摘要：
[TOC] EX8 异常检测与推荐系统的练习 在本练习中，首先将异常检测算法应用于检测网络中的故障服务器。 在第二部分中，将使用协作过滤来构建电影推荐系统。 1.异常检测 Anomaly detection 在本节练习中，将实施异常检测算法来检测服务器计算机中的异常行为。该功能测量每个服务器 阅读全文
摘要：
[TOC] 推荐系统（Recommender systems） 这里讨论推荐系统有两个深层原因或者说动机，第一个原因在于它是机器学习的一个重要应用，在过去的几年中在参观硅谷的各种科技类公司中，经常在那些公司里与开发机器学习应用的人交流，谈及什么才是机器学习最重要的应用，或者什么样的机器学习的应用 阅读全文
摘要：
[TOC] 异常检测 Anomaly detection 1.1问题动机 异常检测是机器学习算法的一个常见应用，这种算法的一个有趣之处在于它虽然主要用于非监督学习问题，但从某些角度看它又类似于一些监督学习问题。那么什么是异常检测呢？ 假想你是一个飞机引擎制造商，当生产的飞机引擎从生产线上流出 阅读全文
摘要：
[TOC] EX7：K 均值聚类和PCA 前言：本练习中，我们将利用K 均值算法压缩一张图片，第二部分中，将使用PCA为面部图片找寻低维描述。 1、K 均值聚类 在第一个练习中，主要实现K means算法并将其用于图像压缩。 首先从2D数据集样本开始，目的了解K means算法如何工作的直观 阅读全文
摘要：
[TOC] 维数约减 Dimensionality Reduction 维数约减属于无监督学习范畴，我们希望使用维数约减的原因可能有：通过数据压缩以减少数据占有内存的大小，为算法运算提高速度，将数据可视化等。 数据压缩 data compression 某个物体的长度以x1厘米为单位，另一个 阅读全文
摘要：
无监督学习（unsupervised learning）介绍 聚类（Clustering） 回顾之前的有监督学习，根据给出的数据集（已经做出标记labels）${(x^{(1)},y^{(1)}),(x^{(2)},y^{(2)}),...,(x^{(m)},y^{(m)})}$，学习出假设函数 阅读全文
摘要：
Ex6 支持向量机SVM 在本练习的上半部分，将使用支持向量机（SVM）与各种示例2维数据集。 实验这些数据集将有助于直观了解SVM工作的过程，以及如何使用高斯内核与SVM。 在下一个练习中，将使用支持向量机来构建垃圾邮件分类器。 如下图所示的2维数据集，可以通过线性边界分离，图中正样本通过 阅读全文
摘要：
SVM 核函数（Kernels） 非线性决策边界 对于下图中的数据集分类，我们一般会想到构造多项式特征变量： 我们也可以写为：$\theta_0+\theta_1f_1+\theta_2f_2+...$，$f_1=x_1,f_2=x_2,...$，通过之前的知识可以看到加入这些多项式提供了更多的 阅读全文
摘要：
支持向量机（Support Vector Machine） 支持向量机（SVM）为监督式机器学习方法的一种，广泛地应用于统计分类、回归分析、二类问题（binary classification）的模式识别中，其最大特点是既能够最小化经验损失（也叫做经验风险、或者经验误差），同时又能够最大化几何间 阅读全文
摘要：
构建一个垃圾邮件分类器 对于垃圾邮件，我们可以人为的挑选若干个关键词作为识别垃圾邮件判断的特征，而在实际应用中，我们应该遍历整个训练集，在训练集中找出出现次数最多的n个单词，n介于10,000和50,000之间，将这些单词作为所选用的特征。根据所找到的特征集合，我们可以为每一个邮件构建一个向量， 阅读全文