From 4c6739b7b0d0457dceaeb3c667e58052b0810a9b Mon Sep 17 00:00:00 2001
From: scruel <scruelt@hotmail.com>
Date: Sun, 18 Sep 2022 19:28:56 +0800
Subject: [PATCH] Optimize code block&desc

---
 README.md |  4 ++--
 week1.md  | 16 ++++++++--------
 week2.md  |  2 +-
 week3.md  |  4 ++--
 week4.md  |  2 --
 week5.md  | 12 ++++++------
 6 files changed, 19 insertions(+), 21 deletions(-)

diff --git a/README.md b/README.md
index 4bfc40f..5298e2c 100644
--- a/README.md
+++ b/README.md
@@ -16,7 +16,7 @@ https://www.coursera.org/learn/machine-learning
 
 本项目包含课程中的课后作业以及笔记：
 
-1. 笔记(notes)都为中文，为了便于复习和扩充等，尽量会按照视频目录，以及视频内容进行提炼整理。
+1. 笔记（notes）都为中文，为了便于复习和扩充等，尽量会按照视频目录，以及视频内容进行提炼整理。
 2. 遵循[荣誉准则][honor code]，现已移除已通过的课后编程作业的源代码，之后会改为指导笔记形式陆续更新。
 
 感谢关注，欢迎分享。
@@ -32,7 +32,7 @@ https://www.coursera.org/learn/machine-learning
 
 3. 下载 .html 网页文件及 笔记图片 image 文件夹，浏览器打开阅读。
 
-4. 笔记源码(.md)基于支持 LaTeX 的 markdown 编辑器 [Typora][Typora]，其他类似的编辑器也可以阅读及编辑，注意其他编辑器可能会产生排版问题。
+4. 笔记源码（.md）基于支持 LaTeX 的 markdown 编辑器 [Typora][Typora]，其他类似的编辑器也可以阅读及编辑，注意其他编辑器可能会产生排版问题。
 
 
 ## Resources
diff --git a/week1.md b/week1.md
index 1d4bc72..2cdd7c9 100644
--- a/week1.md
+++ b/week1.md
@@ -107,7 +107,7 @@
 
 在鸡尾酒会上，大家说话声音彼此重叠，几乎很难分辨出面前的人说了什么。我们很难对于这个问题进行数据标注，而这里的通过机器学习的无监督学习算法，就可以将说话者的声音同背景音乐分离出来，看视频，效果还不错呢\~~。
 
-嗯，这块是打打鸡血的，只需要一行代码就解决了问题，就是这么简单！当然，我没复现过 ^_^……
+嗯，这块是打打鸡血的，只需要一行代码就解决了问题，就是这么简单！当然，我没复现过 \^\_\^……
 
 神奇的一行代码：
 `[W,s,v] = svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x');`
@@ -259,7 +259,7 @@ $$
 > ”:=“: 赋值操作符
 >
 > $\alpha$: 学习速率（learning rate）, $\alpha > 0$
->
+> 
 > $\frac{\partial }{\partial {{\theta }_{j}}}J\left( \theta_0, \theta_1  \right)$: $J\left( \theta_0, \theta_1 \right)$ 的偏导
 
 公式中，学习速率决定了参数值变化的速率即”**走多少距离**“，而偏导这部分决定了下降的方向即”**下一步往哪里**“走（当然实际上的走多少距离是由偏导值给出的，学习速率起到调整后决定的作用），收敛处的局部最小值又叫做极小值，即”**陆地**“。
@@ -362,7 +362,7 @@ $$
 
 ## 3.1 Matrices and Vectors
 
-Octave/Matlab 代码:
+Octave 代码:
 
 ```matlab
 % The ; denotes we are going back to a new row.
@@ -415,7 +415,7 @@ A_23 =  6
 
 ## 3.2 Addition and Scalar Multiplication
 
-Octave/Matlab 代码:
+Octave 代码:
 
 ```matlab
 % Initialize matrix A and B 
@@ -482,7 +482,7 @@ add_As =
 ```
 ## 3.3 Matrix Vector Multiplication
 
-Octave/Matlab 代码:
+Octave 代码:
 
 ```matlab
 % Initialize matrix A 
@@ -521,7 +521,7 @@ Av =
 ```
 ## 3.4 Matrix Matrix Multiplication
 
-Octave/Matlab 代码:
+Octave 代码:
 
