Machine Learning(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，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。在过去的十年中，机器学习帮助我们自动驾驶汽车，有效的语音识别，有效的网络搜索，并极大地提高了人类基因组的认识。机器学习是当今非常普遍，你可能会使用这一天几十倍而不自知。很多研究者也认为这是最好的人工智能的取得方式。在本课中，您将学习最有效的机器学习技术，并获得实践，让它们为自己的工作。更重要的是，你会不仅得到理论基础的学习，而且获得那些需要快速和强大的应用技术解决问题的实用技术。最后，你会学到一些硅谷利用机器学习和人工智能的最佳实践创新。
本课程提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括：
（一）监督学习（参数/非参数算法，支持向量机，核函数，神经网络）。
（二）无监督学习（聚类，降维，推荐系统，深入学习推荐）。
（三）在机器学习的最佳实践（偏差/方差理论；在机器学习和人工智能创新过程）。本课程还将使用大量的案例研究，您还将学习如何运用学习算法构建智能机器人（感知，控制），文本的理解（Web搜索，反垃圾邮件），计算机视觉，医疗信息，音频，数据挖掘，和其他领域。
中文视频地址：https://www.bilibili.com/video/BV164411b7dx/
课程地址：https://www.coursera.org/course/ml
在整个练习中，您将使用脚本ex1.m和ex1multi.m。这些脚本为问题设置数据集，并调用您将编写的函数。您不需要修改它们中的任何一个。您只需按照本作业中的说明修改其他文件中的函数。对于本编程练习，您只需完成练习的第一部分，即可使用一个变量实现线性回归。练习的第二部分是可选的，涵盖了多变量的线性回归。
在这部分练习中，您将构建逻辑回归模型来预测学生是否被大学录取。假设您是一所大学系的管理员，您想根据每个申请者在两次考试中的成绩来确定他们被录取的机会。您拥有以前申请者的历史数据，可以将其用作逻辑回归的培训集。对于每个培训示例，您都有申请者在两次考试中的分数和录取决定。你的任务是建立一个分类模型，根据这两次考试的分数来估计申请者的录取概率。
在本练习中，您将实现一对一逻辑回归和神经网络来识别手写数字。
在本练习中，您将实现神经网络的反向传播算法，并将其应用于手写数字识别任务。
在本练习中，您将实现正则化线性回归，并使用它来研究具有不同偏差-方差属性的模型。
在本练习中，您将使用支持向量机(SVM)构建垃圾邮件分类器。
在本练习中，您将实现K-Means聚类算法并将其应用于压缩图像。
在本练习中，您将实现异常检测算法，并将其应用于检测网络上的故障服务器。
每个项目中提供两种版本，分别是Matla/Octave版本和Python版本，原始的课程代码是Octave版本的，Python版本是我自己改写的，水平有限，多多包涵。
Machine Learning | Coursera 课后代码
原文：https://www.cnblogs.com/hanlulu1998/p/13642361.html