這幾個月我學到的線性模型檢視

🔹 學習方法

觀看影片 我阿嬤都會

---

一、線性模型 (Linear Model)

• Simple Linear Regression
• Multiple Linear Regression (計算梯度時出錯)
• Logistic Regression (未實作)

二、優化

• One Hot Encoder
• 熱力圖找關聯性（熟練度低）
• MSE Cost Function
• Gradient Descent
  • Simple Linear Regression
  • Multiple Linear Regression
  • Logistic Regression

---

三、📌 目標

1. 期程

📅 3/21 ~ 4/21

2. 學習計畫

• ✅ 修正多元線性回歸的梯度計算錯誤
• ✅ 實際案例多練習、多實作

---

四、🔹 核心概念

1️⃣ 資料呈現線性關係（直線趨勢）

2️⃣ 回歸方程式（Model）

📌 簡單線性回歸（Simple Linear Regression）

$$ y = w_0 x + b $$

📌 多元線性回歸（Multiple Linear Regression）

$$ y = w_0 + w_1 x_1 + w_2 x_2 + \dots + w_n x_n + b $$

📌 邏輯迴歸（Logistic Regression）

$$ h_w(x) = \sigma(w^T x) = \frac{1}{1 + e^{-w^T x}} $$

3️⃣ 找到適合的模型，之後專注於找到最佳的參數 ( w ) 和 ( b )

可以用 Gradient Descent 透過斜率計算的方式找到最佳的 ( w ) 與 ( b )，Cost 又為最小。

---

五、心得與學習過程

1️⃣ 💡 遇到的問題

• 多元線性回歸：在計算梯度時出錯，需要進一步理解其數學理論，更有效地使用更新公式。
• 邏輯回歸：尚未實作，對於 Sigmoid 函數與交叉熵損失函數的理解還需要加強。

2️⃣ ✅ 解決方法

• 📌 實作：跟著影片內容一步步操作。
• 📖 深入學習數學：理解公式推導過程。
• 🔍 與現有套件結果比對，檢查誤差。

3️⃣ 心得

• 把所學的得失、優缺點羅列出來，是一個腦袋的盤點。
• 不可操之過急，很想學會機器學習卻感覺無法進步
• 網路教材有點雜不知道要看哪個才對

---

六、🚀 下一步計劃

• 🔧 專案實作
• 🤖 開始學習深度學習
• 🧠 類神經網路搭建