Andrew Ng的机器学习视频目录（from coursera, 2014）

第一周：

简介机器学习，有监督学习，无监督学习。
1-1，1-2，1-3，1-4

第二周：

2-1：回归问题举例
2-2：介绍cost function定义。
2-3：在回归函数是一个经过原点的直线的情况下，演绎cost function最小化的计算。
2-4：在回归函数是一条直线时，通过等高线演绎cost function最小化的计算。
2-5：简介梯度下降算法，但没有介绍偏微分部分。
2-6：以目标函数是一个经过原点的函数为例演绎梯度下降算法。
2-7：结合线性回归假设和梯度下降算法，得到第一个机器学习算法。
2-8：接下来课程介绍。

第三周：

本周内容复习：线性代数复习
3-1，3-2，3-3，3-4：矩阵加减，数乘，乘法。其中3-4有价值的地方在下面这张图：

3-5：矩阵乘法的性质。
3-6：逆矩阵和转置矩阵。

第四周

4-1：在多元输入问题下的回归分析假设函数h(x)表示。
视频截图：

4-2：如何设定多元输入问题下的回归分析假设h(x)的参数。
4-3：介绍特征缩放（使梯度下降的速度更快）

4-4：介绍学习速率的选择。
4-5：介绍通过特征组合和取次方，可以产生新的特征。
4-6：对于某些线性回归问题，介绍一种标准方程法（Normal Equation）求解h(x)的参数，可以比梯度下降算法更快。

4-7：标准方程法中出现不可逆矩阵时的策略。

第五周

第六周

6-1：使用线性回归解决0-1分类问题的不足，引入逻辑回归。
6-2：简介逻辑函数（或sigmoid函数），以及用逻辑函数结果的概率意义表示。
6-3：通过逻辑函数描述0-1分类问题，引入决策边界。

6-4：定义了sigmoid函数作为预测函数时的单训练样本的代价函数。
6-5：介绍如何进行逻辑回归的梯度下降。
6-6：使用Octave进行更高级的算法实现梯度下降算法的功能。
6-7：使用逻辑回归解决超过两个类别的分类问题。

第七周

7-1：引入过拟合问题。
7-2：介绍正规化后的cost function。
7-3：线性回归和标准方程法（Normal Equation）中引入正规化。
7-4：逻辑回归中引入正规化。

第八周

8-1：使用逻辑回归解决多输入分类问题时会遇到feature过多的情况。
8-2：引入神经网络，介绍其发展历史。
8-3：介绍神经网络的专业名词、形式。主要知识在下面这张视频截图：

8-4：