android学习课程笔记第37页

纽约大学深度学习PyTorch课程笔记（自用）Week2

纽约大学深度学习PyTorch课程笔记Week22.Week22.1梯度下降和反向传播算法导论2.1.1梯度下降优化算法参数化模型梯度下降2.1.2在传统神经网络中随机梯度下降和反向传播算法的优势随机梯度下降的优势传统神经网络通过非线性函数进行反向传播通过加权和进行反向传播

cosθ·2022-12-01 08:14

纽约大学深度学习PyTorch课程笔记（自用）Week3

纽约大学深度学习PyTorch课程笔记Week3Week33.1神经网络参数变换可视化及卷积的基本概念3.1.1神经网络的可视化3.1.2参数变换一个简单的参数变换：权重共享超网络序列数据中的主题(motif

cosθ·2022-12-01 08:14

吴恩达机器学习课程笔记+代码实现(26)17.大规模机器学习(Large Scale Machine Learning)

17.大规模机器学习(LargeScaleMachineLearning)文章目录17.大规模机器学习(LargeScaleMachineLearning)17.1大型数据集的学习17.2随机梯度下降法17.3小批量梯度下降17.4随机梯度下降收敛17.5在线学习17.6映射化简和数据并行17.1大型数据集的学习如果我们有一个低方差的模型，增加数据集的规模可以帮助你获得更好的结果。我们应该怎样应对

geekxiaoz·2022-12-01 07:07

吴恩达机器学习系列课程笔记——第十七章：大规模机器学习(Large Scale Machine Learning)

17.1大型数据集的学习https://www.bilibili.com/video/BV164411b7dx?p=102接下来的课程，我们会学习大规模机器学习，也就是处理大型数据集的算法，对比之前的算法，我们拥有大量的数据集，使得我们的准确度更高，现在我们要学习如何处理大型数据集。为什么我们要学会处理大型数据集呢？我们之前学习过一种高性能的机器学习算法，是采用低偏差的学习算法，并用大数据进行训练

Lishier99·2022-12-01 07:04

机器学习课程笔记（第十周）大规模机器学习

课程链接https://www.coursera.org/learn/machine-learning参考文章https://www.cnblogs.com/maxiaodoubao/p/10222170.html大规模机器学习LargeScaleMachineLearning用来处理大数据的算法大数据集的学习LearningWithLargeDatasets如果有一个低方差的模型，通常通过增加数

骨骼惊奇不信邪·2022-12-01 07:57

【机器学习】课程笔记16_大规模机器学习(Large Scale Machine Learning)

大规模机器学习大型数据集的学习（LaerningwithLargeDatasets）随机梯度下降（StochasticGradientDescent）小批量梯度下降（Mini-BatchGradientDescent）随机梯度下降收敛（StochasticGradientDescentConvergence）在线学习（OnlineLearning）映射化简和数据并行（Map-ReduceandDa

雀栎·2022-12-01 07:49

4.3-python爬虫之图形验证码识别

Linux系统2、Mac系统3、Windows系统三、在命令行中使用tesseract识别图像四、在代码中使用tesseract识别图像五、用pytesseract处理网站图形验证码前言摘录自B站对应课程笔记不愧是清华大佬

Nosimper·2022-12-01 04:02

李宏毅2021春季机器学习课程笔记6：Self-attention

文章目录1.SophisticatedInput1.1Input1.2Output2.Self-attention2.1Process2.2Matrixtranspose2.3Multi-headSelf-attention2.4PositionalEncoding3.Others3.1Using3.2Self-attentionv.s.CNN3.2Self-attentionv.s.RNN3.2

Andy in boots·2022-12-01 02:38

【Pytorch深度学习实践】B站up刘二大人之LinearModel -代码理解与实现(1/9)

目录：【Pytorch深度学习实践】B站up刘二大人课程笔记——目录与索引（已完结）开篇几句题外话：刘二大人的课程我是从前天(4月5日)开始看的，今天看完了advancedcnn这部分，我做的也是图像，

nemo_0410·2022-11-30 22:21

【Pytorch深度学习实践】B站up刘二大人之SoftmaxClassifier-代码理解与实现(8/9)

这是刘二大人系列课程笔记的倒数第二个博客了，介绍的是多分类器的原理和代码实现，下一个笔记就是basicCNN和advancedCNN了；写在前面：这节课的内容，主要是两个部分的修改：一是数据集：直接采用了内置的

nemo_0410·2022-11-30 22:21

[pytorch深度学习Day03] 张量数据类型

浙江大学教授【深度学习框架PyTorch】课程笔记（https://www.bilibili.com/video/BV1wL4y1t7ah?

