吴恩达机器学习私人笔记第17页

西瓜书/南瓜书第一二章总结

接下来的一段时间，会以西瓜书、南瓜书为主，吴恩达机器学习与统计学习方法为辅，对原来学过的一些机器学习算法做一个总结，重点是底层原理和公式推导。

若洲的算法与AI·2022-03-16 07:48

机器学习_吴恩达-总

如数据标注无监督学习：给一大堆数据，让机器自己去寻找当中的规律_2021级_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

魔芋小灰菜·2022-03-15 17:41

【机器学习】聚类分析与主成分分析(附例题源码)

回归【机器学习】神经网络【机器学习】支持向量机文章目录K-means算法直观理解优化目标随机初始化聚类中心个数(K)的选择降维理解降维主成分分析（PCA）直观理解算法步骤压缩重现主成分数量选择注意事项吴恩达机器学习练习

大拨鼠·2022-03-12 08:42

Docker 入门私人笔记（十七）回顾和总结4 - harbor 的关闭和启动

Harbor是一个企业级的Docker私有仓库项目，它本身由多个DockerContainers组成，通过docker-compose管理containers之间的依赖关系。1.安装安装参见官方文档：Harbor-InstallationandConfigurationGuide修改harbor.yml时，需要注意的有：（1）使用https时，要自己生成证书，然后在harbor.yml里配置好证书

·2022-03-10 23:15

Docker 入门私人笔记（十三）构建 Docker 私有仓库之 VMware 的开源仓库 Harbor

两种常用的镜像仓库：Docker官方的仓库registryVMware的开源仓库harbor（内置了registry）harbor的地址：https://github.com/goharbor/h...下载地址：https://github.com/goharbor/h...harbor默认是使用docker-compose启动的，安装docker-compose要使用python-pip：yum

·2022-03-10 19:31

Docker 入门私人笔记（十六）回顾和总结3 - 命令 docker 和 docker-compose 的区别

Docker-Compose项目是Docker官方的开源项目，负责实现对Docker容器集群的快速编排。是harbor的默认容器编排工具。docker命令可以查看和操作宿主机中所有正在运行的容器；docker-compose只能看到和操作由它负责管理的正在运行的容器（本次实操中能看到组成harbor服务的所有容器。此时还并未向harbor提交任何镜像），而看不到也不能操作用docker命令部署的容

·2022-03-10 19:00

Docker 入门私人笔记（十五）回顾和总结2 - daemon.json 控制镜像库的使用

daemon.json是镜像库使用的闸门，必须将私有镜像库地址写入其中，否则就无法pull或push镜像。准备一个用于实验的镜像：192.168.100.151:5000/mycentos[root@k8s-master/data]#dockertagcentos192.168.100.151:5000/mycentos[root@k8s-master/data]#dockerimagesREPO

·2022-03-10 19:00

Docker 入门私人笔记（十四）回顾和总结1 - 在终端登录 harbor

如果想在容器宿主机的终端界面使用命令操作harbor库里的容器，需要先登录，否则无法对容器做pull或者push等操作。登录的用户名和密码就是harbor.yml中定义的用来从harborUI登录的用户名和密码，默认是admin和Harbor12345。当然在登录之前，还要先做一步操作就是在配置文件daemon.json（该文件默认不存在）中添加私有仓库harbor的地址http://192.16

·2022-03-10 19:59

Docker 入门私人笔记（八）使用 Supervisor 管理容器多进程

Supervisor是一个C/S模式的进程管理工具。它使用Python开发。支持Linux/Unix系统，不支持Windows系统。它的功能包含监听、启动、停止、重启一个或多个进程。用Supervisor管理进程，当一个进程挂掉并且被supervisort监听到之后，可以自动将它重新拉起，即做到进程自动恢复的功能，不再需要写shell脚本来控制。实战：制作supervisor镜像1.新建Docke

·2022-03-10 17:45

Docker 入门私人笔记（十二）构建 Docker 私有仓库之 Docker 官方的仓库

两种常用的镜像仓库：Docker官方的仓库registryVMware的开源仓库harbor（内置了registry）Docker官方的镜像仓库是部署在容器中的基于http协议的应用。部署和使用方式如下：Docker官方的镜像仓库部署在registry容器中，查找并下载容器镜像：[root@k8s-master/data]#dockersearchregistryNAMEDESCRIPTIONST

