深度学习课程——吴恩达第18页

吴恩达机器学习：神经网络 | 多分类问题

上一周我们学习了逻辑回归，并使用它解决了简单的0/1分类问题。这周我们首先尝试使用逻辑回归来解决多分类问题（手写字符识别）。通过这个问题了解到，当我们需要解决特征量很大的非线性分类问题时（比如计算机视觉问题），我们原本假设高次特征的方法会使得特征数异常庞大，从而引出新的方法神经网络。为了更好的阅读体验你可以在网站中查看，点击课程视频你就能不间断地学习Ng的课程，关于课程作业的Python代码已经放

拼搭小怪·2023-01-28 16:04

吴恩达机器学习课后作业5——怎么通过观察偏差和方差（bias vs variance）来调参

1.问题和数据在本练习中，您将实现正则化线性回归，并使用它来研究具有不同偏差-方差特性的模型。在练习的前半部分，您将实现正则化线性回归，利用水库水位的变化来预测从大坝流出的水量。在后半部分中，您将对调试学习算法进行一些诊断，并检查偏差和偏差的影响。之前的题目中我们只用到了训练集，用训练集来训练模型，又用训练集来验证模型，这样的泛化能力就比较差。正常做法一般是先用训练集进行模型训练，训练好几个模型

学吧学无止境·2023-01-28 16:45

吴恩达机器学习课程笔记+代码实现(18)Python实现正则化的线性回归和偏差/方差(Programming Exercise 5)

ProgrammingExercise5:RegularizedLinearRegressionandBiasv.s.VariancePython版本3.6编译环境：anacondaJupyterNotebook链接：实验数据和实验指导书提取码：i7co本章课程笔记部分见：应用机器学习的建议(AdviceforApplyingMachineLearning)在本练习中，我们要实现正则化的线性回归，

geekxiaoz·2023-01-28 10:17

#吴恩达· 机器学习笔记（④ 多元梯度下降及正规方程）

DAY7多特征之前的视频是关于一个特征变量的（房屋面积对应房价）现在除了房屋面积还有诸如卧室数量、楼层数量等一系列的影响因素相较于传统的假设，现在的假设式如下：多元线性回归假设模型：多元梯度下降算法更新后的代码如下：DAY8特征缩放（出现这种原因是因为两个值（x、y）差别太大（一个是在0-2000，一个是在0-5））以1个特征来举例，如果椭圆越狭长，那么梯度下降时间就会越长而如果我们将其进行一个缩

人生苦短我愛Python·2023-01-27 14:11

吴恩达深度学习（笔记+作业）·第四课·第一周卷积神经网络

目录一、计算机视觉二、边缘检测三、padding、stride四、三维卷积（加入其他通道）五、卷积网络卷积层池化层六、卷积神经网络作业卷积网络的优点一、计算机视觉图片分类、目标检测、风格迁移……二、边缘检测*<----这个*在数学中表示卷积从convolution三、padding、stride这里计算的都是图像的大小，而非图像的通道padding：Valid：不填充像素Same：填充像素，卷积前

