前言
感觉是时候系统性的学一下人工智能啦！
粗略大纲：
1.贝叶斯与随机过程
1.贝叶斯分析
2.随机过程理论
2.机器学习
1.监督学习（重点）
1.扫描各种算法
1.数学推导
2.程序清单
1.安装
2.介绍
2.无监督学习
3.强化学习
3.深度学习（重点）
1.公式
2.实践（python）
1.CNN（卷积网络）——对抗学习
2.RNN（循环网络、递归网络）
3.应用
1.图像
2.语言
4.复杂系统
1.统计力学
2.非线性动力学
3.与机器学习关联
课程目录
第 1 讲复杂系统
第 2 讲大数据与机器学习
第 3 讲人工智能的三个阶段
第 4 讲高等数学—元素和极限
第 5 讲复杂网络经济学应用
第 6 讲机器学习与监督算法
第 7 讲阿尔法狗与强化学习算法
第 8 讲高等数学—两个重要的极限定理
第 9 讲高等数学—导数
第 10 讲贝叶斯理论
第 11 讲高等数学—泰勒展开
第 13 讲高等数学—积分
第 14 讲高等数学—正态分布
第 15 讲朴素贝叶斯和最大似然估计
第 16 讲线性代数—线性空间和线性变换
第 17 讲数据科学和统计学（上）
第 18 讲线性代数—矩阵、等价类和行列式
第 19 讲Python基础课程（上）
第 20 讲线性代数—特征值与特征向量
第 21 讲监督学习框架
第 22 讲Python基础课程（下）
第 23 讲PCA、降维方法引入
第 24 讲数据科学和统计学（下）
第 25 讲Python操作数据库、 Python爬虫
第 26 讲线性分类器
第 27 讲Python进阶（上）
第 28 讲Scikit-Learn
第 29 讲熵、逻辑斯蒂回归、SVM引入
第 30 讲Python进阶（下）
第 31 讲决策树
第 32 讲数据呈现基础
第 33 讲云计算初步
第 34 讲D-Park实战
第 35 讲第四范式分享
第 36 讲决策树到随机森林
第 37 讲数据呈现进阶
第 38 讲强化学习（上）
第 39 讲强化学习（下）
第 40 讲SVM和神经网络引入
第 41 讲集成模型总结和GDBT理解及其衍生应用
第 42 讲神经网络
第 43 讲监督学习－回归
第 44 讲监督学习－分类
第 45 讲神经网络基础与卷积网络
第 46 讲时间序列预测
第 47 讲人工智能金融应用
第 48 讲计算机视觉深度学习入门目的篇
第 49 讲计算机视觉深度学习入门结构篇
第 50 讲计算机视觉深度学习入门优化篇
第 51 讲计算机视觉深度学习入门数据篇
第 52 讲计算机视觉深度学习入门工具篇
第 53 讲个性化推荐算法
第 54 讲Pig和Spark巩固
第 55 讲人工智能与设计
第 56 讲神经网络
第 57 讲非线性动力学
第 58 讲高频交易订单流模型
第 59 讲区块链:一场革命
第 60 讲统计物理专题（一）
第 61 讲统计物理专题（二）
61.1神奇公式.mp4
61.2信息熵（一）
61.3信息熵（二）
61.4Boltzmann分布
61.5配分函数Z
第 62 讲复杂网络简介
第 63 讲ABM简介及金融市场建模
第 64 讲用伊辛模型理解复杂系统
第 65 讲金融市场的复杂性
第 66 讲广泛出现的幂律分布
第 67 讲自然启发算法
第 68 讲机器学习的方法
第 69 讲模型可视化工程管理
第 70 讲Value Iteration Networks
第 71 讲非线性动力学系统（上）
第 72 讲非线性动力学系统（下）
第 73 讲自然语言处理导入
第 74 讲复杂网络上的物理传输过程
第 75 讲RNN及LSTM
第 76 讲漫谈人工智能创业
第 77 讲深度学习其他主题
第 78 讲课程总结
关于学习笔记
通过目录也可以看出，前三讲主要是说一些历史背景，行业状态，所以1.2.3讲就不做笔记了，从第4讲开始吧——！