机器学习——第一回视频总结

一.监督学习（supervised learning）

是一种回归问题，可以用函数进行拟合。
eg：根据房子大小预测房价
是一种分类问题，预测离散值的输出。
eg：用肿瘤大小来预测良性肿瘤或者恶性肿瘤的概率

二.代价函数模型

有一个数据集（训练集）
m 样本数量；x:输入；y:输出;上标表示索引

单变量线性回归模型(称呼单一变量的高大上方式)
代价函数也被称为平方误差函数——>均方差
MSE（均方差）
三.假设函数h(x)与代价函数J(x)之间的关系:θ1为桥梁

在化简版（Simplified）中，我们需要根据θ1来绘制h(x)和J(x)两个函数的曲线，θ1——>J(x)——>h(x)，而我们优化回归算法的终极目标是通过θ1来找到最小的J(x)

最好的拟合效果是当θ1=1时取到的。

三.无监督学习（Unsupervised learning）[简单介绍]

在一堆数据中找到某种数据结构，即聚类算法，eg：谷歌新闻，检测基因的表达程度

四.梯度下降算法：最小化线性回归的代价函数J(x)

我觉得这个梯度下降模型有点像离散里面的非降路径，在算法公式中，需要注意同步更新θ1和θ0，α被称为学习率，来控制以多大的幅度来更新这个参数θJ

如果θ1已经在最低点了，同样可以得到局部最优解；当我们接近局部最优解时，导数值会自动变小，因此不必减小α的值。

五.第一个机器学习算法——>线性回归算法

算法名称：（将代价模型应用于梯度下降算法）Batch梯度下降法

运算过程：

线性回归的梯度算法（改变了导数项）

另外，在凹函数中，没有局部最优解，只有全局最优解。

总结：第一回的学习内容结束了，感觉听懂了，有点入门了，还要再去看一下书来完善一下知识点٩(๑òωó๑)۶