吴恩达机器学习实验

吴恩达机器学习课程02——模型描述与代价函数

目录模型描述代价函数暂时写这么多，谢谢大家，有错误请不吝指正~模型描述TrainingSet：首先提供数据集LearningAlgorithm：学习算法h(hypothesis)：假设函数x：输入特征y：输出目标通俗一点讲，就是提供给我训练数据集（TrainingSet）并采用某学习算法（LearningAlgorithm）进行训练得到我的假设函数（h），然后对于测试集的每一条样本数据特征（x࿰
CtrlZ1·2022-12-07 07:15

2022吴恩达机器学习课程学习笔记（第一课第三周）

2022吴恩达机器学习课程学习笔记（第一课第三周）动机与目的逻辑回归决策边界逻辑回归中的代价函数逻辑回归损失函数的定义逻辑回归损失函数的理解逻辑回归代价函数的定义实现梯度下降过拟合问题过拟合定义解决过拟合正则化正则化工作原理用于线性回归的正则化方法用于逻辑回归的正则化方法动机与目的只有两个可能输出的分类问题成为二元分类
Ys能保研·2022-12-07 07:09

2022吴恩达机器学习课程学习笔记（第一课第一周）

2022吴恩达机器学习课程学习笔记（第一课第一周）欢迎参加《机器学习》课程机器学习应用机器学习定义定义（非正式）主要类型监督学习定义特征类型无监督学习定义特征类型JupyterNotebook线性回归模型定义举例
Ys能保研·2022-12-07 07:08

2022吴恩达机器学习课程——第一课

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、监督学习与无监督学习二、线性回归三、梯度下降第二周一、向量化二、特征缩放第三周一
now_try_·2022-12-07 07:37

深度学习stride_Deeplearning.ai卷积神经网络( 1.5 卷积步长Stride相关概念)

0、前言打算对吴恩达老师的Deeplearning课程做一个笔记回顾，大体整理思路为吴老师课堂内容和个人理解，非常基础无难点，重在备忘分享，大神勿喷！
苗伟杰·2022-12-07 05:44

深度学习入门资料分类汇总（持续更新）

请根据需要自行选择学习内容，机器学习是基础课程，但是吴恩达的深度学习课程也会讲一些机器学习基础，不学机器学习也能看明白。
刀客塔辛·2022-12-07 05:10

吴恩达Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第.

吴恩达Coursera,机器学习专项课程,MachineLearning：UnsupervisedLearning,Recommenders,ReinforcementLearning第二周所有jupyternotebook
ZhemgLee·2022-12-07 02:24

神经网络 卷积神经网络,卷积神经网络 吴恩达

吴恩达的人物经历吴恩达1976年出生于伦敦，父亲是一位香港医生，英文名叫AndrewNg，吴恩达年轻时候在香港和新加坡度过。
aifans_bert·2022-12-06 22:53

深度解读BN、LN、WN、CN

记得之前吴恩达的网易公开课也有介绍到，例子大概是这样的，记不详细了，大概是说，样本点的分布如果是椭圆或者其它不
微知girl·2022-12-06 18:01

深度学习论文 Learning representations by back-propagating errors

Learningrepresentationsbyback-propagatingerrors小记2022.3.16第一次读全英语论文看了吴恩达的课之后明白了BP原理，但是还是想看看原论文是怎么写的。
是Mally呀！·2022-12-06 15:39

吴恩达机器学习笔记 —— 15 降维

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
xing halo·2022-12-06 12:01

吴恩达机器学习笔记（十三）——降维

1.降维应用：数据压缩降维首先是可以用于数据压缩的，例如将2维数据降维成一维数据，就可以将存储量减小一半，如下图所示：又如下面从三维降至二维的数据所示：2.降维应用：可视化降维还可以将原本无法可视化的数据通过降维从而进行可视化。如下图是各国的各项数据，因为特征较多，因此无法进行可视化：通过降维成二维数据，我们就可以进行可视化了，如下图所示：3.PCA问题规划1首先从视觉上感受一下PCA的效果：假设
XHHP·2022-12-06 12:29

