机器学习

人工智能

分类

机器学习	有监督学习(Supervised)	无监督学习(UnSupervised)
理解	有一组称之为”正确”的数据提供给算法，用于监督每次的训练成果	从数据集中发掘出规律，从而将数据进行某种程度划分
问题	回归预测（Regression Predict）特征分类（Feature Classification）	聚类（Cluster）

线性回归

模型表示
- 关键词：训练集（Training Set）| 学习算法（Learning Algorithm）| 假说（Hypothesis）
- 通过学习算法找到某种假说使得训练集的数据呈现该假说规律，即：H maps from TraningSet
- 如何检测假说的效果，使用成本函数（cost function or loss function），有时候也叫损失函数，通常来说，假说越准确，越接近真实，其值就越小。成本函数的出现通常伴随着目标，即 When cost function defined，the goal has appearanced
  
  线性回归通常使用的成本函数和目标为：
- 学习算法：
  1. 梯度下降法（Gradient Descent）
    - 梯度下降法的缺点包括：1）靠近极小值时速度减慢，2）直线搜索可能会产生一些问题，3）可能会“之字型”地下降。
- 如何调节机器学习的结果：
  1. 特征缩放（Feature Scaling）
    
    解释：在运用一些机器学习算法的时候不可避免地要对数据进行特征缩放（feature scaling），比如：在随机梯度下降（stochastic gradient descent）算法中，特征缩放有时能提高算法的收敛速度