课程介绍
覆盖全面内容：从数学基础(如线性代数、概率论)到经典算法(如决策树、支持向量机)再到深度学习框架(TensorFlow、PyTorch)，课程内容全面系统;
理论与实践结合：不仅讲解核心AI理论，还通过案例分析与项目实战(如图像识别、自然语言处理、强化学习)强化学员的实际动手能力;
阶段化学习路径：分为20个阶段，逐步引导学习者从基础概念到高阶应用，确保学习的连贯性与深度;
行业应用解析：结合金融、医疗、教育、自动驾驶等热门领域的AI技术案例，讲解行业落地与未来发展趋势;
丰富学习资源：提供视频课程、代码示例、实战项目与知识图谱，便于学员自主学习与反复实践。
适合人群：
希望系统学习人工智能技术的在校研究生或技术爱好者;
从事数据科学、算法开发或AI行业相关岗位的技术人员;
对人工智能前沿技术感兴趣并计划深入学习的工程师与学术研究者;
准备参与AI项目开发或转型人工智能领域的职业人士。
学习成果：
完成本课程后，学员将：
掌握人工智能的核心理论与算法;
熟悉主流深度学习框架的使用与优化;
能够独立设计并实现AI模型与解决方案;
理解AI技术在各行业中的应用场景，具备行业级项目开发与落地能力。
本课程将为学员打开人工智能领域的广阔前景，为未来的学习、研究或职业发展奠定坚实基础!
课程目录
(1)\01-软件安装及环境配置;目录中文件数:14个
├─02-Anaconda介绍及安装.mp4
├─03-【python 3.6】 Python安装及验证.mp4
├─04-【Python 3.6】 Python配置环境变量.mp4
├─05-【Python 3.6】 Python卸载及验证.mp4
├─06-【PyTorch 1.2】 PyTorch简介与安装.mp4
├─07-【Pytorch1.2】 Pytorch开发环境安装.mp4
├─08-【TensorFlow 2.1.0】环境安装-ubuntu.mp4
├─09-【TensorFlow 2.1.0】环境安装-windows.mp4
├─10-【GPU驱动安装】GPU_driver_windows.mp4
├─11-【GPU驱动安装】GPU_driver_Linux.mp4
├─12-Linux 常用命令.mp4
├─13-【数据分析工具】 MySQL.mp4
├─14-【数据分析工具】 Navicate.mp4
├─15-【数据分析工具】 Tableau Public.mp4
(2)\02-人工智能数学基础;目录中文件数:41个
├─05-【第一章 线性代数(上)】章节导读.mp4
├─06-【第一章 线性代数(上)】-1 矩阵及其基本运算①.mp4
├─07-【第一章 线性代数(上)】-2 矩阵及其基本运算②.mp4
├─08-【第一章 线性代数(上)】-3 矩阵的行列式①.mp4
├─09-【第一章 线性代数(上)】-4 矩阵的行列式②.mp4
├─10-【第一章 线性代数(上)】-5 矩阵的行列式③.mp4
├─11-【第一章 线性代数(上)】-6 矩阵的行列式④.mp4
├─12-【第一章 线性代数(上)】-7 矩阵的逆①.mp4
├─13-【第一章 线性代数(上)】-8 矩阵的逆②.mp4
├─14-【第一章 线性代数(上)】-9 矩阵的逆③.mp4
├─15-【第二章 线性代数(下)】章节导读.mp4
├─16-【第二章 线性代数(下)】-1 矩阵的初等变换①.mp4
├─17-【第二章 线性代数(下)】-2 矩阵的初等变换②.mp4
├─18-【第二章 线性代数(下)】-3 矩阵的初等变换③.mp4
├─19-【第二章 线性代数(下)】-4 矩阵的初等变换④.mp4
├─20-【第二章 线性代数(下)】-5 矩阵的特征值与特征向量①.mp4
├─21-【第二章 线性代数(下)】-6 矩阵的特征值与特征向量②.mp4
├─22-【第二章 线性代数(下)】-7 矩阵的特征值与特征向量③.mp4
├─23-【第二章 线性代数(下)】-8 矩阵对角化以及二次型①.mp4
├─24-【第二章 线性代数(下)】-9 矩阵对角化以及二次型②.mp4
├─25-【第二章 线性代数(下)】-10 矩阵对角化以及二次型③.mp4
├─26-【第二章 线性代数(下)】-11svd分解的应用.mp4
├─27-【第三章 微积分】-01常用函数的导数以及到导数的常用公式.mp4
├─28-【第三章 微积分】-02 中值定理&洛必达法则&泰勒公式及应用.mp4
├─29-【第三章 微积分】-03 函数的凹凸性&函数的极值.mp4
├─30-【第三章 微积分】-04 不定积分.mp4
├─31-【第三章 微积分】-05 定积分.mp4
├─32-【第三章 微积分】-06 偏导数&多元函数复合求导法则链式求导法则.mp4
├─33-【第三章 微积分】-07 方向导数与梯度及其应用.mp4
