位置: IT常识 - 正文

【机器学习】python实现吴恩达机器学习作业合集（含数据集）

编辑：rootadmin

推荐整理分享【机器学习】python实现吴恩达机器学习作业合集（含数据集），希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:,内容如对您有帮助，希望把文章链接给更多的朋友！

学习感言：

从3.7第一天开始，到今天4.4，一个多月的时间，陆续完成了听课，代码实现和总结博客，过程些许艰难，作为一个刚入门的学习者，收获了很多。总结一下这一段时间的学习过程吧。后面的学习方向还在思考。

1.0 线性回归预测

2.0 线性可分logistic逻辑回归

2.1 线性不可分logistic逻辑回归

3.0 logistic逻辑回归手写多分类问题

3.1 神经网络正向传播

4.0 神经网络反向传播（BP算法）

5.0 方差与偏差

6.0 SVM支持向量机

7.0 kmeans聚类

7.1 PCA主成分分析

8.0 异常检测

8.1 推荐系统（协同过滤算法）

作业涉及到的数据集：

之前的数据集过期了，重新更新

链接：https://pan.baidu.com/s/14gmrdWvIYopPWK_qsJHq5w?pwd=ifuf 提取码：ifuf

Ng课程大纲总结

无监督学习

线性规划，逻辑回归，神经网络，SVM

无监督学习

K-means , PCA , 异常检测

应用

推荐系统，

大规模机器学习

映射化简和数据并行:

将我们的数据集分配给不多台计算机，让每一台计算机处理数据集的一个子集，然后我们将计所的结果汇总在求和。这样的方法叫做映射简化。如果任何学习算法能够表达为，对训练集的函数的求和，那么便能将这个任务分配给多台计算机（或者同一台计算机的不同 CPU 核心），以达到加速处理的目的。

构建机器学习系统tips

方差/偏差，正则化

决定下一步做什么：

算法评估，学习曲线（判断高偏差/高方差问题），误差分析

上限分析：机器学习的应用中，我们通常需要通过几个步骤才能进行最终的预测，我们如何能够知道哪一部分最值得我们花时间和精力去改善呢？这个问题可以通过上限分析来回答。

问题描述和流程图滑动窗口分类算法（CV）获取大量数据和人工数据以下是零碎：

现有的机器学习种类繁多，我们一般可以进行如下的分类标准：

是否在人类监督下学习（监督学习、非监督学习、半监督学习和强化学习）是否可以动态的增量学习（在线学习和批量学习）是简单的将新的数据点和已知的数据点进行匹配，还是像科学家那样对训练数据进行模型检测，然后建立一个预测模型（基于实例的学习和基于模型的学习）一、监督学习与无监督学习监督学习（Supervised Learning）：对于数据集中每一个样本都有对应的标签，包括回归（regression）和分类（classification）；K近邻算法线性回归logistic回归支持向量机（SVM）决策树和随机森林神经网络无监督学习（Unsupervised Learning）：数据集中没有任何的标签，包括聚类（clustering），著名的一个例子是鸡尾酒晚会。实现公式：[W,s,v] = svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x’);聚类算法

K均值算法（K-means）基于密度的聚类方法(DBSCAN)最大期望算法可视化和降维

主成分分析（PCA）核主成分分析关联规则学习

AprioriEclat 异常检测半监督学习有些算法可以处理部分标记的训练数据，通常是大量未标记的数据和少量标记的数据，这种成为半监督学习。

如照片识别就是很好的例子。在线相册可以指定识别同一个人的照片（无监督学习），当你把这些同一个人增加一个标签的后，新的有同一个人的照片就自动帮你加上标签了。

强化学习

强化学习，它的学习系统能够观测环境，做出选择，执行操作并获得回报，或者是以负面回报的形式获得惩罚。它必须自行学习什么是最好的策略，从而随着时间推移获得最大的回

二、在线学习

如果你有一个由连续的用户流引发的连续的数据流，进入你的网站，你能做的是使用一个在线学习机制，从数据流中学习用户的偏好，然后使用这些信息来优化一些关于网站的决策。

在线学习算法指的是对数据流而非离线的静态数据集的学习。许多在线网站都有持续不断的用户流，对于每一个用户，网站希望能在不将数据存储到数据库中便顺利地进行算法学习。

在线学习：产品搜索界面产品推荐三、模型训练及选择（model selection）

可以依据训练误差和测试误差来评估假设hθ(x)；一般来说，我们将数据集划分成训练集（60%）、验证集（20%）和测试集（20%）；

训练集