机器学习之深度学习课程+机器学习中需要的数学基础 两套课程带你深入机器学习世界

大部分机器学习是对数据的模型拟合。为了拟合模型,需要把一些误差当成真实参数的函数,并对其进行最小化。最小化的算法基于梯度下降,也就是依赖于导数,这就是一种微积分运算。

搞机器学习你只需要微积分1和2,微积分3里的旋度和散度、斯托克斯定理之类的,学物理用得上,机器学习不用这些。另外,你可能还需要一些微积分4中的基本函数分析。

机器学习中的许多问题都是优化问题:在给定一些约束的条件下,怎样选择参数才能让错误最小化?通常这非常困难(NP-hard),但如果你把问题设计为”平滑”,那么就能通过微积分来获得很好的代数解。


目录

├<DL_11月深度学习班>

│  ├<ppt>

│  │  ├第10课:深度学习与各种迁移应用.pdf

│  │  ├第1课 数学基础.pdf

│  │  ├第2课:从线性分类器到人工神经网络.pdf

│  │  ├第3课:计算机视觉与卷积神经网络.pdf

│  │  ├第4课:深度学习框架与应用.pdf

│  │  ├第5课 detection_dec10.pdf

│  │  ├第6课:词嵌入(word2vec)与相关应用.pdf

│  │  ├第7课:循环神经网络与长短时记忆及应用.pdf

│  │  ├第8课:循环神经网络应用.pdf

│  │  └第9课:强化学习与DQN.pdf

│  ├<视频>

│  │  ├07.第7课 循环神经网络与LSTM(寒).mp4

│  │  ├11.10(上)深度学习与各种迁移学习应用(寒).mkv

│  │  ├11.10(下)深度学习与各种迁移学习应用(寒).mkv

│  │  ├11.1夯实深度学习数据基础(管).mkv

│  │  ├11.2从线性分类器到人工神经网络(寒).mkv

│  │  ├11.3 卷积神经网络与图像识别.mkv

│  │  ├11.4主流深度学习框架示例(寒).mkv

│  │  ├11.5图像物体检测与风格变化(李).mkv

│  │  ├11.6 让计算机学会人类的文字:词嵌入(寒).mkv

│  │  ├11.8循环神经网络在NLP上的应用(寒).mkv

│  │  └11.9增强学习与Deep Q Network(寒).mkv

│  ├<资料>

│  │  ├《11月深度学习班》一般问题解答.txt

│  │  ├2.半小时掌握凸优化.pdf

│  │  ├caffe安装教程.docx

│  │  ├Densely Connected Convolutional Networks.pdf

│  │  ├fabfile.py

│  │  ├fabfile_usage.txt

│  │  ├Fix Frozen After Login In Ubuntu 14.pdf

│  │  ├FlashFXP4_OYKSOFT.rar

│  │  ├IMG_20161126_181222.jpg

│  │  ├neural-style使用方法.docx

│  │  ├Screenshot_2016-11-26-18-09-54-060_com.tencent.mm.png

│  │  ├tensorflow_manual_cn.pdf

│  │  ├win10下安装cuda8.0+theano.docx

│  │  ├Xshell_5.0.0.37_setup.1459931786.exe

│  │  ├点点滴滴积少成多—进阶30k之路—邓大为.doc

│  │  ├七月在线11月DL班ssh登录GPU云服务器步骤.docx

│  │  ├凸优化_Boyd_王书宁译.pdf

│  │  ├<工具软件>

│  │  │  ├caffe-master.zip

│  │  │  ├NVIDIA-Linux-x86_64-367.57.run

│  │  │  ├opencv2.4.13.zip

│  │  │  ├Universal-USB-Installer-1.9.6.8.exe

│  │  │  ├VanDyke-SecureCRT-v7.2.6-WINDOWS.zip

│  │  │  ├Xftp5.exe

│  │  │  └Xshell5.exe

│  │  ├<课件与代码>

│  │  │  ├artificial_neural_network.zip

│  │  │  ├conv_net_codes.zip

│  │  │  ├Densely Connected Convolutional Networks.pdf

│  │  │  ├dl_examples.zip

│  │  │  ├linear_regression.ipynb

│  │  │  ├第1课:深度学习班数学基础.pdf

│  │  │  ├第2课:从线性分类器到人工神经网络.pdf

│  │  │  ├第3课:计算机视觉与卷积神经网络.pdf

│  │  │  ├第4课:深度学习框架与应用.pdf

│  │  │  ├第5课:detection_dec10.pdf

│  │  │  ├第6课:词嵌入(word2vec)与相关应用.pdf

│  │  │  └十一月深度学习班第1课数学基础.ipynb

│  │  ├<预习资料>

│  │  │  ├神经?络与深度学习.pdf

│  │  │  ├神经网络与深度学习简明讲义.pdf

│  │  │  └十一月深度学习班 数学课书籍材料.zip

├<数学课程>

│  ├<ML_机器学习中的数学班>

│  │  ├第10讲 极大似然估计.mp4

│  │  ├第11讲 重新理解矩阵.mp4

│  │  ├第12讲 四个基本的子空间.mp4

│  │  ├第1讲 微积分和梯度.mp4

│  │  ├第1讲 微积分和梯度.ppt

│  │  ├第2讲 Taylor展式与拟牛顿.mp4

│  │  ├第2讲 Taylor展式与拟牛顿.ppt

│  │  ├第3讲 概率论基础.mp4

│  │  ├第4讲 概率计算与拒绝采样.mp4

│  │  ├第5讲 期望和方差.mp4

│  │  ├第6讲 协方差.mp4

│  │  ├第7讲 偏度和峰度.mp4

│  │  ├第8讲 中心极限定理.mp4

│  │  └第9讲 矩估计.mp4

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
免责声明: IT学馆所发布的一切资源及文章仅限用于学习和研究目的;不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。本站信息来自网络,版权争议与本站无关。您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容。如果您喜欢该程序,请支持正版软件,购买注册,得到更好的正版服务。如有侵权请邮件与我们联系处理。admin@itxueguan.com
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论