【课程笔记】第30页

《人工智能及其应用》课程笔记（一）第1章绪论

使用课本：《人工智能及其应用》第5版蔡自兴著，清华大学出版社目录第1章绪论1.1人工智能的定义与发展1.1.1人工智能的定义1.1.2人工智能的起源与发展1.2人工智能的各种认知观1.2.1人工智能各学派的认识观1.2.2人工智能的争议1.3人类智能与人工智能1.3.1智能信息处理系统的假设1.3.2人类智能的计算机模拟1.3.3人工智能对人类的影响1.4人工智能系统的分类1.4.1专家系统1.4

爱学习的小船·2022-12-03 16:19

Chapter1-3_Speech_Recognition(CTC, RNN-T and more)

1CTC2RNN-T3NeuralTransducer4MonotonicChunkwiseAttention5小结本文为李弘毅老师【SpeechRecognition-CTC,RNN-Tandmore】的课程笔记

zjuPeco·2022-12-03 06:37

Chapter1-5_Speech_Recognition(Alignment of HMM, CTC and RNN-T)

alignment2.1HMM的对齐2.2CTC的对齐2.3RNN-T的对齐3小结本文为李弘毅老师【SpeechRecognition-AlignmentofHMM,CTCandRNN-T(optional)】的课程笔记

zjuPeco·2022-12-03 06:37

5-1 Coursera吴恩达《序列模型》第一周课程笔记-循环序列网络(RNN)

记录吴恩达AndrewNg深度学习专项课程笔记，方便之后回顾，共5门课。

双木的木·2022-12-03 03:01

【课程笔记】李宏毅机器学习[12]：Recurrent Neural Network(RNN)

本系列课程笔记为李宏毅2017,秋，台湾大学课程。视频网址链接：https://www.bilibili.com/video/av15889450?

tjwyj·2022-12-02 21:38

2021李宏毅机器学习课程笔记——Recurrent Neural Network

注：这个是笔者用于期末复习的一个简单笔记，因此难以做到全面详细，有疑问欢迎大家在评论区讨论I.BasicIdea首先引入一个例子，槽填充(SlotFilling)问题：Input：IwouldliketoarriveGuangzhouonNovember2nd.Output：Destination=>Taipei|timeofarrival=>November2nd即需要在输入句子中提取出我们想了

xiongxyowo·2022-12-02 20:28

python数据分析课程笔记 | 第四章 Matplotlib数据可视化（上）

目录：4.1matplotlib绘图基础4.2简单图形绘制（1）饼图（2）条形图（3）直方图（4）散点图4.3图形基本设置4.4统计图形实战（1）柱状图（2）直方图（3）箱线图（4）散点图（5）折线图4.1matplotlib绘图基础importnumpyasnpimportmatplotlib.pyplotasplt#解决中文乱码问题plt.rcParams['font.sans-serif']

啥都不会的怪蜀黍·2022-12-02 11:56

机器学习课程笔记---支持向量机

引言机器学习三种方法：1、经典的参数估计方法局限性是需要样本的先验分布2、非线性方法，如ann局限性是全靠经验，缺少理论3、统计学习理论针对小样本误差：1、一般误差真实误差2、经验误差来自样本机器学习的目标是最小化一般误差，但是实际都是最小化经验误差支持向量机同时最小化经验风险和置信风险。vc维大，则拟合函数的维度高。svm基本型这里的泛化能力最大就是说，正负类间隔最大。对偶问题变成求aerfa。

野生蘑菇菌·2022-12-02 02:53

CS224W课程笔记第一章：绪论

（一）课程大纲如下：Traditionalmethods:Graphlets,GraphKernelsMethodsfornodeembeddings:DeepWalk,Node2VecGraphNeuralNetworks:GCN,GraphSAGE,GAT,TheoryofGNNsKnowledgegraphsandreasoning:TransE,BetaEDeepgenerativemod

人海无名里·2022-12-01 21:34

【笔记】机器学习 - 李宏毅 -- Explainable ML 可解释性机器学习

课程笔记前言两种可解释性：局部解释：为什么这种图是猫？全局解释：猫是什么样子的？为什么需要可解释机器学习？(打开黑盒)一般的提升效果的方法就是一顿暴调参数，可解释性可以帮助我们更好地提升模型性能。

Yanqiang_CS·2022-12-01 19:35

机器学习 | 李宏毅课程笔记（三）Optimization

【对上篇中Optimizationissue详细展开】目录为什么OptimizationFails？一、Gradient=0引起的Optimizationissue1.为什么讨论Criticalpoint？2.如何判断一个点是Localminima还是Saddlepoint呢？3.Saddlepoint如何进一步更新参数？4.Saddlepoint和Localminima哪个更加常见呢？5.如何对

Hygge0+·2022-12-01 19:01

机器学习 | 李宏毅课程笔记（二）深度学习任务攻略

【深度学习中的一些概念】神经网络的结构：https://www.bilibili.com/video/BV1bx411M7Zx梯度下降法（GradientDescent）：https://www.bilibili.com/video/BV1Ux411j7ri反向传播：https://www.bilibili.com/video/BV16x411V7Qg分段线性（piecewiselinear）：任

Hygge0+·2022-12-01 19:30

Big Data 导论&Hadoop&HDFS

BIGDATA课程笔记导论大数据的四大特征大量化、快速化、多样化、价值化大数据分析的三个特征全样而非抽样、效率而非精确、相关而非因果大数据处理模型：批处理：以“静止数据”为出发点，处理逻辑进来，算完后价值出去流数据

Tcoder-l3est·2022-12-01 11:15

深度学习Pytorch初步——Tensor张量

AI课程笔记——深度学习框架Pytorch文章目录AI课程笔记——深度学习框架Pytorch1pytorch基本数据类型1.1回顾：Python的6大数据类型1.2Pytorch数据类型：张量（一种）1.2.1

望尘�·2022-12-01 09:27

纽约大学深度学习PyTorch课程笔记（自用）Week6

纽约大学深度学习PyTorch课程笔记Week6Week66.1卷积网络的应用6.1.1邮政编码识别器使用CNN进行识别6.1.2人脸检测一个多尺度人脸检测系统6.1.3语义分割长程自适应机器人视觉中的卷积神经网络场景解析与标注

cosθ·2022-12-01 08:45

纽约大学深度学习PyTorch课程笔记（自用）Week5

纽约大学深度学习PyTorch课程笔记Week5Week55.1优化工具15.1.1梯度下降5.1.2随机梯度下降小批次处理5.1.3动量直观实用指南为什么动量有用？

cosθ·2022-12-01 08:14

纽约大学深度学习PyTorch课程笔记（自用）Week2

纽约大学深度学习PyTorch课程笔记Week22.Week22.1梯度下降和反向传播算法导论2.1.1梯度下降优化算法参数化模型梯度下降2.1.2在传统神经网络中随机梯度下降和反向传播算法的优势随机梯度下降的优势传统神经网络通过非线性函数进行反向传播通过加权和进行反向传播

cosθ·2022-12-01 08:14

纽约大学深度学习PyTorch课程笔记（自用）Week3

纽约大学深度学习PyTorch课程笔记Week3Week33.1神经网络参数变换可视化及卷积的基本概念3.1.1神经网络的可视化3.1.2参数变换一个简单的参数变换：权重共享超网络序列数据中的主题(motif

cosθ·2022-12-01 08:14

吴恩达机器学习课程笔记+代码实现(26)17.大规模机器学习(Large Scale Machine Learning)

17.大规模机器学习(LargeScaleMachineLearning)文章目录17.大规模机器学习(LargeScaleMachineLearning)17.1大型数据集的学习17.2随机梯度下降法17.3小批量梯度下降17.4随机梯度下降收敛17.5在线学习17.6映射化简和数据并行17.1大型数据集的学习如果我们有一个低方差的模型，增加数据集的规模可以帮助你获得更好的结果。我们应该怎样应对

geekxiaoz·2022-12-01 07:07

吴恩达机器学习系列课程笔记——第十七章：大规模机器学习(Large Scale Machine Learning)

17.1大型数据集的学习https://www.bilibili.com/video/BV164411b7dx?p=102接下来的课程，我们会学习大规模机器学习，也就是处理大型数据集的算法，对比之前的算法，我们拥有大量的数据集，使得我们的准确度更高，现在我们要学习如何处理大型数据集。为什么我们要学会处理大型数据集呢？我们之前学习过一种高性能的机器学习算法，是采用低偏差的学习算法，并用大数据进行训练

Lishier99·2022-12-01 07:04

机器学习课程笔记（第十周）大规模机器学习

课程链接https://www.coursera.org/learn/machine-learning参考文章https://www.cnblogs.com/maxiaodoubao/p/10222170.html大规模机器学习LargeScaleMachineLearning用来处理大数据的算法大数据集的学习LearningWithLargeDatasets如果有一个低方差的模型，通常通过增加数

骨骼惊奇不信邪·2022-12-01 07:57

【机器学习】课程笔记16_大规模机器学习(Large Scale Machine Learning)

大规模机器学习大型数据集的学习（LaerningwithLargeDatasets）随机梯度下降（StochasticGradientDescent）小批量梯度下降（Mini-BatchGradientDescent）随机梯度下降收敛（StochasticGradientDescentConvergence）在线学习（OnlineLearning）映射化简和数据并行（Map-ReduceandDa

雀栎·2022-12-01 07:49

4.3-python爬虫之图形验证码识别

Linux系统2、Mac系统3、Windows系统三、在命令行中使用tesseract识别图像四、在代码中使用tesseract识别图像五、用pytesseract处理网站图形验证码前言摘录自B站对应课程笔记不愧是清华大佬

Nosimper·2022-12-01 04:02

李宏毅2021春季机器学习课程笔记6：Self-attention

文章目录1.SophisticatedInput1.1Input1.2Output2.Self-attention2.1Process2.2Matrixtranspose2.3Multi-headSelf-attention2.4PositionalEncoding3.Others3.1Using3.2Self-attentionv.s.CNN3.2Self-attentionv.s.RNN3.2

Andy in boots·2022-12-01 02:38

【Pytorch深度学习实践】B站up刘二大人之LinearModel -代码理解与实现(1/9)

目录：【Pytorch深度学习实践】B站up刘二大人课程笔记——目录与索引（已完结）开篇几句题外话：刘二大人的课程我是从前天(4月5日)开始看的，今天看完了advancedcnn这部分，我做的也是图像，

nemo_0410·2022-11-30 22:21

【Pytorch深度学习实践】B站up刘二大人之SoftmaxClassifier-代码理解与实现(8/9)

这是刘二大人系列课程笔记的倒数第二个博客了，介绍的是多分类器的原理和代码实现，下一个笔记就是basicCNN和advancedCNN了；写在前面：这节课的内容，主要是两个部分的修改：一是数据集：直接采用了内置的

nemo_0410·2022-11-30 22:21

[pytorch深度学习Day03] 张量数据类型

浙江大学教授【深度学习框架PyTorch】课程笔记（https://www.bilibili.com/video/BV1wL4y1t7ah?

木又青·2022-11-30 19:43

小小几张图，把深度学习讲透彻

这不仅仅是一份课程笔记，同时还是一套信息图与备忘录。本文将从深度学习基础、卷积网络和循环网络三个方面介绍该笔记。一、深度学习基础1

AI科技大本营·2022-11-30 16:25

深度学习与人类语言处理-语音识别(part1)

深度学习与人类语言处理课程笔记，上节回顾深度学习与人类语言处理-introduction。这节课将会简单介绍语音识别的最新研究方法，请看正文语音识别该何去何从？

编程大乐趣·2022-11-30 15:27

吴恩达推荐笔记：22张图总结深度学习全部知识

这不仅仅是一份课程笔记，同时还是一套信息图与备忘录。从深度学习基础、卷积网络和循环网络三个方面介绍该笔记深度学习基础1.深度学习基本概念监督

程序员生活志·2022-11-30 08:09

吴恩达机器学习课程笔记5——过拟合和正则化

过拟合问题过度拟合：就是我们拟合一个高阶多项式，这个假设函数几乎可以拟合所有的数据，但是这个假设函数太过庞大，数量太大导致我们没有足够的数据去约束它。这幅图是以线性回归为例子，第一张图是欠拟合（高偏差），可以看出来它没有很好的拟合数据。第二张图拟合效果刚刚好。第三张图，就是过度拟合（高方差）。这幅图是以逻辑回归为例子，同样是欠拟合、恰好拟合、和过度拟合。那么怎样解决过度拟合的问题呢？主要有两类方法

土豆土豆谢·2022-11-30 07:58

吴恩达机器学习系列课程笔记——第七章：正则化(Regularization)

7.1过拟合的问题https://www.bilibili.com/video/BV164411b7dx?p=39到现在为止，我们已经学习了几种不同的学习算法，包括线性回归和逻辑回归，它们能够有效地解决许多问题，但是当将它们应用到某些特定的机器学习应用时，会遇到过**拟合(over-fitting)**的问题，可能会导致它们效果很差。在这段视频中，我将为你解释什么是过度拟合问题，并且在此之后接下来

Lishier99·2022-11-30 07:27

吴恩达老师机器学习课程笔记 07 正则化

7正则化7.1过拟合的问题过拟合的含义欠拟合是指拟合算法具有高偏差，数据拟合效果很差。过拟合是指拟合算法具有高方差，能拟合所有数据，但函数变量太多，没有足够的数据来约束，从而无法泛化到新的样本中。如果有非常多的特征，而只有非常少的训练数据，通过学习得到的模型可能能够非常好地适应训练集（代价函数可能几乎为0），但是可能会不能推广到新的数据。解决过拟合的方法减少特征的数量：可以手工选择保留更为重要的特

3077491278·2022-11-30 06:55

cs285深度强化学习课程笔记-lec1

cs285深度强化学习课程笔记lec1深度强化学习的概念核心观点智能机器必须能学会适应深度学习有助于处理非结构化的环境强化学习提供了一种行为范式深度强化学习提供了端到端的方案。

HarryChi·2022-11-29 18:54

吴恩达机器学习课程笔记+代码实现(25)16.推荐系统(Recommender Systems)

geekxiaoz·2022-11-29 09:45

吴恩达机器学习系列课程笔记——第十六章：推荐系统(Recommender Systems)

16.1问题规划https://www.bilibili.com/video/BV164411b7dx?p=96在接下来的视频中，我想讲一下推荐系统。我想讲推荐系统有两个原因：第一、仅仅因为它是机器学习中的一个重要的应用。在过去几年，硅谷不同的技术公司，吴恩达老师常和工作在这儿致力于机器学习应用的人们聊天，问他们觉得最重要的机器学习的应用是什么，或者他们最想改进的机器学习应用有哪些。我最常听到的答

Lishier99·2022-11-29 09:40

【原】Coursera—Andrew Ng机器学习—课程笔记 Lecture 16—Recommender Systems 推荐系统...

Lecture16RecommenderSystems推荐系统16.1问题形式化ProblemFormulation在机器学习领域，对于一些问题存在一些算法，能试图自动地替你学习到一组优良的特征。通过推荐系统(recommendersystems)，将领略一小部分特征学习的思想。假使有5部电影，3部爱情片、2部动作片。4个用户为其中的部分电影打了分。现在希望构建一个算法，预测每个人可能给没看过的电

weixin_30807677·2022-11-29 09:38

【机器学习】课程笔记14_异常检测(Anomaly Detection)

异常检测问题的动机（ProblemMotivation）高斯分布（GaussianDistribution）算法（Algorithm）开发和评估异常检测系统（DevelopingandEvaluatinganAnomalyDetectionSystem）异常检测VS.监督学习（AnomalyDetectionvs.SupervisedLearning）选择要使用的特征（ChoosingWhatFe

雀栎·2022-11-29 09:36

机器学习课程笔记（第九周-2）推荐系统

课程链接：https://www.coursera.org/learn/machine-learning参考文章：https://www.cnblogs.com/maxiaodoubao/p/10220632.html推荐系统RecommenderSystems问题形式化ProblemFormulation例子引入：电影评分定义n:特征变量数，图中有两个特征变量。x1代表电影的浪漫程度，x2代表电

骨骼惊奇不信邪·2022-11-29 09:34

【机器学习】课程笔记15_推荐系统(Recommender Systems)

雀栎·2022-11-29 08:24

课程笔记：优化器

优化器：管理并更新梯度的参数可学习参数是指：权重或偏置更新策略：梯度下降基本属性：defaults:存储学习率，momentum，weight_decaystate：例如再采用momentum时，会用到前几次更新时使用的梯度，就将其存储在state中，在这次更新中使用param_groups：管理一系列参数，是list，其中的每一个元素是字典，而字典中的key是最关键的_step_count：例如

笨笨同学·2022-11-29 01:19

吴恩达机器学习系列课程笔记——第四章：多变量线性回归(Linear Regression with Multiple Variables)

4.1多维特征https://www.bilibili.com/video/BV164411b7dx?p=18目前为止，我们探讨了单变量/特征的回归模型，现在我们对房价模型增加更多的特征，例如房间数、楼层、楼屋年限等，构成一个含有多个变量的模型，模型中的特征为(x1,x2,…,xn)。增添更多特征后，我们引入一系列新的注释：n代表特征的数量x(i)代表第i个训练实例，是特征矩阵中的第i行，是一个*

Lishier99·2022-11-28 20:56

吴恩达机器学习课程笔记－2.单变量线性回归

文章目录2.单变量线性回归（LinearRegressionwithOneVariable）2.1模型表示（ModelRepresentation）2.2代价函数（CostFunction）2.3代价函数的直观理解I（CostFunctionIntuitionI）2.4代价函数的直观理解II（CostFunctionIntuitionII）2.5梯度下降（GradientDescent）2.6梯度

st4yfoolish·2022-11-28 20:55

Apollo Udacity自动驾驶课程笔记——高精度地图、厘米级定位

前言：目前Apollo内部高精地图主要应用在高精定位、环境感知、决策规划、仿真运行四大场景，帮助解决林荫道路GPS信号弱、红绿灯是定位与感知以及十字路口复杂等导航难题。1高精度地图1、高精地图与传统地图1.1定义：高精地图是当前无人驾驶车技术不可或缺的一部分。它包含了大量的驾驶辅助信息，最重要是包含道路网的精确三维表征，例如交叉路口布局和路标位置。1.2高精地图还包含很多语义信息，地图上可能会报告

查里王·2022-11-28 14:36

APOLLO UDACITY自动驾驶课程笔记——规划、控制

1、路径规划使用三个输入，第一个输入为地图，Apollo提供的地图数据包括公路网和实时交通信息。第二个输入为我们当前在地图上的位置。第三个输入为我们的目的地，目的地取决于车辆中的乘客。2、将地图转为图形该图形由“节点”(node)和“边缘”(edge)组成。节点代表路段，边缘代表这些路段之间的连接。我们可以对一个节点移动到另一个节点所需的成本进行建模。3、路径查找算法A*从初始节点开始，我们需要确

查里王·2022-11-28 14:36

APOLLO UDACITY自动驾驶课程笔记——感知、预测

1、计算机视觉无人驾驶车有四个感知世界的核心任务：检测——指找出物体在环境中的位置；分类——指明确对象是什么；跟踪——指随时间的推移观察移动物体；语义分割——将图像中的每个像素与语义类别进行匹配如道路、汽车、天空。2、Camera图像RGB图像，深度为33、Lidar图像激光雷达传感器创建环境的点云表征，提供了难以通过摄像头图像获得的信息如距离和高度。点云中的每个点代表反射回传感器的激光束，可以告

查里王·2022-11-28 14:03

吴恩达《卷积神经网络》课程笔记（1）

1、机器视觉（上图展示了一个神经风格转换（NeuralStyleTransfer）的例子）使用传统神经网络处理机器视觉的一个主要问题是输入层维度很大。例如64x64x3的图片，神经网络输入层的维度为12288。而现在的图片将近几千x几千x3的内存，而导致神经网络输入层的维度达到几百万。这样会造成两个后果，一是神经网络结构复杂，数据量相对不够，容易出现过拟合；二是所需内存、计算量较大。解决这一问题的

逸耀·2022-11-28 00:57

吴恩达：28张图全解深度学习知识

这不仅仅是一份课程笔记，同时还是一套信息图与备忘录。下面，我们将从深度学习基础（01-13）、卷积网络（14-22）和循环网络（23-28）三个方面介绍该笔记，并需要

