711页的黄海广老师的《机器学习》课件合集.pdf

最新推荐文章于 2023-08-28 12:00:51 发布
最新推荐文章于 2023-08-28 12:00:51 发布
阅读量1.5k 收藏 3
点赞数
文章标签： 聚类 机器学习 python 人工智能 编程语言
原文链接：https://mp.weixin.qq.com/s?__biz=Mzk0NzI3ODMyMA==&mid=2247491505&idx=1&sn=40dc1d9699238d68fed96079546d9dee&chksm=c378072ef40f8e389e6bebc05132a2bb61969da43e3fd816af21668169ae0fcf2d35110348b9&scene=126&&sessionid=0
版权

黄海广博士的机器学习课程登陆了中国大学慕课，在9月6日10点开课了，目前有5400多人报名了。

今天，为了方便读者学习，黄海广博士公布了课程的ppt全集，一共711页，并提供下载。

课件介绍

本课件是温州大学黄海广老师的机器学习课程的授课课件，授课视频在中国大学慕课：

https://www.icourse163.org/course/WZU-1464096179

这门课面向初学者，内容比较基础，适合入门。

课件资源公布在Github：

https://github.com/fengdu78/WZU-machine-learning-course

如果是大学教师，可以发邮件给黄海广老师索取原版课件。

（haiguang2000@wzu.edu.cn，请用edu邮箱发，告知姓名学校，仅用于教学目的，请勿用于商业用途）

建议可以根据ppt内容编排进行授课，建议授课课时：36课时。

水平有限，难免有小错误，若有更新，也可以发邮件给黄海广老师，也可以发邮件索取老师微信。

这个合集课件pdf还会更新，下载方式：

关注公众号，回复“课件pdf合集”可以获取下载地址。

afabd3415bdceadc960c8f299876983a.png

授课目标

1、掌握机器学习的基本问题定义、基本模型，对机器学习学科有概览性的认识。

2、掌握目前主流的机器学习算法和模型，并能够根据实际问题的需要选择并实现相应的算法。

3、编程完成机器学习典型应用实例，对机器学习工程编程有初步的训练。

ppt目录

01 引言

1.1 机器学习概述

1.2 机器学习的类型

1.3 机器学习的背景知识

1.4 机器学习的开发流程

02 回归

2.1 线性回归

2.2 梯度下降

2.3 正则化

2.4 回归的评价指标

03 逻辑回归

3.1 分类问题

3.2 Sigmoid函数

3.3 逻辑回归求解

3.4 逻辑回归的代码实现

04  朴素贝叶斯

4.1 贝叶斯方法

4.2 朴素贝叶斯原理

4.3 朴素贝叶斯案例

4.4 朴素贝叶斯代码实现

05 机器学习实践

5.1 数据集划分

5.2 评价指标

5.3 正则化、偏差和方差

06 KNN算法

6.1 距离度量

6.2 KNN算法

6.3 KD树划分

6.4 KD树搜索

07 决策树

7.1 决策树原理

7.2 ID3算法

7.3 C4.5算法

7.4 CART算法

08 集成学习

8.1 集成学习方法概述

8.2 AdaBoost和GBDT算法

8.3 XGBoost算法

8.4 LightGBM算法

09 人工神经网络

9.1 人工神经网络概述

9.2 感知机算法

9.3 反向传播算法(BP算法)

