精华内容
下载资源
问答
  • 李宏毅老师,是宝岛台湾大学电机工程系教授,他分别于2010年和2012年获得硕士和博士学位,主要研究机器学习尤其是深度学习、语言理解和语音识别。因为课程形象生动,又不缺数学推导的严谨,李宏...

    李宏毅老师,是宝岛台湾大学电机工程系教授,他分别于2010年和2012年获得硕士和博士学位,主要研究机器学习尤其是深度学习、语言理解和语音识别。因为课程形象生动,又不缺数学推导的严谨,李宏毅老师的课程视频被称为中文世界中最好的机器学习资源,幽默风趣的上课风格让很多晦涩难懂的机器学习理论变得轻松易懂。因为经常把精灵宝可梦或凉宫春日等各种动漫作为算法案例,所以李宏毅老师被亲切地称为「精灵宝可梦大师」。

    截至目前,2021年版的机器学习40节课程已经全部更新完毕,全程中文讲解,覆盖的内容也非常丰富,视频均长约40分钟,内容较多,喜欢的小伙伴先收藏、关注,慢慢学习!

    获取方式:

    关注深度学习技术前沿公众号,在消息对话框回复关键词:李宏毅2021(建议复制)  即可获取课件资料!(点击下面链接直达哟!)

    整体的目录如下:

    B站学习视频网址:https://www.bilibili.com/video/BV1My4y1W7my?p=1

    获取方式:

    关注深度学习技术前沿公众号,在消息对话框回复关键词:李宏毅2021(建议复制)  即可获取课件资料!(点击下面链接直达哟!)

    欢迎添加群助手微信,邀请您加入大佬云集-机器学习技术交流群!

    ???? 长按识别添加,邀请您进群!

    展开全文
  • 浙江大学-研究生机器学习课程 胡老师巨人之肩的牛顿今天 收录于话题 #Machine Learning, AI1 #TensorFlow1 #Python1 #浙江大学1 这里推荐个机器学习课程:浙江大学2017年研究生课程机器学习。我自己看过很...

    浙江大学-研究生机器学习课程

    胡老师 巨人之肩的牛顿 今天

    收录于话题

    #Machine Learning, AI1

    #TensorFlow1

    #Python1

    #浙江大学1

    这里推荐个机器学习课程:浙江大学2017年研究生课程之机器学习。我自己看过很多集,特此搬到这里供大家食用。课程的搬运已经得到课程老师胡老师的授权。【可以搭配李航《统计学习方法》一同食用。很多书中没讲清楚的推导,听了胡老师的讲解后恍然大悟】 课程所涉及到的课件和作业以及参考资料均在:www.zjuvipai.com---->teaching页面

     

    https://www.bilibili.com/video/BV1dJ411B7gh?p=1

     

    图片

     

    现在网址打不开,需要资料的朋友,我把原来网址的课件压缩包上传到了网盘上,大家需要自取,链接挂了可以艾特我补档 :D
    链接:https://pan.baidu.com/s/1p2JqY27mHpZ5-ivPXoGyQQ
    提取码:ugnx

    图片

    课程目录:图片

    第1讲:教科书介绍
    第2讲:成绩安排
    第3讲:概念介绍
    第4讲:这门课的综述内容
    第5讲:没有免费午餐定理
    第6讲:支持向量机(线性模型)问题
    第7讲:支持向量机(现行模型)数学描述
    第8讲:支持向量机(线性模型)的图像展示
    第9讲:改写优化目标函数和限制条件
    第10讲:低维到高维映射
    第11讲:原问题和对偶问题
    第12讲:支持向量机原问题转化为对偶问题
    第13讲:支持向量机-核函数介绍
    第14讲:支持向量机的应用-兵王问题(规则介绍)
    第15讲:支持向量机的应用-兵王问题(参数设置)
    第16讲:支持向量机的应用-兵王问题(测试结果)
    第17讲:ROC曲线
    第18讲:支持向量机–处理多类问题
    第19讲:人工神经网络-神经元的数学模型
    第20讲:人工神经网络–感知器算法
    第21讲:人工神经网络–人工智能的第一次寒冬
    第22讲:人工神经网络–多层神经网络
    第23讲:人工神经网络—三层神经网络模拟任意决策面
    第24讲:人工神经网络—后向传播算法
    第25讲:人工神经网络–参数设置
    第26讲:深度学习–数据库准备
    第27讲:深度学习–自编码器
    第28讲:深度学习–卷积神经网络(LeNet)
    第29讲:深度学习–卷积神经网络(AlexNet)
    第30讲:深度学习-编程工具(Caffe和Tensorflow)
    第31讲:深度学习–近年来流行的网络结构

     

    图片

    展开全文
  • 2 前言 国科大有很多模式识别的课程,其中有人工智能学院的模式识别,以及计算机学院的模式识别与机器学习,而且选课人数都很多,我参加的是计算机学院的模式识别与机器学习的三班课程,授课老师是黄庆明老师、...

