cltt - 博客园

批量梯度下降和随机梯度下降(SGD)和小批量梯度下降 || 在线学习机制

摘要：左侧像高方差的算法，增加训练集的大小提高性能右侧像高偏差的算法，不需要增大算法的规模,m=1000就很好了一个很自然的方法是多加一些特征或者在你的神经网络里加一些隐藏的单元等等所以最后你会变成一个像左边的图也许这相当于m等于1000 这给你更多的信心去花时间在添加基础设施来改进算法而不是阅读全文

posted @ 2020-01-30 22:35 cltt 阅读(522) 评论(0) 推荐(0) 编辑

第九周测试二 + 编程作业

摘要：编程作业 function [mu sigma2] = estimateGaussian(X) %ESTIMATEGAUSSIAN This function estimates the parameters of a %Gaussian distribution using the data in 阅读全文

posted @ 2020-01-29 16:24 cltt 阅读(188) 评论(0) 推荐(0) 编辑

第九周第三部分

摘要：你应该知道了怎样应用一种事实上是线性回归的一个变体来预测不同用户对不同电影的评分值这种具体的算法叫 ”基于内容的推荐“ 我们开发一个推荐系统主要工作就是想出一种学习算法能够帮我们自动地填上这些缺失的数值假如说对于这个例子你已经知道Alice的参数向量θ(1) 后面我们还会详阅读全文

posted @ 2020-01-28 18:05 cltt 阅读(123) 评论(0) 推荐(0) 编辑

第九周测试

摘要：阅读全文

posted @ 2020-01-27 13:51 cltt 阅读(98) 评论(0) 推荐(0) 编辑

第九周第二部分

摘要：多元高斯分布 x1 ,x2大概为线性关系，一些浅绿色的叉根据p(x1) *p(x2) 不太异常，但实际异常圆圈上的异常情况应该大致一致，但p(x1) *p(x2) 差异较大那么，开发一种改良版的异常检测算法要用到一种叫做多元高斯分布或者多元正态分布的东西它能捕捉到一些之前的算法检测不出来的阅读全文

posted @ 2020-01-26 19:35 cltt 阅读(152) 评论(0) 推荐(0) 编辑

第九周第一部分

摘要：异常检测高斯分布因为y=0 更常见什么时候应该用异常检测算法什么时候用监督学习算法是更有成效的 y=1 表示的是异常的样本关键的区别就是在异常检测算法中我们只有一小撮正样本因此学习算法不可能从这些正样本中学出太多东西因此取而代之的是我们使用一组大量的负样本这样样本就阅读全文

posted @ 2020-01-24 13:05 cltt 阅读(140) 评论(0) 推荐(0) 编辑

第八周编程作业

摘要： 1 function idx = findClosestCentroids(X, centroids) 2 %FINDCLOSESTCENTROIDS computes the centroid memberships for every example 3 % idx = FINDCLOSESTC 阅读全文

posted @ 2020-01-23 17:15 cltt 阅读(176) 评论(0) 推荐(0) 编辑

PCA

摘要：一些应用 PCA 的建议第八周编程作业阅读全文

posted @ 2020-01-23 12:37 cltt 阅读(108) 评论(0) 推荐(0) 编辑

数据降维+PCA（主成分分析法）

摘要：维数约减 (dimensionality reduction) 对于降维问题来说目前最流行最常用的算法是主成分分析法 (Principal Componet Analysis，PCA） PCA：寻找一个低维的面，这里把所有的点投影到一条直线上，让原点和投影点的距离平方和最小这些蓝色线段的长阅读全文

posted @ 2020-01-21 12:28 cltt 阅读(291) 评论(0) 推荐(0) 编辑

第八周随堂测试