課程簡介
人工智能很火，機器學習很熱，很多同學想去學習，但不知如何下手
網上教程很多，上來就學習模型，使用框架，繞來繞去，理解不了底層原理
機器學習算法推理，大量公式和高等數學讓人崩潰，一不小心從入門到放棄
本套課程從零開始，講解人工智能的全部核心基礎， 4天課讓你掌握機器學習、線性代數、微積分和概率論，學完課程你可以自己推導損失函數，實現梯度下降，手寫神經網絡，把控無人駕駛，完成手寫字識別…
課程特色
1、通俗易懂，原理和編程分開講解。
2、0基礎就能聽懂原理，無需Python基礎，了解任意一門編程語言就能聽懂代碼；
3、不用框架，自己動手實現機器學習核心代碼，寫神經網絡
4、重視原理，講解高等數學背后的演化過程，從向量到矩陣，從極限到微分
5、由淺入深，從helloworld到神經網絡
6、案例豐富，大量實用案例貫穿課程，機器人投擲，預測房價，無人駕駛，自主定位等…
課程目錄
第1天：
00_為什么要學習數學
01_引言和學習方法
02_feature和label
03_什么是機器學習
04_數據采集方式
05_knn算法入門
06_knn算法python實現
07_代碼流程回顧
08_抽取knn函數
09_實驗演示驗證結論
10_評估模型好壞的方法，訓練集和測試集
11_生成測試和訓練數據集
12_調參選取最優的k
13_增加數據的維度
14_numpy加載特殊數據
15_歐式距離
16_二維空間距離的計算
17_代碼增加一個維度
18_數據歸一化
19_knn的feature的選擇
20_向量和向量的運算
21_概念總結
22_使用矩陣和向量實現knn
23_ 房價預測簡單框架
24_數據的歸一化和標準化
附1_如何學習數學
附：問題1
第2天：
01_線性回歸和Knn
02_線性回歸解決什么問題
03_Excel進行線性回歸
04_損失函數和最小均方差
05_excle來簡單理解梯度下降
06_梯度下降的問題分析
07_求導簡單入門
08_mse對b進行求導
09_Excel演示梯度下降&學習速率
10_偏導數分別求解m和b的導數
11_對m和b分別進行梯度下降
12_Python代碼實現梯度下降
13_代碼測試生成m和b
14_作業演示
附_作業講解
第3天：
01_高等數學入門
02_問題描述
03_簡單理解矩陣運算的現實含義
04_矩陣的形狀
05_矩陣的加法
06_手動計算矩陣的乘法
07_矩陣的乘法不滿足交換律
08_用numpy進行矩陣的乘法運算
09_矩陣運算計算m和b的偏導數
10_numpy矩陣運算演示獲取m和b的偏導
11_用矩陣運算重構線性回歸代碼
12_對比程序執行的時間
13_增加數據的維度
14_函數模型的評估和錯誤率的計算
15_矩陣可以理解為一個變化函數
16_bmp是如何描述圖片的
17_位圖和svg圖的區別
18_矩陣運算變化圖片的位置
19_矩陣運算旋轉圖形
20_矩陣的縮放處理
21_圖形變換綜合案例
22_機器學習淺談
23_sigmod函數引入
24_邏輯回歸的步驟
附：擴展作業
第4天：
01_自然底數和sigmod函數
02_矩陣運算計算邏輯回歸
03_邏輯回歸簡單實現
04_多分類問題
05_多分類的概率問題思考
06_多分類問題softmax公式
07_手寫數字數據集
08_手寫數字的識別原理
09_手寫數字數據集的處理
10_手寫數字的識別
11_手寫數字bug處理
12_ai自動駕駛
13_神經網絡的作用
14_多層神經網絡演示
15_感知機
16_感知機數學原理
17_線性模型和非線性模型
18_交叉熵cross-entropy
19_概率簡介
