starry_sky - 博客园

2018年2月9日

摘要： lrCostFunction.m oneVsAll.m predictOneVsAll.m predict.m 阅读全文

posted @ 2018-02-09 12:11 starry_sky 阅读(1432) 评论(0) 推荐(0) 编辑

摘要： Neural Networks: Representation 选AD B加起来不一定非要等于1 C要加一层隐藏层才行逻辑运算，选A 考察神经网络的运行过程，选A 计算题，选A 计算题，选A 阅读全文

posted @ 2018-02-09 12:08 starry_sky 阅读(861) 评论(0) 推荐(0) 编辑

摘要： Neural Networks: Representation Non-linear hypotheses 我们之前学到的，无论是线性回归还是逻辑回归都有一个缺点，当特征太多时，计算负荷会非常的大。如下：只有x1和x2，但运用多次项进行预测时，我们的方程可以很好的预测。使用非线性的多项式能够帮助阅读全文

posted @ 2018-02-09 11:42 starry_sky 阅读(1035) 评论(0) 推荐(0) 编辑

2018年2月8日

Coursera机器学习week3 编程作业

摘要： sigmoid.m costFunction.m predict.m costFunctionReg.m 阅读全文

posted @ 2018-02-08 23:38 starry_sky 阅读(1285) 评论(3) 推荐(0) 编辑

Coursera机器学习week3 单元测试

摘要： Week3 || Logistic Regression 概率计算，选AD C中J(θ)将减小，D中只能在0至1之间，故选AB 选AC，A中z应为x，应该是打印错误，B和D中是线性回归的选AC B对于每一个类有要做一个分类器，D由于使用代价函数为线性回归代价函数，会有很多局部最优值计算题 X1 阅读全文

posted @ 2018-02-08 23:35 starry_sky 阅读(1217) 评论(0) 推荐(1) 编辑

Coursera机器学习week3 笔记

摘要： Classification 在分类问题中，你要预测的变量y的离散的值，我们将学习一种叫做逻辑回归的算法。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；判断一次金融交易是否是欺诈；之前我们也谈到了肿瘤分类问题的例子，区别一阅读全文

posted @ 2018-02-08 21:54 starry_sky 阅读(1329) 评论(0) 推荐(0) 编辑

Coursera机器学习week2 编程作业

摘要： warmUpExercise.m plotData.m gradientDescent.m computeCost.m gradientDescentMulti.m computeCostMulti.m featureNormalize.m normalEqn.m 阅读全文

posted @ 2018-02-08 20:50 starry_sky 阅读(2091) 评论(0) 推荐(0) 编辑

Coursera机器学习week2 单元测试

摘要： Week2 || Introduction 求x2(4)第4个数据的第2个特征的归一化。平均值：(7921+5184+8836+4761) / 4 = 6675.5 MAX-MIN = 8836 - 4761 = 4075 所以答案为(4761 - 6675.5) / 4075 = -0.47 本阅读全文

posted @ 2018-02-08 20:43 starry_sky 阅读(1504) 评论(1) 推荐(0) 编辑

Coursera机器学习week2 笔记

摘要： Multiple Features 之前学的是“单变量线性回归”，明显一个问题不可能只有一个特征，现在增加特征数量变成“多变量线性回归”。下面对一些符号进行定义： n：特征的数量 m：训练数据的数量 x(i)：训练集中的第i的数据 x(i)j：第i个数据的第j个特征 y(i)：第i个数据的标签（输阅读全文

posted @ 2018-02-08 20:03 starry_sky 阅读(1551) 评论(0) 推荐(0) 编辑

Coursera机器学习week1 单元测试

摘要： Week1 || Introduction 考察机器学习的定义，由Tom Mitchell 提出的。答案是A 考察监督学习的类型，预测明天的温度，由于是一个连续的值，故选A 考察监督学习的类型，预测是否赢得专利侵权诉讼，答案就两个“YES”和“NO”，是一个离散值，故选B 哪些选项适合使用监督学习。阅读全文

posted @ 2018-02-08 18:25 starry_sky 阅读(3525) 评论(1) 推荐(0) 编辑

starry

每天进步一点点，向技术牛人前进！

公告