斯坦福大學公開課 ：機器學習課程

[第1課]機器學習的動機與應用

[第2課] 監督學習應用.梯度下降

[第3課] 欠擬合與過擬合的概念

[第4課] 牛頓方法

[第5課] 生成學習演算法

[第6課] 樸素貝葉斯演算法

[第7課] 最優間隔分類器問題

[第8課] 順序最小優化演算法

[第9課] 經驗風險最小化

[第10課] 特徵選擇

[第11課] 貝葉斯統計正則化

[第12課] K-means演算法

[第13課] 高斯混合模型

[第14課] 主成分分析法

[第15課] 奇異值分解

[第16課] 馬爾可夫決策過程

[第17課] 離散與維數災難

[第18課] 線性二次型調節控制

[第19課] 微分動態規劃

[第20課] 策略搜索