吴恩达机器学习

  • 目录
  • 课程详情
  • 查询

  • 书籍内容

  • 第一章 引言(Introduction)
    • 01-1 机器学习简介
    • 01-2 什么是机器学习
    • 01-3 监督学习
    • 01-4 非监督学习
  • 第二章 单变量线性回归(Linear Regression with One Variable)
    • 02-1 模型表示
    • 02-2 代价函数
    • 02-3 理解代价函数 - I
    • 02-4 理解代价函数 - II
    • 02-5 梯度下降
    • 02-6 理解梯度下降
    • 02-7 线性回归中的梯度下降
  • 第三章 线性代数回顾(Linear Algebra Review)
    • 03-1 矩阵和向量
    • 03-2 加法和乘法
    • 03-3 向量乘法
    • 03-4 矩阵乘法
    • 03-5 矩阵乘法特性
    • 03-6 矩阵转置与求逆
  • 第四章 多变量线性回归(Linear Regression with Multiple Variables)
    • 04-1 多变量线性回归
    • 04-2 多变量梯度下降
    • 04-3 梯度下降 - 特征缩放
    • 04-4 梯度下降 - 学习率
    • 04-5 特征与多项式回归
    • 04-6 正规方程
    • 04-7 正规方程不可逆的情况
  • 第五章 逻辑回归(Logistic Regression)
    • 05-1 分类
    • 05-2 假设函数表达式
    • 05-3 决策边界
    • 05-4 代价函数 I
    • 05-5 简化的代价函数和梯度下降
    • 05-6 高级优化技巧
    • 05-7 多分类任务
  • 第六章 正则化(Regularization)
    • 06-1 过拟合问题
    • 06-2 代价函数 II
    • 06-3 正则化与线性回归
    • 06-4 正则化与逻辑回归
  • 第七章 神经网络-表述(Neural Networks-Representation)
    • 07-1 非线性假设
    • 07-2 神经元与大脑
    • 07-3 模型表示 I
    • 07-4 模型表示 II
    • 07-5 模型表示实例 I
    • 07-6 模型表示实例 II
    • 07-7 多分类任务
  • 第八章 神经网络的学习(Neural Networks-Learning)
    • 08-1 代价函数 III
    • 08-2 反向传播
    • 08-3 理解反向传播
    • 08-4 实现参数展开
    • 08-5 梯度校验
    • 08-6 随机初始化
    • 08-7 把前面的内容放在一起
    • 08-8 自动驾驶
  • 第九章 应用机器学习的建议(Advice for Applying Machine Learning)
    • 09-1 决定下一步做什么
    • 09-2 假设检验
    • 09-3 模型选择与训练集、验证集、测试集切分
    • 09-4 诊断偏差和方差
    • 09-5 正则化、偏差和方差
    • 09-6 学习曲线
    • 09-7 决定下一步做什么(回顾)
  • 第十章 机器学习系统的设计(Machine Learning System Design)
    • 10-1 优先考虑什么
    • 10-2 误差分析
    • 10-3 误差矩阵
    • 10-4 精确率和召回率的权衡
    • 10-5 机器学习的数据
  • 第十一章 支持向量机(Support Vector Machines)
    • 11-1 优化问题
    • 11-2 直观理解大间距分类器
    • 11-3 大间距分类器背后的数学原理 (选学)
    • 11-4 核技巧 I
    • 11-5 核技巧 II
    • 11-6 使用 SVM
  • 第十二章 聚类(Clustering)
    • 12-1 非监督学习介绍
    • 12-2 K-Means 算法
    • 12-3 优化目标
    • 12-4 随机初始化 II
    • 12-5 选择聚类数目
  • 第十三章 降维(Dimensionality Reduction)
    • 13-1 用途 I 数据压缩
    • 13-2 用途 II 可视化
    • 13-3 主成分分析问题
    • 13-4 主成分分析算法
    • 13-5 选择主成分数目
    • 13-6 压缩表示重建
    • 13-7 使用 PCA 的建议
  • 第十四章 异常检测(Anomaly Detection)
    • 14-1 问题驱动
    • 14-2 高斯分布
    • 14-3 算法
    • 14-4 开发并评估一个异常检测系统
    • 14-5 异常检测 vs 监督学习
    • 14-6 选择合适的特征
    • 14-7 多元高斯分布
    • 14-8 使用高斯分布进行异常检测
  • 第十五章 推荐系统(Recommender Systems)
    • 15-1 问题公式化
    • 15-2 基于内容的推荐问题
    • 15-3 协同过滤
    • 15-4 协同过滤算法
    • 15-5 向量化
    • 15-6 平均标准化的实现细节
  • 第十六章 大规模机器学习(Large Scale Machine Learning)
    • 16-1 基于大数据的学习
    • 16-2 随机梯度下降
    • 16-3 小批量梯度下降
    • 16-4 随机梯度下降的收敛性
    • 16-5 在线学习
    • 16-6 Map Reduce 和数据并行
  • 第十七章 应用实例-图片文字识别(Application Example-Photo OCR)
    • 17-1 问题描述与管道
    • 17-2 滑动窗口
    • 17-3 获取海量数据和人工数据
    • 17-4 上限分析

Powered by 吴恩达机器学习入门