斯坦福大学 2014 机器学习教程中文笔记

黄海广

qq 群：654173748

课程概述

课程地址：https://www.coursera.org/course/ml

Machine Learning(机器学习)是研究计算机怎样模拟或实现人类的学习行为，以获取新的

本课程提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括：

（一）监督学习（参数/非参数算法，支持向量机，核函数，神经网络）。

（二）无监督学习（聚类，降维，推荐系统，深入学习推荐）。

（三）在机器学习的最佳实践（偏差/方差理论；在机器学习和人工智能创新过程）。

制），文本的理解（Web 搜索，反垃圾邮件），计算机视觉，医疗信息，音频，数据挖掘，

和其他领域。

本课程需要 10 周共 18 节课，相对以前的机器学习视频，这个视频更加清晰，而且每课

都有 ppt 课件，推荐学习。

我和我的团队翻译了部分视频，目前已经翻译完毕，内嵌中英文字幕，推荐使用 potplayer。

黄海广

2018-3-7 夜

https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

DeepLearning.ai 笔记：

版本日期

1.3 监督学习 .................................................................................................................... 6

1.4 无监督学习 .............................................................................................................. 10

2、 单变量线性回归(Linear Regression with One Variable) ........................................ 15

2.1 模型表示 .................................................................................................................. 15

2.2 代价函数 .................................................................................................................. 17

2.3 代价函数的直观理解 I ............................................................................................ 19

2.4 代价函数的直观理解 II ........................................................................................... 20

2.5 梯度下降 .................................................................................................................. 21

2.6 梯度下降的直观理解 .............................................................................................. 24

2.7 梯度下降的线性回归 .............................................................................................. 27

3.5 矩阵乘法的性质 ...................................................................................................... 34

3.6 逆、转置 .................................................................................................................. 35

第 2 周 ............................................................................................................................................ 36

4、 多变量线性回归(Linear Regression with Multiple Variables) ................................ 36

4.1 多维特征 .................................................................................................................. 36

4.2 多变量梯度下降 ...................................................................................................... 37

4.3 梯度下降法实践 1-特征缩放 ................................................................................. 39

4.4 梯度下降法实践 2-学习率 ..................................................................................... 40

4.5 特征和多项式回归 .................................................................................................. 41

4.6 正规方程 .................................................................................................................. 42

5.5 控制语句：for，while，if 语句 ............................................................................. 76

5.6 向量化 ...................................................................................................................... 82

5.7 工作和提交的编程练习 .......................................................................................... 86

第 3 周 ............................................................................................................................................ 88

6、 逻辑回归(Logistic Regression) ................................................................................ 88

6.1 分类问题 .................................................................................................................. 88