• 投稿

Chaos system、big Data and machine learning——机器学习

2999
4
2019-08-07 20:05:27
29
5
128
7
系列：“一时学习一时爽，一直学习一直爽”系列之一，共78章，现已上传1-35章。 说明： （1）比较全面，大大小小知识面都多少涉及到了。 （2）有理论，有实践，适合各种萌新与小白食用 （3）打基础很不错，有的分类领域的专门知识需要进一步学习其他课程。 食用方法： 1-3章讲AI、Bigdata、Complex system之间的关系、应用，以及大纲介绍。 4、8、9、11、12、13、14章复习基本高数知识 5、6、7章讲算法模型大体分类 10、15、17复习基本概率论与数理统计知识
教育
学习
公开课
fxy2357 发消息
本锅无比之神秘，以至于没有填任何简介。。。
视频选集
（98/337）
1.1 Success and failure of physical prediction
23:12
1.2 Causes of predicting failure
07:18
1.3 Introduction of complex system
14:48
1.4 Example、question & answer
10:44
2.1 Failure predicting because of noise
15:39
2.2 big data and machine learning
04:29
3.1 era of rulism
15:31
3.2 era of connectionism
06:14
3.3 Q&A
16:22
3.4 era of deeplearning
13:42
3.5 conclusion of three eras
08:21
3.6 develope of ai（一）
14:43
3.7 develope of ai（二）
09:56
3.8 Q&A
14:18
3.9 Course outline（一）
13:30
3.10 Course outline（二）
11:23
4.1Definition of real Numbers（一）
13:16
4.2Definition of real Numbers（二）
15:21
4.3Definition of real Numbers（三）
11:29
4.4The number of real elements （一）
09:16
4.5The number of real elements（二）
13:49
4.6Natural Numbers（一）
15:30
4.7Natural Numbers（二）
13:35
4.8infinity（一）
18:57
4.9infinity（二）
09:12
4.10Convergence of series
16:54
4.11limit
13:36
4.12Four operations of limits
11:14
4.13Limit recombination
07:45
4.14连续性
11:52
5.1Big data economics（一）
15:30
5.2Big data economics（二）
17:44
5.3Big data economics（三）
18:30
5.4Big data economics（四）
09:44
6.1what is machine learning
10:26
6.2Types of machine learning
16:21
6.3example of simple regression（一）
14:55
6.4example of simple regression（二）
12:16
6.5example of simple regression（三）
22:05
7.1The development of AI
14:49
7.2Reinforcement learning（一）
11:20
7.3Reinforcement learning（二）
17:03
7.4Reinforcement learning（三）
11:39
7.5Alphago
08:46
7.6Unsupervised learning
07:13
8.1elements and limits
16:06
8.2theory（一）
12:58
8.3theory（二）
08:52
8.4Squeeze Theorem
08:09
8.5theory（三）
08:48
9.1derivative（一）
13:11
9.2derivative（二）
16:26
9.3derivative（三）
08:40
9.4derivative（四）
08:23
9.5derivative（五）
11:05
9.6Taylor expansion
06:36
9.7Rolle's theorem
09:18
9.8Differential mean value theorem and cauchy mean value theorem
15:42
9.9Lobita's rule
16:21
9.10proof of Taylor expansion
12:52
10.1The gradient（一）
15:01
10.2The gradient（二）
17:39
10.3Probability（一）
12:39
10.4Probability（二）
12:45
10.5Bayesian inference（一）
12:21
10.6Bayesian inference（二）
13:05
10.7Bayesian inference（三）
11:00
10.8Simpson case
15:09
10.9Bayesian inference（四）
14:25
10.10bayes and ML（一）
15:09
10.11bayes and ML（二）
06:44
10.12Bayesian decision（一）
11:42
10.13Bayesian decision（二）
15:27
10.14Bayesian decision（三）
19:15
11.1Taylor expansion
14:54
11.2Taylor expansion（二）
09:52
11.3Euler's formula
14:43
11.4Taylor expansion（三）
10:00
11.5Taylor expansion（四）
16:11
12.1Symmetry of partial derivatives
11:49
12.2The chain rule
11:13
12.3Gradient operators, Laplace operators
18:03
13.1Riemann integral
08:11
13.2Fundamental theorem of calculus
18:01
13.3Integration by parts（一）
16:29
13.4Integration by parts（二）
15:18
14.1Standard normal distribution
17:00
14.2Central limit theorem
11:37
14.3Error function
09:40
14.4Two dimensional normal distribution
14:52
14.5Multidimensional normal distribution
09:16
15.1Monte carlo analysis（一）
16:12
15.2Monte carlo analysis（二）
09:36
15.3Bayesian priori
13:52
15.4A priori to posterior process
08:31
15.5Naive bayes（一）
13:28
15.6Naive bayes（二）
14:31
15.7Algorithm design
08:10
15.8TF-IDF（一）
14:50
15.9TF-IDF（二）
13:50
