Coursera-ML-AndrewNg-Notes - GitLite

KO | EN

gitlite — search

#hacktoberfest #react #ai #typescript #golang #rust #linux #macos #java #windows #awesome-list #vue #openai #open-source

Coursera-ML-AndrewNg-Notes

(★ 121)

https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes.git

Coursera-ML-AndrewNg-Notes 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

**斯坦福大学2014（吴恩达）机器学习教程中文笔记**

课程地址：<https://www.coursera.org/course/ml>

**Machine Learning**(机器学习)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。在过去的十年中，机器学习帮助我们自动驾驶汽车，有效的语音识别，有效的网络搜索，并极大地提高了人类基因组的认识。机器学习是当今非常普遍，你可能会使用这一天几十倍而不自知。很多研究者也认为这是最好的人工智能的取得方式。在本课中，您将学习最有效的机器学习技术，并获得实践，让它们为自己的工作。更重要的是，你会不仅得到理论基础的学习，而且获得那些需要快速和强大的应用技术解决问题的实用技术。最后，你会学到一些硅谷利用机器学习和人工智能的最佳实践创新。

本课程提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括：

（一）监督学习（参数/非参数算法，支持向量机，核函数，神经网络）。

（二）无监督学习（聚类，降维，推荐系统，深入学习推荐）。

（三）在机器学习的最佳实践（偏差/方差理论；在机器学习和人工智能创新过程）。本课程还将使用大量的案例研究，您还将学习如何运用学习算法构建智能机器人（感知，控制），文本的理解（**Web**搜索，反垃圾邮件），计算机视觉，医疗信息，音频，数据挖掘，和其他领域。

本课程需要10周共18节课，相对以前的机器学习视频，这个视频更加清晰，而且每课都有**ppt**课件，推荐学习。

本人2014年下半年开始翻译本课程字幕，并写了课程的中文笔记。笔记被下载了几万次，应该帮助了不少人，也有很多人一直在帮助我，现在我把笔记的**word**原稿和**markdown**原稿分享给大家。

**markdown**的笔记和课程中英文字幕我将放在**github**，希望大家能继续完善。为方便数学公式的在线显示，在线观看的是**html**文件，公式已经被转为图片，公式源码在**markdown**文件。

**最后想对各位朋友说：**
**赠人玫瑰，手有余香！**
**在人工智能的道路上，你不是一个人在战斗！**

黄海广

2018-3-26 夜

微信公众号：机器学习初学者 ![gongzhong](https://raw.githubusercontent.com/amikey/Coursera-ML-AndrewNg-Notes/master/images/gongzhong.png)

[我的知乎](https://www.zhihu.com/people/fengdu78/activities)

参考：https://www.coursera.org/course/ml 机器学习公开课

https://mooc.guokr.com/note/12/ [小小人_V](https://mooc.guokr.com/user/2133483357/) 的个人笔记

《统计学习方法》李航
    
《机器学习课》邹博

## 备注：吴恩达老师的深度学习课（deepLearning.ai）的笔记地址：https://github.com/fengdu78/deeplearning_ai_books

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

文件夹说明：

**docx**：笔记的**word**版本

**markdown**：笔记的**markdown**版本

**html**：笔记的**html**版本

**images**：笔记的图片

**ppt**：课程的原版课件

**srt**：课程的中英文字幕（**mp4**文件需要在百度云下载，大家可以用记事本或者字幕编辑软件来编辑字幕，共同完善，百度云链接：https://pan.baidu.com/s/1h8QjqBlOm0Exh7orm9teMQ 密码：d3we，下载后解压）

**code**：课程的**python**代码（有一部分是国外大牛写的）

机器学习视频下载链接：https://pan.baidu.com/s/1raoOPOg 密码：48m8，包含视频和字幕，下载后解压，建议用**potplayer**播放，此视频与**mp4**一致。

[笔记在线阅读](http://www.ai-start.com/ml2014)

笔记pdf版本下载 ：见**github**根目录。

机器学习qq群：554839127（我们有6个群，加过一个就不需要加了）

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

# 机器学习教程中文笔记目录

- [第一周](markdown/week1.md)

一、 引言(**Introduction**)

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(**Linear Regression with One Variable**)

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(**Linear Algebra Review**)

