收藏!斯坦福Andrew Ng教授“機器學習”26篇教程全譯
From Ufldl
說明：本教程將闡述無監督特徵學習和深度學習的主要觀點。通過學習，你也將實現多個功能學習/深度學習演算法，能看到它們為你工作，並學習如何應用/適應這些想法到新問題上。
本教程假定機器學習的基本知識（特別是熟悉的監督學習，邏輯迴歸，梯度下降的想法），如果你不熟悉這些想法，我們建議你去這裡
機器學習課程，並先完成第II，III，IV章（到邏輯迴歸）。
稀疏自編碼器
向量化程式設計實現
預處理：主成分分析與白化
Softmax迴歸
自我學習與無監督特徵學習
建立分類用深度網路
自編碼線性解碼器
處理大型影象
注意: 這條線以上的章節是穩定的。下面的章節仍在建設中，如有變更，恕不另行通知。請隨意瀏覽周圍並歡迎提交反饋/建議。
混雜的
混雜的主題
進階主題:
稀疏編碼
獨立成分分析樣式建模
其它
相關推薦
收藏!斯坦福Andrew Ng教授“機器學習”26篇教程全譯
From Ufldl 說明：本教程將闡述無監督特徵學習和深度學習的主要觀點。通過學習，你也將實現多個功能學習/深度學習演算法，能看到它們為你工作，並學習如何應用/適應這些想法到新問題上。 本教程假定機器學習的基本知識（特別是熟悉的監督學習，邏輯迴歸，梯度下降的想法），如果你不熟悉這些想法，我們建議你去
【Andrew Ng】 機器學習Exercise1——Linear Regression
1、單變數線性迴歸 在本部分練習中，您將使用一個變數實現線性迴歸，以預測食品卡車的利潤。假設你是一家連鎖餐廳的執行長，正在考慮在不同的城市開設一家新分店。這個連鎖店已經在不同的城市有了卡車，你可以從城市得到利潤和人口的資料。 您希望使用這些資料來幫助您選擇下一個要擴充套件到的城市。
Machine Learning —— By Andrew Ng（機器學習 聽後自己做的筆記 記錄重點內容）
MachineLearning ——byAndrew Ng , Stanford 第一講：機器學習的動機與應用 一、監督學習： 1、 迴歸問題: 房價預測 2、 分類問題：腫瘤為良性還是惡性
斯坦福大學Andrew Ng教授主講的《機器學習》公開課觀後感
看過之後，都沒有總結，這個總結的比較真實，記錄下來。 之後的連結資源，比較好 Andrew Ng教授的Deep Learning維基，有中文翻譯 http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial
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
斯坦福Andrew Ng---機器學習筆記（二）：Logistic Regression(邏輯迴歸)
內容提要 這篇部落格的主要內容有： - 介紹欠擬合和過擬合的概念 - 從概率的角度解釋上一篇部落格中評價函式J(θ)” role=”presentation” style=”position: relative;”>J(θ)J(θ)為什麼用最
斯坦福大學公開課機器學習課程（Andrew Ng）五生成學習演算法
課程概要： 1.生成學習演算法（Generative learning algorithm） 2.高斯判別分析（GDA，Gaussian Discriminant Analysis） 3.GDA與logistic模型的聯絡 4.樸素貝葉斯（Naive Bayes） 5.
