本笔记内容是对斯坦福大学教授Andrew Ng课程的学习过程，请点击阅读原文跳转。
主要内容如下：
有监督学习：
线性回归（linear regression）、逻辑回归（logistic regression）、神经网络（neural networks）、支持向量机（SVMs）
无监督学习：
K均值（K-means）、主成分分析（PCA）、异常检测（Anomaly detection）
应用：
推荐系统、大型机器学习
关于创建机器学习系统的建议：
方差/偏差、正则化、下一步的选择、学习算法的评估、学习曲线、误差分析、上限分析
花了将近两个月的时间，终于把笔记写完。
能力有限，可能存在很多遗漏和误读的地方，敬请谅解。
以下为笔记链接，点击对应的链接即可跳转到对应的笔记文章。
第一周
第二周
机器学习笔记005 | 多特征线性回归，更加接近现实情况的预测
机器学习笔记008 | 梯度下降和正规方程的代码实现与简单应用
第三周
第四周
第五周
第六周
第七周
第八周
机器学习笔记031 | 无监督学习算法——K均值（K-means）
机器学习笔记032 | 维数约减（Dimensionality Reduction）
机器学习笔记034 | K-means 和 PCA 的代码实现
第九周
机器学习笔记035 | 异常检测(Anomaly detection)介绍
机器学习笔记037 | 多元高斯分布（Multivariate Gaussian Distribution）
网友评论