簡單粗略的截屏吳恩達課程的PPT的內(nèi)容，以后有時間了再回來補充一些細節(jié)。

一、引言（Introduction）

監(jiān)督學習

無監(jiān)督學習

二、單變量線性回歸（Linear regression with one variable）

模型表示

代價函數(shù)

梯度下降

應(yīng)用于線性回歸的的梯度下降算法

三、線性代數(shù)回顧（Linear algebra review）

四、多變量線性回歸（Linear regression with multiple variables）

多維特征

多變量的梯度下降

特征和多項式回歸

正規(guī)方程

五、Octave 教程(Octave tutorial)

六、邏輯回歸（Logistic regression）

分類問題

假設(shè)表示

決策邊界

代價函數(shù)

簡化代價函數(shù) 和 梯度下降

高級優(yōu)化

多類別分類：一對多

七、正則化（Regularization）

過擬合的問題

代價函數(shù)

正則化線性回歸

正則化邏輯回歸

八、神經(jīng)網(wǎng)絡(luò)的表述（Neural networks：representation）

非線性假設(shè)

神經(jīng)元和大腦

模型表示

示例和直觀理解

多類分類

九、神經(jīng)網(wǎng)絡(luò)的學習(Neural networks: learning)

代價函數(shù)

向后傳播算法

向后傳播直觀理解

實施說明：展開參數(shù)

梯度檢驗

隨機初始化

合在一起

自動駕駛

十、應(yīng)用機器學習的建議(Advice for Applying Machine Learning)

決定接下來要嘗試什么

假設(shè)的評估

模型選擇和訓練評價測試集

診斷偏差和方差

正則化和偏差、方差

學習曲線

決定接下來要嘗試什么回顧

十一、機器學習系統(tǒng)的設(shè)計(Machine learning system design)

優(yōu)先做什么

誤差分析

偏斜類的誤差度量

權(quán)衡查準率和查全率

機器學習的數(shù)據(jù)

十二、支持向量機（Support vector machines）

優(yōu)化目標

大邊界的直觀理解

大間距分類背后的數(shù)學問題

核函數(shù)

使用SVM

十三、聚類（Clustering）

無監(jiān)督學習簡介

K-均值算法

優(yōu)化目標

隨機初始化

選擇聚類數(shù)

十四、降維（dimensionality reduction）

動機 I：數(shù)據(jù)壓縮

動機 II：數(shù)據(jù)可視化

主要成分分析問題

主要成分分析算法

選擇主要成分數(shù)量

重建的壓縮表示

應(yīng)用PCA的建議

十五、異常檢測（Anomaly detection）

問題動機

高斯分布

算法

開發(fā)和評價異常檢測系統(tǒng)

異常檢測vs監(jiān)督學習

選擇特征

多變量高斯分布

異常檢測使用多變量高斯分布

十六、推薦系統(tǒng)（Recommender system）

問題描述

基于內(nèi)容的推薦系統(tǒng)

協(xié)同過濾

協(xié)同過濾算法

向量化：低矩陣分解

實施細節(jié)：均值歸一化

十七、大規(guī)模機器學習（Large scale machine learning）

十八、