吴恩达-Coursera

【深度学习】吴恩达-学习笔记 偏差与方差、正则化、梯度检测、mini-batch

目录深度学习偏差与方差L2范数正则化（权重衰减），减少方差Dropoutregularrization(随机失活正则化)数据扩增可以作为一种正则化方法使用提前终止训练数据归一化：梯度消失/梯度爆炸梯度检测Batchvsmini-batch深度学习偏差与方差对于大量数据，训练集，验证集，测试集的划分为8:1:1或99.5:0.25:0.25、99.5:0.4:0.1如果不需要无偏评估算法性能，没有测
—Xi—·2022-12-17 13:48

深度学习-归一化输入，梯度消失爆炸，梯度检验

二、梯度消失，爆炸1.梯度2.深度网络学习初始化三、梯度检验梯度检验前言吴恩达week5一、归一化输入1、均值方差归一化均值方差归一化。要注意：我们要对训练数据集和测试数据集使用相同的u与方差。
爱吃肉c·2022-12-17 08:39

[Machinie Learning] 吴恩达机器学习课程笔记——Week3

MachineLearningbyAndrewNg吴恩达机器学习课程学习笔记——Week3本人学习笔记汇总合订本✓课程网址standfordmachinelearning参考资源课程笔记python版作业学习提纲
Carsick Car·2022-12-17 08:08

吴恩达 deeplearning.ai - 神经网络和深度学习 - 第一周测验

原文链接：https://blog.csdn.net/u013733326/article/details/79862336Week1Quiz-Introductiontodeeplearning1.Whatdoestheanalogy“AIisthenewelectricity”referto?AIispoweringpersonaldevicesinourhomesandoffices,sim
醉一心·2022-12-17 07:58

【机器学习】神经网络各层反向传播中的损失计算

神经网络反向传播中各层损失计算（一个随意的笔记）在看吴恩达的神经网络时看不懂表达式啥意思，于是自己推算了一遍。
whooooami·2022-12-16 19:23

【机器学习】吴恩达：终生学习

新智元报道编辑：LRS【新智元导读】吴恩达最近写了两封信，为AI从业者的职业生涯进行指导，最重要的就是终生学习！｜还在纠结会不会错过元宇宙和web3浪潮？清华大学科学史系副教授胡翌霖，这次给你讲个透！
风度78·2022-12-16 18:38

数据服务门槛再提升，这个“TOP1玩家”凭何再度领军？

根据ML大牛吴恩达提出的著名二八定律：80%数据+20%模型=更好的AI。他认为，一个机器学习团队80%的工作应该放在数据准备上，确保数据质量是最重要的工作，每个人都知道应该如此做，但没人在乎。
高工智能汽车·2022-12-16 17:00

人工智能的分析与思考

深度学习学术大牛吴恩达认为：“未来人工智能会成为如同电力一般的资源。”
floatGray·2022-12-16 16:40

吴恩达机器学习python实现（6）：SVM支持向量机（文末附完整代码）

所有的数据来源：链接：https://pan.baidu.com/s/1vTaw1n77xPPfKk23KEKARA提取码：5gl21SupportVectorMachines1.1Preparedatasetsimportnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltimportseabornassb#更好的可视化封装库fromscip
TCQD·2022-12-16 16:28

《机器学习算法竞赛实战》学习笔记4.特征工程

吴恩达老师有言：“机器学习在本质上还是特征工程，数据和特征决定了机器学习的上限，模型和算法只是逼近这个上限而已。”
全自动学习机器·2022-12-16 13:32

学习简记_特征工程

特征工程1.特征变换1.1连续变量无量纲化1.2连续变量离散化1.3类别特征转换2.特征组合3.特征评价吴恩达老师有言：“机器学习本质上还是特征工程，数据和特征决定了机器学习上限，模型和算法只是去尽可能逼近这个上限而已
全自动学习机器·2022-12-16 13:54

吴恩达的2021回顾，这些大事件影响了AI这一年

来源：AI前线作者：AndrewNg译者：核子可乐，刘燕12月23日，机器学习大牛吴恩达（AndrewNg）在其主编的人工智能周讯《TheBatch》上发表了最新文章。
Sim1480·2022-12-16 12:14

吴恩达机器学习打卡day1

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P2图1介绍了机器学习的三个指标。分别是：experienceE,taskT&performancemeasureP。图1      图2介绍了机器学习的分类，主要有：Superivedlearning和Unsupervisedlearning,其他的还有Reinforcementlearning等等
学吧 学无止境·2022-12-16 06:10

