吴恩达机器学习私人笔记第14页

吴恩达机器学习多分类（Multiclass Classification）10

Softmax回归模型1.逻辑回归与Softmax回归，结果值的计算比较2.逻辑回归与Softmax回归，代价函数（costfunciont）的比较损失函数3.神经网络中Softmax的输出Softmax和其他函数的区别是它能够一次性算出a_1到a_10的所有概率，而其他函数一次只能算一个a_j3.数字的舍入错误通过使用下面的表达式来表示损失函数，它为TensorFlow提供了更多的灵活性，如何计

·2022-10-19 19:06

吴恩达机器学习（十三）—— ex5：Regularized Linear Regression and Bias v.s. Variance（MATLAB+Python）

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·2022-10-19 13:34

吴恩达机器学习激活函数sigmoid函数的替代09

1.需求预测的例子2.激活函数的例子线性激活函数有时也被称为无激活函数3.激活函数的选择（1）神经网络的输出层·结果是二元分类问题，一般采用Sigmoid函数·结果是有正有负（如预测明天股票价格的浮动），一般采用线性激活函数·结果只能是正，如（预测房屋的价格），可以采用ReLU函数（2）神经网络的隐藏层现在隐藏层一般采用ReLU函数经验：不要在神经网络的隐藏层中使用线性激活函数。

·2022-10-19 00:10

吴恩达机器学习训练神经网络08

1.逻辑回归训练模型的三个步骤：（1）.第一步：建立逻辑回归模型，指定在给定输入特征X,参数w和b的情况下，计算输出。（2）.指定损失函数（lossfunction）或代价函数(costfunction)。给定损失函数的定义，然后我们定义代价函数，代价函数是参数W和B的函数，这是M个训练样本，计算的损失函数的平均值（x1,y1）到（xm,ym）。注意：·损失函数（lossfunction）是对一个

·2022-10-19 00:09

吴恩达机器学习过拟合与正则化07

·首先这里有解决过拟合的三种方法：·(1).收集更多的训练数据·(2).缩小参数（w,b）的大小--正则化·(3).从原有特征中，挑选出部分特征用于训练*总结：但在实际训练的过程中，如果数据集是一定的，没有办法获得更多的训练数据，并且原有的特征中，不知道该舍弃哪些特征或者不希望舍弃特征，那么就需要使用正则化方法来解决过拟合的问题。1.添加正则化(1).正则化线性回归由上图可以看出：·线性回归的正则

·2022-10-12 20:36

吴恩达机器学习逻辑回归的梯度下降07

1.梯度下降回想一下，梯度下降算法利用了梯度计算:每个迭代在上对所有执行同步更新，·m是数据集中训练示例的数量·是模型的预测,而是目标·逻辑回归模型()是sigmoid函数:2.梯度下降的实现梯度下降算法实现有两个部分:·实现上述式(1)的循环。下面是gradient_descent，通常在选修课和实践实验室中提供给你。·计算偏导数，如上式(2,3)。这是下面的compute_gradient_l

·2022-10-11 20:32

吴恩达机器学习逻辑回归的代价函数06

1.回顾线性回归的平方误差代价函数代价函数，它可以测量出一组特定参数与训练数据的吻合程度，从而为我们提供了一种更好参数的方法，在本节课中，我们会看到平方误差代价函数并不是逻辑回归的理想代价函数。下面我们来看一个不同的成本函数，它可以逻辑回归选择更好的参数训练集平方误差代价函数由下图可知，逻辑回归的平方误差代价函数是非凸代价函数，不是凸的，这意味着，如果使用梯度下降法，因为有很多局部最小值，很容易卡

·2022-10-10 22:47

吴恩达机器学习决策边界05

1.复习Sigmoid函数Sigmoid函数与线性回归函数结合推导过程如下图所示：2.边界函数的例子·决策边界不一定是直线，也可能是其他的曲线例1.这里是有两个变量x1,x2,右上方的X是正样本，左下方的O是负样本。这里我们先给出了参数的值w1=1，w2=1,b=3,当然如果选择不同的参数值，决策边界也会是不一样的线。最终紫色的线为得到的决策边界例2.非线性决策边界，外圈的X是正样本，内圈的O是负