吴恩达机器学习笔记——降维与PCA算法

PCA算法是一种强大的无监督学习算法。降维与线性回归降维的过程最常用的算法是主成分分析算法（PCA）。降维将数据投影到一个k维度空间上（比如直线或平面）然后最小化投影误差的平方和。PCA算法降维时找到直线方向向量最小化偏差距离时使用的正交距离（称为投影误差）线性而回归问题是用最小代价拟合直线时使用的是竖直距离同时回归中横纵轴的地位是不同的一个是标签一个是特征但pac中是平等的。PCA算法流程执行均
草莓甜Swag·2022-12-06 12:27

[中英字幕]吴恩达机器学习系列课程 笔记

[中英字幕]吴恩达机器学习系列课程笔记教程与代码地址P11-1.欢迎参加《机器学习》课程P21-2.什么是机器学习？
电信保温杯·2022-12-06 12:25

吴恩达机器学习 笔记九 PCA降维

1.数据降维  数据降维的动力主要来自数据压缩和数据可视化。下图中的数据虽然是在一个三维空间里，但是用一个二维的平面基本上就是可以描述出来的，所以我们可以把数据降到二维。2.PCA算法第一步是均值归一化。我们需要计算出所有特征的均值，然后令。如果特征是在不同的数量级上，我们还需要将其除以标准差。第二步是计算协方差矩阵（covariancematrix）：第三步是计算协方差矩阵的特征向量（eigen
qsdzxp·2022-12-06 12:24

吴恩达《机器学习》笔记

吴恩达《机器学习》笔记这门课是斯坦福大学的吴恩达老师的一门关于《机器学习》的课程，在Coursera上可以搜到《MachineLearning》进行学习。下面是我在b站看完相应视频后的笔记总结。
肥胖边缘疯狂蹦迪·2022-12-06 12:54

干货丨深度迁移学习方法的基本思路（文末送书）

百度前首席科学家、斯坦福大学副教授吴恩达（AndrewNg）曾经说过：迁移学习将是继监督学习之后的下一个促使机器学习成功商业化的驱动力。
风度78·2022-12-06 12:19

吴恩达机器学习笔记之降维

第二类无监督学习问题，叫做降维（DimensionalityReduction）。方法有数据压缩和可视化。数据压缩：数据压缩不仅可以减少数据在我们计算机当中的存储空间，还可以加速我们算法的学习过程。如图所示，我们将三维数据压缩到二维数据。首先我们观察到数据差不多都分布在同一个平面上，因此我们将数据投影到一个二维平面，然后就将可以将三维数据压缩到二维数据。可视化：将高维数据降到低维，比如3维或者2维
iblue_coffee·2022-12-06 12:49

吴恩达机器学习课程笔记.pdf

个人认为：吴恩达老师的机器学习课程，是初学者入门机器学习的最好的课程！我们整理了笔记（336页），复现的Python代码等资源，文末提供下载。
风度78·2022-12-06 12:49

吴恩达机器学习课程笔记.docx

个人认为：吴恩达老师的机器学习课程，是初学者入门机器学习的最好的课程！我们整理了笔记（336页），复现的Python代码等资源，包括原版的docx文件，文末提供下载。
风度78·2022-12-06 12:49

【吴恩达机器学习笔记】十三、异常检测

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。
Pandaconda·2022-12-06 12:18

吴恩达机器学习笔记-无监督学习

机器学习-无监督学习一、什么是无监督学习二、聚类算法(无监督学习)1、聚类算法的应用2、K-Means算法算法流程--图例算法流程--文字描述K-means分离不佳簇问题K-means代价函数K-means的随机初始化如何选取聚类数量K代码实例(鸢尾花)三、PCA降维1.什么是降维2.主成分分析方法(principalcomponentsanalysis，PCA)文字方式描述PCAPCA过程(n维
快乐活在当下·2022-12-06 12:17