吴恩达机器学习视频课笔记【第1-3章】

目录1机器学习的一些概念1.1基础概念1.2监督学习1.3无监督学习1.4模型的泛化能力1.5假设空间2模型相关知识点2.1模型描述2.2代价函数（costfunction）2.3梯度下降（Gradientdescent）2.4线性回归算法（Linearregression）3矩阵和向量typora使用数学公式(部分)1机器学习的一些概念1.1基础概念数据集datasetD={x1,x2,x3,…
反正没几根头发·2022-12-16 04:41

吴恩达机器学习课程-第一周

1.监督学习数据集中的每个样本都有相应的“正确答案”，再根据这些样本作出预测2.无监督学习数据集中没有任何的标签/有相同的标签，将数据分为不同的簇3.单变量线性回归3.1模型表示只含有一个特征/输入变量：hθ(x)=θ0+θ1(x)h_\theta(x)=\theta_0+\theta_1(x)hθ(x)=θ0+θ1(x)3.2代价函数选择的参数决定了直线相对于训练集的准确程度，模型所预测的值与训
J___code·2022-12-16 04:37

[吴恩达机器学习课程笔记] week four强化学习

强化学习定义强化学习（ReinforcementLearning,RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。在强化学习框架中，我们将只提供我们的算法一个奖励函数，它指示学习代理何时做得好，当它做得不好。然后，学习算法的工作将是找出如何随时间选择行动，从而获得巨大的奖
mossfan·2022-12-16 04:35

2022吴恩达机器学习（三）| 无监督学习

目录系列文章目录一、聚类（Clustering）1.什么是聚类2.直观理解K均值算法（常用聚类算法）2.K均值算法3.优化目标4.随机初始化5.选择聚类数二、异常检测（AnomalyDetection）1.发现异常事件2.高斯分布/正态分布3.异常检测算法4.开发与评估异常检测系统5.异常检测和监督学习对比6.选择使用什么特征具体笔记编辑引用系列文章目录（一）监督机器学习：回归和分类（二）高级学习
江某1111号机·2022-12-16 04:33

2022吴恩达机器学习课程学习笔记（第二课第四周）

2022吴恩达机器学习课程学习笔记（第二课第四周）决策树模型学习过程纯度选择拆分：信息增益整合One-hot编码连续值特征回归树使用多个决策树有放回抽样随机森林XGBoost何时使用决策树决策树模型举例解释决策树是如何工作的
Ys能保研·2022-12-16 04:27

门控循环单元（Gate Recurrent Unit，GRU）

目录1GRU的输入输出结构2GRU的内部结构2.1重置门resetgate2.2更新门updategate3LSTM与GRU的关系4.总结5吴恩达视频截图LSTM通过门控机制使循环神经网络不仅能记忆过去的信息
意念回复·2022-12-16 00:17

吴恩达《机器学习》笔记汇总

根据学习进度，将课程分为15部分进行笔记，具体内容如下：吴恩达机器学习（一）——简介吴恩达机器学习（二）——线性回归吴恩达机器学习（三）——Logisitic回归吴恩达机器学习（四）——正则化吴恩达机器学习
青春是首不老歌丶·2022-12-16 00:42

吴恩达《深度学习》笔记汇总

根据学习进度，将吴恩达《深度学习》课程笔记总结如下，具体如下：第一门课：神经网络和深度学习（第一周）——深度学习引言第一门课：神经网络和深度学习（第二周）——神经网络的编程基础第一门课：神经网络和深度学习
青春是首不老歌丶·2022-12-16 00:01

笔记 | 吴恩达Coursera Deep Learning学习笔记

笔记|吴恩达CourseraDeepLearning学习笔记2017-09-29LisaSong1024深度学习1024深度学习如果你觉得好的话，不妨分享到朋友圈。
明明是我先的·2022-12-15 16:07

吴恩达深度学习deeplearning.ai——第一门课：神经网络与深度学习——第三节：浅层神经网络

3.1神经网络概述（NeuralNetworkOverview）本章你将学习如何实现一个神经网络。在我们深入学习具体技术之前，我希望快速的带你预览一下本章你将会学到的东西。如果这个视频中的某些细节你没有看懂你也不用担心，我们将在后面的几个视频中深入讨论技术细节。现在我们开始快速浏览一下如何实现神经网络。上章我们讨论了逻辑回归，我们了解了这个模型(见图3.1.1)如何与下面公式3.1建立联系。图3.
Lishier99·2022-12-15 16:06

教你如何卷积操作进行边缘检测，基础必备

https://www.toutiao.com/a6630571206204473859/2018-12-0309:22:41作者：忆臻0.前言打算对吴恩达老师的Deeplearning课程做一个笔记回顾
喜欢打酱油的老鸟·2022-12-15 15:55

