简介：CS229全课程资料包系统整理了Andrew Ng教授斯坦福机器学习课程的讲义、作业与作业讲解，服务自学机器学习的在校学生、数据从业者与面试准备者，免去零散搜集、缺少配套练习的困扰。压缩包共47个文件、约9.22MB，以30个PDF讲义和官方解答为主体，另有7个ZIP数据包、6个M脚本和4个DAT数据文件，兼顾理论推导与实操复现。目前已有1320人学习/下载，是经典课程广受认可的一站式配套。讲义从线性回归、Logistic回归、广义线性模型到SVM、EM算法、PCA、ICA、强化学习，并配有线性代数、概率、凸优化、高斯过程等复习笔记，覆盖监督与无监督学习主干；作业部分包含编程任务和理论问题，配套解答与数据代码可直接对照练习。这套资料特别适合希望边学边练、通过作业讲解检验理解的学习者，能帮助其系统掌握模型选择、正则化、特征工程等关键能力，为后续研究或工作打下扎实基础。

1. CS229 的讲义、作业和作业讲解，为什么到现在还值得按顺序啃一遍

CS229 的讲义、作业和作业讲解，是很多算法工程师入行时都囤过的一套资料，但真正按顺序啃完的人不多。原因不是内容难，而是资料太散：讲义有多个年份的版本，作业要配 Octave 环境，讲解又散落在题解和笔记里。这篇内容把这三块拆开讲清楚——讲义怎么读、作业怎么做、讲解怎么用，以及这些年我见过最多的几个翻车现场。适合准备求职笔试、研究生入门、以及想系统补机器学习基础的开发者：课程不新，但里面的推导、作业和排错思路，到现在依然是面试里那些高频考点的源头。

2. 讲义怎么读：先分清版本和文件类型，再定阅读顺序

2.1 讲义文件分四类，先搞清楚你手里是哪一类

CS229 的讲义不是一本书，而是一堆 PDF 的集合。第一次打开课程主页的人，很容易被文件名绕晕。我一般会先把它们按用途分成四类，再决定哪些精读、哪些略读。

第一类是主课讲义。这类讲义按主题组织，覆盖监督学习、生成学习、SVM、学习理论、无监督学习和强化学习。每一份的篇幅不长，但推导密度很大，几乎每一页都在用矩阵和概率符号说话。第二类是 section notes，也就是讨论课讲义，常见内容包括矩阵求导、概率论复习、凸优化入门。这些材料是给“忘记数学细节”的人准备的，不是课程主线。

第三类是数学前置资料。课程早期会发一份概率论与统计复习、一份线性代数复习，里面把后文要用到的记号统一了，比如高斯分布、贝叶斯公式、矩阵迹的性质。我见过不少人跳过这部分直接读主讲义，结果在“对目标函数求导并令其为零”那里卡住，回来补数学反而花了更多时间。

第四类是深度学习补充讲义。这是课程后来迭代时加进来的内容，讲反向传播、卷积网络、循环网络的推导，风格比主讲义更偏现代框架。注意年份：早年的讲义里深度学习内容很少，甚至只有一节带过，后面几年的版本才把它扩成完整讲义。你下载的资料是哪一年归档的，决定了这份补充讲义有多厚。

提示：先看你手里这份资料的目录，标出年份，再决定阅读顺序。不同年份的讲义章节编号不一定对齐，网上文章提到的页码可能和你手里的完全对不上。

2.2 两周入门阅读计划：从数学复习到模型主线

讲义阅读顺序比读哪一份更重要。我自己的做法是给自己排两周计划，按“数学 → 监督学习 → 学习理论 → 无监督与扩展”推进，和作业的依赖关系完全一致。

这个顺序不是随便拍的。ex1 和 ex2 的作业代码里，大量使用了最小二乘、梯度下降和最大似然估计，这些恰好是主讲义开头的内容。ex5 的学习曲线和偏差方差分析，如果不是先读过学习理论那一章，画出来的图根本不知道怎么解释。读者如果只有一个月时间，我建议把第 1 周压缩到三天，重点只读矩阵求导那一份 section note。

2.3 哪些章节可以暂时跳过，哪些必须精读

讲义里不是每一章都值得花同样时间。我按“面试和作业里出现的频率”排序：线性回归、逻辑回归、SVM、学习理论这几章必须精读，里面每个公式都要能手推；生成学习里的朴素贝叶斯和高斯判别分析也要读，因为面试题里经常用它们来考“生成式 vs 判别式”的差异。

