來源:Datawhale
本文約1600字,建議閱讀7分鐘。
本文哪位大家講解LeeML-Notes中一門中文經典視頻課程——臺大李宏毅的機器學習相關。
[ 導 讀 ]關於機器學習的學習資料從經典書籍、免費公開課到開源項目應有盡有,可謂是太豐富啦,給學習者提供了極大的便利。但網上比比皆是的學習資料大部分都是英文材料,這可難倒了英語不好的學習者,單詞不認識,理解不到位。小編想問:就真的就沒辦法了嘛。其實也不盡然,中文還是有一些不錯的學習資料的,像周志華老師的西瓜書,李航老師的統計學習方法等等都是相當經典的學習資料。今天的主角LeeML-Notes也是和一門中文經典視頻課程--臺大李宏毅的機器學習相關。
目錄
- 李宏毅機器學習簡介
- 《LeeML-Notes》李宏毅機器學習筆記
- 《LeeML-Notes》學習筆記框架
- 筆記內容細節展示
- a.對梯度下降概念的解析
- b.為什麼需要做特徵縮放
- c.隱形馬爾科夫鏈的應用
- 代碼呈現
- a.迴歸分析
- b.深度學習
- 作業展示
- 交流互動
- 開源地址
- 配套視頻
1. 李宏毅機器學習簡介
李宏毅老師的機器學習視頻是機器學習領域經典的中文視頻之一,也被稱為中文世界中最好的機器學習視頻。李老師以幽默風趣的上課風格讓很多晦澀難懂的機器學習理論變得輕鬆易懂,他將理論知識與有趣的例子結合在課堂上展現,並且對深奧的理論知識逐步推導,保證學習者能夠學習到問題的精髓所在。比如老師會經常用寶可夢來結合很多機器學習算法。對於想入門機器學習又想看中文講解的人來說絕對是非常推薦的。
來源:Datawhale
本文約1600字,建議閱讀7分鐘。
本文哪位大家講解LeeML-Notes中一門中文經典視頻課程——臺大李宏毅的機器學習相關。
[ 導 讀 ]關於機器學習的學習資料從經典書籍、免費公開課到開源項目應有盡有,可謂是太豐富啦,給學習者提供了極大的便利。但網上比比皆是的學習資料大部分都是英文材料,這可難倒了英語不好的學習者,單詞不認識,理解不到位。小編想問:就真的就沒辦法了嘛。其實也不盡然,中文還是有一些不錯的學習資料的,像周志華老師的西瓜書,李航老師的統計學習方法等等都是相當經典的學習資料。今天的主角LeeML-Notes也是和一門中文經典視頻課程--臺大李宏毅的機器學習相關。
目錄
- 李宏毅機器學習簡介
- 《LeeML-Notes》李宏毅機器學習筆記
- 《LeeML-Notes》學習筆記框架
- 筆記內容細節展示
- a.對梯度下降概念的解析
- b.為什麼需要做特徵縮放
- c.隱形馬爾科夫鏈的應用
- 代碼呈現
- a.迴歸分析
- b.深度學習
- 作業展示
- 交流互動
- 開源地址
- 配套視頻
1. 李宏毅機器學習簡介
李宏毅老師的機器學習視頻是機器學習領域經典的中文視頻之一,也被稱為中文世界中最好的機器學習視頻。李老師以幽默風趣的上課風格讓很多晦澀難懂的機器學習理論變得輕鬆易懂,他將理論知識與有趣的例子結合在課堂上展現,並且對深奧的理論知識逐步推導,保證學習者能夠學習到問題的精髓所在。比如老師會經常用寶可夢來結合很多機器學習算法。對於想入門機器學習又想看中文講解的人來說絕對是非常推薦的。
2. 《LeeML-Notes》李宏毅機器學習筆記
LeeML-Notes是Datawhale開源組織又一開源學習項目,由團隊成員王佳旭、金一鳴牽頭,8名成員歷時半年精心打磨而成,實現了李宏毅老師機器學習課程內容的100%復現,並且在此基礎上補充了有助於學習理解的相關資料和內容,對重難點公式進行了補充推導。期間,Datawhale開源組織打造了《李宏毅老師機器學習》的組隊學習,在眾多學習者共同的努力下,對該內容進行了迭代和補充。下面,讓我們來詳細瞭解下工作詳情吧。
具體準備工作:
- 2019年2月--2019年4月:筆記整理初級階段,視頻100%復現
- 2019年4月--2019年6月:網站搭建,對筆記內容及排版迭代優化
- 2019年5月--2019年6月:組隊學習《李宏毅機器學習》並對內容進行迭代完善
- 2019年7月:最後內容修正,正式推廣
下圖為修訂記錄表:
來源:Datawhale
本文約1600字,建議閱讀7分鐘。
本文哪位大家講解LeeML-Notes中一門中文經典視頻課程——臺大李宏毅的機器學習相關。
[ 導 讀 ]關於機器學習的學習資料從經典書籍、免費公開課到開源項目應有盡有,可謂是太豐富啦,給學習者提供了極大的便利。但網上比比皆是的學習資料大部分都是英文材料,這可難倒了英語不好的學習者,單詞不認識,理解不到位。小編想問:就真的就沒辦法了嘛。其實也不盡然,中文還是有一些不錯的學習資料的,像周志華老師的西瓜書,李航老師的統計學習方法等等都是相當經典的學習資料。今天的主角LeeML-Notes也是和一門中文經典視頻課程--臺大李宏毅的機器學習相關。
目錄
- 李宏毅機器學習簡介
- 《LeeML-Notes》李宏毅機器學習筆記
- 《LeeML-Notes》學習筆記框架
- 筆記內容細節展示
- a.對梯度下降概念的解析
- b.為什麼需要做特徵縮放
- c.隱形馬爾科夫鏈的應用
- 代碼呈現
- a.迴歸分析
- b.深度學習
- 作業展示
- 交流互動
- 開源地址
- 配套視頻
1. 李宏毅機器學習簡介
李宏毅老師的機器學習視頻是機器學習領域經典的中文視頻之一,也被稱為中文世界中最好的機器學習視頻。李老師以幽默風趣的上課風格讓很多晦澀難懂的機器學習理論變得輕鬆易懂,他將理論知識與有趣的例子結合在課堂上展現,並且對深奧的理論知識逐步推導,保證學習者能夠學習到問題的精髓所在。比如老師會經常用寶可夢來結合很多機器學習算法。對於想入門機器學習又想看中文講解的人來說絕對是非常推薦的。
