機器學習基石机器学习基石（Machine Learning Foundations）作业1 习题解答

大家好，我是Mac Jiang,今天和大家分享coursera-NTU-機器學習基石(Machine Learning Foundations)-作业1的习题解答。笔者是在学习了Ng的Machine Learning之后开始学习这门课程的，但还是感觉收获颇丰。Ng的课程主要站在计算机专业的角度，教你如何使用机器学习，注重方法而不是数学推导，是一门很好的入门教程；而林轩田老师的机器学习基石是站在统计分析角度，证明机器学习算法为什么要这么做，更加注重于理论的证明，如果你想更加深入了解机器学习，或者想自己编写机器学习算法的，学习这门课还是很有必要的！

首先声明，笔者在这里提供一些作业解答的目的不是为了让你得到更高的分数，而是对一些学习上有困难的同学提供一些帮助。笔者的目的是提供一种可行的思路，但是说实话，这里面很多题目笔者也没能够理解。所以如果各位博友发现任何错误或者有更好的思考方法，请留言联系，谢谢！再次提醒：请不要以此博客作为通过考试的用途，还是更好学习、理解课程的途径！

其他解答看汇总帖：http://blog.csdn.net/a1015553840/article/details/51085129

1.第一题

（1）题意：下列哪些问题最适合用机器学习解决

（2）分析：适合用机器学习解决的问题主要包括以下特点

a.存在某些目标，隐藏规则（underlying pattren）

b.这些规则我们难以定义，不知道如何写下了

c.有学习这个隐藏规则的资料data

i.区分一个数是否为素数：错误，我们可以很简单写出素数的规则，只能被1或他本身整除

ii.确定信用卡是否被盗刷：正确，这是极其学习里面的异常点检测问题

iii.确定一个物体的落地时间：错误，这里有物理学公式，h=0.5*g*t^2

iv.确定拥挤路口交通信号灯的最佳循环：正确

v.确定某种药物的推荐服用者年龄：正确，可以通过聚类找出效果好的群

（3）答案：ii，iv,v

2.第二题

（1）题意：问题2-5,都是确定相对于每种任务的最佳机器学习算法。下象棋，利用不同的策略并把输出作为反馈

（2）分析：这显然是增强学习（reinforcement）。增强学习是指设计回报函数，若决定进行一步，如果这部的表现结果较好，则给一些正回报，如果这一部表现结果较差，则返回一些负的回报。这道题显然，利用输出作为反馈，可以知道这步棋的好坏，给予相应的回报。

（3）答案：reinforce Learning

3.第三题

（1）题意：在没给定标题的情况下分类书本

（2）分析：这显然是无监督学习（unsupervised learning）。书本没有给定标题，即样本没有y值。可以根据数的单词，厚度等特征聚类，将特征相近的聚为一类，这是无监督学习

（3）答案：unsupervised learning

4.第四题

（1）题意：区别一张图片中是否有人脸，给定1000张有人脸的图片和10000张没有人脸的图片

（2）分析：已经知道图片是有人脸的和没人脸的，每张图片都有标签了，显然是监督学习（supervised learning ）

（3）答案：supervised learning

5.第五题

（1）题意：有选择的安排实验，快速知道癌症药的潜在左右

（2）分析：这里的答案是active learning。我的理解是，我们想知道这种药的潜在左右，所以我们有选择性的安排实验，这是一个提问的过程，是主动学习。

（3）答案：active learning

6.第六题

（1）题意：太复杂了，自己看吧~就是要我们分析N+1到N+L有几个偶数

（2）暴力解决：56~101有23个偶数

N为奇，N+L为奇：N=55，N+L=101，（N+1~N+L）56~101有23个，选项1结果为22错误，选项2结果为24错误，排除1和2

N位奇，N+L为偶：N=55,N+L=100，（N+1~N+L）56~100有23个偶数，选项5为22错误

可以严重，其他两种情况对选项3都是正确的

（3）答案：选项3，下整减下整

7.第七题

（1）题意：f can generate D的意思是，f可以拟合D中的每个元素。题目让我们求这些f的总个数，即所有能拟合D的f个数。

（2）分析：f拟合D，而他对D以外的样本的拟合不管。D以外的样本共有L个，即这些f对这L个样本的拟合程度是任意的，共2^L种

（3）答案：2^L

8.第八题

（1）分析：虽然看了上面的解答，但还是有一点疑惑。我个人理解不知道对否，写在下面：
由于f产生任何的D的概率都是一样的，因此对于test data而言本身没有任何‘规律’可言，因此无论我选用哪一个algorithm(当然，这个algorithm产生的g结果都是-1或1)，对test data来说其实都是一样的‘糟糕’。因此这个EOTS的数学期望是相等的。---这是别人的解答

（2）答案：最后一项

9.第九题

（1）题意：假设u为箱子内橙色的弹珠的比例，v为我们抽取10个计算出来的橙色弹珠比例，如果u=0.5,那么v=u的概率

（2）分析：由于u=0.5,我们抽出10个，那么要求抽出5个橙色的。说明：我们用C(n)(m)表示概率中从n个位置抽取m个的组合情况，则这道题可以理解为从10个位置抽取出5个位置放橙色，然后其他位置放绿色。那就是C(10)(5) * （0.5）^5 * (0.5)^5 = (10*9*8*7*6)/(1*2*3*4*5) *（0.5）^10 = 0.24

（3）答案：0.24

10.第十题

（1）题意：和上面这道题一样，问u=0.9时，v=u的概率

（2）分析：要v=0.9,那么久要抽出9个黄色的，而每次抽出黄的概率为u=0.9,抽出绿色概率为0.1。故抽出九个的橙色概率为：C(10)(9) * (0.9)^9 * 0.1=0.39

