0_o_c

这仅是本人在cousera上学习机器学习的笔记，不能保证其正确性，谨慎参考1、算法模型，hypothesis（假设），h表示x到y的映射函数： 2、单值线性回归举例分析 3、J为平方误差代价函数（squared error function），为什么除以2*m问不是除以m，视频中说除以2是为求最小值。 4、代价函数（cost function）说明： “The mean is h

这仅是本人在cousera上学习机器学习的笔记，不能保证其正确性，谨慎参考1、梯度下降函数，一直重复下面公式直到收敛（repeat until convergence）,此时即可收敛得到局部最小值（converge to local minimum），该梯度下降法对多参数也可用（例如θ0，θ1，θ2，θ3，θ4，θ5……θn），注意该过程对每一次的j迭代是需要同步更新参数的（At each ite

这仅是本人在cousera上学习机器学习的笔记，不能保证其正确性，谨慎参考关系图： 监督学习（Supervised Learning）：回归预测(Regression)： 实例：如下图，有了房子大小和房子价格的一批数据，需要预测大小为750时，房价为多少合适： 分类（Classification） 实例：如下图，根据年龄和肿瘤大小的历史数据，画出图形，然后根据图形特征，画出一条线分为两类，进而预

这是本人在cousera上学习机器学习的笔记，不能保证其正确性，谨慎参考看完这一课后Content Based Recommendations 后自己用java实现了一下1、下图是待处理的数据，代码使用数据和下图一样： 2、思路：对每个用户假定其为一个3维向量（在代码中初始化为[1,1,1]的转置，然后采用梯度下降法不断的对这个3维向量的值进行更新），假设更新到最后的向量值为[0，5，0]的转

这是本人在cousera上学习机器学习的笔记，不能保证其正确性，谨慎参考看完这几课后 collaborative-filtering collaborative-filtering-algorithm vectorization-low-rank-matrix-factorization 同时参考下面的这篇文章： SVD在推荐系统中的应用详解以及算法推导 后自己用java实现了一下1