Stanford机器学习---第一讲 Introduction

最新推荐文章于 2022-07-25 10:48:10 发布
最新推荐文章于 2022-07-25 10:48:10 发布
阅读量629 收藏 2
点赞数
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/linuxcumt/article/details/8569362
版权

==============Welcome================

1.微软和谷歌实现了机器学习算法来排行网页



2.FACEBOOK的图片分类程序也是用机器学习算法来做的



3.垃圾邮件过滤器




4.有时很难用具体的算法去解决上述问题，怎么办？---------让机器自己学着去解决。如直升机无人驾驶，手写字符识别，自燃语言处理，计算机视觉等等




5.数据是机器学习的关键：互联网数据+医疗数据+DNA数据+工程数据


6.亚马逊等大网站用机器学习算法来为不同用户进行服务定制


=====What is Machine Learning=======

1.定义：不需要编写特定的程序即可让计算机工作






=============Supervised Learning==============

1.选择直线或二次曲线去拟合，如何选？






2.连续回归  VS  离散分类



3.two features,可以无限维，用SVM去做！




==============UnSupervised Learning================

1. http://news.google.com/新闻聚类



2.各种应用





3.把背景音乐从数字声音中过滤，实现它仅用一行代码~~



















linuxcumt
关注
专栏目录
Coursera机器学习-第七周-Support Vector Machine
BD的笔记
06-13 6475
Large Margin Classification 支持向量机(Support vector machine)通常用在机器学习 (Machine learning)。是一种监督式学习 (Supervised Learning)的方法，主要用在统计分类 (Classification)问题和回归分析 (Regression)问题上。支持向量机属于一般化线性分类器，也可以被认为是提克洛夫规范化（Ti
Stanford机器学习-Introduction
Forlogenの解忧杂货铺
01-18 879
一、What is Machine Learning 自己刚刚考完研，看来看去不知道学什么看什么，刷微博看到现在发展正好的机器学习、深度学习等，于是鼓起信心和好奇心开始尝试学习一下机器学习的相关入门知识。接着便开始找资料，这里开始学习Stanford大学Andrew Ng老师的机器学习课程。 机器学习其实存在于我们生活的很多方面，比如现在移动设备上相册的自动分类功能等， 比如： ...
Stanford机器学习---第一讲. Introduction of machine learning
波大菜菜
04-29 772
本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。所有内容均来自Standford公开课machine learning中An
Stanford机器学习---第一周.监督学习与梯度下降
Hacker_vision
01-07 1476
假期继续捡起Coursera上Andrew Ng的《Machine Learning》课程，去年同一时间学过一点点，这假期争取结课。    视频讲的内容还是蛮多的，写在讲义上的知识点太零散，每周的课程做一个梳理和总结，感兴趣的可以参考下滴~ 第一周 第一讲 引言(Introduction)  1.机器学习是目前信息技术中最激动人心的方向之一；    机器学习是人工智能AI（Artific
Stanford机器学习课程-week1-Introduction & Linear Regression
chaiyiping的专栏
09-28 746
Stanford机器学习课程-week1-Introduction & Linear Regression Definition Arthur Samuel (1959). Machine Learning: Field of  study that gives computers the ability to learn  without being explicitly programme
吴恩达-机器学习Coursera课程第一周测验
qq_40700822的博客
10-13 804
Introduction 本篇参考：https://github.com/UtkarshPathrabe/Machine-Learning-Stanford-University-Coursera/blob/master/Week%2001/Weekly%20Quizzes/Quiz%2001.md 第 1 个问题 A computer program is said to learn from experience E with respect to some task T and some perfor
Python数据分析与机器学习27-拼写纠正实例
只是甲的博客
07-25 8万+
python 数据分析 人工智能 贝叶斯 拼写纠错
Andrew NG 机器学习 笔记-week1-单变量线性回归
无关风月
08-19 1160
Introduction Welcome What is Machine Learning Grew out of work in AI（机器学习源于人工智能领域） New capacity for computers（ML 已经发展成为计算机的一项新能力） Examples:(机器学习应用实例) Database mining Large datasets from g
【Stanford机器学习笔记】11-Unsupervised Learning
学习笔记
05-14 870
【Stanford机器学习笔记】11-Unsupervised Learning
Standord Andrew的机器学习课程项目 含答案
04-21
这个是coursera上stanford机器学习大牛Andrew的部分课程项目，对于学习机器学习很有帮助。
图机器学习 - cs224w Lecture 1 & 2 - 图的性质及随机图
Step to a New World
04-02 1173
文章目录Lecture 1: IntroductionLecture 2: Properties and Random GraphDegree DistributionPath LengthClustering CoefficientConnectivityErdos-Renyi Random Graph ModelSmall-World ModelKronecker Graph Model 最近...
机器学习 Machine Learning（by Andrew Ng）----第一章 引言(Introduction)
Jithonor的博客
07-21 2145
Stanford Machine learning提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程,包括：监督学习（单参数线性回归/多参数线性回归，Logistic Regression，Regularization，支持向量机，核函数，神经网络）；无监督学习（聚类，降维，推荐系统，异常检测）；在机器学习的最佳实践（偏差/方差理论；Photo OCR）。所有内容均来自Coursera
Stanford机器学习---第四讲. Logistic回归 Logistic Regression
02-06 1143
==================Classification======================= 1.假设随Tumor Size变化，预测病人的肿瘤是恶性（malignant）还是良性（benign）的情况。 给出8个数据如下：     2.假设进行linear regression得到的hypothesis线性方程如上图中粉线所示，则可以确定一个thres
Stanford机器学习---第三讲. 多变量线性回归 Linear Regression with Multiple Variables
02-05 684
===============Multiple Features=============== 1.一些符号 2. Linear Regression with Multiple Variables的简洁表示 ===============Gradient Descent for Multiple Variables=============== 1.Gradient Descen
Stanford机器学习---第二讲. Linear Regression with one variable
02-04 666
============Model Representation============== 1.符号表示 2.模式表示 =============Cost Function=============== 1.cost fuction,平方差话费函数是最基本的。 2.当theta1=1，theta
Stanford机器学习---第六讲. 神经网络的表示 Neural Networks representation
02-07 614
==============Nonlinear hypothesis============== 1.当特征多的时候（100），为了非线性的分割，要引入2次项，甚至3此项， 造成特征膨胀。 2.当特征“爆炸”时，回归计算复杂度太大，如汽车分类小例： =================Neurons and the Brain=============
Stanford机器学习---第十一讲. 聚类
02-16 598
============K-Means聚类算法============= 1.KMeans的算法流程：随机选点，分类；再移动点，再分类。。。。 2.算法解释 3.聚类，再改变中心点 4.非可分类的处理 ==============Optimization Objective======================== 1.目标函数
Stanford机器学习---第五讲. 过拟合问题的解决 Regularization
02-07 596
=============The Problem of Overfitting=============== 1.bias大，underfittign    variance大，overfitting 2.logistic回归中的过拟合，注意其函数是logistic，而参数是非线性。因为本身图是线性不可分（除最左） 3.overfitting是由于特征选取太
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值