Coursera上的深度学习专业 这是我本课程的个人项目。 该课程涵盖了从初学者到高级的深度学习。 强烈建议任何想要闯入AI的人。 教师： 课程1. 第一周- 第2周- 第3周- 第四周- 课程2. 第一周- -设置机器学习应用程序-规范化神经网络-设置优化问题 第2周- 第3周-超参数 课程3. 构建机器学习项目 第一周- 机器学习策略简介-设定目标-与人员水平的绩效进行比较 第2周- 机器学习策略（2） -错误分析-培训和开发/测试集不匹配-从多个任务中学习-端到端深度学习 课程4. 卷积神经网络 第一周- 卷积神经网络的基础 第2周- 深度卷积模型：案例研究-阅读文章： 具有深度卷积神经网络的ImageNet分类，用于大规模图像识别的超深度卷积网络 第3周-对象检测-阅读文章：只看一次：统一的实时对象检测， YOLO Week4- 特殊应用：人脸识别和神经风格转换-

机器学习，斯坦福——Andrew NG 百度云，被称为机器学习入门必看教程

Coursera《Machine Learning》（机器学习课程，主讲教师为Andrew Ng）的课程是机器学习的入门经典课程之一，其特点是深入浅出，并且由一些难度适宜的作业（Matlab编程作业）以帮助学员理解理论。但是很多朋友不清楚如何获取到这些作业，因此整理并上传资料

Andrew Ng机器学习.zip 包含吴恩达cs229全部课程教程及练习题

（Andrew Ng版）coursera机器学习课程，含讲义ppt，pdf，mkv视频，教程笔记，源代码等。

斯坦福大学Andrew Ng教授的《机器学习》上课讲义及matlab源码。可配合公开课视频来学，效果很好。

斯坦福大学Andrew_Ng机器学习讲义及作业,原版下载的

多元逻辑斯蒂回归matlab代码机器学习课程 挑战 了解机器学习的基础。 动作 研究了以下概念： 线性回归：训练集，特征，目标变量，假设，学习算法，参数，成本函数，优化问题，梯度下降，学习率，批次梯度下降 多元线性回归：特征缩放，均值归一化，选择学习率，正态方程 逻辑回归：分类，逻辑函数，S形函数，决策边界，非线性决策边界，成本函数，优化算法，多类分类，一对多 正则化：过度拟合，正则化参数，正则线性回归，正则逻辑回归 神经网络：计算机视觉，S型激活函数，层，偏差，正向传播，非线性分类，反向传播算法，随机初始化 模型选择：训练/验证/测试集，诊断偏差和方差，交叉验证错误，正则化，学习曲线，高偏差，高方差，误差分析，精度，召回率，F1得分 支持向量机：SVM假设，大余量分类器，核，相似度，高斯核，线性核，多项式核， 无监督学习：聚类，K-均值 主成分分析：降维，数据压缩，数据可视化，协方差矩阵sigma，sigma的特征向量，压缩表示的重构，pf主成分数，学习加速 k-均值聚类：聚类索引，聚类质心，随机初始化，肘法 异常检测：密度估计，正态与异常，欺诈检测，制造，监控工作参数，高斯分布，特

Andrew-Ng-ML 吴恩达机器学习 编程作业；If you are using Octave (>=3.8.0), or have an existing installation of MATLAB (< R2019b), download this week’s programming assignment here. This ZIP-file contains the instructions in PDF format along with the starter code.

svm算法手写matlab代码Ng的机器学习 该存储库以代码形式包含我的答案，并以pdf形式包含对本课程编程作业的解释。 使用的编程语言是MATLAB。 练习题 下面的结构显示了我如何制作每个pdf报告的鸟瞰图。 练习1：线性回归 该练习涵盖并实施了带有一个变量的线性回归，以预测餐车的利润。 数据包含城市的利润和人口。 1定义问题和数据集2浏览数据3梯度下降3.1更新公式3.2实施3.3计算成本3.4梯度下降4可视化 练习2：逻辑回归 该练习涵盖了应用于两个不同数据集的逻辑回归。 第一个数据集用于创建一个模型，该模型将有助于预测学生是否被大学录取。 第二个数据集用于探索正则化的概念，并预测来自制造工厂的微芯片是否通过了质量保证（QA）。 1 Logistic回归1.1挑战1.2可视化数据1.3实施1.3.1假设和sigmod功能1.3.2成本函数和成本梯度1.3.3使用fminunc学习参数1.3.4评估逻辑回归2正则Logistic回归2.1挑战2.2可视化数据2.3特征映射2.4成本函数和梯度2.5绘制决策边界 练习3：多类别分类和神经网络 该练习涵盖了识别手写数字的多类别分类问题