据的前n个主成分
7-5 高维数据映射为低维数据
7-6 scikit-learn中的PCA
7-7 试手MNIST数据集
7-8 使用PCA对数据进行降噪
7-9 人脸识别与特征脸

第8章 多项式回归与模型泛化
在这一章,我们将接触非线性问题。我们将学习多项式回归的思想,使用线性回归的思路来解决非线性问题。进一步,我们将引申出或许是机器学习领域最重要的一个问题:模型泛化问题。我们将深入探讨什么是欠拟合,什么是过拟合,怎样检测欠拟合和过拟合。什么是交叉验证,什么是模型正则化。听起来拗口的Ridge和Lasso都是什么鬼…
8-1 什么是多项式回归
8-2 scikit-learn中的多项式回归与Pipeline
8-3 过拟合与欠拟合
8-4 为什么要有训练数据集与测试数据集
8-5 学习曲线
8-6 验证数据集与交叉验证
8-7 偏差方差平衡
8-8 模型泛化与岭回归
8-9 LASSO
8-10 L1, L2和弹性网络

第9章 逻辑回归
据统计,逻辑回归是机器学习领域最常用的分类算法,没有之一!在这一章,我们将逐渐揭开逻辑回归的神秘面纱,了解如何应用线性回归的思路,来解决分类问题。我们将综合之前所学习的很多内容,一点一点来完善我们的逻辑回归模型。我们还将继续深入分类问题,学习对分类结果概率的估计,以及决策边界等重要概念。 …
9-1 什么是逻辑回归
9-2 逻辑回归的损失函数
9-3 逻辑回归损失函数的梯度
9-4 实现逻辑回归算法
9-5 决策边界
9-6 在逻辑回归中使用多项式特征
9-7 scikit-learn中的逻辑回归
9-8 OvR与OvO

第10章 评价分类结果
对机器学习分类算法结果的评估,是一个公认的复杂问题。在这一章,我们将来阐述这个问题为什么复杂。我们如何更好地看待我们的机器学习算法给出的结果。学习诸如混淆矩阵,准确率,精确率,召回率,F1,以及ROC等诸多评价分类结果的指标。通过这一章的学习,大家将更好地理解自己的机器学习算法给出的结果,从而在实际应用…
10-1 准确度的陷阱和混淆矩阵
10-2 精准率和召回率
10-3 实现混淆矩阵,精准率和召回率
10-4 F1 Score
10-5 精准率和召回率的平衡
10-6 精准率-召回率曲线
10-7 ROC曲线
10-8 多分类问题中的混淆矩阵

第11章 支撑向量机 SVM
在这一章,我们将深入学习大名鼎鼎的支撑向量机SVM。我们将从线性SVM开始,理解SVM的思路,进而深入理解SVM解决非线性问题的方式——核函数。我们将重点学习两个最重要的核函数:多项式核和径向基函数核。我们更会使用真实的数据集实验,看到SVM的优缺点。最后,我们还将探讨使用SVM解决回归问题的思路。 …
11-1 什么是SVM
11-2 SVM背后的最优化问题
11-3 Soft Margin SVM
11-4 scikit-learn中的SVM
11-5 SVM中使用多项式特征和核函数
11-6 到底什么是核函数
11-7 RBF核函数
11-8 RBF核函数中的gamma
11-9 SVM思想解决回归问题

第12章 决策树
在这一章,我们将学习另外一个大名鼎鼎的机器学习算法:决策树。决策树本身非常简单,背后并没有复杂的数学模型,但使用好决策树也有很多技巧。我们将深入了解什么是熵模型,什么是基尼系数,怎样使用决策树解决分类问题,怎样获得分类的概率,怎样用决策树解决回归问题,以及使用决策树的注意事项。 …
12-1 什么是决策树
12-2 信息熵
12-3 使用信息熵寻找最优划分
12-4 基尼系数
12-5 CART与决策树中的超参数
12-6 决策树解决回归问题
12-7 决策树的局限性

第13章 集成学习和随机森林
集成学习的思想是机器学习领域解决问题的一种重要思想。我们将从集成之前已经学习过的算法出发,进而引入集成学习的经典算法:随机森林。我们将看到集成学习的威力。在这一章,我们还会对其他集成学习的思想,如AdaBoost, Gradient Boosting, Stacking等算法进行介绍。 …
13-1 什么是集成学习
13-2 Soft Voting Classifier
13-3 Bagging 和 Pasting
13-4 oob (Out-of-Bag) 和关于Bagging的更多讨论
13-5 随机森林和 Extra-Trees
13-6 Ada Boosting 和 Gradient Boosting
13-7 Stacking