AI致力·2022-11-27 20:42

笔记：神经网络与深度学习—绪论

神经网络与深度学习绪论绪论一、关于本课程1.知识结构2.推荐教材3.推荐课程二、常用的深度学习框架绪论最近开始学习机器学习，从B站找到了一篇网课：复旦大学——邱锡鹏的《神经网络与机器学习》，因此写了几篇课程笔记

zhenpigmilk·2022-11-27 17:07

斯坦福机器学习夏令营

Stanford-Machine-Learning-camp课程资料课程主页课程笔记课程视频环境配置Anaconda作业介绍比赛环境推荐使用Linux或者Mac系统，以下环境搭建方法皆适用:Docker

SKY_H_N·2022-11-27 10:54

推荐频道

【课程笔记】

《人工智能及其应用》课程笔记（一）第1章 绪论

Chapter1-3_Speech_Recognition(CTC, RNN-T and more)

Chapter1-5_Speech_Recognition(Alignment of HMM, CTC and RNN-T)

5-1 Coursera吴恩达《序列模型》 第一周课程笔记-循环序列网络(RNN)

【课程笔记】李宏毅机器学习[12]：Recurrent Neural Network(RNN)

2021李宏毅机器学习课程笔记——Recurrent Neural Network

python数据分析课程笔记 | 第四章 Matplotlib数据可视化（上）

机器学习课程笔记---支持向量机

CS224W课程笔记第一章：绪论

【笔记】机器学习 - 李宏毅 -- Explainable ML 可解释性机器学习

机器学习 | 李宏毅课程笔记（三）Optimization

机器学习 | 李宏毅课程笔记（二）深度学习任务攻略

Big Data 导论&Hadoop&HDFS

深度学习Pytorch初步——Tensor张量

纽约大学深度学习PyTorch课程笔记（自用）Week6

纽约大学深度学习PyTorch课程笔记（自用）Week5

纽约大学深度学习PyTorch课程笔记（自用）Week2

纽约大学深度学习PyTorch课程笔记（自用）Week3

吴恩达机器学习课程笔记+代码实现(26)17.大规模机器学习(Large Scale Machine Learning)

吴恩达机器学习系列课程笔记——第十七章：大规模机器学习(Large Scale Machine Learning)

机器学习课程笔记（第十周）大规模机器学习

【机器学习】课程笔记16_大规模机器学习(Large Scale Machine Learning)

4.3-python爬虫之图形验证码识别

李宏毅2021春季机器学习课程笔记6：Self-attention

【Pytorch深度学习实践】B站up刘二大人之LinearModel -代码理解与实现(1/9)

【Pytorch深度学习实践】B站up刘二大人之SoftmaxClassifier-代码理解与实现(8/9)

[pytorch深度学习Day03] 张量数据类型

小小几张图，把深度学习讲透彻

深度学习与人类语言处理-语音识别(part1)

吴恩达推荐笔记：22张图总结深度学习全部知识

吴恩达机器学习课程笔记5——过拟合和正则化

吴恩达机器学习系列课程笔记——第七章：正则化(Regularization)

吴恩达老师机器学习课程笔记 07 正则化

cs285深度强化学习课程笔记-lec1

吴恩达机器学习课程笔记+代码实现(25)16.推荐系统(Recommender Systems)

吴恩达机器学习系列课程笔记——第十六章：推荐系统(Recommender Systems)

【原】Coursera—Andrew Ng机器学习—课程笔记 Lecture 16—Recommender Systems 推荐系统...

【机器学习】课程笔记14_异常检测(Anomaly Detection)

机器学习课程笔记（第九周-2）推荐系统

【机器学习】课程笔记15_推荐系统(Recommender Systems)

课程笔记：优化器

吴恩达机器学习系列课程笔记——第四章：多变量线性回归(Linear Regression with Multiple Variables)

吴恩达机器学习课程笔记－2.单变量线性回归

Apollo Udacity自动驾驶课程笔记——高精度地图、厘米级定位

APOLLO UDACITY自动驾驶课程笔记——规划、控制

APOLLO UDACITY自动驾驶课程笔记——感知、预测

吴恩达《卷积神经网络》课程笔记（1）

吴恩达：28张图全解深度学习知识

笔记：神经网络与深度学习—绪论

斯坦福机器学习夏令营

《人工智能及其应用》课程笔记（一）第1章绪论

5-1 Coursera吴恩达《序列模型》第一周课程笔记-循环序列网络(RNN)