吴恩达深度学习课程编程作业

吴恩达神经网络和深度学习-学习笔记-19-机器学习策略（正交化+单一数字评估指标）

一些策略，一些分析机器学习问题的方法。正交化方法建立机器学习系统的挑战之一是：可以尝试和改变的东西太多了。那些效率很高的机器学习专家有个特点，theyareveryclear-eyedaboutwhattotuneinordertotrytoachieveoneeffect.这个操作我们称为正交化。简单来说就是Onethingatatime。当不能fittrainingsetwelloncostf
Harry嗷·2023-01-26 08:58

吴恩达深度学习：正交化、单一数字评估、满足优化指标

此公众号会发表计算机考研（初复试信息）、夏令营等资料，方便考研人对信息的获取，节约自身查找资料的时间目录正交化单一数字评估指标满足和优化指标(SatisficingandOptimizingMetrics)正交化搭建建立机器学习系统的挑战之一是，你可以尝试和改变的东西太多太多了。包括，比如说，有那么多的超参数可以调。我留意到，那些效率很高的机器学习专家有个特点，他们思维清晰，对于要调整什么来达到某
青竹aaa·2023-01-26 08:27

深度学习理论总结（1）

本系列内容是在楼主学习吴恩达老师的深度学习课程后进行的总结，使用的程序软件为python。如有纰漏还请各位大佬指出，我将虚心接受。
殇银·2023-01-26 03:12

《机器学习-吴恩达》课程笔记week8

目录ClusteringK-MeansAlgorithmOptimizationObjectiveRandomInitializationChoosingtheNumberofClustersMotivationMotivationI&II：DataCompressionPrincipalComponentAnalysisPrincipalComponentAnalysisProblemFormu
SofiaT·2023-01-25 14:30

深度学习课程笔记（一）CNN 卷积神经网络

深度学习课程笔记（一）CNN解析篇相关资料来自：http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17_2.html首先提到WhyCNNforImage?
a1424262219·2023-01-25 11:01

2019吴恩达机器学习课程笔记——week1——1.Introduction

2019吴恩达机器学习课程笔记——week1——1.Introduction一、WhatisMachineLearning?
weixin_30907523·2023-01-24 16:44

吴恩达机器学习13-聚类

吴恩达机器学习13-聚类1.无监督学习样本不带标记在监督学习中，数据有一系列标签，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，数据没有附带任何标签。
小y同学在学习·2023-01-24 15:12

吴恩达机器学习课后作业——异常检测和推荐系统（协同过滤算法）

Anomalydetection（异常检测）一、作业内容在本练习中，我们将使用高斯模型实现异常检测算法，并将其应用于检测网络上的故障服务器。在这个练习中，您将实现一个异常检测算法来检测服务器计算机中的异常行为。这些特性测量每个服务器的响应的吞吐量(mb/s)和延迟(ms)。当服务器运行时，您收集了m=307个关于它们行为的示例，因此有一个未标记的数据集[z(1)，.，(m)]。您怀疑这些示例中的绝
荭凯·2023-01-24 15:11

吴恩达机器学习[14]-无监督学习之 K均值聚类算法

机器学习系统设计无监督学习unsupervisedlearningK-Means算法K-Meansalgorithm优化目标Optimizationobjective随机初始化randominitialization选取聚类数量性能度量扩充-原型聚类无监督学习unsupervisedlearning类型定义差异监督学习给定一些带标签的数据，用假设函数去拟合它，寻找能够区分正样本和负样本的决策边界1
踏归1234·2023-01-24 15:08

吴恩达机器学习系列五(聚类和降维)

吴恩达机器学习系列五聚类（Clustering）无监督学习K-均值算法优化目标随机初始化选择聚类数降维（DimensionalityReduction）动机一：数据压缩动机二：数据可视化主成分分析问题主成分分析算法选择主成分的数量重建的压缩表示主成分分析法的应用建议聚类
酸菜鱼_2323·2023-01-24 15:37

吴恩达机器学习 2022新版

2022吴恩达机器学习第一周一.机器学习的定义二.机器学习的分类2.1.监督学习【回归算法】【分类算法】三.lossfunction3.1.损失函数公式四.梯度下降4.1.梯度下降算法4.2.理解梯度下降
X'- Shirley. X·2023-01-24 15:35

【2022吴恩达

机器学习（聚类和异常检测）无监督学习--聚类监督学习中，数据集包括输入x和目标输出y无监督学习中，得到一个只有输入x的数据集，但没有目标标签yK-means聚类假设黄点是数据，我们需要把黄点用k-means分为两类。第一步是（将点分配给簇质心）随机设置中心位置，然后遍历所有的样本，把每一个黄点分配给最近的中心。红叉和蓝叉就是我们设置的两个中心。第二步是（移动簇质心）遍历所有的红点，然后对他们取平均
lucky_08·2023-01-24 15:33

