实用数据挖掘与人工智能 一月特训班

课程目录：

第1讲熟悉Jupyternotebook

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）

1.15Jupyternotebook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HelloWorld

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

5.1IntroductiontoNumpy

5.2CreateArrays

5.3BasicOperationsofArrays

5.4lndexing,SlicingandIterating（一）

5.5lndexing,SlicingandIterating（二）

5.6lndexing,SlicingandIterating（三）

5.7MatrixOperations||（一）

5.8MatrixOperations||（二）

5.9Arrayprocessing（一）

5.10Arrayprocessing（二）

5.11SaveandLoadArray

第6讲Pandas的基本操作

6.1Series

6.2DataFrame+TitanicExample（一）

6.3DataFrame+TitanicExample（二）

6.4DataFrame+TitanicExample（三）

6.5DataFrame+TitanicExample（四）

6.6IndexObjects

6.7Reindex

6.8DropData

6.9SliceData（一）

6.10SliceData（二）

6.11DataAlignment

6.12RankandSort

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-costfunction

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confidenceinterval和predictioninterval（一）

9.13预测的confidenceinterval和predictioninterval（二）

9.14预测的confidenceinterval和predictioninterval（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CostFunction

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？

12.5DecisionTree_example1（一）

12.6DecisionTree_example1（二）

12.7DecisionTree_example1（三）

12.8DecisionTree_example1（四）

12.9DecisionTree_example1（五）

12.10DecisionTree_example1（六）

12.11DecisionTree_example1（七）

第13讲Pandas数据操作与EnsembleMethod集成算法

13.1Combiningdataframes

13.2Mapping

13.3Binning

13.4GroupByOnDictandSeries（一）

13.5GroupByOnDictandSeries（二）

13.6Merge（一）

13.7Merge（二）

13.8Outliers

13.9Pivoting

13.10Replace

13.11Bagging(Bootstrapaggregating)

13.12BoostingandAdaboosting（一）

13.13BoostingandAdaboosting（二）

13.14GradientBoosting

第14讲Airbnb数据分析

14.1Airbnb介绍

14.2TrainandTest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）

19.6CharityWatch（一）

19.7CharityWatch（二）

19.8CharityWatch（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

20.1WriteBinaryFile

20.2ReadBinaryFile

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CommentId（一）

23.2搜集用户发帖CommentId（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midID

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

26.9Agglomerativeclustering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

31.3Flappybird基本背景图像（一）

31.4Flappybird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

32.1Thebasicself-drivingloop

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

32.10Ctypesbasic（一）

32.11Ctypesbasic（二）

32.12Ctypesbasic（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）

34.4CheckData和OpenCV（一）

34.5CheckData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+OpenCVprocess（一）

34.10模型案例分析+OpenCVprocess（二）

34.11模型案例分析+OpenCVprocess（三）

34.12模型案例分析+OpenCVprocess（四）

34.13模型案例分析+OpenCVprocess（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）

36.4TensorShapes（一）

36.5TensorShapes（二）

36.6TensorOperations

36.7TensorSlicing

36.8TensorSequences

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：InceptionNetwork

38.10深度卷积神经网络：ResidualNetwork

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：FastR-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

40.10Tensorflowtutorialexample（一）

40.11ensorflowtutorialexample（二）

40.12模型训练Tricks分享

40.13DL优化方法分析以及相关TFAPI说明

40.14Tensorflowdetectionmodels

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—RNNforPOStagging（一）

45.10词嵌入表示—RNNforPOStagging（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

47.2MarkovRewardsProcess

47.3状态价值statevalue

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）

47.12Flappybird的简单解决方法（一）

47.13Flappybird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flappybird模型（一）

49.3训练flappybird模型（二）

49.4训练flappybird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-FreeControl（一）

51.11Model-FreeControl（二）

51.12Model-FreeControl（三）

51.13Model-FreeControl（四）

51.14Model-FreeControl（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）

52.6Flappybird（一）

52.7Flappybird（二）

52.8Flappybird（三）

52.9Flappybird（四）

52.10Flappybird（五）

52.11Flappybird（六）

52.12Flappybird（七）

52.13Flappybird（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

53.2CareerPathInsight

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）