1. 第一章 简介
1.1 机器学习（Machine Learning）
机器学习：研究能够从经验中自动提升自身性能的计算机算法。
从数学角度：机器学习就是从数据中学习一个函数𝑓 。
机器学习：能过从针对任务T的一些经验E和性能指标P中学习的计算机程序。同时它在任务T上的表现可以通过性能指标P来提高。
1.2 有监督学习（Supervised Learning）
给出“正确答案”。
回归（Regression）：输出连续的值。
分类（Classification）：输出离散的值。
1.3 无监督学习（Unsupervised Learning）
不给出任何标签，找到数据中暗含的结构或信息。
聚类算法（Clustering）：
组织计算集群
社交网络分析
市场分割
天文数据分析
2. 第二章 线性回归（Linear Regression）
2.1 假设函数（hypothesis）
2.2 代价函数（cost function）
2.3 简化（Simplified）
2.4 重新加入θ 0 {\theta _0}θ
2.5 梯度下降（Gradient descent）
问题描述：
2.6 梯度下降总结
2.7 线性回归梯度下降
3. 第三章 线性代数基础
3.1 矩阵和向量（Matrices and vectors）
矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合。
矩阵维数：行数*列数
A AA：矩阵，A i j {A_{ij}}A ij ：表示第i ii行第j jj列的元素。
向量：n ∗ 1 n*1n∗1的矩阵
y yy：向量，n-dimension 向量
3.2 矩阵加减与标量(scalar)运算
两个行列相等的矩阵才可以相加减：对应元素相加减
标量同一个矩阵相加减乘除：标量与每个元素分别运算，矩阵维数不变
3.3 矩阵向量乘法
3.4 矩阵乘法
3.5 矩阵乘法特征
3.6 逆和转置
4. 第四章 多元线性回归
4.1 多元特征
4.2 多元变量梯度下降
4.3 多元变量梯度下降：特征缩放（Feature Scaling）
4.4 多元变量梯度下降：学习率α \alphaα
4.5 特征和多项式回归
4.6 正规方程（Normal equation）解析解法
4.7 正规方程：不可逆矩阵
5. 第五章 Octave基础
主要讲解 Octave语言，但是人生苦短，我选python，跳过！！！