【CV】吴恩达机器学习课程笔记第18章

本系列文章如果没有特殊说明，正文内容均解释的是文字上方的图片机器学习|Coursera吴恩达机器学习系列课程_bilibili目录18应用案例：照片OCR18-1问题描述与流程(pipeline)18-
Fannnnf·2023-01-24 11:07

吴恩达深度学习Day1

神经网络（neuralnetwork）：不论何种类型的人工神经网络，它们共同的特点是，大规模并行处理，分布式存储，弹性拓扑，高度冗余和非线性运算；而具有很髙的运算速度，很强的联想能力，很强的适应性，很强的容错能力和自组织能力。对每个输出需求（每个不同输入的输出）设定一个特定的人工神经元（功能模型），然后每个第一层的神经元的输出（可以看成新的特征）再输入到下一层的神经元；神经网络可以自己计算出它想要
Tezzz·2023-01-23 19:56

吴恩达机器学习Day5

逻辑回归的梯度下降：对w和b求偏导结果与线性回归是相似的（神奇）；但事实上并不一样：训练逻辑回归模型：sklearn函数过拟合（overfitting）：即使非常适合训练集但也因为太适合数据，因此是过拟合（高方差）；这个模型不具有泛化到新样本的能力；欠拟合（高偏差）；适中（泛化）；解决过拟合：①更多的训练数据；②是否可以使用更少的特征；③使用正则化来减小参数的大小（better）；线性回归正则化：
Tezzz·2023-01-23 19:25

吴恩达机器学习笔记：手搓线性回归(梯度下降寻优)

吴恩达老师课程中使用一个参数theta保存两个变量，不过我好像没把中间变量的形状对齐，所以最后实现了两个参数的版本。
七月是你的谎言..·2023-01-23 15:11

吴恩达【深度学习】笔记01——向量化、For循环及Python中的Broadcasting

向量化是非常基础的去除代码中for循环的艺术，在深度学习安全领域、深度学习实践中，你会经常发现自己训练大数据集，因为深度学习算法处理大数据集效果很棒，所以代码的运行速度非常重要。否则在数据集很大时，代码需要花费很长时间去处理。在深度学习领域，运行向量化是一个关键的技巧。文章目录1.向量化2.向量化实现3.非向量化实现4.python中的广播5.补充：关于numpy中向量的说明1.向量化举一个例子说
美式咖啡不加糖x·2023-01-23 15:10

python向量化与循环计算内积、外积速度对比

上吴恩达老师的课，介绍了python中向量化操作的速度和for循环的速度不是一个量级，故通过实验进行直观体会：实验环境：windows10python3.7jupyterimportnumpyasnpimporttime
七月是你的谎言..·2023-01-23 15:09

李宏毅深度学习课程Spring2022作业1

文章目录目标任务描述数据评价标准Kaggle-Submission作业simplebaseline：1)Downloaddata2)Importpackages3）SomeUtilityFunction4）DatasetNeuralNetworkModelFeatureSelection(划分训练集、测试集、验证集的x、y)TrainingLoopConfigurationsDataloaderS
闪闪发亮的小星星·2023-01-23 11:07

吴恩达《深度学习-序列模型》3 -- 序列模型和注意力机制

1.Basicmodel基础模型例如将法语翻译成英语：首先将法语单词逐个输入到CNN，这部分称为encodernetwork，然后一次输出一个英语单词，这部分称为decodernetwork。CNN结合RNN解读图片内容，如上图输入一副图像，生成一句描述图像的句子。2.Pickingthemostlikelysentence最优句子如图，是语言模型和机器翻译的流程对比，可以发现语言模型和机器翻译的
寻梦梦飞扬·2023-01-22 08:52

门控循环单元-GRU单元（Gated Recurrent Unit）

来源：Coursera吴恩达深度学习课程接下来我们将会学习门控循环单元（GatedRecurrentUnit），它改变了RNN的隐藏层，使其可以更好地捕捉深层连接，并改善了梯度消失问题，让我们看一看。
双木的木·2023-01-22 07:25

吴恩达机器学习打卡day5

本系列文档按课程视频的章节（P+第几集）进行分类，记录了学习时的一些知识点，方便自己复习。课程视频P43——非线性假设图1表示当变量特别多，比如在计算机视觉图像识别上，就算是50x50的一小块区域就包含2500个像素，每个像素算做一个变量，按灰度计算每个像素就有255个颜色，如果按RGB来计算每个像素就有7500个颜色，如此以来总的特征就超过了3million个，因此用线性方式表示就不合适了，会导
学吧 学无止境·2023-01-21 21:32

