遇见未来

引言 机器学习定义 来自 1998 年 Tom Mitchell 的定义：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。 吴恩达视频中提到的西洋下棋程序中： T : 下棋 P：赢得比赛的概率 E：上万次的练习获得的经验 ===================== What is Machine Lea

多变量线性回归多维特征(Multiple Features)前面讲过单变量(只有一维特征)的输出函数 h(x) 可以表示为：h(x) = θ0 + θ1x 。对于多维特征而言，其输出函数 h(x) 可以表示为：h(x) = θ0 + θ1x1 + θ2x2 + … + + θnxn。这里为了让公式简单一点，就令x0 = 1，这样 h(x) 就可以表示为：h(x) = θ0x0 + θ1x1 + θ2

分类要尝试分类，一种方法是使用线性回归，并将所有大于0.5的预测值映射成1，小于0.5的所有预测值映射成0，但是这种方法效果不佳，因为分类实际上不是线性函数。所以我们在接下来的要研究的算法就叫做逻辑回归算法，这个算法的性质是：它的输出值永远在0到 1 之间。逻辑回归分类前面提到线性回归分类模型是个线性函数，它的预测值可能会超过[0,1]的范围，不适合用于二分类或者多分类模型。 逻辑回归：该模型的输

神经网络模型表示1 先来看看大脑里面神经元结构图，如下图： 会发现神经元的中心部分就相当于我们的 h(x)，神经元的“树突”等效于 input 端的输入特征 xn，“轴突”等效于 output。 再来看看前面讲了两种模型：线性回归模型跟逻辑回归模型，其中都绕不开一个 hθ(x) ，这里的 x 是我们 input 的特征，hθ(x) 的值是我们模型 output 出来的值。下图是一个逻辑回归模型

代价函数和反向传播 代价函数 首先引入一些新的我们即将讨论的变量名称： L = 网络的总层数 sjsjs_j = 网络第 j 层的单元节点数（不包含偏置项） K = 最后一层输出的单元数 m = 样本的个数 在神经网络中，我们可能有很多输出节点，我用 hθ(x)khθ(x)kh_\theta(x){_k} 表示 kthkthk^{th} 的输出。逻辑回归中，我们只有一个输出 y，因...