网址：https://www.bilibili.com/video/av50747658/ （b站找的有中文字幕的视频）

第一周

一、引言

1.1 欢迎

1.2 机器学习是什么

1.3 监督学习

1.4 无监督学习

二、单变量线性回归

2.1 模型表示

2.2 代价函数

2.3 代价函数的直观理解 I

2.4 代价函数的直观理解 II

2.5 梯度下降

2.6 梯度下降的直观理解

2.7 梯度下降的线性回归

2.8 接下来的内容

三、线性代数回顾

3.1 矩阵和向量

3.2 加法和标量乘法

3.3 矩阵向量乘法

3.4 矩阵乘法

3-5 矩阵乘法特征

（1）矩阵乘法不适用交换律

（2）矩阵乘法满足结合律

（3）单位矩阵是对角线（a11，a22，a33...）都等于1的矩阵

3-6 逆和转置

（1）逆矩阵

只有m*m的矩阵有逆矩阵

I是单位矩阵

（2）转置

aij的矩阵，变成aji

第2周

四、多变量线性回归

4-1 多功能

当用多个参数预测房价时，需使用多元线性回归，向量表示为：

4-2 多元梯度下降法

4-3 梯度下降法实践 1-特征缩放

4-4 梯度下降法实践 2-学习率

4-5 特征和多项式回归

4-6 正规方程

4-7 正规方程及不可逆性（可选）

五、Octave教程

5-1 基本操作

~= 表示 逻辑不等于

5-2 移动数据

5-3 计算数据

5-4 数据绘制

5-5 控制语句：for while if 语句

5-6 矢量（没太看懂）

 第三周

六、逻辑回归

6-1 分类

逻辑回归算法（logistics regression）——逻辑回归算法是个分类算法，它适用于y值取离散值得情况。

二元分类（0，1分类）

6-2 假设陈述

6-3 决策界限

6-4 代价函数

6-5 简化代价函数与梯度下降

6-6 高级优化

学完本章需要实现：写一个函数，它能返回代价函数值、梯度值，因此要把这个应用到逻辑回归或者甚至线性回归中，你也可以把这些优化算法用于线性回归，你需要做的就是输入合适的代码来计算这里的这些东西。

6-7 多元分类——一对多

y值是多个分类值

七、正则化

7-1 过拟合问题

什么是过拟合

正则化

7-2 代价函数

7-3 线性回归的正则化

7-4 逻辑回归的正则化

---------------------------------------

 第四周

八、神经网络：表述

8-1 非线性假设

8-2 神经元与大脑

8-3 模型展示I

8-4 模型展示II

8-5 例子与直觉理解I

8-6 例子与直觉理解II

8-7 多元分类

9-1 代价函数

9-2 反向传播算法

9-3 理解反向传播算法

9-4 使用注意：展开参数

9-5 梯度检测

9-6 随机初始化

9-7 组合到一起

9-8 无人驾驶

10-1 决定下一步做什么

10-2 评估假设

10-3 模型选择和训练、测试、验证集

60% 20% 20% 划分这三个集合（常用）

10-4 诊断偏差与方差

10-5 正则化和方差、偏差

10-6 学习曲线

10-7 决定接下来要做什么

11-1 确定执行的优先级

11-2 误差分析

11-3 不对称性分类的误差评估

11-4 精确度和召回率的权衡

11-5 机器学习数据　　

12-1 优化目标

12-2 直观上对大间隔的理解

12-3 大间隔分类器的数学原理

12-4 核函数1

12-5 核函数2

12-6 使用SVM

13-1 无监督学习

聚类

13-2 K-Means算法

13-3 优化目标

13-4 随机初始化

13-5- 选取聚类数量

14-1 目标I：数据压缩

14-2 目标II：可视化

14-3 主成分分析问题规划1

14-4 主成分分析问题规划2

14-5 主成分数量选择

14-6 压缩重现

14-7 应用PCA的建议

15-1 问题动机

15-2 高斯分布（正态分布）

15-3 算法

15-4 开发和评估异常检测系统

15-5 异常检测 VS 监督学习

当正样本过少，负样本较多的时候，使用异常检测，算法可以从负样本中学到足够多的特征

反之，负样本过少的时候，用监督学习

15-6 选择要使用的功能

15-7 多变量高斯分布

15-8 使用多变量高斯分布的异常检测

16-1 问题规划

推荐系统

16-2 基于内容的推荐算法

16-3 协同过滤

16-4 协同过滤算法

16-5 矢量化：低秩矩阵分解

16-6 实施细节：均值规范化

17-1 学习大数据集

17-2 随机梯度下降

17-3 Mini-Batch 梯度下降

17-4 随机梯度下降收敛

17-5 在线学习

17-6 减少映射与数据并行

18-1 问题描述与OCR.pipeline

图像识别

18-2 滑动窗口

使用滑动窗口检测器找出图片中的行人

18-3 获取大量数据和人工数据

18-4 天花板分析：下一步工作的pipeline

19-1 总结与感谢