15.10Naive bayes（三）
17:07
15.11Maximum likelihood estimation（一）
09:51
15.12Maximum likelihood estimation（二）
20:45
16.1Overview of linear algebra
15:00
16.2Applied methodology of linear algebra
06:28
16.3Linear multiplication
15:58
16.4Linear space
06:30
16.5eight rules for linear space（一）
16:12
16.eight rules for linear space（二）
16:51
16.7eight rules for linear space（三）
09:12
16.8Continuous Fourier transform
09:51
16.9Discrete Fourier transform
11:21
16.10Unconventional linear space
16:16
16.11Linear dependence and linear independence
13:42
16.12rank
16:47
17.1Overview
13:51
17.2statistics review（一）
12:36
17.3statistics review（二）
16:33
17.4statistics review（三）
08:38
17.5data science review（一）
12:21
17.6data science review（二）
13:57
17.7R and RStudio（一）
08:52
17.8R and RStudio（二）
12:43
17.9random variable（一）
12:46
17.10random variable（二）
09:16
17.11Monte carlo（一）
19:45
17.12Monte carlo（二）
10:53
17.13Monte carlo（三）
18:49
18.1Linear algebra review
11:34
18.2Linear algebra
10:00
18.3Invertible matrix
17:33
18.4Similar matrix
15:14
18.5Similar matrix（二）
07:08
18.6Linear algebra solves differential equations
19:44
18.7rank（一）
14:14
18.8rank（二）
12:32
18.9relation of equivalence
10:14
18.10Equivalence class
14:02
18.11The determinant（一）
10:09
18.12The determinant（二）
12:20
18.13The determinant（三）
16:11
19.1Python（一）
12:56
19.2Python（二）
16:37
19.3naming notations
12:50
19.4code standards
09:33
19.5Variable types（一）
09:54
19.6Variable types（二）
09:18
19.7Variable types（三）
12:25
19.8 A%Q
08:43
19.9Variable types（四）
15:18
19.10Variable types（五）
17:24
19.11Variable types（六）
11:24
19.12Variable types（七）
17:35
19.13Variable types（八）
08:35
19.14Variable types（九）
12:44
19.15Variable types（十）
11:16
20.1review of linear algebra
10:25
20.2Examples（一）
12:54
20.3Examples（二）
10:27
20.4Examples（三）
13:33
20.5Eigenvalues and eigenvectors
21:50
20.6Eigenvalues and eigenvectors（一）
06:17
20.7Eigenvalues and eigenvectors（二）
15:44
20.8eigenvalue（一）
10:07
20.9eigenvalue（二）
11:20
20.10Core theorem of linear algebra
09:35
20.11Dual space（一）
10:35
20.12Dual space（二）
15:33
20.13Minkowski space
07:55
20.14Hermitian matrix
04:16
21.1Empirical error and generalization error
15:24
21.2Maximum posterior estimate
15:49
21.3regularization
06:02
21.4lasso
14:39
21.5Super parameter（一）
12:48
21.6Super parameter（二）
09:49
21.7Supervised learning framework（一）
10:36
21.8Supervised learning framework（二）
15:58
21.9KNN（一）
13:42
21.10KNN（二）
12:46
21.11KNN（三）
07:49
21.12Linear classifier
11:46
21.13Gaussian discriminant model（一）
08:49
21.14Gaussian discriminant model（二）
14:25
22.1conditional statement（一）
15:02
22.2conditional statement（二）
14:28
22.3circulation（一）
07:20
22.4circulation（二）
10:26
22.5answer&question
10:16
22.6circulation（三）
10:35
22.7circulation（四）
12:56
22.8function（一）
08:07
22.9function（二）
09:47
22.10function（三）
12:45
22.11function（四）
15:20
22.12class（一）
11:47
22.13class（二）
10:35
22.14class（三）
07:44
23.1Unsupervised learning framework
11:19
23.2The reason dimension reduction exists
07:30
23.3PCA（一）
10:25
23.4PCA（二）
16:18
23.5PCA（三）
11:20
23.6PCA（四）
15:18
23.7LDA
06:09
23.8The hypothesis behind PCA（一）
12:07
23.9The hypothesis behind PCA（二）
12:10
24.1Overview
10:35
24.2Understanding statistical（一）
09:07
24.3Understanding statistical（二）
17:18
24.4Understanding statistical（三）
10:23
24.5Probability space
08:26
24.6random variable（一）
15:24
24.7random variable（二）
08:03
24.8random variable（三）
16:42
24.9random variable（四）
07:24
24.10Parameter estimation（一）
14:27
24.11Parameter estimation（二）
