Machine Learning|吳恩達（9-2）- 推薦系統（Recommender Systems）

阿新 • • 發佈：2019-02-19

Collaborative filtering

協同過濾。不過這個直譯名感覺表達不準確啊。可能叫“協同訓練”更形象些。系統中涉及 $θ, x$ 兩項需要通過訓練進行學習。人已越來越懶，這章節我覺得是全課程比較重要的章節之一。因為提出了“共同訓練、迴圈預測”的概率。然後，居然不想再整理完整筆記了。好吧，以後有時間再整吧。
暫時參看：https://blog.csdn.net/dingchenxixi/article/details/51668610這位仁兄的筆記吧
這裡寫圖片描述

這裡寫圖片描述

這裡寫圖片描述

Machine Learning|吳恩達（9-2）- 推薦系統（Recommender Systems）

Collaborative filtering 協同過濾。不過這個直譯名感覺表達不準確啊。可能叫“協同訓練”更形象些。系統中涉及θ,xθ,x兩項需要通過訓練進行學習。人已越來越懶，這章節我覺

第十週（大規模機器學習）-【機器學習-Coursera Machine Learning-吳恩達】

目錄處理大資料集：隨機的梯度下降對映化簡 1 隨機的梯度下降 - 隨機梯度下降演算法對於每一次迭代，只需要對一個樣本擬合好就可以了。它只需要一次關注一個樣本

第九周（異常發現+推薦系統）-【機器學習-Coursera Machine Learning-吳恩達】

目錄異常檢測多元高斯分佈的異常檢測推薦系統 1 異常檢測 1）正態分佈或高斯分佈： 2）異常檢測演算法： 3）異常檢

第八週（無監督學習）-【機器學習-Coursera Machine Learning-吳恩達】

目錄 K-means演算法 PCA（主成分分析） 1 K-means 1）演算法原理： a 選擇聚類中心

第七週（SVM）-【機器學習-Coursera Machine Learning-吳恩達】

前言：說實話SVM，看了視訊我確實還是不太理解，所以這裡就之記一些重要的概念吧。看到一個好的文章：[機器學習] Coursera筆記 - Support Vector Machines 支援向量機又叫做大間距分類器。複雜SVM，處理非線性分類。代價函式：核函式——&g

第六週（機器學習應用建議）-【機器學習-Coursera Machine Learning-吳恩達】

目錄評估學習演算法：方差和偏差學習曲線機器學習系統設計 1 評估假設，選擇多項

第五週（反向神經網路）-【機器學習-Coursera Machine Learning-吳恩達】

目錄代價函式反向傳播神經網路總結 1 代價函式 2 反向傳播演算法——讓代價函式最小化的演算法讓代價函式最小化，利用ma

第二週（多變數線性迴歸 +Matlab使用）-【機器學習-Coursera Machine Learning-吳恩達】

目錄：多變數線性迴歸（模型、梯度下降技巧）特徵選擇和多項式迴歸正規方程 Matlab學習1 多變數線性迴歸1）模型- 假設函式：- 引數：全部的 theta- 代價函式：和單變量回歸一樣- 梯度下降：2）梯度下降演算法的實用技巧 - 特徵縮

Coursera----machine learning(吳恩達)第七週程式設計作業

gaussianKernel.m（核函式） function sim = gaussianKernel(x1, x2, sigma) %RBFKERNEL returns a radial basis function kernel between x1 and x2 %

[吳恩達機器學習筆記]16推薦系統1-2基於內容的推薦系統

16.推薦系統 Recommender System 覺得有用的話,歡迎一起討論相互學習~Follow Me 16.1 問題形式化Problem Formulation 推薦系統的改善

吳恩達機器學習筆記 —— 17 推薦系統

htm 特征問題這就是 ref 圖片系統得出工業本章講述了推薦系統相關的知識，比如基於內容的推薦算法、基於協同過濾的推薦算法以及實踐中遇到的問題。更多內容參考機器學習&深度學習推薦系統是機器學習在工業界應用最廣泛的方向，很多電子商務類、咨詢類的

[吳恩達機器學習筆記]16推薦系統5-6協同過濾演算法/低秩矩陣分解/均值歸一化

16.推薦系統 Recommender System 覺得有用的話,歡迎一起討論相互學習~Follow Me 16.5 向量化：低秩矩陣分解Vectorization_ Low Rank M

吳恩達作業9：卷積神經網路實現手勢數字的識別（基於tensorflow）

提供資料集程式碼放在cnn_utils.py裡。 import math import numpy as np import h5py import matplotlib.pyplot as plt import tensorflow as tf from tensorfl

吳恩達《機器學習》課程總結（7）正則化

額外分享哪些 TP 回歸分享圖片表現例子兩個 7.1過擬合的問題訓練集表現良好，測試集表現差。魯棒性差。以下是兩個例子（一個是回歸問題，一個是分類問題）解決辦法：（1）丟棄一些不能幫助我們正確預測的特征。可以使用工選擇保留哪些特征，或者使用一些模型選擇

吳恩達《機器學習》課程總結（15）異常檢測

是否 5.6 問題 com 結果平移分享出現問題計算過程 15.1問題的動機將正常的樣本繪制成圖表（假設可以），如下圖所示：當新的測試樣本同樣繪制到圖標上，如果偏離中心越遠說明越可能不正常，使用某個可能性閾值，當低於正常可能性閾值時判斷其為異常，然後做進一步的

吳恩達深度學習2-Week2課後作業3-優化演算法

一、deeplearning-assignment 到目前為止，在之前的練習中我們一直使用梯度下降來更新引數並最小化成本函式。在本次作業中，將學習更先進的優化方法，它在加快學習速度的同時，甚至可以獲得更好的最終值。一個好的優化演算法可以讓你幾個小時內就獲得一個結果，而不是等待幾天。 1.

吳恩達深度學習2-Week1課後作業3-梯度檢測

一、deeplearning-assignment 神經網路的反向傳播很複雜，在某些時候需要對反向傳播演算法進行驗證，以證明確實有效，這時我們引入了“梯度檢測”。反向傳播需要計算梯度 , 其中θ表示模型的引數。J是使用前向傳播和損失函式計算的。因為前向傳播實現相對簡單, 所以

吳恩達老師機器學習筆記異常檢測（一）

明天就要開組會了，天天在辦公室划水都不知道講啥。。。今天開始異常檢測的學習，同樣程式碼比較簡單一點異常檢測的原理就是假設樣本的個特徵值都呈高斯分佈，選擇分佈較離散的樣本的作為異常值。這裡主要注意的是通過交叉驗證對閾值的選擇和F1score的應用。原始資料：程式碼如下：

吳恩達深度學習2-Week3課後作業-Tensorflow

一、deeplearning-assignment 到目前為止，我們一直使用numpy來建立神經網路。這次作業將深入學習框架，可以更容易地建立神經網路。 TensorFlow，PaddlePaddle，Torch，Caffe，Keras等機器學習框架可以顯著地加速機器學習開發。這些框架有

吳恩達機器學習邏輯迴歸python實現（未正則化）[對應ex2-ex2data2.txt資料集]

寫在前面： 1.筆記重點是python程式碼實現，不敘述如何推導。參考本篇筆記前，要有邏輯迴歸的基礎（熟悉代價函式、梯度下降、矩陣運算和python等知識），沒有基礎的同學可通過網易雲課堂上吳恩達老師的機器學習課程學習。網上也有一些對吳恩達老師課後作業的python實現，大多數都是用