第14章 更多机器学习算法
相信通过这个课程的学习。同学们学到的不仅仅是一个一个零散的机器学习算法,更对机器学领域解决问题的方式有了一个系统性的认识。学会了这种思维方法,相信大家都可以更好地继续深入学习机器学习。在最后,我将给大家介绍scikit-learn的文档,希望大家能够借助scikit-learn这个强大的机器学习库,继续探索机器学习这个当下…

14-1 学习scikit-learn文档, 大家加油!
14-2 学习完这个课程以后怎样继续深入机器学习的学习?

课程截图:

计算机视觉班 [从CV基础到深度学习实战]

课程简介:

此套计算机视觉-从CV基础到深度学习实战视频教程从图像处理基础、机器视觉中的特征提取与描述、坐标变换与视觉测量,到数据处理、图像搜索、深度学习在图像识别中的应用、图像标注与问答、3D计算机视觉、机器视觉项目实战。整个课程由浅入深,结合案例真枪实战,是不可多得的CV上佳课程。教程共包含10节课的内容,从CV基础,到深度学习实战,由浅入深,每次课都推出实例应用,注重深入浅出、真枪实战。学习者需要一定的编程、图像处理基础,或者说学过编程 学过点图像处理。

[code]官方课程链接:https://www.julyedu.com/course/getDetail/44[/code]

课程目录:

第一讲 工欲善其事必先利其器——图像处理基础
1. CV背景介绍
2. OpenCV完全解析基础
3. 图像的基本操作:遍历图像6种方法,ROI选取等

第二讲 初探计算机视觉
1. VideoCapture类介绍
2. Opencv编程常见错误
3. Python环境搭建+语法
应用:机器学习在CV中的应用(python与C++多种演示)

第三讲 空域图像处理的洪荒之力
1. 图像卷积运算
2. 边缘检测方法:sobel,canny以及图像拉普拉斯
应用:车牌识别项目

第四讲:机器视觉中的特征提取与描述
1. 霍夫变换
2. 局部特征大汇总
应用:无人车项目提示

第五讲:坐标变换与视觉测量
1. 相机模型
2. 2D、3D、坐标变换
3. 相机标定
应用:增强现实技术simple VR不神秘(第四,第五讲综合演练)

第六讲:深度学习在图像识别中的应用
分类:linear regression, neural networks
检测:bounding box regression
定位:localization
应用:使用CNN进行图像识别

第七讲:图像检索
1. 图像检索与特征抽取
2. 海量数据与快速检索
3. 电商商品检索技术
应用:基于Tensorflow与近似最近邻查找的图像检索示例

第八讲:图像标注与问答

1. 语言模型介绍
2. LSTM模型与标注问题
3. 应用:DenseCaption in Generating Captions in Images

第九讲:3D计算机视觉
1. 表面和外形重构
2. 基于模型的重构
3. 应用:人脸动画

第十讲:机器视觉项目实战
CV 实战:以鲸鱼识别为例,利用深度学习解决Kaggle竞赛中的图像分类问题

课程截图:

深度学习进阶:算法与应用

课程简介:

彭亮
美国犹他州立大学在读计算机博士,从事机器学习,深度学习,以及计算机视觉方向的研究。美国国家科学基金年轻学者奖学金获得者。

[code]官方课程链接:http://www.maiziedu.com/course/572/[/code]

课程目录:

1.基本概念清晰版
2.软件包安装和环境配置总述
3.环境配置分部详解
4.环境配置分部详解下
5.手写数字识别
6.神经网络基本结构及梯度下降算法
7.随机梯度下降算法
8.梯度下降算法实现上
9.梯度下降算法实现下
10.神经网络手写数字演示
11.Backpropagation算法上
12.Backpropagation算法下
13.Backpropagation算法实现
14.cross-entropy函数
15.Softmax和Overfitting
16.Regulization
17.Regulazition和Dropout
18.正态分布和初始化(修正版)
19.提高版本的手写数字识别实现
20.神经网络参数hyper-parameters选择
21.深度神经网络中的难点
22.用ReL解决VanishingGradient问题
23.ConvolutionNerualNetwork算法
24.ConvolutionNeuralNetwork实现上
25.ConvolutionNeuralNetwork实现下
26.Restricted Boltzmann Machine
27.Restricted Boltzmann Machine下
28.Deep Brief Network 和 Autoencoder

