机器学习笔记——吴恩达第11页

机器学习笔记 - 特斯拉的占用网络简述

一、简述2022年，特斯拉宣布即将在其车辆中发布全新算法。该算法被称为occupancynetworks，它应该是对Tesla的HydraNet的改进。自动驾驶汽车行业在技术上分为两类：基于视觉的系统和基于激光雷达的系统。后者使用激光传感器来确定物体的存在和距离，而视觉系统则纯粹基于相机。特斯拉的TeslaVision就是单纯的基于视觉实现。但基于视觉的系统存在很多缺陷，并且仍然面临着许多由物体检

坐望云起·2023-10-23 22:07

反向传播是怎么回事？详细教程2019-05-22

反向传播的详细推导一文弄懂神经网络中的反向传播法——BackPropagation最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确，又去看英文版

loveevol·2023-10-23 22:14

机器学习笔记19: 线性二次型高斯

线性二次型高斯(LinearQuadraticGaussian(LQG))在现实世界中，我们通常不能获取到所有的状态st。比如一个自动驾驶汽车可以通过摄像头获取图像，但这仅仅是一个观察(observation)，并不能反映真实世界的所有状态。我们之前的讨论都是基于状态是可以完全获得的。考虑到真实世界并不是这样，我们需要一个新工具来对真实世界建模，这个工具就是部分可观测的MDP(PartiallyO

secondplayer·2023-10-23 12:37

ChatGLM-6B+LangChain与训练及模型微调教程

Ref:讲解视频【官方教程】ChatGLM+LangChain实践培训_哔哩哔哩_bilibili吴恩达教授讲的【LangChain+ChatGLM-6B】LLM应用开发实践LangChain_Intro_v02

人鱼线·2023-10-22 20:20

决策树的原理、方法以及python实现——机器学习笔记

******TheMachineLearningNotingSeries******决策树（DecisionTree）是机器学习的核心算法之一，在较小训练样本或有限计算资源下仍有较好表现，它包括分类树和回归树，是目前应用最广泛的分类预测和回归预测方法。导航0引言1决策树的概念分类树回归树2决策树的生长分类算法分类过程3决策树的剪枝剪枝算法剪枝过程4python代码实现——实例应用---------

搏努力概形·2023-10-22 19:05

深度学习第二天--卷积神经网络

在这里说明一下，卷积神经网络主要应用在图像识别上面，吴恩达在谷歌主要做的工作就是这个。我们对一张简单的图像进行一个预处理后，会得到我们用人眼，人脑所不能体会到的一些特征

月过不了头·2023-10-22 13:45

吴恩达深度学习编程作业报错解决方法汇总

概述及资源分享大二结束后的暑假，学习吴恩达深度学习（[双语字幕]吴恩达深度学习deeplearning.ai_哔哩哔哩_bilibili）的课程，在做编程作业的时候总是遇到一些报错，尤其是导入所需要的库的时候会报一些

就喜欢你看不惯我又干不掉我的样子Hhhh·2023-10-22 04:02

机器学习笔记：随机森林

随机森林随机森林是一种集成算法，是对决策树模型的集成学习。目的是通过考虑多个评估器建模结果，汇总得到一个综合结果。集成算法包括bagging（装袋法），boosting（提升法），stacking（堆栈法）三种。装袋法的核心思想是构建多个相互独立的评估器，然后对其预测进行平均或多数表决原则来决定集成评估器的结果。装袋法的代表模型就是随机森林。提升法中，基评估器是相关的，是按顺序一一构建的。其核心思

0/404·2023-10-21 21:03

吴恩达《生成式 AI》重磅发布！

吴恩达教授可能是许多人接触AI的启蒙课导师吧，在过去的十多年中，他的《MachineLearning》课程已经对数百万的学习者产生了积极影响。

机器学习社区·2023-10-21 18:41

机器学习笔记AN01--提高机器学习模型准确率的八大方法简单总结

annotation英[ˌænə'teɪʃn]n.注释【非原创】，作者不明1.增加更多数据2.处理缺失值和异常值对于连续变量，可以把缺失值替换成平均值、中位数、众数。对于分类变量，可以把变量作为一个特殊类别看待。你也可以建立模型预测缺失值。KNN为处理缺失值提供了很好的方法。异常值：你可以删除这些条目，进行转换，分箱。如同缺失值，你也可以对异常值进行区别对待。3.特征工程学这一步骤有助于从现有数据