木又青·2022-11-30 19:43

小小几张图，把深度学习讲透彻

这不仅仅是一份课程笔记，同时还是一套信息图与备忘录。本文将从深度学习基础、卷积网络和循环网络三个方面介绍该笔记。一、深度学习基础1

AI科技大本营·2022-11-30 16:25

深度学习与人类语言处理-语音识别(part1)

深度学习与人类语言处理课程笔记，上节回顾深度学习与人类语言处理-introduction。这节课将会简单介绍语音识别的最新研究方法，请看正文语音识别该何去何从？

编程大乐趣·2022-11-30 15:27

吴恩达推荐笔记：22张图总结深度学习全部知识

这不仅仅是一份课程笔记，同时还是一套信息图与备忘录。从深度学习基础、卷积网络和循环网络三个方面介绍该笔记深度学习基础1.深度学习基本概念监督

程序员生活志·2022-11-30 08:09

吴恩达机器学习课程笔记5——过拟合和正则化

过拟合问题过度拟合：就是我们拟合一个高阶多项式，这个假设函数几乎可以拟合所有的数据，但是这个假设函数太过庞大，数量太大导致我们没有足够的数据去约束它。这幅图是以线性回归为例子，第一张图是欠拟合（高偏差），可以看出来它没有很好的拟合数据。第二张图拟合效果刚刚好。第三张图，就是过度拟合（高方差）。这幅图是以逻辑回归为例子，同样是欠拟合、恰好拟合、和过度拟合。那么怎样解决过度拟合的问题呢？主要有两类方法

土豆土豆谢·2022-11-30 07:58

吴恩达机器学习系列课程笔记——第七章：正则化(Regularization)

7.1过拟合的问题https://www.bilibili.com/video/BV164411b7dx?p=39到现在为止，我们已经学习了几种不同的学习算法，包括线性回归和逻辑回归，它们能够有效地解决许多问题，但是当将它们应用到某些特定的机器学习应用时，会遇到过**拟合(over-fitting)**的问题，可能会导致它们效果很差。在这段视频中，我将为你解释什么是过度拟合问题，并且在此之后接下来

Lishier99·2022-11-30 07:27

吴恩达老师机器学习课程笔记 07 正则化

7正则化7.1过拟合的问题过拟合的含义欠拟合是指拟合算法具有高偏差，数据拟合效果很差。过拟合是指拟合算法具有高方差，能拟合所有数据，但函数变量太多，没有足够的数据来约束，从而无法泛化到新的样本中。如果有非常多的特征，而只有非常少的训练数据，通过学习得到的模型可能能够非常好地适应训练集（代价函数可能几乎为0），但是可能会不能推广到新的数据。解决过拟合的方法减少特征的数量：可以手工选择保留更为重要的特

3077491278·2022-11-30 06:55

cs285深度强化学习课程笔记-lec1

cs285深度强化学习课程笔记lec1深度强化学习的概念核心观点智能机器必须能学会适应深度学习有助于处理非结构化的环境强化学习提供了一种行为范式深度强化学习提供了端到端的方案。

HarryChi·2022-11-29 18:54

吴恩达机器学习课程笔记+代码实现(25)16.推荐系统(Recommender Systems)

geekxiaoz·2022-11-29 09:45

吴恩达机器学习系列课程笔记——第十六章：推荐系统(Recommender Systems)

16.1问题规划https://www.bilibili.com/video/BV164411b7dx?p=96在接下来的视频中，我想讲一下推荐系统。我想讲推荐系统有两个原因：第一、仅仅因为它是机器学习中的一个重要的应用。在过去几年，硅谷不同的技术公司，吴恩达老师常和工作在这儿致力于机器学习应用的人们聊天，问他们觉得最重要的机器学习的应用是什么，或者他们最想改进的机器学习应用有哪些。我最常听到的答

Lishier99·2022-11-29 09:40

【原】Coursera—Andrew Ng机器学习—课程笔记 Lecture 16—Recommender Systems 推荐系统...

