https://blog.csdn.net/meijie2018_1/article/details/90712557

一共8个课时的数据

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）。 里面包含了自己的学习笔记，希望对你们有帮助

吴恩达深度学习第四课第四周编程作业。含数据集和Jupyter实现文档。亲测运行正常。希望对大家有所帮助

文章目录声明前言引入相关依赖包初始化参数前向传播函数线性部分linear线性激活部分linear–>avtivation计算成本反向传播线性部分linear backward线性激活部分linear–>activation backward更新参数整合两层神经网络模型L层神经网络分析 声明 本文参考何宽、念师 前言 本次教程，将构建两个神经网络，一个是具有两个隐藏层的神经网络，一个是多隐藏层的神经网络。 一个神经网络的计算过程如下： 初始化网络参数 前向传播 计算一层的中线性求和的 部分 计算激活函数的部分（ReLU使用L-1次，sigmoid使用1次） 结合线性求和与激活函数 计算误差 反向

自己做的课后编程练习，都顺利通过了，且有不同解法，对初学的同学不失为一个参考

使用Octave完成，包含原题目的压缩包（从Coursera官方课程下载的原版）和必做部分所有满分解答，必要部分附有注释，可供参考。

吴恩达深度学习第二周编程练习--识别猫的逻辑回归神经网络，【识别猫】 的简单的神经网络，用python实现，开始编程前需要下载两个.h5文件！

吴恩达的CS229课程笔记，共12章节，包含word和pdf。比coursera上的《机器学习》课程更加详细~

压缩包内含吴恩达老师《Machine Learning》课程第二周的编程作业ex1所需完成的四个m文件以及可选择完成的四个m文件。压缩包中所有编程作业均为本人独立完成，并尽量使用向量化计算，全部满分通过。