Week 1
一. 引言
机器学习模型可分为监督学习Superviese learning（每个数据集给出了正确的值）和无监督学习Unsupervised learning（数据集只有特征，没有对应正确的值）
机器学习处理的问题可以分为Regression回归问题（结果是real-valued output连续的值）和Classification问题 （结果是discrete-valued离散的值）
二. 单变量线性回归(Linear Regression with One Variable)
代价函数Cost function
代价函数用来表现目前模型与结果的拟合情况。
平方差函数是回归问题中常用的代价函数
梯度下降 Gradient descent
梯度下降算法用来最小化函数，这里用来最小化代价函数；
原理：通过将每个参数不停减去“对应参数偏导数*学习速率“来同时更新每个参数，从而达到求得局部最小的函数值。
线性回归模型大致
hypothesis 是一个通过一个training set + 机器学习算法训练出的模型 。
对于traning set，找一个合适的学习算法，然后通过训练最小化代价函数从而得到最适合的参数。
三. 术语
- Data set = training set
- example
- Input = features
- output = target
- label
- Superviese learning
- Unsupervised learning