斯坦福机器学习课程汇总

系统管理员 2022-04-10 05:52 305阅读 0赞

### 斯坦福 机器学习课程汇总 ###

以下内容来自：[http://studyai.site/][http_studyai.site]

--------------------

## 前言 ##

首先感谢**吴恩达**建立[Coursera][]这样一个优秀的在线学习平台，以及他发布在这个平台上的[机器学习][Link 1]课程。

这门课程将整个机器学习领域的基础知识，用浅显易懂的方式，深入浅出的进行了介绍。使得一个拥有高中数学知识的学生也能听得明白。

如果你想要涉足机器学习、人工智能领域，或者对这一领域有浓厚的兴趣想要深入了解，那么你会发现很多机器学习入门课程推荐的资料中，都有吴恩达老师的这一系列课程。甚至在大多数资料中，都把这门课放在了首选的位置上。

因此，我把吴恩达老师的课程整理成了MarkDown的格式，方便查阅学习。以下是具体章节的目录，其中每篇文章都有对应的视频连接地址：

## 目录 ##

*  第一周
    
     *  [欢迎来到机器学习][Link 2]
     *  [监督学习][Link 3]
     *  [无监督学习][Link 4]
     *  [一元线性回归][Link 5]
     *  [参数学习-梯度下降算法][-]
     *  [线性代数复习][Link 6]
 *  第二周
    
     *  [编程环境设置-Octave:MATLAB][-Octave_MATLAB]
     *  [多元线性回归分析][Link 7]
     *  [参数的计算分析][Link 8]
     *  [Octave/Matlab 使用说明][Octave_Matlab]
 *  第三周
    
     *  [分类和表达式][Link 9]
        
         *  [分类][Link 10]
         *  [假设函数表达式][Link 11]
         *  [决策边界][Link 12]
     *  [Logistic回归模型][Logistic]
        
         *  [逻辑回归的代价函数][Link 13]
         *  [简化代价函数以及梯度下降][Link 14]
         *  [高级优化][Link 15]
     *  [多类别分类问题：一对多][Link 16]
     *  [正则化：解决过拟合问题][Link 17]
        
         *  [解决过拟合问题][Link 18]
         *  [代价函数][Link 19]
         *  [正则化线性回归][Link 20]
 *  第四周
    
     *  [神经网络引入][Link 21]
        
         *  [非线性假设][Link 22]
         *  [神经网络和大脑][Link 23]
     *  [神经网络][Link 24]
     *  [神经网络应用实例][Link 25]
 *  第五周
    
     *  [训练神经网络][Link 26]
        
         *  [代价函数][Link 27]
         *  [反向传播(B-P)][B-P]
         *  [反向传播算法的直观介绍][Link 28]
     *  [BP算法][BP]
     *  [神经网络实现自动驾驶][Link 29]
 *  第六周
    
     *  [评价一个学习算法][Link 30]
        
         *  [如何少走弯路？][Link 31]
         *  [评估假设函数][Link 32]
         *  [多项式模型的选择以及训练集/验证集/测试集的划分][Link 30]
     *  [偏差VS方差][VS]
        
         *  [偏差VS方差][VS]
         *  [正则化和偏差/方差][Link 33]
         *  [学习曲线(Learning Curves)][Learning Curves]
         *  [重新审视决定下一步做什么][Link 34]
     *  [机器学习系统设计][Link 35]
        
         *  [构建垃圾邮件分类器][Link 35]
         *  [误差分析][Link 36]
     *  [操作偏斜数据][Link 37]
        
         *  [偏移类的错误度量][Link 38]
         *  [查准率和召回率练习][Link 39]
     *  [使用大数据集][Link 40]
 *  第七周
    
     *  [大间距分类 SVM][SVM]
        
         *  [优化目标][Link 41]
         *  [大间距的直觉][Link 42]
         *  [大间距分类器背后的数学原理(选学)][Link 43])
     *  [核函数][Link 44]
     *  [使用SVM][SVM 1]
 *  第八周
    
     *  [聚类][Link 45]
        
         *  [无监督学习介绍][Link 46]
         *  [K-Means算法][K-Means]
         *  [优化目标][Link 47]
         *  [随机初始化][Link 48]
         *  [选择簇的数量][Link 49]
     *  [PCA 降维][PCA]
 *  第九周
    
     *  [密度估计&异常检测][Link 50]
     *  [构建一个异常检测系统][Link 51]
     *  [多元高斯分布（选学）][Link 52]
     *  [预测电影评分][Link 53]
        
         *  [预测电影评分][Link 54]
         *  [协同过滤][Link 55]
         *  [低秩矩阵分解][Link 56]
 *  第十周
    
     *  [大数据集梯度下降][Link 57]
        
         *  [处理大数据的学习算法][Link 58]
         *  [随机梯度下降][Link 59]
         *  [小批量梯度下降][Link 60]
         *  [随机梯度下降的收敛][Link 61]
     *  [高级主题][Link 62]
        
         *  [在线学习][Link 63]
         *  [Map Reduce 和数据并行][Map Reduce]
 *  第十一周
    
     *  [照片OCR][OCR]
        
         *  [问题描述和流水线（Pipeline）][Pipeline]
         *  [滑动窗体][Link 64]
         *  [获取大量数据和人工数据][Link 65]
         *  [上限分析：流水线上的下一步工作是什么][Link 66]

