xiaoa全栈开发的博客

如果你实在不能理解它们数学上等价的原因，你就直接实现这个算法，也是能得到正确答案的。我们用这条规则对 等于 0、1、2等等的所有值，更新对象，我只是用、、来写方程，假设我们有两个特征量，所以等于2，这些都是我们需要对、、进行更新，这些都应该是同步更新，我们用一个向量化的代码实现，这里是和之前相同的三个方程，只不过写得小一点而已。但换另一种方式来想想，把 看作，那么你就可以写成两个向量的内积，其中就是、、，如果你有两个特征量，如果 ，并且如果你把 看作、、，这两种思考角度，会给你两种不同的实现方式。

如何对矩阵中的数字进行各种操作，在运行完某个学习算法之后，通常一件最有用的事情是看看你的结果，或者说让你的结果可视化，在接下来的内容中，我会非常迅速地告诉你，如何很快地画图，如何只用一两行代码，你就可以快速地可视化你的数据，这样你就能更好地理解你使用的学习算法。，这将找出所有矩阵中大于等于7的元素，因此， 和分别表示行和列，这就表示，第一行第一列的元素大于等于7，第三行第二列的元素大于等于7，第二行第三列的元素大于等于7。具体而言，它将右图中的横轴的范围调整至0.5到1，竖轴的范围为-1到1。

这个该如何理解呢：这个集合是一组值，从数值1开始，增量或说是步长为0.1，直到增加到2，按照这样的方法对向量操作，可以得到一个行向量，这是一个1行11列的矩阵，其矩阵的元素是1 1.1 1.2 1.3，依此类推，直到数值2。如果，你知道什么是高斯随机变量，或者，你知道什么是正态分布的随机变量，你可以设置集合，使其等于一个一行三列的矩阵，并且，来自三个值，一个平均值为0的高斯分布，方差或者等于1的标准偏差。事实上，在硅谷，我经常看到进行大规模的机器学习项目的人，通常使用的程序语言就是。

随着我们要讲的学习算法越来越复杂，例如，当我们讲到分类算法，像逻辑回归算法，我们会看到，实际上对于那些算法，并不能使用标准方程法。以房价问题为例，假设我们使用两个特征，房屋的尺寸和房间的数量，尺寸的值为 0-2000平方英尺，而房间数量的值则是0-5，以两个参数分别为横纵坐标，绘制代价函数的等高线图能，看出图像会显得很扁，梯度下降算法需要非常多次的迭代才能收敛。目前为止，我们探讨了单变量/特征的回归模型，现在我们对房价模型增加更多的特征，例如房间数楼层等，构成一个含有多个变量的模型，模型中的特征为。

单位矩阵：在矩阵的乘法中，有一种矩阵起着特殊的作用，如同数的乘法中的1,我们称这种矩阵为单位矩阵．它是个方阵，一般用 或者 表示，本讲义都用 代表单位矩阵，从左上角到右下角的对角线（称为主对角线）上的元素均为1以外全都为0。定义的转置为这样一个阶矩阵，满足，即 （的第行第列元素是的第行第列元素），记。直观来看，将的所有元素绕着一条从第1行第1列元素出发的右下方45度的射线作镜面反转，即得到的转置。矩阵和向量的乘法如图：的矩阵乘以的向量，得到的是的向量。矩阵乘以矩阵，变成矩阵。中矩阵转置：直接打一撇，

想象一下你正站立在山的这一点上，站立在你想象的公园这座红色山上，在梯度下降算法中，我们要做的就是旋转360度，看看我们的周围，并问自己要在某个方向上，用小碎步尽快下山。对于这个问题，求导的目的，基本上可以说取这个红点的切线，就是这样一条红色的直线，刚好与函数相切于这一点，让我们看看这条红色直线的斜率，就是这条刚好与函数曲线相切的这条直线，这条直线的斜率正好是这个三角形的高度除以这个水平长度，现在，这条线有一个正斜率，也就是说它有正导数，因此，我得到的新的，更新后等于减去一个正数乘以。

机器学习是目前信息技术中最激动人心的方向之一。在这门课中，你将学习到这门技术的前沿，并可以自己实现学习机器学习的算法。你或许每天都在不知不觉中使用了机器学习的算法每次，你打开谷歌、必应搜索到你需要的内容，正是因为他们有良好的学习算法。谷歌和微软实现了学习算法来排行网页每次，你用Facebook或苹果的图片分类程序他能认出你朋友的照片，这也是机器学习。每次您阅读您的电子邮件垃圾邮件筛选器，可以帮你过滤大量的垃圾邮件这也是一种学习算法。对我来说，我感到激动的原因之一是有一天做出一个和人类一样聪明的机器。实现这个