摘要：
# 十二、聚类(Clustering) ## 12.1 无监督学习 从本节开始,我们开始学习无监督学习,我们将要让计算机学习无标签数据,而不是此前的标签数据. 那么,什么是非监督学习呢?在一个典型的监督学习中,我们有一个有标签的训练集,我们的目标是找到能够区分正样本和负样本的决策边界,在这里的监督学 阅读全文
摘要：
# 十一、支持向量机(Support Vector Machines) ## 11.1 优化目标 到目前为止,你已经见过一系列不同的学习算法.在监督学习中,许多学习算法的性能都非常类似.因此,重要的不是你该选择使用学习算法A还是学习算法B,而更重要的是,应用这些算法时,所创建的大量数据在应用这些算法 阅读全文
摘要：
# 十、机器学习系统的设计(Machine Learning System Design) ## 11.1 确定执行的优先级 在接下来的视频中,我将谈到机器学习系统的设计.这些视频将谈及在设计复杂的机器学习系统时,你将遇到的主要问题.同时我们会试着给出一些关于如何巧妙构建一个复杂的机器学习系统的建议 阅读全文
摘要：
# 九、应用机器学习的建议(Advice for Applying Machine Learning) ## 9.1 决定下一步做什么 确保你在设计机器学习的系统时，你能够明白怎样选择一条最合适、最正确的道路。因此，在这节视频和之后的几段视频中，我将向你介绍一些实用的建议和指导，帮助你明白怎样进行选 阅读全文
摘要：
# 八、神经网络的学习(Neural Networks: Learning) 在本节,我们学习一个新的神经网络算法.它能在给定训练集的同时,为神经网络拟合参数.与其他算法一样,我们从代价函数开始. ## 8.1 代价函数 首先引入一些便于稍后讨论的新标记方法: 假设神经网络的训练样本有$m$个,每个 阅读全文
摘要：
1. 前言 从第三章开始,前面的忘记做了. 2.第三章 多类预测与神经网络 2.1 心得 (1) minimize函数了解Click和Click 阅读全文
摘要：
# 七、神经网络：表述(Neural Networks: Representation) ## 7.1 非线性假设 &emsp假设有一个监督学习的训练集如下所示:  ## 6.1 过拟合问题 到现在为止,我们已经学习了几种不同的学习算法,包括线性回归和逻辑回归,它们能够有效地解决许多问题,但是当将它们应用到某些特定的机器学习应用时,会遇到过拟合(`over-fitting`)的问题,可能会导致它们效果很差. 在本节 阅读全文
摘要：
# 五、逻辑回归(Logistic Regression) ## 5.1 分类问题 在接下来的几节里,我想讨论要预测的变量$y$是一个离散值的分类问题.接下来就是讨论逻辑回归算法. 在分类问题中,我们尝试预测的是结果是否属于某一个类(例如正确或错误).分类问题的例子有:判断一封电子邮件是否是垃圾邮件 阅读全文
摘要：
# 四、多变量线性回归(Linear Regression with Multiple Variables) 在本章节,我们要讨论一种新的线性回归形式.这种形式适用于多个变量(或者说多特征量).在我们之前讨论的线性回归,我们只有一个特征量(房屋面积),我们必须用此特征量来预测房屋价格.但现在我们有多 阅读全文