关键词：
文章目录
0三个目标
- 理解到机器学习的令人兴奋的地方。
- 都能够应用最新用机器学习算法到你感兴趣的任何问题中。
- 完成这门课后还对机器学习的研究继续感兴趣。
0先修课程要求
- 计算机科学的基本知识，比如大O，诸如队列、栈、二叉树的数据结构等。
- 高等数学，各种积分运算等。
- 线性代数的知识，比如矩阵、向量、逆矩阵及其运算等。
- 概率统计的知识，随机变量、期望、方差等。
基本工具
MATLAB、Octave。
##基本资源
1-网址
http://cs229.stanford.edu
2-邮箱
cs229-qa@cs.stanford.edu
3-本系列课程链接
http://open.163.com/special/opencourse/machinelearning.html
1机器学习的定义
1-1非正式定义
在一直接针对问题进行编程的情况下，赋予计算机学习能力的一个研究领域。
1-2正式的定义
对于一个计算机程序来说，给它一个任务T和一个性能测量方法P，如果在经验E的影响下，P对T的测量结果得到了改进，那么就说该程序从E中学习。
2监督学习（Supervised Learning）
监督学习：从给定的训练数据集中学习出一个函数或称模型，当新的数据到来时，可以根据这个函数预测结果或评估。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。
常见的监督学习算法包括回归分析（线性回归、逻辑回归）、随机森林和统计分类等。
2-1回归问题——连续拟合线（预测房子价格）
通过一组房子面积（特征）和对应价格（目标）的数据，学习拟合出一条直线或曲线（模型）， 根据这条线对后面的每个输入预测出每个结果。
2-2分类问题——离散数据（恶性和良性肿瘤）
根据输入数据的特征，学习出一个判断“有肿瘤和无肿瘤”的二分类函数（模型），以后可以根据这个函数进行判断。
- 一维输入变量特征——肿瘤大小
- 二维输入变量特征——肿瘤大小和年龄
- 多维输入变量特征（实际问题）——支持向量机算法
支持向量机算法：把无限维空间的数据映射存储到计算机中。
#3无监督学习（Unsupervised Learing）
无监督学习：与监督学习相比，训练集没有人为标注的结果，也就是说只有输入，没有输出。
常见的无监督学习算法有K-Means、DBSCAN等聚类算法。
大致来说，就是给你一组数据，然后不告诉你关于数据的任何正确答案，我给你数据后会这样问你，“你能在这组数据中寻找一些有趣的结构吗？”这就是无监督学习问题。这里你不需要给出任何标准答案。
聚类问题——无监督学习的第一步。
比如将人群聚集为两类——男性和女性，并没有输出目标结果，注意这有区别于监督学习的分类问题。
独立组件分析：嘈杂的背景音中提取某个人声音，每个话筒的收到声音大小不同。
利用无监督学习的分离声音源ICA算法（algorithm ）：[W,s,v] = svd( (repmat(sum(x.*x,1), size(x,1), 1). *x) *x’)
无监督学习应用领域：理解基因数据、图像处理的像素分类、创建3D模型、市场人员分析归类、太空星系划分等。
4强化学习（Reinforcement Learning）
增强学习：通过观察来学习做成如何的动作。每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断。
例如通过一系列正确的决策，让飞机一直飞起来。渐渐地，它就会学会如何控制它自己以获得更多的积极回报（回报函数）。
强化学习就像这样的情景：你在训练一只狗，每次你的狗做了一些你满意的事，你就说“好狗”，然后奖励它；每次它做了坏事，你就会说“坏狗”。渐渐地，你的狗就学会了去做正确的事来获取更多的奖励。
强化学习的关键：找到一种方式来定义你想要什么？如何定义一个好的行为和一个坏的行为。需要一个学习型算法，来尽可能地获得更多的回报和更少的惩罚。
#其他更多资源
斯坦福大学机器学习课程讲义：http://xitonga.iteye.com/blog/2052453
http://y-x.iteye.com/blog/2051677
【原】斯坦福大学Andrew Ng教授主讲的《机器学习》公开课观后感：http://liliphd.iteye.com/blog/1929358
机器学习(Machine Learning)&深度学习(Deep Learning)资料：http://blog.csdn.net/d5224/article/details/69569400
mmc2015的专栏：http://blog.csdn.net/mmc2015
阿里云 云栖社区>活动>大数据>最新资讯> 人工智能之机器学习算法体系汇总：https://yq.aliyun.com/articles/154923
阿里云机器学习 PAI云栖社区公众号：https://yq.aliyun.com/teams/47
阿里云机器学习 地址：https://data.aliyun.com/product/learn
阿里云 天池 技术圈> 机器学习PAI周三晚直播：https://tianchi.aliyun.com/competition/new_articleDetail.html?raceId=&postsId=2160
机器学习/人工智能/自然语言处理资料收集：https://github.com/Yangxulei/ML-DL
Wu_Being博客声明：本人博客欢迎转载，请标明博客原文和原链接！谢谢！
《【斯坦福公开课-机器学习】1.机器学习的动机和应用（吴恩达 Andrew Ng）》： http://blog.csdn.net/u014134180/article/details/76576100助费二维码](https://img-blog.csdnimg.cn/img_convert/84d0deb662a49ac777c2a16450675b27.png)
如果你看完这篇博文，觉得对你有帮助，并且愿意付赞助费，那么我会更有动力写下去。
