深度学习基础课程笔记

Chapter1-2_Speech_Recognition(LAS)

2.1ListenRNNEncoder1D-CNNEncoderSelf-attentinonEncoderDownSampling2.2Attend2.3Spell2.4BeamSearch2.5Training2.6BacktoAttention本文为李弘毅老师【SpeechRecognition-Listen,Attend,Spell】的课程笔记
zjuPeco·2023-01-18 19:45

机器学习（八）：CS229ML课程笔记（4）——生成学习，高斯判别分析，朴素贝叶斯

到目前为止，我们主要学习了学习算法模型：，在给定以θ为参数的x时y的分布。比如说逻辑回归模型：，g是sigmoidfunction。今天我们学的是一种不同的学习算法——生成学习算法。Part4生成模型、高斯判别分析、朴素贝叶斯1.判别学习算法和生成学习算法①判别学习算法（discriminativelearningalgorithm）：训练出一个总模型，把新来的样本放到这个总模型中，直接根据总模型
玥晓珖·2023-01-18 17:08

斯坦福CS229机器学习课程笔记四：GDA、朴素贝叶斯、多项事件模型

距离上一篇笔记竟然快要一个月了……希望这周能把cs229监督学习部分的知识搞定。生成学习与判别学习像逻辑回归，用hθ(x)=g(θTx)直接地来建模p(y|x;θ)；或者像感知机，直接从输入空间映射到输出空间（0或1），它们都被称作判别学习（discriminativelearning）。与之相对的是生成学习（generativelearning），先对p(x|y)与p(y)建模，然后通过贝叶斯法
diezhangu4106·2023-01-18 17:04

最短路径(Dijkstra算法)

思路设置一个集合S存放已经找到最短路径的顶点，并设置一个源点，dist[]数组中存放源点距离每个顶点的最短距离，path[]数组中存放的是最短路径，基本过程可以如下描述：（下图来自懒猫老师的《数据结构》相关课程笔记
想写好代码的小猫头·2023-01-18 16:48

深度学习基础——图像卷积操作二维、三维（python）

参考：【深度学习入门】——亲手实现图像卷积操作基础知识见参考链接直接记录编程实践部分：二维卷积importnumpyasnpimportmatplotlib.pyplotasplt输入测试图片：srcImg=plt.imread('./lena.jpg')构建一个3x3的卷积核：test_kernel=np.array([[-1,-1,-1],[-1,9,-1],[-1,-1,-1]])构建输出图
Iris.YY·2023-01-18 14:16

深度学习基础——彻底掌握卷积层的计算

机器学习也是刚刚入门，虽然对卷积、池化等过程很熟悉，但是一直不太清楚具体的计算，幸好在博文上看到了讲解过程，看完以后受益匪浅，然后自己又重新写了一遍。有这个表格，再也不用烦恼卷积的计算了。原文地址：https://blog.csdn.net/dcrmg/article/details/79652487一、概念与计算输入矩阵：四个维度：[16,480,640,3][batch,Height,Widt
超级无敌小小顺利·2023-01-18 14:44

吴恩达机器学习课程笔记(英文授课) Lv.1 新手村（回归）

目录1-1机器学习的相关名词1-2什么是机器学习？1.definition定义2.主要的机器学习算法的分类1-3有监督学习及常用算法1.定义2.两种数据类型补充：categoricaldata离散（分类型）数据与numericaldata连续（数值型）数据3.有监督学习与回归问题、分类问题的关系1-4无监督学习1.定义2.无监督学习之聚类算法的现实应用2-1第一个学习算法—线性回归算法1.课程中符
玉一·2023-01-18 12:01

吴恩达 机器学习课程笔记

吴恩达机器学习课程笔记学习视频第1章1-2什么是机器学习1-3监督学习(supervisedlearningalgorithm)1-4无监督学习(unsupervisedlearningalgorithm
那胖手在星球表面缓慢移动·2023-01-18 11:24

