机器学习各研究领域综述汇总!

机器学习--综述 机器学习综述 2016年3月,阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战,以4比1的总比分获胜. 深度学习开始进行大众的视野中. 深度学习其实是机器学习的一个分支,我们今天来看看机器学习是什么. 机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径. 机器学习的发展 其中,机器学习(Machi 阅读详情

作者 | kaiyuan 

整理 | NewBeeNLP

继续来给大家分享github上的好东西,一个『机器学习领域综述大列表』,涵盖了自然语言处理、推荐系统、计算机视觉、深度学习、强化学习等主题。

另外发现源repo中NLP相关的综述不是很多,于是把一些觉得还不错的文章添加进去了,重新整理更新在 AI-Surveys[1] 中。

  • ml-surveys: https://github.com/eugeneyan/ml-surveys

  • AI-Surveys: https://github.com/KaiyuanGao/AI-Surveys

『收藏等于看完』系列,来看看都有哪些吧, enjoy!

自然语言处理

  • 深度学习:Recent Trends in Deep Learning Based Natural Language Processing[2]

  • 文本分类:Deep Learning Based Text Classification: A Comprehensive Review[3]

  • 文本生成:Survey of the SOTA in Natural Language Generation: Core tasks, applications and evaluation[4]

  • 文本生成:Neural Language Generation: Formulation, Methods, and Evaluation[5]

  • 迁移学习:Exploring Transfer Learning with T5: the Text-To-Text Transfer Transformer[6] (Paper[7])

  • 迁移学习:Neural Transfer Learning for Natural Language Processing[8]

  • 知识图谱:A Survey on Knowledge Graphs: Representation, Acquisition and Applications[9]

  • 命名实体识别:A Survey on Deep Learning for Named Entity Recognition[10]

  • 关系抽取:More Data, More Relations, More Context and More Openness: A Review and Outlook for Relation Extraction[11]

  • 情感分析:Deep Learning for Sentiment Analysis : A Survey[12]

  • ABSA情感分析:Deep Learning for Aspect-Level Sentiment Classification: Survey, Vision, and Challenges[13]

  • 文本匹配:Neural Network Models for Paraphrase Identification, Semantic Textual Similarity, Natural Language Inference, and Question Answering[14]

  • 阅读理解:Neural Reading Comprehension And Beyond[15]

  • 阅读理解:Neural Machine Reading Comprehension: Methods and Trends[16]

  • 机器翻译:Neural Machine Translation: A Review[17]

  • 机器翻译:A Survey of Domain Adaptation for Neural Machine Translation[18]

  • 预训练模型:Pre-trained Models for Natural Language Processing: A Survey[19]

  • 注意力机制:An Attentive Survey of Attention Models[20]

  • 注意力机制:An Introductory Survey on Attention Mechanisms in NLP Problems[21]

  • 注意力机制:Attention in Natural Language Processing[22]

  • BERT:A Primer in BERTology: What we know about how BERT works[23]

  • Beyond Accuracy: Behavioral Testing of NLP Models with CheckList[24]

  • Evaluation of Text Generation: A Survey[25]

推荐系统

  • Recommender systems survey[26]

  • Deep Learning based Recommender System: A Survey and New Perspectives[27]

  • Are We Really Making Progress? A Worrying Analysis of Neural Recommendation Approaches[28]

  • A Survey of Serendipity in Recommender Systems[29]

  • Diversity in Recommender Systems – A survey[30]

  • A Survey of Explanations in Recommender Systems[31]

深度学习

  • A State-of-the-Art Survey on Deep Learning Theory and Architectures[32]

  • 知识蒸馏:Knowledge Distillation: A Survey[33]

  • 模型压缩:Compression of Deep Learning Models for Text: A Survey[34]

  • 迁移学习:A Survey on Deep Transfer Learning[35]

  • 神经架构搜索:A Comprehensive Survey of Neural Architecture Search-- Challenges and Solutions[36]

  • 神经架构搜索:Neural Architecture Search: A Survey[37]