·2022-10-10 20:37

吴恩达机器学习逻辑回归与Sigmoid函数04

1.SigmoidorLogisticFunction我们可以通过使用线性回归模型,,(())=⋅()+,预测。然而，我们希望我们的分类模型的预测在0到1之间，因为我们的输出变量不是0就是1。这可以通过使用“sigmoid函数”来实现，该函数将所有输入值映射到0到1之间的值。正如在讲座视频中讨论的，对于分类任务，我们可以从使用我们的线性回归模型sigmoid或Logistic函数开始2.Formu

·2022-10-10 15:10

Week3吴恩达机器学习逻辑回归分类03

分类问题的例子有:确定邮件是垃圾邮件还是非垃圾邮件，或者确定肿瘤是恶性还是良性。特别地，这些是二元分类的例子，其中有两种可能的结果。结果可以用“正”/“负”来描述，例如“是”/“否”、“真”/“假”或“1”/“0”。分类数据集的图通常使用符号来表示例子的结果。在下面的图中，用“X”表示正值，而“O”表示负结果。通过下面的例子可以看出线性回归的局限性，并不适用于所有问题，于是我们提出了逻辑回归对于分

·2022-10-10 11:32

吴恩达机器学习-K-means/降维

K-均值K-均值算法优化目标随机初始化选择聚类数降维动机一：数据压缩动机二：数据可视化主成分分析问题主成分分析算法选择主成分的数量重建的压缩表示主成分分析法的应用建议K-均值K-均值算法非监督学习中，我们的数据没有附带任何标签y，数据就是这样的我们需要将一系列无标签的训练数据，输入到一个算法中，然后我们告诉这个算法，快去为我们找找这个数据的内在结构给定数据。我们可能需要某种算法帮助我们寻找一种结构

kingsure001·2022-10-05 18:05

吴恩达机器学习总结（二）——Logistic回归和简单的神经网络（附作业）

在线性回归模型中，输入和输出一般都是连续的，对于每个输入x，都有一个对应的输出y，模型的定义域和值域都可以是(−∞,+∞)(-∞,+∞)(−∞,+∞)。而对于分类模型来说，其输入可以是连续的，但它的输出是离散的，即只有有限个输出y。例如，其值域可以只有两个值{0,1}，这两个值可以表示对样本的某种分类，高/低、患病/健康、阴性/阳性等，这就是最常见的二分类问题。二、Logistic回归逻辑回归带有

Anaconda_·2022-09-30 07:27

吴恩达机器学习课程笔记——第一周

吴恩达机器学习课程笔记文章目录吴恩达机器学习课程笔记第一周一、机器学习是什么？

片叶云舟·2022-09-29 19:20

吴恩达机器学习——优化算法（高级算法使用+多类别分类）

其他算法ConjugatedescentBFGSL-BFGS特点：不需要手动计算学习率比梯度下降效率更高缺点：更加的复杂如何调度高级算法优化代价函数Matlab实现方法实例：假设已知代价函数，我们通过代价函数求得了偏导数首先，完成代价函数的实现（代码如下）function[jVal,gradient]=costFunction(theta)jVal=(theta(1)-5)^2+(theta(2)

xclhs·2022-09-29 19:19

吴恩达机器学习——第一周学习笔记

学习参考：吴恩达机器学习第一周机器学习（MachineLearning）机器学习是研究我们的计算机模拟或实现人类的学习行为，来获取新的知识或技能，并且重新组织这些新的知识来改善自身的性能。

Wanidde·2022-09-29 19:18

[机器学习入门笔记] 2. 2022吴恩达机器学习Deeplearning.ai课程（回顾）

文章目录1.监督学习和无监督学习2.线性回归模型3.代价函数4.梯度下降5.多维特征6.多元线性回归的梯度下降7.特征缩放8.判断梯度下降是否收敛9.学习率10.正规方程11.逻辑回归12.决策边界13.逻辑回归的代价函数14.实现逻辑回归梯度下降15.过拟合问题16.正则化17.神经网络17.1需求预测17.2神经网络中的网络层17.3复杂的神经网络17.4神经网络前向传播（手写识别案例）17.

