吴恩达机器学习笔记1

监督学习和无监督学习：监督学习这个想法是指，我们将教计算机如何去完成任务，而在无监督学习中，我们打算让它自己进行学习。

监督学习指的就是我们给学习算法一个数据集，这个数据集由“正确答案”组成。在房价的例子中，我们给了一系列房子的数据，我们给定数据集中每个样本的正确价格，即它们实际的售价然后运用学习算法，算出更多的正确答案。

回归问题：

分类问题：

无监督学习

无监督学习中没有任何的标签或者是有相同的标签或者就是没标签。所以我们已知数据集，却不知如何处理，也未告知每个数据点是什么。别的都不知道，就是一个数据集。针对数据集，无监督学习就能判断出数据有两个不同的聚集簇。所以叫做聚类算法。

代价函数：也称平方误差函数

理解：假设θ0=0通过选择θ1来获得min J(θ1)

梯度下降：梯度下降是一个用来求函数最小值的算法，我们将使用梯度下降算法来求出代价函数的最小值。（同步更新θ0、θ1）

学习率:

梯度算法和线性回归算法比较：

多变量梯度下降：

特征值缩放：将所有特征的尺度都尽量缩放到-1 到 1 之间

学习率的选择：

梯度下降与正规方程的比较：