吴恩达深度学习入门学习笔记之神经网络和深度学习（第二周：神经网络基础）

第二周：神经网络基础

2.1二分分类

训练数据集大小：m_{_train}
测试数据集大小：m_{_test}

对于一个训练数据（x，y），x代表特征，x∈Rⁿ，n表示数据维度，y代表label，y∈{0，1}。
对于一组训练数据，既包含特征信息，也包含标签信息。‘
对于一个容量为m的训练数据集：（x⁽¹⁾，y⁽¹⁾），（x⁽²⁾，y⁽²⁾），……，（x^(m)，y^(m)）

定义特征矩阵X（一般每个数据作为一列，列数为样本个数，行数为特征维数）
定义标签矩阵Y（每个数据对应的标签值作为一列）

2.2 logistic regression

给定一个特征向量x，我们想要得到该特征数据对应的标签值为1的概率，这里如果只是简单的定义一个系数参数w和偏移参数b，则得到的函数值y的范围很大，因此这里用sigmoid函数将得到的y变成y^’，则y^’范围为0到1，表示得到的概率。

2.3logistic回归损失函数

损失函数用来衡量你的预测输出值和真实值的距离有多近（单个样本）。
cost函数J则是衡量整个训练集的表现。

2.4梯度下降法

2.5 导数，2.6更多导数

2.7 计算图

2.8 计算图的导数计算

2.9logistic回归中的梯度下降法

2.10