1. 1. [1.1.1]--机器学习定义
09:48
2. 2. [1.2.1]--机器学习的分类
10:53
3. 3. [1.3.1]--机器学习算法的过程
12:40
4. 4. [1.4.1]--没有免费午餐定理
09:38
5. 5. [1.5.1]--总结
05:37
6. 6. [2.1.1]--支持向量机（线性可分定义）
09:50
7. 7. [2.2.1]--支持向量机（问题描述）
08:08
8. 8. [2.3.1]--支持向量机（优化问题）
13:34
9. 9. [2.4.1]--支持向量机（线性不可分情况）
09:33
10. 10. [2.5.1]--支持向量机（低维到高维的映射）
07:26
11. 11. [2.6.1]--支持向量机（核函数的定义）
09:47
12. 12. [2.7.1]--支持向量机（原问题和对偶问题）
08:13
13. 13. [2.8.1]--支持向量机（转化为对偶问题）
08:39
14. 14. [2.9.1]--支持向量机（算法流程）
08:27
15. 15. [2.10.1]--支持向量机（兵王问题描述）
08:01
16. 16. [2.11.1]--支持向量机（兵王问题程序设计）
08:40
17. 17. [2.12.1]--支持向量机（兵王问题MATLAB程序）
16:27
18. 18. [2.13.1]--支持向量机（识别系统的性能度量）
15:31
19. 19. [2.14.1]--支持向量机（多类情况）
09:38
20. 20. [3.1.1]--人工神经网络（神经元的数学模型）
10:14
21. 21. [3.2.1]--人工神经网络（感知器算法）
18:51
22. 22. [3.3.1]--人工神经网络（感知器算法的意义）
10:46
23. 23. [3.4.1]--人工神经网络（第一次寒冬）
09:55
24. 24. [3.5.1]--人工神经网络（多层神经网络）
14:36
25. 25. [3.6.1]--人工神经网络（梯度下降算法）
15:28
26. 26. [3.7.1]--人工神经网络（后向传播算法上）
14:03
27. 27. [3.8.1]--人工神经网络（后向传播算法下）
11:03
28. 28. [3.9.1]--人工神经网络（后向传播算法的应用）
18:23
29. 29. [3.10.1]--人工神经网络（兵王问题MATLAB程序）
10:01
30. 30. [3.11.1]--人工神经网络（参数设置）
11:45
31. 31. [4.1.1]--深度学习（历史发展）
12:21
32. 32. [4.2.1]--深度学习（自编码器）
07:20
33. 33. [4.3.1]--深度学习（卷积神经网络LENET）
16:23
34. 34. [4.4.1]--深度学习（卷积神经网络ALEXNET）12:05
35. 35. [4.5.1]--深度学习的编程工具PYTORCH
06:21
36. 36. [4.6.1]--深度学习的编程工具Tensorflow
09:38
37. 37. [4.7.1]--深度学习的编程工具CAFFE
13:11
38. 38. [4.8.1]--深度学习（近年来流行的卷积神经网络）
11:25
39. 39. [4.9.1]--人脸识别介绍
13:58
40. 40. [4.10.1]--目标检测与分割上
12:53
41. 41. [4.11.1]--目标检测与分割下
12:02
42. 42. [4.12.1]--时间序列的深度学习模型（RNN和LSTM）
14:51
43. 43. [4.13.1]--生成对抗网络
11:49
44. 44. [5.1.1]--强化学习（Q-Learning和epsilon-greedy算法
16:52
45. 45. [5.2.1]--强化学习（深度强化学习）
09:39
46. 46. [5.3.1]--强化学习(policygradient和actor-critic
10:49
47. 47. [5.4.1]--强化学习(AlphaGo上）
13:55
48. 48. [5.5.1]--强化学习(AlphaGo下）
10:29
49. 49. [6.1.1]--ADABOOST
15:34
50. 50. [6.2.1]--人工智能中的哲学
12:40
51. 51. [6.3.1]--主成分分析
17:24
52. 52. [6.4.1]--K-均值聚类
12:21
53. 53. [6.5.1]--高斯混合模型
13:02
54. 54. 往年现场版-教科书介绍
06:32
55. 55. 成绩安排
17:45
56. 56. 概念介绍
10:21
57. 57. 这门课程的内容概述
17:37
58. 58. 没有免费午餐定理
20:42
59. 59. 支持向量机（线性模型）问题
20:06
60. 60. 支持向量机（线性模型）数学描述
38:29
61. 61. 支持向量机（线性模型）的图像展示
01:34
62. 62. 支持向量机(非线性模型)优化目标函数和限制条件
11:30
63. 63. 支持向量机（非线性模型） 低维到高维映射
28:29
64. 64. 支持向量机（非线性模型）原问题和对偶问题
30:52
65. 65. 支持向量机-将支持向量机原问题转化为对偶问
57:34
66. 66. 支持向量机 – 核函数介绍
07:37
67. 67. 支持向量机的应用 -- 兵王问题（规则介绍）
10:45
68. 68. 支持向量机的应用 – 兵王问题 （参数设置）
31:52
69. 69. 支持向量机的应用 – 兵王问题 （测试结果）
04:24
70. 70. ROC曲线
18:20
71. 71. 支持向量机 – 处理多类问题
11:59
72. 72. 人工神经网络 – 神经元的数学模型
17:28
73. 73. 人工神经网络 – 感知器算法
38:59
74. 74. 人工神经网络 – 人工智能的第一次寒冬
15:08
75. 75. 人工神经网络 – 多层神经网络
11:45
76. 76. 人工神经网络—三层神经网络可以模拟任意决策面
15:55
77. 77. 人工神经网络—后向传播算法
01:29:56
78. 78. 人工神经网络 – 参数设置
01:22:16
79. 79. 深度学习数据库准备
18:01
80. 80. 深度学习自编码器
23:43
81. 81. 深度学习 卷积神经网络LeNet
01:18:46
82. 82. 深度学习 – 卷积神经网络（AlexNet）
39:23
83. 83. 深度学习 – 编程工具（Caffe和Tensorflow）
29:33
84. 84. 深度学习 – 近年来流行的网络结构
19:07
85. 85. 深度学习 – 卷积神经网络的应用
18:41
86. 86. AlphaGo (围棋有必胜策略的证明)
08:59
87. 87. 强化学习Q-learning
01:18:09
88. 88. 强化学习(policy gradience)
19:24
89. 89. 增强学习_(AlphaGo)
23:26
90. 90. 特征提取 – 主成分分析（PCA）
01:13:05
91. 91. 特征选择 – 自适应提升（AdaBoost）
01:11:16
92. 92. 目标检测 （RCNN和FCN）
57:26
93. 93. 概率分类法概述
19:55
94. 94. 概率密度估计 – 朴素贝叶斯分类器
16:42
95. 95. 概率密度估计 – 高斯密度函数
31:07
96. 96. 概率密度估计 – 高斯混合模型
03:48
97. 97. EM算法（高斯混合模型和K-均值算法）
48:45
98. 98. K-均值算法在图像压缩方面的应用
05:17
99. 99. 高斯混合模型在说话人识别方面的应用
23:50
100. 100. EM算法（收敛性证明）
39:25
