课程目录：
第 1 讲熟悉Jupyter notebook
1.1创建新的Python环境
1.2Python环境与版本（一）
1.3Python环境与版本（二）
1.4Python环境与版本（三）
1.5Python环境与版本（四）
1.6Python环境与版本（五）
1.7Python环境与版本（六）
1.8Python环境与版本（七）
1.9安装决策树可视化工具Graphviz（一）
1.10安装决策树可视化工具Graphviz（二）
1.11几个重要的工具包介绍（一）
1.12几个重要的工具包介绍（二）
1.13安装TensorFlow与Keras（一）
1.14安装TensorFlow与Keras（二）
1.15Jupyter notebook的基本使用技巧
1.16Markdown的基本技巧（一）
1.17Markdown的基本技巧（二）
第 2 讲文献与代码管理工具及统计基础
2.1学习方法总结
2.2Mendeley介绍及安装（一）
2.3Mendeley介绍及安装（二）
2.4GitHub介绍及安装
2.5GitHub远端连接操作（一）
2.6GitHub远端连接操作（二）
2.7GitHub远端连接操作（三）
2.8答疑（一）
2.9答疑（二）
2.10答疑（三）
2.11统计基础概述
第 3 讲Python基本数据类型
3.1课程概述
3.2计算机语言与程序概述（一）
3.3计算机语言与程序概述（二）
3.4为什么需要编程语言
3.5Python能做什么
3.6课间答疑
3.7Python2和Python3的区别
3.8编程语言的元素
3.9致敬 Hello World
3.10Python基本数据类型（一）
3.11Python基本数据类型（二）
3.12Python基本数据类型（三）
3.13Python基本数据类型（四）
3.14Python基本数据类型（五）
3.15Python基本数据类型（六）
3.16Python基本数据类型（七）
3.17Python基本数据类型（八）
第 4 讲函数与Python基本数据结构
4.1函数（一）
4.2函数（二）
4.3函数（三）
4.4函数（四）
4.5函数（五）
4.6Python编码结构（一）
4.7Python编码结构（二）
4.8Python编码结构（三）
4.9Python模块和程序包
4.10Python基本数据结构（一）
4.11Python基本数据结构（二）
4.12Python基本数据结构（三）
第 5 讲Numpy的基本操作
5.1Introduction to Numpy
5.2Create Arrays
5.3Basic Operations of Arrays
5.4lndexing ,Slicing and Iterating（一）
5.5lndexing ,Slicing and Iterating（二）
5.6lndexing ,Slicing and Iterating（三）
5.7Matrix Operations ||（一）
5.8Matrix Operations ||（二）
5.9Array processing（一）
5.10Array processing（二）
5.11Save and Load Array
第 6 讲Pandas的基本操作
6.1Series
6.2DataFrame+Titanic Example（一）
6.3DataFrame+Titanic Example（二）
6.4DataFrame+Titanic Example（三）
6.5DataFrame+Titanic Example（四）
6.6Index Objects
6.7Reindex
6.8Drop Data
6.9Slice Data（一）
6.10Slice Data（二）
6.11Data Alignment
6.12Rank and Sort
第 7 讲Matplotlib的基本操作
7.1Matplotlib（一）
7.2Matplotlib（二）
7.3Matplotlib（三）
7.4Matplotlib（四）
7.5Matplotlib（五）
7.6Aggregation（一）
7.7Aggregation（二）
7.8Aggregation（三）
