吴恩达机器学习6-逻辑回归1.分类问题如判断一封电子邮件是否是垃圾邮件：答案只有两种是或不是如果使用线性回归，如下图:函数的输出值可能远大于1，或者远小于0，不便于判断引入逻辑回归：算法的性质是：它的输出值永远在

声明：本文是以吴恩达机器学习系列课程为学习对象而作的学习笔记。

声明：本文是以吴恩达机器学习系列课程为学习对象而作的学习笔记。模型描述引例仍然是上期运用的房价例子：假设现出售的房子大小为1250平方英尺，想要推测它的房价。

声明：本文是以吴恩达机器学习系列课程为学习对象而作的学习笔记。梯度下降法梯度下降法可以最小化任意函数J问题描述我们有一个函数J(θ_0,θ_1),现在需要用一个算法来最小化该函数J。

Chapeter9NeuralNetworks（神经网络：示例）已经不能倍速看了==真实....课程笔记总览传送门：https://blog.csdn.net/weixin_42900928/article/details/86523192目录Chapeter9NeuralNetworks（神经网络：示例）9.1Non-linearHypotheses（非线性假设）9.2ModelRepresen

吴恩达机器学习_代价函数lab执行报错执行C1_W1_Lab04_Cost_function_Soln.ipynb中代码时报错Nomodulenamed‘ipympl’，解决方法如下：1.关闭jupyternotebook

机器学习的定义ArthurSamuel传统定义ArthurSamuel:“thefieldofstudythatgivescomputerstheabilitytolearnwithoutbeingexplicitlyprogrammed.”Thisisanolder,informaldefinition.让计算机无需明确编程，就有学习能力。TomMitchell现代定义TomMitchell:“

title:‘吴恩达机器学习:week2’date:2019-11-2015:31:00mathjax:truecategories:机器学习tags:机器学习文章目录@[toc]单变量线性回归(LinearRegressionwithOneVariable

title:吴恩达机器学习：week1date:2019-11-0317:41:46categories:机器学习tags:机器学习第1周文章目录第1周1.1欢迎1.2机器学习是什么？

无监督学习定义在聚类问题中，我们给出一个训练集{x1,…,xm}，期望将数据分成一些有凝聚力的“簇”。这里的xi通常属于实数；但是数据集并没有标签y给出，所以这就是一个无监督学习问题。K-means算法最常用的基于欧式距离的聚类算法，其认为两个目标的距离越近，相似度越大。K的数量选择最好的办法：手动选择。牧师-村民模型K-means有一个著名的解释：牧师—村民模型：有四个牧师去郊区布道，一开始牧师

吴恩达机器学习笔记week1——初识机器学习1-1.欢迎参加《机器学习》课程1-2.什么是机器学习？

MachineLearningbyAndrewNg吴恩达机器学习课程学习笔记——Week5本人学习笔记汇总合订本✓课程网址standfordmachinelearning参考资源课程笔记python版作业学习提纲

注：参考B站视频教程视频链接：【(强推|双字)2022吴恩达机器学习Deeplearning.ai课程】文章目录第一周一、神经元二、神经网络三、代码实现&Tensorflow四、前向传播五、强人工智能六

机器学习第三周一、逻辑回归1.分类问题1.1分类的概念1.2使用线性回归来解决分类模型1.3逻辑回归模型1.4分类边界2.逻辑回归模型logisticregression2.1代价函数2.2梯度下降2.3高级优化方法3.多类别分类：一对多二、正则化1.过拟合问题2.修改代价函数实现正则化3.正则化线性回归4.正则化逻辑回归一、逻辑回归1.分类问题在监督学习的分类中，我们了解到有回归问题和分类问题。

MachineLearningbyAndrewNg吴恩达机器学习课程学习笔记——Week3本人学习笔记汇总合订本✓课程网址standfordmachinelearning参考资源课程笔记python版作业学习提纲