Cyanzzy·2022-09-29 19:48

【吴恩达机器学习2022学习笔记】课程2 --决策树和随机森林

本节将吴文达机器学习最后几章（15.1-17.6）进行了总结1、决策树决策树（decisiontree）：是一种基本的分类与回归方法，其主要包括特征选择、决策树的生成、决策树的修剪。重点是节点的选择以及树的深度（一）节点的选择熵的定义：熵表示随机变量不确定性的度量，熵越大，随机变量的不确定性就越大。在决策树中熵越小分类的越纯净。熵的公式：信息增益：信息增益：表示特征X使得类Y的不确定性减少的程度。

梦想摸鱼·2022-09-29 19:18

吴恩达机器学习笔记——第二周

多变量线性回归假设hθ(x)=θ0+θ1x1+θ2x2+θ3x3+θ4x4h_\theta(x)=\theta_0+\theta_1x_1+\theta_2x_2+\theta_3x_3+\theta_4x_4hθ(x)=θ0+θ1x1+θ2x2+θ3x3+θ4x4为了表示方便，我们定义一个单纯为了计算方便的特征，也就是x0=1x_0=1x0=1.此时hθ(x)=θTxh_\theta(x)=\t

学习飞行的山药·2022-09-29 19:17

吴恩达机器学习系列课程笔记——第十三章：聚类(Clustering)

13.1无监督学习：简介https://www.bilibili.com/video/BV164411b7dx?p=76在这个视频中，我将开始介绍聚类算法。这将是一个激动人心的时刻，因为这是我们学习的第一个非监督学习算法。我们将要让计算机学习无标签数据，而不是此前的标签数据。那么，什么是非监督学习呢？在课程的一开始，我曾简单的介绍过非监督学习，然而，我们还是有必要将其与监督学习做一下比较。在一个典

Lishier99·2022-09-26 22:52

week1第一章（对应22新版一二章）---引言---吴恩达机器学习笔记

第一章---引言（对应22年新版一二章）1-1欢迎1-2机器学习是什么？1-3监督学习1-4非监督学习2022课程新增1-1欢迎本节主要介绍了机器学习是什么，机器学习在诸多应用领域中可以干什么。我们每天都在接触机器学习的算法，比如：谷歌和必应对搜索结果排序，展示我们所需要的内容，正是因为他们有良好的学习算法。手机相册对人物分类，认出我们的朋友。电子邮件系统可以的垃圾邮件筛选。未来的某一天，机器也许

天微亮。·2022-09-26 22:22

机器学习—吴恩达_ 第7周_学习总结

机器学习—吴恩达_第7周_学习总结21.10.18-21.10.24周学习任务：100%回顾吴恩达机器学习前4章节10%神经网络学习一、回顾机器学习前4章节机器学习：用已知的数据集通过数学模型使得程序能够像人一样的去思考

魔芋小灰菜·2022-09-26 22:51

吴恩达机器学习______学习笔记记录#十三、聚类

13.1无监督学习：简介首先介绍聚类算法。那么，什么是非监督学习呢？在课程的一开始，我曾简单的介绍过非监督学习，然而，我们还是有必要将其与监督学习做一下比较。在一个典型的监督学习中，我们有一个带有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，据此拟合一个假设函数。与此不同的是，在非监督学习中，我们的数据没有附带任何标签，我们拿到的数据就是这样的：在这里我们有一系列点，却没有标签。

张某某。paranoia·2022-09-26 22:18

2022吴恩达机器学习第三周

6、逻辑回归6-1、分类问题在分类问题中，你要预测的变量y是离散的值，我们将学习一种叫做逻辑回归(LogisticRegression)的算法，这是目前最流行使用最广泛的一种学习算法。我们从二元的分类问题开始讨论。我们将因变量(dependentvariable)可能属于的两个类分别称为负向类（negativeclass）和正向类（positiveclass），则因变量，其中0表示负向类，1表示正

nousefully·2022-09-26 22:18

2022吴恩达机器学习第一周

借鉴黄海广博士的笔记，链接在此点击用此作笔记，记录学习，方便。1、机器学习1-1、机器学习概念目前存在几种不同类型的学习算法。主要的两种类型被我们称之为监督学习和无监督学习。监督学习这个想法是指，我们将教计算机如何去完成任务，而在无监督学习中，我们打算让它自己进行学习。1-2、监督学习监督学习指的就是我们给学习算法一个数据集。这个数据集由“正确答案”组成。学习从无限多个可能的数字中预测数字回归这个

