吴恩达机器学习课程-学习资料
吴恩达机器学习课程,内容覆盖监督学习、无监督学习、机器学习应用等

关键词标签: 吴恩达, 机器学习, 监督学习, 无监督学习, 异常检测
Machine Learning; 机器学习
🏆 课程学习中心 | 🚧 机器学习课程合辑 | 🌍 课程主页 | 📺 中英字幕视频 | 🚀 项目代码解析
Machine Learning
机器学习
DeepLearning.ai AndrewNG
DeepLearning.ai 吴恩达
AndrewNG-ML
⭐⭐⭐⭐⭐


课程介绍

Machine Learning; 机器学习

Andrew Ng(吴恩达)在2012年推出的『机器学习』课程已经收获了超过 480 万学习者。2022年课程团队对其进行更新升级,广泛地介绍了现代机器学习,包括监督学习(多线性回归、逻辑回归、神经网络和决策树)、无监督学习(聚类、降维、推荐系统),以及硅谷用于人工智能和机器学习创新的一些最佳实践(评估和调整模型,采用以数据为中心的方法来提高性能等)。

Machine Learning; 机器学习

课程学习结束时,学习者将掌握关键概念并获得实用知识,以快速有效地将机器学习应用于具有挑战性的现实问题。如果希望进入 AI 领域或在机器学习领域建立职业生涯,那么这门新版本的『机器学习专项课程』会是非常棒的选择!

Machine Learning; 机器学习

课程讲师为Andrew Ng(吴恩达),曾在斯坦福大学领导过重要研究,并在 Google Brain、百度和 Landing.AI 开展了开创性工作,以推动 AI 领域的发展。


课程主题

本课程是 Stanford CS229 的内容拓展版,由吴恩达教授讲授。课程官网发布了课程主题,ShowMeAI 对其进行了翻译。


课程资料 | 下载

Machine Learning; 机器学习

扫描上方图片二维码,关注公众号并回复关键字 🎯『AndrewNG-ML』,就可以获取整理完整的资料合辑啦!当然也可以点击 🎯 这里 查看更多课程的资料获取方式!

Machine Learning; 机器学习
Machine Learning; 机器学习

ShowMeAI 对课程资料进行了梳理,整理成这份完备且清晰的资料包:


课程视频 | B站

🌍 B站 | (强推|双字)2022吴恩达机器学习Deeplearning.ai课程

ShowMeAI 将视频上传至B站,并增加了中英双语字幕,以提供更加友好的学习体验。点击页面视频,可以进行预览。推荐前往 👆 B站 观看完整课程视频哦!

本门课程,ShowMeAI 将部分章节进行了切分,按照主题形成更短小的视频片段,便于按照标题进行更快速的检索。切分后的视频清单列写在这里:

第一课 第二课 第三课
🎯 第一周 🎯 第一周 🎯 第一周
1.1 欢迎参加《机器学习》课程 1.1 欢迎 1.1 欢迎来到第三课
1.2 机器学习应用 1.2 神经元和大脑 2.1 什么是聚类
2.1 机器学习定义 1.3 需求预测 2.2 K-means直观理解
2.2 监督学习-part-1 1.4 举例-图像感知 2.3 K-means算法
2.3 监督学习-part-2 2.1 神经网络中的网络层 2.4 优化目标
2.4 无监督学习-part-1 2.2 更复杂的神经网络 2.5 初始化 K-means
2.5 无监督学习-part-2 2.3 神经网络前向传播 2.6 选择聚类数量
2.6 Jupyter notebooks 3.1 如何用代码实现推理 3.1 发现异常事件
3.1 线性回归模型-part-1 3.2 Tensorflow中数据形式 3.2 高斯正态分布
3.2 线性回归模型-part-2 3.3 搭建一个神经网络 3.3 异常检测算法
3.3 代价函数公式 4.1 单个网络层上的前向传播 3.4 开发与评估异常检测系统
3.4 理解代价函数 4.2 前向传播的一般实现 3.5 异常检测与监督学习对比
3.5 可视化代价函数 5.1 强人工智能 3.6 选择使用什么特征
3.6 可视化举例 6.1 神经网络为何如此高效 🎯 第二周
4.1 梯度下降 6.2 矩阵乘法 1.1 提出建议
4.2 梯度下降的实现 6.3 矩阵乘法规则 1.2 使用每个特征
4.3 理解梯度下降 6.4 矩阵乘法代码 1.3 协同过滤算法
4.4 学习率 🎯 第二周 1.4 二进制标签
4.5 用于线性回归的梯度下降 1.1 Tensorflow实现 2.1 均值归一化
4.6 运行梯度下降 1.2 模型训练细节 2.2 协同过滤TensorFlow实现
🎯 第二周 2.1 Sigmoid激活函数的替代方案 2.3 寻找相关特征
1.1 多维特征 2.2 如何选择激活函数 3.1 协同过滤与基于内容过滤对比
1.2 向量化-part-1 2.3 为什么模型需要激活函数 3.2 基于内容过滤的深度学习方法
1.3 向量化-part-2 3.1 多分类问题 3.3 从大型目录中推荐
1.4 用于多元线性回归的梯度下降法 3.2 Softmax 3.4 推荐系统中的伦理
2.1 特征缩放-part-1 3.3 神经网络的Softmax输出 3.5 基于内容过滤的TensorFlow实现
2.2 特征缩放-part-2 3.4 Softmax的改进实现 🎯 第三周
2.3 判断梯度下降是否收敛 3.5 多个输出的分类 1.1 什么是强化学习
2.4 如何设置学习率 4.1 高级优化方法 1.2 示例:火星探测器
2.5 特征工程 4.2 其他的网络层类型 1.3 强化学习的回报
2.6 多项式回归 🎯 第三周 1.4 决策:强化学习中的策略
🎯 第三周 1.1 决定下一步做什么 1.5 审查关键概念
1.1 动机与目的 1.2 模型评估 2.1 状态-动作价值函数定义
1.2 逻辑回归 1.3 模型选择&交叉验证测试集的训练方法 2.2 状态-动作价值函数示例
1.3 决策边界 2.1 通过偏差与方法进行诊断 2.3 贝尔曼方程
2.1 逻辑回归中的代价函数 2.2 正则化、偏差、方差 2.4 random stochastic environment(可选)
2.2 简化逻辑回归代价函数 2.3 制定一个用于性能评估的基准 3.1 示例:连续状态空间应用
3.1 实现梯度下降 2.4 学习曲线 3.2 登月器
4.1 过拟合问题 2.5 (修订)决定下一步做什么 3.3 学习状态值函数
4.2 解决过拟合 2.6 方差与偏差 3.4 算法改进:改进的神经网络架构
4.3 正则化 3.1 机器学习开发的迭代 3.5 算法改进:ε-贪婪策略
4.4 用于线性回归的正则方法 3.2 误差分析 3.6 算法改进:小批量和软更新(可选)
4.5 用于逻辑回归的正则方法 3.3 添加更多数据 3.7 强化学习的状态
  3.4 迁移学习-使用其他任务中的数据 3.8 课程总结和致谢
  3.5 机器学习项目的完整周期  
  3.6 公平、偏见与伦理  
  4.1 倾斜数据集的误差指标  
  4.2 精确率与召回率的权衡  
  🎯 第四周  
  1.1 决策树模型  
  1.2 学习过程  
  2.1 纯度  
  2.2 选择拆分信息增益  
  2.3 整合  
  2.4 独热编码One-hot  
  2.5 连续有价值的功能  
  2.6 回归树  
  3.1 使用多个决策树  
  3.2 有放回抽样  
  3.3 随机森林  
  3.4 XGBoost  
  3.5 何时使用决策树  


更多技术与课程清单 | 点击查看详细课程

技术方向 课程及链接
计算机数学基础 MIT-计算机科学的数学基础
辛辛那提大学-微积分I
辛辛那提大学-微积分II
辛辛那提大学-离散数学
斯坦福-线性代数与矩阵方法导论
计算机科学导论 斯坦福-计算机科学导论
哈佛-计算机科学导论
MIT-计算机科学与Python编程导论
数据结构与算法 MIT-数据结构与算法设计
马里兰大学-数据结构
数据库 CMU-数据库系统导论
CMU-数据库系统进阶
机器学习及应用 斯坦福CS229
MIT-机器学习导论
深度学习及应用 斯坦福CS230
哈佛-Python人工智能入门
MIT-深度学习导论
李宏毅-机器学习(&深度学习)
应用深度学习(全知识点覆盖)
UC Berkeley-深度神经网络设计、可视化与理解
威斯康星-深度学习和生成模型导论
UC Berkeley-全栈深度学习训练营
自然语言处理 斯坦福CS224n(深度学习与NLP)
斯坦福CS124(从语言到信息)
斯坦福CS520(知识图谱)
马萨诸塞-自然语言处理进阶
计算机视觉 斯坦福CS231n(深度学习与CV)
密歇根eecs498(CS231n进阶课)
慕尼黑工大adl4cv(深度学习与CV高阶课)
多模态 CMU-多模态机器学习
图机器学习 斯坦福CS224w
强化学习 斯坦福CS234(强化学习)
伯克利CS285(深度强化学习)
无监督学习 伯克利CS294-158(深度无监督学习)
AI与生物医疗 MIT-面向生命科学的深度学习
MIT-基因组学机器学习
MIT-医疗机器学习
图形学与几何 CMU-计算机图形学
AMMI-几何深度学习
其他课程 哈佛-基于Python/JavaScript的web编程
MIT-计算思维导论(Julia)
MIT-深度学习与无人驾驶
Machine Learning; 机器学习
*****
本文作者 韩信子
欢迎关注微信公众号 ShowMeAI研究中心 获取更多资源!