┣━wm009-人工智能大数据与复杂系统-3528元-万门大学
┣━43-监督学习－回归
┣━43.11经验分享（二）.mp4
┣━43.3机器学习工作流程（二）.mp4
┣━43.9案例分析（四）.mp4
┣━43.10经验分享（一）.mp4
┣━43.1机器学习的概念和监督学习.mp4
┣━43.7案例分析（二）.mp4
┣━43.4机器学习工作流程（三）.mp4
┣━43.5机器学习工作流程（四）.mp4
┣━43.8案例分析（三）.mp4
┣━43.6案例分析（一）.mp4
┣━43.2机器学习工作流程（一）.mp4
┣━43.12经验分享（三）.mp4
┣━66-广泛出现的幂律分布
┣━66.5城市、商业（一）.mp4
┣━66.2界（二）.mp4
┣━66.6城市、商业（二）.mp4
┣━66.1界（一）.mp4
┣━66.9总结.mp4
┣━66.3界（三）.mp4
┣━66.8启示（二）.mp4
┣━66.4界（四）.mp4
┣━66.7启示（一）.mp4
┣━01-复杂系统
┣━1.4生活实例与本章答疑.mp4
┣━1.3复杂系统引论.mp4
┣━1.2预测失效原因.mp4
┣━1.1物理预测的胜利与失效.mp4
┣━29-熵、逻辑斯蒂回归、SVM引入
┣━29.8逻辑斯蒂回归（一）.mp4
┣━29.2熵（二）.mp4
┣━29.10逻辑斯蒂回归（三）.mp4
┣━29.5熵（五）.mp4
┣━29.9逻辑斯蒂回归（二）.mp4
┣━29.7熵（七）.mp4
┣━29.4熵（四）.mp4
┣━29.6熵（六）.mp4
┣━29.11逻辑斯蒂回归（四）.mp4
┣━29.3熵（三）.mp4
┣━29.1熵（一）.mp4
┣━29.12逻辑斯蒂回归（五）.mp4
┣━29.13SVM引入.mp4
┣━20-线代数—特征值与特征向量
┣━20.11对偶空间（一）.mp4
┣━20.10线代数核心定理.mp4
┣━20.5特征值与特征向量的物理意义.mp4
┣━20.1线代数知识点回顾.mp4
┣━20.13欧氏空间与闵氏空间.mp4
┣━20.3例题讲解（二）.mp4
┣━20.6特征值与特征向量的性质（一）.mp4
┣━20.2例题讲解（一）.mp4
┣━20.8本征值的计算（一）.mp4
┣━20.4例题讲解（三）.mp4
┣━20.14厄米矩阵.mp4
┣━20.12对偶空间（二）.mp4
┣━20.7特征值与特征向量的性质（二）.mp4
┣━20.9本征值的计算（二）.mp4
┣━64-用伊辛模型理解复杂系统
┣━64.13自旋玻璃.mp4
┣━64.1伊辛模型的背景及格气模型.mp4
┣━64.17深度学习与重正化群（二）.mp4
┣━64.2伊辛模型（一）.mp4
┣━64.11观念动力学.mp4
┣━64.8正问题和反问题.mp4
┣━64.4从能量到统计分布及Monte Carlo模拟.mp4
┣━64.19答疑.mp4
┣━64.18总结.mp4
┣━64.10（网络中的）投票模型.mp4
┣━64.6相变和临界现象.mp4
┣━64.12集体运动Vicsek模型.mp4
┣━64.5Ising Model(2D).mp4
┣━64.14Hopfield神经网络.mp4
┣━64.9（空间中的）投票模型.mp4
┣━64.3伊辛模型（二）.mp4
┣━64.16深度学习与重正化群（一）.mp4
┣━64.15限制Boltzmann机.mp4
┣━64.7Critical Exponents.mp4
┣━17-数据科学和统计学（上）
┣━17.4回顾统计学（三）.mp4
┣━17.1课程Overview.mp4
┣━17.10随机变量（二）.mp4
┣━17.12换门的概率模拟计算（二）.mp4
┣━17.5回顾数据科学（一）.mp4
