Présentation du projet de notes de cours sur l'apprentissage automatique d'Andrew Ng

Aperçu du projet

Il s'agit d'un projet GitHub créé par (fengdu78), dédié à la collecte et à l'organisation des notes de cours en chinois du cours d'apprentissage automatique d'Andrew Ng de l'Université de Stanford en 2014. Ce projet vise à aider les apprenants sinophones à mieux comprendre et maîtriser les bases de l'apprentissage automatique.

Contexte du projet

• Source du cours: Cours d'apprentissage automatique d'Andrew Ng de l'Université de Stanford, 2014
• Adresse du cours: https://www.coursera.org/course/ml
• Date de création: Traduction commencée au second semestre 2014, finalisé le 26 mars 2018
• Objectif du projet: Fournir des ressources d'apprentissage de l'apprentissage automatique de haute qualité aux apprenants sinophones

Structure du contenu du projet

Description des dossiers

• docx: Version Word des notes
• markdown: Version Markdown des notes
• html: Version HTML des notes
• images: Matériel image des notes
• ppt: Diapositives PPT originales du cours
• srt: Sous-titres chinois et anglais du cours
• code: Implémentation du code Python du cours

Plan du contenu du cours

Première partie : Concepts fondamentaux

1. Introduction

   • Qu'est-ce que l'apprentissage automatique ?
   • Apprentissage supervisé
   • Apprentissage non supervisé

2. Régression linéaire à une variable

   • Représentation du modèle
   • Fonction de coût
   • Descente de gradient

3. Révision de l'algèbre linéaire

   • Matrices et vecteurs
   • Opérations matricielles
   • Inverse, Transposée

Deuxième partie : Algorithmes classiques

4. Régression linéaire à plusieurs variables

   • Caractéristiques multidimensionnelles
   • Descente de gradient à plusieurs variables
   • Équation normale

5. Tutoriel Octave

   • Opérations de base
   • Traitement des données
   • Vectorisation

6. Régression logistique

   • Problèmes de classification
   • Représentation de l'hypothèse
   • Optimisation avancée

Troisième partie : Techniques avancées

7. Régularisation

   • Problème de surapprentissage (Overfitting)
   • Régression linéaire régularisée
   • Régression logistique régularisée

8. Réseaux de neurones : Représentation

   • Hypothèses non linéaires
   • Modèle de neurone
   • Classification multiclasse

9. Réseaux de neurones : Apprentissage

   • Algorithme de rétropropagation
   • Vérification du gradient
   • Initialisation aléatoire

Quatrième partie : Applications pratiques

10. Conseils pour l'application de l'apprentissage automatique

    • Évaluation du modèle
    • Validation croisée
    • Biais et variance

11. Conception de systèmes d'apprentissage automatique

    • Analyse des erreurs
    • Précision et rappel
    • Données pour l'apprentissage automatique

12. Machines à vecteurs de support (SVM)

    • Objectif d'optimisation
    • Fonctions noyau
    • Utilisation des machines à vecteurs de support

Cinquième partie : Apprentissage non supervisé

13. Clustering (Regroupement)

    • Algorithme K-means
    • Objectif d'optimisation
    • Choix du nombre de clusters

14. Réduction de dimensionnalité

    • Analyse en composantes principales (ACP)
    • Compression de données
    • Visualisation de données

15. Détection d'anomalies

    • Distribution gaussienne
    • Algorithme de détection d'anomalies
    • Distribution gaussienne multivariée

Sixième partie : Applications pratiques

16. Systèmes de recommandation

    • Recommandation basée sur le contenu
    • Filtrage collaboratif
    • Décomposition matricielle

17. Apprentissage automatique à grande échelle

    • Descente de gradient stochastique
    • Apprentissage en ligne
    • Map-Reduce

18. Exemple d'application : Reconnaissance optique de caractères (OCR) sur images

    • Fenêtre glissante
    • Acquisition de grandes quantités de données
    • Analyse des plafonds (Ceiling analysis)

Caractéristiques du projet

1. Exhaustivité

• Couvre les théories fondamentales de l'apprentissage automatique jusqu'aux applications pratiques
• Comprend 18 chapitres, du niveau débutant au niveau avancé
• Fournit des vidéos de cours complètes, des PPT et du code

2. Prise en charge de plusieurs formats

• Propose plusieurs formats : Word, Markdown, HTML
• Permet la consultation en ligne et l'apprentissage hors ligne
• Formules mathématiques traitées en images pour un affichage facile en ligne

3. Localisation en chinois

• Spécialement traduit et organisé pour les apprenants sinophones
• Intègre les habitudes d'apprentissage et les modes de pensée chinois
• Fournit des sous-titres chinois et anglais pour comparaison

Ressources d'apprentissage

Ressources en ligne

• Dépôt GitHub: https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
• Vidéos du cours: https://www.bilibili.com/video/BV1W34y1i7xK
• Ressources Baidu Cloud: Fournit des vidéos et du matériel de cours à télécharger

Public cible

• Débutants en apprentissage automatique
• Étudiants en informatique
• Professionnels de la science des données
• Passionnés d'intelligence artificielle
• Apprenants ayant besoin de matériel d'étude en chinois

Valeur du projet

1. Valeur éducative: Fournit du matériel d'introduction à l'apprentissage automatique de haute qualité aux apprenants sinophones
2. Valeur pratique: Contient des connaissances théoriques complètes et du code pratique
3. Valeur sociale: Abaisse la barrière à l'apprentissage de l'apprentissage automatique et promeut la diffusion des connaissances
4. Valeur open source: Incarné l'esprit open source, encourageant le partage des connaissances et la collaboration

Conclusion

Ce projet est une ressource importante dans le domaine de l'éducation à l'apprentissage automatique en chinois. Grâce à une traduction et une organisation systématiques, il fournit un matériel d'apprentissage de haute qualité aux nombreux apprenants sinophones. Le projet est non seulement complet en termes de contenu et diversifié en formats, mais il a également établi une communauté d'apprentissage, incarnant l'esprit open source de "donner une rose, laisser un parfum dans la main".