Lecture16RecommenderSystems推荐系统16.1问题形式化ProblemFormulation在机器学习领域，对于一些问题存在一些算法，能试图自动地替你学习到一组优良的特征。通过推荐系统(recommendersystems)，将领略一小部分特征学习的思想。假使有5部电影，3部爱情片、2部动作片。4个用户为其中的部分电影打了分。现在希望构建一个算法，预测每个人可能给没看过的电

weixin_30807677·2022-11-29 09:38

【机器学习】课程笔记14_异常检测(Anomaly Detection)

异常检测问题的动机（ProblemMotivation）高斯分布（GaussianDistribution）算法（Algorithm）开发和评估异常检测系统（DevelopingandEvaluatinganAnomalyDetectionSystem）异常检测VS.监督学习（AnomalyDetectionvs.SupervisedLearning）选择要使用的特征（ChoosingWhatFe

雀栎·2022-11-29 09:36

机器学习课程笔记（第九周-2）推荐系统

课程链接：https://www.coursera.org/learn/machine-learning参考文章：https://www.cnblogs.com/maxiaodoubao/p/10220632.html推荐系统RecommenderSystems问题形式化ProblemFormulation例子引入：电影评分定义n:特征变量数，图中有两个特征变量。x1代表电影的浪漫程度，x2代表电

骨骼惊奇不信邪·2022-11-29 09:34

【机器学习】课程笔记15_推荐系统(Recommender Systems)

雀栎·2022-11-29 08:24

小程序FMP优化实录，快来收藏！

最近看到很多Android新手问Android学习路线，学习方法啊，如何入门啊，所以我从网上找了一些资料，然后以我的工作经验给大家总结一下，让大家少走弯路，提取一些工作中经常用到的技术。

普通网友·2022-11-29 07:28

课程笔记：优化器

优化器：管理并更新梯度的参数可学习参数是指：权重或偏置更新策略：梯度下降基本属性：defaults:存储学习率，momentum，weight_decaystate：例如再采用momentum时，会用到前几次更新时使用的梯度，就将其存储在state中，在这次更新中使用param_groups：管理一系列参数，是list，其中的每一个元素是字典，而字典中的key是最关键的_step_count：例如

笨笨同学·2022-11-29 01:19

吴恩达机器学习系列课程笔记——第四章：多变量线性回归(Linear Regression with Multiple Variables)

4.1多维特征https://www.bilibili.com/video/BV164411b7dx?p=18目前为止，我们探讨了单变量/特征的回归模型，现在我们对房价模型增加更多的特征，例如房间数、楼层、楼屋年限等，构成一个含有多个变量的模型，模型中的特征为(x1,x2,…,xn)。增添更多特征后，我们引入一系列新的注释：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*

Lishier99·2022-11-28 20:56

吴恩达机器学习课程笔记－2.单变量线性回归

文章目录2.单变量线性回归（LinearRegressionwithOneVariable）2.1模型表示（ModelRepresentation）2.2代价函数（CostFunction）2.3代价函数的直观理解I（CostFunctionIntuitionI）2.4代价函数的直观理解II（CostFunctionIntuitionII）2.5梯度下降（GradientDescent）2.6梯度

st4yfoolish·2022-11-28 20:55

Apollo Udacity自动驾驶课程笔记——高精度地图、厘米级定位

前言：目前Apollo内部高精地图主要应用在高精定位、环境感知、决策规划、仿真运行四大场景，帮助解决林荫道路GPS信号弱、红绿灯是定位与感知以及十字路口复杂等导航难题。1高精度地图1、高精地图与传统地图1.1定义：高精地图是当前无人驾驶车技术不可或缺的一部分。它包含了大量的驾驶辅助信息，最重要是包含道路网的精确三维表征，例如交叉路口布局和路标位置。1.2高精地图还包含很多语义信息，地图上可能会报告

查里王·2022-11-28 14:36

APOLLO UDACITY自动驾驶课程笔记——规划、控制

1、路径规划使用三个输入，第一个输入为地图，Apollo提供的地图数据包括公路网和实时交通信息。第二个输入为我们当前在地图上的位置。第三个输入为我们的目的地，目的地取决于车辆中的乘客。2、将地图转为图形该图形由“节点”(node)和“边缘”(edge)组成。节点代表路段，边缘代表这些路段之间的连接。我们可以对一个节点移动到另一个节点所需的成本进行建模。3、路径查找算法A*从初始节点开始，我们需要确

