第 1 講雜亂體系 1.1物理猜測的成功與失效 1.2猜測失效原因 1.3雜亂體系引論 1.4日子例項與本章答疑 第 2 講大資料與機器學習 2.1大資料猜測由於噪聲失效 2.2大資料與機器學習 第 3 講人工智慧的三個階段 3.1規矩階段 3.2機器學習階段開展至銜接主義階段 3.3課間答疑 3.4銜接主義階段開展至深度學習階段 3.5三個階段總結剖析 3.6人工智慧的運用（一） 3.7人工智慧的運用（二） 3.8課間答疑 3.9課程綱要（一） 3.10課程綱要（二） 第 4 講高等數學—元素和極限 4.1實數的界說（一） 4.2實數的界說（二） 4.3實數的界說（三） 4.4實數的元素個數（一） 4.5實數的元素個數（二） 4.6天然數個數少於實數個數（一） 4.7天然數個數少於實數個數（二） 4.8無量大之比較（一） 4.9無量大之比較（二） 4.10級數的收斂 4.11極限的界說 4.12極限的四則運算 4.13極限的複合 4.14接連性 第 5 講雜亂網路經濟學運用 5.1用網路的思想看經濟結構 5.2雜亂網路知道前後 5.3從網路結構看不同區域（一） 5.4從網路結構看不同區域（二） 第 6 講機器學習與監督演算法 6.1什麼是機器學習 6.2機器學習的型別 6.3簡略迴歸例項（一） 6.4簡略迴歸例項（二） 6.5簡略迴歸例項（三） 第 7 講阿爾法狗與強化學習演算法 7.1人工智慧的開展 7.2強化學習演算法（一） 7.3強化學習演算法（二） 7.4強化學習演算法（三） 7.5Alphago給咱們的啟示 7.6無監督學習 第 8 講高等數學—兩個重要的極限定理 8.1元素與極限的常識點回憶 8.2第一個重要極限定理的證明（一） 8.3第一個重要極限定理的證明（二） 8.4夾逼定理 8.5第二個重要極限定理的證明 第 9 講高等數學—導數 9.1導數的界說 9.2初等函式的導數 9.3反函式的導數（一） 9.4反函式的導數（二） 9.5複合函式的導數 9.6泰勒開啟 9.7羅爾定理 9.8微分中值定理和柯西中值定理 9.9洛比塔規律 9.10泰勒開啟的證明 第 10 講貝葉斯理論 10.1梯度優化（一） 10.2梯度優化（二） 10.3概率根底 10.4概率與事情 10.5貝葉斯推理（一） 10.6貝葉斯推理（二） 10.7貝葉斯推理（三） 10.8辛普森案件 10.9貝葉斯推理深化 10.10貝葉斯於機器學習（一） 10.11貝葉斯於機器學習（二） 10.12貝葉斯決議計劃（一） 10.13貝葉斯決議計劃（二） 10.14貝葉斯決議計劃（三） 第 11 講高等數學—泰勒開啟 11.1泰勒開啟 11.2開啟半徑 11.3尤拉公式 11.4泰勒開啟求極限（一） 11.5泰勒開啟求極限（二） 第 12 講高等數學—偏導數 12.1偏導數的對稱性 12.2鏈式規律 12.3梯度算符、拉氏算符 第 13 講高等數學—積分 13.1黎曼積分 13.2微積分根本定理 13.3分部積分（一） 13.4分部積分（二） 第 14 講高等數學—正態散佈 14.1標準正態散佈 14.2中心極限定理 14.3差錯函式 14.4二維正態散佈 14.5多維正態散佈 第 15 講樸素貝葉斯和最大似然估量 15.1蒙特卡洛剖析（一） 15.2蒙特卡洛剖析（二） 15.3貝葉斯先驗 15.4先驗到後驗的程序 15.5樸素貝葉斯（一） 15.6樸素貝葉斯（二） 15.7演算法規劃 15.8TF-IDF（一） 15.9TF-IDF（二） 15.10樸素貝葉斯（三） 15.11最大似然估量（一） 15.12最大似然估量（二） 第 16 講線性代數—線性空間和線性改換 16.1線性代數概述 16.2線性代數運用辦法論 16.3線性乘法的可交換性和結合律 16.4線性空間 16.5線性空間八條規律（一） 16.6線性空間八條規律（二） 16.7線性空間八條規律（三） 16.8接連傅立葉改換 16.9離散傅立葉改換 16.10非常規線性空間 16.11線性相關和線性無關 16.12秩 第 17 講資料科學和核算學（上） 17.1課程Overview 17.2回憶核算學（一） 17.3回憶核算學（二） 17.4回憶核算學（三） 17.5回憶資料科學（一） 