2. 《LeeML-Notes》李宏毅機器學習筆記
LeeML-Notes是Datawhale開源組織又一開源學習項目,由團隊成員王佳旭、金一鳴牽頭,8名成員歷時半年精心打磨而成,實現了李宏毅老師機器學習課程內容的100%復現,並且在此基礎上補充了有助於學習理解的相關資料和內容,對重難點公式進行了補充推導。期間,Datawhale開源組織打造了《李宏毅老師機器學習》的組隊學習,在眾多學習者共同的努力下,對該內容進行了迭代和補充。下面,讓我們來詳細瞭解下工作詳情吧。
具體準備工作:
- 2019年2月--2019年4月:筆記整理初級階段,視頻100%復現
- 2019年4月--2019年6月:網站搭建,對筆記內容及排版迭代優化
- 2019年5月--2019年6月:組隊學習《李宏毅機器學習》並對內容進行迭代完善
- 2019年7月:最後內容修正,正式推廣
下圖為修訂記錄表:
3. 《LeeML-Notes》學習筆記框架
內容在整體框架上與李宏毅老師的機器學習課程保持一致,主要由監督學習、半監督學習、遷移學習、無監督學習、監督學習中的結構化學習以及強化學習構成。建議學習過程中將李宏毅老師的視頻和這份資料搭配使用,效果極佳。筆記也是和課程視頻完全同步。
目錄詳情見下:
目錄
P1 機器學習介紹
P2 為什麼要學習機器學習
P3 迴歸
P4 迴歸-演示
P5 誤差從哪來?
P6 梯度下降
P7 梯度下降(用AOE演示)
P8 梯度下降(用Minecraft演示)
P9 作業1-PM2.5預測
P10 概率分類模型
P11 logistic迴歸
P12 作業2-贏家還是輸家
P13 深度學習簡介
P14 反向傳播
P15 深度學習初試
P16 Keras2.0
P17 Keras演示
P18 深度學習技巧
P19 Keras演示2
P20 Tensorflow 實現 Fizz Buzz
P21 卷積神經網絡
P22 為什麼要“深度”學習?
P23 半監督學習
P24 無監督學習-線性降維
P25 無監督學習-詞嵌入
P26 無監督學習-領域嵌入
P27 無監督學習-深度自編碼器
P28 無監督學習-深度生成模型I
P29 無監督學習-深度生成模型II
P30 遷移學習
P31 支持向量機
P32 結構化學習-介紹
P33 結構化學習-線性模型
P34 結構化學習-結構化支持向量機
P35 結構化學習-序列標籤
P36 循環神經網絡I
P37 循環神經網絡II
P38 集成學習
P39 深度強化學習淺析
P40 機器學習的下一步
4. 筆記內容細節展示
4.a 對梯度下降概念的解析
來源:Datawhale
本文約1600字,建議閱讀7分鐘。
本文哪位大家講解LeeML-Notes中一門中文經典視頻課程——臺大李宏毅的機器學習相關。
[ 導 讀 ]關於機器學習的學習資料從經典書籍、免費公開課到開源項目應有盡有,可謂是太豐富啦,給學習者提供了極大的便利。但網上比比皆是的學習資料大部分都是英文材料,這可難倒了英語不好的學習者,單詞不認識,理解不到位。小編想問:就真的就沒辦法了嘛。其實也不盡然,中文還是有一些不錯的學習資料的,像周志華老師的西瓜書,李航老師的統計學習方法等等都是相當經典的學習資料。今天的主角LeeML-Notes也是和一門中文經典視頻課程--臺大李宏毅的機器學習相關。
目錄
- 李宏毅機器學習簡介
- 《LeeML-Notes》李宏毅機器學習筆記
- 《LeeML-Notes》學習筆記框架
- 筆記內容細節展示
- a.對梯度下降概念的解析
- b.為什麼需要做特徵縮放
- c.隱形馬爾科夫鏈的應用
- 代碼呈現
- a.迴歸分析
- b.深度學習
- 作業展示
- 交流互動
- 開源地址
- 配套視頻
1. 李宏毅機器學習簡介
李宏毅老師的機器學習視頻是機器學習領域經典的中文視頻之一,也被稱為中文世界中最好的機器學習視頻。李老師以幽默風趣的上課風格讓很多晦澀難懂的機器學習理論變得輕鬆易懂,他將理論知識與有趣的例子結合在課堂上展現,並且對深奧的理論知識逐步推導,保證學習者能夠學習到問題的精髓所在。比如老師會經常用寶可夢來結合很多機器學習算法。對於想入門機器學習又想看中文講解的人來說絕對是非常推薦的。
2. 《LeeML-Notes》李宏毅機器學習筆記
LeeML-Notes是Datawhale開源組織又一開源學習項目,由團隊成員王佳旭、金一鳴牽頭,8名成員歷時半年精心打磨而成,實現了李宏毅老師機器學習課程內容的100%復現,並且在此基礎上補充了有助於學習理解的相關資料和內容,對重難點公式進行了補充推導。期間,Datawhale開源組織打造了《李宏毅老師機器學習》的組隊學習,在眾多學習者共同的努力下,對該內容進行了迭代和補充。下面,讓我們來詳細瞭解下工作詳情吧。
具體準備工作:
- 2019年2月--2019年4月:筆記整理初級階段,視頻100%復現
- 2019年4月--2019年6月:網站搭建,對筆記內容及排版迭代優化
- 2019年5月--2019年6月:組隊學習《李宏毅機器學習》並對內容進行迭代完善
- 2019年7月:最後內容修正,正式推廣
下圖為修訂記錄表:
3. 《LeeML-Notes》學習筆記框架
內容在整體框架上與李宏毅老師的機器學習課程保持一致,主要由監督學習、半監督學習、遷移學習、無監督學習、監督學習中的結構化學習以及強化學習構成。建議學習過程中將李宏毅老師的視頻和這份資料搭配使用,效果極佳。筆記也是和課程視頻完全同步。
目錄詳情見下:
目錄
P1 機器學習介紹
P2 為什麼要學習機器學習
P3 迴歸
P4 迴歸-演示
P5 誤差從哪來?
