Week 1
1.1 Supervised learning
- 监督学习
- 本质：学习输入、输出，或 x -> y 的映射；
Regression
- 回归算法：房价预测；
Classification
- 分类算法：肿瘤预测；
1.2 Unsupervised learning
Clustering
- 无监督学习
- 本质：从输入数据中发现潜在的结构或模式，而不是根据已知的答案进行预测；
- 聚类：谷歌新闻，DNA序列，人群分组；
Anomaly Detection
异常检测（Anomaly Detection）：识别数据中不符合预期模式的异常点，常用于网络安全、欺诈检测等领域。
Dimensionality Reduction
降维（Dimensionality Reduction）：通过减少数据中的特征数量，提取出最重要的信息。
1.3 Linear Regression
House size and price
- 回归预测的结果有无数个，而分类的结果有限；
- 几个术语：
- 构造线性模型：这里为单变量；
Cost function
- 这里除以2只是为了求导计算方便；
- 单变量线性模型损失函数：
Gradient descent
- 双变量线性模型损失函数：
- 参数的更新：
Learning rate
Week 2
2.1 Multiple Linear Regression
- 多元线性回归：多个输入变量影响
Vectorization
- 向量运算更快的原理：并行计算；
- 多元参数更新：
Normal equation
- 正规方程：只运用于线性回归模型，求解损失函数最小值的 w 和 b，无需迭代；
2.2 Featrue scaling
- 特征缩放：使梯度下降运行的更快；
- 方法：将不同特征的取值范围调整到合适大小；
Mean normalization
Z-score normalization
- 就是概率论中的正态分布；
How to choose Alpha
- 学习率太大会产生波动，太小会导致迭代次数增加；
- 怎么调节学习率：
2.3 Featrue Engineering
How to choose featrue
- 通过选择原始特征去组合出新的特征进行拟合：
Polynomial Regression
- 多项式回归：通过使用特征工程和多项式函数，得到更好的模型；
Week 3
3.1 Logistic Regression
Sigmoid function
Decision Boundary
- 决策边界：可以是线性，也可以是非线性；
Logistic loss function
- 经过 logistic 转化后的结果处于 0 - 1 之间，在这个区间内 log 函数单调，且取值为 0 - ∞；
- 简化的损失函数：是一个凸函数
Gradient descent
- 和线性回归中梯度下降的不同点，就是 y_pred 不一样了，增加了 logistic 变换；
3.2 Underfitting and Overfitting
- 欠拟合和过拟合：线性模型和分类模型中均有出现；
Address Overfitting
- 法一：Collect more data，收集更多的数据
- 法二：Select featrues，选择和使用特征的一个子集
- 法三：Regularization（正则化），减小参数大小；通常是改变 Wi 的大小，而不改变 b；
3.3 Regularization
- 增加了
这个参数，为了降低损失函数，需要调节它的值，可以起到减小参数的作用；
Regularized linear regression
- 正则化线性回归中的梯度下降：
- 原理：每次迭代 Wj 都乘一个略小于 1 的数，用于缩小参数；
Regularized logistic regression
