📒Coursera-ML-AndrewNg-笔记

type
status
slug
summary
tags
category
icon
password
Date
斯坦福大学2014（吴恩达）机器学习教程中文笔记
课程地址：https://www.coursera.org/course/ml
笔记在线阅读
机器学习（Machine Learning，简称 ML）是研究计算机如何模拟或实现人类的学习行为，获得新的知识或技能，并重新组织人工智能系统。它是使计算机具有智能的根本途径，其主要用途是归纳、综合而不是演绎。在过去的十年中，机器学习逐渐成为自动驾驶汽车，提供高效的语音识别、高效的网络搜索，并非常成功地提高了人类的认识。机器学习是当今世界上最流行的人工智能方法，我上世纪 90 年代就已经使用了数十亿而不知道。很多研究人员也认为这是最好的人工智能方法。在本课中，我学习了机器学习技术，并将它们变为自己的工作。更重要的是，你会不仅得到了理论基础的学习，而且获得了那些需要快速和强大的应用技术来解决问题的实用技术。最后，你会学到一些硅谷利用机器学习和人工智能的最佳创新。
本课程提供了广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括：
（一）监督学习（参数/非参数算法，支持机，核函数，神经网络）。
（二）无监督学习（迭代，降维，推荐系统，深入学习推荐）。
（三）在机器学习的最佳实践（偏差/倾斜理论；在机器学习和人工智能创新过程）。本课程使用大量的案例研究，您可以使用学习算法构建智能机器人（装载，控制），文本的理解（网络搜索，反垃圾邮件），计算机，医疗信息，音频，数据挖掘，以及其他领域。
本课程需要10周共18节课，相对于以前的机器学习视频，这个视频更加清晰，而且每节课都有ppt课件，推荐学习。
本人2014年下半年开始翻译本课程字幕，并写了课程的中文笔记。笔记被下载了几万次，应该帮助很多辅助人，也有人一直在帮助我，现在我把笔记的字原稿和markdown原稿分享给大家。
markdown笔记和课程中英文字幕我将放在github 上，希望大家能继续完善。为方便数学公式的在线显示，在线观看的是html文件，公式将被转为图片，公式源在markdown文件。
最后想对各位朋友说： 赠人玫瑰，手有余香！ 在人工智能的道路上，你不是一个在战斗的人！
黄海广
2018-3-26 夜
微信公众号：机器学习初学者我的知乎
参考：
  1. https://www.coursera.org/course/ml机器学习公开课
  1. https://mooc.guokr.com/note/12/ 小小人_V的个人笔记
  1. 《统计学习方法》李航
  1. 《机器学习课》邹博
备注：吴恩达老师的深度学习课（deepLearning.ai）的笔记地址：https://github.com/fengdu78/deeplearning_ai_books
文件夹说明：
docx：笔记的word版本
markdown：笔记的markdown版本
html：笔记的html版本
图片：笔记的图片
ppt：课程的原版课件
srt：课程的中英文字幕（mp4文件需要在百度云下载，大家可以用记事本或者字幕编辑软件来编辑字幕，共同完善。
百度云链接：https://pan.baidu.com/s/1h8QjqBlOm0Exh7orm9teMQ密码：d3we，下载后解压）
code：课程的python代码
机器学习课程视频：https://www.bilibili.com/video/BV1W34y1i7xK
笔记在线阅读
笔记pdf版本下载：见Github根目录。
机器学习qq群：955171419（我们有13个群，加过一个就不需要加了）
机器学习教程中文笔记目录
一、引言(简介)
1.1 欢迎
1.2 机器学习是什么？
1.3 监督学习
1.4 无监督学习
二、单变量线性回归( Linear Regression with One Variable )
2.1模型展示
2.2 代价函数
2.3 美联储对美国股市的预期
2.4 美联储对美国股市的预期
2.5 急剧下降
2.6 经济增长下降对赵紫阳的理解
2.7 陡峭下降的线性回归
2.8 接下来的内容
三、线性代数回顾( Linear Algebra Review )
3.1 矩阵和向量
3.2 加法和标量乘法
