吴恩达机器学习笔记

吴恩达机器学习笔记（十八）——机器图片识别(应用实例)

第十八章应用实例：图片文字识别(ApplicationExample:PhotoOCR)1、问题描述和流程图图像文字识别应用所作的事是，从一张给定的图片中识别文字。这比从一份扫描文档中识别文字要复杂的多。为了完成这样的工作，需要采取如下步骤：1.文字侦测（Textdetection）——将图片上的文字与其他环境对象分离开来2.字符切分（Charactersegmentation）——将文字分割成一
大鹏小站·2022-12-10 13:35

【吴恩达机器学习笔记】十七、总结

✍个人博客：https://blog.csdn.net/Newin2020?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。专栏地址：https://blog.csdn.net/Newin2020/article/details/128125806视频地址：吴恩
Pandaconda·2022-12-10 13:04

吴恩达机器学习笔记week18——应用实例：Photo OCR

吴恩达机器学习笔记week18——应用实例：PhotoOCR18-1.问题描述与.OCR.pipelineProblemdescriptionandOCRpipeline18-2.滑动窗口Slidingwindows18
Saulty·2022-12-10 13:04

【吴恩达机器学习笔记】十六、应用实例：图片文字识别

✍个人博客：https://blog.csdn.net/Newin2020?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。专栏地址：https://blog.csdn.net/Newin2020/article/details/128125806视频地址：吴恩
Pandaconda·2022-12-10 13:02

吴恩达机器学习笔记（3）——多变量线性回归（Multivariate Linear Regression）

一、多元线性回归的假设形式多元线性回归的假设可表示为：另外，我们定义一个额外的第0个特征向量x0=1，并将特征向量和参数都表示为矩阵形式，则方程变为：二、多元梯度下降法多元线性回归的代价函数为：其中，x(i)j=第i个训练样例中第j个特征量的值。PS：一些实用技巧（通过预处理，让初始的特征量具有同等的地位，才能让机器学习算法更快地学习得到它们的权重θ，这个预处理的过程我们称之为数据标准化（Norm
阿尔基亚·2022-12-10 13:35

吴恩达机器学习笔记2——logistic回归3

整体代价函数J(θ)单个样本的代价Cost(h(x),y)，为了使之不要分类写，可以写成上图中下面这一行式子不要忘记logistic回归的h(x)=p(y=1|x,θ),在给定x和θ的前提下，分类为1的概率。如h（x）=0.7，分类为1的概率是70%。梯度下降来最小化代价函数发现用梯度下降算法时，算出来的θ更新的式子貌似和线性回归时一样。但其实由于h（x）不同，所以他们并不相同！
babychrislee3·2022-12-09 02:13

吴恩达机器学习笔记2——logistic回归5

使用logistic回归解决多类别分类问题进行三次分类那么当出现新的需要去分类的数据时，去拟合这三个h（x），选择那个计算出来最高的值的类别，就是这个数据所属的类别。
babychrislee3·2022-12-09 02:13

吴恩达机器学习笔记2——logistic回归2

1.代价函数解释：在输出的预测值是h(x)，实际标签是y的情况下，我们希望学习算法付出的代价。然而，这个代价函数在线性回归里可以，很好用。但是在logistic回归中，就并不适用，会出现一些问题。实际上，用这个代价函数的话，会变成关于θ的非凸函数。因为h(x)本身就是非线性，再去平方加和，更是非线性，就可能会使得代价函数的图形变为下图左边这种图用梯度下降算法的话，可能会找到好多局部最优，但并不一定
babychrislee3·2022-12-09 02:43

【吴恩达机器学习笔记】十五、大规模机器学习

✍个人博客：https://blog.csdn.net/Newin2020?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。专栏地址：https://blog.csdn.net/Newin2020/article/details/128125806视频地址：吴恩
Pandaconda·2022-12-08 17:51

【吴恩达机器学习笔记】十四、推荐系统

✍个人博客：https://blog.csdn.net/Newin2020?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。专栏地址：https://blog.csdn.net/Newin2020/article/details/128125806视频地址：吴恩
Pandaconda·2022-12-08 17:49

