课程－－－吴恩达老师
学习路线
本来准备边看视频边看周志华大佬的西瓜书，结果第三章看完就给跪了，全是数学公式，总之，在没有把数学基础打好之前还是先别看这本书了（
数学学习参考上面的学习路线，主要是微积分，概统，线性代数矩阵）否则完全看不懂的．．．相反视频里的是相对简单的，还有专门介绍线性代数的课程
可以先看这个入门，然后再继续西瓜书
第一周课程内容
基础名词
- 回归与分类
- 监督与不监督学习
- 我们的目标是，在给定训练集的情况下，学习函数h：X→Y，使得h（x）是y的对应值的“好”预测器
- 假设函数
方法
线性回归
1.cost function使用代价函数来衡量假设函数的准确性
房价预测（线性回归问题）：choose i0,i1 so that h(x)is close to y for our training examples(x,y)
mini
目标：假设函数的斜率和截距 更符合样本
代价函数：－－－计算样本与计算的差距
J(i0,i1)= 1/2m∑(h(xi)-yi)^2－－平法差代价函数
2.梯度下降－－计算 cost function－－min j(i0,i1);
不断递归计算，到函数收敛
３．正规方程
多特征的线性回归
- 代价函数，参数梯度下降的变化，（偏导数）
- 特征缩放
线性回归 逻辑回归
减小过拟合
- 过拟合，表示由于features太多，虽然cost function趋近于零，但是对于新的数据的预测并不好（可能很好的拟合了实验数据）
- 欠拟合：表示模型不是一条直线，但却训练成了一条直线（比如），所以不能很喝的预测数据
减小过拟合：
- 减少选择的特征
- 正则化－－－在代价函数中“惩罚”某些参数，在cost function后加上theta,减小每个theta这样可以使其跟光滑，减小过拟合
- 如果正则化参数lambda过大时（惩罚过大，会造成欠拟合）
向量化
减少迭代（for循环）－－－将其向量化代替
神经网络
training set(x,y)
—>h(x)==y(约等)