所有的数据来源：链接：https://pan.baidu.com/s/1vTaw1n77xPPfKk23KEKARA提取码：5gl21SupportVectorMachines1.1Preparedatasetsimportnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltimportseabornassb#更好的可视化封装库fromscip

本系列文档按课程视频的章节（P+第几集）进行分类，记录了学习时的一些知识点，方便自己复习。课程视频P2图1介绍了机器学习的三个指标。分别是：experienceE,taskT&performancemeasureP。图1      图2介绍了机器学习的分类，主要有：Superivedlearning和Unsupervisedlearning,其他的还有Reinforcementlearning等等

目录1机器学习的一些概念1.1基础概念1.2监督学习1.3无监督学习1.4模型的泛化能力1.5假设空间2模型相关知识点2.1模型描述2.2代价函数（costfunction）2.3梯度下降（Gradientdescent）2.4线性回归算法（Linearregression）3矩阵和向量typora使用数学公式(部分)1机器学习的一些概念1.1基础概念数据集datasetD={x1,x2,x3,…

1.监督学习数据集中的每个样本都有相应的“正确答案”，再根据这些样本作出预测2.无监督学习数据集中没有任何的标签/有相同的标签，将数据分为不同的簇3.单变量线性回归3.1模型表示只含有一个特征/输入变量：hθ(x)=θ0+θ1(x)h_\theta(x)=\theta_0+\theta_1(x)hθ(x)=θ0+θ1(x)3.2代价函数选择的参数决定了直线相对于训练集的准确程度，模型所预测的值与训

强化学习定义强化学习（ReinforcementLearning,RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。在强化学习框架中，我们将只提供我们的算法一个奖励函数，它指示学习代理何时做得好，当它做得不好。然后，学习算法的工作将是找出如何随时间选择行动，从而获得巨大的奖

目录系列文章目录一、聚类（Clustering）1.什么是聚类2.直观理解K均值算法（常用聚类算法）2.K均值算法3.优化目标4.随机初始化5.选择聚类数二、异常检测（AnomalyDetection）1.发现异常事件2.高斯分布/正态分布3.异常检测算法4.开发与评估异常检测系统5.异常检测和监督学习对比6.选择使用什么特征具体笔记编辑引用系列文章目录（一）监督机器学习：回归和分类（二）高级学习

2022吴恩达机器学习课程学习笔记（第二课第四周）决策树模型学习过程纯度选择拆分：信息增益整合One-hot编码连续值特征回归树使用多个决策树有放回抽样随机森林XGBoost何时使用决策树决策树模型举例解释决策树是如何工作的

根据学习进度，将课程分为15部分进行笔记，具体内容如下：吴恩达机器学习（一）——简介吴恩达机器学习（二）——线性回归吴恩达机器学习（三）——Logisitic回归吴恩达机器学习（四）——正则化吴恩达机器学习

本文基于吴恩达老师第六周的练习，在这次的练习中，你将会实现正则化的线性回归并且用它去实现不同的偏差和方差的性质。作业大纲1正则化线性回归1.1数据可视化1.2正则化线性回归代价函数1.3正则化线性回归梯度linearRegCostFunction.m1.4线性回归拟合2偏差-方差2.1学习曲线learningCurve.m3多项式回归polyFeatures.m3.1学习多项式回归3.3使用交叉验

二、课程学习内容三、监督学习四、无监督学习总结Log2021.12.31寒假开始，开个新坑，记录一些机器学习的笔记，还是老样子放上本次资源，学习视频传送门：[中英字幕]吴恩达机器学习系列课程2022.01.01

所以在这里我要强烈推荐几个学习资源：吴恩达机器学习深度学习视频,

Beginner-friendlyDeepLearningProcess1.观看李飞飞和吴恩达的机器学习系列课程斯坦福李飞飞CS231n计算机视觉课程吴恩达机器学习系列课程2.Pytorch入门课程Pytorch

学完了吴恩达机器学习的Logistic回归一章，事不宜迟，马上实战。我选择拿来练习的数据会尽量找手边的真实数据，这样才能真确地增加处理问题的能力。

最近自学机器学习，在实验时遇到这种错误nomodulenamed'tensorflow.keras'当出现这种错误时“nomodulenamed'tensorflow.keras”，搞了一天发现是版本问题，tensorflow2.0以下版本有些函数以及变量是没有的，导致其无法找到，从如下方式解决。1.首先更新包，这里用user主要是怕安装时出现权限问题导致失败pipinstall-user--up

MachineLearningbyAndrewNg吴恩达机器学习课程学习笔记——Week2本人学习笔记汇总合订本✓课程网址standfordmachinelearning参考资源课程笔记python版作业学习提纲

（一）理解大间隔分类器的数学原理1、向量内积的知识向量u的范数||u||等于向量u的长度，向量u表示在坐标轴上时其长度可以用这个根式表示。u向量乘以v向量等价于：v在u上的投影长度p乘以||u||，与u1v1+u2v2的结果是一样的。注意，在u与v的夹角大于90度时，p=1的条件其实也可以看作是向量θ与向量X的乘积，也等价于P乘以θ的范数。那么根据上面讲的，条件就可以等价改为P乘以θ的范数。而设定

（一）K-Means优化目标1、K-Means的代价函数执行K-means算法时我们将追踪两组变量：一个是c(i)，它表示的是当前样本x(i)所属的那个簇的索引；一个是μk，它表示的是第k个聚类中心的位置，这里的k可以是1或2,…或K(一共要分为K个簇)。此外，我们用μc(i)表示x(i)所属的那个簇的聚类中心的位置。接下来就可以表示K-means算法的优化目标(代价函数)了：即1/m乘以每个样本

（一）机器学习前言机器学习例子：数据库挖掘自动化/网络发展带来的大型数据集如：网页点击数据、病例、生物、工程不能手工编程的应用程序如：自动直升机、手写识别、大部分自然语言处理(NLP)、计算机视觉自我定制程序如：亚马逊、网飞的产品推荐（根据客户喜好学习推荐相关产品）理解人类学习（大脑，真实的AI）（二）机器学习算法分类1、监督学习（给定一些样本数据计算机由此学习）例1：房价预测问题（给出一些数据样

1.监督学习的过程将监督学习的数据集分为自变量（x）和因变量（y）。有监督学习算法的任务是，生成一个函数，将预测时需要用到的x输入进去，能输出相应的结果。2.代价函数以回归算法为例，设假设函数为hθ(x)=θ0+θ1∗xh_\theta(x)=\theta_0+\theta_1*xhθ(x)=θ0+θ1∗x,代价函数（costfunction）为J(θ0,θ1)=12m∑i=1m(hθ(x(i))

2022/6/2~2022/6/15文章目录一、单变量线性回归1.1模型表示1.2代价函数1.3梯度下降1.4梯度下降的线性回归二、多变量线性回归2.1多维特征2.2多变量梯度下降2.3梯度下降法实践1-特征缩放2.4梯度下降法实践2-学习率2.5特征和多项式回归2.6正规方程三、逻辑回归(LogisticRegression)3.1分类问题3.2假说表示3.3判定边界3.4代价函数3.5简化的代

18.1问题描述和流程图https://www.bilibili.com/video/BV164411b7dx?p=108图像文字识别应用所作的事是，从一张给定的图片中识别文字。这比从一份扫描文档中识别文字要复杂的多。为了完成这样的工作，需要采取如下步骤：文字侦测（Textdetection）——将图片上的文字与其他环境对象分离开来字符切分（Charactersegmentation）——将文字分

吴恩达机器学习教程学习笔记（16/16）吴恩达教授（AndrewNg）的机器学习可以说是一门非常重视ML理论基础的课程，做做一些简单的笔记加上个人的理解。

第十八章应用实例：图片文字识别(ApplicationExample:PhotoOCR)1、问题描述和流程图图像文字识别应用所作的事是，从一张给定的图片中识别文字。这比从一份扫描文档中识别文字要复杂的多。为了完成这样的工作，需要采取如下步骤：1.文字侦测（Textdetection）——将图片上的文字与其他环境对象分离开来2.字符切分（Charactersegmentation）——将文字分割成一

spm=1011.2415.3001.5343专栏定位：为学习吴恩达机器学习视频的同学提供的随堂笔记。专栏简介：在这个专栏，我将整理吴恩达机器学习视频的所有内容的笔记，方便大家参考学习。

吴恩达机器学习笔记week18——应用实例：PhotoOCR18-1.问题描述与.OCR.pipelineProblemdescriptionandOCRpipeline18-2.滑动窗口Slidingwindows18

spm=1011.2415.3001.5343专栏定位：为学习吴恩达机器学习视频的同学提供的随堂笔记。专栏简介：在这个专栏，我将整理吴恩达机器学习视频的所有内容的笔记，方便大家参考学习。

一、课件及课堂练习1.多个特征值（多变量）课堂练习：2.多元梯度下降课堂练习：3.梯度下降实践1——特征值缩放（均值归一化）课堂练习：4.梯度下降实践2——学习率课堂练习：5.特征数量及多项式回归课堂练习：6.标准方程课堂练习：7.标准方程法可能遇到不可逆问题二、内容概要1.多个特征值2.多元梯度下降3.梯度下降实践1——特征值缩放4.梯度下降实践2——学习率5.特征数量及多项式回归6.标准方程7

一、多元线性回归的假设形式多元线性回归的假设可表示为：另外，我们定义一个额外的第0个特征向量x0=1，并将特征向量和参数都表示为矩阵形式，则方程变为：二、多元梯度下降法多元线性回归的代价函数为：其中，x(i)j=第i个训练样例中第j个特征量的值。PS：一些实用技巧（通过预处理，让初始的特征量具有同等的地位，才能让机器学习算法更快地学习得到它们的权重θ，这个预处理的过程我们称之为数据标准化（Norm

一、单变量线性回归在单变量线性回归这一部分中，我们将使用一个变量实现线性回归，以预测食品卡车的利润。假设你是一家餐饮连锁店的老板，并且正在考虑在不同的城市开设新的门店。该连锁店已经在各个城市开了新的分店，并且你有这些城市的利润和人口数据。你想使用此数据来帮助你选择要扩展到的下一个城市。文件ex1data1.txt包含我们线性回归问题的数据集。第一列是城市的人口，第二列是该城市的餐车的利润，利润的负

MachineLearningbyAndrewNg吴恩达机器学习课程学习笔记——Week1学习提纲IntroductionModelandCostFunctionParameterLearningLinearAlgebraReviewIntroductionMachineLearningDefinition

MachineLearning吴恩达机器学习课程笔记吴恩达机器学习系列吴恩达ML课程笔记——Week1未完待续，持续更新ing…

%%MachinelearningFromAndrewwithMatlabex1%%Byyouknowwho3_3inCSDN#GirlsHelpGirls#DOUBANEZU%1.GradientDescenttogetmintheta%2.CostFucntiontogetbestCostfunctionJwithmintheta%3.PlottheLinearregressionbythem

吴恩达机器学习ex11单变量线性回归1.1数据准备1.2损失函数的定义1.3梯度下降函数1.4可视化损失函数1.5拟合函数可视化2多变量线性回归2.1读取文件2.2特征归一化2.3构造数据集2.4损失函数的定义

importpandasaspdimportnumpyasnpfromscipy.ioimportloadmatimportmatplotlib.pyplotaspltfromsklearn.svmimportSVC'''===================================函数部分==================================''''''数据分类'''def

目录吴恩达机器学习第一周一、什么是机器学习？