斯坦福公开课-机器学习1.机器学习的动机和应用（吴恩达andrewng）
文章目录0三个目标0先修课程要求基本工具1-网址2-邮箱3-本系列课程链接1机器学习的定义1-1非正式定义1-2正式的定义2监督学习（SupervisedLearning）2-1回归问题——连续拟合线（预测房子价格）2-2分类问题——离散数... 查看详情
斯坦福吴恩达教授机器学习公开课第三讲笔记——局部加权回归/线性回归的概率解释/分类和逻辑回归
斯坦福吴恩达教授机器学习公开课第二讲笔记——有/无监督学习+线性回归
斯坦福吴恩达教授机器学习公开课第四讲笔记——牛顿方法/广义线性模型
斯坦福大学-机器学习的动机与应用
此课在网易公开课上的名字是“机器学习的动机和应用”，而在官网上叫CS229:MachineLearning，就是机器学习主要工具，matlab和Octave，前者收费，后者具有前者大部分功能，但免费。此课用后者已经足够。有学生问能否用C或Jav... 查看详情
斯坦福吴恩达教授机器学习公开课第五讲笔记——判别分析/高斯判别分析/gpa+逻辑回归/laplace平滑/极大似然的原理
斯坦福公开课-机器学习2.监督学习应用-梯度下降（吴恩达andrewng）(代码片段)
文章目录1线性代数（linearalgebra）1-1符号（Notation）1-2例子——房价预测1-3假设函数（hypothesis）1-3-3用`线性代数-非齐次方程`解释参数**1-普通梯度下降算法****2-批梯度下降算法（batchgradientdescentalgo... 查看详情
coursera公开课笔记:斯坦福大学机器学习第七课“正则化”
Coursera公开课笔记:斯坦福大学机器学习第七课“正则化”NLPJob斯坦福大学机器学习第七课”正则化“学习笔记，本次课程主要包括4部分：1)TheProblemofOverfitting(过拟合问题)2)CostFunction(成本函数)3)RegularizedLinearRegression(线性回归的正... 查看详情
斯坦福公开课-机器学习2.监督学习应用-梯度下降（吴恩达andrewng）(代码片段)
文章目录1线性代数（linearalgebra）1-1符号（Notation）1-2例子——房价预测1-3假设函数（hypothesis）1-3-3用`线性代数-非齐次方程`解释参数**1-普通梯度下降算法****2-批梯度下降算法（batchgradientdescentalgo... 查看详情
斯坦福大学andrewng教授主讲的《机器学习》公开课观后感
课程设置和内容 视频课程分为20集，每集72-85分钟。实体课程大概一周2次，中间还穿插助教上的习题课，大概一个学期的课程。 内容涉及四大部分，分别是：监督学习（2-8集）、学习理论（9集-11集）、无监督学习（12-15... 查看详情
斯坦福大学公开课机器学习：machinelearningsystemdesign|tradingoffprecisionandrecall（fscore公式的提出：学习算法中如何平
一般来说，召回率和查准率的关系如下：1、如果需要很高的置信度的话，查准率会很高，相应的召回率很低；2、如果需要避免假阴性的话，召回率会很高，查准率会很低。下图右边显示的是召回率和查准率在一个学习算法中的... 查看详情
机器学习1线性回归（linearregression）
...取的第一门课还是吴恩达（AndrewNg）的斯坦福大学公开课：机器学习课程，我打算从作业入手，结合课程进行学习，预计一共分为8篇，这是第一篇单变量线性回归给定是数据集包括97个数组 查看详情
斯坦福大学公开课机器学习：adviceforapplyingmachinelearning-decidingwhattotrynext（设计机器学习系统时，怎样确定最适合最正确的
假如我们在开发一个机器学习系统，想试着改进一个机器学习系统的性能，我们应该如何决定接下来应该选择哪条道路？为了解释这一问题，以预测房价的学习例子。假如我们已经得到学习参数以后，要将我们的假设函数放到一... 查看详情
机器学习资料
...ttps://blog.csdn.net/gamer_gyt/article/details/51244850###2.斯坦福大学公开课：机器学习课程http://open.163.com/special/opencourse/machinelearning.html###3.书籍推荐：《机器学习实战（可复制）》##学习工具**Spark能更好地适用于数据挖掘与机器学习等需... 查看详情
斯坦福大学公开课机器学习：machinelearningsystemdesign|dataformachinelearning（数据量很大时，学习算法表现比较好的原理）
下图为四种不同算法应用在不同大小数据量时的表现，可以看出，随着数据量的增大，算法的表现趋于接近。即不管多么糟糕的算法，数据量非常大的时候，算法表现也可以很好。 数据量很大时，学习算法表现比较好的原理... 查看详情
斯坦福大学公开课机器学习：machinelearningsystemdesign|errormetricsforskewedclasses（偏斜类问题的定义以及针对偏斜类问题的评估度
上篇文章提到了误差分析以及设定误差度量值的重要性。那就是设定某个实数来评估学习算法并衡量它的表现。有了算法的评估和误差度量值，有一件重要的事情要注意，就是使用一个合适的误差度量值，有时会对学习算法造成... 查看详情
《可解释机器学习公开课》来了！
Datawhale开源 联合发布：同济子豪兄、Datawhale文章目录1.什么是机器学习的可解释性分析。2.学可解释机器学习有什么用？3.可解释机器学习开源学习计划，同济子豪兄和Datawhale联合发布。什么是可解释AI现代的机器学... 查看详情
1.1.1：机器学习课程介绍
...深度、可读性吴恩达在线课程-机器学习原理，深入浅出斯坦福-深度学习（及其在计算机视觉领域应用）谷歌alphago团队-强化学习原理及其技术应用????? 查看详情