第 8 讲什么是好的模型结果-cost function
8.1如何定义一个模型结果的好坏？
8.2连续变量的模型，如何来衡量模型结果？（一）
8.3连续变量的模型，如何来衡量模型结果？（二）
8.4二分类问题-假设检验，p-value（一）
8.5二分类问题-假设检验，p-value（二）
8.6二分类问题-ROC & AUC（一）
8.7二分类问题-ROC & AUC（二）
8.8什么是好的分类（一）
8.9二分类问题-召回率，准确率
8.10二分类问题-F1-score
8.11分类模型，如何衡量模型结果？
8.12imbalanced问题（一）
8.13imbalanced问题（二）
第 9 讲线性回归
9.1知识回顾
9.2为什么要使用线性回归？
9.3如何计算线性回归？（一）
9.4如何计算线性回归？（二）
9.5问题解答
9.6由最小二乘法选出的直线有没有用？（一）
9.7由最小二乘法选出的直线有没有用？（二）
9.8线性回归参数估计的含义
9.9线性回归对数据的解释
9.10线性回归对样本及误差的要求和假设前提（一）
9.11线性回归对样本及误差的要求和假设前提（二）
9.12预测的confidence interval 和 prediction interval（一）
9.13预测的confidence interval 和 prediction interval（二）
9.14预测的confidence interval 和 prediction interval（三）
9.15imbalanced问题
第 10 讲逻辑回归及应用
10.1逻辑回归与线性回归
10.2如何计算信用分数
10.3商家如何查看芝麻信用值？
10.4寻找最合理的参数-1设计Cost Function
10.5疑题解答
10.6寻找最合理的参数-3. 计算最优参数（一）
10.7寻找最合理的参数-3. 计算最优参数(二)
10.8寻找最合理的参数-3. 计算最优参数(三)
10.9寻找最合理的参数-3. 计算最优参数(四)
10.10寻找最合理的参数-3. 计算最优参数(五)
10.11寻找最合理的参数-3. 计算最优参数(六)
10.12更进一步：从逻辑回归到SoftMax（一）
10.13更进一步：从逻辑回归到SoftMax(二)
第 11 讲拟合与过拟合的定义
11.1拟合与过拟合
11.2对抗过拟合（一）
11.3对抗过拟合（二）
11.4对抗过拟合（三）
11.5Python实现（一）
11.6Python实现（二）
11.7正则化Regularization
11.8Ridge（一）
11.9Ridge（二）
11.10方差的分解（一）
11.11方差的分解（二）
11.12Bias与Variance的分解
第 12 讲决策树模型
12.1什么是决策树？
12.2游戏中的决策树分析（一）
12.3游戏中的决策树分析（二）
12.4哪个问题分的最好？
12.5Decision Tree_example1（一）
12.6Decision Tree_example1（二）
12.7Decision Tree_example1（三）
12.8Decision Tree_example1（四）
12.9Decision Tree_example1（五）
12.10Decision Tree_example1（六）
12.11Decision Tree_example1（七）
第 13 讲Pandas 数据操作与Ensemble Method 集成算法
13.1Combining dataframes
13.2Mapping
13.3Binning
13.4GroupBy On Dict and Series（一）
13.5GroupBy On Dict and Series（二）
13.6Merge（一）
13.7Merge（二）
13.8Outliers
13.9Pivoting
13.10Replace
13.11Bagging (Bootstrap aggregating)
13.12Boosting and Ada boosting（一）
13.13Boosting and Ada boosting（二）
13.14Gradient Boosting
