Home
Login

第二階段：經典機器學習

吳恩達史丹佛機器學習課程的完整中文筆記，包含18個章節從基礎到應用的全面內容，提供多種格式學習資料

Click to Start Learning AI →
MachineLearningAndrewNgCourseraGitHubTextFreeChinese

吳恩達機器學習課程筆記專案介紹

專案概述

這是一個由（fengdu78）建立的GitHub專案，專門收集與整理了史丹佛大學2014年吳恩達老師機器學習課程的中文筆記。該專案旨在協助中文學習者更好地理解與掌握機器學習的基礎知識。

專案背景

  • 課程來源: 史丹佛大學2014年吳恩達機器學習課程
  • 課程地址: https://www.coursera.org/course/ml
  • 建立時間: 2014年下半年開始翻譯，2018年3月26日完善
  • 專案目標: 為中文學習者提供高品質的機器學習學習資料

專案內容結構

資料夾說明

  • docx: 筆記的Word版本
  • markdown: 筆記的Markdown版本
  • html: 筆記的HTML版本
  • images: 筆記的圖片素材
  • ppt: 課程的原版PPT課件
  • srt: 課程的中英文字幕
  • code: 課程的Python程式碼實作

課程內容大綱

第一部分：基礎概念

  1. 導論(Introduction)

    • 機器學習是什麼？
    • 監督式學習
    • 非監督式學習

  2. 單變數線性迴歸(Linear Regression with One Variable)

    • 模型表示
    • 成本函數
    • 梯度下降

  3. 線性代數回顧(Linear Algebra Review)

    • 矩陣與向量
    • 矩陣運算
    • 逆、轉置

第二部分：經典演算法

  1. 多變數線性迴歸(Linear Regression with Multiple Variables)

    • 多維特徵
    • 多變數梯度下降
    • 正規方程

  2. Octave教學(Octave Tutorial)

    • 基本操作
    • 資料處理
    • 向量化

  3. 邏輯迴歸(Logistic Regression)

    • 分類問題
    • 假設表示
    • 進階最佳化

第三部分：進階技術

  1. 正規化(Regularization)

    • 過度擬合問題
    • 正規化線性迴歸
    • 正規化邏輯迴歸

  2. 類神經網路：表示(Neural Networks: Representation)

    • 非線性假設
    • 神經元模型
    • 多類別分類

  3. 類神經網路的學習(Neural Networks: Learning)

    • 反向傳播演算法
    • 梯度檢驗
    • 隨機初始化

第四部分：應用實踐

  1. 應用機器學習的建議(Advice for Applying Machine Learning)

    • 模型評估
    • 交叉驗證
    • 偏差與變異數

  2. 機器學習系統設計(Machine Learning System Design)

    • 誤差分析
    • 準確率與召回率
    • 機器學習的資料

  3. 支援向量機(Support Vector Machines)

    • 最佳化目標
    • 核函數
    • 使用支援向量機

第五部分：非監督式學習

  1. 聚類(Clustering)

    • K-平均演算法
    • 最佳化目標
    • 選擇聚類數

  2. 降維(Dimensionality Reduction)

    • 主成分分析(PCA)
    • 資料壓縮
    • 資料視覺化

  3. 異常檢測(Anomaly Detection)

    • 高斯分佈
    • 異常檢測演算法
    • 多元高斯分佈

第六部分：實際應用

  1. 推薦系統(Recommender Systems)

    • 基於內容的推薦
    • 協同過濾
    • 矩陣分解

  2. 大規模機器學習(Large Scale Machine Learning)

    • 隨機梯度下降
    • 線上學習
    • 映射化簡

  3. 應用實例：圖片文字辨識(Application Example: Photo OCR)

    • 滑動視窗
    • 獲取大量資料
    • 上限分析

專案特色

1. 全面性

  • 涵蓋機器學習基礎理論到實際應用
  • 包含18個章節，從入門到進階
  • 提供完整的課程影片、PPT與程式碼

2. 多格式支援

  • 提供Word、Markdown、HTML多種格式
  • 支援線上查看與離線學習
  • 數學公式圖片化處理，便於線上顯示

3. 中文本土化

  • 專門為中文學習者翻譯與整理
  • 結合中文學習習慣與思維方式
  • 提供中英文字幕對照

學習資源

線上資源

適用人群

  • 機器學習初學者
  • 電腦科學專業學生
  • 資料科學從業者
  • 人工智慧愛好者
  • 需要中文學習資料的學習者

專案價值

  1. 教育價值: 為中文學習者提供了高品質的機器學習入門資料
  2. 實用價值: 包含完整的理論知識與實踐程式碼
  3. 社會價值: 降低了機器學習的學習門檻，促進知識傳播
  4. 開源價值: 體現了開源精神，鼓勵知識共享與協作

總結

這個專案是中文機器學習教育領域的重要資源，透過系統性的翻譯與整理，為廣大中文學習者提供了學習機器學習的優質材料。專案不僅內容全面、格式多樣，還建立了學習社群，體現了「贈人玫瑰，手有餘香」的開源精神。