机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，它是人工智能的核心，是是计算机具有智能的根本途径

该笔记分为十六个模块，循序渐进地深入了解机器学习，手打不易，希望各位读者一键三连

目录

一.机器学习的概念

     1.1 引言
     1.2 机器学习是什么？
     1.3 监督学习
     1.4 无监督学习

二.单变量线性回归

     2.1 模型表示
     2.2 代价函数
     2.3 代价函数的直观理解1
     2.4 代价函数的直观理解2
     2.5 梯度下降
     2.6 梯度下降的直观理解
     2.7 梯度下降的线性回归
     2.8 接下来的内容

三.线性代数回顾

     3.1 矩阵和向量
     3.2 加法和标量乘法
     3.3 矩阵向量乘法
     3.4 矩阵乘法
     3.5 矩阵乘法的性质
     3.6 逆，转置

四.多变量线性回归

     4.1 多维特征
     4.2 多变量梯度下降
     4.3 梯度下降法实践—特征缩放
     4.4 梯度下降法实践—学习率
     4.5 特征和多项式回归
     4.6 正规方程
     4.7 正规方程及不可逆性

五.Octave 教程
     5.1 基本操作
     5.2 移动数据
     5.3 计算数据
     5.4 绘图数据
     5.5 控制语句：for，while，if语句
     5.6 向量化
     5.7 工作和提交的编程练习

六.逻辑回归

     6.1 分类问题
     6.2 假说表示
     6.3 判定边界
     6.4 代价函数
     6.5 简化的成本函数和梯度下降
     6.6 高级优化
     6.7 多类别分类：一对多

七.正则化

     7.1 过拟合的问题
     7.2 代价函数
     7.3 正则化线性回归
     7.4 正则化的逻辑回归模型

八.神经网络：表述

     8.1 非线性假设
     8.2 神经元和大脑
     8.3 模型表示1
     8.4 模型表示2
     8.5 特征和直观理解1
     8.6 特征和直观理解2
     8.7 多类分类

九.神经网络的学习

     9.1 代价函数
     9.2 反向传播算法
     9.3 反向传播算法的直观理解
     9.4 实现注意：展开函数
     9.5 梯度检验
     9.6 随机初始化
     9.7 综合起来
     9.8 自主驾驶

十.应用机器学习的建议

     10.1 决定下一步要做什么
     10.2 评估下一个阶段
     10.3 模型选择和交叉验证集
     10.4 诊断偏差和方差
     10.5 归一化和偏差/方差
     10.6 学习曲线
     10.7 决定下一步做什么

十一.机器学习系统的设计

     11.1 首先要做什么
     11.2 误差分析
     11.3 类偏斜的误差度量
     11.4 查全率和查准率之间的权衡
     11.5 机器学习的数据

十二.支持内向机

     12.1 优化目标
     12.2 大边界的直观理解
     12.3 数学背后的大边界分类
     12.4 核函数1
     12.5 核函数2
     12.6 使用支持向量机

十三.聚类

     13.1 无监督学习
     13.2 K-均值算法
     13.3 优化目标
     13.4 随机初始化
     13.5 选择聚类数

十四.降维

     14​​​​.1 动机一：数据压缩
     14.2 动机二：数据可视化
     14.3 主成分分析问题
     14.4 主成分分析算法
     14.5 选择主成分的数量
     14.6 重建的压缩表示
     14.7 主成分分析法的应用建议

十五.异常检测

     15.1 问题的动机
     15.2 高斯分布
     15.3 算法
     15.4 开发和评价一个异常检测系统
     15.5 异常检测与监督学习对比
     15.6 选择特征
     15.7 多元高斯分布
     15.8 使用多元高斯分布（可选）

十六.推荐系统

     16.1 问题形式化
     16.2 基于内容的推荐系统
     16.3 协同过滤
     16.4 协同过滤算法
     16.5 向量化：低秩矩阵分解
     16.6 推行工作项的细节：均值归一化

十七.大规模机器学习

     17.1 大型数据集的学习
     17.2 随机梯度下降法
     17.3 小批量梯度下降
     17.4 随机梯度下降收敛
     17.5 在线学习
     17.6 映射化简和数据并行

十八,应用实例：图片文字识别

     18.1 问题描述和流程图
     18.2 滑动窗口
     18.3 获取大量数据和人工数据
     18.4 上限分析：哪部分管道的接下去做

十九.总结

由于文章篇幅原因不能全部展示，有需要的读者可以扫描下载

机器学习路线图

机器学习按照模型类型分为监督学习模型、无监督学习模型和概率模型三大类：

1、监督学习：有类别标签的学习，基于训练样本的输入、输出训练得到最优模型，再使用该模型预测新输入的输出；

代表算法：决策树、朴素贝叶斯、逻辑回归、KNN、SVM、神经网络、随机森林、AdaBoost、遗传算法；

2、半监督学习：同时使用大量的未标记数据和标记数据，进行模式识别工作；

代表算法：self-training(自训练算法)、generative models生成模型、SVMs半监督支持向量机、graph-basedmethods图论方法、 multiviewlearing多视角算法等；

3、无监督学习：无类别标签的学习，只给定样本的输入，自动从中寻找潜在的类别规则；

机器学习是Python学习的一部分，针对于Python学习，该笔记内也含有完整的学习路线及其细小的分支，该路线图极其详细地整合了Python学习的知识点，可找我拿图

完整的学习路线获取地址：