问题规约及搜索
摘要：换言之，当一个中间节点的后继节点全为与结点，那么后继节点里至少有一个为不可解的非终叶节点，此中间节点才是不可解的 换言之，当一个中间节点的后继节点全为或结点，那么后继节点里全部为不可解的非终叶节点，此中间节点才是不可解的 与或树的搜索 博弈树搜索 关于最大最小搜索的一个例子
阅读全文
posted @ 2019-12-30 21:27
12 2019 档案
状态搜索
摘要：恢复内容开始 状态空间法 图搜索 盲目式搜索 等代价搜索 先扩展代价最小的节点 此时的I为OPEN表里最小代价的，因此I可能不是第一次出现在OPEN表 启发式搜索 局部择优 不同的启发函数，最后的效率不同 A*算法的搜索效率在很大程度上取决于h(n)，在满足h(n)<=h*(n)的前提下，h(n)的
阅读全文
posted @ 2019-12-30 19:27
基础介绍
摘要：问题归约表示的组成部分：一个初始问题描述；一套把问题变换为子问题的操作符；一套本原问题描述。 问题归约的实质：从目标(要解决的问题)出发逆向推理，建立子问题以及子问题的子问题，直至最后把初始问题归约为一个平凡的本原问题集合。 孕育期三大派 符号主义认为人工智能的研究方法应为___功能_模拟。
阅读全文
posted @ 2019-12-29 20:34
基础技巧
摘要：图片覆盖 环绕方式如下： 大图：紧密型、穿越型、衬与文字下方 小图：四周型、上下型，浮于文字下方
阅读全文
posted @ 2019-12-29 10:56
第五周 第二部分
摘要：Theta1,2,3 和D1，2，3都是系数矩阵 thetaVec = [Theta1(:); Theta2(:);Theta3(:) ]; 里面:外面; 会把Theta1 ,Theta2,Theta3中的所有元素展开，形成一个向量thetaVec reshape 会把向量在恢复到矩阵Theta1,
阅读全文
posted @ 2019-12-28 21:51
第三次作业
摘要：function [J, grad] = lrCostFunction(theta, X, y, lambda) %LRCOSTFUNCTION Compute cost and gradient for logistic regression with %regularization % J =
阅读全文
posted @ 2019-12-28 16:52
wins10 安装pytorch和Pycharm环境配置
摘要：win 10下安装pytorch 要先安装Anaconda （会自带python3.7）,再利用conda 来下载pytorch1.下载安装Anaconda： https://www.anaconda.com/ 右上角download 选择Windows 3.7版本的 进行运行安装即可 Add An
阅读全文
posted @ 2019-12-26 09:30
第四周 第一部分
摘要：100 * 100 =10000 (10000)^2/2=5*10^7 用神经网络进行运算 把-30改为-10 就成了OR 上面的陈述是错的
阅读全文
posted @ 2019-12-22 11:34
第二次 编程作业
摘要：function plotData(X, y) %PLOTDATA Plots the data points X and y into a new figure % PLOTDATA(x,y) plots the data points with + for the positive exampl
阅读全文
posted @ 2019-12-21 20:33
多类别分类、过拟合、正则化
摘要：多类别分类 过拟合问题 正则化 J(theta) = theta0 欠拟合
阅读全文
posted @ 2019-12-18 14:21
逻辑回归--梯度下降
摘要：梯度计算过程如下： 线性回归： 逻辑回归 优化 使梯度下降进行逻辑回归的速度提高，适合数据比较大 >> options = optimset('GradObj','on','MaxIter','100'); >> initialTheta = zeros(2,1) initialTheta = 0
阅读全文
posted @ 2019-12-16 21:23
分类、逻辑回归
摘要：分类、逻辑回归 分类问题只有0和1，没有什么threshold h(x, )是[0,1]
阅读全文
posted @ 2019-12-15 21:33
第一次编程作业
摘要：function A = warmUpExercise() %WARMUPEXERCISE Example function in octave % A = WARMUPEXERCISE() is an example function that returns the 5x5 identity m
阅读全文
posted @ 2019-12-15 11:04
第二周 第五部分
摘要：循环 >> v = zeros(10,1)v = 0 0 0 0 0 0 0 0 0 0 >> for i=1:10,> v(i) = 2^i;> end;>> vv = 2 4 8 16 32 64 128 256 512 1024 >> indices=1:10; >> indices indi
阅读全文
posted @ 2019-12-14 19:48
第二周 第四部分
摘要：>> AA = 1 2 10 3 4 12 5 6 15 B = 2 1 3 4 2 3 6 3 3 >> A .* B % Cij = Aij*Bij，行列数目都要一致ans = 2 2 30 12 8 36 30 18 45 >> A*B%矩阵乘法ans = 70 35 39 94 47 57
阅读全文
posted @ 2019-12-12 16:20
第二周 第三部分
摘要：>> A = [1 2;3 4;5 6] A = 1 2 3 4 5 6 >> A(3,2) ans = 6 >> A(2,:) %该行或列的所有元素 ans = 3 4 >> A(:,2) ans = 2 4 6 >> A([1 3], :) %取第一、三行的元素 ans = 1 2 5 6 >>
阅读全文
posted @ 2019-12-12 11:05
第二周第二部分
摘要：1&&0 %AND 1 ||0 % OR octave:6> PS1('>> '); >> octave:1> 5+6 ans = 11 octave:2> 1==2 ans = 0 octave:3> 1==2 %false %XXX %为注释 ans = 0 octave:4> 1~=2 %表示
阅读全文
posted @ 2019-12-10 20:48
特征缩放和标准化 设置学习率大小 正则方程
摘要：标准化到相近的范围即可 这是因为θ在小范围内下降很快，在大范围内下降很慢，所以当变量非常不均匀时，θ会低效率地振荡到最优。(特征都在一个相近的范围，这样梯度下降法就能更快的收敛) 用X轴上的迭代次数绘制一个图。现在绘制成本函数，J（θ）在梯度下降迭代次数上。如果J（θ）增大，那么可能需要减小α。 总
阅读全文
posted @ 2019-12-09 20:44
梯度下降 coursera.org
摘要：即使J（，）=0,也不能是完美估计，因为其他数据可能存在误差 取任何颜色并沿着“圆”走，就可以得到相同的成本函数值,右图三个点的J（，）相同 越靠近圆心，J(,)越小 梯度下降算法可以将代价函数J（）最小化 。 J（1,2）改变1,2来最小化J（1,2） 梯度下降算法不一定可以找到全局最小值 事实证
阅读全文
posted @ 2019-12-05 12:28
监督学习和无监督学习
摘要：机器学习：定义一、给予计算机能自我学习的能力而不是编程。定义二、对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么我们称这个计算机程序在从经验E学习 监督学习在有监督的学习中，我们得到了一个数据集，并且已经知道正确的输出应该是什么样的，我们认为输入和输出之间
阅读全文
posted @ 2019-12-04 15:19
