吴恩达《机器学习》视频课程全集
1 - 1 - 欢迎
8万
114
2022-01-19 10:20:31
1135
869
3799
378
课程总结
收起全部章节
关闭课程总结
暂无课程总结
吴恩达老师的Coursera上的机器学习课程完整版，主要翻译者：黄海广。
这个是经典的机器学习课程，由本人在2014年组织翻译，并撰写了课程笔记，同时把课程作业代码从Octave复现成Python代码。
网上有很多版本的翻译，基本上在本人翻译的基础上进行润色。
课程笔记和代码在我的Github：https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes （star23900+）
吴恩达
1/2
加载中...
1 - 1 - 欢迎
06:55
1 - 2 -机器学习是什么？
07:15
1 - 3 - 监督学习
12:30
1 - 4 - 无监督学习
14:14
2 - 1 - 模型表示
08:11
2 - 2 - 代价函数
08:13
2 - 3 - 代价函数的直观理解I
11:10
2 - 4 - 代价函数的直观理解II
08:49
2 - 5 - 梯度下降
11:31
2 - 6 - 梯度下降的直观理解
11:52
2 - 7 - 梯度下降的线性回归
10:21
2 - 8 - 接下来的内容
05:51
3 - 1 - 矩阵和向量
08:46
3 - 2 - 加法和标量乘法
06:55
3 - 3 - 矩阵向量乘法
13:40
3 - 4 - 矩阵乘法
11:10
3 - 5 - 矩阵乘法的性质
09:03
3 - 6 - 逆、转置
11:14
4 - 1 - 多维特征
08:23
4 - 2 - 多变量梯度下降
05:05
4 - 3 - 梯度下降法实践1-特征缩放
08:53
4 - 4 - 梯度下降法实践2-学习率
08:59
4 - 5 -特征和多项式回归
07:40
4 - 6 - 正规方程
16:19
4 - 7 - 正规方程及不可逆性（选修）
06:00
5 - 1 - 基本操作
14:00
5 - 2 - 移动数据
16:08
5 - 3 - 计算数据
13:16
5 - 4 - 绘图数据
09:39
5 - 5 - 控制语句：for，while，if语句
12:57
5 - 6 - 向量化
13:49
5 - 7 - 工作和提交的编程练习
03:34
6 - 1 - 分类问题
08:09
6 - 2 - 假说表示
07:25
6 - 3 - 决策边界
14:50
6 - 4 - 代价函数
11:26
6 - 5 - 简化的代价函数和梯度下降
10:16
6 - 6 - 高级优化
14:07
6 - 7 - 多类别分类：一对多
06:16
7 - 1 - 过拟合的问题
09:43
7 - 2 - 代价函数
10:12
7 - 3 - 正则化线性回归
10:41
7 - 4 - 正则化的逻辑回归模型
08:35
8 - 1 -非线性假设
09:37
8 - 2 - 神经元和大脑
07:48
8 - 3 - 模型表示1
12:02
8 - 4 - 模型表示2
11:47
8 - 5 - 样本和直观理解I
07:16
8 - 6 - 样本和直观理解II
10:21
8 - 7 - 多类分类
03:52
9 - 1 - 代价函数
06:44
9 - 2 - 反向传播算法
12:00
9 - 3 - 反向传播算法的直观理解
12:45
9 - 4 - 实现注意：展开参数
07:48
9 - 5 - 梯度检验
11:38
9 - 6 - 随机初始化
06:52
9 - 7 - 综合起来
13:24
9 - 8 - 自主驾驶
06:31
10 - 1 - 决定下一步做什么
05:51
10 - 2 - 评估一个假设
07:36
10 - 3 - 模型选择和交叉验证集
12:04
10 - 4 - 诊断偏差和方差
07:43
10 - 5 - 正则化和偏差/方差
11:21
10 - 6 - 学习曲线
11:54
10 - 7- 决定下一步做什么
06:51
11 - 1 - 首先要做什么
09:30
11 - 2 - 误差分析
13:13
11 - 3 - 类偏斜的误差度量
11:36
