自然语言处理与词嵌入1. 词汇表征2. 使用词嵌入3. 词嵌入的特性4. 嵌入矩阵5. 学习词嵌入6. Word2Vec7. 负采样8. GloVe 词向量9. 情感分类10. 词嵌入除偏1. 词汇表征词嵌入（word embeddings），这是语言表示的一种方式，可以让算法自动的理解一些类似的词，比如 男人对女人，国王对王后而如果使用个one-hot 向量来表示词，缺点：它把每个词孤立起来，算

机器学习课程总结一、有监督学习（Supervised learning）1. 线性回归（Linear regression）2. 逻辑回归（Logistic regression）3. 神经网络（Neural Networks）4. 支持向量机（Support Vector Machines）二、无监督学习（Unsupervised learning）1. K-means算法2. PCA主成分分析

一个完整的深度框架中应该包含两个主要部分，即训练（training）和推理（inference）训练（Training）打个比方，你现在想要训练一个能区分苹果还是橘子的模型，你需要搜索一些苹果和橘子的图片，这些图片放在一起称为训练数据集（training dataset），训练数据集是有标签的，苹果图片的标签就是苹果，橘子亦然。一个初始神经网络通过不断的优化自身参数，来让自己变得准确，可能开始10

线性回归是利用数理统计中回归分析来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。一、单变量线性回归单变量线性回归(Univariate linear regres

异常检测1. 问题的动机2. 高斯分布3. 算法4. 开发和评价异常检测系统5. 异常检测与监督学习对比6. 选择特征7. 多元高斯分布8. 使用多元高斯分布进行异常检测1. 问题的动机  异常检测是机器学习算法的一个常见应用，这种算法的一个有趣之处在于：它虽然主要用于非监督学习，但从某些角度来看，又类似于一些监督学习问题。  一个异常检测的例子：假设作为一个飞机引擎制造商，当我们生产的飞机引擎从

深度卷积网络：实例探究1. 为什么要进行实例探究2. 经典网络3. 残差网络 ResNets4. 残差网络为什么有用5. 网络中的网络 以及 1×1 卷积6. 谷歌 Inception 网络简介7. Inception 网络8. 使用开源的实现方案9. 迁移学习10. 数据增强 Data augmentation11. 计算机视觉现状1. 为什么要进行实例探究学习大佬们的组建网络的方法，借鉴过来解

支持向量机1. 优化目标2. 大间距的直观理解3. 大间距分类器背后的数学原理4. 核函数5. 使用支持向量机1. 优化目标  与Logistic回归和神经网络相比，支持向量机（SVM）在学习复杂的非线性方程时提供了一种更为清晰、更加强大的方式。  接下来，我们从Logistic回归开始展示我们如何一点一点修改来得到本质上的支持向量机。  Logistic回归模型的假设函数是hθ(x)=g(θTx

应用实例：图片文字识别1. 问题描述和流水线2. 滑动窗口3. 获取大量数据：人工数据合成4. 上限分析：流水线的哪个模块最有改进价值  学习图片文字识别的应用实例要做的事情：展示一个复杂的机器学习系统是如何组合起来的；介绍机器学习流水线（machine learning pipeline）的有关概念以及如何分配资源来对下一步的计划作决定；通过介绍photo OCR（photo Optical C

降维1. 动机1：数据压缩2. 动机2：数据可视化3. 主成分分析问题规划4. 主成分分析算法5. 重建压缩表示6. 主成分数量的选择7. 应用PCA的建议1. 动机1：数据压缩  数据压缩不仅能对数据进行压缩，使得数据占用较少的内存或硬盘空间，还能让我们对学习算法进行加速。  假使我们要采用两种不同的仪器来测量一些东西的尺寸，其中一个仪器测量结果x1x_{1}x1​的单位是厘米，另一个仪器测量的

异常检测1. 问题的动机2. 高斯分布3. 算法4. 开发和评价异常检测系统5. 异常检测与监督学习对比6. 选择特征7. 多元高斯分布8. 使用多元高斯分布进行异常检测1. 问题的动机  异常检测是机器学习算法的一个常见应用，这种算法的一个有趣之处在于：它虽然主要用于非监督学习，但从某些角度来看，又类似于一些监督学习问题。  一个异常检测的例子：假设作为一个飞机引擎制造商，当我们生产的飞机引擎从