此文是斯坦福大学，机器学习界 superstar — Andrew Ng 所开设的 Coursera 课程：Machine Learning 的课程笔记。力求简洁，仅代表本人观点，不足之处希望大家探讨。 课程网址：https://www.coursera.org/learn/machine-learning/home/welcome
Week 1: IntroductionEnvironment Setup Instructions 这一章介绍课程一般使用的工具。octave或者matlab即可，，这两者本质上没有什么区别，都有着丰富的数学库计算库。Introduction 机器学习定义：简单来说，让计算机执行一些行为，但是without explicit programmed。监督学习（supervised learning）：通过已知的正确信息，得到未知的信息。一般用于解决的问题有两类： 例如：肿瘤分类。已知肿瘤size与肿瘤良性（label: 0）还是恶性（label: 1）分类的关系如下：
更进一步，完全可以用一维坐标图来表示：
现在需要对于根据size的对某个肿瘤判断它是良性还是恶性，就是分类问题。再进一步，现在我仅仅把size作为feature之一，如果我们加入考虑肿瘤积水（二维坐标图）？肿瘤硬度（三维坐标图）？原则上可以考虑无限种feature，如何处理？这里卖了个关子，可以使用支持向量机（SVM）。无监督学习（unsupervised learning）/ 聚类算法（clustering）： Bonus: Course Wiki Lecture Notes
Model and Cost Function
再次回顾一下监督学习，两类：regression和classification。简单来说，regression是predict real-valued output，classification是predict discrete-valued output。
注明了以下符号，方便以后沟通：
：训练集样本的个数 ：一组样本 行中的数据 ：就是我们用于predict的mapping，即函数
我们设计拟合，目的就是为了使得表示拟合数据与已知真实数据直接差距的cost function最小，这个cost function是啥？就是我们之前提到的判断标准，常见的为：。当有两个未知量时，cost function就需要表示为三维图：
为了方便表示，也可以把上图表示为类似地理上的“等高线”。术语称为 contour plot（轮廓图）：
Parameter Learning
现在，我们开始具体来看看，第一个机器学习算法：梯度下降法（gradient descent）
target： algorithm：
Linear Algebra Review
Week 2：Linear Regression with Multiple Variables 笔记：
却还是，会愚蠢的选择相互敌视的方式。即使背脊相抵，
