吴恩达-YEARNING 第5页

前向传播算法

跟着吴恩达老师入门机器学习所谓前向传播就是也就是从左向右的算法首先根据W的列数来判断有多少个神经元，W.shape[1]就是输出W矩阵的列数每个神经元都会输出一个值循环遍历获得这层所有的神经元的输出a_out

passerby58·2023-11-28 17:35

Coursera-吴恩达机器学习课程个人笔记-Week2

Week2线性回归和梯度下降法参数说明1.多特征的线性回归方程2.梯度下降法(GradientDescent)2.1如何选择参数向量θ呢？2.2优化梯度下降法的方法 1).特征缩放(特征标准化) 2).学习率α的选择2.3批量梯度下降算法和随机梯度下降算法3.线性回归的“非线性拟合”4.目标函数J(θ)的最小值的线性代数求法(了解)4.1目标函数J(θ)的最小值求解过程：4.2梯度下降法和线代

lavendelion·2023-11-28 15:22

02、Tensorflow实现手写数字识别（数字0-9）

02、Tensorflow实现手写数字识别（数字0-9）开始学习机器学习啦，已经把吴恩达的课全部刷完了，现在开始熟悉一下复现代码。对这个手写数字实部比较感兴趣，作为入门的素材非常合适。

怡步晓心l·2023-11-27 06:50

斯坦福机器学习 Lecture3

卧槽，吴恩达讲得太好了22:20-41:00接下来我们看交叉熵（逻辑回归）推导逻辑回归定义交叉熵推导今天的机器学习就学到这里，先做作业TODO:here

shimly123456·2023-11-26 05:51

适合有编程基础的人看的《韩顺平零基础30天学java》笔记【最后一章：正则表达式】

无意间发现韩顺平老师的课程，细心细致，讲课和吴恩达老师一样，都是保姆式讲解，各种基础知识都会补充，爱了。

努力学习的程序兔一枚·2023-11-25 23:01

吴恩达机器学习作业4（python）

git参考（课程+代码+作业）代码不包括画图部分正向传播importnumpyasnpimportmatplotlib.pylabaspltimportscipy.ioassioimportmathimportscipy.optimizeasop#神经网络#分类（识别）手写数字图片np.set_printoptions(threshold=np.inf)#print()可以显示所有数据data=s

之江小林·2023-11-25 16:27

吴恩达机器学习作业2（python）

git参考（课程+代码+作业）代码不包括画图部分逻辑回归op.minimize高级算法计算代价最小值importnumpyasnpimportscipy.optimizeasop#逻辑回归，分类问题#梯度下降，高级算法求最小代价defsigmoid(z):return1/(1+np.exp(-z))defcostFunction(theta,x,y):m=np.size(y)h=sigmoid(x

之江小林·2023-11-25 16:57

吴恩达机器学习作业3（python）

git参考（课程+代码+作业）代码不包括画图部分逻辑回归importnumpyasnpimportmatplotlib.pylabaspltimportscipy.ioassioimportmathimportscipy.optimizeasop#逻辑回归#分类（识别）手写数字图片defsigmoid(z):return1/(1+np.exp(-z))defcostFunction(theta,x

之江小林·2023-11-25 16:57

2023-11-21时间记录

听英语课程深度学习阅读书籍，也可以练练字今天干了什么2023-11-21时间记录8:30（下床）10:00（开始学习）学习输出8:30（下床）洗漱煮蛋，9:45出门10:00（开始学习）10:00-11:30英语听力吴恩达深度学习

多喝开水少熬夜·2023-11-25 14:37

01、Tensorflow实现二元手写数字识别

01、Tensorflow实现二元手写数字识别（二分类问题）开始学习机器学习啦，已经把吴恩达的课全部刷完了，现在开始熟悉一下复现代码。对这个手写数字实部比较感兴趣，作为入门的素材非常合适。

