吳恩達《Machine Learning》Jupyter Notebook 版筆記發布!圖解、公式、習題都有了

2021-03-02 AI有道

在我很早之前寫過的文章《機器學習如何入門》中，就首推過吳恩達在 Coursera 上開設的《Machine Learning》課程。這門課最大的特點就是基本沒有複雜的數學理論和公式推導，非常適合入門！

這門課是發布在 Coursera 上的，很多讀者容易把它與吳恩達的另一門課 CS229 混淆。其實，今天講的 Coursera 上的《Machine Learning》更加簡單。

其課程地址為：

https://www.coursera.org/learn/machine-learning

關於這門課的官方介紹是：本課程將廣泛介紹機器學習、數據挖掘和統計模式識別。相關主題包括：(i) 監督式學習（參數和非參數算法、支持向量機、核函數和神經網絡）。(ii) 無監督學習（集群、降維、推薦系統和深度學習）。(iii) 機器學習實例（偏見/方差理論；機器學習和AI領域的創新）。課程將引用很多案例和應用，您還需要學習如何在不同領域應用學習算法，例如智慧機器人（感知和控制）、文本理解（網絡搜索和垃圾郵件過濾）、計算機視覺、醫學信息學、音頻、資料庫挖掘等領域。 

這門課基本涵蓋了機器學習的主要知識點，例如：線性回歸、邏輯回歸、支持向量機、神經網絡、K-Means、異常檢測等等。而且課程中沒有複雜的公式推導和理論分析。Ng 的目的是讓機器學習初學者能夠快速對整個機器學習知識點有比較整體的認識，便於快速入門。 

我曾經整理了一份該門課的思維導圖：


如果有讀者想要看這份思維導圖的清晰版（包括原 .xmind 文件），下面是下載連結：

https://pan.baidu.com/s/16065BpNAP7JEx_PpFHLSOw

提取碼：xcmi

好了，回歸正題！這門課的筆記網上有很多，但今天推薦一份不錯的全面的筆記。該筆記的特點是所有內容都是基於 Jupyter Notebook 寫的，集圖片、公式、代碼、練習題於一體，非常方便使用！

下面來詳細看一下！

這份筆記的作者是 Halfrost-Field 冰霜之地，筆記發布地址為：

https://github.com/halfrost/Halfrost-Field

所屬於 Machine Learning 一欄。

筆記包含了課程 11 周完整內容，每一周單獨對應一個 Jupyter Botebook 文件。

下面舉幾個代表看一下！

1. 支持向量機（SVM）

打開 Support_Vector_Machines.ipynb文件，邏輯回歸損失函數的公式推導：

高斯核函數的可視化理解：

還有作者對 SVM 重要參數的歸納總結：

筆記內容結合了吳恩達的課件，歸納的比較到位！

每一份筆記的最後，還配備相應的習題：

2. 神經網絡學習

打開 Neural_Networks_Learning.ipynb 文件，Backpropagation Algorithm 反向傳播算法的推導：

反向傳播算法實現：

function g = sigmoid(z)
    g = 1.0 ./ (1.0 + exp(-z));
end

function g = sigmoidGradient(z)
    g = sigmoid(z) .* (1 - sigmoid(z));
end

delta3 = a3 - Y;

Theta2_grad = 1 / m * delta3' * [ones(m, 1), a2] + ...
  lambda / m * [zeros(K, 1), Theta2(:, 2:end)]; # 正規化部分

delta2 = (delta3 * Theta2 .* sigmoidGradient([ones(m, 1), z2]));
delta2 = delta2(:, 2:end); # 反向計算多一個偏移參數誤差，除去

Theta1_grad = 1 / m * delta2' * [ones(m, 1), a1] + ...
  lambda / m * [zeros(H, 1), Theta1(:, 2:end)];


筆記內容非常詳細，讀者可在原筆記中查看。

附加資源：

這門課配套相應的練習題。Github 上已經有人把作業整理成為 Python 的形式了。有 .py 和 .ipynb 兩種格式。

https://github.com/nsoojin/coursera-ml-py

https://github.com/kaleko/CourseraML 

最後，為了節省大家下載時間，我已經把這份筆記的所有 Jupyter Notebook 下載下來並打包好了。獲取方式：在本公眾號後臺回覆：NGjupyter 即可！