吴恩达机器学习打卡day4

本系列文档按课程视频的章节（P+第几集）进行分类，记录了学习时的一些知识点，方便自己复习。课程视频P32——分类图1表示最基础的分类原理，当类别只有0，1两种情况时，以0.5为阈值（threshold，当hθ(x)h_{\theta}(x)hθ(x)超过0.5时，就判定为1，否则为0。图1 但是这种方式过于“一刀切”，如图2，当出现一个很横坐标hθ(x)h_{\theta}(x)hθ(x)很大的数
学吧 学无止境·2023-01-21 21:31

吴恩达机器学习打卡day9

本系列文档按课程视频的章节（P+第几集）进行分类，记录了学习时的一些知识点，方便自己复习。课程视频P83—主成分分析构思PCA(PrincipalComponentAnalysisProblemFormulation)线性回归和PCA的最优模型都是最小化某个值，只是线性回归最小化预测值和真实值之间的误差，而PCA最小化投影误差。PCA三维和PCA二维原理相同，都是最小化投影误差。图1 图2 课程视
学吧 学无止境·2023-01-21 21:01

吴恩达机器学习打卡day3

本系列文档按课程视频的章节（P+第几集）进行分类，记录了学习时的一些知识点，方便自己复习。课程视频P22图1表示使用了不同次数的变量在此情形下，若要使用梯度下降法，则需要先对数据进行特征缩放，不然没有可操作性。图1      图2使用不同的函数来代表房价预测曲线。图2 课程视频P23——正规方程图3形象的展示了梯度下降法求解代价函数最小值到最后的情况，对于普通的一元二次函数，通过求导、令式子等于0
学吧 学无止境·2023-01-21 21:31

吴恩达机器学习打卡day2

本系列文档按课程视频的章节（P+第几集）进行分类，记录了学习时的一些知识点，方便自己复习。课程视频P11图1表示了梯度下降方法和线性回归模型，而我们要做的就是把它俩结合起来，用梯度下降法来使这个线性回归模型达到最小值。画红线的部分为偏导数，是重点要讨论的部分，在下一张图展开。图1      图2将梯度下降法中的偏导函数的求解分步展开写了出来。图2 图3形象的展示了梯度下降法的求解方式，在山顶不断地
学吧 学无止境·2023-01-21 21:31

吴恩达机器学习 day02单变量线性回归

01模型描述为了更好的描述监督学习问题，需要给出训练集并以此构建一个模型。下面先学习几个符号：m:代表的是训练集有几个x:代表的是输入的特征y:代表的是输出，也就是预测的目标变量h:代表假设函数，引导从x得到y的函数02代价函数（平方误差函数）可以通过代价函数来衡量假设函数的准确性。代价函数取值越小，假设函数就越准确。代价函数有助于我们弄清楚如何把最有可能的直线与我们的数据相拟合。在线性回归中，我
念～旭·2023-01-21 21:01

吴恩达机器学习 day01初识机器学习

01监督学习监督学习是指我们给算法一个数据集，其中包含了正确的答案。算法的目的就是给出更多的正确答案。回归是指我们设法预测连续值的属性，可以应用在预测房子价格等方面。分类是指我们设法预测离散值的输出(0或1)，可以应用在判断账户是否被入侵等方面。02无监督学习无监督学习也会给一个数据集，但是数据集不包括正确答案(里面的数据要么都有相同的标签要么都没有标签)。无监督学习会将数据分为一个个不同的簇，这
念～旭·2023-01-21 21:30

吴恩达机器学习第三章作业答案 part1：多类别逻辑回归

importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltfromscipy.ioimportloadmatfromsklearn.metricsimportclassification_reportfromscipy.optimizeimportminimizedefsigmoid(z):return1/(1+np.exp(-z))#向
枸空·2023-01-21 21:30

吴恩达机器学习day10（聚类(Clustering)）

聚类一.无监督学习：应用：二.K-均值算法三.优化目标四.随机初始化五.选择聚类数一.无监督学习：聚类算法，非监督学习算法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：在这里我们有一系列点，却没
晨沉宸辰·2023-01-21 21:27

