吴恩达机器学习课程整理

【CV】吴恩达机器学习课程笔记 | 第1-15章

目录1介绍1-3监督学习1-4无监督学习2单变量线性回归2-2代价函数2-5Batch梯度下降算法4多变量线性回归4-1多特征4-2多元梯度下降法4-3多元梯度下降法I——特征缩放缩放归一化4-4多元梯度下降法演练I——学习率α4-5特征和多项式回归4-6正规方程（NormalEquation）（区别于迭代方法的直接解法）6逻辑回归6-1逻辑分类算法6-2假设表示6-3决策边界6-4代价函数6-4
Fannnnf·2022-12-08 12:21

机器学习入门之PCA与ICA

PCA什么是降维PCA(PrincipalComponentAnalysis)算法流程独立成分分析ICA问题引入算法基于最大似然估计ICA的经典假设与不确定性经典假设不确定性ICA无法确定的因素小结本文为吴恩达机器学习课程的笔记系列第六篇
小菜羊~·2022-12-08 01:30

吴恩达机器学习ex5:偏差和方差

吴恩达机器学习作业五：偏差和方差知识点回顾：在本练习中，您将实现正则化线性回归，并使用它来研究具有不同偏差方差特性的模型。
wssssang·2022-12-07 16:39

吴恩达机器学习ex5 python实现

正则化线性回归这一部分，我们需要先对一个水库的流出水量以及水库水位进行正则化线性归回。然后将会探讨方差-偏差的问题数据可视化importnumpyasnpimportpandasaspdimportscipy.ioassioimportscipy.optimizeasoptimportmatplotlib.pyplotaspltimportseabornassnsdata=sio.loadmat(
枸杞仙人·2022-12-07 15:07

吴恩达机器学习week6 ex5课后编程作业代码答案

EX5linearRegCostFunctionlearningCurvevalidationCurvelinearRegCostFunctionfunction[J,grad]=linearRegCostFunction(X,y,theta,lambda)%LINEARREGCOSTFUNCTIONComputecostandgradientforregularizedlinear%regres
来来·2022-12-07 15:04

保姆级教程吴恩达机器学习ex5Matlab代码解析

%%MachinelearningFromAndrew%%Byyouknowwho3_3inCSDN#GirlsHelpGirls#DOUBANEZU%%RegularizedLinearRegressionandBiasvs.Variance%implementthebackpropagationalgorithmforneuralnetworksand%applyittothetaskofha
youknowwho3_3·2022-12-07 15:34

吴恩达机器学习编程作业ex5 Regularized Linear Regression and Bias v.s. Variance

一、程序及函数1.引导脚本ex5.m%%MachineLearningOnlineClass%Exercise5|RegularizedLinearRegressionandBias-Variance%%Instructions%------------%Thisfilecontainscodethathelpsyougetstartedonthe%exercise.Youwillneedtoco
Polaris_T·2022-12-07 15:02

Coursera吴恩达机器学习week6的ex5编程作业代码

Machine-learning-ex5这是Coursera上Week6的ml-ex5的编程作业代码。经过测验，全部通过。具体文件可以进入我的github包括以下4个文件：%linearRegCostFunction.m%learningCurve.m%polyFeatures.m%validationCurve.mlinearRegCostFunction.mfunction[J,grad]=l
loserChen.·2022-12-07 15:59

吴恩达机器学习ex4代码

importnumpyasnpimportmatplotlib.pyplotaspltimportscipy.ioassiofromscipy.ioimportloadmatimportscipy.optimizeasoptfromsklearn.metricsimportclassification_report'''=======================================
Maturisa·2022-12-07 15:24

第06周:吴恩达机器学习课后编程题ex5方差偏差——Python

在本练习中，您将实现正则化线性回归并将其用于研究具有不同偏差方差特性的模型。1RegularizedLinearRegression正则化线性回归在练习的前半部分，您将使用正则化线性回归从流出大坝的水量预测水库中的水位。在下半部分，您将完成一些调试学习算法的诊断，并检查偏差与方差的影响。1.1Visualizingthedataset可视化数据集该数据集分为三个部分：•您的模型将学习的训练集：X,
MANDYBOOM·2022-12-07 15:52

吴恩达机器学习ex5代码

importnumpyasnpimportpandasaspdfromscipy.ioimportloadmatimportmatplotlib.pyplotaspltimportscipy.optimizeasopt'''===================================函数部分==================================''''''数据可视化'''d
Maturisa·2022-12-07 15:49

机器学习（Machine Learning）

简介bili吴恩达机器学习这是一门让计算机在没有明确编程的情况下学习的科学。亚瑟·塞缪尔(1959)：赋予计算机学习能力而不被明确编程的研究领域。机器学习作为人工智能的一个子领域。
YYYMarshal·2022-12-07 13:06

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

吴恩达机器学习系列课程笔记——第一章：什么是机器学习(Machine Learning)

1.1欢迎https://www.bilibili.com/video/BV164411b7dx?p=1第一节主要讲了什么是机器学习，机器学习能做些什么事情。机器学习是目前信息技术中最激动人心的方向之一。在这门课中，你将学习到这门技术的前沿，并可以自己实现学习机器学习的算法。你或许每天都在不知不觉中使用了机器学习的算法。每次，你打开谷歌、必应，搜索到你需要的内容，正是因为他们有良好的学习算法。谷歌
Lishier99·2022-12-07 07:48

吴恩达机器学习课程02——模型描述与代价函数

目录模型描述代价函数暂时写这么多，谢谢大家，有错误请不吝指正~模型描述TrainingSet：首先提供数据集LearningAlgorithm：学习算法h(hypothesis)：假设函数x：输入特征y：输出目标通俗一点讲，就是提供给我训练数据集（TrainingSet）并采用某学习算法（LearningAlgorithm）进行训练得到我的假设函数（h），然后对于测试集的每一条样本数据特征（x࿰
CtrlZ1·2022-12-07 07:15

2022吴恩达机器学习课程学习笔记（第一课第三周）

2022吴恩达机器学习课程学习笔记（第一课第三周）动机与目的逻辑回归决策边界逻辑回归中的代价函数逻辑回归损失函数的定义逻辑回归损失函数的理解逻辑回归代价函数的定义实现梯度下降过拟合问题过拟合定义解决过拟合正则化正则化工作原理用于线性回归的正则化方法用于逻辑回归的正则化方法动机与目的只有两个可能输出的分类问题成为二元分类
Ys能保研·2022-12-07 07:09

2022吴恩达机器学习课程学习笔记（第一课第一周）

2022吴恩达机器学习课程学习笔记（第一课第一周）欢迎参加《机器学习》课程机器学习应用机器学习定义定义（非正式）主要类型监督学习定义特征类型无监督学习定义特征类型JupyterNotebook线性回归模型定义举例
Ys能保研·2022-12-07 07:08

2022吴恩达机器学习课程——第一课

注：参考B站视频教程视频链接：【(强推|双字)2022吴恩达机器学习Deeplearning.ai课程】文章目录第一周一、监督学习与无监督学习二、线性回归三、梯度下降第二周一、向量化二、特征缩放第三周一
now_try_·2022-12-07 07:37

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

自动驾驶--预测技术

根据百度技术培训中心课程整理(https://bit.baidu.com/productsBuy?
Galaxy_Robot·2022-12-05 11:45

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

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
上一页 6 7 8 9 10 11 12 13 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他