跳到主要内容
步芽

【极致中配】斯坦福 CS229 机器学习 吴恩达 | 2018 秋

吴恩达讲授的斯坦福 CS229，系统推导监督学习、学习理论、无监督学习与强化学习的核心算法与数学原理。

难度
难度 4/5 — 需扎实的线性代数、概率与微积分基础，推导密集，属本科高年级/研究生水平
适合人群
有数理基础、想系统掌握机器学习原理的本科生、研究生及工程师
前置要求
线性代数（矩阵运算、特征值，用于向量化推导）、概率论与统计（分布、期望、极大似然，贯穿全课）、多元微积分（梯度、偏导，用于优化与反向传播）、Python 编程（完成作业与实现算法）
课程规模
20 讲 · 4686播放
在 B 站免费观看 →就这门课提问 →排进我的学习路线

主题覆盖

线性回归与梯度下降逻辑回归广义线性模型高斯判别与朴素贝叶斯支持向量机与核方法决策树与集成方法神经网络与反向传播偏差方差与交叉验证EM 算法与因子分析ICA 独立成分分析马尔可夫决策过程强化学习与调试诊断

课程大纲（20 讲）

  1. P1 · Lecture 1 - Andrew Ng (Autumn 2018)46 分钟
  2. P2 · Lecture 2 - Linear Regression and Gradient Descent45 分钟
  3. P3 · Lecture 3 - Locally Weighted & Logistic Regression47 分钟
  4. P4 · Lecture 4 - Perceptron & Generalized Linear Model44 分钟
  5. P5 · Lecture 5 - GDA & Naive Bayes46 分钟
  6. P6 · Lecture 6 - Support Vector Machines47 分钟
  7. P7 · Lecture 7 - Kernels48 分钟
  8. P8 · Lecture 8 - Data Splits, Models & Cross-Validation49 分钟
  9. P9 · Lecture 9 - Decision Trees and Ensemble Methods47 分钟
  10. P10 · Lecture 10 - Introduction to Neural Networks45 分钟
  11. P11 · Lecture 11 - Backprop & Improving Neural Networks47 分钟
  12. P12 · Lecture 12 - Debugging ML Models and Error Analysis45 分钟
  13. P13 · Lecture 13 - Expectation-Maximization Algorithms48 分钟
  14. P14 · Lecture 14 - EM Algorithm & Factor Analysis46 分钟
  15. P15 · Lecture 15 EM Algorithm Factor Analysis46 分钟
  16. P16 · Lecture 16 - Independent Component Analysis & RL45 分钟
  17. P17 · Lecture 17 - MDPs & Value/Policy Iteration45 分钟
  18. P18 · Lecture 18 - Continous State MDP & Model Simulation45 分钟
  19. P19 · Lecture 19 - Reward Model & Linear Dynamical System46 分钟
  20. P20 · Lecture 20 - RL Debugging and Diagnostics43 分钟

本课程卡由 AI 生成，可能存在误差，欢迎反馈。