Real-Ying

摘要： 逻辑结构 具有相同数据类型的n个数据元素的有序，有限集。 1.集合中必存唯一 第一元素 和 最后元素 2.除 第一元素 和 最后元素外，均有唯一前驱和后继。 存储结构 用一组地址连续的存储单元以此存放线性表中的数据元素。 LOC（ai）= LOC(ai-1) + sizeof LOC（ai）= LO 阅读全文

摘要： 19.1 总结和致谢 欢迎来到《机器学习》课的最后一段视频。我们已经一起学习很长一段时间了。在最后视频中，我想快速地回顾一下这门课的主要内容，然后简单说几句想说的话。 作为这门课的结束时间，那么我们学到了些什么呢？在这门课中，我们花了大量的时间介绍了诸如线性回归、逻辑回归、神经网络、支持向量机等等一 阅读全文

摘要： 18.1 问题描述和流程图 18.2 滑动窗口 18.3 获取大量数据和人工数据 18.4 上限分析：哪部分管道的接下去做 18.1 问题描述和流程图 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 阅读全文

摘要： 17.1 大型数据集的学习 17.2 随机梯度下降法 17.3 微型批量梯度下降 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 17.1 大型数据集的学习 17.2 随机梯度下降法 17.3 微型批量梯度下降 17.4 随机梯度下降收敛 17.5 在线学习 17.6 阅读全文

摘要： 16.1 问题形式化 16.2 基于内容的推荐系统 16.3 协同过滤 16.4 协同过滤算法 16.5 矢量化：低秩矩阵分解 16.6 推行工作上的细节：均值归一化 16.1 问题形式化 16.2 基于内容的推荐系统 16.3 协同过滤 16.4 协同过滤算法 16.5 矢量化：低秩矩阵分解 16 阅读全文

摘要： 异常检测：检测非正常用户，在线收集用户数据，建立用户的活动特征向量，可能包含用户多久登陆一次，访问过的页面，在论坛发的帖子数量，甚至是打字速度等，根据这个模型识别那些非正常用户。 通过收集计算机各方面状态数据建立特征向量模型识别计算机是否正常运行。 基于高斯分布的算法，根据两个特征得出P（x）然后选 阅读全文

摘要： 15.1 问题的动机 15.2 高斯分布 15.3 算法 15.4 开发和评价一个异常检测系统 15.5 异常检测与监督学习对比 15.6 选择特征 15.7 多元高斯分布（可选） 15.8 使用多元高斯分布进行异常检测（可选） 15.1 问题的动机 15.2 高斯分布 15.3 算法 15.4 开 阅读全文

摘要： 15.1 问题的动机 15.2 高斯分布 15.3 算法 15.4 开发和评价一个异常检测系统 15.5 异常检测与监督学习对比 15.6 选择特征 15.7 多元高斯分布（可选） 15.8 使用多元高斯分布进行异常检测（可选） 15.1 问题的动机 15.2 高斯分布 15.3 算法 15.4 开 阅读全文

摘要： 14.1 动机一：数据压缩 14.2 动机二：数据可视化 14.3 主成分分析问题 14.4 主成分分析算法 14.5 选择主成分的数量 14.6 重建的压缩表示 14.7 主成分分析法的应用建议 14.1 动机一：数据压缩 14.2 动机二：数据可视化 14.3 主成分分析问题 14.4 主成分分 阅读全文

摘要： 13.1 无监督学习：简介 13.2 K-均值算法 13.3 优化目标 13.4 随机初始化 13.5 选择聚类数 13.1 无监督学习：简介 在这个视频中，将开始介绍聚类算法。这将是一个激动人心的时刻，因为这是到现在学习的第一个非监督学习算法，要让计算机学习无标签数据，而不是此前的标签数据。 之前 阅读全文