2. 程式人生 > >機器學習課程筆記 (1)

機器學習課程筆記 (1)

阿新 • • 發佈：2018-03-27
something gen 很多 可能 sed pos 算法 put down

Concept Learning

  • supervised, eager learning
  • target problem: whether something belongs to the target concept or not

Find-S Algorithm

這個算法得到的是對於數據集最貼切的描述。

優點：

  • 這個算法的 output 一定是最符合 positive 的訓練數據集，只要訓練數據都正確，output 也同樣符合 negative 的訓練數據集。

缺點：

  • 對於訓練數據中的噪音十分敏感，如果訓練數據中含有錯誤數據，最後得出的 output 會受到很大的影響。
  • 不能保證只有這一種 output 符合訓練數據。可能有很多種描述都符合，但這個算法只會得出一種。

Candidate-Elimination Algorithm

相對於 Find-S，這個算法得出兩個假設，一個是最貼近數據集的，一個是最 general 的。

機器學習課程筆記 (1)

相關推薦

機器學習課程筆記 (1)

something gen 很多 可能 sed pos 算法 put down Concept Learning supervised, eager learning target problem: whether something belongs to the tar

Stanford機器學習課程筆記1-Linear Regression與Logistic Regression

轉載請註明出處: http://xiahouzuoxin.github.io/notes/課程計劃主講人Andrew Ng是機器學習界的大牛，創辦最大的公開課網站coursera，前段時間還聽說加入了百度。他講的機器學習課程可謂每個學計算機的人必看。整個課程的大綱大致如下：I

Coursera 斯坦福吳恩達機器學習課程筆記 (1)

看了課程一週後發現忘光了，決定做一個筆記用作複習。如果涉及到侵權問題請聯絡我，我會立馬刪除並道歉。同時，禁止任何形式的轉載，包括全文轉載和部分轉載。如需使用請聯絡本人 [email protected]。如若發現侵權行為，我學過智慧財產權法的，嘿嘿第一週：基礎概念和

李巨集毅機器學習課程筆記-1.機器學習概論

# 機器學習是什麼 **機器學習就是讓機器能自動找到一個函式（function）** - 語音識別（Speech Recognition） 輸入是音訊，輸出是音訊對應的文字。 - 影象分類 輸入是圖片，輸出是類別（比如貓、狗）。 - AlphaGo下圍棋 輸入是當前棋盤的狀態，輸出是下一步

李巨集毅老師機器學習課程筆記_ML Lecture 3-1: Gradient Descent

####引言： 這個系列的筆記是臺大李巨集毅老師機器學習的課程筆記 視訊連結（bilibili）：[李巨集毅機器學習(2017)](https://www.bilibili.com/video/av10590361?from=search&seid=4930602846193099298) 另外已經有

李巨集毅機器學習課程筆記-4.1分類簡介及其與迴歸的區別

[TOC] # 分類模型應用案例（Classification Cases） - 信用評分（Credit Scoring） - 輸入：收入、儲蓄、職業、年齡、信用歷史等等 - 輸出：是否貸款 - 醫療診斷（Medical Diagnosis） - 輸入：現在症狀、年齡、性別、病史 - 輸出：哪種疾病

Andrew Ng機器學習課程筆記（四）之神經網絡

sca 優化 介紹 www 之間 output 現在 利用 href Andrew Ng機器學習課程筆記（四）之神經網絡 版權聲明：本文為博主原創文章，轉載請指明轉載地址 http://www.cnblogs.com/fydeblog/p/7365730.html 前言

機器學習基石筆記1

網絡日誌 所有 手動 cli 次數 poc 基於 mat 概率問題 機器學習基石筆記1 lecture 1: The Learning Problem 1. 機器學習是什麽 通過對數據的經驗計算(experience computed)，提升性能度量 3個關鍵性質 a)

Andrew機器學習課程 章節1——初識機器學習

問題1：什麼是機器學習以及機器學習的通用演算法 如今一般使用的是Tom Mitchell對機器學習的定義： 原文為： A computer program is said to learn from experience E with respecet to some task T and

