Merge pull request #1 from fengdu78/master

update

README.md

@@ -26,15 +26,17 @@
 
 2018-3-26 夜
 
+微信公众号：机器学习初学者 ![gongzhong](/images/gongzhong.png)
+
 [我的知乎](https://www.zhihu.com/people/fengdu78/activities)
 
 参考：https://www.coursera.org/course/ml 机器学习公开课
 
-​           https://mooc.guokr.com/note/12/ [小小人_V](https://mooc.guokr.com/user/2133483357/) 的个人笔记
-
-​           《统计学习方法》李航
+https://mooc.guokr.com/note/12/ [小小人_V](https://mooc.guokr.com/user/2133483357/) 的个人笔记
 
-​          《机器学习课》邹博
+《统计学习方法》李航
+
+《机器学习课》邹博
 
 ## 备注：吴恩达老师的深度学习课（deepLearning.ai）的笔记地址：https://github.com/fengdu78/deeplearning_ai_books
 

markdown/week8.md

@@ -344,7 +344,7 @@ $$\dfrac {\dfrac {1}{m}\sum^{m}_{i=1}\left\| x^{\left( i\right) }-x^{\left( i\ri
 
 ![](../images/0a4edcb9c0d0a3812a50b3e95ef3912a.png)
 
-**PCA**算法，我们可能有一个这样的样本。如图中样本$x^{(1)}$,$x^{(2)}$。我们做的是，我们把这些样本投射到图中这个一维平面。然后现在我们需要只使用一个实数，比如$z^{(1)}$，指定这些点的位置后他们被投射到这一个三维曲面。给定一个点$z^{(1)}$，我们怎么能回去这个原始的二维空间呢？$x$为2维，z为1维，$z=U^{T}_{reduce}x$，相反的方程为：$x_{appox}=U_{reduce}\cdot z$,$x_{appox}\approx x$。如图：
+**PCA**算法，我们可能有一个这样的样本。如图中样本$x^{(1)}$,$x^{(2)}$。我们做的是，我们把这些样本投射到图中这个一维平面。然后现在我们需要只使用一个实数，比如$z^{(1)}$，指定这些点的位置后他们被投射到这一个三维曲面。给定一个点$z^{(1)}$，我们怎么能回去这个原始的二维空间呢？$x$为2维，$z$为1维，$z=U^{T}_{reduce}x$，相反的方程为：$x_{appox}=U_{reduce}\cdot z$,$x_{appox}\approx x$。如图：
 
 ![](../images/66544d8fa1c1639d80948006f7f4a8ff.png)
 

markdown/week9.md

@@ -120,7 +120,7 @@ $p(x)=\prod\limits_{j=1}^np(x_j;\mu_j,\sigma_j^2)=\prod\limits_{j=1}^1\frac{1}{\
 
 1. 根据测试集数据，我们估计特征的平均值和方差并构建$p(x)$函数
 
-2. 对交叉检验集，我们尝试使用不同的$\varepsilon$值作为阀值，并预测数据是否异常，根据F1值或者查准率与查全率的比例来选择 $\varepsilon$
+2. 对交叉检验集，我们尝试使用不同的$\varepsilon$值作为阀值，并预测数据是否异常，根据$F1$值或者查准率与查全率的比例来选择 $\varepsilon$
 
 3. 选出 $\varepsilon$ 后，针对测试集进行预测，计算异常检验系统的$F1$值，或者查准率与查全率之比
 
@@ -189,7 +189,7 @@ $p(x)=\frac{1}{(2\pi)^{\frac{n}{2}}|\Sigma|^{\frac{1}{2}}}exp\left(-\frac{1}{2}(
 
 $|\Sigma|$是定矩阵，在 **Octave** 中用 `det(sigma)`计算
 
-$\Sigma1$ 是逆矩阵，下面我们来看看协方差矩阵是如何影响模型的：
+$\Sigma^{-1}$ 是逆矩阵，下面我们来看看协方差矩阵是如何影响模型的：
 
 ![](../images/29df906704d254f18e92a63173dd51e7.jpg)
 
@@ -211,11 +211,11 @@ $\Sigma1$ 是逆矩阵，下面我们来看看协方差矩阵是如何影响模
 
 原高斯分布模型和多元高斯分布模型的比较：
 
-| 原高斯分布模型                         | 多元高斯分布模型                                 |
-| ------------------------------- | ---------------------------------------- |
-| 不能捕捉特征之间的相关性 但可以通过将特征进行组合的方法来解决 | 自动捕捉特征之间的相关性                             |
-| 计算代价低，能适应大规模的特征                 | 计算代价较高 训练集较小时也同样适用                       |
-|                                 | 必须要有 $m>n$，不然的话协方差矩阵 不可逆的，通常需要 $m>10n$ 另外特征冗余也会导致协方差矩阵不可逆 |
+| 原高斯分布模型                                               | 多元高斯分布模型                                             |
+| ------------------------------------------------------------ | ------------------------------------------------------------ |
+| 不能捕捉特征之间的相关性 但可以通过将特征进行组合的方法来解决 | 自动捕捉特征之间的相关性                                     |
+| 计算代价低，能适应大规模的特征                               | 计算代价较高 训练集较小时也同样适用                          |
+|                                                              | 必须要有 $m>n$，不然的话协方差矩阵$\Sigma$不可逆的，通常需要 $m>10n​$ 另外特征冗余也会导致协方差矩阵不可逆 |
 
 原高斯分布模型被广泛使用着，如果特征之间在某种程度上存在相互关联的情况，我们可以通过构造新新特征的方法来捕捉这些相关性。
 
@@ -295,7 +295,7 @@ $n_m$ 代表电影的数量
 
 $r(i, j)$ 如果用户j给电影 $i$ 评过分则 $r(i,j)=1$
 
-$y^{(i, j)}$ 代表用户 $j$ 给电影i的评分
+$y^{(i, j)}$ 代表用户 $j$ 给电影$i$的评分
 
 $m_j$代表用户 $j$ 评过分的电影的总数