吴恩达机器学习:week2

吴恩达视频学习课后作业(01.神经网络和深度学习--week2/assignment2_2)

最近从头开始学习深度学习，想借此记录学习过程用于日后复习或者回看，以下是个人见解，如有错误请见谅并指出，谢谢。目的Assignment2_2作业主要是引导新手从头开始建一个用逻辑回归分类器(classififier,LR)来识别图像中是否有猫。简单来说，逻辑回归是二值分类器，可以看作是仅含有一个神经元的单层神经网络。主要步骤读取数据集并做预处理初始化参数（权重w、偏置b、迭代次数、学习速率lear
Fanccccy·2018-08-28 22:57

吴恩达机器学习笔记（2）——单变量线性回归（Univariate linear regression）

一、模型描述上一章已经通过卖房价格的模型简单介绍了什么是回归：我们尝试将变量映射到某一个连续函数上。这章我们将这个问题简单地量化为单变量线性回归模型（Univariatelinearregression）来理解它。PS：监督学习最常见的两类问题：1、回归：预测一个具体的数值输出2、分类：预测离散值输出先来看这个过程是如何进行的：其中，h表示假设函数：θ是参数，下一节我们谈谈如何选择这两个参数值。二
阿尔基亚·2018-08-27 11:07

Coursera普林斯顿大学算法下Week2：Seam Carving

任务链接：http://coursera.cs.princeton.edu/algs4/assignments/seam.html本周任务没做出来，只求出了能量。本周任务难度的话，主要是数组、像素下标问题，感觉用起来不是很舒服。再一个就是求最小能量路径问题。本文在求最小能量路径的时候对于有些图可以准确的求出，有些就出错，找了半天也没找到原因，把有问题的代码贴出来，后续有时间再接着做。也找了篇正确的
静远小和尚·2018-08-22 23:27

吴恩达机器学习第四次作业：神经网络

这是习题和答案的下载地址，全网最便宜，只要一积分哦~~~https://download.csdn.net/download/wukongakk/10602657这是我总结的网课里有关神经网络的笔记，不要积分的~~~https://blog.csdn.net/WukongAKK/article/details/817469160.综述神经网络的练习，比work3part2更加全面，包括了反向传播，
GaoJieVery6·2018-08-17 20:17

吴恩达机器学习第三次作业：多类别区分与神经网络part2

这是习题和答案的下载地址，全网最便宜，只要一积分哦~~~https://download.csdn.net/download/wukongakk/10602657这是我总结的网课里有关神经网络的笔记，不要积分的~~~https://blog.csdn.net/WukongAKK/article/details/81746916Part20.综述这里用神经网络对手写字体进行预测，其中的参数（权重）矩
GaoJieVery6·2018-08-16 20:48

吴恩达机器学习第三次作业：多类别区分与神经网络part1

这是习题和答案的下载地址，全网最便宜，只要一积分哦~~~https://download.csdn.net/download/wukongakk/10602657Part10.综述识别手写数字。（最后有小彩蛋~~）1.脚本%%MachineLearningOnlineClass-Exercise3|Part1:One-vs-all%Instructions%------------%%Thisfi
GaoJieVery6·2018-08-15 11:32

吴恩达机器学习编程作业

吴恩达机器学习作业（MachineLearning）ProgrammingExercise1:LinearRegression简单热身单变量线性回归2.1.用图显示数据2.2.梯度下降2.3.调试程序2.4
ds稻草人·2018-08-11 11:15

吴恩达机器学习笔记-多元线性回归

本文针对吴恩达机器学习第二周课程多元线性回归部分。
weixin_33701564·2018-08-09 18:57

吴恩达机器学习第二次作业：逻辑回归

0.综述训练集为学生两次考试的成绩和录取情况，要根据训练集做出一个逻辑回归的模型，可以根据考试成绩预测学生的录取情况。1.Plotting在二维坐标图内画出学生成绩的散点图，x和y对应两次考试的成绩。functionplotData(X,y)%PLOTDATAPlotsthedatapointsXandyintoanewfigure%PLOTDATA(x,y)plotsthedatapointsw
GaoJieVery6·2018-08-06 22:31

吴恩达机器学习笔记 —— 13 支持向量机

本章讲述了SVM，相比于《统计学习方法》，从逻辑回归的角度更容易理解了。更多内容参考机器学习&深度学习从逻辑回归来看，看损失值与Z的值的关系：代入原来的是指，可以化简公式：总结来说：如果y=1，我们希望z的值大于等于1，如果y=0，我们希望z的值小于-1，这样损失函数的值都会为0.线性可分的决策边界：但是这种情况对于异常点是非常敏感的，比如有一个红点，那么决策边界就会发生很大的变化。此时希望C不要
xingoo·2018-08-04 20:00

吴恩达机器学习笔记 —— 18 大规模机器学习

本章讲了梯度下降的几种方式：batch梯度下降、mini-batch梯度下降、随机梯度下降。也讲解了如何利用mapreduce或者多cpu的思想加速模型的训练。更多内容参考机器学习&深度学习有的时候数据量会影响算法的结果，如果样本数据量很大，使用梯度下降优化参数时，一次调整参数需要计算全量的样本，非常耗时。如果训练集和验证集的误差像左边的图形这样，就可以证明随着数据量的增加，将会提高模型的准确度。
xingoo·2018-08-04 09:00

机器学习视频

1、吴恩达机器学习视频https://blog.csdn.net/moffy_abo/article/details/79405174（国内）https://www.coursera.org/learn
jasmine_wxy·2018-08-02 11:42

吴恩达机器学习笔记 —— 17 推荐系统

本章讲述了推荐系统相关的知识，比如基于内容的推荐算法、基于协同过滤的推荐算法以及实践中遇到的问题。更多内容参考机器学习&深度学习推荐系统是机器学习在工业界应用最广泛的方向，很多电子商务类、咨询类的平台都在做个性化推荐的工作，通过机器学习的算法让自己的平台个性定制，千人千面。比如我们拥有这样的数据集，其中nu代表用户的个数,nm代表物品的个数，r(i,j)为1代表用户j对物品i有评分，y(i,j)代
xingoo·2018-08-01 21:00

吴恩达机器学习总结三：多变量线性回归

第五章多变量线性回归6、多变量回归方程矩阵形式：7、多变量梯度下降法：这里i表示第i种拟合曲线，因为对一个数据模型进行拟合时我们有很多种曲线作为备选方案，我们一直在做的就是找出其中与真实情况误差最小的曲线。所以先要指定某条拟合曲线，再由此确定它的参数，进而判断是不是最优的，这里的i就指假设拟合的是第i条曲线。下角标j表示拟合曲线的第j个属性，因为这里是多变量拟合，比如房价与地段、楼层、使用年限等都
李攀UESTC·2018-08-01 11:41

吴恩达机器学习笔记 —— 16 异常点检测

本篇介绍了异常点检测相关的知识更多内容参考机器学习&深度学习我感觉这篇整理的很好很用心，可以详细参考：https://blog.csdn.net/Snail_Moved_Slowly/article/details/78826088什么是异常点检测？比如针对飞机的引擎做测试，x1代表温度、x2代表引擎的震动等等，希望判断新生产的引擎是否有问题。如果这个新的引擎在点的中心可能是正常的，如果离大部分的
xingoo·2018-07-31 20:00

吴恩达机器学习笔记 —— 15 降维

本章重点讲述了降维方法以及其中最主要的PCA主成分分析的原理、使用更多内容参考机器学习&深度学习降维的作用：数据压缩与可视化降维的第一个作用就是进行数据的压缩，解决磁盘和计算的问题。比如把二维数据降维到一维：或者数据从三维降维到2维。降维的另一个作用就是进行可视化，比如我们的数据有很多维度，如果想要在图形上展示各个数据，分析其关系是很难的。那么就可以把数据降维到二维：降维的问题规划考虑到数据的可分
xingoo·2018-07-30 20:00

PYTHON编程导论群问题汇总(三)

Q1:week2-3,Ex-guessmynumber在做week2练习：guessmynumber时遇到一个小问题。
Datawhale·2018-07-29 22:56

PYTHON编程导论群问题汇总(三)

Q1:week2-3,Ex-guessmynumber在做week2练习：guessmynumber时遇到一个小问题。
Datawhale·2018-07-29 22:56

吴恩达机器学习笔记 —— 19 应用举例：照片OCR（光学字符识别）

本章讲述的是一个复杂的机器学习系统，通过它可以看到机器学习的系统是如何组装起来的；另外也说明了一个复杂的流水线系统如何定位瓶颈与分配资源。更多内容参考机器学习&深度学习OCR的问题就是根据图片识别图片中的文字：这种OCR识别的问题可以理解成三个步骤：文本检测字符切分字符识别文本检测文本的检测可以用行人的检测来做，思路差不多。我们定义几个固定大小尺寸的窗口，从照片的左上角开始扫描。扫描出来的图像做二
xingoo·2018-07-26 20:00

吴恩达机器学习笔记 —— 14 无监督学习

本章讲述的是第一个无监督的机器学习算法，在无监督的算法中，样本数据只有特征向量，并没有标注的y值。比如聚类算法，它可以用在市场分类、社交网络分析、天体数据分析等等。更多内容参考机器学习&深度学习在做聚类时，最简单的算法就是k-means，一般的流程是:首先随机选择k个聚类中心点遍历所有的样本，选择一个距离最近的中心点，并标记为对应的聚类重新针对类簇计算中心点重复2-3的过程还有一个算法在这次的课程
xingoo·2018-07-25 21:00

吴恩达机器学习笔记 —— 12 机器学习系统设计

本章主要围绕机器学习的推荐实践过程以及评测指标，一方面告诉我们如何优化我们的模型；另一方面告诉我们对于分类的算法，使用精确率和召回率或者F1值来衡量效果更佳。最后还强调了下，在大部分的机器学习中，训练样本对模型的准确率都有一定的影响。更多内容参考机器学习&深度学习机器学习最佳实践针对垃圾邮件分类这个项目，一般的做法是，首先由一堆的邮件和是否是垃圾邮件的标注，如[(邮件内容1,是),(邮件内容2,否
xingoo·2018-07-24 20:00

深度学习笔记（二）：DL资料汇总

吴恩达机器学习、深度学习笔记：百度云https://pan.baidu.com/s/1l5q5BUXBG4CGAM4TlkVtoQ密码：hvo2注：此笔记为黄博主持编写、整理，小编只是借花献佛。
小熊猫3·2018-07-24 16:14

吴恩达机器学习笔记 —— 11 应用机器学习的建议

本篇讲述了在机器学习应用时，如何进行下一步的优化。如训练样本的切分验证？基于交叉验证的参数与特征选择？在训练集与验证集上的学习曲率变化？在高偏差或者高方差时如何进行下一步的优化，增加训练样本是否有效？更多内容参考机器学习&深度学习如果已经创建好了一个机器学习的模型，当我们训练之后发现还存在很大的误差，下一步应该做什么呢？通常能想到的是：1获取更多的数据2尝试选择更少的特征集合3获得更多的特征4增加
xingoo·2018-07-23 20:00

吴恩达机器学习笔记 —— 10 神经网络参数的反向传播算法

本篇讲述了神经网络的误差反向传播以及训练一个神经网络模型的流程更多内容参考机器学习&深度学习神经网络可以理解为两个过程：信号的正向传播和误差的反向传播。在正向的传播过程中，计算方法为Sj=wijxi+bj，其中i是样本、j是层数。然后xj=f(Sj)，f为激活函数。引入激活函数的原因是可以带来一定的非线性特性。由于样本的y是在最后一层输出的，因此在计算误差的时候，需要从最后一层开始计算、针对与之关
xingoo·2018-07-22 15:00

吴恩达机器学习笔记 —— 9 神经网络学习

本章讲述了神经网络的起源与神经元模型，并且描述了前馈型神经网络的构造。更多内容参考机器学习&深度学习在传统的线性回归或者逻辑回归中，如果特征很多，想要手动组合很多有效的特征是不现实的；而且处理这么大的特征数据量，计算上也很复杂。神经网络最开始起源于生物信息中的大脑，在上世纪80-90年代的时候很火，后来就没什么消息了。在神经网络中，充满了下面的这种神经元，信号从树突中传进来，经过细胞核，然后沿着轴
xingoo·2018-07-20 23:00

利用Python实现高斯混合模型（GMM）

前言之前将网易公开课上吴恩达机器学习视频中高斯混合模型（GMM）及其EM算法反反复复看了几遍之后并将所有公式重新推导了一遍，现在利用Python进行手写进一步加深理解。
追梦者_AIer·2018-07-20 16:09

吴恩达机器学习笔记 —— 8 正则化

本章讲述了机器学习中如何解决过拟合问题——正则化。讲述了正则化的作用以及在线性回归和逻辑回归是怎么参与到梯度优化中的。更多内容参考机器学习&深度学习在训练过程中，在训练集中有时效果比较差，我们叫做欠拟合；有时候效果过于完美，在测试集上效果很差，我们叫做过拟合。因为欠拟合和过拟合都不能良好的反应一个模型应用新样本的能力，因此需要找到办法解决这个问题。想要解决这个问题，有两个办法：1减少特征的数量，可
xingoo·2018-07-19 21:00

吴恩达机器学习笔记 —— 7 Logistic回归

本章主要讲解了逻辑回归相关的问题，比如什么是分类？逻辑回归如何定义损失函数？逻辑回归如何求最优解？如何理解决策边界？如何解决多分类的问题？更多内容参考机器学习&深度学习有的时候我们遇到的问题并不是线性的问题，而是分类的问题。比如判断邮件是否是垃圾邮件，信用卡交易是否正常，肿瘤是良性还是恶性的。他们有一个共同点就是Y只有两个值{0,1}，0代表正类，比如肿瘤是良性的；1代表负类，比如肿瘤是恶性的。当
xingoo·2018-07-18 20:00

吴恩达机器学习笔记 —— 7 Logistic回归

本章主要讲解了逻辑回归相关的问题，比如什么是分类？逻辑回归如何定义损失函数？逻辑回归如何求最优解？如何理解决策边界？如何解决多分类的问题？更多内容参考机器学习&深度学习有的时候我们遇到的问题并不是线性的问题，而是分类的问题。比如判断邮件是否是垃圾邮件，信用卡交易是否正常，肿瘤是良性还是恶性的。他们有一个共同点就是Y只有两个值{0,1}，0代表正类，比如肿瘤是良性的；1代表负类，比如肿瘤是恶性的。当
weixin_34375233·2018-07-18 20:00

吴恩达机器学习学习笔记第二章：单变量线性回归

模型描述:训练集（trainingset）：是监督学习中独有的概念，由我们人喂给电脑的既有既有特征x又有结果y的数据。下图x是房子面积,y是房屋对应的价格符号记法解释：（x^(1),y^（1））代表训练集的第一行的数据x表示输入y表示输出监督学习算法的工作流程：2.假设函数（Hypothesis）:里面有θ0和θ1两个参数，参数的改变将会导致假设函数的变化数据会以很多点的形式给我们，我们想要解决回
Rei12345678·2018-07-18 13:07

吴恩达机器学习+deeplearning课程笔记----干货链接分享

分享两个GitHub链接，今天看到的，超赞超赞不能更赞了，答应我一定要去看好吗~~~~不论是笔记还是github中分享的其它资源，课程视频链接，PPT下载，作业布置等都超棒。我要把这段安利用红色标出来！！！（18.7.19附一个访问coursera网站的方法https://blog.csdn.net/luolan9611/article/details/81096890）吴恩达老师的机器学习课程个
luolan9611·2018-07-17 11:10

吴恩达机器学习笔记 —— 5 多变量线性回归

本篇主要讲的是多变量的线性回归，从表达式的构建到矩阵的表示方法，再到损失函数和梯度下降求解方法，再到特征的缩放标准化，梯度下降的自动收敛和学习率调整，特征的常用构造方法、多维融合、高次项、平方根，最后基于正规方程的求解。更多内容参考机器学习&深度学习在平时遇到的一些问题，更多的是多特征的多变量的表示方法多元线性回归中的损失函数和梯度求解有时候特征各个维度是不同规模的，比如房间的平米数和房间数，两个
xingoo·2018-07-16 23:00

吴恩达机器学习笔记 —— 5 多变量线性回归

本篇主要讲的是多变量的线性回归，从表达式的构建到矩阵的表示方法，再到损失函数和梯度下降求解方法，再到特征的缩放标准化，梯度下降的自动收敛和学习率调整，特征的常用构造方法、多维融合、高次项、平方根，最后基于正规方程的求解。更多内容参考机器学习&深度学习在平时遇到的一些问题，更多的是多特征的多变量的表示方法多元线性回归中的损失函数和梯度求解有时候特征各个维度是不同规模的，比如房间的平米数和房间数，两个
xing halo·2018-07-16 23:00

吴恩达机器学习笔记 —— 3 线性回归回顾

吴恩达机器学习笔记——3线性回归回顾更多内容参考机器学习&深度学习矩阵的表示矩阵的索引向量的表示矩阵的加法矩阵与实数的乘法矩阵的表达式矩阵与向量的乘法矩阵与矩阵的乘法矩阵特性——不满足交换律矩阵特性——
xing halo·2018-07-15 10:00

机器学习系列（五）——训练集、测试集、验证集与模型选择

模型选择借用吴恩达机器学习课程中的一页PPT，
zxhohai·2018-07-12 15:25

吴恩达机器学习：异常检测与协同过滤

这是吴恩达机器学习的最后一课，这次学习的内容是机器学习的常见应用，异常检测与协同过滤。课程中介绍的异常检测主要基于正态分布，用于检测出偏离正常值的数据。
Agent002·2018-07-11 21:57

【Andrew Ng机器学习】单变量线性回归-代价函数（二）

课程：吴恩达机器学习更深入的理解代价函数的作用两个参数的代价函数这次我们对代价函数图形化时，保留全部参数\theta_0和\theta_1。
jenye_·2018-07-11 15:43

吴恩达机器学习笔记（一） —— 线性回归

主要内容：一.模型简介二.CostFunction三.梯度下降四.线性回归之梯度下降法五.线性回归之最小二乘法六.FeatureScaling一.模型简介：线性回归主要用于预测：因变量与自变量存在线性关系的问题。例如coursera中介绍的买房问题：房子的价格由房子的大小以及房间的数量所决定，而这就大致可以用线性回归来预测房价。假设房价为y=Θ0+Θ1*x1+Θ2*x2，其中x1、x2分别代表着房
alince20008·2018-07-10 21:00

吴恩达机器学习笔记 —— 2 单变量线性回归

第一章讲述了基本的机器学习的概念以及分类，这里从单变量的线性回归入手，吴恩达讲解了机器学习中的几个重要因素，如模型、损失函数、优化方法等更多内容参考机器学习&深度学习首先以房价预测入手：房子的面积每平米的房价210446014162321534315852178其中：m为样本的数量x是样本的特征y是预测的值\((x,y)\)就是一条样本数据\(({x}^{(i)},{y}^{(i)})\)是第i条
xingoo·2018-07-10 18:00

吴恩达机器学习笔记 —— 1 绪论：初识机器学习

吴恩达机器学习笔记——1绪论：初识机器学习机器学习目前已经应用在很多领域，比如网页搜索、垃圾邮件过滤、点击率预测、生物信息、无人驾驶、无人机、手写体识别、自然语言处理、计算机视觉。
xing halo·2018-07-08 18:00

吴恩达机器学习笔记 —— 1 绪论：初识机器学习

机器学习目前已经应用在很多领域，比如网页搜索、垃圾邮件过滤、点击率预测、生物信息、无人驾驶、无人机、手写体识别、自然语言处理、计算机视觉。更多内容参考机器学习&深度学习什么是机器学习1机器学习一些比较难以变成的能力——ArthurSamuel2通过给定任务T以及性能度量P以及经验E，计算机程序从经验E中学习，用学习的结果改善性能P，从而实现自我完善，则称改程序具有学习能力。机器学习的分类机器学习通
xingoo·2018-07-08 18:00

算法课 Week2 笔记

第一部分：栈、队列和背包跟上周一样，讨论一个数据结构同样从定义API开始，定义的是范型可迭代的API，这样可以支持任意一个数据类型，而不用根据不同的数据类型来定义和实现不同的API。泛型：Generics目的：使得编写的代码可以被不同类型的对象重用。定义：只需要在类名后面增加Stackstack=newStack();//一个字符串栈Queuequeue=newQueue();//一个Date队列
dmbjzhh·2018-07-07 10:03

吴恩达网易机器学习第6课：判别模型，生成模型以及朴素贝叶斯模型

本文结合网易云吴恩达机器学习公开课中文课件内容以及个人理解，对这一章节进行介绍。红色部分为关键部分或个人的一些理解。1.生成模型与判别模型1.1两种模型的区别我们首先假设x为特征，y为类别结果。
ChiiZhang·2018-07-06 21:57

（吴恩达机器学习）神经网络入门

1：为什么神经网络可以实现复杂的非线性假设函数的计算？对于一个较为复杂的数学式子的求解过程，我们是分步进行求解的。例如要求解a*(b+c)的值，我们是先进行b+c的计算，然后在将其结果与a相乘。对于这个式子神经网路的求解过程如下图所示：第一层是输入层，最后一层是输出层，中间为隐藏层。隐藏层实际上就是一个复杂式子的中间计算过程，除了输入层外，其他的每一个节点表示的就是一个计算过程，计算的具体过程由参
STILLxjy·2018-07-02 14:16

机器学习实战之Logistic回归小结

吴恩达机器学习课程和周志华教授的做法如下：上面来自吴恩达教授的笔记，详细讲述了损失函数推到过程。在机器学习实战中：参数更新方式相同。两种方法的目标函数虽不
L~花海·2018-07-02 13:19

吴恩达机器学习笔记（十六）-推荐系统

第十七章推荐系统问题规划这一章中将讨论推荐系统的有关内容，它是在机器学习中的一个重要应用。机器学习领域的一个伟大思想：对于某些问题，有一些算法可以自动地学习一系列合适的特征，比起手动设计或编写特征更有效率。这是目前做的比较多的研究，有一些环境能让你开发某个算法来学习使用那些特征。接下里让我们通过推荐系统的学习来领略一些特征学习的思想。推荐系统预测电影评分的问题：某些公司让用户对不同的电影进行评价，
献世online·2018-07-01 11:25

吴恩达机器学习笔记（十五）-异常检测

第十六章异常检测问题动机这一章中将介绍异常检测问题，这是机器学习算法的常见应用，那么什么是异常检测问题？举例：比如生产汽车引擎，需要进行质量测试，而作为测试的一部分，需要测量汽车引擎的一些特征变量：（1）引擎运转时产生的热量；（2）引擎的振动；于是就会有一个数据集：，把数据绘制成图，如下图：这样，异常检测问题可以定义如下：假设，之后生产了一个新的汽车引擎，而新的汽车引擎有一个特征变量集，所谓的异常
Messi-Q·2018-06-30 11:33

吴恩达机器学习笔记（十四）-降维

第十五章降维目标：数据压缩和可视化这一章中将讨论第二种无监督学习的问题：降维。数据压缩不仅能让我们对数据进行压缩，使得数据占用较少的内存和硬盘空间，还能对学习算法进行加速。（1）二维降到三维：如果能把数据从二维减少到一维，用来减少这种冗余，通过降维，也就说想找出一条线，看起来大多数样本所在的线，所有的数据都投影到这条线上，通过这种做法，能够测量出每个样本在线上的位置。就可以建立新的特征，只需要一个
献世online·2018-06-29 10:07

week2

第八章绘形三日前的阵前，我对士兵们撒了谎。最近的关于外面的消息是一个月前的，那天启明还没有隐没，斥候背着两支箭拼死冲进了城内，将一卷绘形交给接应之人后就坠下马，两支箭又重新穿透他的胸腔，一股股的鲜血涌出来，幸得救治及时，总算是救了回来。其实两年间，城内派出去的斥候已有百余次，叛军自然也会盯紧着他们。斥候行动机敏，判断力与执行力都需要极高资质，在被围城这种情境下，少一个基本无从补充。绘形卷是我为了军
苏南走了·2018-06-29 01:56

吴恩达机器学习笔记（十三）-无监督学习

第十四章无监督学习无监督学习这一章中将介绍无监督学习中的聚类算法，那么什么是无监督学习呢？首先，拿监督学习来进行比较，这是一个典型的监督学习的例子，有一个带标签的训练集，目标是找到一条能够区分正样本和负样本的决策边界，如下图：这里的监督学习问题是指有一系列标签，用假设函数去拟合它。而相比于无监督学习中，数据并不带有任何标签，得到的数据如下图：因此在无监督学习中，要将这系列无标签的数据输入到算法中，
献世online·2018-06-28 00:11
上一页 38 39 40 41 42 43 44 45 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他