Coursera-吳恩達機器學習課程筆記-Week1

參考資料：
吳恩達教授機器學習課程
機器學習課程中文筆記

Week 1

一. 引言

機器學習模型可分爲監督學習Superviese learning（每一個數據集給出了正確的值）和無監督學習Unsupervised learning（數據集只有特徵，沒有對應正確的值）

機器學習處理的問題能夠分爲Regression迴歸問題（結果是real-valued output連續的值）和Classification問題 （結果是discrete-valued離散的值）

二. 單變量線性迴歸(Linear Regression with One Variable)

代價函數Cost function

代價函數用來表現目前模型與結果的擬合狀況。
平方差函數是迴歸問題中經常使用的代價函數

梯度降低 Gradient descent

梯度降低算法用來最小化函數，這裏用來最小化代價函數；
原理：經過將每一個參數不停減去「對應參數偏導數*學習速率「來同時更新每一個參數，從而達到求得局部最小的函數值。

線性迴歸模型大體

hypothesis 是一個經過一個training set + 機器學習算法訓練出的模型 。

對於traning set，找一個合適的學習算法，而後經過訓練最小化代價函數從而獲得最適合的參數。

三. 術語

• Data set = training set
• example
• Input = features
• output = target
• label
• Superviese learning
• Unsupervised learning