本站已运行

攻城狮论坛

IE-LAB

红盟过客

作者: 程序家
查看: 17364|回复: 2692

主题标签Tag

more +今日重磅推荐Recommend No.1

所有IT类厂商认证考试题库下载所有IT类厂商认证考试题库下载

more +随机图赏Gallery

重量级~~30多套JAVA就业班全套 视频教程(请尽快下载,链接失效后不补)重量级~~30多套JAVA就业班全套 视频教程(请尽快下载,链接失效后不补)
【超过几百G】EVE 国内和国外镜像 全有了 百度群分享【超过几百G】EVE 国内和国外镜像 全有了 百度群分享
某linux大佬,积累多年的电子书(约300本)某linux大佬,积累多年的电子书(约300本)
乾颐堂现任明教教主Python完整版乾颐堂现任明教教主Python完整版
乾颐堂 教主技术进化论 2018-2019年 最新31-50期合集视频(各种最新技术杂谈视频)乾颐堂 教主技术进化论 2018-2019年 最新31-50期合集视频(各种最新技术杂谈视频)
Python学习视频 0起点视频 入门到项目实战篇 Python3.5.2视频教程 共847集 能学102天Python学习视频 0起点视频 入门到项目实战篇 Python3.5.2视频教程 共847集 能学102天
约21套Python视频合集 核心基础视频教程(共310G,已压缩)约21套Python视频合集 核心基础视频教程(共310G,已压缩)
最新20180811录制 IT爱好者-清风羽毛 - 网络安全IPSec VPN实验指南视频教程最新20180811录制 IT爱好者-清风羽毛 - 网络安全IPSec VPN实验指南视频教程
最新20180807录制EVE开机自启动虚拟路由器并桥接物理网卡充当思科路由器最新20180807录制EVE开机自启动虚拟路由器并桥接物理网卡充当思科路由器
最新2018/07/29录制 IT爱好者清风羽毛-Cisco IOS ZBF防火墙视频最新2018/07/29录制 IT爱好者清风羽毛-Cisco IOS ZBF防火墙视频
乾颐堂 教主技术进化论 2018年 最新1-30期合集视频(各种最新技术杂谈视频)乾颐堂 教主技术进化论 2018年 最新1-30期合集视频(各种最新技术杂谈视频)
Cisco CCW售前销售报价系统使用方法Cisco commerce workspaceCisco CCW售前销售报价系统使用方法Cisco commerce workspace

[云计算] 10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上

  [复制链接]
查看: 17364|回复: 2692
开通VIP 免金币+免回帖+批量下载+无广告

10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上

10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上 - 攻城狮论坛 - 10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上

10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上

10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上 - 攻城狮论坛 - 10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上

10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上

10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上 - 攻城狮论坛 - 10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上

10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上

10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上 - 攻城狮论坛 - 10套 国外顶级 数据分析视频 全英文 带字幕 带笔记 高大上


课程介绍:

047_Model Thinking_模型思维\
data analysis and statistical inference\
Data Visualization\
Dino 101 Dinosaur Paleobiology\
Getting and Cleaning Data\
Mining Massive Datasets\
Model Thinking _ Scott Page\
modelthinkingzh-001\
R Programming\
Stanford Statistical Learning 2014\
The Data Scientist’s Toolbox\


详细目录:

