A.教師付き学習と教師なし学習
教師付き学習：データセットへの人工アルゴリズムは、アルゴリズムによって予測値に対応したより多くのデータを与え、正しい答えです。たとえば、私たちはそれぞれのサンプルについては、このデータセット内のデータ・セットからの率は、市場データにおける調査でそれを与える、アルゴリズムの目的は、より正確な答えを与えることで、例えば、あなたの友人はそれを販売したいです新しい家は、評価を与えられました。
回帰：結果は線形である例えば住宅問題を（我々は連続値の結果を予測してみてください）
分類：結果は、離散（我々はそのような0,1のように、離散的な値の結果を予測してみてください）例えば、腫瘍の種類、特性に応じて決定されています
教師なし学習：任意のデータマーカーなしのアルゴリズムに大勢の人たち、そして最後には、クラスタリングなど、それらの構造を取得します
カクテルアルゴリズム：そのような群集のコーラスにおける所与人の声の様々な分離などの記録から2つの音源、源から分離された二つの声があります
【W、S、V] = SVD（（repmat（太陽（X * X、1）、大きさ（X、1）、1）* X）* X '）;
SVD：（オクターブに組み込まれている）SVDの略語
II。線形回帰モデル
訓練サンプルのM =数
X =入力変数/機能
Y =出力変数/目的変数
（X、Y）=トレーニングサンプル
（X （I）、Y （I） ）=特定の学習サンプル（i行目）
関数を想定します。仮説：
H 、θ（X）=、θ 0 +θが1 * X（θ 0及びθを1はモデルパラメータです）
したがって、決定するために、θ 0およびθは図1ようJ（θその値が0、θは1）=（（1 / 2M）* [シグマ（H 、θ（X）-Y）2最小、すなわち、アルゴリズムと実際の値を与えるために異なります最低
コスト関数：J（θ 0、θは1です。）
勾配降下アルゴリズム：関数Jを見つけるためのアルゴリズムの最小値
収束するまで繰り返し{
θ J =θ J - α*（∂/∂θ J）・J（θ 0、θ 1）（J = 0とj = 1の場合）
＃：割り当てのために=
＃Αは学習率と呼ばれる番号、多くの制御ステップであるとき、ステップ勾配降下、大きな値より速く秋には、常に0より大きい
＃更新への2つの必要θ（提供TEMP0、TEMP1中間変数）
}
（∂/∂th J）* J（I 0、I 1）=（∂/∂th J）*（1 / 2M）* S（H I（X）-Y）2
=（∂/∂th J）*（1 / 2M）* S（I 0 + I 1 X-Y）2
偏導関数を計算した後に得ることができる：J = 0、すなわち（θ 0）：（∂/∂θ 0）J *（θ 0、θは1）=（1 / M）* [シグマ（H 、θ（X）-Y）
J = 1、すなわち（θ 1）：（∂/∂θ 。1）J *（θ 0、θは1）=（1 / M）* [シグマ[（H 、θ（X）-Y）* X]
上記の結果は、再びコードに持ち込ま：
収束するまで繰り返し{
I 0 = I 0 - *（1 / M）* S（H I（X）-Y）
I 1 ：Iは= 1 - *（1 / M）* S [（H I（X）-Y）* X]
#note：同時に更新に、θ 0及びθは1。
＃勾配降下局所最適に陥りやすいが、コストは常に線形回帰問題の関数である凸関数である、ローカルに最適な、唯一のグローバル最適ではありません、あなたは安心することができ
バッチ＃時々勾配法と呼ばれます
}
エンド------------ ------------コンテンツを復元