吴恩达机器学习课程整理

吴恩达机器学习作业（python版）—— ex1线性回归

文章目录【1】单变量线性回归1.题目描述：2.涉及知识点：3.详细代码解释4.完整代码【2】梯度下降1.涉及知识点2.详细代码解释3.完整代码【3】多变量线性回归1.题目描述2.涉及知识点3.详细代码解释【4】正规方程1.涉及知识点2.详细代码解释【5】slearn线性回归算法以下代码本人是使用JupiterLab运行的，所以没有print语句，此外本文章所有的代码是放在一起运行的【1】单变量线性
Nefu_lyh·2020-08-03 10:59

【机器学习】SVM（基于SMO算法）—— python3 实现方案

测试数据是吴恩达机器学习课程svm章节的作业。分别用高斯核函数与线性核函数进行测试，可以发现高斯核函数的稳定性和准确率明显较线性核函数好。
zhenghaitian·2020-08-03 09:45

吴恩达机器学习作业ex1~matlab

单变量版：ex1.m%%MachineLearningOnlineClass-Exercise1:LinearRegression%Instructions%------------%%Thisfilecontainscodethathelpsyougetstartedonthe%linearexercise.Youwillneedtocompletethefollowingfunctions%i
yinfang1252·2020-08-03 09:39

吴恩达机器学习要点记录（上）

文章目录单变量线性回归基础概念多变量线性回归假设函数含n个参数的LR优化GD算法的tricks特征构造以及利用特征构造来得到多项式回归用正规方程法求解代价函数的最小值点θ使用正规方程法时遇到奇异矩阵的处理方法（跳过）逻辑斯谛回归假设函数决策边界代价函数高级优化算法及其特点推广为多元分类器正则化欠拟合与过拟合正则化简介线性回归的正则化使用梯度下降的情况使用正规方程法的情况逻辑斯谛回归的正则化神经网络
pyxiea·2020-08-03 08:43

吴恩达机器学习课程课时12梯度下降算法中参数θ0，θ1求偏导

最近学习吴恩达的机器学习课程。看到了线性回归的梯度下降算法。课程中将了一个非常简单的线性回归：比如给出一些房子的size和对应的price，我们可以建立一个模型（在此模型就是线性回归），希望之后在给出任意一个房子的size，可以比较准确的预测到房子的价格。课程中的假设函数、参数、代价函数如下：然后下节视频讲到梯度下降算法，希望通过不断迭代使找到θ0,θ1使代价函数值最小。在xOy平面内，当动点由P
温姑娘·2020-08-03 08:22

吴恩达机器学习 - 支持向量机(SVM)

题目链接：点击打开链接笔记：无核SVM数据可视化：Code（命令行）:%Loadfromex6data1:%YouwillhaveX,yinyourenvironmentload('ex6data1.mat');%PlottrainingdataplotData(X,y);效果图：训练Code（这个是写好的代码，码一下以后可以直接用）：function[model]=svmTrain(X,Y,C,
wyg1997·2020-08-03 08:49

BP神经网络原理和算法推导流程（吴恩达机器学习）

1反向传播算法和BP网络简介误差反向传播算法简称反向传播算法（即BP算法）。使用反向传播算法的多层感知器又称为BP神经网络。BP算法是一个迭代算法，它的基本思想为：（1）先计算每一层的状态和激活值，直到最后一层（即信号是前向传播的）；（2）计算每一层的误差，误差的计算过程是从最后一层向前推进的（这就是反向传播算法名字的由来）；（3）更新参数（目标是误差变小）。迭代前面两个步骤，直到满足停止准则（比
wu740027007·2020-08-03 08:23

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
wu740027007·2020-08-03 08:23

线性回归模型及梯度下降算法（吴恩达机器学习第一周作业）

1.线性回归引例：房屋估价系统房屋估价系统问题就是当知道房屋面积、卧室个数与房屋价格的对应关系之后，在得知一个新的房屋信息后如何得到对应的新房屋价格，这类问题可以简化为：寻找房屋面积、卧室个数与房屋价格之间关系方程的过程就是回归，这里假设他们之间是线性关系，即房屋价格可以被表示为房屋面积与卧室个数的一维线性方程，如：这里x表示与房屋价格相关的特征，x1为房屋面积，x2为卧室个数，θ可以理解为各个特
wu740027007·2020-08-03 08:23

