【執行個體簡介】
内有詳細搜集的吳恩達機器學習課的課後習題程式設計實作代碼，有官方提供的matlab版本，還有多個用python實作的版本，并且附有詳細的注釋以及作業文檔說明。
【執行個體截圖】
【核心代碼】
機器學習課程2014源代碼
└── 機器學習課程2014源代碼
├── octave代碼
│ ├── README.md
│ ├── coursera作業答案 僅供參考.zip
│ ├── mlclass-ex1-jin
│ │ ├── OGLdpf.log
│ │ ├── computeCost.m
│ │ ├── computeCostMulti.m
│ │ ├── ex1.m
│ │ ├── ex1_multi.m
│ │ ├── ex1data1.txt
│ │ ├── ex1data2.txt
│ │ ├── featureNormalize.m
│ │ ├── gradientDescent.m
│ │ ├── gradientDescentMulti.m
│ │ ├── ml_login_data.mat
│ │ ├── normalEqn.m
│ │ ├── plotData.m
│ │ ├── submit.m
│ │ ├── submitWeb.m
│ │ └── warmUpExercise.m
│ ├── mlclass-ex2-jin
│ │ ├── costFunction.m
│ │ ├── costFunctionReg.m
│ │ ├── ex2.m
│ │ ├── ex2.pdf
│ │ ├── ex2_reg.m
│ │ ├── ex2data1.txt
│ │ ├── ex2data2.txt
│ │ ├── mapFeature.m
│ │ ├── plotData.m
│ │ ├── plotDecisionBoundary.m
│ │ ├── predict.m
│ │ ├── sigmoid.m
│ │ ├── submit.m
│ │ └── submitWeb.m
│ ├── mlclass-ex3-jin
│ │ ├── displayData.m
│ │ ├── ex3.m
│ │ ├── ex3.pdf
│ │ ├── ex3_nn.m
│ │ ├── ex3data1.mat
│ │ ├── ex3weights.mat
│ │ ├── fmincg.m
│ │ ├── lrCostFunction.m
│ │ ├── oneVsAll.m
│ │ ├── predict.m
│ │ ├── predictOneVsAll.m
│ │ ├── sigmoid.m
│ │ ├── submit.m
│ │ └── submitWeb.m
│ ├── mlclass-ex4-jin
│ │ ├── checkNNGradients.m
│ │ ├── computeNumericalGradient.m
│ │ ├── debugInitializeWeights.m
│ │ ├── displayData.m
│ │ ├── ex4.m
│ │ ├── ex4.pdf
│ │ ├── ex4data1.mat
│ │ ├── ex4weights.mat
│ │ ├── fmincg.m
│ │ ├── nnCostFunction.m
│ │ ├── predict.m
│ │ ├── randInitializeWeights.m
│ │ ├── sigmoid.m
│ │ ├── sigmoidGradient.m
│ │ ├── submit.m
│ │ └── submitWeb.m
│ ├── mlclass-ex5-jin
│ │ ├── ex5.m
│ │ ├── ex5.pdf
│ │ ├── ex5data1.mat
│ │ ├── featureNormalize.m
│ │ ├── fmincg.m
│ │ ├── learningCurve.m
│ │ ├── linearRegCostFunction.m
│ │ ├── plotFit.m
│ │ ├── polyFeatures.m
│ │ ├── submit.m
│ │ ├── submitWeb.m
│ │ ├── trainLinearReg.m
│ │ └── validationCurve.m
│ ├── mlclass-ex6-jin
│ │ ├── dataset3Params.m
│ │ ├── emailFeatures.m
│ │ ├── emailSample1.txt
│ │ ├── emailSample2.txt
│ │ ├── ex6.m
│ │ ├── ex6.pdf
│ │ ├── ex6_spam.m
│ │ ├── ex6data1.mat
│ │ ├── ex6data2.mat
│ │ ├── ex6data3.mat
│ │ ├── gaussianKernel.m
│ │ ├── getVocabList.m
│ │ ├── linearKernel.m
│ │ ├── plotData.m
│ │ ├── porterStemmer.m
│ │ ├── processEmail.m
│ │ ├── readFile.m
│ │ ├── spamSample1.txt
│ │ ├── spamSample2.txt
│ │ ├── spamTest.mat
│ │ ├── spamTrain.mat
│ │ ├── submit.m
│ │ ├── submitWeb.m
│ │ ├── svmPredict.m
│ │ ├── svmTrain.m
│ │ ├── visualizeBoundary.m
│ │ ├── visualizeBoundaryLinear.m
│ │ └── vocab.txt
│ ├── mlclass-ex7-jin
│ │ ├── bird_small.mat
│ │ ├── bird_small.png
│ │ ├── computeCentroids.m
│ │ ├── displayData.m
│ │ ├── drawLine.m
│ │ ├── ex7.m
│ │ ├── ex7.pdf
│ │ ├── ex7_pca.m
│ │ ├── ex7data1.mat
│ │ ├── ex7data2.mat
│ │ ├── ex7faces.mat
│ │ ├── featureNormalize.m
│ │ ├── findClosestCentroids.m
│ │ ├── kMeansInitCentroids.m
│ │ ├── pca.m
│ │ ├── plotDataPoints.m
│ │ ├── plotProgresskMeans.m
│ │ ├── projectData.m
│ │ ├── recoverData.m
│ │ ├── runkMeans.m
│ │ ├── submit.m
│ │ └── submitWeb.m
│ ├── mlclass-ex8-jin
│ │ ├── checkCostFunction.m
│ │ ├── cofiCostFunc.m
│ │ ├── computeNumericalGradient.m