可以暂时跳过的部分，包括强化学习的几节和一部分无监督细节。强化学习在经典版本里只搭了个框架，后续的课程和教材比它讲得更清楚，入门阶段读它性价比不高。但这不意味着完全不看，至少要把术语过一遍，比如回报函数、策略、值函数，避免在讨论里完全听不懂。

另一个容易被忽略的点是讲义里的习题和章末注记。主讲义里有些“练习”不是作业，但常常是下一份讲义的前置引子，比如在线性回归后面让读者自己推导正则化后的解。把这些小练习当成“课间自测”去做，比憋到最后写作业时再返工要顺得多。我见过太多人把讲义当成小说一样读完，不落笔推导，最后写作业时连下标都搞混。

3. 作业怎么做：Octave 环境、代码骨架与判分机制，照着跑通第一份作业

3.1 环境选型：Octave、MATLAB 还是 Python

CS229 的作业历史上有两套环境。早年的作业默认用 Octave 或 MATLAB，代码文件以.m结尾，判分脚本也是围绕这套环境写的。后面有些年份的课程也开始提供 Python 版本的环境说明，但传统上“打开 ex1.m、跑通 submit”依然是最标准的路径。读者拿到的资料若是老版本，直接上 Python 迁移会踩不少数据格式的坑，反而得不偿失。

我的建议是：按你手里作业说明文件的默认环境来。如果作业压缩包里全是.m文件，就老老实实装 Octave；如果说明文档里明确给了 Python 的 requirements，再走 Python 路线。Octave 是开源实现，和 MATLAB 语法兼容度很高，绝大多数作业代码不用改就能跑。MATLAB 的优势是调试器和变量查看器更顺手，但需要正版授权，对学生和自学者不是必需品。

装 Octave 在 Linux 上也就是一条命令的事：

sudo apt install octave

Windows 用户去官网下载安装包即可。装完打开命令行，敲一个octave能进入交互环境，就算装成了。别急着再装一堆工具箱，CS229 作业用到的基本功能原生 Octave 就覆盖了。

注意：不要装最新版就以为万事大吉。作业里的 submit 脚本是多年前写的，个别新版本 Octave 改了函数行为会导致脚本报错。如果遇到不明错误，先换成课程说明里指定的大版本，再跑一遍。

3.2 第一份作业的最小跑通流程与核心代码

第一份作业通常是线性回归。打开压缩包，你会看到ex1.m、ex1data1.txt、ex1.pdf这类文件。正确的顺序是：先读ex1.pdf，再打开ex1.m看主流程，最后在标着 TODO 的位置填空。

ex1data1.txt是两列数据的文本文件，第一列是人口，第二列是房价。下面这段代码是作业里的核心步骤——数据读取、加截距项、梯度下降、画代价曲线：

% 读取训练数据并构造特征矩阵 data = load('ex1data1.txt'); X = data(:, 1); y = data(:, 2); m = length(y); % 在 X 前面加一列 1，对应线性回归的截距项 theta0 X = [ones(m, 1), X]; theta = zeros(2, 1); % 梯度下降超参数 alpha = 0.01; % 学习率，太大会发散，太小收敛过慢 iterations = 1500; % 迭代轮数 % 梯度下降主循环 for iter = 1:iterations h = X * theta; % 当前预测值，m x 1 向量 theta = theta - alpha / m * (X' * (h - y)); % 批量梯度下降更新 J(iter) = 1 / (2 * m) * sum((h - y) .^ 2); % 记录每轮代价 end % 画代价曲线，观察是否平滑下降 plot(1:iterations, J); xlabel('迭代次数'); ylabel('代价函数值');

这段代码的逻辑很直白：load读入文本文件，ones(m, 1)生成全 1 列向量来拼截距项，X' * (h - y)是一次向量化的梯度计算，等价于把所有样本的误差乘以特征再求和。代价函数J的定义用的是最小二乘的一半，除以m而不是2m，是因为求导后 2 会抵消。

参数上最容易出问题的两个地方：一是学习率alpha，0.01是作业给定的经验值，如果你自己调数据，遇到代价曲线震荡或 NaN，先把alpha缩小十倍；二是特征量纲差异大的时候要归一化，作业后面会给featureNormalize.m，它的作用就是把每列特征减去均值除以标准差，否则梯度下降会在某些维度上震荡很久。

