吴恩达深度学习入门

《深度学习入门：梯度下降法全解析，小白必看！》

目录一、引言二、什么是梯度下降？2.1误差的计算2.2梯度的计算2.3参数更新2.4重复迭代三、梯度下降法的几种主要类型1.批量梯度下降（BatchGradientDescent）2.随机梯度下降（StochasticGradientDescent,SGD）3.小批量梯度下降（Mini-BatchGradientDescent）四、梯度下降的挑战与解决方案1.学习率的选择2.局部最小值与鞍点3.梯

Lemon_wxk·2025-02-02 12:38

斯坦福吴恩达-深度学习和机器学习全套视频+课件！

学生将可以学习到深度学习的基础，学会构建神经网络，并用在包括吴恩达本人在内的多位业界顶尖专家指导下创建自己的机器学习项目。DeepLearningSpecialization对卷积神经网络(CNN

Alexquyun·2025-01-31 06:54

吴恩达Prompt Engineering(2/9): Guidelines for Prompting

目录PrincipalsofPromptingPrinciple1Tactic1:Tactic2:AskforstructuredoutputTactic3:Checkwhetherconditionsaresatisfied/CheckassumptionsrequiredtodothetaskTactic4:Few-Shotprompting,Givesuccessfulexamplesofc

就叫你天选之人啦·2025-01-26 16:08

吴恩达《提示词工程》（Prompt Engineering for Developers）课程详细笔记

课程简介目标：帮助开发者理解如何有效地使用大语言模型（LLMs），提升通过提示词解决问题的能力。适用对象：开发者、AI从业者、产品经理等，希望通过提示词优化生成模型性能的人。第1章：提示词工程基础1.什么是提示词工程提示词工程是一种优化与大语言模型（如GPT）交互的技术，旨在通过设计有效的提示词（prompts）引导模型生成所需的输出。主要思想：用正确的方式提问以得到最佳答案。2.提示词的组成指令

拾工·2025-01-24 23:17

吴恩达深度学习笔记（七）——机器学习策略

一、正交化通俗的理解就是：要能够诊断出系统性能瓶颈在哪里，以有策略刚好解决这个问题。一个“按钮”只负责解决一件事情。二、单一数字评估指标准确率（precision）：在分类器中标记为猫的例子中，有多少是真的猫召回率（recall）：对于所有的真猫图片，你的分类器正确识别了多少。但如果有两个评估指标，就很难去选择一个更好的分类器，如下图所示。所以有一个结合这两个指标的标准方法，也即F1分数，定义如下

子非鱼icon·2025-01-23 10:42

吴恩达系列——微调（Fine-tuning）与生成模型的应用

微调（Fine-tuning）是指在已有预训练模型的基础上，对模型进行进一步训练，以适应特定任务或需求。在自然语言处理领域，生成模型通过微调可以在特定场景下生成更加准确、一致的输出，同时保护用户的隐私，减少不当信息的泄露。本文将结合生成模型的工作原理和实际应用，解释微调如何提升生成模型的效果，并探讨其在保护隐私方面的优势。1.生成模型与Prompt的作用生成模型，如GPT系列，通常通过接受一个输入

疯狂小料·2025-01-18 21:04

AI代码生成器赋能软件原型快速构建：吴恩达的最佳实践指南

本文将结合吴恩达教授的观点，探讨如何利用AI工具，高效构建软件原型。吴恩达教授强调选择合适的技术栈并有效利用AI工具是关键，这将帮助开发者在短时间内完成原型开发，快速验证其想法。

·2025-01-17 01:19

吴恩达深度学习笔记(30)-正则化的解释

正则化（Regularization）深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高，但正则化通常有助于避免过拟合或减少你的网络误差。如果你怀疑神经网络过度拟合了数据，即存在高方差问题，那么最先想到的方法可能是正则化，另一个解决高方差的方法就是准备更多数据，这也是非常

极客Array·2024-09-16 00:23

七.正则化

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

愿风去了·2024-09-15 21:11

深度学习入门篇：PyTorch实现手写数字识别

这个问题通常作为深度学习入门的练习，因为

AI_Guru人工智能·2024-09-14 02:43

人工智能中的哲学

〇、前言人工智能威胁论支持者：埃隆·马斯克、史蒂芬·霍金、比尔·盖茨反对者：马克·扎克伯格、吴恩达、佩德罗·多明戈斯人工智能是什么？应不应该发展人工智能？未来机器人和自动化会不会完全取代人类劳动力？

Dijkstra's Monk-ey·2024-09-08 11:56

深度学习入门：使用 PyTorch 构建和训练你的第一个神经网络

引言深度学习是机器学习的一个分支，它利用多层非线性处理单元（即神经网络）来解决复杂的模式识别问题。PyTorch是一个强大的深度学习框架，它提供了灵活的API和动态计算图，非常适合初学者和研究者使用。安装PyTorch确保安装了Python和pip。然后通过以下命令安装PyTorch：pipinstalltorchtorchvision导入库我们需要导入一些必要的库：importtorchimpo

