人工智能全新干货 半监督学习+规则学习+增强学习+稀疏学习+降维与度量学习+集成学习

 课程的标题有点过度罗列，但是这次的人工智能Ai课程的确是新增了非常多已经运用于一线的实战技术。课程以人工智能机器学习为主线，在传统机器学习的基础上，为同学们扩展了集成学习、降维与度量学习、XGBOOST算法、特征选择与稀疏学习、计算学习理论、半监督学习、规则学习、增强学习等等全新的干货课程。这些技术内容都是已经在机器学习上经过不断演化而来，都是未来AI发展领域同学们不可错过的实战技术。

===============课程目录===============
统计章节目录

基础部分：人工智能python基础
基础部分：人工智能数学基础
第1部分：开始之前
第2部分：线性代数
第3部分：概率论
第4部分：机器学习上
1 简介
2 模型评估与选择
3 线性模型
4 决策树
5 神经网络
6 支持向量机
7 贝叶斯分类器
8 集成学习
9 聚类分析
10 降维与度量学习
11 XGBOOST
12 特征选择与稀疏学习
13 计算学习理论
14 半监督学习
15 概率图模型
16 规则学习
17 增强学习

详细课程目录

(1)\西瓜书视频上 半部分
(2)\西瓜书视频下 半部分
(3)\西瓜书视频上 半部分\基础部分：人工智能python基础
(4)\西瓜书视频上 半部分\基础部分：人工智能数学基础
(5)\西瓜书视频上 半部分\第1部分：开始之前
├─(1) 1、开始之前.mp4
├─(2) __0__ 开始之前.pptx
(6)\西瓜书视频上 半部分\第2部分：线性代数
├─(3) __1__ 线性代数1.pptx
├─(4) __2__ 线性代数2_线性相关和子空间.pptx
├─(5) __3__ 线性代数3_范数.pptx
├─(6) __4.1__ 线性代数4_特殊矩阵.pptx
├─(7) __5__ 矩阵分解.pdf
├─(8) 第三讲：线性代数（二）.mp4
├─(9) 第二讲：线性代数（一）.mp4
├─(10) 第五讲：线性代数（四）.mp4
├─(11) 第六讲：线性代数（五）.mp4
├─(12) 第四讲：线性代数（三）.mp4
(7)\西瓜书视频上 半部分\第3部分：概率论；目录中文件数:7个
├─(13) __6__ 概率论.pdf
├─(14) __7__ 概率论.pdf
├─(15) __8__ 概率论.pdf
├─(16) 课程回放 – 第七讲：概率论（一）.mp4
├─(17) 课程回放 – 第九讲：概率论（三）.mp4
├─(18) 课程回放 – 第八讲：概率论（二）.mp4
├─(19) 课程回放 – 第十讲：概率论（四）.mp4
(8)\西瓜书视频上 半部分\第4部分：机器学习上；目录中文件数:0个
(9)\西瓜书视频下 半部分\第4部分：机器学习；目录中文件数:0个
(10)\西瓜书视频上 半部分\基础部分：人工智能python基础\第1部分；目录中文件数:3个
├─(20) 1.1 为什么使用Python.mp4
├─(21) 1.2 Python环境配置（Anaconda）.mp4
├─(22) 机器学习与Python-第一章.zip
(11)\西瓜书视频上 半部分\基础部分：人工智能python基础\第2部分；目录中文件数:0个
(12)\西瓜书视频上 半部分\基础部分：人工智能python基础\第3部分；目录中文件数:9个
├─(23) 3.1 Python数据分析工具简介（Numpy，Scipy，Matplotlib，Pandas，Scikit-Learn）.mp4
├─(24) 3.2 数据挖掘建模过程（定义挖掘目标，数据取样， 数据探索，数据预处理， 挖掘建模，模型评价）.mp4
├─(25) 3.3 Python主要数据探索函数（基本统计特征函数，扩展统计特征函数，统计作图函数）.mp4
├─(26) 3.4 Python主要数据预处理函数.mp4
