经过近两个月的努力，一点一点的爬到了第五周。但是一味的上课很容易遗忘，所以通过这个文章来进行一次系统的回顾。
第一周的内容比较简单，主要是提高了监督式学习和非监督式学习的差别，我通过习题发现，最大的差别在于有没有一个事先给出的分类标准。如果有，比如垃圾邮件或者是是否患有癌症，那么就是监督式学习。反之亦然。
第二周第一次有了编程作业，算是正式入门。机器学习其实无外乎是特征提取，误差优化两个内容。提取到了合适的特征，优化得到合适的模型，就算一个完整的机器学习算法。要理解这个，可以从高中接触过的函数入手，最简单的就是二元一次方程了，用二元一次方程刻画两个数之间的关系，大家应该都懂。
y=ax+b，里面的a和b就是我们这里的特征，通过提出a和b，我们也就得到了一个独一无二的直线。这个直线可以刻画x和y直接的关系，也能刻画一组x和y之间的关系。这是二维的情况，但是机器学习无非就是把这个推展到了n维，从精确变成了最优。这里不得不提到矩阵，矩阵给了刻画n维关系的很好工具，如果不懂举矩阵，可能一眼看过去就晕了，所以矩阵就是先修内容了。
提一下误差优化，首先第一步是刻画误差，这里用的是Cost函数，第二步，就是通过函数求导的方式求出Cost函数的导数，利用导数求出Cost函数的极小值，同时求出此时的theta。别慌，想一下二元二次函数求极值！aX^+bY^2=c，是不是就很熟悉了？
之后就是优化提高函数了，NG主要提出了正则化，学习率这两个方法。
先搁笔，过几天继续写。