吴恩达-Coursera-ML 第37页

吴恩达ML WEEK8+9 练习四：神经网络+SVM+聚类

吴恩达机器学习第八周和第九周0总结1练习四：神经网络1.1神经网络1.1.1数据可视化1.1.2模型表述1.1.3前向和代价函数1.1.4代价函数正则化1.2反向传播1.2.1sigmoid函数的梯度1.2.2

没有bug的一天·2022-11-20 06:48

吴恩达ML WEEK5 练习二（逻辑回归）+神经网络表示+练习三（多分类）

吴恩达机器学习第五周0总结1练习二：逻辑回归1.1逻辑回归1.1.1可视化数据1.1.2sigmoid函数1.1.3代价函数和梯度1.1.3fmin_bfgs优化函数1.1.4评估逻辑回归1.2正则化的逻辑回归

没有bug的一天·2022-11-20 06:47

吴恩达ML WEEK3 练习一代码（线性回归）

吴恩达机器学习第三周0总结1简单MATLAB函数1.2warmUpExercise.m2单变量线性回归2.1绘制2.2梯度下降2.2.1更新公式2.2.2实施2.2.3完成代价函数的计算2.2.4梯度下降

没有bug的一天·2022-11-20 06:17

吴恩达ML WEEK4 逻辑回归+正则化

吴恩达机器学习第四周0总结1逻辑回归（LogisticRegression）1.1分类问题1.2假说hθ(x)h_\theta(x)hθ(x)的表示1.3决策边界（decisionboundary）1.4

没有bug的一天·2022-11-20 06:17

吴恩达机器学习课程笔记

卡内基梅隆大学的TomMitchell提出一种机器学习的定义：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。根据Tom定义的机器学习定义：P(performancemeasure)是性能度量,T(task)是任务,E(experience)是经验。记住ETP。机器学习最常使用：监督学习，无监督学习监督学习：监督学习是

wjw今天努力了吗·2022-11-20 04:34

吴恩达机器学习课程笔记一

吴恩达机器学习课程笔记前言监督学习---`Supervisedlearning`无监督学习---`Unsupervisedlearning`聚类异常检测降维增强学习---`Reinforcementlearning

Chen的博客·2022-11-20 04:30

深度学习-吴恩达-笔记-3-浅层神经网络

目录神经网络概述神经网络的表示计算一个神经网络的输出多样本向量化向量化实现的解释激活函数为什么需要非线性激活函数激活函数的导数神经网络的梯度下降直观理解反向传播随机初始化【此为本人学习吴恩达的深度学习课程的笔记记录

Leon.ENV·2022-11-20 04:46

吴恩达机器学习系列课程笔记

视频资源获取：https://www.bilibili.com/video/BV164411b7dx?p=1有监督学习：给算法包含正确答案的数据集，算法的任务就是根据数据集给出更多的正确答案。回归问题（Regression）：预测一个连续的输出值，预测出连续值属性的类型。在回归问题中，我们试图在连续输出中预测结果，这意味着我们试图将输入变量映射到某个连续函数。分类问题（Classification

chen_nnn·2022-11-20 04:15

吴恩达机器学习课程笔记二

文章目录神经网络基础知识神经网络前向传播伪代码前向传播中单个神经元的作用矩阵加速运算训练模型的细节常用激活函数ReLUSigmoidLinearactivationfunctiontanh选择激活函数选择`输出层`的激活函数选择`隐藏层`的激活函数为什么需要非线性激活函数Softmax激活函数多标签分类问题梯度下降更好训练神经网络的方式-Adam神经网络基础知识neuron:神经元activati

Chen的博客·2022-11-20 04:07

机器学习之逻辑回归中正则化——正则参数的正则约束力

机器学习之逻辑回归中正则化的正则参数1、数据背景我们的数据来源为《吴恩达机器学期——第二周》相关数据集可在coursera当中获取下载，其课程来源为StanfordUniversity，本篇文章中我们不会过多讲解手撸的回归算法

是Aaron_Huang对吗·2022-11-20 03:03

Matlab吴恩达机器学习编程练习ex2：逻辑回归Logistic Regression

这篇文章是基于bilibili的吴恩达机器学习经典名课【中英字幕】所写的第三周的编程练习，这个作业是关于逻辑回归的。

Zhanghp947·2022-11-20 03:02

吴恩达机器学习逻辑回归章节作业二：利用正则化逻辑回归模型预测来自制造工厂的微芯片是否通过质量保证（python实现）

吴恩达机器学习作业二：利用正则化逻辑回归模型预测来自制造工厂的微芯片是否通过质量保证（python实现）该文是针对吴恩达机器学习逻辑回归章节作业任务二，利用正则化逻辑回归模型预测来自制造工厂的微芯片是否通过质量保证

墨玲珑·2022-11-20 03:01

吴恩达机器学习(五)逻辑回归练习-二分类练习

1、基础内容（1）公式总结:（2）内容回归:逻辑回归主要是进行二分类和多分类。二分类中，分为线性可分和线性不可分。对于线性回归模型，我们定义的代价函数是所有模型误差的平方和。理论上来说，我们也可以对逻辑回归模型沿用这个定义，但是问题在于，当我们将hθ(x){h_\theta}(x)hθ(x)带入到这样定义了的代价函数中时，我们得到的代价函数将是一个非凸函数（non-convexfunction）。

undo_try·2022-11-20 03:48

2.吴恩达机器学习--逻辑回归

1.线性可分根据学生的两门学生成绩，预测该学生是否会被大学录取。数据集ex2data1.txt中包含了两门课的成绩以及是否被大学录取，0代表未录取，1代表录取。1.导入库，加载数据集importmatplotlib.pyplotaspltimportnumpyasnpimportpandasaspddata=pd.read_csv('../data/ex2data1.txt',names=['Ex

NLP菜鸟·2022-11-20 03:48

吴恩达老师机器学习课程练习2：逻辑回归python实现

a0.将所需数据放入当前工作目录In[]:!gitclonehttps://github.com/fengdu78/Coursera-ML-AndrewNg-Notes.gitCloninginto'Coursera-ML-AndrewNg-Notes'...remote:Enumeratingobjects:4762,done.remote:Total4762(delta0),reused0(d

dayday up·2022-11-20 03:15

吴恩达机器学习之逻辑回归(二分类)

吴恩达机器学习之逻辑回归逻辑回归二分类逻辑回归二分类逻辑回归案例python代码实现（含详细代码注释）:案例中几个问题的解析不同于线性回归，逻辑回归的hθ(x)还需要用sigmoid函数处理，这是为什么

请多努力·2022-11-20 03:42

吴恩达机器学习作业2：逻辑回归（Python实现）

逻辑回归在训练的初始阶段，将要构建一个逻辑回归模型来预测，某个学生是否被大学录取。设想你是大学相关部分的管理者，想通过申请学生两次测试的评分，来决定他们是否被录取。现在你拥有之前申请学生的可以用于训练逻辑回归的训练样本集。对于每一个训练样本，你有他们两次测试的评分和最后是被录取的结果。为了完成这个预测任务，我们准备构建一个可以基于两次测试评分来评估录取可能性的分类模型。#导入需要的库importn

Phoenix_ZengHao·2022-11-20 03:59

第02周:吴恩达机器学习课后编程题ex2逻辑回归——Python

1逻辑回归在这部分练习中，您将建立一个逻辑回归模型以预测学生是否被大学录取。假设你是一个大学部门的管理员，并且你想根据他们两次考试的成绩的情况来确定每个申请人的录取机会。您有以前申请人的历史数据您可以将其用作逻辑回归的训练集。每次训练例如，您有申请人在两次考试中的成绩和录取决定。你的任务是建立一个分类模型来估计申请人的录取概率基于这两个考试的分数。1.1可视化数据其中轴是两个考试成绩，正类和负类用

MANDYBOOM·2022-11-20 03:58

吴恩达机器学习作业——逻辑回归

1Logisticregression在这部分的练习中，你将建立一个逻辑回归模型来预测一个学生是否能进入大学。假设你是一所大学的行政管理人员，你想根据两门考试的结果，来决定每个申请人是否被录取。你有以前申请人的历史数据，可以将其用作逻辑回归训练集。对于每一个训练样本，你有申请人两次测评的分数以及录取的结果。为了完成这个预测任务，我们准备构建一个可以基于两次测试评分来评估录取可能性的分类模型。1.1

ManiacLook·2022-11-20 03:58

吴恩达机器学习神经网络 8-1非线性假设

Non-linearhypotheses非线性假设神经网络实际上是一个相对古老的算法，但是后来沉寂了一段时间，不过现在，它又成为许多机器学习问题的首选技术。为什么要研究神经网络？这是一个监督学习分类的例子，如果用logistic回归来解决这个问题，可以构造一个包含很多非线性项的Logistics回归函数。当只有两个特征，比如X1、X2时，这种方法确实能得到不错的结果，因为你可以把X1和X2的所有组

