資源 | Hinton、LeCun、吳恩達......不容錯過的15大機器學習課程都在這兒了
翻譯 | AI科技大本營
參與 | 劉暢
編輯 | Donna
連結:http://www.cs.toronto.edu/~tijmen/csc321/
連結:http://www.cs.toronto.edu/~rsalakhu/CSC411/
連結:https://cs.nyu.edu/~yann/2010f-G22-2565-001/index.html
連結:http://work.caltech.edu/telecourse.html
Kilian Weinberger
連結:https://courses.cis.cornell.edu/cs4780/2017sp/
連結:https://www.coursera.org/learn/machine-learning
連結:https://www.coursera.org/learn/neural-networks
連結:http://inverseprobability.com/mlai2015/
連結:http://www.cs.toronto.edu/~rgrosse/courses/csc321_2017/
David J. C. MacKay
http://videolectures.net/course_information_theory_pattern_recognition/
連結:http://www.cs.cmu.edu/~ninamf/courses/601sp15/
佐治亞理工學院——
Michael LittmanCharles Isbell
連結:https://cn.udacity.com/course/machine-learning--ud262
布法羅大學——
Sargur Srihari
連結:http://www.cedar.buffalo.edu/~srihari/CSE574/
連結:https://cn.udacity.com/mlnd
Andrew Moore
連結:http://www.cs.cmu.edu/~awm/tutorials.html
原文地址:https://sky2learn.com/machine-learning-online-courses-and-tutorials.html
相關推薦
資源 | Hinton、LeCun、吳恩達......不容錯過的15大機器學習課程都在這兒了
翻譯 | AI科技大本營參與 | 劉暢編輯 | Donna連結:http://www.cs.to
吳恩達第六講[應用機器學習的建議] -- 評估學習演算法
一、Evaluating a Hypothesis(評估假設) 即使我們已經實現了某種演算法,但是我們可能會發現這種演算法存在很大的問題,這就涉及到了模型的選擇和改進。 在模型選擇之前,我們先來看些該如何評估一個模型。 對於有2個特徵的假設函式來說,我們很容易通過畫圖來判斷它是否過擬合,
Coursera吳恩達《優化深度神經網路》課程筆記(3)-- 超引數除錯、Batch正則化和程式設計框架
上節課我們主要介紹了深度神經網路的優化演算法。包括對原始資料集進行分割,使用mini-batch gradient descent。然後介紹了指數加權平均(Exponentially weighted averages)的概念以及偏移校正(bias corr
吳恩達《神經網路與深度學習》課程筆記歸納(二)-- 神經網路基礎之邏輯迴歸
上節課我們主要對深度學習(Deep Learning)的概念做了簡要的概述。我們先從房價預測的例子出發,建立了標準的神經網路(Neural Network)模型結構。然後從監督式學習入手,介紹了Standard NN,CNN和RNN三種不同的神經網路模型。接著介紹了兩種不
吳恩達《神經網路與深度學習》課程筆記歸納(三)-- 神經網路基礎之Python與向量化
上節課我們主要介紹了邏輯迴歸,以輸出概率的形式來處理二分類問題。我們介紹了邏輯迴歸的Cost function表示式,並使用梯度下降演算法來計算最小化Cost function時對應的引數w和b。通過計算圖的方式來講述了神經網路的正向傳播和反向傳播兩個過程。本節課我們將來
如何免費學習coursera上吳恩達的Neural Networks and Deep Learning課程
首先,在註冊時不要選擇免費試用,而是要選擇旁聽。 進入旁聽之後,中間的部分課程是無法做的,這時候,需要用anaconda的jupyter notebook功能來進行作業。具體方法如下: 安裝後開啟進入到一個資料夾目錄,找到這個目錄在你的資料夾的具體位置。並將作業檔案複
Coursera 吳恩達《神經網路與深度學習》第三週程式設計作業
# Package imports import numpy as np import matplotlib.pyplot as plt from testCases import * import sklearn import sklearn.datasets impo
吳恩達deeplearning.ai第四課學習心得:卷積神經網路與計算機視覺
不久前,Coursera 上放出了吳恩達 deeplearning.ai 的第四門課程《卷積神經網路》。本文是加拿大國家銀行首席分析師 Ryan Shrott 在完成該課程後所寫的學習心得,有助於大家直觀地瞭解、學習計算機視覺。 我最近在 Coursera 上完成了吳恩達教授的計算機視覺課程。吳恩達
Coursera吳恩達《卷積神經網路》課程筆記(1)-- 卷積神經網路基礎
《Convolutional Neural Networks》是Andrw Ng深度學習專項課程中的第四門課。這門課主要介紹卷積神經網路(CNN)的基本概念、模型和具體應用。該門課共有4周課時,所以我將分成4次筆記來總結,這是第一節筆記。 1. Compu
吳恩達《卷積神經網路》課程總結
Note This is my personal summary after studying the course, convolutional neural networks, which belongs to Deep Learning Specialization.
