课程介绍

课程主页：CS229: Machine Learning

斯坦福CS229机器学习课程由吴恩达教授和其他几位教授一起主讲，是机器学习领域里一门非常重要的课程。由于课程质量非常高，是许多人进入人工智能、机器学习领域的基石。

本课程广泛介绍机器学习和统计模式识别。主题包括：

• 监督学习（生成/判别学习、参数化/非参数化学习、神经网络、支持向量机）
• 无监督学习（聚类、维度缩减、核方法）
• 学习理论（偏差/方差权衡，实用建议）
• 强化学习和自适应控制
• 机器学习的最新应用，如机器人控制、数据挖掘、自主导航、生物信息学、语音识别以及文本和网页数据处理

前置课程

学生应具有以下背景：

• 掌握计算机科学基本原理和技能，编程能力达到一个水平足以编写一个相对比较复杂的计算机程序 Python/Numpy （CS106A、CS106B、CS106X）。
• 熟悉概率理论（CS 109、MATH151 或 STAT116）。
• 熟悉多变量微积分和线性代数。包括但不限于 MATH51、MATH104、MATH113、CS205、CME100）。

课程主题

• 有监督学习：线性回归、逻辑回归、梯度下降、广义线性模型、高斯判别分析、朴素贝叶斯、支持向量机、核方法、决策树与集成方法、神经网络
• 无监督学习：K 均值、高斯混合模型与期望最大算法、因子分析、主成分分析、独立成分分析
• 强化学习：马尔可夫决策过程、值/策略迭代、梯度策略
• 学习理论：偏差/方差权衡，实用建议

ShowMeAI课程解读：全套资料

课程速查表 | 【点击链接】

课程重点笔记 | 【点击板块】

课程作业 |【作业代码解析】|【点击编号】