课程截图:

深度学习基础介绍-机器学习

课程简介:

本课作为深度学习系列课程的第一阶段,介绍机器学习的基本概念,原理,以及常用算法(如决策树,支持向量机,神经网络算法等)。以Python语言为工具对每种算法进行结合实例讲解。学生学完本课程后将会理解机器学习的常用算法原理,并会使用Python中相关的package来对实际问题进行数据预处理,分类和回归分析。为开发机器学习相关应用打下必要基础,同时也为学习深度学习进阶课程打下必要基础。

[code]官方课程链接:http://www.maiziedu.com/course/373/[/code]

课程目录:

1.课程介绍机器学习介绍上
2.课程介绍机器学习介绍下
3.深度学习介绍
4.基本概念
5.决策树算法
6.决策树应用
7.最邻近规则分类KNN算法
8.最邻近规则KNN分类应用
9.支持向量机SVM上
10.支持向量机SVM上应用
11.神经网络算法应用上
12.神经网络算法应用下
13.简单线性回归上
14.简单线性回归下
15.多元线性回归
16.多元线性回归应用
17.非线性回归 Logistic Regression
18.非线性回归应用
19.神经网络NN算法
20.支持向量机(SVM)算法(下)应用
21.支持向量机(SVM)算法下
22.回归中的相关度和决定系数
23.回归中的相关性和R平方值应用
24.Kmeans算法
25.Kmeans应用
26.Hierarchical clustering 层次聚类
27.总结

课程截图:

深度实战玩转算法-看的见的算法 7个经典应用诠释算法精髓

课程简介:

看的见的算法 7个经典应用诠释算法精髓
采用基础的Java语言,通过7款经典好玩的游戏,bobo老师带你进入不一样的算法世界,体验算法在实际开发中的应用,真正把算法用起来!

利用视觉去思考,最直观的算法应用
可扩展项目应用

课程中讲解Demo可用于毕设,面试,技术提升,个人项目原型
直观的实例讲解
全网稀缺,将算法以图形可视化的形式直接展现出来
与实际应用接轨
不仅仅是枯燥的数学推导和逻辑实现,更会将算法知识联合实际应用

[code]官方课程链接:https://coding.imooc.com/class/chapter/138.html[/code]

课程目录:

第1章 欢迎来到看得见的算法
欢迎来到看得见的算法。这个课程将以独一无二的方式,向你展示算法究竟有什么用,在实际项目中能做什么,并向你一一展示通过学习这个课程,你将能够制作出多么酷炫的程序:)
1-1 欢迎来到看得见的算法
1-2 学习这个课程将完成什么项目?
1-3 关于本课程的编程环境
1-4 更多学习本课程的注意事项

第2章 要想看得见,先要搞定GUI编程
在这一章,你将从0开始接触Java Swing编程,进入GUI的编程世界。通过这一章的学习,你将了解Java Swing最基本的用法。在这一章的最后,你将能够使用Java Swing制作简单额动画,并且能够使用键盘鼠标进行交互。
2-1 使用JFrame
2-2 创建属于自己的第一个JFrame子类
2-3 设置画布与图形绘制基础
2-4 使用Graphics2D
2-5 整理绘制工具类
2-6 高级绘制特性:抗锯齿和双缓存
2-7 动画基础
2-8 算法可视化中的MVC
2-9 键盘事件
2-10 鼠标事件
2-11 课程所使用的GUI编程模板

第3章 概率模拟算法
什么是蒙特卡洛算法?如果一个房间有100个人,每一时刻所有人都随机给另外的人一块钱,一定时间以后,房间里人们的财富分配是怎样的?怎么求解PI的近似值?著名的三门问题是怎么回事?游戏里的宝箱,有20%的中奖率,打开5个宝箱就一定能中奖吗?对于这些问题,在这一章将统统给你答案!…
3-1 一个有意思的分钱模拟问题
3-2 深入随机分钱问题
3-3 蒙特卡洛算法
3-4 使用蒙特卡洛算法求PI值
3-5 不需要可视化的蒙特卡洛模拟
3-6 三门问题
3-7 你一定能中奖吗?

