<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Avoke17的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Avoke17</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Avoke17]]></copyright><item><title><![CDATA[CS231n Assignment1 流程及部分知识点]]></title><link>https://blog.youkuaiyun.com/Avoke17/article/details/99183240</link><guid>https://blog.youkuaiyun.com/Avoke17/article/details/99183240</guid><author>Avoke17</author><pubDate>Sun, 11 Aug 2019 16:55:31 +0800</pubDate><description><![CDATA[本文仅为备忘

Assignment1 的基本操作为：

1、读取数据集，输出shape


# Load the raw CIFAR-10 data.
cifar10_dir = 'cs231n/datasets/cifar-10-batches-py'

# Cleaning up variables to prevent loading data multiple times (which ...]]></description><category></category></item><item><title><![CDATA[Coursera-Machine-Learning-Review-W6]]></title><link>https://blog.youkuaiyun.com/Avoke17/article/details/82109491</link><guid>https://blog.youkuaiyun.com/Avoke17/article/details/82109491</guid><author>Avoke17</author><pubDate>Mon, 27 Aug 2018 12:46:59 +0800</pubDate><description><![CDATA[Evalutating a Learning Algorithm

        这里关注与在开发机器学习系统中，如何决定接下来要做什么。

        以线性回归为例，若预测结果有较大误差时，我们会有很多抉择，例如寻找更多数据，加入更多特征，增大或减小学习速率等等，但是如何进行选择并不应该是凭感觉的，否则会浪费很多时间。这里我们引入机器学习诊断法，通过一种方法更快的进行选择。



   ...]]></description><category></category></item><item><title><![CDATA[Coursera-Machine-Learning-ex4]]></title><link>https://blog.youkuaiyun.com/Avoke17/article/details/81705773</link><guid>https://blog.youkuaiyun.com/Avoke17/article/details/81705773</guid><author>Avoke17</author><pubDate>Wed, 15 Aug 2018 16:38:59 +0800</pubDate><description><![CDATA[上一个练习中我们使用给定的权重矩阵对手写数字进行预测，本次练习中，我们尝试去学习参数θ。

Neural Networks

首先使用displayData方法对训练集数据进行可视化。



和之前的训练集一样，共5000个训练样本，每个样本为20*20像素的图片，展开以400维向量形式给出。训练样本处理如下：



首先确定结构，我们本次使用三层结构，一个输入层，一个隐藏层，一个输出层。由于我们...]]></description><category></category></item><item><title><![CDATA[Coursera-Machine-Learning-Review-W5]]></title><link>https://blog.youkuaiyun.com/Avoke17/article/details/81634980</link><guid>https://blog.youkuaiyun.com/Avoke17/article/details/81634980</guid><author>Avoke17</author><pubDate>Mon, 13 Aug 2018 20:04:52 +0800</pubDate><description><![CDATA[Cost Function and Backpropagation

        下面我们讨论如何利用神经网络进行学习。

        首先引入一些标记，L表示神经网络总层数，sl表示第l层的神经单元个数(不包括偏置单元)，对于二元分类问题，只需要一个输出单元，令输出为0或1。对于多元分类问题，分成k类，则输出单元为k个k维向量。



        关于代价函数，我们沿用逻辑回归中的代...]]></description><category></category></item><item><title><![CDATA[Coursera-Machine-Learning-ex3]]></title><link>https://blog.youkuaiyun.com/Avoke17/article/details/81544891</link><guid>https://blog.youkuaiyun.com/Avoke17/article/details/81544891</guid><author>Avoke17</author><pubDate>Thu, 09 Aug 2018 22:34:15 +0800</pubDate><description><![CDATA[这一部分练习，我们使用逻辑回归和神经网络识别手写数字。

Multi-class Classification

首先载入5000个训练样本的矩阵，每一个训练样本是20x20像素的灰度值，并且被展开成一个400维向量，成为矩阵中的一行。而第二部分就是这5000个样本的标签，为一个5000维向量，分别对应其正确值。

我们首先随机选择其中的100行，使用displayData方法展示出这100个样本...]]></description><category></category></item><item><title><![CDATA[Coursera-Machine-Learning-Review-W4]]></title><link>https://blog.youkuaiyun.com/Avoke17/article/details/81541855</link><guid>https://blog.youkuaiyun.com/Avoke17/article/details/81541855</guid><author>Avoke17</author><pubDate>Thu, 09 Aug 2018 18:38:22 +0800</pubDate><description><![CDATA[Motivations

