微信扫码登录

微信扫码登录

邮箱恶意注册过多,目前只支持微信模式
Coding10 机器学习入门 - 吴恩达

机器学习入门 - 吴恩达

机器学习入门教程中首推吴恩达老师的版本,因此 Coding10 将吴恩达老师的机器学习入门教程直接引入,后续机器学习的相关系列将结合吴恩达老师机器学习视频共同完成。机器学习是数据科学领域的重要应用,如果想进入数据科学领域,请不要抱有天真幻想,咱们必须要付出相较以往更多的学习成本,而咱们亦需要付出更多的耐心,多探索,多尝试,相关的基础数学推导本课程中也会涉及到,请不要畏惧躲避,还望主动出击,不然的话你可能很难坚持走下去。 在 听听100 我也将上传最新版本的吴恩达机器学习,希望大家能通过英文版的教程完成机器学习的相关理论学习,在视频中吴恩达老师有很多实操演示,我们将学习到如何寻找所需的辅助材料,如何通过各种渠道进行更深入的学习。

站长没有打标签
标 题 时 间
欢迎来到机器学习的广阔天地 06:54
什么是机器学习 07:14
监督学习 12:29
无监督学习 14:13
模型描述 08:10
代价函数入门引导 08:12
代价函数 ( 1 ) 11:09
代价函数 ( 2 ) 08:48
梯度下降引导入门篇 11:30
梯度下降知识点总结归纳 11:51
线性回归的梯度下降 10:20
矩阵和向量 08:45
加法和标量乘法 06:54
矩阵的向量乘法引导入门 13:39
矩阵乘法解析 11:09
矩阵乘法的特征 09:02
逆和转置 11:13
多功能 08:22
多元梯度下降法 05:04
多元梯度下降法演练 - 特征缩放 08:52
多元梯度下降法演练 - 学习率 08:58
特征和多项式回归 07:39
正规方程(区别于迭代方法的直接解法) 16:18
正规方程在矩阵不可逆情况下的解决方法 05:59
吴恩达的编程小技巧 23:16
Octave - 基本操作 13:59
Octave - 移动数据 16:07
Octave - 数据计算 13:15
Octave - 数据绘制 09:38
Octave - 条件判断语句,循环语句 12:56
Octave - 矢量基础 13:48
假设陈述 07:24
决策边界 14:49
代价函数拟合 10:23
简化代价函数与梯度下降 10:15
回归算法的高级优化策略 14:06
多元分类 - 一对多 06:15
过拟合问题 09:42
正则化 - 代价函数 10:10
线性回归的正则化 10:40
Logistic 回归的正则化 08:34
非线性假设 09:36
神经元与大脑 07:47
神经网络 - 模型展示 1 12:01
神经网络 - 模型展示 2 11:46
神经网络 - 直觉理解与示例演示 1 07:15
神经网络 - 直觉理解与示例演示 2 10:20
神经网络 - 多元分析 03:51
神经网络 - 代价函数 06:43
神经网络 - 反向传播算法 11:59
神经网络 - 理解反向传播算法 12:44
神经网络 - 参数展开的注意事项 07:47
神经网络 - 梯度检测 11:37
神经网络 - 随机初始化 06:51
神经网络 - 组合模式更强大 13:23
神经网络 - 自动驾驶示例 06:30
关于机器学习的下一步建议 05:50
未来学习建议 - 假设评估 07:35
模型的选择、训练、验证、测试集 12:03
机器学习应用建议 - 诊断偏差与方差 07:42
机器学习应用建议 - 正则化的偏差与方差 11:20
机器学习应用建议 - 学习曲线 11:53
机器学习应用建议 - 看一看接下来从哪方面进行着手 06:50
机器学习系统化设计 - 确定执行的优先级 09:29
机器学习系统化设计 - 误差分析 13:12
机器学习的系统化设计 - 不对称性分类的误差分析 11:35
机器学习的系统化设计 - 精确度和召回率的权衡 14:05
机器学习系统化设计 - 机器学习数据篇 11:09
支持向量机 - 目标优化 14:47
支持向量机 - 直观上对大间隔的理解 10:36
支持向量机 - 大间隔分类器的数学原理 19:41
支持向量机 - 内核 1 15:44
支持向量机 - 内核 2 15:43
支持向量机 - 应用篇 21:02
无监督学习 - 聚类算法 03:17
聚类算法 - K-Means 算法 12:32
聚类算法 - 优化目标 07:04
聚类算法 - 随机初始化 07:49
聚类算法 - 选取聚类数量级别 08:22
维度降低 - 数据压缩 10:10
维度降低 - 数据可视化 10:09
主成分分析问题规划 1 09:05
主成分分析问题规划 2 15:15
主成分分析数量选择 10:30
维度降低 - 压缩重现 03:54
维度降低 - 应用 PCA 的相关建议 12:48
异常检测算法 - 问题的由来 07:38
异常检测算法 - 高斯分布 10:27
异常检测算法 - 实用高斯分布完成异常检测的示例 12:02
开发和评估异常检测系统 13:07
异常检测 VS 无监督学习 07:36
异常检测 - 选定要使用的特性 12:17
异常检测 - 多变量高斯分布 13:46
使用多变量高斯分布实现异常检测 14:03
推荐系统 - 问题规划篇 07:54
基于内容的推荐算法 14:31
推荐系统 - 协同过滤 10:14
内容推荐 - 协同过滤算法 08:27
推荐系统 - 矢量化:低轶矩阵分解 08:28
推荐系统 - 实施细节:均值规范化 08:31
课程为独立课程,没有学习路线