Andrew-Ng-ML 吴恩达机器学习 课后练习错题总结

---

4 Linear Regression with Multiple Variables

---

mean normalization 均值归一化

mean=6675.5

8836-4761=4075

(4761-4075)/6675.5 错了

(4761-6675.5)/4075=-0.47 对了

---

feature scaling 特征缩放

选C

一开始没看懂local optima(局部最优)和iteration(迭代)，选了B

---

5 Octave/Matlab Tutorial

---

vectorization 向量化&线性代数

---

6 Logistic Regression

---

Logistic 分类

---

梯度下降

---

7 Regularization

---

正则化

λ过大会欠拟合

---

D不能选，因为λ过大反而会造成欠拟合

---

8 Neural Networks: Representation

---

神经网络

A不能选

---

9 Neural Networks: Learning

---

神经网络&梯度下降

第一次漏选了D；还以为可以波动着下降

---

10 Advice for Applying Machine Learning

---

高偏差-欠拟合-λ大了；高方差-过拟合-λ小了

·Trying smaller sets of features: Fixes high variance

·Adding features: Fixes high bias

之前记错了，没选第二个

---

训练集/验证集/测试集

第一次多选了D
可能应该用交叉验证集去选

---

11 Machine Learning System Design

---

判断是否需要大量数据


这个A是对的，unlikely不太可能 过拟合

---

欠拟合

---

12 Support Vector Machines

---

欠拟合

c也应该选

---

SVM（with the linear kernel）

一开始没选B

---

13 Unsupervised Learning

---

K-means适用于什么

D需要标签

---

14 Principal Component Analysis

---

PCA主成分分析适用于什么

---

15 Anomaly Detection

---

高斯分布

-3-2=-5

-3+2=-1

2*2=4

---

16 Recommender Systems

---

协同过滤什么时候用

你已经编写了一个下载许多网站里新闻文章的软件。在您的系统中，您还可以跟踪您个人喜欢与不喜欢的文章，并且系统还存储这些文章的特征（例如，单词计数、作者姓名）。使用此信息，您想要构建一个系统来尝试查找您个人喜欢的其他新文章。

不能选，这个偏向于分类

---

cost fuction

错了，应该选上A，m=1二者就一样了

---

协同过滤

C：协同过滤不需要每个人对每个电影都评分

---

协同过滤中R的利用

没搞懂C(R==1)会有啥效果

---

17 Large Scale Machine Learning

---

随机梯度下降stochastic gradient

不能选A，是每过500/1000计算一次

---

在线学习

要选B，第一次看到随机梯度下降然后没选

---

18 Application: Photo OCR

---

基于原始数据扩充数据集

本来选了ad没想到是单选，应该只选A
要选B，第一次看到随机梯度下降然后没选

---