Stanford机器学习---第一周.监督学习与梯度下降
来源:互联网 发布:node v0.12.0 x64.msi 编辑:程序博客网 时间:2024/06/05 15:34
假期继续捡起Coursera上Andrew Ng的《Machine Learning》课程,去年同一时间学过一点点,这假期争取结课。
视频讲的内容还是蛮多的,写在讲义上的知识点太零散,每周的课程做一个梳理和总结,感兴趣的可以参考下滴~
第一周
第一讲 引言(Introduction)
1.机器学习是目前信息技术中最激动人心的方向之一;
机器学习是人工智能AI(Artificial Intelligence)的核心;
应用举例:数据挖掘Database Mining、手写识别handwriting recognition、计算机视觉Computer Vision等。
2.定义:Field of study that gives computers the ability to learn without being explicitly programmed.
i.e.A computer program is said to learn from experience E with respect to some task T and some performance measure P,if its performance on T ,as measured by P,improves with experience E.
举个例子理解下TPE:
①跳棋人机对弈:Task-------跳棋任务.
Performance measure------和新对手玩跳棋时赢得概率.
Experience-------你和计算机玩10次-1000次的跳棋游戏.
②邮件垃圾分类:Task-------Classifying emails as spam or not spam.
Perform measure--------The number of emails correctly classified as spam/not spam.(成功的频数or概率)
Experience-------Watching you label emails as spam or not spam.
★★★3.机器学习算法可以分为监督学习和非监督学习两大类。
监督学习Supervised learning:给定算法一个数据集,并且给定正确的答案;
非监督学习Unsupervised learning:只给定数据集,没有给定正确答案;
监督学习有2大类:回归问题和分类问题。
①回归问题Regression:预测一个连续值的属性(拟合)
②分类问题Classification:预测一个离散的输出值(0-1)
非监督学习:聚类分析clustering
第二讲 一元线性回归问题(Linear regression with one variable)
1.代价函数(平方误差函数)J
例如:一元线性拟合(回归)
假设/拟合函数Hypothesis:
参数Parameter:
代价函数Cost Function:
目标Goal:
★★★2.梯度下降算法Gradient descent algorithm
原理:初始化一个值,沿偏导数方向下降直至代价函数收敛(或找到局部最优解)
算法:
repeat until convergence{
}
其中,J为代价函数,以一元线性代价函数为例;
α为学习速率learning rate,可以理解为下降的步伐大小;
盗图两张,方便理解:
3.正交方程
如果数据集较小,也可以采用这种方法,后面再介绍~
第三讲 线性代数回顾Linear algebra review
较基础,大一的课程,跳过~
第一周的课程就到这里了╰( ̄▽ ̄)╮笔者继续学习第二周的课程了,有兴趣的一起来呗~
- Stanford机器学习---第一周.监督学习与梯度下降
- Stanford机器学习笔记监督学习与梯度下降
- Machine Learning(Stanford)| 斯坦福大学机器学习笔记--第一周(4.梯度下降)
- Machine Learning(Stanford)| 斯坦福大学机器学习笔记--第一周(4.梯度下降)
- Machine Learning(Stanford)| 斯坦福大学机器学习笔记--第一周(1.监督学习与无监督学习的介绍)
- [机器学习]监督学习应用.梯度下降
- Stanford机器学习[第二课]-监督学习应用和梯度下降
- Machine Learning(Stanford)| 斯坦福大学机器学习笔记--第一周(5.线性回归的梯度下降)
- [机器学习]斯坦福公开课-第1,2课-监督与非监督矩阵以及梯度下降
- 第一周-机器学习-梯度下降(gradient descent)
- 梯度下降--监督学习
- 监督学习应用与梯度下降
- 监督学习应用与梯度下降
- 监督学习应用与梯度下降
- 监督学习应用与梯度下降
- 监督学习应用与梯度下降
- 斯坦福大学公开课 :机器学习课程笔记-[第2集] 监督学习应用.梯度下降
- 【斯坦福《机器学习》笔记】[第2集] 监督学习应用.梯度下降
- SDK中 draw9patch的使用
- linux下主机之间传输文件命令
- 特征脸算法(Eigenface)
- php的一些学习经验
- C# socket
- Stanford机器学习---第一周.监督学习与梯度下降
- 句柄
- Phpwind v8.7怎么修改默认编辑器字体方法?
- linux发行版的分析比较
- Ubuntu openvpn with .ovpn file
- Spark-KMeans文本聚类
- 2015年12月
- X Y Z从大到小排序输出
- android activity与view的联系--window