怡步晓心l·2023-11-25 13:14

吴恩达《机器学习》9-7-9-8:综合起来、自主驾驶

在神经网络的使用过程中，需要经历一系列步骤，从网络结构的选择到训练过程的实施。以下是使用神经网络时的主要步骤的小结：一、网络结构的选择输入层：第一步是选择网络结构，即确定神经网络的层数以及每层的单元数。输入层的单元数应该等于训练集的特征数量。输出层：输出层的单元数应该等于训练集中结果的类的数量。隐藏层：如果有隐藏层，确保每个隐藏层的单元数相同。通常情况下，隐藏层单元的数量越多越好。需要决定的是隐藏

不吃花椒的兔酱·2023-11-24 16:05

机器学习（1）监督学习和无监督学习

斯坦福大学吴恩达教授的机器学习课程堪称经典，参考该课程，来和大家一起入门学习机器学习这一领域。机器学习是什么？不存在一个被广泛认可的定义在进行特定编程的情况下，给予计算机学习能力的领域。

天凉玩个锤子·2023-11-24 13:40

吴恩达Coursera深度学习课程 course2-week1 深度学习的实践层面总结

P0前言第二门课:ImprovingDeepNeuralNetworks:Hyperparameterturing,RegularizationandOptimization(改善深层神经网络：超参数调试、正则化以及优化)第一周:PracticalaspectsofDeepLearning(深度学习的实践层面)主要知识点:(Train/Dev/Testsets)训练测试集划分、(Bias/Vari

ASR_THU·2023-11-23 19:40

Course1-Week2-多输入变量的回归问题

用于多元线性回归的梯度下降法2.使梯度下降法更快收敛的技巧2.1特征缩放2.2判断梯度下降是否收敛2.3如何设置学习率3.特征工程3.1选择合适的特征3.2多项式回归笔记主要参考B站视频“(强推|双字)2022吴恩达机器学习

虎慕·2023-11-23 19:39

2022吴恩达机器学习第3课week3

2022吴恩达机器学习课程学习笔记（第三课第三周）1-1什么是强化学习1-2示例：火星探测器1-3强化学习的回报1-4决策：强化学习中的策略1-5审查关键概念2-1状态-动作价值函数定义2-2状态-动作价值函数示例

天微亮。·2023-11-23 19:38

吴恩达深度学习Course1-Week(3)

吴恩达深度学习Course1-Week(3)文章目录吴恩达深度学习Course1-Week(3)一、什么是神经网络NeuralNetwork?

木心·2023-11-23 19:35

吴恩达深度学习Course1-Week(1)(2)

吴恩达深度学习Course1-Week(1)(2)文章目录吴恩达深度学习Course1-Week(1)(2)一、影响神经网络的性能的因素二、逻辑回归(logisticregression)中的一些符号(

木心·2023-11-23 19:05

吴恩达深度学习Course2-Week(1)

吴恩达深度学习Course2-Week(1)文章目录一、Train/Dev/Test二、为什么双边导数的定义精度更高？

木心·2023-11-23 19:05

Course 5-Recurrent Neural Networks--Week 1

吴恩达老师的RNN课程已经学了一遍了，但总觉得自己学得不够明白，怎么办？再来一遍啊。书读百遍其义自见嘛！

岱宗雪·2023-11-23 19:31

吴恩达深度学习笔记5-Course2-Week1【深度学习的实用层面】

改善深层神经网络：超参数调试、正则化以及优化深度学习的实用层面一、训练、验证、测试集样本数据分成以下三个部分：训练集(trainset):用于对模型进行训练。验证集(hold-outcrossvalidation/developmentset):对不同模型进行评估。测试集(testset):对选取的模型进行无偏评估。node:验证集要和训练集最好来自于同一个分布，可以使得机器学习算法变快。如果不需

