# 重庆大学机器学习课程
本仓库收录了本人在学习**机器学习**课程时所完成的**笔记**、**作业**、**实验**等内容。本着开源精神特地将所有原创资料整理至此，希望与所有学习这门课程的朋友一同进步。因个人能力有限难免有诸多瑕疵甚至错误，若在使用过程中发现，麻烦在**Issues**中提出！
## 资料分布说明
### 课程笔记
- 本人选择网课[Coursera: Machine Learning](https://www.coursera.org/learn/machine-learning)作为辅助学习，文件夹内整理了听课时所做的笔记内容。AI 届无人不晓的吴恩达讲授机器学习相关知识，对新手极其友好，把机器学习讲成 1+1=2 一样直白。这门机器学习入门课应该算得上是他的成名作之一（另一个是深度学习课程），在 Coursera 上拥有数十万的学习者（注意这是花钱买了证书的人，一个证书几百刀），白嫖学习者数量也必然是另一个数量级了。
- **Supervised Machine Learning**：第一大节课程，监督学习，分为 **Classfication** 与 **Regression** 两类呈现。其中核心是 **Class Notes** 文件夹，是每节课的笔记，其余均为笔记呈现所必须的文件。（下同）
- **Advanced Learning Algorithms**：第二大节课程，高级学习算法，分为**Decision Tress**, **Neural Network** 与 **Model Evaluation and Selection**。
- **Other Power Learnings**：第三大节课程，其它类型的学习，分为**Recommender System** 与 **Unsupervised Learning**。
### 课程实验
- **CQU Lab**：2024年春季学期重庆大学机器学习实验
- **Labx.ipynb** 为核心文件，其余均为代码正常运行所需的必要文件。
### 课程作业
- **CQU Hw**：2024年春季学期重庆大学机器学习作业
重庆大学机器学习课程时所完成的笔记、作业、实验等内容，代码基于Python实现 （292个子文件） 
toy_dataset.csv 8.99MB small_movies_Y.csv 8.07MB small_movies_R.csv 4.04MB content_user_train.csv 4.03MB content_item_train.csv 2.64MB small_movies_X.csv 509KB content_y_train.csv 199KB small_movie_list.csv 194KB diabetes.csv 93KB c2w3_lab2_data4.csv 73KB small_movies_W.csv 49KB content_movie_list.csv 45KB content_item_vecs.csv 44KB heart.csv 35KB house.csv 34KB data_w3_ex2.csv 15KB wine.csv 12KB wine.csv 12KB c2w3_lab2_data3.csv 10KB c2w3_lab2_data2.csv 7KB small_movies_b.csv 5KB c2w3_lab2_data1.csv 5KB iris.csv 4KB iris.csv 3KB iris.csv 3KB iris.csv 3KB data_w3_ex1.csv 2KB watermelon3_0_ch.csv 1KB content_top10_df.csv 936B content_bygenre_df.csv 357B
C1_W2_Lab04_dot_notrans.gif 1.61MB .gitignore 0B
Lab2.html 348KB Lab4.html 325KB Lab3.html 320KB Lab1.html 299KB PCA.ipynb 5.91MB L2 Simple Neural Network.ipynb 960KB K-means Clustering .ipynb 865KB L2 Cost Function.ipynb 634KB L6 Feature Scaling and Learning Rate (Multi-Variable).ipynb 616KB L4 Logistic Regression, Logistic Loss.ipynb 532KB L2 Diagnosing Bias and Variance.ipynb 472KB L3 Simple Neural Network (Kernel).ipynb 435KB L3 Gradient Descent for Linear Regression.ipynb 349KB L1 Model Evaluation and Selection.ipynb 306KB L6 Multi-class Classification.ipynb 282KB L6 Gradient Descent for Logistic Regression.ipynb 246KB Anomaly Detection.ipynb 246KB Trees Ensemble.ipynb 203KB L7 Feature Engineering and Polynomial Regression.ipynb 192KB L1 Neurons and Layers.ipynb 159KB Deep Learning for Content-Based Filtering.ipynb 133KB L9 Regularized Cost and Gradient.ipynb 84KB L4 ReLU Activation.ipynb 83KB L1 Linear Regression.ipynb 79KB L1 Classification Introduction.ipynb 67KB L8 Linear Regression using Scikit-Learn.ipynb 66KB L2 Logistic Regression.ipynb 63KB L5 Multiple Variable Linear Regression.ipynb 63KB L3 Logistic Regression, Decision Boundary.ipynb 61KB L5 Cost Function for Logistic Regression.ipynb 51KB Collaborative Filtering.ipynb 46KB Lab4.ipynb 40KB L5 Softmax Function.ipynb 38KB Lab3.ipynb 36KB L4 NumPy and Vectorization.ipynb 29KB L8 Back Propagation.ipynb 27KB Lab2.ipynb 27KB L7 Derivatives.ipynb 18KB Decision Trees.ipynb 13KB Lab1.ipynb 12KB L7 Logistic Regression using Scikit-Learn.ipynb 8KB L8 Overfitting .ipynb 4KB Hw8.md 9KB Hw10.md 8KB Hw7.md 6KB Hw3.md 5KB Hw5.md 4KB Hw4.md 3KB Hw2.md 3KB Hw1.md 3KB Hw6.md 2KB README.md 2KB Hw9.md 2KB deeplearning.mplstyle 5KB deeplearning.mplstyle 5KB deeplearning.mplstyle 5KB deeplearning.mplstyle 5KB deeplearning.mplstyle 5KB X_part2.npy 86KB X_val_part2.npy 9KB X_part1.npy 5KB X_val_part1.npy 5KB ex7_X.npy 5KB y_val_part1.npy 435B y_val_part2.npy 228B content_user_to_genre.pickle 1.06MB
C2_W1_dense3.png 1.61MB figure 2.png 1.06MB共 292 条
- 1
- 2
- 3
资源评论
