鸭鸭世界第一可爱

这是我参与8月更文挑战的第12天，活动详情查看：8月更文挑战 前边的代价函数就是使用梯度下降而得到其最小值的。梯度下降当然也可以用于其他的代价函数J。 梯度下降是什么？ 对于一个代价函数$J(\the

这是我参与8月更文挑战的第14天，活动详情查看：8月更文挑战 Practice 1 feature scalling 特征缩放 Idea:Make sure features are on a sim

这是我参与8月更文挑战的第15天，活动详情查看：8月更文挑战 高人工智能最简单入手的是octave，用它写出来之后再转用python、c++会更方便。 简介 GNU Octave is a high-

这是我参与8月更文挑战的第18天，活动详情查看：8月更文挑战 Σ( ° △ °|||)︴开局先来说几句废话。作为一个生物学的学生（当年所有专业选的都是计算机，结果被迫学生物了），无奈只好自学。我是用C

这是我参与8月更文挑战的第19天，活动详情查看：8月更文挑战 这个正规方程是放在多元线性回归里边讲的。之前线性回归我们讲的是梯度下降，循环执行一个公式逐步下降，而正规方程与之相反，是直接对θ求最优解。

这是我参与8月更文挑战的第20天，活动详情查看：8月更文挑战 Logistic Regression 跟线性回归不同，在这里要预测的y是离散值。 用到的 Logistic Regression 算法是

这是我参与8月更文挑战的第22天，活动详情查看：8月更文挑战 在某些回归问题中会遇到过度拟合的问题而导致他们的表现欠佳。 什么是过度拟合？ 对于线性回归中的房价问题，我们给出一个数据集： 如果对其进行

这是我参与8月更文挑战的第24天，活动详情查看：8月更文挑战 线性回归的正则化 对于线性回归我们之前讨论过两种算法： 梯度下降 正规方程 Regularized linear regression $