吴恩达深度学习课程第43页

22张图全解深度学习知识，建议收藏

点击上方“视学算法”，选择加"星标"或“置顶”重磅干货，第一时间送达转载于：Sophia知乎https://zhuanlan.zhihu.com/p/152362317吴恩达在推特上展示了一份由TessFerrandez

视学算法·2022-10-15 07:27

吴恩达机器学习过拟合与正则化07

·首先这里有解决过拟合的三种方法：·(1).收集更多的训练数据·(2).缩小参数（w,b）的大小--正则化·(3).从原有特征中，挑选出部分特征用于训练*总结：但在实际训练的过程中，如果数据集是一定的，没有办法获得更多的训练数据，并且原有的特征中，不知道该舍弃哪些特征或者不希望舍弃特征，那么就需要使用正则化方法来解决过拟合的问题。1.添加正则化(1).正则化线性回归由上图可以看出：·线性回归的正则

·2022-10-12 20:36

吴恩达机器学习逻辑回归的梯度下降07

1.梯度下降回想一下，梯度下降算法利用了梯度计算:每个迭代在上对所有执行同步更新，·m是数据集中训练示例的数量·是模型的预测,而是目标·逻辑回归模型()是sigmoid函数:2.梯度下降的实现梯度下降算法实现有两个部分:·实现上述式(1)的循环。下面是gradient_descent，通常在选修课和实践实验室中提供给你。·计算偏导数，如上式(2,3)。这是下面的compute_gradient_l

·2022-10-11 20:32

机器学习（吴恩达）——小白笔记（8）：Tensorflow实现

训练神经网络的基本步骤回顾逻辑回归模型的训练步骤根据给出的输出值x和参数w,b来确定训练模型确定损失函数和成本函数利用参数值的梯度下降函数，找出使得成本函数局部最小的值训练神经网络的步骤创建神经网络的模型架构根据模型确定损失函数和代价函数：二分类问题，回归问题其中二元交叉熵（binarycrossentropy）y是二元标签0或1，p(y)属于输出标签y的概率，即对于标签y为1的情况，loss=-

·2022-10-11 16:47

吴恩达的机器学习，属实牛逼

吴恩达属实牛逼大家好哇，新同学都叫我张北海，老同学都叫我老胡，其实是一个人，只是我特别喜欢章北海这个《三体》中的人物，张是错别字。

机器学习算法与Python实战·2022-10-11 07:05

吴恩达机器学习逻辑回归的代价函数06

1.回顾线性回归的平方误差代价函数代价函数，它可以测量出一组特定参数与训练数据的吻合程度，从而为我们提供了一种更好参数的方法，在本节课中，我们会看到平方误差代价函数并不是逻辑回归的理想代价函数。下面我们来看一个不同的成本函数，它可以逻辑回归选择更好的参数训练集平方误差代价函数由下图可知，逻辑回归的平方误差代价函数是非凸代价函数，不是凸的，这意味着，如果使用梯度下降法，因为有很多局部最小值，很容易卡

·2022-10-10 22:47

吴恩达机器学习决策边界05

1.复习Sigmoid函数Sigmoid函数与线性回归函数结合推导过程如下图所示：2.边界函数的例子·决策边界不一定是直线，也可能是其他的曲线例1.这里是有两个变量x1,x2,右上方的X是正样本，左下方的O是负样本。这里我们先给出了参数的值w1=1，w2=1,b=3,当然如果选择不同的参数值，决策边界也会是不一样的线。最终紫色的线为得到的决策边界例2.非线性决策边界，外圈的X是正样本，内圈的O是负

·2022-10-10 20:37

吴恩达机器学习逻辑回归与Sigmoid函数04

1.SigmoidorLogisticFunction我们可以通过使用线性回归模型,,(())=⋅()+,预测。然而，我们希望我们的分类模型的预测在0到1之间，因为我们的输出变量不是0就是1。这可以通过使用“sigmoid函数”来实现，该函数将所有输入值映射到0到1之间的值。正如在讲座视频中讨论的，对于分类任务，我们可以从使用我们的线性回归模型sigmoid或Logistic函数开始2.Formu

