完结撒花！
学习历程
从今年4月开始，断断续续的开始在网易云课堂上看汉化版的《机器学习》课程，当时只是简单的水水视频了解大概概念，迫于大三下繁忙的考试与夏令营各种事情，进度缓慢。
5月份的时候开始在coursera上做编程作业，开始时真的挺费时间，还记得做第一次编程作业的时候用了将近一上午的时间。前期的学习大概集中在这两个月，只是学到了神经网络这一章节。
之后一直到7月末，正巧导师让我学习这个课程，才又开始对此课程的完整学习，一直到今天—9月的第二天，才完成了课程的所有内容，包括8次编程作业。
学习此课程的初衷有两点，一是在当前人工智能火热的大环境下，对相关领域做一些了解，以期为将来带来积极的影响；二是兴许保研时能增加一些竞争力（事实上，学完才发现这门课程比较基础）。
收获
对以下内容有了一定了解：
1.监督学习方法：线性回归（包括单变量线性回归与多元线性回归）；logistic回归；神经网络（最朴素的网络结构）、神经网络的反向传播算法；支持向量机
2.无监督学习方法：K-means聚类；PCA降维；异常检测；推荐系统（协同过滤算法）。
3.模型的评估：训练集、交叉验证集、测试集；对方差、偏差的分析、学习曲线。
4.机器学习中的误差分析：精确率、召回率；
5.改善过拟合的方法：正则化等。
6.大规模机器学习：随机梯度下降、Mini-Batch梯度下降；在线学习；Map-reduce。
以及没想到的一些。
对于以上的大部分内容，所达到的程度真的只是“有了一定了解”。
下一步的计划
1.学习桑老师给的另一门课《深度学习算法与实战》，目前学到了循环神经网络。
2.加深对本课程算法的理解，通读《统计学习方法》。
是否需要学习一下当前机器学习用到的一些框架，
tensorflow,pytorch等
思考与疑问
1.代价函数为何使用平方误差代价函数（回归问题中）
2.logistic中代价函数偏导的求法
3.自动选择合适正则化参数lambda的方法
4.为何神经网络如此神奇呢，隐藏层发生了什么
5.神经网络可以应用于分类问题之外的问题吗
6.为何神经网络的偏导数这样计算呢
7.神经网络用作分类问题时为何选择logical array作为输出呢，而非输出数字代表不同类别？
8.误差/方差，我们在选择什么
9.SVM中为何弄一个C代替1/lambda呢，是为了后面那一项吗
10.奇异值分解，协方差矩阵
11.K-means和PCA中x都为n维，没有x0=1的一项，为什么呢
12.课程里没有讲PCA的数学证明，课后了解一下
13.对偶形式的支持向量机；SMO方式解决提高支持向量机的效率
2.同一句话的不同理解：借了我20块钱
（是借给我，还是向我借呢？）
3.机器学习三要素是模型、策略和算法，那交叉验证集和测试集在哪里发挥作用呢？(误差分析作用在哪）
4.为何求逆矩阵的计算成本高
为何向量化能提高计算速度？
比如python中：
Python是解释语言，这意味着你的指令进行分析，并在每次执行解释。由于它们不是静态类型的，因此循环必须在每次迭代时评估操作数的类型，这导致计算开销。
向量化可以使一条指令并行地对多个操作数执行相同的操作（SIMD（单指令，多数据）操作）。例如，要将大小为N的向量乘以标量，让我们调用M可以同时操作的操作数大小。如果是这样，那么它需要执行的指令数大约为N / M，如果采用循环方式，则必须执行N次操作。