资源简介:

吴恩达机器学习经典名课将广泛介绍机器学习、数据挖掘和统计模式识别等内容,同时还引用了许多机器学习案例,让你学会在智能机器人(感知和控制)、文本理解(网络搜索和垃圾邮件过滤)、计算机视觉、医学信息学、音频、数据库挖掘等领域应用机器学习。

如今,随着量子信息科学的日益普及,量子机器学习将是信息科学与技术领域的下一个大事件。从根本上说,量子机器学习是量子计算和机器学习的结合。从零开始学习吧。

什么是量子计算机?

所以,量子计算基本上是在量子计算机上进行的计算,因为许多因素,如计算速度和计算空间,在经典计算机上是无法完成的。进行量子计算的计算机叫做量子计算机,它利用了量子的叠加、纠缠、干涉等性质。

本课程将广泛介绍机器学习、数据挖掘和统计模式识别等内容,同时还引用了许多机器学习案例,让你学会在智能机器人(感知和控制)、文本理解(网络搜索和垃圾邮件过滤)、计算机视觉、医学信息学、音频、数据库挖掘等领域应用机器学习。

课程大纲

 

章节1 初识机器学习

01欢迎参加《机器学习》课程.mp4

02什么是机器学习.mp4

03监督学习.mp4

04无监督学习.mp4

章节2 单变量线性回归

06模型描述.mp4

07代价函数.mp4

08代价函数(一).mp4

09代价函数(二).mp4

10梯度下降.mp4

11梯度下降知识点总结.mp4

12线性回归的梯度下降.mp4

章节3 线性回归回顾

14矩阵和向量.mp4

15加法和标量乘法.mp4

16矩阵向量乘法.mp4

17矩阵乘法.mp4

18矩阵乘法特征.mp4

19逆和转置.mp4

章节4 配置

配置.txt

章节5 多变量线性回归

27多功能.mp4

28多元梯度下降法.mp4

29多元梯度下降法演练I-特征缩放.mp4

30多元梯度下降法II-学习率.mp4

31特征和多项式回归.mp4

32正规方程(区别于迭代方法的直接解法).mp4

33正规方程在矩阵不可逆情况下的解决方法.mp4

34完成并提交编程作业.mp4

章节6 Octave Matlab教程

35基本操作.mp4

36移动数据.mp4

37计算数据.mp4

38数据绘制.mp4

39控制语句:for,while,if语句.mp4

40矢量.mp4

章节7 Logistic回归

42分类.mp4

43假设陈述.mp4

44决策界限.mp4

45代价函数.mp4

46简化代价函数与梯度下降.mp4

47高级优化.mp4

48多元分类:一对多.mp4

章节8 正则化

50过拟合问题.mp4

51代价函数.mp4

52线性回归的正则化.mp4

53Logistic回归的正则化.mp4

章节9 神经网络学习

54非线性假设.mp4

55神经元与大脑.mp4

56模型展示I.mp4

57模型展示II.mp4

58例子与直觉理解I.mp4

59例子与直觉理解II.mp4

60多元分类.mp4

章节10 神经网络参数的反向传播算法

61代价函数.mp4

62反向传播算法.mp4

63理解反向传播.mp4

64使用注意:展开函数.mp4

65梯度检测.mp4

66随机初始化.mp4

67组合到一起.mp4

68无人驾驶.mp4

章节11 应用机器学习的建议

69决定下一步做什么 - 副本.mp4

69决定下一步做什么.mp4

70评估假设 - 副本.mp4

70评估假设.mp4

71模型选择和训练、验证、测试集.mp4

72诊断偏差与方差.mp4

73正则化和偏差、方程.mp4

74学习曲线 - 副本.mp4

74学习曲线.mp4

章节12 机器学习系统设计

75决定接下来做什么.mp4

76确定执行的优先级.mp4

77误差分析.mp4

78不对称性分类的误差评估.mp4

79精确度和召回率的权衡.mp4

80机器学习数据.mp4

章节13 支持向量机

81优化目标.mp4

82直观上对大间隔的理解.mp4

83大间隔分类器的数学原理.mp4

84核函数.mp4

85核函数2.mp4

86使用SVM.mp4

本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用,未经站长允许禁止转载、转售本站资源。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。

最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。 若排除这种情况,可在对应资源底部留言,或联络站长QQ:502212423。

如果您已经成功付款但是无法显示下载地址,下载地址失效,请联系站长提供付款信息为您处理

教程资源、源码素材属于虚拟商品,具有可复制性,可传播性,一旦授予,不接受任何形式的退款、换货要求。请您在购买获取之前确认好是您所需要的资源