- 第1講 歡迎參加《機器學(xué)習(xí)》課程
- 第2講 什么是機器學(xué)習(xí)？
- 第3講 監(jiān)督學(xué)習(xí)
- 第4講 無監(jiān)督學(xué)習(xí)
- 第5講 模型描述
- 第6講 代價函數(shù)
- 第7講 代價函數(shù)I
- 第8講 代價函數(shù)II
- 第9講 梯度下降
- 第10講 梯度下降知識點總結(jié)
- 第11講 線性回歸的梯度下降
- 第12講 矩陣和向量
- 第13講 加法和標(biāo)量乘法
- 第14講 矩陣向量乘法
- 第15講 矩陣乘法
- 第16講 矩陣乘法特征
- 第17講 逆和轉(zhuǎn)置
- 第18講 多功能
- 第19講 多元梯度下降法
- 第20講 多元梯度下降法演練I 特征縮放
- 第21講 多元梯度下降法II 學(xué)習(xí)率
- 第22講 特征和多項式回歸
- 第23講 正規(guī)方程（區(qū)別于迭代方法的直接解法）
- 第24講 正規(guī)方程在矩陣不可逆情況下的解決方法
- 第25講 導(dǎo)師的編程小技巧
- 第26講 基本操作
- 第27講 移動數(shù)據(jù)
- 第28講 計算數(shù)據(jù)
- 第29講 數(shù)據(jù)繪制
- 第30講 控制語句：for while if 語句
- 第31講 矢量
- 第32講 分類
- 第33講 假設(shè)陳述
- 第34講 決策界限
- 第35講 代價函數(shù)
- 第36講 簡化代價函數(shù)與梯度下降
- 第37講 高級優(yōu)化
- 第38講 多元分類：一對多
- 第39講 過擬合問題
- 第40講 代價函數(shù)
- 第41講 線性回歸的正則化
- 第42講 Logistic 回歸的正則化
- 第43講 非線性假設(shè)
- 第44講 神經(jīng)元與大腦
- 第45講 模型展示I
- 第46講 模型展示II
- 第47講 例子與直覺理解I
- 第48講 例子與直覺理解II
- 第49講 多元分類
- 第50講 代價函數(shù)
- 第51講 反向傳播算法
- 第52講 理解反向傳播
- 第53講 使用注意：展開參數(shù)
- 第54講 梯度檢測
- 第55講 隨機初始化
- 第56講 組合到一起
- 第57講 無人駕駛
- 第58講 決定下一步做什么
- 第59講 評估假設(shè)
- 第60講 模型選擇和訓(xùn)練、驗證、測試集
- 第61講 診斷偏差與方差
- 第62講 正則化和偏差、方差
- 第63講 學(xué)習(xí)曲線
- 第64講 決定接下來做什么
- 第65講 確定執(zhí)行的優(yōu)先級
- 第66講 誤差分析
- 第67講 不對稱性分類的誤差評估
- 第68講 精確度和召回率的權(quán)衡
- 第69講 機器學(xué)習(xí)數(shù)據(jù)
- 第70講 優(yōu)化目標(biāo)
- 第71講 直觀上對大間隔的理解
- 第72講 大間隔分類器的數(shù)學(xué)原理
- 第73講 核函數(shù)Ⅰ
- 第74講 核函數(shù)II
- 第75講 使用SVM
- 第76講 無監(jiān)督學(xué)習(xí)
- 第77講 K-Means算法
- 第78講 優(yōu)化目標(biāo)
- 第79講 隨機初始化
- 第80講 選取聚類數(shù)量
- 第81講 目標(biāo)I：數(shù)據(jù)壓縮
- 第82講 目標(biāo)II：可視化
- 第83講 主成分分析問題規(guī)劃I
- 第84講 主成分分析問題規(guī)劃II
- 第85講 主成分?jǐn)?shù)量選擇
- 第86講 壓縮重現(xiàn)
- 第87講 應(yīng)用PCA的建議
- 第88講 問題動機
- 第89講 高斯分布
- 第90講 算法
- 第91講 開發(fā)和評估異常檢測系統(tǒng)
- 第92講 異常檢測VS監(jiān)督學(xué)習(xí)
- 第93講 選擇要使用的功能
- 第94講 多變量高斯分布
- 第95講 使用多變量高斯分布的異常檢測
- 第96講 問題規(guī)劃
- 第97講 基于內(nèi)容的推薦算法
- 第98講 協(xié)同過濾
- 第99講 協(xié)同過濾算法
- 第100講 矢量化：低軼矩陣分解
* 學(xué)校：斯坦福大學(xué)
* 講師：Andrew Ng
* 集數(shù)：20
* 類型：計算機
人工智能的發(fā)展到已經(jīng)進入了一個瓶頸期。近年來各個研究方向都沒有太大的突破。真正意義上人工智能的實現(xiàn)目前還沒有任何曙光。但是，機器學(xué)習(xí)無疑是最有希望實現(xiàn)這個目標(biāo)的方向之一。斯坦福大學(xué)的“Stanfo 人工智能的發(fā)展到已經(jīng)進入了一個瓶頸期。近年來各個研究方向都沒有太大的突破。真正意義上人工智能的實現(xiàn)目前還沒有任何曙光。但是，機器學(xué)習(xí)無疑是最有希望實現(xiàn)這個目標(biāo)的方向之一。斯坦福大學(xué)的“Stanford Engineering Everywhere ”免費提供學(xué)校里最受歡迎的工科課程，給全世界的學(xué)生和教育工作者。得益于這個項目，我們有機會和全世界站在同一個數(shù)量級的知識起跑線上。