深度学习基础：SVD奇异值分解及其意义【转】

排版较好的一版：http://shartoo.github.io/SVD-decomponent/上面的补充：奇异值的物理意义是什么？https://www.zhihu.com/question/22237507/answer/225371236英文原文:英文原文中文转自:中文原文一简介SVD实际上是数学专业内容，但它现在已经渗入到不同的领域中。SVD的过程不是很好理解，因为它不够直观，但它对矩阵
xxzccccccc·2023-01-18 11:54

吴恩达机器学习课程笔记：模型描述、假设函数、代价函数

1.吴恩达机器学习课程笔记：模型描述、假设函数、代价函数吴恩达机器学习课程笔记：模型描述吴恩达机器学习课程笔记：代价函数仅作为个人学习笔记，若各位大佬发现错误请指正什么是模型？
Uncertainty!!·2023-01-18 11:19

实验1深度学习基础实验

一、实验要求在计算机上验证和测试多层神经网络针对不同数据集的训练效果，同时查阅相关资料。实验目的1、掌握sklearn开发环境2、掌握sklearn.neural_network下的神经网络分类器MLPClassifier；3、掌握sklearn.linear_model下的感知机分类器Perceptron；三、实验内容实验步骤请针对如下四种数据集，对比2层隐藏层下不同神经元个数（2，2），（5，
二战国科大·2023-01-18 11:10

深度学习方法——实验1：深度学习基础实验

文章目录一、实验要求二、实验目的三、实验内容1.针对四种数据集，对比多层神经网络的分类效果1.1观察两层，每层两个神经元效果：1.2观察两层，每层五个神经元效果：1.3观察两层，每层十个神经元效果：1.4观察四层，每层两个神经元效果：1.5观察四层，每层五个神经元效果：1.6观察四层，每层十个神经元效果：2.针对太极数据集，但是噪声程度不一样2.1观察两层，每层两个神经元效果：2.2观察两层，每层
时生丶·2023-01-18 11:39

深度学习CS231N学习笔记（从9到10）

九.介绍神经网络———反向传播CS231n课程笔记翻译：反向传播笔记-知乎专栏杜客Source译者注：本文智能单元首发，译自斯坦福CS231n课程笔记BackpropNote__，课程教师AndrejKarpathy
garrulousabyss·2023-01-18 11:31

斯坦福CS231n课程笔记纯干货2

11.神经网络的数据预处理均值减法（Meansubtraction）是预处理最常用的形式。它对数据中每个独立特征减去平均值，从几何上可以理解为在每个维度上都将数据云的中心都迁移到原点。在numpy中，该操作可以通过代码X-=np.mean(X,axis=0)实现。而对于图像，更常用的是对所有像素都减去一个值，可以用X-=np.mean(X)实现，也可以在3个颜色通道上分别操作。归一化（Normal
marsjhao·2023-01-18 11:30

深度学习（十四）：数据增强Data Augmentation

编程语言：Python参考资料：吴恩达老师的深度学习系列视频吴恩达老师深度学习笔记整理深度学习500问唐宇迪深度学习入门视频课程笔记下载：深度学习个人笔记完整版为什么要使用数据增强数据增强，也称数据扩充
打不死的小黑·2023-01-18 10:10

深度学习基础理念（一）

文章目录1.机器学习MachineLearing机器学习类别2.机器如何找函数深度学习输入类型和输出类型机器如何找函数的1.机器学习MachineLearing什么是机器学习，顾名思义机器拥有会学习的能力，机器学习就是让机器具备能够找函数的能力机器学习就是找个函数通过机器的力量把函数找出来，这个函数特别困难~深度学习就相当于是找个函数，但是这个函数特别困难，这个函数的作用就是帮助我们去转换一些东西
偷偷敲代码的青花瓷·2023-01-17 17:09

深度学习框架之TensorFlow

TensorFlow最初是由Google机器智能研究部门的GoogleBrain团队开发，基于Google2011年开发的深度学习基础框架DistBelief构建起来的。
汐颜花·2023-01-17 17:09

