吴恩达机器学习视频笔记

专业词汇

英文	中文	英文	中文
unsupervised learning	无监督学习	clustering algorithm	（无监督）聚类算法
training set	训练集	hypothesis	假设函数
classification problem	分类问题	univariate	单变量
terminology	术语	parameters	参数
correspond to	拟合	square difference	平方差
cost function	代价函数(损失函数）	convergence	收敛
calculus	微积分	partial derivatives	偏导数
partial derivatives	偏导数	gradient descend	梯度下降
simultaneously	同时地	regression problem	回归问题
matrix	矩阵	row	行
vector	向量	column	列
tossing up	介绍	scalar	标量
minus	减（负）	subtraction	减法
linear algebra	线性代数	identity	单位矩阵
implicit	隐形的	A inverse	A-
singular matrix	奇异矩阵	transpose	转置
multivariate linear regression	多元线性回归	polynomial regression	多项式回归
iterative algorithm	迭代算法	optimal value	最优解
normal equation	正规方程	discrete	离散
fraudulent	欺诈	malignant	恶性
benign	良性	ituition	例子
generalize	泛化	forward propagation	前向传播
clustering	聚类	dimensionality reduction	降维
threshold		selective search	选择性搜索
			图像切割

第二节 代价函数

1. supervised learning 已知类型数据特点等
2. unsupervised learning 不知类型 ，将数据交给算法，具体含义自行定义
3. cost function 需要取到最小值 回归问题常用 平方误差代价函数
4. gradient descend 不仅用在线性回归中，重点是同步更新
5. Batch梯度下降的线性回归模型（α控制下降速度）：得到的是凸函数 所以是全局最优解（非局部）

第三节 矩阵向量

• 结合律 associative property
• 交换律 commutative

#矩阵求逆
import numpy as np

a  = np.array([[1, 2], [3, 4]])  # 初始化一个非奇异矩阵(数组)
# 矩阵对象可以通过 .I 更方便的求逆
A = np.matrix(a)
print (A.I)

第四节 多元线性回归 ①梯度下降②正规方程

1. scale the feature 特征缩放 转换特征值范围 加快梯度下降速度（实质迭代）
2. α取值合适：太小 收敛慢 太大 不收敛 超过水平线

3. 正规方程 一次性求解最优解：最小二乘拟合

$$\theta =(X^{T}X{)}^{-1}{X}^T$$

4. 对比：

​ 数据大 迭代 选α 梯度下降法

​ 数据少 正规方程

第六节

1. 多元logistics回归 ——用于分类

2. 决策边界 decision boundary

3. 代价函数 极大似然估计

4. 提高运行速度 高级算法

5. 多元分类

第七节 过拟合

1. ​ 欠拟合 过拟合

过拟合：feature θ太多使得损失函数接近0，无法泛化

​ solve：reduce feature/regularization（正则化）

2. 正则化：simpler hypothesis 最小化代价函数，太小会直接=θ₀ 欠拟合
3. 线性回归的正则化①梯队下降 ②正规方程：可解决不可逆

2. 逻辑回归正则化

第八节 非线性——神经网络

1. X₀是偏置 activation 激活函数 θ是参数=weight

2. 依次计算 ，输入层激活函数，隐藏层激活函数，输出层激活函数 ——前向传播
3. 神经网络实现逻辑and的过程（改变权重 实现不同逻辑 需要知道sigmoid函数特征）

4. example：三个逻辑组成神经网络

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4UOZ1Hcm-1582892933319)(C:\Users\Lee\AppData\Roaming\Typora\typora-user-images\1581846435977.png)]

5. 多分类的问题

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4GUWaL9p-1582892933324)(C:\Users\Lee\AppData\Roaming\Typora\typora-user-images\1581847010071.png)]

第九节 神经网络反向传播 代价函数

1. cost function

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QQiAckY6-1582892933328)(C:\Users\Lee\AppData\Roaming\Typora\typora-user-images\1582008760470.png)]

2. 反向传播计算公式 （此图2.3层有误差）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ek8xaN0G-1582892933331)(C:\Users\Lee\AppData\Roaming\Typora\typora-user-images\1582009204750.png)]

3. 算法过程

   训练集，

   设置激活函数，

   for i=1 to m

   ​ 正向传播，算出每一层 激活值a

   ​ 利用 y ⁽ⁱ⁾ ，算出每层误差 δ ^(L) = 假设输出-目标输出

   ​ 反向传播，算出δ ^(L-1) ，δ ^(L-2) ，直到δ ⁽²⁾ ，无δ ⁽¹⁾

   ​ 算出Δ

   算出D_ij 即代价函数 每个参数的偏导数 可以用梯度下降法了

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XltIWNXN-1582892933333)(C:\Users\Lee\AppData\Roaming\Typora\typora-user-images\1582010220898.png)]

4. 反向传播具体过程 前一层参数(δ×权重)之和

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-r3W2JvXw-1582892933337)(C:\Users\Lee\AppData\Roaming\Typora\typora-user-images\1582011306338.png)]

4. 验证集选择多项式的次数 测试集算误差
5. 高方差——过拟合 高偏差——欠拟合 注意学习曲线 P63
6. 怎么解决 p64

7. 解决机器学习问题步骤：

   开始一个简单的算法 实施交叉验证

   画出学习曲线决定是否用更多数据还是特征

   误差分析 查看被错误分类的东西有何特征（交叉验证集中做误差分析！！！！）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vhZB0ius-1582892933340)(C:\Users\Lee\AppData\Roaming\Typora\typora-user-images\1582107377688.png)]

第十二节 支持向量机SVM

1. 最大间距分类器

2. 核函数（kernels）：复杂的边界

   接近标记点l⁽¹⁾和l⁽²⁾的 就是y=1 远离的 y=0

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-KJx4VDa3-1582892933342)(C:\Users\Lee\AppData\Roaming\Typora\typora-user-images\1582630186335.png)]

3. 选择规律

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-H9aPeAjp-1582892933344)(C:\Users\Lee\AppData\Roaming\Typora\typora-user-images\1582633502435.png)]

第十三节 无监督学习 聚类算法 clustering K mean

如何初始化聚类中心（K<10）：多次随机初始化，尽量得到全局最优解，以防得到局部最优解（选取代价最小的）

​ k怎么选 手动，根据需求（T shirt）

第十四节 Dimensionality Reduction

purpose:reduce the feature’s redundancy_save data space_ data compression

how: 降维，在某一维度投影

apply: Data Visualization

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9MhXKNIl-1582892933346)(C:\Users\Lee\AppData\Roaming\Typora\typora-user-images\1582793899247.png)]

PCA主成分分析: principal components analysis

建议：

建议： 基本上可以说是必看的最基础的课程了，虽然说得很好，但是是非常基础的课程，很多算法现在都用不上了，接着可以接着看他的deeplearning，主流的方向CV、NLP都有介绍，光看不顶用，一定记得实现一下；想最快感受一下cv可以试试tensorflow官方demo手写数字数据集，用tf.silm或者torch很快就可以搭出来，也不需要太大的算力，CPU跑大约五分钟，感受一下机器学习的魅力，然后投身于等待大牛开发新的框架再自己调参的伟业吧=_=