作业方面，暂时只关注需要编程的题目了，用python完成代码。 Q15~Q17应用的是传统PLA算法，给定的数据集也是保证线性可分的。 代码需要完成的就是实现一个简单的PLA，并且“W = W + speed*yX”中的speed是可以配置的（即学习速率） 代码1 代码 ...

直接跳过第一讲。从第二讲Perceptron开始，记录这一讲中几个印象深的点： 1. 之前自己的直觉一直对这种图理解的不好，老按照x、y去理解。 a) 这种图的每个坐标代表的是featu ...

机器学习基石 | 作业一 个人基础不太好，做题花了挺长时间，分享一下自己的解题方法。基础不太好嘛，可能比较啰嗦。 原题目和编程题的程序（Jupyter Notebook 源文件），还有本解答的 PDF 版本都放在了 此链接 中。 题目 见文件 作业 ...

在NNet这个系列中讲了Matrix Factorization感觉上怪怪的，但是听完第一小节课程就明白了。 林首先介绍了机器学习里面比较困难的一种问题：categorical features 这种问题的特征就是一些ID编号这类的，不是numerical的。 如果要处理这种情况，需要 ...

这节课的题目是Deep learning，个人以为说的跟Deep learning比较浅，跟autoencoder和PCA这块内容比较紧密。 林介绍了deep learning近年来受到了很大的关注：deep NNet概念很早就有，只是受限于硬件的计算能力和参数学习方法。 近年来深度学习 ...

这次作业的coding任务量比较大，总的来说需要实现neural network, knn, kmeans三种模型。 Q11~Q14为Neural Network的题目，我用单线程实现的，运行的时间比较长，因此把这几道题的正确答案记录如下： Q11: 6 Q12: 0.001 Q13 ...

注：本大纲和笔记是根据台大林轩田老师《机器学习基石》和《机器学习技法》视频课程整理而来。林老师讲课幽默风趣，授课内容丰富而又通透，解决了我作为初学者的很多困惑，对此我非常感激。关于林老师的视频课程和相关资料，可参考这里。另外，个人认为，这里面讲解的最最精彩的是SVM和机器学习的可行性这两部分 ...

第一题很明显：（1）质数有很明确的定义，所以辨别质数并不需要ML；（2）在课件中反复提到的信用卡发放问题；（3）计算重力加 速度有明确的方法，不需要ML；（4）在繁忙十字路口最优交通红绿灯的周期，由于每端时间的车流量很难去预测，所以需要ML去自 己学习控制周期；（5）根据年龄推荐医学检验 ...