吴恩达---机器学习的流程（持续更新）

参考：吴恩达机器学习的视频

视频链接：[中英字幕]吴恩达机器学习系列课程_哔哩哔哩_bilibili

本文用于我自己的内容总结以及层次理解。

学习流程：

1. 具有一个特征的学习算法（linear regression 线性回归），代价函数 ​编辑的由来，等高图

2. 可以最小化代价函数的梯度下降法（gradient descent），以及对于​编辑、学习率​编辑、导数项的通俗解释

3. 具有多个变量或特征的学习算法（multivariate linear regression 多元线性回归），它的假设函数和​的迭代

4. 将gradient descent应用于multivariate linear regression上，思考如何能更好的应用于它。使用feature scaling（特征缩放）以及mean normalization（均值归一化），让gradient descent更快的收敛。

5. 思考学习率​编辑对于收敛速度

6. 对于特征的选择和多项式回归的思考（不同的特征选择会产生不同的模型，以及模型是否能够最大程度的拟合样本数据）

7. normal equation 正规方程法（在解决linear regression中，它相对于gradient descent是一种更好的替代算法）。可以通过对于​编辑的计算直接算出​编辑的最小值。无需迭代，无需选择学习率；但是，特征n数量large，则计算速度会很慢。

8. Octave环境的学习，涉及一些基本的语言

        8.1 复杂运算

9.使用Octave绘制数据，数据可视化​编辑

10. Octave中的控制语句（for,while,if,break的使用）

11. 在Octave中定义和调用函数，并且每一种编程语言都有各自完备的线性矩阵库。使用它们可以极大的增加运行效率和减少代码量。

12. logistic regression（回归算法），针对classification问题，y=1或者y=0两种情况的出现。线性回归并不能很好的解决classification问题。同时，本课程还解释了不同的模型拟合方式，即直线拟合或者不常规的拟合曲线。logistic regression主要依靠的是sigmoid function /logistc function来进行计算。并引入新的概念，决策边界(desicion boundary)。我们必须明确，training set决定，决定decision boundary。