之前的文章中我们讨论过关于线性回归的问题，现在我们来学习一下，当预测的变量y为离散值时候的分类问题。 分类 下面给出几个分类的例子： 邮件： 垃圾邮件、非垃圾邮件； 在线交易： 欺诈、非欺诈； 肿瘤： 良性（不是恶性）、恶性 很显然这几个例子的结果只有两个，是或者不是。那么我们可以假设结果yin{0,1}。这里的0...

在前面的学习中，我们一直使用的线性回归算法是梯度下降法，即为了最小化代价函数$J(\theta)$，我们需要通过迭代很多步来收敛到全局最小值。那么现在我们来学习一种新的解法来求解。即正规方程。正规方程提供了一种求$\theta$的解析解法，相比较迭代算法，我们可以直接一次性的求解出$\theta$的最优值。

Java虚拟机在执行Java程序的过程中会把它所管理的内存划分为若干个不同的数据区域，本篇文章将会对这些数据区域进行简略的介绍。JVM所管理的内存包括的数据区域如下图所示：

由于自己当前做的项目过程中间接的利用到了Redis，对其产生了一点兴趣，就买了本Redis入门指南（李子骅编著）看了下，虽然实际上这本书已经买了半年了，==，但最近还是突然痛定思痛决定把这本书好好看看然后写个总结，这里就先写一点基础的知识好了。

$$ h_\theta(x) = \theta_0+\theta_1x_1+\theta_2x_2+\theta_3x_3+...+\theta_nx_n $$

通过前面的文章我们现在已经有了假设函数$h_\theta(x)$并知道如何度量这个函数与数据的符合程度，即代价函数$J(\theta_0,\theta_1)$取得最小值。那么现在要做的，就是如何去预估这个假设函数的参数来使得我们的函数更加符合实际数据。如下图是代价函数$J(\theta_0,\theta_1)$的图像，x轴为$\theta_0$,y轴为$\theta_1$,z...

首先，我们知道,在监督学习中，我们一般都会有已有的数据集且其拥有明确的输入输出结果.监督学习主要分为回归和分类两种类型，而这里我们只讨论回归问题。

Java内存模型即Java Memory Model，简称JMM，其规范了Java虚拟机与计算机内存时如何协同工作的，规定了一个线程如何和何时看到其他线程修改过的值，以及在必须时，如何同步访问共享变量。