吴恩达机器学习之正则化（Regularization）http://www.cnblogs.com/jianxinzhou/p/4083921.html从数学公式上理解L1和L2https://blog.csdn.net

P15-P20梯度下降P21-P24多类特征向量化多元线性回归的梯度下降P25-P30特征缩放检查梯度下降是否收敛学习率的选择特征工程多项式回归前言从今天开始，争取能够在开学之前（2.25）把b站上的【吴恩达机器学习

目录前言P31-P33logistics（逻辑）回归决策边界P34-P36逻辑回归的代价函数梯度下降的实现P37-P41过拟合问题正则化代价函数正则化线性回归正则化logistics回归前言这是吴恩达机器学习笔记的第二篇

学习大数据集数据量多，模型效果肯定会比较好，但是大数据也有它自己的问题，计算复杂如果存在100000000个特征，计算量是相当大的，在进行梯度下降的时候，还要反复求损失函数的偏导数，这样一来计算量更大。那么有没有简单的方法来应对大量的数据呢？我们可以采取随机抽样，比如，抽取1000个样本进行模型的构建。那么如何决定抽取多少样本呢？可以通过学习曲线获得，随着数据量的增加，无论是偏差和误差，都会趋向于

过拟合问题欠拟合与过拟合当变量过少时，可能存在欠拟合；当变量过多时，会存在过拟合。过拟合可能对现有数据拟合效果较好，损失函数值几乎为零，但是不能进行泛化时，即不适于非训练集的其他数据。如何解决过拟合问题特征变量过多造成过拟合绘制假设模型图像，但当特征变量变多时，绘制很困难。当变量过多而训练数据较少时，容易出现过拟合。过拟合的解决办法解决过拟合问题，通常有两种方法：一种是减少特征的数量，可以通过人工

问题规划引例—电影推荐假设已有的数据如上所示，洋红色线内的数据表示缺失数据，那么我们如何根据已有的评分数据来预测这些缺失的数据呢？基于特征的推荐算法基于内容的推荐系统已知数据如上，有四个人对于不同电影的评分，我们还有分别表示电影包含浪漫成分和动作片成分的多少。那么每一个电影都可以用一个向量来表示，如第一个电影可以表示为,其中第一个元素为常数。那么对于每一个用户j，我们可以用一个学习算法学习参数，然

31.jpg1.聚类(Clustering)1.1介绍之前的课程介绍的都是监督学习、而聚类属于非监督学习，在一个典型的监督学习中，我们有一个有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，在这里的监督学习中，我们有一系列标签，我们需要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：1.png在这里我们有一系列点，却没有标签

【工作】这周同托班老师进行了一学期课程整理虽然还有很多没有整理，但大家都有了新的认知，明年的托班一定很丰富！全脑也进行了培训，大家对自己课程环节也清楚了目标，下一步就是

一.逻辑回归1.什么是逻辑回归？逻辑回归是一种预测变量为离散值0或1情况下的分类问题，在逻辑回归中，假设函数。2.模型描述在假设函数中，，为实数，为Sigmoid函数，也叫Logistic函数。模型解释：，即就是对一个输入，的概率估计。损失函数的理解：所谓最大似然估计，就是我们想知道哪套参数组合对应的曲线最可能拟合我们观测到的数据，也就是该套参数拟合出观测数据的概率最大，而损失函数的要求是预测结果

英语课程整理到文档。11到17共7天课程解读整理。读书根本没法子继续，想办法。

课程：吴恩达机器学习一个监督学习的例子——房价预测使用的是一组俄勒冈州波特兰市的城市住房价格的数据。根据不同的尺寸的房间对应的不同售价，组成的数据集来画图。

文章目录1.多分类问题的定义2.softmax3.神经网络的softmax输出【吴恩达机器学习65-67】1.多分类问题的定义classification问题可能的output大于2种。

9神经网络:学习（NeuralNetworks:Learning）9.1代价函数（CostFunction）神经网络的分类问题有两种：二元分类问题（0/1分类）只有一个输出单元（K=1K=1K=1）多元（KKK）分类问题输出单元不止一个（K>1K\gt1K>1）神经网络的代价函数公式：hΘ(x)=a(L)=g(Θ(L−1)a(L−1))=g(z(L))h_\Theta(x)=a^{(L)}=g(\

在需求预测案例中，awareness这个输入可能不是二元(binary)的，或许是一点(alittlebit)、有些(somewhat)或完全(extremely)，此时相比将awareness规定为0、1，不如考虑概率，认为它是一个0-1之间的数。激活函数可以采用ReLU函数(rectifiedlinearunit)三个常用的激活函数使用线性激活函数也可以看作是没有激活函数。激活函数的选择输出层

神经网络：说几层的时候是指隐藏层及输出层，不包含输入层。例如下图是一个四层神经网络。前向传播(forwardpropagation)越靠近输出层，该层的神经元数量越少TensorFlow（张量流）实现神经网络的搭建sequential（）把两层顺序连接起来；如果有新的x，用predict()人工智能

