主要内容：
线性回归
定义与问题引入
损失函数
梯度下降
过拟合与正则化
逻辑回归
定义与问题引入
损失函数
梯度下降与正则化
线性回归
有监督学习=>学习样本为D={(xi,yi)}Ni=1
多变量情形：
损失函数 loss function：
梯度下降：
其中α为步长，很大->震荡；很小->耗时太长
过拟合与欠拟合：
正则化：
逻辑回归
此图像和函数要记住：
简单的线性判定边界：
非线性判定边界：
损失函数：
这幅图说明这种损失函数不能得到想要的结果
因此采用该损失函数：
正则化：
上面公式是写在一起的损失函数，后面的是添加了正则化的函数。
梯度下降：
二分类和多分类问题：
很简单
算法应用经验：
七月在线学习笔记