Stanford CS229 Machine Learning | Spring 2026 | Lecture 2: Supervised Learning Setup

摘要

由斯坦福教授 Chris Ré 主講，介紹監督式機器學習的基礎架構與線性回歸原理。內容涵蓋梯度下降法、損失函式最佳化及矩陣運算，讓讀者理解如何從資料中建立預測模型並調整參數。

This lecture introduces supervised learning basics, covering linear regression, gradient descent, and mathematical foundations for building predictive models.

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• 介紹監督式學習的基本概念與線性回歸模型。
• 詳細說明梯度下降與正規方程的求解方法。
• 探討學習率設定與模型泛化能力的關係。

章節

依話題轉折切分，標題由 AI 產生

1. 00:05課程開場與教師背景介紹
2. 05:02利用房產資料集進行實例演練
3. 17:16引入多變數回歸與參數化函式
4. 19:19定義數學符號與特徵向量表示
5. 23:43介紹最小二乘法與誤差函式
6. 27:56探討誤差函式常數與連續參數空間
7. 30:53說明梯度下降法與區域性極小值風險
8. 42:54批次大小過小導致模型陷入區域性極值
9. 48:59隨機取樣與無重複取樣的差異與影響
10. 1:00:42批次大小對訓練穩定性的實際考量
11. 1:05:25平滑問題中梯度下降的等損耗線圖解
12. 1:11:12矩陣微積分與設計矩陣的梯度計算
13. 1:14:42最小二乘解的閉式形式與可逆性假設
14. 1:16:59線性迴歸模型與隨機梯度下降演算法總結

提到的工具與公司

• Stanford CS229
• Matrices
• Vectors
• Calculus

適合誰看

適合正在學習機器學習基礎、需要理解演算法原理與數學模型的初學者或進階使用者。

摘要依據

依據

人工字幕

為什麼排在這裡

人氣

0.69

新鮮

0.78

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• Stanford CS229 Machine Learning | Spring 2026 | Lecture 1: Introduction影片 ・ Stanford Online ・ 37 分鐘
• Stanford CS229 Machine Learning | Spring 2026 | Lecture 12: Representation Learning影片 ・ Stanford Online ・ 1 小時 16 分（在新分頁開啟原站）
• 【生成式人工智慧與機器學習導論2025】第 5 講：一堂課搞懂機器學習與深度學習的基本原理 (案例：老師什麼時候要下課)影片 ・ Hung-yi Lee ・ 2 小時 24 分