1). 用來進行資料探勘
2). 讓機器進行自我學習
3). 能對使用者進行個性化定製的應用程式
4). 了解人類大腦的執行機制
arthor samuel的定義：是在沒有對機器進行明確的程式設計的情況下讓機器具有自主學習的能力。
學習演算法主要分為兩大類，監督學習演算法和非監督學習演算法。
監督學習演算法就是明確告訴乙個程式接下來該如何進行操作，非監督學習就是讓機器自己學習該如何進行下一步操作。例如回歸問題與分類問題。
非監督學習演算法是給乙個程式乙個資料集合，讓程式自己判斷，自己在資料中找到規律。例如，聚類演算法。
1)線性回歸問題：**函式的形式像y=d+ax,其中只有x是變數，d和a可以通過對資料進行擬合而獲得。
具體方式是取得恰當的d和a， 使得
2)梯度下降演算法。計算方法是
3）多元線性回歸問題：y=x0+θ1x1+θ2x2+….+θnxn,用矩陣來表達就是y=a*x t,其中，x=
a=⎧⎩
⎨⎪⎪⎪
⎪⎪⎪/
/x01
...1
feat
ure1
a11..
.an1
feat
ure2
a12..
.an2
feat
ure3...
a13.....
.an3...fe
atur
ena1
nann
⎫⎭⎬⎪
⎪⎪⎪⎪
⎪ tip1 :單一變數的高次問題可以通過設定不同的變數與變數的不同次方與它相對應從而可以將其降低為線性回歸問題，但是得注意他們的取值範圍應該相差不是很大。
tip2:注意特徵的選取，不同的特徵選取對我們的演算法效能以及計算的複雜度的影響是很大的。
多元問題的梯度下降演算法：
4）正規方程法：通過建立方程組再使用求導來求極值的方法得到最終的確切引數
吳恩達機器學習筆記（1）
我們給計算機提供一組正確的資料集，也就是這個問題的標準答案 標準輸入對應的標準輸出 讓計算機分析這其中的聯絡，然後最後我們給他乙個輸入，讓他得到輸出 分類 在許多問題中要考慮輸入多個變數和多個特徵參考，乙個參考屬性作為乙個維度，故會出現無限維的問題，你的資料可以在二維座標畫出來 但是無限維你沒有辦法...
吳恩達機器學習1
吳恩達老師近日在網易雲課堂達成合作，開始新的課程。我也跟著後面學習，順便再中做個筆記，以加深記憶！此次老師的課程主要講解五個部分 1.neural networks and deep learning 2.improve deep neural networks hyperparameter tun...
吳恩達機器學習筆記
為了解決實際生活中的問題，我們通常需要乙個數學模型。比如，小明有乙個房子 他想賣掉房子 為了知道房子的 小明收集了該地區近兩年的房屋交易 他發現房屋 與房屋大小呈正相關，所以他畫了了一幅圖 小明的房屋大小用紅色的 代替。可見和小明房屋一樣大小的房子並不存在，而類似的房屋 又有很大差別，如此小明決定用...