CS229-吴恩达机器学习笔记

传统机器学习-正则化(吴恩达机器学习笔记)

解决过拟合的方法1、减少特征数，降噪人工挑选留下的特征模型选择算法，降低模型复杂度2、正则化会保留所有的特征，但是会控制每一个参数的幅度（参数值较小意味着一个更简单的假设模型。参数值越小，曲线越平滑）。该方法在面对特征很多，且每个特征对预测都会有些影响的时候效果不错。增加样本数使用验证集（防止测试集过拟合）线性回归的正则化模型定义不变：损失函数：加上正则化项，防止系数过大（为了能够尽量减小与样本的
一杯敬朝阳一杯敬月光·2020-06-26 04:06

传统机器学习-线性回归(吴恩达机器学习笔记)

目录模型的定义损失函数参数的求解梯度法正规方程解模型的定义将m个样本，n个特征的训练集表示为:对于线性回归，我们假设（为了方便起见，我们令）其中是待学习的参数，即是我们取的n个特征，其中第一项,即是表示截距。损失函数其中，，目标是找到一组参数，使得预测值和真实值之间的差距最小，即要求一组参数使得损失函数最小。参数的求解梯度法偏导数,参数的更新梯度下降法的执行过程GradientdescentRep
一杯敬朝阳一杯敬月光·2020-06-26 04:05

吴恩达机器学习笔记之机器学习基础（内含机器学习路线、机器学习资源）

这里小编简单的罗列出一些本人刚开始着手于机器学习时候的小问题，并将小编了解到的答案采用问答的方式给读者进行解释，本文也可以用做感兴趣的读者作为科普使用，如果答案有误，欢迎评论。先声明，小编也只是一个刚入门的小菜鸡。Q：什么是机器学习？A：简单来讲，机器学习就是将无序的数据转换成有用的信息。Q：机器学习都有哪些应用？A：简单列举几个：人脸识别，手写数字识别，垃圾邮件过滤，你逛某宝时的推荐系统，搜索引
佰无一用是书生·2020-06-26 03:23

有人将吴恩达的视频课程做成了文字版 机器学习入门首推资料--吴恩达机器学习笔记分享

1、前言谈到机器学习和深度学习如何入门？相信很多人都会推荐吴恩达的在线课程。但是肯定有很多小伙伴会觉得如果配套一份笔记就完美了，既可以直接做笔记，也便于后期复习，可谓事半功倍。然后，就有了黄海广博士为首的一群机器学习爱好者发起了一个公益性质的项目：吴恩达机器学习和深度学习课程的字幕翻译以及笔记整理。去年这个时候我自己也是无意中看到了黄海广博士分享的资料，当时是机器学习+深度学习两份笔记，我虽然两本
StrongerTang·2020-06-25 20:56

吴恩达机器学习笔记

吴恩达机器学习笔记神经网络方面的一个巨大突破是从sigmoid函数转换到一个ReLU函数机器学习无监督学习监督学习分类回归单变量线性回归(LinearRegressionwithOneVariable)
贱小杜·2020-06-25 19:15

吴恩达机器学习笔记二之多变量线性回归

本节目录：多维特征多变量梯度下降特征缩放学习率正规方程1.多维特征含有多个变量的模型，模型中的特征为（x1,x2,…xn），比如对房价模型增加多个特征这里，n代表特征的数量，x(i)代表第i个训练实例，是特征矩阵中的第i行，是一个向量。2多变量梯度下降多变量线性回归中，代价函数是所有建模误差的平方和，即：我们开始随机选择一系列参数值，计算所有预测结果，再给所有参数一个新值，如此循环直到收敛。3特征
luky_yu·2020-06-25 15:17

【吴恩达机器学习笔记】第六章 逻辑回归

搜索微信公众号:‘AI-ming3526’或者’计算机视觉这件小事’获取更多人工智能、机器学习干货csdn：https://blog.csdn.net/qq_36645271github：https://github.com/aimi-cn/AILearners第六章逻辑回归6.1分类问题6.1.1分类的例子在分类问题中，我们要预测的变量yyy是离散的值，并尝试预测的是结果是否属于某一个类（例如正
Jermiane·2020-06-25 11:27

