學習stanford cs229 manchine learning課程已經有三個月左右，雖然說網友們說這門課相比於Coursera（吳恩達老師的網課機構）中的機器學習有更多的數學要求和公式的推導，本著想總體瞭解機器學習的念頭，開始了機器學習的自學過程。

    這門課程年代確實有點久遠，但是我認為作為自己瞭解、深入機器學習領域的啟蒙課還是很好的。並且本課程的資料非常         好，它並不是向PPT教學資料那樣，只羅列知識點，而是包含老師對該演算法的引入和解釋。（資料是全英文的）我推薦大家使用全英的課程資料，因為現在不管是書籍，還是論文，原汁原味的還是英文版，所以最好讓自己用英文去理解這些知識，更有助於後階段的深入。課程涉及較多的數學知識（導數，統計學，線性代數，凸優化，似然，HMM等等），這些數學知識也有對應的複習資料（由當時的助教們完成），所以我覺這門課程還是很全面，並且是很值得學習的！

                                                                            （課程資料PDF）

                                                                            （數學知識回顧PDF）

  （近一個星期開始實現，所以     有些還沒有完成，如果大家喜歡可以給個star！）

    如果覺得資料有點舊，可以在這裡下載最新的課程資料：

我覺學習機器學習、深度學習很重要的一點是對該領域總體概念要清晰，學習機器學習很有必要做一個思維導圖，你會清楚知道機器學習演算法分為哪些種類，例如監督演算法，無監督演算法，強化學習，對抗生成學習，而其中又包含什麼演算法，演算法使用什麼思想，什麼優化函式，如何進行引數更新，最好的應用場景在哪，侷限性在哪。如果你做好一個思維導圖，那麼這些會很清晰。（我大概按照課程知識思路做了一個思維導圖希望能夠幫助大家）

最近在進行第三遍的演算法複習和數學知識複習，並且最近課程安排不是很滿，就利用一些空餘時間用python實現的了前幾章的迴歸和分類演算法（linear regression, normal equation, locally weighted regression, logitic regression, newton method softmax regression.... ）等等演算法，還有剩下的正在複習，有時間就會實現。（每個例子都用matplotlib進行結果視覺化）

                                                                                    Linear regression

                                                                                  Locally linear regression

                                                                                  Logistic regression

                                                                Softmax regression（generalized linear model）

                                                                     高斯判別式(Gaussian Discriminant Analysis)