手可摘星辰不去高声语·2023-01-27 11:25

机器学习--神经网络算法系列--BackPropagation算法

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，然后又找了些资料看

日有所进·2023-01-27 08:43

2022年10月我的观察记录

继续每天听《太傻天书》，已经超过5遍了；发布了Meta3D新版本后，继续推进讲解深度学习课程；开始转向Web3；找露营地主要靠圣灵的指引，感恩！

感谢我自己·2023-01-27 06:33

AI人物--吴恩达

吴恩达 吴恩达1976年出生于伦敦，父亲是一位香港医生，英文名叫AndrewNg，吴恩达年轻时候在香港和新加坡度过。

whitenightwu·2023-01-27 02:20

吴恩达机器学习笔记（自己学的过程进行记录）

吴恩达机器学习笔记（自己学着记）1.机器学习分类1.1监督学习1.1.1回归回归问题是在知道正确答案的基础上进行的，即给定的数据集是真实的一系列连续的值。

xiuyvshu·2023-01-27 02:19

吴恩达深度学习笔记.PDF

吴恩达深度学习课程，是公认的最优秀的深度学习课程之一，目前没有教材，只有视频，本文提供完整笔记下载，这本笔记非常适合和深度学习入门。

风度78·2023-01-27 02:19

吴恩达NLP课程资料

NLP_wuenda1.简介 吴恩达老师在2020年6月份推出了NLP课程，NaturalLanguageProcessingSpecialization 本人忙里偷闲将老师的视频和作业都完成了，后续会持续更新课程的资料和作业

白色纯度·2023-01-27 02:49

深度学习教程 | 吴恩达专项课程 · 全套笔记解读

ShowMeAI·2023-01-27 02:48

监督学习-线性回归（数学建模）

这是在学习吴恩达的机器学习课程时，一些随笔。

热带鱼啊·2023-01-26 23:16

基于Octave/Matlab的二元逻辑回归（logistic regression）算法

基于Octave/Matlab的二元逻辑回归（logisticregression）算法本博文基于吴恩达老师的机器学习网课，是对作业代码进行简化和补充完整后的实现。

Jeffrey_yh·2023-01-26 16:11

2022年智源社区年度热点推荐丨新春集锦

智源社区·2023-01-26 15:56

机器学习前向传播，反向传播

吴恩达机器学习一、神经网络二、前向传播算法2.反向传播算法代价函数推导过程代码实现一、神经网络神经网络是模仿大脑神经元，建立的模型。

不自知的天才·2023-01-26 13:57

值得收藏，这份机器学习算法资料着实太香

后续开始逐步接触吴恩达、林轩田、李宏毅等老师的视频课程和学习资料，之前一些理解不到位的地方也逐渐豁然开朗。最近这几年深度学习发展可谓日新月异，业务场景和岗位职责都对自己提出了更高的要求。

机器学习社区·2023-01-26 10:52

2020-6-28 吴恩达DL学习-C3结构化ML项目-w1 ML策略1(1.3 单一数字评估指标，查准率/查全率/F1分数)

1.视频网站：mooc慕课https://mooc.study.163.com/university/deeplearning_ai#/c2.详细笔记网站(中文)：http://www.ai-start.com/dl2017/3.github课件+作业+答案：https://github.com/stormstone/deeplearning.ai1.3单一数字评估指标Singlenumberev

没人不认识我·2023-01-26 08:29

吴恩达神经网络和深度学习-学习笔记-19-机器学习策略（正交化+单一数字评估指标）

一些策略，一些分析机器学习问题的方法。正交化方法建立机器学习系统的挑战之一是：可以尝试和改变的东西太多了。那些效率很高的机器学习专家有个特点，theyareveryclear-eyedaboutwhattotuneinordertotrytoachieveoneeffect.这个操作我们称为正交化。简单来说就是Onethingatatime。当不能fittrainingsetwelloncostf

Harry嗷·2023-01-26 08:58

吴恩达深度学习：正交化、单一数字评估、满足优化指标

此公众号会发表计算机考研（初复试信息）、夏令营等资料，方便考研人对信息的获取，节约自身查找资料的时间目录正交化单一数字评估指标满足和优化指标(SatisficingandOptimizingMetrics)正交化搭建建立机器学习系统的挑战之一是，你可以尝试和改变的东西太多太多了。包括，比如说，有那么多的超参数可以调。我留意到，那些效率很高的机器学习专家有个特点，他们思维清晰，对于要调整什么来达到某

青竹aaa·2023-01-26 08:27

深度学习理论总结（1）

本系列内容是在楼主学习吴恩达老师的深度学习课程后进行的总结，使用的程序软件为python。如有纰漏还请各位大佬指出，我将虚心接受。

殇银·2023-01-26 03:12

《机器学习-吴恩达》课程笔记week8

目录ClusteringK-MeansAlgorithmOptimizationObjectiveRandomInitializationChoosingtheNumberofClustersMotivationMotivationI&II：DataCompressionPrincipalComponentAnalysisPrincipalComponentAnalysisProblemFormu

