# 机器学习与人工智能
机器学习越来越多应用到飞行器、机器人等领域，其目的是利用计算机实现类似人类的智能，从而实现装备的智能化与无人化。本课程旨在引导学生掌握机器学习的基本知识、典型方法与技术，通过具体的应用案例激发学生对该学科的兴趣，鼓励学生能够从人工智能的角度来分析、解决飞行器、机器人所面临的问题和挑战。本课程主要内容包括Python编程基础，机器学习模型，无监督学习、监督学习、深度学习基础知识与实现，并学习如何利用机器学习解决实际问题，从而全面提升自我的[《综合能力》](Targets.md)。
本课程有配套的教材[《机器学习算法与实现》](http://www.adv-ci.com/blog/mlai/)，该书以机器学习的算法原理与实现贯穿始终，通过算法、数据结构、面向对象、编程实现一步一步地引入，让读者无需额外学习算法与数据结构等知识，就能理解并应用机器学习到各自的专业。本书配有教学视频、在线讲义、习题和练习项目，适合各专业读者作为教材或者自学，能够给相关领域的工程师提供全面而又丰富资料，因此能够更好的掌握机器学习的理论、算法和应用。购买的方式：[《淘宝购买》](https://detail.tmall.com/item.htm?id=690461235159), [《当当网购买》](http://product.dangdang.com/11305232248.html)， [《JD购买》](https://item.jd.com/13493037.html) 。
由于 **本课程需要大量的编程练习才能取得比较好的学习效果** ，因此需要认真去完成[《机器学习与人工智能-作业和报告》](https://gitee.com/pi-lab/machinelearning_homework)，写作业的过程可以查阅网上的资料，但是不能直接照抄，需要自己独立思考并独立写出代码。本教程的Python等运行环境的安装说明请参考[《Python环境安装》](references_tips/InstallPython.md)。
为了让大家更好的自学本课程，课程讲座的视频在[《B站 - 机器学习与人工智能》](https://www.bilibili.com/video/BV1oZ4y1N7ei/)，欢迎大家观看学习。
## 1. 内容
1. [课程简介](CourseIntroduction.pdf)
2. [Python](0_python/README.md)
- [Install Python](references_tips/InstallPython.md)
- [ipython & notebook](0_python/0-ipython_notebook.ipynb)
- [Python Basics](0_python/1_Basics.ipynb)
- [Print Statement](0_python/2_Print_Statement.ipynb)
- [Data Structure 1](0_python/3_Data_Structure_1.ipynb)
- [Data Structure 2](0_python/4_Data_Structure_2.ipynb)
- [Control Flow](0_python/5_Control_Flow.ipynb)
- [Function](0_python/6_Function.ipynb)
- [Class](0_python/7_Class.ipynb)
3. [numpy & matplotlib](1_numpy_matplotlib_scipy_sympy/README.md)
- [numpy](1_numpy_matplotlib_scipy_sympy/1-numpy_tutorial.ipynb)
- [matplotlib](1_numpy_matplotlib_scipy_sympy/2-matplotlib_tutorial.ipynb)
4. [kNN](2_knn/knn_classification.ipynb)
5. [kMeans](3_kmeans/1-k-means.ipynb)
- [kMeans - Image Compression](3_kmeans/2-kmeans-color-vq.ipynb)
- [Cluster Algorithms](3_kmeans/3-ClusteringAlgorithms.ipynb)
6. [Logistic Regression](4_logistic_regression/)
- [Least squares](4_logistic_regression/1-Least_squares.ipynb)
- [Logistic regression](4_logistic_regression/2-Logistic_regression.ipynb)
- [PCA and Logistic regression](4_logistic_regression/3-PCA_and_Logistic_Regression.ipynb)
7. [Neural Network](5_nn/)
- [Perceptron](5_nn/1-Perceptron.ipynb)
- [Multi-layer Perceptron & BP](5_nn/2-mlp_bp.ipynb)
- [Softmax & cross-entroy](5_nn/3-softmax_ce.ipynb)
8. [PyTorch](6_pytorch/README.md)
- [Tensor](6_pytorch/1-tensor.ipynb)
- [autograd](6_pytorch/2-autograd.ipynb)
- [linear-regression](6_pytorch/3-linear-regression.ipynb)
