tiweeny的博客

斯坦福大学机器学习第七课"正则化“学习笔记，本次课程主要包括4部分：1)  The Problem of Overfitting(过拟合问题)2)  Cost Function(成本函数)3)  Regularized Linear Regression(线性回归的正则化)4)  Regularized Logistic Regression(逻辑回归的正则化)

斯坦福大学机器学习第六课"逻辑回归“学习笔记，本次课程主要包括7部分：1) Classification(分类)2) Hypothesis Representation3) Decision boundary(决策边界)4) Cost function(代价函数，成本函数)5) Simplified cost function and gradient de

Week 1IntroductionSupervised LearningUnsupervised LearningLinear Regression with One VariableModel and Cost FunctionModel RepresentationCost FunctionParameter LearningGradient DescentGradient Descent f

打开文件C:\Windows\System32\drivers\etc\hosts添加内容52.84.246.72 d3c33hcgiwev3.cloudfront.net打开cmd,输入ipconfig/flushdns。刷新dns即可

一.Multivariate Linear regression(多元线性回归)现在起将开始介绍一种新的更为有效的线性回归形式。这种形式适用于多个变量或者多特征量的情况。在之前学习过的线性回归中，都是只有一个单一的特征量--房屋面积 x，如图1-1所示，图1-1我们希望用房屋面积这个特征量来预测房子的价格。但是想象一下如果我们不仅有房屋面积作为预测房屋价格的特征量，我们还知

一.Gradient Descent For Linear Regression(线性回归的梯度下降)在前面我们谈到了梯度下降算法是很常用的算法，经常被用在线性回归模型、平方误差代价函数上。在这一部分，我们要将梯度下降算法和代价函数结合。往后我们还将用到此算法，并将其应用于具体的拟合直线的线性回归算法里。图1-1是我们之前学过的一些知识， 图1-1左边的

一.Gradient Descent(梯度下降)之前已经定义了代价函数J，为了最小化代价函数，接下来将介绍梯度下降（Gradient Descent）这种算法。梯度下降是很常用的算法，它不仅被用在线性回归上，实际上也被广泛的应用于机器学习领域中的众多领域。为了解决其他线性回归问题，我们也将使用梯度下降法最小化其他函数，而不仅仅是只用在本节课的代价函数J。下面是问题概述，首先看图1-1，

一.Cost Function-Intuition（代价函数直观理解）在前面我们给了代价函数一个数学上的定义，在这部分，让我们通过一些例子来获取一些直观的理解，看看代价函数到底是在干什么。回顾一下，如图1-1所示图1-1这是前面所讲过的内容，我们想找一条直线来拟合我们的数据，所以我们用θ0，θ1等参数得到了这个假设hθ(x)=θ0+θ1*x，而且通过选择不同的参数，我们会得到不同的

本文会讲到：(1)线性回归的定义(2)单变量线性回归(3)cost function：评价线性回归是否拟合训练集的方法(4)梯度下降：解决线性回归的方法之一(5)feature scaling：加快梯度下降执行速度的方法(6)多变量线性回归Linear Regression  注意一句话：多变量线性回归之前必须要Feature S

斯坦福大学机器学习第八课“神经网络的表示(Neural Networks: Representation)”学习笔记，本次课程主要包括7部分：1)  Non-linear hypotheses (非线性hypotheses)2)  Neurons and the brain (神经元和大脑)3)  Model representation I (模型表示一)4)  

这是Coursera上 Week3 的 “逻辑回归” 的编程作业代码。经过测验，全部通过。下面是 sigmoid.m 的代码：function g = sigmoid(z)%SIGMOID Compute sigmoid functoon% J = SIGMOID(z) computes the sigmoid of z.% You need to return the

1 InitIn the fi le warmUpExercise.m, you will find the outline of an Octave/MATLAB function. Modify it to return a 5x5 identity matrix by lling in the following code:A = eye(5);112.1 Plottin

斯坦福大学机器学习斯坦福大学机器学习第九课“神经网络的学习(Neural Networks: Learning)”学习笔记，本次课程主要包括8部分：1) Cost function(代价函数)2) Backpropagation algorithm(BP算法 or 反向传播算法)3) Backpropagation intuition(BP算法的直观解释)4) Im