简单粗略的截屏吴恩达课程的PPT的内容，以后有时间了再回来补充一些细节。

一、引言（Introduction）

监督学习

无监督学习

二、单变量线性回归（Linear regression with one variable）

模型表示

代价函数

梯度下降

应用于线性回归的的梯度下降算法

三、线性代数回顾（Linear algebra review）

四、多变量线性回归（Linear regression with multiple variables）

多维特征

多变量的梯度下降

特征和多项式回归

正规方程

五、Octave 教程(Octave tutorial)

六、逻辑回归（Logistic regression）

分类问题

假设表示

决策边界

代价函数

简化代价函数和梯度下降

高级优化

多类别分类：一对多

七、正则化（Regularization）

过拟合的问题

代价函数

正则化线性回归

正则化逻辑回归

八、神经网络的表述（Neural networks：representation）

非线性假设

神经元和大脑

模型表示

示例和直观理解

多类分类

九、神经网络的学习(Neural networks: learning)

代价函数

向后传播算法

向后传播直观理解

实施说明：展开参数

梯度检验

随机初始化

合在一起

自动驾驶

十、应用机器学习的建议(Advice for Applying Machine Learning)

决定接下来要尝试什么

假设的评估

模型选择和训练评价测试集

诊断偏差和方差

正则化和偏差、方差

学习曲线

决定接下来要尝试什么回顾

十一、机器学习系统的设计(Machine learning system design)

优先做什么

误差分析

偏斜类的误差度量

权衡查准率和查全率

机器学习的数据

十二、支持向量机（Support vector machines）

优化目标

大边界的直观理解

大间距分类背后的数学问题

核函数

使用SVM

十三、聚类（Clustering）

无监督学习简介

K-均值算法

优化目标

随机初始化

选择聚类数

十四、降维（dimensionality reduction）

动机 I：数据压缩

动机 II：数据可视化

主要成分分析问题

主要成分分析算法

选择主要成分数量

重建的压缩表示

应用PCA的建议

十五、异常检测（Anomaly detection）

问题动机

高斯分布

算法

开发和评价异常检测系统

异常检测vs监督学习

选择特征

多变量高斯分布

异常检测使用多变量高斯分布

十六、推荐系统（Recommender system）

问题描述

基于内容的推荐系统

协同过滤

协同过滤算法

向量化：低矩阵分解

实施细节：均值归一化

十七、大规模机器学习（Large scale machine learning）

十八、

机器学习-吴恩达PPT

一、引言（Introduction）

二、单变量线性回归（Linear regression with one variable）

三、线性代数回顾（Linear algebra review）

四、多变量线性回归（Linear regression with multiple variables）

六、逻辑回归（Logistic regression）

七、正则化（Regularization）

八、神经网络的表述（Neural networks：representation）

九、神经网络的学习(Neural networks: learning)

十、应用机器学习的建议(Advice for Applying Machine Learning)

十一、机器学习系统的设计(Machine learning system design)

十二、支持向量机（Support vector machines）

十三、聚类（Clustering）

十四、降维（dimensionality reduction）

十五、异常检测（Anomaly detection）

十六、推荐系统（Recommender system）

十七、大规模机器学习（Large scale machine learning）

十八、

推荐阅读更多精彩内容