假期繼續撿起Coursera上Andrew Ng的《Machine Learning》課程，去年同一時間學過一點點，這假期争取結課。
視訊講的内容還是蠻多的，寫在講義上的知識點太零散，每周的課程做一個梳理和總結，感興趣的可以參考下滴~
第一周
第一講 引言(Introduction)
1.機器學習是目前資訊技術中最激動人心的方向之一；
機器學習是人工智能AI（Artificial Intelligence）的核心；
應用舉例：資料挖掘Database Mining、手寫識别handwriting recognition、計算機視覺Computer Vision等。
2.定義：Field of study that gives computers the ability to learn without being explicitly programmed.
i.e.A computer program is said to learn from experience E with respect to some task T and some performance measure P,if its performance on T ,as measured by P,improves with experience E.
舉個例子了解下TPE:
①跳棋人機對弈：Task-------跳棋任務.
Performance measure------和新對手玩跳棋時赢得機率.
Experience-------你和計算機玩10次-1000次的跳棋遊戲.
②郵件垃圾分類：Task-------Classifying emails as spam or not spam.
Perform measure--------The number of emails correctly classified as spam/not spam.(成功的頻數or機率)
Experience-------Watching you label emails as spam or not spam.
★★★3.機器學習算法可以分為監督學習和非監督學習兩大類。
監督學習Supervised learning：給定算法一個資料集，并且給定正确的答案；
非監督學習Unsupervised learning：隻給定資料集，沒有給定正确答案;
監督學習有2大類：回歸問題和分類問題。
①回歸問題Regression:預測一個連續值的屬性(拟合)
②分類問題Classification:預測一個離散的輸出值(0-1)
非監督學習：聚類分析clustering
第二講 一進制線性回歸問題(Linear regression with one variable)
1.代價函數(平方誤差函數)J
例如：一進制線性拟合(回歸)
假設/拟合函數Hypothesis:
參數Parameter:
代價函數Cost Function:
目标Goal:
★★★2.梯度下降算法Gradient descent algorithm
原理：初始化一個值，沿偏導數方向下降直至代價函數收斂(或找到局部最優解)
算法:
repeat until convergence{
}
其中,J為代價函數，以一進制線性代價函數為例；
α為學習速率learning rate，可以了解為下降的步伐大小；
盜圖兩張，友善了解：
3.正交方程
如果資料集較小，也可以采用這種方法，後面再介紹~
第三講 線性代數回顧Linear algebra review
較基礎，大一的課程，跳過~
第一周的課程就到這裡了╰(￣▽￣)╮筆者繼續學習第二周的課程了，有興趣的一起來呗~