【吴恩达机器学习笔记】第一章 绪论：初识机器学习

搜索微信公众号:‘AI-ming3526’或者’计算机视觉这件小事’获取更多人工智能、机器学习干货csdn：https://blog.csdn.net/qq_36645271github：https://github.com/aimi-cn/AILearners写在前面吴恩达老师(AndrewNg)的机器学习课程是Coursera上的第一门课程，也是他的经典之作。这门课程从2011年上线到2017
Jermiane·2020-06-25 11:56

吴恩达机器学习笔记（八）神经网络的反向传播算法

吴恩达机器学习笔记（八）神经网络的反向传播算法一、代价函数（CostFunction）二、反向传播算法（BackPropagationAlgorithm）三、理解反向传播（BackPropagationIntuition
AngelaOrange·2020-06-25 09:38

吴恩达机器学习笔记（一）初识机器学习

吴恩达机器学习笔记（一）初识机器学习一、什么是机器学习二、监督学习（SupervisedLearning）2.1回归问题（RegressionProbblem）2.2分类问题（ClassificationProbblem
AngelaOrange·2020-06-25 09:36

吴恩达机器学习笔记（十七）-大规模机器学习

第十八章大规模机器学习学习大数据集这一章中将讲述能够处理海量数据的算法。思考：为什么要使用海量数据集呢？要知道获取高性能的机器学习系统途径是采用低偏差的学习算法，并用大数据进行训练。这里拿之前提到过的易混淆词来举例，ForbreakfastIate__eggs，这里填two，而非too或者to，从下面的图中可以明确，只要使用大数据对算法进行训练，它的效果似乎会更好。从这样的结果可以得出，在机器学习
献世online·2020-06-25 08:01

吴恩达机器学习笔记（一）之梯度下降和线性回归

文章目录MachineLearning一、介绍1.1机器学习的概念1.2分类1.2.1监督学习1.2.2无监督学习（UnsupervisedLearning）2ModelandCostFunction2.1模型表示2.2代价函数（CostFunction）2.2.1代价函数的直观理解12.2.2代价函数的直观理解22.3梯度下降（Gradientdescent）2.3.1概念2.3.2梯度下降的直
Chen丶YiDA·2020-06-25 04:42

吴恩达机器学习笔记（3）——多变量线性回归及多元梯度下降算法

1.LinearRegressionwithMultipleVariables简单来说，多元线性回归就是把前述的输入变量规模扩大，增加更多的自变量。下面是一些符号的含义：那么相应的来看，多变量的假设函数（HypothesisFunction）有如下形式：其矩阵（向量化）乘法形式的表示方法如下：这里有一点就是对每一个数据集来说，其x0都是恒为1的，与θ0相乘之后就是常数项θ0，这里Coursera里
不跑步就等肥·2020-06-24 18:18

吴恩达机器学习笔记_第一周

毕业论文方向可能和神经网络挂钩，神经网络也是机器学习的一部分。从这周开始决定跟着AndrewNg公开课系统地学习机器学习，4/4日开课，第一周为试听，今天先看了。以后每周更新一下。的确感觉讲的不错，形式平易近人。//分割线-----------------------------------------------------------------------------------------
hunterlew·2020-06-23 16:11

吴恩达机器学习笔记-多元线性回归

之前的文章中已经讲述了简单的一元线性回归的基础知识，现在我们来继续讨论多元线性回归。本文针对吴恩达机器学习第二周课程多元线性回归部分。假设函数所谓多元线性回归正如其名字一样，就是说这里的变量是多个的，下面介绍一下如何表示含有多个变量情况下的假设函数：之前的一元线性回归中有变量表示i个训练样本的特征值，现在由于有多个变量，因此我们用表示第i个训练样本的特征j的值，用表示第i个训练样本的所有特征，m表
Carey_Wu·2020-06-22 17:53

吴恩达机器学习笔记（九） —— 异常检测(Anomaly detection)

