Gradient Descent and NSCA

      今天算是缓过神来老，虽考试久久不如人意，但终于守得云开，既然已经过去了，就过去好了，人么，总该向前看。

      ML课程看了第一、二节，不得不承认Andrew NG 讲的非常地道，本来是学过ml半学期左右时间，但是听他讲的东西能更细节。我现在的ml面临的两个问题：

      1、看到一群蝌蚪文字，只怪数学功底薄弱。毫不夸张的说，我的数学直接菜到不能再菜，但是总归数学是有规律有趣味的学科吧，我还是从每个字母、每个符号的含义学起，今天最基本的有这些，X输入变量，Y输出变量，（x，y）一个样本点，还有这里不方便写出来的第i个样本点，梯度，偏导与样本参数，函数参数等等。

      2、碰到问题，要如何选择ML方法。今天的introduction中，NG分类说明，ML大致分为supervised learning、unsupervised learning，semisupervised learning，reinforced learning。其中监督式的主要有regression、classification，例如，房价-尺寸问题，又如癌症-年龄or 癌症-癌细胞大小问题，如此，便引出了，怎样用有限dimension表示无线dimension的方法，SVM。无监督例如课中所示的音频的分割。而强化学习就主要是应用在一些robots上，通过定义什么是good performance，怎样去做good thing，去达到学习的目的。

      总体来说，NG提到machine learning就是每个人在有一定的Experience 下接受一个Task，然后我们去估计它的Performence，也即E\T\P。

      而梯度下降法则是（与最小二乘法一样）最小化损失函数的方法。它通过每次前进的很小一步，通过选择下降最快的方向，来达到收敛，而其收敛结果依赖于起始点的选择。

==============================我是hll的分割线啊=============================

      时间不多，继续总结关于paper与lab work，总算是从“边缘化”的一只变成找到“组织”的人了，昂，感激的一逼。

      paper是关于news与社会评论对齐的工作。个人觉得总体是找到了一个创新的研究点，而模型是采用LDA模型，在训练的时候，不是直接用句子，转换成用topic去跑，大致理解是这样子的，时间关系，特别细节的东西明天细抠完了再聊吧。

     夜已深，大家入睡吧，承鸭哥一句话，it not suitable for me to be a coder，这个结论正确与否，我不想探究了，反倒是他提出来，我很惊讶，就祝愿远方的故友能每天开心快乐吧。其实，每个人都可以的，我干嘛那么矫情，社会给了我“程序媛”这个角色，就加油努力大踏步向前呗。晚安，早安。