6. 第六章 逻辑回归（Logistic Regression）
6.1 分类（Classification）
6.2 逻辑回归：假设陈述
6.3 决策边界（Decision Boundary）
6.4 损失函数（Cost Function）
6.5 简化代价函数与梯度下降
6.6 高级优化方法
优化算法：
梯度下降法（常用，简单）
共轭梯度法（conjugate gradient）
拟牛顿法（BFGS）
L-BFGS
高级优化算法的优点：
无需手动挑选学习率α \alphaα
通常比梯度下降法更快
高级优化算法的缺点：
更复杂
6.7 多分类：一对多（one-vs-all）
7. 第七章 正则化（Regularization）
7.1 过拟合问题（overfitting）
7.2 代价函数（cost function）
7.4 正则化逻辑回归
8. 第八章 神经网络：表示（Neural Network：Representation）
8.1 非线性假设（Non-linear hypothesis）
8.2 神经元和大脑
起源：算法尝试模仿大脑。
神经网络在80年代和90年代早期非常流行，在90年代后期流行度下降。
近来神经网络热度重新上升：已经在很多应用领域成为目前最先进的方法。
amazing：你能把几乎任何传感器接入到大脑中，大脑的学习算法就能找出学习数据的方法，并处理这些数据。这真是太神奇了，这也告诉我们通用人工智能是可行的，存在的！！！
8.3 模型展示1
8.4 模型展示2
8.5 示例与直观解释1
非线性分类器可以处理异或问题，而线性分类器不行。
8.6 示例与直观解释2
8.7 多分类
最后输出层输出n维向量，每一维表示是这一类的概率。
