斯坦福机器学习: 网易公开课系列笔记(一)——课程简介

时间:2021-01-11 14:14:36

      最近学习了一下网易公开课上由Andrew Ng于08年在斯坦福大学开办的机器学习课程,受益颇深。作为一个刚入门的学习者,可以说吴恩达讲的通俗易懂,之前我是一直在看《统计学习方法》和《机器学习》两本书,上面的一些公式看的比较懵,但是听完这门课后觉得豁然开朗。这门课开设的比较早,再加上近年来机器学习领域的迅猛发展,里面的一些算法可能在现在已经被优化替代,但是作为准备“入坑”机器学习的新手来说,这还是一门非常好的学习课程。
       课程讲义、problemset和相关知识的介绍,网上都可以找得到,唯一美中不足的就是中文字幕,最后几章的翻译更是不能直视。


课程视频链接: 【戳这里】

课程相关资料: 【戳这里】


课程目录

      课程总共分为20课,一课70-90分钟,这里按照课程内容列出课程目录,可能与公开课的目录有所不同,某些章节整合成一个部分:

  • 一:线性回归、梯度下降优化算法及最小二乘公式
  • 二:局部加权回归、Logistic回归
  • 三:牛顿法、广义线性模型
  • 四:高斯判别分析、朴素贝叶斯
  • 五:SVM、核函数、坐标上升法和SMO算法
  • 六:特征选择和模型选择
  • 七:贝叶斯正则化和机器学习相关应用的分析
  • 八:k-means算法、EM算法、混合高斯模型
  • 九:因子分析、PCA算法
  • 十:SVD、ICA算法
  • 十一:MDP(马尔科夫决策过程)
  • 十二:离散与维数灾难、continus-states MDP
  • 十三:有限边界MDP、LQR
  • 十四:微分动态规划, kalman滤波器和LQG
  • 十五:POMDP、策略搜索和pegasus算法

      课程中部分地方的数学推导都只写出了最终结果,在笔记中我会将推导步骤尽可能详细的写出来,相关的符号定义也会在遇到相关问题的时候尽可能的表述清楚。
      作为自己学习历程的记录,也希望对和我一样的初入门者有所帮助。