第一周，基本概念

• 机器学习可以进行的条件：
  1、 有某种模式可以学习。
  2、 这种模式不知道怎么手工明确规定（如果通过编写可以实现的就不需要机器学习）。
  3、 有数据资料。

• 机器学习四种元素：
  1、 输入X。
  2、 输出Y。
  3、 hypothesis H。
  4、 资料 D

数据挖掘和机器学习有很多重合点，但不是一模一样。 # 第二周，二元是非判断 ### Perceptron Hypothesis：感知器学习算法：针对线性可分的资料
- PLA算法（perceptron learning algorithm），两种理解方式：
① 向量纠正（比较直观，但证明很麻烦，推导不方便）
当y=+1，那么类似于第一个图，w+yx将使得新的w更加偏向于x，以使得修正后的结果为h(x)>0，而类似有第二图的修正。
② 梯度下降（以点到直线的距离（带符号）为代价函数进行随机梯度下降）此方法可获得向量纠正的一样的公式及结果。
此法以误分类点到直线的距离为代价函数，使用随机梯度下降获得最优解，因如果误分类点到超平面的距离都最小时，则误分类点在线性可分的情况下变为正确分类点。

算法特性：只能分类线性可分的模型。
- 噪音相对于数据应该较小
- PLA变形：pocket algorithm，速度比PLA慢:
使用一个随机的g0作为起始，存贮目前为止代价函数最小的情况，迭代规定的若干次后得到结果。

- source:hachp1.github.io