神秘的糖的专栏

机器学习课堂笔记（六） 使用舌头感知图像信号转换的电压信号，能使大脑学会用舌头看东西 通过感知声音反馈，能使大脑学会用声音看东西 在青蛙身上移植第三只眼，青蛙能学会用它看东西 注意 theta（上标j）在j=2时，是一个矩阵。 使用右边的公式来构建算法

机器学习课堂笔记（十四） 使用低维数据来近似表示高维数据 通过数据可视化来获得降维数据的物理意义 Σ\Sigma和∑ni=1\sum_{i=1}^n不同 Σ\Sigma的计算对于所有的样本值 此时计算的是一个样本值x(i)x^{(i)}的降维z(i)z^{(i)} 保留99%的差异性 [U,S,V] = svd(Sigma)调用一次 使用训练集运行PCA，这样

机器学习课堂笔记（十七）<matlab>cvPredictions = (pval < epsilon);fp = sum((cvPredictions == 1) & (yval == 0));<matlab>cvPredictions == 1和yval == 0是长度 n== length(cvPredictions)==length(yval)的逻辑向量 ((cvPredicti

机器学习课堂笔记（十一）复制行向量 ones(m,1)∗[x1x2x3⋯xn] ones(m,1)*    \begin{bmatrix} x_1& x_2 & x_3       & \cdots&x_n \end{bmatrix} 复制列向量 ones(1,m)∗⎡⎣⎢⎢⎢⎢⎢⎢⎢x1x2x3⋮xn⎤⎦⎥⎥⎥⎥⎥⎥⎥ones(

机器学习课堂笔记（十六） x(i)x^{(i)}包括偏置项x(i)0=1x^{(i)}_0=1 对i:r(i,j)=1i:r(i,j)=1的项求和 通过得知用户的喜好得到θ(i)\theta^{(i)} 协同过滤不断优化θ(i)\theta^{(i)}和x(i)x^{(i)}，每个用户的评价将会进一步优化它们。 不需要手动设置x(i)0x^{(i)}_0=1,算法将会自动选

机器学习课堂笔记（十三） C值对边界曲线的影响 大写的 K 表示 所有聚类中心的个数 小写的 k 则是 不同的中心的下标 如果存在μk\mu_k没有被分配点，重新随机设置μk\mu_k 使用聚类算法细分市场的一个例子宿舍 μc(i)\mu_{c^{(i)}}是X(i)X^{(i)}所属的聚类中心 1、最小化J(⋯)J(\cdots)关于c1,c(2),

机器学习课堂笔记（十） 注意打乱样本的顺序。 注意使用不同的数据集来选择d和测试误差 注意交叉验证是在拟合参数之前 使用交叉验证集来计算评估不同labmda的好坏

机器学习课堂笔记（十五）<matlab>% Find closest cluster membersidx = findClosestCentroids(X, centroids)% Essentially, now we have represented the image X as in terms of % the indices in idx. % We can now recover

机器学习课堂笔记（一）无监督学习和聚类算法的应用 机器自己去找出数据集内在的关系， 机器学习例子 举个跳棋的例子，一个电脑程序从许多局跳棋游戏关于跳棋本身和赢得下局的概率中学习，从而对另外一局跳棋，预测程序赢得比赛的概率。 监督学习的例子 如果预测根据户型预测房价，这是回归问题，而通过户型来预测实际价格会比定价高还是低，则是分类问题。 无监督学习的例子 具有多年经验的医生在

机器学习课堂笔记 如图，多个数据的计算可以看作 数据矩阵和参数矩阵的计算 注意，罗马数字或者阿拉伯数字一代表单位矩阵 同时，单位矩阵的维数在一个等式中不是固定的 注意X0=1。 使用曲线图更加可靠，因为很难找到一个阙值 另外，图表能够更直观的表达 在这里，使用多项式回归，可以处理非线性问题 关于如何选择求theta的方法

机器学习课堂笔记（三）基本的octave 命令 load save who whos pwd save hello.txt v -ascii 1 clear A([1 3],:)2 A(:)3 g(z)确定函数形式 theta的转置确定具体的参数 注意一下条件概率 ) g(z)使取值在0-1之间 注意输出值为h(x),它是一个逻辑回归函数 和线性回归不同的

机器学习课堂笔记（九）在onevsall多分类器和神经网络中，样本值y为0-m。 y在计算时表示为m行的的向量。 增加搜索目录 注意theta1−thetantheta_1-theta_n代表θ0−θn−1\theta_0-\theta_{n-1} 注意计算的顺序，先算(hθ(x(1))−y(1))x(1),...(h_\theta(x^{(1)})-y^{(1)})x^{

机器学习笔记（五）关于函数fminunc ‘GradObj’ , ‘on’:告知fminunc我们的函数返回cost和gradient。 ‘MaxIter’ , 400:fminunc将会在结束前最多运行400步。 round ：四舍五入函数

机器学习课堂笔记（十八） 机器学习流水线：一个有许多阶段/组件的系统，其中几个可能使用机器学习。 使用固定长宽比的矩形框检测行人 收集矩形样本，有行人的为正样本，其他的为负样本 使用更大的矩形框滑动检测时，将提取的图像压缩为82×3682\times36 得到左边图的方法 对于每一个像素 我们都考察一下 它是不是在左边 这幅图中的某个 白色像素的范围之内 所以比如说 如果某