Coursera机器学习笔记第14页

机器学习笔记3_Adaboost

一般来说，Ensemble模型适合于过拟合的模型，包括bagging和boosting.3.1Bagging其中Bagging是单独训练每个分类器，然后用平均或者投票的方法组合，boosting的方法则是分类器之前存在强依赖，前一个分类器预测的解构会影响后一个分类器。随机森林就是DT的bagging。在相同的深度下，随机森林并不会比决策树好很多，但会让分类的结果更平滑3.2Boostingboos

cuiyr123·2023-03-10 15:35

大学生收集资源的能力如何提升？

一、综合型在线学习网站1、CourseraCoursera-FreeOnlineCoursesFromTopUniversities美国斯坦福大学两名计算机科学教授创办，截止2014年共有600余门课程

写作君啊·2023-03-10 13:20

Coursera-吴恩达-机器学习-（第10周笔记）大数据训练

此系列为Coursera网站AndrewNg机器学习课程个人学习笔记（仅供参考）课程网址：https://www.coursera.org/learn/machine-learningWeek10——LargeScaleMachineLearning

九方先生·2023-03-09 21:45

《deeplearning.ai》课程一第二周 | Logistic Regression

deeplearning.ai是机器学习领域大牛AndrewNg在Coursera上公布的新的深度学习的课程，相比之前机器学习的课程，本课程更偏重于深度学习的领域。

V怪兽·2023-03-09 19:20

神经网络实现手写识别

这个项目基于coursera上的ML课程，学过神经网络之后，就利用octave做了一个神经网络识别手写数字的程序。

Pan231·2023-03-09 19:30

多元线性回归boston房价（吴恩达机器学习笔记）

目录1.多元线性回归1.梯度下降法2.正规方程2梯度下降法实践1.特征缩放2.学习率（learningrate）3.Boston房价预测1.多元线性回归对房价模型增加更多的特征，如房间数，楼层数等，构成了一个含有多变量的模型，模型中特征为(x1,x2...xn)(x_{1},x_{2}...x_{n})(x1,x2...xn).其中n代表特征数量，m代表训练集中的实列数量。x(i)x^{(i)}x

是忘生啊·2023-02-27 18:15

机器学习笔记六：K-Means聚类，层次聚类，谱聚类

前面的笔记搞了那么多的数学，这篇来一点轻松的，提前适应一下除了监督问题以外的非监督学习。这篇笔记有没有前面那么多的数学了，要讲的聚类算是无监督的学习方式。一.一般问题聚类分析的目标是,创建满足于同一组内的对象相似,不同组的对象相异的对象分组.它作为一种无监督学习,将相似对象归到同一个簇中去.因此,聚类有时候被称为无监督分类.二.K均值聚类(K-means)Ⅰ.概念假设有一些数据,但是没有标签.我们

喜欢打酱油的老鸟·2023-02-22 07:51

机器学习笔记之生成模型综述(二)监督学习与无监督学习

机器学习笔记之生成模型综述——监督学习与无监督学习引言回顾：生成模型介绍判别方式：生成模型VS\text{VS}VS判别模型生成模型的建模手段监督学习与无监督学习监督学习模型基于监督学习的非概率模型基于监督学习的概率模型无监督学习基于无监督学习的概率模型基于无监督学习的非概率模型生成模型介绍引言上一节介绍了生成模型的判别方式

静静的喝酒·2023-02-22 07:45

机器学习笔记之生成模型综述(一)生成模型介绍

机器学习笔记之生成模型综述——生成模型介绍引言生成模型介绍引言从本节开始，将介绍生成模型的相关概念。生成模型介绍生成模型，单从名字角度，可以将其认识为：生成样本的模型。

静静的喝酒·2023-02-22 07:15

机器学习笔记－－聚类算法 k-means－－31省市消费水平聚类

参考文章：https://blog.csdn.net/rankiy/article/details/998433631.数据集数据介绍：现有1999年全国31个省份城镇居民家庭平均每月全年消费性支出的八个主要变量数据，这八个变量分别是食品、衣着、家庭设备用品、服务、医疗保健、交通、通讯、娱乐教育文化服务、居住以及杂项商品和服务。利用已有数据，对31个省份进行聚类。北京,2959.19,730.79

syntacticsugars·2023-02-22 07:45

机器学习笔记之谱聚类(一)k-Means聚类算法介绍

机器学习笔记之谱聚类——K-Means聚类算法介绍引言回顾：高斯混合模型聚类任务基本介绍距离计算k-Means\text{k-Means}k-Means算法介绍k-Means\text{k-Means}