计算机视觉

  • 目标检测:Object Detection in 20 Years[38]

  • 对抗性攻击:Threat of Adversarial Attacks on Deep Learning in Computer Vision[39]

  • 自动驾驶:Computer Vision for Autonomous Vehicles: Problems, Datasets and State of the Art[40]

强化学习

  • A Brief Survey of Deep Reinforcement Learning[41]

  • Transfer Learning for Reinforcement Learning Domains[42]

  • Review of Deep Reinforcement Learning Methods and Applications in Economics[43]

Embeddings

  • 图:A Comprehensive Survey of Graph Embedding: Problems, Techniques and Applications[44]

  • 文本:From Word to Sense Embeddings:A Survey on Vector Representations of Meaning[45]

  • 文本:Diachronic Word Embeddings and Semantic Shifts[46]

  • 文本:Word Embeddings: A Survey[47]

  • A Survey on Contextual Embeddings[48]

Meta-learning & Few-shot Learning

  • A Survey on Knowledge Graphs: Representation, Acquisition and Applications[49]

  • Meta-learning for Few-shot Natural Language Processing: A Survey[50]

  • Learning from Few Samples: A Survey[51]

  • Meta-Learning in Neural Networks: A Survey[52]

  • A Comprehensive Overview and Survey of Recent Advances in Meta-Learning[53]

  • Baby steps towards few-shot learning with multiple semantics[54]

  • Meta-Learning: A Survey[55]

  • A Perspective View And Survey Of Meta-learning[56]

其他

  • A Survey on Transfer Learning[57]

本文参考资料

[1]   AI-Surveys: https://github.com/KaiyuanGao/AI-Surveys

[2]

Recent Trends in Deep Learning Based Natural Language Processing: https://arxiv.org/pdf/1708.02709.pdf

[3]

Deep Learning Based Text Classification: A Comprehensive Review: https://arxiv.org/pdf/2004.03705

[4]

Survey of the SOTA in Natural Language Generation: Core tasks, applications and evaluation: https://www.jair.org/index.php/jair/article/view/11173/26378

[5]

Neural Language Generation: Formulation, Methods, and Evaluation: https://arxiv.org/pdf/2007.15780.pdf

[6]

Exploring Transfer Learning with T5: the Text-To-Text Transfer Transformer: https://ai.googleblog.com/2020/02/exploring-transfer-learning-with-t5.html

[7]

Paper: https://arxiv.org/abs/1910.10683

[8]

Neural Transfer Learning for Natural Language Processing: https://aran.library.nuigalway.ie/handle/10379/15463

[9]

A Survey on Knowledge Graphs: Representation, Acquisition and Applications: https://arxiv.org/abs/2002.00388

[10]

A Survey on Deep Learning for Named Entity Recognition: https://arxiv.org/abs/1812.09449

[11]

More Data, More Relations, More Context and More Openness: A Review and Outlook for Relation Extraction: https://arxiv.org/abs/2004.03186

[12]

Deep Learning for Sentiment Analysis : A Survey: https://arxiv.org/abs/1801.07883

[13]

Deep Learning for Aspect-Level Sentiment Classification: Survey, Vision, and Challenges: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8726353

[14]

Neural Network Models for Paraphrase Identification, Semantic Textual Similarity, Natural Language Inference, and Question Answering: https://www.aclweb.org/anthology/C18-1328/

[15]

Neural Reading Comprehension And Beyond: https://stacks.stanford.edu/file/druid:gd576xb1833/thesis-augmented.pdf

[16]

Neural Machine Reading Comprehension: Methods and Trends: https://arxiv.org/abs/1907.01118

[17]

Neural Machine Translation: A Review: https://arxiv.org/abs/1912.02047

[18]

A Survey of Domain Adaptation for Neural Machine Translation: https://www.aclweb.org/anthology/C18-1111.pdf

[19]

Pre-trained Models for Natural Language Processing: A Survey: https://arxiv.org/abs/2003.08271

[20]

