吴恩达机器学习

吴恩达机器学习

吾爱机器学习

机器学习之家

  • 课程目录
  • 课程介绍
  • 课时1:欢迎参加《机器学习》课程

  • 课时2:什么是机器学习?

  • 课时3:监督学习

  • 课时4:无监督学习

  • 课时5:问题

  • 课时6:模型描述

  • 课时7:代价函数

  • 课时8:代价函数(一)

  • 课时9:代价函数(二)

  • 课时10:梯度下降

  • 课时11:梯度下降知识点总结

  • 课时12:线性回归的梯度下降

  • 课时13:本章课程总结

  • 课时14:矩阵和向量

  • 课时15:加法和标量乘法

  • 课时16:矩阵向量乘法

  • 课时17:矩阵乘法

  • 课时18:矩阵乘法特征

  • 课时19:逆和转置

  • 课时20:安装 MTLAB 并设置编程任务环境

  • 课时21:安装 MATLAB

  • 课时22:在 Windows 上安装 Octave

  • 课时23:在 Mac OS X 上安装 Octave

  • 课时24:在 Mac OS X (10.8 Mountain Lion and Earlier) 上安装 Octave

  • 课时25:GNU/Linux 上安装 Octave

  • 课时26:更多 Octave/MATLAB 资源

  • 课时27:多功能

  • 课时28:多元梯度下降法

  • 课时29:多元梯度下降法演练 I – 特征缩放

  • 课时30:多元梯度下降法II – 学习率

  • 课时31:特征和多项式回归

  • 课时32:正规方程(区别于迭代方法的直接解法)

  • 课时33:正规方程在矩阵不可逆情况下的解决方法

  • 课时34:导师的编程小技巧

  • 课时35:本章课程总结

  • 课时36:基本操作

  • 课时37:移动数据

  • 课时38:计算数据

  • 课时39:数据绘制

  • 课时40:控制语句:for,while,if 语句

  • 课时41:矢量

  • 课时42:本章课程总结

  • 课时43:编程作业:线性回归

  • 课时44:分类

  • 课时45:假设陈述

  • 课时46:决策界限

  • 课时47:代价函数

  • 课时48:简化代价函数与梯度下降

  • 课时49:高级优化

  • 课时50:多元分类:一对多

  • 课时51:本章课程总结

  • 课时52:过拟合问题

  • 课时53:代价函数

  • 课时54:线性回归的正则化

  • 课时55:本章课程总结

  • 课时56:编程作业:Logistic 回归

  • 课时57:Logistic 回归的正则化

  • 课时58:非线性假设

  • 课时59:神经元与大脑

  • 课时60:模型展示Ⅰ

  • 课时61:模型展示Ⅱ

  • 课时62:编程作业:多元分类与神经网络

  • 课时63:例子与直觉理解Ⅰ

  • 课时64:本章课程总结

  • 课时65:例子与直觉理解Ⅱ

  • 课时66:多元分类

  • 课时67:代价函数

  • 课时68:反向传播算法

  • 课时69:理解反向传播

  • 课时70:使用注意:展开参数

  • 课时71:梯度检测

  • 课时72:随机初始化

  • 课时73:组合到一起

  • 课时74:无人驾驶

  • 课时75:课程资料下载方法

  • 课时76:编程作业:正则线性回归和偏差/方差

  • 课时77:决定下一步做什么

  • 课时78:评估假设

  • 课时79:模型选择和训练、验证、测试集

  • 课时80:诊断偏差与方差

  • 课时81:正则化和偏差、方差

  • 课时82:本章课程总结

  • 课时83:学习曲线

  • 课时84:决定接下来做什么

  • 课时85:确定执行的优先级

  • 课时86:误差分析

  • 课时87:不对称性分类的误差评估

  • 课时88:精确度和召回率的权衡

  • 课时89:本章课程总结

  • 课时90:机器学习数据

  • 课时91:编程作业:支持向量机

  • 课时92:本章课程总结

  • 课时93:优化目标

  • 课时94:直观上对大间隔的理解

  • 课时95:大间隔分类器的数学原理

  • 课时96:核函数1

  • 课时97:核函数2

  • 课时98:使用SVM

  • 课时99:本章课程总结

  • 课时100:无监督学习

  • 课时101:K-Means算法

  • 课时102:优化目标

  • 课时103:随机初始化

  • 课时104:选取聚类数量

  • 课时105:编程作业:K-Means 聚类和 PCA

  • 课时106:本章课程总结

  • 课时107:目标 I:数据压缩

  • 课时108:目标 II:可视化

  • 课时109:主成分分析问题规划1

  • 课时110:主成分分析问题规划2

  • 课时111:主成分数量选择

  • 课时112:压缩重现

  • 课时113:应用 PCA 的建议

  • 课时114:本章课程总结

  • 课时115:问题动机

  • 课时116:高斯分布

  • 课时117:算法

  • 课时118:开发和评估异常检测系统

  • 课时119:异常检测 VS 监督学习

  • 课时120:选择要使用的功能

  • 课时121:多变量高斯分布

  • 课时122:使用多变量高斯分布的异常检测

  • 课时123:编程作业:异常检测和推荐算法

  • 课时124:本章课程总结

  • 课时125:问题规划

  • 课时126:基于内容的推荐算法

  • 课时127:协同过滤

  • 课时128:协同过滤算法

  • 课时129:矢量化:低轶矩阵分解

  • 课时130:实施细节:均值规范化

  • 课时131:本章课程总结

  • 课时132:学习大数据集

  • 课时133:随机梯度下降

  • 课时134:Mini-Batch 梯度下降

  • 课时135:随机梯度下降收敛

  • 课时136:在线学习

  • 课时137:减少映射与数据并行

  • 课时138:本章课程总结

  • 课时139:问题描述与 OCR pipeline

  • 课时140:滑动窗口

  • 课时141:获取大量数据和人工数据

  • 课时142:天花板分析:下一步工作的 pipeline

  • 课时143:总结与感谢

课程概述

本门课程是 Coursera 上的第一门课,也是吴恩达(Andrew Ng)本课程将广泛介绍机器学习、数据挖掘和统计模式识别等内容,同时还引用了许多机器学习案例,让你学会在智能机器人(感知和控制)、文本理解(网络搜索和垃圾邮件过滤)、计算机视觉、医学信息学、音频、数据库挖掘等领域应用机器学习。

相关教程

Learnfk - ASP.Net Core教程

Learnfk - Apache POI教程

Learnfk - Numpy教程

Learnfk - Maven教程

Learnfk - GraphQL教程

Learnfk - Xpath教程

随机推荐

美的滚筒洗衣机全自动10公斤大容量应该怎么样选择,评测比较哪款...

美的超微过滤组合滤网质量真的好吗,优缺点测评

迪士尼宝宝DisneyBaby测评大揭秘,来看看买家说法

家实养生壶多功能电热烧水壶告诉你哪款性价比高,应该怎么样选择

青苇浴室塑料泡脚桶洗脚盆分析哪款更适合你,评测值得入手吗

凯儿得乐婴儿隔尿垫可洗纯棉新生儿宝宝隔尿护理垫哪个性价比高、...