摘要：特征向量和特征值 定义1：$A$为$n\times n$的矩阵，$x$为非零向量，若存在$\lambda$满足$Ax=\lambda x$，那么$\lambda$为该矩阵的特征值，$x$为其对应的特征向量。 警告：特征向量必须非零，但特征值可以为零；根据定义，特征向量也可以任意"拉伸"。 直观理解： 阅读全文

摘要：这篇记录的内容来自于Andrew Ng教授在coursera网站上的授课。 1.不要浪费大量的时间在获得样本上。实际上，太多的样本数并不会使学习算法更加的优秀。要尝试调整你的系数： 1.使用更少的特征。 2.增加多项式。 3.调整$\lambda$。 2.诊断学习算法： 1.将样本打乱，并将其中一部 阅读全文

摘要：这篇记录的内容来自于Andrew Ng教授在coursera网站上的授课。 1.为什么使用神经网络：样本的特征数太多了，使用前面的算法都几乎不可能达到一个理想的结果。 2.神经网络(neural networks): 受到脑神经的启发，我们有以下结构： 术语： 输入层（input layer）：输入 阅读全文

摘要：这篇记录的内容来自于Andrew Ng教授在coursera网站上的授课。 1.线性回归不适用于分类问题。 原因：1.单个样本对于线性回归可能会造成很大的影响。 2.函数的输出值可能非常大，非常离谱。 2.逻辑回归(logistic regression)：一种分类算法。是广义线性回归，$h(x)= 阅读全文

摘要：这篇记录的内容来自于Andrew Ng教授在coursera网站上的授课。 1.多元线性回归(multivariate linear regression)： h函数：$h_{\theta}{(x)}=\theta_{0}+\sum_{i=1}^{n}{\theta_{i}x_{i}}$ 为方便起见 阅读全文