Mac Jiang-优快云博客

原创機器學習基石(Machine Learning Foundations) 机器学习基石课后习题链接汇总

大家好，我是Mac Jiang,很高兴您能在百忙之中阅读我的博客！这个专题我主要讲的是Coursera-台湾大学-機器學習基石(Machine Learning Foundations)的课后习题解答。笔者是在学习了Ng的Machine Learning之后开始学习这门课程的，但还是感觉收获颇丰。Ng的课程主要站在计算机专业的角度，教你如何使用机器学习，注重方法而不是数学推导，是一门很好的入门教程

2016-04-07 13:24:56 58593 12

原创专栏介绍

大家好，我是Mac Jiang,是同济大学计算机系在读研究生，研究方向为机器学习。作为一个研究生，我也一直在学习机器学习的相关知识，我的学习方式主要是网上自学。我个人也很想和大家分享一些自己的见解，为同学们提供一些学习上的帮助！

2016-03-17 16:18:15 2236 1

原创关于Adaboost的一些理解

近段时间一直在学习spark 2.0框架，一个任务就是在spark下实现adaboost + logisticRegression的组合分类器，即利用逻辑回归作为adaboost的底层分类器，利用adaboost提升逻辑回归的性能。总所周知，当程序能完全在内存中运行时，spark的运行速度是hadoop的100倍；当程序需要借助磁盘运行时，spark的速度是hadoop的10倍。然而，作为机器学习

2017-02-05 19:06:18 6111

原创機器學習基石(Machine Learning Foundations) 机器学习基石作业四课后习题解答

大家好，我是Mac Jiang,今天和大家分享coursera-NTU-機器學習基石(Machine Learning Foundations)-作业四的习题解答。笔者在做这些题目时遇到很多困难，当我在网上寻找答案时却找不到，而林老师又不提供答案，所以我就想把自己做题时对题目如何思考的写下来，为大家提供一些思路。当然，我对题目的理解不一定是正确的，如果各位博友发现错误请及时留言联系，谢谢！再次提醒

2016-04-17 16:05:47 9633

原创機器學習基石(Machine Learning Foundations) 机器学习基石作业四 Q13-20 MATLAB实现

大家好，我是Mac Jiang,今天和大家分享Coursera-NTU-機器學習基石（Machine Learning Foundations）-作业四 Q13-20的MATLAB实现。以前的代码都是通过C++实现的，但是发现C++实现这些代码太麻烦，这次作业还要频繁更改参数值，所以选择用MATLAB实现了。与C++相比，MATLAB实现显然轻松很多，在数据导入方面也更加方便。我的代码虽然能够得到

2016-04-17 13:49:05 5261

原创機器學習基石(Machine Learning Foundations) 机器学习基石作业三课后习题解答

今天和大家分享coursera-NTU-機器學習基石(Machine Learning Foundations)-作业三的习题解答。笔者在做这些题目时遇到很多困难，当我在网上寻找答案时却找不到，而林老师又不提供答案，所以我就想把自己做题时对题目如何思考的写下来，为大家提供一些思路。当然，我对题目的理解不一定是正确的，如果各位博友发现错误请及时留言联系，谢谢！再次提醒：请不要以此博客作为通过考试的用

2016-04-09 10:22:14 10735 3

原创機器學習基石(Machine Learning Foundations) 机器学习基石作业三 Q18-20 C++实现

大家好，我是Mac Jiang,今天和大家分享Coursera-NTU-機器學習基石（Machine Learning Foundations）-作业三 Q18-20的C++实现。虽然有很多大神已经在很多博客中给出了Phython的实现，但是给出C++实现的文章明显较少，这里为大家提供一条C++实现的思路！我的代码虽然能够得到正确答案，但是其中可能有某些思想或者细节是错误的，如果各位博友发现，请及

2016-04-07 14:43:19 6845 2

原创機器學習基石(Machine Learning Foundations) 机器学习基石作业三 Q13-15 C++实现

大家好，我是Mac Jiang,今天和大家分享Coursera-NTU-機器學習基石（Machine Learning Foundations）-作业三 Q6-10的C++实现。虽然有很多大神已经在很多博客中给出了Phython的实现，但是给出C++实现的文章明显较少，这里为大家提供一条C++实现的思路！我的代码虽然能够得到正确答案，但是其中可能有某些思想或者细节是错误的，如果各位博友发现，请及时