吴恩达机器学习----应用机器学习的建议

第十章应用机器学习的建议(AdviceforApplyingMachineLearning)获得更多的训练实例——通常是有效的，但代价较大，可考虑先采用下面的几种方法进行解决：1.尝试减少特征的数量2.尝试获得更多的特征3.尝试增加多项式特征4.尝试减少正则化程度λ5.尝试增加正则化程度λ1、评估一个假设当我们确定学习算法的参数的时候，我们考虑的是选择参量来使训练误差最小化，有人认为得到一个非常小
wu740027007·2020-08-03 08:23

机器学习中代价函数是啥意思？听听大师怎么讲

本文是“吴恩达机器学习视频”学习笔记，“代价函数定义”一节。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。
讲编程的高老师·2020-08-03 08:45

支持向量机【Coursera 斯坦福 机器学习】

本文基于coursera斯坦福吴恩达机器学习课程谢绝任何不标注出处的转载以及百度百家号抄袭如有问题请联系作者很多监督学习的效果都非常相似。
爱看动漫的李皮皮·2020-08-03 07:03

吴恩达机器学习笔记-模型及代价函数

本文主要讲述一元线性回归算法的主要内容，因此默认对监督学习的定义有所了解，若不清楚可查看吴恩达机器学习第一讲或自行Google。
weixin_34137799·2020-08-03 07:05

（吴恩达笔记 2-1）——支持向量机SVM

svm能对训练集以外的数据做出很好的分类决策【注】以下内容均为本人在学习吴恩达机器学习视频时所作笔记，所以较吴恩达的字幕而言相对简单。
灰羽吖·2020-08-03 06:37

与SVM的初识(1)：吴恩达视频中的SVM简介

吴恩达视频中的SVM简介该篇主要参考自吴恩达机器学习视频，部分图片摘自pluskid大神的博客支持向量机系列。同时对于那些和我一样的初学者大力推荐一下pluskid大神的博客,感觉讲得非常清楚。
ALazyGuy·2020-08-03 05:12

[吴恩达机器学习笔记]12支持向量机5SVM参数细节

12.支持向量机觉得有用的话,欢迎一起讨论相互学习~吴恩达老师课程原地址参考资料斯坦福大学2014机器学习教程中文笔记by黄海广12.5SVM参数细节标记点选取标记点(landmark)如图所示为l(1),l(2),l(3)l^{(1)},l^{(2)},l^{(3)}l(1),l(2),l(3),设核函数为高斯函数，其中设预测函数y=1ifθ0+θ1f1+θ2f2+θ3f3≥0\theta_0+
武科大许志伟·2020-08-03 05:12

吴恩达机器学习笔记第七周 SVM支持向量机

由逻辑回归引入SVM：支持向量机或者简称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，我们在逻辑回归中所用的假设函数h(x)的曲线如图：当y=1时，我们希望假设函数能趋向于1，即z>=0,当预测y=0时，我们希望假设函数能趋向于0，即z=1.对于负样本y=0，我们希望cost2(z)=0，即z=0在应用中我们可能需要标记点l1,l2,l3或者更多，我们如何来选择这些标记点呢。
Raven_shhy·2020-08-03 05:51

吴恩达机器学习SVM

核函数为了获得上图所示的判定边界，我们的模型可能是我们可以用一系列的新的特征f来替换模型中的每一项。例如令得到hθ(x)=f1+f2+...+fn。然而，除了对原有的特征进行组合以外，有没有更好的方法来构造f1,f2,f3？我们可以利用核函数来计算出新的特征。高斯核函数为实例x中所有特征与地标l(1)之间的距离的和。我们通常是根据训练集的数量选择地标的数量，即如果训练集中有m个实例，则我们选取m个
swan777·2020-08-03 04:39

