Datatype-programming in Racket without structs 在 ML 语言中，我们使用 datatype binding 来实现对 标签联合类型的构建：传送门 这是因为 ML 语言中的 list 中的元素类型是统一的 这里是一份经典的 ML 实现标签联合类型 exp 以及提取 exp 类型实际值的函数 eval 的代码 datatype e
吴恩达属实牛逼 大家好哇，新同学都叫我张北海，老同学都叫我老胡，其实是一个人，只是我特别喜欢章北海这个《三体》中的人物，张是错别字。 最近在coursera上重温了吴恩达升级版的《机器学习》课程，当时还写了一个刷课小教程（⬅️直达） 很多同学貌似对cousera都不太了解 Coursera 是世界上
来上 programming language 的第二 part 了！这一部分介绍的语言是 Racket，之前就听说过它独特的括号语法，这次来具体了解一下 Racket definitions, functions and conditionals definition (define x 3) (define y (+ x 3)) ; 在 racket 中，+ 是一个函数，后面接着函数的两个参数
排序算法 着重注意研究排序算法的稳定性 ： 一个排序算法是稳定的，意即有相同权值的元素在排序前后键值的相对关系不变 插入排序 每个新添加的元素在之前的已排序子序列中找到自己的位置并插入 算法是稳定的 (若新添加的元素与已排序子序列中的某些元素权值相等，插到这段元素末尾即
简单的看了一下课程内容：介绍了类，内联函数，友元函数，运算符重载，多态，虚函数，\(STL\) 等等。 这些内容之前仅有使用上的接触，并没真正理解过。需要用心学一下！ (但是感觉郭炜老师讲的没李戈老师那么有趣) 函数指针 之前学习 \(SML\) 时，一直觉得将函数以参数形式传入另一个函数这个功能很
第一周介绍了 ML 语言的一些表达与基本的 Language pieces 第二周主要关注 ML 语言中的各种类型 (type) Conceptual ways to build new types 任何一门编程语言都包含有两种类型，基础类型 (base type) 与复合类型 (compound type)。 其中，基础类型包括 int, bool, string 这种单一
Machine Learning Platform for AI provides end-to-end machine learning services, including data processing, feature engineering, model training, model prediction, and model evaluation. Machine Learning Platform for AI combines all of these services to make
多维特征（Multiple Features） 多元线性回归，即包含多个变量，比如房子的房龄、面积、房间数等，标记如下： 假设函数就变成了： 可以理解为： θ0表示基础价格 θ1为每平方价格，X1为平米数 θ2为每层价格，X2为层数 假设函数简写为： 梯度下降就变成了： 左图是之前单变量时的梯度下降，右图是
week1 week1 Table of Contents 1. week 1 1.1. intro 1.1.1. what is ML? 1.1.2. supervised learning 1.1.3. unsupervised learning 1.1.4. test 1 1.2. Linear Regression with One Variable 1.2.1. model representation 1.2.2. cost function–J(θ) 1.2.
