2022吴恩达机器学习笔记（第一课）

初识机器学习:

1、Supervised learning

理解：学习输入到输出映射的算法，并依据该算法进行预测

        选择模型->让机器学习含输入、输出相映射的训练集->预测测试集

分类：回归/分类问题

          在回归问题中，我们试图在连续输出中预测结果，这意味着我们试图将输入变量映射到某个连续函数。在分类问题中，我们试图将输入变量映射到离散的类别中。

           回归预测的输出有无限个，分类输出则为有限个

2、Unsupervised learning

仅给定一组数据，从数据集中寻找规律。即没有训练集(x到y的映射)，只有x

举例：聚类算法，将数据集分为不同的簇

3、Reinforcement learning

单变量线性回归：

1、线性回归模型

概念：x,y,(x,y),(x(i),y(i)),y hat

Univariate linear regression 单变量线性回归

2、代价函数

        评价模型拟合的好坏，并通过最小化代价函数来确定w,b的值。常用于回归问题

        如：平方误差代价函数函数

        m代表训练样本数

        可视化代价函数：

                下图为两参，三维的代价函数（重点理解！）

3、梯度下降

本想用代价函数来评价模型拟合的好坏，这是一个正向过程。但现在我们想用最小化代价函数来确定w,b的值，从而更新模型，这是一个反向过程。而通过梯度下降可以逐步确定w,b的值