 ```matlab
 % Initialize a 3 by 2 matrix 
@@ -559,7 +559,7 @@ mult_AB =
 ```
 ## 3.5 Matrix Multiplication Properties
 
-Octave/Matlab 代码:
+Octave 代码:
 
 ```matlab
 % Initialize random matrices A and B 
@@ -628,7 +628,7 @@ BA =
 ```
 ## 3.6 Inverse and Transpose
 
-Octave/Matlab 代码:
+Octave 代码:
 
 ```matlab
 % Initialize matrix A 
diff --git a/week2.md b/week2.md
index 7f7b94a..b42530a 100644
--- a/week2.md
+++ b/week2.md
@@ -8,7 +8,7 @@
 
 这里由于特征不再只有一个，引入一些新的记号
 
-> $n$: 特征的总数 
+> $n$: 特征的总数
 >
 >  ${x}^{\left( i \right)}$: 代表样本矩阵中第 $i$ 行，也就是第 $i$ 个训练实例。
 >
diff --git a/week3.md b/week3.md
index d89daea..0bfadec 100644
--- a/week3.md
+++ b/week3.md
@@ -473,8 +473,8 @@ $$
 >
 > $L$: 第一行第一列为 $0$ 的 $n+1$ 维单位矩阵
 
-Matlab/Octave 代码：
-```
+Octave 代码：
+```matlab
 >> L = eye(5)
 >> L(1,1) = 0
 
diff --git a/week4.md b/week4.md
index 3bae0f5..d727e15 100644
--- a/week4.md
+++ b/week4.md
@@ -96,8 +96,6 @@ $h_\Theta(x) = a_1^{(3)} = g(\Theta_{10}^{(2)}a_0^{(2)} + \Theta_{11}^{(2)}a_1^{
 
 上面的计算过程被称为**前向传播（Forward propagation）**，即从输入层开始，一层一层地向下计算并传递结果。
 
-
-
 再回顾一下逻辑回归：
 
 ${h_\theta}\left( x \right)=g\left( {\theta_0}+{\theta_1}{x_1}+{\theta_{2}}{x_{2}}+{\theta_{3}}x_3 \right)$
diff --git a/week5.md b/week5.md
index 302e543..2c08267 100644
--- a/week5.md
+++ b/week5.md
@@ -221,9 +221,9 @@ $$
 
 说白了，这个技巧就是把多个矩阵转换为一个长长的向量，便于传入函数，之后再根据矩阵维度，转回矩阵即可。
 
-Octave/Matlab 代码：
+Octave 代码：
 
-```octave
+```matlab
 % 多个矩阵展开为一个向量
 Theta1 = ones(11, 10);    % 创建维度为 11 * 10 的矩阵
 Theta2 = ones(2, 4) * 2;  % 创建维度为 2 * 4 的矩阵
@@ -253,9 +253,9 @@ Theta2 = reshape(ThetaVec(111:118), 2, 4)
 
 对于矩阵 $\Theta$，有 $\dfrac{\partial}{\partial\Theta_j}J(\Theta) \approx \dfrac{J(\Theta_1, \dots, \Theta_j + \epsilon, \dots, \Theta_n) - J(\Theta_1, \dots, \Theta_j - \epsilon, \dots, \Theta_n)}{2\epsilon}$
 
-Octave/Matlab 代码：
+Octave 代码：
 
-```octave
+```matlab
 epsilon = 1e-4;
 for i = 1:n,
   thetaPlus = theta;
@@ -278,11 +278,11 @@ end
 
 随机初始化权重矩阵也为实现细节之一，用于打破对称性（Symmetry Breaking），使得 $\Theta^{(l)}_{ij} \in [-\epsilon,\epsilon]$ 。
 
-Octave/Matlab 代码：
+Octave 代码：
 
 当然，初始权重的波动也不能太大，一般限定在极小值 $\epsilon$ 范围内，即 $\Theta^{(l)}_{i,j} \in [-\epsilon, \epsilon]$。
 
-```octave
+```matlab
 If the dimensions of Theta1 is 10x11, Theta2 is 10x11 and Theta3 is 1x11.
 
 Theta1 = rand(10,11) * (2 * INIT_EPSILON) - INIT_EPSILON;