视频选集 1.欢迎来到机器学习（课程配套作业与习题见评论区） 2.什么是机器学习（建议学习本课程一定要） 3.监督学习部分（完成代码作业与课后习题） 4.无监督学习部分 5.jupyter笔记本 6.线性回归模型 7.成本函数及其直觉 8.可视化成本函数 9.可视化示例 10.梯度下降 11.实现梯度下降 12.梯度下降直觉 13.学习率 14.线性回归的梯度下降 15.运行梯度下降 16.多特征 17.向量化（第一部分） 18.向量化（第二部分） 19.多重线性回归的梯度下降 20.特征缩放（第一部分） 21.特征缩放（第二部分） 22.检查梯度下降是否收敛. 23._选择学习率 24.特征工程 25.多项式回归. 26.动机 27.逻辑回归 28.决策边界 29.逻辑回归的成本函数. 30.简化后的逻辑回归成本函数 31.梯度下降实现 32.过拟合问题 33.解决过拟合 34.带正则化的成本函数 35.正则化线性回归 36.正则化逻辑回归 37.吴恩达与李飞飞谈以人为本的AI 38.欢迎来到深度学习部分 39.神经元与大脑 40.需求预测 41.示例：图像识别 42.神经网络层 43.更复杂的神经网络 44.推理：预测与前向传播 45.代码中的推理 46.TensorFlow中的数据 47.构建神经网络 48.单层前向传播 49.前向传播的通用实现 50.是否存在通往AGI的路径 51.神经网络的高效实现方式 52.矩阵乘法 53.矩阵乘法规则 54.矩阵乘法代码 55.TensorFlow实现 56.训练细节 57.Sigmoid激活函数的替代方案 58.选择激活函数 59.为什么需要激活函数 60.多类别 61.Softmax 62.带有Softmax输出的神经网络 63.Softmax的改进实现 64.多输出分类（可选） 65.高级优化 66.额外的层类型 67.什么是导数（可选） 68.计算图（可选） 69.更大的神经网络示例（可选） 70.决定下一步尝试什 71.模型评估 72.模型选择与训练、交叉验证、测试集 73.诊断偏差与方差 74.正则化与偏差方差 75.建立基准性能水平 76.学习曲线. 77.决定下一步尝试什么（再谈） 78.偏差、方差与神经网络. 79.机器学习开发的迭代循环. 80.错误分析. 81.增加数据 82.使用不同任务的数据进行迁移学习. 83.机器学习项目的完整周期 84.公平性、偏见与伦理 85.倾斜数据集的错误指标. 86.精确率与召回率的权衡 87.决策树模型 88.学习过程 89.测量纯度 90.选择分割：信息增益 91.综合起来 92.使用独热编码的分类特征 93.连续值特征 94.回归树（可选） 95.使用多个决策树 96.带替换的采样 97.随机森林算法 98.XGBoost. 99.何时使用决策树 100.吴恩达与克里斯·曼宁谈自然语言处理 101.欢迎无监督学习、推荐系统和强化学习 102.什么是聚类 103.K均值直觉 104.K均值算法 105.优化目标. 106.初始化K均值 107.选择聚类数量 108.发现异常事件 109.高斯正态分布 110.异常检测算法 111.开发和评估异常检测系统 112.异常检测与监督学习的对比 113.选择使用哪些特征 114.推荐系统 115.使用项目特征 116.协同过滤算法 117.二进制标签：喜欢、点赞和点击 118.均值归一化 119.协同过滤的TensorFlow实现 120.发现相关项目 121.协同过滤与基于内容的过滤对比 122.基于内容的过滤的深度学习 123.从大型目录中推荐 124.推荐系统的伦理使用 125.基于内容的过滤的TensorFlow实现 126.减少特征数量（可选） 127.PCA算法（可选） 128.PCA代码（可选） 129.什么是强化学习 130._火星探测器示例 131.强化学习中的回报 132.强化学习中的决策（策略） 133.关键概念回顾 134.状态-动作值函数的定义 135.状态-动作值函数的示例 136.贝尔曼方程 137.随机环境（可选） 138.连续状态空间应用示例 139.月球着陆器. 140.学习状态值函数 141.算法改进：改进的神经网络架构. 142.算法改进：贪婪策略 143.算法改进：小批量和软更新（可选） 144.强化学习的现状 145.总结与感谢 146吴恩达与切尔西·芬恩谈AI与机器人
