第一周 总结笔记 / 斯坦福-Machine Learning-Andrew Ng
课程主页:https://www.coursera.org/learn/machine-learning/home/welcome
收集再多的资料也没用,关键是要自己理解总结,做笔记就是一个归纳总结的过程,把自己理解的核心逻辑记录下来,供以后回顾。
千万不要把一些自己没理解归纳的材料摘抄下来当做笔记,这样你等于没学,下次看笔记还是陌生的,这样的笔记毫无意义。
第一周完整字幕:http://www.cnblogs.com/leezx/p/5619914.html
这个课程是好,非常有必要全部学完,总共11周:
第 1 周 :Introduction 简介 / Linear Regression with One Variable 单变量线性回归 / Linear Algebra Review 线性代数复习
第 2 周 :Linear Regression with Multiple Variables 多变量线性回归 / Octave/Matlab Tutorial
第 3 周 :Logistic Regression 逻辑回归 / Regularization 正则化
第 4 周 :Neural Networks: Representation 神经网络表示
第 5 周 :Neural Networks: Learning 神经网络学习
第 6 周 :Advice for Applying Machine Learning / Machine Learning System Design 机器学习系统设计
第 7 周 :Support Vector Machines 支持向量机
第 8 周 :Unsupervised Learning 无监督学习 / Dimensionality Reduction 降维
第 9 周 :Anomaly Detection 异常检测 / Recommender Systems 推荐系统
第 10 周 :Large Scale Machine Learning 大规模机器学习
第 11 周 :Application Example: Photo OCR 应用实例
review questions必须要做,加深理解!
学完课程后可以做的事:anti-spam反垃圾邮件, image recognition, clustering, building recommender systems
不仅学习各种机器学习算法,而且,You'll also know how to select the right algorithm for the right job(针对具体问题选择合适的算法), as well as become expert at 'debugging' and figuring out how to improve a learning algorithm's performance(如何提高算法的性能).
正式进入第一周…
引言
第一周就介绍了机器学习的核心范式,从最简单的单变量线性回归模型开始,介绍cost function 和 gradient descent method,线性代数的基础是必要的,矩阵、特征值、特征向量、方阵、行列式,线性变换等等。
虽然你暂时不会应用机器学习,但可以了解它在目前有哪些最前沿的应用:搜索引擎网页排序,图像识别,垃圾邮件过滤,机器人,AI,
学习机器学习的算法不是最重要的,最重要的是知道怎么用?哪个问题可以用哪个模型?
为什么要用机器学习?因为有些问题是不能用直接的编程解决的,如垃圾邮件过滤、网页排序,唯一的解决办法就是让机器自己学习。
机器学习的一个应用领域就是数据挖掘:目前人们已经积累了海量数据,而数据里面必然蕴含着某种模式或规律,如网页点击信息、医疗记录、生物学信息、工程信息等的数据挖掘。
机器学习可以解决显性编程解决不了的问题:如让直升机自主飞行,手写识别,自然语言处理、图像识别
小结:机器学习可以从数据中学习出知识,而直接编程是不可行的。
小知识:机器学习定义一:the field of study that gives computers the ability to learn without being explicitly programmed. 机器学习定义二:A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E. 比如玩跳棋
论坛很有用哦:https://www.coursera.org/learn/machine-learning/discussions
监督学习
以房价预测为例,根据房屋面积来预测房价,已经有一系列数据,我们需要建立回归模型(拟合函数),二维就是线,三维就是面,多维就是超平面(无法想象,但可以计算)。可以用不同的模型拟合,直线、曲线。
监督学习定义:包含分类和回归,数据是被标注的,有明确的预测目标
如何从回归问题引申到分类问题?如何可视化研究?一维、二维、多维特征值,二维以上就无法想象了,只能计算。
无监督学习
定义:数据没有被标注,都是一样的,如聚类,谷歌新闻就是典型的聚类,基因芯片将个体聚类,组织集群、社交聚类、市场划分、天文数据
音频分离:非聚类,不同的声音,不同的麦克风(声音大小不同),可以将其分离出来。只需要一行代码,SVD,octave,奇异值分解,
先用octave验证算法可行,然后再用C、C++、Java提升效率,而不是一开始就用底层的语言。
第一周 总结笔记 / 斯坦福-Machine Learning-Andrew Ng的更多相关文章
- Machine Learning - Andrew Ng - Coursera
Machine Learning - Andrew Ng - Coursera Contents 1 Notes 1 Notes What is Machine Learning? Two defin ...
