吴恩达-Coursera

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

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
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）

后来本人在网上也找了很久很久，最后还是自己搭了V屁恩去到了Coursera。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。
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

吴恩达老师机器学习教程中文笔记-在线版

笔记在线阅读，相关资源（视频、笔记、代码）：请点击“阅读原文”原课程地址：https://www.coursera.org/course/ml课程简介MachineLearning(机器学习)是研究计算机怎样模拟或实现人类的学习行为
湾区人工智能·2023-01-21 08:47

吴恩达2022机器学习课程评测来了！

吴恩达老师2022年机器学习专项课（MachineLearningSpecialization）上周全新来袭，课程本身并不是新课，与10年前的机器学习专项课相比，编程语言用Python代替了此前的Octave
Datawhale·2023-01-21 08:47

带你少走弯路：五篇文章学完吴恩达机器学习

本文是吴恩达老师的机器学习课程[1]的笔记和代码复现部分，这门课是经典，没有之一。但是有个问题，就是内容较多，有些内容确实有点过时。如何在最短时间学完这门课程？
风度78·2023-01-21 08:47

【免费下载】吴恩达深度学习（DeepLearning.ai）课程讲义及课后测验 pdf 版

吴恩达深度学习（DeepLearning.ai）课程讲义pdf版链接：https://pan.baidu.com/s/1adBW3Kf-KfX8bFFpdO1dKQ提取码：rzss吴恩达深度学习（DeepLearning.ai
早知晓·2023-01-21 08:47

吴恩达机器学习课程资源（笔记、中英文字幕视频、课后作业，提供百度云镜像！）

强烈感谢黄海广博士给的文章思路本文中提及的作者便是黄海广博士本人吴恩达老师的机器学习课程，可以说是机器学习入门的第一课和最热门课程，作者在github开源了吴恩达机器学习个人笔记，用python复现了课程作业
MrRoose·2023-01-21 08:16

机器学习资料整理

一、视频1、AndrewNg在Coursera上的《machinelearning》，地址：https://www.course
天泽28·2023-01-21 02:26

2022 Ubuntu国内流畅观看Cousera视频最简教程

目录一、解析Cousera动态ip地址二、修改Ubuntu网络环境配置三、刷新Coursera网页一、解析Cousera动态ip地址打开在线解析工具ping.eu点击DNSlookup将d3c33hcgiwev3
pi_kaqiu·2023-01-21 02:56

吴恩达机器学习课后作业2——逻辑回归（logistic regression）

1.问题和数据假设您是一个大学部门的管理员，您想根据申请人在两次考试中的成绩来确定他们的入学机会。您可以使用以前申请人的历史数据作为逻辑回归的训练集。您的任务是构建一个分类模型，根据这两门考试的分数估计申请人被录取的概率。数据ex2data1.txt内容为一个47行3列(47,3)的数据；其中第一列表示exam1成绩，第二列表示exam2成绩。具体数据如下：34.62365962451697,78
学吧 学无止境·2023-01-20 17:01

吴恩达机器学习课后作业7——K-means聚类与主成分分析

1.问题和数据在本练习中，您将实现K-means聚类算法并应用它来压缩图像。在第二部分中，您将使用主成分分析来寻找人脸图像的低维表示之前的题目中都是有监督的算法，每一个样本X都对应有一个标签y,这回我们使用的K-means算法是无监督算法。其原理步骤如下：  2.案例1：给定一个二维数据集，使用K-means算法进行聚类数据集：ex7data2.mat导入包，numpy和pandas是做运算的库，
学吧 学无止境·2023-01-20 17:01

吴恩达机器学习系列课程笔记——第五章：Octave教程(Octave Tutorial)

提示：这章选学，可以去学python，第六节可以看看。5.1基本操作https://www.bilibili.com/video/BV164411b7dx?p=26本章学习以种编程语言：Octave语言。你能够用它来非常迅速地实现这门课中我们已经学过的，或者将要学的机器学习算法。过去我一直尝试用不同的编程语言来教授机器学习，包括C++、Java、Python、Numpy和Octave。我发现当使用
Lishier99·2023-01-20 17:00

吴恩达机器学习系列课程笔记——第十四章：降维(Dimensionality Reduction)

14.1动机一：数据压缩https://www.bilibili.com/video/BV164411b7dx?p=79这个视频，我想开始谈论第二种类型的无监督学习问题，称为降维。有几个不同的的原因使你可能想要做降维。一是数据压缩，后面我们会看了一些视频后，数据压缩不仅允许我们压缩数据，因而使用较少的计算机内存或磁盘空间，但它也让我们加快我们的学习算法。但首先，让我们谈论降维是什么。作为一种生动的
Lishier99·2023-01-20 17:30

吴恩达机器学习系列课程笔记——第十一章：机器学习系统的设计(Machine Learning System Design)

11.1首先要做什么https://www.bilibili.com/video/BV164411b7dx?p=65在接下来的视频中，我将谈到机器学习系统的设计。这些视频将谈及在设计复杂的机器学习系统时，你将遇到的主要问题。同时我们会试着给出一些关于如何巧妙构建一个复杂的机器学习系统的建议。下面的课程的的数学性可能不是那么强，但是我认为我们将要讲到的这些东西是非常有用的，可能在构建大型的机器学习系
Lishier99·2023-01-20 17:59

吴恩达机器学习课程12——无监督学习

吴恩达老师对于k-means算法的过程给出了一个非常通俗易懂的描述与演示：首先
CtrlZ1·2023-01-20 17:26

吴恩达人工智能课总结

神经网络综述1.神经网络概述needsupplement…激活函数的必要性深层网络必要性吴恩达使用的logisticlostfunction为什么relu不会导致线性函数带来的问题计算图的应用1.1模型构建模拟人体神经网络建立神经网络
帅与·2023-01-20 17:56

吴恩达机器学习笔记week11——机器学习系统设计 Machine learning system design

吴恩达机器学习笔记week11——机器学习系统设计Machinelearningsystemdesign11-1.确定执行的优先级Prioritizingwhattoworkon:Spamclassificationexample11
Saulty·2023-01-20 17:52

吴恩达机器学习（十六）—— 聚类

吴恩达机器学习系列内容的学习目录→\rightarrow→吴恩达机器学习系列内容汇总。
大彤小忆·2023-01-20 17:50
上一页 18 19 20 21 22 23 24 25 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他