吴恩达-YEARNING

吴恩达深度学习笔记(30)-正则化的解释

正则化（Regularization）深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高，但正则化通常有助于避免过拟合或减少你的网络误差。如果你怀疑神经网络过度拟合了数据，即存在高方差问题，那么最先想到的方法可能是正则化，另一个解决高方差的方法就是准备更多数据，这也是非常
极客Array·2024-09-16 00:23

七.正则化

吴恩达机器学习之正则化（Regularization）http://www.cnblogs.com/jianxinzhou/p/4083921.html从数学公式上理解L1和L2https://blog.csdn.net
愿风去了·2024-09-15 21:11

人工智能中的哲学

〇、前言人工智能威胁论支持者：埃隆·马斯克、史蒂芬·霍金、比尔·盖茨反对者：马克·扎克伯格、吴恩达、佩德罗·多明戈斯人工智能是什么？应不应该发展人工智能？未来机器人和自动化会不会完全取代人类劳动力？
Dijkstra's Monk-ey·2024-09-08 11:56

吴恩达深度学习笔记(24)-为什么要使用深度神经网络？

为什么使用深层表示？（Whydeeprepresentations?）我们都知道深度神经网络能解决好多问题，其实并不需要很大的神经网络，但是得有深度，得有比较多的隐藏层，这是为什么呢？我们一起来看几个例子来帮助理解，为什么深度神经网络会很好用。首先，深度网络在计算什么？如果你在建一个人脸识别或是人脸检测系统，深度神经网络所做的事就是，当你输入一张脸部的照片，然后你可以把深度神经网络的第一层，当成一
极客Array·2024-09-01 16:18

python里的i_Python 中[::] 与 [:,:,i] 总结

最近在学吴恩达的DeepLearning中的第五门课SequenceModel,第一个lab是用Numpy搭建RNN，在搭建RNN的时候用到了Numpy的Slicing([:,:,i]),在这里想总结下
桌游顽主的航仔·2024-08-31 13:55

全网爆火的第一本程序员的Agent入门书籍——《大模型应用开发 动手做AI Agent》

OpenAI创始人奥特曼预测，未来各行各业，每一个人都可以拥有一个AIAgent；比尔·盖茨在2023年层预言：AIAgent将彻底改变人机交互方式，并颠覆整个软件行业；吴恩达教授在AIAscent2024
AI大模型-搬运工·2024-08-28 11:06

一点机器学习的体会

传统的机器学习有一套较完整的理论和算法，去scikitlearning网站可以有个大致的了解，或者听下吴恩达老师那门基础ML课程（网
zfq212·2024-08-27 20:18

【深度学习】吴恩达-课后作业-搭建多层神经网络以及应用

Ng的深度学习，其实前几个月就听完了，课后作业也是大懂不懂的都做了一遍，代码也跟着各种各样的参考敲了一遍，但暑假几个月没怎么学习。。。基本也忘得差不多了，这几周回顾了一下深度学习这门课的笔记，看了别的博主的总结，对CNN，RNN,LSTM,注意力机制等网络结构进行了复盘，虽然感觉自己很心浮气躁，一边也在学集成学习那几个算法和推荐系统相关，这里也告诉自己：贪多嚼不烂，心急吃不了热豆腐，慢慢来，还是要
—Xi—·2024-08-23 10:17

深度学习应该如何入门？

2.学习机器学习吴恩达的机器学习课程是一个很好的入门教程。虽然有些地
wypdao·2024-03-09 11:38

吴恩达机器学习全课程笔记第一篇

P15-P20梯度下降P21-P24多类特征向量化多元线性回归的梯度下降P25-P30特征缩放检查梯度下降是否收敛学习率的选择特征工程多项式回归前言从今天开始，争取能够在开学之前（2.25）把b站上的【吴恩达机器学习
亿维数组·2024-02-20 21:37

吴恩达机器学习全课程笔记第二篇

目录前言P31-P33logistics（逻辑）回归决策边界P34-P36逻辑回归的代价函数梯度下降的实现P37-P41过拟合问题正则化代价函数正则化线性回归正则化logistics回归前言这是吴恩达机器学习笔记的第二篇
亿维数组·2024-02-20 21:03

卷积神经网络吴恩达coursera

ConvolutionalNNFoundationsofCNNmatrixsconvolutionEdgedetectionVertical/horizontialconv-forward(tf.nn.cov2d)matrix(6×6)∗filter(3×3)=matrix(4×4)matrix(6\times6)*filter(3\times3)=matrix(4\times4)matrix(6
stoAir·2024-02-20 20:01

上 GitHub 热榜，星星暴涨，这个项目相继超越了 Archery, Flyway 和 Yearning

「登上GitHubTrending星星超越Yearning键盘的敲击不停传播开发的福音」⚡️Bytebase是一款面向开发和DBA的一站式数据库CI/CD工具。它的所有代码都开源在GitHub上。
·2024-02-20 12:03

