Coursera机器学习笔记第12页

Mac 上导出 coursera 课程内容

事先声明：不鼓励盗版用于非法用途，仅做本地留存使用本文仅针对下述方法中描述不清楚的内容进行补充说明，参考：https://blog.csdn.net/qq_43065278/article/details/118784879image.pngimage.png可以用TextEdit创建一个txt文件并保存到想要下载课程的文件夹中更改txt格式为conf的时候需要确保文件的后缀真的改为了「.conf

北北的成长日记·2023-04-17 07:11

《学习科学与技术》11.13晚课

慕课网站IDEXwww.coursera.org斯坦福创造了硅谷，产学研相结合是未来大学的办学模式，海涛老师的办学模式与之类似。

会讲课的小松鼠·2023-04-17 02:18

机器学习笔记 c#调用python脚本文件进行模型推理

一、简述很多的基于python的深度学习的库或者框架，不只是进行推理，还包含推理前的图像预处理和推理后的数据解析的程序。所以在使用的时候如果不基于python使用，那就还需要很多额外工作，还需要自行编写代码处理推理前的图像处理和推理后的数据解析等等。有的时候确实挺麻烦的，还是直接使用python更easy一点。但如果不是基于python的接口服务或者桌面应用等，就会涉及到跨语言调用的情况。下面说一

坐望云起·2023-04-16 01:10

二元分类 Cat and Dog

二元分类CatandDog数据来源Kaggle-CatandDoghttps://www.kaggle.com/tongpython/cat-and-dog讲解Coursera-ConvolutionalNeuralNetworksinTensorFlow-ExploringaLargerDataset-Trainingwiththecatsvs.dogsdataset

pokopiko·2023-04-15 23:52

机器学习-从入门到弃坑

学习路径1.基础入门吴老师（AndrewNg）的机器学习课程《Coursera上的机器学习课程》或者是《网易公开课上的机器学习课程》。

Zyaire·2023-04-15 15:15

算法工业界文本分类避坑指南

image.png公众号包包算法笔记，包包（包大人）的机器学习笔记，分享算法，机器学习，程序员，职场等算法工程师话题。背景说起文本分类，也算是一个老掉牙的话题，之前大家都喜欢琢磨模型。

ad110fe9ec46·2023-04-15 15:16

机器学习笔记之前馈神经网络(四)反向传播算法[数学推导过程]

机器学习笔记之前馈神经网络——反向传播算法[数学推导过程]引言回顾：感知机算法非线性问题与多层感知机反向传播算法(BackPropagation,BP\text{BackPropagation,BP}BackPropagation

静静的喝酒·2023-04-15 06:18

机器学习笔记之集成学习(二)Bagging与随机森林

机器学习笔记之集成学习——Bagging与随机森林引言回顾：偏差、方差、噪声自助采样法(BootstrappingSampling\text{BootstrappingSampling}BootstrappingSampling

静静的喝酒·2023-04-15 06:47

机器学习笔记之正则化(五)Dropout

机器学习笔记之正则化——Dropout引言引子：题目描述(正则化相关)正确答案：ABCD\mathcalA\mathcalB\mathcalC\mathcalDABCD题目解析回顾：集成学习方法：Bagging

静静的喝酒·2023-04-15 06:44

coursera视频无法播放的解决方法

当我注册好点开coursera的时候，发现视频无法刷新出来，根据论坛里的说法，是DNS污染。

六十年目裁判长亚玛萨那度·2023-04-14 00:15

笔记 | 普林斯顿公开课《比特币和数字货币技术》1.4

公开课地址：https://www.coursera.org/learn/cryptocurrency/home/welcome第一周：密码学和加密货币介绍章节1.4笔记：公钥作为身份（identity

hmisty·2023-04-13 22:57

Reinforcement Learning3

courserabyUniversityofAlbertaPredictionandControlwithFunctionApproximationweek11、ParameterizedFunctionsimage.png

oword·2023-04-13 18:57

2019-3-15晨间日记

晚上一点半任务清单昨日完成的任务，最重要的三件事：1.方案22.思维导图记忆法则实践3.陪宝宝读绘本改进：1.材料进一步整理2.在实践过程中加深理解3.宝宝在自己读的过程中更容易加深理解习惯养成：无周目标·完成进度Coursera0%

yesifeng·2023-04-13 01:05

机器学习笔记--1.6数据可视化

1.表与线性结构的可视化Python提供四种容器结构--list、dict、set、tuple来装载数据，其中线性结构有两种：list和tuple。由于tuple是只读结构，仅用于外部生成器生成的数据，所以最常用的线性结构就是list。importnumpyasnpimportmatplotlib.pyplotasplt#曲线数据加入噪声x=np.linspace(-5,5,200)y=np.si