Mr' 郑·2024-09-04 13:29

02 使用 LSTM 进行时间序列预测

深度学习入门：使用LSTM进行时间序列预测引言深度学习在时间序列预测中展现出了强大的能力，尤其是长短期记忆（LSTM）网络。本文将为深度学习初学者介绍如何使用LSTM网络进行时间序列预测。

柒魅。·2024-09-03 15:39

吴恩达深度学习笔记(24)-为什么要使用深度神经网络？

为什么使用深层表示？（Whydeeprepresentations?）我们都知道深度神经网络能解决好多问题，其实并不需要很大的神经网络，但是得有深度，得有比较多的隐藏层，这是为什么呢？我们一起来看几个例子来帮助理解，为什么深度神经网络会很好用。首先，深度网络在计算什么？如果你在建一个人脸识别或是人脸检测系统，深度神经网络所做的事就是，当你输入一张脸部的照片，然后你可以把深度神经网络的第一层，当成一

极客Array·2024-09-01 16:18

python里的i_Python 中[::] 与 [:,:,i] 总结

最近在学吴恩达的DeepLearning中的第五门课SequenceModel,第一个lab是用Numpy搭建RNN，在搭建RNN的时候用到了Numpy的Slicing([:,:,i]),在这里想总结下

桌游顽主的航仔·2024-08-31 13:55

全网爆火的第一本程序员的Agent入门书籍——《大模型应用开发动手做AI Agent》

OpenAI创始人奥特曼预测，未来各行各业，每一个人都可以拥有一个AIAgent；比尔·盖茨在2023年层预言：AIAgent将彻底改变人机交互方式，并颠覆整个软件行业；吴恩达教授在AIAscent2024

AI大模型-搬运工·2024-08-28 11:06

一点机器学习的体会

传统的机器学习有一套较完整的理论和算法，去scikitlearning网站可以有个大致的了解，或者听下吴恩达老师那门基础ML课程（网

zfq212·2024-08-27 20:18

【深度学习入门项目】一文带你弄清决策树（鸢尾花分类）

目录实验原理1.信息增益2.增益率3.基尼指数4.剪枝处理一、加载数据集二、配置模型三、训练模型四、模型预测五、模型评估六、决策树调参1.criterion2.max_depth实验原理决策树(decisiontree)是一种应用广泛的机器学习方法。顾名思义，决策树算法的表现形式可以直观理解为一棵树（可以是二叉树或非二叉树）。一棵决策树一般包含一个根节点、一系列内部节点和叶节点，一个叶节点对应一个

Better Rose·2024-08-24 03:07

【深度学习】吴恩达-课后作业-搭建多层神经网络以及应用

Ng的深度学习，其实前几个月就听完了，课后作业也是大懂不懂的都做了一遍，代码也跟着各种各样的参考敲了一遍，但暑假几个月没怎么学习。。。基本也忘得差不多了，这几周回顾了一下深度学习这门课的笔记，看了别的博主的总结，对CNN，RNN,LSTM,注意力机制等网络结构进行了复盘，虽然感觉自己很心浮气躁，一边也在学集成学习那几个算法和推荐系统相关，这里也告诉自己：贪多嚼不烂，心急吃不了热豆腐，慢慢来，还是要

—Xi—·2024-08-23 10:17

深度学习应该如何入门？

2.学习机器学习吴恩达的机器学习课程是一个很好的入门教程。虽然有些地

wypdao·2024-03-09 11:38

吴恩达机器学习全课程笔记第一篇

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

亿维数组·2024-02-20 21:37

吴恩达机器学习全课程笔记第二篇

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

亿维数组·2024-02-20 21:03

卷积神经网络吴恩达coursera

ConvolutionalNNFoundationsofCNNmatrixsconvolutionEdgedetectionVertical/horizontialconv-forward(tf.nn.cov2d)matrix(6×6)∗filter(3×3)=matrix(4×4)matrix(6\times6)*filter(3\times3)=matrix(4\times4)matrix(6

stoAir·2024-02-20 20:01

【吴恩达·机器学习】第二章：多变量线性回归模型（选择学习率、特征缩放、特征工程、多项式回归）

——《朗读者》0、声明本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写，主要包括老师的核心讲义和自己的理解。

Yaoyao2024·2024-02-20 11:12

吴恩达深度学习-L1 神经网络和深度学习总结

作业地址：吴恩达《深度学习》作业线上版-知乎(zhihu.com)写的很好的笔记：吴恩达《深度学习》笔记汇总-知乎(zhihu.com)我的「吴恩达深度学习笔记」汇总帖（附18个代码实战项目）-知乎(zhihu.com

向来痴_·2024-02-20 07:26

LLM(2)之指令提示词(Prompt)基础教学

之指令提示词Author：OnceDayDate：2024年2月15日全系列专栏请查看:LLM实践成长_Once_day的博客-CSDN博客参考文章：中文完整版全9集ChatGPT提示工程师｜AI大神吴恩达教你写提示词

Once_day·2024-02-19 20:04

【吴恩达·机器学习】第二章：单变量线性回归模型（代价函数、梯度下降、学习率、batch）

——《朗读者》0、声明本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写，主要包括老师的核心讲义和自己的理解。

