standford cs229 lesson1

The Chinese name of this lesson is "机器学习的动机与应用". The English name may be "Motivation and Application of Machine Learning", I think.

This lesson introduces an overview of machine learning. The teacher, Andrew Ng, said that machine learning was such a technology which can be applied to many areas. He was very excited to teach this lesson.

The concept "Machine Learning" refers to the technogy that gives the computer to learn without being explictly programmed. Its learning ability learns from the experience and improves the performance by itself.

There are two aspects in Machine Learning, namely supervised learning and unsupervised learning. For supervised learning, you give computer the right answers and computer will from them. Regression and classification are both of supervised learning. For regression, the answer is continuous values. And for classification, the answer is discrete values. And for unsupervised learning, there are no answers to be told to the computer. It is mainly used to understand the structure of data. Clustering is of unsupervised learning.

Lastly, reinforcement learning was also being introduced. Reinforcement learning is used in the scenario that computer needs to make a sequence of decisions. After every decision, a reward or a punishment will be given. The decision made by reinforcement learning is to maximize the rewards and minimize the punishments. It‘s really like training a dog. When the dog do bad things, you say "bad dog" and shout at the dog. When the dog do good things, you say "good dog" and pat its head. Then by and by, the dog will know how to do to maximize "good dogs" and minimize "bad dogs".

时间: 2024-10-06 05:29:45

standford cs229 lesson1的相关文章

深度学习资料整理

Standford CS229 : Machine Learning 吴恩达(standford 人工智能实验室主任,coursera联合创始人)开设课程,目前coursera上最受欢迎的机器学习课程 machine learning公开课 : https://www.coursera.org/learn/machine-learning/home/welcome deep learning 系列 : https://www.coursera.org/learn/neural-networks-

cs229 斯坦福机器学习笔记(二)

LR回顾 LR是机器学习入门的第一道坎,总结一下,Linear Regression 和logistic Regression都是属于GLM,套了logistic之后,输出结果就变成一个概率了,loss function和 likelihood function取反是类似的东西,都可以作为优化的目标.但我感觉 likelihood function从概率统计上来说,更有理论支持吧.loss function 直接对残差求平方和,直觉上也是挺合理的:当然,对于logistic Regression

cs229 斯坦福机器学习笔记(一)

前言 说到机器学习,很多人推荐的学习资料就是斯坦福Andrew Ng的cs229,有相关的视频和讲义.不过好的资料 != 好入门的资料,Andrew Ng在coursera有另外一个机器学习课程,更适合入门.课程有video,review questions和programing exercises,视频虽然没有中文字幕,不过看演示的讲义还是很好理解的(如果当初大学里的课有这么好,我也不至于毕业后成为文盲..).最重要的就是里面的programing exercises,得理解透才完成得来的,毕

在PHP项目中使用Standford Moss代码查重系统

Standford Moss 系统是斯坦福大学大名鼎鼎的代码查重系统,它可以查出哪些同学提交的代码是抄袭别人的,从而将提交结果拒之门外.它对一切希望使用该系统的人都是开放的,那么在PHP的项目中如何使用它呢? 下载Moss的PHP文件moss.php 您可以访问https://github.com/Phhere/MOSS-PHP 来下载moss.php,并将它放在您的第三方扩展库中 使用moss.php 通过下面的范例代码您就可以简单的做个moss小测试了 <?phpinclude("mo

斯坦福CS229机器学习课程笔记七:算法诊断、误差分析以及如何开始一个机器学习问题

这一节是Andrew对应用机器学习给出的建议,虽然没有数学公式,但却是十分重要的一课. Debugging Learning Algorithms 假设要做一个垃圾邮件分类的模型,已经从海量的词汇表中选出一个较小的词汇子集(100个单词)作为特征. 用梯度上升算法实现了贝叶斯逻辑回归,但测试集的错误率达到了20%,这显然太高了. 如何解决这个问题? 收集更多的训练样本 进一步减少特征数 增加特征数 改变特征(考虑邮件标题/正文) 将梯度上升多运行几个迭代 尝试牛顿方法 使用不同的λ 改用SVM

Standford Parser学习入门(2)-命令行运行

在Stanford parser目录中已经定义了一部分命令行工具以及图形界面,本文将介绍如何在windows使用这些工具进行语法分析,Linux下也有shell可以使用. 关于如何搭建环境请参考上一篇文章:Standford Parser学习入门(1)-Eclipse中配置 在解压目录中,打开命令窗口,运行lexparser.bat,会得到如下结果,即为命令行方式运行结果. 运行 lexparser-gui.bat,可弹出图形界面如下图,先点击Load Parser选择model文件(本例中用s

斯坦福CS229机器学习课程笔记六:学习理论、模型选择与正则化

稍微了解有监督机器学习的人都会知道,我们先通过训练集训练出模型,然后在测试集上测试模型效果,最后在未知的数据集上部署算法.然而,我们的目标是希望算法在未知的数据集上有很好的分类效果(即最低的泛化误差),为什么训练误差最小的模型对控制泛化误差也会有效呢?这一节关于学习理论的知识就是让大家知其然也知其所以然. 学习理论 1.empirical risk minimization(经验风险最小化) 假设有m个样本的训练集,并且每个样本都是相互独立地从概率分布D中生成的.对于假设h,定义training

阿甘学Java视频--lesson1

 阿甘学Java视频--lesson1 由于对录屏软件不太熟悉,摸索半天才录制成功了第一个视频,分享给大家. 视频信息: 时长:47分钟 作者:于盼盼 内容:配置java开发环境.编写第一个java源程序并分别用记事本和eclipse体验编写过程并测试.比较使用记事本和IDE eclipse在开发java应用程序方面的优劣. 视频地址:http://user.qzone.qq.com/335816866/2 如果你想在学习java开发技术上少走弯路,欢迎一起加入我的课堂,这里有更多的java

斯坦福CS229机器学习课程笔记二:GLM广义线性模型与Logistic回归

一直听闻Logistic Regression逻辑回归的大名,比如吴军博士在<数学之美>中提到,Google是利用逻辑回归预测搜索广告的点击率.因为自己一直对个性化广告感兴趣,于是疯狂google过逻辑回归的资料,但没有一个网页资料能很好地讲清到底逻辑回归是什么.幸好,在CS229第三节课介绍了逻辑回归,第四节课介绍了广义线性模型,综合起来总算让我对逻辑回归有了一定的理解.与课程的顺序相反,我认为应该先了解广义线性模型再来看逻辑回归,也许这也是为什么讲逻辑回归的网页资料总让人感觉云里雾里的原因