17.6回憶資料科學（二）和教材介紹 17.7R和RStudio等介紹（一） 17.8R和RStudio等介紹（二） 17.9隨機變數（一） 17.10隨機變數（二） 17.11換門的概率模仿核算（一） 17.12換門的概率模仿核算（二） 17.13換門的概率模仿核算（三） 第 18 講線性代數—矩陣、等價類和行列式 18.1線性代數常識點回憶 18.2矩陣表明線性改變 18.3可逆矩陣表明座標改變 18.4類似矩陣 18.5類似矩陣表明相同線性改變 18.6線性代數解微分方程 18.7矩陣的運算—轉秩（一） 18.8矩陣的運算—轉秩（二） 18.9等價聯絡 18.10等價類 18.11行列式（一） 18.12行列式（二） 18.13行列式（三） 第 19 講Python根底課程（上） 19.1Python介紹（一） 19.2Python介紹（二） 19.3變數—命名標準 19.4變數—程式碼標準 19.5變數型別—數值型別 19.6變數型別—bool型別 19.7變數型別—字串型別（一） 19.8課間答疑 19.9變數型別—字串型別（二） 19.10變數型別—字串型別（三） 19.11變數型別—列表型別（一） 19.12變數型別—列表型別（二） 19.13變數型別—列表型別（三） 19.14變數型別—元組型別、字典型別（一） 19.15變數型別—字典型別（二） 第 20 講線性代數—特徵值與特徵向量 20.1線性代數常識點回憶 20.2例題解說（一） 20.3例題解說（二） 20.4例題解說（三） 20.5特徵值與特徵向量的物理含義 20.6特徵值與特徵向量的性質（一） 20.7特徵值與特徵向量的性質（二） 20.8本徵值的核算（一） 20.9本徵值的核算（二） 20.10線性代數中心定理 20.11對偶空間（一） 20.12對偶空間（二） 20.13歐氏空間與閔氏空間 20.14厄米矩陣 第 21 講監督學習結構 21.1經歷差錯和泛化差錯 21.2最大後驗估量 21.3正則化 21.4lasso迴歸 21.5超引數（一） 21.6超引數（二） 21.7監督學習結構（一） 21.8監督學習結構（二） 21.9KNN(K最近鄰)演算法（一） 21.10KNN(K最近鄰)演算法（二） 21.11KNN(K最近鄰)演算法（三） 21.12線性分類器 21.13高斯判別模型（一） 21.14高斯判別模型（二） 第 22 講Python根底課程（下） 22.1條件判別（一） 22.2條件判別（二） 22.3迴圈（一） 22.4迴圈（二） 22.5課間答疑 22.6迴圈（三） 22.7迴圈（四） 22.8函式（一） 22.9函式（二） 22.10函式（三） 22.11函式（四） 22.12類（一） 22.13類（二） 22.14類（三） 第 23 講PCA、降維辦法引進 23.1無監督學習結構 23.2降維存在的原因 23.3PCA數學剖析辦法（一） 23.4PCA數學剖析辦法（二） 23.5PCA數學剖析辦法（三） 23.6PCA數學剖析辦法（四） 23.7PCA之外的降維辦法—LDA 23.8PCA背面的假定（一） 23.9PCA背面的假定（二） 第 24 講資料科學和核算學（下） 24.1課程Overview 24.2瞭解核算思想（一） 24.3瞭解核算思想（二） 24.4瞭解核算思想（三） 24.5概率空間 24.6隨機變數（一） 24.7隨機變數（二） 24.8隨機變數（三） 24.9隨機變數（四） 24.10引數估量（一） 24.11引數估量（二） 24.12假定檢驗（一） 24.13假定檢驗（二） 第 25 講Python操作資料庫、 Python爬蟲 25.1課程介紹 25.2知道聯絡型資料庫（一） 25.3知道聯絡型資料庫（二） 25.4MySQL資料庫與Excel的不同 25.5命令列操作資料庫（一） 25.6命令列操作資料庫（二） 25.7命令列操作資料庫（三） 25.8命令列操作資料庫（四） 25.9Python操作資料庫（一） 25.10Python操作資料庫（二） 25.11Python操作資料庫（三） 25.12Python操作資料庫（四） 25.13Python爬蟲（一） 25.14Python爬蟲（二） 