投稿

吴恩达机器学习图解笔记

9.8万

285

2018-03-20 10:14:58

未经作者授权，禁止转载

吴恩达机器学习课程笔记（图解版） https://zhuanlan.zhihu.com/c_171761254 查看笔记目录和每集笔记的视频与图片

深度碎片发消息

As Simple As Possible

图解MachineLearning

01:38

图解supervised learning

06:15

图解unsupervised learning

04:35

图解 model representations

05:03

图解损失函数

04:37

图解 cost function 直觉1

05:46

图解损失函数直觉2

07:37

gradient descent计算流程和注意事项

04:58

图解gradient的智能与learning rate的注意事项

04:17

图解机器学习：如何用gradient descent一步一步求解最优linear regression 模型以及其他值得注意的细节

13:03

图解机器学习：理解吴恩达机器学习所需的所有线性代数知识01

07:19

图解机器学习：理解吴恩达机器学习所需的所有线性代数知识02

06:09

图解机器学习：理解吴恩达机器学习所需的所有线性代数知识03

17:23

图解机器学习：如何利用vectorization快速求解多变量函数值

08:52

图解机器学习：如何利用vectorization一次性更新多变量函数值的所有参数

07:28

图解机器学习：如何通过拉伸压缩features来加速梯度下降的训练进度

08:37

图解机器学习：如何快速识别模型训练是否正常以及如何调节学习率帮助训练正常化

10:25

图解机器学习：为什么说提炼特征和探寻模型艺术性权重大于科学性

09:58

图解机器学习：Normal Equation如何实现一步求解最优参数及其特点

08:45

图解机器学习：Normal Equation计算中出现non invertible matrix该如何处理以及背后的直观成因有哪些

04:12

图解机器学习：如何使用vectorization来做梯度下降

08:44

图解机器学习：如何理解classification以及为什么logistic比linear regression更适合做classification

08:41

图解机器学习：如何理解logistic regression与linear regression的区别

06:01

图解机器学习：如何理解decision boundary的生成原理和实质内涵

11:24

图解机器学习：如何理解logistic regression的损失函数的由来和构成

11:41

图解机器学习：如何对logistic regression的联合形态的损失函数做梯度下降更新参数

05:39

图解机器学习：哪些算法比gradient descent 更强大

02:18

图解机器学习：如何利用logistic regression二元分类模型解决多元分类问题

05:45

图解机器学习：如何粗略理解underfitting, overfitting, 和overfitting的解决方案

09:05

图解机器学习：如何直观理解regularization背后的直觉

10:43

图解机器学习：regularized linear regression计算中增加的新内容

04:23

图解机器学习：为什么linear logistic regression不足以解决现实世界的问题

09:36

图解机器学习：神经网络模型的现状和目标

01:37

图解机器学习：跟neural net打个正式的招呼（介绍）

09:00

图解机器学习：如何理解neuralnet的智能化精简提炼特征

07:19

图解机器学习：如何通过XNOR理解neuralnet提炼复杂特征的能力

07:45

图解机器学习：为什么说neuralnet做多元分类的本质与多logistic regression解决方案本质相同但模型构架不同

04:14

图解机器学习：neuralnet做多元分类损失函数代码执行要注意的细节

07:26

图解机器学习：如何理解neuralnet的backprogapation计算逻辑

13:15

图解机器学习：如何理解neuralnet的backprogapation中的error的计算逻辑

05:21

图解机器学习：什么是gradient checking及其注意事项

06:53

图解机器学习：参数起点设计的重要性，symmetry breaking

05:38

图解机器学习：训练神经网络模型的工作全流程梳理

10:17

图解机器学习：为什么说诊断模型病症很重要以及如何分割数据来验证模型效果

06:17

图解机器学习：为什么验证数据让模型评估更客观公正

09:02

图解机器学习：为什么以及如何用bias variance诊断模型病症

13:23

图解机器学习：为什么说regularizer是模型治疗手段（bias variance诊断方式）

11:46

图解机器学习：如何用learning curve动态识别模型的病症和选择合适改进措施

19:11

图解机器学习：机器学习和神经网络模型表现差的病因分类和治疗方案选择

05:39

图解机器学习：如何用Error analysis 帮助改进模型（垃圾邮件分类案例）

12:11

图解机器学习：为什么面对skewed 数据precision recall能规避accuracy评估能力的片面性

08:54

图解机器学习：如何理解precision与recall的博弈及其现实意义，为什么F1能综合precision和recall

11:44

图解机器学习：怎样的条件下更多数据能够（或不能）帮助改进模型

03:27

图解机器学习：对比logistic regression来理解SVM通道式的decision boundary的由来01

13:03

图解机器学习：对比logistic regression来理解SVM通道式的decision boundary的由来02

05:56

图解机器学习：如何理解kernels通过参照点创造更好更多features来帮助模型实现non-linear能力01

18:03

图解机器学习：如何理解kernels通过参照点创造更好更多features来帮助模型实现non-linear能力（何时使用）02

05:55

图解机器学习：如何理解无监督学习做聚类的K-means算法流程和优化目标的实现

17:34

图解机器学习：K-means如何精细处理centroid的random intialization和选择最优cluster数量

07:55

图解机器学习：为什么要对数据做降维和压缩，可视化有助于理解压缩后的维度内涵

05:17

图解机器学习：如何理解PCA是一种projection降维的最优方案以及PCA的算法逻辑

15:36

图解机器学习：PCA是如何通过K寻找最优的降维幅度的

10:05

图解机器学习：如何理解PCA中的U_reduce, x, z, x_approximation的关系

03:40

图解机器学习：实际模型训练中如何正确使用PCA和规避常见错误用法

10:26

图解机器学习：如何理解anomaly detection的本质，工作原理和算法流程

12:55

图解机器学习：如何理解anomaly detection实际使用的简单流程（包括如何选择最优阈值，什么时候可被监督学习代替等）

22:22

图解机器学习：如何理解单变量正态分布对比多变量正态分布运用于anomaly detection的优缺点

13:27

图解机器学习：为什么要学习推荐系统，简单推荐系统长什么样

04:20

图解机器学习：为什么说content based recommender是用电影特征来训练用户参数

07:06

图解机器学习：为什么说collaborative filtering是让电影特征与用户参数不断迭代相互训练相互更新

05:56

图解机器学习：如何理解collaborative filtering合并2个交替训练模型的算法流程和如何用训练好的2组参数来预测

08:04

图解机器学习：在collaborative filtering代码执行如何采取vectorization加速计算和训练完毕后快速找相似电影

04:55

图解机器学习：mean normalization新用户没有给出任何评分时，如何避免训练好的模型代替新用户给所有电影都打0分

07:25

图解机器学习：面对巨量数据如何高效训练模型和发现问题改进模型的三种方法

09:50

图解机器学习：什么是online learning（一句话）

01:40

图解机器学习：什么是map reduce 和data parallal（一句话）

03:32

图解机器学习：一个简单的OCR文字识别系统的工作全流程长什么样子？

12:37

图解机器学习：合成新数据的方法及相关挑战和注意事项

06:11

图解机器学习：如何找到能最大化改进模型效果的具体工作任务或模型组建？

03:45

图解吴恩达机器学习课程完结：for who, how to use, why

06:06

顶部