目錄
機器學習(Machine Learning)- 吳恩達(Andrew Ng)
機器學習
- 監督學習:有標籤
迴歸 regression ——連續數值
分類 classification ——離散值 - 無監督學習:沒有標籤
聚類
雞尾酒會算法
單變量線性迴歸
代價函數 cost :平方誤差函數 squared error —— 適用於線性迴歸
梯度下降
往往局部最優,但單變量線性迴歸也是全局最優。
多變量線性迴歸
多元梯度下降
特徵縮放
make sure features are on a similar scale
均值歸一化 —— x0=1,其他約爲0。
學習率 α
出現異常,一般需要調小α
正規方程
計算偏導爲0除,不需要迭代計算,可以一步得到。
不需要特徵縮放。
(XTX)不可逆
原因:有重複的特徵;特徵太多,多於數據量。
Octave:pinv(X'*X)*X'*y
Octave
CLI 命令行
%
註釋
^
次冪 .^
元素次冪 *
.*
~=
不等於 false 0;true 1
disp
屏幕打印 sprintf
輸出
format long
format short
ones()
zeros()
rand()
randn()
eye()
單位矩陣 magic()
幻方矩陣
size()
length()
load
加載數據 save 命名 變量
保存文件
who
所有變量 whos
詳細信息 clear
清除緩存變量
A(:)
把矩陣A變成一個列向量
log()
exp()
abs()
max()
每一列的最大值
find()
sum()
prod()
floor()
向下取整 ceil()
向上取整
flipud()
垂直翻轉
A'
轉置
pinv()
逆
hist
直方圖
plot()
hold on
在同一張圖上畫圖
print -dpng 'name'
figure(n);plot()
同時畫n張圖
subplot()
子圖
xlabel()
ylabel()
legend()
title()
axis()
imagesc(A)
將矩陣A可視化 colorbar
colormap gray
for i=1:10 XXXX end
while XXXX end
break
continue
if XXXX elseif XXXX else XXXX end
function [返回值1, 返回值2] = 函數名(變量1, 變量2)
向量化計算
logistic regression——分類算法
Sigmoid/Logistic function
函數意義:某個輸入情況下,得到的輸出爲1的概率
決策界限
代價函數
梯度下降
高級優化
多元分類
將某些類別合併,與另一個類別進行分類。多次操作。
正則化
過擬合
代價函數
線性迴歸
梯度下降
正規方程
logistic 迴歸
神經網絡學習
解決非線性問題
例子:改變權重θ可以實現 AND OR NOT XNOR 等功能
多元分類
神經網絡參數的反向傳播算法
二元分類:一個輸出單元
多元分類:多個輸出單元
代價函數
反向傳播算法
展開參數
梯度檢測
隨機初始化
權重矩陣隨機初始化,打破對稱性。
組合到一起
- 選擇神經網絡結構
- 訓練神經網絡