SofiaT·2023-01-25 14:30

深度学习课程笔记（一）CNN 卷积神经网络

a1424262219·2023-01-25 11:01

2019吴恩达机器学习课程笔记——week1——1.Introduction

2019吴恩达机器学习课程笔记——week1——1.Introduction一、WhatisMachineLearning?

weixin_30907523·2023-01-24 16:44

吴恩达机器学习13-聚类

吴恩达机器学习13-聚类1.无监督学习样本不带标记在监督学习中，数据有一系列标签，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，数据没有附带任何标签。

小y同学在学习·2023-01-24 15:12

吴恩达机器学习课后作业——异常检测和推荐系统（协同过滤算法）

Anomalydetection（异常检测）一、作业内容在本练习中，我们将使用高斯模型实现异常检测算法，并将其应用于检测网络上的故障服务器。在这个练习中，您将实现一个异常检测算法来检测服务器计算机中的异常行为。这些特性测量每个服务器的响应的吞吐量(mb/s)和延迟(ms)。当服务器运行时，您收集了m=307个关于它们行为的示例，因此有一个未标记的数据集[z(1)，.，(m)]。您怀疑这些示例中的绝

荭凯·2023-01-24 15:11

吴恩达机器学习[14]-无监督学习之 K均值聚类算法

机器学习系统设计无监督学习unsupervisedlearningK-Means算法K-Meansalgorithm优化目标Optimizationobjective随机初始化randominitialization选取聚类数量性能度量扩充-原型聚类无监督学习unsupervisedlearning类型定义差异监督学习给定一些带标签的数据，用假设函数去拟合它，寻找能够区分正样本和负样本的决策边界1

踏归1234·2023-01-24 15:08

吴恩达机器学习系列五(聚类和降维)

吴恩达机器学习系列五聚类（Clustering）无监督学习K-均值算法优化目标随机初始化选择聚类数降维（DimensionalityReduction）动机一：数据压缩动机二：数据可视化主成分分析问题主成分分析算法选择主成分的数量重建的压缩表示主成分分析法的应用建议聚类

酸菜鱼_2323·2023-01-24 15:37

吴恩达机器学习 2022新版

2022吴恩达机器学习第一周一.机器学习的定义二.机器学习的分类2.1.监督学习【回归算法】【分类算法】三.lossfunction3.1.损失函数公式四.梯度下降4.1.梯度下降算法4.2.理解梯度下降

X'- Shirley. X·2023-01-24 15:35

【2022吴恩达

机器学习（聚类和异常检测）无监督学习--聚类监督学习中，数据集包括输入x和目标输出y无监督学习中，得到一个只有输入x的数据集，但没有目标标签yK-means聚类假设黄点是数据，我们需要把黄点用k-means分为两类。第一步是（将点分配给簇质心）随机设置中心位置，然后遍历所有的样本，把每一个黄点分配给最近的中心。红叉和蓝叉就是我们设置的两个中心。第二步是（移动簇质心）遍历所有的红点，然后对他们取平均

lucky_08·2023-01-24 15:33

【CV】吴恩达机器学习课程笔记第18章

本系列文章如果没有特殊说明，正文内容均解释的是文字上方的图片机器学习|Coursera吴恩达机器学习系列课程_bilibili目录18应用案例：照片OCR18-1问题描述与流程(pipeline)18-

Fannnnf·2023-01-24 11:07

吴恩达深度学习Day1

神经网络（neuralnetwork）：不论何种类型的人工神经网络，它们共同的特点是，大规模并行处理，分布式存储，弹性拓扑，高度冗余和非线性运算；而具有很髙的运算速度，很强的联想能力，很强的适应性，很强的容错能力和自组织能力。对每个输出需求（每个不同输入的输出）设定一个特定的人工神经元（功能模型），然后每个第一层的神经元的输出（可以看成新的特征）再输入到下一层的神经元；神经网络可以自己计算出它想要

