Real-Ying

摘要：19.1 总结和致谢 欢迎来到《机器学习》课的最后一段视频。我们已经一起学习很长一段时间了。在最后视频中，我想快速地回顾一下这门课的主要内容，然后简单说几句想说的话。 作为这门课的结束时间，那么我们学到了些什么呢？在这门课中，我们花了大量的时间介绍了诸如线性回归、逻辑回归、神经网络、支持向量机等等一 阅读全文

摘要：18.1 问题描述和流程图 18.2 滑动窗口 18.3 获取大量数据和人工数据 18.4 上限分析：哪部分管道的接下去做 18.1 问题描述和流程图 图像文字识别应用所作的事是，从一张给定的图片中识别文字。这比从一份扫描文档中 识别文字要复杂的多。 为了完成这样的工作，需要采取如下步骤： 1. 文 阅读全文

摘要：17.1 大型数据集的学习 17.2 随机梯度下降法 17.3 微型批量梯度下降 17.4 随机梯度下降收敛 17.5 在线学习 17.6 映射化简和数据并行 17.1 大型数据集的学习 17.2 随机梯度下降法 17.3 微型批量梯度下降 17.4 随机梯度下降收敛 17.5 在线学习 17.6 阅读全文

摘要：16.1 问题形式化 16.2 基于内容的推荐系统 16.3 协同过滤 16.4 协同过滤算法 16.5 矢量化：低秩矩阵分解 16.6 推行工作上的细节：均值归一化 16.1 问题形式化 16.2 基于内容的推荐系统 16.3 协同过滤 16.4 协同过滤算法 16.5 矢量化：低秩矩阵分解 16 阅读全文

摘要：异常检测：检测非正常用户，在线收集用户数据，建立用户的活动特征向量，可能包含用户多久登陆一次，访问过的页面，在论坛发的帖子数量，甚至是打字速度等，根据这个模型识别那些非正常用户。 通过收集计算机各方面状态数据建立特征向量模型识别计算机是否正常运行。 基于高斯分布的算法，根据两个特征得出P（x）然后选 阅读全文

摘要：15.1 问题的动机 15.2 高斯分布 15.3 算法 15.4 开发和评价一个异常检测系统 15.5 异常检测与监督学习对比 15.6 选择特征 15.7 多元高斯分布（可选） 15.8 使用多元高斯分布进行异常检测（可选） 15.1 问题的动机 15.2 高斯分布 15.3 算法 15.4 开 阅读全文

摘要：15.1 问题的动机 15.2 高斯分布 15.3 算法 15.4 开发和评价一个异常检测系统 15.5 异常检测与监督学习对比 15.6 选择特征 15.7 多元高斯分布（可选） 15.8 使用多元高斯分布进行异常检测（可选） 15.1 问题的动机 15.2 高斯分布 15.3 算法 15.4 开 阅读全文

摘要：14.1 动机一：数据压缩 14.2 动机二：数据可视化 14.3 主成分分析问题 14.4 主成分分析算法 14.5 选择主成分的数量 14.6 重建的压缩表示 14.7 主成分分析法的应用建议 14.1 动机一：数据压缩 14.2 动机二：数据可视化 14.3 主成分分析问题 14.4 主成分分 阅读全文

摘要：13.1 无监督学习：简介 13.2 K-均值算法 13.3 优化目标 13.4 随机初始化 13.5 选择聚类数 13.1 无监督学习：简介 在这个视频中，将开始介绍聚类算法。这将是一个激动人心的时刻，因为这是到现在学习的第一个非监督学习算法，要让计算机学习无标签数据，而不是此前的标签数据。 之前 阅读全文

摘要：11 SMO优化算法（Sequential minimal optimization） SMO算法由Microsoft Research的John C. Platt在1998年提出，并成为最快的二次规划优化算法，特别针对线性SVM和数据稀疏时性能更优。关于SMO最好的资料就是他本人写的《Sequen 阅读全文

摘要：7 核函数（Kernels） 最初在“线性回归”中提出的问题，特征是房子的面积x，结果y是房子的价格。假设从样本点的分布中看到x和y符合3次曲线，那么我们希望使用x的三次多项式来逼近这些样本点。那么首先需要将特征x扩展到三维，然后寻找特征和结果之间的模型。将这种特征变换称作特征映射（feature 阅读全文