        这里首先介绍了一下神经网络算法的动机。对于一个非线性分类问题，我们可以通过多项式拟合出决策边界，但是对于现实问题，特征数往往由于过多而带来很多问题，比如计算量过大，过拟合等等，例如下图的一辆汽车，我们一眼就能看到这是一辆车，但是对于计算机来讲，他是像素点的集合，特征很多，就需要引入一种新的算法。



Neural Network

        神经网...]]></description><category></category></item><item><title><![CDATA[Coursera-Machine-Learning-ex2]]></title><link>https://blog.youkuaiyun.com/Avoke17/article/details/81434043</link><guid>https://blog.youkuaiyun.com/Avoke17/article/details/81434043</guid><author>Avoke17</author><pubDate>Sun, 05 Aug 2018 19:38:47 +0800</pubDate><description><![CDATA[本次编程作业需要完成一个逻辑回归模型，来预测一个学生是否能够被允许入学。

ex2

第一步进行训练集的可视化，这里pdf提供了代码，我们只需要把其填入plotData.m就可以看到训练集的情况。


function plotData(X, y)
%PLOTDATA Plots the data points X and y into a new figure 
%   PLOTDATA(x,y...]]></description><category></category></item><item><title><![CDATA[Coursera-Machine-Learning-Review-W3]]></title><link>https://blog.youkuaiyun.com/Avoke17/article/details/81317408</link><guid>https://blog.youkuaiyun.com/Avoke17/article/details/81317408</guid><author>Avoke17</author><pubDate>Wed, 01 Aug 2018 11:31:49 +0800</pubDate><description><![CDATA[Classification and Representation

        我们在日常生活中还会遇到关于分类的问题，例如垃圾邮件分类，肿瘤良性与恶性的分类，在这种问题中我们倾向于以0和1来分别代表分类的两个值，所以我们需要一个能够进行分类的算法。利用之前学习的线性回归我们或许可以拟合一条直线，假设函数不变，接着对假设函数值进行预测，以0.5为边界分别预测0和1。但是当我们延长坐标轴时，可...]]></description><category></category></item><item><title><![CDATA[Coursera-Machine-Learning-ex1]]></title><link>https://blog.youkuaiyun.com/Avoke17/article/details/81202291</link><guid>https://blog.youkuaiyun.com/Avoke17/article/details/81202291</guid><author>Avoke17</author><pubDate>Wed, 25 Jul 2018 16:22:47 +0800</pubDate><description><![CDATA[warmUpExercise

这个部分主要为了熟悉如何运行程序，按要求返回一个5阶单位矩阵即可，warmUpExercise.m代码如下


function A = warmUpExercise()
%WARMUPEXERCISE Example function in octave
%   A = WARMUPEXERCISE() is an example function that re...]]></description><category></category></item><item><title><![CDATA[Coursera-Machine-Learning-Review-W2]]></title><link>https://blog.youkuaiyun.com/Avoke17/article/details/81080662</link><guid>https://blog.youkuaiyun.com/Avoke17/article/details/81080662</guid><author>Avoke17</author><pubDate>Sat, 21 Jul 2018 01:20:41 +0800</pubDate><description><![CDATA[Multivariate Linear Regression

       W1的房价预测中，我们只有一个特征，即面积为变量来预测房价。但是生活中对于结果预测需要多个特征，拿房价举例就和房子使用年限等等特征都影响房价。所以此处引入多个特征变量，以上标表示。



        自然的，假设函数也要同样的进行改变，写成多变量形式，并且为了后面便于计算，这里使用列向量x来代替变量x0~xn，其中x...]]></description><category></category></item><item><title><![CDATA[Coursera-Machine-Learning-Review-W1]]></title><link>https://blog.youkuaiyun.com/Avoke17/article/details/81053945</link><guid>https://blog.youkuaiyun.com/Avoke17/article/details/81053945</guid><author>Avoke17</author><pubDate>Sun, 15 Jul 2018 20:11:16 +0800</pubDate><description><![CDATA[       这个假期开始学习Machine-Learning相关的知识，进行了几周之后感觉由于课程对相关的很多概念和计算进行了包装，课程理解上以及编程作业上经常会有一些疑点，需要进行思考才能比较通透的理解，并且由于英文Online的原因，部分解释感觉也需要进行一些翻译，所以这里会更新一些个人对于本课程同步的理解，以及包括部分quiz和编程作业较为详细的代码层面和理论层面的解答。如有问题，还望多加...]]></description><category></category></item></channel></rss>