机器学习笔记汇总

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

机器学习笔记001 | 我对机器学习的理解

机器学习笔记002 | 怎么预测和怎么准确预测

机器学习笔记003 | 梯度下降算法

机器学习笔记004 | 矩阵和向量，提升效率的数学工具

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006 | 更加准确的拟合，更加快速地收敛

机器学习笔记007 | 正规方程

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

机器学习笔记009 | 关于分类问题的预测

机器学习笔记010 | 分类问题的代价函数和最小化取值算法

机器学习笔记011 | 多元分类问题

机器学习笔记012 | 过度拟合和正则化

机器学习笔记013 | 逻辑回归代码实现和简单应用

机器学习笔记014 | 对于因子选股，机器学习可以这样用

第四周

机器学习笔记015 | 神经网络算法介绍

机器学习笔记016 | 神经网络算法

机器学习笔记017 | 图片中的数字是怎么被识别出来的

第五周

机器学习笔记018 | 神经网络的代价函数

机器学习笔记019 | 反向传播算法与神经网络的梯度

机器学习笔记020 | 梯度检验和随机的初始参数

机器学习笔记021 | 反向传播方法的代码实现

第六周

机器学习笔记022 | 如何评估学习算法

机器学习笔记023 | 高偏差和高方差

机器学习笔记024 | 算法问题的诊断与处理

机器学习笔记025 | 算法诊断的代码实现

机器学习笔记026 | 如何快速建立准确的机器学习模型

机器学习笔记027 | 如何处理偏斜类

第七周

机器学习笔记028 | 支持向量机SVM的原理

机器学习笔记029 | 核函数

机器学习笔记030 | SVM的简单使用

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033 | 主成分分析法（PCA）

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036 | 异常检测的注意点

机器学习笔记037 | 多元高斯分布（Multivariate Gaussian Distribution）

机器学习笔记038 | 推荐系统的理论逻辑

机器学习笔记039 | 异常检测与推荐系统

第十周

机器学习笔记040 | 大量数据的处理

第十一周

机器学习笔记041 | 机器学习的流水线和资源分配