Wang_Jiankun·2023-11-23 19:28

吴恩达深度学习笔记8-Course3-Week1【机器学习策略（ML Strategy）1】

结构化机器学习项目机器学习策略（MLStrategy）1一、机器学习策略介绍（IntroductiontoMLStrategy）1、机器学习策略就是超参数调优的策略，怎么调？怎们评估调优的效果？调哪些超参的效果更好？超参数调优的次序？下图是一些经常调优的超参：2、正交化（Orthogonalization）正交化或正交性是一种系统设计属性，可确保修改算法的某一部分不会对系统的其他部分产生或传播副作

Wang_Jiankun·2023-11-23 19:58

【机器学习小记】【平面数据分类】deeplearning.ai course1 3rd week programming

np.dot()与np.multiply()的区别结果使用简单逻辑回归测试不同的隐藏层神经元数测试其他数据集原始数据集测试不同的隐藏层神经元数目标：带有一个隐藏层的平面数据分类神经网络参考自：【中文】【吴恩达课后编程作业

LittleSeedling·2023-11-23 19:27

吴恩达、李飞飞等大咖为AI公司数据问题支招

来源：新智元作者：胡祥杰本文长度为5633字，建议阅读6分钟本文为你介绍吴恩达、李飞飞等6位走在AI研究前线的大人物和机构负责人对“数据”的见解。

「已注销」·2023-11-23 13:39

吴恩达与 OpenAI 强强联手，《ChatGPT 提示工程》中英教程，来了！（附脑图笔记）

吴恩达老师在五一前发布了新课程，于是我花了些时间来学习这个重磅大礼。课程虽然只有短短90分钟，但是干货十足！比起那些必备提示词什么的真是强太多了。正所谓“授人以鱼不如授人以渔”。

Kevin涛·2023-11-23 09:07

吴恩达深度学习课后编程作业IndexError: only integers, slices (`:`), ellipsis (`...`), numpy.newaxis (`None`) and i

吴恩达深度学习课后编程作业出现的错误IndexError:onlyintegers,slices(":“),ellipsis(”…"),numpy.newaxis(“None”)andintegerorbooleanarraysarevalidindices

坤坤不爱吃鱼·2023-11-23 05:33

吴恩达《机器学习》9-4-9-6:实现注意:展开参数、梯度检验、随机初始化

一、实现注意:展开参数在上一个视频中，讨论了使用反向传播算法计算代价函数的导数。在本视频中，将简要介绍一个实现细节，即如何将参数从矩阵展开为向量。这样做是为了在高级最优化步骤中更方便地使用这些参数。二、梯度检验在神经网络中使用梯度下降算法时，复杂模型可能导致一些难以察觉的错误，即使代价函数在减小，最终结果也可能并非最优解。为了解决这个问题，采用一种称为梯度检验（GradientChecking）的

不吃花椒的兔酱·2023-11-23 05:34

LLM prompt提示构造案例

参考：https://github.com/PlexPt/awesome-chatgpt-prompts-zh吴恩达prompt工程应用：https://www.bilibili.com/video/BV1No4y1t7Znprompt

loong_XL·2023-11-22 21:01

deeplearning AI 笔记-1.1

之前吴恩达的deeplearning系列的课程，看完就忘了，所以这次做个笔记的主要目的是为了方便复习所用。大多数内容都是从黄海广博士的笔记里面摘抄过来的。如有错误，烦请指正，补充。

安于此生__·2023-11-22 17:39

第七章卷积神经网络

image.png1553411117095.png吴恩达1pic1猫分类image.pngimage.pngimage.png车识别image.png合image.png新型艺术image.pngpic2

Onion_998f·2023-11-21 07:14

双向循环神经网络和深层循环神经网络（吴恩达老师_学习笔记）

目录双向循环神经网络（BidirectionalRNN）深层循环神经网络（DeepRNNs）双向循环神经网络（BidirectionalRNN）双向RNN模型（BRNN），可以在序列的某点处不但获取之前的信息，同时还可以获取这个序列点之后的信息，说的炫酷点就是getinformationfromthefuture。而标准的RNNblocks、GRUunits、LSTMunits都只是前向的（单向）

