本文介绍机器学习的一个重要应用，推荐系统。

非监督式学习是没有label的数据，但是我们还是可以从中找出某些规律，比如给数据分类(聚类)等。本文我们介绍非监督式学习的三个子问题，聚类的K-means算法，降维的PCA算法和异常检测的高斯分布算法。

SVM(Support Vector Machine)是分类中的一个强大的算法。相比于Logistic Regression和Netural Network，Support Vector Machine有时候可以提供更清晰和强大的方式来学习复杂的非线性函数。

如何调试机器学习算法？在判断了是不足拟合和过度拟合的基础上，该如何选择下一步？是增加feature个数，增加training example，还是减小正则化λ值？本文我们来系统介绍如何调试机器学习算法。

本文介绍神经网络求解$\Theta$的算法：Back Propagation Algorithm.

本文介绍神经网络。

本文我们来了解下监督式学习的分类问题。

线性回归之多变量是对线性回归之单变量的范化，都属于监督式学习的回归问题。本文我们对线性回归之多变量做一个简单的介绍。

机器学习(Machine Learning)是通过非显性编程让计算机获得学习的能力，这在现代计算机科学中有着广泛的应用，从google的搜索分类，到OCR的训练以及AlphaGo的人工智能等等。本文是Coursera上吴恩达教授的《Machine Learning》系列课程的第一篇笔记：线性回归之单变量。

本文是《Practical Packet Analysis》系列第1篇笔记《Packet Analysis and Netork Basics》。