查看原文
其他

下载量过百万的吴恩达机器学习和深度学习笔记更新了!(附PDF下载)

机器学习初学者 机器学习初学者 2022-05-16

今天,我把吴恩达机器学习和深度学习课程笔记都更新了,并提供下载,这两本笔记非常适合机器学习和深度学习入门。(作者:黄海广)

0.导语

我和同学将吴恩达老师机器学习和深度学习课程笔记做成了打印版,放在github上,下载后可以打印。笔记基于课程视频和字幕制作。感谢吴恩达老师为广大爱好者提供如此实用的教程!

2018-4-28 公布了深度学习笔记的word和markdown文件!

目前仅在github渠道,累计下载超过了100万次!

本次更新:很多同学说看不懂公式,我增加了数学基础作为附件放在笔记里,供查阅。

笔记可以作为大学本科、硕士、博士的辅助教材。请不要用于商业用途。

如果需要引用这个Repo:

机器学习笔记引用格式:

 fengdu78, Coursera-ML-AndrewNg-Notes, (2018), GitHub repository, https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

深度学习笔记引用格式: 

fengdu78, deeplearning_ai_books,(2018), GitHub repository, https://github.com/fengdu78/deeplearning_ai_books

同学们可以自由打印。机器学习笔记pdf一共336页,深度笔记pdf一共781页,建议去网上找打印店(5分钱双面的很多)。

Github 地址:

  • 1.吴恩达老师的机器学习课程个人笔记(star 数量:16k+)
    https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
  • 2.吴恩达老师的深度学习课程笔记及资源(star 数量:10.5k+)
    https://github.com/fengdu78/deeplearning_ai_books
    百度云下载(我的github镜像文件,若被和谐掉,建议在公众号回复“1978”获取):
    黄博的github全站下载地址:
    不下载全站,那么就直接“载笔记pdf”下这个文件夹

链接:https://pan.baidu.com/s/1XHZA0jCIANotJJFCSEpiHg 

提取码:i0rt 


笔记打印效果图(现在比这个还厚了,希望有心理准备)

1.吴恩达老师的机器学习课程个人笔记

吴恩达老师的机器学习课程个人笔记、翻译的字幕(含视频)、复现的 python 代码等,同时笔记的 word 和 markdown 文件也开源了。

原课程的作业代码是 octave 的,现在几乎用不到了,我用 Python 复现了课程代码,并且公开了笔记的 word 和 markdown 版本。

笔记pdf一共336页。

2014 年 12 月时,我发动几位博士来一起翻译《吴恩达机器学习》视频字幕,整理和翻译了大部分视频,并把视频和中英文字幕压制到 mkv 文件中去。(目前该视频字幕已经无偿送给网易云课堂:吴恩达机器学习课程。)

此外,GitHub 里有离线视频下载,中英文字幕的。github 地址(标星 16k+ ):

https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes


笔记目录


1

1、          引言(Introduction)

1.1 欢迎

1.2 机器学习是什么?

1.3 监督学习

1.4 无监督学习

2、          单变量线性回归(Linear Regression with One Variable)

2.1 模型表示

2.2 代价函数

2.3 代价函数的直观理解I

2.4 代价函数的直观理解II

2.5 梯度下降

2.6 梯度下降的直观理解

2.7 梯度下降的线性回归

2.8 接下来的内容

3、          线性代数回顾(Linear Algebra Review)

3.1 矩阵和向量

3.2 加法和标量乘法

3.3 矩阵向量乘法

3.4 矩阵乘法

3.5 矩阵乘法的性质

3.6 逆、转置


2

4、          多变量线性回归(Linear Regression with Multiple Variables)

4.1 多维特征

4.2 多变量梯度下降

4.3 梯度下降法实践1-特征缩放

4.4 梯度下降法实践2-学习率

4.5 特征和多项式回归

4.6 正规方程

4.7 正规方程及不可逆性(选修)

5、          Octave教程(Octave Tutorial)

5.1 基本操作

5.2 移动数据

5.3 计算数据

5.4 绘图数据

5.5 控制语句:for,while,if语句

5.6 向量化

5.7 工作和提交的编程练习


3

6、          逻辑回归(Logistic Regression)

6.1 分类问题

6.2 假说表示

6.3 判定边界

6.4 代价函数

6.5 简化的成本函数和梯度下降

6.6 高级优化

6.7 多类别分类:一对多

7、          正则化(Regularization)