瓜波牛排·2023-11-21 02:28

吴恩达机器学习笔记

一、机器学习1.1机器学习定义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）假如说你想预测房价。前阵子，一个学生从波特兰俄勒冈州的研究所收集了一些房价的数据。你把这些数据画出来，看起来是这个样子:横轴表示房子的面积，单位是平方英尺，纵轴表示房价，单位是千

六本木砍王刀哥·2023-11-20 18:30

【学习笔记】吴恩达机器学习 | 第五章 | 逻辑回归

非常感谢AndrewNg吴恩达教授的无私奉献！！！文章目录简要声明专有名词ClassificationClassificationHypothesisRepresentationLog

Benjamin Chen.·2023-11-20 18:22

吴恩达《机器学习》9-1-9-3:反向传播算法、反向传播算法的直观理解

一、正向传播的基础在正向传播中，从神经网络的输入层开始，通过一层一层的计算，最终得到输出层的预测结果。这是一种前向的计算过程，即从输入到输出的传播。二、反向传播算法概述反向传播算法是为了计算代价函数相对于模型参数的偏导数，以实现权重的更新。与正向传播相反，反向传播采用一种“反向”的方式，从输出层开始计算误差，然后逐层向前传播误差，直到第二层。这确保了能够获取每一层的误差，从而更新权重。具体步骤三、

不吃花椒的兔酱·2023-11-20 07:03

Regularized Logistic Regression（吴恩达机器学习：正则化逻辑回归）

微晶体质检处理Trainingset数据可视化Feature_mappingsigmod函数损失函数求解梯度下降算法可视化预测RegularizedLogisticRegression题目：微晶体质检(吴恩达机器学习课后题链接放在最后

Algorithm-·2023-11-19 16:55

AI领域权威学者吴恩达亲身阐述如何有效阅读论文，并了解一个新的领域

吴恩达（英文名：AndrewNg），是斯坦福大学计算机科学系和电子工程系教授，人工智能实验室主任，人工智能和机器学习领域国际上最权威的学者之一，也是在线教育平台Coursera的联合创始人（withDaphneKoller

SCI论文汇·2023-11-19 12:09

吴恩达《机器学习》9-1:代价函数

一、引入新标记方法首先，引入一些新的标记方法，以便更好地讨论神经网络的代价函数。考虑神经网络的训练样本，其中每个样本包含输入x和输出信号y。我们用L表示神经网络的层数，表示每层的神经元个数（表示输出层神经元个数）。对于分类问题，将神经网络的分类定义为两种情况：二类分类和多类分类。二、代价函数的变化回顾逻辑回归问题中的代价函数，有：在神经网络中，输出变量和因变量都是向量，因此代价函数更为复杂：这个代

不吃花椒的兔酱·2023-11-19 10:07

吴恩达《机器学习》8-7:多元分类

在机器学习领域，经常会遇到不止两个类别的分类问题。这时，需要使用多类分类技术。本文将深入探讨多类分类，并结合学习内容中的示例，了解神经网络在解决这类问题时的应用。一、理解多类分类多类分类问题是指当目标有多个类别时，需要对输入数据进行分类。在学习的内容中，以识别物体为例，我们要区分路人、汽车、摩托车和卡车这四个类别。对于这样的问题，不能简单地使用二元分类的方法，而是需要将神经网络扩展到支持多类别输出

