0基础小白也能学会的机器学习教程介绍

人工智能很火，机器学习很热，很多同学想去学习，但不知如何下手？网上教程很多，上来就学习模型，使用框架，绕来绕去，理解不了底层原理？机器学习算法推理，大量公式和高等数学让人崩溃，一不小心从入门到放弃？本套课程从零开始，讲解人工智能的全部核心基础， 4天课让你掌握机器学习、线性代数、微积分和概率论，学完课程你可以自己推导损失函数，实现梯度下降，手写神经网络，把控无人驾驶，完成手写字识别...附全套课件资料！

课程目录：

day1

  00_为什么要学习数学.mp4

  01_引言和学习方法.mp4

  02_feature和label.mp4

  03_什么是机器学习.mp4

  04_数据采集方式.mp4

  05_knn算法入门.mp4

  06_knn算法python实现.mp4

  07_代码流程回顾.mp4

  08_抽取knn函数.mp4

  09_实验演示验证结论.mp4

  10_评估模型好坏的方法，训练集和测试集.mp4

  11_生成测试和训练数据集.mp4

  12_调参选取最优的k.mp4

  13_增加数据的维度.mp4

  14_numpy加载特殊数据.mp4

  15_欧式距离.mp4

  16_二维空间距离的计算.mp4

  17_代码增加一个维度.mp4

  18_数据归一化.mp4

  19_knn的feature的选择.mp4

  20_向量和向量的运算.mp4

  21_概念总结.mp4

  22_使用矩阵和向量实现knn.mp4

  23_ 房价预测简单框架.mp4

  24_数据的归一化和标准化.mp4

  附：问题1.mp4

  附1_如何学习数学.mp4

day2

  01_线性回归和Knn.mp4

  02_线性回归解决什么问题.mp4

  03_Excel进行线性回归.mp4

  04_损失函数和最小均方差.mp4

  05_excle来简单理解梯度下降.mp4

  06_梯度下降的问题分析.mp4

  07_求导简单入门.mp4

  08_mse对b进行求导.mp4

  09_Excel演示梯度下降&学习速率.mp4

  10_偏导数分别求解m和b的导数.mp4

  11_对m和b分别进行梯度下降.mp4

  12_Python代码实现梯度下降.mp4

  13_代码测试生成m和b.mp4

  14_作业演示.mp4

day3

  01_高等数学入门.mp4

  02_问题描述.mp4

  03_简单理解矩阵运算的现实含义.mp4

  04_矩阵的形状.mp4

  05_矩阵的加法.mp4

  06_手动计算矩阵的乘法.mp4

  07_矩阵的乘法不满足交换律.mp4

  08_用numpy进行矩阵的乘法运算.mp4

  09_矩阵运算计算m和b的偏导数.mp4

  10_numpy矩阵运算演示获取m和b的偏导.mp4

  11_用矩阵运算重构线性回归代码.mp4

  12_对比程序执行的时间.mp4

  13_增加数据的维度.mp4

  14_函数模型的评估和错误率的计算.mp4

  15_矩阵可以理解为一个变化函数.mp4

  16_bmp是如何描述图片的.mp4

  17_位图和svg图的区别.mp4

  18_矩阵运算变化图片的位置.mp4

  19_矩阵运算旋转图形.mp4

  20_矩阵的缩放处理.mp4

  21_图形变换综合案例.mp4

  22_机器学习浅谈.mp4

  23_sigmod函数引入.mp4

  24_逻辑回归的步骤.mp4

day4

  01_自然底数和sigmod函数.mp4

  02_矩阵运算计算逻辑回归.mp4

  03_逻辑回归简单实现.mp4

  04_多分类问题.mp4

  05_多分类的概率问题思考.mp4

  06_多分类问题softmax公式.mp4

  07_手写数字数据集.mp4

  08_手写数字的识别原理.mp4

  09_手写数字数据集的处理.mp4

  10_手写数字的识别.mp4

  11_手写数字bug处理.mp4

  12_ai自动驾驶.mp4

  13_神经网络的作用.mp4

  14_多层神经网络演示.mp4

  15_感知机.mp4

  16_感知机数学原理.mp4

  17_线性模型和非线性模型.mp4

  18_交叉熵cross-entropy.mp4

  19_概率简介.mp4

资料

      day1.zip

      day2.zip

      day3.zip

      day4.zip