·2022-10-10 15:10

Week3吴恩达机器学习逻辑回归分类03

分类问题的例子有:确定邮件是垃圾邮件还是非垃圾邮件，或者确定肿瘤是恶性还是良性。特别地，这些是二元分类的例子，其中有两种可能的结果。结果可以用“正”/“负”来描述，例如“是”/“否”、“真”/“假”或“1”/“0”。分类数据集的图通常使用符号来表示例子的结果。在下面的图中，用“X”表示正值，而“O”表示负结果。通过下面的例子可以看出线性回归的局限性，并不适用于所有问题，于是我们提出了逻辑回归对于分

·2022-10-10 11:32

机器学习（吴恩达）——小白笔记（7）：神经元网络、深度学习算法

神经元网络神经网络的模型：一个神经网络模型可分为三层：以预测T恤是否会称为顶级热销商品为例inputlayer(输入层)：特征变量（featurevariance）有price，shippingcost,marketing,material四个，共同组成一个输入向量xhiddenlayer(隐藏层）：具有三个神经元：affordability，awareness，perceivedquality,

·2022-10-10 10:24

深度学习教程(6) | 神经网络优化算法（吴恩达·完整版）

ShowMeAI·2022-10-09 10:25

深度学习教程(10) | 卷积神经网络解读（吴恩达·完整版）

ShowMeAI·2022-10-09 10:25

深度学习教程(4) | 深层神经网络（吴恩达·完整版）

ShowMeAI·2022-10-09 10:55

深度学习教程(3) | 浅层神经网络（吴恩达·完整版）

ShowMeAI·2022-10-09 10:54

深度学习教程(1) | 深度学习概论（吴恩达·完整版）

ShowMeAI·2022-10-09 10:24

机器学习编程作业ex4(matlab/octave实现)-吴恩达coursera

分成两部分，一是本节课程内容的简要回顾，二是作业步骤的推导程序打包网盘地址提取码1111一、（Week5）内容回顾BP（反向传播）算法：1.前向传播先计算出当前参数Theta对应的各层每个单元的值a；2.由输出层的误差计算倒推各个隐藏层的误差delta；3.利用各层误差delta计算梯度值；4.利用迭代函数fmincg求出代价函数最小（梯度grad=0）时的theta值，与之前的梯度下降法不断更新

独家*记忆·2022-10-07 07:36

机器学习（吴恩达）——小白笔记（6）:逻辑回归

逻辑回归1.动机与目的在分类（classification）算法中，对于输入值x，输出值y只是一组有限的可能的值中的一个比如，识别邮件诈骗，金融交易诈骗，肿瘤类别都运用到了分类算法，其结果值时no或者yes的一个，也被称为binaryclassification(二元分类算法），输出值也可以用fasle,ture或者逻辑0，1代表线性回归在分类训练集中的问题：横轴为肿瘤大小，纵轴时可能输出的唯二的

·2022-10-06 15:46

吴恩达机器学习-K-means/降维

K-均值K-均值算法优化目标随机初始化选择聚类数降维动机一：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K-均值K-均值算法非监督学习中，我们的数据没有附带任何标签y，数据就是这样的我们需要将一系列无标签的训练数据，输入到一个算法中，然后我们告诉这个算法，快去为我们找找这个数据的内在结构给定数据。我们可能需要某种算法帮助我们寻找一种结构

kingsure001·2022-10-05 18:05

机器学习（吴恩达）——小白笔记（3）:代价函数：可视化，梯度下降

1.代价函数公式线性回归函数与代价函数2.理解代价函数根据训练集（trainingset)建立模型，通过代价函数的计算，寻求使得代价函数值最小的参数w,b，以下为简单示例，为了简化模型，将b设为0，右图为参数w和代价函数所求值的关系图当w=1时，代价函数的值=0：当w=0.5时，代价函数的值≈0.58当w=0时，代价函数的值=2.3通过在一定范围内寻找w的值，最终确定回归线性函数的值3.可视化代价

