cyoushika_Nara的博客

导语如我们在第二章中提到的，有监督学习主要分为回归问题和分类问题。之前的章节我们已经介绍过一元线性回归问题，多元线性回归问题，从本章开始我们将进入另一个方向——分类问题 (Classification)。1. 什么是分类问题？分类问题大致分为：二元分类和多元分类。二元分类就是判断”是或不是”的问题，比如判断一张图片里的动物是否为猫，判断一封邮件是否为垃圾邮件；而多元分类则是从多个选项中判断是哪一个，比如判断一张图片里的数字是几。2. 是否可以用线性回归来解决？3. 二元分类3.1 假设函数3.

导语1. 什么是多元线性回归问题？2. 多元线性回归模型表达式3. 多元线性回归模型与梯度下降法4. 特征缩放5. 如何对梯度下降法Debug？6. 正规方程求解最优参数7. 梯度下降法 vs 正规方程8. 多元多次多项式线性回归...

导言在【从零开始的机器学习】-04 梯度下降法中，我们介绍了梯度下降法的原理，以及如何利用梯度下降法优化一个直线模型（自变量只有1个）的参数，但是在面对现实中的问题是，我们发现自变量往往不止1个，可能是几个或者十几个，甚至成百上千个。对于更为一般的多元线性回归问题，我们要怎么去处理呢？在回答这个问题之前，我们有必要复习一些线代的基础知识，方便我们之后实现多元线性回归问题的机器学习。1. 矩阵（Matrix）矩阵是由[]包围的包含数字的矩形，比如：A=[1234]A=\left[\begin{matr

前导在【从零开始的机器学习】-03 一元线性回归与代价函数中，我们讨论了，“如果有一些房屋的面积数据和对应的房价，如何去预测一个房屋的价格”这一问题，为了更清晰地观察房屋面积与房价的关系，我们将数据投放到散点图中（如下）。通过观察，我们发现房屋价格与房屋面积呈正相关（即，房屋面积越大，房价越贵）。之后，为了预测房屋价格，我们选择用直线来拟合训练数据。需要注意的是，选择用什么模型并不是固定的，不同的问题有不同的适合的模型，选择适合的模型，并将参数最优化是我们机器学习的工作之一。我们说，只有一个自变量x（

1. 例子：假设我们有一些房屋的数据，然后想要通过这些数据来估计某栋房子的价格。如果我们决定只使用房屋的面积来预测，如何建立一个预测模型呢？假设我们的数据是：房屋面积 x（m2m^{2}m2）房价 y（万元）1307006532080392954807539012565445243904311055917342112851866281854009128162325为

如我们再上一章里讲的，机器学习分为两种：有监督学习（supervised learning）和无监督学习（unsupervised learning）。本章将介绍有监督学习以及它的评价标准： 代价函数（cost function）。1. 有监督学习朴素地讲，所谓有监督学习就是指“用来学习的资料都带答案，根据学习资料和答案，我们建立出一套“XX情况下的答案是OO”逻辑模型，之后去考试，看看面对资料之外的题我们答题的正确率有多高，再根据正确率对逻辑进行调整”的过程。有监督学习的具体流程如下： 我们将

背景对于大众而言，“机器学习”、“深度学习”、“神经网络”等词汇更多是从AlphaGo大战围棋高手之后开始进入人们的视野。但实际上，机器学习的历史已经很久了。上世纪1959年，Arthur Lee Samuel第一次提出了“机器学习”这一词汇，并实现了世界上第一个自我学习的程序，将机器学习的概念和人工智能最早的demo带给了世界。经过几十年的发展，如今人类的生活、工作、科研等方方面面，大到对宇宙的探索和数据分析，小到某个App给用户的定制推送，其背后都有机器学习、深度学习等方法实现的人工智能的身影。那么，