吴恩达ML课程笔记（第二周）

1.关键图：

3.feature scaling:get every feature into approximately a -1<=xi<=1 range.不过左右区间的绝对值为1/3~3都算合适。

4.mean也有’平均的‘的意思

5.推荐这样：

其中ui是所有属性i的平均值，si=属性i的最大值-属性i的最小值

7.一个选择学习率好的办法是从0.001，0.01，1，…这些选，然后每次呈三倍地递增。

8.normal equation法求 $\theta$θ：

9.梯度下降法与normal equation的比较：

如果特征数量小于1000，推荐用normal equation

10.x_i^j:下标是第几个特征，上标是第几个样本数据

11.课程作业答案地址：GitHub

12.截个图表示我的答案通过了测试（哈哈哈：

13.最后提一点，ex1_multi需要我们预测X1=1650，X2=3时的y值，我用梯度下降和NE算出来的都是293081.46433，不知道有没有问题。