An Attentive Survey of Attention Models: https://arxiv.org/pdf/1904.02874.pdf

[21]

An Introductory Survey on Attention Mechanisms in NLP Problems: https://arxiv.org/abs/1811.05544

[22]

Attention in Natural Language Processing: https://arxiv.org/abs/1902.02181

[23]

A Primer in BERTology: What we know about how BERT works: https://arxiv.org/pdf/2002.12327.pdf

[24]

Beyond Accuracy: Behavioral Testing of NLP Models with CheckList: https://arxiv.org/pdf/2005.04118.pdf

[25]

Evaluation of Text Generation: A Survey: https://arxiv.org/pdf/2006.14799.pdf

[26]

Recommender systems survey: http://irntez.ir/wp-content/uploads/2016/12/sciencedirec.pdf

[27]

Deep Learning based Recommender System: A Survey and New Perspectives: https://arxiv.org/pdf/1707.07435.pdf

[28]

Are We Really Making Progress? A Worrying Analysis of Neural Recommendation Approaches: https://arxiv.org/pdf/1907.06902.pdf

[29]

A Survey of Serendipity in Recommender Systems: https://www.researchgate.net/publication/306075233_A_Survey_of_Serendipity_in_Recommender_Systems

[30]

Diversity in Recommender Systems – A survey: https://papers-gamma.link/static/memory/pdfs/153-Kunaver_Diversity_in_Recommender_Systems_2017.pdf

[31]

A Survey of Explanations in Recommender Systems: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.418.9237&rep=rep1&type=pdf

[32]

A State-of-the-Art Survey on Deep Learning Theory and Architectures: https://www.mdpi.com/2079-9292/8/3/292/htm

[33]

Knowledge Distillation: A Survey: https://arxiv.org/pdf/2006.05525.pdf

[34]

Compression of Deep Learning Models for Text: A Survey: https://arxiv.org/pdf/2008.05221.pdf

[35]

A Survey on Deep Transfer Learning: https://arxiv.org/pdf/1808.01974.pdf

[36]

A Comprehensive Survey of Neural Architecture Search-- Challenges and Solutions: https://arxiv.org/abs/2006.02903

[37]

Neural Architecture Search: A Survey: https://arxiv.org/abs/1808.05377

[38]

Object Detection in 20 Years: https://arxiv.org/pdf/1905.05055.pdf

[39]

Threat of Adversarial Attacks on Deep Learning in Computer Vision: https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=8294186

[40]

Computer Vision for Autonomous Vehicles: Problems, Datasets and State of the Art: https://arxiv.org/pdf/1704.05519.pdf

[41]

A Brief Survey of Deep Reinforcement Learning: https://arxiv.org/pdf/1708.05866.pdf

[42]

Transfer Learning for Reinforcement Learning Domains: http://www.jmlr.org/papers/volume10/taylor09a/taylor09a.pdf

[43]

Review of Deep Reinforcement Learning Methods and Applications in Economics: https://arxiv.org/pdf/2004.01509.pdf

[44]

A Comprehensive Survey of Graph Embedding: Problems, Techniques and Applications: https://arxiv.org/pdf/1709.07604

[45]

From Word to Sense Embeddings:A Survey on Vector Representations of Meaning: https://www.jair.org/index.php/jair/article/view/11259/26454

[46]

Diachronic Word Embeddings and Semantic Shifts: https://arxiv.org/pdf/1806.03537.pdf

[47]

Word Embeddings: A Survey: https://arxiv.org/abs/1901.09069

[48]

A Survey on Contextual Embeddings: https://arxiv.org/abs/2003.07278

[49]

A Survey on Knowledge Graphs: Representation, Acquisition and Applications: https://arxiv.org/abs/2002.00388

[50]

Meta-learning for Few-shot Natural Language Processing: A Survey: https://arxiv.org/abs/2007.09604

[51]

Learning from Few Samples: A Survey: https://arxiv.org/abs/2007.15484

[52]

