從Alpha—GO到無人駕駛，人工智能AI結合大數據發揮出驚人功效的場景越來越多。如何從零開始真正入門這個領域？人工智能、大數據與復雜系統一月特訓班可以幫到您！
混沌巡洋艦講師團
來自巴黎高師，中科院，北師大等世界著名高校及機構的混沌巡洋艦導師團，為大家在人工智能，大數據與復雜系統的知識海洋里揚帆領航。
課程目錄：
第 1 講復雜系統
1.1物理預測的勝利與失效
1.2預測失效原因
1.3復雜系統引論
1.4生活實例與本章答疑
第 2 講大數據與機器學習
2.1大數據預測因為噪聲失效
2.2大數據與機器學習
第 3 講人工智能的三個階段
3.1規則階段
3.2機器學習階段發展至連接主義階段
3.3課間答疑
3.4連接主義階段發展至深度學習階段
3.5三個階段總結分析
3.6人工智能的應用（一）
3.7人工智能的應用（二）
3.8課間答疑
3.9課程大綱（一）
3.10課程大綱（二）
第 4 講高等數學—元素和極限
4.1實數的定義（一）
4.2實數的定義（二）
4.3實數的定義（三）
4.4實數的元素個數（一）
4.5實數的元素個數（二）
4.6自然數個數少于實數個數（一）
4.7自然數個數少于實數個數（二）
4.8無窮大之比較（一）
4.9無窮大之比較（二）
4.10級數的收斂
4.11極限的定義
4.12極限的四則運算
4.13極限的復合
4.14連續性
第 5 講復雜網絡經濟學應用
5.1用網絡的思維看經濟結構
5.2復雜網絡認識前后
5.3從網絡結構看不同地區（一）
5.4從網絡結構看不同地區（二）
第 6 講機器學習與監督算法
6.1什么是機器學習
6.2機器學習的類型
6.3簡單回歸實例（一）
6.4簡單回歸實例（二）
6.5簡單回歸實例（三）
第 7 講阿爾法狗與強化學習算法
7.1人工智能的發展
7.2強化學習算法（一）
7.3強化學習算法（二）
7.4強化學習算法（三）
7.5Alphago給我們的啟示
7.6無監督學習
第 8 講高等數學—兩個重要的極限定理
8.1元素與極限的知識點回顧
8.2第一個重要極限定理的證明（一）
8.3第一個重要極限定理的證明（二）
8.4夾逼定理
8.5第二個重要極限定理的證明
第 9 講高等數學—導數
9.1導數的定義
9.2初等函數的導數
9.3反函數的導數（一）
9.4反函數的導數（二）
9.5復合函數的導數
9.6泰勒展開
9.7羅爾定理
9.8微分中值定理和柯西中值定理
9.9洛比塔法則
9.10泰勒展開的證明
第 10 講貝葉斯理論
10.1梯度優化（一）
10.2梯度優化（二）
10.3概率基礎
10.4概率與事件
10.5貝葉斯推理（一）
10.6貝葉斯推理（二）
10.7貝葉斯推理（三）
10.8辛普森案件
10.9貝葉斯推理深入
10.10貝葉斯于機器學習（一）
10.11貝葉斯于機器學習（二）
10.12貝葉斯決策（一）
10.13貝葉斯決策（二）
10.14貝葉斯決策（三）
第 11 講高等數學—泰勒展開
11.1泰勒展開
11.2展開半徑
11.3歐拉公式
11.4泰勒展開求極限（一）
11.5泰勒展開求極限（二）
第 12 講高等數學—偏導數
12.1偏導數的對稱性
12.2鏈式法則
12.3梯度算符、拉氏算符
第 13 講高等數學—積分
13.1黎曼積分
13.2微積分基本定理
13.3分部積分（一）
13.4分部積分（二）
第 14 講高等數學—正態分布
14.1標準正態分布
14.2中心極限定理
14.3誤差函數
14.4二維正態分布
14.5多維正態分布
第 15 講樸素貝葉斯和最大似然估計
15.1蒙特卡洛分析（一）
