机器学习公开课汇总

斯坦福机器学习公开课重要概念笔记汇总(中文版) 混合高斯模型(GMM)是一种统计模型,它可以看作是由多个单变量高斯分布混合而成的概率模型。在GMM中,数据点被假设为来自这些高斯分布中的一个,每个高斯分布都有自己的均值(mean)、标准差(variance)和混合系数(mixture coefficient),这些参数共同定义了GMM。因子分析是一种统计方法,旨在研究变量之间的内在关系,即发现较少的不可观测变量(因子)来解释原有大量观测变量间的相关性。通过因子分析,可以将多维数据降至低维,同时保留数据的大部分信息,这对于数据结构的识别具有重要意义。 阅读详情

机器学习目前比较热,网上也散落着很多相关的公开课和学习资源,这里基于课程图谱的机器学习公开课标签做一个汇总整理,便于大家参考对比。

1、Coursera上斯坦福大学Andrew Ng教授的“机器学习公开课”:

机器学习入门课程首选,斯坦福大学教授,Coursera联合创始人Andrew Ng老师的课程,课程图谱上多达400多人关注,20余条课程评论,绝大多数同学认为这门课程比较适合入门,以下选择其中几位同学的课程评论:

@ototsuyume 同学评价:非常好的一门入门课程。很多人诟病作业的代码给得太全,但我认为作为一门入门课程,编程作业设置得十分好,各种机器学习的作用能很直观地展示出来,这样很能激发学习兴趣。试想一下,假如不给你任何框架代码让你从头开始写,写完后得出的结果是一堆用来提交的无味的数据,对于一名初学者来说,这多么打击积极性。
这门课程极其简化了各种数学的证明,类似svm跟pca中间的求解过程都讲得很简略。要求的数学基础是低得不能再低了,所以即使是毕业几年后概率矩阵忘得差不多的人都能看懂。除去初学者之外,这门课程也很适合工作中需要用到一些机器学习但不打算深入研究的程序员。

@极度视界 同学评价:这个必然 5 星,很棒的入门课程;Ng老湿把编程作业设计到极为简单,而数据集并不单调,垃圾邮件分类/手写体分类等。学此课的同学,应该尝试丢掉Ng老湿给的框架,自己写一套算法,才好。这课我得了100%。

最后再推荐 @小小人_V 同学这门课程的学习笔记: http://vdisk.weibo.com/s/J4rRX/1373287206

2、Coursera上台大林軒田老师的“機器學習基石 (Machine Learning Foundations)公开课”:

课程正在进行中,目前感觉很不错,林老师年轻有为,也是机器学习畅销书《Learning from Data》的作者之一,课程的难度应该比上面Andrew Ng老师机器学习公开课的高一些,不过比较重要的是这门课程用中文讲解,比较适合国人:

@尘绳聋 同学评价:看老师给出的课程大纲,基本还是照着Caltech/Edx LFD的节奏走。之前跟过LFD,这次就当复习了。当然也有一些新的东西,譬如PLA的收敛证明和收敛需要的次数上界,Lecture3对learning types的介绍也很详细,原来reinforcement learning还可以用在ad system上面,看来要把Ng CS229后面的那一大块有关reinforcement learning的内容啃一下了。另外,老师讲得非常好,从video和slide也能看出很用心。

@飞林沙 同学评价: 刚听完前两讲,讲的真的非常棒!从最基本的PLA讲起,虽然很简单,但是跟着自己动手写写代码,做做数学公式,就当休息了,很棒。

3、edX上加州理工学院的“Learning From Data”

和上面台大机器学习课程渊源很深,内容基本上出自加州理工的这本同名教材《Learning From Data》,林老师也曾在该校读博,这门课程的授课老师也是他的导师Abu Mostafa教授。

4、Coursera上多伦多大学Geoffrey Hinton大神的“Neural Networks for Machine Learning”公开课

这门课程主要关注神经网络以及它们在机器学习中的应用,在目前火热烫手的Deep Learning概念衬托下,这门课程简直就是必修课,不过遗憾的是这门课程只在12年10月份开过一轮,目前为止还没有开课的意思,不过好在我们还有网盘资源的备份,具体信息在“公开课可下载资源汇总”中自行查找:

@yongsun:还有什么好说的呢?Deep Learning必修课程啊!

