一部分为曾经打的一个和机器学习有关的比赛
一部分为吴恩达课程学习笔记和编程题以及编程题答案
一部分为octave学习教程
下面介绍下如何学习机器学习：
机器学习与数学中的统计学、线性代数、概率论以及微积分和泛函分析等分支学科联系紧密，因此，良好的数学基础是机器学习的关键；
其次，机器学习是以其算法为核心，掌握基本算法和数据结构是基础，在学习机器学习时，需要掌握数据结构和算法方面的知识，另一方面就是学习机器学习算法，机器学习算法也就是我们常说的支持向量机(SVM)，决策树等，在最初的学习过程中，大家肯定会害怕一些推导和数学公式，大家千万不要畏惧它，迎难而上，去弥补缺失的数学知识，然后不断去思考，去尝试理解，然后自己动手去实践算法，发现算法问题去改进它，这样，机器学习算法才能理解透彻；
机器学习书籍推荐
- 《机器学习》周志华
- 《统计学习方法》李航
- 《机器学习实战》
- 《机器学习》Peter Flach
在机器学习中，除了数学、算法外，较强的编程能力是一项重要基础。在人工智能领域，Python、C++、Matlab等编程语言都是十分常用的语言，除了掌握基本算法，还要具有编程能力去将算法实现，实现不是最终目的，而应该采用更加高效的实现。对于课内学习到的编程知识，还远远不够，需要自己去push，去掌握扎实，去深入学习编程。在今后，无论是从事科学研究还是从事工程应用，都需要通过编程实现自己的想法然后进行检验。
在入门机器学习时，大家可以尝试通过阅读相关书籍或者观看课程视频。
- Coursea 《Machine Learning》Andrew NG：来自斯坦福教授的Andrew NG的机器学习入门视频，从最基础的线性回归到SVM、神经网络，视频难度不大，适合刚入门者。
- Stanford CS229 Machine Learning， 斯坦福大学的机器学习课程
- Stanford CS231n 斯坦福大学计算机视觉相关的课程，讲解了神经网络的基础，包括前馈、反向传播、梯度下降，此课程主要介绍计算机视觉，卷积神经网络。
- Stanford CS224d 斯坦福大学自然语言处理课程。
在学习过程中，选择一些简单的数据集去尝试不同的算法，在不断改进中提升模型的性能。
完成机器学习基础学习后，如果有兴趣可以尝试去参加一些机器学习相关的比赛，如蚂蚁金服(阿里巴巴)举办的Tianchi比赛、Kaggle等，尝试在综合实践中，来运用所学的知识，将理论应用到实际中。
在基础扎实之后，可以使用第三方框架来简化我们的应用，如图像处理中的OpenCV，机器学习常用框架Scikit-Learn，深度学习框架Tensorflow、PyTorch、Caffe等。
机器学习有一大分支—深度学习，深度学习主要运用深层神经网络去解决更加复杂的问题，在计算机视觉、自然语言处理等领域内运用极其广泛，同时在我们的生活中也无处不在，诸如人脸识别之类的应用。
此外，大家都熟知的AlphaGo或者最新的AlphaZero，都是机器学习领域的另一片海---强化学习(Reinforcement Learning), 强化学习和深度神经网络的结合将其无限的潜力激发出来，于是诞生了AlphaGo这样强大的AI，可能不久后，你会发现你对战的AI具有了情感，能和你说话，能看见你。
注：如何学习机器学习转载自联创大佬的笔记