之前經學長推薦，開始在B站上看Andrew Ng的機器學習課程。其實已經看了1/3了吧，今天把學習筆記補上吧。
吳恩達老師的Machine learning課程共有113節(B站上的版本https://www.bilibili.com/video/av9912938)。這篇學習筆記是結合第一、二部分(我所理解的)：
第一部分：概覽機器學習，介紹其中的一些專業名詞及定義。Section 1-26
第二部分：如何使用Octave實現機器學習中的基本演算法(Ocatave就是開源版的Matlab)。Section 27-39
總的來說，吳恩達老師講的還是很慢的，他每次說到微積分、線代相關的知識，都要擔心同學們不知道，小心翼翼地推導一遍……(美國人的數學真的這麼不好嗎)
著重記錄一下邏輯迴歸吧：
吳老師說邏輯迴歸其實就是Sigmoid函式，或Logistic函式on，這名字起得也太差了吧，國內老師有的把這個稱為指數迴歸，我覺得還順口些。sigmoid函式的本質就是將實域上的數全都對映到0-1之間(表示概率)：
(g(z)=frac{1}{1-e^{-z}})
那麼其中的(z)是什麼呢？其實也就是我們使用線性迴歸所計算出來的(Θ^{T}x)。
之所以這個函式可以擬合分類問題，是因為大部分事實情況與之相同。當某指標已經很大時，他再增加，對概率的影響也比較小。