這門課程將整個機器學習領域的基礎知識，用淺顯易懂的方式，深入淺出的進行了介紹。使得乙個擁有高中數學知識的學生也能聽得明白。
如果你想要涉足機器學習、人工智慧領域，或者對這一領域有濃厚的興趣想要深入了解，那麼你會發現很多機器學習入門課程推薦的資料中，都有吳恩達老師的這一系列課程。甚至在大多數資料中，都把這門課放在了首選的位置上。
第二週第三週
logistic回歸模型
多類別分類問題：一對多
正則化：解決過擬合問題
第四周神經網路
神經網路應用例項
第五周bp演算法
神經網路實現自動駕駛
第六周偏差vs方差
機器學習系統設計
操作偏斜資料
使用大資料集
第七周核函式
使用svm
第八周pca 降維
第九周第十周
高階主題
map reduce 和資料並行
第十一周
斯坦福機器學習筆記五
有時候發現訓練出來的模型誤差很大，會有很多解決辦法。例如 增加更多的訓練樣本，減少特徵數目，增加特徵數目，增加多項式特徵，減小或增大正則化引數 的值 但是這些嘗試往往會浪費很多時間，所有這裡提出了一種機器學習診斷法。1 資料的分配 將資料分為三部分，訓練集 60 交叉驗證集 20 和測試集 20 利...
斯坦福機器學習筆記十
這裡以電影推薦的栗子來說明什麼是推薦系統。nu 代表使用者的數量 nm 代表電影的數量 r i,j 如果使用者給電影評過分，則r i,j 1 y ij 代表使用者i給電影j的評分 mj 代表使用者j評過分的電影總數 j 代表使用者j的引數向量 x i 代表電影i的特徵向量 如圖所示，推薦系統能夠幫我...
斯坦福機器學習筆記十二
由於大規模資料集求最優解，計算量非常大，對於這樣的問題，如果能夠將資料集分配給多台計算機，讓每台計算機處理資料集的乙個子集，然後將計算結果彙總再求和，這樣的方法叫做對映簡化。如果任何學習演算法能夠表達為，對訓練集的函式求和，那麼就能將這個任務分配給多台 計算機 或者同一臺計算機的不同cpu核心 以達...