    前言

    国科大有很多模式识别的课程,其中有人工智能学院的模式识别,以及计算机学院的模式识别与机器学习,而且选课人数都很多,我参加的是计算机学院的模式识别与机器学习的三班课程,授课老师是黄庆明老师、李国荣老师、兰艳艳老师以及苏荔老师。

    这门课程涉及极广,包含了模式识别(偏AI)与机器学习(偏传统机器学习与神经网络)。

    注:课件请去GitHub自取https://github.com/leonodelee/UCAS_Course_2020

    文章中的思维导图请到我上传的文件中下载,链接失效可以私聊我

    https://download.csdn.net/download/qq_34767784/14075661

    绪论

    对课程、老师、教学目标以及内容进行大致介绍
    在这里插入图片描述
    李老师的课件有一个特点,本身PPT内容就不少,但是内容还是放不下,于是PPT里面有许多链接直接跳转到对应的Word文档对公式、例子进行解释;

    第二章、统计判别

    在这里插入图片描述

    在这里插入图片描述

    2.1 作为统计判别问题的模式分类

    2.1.1 贝叶斯判别原则

    在这里插入图片描述

    2.1.2 朴素贝叶斯

    在这里插入图片描述

    2.1.3 贝叶斯最小风险判别

    在这里插入图片描述
    在这里插入图片描述

    2.2 正态分布模式的贝叶斯分类器

    在这里插入图片描述

    2.3 均值向量和协方差矩阵的参数估计

    在这里插入图片描述

    第三章、判别函数

    在这里插入图片描述

    3.1 线性判别函数

    在这里插入图片描述

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    3.2 广义线性判别函数

    在这里插入图片描述

    3.3 分段线性判别函数

    线性判别函数在进行分类决策时是最简单有效的,但在实际应用中,常常会出现不能用线性判别函数直接进行分类的情况。
    采用广义线性判别函数的概念,可以通过增加维数来得到线性判别,但维数的大量增加会使在低维空间里在解析和计算上行得通的方法在高维空间遇到困难,增加计算的复杂性。

    引入分段线性判别函数的判别过程,它比一般的线性判别函数的错误率小,但又比非线性判别函数简单。

    3.4 模式空间和权空间

    在这里插入图片描述
    在这里插入图片描述

    3.5 Fisher线性判别

    在这里插入图片描述

    在这里插入图片描述

    在这里插入图片描述
    在这里插入图片描述

    3.6 感知器算法(Perception Approach)

    感知器算法实质上是一种赏罚过程
    对正确分类的模式则“赏”,实际上是“不罚”,即权向量不变。
    对错误分类的模式则“罚”,使w(k)加上一个正比于xk的分量。
    当用全部模式样本训练过一轮以后,只要有一个模式是判别错误的,则需要进行下一轮迭代,即用全部模式样本再训练一次。
    如此不断反复直到全部模式样本进行训练都能得到正确的分类结果为止。

    在这里插入图片描述
    只要模式类别是线性可分的,感知器算法就可以在有限的迭代步数里求出权向量。

    3.7 采用感知器算法的多类模式的分类

    初始值选择很重要

    3.8 可训练的确定性分类器的迭代算法

    3.8.1 梯度法

    类似于感知器算法
    在这里插入图片描述

    3.8.2 固定增量的逐次调整算法

    在这里插入图片描述

    3.8.3 最小平方误差(LMSE)算法

    在这里插入图片描述

    3.9 势函数法 — 一种确定性的非线性分类算法

    用势函数的概念来确定判别函数和划分类别界面。
    基本思想
    假设要划分属于两种类别ω1和ω2的模式样本,这些样本可看成是分布在n维模式空间中的点xk。
    把属于ω1的点比拟为某种能源点,在点上,电位达到峰值。
    随着与该点距离的增大,电位分布迅速减小,即把样本xk附近空间x点上的电位分布,看成是一个势函数K(x, xk)。
    对于属于ω1的样本集群,其附近空间会形成一个“高地”,这些样本点所处的位置就是“山头”。
    同理,用电位的几何分布来看待属于ω2的模式样本,在其附近空间就形成“凹地”。
    只要在两类电位分布之间选择合适的等高线,就可以认为是模式分类的判别函数。

