Coursera-机器学习-笔记

卡内基梅隆大学 的 Tom Mitchell 教授提出：

机器学习的定义: 一个程序被认为能从经验 E 中学习，解决任务 T，达到性能度量值
P，当且仅当，有了经验 E 后，经过 P 评判，程序在处理 T 时的性能有所提升。

• 监督学习: 数据集中的每个样本都有一个确定的答案。
  • 回归: 我们根据之前的数据预测出一个准确的(连续的)输出值。
  • 分类: 得到离散的输出值。

• https://webdemo.myscript.com/views/math/index.html
• https://www.mathcha.io/editor
• 用于数学、科学和工程的希腊字母-维基百科
• 线性回归

$x=\frac{-b\pm\sqrt{b^2-4ac}}{2a}$

$evidence_{i}=\sum_{j}W_{ij}x_{j}+b_{i}$

${ax^2 + bx + c = 0}$

$f\left( x\right) =\dfrac {d\pm \left( \sqrt [3] {1+z}\right) ^{n}}{x+y}$

$J\left( \theta_{0},\theta_{1}\right) =\dfrac {1}{2m}\sum_{i=1}^{m}\left( y_{i}^{\wedge}-y_{i}\right)^{2}$

$\dfrac {1}{2m}\sum ^{m}{i=1}\left( h{\theta} \left( x_{i}\right) -y_{i}\right) ^{2}$

$\frac{\sqrt{a\ +\ b}}{a}$