·2022-10-04 22:43

吴恩达AI机器学习-01神经网络与深度学习week2上-神经网络基础

函数求导链式规则推导部分和梯度下降代码思路部分重点理解目录2.1二分分类2.2逻辑线性回归2.3参数w&b以及损失函数2.4梯度下降法2.5导数+2.6更多导数的例子2.7计算图2.8计算图的导数计算2.9Logistic回归中的梯度下降算法2.10m个样本的梯度下降2.1二分分类Logistic回归是一个用于二分分类的算法;64*64*3=12288,;.2.2逻辑线性回归giveaninput

睡觉特早头发特多·2022-10-04 07:01

吴恩达AI机器学习-01神经网络与深度学习week1-深度学习概述

‼️博客为作者学习回顾知识点所用，并非商用，如有侵权，请联系作者删除‼️AIisthenewelectricity像100多年前的电力一样，人工智能正在使大量的行业发生巨变；（✅）吴恩达深度学习课程课后习题

睡觉特早头发特多·2022-10-04 07:28

吴恩达机器学习总结（二）——Logistic回归和简单的神经网络（附作业）

在线性回归模型中，输入和输出一般都是连续的，对于每个输入x，都有一个对应的输出y，模型的定义域和值域都可以是(−∞,+∞)(-∞,+∞)(−∞,+∞)。而对于分类模型来说，其输入可以是连续的，但它的输出是离散的，即只有有限个输出y。例如，其值域可以只有两个值{0,1}，这两个值可以表示对样本的某种分类，高/低、患病/健康、阴性/阳性等，这就是最常见的二分类问题。二、Logistic回归逻辑回归带有

Anaconda_·2022-09-30 07:27

机器学习(吴恩达）-小白笔记（2）

线性回归模型用于训练模型的数据集称之为训练集（Trainingset)以住房面积和房价为例的训练集及训练模型：Notion:x=input"variable"feature(输入变量/输入特征）y=output"variable"feature/"target"feature（输出变量/目标变量）m=numberoftrainingexample(训练样本集数量）（x,y)=singletrain

·2022-09-29 21:47

吴恩达机器学习课程笔记——第一周

吴恩达机器学习课程笔记文章目录吴恩达机器学习课程笔记第一周一、机器学习是什么？

片叶云舟·2022-09-29 19:20

吴恩达机器学习——优化算法（高级算法使用+多类别分类）

其他算法ConjugatedescentBFGSL-BFGS特点：不需要手动计算学习率比梯度下降效率更高缺点：更加的复杂如何调度高级算法优化代价函数Matlab实现方法实例：假设已知代价函数，我们通过代价函数求得了偏导数首先，完成代价函数的实现（代码如下）function[jVal,gradient]=costFunction(theta)jVal=(theta(1)-5)^2+(theta(2)

xclhs·2022-09-29 19:19

吴恩达《机器学习》笔记——第十四章《降维》

14、DimensionalityReduction（降维）14.3PrincipalComponentAnalysis（主成分分析）14.7AdviceforapplyingPCA（应用PCA的建议）“降维”的只管理解就是在给定的数据样本空间时，找一个更低维度空间或者是数据样本空间中的一个超平面（直线的高维推广）对所有的样本进行恰当的表达。14.3PrincipalComponentAnalys

肥胖边缘疯狂蹦迪·2022-09-29 19:18

吴恩达机器学习——第一周学习笔记

学习参考：吴恩达机器学习第一周机器学习（MachineLearning）机器学习是研究我们的计算机模拟或实现人类的学习行为，来获取新的知识或技能，并且重新组织这些新的知识来改善自身的性能。

Wanidde·2022-09-29 19:18

吴恩达《机器学习》笔记——第十二章《支持向量机》

关于SVM，建议看西瓜书，而非吴恩达的视频。12.1Optimizationobjective（优化目标）SVM的基本形式：上述问题

肥胖边缘疯狂蹦迪·2022-09-29 19:48

[机器学习入门笔记] 2. 2022吴恩达机器学习Deeplearning.ai课程（回顾）

文章目录1.监督学习和无监督学习2.线性回归模型3.代价函数4.梯度下降5.多维特征6.多元线性回归的梯度下降7.特征缩放8.判断梯度下降是否收敛9.学习率10.正规方程11.逻辑回归12.决策边界13.逻辑回归的代价函数14.实现逻辑回归梯度下降15.过拟合问题16.正则化17.神经网络17.1需求预测17.2神经网络中的网络层17.3复杂的神经网络17.4神经网络前向传播（手写识别案例）17.

