机器学习吴恩达课程总结(四)

简介: 机器学习吴恩达课程总结(四)

12. 第十二章 支持向量机(Support Vector Machines,SVM)

12.1 优化目标(optimization objective)

image.pngimage.png


12.2 大间隔直观理解(Large Margin Intuition)

image.png

image.png

12.3 大间隔分类器的数学原理

image.png

image.png

12.4 核函数1(Kernels)

image.pngimage.png


12.5 核函数2

image.png

image.png


12.6 使用SVM

image.png


13. 聚类(Clustering)

13.1 无监督学习(Unsupervised Learning Introduction)

image.png

image.png

13.2 K均值聚类算法(k-means algorithm)

image.png

13.3 优化目标(Optimization objective)

image.png

13.4 随机初始化(Random initialization)

image.png

13.5 选取聚类数量(Choosing the number of clusters)

image.png

14. 第十四章 降维(Dimensionality Reduction)

14.1 目标1:数据压缩

目的:减少空间;算法加速


减少数据量,如:二维到一维,三维到二维


矩阵的维数一般是说向量中值的个数,注意:向量默认是竖向的


14.2 目标2:可视化

常常将高维数据映射为三维或二维进行可视化。


14.3 主成分分析问题规划(Principal Component Analysis,PCA)

image.png

14.4 主成分分析算法(Principal Component Analysis,PCA)

image.png


14.5 主成分数量选择

image.png

14.6 压缩重现

image.png

14.6 应用PCA的建议


image.png

image.png

相关文章
|
1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
|
11天前
|
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。
37 1
算法金 | 吴恩达:机器学习的六个核心算法!
|
1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
22 1
|
1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
|
1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)
|
1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
|
1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
|
1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
|
1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
|
1月前
|
机器学习/深度学习 存储 搜索推荐
利用机器学习算法改善电商推荐系统的效率
电商行业日益竞争激烈,提升用户体验成为关键。本文将探讨如何利用机器学习算法优化电商推荐系统,通过分析用户行为数据和商品信息,实现个性化推荐,从而提高推荐效率和准确性。
121 14