重磅！

林軒田機器學習完整視頻和博主筆記來啦！

掃描下方二維碼，添加 AI有道小助手微信，可申請入群，並獲得林軒田機器學習完整視頻 + 博主紅色石頭的精煉筆記（一定要備註：入群 + 地點 + 學校/公司。例如：入群+上海+復旦。 

長按掃碼，申請入群

（添加人數較多，請耐心等待）

 

最新 AI 乾貨，我在看 

相關焦點

  • 吳恩達最新《Machine Learning》Jupyter Notebook 版筆記發布!
    Coursera 上的，很多讀者容易把它與吳恩達的另一門課 CS229 混淆。其課程地址為：https://www.coursera.org/learn/machine-learning這門課基本涵蓋了機器學習的主要知識點，例如：線性回歸、邏輯回歸、支持向量機、神經網絡、K-Means、異常檢測等等。而且課程中沒有複雜的公式推導和理論分析。Ng 的目的是讓機器學習初學者能夠快速對整個機器學習知識點有比較整體的認識，便於快速入門。
  • 吳恩達《Machine Learning》精煉筆記 8:聚類 KMeans 及其 Python實現
    》精煉筆記 1：監督學習與非監督學習吳恩達《Machine Learning》精煉筆記 2：梯度下降與正規方程吳恩達《Machine Learning》精煉筆記 3：回歸問題和正則化吳恩達《Machine Learning》精煉筆記 4：神經網絡基礎吳恩達《Machine Learning》精煉筆記 5：神經網絡吳恩達
  • 吳恩達《Machine Learning》精煉筆記 1:監督學習與非監督學習
    然而，吳恩達從最早的 CS229，到後來的 deeplearning.ai 深度學習專項課程，還有其它 AI 資源，大神發布的 AI 知名課程和資料非常多。說到吳恩達優秀的 AI 課程，首當其衝的就是幾年前在 Coursera 上發布的《Machine Learning》課程！
  • Jupyter Notebook介紹、安裝及配置教程
    網頁應用網頁應用即基於網頁形式的、結合了編寫說明文檔、數學公式、交互計算和其他富媒體形式的工具。2.文檔即Jupyter Notebook中所有交互計算、編寫說明文檔、數學公式、圖片以及其他富媒體形式的輸入和輸出，都是以文檔的形式體現的。
  • 吳恩達《Machine Learning》精煉筆記 9:PCA 及其 Python 實現
    》精煉筆記 1：監督學習與非監督學習吳恩達《Machine Learning》精煉筆記 2：梯度下降與正規方程吳恩達《Machine Learning》精煉筆記 3：回歸問題和正則化吳恩達《Machine Learning》精煉筆記 4：神經網絡基礎吳恩達《Machine Learning》精煉筆記 5：神經網絡吳恩達
  • 吳恩達deeplearning.ai五項課程完整筆記了解一下?
    自吳恩達發布 deeplearning.ai 課程以來，很多學習者陸續完成了所有專項課程並精心製作了課程筆記，在此過程中機器之心也一直在為讀者推薦優質的筆記。上個月，deep learning.ai 第五課發布，該系列課程最終結課。
  • Hands-on Machine Learning with Scikit-Learn and TensorFlow 學習筆記
    筆記，這本書的中文版上市不久，譯名為《機器學習實戰：基於Scikit-Learn和TensorFlow》。這份筆記目前在Github上維護：https://github.com/DeqianBai/Hands-on-Machine-Learning ，點擊文末「閱讀原文」可直達，以下是來自該項目github頁面介紹。
  • 吳恩達新書《Machine Learning Yearning》附完整中文版 PDF 下載!
    吳恩達在 AI 普及之路上從未停下腳步，歷時半年的大作《Machine Learning Yearning》中文版《機器學習訓練秘籍
  • 吳恩達新書《Machine Learning Yearning》中7個實用建議
    在吳恩達的書裡有一章節的篇幅說明快速開發一個系統的好處：「不要試圖一開始就去設計和開發出一個完美的系統，而是應該在幾天內迅速發開訓練一個基本的系統。就算這個初步的系統離你可以發開的最好版本還差得很遠，檢驗這個基本系統的功能也是很有價值的，這樣你可以迅速找到證據來確定值得你投入時間的最有保障的發展方向。
  • 【機器學習基礎】重磅發布!吳恩達 AI 完整課程資源超級大匯總!