25.15Python爬蟲（三） 25.16Python爬蟲（四） 25.17Python爬蟲（五） 第 26 講線性分類器 26.1Lasso：alpha引數與準確率（一） 26.2Lasso：alpha引數與準確率（二） 26.3Lasso：alpha引數與準確率（三） 26.4線性分類器 26.5LDA（一） 26.6LDA（二） 26.7LDA（三） 26.8Perceptron（一） 26.9Perceptron（二） 26.10Perceptron（三） 26.11Perceptron（四） 26.12熵與資訊（一） 26.13熵與資訊（二） 第 27 講Python進階（上） 27.1NumPy根本操作（一） 27.2NumPy根本操作（二） 27.3NumPy根本操作（三） 27.4NumPy根本操作（四） 27.5NumPy根本操作（五） 27.6NumPy根本操作（六） 27.7Pandas根本操作（一） 27.8Pandas根本操作（二） 27.9Pandas根本操作（三） 27.10Pandas根本操作（四） 27.11Pandas繪圖（一） 27.12Pandas繪圖（二） 27.13Pandas繪圖（三） 27.14Pandas繪圖（四） 第 28 講Scikit-Learn 28.1課程介紹 28.2Scikit-Learn介紹 28.3資料處理（一） 28.4資料處理（二） 28.5模型例項、模型挑選（一） 28.6模型例項、模型挑選（二） 28.7模型例項、模型挑選（三） 28.8模型例項、模型挑選（四） 28.9模型例項、模型挑選（五） 第 29 講熵、邏輯斯蒂迴歸、SVM引進 29.1熵（一） 29.2熵（二） 29.3熵（三） 29.4熵（四） 29.5熵（五） 29.6熵（六） 29.7熵（七） 29.8邏輯斯蒂迴歸（一） 29.9邏輯斯蒂迴歸（二） 29.10邏輯斯蒂迴歸（三） 29.11邏輯斯蒂迴歸（四） 29.12邏輯斯蒂迴歸（五） 29.13SVM引進 第 30 講Python進階（下） 30.1泰坦尼克資料處理與剖析（一） 30.2泰坦尼克資料處理與剖析（二） 30.3泰坦尼克資料處理與剖析（三） 30.4泰坦尼克資料處理與剖析（四） 30.5泰坦尼克資料處理與剖析（五） 30.6泰坦尼克資料處理與剖析（六） 30.7泰坦尼克資料處理與剖析（七） 30.8泰坦尼克資料處理與剖析（八） 30.9泰坦尼克資料處理與剖析（九） 第 31 講決議計劃樹 31.1決議計劃樹（一） 31.2決議計劃樹（二） 31.3決議計劃樹（三） 31.4決議計劃樹（四） 第 32 講資料出現根底 32.1課程安排 32.2什麼是資料視覺化 32.3規劃原則 32.4資料視覺化流程 32.5視覺編碼 32.6圖形挑選（一） 32.7圖形挑選（二） 32.8圖形挑選（三） 第 33 講雲核算開始 33.1Hadoop介紹 33.2Hdfs運用（一） 33.3Hdfs運用（二） 33.4MapReduce（一） 33.5MapReduce（二） 33.6Hive運用（一） 33.7Hive運用（二） 33.8Hive運用（三） 33.9Hive運用（四） 第 34 講D-Park實戰 34.1Pig運用（一） 34.2Pig運用（二） 34.3Pig運用（三） 34.4Pig運用（四） 34.5Pig運用（五） 34.6Pig運用（六） 34.7Spark運用（一） 34.8Spark運用（二） 34.9Spark運用（三） 34.10Spark運用（四） 34.11Spark運用（五） 34.12Spark運用（六） 34.13Spark運用（七） 第 35 講第四正規化共享 35.1引薦技能的介紹 35.2人是怎麼引薦商品的 35.3引薦體系的形式化以及怎麼評價引薦成果 35.4求解—從資料到模型 35.5資料拆分與特徵工程 35.6引薦體系機器學習模型 35.7評價模型 35.8建模程序的演示與課間答疑 第 36 講決議計劃樹到隨機森林 36.1決議計劃樹 36.2隨機森林 36.3在Scikit-Learn裡邊怎麼用隨機森林做猜測（一） 36.4在Scikit-Learn裡邊怎麼用隨機森林做猜測（二） 36.5模型引數的介紹 