Tezzz·2023-01-23 19:56

吴恩达机器学习Day5

逻辑回归的梯度下降：对w和b求偏导结果与线性回归是相似的（神奇）；但事实上并不一样：训练逻辑回归模型：sklearn函数过拟合（overfitting）：即使非常适合训练集但也因为太适合数据，因此是过拟合（高方差）；这个模型不具有泛化到新样本的能力；欠拟合（高偏差）；适中（泛化）；解决过拟合：①更多的训练数据；②是否可以使用更少的特征；③使用正则化来减小参数的大小（better）；线性回归正则化：

Tezzz·2023-01-23 19:25

吴恩达机器学习笔记：手搓线性回归(梯度下降寻优)

吴恩达老师课程中使用一个参数theta保存两个变量，不过我好像没把中间变量的形状对齐，所以最后实现了两个参数的版本。

七月是你的谎言..·2023-01-23 15:11

吴恩达【深度学习】笔记01——向量化、For循环及Python中的Broadcasting

向量化是非常基础的去除代码中for循环的艺术，在深度学习安全领域、深度学习实践中，你会经常发现自己训练大数据集，因为深度学习算法处理大数据集效果很棒，所以代码的运行速度非常重要。否则在数据集很大时，代码需要花费很长时间去处理。在深度学习领域，运行向量化是一个关键的技巧。文章目录1.向量化2.向量化实现3.非向量化实现4.python中的广播5.补充：关于numpy中向量的说明1.向量化举一个例子说

美式咖啡不加糖x·2023-01-23 15:10

python向量化与循环计算内积、外积速度对比

上吴恩达老师的课，介绍了python中向量化操作的速度和for循环的速度不是一个量级，故通过实验进行直观体会：实验环境：windows10python3.7jupyterimportnumpyasnpimporttime

七月是你的谎言..·2023-01-23 15:09

李宏毅深度学习课程Spring2022作业1

文章目录目标任务描述数据评价标准Kaggle-Submission作业simplebaseline：1)Downloaddata2)Importpackages3）SomeUtilityFunction4）DatasetNeuralNetworkModelFeatureSelection(划分训练集、测试集、验证集的x、y)TrainingLoopConfigurationsDataloaderS

闪闪发亮的小星星·2023-01-23 11:07

吴恩达《深度学习-序列模型》3 -- 序列模型和注意力机制

1.Basicmodel基础模型例如将法语翻译成英语：首先将法语单词逐个输入到CNN，这部分称为encodernetwork，然后一次输出一个英语单词，这部分称为decodernetwork。CNN结合RNN解读图片内容，如上图输入一副图像，生成一句描述图像的句子。2.Pickingthemostlikelysentence最优句子如图，是语言模型和机器翻译的流程对比，可以发现语言模型和机器翻译的

寻梦梦飞扬·2023-01-22 08:52

门控循环单元-GRU单元（Gated Recurrent Unit）

来源：Coursera吴恩达深度学习课程接下来我们将会学习门控循环单元（GatedRecurrentUnit），它改变了RNN的隐藏层，使其可以更好地捕捉深层连接，并改善了梯度消失问题，让我们看一看。

双木的木·2023-01-22 07:25

吴恩达机器学习打卡day5

本系列文档按课程视频的章节（P+第几集）进行分类，记录了学习时的一些知识点，方便自己复习。课程视频P43——非线性假设图1表示当变量特别多，比如在计算机视觉图像识别上，就算是50x50的一小块区域就包含2500个像素，每个像素算做一个变量，按灰度计算每个像素就有255个颜色，如果按RGB来计算每个像素就有7500个颜色，如此以来总的特征就超过了3million个，因此用线性方式表示就不合适了，会导