12:53
24.12Hypothesis testing（一）
09:58
24.13Hypothesis testing（二）
12:25
25.1introduction
06:16
25.2Relational database（一）
13:21
25.3Relational database（二）
14:10
25.4MySQL
10:27
25.5command line operates the database（一）
14:51
25.6command line operates the database（二）
14:39
25.7command line operates the database（三）
07:00
25.8command line operates the database（四）
13:23
25.9Python Operational database（一）
08:53
25.10Python Operational database（二）
14:47
25.11Python Operational database（三）
07:25
25.12Python Operational database（四）
13:41
25.13Python crawler（一）
09:55
25.14Python crawler（二）
13:55
25.15Python crawler（三）
15:44
25.16Python crawler（四）
14:52
25.17Python crawler（五）
15:42
26.1Lasso：alpha等（一）
07:56
26.2Lasso：alpha等（二）
02:35
26.3Lasso：alpha等（三）
10:32
26.4 Linear classifier
09:32
26.5LDA（一）
10:29
26.6LDA（二）
11:31
26.7LDA（三）
13:09
26.8Perceptron（一）
16:57
26.9Perceptron（二）
12:38
26.10Perceptron（三）
12:50
26.11Perceptron（四）
11:49
26.12Entropy and information（一）
09:05
26.13Entropy and information（二）
10:56
27.1NumPy（一）
13:14
27.2NumPy（二）
08:38
27.3NumPy（三）
10:57
27.4NumPy（四）
06:33
27.5NumPy（五）
11:22
27.6NumPy（六）
09:04
27.7Pandas（一）
14:49
27.8Pandas（二）
10:52
27.9Pandas（三）
13:08
27.10Pandas（四）
09:36
27.11Pandas drawing（一）
12:33
27.12Pandas drawing（二）
12:42
27.13Pandas drawing（三）
08:38
27.14Pandas drawing（四）
13:08
28.1 SKlearn
12:03
28.2 Scikit-Learn introduce
05:49
28.3data processing（一）
14:54
28.4data processing（二）
12:17
28.5model（一）
15:05
28.6model（二）
08:05
28.7model（三）
07:37
28.8model（四）
11:57
28.9model（五）
09:00
29.1Entropy（一）
14:51
29.2Entropy（二）
10:16
29.3Entropy（三）
12:53
29.4Entropy（四）
13:33
29.5Entropy（五）
08:35
29.6Entropy（六）
14:36
29.7Entropy（七）
04:32
29.8Logistic regression（一）
15:45
29.9Logistic regression（二）
15:12
29.10Logistic regression（三）
15:38
29.11Logistic regression（四）
15:41
29.12Logistic regression（五）
09:05
29.13SVM beginning
05:48
30.1Titanic data processing and analysis（一）
10:52
30.2Titanic data processing and analysis（二）
09:13
30.3Titanic data processing and analysis（三）
08:33
30.4Titanic data processing and analysis（四）
12:46
30.5Titanic data processing and analysis（五）
11:15
30.6Titanic data processing and analysis（六）
08:23
30.7Titanic data processing and analysis（七）
14:31
30.8Titanic data processing and analysis（八）
15:02
30.9Titanic data processing and analysis（九）
12:08
31.1The decision tree（一）
08:05
31.2The decision tree（二）
11:48
31.3The decision tree（三）
14:53
31.4The decision tree（四）
11:19
32.1 introduce
14:39
32.2What is data visualization
08:08
32.3Design principles
11:16
32.4process of data visualization
11:50
32.5Visual encoding
16:19
32.6Graphical selection（一）
11:56
32.7Graphical selection（二）
09:29
32.8Graphical selection（三）
10:32
33.1Hadoop
12:23
33.2Hdfs（一）
15:51
33.3Hdfs（二）
13:30
33.4MapReduce（一）
11:41
33.5MapReduce（二）
10:04
33.6Hive（一）
11:07
33.7Hive（二）
13:21
33.8Hive（三）
16:18
33.9Hive（四）
20:10
34.1Pig（一）
14:07
34.2Pig（二）
13:16
34.3Pig（三）
14:11
34.4Pig(四）
09:51
34.5Pig（五）
09:34
34.6Pig（六）
08:37
34.7Spark（一）
14:17
34.8Spark（二）
07:57
34.9Spark(三）
13:31
34.10Spark（四）
13:34
34.11Spark（五）
14:45
34.12Spark（六）
16:35
34.13Spark（七）
16:33
35.1Introduction of recommended technologies
11:32
35.2How do people recommend products
11:07
35.3how to evaluate the recommendation results
07:44
35.4Solution - from data to model
10:37
35.5Data splitting and feature engineering
11:34
35.6Recommend system machine learning model
14:46
35.7Evaluation model
10:59
35.8Demonstration of modeling process and q&a between classes
10:41

