肖泽的博客

吴恩达机器学习课程笔记（1）引言、监督学习、无监督学习课程概述    &am

9.应用机器学习的建议(Advice for Applying Machine Learning)文章目录9.应用机器学习的建议(Advice for Applying Machine Learning)9.1 决定下一步做什么9.2 评估一个假设9.3 模型选择和交叉验证集9.4 诊断偏差和方差9.5 正则化和偏差/方差10.6 学习曲线9.7 决定下一步做什么本章编程作业及代码实现部分见...

10.机器学习系统的设计(Machine Learning System Design)文章目录10.机器学习系统的设计(Machine Learning System Design)10.1 首先要做什么10.2 误差分析10.3 类偏斜的误差度量10.4 查准率和查全率之间的权衡10.5 机器学习的数据10.1 首先要做什么      &nb

Programming Exercise 7.1:K-means ClusteringPython版本3.6编译环境：anaconda Jupyter Notebook链接：实验数据和实验指导书提取码：i7co本章课程笔记部分见：13.聚类在本练习中，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-...

Programming Exercise 7.2:Principal Component Analysis（PCA）Python版本3.6编译环境：anaconda Jupyter Notebook链接：实验数据和实验指导书提取码：i7co本章课程笔记部分见：14.降维PCA是在数据集中找到“主成分”或最大方差方向的线性变换。 它可以用于降维。 在本练习中，我们首先负责实现PCA并将其...

# Programming Exercise 3:Multi-class Classification and Neural NetworksPython版本3.6编译环境：anaconda Jupyter Notebook链接：实验数据 和实验指导书提取码：i7co本章课程笔记部分见：神经网络：表述(Neural Networks: Representation) 神经网络的学习(N...

11.支持向量机(Support Vector Machines)文章目录11.支持向量机(Support Vector Machines)11.1 优化目标11.2 大边界的直观理解本章编程作业及代码实现部分见：11.1 优化目标       在监督学习中，许多学习算法的性能都非常类似，因此，重要的

12.支持向量机大边界分类背后的数学和核函数文章目录12.支持向量机大边界分类背后的数学和核函数12.1 大边界分类背后的数学（选修）12.2 核函数112.3 核函数212.4 使用支持向量机本章编程作业及代码实现部分见：12.1 大边界分类背后的数学（选修）       在本节课中，我将介绍一些大间隔分类背后的数学原理。这会让你

15.异常检测(Anomaly Detection)文章目录15.异常检测(Anomaly Detection)15.1 问题的动机15.2 高斯分布15.3 算法15.4 开发和评价一个异常检测系统15.5 异常检测与监督学习对比15.6 选择特征15.7 多元高斯分布（选修）15.8 使用多元高斯分布进行异常检测（可选）本章编程作业及代码实现部分见:15.1 问题的动机  ...

16.推荐系统(Recommender Systems)文章目录16.推荐系统(Recommender Systems)16.1 问题形式化16.2 基于内容的推荐系统16.3 协同过滤16.4 协同过滤算法16.5 向量化：低秩矩阵分解16.6 推行工作上的细节：均值归一化本章编程作业及代码实现部分见:16.1 问题形式化       我们从一...

17.大规模机器学习(Large Scale Machine Learning)文章目录17.大规模机器学习(Large Scale Machine Learning)17.1 大型数据集的学习17.2 随机梯度下降法17.3 小批量梯度下降17.4 随机梯度下降收敛17.5 在线学习17.6 映射化简和数据并行17.1 大型数据集的学习      &nbsp...

18.应用实例：图片文字识别(Application Example: Photo OCR)文章目录18.应用实例：图片文字识别(Application Example: Photo OCR)18.1 问题描述和流程图18.2 滑动窗口18.3 获取大量数据和人工数据18.4 上限分析：哪部分管道的接下去做18.1 问题描述和流程图       图像...

Programming Exercise 5:Regularized Linear Regression and Bias v.s.VariancePython版本3.6编译环境：anaconda Jupyter Notebook链接：实验数据和实验指导书提取码：i7co本章课程笔记部分见：应用机器学习的建议(Advice for Applying Machine Learning)在...

14.降维(Dimensionality Reduction)文章目录14.降维(Dimensionality Reduction)@[toc]14.1 动机一：数据压缩14.2 动机二：数据可视化14.3 主成分分析问题14.4 主成分分析算法14.5 选择主成分的数量14.6 重建的压缩表示14.7 主成分分析法的应用建议本章编程作业及代码实现部分见:14.1 动机一：数据压缩&nbs...

Programming Exercise 4:NN back propagation本章课程笔记部分见：神经网络：表述(Neural Networks: Representation) 神经网络的学习(Neural Networks: Learning)本次练习中，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,通过反向传播算法实现神经网络成本函数和梯度计算的非正则化和正则化版...

