qq_15161183的博客

1.3 Gradient Descent这一节主要讲解Gradient Descent中的一些使用技巧。Tip 1： Tuning your learning rates当我们设置学习率时，如果学习率设置很小，Loss Function的值有可能下降的很慢；若果设置的学习路较大，Loss Function的值开始时下降的很快，但是之后没有变化，有可能是因为因为步伐太大，一直在最优解附近左右横跳；如果学习率非常大，则有可能LossFunction的值会直接增加，因为直接跳过了最优解，到了更差的位置。

Bise and Variance本节主要是讲Error的两个来源：Bise 和 Variance1. Error与Bise和Variance的关系从上节课的结尾来看，当增加四次项和五次项时，Error增加，主要可归咎于Bise和Variance两个方面。首先，Error的含义：设我们找到的目标函数为f，真实地函数为f（帽），Error则为两者之间的差距。用打靶来类比，靶心为f（帽），我们的命中点为f则Bise代表我们瞄准的位置与靶心的误差（因为我们不知道f(帽)，所以我们没有瞄准靶心，只是

Regression构建一个模型分为四部，Set a model，Goodness of the function，Best function，Optimize the model.这里的model是一组函数，本节课使用的是linear model：

Introduction机器学习的过程就是机器自动寻找合适函数的过程，最终的目的就是得到一个函数。有关寻找一个合适函数的方法有三个方面的问题：1.按照目的，想要找的函数是什么类型的？（1）如果函数的输出为一个具体的数值，则可以属于回归（Regression），比如房价预测，比如PM2.5预测。（2）如果函数的输出只有Y和N，是一个判断，则属于分类（Classification）；除此之外，如果需要的输出是多重判断，比如给一张图片判断是是猫是狗是老鼠，则属于（Multi-Classification）

文章目录专栏说明1.关于内容来源2.写一段代码鼓励一下自己总结专栏说明这篇文章是我用来联系CSDN编辑器的，为以后写出漂亮文章做准备，加油ヾ(◍°∇°◍)ﾉ1.关于内容来源此专栏的内容都是基于李宏毅老师的课程，以后要每学习一章，写一篇总结，逼迫自己做产出，不然老是忘记，就很绝望！课程地址：http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML20.html2.写一段代码鼓励一下自己#include <stdio.h>int main(){