吴恩达机器学习私人笔记

吴恩达机器学习ex3:多类分类

吴恩达机器学习作业三：多类分类知识点回顾：importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltfromscipy.ioimportloadmat1.1Dataset
wssssang·2022-11-29 08:33

吴恩达机器学习ex3 python实现

多分类这个部分需要你实现手写数字（0到9）的识别。你需要扩展之前的逻辑回归，并将其应用于一对多的分类。数据集这是一个MATLAB格式的.m文件，其中包含5000个20*20像素的手写字体图像，以及他对应的数字。另外，数字0的y值，对应的是10用Python读取我们需要使用SciPyimportnumpyasnpimportpandasaspdimportmatplotlib.pyplotasplt
枸杞仙人·2022-11-29 08:03

吴恩达机器学习ex3:逻辑回归解决多分类

用逻辑回归解决多分类多分类实际上就是二分类的拓展,需要训练多个分类器,最终选取分类出来概率最高的那个分类器就是预测结果。用梯度下降算法优化最小函数求解多分类importscipy.ioassioimportnumpyasnpimportmatplotlib.pyplotaspltdefload_data():data=sio.loadmat("ex3data1.mat")X=data['X']#特
SumFunction·2022-11-29 08:03

吴恩达机器学习ex3多类别分类

数据集ex3data1.mat包含了5000条手写数字的训练样本，每个训练样本是20*20的像素灰度的矩阵。每一个像素值用浮点数来表示对应位置的灰度值，并被展开成400维的向量。即矩阵X中每一行代表一个训练样本。数据集ex3data1.mat中还包含了向量y，包含5000个样本的标签。importrandomimportmatplotlib.pyplotaspltimportnumpyasnpim
Ryan518000·2022-11-29 08:27

【吴恩达机器学习】Week4 编程作业ex3——多分类任务和神经网络

Multi-classClassification1.数据预处理和可视化dispalyData.mfunction[h,display_array]=displayData(X,example_width)%DISPLAYDATADisplay2Ddatainanicegrid%[h,display_array]=DISPLAYDATA(X,example_width)displays2Ddata
辰阳星宇·2022-11-29 08:51

吴恩达机器学习ex3

第一部分多分类问题题目介绍：使用逻辑回归识别0到9的手写数字数据集：5000个手写数字的训练样本，每一个训练样本都是20像素×20像素的灰度图像的数字，每个像素由一个表示该位置灰度强度的点编号表示，这个20x20的像素网格被“展开”成一个400维的向量。每一个训练样本都是矩阵X的一行数据，这就得到了一个5000×400矩阵X，其中每一行都是一个手写数字图像的训练示例。训练集的第二部分是一个5000
叶锦小兴·2022-11-29 08:50

吴恩达机器学习ex3-neural network python版

机器学习练习3-多类分类对于此练习，我们将使用逻辑回归来识别手写数字（0到9）。我们将扩展我们在练习2中写的逻辑回归的实现，并将其应用于一对一的分类。让我们开始加载数据集。它是在MATLAB的本机格式，所以要加载它在Python，我们需要使用一个SciPy工具。importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltfromscipy.
nakyoooooo·2022-11-29 08:20

吴恩达机器学习系列课程作业ex3 matlab实现

目录Matlab实现：lrCostFunction.moneVsAll.mpredictOneVsAll.mpredict.mMatlab实现：lrCostFunction.mfunction[J,grad]=lrCostFunction(theta,X,y,lambda)m=length(y);%numberoftrainingexamplestmp=theta;tmp(1)=0;J=-(y'*
d7901699·2022-11-29 08:47

第03周:吴恩达机器学习课后编程题ex3神经网络——Python

1Multi-classClassifification多类分类在本练习中，使用逻辑回归和神经网络识别手写数字（从0到9）。在练习的第一部分，将扩展之前的逻辑回归实现并将其应用到one-vs-all分类。1.1Dataset数据集ex3data1.mat中为您提供了一个数据集，其中包含5000个手写数字的训练示例。2.mat格式意味着数据具有以原生Octave/MATLAB矩阵格式保存，而不是文本
MANDYBOOM·2022-11-29 08:45