3.3 矩阵支持乘法
3.4 矩阵乘法
3.5 矩阵乘法的性质
3.6 逆、置
四、多变量线性回归( Linear Regression with Multiple Variables )
4.1 多种特征
4.2 多元学科下降
4.3 梯度下降法实践1-梯度下降
4.4 梯度下降法实践2-学习率
4.5 特征和种植方式回归
4.6 正规方程
4.7 正规方程及不可逆性（选修）
五、Octave教程( Octave教程)
5.1 基本操作
5.2 移动数据
5.3 计算数据
5.4 绘图数据
5.5 控制语句：for，while，if语句
5.6 支持化 88
5.7 工作和提交的编程练习
六、逻辑回归( Logistic Regression )
6.1 分类问题
6.2 假说表示
6.3 历史记录
6.4 代价函数
6.5 简化预算函数和梯度下降
6.6 高级优化
6.7 多类别分类：一对多
七、正则化( Regularization )
7.1 逾期问题
7.2 注意事项
7.3 正确答案：
7.4 正规化的逻辑回归模型
第八、神经网络：四年( Neural Networks : Representation )
8.1 非线性理论
8.2 神经元和大脑
8.3 模型展示1
8.4模型表示2
8.5 样本和绘图理解1
8.6 样本和乔治理解II
8.7 多类分类
九、神经网络的学习( Neural Networks : Learning )
9.1 代价函数
9.2 逆向传播算法
9.3 反向传播算法的赵理解
9.4 实现注意：展开参数
9.5 精密检验
9.6 随机初始化
9.7 全面起来
9.8 自主驾驶
十、应用机器学习的建议( Advice for Applied Machine Learning )
10.1 决定下一步做什么
10.2 评估一个假设
10.3 模型选择和交叉验证集
10.4 诊断偏见和方差
10.5 正则化和偏差/倾斜
10.6 学习曲线
10.7 决定下一步做什么
十一、机器学习系统的设计( Machine Learning System Design )
11.1首先要做什么
11.2 工件分析
11.3 类偏斜的误差
11.4 查准率和查全率之间的比较
11.5 机器学习的数据
第7周
十二、支持机（Support Vector Machines）
12.1 优化目标
12.2 大边界的理解
12.3 数学背后的大边界分类（选修）
12.4 核函数1
12.5 核函数2
12.6 使用支持向量机
十三、聚类( Clustering )
13.1 学习指导：
13.2 K-均值算法
13.3 优化目标
13.4 随机初始化
13.5 选择聚类数
十四、降维（降维）
14.1 动机一：数据压缩
14.2 动机二：数据可视化
14.3 主要分析问题
14.4 主要成分分析算法
14.5 选择主要成分的数量
14.6 重建的压缩表示
14.7 主要成分分析法的应用建议
十五、异常检测( Anomaly Detection )
15.1 问题的动机
15.2 高速分布
15.3 算法
15.4 开发和评估一个异常检测系统
15.5 异常检测与监督学习对比
15.6 选择特征
15.7 多元高斯分配（选修改）
15.8 使用多元高斯分布进行异常检测（选修）
十六、推荐系统( Recommender Systems )
16.1 问题形式化
16.2 基于内容的推荐系统
16.3 协同过滤
16.4 良好过滤算法
16.5 支撑化：低排序矩阵排列
16.6 推行工作上的一个重要问题：均值归一化
十七、大规模机器学习( Large Scale Machine Learning )
17.1 大型数据库的学习
17.2 随机梯度下降法
17.3 小批量急剧下降
17.4 随机梯度恢复
17.5 在线学习
17.6 映射简和数据存在于
十八、应用实例：图片文字识别（应用示例：照片OCR）
18.1 问题描述和流程图
18.2 滑动窗口
18.3 获取大量数据和人工数据
18.4 上限分析：哪部分管道的接驳去做
十九、总结( Conclusion )
19.1 总结与致谢
 
Coursera-ML-AndrewNg-Notes
fengdu78 • Updated Nov 11, 2024
Search2AImilvus-io / bootcamp