Andrew Ng-ML-第一讲

此系列课程来自Coursera

一、概念介绍

1、监督学习：把已知X和Y的数据集输入到算法模型中，来调整算法模型中参数，使得后续输入X数据时可以得到理想的Y。

2、无监督学习：分类未被标记的样本集。

二、Linear Regression with one Variable 只有一个变量的线性回归

从一个例子入手：

例子的意思是我们有一个Training Set 数据集，是房屋面积和房屋价格的对应关系集，我们要用这个数据集来得到一个算法模型，让这个算法模型能根据房屋面积来预测房屋价格。

好吧 我们就使用最简单的算法模型：y = theta0+theta1x；其中x代表房屋面积，y代表房屋价格。

现在我们要做的就是算出theta0和theta1。有了theta0和theta1，我们就能根据x来得到y了。

上图就是用来计算theta0和theta1的思路：

大致意思是我们先把数据集的x,y的对应关系画到图上，就是上面的红叉叉，而我们要求的函数就是那条蓝线了，这条蓝线的位置要尽量的拟合这些红叉叉，那就是求上面的J函数的极小值。

上图是使用梯度下降法来计算极小值：

大致意思是在J函数里我们对theta0和theta1分别求偏导，然后用当前（第一次的时候是默认的theta0和theta1）的theta0和theta1减去求出来的偏导数来得到新的theta0和theta1，把新的theta0和theta1带入到J函数中算出J值，如果这一次算出来的J值和用上一次的theta0和theta1算出来的J值相差比较大，就说明没有拟合，就继续拿算出来的theta0和theta1分别减去最新的偏导数来得到最新的theta0和theta1，直到这次算出来的J值和上次算出来的J值相差非常小，就说明拟合了，那这就是我们要找的theta0和theta1啦。

这时候你就可以拿房屋的面积输入到这个函数中，获得理想的房屋价格。