机器学习吴恩达课程总结(一)

简介: 机器学习吴恩达课程总结(一)

1. 第一章 简介

1.1 机器学习(Machine Learning)

机器学习:研究能够从经验中自动提升自身性能的计算机算法。


从数学角度:机器学习就是从数据中学习一个函数𝑓 。


机器学习:能过从针对任务T的一些经验E和性能指标P中学习的计算机程序。同时它在任务T上的表现可以通过性能指标P来提高。


1.2 有监督学习(Supervised Learning)

给出“正确答案”。


回归(Regression):输出连续的值。


分类(Classification):输出离散的值。


1.3 无监督学习(Unsupervised Learning)

不给出任何标签,找到数据中暗含的结构或信息。


聚类算法(Clustering):


组织计算集群

社交网络分析

市场分割

天文数据分析

2. 第二章 线性回归(Linear Regression)

2.1 假设函数(hypothesis)

image.png

2.2 代价函数(cost function)

image.png

2.3 简化(Simplified)

image.png

2.4 重新加入θ 0 {\theta _0}θ


image.png

image.png

2.5 梯度下降(Gradient descent)

问题描述:

image.png


2.6 梯度下降总结

image.png


2.7 线性回归梯度下降

image.png


3. 第三章 线性代数基础

3.1 矩阵和向量(Matrices and vectors)

矩阵(Matrix)是一个按照长方阵列排列的复数或实数集合。


矩阵维数:行数*列数


A AA:矩阵,A i j {A_{ij}}A ij :表示第i ii行第j jj列的元素。


向量:n ∗ 1 n*1n∗1的矩阵


y yy:向量,n-dimension 向量


3.2 矩阵加减与标量(scalar)运算

两个行列相等的矩阵才可以相加减:对应元素相加减


标量同一个矩阵相加减乘除:标量与每个元素分别运算,矩阵维数不变


3.3 矩阵向量乘法

image.png


3.4 矩阵乘法

image.png


3.5 矩阵乘法特征

image.png

3.6 逆和转置

image.png

image.png

4. 第四章 多元线性回归

4.1 多元特征

image.png

4.2 多元变量梯度下降

image.png

4.3 多元变量梯度下降:特征缩放(Feature Scaling)

image.png

4.4 多元变量梯度下降:学习率α \alphaα

image.png

4.5 特征和多项式回归

image.png

4.6 正规方程(Normal equation)解析解法

image.png

4.7 正规方程:不可逆矩阵

image.png

5. 第五章 Octave基础

主要讲解 Octave语言,但是人生苦短,我选python,跳过!!!


相关文章
|
6月前
|
机器学习/深度学习 供应链 算法
机器学习课程学习随笔
机器学习课程学习随笔
|
3月前
|
机器学习/深度学习 算法 Python
【绝技揭秘】Andrew Ng 机器学习课程第十周:解锁梯度下降的神秘力量,带你飞速征服数据山峰!
【8月更文挑战第16天】Andrew Ng 的机器学习课程是学习该领域的经典资源。第十周聚焦于优化梯度下降算法以提升效率。课程涵盖不同类型的梯度下降(批量、随机及小批量)及其应用场景,介绍如何选择合适的批量大小和学习率调整策略。还介绍了动量法、RMSProp 和 Adam 优化器等高级技巧,这些方法能有效加速收敛并改善模型性能。通过实践案例展示如何使用 Python 和 NumPy 实现小批量梯度下降。
39 1
|
5月前
|
机器学习/深度学习 人工智能 自然语言处理
算法金 | 吴恩达:机器学习的六个核心算法!
吴恩达教授在《The Batch》周报中介绍了机器学习领域的六个基础算法:线性回归、逻辑回归、梯度下降、神经网络、决策树和k均值聚类。这些算法是现代AI的基石,涵盖了从简单的统计建模到复杂的深度学习。线性回归用于连续变量预测,逻辑回归用于二分类,梯度下降用于优化模型参数,神经网络处理非线性关系,决策树提供直观的分类规则,而k均值聚类则用于无监督学习中的数据分组。这些算法各有优缺点,广泛应用于经济学、金融、医学、市场营销等多个领域。通过不断学习和实践,我们可以更好地掌握这些工具,发掘智能的乐趣。
111 1
算法金 | 吴恩达:机器学习的六个核心算法!
|
6月前
|
机器学习/深度学习 监控 算法
LabVIEW使用机器学习分类模型探索基于技能课程的学习
LabVIEW使用机器学习分类模型探索基于技能课程的学习
50 1
|
6月前
|
机器学习/深度学习 人工智能 算法
机器学习的魔法(一)从零开始理解吴恩达的精炼笔记
机器学习的魔法(一)从零开始理解吴恩达的精炼笔记
|
6月前
|
机器学习/深度学习
Coursera 吴恩达Machine Learning(机器学习)课程 |第五周测验答案(仅供参考)
Coursera 吴恩达Machine Learning(机器学习)课程 |第五周测验答案(仅供参考)
|
6月前
|
机器学习/深度学习 人工智能
【人工智能】<吴恩达-机器学习>多变量线性回归&学习率&特征值
【1月更文挑战第26天】【人工智能】<吴恩达-机器学习>多变量线性回归&学习率&特征值
|
6月前
|
机器学习/深度学习 人工智能 算法
【人工智能】<吴恩达-机器学习>批量梯度下降&矩阵和向量运算概述
【1月更文挑战第26天】【人工智能】<吴恩达-机器学习>批量梯度下降&矩阵和向量运算概述
|
6月前
|
机器学习/深度学习 人工智能
【人工智能】<吴恩达-机器学习>单变量的线性回归&认识梯度下降
【1月更文挑战第26天】【人工智能】<吴恩达-机器学习>单变量的线性回归&认识梯度下降
|
6月前
|
机器学习/深度学习 人工智能 数据挖掘
【人工智能】<吴恩达-机器学习>监督学习&非监督学习
【1月更文挑战第26天】【人工智能】<吴恩达-机器学习>监督学习&非监督学习