吴恩达教授的机器学习课程用的是《机器学习》（Machine Learning）一书

在机器学习领域，吴恩达教授被誉为权威人物之一。他的机器学习课程是全球最受欢迎的在线机器学习课程之一，吸引了数以百万计的学习者。在这门课程中，吴恩达教授使用的教材是《机器学习》一书，该书由Tom Mitchell撰写。

《机器学习》一书是一本经典的机器学习教材，内容详尽全面，涵盖了从基础概念到高级技术的各个方面。这本教材不仅适用于初学者，也适用于有一定机器学习基础的进阶学习者。

为了帮助读者理解和应用机器学习算法，书中提供了大量的代码示例。这些代码示例使用不同的编程语言实现，包括Python、Matlab和Octave。在课程中，吴恩达教授主要使用Octave作为编程语言，因为Octave是一种开源的科学计算语言，易于学习和使用。吴恩达教授在课程中给出了Octave的安装和使用教程，让学习者能够轻松地进行实践。

下面是一个简单的代码示例，展示了如何使用Octave进行线性回归：

% 加载数据
data = load('data.txt');
X = data(:, 1); % 输入特征
y = data(:, 2); % 输出标签

% 绘制数据
plot(X, y, 'rx', 'MarkerSize', 10);
ylabel('利润（$10,000）');
xlabel('城市人口（10,000）');

% 初始化参数
theta = zeros(2, 1);
iterations = 1500;
alpha = 0.01;

% 梯度下降算法
m = length(y);
X = [ones(m, 1), X];
for iter = 1:iterations
    h = X * theta; % 预测值
    theta = theta - (alpha/m) * X' * (h - y);
end

% 绘制线性回归结果
hold on;
plot(X(:, 2), X * theta, '-');
legend('训练数据', '线性回归');
hold off;

% 预测
predict1 = [1, 3.5] * theta;
predict2 = [1, 7] * theta;
fprintf('当城市人口为 35,000 时，预测的利润为 $%f\n', predict1 * 10000);
fprintf('当城市人口为 70,000 时，预测的利润为 $%f\n', predict2 * 10000);

以上代码实现了线性回归算法。首先，我们从文件中加载数据，并绘制出来。然后，我们使用梯度下降算法对数据进行拟合，得到最佳的线性回归参数。最后，我们使用训练好的模型对新的数据进行预测。

这只是《机器学习》一书中一个简单的示例，而实际上，书中还包含了许多其他的算法和应用案例。通过跟随吴恩达教授的课程，学习者能够深入了解这些算法的原理和实现方式，并且在实践中应用它们。

总之，吴恩达教授的机器学习课程使用的教材是《机器学习》一书，该书内容全面，包含了丰富的代码示例，帮助学习者理解和应用机器学习算法。通过跟随这门课程，学习者能够系统地学习机器学习的基础知识并掌握实践技巧，为进一步深入研