本笔记内容是对斯坦福大学教授Andrew Ng课程的学习过程，请点击阅读原文跳转。
主要内容如下：
有监督学习：
线性回归（linear regression）、逻辑回归（logistic regression）、神经网络（neural networks）、支持向量机（SVMs）
无监督学习：
K均值（K-means）、主成分分析（PCA）、异常检测（Anomaly detection）
应用：
推荐系统、大型机器学习
关于创建机器学习系统的建议：
方差/偏差、正则化、下一步的选择、学习算法的评估、学习曲线、误差分析、上限分析
花了将近两个月的时间，终于把笔记写完。
能力有限，可能存在很多遗漏和误读的地方，敬请谅解。
以下为笔记链接，点击对应的链接即可跳转到对应的笔记文章。
第一周
机器学习笔记001 | 我对机器学习的理解
机器学习笔记002 | 怎么预测和怎么准确预测
机器学习笔记003 | 梯度下降算法
机器学习笔记004 | 矩阵和向量，提升效率的数学工具
第二周
机器学习笔记005 | 多特征线性回归，更加接近现实情况的预测
机器学习笔记006 | 更加准确的拟合，更加快速地收敛
机器学习笔记007 | 正规方程
机器学习笔记008 | 梯度下降和正规方程的代码实现与简单应用
第三周
机器学习笔记009 | 关于分类问题的预测
机器学习笔记010 | 分类问题的代价函数和最小化取值算法
机器学习笔记011 | 多元分类问题
机器学习笔记012 | 过度拟合和正则化
机器学习笔记013 | 逻辑回归代码实现和简单应用
机器学习笔记014 | 对于因子选股，机器学习可以这样用
第四周
机器学习笔记015 | 神经网络算法介绍
机器学习笔记016 | 神经网络算法
机器学习笔记017 | 图片中的数字是怎么被识别出来的
第五周
机器学习笔记018 | 神经网络的代价函数
机器学习笔记019 | 反向传播算法与神经网络的梯度
机器学习笔记020 | 梯度检验和随机的初始参数
机器学习笔记021 | 反向传播方法的代码实现
第六周
机器学习笔记022 | 如何评估学习算法
机器学习笔记023 | 高偏差和高方差
机器学习笔记024 | 算法问题的诊断与处理
机器学习笔记025 | 算法诊断的代码实现
机器学习笔记026 | 如何快速建立准确的机器学习模型
机器学习笔记027 | 如何处理偏斜类
第七周
机器学习笔记028 | 支持向量机SVM的原理
机器学习笔记029 | 核函数
机器学习笔记030 | SVM的简单使用
第八周
机器学习笔记031 | 无监督学习算法——K均值（K-means）
机器学习笔记032 | 维数约减（Dimensionality Reduction）
机器学习笔记033 | 主成分分析法（PCA）
机器学习笔记034 | K-means 和 PCA 的代码实现
第九周
机器学习笔记035 | 异常检测(Anomaly detection)介绍
机器学习笔记036 | 异常检测的注意点
机器学习笔记037 | 多元高斯分布（Multivariate Gaussian Distribution）
机器学习笔记038 | 推荐系统的理论逻辑
机器学习笔记039 | 异常检测与推荐系统
第十周
机器学习笔记040 | 大量数据的处理
第十一周
机器学习笔记041 | 机器学习的流水线和资源分配
