吴恩达机器学习私人笔记第9页

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。课程简介课程地址：https://www.coursera.org/course/mlMachineLearning(机器学习)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，

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。课程简介课程地址：https://www.coursera.org/course/mlMachineLearning(机器学习)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性

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

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

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

吴恩达机器学习笔记（十一）——支持向量机

1.优化目标首先从逻辑回归开始讲起，我们会先定义sigmoid函数然后我们根据sigmoid函数绘制出它的图像，如下图所示：基于上面的图像，我们可以得到下面的结论：如果y=1，那么我们期望得到hθ(x)≈1，即要使θTx>>0如果y=0，那么我们期望得到hθ(x)≈0，即要使θTx1时，代价函数是等于0的。从右图可以观察到，y=0时支持向量机的代价函数中，当z>-1时，是一条倾斜直线（斜率不重要）

XHHP·2022-12-04 11:59

吴恩达机器学习笔记——支持向量机

对应吴恩达机器学习网易云课程第13章的内容。在监督学习方面，与神经网络和逻辑回归相比，支持向量机在学习复杂的非线性方程时有很大的优势。

草莓甜Swag·2022-12-04 11:29

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

weixin_34414650·2022-12-04 11:58

吴恩达机器学习入门笔记9-支持向量机

9支持向量机-SVM相比于神经网络，不用担心陷入局部最优问题，因为是凸优化9.1支持向量机的假设函数(9.1)hθ(x)={1,ifθTx≥00,otherh_{\theta}(x)=\left\{\begin{array}{ll}{1,}&{\text{if}\theta^{T}x\geq0}\\{0,}&{\text{other}}\end{array}\right.\tag{

杰斯洛兰德·2022-12-04 11:56

【吴恩达机器学习笔记】7支持向量机

12支持向量机（SupportVectorMachines）12.1优化目标（OptimizationObjective）与逻辑回归和神经网络相比，支持向量机SVM在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。现在开始建立支持向量机，从代价函数开始，用一个新的代价函数来代替，即这条从0点开始的水平直线，然后是一条斜线，像上图。左边的函数称之为cos⁡t1(z){\cos}t_1{(z

贪钱算法还我头发·2022-12-04 11:52

【吴恩达机器学习笔记】十一、聚类

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·2022-12-04 11:48

【吴恩达机器学习笔记】十、支持向量机

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·2022-12-04 11:14

关于吴恩达机器学习C3_W2_Practice Lab 2需要pickle5的包的问题解决

主问题：吴恩达机器学习C3_W2_PracticeLab2需要pickle5的包新问题一：提示需要C++环境——尝试一：安装VisualStudioCode————结果：未解决——尝试二：通过VisualStuidoInstaller

鹿鸣里·2022-12-03 08:34

吴恩达机器学习课上lab C1_W1_Lab02_Course_Preview_Soln-checkpoint

吴恩达机器学习labC1_W1_Lab02_Model_Representation_Soln-checkpoint前置代码块1代码块2代码块3代码块4代码块5代码块6（绘制图像）代码块7代码块8代码块

qq_47881858·2022-12-03 08:30

吴恩达机器学习lab C1_W1_Lab01_Python_Jupyter_Soln

吴恩达机器学习labC1_W1_Lab01_Python_Jupyter_Soln代码块1代码块2总结代码块1#Thisisa'Code'Cellprint("Thisiscodecell")Thisiscodecell

qq_47881858·2022-12-03 08:48

【吴恩达机器学习笔记】九、机器学习系统的设计

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·2022-12-03 06:21

yolov5-seg（实例分割）的tensorRT部署

当然我这篇写下去，如果没人关注我就直接归到私密文章里面了，这就当作自己的私人笔记。

曙光_deeplove·2022-12-02 10:04

2.逻辑回归算法梳理

逻辑回归与线性回归的联系与区别2、逻辑回归的原理3、逻辑回归损失函数推导及优化4、正则化与模型评估指标5、逻辑回归的优缺点6、样本不均衡问题解决办法7.sklearn参数参考资料1、西瓜书2、cs229吴恩达机器学习课程

weixin_30823683·2022-12-02 10:32

吴恩达机器学习笔记2

Logistic回归：判定边界：logistics回归代价函数：高级优化：利用一些高级算法，来更快计算出结果。通常这些算法：能够自主选择α，速度大大快于梯度下降，但比梯度下降更为复杂。正则化：过拟合解决方法：1.丢弃一些不能帮助我们正确预测的特征。可以是手工选择保留哪些特征，或者使用一些模型选择的算法来帮忙（例如PCA）2.正则化。保留所有的特征，但是减少参数的大小。正则化线性回归：正则化logi

m0_74248994·2022-12-02 00:56

吴恩达机器学习笔记1

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。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。在房价的例子中，我们给了一系列房子的数据，我们给定数据集中每个样本的正确价格，即它们实际的售价然后运用学习算法，算出更多的正确答案。回归问题：分类问题：无监督学习无监督学习中没有任何的标签或者是有相同的标签或者

