免费开源 · MIT 许可

看过的课，
随时翻得回来

网课、公开课、讲座录像，过几天想找某个推导，只能一遍遍拖进度条。course2md 把一整节课整理成一份图文讲义：每页幻灯片配着老师讲它时说的话，按章节排好，点一下就回到视频里的那一秒。

复习网课自学公开课整理讲座和组会录像

下载 macOS 版其他平台

Apple 芯片 · macOS 15 及以上 · 也可以用 Homebrew 安装

宝可梦属性图示幻灯片

Example Application02:03

分类结果幻灯片

How’s the results?40:01

皮卡丘数值特征幻灯片

比如說，皮卡丘整體強的程度是 320，HP 是 35，攻擊力是 55……

往下滚，看一节课怎么变成笔记

一节真实的课 · 1 小时 9 分 40 秒

把视频整理成笔记

预览视频

或把本地视频拖进窗口

皮卡丘数值特征幻灯片

04:26

截图 8 / 69 · 04:26 – 05:14

视频字幕

04:26比如說，皮卡丘

04:28它整體強的程度是 320

04:31它 HP 是 35，攻擊力是 55

04:34防禦力是40，特殊攻擊力是 50

04:37然後，它的特殊防禦力是 50，速度是 90

04:42所以一隻皮卡丘，我們就可以用一個 vector 來描述它

04:46這個 vector 裡面總共有 7 個數值

04:49所以，1 隻寶可夢，它就是 7 個數字所組成的一個 vector

04:56所以 1 隻皮卡丘，可以用這 7 個數字來描述它

04:59我們現在要問的問題就是

原始字幕可选 · 默认关闭

比如說，皮卡丘它整體強的程度是 320它 HP 是 35，攻擊力是 55防禦力是40，特殊攻擊力是 50然後，它的特殊防禦力是 50，速度是 90所以一隻皮卡丘，我們就可以用一個 vector 來描述它這個 vector 裡面總共有 7 個數值

比如說，皮卡丘整體強的程度是 320，HP 是 35，攻擊力是 55，防禦力是 40，特殊攻擊力是 50，特殊防禦力是 50，速度是 90。所以一隻皮卡丘，我們就可以用一個 vector 來描述它，這個 vector 裡面總共有 7 個數值。

视频摘要

以寶可夢屬性分類介紹機率生成模型，從迴歸的限制、貝氏分類與高斯參數估測，推進到共用共變異數的線性邊界及 sigmoid 後驗機率，最後引出直接學習分類參數的構想。

笔记库 · 李弘毅机器学习(选修)To Learn More - 分类神奇宝贝Pokemon

目录摘要分類任務與寶可夢資料00:00 直接套用迴歸的問題07:47 貝氏分類與生成模型16:08 高斯假設與最大概似估測24:26 分類實作與初步結果36:24 共用共變異數與模型簡化42:30 模型選擇與 Naive Bayes52:07 後驗機率的 sigmoid 表示59:13 從共用共變異數推導線性邊界1:04:32 引出直接學習分類參數1:08:45

00:15

01:16 从此处观看

比如說，你手寫一個字給機器看，看到這張圖，這是「金」。然後，output 就是這個字、這個 image 屬於哪一個 class。如果你是做中文的手寫辨識，中文有至少 8000 個 character，那就是一個 8000 個 class 的 classification。

01:16

其實這個也是寶可夢的例子。我們知道寶可夢有不同的屬性，有 18 種屬性，包括水、火、電，還有草、冰等等。我們現在要做的是一個分類的問題，就是要找一個 function。

直接套用迴歸的問題07:47

11:24

去做 Regression 的時候，你得到的線不會是綠色這條。雖然你用直覺、用眼睛一看，就會知道綠色這條是一個比較好的 boundary。

貝氏分類與生成模型16:08

16:53

在盒子 1 裡面，藍球占 4/5，綠球占 1/5……

69 张截图，10 个章节

下面这些都是 course2md 从同一节课里截下来的原图，时间点就是它在视频里出现的那一秒。

截图 00:00 — 分類任務與寶可夢資料

截图 00:15 — 分類任務與寶可夢資料

截图 01:16 — 分類任務與寶可夢資料

截图 02:03 — 分類任務與寶可夢資料

截图 02:56 — 分類任務與寶可夢資料

截图 04:26 — 分類任務與寶可夢資料

截图 05:19 — 分類任務與寶可夢資料

截图 11:24 — 直接套用迴歸的問題

截图 16:53 — 貝氏分類與生成模型

截图 25:15 — 高斯假設與最大概似估測

截图 26:53 — 高斯假設與最大概似估測

截图 27:15 — 高斯假設與最大概似估測

截图 30:42 — 高斯假設與最大概似估測

截图 40:01 — 分類實作與初步結果

截图 43:40 — 共用共變異數與模型簡化

截图 49:44 — 共用共變異數與模型簡化

截图 1:01:32 — 後驗機率的 sigmoid 表示

截图 1:08:45 — 引出直接學習分類參數

一节课，从「看过」变成「能用」

复习不用再拖进度条

一个多小时的课，几分钟就能从头翻到尾。想找某个概念，全文查找直接停在那一页、那一句。

幻灯片和讲解在一起

只看 PPT 看不懂推导，只看字幕又没有图。在这里，每张截图下面就是老师讲这一页时说的话。

笔记是你自己的

存成普通的 Markdown 和网页文件，放进 Obsidian 之类的笔记软件，或者直接打印、发给同学。不用注册账号。

一次排好一整门课

把这学期的课都丢进去，在后台一节节整理，随时暂停。整理好的按文件夹归档，用标题就能搜到。

音频默认不离开你的电脑

语音识别在本机完成。只有你主动选择云端语音服务或 AI 服务时，才会把音频或文字发送出去。

本机识别默认

云端语音服务可选

AI 校对与摘要默认关闭

下载桌面版

桌面版自带转换引擎，另外需要 ffmpeg。第一次在本机识别语音时会下载 1–2.4 GB 的语音模型。

macOS · Apple 芯片macOS 15 及以上下载 DMG

或用 Homebrew 安装，会一起装好 ffmpeg 和 yt-dlp $brew install --cask mizorewww/tap/course2md-gui

Windows · x64便携版：解压到一个固定的文件夹，运行 course2md-desktop.exe 下载 ZIP

在 PowerShell 里安装 ffmpeg >winget install --id Gyan.FFmpeg -e

Arch Linux / CachyOS · x86_64一起装好视频工具和图形库，需要可用的 Vulkan 驱动 $yay -S course2md-gui-bin

Ubuntu 和其他发行版 · x86_64在 Ubuntu 24.04 上构建；另需安装 ffmpeg 和图形库下载 tar.gz

Intel Mac 和 Linux ARM64 暂时没有桌面版，可以使用命令行版本。安装细节见安装指南。

也可以在终端里用

命令行版和桌面版共用一份配置，可以同时安装。适合批量处理、写进脚本，也能在 Intel Mac 和 Linux ARM64 上运行。

$curl -fsSL https://raw.githubusercontent.com/mizorewww/course2md/main/install.sh | bash 命令行使用说明

~/courses — zsh

~/courses ❯ course2md