coursera-斯坦福-机器学习-吴恩达-第1周笔记

coursera-斯坦福-机器学习-吴恩达-第1周笔记

0 前言

第一，这门课是最好的机器学习、深度学习入门教程之一，老师很有名气，是深度学习三驾马车之一的吴恩达，而且课程讲的很通俗易懂。

每堂课后面还有编程作业，一定要做。课程推荐使用Octave编程语言，只需要填写核心代码，很适合自学。这门语言很多人没有学过，有些排斥。但是学计算机的同志就是要保持对新事物新工具的热爱，更何况这门语言并不难。

第二，我发现网络上关于这门课的笔记有很多，但是质量参差不齐。有的虎头蛇尾甚至半途而废；有的几乎就是复制英文讲义，没有自己的理解。这也是我写笔记的目的，顺便强化自己的理解。

第三，这门课有官方笔记，自己下载下来，有条件的打印出来。用笔实际写写画画理解会更深刻，比如我的。

[外链图片转存失败(img-xQxVCtOZ-1566960874849)(http://oqy7bjehk.bkt.clouddn.com/17-12-6/86302226.jpg)]

1 Introduction介绍-对应笔记lectur

1 Introduction介绍-对应笔记lecture1

1.1 机器学习应用

这一章首先简单介绍了，机器学习在现实生活中用的应用例子。吹了一波机器学习未来应用宏伟蓝图，好像又回到大学教室听老师吹牛的感觉~

1.2 机器学习概念

介绍了机器学习的概念：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.

主要包括了几个名词：你要做的任务T；以往可以学习经验的数据记录E；和判别记录做对否的判别器P

1.3 机器学习分类

1. 监督学习 Supervised learning （已知经验数据E的对错标签“p”）

• 1.1 回归 regression（连续值）
• 1.2 分类 classification（离散值）

2. 非监督学习 Unsupervised learning（有以往数据，但不知道他们的分类）

• 2.1 聚类 clustering
• 2.2 非聚类 non-clustering

2 一个变量的线性回归 -对应lecture2

这一节对应官方笔记lecture2。

2.1 线性回归的表示

起始给出了预测房价的例子。 像这样用一条线来模拟房价走势，就叫做线性回归。

这个问题属于监督问题，每个样本都给出了准确的答案。
同时因为房价是连续值，所以这是一个回归问题，对给定值预测实际输出。

公式：

$h_{\theta }(x)={\theta }_0+{\theta }_1\ast x$

其中两个θ是位置参数，我们的目的是求出他俩的值。

2.2 Cost function 代价函数

我们取怎样的θ值可以使预测值更加准确呢？

想想看，我们应使得每一个预测值hθ和真实值y差别不大，可以定义代价函数如下

J ( θ 0 , θ 1 ) = 1 2 m ∑ i = 1 m ( y ^ i − y i ) 2 = 1