36.6整合辦法（一） 36.7整合辦法（二） 36.8Blending 36.9gt多樣化 36.10Bagging與決議計劃樹（一） 36.11Bagging與決議計劃樹（二） 36.12Boosting辦法（一） 36.13Boosting辦法（二） 36.14Boosting辦法（三） 36.15Boosting辦法（四） 第 37 講資料出現進階 37.1靜態資訊圖（一） 37.2靜態資訊圖（二） 37.3靜態資訊圖（三） 37.4靜態資訊圖（四） 37.5靜態資訊圖（五） 37.6HTML、CSS和JavaScript根底介紹 37.7DOM和開發者東西 37.8D3（一） 37.9D3（二） 37.10D3（三） 37.11div.html 37.12svg.html 37.13D3支援的資料型別 37.14Make a map（一） 37.15Make a map（二） 第 38 講強化學習（上） 38.1你所瞭解的強化學習是什麼 38.2經典條件反射（一） 38.3經典條件反射（二） 38.4操作性條件反射 38.5Evaluation Problem（一） 38.6Evaluation Problem（二） 38.7Evaluation Problem（三） 38.8Evaluation Problem（四） 38.9Policy Learning（一） 38.10Policy Learning（二） 38.11Policy Learning（三） 38.12Policy Learning（四） 38.13Policy Learning（五） 38.14Policy Learning（六） 第 39 講強化學習（下） 39.1Policy Learning總結 39.2根據模型的RL（一） 39.3根據模型的RL（二） 39.4根據模型的RL（三） 39.5根據模型的RL（四） 39.6根據模型的RL（五） 39.7根據模型的RL（六） 39.8大腦中的強化學習演算法（一） 39.9大腦中的強化學習演算法（二） 39.10大腦中的強化學習演算法（三） 39.11大腦中的強化學習演算法（四） 39.12大腦中的強化學習演算法（五） 39.13RL in alphaGo（一） 39.14RL in alphaGo（二） 39.15RL in alphaGo（三） 39.16RL in alphaGo（四） 第 40 講SVM和神經網路引進 40.1VC維 40.2SVM（一） 40.3SVM（二） 40.4SVM（三） 40.5SVM（四） 40.6SVM（五） 40.7SVM（六） 40.8SVM（七） 40.9SVM（八） 40.10SVM（九） 40.11SVM（十） 40.12SVM（十一） 40.13SVM（十二）和神經網路引進 第 41 講整合模型總結和GDBT瞭解及其衍生運用 41.1整合模型總結（一） 41.2整合模型總結（二） 41.3整合模型總結（三） 41.4整合模型總結（四） 41.5整合模型總結（五） 41.6GDBT瞭解及其衍生運用（一） 41.7GDBT瞭解及其衍生運用（二） 41.8GDBT瞭解及其衍生運用（三） 41.9GDBT瞭解及其衍生運用（四） 41.10GDBT瞭解及其衍生運用（五） 41.11GDBT瞭解及其衍生運用（六） 41.12GDBT瞭解及其衍生運用（七） 41.13GDBT瞭解及其衍生運用（八） 41.14GDBT瞭解及其衍生運用（九） 41.15GDBT瞭解及其衍生運用（十） 第 42 講神經網路 42.1SVM比較其他分類起程式碼（一） 42.2SVM比較其他分類起程式碼（二） 42.3神經網路（一） 42.4神經網路（二） 42.5神經網路（三） 42.6神經網路（四） 第 43 講監督學習－迴歸 43.1機器學習的概念和監督學習 43.2機器學習作業流程（一） 43.3機器學習作業流程（二） 43.4機器學習作業流程（三） 43.5機器學習作業流程（四） 43.6事例剖析（一） 43.7事例剖析（二） 43.8事例剖析（三） 43.9事例剖析（四） 43.10經歷共享（一） 43.11經歷共享（二） 43.12經歷共享（三） 第 44 講監督學習－分類 