├─(27) 3.5 Python挖掘建模（Python分类预测模型，Python主要聚类分析算法，Python主要时序模型算法）.mp4
├─(28) 3.6 MNIST手写体数字图片识别.mp4
├─(29) 4-mnist.zip
├─(30) 机器学习与Python_第三章_1.zip
├─(31) 机器学习与Python_第三章_2.zip
(13)\西瓜书视频上 半部分\基础部分：人工智能数学基础\1、线代
├─(32) 10.向量组的线性相关性2.ppt
├─(33) 11.向量组的线性相关性3.ppt
├─(34) 12.向量组的线性相关性4.ppt
├─(35) 13.相似矩阵及二次型.ppt
├─(36) 14. 范数.ppt
├─(37) 15.矩阵分解.pptx
├─(38) 16.主成分分析.ppt
├─(39) 1行列式1.ppt
├─(40) 2行列式2.pdf
├─(41) 2行列式2.ppt
├─(42) 3.矩阵及其运算1.ppt
├─(43) 4.矩阵及其运算2.ppt
├─(44) 5.矩阵的初等变换.ppt
├─(45) 6.矩阵的秩.ppt
├─(46) 7.线性方程组的解.ppt
├─(47) 8.习题课.ppt
├─(48) 9.向量组的线性相关性1.ppt
├─(49) 第10讲：一小时答疑.mp4
├─(50) 第11讲：向量组的线性相关性（一）.mp4
├─(51) 第12讲：向量组的线性相关性（二）.mp4
├─(52) 第13讲：线性方程组的解的结构，向量空间.mp4
├─(53) 第14讲：习题课.mp4
├─(54) 第15讲：一小时答疑（Day3）.mp4
├─(55) 第16讲：相似矩阵及二次型（一）.mp4
├─(56) 第17讲：相似矩阵及二次型（二）.mp4
├─(57) 第18讲：范数.mp4
├─(58) 第19讲：矩阵分解.mp4
├─(59) 第1讲：行列式（一）.mp4
├─(60) 第20讲：主成分分析.mp4
├─(61) 第21讲：一小时答疑（Day4）.mp4
├─(62) 第2讲：行列式（二）.mp4
├─(63) 第3讲：矩阵及其运算（一）.mp4
├─(64) 第4讲：矩阵及其运算（二）.mp4
├─(65) 第5讲：一小时答疑.mp4
├─(66) 第6讲：矩阵的初等变换.mp4
├─(67) 第7讲：矩阵的秩.mp4
├─(68) 第8讲：线性方程组的解.mp4
├─(69) 第9讲：习题课.mp4
(14)\西瓜书视频上 半部分\基础部分：人工智能数学基础\2、概率论
├─(70) 10、一小时答疑（Day6）.mp4
├─(71) 11、随机向量（一）.mp4
├─(72) 12、随机向量（二）.mp4
├─(73) 13、随机变量的数字特征（一）.mp4
├─(74) 14、随机变量的数字特征（二）.mp4
├─(75) 15、一小时答疑（Day7）.mp4
├─(76) 16、随机变量的数字特征（三）.mp4
├─(77) 17、随机变量的数字特征（四）.mp4
├─(78) 18、随机变量的数字特征（五）.mp4
├─(79) 19、极限定理（一）.mp4
├─(80) 1、概率论与数理统计（一）.mp4
├─(81) 20、极限定理（二）.mp4
├─(82) 21、一小时答疑（Day8）.mp4
├─(83) 2、概率论与数理统计（二）.mp4
├─(84) 3.随机向量-概率论与数理统计课件.ppt
├─(85) 3、概率论与数理统计（三）.mp4
├─(86) 4.随机变量的数字特征-概率论与数理统计课件.ppt
├─(87) 4、习题课.mp4
├─(88) 5.极限定理-概率论与数理统计课件.ppt
├─(89) 5、一小时答疑.mp4
├─(90) 6、随机变量（一）.mp4
├─(91) 7、随机变量（二）.mp4
├─(92) 8、随机变量（三）.mp4
├─(93) 9、习题课.mp4
├─(94) 概率论1.ppt
