假期繼續撿起Coursera上Andrew Ng的《Machine Learning》課程，去年同一時間學過一點點，這假期爭取結課。

   視訊講的內容還是蠻多的，寫在講義上的知識點太零散，每週的課程做一個梳理和總結，感興趣的可以參考下滴~

第一週

第一講 引言(Introduction)

1.機器學習是目前資訊科技中最激動人心的方向之一；

   機器學習是人工智慧AI（Artificial Intelligence）的核心；

   應用舉例：資料探勘Database Mining、手寫識別handwriting recognition、計算機視覺Computer Vision等。

2.定義：Field of study that gives computers the ability to learn without being explicitly programmed.

i.e.A computer program is said to learn from experience E with respect to some task T and some performance measure P,if its performance on T ,as measured by P,improves with experience E.

舉個例子理解下TPE:

①跳棋人機對弈：Task-------跳棋任務.

Performance measure------和新對手玩跳棋時贏得概率.

Experience-------你和計算機玩10次-1000次的跳棋遊戲.

②郵件垃圾分類：Task-------Classifying emails as spam or not spam.

Perform measure--------The number of emails correctly classified as spam/not spam.(成功的頻數or概率)

Experience-------Watching you label emails as spam or not spam.

★★★3.機器學習演算法可以分為監督學習和非監督學習兩大類。

監督學習Supervised learning：給定演算法一個數據集，並且給定正確的答案；

非監督學習Unsupervised learning：只給定資料集，沒有給定正確答案;

監督學習有2大類：迴歸問題和分類問題。

①迴歸問題Regression:預測一個連續值的屬性(擬合)

②分類問題Classification:預測一個離散的輸出值(0-1)

非監督學習：聚類分析clustering

第二講 一元線性迴歸問題(Linear regression with one variable)

1.代價函式(平方誤差函式)J

例如：一元線性擬合(迴歸)

假設/擬合函式Hypothesis:

引數Parameter:

代價函式Cost Function:

目標Goal:

★★★2.梯度下降演算法Gradient descent algorithm

原理：初始化一個值，沿偏導數方向下降直至代價函式收斂(或找到區域性最優解)

演算法:

       repeat until convergence{

      }

      其中,J為代價函式，以一元線性代價函式為例；

      α為學習速率learning rate，可以理解為下降的步伐大小；

盜圖兩張，方便理解：

3.正交方程

   如果資料集較小，也可以採用這種方法，後面再介紹~

第三講 線性代數回顧Linear algebra review

較基礎，大一的課程，跳過~

第一週的課程就到這裡了╰(￣▽￣)╮筆者繼續學習第二週的課程了，有興趣的一起來唄~