静静的喝酒·2023-02-22 07:08

Python机器学习笔记之回归

文章目录前言算法线性回归、多项式回归-房屋价格拟合岭回归-交通流量拟合总结前言对中国大学MOOC-北京理工大学-“Python机器学习应用”上的实例进行分析和修改：记录一些算法、函数的使用方法；对编程思路进行补充；对代码中存在的问题进行修改。课程中所用到的数据算法1、线性回归fromsklearnimportlinear_modellinear=linear_model.LinearRegress

Mr_Stutter·2023-02-21 10:55

吴恩达机器学习笔记(一)——线性回归

线性回归学习笔记1.线性回归概述线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。其在金融、医疗等领域有着广泛的应用。y=ax+b一元线性回归可以看作是多元线性回归的一个特例，因此只要分析多元线性回归的特性。2.算法流程（1）选取特征值，设计假设函数。（2）代价函数。（3）进行梯度下降/正规方程。当我们需要用线性回归去解释一个现象或尝试做预测的时候，

tedist·2023-02-21 10:51

Assignment | 05-week2 -Part_2-Emojify!

-ZJCoursera课程|deeplearning.ai|网易云课堂CSDN：http://blog.csdn.net/JUNJUN_ZHAO/article/details/79470246WelcometothesecondassignmentofWeek2

ZJ_Improve·2023-02-20 23:15

24、P1 W4 U4.3 HACK的汇编语言

视频：如果本次课程对应的Coursera的视频打不开，可以点击下面链接P1W4U4.3-TheHackComputerandMachineLanguage这节课老师主要讲解我们之后要制作的Hack小电脑的硬件架构以及

shazizm·2023-02-19 05:00

Coursera | Game Theory Week 1

Week11-21-3Keyingredients1-3TwostandardRepresentations1-3Thenormalform1-3ThestandardMatrixRepresentation1-31-41-41-41-41-41-41-41-51-51-5;1-61-61-61-61-61-61-61-61-71-71-7Week1-InVideoQuizzes选DWhichof

小橙子piupiupiu·2023-02-19 02:39

Kotlin for Java Developers 学习笔记

KotlinforJavaDevelopers学习笔记Coursera课程KotlinforJavaDevelopers（由JetBrains提供）的学习笔记FromJavatoKotlinJava和Kotlin

jxtxzzw·2023-02-18 14:21

吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记（2-2）-- 优化算法

koala_tree知乎：https://www.zhihu.com/people/dashuxianshengGitHub：https://github.com/KoalaTree2017年10月11日以下为在Coursera

大树先生的博客·2023-02-17 05:42

机器学习笔记（2）

反向传播法（Backpropagationalgorithm）使用梯度下降法求解价值函数j（x）的最小值时，我们需要知道j（x）的导数先给一个样本（x，y）时的正向传播过程图片发自Appa(1)=xz(2)=theta(1)a(1)a(2)=g(z(2))z(3)=theta(2)a(2)a(3)=g(z(3))z(4)=theta(3)a(3)a(4)=h(x)=g(z(4))设置∂_j^l为第

呆呆说·2023-02-17 01:06

机器学习笔记：MLP的万能逼近特性（ Universal Approximation Property）

布尔逼近含有一个隐藏层的多层感知机/多层神经网络（MLP）可以精确地表示任何的布尔函数连续逼近含有一个隐藏层的多层感知机/多层神经网络（MLP）可以以任意精度逼近任何的有界连续函数任意逼近含有两个隐藏层的多层感知机/多层神经网络（MLP）可以以任意精度逼近任何函数万能逼近特性展示浅层神经网络的巨大潜能，当然是以神经元个数指数增长为代价，因此并不实用

UQI-LIUWJ·2023-02-16 21:22

机器学习笔记 - 什么是UMAP？

1、UMAP概述统一流形逼近和投影(UMAP)是一种降维技术，可用于类似于t-SNE的可视化，但也可用于一般的非线性降维。UMAP是一种基于流形学习技术和拓扑数据分析思想的降维算法。它为处理流形学习和降维提供了一个非常通用的框架，但也可以提供具体的具体实现。该算法基于对数据的三个假设：数据均匀分布在黎曼流形上；黎曼度量是局部常数（或可以近似）；歧管是本地连接的。根据这些假设