Meta-Learning in Neural Networks: A Survey: https://arxiv.org/abs/2004.05439

[53]

A Comprehensive Overview and Survey of Recent Advances in Meta-Learning: https://arxiv.org/abs/2004.11149

[54]

Baby steps towards few-shot learning with multiple semantics: https://arxiv.org/abs/1906.01905

[55]

Meta-Learning: A Survey: https://arxiv.org/abs/1810.03548

[56]

A Perspective View And Survey Of Meta-learning: https://www.researchgate.net/publication/2375370_A_Perspective_View_And_Survey_Of_Meta-Learning

[57]

A Survey on Transfer Learning: http://202.120.39.19:40222/wp-content/uploads/2018/03/A-Survey-on-Transfer-Learning.pdf

机器学习综述学习笔记 机器学习意味着使用计算机模拟人类的学习活动,自动地通过学习获取知识和技能,不断改善性能,实现自我完善。包括有指导学习、无指导学习、半指导学习三种方式。有指导学习意味着针对一组特征值的输入,给定特定的结果输出,其中包括定性的结果、定量的结果,分别对应于统计学中的回归和分类。常见的有指导学习包括:决策树、Boosting与Bagging算法、人工神经网络和支持向量机等。专家系统通常采用有指导学习。在无指导学习中,只能观察特征,没有结果度量。 阅读详情

相关推荐

机器学习——经典降维算法与框架综述

在本文中,我们总结了机器学习和模式识别领域的经典降维算法和降维框架。降维算法部分包括各种经典算法的原理、公式推导和算法过程,以及它们在线性降维、流形学习、核方法(监督、无监督和半监督)中的优化算法。 降维框架部分将各经典降维方法分别统一在图嵌入框架和半监督框架这两个经典降维框架的视角下,并以此探讨和分析了降维框架的设计和构建方法,分析了以降维框架为平台开发新算法的步骤。 此外,通过降维算法和降维框架在不同任务的数据集实验中的应用以及实验结果的统计分析比较,说明了各算法和框架之间的联系和区别。

转载请标明出处,完整项目/代码详见github:https://github.com/yiru1225 7065

一文读懂机器学习入门概述【参考了全网最火的文章】

参考:非常简单易懂的机器学习入门 参考:各种机器学习算法的概述以及举例 引言 谈起人工智能,诸多词汇时刻萦绕在我们耳边:人工智能(Artificial Intelligence)、机器学习(Machine Learning)、深度学习(Deep Learning)。不少人对这些高频词汇的含义及其背后的关系总是似懂非懂、一知半解。 人工智能、机器学习与深度学习的关系 机器学习是一种实现人工智能的方法,深度学习是一种实现机器学习的技术。下图形象的说明了三者的包含关系: 为何深度学习作为人工智能的一个子集的.

Suprit's blog 2546

人工智能(AI)与机器学习(ML):塑造未来的技术引擎

人工智能是一种模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。它旨在让计算机能够像人类一样思考、学习,并能在各种环境下自主地做出决策。AI的发展经历了从最初的符号主义、连接主义到如今的深度学习等多个阶段,每一次的突破都极大地推动了科技的进步。尽管AI与ML技术取得了巨大的进步,但它们仍然面临着诸多挑战。首先,数据的获取和标注是一个巨大的问题。高质量的标注数据是机器学习模型训练的关键,但数据的获取和标注往往需要耗费大量的人力和时间。其次,模型的泛化能力也是一个需要解决的问题。

星途码客的博客 7753

机器学习综述

题目描述 对于一个十进制数A,将A转换为二进制数,然后按位逆序排列,再转换为十进制数B,我们乘B为A的二进制逆序数。 例如对于十进制数173,它的二进制形式为10101101,逆序排列得到10110101,其十进制数为181,181即为173的二进制逆序数。 输入描述: 一个1000位(即10^999)以内的十进制数。 输出描述: 输入的十进制数的二进制逆序数。 问题分析 这题就是一个进...

