【原】Coursera—Andrew Ng機器學習—Week 8 習題—聚類 和 降維
【1】無監督演算法
【2】聚類
【3】代價函式
【4】
【5】K的選擇
【6】降維
Answer：本來是 n 維，降維之後變成 k 維（k ≤ n）
【7】
【8】
Answer： 斜率-1
【9】
Answer： x 是一個向量
【10】PCA 降維
【11】
【12】PCA 的作用
測驗1
Answer：ABGH
Answer：A
Answer： AC
Answer： C
Answer： AD
測驗2
Answer：AB 要找到投影距離最小的向量,是1和2,方向正還是負都是可以的
Answer：D
Answer：C
Answer：CDFH
A 錯誤。不是隻能降低一個維度
B 錯誤。
E 錯誤。
F
G 錯誤。可以重建x
Answer：BD
相關推薦
【原】Coursera—Andrew Ng機器學習—Week 8 習題—聚類 和 降維
【1】無監督演算法 【2】聚類 【3】代價函式 【4】 【5】K的選擇 【6】降維 Answer：本來是 n 維，降維之後變成 k 維（k ≤ n） 【7】 【8】 Answer： 斜率-1 【9】 Answer： x 是一個向
【原】Coursera—Andrew Ng機器學習—Week 10 習題—大規模機器學習
【1】大規模資料 【2】隨機梯度下降 【3】小批量梯度下降 【4】隨機梯度下降的收斂 Answer：BD A 錯誤。學習率太小，演算法容易很慢 B 正確。學習率小，效果更好 C 錯誤。應該是確定閾值吧 D 正確。曲線不下降，說明學習率選的太大 【5】線上學習
【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 14—Dimensionality Reduction 降維
Lecture 14 Dimensionality Reduction 降維 14.1 降維的動機一:資料壓縮 Data Compression 現在討論第二種無監督學習問題：降維。 降維的一方面作用是資料壓縮，允許我們使用較少的記憶體或磁碟空間，也加快演算法速度。 例子： 假設我們用兩個特徵描述一個物
【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 10—Advice for applying machine learning
Lecture 10—Advice for applying machine learning 10.1 如何除錯一個機器學習演算法？ 有多種方案： 1、獲得更多訓練資料；2、嘗試更少特徵；3、嘗試更多特徵；4、嘗試新增多項式特徵；5、減小 λ；6、增大 λ 為了避免一個方案一個方
【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 11—Machine Learning System Design
Lecture 11—Machine Learning System Design 11.1 垃圾郵件分類 本章中用一個實際例子： 垃圾郵件Spam的分類 來描述機器學習系統設計方法。首先來看兩封郵件，左邊是一封垃圾郵件Spam，右邊是一封非垃圾郵件Non-Spam：垃圾郵件有很多features。如果我
【原】Coursera—Andrew Ng機器學習—彙總（課程筆記、測驗習題答案、程式設計作業原始碼）
一、Coursera 斯坦福機器學習課程，Andrew Ng Coursera連線不上，修改hosts檔案 機器學習工具Octave安裝（Win10環境） 課程地址和軟體下載
【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 12—Support Vector Machines 支援向量機
Lecture 12 支援向量機 Support Vector Machines 12.1 優化目標 Optimization Objective 支援向量機(Support Vector Machine) 是一個更加強大的演算法，廣泛應用於工業界和學術界。與邏輯迴歸和神經網路相比, SVM在學習複雜的非
【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 15—Anomaly Detection異常檢測
Lecture 15 Anomaly Detection 異常檢測 15.1 異常檢測問題的動機 Problem Motivation 異常檢測(Anomaly detection)問題是機器學習演算法的一個常見應用。這種演算法雖然主要用於無監督學習問題，但從某些角度看，它又類似於一些監督學習問題。舉例：
【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 16—Recommender Systems 推薦系統