├─047_Model Thinking_模型思维
│  ├─Model Thinking
│  │      1 - 1 - Why Model (853).mp4
│  │      1 - 2 - Intelligent Citizens of the World (1131).mp4
│  │      1 - 3 - Thinking More Clearly (1050).mp4
│  │      1 - 4 - Using and Understanding Data (1014).mp4
│  │      1 - 5 - Using Models to Decide Strategize and Design (1526).mp4
│  │      10 - 1 -  Markov Models (426).mp4
│  │      10 - 2 -  A Simple Markov Model (1127).mp4
│  │      10 - 3 - Markov Model of Democratization (821).mp4
│  │      10 - 4 - Markov Convergence Theorem (1033).mp4
│  │      10 - 5 - Exapting the Markov Model (1011).mp4
│  │      11 - 1 - Lyapunov Functions (913).mp4
│  │      11 - 2 - The Organization of Cities (1214).mp4
│  │      11 - 3 -  Exchange Economies and Externalities (918).mp4
│  │      11 - 4 - Time to Convergence and Optimality (804).mp4
│  │      11 - 5 - Lyapunov Fun and Deep (840).mp4
│  │      11 - 6 -  Lyapunov or Markov (724).mp4
│  │      12 - 1 - Coordination and Culture (337).mp4
│  │      12 - 2 - What Is Culture And Why Do We Care (1543).mp4
│  │      12 - 3 - Pure Coordination Game (1348).mp4
│  │      12 - 4 - Emergence of Culture (1101).mp4
│  │      12 - 5 - Coordination and Consistency (1703).mp4
│  │      13 - 1 - Path Dependence (723).mp4
│  │      13 - 2 - Urn Models (1626).mp4
│  │      13 - 3 - Mathematics on Urn Models (1446).mp4
│  │      13 - 4 - Path Dependence and Chaos (1108).mp4
│  │      13 - 5 - Path Dependence and Increasing Returns (1231).mp4
│  │      13 - 6 - Path Dependent or Tipping Point (952).mp4
│  │      14 - 1 - Networks (704).mp4
│  │      14 - 2 - The Structure of Networks (1930).mp4
│  │      14 - 3 - The Logic of Network Formation (1003).mp4
│  │      14 - 4 - Network Function (1310).mp4
│  │      15 - 1 - Randomness and Random Walk Models (305).mp4
│  │      15 - 2 - Sources of Randomness (515).mp4
│  │      15 - 3 - Skill and Luck (828).mp4
│  │      15 - 4 - Random Walks (1229).mp4
│  │      15 - 5 - Random Walks and Wall Street (751).mp4
│  │      15 - 6 - FInite Memory Random Walks (818).mp4
│  │      16 - 1 - Colonel Blotto Game (153).mp4
│  │      16 - 2 - Blotto No Best Strategy (727).mp4
│  │      16 - 3 - Applications of Colonel Blotto (708).mp4
│  │      16 - 4 - Blotto Troop Advantages (627).mp4
│  │      16 - 5 - Blotto and Competition (1041).mp4
│  │      17 - 1 - Intro The Prisoners Dilemma and Collective Action (344).mp4
│  │      17 - 2 - The Prisoners Dilemma Game (1345).mp4
│  │      17 - 3 - Seven Ways To Cooperation (1520).mp4
│  │      17 - 4 - Collective Action and Common Pool Resource Problems (723).mp4
│  │      17 - 5 - No Panacea (603).mp4
│  │      18 - 1 - Mechanism Design (400).mp4
│  │      18 - 2 - Hidden Action and Hidden Information (953).mp4
│  │      18 - 3 - Auctions (1959).mp4
│  │      18 - 4 - Public Projects (1221).mp4
│  │      19 - 1 - Replicator Dynamics (437).mp4
│  │      19 - 2 - The Replicator Equation (1329).mp4
│  │      19 - 3 - Fishers Theorem (1157).mp4
│  │      19 - 4 - Variation or Six Sigma (539).mp4
│  │      2 - 1 - Sorting and Peer Effects Introduction (511).mp4
│  │      2 - 2 - Schellings Segregation Model (1130) (1).mp4
│  │      2 - 3 - Measuring Segregation (1130).mp4
│  │      2 - 4 - Peer Effects (658).mp4
│  │      2 - 5 - The Standing Ovation Model (1805).mp4
│  │      2 - 6 - The Identification Problem (1018).mp4
│  │      20 - 1 - Prediction (225).mp4
│  │      20 - 2 - Linear Models (502).mp4
│  │      20 - 3 - Diversity Prediction Theorem (1154).mp4
│  │      20 - 4 - The Many Model Thinker (711).mp4
│  │      3 - 1 - Aggregation (1015).mp4
│  │      3 - 2 - Central Limit Theorem (1852).mp4
│  │      3 - 3 - Six Sigma (511).mp4
│  │      3 - 4 - Game of Life (1436).mp4
│  │      3 - 5 - Cellular Automata (1807).mp4
│  │      3 - 6 - Preference Aggregation (1219).mp4
│  │      4 - 1 - Introduction to Decision Making (537).mp4
│  │      4 - 2 - Multi-Criterion Decision Making (818).mp4
│  │      4 - 3 - Spatial Choice Models (1108).mp4
│  │      4 - 4 - Probability The Basics (1006).mp4
│  │      4 - 5 - Decision Trees (1438).mp4
│  │      4 - 6 - Value of Information (841).mp4
│  │      5 - 1 - Thinking Electrons Modeling People (629).mp4
│  │      5 - 2 - Rational Actor Models (1609).mp4
│  │      5 - 3 - Behavioral Models (1249).mp4
│  │      5 - 4 - Rule Based Models (1230).mp4
│  │      5 - 5 - When Does Behavior Matter (1240).mp4
│  │      6 - 1 -  Introduction to Linear Models (427).mp4
│  │      6 - 2 - Categorical Models (1513).mp4
│  │      6 - 3 - Linear Models (810).mp4
│  │      6 - 4 -  Fitting Lines to Data (1148).mp4
│  │      6 - 5 -  Reading Regression Output (1144).mp4
│  │      6 - 6 -  From Linear to Nonlinear (611).mp4
│  │      6 - 7 - The Big Coefficient vs The New Reality (1126).mp4
│  │      7 - 1 - Tipping Points (558).mp4
│  │      7 - 2 - Percolation Models (1148).mp4
│  │      7 - 3 -  Contagion Models 1 Diffusion (724).mp4
│  │      7 - 4 -  Contagion Models 2 SIS Model (912).mp4
│  │      7 - 5 - Classifying Tipping Points (826).mp4
│  │      7 - 6 - Measuring Tips (1339).mp4
│  │      8 - 1 - Introduction To Growth (643).mp4
│  │      8 - 2 - Exponential Growth (1053).mp4
│  │      8 - 3 - Basic Growth Model (1359).mp4
│  │      8 - 4 -  Solow Growth Model (1141).mp4
│  │      8 - 5 - WIll China Continue to Grow (1155).mp4
│  │      8 - 6 - Why Do Some Countries Not Grow (1130).mp4
│  │      9 - 1 - Problem Solving and Innovation (506).mp4
│  │      9 - 2 -  Perspectives and Innovation (1722).mp4
│  │      9 - 3 - Heuristics (929).mp4
│  │      9 - 4 - Teams and Problem Solving (1105).mp4
│  │      9 - 5 -  Recombination (1102).mp4
│  │      
│  └─modelthinkingzh-001
│      │  Model Thinking Resources.pdf
│      │  Model Thinking Resources_2.pdf
│      │  modelthinking.01.01.PPT.pdf
│      │  modelthinking.01.02.PPT.pdf
│      │  modelthinking.08.07.PPT.pdf
│      │  
│      ├─week01
│      │      1 - 1 - 1.1 欢迎和致谢 Welcome & Thanks (3-58).mp4
│      │      1 - 2 - 1.2 一对多和多对一 One to Many & Many to One (8-59).mp4
│      │      1 - 3 - 1.3 为什么要运用模型 Why Model- (8-53).mp4
│      │      1 - 4 - 1.4 睿智的世界公民 Intelligent Citizens of the World (11-31).mp4
│      │      1 - 5 - 1.5 思考更清晰 Thinking More Clearly (10-50).mp4
│      │      1 - 6 - 1.6 使用和理解数据 Using & Understanding Data (10-14).mp4
│      │      1 - 7 - 1.7 使用模型做决定、策略和设计 Using Models to Decide, Strategize & Design (15-26).mp4
│      │      
│      ├─week02
│      │      2 - 1 - 2.1 分类和同群效应简介 Sorting & Peer Effects Introduction (5-11).mp4
│      │      2 - 2 - 2.2 谢林的隔离模型 Schelling-'s Segregation Model (11-30).mp4
│      │      2 - 3 - 2.3 测量隔离 Measuring Segregation (11-30).mp4
│      │      2 - 4 - 2.4 同群效应 Peer Effects (6-58).mp4
│      │      2 - 5 - 2.5 起立鼓掌模型 The Standing Ovation Model (18-05).mp4
│      │      2 - 6 - 2.6 识别问题 The Identification Problem (10-18).mp4
│      │      
│      ├─week03
│      │      3 - 1 - 3.1) 聚合 Aggregation (10-15).mp4
│      │      3 - 2 - 3.2) 中心极限定理 Central Limit Theorem (18-52).mp4
│      │      3 - 3 - 3.3) 六西格玛 Six Sigma (5-11).mp4
│      │      3 - 4 - 3.4) 生命游戏 Game of Life (14-36).mp4
│      │      3 - 5 - 3.5) 细胞自动机 Cellular Automata (18-07).mp4
│      │      3 - 6 - 3.6) 偏好聚合 Preference Aggregation (12-19).mp4
│      │      
│      ├─week04
│      │      4 - 1 - 4.1) 决策模型介绍 Introduction to Decision Making (5-37).mp4
│      │      4 - 2 - 4.2) 多准则决策 Multi-Criterion Decision Making (8-18).mp4
│      │      4 - 3 - 4.3) 空间投票模型 Spatial Choice Models (11-08).mp4
│      │      4 - 4 - 4.4) 概率基础 Probability- The Basics (10-06).mp4
│      │      4 - 5 - 4.5) 决策树 Decision Trees (14-38).mp4
│      │      4 - 6 - 4.6) 信息的价值 Value of Information (8-41).mp4
│      │      
│      ├─week05
│      │      5 - 1 - 5.1) 人类模型:电子思维 Thinking Electrons- Modeling People (6-29).mp4
│      │      5 - 2 - 5.2) 理性行为者模型 Rational Actor Models (16-09).mp4
│      │      5 - 3 - 5.3) 行为模型 Behavioral Models (12-49).mp4
│      │      5 - 4 - 5.4) 基于规则的模型 Rule Based Models (12-30).mp4
│      │      5 - 5 - 5.5) 行为什么时候重要?When Does Behavior Matter- (12-40).mp4
│      │      
│      ├─week06
│      │      6 - 1 - 6.1) 线性模型介绍 Introduction to Linear Models (4-27).mp4
│      │      6 - 2 - 6.2) 分类模型 Categorical Models (15-13).mp4
│      │      6 - 3 - 6.3) 线性模型 Linear Models (8-10).mp4
│      │      6 - 4 - 6.4) 拟合数据 Fitting Lines to Data (11-48).mp4
│      │      6 - 5 - 6.5) 读取回归输出 Reading Regression Output (11-44).mp4
│      │      6 - 6 - 6.6) 从线性到非线性 From Linear to Nonlinear (6-11).mp4
│      │      6 - 7 - 6.7) 大系数和新现实思维 The Big Coefficient vs The New Reality (11-26).mp4
│      │      
│      ├─week07
│      │      7 - 1 - 7.1) 临界点 Tipping Points (5-58).mp4
│      │      7 - 2 - 7.2) 渗透模型 Percolation Models (11-48).mp4
│      │      7 - 3 - 7.3) 传染病模型 1- 扩散 Contagion Models 1- Diffusion (7-24).mp4
│      │      7 - 4 - 7.4) 传染病模型 2- SIS模型 Contagion Models 2- SIS Model (9-12).mp4
│      │      7 - 5 - 7.5) 划分临界点 Classifying Tipping Points (8-26).mp4
│      │      7 - 6 - 7.6) 测量建议 Measuring Tips (13-39).mp4
│      │      
│      ├─week08
│      │      8 - 1 - 8.1) 增长介绍 Introduction To Growth (6-43).mp4
│      │      8 - 2 - 8.2) 指数增长 Exponential Growth (10-53).mp4
│      │      8 - 3 - 8.3) 基础增长模型 Basic Growth Model (13-59).mp4
│      │      8 - 4 - 8.4) 索洛增长模型 Solow Growth Model (11-41).mp4
│      │      8 - 5 - 8.5) 中国会持续增长吗?WIll China Continue to Grow- (11-55).mp4
│      │      8 - 6 - 8.6) 为何一些国家没有增长?Why Do Some Countries Not Grow- (11-30).mp4
│      │      8 - 7 - 8.7) 皮凯蒂的资本论- 一个简单模型的力量 Piketty-'s Capital- The Power of a Simple Model (8-41).mp4
│      │      
│      ├─week09
│      │      9 - 1 - 9.1) 问题解决和创新 Problem Solving and Innovation (5-06).mp4
│      │      9 - 2 - 9.2) 视角与创新 Perspectives and Innovation (16-57).mp4
│      │      9 - 3 - 9.3) 启发式探索 Heuristics (9-29).mp4
│      │      9 - 4 - 9.4) 团队与问题解决 Teams and Problem Solving (11-05).mp4
│      │      9 - 5 - 9.5) 重组 Recombination (11-02).mp4
│      │      
│      ├─week10
│      │      10 - 1 - 10.1) 马尔科夫模型 Markov Models (4-26).mp4
│      │      10 - 2 - 10.2) 一个简单的马尔科夫模型 A Simple Markov Model (11-27).mp4
│      │      10 - 3 - 10.3) 马尔科夫民主化模型 Markov Model of Democratization (8-21).mp4
│      │      10 - 4 - 10.4) 马尔科夫收敛定理 Markov Convergence Theorem (10-33).mp4
│      │      10 - 5 - 10.5) 马尔科夫模型延伸 Exapting the Markov Model (10-11).mp4
│      │      
│      ├─week11
│      │      11 - 1 - 11.1) 李雅普诺夫函数 Lyapunov Functions (9-13).mp4
│      │      11 - 2 - 11.2) 城市的组织 The Organization of Cities (12-14).mp4
│      │      11 - 3 - 11.3) 交换经济与外部效应 Exchange Economies and Externalities (9-18).mp4
│      │      11 - 4 - 11.4) 达到收敛与最优的时间 Time to Convergence and Optimality (8-04).mp4
│      │      11 - 5 - 11.5) 李雅普诺夫函数深入 Lyapunov- Fun and Deep (8-40).mp4
│      │      11 - 6 - 11.6) 李雅普诺夫或马尔科夫函数 Lyapunov or Markov (7-24).mp4
│      │      
│      ├─week12
│      │      12 - 1 - 12.1) 协调与文化 Coordination and Culture (3-37).mp4
│      │      12 - 2 - 12.2) 什么是文化,我们为什么要关注 What Is Culture And Why Do We Care
│      │      12 - 2 - 12.2) 什么是文化,我们为什么要关注 What Is Culture And Why Do We Care- (15-43).mp4
│      │      12 - 3 - 12.3) 纯协调博弈 Pure Coordination Game (13-48).mp4
│      │      12 - 4 - 12.4) 文化的兴起 Emergence of Culture (11-01).mp4
│      │      12 - 5 - 12.5) 协调与一致 Coordination and Consistency (17-03).mp4
│      │      
│      ├─week13
│      │      13 - 1 - 13.1) 路径依赖 Path Dependence (7-23).mp4
│      │      13 - 2 - 13.2) 瓮模型 Urn Models (16-26).mp4
│      │      13 - 3 - 13.3) 瓮模型中的数学 Mathematics on Urn Models (14-46).mp4
│      │      13 - 4 - 13.4) 路径依赖与混乱 Path Dependence and Chaos (11-08).mp4
│      │      13 - 5 - 13.5) 路径依赖与收益递增 Path Dependence and Increasing Returns (12-31).mp4
│      │      13 - 6 - 13.6) 路径依赖或临界点 Path Dependent or Tipping Point (9-52).mp4
│      │      
│      ├─week14
│      │      14 - 1 - 14.1) 网络 Networks (7-04).mp4
│      │      14 - 2 - 14.2) 网络的结构 The Structure of Networks (19-30).mp4
│      │      14 - 3 - 14.3) 网络形成的逻辑 The Logic of Network Formation (10-03).mp4
│      │      14 - 4 - 14.4) 网络函数 Network Function (13-10).mp4
│      │      
│      ├─week15
│      │      15 - 1 - 15.1) 随机性和随机游走模型 Randomness and Random Walk Models (3-05).mp4
│      │      15 - 2 - 15.2) 随机性的来源 Sources of Randomness (5-15).mp4
│      │      15 - 3 - 15.3) 技能和运气 Skill and Luck (8-28).mp4
│      │      15 - 4 - 15.4) 随机游走 Random Walks (12-29).mp4
│      │      15 - 5 - 15.5) 随机游走和华尔街 Random Walks and Wall Street (7-51).mp4
│      │      15 - 6 - 15.6) 有限记忆随机游走 Finite Memory Random Walks (8-18).mp4
│      │      
│      ├─week16
│      │      16 - 1 - 16.1) 上校赛局博弈 Colonel Blotto Game (1-53).mp4
│      │      16 - 2 - 16.2) 上校赛局:无最佳策略 Blotto- No Best Strategy (7-27).mp4
│      │      16 - 3 - 16.3) Blotto上校赛局的应用 Applications of Colonel Blotto (7-08).mp4
│      │      16 - 4 - 16.4) Blotto上校赛局:军队优势 Blotto- Troop Advantages (6-27).mp4
│      │      16 - 5 - 16.5) 上校赛局和竞争 Blotto and Competition (10-41).mp4
│      │      
│      ├─week17