EL33·2023-10-21 12:42

机器学习笔记 - 深度学习中跳跃连接的直观解释

一、概述如今人们利用深度学习做无数的应用。然而，为了理解在许多作品中看到的大量设计选择（例如跳过连接），了解一点反向传播机制至关重要。如果你在2014年尝试训练神经网络，你肯定会观察到所谓的梯度消失问题。简单来说：你在屏幕后面检查网络的训练过程，你看到的只是训练损失停止减少，但距离期望值仍然很远。1、更新规则和梯度消失问题没有动量的梯度下降的更新规则，假设L是损失函数，λ是学习率，其中基本上是通过

坐望云起·2023-10-21 06:12

【学习笔记】吴恩达机器学习 | 汇总 | 已完结！！！

非常感谢AndrewNg吴恩达教授的无私奉献！！！索引第一章机器学习绪论MachineLearning机器学习Supervisedlearning监督学习Unsupervisedlea

Benjamin Chen.·2023-10-21 05:36

方法试用：基于强化学习提高EEG分类准确率的特征选择方法（完整代码）

一、强化学习类详解这一部分主要详细讲述代码中强化学习类的部分，关于强化学习的相关知识可从视频吴恩达机器学习中获取。def__init__(self,n_states,n_acti

槿花Hibiscus·2023-10-21 02:45

吴恩达开新课了：面向所有人的生成式 AI 课程！我已偷偷学了起来

作者|智商掉了一地斯坦福大学的吴恩达教授可能是许多人接触AI的启蒙课导师吧，在过去的十多年中，他的《MachineLearning》课程已经对数百万的学习者产生了积极影响。

夕小瑶·2023-10-21 00:10

吴恩达教授关于python numpy库的技巧

FirstExampleimportnumpyasnpa=np.random.randn(5)print(a)print(a.shape)result:[1.189619880.057224651.83658954-0.6092621-1.32062653](5,)Thearrayofahavefivegaussianrandomnumbervariablesandtheshapeofarraya

倒霉蛋or幸运儿·2023-10-20 10:58

自用机器学习笔记（1）：什么是概率以及似然

自用机器学习笔记（1）：什么是概率以及似然（1）解释1：这个是quora上的一个回答Whatisthedifferencebetweenprobabilityandlikelihood?

Dante5128·2023-10-20 04:48

吴恩达深度学习--m个样本的梯度下降

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

862180935588·2023-10-19 22:46

Introduction - Unsupervised Learning

摘要:本文是吴恩达(AndrewNg)老师《机器学习》课程，第一章《绪论：初识机器学习》中第4课时《无监督学习》的视频原文字幕。为本人在视频学习过程中逐字逐句记录下来以便日后查阅使用。现分享给大家。

王彩旗 edwardwangcq.com·2023-10-19 14:13

收集一些有用的网址

1.吴恩达深度学习课后作业汇总2.机器学习基石课后练习汇总3.sublimetext主题生成器持续更新

Sundw_RUC·2023-10-19 10:07

deep learning日常小Bug汇总

“千里之堤，溃于蚁穴；”一些细节可能导致整个程序的问题，将在吴恩达作业中个人遇到的小bug总结一下。1.在做吴恩达深度学习课第一课第三周作业时，发现梯度不变，后来找到原因是因为1和1.0。。

AI算法札记·2023-10-19 10:29

带你少走弯路：强烈推荐的TensorFlow快速入门资料和翻译（可下载）

知识更新非常快，需要一直学习才能跟上时代进步，举个例子：吴恩达老师在深度学习课上讲的TensorFlow使用，这个肯定是他近几年才学的，因为谷歌开源了TensorFlow也就很短的时间。