├─(95) 概率论2.ppt
├─(96) 概率论3.ppt
├─(97) 概率论4.ppt
├─(98) 概率论5.ppt
├─(99) 概率论6.ppt
├─(100) 概率论7.ppt
├─(101) 概率论8.ppt
(15)\西瓜书视频上 半部分\第4部分：机器学习上\1 简介
├─(102) 机器学习1.1.pdf
├─(103) 机器学习术语表.pdf
├─(104) 深度学习1.2.pdf
├─(105) 第1讲：引言、基本术语、假设空间.mp4
├─(106) 第2讲：归纳偏好、发展历程、应用现状.mp4
(16)\西瓜书视频上 半部分\第4部分：机器学习上\3 线性模型
├─(107) 课程回放 – 第10讲：线性判别分析.mp4
├─(108) 课程回放 – 第11讲：多分类学习，类别不平衡问题.mp4
├─(109) 课程回放 – 第6讲：基本形式，线性回归.mp4
├─(110) 课程回放 – 第7讲：对数几率回归（一）.mp4
├─(111) 课程回放 – 第8讲：对数几率回归（二）.mp4
├─(112) 课程回放 – 第9讲：一小时答疑.mp4
(17)\西瓜书视频上 半部分\第4部分：机器学习上\5 神经网络
├─(113) 1、神经元模型(1).zip
├─(114) 2、误差逆向传播.zip
├─(115) 3、CNN.zip
├─(116) 4、初识TensorFlow.zip
├─(117) 5.1 神经元模型.mp4
├─(118) 5.10 一小时答疑.mp4
├─(119) 5.2 感知机与多层网络.mp4
├─(120) 5.3 误差逆传播算法.mp4
├─(121) 5.4 一小时答疑.mp4
├─(122) 5.5 其他常见神经网络（一）Boltzmann机 、深度置信神经网络DBN.mp4
├─(123) 5.6 卷积神经网络CNN.mp4
├─(124) 5.7 一小时答疑.mp4
├─(125) 5.8 初识TensorFlow（一）.mp4
├─(126) 5.9 初识TensorFlow（二）.mp4
(18)\西瓜书视频上 半部分\第4部分：机器学习上\7 贝叶斯分类器
├─(127) 7.1 贝叶斯分类器—初识贝叶斯分类器.mp4
├─(128) 7.10 一小时答疑.mp4
├─(129) 7.2 贝叶斯分类器—最大似然估计和贝叶斯参数估计.mp4
├─(130) 7.3 一小时答疑.mp4
├─(131) 7.4 贝叶斯分类器—最大似然估计和贝叶斯参数估计（补充）.mp4
├─(132) 7.5 朴素贝叶斯分类器，半朴素贝叶斯分类器.mp4
├─(133) 7.6 贝叶斯网（结构，学习，推断）.mp4
├─(134) 7.7 一小时答疑.mp4
├─(135) 7.8 贝叶斯分类器 – EM算法.mp4
├─(136) 7.9 贝叶斯分类器 – EM实战.mp4
├─(137) ml_14_0825.zip
├─(138) ml_15_0901.zip
├─(139) ml_16_0908.zip
(19)\西瓜书视频上 半部分\第4部分：机器学习上\9 聚类分析
├─(140) 9.1 聚类任务.mp4
├─(141) 9.2 聚类任务、性能度量、距离计算 – 实战.mp4
├─(142) 9.3 一小时答疑.mp4
├─(143) 9.4 原型聚类（k均值算法、学习向量量化、高斯混合聚类）（一）.mp4
├─(144) 9.5 原型聚类（k均值算法、学习向量量化、高斯混合聚类）（二）.mp4
├─(145) 9.6 原型聚类（k均值算法、学习向量量化、高斯混合聚类） – 实战.mp4
├─(146) 9.7 密度聚类.mp4
├─(147) 9.8 层次聚类.mp4
├─(148) ml_20_1005_clustering.ipynb
├─(149) ml_20_1005_聚类_聚类任务_性能度量_距离计算.ppt
├─(150) ml_21_1013_kmeans.ipynb
