吴恩达机器学习私人笔记

吴恩达机器学习与深度学习作业目录 [图片已修复]

python3.6(一)吴恩达机器学习作业目录1吴恩达机器学习作业Python实现(一)：线性回归2吴恩达机器学习作业Python实现(二)：logistic回归3吴恩达机器学习作业Python实现(三
Cowry5·2018-10-23 10:59

吴恩达机器学习 - 支持向量机(SVM)

原吴恩达机器学习-支持向量机(SVM)2018年06月24日14:40:42离殇灬孤狼阅读数：218更多个人分类：吴恩达机器学习版权声明：如果感觉写的不错，转载标明出处链接哦~blog.csdn.net
Abai_Snow·2018-10-18 13:13

Coursera-吴恩达-机器学习-第七周-编程作业: Support Vector Machines

本次文章内容：Coursera吴恩达机器学习课程，第七周编程作业。编程语言是Matlab。本文只是从代码结构上做的小笔记，更复杂的推导不在这里。
帅金毛·2018-10-18 11:57

吴恩达机器学习个人笔记(五)-关于机器学习的误差分析

1关于机器学习的改进当我们使用机器学习算法解决实际问题时，可能在得到学习参数后，输入新的数据后效果不是很理想。即运用训练好了的模型来预测未知数据时发现了较大的误差。那么我们可以采用下面的方法来提高机器学习算法的性能。1.获取更多的训练样本2.尝试减少特征的数量3.尝试获的更多的特征4.尝试增加多项式特征5.尝试减少正则化程度5.尝试增加正则化程度我们不应该随机选择上面的某种方法来改进我们的算法，而
XiaoQQin1·2018-10-16 20:43

吴恩达机器学习训练秘籍整理一到十章（一）

第一到四章：1.为什么选用机器学习策略。机器学习是无数重要应用的基础。2.先修知识与符号标记。有监督学习的经验。了解机器学习。3.驱动机器学习发展的原因。数据的可用性和计算规模。传统算法和神经网络算法在数据集较小的情况下区别不大，但是随着数据集的增加和网络层数的加深，效果会越来越好。假设我们要做的产品是一个APP，用户上传图片我们来自动的找到图中有猫的照片。第五章：这一章主要介绍测试集，开发集和训
donkey_1993·2018-10-16 13:26

过拟合以及解决办法

如图所示（图片来源：coursera吴恩达机器学习公开课）从图中可以看出，图一是欠拟合，模型不能很好地拟合数据；图二是最佳的情况；图三就是过拟合，采用了很复杂的模型。
野心家·2018-10-14 10:15

吴恩达机器学习（十五）大规模机器学习（Batch、Stochastic、Mini-batch gradient descent、MapReduce）

目录0.前言1.StochasticGradientDescent2.Mini-batchGradientDescent3.MapReduce4.在线学习（onlinelearning）学习完吴恩达老师机器学习课程的大规模机器学习，简单的做个笔记。文中部分描述属于个人消化后的理解，仅供参考。如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~0.前言已知梯度下降算法，当数据集很大时，每
I can丶·2018-10-13 16:38

吴恩达机器学习笔记-支持向量机

优化目标之前的课程有学习过Logistic回归的假设函数：$$h_\theta(x)=\frac{1}{1+e^{-\theta^Tx}}$$其图像如下：从图像可以看出，如果$y=1$的话，那么我们希望$h_\theta(x)\approx1$，那么$\theta^Tx>>0$;如果$y=0$的话，那么我们希望$h_\theta(x)\approx0$，那么$\theta^Tx=1$(并不是仅仅大
CareyWYR·2018-10-12 00:00

吴恩达机器学习--学习笔记：线性回归回顾

第三章：线性回归回顾本章是是一些比较基础的数学问题，主要是在后面章节案例中引入多特征时所必须掌握的基本数学技巧，所以吴老师在第三章带我们一起回顾了些；这里我就不做过多总结和分享，只列举一些基本知识点概念，作为学习笔记；1、矩阵（matrix）、向量（vector）矩阵是由数字组成的矩形阵列，并写在大方括号里，如：,这是一个2x3的矩阵；向量是一个比较特殊的矩阵，它只有一列，即一个nx1的矩阵被称为
Ysp_0316·2018-10-11 22:03