第4章 排序算法可视化
有没有见过网上酷炫的排序过程动画?在这一章,我们将带领你制作选择排序,插入排序,归并排序,快速排序和堆排序的动画。通过这些动画,我们将更深入的理解这些排序算法的优劣,以及相应的优化思路:)
4-1 选择排序算法可视化.
4-2 为可视化添加更多效果
4-3 插入排序可视化.
4-4 在近乎有序的数据上测试插入排序算法.
4-5 通过归并排序算法深入理解递归
4-6 归并排序算法可视化.
4-7 快速排序算法可视化
4-8 在快速排序中随机选取标定点
4-9 双路快速排序算法可视化
4-10 三路快速排序算法可视化
4-11 堆排序算法可视化

第5章 走迷宫
走迷宫是一个经典问题。这一章将针对这个经典问题进行详细分析,最终完成一个可视化的计算机自动在迷宫中寻找正确路径的动画应用。通过这个动画的制作,我们还将深入分析深度优先遍历和广度优先遍历,发现这二者之间最为重要的联系。…
5-1 处理迷宫文件
5-2 迷宫可视化
5-3 迷宫问题和图的遍历
5-4 深度优先递归走迷宫
5-5 迷宫问题与回溯法
5-6 非递归深度优先走迷宫
5-7 非递归深度优先走迷宫求解最终路径
5-8 广度优先走迷宫问题
5-9 深度优先遍历和广度优先遍历的内在联系

第6章 随机迷宫生成
RPG游戏中的迷宫都是如何随机生成的?在这一章,我们将探索一种随机迷宫的生成算法,并且完成一个从无到获得完整酷炫迷宫的动画过程。通过学习这个算法,我们也将领悟,如何在深入理解经典算法的基础上,改进算法,制作个性化的数据结构,来完成不一样的目标。 …
6-1 什么是迷宫
6-2 生成迷宫基础
6-3 深度优先遍历生成迷宫
6-4 非递归深度优先遍历生成迷宫
6-5 广度优先遍历生成迷宫
6-6 随机队列生成迷宫
6-7 迷宫生成的迷雾效果
6-8 生成随机性更强的迷宫
6-9 更多迷宫问题

第7章 自己做一个扫雷游戏
虽然游戏引擎越来越发达,但并非所有的游戏都能够通过拖拖拽拽来完成。扫雷就是一个例子。通过这章的学习,我们将探索制作扫雷这个游戏背后的算法,让大家认识到算法无处不在。即使是一个简单的扫雷,如果不会算法,还真实现不出来呢:)…
7-1 扫雷是什么鬼?扫雷里包含什么算法?
7-2 扫雷代码基础
7-3 随机生成雷区
7-4 验证随机生成雷区算法的随机性
7-5 Fisher-Yates洗牌算法的应用
7-6 为扫雷程序加入交互
7-7 扫雷与floodfill算法
7-8 更多扫雷相关和floodfill算法的应用

第8章 益智游戏自动生成解 – Move the Box
喜欢益智游戏,但是脑细胞不够用?让我们编程来自动求解一个益智游戏吧!通过这个过程,我们也将初步接触经典人工智能的核心思想——搜索。希望学完了本章课程,你不仅能够学会自动求解Move the Box这个游戏,还能够自己写出求解其他益智游戏的自动化算法。分分钟掌握黑科技!…
8-1 玩一玩Move the Box
8-2 求解Move the Box的数据架构
8-3 求解Move the Box的渲染
8-4 搜索框架
8-5 处理箱子掉落过程
8-6 处理箱子消除过程
8-7 显示问题的解
8-8 更多搜索优化思路
8-9 更多人工智能相关

第9章 分形图的绘制:计算机生成艺术
计算机算法不仅仅可以用于计算求解,还可以用于艺术领域!分形艺术便是其中之一。在这一章中,我们将学习形形色色的分形图的绘制方法,用代码生成绚丽的图案,帮助你实现艺术家的梦想!
9-1 分形到底是什么鬼
9-2 递归绘制基础
9-3 Vicsek 分形图的绘制
9-4 为分形绘制添加交互
9-5 Sierpinski 分形绘制
9-6 Sierpinski 三角形
9-7 Koch雪花分形背后的数学分析
9-8 编写Koch雪花分形
9-9 利用分形绘制树

第10章 看得见的算法,下季再见!
准备这个选题的时候,我列出了可以讲解的20余种应用,之后挑选了难度适中且具有代表性的7个形成了现在的课程。算法的用处其实还多着呢。如果大家喜欢,我将继续为大家奉献:看得见的算法,第二季!:)
10-1 看得见的算法,下一季再见!

