本文主要是介绍Machine Learning by Andrew Ng on Coursera Week1(Coursera机器学习课程第一周总结)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Machine Learning by Andrew Ng on Coursera
机器学习是近年来的一大热门学科，本人对此非常感兴趣，正好本学期学校开设机器学习MOOC课程，可以学习Coursera正版机器学习课程，于是决定每周在此总结学习的内容与大家分享。
Week1:
第一周的内容不多，主要是介绍一些基础知识，初步讲解代价函数和梯度下降法。
What is machine learning? –A computerprogram is said to learn from experience E with respect to some class of tasksT and performance measure P. If its performance as tasks in T, as measured byP, improves with experience E.
Supervised Learning 监督学习:
know what correct output should look like.
- regression continuous output (eg : predict the house price)
- classification discrete output (eg : predict whether the tumor is malignant or benign）
Unsupervised Learning 非监督学习:
Approach problems with little or no idea what our results should look like.
Model Representation:
m = Number of training examples
x = input variable/features
y = output variable/target variable
(x,y) = one training example
Cost Function 代价函数
代价函数越小，函数对原数据对拟合越好。如上图可以看出，时，
对原数据拟合的最好，通过了所有的点，此时可以看到，
取到最小值0。
同样，在二维特征的情况下，如上图所示，的图像为一个三维曲面，同样，在
取最小值时，函数的拟合情况最好。
因此学习算法的优化目标是找到一组 的值来将
最小化。
Gradient Descent梯度下降：
知道了cost function的作用以及其与函数拟合情况的关系后，就需要有方法来求出使代价函数最小的参数值，其中之一即是gradient descent。
gradient descent的原理：想象一下你正站立在山上 想要快速下山，在梯度下降算法中，我们要做的就是旋转360度，看看我们的周围，并问自己，如果我想尽快走下山，这些小碎步需要朝什么方向?在山上的新起点上，你环顾四周，并决定从什么方向将会最快下山，然后又迈进了一小步，又是一小步，并依此类推，直到局部最低点的位置。
repeat until convergence{
}
means assign b to a。
is the learning rate, it can control the update step-size of
if is too small, gradient descent can be slow;
if is too large, gradient descent can overshoot the minimum, it may fail to converge, or even diverge.
如上图所示，执行梯度下降时，据你设定的初始值的不同，你可能会得到不同的局部最优解。
这篇关于Machine Learning by Andrew Ng on Coursera Week1(Coursera机器学习课程第一周总结)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
