- 博客(3)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Coursera 吴恩达 第三周
1.Classification and Representation为了解决分类问题，一个方法就是用线性回归将所有大于0.5的预测视做1，小于0.5的预测视做0.但这种做法通常不能很好工作。分类问题和回归问题很相像，除了一点，分类问题的输出值是离散的，例如：0或1。我们首先讨论二元分类问题：y的取值只有0或者1.忽略掉y的取值，我们仍然可以构想分类问题类似回归问题，用线性回归来...
2019-05-16 21:59:31
272
原创 coursera 吴恩达 第二周
1.Multiple Features当有多个特征值的时候：这时候，我们的假设函数应修改为为了结构统一，我们假设这样子，变量就向量化了。注意x和theta都是n+1维向量。新的梯度下降算法：Feature Scaling（特征缩放）如果特征值的范围大小相差太大，那么用梯度下降会面临很糟糕的情况，想象一下，如果只有theta0和theta1，这两个变...
2019-05-16 18:14:30
355
原创 coursera 吴恩达 第一周
第一周什么是机器学习？Tom Mitchell provides a more modern definition:A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance...
2019-05-16 16:38:07
169
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人