查里王·2022-11-28 14:36

APOLLO UDACITY自动驾驶课程笔记——感知、预测

1、计算机视觉无人驾驶车有四个感知世界的核心任务：检测——指找出物体在环境中的位置；分类——指明确对象是什么；跟踪——指随时间的推移观察移动物体；语义分割——将图像中的每个像素与语义类别进行匹配如道路、汽车、天空。2、Camera图像RGB图像，深度为33、Lidar图像激光雷达传感器创建环境的点云表征，提供了难以通过摄像头图像获得的信息如距离和高度。点云中的每个点代表反射回传感器的激光束，可以告

查里王·2022-11-28 14:03

吴恩达《卷积神经网络》课程笔记（1）

1、机器视觉（上图展示了一个神经风格转换（NeuralStyleTransfer）的例子）使用传统神经网络处理机器视觉的一个主要问题是输入层维度很大。例如64x64x3的图片，神经网络输入层的维度为12288。而现在的图片将近几千x几千x3的内存，而导致神经网络输入层的维度达到几百万。这样会造成两个后果，一是神经网络结构复杂，数据量相对不够，容易出现过拟合；二是所需内存、计算量较大。解决这一问题的

逸耀·2022-11-28 00:57

吴恩达：28张图全解深度学习知识

这不仅仅是一份课程笔记，同时还是一套信息图与备忘录。下面，我们将从深度学习基础（01-13）、卷积网络（14-22）和循环网络（23-28）三个方面介绍该笔记，并需要

AI致力·2022-11-27 20:42

笔记：神经网络与深度学习—绪论

神经网络与深度学习绪论绪论一、关于本课程1.知识结构2.推荐教材3.推荐课程二、常用的深度学习框架绪论最近开始学习机器学习，从B站找到了一篇网课：复旦大学——邱锡鹏的《神经网络与机器学习》，因此写了几篇课程笔记

zhenpigmilk·2022-11-27 17:07

斯坦福机器学习夏令营

Stanford-Machine-Learning-camp课程资料课程主页课程笔记课程视频环境配置Anaconda作业介绍比赛环境推荐使用Linux或者Mac系统，以下环境搭建方法皆适用:Docker

SKY_H_N·2022-11-27 10:54

TensorRT ONNX 基础

TensorRTONNX基础tensorRT从零起步迈向高性能工业级部署（就业导向）课程笔记，讲师讲的不错，可以去看原视频支持下。

Adenialzz·2022-11-27 09:55

神经网络和深度学习-第二周神经网络基础-第三节：Logistic 回归损失函数

本系列博客是吴恩达(AndrewNg)深度学习工程师课程笔记。全部课程请查看吴恩达(AndrewNg)深度学习工程师课程目录在上一节中，讲解的是logistic回归模型。

geekidentity·2022-11-27 09:52

Udacity机器人软件工程师课程笔记（二十九) - 全卷积网络（FCN）

全卷积网络（FCN）1.全卷积神经网络介绍FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semanticsegmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的featuremap进行上采样,使它恢复到输入图像相同的尺寸，从而可以对每个像素

Stan Fu·2022-11-27 09:52

【机器学习】课程笔记11_支持向量机(Support Vector Machines)

支持向量机优化目标（OptimizationObjective）大间距的直观理解（LargeMarginIntuition）大间距分类背后的数学（TheMathematicsBehindLargeMarginClassification）核函数1（KernelsⅠ）核函数2（KernelsⅡ）使用支持向量机（UsingAnSVM）优化目标（OptimizationObjective）支持向量机（S

雀栎·2022-11-27 08:51

机器学习课程笔记---聚类

应用评价指标距离k-means算法前提要选取k个点重心点不变了就可以。存在的问题1、初始点2、k，从1开始试，慢慢增加，看趋势聚类之前需要做的事！！！一定要归一化，不同维度的值统一到一个范围中。以及均值中心化。2、k-means++这里的概率就是用轮盘赌算法对于数值型的，可以算距离；对于离散的属性，怎么算距离？K-prototype为了防止分类距离对整体距离的影响还与分类属性的取值频度也有关系，比

野生蘑菇菌·2022-11-27 08:13

【机器学习】课程笔记13_降维(Dimensionality Reduction)

降维目标1：数据压缩（MotivationⅠ:DataCompression）目标2：可视化（MotivationⅡ:DataVisualization）主成分分析问题（PrincipalComponentAnalysisProblemFormulation）主成分分析算法（PrincipalComponentAnalysisAlgorithm）重建的压缩表示（Reconstructionfrom