13.聚类(Clustering)文章目录13.聚类(Clustering)13.1 无监督学习：简介13.2 K-均值算法13.3 优化目标13.4 随机初始化13.5 选择聚类数本章编程作业及代码实现部分见:13.1 无监督学习：简介       在这个笔记中，将开始介绍聚类算法。      &

Programming Exercise 1: Linear RegressionPython版本3.6编译环境：anaconda需要数据集ex1data1.txt、ex1data2.txt 或者 编程作业ex1.pdf在评论区留下邮箱！1 单变量线性回归(Linear regression with one variable)本章课程笔记部分见：单变量线性回归和梯度下降1.1数据可视...

2.单变量线性回归(Linear Regression with One Variable)文章目录2.单变量线性回归(Linear Regression with One Variable)2.1 模型表示2.2 代价函数2.3 梯度下降2.4 梯度下降的直观理解2.5 梯度下降的线性回归本章编程作业及代码实现部分见：2.1 模型表示  &amp

3.线性代数回顾(Linear Algebra Review)文章目录3.线性代数回顾(Linear Algebra Review)3.1 矩阵和向量3.2 加法和标量乘法3.3 矩阵向量乘法3.4 矩阵乘法3.5 矩阵乘法的性质3.6 逆、转置如需系统学习有关机器的数学基础知识（高数、线性代数、概率论与数理统计），参见优快云博客链接。3.1 矩阵和向量如图：这个是4×2矩阵，即4行2列...

文章目录高等数学线性代数行列式矩阵向量线性方程组矩阵的特征值和特征向量二次型概率论和数理统计随机事件和概率随机变量及其概率分布多维随机变量及其分布随机变量的数字特征数理统计的基本概念高等数学1.导数定义：导数和微分的概念f′(x0)=lim⁡Δx→0 f(x0+Δx)−f(x0)Δxf'({{x}_{0}})=\underset{\Delta ...

4.多变量线性回归、梯度下降和正规方程(Linear Regression with Multiple Variable , Gradient Descent and Normal Equation)文章目录4.多变量线性回归、梯度下降和正规方程(Linear Regression with Multiple Variable , Gradient Descent and Normal Equa...

Programming Exercise 1: Linear RegressionPython版本3.6编译环境：anaconda需要数据集ex1data1.txt、ex1data2.txt 或者 编程作业ex1.pdf在评论区留下邮箱！2 多变量线性回归(Linear regression with multiple variable)本章课程笔记部分见：4.多变量线性回归、梯度下降和...

5.逻辑回归(Logistic Regression)文章目录5.逻辑回归(Logistic Regression)5.1 分类问题5.2 假说表示5.3 判定边界5.4 代价函数5.5 多类别分类：一对多5.1 分类问题       

6.正则化(Regularization)文章目录6.正则化(Regularization)6.1 过拟合的问题6.2 代价函数6.3 正则化线性回归6.4 正则化的逻辑回归模型本章编程作业及代码实现部分见：6.1 过拟合的问题       到现在为止，我们已经学习了线性回归和逻辑回归，它们能够有效地解决许多问题，但是当将

Programming Exercise 2: Logistic RegressionPython版本3.6编译环境：anaconda Jupyter Notebook链接：ex2data1.txt、ex2data2.txt 和编程作业ex2.pdf（实验指导书）提取码：i7co本章课程笔记部分见：逻辑回归正则化在这一次练习中，我们将要实现逻辑回归并且应用到一个分类任务。我们还将通过将...

7.神经网络：表述(Neural Networks: Representation)文章目录7.神经网络：表述(Neural Networks: Representation)7.1 非线性假设7.2 模型表示17.3 模型表示27.4 特征和直观理解17.5 样本和直观理解II7.6 多类分类本章编程作业及代码实现部分见：7.1 非线性假设      &...

8.神经网络的学习(Neural Networks: Learning)文章目录8.神经网络的学习(Neural Networks: Learning)8.1 代价函数8.2 反向传播算法8.3 反向传播算法的直观理解8.4 实现注意：展开参数9.5 梯度检验8.6 随机初始化8.7 综合起来本章编程作业及代码实现部分见：8.1 代价函数      &amp

Programming Exercise 6:Support Vecter MachinesPython版本3.6编译环境：anaconda Jupyter Notebook链接：实验数据和实验指导书提取码：i7co本章课程笔记部分见：支持向量机支持向量机大边界分类背后的数学和核函数在本练习中，我们将使用支持向量机（SVM）来构建垃圾邮件分类器。 我们将从一些简单的2D数据集开始使用S...