3.3 判分机制与离线自检：别只盯着 submit 结果

作业提交脚本是submit系列函数，运行后它会打包你的答案，传回课程判分服务器打分。分数是按函数输出与标准答案的近似程度给的，允许很小的误差。但实际自学时，submit 结果不是唯一的检验手段，而且服务器多年后未必还开着，所以离线自检更重要。

我一般会在提交前做三件事：第一，看代价曲线是不是单调下降，如果中间有上翘，说明学习率太大或数据没归一化；第二，在终端打印当前theta，和讲义里的解析解公式对比，比如用pinv(X' * X) * X' * y算一个最优解，看差距是否在1e-3以内；第三，把预测值可视化，画在散点图上看看拟合线是否合理。

这三件事做完，即使 submit 不可用，你也能确定自己的实现是对的。反过来，有些人 submit 拿到 100 分但代码是抄的，换个数据集立刻就会露馅。作业的价值在于过程，不在于那个分数。

4. 作业讲解怎么用：对答案的四步法，把题解变成自己的思路

4.1 三类讲解材料，定位完全不同

“讲解”在这里不单指录制视频，而是所有能告诉你“这份作业为什么这么写”的材料。常见形态有三类，我建议按不同方式使用。

第一类是 solution 代码，即官方或流传下来的完整答案。它适合用来做最终对照，但绝对不适合一开始就打开。第二类是讨论课题解，对应课程每周的 section 板书，里面会把作业里涉及的数学推导重新推一遍，比如逻辑回归的似然函数求导、反向传播的链式法则展开。第三类是注释版笔记和讲解视频，通常是往届学生整理的，重点在“这里为什么要加正则项”这类文字解释。

这三类的信任度要分清：solution 代码只看结果，不看过程，它默认你知识都具备了；讨论课题解看推导过程，是补数学细节的地方；注释版笔记看思路，但可能有个人理解偏差，遇到和讲义不一致的地方，以讲义推导为准。我见过不少人拿注释版笔记里的结论直接去改代码，结果作业分数时好时坏，因为笔记省略了边界条件。

4.2 对答案四步法：先看结论、再看公式、最后比参数

对答案不是打开 solution 逐行比对，那样只会得到一份抄得整齐的代码，得不到思路。我习惯按四个步骤走，每一步都在解决一个具体问题。

第一步，先跑通自己的代码，记录卡点。如果你某一步完全不会写，把报错信息和卡住的位置截图留下来。第二步，打开 solution，先不看代码，只看它对应的输出结果，比如代价函数的最终数值、准确率是多少，拿自己的结果和它比。数字对得上，说明思路八成没问题；对不上，进入第三步。

第三步，回到讨论课题解或讲义里找对应公式。比如代价不一致，去看讲义里代价函数的定义是不是少了正则项；准确率偏低，去看特征预处理那一段。第四步，再回到自己的代码，只改出问题的那个函数，不要顺手把整个文件换成 answer。改完重跑一遍，确认数字和 solution 一致后，关掉 solution，隔一天后凭记忆重写一遍这个函数，能写出来才算真正吸收了。

4.3 一份作业的考点对照表与讲解重点

如果你手里是经典版本的作业，考点大致如下。后续年份可能把 SVM 单独拆出来做成 ex6，但主线不变。

对答案时盯“为什么”比盯“是什么”更有效。比如 ex4 的梯度检查，很多人只把它当作一道验证步骤跑完就结束，实际上它的原理是“用数值微分近似解析梯度，再对比两者差异”，这个思想在面试里可以直接转化为“如何验证自定义层的反向传播是正确的”。讲解视频讲到这一步时，我建议暂停下来自己推一遍链式法则，不要快进。

5. 避坑与排查：从讲义对不上到 submit 报错，五个常见翻车现场

5.1 讲义版本对不上，搜索答案搜不到

现象：想查“神经网络”章节，明明下载的资料里应该有一章，翻遍目录找不到，或者章节编号与网上文章里提到的完全对不上。

原因：CS229 讲义存在多个年份的版本，早期版本里深度学习只有一小节，后期版本才单列为完整讲义。网上大部分经验文章都基于某个特定年份，你手里的可能是另一个版本。

