吴恩达机器学习系列课程--个人笔记

半城伤御伤魂 提交于 2020-11-24 03:15:10

网址:https://www.bilibili.com/video/av50747658/ (b站找的有中文字幕的视频)

第一周

一、引言

1.1 欢迎

1.2 机器学习是什么

1.3 监督学习

1.4 无监督学习

二、单变量线性回归

2.1 模型表示

2.2 代价函数

2.3 代价函数的直观理解 I

2.4 代价函数的直观理解 II

2.5 梯度下降

2.6 梯度下降的直观理解

2.7 梯度下降的线性回归

2.8 接下来的内容

三、线性代数回顾

3.1 矩阵和向量

3.2 加法和标量乘法

3.3 矩阵向量乘法

3.4 矩阵乘法

3-5 矩阵乘法特征

(1)矩阵乘法不适用交换律

(2)矩阵乘法满足结合律

(3)单位矩阵是对角线(a11,a22,a33...)都等于1的矩阵

3-6 逆和转置

(1)逆矩阵

只有m*m的矩阵有逆矩阵

I是单位矩阵

(2)转置

aij的矩阵,变成aji

 

第2周

四、多变量线性回归

4-1 多功能

当用多个参数预测房价时,需使用多元线性回归,向量表示为:

4-2 多元梯度下降法

4-3 梯度下降法实践 1-特征缩放

4-4 梯度下降法实践 2-学习率

4-5 特征和多项式回归

4-6 正规方程

4-7 正规方程及不可逆性(可选)

 

五、Octave教程

5-1 基本操作

~= 表示 逻辑不等于

5-2 移动数据

5-3 计算数据

5-4 数据绘制

5-5 控制语句:for while if 语句

5-6 矢量(没太看懂)

 第三周

六、逻辑回归

6-1 分类

逻辑回归算法(logistics regression)——逻辑回归算法是个分类算法,它适用于y值取离散值得情况。

二元分类(0,1分类)

6-2 假设陈述

6-3 决策界限

6-4 代价函数

6-5 简化代价函数与梯度下降

6-6 高级优化

学完本章需要实现:写一个函数,它能返回代价函数值、梯度值,因此要把这个应用到逻辑回归或者甚至线性回归中,你也可以把这些优化算法用于线性回归,你需要做的就是输入合适的代码来计算这里的这些东西。

6-7 多元分类——一对多

y值是多个分类值

 

七、正则化

7-1 过拟合问题

什么是过拟合

正则化

7-2 代价函数

7-3 线性回归的正则化

7-4 逻辑回归的正则化

 

---------------------------------------

 

目前大家对机器学习算法可能还只是略懂,但是一旦你精通了线性回归、高级优化算法
和正则化技术,坦率地说,你对机器学习的理解可能已经比许多工程师深入了。现在,你已
经有了丰富的机器学习知识,目测比那些硅谷工程师还厉害,或者用机器学习算法来做产品。
 
接下来的课程中,我们将学习一个非常强大的非线性分类器,无论是线性回归问题,还
是逻辑回归问题,都可以构造多项式来解决。你将逐渐发现还有更强大的非线性分类器,可
以用来解决多项式回归问题。我们接下来将将学会,比现在解决问题的方法强大 N 倍的学
习算法。

 第四周

八、神经网络:表述

8-1 非线性假设

8-2 神经元与大脑

8-3 模型展示I

8-4 模型展示II

8-5 例子与直觉理解I

8-6 例子与直觉理解II

8-7 多元分类

9-1 代价函数

9-2 反向传播算法

9-3 理解反向传播算法

9-4 使用注意:展开参数

9-5 梯度检测

9-6 随机初始化

9-7 组合到一起

9-8 无人驾驶

10-1 决定下一步做什么

 10-2 评估假设

10-3 模型选择和训练、测试、验证集

60% 20% 20% 划分这三个集合(常用)

10-4 诊断偏差与方差

10-5 正则化和方差、偏差

10-6 学习曲线

10-7 决定接下来要做什么

11-1 确定执行的优先级

11-2 误差分析

11-3 不对称性分类的误差评估

11-4 精确度和召回率的权衡

11-5 机器学习数据  

12-1 优化目标

12-2 直观上对大间隔的理解

12-3 大间隔分类器的数学原理

12-4 核函数1

12-5 核函数2

12-6 使用SVM

13-1 无监督学习

聚类

13-2 K-Means算法

13-3 优化目标

13-4 随机初始化

13-5- 选取聚类数量

14-1 目标I:数据压缩

14-2 目标II:可视化

14-3 主成分分析问题规划1

14-4 主成分分析问题规划2

14-5 主成分数量选择

14-6 压缩重现

14-7 应用PCA的建议

15-1 问题动机

15-2 高斯分布(正态分布)

15-3 算法

15-4 开发和评估异常检测系统

15-5 异常检测 VS 监督学习

当正样本过少,负样本较多的时候,使用异常检测,算法可以从负样本中学到足够多的特征

反之,负样本过少的时候,用监督学习

15-6 选择要使用的功能

15-7 多变量高斯分布

15-8 使用多变量高斯分布的异常检测

16-1 问题规划

推荐系统

16-2 基于内容的推荐算法

16-3 协同过滤

16-4 协同过滤算法

16-5 矢量化:低秩矩阵分解

16-6 实施细节:均值规范化

17-1 学习大数据集

17-2 随机梯度下降

17-3 Mini-Batch 梯度下降

17-4 随机梯度下降收敛

17-5 在线学习

17-6 减少映射与数据并行

18-1 问题描述与OCR.pipeline

 图像识别

18-2 滑动窗口

使用滑动窗口检测器找出图片中的行人

18-3 获取大量数据和人工数据

18-4 天花板分析:下一步工作的pipeline

19-1 总结与感谢

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!