    3.9.1 判别函数的产生

    在这里插入图片描述

    3.9.2 势函数的选择

    在这里插入图片描述

    3.10 决策树简介

    决策树,或称多级分类器,是模式识别中进行分类的一种有效方法,对于多类或多峰分布问题,这种方法尤为方便。

    第四章、特征选择和提取

    在这里插入图片描述

    在这里插入图片描述

    4.1 模式类别可分性的测度

    在这里插入图片描述

    在这里插入图片描述

    4.2 特征选择

    对于独立特征的选择准则
    类别可分性准则应具有这样的特点,即不同类别模式特征的均值向量之间的距离应最大,而属于同一类的模式特征,其方差之和应最小。
    假设各原始特征测量值是统计独立的,此时,只需对训练样本的n个测量值独立地进行分析,从中选出m个最好的作为分类特征即可。

    4.3 离散K-L变换

    全称:Karhunen-Loeve变换(卡洛南-洛伊变换)
    K-L变换就是一种适用于任意概率密度函数的正交变换。
    在这里插入图片描述
    在这里插入图片描述

    Machine Learning-Introduction

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    Statistical Machine Learning

    在这里插入图片描述

    Support Vector Machine

    内容较多,对SVM体系进行了深入学习,包括硬边界、软边界。核函数;包含大量公式及其推导

    1-非监督学习-聚类

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    2-非监督学习-降维

    在这里插入图片描述
    在这里插入图片描述

    3-半监督

    在这里插入图片描述
    在这里插入图片描述

    4-概率图模型

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    5-集成学习

    在这里插入图片描述
    在这里插入图片描述

    6-人工神经网络基础

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    7-人工神经网络_2

    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • 李宏毅的机器学习课程

    千次阅读 2021-03-10 00:14:18
    ↑↑↑关注后"星标"Datawhale每日干货&每月组队学习,不错过Datawhale学习组织方:百度技术团队,内容:机器学习人工智能学习该从哪里开始呢?人...

    ↑↑↑关注后"星标"Datawhale

    每日干货 & 每月组队学习,不错过

     Datawhale学习 

    组织方:百度技术团队,内容:机器学习

    人工智能学习该从哪里开始呢?人工智能的学习路径又是怎样的?

    一般入门人工智能第一步就是机器学习。

    在上千份同学的学习反馈中,大家在学习人工智能学习的痛难点主要有:

    1、课程偏理论型,没有代码讲解,缺少实践

    2、课程公式繁多,且难以理解

    3、学习时间短,7天才刚刚有了点感觉就结束了;

    ......

    为此百度开放了专门针对小白学员免费的机器学习入门课程——《李宏毅机器学习训练营》。

    台湾大学李宏毅教授,以幽默风趣的讲授让晦涩难懂的理论变得轻松易懂

    (老师PPT截图)

    「从最基本的观念讲到最前瞻的技术」,是这门课最重要的一个特色。也会极大的解决同学们在学习中的难题。

    李宏毅老师说:“你可以将它作为你机器学习的第一门课!”。关于具体学习的参与和收获如下:

    1

    学习帮助

    1.  提供课程作业,助教直播讲解详细作业解答过程;

    2. 考试+打比赛检验自己是否过关;

    3. 正课难点公式推导进行补充;

    4. 每日按任务布置学习要求,科学合理安排课程进度;

    5. 班班监督提醒,高质量社群共同探讨疑难点,治好你的拖延症。

    2

    学习收获

    1. 对理论学习有更深入的理解,能够通过深度学习框架PaddlePaddle完成一定的实操代码;

    2. 李宏毅老师的精品录播课程,配合助教研讨课、项目作业、打比赛,学习难题一网打尽

    3. 除了丰富的教学资源,这次还有超多学习福利赠送,等你来抢!

    3

    学习亮点

                                  

    01 | 经典教学视频+学习福利

    李宏毅老师的机器学习课程在油管上非常受欢迎。这次,飞桨团队为视频配了简体中文字幕,并基于飞桨的实践项目和客观题,配备了丰富的GPU资源。用更系统更全面更有组织的方法来教最新的技术知识传授给同学们!