@godenlove007:宗派大师+开拓者直接讲课,秒杀一切二流子!

@wzyer:巨牛级别的人物来开课,我也不说啥了。

5、Coursera上华盛顿大学Pedro Domingos教授的“机器学习公开课”

Coursera上一门还没有正式开始过的机器学习课程,老师是机器学习的大牛Pedro Domingos,他写过的“”A Few Useful Things to Know about Machine Learning”广为流传,这门课虽然没有正式开始,但是通过preview的链接可以看课程的所有视频。@wzyer 大神的评价:个人觉得这门课比Andrew那个更深入些,老师讲的也不错。不过这个似乎就没有正式开过,我都enroll半年多了……

6、网易公开课收录的“斯坦福大学公开课 :机器学习课程”

这是老一代的公开课,老师仍然是Andrew Ng教授,不过视频来自于斯坦福大学的课堂录制视频,课程难度要高一些,可以作为Ng老师Coursera上“机器学习公开课”的进阶课程,好处是有翻译字幕,比较方便国内同学的学习。

7、网易公开课收录的“加州理工学院公开课:机器学习与数据挖掘”

其实就是edX上“Learning From Data”的原版课程,授课老师依然是Abu Mostafa教授,edX上老师在论坛上和同学互动,而网易公开课上有翻译。

8、超星学术上来自于贝尔实验室的“机器学习”课程:

来自于超星学术上的课程,具体情况不太清楚。

9、最后推荐的是国内龙星计划机器学习课程资源:

1)2012龙星计划机器学习课程的视频及课件

来自微博上@SunnyerEric孙晗晓 同学的信息 : 龙星计划机器学习课程的视频:http://t.cn/zlA2ZHb

网盘地址:http://pan.baidu.com/share/link?shareid=27613&uk=1513052211

关于龙星计划的课件,大家也可以在如下地方找到:

2012年龙星计划-机器学习课件

2)2013龙星计划深度学习(Deep Learning)课程视频

@龙星计划
龙星计划天津站 邓力老师的讲课视频 http://t.cn/zQixW12

@戴玮_CASIA
天津大学深度学习龙星计划课程视频:http://t.cn/zQixW12

网盘地址:http://pan.baidu.com/share/link?shareid=3220401770&uk=723014463

出处:“课程图谱博客”:blog.coursegraph.com

本文链接地址:http://blog.coursegraph.com/机器学习公开课汇总

coursera上吴恩达的《machine learning》的所有大作业Code coursera上吴恩达的《machine learning》的所有大作业Code,仅供大家参考之用。 立即下载

相关推荐

coursera machine learning 视频及字幕

coursera上的经典课程machine learning全套视频下载。由于太大不能放上来,这里给出百度云链接。

《麻省理工学院公开课:人工智能》笔记二

《03 推理:目标树与基于规则的专家系统》视频链接 【Tips】 首先解释一下什么是基于规则的专家系统? 专家系统是人工智能的主要研究领域之一,是基于行业规则进行业务处理的计算机程序。这些规则来源于行业知识,用于描述特定条件下所要执行的动作,并且定义了相关动作对于数据的影响。因此,专家系统可以利用其推理能力得出结论或者执行相关分析任务。在专家系统中,解决问题所需的知识,作为一个规则集合存储在知识...

it_is_me_a的博客 1905

华盛顿大学机器学习课件

1-intro华盛顿大学《机器学习》课件;2-indlearn华盛顿大学《机器学习》;3-decision-tree华盛顿大学《机器学习》4-rules华盛顿大学《机器学习》;5-ibl华盛顿大学《机器学习》.......11-cdr华盛顿大学《机器学习》课件

微软和吴恩达的两门超绝的免费AI公开课,打破小白的AI认知

大家好,我是凡人。前两天有好几个朋友在问我,有没有大厂出品的权威AI课程,在对比40多个免费AI课程后,选择了微软和吴恩达两门公开课程,他们在GitHup上有超高的人气,分别是18.3K和66.1K颗星,下面我们就一起来看看这两门课程。

weixin_40780178的博客 3255

台大林轩田老师讲义

台大林轩田老师机器学习基石的所有讲义,林轩田老师的这门课非常赞哦,也比较难,比Andrew Ng的要难点

网易云公开课:机器学习课程(课件)