10 支持向量机

9.1 支持向量机概述

9.2 线性可分支持向量机

9.3 线性支持向量机

9.4 线性不可分支持向量机

11聚类

11.1 无监督学习概述

11.2 K-means聚类

11.3 密度聚类和层次聚类

11.4 聚类的评价指标

12 降维

12.1 降维概述

12.2 SVD(奇异值分解)

12.3 PCA(主成分分析)

13 关联规则

13.1 关联规则概述

13.2 Apriori 算法

13.3 FP-Growth算法

机器学习附录

高等数学回顾

概率论回顾

线性代数回顾

机器学习项目流程

Numpy使用总结

特征工程

机器学习库Scikit-learn

课程大纲可能会有小范围调整。

924865232c09eb7f1aadc2a6c12ede0d.png

部分课件截图

预备知识

数学基础：主要包括高等数学、线性代数、概率论与数理统计。最低要求：大三上学期的数学水平。

编程基础：已经掌握一种编程工具，最好会使用Python进行简单地编程。

课程定位

基础入门课，适合大三以上的本科生，或者初学机器学习的硕士生，博士生，也适合对机器学习感兴趣的毕业生。
与其他优秀的机器学习课程相比，本课程内容相对简单易懂，资料全面，课程团队坚信：让地方性本科院校的学生也能入门机器学习。