第 14 讲Airbnb 数据分析
14.1Airbnb介绍
14.2Train and Test 用户本身数据和营销渠道数据
14.3Airbnb_DataExploration（一）
14.4Airbnb_DataExploration（二）
14.5Airbnb_DataExploration（三）
14.6Airbnb_FeatureEngineering（一）
14.7Airbnb_FeatureEngineering（二）
14.8Airbnb_FeatureEngineering（三）
14.9Airbnb_FeatureEngineering（四）
14.10Modeling（一）
14.11Modeling（二）
第 15 讲支持向量机（SVM）
15.1支持向量机简介与历史（一）
15.2支持向量机简介与历史（二）
15.3支持向量机分类与回归（一）
15.4支持向量机分类与回归（二）
15.5支持向量机分类与回归（三）
15.6对偶问题
15.7支持向量
15.8核函数
15.9正则化与软间隔
15.10支持向量机算法总结
15.11代码实战（一）
15.12代码实战（二）
15.13代码实战（三）
第 16 讲自然语言处理与NLP-代码实战
16.1历史
16.2语言模型（一）
16.3语言模型（二）
16.4语言模型（三）
16.5语言模型（四）
16.6语言模型（五）
16.7语言模型评价
16.8隐马尔可夫模型
16.9深度学习（一）
16.10深度学习（二）
16.11语言模型实战（一）
16.12语言模型实战（二）
16.13语言模型实战（三）
16.14语言模型实战（四）
第 17 讲文字处理与Amazon评论NLP分析案例
17.1Python文字处理基本操作回顾
17.2ASCII,unicode解码与编码,utf-8（一）
17.3ASCII,unicode解码与编码,utf-8（二）
17.4Nltk工具包与特朗普的任职演讲
17.5计算词频
17.6读取文字
17.7整理标签（一）
17.8整理标签（二）
17.9整理标签（三）
17.10清理文字并建语料库（一）
17.11清理文字并建语料库（二）
17.12建模
17.13调用具体模型
第 18 讲网络基础概述
18.1网络基础概述
18.2数据和数据库（一）
18.3数据和数据库（二）
18.4计算机网络知识普及（一）
18.5计算机网络知识普及（二）
18.6什么是网站
18.7静态网站和动态网站
18.8简单的网站服务程序（一）
18.9简单的网站服务程序（二）
18.10什么是API（一）
18.11什么是API（二）
18.12如何找到API
18.13网络产品和现在网络程序
18.14答疑
第 19 讲网络爬虫入门
19.1网络爬虫概述
19.2复习HTML
19.3强大的工具—Requests
19.4强大的工具—Beautifulsoup（一）
19.5强大的工具—Beautifulsoup（二）
19.6Charity Watch（一）
19.7Charity Watch（二）
19.8Charity Watch（三）
19.9弹幕爬虫（一）
19.10弹幕爬虫（二）
19.11弹幕爬虫（三）
19.12弹幕爬虫（四）
19.13弹幕爬虫（五）
19.14弹幕爬虫（六）
第 20 讲爬虫进阶
20.1Write Binary File
20.2Read Binary File
20.3静态文件获取（一）
20.4静态文件获取（二）
20.5认证授权（一）
20.6认证授权（二）
20.7认证授权（三）
20.8爬虫进阶扩展（一）
20.9爬虫进阶扩展（二）
第 21 讲 正则表达式
21.1常见代码
21.2基本语句（一）
21.3基本语句（二）
21.4字符匹配和分枝条件
21.5分组
21.6后向引用和零宽断言
21.7案例分析（一）
21.8案例分析（二）
第 22 讲贝叶斯统计
22.1联合概率
22.2边缘概率
22.3条件概率
22.4联合概率、边缘概率和条件概率
22.5贝叶斯公式（一）
22.6贝叶斯公式（二）
22.7流感案例
22.8图形化理解
22.9案例分析
22.10贝叶斯公式垃圾短信识别程序（一）
22.11贝叶斯公式垃圾短信识别程序（二）
