[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-1468":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":10,"language":11,"languages":10,"totalLinesOfCode":10,"stars":12,"forks":13,"watchers":14,"openIssues":15,"contributorsCount":16,"subscribersCount":16,"size":16,"stars1d":17,"stars7d":18,"stars30d":19,"stars90d":16,"forks30d":16,"starsTrendScore":20,"compositeScore":20,"rankGlobal":10,"rankLanguage":10,"license":10,"archived":21,"fork":21,"defaultBranch":22,"hasWiki":23,"hasPages":23,"topics":24,"createdAt":10,"pushedAt":10,"updatedAt":27,"readmeContent":28,"aiSummary":29,"trendingCount":16,"starSnapshotCount":16,"syncStatus":30,"lastSyncTime":31,"discoverSource":32},1468,"Coursera-ML-AndrewNg-Notes","fengdu78\u002FCoursera-ML-AndrewNg-Notes","fengdu78","吴恩达老师的机器学习课程个人笔记","",null,"HTML",37134,11182,1003,55,0,9,59,235,45,false,"master",true,[25,26],"coursera","machine-learning","2026-06-12 02:00:28","**斯坦福大学2014（吴恩达）机器学习教程中文笔记**\n\n课程地址：\u003Chttps:\u002F\u002Fwww.coursera.org\u002Fcourse\u002Fml>\n\n[**笔记在线阅读**](http:\u002F\u002Fwww.ai-start.com\u002Fml2014)\n\n**Machine Learning**(机器学习)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。在过去的十年中，机器学习帮助我们自动驾驶汽车，有效的语音识别，有效的网络搜索，并极大地提高了人类基因组的认识。机器学习是当今非常普遍，你可能会使用这一天几十倍而不自知。很多研究者也认为这是最好的人工智能的取得方式。在本课中，您将学习最有效的机器学习技术，并获得实践，让它们为自己的工作。更重要的是，你会不仅得到理论基础的学习，而且获得那些需要快速和强大的应用技术解决问题的实用技术。最后，你会学到一些硅谷利用机器学习和人工智能的最佳实践创新。\n\n本课程提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括：\n\n（一）监督学习（参数\u002F非参数算法，支持向量机，核函数，神经网络）。\n\n（二）无监督学习（聚类，降维，推荐系统，深入学习推荐）。\n\n（三）在机器学习的最佳实践（偏差\u002F方差理论；在机器学习和人工智能创新过程）。本课程还将使用大量的案例研究，您还将学习如何运用学习算法构建智能机器人（感知，控制），文本的理解（**Web**搜索，反垃圾邮件），计算机视觉，医疗信息，音频，数据挖掘，和其他领域。\n\n本课程需要10周共18节课，相对以前的机器学习视频，这个视频更加清晰，而且每课都有**ppt**课件，推荐学习。\n\n本人2014年下半年开始翻译本课程字幕，并写了课程的中文笔记。笔记被下载了几万次，应该帮助了不少人，也有很多人一直在帮助我，现在我把笔记的**word**原稿和**markdown**原稿分享给大家。\n\n**markdown**的笔记和课程中英文字幕我将放在**github**，希望大家能继续完善。为方便数学公式的在线显示，在线观看的是**html**文件，公式已经被转为图片，公式源码在**markdown**文件。\n\n**最后想对各位朋友说：**\n**赠人玫瑰，手有余香！**\n**在人工智能的道路上，你不是一个人在战斗！