吴恩达机器学习课程

进入王的机器公众号，在对话框里回复 MLC1 可下载该课程的所有视频和习题。文件大概有 700 MB。

上次分享了吴恩达的深度学习系列课程后，反响热烈好评如潮，但是没打好机器学习的基础开始学深度学习的确有些吃力。很多小伙伴也在公众号后台问有没有吴恩达在 Coursera 那门机器学习的资料。这门课我很早修完的，当时并没有下载任何视屏，但为了满足公众号读者的需求，我也从 Coursera 网站上一个个把视屏下载下来，哥就是这么任性的乐于助人。

该课程包括 18 大块 11 周学完，大纲如下：

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

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 矩阵乘法的性质

    3.6 逆矩阵和转置矩阵

第二周

四、多变量线性回归

    4.1 多维特征

    4.2 多变量梯度下降

    4.3 梯度下降法实践 I - 特征缩放

    4.4 梯度下降法实践 II - 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

    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

    5.6 向量化

    5.7 工作和提交的编程练习

第三周

六、逻辑回归

    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

    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

第八、神经网络：表述

    8.1 非线性假设

    8.2 神经元和大脑

    8.3 模型表示 I

    8.4 模型表示 II

    8.5 样本和直观理解 I

    8.6 样本和直观理解 II

    8.7 多类分类

第五周

九、神经网络的学习

    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 编程技巧：展开参数

    9.5 梯度检验

    9.6 随机初始化

    9.7 总结

    9.8 自主驾驶应用

第六周

十、应用机器学习的建议

    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 (复习)

十一、机器学习系统的设计

    11.1 工作优先权

    11.2 误差分析

    11.3 偏斜度的误差度量

    11.4 查准率和查全率之间的权衡

    11.5 机器学习的数据

第七周

十二、支持向量机

    12.1 优化目标

    12.2 最大间隔的直观理解

    12.3 最大间隔的数学原理 (选修)

    12.4 核函数 I

    12.5 核函数 II

    12.6 使用支持向量机

第八周

十三、聚类

    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

    14.1 动机 I - 数据压缩

    14.2 动机 II - 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

十五、异常检测

    15.1 问题的动机

    15.2 高斯分布

    15.3 算法

    15.4 开发和评价异常检测系统

    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

    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 编程细节：均值归一化

第十周

十七、大规模机器学习

    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 映射规约和数据并行

第十一周

十八、应用实例：图片文字识别

    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

十九、总结

    

    19.1 总结和致谢

还说什么呢？拼命顶然后赶紧学呗，别等了！