Coursera学习笔记 Week 1

本文介绍了机器学习的基本概念,包括定义、分类(监督学习与无监督学习)、模型表示及代价函数的概念。此外还探讨了参数学习的方法,如梯度下降法,并简要回顾了线性代数的相关知识点。

第一次在网上这样做笔记,有点不知道怎么下手了。刚发现优快云似乎不太适合数学公式的编辑,先试着把这周的内容串起来一下,之后再去试试有道云笔记。

  • What is machine learning?
  • 两个定义:

1、在特定编程下,赋予计算机学习能力的领域。(西洋棋算法的例子)

2、一个程序被认为能从经验E中学习,解决任务T,达到性能度量值P,当且仅当,有了经验E后,经过P评判,程序在处理T时的性能有所提升。

  • 机器学习的分类:
  • 监督学习:所给出的数据集有明确的输入输出关系,即所给的数据集已经给出了答案(标签),目的是基于此做出预测。
  • 监督学习的分类:
  1. 回归问题(regression):预测一个准确值
  2. 分类问题(classification):预测一个离散值(比如0/1)
  • 无监督学习:所给出的数据集只有一种,需要我们找出数据集中蕴含的类型结构。
  • Model and cost founction
  • Model representation(模型建立):找到训练样本中适合作为输入变量(特征量)的X和输出变量(目标变量)的y建立函数模型。
  • Cost Founction:通过找代价函数(使预测值和实际值之间的距离最小)的最小值来选择模型

打不出公式只能截图先凑合一下了。
  • 代价函数这里我觉得重点是它和假设函数的联系与区别,联系在于代价函数是为了确定假设函数中的参数,而区别在于代价函数的变量正好是假设函数的参数。
  • Parameter learning
  • Gradient Descent(梯度下降法,用来找到代价函数的局部最优解)

  1. 梯度下降法中更新每一次的值时要做到同时更新(:=和=的区别: :=表示赋值,=表示声明)
  2. 导数项是用来控制下降的方向,并且随着到达最优解处会越来越小(接近局部最低点时自动减小幅度)
  3. α的值太小会使下降速度太慢,太大会错过最优解
  • Linear Algebra Review
  • 矩阵和向量的基本概念
  • 矩阵的加法和乘法
  • 矩阵与矩阵相乘

  • 矩阵乘法不满足交换律但满足结合律
  • 矩阵的转置和逆

  • 方阵才有逆矩阵。
  • 奇异矩阵(退化矩阵):没有逆矩阵的矩阵(元素都为0的矩阵)
  • 没有逆矩阵的矩阵元素可近似认为都是0.

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