Coursera-吴恩达机器学习课程笔记-Week1
2024-09-06 13:41:10
参考资料:
吴恩达教授机器学习课程
机器学习课程中文笔记
Week 1
一. 引言
机器学习模型可分为监督学习Superviese learning(每个数据集给出了正确的值)和无监督学习Unsupervised learning(数据集只有特征,没有对应正确的值)
机器学习处理的问题可以分为Regression回归问题(结果是real-valued output连续的值)和Classification问题 (结果是discrete-valued离散的值)
二. 单变量线性回归(Linear Regression with One Variable)
代价函数Cost function
代价函数用来表现目前模型与结果的拟合情况。
平方差函数是回归问题中常用的代价函数
梯度下降 Gradient descent
梯度下降算法用来最小化函数,这里用来最小化代价函数;
原理:通过将每个参数不停减去“对应参数偏导数*学习速率“来同时更新每个参数,从而达到求得局部最小的函数值。
线性回归模型大致
hypothesis 是一个通过一个training set + 机器学习算法训练出的模型 。
对于traning set,找一个合适的学习算法,然后通过训练最小化代价函数从而得到最适合的参数。
三. 术语
- Data set = training set
- example
- Input = features
- output = target
- label
- Superviese learning
- Unsupervised learning
最新文章
- MVC NPOI Linq导出Excel通用类
- ReportViewer内存泄漏问题解决方案[上]
- mysql 远程访问控制
- Git 、 Cocoapods常用命令
- [f]动态判断js加载完成
- 清除SQL数据库的日志
- Web的形式发布静态文件
- 又是一个二模02,不过day2
- 根据子查询批量删除的sql语句
- 反射认识_02_反射成员变量Field
- Java提高篇---Stack
- 编译android源码官方教程(3)下载代码
- 开机时候系统总是提醒Android系统更新
- CodeForces - 61E Enemy is weak
- OGG FAQ
- Mybatis集成到spring boot
- 博三F5第二次站立会议(2019-03-21)
- springAop注解式Demo
- 从零开始mycat实验环境搭建
- Spring之AOP在XML中的配置方法
热门文章
- Centos7更改网卡名称Eth0
- TC基础与自动化
- 使用yaml格式进行接口测试报错
- 题解 【Codeforces988E】Divisibility by 25
- shiro认证和授权
- MyBatis 动态代理开发
- guava的简单使用
- NW.js桌面应用开发(一)
- HTTPSConnectionPool(host='files.pythonhosted.org', port=443): Read timed out的解决方法
- Web API幂等、超时优化