### 支持博主 ###

我正在参加 CSDN 2018 年博客之星评选，希望大家能支持我，  
我是【No. 001】号，感谢大家宝贵的一票 ^\_^/ 投票地址：[https://bss.csdn.net/m/topic/blog\_star2018/index][https_bss.csdn.net_m_topic_blog_star2018_index]

[http_studyai.site]: http://studyai.site/2017/06/05/%E6%96%AF%E5%9D%A6%E7%A6%8F%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E8%AF%BE%E7%A8%8B%E6%B1%87%E6%80%BB
[Coursera]: https://www.coursera.org
[Link 1]: https://www.coursera.org/learn/machine-learning/
[Link 2]: http://t.cn/RSC1bwH
[Link 3]: http://t.cn/RSC1Ju5
[Link 4]: http://t.cn/RSC1XxR
[Link 5]: http://t.cn/RSC1onR
[-]: http://t.cn/RSC1N6G
[Link 6]: http://t.cn/RSC1WEE
[-Octave_MATLAB]: http://t.cn/RSC1T2O
[Link 7]: http://t.cn/RSC1RnN
[Link 8]: http://t.cn/RSC1nj4
[Octave_Matlab]: http://t.cn/RSC1BP3
[Link 9]: http://t.cn/RSC1epl
[Link 10]: http://t.cn/RSCBwf7
[Link 11]: http://t.cn/RSCB4bV
[Link 12]: http://t.cn/RSCBhNP
[Logistic]: http://t.cn/RSCBccU
[Link 13]: http://t.cn/RSCBMeK
[Link 14]: http://t.cn/RSCBogn
[Link 15]: http://t.cn/RSCBpkr
[Link 16]: http://t.cn/RSCBWU1
[Link 17]: http://t.cn/RSCBjW6
[Link 18]: http://t.cn/RSCBT6v
[Link 19]: http://t.cn/RSCB8Vt
[Link 20]: http://t.cn/RSCBELF
[Link 21]: http://t.cn/RSCBBZe
[Link 22]: http://t.cn/RSCBDHu
[Link 23]: http://t.cn/RSCBsN4
[Link 24]: http://t.cn/RSCrZ1M
[Link 25]: http://t.cn/RSCrUfK
[Link 26]: http://t.cn/RSCr5m2
[Link 27]: http://t.cn/RSCrf4H
[B-P]: http://t.cn/RSCriIb
[Link 28]: http://t.cn/RSCr9Rc
[BP]: http://t.cn/RSCr0yH
[Link 29]: http://t.cn/RSCrHqO
[Link 30]: http://t.cn/RSCruh7
[Link 31]: http://t.cn/RSCr1gH
[Link 32]: http://t.cn/RSCrd7a
[VS]: http://t.cn/RSCdL5Q
[Link 33]: http://t.cn/RSCd6C0
[Learning Curves]: http://t.cn/RSCdo2l
[Link 34]: http://t.cn/RSCdCvC
[Link 35]: http://t.cn/RSCd0fl
[Link 36]: http://t.cn/RSCdH6b
[Link 37]: http://t.cn/RSh83NE
[Link 38]: http://t.cn/RSCdBSe
[Link 39]: http://sina.lt/eXAz
[Link 40]: http://t.cn/RSCgyhD
[SVM]: http://t.cn/RSCg4WP
[Link 41]: http://t.cn/RSCg4WP#优化目标
[Link 42]: http://t.cn/RSCg4WP#大间距的直觉
[Link 43]: http://t.cn/RSCg4WP#大间距分类器背后的数学原理%28选学
[Link 44]: http://t.cn/RSCgJw1
[SVM 1]: http://t.cn/RSCgXmt
[Link 45]: http://t.cn/RSCgKuS
[Link 46]: http://t.cn/RSCgKuS#
[K-Means]: http://t.cn/RSCgKuS#K-Means算法
[Link 47]: http://t.cn/RSCgKuS#优化目标
[Link 48]: http://t.cn/RSCgKuS#随机初始化
[Link 49]: http://t.cn/RSCgKuS#选择簇的数量
[PCA]: http://t.cn/RSCg8PK
[Link 50]: http://t.cn/RSCgubu
[Link 51]: http://t.cn/RSCgBQV
[Link 52]: http://t.cn/RSCgDCU
[Link 53]: http://t.cn/RSCevr6
[Link 54]: http://t.cn/RSCevr6#预测电影评分
[Link 55]: http://t.cn/RSCevr6#协同过滤
[Link 56]: http://t.cn/RSCevr6#低秩矩阵分解
[Link 57]: http://t.cn/RSCeLpk
[Link 58]: http://t.cn/RSCeLpk#处理大数据的学习算法
[Link 59]: http://t.cn/RSCeLpk#随机梯度下降
[Link 60]: http://t.cn/RSCeLpk#小批量梯度下降
[Link 61]: http://t.cn/RSCeLpk#随机梯度下降的收敛
[Link 62]: http://t.cn/RSCeii5
[Link 63]: http://t.cn/RSCeii5#在线学习
[Map Reduce]: http://t.cn/RSCeii5#MapReduce和数据并行
[OCR]: http://t.cn/RSCe9Bv
[Pipeline]: http://t.cn/RSCe9Bv#问题描述和流水线（Pipeline）
[Link 64]: http://t.cn/RSCe9Bv#滑动窗体
[Link 65]: http://t.cn/RSCe9Bv#获取大量数据和人工数据
[Link 66]: http://t.cn/RSCe9Bv#上限分析：流水线上的下一步工作是什么
[https_bss.csdn.net_m_topic_blog_star2018_index]: https://bss.csdn.net/m/topic/blog_star2018/index