湾区人工智能·2023-10-19 07:47

吴恩达 tensorflow2.0 实践系列课程（3）：NLP

tensorflow2.0中的自然语言处理基本都是入门级的，而且也正如课程设计目标，主体放在tensorflow的基本使用上。围绕的NLP相关问题有：文本如何变为数字送入模型进行处理？（word-key/one-hot、embeddings）文本分类怎么做？比如情感分析？贴label做分类文本预测怎么做？比如模仿莎士比亚文笔？这里必须将文本视作序列，所以用LSTMs。0Aconversationw

Abandon_first·2023-10-19 07:16

机器学习笔记四：线性回归（Linear regression）及房屋数据集的回归

目录1.单变量线性回归：2.多变量线性回归最近在学习吴恩达老师的机器学习课程，所以在这里记录一下，主要是完成他的课后作业。

Amyniez·2023-10-19 03:43

吴恩达机器学习作业（2）：多元线性回归

目录1）数据处理2）代价函数3）Scikit-learn训练数据集4）正规方程练习1还包括一个房屋价格数据集，其中有2个变量（房子的大小，卧室的数量）和目标（房子的价格）。我们使用我们已经应用的技术来分析数据集。1）数据处理还是那个建议，大家拿到数据先看看数据长什么样子。path='ex1data2.txt'data2=pd.read_csv(path,header=None,names=['Si

自动驾驶小学生·2023-10-19 03:43

李宏毅机器学习笔记-transformer

transformer是什么呢？是一个seq2seq的model。具体应用如上图所示，输入和输出的序列长度不固定，由model自己决定。语音翻译指的是，直接输入一段语音信号，例如英文，输出的直接是翻译之后的中文。seq2seq如今已经是一个应用非常广泛的模型，可以应用于NLP的各种任务，如语义分析，语义分类，聊天机器人等。另外还有个值得说明的功能是做multilabelclassification

ZEERO~·2023-10-18 07:00

李宏毅机器学习笔记-半监督学习

半监督学习，一般应用于少量带标签的数据（数量R）和大量未带标签数据的场景（数量U），一般来说，U>>R。半监督学习一般可以分为2种情况，一种是transductivelearning，这种情况下，将unlabeleddata的feature利用进来。另外一种是inductivelearning，这种情况下，在训练的整个过程中，完全不看任何unlabeleddata的信息。为什么要做semi-sup

ZEERO~·2023-10-18 07:24

机器学习笔记 - 3D 对象跟踪极简概述

一、简述大多数对象跟踪应用程序都是2D的。但现实世界是3D的，无论您是跟踪汽车、人、直升机、导弹，还是进行增强现实，您都需要使用3D。在CVPR2022（计算机视觉和模式识别）会议上，已经出现了大量3D目标检测论文。二、什么是3D对象跟踪？对象跟踪是指随着时间的推移定位并跟踪对象在空间中的位置和方向。它涉及检测图像序列（或点云）中的对象，然后预测其在后续帧中的位置。目标是持续估计对象的位置和方向，

坐望云起·2023-10-17 23:13

吴恩达深度学习--向量化的更多例子

需要记住的经验之谈：当你在编写神经网络或逻辑回归时，都要尽可能避免使用显示的for循环，有时候无法完全避免for循环，但如果能使用内置函数或其他方法来计算想要的答案，通常会比直接用for循环跟快例子1：你想要计算向量U，它是矩阵A和向量V的乘积：根据矩阵乘法的定义:非向量化的实现方法是;这是一个两层的for循环，分别对i和j进行循环向量化的实现方式是：消除了两层for循环，运行速度要快的多例子2：

862180935588·2023-10-17 11:12

如何判断你和优秀AI算法工程师之间的差异？

就连硅谷大佬吴恩达，都会利用碎片化的时间读AI论文，吴恩达老师不仅经常读AI论文，还给我们总结了读论文的方法。他认为，我们在读论文时，要带着4个问题去读：作者

边缘计算社区·2023-10-17 07:11

python拟合曲线_[ML]从最简单的撸起－python实现线性拟合数据

目标：实现将图中的大量红色X状标记拟合为图中所示的一条蓝色直线基本思想：吴恩达的coursera机器学习课程变量线性回归章节；递度下降法实现：1.引入相关库：这里用到了python的科学计算库numpy

weixin_39693950·2023-10-17 03:19

李宏毅机器学习笔记第7周_局部最小值与鞍点

文章目录一、OptimizationFailsbecause……二、TaylerSeriesApproximation三、Example总结一、OptimizationFailsbecause……1．问题：我们在做optimization的时候会发现，随着参数的不断更新，training的loss不会再下降，但是我们对loss并不满意。因此我们会发现，一开始model就train不起来，不管我们怎

