课程目录
- 第1讲 欢迎参加《机器学习》课程
- 第2讲 什么是机器学习？
- 第3讲 监督学习
- 第4讲 无监督学习
- 第5讲 模型描述
- 第6讲 代价函数
- 第7讲 代价函数I
- 第8讲 代价函数II
- 第9讲 梯度下降
- 第10讲 梯度下降知识点总结
- 第11讲 线性回归的梯度下降
- 第12讲 矩阵和向量
- 第13讲 加法和标量乘法
- 第14讲 矩阵向量乘法
- 第15讲 矩阵乘法
- 第16讲 矩阵乘法特征
- 第17讲 逆和转置
- 第18讲 多功能
- 第19讲 多元梯度下降法
- 第20讲 多元梯度下降法演练I 特征缩放
- 第21讲 多元梯度下降法II 学习率
- 第22讲 特征和多项式回归
- 第23讲 正规方程（区别于迭代方法的直接解法）
- 第24讲 正规方程在矩阵不可逆情况下的解决方法
- 第25讲 导师的编程小技巧
- 第26讲 基本操作
- 第27讲 移动数据
- 第28讲 计算数据
- 第29讲 数据绘制
- 第30讲 控制语句：for while if 语句
- 第31讲 矢量
- 第32讲 分类
- 第33讲 假设陈述
- 第34讲 决策界限
- 第35讲 代价函数
- 第36讲 简化代价函数与梯度下降
- 第37讲 高级优化
- 第38讲 多元分类：一对多
- 第39讲 过拟合问题
- 第40讲 代价函数
- 第41讲 线性回归的正则化
- 第42讲 Logistic 回归的正则化
- 第43讲 非线性假设
- 第44讲 神经元与大脑
- 第45讲 模型展示I
- 第46讲 模型展示II
- 第47讲 例子与直觉理解I
- 第48讲 例子与直觉理解II
- 第49讲 多元分类
- 第50讲 代价函数
- 第51讲 反向传播算法
- 第52讲 理解反向传播
- 第53讲 使用注意：展开参数
- 第54讲 梯度检测
- 第55讲 随机初始化
- 第56讲 组合到一起
- 第57讲 无人驾驶
- 第58讲 决定下一步做什么
- 第59讲 评估假设
- 第60讲 模型选择和训练、验证、测试集
- 第61讲 诊断偏差与方差
- 第62讲 正则化和偏差、方差
- 第63讲 学习曲线
- 第64讲 决定接下来做什么
- 第65讲 确定执行的优先级
- 第66讲 误差分析
- 第67讲 不对称性分类的误差评估
- 第68讲 精确度和召回率的权衡
- 第69讲 机器学习数据
- 第70讲 优化目标
- 第71讲 直观上对大间隔的理解
- 第72讲 大间隔分类器的数学原理
- 第73讲 核函数Ⅰ
- 第74讲 核函数II
- 第75讲 使用SVM
- 第76讲 无监督学习
- 第77讲 K-Means算法
- 第78讲 优化目标
- 第79讲 随机初始化
- 第80讲 选取聚类数量
- 第81讲 目标I：数据压缩
- 第82讲 目标II：可视化
- 第83讲 主成分分析问题规划I
- 第84讲 主成分分析问题规划II
- 第85讲 主成分数量选择
- 第86讲 压缩重现
- 第87讲 应用PCA的建议
- 第88讲 问题动机
- 第89讲 高斯分布
- 第90讲 算法
- 第91讲 开发和评估异常检测系统
- 第92讲 异常检测VS监督学习
- 第93讲 选择要使用的功能
- 第94讲 多变量高斯分布
- 第95讲 使用多变量高斯分布的异常检测
- 第96讲 问题规划
- 第97讲 基于内容的推荐算法
- 第98讲 协同过滤
- 第99讲 协同过滤算法
- 第100讲 矢量化：低轶矩阵分解
课程介绍
* 学校：斯坦福大学
* 讲师：Andrew Ng
* 集数：20
* 类型：计算机
人工智能的发展到已经进入了一个瓶颈期。近年来各个研究标的目的都没有太大的突破。真正意义上人工智能的实现目前还没有任何曙光。但是，机器学习无疑是最有希望实现这个目标的标的目的之一。斯坦福大学的“Stanfo 人工智能的发展到已经进入了一个瓶颈期。近年来各个研究标的目的都没有太大的突破。真正意义上人工智能的实现目前还没有任何曙光。但是，机器学习无疑是最有希望实现这个目标的标的目的之一。斯坦福大学的“Stanford Engineering Everywhere ”免费提供学校里最受欢迎的工科课程，给全世界的学生和教育工作者。得益于这个项目，我们有机会和全世界站在同一个数量级的知识起跑线上。
