机器学习2012 吴恩达

01欢迎参加《机器学习》课程

02什么是机器学习

03监督学习

04无监督学习

06模型描述

07代价函数

08代价函数（一）

09代价函数（二）

10梯度下降

11梯度下降知识点总结

12线性回归的梯度下降

14矩阵和向量

15加法和标量乘法

16矩阵向量乘法

17矩阵乘法

18矩阵乘法特征

19逆和转置

28多元梯度下降法

27多功能

29多元梯度下降法演练I-特征缩放

30多元梯度下降法II-学习率

31特征和多项式回归

32正规方程（区别于迭代方法的直接解法）

33正规方程在矩阵不可逆情况下的解决方法

34完成并提交编程作业

35基本操作

36移动数据

37计算数据

38数据绘制

39控制语句：for,while,if语句

40矢量

42分类

43假设陈述

44决策界限

45代价函数

46简化代价函数与梯度下降

47高级优化

48多元分类：一对多

50过拟合问题

51代价函数

52线性回归的正则化

53Logistic回归的正则化

54非线性假设

55神经元与大脑

56模型展示I

57模型展示II

58例子与直觉理解I

59例子与直觉理解II

60多元分类

61代价函数

62反向传播算法

63理解反向传播

64使用注意：展开函数

65梯度检测

66随机初始化

67组合到一起

68无人驾驶

74学习曲线

69决定下一步做什么

70评估假设

71模型选择和训练、验证、测试集

72诊断偏差与方差

73正则化和偏差、方程

75决定接下来做什么

76确定执行的优先级

77误差分析

78不对称性分类的误差评估

79精确度和召回率的权衡

80机器学习数据

81优化目标

82直观上对大间隔的理解

83大间隔分类器的数学原理

84核函数

85核函数2

86使用SVM