摘要：
支持向量机，包括支持向量机的优化目标、大间隔介绍、大间隔分类器的数学原理、核函数、SVM的使用 阅读全文
摘要：
机器学习系统设计，包括 确定执行优先级、误差分析、不对称性分类的误差评估、精准率和召回率的权衡、机器学习数据 阅读全文
摘要：
对于使用机器学习的建议，包括假设评估、模型选择、训练集 交叉验证集 测试集、偏差、方差、正则化和学习曲线 阅读全文
摘要：
神经网络学习，包括 神经网络的代价函数、反向传播算法的讲解和应用、反向传播算法的进一步理解、如何把参数迅速从矩阵展开成向量、使用梯度检验避免反向传播和梯度下降结合出现的bug、参数随机初始化、神经网络的各个过程相组合 阅读全文
摘要：
神经网路讲解，包含 非线性假设问题介绍、神经元和大脑、神经网络的模型展示、案例说明、神经网络解决多元分类问题 阅读全文
摘要：
正则化，包含 过拟合问题介绍、线性回归和逻辑回归的代价函数、线性回归的正则化、逻辑回归的正则化 阅读全文
摘要： 
逻辑回归，包括 分类问题介绍、逻辑回归的假设陈述、决策边界、逻辑回归的代价函数、梯度下降在逻辑回归中的应用、高级优化、一对多的多元分类问题的解决方案 阅读全文
逻辑回归，包括 分类问题介绍、逻辑回归的假设陈述、决策边界、逻辑回归的代价函数、梯度下降在逻辑回归中的应用、高级优化、一对多的多元分类问题的解决方案 阅读全文
摘要：
Octave使用，包括Octave基本操作、移动数据、计算数据、绘制数据、控制语句、函数的定义和调用及向量化实现 阅读全文
摘要：
多元线性回归，包括 多元线性回归的介绍、梯度下降法在多元线性回归中的应用、梯度下降法的实用技巧（特征缩放：均值归一化，学习率的选择）、特征选择和多项式回归、正规方程、不可逆的情况下如何使用正规方程 阅读全文
摘要：
矩阵和向量讲解，包括 矩阵和向量的介绍、标量的加法 乘法、矩阵-向量乘法、矩阵-矩阵乘法、矩阵的逆和转置 阅读全文
摘要：
单变量线性回归，包括 单变量线性回归的模型描述、代价函数、梯度下降的概念以及在线性回归中的应用 阅读全文
摘要：
简要介绍机器学习，包括 机器学习的概念、监督学习、无监督学习 阅读全文