吴恩达机器学习 人工智能编程算法基础入门课程

编号9527

课程名称:  吴恩达机器学习 人工智能编程算法基础入门课程

免费试看:    

下载地址：

游客， 下载地址需要支付 48下载币 才能浏览支付

课程简介:    

适用人群
有数学与计算机编程基础，希望了解机器学习与神经网络的同学。

课程概述
【注意：课程属于连载课程，将于每周的周一或者周二更新1-2章。】

本门课程是 Coursera 上的第一门课，也是吴恩达（Andrew Ng）老师的经典之作，并授权网易汉化发布。从2011年上线到2017年，本门课程已经在全球积累了180万名学员，给许多人工智能入门者提供了全新的学习途径。

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。

----------------------课程目录------------------------------

章节1:绪论：初识机器学习
课时1欢迎参加《机器学习》课程06:54
课时2什么是机器学习？07:14
课时3监督学习12:29
课时4无监督学习14:13
课时5问题
章节2:单变量线性回归
课时6模型描述08:10
课时7代价函数08:12
课时8代价函数（一）11:09
课时9代价函数（二）08:48
课时10梯度下降11:30
课时11梯度下降知识点总结11:50
课时12线性回归的梯度下降10:20
课时13本章课程总结
章节3:线性回归回顾
课时14矩阵和向量08:45
课时15加法和标量乘法06:53
课时16矩阵向量乘法13:39
课时17矩阵乘法11:09
课时18矩阵乘法特征09:02
课时19逆和转置11:13
章节4:配置
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25GNU/Linux 上安装 Octave
课时26更多 Octave/MATLAB  资源
章节5:多变量线性回归
课时27多功能08:22
课时28多元梯度下降法05:04
课时29多元梯度下降法演练 I – 特征缩放08:52
课时30多元梯度下降法II – 学习率08:58
课时31特征和多项式回归07:39
课时32正规方程（区别于迭代方法的直接解法）16:17
课时33正规方程在矩阵不可逆情况下的解决方法05:59
课时34完成并提交编程作业03:33
章节6:Octave/Matlab 教程
课时35基本操作13:59
课时36移动数据16:07
课时37计算数据13:15
课时38数据绘制09:38
课时39控制语句：for，while，if 语句12:56
课时40矢量13:48
课时41本章课程总结
章节7ogistic 回归
课时42分类08:08
课时43假设陈述07:24
课时44决策界限14:49
课时45代价函数10:23
课时46简化代价函数与梯度下降10:14
课时47高级优化14:06
课时48多元分类：一对多06:15
课时49本章课程总结
章节8:正则化
课时50过拟合问题09:42
课时51代价函数10:10
课时52线性回归的正则化10:40
课时53Logistic 回归的正则化08:33
章节9:神经网络学习
课时54非线性假设09:36
课时55神经元与大脑07:47
课时56模型展示Ⅰ12:01
课时57模型展示Ⅱ11:46
课时58例子与直觉理解Ⅰ07:15
课时59例子与直觉理解Ⅱ10:20
课时60多元分类03:51
章节10:神经网络参数的反向传播算法
课时61代价函数06:43
课时62反向传播算法11:59
课时63理解反向传播12:44
课时64使用注意：展开参数07:47
课时65梯度检测11:37
课时66随机初始化06:51
课时67组合到一起13:23
课时68无人驾驶06:30
章节11:应用机器学习的建议
课时69决定下一步做什么05:50
课时70评估假设07:35
课时71模型选择和训练、验证、测试集12:03
课时72诊断偏差与方差07:42
课时73正则化和偏差、方差11:20
课时74学习曲线11:53
课时75决定接下来做什么06:50
章节12:机器学习系统设计
课时76确定执行的优先级09:29
课时77误差分析13:12
课时78不对称性分类的误差评估11:35
课时79精确度和召回率的权衡14:05
课时80机器学习数据11:09
章节13:支持向量机
课时81优化目标14:47
课时82直观上对大间隔的理解10:36
课时83大间隔分类器的数学原理19:41
课时84核函数115:44
课时85核函数215:43
课时86使用SVM21:02
章节14:无监督学习
课时87无监督学习03:17
课时88K-Means算法12:32
课时89优化目标07:04
课时90随机初始化07:49
课时91选取聚类数量