參考內(nèi)容：
斯坦福大學(xué)公開課 ：機器學(xué)習(xí)課程
Stanford-CS-229-CN
Video 1 機器學(xué)習(xí)的動機與應(yīng)用
一、Supervised Learning
1. Regression problems
如房價預(yù)測
2. Classification problems
如腫瘤是否良性
二、Learning Theory
三、Unsupervised Learning
如分隔兩個聲源的聲音
四、Reinforcement Learning（強化學(xué)習(xí)）
1. reward function
如控制飛機自動飛行，bad dog & good dog example
Video 2 監(jiān)督學(xué)習(xí)應(yīng)用.梯度下降
一、Supervised Learning
1. Regression problem:
自動駕駛：人類司機教算法學(xué)習(xí)駕駛
房價預(yù)測：
- m = # training examples
- x = "input" variables/features
- y = "output" variables/ "target" variables
- (x, y) = training example
- ith training example = (x(i), y(i))
假設(shè)h(x) = θ<sub>0</sub>+θ<sub>1</sub>x
假設(shè)X1 = Size，X2 = # the rooms，
h(x) = hθ(x) = θ0 + θ1x1 + θ2x2
gradient descent - 存在局部最優(yōu)解問題
batch gradient descent
-
隨機梯度下降 stochastic gradient descent (incremental DG) 在有大規(guī)模數(shù)據(jù)集時下降更快，在最小值附近徘徊。
SGD
