斯坦福大学公开课 ：机器学习课程（Andrew Ng）——1、整体看一看

============================================================================【课程综述】============================================================================
第一课时：
    机器学习的定义【 The Definition of Machine Learning】
    本课程的四部分内容：
        1）监督学习【The Overview of Supervised Learning】
        2）学习理论【The Overview of Learning Theory】
        3）无监督学习【The Overview of Unsupervised Learning】
        4）强化学习【The Overview of Reinforcement Learning】
============================================================================【监督学习】============================================================================
==================================【监督学习：Linear Regression】======================================================
第二课时：
    *线性回归【Linear Regression】：LMS(least mean squares) algorithm
    *（批量/随机=增量）梯度下降【Batch/Stochastic=Incremental Gradient Descent】
    *常用矩阵符号定义【Matrix Derivative Notation for Deriving Normal Equations】
    *标准方程推导【Derivation of Normal Equations】
第三课时：
    线性回归的概率解释【The Probabilistic Interpretation of Linear Regression】：LMS~=~MLE(least-squares regression corresponds to finding the maximum likelihood estimate of theta)
    *局部加权线性回归【Locally Weighted Linear Regression】：如何定义权重使距离预测点近的样本贡献大，远的样本贡献小。
    欠拟合和过拟合【Underfitting and Overfitting】
    参数化和非参数化算法【Parametric Algorithms and Non-parametric Algorithms】：Linear Regression是参数化算法；Locally Weighted Linear Regression是非参数化算法
==================================【监督学习：Classification and Logistic Regression】==================================
    *Logistic回归【Logistic Regression】
    感知器【 Perceptron】
第四课时：
    *牛顿方法（找最值）【Newton's Method】
========