# machinelearning_notebook **Repository Path**: sijie-han/machinelearning_notebook ## Basic Information - **Project Name**: machinelearning_notebook - **Description**: 机器学习教程 - **Primary Language**: Python - **License**: GPL-2.0 - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 462 - **Created**: 2020-11-24 - **Last Updated**: 2022-05-24 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # 机器学习 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。 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-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。 为了让大家更好的自学本课程，课程讲座的视频会陆续上传到[《B站 - 机器学习》](https://www.bilibili.com/video/BV1oZ4y1N7ei/)，欢迎大家观看学习。 ![Machine Learning Cover](images/machine_learning.png) ## 1. 内容 1. [课程简介](CourseIntroduction.pdf) 2. [Python](0_python/) - [Install Python](tips/InstallPython.md) - [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/) - [numpy](1_numpy_matplotlib_scipy_sympy/1-numpy_tutorial.ipynb) - [matplotlib](1_numpy_matplotlib_scipy_sympy/2-matplotlib_tutorial.ipynb) - [ipython & notebook](1_numpy_matplotlib_scipy_sympy/3-ipython_notebook.ipynb) 4. [knn](2_knn/knn_classification.ipynb) 5. [kMenas](3_kmeans/1-k-means.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) 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/) - Basic - [basic/Tensor-and-Variable](6_pytorch/0_basic/1-Tensor-and-Variable.ipynb) - [basic/autograd](6_pytorch/0_basic/2-autograd.ipynb) - [basic/dynamic-graph](6_pytorch/0_basic/3-dynamic-graph.ipynb) - NN & Optimization - [nn/linear-regression-gradient-descend](6_pytorch/1_NN/linear-regression-gradient-descend.ipynb) - [nn/logistic-regression](6_pytorch/1_NN/logistic-regression.ipynb) - [nn/nn-sequential-module](6_pytorch/1_NN/nn-sequential-module.ipynb) - [nn/bp](6_pytorch/1_NN/bp.ipynb) - [nn/deep-nn](6_pytorch/1_NN/deep-nn.ipynb) - [nn/param_initialize](6_pytorch/1_NN/param_initialize.ipynb) - [optim/sgd](6_pytorch/1_NN/optimizer/sgd.ipynb) - [optim/adam](6_pytorch/1_NN/optimizer/adam.ipynb) - CNN - [CNN simple demo](demo_code/3_CNN_MNIST.py) - [cnn/basic_conv](6_pytorch/2_CNN/basic_conv.ipynb) - [cnn/minist (demo code)](./demo_code/3_CNN_MNIST.py) - [cnn/batch-normalization](6_pytorch/2_CNN/batch-normalization.ipynb) - [cnn/regularization](6_pytorch/2_CNN/regularization.ipynb) - [cnn/lr-decay](6_pytorch/2_CNN/lr-decay.ipynb) - [cnn/vgg](6_pytorch/2_CNN/vgg.ipynb) - [cnn/googlenet](6_pytorch/2_CNN/googlenet.ipynb) - [cnn/resnet](6_pytorch/2_CNN/resnet.ipynb) - [cnn/densenet](6_pytorch/2_CNN/densenet.ipynb) - RNN - [rnn/pytorch-rnn](6_pytorch/3_RNN/pytorch-rnn.ipynb) - [rnn/rnn-for-image](6_pytorch/3_RNN/rnn-for-image.ipynb) - [rnn/lstm-time-series](6_pytorch/3_RNN/time-series/lstm-time-series.ipynb) - GAN - [gan/autoencoder](6_pytorch/4_GAN/autoencoder.ipynb) - [gan/vae](6_pytorch/4_GAN/vae.ipynb) - [gan/gan](6_pytorch/4_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. 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。 3. **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**。。 4. **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，如果不会先找找有没有文档，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。 5. 本课程的练习题最好使用[Linux](https://gitee.com/pi-lab/learn_programming/blob/master/6_tools/linux)以及Linux下的工具来做。逼迫自己使用[Linux](https://gitee.com/pi-lab/learn_programming/blob/master/6_tools/linux)，只有多练、多用才能快速进步。如果实在太难，先在虚拟机（建议VirtualBox）里装一个Linux（例如Ubuntu，或者LinuxMint等），先熟悉一下。但是最终需要学会使用Linux。 ## 3. 参考资料 * 资料速查 * [相关学习参考资料汇总](References.md) * [一些速查手册](references_tips/cheatsheet) * 机器学习方面技巧等 * [Confusion Matrix](references_tips/confusion_matrix.ipynb) * [Datasets](references_tips/datasets.ipynb) * [构建深度神经网络的一些实战建议](references_tips/构建深度神经网络的一些实战建议.md) * [Intro to Deep Learning](references_tips/Intro_to_Deep_Learning.pdf) * Python技巧等 * [安装Python环境](references_tips/InstallPython.md) * [Python tips](references_tips/python) * Git * [Git Tips - 常用方法速查，快速入门](https://gitee.com/pi-lab/learn_programming/blob/master/6_tools/git/git-tips.md) * [Git快速入门 - Git初体验](https://my.oschina.net/dxqr/blog/134811) * [在win7系统下使用TortoiseGit(乌龟git)简单操作Git](https://my.oschina.net/longxuu/blog/141699) * [Git系统学习 - 廖雪峰的Git教程](https://www.liaoxuefeng.com/wiki/0013739516305929606dd18361248578c67b8067c8c017b000) * Markdown * [Markdown—入门指南](https://www.jianshu.com/p/1e402922ee32) ## 4. 更进一步学习 在上述内容学习完成之后，可以进行更进一步机器学习、计算机视觉方面的学习与研究，具体的资料可以参考： 1. 编程是机器学习研究、实现过程非常重要的能力，编程能力弱则无法快速试错，导致研究进度缓慢；如果编程能力强，则可以快速试错，快速编写实验代码等。强烈建议大家在学习本课程之后或之中，好好把数据结构、算法等基本功锻炼一下。具体的教程可以参考[《一步一步学编程》](https://gitee.com/pi-lab/learn_programming) 2. 智能系统实验室-培训教程与作业：这个教程是实验室积累的机器学习与计算机视觉方面的教程集合，每个课程介绍基本的原理、编程实现、应用方法等资料，可以作为快速入门的学习材料。 - [《智能系统实验室-暑期培训教程》](https://gitee.com/pi-lab/SummerCamp) - [《智能系统实验室-暑期培训作业》](https://gitee.com/pi-lab/SummerCampHomework) 3. [《编程代码参考、技巧集合》](https://gitee.com/pi-lab/code_cook)：可以在这个代码、技巧集合中找到某项功能的示例，从而加快自己代码的编写