【吴恩达机器学习笔记】十二、降维

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。
Pandaconda·2022-12-06 12:43

机器学习——吴恩达章节（11-18）

11.执行训练时确定执行的优先级在训练集中设置出现频率较高的特征作为特征向量去识别或者分类优化算法的方法首先用简单粗暴的方法先确立一个能实现目的的算法然后根据交叉熵误差分析去评估模型观察分类不太正确的点的特征，设计更多的优化方式不对称分类的误差评估查准率P：预测为正，实际为正的概率召回率R：正例被准确预测的概率(查全率)两者的平衡如果我们想要比较确信为正例时才判定为正例，那么提高阈值，模型会对应高
荒野的雄狮·2022-12-06 11:11

深度学习的基础——笔记

本文内容根据网易云课堂吴恩达《深度学习工程师》整理课程的文字版内容参考：https://blog.csdn.net/yangshaojun1992/article/details/105151717学习内容摘要
YannAdams·2022-12-06 11:26

关于一维和二维卷积，以及1*1卷积核的理解

本文图片大部分来自吴恩达AndrewNg老师的深度学习课程。基础操作：最基本的卷积操作是把卷积核在输入中移动（扫一遍），获得输出。
YuQiao0303·2022-12-06 10:57

深度学习-吴恩达-笔记-6-优化算法

梯度下降法指数加权平均数理解指数加权平均数指数加权平均的偏差修正动量梯度下降法（GradientdescentwithMomentum）RMSpropAdam优化算法学习率衰减局部最优的问题【此为本人学习吴恩达的深度学习课程的笔记记录
Leon.ENV·2022-12-06 07:57

吴恩达新创Netail获500万美元融资~体量虽小，野心却大？

当研究型学者投入到产业界，还要自己AI创业说起吴恩达，你首先想到是他在谷歌用“GoogleBrain”训练认猫，还是曾在百度担任首席科学家？
AI科技大本营·2022-12-05 17:35

【吴恩达深度学习视频8.1~8.6】学习周报

残差网络为什么有用？通常来讲，一个网络越深，它在训练集上训练的效率就会有所减弱，但在训练ResNets网络时，并非完全如此。如果将深层网络的后面若干层学习成恒等映射，那么模型就退化成浅层网络。但是直接去学习这个恒等映射是很困难的，那么就换一种方式，把网络设计成：引入残差的映射对输出的变化更加敏感，比如输出由1.1变化到1.2时（假定输入x为1），残差结构的映射F(x)由0.1到0.2，增加了100
Bohemian_mc·2022-12-05 14:43

吴恩达机器学习作业Python实现(四)：神经网络(反向传播)

目录神经网络可视化数据模型表示前向传播展开参数数据编码转化代价函数初始化参数正则化代价函数反向传播Sigmoid的梯度函数随机初始化反向传播梯度检测正则化神经网络参数优化可视化隐含层参考文章神经网络上一次练习中，实现了前馈神经网络，并用于预测手写数字，在本练习中，我们将实现反向传播算法来学习神经网络的参数可视化数据这部分实现随机选取100个样本并可视化。训练集共有5000个训练样本，每个样本是20
Hyxx.·2022-12-05 13:23

专项一：深度学习与神经网络-第二周

2.逻辑回归基本与机器学习的逻辑回归类似，只是表达参数的方式不同：吴恩达机器学习-第三周神经网络中通常X特征的布置方式为n×mn\ti
Sansui_Meng·2022-12-05 13:49

【深度学习】吴恩达深度学习-Course2改善深层神经网络：超参数调试、正则化以及优化-第二周优化算法作业

视频链接：【中英字幕】吴恩达深度学习课程第二课—改善深层神经网络：超参数调试、正则化以及优化参考链接：【中英】【吴恩达课后测验】Course2-改善深层神经网络-第二周测验吴恩达deeplearning.ai
passer__jw767·2022-12-05 13:48

