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

  1. 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 ...

  2. 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( ...

  3. ML:吴恩达 机器学习 课程笔记(Week7~8)

    Support Vector Machines Unsupervised Learning Dimensionality Reduction

  4. 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

  5. ML:吴恩达 机器学习 课程笔记(Week9~10)

    Anomaly Detection Recommender Systems Large Scale Machine Learning

  6. ML:吴恩达 机器学习 课程笔记(Week3~4)

    Logistic Regression Regularization Neural Networks: Representation

  7. 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 ...

  8. 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 ...

  9. 【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

  1. VMware中为Linux安装vm-tools

    1.虚拟机中选择安装VMware-tools,或者重新安装 2.在/mnt目录下建立cdrom文件夹 mkdir /mnt.cdrom 3.把/dev/cdrom光驱挂载到刚才建的文件夹上 mount ...

  2. Linux 进程后台运行

    Linux 进程后台运行 1.进程在当前终端后台运行.(关闭终端后进程自动退出) sh test.sh & 注:运行进程后跟 “&” 2.进程长期后台运行不受终端关闭影响. nohup ...

  3. openwrt修改hosts

    不同于标准linux主机,openwrt使用dnsmasq来管理dns和dhcp. 修改dnsmasq的配置文件 vi /etc/config/dhcp 在config dnsmasq这组下面添加 l ...

  4. 【题解】JSOIWC2019 Round4

    题面: https://files-cdn.cnblogs.com/files/yzhang-rp-inf/P13.gif https://files-cdn.cnblogs.com/files/yz ...

  5. FL studio的循环模式简介

    在FL studio中,有一个非常有用的功能,它可以加快我们的工作进程,它就是循环模式. 通过频道循环,我们可以在单个模式中创建整个项目,然后使用“按频道分割”将它们分开,以便在播放列表中排列.通常情 ...

  6. Ubuntu 16.04下vsftpd 安装配置实例

    从https://www.linuxidc.com/Linux/2017-06/144807.htm转载 第一步:安装VSFTPD sudo apt-get install vsftpd 安装完成后启 ...

  7. iOS开发 -------- AFNetworking实现简单的断点下载

    一 实现如下效果   二 实现代码 // // ViewController.m // AFNetworking实现断点下载 // // Created by lovestarfish on 15/1 ...

  8. Learning-Python【27】:异常处理

    一.错误与异常 程序中难免会出现错误,而错误分为两种 1.语法错误:这种错误,根本过不了 Python 解释器的语法检测,必须在程序执行前就改正 2.逻辑错误:比如用户输入的不合适等一系列错误 那什么 ...

  9. Mysql中 in or exists not exists not in区别 (网络整理)

    in 和or区别: 如果in和or所在列有索引或者主键的话,or和in没啥差别,执行计划和执行时间都几乎一样. 如果in和or所在列没有 索引的话,性能差别就很大了.在没有索引的情况下,随着in或者o ...

  10. LINQ之路15:LINQ Operators之元素运算符、集合方法、量词方法

    本篇继续LINQ Operators的介绍,包括元素运算符/Element Operators.集合方法/Aggregation.量词/Quantifiers Methods.元素运算符从一个sequ ...