Coursera-吴恩达-机器学习-第六周-编程作业: Regularized Linear Regression and Bias/Variance

本次文章内容：Coursera吴恩达机器学习课程，第六周编程作业。编程语言是Matlab。学习算法分两部分进行理解，第一部分是根据code对算法进行综述，第二部分是代码。
帅金毛·2018-10-01 20:39

吴恩达机器学习--学习笔记：单变量线性回归

第二章：单变量线性回归本章主要通过单变量线性回归算法的例子，阐述了机器学习的原理了，以及算法实现过程；其中涉及的概念有：假设函数、代价函数、目标函数、梯度下降等概念；本章以房屋价格问题为案例，进行学习；再次明确下我们的算法目的：找到一个函数，能够很好的计算出房价与面积的关系；按照机器学习的定义：这里的任务T是根据面积计算房价，经验E是已知的样本数据-房价与面积，性能测定P是计算结果与真实价格的差值
Ysp_0316·2018-10-01 16:03

吴恩达机器学习个人笔记(一)-线性回归

1单变量线性回归(LinearRegressionwithOneVariable)1.1假设方程(Hypothesis)线性回归属于监督学习，大致是根据给定的数据集训练出一个线性模型，构造成功后，输入一个新的数据后，会输出一个确却的值。比如预测一个地区的房价，给定一个数据集包含房子的大小和房价，当需要预测一个房子的价格时，模型就会预测出一个确却的值。回归一词指的是，我们根据之前的数据预测出一个准确
XiaoQQin1·2018-09-29 10:08

Coursera-吴恩达-机器学习-第五周-编程作业: Neural Networks Learning

本次文章内容：Coursera吴恩达机器学习课程，第五周编程作业。编程语言是Matlab。学习算法分两部分进行理解，第一部分是根据code对算法进行综述，第二部分是代码。
帅金毛·2018-09-27 23:13

吴恩达机器学习--学习笔记：初识机器学习

第一章：初识机器学习本章包含了四个视频课程，主要介绍了什么是机器学习，当今生活中那些场景已经用到了机器学习，机器学习适合解决哪些问题；以及机器学习、深度学习、监督学习、无监督学习，回归问题、分类问题等概念关于学习算法：使用浏览器搜索新闻、手机中的相册自动对照片分类、邮箱的垃圾邮件拦截等，这些功能都在使用学习算法。为什么学习算法会这么重要？你会发现，当你想让一个物体从A点移动到B点时，可以很容易的通
Ysp_0316·2018-09-27 23:35

吴恩达机器学习（七）神经网络（反向传播）

目录0.前言1.代价函数（CostFunction）2.反向传播（backpropagation）3.前向传播和反向传播的结合4.梯度检测（gradientchecking）5.随机初始化学习完吴恩达老师机器学习课程的神经网络，简单的做个笔记。文中部分描述属于个人消化后的理解，仅供参考。如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~0.前言上一篇文章中，介绍了神经网络的前向传播（
zhq9695·2018-09-27 15:51

吴恩达机器学习笔记-机器学习系统设计

确定执行的优先级我们已经学习过一些机器学习的算法，那么如何设计一个机器学习系统呢，课程中举了一个垃圾邮件分类器的例子，例子比较简单这里就不再赘述：那么如何来提升这个分类器的准确度呢？有下面几个建议：收集更多的数据增加更复杂的特征（比如邮件头）开发更复杂的算法来鉴定错误拼写误差分析如果你准备研发一个机器学习应用，下面有一些关于开发的一些建议：其中误差分析不一定会对改善算法的表现有帮助，唯一的办法是尝
CareyWYR·2018-09-27 00:00

机器学习概览2

---吴恩达机器学习是一项能帮助计算机从现有数据中学习，以便预测未来的行为，结果和趋势的数据科学技术。---微软-机器学习利用历史数据进行预测-机器学习是如何工作的-机器学习
菜鸟-朋子·2018-09-26 19:40

