1.问题规划推荐系统在我们的日常生活中其实很常见，比如电影推荐等等。因此下面就以电影推荐为例子介绍推荐系统。首先如下图所示：上图中的一些信息点包括如下：例子是一个电影评分的例子，用户可以对电影进行0~5的评分。如果用户未对某个电影进行评分，那么就会被标记为？。从图中可以看到，Alice和Bob对于前三个电影的评分较高，这三个电影大多偏向于爱情。而对于后面两个电影的评分则为0，这两个电影偏向于动作类

1 最大熵原理和最大熵模型最大熵原理指出：对一个随机事件的概率分布进行预测时，我们的预测应当满足全部已知的条件，而对未知的情况不要做任何主观假设。概率分布最均匀的时候，预测的风险最小。当我们遇到不确定性时，就要保留各种可能性。匈牙利著名数学家希萨证明，对任何一组不自相矛盾的信息，这个最大熵模型不仅存在，而且是唯一的。此外，它们都有同一个非常简单的形式——指数函数....

1.写在前面吴恩达机器学习的课后作业及数据可以在coursera平台上进行下载，只要注册一下就可以添加课程了。所以这里就不写题目和数据了，有需要的小伙伴自行去下载就可以了。作业及数据下载网址：吴恩达机器学习课程2.异常检测作业1作业一中主要是异常检测，并标注异常点，分别采用单变量高斯分布和多变量高斯分布。下面附上代码，有详细的注释，这里就不一一解释了。# author：FLC# time:2021

一、 编程计算1/1!-1/3!+1/5!-…+(-1)(n+1)/(2n-1)!#include <iostream>using namespace std;int main() {int n;//输入ncin >> n;int t = 1;double num = 1;//定义变量double sum = 0;double temp = num;while (n>

一、输入一个数字，为其高，一个符号*，输出该符号组成的平行四边形形状。#include <iostream>using namespace std;int main() {int num;cin >> num;//输入数字for (int i = 1; i < num+1; i++) {//打印num行for (int j = 1; j < i; j++) {/

一、 a到z的字母用ASCII码表示，显示出来#include <iostream>using namespace std;int main(){for (char c = 'a'; c <= 'z'; c++) {cout << c << ":" << (int)c<<endl;}}二、 求一元二次方程的根#include &lt

1.学习大数据集从某种意义上来说，大数据集确实可以使得模型效果变得更好，如下图所示:但是，大数据集带来更大的计算问题，例如计算代价函数时的计算量会变得很大同时，我们也知道大数据量对高方差的模型有效果，而对高偏差的模型效果不大。2.随机梯度下降在我们之间的学习中，我们进行梯度下降都是采用所有样本来计算，这就导致计算量很大。这种方式的梯度下降较快，如下图基于此，就提出了随机梯度下降的思想：每次只采用一

1. 优化目标首先从逻辑回归开始讲起，我们会先定义sigmoid函数然后我们根据sigmoid函数绘制出它的图像，如下图所示：基于上面的图像，我们可以得到下面的结论：如果y=1，那么我们期望得到hθ(x)≈1，即要使θTx >>0如果y=0，那么我们期望得到hθ(x)≈0，即要使θTx <<0下面接着讨论逻辑回归中单个样本的代价函数，如下图所示：紧接着，我们根据逻辑回归的代

1. 多特征在之前学的线性回归中，只有一个特征。但是在实际生活中，我们还会考虑许多因素，因此通常会使用到多元线性回归。在这里，我们依然使用波特兰的房价数据，但是在前面的基础上，增加了多个特征进行房价的预测。具体如下图：为此我们需要增加一些符号的定义：n代表特征的个数（上图中n=4）m代表训练集样本的个数（上图中m=47）x(i)代表第i个样本（上图中x(2)=[1416,3,2,40]）xj(i)

1.写在前面吴恩达机器学习的课后作业及数据可以在coursera平台上进行下载，只要注册一下就可以添加课程了。所以这里就不写题目和数据了，有需要的小伙伴自行去下载就可以了。作业及数据下载网址：吴恩达机器学习课程2.KMeans作业1作业一中主要是实现聚类算法下面附上代码，有详细的注释，这里就不一一解释了。# author：FLC# time:2021/7/5import numpy as npim