吴恩达机器学习入门

吴恩达深度学习第二门课第一周总结

吴恩达深度学习第二门课第一周总结一、梯度消失/爆炸及解决办法二、正则化方法先上目录：从目录可以看到第一周主要解决了两个问题：过拟合，预防梯度消失/梯度爆炸。现在分别来讨论并进行代码实现。
半个女码农·2023-10-12 00:37

吴恩达深度学习第一门课学习总结

吴恩达老师深度学习第一门课的核心就是理解前向传播，计算cost，反向传播三个步骤（其实只要静下心来把教程里的公式在草稿纸上推一遍，也不会很难），吴恩达老师主要是通过逻辑回归来讲解这些概念首先是如何处理输入样本
半个女码农·2023-10-12 00:37

吴恩达《Machine Learning》-machine-learning-ex1线性回归作业（一）

ex1.m%%MachineLearningOnlineClass-Exercise1:LinearRegression%Instructions%------------%%Thisfilecontainscodethathelpsyougetstartedonthe%linearexercise.Youwillneedtocompletethefollowingfunctions%inthis
丰brother·2023-10-11 12:30

机器学习代码实现篇——SVM

1.4带约束的最优化问题求解1.5核函数(kernel)1.6SMO算法2.SVM代码详解2.1源码分析2.2实践检验  吴恩达老师课程中的SVM介绍比较简单直观化，但是理论推导不够，这篇博客本着手写代码实现
lavendelion·2023-10-11 00:17

（一）线性回归与特征归一化(feature scaling)

吴恩达机器学习视频https://study.163.com/course/courseMain.htm?
xiangkej·2023-10-11 00:46

Vue总结的知识点

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录系列文章目录前言一
weixin_49881997·2023-10-10 12:27

吴恩达《微调大型语言模型》笔记

微调（fine-tuning）就是利用特有数据和技巧将通用模型转换为能执行具体任务的一种方式。例如，将GPT-3这种通用模型转换为诸如ChatGPT这样的专门用于聊天的模型。或者将GPT-4转换为诸如GitHubCoplot这样的专门用于写代码的模型。这里的微调特指生成式任务上的微调。在这种方式中，需要更新整个模型的权重，而不是像其他模型一样只更新部分权重微调的训练目标与预训练时的目标相同，目的是
小小白2333·2023-10-10 01:24

吴恩达机器学习（十九）—— 异常检测

吴恩达机器学习系列内容的学习目录→\rightarrow→吴恩达机器学习系列内容汇总。
大彤小忆·2023-10-09 16:44

《deep learning》前两周课程总结

学习深度学习，当然从吴恩达的《deeplearning》开始，原理讲得很透彻也很易懂，适合我这种没什么基
liuchungui·2023-10-09 06:16

ubuntu20.04安装apollo6.0

apollo学习提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录
独角戏cy·2023-10-09 03:24

LSTM在text embedding中的作用(Cross modal retrieval)

如图吴恩达深度学习课程中LSTM结构图： 相比于原始的RN
__main__·2023-10-09 01:00

机器学习入门（六）——特征工程（上）

1.0whatis特征工程？关于特征工程比较官方的定义为：特征工程是利用数据领域的相关知识来创建能够使机器学习算法达到最佳性能的特征的过程。下面讲讲个人理解：“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。”这句话在机器学习领域内流传非常广泛。实施上，对于所有基于信息的分析类工作，数据本身决定着分析的结果。前些年大谈特谈的“数据质量”、“Garbagein,garbageout
yyoung0510·2023-10-08 01:02

吴恩达深度学习＜笔记＞优化算法

吴恩达深度学习优化算法一、1.Mini-batchgradientdescent二、GradientdescentwithmomentumRMSpropAdam优化算法学习率衰减一、1.Mini-batchgradientdescent
不自知的天才·2023-10-07 20:58

吴恩达深度学习笔记 优化算法

一、Mini-batchgradientdescent(小批量梯度下降法)Mini-batch：把整个训练数据集分成若干个小的训练集，即为Mini-batch。为什么要分？梯度下降法必须处理整个训练数据集，才能进行下一次迭代。当训练数据集很大时，对整个训练集进行一次处理，处理速度较慢。但是如果每次迭代只使用一部分训练数据进行梯度下降法，处理速度就会变慢。而处理的这些一小部分训练子集即称为Mini-
uponwyz·2023-10-07 20:27

【深度学习】吴恩达-学习笔记 优化算法（动量梯度，RMSprop，Adam）、参数初始化、Batch Norm

目录动量梯度下降法：让梯度下降的过程中纵向波动减小RMSprop:消除梯度下降中的摆动Adam优化算法:神经网络参数初始化学习率衰减BatchNorm关于Batch_norm:Batch_norm在测试时：动量梯度下降法：让梯度下降的过程中纵向波动减小动量梯度下降法采用累积梯度来代替当前时刻的梯度。直观来讲，动量方法类似把球推下山，球在下坡时积累动力，在途中速度越来越快，如果某些参数在连续时间内梯
—Xi—·2023-10-07 20:55

2.2吴恩达深度学习笔记之优化算法

1.Mini_batchgradientdescent小批量梯度下降法思想：batchgd是一次性处理所有数据，在数据集较大时比如500万个样本，一次迭代的时间会很长，而mini_batchgd是把数据集分为多个子数据集，每个eopch中对子集进行一次处理实现：实现mini_batch分为两步，第一步shuffle，将原集打乱，乱序步骤确保将样本被随机分成不同的小批次。第二步partition分割
Traviscxy·2023-10-07 20:25

Python 机器学习入门之线性回归

系列文章目录第一章Python机器学习入门之线性回归线性回归系列文章目录前言一、线性回归1.线性回归是什么2.线性回归的分类二、实现线性回归1.步骤2.代价函数3.梯度下降总结前言最近在上机器学习的课程
bug别找我·2023-10-07 10:19

python机器学习之梯度下降法

系列文章目录第一章Python机器学习入门之线性回归第一章Python机器学习入门之梯度下降法梯度下降法系列文章目录前言一、梯度下降法1.梯度下降法简介2.基本原理梯度下降函数效果展示前言上一篇文章里面说到了用梯度下降法来对最小化代价函数和模型参数进行求解
bug别找我·2023-10-07 10:17

【无标题】

【机器学习】机器学习笔记（吴恩达）-CSDN博客1.误差平方代价函数，对于大多数问题，特别是回归问题，都是一个合理的选择。2.梯度下降会自动采取更小的步骤，所以不需要随时间减小学习率a。
FlyingAnt_·2023-10-06 20:53

吴恩达机器学习（八）

异常检测第一百二十三课：问题动机什么是异常检测？判断xtext，即新的飞机引擎是否能像一个正常的引擎一样工作？更正式的定义：建立模型p(x)，将xtest与p(x)进行比较：欺诈检测：寻找网站中操作异常的用户工业生产领域计算机机群管理第一百二十四课：高斯分布正态分布两个参数，均值u；方差σ^2u控制钟形曲线的中心位置，σ控制钟形曲线的宽度例子：阴影面积的积分都是1！参数估计问题：参数估计问题就是给
带刺的小花_ea97·2023-10-06 10:31

sheng的学习笔记-【中文】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第三周测验

课程1_第3周_测验题目录：目录第一题1.以下哪一项是正确的？A.【 】a[2](12)a^{[2](12)}a[2](12)是第12层，第2个训练数据的激活向量。B.【 】X是一个矩阵，其中每个列都是一个训练示例。C.【 】a4[2]a^{[2]}_4a4[2]是第2层，第4个训练数据的激活输出。D.【 】a4[2]a^{[2]}_4a4[2]是第2层，第4个神经元的激活输出。E.【 】a[2]
coldstarry·2023-10-05 09:54

玩转人工智能中的机器学习之著名教材

书籍20机器学习入门教材推荐：(a)机器学习方法(李航);(b)机器学习(周志华);(c)TheElementsofStatisticalLearning:DataMining,Inference
audyxiao001·2023-10-05 07:57

sheng的学习笔记-【中英】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第四周测验

课程1_第4周_测验题目录：目录第一题1.在我们的前向传播和后向传播实现中使用的“缓存”是什么？A.【 】它用于在训练期间缓存成本函数的中间值。B.【 】我们用它将在正向传播过程中计算的变量传递到相应的反向传播步骤。它包含了反向传播计算导数的有用值。C.【 】它用于跟踪我们正在搜索的超参数，以加快计算速度。D.【 】我们用它将反向传播过程中计算的变量传递到相应的正向传播步骤。它包含用于计算正向传播
coldstarry·2023-10-04 21:56

ubuntu之路——day10.4 什么是人的表现

结合吴恩达老师前面的讲解，可以得出一个结论：在机器学习的早期阶段，传统的机器学习算法在没有赶超人类能力的时候，很难比较这些经典算法的好坏。也许在不同的数据场景下，不同的ML算法有着不同的表现。
初仔仔·2023-10-04 20:31

sheng的学习笔记-【中文】【吴恩达课后测验】Course 2 - 改善深层神经网络 - 第二周测验

课程2_第2周_测验题目录：目录第一题1.当输入从第8个mini-batch的第7个的例子的时候，你会用哪种符号表示第3层的激活？A.【 】a[3]{8}(7)a^{[3]\{8\}(7)}a[3]{8}(7)B.【 】a[8]{7}(3)a^{[8]\{7\}(3)}a[8]{7}(3)C.【 】a[8]{3}(7)a^{[8]\{3\}(7)}a[8]{3}(7)D.【 】a[3]{7}(8)
coldstarry·2023-10-04 19:46

sheng的学习笔记-【中文】【吴恩达课后测验】Course 2 - 改善深层神经网络 - 第三周测验

课程2_第3周_测验题目录：目录第一题1.如果在大量的超参数中搜索最佳的参数值，那么应该尝试在网格中搜索而不是使用随机值，以便更系统的搜索，而不是依靠运气，请问这句话是正确的吗？A.【 】对B.【 】不对答案：B.【√】不对第二题2.每个超参数如果设置得不好，都会对训练产生巨大的负面影响，因此所有的超参数都要调整好，请问这是正确的吗？A.【 】对B.【 】不对答案：B.【√】不对第三题3.在超参数
coldstarry·2023-10-04 19:46

sheng的学习笔记-【中文】【吴恩达课后测验】Course 2 - 改善深层神经网络 - 第一周测验

课程2_第1周_测验题目录：目录第一题1.如果你有10,000,000个例子，你会如何划分训练/验证/测试集？A.【 】33%训练，33%验证，33%测试B.【 】60%训练，20%验证，20%测试C.【 】98%训练，1%验证，20%测试答案：C.【√】98%训练，1%验证，20%测试第二题2.验证集和测试集应该：A.【 】来自同一分布B.【 】来自不同分布C.【 】完全相同（一样的(x,y)对
coldstarry·2023-10-04 19:45

sheng的学习笔记-【目录】【中文】【deplearning.ai】【吴恩达课后作业目录】

学习吴恩达的深度学习，用于记录笔记知识目录和引用文章原文见下面，但已经变为收费的：【目录】【中文】【deplearning.ai】【吴恩达课后作业目录】_吴恩达深度学习何宽-CSDN博客免费的用于学习的
coldstarry·2023-10-04 19:15

sheng的学习笔记-【中文】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第一周测验

课程1_第1周_测验题目录：目录第一题1.“人工智能是新电力”这个比喻指的是什么？A.【 】人工智能为我们的家庭和办公室的个人设备供电，类似于电力。B.【 】通过“智能电网”，人工智能正在传递新一波的电力。C.【 】人工智能在计算机上运行，因此由电力驱动，但它让计算机做以前不可能做的事情。D.【 】与100年前开始的电力类似，人工智能正在改变多个行业。答案：D.【√】与100年前开始的电力类似，人
coldstarry·2023-10-04 19:13

sheng的学习笔记-【中文】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第二周测验

课程1_第2周_测验题目录：目录第一题1.神经元计算什么？A.【 】神经元计算激活函数后，再计算线性函数（z=Wx+b）B.【 】神经元计算一个线性函数（z=Wx+b），然后接一个激活函数C.【 】神经元计算一个函数g，它线性地缩放输入x（Wx+b）D.【 】神经元先计算所有特征的平均值，然后将激活函数应用于输出答案：B.【√】神经元计算一个线性函数（z=Wx+b），然后接一个激活函数第二题2.以
coldstarry·2023-10-04 19:13

机器学习入门 - 动态规划

文章目录从一个案例开始动态规划Hi,你好。我是茶桁。咱们之前的课程就给大家讲了什么是人工智能，也说了每个人的定义都不太一样。关于人工智能的不同观点和方法，其实是一个很复杂的领域，我们无法用一个或者两个概念确定什么是人工智能，无法具体化。我也是要给大家讲两个重要的概念，要成为一个良好的AI工作者，需要了解两个概念，一个是什么是优化问题，第二个呢就是什么是继续学习。这一节开始，我们要开始进入机器学习的
茶桁·2023-10-03 07:25

Python Appium 安卓自动化测试 基本使用 - Phone Spider

PythonAppium安卓自动化测试基本使用提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用文章目录PythonAppium安卓自动化测试基本使用前言一
EXI-小洲·2023-10-01 23:04

吴恩达机器学习——无监督学习

1.k-means的步骤：先随机选择K个簇中心，1）划分样本：每个样本分配到距离最近的簇。2）更新簇中心位置：计算分配之后每个簇的中心位置，更新簇中心位置。迭代上述过程，直到簇中心位置不变。2.代价函数迭代完成后，每个样本距离所属簇中心的距离的均方和。稍微说明了下，上述迭代过程就是最小化代价函数的过程（分别从样本相对于簇中心的距离，和簇的位置，两个维度的最小化）3.随机初始化建议的做法，随机选择K
睡不好觉的梨·2023-10-01 15:44

test111

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录系列文章目录前言一
一方山人·2023-10-01 11:19

标准化、逻辑回归、随机梯度参数估计

机器学习入门数据预处理：将？替换为缺失值data=data.replace(to_replace="?"
别狗了·2023-09-30 22:36

《机器学习入门》笔记 - 决策树

决策树计算香农熵defcalcShannonEnt(dataSet):numEntries=len(dataSet)labelCounts={}forfeatVecindataSet:currentLabel=featVec[-1]ifcurrentLabelnotinlabelCounts.keys():labelCounts[currentLabel]=0labelCounts[current
一个认真学代码的pm·2023-09-30 14:32

吴恩达《Machine Learning Yearning》学习笔记-1

第一部分：数据准备-建立合适的开发集和测试集1.从相同的分布中选择开发集和测试集，且开发集和测试集数据需要与你预期的算法使用场景保持一致。这样开发集能够更好的指导团队的改进优化方向，测试集能真正衡量算法在实际场景中的性能。开发集和测试集的分布可以与训练数据不同。2.选定一个数值型的评估标准作为团队的优化方向。如果存在多个目标，那么可以考虑：1.合并成一个（如求平均误差）标准；或者，定义一个优化目标
城市守望者·2023-09-29 20:20

计算机基础每日学习笔记 | 20210116

寒假刷完课~后面还想刷一下吴恩达老师的机器学习（CrashCourse到P4C
不热爱技术的设计不是好产品·2023-09-27 20:10

线性回归&逻辑回归&正则化

本文为《吴恩达机器学习》课程笔记线性回归代价函数CostFuction它的目标是:选择出可以使得建模误差的平方和能够最小的模型参数批量梯度下降BatchGradientDescent是学习率（learningrate
susion哒哒·2023-09-27 20:50

