（吴恩达）1.初识机器学习、单变量线性回归

（吴恩达）1.初识机器学习、单变量线性回归

文章目录​​1. 初识机器学习​​​​1.1引言​​​​1.2 什么是机器学习​​​​1.3 监督学习​​​​1.4 无监督学习​​​​2. 单变量线性回归（Linear Regression with One Variable）​​​​2.1 模型表示​​​​2.2 代价函数​​​​2.3 代价函数的直观理解​​​​2.5 梯度下降​​​​2.6 梯度下降的直观理解​​​​2.7 梯度下降的线性回归​​

1. 初识机器学习

1.1引言

机器学习是目前信息技术中最激动人心的方向之一机器学习不只是用于人工智能领域，现在它涉及到各个行业和基础科学中学习算法被用来理解人类的学习和了解大脑

1.2 什么是机器学习

机器学习定义

Arthur Samuel：在进行特定编程的情况下，给予计算机学习能力的领域。Tom Mitchell：一个好的学习问题定义如下，一个程序被认为能从经验E中学习，解决任务T，达到性能度量值P，当且仅当，有了经验E后，经过P评判，程序在处理T时的性能有所提升。

1.3 监督学习

监督学习：其基本思想是，数据集中的每个样本都有相应的“正确答案”，再根据这些样本作出预测。回归问题：即通过回归来推出一个连续的输出分类问题：其目标是推出一组离散的结果

1.4 无监督学习

针对数据集，无监督学习就能判断出数据有两个不同的聚集簇。无监督学习算法可能会把这些数据分成两个不同的簇。所以叫做聚类算法。这是一种学习策略，交给算法大量的数据，并让算法为我们从数据中找出某种结构。

2. 单变量线性回归（Linear Regression with One Variable）

2.1 模型表示

2.2 代价函数

2.3 代价函数的直观理解

等高线图

2.5 梯度下降

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。这些小碎步需要朝什么方向？如果我们站在山坡上的这一点，你看一下周围，你会发现最佳的下山方向，你再看看周围，然后再一次想想，我应该从什么方向迈着小碎步下山？然后你按照自己的判断又迈出一步，重复上面的步骤，从这个新的点，你环顾四周，并决定从什么方向将会最快下山，然后又迈进了一小步，并依此类推，直到你接近局部最低点的位置。

2.6 梯度下降的直观理解

2.7 梯度下降的线性回归

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。