someng的博客 710

前沿综述 | 机器学习在医学中的应用

机器学习 mix 医学

wen05054105的博客 3736

基于机器学习的力场模型研究综述

等,深度神经网络训练时通常需要大量的数据,在自然科学中收集这样的数据集往往是不可能的,因为每个训练点都是计算成本高昂的从头算或其他实验测量得来的。加入了相关的物理对称性的考量,表现出更加优异的性能。对于体系较大的系统,一般采用传统经验力场来建模,传统的科学方法使用一些近似值求解,分析计算,并用更高水平的计算或实验的参考数据验证所获得的结果。相结合,将系统中的粒子划分成原子和电子,原子的质量大且运动速度较慢,可以用经典力学来处理,而电子的质量小且运动速度较快,可以用密度泛函理论来处理。

weixin_70923796的博客 1797

领域泛化最新综述

0导读领域泛化(Domain Generalization)研究的问题是如何利用源领域数据训练一个模型,其目的是使得该模型能够泛化到其他不同数据分布的目标领域。虽然这项能力对于人类来讲似...

我爱计算机视觉 2602

机器学习领域各领域必读经典综述论文整理分享

机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。 机器学习及其相关领域,如深度学习、自然语言处理、计算机视觉、推荐系统、强化学习等领域最近几年非常火,每年各式各样的国际顶会,投稿数每年都会海量增加。要持续Follow这些领域最新的技术,刷遍各大会议最新会议非常费时费力,特别是对于刚入门的同学。因此,为了方便同学们了...

lqfarmer的博客 2747

机器学习大综述,Nature Catalysis:数据科学加速催化研究进程

然而,这需要在实验催化中更多地采用数据科学方法,但目前的趋势并不明显,造成这种差异的因素主要包括:两个领域之间的知识差距,ML只能在大数据(大于1000个数据点)中发挥良好作用的观念,以及对数据驱动模型的黑箱性质缺乏信任。值得注意的是,酶催化展现了理论与实验工作的统一,例如,从现有数据库中检索不同酶的氨基酸序列,然后通过实验室工程实现所需的特性,但大多数研究的主要重点在于预测酶的结构或特性,很少应用于化学反应。值得注意的是,DFT模拟的数据和文献提取的数据占绝大多数,其目标仅限于理论研究。

m0_72489520的博客 2023

机器学习(ML)在材料领域应用

机器学习作为一种兼顾开发效率以及开发成本的方法,已经逐渐应用于材料发现、结构分析、性质预测、反向设计等多个领域,并且在材料学研究中展现出惊人的潜力。传统的发现新材料的方法,如经验试错法和基于密度泛函理论(DFT)的方法,往往需要较长的研发周期,成本高、效率低,已经不能很好的适应如今需求量激增的材料学领域 ...

W5632DE的博客 3720

人工智能AI 与 机器学习ML 的关键区别

人工智能(AI)是指计算机系统能够执行通常需要人类智能才能完成的任务。包括理解自然语言、识别图像、解决复杂问题和做出决策。AI的目标是创建能够模仿或超越人类智能的系统。弱人工智能(弱AI):也称为窄AI,专注于特定任务。例如,语音助手(如Siri和Alexa)和推荐系统(如Netflix和Amazon的推荐算法)。强人工智能(强AI):也称为通用AI,具有执行任何人类智能任务的能力。目前,强AI仍处于理论阶段,尚未实现。机器学习(ML)是人工智能的一个子领域。

王教主的博客 5944

ML-conferences:全面掌握机器学习领域顶级会议信息

ML-conferences:全面掌握机器学习领域顶级会议信息 项目介绍 ML-conferences 是一个开源项目,旨在为机器学习和数据挖掘领域的专业人士、学者和学生提供一个集中、详尽的会议信息资源库。该项目列举了众多与机器学习和数据挖掘相关的顶级国际会议,包括会议日期、地点、提交截止日期和官方网站链接等关键信息。通过这个项目,用户可以轻松跟踪和规划参与这些重要学术活动的日程。 项目技术分析 ...

