课程介绍
斯坦福CS229机器学习课程由吴恩达教授和其他几位教授一起主讲，是机器学习领域里一门非常重要的课程。由于课程质量非常高，是许多人进入人工智能、机器学习领域的基石。
本课程广泛介绍机器学习和统计模式识别。主题包括：
- 监督学习（生成/判别学习、参数化/非参数化学习、神经网络、支持向量机）
- 无监督学习（聚类、维度缩减、核方法）
- 学习理论（偏差/方差权衡，实用建议）
- 强化学习和自适应控制
- 机器学习的最新应用，如机器人控制、数据挖掘、自主导航、生物信息学、语音识别以及文本和网页数据处理
前置课程
学生应具有以下背景：
- 掌握计算机科学基本原理和技能，编程能力达到一个水平足以编写一个相对比较复杂的计算机程序 Python/Numpy （CS106A、CS106B、CS106X）。
- 熟悉概率理论（CS 109、MATH151 或 STAT116）。
- 熟悉多变量微积分和线性代数。包括但不限于 MATH51、MATH104、MATH113、CS205、CME100）。
课程主题
- 有监督学习：线性回归、逻辑回归、梯度下降、广义线性模型、高斯判别分析、朴素贝叶斯、支持向量机、核方法、决策树与集成方法、神经网络
- 无监督学习：K 均值、高斯混合模型与期望最大算法、因子分析、主成分分析、独立成分分析
- 强化学习：马尔可夫决策过程、值/策略迭代、梯度策略
- 学习理论：偏差/方差权衡，实用建议
ShowMeAI课程解读：全套资料
课程速查表 | 【点击链接】
课程重点笔记 | 【点击板块】
| 板块编号 | 笔记链接 |
|---|---|
| 板块1 | 监督学习速查表 |
| 板块2 | 无监督学习速查表 |
| 板块3 | 深度学习速查表 |
| 板块4 | 机器学习技巧与经验 |
| 板块5 | 概率与统计基础 |
| 板块6 | 线性代数与微积分基础 |
课程作业 |【作业代码解析】|【点击编号】
| 作业编号 | solution地址 |
|---|---|
| 作业1 | 线性回归与梯度下降 |
| 作业2 | 逻辑回归与梯度下降 |
| 作业3 | 多分类与神经网络预估 |
| 作业4 | 神经网络学习 |
| 作业5 | 高偏差/高方差与正则化 |
| 作业6 | SVM与垃圾邮件分类 |
| 作业7 | K-means与PCA |
| 作业8 | 异态检测与推荐系统 |
课程资料 | 下载
 |
扫描上方图片二维码，关注公众号并回复关键字 🎯『CS229』，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！
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：
- 📚 笔记（精简版本 & 详细版本）
- 📚 作业
- 📚 CS229知识速查表
- 📚 课程补充资料
课程视频 | B站
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：
| 序号 | 视频章节 | 视频清单 |
| L1 | 第1节 | 机器学习简介 |
| L2 | 第2节 | 线性回归和梯度下降 |
| L3 | 第3节 | 局部加权和逻辑回归 |
| L4 | 第4节 | 感知器和广义线性模型 |
| L5 | 第5节 | GDA 和朴素贝叶斯 |
| L6 | 第6节 | 支持向量机 |
| L7 | 第7节 | 核函数 |
| L8 | 第8节 | 数据拆分、模型和交叉验证 |
| L9 | 第9节 | 近似/估计误差和 ERM |
| L10 | 第10节 | 决策树和集成方法 |
| L11 | 第11节 | 神经网络简介 |
| L12 | 第12节 | 反向传播和改进神经网络 |
| L13 | 第13节 | 调试 ML 模型和错误分析 |
| L14 | 第14节 | 期望最大化算法 |
| L15 | 第15节 | EM 算法和因子分析 |
| L16 | 第16节 | 独立成分分析和强化学习 |
| L17 | 第17节 | MDP 和价值/政策迭代 |
| L18 | 第18节 | 连续状态 MDP 和模型仿真 |
| L19 | 第19节 | 奖励模型和线性动力系统 |
| L20 | 第20节 | RL 调试和诊断 |
更多技术与课程清单 | 点击查看详细课程