7.1 过拟合的问题

7.2 代价函数

7.3 正则化线性回归

7.4 正则化的逻辑回归模型


4

8、          神经网络:表述(Neural Networks: Representation)

8.1 非线性假设

8.2 神经元和大脑

8.3 模型表示1

8.4 模型表示2

8.5 特征和直观理解1

8.6 样本和直观理解II

8.7 多类分类

5

9、          神经网络的学习(Neural Networks: Learning)

9.1 代价函数

9.2 反向传播算法

9.3 反向传播算法的直观理解

9.4 实现注意:展开参数

9.5 梯度检验

9.6 随机初始化

9.7 综合起来

9.8 自主驾驶


6

10、        应用机器学习的建议(Advice for Applying Machine Learning)

10.1 决定下一步做什么

10.2 评估一个假设

10.3 模型选择和交叉验证集

10.4 诊断偏差和方差

10.5 正则化和偏差/方差

10.6 学习曲线

10.7 决定下一步做什么

11、        机器学习系统的设计(Machine Learning System Design)

11.1 首先要做什么

11.2 误差分析

11.3 类偏斜的误差度量

11.4 查准率和查全率之间的权衡

11.5 机器学习的数据


7

12、        支持向量机(Support Vector Machines)

12.1 优化目标

12.2 大边界的直观理解

12.3大边界分类背后的数学(选修)

12.4 核函数1

12.5 核函数2

12.6 使用支持向量机


8

13、        聚类(Clustering)

13.1 无监督学习:简介

13.2 K-均值算法

13.3 优化目标

13.4 随机初始化

13.5 选择聚类数

14、        降维(Dimensionality Reduction)

14.1 动机一:数据压缩

14.2 动机二:数据可视化

14.3 主成分分析问题

14.4 主成分分析算法

14.5 选择主成分的数量

14.6 重建的压缩表示

14.7 主成分分析法的应用建议


9

15、        异常检测(Anomaly Detection)

15.1 问题的动机

15.2 高斯分布

15.3 算法

15.4 开发和评价一个异常检测系统

15.5 异常检测与监督学习对比

15.6 选择特征

15.7 多元高斯分布(选修)

15.8 使用多元高斯分布进行异常检测(选修)

16、        推荐系统(Recommender Systems)

16.1 问题形式化

16.2 基于内容的推荐系统

16.3 协同过滤

16.4 协同过滤算法

16.5 向量化:低秩矩阵分解

16.6 推行工作上的细节:均值归一化


10

17、        大规模机器学习(Large Scale Machine Learning)

17.1 大型数据集的学习

17.2 随机梯度下降法

17.3 小批量梯度下降

17.4 随机梯度下降收敛

17.5 在线学习

17.6 映射化简和数据并行

18、        应用实例:图片文字识别(Application Example: Photo OCR)

18.1 问题描述和流程图

18.2 滑动窗口

18.3 获取大量数据和人工数据

18.4 上限分析:哪部分管道的接下去做

19、        总结(Conclusion)

19.1 总结和致谢


附件

CS229 机器学习课程复习材料-线性代数

1. 基础概念和符号

2. 矩阵乘法

3 运算和属性

4.矩阵微积分

CS229 机器学习课程复习材料-概率论

1. 概率的基本要素

2. 随机变量

3. 两个随机变量

4. 多个随机变量

5. 其他资源


机器学习的数学基础(国内教材)

高等数学

线性代数

概率论和数理统计

2.吴恩达老师的深度学习课程笔记及资源

2017 年 8 月,吴恩达老师推出了深度学习课(DeepLearning.ai),这门课是陆续推出的,我组织了很多同学来一起编写,最后由整理成 word 和 markdown 文件,此外,我对 DeepLearning.ai 的课后测试题进行了翻译,建议初学者学习。所有题目都翻译完毕,适合英文不好的同学学习。

笔记pdf一共781页。

笔记 pdf(word、markdown)、测试题、离线视频都放到了 GitHub 上,收获 10.5k+star,并提供下载:

https://github.com/fengdu78/deeplearning_ai_books


笔记目录


第一门课神经网络和深度学习(Neural Networks and Deep Learning)

第一周:深度学习引言(Introduction to Deep Learning)

1.1 欢迎(Welcome)

1.2 什么是神经网络?(What is a Neural Network)

1.3 神经网络的监督学习(Supervised Learning with Neural Networks)

1.4 为什么深度学习会兴起?(Why is Deep Learning taking off?)

