Part1-支持向量机练习

支持向量机

1.1 数据可视化

Part1-支持向量机

优化目标

逻辑回归的另类观点

Part1-机器学习系统设计

确定执行的优先级

假定需要搭建一个垃圾邮件分类器，它是一个监督学习，输入x是邮件的特征，y是1(垃圾邮件)或0(非垃圾邮件)

Part1-正则化线性回归和偏差方差练习

正则化线性回归

1.1 数据可视化

Part1-机器学习应用中的建议

决定下一步该做什么

调试学习算法

Part1-多分类和神经网络练习

多分类

1.1 数据读取

Part1-神经网络学习

代价函数

假设我们有一个与图片有类似的神经网络结构

训练集为：\(\{(x^{(1)},y^{(1)}),(x^{(2)},y^{(2)}),\cdots,(x^{(m)},y^{(m)}) \}\)

符号表示：

L：网络层数

\(s_l\)：第L层的单元数(不包括偏置单元数)

Part1-神经网络

非线性假设

既然我们已经学习了线性回归和逻辑回归，那么为什么还需要学习神经网络？

Part1-逻辑回归练习

逻辑回归

1.1 可视化数据

Part1-正则化

过拟合问题

到现在为止，我们已经学习了线性回归和逻辑回归，它们能够有效地解决许多问题，但当将它们应用到某些特定的机器学习应用时，会遇到过拟合问题，导致它们表现欠佳。