最近终于有时间继续学习机器学习了，但是呢，我是一个想白嫖的人，想请大家为这个课程理一下学习思路，这么多的课根本不想看，也不知道他想讲什么
我记得王垠说过，机器学习就是个拟合数据的过程
既然这样，其他的一堆看不懂的教程就可以当作辅助拟合数据的形式了
我想入坑机器学习之前，还是先理一下学习思路吧
ps: Introduction to Machine Learning | JuliaAcademy
这个网站注册不了，那个Sign Up的按钮一直是灰色的
这个网站挂梯子没问题的
我不用梯子也可以，是不是你的dns被污染了。但是注册得谷歌人机验证，没有梯子不行。
我已经弄好了 
看标题：第一章介绍、第二章第三章线性代数、第四章看上去是多元优化、第五章编程基础、后面就开始将具体的算法吧。
时间充足就慢慢看呗，再自己实现一下算法，只用 blas 的那种，甚至还可以拆开来去看对应的具体课程。
只是玩一玩或者需要应用就去找现成的模型吧，有些还有商业的 API 可用。
他这个偏理论一点。我个人可能更喜欢 https://zh.gluon.ai/ 这种和代码结合更紧密的。
推荐李宏毅老师的课，讲的也非常好，非常细致，每种算法都会举例，也会讲数学推导过程。是台湾人，比较容易听懂，吴恩达老师的课感觉有些枯燥，我看的coursera版的，可能是专门录的，而且也比较老，用的是octave，有点像念ppt了，李宏毅老师讲的还是很有趣的用的是py跟keras，总之推荐。
下面是链接：
看不懂英文，有没有中文的目录？
emmmm专业英文还是要会一点吧，李宏毅老师讲课的时候也会夹杂一些专业的英文词汇，ppt也是英文，如果一点都不会的话也很难听懂
四级还没过呢 
这个能用Julia翻译一遍吗？ 
3.2.1. 生成数据集
我们构造一个简单的人工训练数据集，它可以使我们能够直观比较学到的参数和真实的模型参数的区别。设训练数据集样本数为1000，输入个数（特征数）为2。给定随机生成的批量样本特征\boldsymbol{X} \in \mathbb{R}^{1000 \times 2}，我们使用线性回归模型真实权重\boldsymbol{w} = [2, -3.4]^\top和偏差b = 4.2，以及一个随机噪声项\epsilon来生成标签
\boldsymbol{y} = \boldsymbol{X}\boldsymbol{w} + b + \epsilon,
其中噪声项\epsilon服从均值为0、标准差为0.01的正态分布。噪声代表了数据集中无意义的干扰。下面，让我们生成数据集。
In [2]:
num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = nd.random.normal(scale=1, shape=(num_examples, num_inputs))
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
labels += nd.random.normal(scale=0.01, shape=labels.shape)
顺便问一下，线性回归的从零开始怎么用Julia写出来(白嫖的眼神)