1.5 关于这门课(About this Course)

1.6 课程资源(Course Resources)


第二周:神经网络的编程基础(Basics of Neural Network programming)

2.1 二分类(Binary Classification)

2.2 逻辑回归(Logistic Regression)

2.3 逻辑回归的代价函数(Logistic Regression Cost Function)

2.4 梯度下降法(Gradient Descent)

2.5 导数(Derivatives)

2.6 更多的导数例子(More Derivative Examples)

2.7 计算图(Computation Graph)

2.8 使用计算图求导数(Derivatives with a Computation Graph)

2.9 逻辑回归中的梯度下降(Logistic Regression Gradient Descent)

2.10 m 个样本的梯度下降(Gradient Descent on m Examples)

2.11 向量化(Vectorization)

2.12 向量化的更多例子(More Examples of Vectorization)

2.13 向量化逻辑回归(Vectorizing Logistic Regression)

2.14 向量化 logistic 回归的梯度输出(VectorizingLogistic Regression's Gradient)

2.15 Python 中的广播(Broadcasting in Python)

2.16 关于 python _ numpy 向量的说明(A note on python or numpy vectors)参考视频:

2.17 Jupyter/iPythonNotebooks快速入门(Quick tour of Jupyter/iPython Notebooks)

2.18 (选修)logistic 损失函数的解释(Explanationof logistic regression cost function)


第三周:浅层神经网络(Shallow neural networks)

3.1 神经网络概述(Neural Network Overview)

3.2 神经网络的表示(Neural Network Representation)

3.3 计算一个神经网络的输出(Computing a Neural Network's output)

3.4 多样本向量化(Vectorizing across multiple examples)

3.5 向量化实现的解释(Justification for vectorized implementation)

3.6 激活函数(Activation functions)

3.7 为什么需要非线性激活函数?(why need a nonlinear activation function?)

3.8 激活函数的导数(Derivatives of activation functions)

3.9 神经网络的梯度下降(Gradient descent for neural networks)

3.10(选修)直观理解反向传播(Backpropagation intuition)

3.11 随机初始化(Random+Initialization)


第四周:深层神经网络(Deep Neural Networks)

4.1 深层神经网络(Deep L-layer neural network)

4.2 前向传播和反向传播(Forward and backward propagation)

4.3 深层网络中的前向传播(Forward propagation in a Deep Network)

4.4 核对矩阵的维数(Getting your matrix dimensions right)

4.5 为什么使用深层表示?(Why deep representations?)

4.6 搭建神经网络块(Building blocks of deep neural networks)

4.7 参数VS超参数(Parameters vsHyperparameters)

4.8 深度学习和大脑的关联性(What does this have to do with the brain?)


第二门课改善深层神经网络:超参数调试、正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning,Regularization and Optimization)

第一周:深度学习的实践层面(Practical aspects of Deep Learning)

1.1 训练,验证,测试集(Train / Dev / Test sets)

1.2 偏差,方差(Bias /Variance)

1.3 机器学习基础(Basic Recipe for Machine Learning)

1.4 正则化(Regularization)

1.5 为什么正则化有利于预防过拟合呢?(Why regularization reduces overfitting?)

1.6 dropout 正则化(Dropout Regularization)

1.7 理解 dropout(UnderstandingDropout)

1.8 其他正则化方法(Other regularization methods)

1.9 归一化输入(Normalizing inputs)

1.10 梯度消失/梯度爆炸(Vanishing /Exploding gradients)

1.11 神经网络的权重初始化(Weight Initialization for Deep Networks)

1.12 梯度的数值逼近(Numerical approximation of gradients)

1.13 梯度检验(Gradient checking)

1.14 梯度检验应用的注意事项(Gradient Checking Implementation Notes)


第二周:优化算法 (Optimization algorithms)

2.1 Mini-batch 梯度下降(Mini-batch gradient descent)

2.2 理解mini-batch梯度下降法(Understandingmini-batch gradient descent)

2.3 指数加权平均数(Exponentially weighted averages)

2.4 理解指数加权平均数(Understanding exponentially weighted averages)

2.5 指数加权平均的偏差修正(Bias correction in exponentially weighted averages)

2.6 动量梯度下降法(Gradient descent with Momentum)

2.7 RMSprop

2.8 Adam 优化算法(Adam optimization algorithm)

2.9 学习率衰减(Learning rate decay)

2.10 局部最优的问题(The problem of local optima)


第三周超参数调试、Batch正则化和程序框架(Hyperparametertuning)

3.1 调试处理(Tuning process)

3.2 为超参数选择合适的范围(Using an appropriate scale to pick hyperparameters)

3.3 超参数调试实践:Pandas VS Caviar(Hyperparameters tuning in practice: Pandas vs. Caviar)

3.4 归一化网络的激活函数(Normalizing activations in a network)

3.5 将 Batch Norm 拟合进神经网络(FittingBatch Norm into a neural network)

3.6 Batch Norm 为什么奏效?(Why does Batch Norm work?)

3.7 测试时的 Batch Norm(Batch Normat test time)

3.8 Softmax 回归(Softmax regression)

3.9 训练一个 Softmax 分类器(Traininga Softmax classifier)

3.10 深度学习框架(Deep Learning frameworks)

3.11 TensorFlow


第三门课结构化机器学习项目(Structuring Machine Learning Projects)

第一周机器学习(ML)策略(1)(ML strategy(1))

1.1 为什么是ML策略?(Why ML Strategy?)

1.2 正交化(Orthogonalization)

1.3 单一数字评估指标(Single number evaluation metric)

1.4 满足和优化指标(Satisficing and optimizing metrics)

1.5 训练/开发/测试集划分(Train/dev/test distributions)

1.6 开发集和测试集的大小(Size of dev and test sets)

1.7 什么时候该改变开发/测试集和指标?(When to changedev/test sets and metrics)

1.8 为什么是人的表现?(Why human-level performance?)

1.9 可避免偏差(Avoidable bias)

1.10 理解人的表现(Understanding human-level performance)

1.11 超过人的表现(Surpassing human- level performance)

1.12 改善你的模型的表现(Improving your model performance)


第二周:机器学习策略(2)(ML Strategy (2))

2.1 进行误差分析(Carrying out error analysis)

2.2 清除标注错误的数据(Cleaning up Incorrectly labeled data)

2.3 快速搭建你的第一个系统,并进行迭代(Build your first system quickly, then iterate)

2.4 使用来自不同分布的数据进行训练和测试(Training and testing on different distributions)

2.5 数据分布不匹配时的偏差与方差的分析(Bias and Variance with mismatched data distributions)

2.6 处理数据不匹配问题(Addressing data mismatch)

2.7 迁移学习(Transfer learning)

2.8 多任务学习(Multi-task learning)

2.9 什么是端到端的深度学习?(What is end-to-end deep learning?)

2.10 是否要使用端到端的深度学习?(Whether to use end-to-end learning?)


第四门课卷积神经网络(Convolutional Neural Networks)

第一周卷积神经网络(Foundations of Convolutional Neural Networks)

1.1 计算机视觉(Computer vision)

1.2 边缘检测示例(Edge detection example)

1.3 更多边缘检测内容(More edge detection)

1.4 Padding

1.5 卷积步长(Strided convolutions)

1.6 三维卷积(Convolutions over volumes)

1.7 单层卷积网络(One layer of a convolutional network)

1.8 简单卷积网络示例(A simple convolution network example)

1.9 池化层(Pooling layers)

1.10 卷积神经网络示例(Convolutional neural network example)

1.11 为什么使用卷积?(Why convolutions?)


第二周深度卷积网络:实例探究(Deep convolutional models: case studies)

2.1 为什么要进行实例探究?(Why look at case studies?)

2.2 经典网络(Classic networks)

2.3 残差网络(ResNets)(Residual Networks (ResNets))

2.4 残差网络为什么有用?(Why ResNets work?)

2.5 网络中的网络以及 1×1 卷积(Network in Networkand 1×1 convolutions)

2.6 谷歌 Inception 网络简介(Inceptionnetwork motivation)

2.7 Inception 网络(Inception network)

2.8 使用开源的实现方案(Using open-source implementations)

2.9 迁移学习(Transfer Learning)

2.10 数据增强(Data augmentation)

2.11 计算机视觉现状(The state of computer vision)


第三周目标检测(Object detection)

3.1 目标定位(Object localization)

3.2 特征点检测(Landmark detection)

3.3 目标检测(Object detection)

3.4滑动窗口的卷积实现(Convolutional implementation of sliding windows)

3.5 Bounding Box预测(Bounding box predictions)

3.6 交并比(Intersection over union)

3.7 非极大值抑制(Non-max suppression)

3.8 Anchor Boxes

3.9 YOLO 算法(Putting it together: YOLO algorithm)

3.10 候选区域(选修)(Region proposals (Optional))


第四周特殊应用:人脸识别和神经风格转换(Special applications: Face recognition &Neural styletransfer)

4.1 什么是人脸识别?(What is face recognition?)

