机器学习入门 - 吴恩达
17小时15分钟
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。
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
00:00
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
微信扫码登录
