Coursera上的《机器学习》课，终于学完了，虽然课程内容很基础，但机器学习里面要用到的算法，达叔都讲解到了，即便没有CS229那样把公式完整推导一遍，但对于初学者来说，这样的课程内容编排，习题设计，还有论坛答疑，都非常的友好，学完了这门课后，心里就有底气了很多，大脑里可以说组建了一个初级版的机器学习框架，这种成就感让我坚信自己，后续通过参加kaggle竞赛，阅读书籍一步步迭代，可以在机器学习这条道路上越走越远。
总共11周的课程学习到的主要内容有：
一、监督式学习：线性回归、逻辑斯蒂回归、神经网络、支持向量机
二、非监督式学习：K近邻学习、主成分分析、异常检测
三、机器学习特殊应用：推荐系统、大规模机器学习
四、创建机器学习系统的建议：偏差/方差、正则化、算法评价、如何做下一步、学习曲线、误差分析、上限分析
–学习笔记：由于机器学习这门课网上已经有很多人分享自己的学习笔记，而且有很多很优秀的笔记，所以在这里我就不再分享自己的笔记了，收集下几位大佬的笔记，供大家学习参考。
–参考资源：
（1）习题讲解：Machine learning
（2）机器学习和深度学习算法讲解：machine learning&deep learning
另外，在这里推荐下我自己翻译的TensorFlow2.0 官方指南集：TF 2.0 学习笔记