2016-04-07 13:20:01 7057

原创機器學習基石(Machine Learning Foundations) 机器学习基石作业二课后习题解答

大家好，我是Mac Jiang,首先祝贺大家清明节快乐！作为一名苦逼的程序员，博主只能窝在实验室玩玩游戏，顺便趁着大早上没人发一篇微博。不过还是祝各位出行的兄弟玩的开心！今天和大家分享coursera-NTU-機器學習基石(Machine Learning Foundations)-作业二的习题解答。笔者在做这些题目时遇到很多困难，当我在网上寻找答案时却找不到，而林老师又不提供

2016-04-02 10:54:33 14907

原创機器學習基石机器学习基石（Machine Learning Foundations）作业二 Q19-20 C++实现

大家好，我是Mac Jiang,今天和大家分享Coursera-NTU-機器學習基石（Machine Learning Foundations）-作业2 Q19-20的C++实现。虽然有很多大神已经在很多博客中给出了Phython的实现，但是给出C++实现的文章明显较少，这里为大家提供一条C++实现的思路！我的代码虽然能够得到正确答案，但是其中可能有某些思想或者细节是错误的，如果各位博友发现，请及

2016-03-31 20:20:03 4398

原创機器學習基石机器学习基石（Machine Learining Foundations）作业2 Q16-18 C++实现

大家好，我是Mac Jiang,今天和大家分享Coursera-NTU-機器學習基石（Machine Learning Foundations）-作业2 Q16-18的C++实现。虽然有很多大神已经在很多博客中给出了Phython的实现，但是给出C++实现的文章明显较少，这里为大家提供一条C++实现的思路！我的代码虽然能够得到正确答案，但是其中可能有某些思想或者细节是错误的，如果各位博友发现，请及

2016-03-31 09:07:17 8629 2

原创機器學習基石机器学习基石（Machine Learning Foundations）作业1 习题解答

大家好，我是Mac Jiang,今天和大家分享coursera-NTU-機器學習基石(Machine Learning Foundations)-作业1的习题解答。笔者是在学习了Ng的Machine Learning之后开始学习这门课程的，但还是感觉收获颇丰。Ng的课程主要站在计算机专业的角度，教你如何使用机器学习，注重方法而不是数学推导，是一门很好的入门教程；而林轩田老师的机器学习基石是站在统计

2016-03-26 12:56:17 32752 23

原创機器學習基石 (Machine Learning Foundations) 作业1 Q18-20的C++实现（pocket）

大家好，我是Mac Jiang，今天和大家分享Coursera---台湾大学---機器學習基石 (Machine Learning Foundations)---作业1：Q18-20的C++实现。虽然我的代码得到了较为正确的结果，但是肯定不是最好的，如果各位博友有更好的实现思路，请留言指正，谢谢！希望我的博客能给您带来一些学习上的帮助！Q15-17的实现过程已经在：http://blog.csdn

2016-03-25 14:35:38 8088

原创機器學習基石 (Machine Learning Foundations) 作业1 Q15-17的C++实现

大家好，我是Mac Jiang。今天和大家分享Coursera-台湾大学-機器學習基石 (Machine Learning Foundations) -作业1的Q15-17题的C++实现。这部分作业的任务主要是写一个PLA分类器，用于解决一个4维数据的分类问题。我的代码也许能较好的运行PLA算法，但它不一定是最好最快的实现过程，如果各位博友有更好的思路，请留言联系，谢谢！希望我的博客能给您带来一些学

2016-03-25 14:23:56 13706 8

原创 Week 11:Application：Photo OCR课后习题解答

大家好，我是Mac Jiang,今天和大家分享的是Coursera-Stanford University-Machine Learning-Week 11:Application:Photo OCR的课后习题解答。虽然我的答案通过了系统测试，但是有些分析可能是错误的。各位博友如果发现错误，请留言纠正，谢谢。希望我的博客能给大家带来一些学习上的帮助！这周的课程中，老师主要讲了四个方面

2016-03-20 22:31:00 4982 1

原创 Week 10:Large Scale Machine Learning课后习题解答

大家好，我是Mac Jiang,今天和大家分享Coursera-Stanford University-Machine Learning-Week 10：Large Scale Machine Learning的课后习题解答。虽然我的答案通过了系统测试，但是我的分析不一定是正确的，如果各位博友发现错误或有更好的想法，请留言联系，谢谢。希望我的博客对您的学习有所帮助！这单元，吴恩达老师主要讲了五个方面

