Coursera機器學習week1 單元測試

Week1 || Introduction

考察機器學習的定義，由Tom Mitchell 提出的。答案是A

考察監督學習的類型，預測明天的溫度，由於是一個連續的值，故選A

考察監督學習的類型，預測是否贏得專利侵權訴訟，答案就兩個“YES”和“NO”，是一個離散值，故選B

哪些選項適合使用監督學習。

1、根據1000名醫療病人對實驗葯物的反應(如治療效果、副作用等)的數據，發現患者對葯物的反應是否有不同的類別或“類型”，如果有的話，這些類別是什么。

沒有明確的label，既沒有類別信息，也沒有給定的目標值，無監督學習

2、根據一個人的基因(DNA)數據，預測他/她未來10年罹患糖尿病的幾率。

有明確的數據來預測10年后是否得糖尿病，監督學習

3、讓電腦檢查一段音樂的音頻片段，並對是否有聲音進行分類。在那個音頻剪輯中，或者如果它只是一個樂器的剪輯(沒有聲音)。

讓電腦檢查一個音頻是否有聲音，屬於分類問題，監督學習

4、考慮到來自心臟病患者的大量病歷資料，試着了解是否可能有不同類型的患者，我們可以針對這些患者進行單獨的治療。

沒有明確的目標值，無監督學習

答案BC

機器學習的定義：它使計算機能夠在不被明確編程的情況下學習。故選C

 

 

Week1 || Linear Regression with One Variable

求m的值，很明確m=4。

求代價函數J(θ₀,θ₁)的最小值對應的θ₀,θ_{1，代價函數為}

 

但是算的話太麻煩了，明顯可以看出θ₀ > -890, θ₁ < 0。故選B

根據θ₀,θ₁的值求h_θ(6)，答案為1

1、P點對應C點（明顯對應A點，錯誤）

2、如果我們從B點,用精心挑選的學習速率使用梯度下降法最終將幫助我們達到或接近點C，代價函數J(θ₀,θ₁)的最小值是C點。（選擇的阿爾法適當，最終達到的是A點而不是C點，錯誤）

3、P點對應A點（對）

4、如果我們從B點,用精心挑選的學習速率使用梯度下降法最終將幫助我們達到或接近A點,代價函數J(θ₀,θ₁)的最大值是A點。（A點是最小值而不是最大值，錯誤）

5、如果我們從B點,用精心挑選的學習速率使用梯度下降法最終將幫助我們達到或接近A點,代價函數J(θ₀,θ₁)的最小值是A點。（對）

答案選CE

A、要滿足J(θ₀,θ₁) = 0才行

B、不會困在局部最小，最終會達到全局最小

C、只要我們所有的訓練例子躺在一條直線,我們將能夠找到θ₀和θ₁使的J(θ₀,θ₁)= 0。對於所有的例子，y⁽ⁱ⁾=0是不必要的。

D成立

答案：D

 

Week1 || Linear Algebra

現代基礎題，選A

現代基礎題，選D

現代基礎題，選A

現代基礎題，答案-4

 

 現代基礎題，選BC