学习感言：
从3.7第一天开始，到今天4.4，一个多月的时间，陆续完成了听课，代码实现和总结博客，过程些许艰难，作为一个刚入门的学习者，收获了很多。总结一下这一段时间的学习过程吧。后面的学习方向还在思考。
目录
1.0 线性回归预测
2.0 线性可分logistic逻辑回归
2.1 线性不可分logistic逻辑回归
3.0 logistic逻辑回归手写多分类问题
3.1 神经网络正向传播
4.0 神经网络反向传播（BP算法）
5.0 方差与偏差
6.0 SVM支持向量机
7.0 kmeans聚类
7.1 PCA主成分分析
8.0 异常检测
8.1 推荐系统（协同过滤算法）
作业涉及到的数据集：
之前的数据集过期了，重新更新
链接：https://pan.baidu.com/s/14gmrdWvIYopPWK_qsJHq5w?pwd=ifuf
提取码：ifuf
Ng课程大纲总结
无监督学习
线性规划，逻辑回归，神经网络，SVM
无监督学习
K-means , PCA , 异常检测
应用
推荐系统，
大规模机器学习
映射化简和数据并行:
将我们的数据集分配给不多台 计算机，让每一台计算机处理数据集的一个子集，然后我们将计所的结果汇总在求和。这样 的方法叫做映射简化。如果任何学习算法能够表达为，对训练集的函数的求和，那么便能将这个任 务分配给多台计算机（或者同一台计算机的不同 CPU 核心），以达到加速处理的目的。
构建机器学习系统tips
方差/偏差 ，正则化
决定下一步做什么：
算法评估，学习曲线（判断高偏差/高方差问题），误差分析
上限分析：机器学习的应用中，我们通常需要通过几个步骤才能进行最终的预测，我们如何能够 知道哪一部分最值得我们花时间和精力去改善呢？这个问题可以通过上限分析来回答。
问题描述和流程图
滑动窗口分类算法（CV）
获取大量数据和人工数据
以下是零碎：
现有的机器学习种类繁多，我们一般可以进行如下的分类标准：
- 是否在人类监督下学习（监督学习、非监督学习、半监督学习和强化学习）
- 是否可以动态的增量学习（在线学习和批量学习）
- 是简单的将新的数据点和已知的数据点进行匹配，还是像科学家那样对训练数据进行模型检测，然后建立一个预测模型（基于实例的学习和基于模型的学习）
一 、监督学习与无监督学习
-
监督学习（Supervised Learning）：对于数据集中每一个样本都有对应的标签，包括回归（regression）和分类（classification）；
- K近邻算法
- 线性回归
- logistic回归
- 支持向量机（SVM）
- 决策树和随机森林
- 神经网络
-
无监督学习（Unsupervised Learning）：数据集中没有任何的标签，包括聚类（clustering），著名的一个例子是鸡尾酒晚会。实现公式：[W,s,v] = svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x’);
- 聚类算法
- K均值算法（K-means）
- 基于密度的聚类方法(DBSCAN)
- 最大期望算法
- 可视化和降维
- 主成分分析（PCA）
- 核主成分分析
- 关联规则学习
- Apriori
- Eclat
- 异常检测
-
半监督学习 有些算法可以处理部分标记的训练数据，通常是大量未标记的数据和少量标记的数据，这种成为半监督学习。
-
如照片识别就是很好的例子。在线相册可以指定识别同一个人的照片（无监督学习），当你把这些同一个人增加一个标签的后，新的有同一个人的照片就自动帮你加上标签了。
-
强化学习
强化学习，它的学习系统能够观测环境，做出选择，执行操作并获得回报，或者是以负面回报的形式获得惩罚。它必须自行学习什么是最好的策略，从而随着时间推移获得最大的回
二、在线学习
如果你有一个由连续的用户流引发的连续的数据流，进入你的网站，你能做的是使用一个在线学习机制，从数据流中学习 用户的偏好，然后使用这些信息来优化一些关于网站的决策。
在线学习算法指的是对数据流而非离线的静态数据集的学习。许多在线网站都有持续不断的用户流，对于每一个用户，网站希望能在不将数据存储到数据库中便顺利地进行算法学习。
- 在线学习：产品搜索界面 产品推荐
三、模型训练及选择（model selection）
可以依据训练误差和测试误差来评估假设hθ(x)；
一般来说，我们将数据集划分成训练集（60%）、验证集（20%）和测试集（20%）；
训练集
训练集用来训练模型，学习参数θ ：minJ(θ)；即确定模型的权重和偏置这些参数，通常我们称这些参数为学习参数。
验证集
验证集用于模型的选择，更具体地来说，验证集并不参与学习参数的确定，也就是验证集并没有参与梯度下降的过程。用训练集对模型训练完毕后，再用验证集对模型测试，测试模型是否准确而不是训练模型的参数。
测试集
测试集只使用一次，即在训练完成后评价最终的模型时使用。它既不参与学习参数过程，也不参数超参数选择过程，而仅仅使用于模型的评价。
不能在训练过程中使用测试集，而后再用相同的测试集去测试模型。这样做其实是一个cheat，使得模型测试时准确率很高。
四、模型优化
欠拟合，高偏差：说明没有很好的拟合训练数据
过拟合，高方差：拟合训练数据过于完美，J(θ)≈0，导致模型的泛化能力很差，对于新样本不能准确预测
五、机器学习系统设计
不对称分类的误差评估（skewed classes）
错误率：有多少比例的西瓜被判断错误；
查准率（precision）：算法挑出来的西瓜中有多少比例是好西瓜；
查全率（recall）：所有的好西瓜中有多少比例被算法跳了出来。
- 如果我们想要比较确信为正例时才判定为正例，那么提高阈值，模型会对应高查准率，低召回率；
- 如果希望避免假阴性，那么降低阈值，模型会对应低查准率，高召回率
六、高级优化算法：
- 共轭梯度算法
- BFGS
- L-BFGS
优点：无需人工选择参数α；运算速度比梯度下降更快
缺点：更加复杂
最后：放一下Ng的结语，激励自己继续前进吧~ 感谢老师