吴恩达机器学习ex3任务1代码

importnumpyasnpimportmatplotlib.pyplotaspltimportscipy.ioassiofromscipy.optimizeimportminimize#注意这一行的格式'''函数部分''''''图像化数据'''defplot_100_image(X):sample_index=np.random.choice(len(X),100)#从样本集中随机选取100个
Maturisa·2022-11-29 08:43

吴恩达机器学习ex3任务2代码

importnumpyasnpimportmatplotlib.pyplotaspltfromscipy.ioimportloadmatfromsklearn.metricsimportclassification_report'''函数部分''''''激活函数'''defsigmoid(z):return1/(1+np.exp(-z))'''计算部分''''''数据导入X,y'''data=lo
Maturisa·2022-11-29 08:12

吴恩达机器学习--单变量线性回归【学习笔记】

说明:本文是本人用于记录学习吴恩达机器学习的学习笔记，如有不对之处请多多包涵.作者：爱做梦的90后一、模型的描述:下面的这张图片是对于课程中一些符号的基本的定义:吴老师列举的最简单的单变量线性回归方程:
嵌入式小庄老师·2022-11-28 20:28

【吴恩达机器学习笔记详解】第二章 线性回归的过程

2.1模型描述本章将以线性回归为例子，介绍整个算法的过程，以及算法中过程涉及的计算参数等。这是一个线性回归的例子，当你想要预测一个未知的房价时，要根据给出的所有数据，去寻找一条线来拟合已给的数据，再通过这条线去预测未知的房价。这里描述的是对数据集的介绍，对于监督学习来说，会给定一些数据集如上图所示，其中m代表的是数据的数量，这图中也就是多少列。x代表输入变量，也就是数据集的特征，图中是指房子的大小
爱冒险的梦啊·2022-11-28 20:56

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

吴恩达机器学习笔记（二）——单变量线性回归

1.模型的定义下面我们采用波特兰的一个数据集进行举例，数据展示的是房屋的大小以及对应价格之间的关系，数据如下：对于监督学习，我们通常会有一个数据集，又称为训练集。下面对于一些符号进行定义：m表示训练样本的数量x表示输入变量或者说是特征y表示要预测的目标变量(x,y)表示一个训练样本(x^(i),y^(i))表示特定的第i个训练样本并且对于监督学习的具体流程我们可以从下图清晰的看出：其中h通常称为假
XHHP·2022-11-28 20:26

吴恩达机器学习笔记 —— 5 多变量线性回归

http://www.cnblogs.com/xing901022/p/9321045.html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
喜欢打酱油的老鸟·2022-11-28 20:26

【吴恩达机器学习笔记详解】第四章 多变量的线性回归（多元线性回归）

4.1多变量的假设函数我们之前介绍的线性回归是一个变量（特征）对预测价格的影响，像这个例子中是房子的大小对价格的影响下面会介绍更为复杂的情况就是多个变量（特征）对于房子价格的影响在这个多变量的图中，下面解释了每个符号代表的含义，第二行这个符号代表着第二个的数据的所有特征，也就是粉红色这个框起来的部分，第三行代表的是第i个样本的第j个特征。对于多个特征我们的假设函数也要相对的做出改变，下面是对于多变
爱冒险的梦啊·2022-11-28 20:26

吴恩达机器学习笔记 1单变量线性回归

机器学习（小白通俗理解)机器学习包括监督学习和无监督学习监督学习首先，监督学习，我们所给的数据集由正确答案组成，计算机根据正确数据集对未知样本进行结果预测无监督学习无监督学习，所给数据集并没有正确答案，计算机会自己给数据进行分析分类，将数据分成不同的簇，因而常涉及聚类算法实例：预测房价，通过已有数据集（包含有该市的住房价格），我们根据不同的房屋尺寸的价格来建造数据模型，预测得到所需要的大概价格，这
smile~。·2022-11-28 20:25