解决：先看你下载资料里的课程主页快照或 README，确认年份，再按那份资料自己的目录去学习。搜索答案时，优先搜公式名或作业文件名，比如“CS229 ex4 gradient checking”，而不是“CS229 neural networks 讲义第几章”。

5.2 装错 Octave 版本，submit 报函数未定义

现象：跑作业本身正常，一执行 submit 脚本就报“某个函数未定义”，或者脚本直接中断。

原因：判分脚本依赖多年前的 Octave API，新版本改动了一些内部函数的行为，不一定向后兼容。

解决：按作业说明里指定的大版本安装，不要贪新。装完后先跑一遍官方的示例函数验证环境，再碰作业代码。自测阶段如果 submit 一直报编译错误，可以直接放弃在线提交，用离线自检代替，不影响学习效果。

5.3 不看作业 PDF 直接填代码，函数签名对不上

现象：在.m文件里写完函数，运行主脚本时报“输出参数数量不正确”。

原因：代码骨架文件里只留了 TODO 注释和函数入口，具体要返回几个值、参数的顺序是什么，全部写在ex*.pdf里。跳读 PDF 等于漏掉一半条件。

解决：每个作业开始之前，先打开对应题目的 PDF，把所有出现“You should implement”“You need to return”的地方划出来，再动代码。填一个函数跑一次，不要一口气全部写完再调试。

5.4 用 Python 迁移作业，读入.mat后维度反向

现象：用scipy.io.loadmat读入数据后，打印y.shape得到的是(1, m)而不是(m, 1)，广播运算时报维度不匹配。

原因：MATLAB 存储矩阵按列优先，且对于单列数据经常存成行向量；NumPy 的习惯是行优先，默认把每一行当样本。不加处理直接迁移，维度对不上是必然的。

解决：读入后立刻检查 shape，用np.reshape或np.ravel统一成自己习惯的维度。迁移作业时，不要照抄 MATLAB 的下标运算，先花十分钟把数据维度在纸上画清楚。

5.5 讲解看得多、自己写得少，关掉视频就卡壳

现象：看题解和讲解视频时觉得全都懂了，结果关上屏幕自己写，连theta的更新公式都要翻讲义。

原因：讲解是单向输入，写代码是主动输出。看一百遍推导不如自己推一遍，这是学习规律，不是能力问题。

解决：规定自己“先写后看”。每个作业给自己一小时独立实现时间，卡住了只看对应步骤的讲解片段，一次不超过十五分钟。我当时做 ex4 用了两个晚上，第一天连方法都写不全，第二天只看了五分钟题解就自己补完了，印象比看一整节视频深得多。

6. 把作业重写一遍才算学会：从 Octave 到 NumPy 的自测方法

学完一轮之后，验证自己是否真掌握了，我建议用“换个框架重写”的方法。具体做法是：挑一份最小作业，比如 ex1，用 NumPy 重写一遍线性回归，保持数据不变、超参数不变，最后和 Octave 版本的结果对比。

import numpy as np # 读取同样的数据，注意 CSV 分隔符 data = np.loadtxt('ex1data1.txt', delimiter=',') X, y = data[:, 0], data[:, 1] # 原始特征和标签 m = len(y) # 构造设计矩阵，加截距列 X = np.c_[np.ones(m), X] theta = np.zeros(2) alpha = 0.01 iterations = 1500 # 批量梯度下降 for i in range(iterations): grad = X.T @ (X @ theta - y) / m theta -= alpha * grad # 用解析解做基准验证 theta_best = np.linalg.inv(X.T @ X) @ X.T @ y print('梯度下降 theta:', theta) print('解析解 theta:', theta_best)

这段代码的核心是验证X @ theta和X.T @ (X @ theta - y)这两个运算是否和 MATLAB 版本一致。@是 NumPy 的矩阵乘法，X.T是转置，grad的维度由矩阵乘法自动保证。输出两个theta后，如果数值差异在1e-3以内，说明你的迁移实现没有逻辑错误。

我自己的自测清单是三条：数值对得上，代价曲线形态一致，换一份数据集仍然能收敛。除了解析解，也可以把每次迭代的代价打印出来，画一张和 Octave 版几乎重合的曲线，那比任何提交分数都有说服力。这个“重写”习惯帮我避了很多“一看就会、一写就废”的坑——面试现场写朴素贝叶斯、手推反向传播，靠的都是这类重复劳动。希望帮到你。

本文还有配套的精品资源，点击获取