主要内容：一.模型介绍二.算法过程三.算法性能评估及ε(threshold)的选择四.AnomalydetectionvsSupervisedlearning五.MultivariateGaussian一.模型介绍如何检测一个成品是否异常？假设红交叉表示正常的样本点，如果抽取到的成品其位于正常样本点的范围之内，则可认为其正常；如果成品的位置远离正常样本点，则可认为其出现异常。为了更加明确“正常样本
alince20008·2020-06-22 13:33

吴恩达深度学习笔记（一） —— 神经网络简介

相关博客：吴恩达机器学习笔记（四）——BP神经网络（里面出现的内容，下面将不再重复）主要内容：一.单个样本向量化二.多个样本向量化三.激活函数及其导数四.随机初始化五.深层神经网络的前向与反向传播六.参数和超参数一
alince20008·2020-06-22 13:33

吴恩达机器学习笔记

网易云课堂地址：https://study.163.com/course/courseMain.htm?courseId=1004570029字幕组干的还算不错！Chapter1：绪论支持向量机－>支持无限维度的特征无监督学习之鸡尾酒算法？“鸡尾酒会问题”（cocktailpartyproblem）是在计算机语音识别领域的一个问题，当前语音识别技术已经可以以较高精度识别一个人所讲的话，但是当说话的
AndrewZhou924·2020-06-22 07:45

吴恩达机器学习笔记2——初识机器学习

第1章初识机器学习1,welcome，举了一些实例2,introducewhatismachinelearning.3,监督学习（supervisedlearning）：通过算法对一些离散的数据进行监督，与无监督算法的区别是，监督算法是在确定知道数据集每一个是否正确的情况下。通常有回归问题(regressionproblem)和分类问题(classificationproblem)。回归问题，数据
Margo_Zhang·2020-06-22 01:40

吴恩达机器学习笔记1——学习资源整合

资源地址：https://study.163.com/course/courseLearn.htm?courseId=1004570029#/learn/video?lessonId=1049049771&courseId=1004570029感谢有吴恩达这样乐于分享的前沿科学家，让我们在学习前沿科技的道路上事半功倍。学习起源：阅读了文章https://www.sohu.com/a/1645693
Margo_Zhang·2020-06-22 01:08

吴恩达机器学习笔记（01）——初识机器学习

吴恩达机器学习笔记（01）——初识机器学习为什么会写这份笔记？什么是机器学习机器学习常见的类型监督学习无监督学习为什么会写这份笔记？
Ivary98·2020-06-21 22:38

吴恩达机器学习笔记 001

吴恩达机器学习笔记文章目录吴恩达机器学习笔记基础概览当前分类基本模型确定参数方法1梯度下降法确定参数方法2正规方程法多元线性回归先看我：一些技巧featurescaling特征放缩meannormalization
CoolScript·2020-06-21 18:04

吴恩达机器学习笔记系列（一）——第一周练习题

一、reviewquestions1、第1个问题AcomputerprogramissaidtolearnfromexperienceEwithrespecttosometaskTandsomeperformancemeasurePifitsperformanceonT,asmeasuredbyP,improveswithexperienceE.Supposewefeedalearningalgo
木女Dawn·2020-06-21 07:55

机器学习汇总

传统机器学习-线性回归(吴恩达机器学习笔记)https://blog.csdn.net/qq_xuanshuang/article/details/104309226传统机器学习-Logistic回归(
一杯敬朝阳一杯敬月光·2020-06-21 06:37

吴恩达机器学习笔记（2）——多变量线性回归

上一篇我们提到了单变量的线性回归模型，但是我们实际遇到的问题，都会有多个变量影响，比如上篇的例子——房价问题，在实际情况下影响房价的一定不止房子的面积，房子的地理位置，采光度等等都会或多或少的影响房价，所以必须考虑更多变量来使我们的预测模型更加精确，这里就教大家多变量的线性回归模型。例题我们这次的例题还是用我们上次单变量线性回归模型一样的问题——房价问题，但是我们这次添加了房间数，房子所在楼层数，
机智的神棍酱·2020-04-07 20:01