Yaoyao2024·2024-02-19 14:41

深度学习-吴恩达L1W2作业

作业1：吴恩达《深度学习》L1W2作业1-Heywhale.com作业2：吴恩达《深度学习》L1W2作业2-Heywhale.com作业1你需要记住的内容：-np.exp（x）适用于任何np.arrayx

向来痴_·2024-02-15 09:05

吴恩达机器学习—大规模机器学习

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

魏清宇·2024-02-14 21:14

图像分割——基于pytorch的牙齿分割

作为视觉基础任务的图像分割是大多数深度学习入门者的进一步学习，本文将用牙齿分割作为数据集，分享一下图像分割的训练内容。

苏俗·2024-02-14 04:35

图像分类——基于pytorch的农作物病虫害检测

作为视觉基础任务的图像分类是大多数深度学习入门者的基础，本文将用包含33类的农作物病虫害数据集作为数据集，来过一遍图像分类任务的基本步骤。

苏俗·2024-02-14 04:05

人工智能深度学习入门指南

本文将为你提供一份深度学习入门指南，帮助你快速掌握深度学习的基本知识和应用技能。1.了解深度学习基本概念在开始深度学习之前，你需要了解一些基本概念，如神经网络、激活函数、损失函数、反向传播等。

白猫a~·2024-02-11 23:00

吴恩达机器学习—正则化

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

魏清宇·2024-02-11 09:55

深度学习入门--参数的优化算法

1.梯度下降法（GradientDescent）梯度下降法的计算过程就是沿梯度下降的方向求解极小值，也可以沿梯度上升方向求解最大值。假设模型参数为θ\thetaθ，损失函数为J(θ)J(\theta)J(θ)，损失函数关于参数的偏导数，也就是梯度为▽θJ(θ)\triangledown_\thetaJ(\theta)▽θJ(θ)，学习率为α\alphaα，则使用梯度下降法更新参数为：梯度下降法目前

我只钓小鱼·2024-02-11 03:53

魏清宇·2024-02-11 02:53

神经网络和深度学习(一):深度学习概论

type=detail&id=2001701005&cid=20016940041、什么是神经网络我们来看一个简单的预测房价的例子，吴恩达老师还真是喜欢用这个例子呢。

文哥的学习日记·2024-02-10 11:03

第五届脑电深度学习入门班（训练营：2023.9.12~9.20）

茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图（Electroencephalogram,EEG）是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映，包

茗创科技·2024-02-09 21:12

【吴恩达机器学习】第八周—聚类降维Kmeans算法

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

Sunflow007·2024-02-09 20:26

吴恩达机器学习笔记（2）

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

python小白22·2024-02-09 18:11

深度学习入门笔记（九）自编码器

自编码器是一个无监督的应用，它使用反向传播来更新参数，它最终的目标是让输出等于输入。数学上的表达为，f(x)=x，f为自编码器，x为输入数据。自编码器会先将输入数据压缩到一个较低维度的特征，然后利用这个较低维度的特征重现输入的数据，重现后的数据就是自编码器的输出。所以，从本质上来说，自编码器就是一个压缩算法。自编码器由3个部分组成：编码器（Encoder）：用于数据压缩。压缩特征向量（Compre

zhanghui_cuc·2024-02-09 08:57

深度学习入门笔记（八）可以不断思考的模型：RNN与LSTM

8.1循环神经网络RNN之前学到的CNN和全连接，模型的输入数据之间是没有关联的，比如图像分类，每次输入的图片与图片之间就没有任何关系，上一张图片的内容不会影响到下一张图片的结果。但在自然语言处理领域，这就成了一个短板。RNN因此出现，它是一类用于处理序列数据的神经网络。其基本单元结构如下自底向上的三个蓝色的节点分别是输入层、隐藏层和输出层。U和V分别是连接两个层的权重矩阵。如果不考虑右边的棕色环

zhanghui_cuc·2024-02-09 08:56

第四届脑电深度学习入门班（训练营：2023.7.4~7.12）

茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图（Electroencephalogram,EEG）是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映，包

茗创科技·2024-02-09 05:48

深度学习与计算机视觉：实例入门-第六章

给深度学习入门者的Python快速教程-番外篇之Python-OpenCV《深度学习与计算机视觉》全书网址：https://frombeijingwithlove.github.io…本篇原网址：https

javastart·2024-02-08 09:38

神经网络与深度学习 Neural Networks and Deep Learning 课程笔记第一周

NeuralNetworksandDeepLearning课程笔记第一周文章目录神经网络与深度学习NeuralNetworksandDeepLearning课程笔记第一周深度学习简介什么是神经网络使用神经网络进行监督学习为什么神经网络会兴起本文是吴恩达深度学习系列课程的学习笔记

林间得鹿·2024-02-08 09:21

深度学习教程 | 神经网络优化算法

深度学习教程|深度学习的实用层面深度学习教程|深度学习的实用层面ShowMeAI2022-04-1412,153阅读23分钟专栏：深度学习教程◉吴恩达专项课程最全笔记[外链图片转存中…(img-etBVICyc

Dashesand·2024-02-08 03:22

深度学习教程 | 自然语言处理与词嵌入