weixin_52591187的博客

某些机器学习库可能在后端使用这种复杂方法求解w&b，但对于大多学习算法，梯度下降提供了更好的方法完成工作。参数：①向量w=[w1，w2，w3，...... wn]: 第i个训练示例（实际上是有各种因素的列表，比如下图中第二行方框）①回顾：之前更多的是一个特征x（例如房屋的大小->预测房屋的价格）速度慢（feature>10000）：第i个训练样例中的第j个特征（列表中的一个值）........卧室数量，层数，房屋年龄等。以前单维度：f（x）=wx+b。多元线性回归：f（x）=

①梯度下降：不仅用于线性回归，还用于训练一些先进的神经网络模型，也被成为深度学习模型。②梯度下降是一种可用于尝试最小化任何函数的算法，不仅仅是最小化。线性回归的成本函数。③事实证明，梯度下降适用于更一般的函数，

Objective目的：minimizeJ(w,b)

在分类模型中：只有少量可能的输出（ps：区分猫狗），因此存在一组离散的，有限的可能输出（predicts categories && small number of possible outputs）在这个未分级的实验中，您可以看到线性回归模型是如何在代码中定义的，并且您可以看到显示模型对给定w和b的选择的一些数据的拟合程度的图表。您还可以尝试不同的w和b值，看看它是否改善了对数据的拟合。f的工作是采用新的输入x和输出进行估计和预测y-hat（y-hat是对y的估计或预测，y指代真训练集中的真实值）；

J是衡量平方误差有多大的成本函数，因此选择最小化这些平方误差的w，使他们尽可能小，才能为我们提供一个好的模型。

聚类算法是一种无监督算法，获取没有标签的数据并且尝试自动将他们分组到集群中。

①Arthur Samuel：没有直接对问题进行显式编程的情况下，让 计算机拥有学习能⼒的研究领域（跳棋程序）（选B）②机器学习算法一般来说可以分为两大类：-监督学习（Supervised Learning）-使用较多，快速发展-无监督学习（Unsupervised Learning）