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
- k-means算法 - 数据挖掘算法(5)
(2017-05-02 银河统计) k-means算法,也被称为k-平均或k-均值,是数据挖掘技术中一种广泛使用的聚类算法. 它是将各个聚类子集内的所有数据样本的均值作为该聚类的代表点,算法的主要思想 ...
- 对于get系列className的不兼容
function getClass(param){ if(id.getElementsByClassName){ return id.getElementsByClassName(param); }e ...
- #const#const int *p 为何可以不初始化
摘自http://www.myexception.cn/cpp/1900041.html const int *p 为什么可以不初始化?c++ primer 5th P53 写道:const 对象 ...
- Linux下Shell的for循环语句
第一类:数字性循环-----------------------------for1-1.sh #!/bin/bash ;i<=;i++)); do + ); done ------------ ...
- PTA编程总结1—打印沙漏
题目:7-1 打印沙漏 (20 分) 本题要求你写个程序把给定的符号打印成沙漏的形状.例如给定17个"*",要求按下列格式打印 ***** *** * *** ***** 所谓&q ...
- org.springframework.beans.TypeMismatchException: Failed to convert property value of type 'null' to required type 'double' for property 'band'; nested exception is org.springframework.core.convert.Con
本文为博主原创,未经允许不得转载: 先将异常粘贴出来: 20:37:26,909 ERROR [com.suning.fucdn.controller.ProductDataStaticsContro ...
- Memcache_分布式缓存
一. Memcache简介 1. 什么要用到Memcache以及该能解决什么问题 高并发访问数据库的痛楚:死锁! 磁盘IO之痛 多客户端共同缓存 NET+Memory>>IO 读写性能完美 ...
- R apply函数 三维 array
参考自:https://www.cnblogs.com/nanhao/p/6674063.html 首先,生成三维数组,注意该三维矩阵为 2*3*4的维度: x=array(1:24,c(2,3,4) ...
- 第 8 章 容器网络 - 065 - 容器在 Weave 中如何通信和隔离?
首先在host2 执行如下命令: weave launch 10.12.31.22 这里必须指定 host1 的 IP 10.12.31.22,这样 host1 和 host2 才能加入到同一个 we ...
- yii框架通过http协议获取地址栏中的内容
//创建一个控制器 <?php namespace frontend\controllers; use frontend\models\Zhuce; use Yii; use yii\web\C ...