[머신러닝스터디/2016]
[머신러닝스터디/2016/목차]
== 내용 ==
 * 첫날에 못 온 사람을 위해 첫날에 한 얘기를 복습함.
  * PCA
  * H(가설 함수)가 H(x) = wx + b이고 Cost function J는 기대값 H(x)와 실제값 y의 차의 제곱들의 총합이 된다(Mean squared error).    
  * 이때 Gradient descent는 w, b, J(x)에 대해 3차원 그래프로 나타내어진다.
 * 동영상 분량 조절을 잘못해서 Gradient descent를 끝까지 본 사람이 없었다.
  * 동영상을 가장 많이 본 사람([서지혜])가 Linear regression과 Cost function(Loss function), Gradient descent간의 관계를 설명함. 
== 후기 ==
 * [이원준]: 하고싶은 질문을 다 해서 만족스럽다. 네이버 d2 신청해보면 어떨까합니다.
 * [유재범] 한 사람의 진취도가 월등히 높지 않아서 누가 끌고 가는게 아니니까 모여서 영상을 보는게 어떨까요.
 * [김수경]: 이번주 바빠서 다음주부터는 열심히 볼 수 있을 것 같다. 다음주에는 내가 모르는걸 물어보거나, 내가 본 내용을 알려주는게 어떨까. 준비를 해 왔으면 좋겠다. 한 사람씩 반드시 설명을 하거나, 질문을 하거나.
 * [강민승]: 영상을 많이 봐야겠다. 한글 위주로 보았었다. 다른 사람한테 말할 수 있을 정도로 준비 해 오겠다. 
 * [서지혜]: 스터디에 대한 부담감이 조금(개미꼬딱지만큼) 있다. 지금도 깝깝함. 초반이라 별로 할 이야기가 없는듯. 

== 다음 시간에는 ==
 IV. Linear Regression with Multiple Variables (Week 2) 까지 영상을 보고 옵시다.
== 더 보기 ==
 * [http://stackoverflow.com/questions/18191890/why-gradient-descent-when-we-can-solve-linear-regression-analytically why-gradient-descent-when-we-can-solve-linear-regression-analytically]
 * [http://stats.stackexchange.com/questions/23128/solving-for-regression-parameters-in-closed-form-vs-gradient-descent solving-for-regression-parameters-in-closed-form-vs-gradient-descent]
-------
[활동지도/2016], [머신러닝스터디/2016]