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 矩阵乘法的性质

3.6 逆、转置

- [第二周](markdown/week2.md)

四、多变量线性回归(**Linear Regression with Multiple Variables**)

4.1 多维特征

4.2 多变量梯度下降

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（选修）

五、Octave教程(**Octave Tutorial**)

5.1 基本操作

5.2 移动数据

5.3 计算数据

5.4 绘图数据

5.5 控制语句：**for**，**while**，**if**语句

5.6 向量化 88

5.7 工作和提交的编程练习

- [第三周](markdown/week3.md)

六、逻辑回归(**Logistic Regression**)

6.1 分类问题

6.2 假说表示

6.3 判定边界

6.4 代价函数

6.5 简化的成本函数和梯度下降

6.6 高级优化

6.7 多类别分类：一对多

七、正则化(**Regularization**)

7.1 过拟合的问题

7.2 代价函数

7.3 正则化线性回归

7.4 正则化的逻辑回归模型

- [第四周](markdown/week4.md)

第八、神经网络：表述(**Neural Networks: Representation**)

8.1 非线性假设

8.2 神经元和大脑

8.3 模型表示1

8.4 模型表示2

8.5 样本和直观理解1

8.6 样本和直观理解II

8.7 多类分类

- [第五周](markdown/week5.md)

九、神经网络的学习(**Neural Networks: Learning**)

9.1 代价函数

9.2 反向传播算法

9.3 反向传播算法的直观理解

9.4 实现注意：展开参数

9.5 梯度检验

9.6 随机初始化

9.7 综合起来

9.8 自主驾驶

- [第六周](markdown/week6.md)

十、应用机器学习的建议(**Advice for Applying Machine Learning**)

10.1 决定下一步做什么

10.2 评估一个假设

10.3 模型选择和交叉验证集

10.4 诊断偏差和方差

10.5 正则化和偏差/方差

10.6 学习曲线

10.7 决定下一步做什么

十一、机器学习系统的设计(**Machine Learning System Design**)

11.1 首先要做什么

11.2 误差分析

11.3 类偏斜的误差度量

11.4 查准率和查全率之间的权衡

11.5 机器学习的数据

[第7周](markdown/week7.md)

十二、支持向量机(**Support Vector Machines**)

12.1 优化目标

12.2 大边界的直观理解

12.3 数学背后的大边界分类（选修）

12.4 核函数1

12.5 核函数2

12.6 使用支持向量机

- [第八周](markdown/week8.md)

十三、聚类(**Clustering**)

13.1 无监督学习：简介

13.2 K-均值算法

13.3 优化目标

13.4 随机初始化

13.5 选择聚类数

十四、降维(**Dimensionality Reduction**)

14.1 动机一：数据压缩

14.2 动机二：数据可视化

14.3 主成分分析问题

14.4 主成分分析算法

14.5 选择主成分的数量

14.6 重建的压缩表示

14.7 主成分分析法的应用建议

- [第九周](markdown/week9.md)

十五、异常检测(**Anomaly Detection**)

15.1 问题的动机

15.2 高斯分布

15.3 算法

15.4 开发和评价一个异常检测系统

15.5 异常检测与监督学习对比

15.6 选择特征

15.7 多元高斯分布（选修）

15.8 使用多元高斯分布进行异常检测（选修）

十六、推荐系统(**Recommender Systems**)

16.1 问题形式化

16.2 基于内容的推荐系统

16.3 协同过滤

16.4 协同过滤算法

16.5 向量化：低秩矩阵分解

16.6 推行工作上的细节：均值归一化

- [第十周](markdown/week10.md)

十七、大规模机器学习(**Large Scale Machine Learning**)

17.1 大型数据集的学习

17.2 随机梯度下降法

17.3 小批量梯度下降

17.4 随机梯度下降收敛

17.5 在线学习

17.6 映射化简和数据并行

十八、应用实例：图片文字识别(**Application Example: Photo OCR**)

18.1 问题描述和流程图

18.2 滑动窗口

18.3 获取大量数据和人工数据

18.4 上限分析：哪部分管道的接下去做

十九、总结(**Conclusion**)

19.1 总结和致谢

------

**机器学习爱好者qq群：554839127（我们有6个群，加过一个就不需要加了）**