吴恩达机器学习：week1

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

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

西瓜书+实战+吴恩达机器学习（七）监督学习之决策树 Decision Tree

文章目录0.前言1.划分选择1.1.ID3决策树1.2.C4.5决策树1.3.CART决策树2.剪枝3.连续值处理4.缺失值处理如果这篇文章对你有一点小小的帮助，请给个关注，点个赞喔，我会非常开心的~0.前言一颗决策树包含一个根节点、若干个内部节点、若干个叶子节点，叶子节点对应于决策结果，其他每个节点对应于一个属性测试。构建决策树算法如下图所示（图源：机器学习）：有以下三种情况递归返回：当前节点的
I can丶·2022-12-01 07:37

Andrew-Ng-ML 吴恩达机器学习 课后练习错题总结

Andrew-Ng-ML吴恩达机器学习课后练习错题总结4LinearRegressionwithMultipleVariables5Octave/MatlabTutorial6LogisticRegression7Regularization8NeuralNetworks
持续战斗状态·2022-12-01 07:34

吴恩达机器学习系列课程笔记——第十七章：大规模机器学习(Large Scale Machine Learning)

17.1大型数据集的学习https://www.bilibili.com/video/BV164411b7dx?p=102接下来的课程，我们会学习大规模机器学习，也就是处理大型数据集的算法，对比之前的算法，我们拥有大量的数据集，使得我们的准确度更高，现在我们要学习如何处理大型数据集。为什么我们要学会处理大型数据集呢？我们之前学习过一种高性能的机器学习算法，是采用低偏差的学习算法，并用大数据进行训练
Lishier99·2022-12-01 07:04

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

【2022吴恩达机器学习】神经网络week3

1.2模型评估选取70%作为训练集，30%作为测试集。为了训练模型并对其进行评估，使用有平方误差成本的线性回归。首先通过最小化w和b的成本函数j来拟合参数。然后为了说明这个模型表现如何，计算测试集误差以及训练集误差。训练集的平均误差是0或接近0，所以训练集的J将会很接近0；测试集里可能有没训练过的示例，那么测试集的J会很高。模型选择：发现d=5时，j最低，但可能会导致过拟合。问题是d=5时，Jte
lucky_08·2022-12-01 07:02

【2022吴恩达机器学习】学习笔记1.0

机器学习介绍week1机器学习根据学习数据的不同分为两大类：监督学习、无监督学习线性回归是监督学习里面最简单的一种回归模型用损失函数训练模型我们可以通过梯度下降找到损失函数最低的模型
lucky_08·2022-12-01 07:31

【2022吴恩达机器学习】学习笔记神经网络部分2.0

神经网络3.1如何用代码实现推理例1：烤咖啡豆，如何知道200度烤17分钟是否会产生好咖啡？三角框内都能产生好咖啡x是输入值，用Dense函数来建立一个有3个神经元的第一层，并使用Sigmoid作为激活函数；把x输入第一层a1；同样的方法建立第二层并把第一层的结果输入到第二层；最后判断最终结果。例2：手写数字分类模型x是像素强度值的列表。3.2Tensorflow中数据形式Tensorflow是如
lucky_08·2022-12-01 07:31

【吴恩达机器学习】神经网络week2

神经网络week21.1Tensorflow实现例子：手写数字识别BinaryCrossentropy是分类交叉熵1.要求Tensorflow将神经网络这三层串在一起；2.让Tensorflow编译模型，指定要使用的最后一个函数是什么；3.调用fit函数，告诉Tensorflow在步骤1中使用在步骤2中指定的最后一个成本函数对数据集XY进行了指定。epochs表示可能想要运行多少步来创建下降1.2
lucky_08·2022-12-01 07:31

吴恩达机器学习入门笔记6-决策树(由西瓜书补充)

6决策树6.1结构一个根节点：样本全集若干个内部结点：对应于属性测试若干个叶结点：决策结果属性代表了各个结点，各个结点的连接线代表属性的取值当第一层最优划分属性选取后，在划分后的D中进行递归，一层层选取最优划分属性，最后形成决策树只有一层划分的决策树称为决策树桩6.2目的产生一颗泛化能力强，即处理未见示例能力强的决策树6.3衡量划分属性的标准随着划分的不断进行，决策树的分支结点包含的样本尽可能属于
杰斯洛兰德·2022-12-01 07:58