P6 梯度下降
P7 梯度下降(用AOE演示)
P8 梯度下降(用Minecraft演示)
P9 作業1-PM2.5預測
P10 概率分類模型
P11 logistic迴歸
P12 作業2-贏家還是輸家
P13 深度學習簡介
P14 反向傳播
P15 深度學習初試
P16 Keras2.0
P17 Keras演示
P18 深度學習技巧
P19 Keras演示2
P20 Tensorflow 實現 Fizz Buzz
P21 卷積神經網絡
P22 為什麼要“深度”學習?
P23 半監督學習
P24 無監督學習-線性降維
P25 無監督學習-詞嵌入
P26 無監督學習-領域嵌入
P27 無監督學習-深度自編碼器
P28 無監督學習-深度生成模型I
P29 無監督學習-深度生成模型II
P30 遷移學習
P31 支持向量機
P32 結構化學習-介紹
P33 結構化學習-線性模型
P34 結構化學習-結構化支持向量機
P35 結構化學習-序列標籤
P36 循環神經網絡I
P37 循環神經網絡II
P38 集成學習
P39 深度強化學習淺析
P40 機器學習的下一步
4. 筆記內容細節展示
4.a 對梯度下降概念的解析
4.b 為什麼需要做特徵縮放
來源:Datawhale
本文約1600字,建議閱讀7分鐘。
本文哪位大家講解LeeML-Notes中一門中文經典視頻課程——臺大李宏毅的機器學習相關。
[ 導 讀 ]關於機器學習的學習資料從經典書籍、免費公開課到開源項目應有盡有,可謂是太豐富啦,給學習者提供了極大的便利。但網上比比皆是的學習資料大部分都是英文材料,這可難倒了英語不好的學習者,單詞不認識,理解不到位。小編想問:就真的就沒辦法了嘛。其實也不盡然,中文還是有一些不錯的學習資料的,像周志華老師的西瓜書,李航老師的統計學習方法等等都是相當經典的學習資料。今天的主角LeeML-Notes也是和一門中文經典視頻課程--臺大李宏毅的機器學習相關。
目錄
- 李宏毅機器學習簡介
- 《LeeML-Notes》李宏毅機器學習筆記
- 《LeeML-Notes》學習筆記框架
- 筆記內容細節展示
- a.對梯度下降概念的解析
- b.為什麼需要做特徵縮放
- c.隱形馬爾科夫鏈的應用
- 代碼呈現
- a.迴歸分析
- b.深度學習
- 作業展示
- 交流互動
- 開源地址
- 配套視頻
1. 李宏毅機器學習簡介
李宏毅老師的機器學習視頻是機器學習領域經典的中文視頻之一,也被稱為中文世界中最好的機器學習視頻。李老師以幽默風趣的上課風格讓很多晦澀難懂的機器學習理論變得輕鬆易懂,他將理論知識與有趣的例子結合在課堂上展現,並且對深奧的理論知識逐步推導,保證學習者能夠學習到問題的精髓所在。比如老師會經常用寶可夢來結合很多機器學習算法。對於想入門機器學習又想看中文講解的人來說絕對是非常推薦的。
2. 《LeeML-Notes》李宏毅機器學習筆記
LeeML-Notes是Datawhale開源組織又一開源學習項目,由團隊成員王佳旭、金一鳴牽頭,8名成員歷時半年精心打磨而成,實現了李宏毅老師機器學習課程內容的100%復現,並且在此基礎上補充了有助於學習理解的相關資料和內容,對重難點公式進行了補充推導。期間,Datawhale開源組織打造了《李宏毅老師機器學習》的組隊學習,在眾多學習者共同的努力下,對該內容進行了迭代和補充。下面,讓我們來詳細瞭解下工作詳情吧。
具體準備工作:
- 2019年2月--2019年4月:筆記整理初級階段,視頻100%復現
- 2019年4月--2019年6月:網站搭建,對筆記內容及排版迭代優化
- 2019年5月--2019年6月:組隊學習《李宏毅機器學習》並對內容進行迭代完善
- 2019年7月:最後內容修正,正式推廣
下圖為修訂記錄表:
3. 《LeeML-Notes》學習筆記框架
內容在整體框架上與李宏毅老師的機器學習課程保持一致,主要由監督學習、半監督學習、遷移學習、無監督學習、監督學習中的結構化學習以及強化學習構成。建議學習過程中將李宏毅老師的視頻和這份資料搭配使用,效果極佳。筆記也是和課程視頻完全同步。
目錄詳情見下:
目錄
P1 機器學習介紹
P2 為什麼要學習機器學習
P3 迴歸
P4 迴歸-演示
P5 誤差從哪來?