CLBTH·2023-04-12 22:07

如何学习

课程地址：https://www.coursera.org/learn/learning-how-to-learn1、大脑分为专注模式和发散模式，学习应该在两种模式之间来回切换2、每天思考一点，搭建自己的神经网络

水手0913·2023-04-12 13:51

大话循环神经网络RNN、LSTM、GRU

对机器学习或深度学习不太熟的童鞋可以先康康这几篇哦：《无废话的机器学习笔记》《一文极速理解深

全栈O-Jay·2023-04-11 16:29

机器学习笔记 2 —— K 近邻法与 kd 树

文章目录1.理论部分1.1K近邻法1.2距离度量2.k近邻法的Python实现2.1数据集的预处理2.2模型构建2.3测试模型2.4scikit-learn3.kd树3.1构造平衡kd树算法3.2kd树的Python实现1.理论部分1.1K近邻法1．kkk近邻法是基本且简单的分类与回归方法。kkk近邻法的基本做法是：对给定的训练实例点和输入实例点，首先确定输入实例点的kkk个最近邻训练实例点，然后

我有两颗糖·2023-04-11 01:48

机器学习笔记（5）

【李宏毅机器学习任务五】负责人：王佳旭课程设计人：王佳旭学习打卡内容：推导LR损失函数(1)学习LR梯度下降(2)利用代码描述梯度下降(选做)(3)Softmax原理(4)softmax损失函数(5)softmax梯度下降(6)（1）推导LogisticRegression损失函数解释：上边注释变形的原因找到了，这样做形式转换的前提就是当为C1分类时，y=1，当为C2分类时，y=0，等式左右两边只

trying52·2023-04-10 19:53

谷歌AI课程学习心得

千方百计，在coursera上订阅了此课程。这几篇文章，记录学习过程，强迫自己反复思考消化。欢迎指正。图片来自网络，侵删。

EllaFeng·2023-04-10 01:38

机器学习笔记：GBDT的并行化训练

@作者:机器学习算法@迪吉老农最近使用GBDT时，想通过分布式进行训练，尝试了一些框架，但原理不太了解。有些东西与同事讨论后，也还不甚明了，于是专心看了一下文档，在此记录一下。1、分布式原理常用分布式训练方式，应该是参数服务器。worker把sample的统计结果推送到单台参数服务器机器上，参数服务器汇总后，再推送到worker端。有点类似于单reducer的方式。相比于参数服务器的中心化方案，这

迪吉老农·2023-04-09 22:30

机器学习笔记（6）

个人自己创建数据，实现分类任务本次组队学习不太设计特征工程内容，只是学习算法的内容，对数据简单的归一化就行创建数据示例如图所示：'''LogisticRegression算法练习'''#第一步：数据准备：生成数据和训练数据/测试数据划分importnumpyasnpimportmatplotlib.pyplotasplt#生成数据defgenerate_data(seed):np.random.s

trying52·2023-04-09 11:17

机器学习笔记——基础知识（一）

选用教材：DEEPLEARNING深度学习（花书）花书在开始学习机器学习之前，需要一定的数学知识，花书的第二、三章比较详细地介绍了机器学习中所必须的线性代数和概率论与信息论的知识，第四章讲了有关数值计算的问题。本人在此做简单总结，供自己学习和入门选手参考。1、线性代数：标量（scalar）：单独的一个数,如等向量（vector）：一组数组成的有序序列，可以用于表示维空间中一个点的坐标，在计算机中可

电脑配件·2023-04-08 18:20

机器学习笔记之正则化(三)权重衰减角度(偏差方向)

机器学习笔记之正则化——权重衰减角度[偏差方向]引言回顾：关于目标函数中的λ,C\lambda,\mathcalCλ,C正则化与非正则化之间的偏差偏差的计算过程引言上一节从直观现象的角度观察权重W\mathcalWW

