• 第一周

一、 引言(Introduction)

1.1 歡迎

1.2 機器學習是什么？

1.3 監督學習

1.4 無監督學習

二、單變量線性回歸(Linear Regression with One Variable)

2.1 模型表示

2.2 代價函數

2.3 代價函數的直觀理解I

2.4 代價函數的直觀理解II

2.5 梯度下降

2.6 梯度下降的直觀理解

2.7 梯度下降的線性回歸

2.8 接下來的內容

三、線性代數回顧(Linear Algebra Review)

3.1 矩陣和向量

3.2 加法和標量乘法

3.3 矩陣向量乘法

3.4 矩陣乘法

3.5 矩陣乘法的性質

3.6 逆、轉置

• 第二周

四、多變量線性回歸(Linear Regression with Multiple Variables)

4.1 多維特征

4.2 多變量梯度下降

4.3 梯度下降法實踐1-特征縮放

4.4 梯度下降法實踐2-學習率

4.5 特征和多項式回歸

4.6 正規方程

4.7 正規方程及不可逆性（選修）

五、Octave教程(Octave Tutorial)

5.1 基本操作

5.2 移動數據

5.3 計算數據

5.4 繪圖數據

5.5 控制語句：for，while，if語句

5.6 向量化 88

5.7 工作和提交的編程練習

• 第三周

六、邏輯回歸(Logistic Regression)

6.1 分類問題

6.2 假說表示

6.3 判定邊界

6.4 代價函數

6.5 簡化的成本函數和梯度下降

6.6 高級優化

6.7 多類別分類：一對多

七、正則化(Regularization)

7.1 過擬合的問題

7.2 代價函數

7.3 正則化線性回歸

7.4 正則化的邏輯回歸模型

• 第四周

第八、神經網絡：表述(Neural Networks: Representation)

8.1 非線性假設

8.2 神經元和大腦

8.3 模型表示1

8.4 模型表示2

8.5 樣本和直觀理解1

8.6 樣本和直觀理解II

8.7 多類分類

• 第五周

九、神經網絡的學習(Neural Networks: Learning)

9.1 代價函數

9.2 反向傳播算法

9.3 反向傳播算法的直觀理解

9.4 實現注意：展開參數

9.5 梯度檢驗

9.6 隨機初始化

9.7 綜合起來

9.8 自主駕駛

• 第六周

十、應用機器學習的建議(Advice for Applying Machine Learning)

10.1 決定下一步做什么

10.2 評估一個假設

10.3 模型選擇和交叉驗證集

10.4 診斷偏差和方差

10.5 正則化和偏差/方差

10.6 學習曲線

10.7 決定下一步做什么

十一、機器學習系統的設計(Machine Learning System Design)

11.1 首先要做什么

11.2 誤差分析

11.3 類偏斜的誤差度量

11.4 查準率和查全率之間的權衡

11.5 機器學習的數據

第7周

十二、支持向量機(Support Vector Machines)

12.1 優化目標

12.2 大邊界的直觀理解

12.3 數學背后的大邊界分類（選修）

12.4 核函數1

12.5 核函數2

12.6 使用支持向量機

• 第八周

十三、聚類(Clustering)

13.1 無監督學習：簡介

13.2 K-均值算法

13.3 優化目標

13.4 隨機初始化

13.5 選擇聚類數

十四、降維(Dimensionality Reduction)

14.1 動機一：數據壓縮

14.2 動機二：數據可視化

14.3 主成分分析問題

14.4 主成分分析算法

14.5 選擇主成分的數量

14.6 重建的壓縮表示

14.7 主成分分析法的應用建議

• 第九周

十五、異常檢測(Anomaly Detection)

15.1 問題的動機

15.2 高斯分布

15.3 算法

15.4 開發和評價一個異常檢測系統

15.5 異常檢測與監督學習對比

15.6 選擇特征

15.7 多元高斯分布（選修）

15.8 使用多元高斯分布進行異常檢測（選修）

十六、推薦系統(Recommender Systems)

16.1 問題形式化

16.2 基于內容的推薦系統

16.3 協同過濾

16.4 協同過濾算法

16.5 向量化：低秩矩陣分解

16.6 推行工作上的細節：均值歸一化

• 第十周

十七、大規模機器學習(Large Scale Machine Learning)

17.1 大型數據集的學習

17.2 隨機梯度下降法

17.3 小批量梯度下降

17.4 隨機梯度下降收斂

17.5 在線學習

17.6 映射化簡和數據并行

十八、應用實例：圖片文字識別(Application Example: Photo OCR)

18.1 問題描述和流程圖

18.2 滑動窗口

18.3 獲取大量數據和人工數據

18.4 上限分析：哪部分管道的接下去做

十九、總結(Conclusion)

19.1 總結和致謝

---

機器學習qq群：554839127

總結

以上是生活随笔為你收集整理的斯坦福大学2014机器学习教程中文笔记目录的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。