Git 入门

学习 Git 版本控制的基本知识。本课程分步介绍如何使用重要的 Git 命令有效管理代码、跟踪改动以及与他人协作。开始高效管理您的软件项目。

高级量子机器学习算法与实现

本课程详细考察高级量子机器学习（QML）算法、数学架构以及解决复杂问题的实际应用策略。内容涵盖量子核方法、量子神经网络、用于机器学习的变分量子算法，以及量子系统中数据编码和测量技术。

数据概览分析入门

本课程提供数据概览分析（EDA）技术的全面指导。学习如何系统地审查数据集，以便找出规律、发现异常、检验假设并验证设想，可借助统计汇总和图表呈现。获得使用Pandas、Matplotlib和Seaborn等常用Python库进行数据清洗、转换与可视化的实用技能。

使用 Matplotlib 和 Seaborn 进行数据可视化

学习使用 Matplotlib 和 Seaborn 库在 Python 中创建信息丰富且吸引人的数据可视化图表。本课程将实际介绍绘图基础知识、常用图表类型以及自定义方法，这些技能对于任何数据分析或人工智能工程任务都必不可少。今天就开始培养基本的数据可视化技能。

计算机视觉导论

一门介绍性课程，讲解计算机如何理解数字图像和视频。学习计算机视觉系统中的基本原理和常用技术，内容涵盖图像基本知识到初步物体识别。

机器学习高级优化技术

本课程提供关于现代机器学习中使用的先进优化算法的系统性指导。内容涵盖针对训练机器学习模型时遇到的复杂、大规模和非凸优化问题的精巧方法的理论原理和实践细节。

特征工程介绍

学习将原始数据转化为机器学习模型有用特征的必要技术。本课程涵盖数据准备、特征创建、缩放、编码和选择方法，并会应用Pandas和Scikit-learn等Python库。

机器学习微积分要点

理解机器学习所需的微积分基本原理。本课程涵盖导数、梯度及在梯度下降、反向传播等算法中使用的优化方法。通过与人工智能工程师相关的实例，获得实践认识。

机器学习的概率与统计要点

学习机器学习应用所需的概率与统计基本知识。本课程讲解主要分布、统计推断、假设检验和回归分析，并提供使用Python库的实用示例。

机器学习线性代数要点

建立机器学习算法理解与实现的牢固根基，学习核心线性代数知识。本课程涵盖向量、矩阵、线性方程组、向量空间、特征值、特征向量以及奇异值分解（SVD）等矩阵分解方法，侧重其在机器学习场景中的应用，并使用NumPy等Python库进行实践。