吳恩達機器學習筆記1——學習資源整合
資源地址：
感謝有吳恩達這樣樂於分享的前沿科學家，讓我們在學習前沿科技的道路上事半功倍。
如果你在此之前尚未學過任何機器學習課程，請勿先學習本課程。最好的起點是吳恩達最初的ML課程。（http://suo.im/2o1uD）
完成該課程後，請嘗試完成Jeremy傑出的深入學習課程的第1部分。Jeremy教授自上而下的深入學習課程，絕對適合初學者。（http://course.fast.ai）
一旦你學會了建立深度神經網路，之後就可以進一步學習吳恩達的deeplearning.ai課程，它會填補你對底層細節和概念理解的空白。
以黃海廣博士為首的機器學習愛好者們發起了一個網站，整理了課程文字字幕
大家在學習過程中，要以視訊吳老師說的話為主要參考，字幕和文字整理都會有略有出入，特別是中文翻譯。建議看得混亂時，先聽吳老師怎麼說，然後認真考慮下到底該怎麼翻。
UFLDL無監督特徵學習和深度學習的指南，Unsupervised Feature Learning and Deep Learning
相關推薦
【吳恩達機器學習】學習筆記——1.5無監督學習
分類 哪些 rep epm 朋友 工作 style class 客戶 1 無監督學習：在不知道數據點的含義的情況下，從一個數據集中找出數據點的結構關系。 2 聚類算法：相同屬性的數據點會集中分布，聚集在一起，聚類算法將數據集分成不同的聚類。也就是說，機器不知道這些數據點具體
【吳恩達機器學習】學習筆記——2.1單變量線性回歸算法
工作方式 樣本 body 聚類 屬性 bsp 定義 算法 信息 1 回顧1.1 監督學習定義：給定正確答案的機器學習算法分類：（1）回歸算法：預測連續值的輸出，如房價的預測（2）分類算法：離散值的輸出，如判斷患病是否為某種癌癥1.2 非監督學習定義：不給定數據的信息的情況下
吳恩達機器學習筆記1-機器學習概述
可能 perf hat 定義 視頻 nbsp 這樣的 spec 學習能力 今天看了視頻的第一章-緒論：初識機器學習（Machine Learning） 1、定義： Arthur Samuel（1959）.Machine Learning:Field of study tha
[吳恩達機器學習筆記]15.1-3非監督學習異常檢測算法/高斯回回歸模型
閾值 訓練集 jpg -a 情況 color 訓練 ase 需要 15.異常檢測 Anomaly detection 覺得有用的話,歡迎一起討論相互學習~Follow Me 15.1問題動機 Problem motivation 飛機引擎異常檢測 假想你是一個飛機引擎制造
[吳恩達機器學習筆記]15.1-3非監督學習異常檢測演算法/高斯回回歸模型
15.異常檢測 Anomaly detection 覺得有用的話,歡迎一起討論相互學習~Follow Me 15.1問題動機 Problem motivation 飛機引擎異常檢測
[吳恩達機器學習筆記]16推薦系統1-2基於內容的推薦系統
16.推薦系統 Recommender System 覺得有用的話,歡迎一起討論相互學習~Follow Me 16.1 問題形式化Problem Formulation 推薦系統的改善
吳恩達-機器學習筆記(1)-模型表示、損失函式、梯度下降
無監督學習：一個程式被認為能從經驗E中學習，解決任務T，達到效能度量值P，當且僅當，有了經驗E，經過P的評判，程式在處理T時效能有所提升。 A computer program is said to learn from experience E with respect to some t
【吳恩達機器學習筆記】week3：1/2邏輯迴歸
第三週 六、邏輯迴歸(Logistic Regression) 這裡首先區分一下線性迴歸和邏輯迴歸，線性迴歸就是擬合，邏輯迴歸是分類。 6.2 假說表式（Hypothesis Representation） 下面一個部分主要講的是假設函式h（x）在分類問題中輸出只能是0/
Coursera吳恩達機器學習課程 總結筆記及作業程式碼——第1,2周
