吴恩达机器学习

目录

2022 机器学习 - 学习准备

进度笔记

学习进度

• 进度：全部看完，总共142P

• 跳过：

  • P56~P58 (6.2~6.4 矩阵乘法)
  • P81 看不懂

• 笔记：完全同步
  这个课系列的笔记我没有大幅度重新分章，因为有官方笔记，保留原来的章节结构方便两相照应，所以分类会有点乱

• 链接：https://www.bilibili.com/video/BV1Pa411X76s

资料文件夹结构

github：2022-Machine-Learning-Specialization-main

优点是官方笔记、缺点是英文笔记

有点乱，包含pdf ppt ipynb等，其中ipynb是最主要的参考

Machine learning specialization课程共分为三部分，每部分分为若干周，每周分为若干课。累计10周课

• ① 监督机器学习 - 回归与分类 Supervised Machine Learning Regression and Classification

  共3周

  • C1W1
  • C1W2
  • C1W3

• ② 高级学习算法 Advanced Learning Algorithms

  共4周

  • C2W1
  • C2W2
  • C2W3
  • C2W4

• ③ 无监督学习 - 推荐强化学习 Unsupervised learning recommenders reinforcement learning

  共3周

  • C3W1
  • C3W2
  • C3W3

其中 weekN 目录下包括

• ……（一些补充资料）
• slides（PPT文件）
• work（工作路径，ipynb文件）

课程目录

第一课

第一周，单变量线性回归模型

• 1.1
  • 机器学习应用
• 1.2
  • 机器学习定义
  • 监督学习
  • 无监督学习
  • Juperter Notebooks
• 1.3
  • 线性回归模型
  • 代价函数公式
  • 理解代价函数
  • 可视化代价函数
  • 可视化举例
• 1.4
  • 梯度下降
  • 梯度下降的实现
  • 理解梯度下降
  • 学习率
  • 用于线性回归的梯度下降
  • 运行梯度下降

第二周，多元线性回归模型

• 2.1
  • 多维特征
  • 向量化
  • 用于多元线性回归的梯度下降法
• 2.2
  • 特征缩放
  • 判断梯度下降
  • 如何设置学习率
  • 特征工程
  • 多项式回归

第三周

• 3.1
  • 动机与目的
  • 逻辑回归
  • 决策边界
• 3.2
  • 逻辑回归中的代价函数
  • 简化逻辑回归代价函数
  • 实现梯度下降
  • 过拟合问题
  • 解决过拟合
  • 正则化
  • 用于线性回归的正则鲂
  • 用于逻辑回归的正则方法

第二课

第一周

• 4.1
  • 欢迎
  • 神经元和大脑
  • 需求预测
  • 举例-图像感知
• 4.2
  • 神经网络中的网络层
  • 更复杂的神经网络
  • 神经网络前向传播
• 4.3
  • 如何用代码实现推理
  • Tensorflow中数据形式
  • 搭建一个神经网络
• 4.1
  • 单个网络层上的前向传播
  • 前向传播的一般实现
• 4.5
  • 强人工智能
• 4.6
  • 神经网络为何如此高效
  • 矩阵乘法
  • 矩阵乘法规则
  • 矩阵乘法代码

第二周

• 5.1
  • Tensorflow实现
  • 模型训练细节
• 5.2
  • Sigmoid激活函数的替代方案
  • 如何选择激活函数
• 5.3
  • 多分类问题
  • Softmax
  • 神经网络的Softmax输出
  • Softmax的改进实现
  • 多个输出的分类
• 5.4
  • 高级优化方案
  • 其他的网络层类型
• …… 太多了不打了

第三周

第四周

第三课

第一周

第二周

第三周

数学基础

数学矩阵基础（选修）

矩阵乘法

矩阵乘法规则

矩阵乘法代码