吴恩达机器学习课程笔记-Week1
参考资料: 吴恩达教授机器学习课程 机器学习课程中文笔记 Week 1 一. 引言 机器学习模型可分为监督学习Superviese learning(每个数据集给出了正确的值)和无监督学习Unsupervised learning(数据集只有特征,没有对应正确的值) 机器学习处理的问题可以分为Regression回归问题(结果是real-valued output连续的值)和Classification问题 (结果是discrete-valued离散的值) 二. 单变量线性回归(Linear Regression with One Variable) 代价函数Cost function 代价函数用来表现目前模型与结果的拟合情况。 平方差函数是回归问题中常用的代价函数 梯度下降 Gradient descent 梯度下降算法用来最小化函数,这里用来最小化代价函数; 原理:通过将每个参数不停减去“对应参数偏导数*学习速率“来 同时更新 每个参数,从而达到求得局部最小的函数值。 hypothesis 是一个通过一个training set + 机器学习算法训练出的模型 。 对于traning set,找一个合适的学习算法,然后通过训练最小化代价函数从而得到最适合的参数。 三. 术语 Data set = training set example Input = features