深度学习-----思想篇（四）

       刚又学了吴教授的斯坦福公开课的第三课，总结如下：

        这一课，小概念特别多，比如拟合，欠拟合，过拟合，函数，假设，参数算法和非参数算法 ，我理解拟合是应该是X,Y 两个数据集合合到一起的一个趋势，可以是一条直线，欠拟合是没有在合在一起，过拟合是指超过拟合的界限，成了曲线。函数、假设是老师直接用的，可以把函数是N个数据集合形成的规则，假设就是条件表达式，IF 之类的，参数算法很好理解，算法里面是有参数的，非参数算法是算法里面没有参数，只有数或数的集合。

       这一课，重点介绍了局部加权线性回归算法，这个算法我理解X,Y两个数据集合，我只取Y集合的某一段数据，找到这一段的分布趋势，划出一条直线，用X上的一点去对应找到那条直线上的Y点，这有点像吃糖葫芦，我想吃糖葫芦中间那段，我就需要用嘴移动到糖葫芦的中间部位的一个上面，上一口，就OK了。

          还讲到了第一个分类算法-----LOGISITC算法，我理解这个算法是解决0或者1的问题，也可以理解为曲线线性回归，它不是直线趋势判断，而是更加科学的曲线趋势判断。

      吴教授还提到如果把这些数据集合，推导过程，代码，汇总起来，就构成了一个模型，他曾经把局部加权线性回归算法，其实是个非参数算法，写成模型写入到自动飞行器上。

      吴教授还讲到了如果要学习好算法，需要把推导过程盖住，自己一步一步的去推导。我理解教授的意思是，学习一种算法，除了搞清楚它的假设条件，它用到的函数，还需要搞清楚算法的推理。

      算法的本来面目在一点一点露出，加油！！