吴恩达深度学习课程

吴恩达机器学习 - PCA

问题数据压缩数据图形化展示PCA算法奇异值分解(SingularValueDecomposition，以下简称SVD)数据恢复K的选择
YANWeichuan·2023-04-01 03:29

吴恩达Deep Learning第二课作业（第一周）

目录链接：吴恩达DeepLearning学习笔记目录 1.Initialization 2.Regularization 3.GradientChecking注：本文参考Initialization、Regularization
七月七叶·2023-04-01 03:59

机器学习深度学习 | 吴恩达李宏毅

机器学习-吴恩达【资源】中文笔记|Markdown|【记录】批量梯度下降(BGD|在每一次迭代时使用所有样本来进行梯度的更新)随机梯度下降(SGD|每次迭代使用一个样本来对参数进行更新，使得训练速度加快
우 유·2023-04-01 02:16

吴恩达《machine-learning-yearning》

看到Ng发了新书，还是很感兴趣的，Mark一下假期看看官网地址：http://www.mlyearning.org/参考资料：1、xiaqunfeng的翻译版本（包含原文）：https://xiaqunfeng.gitbooks.io/machine-learning-yearning/content/PS：另外搜索引擎试一下，真的由很多很多翻译，而且翻译质量大同小异——看来Ng在国内炒的太热了，
Midorra·2023-04-01 00:03

在运行吴恩达线性回归模型测试显示No module named ‘ipympl‘

文章目录问题描述解决方法问题描述在运行吴恩达线性回归模型测试显示Nomodulenamed‘ipympl‘当时我使用pycharm中的setting添加ipympl,但是出现了如下错误：ERROR:CouldnotinstallpackagesduetoanEnvironmentError
虫本初阳·2023-04-01 00:20

跟李沐导师：动手学深度学习！

根据读者的学习建议，Datawhale团队联系了李沐老师，将组织动手学深度学习课程的学习。
guangcheng0312q·2023-03-31 14:03

吴恩达 深度学习课程

为什么深度学习会兴起？如果深度学习和神经网络背后的基本技术理念已经有好几十年，为什么现在才突然兴起？数据量的急剧增加更快的计算能力神经网络算法的创新下面我们将介绍深度学习流行起来的主要因素，这会帮助你更好地运用到工作中去。我们首先来画一张图：传统机器学习算法.jpg水平轴代表完成任务的数据数量，垂直轴代表机器学习算法的性能，比如垃圾邮件过滤的准确率、广告点击预测的准确率，或是用于无人驾驶中判断其他
敲乔巧俏·2023-03-31 11:24

吴恩达深度学习编程作业_吴恩达深度学习笔记(57)-深度学习框架Deep Learning frameworks...

深度学习框架(DeepLearningframeworks)如果你已经差不多从零开始学习了使用Python和NumPy实现深度学习算法，很高兴你这样做了。但你会发现，除非应用更复杂的模型，例如卷积神经网络，或者循环神经网络，或者当你开始应用很大的模型，否则它就越来越不实用了，至少对大多数人而言，从零开始全部靠自己实现并不现实。幸运的是，现在有很多好的深度学习软件框架，可以帮助你实现这些模型。类比一
weixin_39824033·2023-03-31 03:28

未来源码 | 吴恩达教授演讲：Tips for using a data-centric AI approach

这篇文章总结了吴恩达提出的data-centricAI系统开发的5大数据优化原则，包括y定义的优化，噪音数据剔除和数据量之间的tradeoff,以及如何通过对数据子集进行错误分析来提升系统性能。
MobTech袤博科技·2023-03-30 13:13

吴恩达深度学习3.7-非最大值抑制

今天要讲的概念是关于如何在多个检测出来的方框当中选取我们要的方框。首先，我们还是依照前几课所讲的方法，将图片分成19x19个方框，然后进行卷积的中心检测。为了方便起见，今天的课程当中我们就先不分成行人、车几类了，就只先关注我们所需要的车辆类型。在训练好了我们的模型之后，我们会拿图片经过模型进行一些检测，那么在检测的过程当中，19x19的每个格子当中都有可能是包含目标中心的那个方框。具体这个可能性是
prophet__·2023-03-29 21:31

吴恩达deeplearning.ai系列课程笔记+编程作业(15)序列模型(Sequence Models)-第三周 序列模型和注意力机制

第五门课序列模型(SequenceModels)第三周序列模型和注意力机制（Sequencemodels&Attentionmechanism）文章目录第五门课序列模型(SequenceModels)第三周序列模型和注意力机制（Sequencemodels&Attentionmechanism）3.1基础模型（BasicModels）3.2选择最可能的句子（Pickingthemostlikely
geekxiaoz·2023-03-29 02:19

