Week One - 1. Andrew Ng - 什麼是機器學習?
Definition
定義(1):
在不需要具體程式設計的情況下賦予計算機自我學習的能力。 - Arthur Samuel(1959)。例如: 程式的編寫者可能是某個領域的菜鳥,例如圍棋,但是通過機器學習,計算機獲得瞭如果才能贏得策略,成為了圍棋高手。
定義(2):
存在經驗E, 任務T, 效能P,使得計算機程式執行任務T,其表現由P來測量,並且其結果由經驗E來改進。- Tom Mitchell(1998)。 例如在圍棋中,經驗E是程式上萬次的自我練習,任務T則是下棋,而效能P是指計算機在與新對手比賽時,贏取比賽的概率。
小測試:
在分類垃圾郵件的背景下,什麼是E,什麼是T,什麼是P?
A. 將郵件分類為垃圾郵件和非垃圾郵件 T
B. 觀察郵件的標籤是垃圾郵件還是非垃圾郵件 E
C. 被正確分類為垃圾郵件和非垃圾郵件的數量 P
Category
機器學習的分類:
有監督學習: 教計算機如何學習 (有指導)
非監督學習:讓計算機自己學習 (無指導)
相關推薦
Week One - 1. Andrew Ng - 什麼是機器學習?
Definition 定義(1): 在不需要具體程式設計的情況下賦予計算機自我學習的能力。 - Arthur Samuel(1959)。例如: 程式的編寫者可能是某個領域的菜鳥,例如圍棋,但是通過機器學習,計算機獲得瞭如果才能贏得策略,成為了圍棋高手。 定義(2):
Week One - 2. Andrew Ng - 監督學習
情景一 假設你想預測房價, 你朋友的房子面積是750,你想知道這房子能賣多少錢,機器學習演算法如何做到這一點呢? 橫座標:房子的面積 縱座標:房子的價格,單位是1000$ 方法一: 擬合
廣義線性模型 - Andrew Ng機器學習公開課筆記1.6
sans luci art 能夠 tro ron 便是 import grand 在分類問題中我們如果: 他們都是廣義線性模型中的一個樣例,在理解廣義線性模型之前須要先理解指數分布族。 指數分
Week One - 3. Andrew Ng - 非監督學習
在前面的監督學習中,已獲取的資料集中包含正確答案,因此計算機可以通過學習來發現資料和正確答案之間的關係,進而進行預測。接下來,我們要計算機學習那些為賦予正確答案的資料。 在上圖中,我們對於資料的類別一無所知,現在只有x1和x2兩個特徵,對於無監督演算法,我們能做的就是
【原】Coursera—Andrew Ng機器學習—Week 8 習題—聚類 和 降維
【1】無監督演算法 【2】聚類 【3】代價函式 【4】 【5】K的選擇 【6】降維 Answer:本來是 n 維,降維之後變成 k 維(k ≤ n) 【7】 【8】 Answer: 斜率-1 【9】 Answer: x 是一個向
【原】Coursera—Andrew Ng機器學習—Week 10 習題—大規模機器學習
【1】大規模資料 【2】隨機梯度下降 【3】小批量梯度下降 【4】隨機梯度下降的收斂 Answer:BD A 錯誤。學習率太小,演算法容易很慢 B 正確。學習率小,效果更好 C 錯誤。應該是確定閾值吧 D 正確。曲線不下降,說明學習率選的太大 【5】線上學習
Stanford coursera Andrew Ng 機器學習課程程式設計作業(Exercise 1)Python3.x
Exercise 1:Linear Regression---實現一個線性迴歸 在本次練習中,需要實現一個單變數的線性迴歸。假設有一組歷史資料<城市人口,開店利潤>,現需要預測在哪個城市中開店利潤比較好? 歷史資料如下:第一列表示城市人口數,單位為萬人;第二
Andrew Ng機器學習筆記+Weka相關算法實現(四)SVM和原始對偶問題
優化問題 坐標 出了 變量 addclass fun ber 找到 線性 這篇博客主要解說了Ng的課第六、七個視頻,涉及到的內容包含,函數間隔和幾何間隔、最優間隔分類器 ( Optimal Margin Classifier)、原始/對偶問題 ( Pr
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
Andrew Ng機器學習第一章——初識機器學習
表現 多次 無監督學習 答案 性能 分類 理想 通過 連續 機器學習的定義 計算機程序從經驗E中學習,解決某一任務T、進行某一性能度量P,通過P測定在T上的表現因E而提高。 簡而言之:程序通過多次執行之後獲得學習經驗,利用這些經驗可以使得程序的輸出結果更為理想,就是
Andrew Ng機器學習第一章——單變量線性回歸
梯度 tex 回歸 同步 常常 最好 可能 機器 http 監督學習算法工作流程 h代表假設函數,h是一個引導x得到y的函數 如何表示h函數是監督學習的關鍵問題 線性回歸:h函數是一個線性函數 代價函數 在線性回歸問題中,常常需要解決最小化問題。代
Andrew Ng機器學習(零):什麽是機器學習
中學 修正 style tar 輸入 color 情況 html 知識 1.什麽是機器學習? 自動化:讓計算機處理繁瑣和重復的工作。 編程:設計一種算法,適用於解決特定的問題。 機器學習:可以解決更廣泛的而不是特定的問題。類比於人類從經驗中學習這種活動,從已有的數據中發現自
Andrew Ng 機器學習筆記 16 :照片OCR
OCR的大概步驟 機器學習流水線(machine learning pipeline) 滑動窗體 上限分析 照片OCR是指照片光學字元識別(photo optical ch
Andrew Ng 機器學習筆記 15 :大資料集梯度下降
隨機梯度下降 隨機梯度下降原理 小批量梯度下降 小批量梯度下降vs隨機梯度下降 隨機梯度下降的收
Andrew Ng 機器學習筆記 14 :異常檢測
異常檢測問題 高斯分佈 高斯分佈中,μ和σ的關係 異常檢測的具體演算法 異常檢測演算法步驟總結 異常檢測 VS 監督學習 對不服從高斯分佈的資料進行
Andrew Ng 機器學習筆記 13 :降維(dimensionality reduction)
資料壓縮 二維降到一維 三維降到二維 視覺化資料 主成分分析(PCA) PCA的執行過程2D -&
Andrew Ng 機器學習筆記 12 :聚類
K均值 (K-means)演算法 K-Means的規範化描述 異常情況 K均值的代價函式 隨機初始化 肘部法則 (Elbow Method)
Andrew Ng 機器學習筆記 11 :支援向量機(Support Vector Machine)
構建支援向量機 1.替換邏輯迴歸函式 2.去除多餘的常數項 1/m 3.正則化項係數的處理 大間距分類器 SVM決
Andrew Ng 機器學習筆記 10 :評價學習演算法
評估假設函式 模型選擇 正則化引數λ對假設函式的影響 λ 在訓練集上的變化 λ在交叉驗證集上的變化 學習曲線(Lear
Andrew Ng 機器學習筆記 09 :神經網路
非線性假設 神經網路邏輯單元 激勵函式 輸入層,輸出層,隱藏層 前向傳播(forward propagation)的向量化實現 AND、OR、NOT、XNOR的實