2022吴恩达机器学习Deeplearning.ai课程编程作业C2_W4: Decision Trees

PracticeLab:DecisionTreesInthisexercise,youwillimplementadecisiontreefromscratchandapplyittothetaskofclassifyingwhetheramushroomisedibleorpoisonous.Outline1-Packages2-ProblemStatement3-Dataset3.1Oneho
alterego2380·2022-12-01 07:26

2022吴恩达机器学习课程学习笔记（第二课第一周）

2022吴恩达机器学习课程学习笔记（第二课第一周）欢迎神经元和大脑神经网络发展大脑中的神经元神经网络高速发展的原因需求预测举例-图像识别神经网络中的层更复杂的神经网络神经网络前向传播如何用代码实现推理TensorFlow
Ys能保研·2022-12-01 07:24

【吴恩达机器学习教学视频笔记】

第二部分：高级学习算法第九章多类的分类9.1多类多类是指输出不止有两个输出标签，需要对多个种类进行分类，即下图的情况。9.2softmax对于多类中的激励的求法与逻辑回归不同，计算方法如下图：当有N个类别时，,通过比较的值来确定其结果。代价函数如下图：可以得出其代价函数与逻辑回归相似，代价函数与y的取值有关。同时当y一定时，值越大，其损失函数值越小。9.3神经网络的softmax输出采用最大回归模
Steve1z·2022-12-01 07:23

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

【2022吴恩达机器学习】决策树

决策树1.1决策树模型决策树是一种典型的分类方法比如说有一组数据，特征量是“是不是折耳”、“是不是圆脸”、“有没有胡须”，输入特征x是这三项，预测目标输出y为“是不是猫”，x采用分类（离散值）。决策树模型：椭圆形的节点都为决策节点，矩形框称为叶子节点。两边子节点的划分属性不一致原因在于：原样本集经过Earshape属性判断之后，样本划分为两个部分(Earshape=Pointy；Earshap=F
lucky_08·2022-12-01 07:20

吴恩达机器学习（二十）—— 推荐系统

吴恩达机器学习系列内容的学习目录→\rightarrow→吴恩达机器学习系列内容汇总。
大彤小忆·2022-12-01 02:07

吴恩达机器学习课后作业3.1——利用神经网络进行多层次分类（Multi-class Classification with the neural network）

1.问题和数据在练习2中，我们实现了多类逻辑回归来识别手写数字。然而，逻辑回归不能形成更复杂的假设，因为它只是一个线性分类器。在这部分练习中，您将使用与前面相同的训练集实现一个神经网络来识别手写数字。神经网络将能够表示形成非线性假设的复杂模型。本周，你们将使用我们已经训练过的神经网络的参数。您的目标是实现前馈传播算法来使用我们的权值进行预测。在下周的练习中，您将编写用于学习神经网络参数的反向传播算
学吧 学无止境·2022-12-01 00:31

吴恩达机器学习课后作业3——多层次分类（Multi-class Classification）

1.问题和数据自动手写数字识别在今天被广泛使用——从识别信封上的邮政编码(邮政编码)到识别银行支票上写的金额。这个练习将向您展示如何将您所学到的方法用于这个分类任务。在本练习中，您将使用逻辑回归和神经网络来识别手写数字(从0到9)。我们将扩展我们在练习2中写的逻辑回归的实现，并将其应用于一对一的分类。ex3data1.mat中有5000个训练示例。其中每个训练示例是一个20像素×20像素的数字灰度
学吧 学无止境·2022-12-01 00:00

吴恩达机器学习课后作业——多元分类及前向传播

1.写在前面吴恩达机器学习的课后作业及数据可以在coursera平台上进行下载，只要注册一下就可以添加课程了。所以这里就不写题目和数据了，有需要的小伙伴自行去下载就可以了。
XHHP·2022-12-01 00:29
上一页 9 10 11 12 13 14 15 16 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他