吴恩达机器学习入门第9页

AIOPS学习资源

时间序列分析-B站时间序列分析的基础、原理、算法和应用-知乎时间序列数据分析101-(1)一份全面详尽的时间序列入门教程-知乎-推荐图解72个机器学习基础知识点-推荐机器学习入门与核心概念-B站机器学习

MrUncle德鲁·2023-11-02 22:04

改善深层神经网络_优化算法——带修正偏差的指数加权平均

优化算法：指数加权平均在学习吴恩达的深度学习系列课程，优化算法部分，权重更新部分讲到指数加权平均，查找到下面博文。此博文看配图，举例，也是吴恩达课程的总结，故此转载。

qiling0102·2023-11-02 18:00

使用Python开始机器学习

男女老少都在学机器学习模型，分类器，神经网络和吴恩达。你也想成为一份子，但你该如何开始？

逆光0奔跑·2023-11-02 18:30

pandas 是基于NumPy

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系列文章目录前言一

过去日记·2023-11-02 06:37

吴恩达《机器学习》4-1-＞4-5:多变量线性回归

一、引入多维特征在多维特征中，我们考虑的不再是单一的特征，而是一组特征，例如房价模型中可能包括房间数、楼层等多个特征。这些特征将组成一个向量，表示为(₁,₂,...,ₙ)，其中代表特征的数量。每个特征都可以表示数据集中的不同属性。对于每个训练实例，我们使用向量表示特征，如()=[1416,3,2,40]，这里ⱼ()代表特征矩阵中第行的第个特征，也就是第个训练实例的第个特征。支持多变量的假设ℎ表示为

不吃花椒的兔酱·2023-11-02 06:24

机器学习入门(一)通过KNN算法来实现人群分类(Python)

前言（一些瞎感慨，可以不用看）机器学习这门技术，已经听到多次可以说并不陌生。也知道他是从事数据科学工作的一个入门。虽然一直心向往之，却没有进行学习。这却与我的性格原因有很大的关系。我是有一些完美主义情节的。所以就像儿时在开学之际，用积攒一冬的压岁钱买了梦寐以求的拼装。虽然满怀激动，爱不释手。但是不敢轻易的打开包装，一是担心自己没有准备好，又害怕没有仔细阅读好说明书，如果此时再有其他事情的打扰不免让

达达爱吃肉·2023-10-31 20:13

【机器学习入门笔记】第五篇-KNN算法

以facebook案例来学习KNN算法1.读取数据，有29118021rows×6columnsimportpandasaspddata=pd.read_csv("train.csv")data运行结果：2.数据太多对数据筛选一下#1）缩小数据范围#22&y1.0")#2)处理时间特征time_value=pd.to_datetime(data["time"],unit="s")date=pd.D

细细东风能找到好工作·2023-10-31 20:37

研0开始如何读论文

(zhihu.com)吴恩达：关于机器学习职业生涯以及阅读论文的一些建议https://www.youtube.com/watch?

SofiaT·2023-10-31 16:57

信息安全保障基础

渗透测试情报收集5.信息泄露6.跨站脚本XSS7.SQL注入式攻击8.目录遍历9.代码/命令执行10.弱口令11.渗透测试技术【12.安全渗透技术演练13.安全测试工具与环境建设-中间穿插】例如：第一章Python机器学习入门之

hyhrosewind·2023-10-31 10:20

ChatGPT提示词工程（七）：Chatbot聊天机器人

get_completion2.辅助函数：get_completion_from_messages三、聊天机器人（Chatbot）1.一般聊天机器人1.1简单的例子1.2多轮对话2.订单机器人一、说明这是吴恩达

J_Xio·2023-10-31 07:29

ChatGPT提示词工程（五）：Transforming转换

）1.翻译Translation2.语气转换ToneTransformation3.格式转换FormatConversion4.拼写或语法检查Spellcheck/Grammarcheck一、说明这是吴恩达

J_Xio·2023-10-31 07:58

ChatGPT提示词工程（六）：Expanding扩展

目录一、说明二、安装环境三、扩展（Expanding）1.自定义自动回复客户电子邮件2.提醒模型使用客户电子邮件中的详细信息3.参数temperature一、说明这是吴恩达《ChatGPTPromptEngineeringforDevelopers