吴恩达机器学习day12（异常检测）

异常检测一.问题的动机二.高斯分布三.算法四.开发和评价一个异常监测系统五.异常检测与监督学习对比六.选择特征一.问题的动机什么是异常检测呢？为了解释这个概念，让我举一个例子吧：假想你是一个飞机引擎制造商，当你生产的飞机引擎从生产线上流出时，你需要进行QA(质量控制测试)，而作为这个测试的一部分，你测量了飞机引擎的一些特征变量，比如引擎运转时产生的热量，或者引擎的振动等等。这样一来，你就有了一个数
晨沉宸辰·2023-01-21 21:27

吴恩达机器学习day13（推荐系统(Recommender Systems)）

推荐系统(RecommenderSystems一.问题形式化二.基于内容的推荐系统三.协同过滤四.协同过滤算法五.向量化：低秩矩阵分解六.推行工作上的细节：均值归一化一.问题形式化我们从一个例子开始定义推荐系统的问题。假使我们是一个电影供应商，我们有5部电影和4个用户，我们要求用户为电影打分。前三部电影是爱情片，后两部则是动作片，我们可以看出Alice和Bob似乎更倾向与爱情片，而Carol和Da
晨沉宸辰·2023-01-21 21:27

吴恩达机器学习作业2（逻辑回归）

逻辑回归一.知识回顾二.题目二.编程的设计【1】引入一些包【2】准备数据【3】sigmoid函数【4】costfunction(代价函数)1.设置参数【5】gradientdescent(梯度下降)1.损失梯度的推导2.代码【6】拟合参数【7】用训练集预测和验证【7】寻找决策边界1.输出最后拟合的参数2.根据边界公式计算X×θX\times\thetaX×θ3.画出图形三.正则化逻辑回归特征映射对
晨沉宸辰·2023-01-21 21:26

吴恩达机器学习day4（正则化(Regularization)）

正则化一过拟合问题二代价函数三正则化线性回归四正则化的逻辑回归模型一过拟合问题正则化(regularization)的技术，它可以改善或者减少过度拟合问题。如果我们有非常多的特征，我们通过学习得到的假设可能能够非常好地适应训练集（代价函数可能几乎为0），但是可能会不能推广到新的数据。下图是一个回归问题的例子：第一个模型是一个线性模型，欠拟合，不能很好地适应我们的训练集；第三个模型是一个四次方的模型
晨沉宸辰·2023-01-21 21:56

吴恩达机器学习day5（神经网络：表述）

神经网络学习：表述一.非线性假设【1】前提引入【2】实例体验二.神经元和大脑三.模型表示1【1】了解实际神经系统【2】模型思考：三.模型表示2四.特征和直观解释1一.非线性假设【1】前提引入我们之前学的，无论是线性回归还是逻辑回归都有这样一个缺点，即：当特征太多时，计算的负荷会非常大。下面是一个例子：使用非线性的多项式项，能够帮助我们建立更好的分类模型。【1】假设我们有非常多的特征，例如大于100
晨沉宸辰·2023-01-21 21:56

吴恩达机器学习day1（了解机器学习）

初步了解机器学习前言了解机器学习【1】常见的机器学习的体现：【2】机器学习的领域：【3】机器学习的应用：什么是机器学习？监督学习[1]定义[2]了解[3]基本思想无监督学习定义：例子：总结：前言了解机器学习【1】常见的机器学习的体现：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。谷歌和微软实现了学习算法来排行网页每次，你用Facebook或苹果的图片分类程序他能认出你朋友的照片，
晨沉宸辰·2023-01-21 21:26

吴恩达机器学习Day4

有监督类算法②：分类算法：输出结果常常是："0"or"1";"yes"or"no";"ture"or"false";"negativeclass"or"positiveclass";用线性回归算法解决分类，可能会奏效，但通常效果不佳；例如：逻辑回归：使用最广泛的分类算法；相比于线性回归,逻辑回归是一条曲线；需要引入一个重要的数学函数：sigmoid函数（逻辑函数）；决策边界：令决策函数z=0？决策
Tezzz·2023-01-21 21:49

机器学习——推荐算法

机器学习一、问题规划二、基于内容的推荐算法三、协同过滤四、协同过滤算法五、矢量化：低秩矩阵分解六、实施细节：均值规范化提示：本文是基于吴恩达老师机器学习视频总结一、问题规划推荐系统在我们的日常生活中其实很常见
only demo·2023-01-21 17:48

吴恩达《机器学习》课程笔记归纳（一）-- 初识机器学习

参考地址：https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes1.什么是机器学习一个年代近一点的定义，由TomMitchell提出，来自卡内基梅隆大学，Tom定义的机器学习是，一个好的学习问题定义如下，他说，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。经验E就
aa_JamesJones·2023-01-21 17:16

监督学习和无监督学习

机器学习1.机器学习是什么2.监督学习举例说明：回归问题分类问题3.无监督学习举例说明：聚类问题非聚类问题提示：该文是基于吴恩达老师机器学习视频总结1.机器学习是什么计算机程序从经验E中学习解决某一任务
only demo·2023-01-21 17:46

python用电预测_Python预测发电厂电能输出--基于多元线性回归模型-站长资讯中心...