│ │ ├── estimateGaussian.m
│ │ ├── ex8.m
│ │ ├── ex8.pdf
│ │ ├── ex8_cofi.m
│ │ ├── ex8_movieParams.mat
│ │ ├── ex8_movies.mat
│ │ ├── ex8data1.mat
│ │ ├── ex8data2.mat
│ │ ├── fmincg.m
│ │ ├── loadMovieList.m
│ │ ├── movie_ids.txt
│ │ ├── multivariateGaussian.m
│ │ ├── normalizeRatings.m
│ │ ├── selectThreshold.m
│ │ ├── submit.m
│ │ ├── submitWeb.m
│ │ └── visualizeFit.m
│ └── 整合pdf
│ ├── Programming Exercise(機器學習2014練習).pdf
│ ├── ex1.pdf
│ ├── ex2.pdf
│ ├── ex3.pdf
│ ├── ex4.pdf
│ ├── ex5.pdf
│ ├── ex6.pdf
│ ├── ex7.pdf
│ ├── ex8.pdf
│ ├── 源代碼目錄.docx
│ └── 源代碼列印.pdf
└── python代碼
├── ex1-linear regression
│ ├── 1.linear_regreesion_v1.ipynb
│ ├── ML-Exercise1.ipynb
│ ├── ex1.pdf
│ ├── ex1data1.txt
│ └── ex1data2.txt
├── ex2-logistic regression
│ ├── 1. logistic_regression_v1.ipynb
│ ├── ML-Exercise2-v1.ipynb
│ ├── ML-Exercise2.ipynb
│ ├── Untitled.ipynb
│ ├── ex2.pdf
│ ├── ex2data1.txt
│ └── ex2data2.txt
├── ex3-neural network
│ ├── 1- neural network.ipynb
│ ├── ML-Exercise3.ipynb
│ ├── ex3.pdf
│ ├── ex3data1.mat
│ └── ex3weights.mat
├── ex4-NN back propagation
│ ├── 1- NN back propagation.ipynb
│ ├── ML-Exercise4.ipynb
│ ├── ex4.pdf
│ ├── ex4data1.mat
│ └── ex4weights.mat
├── ex5-bias vs variance
│ ├── 1- bias vs variance.ipynb
│ ├── ML-Exercise5.ipynb
│ ├── ex5.pdf
│ └── ex5data1.mat
├── ex6-SVM
│ ├── 1- linear SVM.ipynb
│ ├── 2- Gaussian kernels.ipynb
│ ├── 3- search for the best parameters.ipynb
│ ├── 4- spam filter.ipynb
│ ├── ML-Exercise6.ipynb
│ ├── data
│ │ ├── emailSample1.txt
│ │ ├── emailSample2.txt
│ │ ├── ex6data1.mat
│ │ ├── ex6data2.mat
│ │ ├── ex6data3.mat
│ │ ├── spamSample1.txt
│ │ ├── spamSample2.txt
│ │ ├── spamTest.mat
│ │ ├── spamTrain.mat
│ │ └── vocab.txt
│ └── ex6.pdf
├── ex7-kmeans and PCA
│ ├── 1- visualize data.ipynb
│ ├── 2- 2D kmeans.ipynb
│ ├── 3- kmeans for image compression.ipynb
│ ├── 4- 2D PCA.ipynb
│ ├── 5- PCA on face data.ipynb
│ ├── ML-Exercise7.ipynb
│ ├── data
│ │ ├── bird_small.mat
│ │ ├── bird_small.png
│ │ ├── ex7data1.mat
│ │ ├── ex7data2.mat
│ │ └── ex7faces.mat
│ └── ex7.pdf
├── ex8-anomaly detection and recommendation
│ ├── 1- Anomaly detection.ipynb
│ ├── 2- Recommender system.ipynb
│ ├── ML-Exercise8.ipynb
│ ├── data
│ │ ├── ex8_movieParams.mat
│ │ ├── ex8_movies.mat
│ │ ├── ex8data1.mat
│ │ ├── ex8data2.mat
│ │ └── movie_ids.txt
│ └── ex8.pdf
├── helper
│ ├── __init__.py
│ ├── anomaly.py
│ ├── general.py
│ ├── kmeans.py
│ ├── linear_regression.py
│ ├── logistic_regression.py
│ ├── nn.py
│ ├── pca.py
│ ├── recommender.py
│ └── test
│ ├── __init__.py
│ ├── nn_test.py
│ └── test_data
│ ├── ex4data1.mat
│ └── ex4weights.mat
└── img
├── cov_mat.png
├── f1_score.png
├── gradient_checking.png
├── linear_cost.png
├── linear_gradient.png
├── linear_reg_cost.png
├── linear_reg_gradient.png
├── logistic_cost.png
├── logistic_gradient.png
├── mapped_feature.png
├── nn_cost.png
├── nn_model.png
├── nn_reg_grad.png
├── nn_regcost.png
├── pca_projection.png
├── rcmd_cost.png
├── rcmd_gradient.png
├── rcmd_reg_grad.png
├── rcmd_vectorized_grad.png
├── reg_cost.png
└── reg_gradient.png
27 directories, 253 files