1.学习大数据集
图1.学习大数据集
当数据集量为m=1亿时，进行梯度下降将会花费较大时间。
可以使用小量数据集进行训练，然后得出学习曲线。
左图是高方差，右图是高偏差。
总之是要通过高效的学习算法来进行大数据学习。
2.随机梯度下降
图2.批梯度下降
假设是美国人口普查的数据，m=3亿，如果需要每次读入，并且计算（for every j=0,….n），对每一个参数θ都有这么一个计算，就非常复杂了。
图3.批与随机梯度下降
批梯度下降中，θ_j的更新是代价函数J(θ)对θ_j的偏导数。
随机梯度下降中，将平方项单独作为一个cost函数，对样本1~m遍历，每个样本都更新θ_j，此处的梯度更新是对cost函数来说，不用求和。
那么重要的就是对训练样本需要进行随机化，这样可以加快收敛速度。
图4.随机梯度下降
随机梯度下降中，首先需要随机化初始数据；
由于没有求和项，回避批梯度下降快很多。
图中红线表示批梯度下降，洋红线表示随机梯度下降，中间可能方向会发生偏差，但最终会落到一个范围内。
那么最终的内层循环for多少次呢？ 平常1~10次就很合理了（取决于数据及大小）。
那么对于数据集人口普查3亿数据来说，1-3亿，只遍历一次数据集即可得到最优结果。
3.Mini-Batch梯度下降
图5.三种梯度下降对比
批梯度下降：每次迭代都使用全部m个样本；
随机梯度下降：每次迭代使用1个样本；
Mini-batch梯度下降：每次迭代使用b个样本。
即每次迭代对b各样本求和，它的运行速度是在批梯度下降和随机梯度下降之间的。
图6.Mini-Batch梯度下降
假设b=10,m=1000,那么MB梯度下降即每次使用10个数据进行一次更新；
相较于批梯度下降，它不需要一个循环遍历所有的，只需要遍历b个即可。
如果对更新式找到合适的向量化方法及参数b就可以实现并行计算，将比随机梯度下降更快。
4.随机梯度下降收敛
图7.检查收敛
对批量梯度下降检测收敛，通常是画出J（θ）曲线，横轴时迭代次数。
对随机梯度下降，在进行更新θ之前计算出cost值，可以对每1000次迭代（对1000条样本）得出一个cost均值，并且以此曲线。
图8.cost曲线出现情况分析
1.蓝色曲线表示cost随迭代次数增加缓慢下降，有波动地下降，红色曲线最终下降平衡点较蓝线小，可能原因是学习率更小。
2.蓝线表示每遍历1000个数据求cost均值得出的曲线，波动较大，红色曲线表示增大每次取点的数据量。
3.当波动较大，且cost不下降时，则需要调整算法，调整特征或者学习率。
4.当cost程上升趋势时，很可能是学习率过大，需要使用较小的α。
图9.随机梯度下降
对于学习率α的选择，通常是将其设置为一个固定的常数。
但有时，如果想让θ收敛，那么可以随着迭代次数增加减小α，这样在接近最优值时，波动会变小。
但是公式中的两个常数的选择需要花费时间，所以通常是将其设置为常数。
5.在线学习
图10.在线学习
现在有一个网站，需要根据用户的起点终点给出运费报价，并根据用户是否最终选择了本网站作为y；
那么此时x可以有多个特征，比如起点、终点、运费等，想要学习最优的参数θ。
算法的运算过程是，获取到用户的（x,y），并且使用它更新θ。
此处更新式中，并没有y(i)这样的上标，也就是不是对一个固定的训练集来说的，它是从 网站的角度采取数据，是开放的。
这样能更好的捕获用户的偏好。
图11.产品搜索例子
比如用户搜索关键词，安卓手机 1080像素 这样的关键词，假设有100部手机，将会返回10部手机作为结果；
那么可以将x设置为[与用户搜索匹配的特征数，产品描述符合词数，，，，]这样作为特征向量，那么如果用户点击了就是y=1，否则y=0，目标是要学习y=1的情况下，θ最优。
那么每次用户搜索都会产生10个样本，进行在线学习。
重点就是，不会有一个固定的训练集， 而是去获取用户样本，从用户样本中学习，然后丢弃使用下一个。
6.减少映射与数据并行
图12.减少映射进行并行计算
比如对一个数据集进行梯度下降的时候，很有可能数据量很大，在一个机器上计算的速度比较慢；
那么可以将数据放到不同的机器上，进行并行计算，提高运算速度，最终将计算结果进行合并发送给中心服务器。
也适用于同一台机器上的多核并行运算。