坐望云起·2023-02-07 13:04

Coursera-吴恩达-深度学习-改善深层神经网络：超参数调试、正则化以及优化-week3-编程作业

本文章内容：Coursera吴恩达深度学习课程，第二课，改善深层神经网络：超参数调试、正则化以及优化(ImprovingDeepNeuralNetworks:Hyperparametertuning,RegularizationandOptimization

帅金毛·2023-02-07 13:23

Coursera-吴恩达-深度学习-改善深层神经网络：超参数调试、正则化以及优化-week2-编程作业

本文章内容：Coursera吴恩达深度学习课程，第二课，改善深层神经网络：超参数调试、正则化以及优化(ImprovingDeepNeuralNetworks:Hyperparametertuning,RegularizationandOptimization

帅金毛·2023-02-07 13:53

Coursera-吴恩达-深度学习-改善深层神经网络：超参数调试、正则化以及优化-week1-测验

本文章内容：Coursera吴恩达深度学习课程，第二课改善深层神经网络：超参数调试、正则化以及优化(ImprovingDeepNeuralNetworks:Hyperparametertuning,RegularizationandOptimization

帅金毛·2023-02-07 13:23

Coursera吴恩达课程笔记 2.3《优化深度神经网络》-- 超参数调试、Batch正则化和编程框架

文章目录1.TuningProcess2.Usinganappropriatescaletopickhyperparameters3.Hyperparameterstuninginpractice:Pandasvs.Caviar4.Normalizingactivationsinanetwork5.FittingBatchNormintoaneuralnetwork6.WhydoesBatchNo

jianming21·2023-02-07 13:22

2-3 Coursera吴恩达《改善深度神经网络》第三周课程笔记-超参数调试、Batch正则化和编程框架

上节课2-2Coursera吴恩达《改善深度神经网络》第二周课程笔记-优化算法我们主要介绍了深度神经网络的优化算法。

双木的木·2023-02-07 13:52

每周分享第 1 期

灵感来自阮一峰宾夕法尼亚大学提供在线计算机科学硕士学位Coursera上线了，目前是唯一一所常春藤联盟的大学参加在线授课的制度，完成课程即可获得学位。

高金01·2023-02-07 13:27

Coursera Deep Learning笔记改善深层神经网络：超参数调试正则化以及梯度相关

笔记：AndrewNg'sDeepingLearning视频参考：https://xienaoban.github.io/posts/41302.html参考：https://blog.csdn.net/u012328159/article/details/802103631.训练集、验证集、测试集(Train,Dev,TestSets)当数据量小的时候,70%训练,30%测试；或60%训练、20

Douzi1024·2023-02-07 13:20

【Coursera】深度神经网络的改进：超参数调整、正则化和优化（更新中20230206）

SettingupyourMachineLearningApplication1.1Train/Dev/Testsets训练集hold-out交叉验证集->开发集devset测试集1.2Bias/Variance偏差（偏离度）方差（集中度）1.3BasicRecipe训练集->高偏差（训练误差）->不行->找新的网络->循环得到低偏差开发集->高方差（验证误差）->不行->更多数据/正则化（减小过

爱学习的书文·2023-02-07 13:48

机器学习笔记4-多元梯度下降法

1.多特征2.多元特征下降法3.多元特征下降法-特征缩放有多个变量来求全局最优解的时候，如果变量的取值范围非常不一样，会使得等高线图变得扁平，比如图中的房屋尺寸和房间数量，一个是0-2000另外一个是1-5，会导致求全局最优解变得很慢，要花很长时间来计算。所以这里要把特征的范围缩小到比较相近的范围，比如x1/2000，x2/5,这样x1和x2都的范围是[0,1],使等高线的图看起来比较圆，会更快的

我想问问天·2023-02-07 11:12

语言模型（Language Modeling）”