┣━17.6回顾数据科学（二）和教材介绍.mp4
┣━17.9随机变量（一）.mp4
┣━17.3回顾统计学（二）.mp4
┣━17.7R和RStudio等介绍（一）.mp4
┣━17.13换门的概率模拟计算（三）.mp4
┣━17.2回顾统计学（一）.mp4
┣━17.11换门的概率模拟计算（一）.mp4
┣━17.8R和RStudio等介绍（二）.mp4
┣━23-PCA、降维方法引入
┣━23.9PCA背后的假设（二）.mp4
┣━23.4PCA数学分析方法（二）.mp4
┣━23.1无监督学习框架.mp4
┣━23.2降维存在的原因.mp4
┣━23.5PCA数学分析方法（三）.mp4
┣━23.8PCA背后的假设（一）.mp4
┣━23.3PCA数学分析方法（一）.mp4
┣━23.7PCA之外的降维方法—LDA.mp4
┣━23.6PCA数学分析方法（四）.mp4
┣━45-网络基础与卷积网络
┣━45.4网络（四）.mp4
┣━45.7网络（七）.mp4
┣━45.11图像处理基础.mp4
┣━45.10网络（十）.mp4
┣━45.6网络（六）.mp4
┣━45.1网络（一）.mp4
┣━45.9网络（九）.mp4
┣━45.2网络（二）.mp4
┣━45.8网络（八）.mp4
┣━45.网络（五）.mp4
┣━45.3网络（三）.mp4
┣━45.13卷积（二）.mp4
┣━45.12卷积（一）.mp4
┣━77-学习其他主题
┣━77.2玻尔兹曼机—联想的机器.mp4
┣━77.1.mp4
┣━77.4学习（一）.mp4
┣━77.5学习（二）.mp4
┣━77.6学习（三）.mp4
┣━77.8程序讲解（一）.mp4
┣━77.7学习（四）.mp4
┣━77.3玻尔兹曼机.mp4
┣━77.10程序讲解（三）.mp4
┣━77.9程序讲解（二）.mp4
┣━40-SVM和网络引入
┣━40.2SVM（一）.mp4
┣━40.6SVM（五）.mp4
┣━40.5SVM（四）.mp4
┣━40.3SVM（二）.mp4
┣━40.13SVM（十二）和网络引入.mp4
┣━40.8SVM（七）.mp4
┣━40.12SVM（十一）.mp4
┣━40.9SVM（八）.mp4
┣━40.11SVM（十）.mp4
┣━40.10SVM（九）.mp4
┣━40.1VC维.mp4
┣━40.7SVM（六）.mp4
┣━40.4SVM（三）.mp4
┣━36-决策树到随机森林
┣━36.15Boosting方法（四）.mp4
┣━36.10Bagging与决策树（一）.mp4
┣━36.13Boosting方法（二）.mp4
┣━36.4在Scikit-Learn里面如何用随机森林做预测（二）.mp4
┣━36.6集成方法（一）.mp4
┣━36.1决策树.mp4
┣━36.12Boosting方法（一）.mp4
┣━36.3在Scikit-Learn里面如何用随机森林做预测（一）.mp4
┣━36.8Blending.mp4
┣━36.11Bagging与决策树（二）.mp4
┣━36.7集成方法（二）.mp4
┣━36.14Boosting方法（三）.mp4
┣━36.9gt多样化.mp4
┣━36.2随机森林.mp4
┣━36.5模型参数的介绍.mp4
┣━03-人工智能的三个阶段
┣━3.4连接主义阶段发展至学习阶段.mp4
┣━3.3课间答疑.mp4
┣━3.9课程大纲（一）.mp4
┣━3.2机器学习阶段发展至连接主义阶段.mp4
┣━3.8课间答疑.mp4
┣━3.5三个阶段总结分析.mp4
┣━3.6人工智能的应用（一）.mp4
┣━3.1规则阶段.mp4
┣━3.10课程大纲（二）.mp4
┣━3.7人工智能的应用（二）.mp4
┣━56-网络
┣━56.5数字识别（二）.mp4
┣━56.4数字识别（一）.mp4
┣━56.6感受野.mp4
┣━56.3Pooling.mp4
┣━56.1卷积的本质.mp4
┣━56.7RNN.mp4
┣━56.2卷积的三大特点.mp4
┣━42-网络
┣━42.1SVM比较其他分类起代码（一）.mp4
┣━42.5网络（三）.mp4
┣━42.4网络（二）.mp4
┣━42.6网络（四）.mp4
┣━42.2SVM比较其他分类起代码（二）.mp4
┣━42.3网络（一）.mp4
┣━51-计算机视觉深度学习入门数据篇
┣━51.1计算机视觉领域的常用竞赛数据集.mp4
┣━51.4如何使用端到端深度学习的方法.mp4
┣━51.2对数据常用的预处理工作和后处理工作如何提高竞赛成绩（一）.mp4
┣━51.3对数据常用的预处理工作和后处理工作如何提高竞赛成绩（二）.mp4
┣━35-第四范式分享
┣━35.6推荐系统机器学习模型.mp4
┣━35.5数据拆分与特征工程.mp4
┣━35.1推荐技术的介绍.mp4
┣━35.4求解—从数据到模型.mp4
┣━35.2人是如何推荐商品的.mp4
┣━35.8建模过程的演示与课间答疑.mp4
┣━35.7评估模型.mp4
┣━35.3推荐系统的形式化以及如何评价推荐结果.mp4
┣━07-阿尔法狗与强化学习算法
┣━7.1人工智能的发展.mp4
┣━7.3强化学习算法（二）.mp4
┣━7.6无监督学习.mp4
┣━7.4强化学习算法（三）.mp4
┣━7.2强化学习算法（一）.mp4
┣━7.5Alphago给我们的启示.mp4
┣━34-D-Park实战
┣━34.12Spark应用（六）.mp4
┣━34.7Spark应用（一）.mp4
┣━34.4Pig应用（四）.mp4
┣━34.6Pig应用（六）.mp4
┣━34.9Spark应用（三）.mp4
┣━34.5Pig应用（五）.mp4
┣━34.8Spark应用（二）.mp4
┣━34.3Pig应用（三）.mp4
┣━34.13Spark应用（七）.mp4
┣━34.2Pig应用（二）.mp4
┣━34.10Spark应用（四）.mp4
┣━34.11Spark应用（五）.mp4
┣━34.1Pig应用（一）.mp4
┣━10-贝叶斯理论
┣━10.8辛普森案件【微信：17358309816】.mp4
┣━10.3概率基础【微信：17358309816】.mp4
┣━10.4概率与事件.mp4
┣━10.5贝叶斯推理（一）.mp4
┣━10.11贝叶斯于机器学习（二）.mp4
┣━10.12贝叶斯决策（一）.mp4
┣━10.14贝叶斯决策（三）.mp4
┣━10.6贝叶斯推理（二）.mp4
┣━10.13贝叶斯决策（二）.mp4
┣━10.1梯度优化（一）.mp4
┣━10.9贝叶斯推理深入.mp4
┣━10.7贝叶斯推理（三）.mp4
┣━10.2梯度优化（二）.mp4
┣━10.10贝叶斯于机器学习（一）.mp4
┣━32-数据呈现基础
┣━32.4数据可视化流程.mp4
┣━32.8图形选择（三）.mp4
┣━32.1课程安排.mp4
┣━32.5视觉编码.mp4
┣━32.7图形选择（二）.mp4
┣━32.3设计原则.mp4
┣━32.6图形选择（一）.mp4
┣━32.2什么是数据可视化.mp4
┣━78-课程总结
┣━78.7课程大纲（一）.mp4
┣━78.8课程大纲（二）.mp4
┣━78.9课程总结（一）.mp4
┣━78.5RNN诗人.mp4
┣━78.6课程复习.mp4
┣━78.3猫狗大战—CNN实战（一）.mp4
┣━78.2Attention实例—Spatial Transformer.mp4
┣━78.10课程总结（二）.mp4
┣━78.1开场.mp4
┣━78.4猫狗大战—CNN实战（二）.mp4
