2.机器学习笔记第二周
梯度下降：
就是最优选择算法的图形化表示：一个站在山顶的人，每秒走绝对小的一步，他朝着什么方向移动可以最快到达山脚。
接下来是梯度运算的数学解法：
：=是赋值的意思，a：=b就是a无论什么值，都是等于b
α在此处是学习率，也就是一次性迈多大的步子，决定我们让代价函数一次性下降多大的距离，如果是批量的学习，α是统一的。对于α左边的先保留
下面那个算法是表示同步更新
解释斜率，后面那个导数就代表斜率，所以无论斜率正负，只要是靠近最小值，对算法来说都是有益的尝试
关于学习了α太小或者太大，太小会导致学习速率很慢，很久才能接近最佳点，太大数据有可能不离散，错过最佳点
优算法，由于固定学习率α有一些弊端，所以设定学习率减小随着导数减小，就可以很大程度节约开头算力，算力运用效率大大提升。
但是实际上这个是不用，α是一个固定值，而且一旦越接近最低点，导数自然是越来越小，无论是正还是负，都是越趋近最小值越小，所以这个算法很绝妙。
线性回归的梯度下降，将梯度下降算法运用到线性回归里面
接下来一段为摘抄，我没理解的数学算法
BAD 由于高数不太好，听不懂了，裂开，我学的第一个算法就因为高数学不会了。
本周总结：这周确实没怎么学懂算法，我单独理解了两个分算法的意思，但是在把他们合起来的时候，由于偏导数和一些知识，导致我没有听清楚我学到的第一个算法，很裂开。