斯坦福大學公開課機器學習課程（Andrew Ng）四牛頓方法與廣義線性模型
本次課所講主要內容： 1、 牛頓方法：對Logistic模型進行擬合 2、 指數分佈族 3、 廣義線性模型（GLM）：聯絡Logistic迴歸和最小二乘模型 一、牛頓方法 牛頓方法與梯度下降法的功能一樣，都是對解空間進行搜尋的方法。 假設有函
斯坦福大學公開課機器學習：Neural Networks，representation: non-linear hypotheses（為什麽需要做非線性分類器）
繼續 例子 產生 成本 log repr 概率 .cn 成了 如上圖所示，如果用邏輯回歸來解決這個問題，首先需要構造一個包含很多非線性項的邏輯回歸函數g(x)。這裏g仍是s型函數（即 ）。我們能讓函數包含很多像這的多項式，當多項式足夠多時，那麽你也許能夠得到可以
斯坦福大學公開課機器學習：Neural network-model representation（神經網絡模型及神經單元的理解）
如何 work 單元 pre 結果 mda s函數 額外 權重 神經網絡是在模仿大腦中的神經元或者神經網絡時發明的。因此，要解釋如何表示模型假設，我們先來看單個神經元在大腦中是什麽樣的。如下圖，我們的大腦中充滿了神經元，神經元是大腦中的細胞，其中有兩點值得我們註意，一是神經
斯坦福大學公開課機器學習： advice for applying machine learning - evaluatin a phpothesis（怎麽評估學習算法得到的假設以及如何防止過擬合或欠擬合）
class 中一 技術分享 cnblogs 訓練數據 是否 多個 期望 部分 怎樣評價我們的學習算法得到的假設以及如何防止過擬合和欠擬合的問題。 當我們確定學習算法的參數時，我們考慮的是選擇參數來使訓練誤差最小化。有人認為，得到一個很小的訓練誤差一定是一件好事。但其實，僅
斯坦福大學公開課機器學習： advice for applying machine learning | regularization and bais/variance（機器學習中方差和偏差如何相互影響、以及和算法的正則化之間的相互關系）
交叉 來講 相對 同時 test 如果 開始 遞增 相互 算法正則化可以有效地防止過擬合, 但正則化跟算法的偏差和方差又有什麽關系呢？下面主要討論一下方差和偏差兩者之間是如何相互影響的、以及和算法的正則化之間的相互關系 假如我們要對高階的多項式進行擬合，為了防止過擬合現象
斯坦福大學公開課機器學習：advice for applying machine learning | learning curves （改進學習算法：高偏差和高方差與學習曲線的關系）
繪制 學習曲線 pos 情況 但我 容量 繼續 並且 inf 繪制學習曲線非常有用，比如你想檢查你的學習算法，運行是否正常。或者你希望改進算法的表現或效果。那麽學習曲線就是一種很好的工具。學習曲線可以判斷某一個學習算法，是偏差、方差問題，或是二者皆有。 為了繪制一條學習曲
斯坦福大學公開課機器學習： advice for applying machine learning | deciding what to try next(revisited)（針對高偏差、高方差問題的解決方法以及隱藏層數的選擇）
ice 簡單 pos .com img 想要 技術 分割 就是 針對高偏差、高方差問題的解決方法： 1、解決高方差問題的方案：增大訓練樣本量、縮小特征量、增大lambda值 2、解決高偏差問題的方案：增大特征量、增加多項式特征（比如x1*x2,x1的平方等等）、減少la
斯坦福大學公開課機器學習：machine learning system design | trading off precision and recall（F score公式的提出：學習算法中如何平衡（取舍）查準率和召回率的數值）
ron 需要 color 不可 關系 machine 同時 機器學習 pos 一般來說，召回率和查準率的關系如下：1、如果需要很高的置信度的話，查準率會很高，相應的召回率很低；2、如果需要避免假陰性的話，召回率會很高，查準率會很低。下圖右邊顯示的是召回率和查準率在一個學習算
斯坦福大學公開課機器學習：machine learning system design | data for machine learning（數據量很大時，學習算法表現比較好的原理）
ali 很多 好的 info 可能 斯坦福大學公開課 數據 div http 下圖為四種不同算法應用在不同大小數據量時的表現，可以看出，隨著數據量的增大，算法的表現趨於接近。即不管多麽糟糕的算法，數據量非常大的時候，算法表現也可以很好。 數據量很大時，學習算法表現比
Week One - 3. Andrew Ng - 非監督學習
在前面的監督學習中，已獲取的資料集中包含正確答案，因此計算機可以通過學習來發現資料和正確答案之間的關係，進而進行預測。接下來，我們要計算機學習那些為賦予正確答案的資料。 在上圖中，我們對於資料的類別一無所知，現在只有x1和x2兩個特徵，對於無監督演算法，我們能做的就是
Coursera 斯坦福吳恩達機器學習課程筆記 (1)
看了課程一週後發現忘光了，決定做一個筆記用作複習。如果涉及到侵權問題請聯絡我，我會立馬刪除並道歉。同時，禁止任何形式的轉載，包括全文轉載和部分轉載。如需使用請聯絡本人 [email protected]。如若發現侵權行為，我學過智慧財產權法的，嘿嘿第一週：基礎概念和
初識機器學習-理論篇（慕課筆記）
最好 框架 要求 它的 推薦系統 利用 評估 das 離散 什麽是機器學習 定義： 利用計算機從歷史數據中找出規律，並把這些規律用到對未來不確定場景的決策。 從數據中尋找規律 尋找規律：概率學 統計學統計學方法：抽樣 -> 統計 -> 假設檢驗隨著計算
深度學習-機器學習 第一篇
樸素 記錄 前置聲明 3.6 box 信息 郵件內容 data 最大 簡介 前置聲明:本專欄的所有文章皆為本人學習時所做筆記而整理成篇,轉載需授權且需註明文章來源,禁止商業用途,僅供學習交流.(歡迎大家提供寶貴的意見,共同進步) 正文: 機器學習,顧名思義,就是研究計算機如