学吧学无止境·2023-01-21 21:32

吴恩达机器学习打卡day4

本系列文档按课程视频的章节（P+第几集）进行分类，记录了学习时的一些知识点，方便自己复习。课程视频P32——分类图1表示最基础的分类原理，当类别只有0，1两种情况时，以0.5为阈值（threshold，当hθ(x)h_{\theta}(x)hθ(x)超过0.5时，就判定为1，否则为0。图1 但是这种方式过于“一刀切”，如图2，当出现一个很横坐标hθ(x)h_{\theta}(x)hθ(x)很大的数

学吧学无止境·2023-01-21 21:31

吴恩达机器学习打卡day9

本系列文档按课程视频的章节（P+第几集）进行分类，记录了学习时的一些知识点，方便自己复习。课程视频P83—主成分分析构思PCA(PrincipalComponentAnalysisProblemFormulation)线性回归和PCA的最优模型都是最小化某个值，只是线性回归最小化预测值和真实值之间的误差，而PCA最小化投影误差。PCA三维和PCA二维原理相同，都是最小化投影误差。图1 图2 课程视

学吧学无止境·2023-01-21 21:01

吴恩达机器学习打卡day3

本系列文档按课程视频的章节（P+第几集）进行分类，记录了学习时的一些知识点，方便自己复习。课程视频P22图1表示使用了不同次数的变量在此情形下，若要使用梯度下降法，则需要先对数据进行特征缩放，不然没有可操作性。图1 图2使用不同的函数来代表房价预测曲线。图2 课程视频P23——正规方程图3形象的展示了梯度下降法求解代价函数最小值到最后的情况，对于普通的一元二次函数，通过求导、令式子等于0

学吧学无止境·2023-01-21 21:31

吴恩达机器学习打卡day2

本系列文档按课程视频的章节（P+第几集）进行分类，记录了学习时的一些知识点，方便自己复习。课程视频P11图1表示了梯度下降方法和线性回归模型，而我们要做的就是把它俩结合起来，用梯度下降法来使这个线性回归模型达到最小值。画红线的部分为偏导数，是重点要讨论的部分，在下一张图展开。图1 图2将梯度下降法中的偏导函数的求解分步展开写了出来。图2 图3形象的展示了梯度下降法的求解方式，在山顶不断地

学吧学无止境·2023-01-21 21:31

吴恩达机器学习 day02单变量线性回归

01模型描述为了更好的描述监督学习问题，需要给出训练集并以此构建一个模型。下面先学习几个符号：m:代表的是训练集有几个x:代表的是输入的特征y:代表的是输出，也就是预测的目标变量h:代表假设函数，引导从x得到y的函数02代价函数（平方误差函数）可以通过代价函数来衡量假设函数的准确性。代价函数取值越小，假设函数就越准确。代价函数有助于我们弄清楚如何把最有可能的直线与我们的数据相拟合。在线性回归中，我

念～旭·2023-01-21 21:01

吴恩达机器学习 day01初识机器学习

01监督学习监督学习是指我们给算法一个数据集，其中包含了正确的答案。算法的目的就是给出更多的正确答案。回归是指我们设法预测连续值的属性，可以应用在预测房子价格等方面。分类是指我们设法预测离散值的输出(0或1)，可以应用在判断账户是否被入侵等方面。02无监督学习无监督学习也会给一个数据集，但是数据集不包括正确答案(里面的数据要么都有相同的标签要么都没有标签)。无监督学习会将数据分为一个个不同的簇，这

念～旭·2023-01-21 21:30

吴恩达机器学习第三章作业答案 part1：多类别逻辑回归

importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltfromscipy.ioimportloadmatfromsklearn.metricsimportclassification_reportfromscipy.optimizeimportminimizedefsigmoid(z):return1/(1+np.exp(-z))#向

枸空·2023-01-21 21:30

吴恩达机器学习day10（聚类(Clustering)）

聚类一.无监督学习：应用：二.K-均值算法三.优化目标四.随机初始化五.选择聚类数一.无监督学习：聚类算法，非监督学习算法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：在这里我们有一系列点，却没

