吴恩达机器学习-octave笔记
隐藏前缀提示符:PS1('>>')
不显示打印内容:;结尾
字符串:a=’hi’
屏幕输出:disp(sprint(‘2 decimals:%0.2f’,a))
生成集合(矩阵):V=1:0.1:2
V=1:6
生成矩阵:ones(2,3)%全1
zeros(2,3)%全0
rand(2,3)%随机0~1之间
eye(6)%单位矩阵
绘制直方图:hist(W)
矩阵维度:size(A)
size(A,1)%第一个维度,即行数
size(A,2)%第二个维度,即列数
length(A)%矩阵最大维度
查看工作空间中的所有变量:who%所有变量
whos%所有变量的详细信息
删除变量:clear A
索引矩阵元素:A(3,2)%
A(3:,:)%第三行所有元素
A(:,2)%第三列所有元素
矩阵操作:[A B]%组合矩阵,A,B左右放
[A;B]%组合矩阵,A,B上下放
A*B%矩阵乘法
A.*B%对应位置元素相乘
A.^2%对A中的每个元素平方
1./A%对A中的每个元素倒数
A’%矩阵专职
max(A)%每一列求最大值
[value,index]=max(V)%行向量的最大值赋给value,对应索引给index
magic(3)%魔方阵,所有的行和列对角线加起来都等于相同的值
sum(a)%矩阵所有元素求和
prod(a)%矩阵所有元素乘积
floor(a)%矩阵所有元素向下四舍五入
ceil(a)%矩阵所有元素向上四舍五入
绘图:
%绘制正弦
t=[0:0.01:0.98];
y1=sin(2*pi*4*t);
plot(t,y1)
%绘制余弦
y2=cos(2*pi*4*t)
hold on%新图绘制在旧图上
plot(t,y2)
xlabel('time')%x轴标签
ylabel('value')%y轴标签
legend('sin',cos)%图例
figure(1); plot(t, y1);%将显示第一张图,绘制了变量 t y1。
figure(2); plot(t, y2);% 将显示第一张图,绘制了变量 t y2。
subplot(1,2,1)%图像分为一个 1*2 的格子
可视化举证:
imagesc(A)%彩色格图
imagesc(magic(15)),colorbar,colormap gray%灰度分布图
基本控制语句:
for语句:
v=zeros(10,1)
for i=1:10
v(i)=2^i;
end;
v
while语句:
i=1;
while i<=5,
v(i)=100;
i=i+1;
end;
break语句:
i=1;
while true,
v(i)=999;
i=i+1;
if i==6,
break;
end;
end;
吴恩达机器学习-octave笔记的更多相关文章
- ML:吴恩达 机器学习 课程笔记(Week1~2)
吴恩达(Andrew Ng)机器学习课程:课程主页 由于博客编辑器有些不顺手,所有的课程笔记将全部以手写照片形式上传.有机会将在之后上传课程中各个ML算法实现的Octave版本. Linear Reg ...
- Coursera 吴恩达 机器学习 学习笔记
Week 1 机器学习笔记(一)基本概念与单变量线性回归 Week 2 机器学习笔记(二)多元线性回归 机器学习作业(一)线性回归——Matlab实现 机器学习作业(一)线性回归——Python( ...
- ML:吴恩达 机器学习 课程笔记(Week7~8)
Support Vector Machines Unsupervised Learning Dimensionality Reduction
- ML:吴恩达 机器学习 课程笔记(Week5~6)
Neural Networks: Learning Advice for Applying Machine Learning Machine Learning System Design
- ML:吴恩达 机器学习 课程笔记(Week9~10)
Anomaly Detection Recommender Systems Large Scale Machine Learning
- ML:吴恩达 机器学习 课程笔记(Week3~4)
Logistic Regression Regularization Neural Networks: Representation
- Coursera-吴恩达机器学习课程笔记-Week2
参考资料: 吴恩达教授机器学习课程 机器学习课程中文笔记 Week2 一. 多变量线性回归(Linear Regression with Multiple Variables) 多变量就时当一个exa ...
- Coursera-吴恩达机器学习课程笔记-Week1
参考资料: 吴恩达教授机器学习课程 机器学习课程中文笔记 Week 1 一. 引言 机器学习模型可分为监督学习Superviese learning(每个数据集给出了正确的值)和无监督学习Unsupe ...
- 【Deeplearning.ai 】吴恩达深度学习笔记及课后作业目录
吴恩达深度学习课程的课堂笔记以及课后作业 代码下载:https://github.com/douzujun/Deep-Learning-Coursera 吴恩达推荐笔记:https://mp.weix ...
随机推荐
- web服务器集群(多台web服务器)后session如何同步和共享
在访问量上去以后,很多人会采用web集群的方式在满足逐渐增长的用户量.这时候就不得不面对一个问题,那就是在多个服务器下,每次请求都会因为负载均衡而分配到不同的服务器上.用户在登录服务器后,下一次请求被 ...
- php 固定红包 + 随机红包算法
<?php /** * 随机红包+固定红包算法[策略模式] * copyright (c) 2016 http://blog.csdn.net/CleverCode */ //配置传输数据DTO ...
- Weighted Quick Union
Weighted Quick Union即: 在Quick Union的基础上对结点加权(weighted),在parent[i]基础上增加一个size[i]. 用来存储该结点(site)的所有子结点 ...
- python学习笔记:*args和**kwargs使用原理?
一.*args和**kwargs原理 先看个例子: def test(*args,**kwargs): print("args =",args) print("kwarg ...
- 714-Card Trick
思维题,把n个卡片倒着放,然后每个卡片循环放到最底下i次,最后出来的结果就是要求的卡牌顺序 #include<stdio.h> #include<string.h> #incl ...
- servelet基础
1.1 servlet简介 Java Servlet 是运行在 Web 服务器或应用服务器上的程序.她是一个浏览器和服务器之间的中间层.程序员开发程序,实现servlet的接口.S ...
- MATLAB绘图功能(2) 二维底层绘图修饰
文末源代码 部分源代码 % x=0:0.1:2*pi; % y=sin(x); % plot(x,y); % line对象 % h = line([-pi:0.01:pi],sin([-pi:0. ...
- android -------- MVP+DataBinding 的使用
今天来说说MVP+DataBinding 的使用 以一个登录案例来讲解 布局:(ConstraintLayout 作为根布局) <layout> <data> <vari ...
- 『TensorFlow』第三弹_可视化框架介绍_悄悄问圣僧
添加记录节点 -> 汇总记录节点 -> run汇总节点 -> [书写器生成]书写入文件 [-> 刷新缓冲区] 可视化关键点: 注意, 1.with tf.name_scope( ...
- Matlab:非线性高阶常微分方程的几种解法
一.隐式Euler: 函数文件1: function b=F(t,x0,u,h) b(,)=x0()-h*x0()-u(); b(,)=x0()+*h*x0()/t+*h*(*exp(x0())+ex ...