实例介绍
斯坦福大学吴恩达机器学习课程 完整学习笔记 原始版讲义 全是高清版的ppt该课件为中科院一位仁兄在学习斯坦福大学吴恩达机器学习课程时候所做的学习笔记，非常好，吴老师上课略过的一些内容笔记都详细给出，并且还做了适当补充。强烈推荐。
【实例截图】
【核心代码】
StanfordUniverstiyMachineLearning(含学习笔记和原始讲义)
├── 斯坦福大学机器学习课程原始讲义
│ ├── ML-advice.pdf
│ ├── cs229-cvxopt.pdf
│ ├── cs229-cvxopt2.pdf
│ ├── cs229-gp.pdf
│ ├── cs229-hmm.pdf
│ ├── cs229-linalg.pdf
│ ├── cs229-notes1.pdf
│ ├── cs229-notes10.pdf
│ ├── cs229-notes11.pdf
│ ├── cs229-notes12.pdf
│ ├── cs229-notes2.pdf
│ ├── cs229-notes3.pdf
│ ├── cs229-notes4.pdf
│ ├── cs229-notes5.pdf
│ ├── cs229-notes6.pdf
│ ├── cs229-notes7a.pdf
│ ├── cs229-notes7b.pdf
│ ├── cs229-notes8.pdf
│ ├── cs229-notes9.pdf
│ └── cs229-prob.pdf
├── 斯坦福大学机器学习课程原始讲义.zip
├── 斯坦福大学机器学习课程个人学习笔记（上）
│ ├── (1)线性回归、logistic回归和一般回归.pdf
│ ├── (2)判别模型、生成模型与朴素贝叶斯方法.pdf
│ ├── (3)支持向量机SVM（上）.pdf
│ ├── (4)支持向量机SVM（下）.pdf
│ ├── (5)规则化和模型选择.pdf
│ ├── (6)K-means聚类算法.pdf
│ ├── (7)混合高斯模型和EM算法.pdf
│ ├── (8)EM算法.pdf
│ └── 请先查看该说明.txt
├── 斯坦福大学机器学习课程个人学习笔记（下）
│ ├── (10)主成分分析.pdf
│ ├── (11)独立成分分析.pdf
│ ├── (12)线性判别分析.pdf
│ ├── (13)因子分析.pdf
│ ├── (14)增强学习.pdf
│ ├── (15)典型关联分析.pdf
│ ├── (16)偏最小二乘法回归.pdf
│ ├── (9)在线学习.pdf
│ └── 请先查看该说明.txt
├── 斯坦福大学机器学习课程个人学习笔记（上）.zip
└── 斯坦福大学机器学习课程个人学习笔记（下）.zip
3 directories, 41 files
标签：
小贴士
感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论