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

1.感受

? ? ? ? 這一節課Andrew講的是監督學習應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，主要是一些矩陣論的應用。

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，經過算法H的變化，輸出Y1，Y2......?？梢杂霉奖磉_為，X邊上的變量就是我們要回歸得到的系數。 ? ? ?判斷公式。這個ml回歸中常用的判斷公式，當J函數取到最下情況就是我們所需要的結果。 ? ? ?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點，也就是的取值，然后通過J函數求導，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不同的出發點而不同。 ? ??

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。