J_Xio·2023-10-31 07:58

总结吴恩达文章《How to read a research paper》

HowtoreadaresearchpaperChooseAreaofInterest(saySpeechRecognition)Ingeneral,ifyouread15-20papers,yougetagoodunderstandingofanyfield/topic;whileifyouread50-100papers,yougetmasteryintheareaCompilethelist

ChandlerBing·2023-10-30 18:36

吴恩达《面向开发者的提示词工程》

Ref：【中英字幕|P01Introduction】2023吴恩达新课《面向开发者的提示词工程》_哔哩哔哩_bilibili对应的笔记ChatGPTPrompt-知乎本课程主要介绍指令微调LLM的最佳实践在大型语言模型或

人鱼线·2023-10-30 12:37

循环神经网络

为了学习编码器-译码器架构，可能需要涉及transformer，循环神经网络，序列到序列的知识，这里将循环神经网络作为起点进行学习，参考学习的是吴恩达深度学习课程。本文主要涉及单隐层循环

Alex·Fall·2023-10-30 05:02

少走十八年弯路，一文速通机器学习入门

少走十八年弯路，一文速通机器学习入门一篇更适合新手宝宝的AI入门攻略前言从理论课到自己找代码实践和复现论文，摸索了大概一年的时间，最大的感触是理论对接不上代码。

Ryuuuuko·2023-10-29 22:45

【深度学习】吴恩达课程笔记(三)——参数VS超参数、深度学习的实践层面

笔记为自我总结整理的学习笔记，若有错误欢迎指出哟~吴恩达课程笔记——参数VS超参数、深度学习的实践层面六、参数VS超参数1.参数和超参数的区别2.什么是超参数？3.如何寻找超参数的最优值？

今天有没有吃饱饱·2023-10-29 16:31

【深度学习】吴恩达课程笔记(二)——浅层神经网络、深层神经网络

笔记为自我总结整理的学习笔记，若有错误欢迎指出哟~笔记链接【深度学习】吴恩达课程笔记(一)——深度学习概论、神经网络基础吴恩达课程笔记——浅层神经网络、深层神经网络四、浅层神经网络1.双层神经网络表示2

今天有没有吃饱饱·2023-10-29 16:00

【深度学习-吴恩达】L1-4 深层神经网络作业

L1深度学习概论4深层神经网络作业链接：吴恩达《深度学习》-Heywhale.com0作业任务构建一个任意层数的深度神经网络实现构建深度神经网络所需的所有函数使用这些函数构建一个用于图像分类的深度神经网络学习目标

JackSerin·2023-10-29 16:29

【深度学习-吴恩达】L1-3 浅层神经网络作业

L1深度学习概论3浅层神经网络作业链接：吴恩达《深度学习》-Heywhale.com0作业任务用1层隐藏层的神经网络分类二维数据目标：实现具有单个隐藏层的2分类神经网络使用具有非线性激活函数的神经元计算交叉熵损失实现前向和后向传播

JackSerin·2023-10-29 16:29

【深度学习-吴恩达】L1-2 神经网络基础

L1深度学习概论2神经网络基础课程视频共145min6s2.1二分分类BinaryClassification一些表示方法m：数据集的规模mtrain：训练集规模mtest：测试集规模nx：输入特征向量的维度，简写为n(x,y)：一组单独训练样本y：在二分类中，0/1的输出结果，即y∈{0,1}x：nx维度的输入特征向量，即x∈Rnx训练集：{(x(1),y(1)),(x(2),y(2)),…,(

JackSerin·2023-10-29 16:59

吴恩达深度学习笔记（一）——第一课第二周

深度学习概论什么是神经网络上图的单神经元就完成了下图中函数的计算。下图的函数又被称为ReLU（修正线性单元）函数复杂的神经网络也是由这些简单的单神经元构成。实现后，要得到结果，只需要输入即可。x那一列是输入，y是输出，中间是隐藏单元，由神经网络自己定义用神经网络进行监督学习领域所用的神经网络房产预测等领域标准架构StandardedNN计算机视觉卷积神经网络CNN音频，文字翻译（一维序列问题）循环