Linear’regression 發現這個教程是最入門的一個教程了，老師講的很好，也很通俗，每堂課後面還有程式設計作業，全程用matlab程式設計，只需要填寫核心程式碼，很適合自學。 1.1 Model representation 起始給出了
學習筆記——吳恩達-機器學習課程-1.3 用神經網路進行監督學習
神經網路有時媒體炒作的很厲害，考慮到它們的使用效果，有些說法還是靠譜的，事實上到目前為止，幾乎所有的神經網路創造的經濟價值都基於其中一種機器學習，我們稱之為“監督學習”，那是什麼意思呢？ 我們來看一些例子， 在監督學習中輸入x，習得一個函式
吳恩達機器學習筆記1——學習資源整合
資源地址： 感謝有吳恩達這樣樂於分享的前沿科學家，讓我們在學習前沿科技的道路上事半功倍。 如果你在此之前尚未學過任何機器學習課程，請勿先學習本課程。最好的起點是吳恩達最初的ML課程。（http://suo.im/2o1uD） 完成該課程後，請嘗試完成Jer
吳恩達機器學習筆記 —— 1 緒論：初識機器學習
機器學習目前已經應用在很多領域，比如網頁搜尋、垃圾郵件過濾、點選率預測、生物資訊、無人駕駛、無人機、手寫體識別、自然語言處理、計算機視覺。 什麼是機器學習 1 機器學習一些比較難以變成的能力——Arthur Samuel 2 通過給定任務T以及效能度量P以及經驗E，計算機程式從經驗E中學習，用學習的結果
[吳恩達機器學習筆記]14降維1-2降維的應用資料壓縮與資料視覺化
14.降維 覺得有用的話,歡迎一起討論相互學習~Follow Me 14.1動機一：資料壓縮 降維 也是一種無監督學習的方法，降維並不需要使用資料的標籤。 降維 的其中一個目的是 資料壓
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
學習筆記——吳恩達-機器學習課程 1.2 什麼是神經網路
1.2 什麼是神經網路 “深度學習”指的是訓練神經網路，有的時候 規模很大，那麼神經網路是什麼呢？我們從一個房價預測的例子開始，假設有一個六間房屋的資料集已知房屋的面積，單位是平房英尺或者平方米，已知房屋價格，想要找到一個函式，根據房屋面積，預測房價的函式，
吳恩達機器學習筆記10-梯度下降法實踐1-特征縮放
alt style span 技術分享 嘗試 最簡 學習 梯度下降法 實踐 在我們面對多維特征問題的時候，我們要保證這些特征都具有相近的尺度，這將幫助梯度下降算法更快地收斂。 以房價問題為例，假設我們使用兩個特征，房屋的尺寸和房間的數量，尺寸的值為 0-2000 平方
吳恩達機器學習筆記26-樣本和直觀理解1（Examples and Intuitions I）
下半部 區別 img 二層 輸出變量 利用 真值表 特征 舉例 從本質上講，神經網絡能夠通過學習得出其自身的一系列特征。在普通的邏輯回歸中，我們被限制為使用數據中的原始特征??1, ??2, . . . , ????，我們雖然可以使用一些二項式項來組合這些特征，但是我們
吳恩達“機器學習”——學習筆記二
最大似然 數據 learning 模型 ima 我們 回歸 eps 而是 定義一些名詞 欠擬合（underfitting）：數據中的某些成分未被捕獲到，比如擬合結果是二次函數，結果才只擬合出了一次函數。 過擬合（overfitting）：使用過量的特征集合，使模型過於復雜。
吳恩達“機器學習”——學習筆記八
包含 找到 trade 經驗 這也 ... info 算法 不等式 偏差方差權衡(bias variance trade off) 偏差：如果說一個模型欠擬合，也可以說它的偏差很大。 方差：如果說一個模型過擬合，也可以說它的方差很大。 訓練誤差 經驗風險最小化(ERM)
【吳恩達機器學習】學習筆記——代價函數
info alt 學習 ima 代價函數 png 線性回歸 gpo mage 單變量線性回歸函數 hθ(x) = θ0 + θ1x 為了使線性回歸函數對數據有較好的預測性，即y到h(x)的距離都很小。 【吳恩達機器學習】學習筆記——代價函數