不吃花椒的兔酱·2023-11-19 09:28

从离轴光学到波导技术：详解 AR 显示的过去和未来

[]http://www.leiphone.com/news/201703/M65F9oVoURab2qE9.html雷锋网注：灵犀AR眼镜透镜实拍效果雷锋网此前曾报道过，在百度首席科学家吴恩达看来，AR

xiangz_csdn·2023-11-19 06:42

bp网络损失函数及梯度推导理解

跟随吴恩达老师的机器学习课程学习了一段时间，把最近较难的bp网络的一些推导梳理一下。

uBeetles·2023-11-18 19:12

【深度学习】吴恩达课程笔记(四)——优化算法

笔记为自我总结整理的学习笔记，若有错误欢迎指出哟~【吴恩达课程笔记专栏】【深度学习】吴恩达课程笔记(一)——深度学习概论、神经网络基础【深度学习】吴恩达课程笔记(二)——浅层神经网络、深层神经网络【深度学习

zz的学习笔记本·2023-11-17 15:52

【深度学习】吴恩达课程笔记(五)——超参数调试、batch norm、Softmax 回归

笔记为自我总结整理的学习笔记，若有错误欢迎指出哟~【吴恩达课程笔记专栏】【深度学习】吴恩达课程笔记(一)——深度学习概论、神经网络基础【深度学习】吴恩达课程笔记(二)——浅层神经网络、深层神经网络【深度学习

zz的学习笔记本·2023-11-17 15:40

python3.7安装Tensorflow

如何生成可参考右边的帮助文档文章目录前言一、安装环境介绍二、安装过程1.使用whl文件安装2.直接在Anaconda里使用pip进行安装3.成功安装的过程4.查看tensorflow是否安装成功总结前言昨天做了一下吴恩达的关于

092简简单单·2023-11-17 09:49

『吴恩达神经网络和深度学习补充资料Part2 DeepLearning-WEEK2』

首先我们要明白的一点是在Python中的乘法分为矩阵点乘和矩阵相乘，其实根据字面意思就能够知道两者的区别。首先我们看下在课程中吴教授用英文的解释Recallthat“np.dot(a,b)”performsamatrixmultiplicationonaandb,whereas“a*b”performsanelement-wisemultiplication.矩阵点乘首先看下英文的解释Innump

「已注销」·2023-11-17 07:32

吴恩达《机器学习》课堂笔记与课后练习题的详细题解

Week1课程链接：https://www.bilibili.com/video/BV164411b7dx这是本人的学习笔记，略显粗糙，而且也有本人的不成熟的看法在里面，更加细致的内容情况看以下的笔记链接：https://www.cnblogs.com/xingkongyihao/category/1161554.html?page=2https://www.cnblogs.com/maxiaod

克里姆颂·2023-11-16 14:54

吴恩达机器学习12-支持向量机

吴恩达机器学习12-支持向量机1优化目标支持向量机（SVM），在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。

小y同学在学习·2023-11-15 21:59

吴恩达机器学习----支持向量机

吴恩达机器学习教程学习笔记（10/16）吴恩达教授（AndrewNg）的机器学习可以说是一门非常重视ML理论基础的课程，做做一些简单的笔记加上个人的理解。

huapusi·2023-11-15 21:29

吴恩达机器学习4-多变量线性回归

吴恩达机器学习4-多变量线性回归1.定义实际问题中，对于问题的解决单一变量往往是不够的，往往要对多个变量进行分析：支持多变量的假设ℎ表示为：hθ(x)=θ0+θ1x1+θ2x2+…+θnxn\h_{\theta

小y同学在学习·2023-11-15 21:29

吴恩达机器学习11-机器学习系统的设计

机器学习系统的设计1.确定执行的优先级以一个垃圾邮件分类器算法为例：为了解决这样一个问题，我们首先要做的决定是如何选择并表达特征向量。我们可以选择一个由100个最常出现在垃圾邮件中的词所构成的列表，根据这些词是否有在邮件中出现，来获得我们的特征向量（出现为1，不出现为0），尺寸为100×1。为了构建这个分类器算法，我们可以做很多事，例如：收集更多的数据，让我们有更多的垃圾邮件和非垃圾邮件的样本基于