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