学习算法的任务：通过训练样本，选择或学习得到参数θ
-
监督学习(Supervised Learning)
监督学习：通过已有训练样本进行训练，得到一个拟合效果最好的基本模型，再使用该模型，对新的训练样本计算出相应的输出结果，对输出结果进行判断实现分类的目的。并通过大量的迭代后，最后得到最终模型。
简单来说：
通过给算法提供一组标准答案，然后希望算法计算得到标准输入和标准输出之间的联系，然后返回更多的标准答案。
-
非监督学习(Unsupervised Learning)
非监督学习：事先没有任何训练样本，需要直接对数据进行建模
-
半监督学习(Semi-Supervised Learning, SSL)
半监督学习：是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。
回归函数：
在支持向量机的算法中，把一些具有数据的点，在无限维的空间中画出来，这样就可以把数据在在空间中更加直观的显示出来。
-
梯度下降算法
-
随机（增量）梯度下降算法
通常用于样本数据量大的场景
最终收敛所得的参数值，会在局部最优点的参数 附近徘徊
对于数据量大的情况，随机梯度下降算法比简单梯度下降算法更高效
批梯度下降的算法过程：通过利用第一个样品数据，更新所有的参数，然后利用第二个样品数据，继续更新之前的所有参数
notation：符号注释：
m表示训练样品的总数量 m = training examples
x表示输入变量 x = input variables (features)
y表示目标变量 y = output variables(target)
(x, y)表示一个训练样品 (x, y) = one training example
第i个训练样品 (xi, yi) i th training example = (xi, yi)
Daum Equation Editor:
h( x )= { h } _ { \theta } ( x ) = { \theta }_{ 0 }+{ \theta }_{ 1 }{ x }_{ 1 }+{ \theta }_{ 0 }{ x }_{ 2 }+…
训练样本 通过 学习算法，生成假设函数（历史，习惯）。假设函数的作用是接受数据，然后输出计算后的结果，And Repeating till convergence，不断重复算法执行直到参数得到收敛，进而得到一个更通用的函数
- 对于梯度下降算法，不同的初始值，可能导致出现不同的局部最优解
θi 指的是学习算法中的实数参数 θi are called parameter
α 指的是学习速度 α is a parameter of the algorithm called learning rate
Daum Equation Editor:
{ \theta }_{ i }={ \theta }_{ i }-\alpha ({ h }_{ \theta }-y)\cdot { x }_{ i }
how large step you take
你迈的步子有多大（选取最合适的值，过大过小都不一定为最好）
- 假设在一个碗状的模型中，只存在一个局部最优点，学习速度不断减小，当达到局部最优点时，梯度下降速度(学习速度α)会减少到0
收敛的两种判断方式
- 观察两次迭代中，两次迭代中常量的值是否变化很大，如果变化不大，可以认为其收敛
- 观察你希望收敛的值，若该值变化量不再增大，则可认为其收敛