吴恩达机器学习笔记——代价函数的定义

对应第1周costfunction视频。本次课前半段内容非常简单，带领我们一起复习初中平面几何的知识，后半段给出了代价函数（Costfunction）的一般定义。从一元线性模型看代价函数的引入；代价函数的数学定义。1.从一元线性模型看代价函数的引入上一节课，卖房子的那个训练集，我们说用一个直线的方程来拟合它们。如下图，在下面假设的直线方程。\theta_{0},\theta_{1}的变化，会改变直
高博士_嵌入式·2022-12-07 07:48

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

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

【吴恩达机器学习笔记】十三、异常检测

✍个人博客：https://blog.csdn.net/Newin2020?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。专栏地址：https://blog.csdn.net/Newin2020/article/details/128125806视频地址：吴恩
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

✍个人博客：https://blog.csdn.net/Newin2020?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。专栏地址：https://blog.csdn.net/Newin2020/article/details/128125806视频地址：吴恩
Pandaconda·2022-12-06 12:43

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。SVM优化目标支持向量机的优化目标：支持向量机的优化目标表达式是从逻辑回归改进而来的。在cost函数中，在y=0和y=1时使用两条直线来代替曲线，分别得到的两个表达式我们定为和。进而我们将最小值表达式乘m，使用新的权重表示变量C代替原有的。得到SVM的优化目标表达式
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

✍个人博客：https://blog.csdn.net/Newin2020?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。专栏地址：https://blog.csdn.net/Newin2020/article/details/128125806视频地址：吴恩
Pandaconda·2022-12-04 11:48

【吴恩达机器学习笔记】十、支持向量机

✍个人博客：https://blog.csdn.net/Newin2020?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。专栏地址：https://blog.csdn.net/Newin2020/article/details/128125806视频地址：吴恩
Pandaconda·2022-12-04 11:14

【吴恩达机器学习笔记】九、机器学习系统的设计

✍个人博客：https://blog.csdn.net/Newin2020?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。专栏地址：https://blog.csdn.net/Newin2020/article/details/128125806视频地址：吴恩
Pandaconda·2022-12-03 06:21

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

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

【吴恩达机器学习笔记】八、应用机器学习的建议

✍个人博客：https://blog.csdn.net/Newin2020?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。专栏地址：https://blog.csdn.net/Newin2020/article/details/128125806视频地址：吴恩
Pandaconda·2022-12-01 13:10

【吴恩达机器学习笔记】七、神经网络

✍个人博客：https://blog.csdn.net/Newin2020?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。专栏地址：https://blog.csdn.net/Newin2020/article/details/128125806视频地址：吴恩
Pandaconda·2022-12-01 13:37

吴恩达机器学习笔记60-大规模机器学习（Large Scale Machine Learning）

一、随机梯度下降算法之前了解的梯度下降是指批量梯度下降；如果我们一定需要一个大规模的训练集，我们可以尝试使用随机梯度下降法（SGD）来代替批量梯度下降法。在随机梯度下降法中，我们定义代价函数为一个单一训练实例的代价：随机梯度下降算法为：首先对训练集随机“洗牌”，然后：下面是随机梯度下降算法的过程以及和批量梯度下降算法的异同：随机梯度下降算法是先只对第1个训练样本计算一小步的梯度下降，即这个过程包括
weixin_34122810·2022-12-01 07:33

吴恩达机器学习笔记（十一） —— Large Scale Machine Learning

主要内容：一.Batchgradientdescent二.Stochasticgradientdescent三.Mini-batchgradientdescent四.Onlinelearning五.Map-reduceanddataparallelism一.Batchgradientdescentbatchgradientdescent即在损失函数对θ求偏导时，用上了所有的训练集数据（假设有m个数
你狗·2022-12-01 07:02

吴恩达机器学习笔记week17——大规模机器学习 Large scale machine learning

吴恩达机器学习笔记week17——大规模机器学习Largescalemachinelearning17-1.学习大数据集Learningwithlargedatasets17-2.随机梯度下降Stochaticgradientdescent
Saulty·2022-12-01 07:22