2021-10-04 第一次作业：深度学习基础

第一次作业：深度学习基础视频学习心得及问题总结代码练习2.1pytorch基础练习定义数据定义操作2.2螺旋数据分类构建线性模型分类构建两层神经网络分类个人想法视频学习心得及问题总结视频中印象比较深刻的是深度学习中的一些
leeleesir·2023-01-17 16:59

林轩田之机器学习课程笔记（ combining predictive features之blending and bagging）（32之23）

概要为什么要做模型聚合投票制的blending线性以及任意的blendingbagging方式欢迎转载，可以关注博客：http://blog.csdn.net/cqy_chen对于模型融合可以参考：http://scikit-learn.org/stable/modules/ensemble.htmlblending的参考代码：https://heamy.readthedocs.io/en/lat
cqychen·2023-01-17 14:38

matlab中的pred,Matlab深度学习基础笔记-2

笔记来源于matlab官网，不足之处还请提出.。1.4检查预测Predictionscores使用classify可以获得所有类别的预测值，存储在数组scrs中：[predscrs]=classify(net,img);使用bar(scrs)来创建预测值的条形图：使用highscores=scrs>0.01显示值中大于0.01使用逻辑索引来创建高于阀值0.01的预测值的条形图：bar(scrs(h
小野熊·2023-01-17 12:44

吴恩达机器学习课程笔记：监督学习、无监督学习

1.吴恩达机器学习课程笔记：监督学习、无监督学习吴恩达机器学习系列课程：监督学习吴恩达机器学习系列课程：无监督学习仅作为个人学习笔记，若各位大佬发现错误请指正机器学习的学习算法：监督学习、无监督学习、半监督学习
Uncertainty!!·2023-01-16 17:31

【阶段四】Python深度学习02篇：深度学习基础知识：神经网络可调超参数：优化器

本篇的思维导图：神经网络可调超参数：优化器优化器相当于是用来调解神经网络模型的‘手柄’。代码#编译神经网络,
胖哥真不错·2023-01-16 14:07

Python深度学习基础（七）——Python手动实现多层神经网络

根据之前的文章我们可以很容易的搭建出多层神经网络，下面我们以其中一种方式为例实现多层神经网络，推荐使用jupyternotebook引入包其中:sklearn.datasets:用于生成数据集sklearn.neural_network.MLPClassifier:用于生成数据集numpy:数据批处理matplotlib：画图warnings.simplefilter:简单过滤器fromsklea
艾醒(AiXing-w)·2023-01-16 13:20

【阶段四】Python深度学习01篇：深度学习基础知识：神经网络历史及优势、神经网络基础单元与梯度下降：正向传播和反向传播

本篇的思维导图：神经网络历史及优势1958年，计算机科学家罗森布拉特（Rosenblatt）就提出了一种具有单层网络特性的神经网络结构，称为“感知器”（perceptron）。感知器出现之后很受瞩目，大家对它的期望很高。然而好景不长—一段时间后，人们发现感知器的实用性很弱。1969年，AI的创始人之一马文·明斯基（Marvin Minsky）指出简单神经网络只能运用于线性问题的求解。这之后神经网络
胖哥真不错·2023-01-16 13:50

图像处理、分析、识别、应用的课程笔记，PPT/PDF课件，计算机视觉中的机器学习、目标识别、分割、文本识别、fMRI 分析、运动和追踪等在线视频教程

包括图像处理、分析、识别、应用的课程笔记，PPT/PDF课件，计算机视觉中的机器学习、目标识别、分割、文本识别、fMRI分析、运动和追踪等在线视频教程。
u013476464·2023-01-16 10:19

gitchat训练营15天共度深度学习入门课程笔记(十三)

第7章卷积神经网络7.5CNN的实现7.6CNN的可视化7.6.1第1层权重的可视化7.6.2基于分层结构的信息提取7.7具有代表性的CNN7.7.1LeNet7.7.2AlexNet7.5CNN的实现CNN各层示意图：隐藏层：Convolution-ReLU-Pooling输出层的前一层：Affine-ReLU输出层：Affine-SoftmaxSimpleConvNet初始化：参数和函数：in
weixin_43114885·2023-01-16 08:21

gitchat训练营15天共度深度学习入门课程笔记(九)