Laurie-xzh·2023-10-29 16:57

【深度学习】吴恩达课程笔记(一)——深度学习概论、神经网络基础

笔记为自我总结整理的学习笔记，若有错误欢迎指出哟~吴恩达课程笔记——深度学习概论、神经网络基础一、概念区别1.深度学习与机器学习2.深度学习与神经网络二、什么是神经网络1.分类2.特点3.工作原理4.神经网络示意图

今天有没有吃饱饱·2023-10-29 16:56

吴恩达《机器学习》2-5-＞2-7:梯度下降算法与理解

一、梯度下降算法梯度下降算法的目标是通过反复迭代来更新模型参数，以便最小化代价函数。代价函数通常用于衡量模型的性能，我们希望找到使代价函数最小的参数值。这个过程通常分为以下几个步骤：初始化参数：随机或设定初始参数的数值，如0,1,...,。计算代价函数的梯度：对于每个参数，计算代价函数J(0,1,...,)对该参数的偏导数，即梯度，表示为∂J/∂。更新参数：使用梯度信息来更新参数，根据以下规则更新

不吃花椒的兔酱·2023-10-29 15:31

第1周学习笔记-Coursera机器学习-吴恩达

Introduction1.MachineLearningdefinitionArthurSamuel(1959).MachineLearning:Fieldofstudythatgivescomputerstheabilitytolearnwithoutbeingexplicitlyprogrammer.古老的、正式的定义编写西洋棋程序，让程序自己跟自己下棋，让程序明白什么是好的布局、坏的布局。

烟若清尘·2023-10-29 09:30

Python机器学习从零开始（三）数据准备

——吴恩达1.数据预处理数据预处理需要根据数据本身的特性进行，有缺失的要填补，有无效的要剔除，有冗余维的要删除，这些步骤都和数据

靖墨c·2023-10-29 09:10

一文看懂特征工程

吴恩达提到过机器学习的根本其实就是数据，所以我只想回过头从数据起源这边重新审视自己的模型。顺便将自己对特征工程的所有理解系统地整理出来，给自己做个笔记，也给未来的小白做个领路。

是猪哥不是诸葛·2023-10-29 07:53

AI基础：自然语言处理基础之序列模型

本文主要参考吴恩达老师的深度学习课程[1]笔记部分。0.导语序列模型，是自然语言处理的基础，本集讲解循环序列模型。

Wang_AI·2023-10-29 07:22

机器学习入门（十四）——决策树（3）

上一篇介绍了决策树中涉及的各分类依据指标的概念，信息增益、信息增益率和基尼系数。在构建树模型时选择的分类指标不同，就有不同的决策树构建方法，如本篇将要介绍的最经典决策树构建法：ID3和C4.51.0ID3算法1.1算法简介ID3算法是基于“信息增益”的一种决策树构建算法，用于对离散变量进行分类。算法的本质就是通过计算每个特征的信息增益，每次划分选取信息增益最高的属性为划分标准，递归地构建决策树。I

yyoung0510·2023-10-29 07:22

机器学习笔记03_机器学习基本概念(下)

学习视频：[中英字幕]吴恩达机器学习系列课程学习资料：https://github.com/fengdu78/Coursera-ML-AndrewNg-NotesGitHub不好用的话，我在CSDN资源区也上传了开源资料

三木今天学习了嘛·2023-10-28 17:25

吴恩达《机器学习》2-2-＞2-4:代价函数

一、代价函数的概念代价函数是在监督学习中用于评估模型的性能和帮助选择最佳模型参数的重要工具。它表示了模型的预测输出与实际目标值之间的差距，即建模误差。代价函数的目标是找到使建模误差最小化的模型参数。二、代价函数的理解训练集数据：假设我们有一个训练集，其中包含个样本（数据点），每个样本都有一个特征和一个对应的目标值。模型的假设函数：我们构建一个假设函数ℎ()用于预测目标值。在单变量线性回归中，这个假