序列模型与注意力机制

很久以前看吴恩达老师的视频和西瓜书时用jupyter写的，今天想起来就把它转到这里，真的挺方便基础模型：Sequencetosequence（序列）模型在机器翻译和语音识别方面都有着广泛的应用。
目睹闰土刺猹的瓜·2023-03-29 02:35

吴恩达深度学习 第五课 第三周 序列模型和注意力机制

文章目录基础模型概述选择最可能的句子集束搜索(beamsearch)改进集束搜索集束搜索的误差分析机器翻译评估(bleuscore)注意力模型直观理解语音识别CTC算法触发字检测(triggerworddetection)本文概要，seq2seq模型的学习包含了机器翻译和语音识别领域，此外，还有集束搜索算法(beamsearch)和注意力机制(attentionmodel)基础模型概述当我们的输入
得克特·2023-03-29 02:28

吴恩达深度学习第五章序列模型——第三周序列模型和注意力机制

序列模型和注意力机制Seq2Seq模型Seq2Seq（Sequence-to-Sequence）模型能够应用于机器翻译、语音识别等各种序列到序列的转换问题。一个Seq2Seq模型包含编码器（Encoder）和解码器（Decoder）两部分，它们通常是两个不同的RNN。如下图所示，将编码器的输出作为解码器的输入，由解码器负责输出正确的翻译结果。提出Seq2Seq模型的相关论文：Sutskeveret
倚剑笑紅尘·2023-03-29 01:36

《深度学习工程师-吴恩达》05序列模型—序列模型和注意力机制 学习总结

《深度学习工程师-吴恩达》05序列模型—序列模型和注意力机制学习笔记作者：jlianghttps://blog.csdn.net/jliang31.重点归纳1）基础模型（1）Sequencetosequence
J-JunLiang·2023-03-29 01:23

吴恩达机器学习课程笔记+代码实现(8)正则化(Regularization)

6.正则化(Regularization)文章目录6.正则化(Regularization)6.1过拟合的问题6.2代价函数6.3正则化线性回归6.4正则化的逻辑回归模型本章编程作业及代码实现部分见：Python实现逻辑回归和正则化(ProgrammingExercise2)6.1过拟合的问题到现在为止，我们已经学习了线性回归和逻辑回归，它们能够有效地解决许多问题，但是当将它们应用到某些特定的机器
geekxiaoz·2023-03-26 07:16

机器学习 | 单变量线性回归 | 吴恩达学习笔记

前文回顾：机器学习概述线性回归概念我们要使用一个数据集，数据集包含俄勒冈州波特兰市的住房价格。在这里，我要根据不同房屋尺寸所售出的价格，画出我的数据集。比方说，如果你朋友的房子是1250平方尺大小，你要告诉他们这房子能卖多少钱。那么，你可以做的一件事就是构建一个模型，也许是条直线，从这个数据模型上来看，也许你可以告诉你的朋友，他能以大约220000(美元)左右的价格卖掉这个房子。这就是监督学习算法
啦啦右一·2023-03-26 07:02

正则化(吴恩达机器学习笔记)

文章目录1.过拟合问题2.代价函数3.正则化线性回归1.梯度下降法2.正规方程4.正则化逻辑回归1.过拟合问题如图所示：第一个模型是线性的，属于欠拟合，不能很好的适应数据集，而第3个则是一个高次方的模型，过于拟合原始数据，从而不能很好的预测数据，属于欠拟合。也不难看出，当x的次数越高，训练出来的模型就会对数据集拟合的越好，但是其预测效果就会变差。解决方案：①减少特征的数量，丢弃掉一些非必要的特征。
是忘生啊·2023-03-26 07:02

机器学习｜正则化｜评估方法｜分类模型性能评价指标｜吴恩达学习笔记

前文回顾：逻辑回归目录正则化过拟合的问题代价函数正则化线性回归正则化的逻辑回归模型模型评估方法留出法（hold-out）交叉验证法（cross-validation）自助法（bootstrap）比较总结分类模型性能评价指标混淆矩阵准确度（Accuracy）精确度（precision）和召回率（Recall，TPR）精确度和召回率的调和平均（F_score）假阳性率（FPR）和真阴性率（TFR）RO
啦啦右一·2023-03-26 07:25

关于No module named 'lr_utils'的问题

将吴恩达的《深度学习》作业包解压缩之后需要将lr_utils.py文件导入当前的编译环境。lr_utils不是库而是一个文件。它不需要安装，只需要导入到当前编译器就行。
水中小船·2023-03-26 01:53

