第一课

有些理论能够证明在什么情况下机器学习能够做到99%精度之类的支持， 所以还是得学习有些理论基础才行。例如Kaiming就那么厉害。

概念

Regression,回归，解决连续问题。

Classification，分类解决Discreetw问题

貌似回归与分类都是监督学习，因为给了答案。

然后是Unsupervized Problem， 既然没给答案，就只能聚类了，（或者我猜用某种方法获得经验？） 聚类在图像处理，例如轮廓线或者音频分离上很有用处。

然后问题参数可能有无限的纬度，如何处理这个问题呢？毕竟计算机不能有无限个，答案是用支持向量机. SVM，Support Vector Machine。

最后是Reinforce Learning，强化学习，不同于监督与无监督学习，强化学习不是一个On Step Decision，而是一个系列的连续决策与调整。 强化学习的特征是有Reward，通过奖励获取经验，用于机器人，控制helicopter等。

第二课

强化学习-连续问题-回归

问题，为什么 artificial algorithm 得到的 hypothesis 假定为线性的，为什么不会是非线性的呢？

答：目前是线性，以后有更复杂的

目标是求 $min \frac{1}{2} \sum_{i=1}^{m}(h_{\theta}(x^{(i)} - y^{(i)})^2 $ ,

有多种方法，例如梯度下降法 (gradient descent)， 但容易到达 Local minimum

推导(链式法则)：