11 - 4 - 查准率和查全率之间的权衡
14:06
11 - 5 - 机器学习的数据
11:10
12 - 1 - 优化目标
14:48
12 - 2 -大边界的直观理解
10:37
12 - 3 - 数学背后的大边界分类（选修）
19:42
12 - 4 - 核函数1
15:45
12 - 5 - 核函数2
15:44
12 - 6 - 使用支持向量机
21:04
13 - 1 - 无监督学习：简介
03:18
13 - 2 - K-均值算法
12:33
13 - 3 - 优化目标
07:05
13 - 4 - 随机初始化
07:50
13 - 5 - 选择聚类数
08:23
14 - 1 - 动机一：数据压缩
10:10
14 - 2 - 动机二：数据可视化
05:28
14 - 3 - 主成分分析问题
09:06
14 - 4 - 主成分分析算法
15:15
14 - 5 - 选择主成分的数量
10:31
14 - 6 - 重建的压缩表示
03:55
14 - 7 - 主成分分析法的应用建议
12:49
15 - 1 - 问题的动机
07:39
15 - 2 - 高斯分布
10:28
15 - 3 - 算法
12:03
15 - 4 - 开发和评价一个异常检测系统
13:08
15 - 5 - 异常检测与监督学习对比
07:37
15 - 6 - 选择特征
12:18
15 - 7 - 多元高斯分布（选修）
13:47
15 - 8 - 使用多元高斯分布进行异常检测（选修）
14:04
16 - 1 - 问题形式化
07:55
16 - 2 - 基于内容的推荐系统
14:32
16 - 3 - 协同过滤
10:15
16 - 4 - 协同过滤算法
08:28
16 - 5 - 向量化：低秩矩阵分解
08:29
16 - 6 - 推行工作上的细节：均值归一化
08:32
17 - 1 - 大型数据集的学习
05:46
17 - 2 - 随机梯度下降
13:20
17 - 3 - 小批量梯度下降
06:19
17 - 4 - 随机梯度下降收敛
11:32
17 - 5 - 在线学习
12:51
17 - 6 - 映射化简和数据并行
14:09
18 - 1 - 问题描述和流程图
07:03
18 - 2 - 滑动窗口
14:41
18 - 3 - 获取大量数据和人工数据
16:21
18 - 4 - 上限分析：哪部分管道的接下去做
13:51
19 - 1 - 总结和致谢
04:43
吴恩达《深度学习》视频课程全集
22.4万播放
第一课-1.1 欢迎
05:33
第一课-1.2 什么是神经网络？
07:05
第一课-1.3 用神经网络进行监督学习
08:30
第一课-1.4 为什么深度学习会兴起？
10:22
第一课-2.1 二分分类
08:24
第一课-2.2 logistic 回归
06:00
第一课-2.3 logistic 回归损失函数
08:12
第一课-2.4 梯度下降法
11:24
第一课-2.5 导数
07:11
第一课-2.6 更多导数的例子
10:49
第一课-2.7 计算图
03:34
第一课-2.8 计算图的导数计算
14:51
第一课-2.9 logistic 回归中的梯度下降法
06:43
第一课-2.10 m 个样本的梯度下降
08:01
第一课-2.11 向量化
08:05
第一课-2.12 向量化的更多例子
06:22
第一课-2.13 向量化 logistic 回归
07:33
第一课-2.14 向量化 logistic 回归的梯度输出
09:38
第一课-2.15 Python 中的广播
11:07
第一课-2.16 关于 python _ numpy 向量的说明
06:50
第一课-2.17 Jupyter _ ipython 笔记本的快速指南
03:57
第一课-2.18 （选修）logistic 损失函数的解释
07:15
第一课-3.1 神经网络概览
04:27
第一课-3.2 神经网络表示
05:15
第一课-3.3 计算神经网络的输出
09:59
第一课-3.4 多个例子中的向量化
09:06
第一课-3.5 向量化实现的解释
07:38
第一课-3.6 激活函数
10:57
