Octave Tutorial（《Machine Learning》）之第二课《数据移动》


第二课 Moving Data 数据移动

常用内置函数

(1)加载文件

load 文件名.dat(或load(‘文件名.dat‘))

接着输入文件名便可查看文件里的数据

(2)显示当前工作空间的所有变量 who/whos（更详细）

(3)清除变量 clear 变量名

直接输入clear的话将删除当前工作空间中所有变量

(4)矩阵的大小 size(A)/length(A)

size(A)返回值依旧为一个矩阵[r,v] （size(A,1)返回矩阵的行数 size(A,2)返回矩阵的列数 ）

length(A)返回行数与列数中的的最大值, 常用于向量

(5)翻转给定矩阵 flipud(A)

(6)max (一行多列)返回矩阵中元素最大值

(多行多列)返回矩阵中元素最大列

max(a,[],2)以矩阵形式输出矩阵a中的最大列（以离第2个元素的临近距离排列，近的排在前面）

max（:）以向量形式输出矩阵a中的所有元素

(7)改变数值有效数字显示位数(默认为short) format(opt) / format opt
(8)修改命令行 PS1(opt)prompt

(9)显示内置函数func的用法help func（任意）

(10)打印 disp（sprintf(‘6 decimals:%0.6f‘,a)） ps：打印并在控制台显示变量a的小数点后六位。

(11)显示当前文件所处路径 pwd

(12)进入文件cd

(13)列出当前目录下所有文件 ls

(14)储存数据(以二进制形式)将文件中第1到10个数据存入v中 v = 文件名(1:10)

将v存入hello.dat文件中 save hello.dat v

(以我们看得懂的形式)将v的ascii码存入hello.txt文件中 save hello.txt v -ascii

时间： 2024-08-06 03:39:25

Octave Tutorial（《Machine Learning》）之第二课《数据移动》的相关文章

Coursera《machine learning》--（14）数据降维

本笔记为Coursera在线课程<Machine Learning>中的数据降维章节的笔记. 十四.降维 (Dimensionality Reduction) 14.1 动机一:数据压缩 本小节主要介绍第二种无监督学习方法:dimensionality reduction,从而实现数据的压缩,这样不仅可以减少数据所占磁盘空间,还可以提高程序的运行速度.如下图所示的例子,假设有一个具有很多维特征的数据集(虽然下图只画出2个特征),可以看到x1以cm为单位,x2以inches为单位,它们都是测量长

Attention Please!TWO HUNDREDS OF machine learning turorial summary

Machine Learning The First Column The Second Column Machine Learning 1 从机器学习入手 Machine Learning 2 机器学习很有趣! Machine Learning 3 机器学习规则:ML工程的最佳实践 Machine Learning 4 机器学习速成课程:第一部分 Machine Learning 5 第二部分;伯克利机器学习 Machine Learning 6 第三部分;伯克利机器学习 Machine Le

Machine Learning - XI. Machine Learning System Design

http://blog.csdn.net/pipisorry/article/details/44119187 机器学习Machine Learning - Andrew NG courses学习笔记 Machine Learning System Design机器学习系统设计 Prioritizing What to Work On优先考虑做什么 Error Analysis 错误分析 Error Metrics for Skewed Classes有偏类的错误度量 Trading Off P

Coursera machine learning 第二周 quiz 答案 Octave/Matlab Tutorial

https://www.coursera.org/learn/machine-learning/exam/dbM1J/octave-matlab-tutorial Octave Tutorial 5 试题 1. Suppose I first execute the following Octave commands: A = [1 2; 3 4; 5 6]; B = [1 2 3; 4 5 6]; Which of the following are then valid Octave com

Machine Learning - V. Octave Tutorial (Week 2)

机器学习Machine Learning - Andrew NG courses学习笔记 If you want to build a large scale deployment of a learning algorithm, what people will often do is prototype and the language is Octave.Which is a great prototyping language.So you can sort of get your le

Machine Learning In Action 第二章学习笔记: kNN算法

本文主要记录<Machine Learning In Action>中第二章的内容.书中以两个具体实例来介绍kNN(k nearest neighbors),分别是: 约会对象预测 手写数字识别 通过“约会对象”功能,基本能够了解到kNN算法的工作原理.“手写数字识别”与“约会对象预测”使用完全一样的算法代码,仅仅是数据集有变化. 约会对象预测 1 约会对象预测功能需求 主人公“张三”喜欢结交新朋友.“系统A”上面注册了很多类似于“张三”的用户,大家都想结交心朋友.“张三”最开始通过自己筛选的

吴恩达《深度学习》-课后测验-第三门课 结构化机器学习项目（Structuring Machine Learning Projects）-Week2 Autonomous driving (case study) (case study)( 自动驾驶 （案例研究）)

Week2 Autonomous driving (case study) (case study)( 自动驾驶 (案例研究)) \1. To help you practice strategies for machine learning, in this week we'll present another scenario and ask how you would act. We think this "simulator" of working in a machine l

Neural Networks Learning----- Stanford Machine Learning（by Andrew NG）Course Notes

本栏目内容来自Andrew NG老师的公开课:https://class.coursera.org/ml/class/index 一般而言, 人工神经网络与经典计算方法相比并非优越, 只有当常规方法解决不了或效果不佳时人工神经网络方法才能显示出其优越性.尤其对问题的机理不甚了解或不能用数学模型表示的系统,如故障诊断.特征提取和预测等问题,人工神经网络往往是最有利的工具.另一方面, 人工神经网络对处理大量原始数据而不能用规则或公式描述的问题, 表现出极大的灵活性和自适应性. 神经网络模型解决问题的

机器学习(Machine Learning)&amp;深度学习(Deep Learning)资料

机器学习(Machine Learning)&深度学习(Deep Learning)资料 <Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决策树.SVM.Adaboost到随机森林.Deep Learning. <Deep Learning in Neural Networks: An Overview> 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最新版本