Machine Learning(机器学习)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，

吴恩达机器学习视频课程是广受人工智能学习爱好的一致好评；此笔记，是本人在学习视频资源的过程中，详细记录了学习内容，并且认真总结了学习心得和应用知识创新点。

神经网络图解机器学习.pdf吴恩达深度学习笔记v5.44 图解机器学习 ,（日）杉山将著 ,P226 sample

网易公开课斯坦福吴恩达教授机器学习课程讲义，作业及解析，配合视频学习更加高效易懂，含有各种公式的推导步骤： [第1集] 机器学习的动机与应用 [第2集] 监督学习应用.梯度下降 [第3集] 欠拟合与过拟合的概念 [第4集] 牛顿方法 [第5集] 生成学习算法 [第6集] 朴素贝叶斯算法 [第7集] 最优间隔分类器问题 [第8集] 顺序最小优化算法 [第9集] 经验风险最小化 [第10集] 特征选择 [第11集] 贝叶斯统计正则化 [第12集] K-means算法 [第13集] 高斯混合模型 [第14集] 主成分分析法 [第15集] 奇异值分解 [第16集] 马尔可夫决策过程 [第17集] 离散与维数灾难 [第18集] 线性二次型调节控制 [第19集] 微分动态规划 [第20集] 策略搜索

cs229d 斯坦福大学机器学习课程个人笔记完整版。希望对大家有帮助

这里面的内容是在2011年上半年学习斯坦福大学《机器学习》课程的个人学习笔记，内容主要来自Andrew Ng教授的讲义和学习视频。 另外也包含来自其他论文和其他学校讲义的一些内容。每章内容主要按照个人学习时的思路总结得到。 由于是个人笔记，里面表述错误、公式错误、理解错误、笔误都会存在。更重要的是我是初学者，千万不要认为里面的思路都正确。 如果有疑问的地方，请第一时间参考Andrew Ng教授的讲义原文和视频，再有疑问的地方可以找一些大牛问问。

【第1讲】 机器学习的动机与应用 【第2讲】 监督学习应用-线性回归 【第3讲】 线性回归的概率解释、局部加权回归、逻辑回归 【第4讲】 牛顿法、一般线性模型 【第5讲】 生成学习算法、高斯判别分析、朴素贝叶斯算法 【第6讲】 事件模型、函数间隔与几何间隔 【第7讲】 最优间隔分类器、拉格朗日对偶、支持向量机 【第8讲】 核方法、序列最小优化算法 【第9讲】 经验风险最小化 【第10讲】 交叉验证、特征选择 【第11讲】 贝叶斯统计、机器学习应用建议 【第12讲】 $k$-means算法、高斯混合模型及最大期望算法 【第13讲】 最大期望算法及其应用、因子分析模型 【第14讲】 因子分析的EM算法、主成分分析 【第15讲】 PCA的奇异值分解、独立成分分析 【第16讲】 马尔可夫决策过程 【第17讲】 解连续状态的MDP 【第18讲】 线性二次调节 【第19讲】 微分动态规划及线性二次型高斯 【第20讲】 策略搜索算法

ML_FinalProject 2014 NTU BIME 机器学习课程期末项目。 使用 PCA 和 SVM 训练和预测字符图像 （使用 opencv 3.0 aplha）

该课件为中科院一位仁兄在学习斯坦福大学吴恩达机器学习课程时候所做的学习笔记，非常好，吴老师上课略过的一些内容笔记都详细给出，并且还做了适当补充。强烈推荐。

机器学习课程-温州大学 本学期我给研究生上机器学习课程，我把课件分享下，后续陆续更新。 如果有老师需要ppt原版文件，请联系我： （邮件情报，请告知姓名，学校，我都会回复。） 黄海广 目录说明 ppt：课程的课件 代码：课程的代码（Jupyter notebook格式） 视频：课程的视频