【吴恩达·机器学习】第二章：多变量线性回归模型（选择学习率、特征缩放、特征工程、多项式回归）

——《朗读者》0、声明本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写，主要包括老师的核心讲义和自己的理解。
Yaoyao2024·2024-02-20 11:12

吴恩达深度学习-L1 神经网络和深度学习总结

作业地址：吴恩达《深度学习》作业线上版-知乎(zhihu.com)写的很好的笔记：吴恩达《深度学习》笔记汇总-知乎(zhihu.com)我的「吴恩达深度学习笔记」汇总帖（附18个代码实战项目）-知乎(zhihu.com
向来痴_·2024-02-20 07:26

LLM(2)之指令提示词(Prompt)基础教学

之指令提示词Author：OnceDayDate：2024年2月15日全系列专栏请查看:LLM实践成长_Once_day的博客-CSDN博客参考文章：中文完整版全9集ChatGPT提示工程师｜AI大神吴恩达教你写提示词
Once_day·2024-02-19 20:04

【吴恩达·机器学习】第二章：单变量线性回归模型（代价函数、梯度下降、学习率、batch）

——《朗读者》0、声明本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写，主要包括老师的核心讲义和自己的理解。
Yaoyao2024·2024-02-19 14:41

深度学习-吴恩达L1W2作业

作业1：吴恩达《深度学习》L1W2作业1-Heywhale.com作业2：吴恩达《深度学习》L1W2作业2-Heywhale.com作业1你需要记住的内容：-np.exp（x）适用于任何np.arrayx
向来痴_·2024-02-15 09:05

吴恩达机器学习—大规模机器学习

学习大数据集数据量多，模型效果肯定会比较好，但是大数据也有它自己的问题，计算复杂如果存在100000000个特征，计算量是相当大的，在进行梯度下降的时候，还要反复求损失函数的偏导数，这样一来计算量更大。那么有没有简单的方法来应对大量的数据呢？我们可以采取随机抽样，比如，抽取1000个样本进行模型的构建。那么如何决定抽取多少样本呢？可以通过学习曲线获得，随着数据量的增加，无论是偏差和误差，都会趋向于
魏清宇·2024-02-14 21:14

day2-Machine Learning Yearning

图片上传失败，请查看原文：https://github.com/iOSDevLog/100-days-of-ai/blob/master/r1-ml/day2-yearning/yearning.ipynbErroranalysisbyparts53
iOSDevLog·2024-02-12 01:52

吴恩达机器学习—正则化

过拟合问题欠拟合与过拟合当变量过少时，可能存在欠拟合；当变量过多时，会存在过拟合。过拟合可能对现有数据拟合效果较好，损失函数值几乎为零，但是不能进行泛化时，即不适于非训练集的其他数据。如何解决过拟合问题特征变量过多造成过拟合绘制假设模型图像，但当特征变量变多时，绘制很困难。当变量过多而训练数据较少时，容易出现过拟合。过拟合的解决办法解决过拟合问题，通常有两种方法：一种是减少特征的数量，可以通过人工
魏清宇·2024-02-11 09:55

吴恩达机器学习—推荐系统

问题规划引例—电影推荐假设已有的数据如上所示，洋红色线内的数据表示缺失数据，那么我们如何根据已有的评分数据来预测这些缺失的数据呢？基于特征的推荐算法基于内容的推荐系统已知数据如上，有四个人对于不同电影的评分，我们还有分别表示电影包含浪漫成分和动作片成分的多少。那么每一个电影都可以用一个向量来表示，如第一个电影可以表示为,其中第一个元素为常数。那么对于每一个用户j，我们可以用一个学习算法学习参数，然
魏清宇·2024-02-11 02:53

神经网络和深度学习(一):深度学习概论

type=detail&id=2001701005&cid=20016940041、什么是神经网络我们来看一个简单的预测房价的例子，吴恩达老师还真是喜欢用这个例子呢。
文哥的学习日记·2024-02-10 11:03

【吴恩达机器学习】第八周—聚类降维Kmeans算法

31.jpg1.聚类(Clustering)1.1介绍之前的课程介绍的都是监督学习、而聚类属于非监督学习，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：1.png在这里我们有一系列点，却没有标签
Sunflow007·2024-02-09 20:26

吴恩达机器学习笔记（2）

一.逻辑回归1.什么是逻辑回归？逻辑回归是一种预测变量为离散值0或1情况下的分类问题，在逻辑回归中，假设函数。2.模型描述在假设函数中，，为实数，为Sigmoid函数，也叫Logistic函数。模型解释：，即就是对一个输入，的概率估计。损失函数的理解：所谓最大似然估计，就是我们想知道哪套参数组合对应的曲线最可能拟合我们观测到的数据，也就是该套参数拟合出观测数据的概率最大，而损失函数的要求是预测结果
python小白22·2024-02-09 18:11

