机器学习公开课笔记(2)：多元线性回归
多元线性回归 一元线性回归只有一个特征$x$，而多元线性回归可以有多个特征$x_1, x_2, \ldots, x_n$ 假设 (Hypothesis)：$h_\theta(x)=\theta^Tx=\theta_0x_0+\theta_1x_1+\ldots+\theta_nx_n$ 参数 ...
原文：Andrew Ng机器学习公开课笔记 -- 线性回归和梯度下降
网易公开课，监督学习应用.梯度下降 notes，http: cs .stanford.edu notes cs notes .pdf 线性回归 Linear Regression 先看个例子，比如，想用面积和卧室个数来预测房屋的价格 训练集如下 首先，我们假设为线性模型，那么hypotheses定义为 ， 其中x ,x 表示面积和 bedrooms两个feature 那么对于线性模型，更为通用的写 ...
2014-03-26 17:40 4 7989 推荐指数：
相关推荐
Andrew Ng机器学习公开课笔记 -- 支持向量机
网易公开课，第6，7，8课 notes，http://cs229.stanford.edu/notes/cs229-notes3.pdf SVM-支持向量机算法概述, 这篇讲的挺好，可以参考 先继续前面对线性分类器的讨论， 通过机器学习算法找到的线性分类的线，不是唯一的，对于一个训练集 ...
Andrew Ng机器学习公开课笔记 -- Logistic Regression
网易公开课，第3，4课 notes，http://cs229.stanford.edu/notes/cs229-notes1.pdf 前面讨论了线性回归问题， 符合高斯分布，使用最小二乘来作为损失函数 下面继续讨论分类问题，分类问题和回归问题不同在于Y的取值是离散的 我们先讨论最简单 ...
机器学习公开课笔记(1)：机器学习简介及一元线性回归
初步介绍 监督式学习: 给定数据集并且知道其正确的输出应该是怎么样的，即有反馈（feedback），分为 回归 （Regressioin）: map输入到连续的输出值。 分类 （Classification）：map输出到离散的输出值。 非监督式学习: 给定数据集，并不知道 ...
机器学习公开课笔记(3)：Logistic回归
Logistic 回归 通常是二元分类器（也可以用于多元分类）,例如以下的分类问题 Email: spam / not spam Tumor: Malignant / benign 假设 (Hypothesis)：$$h_\theta(x) = g(\theta^Tx ...
斯坦福大学Andrew Ng教授主讲的《机器学习》公开课观后感
课程设置和内容 视频课程分为20集，每集72-85分钟。实体课程大概一周2次，中间还穿插助教上的习题课，大概一个学期的课程。 内容涉及四大部分，分别是：监督学习（2-8集）、学习理论（9集-11集）、无监督学习（12-15集）、强化学习（16-20集）。监督学习和无监督学习，基本上是机器学习 ...
机器学习公开课笔记(7)：支持向量机
支持向量机(Support Vector Machine, SVM) 考虑logistic回归，对于$y=1$的数据，我们希望其$h_\theta(x) \approx 1$，相应的$\theta^Tx \gg 0$; 对于$y=0$的数据，我们希望$h_\theta(x) \approx ...
Andrew Ng机器学习课程笔记--week1（机器学习介绍及线性回归）
之前看过一遍，但是总是模模糊糊的感觉，也刚入门，虽然现在也是入门，但是对于一些概念已经有了比较深的认识（相对于最开始学习机器学习的时候）。所以为了打好基础，决定再次学习一下Andrew Ng的课程，并记录笔记以供以后复习参考。 1. 内容概要 Introduction ...