机器学习-监督式学习

1.自动驾驶技术

回归问题：由于汽车尝试预测表示行驶方向的连续变量的值

2.房屋价格问题

1.一个特性情景

• m 表示训练样本的数目
• #tranning exaples
• x 输入变量
• “input”variable/feature
• y输出变脸
• “output”variable/target
• (x,y) one tranning example
• (Xi,Yi) ith tranning example

• h—hypothesis
• a good predictor for the corresponding value of y
• 

2.线性回归

• Linear Regression(英)
  

---

• 增加了房间数，二维的输入数据。你可以选择其它的特性，有没有壁炉，洗浴间的数量…
• 
• 
• cost function
• pick or learn the parameters θ,make h(x) close to y,at least for the training examples we have
• 全程追求J（θ）的最小值
• 

3.梯度下降

• Gradient Descent
• 当你在曲面上某一个点的时候，选择方向使得你的下降最快
• 依赖于参数初始值
• 首先对θ赋值，这个值可以是随机的，也可以让θ是一个全零的向量
• 改变θ的值，使得J（θ）按梯度下降的方向进行减少
  
  
• 重新选择一个初始点，陷入了局部最小点

---

We want to choose θ so as to minimize J(θ). To do so, lets use a search algorithm that starts with some “initial guess” for θ, and that repeatedly changes θ to make J(θ) smaller, until hopefully we converge to a value of θ that minimizes J(θ). Specifically, lets consider the gradient descent algorithm, which starts with some initial θ, and repeatedly performs the update:

---

• 
• 仅有一个训练样本
• >have only one training example (x,y)

---

• For a single training example, this gives the update rule
• 

---

• 派生出m个样本的公式
• 

3.实际调试运行

未完…

斯坦福公开课观后感