┣━21-监督学习框架
┣━21.13高斯判别模型（一）.mp4
┣━21.9KNN(K最近邻)算法（一）.mp4
┣━21.6超参数（二）.mp4
┣━21.1经验误差和泛化误差.mp4
┣━21.12线性分类器.mp4
┣━21.2最大后验估计.mp4
┣━21.8监督学习框架（二）.mp4
┣━21.10KNN(K最近邻)算法（二）.mp4
┣━21.3正则化.mp4
┣━21.5超参数（一）.mp4
┣━21.7监督学习框架（一）.mp4
┣━21.4lasso回归.mp4
┣━21.14高斯判别模型（二）.mp4
┣━21.11KNN(K最近邻)算法（三）.mp4
┣━28-Scikit-Learn
┣━28.5模型实例、模型选择（一）.mp4
┣━28.3数据处理（一）【微信：17358309816】.mp4
┣━28.6模型实例、模型选择（二）.mp4
┣━28.1课程介绍.mp4
┣━28.4数据处理（二）.mp4
┣━28.8模型实例、模型选择（四）.mp4
┣━28.2Scikit-Learn介绍.mp4
┣━28.7模型实例、模型选择（三）.mp4
┣━28.9模型实例、模型选择（五）.mp4
┣━70-Value Iteration Networks
┣━70.1Background&Motivation.mp4
┣━70.2Value Iteration.mp4
┣━70.4总结及答疑.mp4
┣━70.3Grid—world Domain.mp4
┣━38-强化学习（上）
┣━38.14Policy Learning（六）.mp4
┣━38.2经典条件反射（一）.mp4
┣━38.4操作性条件反射.mp4
┣━38.8Evaluation Problem（四）.mp4
┣━38.11Policy Learning（三）.mp4
┣━38.12Policy Learning（四）.mp4
┣━38.6Evaluation Problem（二）.mp4
┣━38.10Policy Learning（二）.mp4
┣━38.7Evaluation Problem（三）.mp4
┣━38.1你所了解的强化学习是什么.mp4
┣━38.5Evaluation Problem（一）.mp4
┣━38.9Policy Learning（一）.mp4
┣━38.13Policy Learning（五）.mp4
┣━38.3经典条件反射（二）.mp4
┣━55-人工智能与设计
┣━55.10使用人工智能的方式.mp4
┣━55.7人的智能的特点（三）.mp4
┣━55.8人工智能（一）.mp4
┣━55.4人的智能（二）.mp4
┣━55.6人的智能的特点（二）.mp4
┣━55.1智能存在的意义是什么.mp4
┣━55.3人的智能（一）.mp4
┣━55.9人工智能（二）.mp4
┣━55.5人的智能的特点（一）.mp4
┣━55.2已有人工智的设计应用.mp4
┣━75-RNN及LSTM
┣━75.1RNN—序列处理器（一）.mp4
┣━75.4A dance between fix points.mp4
┣━75.3A simple enough case.mp4
┣━75.16LSTM Text Generation（一）.mp4
┣━75.6RNN作为生成模型（动力系统）.mp4
┣━75.14词向量、Deep RNN.mp4
┣━75.2RNN—序列处理器（二）.mp4
┣━75.13LSTM、Use Examples.mp4
┣━75.17LSTM Text Generation（二）.mp4
┣━75.9梯度消失与梯度爆炸（一）.mp4
┣━75.10梯度消失与梯度爆炸（二）.mp4
┣━75.5Fix point、Train Chaos.mp4