    顺利结业的同学不仅有机会获得精美礼品,你的学习心得还有可能被李宏毅老师亲自过目点评

    02 | 完善的课程体系

    本次训练营通过李宏毅视频课程+助教实战研讨课+配套AI Studio项目+比赛的形式完成。

    完成课程的同学就会获得百度官方结业证书,学习成果看得见!

    03 | 顶级助教天团直播解决落地难题

    每一道项目题之后会增加一节助教直播「项目研讨课」。

    队助教团有来自BAT某厂人工智能研究院CV算法工程师的晓沐老师;李老师是某五百强欧洲研究所图谱研究员;吴老师具有SCI、中文核心期刊论文、发明专利等学术成果,知名比赛获奖经验组成了课程的核心助教团队。

    助教老师们将会固定直播答疑课,直播讲解知识解析、相关知识延伸、理论落地代码问题、项目作业学员累计问题,更有项目逐行代码讲解。

    学习大纲

    【Step 1 】

    1、机器学习介绍

    2、回归

    作业:PM2.5预测

    【Step 2】

    1、梯度下降

    2、分类

    作业:年收入判断

    【Step 3】

    1、支持向量机

    2、集成学习

    3、深度学习预备

    作业:Paddle2.01

    【Step 4】

    1、卷积神经网络

    作业:食物图片分类、循环神经网络、语句分类

    【Step 5】

    1、半监督学习

    2、无监督学习

    3、深度生成模型

    4、迁移学习

    作业:迁移学习

    【Step 6】

    大考试

    4

    上课时间

    2021年3月13日开营

    5

    免费报名参加

    扫码【百度飞桨】后

    回复『李宏毅』获取报名通道

    根据提示,完成报名

    扫描上方二维码,立即参加课程,解锁经典机器学习课程,一起进步。

    展开全文
  • 机器学习课程清单

    2021-04-11 16:57:38
    免费机器学习课程资源 高效的学习路线 学习内容: 1、 斯坦福《概率与统计(Probability and Statistics)》 2、 MIT《线性代数(Linear Algebra)》 3、斯坦福 CS231N《用于视觉识别的卷积神经网络...
  • 由国立台湾大学李宏毅老师主讲的纯中文版,2021年机器学习(深度学习)开课了,课程相关的部分资源已经release出来了,今年课程新增了很多新的前沿的内容,分享给大家。 shipin及ppt:...
  • 机器学习课程】这个系列是对英国雷丁大学Xia Hong教授的课件进行学习,讲义链接是http://www.personal.rdg.ac.uk/~sis01xh/teaching/CSMML16/Machine%20Learning%20Lecture%20Notes.htm,具体的课程内容包括: ...
  • 斯坦福大学吴恩达老师的机器学习课程几乎是每位热爱人工智能领域同学的必修课。网上虽然有许多基于python实现的代码,但大多使用python交互模式解释器ipython实例讲解。本人基于自己的理解采用pycharm提供源代码及...
  • 斯坦福大学吴恩达老师的机器学习课程几乎是每位热爱人工智能领域同学的必修课。网上虽然有许多基于python实现的代码,但大多使用python交互模式解释器ipython实例讲解。本人基于自己的理解采用pycharm提供源代码及...
  • 什么是机器学习? 人工智慧(目标):简单的定义,就是让机器拥有学习的能力。而其中的机器学习,就是实现人工智慧的手段;深度学习,则是机器学习的其中一种方法。 对于一款智能产品(比如聊天机器人),假设采用...
  • 之前学习了吴恩达老师的深度学习课程,想着把机器学习课程也过一遍。看中了李宏毅老师的2021春季机器学习课程,有很精彩的作业练习(HW),先总体看一下学习大纲,再慢慢填坑吧。 课程网址:...
  • 本文作为自己学习李宏毅老师2021春机器学习课程所做笔记,记录自己身为入门阶段小白的学习理解,如果错漏、建议,还请各位博友不吝指教,感谢!! Batch(批次) 首先回顾一下,在深度学习中,往往将训练数据集随机...
  • 微软机器学习课程 微软机器学习课程,面向机器学习初学者,24 节课(总共 12 周),实实在在的免费,且已由 MIT 授权。由 Azure 云倡导者等人员制作而成。 https://github.com/microsoft/ML-For-Beginners ...
  • 吴恩达 机器学习课程笔记学习视频第1章1-2什么是机器学习1-3 监督学习(supervised learning algorithm)1-4 无监督学习(unsupervised learning algorithm)第2章2-1 模型描述 学习视频 ...书籍:周志华 西瓜书 ...
  • 本文作为自己学习李宏毅老师2021春机器学习课程所做笔记,记录自己身为入门阶段小白的学习理解,如果错漏、建议,还请各位博友不吝指教,感谢!! 一、Machine Learning概念理解 Machine Learning主要的任务是寻找...
  • 百度机器学习 课程 02

