机器学习专项课程

课程简介#

课程官方主页：https://www.coursera.org/specializations/machine-learning-introduction

机器学习专项课程时 DeepLearning.AI 和斯坦福在线合作创建的基础在线课程。这个适合初学者的课程将向您传授机器学习的基础知识，以及如何使用这些技术构建真实世界的人工智能应用。

它广泛介绍了现代机器学习，包括监督学习（多元线性回归、逻辑回归、神经网络和决策树）、无监督学习（聚类、降维、推荐系统），以及硅谷人工智能和机器学习创新的一些最佳实践（评估和调整模型、采用以数据为中心的方法提高性能等）。

完成本专业学习后，您将具备以下能力:

• 使用流行的机器学习库 NumPy 和 scikit-learn 在 Python 中构建机器学习模型。

• 为预测和二元分类任务构建和训练有监督的机器学习模型，包括线性回归和逻辑回归。

• 使用 TensorFlow 构建和训练神经网络，以执行多类分类。

• 应用机器学习开发的最佳实践，使你的模型能够通用于现实世界中的数据和任务。

• 构建并使用决策树和树集合方法，包括随机森林和提升树。

• 使用无监督学习技术进行无监督学习：包括聚类和异常检测。

• 使用协同过滤方法和基于内容的深度学习方法构建推荐系统。

• 构建深度强化学习模型。

课时安排#

原本 Coursera 机器学习这门课程只包含机器学习相关内容，深度学习又是另外一门课程。现在这门课程已经将两者合并到了一起，并归类成了3个模块：

有监督的机器学习：「回归与分类」、「高级学习算法」和「 无监督学习、推荐器、强化学习」。

下面，我们将依次列出课程的所有大纲目录，并同时将其链接到本站对应内容。您既可以选择去官网阅读原内容，也可根据大纲顺序阅读本站对应内容。作为吴恩达老师的经典课程，毋庸置疑，每个机器学习入门者都应该看看。

不过个人感觉目前这样的划分方式把传统的机器学习划分到了3个不同的模块中，而且跨度也大，不是一个特别合适的内容组织方式。 大家可以按需进行，并不一定都要看完。

模块一：有监督机器学习-回归与分类#

在机器学习专业的第一门课程中，您将：

• 使用流行的机器学习库 NumPy 和 scikit-learn 在 Python 中构建机器学习模型

• 为预测和二元分类任务构建和训练有监督的机器学习模型，包括线性回归和逻辑回归 机器学习专业是 DeepLearning.AI 和斯坦福在线合作创建的基础在线课程。在这个适合初学者的课程中，您将学习机器学习的基础知识，以及如何使用这些技术构建真实世界的人工智能应用。

第 1 周 机器学习入门#

欢迎学习机器学习专业课程！ 您将加入数百万学习过本课程或原课程的人的行列，这门课程促成了 Coursera 的成立，并帮助数百万像您一样的学习者了解机器学习这个令人兴奋的世界！

视频内容#

作业#

可选实验#

第 2 周 多变量回归#

本周，您将扩展线性回归，以处理多个输入特征。 您还将学习一些改进模型训练和性能的方法，如矢量化、特征缩放、特征工程和多项式回归。 本周结束时，您将练习用代码实现线性回归。

视频内容#

作业#

可选实验#

第 3 周 分类#

本周，您将学习另一种监督学习——分类。 您将学习如何使用逻辑回归模型预测类别。 您将了解过拟合问题，以及如何使用正则化方法来解决这一问题。 在本周结束时，您将练习使用正则化实现逻辑回归！

视频内容#

作业#

可选实验#

模块二：机器学习进阶#

在机器学习专业的第二门课程中，您将：

• 使用 TensorFlow 构建和训练神经网络，以执行多类分类。（本站对应的是 PyTorch 实现版本）

• 应用机器学习开发的最佳实践，使您的模型能够通用于现实世界中的数据和任务。

• 构建和使用决策树和树群方法，包括随机森林和提升树。

第 1 周 神经网络#

本周，您将了解神经网络以及如何将其用于分类任务。 您将使用 TensorFlow 框架，只需几行代码就能构建一个神经网络。 然后，深入学习如何 “从零开始 “用 Python 编写自己的神经网络。 您还可以选择了解如何使用并行处理（矢量化）高效实现神经网络计算。

视频内容#

作业#

可选实验#

第 2 周 神经网络的训练#

本周，您将学习如何在 TensorFlow 中训练模型，还将了解其他重要的激活函数（除 sigmoid 函数外），以及在神经网络中使用每种激活函数的位置。 您还将学习如何从二元分类转向多类分类（3 个或更多类别）。

多分类将向你介绍新的激活函数和新的损失函数。 您还可以选择学习多分类和多标签分类之间的区别。 您还将了解 Adam 优化器，以及为什么它是对普通梯度下降神经网络训练的一种改进。 最后，您还将简要了解到目前为止所见过的层类型之外的其他层类型。

视频内容#

作业#

可选实验#

第 3 周 机器学习应用建议#

本周，您将学习到训练和评估学习算法以提高性能的最佳实践。 这将涵盖有关机器学习生命周期、调整模型以及改进训练数据的各种有用建议。

作业#

可选实验#

第 4 周 决策树#

本周，您将学习一种实用且常用的学习算法–决策树。 您还将了解决策树的各种变体，包括随机森林和提升树 (XGBoost)。

视频内容#

作业#

可选实验#

模块三：无监督学习、推荐系统、强化学习#

在机器学习专业的第三门课程中，您将：

• 使用无监督学习技术进行无监督学习：包括聚类和异常检测

• 利用协同过滤方法和基于内容的深度学习方法构建推荐系统

• 构建深度强化学习模型

第 1 周 无监督学习#

本周，您将学习两种关键的无监督学习算法：聚类和异常检测。

视频内容#

作业#

第 2 周 推荐系统#

视频内容#

作业#

可选实验#

第 3 周 强化学习#

本周，您将学习强化学习，并构建一个深度 Q-learning 神经网络，以便让虚拟月球着陆器登陆火星！

视频内容#

作业#

可选实验#