吴恩达机器学习笔记-梯度下降

通过前面的文章我们现在已经有了假设函数并知道如何度量这个函数与数据的符合程度，即代价函数取得最小值。那么现在要做的，就是如何去预估这个假设函数的参数来使得我们的函数更加符合实际数据。如下图是代价函数的图像，x轴为,y轴为,z轴为。我们知道，要取得代价函数最小值那就是这个函数图像的最底部的值。如图我们需要一步步的移动直到找到最底部的那个点。要求的这个最小值，我们需要对代价函数求导，由于切线的斜率即是
Carey_Wu·2020-04-06 11:34

吴恩达机器学习笔记-非监督学习

聚类之前的课程中我们学习的都是监督学习相关的算法，现在来开始看非监督学习。非监督学习相对于监督非学习来看，其使用的是未标记的训练集而监督学习的是标记的训练集。换句话说，我们不知道向量y的预期结果，仅仅只是拥有一个可以找到结构的特征的集合。其中一种可能的结构是，所有的数据可以大致地划分成两组，这种划分的算法称为聚类算法。这是我们第一种无监督学习算法。在很多场景下我们会使用聚类的方式来解决非监督学习问
Carey_Wu·2020-03-23 15:28

吴恩达机器学习笔记——单变量线性回归

理解了一些以前不懂的概念：最优解：以前知道目标是得到最低点，但“什么”的最低点还不清楚。现在知道，最低点是cost的最低。看热力图，该热力图是三维的。设θ0：x，θ1：y，cost：为z。θ就是权重，当权重θ为某值时，令cost最小。梯度下降：这个求偏导以前求过，没求对。又算了一次，下面是对的。注意这里的x才是常量，θ才是变量。
rosesor·2020-03-12 17:29

机器学习丨《机器学习》、《统计学习方法》思维导图

学习资源公开课入门机器学习-吴恩达进阶CS229-吴恩达DS-GA1003机器学习基石-林轩田机器学习技法-林轩田书入门AnIntroductiontoStatisticalLearning《统计学习方法
vincent1997·2020-02-04 14:00

吴恩达机器学习笔记-神经网络的代价函数和反向传播算法

代价函数在神经网络中，我们需要定义一些新的参数来表示代价函数。L=totalnumberoflayersinthenetwork=numberofunits(notcountingbiasunit)inlayerlK=numberofoutputunits/classes在上一章的神经网络的介绍中，我们有多个输出的节点。这里我们定义来表示第k个输出结果。神经网络的代价函数应当和之前说过的Logis
Carey_Wu·2019-11-08 20:15

吴恩达机器学习笔记-支持向量机(Support Vector Machines)

与逻辑回归和神经网络相比，支持向量机，或者简称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。它也是我们所介绍的最后一个监督学习算法。为了描述支持向量机，事实上，我将会从逻辑回归开始展示我们如何一点一点修改来得到本质上的支持向量机。在逻辑回归中我们已经熟悉了这里的假设函数形式，和右边的S型激励函数。当y=1时，我们得到，如上图左下所示，当z增大时其对应的值会变得非常小。现在开始
_4444yl·2019-09-26 18:10

吴恩达机器学习笔记(六)——支持向量机

支持向量机1概述支持向量机（SupportVectorMachine,SVM）是一类按监督学习（supervisedlearning）方式对数据进行二元分类的广义线性分类器（generalizedlinearclassifier），其决策边界是对学习样本求解的最大边距超平面（maximum-marginhyperplane）。以逻辑回归为起点得到支持向量机。2代价函数代价函数的主体由log函数变成
tedist·2019-08-21 20:04

笔记 :归纳总结 (一)

文章目录资料分割线分割线特征工程损失函数目标检测传统目标检测R-CNNSPPNetFastR-CNN数据结构与算法资料决策边界（decisionboundary）logistic回归，以及决策边界与回归的区别吴恩达机器学习笔记
chen_holy·2019-08-21 09:37