第6章与学习相关的技巧6.1学习过程中参数更新最优化方法6.1.2SGD1.SGD的实现2.SGD的缺点6.1.4Momentum1.Momentum公式2.Momentum的实现6.1.5AdaGrad1.AdaGrad的公式2.AdaGrad的实现6.1.6Adam1.Adam的特点2.Adam的实现6.1.8基于MNIST数据集的更新方法的比较6.2权重初始值的设置方法6.2.2隐藏层的激活
weixin_43114885·2023-01-16 08:50

gitchat训练营15天共度深度学习入门课程笔记(十)

第6章与学习相关的技巧6.4正则化抑制过拟合的方法6.4.2权值衰减6.4.3Dropout6.5超参数的验证6.5.1验证数据6.5.2超参数的最优化6.5.3超参数最优化的实现6.4正则化神经网络发生过拟合的原因：模型拥有大量参数、表现力强训练数据少为了制造过拟合的神经网络来表现实验情况，选择了以下条件：训练数据：Minist数据集里的300（60000:300）个训练数据神经网络层数：7层隐
weixin_43114885·2023-01-16 08:50

gitchat训练营15天共度深度学习入门课程笔记(八)

第5章误差反向传播法5.4简单层的实现5.4.1乘法层的实现5.4.2加法层的实现5.5激活函数层的实现5.5.1ReLU层5.5.2Sigmoid层5.6Affine/Softmax层的实现5.6.1Affine层5.6.2批版本的Affine层5.6.3Softmax-with-Loss层5.7误差反向传播法的实现5.7.1神经网络学习的全貌图5.7.2对应误差反向传播法的神经网络的实现5.7
weixin_43114885·2023-01-16 08:50

第一次作业：深度学习基础

第一部分：深度学习概论1956年，达特茅斯会议首次提出“人工智能”的概念，随后人工智能经历了三次起伏。人工智能的三个层面：计算智能（主要是计算和存储）、感知智能（有感知，能听说，会看，例如无人驾驶）、认知智能（有意识，能理解，能思考）。人工智能、机器学习与深度学习人工智能>机器学习>深度学习人工智能中包含机器学习，机器学习通过是否使用神经网络划分为神经网络和传统机器学习，而运用深度神经网络的才是深
weixin_46075186·2023-01-16 06:05

吴恩达深度学习课程笔记

1.逻辑回归、梯度下降法、向量化2.广播、关于numpy向量的说明3.神经网络、激活函数、随机初始化4.超参数、划分数据集、偏差与方差、正则化5.
劳埃德·福杰·2023-01-15 16:17

【阶段四】Python深度学习03篇：深度学习基础知识：神经网络可调超参数：激活函数、损失函数与评估指标

本篇的思维导图：神经网络可调超参数：激活函数神经网络中的激活函数（有时也叫激励函数）。在逻辑回归中，输入的特征通过加权、求和后，还将通过一个Sigmoid逻辑函数将线性回归值压缩至［0，1］区间，以体现分类概率值。这个逻辑函数在神经网络中被称为激活函数（这个名词应该是来自生物的神经系统中神经元被激活的过程）。在神经网络中，不仅最后的分类输出层需要激活函数，而且每一层都需要进行激活，然后向下一层输入
胖哥真不错·2023-01-15 13:54

《电磁场与电磁波》课程笔记（一）——矢量与坐标系

第一课课程主要内容只上前五章前言电场磁场电磁波物质属性电磁场与电磁波是客观存在的一种物质，因为它具有物质的两种重要属性：能量和质量。但是，电磁场与电磁波的质量极其微小，因此，通常仅研究电磁场与电磁波的能量特性。场与介质电磁场与电磁波既然是一种物质，它的存在和传播无需依赖于任何介质.当空间存在介质时，在电磁场的作用下介质中会发生极化与磁化现象，结果在介质中又产生二次电场及磁场，从而改变了介质中原先的
Sandwich66·2023-01-15 13:22

