多项式拟合和正规方程 特征点的创建和合并 对于一个特定的问题，可以产生不同的特征点，通过对问题参数的重新定义和对原有特征点的数学处理合并拆分，能够得到更加优秀的特征点。 多项式回归 对于更多更加常见的数学模型，其拟合往往是非线性关系的，这时候就需要考虑引用多项式来进行拟合，如：\(h(x)=θ_0+θ_1 x+θ_2 x^2+θ_3 x^3\) 正规方程算法 在微积分中，对于函数\(f

优化和调试方法 特征缩放 对于某些不具有比较性的样本特征\(x_i\) （比如对其他的x来说\(x_i\) 相当大或者相当小），梯度下降的过程可能会非常漫长，并且可能来回波动才能最后收敛到全局的最小值。 在这样的情况下，可以对\(x_i\) 进行缩放（如 \(x_i≔αx_i\) 或者 \(x_i=x_i/α\)），使得\(x_i\) 与其他的\(x\)具有可比性，以增加梯度下降的效

img{ width: 30%; padding-left: 20%; } 多变量线性回归 多元线性回归 对于多个特征量(Features)，规定符号表示： \(n\) 特征的总数量 \(x^{(i)}\) 第i个训练样本的输入特征向量，\(i\)表示的是一个索引(Index) \(x_j^i\) 第i个训练样本中特征向量的第j个值 此时的假设函数不

img{ width: 40%; padding-left: 20%; } 梯度下降算法 在开始之前规定几个符号所代表的意义： \(m\) 训练集中训练样本的数量 \(X\) 输入变量 \(Y\) 输出变量 \((x,y)\) 训练样本 \((x^i,y^i)\)第i个训练样本（i表示一个索引） ## 监督学习算法的流程 提供训练集>学习算法得到

什么是机器学习 机器学习的定义 A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experie

基本命令 基本运算 代数运算：+ - * / sqrt（） 布尔运算：且：&& 或：|| 非：！ 赋值：= 基础命令 disp() 显示（）内的命令到屏幕 sprintf()用法同c语言中的printf format lone 显示变量的更多小数位数 formate short 显示变量的更少小数位数（4位） help fuction 显示function 函数

数据计算和绘制 对元素的操作 A.\*B A矩阵和B矩阵的每一个元素对应相乘 . 对每一个元素进行运算操作 abs(A) 对A每一个元素取绝对值 v+1 对向量v里面的每一个元素+1 A’ 矩阵A的转置 pinv(A)对A求逆矩阵，不可逆时即为伪逆矩阵 max(A) A中最大的元素的值 max(A,[], DI) A中DI维度下元素最大的值（1 列 2 行） ind() 某个元

控制和定义语句 for i=1:10, Indices=a : b 从a到b的索引 Break Continue 与C语言相同 While, end 结构体 同C语言 选择结构： 123if condition, command end 分支选择结构： 1234if condition, command; elseif condition, Comm

向量化 对于求和的算法，有时可以转换为矩阵的乘法来进行计算 E.g. \[H(θ)(x)=∑_{j=0}^nθ_j x_j \] 如果直接求和，求和的过程会非常冗长 而设计两个向量\(θ\) \(x\) 则有线性回归假设函数的向量形式： \[h(x)=θ^T x\] 对更新函数：

Hexo搭建博客记录 搭建这个博客前前后后花了大概一周左右的时间，基本上把能踩的雷全都踩过了，现在记录一下搭建过程中的问题和解决办法。 Github Pages 相关问题 Github Pages 无法创建页面 显示“Pages build faild” 但是没有任何报错信息 第一个遇到的问题是Github Pages 始终反馈无法创建（build）页面，反馈邮件当中没有任何关于错误的