- 博客(18)
- 收藏
- 关注
RSS订阅原创 吴恩达机器学习13--支持向量机(Support Vector Machines)
第13章 支持向量机(Support Vector Machines)一，优化目标(Optimization objective)SVM也是广泛的应用于工业界和学术界的监督学习算法。类似于logistic的代价函数，SVM的代价函数如图是斜直线加上平直线。所以是类似的，在之后的优化问题中，这会变得更坚定，并且为支持向量机，带来计算上的优势。例如，更容易计算股票交易的问题等等。...
2018-09-20 20:34:28
395
原创 吴恩达机器学习笔记12——机器学习系统设计
第12章 机器学习系统设计一，确定执行的优先级 Prioritizing what to work on : Spam classification example构造分类器在实际中的做法是，在训练集中挑选出最常常出现的10000~50000个字作为特征向量。如果我能把吴恩达的课程上完，有很大一部分要感谢他会鼓励人。在有限的时间内，让分类器具有高精准度和低错误率：1...
2018-09-14 15:25:00
375
原创 吴恩达机器学习课程作业tips（更新中）
ex4,一开始做的时候，卡在了代价函数这里，建议大家用for循环来练习这道题目，真正理解神经网络算法和one-vs-all算法的不同。这个式子的重点在于计算one-vs-all，十个分类器，分别做十次logistic回归。每一个的结果都要和y求误差。也就是10次计算。再有5000个样本，所以是10*5000次计算。 而对于神经网络算法，output layer有十个unit...
2018-09-08 21:04:32
346
原创 吴恩达机器学习笔记11——启用机器学习的建议
第11章 启用机器学习的建议1，决定下一步做什么模型结果不如意，该怎么办，有很多方法，如上图，但是该选哪个呢？本章教你如何选择。机器学习诊断2，评估假设对于有某种数据的数据，最好是随机选择30%作为测试集。可以发现，test set error的计算步骤和代价函数有异曲同工之妙。3，模型选择和训练、验证、测试集用训练集得到的会比实际的泛化...
2018-09-08 17:10:31
200
原创 吴恩达机器学习笔记10——神经网络参数的反向传播
第10章 神经网络参数的反向传播为神经网络拟合参数的算法1，代价函数Cost Function 2，反向传播算法让代价函数最小化的方法。推导一下是l层第j个单元的激活值，是求他 的误差第一层不存在误差，因为是输入层。以下为导数推导。然后可以对导数采用梯度下降法等方法优化。3，理解反向传播可以把一元情况下的代价函数看...
2018-09-05 17:23:06
315
原创 吴恩达机器学习笔记9——神经网络学习
第9章 神经网络学习1，非线性假设对于非线性假设，特征数目特别多时，采用logisitic进行分类，容易过拟合，而且计算成本过高。所以要采用神经网络。2，神经元和大脑3，模型展示Ibias unit 偏置单元weights parameters二者同义词4，模型展示II前向传播模型，向量化。后部分其实就是Logistic回归。...
2018-09-05 16:04:54
284
原创 吴恩达机器学习笔记8——正则化Regularization
第8章 正则化Regularization1，过拟合（the problem of overfitting）欠拟合，过拟合过多的特征变量，很少的训练样本，会引起正则化。有两种方法处理过拟合的问题，一个是减少特征的数量，人为选择去除部分特征或者模型选择算法，用算法来选择特征；另一个是正则化，保留所有的特征，但是可以减小某个特征的幅度或者值。2，代价函数...
2018-09-04 22:07:05
258
原创 吴恩达机器学习笔记7——Logistic回归
第7章 Logistic回归（讨论离散数据集的学习算法）logistic回归又称logistic回归分析，主要在流行病学中应用较多，比较常用的情形是探索某疾病的危险因素，根据危险因素预测某疾病发生的概率，等等。（from baidu baike）1，分类分类问题，主要是将结果分成正和负两种情况，这是二分类／二元分类问题。也可以是多种情况，多分类问题不推荐将线性回归应用于二元...
