斯坦福大學機器學習課程第二周筆記
簡記
- 軟件安裝
- Octave
- matlab
- 多元線性回歸multiple linear regression
- 多元梯度下降
- 特征縮放feature scaling
- 學習速率learning rate
- 正規方程normal equation --- 第二個算法
- 正規方程的不可逆性noninvertibility
- Octave基礎語法
- 向量化vectorization
斯坦福大學機器學習課程第二周筆記
相關推薦
斯坦福大學機器學習課程第二周筆記
線性 line bili tla oct linear 基礎語 大學 學習 簡記 軟件安裝 Octave matlab 多元線性回歸multiple linear regression 多元梯度下降 特征縮放feature scaling 學習速率learning
吳恩達斯坦福大學機器學習 CS229 課程學習筆記(一)
說到機器學習總繞不過幾個鼎鼎大名的人物,他們都創造了不少的機器學習資料,斯坦福吳恩達Andrew Ng的公開課CS229;Google李飛飛的CS231、周志華的、李航的《統計學習方法》、林軒田的《機器學習基石》、Peter Harringtond 的《機器學習實戰》、周志華
Machine Learning(Stanford)| 斯坦福大學機器學習筆記--第二週(1.多元線性迴歸及多元線性迴歸的梯度下降)
一.Multivariate Linear regression(多元線性迴歸) 現在起將開始介紹一種新的更為有效的線性迴歸形式。這種形式適用於多個變數或者多特徵量的情況。 在之前學習過的線性迴歸中
斯坦福CS229機器學習課程筆記一:線性迴歸與梯度下降演算法
機器學習三要素 機器學習的三要素為:模型、策略、演算法。 模型:就是所要學習的條件概率分佈或決策函式。線性迴歸模型 策略:按照什麼樣的準則學習或選擇最優的模型。最小化均方誤差,即所謂的 least-squares(在spss裡線性迴歸對應的模組就叫OLS即Ordinary Least Squares):
斯坦福NG機器學習課程:Anomaly Detection筆記
Anomaly DetectionVS Supervised Learning 說到這裡我們肯定都有困惑,當我們有資料類標籤,為什麼我們不直接使用監督性學習而使用Anomaly detection,接下來就對兩者進行對比。 首先Anomaly detection 在資料集上特點是:很少量的posit
斯坦福大學機器學習筆記——異常檢測演算法(高斯分佈、多元高斯分佈、異常檢測演算法)
異常檢測問題介紹: 異常檢測演算法主要用於無監督學習問題,但從某種角度看它又類似於一種有監督學習的問題,下面我們從一個例子中簡單介紹一下什麼是異常檢測問題。 比如我們有一個飛機引擎製造商,對於一個新造出的飛機引擎我們想判斷這個引擎是不是異常的。 假如我們有
斯坦福大學機器學習筆記——聚類(k-均值聚類演算法、損失函式、初始化、聚類數目的選擇)
上面的部落格的演算法都是有監督學習的演算法,即對於每個資料我們都有該資料對應的標籤,資料集的形式如下: 而今天我們學習的演算法是一種無監督學習的演算法——聚類,該演算法中的每個資料沒有標籤,資料集的形式如下: K-均值聚類 k-均值聚類是一種最常見
斯坦福大學機器學習筆記——推薦系統(協同過濾、低秩分解、推薦系統)
這個部落格讓我們來討論一下推薦系統,首先我們來討論一下為什麼學習推薦系統: 1. 推薦系統是機器學習中的一個重要應用,它已經用於很多企業中,比如淘寶、今日頭條、亞馬遜等。它們會根據你的瀏覽記錄,當你再
Machine Learning(Stanford)| 斯坦福大學機器學習筆記--第一週(1.監督學習與無監督學習的介紹)
以上例子中,總共有兩個特徵,即病人年齡和腫瘤大小。在別的ML問題中,經常會用到更多特徵,別人在研究這個問題時, 通常使用如下這些特徵:比如腫瘤的厚度,腫瘤細胞大小和形狀的一致性等等。 真正對於一些學習問題,用到的不只是三五個特徵,經常要用到無數多個特徵,非常多的屬性。所以,你的學習演算法要利用很多的屬性或特徵