├─34-【第三章 微积分】-08 多元函数泰勒公式与海森矩阵&多元函数的极值.mp4
├─35-【第三章 微积分】-09 矩阵的求导.mp4
├─36-【第三章 微积分】-10 矩阵的求导在深度学习中的应用.mp4
├─37-【第四章 概率论】-01随机实验样本空间随机事件&概率的定义.mp4
├─38-【第四章 概率论】-02全概率公式与贝叶斯公式及应用&独立性.mp4
├─39-【第四章 概率论】-03随机变量与多维随机变量.mp4
├─40-【第四章 概率论】-04期望与方差part1.mp4
├─41-【第四章 概率论】-05期望与方差part2.mp4
├─42-【第四章 概率论】-06参数的估计.mp4
├─43-【第五章 最优化】-1 无约束最优化梯度下降.mp4
├─44-【第五章 最优化】-2 无约束最优化梯度下降.mp4
├─45-【第五章 最优化】-3 约束最优化.mp4
(3)\03-Python基础+数据科学入门;目录中文件数:31个
├─05-第一章 绪论和环境配置.mp4
├─06-【作业讲解】第一章：助教实际演示配置环境过程.mp4
├─07-第二章 Python 基本语法元素.mp4
├─08-【作业讲解】第二章：Python基本语法元素.mp4
├─09-第三章 基本数据类型.mp4
├─10-【作业讲解】第三章：基本数据类型.mp4
├─11-第四章 组合数据类型.mp4
├─12-【作业讲解】第四章：复杂数据类型.mp4
├─13-第五章 程序控制结构.mp4
├─14-【作业讲解】第五章：程序控制结构.mp4
├─15-第六章 函数-面向过程的编程.mp4
├─16-【作业讲解】第六章：函数.mp4
├─17-第七章 类-面向对象的编程.mp4
├─18-【作业讲解】第七章：类.mp4
├─19-第八章 文件-异常和模块.mp4
├─20-【作业讲解】第八章：文件-异常和模块.mp4
├─21-第九章 有益的探索.mp4
├─22-【作业讲解】第九章：有益的探索.mp4
├─23-第十章 Python标准库.mp4
├─24-【作业讲解】第十章：Python标准库.mp4
├─25-第十一章 科学计算库—Numpy应用.mp4
├─26-【作业讲解】第十一章：Numpy库.mp4
├─27-第十二章 Pandas库.mp4
├─28-【作业讲解】第十二章：Pandas库.mp4
├─29-第十三章 Matplotlib.mp4
├─30-【作业讲解】第十三章：Matplotlib.mp4
├─31-第十四章 Sklearn常规用法.mp4
├─32-【作业讲解】第十四章：Sklearn常规用法.mp4
├─33-第十五章 再谈编程.mp4
├─35-【比赛实战】大牛手把手指导如何打一场完整的二分类比赛.mp4
├─36-【比赛实战】二分类算法比赛小测验—提供银行精准营销解决方案.mp4
(4)\04-机器学习算法应用实战;目录中文件数:126个
├─05-01-01-机器学习概述.mp4
├─06-02-01线性回归简介-数学符号-假设函数-损失函数-代价函数.mp4
├─07-02-02-梯度下降法..mp4
├─08-02-03-梯度下降法代码实现.mp4
├─09-02-04-使用梯度下降法求解线性回归问题.mp4
├─10-02-05-线性回归代码实现.mp4
├─100-08-02协方差矩阵的特征值分解算法.mp4
├─101-08-03协方差矩阵的特征值分解算法代码实现.mp4
├─102-08-04基于数据矩阵的奇异值分解算法.mp4
├─103-08-05基于数据矩阵的奇异值分解算法代码实现.mp4
├─104-08-【实战】-Sklearn实现PCA.mp4
├─105-08-【案例】PCA实现照片压缩.mp4
├─106-09-01-集成学习介绍.mp4
├─107-09-02-Voting能够提高准确度的原因.mp4
├─108-09-03-Voting原理.mp4
├─109-09-04-Voting代码实现.mp4
├─11-02-06-线性回归代码实现-做特征归一化.mp4
├─110-09-05-Bagging与随机森林及其代码实现.mp4
├─111-09-06-Boosting.mp4
├─112-09-07-Adaboost举例.mp4
├─113-09-08-AdaBoost代码实现.mp4
├─114-09-09-GBDT之提升和提升树概念.mp4
├─115-09-10-GBDT梯度提升树.mp4
├─116-09-11-XGBoost介绍，目标函数，正则项.mp4
├─117-09-12-XGBoost求解.mp4
├─118-09-13-XGBoost树结构生成.mp4
├─119-09-14-XGBoost代码实现1.mp4
