### Coursera 吴恩达机器学习课程中的 Jupyter 笔记本及相关资料 尽管吴恩达的《Machine Learning》课程最初是以 MATLAB/Octave 作为主要编程工具设计的，但随着 Python 和 Jupyter Notebook 的流行，许多开发者和教育机构将其内容移植到了更加现代化的平台上。以下是与该课程相关的 Jupyter 笔记本资源汇总： #### 社区贡献的 Jupyter Notebook 资源 由于官方并没有直接提供基于 Jupyter 的讲义或示例代码，因此大部分相关内容来源于社区贡献。以下是一些高质量的开源项目： - **Open Source Toolkit** 提供了监督式机器学习的第一周 Python 编程文件[^1]。该项目包含了线性回归的基础实现以及数据预处理的部分代码片段。访问地址为：[https://gitcode.com/open-source-toolkit/5af97](https://gitcode.com/open-source-toolkit/5af97)。 - **Neal Chalmers 开发的 Exercise 系列** 是一套全面覆盖课程各阶段练习题目的解决方案集合。其中 `Exercise5` 部分专注于无监督学习方法如 K-Means 聚类的应用场景演示[^2]。具体可参见：[https://github.com/NealChalmers/Stanford-CS229-ML-AndrewNg/tree/master/Exercise5](https://github.com/NealChalmers/Stanford-CS229-ML-AndrewNg/tree/master/Exercise5)。 - 此外，《吴恩达<Machine Learning> Jupyter Notebook 版笔记》不仅重现了原始教材的核心知识点，还增加了大量图表解释和技术细节剖析[^3]。这类增强型学习材料特别适合希望通过直观可视化加深印象的学习者群体。 #### 示例代码展示 下面给出一段典型的线性回归实现样例，它反映了上述提到的一些公共存储库内的常见模式： ```python import numpy as np from matplotlib import pyplot as plt def compute_cost(X, y, theta): m = len(y) predictions = X.dot(theta) square_err = (predictions - y)**2 return 1/(2*m) * np.sum(square_err) def gradient_descent(X, y, theta, alpha, num_iters): m = len(y) cost_history = [] for i in range(num_iters): predictions = X.dot(theta) errors = np.dot(X.transpose(),(predictions -y)) descent=alpha*(1/m)*errors theta -=descent cost_history.append(compute_cost(X,y,theta)) return theta,cost_history # Sample data points data = np.loadtxt('ex1data1.txt', delimiter=',') X = data[:,0].reshape(-1,1) y = data[:,1] m = len(y) ones_column = np.ones((m,1)) X_b = np.hstack([ones_column,X]) initial_theta=np.zeros(X_b.shape[1]) iterations=1500 alpha=0.01 optimal_theta, costs =gradient_descent(X_b ,y ,initial_theta,alpha, iterations ) print(f'Optimized Theta Values:{optimal_theta}') plt.plot(range(len(costs)),costs,'b.') plt.xlabel('Iterations');plt.ylabel('Cost Function Value'); ``` --- ####