·2022-03-10 17:13

Docker 入门私人笔记（十一）构建 Jenkins 运行环境镜像

基于前文制作的tomcat镜像来制作Jenkins的镜像。1.编辑Dockerfile准备Jenkins安装包：cd/data/dockerfile/app/mkdirjenkinscdjenkinswgethttp://mirrors.jenkins.io/war-stable/latest/jenkins.war编辑Dockerfile，配置如下：#BaseImage指定基础镜像FROMrun

·2022-03-10 17:13

Docker 入门私人笔记（九）构建 JDK+Tomcat 运行环境镜像

实战：制作docker镜像，可以快速部署tomcat1.准备tomcat软件cd/data/dockerfile/runtime/mkdirtomcatcdtomcatwgethttps://archive.apache.org/dist/tomcat/tomcat-8/v8.5.46/bin/apache-tomcat-8.5.46.tar.gz2.准备Dockerfile本次直接使用前面制作的

·2022-03-10 17:41

Docker 入门私人笔记（十）使用 Dockerfile 封装镜像的注意事项

使用Dockerfile封装镜像时务必注意一些细节不要出错，例如其中的ADD命令，在镜像封装过程中即使出错，过程也不会因此中断或者提示，这样很难发现其实已经出错以及难以定位出错的位置，会浪费很多时间。例如：ADD tomcat.ini /etc/supervisord.d/tomcat.iniADD tomcat.ini /etc/supervisor.d/tomcat.ini通常Linux下的应

·2022-03-10 17:41

Docker 入门私人笔记（七）生产镜像构建实战之构建CentOS+SSH镜像

1.Docker镜像分层设计docker镜像有个非常重要的概念：分层。docker镜像是“分层存储”的，Dockerfile中的每一个指令都会生成镜像的一层。例如所有的自定义镜像都需要执行“FROMcentos”，那么这一层只需要第一次下载，后面就都不会下载了。层，从上到下依次是：应用运行环境操作系统2.做一个属于自己公司的镜像实例1：基于centos官方的镜像做一个新镜像，安装常用的基本功能，如

·2022-03-10 16:09

Docker 入门私人笔记（六）使用 Dockerfile 自动构建镜像

1.什么是dockerfile？Dockerfile是一个用来实现自动构建镜像的文本文件，它包含一些固定的参数，当定义好参数的值，就可以使用它自动构建你想要的镜像。包含四要素：基础镜像信息维护者信息镜像操作指令容器启动时执行指令dockerfile参数解释：FROM准备基于哪个镜像构建新镜像MAINTAINER镜像维护者信息，例如姓名或邮箱RUN构建镜像时运行的指令VOLUME指定容器挂载点USE

·2022-03-10 16:34

Docker 入门私人笔记（五）手动构建 Docker 镜像

本文核心内容：基于现有容器手动创建一个镜像。以创建一个nginx的镜像为例。步骤如下。1.使用镜像centos启动一个容器dockerrun--namemynginx-itcentos/bin/bash2.登录容器内安装nginx在阿里云的源中找到epel的地址https://mirrors.aliyun.com/epel/在容器内执行安装：rpm-ivhhttps://mirrors.aliyu

·2022-03-10 15:22

Docker 入门私人笔记（四）Docker 数据卷容器实践

数据卷挂载应用场景：开发测试环境和生产环境。开发测试环境主要是用来挂载代码目录。生产环境主要是用来实现容器数据持久化，防止容器关闭时数据不可访问或者容器被删除时数据丢失。1.开发测试环境挂载数据卷开发人员通常喜欢用办公电脑Windows系统来编写代码，那么怎样将本地的代码快速同步到docker环境中进行测试和打包？以VMware为例，VMware虚拟机的菜单中包含将办公电脑跟Linux虚拟机进行磁