吴恩达机器学习笔记-应用机器学习的建议

评估假设我们之前已经学习过一些机器学习的算法，现在我们来谈谈如何评估算法学习得到的假设。当发现预测的结果和实际的数据有误差的时候，我们需要进行一些调整来保证预测的准确性，大部分情况下，有以下几种办法来调整假设函数：获取更多的训练集减少特征的数量尝试使用更多的特征尝试使用多项式特征增大或减小lambda假设函数相对于训练集可能得到的误差很小，比如在过拟合的情况下，这时候就不能肯定假设函数是准确的。因
CareyWYR·2018-09-26 00:00

机器学习笔记（参考吴恩达机器学习视频笔记）11_支持向量机

11支持向量机11.1支持向量机的优化目标从逻辑回归开始展示我们如何一点一点修改来得到本质上的支持向量机。如图，一个y=1的样本，希望趋近于1，意味着当趋近于1时，应当远大于0。一个y=0的样本，希望趋近于0，意味着当趋近于0时，应当远小于0。表示一个训练样本所对应的表达式。y=1时，（1-y）为0，此时得到，在这个前提下命名一个新的代价函数，记为，它与曲线非常相似，先是一条斜线，当z大于1后变为
Gary.fu·2018-09-25 10:07

吴恩达机器学习笔记-反向传播算法练习

直观感受反向传播的概念上篇文章讲述了神经网络的反向传播算法的基本概念，现在来详细的对此算法进行一些讲解。回忆一下神经网络的代价函数：如果我们只考虑一个简单的只有一个输出单元的情况，即k=1，那么代价函数则变成：直观的说，$\delta_j^(l)$项表示在第l层中第j个单元的误差。更正式的说，$\delta$的值实际上是代价函数的导数。$$\delta_j^(l)=\frac{\partial}{
CareyWYR·2018-09-25 00:00

吴恩达机器学习13--支持向量机(Support Vector Machines)

第13章支持向量机(SupportVectorMachines)一，优化目标(Optimizationobjective)SVM也是广泛的应用于工业界和学术界的监督学习算法。类似于logistic的代价函数，SVM的代价函数如图是斜直线加上平直线。所以是类似的，在之后的优化问题中，这会变得更坚定，并且为支持向量机，带来计算上的优势。例如，更容易计算股票交易的问题等等。二，直观上对大间距的理解人们有
Margo_Zhang·2018-09-20 20:28

机器学习 吴恩达 课程笔记（自用，持续更新）

机器学习吴恩达简介课程地址：吴恩达机器学习--网易云课堂本笔记为自用笔记，因此只记录了自己觉得重要的部分，所以不建议想要系统学习的人阅读此笔记。
Dvvvvva·2018-09-18 21:36

机器学习 吴恩达 课程笔记（自用，持续更新）

机器学习吴恩达简介课程地址：吴恩达机器学习--网易云课堂本笔记为自用笔记，因此只记录了自己觉得重要的部分，所以不建议想要系统学习的人阅读此笔记。
Dvvvvva·2018-09-18 21:36

吴恩达机器学习1.3 监督学习----详细笔记及心得

在给出正式的监督学习的定义之前，吴先讲解了一个例子，房价预测，具体如图所示：其中横轴表示的是不同平方英尺数的房子，纵轴是不同房子的价格假如朋友有一套750平方英尺的房子，他想卖掉，能卖多少钱。学习算法可以帮我们模拟一条直线，然后估计750时，房价大约是150k，但是如果我们模拟的是二次曲线，那么房价可以卖到200k，那应该选择直线模拟还是二次函数拟合数据，哪种方式都不会让房子卖得好，这就是监督学习
小鱼儿-电子科技大学·2018-09-16 22:01

吴恩达机器学习1.2机器学习的定义-----详细笔记及心得

机器学习没有明确定义，ArthurSamuel给出的定义是：fieldofstudythatgivescomputerstheabilitytolearnwithoutbeingexplicitlyprogrammed.（在没有明确编程下，让计算机具有学习能力的研究领域；之后tom给的定义：awell-posedlearningproblemisdefinedasfollows,(一个适当的学习问
小鱼儿-电子科技大学·2018-09-16 22:53