不吃花椒的兔酱·2023-10-28 16:58

【云原生】k8s and docker 环境搭建

k8sanddocker环境搭建提示：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

qq_17696807·2023-10-28 13:23

吴恩达深度学习-序列模型 2.7 负采样

这节课学习的同样是一个监督学习嵌入向量的模型，上节课的skip-gram使用的softmax分类器求和带来的计算量太大了，这节课使用的算法可以避免这个问题。这节课名字叫做负采样，那么正采样呢？我们还是像上节课一样，在一句话里随机选出一个context，然后在一定的词距范围内选择一个词。这两个词组成的一个pair就叫做正样本，然后再在词典当中随机选择一个词，把它们设置成不相关，这就叫做负样本，这些随

prophet__·2023-10-28 10:32

吴恩达《机器学习》1-3:监督学习

一、监督学习例如房屋价格的数据集。在监督学习中，我们将已知的房价作为"正确答案"，并将这些价格与房屋的特征数据一起提供给学习算法。学习算法使用这些已知答案的数据来学习模式和关系，以便在未知情况下预测其他房屋的价格。这就是监督学习，通过提供正确答案来训练算法以做出准确的预测或估计。二、回归问题回归：推测出这一系列连续值属性。回归问题：根据输入特征来预测或推测出连续的数值结果。举例来说，房价预测可以被

不吃花椒的兔酱·2023-10-28 05:50

吴恩达《机器学习》1-5:模型描述

一、单变量线性回归单变量线性回归是监督学习中的一种算法，通常用于解决回归问题。在单变量线性回归中，我们有一个训练数据集，其中包括一组输入特征（通常表示为）和相应的输出目标（通常表示为）。这个算法的目标是学习一个线性函数，通常表示为ℎ()，其中是要学习的参数，以便将输入特征映射到输出目标。具体地，对于单变量线性回归，通常使用以下形式的线性函数：其中：ℎ()表示通过算法学习到的假设（或预测）函数。0和

不吃花椒的兔酱·2023-10-28 05:50

吴恩达《机器学习》1-4:无监督学习

参考资料：[中英字幕]吴恩达机器学习系列课程黄海广博

不吃花椒的兔酱·2023-10-28 05:08

吴恩达机器学习笔记

WhatisMachineLearning?TwodefinitionsofMachineLearningareoffered.ArthurSamueldescribeditas:"thefieldofstudythatgivescomputerstheabilitytolearnwithoutbeingexplicitlyprogrammed."Thisisanolder,informaldef

孙虾米·2023-10-28 03:33

---吴恩达

原文来自Quora：How-should-you-start-a-career-in-Machine-LearningCoursera上的斯坦福机器学习旨在帮助广大观众开始机器学习。如果您熟悉基本的编程（用任何语言），我建议从那里开始。许多人通过完成MOOC来获得机器学习方面的工作。其他类似的在线课程也会有帮助;例如，约翰·霍普金斯大学的数据科学专业。参加Kaggle或其他在线机器学习比赛也帮助人

everfight·2023-10-28 02:02

Prompt

文章目录ChatGPTPromptEngineeringforDevelopers(吴恩达)引言指南Principleprinciple1-Usedelimitersprinciple1-Askforstructuredoutputprinciple1

右边是我女神·2023-10-27 22:32

吴恩达机器学习第一周第一课

第一课内容比较简单，大致分为三类1.人工智能的主要应用无人驾驶；垃圾邮件的分类；推荐系统，图片识别，语音识别，文字识别等等。2.机器学习的定义TomMitchell(1998)Well-posedLearningProblem:AcomputerprogramissaidtolearnfromexperienceEwithrespecttosometaskTandsomeperformanceme

摩托卡·2023-10-27 07:59

吴恩达机器学习第十周测试

第一题答案B分析：当代价函数呈上升趋势的时候，可以试着将学习率减小第二题答案CD分析：A：随机梯度下降并不能并行化，错误。B：批量梯度下降是在每一次迭代后计算代价函数，错误。C：在随机梯度下降算法执行之前，先要将样本打乱，正确。D：在大量数据样本的情况下，随机梯度下降要比批量梯度下降效率高，正确。第三题答案AD第四题答案CD第五题答案ACD

一叶知秋Autumn·2023-10-27 07:28

机器学习入门笔记二 pandas高级操作

这篇主要介绍一些我觉得常用的一些高级用法，主要包括groupby操作，apply，map操作，pivot_table操作，时间序列操作和字符串操作。groupby核心：不论分组键是数组、列表、字典、Series、函数，只要其与待分组变量的轴长度一致都可以传入groupby进行分组。默认axis=0按行分组，可指定axis=1对列分组。对数据进行分组操作的过程可以概括为：split-apply-co

