Henry Z's blog
·
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。
🎯
关键要点
- 机器学习的定义：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。
- 机器学习算法分类：监督学习（回归和分类）与无监督学习（聚类）。
- 成本函数：线性回归中的成本函数使用平方误差来衡量准确性。
- 梯度下降法：通过求导来最小化成本函数，找到最佳参数。
- 特征缩放：为了提高梯度下降法的效果，需要对特征进行归一化处理。
- 多项式回归：使用多项式函数来拟合数据，能够处理更复杂的关系。
- 逻辑回归：用于二分类问题，输出值在0和1之间，表示某事件发生的概率。
- 过拟合：模型过度拟合训练数据，导致在新数据上的表现不佳。
- 神经网络：模拟人脑的结构，能够处理复杂的非线性问题，但计算资源消耗较大。
❓
延伸问答
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。
➡️
