2019-11-05

专业

2 minutes read (About 361 words)

吴恩达机器学习笔记

写在前面

非常我流且敷衍主要是记概念和要点

参考了黄海广博士的笔记

第一章

1. 机器学习是什么

2. 监督学习的概念

3. 无监督学习的概念

第二章

1. 单变量线性回归(Linear Regression with One Variable)

2. 代价函数

3. 梯度下降

4. 梯度下降的线性回归

第三章主要是线性代数的内容搜大学线代课获得更多内容

第四章

1. 多变量线性回归

2. 多变量梯度下降

3. 梯度下降法实践1-特征缩放

4. 梯度下降法实践2 -学习率

5. 特征和多项式回归

6. 正规方程

第五章 Octave教程现在好像都没在用这个了先不管它

第六章

1. 逻辑回归 (Logistic Regression)

2. 假说表示 (Hypothesis Representation)

3. 判定边界

4. 代价函数

5. 简化的成本函数和梯度下降

6. 高级优化

7. 多类别分类：一对多

第七章

1. 过拟合问题

2. 代价函数

3. 正则化线性回归

4. 正则化的逻辑回归模型

第八章

1. 非线性假设

2. 模型1

3. 模型2

4. 特征和直观理解

5. 样本和直观理解

6. 多类型分类

第九章

1. 代价函数

2. 反向传播算法和直观理解

3. 梯度检验

4. 随机初始化

5. 综合流程

第十章

第十一章

第十二章

周志华西瓜书参考答案

# 笔记

吴恩达机器学习笔记

第一章

1. 机器学习是什么

2. 监督学习的概念

3. 无监督学习的概念

第二章

1. 单变量线性回归(Linear Regression with One Variable)

2. 代价函数

3. 梯度下降

4. 梯度下降的线性回归

第三章 主要是线性代数的内容 搜大学线代课获得更多内容

第四章

1. 多变量线性回归

2. 多变量梯度下降

3. 梯度下降法实践1-特征缩放

4. 梯度下降法实践2 -学习率

5. 特征和多项式回归

6. 正规方程

第五章 Octave教程 现在好像都没在用这个了 先不管它

第六章

1. 逻辑回归 (Logistic Regression)

2. 假说表示 (Hypothesis Representation)

3. 判定边界

4. 代价函数

5. 简化的成本函数和梯度下降

6. 高级优化

7. 多类别分类：一对多

第七章

1. 过拟合问题

2. 代价函数

3. 正则化线性回归

4. 正则化的逻辑回归模型

第八章

1. 非线性假设

2. 模型1

3. 模型2

4. 特征和直观理解

5. 样本和直观理解

6. 多类型分类

第九章

1. 代价函数

2. 反向传播算法和直观理解

3. 梯度检验

4. 随机初始化

5. 综合流程

第十章

第十一章

第十二章

Like this article? Support the author with

Comments

Catalogue

Links

Categories

Tag Cloud

Recent

Archives

Tags

Recent

Archives

Tags

Your browser is out-of-date!

第三章主要是线性代数的内容搜大学线代课获得更多内容

第五章 Octave教程现在好像都没在用这个了先不管它