斯坦福Ng机器学习课程笔记（中文版）

【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