浪矢\n

摘要： 七、正则化(Regularization) 7.1 过拟合的问题 线性回归和逻辑回归能够有效地解决许多问题，但是当将它们应用到某些特定的机器学习场景时，会遇到过拟合(over-fitting)的问题，可能会导致它们效果很差。因此，我们需要一种正则化(regularization)的技术，它可以改善或 阅读全文

摘要： 4.1 多维特征 现在我们对房价模型增加更多的特征，例如房间数楼层等，构成一个含有多个变量的模型，模型中的特征为(x1,x2,x3,....,xn). 因此，用n表示特征的数量，用x(i)j 表示第i个实例的第j个特征。 则支持多变量的假设h可表示为：h(x(i))=sita0+sita1*x(i) 阅读全文

摘要： 3.1 矩阵和向量 这一节对矩阵和向量的概念进行描述，不再赘述。 3.2 加法和标量乘法 矩阵和矩阵的加法：对应元素相加 矩阵和标量乘法：矩阵的每个元素都与标量相乘 3.3 矩阵向量乘法 以及 3.4 矩阵乘法 都可以看作是矩阵乘法，第i行乘第j列，对应元素相乘再相加，然后放到结果矩阵的第i行第j列 阅读全文

摘要： 2.1 模型表示 本节将通过线性回归来了解监督学习的过程: 对于房价预测模型，我们之所以将其称为监督学习（因为对每个数据都有一个正确答案-真实的房价）。由于房价是一些连续的值，因此这是一个回归问题。 h代表学习算法的解决方案或函数也称为假设（hypothesis）,监督学习算法的工作方式如下 要解决 阅读全文

摘要： 1.2 机器学习是什么？ Arthur Samuel：他定义机器学习为，在进行特定编程的情况下，给予计算机学习能力的领域。 Tom(卡内基梅隆大学)定义的机器学习是，一个好的学习问题定义如下，一个程序被认为能从经验E中学习，解决任务T，达到性能度量值P，当且仅当有了经验E后，经过P评判，程序在处理T 阅读全文

摘要： 开始新的章节，吴恩达老师的机器学习，以下为课程笔记索引： 引言(Introduction) 单变量线性回归(Linear Regression with One Variable) 阅读全文

摘要： 这摸鱼也很累... 为什么要写技术文档？ 横向来看，能帮助团队其他成员快速了解程序内容，精准查询所需要的部分内容。 纵向来看，便于日后的更新维护，让其更加结构化。 具体的代码细节当然不需要写文档(每个细节都写也非常浪费时间)，但整体的架构和业务流程要讲清楚，这样在别人使用或者自己日后使用。 摸鱼被发 阅读全文

摘要： to do list CS基础需要捋一遍 算法题各种类型的大概解题思路 Java开发的项目做两个，理解业务的基础上 Ai大模型的简单知识 想一下实习经历该怎么写到简历上 阅读全文

摘要： 15.1. 情感分析及数据集 情感分析（sentiment analysis）研究人们在文本中 （如产品评论、博客评论和论坛讨论等）“隐藏”的情绪。由于情感可以被分类为离散的极性或尺度（例如，积极的和消极的），我们可以将情感分析看作一项文本分类任务，它将可变长度的文本序列转换为固定长度的文本类别。 阅读全文

摘要： 14.1. 词嵌入（word2vec） 词向量是用于表示单词意义的向量， 并且还可以被认为是单词的特征向量或表示。 将单词映射到实向量的技术称为词嵌入。然独热向量很容易构建，但它们通常不是一个好的选择。一个主要原因是独热向量不能准确表达不同词之间的相似度，比如我们经常使用的“余弦相似度”，任意两个词 阅读全文