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 ...
原文：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 , x , ldots, x n 假设 Hypothesis ： h theta x theta Tx theta x theta x ldots theta nx n 参数 Parameters ： theta , theta , ldots, theta n 代价函数 Cost function ： J theta ...
2015-12-16 10:17 0 6088 推荐指数：
相关推荐
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)：$$h_\theta(x) = g(\theta^Tx ...
Andrew Ng机器学习公开课笔记 -- 线性回归和梯度下降
网易公开课，监督学习应用.梯度下降 notes，http://cs229.stanford.edu/notes/cs229-notes1.pdf 线性回归（Linear Regression） 先看个例子，比如，想用面积和卧室个数来预测房屋的价格 训练集如下 首先，我们假设为线性模型 ...
机器学习公开课笔记(7)：支持向量机
支持向量机(Support Vector Machine, SVM) 考虑logistic回归，对于$y=1$的数据，我们希望其$h_\theta(x) \approx 1$，相应的$\theta^Tx \gg 0$; 对于$y=0$的数据，我们希望$h_\theta(x) \approx ...
机器学习公开课汇总
机器学习目前比较热，网上也散落着很多相关的公开课和学习资源，这里基于课程图谱的机器学习公开课标签做一个汇总整理，便于大家参考对比。 1、Coursera上斯坦福大学Andrew Ng教授的“机器学习公开课”： 机器学习入门课程首选，斯坦福大学教授，Coursera联合创始人 ...
机器学习公开课笔记(10)：大规模机器学习
批梯度下降 (Batch Gradient Descent) 以线性回归为例，用梯度下降算法进行参数更新的公式为$$\theta_j=\theta_j-\alpha\frac{1}{m}\sum\limits_{i=1}^{m}(h_\theta(x^{(i)})-y^{(i)})x_j^{(i ...
机器学习公开课笔记(5)：神经网络(Neural Network)——学习
这一章可能是Andrew Ng讲得最不清楚的一章，为什么这么说呢？这一章主要讲后向传播(Backpropagration, BP)算法，Ng花了一大半的时间在讲如何计算误差项$\delta$，如何计算 ...
LR 算法总结--斯坦福大学机器学习公开课学习笔记
在有监督学习里面有几个逻辑上的重要组成部件[3]，初略地分可以分为：模型，参数 和 目标函数。（此部分转自 XGBoost 与 Boosted Tree） 一、模型和参数 模型指给定输入xi如何去预测 输出 yi。我们比较常见的模型如线性模型（包括线性回归和logistic ...