网易云公开课:机器学习课程(课件)吴恩达 人工智能和机器学习领域国际最权威学者之一

AI课程收藏

这门课程在哔哩哔哩上提供,涵盖了机器学习、深度学习、神经网络等核心基础概念,以及常用的人工智能算法和技术。:由微软亚洲研究院的洪小文博士主讲,介绍微软在人工智能领域的最新成果,包括Azure公有云中的人工智能和数据分析、深度学习接口和服务。:这些课程是网易云课堂的一部分,专门为对人工智能感兴趣的学员提供,包含中文教学的优质课程和贴近生活的案例。:这是一门共22集的课程,涵盖人工智能的基本概念、重要性和未来趋势,包括博弈、图像识别和机器学习等内容。:专注于人工智能原理,是网易公开课的一部分。

猿脑2.0的博客 928

RISC-V— 架构基础知识学习

蜂鸟 E200 系列是一个开源的RISC-V 处理器。蜂鸟 E200 系列由中国大陆研发团队开发,用户能够轻松与开发人员取得交流和支持。RI蜂鸟 E200 处理器研发团队拥有在国际一流公司多年开发处理器的经验,使用稳健的Verilog 2001 语法编写的可综合 RTL 代码,以工业级标准进行开发。蜂鸟 E200 的代码为人工编写,添加丰富的注释且可读性强,非常易于理解。

deilt 1万+

开发者入门必读:最值得看的十大机器学习公开课

[转] http://www.leiphone.com/news/201701/0milWCyQO4ZbBvuW.html 导语:入门机器学习不知道从哪着手?看这篇就够了。 在当下的机器学习热潮,人才匮乏十分显著。截至目前,国内开设人工智能(AI)专业的高校不多,相当多的开发者是跨界入门,需要自学大量知识并摸索。因而优质的学习资源至关重要。因

xiangz_csdn的博客 3万+

OpenBmc开发2:构建开发环境

编译环境VMware + ubuntu 18.04 编译环境构建:参考OpenBmc开发1:构建开发环境 1、打开一个Ternimal,进入openbmc目录下 2、查看有哪些不同的编译配置 find meta-* -name local.conf.sample 可以看到如下编译配置 3、生成编译配置 插入TEMPLATECONF,上边查询到的配置有很多,但是有一些...

master 2万+

AI工作流革命:从n8n到Sora2,揭秘自动化视频创作的底层逻辑

本文深入探讨了AI工作流在自动化视频创作中的应用,重点介绍了n8n、Coze和Sora2的组合如何实现从链接输入到视频输出的全流程自动化。通过三层架构解析、关键技术模块优化及成本控制策略,这套方案显著提升了视频生产效率,适用于电商、热点追踪等多种场景。

gg901的博客 1091

Machine Learning机器学习公开课汇总

机器学习目前比较热,网上也散落着很多相关的公开课和学习资源,这里基于课程图谱的机器学习公开课标签做一个汇总整理,便于大家参考对比。 1、Coursera上斯坦福大学Andrew Ng教授的“机器学习公开课”: 机器学习入门课程首选,斯坦福大学教授,Coursera联合创始人Andrew Ng老师的课程,课程图谱上多达400多人关注,20余条课程评论,绝大多数同学认为这门课程比较适合入门

GarfieldEr007的专栏 3509

CST高阶技巧:用周期性边界快速仿真共面波导色散特性(含JDM求解器优化)

本文详细介绍了在CST仿真软件中,利用周期性边界条件结合JDM本征模求解器,高效分析共面波导色散特性的高阶技巧。该方法通过仿真一个单元胞而非整条传输线,大幅提升计算效率,并提供了从建模、边界设置、求解器优化到后处理的完整工作流程,是高频电路设计的实用指南。

weixin_29280219的博客 404

机器学习以及计算机公开课汇总帖

系统自学计算机课程: https://www.jianshu.com/p/8f2646a825e8 机器学习资料: https://www.jianshu.com/p/dc9020fd03b1 计算机 计算机基础 哈佛大学 CS50 https://www.edx.org/course/cs50s-introduction-computer-science-harvardx...

