Coursera机器学习week1 单元测试

Week1 || Introduction

考察机器学习的定义，由Tom Mitchell 提出的。答案是A

考察监督学习的类型，预测明天的温度，由于是一个连续的值，故选A

考察监督学习的类型，预测是否赢得专利侵权诉讼，答案就两个“YES”和“NO”，是一个离散值，故选B

哪些选项适合使用监督学习。

1、根据1000名医疗病人对实验药物的反应(如治疗效果、副作用等)的数据，发现患者对药物的反应是否有不同的类别或“类型”，如果有的话，这些类别是什么。

没有明确的label，既没有类别信息，也没有给定的目标值，无监督学习

2、根据一个人的基因(DNA)数据，预测他/她未来10年罹患糖尿病的几率。

有明确的数据来预测10年后是否得糖尿病，监督学习

3、让电脑检查一段音乐的音频片段，并对是否有声音进行分类。在那个音频剪辑中，或者如果它只是一个乐器的剪辑(没有声音)。

让电脑检查一个音频是否有声音，属于分类问题，监督学习

4、考虑到来自心脏病患者的大量病历资料，试着了解是否可能有不同类型的患者，我们可以针对这些患者进行单独的治疗。

没有明确的目标值，无监督学习

答案BC

机器学习的定义：它使计算机能够在不被明确编程的情况下学习。故选C

Week1 || Linear Regression with One Variable

求m的值，很明确m=4。

求代价函数J(θ₀,θ₁)的最小值对应的θ₀,θ_{1，代价函数为}

但是算的话太麻烦了，明显可以看出θ₀ > -890, θ₁ < 0。故选B

根据θ₀,θ₁的值求h_θ(6)，答案为1

1、P点对应C点（明显对应A点，错误）

2、如果我们从B点,用精心挑选的学习速率使用梯度下降法最终将帮助我们达到或接近点C，代价函数J(θ₀,θ₁)的最小值是C点。（选择的阿尔法适当，最终达到的是A点而不是C点，错误）

3、P点对应A点（对）

4、如果我们从B点,用精心挑选的学习速率使用梯度下降法最终将帮助我们达到或接近A点,代价函数J(θ₀,θ₁)的最大值是A点。（A点是最小值而不是最大值，错误）

5、如果我们从B点,用精心挑选的学习速率使用梯度下降法最终将帮助我们达到或接近A点,代价函数J(θ₀,θ₁)的最小值是A点。（对）

答案选CE

A、要满足J(θ₀,θ₁) = 0才行

B、不会困在局部最小，最终会达到全局最小

C、只要我们所有的训练例子躺在一条直线,我们将能够找到θ₀和θ₁使的J(θ₀,θ₁)= 0。对于所有的例子，y⁽ⁱ⁾=0是不必要的。

D成立

答案：D

Week1 || Linear Algebra

现代基础题，选A

现代基础题，选D

现代基础题，选A

现代基础题，答案-4

 现代基础题，选BC