gitblog_00731的博客 1051

【综述 寿命预测】基于机器学习的设备剩余寿命预测方法综述

【综述 寿命预测】

weixin_45057858的博客 8873

机器学习领域最全综述列表!(转载文章)

机器学习领域最全综述列表!(转载文章)

wzk4869的博客 1955

49、人工智能与机器学习领域研究成果综述

本博客综述了人工智能与机器学习领域的多项重要研究成果,涵盖神经网络架构、自然语言处理、图像识别、语音合成等核心技术方向,并探讨了算法优化、多模态学习以及公平性与伦理等研究热点。同时,博客还介绍了Transformer、Auto-Keras等新兴技术与应用,全面展示了该领域的快速发展与未来潜力。

open4的博客 93

win11怎么安装dosbox和masm来运行汇编程序(小白,萌新篇)

一文教会你如何部署dosbox和masm环境

m0_73279193的博客 4706

机器学习领域最全综述列表!

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习,不错过Datawhale干货作者:kaiyuan,来源:NewBeeNLP继续来给大家分享g...

Datawhale 739

HC32 CAN通信

qqa

zhaopenglihui的博客 5438

机器学习各领域必读经典综述

点击上方,选择星标或置顶,每天给你送干货!阅读大概需要9分钟跟随小博主,每天进步一丢丢来自 | Github整理 | 深度学习这件小事机器学习是一门多领域交叉学科,涉及概率论、统计学...

zenRRan的博客 544

使用电荷放大器处理压电加速度计输出

电阻器 R p模拟传感器的绝缘电阻,为产生的电荷创建泄漏路径。在此图中,顶部波形显示传感器产生的电荷,而底部波形显示电荷放大器的输出。这需要具有大输入阻抗的放大级,以防止产生的电荷通过与传感元件并联的放大器的输入阻抗泄漏。换句话说,电荷放大器补偿传感器产生的电荷 q p ,反馈电容器 C F中具有相反极性的等量电荷。因此,任何与传感器并联的绝缘电阻,如电缆的绝缘电阻或传感器的漏电电阻Rp,都不能流过电流。漂移是指电荷放大器输出在一段时间内发生的变化,而不是由被测物理参数的变化(我们讨论的加速度)引起的。

weixin_45260069的博客 3905

如何有效爬取“好大夫”评论数据?技术实现与合规性分析

本文探讨了爬取好大夫在线医生评论数据的技术与合规性问题。分析了好大夫平台评论数据的价值和特点,指出其动态加载和反爬机制的挑战。技术上,推荐使用Selenium模拟浏览器行为获取数据,并提供了分页爬取、代理IP、验证码识别等解决方案。同时强调必须遵守平台的爬虫策略,关注用户协议和隐私保护法规,建议通过官方API或授权方式获取数据。文章还讨论了数据清洗存储方法,并提醒注意数据伦理和最小化抓取原则。本文为医疗数据爬取提供了技术实现和合规性指导的平衡方案。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1058

值得收藏!2025年人工智能顶级会议投稿信息汇总(机器学习领域)

本文对机器学习领域内的顶级会议进行了介绍,以便读者了解会议主题、截稿日期、举办时间及地点等关键信息。同时,还将这些会议信息汇总成了表格,做到一目了然,为读者投稿会议论文提供方便。

audyxiao001的博客 1万+

从零到一:基于GeneMark-ES/ET的新基因组注释实战指南

本文提供了一份基于GeneMark-ES/ET的新基因组注释实战指南。详细介绍了从环境搭建、数据准备到核心运行的全流程,重点解析了ES(从头预测)与ET(结合RNA-Seq证据)两种模式的选择与操作,并分享了Perl模块依赖、并行处理等常见问题的解决方案,帮助生物信息学研究者高效完成基因预测工作。

weixin_29266647的博客 210
上一篇: Python使用“漫威API”探索漫威宇宙
下一篇: 60 个 Python 闯关小例子,建议收藏!
Wang_AI
博客等级 码龄12年 997粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值