编号按照对应的内容，1-1代表第一大部分遇到的第一题，R代表Review，C代表运行的代码（Code）。
2-1
解：上标代表数据行号，下标代表属性编号。
2-2
解：代价函数J的定义已经给出，对于线性回归，下列是正确的J的定义。每个选项的不同点主要在于h函数的选取。
h函数可以用θ向量的转置与x向量相乘，正确。
每一个θ均与对应的x相乘，且必须从0开始，因为x0为常数项，正确。
不正确。
每个数据只有一个预测值，右侧y的值不能累加，不正确。
2-3
解：使用特征缩放和均值归一化，您将使用以下哪项作为特征？其中age属性从30到50，平均值为38，根据公式x1=(x1-μ)/s，其中μ是均值，s是最大值减去最小值(标准差也可以)。
2-4
解：在图 C 中，成本函数在增加，因此学习率设置得太高。 图 A 和图 B 都收敛到成本函数的最优值，但图 B 收敛速度非常慢，因此其学习率设置得太低。 图A介于两者之间。
注意不要误选A。因为B才是很明显的收敛速度过慢。
2-5
解：特征缩放，所以x1=x1/1000，带入x1=size，x2=根号(size)即可。
2-6
解：x是m个x向量转置而组成的矩阵，y是m个结果。
R1
R1-1
解：问第三条数据正则化后的结果，x=(x-μ)/(max-min)，带入即可。
R1-2
解：梯度下降缓慢且15轮迭代后继续下降，说明目前的学习率设置过小。
R1-3
解：y向量为n * 1，x矩阵为m * (n+1)，θ向量为(n+1) * 1。
R1-4
解：200000个特征，50个样本，选择梯度下降。特征值过多，正规方程的时间复杂度就越高，因此我们选择梯度下降，是因为计算正规方程比较慢。
R1-5
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5DEuPdn0-1625993297392)(D:\SystemFiles\Desktop\准备材料\学校\国防科技大学\丁博老师\学习情况\汇报\第五周内容\MachineLearning-Week2\R1-5.png)]
解：特征缩放将各种数值全归一为一个数量级大小的值。它对梯度下降法的帮助是：减少迭代次数，从而加速程序，并不是通过降低每一次迭代的计算成本。正如视频中所说，正规方程不需要特征缩放，因此有关正规方程的两个选项都不选。
R2
R2-1
解：
A矩阵是3 * 2，B矩阵为2 * 3。
A * B得到3 * 3矩阵，正确。
B’ + A，为3 * 2矩阵，正确。
A’与B不能相乘，错误。
A与B不能直接相加，错误。
R2-2
解：B是A的前两列，所以选择能取到前两列的选项。
R2-3
解：循环是用来得到每一维的结果，共10维。v是一个10 * 1的向量，v = A * x；
R2-4
解：v向量是7 * 1 w向量是7 * 1, 上述代码的最终的结果是一个数值。
v .* w得到7*1的向量，再将所有值加到一起即可，正确。
w’ * v是也可以得到对应元素相乘加和，最后得到一个值，正确。
v * w’得到一个7 * 7的矩阵，不正确。
w * v’得到一个7 * 7的矩阵，不正确。
R2-5
解：这里的每个操作都是针对单个元素的。
C = X + 1，正确。
D = X / 4，正确。
B = X .^ 2，正确。
不正确。