第一课-3.7 为什么需要非线性激活函数？
05:37
第一课-3.8 激活函数的导数
07:58
第一课-3.9 神经网络的梯度下降法
09:58
第一课-3.10 （选修）直观理解反向传播
15:49
第一课-3.11 随机初始化
07:58
第一课-4.1 深层神经网络
05:52
第一课-4.2 前向和反向传播
10:30
第一课-4.3 深层网络中的前向传播
07:16
第一课-4.4 核对矩阵的维数
11:11
第一课-4.5 为什么使用深层表示
10:34
第一课-4.6 搭建深层神经网络块
08:34
第一课-4.7 参数 VS 超参数
07:17
第一课-4.8 这和大脑有什么关系？
03:18
第二课-1.1 训练_开发_测试集
12:05
第二课-1.2 偏差_方差
08:47
第二课-1.3 机器学习基础
06:22
第二课-1.4 正则化
09:43
第二课-1.5 为什么正则化可以减少过拟合？
07:10
第二课-1.6 Dropout 正则化
09:26
第二课-1.7 理解 Dropout
07:05
第二课-1.8 其他正则化方法
08:25
第二课-1.9 归一化输入
05:31
第二课-1.10 梯度消失与梯度爆炸
06:08
第二课-1.11 神经网络的权重初始化
06:13
第二课-1.12 梯度的数值逼近
06:36
第二课-1.13 梯度检验
06:35
第二课-1.14 关于梯度检验实现的注记
05:19
第二课-2.1 Mini-batch 梯度下降法
11:29
第二课-2.2 理解 mini-batch 梯度下降法
08:15
第二课-2.3 指数加权平均
05:59
第二课-2.4 理解指数加权平均
05:58
第二课-2.5 指数加权平均的偏差修正
04:12
第二课-2.6 动量梯度下降法
09:21
第二课-2.7 RMSprop
07:42
第二课-2.8 Adam 优化算法
07:08
第二课-2.9 学习率衰减
06:45
第二课-2.10 局部最优的问题
05:24
第二课-3.1 调试处理
07:11
第二课-3.2 为超参数选择合适的范围
08:51
第二课-3.3 超参数训练的实践：Pandas VS Caviar
06:52
第二课-3.4 正则化网络的激活函数
08:56
第二课-3.5 将 Batch Norm 拟合进神经网络
12:56
第二课-3.6 Batch Norm 为什么奏效？
11:40
第二课-3.7 测试时的 Batch Norm
05:47
第二课-3.8 Softmax 回归
11:48
第二课-3.9 训练一个 Softmax 分类器
10:08
第二课-3.10 深度学习框架
04:16
第二课-3.11 TensorFlow
16:08
第三课-1.1 为什么是 ML 策略
02:43
第三课-1.2 正交化
06:40
第三课-1.3 单一数字评估指标
07:17
第三课-1.4 满足和优化指标
05:32
第三课-1.5 训练_开发_测试集划分
06:36
第三课-1.6 开发集合测试集的大小
05:40
第三课-1.7 什么时候该改变开发_测试集和指标
08:00
第三课-1.8 为什么是人的表现
05:47
第三课-1.9 可避免偏差
07:00
第三课-1.10 理解人的表现
00:14
第三课-1.11 超过人的表现
06:22
第三课-1.12 改善你的模型的表现
06:21
第三课-2.1 进行误差分析
10:33
第三课-2.2 清除标注错误的数据
13:06
第三课-2.3 快速搭建你的第一个系统，并进行迭代
06:02
第三课-2.4 在不同的划分上进行训练并测试
10:56
第三课-2.5 不匹配数据划分的偏差和方差
18:17
第三课-2.6 定位数据不匹配
10:09
第三课-2.7 迁移学习
11:18
第三课-2.8 多任务学习
13:00
第三课-2.9 什么是端到端的深度学习
11:48
第三课-2.10 是否要使用端到端的深度学习
10:20
第四课-1.1 计算机视觉
05:45
第四课-1.2 边缘检测示例
11:31
第四课-1.3 更多边缘检测内容
07:58
第四课-1.4 Padding