coursera开启双字幕 var myvideo = document.getElementsByTagName('video')[0]; for (var i = 0; i < myvideo.textTracks.length; i++) { ["en", "zh-CN"].indexOf(myvideo.textTracks[i].language) > -1 ? myvideo.textTr
https://blog.csdn.net/WHAT_IS_THE_NAME/article/details/97957169?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EB
步骤： 1. 需要更新submit.m 和 lib 文件 更新文件下载网址：https://www.coursera.org/learn/machine-learning/supplement/j9NbY/please-read-if-you-ve-switched-from-the-original-version 2. 需要从以下页面中生成即时 “ token ”码 3. 在matlab或octave命令行中输入指
Coursera课程地址 因为Coursera的课程还有考试和论坛，后续的笔记是基于Coursera https://www.coursera.org/learn/machine-learning/home/welcome 课程总结 机器学习 Machine Learning- 吴恩达Andrew Ng 第1~5课总结机器学习 Machine Learning- 吴恩达Andrew Ng 第6~10课总
1. 先安装必备的包 pip install coursera-dl 2. coursera-dl -u <user> -p <password> --cauth <cauth-cookie> --path <path> --subtitle-language <language> --download-quizzes --video-resolution <video-resolution> <course-name>
ML：推荐给小白入门机器学习一系列书籍 目录 一、外文版 二、中文版 一、外文版 Christopher M.Bishop, Pattern Recognition and Machine Learning, Springer-Verlag 2006 Kevin P.Murphy，Machine Learning:A Probabilisic Perspective, The MIT Press, 2012 M
这里作为一个目录吧，正在学习中。 学习过程中做的笔记，主要对在数模中比较实用的一些东西做了补充，另外就是附上了编程练习的个人解答。希望自己能坚持下去！ 监督学习-线性回归 课程原地址在：Machine Learning搬运视频在：PPT 和编程作业在：PPT 和编程作业 Coursera 没有被墙，只是
以下方法同样适用于其他场景的批量下载。最近在学习Coursera退出的深度学习课程，我希望把课程提供的作业下载下来以备以后复习，但是课程有很多文件，比如说脸部识别一课中的参数就多达226个csv文件，如果单纯靠鼠标点击下载简直要疯掉，所以给出如下方法：等不及的可以跳过方法一，直接看方法二
吴恩达深度学习专项课程笔记，共5门课，这是第一门课《神经网络与深度学习》第一周深度学习概论的课程笔记，那我们开始吧。 目录 《1.1欢迎》Welcome 《1.2什么是神经网络？》What is a neural network? 《1.3用神经网络进行监督学习》Supervised Learning with Neural Networks 《1.4
1.octave提交作业 1.1下载octave 1.1.1网盘下载 链接：https://pan.baidu.com/s/1of7sWiqovaKBBRFGEihUmQ 提取码：8d9u 1.1.2官网下载 http://ftp.gnu.org/gnu/octave/windows/ 慢 1.1.3 下载matlab 算了 太大 我不想。。。 1.2打开和运行octave 如果你的文件没有exe运行的这个
在上一讲《Coursera自动驾驶课程笔记（7）：Vehicle Lateral Control》中我们了解了如何使对汽车进行横向控制。本课程第一个篇章就告辞段落了，接下来我们开始学习新的篇章。 课程第二个篇章是状态估计和定位模块。不过在这里我做了一下调整，我们先学习视觉感知模块，即计算机视觉在自
概论：分类应用，概念，基本组成，层次结构 计算机组成基本结构 冯 诺伊曼结构 CPU 控制器：CC，ALU 运算器：CU（主要是控制电路，指令译码）：IR，PC 主存 主存储器：MDR，MAR 计算机执行指令的过程 取指：PC, MAR, M, MDR, IR 译码：OP(IR),CU 执行：ADD(IR), MAR, M, MDR, ACC 回写：回写到目标
Coursera | Applied Plotting, Charting & Data Representation in Python（University of Michigan）| Assignment2 Assignment2 : Plotting Weather PatternsPeer ReviewCodePreprocessPlot结果图 Assignment2 : Plotting Weather Patterns 梅开二度，这次的第二周作业
最近在看Coursera上的机器学习，发现部分单元存在中文字幕不同步的情况，往往慢个几十秒，这样带来很差的学习体验，因此通过GOOGLE和GIT的搜索，发现了一个大佬做的Chrome插件 但是他这个插件存在一些问题，就是会检索你当前的课程是否存在中文字幕，有的话就开启双语，这出发点是好的，但是对于不
参考：https://blog.csdn.net/red_stone1/article/details/78519599 1. 正交化(Orthogonalization) 机器学习中有许多参数、超参数需要调试。 通过每次只调试一个参数，保持其它参数不变而得到的模型某一性能改变是一种最常用的调参策略，我们称之为正交化方法（Orthogonalization）。 对
类和对象（Week 3） 内联成员函数和重载成员函数 内联成员函数 inline + 成员函数 整个函数题出现在类定义内部 class B{ inline void func1(); //方式1 void func2() //方式2 { }; }; void B::func1(){} 成员函数的重载及参数缺省 重载成员函数 成员函数——带缺省
