机器学习11-2--怎样用机器学习ML解决问题和在线学习
本章讲了，通过误差、偏差和优化算法来进行算法的调试。并讲了一些调试的方法。然后，进行了误差分析，去掉一些不必要的特征。最后举例说明。
算法的调试（Debugging Learning Algorithms）
存在的问题
1、对于贝叶斯逻辑回归问题： 
2、如果，误差太大，我们怎样做？ 
3、很显然，这样很耗时。
改进方法1：方差variance和偏差bias分析
改进方法2：优化算法和参数
参数是否恰当
算法是否收敛；是否正确优化了函数。
优化算法：通过对比两种算法
改进方法3：直觉
总结
出现的问题，及其解决方法： 
误差分析和销蚀分析（ Error analyses and ablative analysis）
误差分析
通过加入新的成分使得准确率逐步升高： 
### 销蚀分析 逐一去除某一成分，分析那一个去除时，准确率下降最快。 
###总结 - Error analysis tries to explain the difference between current performance and perfect performance. - Ablative analysis tries to explain the difference between some baseline (much poorer) performance and current performance.
实例问题分析（Getting started on a learning problem）
要解决一个问题，下面列出了两种方法。我们一般采用方法2（Approach #2）。因为，此方法可以快速实现我们的要求。此方法看似简单，但是NG说，很多人没有按照步骤做，结果导致半年甚至一年时间白白浪费掉。 
总结
在线学习(online learning)
这一节相对比较独立，我就放在这里吧。 > 1. 以前我们的学习算法：批学习算法（batch learning）；这里为：在线学习(online learning)。 2. 简而言之，每增加一个样本 都要重新计算一次\(\theta\) 。即： 
eg：我们举一个简单的例子，在逻辑回归中 
