Home
Login

Segunda Etapa: Aprendizado de Máquina Clássico

Notas completas em chinês do curso de aprendizado de máquina de Andrew Ng em Stanford, cobrindo 18 capítulos de fundamentos a aplicações, fornecendo materiais de aprendizado em vários formatos.

Click to Start Learning AI →
MachineLearningAndrewNgCourseraGitHubTextFreeChinese

Introdução ao Projeto de Notas do Curso de Machine Learning de Andrew Ng

Visão Geral do Projeto

Este é um projeto GitHub criado por (fengdu78), dedicado a coletar e organizar as notas em chinês do curso de Machine Learning do Professor Andrew Ng da Universidade de Stanford de 2014. O projeto visa ajudar estudantes de língua chinesa a melhor compreender e dominar os fundamentos do Machine Learning.

Contexto do Projeto

  • Fonte do Curso: Curso de Machine Learning de Andrew Ng da Universidade de Stanford de 2014
  • Endereço do Curso: https://www.coursera.org/course/ml
  • Data de Criação: Tradução iniciada no segundo semestre de 2014, finalizado em 26 de março de 2018
  • Objetivo do Projeto: Fornecer materiais de estudo de Machine Learning de alta qualidade para estudantes de língua chinesa

Estrutura do Conteúdo do Projeto

Descrição das Pastas

  • docx: Versão Word das notas
  • markdown: Versão Markdown das notas
  • html: Versão HTML das notas
  • images: Materiais de imagem das notas
  • ppt: Slides originais do curso em PPT
  • srt: Legendas em chinês e inglês do curso
  • code: Implementações de código Python do curso

Esboço do Conteúdo do Curso

Parte Um: Conceitos Fundamentais

  1. Introdução

    • O que é Machine Learning?
    • Aprendizagem Supervisionada
    • Aprendizagem Não Supervisionada

  2. Regressão Linear com Uma Variável

    • Representação do Modelo
    • Função de Custo
    • Descida do Gradiente

  3. Revisão de Álgebra Linear

    • Matrizes e Vetores
    • Operações com Matrizes
    • Inversa, Transposta

Parte Dois: Algoritmos Clássicos

  1. Regressão Linear com Múltiplas Variáveis

    • Múltiplas Características
    • Descida do Gradiente Multivariada
    • Equação Normal

  2. Tutorial de Octave

    • Operações Básicas
    • Processamento de Dados
    • Vetorização

  3. Regressão Logística

    • Problemas de Classificação
    • Representação da Hipótese
    • Otimização Avançada

Parte Três: Técnicas Avançadas

  1. Regularização

    • Problema de Overfitting
    • Regressão Linear Regularizada
    • Regressão Logística Regularizada

  2. Redes Neurais: Representação

    • Hipóteses Não Lineares
    • Modelo de Neurônio
    • Classificação Multiclasse

  3. Redes Neurais: Aprendizagem

    • Algoritmo de Retropropagação
    • Verificação de Gradiente
    • Inicialização Aleatória

Parte Quatro: Aplicação Prática

  1. Conselhos para Aplicar Machine Learning

    • Avaliação do Modelo
    • Validação Cruzada
    • Viés e Variância

  2. Design de Sistemas de Machine Learning

    • Análise de Erros
    • Precisão e Recall
    • Dados para Machine Learning

  3. Máquinas de Vetores de Suporte (SVMs)

    • Objetivo de Otimização
    • Funções Kernel
    • Usando Máquinas de Vetores de Suporte

Parte Cinco: Aprendizagem Não Supervisionada

  1. Agrupamento (Clustering)

    • Algoritmo K-Means
    • Objetivo de Otimização
    • Escolhendo o Número de Clusters

  2. Redução de Dimensionalidade

    • Análise de Componentes Principais (PCA)
    • Compressão de Dados
    • Visualização de Dados

  3. Detecção de Anomalias

    • Distribuição Gaussiana
    • Algoritmo de Detecção de Anomalias
    • Distribuição Gaussiana Multivariada

Parte Seis: Aplicações Práticas

  1. Sistemas de Recomendação

    • Recomendação Baseada em Conteúdo
    • Filtragem Colaborativa
    • Fatoração de Matrizes

  2. Machine Learning em Grande Escala

    • Descida do Gradiente Estocástica
    • Aprendizagem Online
    • Map-Reduce

  3. Exemplo de Aplicação: Reconhecimento Óptico de Caracteres (OCR) em Imagens

    • Janela Deslizante
    • Obtenção de Grandes Quantidades de Dados
    • Análise de Limite Superior

Características do Projeto

1. Abrangência

  • Cobre desde a teoria fundamental do Machine Learning até aplicações práticas
  • Inclui 18 capítulos, do nível iniciante ao avançado
  • Oferece vídeos completos do curso, PPTs e código

2. Suporte a Múltiplos Formatos

  • Disponibiliza formatos Word, Markdown e HTML
  • Suporta visualização online e estudo offline
  • Fórmulas matemáticas processadas como imagens para facilitar a exibição online

3. Localização para o Chinês

  • Traduzido e organizado especificamente para estudantes de língua chinesa
  • Combina hábitos de estudo e modos de pensamento chineses
  • Oferece legendas em chinês e inglês para comparação

Recursos de Aprendizagem

Recursos Online

Público-Alvo

  • Iniciantes em Machine Learning
  • Estudantes de Ciência da Computação
  • Profissionais de Ciência de Dados
  • Entusiastas de Inteligência Artificial
  • Estudantes que precisam de materiais de estudo em chinês

Valor do Projeto

  1. Valor Educacional: Fornece materiais introdutórios de Machine Learning de alta qualidade para estudantes de língua chinesa
  2. Valor Prático: Inclui conhecimento teórico completo e código prático
  3. Valor Social: Reduz a barreira de entrada para o aprendizado de Machine Learning e promove a disseminação do conhecimento
  4. Valor Open Source: Incorpora o espírito open source, incentivando o compartilhamento de conhecimento e a colaboração

Conclusão

Este projeto é um recurso importante no campo da educação em Machine Learning em chinês. Através de uma tradução e organização sistemáticas, ele fornece materiais de alta qualidade para um grande número de estudantes de língua chinesa que desejam aprender Machine Learning. O projeto não só é abrangente em conteúdo e diversificado em formatos, mas também estabeleceu uma comunidade de aprendizagem, incorporando o espírito open source de "dar uma rosa e ter a fragrância nas mãos".