Skip to content

Main Navigation 首页

Sidebar Navigation

互联网开发

前端开发

后端开发

R 语言与生信分析

R 语言

001 · R 语言基础

002 · R 语言数据清洗与预处理

003 · R 语言与数据可视化

004 · R 语言统计分析

005 · R 语言统计与建模

006 · R 语言与机器学习

007 · 深度学习（上）：基础与核心架构

008 · 深度学习（下）：生成模型与前沿架构

生物信息技术

001 · 计算机基础初步

002 · 生物信息资源

003 · 序列分析与比对

004 · 基因组学分析

005 · 转录组学分析

006 · 表观遗传学分析

007 · 蛋白质组学与代谢组学

008 · 系统生物学与网络分析

Python 编程

第一层 · Python 核心语法基础

开发环境与编程入门

1.1 Python概述与开发环境准备

1.2 第一个Python程序与基本交互模式

1.3 编程基础概念与程序结构入门

1.4 程序组织与模块导入初步

1.5 错误处理与调试入门

1.6 编程规范与风格初步

1.7 开发工具与辅助功能入门

基本语法与数据类型

2.1 变量、常量与赋值机制

2.2 运算符与表达式

2.3 数字类型

2.4 字符串类型

2.5 列表类型

2.6 元组类型

2.7 字典类型

2.8 集合类型

2.9 类型转换与类型判断

2.10 输入输出与基本交互

程序控制结构

3.1 顺序结构

3.2 分支结构

3.3 for 循环

3.4 while 循环

3.5 循环控制与中断

3.6 条件表达式（三元运算符）

3.7 异常处理控制结构

3.8 上下文管理控制结构

3.9 嵌套与复合控制结构

组合数据类型

4.1 分类与通用特性

4.2 序列类型通用操作

4.3 列表类型专题

4.4 元组类型专题

4.5 字典类型专题

4.6 集合类型专题

4.7 对象引用、拷贝与内存管理

4.8 构造与类型转换

函数与模块化编程

5.1 函数定义与调用基础

5.2 参数传递机制

5.3 作用域与命名空间

5.4 递归函数

5.5 匿名函数与高阶函数基础

5.6 模块基础

5.7 包与项目组织

5.8 模块级特殊属性

5.9 代码组织与最佳实践

文件与异常处理

6.1 文件对象基础与打开模式

6.2 文本文件读取

6.3 文本文件写入与追加

6.4 二进制文件操作

6.5 文件指针移动与文件信息

6.6 上下文管理语句

6.7 文件系统路径操作

6.8 异常体系与内置异常类型

6.9 异常捕获结构

6.10 异常抛出与自定义异常

6.11 断言与调试辅助

6.12 文件操作典型异常场景

实战项目

命令行任务管理器

第二层 · 数据科学与AI工具箱

NumPy 数值计算基础

1.1 NumPy 基础与数组对象

1.2 索引、切片与花式索引

1.3 数组形状操作

1.4 通用函数(ufunc)与向量化运算

1.5 聚合统计与矩阵运算

1.6 广播机制

1.7 高级数组操作

1.8 数组输入输出(I/O)

1.9 随机数生成(numpy.random)

1.10 性能与内存优化

1.11 实用辅助函数

1.12 版本与兼容性

Pandas 数据分析

1.1 Pandas 概述与核心数据结构

1.2 数据查看与探索

1.3 索引与选择

1.4 数据选择与过滤进阶

1.5 数据清洗与预处理

1.6 数据转换与变形

1.7 分组聚合与转换

1.8 时间序列处理

1.9 输入输出(I/O)