nousefully·2022-09-26 22:47

2022吴恩达机器学习第二周

吴恩达老师机器学习课程笔记-第二周-知乎机器学习笔记Markdown文件(视频下载地址公布)：https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes笔记目录第一周第二周第三周第四周第五周第六周第七周第八周第九周第十周第2周四、多变量线性…https://zhuanlan.zhihu.com/p/434786575、多变量线性回归5-1、多维变量

nousefully·2022-09-26 22:47

【云原生之Docker实战】使用docker部署Wiznote私人笔记系统

【云原生之Docker实战】使用docker部署Wiznote私人笔记系统一、Wiznote介绍1.Wiznote介绍2.Wiznote特点二、检查docker状态1.检查docker版本2.检查docker

江湖有缘·2022-09-25 14:56

吴恩达机器学习（四）过拟合与正则化

1.过拟合问题（TheProblemofOverfitting）到现在为止，我们已经学习了线性回归和逻辑回归这两种学习算法，它们能够有效地解决许多问题，但是当将它们应用到某些特定的机器学习应用时，会遇到过拟合（over-fitting）的问题，可能会导致学习效果很差。1.1回归问题中的过拟合下图是一个回归问题的例子，如果我们有非常多的特征，我们通过学习得到的假设可能能够非常好地适应训练集（代价函数

Fun'·2022-09-13 07:20

吴恩达机器学习笔记

day2总结：今天学习了线性回归、梯度下降以及梯度下降在线性回归算法中的应用等内容。线性回归算法用来解决有监督问题中的回归问题【算法思想】：用历史经验（x[样本特征],y[样本结果]）来学习一个假设函数h，从而能够在对新样本中的x进行预测得到结果y。用历史数据中的y与假设函数的结果h(x)进行对比，得到代价函数。【假设函数的目标】是不断修改参数theta最终使代价函数达到最小值，即使假设函数的结果

90后程序猿_llj·2022-09-09 07:48

吴恩达机器学习笔记——Day1

观看的视频来自网易云课堂——《吴恩达机器学习》http://吴恩达机器学习-网易云课堂https://study.163.com/course/courseMain.htm?

_____�金·2022-09-09 07:45

吴恩达机器学习_1

NLP学习_Day1NLP学习_吴恩达机器学习_1机械学习定义机械学习分类监督学习（Spervisedlearning）无监督学习（Unsupervisedlearning）NLP学习_吴恩达机器学习_

周木_1·2022-09-09 07:34

吴恩达机器学习笔记——Day2——Octave使用基础

观看的视频来自网易云课堂——《吴恩达机器学习》http://吴恩达机器学习-网易云课堂https://study.163.com/course/courseMain.htm?

_____�金·2022-09-09 07:58

吴恩达机器学习入门课程练习题1 的 Python实现注意事项

本文是使用JupyterNotebook作为Python编辑与实现环境0、版本信息1、吴老师练习题的Python实现代码：2、安装包下载2.1在AnacondaNavigator中，创建tensorflow环境，并配置所需版本2.2在Home页中切换到Tensorflow环境，并重新安装JupyterNotebook2.3切换回Environment中的Tensorflow环境，下载pandas模

Ancky_W·2022-09-07 10:36

[个人笔记]吴恩达深度学习lesson5 week2自然语言处理与词嵌入（Natural Language Processing and Word Embeddings）

YuQiao0303·2022-08-24 15:14

【吴恩达机器学习-笔记整理】设计复杂的机器学习系统（执行的优先级，误差分析，不对称性误差评估，精确度和召回率）

目录：前言一、执行的优先级二、误差分析的思想1、先实现一个简单粗暴的方法，然后手动去寻找优化点2、通过数值，评估算法的效果三、不对称性分类的误差评估四、精确度和召回率的权衡五、机器学习数据❤️❤️❤️忙碌的敲代码也不要忘了浪漫鸭！前言✨你好啊，我是“怪&”，是一名在校大学生哦。主页链接：怪&的个人博客主页☀️博文主更方向为：课程学习知识、作业题解、期末备考。随着专业的深入会越来越广哦…一起期待。❤

