吴恩达机器学习总结:
1. 有监督学习和无监督学习
1.1 有监督学习(回归,分类):做预测和判断
回归:根据线性走势做预测,判断新的输入值的结果值
分类:根据数据区域块区分类型,判断新的输入值的结果类型
1.2 无监督学习(聚类):说白了就是将一堆数据根据特征分类,比如说声音信号分离
2. 有监督学习基本案例引入
H(x) = θ_0 + θ_1*x
2.1模型可以自由选择(没有仔细说明在的模拟怎么选合适)
3. 假设函数和代价函数
4. 代价函数的求θ两种解法
4.1 多维梯度下降法
缺点:可能会取到局部最优解
优点:即使维度很大也能正常运行
4.2 正规方程(向量的方法)
缺点:当维度很大的时候,计算会很慢(n>10000),复杂算法也用不了。
优点:一步到位,不需要求α值
5. 工具的使用 R,pytnon ,C++ ,java ,octave。
5.1 基本指令
X=[1 2 3;2 2 4]
t=[0,0.001,0.98]
y1=sin(2*pi*4*t)
plot(t,y1)
存在的疑问:
特征缩小?对应的y值不变是否合适