台大机器学习基石学习笔记标签（空格分隔）：机器学习目录台大机器学习基石学习笔记目录Lecture1TheLearningProblemCourseIntroductionWhatisMachineLearningApplicationsofMachineLearningComponentsofMachineLearningMachineLearningandOtherFieldsLecture2L

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html目录机器学习基石笔记1——在何时可以使用机器学习(1)机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html目录机器学习基石笔记1——在何时可以使用机器学习(1)机器学习基石笔记2——在何时可以使用机器学习

花了一个多月总算把《机器学习基石》这门公开课学习完了，作业也做完了，老师讲的很棒，学到了不少东西:).Q13Q14Q15Q16Q17Q18Q19Q20importsysimporturllib2importnumpyasnp

花了一个多月总算把《机器学习基石》这门公开课学习完了，作业也做完了，老师讲的很棒，学到了不少东西:).Q13Q14Q15Q16Q17Q18Q19Q20importsys importurllib2 importnumpyasnp

机器学习基石第三次课代码importurllib2 importnumpyasnp frommathimportexp #url='https://d396qusza40orc.cloudfront.net

Question1这题挺简单λμ+(1−λ)(1−μ)Question2上面的式子展开就知道是0.5了Question3~5直接带入公式算出来吗？这三题我是带入公式算的，尝试了一下没有推导出来，不知道有没有人推导出来了。Question6这题也蛮简单，即是二次函数且与y=0有两个交点Question7一个很简单的例子，四个排序的值A,B,C,D。不可能存在一个positive-and-negati

机器学习基石HOW部分(2)标签：机器学习基石第十章gradientdescentoncross-entropyerrortogetgoodlogistichypothesis从方程的形式、误差的衡量方式

  之前上了台大的机器学习基石课程，里面用的教材是《Learning from data》，最近看了看觉得不错，打算深入看下去，内容上和台大的课程差不太多，但是有些点讲的更深入，想了解课程里面讲什么的童鞋可以看我之前关于课程的第一章总结列表

进度Coursera在线课程机器学习基石[x]hw0作业答案[]作业1-

机器学习基石——台湾大学  感知器学习算法（PLA） c++语言实现过程。

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4265333.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习

为什么机器可以学习（2） 转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1)

第六讲   第五讲主要讲了机器学习可能性，两个问题，（1）\(E_{in} 要和 E_{out}\) 有很接近，（2）\(E_{in}\)要足够小。 对于第一个假设，根据Hoefding's Inequality 可以得到，\( P[|E_{in} - E_{out}| > \epsilon] < 2Mexp(-2\epsilon^2N)\) 对于上述的\(M\)来说

  第五讲 Training versus Testing   一、问题的提出   \(P_{\mathcal{D}}\left [ BAD   \mathcal{D} \right ]  \leq 2M \cdot exp(-2\epsilon^2N)\)  \(\Leftrightarrow  P_{\m

   第四讲 机器学习的可行性   一、Hoeffding's Inequality \(P[\left | \nu -\mu  \right |>\epsilon ] \leq 2exp(-2\epsilon^{2}N)\)　　　　　　　　　　　　　　(1) in-sample error, 也就是在样本里出现的error，\(E_{in}

Classification•Regression•RecommenderUnsupervised•Clustering•Dimensionalityreduction•Topicmodeling正在学习林轩田的机器学习基石和吴恩达的机器学习

一、这几个月干了什么 最主要的是完成了coursera上的几门课程：machine learning, 机器学习基石, data analysis, 斯坦福机器学习。

#!/usr/bin/envpython#-*-coding:utf-8-*-"""__title__='main.py'__author__='w1d2s'__mtime__='2015/10/30'"""fromnumpyimport*fromRidgeRegimport*fromValidationimport*importsysimportstringdefData_Pretreatmen

自己归纳下最近在学的机器学习的知识，主要来源于在coursera上听的机器学习基石这门课，这门课是台湾大学的林轩田老师开的，侧重介绍了机器学习的原理，讲述了什么时候可以使用机器学习，为什么可以使用机器学习

自己归纳下最近在学的机器学习的知识，主要来源于在coursera上听的机器学习基石这门课，这门课是台湾大学的林轩田老师开的，侧重介绍了机器学习的原理，讲述了什么时候可以使用机器学习，为什么可以使用机器学习

台湾国立大学机器学习基石.听课笔记（第十六讲二）：ThreeLearningPrinciple机器学习基石16讲的总结1，机器学习的相关领域2，机器学习的理论基础3，机器学习的线性模型4，机器学习的工具

台湾国立大学机器学习基石.听课笔记（第十六讲一）：ThreeLearningPrinciple一，Occam'sRazor相对简单的模型，也许对数据的训练和测试得出来的结果更好。

台湾国立大学机器学习基石.听课笔记（第十五讲）：validation1，模型选择的问题(Modelselectionproblem)我们在前面的10几讲中已经学到很多算法的模型，那我们在给出一个实际问题后

台湾国立大学机器学习基石.听课笔记（第十五讲）：validation1，模型选择的问题(Modelselectionproblem)我们在前面的10几讲中已经学到很多算法的模型，那我们在给出一个实际问题后

台湾国立大学机器学习基石.听课笔记（第十四讲）：Regularization1，RegularizationHypothesisset我们有上一讲的假设集合可知：我们发现发生overfitting的一个重要原因可能是假设过于复杂了

台湾国立大学机器学习基石.听课笔记（第十四讲）：Regularization1，RegularizationHypothesisset我们有上一讲的假设集合可知：我们发现发生overfitting的一个重要原因可能是假设过于复杂了

AndrewNg机器学习课程6说明在前面跟随者台大机器学习基石课程和机器学习技法课程的设置，对机器学习所涉及到的大部分的知识有了一个较为全面的了解，但是对于没有动手写程序并加以使用的情况，基本上是不可能掌握好的

AndrewNg机器学习课程6说明在前面跟随者台大机器学习基石课程和机器学习技法课程的设置，对机器学习所涉及到的大部分的知识有了一个较为全面的了解，但是对于没有动手写程序并加以使用的情况，基本上是不可能掌握好的

AndrewNg机器学习课程6说明在前面跟随者台大机器学习基石课程和机器学习技法课程的设置，对机器学习所涉及到的大部分的知识有了一个较为全面的了解，但是对于没有动手写程序并加以使用的情况，基本上是不可能掌握好的

台湾国立大学机器学习基石.听课笔记（第十三讲）：harzardofoverfitting1，什么是过拟合(overfitting)简单的说就是这样一种学习现象：Ein很小，Eout却很大。

台湾国立大学机器学习基石.听课笔记（第十三讲）：harzard ofoverfitting1，什么是过拟合(overfitting)简单的说就是这样一种学习现象：Ein很小，Eout却很大。

台湾国立大学机器学习基石.听课笔记（第十二讲）：NonlinearTransformation前面的分析都是基于“线性假设“，它的优点是实际中简单有效，而且理论上有VC维的保证；然而，面对线性不可分的数据时

台湾国立大学机器学习基石.听课笔记（第十一讲）：LinearModels ofClassification 在上一讲中，我们了解到线性回归和逻辑斯蒂回归一定程度上都可以用于线性二值分类，因为它们对应的错误衡量

台湾国立大学机器学习基石.听课笔记（第十讲）：LogisticRegression上一讲是关于线性回归，重点是求解w的解析方案(通过pseudo-inverse求解w)。

前段时间在网上看到了coursera公开课台大机器学习基石课程，比较全面而且清晰地将机器学习所需的基本知识、理论基础给与了讲解。