    2021-07-09 10:58:41
    01 机器学习原理与背景 1、机器学习分类: 有监督学习: 有标签的数据 无监督学习:无标签的学习(如:聚类算法)——探索杂乱的数据内部的规律 在nlp里面,词向量模块: 强化学习:定义了环境,agent,动作,...
  • 吴恩达机器学习课程习题翻译,习题答案,MATLAB编程编程,Python编程实现网址收录习题翻译习题答案及解释+粗略版MATLAB编程实现精细版MATLAB编程实现Python版编程实现 习题翻译 作者是王大毛,网址是(里面有答案无...
  • 问题是如何找这样的transformation很难,我们就让机器自己去找。 所以我们就可以用很多的Logic Regression串起来,我们把每一个Logic Regression都叫做Neuron。这就是Neural Network,大火就觉得这个过程在模拟人类...
  • 本文作为自己学习李宏毅老师2021春机器学习课程所做笔记,记录自己身为入门阶段小白的学习理解,如果错漏、建议,还请各位博友不吝指教,感谢!! 全连接网络的输入是一个向量,但是当输入是一个变长的向量序列时,...
  • 01.机器学习简介 演变过程 02.机器学习概述 什么是机器学习 机器学习是从数据中自动分析获得规律(模型),并利用规律对未知数据进行预测 为什么需要机器学习 机器学习的应用场景 医疗、航空、教育、...
  • 我是黄海广,是温州大学的老师,一直有支持Datawhale。我上的一门课叫《机器学习》,本科生学机器学习有点难,但也不是没有可能,我在摸索中,设计适合本科生的机器学习课程,写了教材,录了视...
  • 机器学习week1 介绍 深度学习分为监督性学习和非监督性学习。监督性学习分为回归问题(给了一堆不同平米房子的房价,然后预测一个新房子的房价)和分类问题(给了一堆良性肿瘤和恶性肿瘤的信息,再给一个肿瘤的信息...
  • 机器学习课程笔记 知识点 supervised learning(Luns,监督学习,给标注的数据训练) unspervised learning(无监督学习,无标注的数据,马尔科夫列) semi-supervised learning(一些标注,一些不标注) ...
  • 这一章将介绍一种机器学习的应用实例:照片OCR技术,介绍它的原因: (1)首先,展示一个复杂的机器学习系统是如何被组合起来的; (2)接着,介绍一下机器学习流水线的有关概念以及如何分配资源来对下一步计划作出...
  • 这学期我给研一同学上机器学习课,接下来,我会陆续分享下我上课用的的课件。(文末提供下载)后续持续更新。接下来我还会录一下课程,分享到大学的某个平台。下载地址:https://github....
  • 点击上方“摸鱼吧算法工程师”卡片,关注星标获取有趣、好玩的前沿干货!【导读】今天给大家推荐一门清华大学最新经典课程-《高级机器学习》,本文为大家整理收集了该课程课件PPT以及该课程邀请了...
  • 机器学习心得

    千次阅读 2021-10-27 14:03:22
    1. 机器学习的概念: 解释1:机器学习是一门通过编程让计算机从数据中进行学习的学科。 解释2:机器学习是一个研究领域,让计算机无须进行明确的编程就具备学习能力。 解释2:一个计算机程序利用经验E来学习任务T...
  • 机器学习最常见的例子就是人脸识别了,人脸识别的可靠性从哪里看出来呢,就是“银行”,众所周知,银行肯定是最需要可靠性工具的地方,现在很多银行取卡或者做一些工作的时候都必须进行人脸识别,也可想而知人脸识别...
  • self-supervised Learning 芝麻街: 340 millon的参数,模型巨大 自监督学习 vs 监督学习 没有标注的资料 一部分作为输入,一部分作为label 没有用到标注的资料 19年提出的 相当于分类问题,从所有中文字中选出湾 做...
  • 来源:专知 本文附课件,建议阅读5分钟本课程关注四个概念:解释、公平、隐私和健壮性。 ML模型无处不在——从交通(自动驾驶汽车)到金融(信用卡或抵押贷款申请)和职业(公司招聘)。然而,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 138,052
精华内容 55,220
关键字:

机器学习课件