0基础小白也能学会的机器学习

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