生产系统中的机器学习笔记（二）：选择、训练一个模型

这是我在学习DeepLearningAI上吴恩达老师的《生产系统中的机器学习》课程过程中的笔记。这一系列课程的质量很高，学习中受益匪浅。
Little-Tortoise·2022-12-05 11:49

吴恩达机器学习课后习题——kmeans

机器学习练习7-K-means实现K-means聚类，并使用它来压缩图像。我们将从一个简单的2D数据集开始，以了解K-means是如何工作的，然后我们将其应用于图像压缩。我们还将对主成分分析进行实验，并了解如何使用它来找到面部图像的低维表示。kmeans实施和应用K-means到一个简单的二维数据集，以获得一些直观的工作原理。K-means是一个迭代的，无监督的聚类算法，将类似的实例组合成簇。该算
一舟yz·2022-12-05 10:52

吴恩达深度学习之五《序列模型》学习笔记

一、循环序列模型1.1为什么选择序列模型如图所示是一些序列数据的例子1.2数学符号如图所示，我们用表示一个序列的第t个元素，t从1开始NLP中一个单词就是一个元素（又称时间步或时间戳）用表示序列的长度，或说元素个数比如就是第i个样本的特征序列的第t个元素，同理有再比如表示第i个样本特征序列的长度，同理有，如图所示的是如图所示，如何表示一个单词呢一个可行的方法是预先设置一个字典或者说词表对每一个单词
Umikaze_·2022-12-05 10:58

2020-11-16 吴恩达DL学习-C5 序列模型-W3 序列模型和注意力机制

1.视频网站：mooc慕课https://mooc.study.163.com/university/deeplearning_ai#/c2.详细笔记网站(中文)：http://www.ai-start.com/dl2017/3.github课件+作业+答案：https://github.com/stormstone/deeplearning.ai第三周序列模型和注意力机制Sequencetose
没人不认识我·2022-12-05 09:54

吴恩达深度学习课程学习笔记10

Seq2seq你可以把机器翻译想成是建立一个条件语言模型。下图中第一个模型是前两周所建立的模型，这个模型可以让你能够估计句子的可能性，这就是语言模型所做的事情，你可以用它来生成一个新的句子。而机器翻译模型就是下图中的第二个模型那样的，绿色部分表示encoder网络，紫色表示decoder网络，而decoder网络和上方的语言模型几乎一摸一样，机器翻译模型其实和语言模型非常相似，不同在于语言模型，总
weixin_38909710·2022-12-05 09:23

吴恩达《深度学习》第五门课（3）序列模型和注意力机制

3.1序列结构的各种序列（1）seq2seq：如机器翻译，从法文翻译成英文，将会是下面这样的结构，包括编码网络和解码网络。（2）imagetosequence：比如给一幅图像添加描述，如下图中的“一只猫站在椅子上”。同样包括编码网络和解码网络。3.2选择最可能的句子（1）机器翻译的本质就是一个条件语言模型，在给定输入的条件下输出最有可能的句子。（2）这里的条件语言模型与第一周讲的语言模型的区别在于
weixin_30781107·2022-12-05 09:53

吴恩达序列模型学习记录

作业区GRU里面的c和a是相等的，这和LSTM不一样LSTM这里使用的时a和x一起来计算门值（遗忘门，更新门，输出门）,注意使用的tanh和sigmoid注意到上面的这条红线，只要确定的设置了遗忘门和更新门，LSTM就可以很容易把c0传递到右边，这就是为什么GRU和LSTM可以实现才能长时间的记忆的原因什么时候用GRU什么时候用LSTM没有统一的准则，而且在历史上，LSTM也是更早的出现，GRU也
笑给我看·2022-12-05 09:21

Deep Learning | Andrew Ng (05-week3)—序列模型和注意力机制

【第5部分-序列模型-第三周】在吴恩达深度学习视频基础上，笔记总结，添加个人理解。
ZJ_Improve·2022-12-05 09:44

机器学习：使用matlab实现曲线线性回归拟合并绘制学习曲线

数据可视化吴恩达作业常规第一步，数据可视化，这里只可视化了训练集：%Loadfromex5data1:%YouwillhaveX,y,Xval,yval,X
ShadyPi·2022-12-05 09:07

吴恩达Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第.

