Doraemonzzz

这一章主要介绍了Logistic Regression，这里回顾下基本操作。 课程地址： https://www.edx.org/course/the-analytics-edge 读取数据 setwd("E:\\The Analytics Edge\\Unit 3 Logistic Regression") framingham = read.csv("framingham.csv") Randomly split the data into training and testing setslibrary(caTools) set.seed(1000) split = sample.split(framingham$TenYearCHD, SplitRatio = 0.65) 划分测试集，训练集 train = subset(framingham, split==TRUE) test = subset(framingham, split==FALSE) ...

这一周的内容比较多，这里先回顾输入输出有关的内容。 课程地址： coursera：C++程序设计 https://www.coursera.org/learn/cpp-chengxu-sheji 中国大学MOOC：程序设计与算法（三）C++面向对象程序设计 程序设计与算法（三）C++面向对象程序设计 输入和输出输入输出相关的类和输入输出相关的类由下图概括： istream是用于输入的流类， cin就是该类的对象。 ostream是用于输出的流类， cout就是该类的对象。 ifstream是用于从文件读取数据的类。 ofstream是用于向文件写入数据的类。 iostream是既能用于输入，又能用于输出的类。 fstream 是既能从文件读取数据，又能向文件写入数据的类。 标准流对象 输入流对象: cin 与标准输入设备相连 输出流对象: cout 与标准输出设备相连 cerr 与标准错误输出设备相连 clog 与标准错误输出设备相连 缺省情况下，以下三者一样： cerr << "Hello,world" << endl; ...

这里回顾下第一门课的期末考试。 课程地址：https://www.coursera.org/specializations/algorithms 选择题 1回想一下我们在QuickSort和RSelect中使用的Partition子例程。假设以下数组刚刚围绕某个pivot元素分区：3,1,2,4,5,8,7,6,9 哪些元素可能是pivot元素？（提示：检查所有适用的，可能有多种可能！） 3 5 4 2 9 pivot左边的元素要小于pivot，右边的元素要大于pivot，所以4,5,9均满足条件 选择题 2这是一个十个整数的数组：5 3 8 9 1 7 0 2 6 4 假设我们在这个数组上运行MergeSort。在最外面的两个递归调用完成之后（即，在最后一个Merge步骤之前），部分排序数组的第7个位置的数字是多少？（当我们说“第7”位置时，我们是计算从1开始的位置；例如，输入数组在其第7位有一个“0”。） 1 3 4 2 最后一轮递归之前，数组的次序应该为1,3,5,8,9,0,2,4,6,7，所以第7个位置的元素为2 选择题 3MergeSort的渐近最坏情况运行时间是 ...

课程地址：https://www.coursera.org/learn/neural-networks 老师主页：http://www.cs.toronto.edu/~hinton 备注：笔记内容和图片均参考老师课件。 这周介绍了DBN和pre-train，这里主要回顾下选择题。 选择题 1Why is a Deep Belief Network not a Boltzmann Machine ? A DBN is not a probabilistic model of the data. All edges in a DBN are directed. Some edges in a DBN are directed. A DBN does not have hidden units. DBN最顶层是RBM，这一层为无向边，其余每层为有向边，第三个选项正确。 选择题 2Brian looked at the direction of arrows in a DBN and was surprised to find that the data is at the “outpu ...

这一周的内容主要是介绍虚函数与多态。 课程地址： coursera：C++程序设计 https://www.coursera.org/learn/cpp-chengxu-sheji 中国大学MOOC：程序设计与算法（三）C++面向对象程序设计 程序设计与算法（三）C++面向对象程序设计 虚函数在类的定义中，前面有virtual关键字的成员函数就是虚函数，virtual 关键字只用在类定义里的函数声明中，写函数体时不用。 class base { virtual int get() ; }; int base::get() { } ​ 多态的表现形式一 派生类的指针可以赋给基类指针。 通过基类指针调用基类和派生类中的同名虚函数时: （1）若该指针指向一个基类的对象，那么被调用是基类的虚函数； （2）若该指针指向一个派生类的对象，那么被调用的是派生类的虚函数。 这种机制就叫做“多态”。 例子： class CBase { public: virtual void SomeVir ...

这一章主要介绍了线性回归，这里回顾下基本操作。 课程地址： https://www.edx.org/course/the-analytics-edge 读取数据，查看基本信息。 setwd("E:\\The Analytics Edge\\Unit 2 Linear Regression") wine = read.csv("wine.csv") str(wine) 'data.frame': 25 obs. of 7 variables: $ Year : int 1952 1953 1955 1957 1958 1959 1960 1961 1962 1963 ... $ Price : num 7.5 8.04 7.69 6.98 6.78 ... $ WinterRain : int 600 690 502 420 582 485 763 830 697 608 ... $ AGST : num 17.1 16.7 17.1 16.1 16.4 ... ...

