编号按照对应的内容，1-1代表第一大部分遇到的第一题，R代表Review，C代表运行的代码（Code）。

1-1

解：B

标记过多的数据为异常可以说明，我们的阈值太高了，导致正常数据也被划分到异常数据中了。

1-2

解：D

极大似然估计对的参数，用平均值求μ，用样本与平均值之差的平方和的平均值求σ方。

2-1

解：C

不，因为有倾斜的类(所以总是预测y=0的算法会有很高的精度)。

2-2

解：AC

判断是否需要异常检测可以看数据是否是偏斜类来决定，就是异常数据太少，同时又特征太多，不能完美学习到异常的原因。

A：你经营一家电力公司(向客户供电)，并希望监视你的电力工厂，看看其中是否有任何一个人行为怪异，正确。

B：您运行一家电力公司，并希望预测明天的预期电力需求(这样您就可以计划增加适当数量的发电能力)，回归问题，错误。

C：一种计算机视觉/安全应用程序，在该应用程序中，您可以检查视频图像，以确定公司停车场中是否有人正在以一种不寻常的方式行事，正确。

D：一种计算机视觉应用程序，在该应用程序中，您检查进入您的零售商店的人的图像，以确定该人是男性还是女性，分类问题，错误。

2-3

解：B

表现得很差，说明出现欠拟合现象，我们可以尝试找出更多的特征来区分正常和反常的例子。

3-1

解：C

由老师上课所讲内容可知，μ确定中心，∑确定形状和大小。

3-2

解：ACD

A：原模型对应于轴对称的特殊多元高斯模型，正确。

B：当训练集数据集很小的时候，不适合使用多元高斯模型，错误。

C：多元高斯模型可以自动寻找不同特征之间的相关性，正确。

D：原始模型比多元高斯模型具有更高的计算效率，因此可以更好地扩展到n(特征数)的很大值，正确。

4-1

解：C

注意顺序，(2,1)是第一个用户对第二个电影。

4-2

解：D

第三个用户更看重动作元素，且都是5分。

5-1

解：A

带入求解，3x=1.5,5x=2.5，解得x=0.5。

5-2

解：D

梯度下降的更新公式。

5-3

解：D

将参数随机初始化为小的值，是想要破坏平衡性，确保算法正确地学习到特征。

6-1

解：C

向量化表示。

6-2

解：B

不需要特征缩放的主要原因是因为已经有了明确的范围。

R

R1-1

解：AC

R1-2

解：A

R1-3

解：B

R1-4

解：CD

R1-5

解：A

R2-1

解：AC

R2-2

解：BD

A：适用于逻辑回归算法。

C：适用于线性回归算法。

R2-3

解：C

您可以将这三个数据集合并为一个，但是您应该首先将每个数据集分别标准化，减去平均值，然后除以(max-min)，其中三个站点的最大值和最小值分别为(5-1)或(10-1)或(100-1)。

R2-4

解：BC

A：协同过滤算法不需要手动选择特征，错误。

D：协同过滤算法初始化参数不可以为0，错误。

R2-5

解：AB

注意需要使用点乘，对元素进行操作。