qq_39594033的博客

机器学习能干什么？数据挖掘无法具体编程的事务推荐系统参考数据挖掘1、用于网页点击流数据的分析2、医疗记录的分析3、生物数据，例如DNA等的分析4、工程领域的大量数据无法具体编程的事务1、直升机自动驾驶2、手写字体识别3、自然语言处理4、图像识别推荐系统1、亚马逊，淘宝等推荐商品2、爱奇艺等推荐视频参考【吴恩达的机器学习课程】https://www.bilibili.com/video/BV164411b7dx?p=1...

代价函数1视频链接：https://www.bilibili.com/video/BV164411b7dx?p=7首先回顾一下，我们的线性模型其次是我们的模型参数 θ0,θ1\theta_0,\theta_1θ0​,θ1​然后是我们的损失函数我们的优化目标是，选择合适的模型参数 θ0,θ1\theta_0,\theta_1θ0​,θ1​使得我们的代价函数达到最小。我们现在将问题简化一下，假设我们现在只有参数 θ1\theta_1θ1​ 也就是说我们的 θ0=0\theta_0=0θ0​=0

代价函数首先回顾一下我们之前提到的训练集，及线性回归假设：其中 θ0,θ1\theta_0,\theta_1θ0​,θ1​ 是我们要选择的参数。我们希望我们的模型，或者说我们拟合的曲线，能够接近训练集的真实状况，即我们的预测值和真实至之间的差距要越小越好。也就是说要选择合适的 θ0,θ1\theta_0,\theta_1θ0​,θ1​，最小化 hθ(x(i)−y(i))2h_\theta(x^{(i)}-y^{(i)})^2hθ​(x(i)−y(i))2...

线性回归在下面的房价预测问题中，我们需要拟合一条直线，根据房屋的大小来预测房价。这是一个监督学习的问题，因为我们的数据中有标签也就是房价，同样这还是一个回归问题，因为预测变量 y （也就是我们的房价）是连续的实数。下面我们定义一些常用的符号m 表示我们训练样本的数量，也就是我们有多少条数据。x 表示我们的输入变量或者说特征y 表示我们的输出变量或者说标签我们使用（x,y）表示一个训练样本，（x(i),y(i)）（x^{(i)},y^{(i)}）（x(i),y(i)）来表示第i个训练样本。

无监督学习与监督学习不同，无监督学习是指对没有标签的数据进行学习，或者说对没有正确答案的数据进行学习，一个例子如下所示。我们希望我们的机器学习算法能够自动的将图中的数据分为左下和右上这两类。类似这种探寻数据内在结构，通过算法对无标签数据进行划分族群的算法称为聚类分析。比如我们在网上看新闻的时候我们会发现类似的新闻会被归为一类，例如体育，娱乐，经济，政治等等。我们知道成数十万以上的新闻是不可能有标签的，我们只能通过聚类算法，将相似的新闻归为一类。聚类分析还在计算机集群（试图找到哪些计算机会协同合

吴恩达《机器学习》作业——week1机器学习基本概念课程连接