muzilanlan的专栏

Basic Operations 基本操作a = 1.0000 15.0000 2.0000 0.5000% ================format ================>> format long>> aa = 1.000000000000000 15.000000000000000 2.000000000000000 0.5000000

机器学习目前比较热，网上也散落着很多相关的公开课和学习资源，做一个汇总整理，便于大家参考对比。希望大家持续补充|– 手册类 |--- 课程图谱博客：http://blog.coursegraph.com/ |--- W3shool 关于 Python 3.xx 版本技术文档 |---- 网页地址： http://www.w3cschool.cc/python3/

文章是下面这个公开课的个人笔记，推荐的笔记里记的比较全，完全依据视频课程（有少量小错误），我的笔记依据课程按自己的理解记录一些重点，方便快速回顾。另外自己开始学这门课时搜到的好的资料，推荐给大家：|— Coursera上斯坦福大学Andrew Ng教授的“机器学习公开课”|—- 类 别：适合入门 |—- 网页地址： https://www.coursera.org/learn/mach

3.多变量线性回归 （Linear Regression with multiple variable）3.1 多维特征(Multiple Features)n 代表特征的数量x(i)x^{(i)}代表第 i 个训练实例,是特征矩阵中的第 i 行,是一个向量(vector)。x(i)jx^{(i)}_j代表特征矩阵中第 i 行的第 j 个特征,也就是第 i 个训练实例的第 j 个特征。 多维

单变量线性回归(Linear Regression with One Variable)2.1 模型表达(Model Representation)m 代表训练集中实例的数量x 代表特征/输入变量y 代表目标变量/输出变量(x,y) 代表训练集中的实例(x(i),y(i) ) 代表第 i 个观察实例h 代表学习算法的解决方案或函数也称为假设(hypothesis) 单变量线性回归：只含

1 分类 Classification在分类问题中,我们尝试预测的是结果是否属于某一个类(例如正确或错误)。 分类问题的例子有:判断一封电子邮件是否是垃圾邮件;判断一次金融交易是否是欺诈等等。我们从二元的分类问题开始讨论。 我们将因变量(dependant variable)可能属于的两个类分别称为负向类(negative class)，因变量 0 表示正向类(positive cla

本文适用性如题啊，前一段时间学了些机器学习的东西，就想好好学下python，在10 款最好的 Python IDE中选来选去python IDE 还是选成了PyCharm （ JetBrains 开发的 Python IDE）。所以，本文适用者：喜欢或习惯使用PyCharm IDE, 或某一IDE需要用python做科学计算/ 数据挖掘/ 机器学习/ 深度学习 （也就是说需要安装NumPy，S