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. Python pyc知识了解

    pyc 是什么 1. Python是一门解释型语言? 我初学Python时,听到的关于Python的第一句话就是,Python是一门解释性语言,我就这样一直相信下去,直到发现了*.pyc文件的存在.如 ...

  2. Android组件系列----Intent详解

    [声明] 欢迎转载,但请保留文章原始出处→_→ 生命壹号:http://www.cnblogs.com/smyhvae/ 文章来源:http://www.cnblogs.com/smyhvae/p/3 ...

  3. 加密方法与HTTPS 原理详解

    一:加密方法: 1,对称加密 AES,3DES,DES等,适合做大量数据或数据文件的加解密. 2,非对称加密 如RSA,Rabin.公钥加密,私钥解密.对大数据量进行加解密时性能较低. 二:https ...

  4. js前端文件收集(一)

    1.保存cookies的文件: /** * Cookie plugin * * Copyright (c) 2006 Klaus Hartl (stilbuero.de) * Dual license ...

  5. Windows server 2016安装Docker EE

    Windows server 2016安装Docker EE 下载 windows server 2016 180天评估版本. 地址:https://www.microsoft.com/en-us/e ...

  6. (转载)Unity UGUI点击不同Button执行不同的方法(无参方法)

      将脚本随意挂在任何位置 但是这个btnParent一定是 按钮的父节点   脚本很简单自己敲一遍就全都明白了 上脚本 OnClickTest using UnityEngine; using Un ...

  7. 7th,Python基础4——迭代器、生成器、装饰器、Json&pickle数据序列化、软件目录结构规范

    1.列表生成式,迭代器&生成器 要求把列表[0,1,2,3,4,5,6,7,8,9]里面的每个值都加1,如何实现? 匿名函数实现: a = map(lambda x:x+1, a) for i ...

  8. VS工作目录,输出目录

    C++项目,解决方案总文件夹下就只包含解决方案配置文件sln和一个项目总文件夹和一个Debug文件夹以及一个Release文件夹(共四个东东,其中Debug和Release文件夹中存放最终生成的结果e ...

  9. Lab 9-1

    Analyze the malware found in the file Lab09-01.exe using OllyDbg and IDA Pro to answer the following ...

  10. WebSocket ,Socket ,Http差异

    最近一直被Socket 被Http搞懵了,然后归类整理了下 首先需要知道网络七层,从上至下 应用,表示,回话,传输,网络,数据链路,物理,一共7层 WebSocket: 这个是在Html5提出的一种规 ...