├─(151) ml_21_1013_聚类_原型聚类.ppt
├─(152) ml_22_1020_密度聚类_层次聚类.ppt
(20)\西瓜书视频下 半部分\第4部分：机器学习\10 降维与度量学习
├─(153) 10.1 k近邻算法.mp4
├─(154) 10.2 K-D Tree.mp4
├─(155) 10.3 MDS.mp4
├─(156) 10.4 PCA.mp4
├─(157) 10.5 流形学习（一）.mp4
├─(158) 10.6 流形学习（二）.mp4
├─(159) 10.7 度量学习（一） .mp4
├─(160) 10.8 度量学习（二）.mp4
├─(161) ml_23_1027_K近邻算法.ppt
├─(162) ml_24_1103_MDS.pptx
├─(163) ml_24_1103_PCA.zip
├─(164) ml_26_1117_降维-度量学习.ppt
├─(165) 流形学习.ppt
(21)\西瓜书视频下 半部分\第4部分：机器学习\11 XGBOOST
├─(166) 11.1 XGBoost（一）.mp4
├─(167) 11.2 XGBoost（二）.mp4
├─(168) 11.3 XGBoost（三）.mp4
├─(169) ml_27_1124_XGBoost.pptx
(22)\西瓜书视频下 半部分\第4部分：机器学习\12 特征选择与稀疏学习
├─(170) 12.1 特征选择与稀疏学习（一）.mp4
├─(171) 12.2 特征选择与稀疏学习（二）.mp4
├─(172) ml_28_1201_特征选择与稀疏学习.pptx
(23)\西瓜书视频下 半部分\第4部分：机器学习\13 计算学习理论
├─(173) 1. 计算学习理论.ppt
├─(174) 13.1 计算学习理论（一）.mp4
├─(175) 13.2 计算学习理论（二）.mp4
(24)\西瓜书视频下 半部分\第4部分：机器学习\14 半监督学习
├─(176) 1.半监督学习.pptx
├─(177) 14.1 半监督学习（一）.mp4
├─(178) 14.10 半监督学习（十）半监督聚类.mp4
├─(179) 14.2 半监督学习（二）.mp4
├─(180) 14.3 半监督学习（三）未标记样本.mp4
├─(181) 14.4 半监督学习（四）生成式方法.mp4
├─(182) 14.5 半监督学习（五）实战.mp4
├─(183) 14.6 半监督学习（六）半监督SVM.mp4
├─(184) 14.7 半监督学习（七）图半监督学习.mp4
├─(185) 14.8 半监督（八）实战.mp4
├─(186) 14.9 半监督学习（九）基于分歧的方法.mp4
├─(187) 2.半监督学习(1).pptx
├─(188) 2.半监督学习.pptx
├─(189) 3.半监督学习(1).pptx
├─(190) 3.半监督学习.pptx
├─(191) e3  Label Propagation digits Demonstrating performance.rar
├─(192) semi.rar
├─(193) 半监督学习1_2.zip
(25)\西瓜书视频下 半部分\第4部分：机器学习\15 概率图模型
├─(194) 1.概率图模型.pdf
├─(195) 15.1 HMM.rar
├─(196) 15.1 隐马尔科夫模型.mp4
├─(197) 15.2 概率图模型-马尔克夫随机场.mp4
├─(198) 15.3 精确推断.mp4
├─(199) 15.4 近似推断.mp4
├─(200) 15.5 概率计算问题 直接计算算法 前向算法.mp4
├─(201) 15.6 概率计算问题 前向算法.mp4
├─(202) 15.7 概率计算问题 后向算法.mp4
├─(203) 15.8 概率计算问题 学习算法.mp4
├─(204) 15.8.学习问题 预测问题.pdf
