第一周（基础知识 + 单变量线性回归）-【机器学习-Coursera Machine Learning-吴恩达】

目录：
    机器学习介绍
    单变量线性回归（模型、梯度下降）

    线性代数回顾

1 机器学习介绍：

1）什么是机器学习？
    一个计算机程序从经验E中学习如何处理任务T，并通过性能度量P来衡量，它处理任务T的表现会随着经验E的增加而提高
2）监督学习与无监督学习？
    - 监督学习：
    给一个数据集并且我们已经知道了正确的输出是什么样子的，我们已经知道了输入与输出之间的对应关系。
    回归：我们预测结果在一个连续输出集里。也就是说我们要把输入变量映射到某个连续函数。
    分类：我们预测结果在一个离散输出集里。也就是说我们要把输入变量映射到某个离散函数。
    例如：如果要根据房子面积预测房子价格，为回归问题，因为价格本身是一个连续集；如果预测房子能否卖出，便为分类问题，分为2类，卖出和卖不出，输出集是离散的。
    - 无监督学习：
    我们能够很少或根本不知道我们的结果应该是什么样的。我们可以从数据中推导出结构但我们不一定知道变量的影响。

    聚类：我们可以根据数据中的变量之间的关系来对数据进行聚类，从而派生出这种结构。在没有监督的情况下，没有基于预测结果的反馈。

2 单变量线性回归

- 模型表示

    假设函数 h、参数 θ、代价函数 j