(轉(zhuǎn)載請注明出處：http://blog.csdn.net/buptgshengod)

1.感受

? ? ? ? 這一節(jié)課Andrew講的是監(jiān)督學習應(yīng)用中的梯度下降方法（Supervised-Learning,grading and descent）。 ? ? ? ? 公式比較多，不過還比較基礎(chǔ)，主要是一些矩陣論的應(yīng)用。

2.筆記 ??

? ? ? Grading and descent 主要用到的就是一個回歸的思路。整體的流程見下圖。
? ? ? X1，X2....表示的不同的特征，經(jīng)過算法H的變化，輸出Y1，Y2......。可以用公式表達為，X邊上的變量就是我們要回歸得到的系數(shù)。 ? ? ?判斷公式。這個ml回歸中常用的判斷公式，當J函數(shù)取到最下情況就是我們所需要的結(jié)果。 ? ? ?Andrew形容梯度下降好比一個下山問題。我們首先隨機選擇出發(fā)點，也就是的取值，然后通過J函數(shù)求導，不斷改變的值，得到最終的回歸公式。這就類比于我們一步一步下山，直到山底，值不再變化。 ? ? 梯度下降還有一個特點就是最終的值根據(jù)不同的出發(fā)點而不同。 ? ??

總結(jié)

以上是生活随笔為你收集整理的斯坦福机器学习公开课学习笔记(2)—监督学习 梯度下降的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。