吴恩达机器学习可以说是最受推崇的机器学习基础课程。网络上有很多关于这方面的资源，其中比较推荐的是海洋大学黄海广的【斯坦福大学2014机器学习教程个人笔记】。黄博士的笔记很全，几乎是一字不差，把视频中原话搬下来。看完之后想要得到一份更凝练的笔记，并且加上自己的一些思考。
1 引言Introduction
1.1欢迎
这一集不是重点，如果对于ML有一点了解的话，那就溜了。
1.2机器学习是什么？What is Machine Leaning？
一个程序被认为从经验E中学习，解决任务T，达到性能度量值P，当且仅当，有经验E之后，经过P评判，程序在处理T时性能提升。
主要类型：监督学习 无监督学习。
1.3监督学习 Supervised Learning
这里涉及到两种情况:
回归:尝试推出一系列连续的属性值。
这里的一个例子是预测房价。房价的走势一般不会是简单的线性关系，但是大致趋势是从下往上增长的。可以用直线拟合，也可以用二次方程拟合。当然也可以用更高阶方程去表达。监督学习指的就是我们给学习算法一个数据集。这个数据集由“正确答案”组成。在房价的例子中，我们给了一系列房子的数据，我们给定数据集中每个样本的正确价格， 即它们实际的售价然后运用学习算法，算出更多的正确答案。
分类:尝试推出离散的输出值。
这一个例子是肿瘤预测。我有 5 个良性肿瘤样本，在 1 的位置有 5 个恶性肿瘤样本。现在我们有一个朋友很不幸 检查出乳腺肿瘤。假设说她的肿瘤大概这么大，那么机器学习的问题就在于，你能否估算出 肿瘤是恶性的或是良性的概率。用术语来讲，这是一个分类问题。
分类指的是，我们试着推测出离散的输出值:0 或 1 良性或恶性，而事实上在分类问题 中，输出可能不止两个值。比如说可能有三种乳腺癌，所以你希望预测离散输出 0、1、2、 3。0 代表良性，1 表示第 1 类乳腺癌，2 表示第 2 类癌症，3 表示第 3 类，但这也是分类问题。
1.4无监督学习 Unsupervised Learning
无监督学习与监督学习最主要的区别就是数据是没有Label值或者label值全是一样的。 需要机器自己去分类。 典型的例子：垃圾邮件，新闻事件分类etc.