课程地址：https://www.coursera.org/learn/neural-networks 老师主页：http://www.cs.toronto.edu/~hinton 备注：笔记内容和图片均参考老师课件。 这周介绍了Sigmoid Belief Networks，这里主要回顾下选择题。 对于一般的Sigmoid Belief Networks，网络及计算公式如下： 题目中的网络为 所以 \sigma(z) = \frac{1}{1+\exp(-z)}\\ P(v=1|h_1,h_2) =\sigma(w_1h_1 + w_2h_2)\\ P(h_1=1) =\sigma(0) =\frac 1 2 \\ P(h_2=1) =\sigma(0) =\frac 1 2$h_1,h_2$的概率是$\frac 1 2$是因为没有输入，由由于$h_1,h_2$没有连接，所以$h_1,h_2$独立，从而 P(v,h_1,h_2) = P(v|h_1,h_2) P(h_1,h_2) = P(v|h_1,h_2) P(h_1)P(h_2)选择题 2import numpy ...

最近开始了Edx上The Analytics Edge课程的学习，这个课程主要讲授有关R语言的内容，这里会总结一些重点操作，这一章主要介绍了一些基本操作。 课程地址： https://www.edx.org/course/the-analytics-edge Basic Calculations来看几个基本运算 8*6 48 2^16 65536 Variables先定义几个变量 SquareRoot2 = sqrt(2) SquareRoot2 1.4142135623731 HoursYear <- 365*24 HoursYear 8760 ls()操作可以看到有哪些变量。 ls() ‘HoursYear’ ‘SquareRoot2’ rm可以删除变量。 rm(HoursYear) VectorsR中构建数组的方式是使用c(1,2)这样的形式，注意R中数组的索引从1开始 array = c(2,3,5,8,13) array[1] 2 还有一种构建数组的方式是seq(0,100,2)，类似于Python中的range(0,100,2)，不同之处在于 ...

这一讲将讨论测度以及可测性，介绍了非常重要的$\lambda -\pi$系方法。 Unit 2 Measurability2.1 Families of sets and set functions首先给出以下定义： 固定一个集合\Omega（称为全集）\\ \Phi ：\Omega的非空子集族 \\ \tau: \Phi \to \overline {\mathbb R} = {\mathbb R} \bigcup \{-\infty ,\infty\} \\ \tau称为一个集合函数备注：这一章我们只考虑值域为正实数以及$\infty$的集合函数，即： \tau: \Phi \to \overline {\mathbb R}^+ = {\mathbb R}^+ \bigcup \{\infty\}对于空集还做如下要求： 如果 {\varnothing} \in \Phi ，我们要求 \tau ({\varnothing}) = 0单调性： 我们称\tau是单调的，\\ 如果A \subset B,A,B \in \Phi \Rightarrow \tau(A) \le ...

这一部分将带来Course1 week4的习题解析。 选择题选择题 1$n$个节点的树最多有多少个不同的minimum cuts? $n$ $C_n^2$ $2^n -2$ $n-1$ 树中minimum cuts对应的边的数量为$1$条，$n$个节点的树有$n-1$条边，每条边对应一个minimum cuts，所以一共有$n-1$个不同的minimum cuts 选择题 2让“output”表示Karger的min cut算法在给定$n$个点连通图上的结果，并令$p = \frac{1}{\binom n 2}$。 以下哪项陈述属实？ 对于每个有$n$个顶点的图$G$和每个min cut $(A,B)$ \Pr [\text{out}=(A,B)] \le p 对于每个有$n$个顶点的图$G$，存在一个min cut $(A,B)$使得 \Pr [\text{out}=(A,B)] \ge p 对于每个有$n$个顶点的图$G$，存在一个min cut $(A,B)$使得 \Pr [\text{out}=(A,B)] \le p 对于每个有$n$个顶点的图$G$和每个mi ...

这一讲的内容是有关可加性。 先给出一个重要定义 对于a\in \mathbb R，按如下方式定义a^+,a^-\\ a^+=\begin{cases} a, &a>0\\ 0, & a\le 0 \end{cases} , a^-=\begin{cases} -a, &a0, \exists A \in F(I),\\ s.t. 当B \in F(I), B \cap A =\varnothing时，|\sum_{\alpha \in B} C_\alpha|0\\ 0, & a\le 0 \end{cases}所以 |\sum_{\alpha \in B} C_\alpha^{+}| = |\sum_{\alpha \in B'} C_\alpha| \\ B' \subset B又因为$B \cap A =\varnothing,B’ \subset B$，所以$B’ \cap A =\varnothing$，从而 \sum_{\alpha \in B} C_\alpha^{+} =|\sum_{\alpha \in B} C_\alpha^{+}| = |\sum ...

在学习Coursera上MOOC时用到了TensorFlow，之前对这个内容不是很熟悉，这里稍微总结一些基本概念及其使用。 其实之前也看过TensorFlow，但是不是很理解其运作过程，直到MOOC中讲到计算图的时候总算是理解了，先看一个计算图： 我对TensorFlow的理解是TensorFlow先给出计算图的架构(tf.placeholder)，将要计算的参数定义为变量(tf.get_variable)，然后定义损失函数以及训练方法，注意这些步骤并没有涉及到实际运算，只是把上述计算图及一些相关量搭建好，等这个步骤完成之后，我们再喂入数据进行训练即可，具体流程如下： 来看一个例子，该例子来自于Coursera上Introduction to Deep Learning第二周的内容，这个例子是有关MNIST数据集手写数字识别，这里只给出部分重要的代码。 s = tf.InteractiveSession() D = 784 ### YOUR CODE HERE ### tf.placeholder(...) for flat X with shape[0] = None for ...