    毫無疑問，吳恩達的 AI 課程在國內外都是入門的首選課程，而且有非常完整的學習路線，無數新手都從這門課中收穫滿滿。然而，吳恩達從最早的 CS229，到後來的 deeplearning.ai 深度學習專項課程，還有其它 AI 資源，大神發布的 AI 知名課程和資料非常多。對大部分學習者來說，肯定搜集得不完全而且非常耗時間。這確實是意見麻煩事！沒關係！
  • Jupyter Notebook作圖教程
    Jupyter Notebook和模塊安裝Jupyter Notebook的運行依賴Python環境，可以支持window和Linux下，我們建議使用最新的Python 3.6版本，在安裝Python 3.6和pip包管理器之後就可以通過pip安裝：pip install jupyter
  • 樹莓派打造python在線編程工具Jupyter Notebook
    安裝jupyter notebook，整體上還是很簡單的就是，就是設置密碼有一個小坑。jupyter_notebook_config.py修改jupyter_notebook_config.py的內容為c.NotebookApp.password = u'sha1:3e2516f91060:7d8dc3008af16ab087639b2bf9a7a246ccbcf5c3'c.NotebookApp.ip = '0.0.0.0'這裡有個坑是
  • 吳恩達Deeplearning.ai課程學習全體驗:深度學習必備課程(已獲證書)
    在全職工作與家庭瑣事之間，很多人都希望利用自己的剩餘時間學習認知科學和人工智慧的知識，如果突然出現了一套優秀的課程，那麼一切就會變得簡單起來。吳恩達最近推出的 deeplearning.ai 課程就是這樣的存在。該課程一在 coursera 上發布，我立即註冊並花了四個晚上觀看其中的講座、參加考試、完成編程作業並通過了課程。
  • 吳恩達Deeplearning.ai課程學習全體驗:深度學習必備課程
    （選自Medium 機器之心編譯）    在全職工作與家庭瑣事之間，很多人都希望利用自己的剩餘時間學習認知科學和人工智慧的知識，如果突然出現了一套優秀的課程，那麼一切就會變得簡單起來。 吳恩達最近推出的 deeplearning.ai 課程就是這樣的存在。
  • Jupyter Notebook的三大短板,都被這個新工具補齊了
    它把筆記、代碼、圖表、注釋融合在一個交互式的筆記本裡，還能添加各種擴展功能。可謂機器學習入門進階研究之神器。想要在一大堆代碼和筆記裡查找內容、編輯、執行cell、debug……用IDE比用Jupyter Notebook要方便得多。上圖則是對文本執行版本檢查，然後將有意義的差異合併的過程。看起來不錯，怎麼安裝呢？
  • Jupyter Notebook 的 28 個技巧(下)
    使用 LaTeX 編輯公式當你在一個 Markdown 的塊中寫 LaTeX 代碼時，它可以使用 MathJax 渲染成目標公式。jupyter-notebook-latexMarkdown 在 notebook 中是很重要的一部分內容，所以不要忘記去使用它豐富的表現能力。19.
  • Python安裝Jupyter Notebook配置使用教程
    通過 pip 安裝：pip install jupyter安裝成功提示有：jupyter、jupyter-client、jupyter-console、jupyter-core。配置Jupyter notebook目錄路徑安裝完成先不要啟動，先配置目錄路徑。要不然默認打開和保存Jupyter notebook文件目錄在C盤。
  • Jupyter Notebook——也許你總在使用她,但也許你從未嘗試過去了解她?
    一、Jupyter Notebook的安裝在安裝jupyter notebook之前，你需要先在電腦上安裝python，python2.7 或python3.3乃至更高版本都可以。python和jupyter  notebook。
  • 快速入門 Jupyter notebook
    Jupyter notebook 是一個很強大的交互式和展示數據科學項目的工具，它可以作為一個開發文檔，包含代碼、解釋說明文字、代碼運行結果、數學公式等等，功能非常強大，也是現在非常流行的工具。本文會通過一個簡單的數據分析例子來介紹 Jupyter notebook 的使用方法。這裡的例子就是給定一個自 1955 年發布以來，一共 50 年時間的美國 500 家公司的數據，任務是分析這些公司的利潤變化過程。1.
  • 上手jupyter notebook神器
    安裝完成後，直接在終端執行 jupyter notebook 或 jupyter lab 命令啟動。現在用前面生成的配置文件jupyter_notebook_config.py，工作目錄就在這個裡面進行修改。