斯坦福 机器学习课程汇总

斯坦福 机器学习课程汇总

以下内容来自：http://studyai.site/

---

前言

首先感谢吴恩达建立Coursera这样一个优秀的在线学习平台，以及他发布在这个平台上的机器学习课程。

这门课程将整个机器学习领域的基础知识，用浅显易懂的方式，深入浅出的进行了介绍。使得一个拥有高中数学知识的学生也能听得明白。

如果你想要涉足机器学习、人工智能领域，或者对这一领域有浓厚的兴趣想要深入了解，那么你会发现很多机器学习入门课程推荐的资料中，都有吴恩达老师的这一系列课程。甚至在大多数资料中，都把这门课放在了首选的位置上。

因此，我把吴恩达老师的课程整理成了MarkDown的格式，方便查阅学习。以下是具体章节的目录，其中每篇文章都有对应的视频连接地址：

目录

• 第一周
  • 欢迎来到机器学习
  • 监督学习
  • 无监督学习
  • 一元线性回归
  • 参数学习-梯度下降算法
  • 线性代数复习
• 第二周
  • 编程环境设置-Octave:MATLAB
  • 多元线性回归分析
  • 参数的计算分析
  • Octave/Matlab 使用说明
• 第三周
  • 分类和表达式
    • 分类
    • 假设函数表达式
    • 决策边界
  • Logistic回归模型
    • 逻辑回归的代价函数
    • 简化代价函数以及梯度下降
    • 高级优化
  • 多类别分类问题：一对多
  • 正则化：解决过拟合问题
    • 解决过拟合问题
    • 代价函数
    • 正则化线性回归
• 第四周
  • 神经网络引入
    • 非线性假设
    • 神经网络和大脑
  • 神经网络
  • 神经网络应用实例
• 第五周
  • 训练神经网络
    • 代价函数
    • 反向传播(B-P)
    • 反向传播算法的直观介绍
  • BP算法
  • 神经网络实现自动驾驶
• 第六周
  • 评价一个学习算法
    • 如何少走弯路？
    • 评估假设函数
    • 多项式模型的选择以及训练集/验证集/测试集的划分
  • 偏差VS方差
    • 偏差VS方差
    • 正则化和偏差/方差
    • 学习曲线(Learning Curves)
    • 重新审视决定下一步做什么
  • 机器学习系统设计
    • 构建垃圾邮件分类器
    • 误差分析
  • 操作偏斜数据
    • 偏移类的错误度量
    • 查准率和召回率练习
  • 使用大数据集
• 第七周
  • 大间距分类 SVM
    • 优化目标
    • 大间距的直觉
    • 大间距分类器背后的数学原理(选学))
  • 核函数
  • 使用SVM
• 第八周
  • 聚类
    • 无监督学习介绍
    • K-Means算法
    • 优化目标
    • 随机初始化
    • 选择簇的数量
  • PCA 降维
• 第九周
  • 密度估计&异常检测
  • 构建一个异常检测系统
  • 多元高斯分布（选学）
  • 预测电影评分
    • 预测电影评分
    • 协同过滤
    • 低秩矩阵分解
• 第十周
  • 大数据集梯度下降
    • 处理大数据的学习算法
    • 随机梯度下降
    • 小批量梯度下降
    • 随机梯度下降的收敛
  • 高级主题
    • 在线学习
    • Map Reduce 和数据并行
• 第十一周
  • 照片OCR
    • 问题描述和流水线（Pipeline）
    • 滑动窗体
    • 获取大量数据和人工数据
    • 上限分析：流水线上的下一步工作是什么