**\n\n黄海广\n\n2018-3-26 夜\n\n微信公众号：机器学习初学者 ![gongzhong](images\u002Fgongzhong.jpg)\n[我的知乎](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Ffengdu78\u002Factivities)\n\n参考：\n\n1. https:\u002F\u002Fwww.coursera.org\u002Fcourse\u002Fml 机器学习公开课\n2. https:\u002F\u002Fmooc.guokr.com\u002Fnote\u002F12\u002F [小小人_V](https:\u002F\u002Fmooc.guokr.com\u002Fuser\u002F2133483357\u002F) 的个人笔记\n\n3. 《统计学习方法》李航   \n4. 《机器学习课》邹博\n\n备注：吴恩达老师的深度学习课（deepLearning.ai）的笔记地址：https:\u002F\u002Fgithub.com\u002Ffengdu78\u002Fdeeplearning_ai_books\n\n-----------------------\n\n文件夹说明：\n\n**docx**：笔记的**word**版本\n\n**markdown**：笔记的**markdown**版本\n\n**html**：笔记的**html**版本\n\n**images**：笔记的图片\n\n**ppt**：课程的原版课件\n\n**srt**：课程的中英文字幕（**mp4**文件需要在百度云下载，大家可以用记事本或者字幕编辑软件来编辑字幕，共同完善。\n\n百度云链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1h8QjqBlOm0Exh7orm9teMQ 密码：d3we，下载后解压）\n\n**code**：课程的**python**代码\n\n机器学习课程视频：https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1W34y1i7xK\n\n[笔记在线阅读](http:\u002F\u002Fwww.ai-start.com\u002Fml2014)\n\n笔记pdf版本下载 ：见**Github**根目录。\n\n机器学习qq群：955171419（我们有13个群，加过一个就不需要加了）\n\n-----------------------\n\n# 机器学习教程中文笔记目录\n\n- [第一周](markdown\u002Fweek1.md)\n\n一、 引言(**Introduction**) \n\n1.1 欢迎 \n\n1.2 机器学习是什么？ \n\n1.3 监督学习 \n\n1.4 无监督学习 \n\n二、单变量线性回归(**Linear Regression with One Variable**) \n\n2.1 模型表示 \n\n2.2 代价函数 \n\n2.3 代价函数的直观理解I \n\n2.4 代价函数的直观理解II \n\n2.5 梯度下降 \n\n2.6 梯度下降的直观理解 \n\n2.7 梯度下降的线性回归 \n\n2.8 接下来的内容 \n\n三、线性代数回顾(**Linear Algebra Review**) \n\n3.1 矩阵和向量 \n\n3.2 加法和标量乘法 \n\n3.3 矩阵向量乘法 \n\n3.4 矩阵乘法 \n\n3.5 矩阵乘法的性质 \n\n3.6 逆、转置\n\n- [第二周](markdown\u002Fweek2.md)\n\n四、多变量线性回归(**Linear Regression with Multiple Variables**) \n\n4.1 多维特征 \n\n4.2 多变量梯度下降 \n\n4.3 梯度下降法实践1-特征缩放 \n\n4.4 梯度下降法实践2-学习率 \n\n4.5 特征和多项式回归 \n\n4.6 正规方程 \n\n4.7 正规方程及不可逆性（选修） \n\n五、Octave教程(**Octave Tutorial**) \n\n5.1 基本操作 \n\n5.2 移动数据 \n\n5.3 计算数据 \n\n5.4 绘图数据 \n\n5.5 控制语句：**for**，**while**，**if**语句 \n\n5.6 向量化 88\n\n5.7 工作和提交的编程练习 \n\n- [第三周](markdown\u002Fweek3.md)\n\n六、逻辑回归(**Logistic Regression**) \n\n6.1 分类问题 \n\n6.2 假说表示 \n\n6.3 判定边界 \n\n6.4 代价函数 \n\n6.5 简化的成本函数和梯度下降 \n\n6.6 高级优化 \n\n6.7 多类别分类：一对多 \n\n七、正则化(**Regularization**) \n\n7.1 过拟合的问题 \n\n7.2 代价函数 \n\n7.3 正则化线性回归 \n\n7.4 正则化的逻辑回归模型 \n\n- [第四周](markdown\u002Fweek4.md)\n\n第八、神经网络：表述(**Neural Networks: Representation**) \n\n8.1 非线性假设 \n\n8.2 神经元和大脑 \n\n8.3 模型表示1 \n\n8.4 模型表示2 \n\n8.5 样本和直观理解1 \n\n8.6 样本和直观理解II \n\n8.7 多类分类 \n\n- [第五周](markdown\u002Fweek5.md)\n\n九、神经网络的学习(**Neural Networks: Learning**) \n\n9.1 代价函数 \n\n9.2 反向传播算法 \n\n9.3 反向传播算法的直观理解 \n\n9.4 实现注意：展开参数 \n\n9.5 梯度检验 \n\n9.6 随机初始化 \n\n9.7 综合起来 \n\n9.8 自主驾驶 \n\n- [第六周](markdown\u002Fweek6.md)\n\n十、应用机器学习的建议(**Advice for Applying Machine Learning**) \n\n10.1 决定下一步做什么 \n\n10.2 评估一个假设 \n\n10.3 模型选择和交叉验证集 \n\n10.4 诊断偏差和方差 \n\n10.5 正则化和偏差\u002F方差 \n\n10.6 学习曲线 \n\n10.7 决定下一步做什么 \n\n十一、机器学习系统的设计(**Machine Learning System Design**) \n\n11.1 首先要做什么 \n\n11.2 误差分析 \n\n11.3 类偏斜的误差度量 \n\n11.4 查准率和查全率之间的权衡 \n\n11.5 机器学习的数据 \n\n[第7周](markdown\u002Fweek7.md)\n\n十二、支持向量机(**Support Vector Machines**) \n\n12.1 优化目标 \n\n12.2 大边界的直观理解 \n\n12.3 数学背后的大边界分类（选修） \n\n12.4 核函数1 \n\n12.5 核函数2 \n\n12.6 使用支持向量机 \n\n- [第八周](markdown\u002Fweek8.md)\n\n十三、聚类(**Clustering**) \n\n13.1 无监督学习：简介 \n\n13.2 K-均值算法 \n\n13.3 优化目标 \n\n13.4 随机初始化\n\n13.5 选择聚类数 \n\n十四、降维(**Dimensionality Reduction**) \n\n14.1 动机一：数据压缩 \n\n14.2 动机二：数据可视化 \n\n14.3 主成分分析问题 \n\n14.4 主成分分析算法 \n\n14.5 选择主成分的数量 \n\n14.6 重建的压缩表示 \n\n14.7 主成分分析法的应用建议 \n\n- [第九周](markdown\u002Fweek9.md)\n\n十五、异常检测(**Anomaly Detection**) \n\n15.1 问题的动机 \n\n15.2 高斯分布 \n\n15.3 算法 \n\n15.4 开发和评价一个异常检测系统 \n\n15.5 异常检测与监督学习对比 \n\n15.6 选择特征 \n\n15.7 多元高斯分布（选修） \n\n15.8 使用多元高斯分布进行异常检测（选修） \n\n十六、推荐系统(**Recommender Systems**) \n\n16.1 问题形式化 \n\n16.2 基于内容的推荐系统 \n\n16.3 协同过滤 \n\n16.4 协同过滤算法 \n\n16.5 向量化：低秩矩阵分解 \n\n16.6 推行工作上的细节：均值归一化 \n\n- [第十周](markdown\u002Fweek10.md)\n\n十七、大规模机器学习(**Large Scale Machine Learning**) \n\n17.1 大型数据集的学习 \n\n17.2 随机梯度下降法 \n\n17.3 小批量梯度下降 \n\n17.4 随机梯度下降收敛 \n\n17.5 在线学习 \n\n17.6 映射化简和数据并行 \n\n十八、应用实例：图片文字识别(**Application Example: Photo OCR**) \n\n18.1 问题描述和流程图\n\n18.2 滑动窗口 \n\n18.3 获取大量数据和人工数据 \n\n18.4 上限分析：哪部分管道的接下去做 \n\n十九、总结(**Conclusion**) \n\n19.1 总结和致谢 \n\n------\n\n\n\n**机器学习qq群：955171419（我们有13个群，加过一个就不需要加了）** \n\n","该项目是吴恩达老师在Coursera上的机器学习课程的个人笔记，以中文形式详细记录了课程内容。核心功能包括提供HTML格式的在线阅读笔记、Markdown和Word版本的原稿下载，以及课程PPT、中英文字幕和Python代码等资源。技术特点在于使用Markdown编写并转换为HTML，方便数学公式的在线显示。适合希望系统性学习机器学习基础知识的学生、研究人员或从业者使用，尤其适用于那些偏好中文资料的学习者。",2,"2026-06-11 02:43:57","top_all"]