P6 梯度下降
P7 梯度下降(用AOE演示)
P8 梯度下降(用Minecraft演示)
P9 作業1-PM2.5預測
P10 概率分類模型
P11 logistic迴歸
P12 作業2-贏家還是輸家
P13 深度學習簡介
P14 反向傳播
P15 深度學習初試
P16 Keras2.0
P17 Keras演示
P18 深度學習技巧
P19 Keras演示2
P20 Tensorflow 實現 Fizz Buzz
P21 卷積神經網絡
P22 為什麼要“深度”學習?
P23 半監督學習
P24 無監督學習-線性降維
P25 無監督學習-詞嵌入
P26 無監督學習-領域嵌入
P27 無監督學習-深度自編碼器
P28 無監督學習-深度生成模型I
P29 無監督學習-深度生成模型II
P30 遷移學習
P31 支持向量機
P32 結構化學習-介紹
P33 結構化學習-線性模型
P34 結構化學習-結構化支持向量機
P35 結構化學習-序列標籤
P36 循環神經網絡I
P37 循環神經網絡II
P38 集成學習
P39 深度強化學習淺析
P40 機器學習的下一步
4. 筆記內容細節展示
4.a 對梯度下降概念的解析
4.b 為什麼需要做特徵縮放
4.c 隱形馬爾科夫鏈的應用
來源:Datawhale
本文約1600字,建議閱讀7分鐘。
本文哪位大家講解LeeML-Notes中一門中文經典視頻課程——臺大李宏毅的機器學習相關。
[ 導 讀 ]關於機器學習的學習資料從經典書籍、免費公開課到開源項目應有盡有,可謂是太豐富啦,給學習者提供了極大的便利。但網上比比皆是的學習資料大部分都是英文材料,這可難倒了英語不好的學習者,單詞不認識,理解不到位。小編想問:就真的就沒辦法了嘛。其實也不盡然,中文還是有一些不錯的學習資料的,像周志華老師的西瓜書,李航老師的統計學習方法等等都是相當經典的學習資料。今天的主角LeeML-Notes也是和一門中文經典視頻課程--臺大李宏毅的機器學習相關。
目錄
- 李宏毅機器學習簡介
- 《LeeML-Notes》李宏毅機器學習筆記
- 《LeeML-Notes》學習筆記框架
- 筆記內容細節展示
- a.對梯度下降概念的解析
- b.為什麼需要做特徵縮放
- c.隱形馬爾科夫鏈的應用
- 代碼呈現
- a.迴歸分析
- b.深度學習
- 作業展示
- 交流互動
- 開源地址
- 配套視頻
1. 李宏毅機器學習簡介
李宏毅老師的機器學習視頻是機器學習領域經典的中文視頻之一,也被稱為中文世界中最好的機器學習視頻。李老師以幽默風趣的上課風格讓很多晦澀難懂的機器學習理論變得輕鬆易懂,他將理論知識與有趣的例子結合在課堂上展現,並且對深奧的理論知識逐步推導,保證學習者能夠學習到問題的精髓所在。比如老師會經常用寶可夢來結合很多機器學習算法。對於想入門機器學習又想看中文講解的人來說絕對是非常推薦的。
2. 《LeeML-Notes》李宏毅機器學習筆記
LeeML-Notes是Datawhale開源組織又一開源學習項目,由團隊成員王佳旭、金一鳴牽頭,8名成員歷時半年精心打磨而成,實現了李宏毅老師機器學習課程內容的100%復現,並且在此基礎上補充了有助於學習理解的相關資料和內容,對重難點公式進行了補充推導。期間,Datawhale開源組織打造了《李宏毅老師機器學習》的組隊學習,在眾多學習者共同的努力下,對該內容進行了迭代和補充。下面,讓我們來詳細瞭解下工作詳情吧。
具體準備工作:
- 2019年2月--2019年4月:筆記整理初級階段,視頻100%復現
- 2019年4月--2019年6月:網站搭建,對筆記內容及排版迭代優化
- 2019年5月--2019年6月:組隊學習《李宏毅機器學習》並對內容進行迭代完善
- 2019年7月:最後內容修正,正式推廣
下圖為修訂記錄表:
3. 《LeeML-Notes》學習筆記框架
內容在整體框架上與李宏毅老師的機器學習課程保持一致,主要由監督學習、半監督學習、遷移學習、無監督學習、監督學習中的結構化學習以及強化學習構成。建議學習過程中將李宏毅老師的視頻和這份資料搭配使用,效果極佳。筆記也是和課程視頻完全同步。
目錄詳情見下:
目錄
P1 機器學習介紹
P2 為什麼要學習機器學習
P3 迴歸
P4 迴歸-演示
P5 誤差從哪來?
