本课程《用Python学人工智能》通过理论与实践紧密结合的方式，系统介绍人工智能核心知识。课程涵盖人工智能概述、知识表示、推理方法（产生式、自然演绎、归结、可信度等）、搜索策略、机器学习及神经网络等核心理论模块，并同步使用Python进行实战编程，实现搜索算法、对抗搜索、强化学习、贝叶斯网络及神经网络等关键算法，帮助学习者从基础到应用全面掌握人工智能原理与实现。

视频课程目录：
第1单元：人工智能概述 + Python语法基础
第2单元：知识表示 + Python语法进阶
第3单元：产生式推理 + 搜索算法实现
第4单元：自然演绎推理 + 启发式搜索实现
第5单元：归结演绎推理 + 对抗搜索实现
第6单元：可信度推理 + ExpectiMax算法实现
第7单元：主观Bayes推理 + MDP求解实现
第8单元：证据理论 + QLearning算法实现
第9单元：搜索策略 + 贝叶斯网络更新实现
第10单元：机器学习 + 贝叶斯网络推理实现
第11单元：人工神经网络 + 线性回归实现
第12单元：智能应用简介 + 神经网络实现




课程详细目录：
├─{01}--第1单元人工智能概述+Python语法基础
│ ├─{01}--理论课程：第一讲人工智能概述
│ │ [1.1.1]--1.1人工智能的概念.mp4
│ │ [1.1.2]--1.2人工智能的产生与发展.mp4
│ │ [1.1.3]--1.3人工智能研究的基本内容.mp4
│ │
│ └─{02}--实战演练：Python语法基础
│ (1.2.1)--电子课件.pdf
│ [1.2.10]--10_互动答疑.mp4
│ [1.2.1]--01_内容介绍.mp4
│ [1.2.2]--02_学习方法.mp4
│ [1.2.3]--03_安装开发环境.mp4
│ [1.2.4]--04_关于Anaconda.mp4
│ [1.2.5]--05_如何写代码.mp4
│ [1.2.6]--06_在Python中运算.mp4
│ [1.2.7]--07_字符串和列表.mp4
│ [1.2.8]--08_集合和字典.mp4
│ [1.2.9]--09_遍历型循环.mp4
│
├─{02}--第2单元知识表示+Python语法进阶
│ ├─{01}--理论课程：第二讲知识表示
│ │ [2.1.1]--2.1谓词逻辑表示法.mp4
│ │ [2.1.2]--2.2产生式表示法.mp4
│ │ [2.1.3]--2.3语义网络表示法.mp4
│ │ [2.1.4]--2.4框架表示法.mp4
│ │
│ └─{02}--实战演练：Python语法进阶
│ [2.2.1]--01_百度AIStudio.mp4
│ [2.2.2]--02_匿名函数lambda.mp4
│ [2.2.3]--03_列表解析式.mp4
│ [2.2.4]--04_函数的定义与调用.mp4
│ [2.2.5]--05_面向对象程序设计思想.mp4
│ [2.2.6]--06_面向对象程序范例.mp4
│ [2.2.7]--07_循环中的else.mp4
│ [2.2.8]--08_程序的自动判分.mp4
│
├─{03}--第3单元产生式推理+搜索算法的Python实现
│ ├─{01}--理论课程：第三讲产生式推理
│ │ [3.1.1]--3.1确定性推理概述.mp4
│ │ [3.1.2]--3.2产生式推理的方法.mp4
│ │ [3.1.3]--3.3产生式推理的例子.mp4
│ │
│ └─{02}--实战演练：搜索算法的Python实现
│ (3.2.1)--电子课件.pdf
│ [3.2.1]--01_人工智能应用简介.mp4
│ [3.2.2]--02_问题的状态空间.mp4
│ [3.2.3]--03_构建搜索树.mp4
│ [3.2.4]--04_搜索算法描述.mp4
│ [3.2.5]--05_深度优先搜索实战.mp4
│ [3.2.6]--06_广度优先搜索实战.mp4
│ [3.2.7]--07_多个豆豆问题的状态空间表达.mp4
│ [3.2.8]--08_多个豆豆问题的代码实现.mp4
│ [3.2.9]--09_多个豆豆问题的代码调试.mp4
│
