吴恩达-斯坦福CS229机器学习课程资料与算法的Python实现

  Stanford CS229 网易公开课:http://open.163.com/special/opencourse/machinelearning.html

    公开课的资料和自己的算法代码实现:https://github.com/Sierkinhane/CS229-ML-Implements

  (近一个星期开始实现,所以     有些还没有完成,如果大家喜欢可以给个star!)

    如果觉得资料有点旧,可以在这里下载最新的课程资料:

    Stanford CS229 2018秋季课程资料:http://cs229.stanford.edu/syllabus.html(下载PDF notes)

添加了生成对抗网络的pytorch实现(参考GAN in actions的keras实现)

学习stanford cs229 manchine learning课程已经有三个月左右,虽然说网友们说这门课相比于Coursera(吴恩达老师的网课机构)中的机器学习有更多的数学要求和公式的推导,本着想总体了解机器学习的念头,开始了机器学习的自学过程。

    这门课程年代确实有点久远,但是我认为作为自己了解、深入机器学习领域的启蒙课还是很好的。并且本课程的资料非常         好,它并不是向PPT教学资料那样,只罗列知识点,而是包含老师对该算法的引入和解释。(资料是全英文的)我推荐大家使用全英的课程资料,因为现在不管是书籍,还是论文,原汁原味的还是英文版,所以最好让自己用英文去理解这些知识,更有助于后阶段的深入。课程涉及较多的数学知识(导数,统计学,线性代数,凸优化,似然,HMM等等),这些数学知识也有对应的复习资料(由当时的助教们完成),所以我觉这门课程还是很全面,并且是很值得学习的!

                                                                            (课程资料PDF)

                                                                            (数学知识回顾PDF)

    

 

 

我觉学习机器学习、深度学习很重要的一点是对该领域总体概念要清晰,学习机器学习很有必要做一个思维导图,你会清楚知道机器学习算法分为哪些种类,例如监督算法,无监督算法,强化学习,对抗生成学习,而其中又包含什么算法,算法使用什么思想,什么优化函数,如何进行参数更新,最好的应用场景在哪,局限性在哪。如果你做好一个思维导图,那么这些会很清晰。(我大概按照课程知识思路做了一个思维导图希望能够帮助大家)

 

最近在进行第三遍的算法复习和数学知识复习,并且最近课程安排不是很满,就利用一些空余时间用python实现的了前几章的回归和分类算法(linear regression, normal equation, locally weighted regression, logitic regression, newton method softmax regression.... )等等算法,还有剩下的正在复习,有时间就会实现。(每个例子都用matplotlib进行结果可视化

                                                                                    Linear regression

                                                                                  Locally linear regression

                                                                                  Logistic regression

                                                                Softmax regression(generalized linear model)

                                                                     高斯判别式(Gaussian Discriminant Analysis)

 

©️2020 CSDN 皮肤主题: 大白 设计师: CSDN官方博客 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值