神经网络与深度学习 Neural Networks and Deep Learning 课程笔记 第一周

NeuralNetworksandDeepLearning课程笔记第一周文章目录神经网络与深度学习NeuralNetworksandDeepLearning课程笔记第一周深度学习简介什么是神经网络使用神经网络进行监督学习为什么神经网络会兴起本文是吴恩达深度学习系列课程的学习笔记
林间得鹿·2024-02-08 09:21

深度学习教程 | 神经网络优化算法

深度学习教程|深度学习的实用层面深度学习教程|深度学习的实用层面ShowMeAI2022-04-1412,153阅读23分钟专栏：深度学习教程◉吴恩达专项课程最全笔记[外链图片转存中…(img-etBVICyc
Dashesand·2024-02-08 03:22

深度学习教程 | 自然语言处理与词嵌入

www.showmeai.tech/tutorials/3…本文地址：www.showmeai.tech/article-det…声明：版权所有，转载请联系平台与作者并注明出处收藏ShowMeAI查看更多精彩内容本系列为吴恩达老师
Dashesand·2024-02-08 03:22

如何在Linux部署Yearning并结合cpolar实现公网访问内网管理界面

文章目录前言1.Linux部署Yearning2.本地访问Yearning3.Linux安装cpolar4.配置Yearning公网访问地址5.公网远程访问Yearning管理界面6.固定Yearning
锡兰_CC·2024-02-07 09:41

LangGPT —— 让人人都能编写高质量 Prompt

虽然也有许多个人自发分享的prompt方法、框架，以及吴恩达老师的prompt教程，但是现有Prompt创建方法还是有各种各样的缺点：缺乏系统性：大多是细碎的规则，技巧，严重依赖个人经验缺乏灵活性：对他人分享的优质
云中江树·2024-02-07 09:10

【Andrew Ng机器学习】单变量线性回归-模型描述

课程：吴恩达机器学习一个监督学习的例子——房价预测使用的是一组俄勒冈州波特兰市的城市住房价格的数据。根据不同的尺寸的房间对应的不同售价，组成的数据集来画图。
jenye_·2024-02-07 05:21

温州大学《深度学习》课程课件（七、卷积神经网络基础）

这学期我上的另一门课是本科生的《深度学习》，主要用的是吴恩达老师的《深度学习》视频课的内容。
风度78·2024-02-05 19:05

温州大学《深度学习》课程课件（八、深度卷积神经网络）

这学期我上的另一门课是本科生的《深度学习》，主要用的是吴恩达老师的《深度学习》视频课的内容。
风度78·2024-02-05 19:05

温州大学《深度学习》课程课件（十、人脸识别与神经风格迁移）

这学期我上的另一门课是本科生的《深度学习》，主要用的是吴恩达老师的《深度学习》视频课的内容。
风度78·2024-02-05 19:05

温州大学《深度学习》课程课件（十一、序列模型）

这学期我上的另一门课是本科生的《深度学习》，主要用的是吴恩达老师的《深度学习》视频课的内容。
风度78·2024-02-05 19:05

温州大学《深度学习》课程课件（一）

这学期我上的另一门课是本科生的《深度学习》，主要用的是吴恩达老师的《深度学习》视频课的内容。
风度78·2024-02-05 19:04

温州大学《深度学习》课程课件（三、浅层神经网络）

这学期我上的另一门课是本科生的《深度学习》，主要用的是吴恩达老师的《深度学习》视频课的内容。
风度78·2024-02-05 19:34

温州大学《深度学习》课程课件（四、浅层神经网络）

这学期我上的另一门课是本科生的《深度学习》，主要用的是吴恩达老师的《深度学习》视频课的内容。
风度78·2024-02-05 19:04

ML：2-2-3 多分类问题multicalss

文章目录1.多分类问题的定义2.softmax3.神经网络的softmax输出【吴恩达机器学习65-67】1.多分类问题的定义classification问题可能的output大于2种。
skylar0·2024-02-05 18:34

【大厂AI课学习笔记】1.4 算法的进步（5）关于GPU

这一点在吴恩达教授的论文中得到了充分体现，他利用GPU进行大规模深度无监督学习，取得了显著的效果。
giszz·2024-02-04 11:51

吴恩达：改善深层神经网络：超参数调试、正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning, Regularizatio)

@[toc]1.1训练、开发、测试集trainset训练集Devset验证集testset测试集小规模数据：训练集：其他=7:3大数据时代（超百万数据）：训练集占80%或者90%以上验证集和测试集来自同一分布如果只有训练集和验证集，那么验证集Devset就是测试集testset1.2偏差、方差[图片上传失败...(image-438142-1626709583495)]trainseterror1
Cache_wood·2024-02-04 10:48

