Stanford机器学习---第一讲. Introduction of machine learning

最新推荐文章于 2022-11-06 11:37:29 发布
最新推荐文章于 2022-11-06 11:37:29 发布
阅读量773 收藏 1
点赞数
分类专栏： Machine Learning 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/caicai_zju/article/details/51276657
版权

本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。所有内容均来自Standford公开课machine learning中Andrew老师的讲解。（http://open.163.com/special/opencourse/machinelearning.html）

主要就四大类：
Supervised Learning
Learning Theory
Unsupervised Learning
Reinforcement Learning

这里写图片描述

关于Machine Learning更多的学习资料将继续更新，敬请关注本博客。

xiaowei_nbu
关注
专栏目录
【Stanford机器学习笔记】9-Machine Learning System Design
学习笔记
05-08 1842
【Stanford机器学习笔记】9-Machine Learning System Design
机器学习 Machine Learning（by Andrew Ng）----第一章 引言(Introduction)
Jithonor的博客
07-21 2148
Stanford Machine learning提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程,包括：监督学习（单参数线性回归/多参数线性回归，Logistic Regression，Regularization，支持向量机，核函数，神经网络）；无监督学习（聚类，降维，推荐系统，异常检测）；在机器学习的最佳实践（偏差/方差理论；Photo OCR）。所有内容均来自Coursera
Machine Learning (Stanford)
数据挖掘爱好者
10-31 645
 http://www.youtube.com/watch?v=UzxYlbK2c7EVery good!We are in a greate time. We dont need take a site in Stanford unversity.But we can learn their class as well,even more clearly.
【机器学习】Stanford Machine Learning 学习笔记（一）
Johnson的博客
04-09 609
之前刷过一次斯坦福大学吴恩达教授的Coursera公开课，但那次刷的时候我还太年轻，所以也没做笔记，而且到现在为止，也都快忘的差不多了。过不了多久就要开始保研复试了，这里想再花一个月的时间重新过一遍，也在CSDN上做好记录。 因为是这个系列的第一篇文章，所以现在这里大致介绍一下这个课程吧！相信在中国只要接触过ML的同学们，肯定知道吴恩达和周志华这两个名字，毕竟鼻祖级的人物。但对于初学者来说，我...
Stanford Machine Learning
流风回雪的博客
12-07 256
http://www.holehouse.org/mlclass/index.html
斯坦福Machine Learning Week4总结(包括作业)
Wyy_dd的专栏
01-26 2591
第一讲：神经网络(Neural Network)的有关背景 对于一个非线性(non-linear)的分类问题，当特征数较少时，可以通过多项式拟合出决策边界(decision boundary)。然而对于一个现实问题，特征数往往很多，这时多项式项的个数就会变得很多，因为你想要去更好的拟合样本。此时会存在一些问题，比如运算量过大，容易出现会过拟合(over-fitting)的情况。 神经网络就是为
Coursera机器学习-第七周-Support Vector Machine
BD的笔记
06-13 6478
Large Margin Classification 支持向量机(Support vector machine)通常用在机器学习 (Machine learning)。是一种监督式学习 (Supervised Learning)的方法，主要用在统计分类 (Classification)问题和回归分析 (Regression)问题上。支持向量机属于一般化线性分类器，也可以被认为是提克洛夫规范化（Ti
机器学习（Machine Learning）入门科普
vast_w
05-18 4768
=======================国外==================== Machine Learning 大家(1)：M. I. Jordan (http://www.cs.berkeley.edu/~jordan/)     在我的眼里，M Jordan无疑是武林中的泰山北斗。他师出MIT，现在在berkeley坐镇一方  ，在附近的两所名校（加stanford）中
Standord Andrew的机器学习课程项目 含答案
04-21
这个是coursera上stanford机器学习大牛Andrew的部分课程项目，对于学习机器学习很有帮助。
【机器学习】菜菜的sklearn课堂(1-12全课).zip
04-24
配套的相关资料，好东西。菜菜的课程，看了就知道是好东西了。 01 决策树课件数据源码 02随机森林 03数据预处理和特征工程 04主成分分析PCA与奇异值分解SVD 05逻辑回归与评分卡 06聚类算法Kmeans 07支持向量机上 08支持向量机下 09回归大家族：线性回归，岭回归，Lasso与多项式回归 010朴素贝叶斯 011XGBoost
【机器学习】菜菜的sklearn课堂(1-12全课).rar
08-14
【机器学习】菜菜的sklearn课堂(1-12全课) 这是完整版的课件pdf 1.决策树 2.随机森林 3.数据预处理和特征工程 4.主成分分析PCA 5.逻辑回归与评分卡 6.聚类算法 7.支持向量机上 8.支持向量机下 9.回归大家族 10.朴素贝叶斯 11.XGBoost 12.神经网络（还在录课）
【机器学习】菜菜的sklearn课堂(1-11全课).7z
04-19
机器学习菜菜的sklearn课堂(1-11课件)，pdf内容包含代码，以及讲解的课件.........
全球名校AI课程库（4）| Stanford斯坦福 · 机器学习课程『Machine Learning』
最新发布
ShowMeAI研究中心
11-06 1万+
吴恩达与其他几位斯坦福教授主讲，对机器学习和统计模式识别提供了广泛介绍，是机器学习领域里门非常重要的高质量课程，也是许多人进入AI领域的基石。
Stanford University《Machine Learning》学习笔记（3）- 无监督学习
HB0924的博客
03-04 425
本次将介绍第二种主要的机器学习问题 - 无监督学习 。 本次课程视频链接：https://pan.baidu.com/s/1TzHdppCYwFiabdmsAnZkVQ 提取码：qmmw 在上次的课程中，已经介绍了监督学习。回想当时的数据集，如图表所示，这个数据集中每条数据都已经标明是阴性或阳性，即是良性或恶性肿瘤。所以，对于监督学习里的每条数据，我们已经清楚地知道，训练集对应的正确答案，是良性...
Machine Learning（Stanford）| 斯坦福大学机（吴恩达）器学习笔记【汇总】
Wanda && Aidem
07-25 730
from：https://blog.csdn.net/m399498400/article/details/52556168   定义本课程常用符号 训练数据：机器用来学习的数据 测试数据：用来考察机器学习效果的数据，相当于考试。 m = 训练样本的数量（训练集的个数) x = 输入的特征（例如房屋面积） y = 输出结果（例如房屋售价） (x(i),y(i)) = 表示训练集中第i个训...
Stanford Machine Learning 公开课笔记(3) Neural Network
BUILD
05-07 6038
最近在Coursera上学习Stanford的Andrew Ng的Machine Learning公开课，也做笔记，写作业。本章是Neural Network, 记录一下我的笔记。大部分是课堂视频截图，形式比较丑。 同样，首先记录自己的几个疑问
Ex05 [coursera] Machine learning - Stanford University - Andrew Ng
MoMo_qyc的博客
05-05 710
Regularized Linear Regression and Bias v.s. Variance 目录 Regularized Linear Regression and Bias v.s. Variance ex5.m linearRegCostFunction.m trainLinearReg.m learningCurve.m polyFeatures.m featu...
Stanford机器学习：K-means聚类算法详解
"Stanford机器学习课程讲解聚类算法，特别是K-means聚类算法，以及非监督学习的基本概念。" 在机器学习领域，聚类算法是一种重要的非监督学习技术，它主要用于发现数据集中的内在结构和模式，而无需预先知道数据的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
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、付费专栏及课程。

余额充值