│      │      17 - 1 - 17.1) 简介:囚徒困境和集体行动 Intro- The Prisoners-' Dilemma and Collective Action (3-44).mp4
│      │      17 - 2 - 17.2) 囚徒困境博弈 The Prisoners-' Dilemma Game (13-45).mp4
│      │      17 - 3 - 17.3) 合作的七种方式 Seven Ways To Cooperation (15-20).mp4
│      │      17 - 4 - 17.4) 集体行动和公共资源问题 Collective Action and Common Pool Resource Problems (7-23).mp4
│      │      17 - 5 - 17.5) 没有万灵药 No Panacea (6-03).mp4
│      │      
│      └─week18
│              18 - 1 - 18.1) 机制设计 Mechanism Design (4-00).mp4
│              18 - 2 - 18.2) 隐藏行动和隐藏信息 Hidden Action and Hidden Information (9-53).mp4
│              18 - 3 - 18.3) 拍卖 Auctions (19-59).mp4
│              18 - 4 - 18.4) 公众项目 Public Projects (12-21).mp4
│              
├─data analysis and statistical inference
│      8 - 1 - Review - Frequentist vs. Bayesian Inference (28-27).mp4
│      Unit 6.zip
│      unit 7.zip
│      Week 1.zip
│      week 2.zip
│      week 3.zip
│      week 4.zip
│      week 5.zip
│      
├─Data Visualization
│  ├─01_Week_1
│  │      01_1.1.1._Introduction_00-11-58.mp4
│  │      02_1.1.2._Some_Books_on_Data_Visualization_00-03-21.mp4
│  │      03_1.1.3._Overview_of_Visualization_00-11-02.mp4
│  │      04_1.2.1._2-D_Graphics_00-10-09.mp4
│  │      05_SVG-example_00-01-34.mp4
│  │      06_1.2.2._2-D_Drawing_00-09-11.mp4
│  │      07_1.2.3._3-D_Graphics_00-08-39.mp4
│  │      08_1.2.4._Photorealism_00-10-05.mp4
│  │      09_1.2.5._Non-Photorealism_00-06-09.mp4
│  │      10_1.3.1._The_Human_00-11-08.mp4
│  │      11_1.3.2._Memory_00-12-16.mp4
│  │      12_1.3.3._Reasoning_00-07-24.mp4
│  │      13_1.3.4._The_Human_Retina_00-10-22.mp4
│  │      14_1.3.5._Perceiving_Two_Dimensions_00-08-23.mp4
│  │      15_1.3.6._Perceiving_Perspective_00-08-36.mp4
│  │      
│  ├─02_Week_2
│  │      01_2.1.0._Module_2_Introduction_00-02-49.mp4
│  │      02_2.1.1._Data_00-07-44.mp4
│  │      03_2.1.2._Mapping_00-09-04.mp4
│  │      04_2.1.3._Charts_00-09-24.mp4
│  │      05_2.2.1._Glyphs_Part_1_00-04-32.mp4
│  │      06_2.2.1._Glyphs_Part_2_00-06-30.mp4
│  │      07_2.2.2._Parallel_Coordinates_00-08-34.mp4
│  │      08_2.2.3._Stacked_Graphs_Part_1_00-05-56.mp4
│  │      09_2.2.3._Stacked_Graphs_Part_2_00-06-30.mp4
│  │      10_2.3.1._Tuftes_Design_Rules_00-12-14.mp4
│  │      11_2.3.2._Using_Color_00-11-28.mp4
│  │      
│  ├─03_Week_3
│  │      01_3.1.0_Module_3_Introduction_00-01-15.mp4
│  │      02_3.1.1._Graphs_and_Networks_00-08-16.mp4
│  │      03_3.1.2._Embedding_Planar_Graphs_00-11-37.mp4
│  │      04_3.1.3._Graph_Visualization_00-13-50.mp4
│  │      05_3.1.4._Tree_Maps_00-09-21.mp4
│  │      06_3.2.1._Principal_Component_Analysis_00-08-04.mp4
│  │      07_3.2.2._Multidimensional_Scaling_00-06-48.mp4
│  │      08_3.3.1._Packing_00-12-52.mp4
│  │      
│  └─04_Week_4
│          01_4.1.0._Module_4_Introduction_00-00-55.mp4
│          02_4.1.1._Visualization_Systems_00-03-20.mp4
│          03_4.1.2._The_Information_Visualization_Mantra-_Part_1_00-09-05.mp4
│          04_4.1.2._The_Information_Visualization_Mantra-_Part_2_00-09-07.mp4
│          05_4.1.2._The_Information_Visualization_Mantra-_Part_3_00-05-49.mp4
│          06_4.1.3._Database_Visualization_Part-_1_00-12-26.mp4
│          07_4.1.3._Database_Visualization_Part-_2_00-08-10.mp4
│          08_4.1.3._Database_Visualization_Part-_3_00-09-46.mp4
│          09_4.2.1._Visualization_System_Design_00-14-26.mp4
│         
├─Dino 101 Dinosaur Paleobiology
│  │  coursedescriptions.pdf
│  │  dino101-course-outline.pdf
│  │  dino101-course-teaching-outcomes.pdf
│  │  Glossary V2.pdf
│  │  
│  ├─Lesson 1 Appearance and Anatomy
│  │      1 - 1 - Introduction (7_31).mp4
│  │      1 - 2 - Size (4_33).mp4
│  │      1 - 3 - Skeleton (12_46).mp4
│  │      1 - 4 - Saurischians (7_28).mp4
│  │      1 - 5 - Ornithischians (10_03).mp4
│  │      1 - 6 - Appearance (13_11).mp4
│  │      1 - 7 - Muscles (4_58).mp4
│  │      Lesson 1 the Skeleton V2.pdf
│  │      
│  ├─Lesson 10 Paleogeography and Plate Tectonics
│  │      10 - 1 - Paleogeography (7_45).mp4
│  │      10 - 2 - Continental Movement (6_32).mp4
│  │      10 - 3 - Effect on Dinosaurs (11_58).mp4
│  │      Lesson 10 Palaeogeography and Plate Tectonics V2.pdf
│  │      
│  ├─Lesson 11 Dinosaur Origins
│  │      11 - 1 - Origins (3_07).mp4
│  │      11 - 2 - Diapsids (9_50).mp4
│  │      11 - 3 - Rise of the Dinosaurs (6_18).mp4
│  │      Lesson 11 Dinosaur Origins V2.pdf
│  │      
│  ├─Lesson 12 Dinosaur Extinction
│  │      12 - 1 - Extinction (9_21).mp4
│  │      12 - 2 - Habitat Loss (5_13).mp4
│  │      12 - 3 - Chixulub Impactor (12_14).mp4
│  │      12 - 4 - Resurrecting Dinosaurs (4_36).mp4
│  │      Lesson 12 Dinosaur Extinction V2.pdf
│  │      Lesson 12 Dinosaur Extinction.pdf
│  │      
│  ├─Lesson 2 Death and Fossilization
│  │      2 - 1 - Taphonomy (9_10).mp4
│  │      2 - 2 - Fossilization (8_05).mp4
│  │      2 - 3 - Field Work (20_23).mp4
│  │      Lesson 2 Death and Fossilization V2.pdf
│  │      
│  ├─Lesson 3 Eating
│  │      3 - 1 - Types of Eaters (7_14).mp4
│  │      3 - 2 - Teeth (7_27).mp4
│  │      3 - 3 - Claws (3_09).mp4
│  │      3 - 4 - Determining Diet (11_10).mp4
│  │      Lesson 3 Eating V2.pdf
│  │      
│  ├─Lesson 4 Moving Around
│  │      4 - 1 - Stance (5_23).mp4
│  │      4 - 2 - Limbs (12_39).mp4
│  │      4 - 3 - Trackways (4_41).mp4
│  │      4 - 4 - Metabolism (5_23).mp4
│  │      Lesson 4 Moving Around V2.pdf
│  │      
│  ├─Lesson 5 Birth, Growth, and Reproduction
│  │      5 - 1 - Eggs (4_27).mp4
│  │      5 - 2 - Young Dinosaurs (14_30).mp4
│  │      5 - 3 - Males & Females (9_27).mp4
│  │      Lesson 5 Birth Growth and Reproduction V2.pdf
│  │      
│  ├─Lesson 6 Attack and Defense
│  │      6 - 1 - Defensive Adaptations (13_49).mp4
│  │      6 - 2 - Offensive Adaptations (15_24).mp4
│  │      6 - 3 - Intraspecies Interactions (7_34).mp4
│  │      Lesson 6 Attack and Defense V2.pdf
│  │      
│  ├─Lesson 7 What is a Species
│  │      7 - 1 - Naming Species (9_20).mp4
│  │      7 - 2 - Holotype (6_13).mp4
│  │      7 - 3 - Differentiating Species (11_17).mp4
│  │      Lesson 7 What is a Species V2.pdf
│  │      
│  ├─Lesson 8 Evolution
│  │      8 - 1 - Clades (10_49).mp4
│  │      8 - 2 - Convergence (9_46).mp4
│  │      8 - 3 - Birds (9_20).mp4
│  │      Lesson 8 Evolution V2.pdf
│  │      
│  └─Lesson 9 Stratigraphy and Geologic Time
│          9 - 1 - Deep Time (13_19).mp4
│          9 - 2 - Stratigraphy (7_53).mp4
│          9 - 3 - The Age of Dinosaurs (5_47).mp4
│          Lesson 9 Stratigraphy and Geologic Time V2.pdf
│         
├─Getting and Cleaning Data
│  ├─Week1
│  │      1 - 1 - Obtaining Data Motivation (5-38) .mp4
│  │      1 - 2 - Raw and Processed Data (7-07).mp4
│  │      1 - 3 - Components of Tidy Data (9-25).mp4
│  │      1 - 4 - Downloading Files (7-09).mp4
│  │      1 - 5 - Reading Local Files (4-55).mp4
│  │      1 - 6 - Reading Excel Files (3-55).mp4
│  │      1 - 7 - Reading XML (12-39).mp4
│  │      1 - 8 - Reading JSON (5-03).mp4
│  │      1 - 9 - The data.table Package (11-18).mp4
│  │      01_01_obtainingDataMotivation.pdf
│  │      01_02_rawAndProcessedData.pdf
│  │      01_03_componentsOfTidyData.pdf
│  │      01_04_downLoadingFiles.pdf
│  │      01_05_readingLocalFiles.pdf
│  │      01_06_readingExcelFiles.pdf
│  │      01_07_readingXML.pdf
│  │      01_08_readingJSON.pdf
│  │      01_09_dataTable.pdf
│  │      
│  ├─Week2
│  │      2 - 1 - Reading from MySQL (14-44).mp4
│  │      2 - 2 - Reading from HDF5  (6-45).mp4
│  │      2 - 3 - Reading from The Web (6-47).mp4
│  │      2 - 4 - Reading From APIs (7-57).mp4
│  │      2 - 5 - Reading From Other Sources (4-44).mp4
│  │      02_01_readingMySQL.pdf
│  │      02_02_readingHDF5.pdf
│  │      02_03_readingFromTheWeb.pdf
│  │      02_04_readingFromAPIs.pdf
│  │      02_05_readingFromOtherSources.pdf
│  │      
│  ├─Week3
│  │      3 - 1 - Subsetting and Sorting (6-51).mp4
│  │      3 - 2 - Summarizing Data (11-37).mp4
│  │      3 - 3 - Creating New Variables (10-32).mp4
│  │      3 - 4 - Reshaping Data (9-13).mp4
│  │      3 - 5 - Merging Data (6-19).mp4
│  │      03_01_subsettingAndSorting.pdf
│  │      03_02_summarizingData.pdf
│  │      03_03_creatingNewVariables.pdf
│  │      03_04_reshapingData.pdf
│  │      03_05_mergingData.pdf
│  │      
│  └─Week4
│          4 - 1 - Editing Text Variables (10-46).mp4
│          4 - 2 - Regular Expressions I (5-16).mp4
│          4 - 3 - Regular Expressions II (8-00).mp4
│          4 - 4 - Working with Dates (6-02).mp4
│          4 - 5 - Data Resources (3-33).mp4
│          04_01_editingTextVariables.pdf
│          04_02_regularExpressions.pdf
│          04_03_regularExpressionsII.pdf
│          04_04_workingWithDates.pdf
│          04_05_dataResources.pdf
│         
├─Mining Massive Datasets
│  │  bookL.pdf
│  │  
│  ├─01_Week_1_Materials
│  │      01_Distributed_File_Systems_15-50.mp4
│  │      02_The_MapReduce_Computational_Model_22-04.mp4
│  │      03_Scheduling_and_Data_Flow_12-43.mp4
│  │      04_Combiners_and_Partition_Functions_12-17_Advanced.mp4
│  │      05_Link_Analysis_and_PageRank_9-39.mp4
│  │      06_PageRank-_The_Flow_Formulation_9-16.mp4
│  │      07_PageRank-_The_Matrix_Formulation_8-02.mp4
│  │      08_PageRank-_Power_Iteration_10-34.mp4
│  │      09_PageRank-_The_Google_Formulation_12-08.mp4
│  │      10_Why_Teleports_Solve_the_Problem_12-26.mp4
│  │      11_How_we_Really_Compute_PageRank_13-49.mp4
│  │      01_Distributed_File_Systems_15-50.pdf
│  │      02_The_MapReduce_Computational_Model_22-04.pdf
│  │      03_Scheduling_and_Data_Flow_12-43.pdf
│  │      04_Combiners_and_Partition_Functions_12-17_Advanced.pdf
│  │      05_Link_Analysis_and_PageRank_9-39.pdf
│  │      06_PageRank-_The_Flow_Formulation_9-16.pdf
│  │      07_PageRank-_The_Matrix_Formulation_8-02.pdf
│  │      08_PageRank-_Power_Iteration_10-34.pdf
│  │      09_PageRank-_The_Google_Formulation_12-08.pdf
│  │      10_Why_Teleports_Solve_the_Problem_12-26.pdf
│  │      11_How_we_Really_Compute_PageRank_13-49.pdf
│  │      
│  ├─02_Week_2_Materials
│  │      01_Finding_Similar_Sets_13-37.mp4
│  │      02_Minhashing_25-18.mp4
│  │      03_Locality-Sensitive_Hashing_19-24.mp4
│  │      04_Applications_of_LSH_11-40.mp4
│  │      05_Fingerprint_Matching_7-07.mp4
│  │      06_Finding_Duplicate_News_Articles_6-08.mp4
│  │      07_Distance_Measures_22-39.mp4
│  │      08_Nearest_Neighbor_Learning_11-39.mp4
│  │      09_Frequent_Itemsets_29-50.mp4
│  │      10_A-Priori_Algorithm_13-07.mp4
│  │      11_Improvements_to_A-Priori_17-26__Advanced.mp4
│  │      12_All_or_Most_Frequent_Itemsets_in_2_Passes_14-40_Advanced.mp4
│  │      01_Finding_Similar_Sets_13-37.pdf
│  │      02_Minhashing_25-18.pdf
│  │      03_Locality-Sensitive_Hashing_19-24.pdf
│  │      04_Applications_of_LSH_11-40.pdf
│  │      05_Fingerprint_Matching_7-07.pdf
│  │      06_Finding_Duplicate_News_Articles_6-08.pdf
│  │      07_Distance_Measures_22-39.pdf
│  │      08_Nearest_Neighbor_Learning_11-39.pdf
│  │      09_Frequent_Itemsets_29-50.pdf
│  │      10_A-Priori_Algorithm_13-07.pdf
│  │      11_Improvements_to_A-Priori_17-26__Advanced.pdf
│  │      12_All_or_Most_Frequent_Itemsets_in_2_Passes_14-40_Advanced.pdf
│  │      
│  ├─03_Week_3_Materials
│  │      01_Community_Detection_in_Graphs-_Motivation_5-44.mp4
│  │      02_The_Affiliation_Graph_Model_10-04.mp4
│  │      03_From_AGM_to_BIGCLAM_8-48.mp4
│  │      04_Solving_the_BIGCLAM_9-19.mp4
│  │      05_Detecting_Communities_as_Clusters_8-39_Advanced.mp4
│  │      06_What_Makes_a_Good_Cluster_8-48_Advanced.mp4
│  │      07_The_Graph_Laplacian_Matrix_6-51_Advanced.mp4
│  │      08_Examples_of_Eigendecompositions_of_Graphs_6-16_Advanced.mp4
│  │      09_Defining_the_Graph_Laplacian_3-27_Advanced.mp4
│  │      10_Spectral_Graph_Partitioning-_Finding_a_Partition_13-25_Advanced.mp4
│  │      11_Spectral_Clustering-_Three_Steps_7-17_Advanced.mp4
│  │      12_Analysis_of_Large_Graphs-_Trawling_9-02_Advanced.mp4
│  │      13_Mining_Data_Streams_12-01.mp4
│  │      14_Counting_1s_29-00_Advanced.mp4
│  │      15_Bloom_Filters_18-00.mp4
│  │      16_Sampling_a_Stream_11-30.mp4
│  │      17_Counting_Distinct_Elements_25-59_Advanced.mp4
│  │      01_Community_Detection_in_Graphs-_Motivation_5-44.pdf
│  │      02_The_Affiliation_Graph_Model_10-04.pdf
│  │      03_From_AGM_to_BIGCLAM_8-48.pdf
│  │      04_Solving_the_BIGCLAM_9-19.pdf
│  │      05_Detecting_Communities_as_Clusters_8-39_Advanced.pdf
│  │      06_What_Makes_a_Good_Cluster_8-48_Advanced.pdf
│  │      07_The_Graph_Laplacian_Matrix_6-51_Advanced.pdf
│  │      08_Examples_of_Eigendecompositions_of_Graphs_6-16_Advanced.pdf
│  │      09_Defining_the_Graph_Laplacian_3-27_Advanced.pdf
│  │      10_Spectral_Graph_Partitioning-_Finding_a_Partition_13-25_Advanced.pdf
│  │      11_Spectral_Clustering-_Three_Steps_7-17_Advanced.pdf
│  │      12_Analysis_of_Large_Graphs-_Trawling_9-02_Advanced.pdf
│  │      13_Mining_Data_Streams_12-01.pdf
│  │      14_Counting_1s_29-00_Advanced.pdf
│  │      15_Bloom_Filters_18-00.pdf
│  │      16_Sampling_a_Stream_11-30.pdf
│  │      17_Counting_Distinct_Elements_25-59_Advanced.pdf
│  │      