勤学如春起之苗,不见其增,日有所长! 辍学如磨刀之石,不见其损,日有所亏! 501

STM32学习笔记【江科协】【4-2】OLED显示屏

可以注意到接电源的GND和VCC同时和PB6、PB7号口连接,我们可以直接不初始化这两个引脚解决,因为STM32的引脚上电后,如果不初始化,默认是浮空输入的模式,在这个模式下,引脚不会输出电平,所以不会有什么影响,或者直接给PB6口输出低电平,PB7口输出高电平,用GPIO口直接给OLED供电,这个也是没问题的,因为OLED的功率很小这个也是可以驱动的,不过用GPIO口供电不是很规范,实际项目还是用电源供电。然后点击这里放大镜里面带d的图标,进入调试模式,这个界面里,

m0_74651303的博客 1595

【YOLOv11改进 - 特征融合】DySample :超轻量级且高效的动态上采样器

【YOLOv11改进 - 特征融合】DySample :超轻量级且高效的动态上采样器

专注于图像领域,主要研究内容包括计算机视觉和深度学习,特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。 1072

自然语言处理(机器学习)经典博客

1、我爱自然语言处理 里面的内容很多,很详实

hmy1106的专栏 880

【Python深度学习】做深度学习训练时,如果数据集太大,无法一次性加载进GPU,应该如何做?

方法核心思想优点缺点适用场景实现复杂度小批量训练(Mini-Batch Training)与数据加载器(DataLoader)将数据集划分为小批量,每次只加载一个小批量到GPU中进行训练。- 易于实现- 是深度学习的标准做法- 支持多进程加载- 内存可能成为瓶颈- 需要调整批量大小避免内存不足适用于大部分场景低数据分片与分布式训练(Data Sharding & Distributed Training)将数据集分片,每个GPU或节点处理其中一部分数据,分布式训练。

若北辰 1144

机器学习资料整理

机器学习目前比较热,网上也散落着很多相关的公开课和学习资源,这里基于课程图谱的机器学习公开课标签做一个汇总整理,便于大家参考对比。 1、Coursera上斯坦福大学Andrew Ng教授的“机器学习公开课”: 机器学习入门课程首选,斯坦福大学教授,Coursera联合创始人Andrew Ng老师的课程,课程图谱上多达400多人关注,20余条课程评论,绝大多数同学认为这门课程比较适合入门,以下选

weew_pp的专栏 722

06 - 深度学习处理器原理

深度学习处理器的重要性在于它们可以加速深度学习任务的执行,从而推动了人工智能的发展。传统的通用处理器虽然可以执行深度学习任务,但它们不够高效,需要消耗大量的能量和时间。深度学习处理器通过硬件加速和特定设计来优化深度学习任务的执行,从而可以提高执行效率、降低能耗和加速训练和推断过程。 深度学习处理器的发展也推动了深度学习算法的创新,因为算法的发展需要硬件的支持和驱动。同时,深度学习处理器的出现也促进了更广泛的应用场景,包括自动驾驶、人脸识别、语音识别、图像识别等领域。因此,深度学习处理器的重要性不仅在于加速

m0_51339444的博客 755

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

清华学长的机器学习笔记就是香啊!

除此之外,我还希望能建立一个统一的知识框架将接触的各类算法尽数收纳其中,像一张地图一样清晰易懂、一目了然。此次清理笔记的过程中,我搞懂了很多之前模棱两可的概念,尤其是对概率方法的认识相较之前已经进步了许多。至于机器学习的各类公开课视频及其课件、笔记,虽然也是高质量的学习资料,但毕竟要照顾初次学习的学生,可能会有很多举例、代码实现、图表演示等和核心算法无关的内容。PRML是老牌经典教材,是概率机器学习的权威著作,但其中也有推导跳步的问题,并且比较偏向理论性,缺少直观的算法总结。推荐大家都去学习一下。

weixin_42764105的博客 646

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

上一篇: listdlg
下一篇: 公开课可下载资源汇总
Vision_Learning
博客等级 码龄12年 55粉丝 83原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值