前言:

   上次寫過一篇關于貝葉斯概率論的數學，最近時間比較緊，coding的任務比較重，不過還是抽空看了一些機器學習的書和視頻，其中很推薦兩個：一個是stanford的machine learning公開課，在verycd可下載，可惜沒有翻譯。不過還是可以看。另外一個是prml-pattern recognition and machine learning, Bishop的一部反響不錯的書，而且是2008年的，算是比較新的一本書了。

   前幾天還準備寫一個分布式計算的系列，只寫了個開頭，又換到寫這個系列了。以后看哪邊的心得更多，就寫哪一個系列吧。最近干的事情比較雜，有跟機器學習相關的，有跟數學相關的，也有跟分布式相關的。

   這個系列主要想能夠用數學去描述機器學習，想要學好機器學習，首先得去理解其中的數學意義，不一定要到能夠輕松自如的推導中間的公式，不過至少得認識這些式子吧，不然看一些相關的論文可就看不懂了，這個系列主要將會著重于去機器學習的數學描述這個部分，將會覆蓋但不一定局限于回歸、聚類、分類等算法。

回歸與梯度下降：

   回歸在數學上來說是給定一個點集，能夠用一條曲線去擬合之，如果這個曲線是一條直線，那就被稱為線性回歸，如果曲線是一條二次曲線，就被稱為二次回歸，回歸還有很多的變種，如locally weighted回歸，logistic回歸，等等，這個將在后面去講。

   用一個很簡單的

總結

以上是生活随笔為你收集整理的机器学习中的数学(1)-回归(regression)、梯度下降(gradient descent)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。