- [logistic-regression](6_pytorch/4-logistic-regression.ipynb)
- [nn-sequential-module](6_pytorch/5-nn-sequential-module.ipynb)
- [deep-nn](6_pytorch/6-deep-nn.ipynb)
- [param_initialize](6_pytorch/7-param_initialize.ipynb)
- [optim/sgd](6_pytorch/optimizer/6_1-sgd.ipynb)
- [optim/adam](6_pytorch/optimizer/6_6-adam.ipynb)
9. [Deep Learning](7_deep_learning/README.md)
- CNN
- [CNN Introduction](7_deep_learning/1_CNN/CNN_Introduction.pptx)
- [CNN simple demo](demo_code/3_CNN_MNIST.py)
- [Basic of Conv](7_deep_learning/1_CNN/01-basic_conv.ipynb)
- [LeNet5](7_deep_learning/1_CNN/02-LeNet5.ipynb)
- [AlexNet](7_deep_learning/1_CNN/03-AlexNet.ipynb)
- [VGG Network](7_deep_learning/1_CNN/04-vgg.ipynb)
- [GoogleNet](7_deep_learning/1_CNN/05-googlenet.ipynb)
- [ResNet](7_deep_learning/1_CNN/06-resnet.ipynb)
- [DenseNet](7_deep_learning/1_CNN/07-densenet.ipynb)
- [Batch Normalization](7_deep_learning/1_CNN/08-batch-normalization.ipynb)
- [Learning Rate Decay](7_deep_learning/1_CNN/09-lr-decay.ipynb)
- [Regularization](7_deep_learning/1_CNN/10-regularization.ipynb)
- [Data Augumentation](7_deep_learning/1_CNN/11-data-augumentation.ipynb)
- RNN
- [rnn/pytorch-rnn](7_deep_learning/2_RNN/pytorch-rnn.ipynb)
- [rnn/rnn-for-image](7_deep_learning/2_RNN/rnn-for-image.ipynb)
- [rnn/lstm-time-series](7_deep_learning/2_RNN/time-series/lstm-time-series.ipynb)
- GAN
- [gan/autoencoder](7_deep_learning/3_GAN/autoencoder.ipynb)
- [gan/vae](7_deep_learning/3_GAN/vae.ipynb)
- [gan/gan](7_deep_learning/3_GAN/gan.ipynb)
## 2. 学习的建议
1. 为了更好的学习本课程，需要大家把[Python编程](0_python)能力培养好，通过一定数量的练习题、小项目培养Python编程思维，为后续的机器学习理论与实践打好坚实的基础。
2. 机器学习是一门应用、实践性质很强的学科，需要理论结合实践并在实际应用中进行学习。学习一门知识最好的办法就是使用它，因此建议读者一定要自己动手实操，不要嫌麻烦，尽可能把本书中的代码全部自己敲一下这样才能对内容有更加深刻的理解。
3. 本课程各个章节都有[作业](https://gitee.com/pi-lab/machinelearning_homework)，此外还有[综合练习项目](https://gitee.com/pi-lab/machinelearning_homework)，通过完成作业和练习项目来加深对所学知识的理解。
4. 每个课程前半部分是理论基础，后半部分是代码实现。如果想学的更扎实，可以自己把各个方法的代码亲自实现一下。做的过程如果遇到问题尽可能自己想解决办法，因为最重要的目标不是代码本身，而是学会分析问题、解决问题的能力。
5. 有些同学看完数学公式后觉得自己理解了，可是要写程序时却不知如何下手，然后就会发现自己其实并没有完全理解。因此，编写程序是一种验证自己是否真正理解数学和理论的重要方法。另外，即使无法理解数学公式，通过运行别人编写好的程序（与数学公式对应且可运行的)，并与公式相互验证、分析也可以帮助自己理解。
6. **不能直接抄已有的程序，或者抄别人的程序**，如果自己不会要自己去想，去找解决方法，或者去问。如果直接抄别人的代码，这样的练习一点意义都没有。**如果感觉太难，可以做的慢一些，但是坚持自己思考、自己编写练习代码**。
7. **请先遍历一遍所有的文件夹，了解有什么内容，资料**。各个目录里有很多说明文档，如果不会，可先找找有没有相关的文档，如果找不到合适的文档就去网上找找。通过这个过程锻炼自己搜索文献、资料的能力。
8. 人的时间和精力是有限的，在目前学科大融合的背景下，各位同学不单单是学这一门课，还有很多专业课需要学习。即使最终理解并掌握了这门课，但如果花费了太多时间，那就耽误其他课程的学习。�
机器学习与人工智能教程.rar
需积分: 5 137 浏览量
2023-05-28
19:43:34
上传
评论
收藏 298.61MB RAR 举报
机器学习与人工智能教程.rar （473个子文件） 