妳貞可愛·2022-11-20 02:43

与吴恩达一起参会！赢取RTX 3090黄仁勋签名版！英伟达GTC 2022 AI大会来了！

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达大家好，我是Amusi！今天给大家介绍的是将于3月21日-24日举办的NVIDIAGTC2022大会。GTC大会是全球人工智能领域行业盛会，也是规模最大、最重要的GPU开发者行业大会。强烈推荐大家参加学习！因为不仅能了解到AI前沿技术、产品和解决方案，还能有机会赢取黄仁勋亲笔签名的NVIDIAGeForceRTX3090（炼丹神器

Amusi（CVer）·2022-11-20 01:42

深度学习基于LSTM的商品评论多分类实战

数据预处理1.查看、去除缺失值2.将汉字标签转换为数字3.去除标点符号，再进行分词，再去除停用词4.文本数据转换为向量三、LSTM建模1划分数据集2LSTM模型3模型训练4预测结构查看总结前言我的前面博客有吴恩达深度学习进行情感二分类分析的案例

一颗西柚子·2022-11-20 00:20

吴恩达深度学习笔记——结构化机器学习项目（Structuring Machine Learning Projects）

深度学习笔记导航前言传送门结构化机器学习项目（MachineLearningStrategy）机器学习策略概述正交化（orthogonalization）评价指标数字评估指标的单一性满足指标与优化指标数据集划分数据集区分数据集划分比例什么时候改变指标/开发集/测试集人类表现贝叶斯水平-人类水平-机器学习水平biasandvariance（偏差和方差）深入理解“人类表现”超越人类表现总结：改善模型表

亦梦亦醒乐逍遥·2022-11-19 23:32

Chapter6：Logistics 回归：AndrewNg吴恩达《机器学习》笔记

文章目录6.1LogisticRegression是一种分类算法6.2假设陈述——sigmoid函数6.3决策边界DecisionBoundary6.4代价函数6.4.1问题概述：6.4.2尝试一：线性回归的代价函数6.4.3尝试二：逻辑回归的代价函数6.5简化的代价函数和梯度下降6.5.1对公式的简化6.5.2梯度下降法拟合参数6.6高级优化——相对于梯度下降6.6.1梯度下降6.6.2三种高级

半旧。·2022-11-19 22:00

[转载]《吴恩达深度学习核心笔记》发布，黄海广博士整理！

红色石头深度学习专栏深度学习入门首推课程就是吴恩达的深度学习专项课程系列的5门课。该专项课程最大的特色就是内容全面、通俗易懂并配备了丰富的实战项目。今天，给大家推荐一份关于该专项课程的核心笔记！

weixin_34010949·2022-11-19 22:59

吴恩达深度学习 | (16) 卷积神经网络专项课程第一周学习笔记

课程视频第一周PPT汇总吴恩达深度学习专项课程共分为五个部分，本篇博客将介绍第四部分卷积神经网络专项的第一周课程：卷积神经网络。

CoreJT·2022-11-19 22:28

吴恩达深度学习课程 Class 1 Week 2 assignment2_2 学习记录

本系列会记录萌新博主学习吴恩达深度学习课程中踩过的各种坑，希望对和我一样的萌新起到借鉴的作用，有错误或不完善的地方还请大佬指正。

数字ic菜鸡·2022-11-19 22:27

吴恩达深度学习课程第一章第四周编程作业

反向传播4.1线性反向传播4.2非线性+线性反向传播4.3反向传播主控函数5.损失函数6.预测函数三、测试总结声明本博客只是记录一下本人在深度学习过程中的学习笔记和编程经验，大部分代码是参考了【中文】【吴恩达课后编程作业

麻衣带我去上学·2022-11-19 22:23

吴恩达深度学习C4W1（Pytorch）实现

问题描述此次作业需要处理的任务在之前的任务中出现过：完成一个多分类器，识别图像中手势代表的数字：与之前作业不同的是，需要在神经网络中加入卷积层（CONV）和池化层（POOL）,神经网络的大致结构为：CONV2D->RELU->MAXPOOL->CONV2D->RELU->MAXPOOL->FLATTEN->FULLCONNECTEDimporttorchimporth5pyimportnumpya

