【1】异常检测
【2】高斯分布
【3】高斯分布
【4】 异常检测
【5】特征选择
【6】
【7】多变量高斯分布
Answer: ACD
B 错误。需要矩阵Σ可逆，则要求m>n
测验1
Answer：AB
Answer： A
p(x) < ε ，漏掉的比较多，说明应该增大ε
Answer：A
x1 应该接近 x2。 增加 x1/x2 这个feature 可以显示异常
Answer： BD
A 错误。训练的时候需要标记哪些是异常。
C 错误。如果有大量数据，表现应该没有SVM好（?）
Answer：A
中心点在 -3。 δ大概为2， 方差δ2为4
【1】推荐系统
Answer：C
注意括号里第一个 i 是电影，第二个 j 是人。 所以对应左下角那个问好
【2】
Answer：D
对应第三个用户，看第三列。 使得 θ(3) x = Carol(3)这列的值。
【3】协同过滤
【4】协同过滤算法
【5】低秩矩阵
【6】均值归一化
测验二
Answer：AC 注意减号后面是y(i,j)。
Answer：CD
Answer：AD
协同过滤算法的要求是特征量和数据比较多。
A 正确。 您运行在线书店并收集许多用户的评分，你想用这个来确定哪些书是彼此“相似”的。特征量很多，协同过滤。
B 错误。你是一位艺术家，为你的客户提供手绘肖像画。每个客户都会获得不同的肖像并为您提供1-5星评级反馈，每位客户至多购买1张肖像。您想预测下一位客户给您的评分。用逻辑回归更好？
C 错误。 您管理在线书店，并拥有来自许多用户的图书评分。你想要学习预测预期销售量（出售书籍的数量）作为书籍平均评分的函数。用线性回归更好。
D 正确。你拥有一家销售多种风格和品牌牛仔裤的服装店。您已经收集了来自经常购物者的不同款式和品牌的评论，并且您希望使用这些评论为您认为他们最有可能购买的牛仔裤提供这些购物者折扣。特征量很多，协同过滤。
Answer：B
要想将三个样本归为一类，类似于前面线性回归、逻辑回归等提到的方法，需要对每个类进行特征缩放后方能总体归为一类。
Answer：BD
可以使用其他高级算法
Answer：AB
Answer：AB