课时1：教科书介绍

课时2：成绩安排

课时3：这门课程的内容概述

课时4：概念介绍

课时5：没有免费午餐定理

课时6：支持向量机（线性模型）问题

课时7：支持向量机（线性模型）数学描述

课时8：支持向量机（线性模型）的图像展示

课时9：支持向量机非线性模型优化目标函数和限制条件

课时10：支持向量机（非线性模型） 低维到高维映射

课时11：支持向量机（非线性模型）原问题和对偶问题

课时12：支持向量机 将支持向量机原问题转化为对偶问题

课时13：支持向量机 – 核函数介绍

课时14：支持向量机的应用 兵王问题

课时15：支持向量机的应用 – 兵王问题

课时16：支持向量机的应用 – 兵王问题 （测试结果）

课时17：ROC曲线

课时18：支持向量机 – 处理多类问题

课时19：人工神经网络 – 神经元的数学模型

课时20：人工神经网络 – 感知器算法

课时21：人工神经网络 – 人工智能的第一次寒冬

课时22：人工神经网络 – 多层神经网络

课时23：人工神经网络—三层神经网络可以模拟任意决策面

课时24：人工神经网络—后向传播算法

课时25：人工神经网络 – 参数设置

课时26：深度学习数据库准备

课时27：深度学习自编码器

课时28：深度学习 卷积神经网络LeNet

课时29：深度学习 – 卷积神经网络（AlexNet）

课时30：深度学习 – 编程工具（Caffe和Tensorflow）

课时31：深度学习 – 近年来流行的网络结构

课时32：深度学习 – 卷积神经网络的应用

课时33：AlphaGo围棋规则

课时34：AlphaGo 围棋有必胜策略的证明

课时35：强化学习Q learning

课时36：强化学习policy gradience

课时37：增强学习 AlphaGo

课时38：特征提取 – 主成分分析（PCA）

课时39：特征选择 – 自适应提升（AdaBoost）

课时40：目标检测 （RCNN和FCN）

课时41：概率分类法概述

课时42：概率密度估计 – 朴素贝叶斯分类器

课时43：概率密度估计 – 高斯密度函数

课时44：概率密度估计 – 高斯混合模型

课时45：EM算法（高斯混合模型和K 均值算法）

课时46：K 均值算法在图像压缩方面的应用

课时47：高斯混合模型在说话人识别方面的应用

课时48：EM算法一般形式及其收敛性证明

课时49：语音识别概述

课时50：隐含马尔科夫过程

课时51：大词汇量连续语音识别介绍

课时52：循环神经网络（RNN）和LSTM

课时53：人工智能中的哲学 缸中之脑

课时54：人工智能中的哲学 意识问题

课时55：人工智能中的哲学 图灵测试

课时56：人工智能中的哲学 世界是否有规律

课时57：人工智能中的哲学 中文屋子假想试验

课时58：人工智能中的哲学 创造力和洞穴理论

课时59：人工智能中的哲学 生成对抗网络

课时60：人工智能中的哲学 道德难题

课时61：人工智能中的哲学未来展望