课程目录：

第1章人工智能入学指南(51分钟6节)

1-1AI时代**Python[09:20]
1-2Python我该怎么学？[04:21]
1-3人工智能的核心-机器学习[10:34]
1-4机器学习怎么学？[08:36]
1-5算法推导与案例[08:18]
1-6系列课程环境配置[10:06]
第2章Python快速入门(1小时17分钟9节)

2-1快速入门，边用边学[01:03]
2-2变量类型[07:31]
2-3List基础模块[10:00]
2-4List索引[10:02]
2-5循环结构[11:53]
2-6判断结构[05:41]
2-7字典模块[14:22]
2-8文件处理[12:27]
2-9函数基础[04:26]
第3章科学计算库Numpy(57分钟5节)

3-1Numpy数据结构[11:48]
3-2Numpy基本操作[07:05]
3-3Numpy矩阵属性[09:17]
3-4Numpy矩阵操作[12:10]
3-5Numpy常用函数[16:54]
第4章数据分析处理库Pandas(1小时6分钟6节)

4-1Pandas数据读取[11:50]
4-2Pandas索引与计算[10:26]
4-3Pandas数据预处理实例[13:01]
4-4Pandas常用预处理方法[11:11]
4-5Pandas自定义函数[07:44]
4-6Series结构[12:29]
第5章可视化库Matplotlib(49分钟5节)

5-1折线图的绘制[08:24]
5-2子图操作[14:04]
5-3条形图与散点图[10:11]
5-4柱形图与盒图[10:16]
5-5绘图细节设置[06:12]
第6章Python可视化库Seaborn(1小时26分钟9节)

6-1布局整体风格设置[07:47]
6-2风格细节设置[06:49]
6-3调色板[10:39]
6-4调色板颜色设置[08:17]
6-5单变量分析绘制[09:37]
6-6回归分析绘图[08:53]
6-7多变量分析绘图[10:36]
6-8分类属性绘图[09:40]
6-9热度图绘制[14:19]
第7章线性回归算法(55分钟5节)

7-1线性回归算法概述[14:23]
7-2误差项分析[11:32]
7-3似然函数求解[09:35]
7-4目标函数推导[09:21]
7-5线性回归求解[10:57]
第8章梯度下降算法(25分钟3节)

8-1梯度下降原理[11:42]
8-2梯度下降方法对比[07:20]
8-3学习率对结果的影响[06:08]
第9章逻辑回归算法(25分钟2节)

9-1逻辑回归算法原理推导[10:52]
9-2逻辑回归求解[14:58]
第10章案例实战：Python实现逻辑回归与梯度下降策略(41分钟4节)

10-1Python实现逻辑回归任务概述[07:33]
10-2完成梯度下降模块[12:51]
10-3停止策略与梯度下降策略对比[10:55]
10-4实验对比效果[10:25]
第11章项目实战：案例实战信用卡欺诈检测(1小时41分钟10节)

11-1案例背景和目标[08:31]
11-2样本不平衡解决方案[10:17]
11-3下采样策略[06:35]
11-4交叉验证[13:02]
11-5模型评估方法[13:05]
11-6正则化惩罚项[08:09]
11-7逻辑回归模型[07:37]
11-8混淆矩阵[08:52]
11-9逻辑回归阈值对结果的影响[10:00]
11-10SMOTE样本生成策略[15:50]
第12章决策树算法(54分钟5节)

12-1决策树原理概述[12:25]
12-2衡量标准-熵[11:03]
12-3决策树构造实例[10:08]
12-4信息增益率[05:48]
12-5决策树剪枝策略[15:31]
第13章案例实战：决策树Sklearn实例(50分钟4节)

13-1决策树复习[08:55]
13-2决策树涉及参数[11:08]
13-3树可视化与Sklearn实例[18:14]
13-4Sklearn参数选择模块[11:46]
第14章集成算法与随机森林(44分钟4节)

