人工智能-数学基础视频课程-唐宇迪-专题视频课程

人工智能-数学基础视频课程—562人已学习
课程介绍    

    数据科学与人工智能数学基础课程旨在帮助同学们打下数学基础，通俗讲解其中每一个知识点。课程内容涉及高等数学，线性代数，概率论与统计学，同学们在学习过程中应当以理解为出发点并不需要死记每一个公式，掌握核心知识点。课程章节内容较多，初级同学按顺序学习即可，有基础的同学们可以按照自己的需求来有选择的学习！
课程收益
    掌握人工智能必备数学知识点。
讲师介绍
    唐宇迪 更多讲师课程
    计算机博士，专注于机器学习与计算机视觉领域，深度学习领域一线实战讲师。在图像识别领域有着丰富经验，实现过包括人脸识别，物体识别，关键点检测等多种应用的新算法。 参与多个国家级计算机视觉项目，多年数据领域培训经验，丰富的教学讲解经验，出品多套机器学习与深度学习系列课程，课程生动形象，风格通俗易懂。
课程大纲
  第1章:高等数学基础
    1. 课程简介  4:00
    2. 函数  5:27
    3. 极限（PPT下载----->）  6:43
    4. 无穷大与无穷小  6:33
    5. 连续性与导数  8:58
    6. 偏导数  7:01
    7. 方向导数  8:24
    8. 梯度  11:26
  第2章:微积分
    1. 微积分基本想法  6:06
    2. 微积分的解释  8:01
    3. 定积分  8:32
    4. 定积分的性质  5:28
    5. 牛顿莱布尼茨公式  11:36
  第3章:泰勒公式与拉格朗日
    1. 泰勒公式出发点  6:13
    2. 一点一世界  9:58
    3. 阶数的作用  8:07
    4. 阶乘的作用  5:54
    5. 拉格朗日乘子法  9:53
    6. 求解拉格朗日乘子法  10:05
  第4章:线性代数基础
    1. 行列式概述  5:43
    2. 矩阵与数据的关系  9:25
    3. 矩阵基本操作  12:11
    4. 矩阵的几种变换  5:30
    5. 矩阵的秩  12:40
    6. 内积与正交  11:27
  第5章:特征值与矩阵分解
    1. 特征值与特征向量  7:25
    2. 特征空间与应用  4:31
    3. SVD要解决的问题  7:17
    4. 特征值分解  5:45
    5. SVD矩阵分解  11:52
  第6章:随机变量与概率估计
    1. 离散型随机变量  7:49
    2. 连续型随机变量  9:32
    3. 简单随机抽样  2:30
    4. 似然函数  2:30
    5. 极大似然估计  7:34
  第7章:概率论基础
    1. 概率与频率  6:50
    2. 古典概型  6:23
    3. 条件概率  8:33
    4. 条件概率小例子  5:35
    5. 独立性  7:15
    6. 二维离散型随机变量  8:03
    7. 二维连续型随机变量  5:29
    8. 边缘分布  9:36
    9. 期望  4:20
    10. 期望求解  8:38
    11. 马尔科夫不等式  8:35
    12. 切比雪夫不等式  11:14
    13. 后验概率估计  10:04
    14. 贝叶斯拼写纠错实例  11:46
    15. 垃圾邮件过滤实例  14:09
  第8章:数据科学必备分布
    1. 正态分布  19:23
    2. 二项式分布  11:02
    3. 泊松分布  15:55
    4. 均匀分布  3:22
    5. 卡方分布  5:35
    6. beta分布  14:54
  第9章:核函数变换
    1. 核函数的目的  6:37
    2. 线性核函数  5:43
    3. 多项式核函数  4:34
    4. 核函数实例  6:53
    5. 高斯和函数  8:51
    6. 参数的影响  8:36
  第10章:熵与激活函数
    1. 熵的概念  4:50
    2. 熵的大小意味着什么  12:09
    3. 激活函数  6:30
    4. 激活函数的问题  9:59
  第11章:回归分析
    1. 回归分析概述  7:11
    2. 回归方程定义  4:42
    3. 误差项定义  7:48
    4. 最小二乘法推导与求解  12:41
    5. 回归方程求解小例子  6:32
    6. 回归直线拟合优度  11:08
    7. 多元与曲线回归分析  8:26
    8. python工具包介绍  5:01
    9. statsmodels回归分析  9:38
    10. 高阶与分类变量实例  12:06
    11. 汽车价格预测任务概述  9:19
    12. 缺失值填充  13:36
    13. 特征相关性  13:47
    14. 预处理问题  7:05
    15. 回归求解  13:23
  第12章:假设检验
    1. 假设检验基本思想  12:28
    2. 左右检验与双侧检验  14:20
    3. Z检验基本原理  7:03
    4. Z检验实例  14:06
    5. T检验基本原理  13:02
    6. T检验实例  6:17
    7. T检验应用条件  7:43
    8. 卡方检验  11:28
    9. 假设检验中的两类错误  10:01
    10. python假设检验实例  12:34
    11. python卡方检验实例  7:59
  第13章:相关分析
    1. 相关分析概述  9:03
    2. 皮尔森相关系数  8:16
    3. 计算与检验  13:05
    4. 斯皮尔曼等级相关  14:06
    5. 肯德尔系数  6:48
    6. 质量相关分析  13:33
    7. 偏相关与复相关  7:34
  第14章:方差分析
    1. 方差分析概述  6:48
    2. 方差的比较  11:50
    3. 方差分析计算方法  14:00
    4. 方差分析中的多重比较  8:15
    5. 多因素方差分析  9:25
    6. python方差分析实例  8:34
  第15章:聚类分析
    1. 层次聚类概述  4:41
    2. 层次聚类流程  12:10
    3. 层次聚类实例  11:33
    4. KMEANS算法概述  11:33
    5. KMEANS工作流程  9:42
    6. KMEANS迭代可视化展示  8:19
    7. DBSCAN算法  11:03
    8. DBSCAN工作流程  15:03
    9. DBSCAN可视化展示  8:52
    10. 多种聚类算法概述  4:34
    11. 聚类案例实战  17:19
  第16章:贝叶斯分析
    1. 贝叶斯分析概述  7:22
    2. 概率的解释  6:06
    3. 贝叶斯学派与统计学派的争论  5:49
    4. 贝叶斯算法概述  6:58
    5. 贝叶斯推导实例  7:37
    6. 贝叶斯解释  10:50
    7. 经典求解思路  8:16
    8. MCMC概述  11:03
    9. PYMC3概述  5:40
    10. 模型诊断  9:53
    11. 模型决策  10:48
大家可以点击【 查看详情】查看我的课程