吴恩达机器学习视频笔记

专业词汇英文中文英文中文unsupervisedlearning无监督学习clusteringalgorithm（无监督）聚类算法trainingset训练集hypothesis假设函数classificationproblem分类问题univariate单变量terminology术语parameters参数correspondto拟合squaredifference平方差costfunctio
厂花李茜茜·2020-08-03 04:08

吴恩达机器学习 笔记七 支持向量机svm

1.线性svm1.1代价函数  吴恩达的svm课程中由logisitic回归讲起，将logistic回归中的代价函数转换成图中的形式。刚开始的时候我自己很疑惑这个地方：为什么代价函数要变成这个样子又为什么代价为零的地方要是z=1和−1z=1和−1,不是z=2,3,4……z=2,3,4……  直到好好研究了一番svm的几何意义才明白这样做的意义，下面一一道来。1.1.1代价函数为什么要变成这个样子 
qsdzxp·2020-08-03 04:02

吴恩达机器学习笔记---正规方程及推导

前言1.正规方程(NormalEquation)2.正规方程不可逆性及其推导过程正规方程(NormalEquation)到目前为止，对模型参数θ0\theta_{0}θ0，θ1\theta_{1}θ1，θ2\theta_{2}θ2…θn\theta_{n}θn的求解都是使用梯度下降的方式，这种迭代算法需要经过很多次迭代才能收敛到全局最小值。而我们知道求解函数取最小值时候的解可以利用求导，并令倒数为
ML0209·2020-08-03 04:20

斯坦福大学吴恩达机器学习教程中文笔记——week7——支持向量机

第7周文章目录第7周@[toc]十二、支持向量机(SupportVectorMachines)12.1优化目标12.2大边界的直观理解12.3大边界分类背后的数学（选修）12.4核函数112.5核函数212.6使用支持向量机十二、支持向量机(SupportVectorMachines)12.1优化目标参考视频:12-1-OptimizationObjective(15min).mkv到目前为止,你
laiczhang·2020-08-03 04:39

svm支持向量机-吴恩达机器学习基于python

文章目录1线性svm1.1导入数据1.2visualizedata1.3svm算法1.3.1训练1.3.2预测2高斯核函数2.1高斯核函数2.2导入数据2.3visualizedata2.4trybuild-inGaussianKernelofsklearn2.4.1训练2.4.2预测2.4.3画出边界（利用等高线）3寻找最优参数$C$&$\sigma$3.1导入数据3.2visualizedat
吃菜拌胡椒·2020-08-03 03:48

吴恩达机器学习 线性回归代价函数推导

多元线性回归的代价函数推导决策函数：hθ(x)=θ1x1+θ2x2+...+θnxn=∑i=1nθixi=θTxh_{\theta}(x)=\theta_1x_1+\theta_2x_2+...+\theta_nx_n=\sum_{i=1}^{n}\theta_ix_i=\theta^Txhθ(x)=θ1x1+θ2x2+...+θnxn=∑i=1nθixi=θTx令有m个样本，对于每个样本：y(i
Taoist_Nie·2020-08-03 03:33

吴恩达机器学习第五道编程题SVM

1.数据集下载MNIST数据集http://yann.lecun.com/exdb/mnist/index.html读取数据的方法参考https://blog.csdn.net/tracer9/article/details/512536042.libsvm工具包下载地址：https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/notes：该工具包版本号是3.
面包儿·2020-08-03 03:33

吴恩达机器学习笔记（6）SVM支持向量机

这一部分是对吴恩达机器学习SVM支持向量机内容的总结，主要分为以下几个部分1.线性核函数的SVM2.高斯核函数的SVM3.利用SVM进行垃圾邮件检测这一部分的代码非常繁琐，这里仅展示其功能及运行过程，对代码细节不再深究
深度啊学习啊·2020-08-03 03:49

吴恩达机器学习笔记——指数分布族&广义线性模型&逻辑回归概率模型推导

此文章解释指数分布族，广义重点内容线性模型，以及逻辑回归的概率解释推导。1.指数分布族指数分布族即为指数形式的概率分布：其中，T(y)为充分统计量，tau为自然参数。大多数的概率分布都可以转化为指数分布模型，下文会有例子。2.广义线性模型广义线性模型通过指数分布族来引出。广义线性模型有三个假设：(1)y|x;θExponentialFamily（η）；给定样本x与参数θ，样本分类y服从指数分布族中
BestRivenZC·2020-08-03 03:29

吴恩达机器学习笔记——softmax回归概率模型推导

此文章解释指数分布族，广义重点内容线性模型，以及softmax回归的概率解释推导。1.指数分布族指数分布族即为指数形式的概率分布：其中，T(y)为充分统计量，tau为自然参数。大多数的概率分布都可以转化为指数分布模型，下文会有例子。2.广义线性模型广义线性模型通过指数分布族来引出。广义线性模型有三个假设：(1)y|x;θExponentialFamily（η）；给定样本x与参数θ，样本分类y服从指
BestRivenZC·2020-08-03 03:29

吴恩达机器学习——学习理论，经验风险最小化（ERM），一般误差（测试误差），VC维

这一章主要是学习的理论。首先我们来关注这章主要研究的问题：1.我们在实践中针对训练集有训练误差，针对测试集有测试误差，而我们显然更关心的是测试误差。但是实际算法通常都是由训练集和模型结合，那么我们如何针对训练集的好坏来体现出测试误差的信息呢？这是我们研究的第一个问题2.是否存在某些条件，我们能否在这些条件下证明某些学习算法能够良好工作？1.符号定义写在前面，这里这把各种符号定义，如果在后文遇到对符
ChiiZhang·2020-08-03 01:52

【机器学习】知识点汇总

资源：1、《统计学习方法》代码实现2、吴恩达机器学习课程笔记3、七月在线人工智能面试题4、Datawhale秋招机器学习算法工程师面经5、AI算法工程师手册—华校专6、机器学习十大算法系列—July专栏建议学习顺序
heimu24·2020-08-03 00:45

吴恩达机器学习笔记（10）——支持向量机SVM

一、优化目标支持向量机（SupportVectorMachine，SVM）是另一种监督式学习算法。它有时候更加的简洁和强大。我们将逻辑回归中的代价函数转化一下，并使用两段直线来尝试替代曲线，这被称作hingeloss函数。我们把第一项定义为cost1(z)，第二项定义为cost0(z)，那么可以说cost1(z)是当y=1时进行分类的代价函数，cost0(z)是当y=0时进行分类的代价函数。用co
阿尔基亚·2020-08-03 00:43

吴恩达机器学习笔记 - 线性回归 & 代价函数 & 梯度下降

一、基本概念1.1机器学习的定义一个年代近一点的定义，由来自卡内基梅隆大学的TomMitchell提出，一个好的学习问题定义如下：一个程序被认为能从经验E中学习，解决任务T，达到性能度量值P，当且仅当，有了经验E后，经过P评判，程序在处理T时的性能有所提升。比如以下棋的机器学习算法为例：经验E就是程序上万次的自我练习的经验，任务T是下棋，性能度量值P是它在与一些新的对手比赛时，赢得比赛的概率。1.
登龙·2020-08-02 23:28

吴恩达机器学习第六次作业Part1： 直观认识SVM

0.综述直观认识SVM。1.LoadingandVisualizingData这是脚本%%===============Part1:LoadingandVisualizingData================%Westarttheexercisebyfirstloadingandvisualizingthedataset.%Thefollowingcodewillloadthedataset
GaoJieVery6·2020-08-02 22:34

吴恩达机器学习系列课程笔记——非监督学习

该系列笔记内容是楼主在观看课程时记录的，其中图片是视频中ppt的截图，内容仅供参考，有问题欢迎大家指出。目录1.聚类（Clustering）1.1K均值算法（K-means）——迭代算法1.1.1失真代价函数（DistortionCostFunction）1.1.2聚类中心的随机初始化1.1.3聚类数量的选择2.降维（DimensionalityReduction）2.1主成分分析法（PCA，Pr
White_lies·2020-08-02 22:33

