吴恩达给你的人工智能第一课

课程简介：

适用人群
有数学与计算机编程基础，希望了解机器学习与神经网络的同学。

课程概述
【注意：课程属于连载课程，将于每周的周一或者周二更新1-2章。】

本门课程是 Coursera 上的第一门课，也是吴恩达（Andrew Ng）老师的经典之作，并授权网易汉化发布。从2011年上线到2017年，本门课程已经在全球积累了180万名学员，给许多人工智能入门者提供了全新的学习途径。

本课程将广泛介绍机器学习、数据挖掘和统计模式识别等内容，
同时还引用了许多机器学习案例，让你学会在智能机器人（感知和控制）、文本理解（网络搜索和垃圾邮件过滤）、计算机视觉、医学信息学、音频、数据库挖掘等领域应用机器学习。

课程由网易云课堂发布，猴头客收集整理于网络，如有侵权，请联系猴头客删除！！

课程目录：

章节1:绪论：初识机器学习
课时1欢迎参加《机器学习》课程
课时2什么是机器学习？
课时3监督学习
课时4无监督学习
课时5问题

章节2:单变量线性回归
课时6模型描述
课时7代价函数
课时8代价函数（一）
课时9代价函数（二）
课时10梯度下降
课时11梯度下降知识点总结
课时12线性回归的梯度下降
课时13本章课程总结

章节3:线性回归回顾
课时14矩阵和向量
课时15加法和标量乘法
课时16矩阵向量乘法
课时17矩阵乘法
课时18矩阵乘法特征
课时19逆和转置

章节4:配置
课时20安装 MTLAB 并设置编程任务环境
课时21安装 MATLAB
课时22在 Windows 上安装 Octave
课时23在 Mac OS X 上安装 Octave
课时24在 Mac OS X (10.8 Mountain Lion and Earlier) 上安装 Octave
课时25GNU/Linux 上安装 Octave
课时26更多 Octave/MATLAB 资源

章节5:多变量线性回归
课时27多功能
课时28多元梯度下降法
课时29多元梯度下降法演练 I – 特征缩放
课时30多元梯度下降法II – 学习率
课时31特征和多项式回归
课时32正规方程（区别于迭代方法的直接解法）
课时33正规方程在矩阵不可逆情况下的解决方法
课时34完成并提交编程作业

章节6:Octave/Matlab 教程
课时35基本操作
课时36移动数据
课时37计算数据
课时38数据绘制
课时39控制语句：for，while，if 语句
课时40矢量
课时41本章课程总结

章节7:Logistic 回归
课时42分类
课时43假设陈述
课时44决策界限
课时45代价函数
课时46简化代价函数与梯度下降
课时47高级优化
课时48多元分类：一对多
课时49本章课程总结

章节8:正则化
课时50过拟合问题
课时51代价函数
课时52线性回归的正则化
课时53Logistic 回归的正则化

章节9:神经网络学习
课时54非线性假设
课时55神经元与大脑
课时56模型展示Ⅰ
课时57模型展示Ⅱ
课时58例子与直觉理解Ⅰ
课时59例子与直觉理解Ⅱ
课时60多元分类

章节10:神经网络参数的反向传播算法
课时61代价函数
课时62反向传播算法
课时63理解反向传播
课时64使用注意：展开参数
课时65梯度检测
课时66随机初始化
课时67组合到一起
课时68无人驾驶

章节11:应用机器学习的建议
课时69决定下一步做什么
课时70评估假设
课时71模型选择和训练、验证、测试集
课时72诊断偏差与方差
课时73正则化和偏差、方差
课时74学习曲线
课时75决定接下来做什么

章节12:机器学习系统设计
课时76确定执行的优先级
课时77误差分析
课时78不对称性分类的误差评估
课时79精确度和召回率的权衡
课时80机器学习数据

章节13:支持向量机
课时81优化目标
课时82直观上对大间隔的理解
课时83大间隔分类器的数学原理
课时84核函数
课时85核函数
课时86使用SVM

章节14:无监督学习
课时87无监督学习
课时88K-Means算法
课时89优化目标
课时90随机初始化
课时91选取聚类数量

章节15:降维
课时92目标 I：数据压缩
课时93目标 II：可视化
课时94主成分分析问题规划
课时95主成分分析问题规划
课时96压缩重现
课时97主成分数量选择
课时98应用 PCA 的建议

章节16:异常检测
课时99问题动机
课时100高斯分布
课时101算法
课时102开发和评估异常检测系统
课时103异常检测 VS 监督学习
课时104选择要使用的功能
课时105多变量高斯分布
课时106使用多变量高斯分布的异常检测

章节17:推荐系统
课时107问题规划
课时108基于内容的推荐算法
课时109协同过滤
课时110协同过滤算法
课时111矢量化：低轶矩阵分解
课时112实施细节：均值规范化

推荐：前往官方课程学习该课程！

课程截图：