Personal Notes on Machine Learning (Coursera - Andrew NG)
原文英文，约1200词，阅读约需5分钟。
📝
内容提要
本文记录了作者在Coursera学习Andrew Ng的机器学习课程的笔记与感悟，涵盖机器学习的定义、算法分类（监督学习与无监督学习）、线性回归、成本函数、梯度下降法、特征缩放及多项式回归等内容。作者强调了实践与主动思考的重要性。
🔎
延伸解读
机器学习的实践重要性
作者强调了在学习机器学习过程中，实践和主动思考的重要性。仅仅通过观看视频或阅读材料无法真正掌握知识，只有通过实际操作和解决问题，才能加深理解和应用能力。
算法选择与应用场景
文章提到监督学习和无监督学习的区别，读者在选择算法时应考虑具体应用场景。例如，监督学习适合有标签的数据集，而无监督学习则适用于没有标签的数据，能够自动识别数据结构。
过拟合的风险
过拟合是机器学习中的一个常见问题，模型在训练数据上表现良好，但在新数据上效果不佳。读者在构建模型时应注意正则化等技术，以防止模型过度拟合训练数据。
❓
Q&A
机器学习的定义是什么？
机器学习是指计算机程序通过经验E在任务T上表现改善，使用性能度量P来衡量其表现。
监督学习和无监督学习有什么区别？
监督学习是通过标注数据进行预测，而无监督学习则是在没有标注的情况下自动识别数据结构。
什么是成本函数，它在机器学习中有什么作用？
成本函数用于衡量模型的准确性，在线性回归中使用平方误差来计算。
梯度下降法是如何工作的？
梯度下降法通过求导来最小化成本函数，从而找到最佳参数。
特征缩放在机器学习中为什么重要？
特征缩放可以提高梯度下降法的效果，避免因特征范围差异过大而导致的训练不稳定。
什么是过拟合，它对模型有什么影响？
过拟合是指模型过度拟合训练数据，导致在新数据上的表现不佳。
🏷️