Cyanzzy·2022-09-29 19:48

【吴恩达机器学习2022学习笔记】课程2 --决策树和随机森林

本节将吴文达机器学习最后几章（15.1-17.6）进行了总结1、决策树决策树（decisiontree）：是一种基本的分类与回归方法，其主要包括特征选择、决策树的生成、决策树的修剪。重点是节点的选择以及树的深度（一）节点的选择熵的定义：熵表示随机变量不确定性的度量，熵越大，随机变量的不确定性就越大。在决策树中熵越小分类的越纯净。熵的公式：信息增益：信息增益：表示特征X使得类Y的不确定性减少的程度。

梦想摸鱼·2022-09-29 19:18

吴恩达机器学习笔记——第二周

多变量线性回归假设hθ(x)=θ0+θ1x1+θ2x2+θ3x3+θ4x4h_\theta(x)=\theta_0+\theta_1x_1+\theta_2x_2+\theta_3x_3+\theta_4x_4hθ(x)=θ0+θ1x1+θ2x2+θ3x3+θ4x4为了表示方便，我们定义一个单纯为了计算方便的特征，也就是x0=1x_0=1x0=1.此时hθ(x)=θTxh_\theta(x)=\t

学习飞行的山药·2022-09-29 19:17

吴恩达2022机器学习——第二部分高级学习算法第二周笔记

目录1.Tensorflow实现2.模型训练细节3.Sigmoid激活函数的替代方案1.Tensorflow实现继续手写数字识别的运行示例，将此图像识别为0或1。这里我们使用的是如下神经网络架构。上周我们有一个输入x，即图像；第一层有25个神经元，第二层有15个神经元，输出层有一个神经元，如下所示：如果给你一个包含图像x的训练样本集，像标记为y的证明一样，你将如何训练这个新网络的参数？下面是在te

爱敲代码的小雨·2022-09-29 19:47

机器学习(吴恩达）-小白笔记（1）

1.初识机器学习1.机器学习的主要算法（Machinelearningalgorithm）分类:监督学习（Supervisedlearning）：给予学习算法示例，包括正确的答案(learnsfrombeinggivenrightanswers):Regression(回归）:试图预测一个数字，从可能的到无限多个可能的结果中得到预测（Predictanumber,infinitelymanypos

·2022-09-29 17:26

让AI画画 | 大神复现OpenAI的Dall-E

连吴恩达老师都不禁点赞。比如让它设计一个“像牛油果一样的座椅”。但是，OpenAI只在官网设置了几种固定模板，代码也没有开源，用户无法用AI设计出更多的图片。

机器学习与AI生成创作·2022-09-29 09:31

深度学习（PyTorch）——多维特征输入的逻辑回归模型

视频笔记说在前面：这部分内容有不少更新指出：（1）这节课的内容跟上一节的递进关系，在于输入数据的维度，不再是原本的一维数值（标量）（2）而是升级为多维向量，这更符合多个自变量共同影响输出的实际应用场景；（3）想起了吴恩达课程中的房价预测模型

清泉_流响·2022-09-29 07:55

推荐收藏：Pytorch深度学习建模流程总结

一般我们训练神经网络有以下步骤：导入库设置训练参数的初始值导入数据集并制作数据集定义神经网络架构定义训练流程训练模型推荐文章有人把吴恩达老师的机器学习和深度学习做成了中文版上瘾了，最近又给公司撸了一个可视化大屏

我爱Python数据挖掘·2022-09-28 07:12

吴恩达机器学习系列课程笔记——第十三章：聚类(Clustering)