过拟合和欠拟合定义和形态解决方法减少特征值数量正则化正则化惩罚θ系数线性回归正则化逻辑回归正则化

机器学习的概述诞生现实生活许多领域的问题不能通过显式编程实现，比如制造自动驾驶汽车、智能工厂、规模农业、计算机视觉等等，一种好的实现方式是通过学习算法让计算机自己学习如何做。现在现在是学习机器学习最好的时机，因为机器学习在未来能产生巨大的价值未来机器学习在软件领域方面取得了巨大的价值，比如智能推荐，网络搜索，图像识别等机器学习在许多其他的领域仍有巨大的价值，比如未来在自动驾驶汽车，工厂，农业，医疗

此笔记根据黑马JUC课程整理1.JUC概述1.1什么是juc在Java中，线程部分是一个重点，本篇文章说的JUC也是关于线程的。JUC就是java.util.concurrent工具包的简称。

本文根据猫叔的《更有效的个人品牌课》语音课程整理，关于个人品牌打造的十大关键问题。001我是谁？首先要思考自己的定位，有了清晰的定位，就有了努力的方向，集中所有精力聚焦到这一个点，做到极致。002我

虽然没有去学马丁赞成的唱歌技能，但有去学荷兰语，也有和朋友敲定一些拍摄工作，有三个modeling的工作，和一个mv拍摄，很开心期待这周也有坚持运动，练肌肉下周计划杭州2阶课程整理房间拍摄

每天更新（个人日常，算是没有隐私的日记）阅读GTD（2次）麦子手账+时间管理课程整理3节逐字稿并保存到印象笔记。身体健康：早上拉伸一次。每天4杯水（白开水或陈皮水）。喝牛奶3次。

C1_W1_Lab04_Cost_function_Soln中遇到的一些问题1、importnumpyasnp%matplotlibnotebookimportmatplotlib.pyplotaspltfromlab_utils_uniimportplt_intuition,plt_stationary,plt_update_onclick,soup_bowlplt.style.use('./d

PhotoOCR在此章的课程中，Andrew主要是想通过OCR问题的解决来阐释在实际项目中我们应该如何定义问题，并将一个大问题分解为多个小问题，并通过pipeline的方式将对这些小问题的解决方案串联起来，从而解决这个大问题。我认为这是解决实际问题的一个经典的方法论，有助于我们在实际工作和生活中更好地思考问题，分解问题，并最终解决问题。ProblemDescriptionandPipeline此小

1.机器学习的概念在进行特定编程的情况下，给予计算机学习的能力。机器学习是一种人工智能的分支，它关注如何通过计算机算法和模型来使计算机系统从数据中学习和改进。机器学习的目标是让计算机系统能够自动分析和理解数据，并根据数据的模式和规律做出预测和决策，而无需明确的编程指令。机器学习可以分为监督学习、无监督学习和强化学习三种类型。在监督学习中，计算机系统通过使用带有标签的训练数据来学习模式和规律，然后根

本文根据ApacheFlink进阶篇系列直播课程整理而成，由阿里巴巴技术专家周凯波（宝牛）分享，主要介绍FlinkonYarn/K8s的原理及应用实践，文章将从Flink架构、FlinkonYarn原理及实践

课程：吴恩达机器学习此篇我们将学习梯度下降算法，我们之前已经定义了代价函数J，梯度下降法可以将代价函数J最小化。梯度下降是很常用的算法，他不仅被用在线性回归上，还被广泛应用与机器学习的众多领域。

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。

今天主要学习了吴恩达机器学习的网课，又复习了一下机器学习；然后看了看VIO相关资料论文，今天看了几篇知网上搜到的关于VIO的硕士博士毕业论文和一篇20年的VIO综述，这方面的论文对于一个领域一般都有比较全面的描述

第二天：建立你的投资组合---合理规避风险一、天时已有，何为地利？天时---选择合适的入场时机---通过判断沪深300和中证500的PE、PB值高低。地利---如何将手中的资金巧妙布阵二、股票投资有哪些风险？1、系统性风险（整个股票市场存在的下跌风险）政策风险：政策改变导致企业生存条件变化购买力风险：通货膨胀风险利率风险：市场利率会不断波动先估值，再入市，可避开系统性风险。2、非系统性风险（单只股

[toc]前言本文来自拉勾网课程整理随着App功能的不断丰富，以内容和体验为导向的导航模式变得越来越流行。这种导航模式的特点是一个页面可以导航到任意一个其他的页面。

回归函数在逻辑回归模型中我们不能再像之前的线性回归一样使用相同的代价函数，否则会使得输出的结果图像呈现波浪状，也就是说不再是个凸函数。代价函数的表达式之前有表示过,这里我们把1/2放到求和里面来。这里的求和部分我们可以表示为：很显然，如果我们把在之前说过的分类问题的假设函数带进去，即，得到的结果可能就是上述所说的不断起伏的状况。如果这里使用梯度下降法，不能保证能得到全局收敛的值，这个函数就是所谓的

