Stanford CS229 網易公開課：http://open.163.com/special/opencourse/machinelearning.html
公開課的資料和自己的算法代碼實現：https://github.com/Sierkinhane/CS229-ML-Implements
（近一個星期開始實現，所以 有些還沒有完成，如果大家喜歡可以給個star！）
如果覺得資料有點舊，可以在這裏下載最新的課程資料：
Stanford CS229 2018秋季課程資料：http://cs229.stanford.edu/syllabus.html（下載PDF notes）
添加了生成對抗網絡的pytorch實現（參考GAN in actions的keras實現）
學習stanford cs229 manchine learning課程已經有三個月左右，雖然說網友們說這門課相比於Coursera（吳恩達老師的網課機構）中的機器學習有更多的數學要求和公式的推導，本着想總體瞭解機器學習的念頭，開始了機器學習的自學過程。
這門課程年代確實有點久遠，但是我認爲作爲自己瞭解、深入機器學習領域的啓蒙課還是很好的。並且本課程的資料非常 好，它並不是向PPT教學資料那樣，只羅列知識點，而是包含老師對該算法的引入和解釋。（資料是全英文的）我推薦大家使用全英的課程資料，因爲現在不管是書籍，還是論文，原汁原味的還是英文版，所以最好讓自己用英文去理解這些知識，更有助於後階段的深入。課程涉及較多的數學知識（導數，統計學，線性代數，凸優化，似然，HMM等等），這些數學知識也有對應的複習資料（由當時的助教們完成），所以我覺這門課程還是很全面，並且是很值得學習的！
（課程資料PDF）
（數學知識回顧PDF）
我覺學習機器學習、深度學習很重要的一點是對該領域總體概念要清晰，學習機器學習很有必要做一個思維導圖，你會清楚知道機器學習算法分爲哪些種類，例如監督算法，無監督算法，強化學習，對抗生成學習，而其中又包含什麼算法，算法使用什麼思想，什麼優化函數，如何進行參數更新，最好的應用場景在哪，侷限性在哪。如果你做好一個思維導圖，那麼這些會很清晰。（我大概按照課程知識思路做了一個思維導圖希望能夠幫助大家）
最近在進行第三遍的算法複習和數學知識複習，並且最近課程安排不是很滿，就利用一些空餘時間用python實現的了前幾章的迴歸和分類算法（linear regression, normal equation, locally weighted regression, logitic regression, newton method softmax regression.... ）等等算法，還有剩下的正在複習，有時間就會實現。（每個例子都用matplotlib進行結果可視化）
Linear regression
Locally linear regression
Logistic regression
Softmax regression（generalized linear model）
高斯判別式(Gaussian Discriminant Analysis)
-
代碼和資料都在我的github中：https://github.com/Sierkinhane/CS229-ML-Implements