吴恩达机器学习笔记四之正则化

本节目录过拟合代价函数正则化线性回归正则化逻辑回归1过拟合问题正则化技术可以改善过拟合问题。第一个模型是一个线性模型，欠拟合，不能很好地适应我们的训练集；第三个模型是一个四次方的模型，过于强调拟合原始数据，而丢失了算法的本质：预测新数据。我们可以看出，若给出一个新的值使之预测，它将表现的很差，是过拟合，虽然能非常好地适应我们的训练集但在新输入变量进行预测时可能会效果不好；而中间的模型似乎最合适。那
luky_yu·2022-11-30 07:28

吴恩达机器学习笔记 —— 8 正则化

http://www.cnblogs.com/xing901022/p/9338467.html本章讲述了机器学习中如何解决过拟合问题——正则化。讲述了正则化的作用以及在线性回归和逻辑回归是怎么参与到梯度优化中的。更多内容参考机器学习&深度学习在训练过程中，在训练集中有时效果比较差，我们叫做欠拟合；有时候效果过于完美，在测试集上效果很差，我们叫做过拟合。因为欠拟合和过拟合都不能良好的反应一个模型应
喜欢打酱油的老鸟·2022-11-30 07:26

【吴恩达机器学习笔记】第四章 正则化

【吴恩达机器学习笔记】第四章正则化正则化（Regularization）是一种可以解决过度拟合问题的技术1、过度拟合问题我们在拟合过程中可能会出现以下三种情况：（1）欠拟合也可以说这个算法具有高偏差，说明它并没有很好的拟合所有数据
毕君郁·2022-11-30 06:56

吴恩达机器学习笔记-过拟合

概念假设我们有一组数据集如下图所示：左边的图中，我们假设$y=\theta_0+\theta_1x$，与数据集进行比较发现此函数和数据的拟合度并不是很高，先然数据并不是呈现一条直线的形状，因此我们认为此函数并不能很好的预测后面的数据的真实情况，我们通常称这种情况为欠拟合（underfitting）；中间的图中，我们假设$y=\theta_0+\theta_1x+\theta_2x^2$，从曲线和数
weixin_33835690·2022-11-30 06:25

逻辑回归python正则化 选择参数_吴恩达机器学习笔记（三）——正则化（Regularization）...

1.过拟合的问题(Over-fitting)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(代价函数可能几乎为0)，但是可能会不能推广到新的数据。(1)下图是一个回归问题的例子：第一个模型是一个线性模型，欠拟合，不能很好地适应我们的训练集第三个模型是一个四次方的模型，过于强调拟合原始数据，而丢失了算法的本质：预测新数据。我们可以看出，若给出一个新的值使之预测，它将表现的很
weixin_39526415·2022-11-30 06:25

【吴恩达机器学习笔记】第七章 正则化

搜索微信公众号:‘AI-ming3526’或者’计算机视觉这件小事’获取更多人工智能、机器学习干货csdn：https://blog.csdn.net/qq_36645271github：https://github.com/aimi-cn/AILearners第七章正则化7.1过拟合问题7.1.1什么是过拟合让我们继续使用用线性回归来预测房价的例子来了解什么是过拟合(over-fitting)。
Jermiane·2022-11-30 06:52

吴恩达机器学习笔记（六）正则化

吴恩达机器学习笔记（六）正则化一、过拟合问题(Overfitting)二、代价函数(CostFunction)三、线性回归的正则化(RegularizedLinearRegression)四、Logistic
AngelaOrange·2022-11-30 06:22

吴恩达机器学习笔记week7——正则化 regularization 处理过拟合问题

吴恩达机器学习笔记week7——正则化regularization处理过拟合问题7-1.过拟合问题Theproblemofoverfitting7-2.代价函数Costfunction7-3.线性回归的正则化
Saulty·2022-11-30 06:47

【吴恩达机器学习笔记】六、过拟合及正则化

✍个人博客：https://blog.csdn.net/Newin2020?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。视频地址：吴恩达机器学习系列课程❤️如果有收获的话，欢迎点赞收藏，您的支持就是我创作的最大动力六、过拟合及正则化1.过拟合问题在开始介绍这
Pandaconda·2022-11-30 06:44

吴恩达机器学习笔记week16——推荐系统 Recommender Systems

吴恩达机器学习笔记week16——推荐系统RecommenderSystems16-1.问题规划Problemformulation——机器学习自动学习选取一系列适合的特征16-2.基于内容的推荐算法Content-basedrecommendations16
Saulty·2022-11-29 08:30

【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
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他