课程截图:


感谢来自@cdsf 的投稿!!

唐宇迪:python数据分析与机器学习实战

课程简介:

适用人群
数据分析,机器学习,数据挖掘领域研究者。Python语言使用者。

课程概述:
使用数据领域最主流语言Python及其分析与建模库作为核心武器。对于机器学习经典算法给出完整的原理推导并基于实例进行讲解,基于案例演示如何应用机器学习算法解决实际问题。

课程特色:
1. 通俗易懂,快速入门
对机器学习经典算法结合数学推导进行形象解释,实例演示。
2. Python主导,实用高效
使用数据领域最主流语言Python及其分析与建模库作为课程核心工具。
3. 案例为师,实战护航
基于真实数据集,从零开始结合Python工具与机器学习算法完成整个案例实战。
4. 持续更新,一劳永逸
Python数据分析与机器学习课程会支持更新下去,逐步加入更多算法与案例。

官方课程链接:http://study.163.com/course/introduction.htm?courseId=1003590004

课程目录:

章节1:人工智能入门指南
课时1课程介绍(主题与大纲)
课时2AI时代首选Python
课时3Python我该怎么学
课时4人工智能的核心-机器学习
课时5机器学习怎么学?
课时6算法推导与案例

章节2:Python科学计算库-Numpy
课时7使用Anaconda安装python环境(Python新手先看这个)
课时8课程数据,代码,PPT(在参考资料界面)
课时9科学计算库Numpy
课时10Numpy基础结构
课时11Numpy矩阵基础
课时12Numpy常用函数
课时13矩阵常用操作
课时14不同复制操作对比

章节3:python数据分析处理库-Pandas
课时15Pandas数据读取
课时16Pandas索引与计算
课时17Pandas数据预处理实例
课时18Pandas常用预处理方法
课时19Pandas自定义函数
课时20Series结构

章节4:Python数据可视化库-Matplotlib
课时21折线图绘制
课时22子图操作
课时23条形图与散点图
课时24柱形图与盒图
课时25细节设置

章节5:Python可视化库Seaborn
课时26Seaborn简介
课时27整体布局风格设置
课时28风格细节设置
课时29调色板
课时30调色板颜色设置
课时31单变量分析绘图
课时32回归分析绘图
课时33多变量分析绘图
课时34分类属性绘图
课时35Facetgrid使用方法
课时36Facetgrid绘制多变量
课时37热度图绘制

章节6:线性回归算法原理推导
课时38线性回归算法概述
课时39误差项分析
课时40似然函数求解
课时41目标函数推导
课时42线性回归求解

章节7:梯度下降策略
课时43梯度下降原理
课时44梯度下降方法对比
课时45学习率对结果的影响

章节8:逻辑回归算法
课时46逻辑回归算法原理推导
课时47逻辑回归求解

章节9:案例实战:Python实现逻辑回归与梯度下降策略
课时48Python实现逻辑回归任务概述
课时49完成梯度下降模块
课时50停止策略与梯度下降案例
课时51实验对比效果

章节10:项目实战-交易数据异常检测
课时52案例背景和目标
课时53样本不均衡解决方案
课时54下采样策略
课时55交叉验证
课时56模型评估方法
课时57正则化惩罚
课时58逻辑回归模型
课时59混淆矩阵
课时60逻辑回归阈值对结果的影响
课时61SMOTE样本生成策略

章节11:决策树算法
课时62决策树原理概述
课时63衡量标准-熵
课时64决策树构造实例
课时65信息增益率
课时66决策树剪枝策略

章节12:案例实战:使用sklearn构造决策树模型
课时67决策树复习
课时68决策树涉及参数
课时69树可视化与sklearn库简介
课时70sklearn参数选择

章节13:集成算法与随机森林
课时71集成算法-随机森林
课时72特征重要性衡量
课时73提升模型
课时74堆叠模型

章节14:案例实战:泰坦尼克获救预测
课时75船员数据分析
课时76数据预处理
课时77使用回归算法进行预测
课时78使用随机森林改进模型
课时79随机森林特征重要性分析

章节15:贝叶斯算法
课时80贝叶斯算法概述
课时81贝叶斯推导实例
课时82贝叶斯拼写纠错实例
课时83垃圾邮件过滤实例
课时84贝叶斯实现拼写检查器

章节16:Python文本数据分析:新闻分类任务
课时85文本分析与关键词提取
课时86相似度计算
课时87新闻数据与任务简介
课时88TF-IDF关键词提取
课时89LDA建模
课时90基于贝叶斯算法进行新闻分类