吴恩达机器学习系列课程笔记——机器学习系统设计

该系列笔记内容是楼主在观看课程时记录的，其中图片是视频中ppt的截图，内容仅供参考，有问题欢迎大家指出。目录1.误差分析1.1交叉验证错误率（CrossValidationError）1.2查准率和召唤率（Precision/Recall）1.2.1评估度量方法F~1~Score2.推荐系统2.1基于内容的推荐算法（ContentBasedRecommendations）2.2协同过滤（Colla
White_lies·2020-08-02 22:01

吴恩达机器学习系列课程笔记——过拟合问题以及正则化技术

该系列笔记内容是楼主在观看课程时记录的，其中图片是视频中ppt的截图，内容仅供参考，有问题欢迎大家指出。目录1.过拟合问题（OverfittingProblem）2.正则化技术（RegularizationMethod）什么是拟合在介绍拟合前先定义两个名词：偏差和方差偏差（Bias）又称为表观误差，是指个别测定值与测定的平均值之差，它可以用来衡量测定结果的精密度高低，这里描述的是根据样本拟合出的模
White_lies·2020-08-02 22:01

吴恩达机器学习系列课程笔记——神经网络

该系列笔记内容是楼主在观看课程时记录的，其中图片是视频中ppt的截图，内容仅供参考，有问题欢迎大家指出。目录1.神经元结构2.神经网络结构3.前向传播（ForwardPropagation）3.1例子3.1.1简单模型（逻辑运算）3.1.2复杂模型（多输出——分类问题）4.反向传播算法（BackpropagationAlgorithm）4.1梯度检验（GradientChecking）5.随机初始
White_lies·2020-08-02 22:01

吴恩达机器学习系列课程笔记——机器学习的评估和诊断

该系列笔记内容是楼主在观看课程时记录的，其中图片是视频中ppt的截图，内容仅供参考，有问题欢迎大家指出。目录1.机器学习评估方法1.1传统标准1.2交叉验证集2.机器学习诊断法（MachineLearningDiagnostics）2.1特征数量对拟合的影响2.2正则化参数对拟合的影响2.3样本数对拟合的影响——学习曲线（LearningCurves）2.4神经网络隐藏层神经元个数对拟合的影响1.
White_lies·2020-08-02 22:01

吴恩达机器学习笔记-SVM（cs229）

下面是一个最简单的SVM：分类算法：支持向量机（SVM）是一个分类算法（机器学习中经常把算法称为一个“机器”），它的目标是找到图中实线所表示的决策边界，也称为超平面（Hyperplane）支持向量（Supportvectors）：支持向量就是图中虚线穿过的数据点（两个×与一个O），直观上来看，它们确定了超平面的位置——超平面与过同一类的两个支持向量（两个×）的直线平行，并且两类支持向量到超平面的距
wu740027007·2020-08-02 21:34

【机器学习】吴恩达机器学习课程（数学推导详解）

吴恩达机器学习课程笔记机器学习定义什么是机器学习？
infinite_with·2020-08-02 21:56

吴恩达机器学习系列课程笔记——代价函数

该系列笔记内容是楼主在观看课程时记录的，其中图片是视频中ppt的截图，内容仅供参考，有问题欢迎大家指出。目录1.平方误差代价函数（SquareErrorCostFunction）2.逻辑回归代价函数（LogisticRegressionCostFunction）3.神经网络代价函数（NeuralNetworkCostFunction）4.支持向量机代价函数（SVMCostFunction）4.1偏
White_lies·2020-08-02 20:51

C语言知识点汇总（赵海英c语言课程笔记）

C语言知识点汇总根据赵海英c语言课程整理，用于考研复试备考，主要是知识点，代码忽略的多，内容如有错误，欢迎指正1、C语言三类语句：注释语句、定义语句、执行语句2、五类执行语句：控制语句、函数调用语句、表达式语句
我想出去丸·2020-08-02 18:17

吴恩达机器学习（一）——监督学习和无监督学习

在理解监督学习和无监督学习之前，我们先来聊一聊什么是机器学习（ML）？机器学习：首先呢，学习可以称为一个举一反三的过程，举个栗子：我们在学生时代经常参加的考试，考试的题目在上考场前我们未必做过，但是在考试之前我们通常都会刷很多的题目，通过刷题目学会了解题方法，因此考场上面对陌生问题也可以算出答案。机器学习的思路也类似：我们可以利用一些训练数据（已经做过的题），使机器能够利用它们（解题方法）分析未知
大鹏小站·2020-08-01 13:51

