1.evaluating a hypothesis 以之前的房价问题为例，当我们运用已经训练好的线性回归模型来预测房价时，如果出现较大的误差，我们可以采取什么措施来减小这个误差？一般来说有以下几种方法： ① 获得更多的training data 一般来说是有用的，但是代价较大，花费的时间较长 ② 尝试减少特征数量 ③ 尝试获得更多的特征 ④ 尝试增加多项式特征 ⑤ 尝试减少正则化参数$\lamb

1.anomaly detection：problem motivation 首先解释一下异常检测的定义，假设我们是一种飞机引擎的制造商，当你的飞机引擎从生产线上流出时，需要进行QA测试，作为这项测试的一部分，我们选取了飞机引擎的一些特征变量，比如引擎运转时的热量或者引擎的震动频率等： ![](https://leanote.com/api/file/getImage?fileId=59af5a

1.learning with large datasets 如果我们有一个低方差模型，那么增加数据量可以帮助我们更好地拟合，那么当训练集数量非常大的时候，我们应该如何帮助训练呢？ 以线性回归模型为例，其学习算法如下所示：  很明显每次迭代都需要对数