- Machine Learning|Andrew Ng|Coursera 吴恩达机器学习笔记
Week1: Machine Learning: A computer program is said to learn from experience E with respect to some ...
- Machine Learning|Andrew Ng|Coursera 吴恩达机器学习笔记(完结)
Week 1: Machine Learning: A computer program is said to learn from experience E with respect to some ...
- Machine Learning(Andrew Ng)学习笔记
1.监督学习(supervised learning)&非监督学习(unsupervised learning) 监督学习:处理具有若干属性且返回值不同的对象.分为回归型和分类型:回归型的返回 ...
- [Machine Learning (Andrew NG courses)]II. Linear Regression with One Variable
- [Machine Learning (Andrew NG courses)]IV.Linear Regression with Multiple Variables
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvenFoXzE5OTE=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA ...
- [Machine Learning] Andrew Ng on Coursera (Week 1)
Week 1 的内容主要有: 机器学习的定义 监督式学习和无监督式学习 线性回归和成本函数 梯度下降算法 线性代数回归 主要是了解一下机器学习的基本概念,重点是学习线性回归模型,以及对应的成本函数和梯 ...
- 20165326 java第一周学习笔记
第一周学习笔记 一.理论视频学习 1.Java的特点:简单.面向对象.平台无关 2.Java的开发步骤&简单的应用程序: 文本编辑器写入代码 命名类名.java,文件类型所有文件,编码ANSI ...
- 《Linux内核分析》第一周学习笔记
<Linux内核分析>第一周学习笔记 计算机是如何工作的 郭垚 原创作品转载请注明出处 <Linux内核分析>MOOC课程http://mooc.study.163.com/c ...
随机推荐
- 一个python的计算熵(entropy)的函数
计算熵的函数: # -*- coding: utf-8 -*- import math #the function to calculate entropy, you should use the p ...
- Evolution项目(1)
Evolution项目是基于NFine修改的项目 主要改动为: 支持了.net core 1.0 支持了 EF core 1.0 支持数据库自动创建及Demo数据自动灌入 修改了授权方式 新增加了一个 ...
- 模拟apache commons dbutils 实现自己的BeanListHandler(回调应用)
首先dbcp相关的jar包和MySQL的驱动包导入到项目中. dbcp.properties配置文件如下,并放到项目根目录下. driverClassName=com.mysql.jdbc.Drive ...
- web app响应式字体设置!rem之我见
之前做沙漠教育的时候,直接以设计图为准,然后强暴式,缩放处理.简单.直接,粗暴!但是,开发快.……一劳永逸! 但那是,现在开发,作为业界良心:是不能那么做的!(那个是被逼的啊 首先看代码: @medi ...
- 在ie与火狐的兼容性
1.在火狐下 document.getElementById("id").textContent可以获取当前获取id下的内容 而在ie下则为:document.getElem ...
- 数据库备份checksum选项你会用么?
SQL SERVER有好多好多功能,选项也一大堆,很多功能选项并不常用.但是如果真有这种需求的时候又想不起来~ 本篇我们就来聊聊备份里的选项checksum,这是个啥玩意?听都没听过?来看下图: 就是 ...
- [转]java二维码生成与解析代码实现
转载地址:点击打开链接 二维码,是一种采用黑白相间的平面几何图形通过相应的编码算法来记录文字.图片.网址等信息的条码图片.如下图 二维码的特点: 1. 高密度编码,信息容量大 可容纳多达1850个大 ...
- PostgreSQL入门
这篇文章主要介绍我在最近工作中接触到的数据库PostgreSQL,做个入门记录,以便自己日后回顾. 1.下载安装,安装配置过程可以参考http://blog.chinaunix.net/uid-354 ...
- Bash:-:-通过while和shift判断脚本位置参数格式是否合法
]];then echo "请输入2个位置参数..." exit else num=$# ));do case ${num} in ) if ! echo "${1}&q ...
- 剑指offer——树的子结构 (JAVA代码)
版权声明:本文为博主原创文章,未经博主允许不得转载. 题目描述: 输入两棵二叉树A,B,判断B是不是A的子结构.(ps:我们约定空树不是任意一个树的子结构). 解题思路: 首先看牛客网给出的测试用例: ...