目录：
- 🌵🌵🌵前言
- 一、分享
- 二、课程学习一览（章节知识点总结）
- 1、章节目录及知识点整理
- 2、对应章节学习笔记文章链接
- 二、课程重点总结
- 1、监督学习
- 2、无监督学习
- 3、特定的应用和话题
- 4、构建机器学习系统的建议
- ❤️❤️❤️忙碌的敲代码也不要忘了浪漫鸭！
🌵🌵🌵前言
二、课程学习一览（章节知识点总结）
“P数字-P数字”对应视频的目录。
若需要学某一知识，看对应章节视频即可~
1、章节目录及知识点整理
P1-P4：介绍什么是机器学习、监督学习、无监督学习
P5-P11：代价函数，线性回归的梯度下降
P12-P17：线性代数知识（矩阵乘法，逆，转置）
P18-P25：多元梯度下降（特征缩放、学习率）、正规方程
P26-P31：Octave编程
P32-P38：logistic回归的分类（离散值），多类别分类问题（一对多）
P39-P42：过拟合，正则化
P43-P49：神经网络，多类别分类
P50-P57：反向传播算法（为神经网络拟合参数）
P58-P64：设计系统、改进算法的方向（模型评估，训练集，验证集，测试集），学习曲线。
P65-P69：设计复杂机器学习系统的问题，评价指标（误差分析，精确度，召回率）
P70-P75：SVM/支持向量机、核函数（监督学习）
P76-P80：k-means
P81-P87：降维（数据压缩，可视化数据），PCA
P88-P95： 异常检测问题，高斯分布
P96-P101：推荐算法（按照喜好推荐等），协同过滤，均值规范化
P102-P107：大规模机器学习（处理大数据集的算法），随机/批量/小批量梯度下降
P108-P111：照片OCR（切割、识别，计算机视觉），上限分析
P112：总结与感谢
2、对应章节学习笔记文章链接
P58-P64：诊断偏差较大（欠拟合）、方差较大（过拟合）的情况及其解决方案 P65-P69：设计复杂的机器学习系统（执行的优先级，误差分析，不对称性误差评估，精确度和召回率） P70-P75：SVM-支持向量机（新的代价函数，最大间隔，高斯核函数，特征数与样本数不同大小关系时的选择） P76-P80：k-means（k-均值聚类算法） P81-P87：降维，数据压缩与PCA P88-P95： 异常检测与高斯分布 P96-P101：推荐算法，协同过滤，均值规范化 P102-P107：大规模机器学习，随机/批量/小批量梯度下降，在线学习，数据并行 P108-P111：OCR，滑动窗口，数据扩增，上限分析，计算机视觉
二、课程重点总结
1、监督学习
线性回归，逻辑回归，神经网络，支持向量机。
2、无监督学习
k-均值聚类算法，主成分分析法（降维），异常检测算法。
3、特定的应用和话题
推荐系统，大规模机器学习系统，包括并行和映射-化简算法，还有滑动窗口分类器（解决计算机视觉问题）。
4、构建机器学习系统的建议
偏差/方差，正则化；
决定下一步该做什么：学习算法的评价方法，召回率和F1分数等评价指标，实践方面评测方法（训练集，交叉验证集，测试集），调试算法以确保算法正常工作、确保下一步该怎么做、如何分配宝贵的时间（诊断方法：学习曲线，误差分析，上限分析等内容） 。
❤️❤️❤️忙碌的敲代码也不要忘了浪漫鸭！
正如吴老师所讲：希望学习者们能够利用机器学习，不仅仅为了自己，更是为了有朝一日能够造福其他人的生活。