吴恩达机器学习课程笔记（持续更新ing）

1.1什么是机器学习？定义：机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。解释：计算机程序从经验E中学习，解决某一任务T，进行某一性能度量P，通过P测定在T上的表现因经验E而提高。例如：跳棋游戏E：程序与自己下几万次跳棋T：玩跳棋P：与新对手玩跳棋时赢的概率1.2监督学习定义：给算法一个数据集，其中包含了正确答案，算法的目的就是给出更多的正确答案。回归问题：目的：预测连续的数值例如：
最爱吃兽奶638·2023-01-15 11:15

深度学习基础——week4

更好的阅读体验!!序列模型例子音乐、语言、文本、视频、股价…统计方法方案A：马尔科夫假设假设当前当前数据只跟τ\tauτ个过去数据点相关p(xt∣x1,…xt−1)=p(xt∣xt−τ,…xt−1)=p(xt∣f(xt−τ,…xt−1))p\left(x_{t}\midx_{1},\ldotsx_{t-1}\right)=p\left(x_{t}\midx_{t-\tau},\ldotsx_{t-
-meteor-·2023-01-15 10:19

【深度学习基础】02梯度下降算法改进：SGD、Momentum、NAG、RMSProp、Adam等

目录1.优化算法背景1.1常见优化问题1.1.1梯度消失或梯度爆炸1.1.2局部最小值1.2常用解决办法1.2.1参数初始化策略1.2.2小批量梯度下降1.2.3梯度下降算法优化（本文关注）1.2.4其他非算法优化方式2.梯度下降算法优化2.1动量梯度下降2.2RMSProp算法2.3Adam算法2.4学习率衰减1.优化算法背景传统的机器学习会小心设计目标函数和约束，以确保优化问题是凸的，从而避免
TianleiShi·2023-01-15 10:28

Elasticsearch分布式引擎7.x,2021黑马详细课程笔记

文章目录一、ES的一些概念1.1索引和映射ELS与Mysql的对比2.创建索引库：2.1mapping映射属性2.2索引库的CRUD2.2.1创建索引库和映射2.2.2查询数据库：2.2.3修改索引库，添加新字段2.2.4.删除索引库2.2.5总结3.文档操作3.1.新增文档查询文档3.3删除文档3.4修改文档3.4.2只修改Id匹配的文档中的部分字段3.5总结4RestAPI--javaClie
要去北上广的sakura·2023-01-15 07:27

Andrew Ng Machine Learning 专题【Introduction】

此文是斯坦福大学，机器学习界superstar—AndrewNg所开设的Coursera课程：MachineLearning的课程笔记。力求简洁，仅代表本人观点，不足之处希望大家探讨。
IronYoung·2023-01-14 11:46

深度学习基础——week1

更好的阅读体验PyTorch什么是PyTorch(来自官方文档)PyTorch是基于以下两个目的而打造的python科学计算框架：无缝替换NumPy，并且通过利用GPU的算力来实现神经网络的加速。通过自动微分机制，来让神经网络的实现变得更加容易。Tensor（张量）张量如同数组和矩阵一样,是一种特殊的数据结构。在PyTorch中,神经网络的输入、输出以及网络的参数等数据,都是使用张量来进行描述。张
-meteor-·2023-01-14 11:44

蓝桥杯单片机学习笔记

目录前言一、基础代码二、相关特殊功能寄存器三、课程笔记
m0_63848870·2023-01-14 08:36

吴恩达deeplearning.ai系列课程笔记+编程作业(7)第二课 改善深层神经网络-第三周 超参数调试、Batch正则化和程序框架（Hyperparameter tuning）

第二门课改善深层神经网络：超参数调试、正则化以及优化(ImprovingDeepNeuralNetworks:Hyperparametertuning,RegularizationandOptimization)第三周超参数调试、Batch正则化和程序框架（Hyperparametertuning）文章目录第二门课改善深层神经网络：超参数调试、正则化以及优化(ImprovingDeepNeural
geekxiaoz·2023-01-14 07:09