P6 梯度下降
P7 梯度下降(用AOE演示)
P8 梯度下降(用Minecraft演示)
P9 作業1-PM2.5預測
P10 概率分類模型
P11 logistic迴歸
P12 作業2-贏家還是輸家
P13 深度學習簡介
P14 反向傳播
P15 深度學習初試
P16 Keras2.0
P17 Keras演示
P18 深度學習技巧
P19 Keras演示2
P20 Tensorflow 實現 Fizz Buzz
P21 卷積神經網絡
P22 為什麼要“深度”學習?
P23 半監督學習
P24 無監督學習-線性降維
P25 無監督學習-詞嵌入
P26 無監督學習-領域嵌入
P27 無監督學習-深度自編碼器
P28 無監督學習-深度生成模型I
P29 無監督學習-深度生成模型II
P30 遷移學習
P31 支持向量機
P32 結構化學習-介紹
P33 結構化學習-線性模型
P34 結構化學習-結構化支持向量機
P35 結構化學習-序列標籤
P36 循環神經網絡I
P37 循環神經網絡II
P38 集成學習
P39 深度強化學習淺析
P40 機器學習的下一步
4. 筆記內容細節展示
4.a 對梯度下降概念的解析
4.b 為什麼需要做特徵縮放
4.c 隱形馬爾科夫鏈的應用
5. 代碼呈現
代碼在李宏毅老師提供代碼的基礎上進行了優化,在Python3上全部調試通過。
5.a 迴歸分析
來源:Datawhale
本文約1600字,建議閱讀7分鐘。
本文哪位大家講解LeeML-Notes中一門中文經典視頻課程——臺大李宏毅的機器學習相關。
[ 導 讀 ]關於機器學習的學習資料從經典書籍、免費公開課到開源項目應有盡有,可謂是太豐富啦,給學習者提供了極大的便利。但網上比比皆是的學習資料大部分都是英文材料,這可難倒了英語不好的學習者,單詞不認識,理解不到位。小編想問:就真的就沒辦法了嘛。其實也不盡然,中文還是有一些不錯的學習資料的,像周志華老師的西瓜書,李航老師的統計學習方法等等都是相當經典的學習資料。今天的主角LeeML-Notes也是和一門中文經典視頻課程--臺大李宏毅的機器學習相關。
目錄
- 李宏毅機器學習簡介
- 《LeeML-Notes》李宏毅機器學習筆記
- 《LeeML-Notes》學習筆記框架
- 筆記內容細節展示
- a.對梯度下降概念的解析
- b.為什麼需要做特徵縮放
- c.隱形馬爾科夫鏈的應用
- 代碼呈現
- a.迴歸分析
- b.深度學習
- 作業展示
- 交流互動
- 開源地址
- 配套視頻
1. 李宏毅機器學習簡介
李宏毅老師的機器學習視頻是機器學習領域經典的中文視頻之一,也被稱為中文世界中最好的機器學習視頻。李老師以幽默風趣的上課風格讓很多晦澀難懂的機器學習理論變得輕鬆易懂,他將理論知識與有趣的例子結合在課堂上展現,並且對深奧的理論知識逐步推導,保證學習者能夠學習到問題的精髓所在。比如老師會經常用寶可夢來結合很多機器學習算法。對於想入門機器學習又想看中文講解的人來說絕對是非常推薦的。
2. 《LeeML-Notes》李宏毅機器學習筆記
LeeML-Notes是Datawhale開源組織又一開源學習項目,由團隊成員王佳旭、金一鳴牽頭,8名成員歷時半年精心打磨而成,實現了李宏毅老師機器學習課程內容的100%復現,並且在此基礎上補充了有助於學習理解的相關資料和內容,對重難點公式進行了補充推導。期間,Datawhale開源組織打造了《李宏毅老師機器學習》的組隊學習,在眾多學習者共同的努力下,對該內容進行了迭代和補充。下面,讓我們來詳細瞭解下工作詳情吧。
具體準備工作:
- 2019年2月--2019年4月:筆記整理初級階段,視頻100%復現
- 2019年4月--2019年6月:網站搭建,對筆記內容及排版迭代優化
- 2019年5月--2019年6月:組隊學習《李宏毅機器學習》並對內容進行迭代完善
- 2019年7月:最後內容修正,正式推廣
下圖為修訂記錄表:
3. 《LeeML-Notes》學習筆記框架
內容在整體框架上與李宏毅老師的機器學習課程保持一致,主要由監督學習、半監督學習、遷移學習、無監督學習、監督學習中的結構化學習以及強化學習構成。建議學習過程中將李宏毅老師的視頻和這份資料搭配使用,效果極佳。筆記也是和課程視頻完全同步。
目錄詳情見下:
目錄
P1 機器學習介紹
P2 為什麼要學習機器學習
P3 迴歸
P4 迴歸-演示
P5 誤差從哪來?
P6 梯度下降
P7 梯度下降(用AOE演示)
P8 梯度下降(用Minecraft演示)
P9 作業1-PM2.5預測
P10 概率分類模型
P11 logistic迴歸
P12 作業2-贏家還是輸家
P13 深度學習簡介
P14 反向傳播
P15 深度學習初試
P16 Keras2.0
P17 Keras演示
P18 深度學習技巧
P19 Keras演示2
P20 Tensorflow 實現 Fizz Buzz
P21 卷積神經網絡
P22 為什麼要“深度”學習?
