这篇记录的内容来自于Andrew Ng教授在coursera网站上的授课。
1.监督学习（supervised learning）：利用一组已知类别的样本来调整分类器的参数。
例子：房价的预估（有房价的数据来估计房价）、GDP的发展趋势。
2.分类模型(classification model)：预测某一样本属于某一类的概率。
例子：判读0~9中的一个数字。
3.回归模型(regression model)：从离散的样本集合中预测连续的样本的输出值。
例子：预测二手车的售价（二手车的各种要素->售价）。
1.非监督学习（unsupervised learning）：利用一组没有类别的样本来让分类器来识别各种模式、类型、结构。
例子：将网上相识内容聚集在一起、给你推送的知乎内容（社交网络）、市场分析。
2.聚类算法（clustering algorithm）：对相似的数据进行分类的算法。
例子：基因的判别、新闻。
3.鸡尾酒会问题(cocktail party problem)：语音识别问题。意思是解决语音识别技术（将杂音分离为若干人的说话声），能够同时听清十个人说话的能力。
1.一元线性回归：一个自变量，因变量和自变量为线性关系的回归模型。
h函数（hypothesis，中文为假设）,$h_{ heta}{(x)}= heta_{0}+ heta_{1}x$
J函数，代价函数，此处使用平方差函数(squared error cost function)
(x(i),y(i))第i样样本，输入为x，输出为y
最小化$frac{1}{2m}sum{(h_{ heta}(x^{(i)})-y^{(i)})^2}$
代价函数$J( heta_{0}, heta_{1})$
等高线图(counter plot)：相当于地理等高线图。对于同一个封闭的路径，路径上点所代表的误差是相同的。
我想，不用解释也看得懂吧。
2.梯度下降(gradient descent)：一种贪心算法。通过每次找到该点梯度最小方向并迈出一定的步长，从而达到局部最小值的算法。
对于一元线性回归模型：$ heta_{j+1}:= heta_{j}-alphafrac{partial}{partial heta_{j}}J( heta_{0}, heta_{1})$
赋值符号、步长、偏微分
步长太小，速度太慢；步长太大，很容易远离最小值。
3.Octave软件使用。