斯坦福大學機器學習筆記——正則化的邏輯迴歸模型
在上面部落格中我們討論了正則化的線性迴歸模型,下面我們來討論一下正則化的邏輯迴歸模型。 前面我們講述了兩種常用於邏輯迴歸的方法: 基於梯度下降法的邏輯迴歸模型 基於高階優化的邏輯迴歸模型 基於
斯坦福大學機器學習筆記——多變數的線性迴歸以及梯度下降法注意事項(內有程式碼)
在前面部落格中介紹了單變數線性迴歸的實現過程,本文將介紹多變數線性迴歸演算法。 兩者的對比如下: 1.資料方面的差異: 單變數線性迴歸資料: 多變數線性迴歸資料: 對於單變數線性迴歸來說,只有一個特徵(房子的大小),而對於多變數線性特徵迴歸特徵
斯坦福大學機器學習筆記——單變數的線性迴歸以及損失函式和梯度下降法(包含程式碼)
迴歸問題: 所謂的迴歸問題就是給定的資料集,且每個資料集中的每個樣例都有其正確的答案,通過給定的資料集進行擬合,找到一條能夠最好代表該資料集的曲線,然後對於給定的一個樣本,能夠預測出該樣本的答案(對於迴歸問題來說,最終的輸出結果是一個連續的數值)。比如
斯坦福大學機器學習筆記——特徵和多項式迴歸以及正規方程
我們可以舉一個例子來引入多項式迴歸: 比如我們之前遇到的房價問題,對於房價的影響我們假設有兩個特徵,一個是房子的寬度x1,另外一個是房子的長度x2,這針對房價的估測我們可以建立下面形式的假設: hθ
斯坦福大學機器學習筆記——邏輯迴歸、高階優化以及多分類問題
shi先簡單說一下邏輯迴歸,其實會有很多人誤解,會將邏輯迴歸當成迴歸演算法,其實邏輯迴歸就是我們所說的分類問題,所謂的邏輯,一般我們說的邏輯就是邏輯0或者邏輯1,所以可以藉此理解。但是邏輯迴歸不僅僅只包括兩分類問題,它還包括多分類問題。 那麼能否使用線性迴歸的
斯坦福大學機器學習筆記——機器學習系統設計(誤差分析、查全率和查準率、F1值)
這次部落格我們主要討論機器學習系統設計的主要問題,以及怎樣巧妙的構建一個複雜的機器學習系統。 我們先用一個例子引入機器學習系統的設計: 以一個垃圾郵件分類器演算法為例: 對於該問題,我們首先要做的是怎樣選擇並且表達特徵向量x。我們可以選擇100個詞所構
Ng深度學習課程-第二章筆記摘要
計算機中為了儲存一張圖片,需要儲存三個矩陣,它們分別對應圖片中的紅、綠、藍三種顏色通道。如果你的圖片大小為 64x64 畫素,那麼就有三個規模為 64x64 的矩陣,分別對應圖片中紅、綠、藍三種畫素的強度值。為了把這些畫素值放到一個特徵向量
吳恩達-斯坦福CS229機器學習課程資料與演算法的Python實現
學習stanford cs229 manchine learning課程已經有三個月左右,雖然說網友們說這門課相比於Coursera(吳恩達老師的網課機構)中的機器學習有更多的數學要求和公式的推導,本著想總體瞭解機器學習的念頭,開始了機器學習的自學過程。 這
斯坦福大學機器學習第一課“引言(Introduction)”
一、機器學習概覽1)機器學習定義:機器學習是人工智慧的一個分支,目標是賦予機器一種新的能力。機器學習的應用很廣泛,例如大規模的資料探勘(網頁點選資料,醫療記錄等),無人駕駛飛機、汽車,手寫手別,大多數的自然語言處理任務,計算機視覺,推薦系統等。 機器學習有很多定義,廣為人知的有如下兩條: Arthur
斯坦福大學機器學習——誤差理論(Error Theory)
一、偏倚(bias)和方差(variance) 在討論線性迴歸時,我們用一次線性函式對訓練樣本進行擬合(如圖1所示);然而,我們可以通過二次多項式函式對訓練樣本進行擬合(如圖2所示),函式對樣本的擬合程式看上去更“好”;當我們利用五次多項式函式對樣本進行擬合(如圖3所示),
斯坦福大學機器學習——交叉驗證(Cross Validation)
假設我們需要從某些候選模型中選擇最適合某個學習問題的模型,我們該如何選擇?以多元迴歸模型為例:,應該如何確定k的大小,使得該模型對解決相應的分類問題最為有效?如何在偏倚(bias)和方差(variance)之間尋求最佳的平衡點?更進一步,我們同樣需要知道如何在加權迴歸模型中