00.什么是机器学习

#机器学习

什么是机器学习

塞缪尔：“赋予计算机在没有明显编程情况下的学习能力的研究领域”

机器学习的类型

• 监督学习（Supervised learning）：使用最多，发展最快
• 无监督学习（Unsupervised learning）
• 推荐系统
• 强化学习

---

算法如同工具，而比工具更重要的是你如何使用它们。

学习工具与使用方法都很重要。

目录导航

[[01.监督学习|01.监督学习]]

• [[01.监督学习#示例|示例：输入 → 输出的典型任务]]
• [[01.监督学习#回归|回归]]
• [[01.监督学习#分类|分类]]

[[02.线性回归|02.线性回归]]

• [[02.线性回归#一、线性回归与回归问题|线性回归与回归问题]]
• [[02.线性回归#二、常用术语|常用术语：训练集、x、y、m]]
• [[02.线性回归#三、训练过程与模型|训练过程与模型 f]]
• [[02.线性回归#四、代价函数|代价函数]]
  • [[02.线性回归#代价函数到底干什么？|代价函数到底干什么？]]
• [[02.线性回归#五、梯度下降|梯度下降]]
  • [[02.线性回归#为什么这样的函数能“下坡”呢？|为什么这样的函数能“下坡”呢？]]
• [[02.线性回归#六、线性回归的梯度下降|线性回归的梯度下降（批量梯度下降）]]
• [[02.线性回归#七、多特征|多特征]]
• [[02.线性回归#八、向量化计算|向量化计算]]
• [[02.线性回归#九、正规方程方法|正规方程方法]]

[[03.特征缩放与多项式回归|03.特征缩放与多项式回归]]

• [[03.特征缩放与多项式回归#一、为什么需要特征缩放|为什么需要特征缩放]]
• [[03.特征缩放与多项式回归#二、特征缩放的方法|特征缩放的方法（除最大值 / 均值归一化 / Z 分数）]]
• [[03.特征缩放与多项式回归#三、学习曲线与收敛判断|学习曲线与收敛判断]]
• [[03.特征缩放与多项式回归#四、学习率 α 的选择|学习率 α 的选择]]
• [[03.特征缩放与多项式回归#五、特征工程|特征工程]]
• [[03.特征缩放与多项式回归#六、多项式回归|多项式回归]]

[[04.逻辑回归|04.逻辑回归]]

• [[04.逻辑回归#一、动机：分类问题|动机：分类问题]]
• [[04.逻辑回归#二、逻辑回归与 Sigmoid 函数|逻辑回归与 Sigmoid 函数]]
• [[04.逻辑回归#三、决策边界|决策边界]]
• [[04.逻辑回归#四、逻辑回归的代价函数|逻辑回归的代价函数]]
• [[04.逻辑回归#五、逻辑损失函数|逻辑损失函数]]
  • [[04.逻辑回归#示例|损失函数示例（y = 1 / y = 0）]]
• [[04.逻辑回归#六、简化的逻辑回归代价函数|简化的逻辑回归代价函数]]
• [[04.逻辑回归#七、逻辑回归的梯度下降|逻辑回归的梯度下降]]

[[05.过拟合与正则化|05.过拟合与正则化]]

• [[05.过拟合与正则化#一、过拟合问题|过拟合问题（欠拟合 / 过拟合）]]
• [[05.过拟合与正则化#二、解决过拟合|解决过拟合]]
• [[05.过拟合与正则化#三、带正则化的代价函数|带正则化的代价函数]]
• [[05.过拟合与正则化#四、正则化线性回归|正则化线性回归]]
• [[05.过拟合与正则化#五、正则化逻辑回归|正则化逻辑回归]]

[[06.无监督学习|06.无监督学习]]

• [[06.无监督学习#聚类算法|聚类算法]]