┣━75.18LSTM Text Generation（三）.mp4
┣━75.7RNN训练—BPTT（一）.mp4
┣━75.8RNN训练—BPTT（二）.mp4
┣━75.12LSTM.mp4
┣━75.11Reservoir computing—偷懒方法.mp4
┣━75.15Encoder Decoder Structure.mp4
┣━71-线动力学系统（上）
┣━71.1线动力学系统（一）.mp4
┣━71.11混沌（二）.mp4
┣━71.14混沌（五）.mp4
┣━71.5Bifurcation（二）.mp4
┣━71.9Bifurcation（六）.mp4
┣━71.18混沌（九）.mp4
┣━71.13混沌（四）.mp4
┣━71.7Bifurcation（四）.mp4
┣━71.3二维系统动力学综述—Poincare引理.mp4
┣━71.20混沌（十一）.mp4
┣━71.12混沌（三）.mp4
┣━71.16混沌（七）.mp4
┣━71.8Bifurcation（五）.mp4
┣━71.15混沌（六）.mp4
┣━71.2线动力学系统（二）.mp4
┣━71.17混沌（八）.mp4
┣━71.10混沌（一）.mp4
┣━71.19混沌（十）.mp4
┣━71.6Bifurcation（三）.mp4
┣━71.4Bifurcation（一）.mp4
┣━54-Pig和Spark巩固
┣━54.8Spark巩固（三）.mp4
┣━54.9Spark巩固（四）.mp4
┣━54.7Spark巩固（二）.mp4
┣━54.5Pig巩固（五）.mp4
┣━54.3Pig巩固（三）.mp4
┣━54.10Spark巩固（五）.mp4
┣━54.1Pig巩固（一）.mp4
┣━54.6Spark巩固（一）.mp4
┣━54.2Pig巩固（二）.mp4
┣━54.4Pig巩固（四）.mp4
┣━48-计算机视觉深度学习入门目的篇
┣━48.6实际问题转化为具体问题并用深度学习解决（三）.mp4
┣━48.3计算机视觉领域正在关心的问题（二）.mp4
┣━48.1计算机视觉深度学习入门概述.mp4
┣━48.2计算机视觉领域正在关心的问题（一）.mp4
┣━48.7实际问题转化为具体问题并用深度学习解决（四）.mp4
┣━48.4实际问题转化为具体问题并用深度学习解决（一）.mp4
┣━48.5实际问题转化为具体问题并用深度学习解决（二）.mp4
┣━06-机器学习与监督算法
┣━6.5简单回归实例（三）.mp4
┣━6.2机器学习的类型.mp4
┣━6.1什么是机器学习.mp4
┣━6.3简单回归实例（一）.mp4
┣━6.4简单回归实例（二）.mp4
┣━76-漫谈人工智能创业
┣━76.7人工智能创业中的商业思维.mp4
┣━76.2人工智能对我们生活的影响（二）.mp4
┣━76.4人工智能对我们生活的影响（四）.mp4
┣━76.6人工智能对我们生活的影响（六）.mp4
┣━76.9三个战略管理学商业模型（二）.mp4
┣━76.16三个战略管理学商业模型（九）.mp4
┣━76.3人工智能对我们生活的影响（三）.mp4
┣━76.11三个战略管理学商业模型（四）.mp4
┣━76.5人工智能对我们生活的影响（五）.mp4
┣━76.10三个战略管理学商业模型（三）.mp4
┣━76.15三个战略管理学商业模型（八）.mp4
┣━76.8三个战略管理学商业模型（一）.mp4
┣━76.13三个战略管理学商业模型（六）.mp4
┣━76.12三个战略管理学商业模型（五）.mp4
┣━76.17关于Entrepreneurship.mp4
┣━76.1人工智能对我们生活的影响（一）.mp4
┣━76.14三个战略管理学商业模型（七）.mp4
┣━68-机器学习的方法