资源批量下载地址: ---> http://bbs.vlan5.com/forum-94-1.html
更多精品资源,打包下载(可按知识点/发布日期/培训班/讲师等方式批量下载视频/文档/资料/电子书)

本贴附件下载链接:

购买主题 已有 13 人购买  本主题需向作者支付 300 金币 才能浏览
CCNA考试 官方正规报名 仅需1500元
回复 论坛版权

使用道具 举报

admin [管理员] 发表于 2017-12-4 12:54:47 | 显示全部楼层
│  ├─04_Week_4_Materials
( Y0 i2 r/ d4 e1 s4 ]5 \" h│  │      01_Overview_of_Recommender_Systems_16-51.mp4
4 o2 q& B0 O* O│  │      02_Content-Based_Recommendations_21-00.mp4
9 Z3 Y- @% V0 a│  │      03_Collaborative_Filtering_20-52.mp4/ V8 ~! V. Y* c  w' t0 `
│  │      04_Implementing_Collaborative_Filtering_13-46_Advanced.mp4
  `6 k1 V9 F* N) R7 p│  │      05_Evaluating_Recommender_Systems_6-09.mp4
; o' s9 V) i7 o/ ]│  │      06_Dimensionality_Reduction-_Introduction_12-01.mp4
6 p3 c5 T4 L: D# h9 z8 k7 i' ~│  │      07_Singular-Value_Decomposition_13-39.mp48 o  L" H" }- M: v8 Y
│  │      08_Dimensionality_Reduction_with_SVD_9-04.mp4
  M9 o' e1 h; B  x0 M│  │      09_SVD_Gives_the_Best_Low-Rank_Approximation_8-28_Advanced.mp4
& z" V5 N! F. ~/ S5 Z1 ]+ e5 h│  │      10_SVD_Example_and_Conclusion_11-58.mp49 y/ u$ a0 ~8 ?& Y
│  │      11_CUR_Decomposition_6-27_Advanced.mp4
9 a+ F3 o. O% b. S; A% `: g│  │      12_The_CUR_Algorithm_6-15_Advanced.mp4
( @2 _! P) a6 u- n$ s& C│  │      13_Discussion_of_the_CUR_Method_7-09.mp4: \+ n) u: V) m4 s* ^* f" Z4 U
│  │      14_Latent-Factor_Models_16-11.mp4
8 B3 q* Z& ~. ]6 @│  │      15_Latent-Factor_Recommender_System_14-16.mp4/ w+ a! P( A, b
│  │      16_Finding_the_Latent_Factors_13-20.mp4" C; d* c0 g5 H1 V$ C! R/ B3 B+ A/ d
│  │      17_Extension_to_Include_Global_Effects_9-42_Advanced.mp4
1 q# J) _7 v" i8 O  Y│  │      01_Overview_of_Recommender_Systems_16-51.pdf' l' x9 G: O: c8 ]
│  │      02_Content-Based_Recommendations_21-00.pdf! J- t4 l! ]" C% N6 H
│  │      03_Collaborative_Filtering_20-52.pdf
/ }; u+ }0 U1 g+ n│  │      04_Implementing_Collaborative_Filtering_13-46_Advanced.pdf/ V) f8 C2 m- d# z; M4 p
│  │      05_Evaluating_Recommender_Systems_6-09.pdf
) a5 i/ i5 v% t7 t# Z│  │      06_Dimensionality_Reduction-_Introduction_12-01.pdf3 l/ b; J0 y2 u6 d% h
│  │      07_Singular-Value_Decomposition_13-39.pdf% l/ Q" l3 \* d' b  I4 N
│  │      08_Dimensionality_Reduction_with_SVD_9-04.pdf
' t; ~, B" n: m│  │      09_SVD_Gives_the_Best_Low-Rank_Approximation_8-28_Advanced.pdf
& w; H. N- {0 `* g3 c│  │      10_SVD_Example_and_Conclusion_11-58.pdf/ z8 F* [+ m% l* c8 R5 X3 K/ D
│  │      11_CUR_Decomposition_6-27_Advanced.pdf+ ?* j% n" p4 @- \  T! {& x* I
│  │      12_The_CUR_Algorithm_6-15_Advanced.pdf
  Q3 M, L4 T6 {6 w& `: D. b$ t│  │      13_Discussion_of_the_CUR_Method_7-09.pdf3 b+ N! w+ G1 W
│  │      14_Latent-Factor_Models_16-11.pdf
/ j0 R0 x4 v7 G: I│  │      15_Latent-Factor_Recommender_System_14-16.pdf* {: u5 Y3 c# [8 B6 r
│  │      16_Finding_the_Latent_Factors_13-20.pdf9 y* ^, f; r" U+ d( O/ k
│  │      17_Extension_to_Include_Global_Effects_9-42_Advanced.pdf6 E' v" g- C$ o: `6 @5 U( u/ E! s
│  │      
4 G: C2 y9 e7 Q  G4 N# p$ }│  ├─05_Week_5_Materials' ]& I) Q' I- w- |) P- G
│  │      01_Overview_of_Clustering_8-46.mp4
# C% G- [$ i# O" m0 G4 {' c! E+ d│  │      02_Hierarchical_Clustering_14-07.mp46 Q* q* f' y8 r/ c, x& y
│  │      03_The_k-Means_Algorithm_12-49.mp4* i& m5 T2 d1 b) l* v+ Y! F4 ~
│  │      04_The_BFR_Algorithm_25-01.mp4
0 m+ z% O0 O8 E$ F│  │      05_The_CURE_Algorithm_15-13_Advanced.mp4
$ z6 l5 N+ S9 `, D4 V3 M- a│  │      06_Computational_Advertising-_Bipartite_Graph_Matching_24-47.mp4$ x& a5 a1 c, ^+ k9 C
│  │      07_The_AdWords_Problem_19-21.mp4
0 K( B+ Z1 L# u0 C│  │      08_The_Balance_Algorithm_15-16.mp4
9 O# [( ?4 ?, s8 E3 z│  │      09_Generalized_Balance_14-35_Advanced.mp4
& V2 j  J/ O' n  L│  │      01_Overview_of_Clustering_8-46.pdf
6 V  q" Z$ g* V; |  }│  │      02_Hierarchical_Clustering_14-07.pdf
& W3 S  |4 r0 y9 V% e│  │      03_The_k-Means_Algorithm_12-49.pdf" Q4 n8 F  n" L! w; o
│  │      04_The_BFR_Algorithm_25-01.pdf: s- Z7 f2 {# b4 {3 v- d3 J
│  │      05_The_CURE_Algorithm_15-13_Advanced.pdf
0 s" U% Q! o9 {4 l│  │      06_Computational_Advertising-_Bipartite_Graph_Matching_24-47.pdf
, n) S+ [" R3 {: O- {# ]: G$ q│  │      07_The_AdWords_Problem_19-21.pdf5 M9 a& q( O$ Q3 J% C: j0 a5 i
│  │      08_The_Balance_Algorithm_15-16.pdf7 W$ A; J! a" g. v6 U' d
│  │      09_Generalized_Balance_14-35_Advanced.pdf
5 T6 c- Q# b" J" j│  │      
9 k- j9 B' f6 q$ L0 o5 Y6 m│  ├─06_Week_6_Materials! i. Z8 k# G" F+ V9 H1 P
│  │      01_Support_Vector_Machines-_Introduction_7-30.mp4
- D, i/ o8 E9 K% k& K│  │      02_Support_Vector_Machines-_Mathematical_Formulation_12-15.mp4
9 n" h- n9 Y' F( ~( d- X, ]8 `9 ]6 d│  │      03_What_is_the_Margin_8-22.mp4( s$ K9 y8 q% z4 S1 c
│  │      04_Soft-Margin_SVMs_9-46.mp4
5 l  l6 J' B( t' K: R+ z  a│  │      05_How_to_Compute_the_Margin_14-36_Advanced.mp4
& q! v& |' G( e8 N5 j. F) e│  │      06_Support_Vector_Machines-_Example_7-07.mp47 M, h- q! ]5 H/ @; J
│  │      07_Decision_Trees_8-33.mp4
3 k; l8 Z' ~9 f/ a* R& I│  │      08_How_to_Construct_a_Tree_13-21.mp4
. ]% Z' D# T. f6 c1 H│  │      09_Information_Gain_9-50.mp45 p, \7 }5 a. A# N
│  │      10_Building_Decision_Trees_Using_MapReduce_8-14_Advanced.mp4
+ M1 U. ~' A/ |6 e3 j/ n" A0 C│  │      11_Decision_Trees-_Conclusion_7-25.mp4/ Z8 k) L& L2 L6 F# g9 i. H
│  │      12_MapReduce_Algorithms_Part_I_10-51_Advanced.mp4
* j% t) R8 y2 m" X5 S│  │      13_MapReduce_Algorithms_Part_II_9-46_Advanced.mp4
: f7 U) Q' o( x- w( i2 ]7 W│  │      14_Theory_of_MapReduce_Algorithms_19-39_Advanced.mp4$ G9 ^: V7 @/ D4 {, R" W
│  │      15_Matrix_Multiplication_in_MapReduce_24-48_Advanced.mp4
% @' ~, f' y; h+ t5 s$ P' g│  │      01_Support_Vector_Machines-_Introduction_7-30.pdf0 J3 D' d1 e7 [7 ^" N
│  │      02_Support_Vector_Machines-_Mathematical_Formulation_12-15.pdf7 h" I9 G+ b  C% c8 G
│  │      03_What_is_the_Margin_8-22.pdf% T' e; I+ _5 J, i) h9 t1 m$ b8 T
│  │      04_Soft-Margin_SVMs_9-46.pdf1 Y) p) _5 @) [* ]- g+ y+ r
│  │      05_How_to_Compute_the_Margin_14-36_Advanced.pdf4 q- j7 z. ?) {3 _+ C  b6 _! v( [, u+ t
│  │      06_Support_Vector_Machines-_Example_7-07.pdf
% |- B0 N# b. d2 |) g% P8 g6 r$ }0 ^) a- J│  │      07_Decision_Trees_8-33.pdf- Z$ B3 F+ z6 G6 N: N' M, \9 |1 i
│  │      08_How_to_Construct_a_Tree_13-21.pdf$ j: M2 o2 h) J+ x
│  │      09_Information_Gain_9-50.pdf
- `/ N1 r! C/ o. _│  │      10_Building_Decision_Trees_Using_MapReduce_8-14_Advanced.pdf7 O( E; w9 o* @4 g, P2 A5 y# q" g
│  │      11_Decision_Trees-_Conclusion_7-25.pdf2 E) Z  L$ P+ P
│  │      12_MapReduce_Algorithms_Part_I_10-51_Advanced.pdf
4 N2 o( L; G! _; q0 s; u+ ?│  │      13_MapReduce_Algorithms_Part_II_9-46_Advanced.pdf
! r2 ~/ [3 [- ]; I4 p& z│  │      14_Theory_of_MapReduce_Algorithms_19-39_Advanced.pdf
  \- z& y& W, \5 C& a│  │      15_Matrix_Multiplication_in_MapReduce_24-48_Advanced.pdf
- O' r4 |9 Z: J/ H! R1 P8 V│  │      
( j5 _' y6 e  @│  └─07_Week_7_Materials6 s4 j" j; _: E# D* t6 t8 t
│          01_LSH_Families_21-13.mp4
8 E! X/ c+ C9 A  w5 p, a$ y│          02_More_About_LSH_Families_12-57.mp4
+ K7 e8 Q1 w6 d( {3 |3 h1 R- v│          03_Sets_and_Strings_With_a_High_Degree_of_Similarity_11-29_Advanced.mp4
5 Y! u- t! C4 p│          04_Prefix_of_a_String_7-43_Advanced.mp4
9 Y$ E: e5 Z/ X" x5 P& N9 d│          05_Positions_Within_Prefixes_14-04_Advanced.mp4
3 T4 t, |* e6 J/ H" V  W$ L8 [" X│          06_Exploiting_Length_14-39_Advanced.mp4; R% E. B* [/ n& h8 M
│          07_Computing_PageRank_on_Big_Graphs_10-18_Advanced.mp4
* |$ b1 I, I% H( V, D│          08_Topic-Specific_PageRank_10-06.mp46 u/ J; s. o/ A/ v
│          09_Application_to_Measuring_Proximity_in_Graphs_6-25.mp4
) e  q" s$ T- ?# L│          10_Hubs_and_Authorities_15-16_Advanced.mp4  O) h/ B! R0 \6 z( u6 t7 U
│          11_Web_Spam-_Introduction_6-50.mp4
7 _9 ?0 Q& w" |% K2 m, W1 q, g│          12_Spam_Farms_8-00.mp4
) N4 D: {$ @8 h1 D' R; a│          13_TrustRank_10-05.mp44 Z. L: ~4 k. ?$ N7 g
│          01_LSH_Families_21-13.pdf1 ~- M- ?. o& u0 [8 P+ F
│          02_More_About_LSH_Families_12-57.pdf! k; U7 l" }% H% X( l
│          03_Sets_and_Strings_With_a_High_Degree_of_Similarity_11-29_Advanced.pdf
( {$ T  e' S! Y' m8 Q: l│          04_Prefix_of_a_String_7-43_Advanced.pdf  l8 H( B; l* O$ u( `) S4 H7 p
│          05_Positions_Within_Prefixes_14-04_Advanced.pdf
% i1 u6 N: a$ m' @│          06_Exploiting_Length_14-39_Advanced.pdf( D! J5 E* s6 Z( B
│          07_Computing_PageRank_on_Big_Graphs_10-18_Advanced.pdf0 U( |8 C5 D! I; S  C. V2 u4 U% ^
│          08_Topic-Specific_PageRank_10-06.pdf% @3 T. i) d+ o9 U( q
│          09_Application_to_Measuring_Proximity_in_Graphs_6-25.pdf
; J% `. F6 W' ?│          10_Hubs_and_Authorities_15-16_Advanced.pdf
$ ?3 s1 r: B$ v- B│          11_Web_Spam-_Introduction_6-50.pdf
7 Q, N% N- I( u. C│          12_Spam_Farms_8-00.pdf
+ @4 a' w7 R) }' s8 |. |│          13_TrustRank_10-05.pdf  S3 p% G% a' D2 L( ^
│          ( A$ U& w6 ]$ y1 i* E% @
├─Model Thinking _ Scott Page
/ y& n) {/ h7 I7 d4 a: n7 D1 P│  ├─Section 01 Why Model
8 C/ x# {; N. @+ f) ^│  │      2 - 1 - Lecture 1.1) Why Model- (8-53).mp4+ b0 M  i- Z6 f' t: M% g
│  │      2 - 2 - Lecture 1.2) Intelligent Citizens of the World (11-31).mp4
0 [9 F4 z4 l( L  w, x│  │      2 - 3 - Lecture 1.3) Thinking More Clearly (10-50).mp46 |# \* P  B+ C+ H
│  │      2 - 4 - Lecture 1.4) Using and Understanding Data (10-14).mp4
  ~. M8 J3 h* z4 W│  │      2 - 5 - Lecture 1.5) Using Models to Decide, Strategize, and Design (15-26).mp43 M" Z" N% _) k, h# _
│  │      7 c  o0 d1 F& t! ^7 b
│  ├─Section 02 Segregation and Peer Effects
9 j, ~# I% m& _) g% k  [: J( s7 m│  │      3 - 1 - 2.1) Sorting and Peer Effects Introduction (5-11).mp46 K" R; S1 ~: w1 r! X: ]
│  │      3 - 2 - 2.2) Schelling-'s Segregation Model (11-30).mp4# R+ Z$ w1 I! q
│  │      3 - 3 - 2.3) Measuring Segregation (11-30).mp4" t6 `7 _2 W8 ~! O" A0 f3 K
│  │      3 - 4 - 2.4) Peer Effects (6-58).mp46 j" c& x4 L0 d" s  d4 Y# U/ [4 ]
│  │      3 - 5 - 2.5) The Standing Ovation Model (18-05).mp4
+ [/ g/ ?8 L. r│  │      3 - 6 - 2.6) The Identification Problem (10-18).mp4  R) U- S- h, N! @: C
│  │      3 P, B- x0 y! j1 v* I2 W7 h( d
│  ├─Section 03 Aggregation4 T8 Z- [0 r0 J& r% n6 I
│  │      4 - 1 - 3.1) Aggregation (10-15).mp4
1 M% F. u% t. M│  │      4 - 2 - 3.2) Central Limit Theorem (18-52).mp4
0 w7 w. g0 z& }. q2 l9 Z; H2 E8 C│  │      4 - 3 - 3.3) Six Sigma (5-11).mp4+ ?" b" G2 [$ ?$ }5 [6 I  C# @
│  │      4 - 4 - 3.4) Game of Life (14-36).mp4, Y: E5 J, y' ?6 S" m
│  │      4 - 5 - 3.5) Cellular Automata (18-07).mp4
! Z! D; G4 J, z6 v  |" c3 p│  │      4 - 6 - 3.6) Preference Aggregation (12-19).mp4- G  H5 f8 t# e- a) P
│  │      
' F; I* ?/ W8 h% W│  ├─Section 04 Decision Models
7 z* v* Z4 k( j; r' I! j: d│  │      5 - 1 - 4.1) Introduction to Decision Making (5-37).mp43 n6 y  I) h* g7 j3 [
│  │      5 - 2 - 4.2) Multi-Criterion Decision Making (8-18).mp4; J! X* C0 X- S  ]  O  ], r* K0 E
│  │      5 - 3 - 4.3) Spatial Choice Models (11-08).mp4
: v6 }3 F4 L! r│  │      5 - 4 - 4.4) Probability- The Basics (10-06).mp4; D$ g/ Y  F4 g
│  │      5 - 5 - 4.5) Decision Trees (14-38).mp4
/ r. N! ^+ o9 B) p3 v│  │      5 - 6 - 4.6) Value of Information (8-41).mp4! J' m, D$ i* \+ W8 |4 D
│  │      4 S1 R+ p) R8 x- R8 C$ p7 o2 ^3 @
│  ├─Section 05 Thinking Electrons Modeling People& L; U7 ^- V* d" i& e/ ?/ _9 ^
│  │      6 - 1 - 5.1) Thinking Electrons- Modeling People (6-29).mp4
7 `* K$ Y" G' ]+ y" G) D$ Z│  │      6 - 2 - 5.2) Rational Actor Models (16-09).mp4
% C; h! |9 r, J│  │      6 - 3 - 5.3) Behavioral Models (12-49).mp4$ V# c  D( ]1 Z# i, i& R, n1 z. D( [2 N- F
│  │      6 - 4 - 5.4) Rule Based Models (12-30).mp4
) S3 Y% M6 H6 y& p5 @3 h│  │      6 - 5 - 5.5) When Does Behavior Matter- (12-40).mp44 L. g# Q  C" N( L/ N: N$ T- ^
│  │      ! @. ]  F  [; f  T) Z% H
│  ├─Section 06 Categorical and Linear Models
4 w- b) n4 U+ ]│  │      7 - 1 - 6.1) Introduction to Linear Models (4-27).mp41 v# _" P* J, n$ _( L
│  │      7 - 2 - 6.2) Categorical Models (15-13).mp43 z5 |- ^0 J0 h" a3 l2 p
│  │      7 - 3 - 6.3) Linear Models (8-10).mp4
' N  l# e) q( j- b; v│  │      7 - 4 - 6.4) Fitting Lines to Data (11-48).mp4
+ U) s, s& [0 ~% s│  │      7 - 5 - 6.5) Reading Regression Output (11-44).mp4
$ ^/ {0 z; t. k9 C8 p5 [; A│  │      7 - 6 - 6.6) From Linear to Nonlinear (6-11).mp4& ^0 f' U2 g# y4 q
│  │      7 - 7 - 6.7) The Big Coefficient vs The New Reality (11-26).mp4
! C" C) W8 N8 b│  │      8 n) m+ Y4 C. O
│  ├─Section 07 Tipping Points
5 g, T0 d8 r% m* f1 s5 d│  │      8 - 1 - 7.1) Tipping Points (5-58).mp49 e! X0 {- f3 e1 H  X; P0 x$ R9 r8 T