22.12贝叶斯公式垃圾短信识别程序（三）
22.13脑筋急转弯：三门问题（一）
22.14脑筋急转弯：三门问题（二）
第 23 讲搜集用户信息与数据整合
23.1搜集用户发帖Comment Id（一）
23.2搜集用户发帖Comment Id（二）
23.3正向编码方法
23.4如何逆向解码（一）
23.5如何逆向解码（二）
23.6如何逆向解码（三）
23.7如何逆向解码（四）
23.8整理用户mid ID
23.9爬取用户信息（一）
23.10爬取用户信息（二）
23.11爬取用户信息（三）
23.12爬取用户信息（四）
23.13RandomForest 重新采样（一）
23.14RandomForest 重新采样（二）
第 24 讲贝叶斯思维
24.1贝叶斯统计（一）
24.2贝叶斯统计（二）
24.3贝叶斯统计（三）
24.4贝叶斯统计（四）
24.5贝叶斯公式（一）
24.6贝叶斯公式（二）
24.7贝叶斯公式（三）
24.8贝叶斯公式（四）
24.9证明正态分布的后验分布依然是正态分布（一）
24.10证明正态分布的后验分布依然是正态分布（二）
24.11证明正态分布的后验分布依然是正态分布（三）
24.12证明正态分布的后验分布依然是正态分布（四）
24.13美国海岸救援案例
第 25 讲BiliBili火爆剧集与观众分析
25.1结巴分词原理
25.2结巴分词使用
25.3去除NaN、分词
25.4去停用词、整理词频
25.5关键词计算
25.6生成词云
25.7沿时间的动态变化：频率与高频词（一）
25.8沿时间的动态变化：频率与高频词（二）
25.9沿时间的动态变化：频率与高频词（三）
25.10二十四小时的弹幕频率分布
25.11年内的弹幕频率分布
25.12观众信息
25.13脑筋急转弯（一）
25.14脑筋急转弯（二）
第 26 讲聚类与代码实战
26.1课程概要
26.2机器学习与聚类简介
26.3聚类的定义以及和分类的区别
26.4聚类相似度度量：几何距离
26.5划分聚类
26.6划分聚类—K均值算法（一）
26.7划分聚类—K均值算法（二）
26.8层次聚类
26.9Agglomerative clustering算法
26.10密度聚类
26.11DBSCAN
26.12聚类算法总结
26.13代码实战（一）
26.14代码实战（二）
26.15代码实战（三）
第 27 讲商业社交媒体舆情分析
27.1脑筋急转弯（一）
27.2脑筋急转弯（二）
27.3脑筋急转弯（三）
27.4社媒舆情分析的目的
27.5作用价值一：获取市场的必要信息（一）
27.6作用价值一：获取市场的必要信息（二）
27.7如何通过舆情分析掌握时长状况
27.8作用价值二：提升决策敏感性
27.9有趣的营销发现
27.10作用价值三：寻找接触点
27.11总结：营销领域的舆情分析应用
27.12答疑（一）
27.13答疑（二）
第 28 讲近期推荐系统概述
28.1推荐系统应用场景（一）
28.2推荐系统应用场景（二）
28.3推荐系统算法概述（一）
28.4推荐系统算法概述（二）
28.5推荐系统算法概述（三）
28.6推荐系统算法概述（四）
28.7CF+矩阵分解（一）
28.8CF+矩阵分解（二）
28.9基于图像的推荐
28.10评估推荐系统结果
第 29 讲人工智能的江湖
29.1达特茅斯会议与第一次AI大发展
29.2第一次AI寒冬（一）
29.3第一次AI寒冬（二）
29.4复苏与第二次AI寒冬
29.5再次复苏与神经网翻身
29.6瞻仰大神（一）
29.7瞻仰大神（二）
29.8瞻仰大神（三）
29.9今天的应用与影响（一）
29.10今天的应用与影响（二）
29.11今天的应用与影响（三）
第 30 讲机器学习在图像识别中的应用
30.1图像处理和机器学习有什么关系
30.2什么是机器学习
30.3什么是图像识别
30.4图像识别的困难在哪里
30.5图像识别的发展历史
30.6机器学习对比深度学习
30.7机器学习的工作方式
30.8机器学习的算法（一）
30.9机器学习的算法（二）
30.10机器学习总结
第 31 讲Pygame
31.1学习框架梳理
31.2剩余课程安排
31.3Flappy bird基本背景图像（一）
