警告：本课程很长（共 19 个部分，平均视频时长超过一小时）。数学实现这一点。在课程中，你将从头到尾沉浸在数学中。但事情是这样的：如果您有数学背景和决心，您可以参加免费的在线课程来开始学习这些内容。
此外，Ng 还使用一种名为 Octave 的语言向您介绍了许多编程示例。然后，您可以利用所学到的知识创建自己的机器学习程序。这正是我在下面的示例程序中所做的。
机器学习的基本概念
首先，让我明确一点：这个过程并没有让我成为该领域的 塞内加尔 电话号码数据 顶尖专家。但是，我已经学到足够多的知识，可以为您提供一些关键概念的有用介绍。您可以将机器学习分为两类：监督学习和无监督学习。首先，我将了解一下监督机器学习。
监督机器学习
从最基本的层面上讲，你可以将监督机器学习视为创建一系列方程来拟合已知数据集。假设你想要一种预测房价的算法（这是吴恩达在 Coursera 课堂上经常使用的例子）。您可能会得到一些如下所示的数据（请注意，这些数据完全是虚构的）：
在这个例子中
我们有（假设的）历史数据，根据房屋大小显示其价格。可以看出，价格随着房屋面积的增加而上涨，但数据并不呈直线。但是，您可以计算出一条能很好地拟合数据的直线，该线可能如下所示：
然后可以使用这条线来估算新房的价格。我们将房屋大小作 为什么电子邮件个性化是客户参与的关键 为算法的“输入”，将预测价格作为“输出”。例如，如果你有一栋 2600 平方英尺的房子，那么费用约为 xxxK 美元？？？美元
然而，这个模型似乎有些过于简单了。还有其他因素也会影响房价，例如房间总数、卧室数量、浴室数量和地块面积。在此基础上，您可以创建一个稍微复杂一点的模型，其数据表类似于：
您已经可以看到
一条简单的直线无法做到这一点，因为您必须为每个因素分配一个权重才 线数据库 能得出房价预测。也许最大的因素是房屋大小和地块大小，但房间、卧室和浴室都值得重视（它们都被视为新的“投入”）。
即使到现在，我们的运作方式仍然相当简单。影响房价的另一个主要因素是位置。华盛顿州西雅图的价格与德克萨斯州加尔维斯顿的价格不同。一旦你尝试在全国范围内构建该算法，并使用位置作为附加输入，你就会发现它开始成为一个非常复杂的问题。
您可以使用机器学习技术来解决这三类问题中的任何一种。在每个示例中，您将收集大量示例数据集，这些示例可称为训练示例，并运行一组程序来设计算法来拟合数据。这使您可以使用算法来收集新的输入并预测输出（在本例中为价格）。使用这样的训练示例就是所谓的“监督机器学习”。
分类问题
这是一类旨在预测特定结果的特殊问题。例如，假设我们想估计一个新生婴儿身高至少 6 英尺的可能性。你可以想象输入可能如下：
