抬起头往前走

原创 具体数学复习篇——第四章数论作业中的证明题，中国剩余定理

原创 具体数学复习篇——第四章数论01Stern-Brocot树和项链着色问题

具体数学复习篇——第四章数论01Stern-Brocot树和项链着色问题

原创 具体数学复习篇——第四章数论（基本性质）

若d为gcd（a，b）即d是a和b的最大公因子，那么d可以表达为a和b的一个线性组合即最大公因子是1的时候称a和b互素（当a和b互素的时候就写这个ua+vb=1的式子）

原创 具体数学复习篇——第三章整值函数01取整（平常作业题中有谱的分割证明，复习仍然还需注意）

复习计算机数学基础第三章整值函数

原创 具体数学复习篇——第二章和式（调和数及性质为重点）

复习计算机数学基础第二章和式

原创 推荐算法基础——基于内容过滤及加快算法的技巧

由此通过项目和用户的特征去建立基于内容的过滤算法：利用用户向量和电影向量之间的点积这里我们仍然以推荐电影为背景，要预测用户j对电影i的评分（这里我们不考虑b，因为事实证明b不会影响基于内容的过滤算法）将w(j) * x(i)替换为vu(j) * vm(i)，这两者分别来自于xu(j)和xm(i)，vu是一个用户向量，捕获了用户的偏好preferences。

原创 推荐算法基础——以电影推荐为例学习协同过滤算法

推荐算法基础，协同过滤算法，二值协同过滤算法

原创 机器学习---NLP基础（Sequence、RNN、Attention model）

在很多的场景下，序列模型都有所应用，其类型也有很多，包括many-to-many（x和y的序列长度可以相同可以不同），many-to-one（情感分类，比如给一句评论并且给其打分），one-to-many（音乐生成，比如给一个数字或者也可以是空集，生成一段音乐）

原创 一文搞懂Transformers—01（Transformers机制）

Transformer是一种神经网络架构，通过介绍其机制（01）和变体（02），对Transformer有个大致的了解

原创 机器学习----AndrewNg视频笔记记录11

Deciding what to do next下一步的决策

原创 机器学习----AndrewNg视频笔记记录10

不再直接在dense里面的激活函数设置为softmax，而是一个线性函数，通过from_logits=True消除了中间值的代换，而是直接一步到位：即意味着a不再作为中间值而是直接是z参与运算。

原创 机器学习----AndrewNg视频笔记记录09

在之前的记录8中我们学习到了如何在神经网络上进行推理，而本次的记录9我们将目光集中在神经网络的训练中Step1是指定模型，此模型告诉TensorFlow如何去在神经网络上计算推理Step2是使用特定的loss or cost function去编译compile模型Step3是训练模型要求TensorFlow编译模型的关键步骤是指明specify你要使用的损失函数或者成本函数loss function/cost function，这里我们采用的损失函数是二元交叉熵损失函数。

原创 机器学习----AndrewNg视频笔记记录08

吴恩达老师机器学习视频笔记记录

原创 机器学习----AndrewNg视频笔记记录07

随着数据量的增大，神经网络的表现也更好。

原创 机器学习----AndrewNg视频笔记记录06

特征太多，模型太复杂，很好或者说extremely好地拟合训练集，就会引发高方差和过拟合overfit，虽然它在训练集上的表现很好，但是并不能很好地推广到新的例子；而特征太少，模型太简单，就会导致欠拟合underfit和高偏差。

原创 机器学习----AndrewNg视频笔记记录05

问题中原始特征从而使得学习算法更容易做出准确的预测，你自己利用对于问题的见解创造一个新特征，相比于采用原始的特征进行计算，可能会获得会更好的模型。，在原先的八个数据情况下可以拟合出一条蓝色的直线，并且选择一个0.5的阈值，大于0.5的y-hat是1，否则为0，利用。不同于线性回归模型，逻辑回归模型的数学公式比较复杂，得到的成本函数图像也不同，逻辑回归模型下的成本函数是。，竖线左侧为0右侧为1，但当你再添加一个数据，红色的cross，此时拟合出的一条绿色的直线，在。

原创 机器学习----AndrewNg视频笔记记录04

运行梯度下降时，如何判断它是否收敛？即它是否在帮助你找到接近于成本函数全局最小值的参数，通过了解运行良好的梯度下降看起来是什么样子的，方便我们能更好地选择一个好的学习率值从一般规律上而言，当迭代次数增加时成本函数值会随之下降，当迭代到400次时就逐渐平缓了，这意味着梯度下降或多或少地收敛了，因为曲线不再减少，并且对于不同的程序而言，收敛所需的迭代次数也不相同。值得注意的是，如果在某迭代次数之后成本函数突然增大，可能原因是你的学习率即步长太大，或者是代码中出现了bug除了。

原创 机器学习----AndrewNg视频笔记记录03

通过学习，我们知道了对于只有一个输入变量的时候如何实现线性回归，接下来我们将会引入多个输入特征，学习如何让它拟合非线性曲线，这些改进将会使得算法更加有意义和有价值。

原创 机器学习----AndrewNg视频笔记记录02

通过成本函数的数学定义，对其实际作用build intuition明确我们的模型，参数，成本函数和优化目标，进而通过简化的方式了解问题，将b设为0（大前提都是b=0，也即当固定w则f为x的函数）当w为1时，f=x此时的训练集中数据（红色×）都为x=y，所以此时呢，J(w)为0，可以想象到的是当w不为1时，平方项绝对不为0因此J(w)也会均大于0，这也看出了w=1会使得J的取值最小这里Andrew也计算出了当w取不同值的时候的J的取值。

原创 机器学习----AndrewNg视频笔记记录01

这种聚类算法可以自己计算出哪些词暗示了哪些文章是属于同一组的，也就是说这类算法必须是在没有监督的情况下自行计算出当天的新闻文章集群是什么（因为每天的新闻都在变化，不可能由谷歌自己的员工去找）eg2：因为我们本身没有给算法提供正确的答案（拥有什么样的基因是同一类型），而是由算法本身在数据中找到了structure。eg3：很多公司拥有客户信息数据库，通过聚类能自动地将本公司的客户分组到不同的细分市场，以便更有效为客户服务。无监督学习：没有标签的；聚类算法就是获取没有标签的数据并尝试将它们自动分组到集群中。