13.1无监督学习：简介https://www.bilibili.com/video/BV164411b7dx?p=76在这个视频中，我将开始介绍聚类算法。这将是一个激动人心的时刻，因为这是我们学习的第一个非监督学习算法。我们将要让计算机学习无标签数据，而不是此前的标签数据。那么，什么是非监督学习呢？在课程的一开始，我曾简单的介绍过非监督学习，然而，我们还是有必要将其与监督学习做一下比较。在一个典

Lishier99·2022-09-26 22:52

week1第一章（对应22新版一二章）---引言---吴恩达机器学习笔记

第一章---引言（对应22年新版一二章）1-1欢迎1-2机器学习是什么？1-3监督学习1-4非监督学习2022课程新增1-1欢迎本节主要介绍了机器学习是什么，机器学习在诸多应用领域中可以干什么。我们每天都在接触机器学习的算法，比如：谷歌和必应对搜索结果排序，展示我们所需要的内容，正是因为他们有良好的学习算法。手机相册对人物分类，认出我们的朋友。电子邮件系统可以的垃圾邮件筛选。未来的某一天，机器也许

天微亮。·2022-09-26 22:22

机器学习—吴恩达_ 第7周_学习总结

机器学习—吴恩达_第7周_学习总结21.10.18-21.10.24周学习任务：100%回顾吴恩达机器学习前4章节10%神经网络学习一、回顾机器学习前4章节机器学习：用已知的数据集通过数学模型使得程序能够像人一样的去思考

魔芋小灰菜·2022-09-26 22:51

吴恩达《机器学习》笔记——第九章《神经网络：学习》

9、NeuralNetworks：Learning（神经网络：学习）9.1Costfunction（代价函数）9.2Backpropagationalgorithm（反向传播算法）9.3Backpropagationintuition（理解反向传播）9.5Gradientchecking（梯度检测）9.6Randominitialization（随机初始化）9.7Puttingittogether

肥胖边缘疯狂蹦迪·2022-09-26 22:49

吴恩达机器学习______学习笔记记录#十三、聚类

13.1无监督学习：简介首先介绍聚类算法。那么，什么是非监督学习呢？在课程的一开始，我曾简单的介绍过非监督学习，然而，我们还是有必要将其与监督学习做一下比较。在一个典型的监督学习中，我们有一个带有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，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，却没有标签。

张某某。paranoia·2022-09-26 22:18

2022吴恩达机器学习第三周

6、逻辑回归6-1、分类问题在分类问题中，你要预测的变量y是离散的值，我们将学习一种叫做逻辑回归(LogisticRegression)的算法，这是目前最流行使用最广泛的一种学习算法。我们从二元的分类问题开始讨论。我们将因变量(dependentvariable)可能属于的两个类分别称为负向类（negativeclass）和正向类（positiveclass），则因变量，其中0表示负向类，1表示正

nousefully·2022-09-26 22:18

2022吴恩达机器学习第一周

借鉴黄海广博士的笔记，链接在此点击用此作笔记，记录学习，方便。1、机器学习1-1、机器学习概念目前存在几种不同类型的学习算法。主要的两种类型被我们称之为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。1-2、监督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。学习从无限多个可能的数字中预测数字回归这个

nousefully·2022-09-26 22:47

吴恩达--机器学习笔记（2022年课程第三周）

*分类–逻辑回归模型：当y只有两种结果时，称为二元分类问题，使用逻辑回归模型。计算逻辑回归模型的公式：f(x)=g(z)相结合特点，二者概率和为1：该公式的含义表示：当y=1，输入为x，参数为w,b时的概率–>决策边界：它对于y=1ory=0都是中立的，边界两边各是一种情况当z=wx+b=0时，得到的关于横纵轴x1x2的等式–即为决策边界。当x1x2x3…都是一次幂时，决策边界永远是线性的；当高次

兔兔ting·2022-09-26 22:47

2022吴恩达机器学习第二周

吴恩达老师机器学习课程笔记-第二周-知乎机器学习笔记Markdown文件(视频下载地址公布)：https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes