人工智能很火，机器学习很热，很多同学想去学习，但不知如何下手.

网上教程很多，上来就学习模型，使用框架，绕来绕去，理解不了底层原理.

机器学习算法推理，大量公式和高等数学让人崩溃，一不小心从入门到放弃.

本套课程从零开始，讲解人工智能的全部核心基础， 4天课让你掌握机器学习、线性代数、微积分和概率论，学完课程你可以自己推导损失函数，实现梯度下降，手写神经网络，把控无人驾驶，完成手写字识别...

课程特色

1、通俗易懂，原理和编程分开讲解。

2、0基础就能听懂原理，无需Python基础，了解任意一门编程语言就能听懂代码；

3、不用框架，自己动手实现机器学习核心代码，写神经网络

4、重视原理，讲解高等数学背后的演化过程，从向量到矩阵，从极限到微分

5、由浅入深，从helloworld到神经网络

6、案例丰富，大量实用案例贯穿课程，机器人投掷，预测房价，无人驾驶，自主定位等...

课程目录

day1
00_为什么要学习数学(1).mp4
01_引言和学习方法.mp4
02_feature和label.mp4
03_什么是机器学习(1).mp4
04_数据采集方式.mp4
05_knn算法入门.mp4
06_knn算法python实现.mp4
07_代码流程回顾.mp4
08_抽取knn函数.mp4
09_实验演示验证结论.mp4
10_评估模型好坏的方法，训练集和测试集.mp4
11_生成测试和训练数据集.mp4
12_调参选取最优的k.mp4
13_增加数据的维度.mp4
14_numpy加载特殊数据.mp4
15_欧式距离.mp4
16_二维空间距离的计算.mp4
17_代码增加一个维度.mp4
18_数据归一化.mp4
19_knn的feature的选择.mp4
20_向量和向量的运算.mp4
21_概念总结.mp4
22_使用矩阵和向量实现knn.mp4
23_ 房价预测简单框架.mp4
24_数据的归一化和标准化.mp4
附1_如何学习数学.mp4
附：问题1.mp4
day2
01_线性回归和Knn.mp4
02_线性回归解决什么问题_ev.mp4
03_Excel进行线性回归_ev.mp4
04_损失函数和最小均方差_ev.mp4
05_excle来简单理解梯度下降_ev.mp4
06_梯度下降的问题分析_ev.mp4
07_求导简单入门_ev.mp4
08_mse对b进行求导_ev.mp4
09_Excel演示梯度下降&学习速率_ev.mp4
10_偏导数分别求解m和b的导数_ev.mp4
11_对m和b分别进行梯度下降_ev.mp4
12_Python代码实现梯度下降_ev.mp4
13_代码测试生成m和b_ev.mp4
14_作业演示.mp4
day3
01_高等数学入门.mp4
02_问题描述_ev.mp4
03_简单理解矩阵运算的现实含义_ev.mp4
04_矩阵的形状_ev.mp4
05_矩阵的加法_ev.mp4
06_手动计算矩阵的乘法_ev.mp4
07_矩阵的乘法不满足交换律_ev.mp4
08_用numpy进行矩阵的乘法运算_ev.mp4
09_矩阵运算计算m和b的偏导数_ev.mp4
10_numpy矩阵运算演示获取m和b的偏导_ev.mp4
11_用矩阵运算重构线性回归代码_ev.mp4
12_对比程序执行的时间_ev.mp4
13_增加数据的维度.mp4
14_函数模型的评估和错误率的计算_ev.mp4
15_矩阵可以理解为一个变化函数_ev.mp4
16_bmp是如何描述图片的_ev.mp4
17_位图和svg图的区别_ev.mp4
18_矩阵运算变化图片的位置_ev.mp4
19_矩阵运算旋转图形_ev.mp4
20_矩阵的缩放处理_ev.mp4
21_图形变换综合案例_ev.mp4
22_机器学习浅谈_ev.mp4
23_sigmod函数引入_ev.mp4
24_逻辑回归的步骤.mp4
day4
01_自然底数和sigmod函数.mp4
02_矩阵运算计算逻辑回归_ev.mp4
03_逻辑回归简单实现_ev.mp4
04_多分类问题_ev.mp4
05_多分类的概率问题思考_ev.mp4
06_多分类问题softmax公式_ev.mp4
07_手写数字数据集_ev.mp4
08_手写数字的识别原理_ev.mp4
09_手写数字数据集的处理_ev.mp4
10_手写数字的识别_ev.mp4
11_手写数字bug处理_ev.mp4
12_ai自动驾驶_ev.mp4
13_神经网络的作用_ev.mp4
14_多层神经网络演示_ev.mp4
15_感知机_ev.mp4
16_感知机数学原理_ev.mp4
17_线性模型和非线性模型_ev.mp4
18_交叉熵cross-entropy_ev.mp4
19_概率简介.mp4
资料.exe