晨沉宸辰·2023-01-21 21:27

吴恩达机器学习day12（异常检测）

异常检测一.问题的动机二.高斯分布三.算法四.开发和评价一个异常监测系统五.异常检测与监督学习对比六.选择特征一.问题的动机什么是异常检测呢？为了解释这个概念，让我举一个例子吧：假想你是一个飞机引擎制造商，当你生产的飞机引擎从生产线上流出时，你需要进行QA(质量控制测试)，而作为这个测试的一部分，你测量了飞机引擎的一些特征变量，比如引擎运转时产生的热量，或者引擎的振动等等。这样一来，你就有了一个数

晨沉宸辰·2023-01-21 21:27

吴恩达机器学习day13（推荐系统(Recommender Systems)）

晨沉宸辰·2023-01-21 21:27

推荐频道

深度学习课程——吴恩达

吴恩达机器学习：神经网络 | 多分类问题

吴恩达机器学习课后作业5——怎么通过观察偏差和方差（bias vs variance）来调参

吴恩达机器学习课程笔记+代码实现(18)Python实现正则化的线性回归和偏差/方差(Programming Exercise 5)

#吴恩达· 机器学习笔记（④ 多元梯度下降及正规方程）

吴恩达深度学习（笔记+作业）·第四课·第一周 卷积神经网络

机器学习--神经网络算法系列--BackPropagation算法

2022年10月我的观察记录

AI人物--吴恩达

吴恩达机器学习笔记（自己学的过程进行记录）

吴恩达深度学习笔记.PDF

吴恩达NLP课程资料

深度学习教程 | 吴恩达专项课程 · 全套笔记解读

监督学习-线性回归（数学建模）

基于Octave/Matlab的二元逻辑回归（logistic regression）算法

2022年智源社区年度热点推荐丨新春集锦

机器学习前向传播，反向传播

值得收藏，这份机器学习算法资料着实太香

2020-6-28 吴恩达DL学习-C3结构化ML项目-w1 ML策略1(1.3 单一数字评估指标，查准率/查全率/F1分数)

吴恩达神经网络和深度学习-学习笔记-19-机器学习策略（正交化+单一数字评估指标）

吴恩达深度学习：正交化、单一数字评估、满足优化指标

深度学习理论总结（1）

《机器学习-吴恩达》课程笔记week8

深度学习课程笔记（一）CNN 卷积神经网络

2019吴恩达机器学习课程笔记——week1——1.Introduction

吴恩达机器学习13-聚类

吴恩达机器学习课后作业——异常检测和推荐系统（协同过滤算法）

吴恩达机器学习[14]-无监督学习之 K均值聚类算法

吴恩达机器学习系列五(聚类和降维)

吴恩达机器学习 2022新版

【2022吴恩达

【CV】吴恩达机器学习课程笔记第18章

吴恩达深度学习Day1

吴恩达机器学习Day5

吴恩达机器学习笔记：手搓线性回归(梯度下降寻优)

吴恩达【深度学习】笔记01——向量化、For循环及Python中的Broadcasting

python向量化与循环计算内积、外积速度对比

李宏毅深度学习课程Spring2022作业1

吴恩达《深度学习-序列模型》3 -- 序列模型和注意力机制

门控循环单元-GRU单元（Gated Recurrent Unit）

吴恩达机器学习打卡day5

吴恩达机器学习打卡day4

吴恩达机器学习打卡day9

吴恩达机器学习打卡day3

吴恩达机器学习打卡day2

吴恩达机器学习 day02单变量线性回归

吴恩达机器学习 day01初识机器学习

吴恩达机器学习第三章作业答案 part1：多类别逻辑回归

吴恩达机器学习day10（聚类(Clustering)）

吴恩达机器学习day12（异常检测）

吴恩达机器学习day13（推荐系统(Recommender Systems)）

吴恩达深度学习（笔记+作业）·第四课·第一周卷积神经网络