│  │      8 - 2 - 7.2) Percolation Models (11-48).mp4
% i3 }% F3 W% ~+ c, [7 G5 j│  │      8 - 3 - 7.3) Contagion Models 1- Diffusion (7-24).mp4& i- J, j5 k$ ]( X* |, ~
│  │      8 - 4 - 7.4) Contagion Models 2- SIS Model (9-12).mp4
. H) c8 t! y. @" z  ], o│  │      8 - 5 - 7.5) Classifying Tipping Points (8-26).mp4
. {1 d% T& u5 H3 t4 `0 A│  │      8 - 6 - 7.6) Measuring Tips (13-39).mp4( k1 V# k) j* x( J, }- z- L2 [
│  │      ; o/ G/ a3 d. [1 g% b7 }* @1 i
│  ├─Section 08 Economic Growth3 u: f( X2 p8 j: V  U4 p2 Y
│  │      9 - 1 - 8.1) Introduction To Growth (6-43).mp4$ |0 F0 j. \; v: k0 [
│  │      9 - 2 - 8.2) Exponential Growth (10-53).mp4
9 c& c4 y' V% K* R0 A│  │      9 - 3 - 8.3) Basic Growth Model (13-59).mp4
3 U2 o% H/ M/ w( m8 Q) @& e5 r  s│  │      9 - 4 - 8.4) Solow Growth Model (11-41).mp4
$ e7 S% h) K/ U8 \5 N! y- {2 n6 m│  │      9 - 5 - 8.5) WIll China Continue to Grow- (11-55).mp4
8 j8 N2 U3 }2 j+ s; _' }) c│  │      9 - 6 - 8.6) Why Do Some Countries Not Grow- (11-30).mp4
* M/ l" O8 ]4 d; \│  │      6 j& v& O* l/ q* X9 S$ c* x# C5 Z
│  ├─Section 09 Diversity and Innovation
8 m1 Y! R; A: H│  │      10 - 1 - 9.1) Problem Solving and Innovation (5-06).mp4" Q1 {. Z; T) H7 d8 p, e/ r
│  │      10 - 2 - 9.2) Perspectives and Innovation (16-57).mp4
- Y( D$ I- v0 d* X│  │      10 - 3 - 9.3) Heuristics (9-29).mp4
# o9 V( Y- V- a$ y! e; O5 U9 [/ a- u│  │      10 - 4 - 9.4) Teams and Problem Solving (11-05).mp4/ X) q4 v+ A8 v9 {7 C( O
│  │      10 - 5 - 9.5) Recombination (11-02).mp4( e1 m; ?& {# R9 b& ]  I" K: W8 _
│  │      
2 e7 w* l( i- p' W" p8 w( `6 [│  ├─Section 10 Markov Processes# Y+ B+ j7 W1 j2 T8 B( I/ u
│  │      11 - 1 - 10.1) Markov Models (4-26).mp4
6 ]: X4 J+ ]0 t: i│  │      11 - 2 - 10.2) A Simple Markov Model (11-27).mp4
8 }! Z6 [' A7 d/ v4 s$ H│  │      11 - 3 - 10.3) Markov Model of Democratization (8-21).mp4# n! K; C7 l1 b5 ^) A
│  │      11 - 4 - 10.4) Markov Convergence Theorem (10-33).mp4
0 h5 N. D8 I* `# c8 ~│  │      11 - 5 - 10.5) Exapting the Markov Model (10-11).mp4( {! Q7 T/ H( n% @9 J/ q, G; m
│  │      & N9 o, S1 [0 R! N/ s. J
│  ├─Section 11 Lyapunov Functions
9 o6 q5 x, g3 X& a1 k- Z0 m1 z│  │      12 - 1 - 11.1) Lyapunov Functions (9-13).mp4
, N. j; K- x5 W2 p2 O: x│  │      12 - 2 - 11.2) The Organization of Cities (12-14).mp4
8 k: G, X3 p. Q4 X9 S/ p│  │      12 - 3 - 11.3) Exchange Economies and Externalities (9-18).mp4
4 y/ z1 N) A# u/ H│  │      12 - 4 - 11.4) Time to Convergence and Optimality (8-04).mp4- X# T2 |! ?3 h. E: O
│  │      12 - 5 - 11.5) Lyapunov- Fun and Deep (8-40).mp4
8 w5 j2 O+ X" y9 F│  │      12 - 6 - 11.6) Lyapunov or Markov (7-24).mp4
: k; B; c3 R; x7 ?" v1 {│  │      
; V, ^7 W: K1 x( z& V0 _8 e- J5 m│  ├─Section 12 Coordination and Culture* y! a% _, m' M! o+ I
│  │      13 - 1 - 12.1) Coordination and Culture (3-37).mp40 N# n+ b, J( H7 T
│  │      13 - 2 - 12.2) What Is Culture And Why Do We Care- (15-43).mp4
5 |: e; V0 H: u& F, L│  │      13 - 3 - 12.3) Pure Coordination Game (13-48).mp4
6 ~: Y5 t& A  _) M8 C│  │      13 - 4 - 12.4) Emergence of Culture (11-01).mp4
7 X7 }) T3 K6 Z% X/ z  E│  │      13 - 5 - 12.5) Coordination and Consistency (17-03).mp4
% w5 O) j: J# d- C: D│  │      - c: f# P2 S8 }3 [+ V6 x8 @
│  ├─Section 13 Path Dependence) M) A/ s( Q  R2 b4 }7 P0 u0 V6 X  A
│  │      14 - 1 - 13.1) Path Dependence (7-23).mp4
# e: V* [& h4 j) R& V│  │      14 - 2 - 13.2) Urn Models (16-26).mp4
+ n1 v$ R1 j* K( q│  │      14 - 3 - 13.3) Mathematics on Urn Models (14-46).mp4" _3 a/ z( g' _' Z7 _
│  │      14 - 4 - 13.4) Path Dependence and Chaos (11-08).mp4
/ h' J/ Q& k1 d- f│  │      14 - 5 - 13.5) Path Dependence and Increasing Returns (12-31).mp4
+ y; M# v% N5 X1 @- q│  │      14 - 6 - 13.6) Path Dependent or Tipping Point (9-52).mp4, l1 t/ F( v. f& I
│  │      
  j& Z# m/ e- p" c│  ├─Section 14 Networks0 g+ R& ~- G4 N
│  │      15 - 1 - 14.1) Networks (7-04).mp4
: g% B7 t' g+ j/ T1 e: G│  │      15 - 2 - 14.2) The Structure of Networks (19-30).mp45 ?& T( X3 e8 ?8 A$ ^( N5 i- b
│  │      15 - 3 - 14.3) The Logic of Network Formation (10-03).mp4
  q' x- T7 v5 s│  │      15 - 4 - 14.4) Network Function (13-10).mp4! \# j% ?6 L" d5 L
│  │      
# D' G' M( A$ |# G1 ?! C│  ├─Section 15 Randomness and Random Walks/ p0 ]" C( g6 [' o( O8 E
│  │      16 - 1 - 15.1) Randomness and Random Walk Models (3-05).mp4+ k  H2 K& z  t$ @# ^- Z
│  │      16 - 2 - 15.2) Sources of Randomness (5-15).mp4
) `9 a( q- T+ l/ m* q$ l│  │      16 - 3 - 15.3) Skill and Luck (8-28).mp4
% d1 e' C. j5 S' i1 Q, T- w│  │      16 - 4 - 15.4) Random Walks (12-29).mp4
* @3 c% |! u5 h# f: j6 J/ w│  │      16 - 5 - 15.5) Random Walks and Wall Street (7-51).mp4
& @; g6 A% {! f: q' `│  │      16 - 6 - 15.6) Finite Memory Random Walks (8-18).mp4! o2 S4 k6 l4 O  c$ R$ t- ]
│  │      " O) P4 U; X; J: D3 s8 j6 g
│  ├─Section 16 Colonel Blotto8 X6 N2 ]5 p0 C  A! q
│  │      17 - 1 - 16.1) Colonel Blotto Game (1-53).mp4
$ X' I4 |% _) }8 O2 D0 s( ~8 w6 a│  │      17 - 2 - 16.2) Blotto- No Best Strategy (7-27).mp4
6 N" S% L- j' x│  │      17 - 3 - 16.3) Applications of Colonel Blotto (7-08).mp4
* e7 M5 z4 d: x" Z5 r- J7 N│  │      17 - 4 - 16.4) Blotto- Troop Advantages (6-27).mp4
' ?8 ]/ L1 Z6 |. e4 _│  │      17 - 5 - 16.5) Blotto and Competition (10-41).mp4/ h# B- b5 _: D- F  m( j/ g
│  │      9 R8 {6 E% O! |3 A% W5 `2 Z- W
│  ├─Section 17 prison-ners' Dilemma and Collective Action5 `; J+ Y6 T! p2 g- J  `! O
│  │      18 - 1 - 17.1) Intro- The Prison-ners-' Dilemma and Collective Action (3-44).mp45 i& b! D) n5 |; r  F
│  │      18 - 2 - 17.2) The Prison-ners-' Dilemma Game (13-45).mp4- W& p7 g* H5 e7 C  S
│  │      18 - 3 - 17.3) Seven Ways To Cooperation (15-20).mp4% H, \' h0 o1 R0 e
│  │      18 - 4 - 17.4) Collective Action and Common Pool Resource Problems (7-23).mp4
& H: [, \- @' H│  │      18 - 5 - 17.5) No Panacea (6-03).mp4
3 O# I9 P/ O: T& e8 ^& M( r' a│  │      % U" ^" r9 \+ x: j! C4 N6 \( Y
│  ├─Section 18 Mechanism Design
' u! j3 s7 N" Z. f: t│  │      19 - 1 - 18.1) Mechanism Design (4-00).mp4
7 G. F5 y) T# W& J8 `: h  s│  │      19 - 2 - 18.2) Hidden Action and Hidden Information (9-53).mp4
  g7 b/ ]& h) Q( r│  │      19 - 3 - 18.3) Auctions (19-59).mp4
+ m; \! N' e8 [, D3 N/ V│  │      19 - 4 - 18.4) Public Projects (12-21).mp4! N- K4 f+ O+ ~' D1 N, w
│  │      * b0 V- S4 {0 u: q+ y" p0 d+ O
│  ├─Section 19 Learning Models Replicator Dynamics
4 J& J1 H; R. q( |. y2 x│  │      20 - 1 - 19.1) Replicator Dynamics (4-37).mp4
/ q/ t8 T, O' s5 \- M, D0 x│  │      20 - 2 - 19.2) The Replicator Equation (13-29).mp48 D+ u+ M1 f! D+ A& Z1 ]
│  │      20 - 3 - 19.3) Fisher-'s Theorem (11-57).mp4
, x) k7 Y+ x: D! D│  │      20 - 4 - 19.4) Variation or Six Sigma (5-39).mp43 }8 l- D- U9 f3 z
│  │      
0 w" Q4 s1 b6 j# q6 y│  └─Section 20 Prediction and the Many Model Thinker" m! g8 b* b6 H& t. n7 K, ?8 a
│          21 - 1 - 20.1) Prediction (2-25).mp4
- c5 I- R/ _9 M  P│          21 - 2 - 20.2) Linear Models (5-02).mp4& \9 e1 x  n0 A8 O# ]
│          21 - 3 - 20.3) Diversity Prediction Theorem (11-54).mp4  l: w) l8 X! C3 l: z( J
│          21 - 4 - 20.4) The Many Model Thinker (7-11).mp4
6 V+ X, ]* _/ H* W│         
* l0 o4 W/ G$ w# t( {  d├─modelthinkingzh-001+ ~5 P- H. |7 k1 G$ `+ m* u- S
│  │  Model Thinking Resources.pdf! C9 X; h9 j" o$ c7 e4 l+ F
│  │  Model Thinking Resources_2.pdf: M' K) F$ a/ ?; T% ]; O
│  │  modelthinking.01.01.PPT.pdf
  x6 c* r- i6 K$ J, V5 l4 `8 G│  │  modelthinking.01.02.PPT.pdf
9 A! U* H6 W4 y0 @; S9 a" K7 j│  │  modelthinking.08.07.PPT.pdf! }* e5 r* P) ?  j
│  │  - C& U# O7 n: ~2 `: u% [  G5 E$ B4 G
│  ├─week016 f$ B2 c  ^8 [" _; V9 [3 Z: _
│  │      1 - 1 - 1.1 欢迎和致谢 Welcome & Thanks (3-58).mp41 U8 t/ c2 h7 F9 h! X
│  │      1 - 2 - 1.2 一对多和多对一 One to Many & Many to One (8-59).mp4
  I6 j; p. x0 z- [  r( M, x  J│  │      1 - 3 - 1.3 为什么要运用模型 Why Model- (8-53).mp4
- ~! k8 }' D2 k& d" G│  │      1 - 4 - 1.4 睿智的世界公民 Intelligent Citizens of the World (11-31).mp4
! J, @- p) r. Z8 i& U│  │      1 - 5 - 1.5 思考更清晰 Thinking More Clearly (10-50).mp4
  G4 k3 y; {3 d/ [, X│  │      1 - 6 - 1.6 使用和理解数据 Using & Understanding Data (10-14).mp44 J: A: b7 ~2 r, X" |) P! ^6 q
│  │      1 - 7 - 1.7 使用模型做决定、策略和设计 Using Models to Decide, Strategize & Design (15-26).mp4
8 ^' \$ v+ K) U  G8 H# {- [* `: r8 _& t│  │      
2 B+ l$ n- w3 ~2 x│  ├─week02
: i" v8 q5 ?' r" o│  │      2 - 1 - 2.1 分类和同群效应简介 Sorting & Peer Effects Introduction (5-11).mp41 A8 ^* O+ U8 ^0 g# I1 _
│  │      2 - 2 - 2.2 谢林的隔离模型 Schelling-'s Segregation Model (11-30).mp4
" v  k" ?! y+ _5 U9 g7 k│  │      2 - 3 - 2.3 测量隔离 Measuring Segregation (11-30).mp4
: L9 |( c  s0 s6 x5 F9 `, E│  │      2 - 4 - 2.4 同群效应 Peer Effects (6-58).mp41 G3 X) V3 d/ j1 I
│  │      2 - 5 - 2.5 起立鼓掌模型 The Standing Ovation Model (18-05).mp4$ _- q" Q2 w% Q, o4 \# x0 Q
│  │      2 - 6 - 2.6 识别问题 The Identification Problem (10-18).mp4
% o; x+ X* X! b│  │      
, Q6 U5 ^! d) J' i2 E) _│  ├─week03
+ \9 u/ }! W. Z- z; B3 b; U/ Q│  │      3 - 1 - 3.1) 聚合 Aggregation (10-15).mp4
! w0 g& S" N+ X3 u% _) i# ]│  │      3 - 2 - 3.2) 中心极限定理 Central Limit Theorem (18-52).mp48 W# m: j' J/ C. _- d* \
│  │      3 - 3 - 3.3) 六西格玛 Six Sigma (5-11).mp4* d) T# T7 B% u& @
│  │      3 - 4 - 3.4) 生命游戏 Game of Life (14-36).mp4
' R' O: J7 P, }8 n│  │      3 - 5 - 3.5) 细胞自动机 Cellular Automata (18-07).mp4
& u' W8 C# t) p│  │      3 - 6 - 3.6) 偏好聚合 Preference Aggregation (12-19).mp4) J- q0 n- K8 _; u
│  │        w* W6 ^, H- q" a) X( O# K5 r
│  ├─week04
! b3 H& M& n: S( J│  │      4 - 1 - 4.1) 决策模型介绍 Introduction to Decision Making (5-37).mp4
' P: L8 k! o) I3 V5 g" x7 r│  │      4 - 2 - 4.2) 多准则决策 Multi-Criterion Decision Making (8-18).mp4
' v) |: U( ?' j5 |  K2 s│  │      4 - 3 - 4.3) 空间投票模型 Spatial Choice Models (11-08).mp4
9 d% A; ?5 m; `: b│  │      4 - 4 - 4.4) 概率基础 Probability- The Basics (10-06).mp4, o' F* p4 I+ [* W8 G
│  │      4 - 5 - 4.5) 决策树 Decision Trees (14-38).mp4
" g8 X. o" j+ ^" u) i3 R- @│  │      4 - 6 - 4.6) 信息的价值 Value of Information (8-41).mp4
% a8 _2 ^" y- f% z( T& g& s│  │      
- k+ u7 \8 G# R0 {│  ├─week05' ~: Z" _, N8 w% T5 g7 W6 e
│  │      5 - 1 - 5.1) 人类模型:电子思维 Thinking Electrons- Modeling People (6-29).mp4
( b5 v6 L* W) M! i1 j│  │      5 - 2 - 5.2) 理性行为者模型 Rational Actor Models (16-09).mp4
9 Z& a! C/ @: B; i. B  [" O│  │      5 - 3 - 5.3) 行为模型 Behavioral Models (12-49).mp4
4 a1 H/ T3 t; X│  │      5 - 4 - 5.4) 基于规则的模型 Rule Based Models (12-30).mp4
# T6 S0 {0 a7 _+ i; M│  │      5 - 5 - 5.5) 行为什么时候重要?When Does Behavior Matter- (12-40).mp4
% U1 I4 N; ^& J8 U) T+ G" p│  │      
! p* o! u- I- {2 f, u+ b& _- N│  ├─week06! \2 B7 e/ `; x
│  │      6 - 1 - 6.1) 线性模型介绍 Introduction to Linear Models (4-27).mp44 V* K9 x1 c; Z  ]: R2 D5 e6 Y
│  │      6 - 2 - 6.2) 分类模型 Categorical Models (15-13).mp4
7 A$ H) R7 g8 r% F1 w% @3 P6 T│  │      6 - 3 - 6.3) 线性模型 Linear Models (8-10).mp4/ n! _3 [0 Q# |9 ?( X4 G
│  │      6 - 4 - 6.4) 拟合数据 Fitting Lines to Data (11-48).mp4" z9 V2 H* C+ o. |+ ?. F
│  │      6 - 5 - 6.5) 读取回归输出 Reading Regression Output (11-44).mp4
" F: a6 A8 N  z* Q# k6 |: b│  │      6 - 6 - 6.6) 从线性到非线性 From Linear to Nonlinear (6-11).mp4
# \0 r8 K& ~! L6 H  G1 A, [9 g│  │      6 - 7 - 6.7) 大系数和新现实思维 The Big Coefficient vs The New Reality (11-26).mp4" V9 c0 R' x. D5 [6 d- }; g
│  │      
" j  W" _" f8 E& f+ b│  ├─week07
) D5 m# q- X% m1 [│  │      7 - 1 - 7.1) 临界点 Tipping Points (5-58).mp4
0 O$ ?  B8 k# R. s4 a3 A; X1 u: Y│  │      7 - 2 - 7.2) 渗透模型 Percolation Models (11-48).mp4
& ^' j9 m' c% N' D0 Z│  │      7 - 3 - 7.3) 传染病模型 1- 扩散 Contagion Models 1- Diffusion (7-24).mp4
; z" C5 B0 @- ]5 W1 L& ]3 s│  │      7 - 4 - 7.4) 传染病模型 2- SIS模型 Contagion Models 2- SIS Model (9-12).mp48 d1 R$ z" m. n. z" m! A$ n
│  │      7 - 5 - 7.5) 划分临界点 Classifying Tipping Points (8-26).mp4, i/ u$ \8 O2 F0 Y: Z2 p
│  │      7 - 6 - 7.6) 测量建议 Measuring Tips (13-39).mp4
4 E! T+ ^( e* w/ ^2 g9 s│  │      7 N' {/ j: l8 G# C6 e  e8 X
│  ├─week08
! s( M" k- O# H1 f' T; B! O│  │      8 - 1 - 8.1) 增长介绍 Introduction To Growth (6-43).mp4
! n  J2 x9 L: a0 b│  │      8 - 2 - 8.2) 指数增长 Exponential Growth (10-53).mp4
2 N- @; u' E* t* Y, I* e7 U│  │      8 - 3 - 8.3) 基础增长模型 Basic Growth Model (13-59).mp49 p% O- X& P/ T* _  _3 q6 b0 M1 p, N
│  │      8 - 4 - 8.4) 索洛增长模型 Solow Growth Model (11-41).mp47 F0 f7 t+ _0 s' n5 d  s
│  │      8 - 5 - 8.5) 中国会持续增长吗?WIll China Continue to Grow- (11-55).mp4* J$ }" n- [- @+ m* A! {5 g
│  │      8 - 6 - 8.6) 为何一些国家没有增长?Why Do Some Countries Not Grow- (11-30).mp4- V: _; V" u- r! v
│  │      8 - 7 - 8.7) 皮凯蒂的资本论- 一个简单模型的力量 Piketty-'s Capital- The Power of a Simple Model (8-41).mp4. A% e; |+ C1 F, n) V8 j, s
