上一页 1 ··· 11 12 13 14 15 16 17 18 19 ··· 46 下一页
摘要: Application: Photo OCR 选B 选D 选AC 选A 选AB 阅读全文
posted @ 2018-02-10 12:05 starry_sky 阅读(493) 评论(0) 推荐(0) 编辑
摘要: Application example:Photo OCR Problem description and pipeline 图像文字识别应用所作的事是,从一张给定的图片中识别文字。这比从一份扫描文档中识别文字要复杂的多。 为了完成这样的工作,需要采取如下步骤: 1. 文字侦测(Text detec 阅读全文
posted @ 2018-02-10 12:00 starry_sky 阅读(361) 评论(0) 推荐(0) 编辑
摘要: Large Scale Machine Learning 选B 选CD 选CD 选AC 不确定 阅读全文
posted @ 2018-02-10 11:51 starry_sky 阅读(499) 评论(0) 推荐(0) 编辑
摘要: Large scale machine learning Learning with large datasets 如果我们有一个低方差的模型,增加数据集的规模可以帮助你获得更好的结果。我们应该怎样应对一个有 100 万条记录的训练集? 以线性回归模型为例,每一次梯度下降迭代,我们都需要计算训练集的 阅读全文
posted @ 2018-02-10 11:42 starry_sky 阅读(381) 评论(0) 推荐(0) 编辑
摘要: estimateGaussian.m selectThreshold.m cofiCostFunc.m 阅读全文
posted @ 2018-02-10 11:26 starry_sky 阅读(1035) 评论(0) 推荐(0) 编辑
摘要: week9 || Anomaly Detection 找出异常数据,选CD 需要减小,选B 选C 选CD 选A Week9 || Recommender Systems 选AD 选BD 选A 选AC 选AB 阅读全文
posted @ 2018-02-10 11:24 starry_sky 阅读(656) 评论(0) 推荐(0) 编辑
摘要: Anomaly detection(异常检测) Problem motivation 给定数据集,先假设它们都是正常的,如果有一新的数据,想知道是不是异常,即这个测试数据不属于该组数据的几率如何。 在上图中,在蓝色圈内的数据属于该组数据的可能性较高,而越是偏远的数据,其属于该组数据的可能性就越低。 阅读全文
posted @ 2018-02-10 11:10 starry_sky 阅读(726) 评论(1) 推荐(1) 编辑
摘要: pca.m projectData.m recoverData.m computeCentroids.m findClosestCentroids.m kMeansInitCentroids.m 阅读全文
posted @ 2018-02-09 23:03 starry_sky 阅读(743) 评论(0) 推荐(0) 编辑
摘要: Week8 || Unsupervised Learning 选择适合用“K-均值算法”的,选AB C、预测降雨量,监督问题 D、预测销售情况,监督问题 选C K-均值算法的计算过程,选CD 选择A 选择AC week8 || Principal Component Analysis 选AB 选D 阅读全文
posted @ 2018-02-09 23:01 starry_sky 阅读(503) 评论(0) 推荐(0) 编辑
摘要: Clustering Unsupervised learning introduction 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,在这里的监督学习中,我们有一系列标签,我们需要据此拟合一个假设函数。 与此不同的是,在 阅读全文
posted @ 2018-02-09 22:38 starry_sky 阅读(648) 评论(0) 推荐(0) 编辑
上一页 1 ··· 11 12 13 14 15 16 17 18 19 ··· 46 下一页