深度学习基础--不同网络种类--可微分编程；Differentiable Programming

可微分编程；DifferentiableProgramming  lecun说"深度学习已死，可微分编程万岁！",即深度学习这个词已死，该有新的名词可微分编程来替代它了。  深度学习的本质是可微分编程，那么，就把神经网络当函数用吧！  一个程序本身当成一个神经网络，然后自己调节参数。实现真正的可微分编程需要的就是自动化调参，于是乎，贝叶斯方法开始大量用于深度学习。传统编程方法与可微分编程(Diff
whitenightwu·2023-01-13 14:44

《从深度学习基础到车道线模型训练与部署》学习（三）

1.Python常用库之一：Numpy库NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。总而言之，包含：一个强大的N维数组对象ndarray广播功能函数整合C/C++/Fortran代码的工具线性代数、傅里叶变换、随机数生成等功能2.Python常用库之二：Pandas库Pandas是用于数据操纵和分析，建立在Numpy之上的
majunyongzhangduo·2023-01-13 09:17

interview

保存模型种类及区别2.目标检测2.1yolo3,4,5,7区别2.2yolo使用的loss(ciou,BCE等等)ciouBCElossL1,L2,CE,BCE2.3图像增强2.4IOU计算公式3.机器学习/深度学习基础
highoooo·2023-01-13 08:34

【深度学习基础】Mac系统安装Anaconda

【深度学习基础】苹果系统安装Anaconda1.查看电脑的硬件架构2.下载匹配的Anaconda版本3.安装（sh安装包为例）4.激活5.验证ok你已经成功啦，拜拜参考博客1.查看电脑的硬件架构查看硬件架构命令
骆先生的老屁·2023-01-13 03:34

统计学系统学习目录（持续更新中）

日概率论基础矩阵论基础统计学基础回归分析基础凸优化基础随机过程基础随机过程预备知识离散鞅理论随机微分方程时间序列分析基础随机微分方程在时间序列的应用神经网络随机微分方程在时间序列的应用机器学习基础（后续会进行归类）EM算法深度学习基础时间序列分析进阶机器学习进
邓宏宇·2023-01-12 17:11

深度学习基础及实现的必备步骤

为什么要以均方误差作为损失函数？(将模型在每个训练样本上的预测误差加和，来衡量整体样本的准确性)解：利用均方误差画出来的图像有如下特点曲线的最低点是可导的。越接近最低点，曲线的坡度逐渐放缓，有助于通过当前的梯度来判断接近最低点的程度（是否逐渐减少步长，以免错过最低点）标准神经网络的构成：神经网络的标准结构中每个神经元由加权和与非线性变换构成，然后将多个神经元分层的摆放并连接形成神经网络。深度学习的
啊这？啊这？·2023-01-12 14:48

一文读懂残差网络ResNet

作者：苘郁蓁链接：https://zhuanlan.zhihu.com/p/91385516专栏：郁蓁的机器学习笔记本文的内容包括残差网络的基础知识以及相关辅助理解的知识点，希望有一定深度学习基础的同学能够平滑上手理解
风度78·2023-01-12 02:15

机器学习 | 李宏毅课程笔记（一）基本概念

什么是机器学习？让机器具备自动找到一个函数function的能力（函数f输入x—输出f(x)）应用函数输入函数输出语音识别声音信号音频对应文字图像分类图片图片内包含内容AlphaGo下围棋黑白棋的位置下一步应该落子的位置2.机器学习的三大任务任务函数输出实例Regression回归连续数值PM2.5预测Classification分类二分类（BinaryClassification）离散的值（从设
Hygge0+·2023-01-11 20:06

【深度学习】02-01-机器学习任务攻略-李宏毅老师21&22深度学习课程笔记

02-01-机器学习任务攻略FrameworkofMLGeneralGuideLargeLossonTrainingDataSolution1:ModelBias（MakeYourModelComplex）Solution2：OptimizationIssueWhichOne?GainingtheinsightsfromcomparisonStartfromshallowernetworks(or
暖焱·2023-01-11 20:04
上一页 28 29 30 31 32 33 34 35 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他