吴恩达机器学习——第一周学习笔记
学习参考:吴恩达机器学习第一周
机器学习(Machine Learning)
机器学习是研究我们的计算机模拟或实现人类的学习行为,来获取新的知识或技能,并且重新组织这些新的知识来改善自身的性能。
按照训练样本标签的有无可以分为以下两种常用方法:监督学习和无监督学习。
监督学习(Supervised Learning)
监督学习:通过已有的训练样本即已知数据以及其对应的输出去训练得到一个最优模型,再利用这个模型将所有的输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的,也就具有了对未知数据进行分类的能力。
分类:分类问题的输出是离散型变量,是一种定性输出。(如:对于患有肿瘤的患者,我们必须预测肿瘤是恶性还是良性。)
回归:回归问题的输出是连续型变量,是一种定量输出。(如:给定一个人的图片,我们必须根据给定的图片预测他们的年龄)
分类和回归的本质是一样的,都是对输入做出预测,区别在于输出的类型。
无监督学习(Unsupervised Learning)
无监督学习:在事先没有任何训练样本的情况下,直接对数据进行建模。
聚类:通过对无标记的训练样本的学习来揭示数据的内在性质及规律,为进一步的数据分析提供基础。
代价函数 / 成本函数(Cost Function)
x(i)是输入变量,y(i)是输出(目标)变量
h(x) 是假设函数 h(x)=x(i)→y(i)
θ0是假设函数的截距,θ1是假设函数的斜率,m是样本数量
如:我们已知城市a的房价y和面积x相关,(x,y)是已知的一组组样例,假设函数就是根据这些点拟合出一条直线h(x),θ0是截距,θ1是斜率。h是拟合出的直线,用于对未知数据的预测,y是真实数据。通过输入面积x和h(x)来预测出房价。我们可以通过使用成本函数来衡量假设函数的准确性
代码:
def calculateCost(X, y, theta):inner = np.power(((X * theta.T) - y), 2)return np.sum(inner) / (2 * len(X))
# 计算J(θ),X是矩阵,theta是向量
梯度下降(Gradient Descent)
梯度下降是用来求代价函数最小值的算法。
大概思路:对J求偏导,然后待入梯度下降的公式,迭代的去求θ0,θ1,直至是的损失函数得到最小值。
α是学习率也是每次的步长,决定了每次下降的长度。
梯度下降的例子:
一个人被困在山上,需要从山上下来(找到山的最低点,也就是山谷)。这个时候,便可利用梯度下降算法来帮助自己下山。怎么做呢,首先以他当前的所处的位置为基准,寻找这个位置最陡峭的地方,然后朝着下降方向走一步,然后又继续以当前位置为基准,再找最陡峭的地方,再走直到最后到达最低处。
代码:
#梯度下降函数
def gradientDescent(X, y, theta, alpha, iters):temp = np.matrix(np.zeros(theta.shape))parameters = int(theta.ravel().shape[1])cost = np.zeros(iters)for i in range(iters):errors = X*theta.T - yfor j in range(parameters):term = np.multiply(errors, X[:,j])temp[0,j] = theta[0,j] - alpha*(1/X.shape[0])*np.sum(term)theta = tempcost[i] = calculateCost(X, y, theta)return theta, cost
如那些地方笔误或理解有误,请帮忙指出。
吴恩达机器学习——第一周学习笔记相关推荐
- 机器学习基础-吴恩达-coursera-(第一周学习笔记)----Introduction and Linear Regression
课程网址:https://www.coursera.org/learn/machine-learning Week 1 -- Introduction and Linear Regression 目录 ...
- 吴恩达机器学习第一周测试
吴恩达机器学习第一周测试 Some of the problems below are best addressed using a supervised learning algorithm, an ...
- 下载量过百万的吴恩达机器学习和深度学习笔记更新了!(附PDF下载)
今天,我把吴恩达机器学习和深度学习课程笔记都更新了,并提供下载,这两本笔记非常适合机器学习和深度学习入门.(作者:黄海广) 0.导语 我和同学将吴恩达老师机器学习和深度学习课程笔记做成了打印版,放在g ...
