1.画3D曲线及等高线
linspace(d1,d2,n); %在d1，d2之间产生n个等差数据
surf(x,y,z); %以x,y,z为坐标轴画3D图
surfc(x,y,z): %以x,y,z为坐标轴画3D图(加等高线）
contour(x,y,z); %画等高线
2.求解最优化问题
optimset('参数1','参数1值',’参数2‘，’参数2值）；%该函数返回一个结构体，包含各种设置：迭代次数，结束条件等；
Fminunc(@costfunction,initialtheta,options);%costfunction为代价函数计算，initialtheta为设置的初始theta值，options为optimset函数的返回值。
最优化函数为matlab自带函数，可以直接应用，应用步骤：1.计算代价函数，2设定最优化函数相关设置，3.应用最优化函数Fminunc（还有其他的优化函数）。
3.数字识别
①Logistic Regression
randperm（m)；将1-m个数字打乱随机排列，m=10,则得到 3 7 5 6 9 2 4 8 1 10；
reshape(A,m,n);%顾名思义将矩阵A按列检索改写成按列排成的m行n列形式，比如有一行[1 2 3 4]采用reshape(A,2,2),得[1 3;2 4]；
[val p]=max(A,[],2);%返回A矩阵行最大值的值val和该值对应的列数p，用来返回概率最大的数字。
思路（5000个数字图像，图像像素20*20）：
1.根据图像像素可以选20*20=400个特征x1,x2...x400;
2.根据数据集选用最优算法 （如上2.求解最优化问题）得到输出为0-9分别对应的特征系数theta；
3.根据theta计算0-9分别对应的概率，选概率最大的输出；
4.对数据集进行计算输出的数字与实际数字对比，求得概率。
②Neural Networks
思路（5000个数字图像，图像像素20*20）：
1.第一层到第二层：a1加a1(0),计算a2;
2.第二层到第三层：a2加a2(0),计算a3;...以此类推
3.输出
4.神经网络学习（3.数字识别②Neural Networks的继续）
1.对数据集进行正向传播计算；
2.对数据集进行反向传播计算代价函数与grad函数；
3.梯度检验；
4.利用反向传播代价函数与grad函数计算特征系数theta；
5.根据theta计算0-9分别对应的概率，选概率最大的输出；
6.对数据集进行计算输出的数字与实际数字对比，求得概率。
5.正则化与偏差、方差
bsxfun(@minus, X, mu)；计算一个矩阵减去（加，乘，除等）一个向量的结果矩阵，将向量复制成与矩阵相同维数进行 点运算；
std(A);计算标准差；
思路（给定（x,y)数据集，画学习曲线，确定过拟合与欠拟合问题，而自行调整正则化参数，特征及数据集个数）
1.选一个一次函数模型，计算正则化代价函数与梯度函数；
2.训练线性回归系数；
3.画学习曲线（判断过拟合与欠拟合）；
//----------------分割线---------------//
4.选模型：对特征进行n次方计算，x^2,x^3,x^4...x^p。这时数据差距太大，需要进行归一化与标准化处理；
5.对模型训练系数，画学习曲线（判断过拟合与欠拟合）；
6.画正则化系数与误差曲线图（选最优正则化系数）。
6.支持向量机
①二维数据分类svm问题
svmTrain(X, y, C, @linearKernel, 1e-3, 20)；X为输入，y为输出，@linearKernel选线性/高斯，1e-3为间隙（宽度容量），20为结束迭代次数。
②邮件分类
1.根据待判邮件中的单词与单词表对应，得到邮件对应的单词索引数向量（processEmail函数）；
2.根据单词索引数向量得到特征项（emailFeatures函数）；
3.使用svmPredict函数判断是否是垃圾邮件。
7.K均值算法与主成分分析
① K均值算法
1.随机选簇中心u1,u2,u3...
2.将数据点分类为最近的簇中心一组；
3.计算所有点到簇中心的距离均值；
4.不断循环，找到合适的额簇中心。
②主成分分析法
1.归一化与零均值
2.将特征空间m维降低到k维，根据已知特征值X映射到Z
1）计算协方差矩阵sigma=1/m(X'*X)
2)计算sigma矩阵特征向量[U S V ]=svd(sigma)
3)Z=X*U(:,1:k)
8.异常检测与推荐系统
①异常检测
1.计算参数mu,sigma；
2.根据高斯参数计算需要预测的点的概率；
3.根据召回率，精准率计算阈值epsilon；
4.判断是否为异常。
②推荐电影
1.初始化theta，x；
2.计算代价函数，采用fmincg计算最优theta与X;
3.根据自己的喜好，计算评分矩阵Y，选评分前十列出。