斯坦福大学自然语言处理第四课“语言模型（LanguageModeling）”一、课程介绍斯坦福大学于2012年3月在Coursera启动了在线自然语言处理课程，由NLP领域大牛DanJurafsky

superHT287·2023-02-07 09:28

语言模型

斯坦福大学自然语言处理第四课“语言模型（LanguageModeling）”一、课程介绍斯坦福大学于2012年3月在Coursera启动了在线自然语言处理课程，由NLP领域大牛DanJurafsky和ChirsManning

xiaokang06·2023-02-07 09:27

斯坦福大学自然语言处理第四课“语言模型（Language Modeling）”

http://52opencourse.com/111/斯坦福大学自然语言处理第四课-语言模型（language-modeling）一、课程介绍斯坦福大学于2012年3月在Coursera启动了在线自然语言处理课程

weixin_30915951·2023-02-07 08:23

斯坦福大学自然语言处理第四课语言模型（Language Modeling）笔记

一、课程介绍斯坦福大学于2012年3月在Coursera启动了在线自然语言处理课程，由NLP领域大牛DanJurafsky和ChirsManning教授授课：https://class.coursera.org

lucky_ricky·2023-02-07 08:47

线性回归 (Linear Regression)

机器学习笔记——总贴本文目录1.线性回归1.1引言1.2线性回归的假设(hypothesis)1.3代价函数(costfunction)1.4梯度(gradient)1.5批梯度下降(batchgradientdescent

阿涵·2023-02-07 08:21

机器学习笔记——线性拟合及梯度下降

机器学习笔记——线性拟合及梯度下降线性拟合为什么要构造代价函数（1）从特殊情况：过原点的直线看起，只有一个参数的情况（2）从非特殊情况：不过原点的直线看起，有两个参数的情况梯度下降法梯度下降法数学含义梯度下降法下降方向的选择实现梯度下降法的学习率

家有琦琦果·2023-02-07 07:23

机器学习笔记：朴素贝叶斯分类器（二）

在前一篇文章中，我们通过计算频率的方式来计算条件概率。对于未观测到的样本，其条件概率为0。这种假设看起来不太合理。现在我们要采用另一种方式来计算条件概率。我们假设特征之间相互独立，并服从正态分布。所有分类为C的样本的集合为Dc，集合中第i个特征服从正态分布：Xi~N(0，1)。通过计算Dc中所有特征的条件概率，最终得到单个样本属于分类C的条件概率，从而达到分类的目的。计算过程如下:贝叶斯分类.pn

谌显·2023-02-07 05:52

Coursera | Game Theory Week 2

In-videoquizzes博弈论斯坦福gametheoryStanfordweek2-0习题1。第1个问题12LeftRightLeft4,25,1Right6,03,3FindamixedstrategyNashequilibriumwhereplayer1randomizesoverthepurestrategyLeftandRightwithprobabilitypforLeft.Wha

小橙子piupiupiu·2023-02-07 02:17

机器学习笔记：梯度下降

机器学习的英文名称叫MachineLearning，简称ML，该领域主要研究的是如何使计算机能够模拟人类的学习行为从而获得新的知识和技能，并且重新组织已学习到的知和技能，使之在应用中能够不断完善自身的缺陷与不足。简单来说，机器学习就是让计算机从大量的数据中学习到相关的规律和逻辑，然后利用学习来的规律来预测以后的未知事物。（摘自：http://baijiahao.baidu.com/s?id=159

谌显·2023-02-06 07:31

43、P1 W6 U6.6A 作业6 编程实现

视频：如果本次课程对应的Coursera的视频打不开，可以点击下面链接P1W6U6.6A-Project-6-OverviewProgramming软件：全课程所需软件项目包官方下载：https://www.nand2tetris.org

shazizm·2023-02-06 01:21

42、P1 W6 U6.5 汇编器架构方案

视频：如果本次课程对应的Coursera的视频打不开，可以点击下面链接P1W6U6.5-DevelopingaHackAssembler-ProposedSoftwareArchitacture经过上节课的讲解

shazizm·2023-02-05 22:20

01 前言 Andrew机器学习笔记

在2012年的时候，MOOC刚刚开始火爆，机器学习也逐渐热闹起来。当时学习了Andrew的相关课程，做了一些笔记，这里分享给大家，希望对大家有所启发。分为如下几个方面：02单变量线性回归03多变量线性回归04逻辑斯蒂回归05正则化06非线性假设之神经网络07实践指导08SVM09聚类10异常检测11推荐系统

