课程简介
本课程旨在通过一系列精心设计的视频教程，带领学员逐步掌握机器学习和深度学习的基础知识与实用技能。课程从数学基础出发，逐步深入到机器学习算法、神经网络、逻辑回归、多分类问题、手写数字识别等核心领域，同时结合实际案例和代码实现，帮助学员在实践中巩固所学知识。课程适合对机器学习感兴趣的初学者，以及对数学、编程有一定基础的学员。
课程目录
Day 1: 机器学习基础与KNN算法
- 1. 为什么要学习数学
- 2. 引言和学习方法
- 3. feature和label
- 4. 什么是机器学习
- 5. 数据采集方式
- 6. KNN算法入门
- 7. KNN算法Python实现
- 8. 代码流程回顾
- 9. 抽取KNN函数
- 10. 实验演示验证结论
- 11. 评估模型好坏的方法，训练集和测试集
- 12. 生成测试和训练数据集
- 13. 调参选取最优的k
- 14. 增加数据的维度
- 15. numpy加载特殊数据
- 16. 欧式距离
- 17. 二维空间距离的计算
- 18. 代码增加一个维度
- 19. 数据归一化
- 20. KNN的feature的选择
- 21. 向量和向量的运算
- 22. 概念总结
- 23. 使用矩阵和向量实现KNN
- 24. 房价预测简单框架
- 25. 数据的归一化和标准化
- 26. 如何学习数学
- 27. 问题讨论
Day 2: 线性回归与梯度下降
- 1. 线性回归和KNN
- 2. 线性回归解决什么问题
- 3. Excel进行线性回归
- 4. 损失函数和最小均方差
- 5. Excel来简单理解梯度下降
- 6. 梯度下降的问题分析
- 7. 求导简单入门
- 8. MSE对b进行求导
- 9. Excel演示梯度下降&学习速率
- 10. 偏导数分别求解m和b的导数
- 11. 对m和b分别进行梯度下降
- 12. Python代码实现梯度下降
- 13. 代码测试生成m和b
- 14. 作业演示
Day 3: 高等数学与矩阵运算
- 1. 高等数学入门
- 2. 问题描述
- 3. 简单理解矩阵运算的现实含义
- 4. 矩阵的形状
- 5. 矩阵的加法
- 6. 手动计算矩阵的乘法
- 7. 矩阵的乘法不满足交换律
- 8. 用numpy进行矩阵的乘法运算
- 9. 矩阵运算计算m和b的偏导数
- 10. numpy矩阵运算演示获取m和b的偏导
- 11. 用矩阵运算重构线性回归代码
- 12. 对比程序执行的时间
- 13. 增加数据的维度
- 14. 函数模型的评估和错误率的计算
- 15. 矩阵可以理解为一个变化函数
- 16. BMP是如何描述图片的
- 17. 位图和SVG图的区别
- 18. 矩阵运算变化图片的位置
- 19. 矩阵运算旋转图形
- 20. 矩阵的缩放处理
- 21. 图形变换综合案例
- 22. 机器学习浅谈
- 23. Sigmod函数引入
- 24. 逻辑回归的步骤
Day 4: 逻辑回归与神经网络
- 1. 自然底数和Sigmod函数
- 2. 矩阵运算计算逻辑回归
- 3. 逻辑回归简单实现
- 4. 多分类问题
- 5. 多分类的概率问题思考
- 6. 多分类问题Softmax公式
- 7. 手写数字数据集
- 8. 手写数字的识别原理
- 9. 手写数字数据集的处理
- 10. 手写数字的识别
- 11. 手写数字bug处理
- 12. AI自动驾驶
- 13. 神经网络的作用
- 14. 多层神经网络演示
- 15. 感知机
- 16. 感知机数学原理
- 17. 线性模型和非线性模型
- 18. 交叉熵cross-entropy
- 19. 概率简介
附加资料
- • 资料.zip（包含课程相关的学习资料、代码示例等）
请先 ！