吴恩达机器学习打卡day1

本系列文档按课程视频的章节（P+第几集）进行分类，记录了学习时的一些知识点，方便自己复习。

课程视频P2

图1介绍了机器学习的三个指标。分别是：experience E, task T & performance measure P。

图1            

图2介绍了机器学习的分类，主要有：Superived learning 和Unsupervised learning, 其他的还有Reinforcement learning等等。

图2  

课程视频P3——监督学习（Superived learning ）

图3有两个问题，让你区分下面哪些应用是Superived learning 中的classification problem or regression problem.

图3  

课程视频P4——无监督学习（Unsuperived learning ）

图4有一个问题，让你区分下面哪些应用是Unsuperived learning类型.

图4  

课程视频P6——代价函数（Cost function）

图5介绍了cost function, 就是拟合函数曲线对应的目标值和真实数据值之间的差值的平方（欧式距离）再除以2倍的数据个数。

图5  

课程视频P8——数学模型

图6 给出了具有${\theta }_0$和${\theta }_1$两个参数下的假设函数(Hypothesis), 参数(parameters), 代价函数(cost function)以及目标函数（Goal）。

图6  

图7 给出了具有${\theta }_0$和${\theta }_1$两个参数下的代价函数(cost function)图像，这是一个碗状函数(bowl-shaped function), 或者叫凸函数(convex function)。

图7  

图8 用等高线图像代替具有两个参数的代价函数(cost function)三维碗状图像。

图8  

课程视频P9——梯度下降（Gradient descent）

图9 讲述了我们做算法收敛的过程和目标，初始时设置${\theta }_0$和${\theta }_1$都为0，然后不断改变两个参数的值，直到其达到最小为止。

图9  

图10 要求了要同时更新${\theta }_0$和${\theta }_1$参数，并举例了正确和错误的更新方法。

图10  

课程视频P10——梯度下降2

图11 讲述了梯度下降的方法，并分别介绍了当学习速率（learning rate）$\alpha$过小时收敛得很慢，以及$\alpha$过大时很可能出现不收敛的情况。

图11  

图12 介绍了梯度下降法如何达到局部最小值（local minimum）。

图12  

 
 
 
未完待续…