circle.csv 30KB dataset_circles.csv 30KB iris.csv 5KB lstm_data.csv 2KB data.csv 2KB random-matrix.csv 72B stockholm_td_adj.dat 2.73MB breast-cancer-wisconsin.data 19KB data_batch_1 29.6MB data_batch_2 29.6MB data_batch_3 29.6MB data_batch_4 29.6MB data_batch_5 29.6MB
neural_network_demo.gif 4.2MB AI-PDE_FNO_res.gif 2.69MB 3d_cnn_01.gif 2.6MB nn-forward.gif 2.17MB nn-forward.gif 2.17MB mlp_theory.gif 612KB 3d_cnn_04.gif 466KB 3d_cnn_03.gif 430KB 3d_cnn_02.gif 399KB 3d_cnn_05.gif 303KB PyTorch_demo.gif 258KB 3d_cnn_06.gif 252KB 2d_conv.gif 246KB nn-activation-function.gif 118KB fig1.gif 18KB fig2.gif 9KB fig3.gif 4KB neuron.gif 3KB .gitignore 93B
readme.html 88B matplotlib_full.ipynb 1.41MB 11-data-augumentation.ipynb 1.33MB gan.ipynb 1.18MB 1-k-means_EN.ipynb 933KB 2-kmeans-color-vq_EN.ipynb 911KB 3-ClusteringAlgorithms.ipynb 884KB 3-ClusteringAlgorithms_EN.ipynb 783KB Matplotlib.ipynb 779KB 2-kmeans-color-vq.ipynb 625KB 2-matplotlib_tutorial.ipynb 602KB 2-matplotlib_tutorial_EN.ipynb 525KB 2-mlp_bp_EN.ipynb 516KB nn-from-scratch.ipynb 492KB Seaborn.ipynb 443KB 2-Logistic_regression.ipynb 434KB 0-ipython_notebook_EN.ipynb 421KB 1-Least_squares_EN.ipynb 417KB datasets.ipynb 366KB 01-basic_conv.ipynb 350KB 2-mlp_bp.ipynb 330KB 4-scipy_tutorial.ipynb 313KB 4-scipy_tutorial_EN.ipynb 299KB 2-Logistic_regression_EN.ipynb 295KB 1-k-means.ipynb 225KB 5-sympy_tutorial.ipynb 203KB 3b - Linear regression 2D.ipynb 178KB 5-nn-sequential-module.ipynb 175KB 1-numpy_tutorial_EN.ipynb 161KB 1-numpy_tutorial.ipynb 156KB 1-Least_squares.ipynb 153KB 5-sympy_tutorial_EN.ipynb 135KB bokeh_tutorial.ipynb 133KB 3-linear-regression.ipynb 111KB matplotlib_ani.ipynb 111KB 4 - Logistic Regression.ipynb 95KB 6_1-sgd.ipynb 88KB 6_2-momentum.ipynb 86KB knn_classification_EN.ipynb 86KB 6-deep-nn.ipynb 84KB 4-logistic-regression.ipynb 76KB autoencoder.ipynb 76KB SciPy.ipynb 75KB notebook_tips.ipynb 73KB 3a - Linear regression 1D.ipynb 69KB 6_4-rmsprop.ipynb 68KB lstm-time-series.ipynb 61KB knn_classification.ipynb 61KB 02-LeNet5.ipynb 58KB 04-vgg.ipynb 55KB 07-densenet.ipynb 49KB 05-googlenet.ipynb 48KB Statsmodels.ipynb 46KB 3-PCA_and_Logistic_Regression.ipynb 44KB 03-AlexNet.ipynb 43KB 3_Data_Structure_1.ipynb 42KB 3-PCA_and_Logistic_Regression_EN.ipynb 42KB 1-Perceptron.ipynb 40KB 3_Data_Structure_1_EN.ipynb 39KB 6_5-adadelta.ipynb 38KB 6_3-adagrad.ipynb 37KB 6_6-adam.ipynb 36KB 09-lr-decay.ipynb 36KB 4-homework.ipynb 32KB 7_Class_EN.ipynb 30KB 7_Class.ipynb 28KB 4_Data_Structure_2.ipynb 25KB 4_Data_Structure_2_EN.ipynb 24KB共 473 条
- 1
- 2
- 3
- 4
- 5
资源评论
