人工智能很火，机器学习很热，很多同学想去学习，但不知如何下手。

　　网上教程很多，上来就学习模型，使用框架，绕来绕去，理解不了底层原理。

　　机器学习算法推理，大量公式和高等数学让人崩溃，一不小心从入门到放弃。

　　本套课程从零开始，讲解人工智能的全部核心基础，4天课让你掌握机器学习、线性代数、微积分和概率论，学完课程你可以自己推导损失函数，实现梯度下降，手写神经网络，把控无人驾驶，完成手写字识别...

　　课程特色

　　1、通俗易懂，原理和编程分开讲解。

　　2、0基础就能听懂原理，无需Python基础，了解任意一门编程语言就能听懂代码；

　　3、不用框架，自己动手实现机器学习核心代码，写神经网络

　　4、重视原理，讲解高等数学背后的演化过程，从向量到矩阵，从极限到微分

　　5、由浅入深，从helloworld到神经网络

　　6、案例丰富，大量实用案例贯穿课程，机器人投掷，预测房价，无人驾驶，自主定位等...

　　课程目录

　　章节1:day1

　　课时1、为什么要学习数学

　　课时2、引言和学习方法课时预览

　　课时3、feature和label

　　课时4、什么是机器学习

　　课时5、数据采集方式

　　课时6、knn算法入门

　　课时7、knn算法python实现

　　课时8、代码流程回顾

　　课时9、抽取knn函数

　　课时10、实验演示验证结论

　　课时11、评估模型好坏的方法，训练集和测试集

　　课时12、生成测试和训练数据集

　　课时13、调参选取最优的k

　　课时14、增加数据的维度

　　课时15、numpy加载特殊数据

　　课时16、欧式距离

　　课时17、二维空间距离的计算

　　课时18、代码增加一个维度

　　课时19、数据归一化

　　课时20、knn的feature的选择

　　课时21、向量和向量的运算

　　课时22、概念总结

　　课时23、房价预测简单框架

　　课时24、数据的归一化和标准化

　　章节2:day2

　　课时25、线性回归和Knn

　　课时26、线性回归解决什么问题

　　课时27、Excel进行线性回归

　　课时28、损失函数和最小均方差

　　课时29、excle来简单理解梯度下降

　　课时30、梯度下降的问题分析

　　课时31、求导简单入门

　　课时32、Excel演示梯度下降&学习速率

　　课时33、偏导数分别求解m和b的导

　　课时34、对m和b分别进行梯度下降

　　课时35、Python代码实现梯度下降

　　课时36、代码测试生成m和b

　　课时37、作业演示

　　章节3:day3

　　课时38、高等数学入门

　　课时39、问题描述

　　课时40、简单理解矩阵运算的现实含义

　　课时41、矩阵的形状

　　课时42、矩阵的加法

　　课时43、手动计算矩阵的乘法

　　课时44、矩阵的乘法不满足交换律

　　课时45、用numpy进行矩阵的乘法运算

　　课时46、矩阵运算计算m和b的偏导数

　　课时47、numpy矩阵运算演示获取m和b的偏导

　　课时48、用矩阵运算重构线性回归代码

　　课时49、对比程序执行的时间

　　课时50、增加数据的维度

　　课时51、函数模型的评估和错误率的计算

　　课时52、矩阵可以理解为一个变化函数

　　课时53、bmp是如何描述图片的

　　课时54、位图和svg图的区别

　　课时55、矩阵运算变化图片的位置

　　课时56、矩阵运算旋转图形

　　课时57、矩阵的缩放处理

　　课时58、图形变换综合案例

　　课时59、机器学习浅谈

　　课时60、sigmod函数引入

　　课时61、逻辑回归的步骤

　　章节4:day4

　　课时62、自然底数和sigmod函数

　　课时63、矩阵运算计算逻辑回归

　　课时64、逻辑回归简单实现

　　课时65、多分类问题

　　课时66、多分类的概率问题思考

　　课时67、多分类问题softmax公式

　　课时68、手写数字数据集

　　课时69、手写数字的识别原理

　　课时70、手写数字数据集的处理

　　课时71、手写数字的识别

　　课时72、手写数字bug处理

　　课时73、ai自动驾驶

　　课时74、神经网络的作用

　　课时75、多层神经网络演示

　　课时76、感知机

　　课时77、感知机数学原理

　　课时78、线性模型和非线性模型

　　课时79、交叉熵cross-entropy

　　课时80、概率简介