2.1. 基本命令 基本命令 基本运算 代数运算:+ - * / sqrt() 布尔运算:且:&& 或:|| 非:! 赋值:= 基础命令 disp() 显示()内的命令到屏幕 sprintf()用法同c语言中的printf format lone 显示变量的更多小数位数 formate short 显示变量的更少小数位数(4位) help fuction 显示function 函数 2021-02-22 学习笔记 > 机器学习基础课程——吴恩达 > 02. Octave语言初步
2.2. 数据计算和绘制 数据计算和绘制 对元素的操作 A.\*B A矩阵和B矩阵的每一个元素对应相乘 . 对每一个元素进行运算操作 abs(A) 对A每一个元素取绝对值 v+1 对向量v里面的每一个元素+1 A’ 矩阵A的转置 pinv(A)对A求逆矩阵,不可逆时即为伪逆矩阵 max(A) A中最大的元素的值 max(A,[], DI) A中DI维度下元素最大的值(1 列 2 行) ind() 某个元 2021-02-22 学习笔记 > 机器学习基础课程——吴恩达 > 02. Octave语言初步
2.4. 向量化 向量化 对于求和的算法,有时可以转换为矩阵的乘法来进行计算 E.g. \[H(θ)(x)=∑_{j=0}^nθ_j x_j \] 如果直接求和,求和的过程会非常冗长 而设计两个向量\(θ\) \(x\) 则有线性回归假设函数的向量形式: \[h(x)=θ^T x\] 对更新函数: 2021-02-22 学习笔记 > 机器学习基础课程——吴恩达 > 02. Octave语言初步
2.3. 控制和定义语句 控制和定义语句 for i=1:10, Indices=a : b 从a到b的索引 Break Continue 与C语言相同 While, end 结构体 同C语言 选择结构: 123if condition, command end 分支选择结构: 1234if condition, command; elseif condition, Comm 2021-02-22 学习笔记 > 机器学习基础课程——吴恩达 > 02. Octave语言初步
Hexo搭建博客记录 Hexo搭建博客记录 搭建这个博客前前后后花了大概一周左右的时间,基本上把能踩的雷全都踩过了,现在记录一下搭建过程中的问题和解决办法。 Github Pages 相关问题 Github Pages 无法创建页面 显示“Pages build faild” 但是没有任何报错信息 第一个遇到的问题是Github Pages 始终反馈无法创建(build)页面,反馈邮件当中没有任何关于错误的信息 2021-02-20 技术杂谈
7. 总结 总结 分类是将标签赋予给输入图像的过程。 选择特征是一门艺术。 选择好的特征能够让分类器更好的工作。(有些分类器需要很长的工作时间。) 用测试集对分类器进行性能评估是重要的一步。 2021-01-30 学习笔记 > Machine Learning-NUS 2021 > 讲义
6. 人脸识别与感知机 人脸识别与感知机 早期人脸识别技术 最早的人脸识别技术由Sung Kah Kay (MIT), Henry Rowley (CMU)运用ANN识别得来,方法大致为: 将有人脸图像分割为\(20 × 20 px\)的矩阵块 对每个块运用亮度矫正和直方图均衡 放入神经网络学习,检测每一个矩阵块是否为人脸,如果不是,则平移矩阵块,并不断缩小矩阵的大小,再次检测。 Viola-Jo 2021-01-29 学习笔记 > Machine Learning-NUS 2021 > 讲义
6. 大作业-创建一个交通标志分类器 Traffic Sign Recognition Traffic-sign recognition (TSR) is a technology by which a vehicle is able to recognize the traffic signs put on the road e.g. “speed limit” or “children” or “turn ahead”. Thi 2021-01-29 学习笔记 > Machine Learning-NUS 2021 > 课后练习
5. 课后练习-使用更多的分类器 课后练习 5 Tasks: Study k-Nearest Neighbours classifiers sklearn.neighbors.KNeighborsClassifier — scikit-learn 0.24.1 documentation (scikit-learn.org) Study RandomForrest classifiers sklearn.ensemble 2021-01-28 学习笔记 > Machine Learning-NUS 2021 > 课后练习
5. 特征 img{ width: 60%; padding-left: 30%; } 特征 特征的选择 曾在第四讲中提到过特征的选择,特征的选取可以从颜色、形状、直方图等等来提取。 好的特征应该具有如下的性质: 计算简便 鲁棒性 储存小 好的区分度 更优的距离度量 NP hard! 尝试试所有的特征组合是一种在直觉上认为的简便方案,它是一种非确定性 2021-01-28 学习笔记 > Machine Learning-NUS 2021 > 讲义