Coursera-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。

线性回归模型大致

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
• output = target
• label
• Superviese learning
• Unsupervised learning