CS-229 Notes1-Supervised learning笔记 Note:该笔记参考的是2012版的讲义,因为我是有一定的基础的,故此记录一些自己不会的或者是平时少了解的。 Part I Linear Regression 2 The normal equation 这里其实就是用矩阵的形式来计算least squares. Denotes: Training set:X:[m,n]; weightsθ:[n,1]. 这里其实就...
期望的函数大于等于函数的期望! 其实为什么这样做是十分显然的,就是为了求解方便。所以这一项也可以称为是我们的目标函数 l(\theta) 的lower-bound(下界). EM算法就是通过修改下界(其实就是增加下界)来逼近我们的particular value. 事实上,有些资料会把 P(x,z;\theta) 写成P_\theta(x,y) , 对应地分布率...
Returning to logistic regression with g(z) being the sigmoid function, lets now talk about a different algorithm for minimizing -ℓ(θ)。(感觉notes1里面少了个负号) 牛顿法求函数0点。即 f (Θ) = 0 这样迭代即可,f′(θ)是斜率,从图上看,就是“用三角形去拟合曲线。找0点” 由于我们是要求...
最近在学机器学习,用的是cs229,打算边学习边翻译,加深理解。 CS229-notes 监督式学习(supervised learning problems) Part I 线性回归(Linear Regression) 监督式学习(supervised learning problems) 让我们以一些监督式学习问题的例子来开始吧。假设我们有一个数据集,给出了俄勒冈州波特兰市47栋房屋的居住面...猜...
Returning to logistic regression with g(z) being the sigmoid function, lets now talk about a different algorithm for minimizing -ℓ(θ)。(感觉notes1里面少了个负号) 牛顿法求函数0点。即 f (Θ) = 0 这样迭代即可,f′(θ)是斜率,从图上看,就是“用三角形去拟合曲线。找0点” ...
博文中部分图片和公式都来源于CS229官方notes。 代码语言:txt 复制 CS229的视频和讲义均为互联网公开资源 代码语言:txt 复制 Lecture4 Lecture4的主要内容: ·logistic regression 部分剩下的Newton’smethod ·Exponential family (指数分布族) Generalized linear model(广义线性模型GLM) ...
本文使用Zhihu On VSCode创作并发布本文参考自Stanford CS229 2018 Class Notes这部分的主要内容为:用类似线性回归的思想解决二分类问题; 1.逻辑回归(Logistic regression) 首先介绍Logistic function(或者称为sigmoid function)… 阅读全文 CS229 part.1 线性回归 ...
二元分类中用到的原理同样适用于多元分类。另外,样本(x(i), y(i))中的y(i)也叫做类标(label)。 sigmoid函数 广义线性模型(generalized linear models) softmax回归 参数拟合(parameter fitting),对数似然(log-likelihood) 原文链接: http://cs229.stanford.edu/notes/cs229-notes1.pdf...
**博文中部分图片和公式都来源于CS229官方notes。** 代码语言:txt 复制 **CS229的视频和讲义均为互联网公开资源** Lecture 2 这一节主要讲的是三个部分的内容: ·Linear Regression(线性回归) ·Gradient Descent(梯度下降) ·Normal Equations(正规方程组) ...
斯坦福机器学习-cs229-notes2.pdf,CS229 Lecture notes Andrew Ng Part IV Generative Learning algorithms So far, we’ve mainly been talking about learning algorithms that model p (y |x; θ), the conditional distribution of y given x. For instance, logistic r