机器学习代码——使用MATLAB和Python

Coursera吴恩达机器学习课程作业的自写Python 2.7版本，采用Jupyter Notebook实现，使代码结构更清晰、可读性更强。

本仓库实现的算法包括如下：

线性回归：linear_regression.ipynb

多元线性回归：linear_multiple.ipynb

逻辑回归：logic_regression.ipynb

正则化用于逻辑回归：logic_regularization.ipynb

模型诊断+学习曲线：learnCurve.ipynb

一对多分类模型：oneVSall.ipynb

神经网络模型：neuralNetwork.ipynb

SVM分类器：svm.ipynb

kmeans聚类：kmeans.ipynb

pca降维：pca.ipynb

高斯分布用于异常检测：anomaly_detection.ipynb

协调过滤推荐算法：Collaborative_Filter.ipynb

PS：网上其他参考资料分享：

1.课程作业原版是MATLAB版本（填空式编码）：对应 machine-learning-ex1——ex8 文件夹

2.kaleko整理的jupyter notebooks版本：对应 coursera_ml_ipynb 文件夹

3.mstampfer对照原版作业格式整理的Python版本，可以尝试自己实现

4.AceCoooool整理的Python版本，有中文注释

5.如果需要了解更多算法知识，本人使用jupyter notebook整理的peter的《机器学习实战》代码

6.本人自写的，关于吴恩达（Andrew Ng）开设的深度学习课程deeplearning.ai的课程答案

Coursera-ML-using-matlab-python 快速上手指南

本指南基于吴恩达机器学习课程的 Python 实现版本，使用 Jupyter Notebook 编写，代码结构清晰，适合中国开发者快速入门。

环境准备

• 操作系统：Windows / macOS / Linux
• Python 版本：推荐 Python 2.7（原版适配），但也兼容 Python 3.x（可能需要微调部分打印语句或库导入）
• 核心依赖：
  • Jupyter Notebook
  • NumPy
  • SciPy
  • Matplotlib
  • Scikit-learn (部分算法如 SVM, KMeans 参考用)

安装步骤

1. 克隆项目仓库

   git clone https://github.com/TingNie/Coursera-ML-using-matlab-python.git
   cd Coursera-ML-using-matlab-python
   

2. 安装依赖包 建议使用国内镜像源（如清华源）加速安装：

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy scipy matplotlib jupyter scikit-learn
   

3. 启动 Jupyter Notebook

   jupyter notebook
   

   浏览器将自动打开，进入项目目录即可看到各个算法对应的 .ipynb 文件。

基本使用

本项目按算法模块拆分了多个 Notebook 文件，直接打开对应文件运行即可。

示例：运行线性回归 (Linear Regression)

1. 在 Jupyter 界面点击 linear_regression.ipynb。
2. 按顺序执行单元格（Cell）：
   • 点击第一个代码块，按 Shift + Enter 运行以导入库和加载数据。
   • 依次向下执行，观察数据可视化、代价函数计算及梯度下降过程。
   • 最终查看拟合直线结果。

其他算法文件对应关系：

文件名	功能描述
linear_multiple.ipynb	多元线性回归
logic_regression.ipynb	逻辑回归
logic_regularization.ipynb	正则化逻辑回归
neuralNetwork.ipynb	神经网络模型
svm.ipynb	SVM 分类器
kmeans.ipynb	K-Means 聚类
pca.ipynb	PCA 降维
anomaly_detection.ipynb	高斯分布异常检测
Collaborative_Filter.ipynb	协同过滤推荐算法

提示：原始 MATLAB 作业填空题位于 machine-learning-ex1 至 ex8 文件夹中，可对照参考；若需更多中文注释版本，可参考仓库中提及的其他开源项目链接。