机器学习 1~10周课程

第一周：介绍机器学习，线性代数回顾以及单变量线性回归

在这一章节中，首先欢迎来到机器学习，第一部分（欢迎部分），我们介绍一些关于机器学习的（程序之外的）核心概念。然后学习线性回归，线性回归是一种根据输入预测输出值的方法。通过这个方法，我们分析讨论使用这个方法预测房价。同时提出代价函数的概念与梯度下降。

在这一期课程的最后，一起回顾一下线性代数，主要是向量和矩阵相关的知识点。谈谈如何加、减、乘矩阵和向量，讨论逆矩阵和转置矩阵的概念。

在上一周的课程中，学习了单一变量下，我们使用线性回归进行预测，这一周讨论多变量（多个条件做为输入）下，线性回归如何进行预测。

本着活学活用的原则，本周还需要学习，如何使用Octave/Matlab实现相关的算法。

逻辑回归是一种将数据分类为离散结果的方法。例如，我们可能会使用逻辑回归将电子邮件归类为垃圾邮件或非垃圾邮件。在本单元中，我们介绍了分类的概念，逻辑回归的成本函数，以及逻辑回归在多类分类中的应用。

机器学习模型需要很好地概括模型在实践中没有看到的新例子。在这个模块中，我们介绍正则化，有助于防止模型过度拟合训练数据。

神经网络是一个受人类大脑运作方式的启发而得到的模型。它在当今的许多应用中被广泛使用：如语音识别，以及，当您兑现支票时，自动读取数字的机器也是使用神经网络进行识别。

在本周中，我们介绍了反向传播算法，该算法用于帮助学习神经网络的参数。在本周的学习结束前，您将可以实现一套神经网络算法以识别数字。

在实践中应用机器学习并不总是直截了当的。在本单元中，我们分享了应用机器学习的最佳实践练习，并讨论评估学习模型性能的最佳方法。

要优化机器学习算法，您首先需要了解可以进行哪些最大改进的地方。在这个模块中，我们讨论如何理解具有多个部分的机器学习系统的性能，以及如何处理偏斜数据。

支持向量机或SVM是用于分类的机器学习算法。我们介绍了支持向量机和支持者的观点和直觉讨论如何在实践中使用它。

我们使用无监督学习来构建模型，帮助我们更好地理解我们的数据。我们讨论用于聚类的k-Means算法使我们能够学习未标记数据点的分组。

在本单元中，我们介绍了主成分分析，并展示了如何将其用于数据压缩以加速学习算法以及复杂数据集的可视化。

鉴于有大量数据点，我们有时可能想知道哪些数据点与平均值有很大差异。例如，在制造业中，我们可能想要检测缺陷或异常。我们展示了如何使用高斯分布建模数据集，以及如何将模型用于异常检测。

当您在线购买产品时，大多数网站会自动推荐您喜欢的其他产品。推荐系统查看不同用户和不同产品之间的活动模式以产生这些推荐。在本单元中，我们介绍了推荐算法，如协同过滤算法和低秩矩阵分解。

当有大量数据用于培训时，机器学习效果最佳。在本单元中，我们将讨论如何应用机器学习大数据集的算法。