├─{04}--第4单元自然演绎推理+启发式搜索算法的Python实现
│ ├─{01}--理论课程：第四讲自然演绎推理
│ │ [4.1.1]--4.1自然演绎推理的逻辑基础.mp4
│ │ [4.1.2]--4.2自然演绎推理的方法和例子.mp4
│ │
│ └─{02}--实战演练：启发式搜索算法的Python实现
│ (4.2.1)--电子课件.pdf
│ [4.2.10]--10_吃掉所有豆豆的启发式算法实现E.mp4
│ [4.2.1]--01_带启发式算法的多豆豆问题A.mp4
│ [4.2.2]--02_带启发式算法的多豆豆问题B.mp4
│ [4.2.3]--03_带启发式算法的多豆豆问题C.mp4
│ [4.2.4]--04_统一代价搜索的算法实现.mp4
│ [4.2.5]--05_A星搜索的算法实现.mp4
│ [4.2.6]--06_吃掉所有豆豆的启发式算法实现A.mp4
│ [4.2.7]--07_吃掉所有豆豆的启发式算法实现B.mp4
│ [4.2.8]--08_吃掉所有豆豆的启发式算法实现C.mp4
│ [4.2.9]--09_吃掉所有豆豆的启发式算法实现D.mp4
│
├─{05}--第5单元归结演绎推理+对抗搜索算法的Python实现
│ ├─{01}--理论课程：第五讲归结演绎推理
│ │ [5.1.1]--5.1归结演绎推理的逻辑基础.mp4
│ │ [5.1.2]--5.2子句集及其化简.mp4
│ │ [5.1.3]--5.3鲁滨逊归结原理.mp4
│ │ [5.1.4]--5.4归结演绎推理的方法.mp4
│ │ [5.1.5]--5.5归结演绎推理的例子.mp4
│ │
│ └─{02}--实战演练：对抗搜索算法的Python实现
│ [5.2.1]--01_对抗搜索.mp4
│ [5.2.2]--02_对抗搜索的ReflexAgent实现A.mp4
│ [5.2.3]--03_对抗搜索的ReflexAgent实现B.mp4
│ [5.2.4]--04_Minimax算法介绍.mp4
│ [5.2.5]--05_Minimax算法实现A.mp4
│ [5.2.6]--06_Minimax算法实现B.mp4
│ [5.2.7]--07_Minimax算法实现C.mp4
│ [5.2.8]--08_Minimax算法实现D.mp4
│
├─{06}--第6单元可信度推理+ExpectiMax算法的Python实现
│ ├─{01}--理论课程：第六讲可信度推理
│ │ [6.1.1]--6.1不确定推理概述.mp4
│ │ [6.1.2]--6.2可信度推理的模型.mp4
│ │ [6.1.3]--6.3可信度推理的例子.mp4
│ │
│ └─{02}--实战演练：ExpectiMax算法的Python实现
│ [6.2.10]--10_Expectimax与Minimax比较.mp4
│ [6.2.11]--11_评价函数的优化.mp4
│ [6.2.12]--12_评价函数的优化实现A.mp4
│ [6.2.13]--13_评价函数的优化实现B.mp4
│ [6.2.1]--01_Alpha-Beta剪枝算法.mp4
│ [6.2.2]--02_Alpha-Beta剪枝算法实现A.mp4
│ [6.2.3]--03_Alpha-Beta剪枝算法实现B.mp4
│ [6.2.4]--04_Alpha-Beta剪枝算法实现C.mp4
│ [6.2.5]--05_ExpectiMax算法描述.mp4
│ [6.2.6]--06_ExpectiMax算法实现A.mp4
│ [6.2.7]--07_ExpectiMax算法实现B.mp4
│ [6.2.8]--08_ExpectiMax算法实现C.mp4
│ [6.2.9]--09_ExpectiMax算法实现D.mp4
│
├─{07}--第7单元主观Bayes推理+求解MDP问题的Python实现
│ ├─{01}--实战演练：求解MDP问题的Python实现
│ │ [7.1.10]--10_复习MDP模型A.mp4
│ │ [7.1.11]--11_复习MDP模型B.mp4
│ │ [7.1.12]--12_MDP模型中参数分析A.mp4
