课程内容简介
课程主要介绍机器学习、数据挖掘和统计模式识别。相关主题包括：
i) 监督式学习（参数和非参数算法、支持向量机、核函数、神经网络）
ii）无监督学习（集群、降维、推荐系统、深度学习）
iii) 机器学习实例（偏见／方差理论、机器学习和AI领域的创新）
课程学习
第一周
1、10月18日学习Introduction章节。主要介绍了什么是Machine Learning及其意义，后续介绍了监督学习和无监督学习，其中监督学习主要介绍了regression和classification，无监督学习主要是cluster。(review三遍才过，对于有无监督学习理解不深刻)
Machine Learning is the field of study that gives computers
the ability to learn without being explicitly programmed.
2、10月19日学习Model and Cost Function章节。分为四个小节，Model Representation、Cost Function、Cost Function-Intuition I、Cost Function-Intuition II。
Cost Function —— square error function
我们的目标就是尽可能的使Cost Function值最小。
3、10月19日学习Parameter Learning章节。分为三个小节Gradient Descent、Gradient Descent Intuition、Gradient Descent For Linear Regression。
因此采用梯度下降的方法
注意，上述temp0和temp1是同步变化的。
参数a的选取也至关重要，不仅影响算法的效率，还对是否能寻找到局部最优解起至关重要的作用。
As we approach a local minimum, gradient descent will sutomatically
take smaller steps. So, no need to decrease a over time.
最终算法表示如下：
4、10月20日学习Linear Algebra Review，主要是复习了线性代数的相关知识，矩阵计算、矩阵的逆和转置等。