week_1

Andrew Ng机器学习笔记---by OrangeStar

Week 1

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.

---

１.监督学习和非监督学习

• 监督学习(supervised learning)

　 又叫回归问题(regression)

　 预测一个连续值的输出（房价预测）（regression）
　 或者分类某些数据集（肿瘤识别）(clasification)
　
　 　

• 无监督学习(unsupervised learning)

无监督学习中，所有数据都是一样的
但是通过无监督学习，可以将所有的数据分为几个不同的聚类。这就是所谓的聚类算法。（网页推送）（声音处理）

总结：　要求找出数据中，蕴含的类型结构

2.线性回归算法(supervised learning)

符号定义
ｍ = Number of training examples(训练样本数量)
x's = "input" variable / features
y's = "output" variable / "target" vaiable
\((x^{(i)},y^{(i)})\)= one training example

3.代价函数

\(h_\theta\)(x) = $$\theta_0 + \theta_1x$$
\(\theta_i\) 叫做模型参数
Hypothesis ->假设函数

要尽量减少（ｘ）与真实数据ｙ的差距

\(J(\theta_0,\theta_1)=\frac {\sum^m_{i=1}(h_\theta(x^{(i)})-y^{(i)})^2} {2m}\)

找Ｊ函数的最小值,这个就是代价函数
也叫平方误差函数

之所以选择除２m是因为求导后，恰好等于m

４.代价函数J(\(\theta_1\))－Intuition

Goal -> minimize J(\(\theta_0,\theta_1\))

5.　梯度下降　Gradient Descent

用来求min J(\(\theta_0,\theta_1\))

Gradient descent algorithm:
repeat until convergence:

\(\theta_j := \alpha\frac\delta {\delta\theta_j}J(\theta_0,\theta_1)\)
(for j=0 and j=1)

（要同时更新\(\theta_0和\theta_1\)）

(:=表示赋值)
(\(\alpha\)叫做学习速率，她控制了”下山的步伐“.即以多大的幅度更新theta)

1.计算temp0
2.计算tmep1
3.赋值给theta0和theta1
4.如果没有达到停止条件，返回第一步

\(\alpha\)有很重要的作用

1. 如果太小，会梯度下降得太慢
2. 如果太大，有可能无法收敛(converge)甚至会发散(diverge)

６.第一个机器学习算法（线性回归算法）

Gradient descent algorithm
Repeat until convergence
\(\theta_0 := \theta_0 - \alpha\frac1m\sum^m_{i=1}(h_\theta(x^{(i)} - y^{(i)}))\)
\(\theta_1 := \theta_1 - \alpha\frac1m\sum_{i=1}^m(h_\theta(x^{(i)} - y^{(i)}) * x^{(i)})\)

结合上一课：可以简写为：

\(\theta_j := \alpha\frac\delta {\delta\theta_j}J(\theta_0,\theta_1)\)

７.回顾线性代数知识

　

略