课程简介
人工智能很火，机器学习很热，很多同学想去学习，但不知如何下手
网上教程很多，上来就学习模型，使用框架，绕来绕去，理解不了底层原理
机器学习算法推理，大量公式和高等数学让人崩溃，一不小心从入门到放弃
本套课程从零开始，讲解人工智能的全部核心基础， 4天课让你掌握机器学习、线性代数、微积分和概率论，学完课程你可以自己推导损失函数，实现梯度下降，手写神经网络，把控无人驾驶，完成手写字识别…
课程特色
1、通俗易懂，原理和编程分开讲解。
2、0基础就能听懂原理，无需Python基础，了解任意一门编程语言就能听懂代码；
3、不用框架，自己动手实现机器学习核心代码，写神经网络
4、重视原理，讲解高等数学背后的演化过程，从向量到矩阵，从极限到微分
5、由浅入深，从helloworld到神经网络
6、案例丰富，大量实用案例贯穿课程，机器人投掷，预测房价，无人驾驶，自主定位等…
课程目录
第1天：
00_为什么要学习数学
01_引言和学习方法
02_feature和label
03_什么是机器学习
04_数据采集方式
05_knn算法入门
06_knn算法python实现
07_代码流程回顾
08_抽取knn函数
09_实验演示验证结论
10_评估模型好坏的方法，训练集和测试集
11_生成测试和训练数据集
12_调参选取最优的k
13_增加数据的维度
14_numpy加载特殊数据
15_欧式距离
16_二维空间距离的计算
17_代码增加一个维度
18_数据归一化
19_knn的feature的选择
20_向量和向量的运算
21_概念总结
22_使用矩阵和向量实现knn
23_ 房价预测简单框架
24_数据的归一化和标准化
附1_如何学习数学
附：问题1
第2天：
01_线性回归和Knn
02_线性回归解决什么问题
03_Excel进行线性回归
04_损失函数和最小均方差
05_excle来简单理解梯度下降
06_梯度下降的问题分析
07_求导简单入门
08_mse对b进行求导
09_Excel演示梯度下降&学习速率
10_偏导数分别求解m和b的导数
11_对m和b分别进行梯度下降
12_Python代码实现梯度下降
13_代码测试生成m和b
14_作业演示
附_作业讲解
第3天：
01_高等数学入门
02_问题描述
03_简单理解矩阵运算的现实含义
04_矩阵的形状
05_矩阵的加法
06_手动计算矩阵的乘法
07_矩阵的乘法不满足交换律
08_用numpy进行矩阵的乘法运算
09_矩阵运算计算m和b的偏导数
10_numpy矩阵运算演示获取m和b的偏导
11_用矩阵运算重构线性回归代码
12_对比程序执行的时间
13_增加数据的维度
14_函数模型的评估和错误率的计算
15_矩阵可以理解为一个变化函数
16_bmp是如何描述图片的
17_位图和svg图的区别
18_矩阵运算变化图片的位置
19_矩阵运算旋转图形
20_矩阵的缩放处理
21_图形变换综合案例
22_机器学习浅谈
23_sigmod函数引入
24_逻辑回归的步骤
附：扩展作业
第4天：
01_自然底数和sigmod函数
02_矩阵运算计算逻辑回归
03_逻辑回归简单实现
04_多分类问题
05_多分类的概率问题思考
06_多分类问题softmax公式
07_手写数字数据集
08_手写数字的识别原理
09_手写数字数据集的处理
10_手写数字的识别
11_手写数字bug处理
12_ai自动驾驶
13_神经网络的作用
14_多层神经网络演示
15_感知机
16_感知机数学原理
17_线性模型和非线性模型
18_交叉熵cross-entropy
19_概率简介
优品资源 » 0基础小白也能学会的人工智能课