一.初识机器学习1.监督学习在监督学习中，训练数据既有特征又有标签，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。监督学习可以分为回归问题和分类问题。回归问题是利用训练出的模型，预测连续的数值输出；分类问题是预测离散值的输出。2.无监督学习无监督学习是给算法大量的数据，要求它找出数据的类型结构。无监督学习的数据没有标签，或是所有数据都是同一种标签

柳松正在进行或曾经进行某项较有影响力的活动，和某校有影响力的组织的最高领导人。你认为称得上领袖的人都有李连杰，奥巴马，马云，《大卫科波菲尔》，马克扎克伯格，比尔盖茨，俞敏洪，乔布斯，艾迪生，艾迪斯坦，赵凯悦，张美琪，胡中海，父母，林俊超所有人。第一部分梦想是人生的方向盘，人应梦想和使命而伟大梦想是人生的方向盘。第二部分是热情是你成功的97号汽油，热情是人这辆顶级跑车的发动机中的燃油要热情就要行动，

文章目录1.神经网络层2.更复杂的神经网络3.神经网络的前向传播【吴恩达机器学习笔记p47-49】1.神经网络层【了解神经网络如何完成预测的】input：4个数字的向量。

文章目录course2框架1.neuralnetworks（deeplearning）2.DemandPrediction【吴恩达机器学习p43-46】course2框架一、neuralnetworks-inference

本笔记根据侯捷老师的课程整理而来:STL标准库与泛型编程pdf版本笔记的下载地址:笔记03_STL标准库与泛型编程,排版更美观一点（访问密码：3834）侯捷C++课程笔记03:STL标准库与泛型编程STL

作者是陈海贤，浙江大学心理学博士，知名的心理咨询师，这本书是根据他在「得到」上的课程整理而成。通读下来，有三个内容让我触动较深：一、人们为什么喜欢说自己没有选择？

前言：此文章根据朱有鹏相关课程整理1.开发板刷系统1.串口输出的意义（做系统控制台）串口是一种硬件通信口，很多年前的时候串口是CPU之间进行通信的主要接口。

砍柴书院&写作营平台写作，要做到知己知彼。己是了解自己，自己擅长的领域，兴趣方向。彼是平台，平台的运行规则是什么样的？算法机制是什么样？平台喜欢什么样的内容？平台的读者都是一些什么样的人群？如果不把这些东西摸清楚的话，那可能写出来的东西，只是自己想要的方向。可能不符合平台的规则，是很难写出优质的爆款文章的。平台的用户群体每个平台都有不同的读者群体：头条，文史类的读者群体会非常的多；百家号，可能偏娱

答（根据新阳光李克富老师课程整理，问题为编者所加）：1、咨询师如何看待这个来信（要有目的意识）？

上一个笔记，我们大概了解了什么是机器学习以及机器学习的两个重要的分类，本篇笔记将带领大家了解机器学习的第一个模型——线性回归例题为了让大家更加直观的理解这个模型，我们引入一个例题，我们有一组波特兰市的城市住房的价格数据，我们要通过这些数据来找出一个函数，来预测任意面积下的房价，这就是一个简单的线性回归问题。这里给出的数据是一组房子面积对应的房价数据集其中m代表训练集，x是输入，y是输出。我们用（x

下面是我近期学习机器学习的笔记，出发点是希望对自己起到一个督促和输出的作用如果你对我的笔记感兴趣欢迎Like，有不足之处也欢迎评论留言B站【2022吴恩达机器学习Deeplearning.ai课程】笔记参考

吴恩达机器学习笔记第一周基本概念监督学习分为回归算法和分类算法无监督学习事先没有正确答案。

在B站跟罗翔老师重读《理想国》，突然get到了这种流芳百世的经典之作的魅力，以下为根据课程整理的重点及本人感悟。为何要读这本两千多年前的人写的书？——西方哲学，转头必见柏拉图。你能分清真假杠精吗？

第一阶段：学习前置数学知识机器学习的数学基础_二进制人工智能的博客-CSDN博客第二阶段：认知机器学习吴恩达机器学习【2022中文版教程全集】_哔哩哔哩_bilibili视频5h，看了一点发现后面没字幕了

答：（根据新阳光李克富老师课程整理，问题为编者所加）1、分析重要还是帮助重要？当我们对这个故事分析心理原因时，其实是回答具体问题，而更重要的是提供帮助走出来。

2020/05/21#每日三件事#58/10001.线上课程整理、总结2.石墨资料学习3.收拾东西分享：想奋斗，再舒服的工作也拦不住你；不想奋斗，再不堪的工作也会让你沉沦。

学习B站技术胖的flutter基础课程整理的示例，为了平时方便查阅，同时希望能和大家一同进步~Flutter基础组件Helloworldimport'package:flutter/material.dart

spm_id_from=333.999.0.0&vd_source=9607a6d9d829b667f8f0ccaaaa142fcb1.吴恩达机器学习课程已学完，时间较久了，后续可以重新听一遍，整理一下笔记

实现梯度下降4.过拟合与正则化4.1线性回归和逻辑回归中的过拟合4.2解决过拟合的三种方法4.3正则化4.4用于线性回归的正则方法4.5用于逻辑回归的正则方法笔记主要参考B站视频“(强推|双字)2022吴恩达机器学习