这个系列文章首发于我的知乎专栏：课后有感；感兴趣的同学可以关注一下，希望可以多多交流。
https://zhuanlan.zhihu.com/kehouyougan
前言
第一周很自然，肯定是要从Introduction开始。在简单阐述吴恩达的Introduction之前，我先来简单做一下我写这系列文章的Introduction吧。吴恩达的《Machine Learning》和《Deep Learning》的两门课都非常优秀，我都非常喜欢，深入浅出，非常适合刚入门的新人。但是课程结束之后，到了应用层面，很多细节我都没有办法记住，十分头疼。想来，我自己有写读书读后感、观影观后感的习惯，那为什么不写课后的课后感呢？完完全全用到了费曼的学习方法，用自己的语言阐述一遍课程内容，这种记忆法的效果是最好的；且在工作中如果有些内容需要温习，我也有处可寻。所以，从今天开始，我要把之前课程重温一遍，完成全课程的课后感，当然更是为了塑造我自己坚持不懈的优秀品格。开始，加油！
目录
一、主要内容
二、个人感受
三、实际应用
正文
一、主要内容
第一周主要分成了三个部分Introduction、Linear Regression with One Variable、以及Linear Algebra Review。非常基础，不需要了解非常难的数学常识，其中的线性代数虽然是大学数学的部分，但是内容依旧非常非常初级，就连量子力学里反复使用的本征值都没有出现，可见内容之简单。
1. Introduction
首先吴恩达阐述了什么是机器学习，吴恩达借用了Arthur Samuel和Tom Mitchell的概念。其中Tom Mitchell说得更加符合现代的标准，他认为机器学习就是一个程序，可以通过经验获得提高，从而处理一些任务，而且有相应的标准可以衡量。这边说一点题外话，之前在quora上看到一种说法很有意思，“机器学习是现阶段实现人工智能最可行的办法”。
机器学习比较粗犷的分类方法分为监督学习（Supervised Learning）和非监督学习（Unsupervised Learning）。解释监督学习的时候，吴恩达使用了房价与房屋面积两个变量之间的正相关来解释。通过输入大量房价和房屋面积的数据，然后匹配线性模型或者对数模型，最后选择一任意房屋面积（即使不在数据库内也可以），计算机就可以匹配到对应的房价。这种有连续数据的机器学习方法叫做回归（Regression）。还有一种方法叫做分类（Classification）。相对于输入不同的条件，获得不同的答案，分类则是输入不同的值只会获得类似“是”或“否”这样简单的答案。
非监督学习（Unsupervised Learning）即与监督学习相反。在不需要输入大量数据的情况下，计算机依旧可以通过某些特定的方法去解决问题。聚类（Clustering）是非监督学习中最常用的方法之一。不是Coursera的课程，而是在吴恩达斯坦福大学的课程上，吴恩达举的例子非常有趣。就是让计算机通过图片中的特征勾勒出不同物体的边框。结果也非常好，一家人在金门大桥前的合影被计算机勾出了线条，几个人和金门大桥的线条明显可以被辨认出来。还有一种方法就是非聚类（Non-Clustering）。其适用于在复杂场景中辨别出某个特殊的值，吴恩达使用了鸡尾酒会算法（Cocktail Party Algorithm）进行了具体展示。在嘈杂的鸡尾酒会，计算机可以通过非监督学习识别出酒会中某位男士的声音，并消掉背景噪音，只让我们听到该男士的声音。
2. Linear Regression with One Variable
这一部分被分为两小节《模型和成本函数（Model and Cost Function）》和《参数学习（Parameter Learning）》。
《模型和成本函数（Model and Cost Function）》
开始是构建一个模型，吴恩达再一次举出了房价与面积的例子（在之后《深度学习》的课程中他还会继续使用该模型）。当我们输入m个特征值x，输出变量y。当输入的数据足够大了之后，我们可以获得相对更加准确的答案，当然这种简单的模型还非常初级。成本函数（Cost Function）是一个非常重要的概念，通常我们用J来表示，在之后的《深度学习》中也会出现，这是用来检验我们假象函数的准确度的。其中通过平方差来计算是最准确的一种方法。
