Andrew Ng的机器学习视频文件夹（from coursera, 2014）

第一周：

简单介绍机器学习，有监督学习。无监督学习。

1-1，1-2，1-3，1-4

第二周：

2-1：回归问题举例

2-2：介绍cost function定义。

2-3：在回归函数是一个经过原点的直线的情况下，演绎cost function最小化的计算。

2-4：在回归函数是一条直线时。通过等高线演绎cost function最小化的计算。

2-5：简单介绍梯度下降算法。但没有介绍偏微分部分。

2-6：以目标函数是一个经过原点的函数为例演绎梯度下降算法。

2-7：结合线性回归如果和梯度下降算法，得到第一个机器学习算法。

2-8：接下来课程介绍。

第三周：

本周内容复习：线性代数复习

3-1，3-2，3-3，3-4：矩阵加减，数乘，乘法。

当中3-4有价值的地方在以下这张图：

3-5：矩阵乘法的性质。

3-6：逆矩阵和转置矩阵。

第四周

4-1：在多元输入问题下的回归分析如果函数h(x)表示。

视频截图：



4-2：怎样设定多元输入问题下的回归分析如果h(x)的參数。

4-3：介绍特征缩放（使梯度下降的速度更快）



4-4：介绍学习速率的选择。

4-5：介绍通过特征组合和取次方，能够产生新的特征。

4-6：对于某些线性回归问题。介绍一种标准方程法（Normal Equation）求解h(x)的參数，能够比梯度下降算法更快。

4-7：标准方程法中出现不可逆矩阵时的策略。

第五周

第六周

6-1：使用线性回归解决0-1分类问题的不足。引入逻辑回归。

6-2：简单介绍逻辑函数（或sigmoid函数），以及用逻辑函数结果的概率意义表示。

6-3：通过逻辑函数描写叙述0-1分类问题，引入决策边界。



6-4：定义了sigmoid函数作为预測函数时的单训练样本的代价函数。

6-5：介绍怎样进行逻辑回归的梯度下降。

6-6：使用Octave进行更高级的算法实现梯度下降算法的功能。

6-7：使用逻辑回归解决超过两个类别的分类问题。

第七周

7-1：引入过拟合问题。

7-2：介绍正规化后的cost function。

7-3：线性回归和标准方程法（Normal Equation）中引入正规化。

7-4：逻辑回归中引入正规化。

第八周

8-1：使用逻辑回归解决多输入分类问题时会遇到feature过多的情况。

8-2：引入神经网络。介绍其发展历史。

8-3：介绍神经网络的专业名词、形式。

主要知识在以下这张视频截图：



8-4：