关闭IO流

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录系列文章目录前言一
gys9895·2023-09-27 03:03

最易懂的机器学习入门文章

1.什么是深度学习?深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于人工智能。原文：【科普&实践】超详细！一文带你玩转深度学习-飞桨AIStudio星河社区深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标
gridlayout·2023-09-26 10:44

机器学习总结

最易懂的机器学习入门文章-CSDN博客人工智能和机器学习之间的关系人工智能是一个最宽泛的概念，是一个研究领域，同时也是一个实现目标，而机器学习则是实现这一目标的一类方法。
gridlayout·2023-09-26 10:13

打开深度学习的锁：（2）单隐藏层的神经网络

需要导入的包二、构建神经网络的架构三、初始化函数四、激活函数4.1tanh（双曲正切函数）函数五，前向传播六、损失函数七、后向传播八、梯度下降九、构建预测十、聚合和主函数完整代码：总结导言本篇知识背景来源于吴恩达教授的
Jiashun Hao·2023-09-26 04:51

【ML/DL】深层神经网络模型python实现

实现文章目录深层神经网络模型python实现注：1.准备工作导入必要的包导入数据集2.创建模型(1)初始化参数(2)前向传播(3)计算cost(4)反向传播(5)更新参数(6)合成模型3.训练模型注：数据集及详细讲解请查找吴恩达深度学习第一课第四周
落叶阳光·2023-09-25 04:18

2020年6月3日

今天没什么硬性任务，于是主要精力都用来复习吴恩达的deeplearning网课笔记，果然有些知识点还是需要学而时习之的。
真昼之月·2023-09-24 10:21

第五章 多变量线性回归

该系列文章为，观看“吴恩达机器学习”系列视频的学习笔记。虽然每个视频都很简单，但不得不说每一句都非常的简洁扼要，浅显易懂。非常适合我这样的小白入门。
tomas家的小拨浪鼓·2023-09-24 05:59

二、机器学习入门术语

一、线性回归算法简介m：训练样本的个数x：输入特征y：输出变量，也就是要预测的目标变量(x,y)：表示一个训练样本()：表示一个特定的训练样本，即第i个训练样本，上标i是第i个的意思h是hypothesis的意思，在此处是假设函数，即引导从x得到y的函数h(x)=y。当我们设计一个学习算法的时候，需要考虑怎么表示这个假设函数h，在线性回归算法中，我们通常使用如下的假设函数：，有时会简写为h(x)。
并不傻的狍子·2023-09-23 13:50

吴恩达深度学习笔记-搭建多层神经网络

吴恩达作业-搭建多层神经网络。
一技破万法·2023-09-23 13:40

吴恩达＋Open AI 《面向开发者的ChatGPT Prompt 工程》课程学习2——prompt指导原则1

《面向开发者的ChatGPTPrompt工程》课程学习索引吴恩达＋OpenAI《面向开发者的ChatGPTPrompt工程》课程学习1——课程介绍吴恩达＋OpenAI《面向开发者的ChatGPTPrompt
会写代码的孙悟空·2023-09-23 08:53

吴恩达＋Open AI 《面向开发者的ChatGPT Prompt 工程》课程学习1——课程介绍

许多人都体验过ChatGPT的Web用户界面来完成特定而且通常是一次性的任务。但是从开发者的角度来说，通过API调用LLM（largelanguagemodel大语言模型）来快速构建应用程序这个强大的功能被严重低估了。通过这个课程系列，你将会收获学习到一些软件开发提示词的最佳实践；学习到一些常见的用例、总结、推理、转化、扩展；使用LLM建立一个聊天机器人。两种大语言模型介绍基础大语言模型（Base
会写代码的孙悟空·2023-09-23 08:23
上一页 7 8 9 10 11 12 13 14 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他