09:50
第四课-1.5 卷积步长
09:02
第四课-1.6 三维卷积
10:45
第四课-1.7 单层卷积网络
16:11
第四课-1.8 简单卷积网络示例
08:33
第四课-1.9 池化层
10:26
第四课-1.10 卷积神经网络示例
12:38
第四课-1.11 为什么使用卷积？
09:41
第四课-2.1 为什么要进行实例探究？
03:09
第四课-2.2 经典网络
18:20
第四课-2.3 残差网络
07:08
第四课-2.4 残差网络为什么有用？
09:13
第四课-2.5 网络中的网络以及 1×1 卷积
06:41
第四课-2.6 谷歌 Inception 网络简介
10:15
第四课-2.7 Inception 网络
08:47
第四课-2.8 使用开源的实现方案
04:57
第四课-2.9 迁移学习
08:48
第四课-2.10 数据扩充
09:32
第四课-2.11 计算机视觉现状
12:39
第四课-3.1 目标定位
11:55
第四课-3.2 特征点检测
05:57
第四课-3.3 目标检测
05:50
第四课-3.4 卷积的滑动窗口实现
11:09
第四课-3.5 Bounding Box预测
14:32
第四课-3.6 交并比
04:19
第四课-3.7 非极大值抑制
08:03
第四课-3.8 Anchor Boxes
09:44
第四课-3.9 YOLO 算法
07:02
第四课-3.10 候选区域
06:28
第四课-4.1 什么是人脸识别？
04:38
第四课-4.2 One-Shot 学习
04:45
第四课-4.3 Siamese 网络
04:52
第四课-4.4 Triplet 损失
15:31
第四课-4.5 面部验证与二分类
06:06
第四课-4.6 什么是神经风格转换？
02:03
第四课-4.7 什么是深度卷积网络？
07:58
第四课-4.8 代价函数
04:00
第四课-4.9 内容代价函数
03:38
第四课-4.10 风格代价函数
17:01
第四课-4.11 一维到三维推广
09:09
第五课-1.1为什么选择序列模型
03:01
第五课-1.2数学符号
09:16
第五课-1.3循环神经网络
16:32
第五课-1.4通过时间的方向传播
06:12
第五课-1.5不同类型的循环神经网络
09:34
第五课-1.6 语言模型和序列生成
12:02
第五课-1.7 对新序列采样
08:39
第五课-1.8带有神经网络的梯度消失
06:29
第五课-1.9 GRU 单元
17:07
第五课-1.10 长短期记忆（LSTM）
09:54
第五课-1.11 双向神经网络
08:20
第五课-1.12 深层循环神经网络
05:17
第五课-2.1 词汇表征
10:08
第五课-2.2 使用词嵌入
09:23
第五课-2.3 词嵌入的特性
11:55
第五课-2.4 嵌入矩阵
05:58
第五课-2.5 学习词嵌入
10:09
第五课-2.6 Word2Vec
12:48
第五课-2.7 负采样
11:54
第五课-2.8 GloVe 词向量
11:09
第五课-2.9 情绪分类
07:38
第五课-2.10 词嵌入除偏
11:09
第五课-3.1 基础模型
06:19
第五课-3.2 选择最可能的句子
08:57
第五课-3.3 定向搜索
11:55
第五课-3.4 改进定向搜索
11:01
第五课-3.5 定向搜索的误差分析
09:44
第五课-3.6 Bleu 得分（选修）
16:27
第五课-3.7 注意力模型直观理解
09:42
第五课-3.8 注意力模型
12:23
第五课-3.9 语音辨识
08:54
第五课-3.10 触发字检测
05:04
第五课-3.11 结论和致谢
02:45
吴恩达采访 Andrej Karpathy
15:11
吴恩达采访 Ruslan Salakhutdinov
17:09
吴恩达采访 Geoffrey Hinton
40:23
吴恩达采访 Ian Goodfellow
14:56
吴恩达采访 Pieter Abbeel
16:04
吴恩达采访 Yoshua Bengio
25:49
吴恩达采访 林元庆
13:37
加载中...
加载中...
展开