静静的喝酒·2023-04-08 17:39

机器学习笔记之正则化(一)拉格朗日乘数法角度

机器学习笔记之正则化——拉格朗日乘数法角度引言回顾：基于正则化的最小二乘法正则化描述正则化的优化对象常见的正则化方法正则化角度处理神经网络的过拟合问题场景构建最优模型参数的不确定性最优模型参数不确定性带来的问题约束模型参数的方法从图像角度观察从拉格朗日求解角度观察关于常数

静静的喝酒·2023-04-08 17:09

机器学习笔记之正则化(二)权重衰减角度(直观现象)

机器学习笔记之正则化——权重衰减角度[直观现象]引言回顾：拉格朗日乘数法角度观察正则化过拟合的原因：模型参数的不确定性正则化约束权重的取值范围L1L_1L1正则化稀疏权重特征的过程权重衰减角度观察正则化场景构建权重衰减的描述过程权重衰减与过拟合之间的联系总结引言上一节介绍了从拉格朗日乘数法角度观察正则化

静静的喝酒·2023-04-08 17:09

机器学习笔记5：Softmax分类器的logistic回归

在logistic回归模型中，我们只是讲了二分类问题，但是在我们的实际分类应用中，还涉及多分类问题，那么，这个时候，就需要用到softmax分类器了。如下图：有绿三角、红叉和蓝矩形三个类别要分类，我们是通过三个分类器先分别将绿三角、红叉、蓝矩形分类出来，这样处理多分类问题的，所以对每个类别c，训练一个logistic回归分类器fwc(x)f_{\textbf{w}}^{c}(\textbf{x})

陆撄宁·2023-04-08 15:23

机器学习笔记 temperature+Softmax

1介绍带temperature的Softmax，用公式描述，可以表示为直观感受一下importnumpyasnpdefexp_tem(x,tau):returnnp.exp(x/tau)/sum(np.exp(x/tau))print(exp_tem(np.array([1,2,3]),2))#[0.186323720.307195890.50648039]print(exp_tem(np.arr

UQI-LIUWJ·2023-04-08 15:18

机器学习笔记：t-SNE

0前言t-SNE（t-DistributedStochasticNeighborEmbedding）是一种非常常用的数据降维，常用于数据可视化t-SNE/SNE的基本原理是：在高维空间构建一个概率分布拟合高维样本点间的相对位置关系在低维空间，也构建一个概率分布，拟合低维样本点之间的位置关系通过学习，调整低维数据点，令两个分布接近1SNE随机邻域嵌入（StochasticNeighborEmbedd

UQI-LIUWJ·2023-04-08 15:18

机器学习笔记——多分类与softmax

机器学习笔记——多分类与softmax一、多分类问题1.问题简述2.“一对一”OvO3.“一对多”OvR4.

AgentSmart·2023-04-08 15:36

机器学习笔记03 -- GBDT回归、二分类、多分类问题

一、GBDT回归1偏差方差，过拟合欠拟合偏差bias：是用所有可能的训练数据集训练出的所有模型的输出的平均值与真实模型的输出值之间的差异。方差Variance：是不同的训练数据集训练出的模型输出值之间的差异。想要结果偏差小，就要让模型复杂，参数多，但这样模型的学习能力会过强，导致方差大，在测试集上表现差，表现为过拟合。想要结果方差小，就要让模型简单，参数少，但这样会导致模型学习能力弱，导致偏差大，

wafq·2023-04-08 15:36

【原】Coursera—Andrew Ng机器学习—课程笔记 Lecture 2_Linear regression with one variable 单变量线性回归...

Lecture2Linearregressionwithonevariable单变量线性回归2.1模型表示ModelRepresentation2.1.1线性回归Linearregression2.1.2单变量线性回归Linearregressionwithonevariable2.2代价函数CostFunction2.2.1如何选择模型的参数θ2.2.2建模误差modelingerror2.2.

weixin_38166557·2023-04-08 13:45

Coursera课程自然语言处理(NLP)笔记整理(三)朴素贝叶斯分类器（第二周课程内容）

文章目录1.贝叶斯公式1.1.条件概率1.2.贝叶斯公式1.3.朴素贝叶斯1.3.1.二值分类的朴素贝叶斯推理条件规则2.拉普拉斯算子平滑(Laplaciansmoothing)3.对数似然3.1.似然3.2.为什么取对数4.训练朴素贝叶斯分类器4.1.观测数据4.2.使用朴素贝叶斯进行验证4.3.朴素贝叶斯的前提假设4.4.错误分析5.代码实现5.1.数据的处理5.2.训练朴素贝叶斯模型5.3.