44.1常用的分類演算法 44.2模型評價標準和事例剖析 44.3資料探究（一） 44.4資料探究（二） 44.5資料探究（三） 44.6資料探究（四） 44.7資料探究（五） 44.8資料探究（六） 44.9模型練習與挑選（一） 44.10模型練習與挑選（二） 44.11Airbnb資料探究程序（一） 44.12Airbnb資料探究程序（二） 44.13地震資料視覺化程序（一） 44.14地震資料視覺化程序（二） 第 45 講神經網路根底與卷積網路 45.1神經網路（一） 45.2神經網路（二） 45.3神經網路（三） 45.4神經網路（四） 45.5神經網路（五） 45.6神經網路（六） 45.7神經網路（七） 45.8神經網路（八） 45.9神經網路（九） 45.10神經網路（十） 45.11圖畫處理根底 45.12卷積（一） 45.13卷積（二） 第 46 講時刻序列猜測 46.1時刻序列猜測概述（一） 46.2時刻序列猜測概述（二） 46.3差分自迴歸移動均勻模型(ARIMA) 46.4差分自迴歸移動均勻模型(ARIMA)事例剖析（一） 46.5差分自迴歸移動均勻模型(ARIMA)事例剖析（二） 46.6差分自迴歸移動均勻模型(ARIMA)事例剖析（三） 46.7差分自迴歸移動均勻模型(ARIMA)事例剖析（四） 46.8長短期回憶網路（LSTM）（一） 46.9長短期回憶網路（LSTM）（二） 46.10長短期回憶網路（LSTM）事例剖析 46.11Facebook開源的新猜測東西—Prophet（一） 46.12Facebook開源的新猜測東西—Prophet（二） 46.13課程答疑 第 47 講人工智慧金融運用 47.1人工智慧金融運用（一） 47.2人工智慧金融運用（二） 47.3人工智慧金融運用（三） 47.4人工智慧金融運用（四） 47.5機器學習辦法（一） 47.6機器學習辦法（二） 47.7機器學習辦法（三） 47.8機器學習辦法（四） 第 48 講核算機視覺深度學習入門意圖篇 48.1核算機視覺深度學習入門概述 48.2核算機視覺範疇正在關懷的問題（一） 48.3核算機視覺範疇正在關懷的問題（二） 48.4實際問題轉化為具體問題並用深度學習處理（一） 48.5實際問題轉化為具體問題並用深度學習處理（二） 48.6實際問題轉化為具體問題並用深度學習處理（三） 48.7實際問題轉化為具體問題並用深度學習處理（四） 第 49 講核算機視覺深度學習入門結構篇 49.1溫習核算機視覺最主要的擔任特徵提取的結構CNN 49.2特徵怎麼安排（一） 49.3特徵怎麼安排（二） 49.4特徵怎麼安排（三） 49.5特徵怎麼安排（四） 49.6結構之間的好壞評判以及試驗成果（一） 49.7結構之間的好壞評判以及試驗成果（二） 49.8結構之間的好壞評判以及試驗成果（三） 49.9結構之間的好壞評判以及試驗成果（四） 49.10結構之間的好壞評判以及試驗成果（五） 49.11結構之間的好壞評判以及試驗成果（六） 49.12結構之間的好壞評判以及試驗成果（七） 49.13結構之間的好壞評判以及試驗成果（八） 第 50 講核算機視覺深度學習入門優化篇 50.1核算機視覺深度學習入門：優化篇概述 50.2CNN模型的一階優化邏輯 50.3練習穩定性：Annealing和Momentum 50.4抗擬合：從Dropout到Weight Decay 50.5比賽優化器和多機並行 50.6手動超參優化邏輯以及超參優化往何處去 第 51 講核算機視覺深度學習入門資料篇 51.1核算機視覺範疇的常用比賽資料集 51.2對資料常用的預處理作業和後處理作業怎麼進步比賽成果（一） 51.3對資料常用的預處理作業和後處理作業怎麼進步比賽成果（二） 51.4怎麼運用端到端深度學習的辦法 第 52 講核算機視覺深度學習入門東西篇 52.1核算機視覺深度學習入門東西篇（一） 52.2核算機視覺深度學習入門東西篇（二） 52.3核算機視覺深度學習入門東西篇（三） 第 53 講個性化引薦演算法 53.1個性化引薦的開展 53.2引薦演算法的演進（一） 53.3引薦演算法的演進（二） 53.4引薦演算法的演進（三） 53.5引薦演算法的演進（四） 53.6建模step