14-1集成算法-随机森林[12:02]
14-2特征重要性衡量[13:51]
14-3提升模型[11:14]
14-4堆叠模型[07:09]
第15章泰坦尼克船员获救(57分钟5节)

15-1数据介绍[06:09]
15-2数据预处理[13:36]
15-3回归模型进行预测[14:30]
15-4随机森林模型[12:56]
15-5特征选择[10:39]
第16章贝叶斯算法(52分钟5节)

16-1贝叶斯算法概述[06:58]
16-2贝叶斯推导实例[07:37]
16-3贝叶斯拼写纠错实例[11:46]
16-4垃圾邮件过滤实例[14:09]
16-5贝叶斯实现拼写检查器[12:20]
第17章Python文本数据分析(1小时11分钟6节)

17-1文本分析与关键词提取[12:11]
17-2相似度计算[11:43]
17-3新闻数据与任务简介[10:19]
17-4TF-IDF关键词提取[13:28]
17-5LDA建模[09:10]
17-6基于贝叶斯算法的新闻分类[14:53]
第18章支持向量机算法(1小时31分钟8节)

18-1支持向量机要解决的问题[10:05]
18-2距离与数据的定义[10:33]
18-3目标函数[09:41]
18-4目标函数求解[11:27]
18-5SVM求解实例[13:45]
18-6支持向量的作用[11:53]
18-7软间隔问题[06:46]
18-8SVM核变换[16:51]
第19章SVM调参实例(25分钟2节)

19-1Sklearn求解支持向量机[11:24]
19-2SVM参数调节[14:00]
第20章机器学习处理实际问题常规套路(41分钟4节)

20-1HTTP检测任务与数据挖掘的核心[11:13]
20-2论文的重要程度[10:00]
20-3BenchMark概述[06:23]
20-4BenchMark的作用[13:31]
第21章降维算法：线性判别分析(36分钟3节)

21-1线性判别分析要解决的问题[12:20]
21-2线性判别分析要优化的目标[12:03]
21-3线性判别分析求解[12:08]
第22章案例实战：Python实现线性判别分析(19分钟2节)

22-1Python实现线性判别分析[10:19]
22-2求解得出降维结果[08:55]
第23章降维算法：PCA主成分分析(50分钟4节)

23-1PCA降维概述[08:39]
23-2PCA要优化的目标[12:21]
23-3PCA求解[10:17]
23-4PCA降维实例[19:17]
第24章聚类算法-Kmeans(29分钟3节)

24-1Kmeans算法概述[11:33]
24-2Kmeans工作流程[09:42]
24-3迭代效果可视化展示[08:19]
第25章聚类算法-DBSCAN(34分钟3节)

25-1DBSCAN聚类算法[11:03]
25-2DBSCAN工作流程[15:03]
25-3DBSCAN迭代可视化展示[08:52]
第26章聚类实践(21分钟2节)

26-1多种聚类算法概述[04:34]
26-2聚类案例实战[17:19]
第27章EM算法(51分钟5节)

27-1EM算法要解决的问题[10:38]
27-2隐变量问题[06:16]
27-3EM算法求解实例[14:31]
27-4Jensen不等式[10:46]
27-5GMM模型[09:19]
第28章GMM聚类实践(21分钟2节)

28-1GMM实例[11:50]
28-2GMM聚类[09:44]
第29章神经网络(1小时15分钟8节)

29-1计算机视觉常规挑战[15:11]
29-2得分函数[06:59]
29-3损失函数[07:01]
29-4softmax分类器[09:48]
29-5反向传播[11:56]
29-6神经网络整体架构[06:41]
29-7神经网络实例[07:05]
29-8激活函数[11:16]
第30章第十章：Tensorflow实战(1小时15分钟7节)