【吴恩达机器学习笔记】多变量线性回归

目录前言一、多维特征二、多变量梯度下降1.代价函数2.批量梯度下降算法3.代码演示（未验证）三、特征缩放（帮助梯度下降算法更快收敛）1.为什么要进行特征缩放2.特征缩放的几种方法3.进行特征缩放的注意事项总结前言目前为止，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，例如房间数楼层等，构成一个含有多个变量的模型，引出多变量线性回归问题。一、多维特征增添更多特征后，我们引入一系
关关在干嘛·2022-11-28 20:55

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

《吴恩达机器学习》4 多变量线性回归

多变量线性回归前言一、多变量线性回归二、多元梯度下降法1、特征缩放（featurescaling）2、学习率（Learningrate）3、特征和多项式回归三、线性回归的正规方程解法与对比1、正规方程解法2、梯度下降法和正规方程的对比总结前言前面讲的线性回归（linearregression）是基于单变量的，例如预测房价的例子中，特征值只有房屋面积这一个变量，我们知道可以应用梯度下降法求解。那么多
JockerWong·2022-11-28 20:54

吴恩达机器学习ex1-matlab版学习总结笔记-(2)多变量线性回归

作业任务项一：多变量线性回归预测代码如下：data=load('E:\研究生\机器学习\吴恩达机器学习python作业代码\code\ex1-linearregression\ex1data2.txt'
Tinner_000·2022-11-28 20:24

吴恩达机器学习笔记之多变量线性回归

多变量线性回归从之前的单变量线性回归现在扩展到多变量线性回归，比如通过房子的多个属性来预测它的售价。用n来表示变量的个数，m还是表示训练样本的数量；表示的是输入的是第i个样本，表示的是第i个样本的第j个特征的值。支持多变量的假设h表示为：，也叫做多元线性回归（multivariatelinearregression）为了更方便的表示，使用矩阵乘法可以表示为：为了计算的方便，=1，这样是为了让x和拥
iblue_coffee·2022-11-28 20:54

吴恩达机器学习作业（多变量线性回归）---maxchet

题目描述：在本部分的练习中，您将使用多个变量实现线性回归，以预测食品卡车的利润。假设你是一家餐馆的首席执行官，正在考虑不同的城市开设一个新的分店。该连锁店已经在各个城市拥有卡车，而且你有来自城市的利润和人口数据。您希望使用这些数据来帮助您选择将哪个城市扩展到下一个城市。房屋价格数据集，其中2个变量（房子大小，卧室数量）和目标（房子价格）第一步导入相应的库importnumpyasnp#本次我依旧导
maxchet·2022-11-28 20:54

【吴恩达机器学习笔记】五、逻辑回归

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·2022-11-28 20:23

吴恩达机器学习python作业之单变量线性回归

第一个方法读取数据用的是pandas，第二个方法读数据用的是numpy。第一种方法是梯度下降法，第二种方法是正规方程法。跟着佬们的思路写写改改，如果有错误请私信或评论哦。数据集理解：ex1data1.txt的数据集是两列，第一列是population（自变量x），第二列是profit（因变量y），利用单变量线性回归进行拟合。方法一：梯度下降法参考链接：黄海广博士的github作业链接https:/
abcd1233463457347·2022-11-28 20:51

【吴恩达机器学习笔记】四、多变量线性回归

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·2022-11-28 20:21

吴恩达机器学习笔记（十四）——异常检测

1.问题动机异常检测问题的具体应用其实在我们的生活中很常见，例如我们的飞机制造工厂新生产了一批飞机，我们需要检测这批飞机中是否存在不合格的飞机，这时我们就会应用异常检测。我们通常的做法是构建一个模型，计算p(x)，也就是对x的分布概率建模。我们设定一个阈值ε，当p(xtest)=ε时就判定为合格。飞机异常检测的例子如下图所示：2.高斯分布（正态分布）假设x∈实数，且x的均值为u，方差为σ2，则用数
XHHP·2022-11-28 16:42

