斯坦福机器学习课程汇总
前言
首先感谢吴恩达建立Coursera这样一个优秀的在线学习平台，以及他发布在这个平台上的机器学习课程。
这门课程将整个机器学习领域的基础知识，用浅显易懂的方式，深入浅出的进行了介绍。使得一个拥有高中数学知识的学生也能听得明白。
如果你想要涉足机器学习、人工智能领域，或者对这一领域有浓厚的兴趣想要深入了解，那么你会发现很多机器学习入门课程推荐的资料中，都有吴恩达老师的这一系列课程。甚至在大多数资料中，都把这门课放在了首选的位置上。
因此，我把吴恩达老师的课程整理成了MarkDown的格式，方便查阅学习。以下是具体章节的目录，其中每篇文章都有对应的视频连接地址：
目录第一周
欢迎来到机器学习
监督学习
无监督学习
一元线性回归
参数学习-梯度下降算法
线性代数复习
第二周
编程环境设置-Octave:MATLAB
多元线性回归分析
参数的计算分析
Octave/Matlab 使用说明
第三周
分类和表达式
分类
假设函数表达式
决策边界
Logistic回归模型
逻辑回归的代价函数
简化代价函数以及梯度下降
高级优化
多类别分类问题：一对多
正则化：解决过拟合问题
解决过拟合问题
代价函数
正则化线性回归
第四周
神经网络引入
非线性假设
神经网络和大脑
神经网络
神经网络应用实例
第五周
训练神经网络
代价函数
反向传播(B-P)
反向传播算法的直观介绍
BP算法
神经网络实现自动驾驶
第六周
评价一个学习算法
如何少走弯路？
评估假设函数
多项式模型的选择以及训练集/验证集/测试集的划分
偏差VS方差
偏差VS方差
正则化和偏差/方差
学习曲线(Learning Curves)
重新审视决定下一步做什么
机器学习系统设计
构建垃圾邮件分类器
误差分析
操作偏斜数据
偏移类的错误度量
查准率和召回率练习
使用大数据集
第七周
大间距分类 SVM
)
核函数
使用SVM
第八周
聚类
PCA 降维
第九周
密度估计&异常检测
构建一个异常检测系统
多元高斯分布（选学）
预测电影评分
第十周
大数据集梯度下降
高级主题
第十一周
照片OCR