30-1Tensorflow基础操作[07:14]
30-2Tensorflow常用函数[08:13]
30-3Tensorflow回归实例[09:06]
30-4Tensorflow神经网络实例[15:43]
30-5Tensorflow神经网络迭代[13:44]
30-6神经网络dropout[10:29]
30-7卷积神经网络基本结构[10:44]
第31章Mnist手写字体与验证码识别(1小时16分钟7节)

31-1Tensorflow构造卷积神经网络参数[11:19]
31-2Pooling层原理与参数[11:08]
31-3卷积网络参数配置[08:57]
31-4卷积神经网络计算流程[09:45]
31-5CNN在mnist数据集上的效果[11:56]
31-6验证码识别任务概述[10:46]
31-7完成验证码识别任务[12:30]
第32章Xgboost集成算法(1小时11分钟7节)

32-1集成算法思想[05:35]
32-2Xgboost基本原理[11:07]
32-3Xgboost目标函数推导[12:17]
32-4Xgboost求解实例[11:29]
32-5Xgboost安装[03:31]
32-6Xgboost实例演示[14:43]
32-7Adaboost算法概述[13:00]
第33章推荐系统(1小时17分钟8节)

33-1推荐系统应用[10:34]
33-2推荐系统要完成的任务[06:39]
33-3相似度计算[10:46]
33-4基于用户的协同过滤[10:02]
33-5基于物品的协同过滤[14:45]
33-6隐语义模型[07:31]
33-7隐语义模型求解[09:45]
33-8模型评估标准[07:43]
第34章推荐系统实战(1小时1分钟7节)

34-1Surprise库与数据简介[06:40]
34-2Surprise库使用方法[09:46]
34-3得出商品推荐结果[09:06]
34-4使用Tensorflow构建隐语义模型[09:08]
34-5模型架构[10:06]
34-6损失函数定义[08:25]
34-7训练网络模型[08:37]
第35章词向量模型Word2Vec(1小时30分钟10节)

35-1自然语言处理与深度学习[11:58]
35-2语言模型[06:15]
35-3N-gram模型[08:32]
35-4词向量[09:27]
35-5神经网络模型[10:02]
35-6Hierarchical Softmax[10:01]
35-7CBOW模型实例[11:20]
35-8CBOW求解目标[05:39]
35-9梯度上升求解[10:10]
35-10负采样模型[07:15]
第36章使用Gensim库构造词向量模型(33分钟4节)

36-1使用Gensim库构造词向量[06:21]
36-2维基百科中文数据处理[10:26]
36-3Gensim构造word2vec[08:51]
36-4测试相似度结果[07:42]
第37章时间序列-ARIMA模型(52分钟5节)

37-1数据平稳性与差分法[11:09]
37-2ARIMA模型[10:33]
37-3相关函数评估方法[10:46]
37-4建立AIRMA模型[07:48]
37-5参数选择[12:40]
第38章Python时间序列案例实战(1小时5分钟6节)

38-1股票预测案例[09:57]
38-2使用tsfresh库进行分类任务[12:03]
38-3维基百科词条EDA[14:29]
38-4Pandas生成时间序列[11:27]
38-5Pandas数据重采样[09:22]
38-6Pandas滑动窗口[07:47]
第39章探索性数据分析：赛事数据集(1小时43分钟8节)

39-1数据背景介绍[10:30]
39-2数据读取与预处理[13:08]
39-3数据切分模块[14:42]
39-4缺失值可视化分析[13:27]
39-5特征可视化展示[12:23]
39-6多特征之间关系分析[11:21]
39-7报表可视化分析[10:37]
39-8红牌和肤色的关系[17:15]
第40章探索性数据分析：农粮组织数据集(1小时24分钟8节)

40-1数据背景简介[11:05]
40-2数据切片分析[17:26]
40-3单变量分析[15:21]
40-4峰度与偏度[11:37]
40-5数据对数变换[09:43]
40-6数据分析维度[06:55]
40-7变量关系可视化展示[12:22]
40-8第一阶段课后考核作业[作业]
第41章结课测试(01节)

41-1结课测试