by step（一） 53.7建模step by step（二） 53.8建模step by step（三） 53.9演算法評價和迭代 53.10工程化實踐、常見的問題與處理辦法、前沿發展與展望 第 54 講Pig和Spark穩固 54.1Pig穩固（一） 54.2Pig穩固（二） 54.3Pig穩固（三） 54.4Pig穩固（四） 54.5Pig穩固（五） 54.6Spark穩固（一） 54.7Spark穩固（二） 54.8Spark穩固（三） 54.9Spark穩固（四） 54.10Spark穩固（五） 第 55 講人工智慧與規劃 55.1智慧存在的含義是什麼? 55.2已有人工智的規劃運用 55.3人的智慧（一） 55.4人的智慧（二） 55.5人的智慧的特色（一） 55.6人的智慧的特色（二） 55.7人的智慧的特色（三） 55.8人工智慧（一） 55.9人工智慧（二） 55.10運用人工智慧的辦法 第 56 講神經網路 56.1卷積的實質 56.2卷積的三大特色 56.3Pooling 56.4數字識別（一） 56.5數字識別（二） 56.6感觸野 56.7RNN 第 57 講非線性動力學 57.1非線性動力學 57.2線性動力體系 57.3線性動力學與非線性動力學體系（一） 57.4線性動力學與非線性動力學體系（二） 57.5定點理論 57.6Poincare引理 第 58 講高頻買賣訂單流模型 58.1高頻買賣 58.2點程序根底（一） 58.3點程序根底（二） 58.4點程序根底（三） 58.5訂單流資料剖析（一） 58.6訂單流資料剖析（二） 58.7訂單流資料剖析（三） 58.8訂單流資料剖析（四） 58.9訂單流資料剖析（五） 第 59 講區塊鏈:一場革新 59.1比特幣（一） 59.2比特幣（二） 59.3比特幣（三） 59.4以太坊簡介及ICO 第 60 講核算物理專題（一） 60.1核算物理的初步(一) 60.2核算物理的初步（二） 60.3拋硬幣丟擲正態散佈（一） 60.4拋硬幣丟擲正態散佈（二） 60.5再造整個國際（一） 60.6再造整個國際（二） 60.7溫度的實質（一） 60.8溫度的實質（二） 60.9壓強 60.10證明理想氣體方程 60.11化學勢 60.12四大熱力學勢（一） 60.13 四大熱力學勢（二） 第 61 講核算物理專題（二） 61.1奇特公式.mp4 61.2資訊熵（一） 61.3資訊熵（二） 61.4Boltzmann散佈 61.5配分函式Z 第 62 講雜亂網路簡介 62.1Networks in real worlds 62.2BasicConcepts（一） 62.3BasicConcepts（二） 62.4Models（一） 62.5Models（二） 62.6Algorithms（一） 62.7Algorithms（二） 第 63 講ABM簡介及金融商場建模 63.1課程介紹 63.2體系與體系建模 63.3ABM與雜亂體系建模（一） 63.4ABM與雜亂體系建模（二） 63.5ABM與雜亂體系建模（三） 63.6ABM為經濟體系建模 63.7經典經濟學怎麼給商場建模 63.8ABM與雜亂體系建模-商場買賣 63.9ABM與雜亂體系建模-技能分散 63.10ABM與雜亂體系建模-交通體系（一） 63.11ABM與雜亂體系建模-交通體系（二） 63.12ABM金融商場-SFI股票商場模型（一） 63.13ABM金融商場-SFI股票商場模型（二） 63.14ABM金融商場-genova商場模型 63.15ABM金融商場-Agent及其行為 63.16學習模型 63.17ABM金融商場-價格構成機制 63.18ABM的特色與缺點 第 64 講用伊辛模型瞭解雜亂體系 64.1伊辛模型的佈景及格氣模型 64.2伊辛模型（一） 64.3伊辛模型（二） 64.4從能量到核算散佈及Monte Carlo模仿 64.5Ising Model(2D) 64.6相變和臨界現象 64.7Critical Exponents 64.8正問題和反問題 64.9（空間中的）投票模型 64.10（網路中的）投票模型 64.11觀念動力學 64.12團體運動Vicsek模型 64.13自旋玻璃 