·2022-03-10 14:13

机器学习的1000+篇文章总结

吴恩达机器学习-9-降维PCAhttp://www.ai2news.com/blog/12185/机器学习也有弱点？哪些是机器学习的未解之谜？http://www.ai2news.c

AI牛丝·2022-03-10 07:48

Docker 入门私人笔记（三）Docker 网络映射和数据卷管理

先复习一下docker的基本操作：1.使用镜像启动一个容器，并且容器在后台运行命令：dockerrun-d-P[镜像名]示例：dockerrun-d-Pnginx参数说明：-d是让容器在后台运行。-P是随机的端口映射。命令的执行结果，会返回启动的容器的完整ID（64位数字和字母组成）。示例中，会自动将宿主机的一个随机端口映射到生成的容器中的80端口（nginx的默认端口是80）。2.查看容器日志命

·2022-03-09 09:13

吴恩达机器学习笔记（二）

第三十三课：正规方程（区别于迭代方法的直接解法）对于某些线性回归问题，正规方程会给我们更好的方法来求得参数θ的最优值。不同于梯度下降法的迭代解法，正规方程提供了一种求θ的解析解法，可以直接一次性的求解θ的最优值。常规而言，通过解析法求最小值的时候，一般是求导然后令导数等于零。但是由于这里的θ包含很多不同的特征，所以本质上来说也是只要求偏导然后置零即可。m：是训练样本数量；n：特征变量数，其实是n+

带刺的小花_ea97·2022-02-19 15:34

吴恩达机器学习丨思维导图丨坚持打卡23天——构建知识脉络，回顾总结复盘

Author：AXYZdong自动化专业工科男有一点思考，有一点想法，有一点理性！定个小小目标，努力成为习惯！在最美的年华遇见更好的自己！CSDN@AXYZdong，CSDN首发，AXYZdong原创唯一博客更新的地址为：AXYZdong的博客B站主页为：AXYZdong的个人主页文章目录0.前言1.思维导图使用说明2.思维导图主要内容3.思维导图正文0.引言（Introduction）1.单变量

AXYZdong·2022-02-14 07:29

【机器学习】神经网络识别手写数字（附python源码）

专栏持续更新中，欢迎订阅~Linux数据结构与算法机器学习文章目录非线性假设神经元与大脑正向传播：向量化实现神经网络中的特征值代价函数反向传播算法梯度检测训练神经网络过程总结吴恩达机器学习练习4源文件领取非线性假设我们先来说一下在有线性回归和

大拨鼠·2022-02-13 07:41

第七章 Logistic 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·2022-02-12 10:47

吴恩达机器学习系列1——单变量线性回归

今天是第二部分——单变量线性回归，即监督学习中基于单个特征输入的线性回归算法。该部分主要了解的内容是单变量线性回归算法的模型表示，损失函数以及用于求解的梯度下降方法，这实际上也展示了一个完整的监督学习过程。1、ModelRepresentation在了解模型表示之前，我们需要明确监督学习算法的工作方式。正如之前所言，学习算法就是从数据中产生模型的算法，因此我们首先需要有一个数据集即训练集，然后将训

飞奔的小鱼儿·2022-02-10 20:00

2021梦想清单之日语学习精进，考出N2

这个平台在过去一年中，被我当做私人笔记本，其实还是零散记录了些草稿的。无奈自觉实在没啥发布的价值。然而一年过去，生成的总结里是0篇还是令

莹莹微光·2022-02-05 13:59

何可言？

如为自思自悟记于私人笔记，尚可做，即使有些各种所谓负面，各种与所外之世有悖，也是一种宣泄。图片发自App然当公开而布时，则需细分析之，极正，极负均可明分。

云淡忘了汉长安斗城楼阁台原民·2022-02-04 17:36

Gradient Descen-multivariate（吴恩达机器学习：梯度下降在线性模型的应用）

多变量（multivariate）题目：预测房价(吴恩达机器学习课后题链接放在最后)输入

Algorithm-·2021-11-27 11:22

Gradient Descen-univariate（吴恩达机器学习：梯度下降在线性模型的应用）

LinearRegression中的应用单变量（univariate）题目：预测利润处理Trainingset输入输出的数据提取并转换成矩阵形式损失函数求解梯度下降算法可视化预测单变量（univariate）题目：预测利润(吴恩达机器学习课后题链接放在最后