吴恩达机器学习知识1.1机器学习的例子----详细笔记及心得

（其实自己研究生摸索一年了，也很心塞，自己在搞自然语言处理，想把这些基础知识重新过一遍，和大家一起学习）第一章的课时1主要涉及到一下内容主要涉及的是机器学习在生活中的一些例子：在用google或者bing搜索的时候，能够得出自己想要的答案，就是用了学习算法，苹果手机相册和facebook能识别出朋友的图片，这也是机器学习；在收到邮件的时候，能够过滤点很多垃圾邮件，也是机器学习；这门课，我们会学习机
小鱼儿-电子科技大学·2018-09-15 21:35

Coursera-吴恩达-机器学习-第二周-编程作业: Linear Regression

ProgrammingExercise1:LinearRegression.0Introduction本片文章内容：Coursera吴恩达机器学习课程，第二周编程作业。语言是Matlab。
帅金毛·2018-09-13 17:57

吴恩达机器学习笔记8——正则化Regularization

第8章正则化Regularization1，过拟合（theproblemofoverfitting）欠拟合，过拟合过多的特征变量，很少的训练样本，会引起正则化。有两种方法处理过拟合的问题，一个是减少特征的数量，人为选择去除部分特征或者模型选择算法，用算法来选择特征；另一个是正则化，保留所有的特征，但是可以减小某个特征的幅度或者值。2，代价函数加入惩罚项，从1到100，一般不用对theta_0加惩罚
Margo_Zhang·2018-09-04 22:05

吴恩达机器学习笔记（2）——单变量线性回归（Univariate linear regression）

一、模型描述上一章已经通过卖房价格的模型简单介绍了什么是回归：我们尝试将变量映射到某一个连续函数上。这章我们将这个问题简单地量化为单变量线性回归模型（Univariatelinearregression）来理解它。PS：监督学习最常见的两类问题：1、回归：预测一个具体的数值输出2、分类：预测离散值输出先来看这个过程是如何进行的：其中，h表示假设函数：θ是参数，下一节我们谈谈如何选择这两个参数值。二
阿尔基亚·2018-08-27 11:07

吴恩达机器学习第四次作业：神经网络

这是习题和答案的下载地址，全网最便宜，只要一积分哦~~~https://download.csdn.net/download/wukongakk/10602657这是我总结的网课里有关神经网络的笔记，不要积分的~~~https://blog.csdn.net/WukongAKK/article/details/817469160.综述神经网络的练习，比work3part2更加全面，包括了反向传播，
GaoJieVery6·2018-08-17 20:17

吴恩达机器学习第三次作业：多类别区分与神经网络part2

这是习题和答案的下载地址，全网最便宜，只要一积分哦~~~https://download.csdn.net/download/wukongakk/10602657这是我总结的网课里有关神经网络的笔记，不要积分的~~~https://blog.csdn.net/WukongAKK/article/details/81746916Part20.综述这里用神经网络对手写字体进行预测，其中的参数（权重）矩
GaoJieVery6·2018-08-16 20:48

吴恩达机器学习第三次作业：多类别区分与神经网络part1

这是习题和答案的下载地址，全网最便宜，只要一积分哦~~~https://download.csdn.net/download/wukongakk/10602657Part10.综述识别手写数字。（最后有小彩蛋~~）1.脚本%%MachineLearningOnlineClass-Exercise3|Part1:One-vs-all%Instructions%------------%%Thisfi
GaoJieVery6·2018-08-15 11:32

吴恩达机器学习编程作业

吴恩达机器学习作业（MachineLearning）ProgrammingExercise1:LinearRegression简单热身单变量线性回归2.1.用图显示数据2.2.梯度下降2.3.调试程序2.4
ds稻草人·2018-08-11 11:15

吴恩达机器学习笔记-多元线性回归

本文针对吴恩达机器学习第二周课程多元线性回归部分。
weixin_33701564·2018-08-09 18:57

吴恩达机器学习第二次作业：逻辑回归

0.综述训练集为学生两次考试的成绩和录取情况，要根据训练集做出一个逻辑回归的模型，可以根据考试成绩预测学生的录取情况。1.Plotting在二维坐标图内画出学生成绩的散点图，x和y对应两次考试的成绩。functionplotData(X,y)%PLOTDATAPlotsthedatapointsXandyintoanewfigure%PLOTDATA(x,y)plotsthedatapointsw
GaoJieVery6·2018-08-06 22:31

