07 2017 档案
摘要：[TOC] EX8 异常检测与推荐系统的练习 在本练习中，首先将异常检测算法应用于检测网络中的故障服务器。 在第二部分中，将使用协作过滤来构建电影推荐系统。 1.异常检测 Anomaly detection 在本节练习中，将实施异常检测算法来检测服务器计算机中的异常行为。该功能测量每个服务器
阅读全文
摘要：[TOC] 推荐系统（Recommender systems） 这里讨论推荐系统有两个深层原因或者说动机，第一个原因在于它是机器学习的一个重要应用，在过去的几年中在参观硅谷的各种科技类公司中，经常在那些公司里与开发机器学习应用的人交流，谈及什么才是机器学习最重要的应用，或者什么样的机器学习的应用
阅读全文
摘要：[TOC] 异常检测 Anomaly detection 1.1问题动机 异常检测是机器学习算法的一个常见应用，这种算法的一个有趣之处在于它虽然主要用于非监督学习问题，但从某些角度看它又类似于一些监督学习问题。那么什么是异常检测呢？ 假想你是一个飞机引擎制造商，当生产的飞机引擎从生产线上流出
阅读全文
摘要：[TOC] EX7：K 均值聚类和PCA 前言：本练习中，我们将利用K 均值算法压缩一张图片，第二部分中，将使用PCA为面部图片找寻低维描述。 1、K 均值聚类 在第一个练习中，主要实现K means算法并将其用于图像压缩。 首先从2D数据集样本开始，目的了解K means算法如何工作的直观
阅读全文
摘要：[TOC] 维数约减 Dimensionality Reduction 维数约减属于无监督学习范畴，我们希望使用维数约减的原因可能有：通过数据压缩以减少数据占有内存的大小，为算法运算提高速度，将数据可视化等。 数据压缩 data compression 某个物体的长度以x1厘米为单位，另一个
阅读全文
摘要：无监督学习（unsupervised learning）介绍 聚类（Clustering） 回顾之前的有监督学习，根据给出的数据集（已经做出标记labels），学习出假设函数
阅读全文
摘要：Ex6 支持向量机SVM 在本练习的上半部分，将使用支持向量机（SVM）与各种示例2维数据集。 实验这些数据集将有助于直观了解SVM工作的过程，以及如何使用高斯内核与SVM。 在下一个练习中，将使用支持向量机来构建垃圾邮件分类器。 如下图所示的2维数据集，可以通过线性边界分离，图中正样本通过
阅读全文
摘要：支持向量机（Support Vector Machine） 支持向量机（SVM）为监督式机器学习方法的一种，广泛地应用于统计分类、回归分析、二类问题（binary classification）的模式识别中，其最大特点是既能够最小化经验损失（也叫做经验风险、或者经验误差），同时又能够最大化几何间
阅读全文
摘要：构建一个垃圾邮件分类器 对于垃圾邮件，我们可以人为的挑选若干个关键词作为识别垃圾邮件判断的特征，而在实际应用中，我们应该遍历整个训练集，在训练集中找出出现次数最多的n个单词，n介于10,000和50,000之间，将这些单词作为所选用的特征。根据所找到的特征集合，我们可以为每一个邮件构建一个向量，
阅读全文
摘要：EX5 偏差v.s.方差在正则线性回归下的体现 在练习的前半段，你将利用正则化线性回归模型根据水库中水位变化来预测流出大坝的水量，之后的下半段练习中，将通过调试所学的算法的诊断效果，检查是偏差还是方差的影响。 数据的可视化 首先对大坝保存的历史记录中德数据进行可视化，包括水位的变化x以及从坝
阅读全文
摘要：白白的敲了两个晚上，没保存，重来。。 对于机器学习ML实际应用中的几点建议 调试学习算法中决定下一步的选择 假设你利用正则化后的线性回归来预测房价 但利用训练出来的函数应用在新的房屋集中时，会发现对于预测出现了很大的误差，接下来可以选择： 获取更多的训练样本 尝试减少训练集中的特征数 尝试增
阅读全文