P23 半監督學習
P24 無監督學習-線性降維
P25 無監督學習-詞嵌入
P26 無監督學習-領域嵌入
P27 無監督學習-深度自編碼器
P28 無監督學習-深度生成模型I
P29 無監督學習-深度生成模型II
P30 遷移學習
P31 支持向量機
P32 結構化學習-介紹
P33 結構化學習-線性模型
P34 結構化學習-結構化支持向量機
P35 結構化學習-序列標籤
P36 循環神經網絡I
P37 循環神經網絡II
P38 集成學習
P39 深度強化學習淺析
P40 機器學習的下一步
4. 筆記內容細節展示
4.a 對梯度下降概念的解析
4.b 為什麼需要做特徵縮放
4.c 隱形馬爾科夫鏈的應用
5. 代碼呈現
代碼在李宏毅老師提供代碼的基礎上進行了優化,在Python3上全部調試通過。
5.a 迴歸分析
5.b 深度學習
來源:Datawhale
本文約1600字,建議閱讀7分鐘。
本文哪位大家講解LeeML-Notes中一門中文經典視頻課程——臺大李宏毅的機器學習相關。
[ 導 讀 ]關於機器學習的學習資料從經典書籍、免費公開課到開源項目應有盡有,可謂是太豐富啦,給學習者提供了極大的便利。但網上比比皆是的學習資料大部分都是英文材料,這可難倒了英語不好的學習者,單詞不認識,理解不到位。小編想問:就真的就沒辦法了嘛。其實也不盡然,中文還是有一些不錯的學習資料的,像周志華老師的西瓜書,李航老師的統計學習方法等等都是相當經典的學習資料。今天的主角LeeML-Notes也是和一門中文經典視頻課程--臺大李宏毅的機器學習相關。
目錄
- 李宏毅機器學習簡介
- 《LeeML-Notes》李宏毅機器學習筆記
- 《LeeML-Notes》學習筆記框架
- 筆記內容細節展示
- a.對梯度下降概念的解析
- b.為什麼需要做特徵縮放
- c.隱形馬爾科夫鏈的應用
- 代碼呈現
- a.迴歸分析
- b.深度學習
- 作業展示
- 交流互動
- 開源地址
- 配套視頻
1. 李宏毅機器學習簡介
李宏毅老師的機器學習視頻是機器學習領域經典的中文視頻之一,也被稱為中文世界中最好的機器學習視頻。李老師以幽默風趣的上課風格讓很多晦澀難懂的機器學習理論變得輕鬆易懂,他將理論知識與有趣的例子結合在課堂上展現,並且對深奧的理論知識逐步推導,保證學習者能夠學習到問題的精髓所在。比如老師會經常用寶可夢來結合很多機器學習算法。對於想入門機器學習又想看中文講解的人來說絕對是非常推薦的。
2. 《LeeML-Notes》李宏毅機器學習筆記
LeeML-Notes是Datawhale開源組織又一開源學習項目,由團隊成員王佳旭、金一鳴牽頭,8名成員歷時半年精心打磨而成,實現了李宏毅老師機器學習課程內容的100%復現,並且在此基礎上補充了有助於學習理解的相關資料和內容,對重難點公式進行了補充推導。期間,Datawhale開源組織打造了《李宏毅老師機器學習》的組隊學習,在眾多學習者共同的努力下,對該內容進行了迭代和補充。下面,讓我們來詳細瞭解下工作詳情吧。
具體準備工作:
- 2019年2月--2019年4月:筆記整理初級階段,視頻100%復現
- 2019年4月--2019年6月:網站搭建,對筆記內容及排版迭代優化
- 2019年5月--2019年6月:組隊學習《李宏毅機器學習》並對內容進行迭代完善
- 2019年7月:最後內容修正,正式推廣
下圖為修訂記錄表:
3. 《LeeML-Notes》學習筆記框架
內容在整體框架上與李宏毅老師的機器學習課程保持一致,主要由監督學習、半監督學習、遷移學習、無監督學習、監督學習中的結構化學習以及強化學習構成。建議學習過程中將李宏毅老師的視頻和這份資料搭配使用,效果極佳。筆記也是和課程視頻完全同步。
目錄詳情見下:
目錄
P1 機器學習介紹
P2 為什麼要學習機器學習
P3 迴歸
P4 迴歸-演示
P5 誤差從哪來?
P6 梯度下降
P7 梯度下降(用AOE演示)
P8 梯度下降(用Minecraft演示)
P9 作業1-PM2.5預測
P10 概率分類模型
P11 logistic迴歸
P12 作業2-贏家還是輸家
P13 深度學習簡介
P14 反向傳播
P15 深度學習初試
P16 Keras2.0
P17 Keras演示
P18 深度學習技巧
P19 Keras演示2
P20 Tensorflow 實現 Fizz Buzz
P21 卷積神經網絡
P22 為什麼要“深度”學習?