15.2蒙特卡洛分析（二）
15.3貝葉斯先驗
15.4先驗到后驗的過程
15.5樸素貝葉斯（一）
15.6樸素貝葉斯（二）
15.7算法設計
15.8TF-IDF（一）
15.9TF-IDF（二）
15.10樸素貝葉斯（三）
15.11最大似然估計（一）
15.12最大似然估計（二）
第 16 講線性代數—線性空間和線性變換
16.1線性代數概述
16.2線性代數應用方法論
16.3線性乘法的可交換性和結合律
16.4線性空間
16.5線性空間八條法則（一）
16.6線性空間八條法則（二）
16.7線性空間八條法則（三）
16.8連續傅立葉變換
16.9離散傅立葉變換
16.10非常規線性空間
16.11線性相關和線性無關
16.12秩
第 17 講數據科學和統計學（上）
17.1課程Overview
17.2回顧統計學（一）
17.3回顧統計學（二）
17.4回顧統計學（三）
17.5回顧數據科學（一）
17.6回顧數據科學（二）和教材介紹
17.7R和RStudio等介紹（一）
17.8R和RStudio等介紹（二）
17.9隨機變量（一）
17.10隨機變量（二）
17.11換門的概率模擬計算（一）
17.12換門的概率模擬計算（二）
17.13換門的概率模擬計算（三）
第 18 講線性代數—矩陣、等價類和行列式
18.1線性代數知識點回顧
18.2矩陣表示線性變化
18.3可逆矩陣表示坐標變化
18.4相似矩陣
18.5相似矩陣表示相同線性變化
18.6線性代數解微分方程
18.7矩陣的運算—轉秩（一）
18.8矩陣的運算—轉秩（二）
18.9等價關系
18.10等價類
18.11行列式（一）
18.12行列式（二）
18.13行列式（三）
第 19 講Python基礎課程（上）
19.1Python介紹（一）
19.2Python介紹（二）
19.3變量—命名規范
19.4變量—代碼規范
19.5變量類型—數值類型
19.6變量類型—bool類型
19.7變量類型—字符串類型（一）
19.8課間答疑
19.9變量類型—字符串類型（二）
19.10變量類型—字符串類型（三）
19.11變量類型—列表類型（一）
19.12變量類型—列表類型（二）
19.13變量類型—列表類型（三）
19.14變量類型—元組類型、字典類型（一）
19.15變量類型—字典類型（二）
第 20 講線性代數—特征值與特征向量
20.1線性代數知識點回顧
20.2例題講解（一）
20.3例題講解（二）
20.4例題講解（三）
20.5特征值與特征向量的物理意義
20.6特征值與特征向量的性質（一）
20.7特征值與特征向量的性質（二）
20.8本征值的計算（一）
20.9本征值的計算（二）
20.10線性代數核心定理
20.11對偶空間（一）
20.12對偶空間（二）
20.13歐氏空間與閔氏空間
20.14厄米矩陣
第 21 講監督學習框架
21.1經驗誤差和泛化誤差
21.2最大后驗估計
21.3正則化
21.4lasso回歸
21.5超參數（一）
21.6超參數（二）
21.7監督學習框架（一）
21.8監督學習框架（二）
21.9KNN(K最近鄰)算法（一）
21.10KNN(K最近鄰)算法（二）
21.11KNN(K最近鄰)算法（三）
21.12線性分類器
21.13高斯判別模型（一）
21.14高斯判別模型（二）
第 22 講Python基礎課程（下）
22.1條件判斷（一）
22.2條件判斷（二）
22.3循環（一）
22.4循環（二）
22.5課間答疑
22.6循環（三）
22.7循環（四）
22.8函數（一）
22.9函數（二）