│ │ [7.1.13]--13_MDP模型中参数分析B.mp4
│ │ [7.1.14]--14_MDP中的策略迭代算法.mp4
│ │ [7.1.15]--15_异步V值更新算法实现.mp4
│ │ [7.1.1]--01_马尔科夫决策过程A.mp4
│ │ [7.1.2]--02_马尔科夫决策过程B.mp4
│ │ [7.1.3]--03_马尔科夫决策过程C.mp4
│ │ [7.1.4]--04_ValueIteration实现A.mp4
│ │ [7.1.5]--05_ValueIteration实现B.mp4
│ │ [7.1.6]--06_ValueIteration实现C.mp4
│ │ [7.1.7]--07_ValueIteration实现D.mp4
│ │ [7.1.8]--08_影响MDP的因素A.mp4
│ │ [7.1.9]--09_影响MDP的因素B.mp4
│ │
│ └─{02}--理论课程：第七讲主观Bayes推理
│ [7.2.1]--7.1主观Bayes推理的概率论基础.mp4
│ [7.2.2]--7.2主观Bayes推理的模型.mp4
│ [7.2.3]--7.3主观Bayes推理的例子.mp4
│
├─{08}--第8单元证据理论+QLearning算法的Python实现
│ ├─{01}--实战演练：QLearning算法的Python实现
│ │ [8.1.10]--10_QLearning参数优化.mp4
│ │ [8.1.11]--11_QLearning版本的吃豆人.mp4
│ │ [8.1.12]--12_近似QLearning算法A.mp4
│ │ [8.1.13]--13_近似QLearning算法B.mp4
│ │ [8.1.14]--14_近似QLearning算法C.mp4
│ │ [8.1.1]--01_异步V值更新优化算法实现A.mp4
│ │ [8.1.2]--02_异步V值更新优化算法实现B.mp4
│ │ [8.1.3]--03_异步V值更新优化算法实现C.mp4
│ │ [8.1.4]--04_异步V值更新优化算法实现D.mp4
│ │ [8.1.5]--05_强化学习算法介绍.mp4
│ │ [8.1.6]--06_QLearning算法实现A.mp4
│ │ [8.1.7]--07_QLearning算法实现B.mp4
│ │ [8.1.8]--08_QLearning算法实现C.mp4
│ │ [8.1.9]--09_QLearning算法优化.mp4
│ │
│ └─{02}--理论课程：第八讲证据理论
│ [8.2.1]--8.1证据理论的形式化描述.mp4
│ [8.2.2]--8.2证据理论推理的模型.mp4
│ [8.2.3]--8.3证据理论推理的例子.mp4
│
├─{09}--第9单元搜索策略+贝叶斯网络更新算法的Python实现
│ ├─{01}--实战演练：贝叶斯网络更新算法的Python实现
│ │ [9.1.10]--10_问题复习A.mp4
│ │ [9.1.11]--11_问题复习B.mp4
│ │ [9.1.12]--12_随时间推移的确定推理A.mp4
│ │ [9.1.13]--13_随时间推移的确定推理B.mp4
│ │ [9.1.14]--14_确定推理实现A.mp4
│ │ [9.1.15]--15_确定推理实现B.mp4
│ │ [9.1.1]--01_如何正确提交作业.mp4
│ │ [9.1.2]--02_贝叶斯法则.mp4
│ │ [9.1.3]--03_离散分布代码实现A.mp4
│ │ [9.1.4]--04_离散分布代码实现B.mp4
│ │ [9.1.5]--05_离散分布代码实现C.mp4
│ │ [9.1.6]--06_贝叶斯网络介绍.mp4
│ │ [9.1.7]--07_观察概率算法实现A.mp4
│ │ [9.1.8]--08_观察概率算法实现B.mp4
│ │ [9.1.9]--09_观察概率算法实现C.mp4
│ │
│ └─{02}--理论课程：第九讲搜索策略
│ [9.2.1]--9.1搜索概述.mp4
│ [9.2.2]--9.2状态空间的启发式搜索.mp4
