03 2020 档案
按部就班的吴恩达机器学习网课用于讨论（5）
摘要：Octave操作概览 hold on legend('sin','cos') title('myplot') plot(t,y2,’r’) xlabel('time') ylabel('value') print –dpng 'myplot.png' 保存图像 figure(1) plot(t, y
机器学习中的特征选择filter
摘要：来源地址：https://www.cnblogs.com/bjwu/p/9103002.html Filter-移除低均方差的特征 代码： from sklearn.feature_selection import VarianceThreshold X = [[0, 0, 1], [0, 1, 0
按部就班的吴恩达机器学习网课用于讨论（4）
摘要：学习率 认为尝试0.001以3倍网上增加算，进行测试。并让误差函数J的值越来越小才是正确的。 误差越来越大，可能是学习率过大造成，学习率太小可能导致梯度下降慢。 特征和多项式回归 线性回归不适合所有数据，有时候需要一些实际操作，如在房价问题中： 认为临街宽度，纵向深度作为特征，价格作为标签。但是在真
Linux客户端网口输入转串口输出
摘要：概要与环境 使用socket通信方式，建立连接，在服务端将获取到的数据调用串口发送即可 服务端为Linux，客户端为Linux或Windows 测试过程中请：使用iptables -F，免得让人感觉不好。 另外，在Linux下的C语言头文件一部分不可以在Windows系统上运行，可能导致一些不便。
按部就班的吴恩达机器学习网课用于讨论（3）
摘要：矩阵加法与乘法 加法省略，乘法房价案例： 输入层M节点，输入1xM的矩阵行向量输入，输入层到隐藏层N节点，权重表示为MxN的矩阵， 矩阵中每行N个数字，分别表示从输入层某节点接到所有隐层节点。 1xM * MxN，得到1xN，为隐层输入数据，以列向量表示。 矩阵乘法属性 单位矩阵I可以表示为： 这里
关于网络手动搭建的一点补充说明
摘要：地址： https://www.oschina.net/question/2005056_167372 https://www.xinruiyun.cn/zhishiku/4085.html 安装和生成文件说明 编译后的openvpn服务器，依赖了easyrsa。 服务端提示 一共需要六个文件：ca
按部就班的吴恩达机器学习网课用于讨论（2）
摘要：梯度下降 梯度下降的伪代码如左下，计算误差函数J的梯度，完成一次更新误差函数中的变参，使得误差函数的值尽量最小化。 不正确的更新方式是因为，在前面计算梯度就更新参数，则后面的误差函数进行求导得出的另外的变参值，已经不再和前面组成梯度方向。 收敛 梯度收敛的原因，是随着时间的前进，则遇到更大的梯度，变