AI基础：自然语言处理基础之序列模型

本文主要参考吴恩达老师的深度学习课程[1]笔记部分。0.导语序列模型，是自然语言处理的基础，本集讲解循环序列模型。
湾区人工智能·2022-12-15 15:03

深度学习笔记-第一周

概要吴恩达老师的深度学习一共包括五门课第一门课程（神经网络和深度学习）：学习如何建立神经网络，包括一个深度神经网络，以及如何在数据上面训练他们。还将用一个深度神经网络进行辨认猫。四周时间。
蜂鸟up·2022-12-15 14:51

吴恩达深度学习课程第一课---深度学习---第一周学习笔记

吴恩达深度学习课程第一课–深度学习–第一周学习笔记什么是神经网络神经网络就是按照一定规则将多个神经元连接起来的网络单神经元网络，相当于简单的函数，输入x得出y,如图:复杂一些的神经网络是由多个单元神经网络堆叠起来的机器学习被应用于结构化数据和非结构化数据结构化数据是数据的数据库
菜刀l四庭柱·2022-12-15 14:19

吴恩达--深度学习笔记（2022年课程第二周）

*在tensorflow中训练神经网络的代码：逻辑回归模型：1.指定如何在给定输入x和参数的情况项目，计算输出2.指定损失和成本3.最小化*如何在tensorflow中训练神经网络---->将逻辑回归模型成本函数的三个步骤映射到训练神经网络中：1.该代码指定了神经网络的整个架构，告诉了tensorflow需要的一切2.指定什么是损失函数，同时定义我们用来训练神经网络的成本函数损失函数：二元交叉熵3
兔兔ting·2022-12-15 14:16

吴恩达--深度学习笔记(2022年课程第一周)

*神经网络（深度学习算法）：一组神经元是一层，一层可以有一个或多个神经元；他们输入相同或相似的特征，然后又反向输出一些特征。输入层隐藏层输出层4个数字（激活值）3个数字（激活值）隐藏层可以访问每个功能，即从上一层到输出层的每个值。当某些特征无关重要时，可以通过设置适当的参数进行适当的忽略；隐藏层在训练集中是看不到的，训练集中只有x,y，即输入层，输出层输出层输出的概率就是神经网络预测的输出概率x向
兔兔ting·2022-12-15 14:45

1-4 Coursera吴恩达《神经网络与深度学习》第四周课程笔记-深层神经网络

记录吴恩达深度学习专项课程笔记，方便之后回顾，共5门课，这是第一门课《神经网络与深度学习》第四周深层神经网络的课程笔记，那我们开始吧。上节课课程1-3浅层神经网络我们主要介绍了浅层神经网络。
双木的木·2022-12-15 14:14

超越“大数据”:运用商业分析和数据科学为企业实现商业价值 （培训笔记）

内容简介：商业模式和大数据分析关联硅谷顶级公司大数据BI商业价值实际案例大数据团队建立和管理经验总结及大数据行业前瞻海外讲师：李玥高级数据分析专家数据科学业界领军人物曾担任多家初创公司的数据顾问，例如Coursera
Shadow_mi·2022-12-15 08:27

我在机器学习&深度学习道路上常看的资料和网站

【资源总目录】【python基础】【林轩田-机器学习专项课程】【吴恩达-深度学习专项课程】【2018AI产业报告合集】新闻资讯AnalyticsVidhya(https://www.analyticsvidhya.com
HCHThongdou·2022-12-15 05:53

Coursera自动驾驶课程学习——软硬件架构

硬件传感器包括：相机和深度相机、激光雷达（红外激光），雷达（无线电），声呐（超声波测距），GPS/IMU，里程计覆盖范围主动减速率大致是5m/s2s^2s2：人用力踩下刹车的速度一般减速率2m/s2s^2s2：减速距离的计算是d  =  v22ad\;=\;\frac{v^{2}}{2a}d=2av2,aaa就是减速率讨论两个情况：高速公路及城市道路高速公路的需求紧急刹车：前后方150米到200米
绿竹巷人·2022-12-14 20:53

Matlab吴恩达机器学习编程练习ex5：正则化线性回归和偏差v.s. 方差Regularized Linear Regression and Bias v.s. Variance

本文基于吴恩达老师第六周的练习，在这次的练习中，你将会实现正则化的线性回归并且用它去实现不同的偏差和方差的性质。
Zhanghp947·2022-12-14 15:04

【机器学习基础】数据划分、超参数调整、正则化

本文来源于吴恩达老师的深度学习课程[1]笔记部分。作者：黄海广[2]导语本文讲解机器学习的策略方面，包括数据划分、超参数调整、正则化等。
风度78·2022-12-14 15:54