2016-03-19 10:01:20 7076

原创 Programming Exercise 8:Anomaly Detection and Recommender Systems 第二部分

大家好，我是Mac Jiang，今天和大家分享Coursera-Stanford University-Machine Learning-Programming Exercise 8:Anomaly Detection and Recommender Systems的第二部分Recommender Systems的实现过程，第一部分Anomaly Detection的实现过程的网址为：http:/

2016-03-17 20:29:36 2553

原创 Programming Exercise 8:Anomaly Detection and Recommender Systems第一部分

大家好，我是Mac Jiang,今天和大家分享Coursera-Stanford University-Machine Learning-Programming Exercise 8:Anomaly Detection and Recommender System的第一部分：Anomaly Detection。第二部分Recommender System的代码我将会在接下来的博客中给出。我的代码虽

2016-03-17 14:57:28 3288

原创 Week 9:Recommender Systems课后习题解答

大家好，我是Mac Jiang，今天和大家分享coursera-Stanford University-Machine Learning-Week 9:Recommender Systems的课后习题解答。注意：每个同学的问题的参数和选项都是不同了，请在参考的同时看清选项，避免带来错误。当然，我的分析不一定是正确的，如果博友发现错误，请留言联系，谢谢。希望我的解答能给您带来一些学习上的帮助！1.第一

2016-03-16 22:10:46 5153

原创 Week 9:Anomaly Detection课后习题解答

大家好，我是Mac Jiang，今天和大家分享Coursera-Stanford University-Machine Learning-Week 8:Anomaly Detection的课后习题解答。注意：每个同学的习题的参数和选项都是不同的，在参考时不要照抄，避免带来错误！我的分析也不一定是正确的，如果各位博友发现错误，请留言联系，谢谢。希望我的博客能给你带来一些学习上的帮助！1.第一题

2016-03-15 15:02:14 2292

原创 Programming Exercise 7:K-means Clustering and Principal Component Analysis (第二部分PCA)

大家好，我是Mac Jiang，今天和大家分享Coursera-Stanford University-Machine Learning-Programming Exercise 7:K-means Clustering and Principal Component Analysis的第二部分PCA（主成分分析）的实现过程。第一部分的实现我已经在前面微博中展现，地址为：。第二部分讲的主要是PCA

2016-03-13 18:44:50 4191

原创 Programming Exercise 7:K-means Clustering and Principal Component Analysis 第一部分

大家好，我是Mac Jiang，今天和大家分享Coursera-Stanford University-Machine Learning-Programming Exercise 7:K-means Clustering and Principal Principal Component Analysis的第一部分的编码。第一部分讲的是K-means Clustering,即K均值算法的实现过程，

2016-03-13 14:07:51 5160

原创 Week8:Dimensionality Reduction 课后习题解答(Principal Component Analysis)

大家好，我是Mac Jiang。今天和大家分享Coursera-Stanford University-Machine Learning-Week8:Dimensionality Reduction-Quiz:Principal Component Analysis的课后习题解答。提醒：每个同学课后习题的题目参数和选项都是不同的，在参考时请看清题目，避免错误！1.第一题

2016-03-12 21:57:36 3622

原创 Week 8：Unsupervised Learning 第一部分课后习题解答

大家好，我是Mac Jiang,今天和大家分享Coursra —Stanford University —Machine Learning第八周Unsupervised Learing 第一部分Clustering的课后习题。提醒：每个同学的课后习题的参数，选型可能都是不一样的，请做题之前看清题目，不要照抄！

2016-03-11 15:41:17 2221

原创 Programming Exercise 6:Support Vector Machines 第二部分

大家好，我是Mac Jiang，今天和大家分享一下coursera网站上Stanford University的Machine Learning公开课（吴恩达老师）课程第六次作业：Programming Exercise 6:Support Vector Machines。写这篇博客的目的是为在课程学习中遇到困难的同学提供一些帮助，同时帮助自己巩固这周的课程内容。欢迎博友转载此文章，但希望您在转载

2016-03-08 14:02:59 3124 1

原创 Programming Exercise 6:Support Vector Machines

2016-03-08 08:59:47 4483 2

原创 Week7_Support Vector Machines课后习题解答

大家好，今天和大家讨论一下coursera网站上Stanford University的机器学习第7周：Support Vector Machines的课后作业解答。我将给出这些题目和选项的翻译以及个人对题目的见解和看法，这些观点中有些可能是错误的，如有发现，请留言批评指正，谢谢。特此提醒，由于不同学生的题目参数，选项都会不同，请同学们不要照抄，因为我的答案给你可能完全是错误的答案，但是每道题的原理

