（all is based on the stanford open course cs229.Lecture 11.）
regularization（正规化）防止过拟合:保留所有的参数
贝叶斯学习方法：增加先验概率，常用为高斯分布N(0,λ)，使算法更倾向于选择更小的参数
体现在最大似然估计上就是增加惩罚项目，||Θ||^2
////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
在线学习：online learning ,与batch learning相差较大，具体可见coursera里面第八节的内容，讲得比较清楚
////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
接下来讲的是如果算法不起作用，如何分析改进一个算法
首先是bias和variance的分析，这在笔记六里讲得很清楚了
cs229和coursera上不同的是是增加了叫做“fix optimization algorithm “和”fix optimization objective”的分析
采用的方法有：
1)多做几次迭代，看效果是否有改进fix optimization algorithm
2)尝试其他算法进行convergefix optimization algorithm
3)改变一些常量参数fix optimization objective
4)尝试使用其他机器学习算法fix optimization algorithm
而对于特定问题，我们必须自己去构造分析方法，andrew ng就举了一个关于自动驾驶直升飞机的例子
能正确对算法进行分析，才能避免无谓地浪费时间
////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
接下来是针对一个系统的分析，Error Analysis
一个系统常常由多个机器学习算法组成的，所以如果系统工作不顺利，必须要分析出是哪个部分出问题了
Error Analysis就是对每一个部件，依次用基准值(ground-truth)替换每个部件的输出
看看整体系统的效果改变是否较大，如果较大就说明系统精度的瓶颈就在刚刚替换了的这个部件这里
这在coursera上的课程上也有说明，但我好像没有作笔记
////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
再次就是ablative analysis（销蚀分析）
和上面不同的的是销蚀分析是在最后结果很高的情况下，remove一个组件的输出，来看每个部件对最后结果的影响
视频截图，就看个轮廓吧，99.9%是整个系统的精度，依次remove左边的一个组件的基准值
看看哪个组建值得优化，值得注意的是“依次”
////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
最后一点就是the danger of over-theorizing
（视频截图），也就是说，不要太过理论化，否则你的系统会变得越来越复杂，以至于无法实现
这就和有一个寓言一样：为了钉一幅画，没有锤子，去找锤子。做锤子要木头，就去伐木
伐木要伐木机，就去找伐木机，伐木机没油…………
//////////////////////////////////////////////////////////////////////////////////////////////////////////////