课件下载

课件pdf版本公布在Github，如果是大学教师，可以发邮件给黄海广老师索取原版课件。

https://github.com/fengdu78/WZU-machine-learning-course

（haiguang2000@wzu.edu.cn，请用edu邮箱发，告知姓名学校，仅用于教学目的，请勿用于商业用途）

建议可以根据ppt内容编排进行授课，建议授课课时：36课时。

水平有限，难免有小错误，若有更新，也可以发邮件给黄海广老师，也可以发邮件索取老师微信。

这个合集课件pdf还会更新，最新版下载方式：

关注公众号，回复“课件pdf合集”可以获取下载地址。

4245efd2cce868474c178aeefc7d5db1.png

欣一2002
关注
吴恩达机器学习个人笔记-黄海广-完整版
01-25
吴恩达机器学习个人笔记-黄海广，完整版，最新版，具体更新可以去黄海广博客查找。
我的《机器学习》课程的课件合集下载
fengdu78的博客
07-30 1602
我是黄海广，我上的一门课叫《机器学习》，本科生学机器学习有点难，但也不是没有可能，我在摸索中，设计适合本科生的机器学习课程，写了教材，录了视频，做了课件。我有丰富的科普文章写作经验，知道初...
机器学习(PPT92页).ppt
09-25
机器学习(PPT92页).ppt
机器学习 PPT
小白
04-06 1万+
    软件技术中心的例会终于也轮到我了，为了给小伙伴们讲一点干货，于是开始了为期一周的学习，从百度知乎博客到请教学长（JY大佬）甚至查阅相关书籍资料，终于有所收获，并对其产生了浓厚兴趣，希望以后能够在这方面有更大的进步。                                     #inc...
机器学习1.0
qq_39441111的博客
10-20 279
机器学习 定义：如果某计算机程序在T任务中的性能（由P衡量）随着经验E的提高而提高，则可以说它是从经验E中学习有关某类任务T和性能度量P的。 简单的来说： 打个比方—>玩跳棋。 E =玩许多跳棋游戏的经验 T =扮演跳棋的任务。 P =程序将赢得下一场比赛的概率。 通常，可以将任何机器学习问题分配给以下两种广泛的分类之一： 监督学习和无监督学习。 监督学习 在监督学习中，我们得到了一个数据集，并且已经知道我们正确的输出应该是什么样子，并且认为输入和输出之间存在关系。 监督学习问题分为“回归”和“分类”
李宏毅2020机器学习深度学习(完整版)国语课程PPT
Fitz的博客
10-26 9802
课程全部内容PPT 链接：https://pan.baidu.com/s/1A2pwtwLPUOnPpjjSpfYpXg 提取码：nd6c
机器学习教程（非常详细）从零基础入门到精通，看完这一篇就够了
热门推荐
Python84310366的博客
08-25 2万+
从广义上来说，机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。
机器学习笔记完整版.pdf
09-28
机器学习是人工智能领域的一个重要分支，它涉及到让计算机通过学习来模拟人类的学习行为，以获得新的知识或技能，并不断改进其性能。机器学习的核心在于归纳和综合，不同于传统的演绎方法。其应用广泛，从自动驾驶...
吴恩达老师机器学习课程笔记pdf
10-28
作者黄海广，GitHub地址：https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
机器学习个人笔记完整版.pdf
01-08
【机器学习】是计算机科学中的一个分支，它研究如何使计算机通过经验学习和改进，而无需显式编程。机器学习是实现人工智能的关键技术之一，它广泛应用于诸如自动驾驶、语音识别、网络搜索优化、基因组学等多个领域。...
温州大学黄海广教授机器学习特征工程PPT
06-07
温州大学黄海广教授机器学习特征工程PPT。 在原始数据集中的特征的形式不适合直接进行建模时，使用一个或多个原特征构造新的特征可能会比直接使用原有特征更为有效。特征构建：是指从原始数据中人工的找出一些具有物理意义的特征。操作：使用混合属性或者组合属性来创建新的特征，或是分解或切分原有的特征来创建新的特征。方法：经验、属性分割和结合。数据归一化的目的是使得各特征对目标变量的影响一致，会将特征数据进行伸缩变化，所以数据归一化是会改变特征数据分布的。数据标准化为了不同特征之间具备可比性，经过标准化变换之后的特征数据分布没有发生改变。就是当数据特征取值范围或单位差异较大时，最好是做一下标准化处理。聚合特征构造主要通过对多个特征的分组聚合实现，这些特征通常来自同一张表或者多张表的联立。聚合特征构造使用一对多的关联来对观测值分组，然后计算统计量。常见的分组统计量有中位数、算术平均数、众数、最小值、最大值、标准差、方差和频数等。相对于聚合特征构造依赖于多个特征的分组统计，通常依赖于对于特征本身的变换。转换特征构造使用单一特征或多个特征进行变换后的结果作为新的特征。
机器学习论文合集（pdf格式）.zip
03-10
25篇机器学习经典论文合集，有需要欢迎积分自取 Efficient sparse coding algorithms论文附有代码 [1] Zheng S, Kwok J T. Follow the moving leader in deep learning[C]//Proceedings of the 34th International Conference on Machine Learning-Volume 70. JMLR. org, 2017: 4110-4119. [2] Kalai A, Vempala S. Efficient algorithms for online decision problems[J]. Journal of Computer and System Sciences, 2005, 71(3): 291-307. [3] Kingma, D. and Ba, J. Adam: A method for stochastic optimization. In Proceedings of the International Conference for Learning Representations, 2015. [4] Lee H, Battle A, Raina R, et al. Efficient sparse coding algorithms[C]//Advances in neural information processing systems. 2007: 801-808. [5] Fan J, Ding L, Chen Y, et al. Factor Group-Sparse Regularization for Efficient Low-Rank Matrix Recovery[J]. 2019. [6] Z. Lai, Y. Chen, J. Wu, W. W. Keung, and F. Shen, “Jointly sparse hashing for image retrieval,” IEEE Transactions on Image Processing, vol. 27, no. 12, pp. 6147–6158, 2018. [7] Z. Zhang, Y. Chen, and V. Saligrama, “Efficient training of very deep neural networks for supervised hashing,” in Proc. IEEE Int. Conf. Computer Vision and Pattern Recognition, 2016, pp. 1487–1495. [8] Wei-Shi Zheng, Shaogang Gong, Tao Xiang. Person re-identification by probabilistic relative distance comparison[C]// CVPR 2011. IEEE, 2011. [9] Liao S, Hu Y, Zhu X, et al. Person re-identification