Andrew Ng机器学习笔记#1

本文深入探讨了机器学习的两大核心领域——监督学习与非监督学习。详细解析了回归、分类算法在监督学习中的应用,以及聚类算法在非监督学习中的作用。强调了在模型构建中hypothesis function与Cost function的重要性,并介绍了梯度下降算法的基本原理及其在线性回归中的应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  1. 监督学习(已知正确答案,“标签”):

         回归:对输出值做连续的预测

         分类:对输出值做离散分离的预测

 

    2. 非监督学习(未知“正确答案”)

  1.  聚类算法
  2.  鸡尾酒算法

PS:先用Octave建立原型,算法可行后迁移到其他语言。

 

   3.模型阐释及hypothesis function:

                       x,y 分别为输入和输出;h作为hypothesis function

 

    4. Cost function:

 

    5. 梯度下降:

        算法过程:

 

注意事项:必须同时更新参数

 

 

 

梯度下降算法在线性回归中的应用:

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值