Lecture 16 Recommender Systems 推薦系統 16.1 問題形式化 Problem Formulation 在機器學習領域，對於一些問題存在一些演算法， 能試圖自動地替你學習到一組優良的特徵。通過推薦系統(recommender systems)，將領略一小部分特徵學習的思想。
【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 17—Large Scale Machine Learning 大規模機器學習
Lecture17 Large Scale Machine Learning大規模機器學習 17.1 大型資料集的學習 Learning With Large Datasets 如果有一個低方差的模型， 通常通過增加資料集的規模，可以獲得更好的結果。 但是如果資料集特別大，則首先應該檢查這麼大規模是否真
【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 18—Photo OCR 應用例項:圖片文字識別
Lecture 18—Photo OCR 應用例項:圖片文字識別 18.1 問題描述和流程圖 Problem Description and Pipeline 影象文字識別需要如下步驟: 1.文字偵測(Text detection)——將圖片上的文字與其他環境物件分離開來2.字元切分(Character
Andrew Ng 機器學習筆記 12 ：聚類
K均值 (K-means)演算法 K-Means的規範化描述 異常情況 K均值的代價函式 隨機初始化 肘部法則 (Elbow Method)
Stanford coursera Andrew Ng 機器學習課程程式設計作業（Exercise 1）Python3.x
Exercise 1：Linear Regression---實現一個線性迴歸 在本次練習中，需要實現一個單變數的線性迴歸。假設有一組歷史資料<城市人口，開店利潤>，現需要預測在哪個城市中開店利潤比較好？ 歷史資料如下：第一列表示城市人口數，單位為萬人；第二
Andrew NG 機器學習 練習8-Anomaly Detection and Recommender Systems
1 Anomaly detection 實現一個異常檢測演算法檢測伺服器的異常行為 特徵是 每個伺服器的 吞吐量（throughput）(mb/s) 和 相應延遲（ms） 採集 m=307 臺執行中的伺服器的特徵，{x(1),...,x(m)} 其中大部
【Andrew NG 機器學習公開課】CS229：Introduction、Linear Regression
這份筆記來源於Andrew NG在Coursera上的公開課和講義。 Introduction 機器學習問題 （一）有監督學習（Supervised Learning） 基本思想是：given the right answer for each example i
coursera 斯坦福 Andrew Ng 機器學習_程式設計作業
一. 第二週程式設計作業: Linear Regression 1.computeCost.m 公式： 程式碼： %計算成本J tmp = (X * theta - y) .^ 2; J = 1 / (2 * m) * sum(tmp); 2.gradientD
廣義線性模型 - Andrew Ng機器學習公開課筆記1.6
sans luci art 能夠 tro ron 便是 import grand 在分類問題中我們如果： 他們都是廣義線性模型中的一個樣例，在理解廣義線性模型之前須要先理解指數分布族。 指數分
Andrew Ng機器學習筆記+Weka相關算法實現（四）SVM和原始對偶問題
優化問題 坐標 出了 變量 addclass fun ber 找到 線性 這篇博客主要解說了Ng的課第六、七個視頻，涉及到的內容包含，函數間隔和幾何間隔、最優間隔分類器 （ Optimal Margin Classifier）、原始/對偶問題 （ Pr
Andrew Ng機器學習課程筆記（四）之神經網絡
sca 優化 介紹 www 之間 output 現在 利用 href Andrew Ng機器學習課程筆記（四）之神經網絡 版權聲明：本文為博主原創文章，轉載請指明轉載地址 http://www.cnblogs.com/fydeblog/p/7365730.html 前言
Andrew Ng機器學習第一章——初識機器學習
表現 多次 無監督學習 答案 性能 分類 理想 通過 連續 機器學習的定義 計算機程序從經驗E中學習，解決某一任務T、進行某一性能度量P，通過P測定在T上的表現因E而提高。 簡而言之：程序通過多次執行之後獲得學習經驗，利用這些經驗可以使得程序的輸出結果更為理想，就是