- Machine Learning - Coursera 吴恩达机器学习教程 Week1 学习笔记
机器学习的定义 Arthur Samuel 传统定义 Arthur Samuel: "the field of study that gives computers the ability ...
- Machine Learning - Coursera 吴恩达机器学习教程 Week5 学习笔记
神经网络的代价函数 定义 L = 神经网络总层数 sl = 第l层的单元数(不包含bias unit) K = output units/classes的数量 普通逻辑回归代价函数: 神经网络代价函数 ...
- 手机上的机器学习资源!Github标星过万的吴恩达机器学习、深度学习课程笔记,《统计学习方法》代码实现!...
吴恩达机器学习.深度学习,李航老师<统计学习方法>.CS229数学基础等,可以说是机器学习入门的宝典.本文推荐一个网站"机器学习初学者",把以上资源的笔记.代码实现做成 ...
- 新建网站了!Github标星过万的吴恩达机器学习、深度学习课程笔记,《统计学习方法》代码实现,可以在线阅读了!...
吴恩达机器学习.深度学习,李航老师<统计学习方法>,可以说是机器学习入门的宝典.本文推荐一个网站"机器学习初学者",把以上资源的笔记.代码实现做成了网页版,可以在线阅读 ...
- 吴恩达深度学习笔记_Github标星过万的吴恩达机器学习、深度学习课程笔记,《统计学习方法》代码实现,可以在线阅读了!...
吴恩达机器学习.深度学习,李航老师<统计学习方法>,可以说是机器学习入门的宝典.本文推荐一个网站"机器学习初学者",把以上资源的笔记.代码实现做成了网页版,可以在线阅读 ...
- 笔记 | 吴恩达Coursera Deep Learning学习笔记
向AI转型的程序员都关注了这个号☝☝☝ 作者:Lisa Song 微软总部云智能高级数据科学家,现居西雅图.具有多年机器学习和深度学习的应用经验,熟悉各种业务场景下机器学习和人工智能产品的需求分析.架 ...
- Stanford CS230吴恩达Reading Research Papers学习笔记
目录 Stanford CS230吴恩达Reading Research Papers学习笔记 如何通过更有效地阅读研究论文,来接触新领域知识 如何有效地针对一篇论文进行阅读 论文的多次阅读法 阅读论 ...
最新文章
- 图灵2011.01书讯
- 修正memcache.php中的错误示例
- springMVC简单实例
- Java基础篇:强制类型转换
- 10步骤优化SQL Server 数据库性能
- 如何评价国内SRC纷纷上线“白帽子协议”?
- jenkins pipeline api获取stage的详细信息_Jenkins + Docker 助力 Serverless 应用构建与部署...
- 考研数学(180°为什么等于π)
- 信息学奥赛一本通(1136:密码翻译)
- 高效算法之时间复杂度介绍
- LINUX SAN 500G重新分区、格式化,后成功恢复数据90%
- Atitit 常见的树形结构 红黑树 二叉树 B树 B+树 Trie树 attilax理解与总结
- Arduino ESP8266 通过WiFi、串口与DMX灯光通讯
- otsu阈值分割算法原理_OpenCV学习30--阈值分割的OTSU算法
- 机器如何猜你所想?阿里小蜜预测平台揭秘
- 什么是应用宝统一链接服务器,applink
- 函数指针数组的一些用法
- Git基础-查看、添加、删除远程仓库链接
- c语言实验教学软件,C语言实验教学法综述
- 智能硬件产品开发全流程解析
热门文章
- 关于写好一篇英文学术论文(及搞好本领域学术研究)的一些想法
- HDU 2122 Ice_cream’s world III
- 用HTML来做导航栏
- matlab如何根据历年gdp找增长规律,中国历年GDP统计数据
- webofscience入口注册_Web Of Science数据库免费检索入口,SCI论文期刊数据库免费入口...
- java编写singleton程序_java – 在Singleton实现中初始化按需成语与简单静态初始化程序...
- 【数字电路】主从JK触发器 与 边沿JK触发器
- Android WiFi功能实现,知其然必知其所以然! (二)
- Spring Cloud版本说明
- androidbenchmark和iphonebenchmark这两页面中设备信息爬虫