吴恩达机器学习笔记 —— 13 支持向量机

本章讲述了SVM，相比于《统计学习方法》，从逻辑回归的角度更容易理解了。更多内容参考机器学习&深度学习从逻辑回归来看，看损失值与Z的值的关系：代入原来的是指，可以化简公式：总结来说：如果y=1，我们希望z的值大于等于1，如果y=0，我们希望z的值小于-1，这样损失函数的值都会为0.线性可分的决策边界：但是这种情况对于异常点是非常敏感的，比如有一个红点，那么决策边界就会发生很大的变化。此时希望C不要
xingoo·2018-08-04 20:00

吴恩达机器学习笔记 —— 18 大规模机器学习

本章讲了梯度下降的几种方式：batch梯度下降、mini-batch梯度下降、随机梯度下降。也讲解了如何利用mapreduce或者多cpu的思想加速模型的训练。更多内容参考机器学习&深度学习有的时候数据量会影响算法的结果，如果样本数据量很大，使用梯度下降优化参数时，一次调整参数需要计算全量的样本，非常耗时。如果训练集和验证集的误差像左边的图形这样，就可以证明随着数据量的增加，将会提高模型的准确度。
xingoo·2018-08-04 09:00

机器学习视频

1、吴恩达机器学习视频https://blog.csdn.net/moffy_abo/article/details/79405174（国内）https://www.coursera.org/learn
jasmine_wxy·2018-08-02 11:42

吴恩达机器学习笔记 —— 17 推荐系统

本章讲述了推荐系统相关的知识，比如基于内容的推荐算法、基于协同过滤的推荐算法以及实践中遇到的问题。更多内容参考机器学习&深度学习推荐系统是机器学习在工业界应用最广泛的方向，很多电子商务类、咨询类的平台都在做个性化推荐的工作，通过机器学习的算法让自己的平台个性定制，千人千面。比如我们拥有这样的数据集，其中nu代表用户的个数,nm代表物品的个数，r(i,j)为1代表用户j对物品i有评分，y(i,j)代
xingoo·2018-08-01 21:00

吴恩达机器学习总结三：多变量线性回归

第五章多变量线性回归6、多变量回归方程矩阵形式：7、多变量梯度下降法：这里i表示第i种拟合曲线，因为对一个数据模型进行拟合时我们有很多种曲线作为备选方案，我们一直在做的就是找出其中与真实情况误差最小的曲线。所以先要指定某条拟合曲线，再由此确定它的参数，进而判断是不是最优的，这里的i就指假设拟合的是第i条曲线。下角标j表示拟合曲线的第j个属性，因为这里是多变量拟合，比如房价与地段、楼层、使用年限等都
李攀UESTC·2018-08-01 11:41

吴恩达机器学习笔记 —— 16 异常点检测

本篇介绍了异常点检测相关的知识更多内容参考机器学习&深度学习我感觉这篇整理的很好很用心，可以详细参考：https://blog.csdn.net/Snail_Moved_Slowly/article/details/78826088什么是异常点检测？比如针对飞机的引擎做测试，x1代表温度、x2代表引擎的震动等等，希望判断新生产的引擎是否有问题。如果这个新的引擎在点的中心可能是正常的，如果离大部分的
xingoo·2018-07-31 20:00

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。比如把二维数据降维到一维：或者数据从三维降维到2维。降维的另一个作用就是进行可视化，比如我们的数据有很多维度，如果想要在图形上展示各个数据，分析其关系是很难的。那么就可以把数据降维到二维：降维的问题规划考虑到数据的可分
xingoo·2018-07-30 20:00

吴恩达机器学习笔记 —— 19 应用举例：照片OCR（光学字符识别）

本章讲述的是一个复杂的机器学习系统，通过它可以看到机器学习的系统是如何组装起来的；另外也说明了一个复杂的流水线系统如何定位瓶颈与分配资源。更多内容参考机器学习&深度学习OCR的问题就是根据图片识别图片中的文字：这种OCR识别的问题可以理解成三个步骤：文本检测字符切分字符识别文本检测文本的检测可以用行人的检测来做，思路差不多。我们定义几个固定大小尺寸的窗口，从照片的左上角开始扫描。扫描出来的图像做二
xingoo·2018-07-26 20:00

吴恩达机器学习笔记 —— 14 无监督学习

本章讲述的是第一个无监督的机器学习算法，在无监督的算法中，样本数据只有特征向量，并没有标注的y值。比如聚类算法，它可以用在市场分类、社交网络分析、天体数据分析等等。更多内容参考机器学习&深度学习在做聚类时，最简单的算法就是k-means，一般的流程是:首先随机选择k个聚类中心点遍历所有的样本，选择一个距离最近的中心点，并标记为对应的聚类重新针对类簇计算中心点重复2-3的过程还有一个算法在这次的课程
xingoo·2018-07-25 21:00

吴恩达机器学习笔记 —— 12 机器学习系统设计

本章主要围绕机器学习的推荐实践过程以及评测指标，一方面告诉我们如何优化我们的模型；另一方面告诉我们对于分类的算法，使用精确率和召回率或者F1值来衡量效果更佳。最后还强调了下，在大部分的机器学习中，训练样本对模型的准确率都有一定的影响。更多内容参考机器学习&深度学习机器学习最佳实践针对垃圾邮件分类这个项目，一般的做法是，首先由一堆的邮件和是否是垃圾邮件的标注，如[(邮件内容1,是),(邮件内容2,否
xingoo·2018-07-24 20:00

深度学习笔记（二）：DL资料汇总

吴恩达机器学习、深度学习笔记：百度云https://pan.baidu.com/s/1l5q5BUXBG4CGAM4TlkVtoQ密码：hvo2注：此笔记为黄博主持编写、整理，小编只是借花献佛。
小熊猫3·2018-07-24 16:14

吴恩达机器学习笔记 —— 11 应用机器学习的建议

本篇讲述了在机器学习应用时，如何进行下一步的优化。如训练样本的切分验证？基于交叉验证的参数与特征选择？在训练集与验证集上的学习曲率变化？在高偏差或者高方差时如何进行下一步的优化，增加训练样本是否有效？更多内容参考机器学习&深度学习如果已经创建好了一个机器学习的模型，当我们训练之后发现还存在很大的误差，下一步应该做什么呢？通常能想到的是：1获取更多的数据2尝试选择更少的特征集合3获得更多的特征4增加
xingoo·2018-07-23 20:00

吴恩达机器学习笔记 —— 10 神经网络参数的反向传播算法

本篇讲述了神经网络的误差反向传播以及训练一个神经网络模型的流程更多内容参考机器学习&深度学习神经网络可以理解为两个过程：信号的正向传播和误差的反向传播。在正向的传播过程中，计算方法为Sj=wijxi+bj，其中i是样本、j是层数。然后xj=f(Sj)，f为激活函数。引入激活函数的原因是可以带来一定的非线性特性。由于样本的y是在最后一层输出的，因此在计算误差的时候，需要从最后一层开始计算、针对与之关
xingoo·2018-07-22 15:00

吴恩达机器学习笔记 —— 9 神经网络学习

本章讲述了神经网络的起源与神经元模型，并且描述了前馈型神经网络的构造。更多内容参考机器学习&深度学习在传统的线性回归或者逻辑回归中，如果特征很多，想要手动组合很多有效的特征是不现实的；而且处理这么大的特征数据量，计算上也很复杂。神经网络最开始起源于生物信息中的大脑，在上世纪80-90年代的时候很火，后来就没什么消息了。在神经网络中，充满了下面的这种神经元，信号从树突中传进来，经过细胞核，然后沿着轴
xingoo·2018-07-20 23:00

利用Python实现高斯混合模型（GMM）

前言之前将网易公开课上吴恩达机器学习视频中高斯混合模型（GMM）及其EM算法反反复复看了几遍之后并将所有公式重新推导了一遍，现在利用Python进行手写进一步加深理解。
追梦者_AIer·2018-07-20 16:09
上一页 30 31 32 33 34 35 36 37 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他