GitHub：https://github.com/myp020301

我们的第一个任务是使用高斯模型来检测数据集中未标记的示例是否应被视为异常。 我们先从简单的二维数据集开始。之前我们构建的异常检测系统也使用了带标记的数据，与监督学习有些相似，下面的对比有助于选择采用监督学习还是异常检测：两者比较：数据可视化In [1]:In [3]:Out[3]:In [4]:我们需要为每个特征xix_ixi​拟合一个高斯分布，并返回高斯分布的参数μi,σi2\mu_i,\sigma_i^2μi​,σi2​。高斯分布公式如下：p(x;μ,σ2)=12πσ2e−(x−μ)22σ2p

在本练习中，我们将实现K-means聚类，并使用它来压缩图像。 我们将从一个简单的2D数据集开始，以了解K-means是如何工作的，然后我们将其应用于图像压缩。 我们还将对主成分分析进行实验，并了解如何使用它来找到面部图像的低维表示。我们将实施和应用K-means到一个简单的二维数据集，以获得一些直观的工作原理。 K-means是一个迭代的，无监督的聚类算法，将类似的实例组合成簇。 该算法通过猜测每个簇的初始聚类中心开始，然后重复将实例分配给最近的簇，并重新计算该簇的聚类中心。 我们要实现的第一部分是找到数

在本练习中，我们将使用高斯核函数的支持向量机（SVM）来构建垃圾邮件分类器。

这一部分，我们需要先对一个水库的流出水量以及水库水位进行正则化线性归回。然后将会探讨方差-偏差的问题。

对于这个练习，我们将再次处理手写数字数据集。这次使用反向传播的前馈神经网络，自动学习神经网络的参数。这部分和ex3里是一样的，5000张20*20像素的手写数字数据集，以及对应的数字（1-9，0对应10）In [1]:In [2]:Out[2]:In [3]:Out[3]:In [4]:Out[4]:In [5]:这部分和ex3的第二部分一样首先，实现神经网络的代价函数和梯度函数要求：你的代码应该适用于任何数据集，包括任意数量的输入输出单元In [6]:In [7]:代价函数In [8

这个部分需要你实现手写数字（0到9）的识别。你需要扩展之前的逻辑回归，并将其应用于一对多的分类。这是一个格式的文件，其中包含5000个20*20像素的手写字体图像，以及他对应的数字。另外，数字0的y值，对应的是10用读取我们需要使用In [1]:In [2]:Out[2]:In [3]:Out[3]:1.2 数据可视化随机展示100个数据In [4]:Out[4]:In [5]:你将用多分类逻辑回归做一个分类器。因为现在有10个数字类别，所以你需要训练10个不同的逻辑回归分类器。为了让训

在训练的初始阶段，我们将要构建一个逻辑回归模型来预测，某个学生是否被大学录取。设想你是大学相关部分的管理者，想通过申请学生两次测试的评分，来决定他们是否被录取。现在你拥有之前申请学生的可以用于训练逻辑回归的训练样本集。对于每一个训练样本，你有他们两次测试的评分和最后是被录取的结果。In [1]:In [2]:Out[2]:In [3]:逻辑回归函数为hθ=g(θTx)h_\theta=g(\theta^Tx)hθ​=g(θTx)g代表一个常用的逻辑函数（logistic function）为

In [1]:1 简单练习输出一个5*5的单位矩阵In [2]:Out[2]:2 单变量的线性回归整个2的部分需要根据城市人口数量，预测开小吃店的利润数据在ex1data1.txt里，第一列是城市人口数量，第二列是该城市小吃店利润。读入数据，然后展示数据In [3]:Out[3]:In [4]:这个部分你需要在现有数据集上，训练线性回归的参数θJ(θ)=12m∑i=1m(hθ(x(i))−y(i))2J\left( \theta \right)=\frac{1}{2m}\sum\limi