「吴恩达机器学习2022」lab_utils_uni加载报错问题

主要内容：1-代码报错语句2-处理办法3-查看Python根目录方法4-Github地址一、代码报错：在学习吴恩达2022年机器学习课程Week1RegressionModel时，计算costfunction，运行下方代码报错。fromlab_utils_uniimportplt_house_x,plt_contour_wgrad,plt_divergence,plt_gradientslab_u
踏下心来学点东西·2022-11-27 17:27

吴恩达机器学习第一讲之‘线性回归’笔记

目录1机器学习（分类简介）2线性回归（linearregression）2.1如何根据样本数据估计模型参数？2.2方程求解方法2.2.1①梯度下降2.2.2②正规方程2.2.3③牛顿法2.3线性回归总结：1机器学习（分类简介）基本原始准备：BigO符号；队列queues，堆栈stacks，二叉树binarytrees；概率（randomvariable，theexpectedvalueofaran
鹅鹅e·2022-11-27 14:52

2022吴恩达机器学习：Advanced Learning Algorithm4.1/4.2

4.1在一个单层中的前向传播以烤咖啡为例主要理解代码到底做了什么，即各层的激活值是如何计算的4.2前向传播的一般实现dense函数作用：输入前一层的激活值，给定当前层的参数，返回本层的激活值作为下一层的输入四个参数：（1）初始输入值：a_in（2）神经元的参数：W,b（3）激活函数：gsequential函数将几个dense顺序串在一起，在神经网络中实现前向传播
m0_54237635·2022-11-27 10:16

吴恩达深度学习：从logistic回归到深层神经网络

注意：这篇文章需要有logistic回归基础，可以参考我的这一篇文章吴恩达机器学习：从单变量线性回归到Logistic回归1.神经网络概念首先我们要了解神经网络的形式，之所以被叫做神经网络，是因为它的工作原理和人的大脑神经相似
若能绽放光丶·2022-11-27 09:56

《吴恩达机器学习》学习笔记008_聚类(Clustering)

http://www.ai-start.com/ml2014/html/week8.html聚类(Clustering)K-Means聚类用μ1μ^1μ1,μ2μ^2μ2,…,μkμ^kμk来表示聚类中心，用c(1)c^{(1)}c(1),c(2)c^{(2)}c(2),…,c(m)c^{(m)}c(m)来存储与第iii个实例数据最近的聚类中心的索引，K-均值算法的伪代码如下：Repeat{for
Stark0x01·2022-11-27 08:49

机器学习笔记（参考吴恩达机器学习视频笔记）12_聚类

12聚类监督学习中，训练集带有标签，目标是找到能够区分正负样本的决策边界，需要根据标签拟合一个假设函数。非监督学习中，需要将无标签的训练数据输入到一个算法，此算法可以找到这些数据的内在结构。一个能够根据数据的内在结构，将它们分成几个不同的点集（或簇）的算法，就被称为聚类算法。聚类算法是一个非监督学习的算法。12.1K-Means算法K-means是以距离作为评价标准的一种聚类算法，即距离越近，相似
Gary.fu·2022-11-27 08:43

Datawhale-Task3决策树算法梳理

.决策树的不同分类算法（ID3算法、C4.5、CART分类树）的原理及应用场景3.回归树原理4.决策树防止过拟合手段5.模型评估6.sklearn参数详解，Python绘制决策树参考：西瓜书cs229吴恩达机器学习课程李航统计学习谷歌搜索公式推导参考
Zzichen_ovo·2022-11-27 03:07