斯坦福CS229機器學習課程筆記一：線性迴歸與梯度下降演算法

機器學習三要素 機器學習的三要素為：模型、策略、演算法。 模型：就是所要學習的條件概率分佈或決策函式。線性迴歸模型 策略：按照什麼樣的準則學習或選擇最優的模型。最小化均方誤差，即所謂的 least-squares(在spss裡線性迴歸對應的模組就叫OLS即Ordinary Least Squares)：

吳恩達機器學習課程筆記02——處理房價預測問題（梯度下降演算法詳解）

  建議記住的實用符號 符號 含義 m 樣本數目 x 輸入變數 y 輸出變數/目標變數

吳恩達機器學習課程筆記章節二單變數線性迴歸

1、模型描述 Univariate（One variable）Linear Regression m=訓練樣本的數目，x's=輸入的變數/特徵，y's=輸出變數/目標變數 2、代價函式 基本定義： 3、代價函式（一） 回顧一下，前面一些定義： 簡化的假設函式，theta0=0，得到假

【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 10—Advice for applying machine learning

Lecture 10—Advice for applying machine learning   10.1 如何除錯一個機器學習演算法？ 有多種方案： 1、獲得更多訓練資料；2、嘗試更少特徵；3、嘗試更多特徵；4、嘗試新增多項式特徵；5、減小 λ；6、增大 λ 為了避免一個方案一個方

CS229機器學習課程筆記---監督學習之線性模型

監督學習 首先，我們考慮以下資料集，基於此資料集預測房價。 可以畫出如下散點圖： 定義符號 m — 訓練集樣本總數 x — 輸入變數/輸入特徵 (例，living area) y — 輸出/目標變數（例，price） { (x(i),y(i)) ；i =

機器學習課程筆記（2）

分類問題（接1） logistic迴歸中的代價函式： 對於原來的迴歸方程， J（θ）=1/m∑1/2（hθ（x）-y）2 與線性迴歸相同，所不同的是線性迴歸中hθ（x）為f（x），logistics中hθ（x）為sigmoid-f（x） 我們先設cost（h

【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 11—Machine Learning System Design

Lecture 11—Machine Learning System Design 11.1 垃圾郵件分類 本章中用一個實際例子： 垃圾郵件Spam的分類 來描述機器學習系統設計方法。首先來看兩封郵件，左邊是一封垃圾郵件Spam，右邊是一封非垃圾郵件Non-Spam：垃圾郵件有很多features。如果我

模式識別和機器學習讀書筆記1

2017-03-17 1.1 曲線擬合 用下式來擬合數據. 其中M是多項式的階數（order），$x^j$表⽰x的j次冪。多項式係數$w_0…w_M$整體記作向量w。 注意，雖然多項式函式$y(x,w)$是x的⼀個⾮線性函

Stanford機器學習課程筆記4-Kmeans與高斯混合模型

這一部分屬於無監督學習的內容，無監督學習內容主要包括：Kmeans聚類演算法、高斯混合模型及EM演算法、Factor Analysis、PCA、ICA等。本文是Kmeans聚類演算法、高斯混合模型的筆記，EM演算法是適用於存在latent/hidden變數的通用演算法，高斯混

吳恩達機器學習課程筆記——第二週

1. 多變數線性迴歸(Linear Regression with Multiple Variables) 也稱為多元線性迴歸，一元就是一個變數，多元就是多個變數，在這裡也可以叫做多個特徵 1.1 多維特徵(Multiple Features) 之前，

臺大林軒田機器學習課程筆記4----訓練 VS. 測試

引言 上一篇講到了在有限的hypotheses下，學習錯誤的發生率，即E_in與E_out不同的概率邊界，本篇將會探討在infinite hypotheses情況下的概率邊界。 線的有效數字（Effective Number of Lines） 我們先將學習劃分為兩個核心的問題