by local maximal occurrence representation and metric learning[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 2197-2206. [10] Liu X, Li H, Shao J, et al. Show, tell and discriminate: Image captioning by self-retrieval with partially labeled data[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 338-354. [11] Yao T, Pan Y, Li Y, et al. Exploring visual relationship for image captioning[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 684-699. [12] Chao Dong, Chen Change Loy, Kaiming He, and Xiaoou Tang., ”Image Super-Resolution Using Deep Convolutional Networks, ” IEEE Transactions on Pattern Analysis and Machine Intelligence, Preprint, 2015. [13] M. D. Zeiler, D. Krishnan, Taylor, G. W., and R. Fergus, "Deconvolutional networks," in Proc. IEEE Comput. Soc. Conf. Comput. Vision Pattern Recog., 2010, pp. 2528-2535. [14] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 580-587. [15] Girshick R . Fast R-CNN[J]. Computer Science, 2015. [16] Joseph Redmon, Santosh Divvala, Ross Girshick, et al. You Only Look Once: Unified, Real-Time Object Detection[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016. [17] LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324. [18] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. science, 2006, 313(5786): 504-507. [19] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems. 2012: 1097-1105. [20] Zeiler M D, Fergus R. Visualizing and understanding convolutional networks[C]//European conference on computer vision. Springer, Cham, 2014: 818-833. [21] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 1-9. [22] Wu, Y., & He, K. (2018). Group normalization. In Proceedings of the European Conference on Computer Vision (ECCV) (pp. 3-19). [23] Goodfellow I,Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances in Neural Information Processing Systems. 2014: 2672-2680. [24] Tran, L., Yin, X., & Liu, X. (2017). Disentangled representation learning gan for pose-invariant face recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1415-1424). [25] Pu, Y., Gan, Z., Henao, R., Yuan, X., Li, C., Stevens, A., & Carin, L. (2016). Variational autoencoder for deep learning of images, labels and captions. In Advances in neural information processing systems (pp. 2352-2360).
黄海广-机器学习个人笔记v5.26.pdf
04-10
斯坦福大学 2014 机器学习教程 个人笔记（V5.26） 课程概述 课程地址：https://www.coursera.org/course/ml Machine Learning(机器学习)是研究计算机怎样模拟或实现人类的学习行为，以获取新的 知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是 使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而 不是演绎。在过去的十年中，机器学习帮助我们自动驾驶汽车，有效的语音识别，有效的网 络搜索，并极大地提高了人类基因组的认识。机器学习是当今非常普遍，你可能会使用这一 天几十倍而不自知。
Transformer.ppt
12-02
简单介绍transformer实现理论
机器学习PPT讲义-Andrew NG
02-24
堪称机器学习教程的经典，斯坦福大学的Andrew Ng讲述，目前担任百度研究院首席科学家，讲解内容的浅显易懂，非常适合初学者
机器学习个人 笔记完整版2.5.pdf
04-12
本份材料为斯坦福大学2014年机器学习课程的个人笔记，旨在为读者提供机器学习的学习心得和经验分享，以助于更高效地学习这一领域。笔记由黄海广整理，并进行了中文翻译和笔记的制作，涵盖了课程的多个方面，从基础...
机器学习概念
Mr Harsh的博客
10-29 360
所谓“机器学习”就是通过对数据进行反复得学习，来找出其中的规律和模式。机器学习（Machine Learning）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
写了一本适合本科生的机器学习书：《机器学习入门基础（微课版）》
最新发布
fengdu78的博客
08-28 1487
各位读者朋友们，今天我要给大家推荐一本非常实用的机器学习入门基础图书——《机器学习入门基础（微课版）》。这本书是由黄海广老师倾心打造，适合只有本科三年级数学水平以上的初学者入门，这本书已经被很多学校定为本科生教材。背景介绍本书的作者黄海广老师是一名大学教师，翻译和整理过很多人工智能的入门课程资料，如“吴恩达机器学习”的翻译和笔记整理等，他目前承担本科生和研究生的机器学习课程的教学工作。在借鉴了国内...
周志华 机器学习ppt
Cjiaocsda1127的专栏
01-24 7535
•1.基本形式 •2.线性回归 •3.对数几率回归 •4.线性判别分析 •5.多分类学习
斯坦福2014机器学习教程笔记：黄海广版
“黄海广的个人笔记详细记录...通过这份笔记，初学者可以系统地学习机器学习的基本概念和算法，同时也能了解到如何将这些知识应用于实际问题中。对于想要深入理解机器学习原理和实践的人来说，这是一个非常宝贵的资源。
评论 1
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