2008年《斯坦福大學開放課程 ：機器學習課程》(Open Stanford Course : Engineering Everywhere-MachineLearning)[WMV]
http://www.verycd.com/topics/2727693/
[斯坦福大學-機器學習課程].cs229-lecture01.wmv
詳情
|
204.4MB |
|
[斯坦福大學-機器學習課程].cs229-lecture02.wmv
詳情
|
227MB |
|
[斯坦福大學-機器學習課程].cs229-lecture03.wmv
詳情
|
218MB |
|
[斯坦福大學-機器學習課程].cs229-lecture04.wmv
詳情
|
217.6MB |
|
[斯坦福大學-機器學習課程].cs229-lecture05.wmv
詳情
|
224.8MB |
|
[斯坦福大學-機器學習課程].cs229-lecture06.wmv
詳情
|
217.7MB |
|
[斯坦福大學-機器學習課程].cs229-lecture07.wmv
詳情
|
225.4MB |
|
[斯坦福大學-機器學習課程].cs229-lecture08.wmv
詳情
|
230.2MB |
|
[斯坦福大學-機器學習課程].cs229-lecture09.wmv
詳情
|
221.2MB |
|
[斯坦福大學-機器學習課程].cs229-lecture10.wmv
詳情
|
217.1MB |
|
[斯坦福大學-機器學習課程].cs229-lecture11.wmv
詳情
|
245MB |
|
[斯坦福大學-機器學習課程].cs229-lecture12.wmv
詳情
|
221.4MB |
|
[斯坦福大學-機器學習課程].cs229-lecture13.wmv
詳情
|
223.1MB |
|
[斯坦福大學-機器學習課程].cs229-lecture14.wmv
詳情
|
240.1MB |
|
[斯坦福大學-機器學習課程].cs229-lecture15.wmv
詳情
|
230.1MB |
|
[斯坦福大學-機器學習課程].cs229-lecture16.wmv
詳情
|
217.5MB |
|
[斯坦福大學-機器學習課程].cs229-lecture17.wmv
詳情
|
229.2MB |
|
[斯坦福大學-機器學習課程].cs229-lecture18.wmv
詳情
|
228.1MB |
|
[斯坦福大學-機器學習課程].cs229-lecture19.wmv
詳情
|
225.9MB |
|
[斯坦福大學-機器學習課程].cs229-lecture20.wmv
詳情
|
228.2MB |
|
[斯坦福大學-機器學習課程].materials.rar
詳情
|
10.5MB |
| 4.4GB | |
簡介：
相對於其他名校，斯坦福大學的工科課程更注重實用性。這也是我個人很讚賞的一點。
關於發佈本資源的初衷。坦白的說，
人工智能的發展到已經進入了一個瓶頸期。近年來各個研究方向都沒有太大的突破。真正意義上人工智能的實現目前還沒有任何曙光。但是，機器學習無疑是最有希
望實現這個目標的方向之一。斯坦福大學的“Stanford Engineering Everywhere
”免費提供學校裏最受歡迎的工科課程，給全世界的學生和教育工作者。得益於這個項目，我們有機會和全世界站在同一個數量級的知識起跑線上。
此課程獻給所有同好。讓我們向着朝陽奔跑吧~
本課程來源於斯坦福大學的“Stanford Engineering Everywhere ”項目。
首頁爲：http://see.stanford.edu/default.aspx
目前已有的課程是：
Introduction to Computer Science:
Programming Methodology CS106A
Programming Abstractions CS106B
Programming Paradigms CS107
Artificial Intelligence:
Introduction to Robotics CS223A
Natural Language Processing CS224N
Machine Learning CS229
Linear Systems and Optimization:
The Fourier Transform and its Applications EE261
Introduction to Linear Dynamical Systems EE263
Convex Optimization I EE364A
Convex Optimization II EE364B
本課程爲Artificial Intelligence裏的Machine Learning CS229
課程簡介：
Artificial Intelligence | Machine Learning
Instructor: Ng, Andrew
This course provides a broad introduction to machine learning and statistical pattern recognition.
Topics
include: supervised learning (generative/discriminative learning,
parametric/non-parametric learning, neural networks, support vector
machines); unsupervised learning (clustering, dimensionality reduction,
kernel methods); learning theory (bias/variance tradeoffs; VC theory;
large margins); reinforcement learning and adaptive control.
The
course will also discuss recent applications of machine learning, such
as to robotic control, data mining, autonomous navigation,
bioinformatics, speech recognition, and text and web data processing.
Students are expected to have the following background:
Prerequisites:
- Knowledge of basic computer science principles and skills, at a level
sufficient to write a reasonably non-trivial computer program.
- Familiarity with the basic probability theory. (Stat 116 is sufficient but not necessary.)
-
Familiarity with the basic linear algebra (any one of Math 51, Math
103, Math 113, or CS 205 would be much more than necessary.)