扣丁书屋

机器学习 1~10周 课程


第一周 : 介绍机器学习,线性代数回顾以及单变量线性回归

在这一章节中,首先欢迎来到机器学习,第一部分(欢迎部分),我们介绍一些关于机器学习的(程序之外的)核心概念。然后学习线性回归,线性回归是一种根据输入预测输出值的方法。通过这个方法,我们分析讨论使用这个方法预测房价。同时提出代价函数的概念与梯度下降。

在这一期课程的最后,一起回顾一下线性代数,主要是向量和矩阵相关的知识点。谈谈如何加、减 、乘矩阵和向量,讨论逆矩阵和转置矩阵的概念。


第二周 : 多变量线性回归,Octave教程

在上一周的课程中,学习了单一变量下,我们使用线性回归进行预测,这一周讨论多变量(多个条件做为输入)下,线性回归如何进行预测。

本着活学活用的原则,本周还需要学习,如何使用Octave/Matlab实现相关的算法。


第三周:逻辑回归与正则化

逻辑回归是一种将数据分类为离散结果的方法。例如,我们可能会使用逻辑回归将电子邮件归类为垃圾邮件或非垃圾邮件。在本单元中,我们介绍了分类的概念,逻辑回归的成本函数,以及逻辑回归在多类分类中的应用。

机器学习模型需要很好地概括模型在实践中没有看到的新例子。在这个模块中,我们介绍 正则化,有助于防止模型过度拟合训练数据。


第四周:神经网络:表述

神经网络是一个受人类大脑运作方式的启发而得到的模型。它在当今的许多应用中被广泛使用:如语音识别,以及,当您兑现支票时,自动读取数字的机器也是使用神经网络进行识别。


第五周:神经网络:学习

在本周中,我们介绍了反向传播算法,该算法用于帮助学习神经网络的参数。在本周的学习结束前,您将可以实现一套神经网络算法以识别数字。


第六周:实践机器学习的建议:评估一个假设及设计一个机器学习系统

在实践中应用机器学习并不总是直截了当的。在本单元中,我们分享了应用机器学习的最佳实践 练习,并讨论评估学习模型性能的最佳方法。

要优化机器学习算法,您首先需要了解可以进行哪些最大改进的地方。在这个模块中,我们 讨论如何理解具有多个部分的机器学习系统的性能,以及如何处理偏斜数据。


第七周:支持向量机:优化目标,大边界及核函数

支持向量机或SVM是用于分类的机器学习算法。我们介绍了支持向量机和支持者的观点和直觉 讨论如何在实践中使用它。


第八周:无监督学习与降维:K-均值算法

我们使用无监督学习来构建模型,帮助我们更好地理解我们的数据。我们讨论用于聚类的k-Means算法 使我们能够学习未标记数据点的分组。

在本单元中,我们介绍了主成分分析,并展示了如何将其用于数据压缩以加速学习 算法以及复杂数据集的可视化。


第九周:异常检测与推荐系统

鉴于有大量数据点,我们有时可能想知道哪些数据点与平均值有很大差异。例如,在制造业中,我们可能想要检测缺陷或异常。我们展示了如何使用高斯分布建模数据集,以及如何将模型用于异常检测。

当您在线购买产品时,大多数网站会自动推荐您喜欢的其他产品。推荐系统查看不同用户和不同产品之间的活动模式以产生这些推荐。在本单元中,我们介绍了推荐算法,如协同过滤算法和低秩矩阵分解。


第十周:大规模机器学习

当有大量数据用于培训时,机器学习效果最佳。在本单元中,我们将讨论如何应用机器 学习大数据集的算法。

本教程的配套视频地址:machine-learning


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。一共分10周完成,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)机器学习的最佳实践。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。