豆沙粽子好吃嘛!·2023-04-08 13:20

机器学习入门大纲

基本上所有人入门机器学习都是从看吴恩达（AndrewNg）在Coursera上的MachineLearning开始，在花了大概2周看完这个后，本人转向看视觉方向的东西，这领域的经典视频是Stanford

一叶之坤·2023-04-07 19:48

我的机器学习笔记（三）--- 分类问题与K近邻算法

5.1K近邻算法的概念5.2K近邻算法的伪代码5.3K近邻算法的原理5.4K近邻算法的举例5.5K近邻模型的特点5.6K近邻模型的语法六、K近邻算法案例---鸢尾花分类6.1案例背景6.2案例实现我的机器学习笔记

离明zh·2023-04-07 14:49

我的机器学习笔记（二）--- 监督学习

文章目录一、监督学习的内容二、监督学习的定义三、监督学习的数学描述四、监督学习的常见任务我的机器学习笔记（二）—监督学习一、监督学习的内容；二、监督学习的定义；三、监督学习的数学描述；四、监督学习的常见任务

离明zh·2023-04-07 14:19

机器学习笔记-Anaconda与JupyterNotebook的简介与使用

Anaconda与JupyterNotebook的简介与使用一、Anaconda的简介二、Anaconda的下载三、Anaconda的安装四、关于conda五、关于创建虚拟环境六、JupyterNotebook1.概述2.使用一、Anaconda的简介Anaconda支持Linux，Mac,Windows，包含了众多流行的科学计算、数据分析的Python包。Anaconda和Jupyternote

Moonpie小甜饼·2023-04-07 09:25

机器学习笔记之降维(三)从最大投影方差角度观察主成分分析

机器学习笔记之降维——从最大投影方差角度观察主成分分析引言回顾：样本均值与样本方差的矩阵表示主成分分析最大投影方差基于最大投影方差的最优特征方向求解过程总结引言上一节介绍了高维空间中样本均值和样本方差的矩阵表示

静静的喝酒·2023-04-07 07:03

机器学习笔记----假设空间

假设空间转发自该博客：https://blog.csdn.net/zmdsjtu/article/details/52689392一些细碎的概念：1.归纳（induction）：是科学推理的两大基本手段之一，是从特殊到一般的泛化过程，也就是从具体的事实归纳出一般规律。2.演绎（deduction）：是科学推理的另一基本手段，也就是从基础原理推演出具体情况。3.归纳学习（inductivelearn

泛酸的桂花酒·2023-04-06 07:58

机器学习笔记-Logistic分类

机器学习笔记-Logistic分类作者：星河滚烫兮我们知道，回归模型一般是去根据已有的标记数据去预测新事物。Logistic回归模型因为历史原因有“回归”二字，但其实是一个分类模型。

星河滚烫兮·2023-04-05 22:07

scikit-learn机器学习笔记（11.22）

启言：机器学习通过使用过去的经验去指导未来的决策，它的基础目标是归纳，或者从一种未知规则的应用例子中归纳出未知规则。一、机器学习的定义一个程序：性能体现在“T”，衡量性能用“P”，提升性能通过经验“E”可视为：针对一些“T”类型，通过“P”来衡量性能的的任务，从经验“E”中进行学习二、从经验“E”中学习（监督下和无监督下）（1）监督学习：“对于输入数据X能预测变量Y”通过标记的输入和输出进行学习，

長路·2023-04-05 22:34

机器学习笔记-Logistic回归

0-回顾linearregressionlinear\regressionlinearregression如果使用平方错误的话，我们可以很方便的解析出最好的www是什么。即wbest=X†yw_{best}=X^{\dagger}ywbest=X†y1-逻辑斯蒂回归问题1.1-问题的提出从一个人的身体数据来判断这个人有没有心脏病，这是一个典型的二元分类问题。logisticregression\t

土肥宅娘口三三·2023-04-05 22:28

机器学习笔记（十三）：TensorFlow实战五（经典卷积神经网络： LeNet -5 ）

1-引言之前我们介绍了一下卷积神经网络的基本结构——卷积层和池化层。通过这两个结构我们可以任意的构建各种各样的卷积神经网络模型，不同结构的网络模型也有不同的效果。但是怎样的神经网络模型具有比较好的效果呢？下图展示了CNN的发展历程。经过人们不断的尝试，诞生了许多有有着里程碑式意义的CNN模型。因此我们接下来会学习这些非常经典的卷积神经网络LeNet-5AlexNetVGGInceptionResN

