• 第1周
  • 一、引言(Introduction)
  • 1.1 欢迎
  • 1.2 机器学习是什么？
  • 1.3 监督学习
  • 1.4 无监督学习
  • 二、单变量线性回归(Linear Regression with One Variable)
  • 2.1模型表示
  • 2.2 代价函数
  • 2.3 代价函数的直观理解I
  • 2.4 代价函数的直观理解II
  • 2.5 梯度下降
  • 2.6 梯度下降的直观理解
  • 2.7 梯度下降的线性回归
  • 2.8 接下来的内容
  • 三、线性代数回顾(Linear Algebra Review)
  • 3.1 矩阵和向量
  • 3.2 加法和标量乘法
  • 3.3 矩阵向量乘法
  • 3.4 矩阵乘法
  • 3.5 矩阵乘法的性质
  • 3.6 逆、转置
  • 第2周
  • 四、多变量线性回归(Linear Regression with Multiple Variables)
  • 4.1 多维特征
  • 4.2 多变量梯度下降
  • 4.3 梯度下降法实践1-特征缩放
  • 4.4 梯度下降法实践2-学习率
  • 4.5 特征和多项式回归
  • 4.6 正规方程
  • 4.7 正规方程及不可逆性（可选）
  • 五、Octave教程(Octave Tutorial)
  • 5.1 基本操作
  • 5.2 移动数据
  • 5.3 计算数据
  • 5.5 控制语句：for，while，if语句
  • 5.6 向量化
  • 5.7 工作和提交的编程练习
  • 第3周
  • 六、逻辑回归(Logistic Regression)
  • 6.1 分类问题
  • 6.2 假说表示
  • 6.3 判定边界
  • 6.4 代价函数
  • 6.5 简化的成本函数和梯度下降
  • 6.6 高级优化
  • 6.7 多类别分类：一对多
  • 七、正则化(Regularization)
  • 7.1 过拟合的问题
  • 7.2 代价函数
  • 7.3 正则化线性回归
  • 7.4 正则化的逻辑回归模型
  • 第4周
  • 第八、神经网络：表述(Neural Networks: Representation)
  • 8.1 非线性假设
  • 8.2 神经元和大脑
  • 8.3模型表示1
  • 8.4 模型表示2
  • 8.5特征和直观理解1
  • 8.6 样本和直观理解II
  • 8.7多类分类
  • 第5周
  • 九、神经网络的学习(Neural Networks: Learning)
  • 9.1 代价函数
  • 9.2 反向传播算法
  • 9.3 反向传播算法的直观理解
  • 9.4 实现注意：展开参数
  • 9.5梯度检验
  • 9.6 随机初始化
  • 9.7 综合起来
  • 9.8 自主驾驶
  • 第6周
  • 十、应用机器学习的建议(Advice for Applying Machine Learning)
  • 10.1 决定下一步做什么
  • 10.2 评估一个假设
  • 10.3 模型选择和交叉验证集
  • 10.4 诊断偏差和方差
  • 10.5 归一化和偏差/方差
  • 10.6 学习曲线
  • 10.7 决定下一步做什么
  • 十一、机器学习系统的设计(Machine Learning System Design)
  • 11.1 首先要做什么
  • 11.2 误差分析
  • 11.3 类偏斜的误差度量
  • 11.4 查全率和查准率之间的权衡
  • 11.5 机器学习的数据
  • 第7周
  • 十二、支持向量机(Support Vector Machines)
  • 12.1 优化目标
  • 12.2 大边界的直观理解
  • 12.3 数学背后的大边界分类（可选）
  • 12.4 核函数1
  • 12.5 核函数2
  • 12.6 使用支持向量机
  • 第8周
  • 十三、聚类(Clustering)
  • 13.1 无监督学习：简介
  • 13.2 K-均值算法
  • 13.3 优化目标
  • 13.4 随机初始化
  • 13.5 选择聚类数
  • 十四、降维(Dimensionality Reduction)
  • 14.1 动机一：数据压缩
  • 14.2 动机二：数据可视化
  • 14.3 主成分分析问题
  • 14.4 主成分分析算法
  • 14.5 选择主成分的数量
  • 14.6 重建的压缩表示
  • 14.7 主成分分析法的应用建议
  • 第9周
  • 十五、异常检测(Anomaly Detection)
  • 15.1 问题的动机
  • 15.2 高斯分布
  • 15.3 算法
  • 15.4 开发和评价一个异常检测系统
  • 15.5 异常检测与监督学习对比
  • 15.6 选择特征
  • 15.7 多元高斯分布（可选）
  • 15.8 使用多元高斯分布进行异常检测（可选）
  • 十六、推荐系统(Recommender Systems)
  • 16.1 问题形式化
  • 16.2 基于内容的推荐系统
  • 16.3 协同过滤
  • 16.4 协同过滤算法
  • 16.5 矢量化：低秩矩阵分解
  • 16.6 推行工作上的细节：均值归一化
  • 第10周
  • 十七、大规模机器学习(Large Scale Machine Learning)
  • 17.1 大型数据集的学习
  • 17.2 随机梯度下降法
  • 17.3 小批量梯度下降
  • 17.4 随机梯度下降收敛
  • 17.5 在线学习
  • 17.6映射化简和数据并行
  • 十八、应用实例：图片文字识别(Application Example: Photo OCR)
  • 18.1 问题描述和流程图
  • 18.2 滑动窗口
  • 18.3 获取大量数据和人工数据
  • 18.4 上限分析：哪部分管道的接下去做
  • 十九、总结(Conclusion)
  • 19.1 总结和致谢