diff --git a/.gitignore b/.gitignore index 3760c6a..1a0d5b6 100644 --- a/.gitignore +++ b/.gitignore @@ -1,2 +1,4 @@ - .ipynb_checkpoints - .DS_Store \ No newline at end of file +.ipynb_checkpoints +.DS_Store +.gitignore +*.ipynb diff --git a/ch02_机器学习基础/img/ch2/2.1/1.jpg b/ch02_机器学习基础/img/ch2/2.1/1.jpg index a4634e8..13d8e28 100644 Binary files a/ch02_机器学习基础/img/ch2/2.1/1.jpg and b/ch02_机器学习基础/img/ch2/2.1/1.jpg differ diff --git a/ch02_机器学习基础/img/ch2/2.1/11.jpg b/ch02_机器学习基础/img/ch2/2.1/11.jpg index 2a85456..e615b4b 100644 Binary files a/ch02_机器学习基础/img/ch2/2.1/11.jpg and b/ch02_机器学习基础/img/ch2/2.1/11.jpg differ diff --git a/ch02_机器学习基础/img/ch2/2.1/2.jpg b/ch02_机器学习基础/img/ch2/2.1/2.jpg index 5adbf8a..c158a94 100644 Binary files a/ch02_机器学习基础/img/ch2/2.1/2.jpg and b/ch02_机器学习基础/img/ch2/2.1/2.jpg differ diff --git a/ch02_机器学习基础/img/ch2/2.1/3.jpg b/ch02_机器学习基础/img/ch2/2.1/3.jpg new file mode 100644 index 0000000..918b8bb Binary files /dev/null and b/ch02_机器学习基础/img/ch2/2.1/3.jpg differ diff --git a/ch02_机器学习基础/img/ch2/2.1/3.png b/ch02_机器学习基础/img/ch2/2.1/3.png deleted file mode 100644 index 8a81620..0000000 Binary files a/ch02_机器学习基础/img/ch2/2.1/3.png and /dev/null differ diff --git a/ch02_机器学习基础/img/ch2/2.1/5.jpg b/ch02_机器学习基础/img/ch2/2.1/5.jpg index 89f9b27..3629e72 100644 Binary files a/ch02_机器学习基础/img/ch2/2.1/5.jpg and b/ch02_机器学习基础/img/ch2/2.1/5.jpg differ diff --git a/ch02_机器学习基础/img/ch2/2.1/7.jpg b/ch02_机器学习基础/img/ch2/2.1/7.jpg new file mode 100644 index 0000000..d4d1281 Binary files /dev/null and b/ch02_机器学习基础/img/ch2/2.1/7.jpg differ diff --git a/ch02_机器学习基础/img/ch2/2.1/7.png b/ch02_机器学习基础/img/ch2/2.1/7.png deleted file mode 100644 index ba2ee2f..0000000 Binary files a/ch02_机器学习基础/img/ch2/2.1/7.png and /dev/null differ diff --git a/ch02_机器学习基础/img/ch2/2.16/1.jpg b/ch02_机器学习基础/img/ch2/2.16/1.jpg new file mode 100644 index 0000000..6479461 Binary files /dev/null and b/ch02_机器学习基础/img/ch2/2.16/1.jpg differ diff --git a/ch02_机器学习基础/img/ch2/2.16/1.png b/ch02_机器学习基础/img/ch2/2.16/1.png deleted file mode 100644 index aa2932d..0000000 Binary files a/ch02_机器学习基础/img/ch2/2.16/1.png and /dev/null differ diff --git a/ch02_机器学习基础/img/ch2/2.16/2.jpg b/ch02_机器学习基础/img/ch2/2.16/2.jpg