Algorithm-·2021-11-27 11:12

吴恩达机器学习第二次作业-逻辑回归（python实现）

这次作业的目的是运用课程上所学的逻辑回归方法（是二元分类问题）以及正则化处理方法的应用。这篇blog记录的我作业答案以及在做作业过程中遇到的一些问题(程序大部分是自己编写的,如果有同学熟悉pandas和scipy,有一些功能是可以调用这些工具包里面的标准函数实现的)。欢迎各位同学一起交流学习，如有错误欢迎批评指正。一、回顾一下逻辑回归与正则化处理的主要内容1、逻辑回归（1）分类问题与回归拟合问题不

ScarLeTzzz·2021-10-24 23:55

吴恩达机器学习编程作业ex8 Part1 Anomaly Detection

一、程序及函数1.引导脚本ex8.m%%MachineLearningOnlineClass%Exercise8|AnomalyDetectionandCollaborativeFiltering%%Instructions%--------------------------------------------------------------%%Thisfilecontainscodetha

Polaris_T·2021-10-20 14:34

苏东坡

一直想写苏东坡，迟迟不敢下笔，龙吟《万古风流苏东坡》用了二十年，林语堂先生也是翻阅了大量的史料，苏东坡与友人来往的手札还有私人笔记等。

律楷粑粑·2021-09-15 20:41

吴恩达机器学习作业（八）——异常检测和推荐系统

异常检测参考资料：https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes先看数据：importnumpyasnpimportmatplotlib.pyplotaspltfromscipyimportstatsfromscipy.ioimportloadmatimportmathdata=loadmat('data/ex8data1.mat')#

挂科难·2021-08-08 17:16

【吴恩达机器学习】第九周—异常检测和推荐系统

31.jpg1.异常检测1.1问题的动机异常检测，Anomalydetection，常用于非监督学习，让我们用一个飞机引擎的异常检测例子来说明。假想你是一个飞机引擎制造商，当你生产的飞机引擎从生产线上流出时，你需要进行QA(质量控制测试)，而作为这个测试的一部分，你测量了飞机引擎的一些特征变量，比如引擎运转时产生的热量，或者引擎的振动等等。假设此处有2个特征x1,x2。m个数据样本从，将样本和特征

Sunflow007·2021-06-27 19:42

【吴恩达机器学习】第五周—神经网络反向传播算法

31.jpg第五周—神经网络、反向传播算法和随机初始化1.神经网络的损失函数神经网络模型中损失函数/代价函数和之前的逻辑回归模型中的损失函数有什么区别？先回顾下正则化的逻辑回归模型：损失函数：1562925073373-a124c37c-96e4-4eea-b374-1d0d9f06eac2.png梯度下降算法：1562925085426-f5702e05-d74b-4baa-b12a-2bb25

Sunflow007·2021-06-26 01:17

吴恩达机器学习课后作业——偏差和方差

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·2021-06-24 10:42

随机投影与ICA

点击此处可获得课程优惠券）coursera--吴恩达机器学习(PS:吴恩达的机

Spinggang·2021-06-24 02:33

第十九章应用实例：图片文字识别(Application Example: Photo OCR)

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·2021-06-21 08:11

吴恩达机器学习—逻辑回归

在求costfunction中的参数J的时候，先求J后求cost。若后求J的话，已经迭代生成了最佳的θ求出来的当然是0.做题的时候，先画出来样本分布，然后判断是否能够线性分类。不能的话，需要使用featureMapping技巧，将少量特征映射到多样特征中。效果如上做正则化的时候记得去掉第一列特征值！！！正则化后的代价函数正则化后的梯度，注意θ是从第二行开始的当lambda=0的时候，即没有正则化当

