此分类用于记录吴恩达深度学习课程的学习笔记。
课程相关信息链接如下：
- 原课程视频链接：[双语字幕]吴恩达深度学习deeplearning.ai
- github课程资料，含课件与笔记:吴恩达深度学习教学资料
- 课程配套练习（中英）与答案：吴恩达深度学习课后习题与答案
本篇为第一课第二周，在2.1之前的的基础补充。
本周的课程以逻辑回归为例详细介绍了神经网络的运行，传播等过程，其中涉及大量机器学习的基础知识和部分数学原理，如没有一定的相关基础，理解会较为困难。
因为，笔记并不直接复述视频原理，而是从基础开始，尽可能地创造一个较为丝滑的理解过程。
1.回归
1.1什么是回归？
首先依旧摆一个定义:
回归 （Regression）是统计学和机器学习中的一种方法，用于建立自变量（输入特征）与因变量（输出目标）之间的关系。回归的目的是通过分析数据，找出输入与输出之间的函数关系，并且根据这个关系来预测连续型的输出值 ,回归模型的主要目标是预测连续变量。
简单来说，回归就是通过数据得到输入输出间的关系，再根据这个关系为输入预测连续型的输出。
之前在第一周中提到的用数据预测房价,就是回归问题。
之所以一直在强调输出的连续型，是为了和另一类问题：分类问题作区分，我们会在之后再展开，总之，回归问题得到的最终结果一定是一个连续的数值，如价格，身高，重量等，而非一类标签，如是或否等。
1.2 怎么回归？
我们现在知道了回归实现的效果，那如何实现回归呢？即输入输出的关系怎么得到的？
简单来说，就是通过输入输出得到拟合函数：
\[y = f(x) \]
拟合函数可以是线性函数，多项式函数，分段函数等等，我们先忽略语境举一个最简单的例子：
如图所示，假设我们的数据即为图中点，我们观察数据，直接得到拟合关系：
\[y=x \]
我们通过把输入代入拟合函数，即可预测其他输入的输出：输入5，输出5；输入1.2得到1.2.
1.3 线性回归
线性回归可以说是最简单的回归算法，刚刚的 \(y=x\) 就是最简单的线性回归，线性回归得到的拟合函数图像一定是一条直线。
线性回归的通式如下：
\[y=wx+b \]
其中，在数学上，\(w\) 被称为斜率，\(b\) 被称为截距。
但在机器学习与神经网络的背景下，二者通常有更切实的称呼。
- \(w\)（权重）： 对输入特征的加权系数，表示输入在网络中的重要性。
- \(b\) （偏置）：模型的"起始点"或"偏移量，作用是调整每个神经元的输出。
了解了基础的概念后，我们说回刚刚的例子：
假设在该题的语境下，所以的数据都完美满足了\(y=x\) 这一拟合函数，实现了绝对精准的预测。
那就是说，我们只用线性回归就实现了对该问题的完美解，但可惜的是，当我们引进现实的情境后，这几乎是不可能做到的。
我们回顾一下最开始的房价预测的例子：
当时我们通过给神经网络的隐藏层增加ReLU激活函数来解决了房屋价格和面积的都不可能为负的情况，可现在再观察，我们发现图里的分段线性拟合函数最多只能预测到一个大致的范围 。
结合现实我们也知道，影响房屋价格的因素复杂的，我们不能用线性回归来精准的预测房屋价格，这便需要更复杂的回归算法，如其他机器学习算法或者神经网络。
而评价一个算法的好坏，首先便要看该算法在要解决问题的数据上的表现。
这便涉及到了更具体的评价指标，我们在之后遇到后再展开。
通过本篇，可以解了关于回归的一些基本知识，而知道了这些基础后，便可以比较通畅的学习2.1及之后的内容。