作业的发布与提交都在本git仓库中进行
- 机器学习视频网站--请与课程的进度保持同步。http://www.coursera.org/learn/machine-learning/
- matlab下载地址--windows & linux。链接: https://pan.baidu.com/s/1o787KeA 密码: ad6a
- 数据挖掘导论--作为补充材料。发布于群文件
- python极简入门--http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000#0
- python书籍推荐--Python编程(programming python)
- numpy教程--https://docs.scipy.org/doc/numpy-dev/user/quickstart.html
- matplotlib教程--http://www.labri.fr/perso/nrougier/teaching/matplotlib/
- 矩阵求导--https://zhuanlan.zhihu.com/p/24709748 https://ccjou.wordpress.com/2013/05/31/%E7%9F%A9%E9%99%A3%E5%B0%8E%E6%95%B8/
- Desmos图形计算器--https://www.desmos.com/calculator
- 注册github帐号
- star这个仓库
- 自学git及github的基础使用,并在自己电脑上配置好环境(git教程http://www.liaoxuefeng.com/wiki/0013739516305929606dd18361248578c67b8067c8c017b000)
- fork这个仓库,clone下你的仓库,在本地创建新的分支(不要使用默认的master分支)
- 在本地Task0目录下,添加一个新的文件,以自己的github账户名作为markdown文件的文件名,如:Red-Night-Aria.md
- 文件中写上自己的本名+你想说的任何话 (比如自己的座右铭)
- commit到本地仓库,然后将本地分支推送到remote
- 向原仓库的master分支发起pull request,等待合并分支
请于第四周结束前完成以上内容。
- 加载数据Task1/q2x.dat,Task1/q2y.dat
- 使用线性回归算法拟合它们
- 画图观察梯度下降的过程,let it nice-looking:)。
- 结果图参考Task1/linear_regress.fig
- 在Task1目录下提交你的结果图(jpg、png、fig)与代码,以自己的github账户名作为文件名,如:Red-Night-Aria.fig
- 学习python的基本语法
- 学习numpy框架的使用
- 使用python完成Task1
请于第六周结束前完成以上内容。
- 加载数据Task2/q2x.dat,Task2/q2y.dat
- 使用加权线性回归算法拟合它们(请自行查阅局部加权线性回归的资料)
- 改变高斯函数的theta值,观察结果
- 画图,结果图参考Task2/Red-Night-Aria.png
- 在Task2目录下提交你的结果图(jpg、png、fig)与代码,以自己的github账户名作为文件名,如:Red-Night-Aria.fig
请于第七周结束前完成以上内容。
- 加载数据Task3/task3_x.dat,Task3/task3_y.dat
- 使用逻辑斯底回归算法对它们进行分类
- 结果图参考Task3/Red-Night-Aria.png
- 在Task3目录下提交你的结果图(jpg、png),以自己的github账户名作为文件名。
- 用牛顿法取代梯度下降法实现算法
请于第八周结束前完成以上内容。
- 加载数据Task4/watermelon.txt
- 使用单隐层神经网络拟合对数据进行分类
- 结果图参考Task4/Red-Night-Aria.png
- 在Task4目录下提交你的结果图(jpg、png、fig)与代码,以自己的github账户名作为文件名。
- 论证以密度和含糖率来分辨西瓜的好坏是否合理。
请于第九周结束前完成以上内容
概览:学习python的ML工具箱scikit-learn的使用,完成CV界的hello world:MNIST手写体数字识别
- 安装第三方库scikit-learn
- 解码MNIST数据集(数据文件的格式见官网http://yann.lecun.com/exdb/mnist/)
- 使用sklearn库设计神经网络,完成对MNIST数据集的训练(参考文档http://scikit-learn.org/dev/modules/neural_networks_supervised.html#neural-networks-supervised)
- 利用训练好的模型,预测自己的手写数字图片
- 在Task5目录下提交你的结果图与代码。(结果图的格式与内容随意 XD
(tips: 训练前用Pillow或matplotlib观察待训练数据,确保数据格式无误)
- 理解MLPClassifier的构造函数中各个参数的意义
- 修改MLPClassifier构造函数的默认参数,使用交叉检验法比较不同模型的性能