一只当归·2023-10-26 20:35

iOS Core ML 机器学习入门

前言机器学习的分类：有监督学习准确但是比较费时间给机器一个对应关系（训练数据）比如告诉它手机是什么（给训练的数据贴标签label）input然后通过训练后输出output无监督学习不是特别准备不需要给对应的数据关系只需要给它一堆数据让它自己去做训练，最后分辨出哪些是一类，哪些不是一类。开始构建代码准备控制器获取手机拍摄的图片classViewController:UIViewController{

七里田间的守望者·2023-10-26 12:53

【吴恩达课后测验】Course 3 - 结构化机器学习项目 - 第一周测验之关于我的理解

前10个很简单，对此没什么疑惑，第十一题我有一些迷，查阅网上资料后，清楚了一些，把我的理解挂上正则化是为了防止过拟合开发集和测试集是属于同一分布的，此时两者的错误率相差很大，说明对开发集适应的太好，过拟合了，从而导致对测试集测试的不好。改善的策略有很多，为了防止过拟合，可以增加开发集大小等如果把数据放进数据集之后，训练的话就会造成对原有的图像进行再训练，这将会导致过拟合、新样本相对于总样本比例非常

墨水河刘能·2023-10-26 02:04

sheng的学习笔记-【中】【吴恩达课后测验】Course 3 - 结构化机器学习项目 - 第一周测验

课程3_第1周_测验题目录：目录要解决的问题①这个例子来源于实际项目，但是为了保护机密性，我们会对细节进行保护。②现在你是和平之城的著名研究员，和平之城的人有一个共同的特点：他们害怕鸟类。③为了保护他们，你必须设计一个算法，以检测飞越和平之城的任何鸟类，同时警告人们有鸟类飞过。市议会为你提供了10,000,000张图片的数据集，这些都是从城市的安全摄像头拍摄到的。它们被命名为:y=0：图片中没有鸟

coldstarry·2023-10-26 02:30

sheng的学习笔记-【中】【吴恩达课后测验】Course 3 - 结构化机器学习项目 - 第二周测验

课程3_第2周_测验题目录：目录要解决的问题①为了帮助你练习机器学习的策略，本周我们将介绍另一个场景，并询问你将如何行动。②我们认为这个在机器学习项目中工作的“模拟器”将给出一个任务，即领导一个机器学习项目可能是什么样的！③您受雇于一家初创公司，制造自动驾驶汽车。④您负责检测图像中的道路标志（停车标志、人行横道标志、施工先行标志）和交通信号（红绿灯）。⑤目标是识别每张图像中的这些对象。例如，上面的

coldstarry·2023-10-26 02:26

【算法竞赛学习】数字中国创新大赛智慧海洋建设-Task3特征工程

“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”——机器学习界；类似的，吴恩达曾说过：“特征工程不仅操作困难、耗时，而且需要专业领域知识。应用机器学习基本上就是特征工程。”赛题：

jaeden_xu·2023-10-24 20:08

吴恩达机器学习笔记（五）正则化Regularization

正则化（regularization）过拟合问题（overfitting)Underfitting（欠拟合）–>highbias(高偏差)Overfitting（过拟合）–>highvariance(高方差)Overfitting:Ifwehavetoomanyfeatures,thelearnedhypothesismayfitthetrainingsetverywell,butfailtoge

哇哈哈哈哈呀哇哈哈哈·2023-10-24 20:09

吴恩达机器学习笔记---正则化

前言使用正则化技术缓解过拟合现象，使模型更具泛化性1.过拟合问题(Overfit)2.代价函数(CostFunction)3.线性回归的正则化(RegularizedLinearRegression)4.逻辑回归的正则化(RegularizedLogisticRegression)正则化(Regularization)(一)过拟合问题(Overfit) 先看两张图：两张图分别代表回归问题和分

ML0209·2023-10-24 20:38

机器学习-吴恩达-笔记-3-正则化

目录过拟合问题代价函数正则化线性回归正则化逻辑回归【此为本人学习吴恩达的机器学习课程的笔记记录，有错误请指出！】

Leon.ENV·2023-10-24 20:05

推荐频道

吴恩达机器学习入门