吴恩达机器学习笔记-神经网络参数的反向传播算法（七）

神经网络参数的反向传播算法在后面的内容中，主要会讲神经网络在分类问题中的应用代价函数在上面的神经网络中，存在有m个训练集；这里使用L来表示神经网络的层数，在上面的这个神经网络中间，L=4；最后使用S_L来表示在L层的单元数（即神经元个数，在这中间并不包含偏差单元），这里就能够知道S_4=S_L=4在分类问题中，可以分成两类：二元分类、多类别分类二元分类：最后的值只能为0或者1，输出单元只有一个（就
Escid·2019-06-24 09:25

吴恩达机器学习笔记-神经网络学习（六）

神经网络学习非线性假设在前面的课程中，我们了解到了使用逻辑回归的方法对数据进行二分类，在特征仅仅存在两个类别的时候，通常是一个不错的选择，但是现实情况下，对于分类的问题大多都是大于2个特征的，此时是否也是可以使用前面所讲的逻辑回归方法呢？例如：对于不同的房子，我们收集上来可能存在有100个特征，预测这些房子在未来的5年时间里被卖掉的概率对于上面这样的问题，如果我们使用逻辑回归的方式进行处理，首先将
Escid·2019-06-23 16:42

吴恩达机器学习笔记-正则化（五）

正则化过拟合问题这里我们举例说房价相关的问题，如下图所示对于房价的预测，我们知道房屋的面积在增大的同时，其房价本身是趋于平缓的，此时使用一个直线拟合这样一个房价的信息显然是不合理的，此时拟合出来的数据会造成欠拟合；同样，如果按照图三的内容进行构图，曲线尽可能的经过了每一个点，这样的情况则会造成过拟合对于一个函数，它应该具备能够应用到新数据上，如果是过拟合的状态下，这样的数据并不能很好的适应于新的数
Escid·2019-06-23 12:20

吴恩达机器学习笔记-多变量线性回归（三）

多变量线性回归多功能在前面的章节中间，我们了解到的就是仅仅一个变量影响一个结果的情况，但是现实情况下，一个结果可能是由多个不同的因素影响的，例如房屋的价格，并不仅仅与房屋的面积相关，还可能与其他的因素相关在上图中，我们能够看到影响的因素features的n=4，中间对于不同的数据存在不同的表达方式对于上面这样的情况，就不能简单的使用前面讲到的h方程进行计算了，如下所示可以发现，此时多了更多的the
Escid·2019-06-17 21:51

吴恩达机器学习笔记-线性代数回顾（二）

线性代数回顾矩阵矩阵是由数字组成的矩形阵列，写在方括号中对于上面的左右两个矩阵，我们能够将其分别写成4x2（4行2列）的矩阵和2x3（2行3列）的矩阵给定了一个矩阵之后，如果想要表示中间某一个具体的值，使用如下的方式进行表示向量向量是只有一列的矩阵上图通常我们也称其为4维的向量，同样如果想要获取这个向量中间不同的值，可以使用如下的方式加法对于矩阵的加法，需要注意只有相同矩阵才能进行相加，并且结果也
Escid·2019-06-17 21:18

吴恩达机器学习笔记-单变量线性回归（一）

单变量线性回归模型描述首先最开始，引入的就是单变量的线性回归，对于一组训练数据，我们希望通过一条直线能够将这些数据进行一个拟合如上，我们希望通过这条直线进行拟合我们给定一组训练集，进行一些数据的准备之后，形成一个假设函数h，之后通过这个函数就能够去预测一些新给定的值，对于这个函数就是上图右边的这个方程（表示的即为一条直线）代价函数上面我们仅仅是给定了一个直线方程的模型，如果想要得到一个确定的方程，
Escid·2019-06-17 20:47

【吴恩达机器学习笔记】第四章 多变量线性回归

搜索微信公众号:‘AI-ming3526’或者’计算机视觉这件小事’获取更多人工智能、机器学习干货csdn：https://blog.csdn.net/qq_36645271github：https://github.com/aimi-cn/AILearners第四章多变量线性回归4.1多维特征在之前的章节中，我们学习了单变量线性回归，及模型中只包含一个变量（特征）。但是我们清楚，在使用机器学习算
Jermiane·2019-05-14 19:35

吴恩达机器学习笔记--Matlab commands

MatlabCommands文章目录Howtoloaddata?HowtocheckthevariablesandtheirinfoinmyMatlabworkspace?Howdowesavedata?howtoindexanelementinamatrix?ThenwhatifwewanttogetthefirstandthethirdrowofA?Howcanwemakeanassignme
天凉好个秋zero·2019-05-03 07:03

吴恩达机器学习笔记61-应用实例：图片文字识别(Application Example: Photo OCR)【完结】...

