吴恩达-Coursera 第8页

吴恩达怒斥AI阴谋、Hinton自证清白！Lecun掀起图灵奖大战、哈萨比斯进行回怼！美国AI顶流圈乱象纪实…

大家好，我是夕小瑶科技说编辑王二狗，最近AI圈大瓜不断，对此我表示吃的很是辛苦所以求大家帮我吃一些别只让我一个人吃！就在前天，YannLeCun作为图灵奖得主率先吵了起来，事情起因是酱婶儿的，Hinton，Benjio等人前几天联名在一封公开信中继续呼吁加强对于AI技术发展的监管。而LeCun则表示Bengio、Hinton等人呼吁AI灭绝论的观点是荒谬的。LeCun接着说道，DeepMind的C

夕小瑶·2023-11-05 23:21

吴恩达《机器学习》第一课

人们在网络上执行搜索的时候，会弹出来一系列根据搜索的词汇产生的结果，而且能对这些结果根据新闻、资讯、视频进行分类；在网络上进行购物的时候，没有进行搜索可以根据用户的历史记录进行推荐；高层面的根据人脸信息分析出用户画像针对性地投放广告，这一切的操作都可以通过机器学习来完成。一般来说我们设计程序需要知道这整件事的逻辑，比如条件，执行方法，所需要的数据等。程序是愚蠢的只有我们告诉它要怎么做它才知道去怎么

Zia昭·2023-11-05 23:41

公开课可下载资源汇总

arnil530164·2023-11-05 06:17

AndrewNG Coursera课程编程作业（一）梯度下降求解线性回归

UnderStorm·2023-11-05 03:10

初探PE-Prompt Engineering

我的参考资料1.课程，吴恩达xOpenAI的大概1小时视频课，B站上有翻译版。

XiyouLinux_Kangyijie·2023-11-04 16:19

吴恩达《机器学习》4-6-＞4-7:正规方程

一、正规方程基本思想正规方程是一种通过数学推导来求解线性回归参数的方法，它通过最小化代价函数来找到最优参数。代价函数J(θ)用于度量模型预测值与实际值之间的误差，通常采用均方误差。二、步骤准备数据集，包括特征矩阵X和目标向量y。特征矩阵通常包括一个全为1的常数列（截距项）。定义代价函数J(θ)，通常采用均方误差。推导代价函数J(θ)对参数θ的梯度，令梯度为零。将梯度为零的方程组转化为矩阵形式：X^

不吃花椒的兔酱·2023-11-04 15:11

吴恩达《机器学习》5-6:向量化

在深度学习和数值计算中，效率和性能是至关重要的。一个有效的方法是使用向量化技术，它可以显著提高计算速度，减少代码的复杂性。接下来将介绍向量化的概念以及如何在不同编程语言和工具中应用它，包括Octave、MATLAB、Python、NumPy、C和C++。一、什么是向量化？向量化是一种利用线性代数库和数值计算工具来优化代码的方法。它的核心思想是将数据视为向量和矩阵，而不是单个标量值。通过对整个向量或

不吃花椒的兔酱·2023-11-04 15:11

Introduction to Data Science in Python学习笔记

本文主要是作者在学习coursera的IntroductiontoDataScienceinPython课程的学习笔记，仅供参考。

Python休·2023-11-04 13:46

threshold must be numeric and non-NAN, try sys.maxsize for untruncated representation（吴恩达第四周作业1）

1.报错：thresholdmustbenumericandnon-NAN,trysys.maxsizeforuntruncatedrepresentation2.原因：numpy版本的错误使用3.解决方法：导入sys包importsys将np.set_printoptions(threshold=np.nan)用np.set_printoptions(threshold=sys.maxsize)

In 2029·2023-11-04 11:23

深度学习笔记第三门课结构化机器学习项目第二周机器学习（ML）策略（2）...

本文是吴恩达老师的深度学习课程[1]笔记部分。

湾区人工智能·2023-11-03 15:22

Coursera Algorithm II PA5

这次作业题要求实现25个点的TSP问题TSP的非递归动规解法本身就有一定的难度，但本题的重点却是内存优化，因为25点的TSP动规解法需要的内存较多为了优化空间复杂度，这里引入了两个技巧：1.Gosper'shack2.Combinadic首先，还是要清楚了解TSP解法的状态转移方程，这里对状态转移方程做了详细的介绍，且带有伪代码1.我们用二进制来表示集合S,比如5个点的TSP问题，00111表示集

weixin_33717117·2023-11-03 08:30

吴恩达深度学习--logistic回归中的梯度下降法

如果要对一个例子进行梯度下降，需要用公式算出dz,然后算出dw1、dw2、db，然后进行更新w1、w2、b我们关心得J（w,b）是一个平均函数，这个损失函数L。a^i是训练样本的预测值以上是对于单个例子的逻辑回归。我们可以初始化J=0，dw1dw2db都为0回顾我们正在做的细节，dw1、dw2、db作为累加器

