cs229
文章平均质量分 93
w20175357
这个作者很懒,什么都没留下…
展开
-
cs229-note1
线性回归 tips: 比较重要,而我又觉得翻译不好;或者比较简单又重要,感觉不用翻译的,就直接使用英文了;感觉没啥特别大作用的,就直接略过了(但是后面发现直接略过更费时间 (囧))。给出一组数据, 其中x是实数域中的二维向量。比如,xi1是第i个房子的居住面积,xi2是这个房子的房间数。 为了执行监督学习,我们需要决定怎么在计算机中表示我们的函数/假设。在一开始,我们可以近似地使用线原创 2017-02-27 23:30:40 · 2218 阅读 · 2 评论 -
cs229-note2
生成学习算法 至今为止,我们主要学习对于模型p(y|x; θ),给定了x得到y的条件分布.在这一,我们要讲学习算法的另一种类型(a different type of learning algorithm). 考虑我们想要基于动物的某些特征分辨大象(y = 1)和狗(y=0)的分类问题.给出一组训练集,逻辑回归与感知器算法尽力找出一条能够充当分类界限的直线,也就是能够区分大象和狗的直线.之后,为原创 2017-07-01 20:34:54 · 730 阅读 · 0 评论 -
为何概述(翻译)CS229这个系列
为何概述(翻译)CS229这个系列 发现现在看书的话很容易找不出关键点,就算找到了也容易忘,而且英文书如果忘了我估计也懒得再去看了,所以就将其进行翻译。 当然了,我也知道网上CS229的相关翻译很多,至于为何又重复翻译呢,因为在翻译的时候能够强制自己思考,而且也有一个思考的脉络,下次看中文的时候能够更快地看懂,如果看别人的翻译可能过几天就忘了。还有一个重要的原因,我发现其他的翻译很多都只是把算法原创 2017-02-27 23:30:04 · 4623 阅读 · 0 评论 -
cs229-note3
Part V支持向量机这一节讲支持向量机(Support Vector Machines(SVM))学习算法.SVMs基本上是最好的现成的监督学习算法(这应该是2004年的讲义,所以现在放在现在可能这个描述并不准确 –me).1.边界:直觉我们将通过讨论边界(margins)来开始我们的SVMs的学习.这一节将给出关于边界的直觉和对于我们的预测的置信度;这些想法将在第三小节证明. 考虑逻辑回归,原创 2017-07-02 17:40:21 · 767 阅读 · 0 评论