课程目录

• day1
• 00_为什么要学习数学(1)
• 01_引言和学习方法
• 02_feature和label
• 03_什么是机器学习(1)
• 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
• day2
• 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
• day3
• 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
• day4
• 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
• 资料