06 2017 档案
摘要：回了趟家，一路上来回的重复播放李健的几首歌，现在充电完成，准备工作！ Ex4:神经网络学习 在这一练习中，我们将把神经网络中的后向传播算法应用到手写识别中，在上一个练习中，通过实现神经网络的前馈传播，并用它来预测和写入数字与我们提供的权重（weights）。 在本练习中，我们将实现反向传播算法来
阅读全文
摘要：神经网络中的代价函数与后向传播算法 代价（损失）函数 依照惯例，我们仍然首先定义一些我们需要的变量： L:网络中的总层数，:在第l层所有单元（units）的数目（不包含偏置单元），k:输出单元（类）的数目 回想一下，在神经网络中，我们可能有很多输出节点。 我们将$h_\Theta
阅读全文
摘要： 昨日去了趟无锡，前天下了暴雨，所以昨天给我的感觉天气很好，天蓝云白的，以后在这边学习估计也是一件很爽的事情，且昨日通知书业寄到学校了，附赠了一份研究生数学建模的传单，我搜了搜近几年的题目，感觉统计模块的题目很多，学了一段时间的机器学习现在感觉看懂还是有点小难，但是有几道可以直接看出思路。昨天回来
阅读全文
摘要： 自己好奇搜了几篇别人对Ng视频的的笔记，读下去可观性很强，后回到自己的笔记却觉得矛盾很多，有些地方搞得很模糊，自己没有仔细去想导致写完读起来很怪，此篇之后我决定放慢记笔记的速度，力求尽多地搞清楚模糊点。 首先之前一直出现的 regression analysis(即：回归分析) 究竟是怎么回
阅读全文
摘要：开始学习神经网络（Neural Network） 已有线性与逻辑回归，为什么需要用到NN 实际的应用中，需要根据很多特征进行训练分类器，当今有两个特征下，可以通过下图表述： 然而还有太多的特征需要考虑，假设这里有100个特征，包含他们所有的相关项后可能会有5000个，这种计算量很显然是非常大的，当然
阅读全文
摘要：EX2 逻辑回归练习 假设你是一个大学某系的管理员，你想根据两项考试结果来确定每个申请人的录取机会。你有以前申请人的历史资料以作为逻辑回归的训练集。对于每一个训练集，你拥有每个申请人的两项考试的分数与最终录取与否的信息。 绘出数据散点图 ~~~matlab figure; hold on; %F
阅读全文
摘要：这次根据结合Google的翻译果然速度快上许多，暂时休息，晚上在传一个exm2的随笔。 关于过度拟合下的问题 考虑从x∈R预测y的问题，下面的最左边的图显示了将拟合到数集的结果，我们看到数据不是真的在直线上，所以适合度不是很好。 相反，如果我们添加了一个额
阅读全文
摘要：自己翻译了一些，对照了下google的翻译结果，发现有好多还不如机器翻译的...果然AI大法好 :) 开始新的章节 分类 为了尝试分类，直觉想到了使用线性回归，即将大于0.5的所有预测映射为1，全部小于0.5的映射为0.然而由于分类问题并不是简单的线性函数，因此该分类实际上并不能很好进行。其实分类问
阅读全文
摘要：正则方程（Normal Equation） 梯度下降是最小化代价函数的一种方式，这里提出了另一种方式即正则方式不使用迭代方式：。举例如下（m=4） 在正则方式中不需要对正则方程做尺度缩放。 下表给出了对于正则方程与梯度下降方法
阅读全文
摘要：多重特征 多个特征下的线性回归问题又称为：多元线性回归。这里有几个专用名词需要解释一下： 表示第i个训练样本中的第j歌特征值 表示第i个训练样本的所有特征，一般是以列向量来表示。 m表示的是训练集的个数 多元形式下的假设函数可以设为：$h_\theta(x)=\the
阅读全文
摘要：与几个同专业的朋友吃完饭，坐在电脑前又敲了会字，传上来 模型建立（术语介绍） 为方便将来讨论机器学习的方便，我们这里定义：为输入变量，也成为输入的特征变量，以后将更多的应用术语Features（特征）来描述。表示第i个输出或试图预测的目标变量。$(x^{(i)},
阅读全文
摘要：内容源于Andrew Ng视频与自己的理解 机器学习？ 机器学习（Machine Learning）的定义大体上有两种，第一种是亚瑟·塞缪尔(Arthur Samuel)提出的：机器学习是通过给予电脑在为做特定编写程序的前提下具备学习得能力。Arthur本人亦是人工智能（AI）的先驱。现代机器学习教
阅读全文