在课程中的例子非常好懂，当假想函数与输入数据完全相符时，成本函数会为零，计算可得。这是我们最理想的情况，因此在日后我们追求的目标就是成本函数最小。得到零是不可能的，在大数据普及的今天成本函数为零简直是妄念。之后我们可以为假想函数取不同的模型参数，相应获得的x与y可以算出不同的成本函数值J。取最小值J的模型参数，也就是例子最开始使成本函数为零的那个参数。
上述例子是最简单的模型，即y=kx。相对复杂一点，模型可能为y=kx+c。当我们同时调整k和c就会获得非常多种组合方式，再加上最后的解J，我们需要一个三维图像才能表示，图片会像一个盆，当然二位也不是不可以。我最近在玩的《旷野之息》中需要看海拔地图，转换成二位图像就是这样。在我们获得的二维图像中，盆地的中心点就是我们需要获得最小值，是我们最理想模型参数之所在。
《参数学习（Parameter Learning）》
梯度下降（Gradient Descent）非常非常重要，应该说是贯穿整个机器学习的重要线索之一。既然有梯度（Gradient），那就说明其中就有多项微积分的应用。承接上文，当我们在海拔地图边缘的时候，我们如何才能找到最低点呢？朝着最低点走过去，直到最低点即可。其中需要注意alpha值，也就是梯度下降时的学习效率，不可以太大，步子太大容易扯蛋。也不能太小，否则时间会很久。在线性回归中我们可以使用梯度下降。由于线性回归是一个凸函数，所以必定有一个局部最优解。当我们用梯度下降找到最优解之后，我们的线性回归将是最合适的方案。同时我们可以批量（Batch）进行梯度下降，即对所有的样本进行求和计算。
3. Linear Algebra Review
对线性代数的一些基础内容进行简单的复习，没有任何高深的概念。讲述了矩阵和向量的定义，其实都不需要浪费时间看。向量的加法、减法、以及如何与标量相乘，很基础，跟四则运算差不多。矩阵的乘法，注意一下前后顺序不能颠倒，形状记得变化也没什么。最后的反函数概念与倒数类似。旋转矩阵时则要注意位置，千万不能填错。
二、个人感受
第一周的内容很简单，更像是进行科普，而不是在学习知识，这应该是最轻松的学习氛围了吧。学习的确就是应该在这种轻松的氛围下进行。最重要的是每个视频都很短，平常午休时间，或者下午茶时间完全可以拿出一、两个视频进行学习。如果我可以善于利用时间的话，每周一篇，甚至于一周两篇都是有可能的，当然我本人的自控力没有达到这么厉害的程度，能保证一周两篇已经很不错了。
回到课程内容，因为我个人相对来说比较热爱学习，所以会在Coursera、网易公开课上东看看西看看。绝大多数课程第一周永远都是最让人兴奋的，因为教授们总是会泛泛而谈，大炒特炒各种概念。再将一些相应的实验室应用拿到课堂上来，让学生们仿佛置身于马上就要学会“原力”的兴奋状态。随着课程的深入，大家逐渐发现内容的局限性，意识到即使学会了也并非无所不能。期末考试之后才发现自己学到的东西只能解题，于是有些学生们会开始鼓吹“读书无用论”。实际上双方都有过度夸张。
我们要意识到技术还不是无所不能，但也可以做到很多事情。比如现在AlphaGo Zero可以100：0地吊打AlphaGo，which已经吊打了人类界的极大好手，虽然局限性还是很多，但是进步我们都有目共睹。积极结合监督学习和非监督学习的semi-supervised Learning，吴恩达在努力推动的迁移学习（Transfer Learning）在未来都有非常大为技术进步的空间。技术的未来还是有非常多值得我们去想象的，毕竟未来逻辑脑基本可以靠AI就能代替掉了，我们真正重要的想象力才是我们需要培养的。而且在业界，其实大家也都有共事，场景的选取比算法的选取更加重要。学习机器学习的应用在将来会成为非常必要的人生过程。
三、实际应用
这一周的内容没有办法被应用，因为都是概念。
2017年10月28日
不过有一个可以尝试一下，如果我要是能获取《旷野之息》的地图信息，其实我可以自己去实现最短路径计算，跟谷歌地图一样方便。
还有就是可以尝试针对《旷野之息》的强化学习，让计算机学习如何让林克大杀四方，或许可以打破其他玩家最快通关记录。
这些想法还是太初级，之后希望有更多的。
