吴恩达机器学习课程是机器学习领域的知名课程，对于入门机器学习起着非常关键的作用。但是由于年代问题，课程中使用的是Octave，即matlab框架，难以适用现今流行的python AI语言。特此，笔者在网上找到了python版的作业，来与各位分享，同时纪录自己学习过程，共勉。
------------------------------------------------------------------------------------------------
python版吴恩达机器学习资料（仅供学习和参考，侵权请联系删除）
------------------------------------------------------------------------------------------------
第三方库介绍
exe1中设计的三个第三方库，分别是：
-
Numpy：
由于机器学习算法在数据处理过程中大都涉及线性代数的知识，需要用到矩阵操作，Python本身没有处理矩阵的数据类型，因此需要使用附加的函数库。其中NumPy函数库是Python开发环境的一个独立模块，是Python的一种开源的数值计算扩展工具。
它是处理数值计算最为基础的类库。这种工具可以用来存储和处理大型多维矩阵，比Python自身的列表结构要高效的多。尽管Python的list类型已经提供了类似于矩阵的表示形式，但是NumPy提供了更多的科学计算函数。 -
Pandas：
是基于NumPy数组构建的，使数据预处理、清洗、分析工作变得更快更简单。pandas是专门为处理表格和混杂数据设计的，而NumPy更适合处理统一的数值数组数据。
-Matplotlib
是数据可视化的重要第三方库
一元线性回归
读入数据并展示，txt文件如图所示：
调用了pandas的pd.read_csv函数
具体用法：pd.read_csv函数调用规则
调用了pandas中的plot函数，
kind：scatter表示散点图
figsize : a tuple (width, height) in inches#图片尺寸大小
具体用法如下:
plot函数用法
定义一个名为computeCost的函数，来还原代价函数，X为矩阵
插入一列1来表示X0，因为实际上并没有X0，只是为了矩阵维数一致而引入的X0，所以X0恒为1。
初始化X和y，数据来源于上面定义过的data
shape函数是numpy.core.fromnumeric中的函数，它的功能是查看矩阵或者数组的维数。
iloc 主要是通过行号获取行数据，划重点，序号！序号！序号！
iloc[0:1]，由于Python默认是前闭后开，所以，这个选择的只有第一行！
调用head来检查矩阵是否正确，当数据集较多时，可在head（）中写入要观察的行数，例如head（3）只输出前三行
由于上面定义的X,y是txt里的数据，而运算时是矩阵运算，因此要转化成矩阵，调用np的matrix函数。
同时初始化要更新的theta的值，theta0为0，theta1初始化0.
随后调用上面写的computeCost函数即可得到代价值
进一步调用梯度下降算法：
详细注释：
函数构造完成后，只需要给出一些初始值，即可调用该函数了。
例如此处给出的学习率为0.01，迭代次数为1500
注意返回的g为矩阵【theta0，theta1】，cost为1500个代价函数值组成的数组。
想预测哪个x只要输入【1，x】和theta相乘即可。
生成拟合直线
linespace函数：生成指定范围内指定个数的一维数组
在指定的间隔[“start”,“stop”，num]内均匀地返回数字。返回“num”个等间距的样本。
具体用法：linespace用法
subplot为子图函数，fig代表绘图窗口(Figure)；ax代表这个绘图窗口上的坐标系(axis)，一般会继续对ax进行操作。
至此一元情况分析完毕，下面分析多元线性回归情况
多元线性回归
同样先导入相关数据
txt文件为：
发现自变量之间差距过大，为了提高效率，要进行特征缩放。
下面为迭代过程，可以类比一元情况：
正规方程
下面介绍正规方程解法：
利用最小二乘法，可以推导：
将上述公式转化成代码即可：
其中：np.linalg.inv（）为矩阵求逆函数
------------------------------------------------------------------------------------------------