怪&·2022-08-24 07:07

【0基础学算法】快速排序(超详细讲解+私人笔记+源码）

目录前言：知识讲解：快速排序重要性：分治法的基本思想：实现步骤：举例：思路：思路一：思路二：快速排序实现：模板：模板的代码实现：实战第一题：快速排序第二题：求第k小的数结尾前言：大家好，这是0基础学算法的第一课，当然这个0基础并不是我们常规意义上的0基础，你需要掌握一点语法知识即可学习此课程，夸张点说会敲“HelloWorld”就行/doge。当然这是一个系列课，我将由简到深的为大家讲解一些算法知

红颜如霜凝结了过往·2022-08-23 07:18

吴恩达机器学习作业一：利用多元线性回归模型实现房价预测（python实现）

吴恩达机器学习作业一：利用多元线性回归模型实现房价预测（python实现）该文是针对吴恩达机器学习作业任务二和任务三中，利用多元线性回归模型实现房价预测以及使用正规方程求得最佳theta的取值，使代价值最小

墨玲珑·2022-08-20 12:12

吴恩达机器学习课后作业1——单变量线性回归（Linear regression with one variable）

1.问题和数据假设你是一家连锁餐车店的老板，但是你又和别的土老板不一样，你又刚好是个懂线性回归，还懂编程的老板，正在考虑在不同的城市开一家新店。该连锁店已经在各个城市开设了餐车，你可以获得这些城市的利润和人口数据。在本部分的练习中，您将透过这些数据，通过单变量实现线性回归，以预测餐车的利润。数据ex1data1.txt内容为一个97行两列(97,2)的数据；其中第一列表示人口数据，第二列表示利润。

学吧学无止境·2022-08-14 20:23

吴恩达机器学习课后作业——多元分类

一、手写多分类一、作业内容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。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)。您将扩展之前的逻辑回归实现，并将其应用于one-vs-all分类。数据集下载位置(包含吴恩达机器学课后作业全部数据集)：data二、作业分析1、数据以.mat格式储存，mat格式是matlab的数据存储格式，按照

荭凯·2022-08-14 20:53

吴恩达机器学习课后作业——支持向量机

1.写在前面吴恩达机器学习的课后作业及数据可以在coursera平台上进行下载，只要注册一下就可以添加课程了。所以这里就不写题目和数据了，有需要的小伙伴自行去下载就可以了。

XHHP·2022-08-14 20:53

吴恩达机器学习课后作业——KMeans和PCA

1.写在前面吴恩达机器学习的课后作业及数据可以在coursera平台上进行下载，只要注册一下就可以添加课程了。所以这里就不写题目和数据了，有需要的小伙伴自行去下载就可以了。

XHHP·2022-08-14 20:53

吴恩达机器学习课后作业

目录01-linearregression线性回归预备知识单变量线性回归（一个特征值）单变量线性回归（多个特征值）单变量线性回归（正规方程）01-linearregression线性回归预备知识假设函数与损失函数：梯度下降函数为了方便运算，我们需要将各个函数计算转为矩阵计算（一）假设函数向量化（二）损失函数向量化（三）梯度下降函数向量化综上单变量线性回归（一个特征值）入口利润#开发人员：肖本杰#阶

Knock man·2022-08-14 20:49

吴恩达机器学习笔记9——神经网络学习

第9章神经网络学习1，非线性假设对于非线性假设，特征数目特别多时，采用logisitic进行分类，容易过拟合，而且计算成本过高。所以要采用神经网络。2，神经元和大脑3，模型展示Ibiasunit偏置单元weightsparameters二者同义词4，模型展示II前向传播模型，向量化。后部分其实就是Logistic回归。输入层也可以是非线性特征。其他的前向传播架构5，例子与直觉理解神经网络中的某个神

Margo_Zhang·2022-08-13 09:40

吴恩达机器学习课后作业——SVM支持向量机

支持向量机一、作业内容在本练习的前半部分，您将对各种示例2D数据集使用支持向量机(svm)。使用这些数据集进行试验将帮助您直观地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。在练习的下一部分中，您将使用支持向量机构建一个垃圾邮件分类器。数据集下载位置(包含吴恩达机器学课后作业全部数据集)：data二、作业分析1、支持向量机(SVM)(鲁棒性，大间距分类器)支持向量机（supportv