[神经网络]吴恩达深度学习course1week1思考评注

预告这一week就是整体的引入介绍，神经网络的种类，数据的种类，问题的种类AI的影响力：想想还是很激动人心的。不管未来是什么，走到这一步应该都不可避免。ScreenShot2017-12-03at11.02.08AM.png机器学习里的线性回归算法，可以看成一个单个神经元的神经网络：这里是单个变量的输入ScreenShot2017-12-03at11.04.17AM.pngScreenShot20
小双2510·2023-03-25 23:49

2019-06-02

网易云课堂-吴恩达机器学习课程1-19课时第一章：初识机器学习；第二章：单变量线性回归；第三章：线性代数回顾仅需十美元，AI“灭霸手套”来了MIT人工智能实验室的研究人员开发了一种“触觉手套”，548个传感器
YZY君·2023-03-25 23:00

吴恩达深度学习--梯度下降法

代价函数J可以衡量你的参数W和b在训练集上的效果。要使得参数w和b设置合理自然地想到要去找到使得代价函数J（w,b）尽可能小所对应的w和b.在实践中w可以是更高的维度，但为了更好的绘图，我们定义w和b都是单一实数。代价函数J(w,b)是在水平轴w和b上的曲面，因此曲面的高度就是J(w,b)在某一点的值。我们所想要做的就是找到这样的w和b，使得对应的代价函数J值是最小值。我们可以看到代价函数J是一个
862180935588·2023-03-25 19:43

机器学习-吴恩达 过拟合问题与正则化

文章目录过拟合问题欠拟合过拟合高偏差和高方差泛化解决过拟合1.收集更多的训练数据2.减少或增加选择的特征3.正则化正则化正则化代价函数如何理解增加惩罚项后，参数w会变小直观理解从数学角度理解正则化参数λ正则化参数λ的作用正则化线性回归正则化逻辑回归进行梯度下降过拟合问题现在我们来认识什么是：欠拟合，过拟合欠拟合我们使用线性回归函数预测下面这张图中的数据，我们发现它并没有很好地拟合到数据上，这就叫做
稀奇_·2023-03-25 03:09

机器学习正则化ppt_吴恩达机器学习笔记（三） —— Regularization正则化

主要内容：一.欠拟合和过拟合(over-fitting)二.解决过拟合的两种方法三.正则化线性回归四.正则化logistic回归五.正则化的原理一.欠拟合和过拟合(over-fitting)1.所谓欠拟合，就是曲线没能很好地拟合数据集，一般是由于所选的模型不适合或者说特征不够多所引起的。2.所谓过拟合，就是曲线非常好地拟合了数据集(甚至达到完全拟合地态度)，这貌似是一件很好的事情，但是，曲线千方百
希望阳光下·2023-03-25 03:04

吴恩达《Machine Learning Yearning》学习笔记-2

第二部分：基本错误分析1.在开始一个新项目（特别是当你不是该领域的专家）的时候，选择最合适的方向通常很困难。所以不要试图一开始就能设计和构建出最完美的系统。应该以最快速度构建和训练出一个基本的模型。然后利用错误分析的方法来帮助团队确定最有前景的改进方向，并以此为基础迭代式地改进算法。2.通过人工检查约100个算法分类错误的开发集例子，并将这些例子归类，来进行错误分析。利用错误类型及占比等信息来确定
城市守望者·2023-03-25 00:51

第十一章 应用机器学习的建议

该系列文章为，观看“吴恩达机器学习”系列视频的学习笔记。虽然每个视频都很简单，但不得不说每一句都非常的简洁扼要，浅显易懂。非常适合我这样的小白入门。
tomas家的小拨浪鼓·2023-03-24 10:38

学习笔记-机器学习-（4）正则化

吴恩达-机器学习课程--07:Regularization的学习总结：欠拟合（underfitting/highbias）：模型的拟合程度不高，数据距拟合曲线较远。
饼干和蛋糕·2023-03-24 04:07

2019-06-04

可构建任何平台的Web应用LightningWeb组件在线文档网易云课堂-吴恩达机器学习课程20-54课时第五章：多变量线性回归；第六章：Octave/MATLAB教程；第七章：logistic回归人工智能能
YZY君·2023-03-23 09:33

吴恩达机器学习对逻辑回归损失函数的求导推导

网上查询了很多发现这个思路非常清晰，每一步基本都有给出是什么推导的，看一遍就懂了，所以转载一下。原文推导过程
云玩家_30ad·2023-03-21 22:09

图像分割|机器学习|模式识别(2019-04-23~04-28)

