林轩田《机器学习基石》资源汇总(视频+学习笔记+书)

640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1


来源 | AI有道(公众号ID:redstonewill)


课程介绍


台湾大学林轩田老师的《机器学习基石》课程由浅入深、内容全面,基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。而且林老师的教学风格也很幽默风趣,总让读者在轻松愉快的氛围中掌握知识。在此,笔者将把这门课的所有视频、笔记、书籍等详细资料分享给大家。


首先附上这门课的主页:

https://www.csie.ntu.edu.tw/~htlin/


课程视频在B站上可以直接观看哦~这里附上传送门:

https://www.bilibili.com/video/av12463015/


课程内容


这门课主要涉及机器学习关键问题的四个方面:


  • When Can Machine Learn?

  • Why Can Machine Learn?

  • How Can Machine Learn?

  • How Can Machine Learn Better?


其中每个方面包含4节课,总共有16节课。具体所有课程内容如下:


  • When Can Machine Learn?

    The Learning Problem

    Learning to Answer Yes/No

    Types of Learning

    Feasibility of Learning

  • Why Can Machine Learn?

    Training versus Testing

    Theory of Generalization

    The VC Dimension

    Noise and Error

  • How Can Machine Learn?

    Linear Regression

    Logistic Regression

    Logistic Regression

    Nonlinear Transformation

  • How Can Machine Learn Better?

    Hazard of Overfitting

    Regularization

    Validation

    Three Learning Principles


资源汇总


课程视频


完整的16节课程视频都存放在百度云盘上,方便转存、下载。包括视频对应的教学ppt(pdf形式)。


640?wx_fmt=png

640?wx_fmt=png


课程笔记


这是笔者最用心整理也是花的时间最多的,所有精炼笔记都已发布在公众号里。读者可以边看视频边看我的笔记,希望能提供微薄之力。但是,为了便于大家线下阅读,特此将笔记整理为pdf文件,可供打印。所有精炼笔记的pdf文件都放在百度云盘上。


640?wx_fmt=png


课程书籍


林轩田机器学习基石这门课有一个配套教材:《Learning From Data》,林轩田也是编者之一。这本书的主页为:http://amlbook.com/


640?wx_fmt=jpeg


豆瓣上关于这本书的评分高达9.4,还是很不错的,值得推荐!可以配套视频一起学习。


640?wx_fmt=png


这本书的pdf版本也放在了百度云盘上。


640?wx_fmt=png


如何获取资源


目前,笔者为大家整理的《机器学习基石》所有相关的视频、笔记、书籍等均已放在了百度网盘上:

https://pan.baidu.com/s/1-v56bgLdwKIgghoVA1ZWZA



扫描二维码,关注「人工智能头条」

回复“技术路线图”获取 AI 技术人才成长路线图

640?wx_fmt=jpeg

点击 | 阅读原文 | 查看更多干货内容

  • 11
    点赞
  • 64
    收藏
    觉得还不错? 一键收藏
  • 38
    评论
sklearn是一个Python机器学习库,其中包含了许多用于机器学习和数据挖掘的工具和算法。吴恩达是一位著名的机器学习专家,他在机器学习领域有着丰富的经验和知识。他在一些课程中介绍了机器学习的基本概念和算法,并提到了一些使用sklearn库进行机器学习的实例和案例。他的课程包括《Introduction to machine learning with scikit-learn》、《林轩机器学习》和《李宏毅机器学习》等。 在这些课程中,吴恩达也提到了一些机器学习中常用的算法和方法,例如正规方程法。正规方程法是一种在数据量不大时比较适用的方法,它不需要进行归一化。在多变量线性回归中,正规方程法可以用来求解最优的模型参数。 如果你想使用sklearn来训练逻辑回归模型,你可以按照以下步骤进行操作: 1. 导入sklearn库以及需要的数据集: ```python import numpy as np from sklearn.linear_model import LogisticRegression X = np.array([[0.5, 1.5], [1,1], [1.5, 0.5], [3, 0.5], [2, 2], [1, 2.5]]) y = np.array([0, 0, 0, 1, 1, 1]) ``` 2. 创建并拟合逻辑回归模型: ```python lr_model = LogisticRegression() lr_model.fit(X, y) ``` 这样你就可以使用sklearn库中的逻辑回归模型进行训练并得到模型参数。请注意,这只是一个简单的示例,实际应用中可能需要更多的数据预处理和模型调优步骤。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [DJH-ML:机器学习记录,Apachecn,sklearn,维基百科](https://download.csdn.net/download/weixin_42126677/18303041)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [吴恩达机器学习课后作业ex1(python实现)](https://blog.csdn.net/weixin_55037029/article/details/127620509)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [【吴恩达机器学习】初识sklearn函数](https://blog.csdn.net/qq_21506765/article/details/126061868)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 38
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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