├─(205) 15.9 HMM.rar
├─(206) 15.9 概率计算问题 预测问题 .mp4
├─(207) 2.概率图模型.pdf
├─(208) 3.概率计算问题.pdf
(26)\西瓜书视频下 半部分\第4部分：机器学习\16 规则学习
├─(209) 16.1 基本概念 贯序覆盖.mp4
├─(210) 16.1.规则学习.pptx
├─(211) 16.2 剪枝优化.mp4
├─(212) 16.3 决策树.mp4
├─(213) 16.3.决策树分类.ppt
├─(214) 16.4 一阶规则学习.mp4
├─(215) 16.4.规则学习.pptx
├─(216) 16.5 归纳逻辑程序设计（最小一般泛化，逆归结）.mp4
├─(217) 16.6 归纳逻辑程序设计（最小一般泛化，逆归结）.mp4
├─(218) 2.规则学习-剪枝优化.flv
(27)\西瓜书视频下 半部分\第4部分：机器学习\17 增强学习
├─(219) 17.1 强化学习 .ppt
├─(220) 17.1 强化学习引言、发展史.mp4
├─(221) 17.2 强化学习 .ppt
├─(222) 17.2 强化学习简介.mp4
├─(223) 17.3 强化学习 (1).ppt
├─(224) 17.3 强化学习方法.mp4
├─(225) 17.4 强化学习算法分类 TD算法.mp4
├─(226) 17.4.强化学习.ppt
├─(227) 17.5 Qlearning.mp4
├─(228) 17.5 Q_learning.ipynb
(28)\西瓜书视频下 半部分\第4部分：机器学习\2 模型评估与选择
├─(229) 第六讲：性能度量.mp4
├─(230) 课程回放 – 第三讲：经验误差与过拟合.mp4
├─(231) 课程回放 – 第五讲：性能度量（错误率与精度，查准率，查全率与F1，ROC与AUC，代价敏感错误率与代价曲线）.mp4
├─(232) 课程回放 – 第四讲：评估方法（留出法，交叉验证法，自助法，调参与最终模型）.mp4
(29)\西瓜书视频下 半部分\第4部分：机器学习\4 决策树
├─(233) 第13讲.zip
├─(234) 第15讲.zip
├─(235) 课程回放 – 第一十三讲：划分选择（信息增益，增益率，基尼指数）.mp4
├─(236) 课程回放 – 第一十二讲：基本流程.mp4
├─(237) 课程回放 – 第一十五讲：连续与缺失值（连续值处理，缺失值处理）.mp4
├─(238) 课程回放 – 第一十四讲：剪枝处理（预剪枝，后剪枝）.mp4
(30)\西瓜书视频下 半部分\第4部分：机器学习\6 支持向量机
├─(239) 6.1 支持向量机（一）.mp4
├─(240) 6.2 支持向量机（二）.mp4
├─(241) 6.3 一小时答疑.mp4
├─(242) 6.4 支持向量机（三）.mp4
├─(243) 6.5 支持向量机（四）.mp4
├─(244) 6.6 一小时答疑.mp4
├─(245) 6.7 支持向量机（五）.mp4
├─(246) 6.8 支持向量机（六）.mp4
├─(247) 6.9 一小时答疑.mp4
├─(248) ml_11_0804.zip
├─(249) ml_12_0811.zip
├─(250) ml_13_0818_0.zip
├─(251) ml_13_0818_1.zip
(31)\西瓜书视频下 半部分\第4部分：机器学习\8 集成学习
├─(252) 8.1 集成学习 – 第一部分 – 基础.mp4
├─(253) 8.10 Bagging与随机森林实战.mp4
├─(254) 8.2 集成学习 – 第一部分 – 实战.mp4
├─(255) 8.3 一小时答疑.mp4
├─(256) 8.4 Boosting.mp4
├─(257) 8.5 Adaboost.mp4
├─(258) 8.6 Boosting与Adaboost – 实战.mp4
