課件資源：網易公開課
講師：andrew ng （stanford）
簡介：機器學習是指讓計算機在不須特定的程式設計下，獲得學習並解決問題的能力。機器學習在過去的20年飛速發展，成為多個學科的熱門，同時應用於多個領域（機械人，人工智慧，資料探勘，計算機視覺等）。
課程目標：在學習完課程後能夠將機器學習演算法應用到自己感興趣的問題中或者專案中。
內容：授課，討論，作業，projects
supervised learning 給出一些資料集以及相應的結果，擬合函式（regression，回歸），**結果。
learning theory 了解機器學習的演算法，學會合理地選擇特徵，調整引數
unsupervised learning 根據sets計算相似度，可應用於聚類演算法（clustering algorithm）
reinforcement learning 強化學習，經常用於機械人，使用反饋的機制訓練機械人學習新動作
機器學習第一課
過擬合就是，通過訓練集進行訓練的時候，模型學習了太多的背景雜訊，讓模型的複雜度高於了真實模型 比如看到齒距型的葉子，就覺得不是葉子 欠擬合是指，模型在訓練集上進行學習的時候，效果就不是很好，沒有充分學習到其中的資訊量，複雜度低於真實模型，得到的模型泛化能力差 比如看到綠色，就覺得是葉子 模型評估指標...
機器學習的第一課
期中考完又是乙個新的開始，這學期除了acm還想花一些時間在其他方面，本來想做一些nlp的專案的，但看了一點發現根本看不下去，好多需要有機器學習的基礎。再加上我想往ai方向讀研。所以到b站上找了吳恩達老師的公開課，打算每週花上幾個小時自學，順便補補數理基礎。說來也慚愧，線代概統已經不記得多少了，ai又...
機器學習總結 第一課
首先有這麼一句話，資料和特徵決定了機器學習的上限，而演算法和模型只是逼近這個上限而已 嗯嗯，資料處理和特徵工程很重要，大概佔據70 的工作量，而模型選擇 模型調參 模型融合佔據30 的工作量。接下來看看資料分析的流程 資料的分布，比如分類問題中，正負樣本均衡很重要，即正樣本數 負樣本數接近1 1比較...