逍遥小强·2023-02-05 13:13

机器学习笔记-理解支持向量机拉格朗日函数+对偶问题+KKT条件

理解支持向量机拉格朗日函数+对偶问题+KKT条件这章内容主要是对支持向量机中拉格朗日函数、对偶问题和KKT条件进行一个说明，虽然我们成功推导出支持向量机的对偶形式，也知道如何进行求解最优参数，但是具体为什么这样做，我们还是不得而知。为此，我觉得需要更加深入了解一下什么是KKT条件、为什么要构造拉格朗日函数，以及对偶问题又是什么？在深入了解之前，先分清楚对偶问题、拉格朗日函数、KKT条件，这

Pijriler·2023-02-05 07:09

机器学习笔记——支持向量机（3）——原问题和对偶问题

引言在上一节我们介绍了支持向量机svm解决非线性相关的问题。如何利用已知的K和未知的ψ去解决优化问题是关键。在这一节将针对原问题原对偶问题进行学习。优化理论原问题（PrimeProblem）最小化：f（ω）限制条件：①gi（ω）=0(i=1~K)最大化中的函数L在前面已经定义。inf称为求最小值，也就是求得后面括号中L的最小值。它在固定了α，β的情况下，便历所有的ω，求出L的最小值。因此我们每确定

Eugene丶SHAO·2023-02-05 07:09

机器学习笔记（三）支持向量机原型、对偶问题

零、摘要本篇文章讲述支持向量机的原型与他的拉格朗日对偶问题。主要参考资料：斯坦福大学CS229笔记吴恩达《机器学习》周志华《机器学习实战》peterHarrington《高等数学》同济大学《微积分学教程》【俄】菲赫金格尔茨维基百科支持向量机一、原型支持向量机（supportvectormachine）处理的是分类问题。首先，我们考虑这样一个问题，二维平面上有两个点集，要画一条一维直线把他们分开。如

weixin_41405111·2023-02-05 07:38

重磅推荐 | 带学吴恩达《深度学习》作业班+带打Kaggle大赛

同样，在2018年，deeplearning.ai《深度学习专项课程》一上线，就异常火爆，光Coursera上该课程的注册人数就达到了20万，好评如潮！课程如此火

PaperWeekly·2023-02-04 13:54

机器学习笔记

监督学习监督学习是已经知道数据的label，例如预测房价问题，给出了房子的面积和价格回归问题是预测连续值的输出，例如预测房价。分类问题是预测离散值输出，例如判断肿瘤是良性还是恶性无监督学习无监督学习是不知道数据具体的含义，比如给定一些数据但不知道它们具体的信息，对于分类问题无监督学习可以得到多个不同的聚类（聚类算法），从而实现预测的功能。单变量线性回归(LinearRegressionwithOn

Knows__·2023-02-04 12:35

Coursera自动驾驶课程第9讲：Visual Features Detection Description and Matching

在上一讲《Coursera自动驾驶课程第8讲：Basicsof3DComputerVision》中我们学习了计算机视觉基本知识。本讲我们将学习计算机视觉中的视觉特征模块。

自动驾驶小学生·2023-02-04 12:54

吴恩达机器学习笔记（一）

文章目录引言1.1Welcome1.2Whatismachinelearning?1.3Supervisedlearning1.4Unsupervisedlearning引言1.1Welcome参考视频：P1Welcome总结：第一个视频主要讲述了什么是机器学习以及机器学习的一些应用，比如垃圾邮件识别、网页排序、产品推荐等等。1.2Whatismachinelearning?参考视频：P2What

cometsue·2023-02-04 10:22

机器学习笔记（25）一种简单的半监督目标检测框架（2）

上一章介绍了STAC的基础理论，接下来我们看一下具体实验操作和初步的试验结果。实验细节MS-COCO数据集的试验设置MS-COCO包含来自80个目标类别的超过118k个标记图像和850k个标记目标实例用于训练。此外，还有123k个未标记的图像可用于半监督学习。论文试验了两种SSL设置。第一种：随机抽取1、2、5和10%的已标记训练数据作为标记集，其余的已标记训练数据作为未标记集。对于这些实验，创建

是魏小白吗·2023-02-04 10:56

推荐频道

Coursera机器学习笔记