├─(259) 8.7 一小时答疑.mp4
├─(260) 8.8 Bagging与随机森林.mp4
├─(261) 8.9 分类与回归树.mp4
├─(262) ml_17_9015.zip
├─(263) ml_18_0922_Adaboost.ipynb
├─(264) ml_18_0922_adaboost.ppt
├─(265) ml_18_0922_Boosting.ppt
├─(266) ml_19_0929_Bagging与随机森林.pptx
├─(267) ml_19_0929_code.zip
├─(268) ml_19_0929_分类与回归树.ppt
(32)\西瓜书视频上 半部分\基础部分
├─(269) 2.8 Python文件输入输出.mp4
├─(270) Python文件输入输出.zip
(33)\西瓜书视频上 半部分\基础部分：
├─(271) 2.9 Python基础综合实践.mp4
├─(272) Python基础综合实践.zip
(34)\西瓜书视频上 半部分\基础部分：
├─(273) 机器学习与Python_第二章.pdf
├─(274) 第三讲 预备知识与开始前的准备.mp4
(35)\西瓜书视频上 半部分\基础部分：
├─(275) 1-Python演示.ipynb
├─(276) 第四讲 python基本语法.mp4
(36)\西瓜书视频上 半部分\基础部分
├─(277) Python数据类型.zip
├─(278) 第五讲.mp4
(37)\西瓜书视频上 半部分\基础部分
├─(279) Python数据运算.zip
├─(280) 第六讲：Python数据运算.mp4
(38)\西瓜书视频上 半部分\基础部分
├─(281) Python流程控制.zip
├─(282) 第七讲 流程控制.mp4
(39)\西瓜书视频上 半部分\基础部分
├─(283) 2.6 Python函数设计.mp4
├─(284) Python函数设计.zip
(40)\西瓜书视频上 半部分\基础部分
├─(285) 2.7 Python编程库（包）的导入.mp4
├─(286) Python编程库（包）的导入.zip
(41)\西瓜书视频上 半部分\第4部分
├─(287) 第10讲.zip
├─(288) 第11讲.zip
├─(289) 第6讲.zip
├─(290) 第8讲.zip
├─(291) 第9讲.zip
(42)\西瓜书视频下 半部分\第4部分：机器学习\2 模型评估与选择\2
├─(292) 3.回归分析.pdf
├─(293) LinearRegression1.ipynb
├─(294) pga.csv
├─(295) 梯度下降.ipynb
(43)\西瓜书视频下 半部分\第4部分：机器学习\2 模型评估与选择\资料
├─(296) 模型评估与选择2.1-2.pdf
├─(297) 模型评估与选择2.1-2_code.rar
(44)\西瓜书视频下 半部分\第4部分：机器学习\4 决策树\第十三讲
├─(298) 6.decision tree.ipynb
├─(299) 6.决策树分类.pdf
├─(300) watermelon_3a.csv
(45)\西瓜书视频下 半部分\第4部分：机器学习\4 决策树\第十五讲
├─(301) 7c4.5.pdf
├─(302) cart.ipynb
(46)\西瓜书视频下 半部分\第4部分：机器学习\2 模型评估与选择\2\__MACOSX
├─(303) ._3.回归分析.pdf
├─(304) ._LinearRegression1.ipynb
├─(305) ._pga.csv
├─(306) ._梯度下降.ipynb
(47)\西瓜书视频下 半部分\第4部分：机器学习\4 决策树\第十五讲\__MACOSX
├─(307) ._7c4.5.pdf
├─(308) ._cart.ipynb