关键词：

coursera机器学习week11单元测试

Application:PhotoOCR选B选D选AC选A选AB 查看详情

coursera机器学习week9单元测试

week9|| AnomalyDetection找出异常数据，选CD需要减小，选B选C 选CD选AWeek9|| RecommenderSystems选AD选BD选A选AC选AB 查看详情

coursera机器学习week7单元测试

SupportVectorMachines欠拟合，增大C，减小δ2，所以选C选D安全因子，选BC欠拟合问题，选ABC，减少训练数据更会欠拟合D，逻辑回归是凸函数，不存在局部最小选CDA错误B应该训练K个  查看详情

吴恩达-coursera-机器学习-week6

十、应用机器学习的建议(AdviceforApplyingMachineLearning)10.1决定下一步做什么10.2评估一个假设10.3模型选择和交叉验证集10.4诊断偏差和方差10.5正则化和偏差/方差10.6学习曲线10.7决定下一步做什么十一、机器学习系统的设计(MachineLearnin... 查看详情

吴恩达-coursera-机器学习-week10

十七、大规模机器学习(LargeScaleMachineLearning)17.1大型数据集的学习17.2随机梯度下降法17.3小批量梯度下降17.4随机梯度下降收敛17.5在线学习17.6映射化简和数据并行十八、应用实例：图片文字识别(ApplicationExample:PhotoOCR)18.1问题描述和... 查看详情

coursera机器学习week10笔记

LargescalemachinelearningLearningwithlargedatasets如果我们有一个低方差的模型，增加数据集的规模可以帮助你获得更好的结果。我们应该怎样应对一个有100万条记录的训练集？ 以线性回归模型为例，每一次梯度下降迭代，我们都需要... 查看详情

coursera机器学习week9笔记

Anomalydetection(异常检测)Problemmotivation给定数据集，先假设它们都是正常的，如果有一新的数据，想知道是不是异常，即这个测试数据不属于该组数据的几率如何。在上图中，在蓝色圈内的数据属于该组数据的可能性较高，而越是... 查看详情

coursera机器学习week7编程作业

gaussianKernel.msim=exp(-sum((x1-x2).^2)/(sigma.^2*2)); dataset3Params.msteps=[0.01,0.03,0.1,0.3,1,3,10,30];minError=Inf;minC=Inf;minSigma=Inf;fori=1:length(steps) forj=1:length(steps) currC=ste 查看详情

吴恩达-coursera-机器学习-week4

第八、神经网络：表述(NeuralNetworks:Representation)8.1非线性假设8.2神经元和大脑8.3模型表示18.4模型表示28.5样本和直观理解18.6样本和直观理解II8.7多类分类第4周第八、神经网络：表述(NeuralNetworks:Representation)8.1非线性假设参考视频:8-1... 查看详情

原coursera—andrewng机器学习—week10习题—大规模机器学习

【1】大规模数据【2】随机梯度下降【3】小批量梯度下降【4】随机梯度下降的收敛Answer：BDA错误。学习率太小，算法容易很慢B正确。学习率小，效果更好C错误。应该是确定阈值吧D正确。曲线不下降，说明学习率选的太大 ... 查看详情

coursera机器学习week1笔记

 Whatismachinelearning？实际上，即使是在机器学习的专业人士中，也不存在一个被广泛认可的定义来准确定义机器学习是什么或不是什么，本课程中给出了两个定义1：ArthurSamuel(1959).MachineLearning:Fieldofstudythatgivescomputerstheabilitytolea... 查看详情

coursera机器学习week11笔记

Applicationexample:PhotoOCRProblemdescriptionandpipeline图像文字识别应用所作的事是，从一张给定的图片中识别文字。这比从一份扫描文档中识别文字要复杂的多。 为了完成这样的工作，需要采取如下步骤：1.文字侦测（Textdetection）&mda... 查看详情

原coursera—andrewng机器学习—week11习题—photoocr

【1】机器学习管道【2】滑动窗口Answer：C（（200-20）/4）2=2025【3】人工数据【4】标记数据Answer：B(10000-1000)*10/(8*60*60)=3.125【5】上限分析测验 Answer：D忽略窗口的宽度，只考虑step：    (1000/2)*(1000/2)*2=500000Answer：B... 查看详情

吴恩达-coursera-机器学习-week1

一、引言(Introduction)1.1欢迎1.2机器学习是什么？1.3监督学习1.4无监督学习二、单变量线性回归(LinearRegressionwithOneVariable)2.1模型表示2.2代价函数2.3代价函数的直观理解I2.4代价函数的直观理解II2.5梯度下降2.6梯度下降的直观理解2.7梯... 查看详情

coursera机器学习week8笔记

ClusteringUnsupervisedlearningintroduction什么是非监督学习呢?在一个典型的监督学习中，我们有一个有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，在这里的监督学习中，我们有一系列标签，我们需要据此拟... 查看详情

coursera机器学习week9编程作业

estimateGaussian.mmu=1/m*sum(X);sigma2=1/m*sum((X-repmat(mu,m,1)).^2);selectThreshold.mpredictions=(pval<epsilon);fp=sum((predictions==1)&(yval==0));fn=sum((predictions==0)&(yval==1));tp=su 查看详情

吴恩达-coursera-机器学习-week7

十二、支持向量机(SupportVectorMachines)12.1优化目标12.2大边界的直观理解12.3数学背后的大边界分类（选修）12.4核函数112.5核函数212.6使用支持向量机第7周十二、支持向量机(SupportVectorMachines)12.1优化目标参考视频:12-1-OptimizationObjective(... 查看详情

coursera机器学习week6编程作业

linearRegCostFunction.mJ=1/(2*m)*sum((X*theta-y).^2)+lambda/(2*m)*(sum(theta.^2)-theta(1).^2);grad=1/m*X‘*(X*theta-y)+lambda/m*theta;grad(1)=grad(1)-lambda/m*theta(1)learningCurve.mfori=1:m theta=trai 查看详情