v机器学习进阶之路1)看一些机器学习导论性质的书/视频，完成对机器学习的感性认识；2)看一些算法讲解视频，如斯坦福大学公开课；推导算法的过程3)找到要学习的算法的实现代码，分析算法的实现过程、优缺点、参数设置

之前已经学过了线性回归并完成了相关作业。这周的主要内容是逻辑回归与正则化。**分类问题：逻辑回归**简单讲逻辑回归是一种分类问题因变量的值可以是0或1（复杂的问题可能还有2，3，4等）目的是用逻辑回归来得到分类区间，对已有数据进行分类同时对新数据进行预测。逻辑回归使用sigmoidfunction来估计y=1（2，3，4……）的概率。以y仅能等于0或1的情形为例：g(z)为sigmoid函数h(x

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。  

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。

小白机器学习进阶之路2——线性回归第一周学习了线性回归模型。下面以第一周的作业为例总结一下。

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。1.感知机概述  感知机（perceptron）是二分类的线性分类模型，属于监督学习算法。

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。1.过拟合  过拟合是指学习模型对训练样本预测得很好，但对新样本预测很差的现象。

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。  

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。  在约束最优化问题中，常利用拉格朗日乘子法将原始问题转换为对偶问题求解。

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。

现将自己机器学习方面的学习笔记整理如下，后续还会继续更新：机器学习基本概念监督学习、非监督学习、批量学习、在线学习、基于实例学习、基于模型学习经验风险最小化与结构风险最小化模型评估与选择（留出法、交叉验证法、查全率、查准率、偏差、方差）线性回归原理推导与算法描述最优化方法：梯度下降法一文读懂正则化与LASSO回归，Ridge回归逻辑斯蒂回归原理推导与求解多项逻辑斯蒂回归/softmax回归推导与求

今天将历史技术博文重新整理了一下，分类更加清晰了，接下来尽量多写一些。1.关于如何入门机器学习/深度学习的方法有很多朋友会问我要如何入门机器学习，第一篇文章中就给出了比较简单可行并且效果不错的学习路线。2.好玩儿的人工智能应用实战兴趣是最好的老师，当你发现用机器学习技术可以做很多好玩的实用的东西时，你会深深地被吸引。3.解决机器学习问题的一般步骤从整体的视角了解一般机器学习问题需要经过哪些步骤。4

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。1.前言  从给定的特征集合中选择出相关特征子集的过程，称为“特征选择”。

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。

该文已经收录到专题机器学习进阶之路当中，欢迎大家关注。1.过拟合当样本特征很多，样本数相对较少时，模型容易陷入过拟合。

该文已经收录到专题机器学习进阶之路当中，欢迎大家关注。