（3）答案：0.39

11.第十一题

（1）题意：如果u=0.9,那个v小于等于0.1的概率

（2）分析：v小于等于0.1可以分为两种情况，v=0和v=0.1;

v=0.1时，C(10)(1) * 0.9 * (0.1)^9 = 9 * 10^(-9)

v=0时，0.1^(10) = 10^(-10)

共9.1 * 10^（-9）

（3）答案：9.1 * 10^(-9)

12.第十二题

（1）题意：利用Hoeffding Inequality计算当u=0.9时v小于等于0.1的概率

（2）分析：Hoeffding Inequality为 P（[v-u] 大于 epsilon）小于等于 2* e^(-2*N*epsilon^2),N为抽样个数，带入计算就可以了

（3）答案：5.52 * 10^(-6)

13.第十三题

（1）题意：有四种筛子，每个筛子有六个面，标号1-6

A：所有偶数面被涂为橙色，所有奇数面被涂为绿色

B：所有奇数面被涂为橙色，所有偶数面被涂为绿色

C：所有1-3被涂为橙色，4-6被涂为绿色

D：所有1-3倍涂为绿色，4-6被涂为橙色

袋子中每种骰子的数量都有无限多个，而且每种骰子数量相同，问：一次取5个筛子，问这些筛子有，1全为橙色的概率。

（2）分析：由于只有B,C的1是橙色的，所以我们取5个要么是B类的要么是C类的。那么取到骰子位B或C的概率为0.5

那么，5个都为B或C的概率为：0.5^5 = 8/256

（3）答案：8/256

14.第十四题

（1）题意：抽5个筛子，那么至少有一种数字全为橙色的概率

（2）分析：1全为橙色：B,C 2全为橙色：A,C 3全为橙色：B,C 4全为橙色：A,D 5全为橙色B,D 6全为橙色：A,D

即我们要不取出的全为B,C，要么取出的全为A,C，要么取出的全为A,D，要么取出的全为B，D 共2^5 *4种

这些中，全为A，全为B，全为C，全为D被重复算了一遍，所以要减去4

概率为（4* 2^5 -4）/(4^5) = 31/256

（3）答案：31/256

第15题到17题的C++实现：http://blog.csdn.net/a1015553840/article/details/50979434

第18题到20题的C++实现：http://blog.csdn.net/a1015553840/article/details/50979640

From:http://blog.csdn.net/a1015553840/article/details/50986313

其他解答看汇总帖：http://blog.csdn.net/a1015553840/article/details/51085129

機器學習基石机器学习基石（Machine Learning Foundations）作业1 习题解答相关推荐

機器學習基石(Machine Learning Foundations) 机器学习基石作业三课后习题解答
今天和大家分享coursera-NTU-機器學習基石(Machine Learning Foundations)-作业三的习题解答.笔者在做这些题目时遇到很多困难,当我在网上寻找答案时却找不到,而林老 ...
[課程筆記] 機器學習基石 - W7. The VC Dimension
目录 Video1: Definition of VC Dimension Recap: More on Growth Function Recap: More on VC bound VC Dime ...
【機器學習2021】預測本頻道觀看人數 (下) - 深度學習基本概念簡介
机器学习 2021 - Introduction of Machine / DeepLearning \qquadLinear 的 Model 也許太過簡單了,怎麼說它太過簡單呢?我們可以想像說 x1 ...
[課程筆記] 機器學習2021(李弘毅) L29.概述增強式學習(一)
目录 A. What is RL ? 1. Machine learning ~ Looking for a Function 2. Example: Playing Video Game 3. Ex ...
[課程筆記] 機器學習2021(李弘毅) L32.概述增強式學習(四)
Reward Shaping Sparse Reward 许多场景中,大多数情况下并没有奖励,像是: 围棋: 平常落子没有奖励,只有棋局结束时才有奖励(输/赢) 机器人栓螺丝: 大多数动作都没有奖励, ...
周志華《機器學習》圖4.4和图4.9繪制(轉載+增加熵顯示功能)
代碼來自參考鏈接: https://blog.csdn.net/leafage_m/article/details/79629074 本文的貢獻是: ①修正參考鏈接中,算法第3種情況中的投票問題的相關 ...
潭州python学院12306案例_人工智慧時代來臨，潭州教育開設Python課程帶學員入門機器學習...
當今時代,隨著人工智慧科技的飛速發展,人工智慧逐漸深入社會生活生産的方方面面.根據<2019中國人工智慧發展報告>相關數據顯示,人工智慧行業的融資規模呈上升趨勢.在當紅的人工智慧領域,機器 ...
完整學習機器學習實錄 1 —— 安裝 Ubuntu 18.04
安裝 Ubuntu 18.04 前言硬體配置這邊需要注意的系統安裝基本知識製作與開始安裝 Ubuntu 釐清問題 --- ACPI 是啥? 釐清問題 --- NVME SSD 結論前言本 ...
機器學習基石机器学习基石（Machine Learining Foundations）作业2 Q16-18 C++实现
大家好,我是Mac Jiang,今天和大家分享Coursera-NTU-機器學習基石(Machine Learning Foundations)-作业2 Q16-18的C++实现.虽然有很多大神已经在 ...

機器學習基石机器学习基石（Machine Learning Foundations）作业1 习题解答

機器學習基石机器学习基石（Machine Learning Foundations）作业1 习题解答相关推荐

最新文章

热门文章

機器學習基石 机器学习基石（Machine Learning Foundations） 作业1 习题解答

機器學習基石 机器学习基石（Machine Learning Foundations） 作业1 习题解答相关推荐

最新文章

热门文章

機器學習基石机器学习基石（Machine Learning Foundations）作业1 习题解答

機器學習基石机器学习基石（Machine Learning Foundations）作业1 习题解答相关推荐