Allen的光影天地·2021-06-21 01:10

带你少走弯路：五篇文章学完吴恩达机器学习

本文是吴恩达老师的机器学习课程[1]的笔记和代码复现部分，这门课是经典，没有之一。但是有个问题，就是内容较多，有些内容确实有点过时。如何在最短时间学完这门课程？作为课程的主要翻译者和笔记作者，我推荐把精华部分进行学习，这样进度会快一点。作者：黄海广[2]时间不多的朋友可以按照以下五篇文章的笔记和作业代码（原课程作业是OCTAVE的，这里是复现的Python代码）进行学习，快速入门机器学习，避免走弯

视学算法·2021-06-20 04:42

机器学习笔记（吴恩达机器学习教程）

总体学习方案章节测试答案课程每个章节的测试答案可以到我的githup上下载1线性代数相关知识参考吴恩达机器学习的week1内容，关于线性代数讲解https://www.coursera.org/learn

hgjsj·2021-06-20 04:08

2021-06-14 【与写作的交织爱恨】

自从新工作都是用公司配备的笔记本办公，回到家几乎都没打开过待机的私人笔记本，期待的翻开它我的小宝贝，屏幕却被指纹和各种脏乱的痕迹布满。我便迫不及待的拿出眼镜布，精心擦拭，直到洁净如镜，没有一丝痕迹。

水仙与恶魔Slog·2021-06-15 00:04

2018前哨大会提及公司名单

本篇特意梳理出这些公司，以备学习：关于2018前哨大会精华笔记，请移步微信公众号：晓寒私人笔记全干货|2018前哨大会精华笔记趋势内相关企业

羽絮·2021-06-13 18:18

支持向量机-SVM

点击此处可获得课程优惠券）coursera--吴恩达机器学习(PS:吴恩达的机

Spinggang·2021-06-13 07:21

吴恩达机器学习——异常检测

本章内容：·15.1问题的动机·15.2高斯分布·15.3算法·15.4开发和评价一个异常检测系统·15.5异常检测与监督学习对比·15.6选择特征·15.7多元高斯分布（选修）·15.8使用多元高斯分布进行异常检测（选修）内容简介：异常检测(Anomalydetection)问题是机器学习算法的一个常见应用，它虽然主要用于非监督学习问题，但从某些角度看，它又类似于一些监督学习问题————主要由p

SCY_e62e·2021-06-07 20:49

吴恩达机器学习——大规模机器学习

一、大规模机器学习二、算法优化ps：诊断1、随机梯度下降1.1原理1.2优缺点1.3学习率与收敛性1.4在线学习2、Mini-Batch梯度下降2.1原理2.2优缺点三、MapReduce和数据并行化—————————————————————————一、大规模机器学习大规模机器学习(LargeScaleMachineLearning)就是指当数据量极大时的机器学习任务。当数据量非常大时，传统的优化

Youngy_·2021-06-07 13:10

吴恩达机器学习作业（二）_python实现

一，必做部分importpandasaspdimportnumpyasnpimportscipy.optimizeasoptimportmatplotlib.pyplotaspltfromsklearn.metricsimportclassification_report#这个包是评价报告defget_X(df):#读取特征ones=pd.DataFrame({'ones':np.ones(len

挂科难·2021-06-04 19:14

吴恩达机器学习练习:神经网络(反向传播)

1NeuralNetworks神经网络1.1Visualizingthedata可视化数据这部分我们随机选取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*20像素的数字的灰度图像。每个像素代表一个浮点数，表示该位置的灰度强度。20×20的像素网格被展开成一个400维的向量。在我们的数据矩阵X中，每一个样本都变成了一行，这给了我们一个5000×400矩阵X，每一行都是一个手写数

·2021-06-04 12:23

吴恩达机器学习笔记（七）——初识神经网络

1.非线性假设对于我们之前学习的逻辑回归，当决策边界明显不是直线的时候，我们就需要使用高阶的多项式去绘制决策边界，但是当特征的数量不断增大，那么计算量也会随之增大，如下图所示，当有100个特征的时候：因此，简单的逻辑回归算法并不适合在特征n很大的情况下学习复杂的非线性假设。而神经网络则是学习复杂的非线性假设的一种好办法。2.神经网络的发展神经网络的出现是起源于人类想去模仿人类的神经系统，但是在早期

XHHP·2021-05-25 17:39

吴恩达机器学习课后作业——逻辑回归（Python实现）