m0_74248994·2022-12-02 00:22

用Python学习吴恩达机器学习——梯度下降算法理论篇

开篇词：（CSDN专供）欢迎阅读我的文章，本文起先是在B站上进行投稿，一开始是采用吴恩达机器学习2012年版的，目前已经出了十二期了。

寻觅那宇宙·2022-12-01 13:53

2022吴恩达机器学习课程学习笔记（第一课第二周）

2022吴恩达机器学习课程学习笔记（第一课第二周）多维特征向量化用于多元线性回归的梯度下降法多元线性回归的实现正规方程特征缩放特征大小、参数大小以及梯度下降之间的关系特征缩放定义特征缩放实现判断梯度下降是否收敛画学习曲线图自动收敛测试如何设置学习率特征工程多项式回归多维特征上周我们学习了单特征线性回归模型

Ys能保研·2022-12-01 13:22

2022吴恩达机器学习课程学习笔记（第二课第二周）

2022吴恩达机器学习课程学习笔记（第二课第二周）TensorFlow实现模型训练细节sigmoid激活函数的替代方案如何选择激活函数如何为输出层选择激活函数如何为隐藏层选择激活函数为什么模型需要激活函数多分类问题

Ys能保研·2022-12-01 13:22

吴恩达机器学习笔记（第二章）

2.Linearregressionwithonevariable2-1Modelrepresentation标记：m：训练样本数x：输入y：输出(x,y)：一个训练样本第i个训练样本用训练样本和学习算法得出假设函数h（hypothesis）如右图用直线表达的h是线性回归模型（Linearregression）2-2Costfunction目标是找出θ0,1使得代价函数J最小这个代价函数被叫做平方

岁月标记·2022-12-01 13:22

吴恩达机器学习笔记一

目录：机器学习监督学习无监督学习单变量线性回归代价函数梯度下降批量梯度下降1.机器学习含义机器学习(MachineLearning)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。目标“让机器自己学习怎么来解决问题”由TomMitchell定义的机器学习是，一个好的学习问题或一个程序认为能从经验E中学习，解决任务T，达到性能度量值P，当

luky_yu·2022-12-01 13:20

吴恩达机器学习笔记（七）神经网络：代价函数

NeuralNetworks:LearningCostfunction逻辑回归代价函数：J(θ)=−1m∑i=1m(y(i)log⁡(hθ(x(i)))+(1−y(i))log⁡(1−hθ(x(i))))+λ2m∑j=1mθj2J(\theta)=-\frac{1}{m}\sum_{i=1}^{m}(y^{(i)}\log(h_\theta(x^{(i)}))+(1-y^{(i)})\log(1-

哇哈哈哈哈呀哇哈哈哈·2022-12-01 13:18

吴恩达机器学习笔记 —— 9 神经网络学习

http://www.cnblogs.com/xing901022/p/9344621.html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

喜欢打酱油的老鸟·2022-12-01 13:17

吴恩达机器学习笔记---神经网络前向传播

前言1.非线性假设(Non-linearHypotheses)2.模型表示(ModelRepresentation)3.向量化(Vectorization)神经网络表述(一)非线性假设(Non-linearHypotheses) 之前我们学习了线性回归和逻辑回归算法，理论上它们可以解决绝大部分的问题了，但是实际上，当我们的特征逐渐变多的时候，用线性回归和逻辑回归来解决问题通常会导致计算的负荷非常

ML0209·2022-12-01 13:15

吴恩达机器学习——神经网络学习笔记

术语神经网络NeuralNetworks输入层inputlayer隐藏层hiddenlayer输出层ourputlayera(j)i第j层第i个激活项（具体的一个神经元输入或输出的值）θ(j)权重矩阵（控制从第j层到第j+1层映射）例子

左Ying·2022-12-01 13:12

吴恩达机器学习笔记（八）：神经网络

吴恩达机器学习笔记（八）:神经网络前言：毫无疑问这是新的一章，算是机器学习的一步向上的台阶，也算深度学习的入门预备，所以说我们应该感谢那个一直在坚持学习的自己，并一鼓作气，一直走下去！

BANKA1_·2022-12-01 13:11

【机器学习笔记】吴恩达机器学习

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·2022-12-01 13:10

【吴恩达机器学习笔记】八、应用机器学习的建议

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·2022-12-01 13:10

吴恩达机器学习 - 神经网络笔记

第四周8、神经网络8.1非线性假设图像识别难，计算机看到的是灰度矩阵/RGB存储量x38.2神经元和大脑假设大脑思维方式不需要成千上万算法，而只需要一个。躯体感觉皮层进行神经重接(视觉)实验，该皮层也能学会看。如果人体有同一块脑组织可以处理光、声或触觉信号，也许存在一种学习算法，可以同时处理视觉、听觉和触觉。8.3模型展示1神经元(激活单位)，输入/树突，输出/轴突第一层成为输入层，最后一层称为输

