最近学习了一下网易公开课上由Andrew Ng于08年在斯坦福大学开办的机器学习课程，受益颇深。作为一个刚入门的学习者，可以说吴恩达讲的通俗易懂，之前我是一直在看《统计学习方法》和《机器学习》两本书，上面的一些公式看的比较懵，但是听完这门课后觉得豁然开朗。这门课开设的比较早，再加上近年来机器学习领域的迅猛发展，里面的一些算法可能在现在已经被优化替代，但是作为准备“入坑”机器学习的新手来说，这还是一门非常好的学习课程。
课程讲义、problemset和相关知识的介绍，网上都可以找得到，唯一美中不足的就是中文字幕，最后几章的翻译更是不能直视。
课程视频链接： 【戳这里】
课程相关资料： 【戳这里】
课程目录
课程总共分为20课，一课70-90分钟，这里按照课程内容列出课程目录，可能与公开课的目录有所不同，某些章节整合成一个部分：
- 一：线性回归、梯度下降优化算法及最小二乘公式
- 二：局部加权回归、Logistic回归
- 三：牛顿法、广义线性模型
- 四：高斯判别分析、朴素贝叶斯
- 五：SVM、核函数、坐标上升法和SMO算法
- 六：特征选择和模型选择
- 七：贝叶斯正则化和机器学习相关应用的分析
- 八：k-means算法、EM算法、混合高斯模型
- 九：因子分析、PCA算法
- 十：SVD、ICA算法
- 十一：MDP（马尔科夫决策过程）
- 十二：离散与维数灾难、continus-states MDP
- 十三：有限边界MDP、LQR
- 十四：微分动态规划， kalman滤波器和LQG
- 十五：POMDP、策略搜索和pegasus算法
课程中部分地方的数学推导都只写出了最终结果，在笔记中我会将推导步骤尽可能详细的写出来，相关的符号定义也会在遇到相关问题的时候尽可能的表述清楚。
作为自己学习历程的记录，也希望对和我一样的初入门者有所帮助。