SheepTAO.C·2022-11-19 22:52

【Nan‘s 吴恩达深度学习笔记】第四课第一周卷积神经网络

【Nan‘s吴恩达深度学习笔记】第四课第一周卷积神经网络ConvolutionalNeuralNetworks1.1计算机视觉(Computervision)边缘检测垂直边缘过滤器选择PaddingValid

Liareee·2022-11-19 22:22

Python吴恩达深度学习作业7 -- 深度神经网络的正则化

正则化深度学习模型具有很高的灵活性和能力，如果训练数据集不够大，将会造成一个严重的问题–过拟合。尽管它在训练集上效果很好，但是学到的网络不能应用到测试集中！你将学习：在深度学习模型中使用正则化。#importpackagesimportnumpyasnpimportmatplotlib.pyplotaspltfromreg_utilsimportsigmoid,relu,plot_decision

Puzzle harvester·2022-11-19 22:51

B站吴恩达深度学习视频笔记（13）——实战1：动手搭建第一个神经网络

不过吴恩达老师视频不可能给我们现场演示写代码，所以课下实现老师所讲的内容就要靠我们自己了。下面我们自己来动手搭建第一个神经网络吧。

nine_mink·2022-11-19 22:49

B站吴恩达深度学习视频笔记（19）——卷积网络的边缘检测

前言从本篇笔记我们正式开始学习卷积神经网络。卷积运算是卷积神经网络最基本的组成部分，使用边缘检测作为入门样例。在这个笔记中，你会看到卷积是如何进行运算的。在之前的笔记中，我说过神经网络的前几层是如何检测边缘的，然后，后面的层有可能检测到物体的部分区域，更靠后的一些层可能检测到完整的物体，这个例子中就是人脸。在这个视频中，你会看到如何在一张图片中进行边缘检测。边缘检测让我们举个例子，给了这样一张图片

nine_mink·2022-11-19 22:49

吴恩达深度神经网络笔记—残差网络ResNet

残差网络的搭建利用上周学的keras框架，搭建一个深层次的卷积网络，越深的网络在实际上非常难以训练。残差网络就是为了解决深网络的难以训练的问题的。首先我们要实现基本的残差块。再将这些残差块放在一起，实现并训练用于图像分类的神经网络。导包importnumpyasnpfromkerasimportlayersfromkeras.layersimportInput,Add,Dense,Activati

管二三·2022-11-19 22:18

吴恩达深度神经网络笔记—搭建卷积神经网络模型

大纲我们要实现一个拥有卷积层（CONV）和池化层（POOL）的网络，它包含了前向和反向传播。将实现卷积神经网络的构建模块，下面将列举要实现的模块的函数功能：卷积模块，包含了以下函数：使用0扩充边界卷积窗口前向卷积反向卷积池化模块，包含了以下函数：前向池化创建掩码值分配反向池化先利用numpy来实现这些功能，后续更改为TensorFlow。模型结构如下：对于每个前向函数，都有对应的反向等价函数。因此

管二三·2022-11-19 22:48

吴恩达深度神经网络笔记—搭建卷积神经网络模型（TensorFlow）

利用框架搭建卷积神经网络模型导包importmathimportnumpyasnpimporth5pyimportmatplotlib.pyplotaspltimportscipyfromPILimportImagefromscipyimportndimageimporttensorflowastffromtensorflow.python.frameworkimportopsfromcnn_ut

管二三·2022-11-19 22:48

吴恩达深度神经网络笔记—TensorFlow入门

TensorFlow入门了解一个深度学习框架，它将允许您更容易地构建神经网络。像TensorFlow、PaddlePaddle、Torch、Caffe、Keras等机器学习框架可以显著加速机器学习的开发。学习TensorFlow这个框架：初始化变量建立一个会话训练的算法实现一个神经网络导入TensorFlow库importmathimportnumpyasnpimporth5pyimportmat

管二三·2022-11-19 22:47

4-1 Coursera吴恩达《卷积神经网络》第一周课程笔记-卷积神经网络基础

记录吴恩达AndrewNg深度学习专项课程笔记，方便之后回顾，共5门课。

双木的木·2022-11-19 22:16

吴恩达深度学习笔记 course4 week2 作业1

这周新使用了一个新框架,它是一个比较高级的框架,比起低级框架有更多的限制使用keras要注意的是:1.Keras框架使用的变量名和我们以前使用的numpy和TensorFlow变量不一样。它不是在前向传播的每一步上创建新变量（比如X,Z1,A1,Z2,A2,…）以便于不同层之间的计算。在Keras中，我们使用X覆盖了所有的值，没有保存每一层结果，我们只需要最新的值，唯一例外的就是X_input，我