4.24●完成了吴恩达机器学习课程K-Means和PCA的相关作业。做了一个总结K均值和KNN算法（学习笔记）4.25学校机器学习课的作业真的难成shi。不像国外作业，很多代码都写好
Rlinzz·2023-03-21 21:45

【吴恩达机器学习笔记详解】第六章 逻辑回归

第五章主要讲的是编程语言的介绍，因为我们现在用python的比较多，所以就没有再看那一章。但是5.6值得看一下5.6矢量现在的变成语言包含了各种各样的矩阵库，所以通常进行矩阵计算的时候我们直接用命令即可，如果使用了合适的向量化方法，代码会简单很多。下面进行一些例子的讲解。这是线性回归的假设函数，他是从0到j的一个求和，我们也可以把他看作是矩阵的相乘，θ的转置×x，可以写成计算两个向量的内积。前面的
爱冒险的梦啊·2023-03-21 07:04

机器学习 | 吴恩达机器学习第三周学习笔记

课程视频链接：https://www.coursera.org/learn/machine-learning/home/welcome第三周PPT下载密码:8o4e上一篇博客主要介绍了第二周的课程的内容，包括多变量线性回归，使用梯度下降法求解多变量线性回归的实用技巧，特征缩放与模型特征选择并介绍了多项式回归，最后引入一种线性回归的解析解法并与梯度下降法进行比较。本篇博客将系统的介绍第三周的内容，本
CoreJT·2023-03-21 07:58

吴恩达机器学习笔记：逻辑回归分类、神经网络

机器学习笔记：逻辑回归分类、神经网络逻辑回归LogisticRegression(不是很懂)正则化Regularization神经网络NeuralNetworks(也不太懂)建议评估假设算法模型选择和交叉验证集诊断偏差和方差正则化和偏差/方差学习曲线决定下一步做什么机器学习系统的设计(MachineLearningSystemDesign)类偏斜的误差度量（不太懂）机器学习的数据(不太懂)机器学习
流动的时间里找你的旋律·2023-03-21 07:26

吴恩达《机器学习》笔记——第六章《逻辑回归/对数几率回归》

6、LogisticRegression（逻辑回归/对数几率回归）6.1Classification（分类）6.2HypothesisRepresentation（假设表示）6.3Decisionboundary（决策边界）6.4Costfunction（代价函数）6.5Simplifiedcostfunctionandgradientdescent（简化代价函数与梯度下降）6.6Advanced
肥胖边缘疯狂蹦迪·2023-03-21 07:25

机器学习笔记(吴恩达)——逻辑回归

假说表示我们引入一个新的模型，逻辑回归，该模型的输出变量范围始终在0和1之间。逻辑回归模型的假设是：hθ(x)=g(θTX)h_\theta\left(x\right)=g\left(\theta^{T}X\right)hθ(x)=g(θTX)其中：XXX代表特征向量ggg代表逻辑函数（logisticfunction)是一个常用的逻辑函数为S形函数（Sigmoidfunction），公式为：g(
Pyrs·2023-03-21 07:25

机器学习笔记(吴恩达)——逻辑回归作业

逻辑回归1.1可视化数据importnumpyasnpimportmatplotlib.pyplotaspltimportpandasaspdfilepath=r'F:\jypternotebook\吴恩达机器学习
Pyrs·2023-03-21 07:25

机器学习｜多变量线性回归 | 吴恩达学习笔记

前文回顾：机器学习|线性回归（单变量）目录多维特征多变量梯度下降梯度下降法实践特征缩放学习率特征和多项式回归正规方程梯度下降与正规方程的比较多维特征接上文单变量线性回归，现在我们对房价模型增加更多的特征，例如房间数楼层等，构成一个含有多个变量的模型，模型中的特征为。增添更多特征后，我们引入一系列新的注释：代表特征的数量代表第i个训练实例，是特征矩阵中的第i行，是一个向量。代表特征矩阵中第i行的第j
啦啦右一·2023-03-21 07:19

逻辑回归(吴恩达机器学习笔记)

1.分类问题 在分类问题中，要预测的变量y是一个离散的值，尝试预测的结果是否属于某一个类，如：判断一封电子邮件是否是垃圾邮箱，区分一个肿瘤是恶性的还是良性的。 我们将因变量可能属于的两个类分别称为负向类和正向类，则因变量y∈0，1，其中0表示负向类，1表示正向类。2.假说表示 ，在逻辑回归中我们引入一个新的模型，该模型的输出变量范围始终在0和1之间。逻辑回归的假设是：hθ(x)=g(θTX)h_{
是忘生啊·2023-03-21 07:48

吴恩达机器学习python作业之正则化逻辑回归

参考链接：吴恩达|机器学习作业目录_学吧学吧终成学霸的博客-CSDN博客可视化数据集后发现：positive与negative之间没有线性决策边界，因此需要进行特征映射创造高阶项。
abcd1233463457347·2023-03-21 07:10

机器学习｜逻辑回归｜吴恩达学习笔记 | 牛顿法

前文回顾：多变量线性回归分类问题举例：判断一封电子邮件是否是垃圾文件判断一次金融交易是否是欺诈区分肿瘤是恶性的还是良性的在分类问题中，我们尝试预测的是结果是否属于某一个类（例如正确或错误），即我们要预测的变量y是离散的值，这里要用到的是逻辑回归算法。它的性质是：它的输出值永远在0到1之间。假说表示对于以下的乳腺癌分类问题，我们可以用线性回归的方法求出适合数据的一条直线：根据线性回归模型我们只能预测
啦啦右一·2023-03-21 07:38

tensorflow-2

Outline`知识扫盲`继续上篇，细节了解`今日份实战`知识扫盲进阶的使用，需要对卷积神经网络有一定了解，大家可以去了解一下，推荐吴恩达的机器学习课程，简单了解机器学习的
我吃我样·2023-03-19 05:47

机器学习0

这是一份优美的信息图，吴恩达点赞的deeplearning.ai课程总结机器学习速成课程－GoogleKerasTensorFlow教程：如何从零开发一个复杂深度学习模型aymericdamien/TensorFlow-Examplesfchollet
hopewinder·2023-03-18 10:14

SpringCloud微服务项目搭建流程

前言ok，这周是关于课内和Java部分的复习，人工智能那块东西太多了，光光一个学习吴恩达的学习笔记我就不知道要整理多少，何况还有别的。
倾听铃的声·2023-03-17 21:07

吴恩达机器学习笔记（3）——Logistic 回归

放假这么久，天天摸鱼，已经好久没更新了，希望后面的更新速度能达到日更吧，这次给大家介绍的是Logistic回归，虽然是名字带有回归，其实是一个分类算法。废话不多说，我们先从例题来引入我们今天的算法。引论我们这次不讨论房价的问题了，这次我们来讨论肿瘤大小判断肿瘤是否是良性的肿瘤。这是一个两项分布问题，输出的结果只可能是两个一个是是另一个是否。我们可以用0,1来表示输出的结果。那么我们如何来区分良性还
机智的神棍酱·2023-03-17 10:29

斯坦福大学(吴恩达) 机器学习课后习题详解 第二周 多变量线性回归

多变量线性回归答案知乎：https://zhuanlan.zhihu.com/albertwang微信公众号：AI-Research-Studio下面是赞赏码
王发北·2023-03-13 07:29

BP神经网络判定笑傲江湖人物门派

沧海一声笑滔滔两岸潮浮沉随浪只记今朝苍天笑纷纷世上潮谁负谁胜出天知晓江山笑烟雨遥涛浪淘尽红尘俗事知多少啦......朋友圈的热点纷纷扰扰，转眼间满屏都是向AndrewNg（吴恩达）同志学习，占领机器学习阵地的帖子
vincentqiao·2023-03-13 00:30

《AI系统的挑战1——在实际应用中稳定的AI系统有哪些挑战》

吴恩达老师的小短文翻译。
赵玮_4c07·2023-03-12 00:07

吴恩达Convolutional Neural Networks 第三周笔记

学习目标UnderstandthechallengesofObjectLocalization,ObjectDetectionandLandmarkFindingUnderstandandimplementnon-maxsuppressionUnderstandandimplementintersectionoverunionUnderstandhowwelabeladatasetforanobj
涂山容容·2023-03-11 23:07

cs231n深度学习课程笔记——（两层）神经网络

摘要这是我学习了斯坦福大学的cs231n课程有关神经网络部分的学习笔记，是我对自己的知识的复习和自己编程过程中出错的问题总结。主要按照作业实现的思路进行总结。文中的图片都来自课程ppt，TODO代码90%是我自己编写，剩下的部分参考网上其他网友。neuralnetwork两层神经网络作业要求首先实现一个两层的简单神经网络。正向传播：需要注意的地方：由于使用的是softmax函数计算loss，所以需
TheMask_7f68·2023-03-11 12:07
上一页 11 12 13 14 15 16 17 18 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他