│  │      
! T* n$ _# ^7 y7 ~2 m8 S3 Z│  ├─week09& b" E" I! B, d5 b/ J# f# V
│  │      9 - 1 - 9.1) 问题解决和创新 Problem Solving and Innovation (5-06).mp4
) Y# O* S- m! h1 Q" L│  │      9 - 2 - 9.2) 视角与创新 Perspectives and Innovation (16-57).mp4
3 I6 `! ^8 _% |│  │      9 - 3 - 9.3) 启发式探索 Heuristics (9-29).mp4
1 Z% o1 _! H/ U$ Z5 I; }8 v% k& _. p│  │      9 - 4 - 9.4) 团队与问题解决 Teams and Problem Solving (11-05).mp4" ?, `5 e6 E1 h1 o
│  │      9 - 5 - 9.5) 重组 Recombination (11-02).mp44 l; l/ e- {# A
│  │      - b4 I+ m$ d# c" p7 x! u0 H2 _
│  ├─week10" j! ~( H0 ~! W" p% X
│  │      10 - 1 - 10.1) 马尔科夫模型 Markov Models (4-26).mp4( E( A% |5 F2 a8 R) j4 @
│  │      10 - 2 - 10.2) 一个简单的马尔科夫模型 A Simple Markov Model (11-27).mp43 z2 {: U* |2 x( D# b" e' B, g
│  │      10 - 3 - 10.3) 马尔科夫民主化模型 Markov Model of Democratization (8-21).mp4: g. f/ d0 b6 `+ e6 T( f- {1 G
│  │      10 - 4 - 10.4) 马尔科夫收敛定理 Markov Convergence Theorem (10-33).mp4
, W$ ^) Q. }6 s│  │      10 - 5 - 10.5) 马尔科夫模型延伸 Exapting the Markov Model (10-11).mp4
, \- J! W, C- O6 z│  │      
# |& F( h2 c# t│  ├─week11
; t( K* u/ v4 D, {1 R) U│  │      11 - 1 - 11.1) 李雅普诺夫函数 Lyapunov Functions (9-13).mp40 ~3 N7 x3 p3 A6 b* T
│  │      11 - 2 - 11.2) 城市的组织 The Organization of Cities (12-14).mp48 m; ]1 A' r, j" t7 E
│  │      11 - 3 - 11.3) 交换经济与外部效应 Exchange Economies and Externalities (9-18).mp4; u8 r. s5 q- d7 ~: I
│  │      11 - 4 - 11.4) 达到收敛与最优的时间 Time to Convergence and Optimality (8-04).mp4
. V1 T) O, X8 S│  │      11 - 5 - 11.5) 李雅普诺夫函数深入 Lyapunov- Fun and Deep (8-40).mp4+ |1 H: J# S5 v  J4 ]5 ^; A
│  │      11 - 6 - 11.6) 李雅普诺夫或马尔科夫函数 Lyapunov or Markov (7-24).mp4
" r5 e7 w$ Y& y! E% U4 G│  │      6 m  x% v: @0 N  Z7 R) d
│  ├─week12" _3 O& V9 p. t1 Y2 e4 ?
│  │      12 - 1 - 12.1) 协调与文化 Coordination and Culture (3-37).mp4* W$ l  w7 y9 j) N3 k
│  │      12 - 2 - 12.2) 什么是文化,我们为什么要关注 What Is Culture And Why Do We Care6 |7 O& L& q/ I: Z, n) h' s
│  │      12 - 2 - 12.2) 什么是文化,我们为什么要关注 What Is Culture And Why Do We Care- (15-43).mp4
; W  u7 r6 Z$ U& o+ z" S: [│  │      12 - 3 - 12.3) 纯协调博弈 Pure Coordination Game (13-48).mp4/ |7 l5 ?, y! e# D7 ]# Q1 Z! T
│  │      12 - 4 - 12.4) 文化的兴起 Emergence of Culture (11-01).mp4( {2 d3 f9 O5 a
│  │      12 - 5 - 12.5) 协调与一致 Coordination and Consistency (17-03).mp4$ ]3 z0 B, m$ h
│  │      
% B0 P4 U) B9 L+ Z│  ├─week13
" |0 B# F6 ~9 J6 E  G8 [│  │      13 - 1 - 13.1) 路径依赖 Path Dependence (7-23).mp4. |3 b6 v7 H  z) x9 t
│  │      13 - 2 - 13.2) 瓮模型 Urn Models (16-26).mp4
: {0 c& ~* e8 {8 E4 N2 K6 M│  │      13 - 3 - 13.3) 瓮模型中的数学 Mathematics on Urn Models (14-46).mp4
0 J! H: r) O" ~/ H│  │      13 - 4 - 13.4) 路径依赖与混乱 Path Dependence and Chaos (11-08).mp4" w% P( Z1 @' U% e2 G
│  │      13 - 5 - 13.5) 路径依赖与收益递增 Path Dependence and Increasing Returns (12-31).mp4
, i* H, J! l) w│  │      13 - 6 - 13.6) 路径依赖或临界点 Path Dependent or Tipping Point (9-52).mp4" c8 F) ^$ M1 _# ^
│  │      2 x+ i. F( y1 n6 M
│  ├─week14- V9 }$ ~4 x: C% P: ]$ D* ?
│  │      14 - 1 - 14.1) 网络 Networks (7-04).mp4% d" S) }. W8 x) Q
│  │      14 - 2 - 14.2) 网络的结构 The Structure of Networks (19-30).mp4
( G6 X- d3 _$ E. G. P│  │      14 - 3 - 14.3) 网络形成的逻辑 The Logic of Network Formation (10-03).mp45 a9 r7 c% X" R
│  │      14 - 4 - 14.4) 网络函数 Network Function (13-10).mp4
9 m; L- f3 s4 m│  │      
. ?; C. G$ x2 U/ q% f% ^3 t│  ├─week15( u/ o1 {* F4 N" x
│  │      15 - 1 - 15.1) 随机性和随机游走模型 Randomness and Random Walk Models (3-05).mp4
  c+ Q% x8 h# q│  │      15 - 2 - 15.2) 随机性的来源 Sources of Randomness (5-15).mp42 `/ i' L! W. I
│  │      15 - 3 - 15.3) 技能和运气 Skill and Luck (8-28).mp4
2 I6 P4 j* V! ~8 L2 y. N│  │      15 - 4 - 15.4) 随机游走 Random Walks (12-29).mp4
% U. s8 c) F2 T│  │      15 - 5 - 15.5) 随机游走和华尔街 Random Walks and Wall Street (7-51).mp48 i7 s1 A8 [9 p: i/ F
│  │      15 - 6 - 15.6) 有限记忆随机游走 Finite Memory Random Walks (8-18).mp4
- y9 D! h$ o0 k3 F: \! _9 O: B│  │      - s, H8 R3 F% H+ M9 \
│  ├─week16# }! C3 Z2 Y3 k) s1 t7 L8 w
│  │      16 - 1 - 16.1) 上校赛局博弈 Colonel Blotto Game (1-53).mp4
" A: f- ^7 f/ f4 r, m9 Y; B) G; F│  │      16 - 2 - 16.2) 上校赛局:无最佳策略 Blotto- No Best Strategy (7-27).mp4% H" }% _: z8 Z* J# [: M- K! Q
│  │      16 - 3 - 16.3) Blotto上校赛局的应用 Applications of Colonel Blotto (7-08).mp4
2 d4 {3 B) C1 S) A5 e$ E2 |7 q1 v│  │      16 - 4 - 16.4) Blotto上校赛局:军队优势 Blotto- Troop Advantages (6-27).mp4
- X' E! c! u: ~; V; A1 a│  │      16 - 5 - 16.5) 上校赛局和竞争 Blotto and Competition (10-41).mp41 I* o$ D* t5 t
│  │      
& i  Z6 w+ I: q* Q5 Q│  ├─week176 h7 c- a, J1 j' H! ]! U
│  │      17 - 1 - 17.1) 简介:囚徒困境和集体行动 Intro- The Prisoners-' Dilemma and Collective Action (3-44).mp4
' a! P1 V9 M/ n' ^% \, O│  │      17 - 2 - 17.2) 囚徒困境博弈 The Prisoners-' Dilemma Game (13-45).mp4+ ^4 m& m6 e8 C6 \* U# N
│  │      17 - 3 - 17.3) 合作的七种方式 Seven Ways To Cooperation (15-20).mp4' [, c2 g3 f( g; w) w1 ?6 b, |
│  │      17 - 4 - 17.4) 集体行动和公共资源问题 Collective Action and Common Pool Resource Problems (7-23).mp41 c' h4 f1 Y6 G+ w1 h/ c+ l8 N7 r* P
│  │      17 - 5 - 17.5) 没有万灵药 No Panacea (6-03).mp4
' k* s/ @9 @% ^4 D# ?9 S4 S2 o│  │      3 e3 C/ Y1 i# a6 z
│  └─week18( z+ s7 \/ U7 N& ]8 V, M$ X
│          18 - 1 - 18.1) 机制设计 Mechanism Design (4-00).mp4
$ t5 @, E/ D+ R# X│          18 - 2 - 18.2) 隐藏行动和隐藏信息 Hidden Action and Hidden Information (9-53).mp4: W8 B4 P# q5 w
│          18 - 3 - 18.3) 拍卖 Auctions (19-59).mp4
) O% Y+ |) Q& }4 H3 m│          18 - 4 - 18.4) 公众项目 Public Projects (12-21).mp4( f: r; g% C8 V  I( {
│          + a. H# Z/ W$ i" r3 [. f, K. z
├─R Programming# {$ j- R# Q9 Z2 q
│  ├─Background Material
4 @0 C2 g2 i0 |4 K7 N% n│  │      1 - 1 - Installing R on Windows.mp4/ k( q" L6 P* V- Q; a# B" z
│  │      1 - 1 - Installing R on Windows_2.mp44 W0 v; G2 r- P3 q- o/ b  p
│  │      1 - 2 - Installing R on a Mac.mp4
& w( c2 j. h/ O: U3 i│  │      1 - 3 - Installing R Studio (Mac).mp4
3 o9 E: s5 ]' @! W│  │      1 - 4 - Writing Code _ Setting Your Working Directory (Windows).mp4
$ I" r! O7 |& g6 X│  │      1 - 5 - Writing Code _ Setting Your Working Directory (Mac).mp43 u; V1 g8 t7 U3 b: D
│  │      1 - 6 - Use R version 3.1.1.mp4
2 Y2 G( A  l% W* w│  │      ( B6 l' P# N  Y
│  ├─Week 1) `3 D7 `# @$ Y5 G
│  │      2 - 1 - Introduction.mp4
- ]+ u6 ?+ K& O% ~- U  N│  │      2 - 10 - Reading and Writing Data (part 1) [12-55].mp4, E9 M9 C' F' V' T8 w) W
│  │      2 - 11 - Reading and Writing Data (part 2) [9-30].mp4; I& p# a0 z: r% _+ _
│  │      2 - 12 - Introduction to swirl.mp4; B7 E. I4 Z! ]* ?
│  │      2 - 2 - Overview and History of R [16-07].mp4
; ~( \1 A; @0 s8 M* d│  │      2 - 3 - Getting Help [13-53].mp4* m' \1 O  n8 h1 \2 [  O% J
│  │      2 - 4 - Data Types (part 1) [9-26].mp4
. L( f- ?; X% ]$ H2 v& }+ K│  │      2 - 5 - Data Types (part 2) [9-45].mp4
- V5 l2 m3 q; U│  │      2 - 6 - Data Types (part 3) [11-51].mp47 x2 C( ?) U& a7 g4 a( v5 O
│  │      2 - 7 - Subsetting (part 1) [7-01].mp4
& {( K- m8 O* L: y│  │      2 - 8 - Subsetting (part 2) [10-18].mp4* _7 B: B* Z( [
│  │      2 - 9 - Vectorized Operations [3-46].mp4- f. h# G& T" G) L  g5 r3 z8 o! |
│  │      DataTypes.pdf$ w% X' _1 y$ m- S3 E3 f
│  │      help.pdf" N' |" S4 m7 r8 S1 v, T  Z1 X
│  │      OverviewHistoryR.pdf1 Q2 t: m2 h; I3 \3 l
│  │      reading_data_I.pdf8 X& X, {  T1 S. V  I( x5 o
│  │      reading_data_II.pdf/ _6 L; D# }! R" K2 O
│  │      Subsetting.pdf% n8 O+ g6 p( P0 W6 D
│  │      Vectorized.pdf
1 O/ |5 q+ {9 J7 _# S│  │      
/ o, y% o; R' t: r2 B│  ├─Week 2. H( {# ~) l4 R# n5 A  Z1 W
│  │      3 - 1 - Control Structures (part 1) [7-10].mp4
: Z9 o3 B. I2 `3 u$ P% O│  │      3 - 10 - Dates and Times [10-29].mp4
" m0 |6 N+ v/ S3 q( @│  │      3 - 2 - Control Structures (part 2) [8-11].mp40 k; K! M% D3 O* n2 N( B) C. G' o
│  │      3 - 3 - Your First R Function [10-29].mp4
' q; j& r! F+ z0 O: c│  │      3 - 4 - Functions (part 1) [9-17].mp4
; }) @3 b# X+ D' \$ A5 b. a│  │      3 - 5 - Functions (part 2) [7-13].mp4
0 i7 g' B; m6 d( J6 L- |│  │      3 - 6 - Scoping Rules (part 1) [10-32].mp4* b* C5 d. p( `/ a. q+ I1 R
│  │      3 - 7 - Scoping Rules (part 2) [8-34].mp4
, d9 n! W" a- O8 R" G! ~│  │      3 - 8 - Scoping Rules (part 3) [9-21].mp4
. Z8 `. e' x) O7 B│  │      3 - 9 - Coding Standards [8-59].mp4
% ^6 {; n. g8 ], f) z( a  U% e│  │      CodingStandard.pdf
# V$ X+ \$ L' P* M, W$ J│  │      ControlStructures.pdf' R" P& v9 `: v2 i0 }
│  │      Dates.pdf$ ]6 j. l+ I7 _2 t" X( |" f$ _
│  │      functions.pdf% |7 p1 n( `/ Y. o3 u) Z" R9 g
│  │      Scoping.pdf) d' q: c6 z/ o
│  │      
* `0 [0 g; R& c0 [/ f5 F│  ├─Week 35 x1 a) \$ D. R: e7 Z% h
│  │      4 - 1 - lapply [9-23].mp4
, g: a- q* `* s: Z9 i8 E│  │      4 - 2 - apply [7-21].mp4. H( s9 ~& [. d) Z
│  │      4 - 3 - mapply [4-46].mp43 U3 G! y5 v/ O
│  │      4 - 4 - tapply [3-17].mp4
4 h' L( b! Z6 g+ @) z│  │      4 - 5 - split [9-09].mp4
; }/ T( v* }1 j) ^/ w│  │      4 - 6 - Debugging Tools (part 1) [12-33].mp4- [: q/ _. I$ q7 v
│  │      4 - 7 - Debugging Tools (part 2) [6-25].mp4; V, ~' a. z5 m+ y& S0 Z
│  │      4 - 8 - Debugging Tools (part 3) [8-21].mp4' h7 u0 W5 a# O# G
│  │      apply.pdf$ w! y) Q0 e% h# @
│  │      debugging.pdf
" @! |/ T+ j4 `% Y1 G0 X│  │      mapply.pdf/ n" u! `2 d: i
│  │      split.pdf% p( n1 v, b# e2 @5 s  n
│  │      tapply.pdf9 b: V4 D& E8 A3 f! y6 @/ I
│  │      
5 M) y$ I( Y- D0 L6 \9 {, N│  └─Week 4
& Q# o( p& T8 R4 a7 h- a! n5 [│          5 - 1 - The str Function [6-08].mp4, T! K, {- s2 x  ?# d5 G7 D
│          5 - 2 - Simulation (part 1) [7-47].mp4
& c& E% N8 Q! R' r  x* Y│          5 - 3 - Simulation (part 2) [7-02].mp41 {' B; f- s% _# \( W
│          5 - 4 - R Profiler (part 1) [10-39].mp4& ]- f) e; N% G" I2 ~) ?( T6 l, n
│          5 - 5 - R Profiler (part 2) [10-26].mp4( q' u* h( A" j  k8 U# z* H
│          profiler.pdf
8 E4 a1 M: p2 Y& U8 c│          simulation.pdf9 @* S) Z, s5 |  ?, Z( D: w
│          ; E/ S1 O8 v3 D& \7 x/ k9 @
├─Stanford Statistical Learning 2014' ~4 d7 ^5 r* \3 R: i/ M% J
│      JohnChambers_Interview_111213.mov. b2 |! G) R8 D
│      Lecture+5_Trevor_Rstudio+v2+111113.mov4 o8 E* I+ r; J) [9 F
│      lecture_7+r-regression+v2+111113.mov) V7 T% i' |9 W: |5 X1 [9 r# P
│      StatsLearning_Lect1-2a_111213_v2(1).mov& @! S8 D. [$ v: m: t; k- F2 W
│      StatsLearning_Lect1-2a_111213_v2.mov
$ \" p4 h. a0 Q3 r│      StatsLearning_Lect1-2b_111213_v2(1).mov1 H- r: N2 @' I  _+ ^
│      StatsLearning_Lect1-2b_111213_v2.mov
; D. G8 n: a6 n+ {4 A7 C$ s│      StatsLearning_Lect10a1_121213.mov! f- ^7 h9 g& t7 P7 n$ L. Z
│      StatsLearning_Lect10a1_121213_20140414172211.mov% J2 v2 o3 c% O  r1 @% C
│      StatsLearning_Lect10a2_121213.mov& j9 P# [' I& Q5 {+ h/ }
│      StatsLearning_Lect10a2_121213_20140414172338.mov
) n* ^6 Z5 u, Q% {│      StatsLearning_Lect10b_120213.mov8 `0 Q# `. m$ L: d" K3 ~- J2 W/ M
│      StatsLearning_Lect10b_120213_20140414172459.mov
+ E8 _0 Z* h/ V$ S: ]! z/ t│      StatsLearning_Lect10c_120213.mov
5 V1 T/ o% T! c$ f$ z% I│      StatsLearning_Lect10d_120213.mov
) i6 ^7 |: |, I; Y$ g& J│      StatsLearning_Lect10_R-C-validation_111213.mov) ?! d. ?  u; b6 l6 M
│      StatsLearning_Lect10_R-C-validation_111213_20140414170441.mov
, r+ w- C% i7 O7 w! l( P│      StatsLearning_Lect10_R-classification1_111213.mov) W& h( @+ F8 Q
│      StatsLearning_Lect10_R-D-bootstrap_111213.mov# p. n' x: v* ^
│      StatsLearning_Lect10_R-D-bootstrap_111213_20140414170544.mov
  V9 Q/ n- h4 S6 e$ z# L│      StatsLearning_Lect10_R-modelselection_A_111213.mov  P/ q9 }! x. c
│      StatsLearning_Lect10_R-modelselection_A_111213_20140414170719.mov; m  }1 ~  a+ O3 P' s8 q4 p8 b5 {
│      StatsLearning_Lect10_R-modelselection_B_111213.mov7 _/ l( V  q" c+ ]! g& g5 R( g8 D
│      StatsLearning_Lect10_R-modelselection_B_111213_20140414170850.mov) f2 @* d2 W$ g0 ^
│      StatsLearning_Lect10_R-modelselection_C_111213.mov
5 c* Y" I, m1 Z& K- C4 v│      StatsLearning_Lect10_R-modelselection_C_111213_20140414170942.mov) F7 E+ H4 B* }6 H! O
│      StatsLearning_Lect10_R-modelselection_D_111213.mov
  ^: W& _+ e+ P! J( z5 t& M│      StatsLearning_Lect10_R-modelselection_D_111213_20140414171158.mov
: L1 V5 n# k+ E3 @9 f│      StatsLearning_Lect10_R-trees-A_111213 (1).mov
5 |% ^$ ]5 `0 N* @. D│      StatsLearning_Lect10_R-trees-A_111213 (1)_20140414171343.mov
8 P8 i2 k; n( h' t( P0 K│      StatsLearning_Lect10_R-trees-A_111213.mov
& S# j$ v# l8 ]3 F3 F│      StatsLearning_Lect10_R-trees-A_111213_20140414171522.mov/ T' @2 k8 ?, G; u
│      StatsLearning_Lect10_R-trees-B_111213 (1).mov* v" e: Q" O* f' W/ Q
│      StatsLearning_Lect10_R-trees-B_111213 (1)_20140414171742.mov. D/ P' @) N2 k) m6 T* f3 L