MoxiMoses·2023-10-16 19:21

吴恩达机器学习——降维

1.降维能做的：1）数据压缩：占用更少的内存和硬盘空间。加速学习算法。2）数据可视化：维度降到2或3就可以可视化数据。（从图中推测各维度代表的意义大概是什么）2.降维：从高维度映射/投影到低维度空间上。试图找到一个低维度的空间，使投影误差最小。例如从n维降到k维，就是找k个向量，使得从n维空间数据投影的投影误差最小。3.线性回归和降维的区别：线性回归是要预测y值，所以要最小化的是y轴方向上点到线的

睡不好觉的梨·2023-10-16 18:01

【机器学习笔记1.1】线性回归之正规方程求解

线性回归概述##我们先考虑最简单的一种情况，即输入属性的数目只有一个，线性回归试图学得[1](1)f(xi)=wxi+b，使得f(xi)≈yif(x_i)=wx_i+b，使得f(x_i)\approxy_i\tag{1}f(xi)=wxi+b，使得f(xi)≈yi(1)那么如何确定w⃗\vec{w}w和b呢？关键在于如何衡量f(x⃗)f(\vec{x})f(x)与y之间的差别。均方误差是回归任务重

取取经·2023-10-15 20:53

机器学习笔记 - 车道检测的几种深度学习方法

一、简述人们在打造自动驾驶汽车时首先想到的就是实现车道检测。这是Tesla和mobileye所说的“强制性”任务，也是SebastianThrun（自动驾驶汽车教父）在接受采访时所说的首要任务。这个方向有很多传统的OpenCV算法，这些算法由不再使用的非常旧的函数组成。目前全部都转到深度学习的方式了。二、车道线检测的分割方法1、LaneNet检测车道线的第一种也是最流行的方法是使用图像分割，它很重

坐望云起·2023-10-15 11:58

如何理解深度学习中迁移学习、预训练、微调的概念

说明本文为观看吴恩达深度学习课程视频所做的学习笔记吴恩达deeplearning.aiPart3结构化机器学习项目第二周机器学习（ML）策略（2）2.7迁移学习正文假设已经训练好一个图像识别神经网络，如果让这个图像识别神经网络适应或者说迁移不同任务中学到的知识

全幼儿园最聪明·2023-10-15 04:13

吴恩达深度学习笔记(31)-为什么正则化可以防止过拟合

为什么正则化有利于预防过拟合呢？（Whyregularizationreducesoverfitting?）为什么正则化有利于预防过拟合呢？为什么它可以减少方差问题？我们通过两个例子来直观体会一下。左图是高偏差，右图是高方差，中间是JustRight，这几张图我们在前面课程中看到过。现在我们来看下这个庞大的深度拟合神经网络。我知道这张图不够大，深度也不够，但你可以想象这是一个过拟合的神经网络。这是

极客Array·2023-10-14 20:17

深度学习自学2.0

咬树羊·2023-10-14 17:19

机器学习笔记 - 使用3D卷积神经网络进行视频分类

1、导入相应的库3DCNN使用三维滤波器来执行卷积。内核能够在三个方向上滑动，而在2DCNN中它可以在二维上滑动。首先安装并导入必要的库，用于处理ZIP文件内容的Remotezip、用于使用进度条的tqdm、用于处理视频文件的OpenCV、用于执行更复杂的张量操作的einops，以及用于在JupyterNotebook中嵌入数据的库。importtqdmimportrandomimportpath

坐望云起·2023-10-14 11:43

吴恩达机器学习——Andrew Ng machine-learning-ex2 python实现

目录Exercise2:LogisticRegression1.LogisticRegression1.1Plotting1.2sigmoidfunction1.3Costfunctionandgradient1.4Optimize1.5Predict2.Regularizedlogisticregression2.1Plotting2.2Costfunctionandgradient2.3Opt

