吴恩达老师课程机器学习笔记

b站学习链接：link
吴恩达老师机器学习课的笔记github地址：link(黄海广博士原创，黄海广博士也是这门课的最初翻译者。)

机器学习

机器学习的算法

主要算法：
1.监督学习（supervised learning)
2.无监督学习（unsupervised learning)
其他算法：
1.强化学习(reinforcement learning)
2.推荐算法（recommender systems）

监督学习

“right answers“ given----> new right answers

回归（regression）问题

预测一个连续值输出
如：价格

分类（classification）问题

预测一个离散值输出

无监督学习

给予相同标签或者无标签的数据集，找出数据集的类型结构

聚类算法（clustering）

将数据集分簇

鸡尾酒会算法（cocktail party algorithm）

分离混合数据？

线性回归

模型描述

本课程常用的符号：

m:训练样本的数量
x:输入变量/输入特征
y:输出变量/目标变量
(x,y):表示一个训练样本
(x⁽ⁱ⁾,y⁽ⁱ⁾):表示第i个训练样本
h:假设函数（hypothesis）

线性回归

单变量线性回归

parameter：模型参数

最小化问题

在线性回归中，我们要写出关于模型参数的最小化，减少预测值和实际值的差的平方误差和
(不会插入LaTex公式，算了，大概就是一个sigma求和

代价函数J()

平方误差函数,也称为平方误差代价函数

对于线性回归问题最常用的代价函数