2016-03-07 13:57:20 3954

原创 Week6_Machine Learning System Design课后习题解答

大家好，这篇文章主要和大家讨论coursra网站上斯坦福大学机器学习第6周第二部分Machine Learning System Design的课后习题。我将给出习题的大致翻译和本人的解题思路，其中可能存在错误，欢迎大家批评指正！

2016-03-02 16:45:20 6388

原创 Programming Exercise5:Regularized Linera Regression and Bias v.s Variance

大家好，本文主要和大家分享coursera网站上斯坦福大学机器学习公开课（吴文达老师）第六周Reguirized Linera Regression and Bias v.s Variance的课后编程题。这周的课程主要介绍了一些模型选择，样本分类，bias and variance，regularization参数选择，learing curves学习曲线绘制等知识。以下为本人编写的代码和一些个人的见解，如有错误，请留言批评指正，谢谢。

2016-03-01 21:27:23 2139

原创 Week6:Advice for Applying Machine Learning课后习题解答

本文将主要解释coursera网站上斯坦福大学的机器学习公开课（吴文达老师）第六周Advice for Applying Machine Learning的课后习题的讲解，与同学们共同探讨学习。 1.第一题题意：你训练了算法，在用测试数据进行测试时有很大的错误，画出了如下图所示的学习曲线。请问它是高偏差，高方差还是两者都不是？分析：吴老师在上课时候就明确说过，随着m增大，Jte

2016-03-01 17:04:31 4355 1

原创 Programing Exercise 4:Neural Networks Learning

本文讲的是coursera上斯坦福大学机器学习公开课（吴文达）课程第五周Neural Networks :learning 的课后作业。本文给出了作业实现的具体代码，并给出相应的注释和解释，供各位同学共同讨论学习。

2016-02-29 19:20:47 3272

原创 C++输入cin,cin.get(),cin.getline()详细比较及例子

本文主要介绍C++输入的cin,cin.get(),cin.getline()的基本用法，介绍他们之间的区别和例子。最后给出一种以任意字符做分隔符的的输入方法。

2016-01-25 13:13:39 35714 18

台湾大学机器学习基石手写笔记

大家好，我是Mac Jiang,今天和搭建分享的是台湾大学机器学习基石（Machine Learning Foundations）的个人笔记。个人觉得这门课是一门非常好的机器学习入门课程，值得初学者学习！这份笔记是本人一笔一划手写，扫描后上传了，也算是一个月的心血，希望我的工作能够给大家带来一些学习上的帮助。

2016-07-07

模式分类第二版英文课件

Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000

2016-01-20

基因表达谱芯片的数据分析

人类基因组计划的实施为基因芯片带来巨大发展。基因表达谱芯片是指将大量DNA片段或寡核苷酸固定在玻璃、硅、塑料等硬质载体上制备而成芯片，具有高效率，高通量、高精度以及能平行对照研究等特点。基因芯片的数据分析则是从杂乱无章的基因芯片数据中找出其固有规律。本文将介绍基因表达谱芯片的组成，并以数据分析的目的，从非监督学习、监督学习等角度对芯片的数据分析进行综述，并对每一种方法的优缺点进行评述，为正确选用基因芯片的数据分析方法提供参考。

2016-01-20

逻辑回归简介及其正则化

逻辑回归是一种重要的数据分析方法，已经被广泛应用于各个领域。作为广义线性模型的一个特例，逻辑回归由严格的理论推导出，具有良好的统计性质和明确的解释意义，因而在实际应用中，特别是分类问题应用中受到良好的效果。然而，传统的逻辑回归模型存在一些明显的不足，它容易出现过拟合问题。逻辑回归对于训练样本的拟合常能获得良好的精度，但对于训练数据集以外的测试数据，其分类效果不够理想。事实上，不仅是逻辑回归，其他许多数据分析模型也会受过拟合的影响，解决过拟合问题已经成为统计、机器学习领域的热点研究之一。解决过拟合问题的一种方法是正则化方法。它的思想是在模型中加入某些特定的正则项，使模型具有特性的性质，增加模型对训练样本外数据的预测能力。本文将简单介绍逻辑回归模型、过拟合概念，提供一种在MATLAB下可行的正则化算法。

2016-01-20

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人