cycleuser / stanford-cs-229 Goto Github PK

翻译进度：

翻译进度：

问题如下：

1. Markdown 的制作(https://zhuanlan.zhihu.com/p/33593066) 这个网址打开是错误的，待更新
2. 如果你有兴趣来加入到我们中才参与翻译和维护以及探索更多，请通过 github 发起 pull request 来参与进来！这句话中的“才”字应该改成“来”字

https://github.com/cycleuser/Stanford-CS-229-CN/blob/4b4b6f0439e8b8b5fcdb5327b21fb1e2976fcaf2/Markdown/cs229-notes1.md?plain=1#L407

为了呈现出假设 $h$ 随着数据集规模的增长而线性增长，我们需要以一定顺序保存一些数据的规模。

the amount of stuff we need to keep in order to represent the hypothesis h grows linearly with the size of the training set.

应为：

为表示假设 $h$ 而保存的数据的量随训练集大小线性增长。

随机梯度下降法在每次迭代的时候不应该是选取一个样本进行迭代，而在章节里面描述的是所有的样本计算一次

翻译进度：

翻译进度：

note3.md中
3 函数边界和几何边界（Functional and geometric margins）
里面的公式有重复，位置不对

www.scribd.com/document/356519852/机器学习个人笔记完整版v4-3

https://github.com/Kivy-CN/Stanford-CS-229-CN/blob/master/%E4%B8%AD%E6%96%87%E7%BF%BB%E8%AF%91%E4%B8%AD/notes/cs229-notes3.docx
麻烦能不能转成html方便阅览？多谢。

请问这是课程讲义的翻译还是课程笔记呢？印象中原课程好像没有讲义，所以想问问是原讲义的翻译还是类似黄海广博士那样的课程笔记

1. 第七部分贝叶斯统计公式一有错分子多了一个p(theta)

2. 同样第七部分：“因此在实际应用中，我们都是用一个与 \thetaθ 的后验分布 (posterior distribution)近似的分布来替代。常用的一个近似是把对 \thetaθ 的后验分布(正如等式(2) 中所示)”
   应该是正如等式(1)中所示

楼楼有时间能把那个section note翻译一下么，就是那个复习数学基础的那个，谢谢！数学渣实在伤不起

翻译进度：

两个问题如下：

• 强化学习（Reinforcement Learning）和控制（Control）在原文中是第十三部分，不好意思，我第一次提交Markdown的时候写错了，现在网页上的目录显示有些问题
• 线性二次调节，微分动态规划，线性二次高斯分布是第十四部分

我推测是网页的目录在summary.md里面改，但是不确定，就把问题放在这里提出，等@wizardforcel 如果看到帮忙修改下，谢谢~

Motivation:

• 凸优化是机器学习中优化问题的基础。
• 其他几个Section notes（比如线性代数和概率论）大部分理工科生本科都作为专业课学过，而以凸优化作为专业课的专业相对较少，所以学习翻译凸优化的内容很有必要(优先级较高)。
• 原版凸优化内容较多，阅读很费劲，section notes(凸优化1以及凸优化2)中抽出机器学习中需要的部分，内容比较少，利于快速学习入门。

感谢楼主的辛苦翻译，方便了我这种英语渣的学习。我发现md、docx文件都存在瑕疵，pdf文件是最完美的，打印下来看着很舒服。麻烦楼主有空将note2以后的pdf版本补上。再次感谢！

cs229-notes2.docx这个文档的第12页最后一行。
原文写的是φj|y=1 is正是垃圾邮件中单词 j 出现的邮件中垃圾邮件所占（y = 1）的比例。
是不是应该改成φj|y=1 是垃圾邮件中单词 j所占的比例。

stdcoutzyx

JerryLead

黄海广

多叫几个人一起啊。。。才一个人进度太慢了。。。而且，质量可能也没那么好吧？

翻译进度：

如果你认为需要这方面的帮助的话

今天突然发现chrome和safari上公式的都成了原始的mrkdown语法，辛苦看下是不是网站的某个插件失效了~

项目中内容除了缺少所有讨论课(Discussion Section)笔记外，课堂笔记(Discussion Section)中还缺少以下几篇：

• 1. 决策树(Decision trees)
• 2. 集成学习(Ensembling Methods)
• 3. 深度学习(Deep Learning)
• 4. 反向传播算法(Backpropagation)
• 5. 线性二次系统，微分动态规划和线性二次高斯(LQR, DDP and LQG)

如果能够补充完整就最好啦~

https://github.com/Kivy-CN/Stanford-CS-229-CN/blob/master/Markdown/cs229-notes3.md#5-%E6%8B%89%E6%A0%BC%E6%9C%97%E6%97%A5%E5%AF%B9%E5%81%B6%E6%80%A7lagrange-duality

翻译

这个等式暗示，当$\alpha_i^\ast \geq 0$ 的时候

原文

Specifically, it implies that if α∗i > 0,

https://github.com/Kivy-CN/Stanford-CS-229-CN/blob/master/Markdown/cs229-notes3.md#6-%E6%9C%80%E4%BC%98%E8%BE%B9%E7%95%8C%E5%88%86%E7%B1%BB%E5%99%A8optimal-margin-classifiers-

翻译

另外，之前我们就已经发现所有支持向量(support vectors)的 \alpha_iα i的值都是 0。

原文

. Moreover, we saw earlier that the αi’s will all be zero except for the support vectors.

https://kivy-cn.github.io/Stanford-CS-229-CN/#/Markdown/cs229-notes4
最后一个公式
“此外，有至少为1-δ的概率：
此公式第一项应该是ε(h^hat)而不是ε^hat(h)
”