31.4Flappy bird基本背景图像（二）
31.5键盘操作-小鸟左右移动
31.6扑腾扑腾翅膀（一）
31.7扑腾扑腾翅膀（二）
31.8柱子的移动
31.9生成一系列的柱子，并且移动
31.10让小鸟飞起来
31.11假如小鸟很聪明
31.12给小鸟计分
第 32 讲Python控制系统
32.1The basic self-driving loop
32.2不同的数据存储和类型
32.3安装OpenCV
32.4OpenCV练习
32.5数据库基础review（一）
32.6数据库基础review（二）
32.7MYSQL的简单介绍(一)
32.8MYSQL的简单介绍(二)
32.9激光雷达
32.10Ctypes basic（一）
32.11Ctypes basic（二）
32.12Ctypes basic（三）
第 33 讲图像识别处理基础—OpenCV
33.1读取图片（一）
33.2读取图片（二）
33.3读取图片（三）
33.4读取视频
33.5绘图函数
33.6OpenCV图像的基本操作（一）
33.7OpenCV图像的基本操作（二）
33.8图像处理：颜色空间转换（一）
33.9图像处理：颜色空间转换（二）
33.10几何变换
33.11图像处理：图像平滑
33.12图像处理：形态学变换
第 34 讲从游戏数据中提取feature
34.1收集GTA5游戏数据（一）
34.2收集GTA5游戏数据（二）
34.3收集GTA5游戏数据（三）
34.4Check Data和OpenCV（一）
34.5Check Data和OpenCV（二）
34.6模型加载插件
34.7C++ review（一）
34.8C++ review（二）
34.9模型案例分析+OpenCV process（一）
34.10模型案例分析+OpenCV process（二）
34.11模型案例分析+OpenCV process（三）
34.12模型案例分析+OpenCV process（四）
34.13模型案例分析+OpenCV process（五）
第 35 讲GTA5自动驾驶项目
35.1作业布置
35.2GTA5自动驾驶分解问题（一）
35.3GTA5自动驾驶分解问题（二）
35.4GTA5自动驾驶分解问题（三）
35.5GTA5自动驾驶分解问题（四）
35.6GTA5自动驾驶分解问题（五）
35.7GTA游戏AI识别车道分割线（一）
35.8GTA游戏AI识别车道分割线（二）
35.9GTA游戏AI识别车道分割线（三）
35.10GTA游戏AI识别车道分割线（四）
35.11GTA游戏AI识别车道分割线（五）
35.12GTA游戏AI识别车道分割线（六）
35.13GTA游戏AI识别车道分割线（七）
第 36 讲TensorFlow的基本操作
36.1TensorFlow的基本概念
36.2TensorFlow的具体使用（一）
36.3TensorFlow的具体使用（二）
36.4Tensor Shapes（一）
36.5Tensor Shapes（二）
36.6Tensor Operations
36.7Tensor Slicing
36.8Tensor Sequences
36.9Graph
36.10Session和Constant
36.11Variables和Placeholders
36.12Example（一）
36.13Example（二）
36.14Example（三）
36.15Example（四）
第 37 讲神经网络
37.1神经网络
37.2深度神经网络
37.3反向传播算法
37.4激活函数
37.5优化算法（一）
37.6优化算法（二）
37.7正规化
37.8神经网络代码实战（一）
37.9神经网络代码实战（二）
37.10神经网络代码实战（三）
37.11神经网络代码实战（四）
第 38 讲卷积神经网络
38.1卷积和卷积核（一）
38.2卷积和卷积核（二）
38.3卷积和卷积核（三）
38.4填充和池化
38.5深度卷积神经网络：LeNet-5
38.6深度卷积神经网络：AlexNet
38.7深度卷积神经网络：ZF-net
38.8深度卷积神经网络：VGG-16
38.9深度卷积神经网络：Inception Network