1.10 窗口与滚动操作

1.11 性能优化与内存管理

1.12 高级索引与层次化

1.13 可视化集成

1.14 数据处理管道

1.15 分类数据与有序分类

1.16 稀疏数据

1.17 字符串处理进阶

1.18 缺失值表示与插值

1.19 分组与窗口高级功能

1.20 合并连接详解

1.21 时间序列高级特性

1.22 选项与设置

1.23 测试工具

1.24 兼容性与版本

Matplotlib 可视化

1.1 Matplotlib 基础架构

1.2 图形容器与面向对象接口

1.3 基本图表类型

1.4 高级图表类型

1.5 子图与布局管理

1.6 坐标轴与刻度控制

1.7 脊柱与边框控制

1.8 图例与注释

1.9 颜色与色彩映射

1.10 样式与主题

1.11 网格与辅助线

1.12 填充与图形对象

1.13 交互与事件

1.14 动画

1.15 输入输出与保存

1.16 文本与字体管理

1.17 路径与变换

Seaborn 统计绘图

1.1 Seaborn 基础与主题

1.2 调色板

1.3 统计关系绘图

1.4 分类数据绘图

1.5 分布绘图

1.6 回归与模型绘图

1.7 矩阵图与热图

1.8 多图网格系统

1.9 绘图美学与参数细化

1.10 工具函数与辅助

Scikit-learn 机器学习

1.1 基础类与工具

1.2 线性模型

1.3 支持向量机与判别分析

1.4 最近邻

1.5 内核岭回归与高斯过程

1.6 朴素贝叶斯与交叉分解

1.7 决策树

1.8 集成方法

1.9 多类多标签分类

1.10 特征选择

1.11 半监督学习与概率校准

1.12 神经网络与保序回归

1.13 聚类

1.14 矩阵分解与流形学习

1.15 协方差估计与异常检测

1.16 数据转换与预处理

1.17 数据集

1.18 模型选择与交叉验证

1.19 模型评估指标

1.20 管道与组合估计器

1.21 模型检查、实用工具与配置

第三层 · 医学数据处理专向技能（建设中）

人工智能的数学基础

第零章 · 够用数学

本章导览

0.1 怎么让胸片和报告可以比较

0.2 怎么判断模型配得对不对

0.3 知道错了以后模型怎么改

0.4 为什么这个 loss 和信息有关系

0.5 数学上的成功不代表临床上的成功

第一章 · 线性代数

1.1 向量与基本运算

1.2 矩阵与线性变换

1.3 线性方程组与秩

1.4 向量空间与四大子空间

1.5 正交性与投影

1.6 特征值与特征向量

1.7 奇异值分解

1.8 数值计算与稳定性

第二章 · 概率论与统计推断

本章导览

概率论

2.1 概率的公理化与条件概率

2.2 随机变量与分布函数

2.3 数字特征与矩

2.4 常见离散分布

2.5 常见连续分布

2.6 多维随机变量与多元正态分布

2.7 极限定理与集中不等式

2.8 随机过程与概率图模型

统计推断

2.9 统计推断的基本框架

2.10 点估计与区间估计

2.11 假设检验与多重比较

2.12 贝叶斯统计推断与计算

2.13 回归分析与线性模型

2.14 高维统计与因果推断

第三章 · 最优化

本章导览

3.1 优化问题的语言与分类

3.2 凸集与凸函数

3.3 无约束优化的最优性条件与梯度法

3.4 一阶方法的进展

3.5 二阶方法与拟牛顿法

3.6 约束优化与对偶理论

3.7 近端方法与稀疏优化

3.8 非凸优化与机器学习

3.9 无梯度优化与贝叶斯优化

第四章 · 信息论

本章导览

4.1 基础熵与互信息

4.2 散度、距离与信息不等式

4.3 最大熵、指数族与信息几何

4.4 信源编码与率失真理论

4.5 信道容量与编码定理

4.6 信息论与假设检验、大偏差

4.7 信息论与机器学习

4.8 算法信息论与前沿方向

第五章 · 数学分析

本章导览

5.1 实数、完备性与极限的语言

5.2 数列、级数与无穷过程

5.3 函数的极限、连续与初等函数

5.4 一元微分学与局部近似

5.5 一元积分学与微积分基本定理

5.6 函数列、函数项级数与一致收敛

5.7 幂级数、Fourier 分析与正交展开

5.8 多元微分学与微分形式初步

5.9 重积分、曲线曲面积分与向量分析

5.10 测度与 Lebesgue 积分初步

5.11 曲线曲面几何与变分法初步

5.12 渐近分析与特殊函数

5.13 选读：常微分方程与动力系统视角

人工智能的数学基础

结构

第 0 章 · 够用数学

面向应用科研的最低线：读懂论文中的向量、梯度与损失，并具备检验 AI 输出的能力。

线性代数

概率论与统计推断

最优化

信息论

数学分析

最后更新:

Pager

下一页前端开发