吴恩达- 第14页

吴恩达深度学习（四）

设置优化问题第一课：规范化输入当训练神经网络时，有一种加速训练过程的方法，那就是对输入进行归一化。对输入归一化包含两个步骤：第一步是将减去均值，或者说将均值归零。第二部是将方差进行归一化。（使x1和x2这两个特征的方差都等于1）一个提示：如果你用这种方法来对数据进行缩放，那么务必对测试集和训练集都是用同样地u和б2。即不应该使用不同的方式去归一化训练集和测试集。因为你的所有数据包括训练和测试样本都

带刺的小花_ea97·2023-04-05 10:35

吴恩达深度学习笔记（3）-神经网络如何实现监督学习？

神经网络的监督学习(SupervisedLearningwithNeuralNetworks)（请注意文中粗体部分内容，划重点吶！）关于神经网络也有很多的种类，考虑到它们的使用效果，有些使用起来恰到好处，但事实表明，到目前几乎所有由神经网络创造的经济价值，本质上都离不开一种叫做监督学习的机器学习类别，让我们举例看看。在监督学习中你有一些输入x，你想学习到一个函数来映射到一些输出y，比如我们之前提到

极客Array·2023-04-05 00:56

【西瓜书】第6章支持向量机 SVM

在这插入两幅图，是吴恩达讲课中的图，我感觉收获很大，原来一切的来源都是简单的问题

一杭oneline·2023-04-02 23:42

吴恩达-coursera-机器学习-week8

十三、聚类(Clustering)13.1无监督学习：简介13.2K-均值算法13.3优化目标13.4随机初始化13.5选择聚类数十四、降维(DimensionalityReduction)14.1动机一：数据压缩14.2动机二：数据可视化14.3主成分分析问题14.4主成分分析算法14.5选择主成分的数量14.6重建的压缩表示14.7主成分分析法的应用建议第8周十三、聚类(Clustering)

z-pan·2023-04-02 21:52

LeCun、吴恩达带头反对

继LeCun之后，吴恩达、田渊栋等一众AI大牛也发文公开反对“千人联名”。

夕小瑶·2023-04-02 17:45

【吴恩达】机器学习作业ex8--异常检测和推荐系统（Python）

一.前言此次作业也是分为俩大部分，第一部分是利用高斯分布来检测计算机中的异常行为，每个计算机有吞吐量和响应延迟俩个特征，此次数据集分为测试集和交叉验证集，交叉验证集中的yval集合是标注是否正常或者异常，测试集中并没有此标注，需要我们来找出异常，熟练之后，还要将其应用于更高维的数据集中，第二部分是推荐系统，给一个新用户推荐10部他有可能会喜欢的电影二.异常检测1.ex8data1.mat代码部分1

calmdownn·2023-04-02 06:20

吴恩达多分类逻辑回归与神经网络总结

吴恩达多分类逻辑回归与神经网络文章目录吴恩达多分类逻辑回归与神经网络前言一、多分类逻辑回归与神经网络1、多分类逻辑回归2、神经网络二、程序代码1.多分类逻辑回归1.1读取数据集1.2数据预处理1.3数据可视化

蓝色的紫·2023-04-02 06:12

deep learning

deeplearning的怀抱，因为早上看到一篇文献太振奋人心了，其实你跟柳叶刀只差一个巧妙的idea，工具就在那里，看你用不用，用到哪，哎，总是一些没用的感悟，赶紧学起来吧，持续更新中......先来整理些链接吴恩达网易公开课

又是一只小菜鸟·2023-04-02 00:23

学习笔记—1：多元线性回归模型，吴恩达2022Machine Learning

CSDN话题挑战赛第2期参赛话题：学习笔记一、公式部分线性模型：即两个变量之间是一次函数关系的模型预测，为一元线性回归模型；而当所选取的x为多元时（例如x为多元的情况：房屋价格要考虑，位置、面积、小区环境、卧室数量等等），则多元线性回归就要涉及到向量的概念。通常情况下，向量的表达形式更加简洁，而且向量运算的效率通常优于使用循环进行计算，故笔者通过使用Numpy和for循环的方式进行了相关的对比。线

某崔同学·2023-04-01 22:16

吴恩达深度学习课程笔记（精华版）--3.序列模型和自然语言处理NLP

本系列是编者学习吴恩达deeplearning.ai深度学习系列课程的笔记。编者有一定机器学习基础，也看过Andrew的机器学习课程。

Caucher·2023-04-01 06:58

吴恩达深度学习笔记(13)-多样本梯度下降和向量化处理多批次数据

m个样本的梯度下降(GradientDescentonmExamples)在之前的笔记中,已经讲述了如何计算导数，以及应用梯度下降在逻辑回归的一个训练样本上。现在我们想要把它应用在m个训练样本上。首先，让我们时刻记住有关于损失函数就J(w,b)的定义。当你的算法输出关于样本y的a(i)，a(i)是训练样本的预测值，即：所以我们在前面展示的是对于任意单个训练样本，如何计算微分当你只有一个训练样本。因

极客Array·2023-04-01 05:06

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》

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

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