第一周
一、 引言(Introduction)
1.1 歡迎
1.2 機器學(xué)習(xí)是什么？
1.3 監(jiān)督學(xué)習(xí)
1.4 無監(jiān)督學(xué)習(xí)
二、單變量線性回歸(Linear Regression with One Variable)
2.1 模型表示
2.2 代價函數(shù)
2.3 代價函數(shù)的直觀理解I
2.4 代價函數(shù)的直觀理解II
2.5 梯度下降
2.6 梯度下降的直觀理解
2.7 梯度下降的線性回歸
2.8 接下來的內(nèi)容
三、線性代數(shù)回顧(Linear Algebra Review)
3.1 矩陣和向量
3.2 加法和標量乘法
3.3 矩陣向量乘法
3.4 矩陣乘法
3.5 矩陣乘法的性質(zhì)
3.6 逆、轉(zhuǎn)置
第二周
四、多變量線性回歸(Linear Regression with Multiple Variables)
4.1 多維特征
4.2 多變量梯度下降
4.3 梯度下降法實踐1-特征縮放
4.4 梯度下降法實踐2-學(xué)習(xí)率
4.5 特征和多項式回歸
4.6 正規(guī)方程
4.7 正規(guī)方程及不可逆性（選修）
五、Octave教程(Octave Tutorial)
5.1 基本操作
5.2 移動數(shù)據(jù)
5.3 計算數(shù)據(jù)
5.4 繪圖數(shù)據(jù)
5.5 控制語句：for，while，if語句
5.6 向量化 88
5.7 工作和提交的編程練習(xí)
第三周
六、邏輯回歸(Logistic Regression)
6.1 分類問題
6.2 假說表示
6.3 判定邊界
6.4 代價函數(shù)
6.5 簡化的成本函數(shù)和梯度下降
6.6 高級優(yōu)化
6.7 多類別分類：一對多
七、正則化(Regularization)
7.1 過擬合的問題
7.2 代價函數(shù)
7.3 正則化線性回歸
7.4 正則化的邏輯回歸模型
第四周
第八、神經(jīng)網(wǎng)絡(luò)：表述(Neural Networks: Representation)
8.1 非線性假設(shè)
8.2 神經(jīng)元和大腦
8.3 模型表示1
8.4 模型表示2
8.5 樣本和直觀理解1
8.6 樣本和直觀理解II
8.7 多類分類
第五周
九、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)(Neural Networks: Learning)
9.1 代價函數(shù)
9.2 反向傳播算法
9.3 反向傳播算法的直觀理解
9.4 實現(xiàn)注意：展開參數(shù)
9.5 梯度檢驗
9.6 隨機初始化
9.7 綜合起來
9.8 自主駕駛
第六周
十、應(yīng)用機器學(xué)習(xí)的建議(Advice for Applying Machine Learning)
10.1 決定下一步做什么
10.2 評估一個假設(shè)
10.3 模型選擇和交叉驗證集
10.4 診斷偏差和方差
10.5 正則化和偏差/方差
10.6 學(xué)習(xí)曲線
10.7 決定下一步做什么
十一、機器學(xué)習(xí)系統(tǒng)的設(shè)計(Machine Learning System Design)
11.1 首先要做什么
11.2 誤差分析
11.3 類偏斜的誤差度量
11.4 查準率和查全率之間的權(quán)衡
11.5 機器學(xué)習(xí)的數(shù)據(jù)
第七周
十二、支持向量機(Support Vector Machines)
12.1 優(yōu)化目標
12.2 大邊界的直觀理解
12.3 數(shù)學(xué)背后的大邊界分類（選修）
12.4 核函數(shù)1
12.5 核函數(shù)2
12.6 使用支持向量機
第八周
十三、聚類(Clustering)
13.1 無監(jiān)督學(xué)習(xí)：簡介
13.2 K-均值算法
13.3 優(yōu)化目標
13.4 隨機初始化
13.5 選擇聚類數(shù)
十四、降維(Dimensionality Reduction)
14.1 動機一：數(shù)據(jù)壓縮
14.2 動機二：數(shù)據(jù)可視化
14.3 主成分分析問題
14.4 主成分分析算法
14.5 選擇主成分的數(shù)量
14.6 重建的壓縮表示
14.7 主成分分析法的應(yīng)用建議
第九周
十五、異常檢測(Anomaly Detection)
15.1 問題的動機
15.2 高斯分布
15.3 算法
15.4 開發(fā)和評價一個異常檢測系統(tǒng)
15.5 異常檢測與監(jiān)督學(xué)習(xí)對比
15.6 選擇特征
15.7 多元高斯分布（選修）
15.8 使用多元高斯分布進行異常檢測（選修）
十六、推薦系統(tǒng)(Recommender Systems)
16.1 問題形式化
16.2 基于內(nèi)容的推薦系統(tǒng)
16.3 協(xié)同過濾
16.4 協(xié)同過濾算法
16.5 向量化：低秩矩陣分解
16.6 推行工作上的細節(jié)：均值歸一化
十七、大規(guī)模機器學(xué)習(xí)(Large Scale Machine Learning)
17.1 大型數(shù)據(jù)集的學(xué)習(xí)
17.2 隨機梯度下降法
17.3 小批量梯度下降
17.4 隨機梯度下降收斂
17.5 在線學(xué)習(xí)
17.6 映射化簡和數(shù)據(jù)并行
十八、應(yīng)用實例：圖片文字識別(Application Example: Photo OCR)
18.1 問題描述和流程圖
18.2 滑動窗口
18.3 獲取大量數(shù)據(jù)和人工數(shù)據(jù)
18.4 上限分析：哪部分管道的接下去做
十九、總結(jié)(Conclusion)
19.1 總結(jié)和致謝
