Wunsam_Chan

2018年11月25日

摘要：题目解题过程这道题的关键点就是想办法按三位取逗号的标准输出，也就是在格式上做了一点要求，思路很简单。 cpp include include include using namespace std; int main() { / Sum是A、B之和，tmp是中间变量，i用于循环 / int A, 阅读全文

posted @ 2018-11-25 23:52 Wunsam_Chan 阅读(103) 评论(0) 推荐(0) 编辑

序

摘要：陈越姥姥的《数据结构》刚刷完不久，想想就这么把它扔了太亏了，所以就打算开始刷一遍PAT。刷题的过程估计会很长，也做好了心理准备。在这里对自己做出一些小要求： 1. 一个星期至少刷两道题，预计要花近一年多，所以除了寒假和考前两个星期都不能中断； 2. 不可轻易看题解，即使题目做不出来，也至少要对题目阅读全文

posted @ 2018-11-25 23:51 Wunsam_Chan 阅读(102) 评论(0) 推荐(0) 编辑

吴恩达机器学习笔记六_神经网络的反向传播

摘要：回顾上一章说到，神经网络是一种很有效的多元分类器。那么神经网络是如何起作用的呢？由之前的图片我们可以看到，神经网络从左向右，一层一层地向右传播，这种传播方式我们叫做“前向传播”。前向传播是根据上一层的节点值和权值来更新本层节点值的方式。这里，我们再复习一下前向传播的具体算法。前向传播算法上面阅读全文

posted @ 2018-11-25 23:04 Wunsam_Chan 阅读(880) 评论(0) 推荐(0) 编辑

2018年10月28日

吴恩达机器学习笔记五_多元分类和神经网络

摘要：为什么要使用神经网络在笔记三中，曾提到非线性拟合的问题。当时是通过构造特征向量，即由两个或以上的变量构造一个新的变量，增加$\theta$的维度，以拟合出更细腻的曲线。下面是课件中类似的例子：可以看到，随着变量即数据集的维度增加，这种做法将会导致“维度灾难”，越来越不可行。就上述例子，以100维阅读全文

posted @ 2018-10-28 20:42 Wunsam_Chan 阅读(1465) 评论(0) 推荐(0) 编辑

吴恩达机器学习笔记四_正则化

摘要：正则化为什么要正则化观察上图三个拟合曲线，我们可以得知：曲线一没有很好地分类；曲线三分类过于严格，以至于曲线过于复杂；曲线二是比较合适的分类曲线。对两种特殊情况定义：图一是“欠拟合”(underfit)，图三是“过拟合”(overfit)。一般来说，我们加大特征向量$\theta$的维度，可以阅读全文

posted @ 2018-10-28 13:14 Wunsam_Chan 阅读(530) 评论(0) 推荐(0) 编辑

2018年10月27日

PlantUML安装与使用

摘要：感谢 "使用 Sublime + PlantUML 高效地画图" "一分钟Sublime Text搭建PlantUML生成环境" 安装工具最省力的方式使用chrome插件，然后直接用chrome打开该文件即可。注意要在插件管理中勾选：允许访问文件网址。本地生成方式对于一些特别大的文件，直接阅读全文

posted @ 2018-10-27 20:21 Wunsam_Chan 阅读(27672) 评论(0) 推荐(1) 编辑

2018年10月4日

吴恩达机器学习笔记三_Logistic Regression

摘要： Logistic Function Logistic Function 针对某一类问题往往会比线性回归更加有效。如下图：假如使用线性回归处理的话，针对离散值，如上图最右边一点，会导致线性函数向X轴正向倾斜，预测结果出现较大的改动。这个就不是一类很好的分类函数了，因为它对离散值敏感。通过分析，我们阅读全文

posted @ 2018-10-04 21:13 Wunsam_Chan 阅读(512) 评论(0) 推荐(0) 编辑

2018年9月13日

吴恩达机器学习笔记二_多变量线性回归

摘要：多变量线性回归题纲多变量线性函数优化思路 Normal Equation（正规方程）线性回归多变量与单变量的区别多变量线性回归的假设函数定义如下： $$ h_\theta(X) = \theta^TX = \sum_{i=0}^{n}\theta_ix^{(i)} $$ 其中$\theta 阅读全文

posted @ 2018-09-13 22:02 Wunsam_Chan 阅读(861) 评论(0) 推荐(0) 编辑

2018年9月12日

吴恩达机器学习笔记一_单变量线性回归

摘要：单变量线性回归纲要代价函数梯度下降算法全局最优与局部最优代价函数函数定义： $$ J(\theta_0,\theta_1,...)=\frac{1}{2m}\sum_{i=1}^{n}(h_\theta(x^{(i)}) y^{(i)})^{2} $$ 代价函数是为了寻找假设函数$h(\ 阅读全文

posted @ 2018-09-12 15:22 Wunsam_Chan 阅读(154) 评论(0) 推荐(0) 编辑

2018年9月8日

Thinkbayes_Chapter5

摘要：第五章——胜率和加数贝叶斯的胜率表达形式胜率表达式可以由贝叶斯定理的概率公式 $$p(H|)p(D|H)=\frac{p(H)p(D|H)}{p(D)}$$ 进行推导。如果A和B是互斥且穷尽的，就意味着$p(B)=1 p(A)$，将支持A的可能性写为o(A)，因此我们可以得到： $$o(A|D) 阅读全文

posted @ 2018-09-08 15:22 Wunsam_Chan 阅读(255) 评论(0) 推荐(0) 编辑

公告