学习stanford cs229 manchine learning课程已经有三个月左右，虽然说网友们说这门课相比于Coursera（吴恩达老师的网课机构）中的机器学习有更多的数学要求和公式的推导，本着想总体了解机器学习的念头，开始了机器学习的自学过程。
这门课程年代确实有点久远，但是我认为作为自己了解、深入机器学习领域的启蒙课还是很好的。并且本课程的资料非常 好，它并不是向PPT教学资料那样，只罗列知识点，而是包含老师对该算法的引入和解释。（资料是全英文的）我推荐大家使用全英的课程资料，因为现在不管是书籍，还是论文，原汁原味的还是英文版，所以最好让自己用英文去理解这些知识，更有助于后阶段的深入。课程涉及较多的数学知识（导数，统计学，线性代数，凸优化，似然，HMM等等），这些数学知识也有对应的复习资料（由当时的助教们完成），所以我觉这门课程还是很全面，并且是很值得学习的！
（课程资料PDF）
（数学知识回顾PDF）
Stanford CS229 网易公开课：http://open.163.com/special/opencourse/machinelearning.html
公开课的资料和自己的算法代码实现：https://github.com/Sierkinhane/CS229-ML-Implements
（近一个星期开始实现，所以 有些还没有完成，如果大家喜欢可以给个star！）
如果觉得资料有点旧，可以在这里下载最新的课程资料：
Stanford CS229 2018秋季课程资料：http://cs229.stanford.edu/syllabus.html（下载PDF notes）
我觉学习机器学习、深度学习很重要的一点是对该领域总体概念要清晰，学习机器学习很有必要做一个思维导图，你会清楚知道机器学习算法分为哪些种类，例如监督算法，无监督算法，强化学习，对抗生成学习，而其中又包含什么算法，算法使用什么思想，什么优化函数，如何进行参数更新，最好的应用场景在哪，局限性在哪。如果你做好一个思维导图，那么这些会很清晰。（我大概按照课程知识思路做了一个思维导图希望能够帮助大家）
最近在进行第三遍的算法复习和数学知识复习，并且最近课程安排不是很满，就利用一些空余时间用python实现的了前几章的回归和分类算法（linear regression, normal equation, locally weighted regression, logitic regression, newton method softmax regression.... ）等等算法，还有剩下的正在复习，有时间就会实现。（每个例子都用matplotlib进行结果可视化）
Linear regression
Locally linear regression
Logistic regression
Softmax regression（generalized linear model）
-
代码和资料都在我的github中：https://github.com/Sierkinhane/CS229-ML-Implements