c_1_2

2.2

1. logistic
2. loss
   1. $x^i$ i-th sample
   2. 不用squared error，会有优化问题，变成non-convex,会有很多local-minima
   3. loss→single training example cost function→cost of parameters

2.4 Gradient

2.7 computational graph

2.9 logistic for gradient

1. dz只是coding中变量名

2.10 m samples

1. naive: 缺点：
   1. 2 for-loop : 1)samples 2) features

2.11 Vectorization

z=np.dot(z,x)+b

广播机制：

for logistic:

2.15 Broadcasting

对行列同样有效 trick:

1. 初始化nx1向量而不是秩为1的矩阵
   1. 上面那样a外积本来应该是矩阵确是数字
   numpy c 最大似然估计：iid