第一周学习笔记

标签：应用   优化   线性   概念   数据集   梯度下降   text   最优   关于   

敬爱的张老师 | 刘老师：

　　今天是我们学习本期课程（Mechine Learning）的第二周，从今天开始我会将每天每周的知识点以日记的形式整理出来，其中会有我遇到的问题和一些见解。

　　以下是第一周到今天的知识点：

• 关于机器学习（Mechine Learning）、监督学习（Supervised Learning）、非监督学习（Unsupervised Learning）的概念
• 监督学习和非监督学习的涉及到的算法
• 线性回归（Linear Regression）：模型假设、计算代价函数、结合梯度下降算法得到相对最优模型
• 逻辑回归（Logistic Regression）：模型假设、计算代价函数、结合梯度下降算法得到相对最优模型
• 特征缩放
• 正规方程
• 正则化
• 复习了矩阵的基本知识

　　对于线性回归的应用（代码实现）和算法的基本用法上理解的还可以，不过在算法的实现细节上，比如求导、求斜率等会卡住，很多的数学知识忘了，昨天试着用代码去实现逻辑回归的算法，没有写出来，原因是对于库函数numpy用的太少，掌握的不到位。今天讲了正则化，我感觉到的是算法的循循渐进，由浅入深，让数据集得到的模型更优化。

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　时间：2017年9月5日19:47:38

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　姓名：曹晓晓

第一周学习笔记

标签：应用   优化   线性   概念   数据集   梯度下降   text   最优   关于   

原文地址：http://www.cnblogs.com/T-ml/p/7481738.html