P23 半監督學習
P24 無監督學習-線性降維
P25 無監督學習-詞嵌入
P26 無監督學習-領域嵌入
P27 無監督學習-深度自編碼器
P28 無監督學習-深度生成模型I
P29 無監督學習-深度生成模型II
P30 遷移學習
P31 支持向量機
P32 結構化學習-介紹
P33 結構化學習-線性模型
P34 結構化學習-結構化支持向量機
P35 結構化學習-序列標籤
P36 循環神經網絡I
P37 循環神經網絡II
P38 集成學習
P39 深度強化學習淺析
P40 機器學習的下一步
4. 筆記內容細節展示
4.a 對梯度下降概念的解析
4.b 為什麼需要做特徵縮放
4.c 隱形馬爾科夫鏈的應用
5. 代碼呈現
代碼在李宏毅老師提供代碼的基礎上進行了優化,在Python3上全部調試通過。
5.a 迴歸分析
5.b 深度學習
6. 作業展示
對筆記課程的作業進行了講解與解讀,並且總結了一些需要注意的點,同樣在Python3上調試通過。
來源:Datawhale
本文約1600字,建議閱讀7分鐘。
本文哪位大家講解LeeML-Notes中一門中文經典視頻課程——臺大李宏毅的機器學習相關。
[ 導 讀 ]關於機器學習的學習資料從經典書籍、免費公開課到開源項目應有盡有,可謂是太豐富啦,給學習者提供了極大的便利。但網上比比皆是的學習資料大部分都是英文材料,這可難倒了英語不好的學習者,單詞不認識,理解不到位。小編想問:就真的就沒辦法了嘛。其實也不盡然,中文還是有一些不錯的學習資料的,像周志華老師的西瓜書,李航老師的統計學習方法等等都是相當經典的學習資料。今天的主角LeeML-Notes也是和一門中文經典視頻課程--臺大李宏毅的機器學習相關。
目錄
- 李宏毅機器學習簡介
- 《LeeML-Notes》李宏毅機器學習筆記
- 《LeeML-Notes》學習筆記框架
- 筆記內容細節展示
- a.對梯度下降概念的解析
- b.為什麼需要做特徵縮放
- c.隱形馬爾科夫鏈的應用
- 代碼呈現
- a.迴歸分析
- b.深度學習
- 作業展示
- 交流互動
- 開源地址
- 配套視頻
1. 李宏毅機器學習簡介
李宏毅老師的機器學習視頻是機器學習領域經典的中文視頻之一,也被稱為中文世界中最好的機器學習視頻。李老師以幽默風趣的上課風格讓很多晦澀難懂的機器學習理論變得輕鬆易懂,他將理論知識與有趣的例子結合在課堂上展現,並且對深奧的理論知識逐步推導,保證學習者能夠學習到問題的精髓所在。比如老師會經常用寶可夢來結合很多機器學習算法。對於想入門機器學習又想看中文講解的人來說絕對是非常推薦的。
2. 《LeeML-Notes》李宏毅機器學習筆記
LeeML-Notes是Datawhale開源組織又一開源學習項目,由團隊成員王佳旭、金一鳴牽頭,8名成員歷時半年精心打磨而成,實現了李宏毅老師機器學習課程內容的100%復現,並且在此基礎上補充了有助於學習理解的相關資料和內容,對重難點公式進行了補充推導。期間,Datawhale開源組織打造了《李宏毅老師機器學習》的組隊學習,在眾多學習者共同的努力下,對該內容進行了迭代和補充。下面,讓我們來詳細瞭解下工作詳情吧。
具體準備工作:
- 2019年2月--2019年4月:筆記整理初級階段,視頻100%復現
- 2019年4月--2019年6月:網站搭建,對筆記內容及排版迭代優化
- 2019年5月--2019年6月:組隊學習《李宏毅機器學習》並對內容進行迭代完善
- 2019年7月:最後內容修正,正式推廣
下圖為修訂記錄表:
3. 《LeeML-Notes》學習筆記框架
內容在整體框架上與李宏毅老師的機器學習課程保持一致,主要由監督學習、半監督學習、遷移學習、無監督學習、監督學習中的結構化學習以及強化學習構成。建議學習過程中將李宏毅老師的視頻和這份資料搭配使用,效果極佳。筆記也是和課程視頻完全同步。
目錄詳情見下:
目錄
P1 機器學習介紹
P2 為什麼要學習機器學習
P3 迴歸
P4 迴歸-演示
P5 誤差從哪來?
P6 梯度下降
P7 梯度下降(用AOE演示)
P8 梯度下降(用Minecraft演示)
P9 作業1-PM2.5預測
P10 概率分類模型
P11 logistic迴歸
P12 作業2-贏家還是輸家
P13 深度學習簡介
P14 反向傳播
P15 深度學習初試
P16 Keras2.0
P17 Keras演示
P18 深度學習技巧
P19 Keras演示2
P20 Tensorflow 實現 Fizz Buzz
P21 卷積神經網絡
P22 為什麼要“深度”學習?
