机器学习-吴恩达
教程内容收集整理自网络,如有侵权,请联系删除!
目录
章节1 初识机器学习
- 01欢迎参加《机器学习》课程
- 02什么是机器学习
- 03监督学习
- 04无监督学习
章节2 单变量线性回归
- 06模型描述
- 07代价函数
- 08代价函数(一)
- 09代价函数(二)
- 10梯度下降
- 11梯度下降知识点总结
- 12线性回归的梯度下降
章节3 线性回归回顾
- 14矩阵和向量
- 15加法和标量乘法
- 16矩阵向量乘法
- 17矩阵乘法
- 18矩阵乘法特征
- 19逆和转置
章节4 配置
- 20-26配置
章节5 多变量线性回归
- 27多功能
- 28多元梯度下降法
- 29多元梯度下降法演练I-特征缩放
- 30多元梯度下降法II-学习率
- 31特征和多项式回归
- 32正规方程(区别于迭代方法的直接解法)
- 33正规方程在矩阵不可逆情况下的解决方法
- 34完成并提交编程作业
章节6 Octave Matlab教程
- 35基本操作
- 36移动数据
- 37计算数据
- 38数据绘制
- 39控制语句:for,while,if语句
- 40矢量
章节7 Logistic回归
- 42分类
- 43假设陈述
- 44决策界限
- 45代价函数
- 46简化代价函数与梯度下降
- 47高级优化
- 48多元分类:一对多
章节8 正则化
- 50过拟合问题
- 51代价函数
- 52线性回归的正则化
- 53Logistic回归的正则化
章节9 神经网络学习
- 54非线性假设
- 55神经元与大脑
- 56模型展示I
- 57模型展示II
- 58例子与直觉理解I
- 59例子与直觉理解II
- 60多元分类
章节10 神经网络参数的反向传播算法
- 61代价函数
- 62反向传播算法
- 63理解反向传播
- 64使用注意:展开函数
- 65梯度检测
- 66随机初始化
- 67组合到一起
- 68无人驾驶
章节11 应用机器学习的建议
- 69决定下一步做什么
- 70评估假设
- 71模型选择和训练、验证、测试集
- 72诊断偏差与方差
- 73正则化和偏差、方程
- 74学习曲线
章节12 机器学习系统设计
- 75决定接下来做什么
- 76确定执行的优先级
- 77误差分析
- 78不对称性分类的误差评估
- 79精确度和召回率的权衡
- 80机器学习数据
章节13 支持向量机
- 81优化目标
- 82直观上对大间隔的理解
- 83大间隔分类器的数学原理
- 84核函数
- 85核函数2
- 86使用SVM
章节14 无监督学习
- 87无监督学习
- 88K-Means算法
- 89优化目标
- 90随机初始化
- 91选取聚类数量
章节15 降维
- 92目标一 数据压缩
- 93目标二 可视化
- 94主成分分析问题规划1
- 95主成分分析问题规划2
- 96压缩重现
- 97主成分数量选择
- 98应用PCA的建议
章节16 异常检测
- 99问题动机
- 100高斯分布
- 101算法
- 102开发和评估异常检测系统
- 103异常检测VS监督学习
- 104选择要使用的功能
- 105多变量高斯分布
- 106使用多变量高斯分布的异常检测
章节17 推荐系统
- 107问题规划
- 108基于内容的推荐算法
- 109协同过滤
- 110协同过滤算法
- 111矢量化:低轶矩阵分解
- 112实施细节:均值规范化
章节18 大规模机器学习
- 113学习大数据集
- 114随机梯度下降
- 115Mini-Batch 梯度下降
- 116随机梯度下降收敛
- 117在线学习
- 118减少映射与数据并行
章节19 应用举例:照片OCR
- 119问题描述与OCR pipeline
- 120滑动窗口
- 121获取大量数据和人工数据
- 122天花板分析:下一步工作的pipeline
章节20 总结与感谢
- 123总结与感谢