LiAnG小炜·2023-04-05 14:56

像高级工程师一样使用Git

海外Udemy、Coursera、Skillshare、Cantrill等平台精品编码课程，请访问https://www.postcode.vipGit是一种强大的工具，当你知道如何使用它时，会感觉非常棒

卖枸杞的程序员·2023-04-05 13:18

李宏毅机器学习笔记——生成模型

介绍了三种方法，pixelRNN，VAE,GAN。笔记以VAE为主。pixelRNN比较容易理解，由已知推未知。这种方法还能应用到语音生成等领域在这里有个tips值得说一下，图的每个像素一般RGB三色，问题出在当RGB三个值相差不大时最终的结果像素点的颜色趋向灰色，于是乎，为了使生成的图像更加鲜亮，就需要拉高三个值的差距。简而言之，原本用三个数表示颜色，现在只用一个。VAE是一个相对复杂的东西，事

荆棘鸟》·2023-04-04 13:14

李宏毅机器学习笔记——概率模型

很有意思的一门课，但关于如何利用P(x)生成x还存在疑惑。在神经网络中y=w*x+b，为什么是这个形式？这门课将在最后归结到这一点上。举一个实际的例子，训练集中A类71个B类69个我们假定A类的71个点遵循gaussiondistribution，上图涉及的函数：输入一个点(代表一个实例的特征vector)，输出sample中该点的概率，在下文中即为P(x|A)与P(x|B)该函数有两个参数，μ与

荆棘鸟》·2023-04-04 13:43

机器学习笔记E5--决策树ID3、C4.5与CART

决策树思想特征选择信息增益与ID3信息增益率与C4.5基尼指数与CARTID3、C4.5与CART的对比决策树剪枝对连续值的处理对缺失值的处理多变量决策树两人去轩辕台路上遇雨，郭靖道：那么咱们快跑。黄蓉摇了摇头：靖哥哥，前面也下大雨，跑过去还不是一般的淋湿？郭靖笑道：正是。黄蓉心中却忽然想起了华筝之事：“前途既已注定了是忧患伤心，不论怎生走法，终究避不了、躲不开，便如长岭遇雨一般。”当下两人便在大

EL33·2023-04-04 07:35

机器学习笔记（一）

学习算法的任务：通过训练样本，选择或学习得到参数θ监督学习(SupervisedLearning)监督学习：通过已有训练样本进行训练，得到一个拟合效果最好的基本模型，再使用该模型，对新的训练样本计算出相应的输出结果，对输出结果进行判断实现分类的目的。并通过大量的迭代后，最后得到最终模型。简单来说：通过给算法提供一组标准答案，然后希望算法计算得到标准输入和标准输出之间的联系，然后返回更多的标准答案。

ZihouWong·2023-04-03 11:20

谷歌云GCP

感谢公司赞助了GoogleCloudPlatform(GCP)Coursera课程：https://www.coursera.org/，包括云基础设施，应用开发，数据湖和数据仓库相关知识。

Beth_Chan·2023-04-03 02:18

机器学习笔记10 -- 回归与聚类算法

回归和聚类线性回归：欠拟合与过拟合->岭回归分类算法：逻辑回归模型保存与加载无监督学习：K-means线性回归原理：回归问题：目标值为连续型的数据应用场景：房价预测，销售额度预测，金融类问题定义：函数关系：目标值--特征值——>线性模型广义线性模型：非线性关系自变量一次方参数一次方线性关系线性模型线性回归的损失和优化原理：目标：求模型参数，使得模型能够预测准确真实关系：随意假定：通过一种方法将两个

whurrican·2023-04-03 01:55

吴恩达-coursera-机器学习-week8

十三、聚类(Clustering)13.1无监督学习：简介13.2K-均值算法13.3优化目标13.4随机初始化13.5选择聚类数十四、降维(DimensionalityReduction)14.1动机一：数据压缩14.2动机二：数据可视化14.3主成分分析问题14.4主成分分析算法14.5选择主成分的数量14.6重建的压缩表示14.7主成分分析法的应用建议第8周十三、聚类(Clustering)

z-pan·2023-04-02 21:52

推荐频道

Coursera机器学习笔记