目录 Andrew Ng:Coursera机器学习课程 1. 机器学习导论 2. 线性代数基础 3. Octave教程 4. 线性回归 4.1. 模型描述 4.2. 代价函数 4.3. 梯度下降 4.3.1. 梯度下降描述 4.3.2. 用梯度下降求解线性回归问题 4.3.3. 梯度下降中的实用技巧 4.3.3.1. 特征缩放(feature scaling) 4.3.3.2. 均值归一化(mean normalization) 4.3.3.3. 学习率α 4.4. 多项式回归 4.5. 其他解法:正规方程法 5. 分类问题 5.1. logistic回归 5.1.1. 问题描述 5.1.2. 理解决策边界 5.1.3. 拟合logistic回归 5.1.3.1. 确定损失函数 5.1.3.2. 梯度下降求解 5.1.3.3. 高级优化算法简介与使用 5.2. 多元分类 6. 过拟合与正则化 6.1. 过拟合问题 6.2. 正则化 6.3. logistic回归的正则化 6.4. 线性回归的正则化 7. 非线性假设 7.1. 引入非线性假设的必要性 7.2. 神经网络 7.2.1. 神经网络结构 7.2.2. 正向传播 7.2.3. 理解神经网络:如何计算复杂非线性假设 Andrew Ng:Coursera机器学习课程 1. 机器学习导论 目录 2. 线性代数基础 目录 3. Octave教程 目录 4. 线性回归 目录 4.1. 模型描述 目录 4.2. 代价函数 目录 4.3. 梯度下降 目录 4.3.1. 梯度下降描述 目录 4.3.2. 用梯度下降求解线性回归问题 目录 4.3.3. 梯度下降中的实用技巧 目录 4.3.3.1. 特征缩放(feature scaling) 目录 4.3.3.2. 均值归一化(mean normalization) 目录 4.3.3.3. 学习率α 目录 4.4. 多项式回归 目录 4.5. 其他解法:正规方程法 目录 5. 分类问题 目录 5.1. logistic回归 目录 5.1.1. 问题描述 目录 5.1.2. 理解决策边界 目录 5.1.3. 拟合logistic回归 目录 5.1.3.1. 确定损失函数 目录 5.1.3.2. 梯度下降求解 目录 5.1.3.3. 高级优化算法简介与使用 目录 5.2. 多元分类 目录 6. 过拟合与正则化 目录 6.1. 过拟合问题 目录 6.2. 正则化 目录 6.3. logistic回归的正则化 目录 6.4. 线性回归的正则化 目录 7. 非线性假设 目录 7.1. 引入非线性假设的必要性 目录 7.2. 神经网络 目录 7.2.1. 神经网络结构 目录 7.2.2. 正向传播 目录 7.2.3. 理解神经网络:如何计算复杂非线性假设 目录