Einführung in das Projekt: Notizen zum Machine-Learning-Kurs von Andrew Ng

Projektübersicht

Dies ist ein GitHub-Projekt, das von (fengdu78) ins Leben gerufen wurde. Es sammelt und organisiert die chinesischen Notizen zum Machine-Learning-Kurs von Professor Andrew Ng an der Stanford University aus dem Jahr 2014. Ziel des Projekts ist es, chinesischen Lernenden dabei zu helfen, die Grundlagen des maschinellen Lernens besser zu verstehen und zu beherrschen.

Projekt-Hintergrund

• Kursquelle: Machine-Learning-Kurs von Andrew Ng, Stanford University, 2014
• Kurs-URL: https://www.coursera.org/course/ml
• Erstellungszeitpunkt: Übersetzung begann in der zweiten Hälfte 2014, Fertigstellung am 26. März 2018
• Projektziel: Bereitstellung hochwertiger Lernmaterialien für maschinelles Lernen für chinesische Lernende

Projekt-Inhaltsstruktur

Ordnerbeschreibung

• docx: Word-Version der Notizen
• markdown: Markdown-Version der Notizen
• html: HTML-Version der Notizen
• images: Bildmaterial für die Notizen
• ppt: Original-PPT-Folien des Kurses
• srt: Chinesische und englische Untertitel des Kurses
• code: Python-Code-Implementierungen des Kurses

Kursinhaltsübersicht

Teil 1: Grundlegende Konzepte

1. Einführung (Introduction)

   • Was ist maschinelles Lernen?
   • Überwachtes Lernen
   • Unüberwachtes Lernen

2. Lineare Regression mit einer Variablen (Linear Regression with One Variable)

   • Modellrepräsentation
   • Kostenfunktion
   • Gradientenabstieg

3. Wiederholung der Linearen Algebra (Linear Algebra Review)

   • Matrizen und Vektoren
   • Matrixoperationen
   • Inverse, Transponierte

Teil 2: Klassische Algorithmen

4. Lineare Regression mit mehreren Variablen (Linear Regression with Multiple Variables)

   • Mehrdimensionale Merkmale
   • Gradientenabstieg mit mehreren Variablen
   • Normalengleichung

5. Octave-Tutorial (Octave Tutorial)

   • Grundlegende Operationen
   • Datenverarbeitung
   • Vektorisierung

6. Logistische Regression (Logistic Regression)

   • Klassifikationsprobleme
   • Hypothesendarstellung
   • Fortgeschrittene Optimierung

Teil 3: Fortgeschrittene Techniken

7. Regularisierung (Regularization)

   • Überanpassungsproblem
   • Regularisierte lineare Regression
   • Regularisierte logistische Regression

8. Neuronale Netze: Repräsentation (Neural Networks: Representation)

   • Nichtlineare Hypothesen
   • Neuronales Modell
   • Mehrklassen-Klassifikation

9. Lernen von Neuronalen Netzen (Neural Networks: Learning)

   • Backpropagation-Algorithmus
   • Gradientenprüfung
   • Zufällige Initialisierung

Teil 4: Praktische Anwendungen

10. Ratschläge zur Anwendung von maschinellem Lernen (Advice for Applying Machine Learning)

    • Modellbewertung
    • Kreuzvalidierung
    • Bias und Varianz

11. Design von Machine-Learning-Systemen (Machine Learning System Design)

    • Fehleranalyse
    • Präzision und Recall
    • Daten für maschinelles Lernen

12. Support Vector Maschinen (Support Vector Machines)

    • Optimierungsziel
    • Kernel-Funktionen
    • Verwendung von Support Vector Maschinen

Teil 5: Unüberwachtes Lernen

13. Clustering (Clustering)

    • K-Means-Algorithmus
    • Optimierungsziel
    • Auswahl der Clusteranzahl

14. Dimensionsreduktion (Dimensionality Reduction)

    • Hauptkomponentenanalyse (PCA)
    • Datenkompression
    • Datenvisualisierung

15. Anomalieerkennung (Anomaly Detection)

    • Gaußsche Verteilung
    • Anomalieerkennungsalgorithmus
    • Multivariate Gaußsche Verteilung

Teil 6: Praktische Anwendungen

16. Empfehlungssysteme (Recommender Systems)

    • Inhaltsbasierte Empfehlung
    • Kollaboratives Filtern
    • Matrixfaktorisierung

17. Maschinelles Lernen im großen Maßstab (Large Scale Machine Learning)

    • Stochastischer Gradientenabstieg
    • Online-Lernen
    • MapReduce

18. Anwendungsbeispiel: Optische Zeichenerkennung für Bilder (Application Example: Photo OCR)

    • Sliding Window
    • Beschaffung großer Datenmengen
    • Obergrenzenanalyse

Projektmerkmale

1. Umfassendheit

• Umfasst grundlegende Theorien des maschinellen Lernens bis hin zu praktischen Anwendungen
• Enthält 18 Kapitel, vom Einstieg bis zum Fortgeschrittenen
• Bietet vollständige Kursvideos, PPTs und Code

2. Unterstützung mehrerer Formate

• Verfügbar in verschiedenen Formaten wie Word, Markdown und HTML
• Unterstützt Online-Ansicht und Offline-Lernen
• Mathematische Formeln sind als Bilder aufbereitet, um die Online-Anzeige zu erleichtern

3. Anpassung an den chinesischen Kontext

• Speziell für chinesische Lernende übersetzt und organisiert
• Berücksichtigt chinesische Lerngewohnheiten und Denkweisen
• Bietet chinesische und englische Untertitel zum Vergleich

Lernressourcen

Online-Ressourcen

• GitHub-Repository: https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
• Kursvideos: https://www.bilibili.com/video/BV1W34y1i7xK
• Baidu Cloud-Ressourcen: Bietet Kursvideos und Material-Downloads

Zielgruppe

• Anfänger im maschinellen Lernen
• Studierende der Informatik
• Praktiker der Datenwissenschaft
• Enthusiasten der künstlichen Intelligenz
• Lernende, die chinesische Lernmaterialien benötigen

Projektwert

1. Bildungswert: Bietet chinesischen Lernenden hochwertige Einführungsmaterialien für maschinelles Lernen
2. Praktischer Wert: Enthält umfassendes theoretisches Wissen und praktischen Code
3. Gesellschaftlicher Wert: Senkt die Einstiegshürde für maschinelles Lernen und fördert die Wissensverbreitung
4. Open-Source-Wert: Verkörpert den Open-Source-Geist und fördert Wissensaustausch und Zusammenarbeit

Zusammenfassung

Dieses Projekt stellt eine wichtige Ressource im Bereich der chinesischen Machine-Learning-Bildung dar. Durch die systematische Übersetzung und Aufbereitung bietet es chinesischen Lernenden hochwertige Materialien zum Erlernen des maschinellen Lernens. Das Projekt zeichnet sich nicht nur durch seinen umfassenden Inhalt und die Unterstützung verschiedener Formate aus, sondern hat auch eine Lerngemeinschaft etabliert und verkörpert den Open-Source-Geist des Teilens und der Zusammenarbeit, getreu dem Motto "Wer Rosen schenkt, dem bleibt der Duft an den Händen".