本课程专为零基础学员设计，涵盖从机器学习基础到智能机器人开发的全流程。通过详细的视频教程和源码解析，学员将掌握KNN算法、线性回归、矩阵运算等核心AI技术，并应用于实际项目如房价预测和手写数字识别。课程还包括实战案例，如AI自动驾驶和神经网络应用，帮助学员快速上手AI编程，开启智能机器人开发之旅。
以下云资源目录树快照生成于[11个月前]，该学习资料由夸克云用户[热情*金丝猴]分享（只展示大部分文件和目录）
零基础AI编程入门：智能机器人开发实战（含源码）1.58 GB(mp4视频84节；)
day4
19_概率简介.mp453.67MB18_交叉熵cross-entropy_ev.mp415.54MB17_线性模型和非线性模型_ev.mp413.25MB16_感知机数学原理_ev.mp46.38MB15_感知机_ev.mp45.06MB14_多层神经网络演示_ev.mp423.7MB13_神经网络的作用_ev.mp45.5MB12_ai自动驾驶_ev.mp43.54MB11_手写数字bug处理_ev.mp417.32MB10_手写数字的识别_ev.mp448.9MB09_手写数字数据集的处理_ev.mp424.37MB08_手写数字的识别原理_ev.mp411.8MB07_手写数字数据集_ev.mp418.51MB06_多分类问题softmax公式_ev.mp412.43MB05_多分类的概率问题思考_ev.mp414.34MB04_多分类问题_ev.mp47.97MB03_逻辑回归简单实现_ev.mp424.2MB02_矩阵运算计算逻辑回归_ev.mp410.29MB01_自然底数和sigmod函数.mp430.75MBday3
24_逻辑回归的步骤.mp419.81MB23_sigmod函数引入_ev.mp412.07MB22_机器学习浅谈_ev.mp422.96MB21_图形变换综合案例_ev.mp47.51MB20_矩阵的缩放处理_ev.mp43.84MB19_矩阵运算旋转图形_ev.mp415.46MB18_矩阵运算变化图片的位置_ev.mp414.61MB17_位图和svg图的区别_ev.mp413.92MB16_bmp是如何描述图片的_ev.mp437.81MB15_矩阵可以理解为一个变化函数_ev.mp44.23MB14_函数模型的评估和错误率的计算_ev.mp420.81MB13_增加数据的维度.mp410.11MB12_对比程序执行的时间_ev.mp48.36MB11_用矩阵运算重构线性回归代码_ev.mp418.6MB10_numpy矩阵运算演示获取m和b的偏导_ev.mp418.06MB09_矩阵运算计算m和b的偏导数_ev.mp423.52MB08_用numpy进行矩阵的乘法运算_ev.mp47.78MB07_矩阵的乘法不满足交换律_ev.mp45.51MB06_手动计算矩阵的乘法_ev.mp410.6MB05_矩阵的加法_ev.mp45.34MB04_矩阵的形状_ev.mp414.7MB03_简单理解矩阵运算的现实含义_ev.mp45.85MB02_问题描述_ev.mp43.49MB01_高等数学入门.mp423.3MBday2
14_作业演示.mp432.86MB13_代码测试生成m和b_ev.mp415.54MB12_Python代码实现梯度下降_ev.mp437.19MB11_对m和b分别进行梯度下降_ev.mp422.18MB10_偏导数分别求解m和b的导数_ev.mp415.91MB09_Excel演示梯度下降&学习速率_ev.mp422.3MB08_mse对b进行求导_ev.mp411.93MB07_求导简单入门_ev.mp413.01MB06_梯度下降的问题分析_ev.mp410.8MB05_excle来简单理解梯度下降_ev.mp418.78MB04_损失函数和最小均方差_ev.mp414.93MB03_Excel进行线性回归_ev.mp48.92MB02_线性回归解决什么问题_ev.mp47.67MB01_线性回归和Knn.mp414.91MBday1
附1_如何学习数学.mp413.91MB附：问题1.mp414.89MB24_数据的归一化和标准化.mp463.05MB23_ 房价预测简单框架.mp452.57MB22_使用矩阵和向量实现knn.mp468.95MB21_概念总结.mp45.77MB20_向量和向量的运算.mp429.98MB19_knn的feature的选择.mp48.88MB18_数据归一化.mp431.97MB17_代码增加一个维度.mp416.97MB16_二维空间距离的计算.mp428.61MB15_欧式距离.mp411.89MB14_numpy加载特殊数据.mp416.33MB13_增加数据的维度.mp410.35MB12_调参选取最优的k.mp436.48MB11_生成测试和训练数据集.mp419.62MB10_评估模型好坏的方法，训练集和测试集.mp410.35MB09_实验演示验证结论.mp425.56MB08_抽取knn函数.mp411.17MB07_代码流程回顾.mp415.05MB06_knn算法python实现.mp470.7MB05_knn算法入门.mp412.04MB04_数据采集方式.mp443.89MB03_什么是机器学习(1).mp416.04MB02_feature和label.mp427.73MB01_引言和学习方法.mp412.8MB00_为什么要学习数学(1).mp418.12MB