│ [9.2.3]--9.3与或树的启发式搜索.mp4
│ [9.2.4]--9.4遗传算法.mp4
│
├─{10}--第10单元机器学习+贝叶斯网络推理算法的Python实现
│ ├─{01}--实战演练：贝叶斯网络推理算法的Python实现
│ │ [10.1.10]--10_联合近似推理代码实现B.mp4
│ │ [10.1.11]--11_联合近似推理代码实现C.mp4
│ │ [10.1.12]--12_联合近似推理代码实现D.mp4
│ │ [10.1.13]--13_联合近似推理代码实现E.mp4
│ │ [10.1.1]--01_近似推理的初始化A.mp4
│ │ [10.1.2]--02_近似推理的初始化B.mp4
│ │ [10.1.3]--03_近似推理的初始化C.mp4
│ │ [10.1.4]--04_近似推理的初始化D.mp4
│ │ [10.1.5]--05_近似推理代码实现A.mp4
│ │ [10.1.6]--06_近似推理代码实现B.mp4
│ │ [10.1.7]--07_近似推理代码实现C.mp4
│ │ [10.1.8]--08_近似推理代码实现D.mp4
│ │ [10.1.9]--09_联合近似推理代码实现A.mp4
│ │
│ └─{02}--理论课程：第十讲机器学习
│ [10.2.10]--10.7机器学习模型分析.mp4
│ [10.2.1]--10.1机器学习概述和任务.mp4
│ [10.2.2]--10.2.1基本数理知识简介.mp4
│ [10.2.3]--10.2.2线性回归与Python实践.mp4
│ [10.2.4]--10.3.1逻辑回归.mp4
│ [10.2.5]--10.3.2K近邻算法.mp4
│ [10.2.6]--10.3.3朴素贝叶斯.mp4
│ [10.2.7]--10.4K-Means聚类算法.mp4
│ [10.2.8]--10.5主成分分析.mp4
│ [10.2.9]--10.6更多机器学习范式.mp4
│
├─{11}--第11单元人工神经网络+线性回归的Python实现
│ ├─{01}--实战演练：线性回归的Python实现
│ │ [11.1.1]--01_机器学习理论A.mp4
│ │ [11.1.2]--02_机器学习理论B.mp4
│ │ [11.1.3]--03_感知器的代码实现A.mp4
│ │ [11.1.4]--04_感知器的代码实现B.mp4
│ │ [11.1.5]--05_神经网络理论.mp4
│ │ [11.1.6]--06_线性回归代码实现A.mp4
│ │ [11.1.7]--07_线性回归代码实现B.mp4
│ │ [11.1.8]--08_深度神经网络.mp4
│ │
│ └─{02}--理论课程：第十一讲人工神经网络
│ [11.2.1]--11.1人工神经网络的概念与发展.mp4
│ [11.2.2]--11.2深度神经网络.mp4
│ [11.2.3]--11.3深度神经网络Python实践.mp4
│ [11.2.4]--11.4卷积神经网络与Python实践.mp4
│ [11.2.5]--11.5循环神经网络与Python实践.mp4
│ [11.2.6]--11.6更多神经网络架构介绍.mp4
│
└─{12}--第12单元智能应用简介+神经网络的Python实现
├─{01}--实战演练：神经网络的Python实现
│ [12.1.1]--01_神经网络的代码实现A.mp4
│ [12.1.2]--02_神经网络的代码实现B.mp4
│ [12.1.3]--03_神经网络的代码实现C.mp4
│ [12.1.4]--04_神经网络的代码实现D.mp4
│ [12.1.5]--05_神经网络的代码实现E.mp4
│ [12.1.6]--06_手写体数字识别案例实现.mp4
│ [12.1.7]--07_单词语种识别案例实现A.mp4
│ [12.1.8]--08_单词语种识别案例实现B.mp4
│ [12.1.9]--09_单词语种识别案例实现C.mp4
│
└─{02}--理论课程：第十二讲智能应用简介
[12.2.1]--12.1智能和有趣应用.mp4
[12.2.2]--12.2单元小结和致谢.mp4