[背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community 好啦 现在你们应该对于机器学习的未来感到很激动 让我们说一下我们会在本节课包含哪些内容吧 在回归课程中 我们会让你们知道什么是回归 通过不同模型并且详细深入 进行研究回归 举个例子 如何处理多个特征 这是也许会让我们感到困惑的内容 我们也会更加详细的学习算法 如何去拟合模型 不同的优化算法 记住 这是我们所说过的代价 也就是残差平方和 并且需要最小化 我们将会提到梯度递降 和坐标递降等 优化方法 通过案列学习 如何预测房价 我们会提到很多在不同领域中 构成机器学习基石的各种概念 这中间包括如何衡量代价 如何选测模型 来避免过度拟合的问题 我们也将研究 不局限于回归和 预测房价的问题 然后就到了分类部分的课程 我们会提到线性分类器的具体例子 我们会提到如何用很多很多的特征 在很多维特征的情况下 来建立分类器 我们也会提到 不同分类器的算法 详细的说 会提到能够 处理大数据的优化算法 我们也会提到 如何把很多模型调和在一起 我们把它叫做加速算法 我们也会去学习不同概念 我觉得比较有意思的是如何去做 线上学习 能够让数据不停的流入 然后我们调整我们的模型 推断通过这些持续流入的数据 然后进行分类和检索 我们会学习分类的基础概念 和什么是文件检索 我们也将深入学习更多 比如说 当我们想到分类的时候
一个文件也许不仅仅是单一种类 不只是体育类 或者说新闻类 或者说科学类 娱乐类 一个文件可能要有多个话题种类 简单的例子就是一个文件可能同时和 金融和世界新闻有关 那么我们的模型该怎么处理 这样数据中复杂的结构呢 对于算法而言 我们会学习 各种搜索数据最有效的方法来进行检索 不同的算法 对于不同的分类模型 对于一些我们包括的更重要的话题 就是如何去分类一些特别特别数据量大 的文件 我们用的方法叫做映射归约 然后就到了我们的推荐系统和 降低维度部分 不仅仅局限于协同过滤 和矩阵因式分解 我们会提到高维数据 和如何用低维度来建模 我们所做的这种算法叫做 降维 我们也会提到 拟合矩阵因式分解 我们要学习的重要概念是 当我们想到矩阵因式分解的时候 我们需要做的是矩阵填充 也就是填充那些未知的部分 如果你你还记得 一个更常见的问题是叫做 冷开端问题 在推荐系统中 也许你对于用户或者产品一无所知 那么在这样的情况下如何进行推荐 最后 我们会到课程毕业设计 这真是一个非常有意思的项目 如果你学习了整个课程 你理解了 我们课程毕业设计所要求的各种概念 我们将会建立一个推荐系统 包括了文本的情感分析 还有搜索不同图片的计算机视觉功能 为了完成课程毕业设计 我们要使用一些深度学习 这些概念 会在课程毕业设计中非常重要 所以记得学习那些概念 所以说如果你能够 自己建立起这个非常酷的网页应用 并且应用它 它能够让你的朋友们和家人感到震惊
也会给未来的老板留下深刻印象 这是这门课给你带来的潜在奖励 这个毕业设计真的会非常有意思 希望你能享受这个课程毕业设计 [背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community