│      StatsLearning_Lect10_R-trees-B_111213.mov
7 ^! T3 R9 F: u2 E1 {* W1 t│      StatsLearning_Lect10_R-trees-B_111213_20140414172009.mov
& J% n" u1 u6 O  n: K8 h- a: M│      StatsLearning_Lect11a_110913.mov
8 c. L- c4 `7 B6 A│      StatsLearning_Lect11b_110913.mov
, n. X. A( X: O5 a+ C  K│      StatsLearning_Lect11c_110913.mov
7 Y' Y' l* a; W, U: U+ m│      StatsLearning_Lect11d_110913.mov: ?6 d9 `+ W9 ]6 F
│      StatsLearning_Lect12a_111113.mov7 v" V: x: M/ T6 N
│      StatsLearning_Lect12b_111113.mov! S$ t: N2 s9 p6 p6 e+ J
│      StatsLearning_Lect12c_111113.mov
% I; `) N, `% R8 v, c3 P/ s9 b& d) C│      StatsLearning_Lect12d_111113.mov( [3 c7 j- W& l' E- d7 g
│      StatsLearning_Lect12e_111113.mov
. n( C- q8 A3 N, i1 o1 l6 R│      StatsLearning_Lect12_R-SVM-A_111213.mov( A' T" U7 g: I
│      StatsLearning_Lect12_R-SVM-B_111213.mov; k8 J9 i( P7 v5 y
│      StatsLearning_Lect3-4a_110613(1).mov
5 ~/ P. Q5 q+ z+ @! S│      StatsLearning_Lect3-4a_110613.mov  V' M- \# B: \( q6 W. |; ]
│      StatsLearning_Lect3-4b_110613.mov
9 u2 [, X/ A0 y, |, N8 z│      StatsLearning_Lect3-4c_110613 (1).mov
+ j3 F3 w* Z% f8 F# L│      StatsLearning_Lect3-4c_110613.mov9 V( y) g* ^+ L1 s8 t
│      StatsLearning_Lect3-4d_110613.mov; N( P: w, e8 ]
│      StatsLearning_Lect5a_112113.mov
. V/ F, `4 w4 C│      StatsLearning_Lect5b_110613.mov6 v" m$ p7 k% \4 k5 z
│      StatsLearning_Lect5c_110613.mov
  r# s$ D: h/ P! ]# ?0 ]│      StatsLearning_Lect5d1_110613.mov. {, [/ |. V- I; @! A
│      StatsLearning_Lect5d2_110613.mov
2 g% G% B6 y3 A4 f/ Y│      StatsLearning_Lect6a_110613.mov/ Z& R" a# h& q6 W
│      StatsLearning_Lect6b_110613.mov" n6 }! {) A4 S  M" Y, d
│      StatsLearning_Lect6c_110613.mov& F! S  E9 F/ \3 ?' i
│      StatsLearning_Lect6d_110613.mov
- P/ W' e( u/ q( \│      StatsLearning_Lect6e_110613.mov
! J& l9 n& i7 u" d│      StatsLearning_Lect6f_111113new.mov
& Y% l. k# X8 @: B; _1 ~│      StatsLearning_Lect6g_111113new.mov+ d0 y" u& G+ L, e1 X
│      StatsLearning_Lect6h_111113.mov( H5 ?& Z4 p2 I  g+ W" M
│      StatsLearning_Lect7a_110613.mov
! f* E3 Y+ E- `9 J9 Z│      StatsLearning_Lect7b_110613.mov
, T5 j& U: D( k3 j( X! m2 i' \│      StatsLearning_Lect7c_110613.mov. ?- q* r- A9 N5 L; @& o
│      StatsLearning_Lect7d_110613.mov
( ^4 n" |9 w" c* [│      StatsLearning_Lect7e_110613.mov
! j) W) I4 T/ p( O│      StatsLearning_Lect8a_110913.mov
5 U" O" X3 V+ c│      StatsLearning_Lect8b_110913.mov
" g5 k, C5 S& A0 D# g, V6 ]0 q" B" |5 C│      StatsLearning_Lect8c_110913.mov
, c* i  u/ [7 V│      StatsLearning_Lect8de_110913.mov$ R! _0 n8 U3 j# @
│      StatsLearning_Lect8f_110913.mov) Y. ~2 k) k1 T0 ~
│      StatsLearning_Lect8g_110913.mov
' u. B. }3 g3 Z. S, s3 z8 b, S│      StatsLearning_Lect8h_110913.mov
6 \5 g! B! |% X/ @│      StatsLearning_Lect8i_110913.mov
6 V2 l5 a% {7 J- W2 P│      StatsLearning_Lect8j_110913.mov
. k/ W/ c5 I8 M7 d' P# J8 A│      StatsLearning_Lect8k_110913.mov- O0 ?; a/ J( @! C$ r
│      StatsLearning_Lect9a_110913.mov
$ J1 d1 m  v4 v* r( D3 o│      StatsLearning_Lect9b_110913.mov
" ?0 d! ?' A& V/ X; P& L│      StatsLearning_Lect9c_110913.mov
% I7 j: \+ S! Z7 C2 X! y) z5 M│      StatsLearning_Lect9d_110913.mov
9 J1 i. ]3 h* Y2 a│      StatsLearning_Lect9d_110913_20140414170305.mov7 {7 q  O' k  i1 P& }. P. |( ~
│      StatsLearning_R-Unsupervised_A_112713.mov8 a; A9 _0 r. L
│      StatsLearning_R-Unsupervised_B_112713.mov
8 j3 ~2 `5 r, e0 M! C│      StatsLearning_R-Unsupervised_C_112713.mov
- d0 U; R2 f& L! l│      
" S) ~/ R7 X3 b( z& r# s└─The Data Scientist’s Toolbox
4 e$ G, v. t8 @2 x4 E0 [    │  genesblind.tab.zip
2 O# m% c2 F; M5 A& r  G    │  genestrain.tab.zip" W( t# K$ O4 @8 \- x
    │  hw3data.zip
7 o9 }6 ?& x) ^: y* v$ c4 N/ j$ C    │  homework2.pdf
' q4 x0 d4 Y! y! i. R, X: V    │  HW6.pdf& g# R3 A: o& {
    │  web intelligence and big data--笔记-2012.pdf9 [: W' ^! {" G6 [- O
    │  5 x$ c3 @& G' J2 Z5 G
    ├─01_Unit_0-_Introduction
+ I: {7 C/ x! X) m( h7 r& o, t    │      01_0-0_Preamble.mp4% x" a8 f( Z5 W! t  F
    │      02_0-1_Revisiting_Turings_Test.mp4
1 d( g# _7 n3 z: h% v    │      03_0-2_Web-Scale_AI_and_Big_Data.mp4
5 y8 P6 \* t/ w2 Q) b/ \$ D1 M    │      04_0-3-1_Web_Intelligence.mp4
5 _4 Z' \) |. W, E    │      05_0-3-2_Big_Data.mp48 q2 p1 z, e' W2 X" g
    │      06_0-4_Course_Outline.mp4& Q" ]% m. f/ @& @. c. A
    │      07_0-5_Recap_and_Preview.mp4
0 o& \& c  g8 i    │      8 P6 H( t  h/ j. ]7 O
    ├─02_Unit_1-_Look9 b' k$ Y3 O( @+ l+ c
    │      01_1-1_Basic_Indexing.mp4: D5 x) Y3 X2 @
    │      02_1-2_Index_Creation.mp4
# G) R. X, U2 Q3 q    │      03_1-3_Complexity_of_Index_Creation.mp4. H' S. k/ C. o
    │      04_1-4-1_Ranking_-_1.mp4% Z$ n( I4 l$ Q, ]- i# M: P
    │      05_1-4-2_Ranking_-_2.mp4" k4 q7 |6 H! H2 L8 O6 r) Y. I7 A# S
    │      06_1-5-1_Page_Rank_and_Memory.mp4
% c1 i9 p+ f; M2 j' h, ^# V    │      07_1-5-2_Google_and_the_Mind.mp4) \* w9 e* ^- B1 y$ o$ E9 A+ z' f
    │      08_1-6-1_Enterprise_Search.mp4+ w$ x) l( i- R' T1 c) j
    │      09_1-6-2_Searching_Structured_Data.mp4
5 @9 Z, Y) t7 i0 s) {7 T9 k0 l    │      10_1-7-1_Object_Search.mp45 O; |& {4 j+ g( R: M# v1 Q; ?
    │      11_1-7-2_Locality_Sensitive_Hashing.mp4
# ]5 h" Q0 ^( t8 {    │      12_1-7-3_LSH_Example_-_1.mp4
# o  h! ]: D* E0 f    │      13_1-7-4_LSH_Example_-_2.mp41 a3 }1 C2 ?, M& L% i% |# A5 X+ y
    │      14_1-7-5_LSH_Intuition.mp4
! I3 h+ H& h% R" k" g" n    │      15_1-7-6_High-dimensional_Objects.mp4
  d  e0 b0 m& K    │      16_1-7-7_Associative_Memories.mp4
1 k) j" s- x0 `6 G7 p# p! ]    │      17_1-7-8_Recap_and_Preview.mp4
: z# r1 ]& _5 q  H' g) F    │      
/ D* G$ a/ z  {" {6 T3 j# Z    ├─03_Unit_2-_Listen
; z& Q4 o3 P% B6 c# i% G    │      01_2-1_Preamble_-_Listen.mp4
# p* E0 w0 y, r    │      02_2-2_Shannon_Information.mp4! j! n! u& x& D$ ^% w
    │      03_2-3_Information_and_Advertising.mp4+ T: o3 {$ i5 R) a, ~
    │      04_2-4_TF-IDF.mp4
! n( x: Y3 X/ K' z    │      05_2-5_TF-IDF_Example.mp4( @% {6 O" |' R! l
    │      06_2-6_Language_and_Information.mp4
2 O8 p# [& M3 j( b( _+ p( A( ^3 a    │      07_2-7_Machine_Learning_Intro.mp46 i( M' R8 U4 K! l
    │      08_2-8-1_Bayes_Rule.mp46 R8 S. z- }# s# N3 t$ s
    │      09_2-8-2_Naive_Bayes.mp42 J' E9 I5 C3 Z6 C6 B" Z
    │      10_2-9_Sentiment_Analysis.mp4: N% p4 ~& _/ e
    │      11_2-10_Mutual_Information.mp4
9 O5 k' u/ L2 g8 e% {3 f    │      12_2-11_Machine_Learning_-_Limits.mp4& s7 b0 |6 z  b8 J! e+ k; H; ]
    │      13_2-12_Recap_and_Preview.mp41 _6 J6 `! B0 E. {' I; }
    │      + b4 a# |  ]& G- r. v; W
    ├─04_Unit_3-_Load_-_I) E5 ?" }, b1 B9 ~
    │      01_3-1_Preamble.mp4
+ r& l+ t( m4 t5 H: n+ V. Z2 U    │      02_3-2_Parallel_Computing.mp4( B. z& [9 d# k" G% e8 I' f
    │      03_3-3_Map-Reduce.mp4
! t% ^/ Z4 L2 a, B5 g    │      04_3-4_Map-Reduce_Example_in_Octo.mp4
! L& v+ d% x. g3 L  u& e' Q    │      05_3-4-1_Map-Reduce_Example_in_Mincemeat.mp4. w. k+ I" p- O) p* w
    │      06_3-5_Map-Reduce_Applications.mp4
# a2 o! E5 ]1 R6 ?    │      07_3-6_Parallel_Efficiency_of_Map-Reduce.mp4- ?4 s2 O  c. Y, ~" @; u
    │      08_3-7_Inside_Map-Reduce.mp4
9 }( E1 _4 G" [+ z1 T& R. D/ O    │      
* A( D2 i. b! \0 ]5 p    ├─05_Unit_4-_Load_-_II
# \6 k/ O5 I# f1 _    │      01_4-0_Preamble.mp4
2 H( p5 i2 ]( ~3 M9 Y    │      02_4-1_Distributed_File_Systems.mp47 y! i& e3 }5 q- G8 T) @, ]
    │      03_4-2_Database_Technology.mp4: t( X  k* u! q: g
    │      04_4-3_Evolution_of_Databases.mp4
0 Q. {& k, M/ g# N/ l    │      05_4-4_Big-Table_and_HBase.mp4$ w( o  f1 Z; G( a- X
    │      06_4-5_NoSQL_and_Eventual_Consistency.mp41 \. M9 C7 o) g% V. [3 O( o
    │      07_4-6_Future_of_NoSQL_and_Dremel.mp43 Q: Z9 F. R- s" X* |+ U  a/ P7 w6 ^
    │      08_4-7_Evolution_of_SQL_and_Map-Reduce.mp4
7 R! R" w2 M3 ?6 F    │      09_4-8_Relational_vs_Big-Data_Technologies.mp4' P; E# x+ E) \" O; q- H
    │      10_4-9_Database_Trends_and_Summary.mp4
$ C- Y9 C& f" I' j* y9 G# D1 r    │      
# k7 a7 {- q6 ?7 o    ├─06_Guest_Lecture_1-_Graph_Databases
) a( W3 A( s% _2 U1 {    │      01_G1_Introduction_to_Graph_Data.mp4+ g" j: y( P% j9 T! u' ?* R9 w
    │      02_G2_Graph_Query_Languages.mp4
2 a+ Q- k& H) p2 M    │      03_G3_Linked_Open_Data.mp4
) ?( V$ m7 @  }! ^* y3 k2 _- R/ A- I    │      04_G4_Challenges_and_Efficiency.mp4, n/ ^* A9 Z% w$ C- D
    │      05_G5_Graph_Data_Management.mp4
7 F- U/ u$ m2 n0 Q3 c) E  L: B! H    │      06_G6_Q_amp_A.mp4
3 M' M* _6 i) a, A7 E& ]    │      
( Y6 d9 ~# t9 g6 ?: J  K! W    ├─07_Unit_5-_Learn; [" |6 P/ r2 a* B7 f' M* X
    │      01_5-1_Preamble.mp4
1 S$ t* s3 T9 J4 v    │      02_5-2_Classification_Re-visited.mp45 J+ {. W' u/ D( l
    │      03_5-3_Learning_Groupings_-_Clustering.mp4
" g  J' O% }5 p* X8 r+ W- e; T    │      04_5-4_Learning_Rules.mp4
7 X6 T. M6 A" m/ W+ O  `9 _3 M    │      05_5-5_Association_Rule_Mining.mp4. ^+ r/ D# D& `2 @
    │      06_5-6_Learning_with_Big_Data.mp4
" {% }( _1 `6 \1 J. X2 t    │      07_5-7_Learning_Latent_Models.mp4
0 c4 R( O. M3 Z* A    │      08_5-8_Grounded_Learning.mp4
4 E/ a! t3 _6 S( Q+ l7 j5 L    │      09_5-9_Recap_and_Preview.mp43 R8 ^7 ]3 z9 B% r) y
    │      : Q% w% j4 P$ y4 H* S! ^9 N0 H/ Y
    ├─08_Unit_6-_Connect
, a5 n  y$ W) w; s( T    │      01_6-1_Preamble.mp4, {# Y5 }! s$ Y4 ]6 \) R
    │      02_6-2_Logical_Inference.mp4) S/ H! {+ k. j- N* _
    │      03_6-3_Resolution_and_its_Limits.mp4
# W* A, w# G6 y7 n    │      04_6-4_Semantic_Web.mp4: b( T5 T2 |+ Q1 B
    │      05_6-5_Logic_and_Uncertainty.mp43 f0 k! I& J0 D4 J9 i8 S
    │      06_6-6_Algebra_of_Potentials.mp4
6 y' g% x0 A5 F. U$ P# V, e    │      07_6-7_Naive_Bayes_Revisited.mp45 J7 a" q, m9 y
    │      08_6-8-1_Bayesian_Networks_-_1.mp4
$ M. V  T) d$ I- |% z% @% O    │      09_6-8-2_Bayesian_Networks_-_2.mp4$ Z/ [. Q# {/ H5 l3 Y: |
    │      10_6-9_Information_Extraction.mp4  ^  u: w: M2 ]$ M- T+ [/ [$ S; Z
    │      11_6-10_Recap_and_Preview.mp4- o" i2 g$ W) h# N8 ?4 a
    │      12_6-11-Programming_HW_6.mp4
' P# P6 m: ~9 _4 `    │      
' \0 N- b* w  u0 J+ e% E! n+ X    ├─09_Unit_7-_Predict
0 D* C( l8 a5 }* F    │      01_7-1_Preamble.mp4
0 O) r' o: c( S    │      02_7-2_Linear_Prediction.mp48 y9 p& x" f& B2 b
    │      03_7-3_Least_Squares.mp4
+ c2 b7 j/ a9 X$ \! O% U$ o1 \  H% K    │      04_7-4_Nonlinear_Models.mp4
) p8 U; \! C+ x7 e1 V    │      05_7-5_Learning_Parameters.mp4% @6 ?' V! Y8 o% O4 J: n4 v6 \
    │      06_7-6_Prediction_Applications.mp4( Z' x; D( s1 T# G: a2 a
    │      07_7-7_Which_Technique.mp4
" q5 {- @6 c" F: w; x* A    │      08_7-8_Hierarchical_Temporal_Memory_-_I.mp4
' H6 i. A  U: ^  {% K8 Z: p  A4 Z    │      09_7-9_Hierarchical_Temporal_Memory_-_II.mp4& Q# L8 E! I$ J# ^$ P% {" M
    │      10_7-10_Blackboard_Architecture.mp4( E4 r2 D7 s# X; L
    │      11_7-11_Homework_Assignment-_Genomic_Data_Analysis.mp4' Q7 C- }  A1 F  W
    │      
* P9 X9 T8 p. O+ k    ├─10_Guest_Lecture_2-_Markov_Logic- f, W: G7 C6 q+ n7 Y! h6 S
    │      01_M1_Motivation.mp4
% b" f: o" V7 l1 Q    │      02_M2_Markov_Networks_and_Logic.mp4+ {$ G# R$ I. U4 H# W
    │      03_M3_Markov_Logic_via_an_Example.mp4
9 U2 R6 q: ~1 u- {    │      04_M4_Markov_Logic_Formalism.mp4
; i+ G( n! ]+ ^# J+ I' b    │      05_M5_Related_Models.mp4$ e) M8 v5 I( ]% A- ]+ d
    │      06_M6_Entity_Resolution_Example_-_1.mp4
3 x* I$ x  B3 X    │      07_M7_Entity_Resolution_Example_-_2.mp4
5 k2 U2 `8 ^, Q    │      08_M8_Social_Network_Analysis_using_MLN.mp4
/ w: k" R8 b0 _! e/ Q! S    │      09_M9_Research_Directions_in_Markov_Logic.mp4; G8 Q& S) q8 H, S# r
    │      
% W" m; ]+ c( q    ├─11_Wrap_up_and_Final_Exam7 p: n+ P) ?7 @; d
    │      01_Course_Recap_and_Pointers.mp46 n  x9 B# q0 v' W$ i& Z
    │      8 P; I! w; A- I/ W/ z
    ├─Lecture Slides! O( L  O" o$ i; F
    │      0-Introduction Lecture Slides.pdf  M; _" e0 T, {, N% A; l$ R
    │      1-Look Lecture Slides.pdf3 K9 h8 p$ ?8 m' \, w. H
    │      2-Listen Lecture Slides.pdf6 M  F& j: j: M8 u  Y
    │      3-Load-Lecture-Slides.pdf
' e# a4 X+ h; Z. S- d    │      4-Load Lecture Slides.pdf
7 b8 g* k& M" e5 q    │      5-Learn Lecture Slides.pdf: P6 N4 ^4 s1 B( r& r  {" `( Z
    │      6-Connect Lecture Slides.pdf
" _& D/ f7 A8 B# O4 @    │      8-Predict Lecture Slides.pdf
. T/ Q5 O: W% W( y) s. ]7 O: V8 J    │      
% m- j- S  a( b    └─Tools
9 F5 ~* v, I  g( l9 g- F; |            michaelfairley-mincemeatpy-v0.1.2-0-gfb642f3.zip' W$ r* \: j) l' n' a) F
            octopy-0.1.zip9 Y* f8 O1 Y* |( X, f5 Z# E$ a. p
            orange-win-w-python-snapshot-hg-2013-03-25-py2.7.exe
回复 支持 反对

