summary

Former-commit-id: 67183d9dc55841e1029e747460ea932a59c86c72 [formerly 7b9426e]
Former-commit-id: efcfa8bdeafb308ba9c88280f41617d544380ccb
Former-commit-id: bb3976809ea334dd997414129111b198fe97de1c

SUMMARY.md

@@ -1,3 +1,289 @@
-# Table of content
+# 斯坦福大学2014机器学习教程中文笔记目录
 
-* [First Chapter](chapter1.md)
+* [第一周](week1.md)
+
+一、 引言(Introduction) 1
+
+1.1 欢迎 1
+
+1.2 机器学习是什么？ 4
+
+1.3 监督学习 6
+
+1.4 无监督学习 10
+
+二、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 18
+
+2.3 代价函数的直观理解I 20
+
+2.4 代价函数的直观理解II 21
+
+2.5 梯度下降 23
+
+2.6 梯度下降的直观理解 26
+
+2.7 梯度下降的线性回归 29
+
+2.8 接下来的内容 31
+
+三、线性代数回顾(Linear Algebra Review) 32
+
+3.1 矩阵和向量 32
+
+3.2 加法和标量乘法 34
+
+3.3 矩阵向量乘法 35
+
+3.4 矩阵乘法 36
+
+3.5 矩阵乘法的性质 37
+
+3.6 逆、转置 38
+
+第2周 39
+
+四、多变量线性回归(Linear Regression with Multiple Variables) 39
+
+4.1 多维特征 39
+
+4.2 多变量梯度下降 41
+
+4.3 梯度下降法实践1-特征缩放 43
+
+4.4 梯度下降法实践2-学习率 45
+
+4.5 特征和多项式回归 46
+
+4.6 正规方程 48
+
+4.7 正规方程及不可逆性（可选） 51
+
+五、Octave教程(Octave Tutorial) 53
+
+5.1 基本操作 53
+
+5.2 移动数据 60
+
+5.3 计算数据 69
+
+5.4 绘图数据 76
+
+5.5 控制语句：for，while，if语句 82
+
+5.6 向量化 88
+
+5.7 工作和提交的编程练习 93
+
+第3周 96
+
+六、逻辑回归(Logistic Regression) 96
+
+6.1 分类问题 96
+
+6.2 假说表示 98
+
+6.3 判定边界 100
+
+6.4 代价函数 102
+
+6.5 简化的成本函数和梯度下降 107
+
+6.6 高级优化 111
+
+6.7 多类别分类：一对多 115
+
+七、正则化(Regularization) 118
+
+7.1 过拟合的问题 118
+
+7.2 代价函数 120
+
+7.3 正则化线性回归 122
+
+7.4 正则化的逻辑回归模型 124
+
+第4周 126
+
+第八、神经网络：表述(Neural Networks: Representation) 126
+
+8.1 非线性假设 126
+
+8.2 神经元和大脑 128
+
+8.3 模型表示1 132
+
+8.4 模型表示2 136
+
+8.5 特征和直观理解1 138
+
+8.6 样本和直观理解II 140
+
+8.7 多类分类 142
+
+第5周 143
+
+九、神经网络的学习(Neural Networks: Learning) 143
+
+9.1 代价函数 143
+
+9.2 反向传播算法 145
+
+9.3 反向传播算法的直观理解 148
+
+9.4 实现注意：展开参数 151
+
+9.5 梯度检验 152
+
+9.6 随机初始化 154
+
+9.7 综合起来 155
+
+9.8 自主驾驶 156
+
+第6周 159
+
+十、应用机器学习的建议(Advice for Applying Machine Learning) 159
+
+10.1 决定下一步做什么 159
+
+10.2 评估一个假设 162
+
+10.3 模型选择和交叉验证集 164
+
+10.4 诊断偏差和方差 166
+
+10.5 正则化和偏差/方差 168
+
+10.6 学习曲线 170
+
+10.7 决定下一步做什么 172
+
+十一、机器学习系统的设计(Machine Learning System Design) 174
+
+11.1 首先要做什么 174
+
+11.2 误差分析 175
+
+11.3 类偏斜的误差度量 178
+
+11.4 查准率和查全率之间的权衡 179
+
+11.5 机器学习的数据 181
+
+第7周 185
+
+十二、支持向量机(Support Vector Machines) 185
+
+12.1 优化目标 185
+
+12.2 大边界的直观理解 192
+
+12.3 数学背后的大边界分类（可选） 198
+
+12.4 核函数1 205
+
+12.5 核函数2 207
+
+12.6 使用支持向量机 209
+
+第8周 212
+
+十三、聚类(Clustering) 212
+
+13.1 无监督学习：简介 212
+
+13.2 K-均值算法 215
+
+13.3 优化目标 217
+
+13.4 随机初始化 218
+
+13.5 选择聚类数 219
+
+十四、降维(Dimensionality Reduction) 220
+
+14.1 动机一：数据压缩 220
+
+14.2 动机二：数据可视化 223
+
+14.3 主成分分析问题 224
+
+14.4 主成分分析算法 226
+
+14.5 选择主成分的数量 227
+
+14.6 重建的压缩表示 228
+
+14.7 主成分分析法的应用建议 230
+
+第9周 231
+
+十五、异常检测(Anomaly Detection) 231
+
+15.1 问题的动机 231
+
+15.2 高斯分布 233
+
+15.3 算法 234
+
+15.4 开发和评价一个异常检测系统 236
+
+15.5 异常检测与监督学习对比 237
+
+15.6 选择特征 238
+
+15.7 多元高斯分布（可选） 240
+
+15.8 使用多元高斯分布进行异常检测（可选） 243
+
+十六、推荐系统(Recommender Systems) 246
+
+16.1 问题形式化 246
+
+16.2 基于内容的推荐系统 248
+
+16.3 协同过滤 250
+
+16.4 协同过滤算法 251
+
+16.5 向量化：低秩矩阵分解 252
+
+16.6 推行工作上的细节：均值归一化 254
+
+第10周 255
+
+十七、大规模机器学习(Large Scale Machine Learning) 255
+
+17.1 大型数据集的学习 255
+
+17.2 随机梯度下降法 256
+
+17.3 小批量梯度下降 257
+
+17.4 随机梯度下降收敛 258
+
+17.5 在线学习 260
+
+17.6 映射化简和数据并行 262
+
+十八、应用实例：图片文字识别(Application Example: Photo OCR) 263
+
+18.1 问题描述和流程图 263
+
+18.2 滑动窗口 264
+
+18.3 获取大量数据和人工数据 266
+
+18.4 上限分析：哪部分管道的接下去做 267
+
+十九、总结(Conclusion) 268
+
+19.1 总结和致谢 268
+
+附件 270
+
+1 常用的数学公式 270

docx/机器学习个人笔记完整版v4.51.docx.REMOVED.git-id

@@ -0,0 +1 @@
+6271d297d0e4978c2cf2f4ae7e78e84cb45c6b7c