├─12-02-07-批量梯度下降，随机梯度下降，小批量梯度下降.mp4
├─120-09-15-XGBoost代码实现2.mp4
├─121-09-16-Stacking.mp4
├─122-09-17-Stacking 代码实现.mp4
├─123-10-【银行营销策略分析】-01 数据说明.mp4
├─124-10-【银行营销策略分析】-02探索性分析.mp4
├─125-10-【银行营销策略分析】-03数据预处理与特征工程.mp4
├─126-10-【银行营销策略分析】-04模型训练.mp4
├─127-10-【信用卡发欺诈模型】-01数据说明及不平衡数据的训练集及测试及分割方法.mp4
├─128-10-【信用卡发欺诈模型】-02采样之上采样.mp4
├─129-10-【信用卡发欺诈模型】-03采样之下采样.mp4
├─13-02-08-模型评价 · 几种常见的模型评价指标.mp4
├─130-10-【信用卡发欺诈模型】-04建模与调参.mp4
├─14-02-09-欠拟合与过拟合.mp4
├─15-02-10-Ridge回归求解与代码实现.mp4
├─16-02-11-LASSO回归求解.mp4
├─17-02-12-LASSO回归求解举例说明.mp4
├─18-02-13-LASSO回归代码实现.mp4
├─19-02-14-最小二乘法求线性回归.mp4
├─20-02-15-最小二乘法代码实现.mp4
├─21-02-【实战】使用Sklearn实现Ridge，LASSO和ElasticNet.mp4
├─22-02-【案例】波士顿房价预测(上).mp4
├─23-02-【案例】-波士顿房价预测(下).mp4
├─24-03-01-逻辑回归简介-假设函数-损失函数-成本函数.mp4
├─25-03-02-逻辑回归求解.mp4
├─26-03-03-一个示例解释逻辑回归的求解公式.mp4
├─27-03-04-逻辑回归代码实现(上).mp4
├─28-03-04-逻辑回归代码实现(下).mp4
├─29-03-06-逻辑回归的正则化.mp4
├─30-03-07-逻辑回归实现多分类方法.mp4
├─31-03-08-【实战】使用Sklearn实现逻辑回归.mp4
├─32-03-【案例】鸢尾花分类.mp4
├─33-03-【案例】手写数字识别.mp4
├─34-04-01-决策树简介-熵.mp4
├─35-04-02条件熵及计算举例.mp4
├─36-04-03信息增益-ID3算法.mp4
├─37-04-04决策树代码实现(1-熵的计算).mp4
├─38-04-05决策树代码实现(2-划分数据集-选择最好的特征).mp4
├─39-04-06决策树代码实现(3-类别投票表决).mp4
├─40-04-07决策树代码实现( 4-决策树递归生成，决策树对新数据进行预测).mp4
├─41-04-08 C4.5算法.mp4
├─42-04-09基尼指数(Gini Index)生成决策树.mp4
├─43-04-10决策树剪枝.mp4
├─44-04-11决策树处理连续值与缺失值.mp4
├─45-04-12多变量决策树.mp4
├─46-04-【实战】Sklearn实现决策树.mp4
├─47-04-【案例】：使用决策树进行个人信用风险评估(1.数据集介绍-数据预处理).mp4
├─48-04-【案例】：使用决策树进行个人信用风险评估(2.模型评估指标).mp4
├─49-04-【案例】：使用决策树进行个人信用风险评估(3.模型评估，优化).mp4
├─50-05-01-贝叶斯决策简介.mp4
├─51-05-02-贝叶斯决策模型.mp4
├─52-05-03-朴素贝叶斯模型.mp4
├─53-05-04-朴素贝叶斯代码实现(1.训练过程).mp4
├─54-05-05-朴素贝叶斯代码实现(2.预测过程).mp4
├─55-05-06-拉普拉斯修正及代码实现.mp4
├─56-05-07-朴素贝叶斯如何处理连续型数据.mp4
├─57-05-08-Sklearn实现朴素贝叶斯.mp4
├─58-05-【案例】垃圾邮件识别(1.实现原理).mp4
├─59-05-【案例】垃圾邮件识别(2.代码实现).mp4
├─60-06-01-支持向量机简介.mp4
├─61-06-02-线性可分支持向量机(几何间隔，函数间隔，目标函数).mp4
├─62-06-03-拉格朗日乘子法求带有等式约束的极值问题.mp4
├─63-06-04-拉格朗日乘子法求带有不等式约束的极值问题-KKT条件.mp4
├─64-06-05-目标函数求解(1.对偶问题-先对w-b求极小).mp4
├─65-06-06-目标函数求解(2.对alpha求极大).mp4
├─66-06-07-SVM求解举例.mp4
后续省略800+条目录不再列出……
请先 ！