机器学习-笔记9-总结

 时间真快，10周的课程就已经结束了

十周，8个programming exercise，18个quiz，感谢

 看着长长地视频列表，心中有些小小的成就感，在此感谢coursera提供的课程，感谢Andrew教授的精彩课程，为我打开了机器学习这扇大门

 还是先简单说说最后一周的内容吧，首先是Large Scale Machine Learning ,即讲机器学习算法如何应对大量的数据，总结下来就是以下几点：

 1.Stochastic Gradient Descent

    随机的梯度下降算法，每次用一个样例进行梯度下降，虽然不会严格地趋近于最优值，但是会十分接近，以至于可以很好的应用于实际。

2.Mini-Batch Gradient Descent (6 min)

   介于Stochastic Gradient Descent和Batch Gradient Descent   之间的一个算法，即每次迭代时使用一部分样例进行计算，一般选择20-100，可以说上面两种算法就是特殊情况下的Mini-Batch Gradient Descent。

3.绘制以迭代次数为x轴的图像，以此来确定算法是否使用大量的数据进行更好的计算。

4.在线学习，即你有一个持续的样例来源，你可以只使用一次这个样例，参考许多网站的用户行为分析。

5.Map Reduce，其实是很重要的一个思想，大概就是云计算的思想，把计算分配到不同的计算机上进行整合。

最后给出了一个应用的样例，OCR （Optical Character Recognition），大概讲了一个项目的整合和分析，相当精彩。

课程总结和计划：

接下来准备学习PGM，可能赶不上课程的deadline，但是不会为了最后的分数而学习，看了第一周的课程，感觉还不错，不愧是斯坦福的。NNML就比较不行了，这个很难继续下去。另外买了《PRML》-影印版，原版太贵。。。，准备开始啃，加油！另外可以想想做点小东西，或者在http://www.kaggle.com/学习一下。

最后，真心感谢Andrew Ng.谢谢