令狐傻笑·2023-10-14 05:24

机器学习笔记（3）：无监督学习

上节，我们已经介绍了监督学习。回想当时的数据集，如上表所示，这个数据集中每条数据都已经标明是阴性或阳性，即是良性或恶性肿瘤。所以，对于监督学习里的每条数据，我们已经清楚地知道，训练集对应的正确答案，是良性或恶性了。在无监督学习中，我们已知的数据。看上去有点不一样，不同于监督学习的数据的样子，即无监督学习中没有任何的标签或者是有相同的标签或者就是没标签。所以我们已知数据集，却不知如何处理，也未告知每

大锅烩菜·2023-10-14 05:07

从零开始基于LLM构建智能问答系统的方案

LLM的端到端问答系统，应该包括用户输入检验、问题分流、模型响应、回答质量评估、Prompt迭代、回归测试，随着规模增大，围绕Prompt的版本管理、自动化测试和安全防护也是重要的话题，部分代码参考自吴恩达老师

骑猪兜风233·2023-10-13 14:56

吴恩达深度学习第二门课第一周总结

吴恩达深度学习第二门课第一周总结一、梯度消失/爆炸及解决办法二、正则化方法先上目录：从目录可以看到第一周主要解决了两个问题：过拟合，预防梯度消失/梯度爆炸。现在分别来讨论并进行代码实现。

半个女码农·2023-10-12 00:37

吴恩达深度学习第一门课学习总结

吴恩达老师深度学习第一门课的核心就是理解前向传播，计算cost，反向传播三个步骤（其实只要静下心来把教程里的公式在草稿纸上推一遍，也不会很难），吴恩达老师主要是通过逻辑回归来讲解这些概念首先是如何处理输入样本

半个女码农·2023-10-12 00:37

吴恩达《Machine Learning》-machine-learning-ex1线性回归作业（一）

ex1.m%%MachineLearningOnlineClass-Exercise1:LinearRegression%Instructions%------------%%Thisfilecontainscodethathelpsyougetstartedonthe%linearexercise.Youwillneedtocompletethefollowingfunctions%inthis

丰brother·2023-10-11 12:30

Python机器学习笔记 K-近邻算法

K近邻（KNN，k-NearestNeighbor）分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。KNN算法的核心思想是如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特征。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本

weixin_30345577·2023-10-11 06:41

机器学习代码实现篇——SVM

1.4带约束的最优化问题求解1.5核函数(kernel)1.6SMO算法2.SVM代码详解2.1源码分析2.2实践检验 吴恩达老师课程中的SVM介绍比较简单直观化，但是理论推导不够，这篇博客本着手写代码实现

lavendelion·2023-10-11 00:17

（一）线性回归与特征归一化(feature scaling)

吴恩达机器学习视频https://study.163.com/course/courseMain.htm?

xiangkej·2023-10-11 00:46

吴恩达《微调大型语言模型》笔记

微调（fine-tuning）就是利用特有数据和技巧将通用模型转换为能执行具体任务的一种方式。例如，将GPT-3这种通用模型转换为诸如ChatGPT这样的专门用于聊天的模型。或者将GPT-4转换为诸如GitHubCoplot这样的专门用于写代码的模型。这里的微调特指生成式任务上的微调。在这种方式中，需要更新整个模型的权重，而不是像其他模型一样只更新部分权重微调的训练目标与预训练时的目标相同，目的是

小小白2333·2023-10-10 01:24

深度学习笔记之优化算法(四)Nesterov动量方法的简单认识

机器学习笔记之优化算法——Nesterov动量方法的简单认识引言回顾：梯度下降法与动量法Nesterov动量法Nesterov动量法的算法过程描述总结（2023/10/9）补充与疑问附：Nesterov

静静的喝酒·2023-10-09 21:39

深度学习笔记之优化算法(五)AdaGrad算法的简单认识

机器学习笔记之优化算法——AdaGrad算法的简单认识引言回顾：动量法与Nesterov动量法优化学习率的合理性AdaGrad算法的简单认识AdaGrad的算法过程描述引言上一节对Nesterov\text

静静的喝酒·2023-10-09 21:05

推荐频道

机器学习笔记——吴恩达