Practicequiz:Reinforcementlearningintroduction第1个问题：Youareusingreinforcementlearningtocontrolafourleggedrobot.Thepositionoftherobotwouldbeits_____.【正确】state第2个问题：YouarecontrollingaMarsrover.Youwillbev
ZhemgLee·2022-12-04 20:24

吴恩达Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第.

吴恩达Coursera,机器学习专项课程,MachineLearning：UnsupervisedLearning,Recommenders,ReinforcementLearning第三周所有jupyternotebook
ZhemgLee·2022-12-04 20:24

【含课程pdf & 测验答案】吴恩达-机器学习公开课 学习笔记 Week8-1 Unsupervised Learning

吴恩达-机器学习公开课学习笔记Week8-1UnsupervisedLearning8-1UnsupervisedLearning课程内容8-1-1ClusteringUnsupervisedLearning
CodingRae·2022-12-04 20:20

吴恩达Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第.

吴恩达Coursera,机器学习专项课程,MachineLearning：UnsupervisedLearning,Recommenders,ReinforcementLearning第二周所有jupyternotebook
ZhemgLee·2022-12-04 20:18

Python利用BFS DFS UCS 贪婪 A*算法解决八数码问题

为了完成人工智能与机器学习实验报告。。。
灵烽儿·2022-12-04 17:26

吴恩达机器学习课后lab C1_W1_Lab04_Gradient_Descent_Soln-checkpoint（梯度下降函数运行）

梯度下降函数代码块1代码块2代码块3（计算损失（代价函数））梯度下降函数代码块4代码块1importmath,copyimportnumpyasnpimportmatplotlib.pyplotaspltplt.style.use('./deeplearning.mplstyle')fromlab_utils_uniimportplt_house_x,plt_contour_wgrad,plt_d
天选之喵·2022-12-04 13:56

吴恩达机器学习课后lab C1_W2_Lab01_Python_Numpy_Vectorization_Soln（向量元组）

向量元组创建代码块1（创建）代码块2代码块3代码块4代码块5代码块6代码块7代码块8代码块9代码块10代码块11代码块12代码块13（矩阵的创建）代码块14代码块15代码块16总结代码块1（创建）a=np.zeros(4);print(f"np.zeros(4):a={a},ashape={a.shape},adatatype={a.dtype}")a=np.zeros((4,));print(f
天选之喵·2022-12-04 13:26

吴恩达机器学习课后 lab C1_W1_Lab03_Cost_function_Soln-checkpoint

C1_W1_Lab03_Cost_function_Soln-checkpoint（代价函数）代码块1代码块2代价函数代码块3代码块4（可视化代价函数）代码块5代码块6代码块7总结代码块1importnumpyasnp%matplotlibwidget#这个模块是matplotlib中的GUI模块，可以通过调整bottom来实时改变显示的结果importmatplotlib.pyplotasplt
天选之喵·2022-12-04 13:46

吴恩达卷积神经网络笔记,吴恩达人工智能公开课

吴恩达是个谁吴恩达（1976-，英文名：AndrewNg），华裔美国人，是斯坦福大学计算机科学系和电子工程系副教授，人工智能实验室主任。吴恩达是人工智能和机器学习领域国际上最权威的学者之一。
普通网友·2022-12-04 12:31
上一页 26 27 28 29 30 31 32 33 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他