862180935588·2023-11-03 04:14

莫烦---Tensorflow学习

加粗样式边学边记录，感谢莫烦大神的教学视频，获益良多，之前已经看完了吴恩达AndrewNg的视频，但对Tensorflow的使用还是有很多不懂的地方，还是要花些时间好好学学tensorflow和keras

Will_Ye·2023-11-03 03:02

吴恩达的机器学习笔记-写在前面

作为一个还没找到编程工作的的伪程序员，我都不好意思自封非科班程序员。今年是2018年11月，基本上，这一年就算过去了。我是今年毕业，不过7月份头脑发热，转正一个月后就裸辞了。想想心也是真大，说辞就辞，完全不考虑今年这样恶劣的就业环境。这不，你们看，报应来了，到现在都没有工作，只能来写写文章，通过文字来排解内心的焦虑。我在辞职的那家公司工作了大概有半年，工作是产品助理，日常琐碎的事情较多，但也基本应

吾儿滨滨·2023-11-03 03:51

机器学习初步_吴恩达_学习笔记

前言通俗易懂的讲解让人停不下来，与国内对于机器学习的讲解来说，少了一堆严格定义的特有名词充斥课堂，而是更多的不断用例子来说其核心概念。还有神经网络、支持向量机、无监督学习等模块还没有写，有空了再写1.初始机器学习机器学习的定义最常见的两类机器学习算法有监督学习：我们教会计算机做某件事情无监督学习：我们让计算机自己学习其他类型算法：强化学习、推荐系统有监督学习举例预测房价和推测乳腺癌良性与否的例子，

帅小帅家的小吴昊·2023-11-02 23:41

改善深层神经网络_优化算法——带修正偏差的指数加权平均

优化算法：指数加权平均在学习吴恩达的深度学习系列课程，优化算法部分，权重更新部分讲到指数加权平均，查找到下面博文。此博文看配图，举例，也是吴恩达课程的总结，故此转载。

qiling0102·2023-11-02 18:00

使用Python开始机器学习

男女老少都在学机器学习模型，分类器，神经网络和吴恩达。你也想成为一份子，但你该如何开始？

逆光0奔跑·2023-11-02 18:30

吴恩达《机器学习》4-1-＞4-5:多变量线性回归

一、引入多维特征在多维特征中，我们考虑的不再是单一的特征，而是一组特征，例如房价模型中可能包括房间数、楼层等多个特征。这些特征将组成一个向量，表示为(₁,₂,...,ₙ)，其中代表特征的数量。每个特征都可以表示数据集中的不同属性。对于每个训练实例，我们使用向量表示特征，如()=[1416,3,2,40]，这里ⱼ()代表特征矩阵中第行的第个特征，也就是第个训练实例的第个特征。支持多变量的假设ℎ表示为

不吃花椒的兔酱·2023-11-02 06:24

学习如何学习

“--在学习coursera上《学习如何学习》（learninghowtolearn）我就这感受。怎么没早看到呢？

野猪一九九五·2023-11-01 08:03

研0开始如何读论文

(zhihu.com)吴恩达：关于机器学习职业生涯以及阅读论文的一些建议https://www.youtube.com/watch?

SofiaT·2023-10-31 16:57

ChatGPT提示词工程（七）：Chatbot聊天机器人

get_completion2.辅助函数：get_completion_from_messages三、聊天机器人（Chatbot）1.一般聊天机器人1.1简单的例子1.2多轮对话2.订单机器人一、说明这是吴恩达

J_Xio·2023-10-31 07:29

ChatGPT提示词工程（五）：Transforming转换

）1.翻译Translation2.语气转换ToneTransformation3.格式转换FormatConversion4.拼写或语法检查Spellcheck/Grammarcheck一、说明这是吴恩达

J_Xio·2023-10-31 07:58

ChatGPT提示词工程（六）：Expanding扩展

目录一、说明二、安装环境三、扩展（Expanding）1.自定义自动回复客户电子邮件2.提醒模型使用客户电子邮件中的详细信息3.参数temperature一、说明这是吴恩达《ChatGPTPromptEngineeringforDevelopers

J_Xio·2023-10-31 07:58

总结吴恩达文章《How to read a research paper》

HowtoreadaresearchpaperChooseAreaofInterest(saySpeechRecognition)Ingeneral,ifyouread15-20papers,yougetagoodunderstandingofanyfield/topic;whileifyouread50-100papers,yougetmasteryintheareaCompilethelist

ChandlerBing·2023-10-30 18:36

吴恩达《面向开发者的提示词工程》

Ref：【中英字幕|P01Introduction】2023吴恩达新课《面向开发者的提示词工程》_哔哩哔哩_bilibili对应的笔记ChatGPTPrompt-知乎本课程主要介绍指令微调LLM的最佳实践在大型语言模型或

人鱼线·2023-10-30 12:37

循环神经网络

为了学习编码器-译码器架构，可能需要涉及transformer，循环神经网络，序列到序列的知识，这里将循环神经网络作为起点进行学习，参考学习的是吴恩达深度学习课程。本文主要涉及单隐层循环

Alex·Fall·2023-10-30 05:02

【深度学习】吴恩达课程笔记(三)——参数VS超参数、深度学习的实践层面

笔记为自我总结整理的学习笔记，若有错误欢迎指出哟~吴恩达课程笔记——参数VS超参数、深度学习的实践层面六、参数VS超参数1.参数和超参数的区别2.什么是超参数？3.如何寻找超参数的最优值？

今天有没有吃饱饱·2023-10-29 16:31

【深度学习】吴恩达课程笔记(二)——浅层神经网络、深层神经网络

笔记为自我总结整理的学习笔记，若有错误欢迎指出哟~笔记链接【深度学习】吴恩达课程笔记(一)——深度学习概论、神经网络基础吴恩达课程笔记——浅层神经网络、深层神经网络四、浅层神经网络1.双层神经网络表示2

今天有没有吃饱饱·2023-10-29 16:00

【深度学习-吴恩达】L1-4 深层神经网络作业

L1深度学习概论4深层神经网络作业链接：吴恩达《深度学习》-Heywhale.com0作业任务构建一个任意层数的深度神经网络实现构建深度神经网络所需的所有函数使用这些函数构建一个用于图像分类的深度神经网络学习目标

JackSerin·2023-10-29 16:29

【深度学习-吴恩达】L1-3 浅层神经网络作业

L1深度学习概论3浅层神经网络作业链接：吴恩达《深度学习》-Heywhale.com0作业任务用1层隐藏层的神经网络分类二维数据目标：实现具有单个隐藏层的2分类神经网络使用具有非线性激活函数的神经元计算交叉熵损失实现前向和后向传播

JackSerin·2023-10-29 16:29

【深度学习-吴恩达】L1-2 神经网络基础

L1深度学习概论2神经网络基础课程视频共145min6s2.1二分分类BinaryClassification一些表示方法m：数据集的规模mtrain：训练集规模mtest：测试集规模nx：输入特征向量的维度，简写为n(x,y)：一组单独训练样本y：在二分类中，0/1的输出结果，即y∈{0,1}x：nx维度的输入特征向量，即x∈Rnx训练集：{(x(1),y(1)),(x(2),y(2)),…,(

JackSerin·2023-10-29 16:59

吴恩达深度学习笔记（一）——第一课第二周

深度学习概论什么是神经网络上图的单神经元就完成了下图中函数的计算。下图的函数又被称为ReLU（修正线性单元）函数复杂的神经网络也是由这些简单的单神经元构成。实现后，要得到结果，只需要输入即可。x那一列是输入，y是输出，中间是隐藏单元，由神经网络自己定义用神经网络进行监督学习领域所用的神经网络房产预测等领域标准架构StandardedNN计算机视觉卷积神经网络CNN音频，文字翻译（一维序列问题）循环

Laurie-xzh·2023-10-29 16:57

【深度学习】吴恩达课程笔记(一)——深度学习概论、神经网络基础

笔记为自我总结整理的学习笔记，若有错误欢迎指出哟~吴恩达课程笔记——深度学习概论、神经网络基础一、概念区别1.深度学习与机器学习2.深度学习与神经网络二、什么是神经网络1.分类2.特点3.工作原理4.神经网络示意图

今天有没有吃饱饱·2023-10-29 16:56

人人都能懂的机器学习——训练深度神经网络——优化算法2

RMSProp算法是由GeoffreyHinton和TijmenTieleman在2012年提出的，并且GeoffreyHinton在Coursera上有一节关于神经网络的课程上展示了这种算法。

苏小菁在编程·2023-10-29 16:43

吴恩达《机器学习》2-5-＞2-7:梯度下降算法与理解

一、梯度下降算法梯度下降算法的目标是通过反复迭代来更新模型参数，以便最小化代价函数。代价函数通常用于衡量模型的性能，我们希望找到使代价函数最小的参数值。这个过程通常分为以下几个步骤：初始化参数：随机或设定初始参数的数值，如0,1,...,。计算代价函数的梯度：对于每个参数，计算代价函数J(0,1,...,)对该参数的偏导数，即梯度，表示为∂J/∂。更新参数：使用梯度信息来更新参数，根据以下规则更新

不吃花椒的兔酱·2023-10-29 15:31

第1周学习笔记-Coursera机器学习-吴恩达

Introduction1.MachineLearningdefinitionArthurSamuel(1959).MachineLearning:Fieldofstudythatgivescomputerstheabilitytolearnwithoutbeingexplicitlyprogrammer.古老的、正式的定义编写西洋棋程序，让程序自己跟自己下棋，让程序明白什么是好的布局、坏的布局。

烟若清尘·2023-10-29 09:30

Python机器学习从零开始（三）数据准备

——吴恩达1.数据预处理数据预处理需要根据数据本身的特性进行，有缺失的要填补，有无效的要剔除，有冗余维的要删除，这些步骤都和数据

靖墨c·2023-10-29 09:10

一文看懂特征工程

吴恩达提到过机器学习的根本其实就是数据，所以我只想回过头从数据起源这边重新审视自己的模型。顺便将自己对特征工程的所有理解系统地整理出来，给自己做个笔记，也给未来的小白做个领路。

是猪哥不是诸葛·2023-10-29 07:53

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。

Wang_AI·2023-10-29 07:22

数据结构&&算法，学习笔记

算法学习资源93k算法小抄.leetcodehttps://github.com/labuladong/fucking-algorithm算法可视化https://visualgo.net/zhcoursera

Abner_iii·2023-10-28 23:11

工具速递·2023-10-28 23:00

机器学习笔记03_机器学习基本概念(下)

学习视频：[中英字幕]吴恩达机器学习系列课程学习资料：https://github.com/fengdu78/Coursera-ML-AndrewNg-NotesGitHub不好用的话，我在CSDN资源区也上传了开源资料

三木今天学习了嘛·2023-10-28 17:25

吴恩达《机器学习》2-2-＞2-4:代价函数

一、代价函数的概念代价函数是在监督学习中用于评估模型的性能和帮助选择最佳模型参数的重要工具。它表示了模型的预测输出与实际目标值之间的差距，即建模误差。代价函数的目标是找到使建模误差最小化的模型参数。二、代价函数的理解训练集数据：假设我们有一个训练集，其中包含个样本（数据点），每个样本都有一个特征和一个对应的目标值。模型的假设函数：我们构建一个假设函数ℎ()用于预测目标值。在单变量线性回归中，这个假

不吃花椒的兔酱·2023-10-28 16:58

吴恩达深度学习-序列模型 2.7 负采样

这节课学习的同样是一个监督学习嵌入向量的模型，上节课的skip-gram使用的softmax分类器求和带来的计算量太大了，这节课使用的算法可以避免这个问题。这节课名字叫做负采样，那么正采样呢？我们还是像上节课一样，在一句话里随机选出一个context，然后在一定的词距范围内选择一个词。这两个词组成的一个pair就叫做正样本，然后再在词典当中随机选择一个词，把它们设置成不相关，这就叫做负样本，这些随

prophet__·2023-10-28 10:32

吴恩达《机器学习》1-3:监督学习

一、监督学习例如房屋价格的数据集。在监督学习中，我们将已知的房价作为"正确答案"，并将这些价格与房屋的特征数据一起提供给学习算法。学习算法使用这些已知答案的数据来学习模式和关系，以便在未知情况下预测其他房屋的价格。这就是监督学习，通过提供正确答案来训练算法以做出准确的预测或估计。二、回归问题回归：推测出这一系列连续值属性。回归问题：根据输入特征来预测或推测出连续的数值结果。举例来说，房价预测可以被

不吃花椒的兔酱·2023-10-28 05:50

吴恩达《机器学习》1-5:模型描述

一、单变量线性回归单变量线性回归是监督学习中的一种算法，通常用于解决回归问题。在单变量线性回归中，我们有一个训练数据集，其中包括一组输入特征（通常表示为）和相应的输出目标（通常表示为）。这个算法的目标是学习一个线性函数，通常表示为ℎ()，其中是要学习的参数，以便将输入特征映射到输出目标。具体地，对于单变量线性回归，通常使用以下形式的线性函数：其中：ℎ()表示通过算法学习到的假设（或预测）函数。0和