[双语人译|带测试]吴恩达2022机器学习专项课程(一）监督学习

第一部分 监督学习 （监督学习分为回归和分类）

      回归：拟合数据（直线，曲线）做预测

         第一周 线性回归模型、代价函数、梯度下降函算法

           线性回归函数 f=wx+b

            代价函数 J=误差平方之和的平均

           梯度下降 w-=α * J对w的偏导  b-=α * J对b的偏导

              批量梯度下降（batch） 每一次计算梯度都考虑所有样本

              题外话：正规方程法 （normal equation）局限性，但可以一步到位求出w，b，不迭代

        第二周 多元线性回归

              向量化

      分类：划分区域，做辨别

         第三周 逻辑回归（即分类）

            引入sigmoid函数，将数据全部映射到(0, 1)

考虑什么时候是边界？wx+b=0时。更复杂一些，也许是w1x+w2xx+b=0

提出loss，改进代价函数J

重新求偏导解出dw和db

梯度下降

      条件维度越多，分类越精准，也越容易导致过拟合

         缓解过拟合：

            1.增加数据数量

2.减少特征个数（第二部分自动选择合适的特征）

3.（本节重点）正则化：拟合的同时让x前系数尽可能小