38.10深度卷积神经网络：Residual Network
38.11深度卷积神经网络：DenseNet
第 39 讲卷积神经网络的应用
39.1卷积神经网络应用概述
39.2物体检测：RCNN和SPP-Net（一）
39.3物体检测：RCNN和SPP-Net（二）
39.4物体检测：Fast R-CNN
39.5物体检测：YOLO和SSD
39.6文档的归类
39.7代码实战（一）
39.8代码实战（二）
39.9代码实战（三）
39.10代码实战（四）
39.11代码实战（五）
第 40 讲深度学习框架剖析
40.1深度学习系统的目标定位
40.2典型深度学习系统框架
40.3命令式编程与声明式编程等概念讲解
40.4图优化、执行引擎
40.5编程接口、分布式并行计算
40.6TF多卡训练
40.7TF多机训练
40.8主流开源深度学习平台简析
40.9答疑
40.10Tensorflow tutorial example（一）
40.11ensorflow tutorial example（二）
40.12模型训练Tricks分享
40.13DL优化方法分析以及相关TF API说明
40.14Tensorflow detection models
40.15实际模型项目介绍（一）
40.16实际模型项目介绍（二）
第 41 讲递归神经网络
41.1递归神经网络—序列问题
41.2为什么递归
41.3递归神经网络（一）
41.4递归神经网络（二）
41.5双向递归神经网络
41.6沿时间反向传播
41.7梯度消失
第 42 讲长短记忆网络和递归神经网络代码操作
42.1长短记忆网络（一）
42.2长短记忆网络（二）
42.3伪装曹雪芹（一）
42.4伪装曹雪芹（二）
42.5伪装曹雪芹（三）
42.6伪装曹雪芹（四）
42.7图像识别（一）
42.8图像识别（二）
第 43 讲线性代数与数值分析
43.1线性代数与数值分析概述
43.2线性代数的基础定义
43.3矩阵乘积和转置
43.4矩阵性质
43.5矩阵行列式
43.6矩阵的迹和秩
43.7范数
43.8矩阵的特征值和特征向量
43.9特殊类型的矩阵和向量（一）
43.10特殊类型的矩阵和向量（二）
43.11矩阵分解
43.12矩阵微积分
43.13矩阵计算（一）
43.14矩阵计算（二）
43.15范数、向量之间的夹角
43.16对角矩阵、单位矩阵、转置矩阵和reshape
43.17行列式、秩、迹以及SVD奇异值分解
第 44 讲词嵌入表示
44.1N-元模型回顾
44.2神经语言模型
44.3递归神经网络语言模型
44.4词嵌入
44.5哈夫曼树
44.6连续词袋模型—分层Softmax
44.7Skip-gram：分层Softmax
44.8连续词袋模型：负采样
44.9词向量：可视化
第 45 讲递归神经网络的应用
45.1文本生成和情绪分析
45.2语音识别
45.3机器翻译（一）
45.4机器翻译（二）
45.5视觉注意力机制
45.6词嵌入表示—Word2Vec
45.7词嵌入表示—RNN语言模型（一）
45.8词嵌入表示—RNN语言模型（二）
45.9词嵌入表示—RNN for POS tagging（一）
45.10词嵌入表示—RNN for POS tagging（二）
第 46 讲强化学习系列课程基本概念与方法总览
46.1复习监督学习
46.2强化学习基本概念（一）
46.3强化学习基本概念（二）
46.4策略与总价值（一）
46.5策略与总价值（二）
46.6强化学习系列方法总览（一）
46.7强化学习系列方法总览（二）
46.8强化学习系列方法总览（三）
第 47 讲马尔可夫决策过程
47.1马尔可夫决策过程：Markov状态转移矩阵
47.2Markov Rewards Process
47.3状态价值state value
47.4Bellman方程（一）
47.5Bellman方程（二）
47.6Bellman方程（三）
47.7Bellman方程（四）
47.8状态价值函数 v.s 动作价值函数（一）
47.9状态价值函数 v.s 动作价值函数（二）
47.10最优总价值与最优动作价值（一）
47.11最优总价值与最优动作价值（二）
47.12Flappy bird的简单解决方法（一）