64.14Hopfield神經網路 64.15約束Boltzmann機 64.16深度學習與重正化群（一） 64.17深度學習與重正化群（二） 64.18總結 64.19答疑 第 65 講金融商場的雜亂性 65.1導論（一） 65.2導論（二） 65.3導論（三） 65.4導論（四） 65.5導論（五） 65.6Classical Benchmarks（一） 65.7Classical Benchmarks（二） 65.8Classical Benchmarks（三） 65.9Classical Benchmarks（四） 65.10Classical Benchmarks（五） 65.11Endogenous Risk（一） 65.12Endogenous Risk（二） 65.13Endogenous Risk（三） 65.14Endogenous Risk（四） 65.15Endogenous Risk（五） 65.16Endogenous Risk（六） 65.17Heterogeneous Beliefs（一） 65.18Heterogeneous Beliefs（二） 65.19總結 第 66 講廣泛出現的冪律散佈 66.1生物界（一） 66.2生物界（二） 66.3生物界（三） 66.4生物界（四） 66.5城市、商業（一） 66.6城市、商業（二） 66.7啟示（一） 66.8啟示（二） 66.9總結 第 67 講天然啟發演算法 67.1課程回憶及答疑 67.2歸納（一） 67.3歸納（二） 67.4模仿退火演算法（一） 67.5模仿退火演算法（二） 67.6進化相關的演算法（一） 67.7進化相關的演算法（二） 67.8進化相關的演算法（三） 67.9進化相關的演算法（四） 67.10粒子群演算法（一） 67.11粒子群演算法（二） 67.12粒子群演算法（三） 67.13遺傳演算法和PSO的比較 67.14更多的類似的演算法（一） 67.15更多的類似的演算法（二） 67.16答疑 第 68 講機器學習的辦法 68.1為什麼要講學習辦法 68.2閱讀論文 68.3總述式文章舉例（一） 68.4總述式文章舉例（二） 68.5碎片化時刻學習及書籍 68.6視訊學習資源及做思想導圖 68.7鐵哥答疑（一） 68.8鐵哥答疑（二） 68.9輸出是最好的學習（一） 68.10輸出是最好的學習（二） 68.11事例（一） 68.12事例（二） 68.13事例（三） 68.14事例（四） 68.15事例（五） 第 69 講模型視覺化工程辦理 69.1課程簡介 69.2虛擬換環境—Anaconda&docker（一） 69.3虛擬換環境—Anaconda&docker（二） 69.4虛擬換環境—Anaconda&docker（三） 69.5虛擬換環境—Anaconda&docker（四） 69.6虛擬換環境—Anaconda&docker（五） 69.7虛擬換環境—Anaconda&docker（六） 69.8虛擬換環境—Anaconda&docker（七） 69.9虛擬換環境—Anaconda&docker（八） 69.10定製化視覺化體系—Jupyter Dashboard（一） 69.11定製化視覺化體系—Jupyter Dashboard（二） 69.12變身前端—seaboarn+Bokeh+Echarts 69.13日誌辦理體系—ELK 69.14極速Bi體系—superset 69.15Dashboard彌補 69.16ELK彌補 69.17Superset彌補 69.18Superset彌補及總結 第 70 講Value Iteration Networks 70.1Background&Motivation 70.2Value Iteration 70.3Grid—world Domain 70.4總結及答疑 第 71 講非線性動力學體系（上） 71.1非線性動力學體系（一） 71.2非線性動力學體系（二） 71.3二維體系動力學總述—Poincare引理 71.4Bifurcation（一） 71.5Bifurcation（二） 71.6Bifurcation（三） 71.7Bifurcation（四） 71.8Bifurcation（五） 71.9Bifurcation（六） 71.10混沌（一） 71.11混沌（二） 71.12混沌（三） 71.13混沌（四） 71.14混沌（五） 71.15混沌（六） 71.16混沌（七） 71.17混沌（八） 71.18混沌（九） 71.19混沌（十） 71.20混沌（十一） 第 72 講非線性動力學體系（下） 72.1天然語言處理亂彈（一） 72.2天然語言處理亂彈（二） 72.3RNN 72.4RNN及答疑 第 73 講天然語言處理匯入 73.1中文分詞 73.2中文分詞、依存文法剖析 73.3華章剖析、主動摘要、常識提取、文字類似度核算 73.4常識庫構建、問答體系 73.5演示戰狼2的豆瓣談論詞雲（一） 73.6演示戰狼2的豆瓣談論詞雲（二） 73.7演示戰狼2的豆瓣談論詞雲（三） 73.8演示戰狼2的豆瓣談論詞雲（四） 73.9演示戰狼2的豆瓣談論詞雲（五） 第 74 講雜亂網路上的物理傳輸程序 74.1一些根本概念 74.2常用的核算描述物理量 74.3四種網路模型 74.4一些傳達動力學模型（一） 74.5一些傳達動力學模型（二） 74.6一些傳達動力學模型（三） 74.7一些傳達動力學模型（四） 74.8一些傳達動力學模型（五） 74.9一些傳達動力學模型（六） 74.10一些傳達動力學模型（七） 74.11一些傳達動力學模型（八） 74.12模擬模型的樹立程序（一） 74.13模擬模型的樹立程序（二） 74.14模擬模型的樹立程序（三） 74.15模擬模型的樹立程序（四） 74.16Combining complex networks and data mining 第 75 講RNN及LSTM 75.1RNN—序列處理器（一） 75.2RNN—序列處理器（二） 75.3A simple enough case 75.4A dance between fix points 75.5Fix point、Train Chaos 75.6RNN作為生成模型（動力體系） 75.7RNN練習—BPTT（一） 75.8RNN練習—BPTT（二） 75.9梯度消失與梯度爆破（一） 75.10梯度消失與梯度爆破（二） 75.11Reservoir computing—偷閒辦法 75.12LSTM 75.13LSTM、Use Examples 75.14詞向量、Deep RNN 75.15Encoder Decoder Structure 75.16LSTM Text Generation（一） 75.17LSTM Text Generation（二） 75.18LSTM Text Generation（三） 第 76 講閒談人工智慧創業 76.1人工智慧對咱們日子的影響（一） 76.2人工智慧對咱們日子的影響（二） 76.3人工智慧對咱們日子的影響（三） 76.4人工智慧對咱們日子的影響（四） 76.5人工智慧對咱們日子的影響（五） 76.6人工智慧對咱們日子的影響（六） 76.7人工智慧創業中的商業思想 76.8三個戰略辦理學商業模型（一） 76.9三個戰略辦理學商業模型（二） 76.10三個戰略辦理學商業模型（三） 76.11三個戰略辦理學商業模型（四） 76.12三個戰略辦理學商業模型（五） 76.13三個戰略辦理學商業模型（六） 76.14三個戰略辦理學商業模型（七） 76.15三個戰略辦理學商業模型（八） 76.16三個戰略辦理學商業模型（九） 76.17關於Entrepreneurship 第 77 講深度學習其他主題 77.1神經網路的無量潛力 77.2玻爾茲曼機—聯想的機器 77.3受限玻爾茲曼機 77.4對立學習（一） 77.5對立學習（二） 77.6對立學習（三） 77.7對立學習（四） 77.8程式解說（一） 77.9程式解說（二） 77.10程式解說（三） 第 78 講課程總結 78.1開場 78.2Attention例項—Spatial Transformer 78.3貓狗大戰—CNN實戰（一） 78.4貓狗大戰—CNN實戰（二） 78.5RNN詩人 78.6課程溫習 78.7課程綱要（一） 78.8課程綱要（二） 78.9課程總結（一） 78.10課程總結（二）