最后一章内容，主要是OCR的实例，很多都是和经验或者实际应用有关；看完了，总之，善始善终，继续加油！！一、图像识别（店名识别）的步骤：图像文字识别应用所作的事是，从一张给定的图片中识别文字。这比从一份扫描文档中识别文字要复杂的多。为了完成这样的工作，需要采取如下步骤：1.文字侦测（Textdetection）——将图片上的文字与其他环境对象分离开来2.字符切分（Charactersegmentat
weixin_33805992·2019-03-30 23:00

个人机器学习笔记之PCA降维

吴恩达机器学习笔记（7）——PCA降维机器学习个人笔记，学习中水平有限，内容如有缺漏欢迎指正。
ardepomy·2019-03-24 00:00

吴恩达机器学习笔记 001

吴恩达机器学习笔记文章目录吴恩达机器学习笔记基础概览当前分类基本模型确定参数方法1梯度下降法确定参数方法2正规方程法多元线性回归先看我：一些技巧featurescaling特征放缩meannormalization
CoolScript·2019-03-21 21:38

个人机器学习笔记之神经网络

吴恩达机器学习笔记（6）——神经网络机器学习个人笔记，学习中水平有限，内容如有缺漏欢迎指正。
ardepomy·2019-03-03 00:00

吴恩达机器学习笔记：Week1

入门ML定义：一个电脑程序被认为能从经验E中学习解决任务T达到性能度量值P，当且仅当，有了经验E，经过P的评判后，处理任务T的性能得到了提升学会区分任务T经验E表现PExample:playingcheckers.E=theexperienceofplayingmanygamesofcheckersT=thetaskofplayingcheckers.P=theprobabilitythatthe
Mereder·2019-02-24 17:05

吴恩达机器学习笔记之支持向量机

优化目标（OptimizationObjective）：SupportVectorMachines（SVMs）支持向量机是一种非常强大的算法，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。我们首先从优化目标开始一步一步认识SVMs，首先从逻辑回归的优化目标开始：下图是逻辑回归中的假设函数-sigmoid函数，我们已经清楚的知道逻辑回归的优化目标，下图表示的为一个样本对于总体优化目标的
iblue_coffee·2019-02-22 19:23

吴恩达机器学习笔记之神经网络参数的反向传播算法

代价函数：回顾LogisticRegression中的代价函数为：神经网络的代价函数的基本思想与逻辑回归是一样的，但是形式上有一些差别：L表示神经网络的层数，sl表示l层神经网中的神经元的个数，K表示输出层的神经元的个数；正则项的计算包含了每一个激活单元。反向传播算法：为了计算代价函数的偏导数，我们需要采用一种反向传播算法，它的目的是为了最小化我们的代价函数，即先计算最后一层的误差，然后在向前一层
iblue_coffee·2019-02-19 10:59

吴恩达机器学习笔记（五）--多变量线性回归

吴恩达机器学习笔记（五）–多变量线性回归学习基于：吴恩达机器学习.1.MultipleFeaturesLinearregressionwithmultiplevariablesisalsoknownas
comajor·2019-02-15 16:14

吴恩达机器学习笔记（四）--MATLAB&Octave的配置

吴恩达机器学习笔记（四）–MATLAB&Octave的配置学习基于：吴恩达机器学习.1.InstallingMATLABMATLABisproprietarysoftwarebutafree,limitedlicenseisbeingofferedforthecompletionofthiscourse.MathWorksisprovidingyouaccesstoMATLABforuseinyo
comajor·2019-02-15 10:46
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他