第一周：
简单介绍机器学习，有监督学习。无监督学习。
1-1，1-2，1-3，1-4
第二周：
2-1：回归问题举例
2-2：介绍cost function定义。
2-3：在回归函数是一个经过原点的直线的情况下，演绎cost function最小化的计算。
2-4：在回归函数是一条直线时。通过等高线演绎cost function最小化的计算。
2-5：简单介绍梯度下降算法。但没有介绍偏微分部分。
2-6：以目标函数是一个经过原点的函数为例演绎梯度下降算法。
2-7：结合线性回归如果和梯度下降算法，得到第一个机器学习算法。
2-8：接下来课程介绍。
第三周：
本周内容复习：线性代数复习
3-1，3-2，3-3，3-4：矩阵加减，数乘，乘法。
当中3-4有价值的地方在以下这张图：
3-5：矩阵乘法的性质。
3-6：逆矩阵和转置矩阵。
第四周
4-1：在多元输入问题下的回归分析如果函数h(x)表示。
视频截图：
4-2：怎样设定多元输入问题下的回归分析如果h(x)的參数。
4-3：介绍特征缩放（使梯度下降的速度更快）
4-4：介绍学习速率的选择。
4-5：介绍通过特征组合和取次方，能够产生新的特征。
4-6：对于某些线性回归问题。介绍一种标准方程法（Normal Equation）求解h(x)的參数，能够比梯度下降算法更快。
4-7：标准方程法中出现不可逆矩阵时的策略。
第五周
第六周
6-1：使用线性回归解决0-1分类问题的不足。引入逻辑回归。
6-2：简单介绍逻辑函数（或sigmoid函数），以及用逻辑函数结果的概率意义表示。
6-3：通过逻辑函数描写叙述0-1分类问题，引入决策边界。
6-4：定义了sigmoid函数作为预測函数时的单训练样本的代价函数。
6-5：介绍怎样进行逻辑回归的梯度下降。
6-6：使用Octave进行更高级的算法实现梯度下降算法的功能。
6-7：使用逻辑回归解决超过两个类别的分类问题。
第七周
7-1：引入过拟合问题。
7-2：介绍正规化后的cost function。
7-3：线性回归和标准方程法（Normal Equation）中引入正规化。
7-4：逻辑回归中引入正规化。
第八周
8-1：使用逻辑回归解决多输入分类问题时会遇到feature过多的情况。
8-2：引入神经网络。介绍其发展历史。
8-3：介绍神经网络的专业名词、形式。
主要知识在以下这张视频截图：
8-4：