网络机器人吧社区

【吴恩达主讲CS229机器学习】最新课程安排,附吴恩达ML算法应用建议

机器学习算法与自然语言处理 2019-02-15 14:35:22

记得大学第一次接触机器学习课程的时候,就是在网易公开课上听吴恩达老师的cs229课程,如今,这门经典的课有了新的安排!见下:


斯坦福CS229最新课程表


最新的课程时间从9月25日开始(是的,已经开始了),到12月15日结束。期间一共有21讲和4次项目活动,后者包括项目的提出、中期总结、评审和结案(writeup)。具体的课程安排如下:


简介

  1. 基本概念


监督学习

  1. 监督学习设置,LMS。

  2. 逻辑回归,感知,指数分布族

  3. 生成学习算法,高斯判别分析,朴素贝叶斯,支持向量机

  4. 模型选择和特征选择

  5. 集成方法:Bagging,Boosting

  6. 评估和调试学习算法


学习理论

  1. 偏差/方差tradeoff


项目提出(10月20日 11:59pm)


无监督学习

  1. Clustering,K-means

  2. EM,高斯混合

  3. 因子分析

  4. PCA(主成分分析)

  5. ICA(独立成分分析)


中期考试(11月8日)

Project milestones(11月17日 11:59pm)


强化学习和控制

  1. MDP,贝尔曼方程

  2. 价值迭代和策略迭代

  3. 线性二次调节(LQR),LQG

  4. Q学习,价值函数逼近

  5. 策略搜寻,强化,POMDP


深度学习

  1. 神经网络架构

  2. 前向/后向传播

  3. 矢量

  4. 对抗性


项目展示(12月12日)

项目结案(12月15日)



课程笔记及相关材料



带+/- 1个标签的二进制分类[pdf:http://cs229.stanford.edu/extra-notes/loss-functions.pdf]


提升算法和弱学习[pdf:http://cs229.stanford.edu/extra-notes/boosting.pdf]


Representer定理[pdf:http://cs229.stanford.edu/extra-notes/representer-function.pdf]


Hoeffding不等式[pdf:http://cs229.stanford.edu/extra-notes/hoeffding.pdf]


线性代数评估与参考[pdf:http://cs229.stanford.edu/section/cs229-linalg.pdf]


概率论[pdf:http://cs229.stanford.edu/section/cs229-prob.pdf]


Matlab教程的文件:[pdf:http://cs229.stanford.edu/materials/MATLAB_Session.pdf] [sigmoid.m:http://cs229.stanford.edu/section/matlab/sigmoid.m] [logistic_grad_ascent.m:http://cs229.stanford.edu/section/matlab/logistic_grad_ascent.m] [matlab_session.m:http://cs229.stanford.edu/materials/matlab_session.m]


凸度优化概述,第一部分[ps:http://cs229.stanford.edu/section/cs229-cvxopt.ps] [pdf:http://cs229.stanford.edu/section/cs229-cvxopt.pdf]


凸优化概述,第二部分[ps:http://cs229.stanford.edu/section/cs229-cvxopt2.ps] [pdf:http://cs229.stanford.edu/section/cs229-cvxopt2.pdf]


隐马尔可夫模型[ps:http://cs229.stanford.edu/section/cs229-hmm.ps] [pdf:http://cs229.stanford.edu/section/cs229-hmm.pdf]


多变量高斯分布[pdf:http://cs229.stanford.edu/section/gaussians.pdf]


更多关于高斯分布[pdf:http://cs229.stanford.edu/section/more_on_gaussians.pdf]


高斯过程[pdf:http://cs229.stanford.edu/section/cs229-gaussian_processes.pdf]



吴恩达对应用机器学习算法的建议



CS229网站上还给出了吴恩达对应用机器学习算法的建议,也是非常实用的参考资料!


诊断调试学习算法很重要,用来debug的时间绝对是值得的,分析错误能让你对问题有更深刻的理解,从而设计出更好的算法。另外,吴恩达表示,找出诊断错误的方法往往来自于你自己的灵感。


他给出应用机器学习算法的两点建议:


仔细设计算法,然后implement;先快速做一个粗糙的prototype,诊断,弄好,再着手到大的细的模型上去。


推荐阅读:

精选干货|近半年干货目录汇总

干货|台湾大学林轩田机器学习基石课程学习笔记5 -- Training versus Testing

干货|MIT线性代数课程精细笔记[第一课]


          欢迎关注公众号学习交流~       

          欢迎加入交流群交流学习         


Copyright © 网络机器人吧社区@2017