2018-09-04 17:01:47
334
原创 吴恩达机器学习笔记6——Octave/Matlaba教程
第6章 Octave/Matlaba教程主要讲了如何使用Octave，吴恩达大大真的是谦逊大师，讲软件使用都十分认真。其中讲到了向量化操作，可以少用for循环，提高计算速率。...
2018-09-03 17:07:14
309
原创 吴恩达机器学习笔记5——多变量线性回归
第5章 多变量线性回归1，多功能2，多元梯度下降法（Gradient Descent for Multiple variabls）Hypothesis假设：Parameters参数： n+1维向量Cost function 代价函数：Gradient descent:Repeat{}每一个j=0,...,n同时更新3...
2018-09-03 16:42:16
357
原创 吴恩达机器学习笔记4——线性回归回顾
第3章 线性回归回顾 （这一章主要回顾了矩阵的基础知识，对矩阵很熟的就不用看了）1，矩阵和向量大写字母 矩阵 小写字母 向量一般1-indexed，需要转换时会说。2，加法和标量乘法3，矩阵向量乘法向量化操作，简化问题模型，prediction=DataMatrix*Parameters4，矩阵乘法5，矩阵乘法特征单位矩阵，相当于实数...
2018-09-03 11:31:31
301
原创 吴恩达机器学习笔记3——单变量线性回归
第2章 单变量线性回归linear regression with one variable1，模型描述 model representationSupervised learning (given the 'right answer' for each example in the data):regression problems(predict real-valued outpu...
2018-09-02 16:16:42
236
原创 吴恩达机器学习笔记2——初识机器学习
第1章 初识机器学习1,welcome，举了一些实例2,introduce what is machine learning.3,监督学习（supervised learning）：通过算法对一些离散的数据进行监督，与无监督算法的区别是，监督算法是在确定知道数据集每一个是否正确的情况下。通常有回归问题(regression problem)和分类问题(classification ...
2018-09-02 14:02:52
288
原创 吴恩达机器学习笔记1——学习资源整合
资源地址：https://study.163.com/course/courseLearn.htm?courseId=1004570029#/learn/video?lessonId=1049049771&courseId=1004570029感谢有吴恩达这样乐于分享的前沿科学家，让我们在学习前沿科技的道路上事半功倍。学习起源：阅读了文章https://www.sohu.com...
2018-09-02 13:18:53
432
原创 java 数组分配空间的多种方式对比
数组声明格式public class mon1 {public static void main(String[] args){int num1[][]=new int[3][4];int num2[][]={{30,32,34,36},{23,21,24},{29,27,33,39}};int num3[][]=
2017-05-23 21:58:18
1475
转载 C语言中结构体的位域（bit-fields）
有些信息在存储时，并不需要占用一个完整的字节， 而只需占几个或一个二进制位。例如在存放一个开关量时，只有0和1 两种状态， 用一位二进位即可。为了节省存储空间，并使处理简便，C语言又提供了一种数据结构，称为“位域”或“位段”。所谓“位域”是把一个字节中的二进位划分为几个不同的区域，并说明每个区域的位数。每个域有一个域名，允许在程序中按域名进行操作。这样就可以把几个不同的对象用一个字节的二进制位域来
2017-02-20 17:25:32
560
转载 C语言中结构体的位域（bit-fields）
有些信息在存储时，并不需要占用一个完整的字节， 而只需占几个或一个二进制位。例如在存放一个开关量时，只有0和1 两种状态， 用一位二进位即可。为了节省存储空间，并使处理简便，C语言又提供了一种数据结构，称为“位域”或“位段”。所谓“位域”是把一个字节中的二进位划分为几个不同的区域，并说明每个区域的位数。每个域有一个域名，允许在程序中按域名进行操作。
2017-02-20 17:22:35
436
原创 关于error:LNK2005 已经在*.obj中定义
今天遇到了一个问题，在编译的时候会出现错误LNK2005，提示是***已经在main.obj中定义。这是由于我在头文件中定义了全局变量，当我在main文件中引用头文件时，会重复定义全局变量，因此要在head文件中加入#pragma once。铛铛~问题解决。
2017-01-11 16:49:28
850
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人