吴恩达机器学习视频总结Day03之Logistic回归

1.Logistic(逻辑)线性回归是一种分类算法，常用于解决二分类问题，即结果为是/否或正/负等。解释：Logistic线性回归是将最终的输出值定义在【0,1】之间。一般线性回归的预测函数为Logistic线性回归为g(θ^t*X)g(z)=1/(1+e^-z)sigmoid函数或者logistic函数，一样的意思。2.决策边界对不同类别数据的分界线。注释：当g(z)中z>0时，y=g(z)=1
weixin_40804755·2020-08-01 05:24

关于孩子磨蹭的处理-花生妈妈微信语音课程整理

图片发自App四个部分:两个平衡，三个不要，四有原则五大良药。两个平衡，第一个是在情绪上紧张和连接必须要有一个平衡，第二个是节奏上忙碌和从容必须要有一个平衡。紧张和连接的平衡，更多的是情绪，也就是说双方的情绪，亲子的关系。特别常见的早上起床，我们在催促孩子起床催促他洗漱啊吃饭啊，这个过程中我们是能够预见到可能会有些紧张的，这个里面包括我们还要上班，那么紧张不可怕，关键是你一味的陷在那个里面。那紧张
彤树悠果·2020-08-01 05:11

吴恩达机器学习 笔记三 logistic回归

1.二元分类1.1logistic模型  首先，我们需要搞清楚二元分类模型与之前的线性回归模型的区别。之前的线性回归模型是预测连续输出，对应的典型问题就是预测房价。而现在的二元分类问题是预测一个离散的输出，只关心有无，对应的典型问题就是预测有无癌症。二元分类问题只需要选取一个阈值，超过这个阈值就是y=1y=1，低于这个阈值就是y=0y=0。并且预测分析的输出最好是在[0,1][0,1]这个范围之内
qsdzxp·2020-07-31 23:03

七周成为数据分析师--5 SQL

根据秦路《七周成为数据分析师》同名课程整理，相关视频可在b站免费观看1.SQL最小化的查询结构selectcolumnfromtabletable是表名，column是想要查询的字段／列，column可以用
qiuqiu1027·2020-07-31 21:36

Kotlin课程整理（看完就入门了）

入门的东西很少，没有必要去看视频，看一下文章一下午也就解决了1、首先是变量的声明两个关键字：var（变量）val（常量）基本数据类型：Int，Short，Double，Long，Float，Stringvara:Int=2varb:String="3"当然Kotlin有一个比较牛逼的功能：智能类型推断。vara=2varb="3"系统自动默认a为整形，b为字符串，b=a会报错2､函数的声明关键字：
天空windy·2020-07-30 16:44

吴恩达机器学习作业4：Neural Networks Learning python实现

一、总结：在实现中注意到的问题：1.在教程PDF中，第二层神经元的误差数学表示：Theta2转置后结构：（26*10）delta3的结构：（10*5000）两者做矩阵乘法后：（26*5000）Z2的结构：（25*5000）可以看见，这两者是结构上不一样是做不了点乘运算的，在实现中应该给Z2加上一行然后运算后删去。2.结果向量y的表示规则在每个example的结果向量y中，数字0标记为10，在a3中
zsiming·2020-07-30 13:55

Matlab吴恩达机器学习编程练习ex4：神经网络Neural Networks Learning

本文基于吴恩达老师第五周的练习，在这次的练习中，你将会实现神经网路的后向传播算法(BP神经网络)。作业大纲1神经网络NeuralNetworksex4.m1.1数据可视化1.2模型表示1.3前向传播和代价函数nnCostFunction.m1.4正则化代价函数2后向传播nnCostFunction.m2.1Sigmoid函数的导数sigmoidGradient.m2.2随机初始化randIniti
Zhanghp947·2020-07-30 10:13
上一页 21 22 23 24 25 26 27 28 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他