使用道具 举报

lichaojingming [Lv7 精益求精] 发表于 2017-12-4 13:04:49 | 显示全部楼层
你知道么? 加2000人思科华为网络技术讨论群2258097 然后私聊群主 可以免费回答学习 工作中遇到的问题
回复 支持 反对

使用道具 举报

Rockyw [Lv10 举世无双] 发表于 2017-12-4 13:12:57 | 显示全部楼层
看帖看完了至少要顶一下!
回复 支持 反对

使用道具 举报

青述a [Lv6 略有所成] 发表于 2017-12-4 13:33:46 | 显示全部楼层
你知道么? 加2000人思科华为网络技术讨论群2258097 然后私聊群主 可以免费回答学习 工作中遇到的问题
回复 支持 反对

使用道具 举报

shaopingccie [Lv8 技术精悍] 发表于 2017-12-4 13:58:44 | 显示全部楼层
每天签到得积分 下载资料的同时也可以帮助别人 再也不用担心金币不够用了 http://bbs.vlan5.com/forum-97-1.html
回复 支持 反对

使用道具 举报

iminbj [Lv10 举世无双] 发表于 2017-12-4 14:01:05 | 显示全部楼层
攻城狮论坛弄的不错 请大家多多支持 http://bbs.vlan5.com
回复 支持 反对

使用道具 举报

happy850917 [Lv6 略有所成] 发表于 2017-12-4 14:06:04 | 显示全部楼层
轻松3步 无限次刷金币 每次200 只需20秒http://bbs.vlan5.com/thread-14477-1-1.html
回复 支持 反对

使用道具 举报

lishaomin [Lv5 不断成长] 发表于 2017-12-4 14:07:47 | 显示全部楼层
你知道么? 加2000人思科华为网络技术讨论群2258097 然后私聊群主 可以免费回答学习 工作中遇到的问题
回复 支持 反对

使用道具 举报

Thomas_Lee [Lv7 精益求精] 发表于 2017-12-4 15:06:23 | 显示全部楼层
每天签到得积分 下载资料的同时也可以帮助别人 再也不用担心金币不够用了 http://bbs.vlan5.com/forum-97-1.html
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

QQ|无图浏览|手机版|网站地图|攻城狮论坛

GMT+8, 2019-5-21 14:47 , Processed in 0.395430 second(s), 24 queries , Gzip On, Memcache On.

Powered by Discuz! X3.2 © 2001-2013 Comsenz Inc.

Designed by ARTERY.cn