banghu8816·2022-11-19 22:15

吴恩达深度学习专项-第五课-Week4编程作业

Coursera吴恩达教授深度学习第五课（序列模型）第四周编程作业，发出来完整代码供大家参考学习，不足之处请各位大佬多多指正。

TO-GA·2022-11-19 22:44

吴恩达深度学习：course2 - week1 课后作业（代码解读）

https://blog.csdn.net/u013733326/article/details/79847918参考该博主完成的代码作业，本文主要针对代码中的一些函数以及为何这样用做一些自己的理解，直接放代码：main.pyimportnumpyasnpimportmatplotlib.pyplotaspltimportsklearnimportsklearn.datasetsimportgc_

无眠·2022-11-19 22:13

吴恩达深度学习编程作业（4-3）- Autonomous driving - Car detection

吴恩达Coursera课程DeepLearning.ai编程作业系列，本文为《卷积神经网络》部分的第三周“目标检测”的课程作业。

大树先生的博客·2022-11-19 22:12

吴恩达深度神经网络笔记—Keras入门

什么是KerasKeras是为了使深度学习工程师能够很快地建立和实验不同的模型的框架，正如TensorFlow是一个比Python更高级的框架，Keras是一个更高层次的框架，并提供了额外的抽象方法。最关键的是Keras能够以最短的时间让想法变为现实。然而，Keras比底层框架更具有限制性，所以有一些非常复杂的模型可以在TensorFlow中实现，但在Keras中却没有。看看如何在几个小时内建立一

管二三·2022-11-19 22:37

吴恩达深度学习作业（week2）-(1)

出发作业地址https://github.com/robbertliu/deeplearning.ai-andrewNG视频，bilibili吴恩达深度学习。

Runesia·2022-11-19 22:07

Python吴恩达深度学习作业10 -- 深度学习框架TensorFlow入门 + 完整图像识别实战

TensorFlow教程到目前为止，你一直使用numpy来构建神经网络。现在，我们将引导你使用深度学习框架，改框架将使你可以更轻松地构建神经网络。TensorFlow，PaddlePaddle，Torch，Caffe，Keras等机器学习框架可以极大地加速你的机器学习开发速度。所有这些框架也都有好多文档，你应该随时阅读学习。在此笔记本中，你将学习在TensorFlow中执行以下操作：初始化变量创建

Puzzle harvester·2022-11-19 22:35

《深度学习》课程笔记目录总集

《深度学习》课程笔记目录总集吴恩达DeepLearning.ai云课堂地址：https://mooc.study.163.com/university/deeplearning_ai#/c学习笔记推荐：

lynchying·2022-11-19 21:28

Coursera吴恩达课堂笔记 1.2《神经网络与深度学习》-- 神经网络基础之逻辑回归

文章目录1.BinaryClassification2.LogisticRegression3.LogisticRegressionCostFunction4.GradientDescent5.Derivatives6.MoreDerivativeExamples7.Computationgraph8.DerivativeswithaComputationGraph9.LogisticRegres

jianming21·2022-11-19 21:56

吴恩达《深度学习专项》笔记+代码实战（五）：深度学习的实践层面（数据集划分、偏差与方差、参数初始化、正则化）

学习提示第二门课的知识点比较分散，开始展示每周的笔记之前，我会先梳理一下每周涉及的知识。这一周会先介绍改进机器学习模型的基本方法。为了介绍这项知识，我们会学习两个新的概念：数据集的划分、偏差与方差问题。知道这两个概念后，我们就能够诊断当前机器学习模型存在的问题，进而找出改进的方法。之后，我们会针对“高方差问题”，学习一系列解决此问题的方法。这些方法成为“正则化方法”。这周介绍的正则化方法有：添加正

大局观选手周弈帆·2022-11-19 21:54

吴恩达《深度学习专项》笔记（九）：错误分析、数据集匹配、多任务学习、端到端学习

学习提示这周要学习四项内容：错误分析、使用不匹配的数据、完成多个任务的学习、端到端学习。其中，前两项内容是对上一周内容的扩展。学完这些知识后，我们能更好地决定下一步的改进计划。通过处理分布不匹配的数据，我们能够学会如何诊断一种新的问题：数据不匹配问题。之后，我们使用错误分析技术，找到模型具体的错误样例，进一步改进模型。后两项内容分别是两项深度学习的应用技巧。我们会学习迁移学习、多任务学习这两种处理