章节17:支持向量机
课时91支持向量机要解决的问题
课时92距离与数据的定义
课时93目标函数
课时94目标函数求解
课时95SVM求解实例
课时96支持向量的作用
课时97软间隔问题
课时98SVM核变换

章节18:案例:SVM调参实例
课时99sklearn求解支持向量机
课时100SVM参数选择

章节19:聚类算法-Kmeans
课时101KMEANS算法概述
课时102KMEANS工作流程
课时103KMEANS迭代可视化展示
课时104使用Kmeans进行图像压缩

章节20:聚类算法-DBSCAN
课时105DBSCAN聚类算法
课时106DBSCAN工作流程
课时107DBSCAN可视化展示

章节21:案例实战:聚类实践
课时108多种聚类算法概述
课时109聚类案例实战

章节22:降维算法-PCA主成分分析
课时110PCA降维概述
课时111PCA要优化的目标
课时112PCA求解
课时113PCA实例

章节23:神经网络
课时114初识神经网络
课时115计算机视觉所面临的挑战
课时116K近邻尝试图像分类
课时117超参数的作用
课时118线性分类原理
课时119神经网络-损失函数
课时120神经网络-正则化惩罚项
课时121神经网络-softmax分类器
课时122神经网络-最优化形象解读
课时123神经网络-梯度下降细节问题
课时124神经网络-反向传播
课时125神经网络架构
课时126神经网络实例演示
课时127神经网络过拟合解决方案
课时128感受神经网络的强大

章节24:Xgboost集成算法
课时129集成算法思想
课时130xgboost基本原理
课时131xgboost目标函数推导
课时132xgboost求解实例
课时133xgboost安装
课时134xgboost实战演示
课时135Adaboost算法概述

章节25:自然语言处理词向量模型-Word2Vec
课时136自然语言处理与深度学习
课时137语言模型
课时138-N-gram模型
课时139词向量
课时140神经网络模型
课时141Hierarchical Softmax
课时142CBOW模型实例
课时143CBOW求解目标
课时144梯度上升求解
课时145负采样模型

章节26:使用Gensim库构造中文维基百度数据词向量模型
课时146使用Gensim库构造词向量
课时147维基百科中文数据处理
课时148Gensim构造word2vec模型
课时149测试模型相似度结果

章节27:scikit-learn模型建立与评估
课时150使用python库分析汽车油耗效率
课时151使用scikit-learn库建立回归模型
课时152使用逻辑回归改进模型效果
课时153 模型效果衡量标准
课时154ROC指标与测试集的价值
课时155交叉验证
课时156多类别问题

章节28:Python库分析科比生涯数据
课时157Kobe Bryan生涯数据读取与简介
课时158特征数据可视化展示
课时159数据预处理
课时160使用Scikit-learn建立模型

章节29:Python时间序列分析

课时161章节简介
课时162Pandas生成时间序列
课时163Pandas数据重采样
课时164Pandas滑动窗口
课时165数据平稳性与差分法
课时166ARIMA模型
课时167相关函数评估方法
课时168建立ARIMA模型
课时169参数选择
课时170股票预测案例
课时171使用tsfresh库进行分类任务
课时172维基百科词条EDA

章节30:机器学习项目实战-贷款申请最大化利润
课时173数据清洗过滤无用特征
课时174数据预处理
课时175获得最大利润的条件与做法
课时176预测结果并解决样本不均衡问题

章节31:机器学习项目实战-用户流失预警
课时177数据背景介绍
课时178数据预处理
课时179尝试多种分类器效果
课时180结果衡量指标的意义
课时181应用阈值得出结果

章节32:探索性数据分析-足球赛事数据集
课时182内容简介
课时183数据背景介绍
课时184数据读取与预处理
课时185数据切分模块
课时186缺失值可视化分析
课时187特征可视化展示
课时188多特征之间关系分析
课时189报表可视化分析
课时190红牌和肤色的关系

章节33:探索性数据分析-农粮组织数据集
课时191数据背景简介
课时192数据切片分析
课时193单变量分析
课时194峰度与偏度
课时195数据对数变换
课时196数据分析维度
课时197变量关系可视化展示

章节34:机器学习项目实战-HTTP日志聚类分析
课时198建立特征工程
课时199特征数据预处理
课时200应用聚类算法得出异常IP

课程截图: