总结

涉及到的内容包括：

一、监督学习算法。适用于具有带标签的数据和样本的，例如：

线性回归（Linear Regression）
逻辑回归（Logistics Regression）
神经网络（Neural Network）
支持向量机（SVM）

二、无监督学习。例如

聚类算法
- K-Means
- DBScan
数据降维
- 主成分分析（PCA）
异常检测算法：适用于只有无标签数据 x⁽ⁱ⁾ 时

三、机器学习特别的话题

推荐系统
大规模机器学习系统，包括
- MapReduce和并行系统
特别的应用
- 滑动窗口分类算法：用于CV技术

四、关于构建机器学习系统的实用建议

理解机器学习算法是否正常工作的原因
- 偏差（Bias）和方差（Variance）
正则化（Generalization)
怎样决定接下来怎么做的问题
- 也就是说当你在开发一个机器学习系统时，什么工作才是接下来应该优先考虑的问题。
学习算法的评价法。比如：
- 混淆矩阵（Confusion Matrix）
  - 查准率（Precision rate）
- 召回率（Recall rate）
- F1分数（F1 Score）
数据集合划分
- 训练集（Training Set）
- 交叉验证集（Valiadtion Set）
- 测试集（Test Set）
学习算法的调试，一些诊断法，比如
- 学习曲线（Learning Rate）
- 误差分析（Error Analysis）
- 天花板分析（Ceiling Analysis）

所有这些工具都能有效地指引你决定接下来应该怎样做，让你把时间用在刀刃上。

以下来自Andrew Ng的原话，送给你：

如果你跟着课程一路走来，到现在，你应该已经感觉到自己已经成为机器学习方面的专家了吧？

机器学习是一门对科技、工业产生深远影响的重要学科，而现在，你已经完全具备了应用这些机器学习工具来创造伟大成就的能力。希望你能在相应的领域，应用所学的机器学习工具，构建出完美的机器学习系统，开发出无与伦比的产品和应用。并且也希望你通过应用机器学习，不仅仅改变自己的生活，有朝一日，还要让更多的人生活得更加美好！

希望你们能从机器学习的学习中有所收获！

如果这里的内容有帮到你，欢迎在GitHub代码库点赞；如果有发现错误，亦请在Github直接提交Issue或Pull Request，谢谢。

GitHub: https://github.com/loveunk/machine-learning-deep-learning-notes/