4.2 One-Shot学习(One-shot learning)

4.3 Siamese 网络(Siamese network)

4.4 Triplet 损失(Triplet 损失)

4.5 人脸验证与二分类(Face verification and binary classification)

4.6 什么是神经风格迁移?(What is neural style transfer?)

4.7深度卷积网络学习什么?(What are deep ConvNets learning?)

4.8 代价函数(Cost function)

4.9 内容代价函数(Content cost function)

4.10 风格代价函数(Style cost function)

4.11 一维到三维推广(1D and 3D generalizations of models)


第五门课序列模型(Sequence Models)

第一周循环序列模型(Recurrent Neural Networks)

1.1 为什么选择序列模型?(Why Sequence Models?)

1.2 数学符号(Notation)

1.3 循环神经网络模型(Recurrent Neural Network Model)

1.4 通过时间的反向传播(Backpropagation through time)

1.5 不同类型的循环神经网络(Different types of RNNs)

1.6 语言模型和序列生成(Language model and sequence generation)

1.7 对新序列采样(Sampling novel sequences)

1.8 循环神经网络的梯度消失(Vanishing gradients with RNNs)

1.9 GRU单元(Gated Recurrent Unit(GRU))

1.10 长短期记忆(LSTM(long short term memory)unit)

1.11 双向循环神经网络(Bidirectional RNN)

1.12 深层循环神经网络(Deep RNNs)


第二周自然语言处理与词嵌入(Natural Language Processing and Word Embeddings)

2.1 词汇表征(Word Representation)

2.2 使用词嵌入(Using Word Embeddings)

2.3 词嵌入的特性(Properties of Word Embeddings)

2.4 嵌入矩阵(Embedding Matrix)

2.5 学习词嵌入(Learning Word Embeddings)

2.6 Word2Vec

2.7 负采样(Negative Sampling)

2.8 GloVe 词向量(GloVe Word Vectors)

2.9 情感分类(Sentiment Classification)

2.10 词嵌入除偏(Debiasing Word Embeddings)


第三周序列模型和注意力机制(Sequence models & Attention mechanism

3.1 序列结构的各种序列(Various sequence to sequence architectures)

3.2 选择最可能的句子(Picking the most likely sentence)

3.3 集束搜索(Beam Search)

3.4 改进集束搜索(Refinements to Beam Search)

3.5 集束搜索的误差分析(Error analysis in beam search)

3.6 Bleu 得分(选修)(Bleu Score (optional))

3.7 注意力模型直观理解(Attention Model Intuition)

3.8 注意力模型(Attention Model)

3.9 语音识别(Speech recognition)

3.10 触发字检测(Trigger Word Detection)

3.11 结论和致谢(Conclusion and thank you)


附件

榜样的力量-吴恩达采访人工智能大师实录

吴恩达采访 Geoffery Hinton

吴恩达采访 Ian Goodfellow

吴恩达采访 Ruslan Salakhutdinov

吴恩达采访 Yoshua Bengio

吴恩达采访林元庆

吴恩达采访 Pieter Abbeel

吴恩达采访 Andrej Karpathy

深度学习符号指南(原课程翻译)


CS229 机器学习课程复习材料-线性代数

1. 基础概念和符号

2. 矩阵乘法

3 运算和属性

4.矩阵微积分


CS229 机器学习课程复习材料-概率论

1. 概率的基本要素

2. 随机变量

3. 两个随机变量

4. 多个随机变量

5. 其他资源


机器学习的数学基础(国内教材)

高等数学

线性代数

概率论和数理统计

快速下载

吴恩达老师的机器学习课程个人笔记、翻译的字幕(含视频)、复现的 python 代码等,同时笔记的 word 和 markdown 文件也开源了。

网速快的直接在Github 地址下载全站:

  • 1.吴恩达老师的机器学习课程个人笔记(star 数量:16k+)
    https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
  • 2.吴恩达老师的深度学习课程笔记及资源(star 数量:10.5k+)
    https://github.com/fengdu78/deeplearning_ai_books

网速慢的建议下载百度云镜像:

直接扫码公众号回复“1978”获取网址下载。

里面包括了视频、笔记、代码等。


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存