如何理解向量化的梯度函数，矩阵化的theta西塔θ

黄海广博士在（吴恩达）机器学习课程练习3（ML-Exercise3）中，重写逻辑回归中梯度函数的实现，改为完全向量化（即没有“for”循环）向量化前的梯度函数（“for”循环模式）：defgradient_with_loop
梓沂·2022-12-14 13:02

吴恩达神经网络1-2-2_图神经网络进行药物发现-第1部分

吴恩达神经网络1-2-2预测溶解度(PredictingSolubility)相关资料(RelatedMaterial)JupyterNotebookforthearticleJupyterNotebook
weixin_26746401·2022-12-14 09:49

【深度学习基础】从零开始的炼丹生活08——卷积网络

（主要参考《深度学习》和cousera上吴恩达的课程）卷积网络（convolutionalnetwork），也叫卷积神经网络（CNN）,是一种专门用来处理具有类
wby1905·2022-12-14 07:38

吴恩达的2021回顾，这些大事件影响了AI这一年

来源：AI前线作者：AndrewNg译者：核子可乐，刘燕12月23日，机器学习大牛吴恩达（AndrewNg）在其主编的人工智能周讯《TheBatch》上发表了最新文章。
风度78·2022-12-14 07:23

机器学习（一）监督学习和无监督学习

二、课程学习内容三、监督学习四、无监督学习总结Log2021.12.31寒假开始，开个新坑，记录一些机器学习的笔记，还是老样子放上本次资源，学习视频传送门：[中英字幕]吴恩达机器学习系列课程2022.01.01
竹清兰香·2022-12-14 03:43

我的学习体会

所以在这里我要强烈推荐几个学习资源：吴恩达机器学习深度学习视频,
我是chios·2022-12-13 08:54

我的深度学习过程，你可以借鉴我的方法，该方法对初学者友好

Beginner-friendlyDeepLearningProcess1.观看李飞飞和吴恩达的机器学习系列课程斯坦福李飞飞CS231n计算机视觉课程吴恩达机器学习系列课程2.Pytorch入门课程Pytorch
Anefuer_kpl·2022-12-13 08:20

机器学习笔记之监督学习和无监督学习

机器学习（machinelearning）“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”这是在吴恩达的视频和周志华的书上
解渴的凉白开·2022-12-13 08:01

吴恩达Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第.

Practicequiz:CollaborativeFiltering第1个问题：Youhavethefollowingtableofmovieratings:Refertothetableaboveforquestion1and2；Assumenumberingstartsat1forthisquiz,sotheratingforFootballForeverbyElissaisat(1,1)，
ZhemgLee·2022-12-13 07:59

机器学习----回归问题

1.序言这个系列主要总结一些自己在coursera上的课堂笔记。cousera上的机器学习课程是大名鼎鼎的AndrewNG(吴恩达)老师讲的，讲的深入浅出，真的是良心课程。
小cui童鞋·2022-12-12 23:22

深度学习2.2 逻辑回归(Logistic Regression)

逻辑回归2.2-吴恩达老师课程逻辑回归学习算法，该算法适用于二分类问题，本节将主要介绍逻辑回归的HypothesisFunction（假设函数）。
小钟的学习记录·2022-12-12 19:42

吴恩达之神经网络和深度学习2.2logistic回归

Logistic回归Logistic回归是在输出y均为0或1的监督学习问题中使用的一种学习算法。Logistic回归的目的是使预测和训练数据之间的误差最小化。例如：猫或不是猫给定由特征向量x表示的图像，该算法将评估猫在该图像中的概率。给定x,y^=p(y=1|x),其中0≤y^≤1Logistic回归中使用的参数如下：输入特征向量：x∈Rnx，其中nx是特征数训练标签：y∈0,1权值:w∈Rnx,
为援不可图·2022-12-12 19:11

吴恩达深度学习笔记2.2 logistic回归

regression:回归supervised:有监督的logistic回归是一种学习算法被用于有监督学习问题,当y全都是0或1时例子:判断是否有猫给定一个由特征向量x代表的图像,那个算法将会估计猫是否在那个图像里的可能性logistic回归的参数如下:转载于:https://www.cnblogs.com/Dar-/p/9310066.html
banghu8816·2022-12-12 19:40

吴恩达Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第.

吴恩达Coursera,机器学习专项课程,MachineLearning：UnsupervisedLearning,Recommenders,ReinforcementLearning第一周所有jupyternotebook
ZhemgLee·2022-12-12 18:41

什么才是一个好的特征工程？

——吴恩达简单理解，就是对X进行处理，使X与Y呈现的函数是线性的。例子x=np.arange(20)y=x**2X=np.c_[x,x**2,x**3]X_f
CodeSlogan·2022-12-12 13:27
上一页 27 28 29 30 31 32 33 34 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他