本文主要向大家介绍了机器学习入门之机器学习总结--andrew ng视频（1），通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

起步是先看Andrew ng 的视频，这一周的总结如下。
首先，机器学习分为监督学习和非监督学习。
而我的理解是监督学习是有标准的，即你可以对你的结果以他之前的一些数据作为标准进行判断，所谓监督。监督问题也分为分类和回归问题。分类即结果是一些离散值，回归问题是结果是一些连续值。
对于非监督学习即是给出一些数据集，您能找到他们的结构吗，即并没有所谓的标准，分为聚类和非聚类问题。
最开始是接触线性回归。
training set-->learning algorithm
input-->hypothesis-->output
m个训练例子，x(input)即是特征或者变量，y(output)为目标变量，一般来说X可以一个或者多个。
先来讨论一个x的情况：
h(x) = θ0 + θ1*x;
cost function J(θ) = 1/2m*∑(h(xi)-yi)2  (i-->1:m)
找到 θ0和θ1使得J(θ)最小。当这两值都不为0时，可以得到一三维曲面。
使J（θ）最小，我们可以使用gradient descent 的方法：
θj := θj - α*?/?θjJ(θ0,θ1)   同步更新每个θ
α为学习率，确定步子迈多大。
然后对于多特征（多x）的相应内容：
然后一些对于线性代数的知识的回顾。矩阵与向量，矩阵的转置，求逆之类的。矩阵的乘法不满足交换律和消去律。
 X为一矩阵,m位训练例数，n为特征数，Xj(i)为在第i个训练例中的特征j 的值，X(i)为在第i个训练例中所有的特征的值,为一列值
h(x) = θ0 + θ1*x1+θ2*x2+θ3*x3+....+θn*xn;
所以我们在x的最开始加全是1的一行，来达到h(θ) = θT*X的效果。
在实行gradient descent 的方法时，我们以以下公式同步更新：
θj := θj - α*（1/m）∑(hθ(x(i))-y(i))xj(i)   (i-->1:m)

对于特征范围不一的问题，我们可以用 feature scaling,即特征缩放的方法来解决。

mean normalization:x1 <--(x1-avg)/range
而且还有区别于gradient descent的方法来求最终θ值
Normal Equation(正规方程)：
直接得到θ值。
θ = （XTX）-1XTy（当n大（n>10000）时不适用，时间消耗太大）
特征处理：删除多余或者无用特征
以及Octave的使用

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！