斯坦福學習筆記

本書為斯坦福吳恩達教授的在 coursera 上的機器學習公開課的知識筆記，涵蓋了大部分課上涉及到的知識點和內容，因為篇幅有限，部分公式的推導沒有記錄在案，但推薦大家還是在草稿本上演算一遍，加深印象，知其然還要知其所以然。

本書涉及到的程序代碼均放在了我個人的 github 上，采用了 python 實現，大部分代碼都是相關學習算法的完整實現和測試。我沒有放這門課程的 homework 代碼，原因是 homework 布置的編程作業是填空式的作業，而完整實現一個算法雖然歷經更多坎坷，但更有助于檢驗自己對算法理解和掌握程度。

本書的章節安排與課程對應關系為如下所示：
可直接點擊標題，快速跳轉到指定章節。

斯坦福課程本書章節

Week 1	線性回歸 Linear Regression
Week 1 內容列表	1.1 回歸問題 1.2 線性回歸與梯度下降 1.3 程序示例—梯度下降 1.4 正規方程 1.5 特征縮放 1.6 多項式回歸 1.7 程序示例—多項式回歸 1.8 欠擬合和過擬合 1.9 程序示例—局部加權線性回歸
Week 2	邏輯回歸 Logistics Regression
Week 2 內容列表	2.1 0/1分類問題 2.2 邏輯回歸 2.3 利用正規化解決過擬合問題 2.4 程序示例–線性決策邊界 2.5 程序示例–非線性決策邊界 2.6 多分類問題 2.7 程序示例–多分類問題
Week 3	神經網絡
Week 3 內容列表	3.1 再論0/1分類問題 3.2 神經網絡概述 3.3 前向傳播與反向傳播 3.4 參數展開 3.5 梯度校驗 3.6 權值初始化 3.7 感知器 3.8 神經網絡解決邏輯運算問題 3.9 神經網絡解決多分類問題 3.10 程序示例–神經網絡設計 3.11 程序示例–邏輯運算 3.12 程序示例–多分類問題
Week 4	算法分析與優化
Week 4 內容列表	4.1 陷入不歸路的調試 4.2 數據集劃分 4.3 偏差與方差 4.4 機器學習系統設計–垃圾郵件分類 4.5 偏斜類 4.6 大數據集 4.7 程序示例–算法診斷
Week 5	SVM（支持向量機）
Week 5 內容列表	5.1 代價函數 5.2 大間距分類器 5.3 核函數 5.4 SVM的使用建議 5.5 SVM補充 5.6 SMO 5.7 程序示例–基于SMO的SVM模型 5.8 程序示例–線性分類 5.9 程序示例–非線性分類 5.10 程序示例–模型選擇 5.11 程序示例–垃圾郵件檢測
Week 6	K-Means
Week 6 內容列表	6.1 無監督學習 6.2 K-Means算法步驟 6.3 優化 6.4 如何初始化聚類中心 6.5 如何確定聚類數 6.6 二分 K-Means 算法 6.7 程序示例–K-Means 6.8 程序示例–二分 K-Means
Week 7	特征降維
Week 7 內容列表	7.1 概述 7.2 PCA 7.3 程序示例–PCA 模型 7.4 程序示例–PCA for 加速學習 7.5 程序示例–PCA for 數據可視化
Week 8	異常檢測
Week 8 內容列表	8.1 概述 8.2 高斯分布模型 8.3 算法流程與評估 8.4 有監督學習與異常監測 8.5 特征選擇 8.6 多元高斯分布模型 8.7 程序示例–異常檢測
Week 9	推薦系統
Week 9 內容列表	9.1 基于內容的推薦系統 9.2 協同過濾 9.3 低秩矩陣分解 9.4 均值標準化 9.5 程序示例–推薦系統
Week 10	大規模機器學習
Week 10 內容列表	10.1 掌握大數據 10.2 梯度下降 10.3 在線學習與MapReduce
Week 11	案例–光學字符識別
Week 11 內容列表	11.1 問題描述及算法流程 11.2 滑動窗口 11.3 人工合成數據 11.4 上限分析

搬運出處：原鏈接

總結

以上是生活随笔為你收集整理的0.0 Introduction-机器学习笔记-斯坦福吴恩达教授的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。