学习笔记1《吴恩达深度学习》Deep Learning

P11.1.1欢迎Welcome深度学习改变了传统互联网业务，例如网络搜索和广告，但是深度学习同时也使得许多新产品和企业以很多方式帮助人们，从获得更好的健康关注，深度学习做得非常好的一个方面就是读取X光图像，到生活中的个性化教育，到精准化农业，甚至到驾驶汽车以及其他一些方面。如果你想要学习深度学习的这些工具，并应用它们来做这些令人窒息的操作，就学习这门课程。在接下来的十年中，我认为我们所有人都有机
木懋懋·2024-02-03 16:17

吴恩达深度学习-学习笔记p1-p6

哔哩哔哩网站视频-[双语字幕]吴恩达深度学习deeplearning.ai网站：up主：mHarvey，视频：[双语字幕]吴恩达深度学习deeplearning.ai一.p11.1欢迎二.p21.2什么是神经网络
丢了橘子的夏天·2024-02-03 16:47

吴恩达深度学习笔记(15）-浅层神经网络之神经网络概述

神经网络概述（NeuralNetworkOverview）从今天开始你将学习如何实现一个神经网络。这里只是一个概述，详细的在后面会讲解，看不懂也没关系，先有个概念，就是前向计算然后后向计算，理解了这个就可以了，有一些公式和表达在后面会详细的讲解。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后续几天你将会学到的东西。现在我们开始快速浏览一下如何实现神经网络。之前我们讨论了逻辑回归，我们了解了
极客Array·2024-02-03 08:27

Coursera吴恩达《神经网络和深度学习》课程笔记（3）

转载自http://blog.csdn.net/koala_tree/article/details/78059952神经网络和深度学习—浅层神经网络1.神经网络表示简单神经网络示意图：神经网络基本的结构和符号可以从上面的图中看出，这里不再复述。主要需要注意的一点，是层与层之间参数矩阵的规格大小：输入层和隐藏层之间w[1]−>(4,3)：前面的4是隐层神经元的个数，后面的3是输入层神经元的个数；b
遇见更好的自己·2024-02-03 06:05

Coursera吴恩达机器学习课程笔记——神经网络: 学习（Neural Networks: Learning）

9神经网络:学习（NeuralNetworks:Learning）9.1代价函数（CostFunction）神经网络的分类问题有两种：二元分类问题（0/1分类）只有一个输出单元（K=1K=1K=1）多元（KKK）分类问题输出单元不止一个（K>1K\gt1K>1）神经网络的代价函数公式：hΘ(x)=a(L)=g(Θ(L−1)a(L−1))=g(z(L))h_\Theta(x)=a^{(L)}=g(\
yanglamei1962·2024-02-03 06:04

吴恩达coursera机器学习个人向笔记——9章神经网络学习

文章目录课时62非线性假设09:36课时63神经元与大脑07:47课时64模型展示Ⅰ12:01课时65模型展示Ⅱ11:46课时68例子与直觉理解Ⅰ07:15课时70例子与直觉理解Ⅱ10:20课时71多元分类03:51课时62非线性假设09:36对图1那样的作分类，逻辑斯蒂回归中，只要g(θ转X)中的(高次)项足够多，就一定能找出边界但这是2个特征的情况如果有100个特征，二次交叉项会将近5000个
选西瓜专业户·2024-02-03 06:31

神经网络和深度学习吴恩达coursera笔记

DeepLearning文章目录DeepLearningBasicLogisticRegressionsomesignLossfunctioncostfunctionGradientDescentComputationGraphaVectorizationvectorizedImplementing:broadcastingShallowNeuralNetworkRepresentationcom
stoAir·2024-02-03 06:52

【吴恩达深度学习】— 参数、超参数、正则化

32.jpg1.参数VS超参数1.1什么是超参数（Hyperparameters）？比如算法中的learningrate（学习率）、iterations(梯度下降法循环的数量)、L（隐藏层数目）、（隐藏层单元数目）、choiceofactivationfunction（激活函数的选择）都需要你来设置，这些数字实际上控制了最后的参数W和b的值，所以它们被称作超参数。实际上深度学习有很多不同的超参数，
Sunflow007·2024-02-02 13:58

吴恩达机器学习笔记十二 Sigmoid激活函数的替代方案 激活函数的选择 为什么要使用激活函数

在需求预测案例中，awareness这个输入可能不是二元(binary)的，或许是一点(alittlebit)、有些(somewhat)或完全(extremely)，此时相比将awareness规定为0、1，不如考虑概率，认为它是一个0-1之间的数。激活函数可以采用ReLU函数(rectifiedlinearunit)三个常用的激活函数使用线性激活函数也可以看作是没有激活函数。激活函数的选择输出层
爱学习的小仙女！·2024-02-02 08:52
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他