荭凯·2022-08-12 07:52

【Andrew Ng机器学习】单变量线性回归-代价函数

课程：吴恩达机器学习代价函数弄清楚如何把最有可能的直线与我们的数据相拟合模型参数我们把0和1称为模型参数而我们要做的就是选择这两个参数值0和1不同的模型参数对应不同的h代价函数的引出在线性回归中，我们有一个训练集如下图

jenye_·2022-08-10 11:50

吴恩达机器学习符号定义下的反向传播算法BP推导

自学笔记，公式简单手写的思想：“正向传播”求损失，“反向传播”回传误差。步骤：首先，它执行图的前向阶段，从输入到输出，去计算节点值，然后是反向阶段，从输出到输入去计算所有的偏导，然后梯度下降修正每层的权重。1.求偏导需要链式法则http://colah.github.io/posts/2015-08-Backprop/2.BP计算具体举例：一文弄懂神经网络中的反向传播法——BackPropagat

wukurua·2022-08-09 07:48

吴恩达机器学习9.2反向传播公式推导

看课看到这一节，算是ML课中相对较难的一节了。因为一下多出来了好几个公式，而且有些公式是通用的，有些公式是因为老师所举例子为sigmoid而得出的结果。今天稍微梳理了一下，推荐先后阅读以下两篇文章。关键把握两个点，一是误差，二是梯度。课上只讲了不考虑偏置时的梯度传播，但第一个文章是包含的。请特别注意第一篇文章所描述的权重Wl是当前层向左边一层的权重传播，而吴恩达老师课上的Wl是当前层向右边一层的传

lzy_seg.·2022-07-31 07:35

吴恩达机器学习中BP神经网络算法公式的详细推导

AndrewNg在他的机器学习课程中讲述bp神经网络时，并没有深究这算法背后的推导过程，只是给了我们一个大体的执行步骤，实现了这个算法但却不知道这个算法背后的原理是件很痛苦的事。在看了知乎、csdn、简书后发现有很多人采用矩阵求偏导之类的推导步骤。诚然，这么干可以使公式变得很紧凑，在编程时也能有效减少代码行数，提高运行效率，但是矩阵形式的推导有两个小小的不足： 1.矩阵、向量的求导、求偏导对

Polaris_T·2022-07-31 07:31

《吴恩达机器学习》9 神经网络参数的反向传播算法

神经网络参数的反向传播算法前言一、代价函数二、反向传播算法1、算法简单解析2、直观理解三、综合应用1、梯度检验2、随机初始化3、综合总结前言BP算法(即反向传播算法)是在有导师指导下，适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上。BP网络的输入输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高

JockerWong·2022-07-31 07:59

吴恩达机器学习（五）神经网络 2/2 —— 反向传播算法（BP-神经网络）

本章目录1.为什么要用反向传播——梯度下降2.反向传播的基础补充——链式法则3.反向传播是什么——直观展示3.1前向传播过程回顾3.2反向传播过程展示3.3小结4.公式推导4.1误差计算——δ\deltaδ4.2梯度计算——误差矩阵ΔΔΔ4.3梯度矩阵——DDD5.反向传播计算过程总结6.补充：权值随机初始化1.为什么要用反向传播——梯度下降上一篇中我们构建了神经网络模型，并推导出其代价函数（见2

Fun'·2022-07-31 07:54

吴恩达机器学习作业4：神经网络(反向传播)（Python实现）

机器学习练习4-神经网路Introduction在本练习中，将实现神经网络的反向传播算法，并将其应用于手写数字识别任务。我们将通过反向传播算法实现神经网络成本函数和梯度计算的非正则化和正则化版本，还将实现随机权重初始化和使用网络进行预测的方法。1NeuralNetworks在前面的练习中，实现了神经网络的前馈传播，并使用它以及我们提供的权重来预测手写数字。在本练习中，您将实现反向传播算法来学习神经

Phoenix_ZengHao·2022-07-31 07:18

推荐频道

吴恩达机器学习私人笔记