糖加三勺-·2022-12-01 13:10

吴恩达机器学习学习笔记 --- 神经网络

（1）逻辑单元（2）神经网络模型展示【主要加入偏置量】【注意下标】（3）前向传播【从前往后计算a值】（4）举例【AND】【OR】【NOT】【XNOR】【更深一层计算更加复杂的函数】（5）多元分类【一对多】（6）代价函数（7）反向传播【怎么求偏导项、确定参数】【计算误差】【计算偏导项】【理解反向传播】（8）梯度检测【theta是实数】【theta是向量】【当发现反向传播无误后，应理解关掉梯度检测】（

奔跑的星黛露·2022-12-01 13:40

机器学习笔记（4）--神经网络前向传播 --基于吴恩达机器学习配套笔记

代价函数理解：神经网络本质也是分类算法，但是比原来的逻辑回归复杂一点点。所以其代价函数也只需要对逻辑回归的代价函数进行亿点点修改：变成：因为很长一下子接受不了，咱也是在草稿纸上演画了一会才懂：前面一大段求和看另外的图：不过在真实的神经网络训练和测试中，至少在下面的简单的神经网络方法内，每个输出节点不可能完全为0或完全为1，此时认定最大的为1，其余为0。这样一来，对神经网络的代价函数应该有了直观的印

Cake_C·2022-12-01 13:39

【吴恩达机器学习笔记】七、神经网络

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·2022-12-01 13:37

线性回归及logistic回归详解

机器学习线性回归logistic回归（主要参考吴恩达机器学习）线性回归线性回归是机器学习中比较基本的一个算法。

农夫三犭·2022-12-01 10:16

吴恩达机器学习课程笔记+代码实现(26)17.大规模机器学习(Large Scale Machine Learning)

17.大规模机器学习(LargeScaleMachineLearning)文章目录17.大规模机器学习(LargeScaleMachineLearning)17.1大型数据集的学习17.2随机梯度下降法17.3小批量梯度下降17.4随机梯度下降收敛17.5在线学习17.6映射化简和数据并行17.1大型数据集的学习如果我们有一个低方差的模型，增加数据集的规模可以帮助你获得更好的结果。我们应该怎样应对

geekxiaoz·2022-12-01 07:07

推荐频道

吴恩达机器学习私人笔记

吴恩达机器学习笔记 —— 15 降维

吴恩达机器学习笔记（十三）——降维

吴恩达机器学习笔记——降维与PCA算法

[中英字幕]吴恩达机器学习系列课程 笔记

吴恩达机器学习 笔记九 PCA降维

吴恩达机器学习笔记之降维

吴恩达机器学习课程笔记.pdf

吴恩达机器学习课程笔记.docx

【吴恩达机器学习笔记】十三、异常检测

吴恩达机器学习笔记-无监督学习

【吴恩达机器学习笔记】十二、降维

吴恩达机器学习作业Python实现(四)：神经网络(反向传播)

专项一：深度学习与神经网络-第二周

吴恩达机器学习课后习题——kmeans

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）

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

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

吴恩达机器学习笔记（十一）——支持向量机

吴恩达机器学习笔记——支持向量机

吴恩达机器学习笔记-支持向量机

吴恩达机器学习入门笔记9-支持向量机

【吴恩达机器学习笔记】7支持向量机

【吴恩达机器学习笔记】十一、聚类

【吴恩达机器学习笔记】十、支持向量机

关于吴恩达机器学习C3_W2_Practice Lab 2需要pickle5的包的问题解决

吴恩达机器学习课上lab C1_W1_Lab02_Course_Preview_Soln-checkpoint

吴恩达机器学习lab C1_W1_Lab01_Python_Jupyter_Soln

【吴恩达机器学习笔记】九、机器学习系统的设计

yolov5-seg（实例分割）的tensorRT部署

2.逻辑回归算法梳理

吴恩达机器学习笔记2

吴恩达机器学习笔记1

用Python学习吴恩达机器学习——梯度下降算法理论篇

2022吴恩达机器学习课程学习笔记（第一课第二周）

2022吴恩达机器学习课程学习笔记（第二课第二周）

吴恩达机器学习笔记（第二章）

吴恩达机器学习笔记一

吴恩达机器学习笔记（七）神经网络：代价函数

吴恩达机器学习笔记 —— 9 神经网络学习

吴恩达机器学习笔记---神经网络前向传播

吴恩达机器学习——神经网络学习笔记

吴恩达机器学习笔记（八）：神经网络

【机器学习笔记】吴恩达机器学习

【吴恩达机器学习笔记】八、应用机器学习的建议

吴恩达机器学习 - 神经网络笔记

吴恩达机器学习学习笔记 --- 神经网络

机器学习笔记（4）--神经网络前向传播 --基于吴恩达机器学习配套笔记

【吴恩达机器学习笔记】七、神经网络

线性回归及logistic回归详解

吴恩达机器学习课程笔记+代码实现(26)17.大规模机器学习(Large Scale Machine Learning)

[中英字幕]吴恩达机器学习系列课程笔记

吴恩达机器学习笔记九 PCA降维