Coursera吳恩達《優化深度神經網路》課程筆記(1)-- 深度學習的實用層面
Andrew Ng的深度學習專項課程的第一門課《Neural Networks and Deep Learning》的5份筆記我已經整理完畢。迷路的小夥伴請見如下連結: 在接下來的幾次筆記中,我們將對第二門課《Improving Dee
Coursera吳恩達《神經網路與深度學習》課程筆記(2)-- 神經網路基礎之邏輯迴歸
上節課我們主要對深度學習(Deep Learning)的概念做了簡要的概述。我們先從房價預測的例子出發,建立了標準的神經網路(Neural Network)模型結構。然後從監督式學習入手,介紹了Standard NN,CNN和RNN三種不同的神經網路模型。接
Coursera吳恩達《卷積神經網路》課程筆記(1)卷積神經網路
計算機視覺 計算機視覺問題 圖片分類 目標檢測 畫風遷移 在大圖片上的深度學習 如果採用傳統的全連線層,可能會導致引數巨大,導致無法進行計算。卷積神經網路由此產生
2018年AI趨勢盤點(02)| Hinton、吳恩達、李飛飛…… | 解讀行業
善用智慧之道,請您點選上方藍色字型,歡迎關注:九三智慧控懶人閱讀:2017年被定義為AI的史詩年
吳恩達-深度學習-課程筆記-8: 超參數調試、Batch正則化和softmax( Week 3 )
erp 搜索 給定 via 深度 mode any .com sim 1 調試處理( tuning process ) 如下圖所示,ng認為學習速率α是需要調試的最重要的超參數。 其次重要的是momentum算法的β參數(一般設為0.9),隱藏單元數和mini-batch的
吳恩達機器學習(十六)機器學習流水線、上限分析
目錄 0. 前言 1. 流水線 2. 上限分析(Ceiling analysis) 學習完吳恩達老師機器學習課程的照片OCR,簡單的做個筆記。文中部分描述屬於個人消化後的理解,僅供參考。 如果這篇文章對你有一點小小的幫助,請給個關注
吳恩達改善深層神經網路引數:超引數除錯、正則化以及優化——優化演算法
機器學習的應用是一個高度依賴經驗的過程,伴隨著大量的迭代過程,你需要訓練大量的模型才能找到合適的那個,優化演算法能夠幫助你快速訓練模型。 難點:機器學習沒有在大資料發揮最大的作用,我們可以利用巨大的資料集來訓練網路,但是在大資料下訓練網路速度很慢; 使用快速的優化演算法大大提高效率
吳恩達 改善深層神經網路:超引數除錯、正則化以及優化 第一週
吳恩達 改善深層神經網路:超引數除錯、正則化以及優化 課程筆記 第一週 深度學習裡面的實用層面 1.1 測試集/訓練集/開發集 原始的機器學習裡面訓練集,測試集和開發集一般按照6:2:2的比例來進行劃分。但是傳統的機器學習
深度學習哪家強?吳恩達、Udacity和Fast.ai
深度學習哪家強?吳恩達、Udacity和Fast.ai 轉載 &nb
吳恩達機器學習(二)多元線性迴歸(假設、代價、梯度、特徵縮放、多項式)
目錄 0. 前言 學習完吳恩達老師機器學習課程的多變數線性迴歸,簡單的做個筆記。文中部分描述屬於個人消化後的理解,僅供參考。 0. 前言 多元線性迴歸(Multivari