前言最近有在学习网易云课堂上《吴恩达机器学习》这门课程,受益匪浅,然后打算将有关线性回归模型的知识点总结下来,也就有了本文.若存在错误的地方,还请指正,谢谢!
weixin_39728213·2023-01-21 15:50

吴恩达教你如何成为AI业界大佬

选自|TowardsDataScience作者|RichmondAlake转自|机器之心这篇文章内容取自斯坦福大学教授、Coursera联合创始人吴恩达的课堂演讲，主题为《关于在机器学习领域获得成功职业生涯的几点建议
「已注销」·2023-01-21 11:19

【机器学习 吴恩达】2022课程笔记（持续更新）

一、机器学习1.1机器学习定义计算机程序从经验E中学习，解决某一任务T，进行某一性能P，通过P测定在T上的表现因经验E而提高eg：跳棋程序E：程序自身下的上万盘棋局T：下跳棋P：与新对手下跳棋时赢的概率1.2监督学习supervisedlearning1.2.1监督学习定义给算法一个数据集，其中包含了正确答案，算法的目的是给出更多的正确答案如预测房价（回归问题）、肿瘤良性恶性分类（分类问题）1.3
何梦吉他·2023-01-21 11:16

第一章-机器学习简介 深度之眼_吴恩达机器学习作业训练营

目录专栏简介：一，机器学习简介1.1机器学习定义1.1机器学习的重要性1.2应用领域二、监督学习三、无监督学习四、总结专栏简介：本栏主要内容为吴恩达机器学习公开课的学习笔记，以及深度之眼的吴恩达机器学习作业训练营
凡尘维一心·2023-01-21 09:32

吴恩达深度学习第一课第四周编程作业（1）

吴恩达深度学习第一课第四周编程作业（1）构建深层神经网络：一步一步1-包装2-轮廓3-初始化3.1-2层神经网络练习1-初始化参数3.2-L层神经网络练习2-初始化参数4-正向传播模块4.1-线性向前练习
tqh267·2023-01-21 09:00

吴恩达深度学习笔记-机器学习策略(第8课)

机器学习策略一、进行误差分析二、清除标注错误的数据三、快速搭建你的第一个系统，并进行迭代四、在不同的划分上进行训练并测试五、不匹配数据划分的偏差和方差六、解决数据不匹配七、迁移学习八、多任务学习九、什么是端到端的深度学习十、是否使用端到端的深度学习一、进行误差分析当我们的模型还没有达到人类水平，可以人工检查一下你的算法犯的错误，也许能让我们知道下一步能做什么，这个过程就叫做误差分析。例如在猫分类器
快乐活在当下·2023-01-21 08:22

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。
欣一2002·2023-01-21 08:18

机器学习 吴恩达 课后习题百度云资源 （Coursera 搬运）

所以为了方便各位爱学习的网友们，在这里先提供编程作业题。暂时只有题目，视以后的情况来定夺是否提供完整题解。吴老师这门课有2种作业，一种是编程上机练习，一种是选择题。这里先提供编程题，也是最能提高的题。
我喝酸奶不舔盖·2023-01-21 08:48

吴恩达|机器学习作业目录

一个多月除了上课自习，就是在coursera和网易云课堂上学习吴恩达机器学习的课程，现在学完了，以下是一个多月来完成的作业目录，整理一下以便使用：1.0单变量线性回归1.1多变量线性回归2.0Logistic
学吧学吧终成学霸·2023-01-21 08:48

【吴恩达机器学习-笔记整理】课程知识点汇总（按视频章节）与学习笔记分享（附链接）

目录：前言一、分享二、课程学习一览（章节知识点总结）1、章节目录及知识点整理2、对应章节学习笔记文章链接二、课程重点总结1、监督学习2、无监督学习3、特定的应用和话题4、构建机器学习系统的建议❤️❤️❤️忙碌的敲代码也不要忘了浪漫鸭！前言✨你好啊，我是“怪&”，是一名在校大学生哦。主页链接：怪&的个人博客主页☀️博文主更方向为：课程学习知识、作业题解、期末备考。随着专业的深入会越来越广哦…一起期待
怪&·2023-01-21 08:17
上一页 17 18 19 20 21 22 23 24 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他