【官方中英】2025年公认最好的【吴恩达机器学习课程】附课件、代码及实战项目!!!--人工智能/机器学习/深度学习

458.5万
8069
2025-01-04 16:38:47
3.4万
2.4万
9.3万
1.6万
本课程字幕为官方英文字幕资源,由GPT翻译后经人工检查,最大程度上确保字幕适合食用,
gong众号【坚持打代码】回复【22】自取资源
视频选集
(1/146)
1.欢迎来到机器学习(课程配套作业与习题见评论区)
06:41
2.什么是机器学习(建议学习本课程一定要)
05:21
3.监督学习部分(完成代码作业与课后习题)
14:01
4.无监督学习部分
12:31
5.jupyter笔记本
04:31
6.线性回归模型
16:41
7.成本函数及其直觉
23:59
8.可视化成本函数
08:34
9.可视化示例
06:01
10.梯度下降
08:04
11.实现梯度下降
10:00
12.梯度下降直觉
07:02
13.学习率
09:04
14.线性回归的梯度下降
06:37
15.运行梯度下降
05:49
16.多特征
09:52
17.向量化(第一部分)
06:55
18.向量化(第二部分)
06:53
19.多重线性回归的梯度下降
07:46
20.特征缩放(第一部分)
06:36
21.特征缩放(第二部分)
07:35
22.检查梯度下降是否收敛.
05:40
23._选择学习率
06:07
24.特征工程
03:05
25.多项式回归.
05:52
26.动机
09:48
27.逻辑回归
09:49
28.决策边界
10:43
29.逻辑回归的成本函数.
12:00
30.简化后的逻辑回归成本函数
05:45
31.梯度下降实现
06:32
32.过拟合问题
11:53
33.解决过拟合
08:16
34.带正则化的成本函数
09:04
35.正则化线性回归
08:53
36.正则化逻辑回归
05:33
37.吴恩达与李飞飞谈以人为本的AI
41:43
38.欢迎来到深度学习部分
02:54
39.神经元与大脑
10:53
40.需求预测
16:24
41.示例:图像识别
06:36
42.神经网络层
09:50
43.更复杂的神经网络
08:10
44.推理:预测与前向传播
05:24
45.代码中的推理
06:41
46.TensorFlow中的数据
11:19
47.构建神经网络
08:22
48.单层前向传播
05:07
49.前向传播的通用实现
07:52
50.是否存在通往AGI的路径
10:35
51.神经网络的高效实现方式
04:22
52.矩阵乘法
09:29
53.矩阵乘法规则
09:31
54.矩阵乘法代码
06:26
55.TensorFlow实现
03:36
56.训练细节
13:28
57.Sigmoid激活函数的替代方案
05:30
58.选择激活函数
08:25
59.为什么需要激活函数
05:31
60.多类别
03:29
61.Softmax
11:32
62.带有Softmax输出的神经网络
07:25
63.Softmax的改进实现
09:12
64.多输出分类(可选)
04:20
65.高级优化
06:26
66.额外的层类型
08:56
67.什么是导数(可选)
22:57
68.计算图(可选)
19:20
69.更大的神经网络示例(可选)
09:53
70.决定下一步尝试什
03:42
71.模型评估
10:25
72.模型选择与训练、交叉验证、测试集
13:58
73.诊断偏差与方差
11:07
74.正则化与偏差方差
10:28
75.建立基准性能水平
09:22
76.学习曲线.
11:48
77.决定下一步尝试什么(再谈)
08:47
78.偏差、方差与神经网络.
10:45
79.机器学习开发的迭代循环.
07:43
80.错误分析.
08:21
81.增加数据
14:18
82.使用不同任务的数据进行迁移学习.
11:57
83.机器学习项目的完整周期
08:45
84.公平性、偏见与伦理
09:56
85.倾斜数据集的错误指标.
11:33
86.精确率与召回率的权衡
11:44
87.决策树模型
07:02
88.学习过程
11:21
89.测量纯度
07:38
90.选择分割:信息增益
11:52
91.综合起来
09:08
92.使用独热编码的分类特征
05:26
93.连续值特征
06:54
94.回归树(可选)
09:51
95.使用多个决策树
03:57
96.带替换的采样
04:00
97.随机森林算法
06:23
98.XGBoost.
06:52
99.何时使用决策树
06:20
100.吴恩达与克里斯·曼宁谈自然语言处理
47:28
101.欢迎无监督学习、推荐系统和强化学习
03:24
102.什么是聚类
04:13
103.K均值直觉
06:50
104.K均值算法
09:50
105.优化目标.
11:13
106.初始化K均值
08:54
107.选择聚类数量
07:23
108.发现异常事件
11:42
109.高斯正态分布
10:40
110.异常检测算法
11:49
111.开发和评估异常检测系统
11:39
112.异常检测与监督学习的对比
08:09
113.选择使用哪些特征
14:55
114.推荐系统
05:33
115.使用项目特征
11:17
116.协同过滤算法
13:56
117.二进制标签:喜欢、点赞和点击
08:28
118.均值归一化
08:46
119.协同过滤的TensorFlow实现
11:38
120.发现相关项目
06:34
121.协同过滤与基于内容的过滤对比
09:46
122.基于内容的过滤的深度学习
09:43
123.从大型目录中推荐
07:53
124.推荐系统的伦理使用
10:49
125.基于内容的过滤的TensorFlow实现
04:49
126.减少特征数量(可选)
12:24
127.PCA算法(可选)
17:51
128.PCA代码(可选)
11:04
129.什么是强化学习
08:49
130._火星探测器示例
06:42
131.强化学习中的回报
10:19
132.强化学习中的决策(策略)
02:38
133.关键概念回顾
05:35
134.状态-动作值函数的定义
10:37
135.状态-动作值函数的示例
05:23
136.贝尔曼方程
12:53
137.随机环境(可选)
08:25
138.连续状态空间应用示例
06:25
139.月球着陆器.
05:54
140.学习状态值函数
16:51
141.算法改进:改进的神经网络架构.
03:01
142.算法改进:贪婪策略
09:00
143.算法改进:小批量和软更新(可选)
11:44
144.强化学习的现状
02:55
145.总结与感谢
03:12
146吴恩达与切尔西·芬恩谈AI与机器人
33:19
客服
顶部
赛事库 课堂 2021拜年纪