摘要：1 目录 支持向量机基本上是最好的有监督学习算法了，从logistic回归出发，引出了SVM，揭示模型间的联系，过渡自然。 2 重新审视logistic回归 Logistic回归目的是从特征学习出一个0/1分类模型，而这个模型是将特征的线性组合作为自变量，由于自变量的取值范围是负无穷到正无穷。因此， 阅读全文

摘要：11.1 首先要做什么 11.2 误差分析 11.3 类偏斜的误差度量 11.4 查全率和查准率之间的权衡 11.5 机器学习的数据 11.1 首先要做什么 在接下来的视频将谈到机器学习系统的设计。这些视频将谈及在设计复杂的机器学习系统时，将遇到的主要问题。同时会试着给出一些关于如何巧妙构建一个复杂 阅读全文

摘要：10.1 决定下一步做什么 10.2 评估一个假设 10.3 模型选择和交叉验证集 10.4 诊断偏差和方差 10.5 归一化和偏差/方差 10.6 学习曲线 10.7 决定下一步做什么 10.1 决定下一步做什么 到目前为止，我们已经介绍了许多不同的学习算法，如果你一直跟着这些视频的进度学习，你会 阅读全文

摘要：9.1 代价函数 9.2 反向传播算法 9.3 反向传播算法的直观理解 9.4 实现注意：展开参数 9.5 梯度检验 9.6 随机初始化 9.7 综合起来 9.8 自主驾驶 9.1 代价函数 首先引入一些便于稍后讨论的新标记方法： 假设神经网络的训练样本有 m 个，每个包含一组输入 x 和一组输出信 阅读全文

摘要：8.1 非线性假设 8.2 神经元和大脑 8.3 模型表示 1 8.4 模型表示 2 8.5 特征和直观理解 1 8.6 样本和直观理解 II 8.7 多类分类 8.1 非线性假设 无论是线性回归还是逻辑回归都有这样一个缺点，即当特征太多时，计 算的负荷会非常大。 下面是一个例子： 之前已经看到过， 阅读全文

摘要：UNIX/Linux 本身是没有图形界面的，我们通常在 UNIX/Linux 发行版上看到的图形界面实际都只是运行在 Linux 系统之上的一套软件。通常我们在使用 Linux 时，并不是直接与系统打交道，而是通过一个叫做 Shell 的中间程序来完成的，并且为了能在一个窗口中完成用户输入和显示输出 阅读全文

摘要：7.1 过拟合的问题 7.2 代价函数 7.3 正则化线性回归 7.4 正则化的逻辑回归模型 7.1 过拟合的问题 如果我们有非常多的特征，我们通过学习得到的假设预测可能能够非常好地适应训练集（代价函数可能几乎为 0），但是可能会不能推广到新的数据。 下图是一个回归问题的例子： 第一个模型是一个线性 阅读全文

摘要：6.1 分类问题 6.2 假说表示 6.3 判定边界 6.4 代价函数 6.5 简化的成本函数和梯度下降 6.6 高级优化 6.7 多类分类：一个对所有 6.1 分类问题 在分类问题中，我们尝试预测的结果是否属于某一个类（例如正确或错误）。分类问题的例子有：判断一封电子邮件是否是垃圾邮件；判断一次金 阅读全文

摘要：5.1 基本操作 5.2 对数据进行灵活操作 5.3 计算数据 5.4 数据可视化 5.5 控制语句和函数 5.6 矢量化 官网安装：Installation 在线文档：http://www.gnu.org/software/octave/doc/interpreter/ 5.1 基本操作 算术运算 阅读全文

摘要：4.1 多维特征 4.2 多变量梯度下降 4.3 梯度下降法实践 1-特征缩放 4.4 梯度下降法实践 2-学习率 4.5 特征和多项式回归 4.6 正规方程 4.7 正规方程及不可逆性（可选） 4.1 多维特征 目前为止，探讨了单变量/特征的回归模型，现在对房价模型增加更多的特征 增添更多特征后， 阅读全文

摘要：3.1 矩阵和向量 3.2 加法和标量乘法 3.3 矩阵向量乘法 3.4 矩阵乘法 3.5 矩阵乘法的性质 3.6 逆、转置 3.1 矩阵和向量 如图：这个是 4×2 矩阵，即 4 行 2 列，如 m 为行，n 为列，那么 m×n 。矩阵的维数即行数×列数 矩阵元素（矩阵项）： Aij 指第 i 行 阅读全文