[机器学习学习笔记]单变量的梯度下降

p=18视频课来自b站吴恩达机器学习，第二章单变量的梯度下降代码尝试。
Pinospot·2022-11-26 22:29

吴恩达机器学习系列课程笔记——第十二章：支持向量机(Support Vector Machines)

12.1优化目标https://www.bilibili.com/video/BV164411b7dx?p=70到目前为止,你已经见过一系列不同的学习算法。在监督学习中，许多学习算法的性能都非常类似，因此，重要的不是你该选择使用学习算法A还是学习算法B，**而更重要的是，应用这些算法时，所创建的大量数据在应用这些算法时，表现情况通常依赖于你的水平。**比如：你为学习算法所设计的特征量的选择，以及如
Lishier99·2022-11-26 21:53

机器学习——正则化逻辑回归(分类)编程训练

机器学习——正则化逻辑回归(分类)编程训练参考资料：1.黄海广老师：吴恩达机器学习笔记github本文是吴恩达机器学习课程中的第二个编程训练的第二部分。
苏打水可乐·2022-11-26 20:29

多变量线性回归——梯度下降MATLAB矩阵实现

参考吴恩达机器学习视频，此为其线性回归作业。ex1_2多变量的假设h表示为：代价函数：找出使得代价函数最小的一系列参数。
Phyllis_C·2022-11-26 14:12

2022吴恩达机器学习：Advanced Learning Algorithm2.1/2.2

2.1神经网络中的层工作原理：以2022吴恩达机器学习：AdvancedLearningAlgorithm1中的模型为例，此处的神经网络是逻辑回归的一种版本，因此计算使用的函数是Sigmoid第一层的计算第二层的计算右上角方括号标志层数结果预测输出结果
m0_54237635·2022-11-26 11:42

2022吴恩达机器学习：Advanced Learning Algorithm3.3

3.3构建一个神经网络这是在之前的学习中得到的实现代码：一次计算一层TensorFlow有一种不同的方式来实现前向预测例1：烤咖啡和之前一样，需要创建第一层，第二层。但是现在不需要手动获取第一层的激活值并传给第二层，而是使用Sequential函数将第一层和第二层串在一起形成一个神经网络。然后给出需要训练的数据，调用model实现各种功能。如model.comple(…)、model.fit()、
m0_54237635·2022-11-26 11:42

2022吴恩达机器学习：Advanced Learning Algorithm3.2

3.1TensorFlow中的数据TensorFlow和Numpy如何表示数据numpy表示矩阵：TansorFlow的设计是为了处理非常大的数据集，将数据表示为矩阵形式，TensorFlow内部计算效率会更高print(a1)或者print(a2)得到：tf.Tensor([[0.20.7.0.3]],shape=(1,3),dtype=float32)tf.Tensor([[0.8]],sha
m0_54237635·2022-11-26 11:41

2022吴恩达机器学习：Advanced Learning Algorithm1

1.1课程学习内容：神经网络（深度学习算法）、决策树神经网络：学习工作原理，学习如何进行推断、预测，学习如何训练神经网络1.2神经网络的起源、发展为什么神经网络最近几年才开始起飞？听过课后觉得应该是因为数据太多了吧1.3神经网络是如何工作的例：需求分析通过T-shirt的价格预测其是否是畅销品输入特征是price输出一个概率值，在神经网络中叫激活值上图是对单个神经元的描述，由图知：神经元的简化模型
m0_54237635·2022-11-26 11:02

机器学习基础----基于吴恩达机器学习课程的笔记

写在前面：本篇笔记是对于机器学习课程及其体系的简单梳理，方便以后的查找，涉及的原理解释较少，一些算法的实现和优化待日后补充。机器学习基础文章目录机器学习基础一、监督学习与无监督学习二、回归问题一、函数模型----线性回归二、算法模型（一）梯度下降算法（二）正规方程法三、分类问题先从二分类开始（0或1）：一、函数模型----Logistic回归二、算法模型（一）梯度下降算法多分类：四、过拟合的问题一
W.xyz·2022-11-25 22:07

吴恩达机器学习作业Python实现(八)：异常检测与推荐系统

目录1异常检测1.1高斯分布1.2高斯分布参数估计1.3选择阈值ε1.4高维数据集2推荐系统2.1电影评分数据集2.2协同过滤算法2.2.1协同过滤代价函数2.2.2协同过滤梯度2.3学习模型2.3.1Recommendations3参考文章1异常检测在这部分练习中，你将实现一个异常检测算法来检测服务器计算机中的异常行为，这些特征度量着每个服务器的吞吐量和响应延迟，当你的服务器在运行时，收集了m=
Hyxx.·2022-11-25 21:47

吴恩达机器学习课后作业Python实现(三)：多类分类与前馈神经网络

目录多类分类数据集数据可视化正则化逻辑回归正则化代价函数正则化梯度One-vs-all分类One-vs-all预测前馈神经网络模型表示模型搭建前馈传播与预测参考文章多类分类在本练习中，您将使用逻辑回归和神经网络来识别手写数字(从0到9)。自动手写数字识别在今天被广泛使用——从识别信封上的邮政编码(邮政编码)到识别银行支票上写的金额。这个练习将向您展示如何将您所学到的方法用于这个分类任务。在练习的第
Hyxx.·2022-11-25 21:17

吴恩达机器学习作业Python实现(六)：支持向量机

目录1支持向量机SVM1.1示例数据集11.2高斯核函数支持向量机1.2.1高斯核1.2.2示例数据集21.2.3示例数据集32垃圾邮件分类2.1预处理邮件2.1.1词汇表2.2从邮件提取特征2.3训练SVM参考文章1支持向量机SVM在本练习前半部分，将对各种2D数据集使用支持向量机，通过这些数据集可以更加直观了解支持向量机的工作方式，以及如何在支持向量机中使用高斯核。后半部分，使用支持向量机搭建
Hyxx.·2022-11-25 21:17

吴恩达机器学习作业Python实现(七)：K-means和PCA

目录1K-means聚类1.1K-means实现1.1.1找到最近的质心1.1.2计算质心1.2在示例数据集使用K-means算法1.3随机初始化1.4图像压缩2PCA2.1示例数据集2.2实现PCA2.3PCA降维2.3.1将数据投影在主成分上2.3.2重构数据2.3.3可视化2.4人脸数据集2.4.1对人脸图像使用PCA2.4.2降维参考文章1K-means聚类在本练习中，您将会使用K-mea
Hyxx.·2022-11-25 21:17

吴恩达机器学习课后作业Python实现（一）：线性回归

目录前言单变量线性回归代码实现数据集准备代价函数梯度下降跑模型并预测绘制线性模型及代价函数图多元线性回归代码实现结果图前言写本篇文章的主要目的是记录自己机器学习与Python的学习历程，单变量线性回归在本部分的练习中，您将使用一个变量实现线性回归，以预测食品卡车的利润。假设你是一家餐馆的首席执行官，正在考虑不同的城市开设一个新的分店。该连锁店已经在各个城市拥有卡车，而且你有来自城市的利润和人口数据
Hyxx.·2022-11-25 21:16

吴恩达机器学习笔记-引言

引言日常生活中的机器学习算法使用，例如：使用谷歌或必应进行搜索，谷歌和微软使用良好的学习算法排序网页；使用脸书或苹果，其中的图片分类程序可以认识你朋友的照片；电子邮箱使用时，电子邮件垃圾邮件筛选器可以过滤大量的垃圾邮件。许多AI研究者认为，实现做出一个和人类一样聪明的机器的这个目标最好的方法是通过让机器试着模仿人的大脑学习。智能的机器，即机器可以做很多有趣的事情，如web搜索、照片标记、反垃圾邮件
_4444yl·2022-11-25 20:03
上一页 7 8 9 10 11 12 13 14 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他