第一周：单变量线性回归

这一周开始就要开始学习机器学习了。在这里记下我学习的一些过程。方便以后查阅。

1.1无监督学习和监督学习

监督学习：
数据集中每条数据已标明真确的答案。也就是说，每条数据有确定对应的标签。
无监督学习：
在无监督学习中没有任何的标签或者有相同的标签。我们有已知的数据集但是不知道如何处理。常见的有聚类算法。 我们无法告知，这一条数据是干什么的。我们只有数据。

1.2单变量的线性回归（Linear regression with one variable）

我们第一个学习线性回归算法。通过这个算法，能了解一个监督学习的流程。
训练集我们称为train set。回归问题的参数标记如下

参数	含义
m	训练集中实例的数量
x	特征变量/输入变量
y	目标变量/输出变量
(x,y)	训练集中的实例
(xi,yi)	代表第I个观察实例
h	算法的解决方案或函数

监督学习流程

我们使用数据集去“喂”给我们的算法，进而学习到一个假设函数h。所以h是一个从x到y的映射。
我们先来看简单的一种形式 h(x)=θ₀+θ₁x
这种问题称为单变量线性回归问题。
那么又出现一个问题，如何最有可能的直线来拟合我们的数据呢？
先引入一个概念，模型所预测值与训练集中实际值之间的差距就是建模误差
定义代价函数

我们只要让这个函数值最小。我们的目标就是 minimize J（θ₀,θ₁）

1.3 梯度下降

梯度下降是一个用来求函数最小值的方法。

那么这个算法具体如何更新呢？

以上就是更新规则。具体代码如何实现，那是后话。