（黎珊彤）八年级舞蹈热身研究课
11113467
5815 0

高一生物人教版《人类遗传病》公开课
灯阑火珊
649 0

那些离谱数学答案
烟雨剪辑
47.6万 130

补【全集】 放学等我 有声
KKKPPP897676
19.4万 459

试讲比赛、试讲面试：高分底层逻辑！
你们的田老师
9805 3

《折线统计图》新课标 余老师（课堂实录+PPT课件+希沃课件+教案+逐字稿）☆
明华老师
2338 0

刘家杰 分分钟英语 EP.1 A 97.07.12-1 英语一分钟 续篇 Thoughts and Words
粤dv
1136 4

幼小衔接公开课就这样上！
一觉睡到破产
795 0

理性参考关注一下
22倍哥
1200 0

【精讲课程】2026自考精讲3 00539 中国古代文学史(二) 精讲课程【蒋丽媛 中国古代文学史二】汉语言文学
汉语言蒋丽媛尚考通
1478 0

讲 座：《人物描写专题》执教：薛法根（2026年3月第二十二届名师优课（薛法根团队））
西贝老师吖
596 0

麻省理工学院—线性代数课（完整版72讲）通俗易懂，堪称线性代数课程天花板！
AI从零开始学
2129 10

第1课 中国古代政治制度的形成与发展（2）课堂实录
李家豪的bot
780 0

鸽哥演讲英语纯享版
剑指碎梦山
1001 0

如何像爱玩手机一样爱上学习
木木学长研究生上岸版
4613 1

讲 座：《散文的进阶性教学》执教：薛法根（2026年3月第二十二届名师优课（薛法根团队））
西贝老师吖
562 0

2026C#上位机学习路线图分享 C#/.NET/就业/上位机/思维导图/教程/公开课
上位机超哥DeepMeet
621 0

六年级简便计算，北大学霸的做法绝了
郎老师小课堂
11.6万 58

一天一个小作文热点话题身体健康
ketty英语喵喵
1930 0

【公开课·2026最新版】李飞飞·斯坦福CS231n计算机视觉课程（全18讲）一口把机器学习、深度学习、计算机视觉、神经网络、全给讲透了！
AI从零开始学
4627 57
展开
海特洛夏日进行时
客服
顶部
赛事库 课堂 2021拜年纪