P23 半監督學習
P24 無監督學習-線性降維
P25 無監督學習-詞嵌入
P26 無監督學習-領域嵌入
P27 無監督學習-深度自編碼器
P28 無監督學習-深度生成模型I
P29 無監督學習-深度生成模型II
P30 遷移學習
P31 支持向量機
P32 結構化學習-介紹
P33 結構化學習-線性模型
P34 結構化學習-結構化支持向量機
P35 結構化學習-序列標籤
P36 循環神經網絡I
P37 循環神經網絡II
P38 集成學習
P39 深度強化學習淺析
P40 機器學習的下一步
4. 筆記內容細節展示
4.a 對梯度下降概念的解析
4.b 為什麼需要做特徵縮放
4.c 隱形馬爾科夫鏈的應用
5. 代碼呈現
代碼在李宏毅老師提供代碼的基礎上進行了優化,在Python3上全部調試通過。
5.a 迴歸分析
5.b 深度學習
6. 作業展示
對筆記課程的作業進行了講解與解讀,並且總結了一些需要注意的點,同樣在Python3上調試通過。
7. 交流互動
目錄中每一節最後都設置了交流互動區供大家總結學習內容、提出自己的疑問和廣大學習者互動,使用GitHub登錄就好啦,是不是交流起來就方便了許多。
來源:Datawhale
本文約1600字,建議閱讀7分鐘。
本文哪位大家講解LeeML-Notes中一門中文經典視頻課程——臺大李宏毅的機器學習相關。
[ 導 讀 ]關於機器學習的學習資料從經典書籍、免費公開課到開源項目應有盡有,可謂是太豐富啦,給學習者提供了極大的便利。但網上比比皆是的學習資料大部分都是英文材料,這可難倒了英語不好的學習者,單詞不認識,理解不到位。小編想問:就真的就沒辦法了嘛。其實也不盡然,中文還是有一些不錯的學習資料的,像周志華老師的西瓜書,李航老師的統計學習方法等等都是相當經典的學習資料。今天的主角LeeML-Notes也是和一門中文經典視頻課程--臺大李宏毅的機器學習相關。
目錄
- 李宏毅機器學習簡介
- 《LeeML-Notes》李宏毅機器學習筆記
- 《LeeML-Notes》學習筆記框架
- 筆記內容細節展示
- a.對梯度下降概念的解析
- b.為什麼需要做特徵縮放
- c.隱形馬爾科夫鏈的應用
- 代碼呈現
- a.迴歸分析
- b.深度學習
- 作業展示
- 交流互動
- 開源地址
- 配套視頻
1. 李宏毅機器學習簡介
李宏毅老師的機器學習視頻是機器學習領域經典的中文視頻之一,也被稱為中文世界中最好的機器學習視頻。李老師以幽默風趣的上課風格讓很多晦澀難懂的機器學習理論變得輕鬆易懂,他將理論知識與有趣的例子結合在課堂上展現,並且對深奧的理論知識逐步推導,保證學習者能夠學習到問題的精髓所在。比如老師會經常用寶可夢來結合很多機器學習算法。對於想入門機器學習又想看中文講解的人來說絕對是非常推薦的。
2. 《LeeML-Notes》李宏毅機器學習筆記
LeeML-Notes是Datawhale開源組織又一開源學習項目,由團隊成員王佳旭、金一鳴牽頭,8名成員歷時半年精心打磨而成,實現了李宏毅老師機器學習課程內容的100%復現,並且在此基礎上補充了有助於學習理解的相關資料和內容,對重難點公式進行了補充推導。期間,Datawhale開源組織打造了《李宏毅老師機器學習》的組隊學習,在眾多學習者共同的努力下,對該內容進行了迭代和補充。下面,讓我們來詳細瞭解下工作詳情吧。
具體準備工作:
- 2019年2月--2019年4月:筆記整理初級階段,視頻100%復現
- 2019年4月--2019年6月:網站搭建,對筆記內容及排版迭代優化
- 2019年5月--2019年6月:組隊學習《李宏毅機器學習》並對內容進行迭代完善
- 2019年7月:最後內容修正,正式推廣
下圖為修訂記錄表:
3. 《LeeML-Notes》學習筆記框架
內容在整體框架上與李宏毅老師的機器學習課程保持一致,主要由監督學習、半監督學習、遷移學習、無監督學習、監督學習中的結構化學習以及強化學習構成。建議學習過程中將李宏毅老師的視頻和這份資料搭配使用,效果極佳。筆記也是和課程視頻完全同步。
目錄詳情見下:
目錄
P1 機器學習介紹
P2 為什麼要學習機器學習
P3 迴歸
P4 迴歸-演示
P5 誤差從哪來?
P6 梯度下降
P7 梯度下降(用AOE演示)
P8 梯度下降(用Minecraft演示)
P9 作業1-PM2.5預測
P10 概率分類模型
P11 logistic迴歸
P12 作業2-贏家還是輸家
P13 深度學習簡介
P14 反向傳播
P15 深度學習初試
P16 Keras2.0
P17 Keras演示
P18 深度學習技巧
P19 Keras演示2
P20 Tensorflow 實現 Fizz Buzz
P21 卷積神經網絡
P22 為什麼要“深度”學習?
P23 半監督學習
P24 無監督學習-線性降維
P25 無監督學習-詞嵌入
P26 無監督學習-領域嵌入
P27 無監督學習-深度自編碼器
P28 無監督學習-深度生成模型I
P29 無監督學習-深度生成模型II
P30 遷移學習
P31 支持向量機
P32 結構化學習-介紹
P33 結構化學習-線性模型
P34 結構化學習-結構化支持向量機
P35 結構化學習-序列標籤
P36 循環神經網絡I
P37 循環神經網絡II
P38 集成學習
P39 深度強化學習淺析
P40 機器學習的下一步
4. 筆記內容細節展示
4.a 對梯度下降概念的解析
4.b 為什麼需要做特徵縮放
4.c 隱形馬爾科夫鏈的應用
5. 代碼呈現
代碼在李宏毅老師提供代碼的基礎上進行了優化,在Python3上全部調試通過。
5.a 迴歸分析
5.b 深度學習
6. 作業展示
對筆記課程的作業進行了講解與解讀,並且總結了一些需要注意的點,同樣在Python3上調試通過。
7. 交流互動
目錄中每一節最後都設置了交流互動區供大家總結學習內容、提出自己的疑問和廣大學習者互動,使用GitHub登錄就好啦,是不是交流起來就方便了許多。
8. 配套視頻
李宏毅機器學習視頻:
https://www.bilibili.com/video/av59538266
編輯:王菁
校對:楊學俊
— 完 —
關注清華-青島數據科學研究院官方微信公眾平臺“THU數據派”及姊妹號“數據派THU”獲取更多講座福利及優質內容。