47.13Flappy bird的简单解决方法（二）
第 48 讲强化学习：迭代法
48.1动态规划（一）
48.2动态规划（二）
48.3迭代法（一）
48.4迭代法（二）
48.5复习+Jacob方法（一）
48.6复习+Jacob方法（二）
48.7Gauss-Seidel迭代法
48.8迭代法求策略估值（一）
48.9迭代法求策略估值（二）
48.10迭代法求策略估值（三）
48.11迭代法更新最佳策略（一）
48.12迭代法更新最佳策略（二）
48.13斐波拉契数列
48.14最长递增序列（一）
48.15最长递增序列（二）
第 49 讲简单的蒙特卡洛
49.1蒙特卡洛模拟方法介绍
49.2训练flappy bird 模型（一）
49.3训练flappy bird 模型（二）
49.4训练flappy bird 模型（三）
49.5整理碰壁函数与reward函数
49.6离散化环境状态
49.7由状态环境选择飞行动作
49.8处理碰壁函数与reward函数
49.9队列存飞行路径（一）
49.10队列存飞行路径（二）
49.11队列存飞行路径（三）
49.12队列存飞行路径（四）
49.13答疑
第 50 讲云，计算，数据
50.1云计算的定义
50.2NIST、云计算市场的发展条件
50.3芯片设计的取舍、并行化
50.4WSC（新型数据中心）的形成、概念、优点
50.5虚拟化（一）
50.6虚拟化（二）
50.7云计算的商业模式
50.8层级分类
50.9阿里云介绍（一）
50.10阿里云介绍（二）
50.11实例创建（一）
50.12实例创建（二）
50.13实例创建（三）
50.14Logging模块的简单应用（一）
50.15Logging模块的简单应用（二）
50.16Logging模块的简单应用（三）
第 51 讲机器学习（上）
51.1时间差分法公式
51.2蒙特卡洛法（一）
51.3蒙特卡洛法（二）
51.4TD（时间差分）的特点
51.5课间答疑
51.6MC与TD对比
51.7无偏估计
51.8收敛性质
51.9MC与TD收敛差异
51.10Model-Free Control（一）
51.11Model-Free Control（二）
51.12Model-Free Control（三）
51.13Model-Free Control（四）
51.14Model-Free Control（五）
第 52 讲机器学习（下）
52.1函数的近似方法（一）
52.2函数的近似方法（二）
52.3函数的近似方法（三）
52.4DQN（一）
52.5DQN（二）
52.6Flappy bird（一）
52.7Flappy bird（二）
52.8Flappy bird（三）
52.9Flappy bird（四）
52.10Flappy bird（五）
52.11Flappy bird（六）
52.12Flappy bird（七）
52.13Flappy bird（八）
第 53 讲软件工程师、数据工程师和数据科学家职业介绍
53.1自我介绍及课程介绍
53.2Career Path Insight
53.3软件工程师之基础课程
53.4软件工程师之面试准备与技巧
53.5大数据之协同合作（一）
53.6大数据之协同合作（二）
53.7数据工程师和数据科学家
53.8答疑（一）
53.9答疑（二）
第 54 讲金融科技—数据科学在金融业的应用和前景
54.1金融行业不同岗位对人才的需求
54.2金融科技用到的数据科学
54.3职位和机会
54.4数字化财富管理行业
54.5智能投顾创业公司的数据分析
54.6答疑（一）
54.7答疑（二）
第 55 讲深度学习经典网络分析基础
55.1课程安排
55.2深度学习的两大基本问题
55.3反向传播算法简介
55.4深度学习网络模型回顾
55.5CNN架构发展简要流程
55.6LeNet
55.7答疑—人脸识别
55.8答疑—通用检测
55.9答疑—语音识别
55.10AlexNet
55.11VGG
55.12GoogleNet（一）
55.13GoogleNet（二）
55.14ResNet
55.15经典网络简单比较、网络设计考虑
55.16答疑（一）
55.17答疑（二）
|
/1 