雀栎·2022-11-27 08:36

【机器学习】课程笔记12_聚类(Clustering)

聚类无监督学习（UnsupervisedLearningIntroduction）K-均值算法（K-meansAlgorithm）优化目标（OptimizationObjective）随机初始化（RandomInitialization）选取聚类数量（ChoosingtheNumberofClusters）无监督学习（UnsupervisedLearningIntroduction）无监督学习：将

雀栎·2022-11-27 08:35

李宏毅2021春机器学习课程笔记——自注意力机制（Self-Attention）

本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！全连接网络的输入是一个向量，但是当输入是一个变长的向量序列时，就不能再使用全连接网络了。这种情况通常可以使用卷积网络或循环网络进行编码来得到一个相同长度的输出向量序列。基于卷积或循环网络的序列编码都是一种局部的编码方式，只建模了输入信息的局部依赖关系。虽然循环

sykai1·2022-11-27 03:22

台大李宏毅老师——深度学习课程笔记一（Summary Regression Basic Concept)

文章目录概述SupervisedLearningReinforcementLearningUnsupervisedLearning前沿研究MetalearningLife-longlearningRegressionRegressionApplicationExampleAplicationBasicConcept概述机器学习不只是有分类和回归任务，还有GAN。也就是自动生成结构性的复杂数据，比如

大叔爱学习.·2022-11-27 02:16

吴恩达机器学习系列课程笔记——第十二章：支持向量机(Support Vector Machines)

12.1优化目标https://www.bilibili.com/video/BV164411b7dx?p=70到目前为止,你已经见过一系列不同的学习算法。在监督学习中，许多学习算法的性能都非常类似，因此，重要的不是你该选择使用学习算法A还是学习算法B，**而更重要的是，应用这些算法时，所创建的大量数据在应用这些算法时，表现情况通常依赖于你的水平。**比如：你为学习算法所设计的特征量的选择，以及如

Lishier99·2022-11-26 21:53

CS231n课程笔记翻译：图像分类笔记

译者注：本文智能单元首发，译自斯坦福CS231n课程笔记imageclassificationnotes，由课程教师AndrejKarpathy授权进行翻译。本篇教程由杜客翻译完成。

buaadf·2022-11-26 13:36

cs231n图像分类

CS231n课程笔记翻译：图像分类笔记（上）杜客1年前译者注：本文智能单元首发，译自斯坦福CS231n课程笔记imageclassificationnotes，由课程教师AndrejKarpathy授权进行翻译

立志胡IT·2022-11-26 13:34

《机器学习基石》课程笔记（3）

不同输出空间下的机器学习输出空间实际应用二元分类Y={−1,+1}信用卡分发或不分发、识别垃圾邮件和非垃圾邮件、病人有病或没病、广告是否盈利、答案是否正确多元分类Y={1,2,3,...,K}手写字体分类、图片识别、垃圾邮件更详细的分类回归Y=R或者Y=[lower,upper]⊂R根据病人的特征判断还有多长时间痊愈、通过公司数据预测股票价格、根据天气数据预测温度结构化学习（序列标记问题）Y=st

nudt_oys·2022-11-26 02:18

【deeplearning.ai】吴恩达深度学习课程笔记目录

自2020.11.30开始学习DeepLearning，该学习笔记最后一次更新于2021.2.21Part1深度学习概论深度学习笔记（一）深度学习概论Part2神经网络基础深度学习笔记（二）LogisticRegression逻辑回归深度学习笔记（三）计算图及其导数运算方法深度学习笔记（四）Vectorization向量化深度学习笔记（五）BroadcastinginPython广播吴恩达深度学习

Mr.zwX·2022-11-25 20:17

(自动调整学习速率)-李宏毅老师21&22深度学习课程笔记

自动调整学习速率总结Trainingstuck≠SmallGradient（训练卡住不代表小梯度）-有可能是梯度还很大但是训练停止了（在峡谷间震荡不能到峡谷底部）为什么需要自动调整学习率？-单一固定（one-size-fits-all）的学习率Model训练到驻点很困难（学习率太大不能收敛，学习率太小收敛太慢）如何客制化学习率？-引入参数σσ常见的计算方式-Rootmeansquare（均方根）A

暖焱·2022-11-25 20:14

推荐频道

android学习课程笔记