new file mode 100644 index 0000000..e8e8f9c Binary files /dev/null and b/ch02_机器学习基础/img/ch2/2.16/2.jpg differ diff --git a/ch02_机器学习基础/img/ch2/2.16/2.png b/ch02_机器学习基础/img/ch2/2.16/2.png deleted file mode 100644 index dbebe0b..0000000 Binary files a/ch02_机器学习基础/img/ch2/2.16/2.png and /dev/null differ diff --git a/ch02_机器学习基础/img/ch2/2.18/1.jpg b/ch02_机器学习基础/img/ch2/2.18/1.jpg new file mode 100644 index 0000000..a14454c Binary files /dev/null and b/ch02_机器学习基础/img/ch2/2.18/1.jpg differ diff --git a/ch02_机器学习基础/img/ch2/2.18/1.png b/ch02_机器学习基础/img/ch2/2.18/1.png deleted file mode 100644 index a80491f..0000000 Binary files a/ch02_机器学习基础/img/ch2/2.18/1.png and /dev/null differ diff --git a/ch02_机器学习基础/第二章_机器学习基础.md b/ch02_机器学习基础/第二章_机器学习基础.md index f1b235f..c2fd891 100644 --- a/ch02_机器学习基础/第二章_机器学习基础.md +++ b/ch02_机器学习基础/第二章_机器学习基础.md @@ -8,7 +8,7 @@ |回归算法|基于实例的算法|正则化方法| |:-:|:-:|:-:| -|![](./img/ch2/2.1/1.jpg)|![](./img/ch2/2.1/2.jpg)|![](./img/ch2/2.1/3.png)| +|![](./img/ch2/2.1/1.jpg)|![](./img/ch2/2.1/2.jpg)|![](./img/ch2/2.1/3.jpg)| |决策树学习|贝叶斯方法|基于核的算法| |:-:|:-:|:-:| @@ -16,7 +16,7 @@ |聚类算法|关联规则学习|人工神经网络| |:-:|:-:|:-:| -|![](./img/ch2/2.1/7.png)|![](./img/ch2/2.1/8.jpg)|![](./img/ch2/2.1/9.png)| +|![](./img/ch2/2.1/7.jpg)|![](./img/ch2/2.1/8.jpg)|![](./img/ch2/2.1/9.png)| |深度学习|降低维度算法|集成算法| |:-:|:-:|:-:| @@ -239,7 +239,7 @@ $$ 假设函数中有$A$和$B$两个参数，当参数发生变化时，假设函数状态也会随着变化。 如下图所示 -![](./img/ch2/2.16/1.png) +![](./img/ch2/2.16/1.jpg) 想要你和图中的离散点，我们需要尽可能找到最优的$A$和$B$来使这条直线更能代表所有数据。如何找到最优解呢，这就需要使用代价函数来求解，以平方误差代价函数为例，假设函数为$h(x)=\theta_0x$。 平方误差代价函数的主要思想 @@ -253,7 +253,7 @@ $$ **最优解即为代价函数的最小值**$\min J(\theta_0, \theta_1)$。如果是1个参数，代价函数一般通过二维曲线便可直观看出。如果是2个参数，代价函数通过三维图像可看出效果，参数越多，越复杂。 当参数为2个时，代价函数是三维图像。 -![](./img/ch2/2.16/2.png) +![](./img/ch2/2.16/2.jpg) ### 2.10.3 为什么代价函数要非负？ 目标函数存在一个下界，在优化过程当中，如果优化算法能够使目标函数不断减小，根据单调有界准则，这个优化算法就能证明是收敛有效的。 @@ -278,7 +278,7 @@ $$\frac{\delta J}{\delta w}=(a-y)\delta'(z)x$$，$$\frac{\delta J}{\delta b}=(a- *注*：神经网络常用的激活函数为sigmoid函数，该函数的曲线如下所示： -![](./img/ch2/2.18/1.png) +![](./img/ch2/2.18/1.jpg) 假设目标是收敛到1.0。0.82离目标比较远，梯度比较大，权值调整比较大。0.98离目标比较近，梯度比较小，权值调整比较小。调整方案合理。 假如目标是收敛到0。0.82目标比较近，梯度比较大，权值调整比较大。0.98离目标比较远，梯度比较小，权值调整比较小。调整方案不合理。