coursera机器学习笔记第11页

Python机器学习笔记：XgBoost算法

转载：https://www.cnblogs.com/wj-1314/p/9402324.html前言1，Xgboost简介Xgboost是Boosting算法的其中一种，Boosting算法的思想是将许多弱分类器集成在一起，形成一个强分类器。因为Xgboost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器。而所用到的树模型则是CART回归树模型。Xgboost是在GBDT

SeaSky_Steven·2023-07-29 11:26

机器学习笔记之优化算法(三)线搜索方法(步长角度；精确搜索)

机器学习笔记之优化算法——线搜索方法[步长角度，精确搜索]引言回顾：线搜索方法——方向角度关于收敛性的假设关于单调性的假设下降方向与最速方向从步长角度观察线搜索方法关于方向向量的假设精确搜索过程引言上一节介绍了从方向角度认识线搜索方法

静静的喝酒·2023-07-29 11:54

白话机器学习笔记（一）学习回归

最小二乘法定义模型表达式：fθ(x)=θ0+θ1xf_\theta(x)=\theta_0+\theta_1xfθ(x)=θ0+θ1x（常用θ\thetaθ表示未知数、fθ(x)f_\theta(x)fθ(x)表示含有参数θ\thetaθ并且和变量xxx相关的函数）目标函数假设有nnn个训练数据，那么它们的误差之和可以这样表示，这个表达式称为目标函数。E(θ)=12∑i=1n(y(i)−fθ(x(

WangXinmingg·2023-07-26 22:47

白话机器学习笔记（三）评估已建立的模型

模型评估在进行回归和分类时，为了进行预测，我们定义了函数fθ(x)f_\theta(x)fθ(x)，然后根据训练数据求出了函数的参数θ\thetaθ。如何预测函数fθ(x)f_\theta(x)fθ(x)的精度？看它能否很好的拟合训练数据？我们需要能够定量的表示机器学习模型的精度，这就是模型的评估。交叉验证回归问题的验证把获取的全部训练数据分成两份：一份用于测试，一份用于训练。前者来评估模型。一般

WangXinmingg·2023-07-26 22:47

白话机器学习笔记（二）学习分类

分类用图形来解释，把他想象为有大小有方向带箭头的向量。设权重向量为www，虚线为使权重向量称为法线向量的直线。直线的表达式为：w⋅x=0w\cdotx=0w⋅x=0(两个向量的内积)也可写为：w⋅x=∑i=1nwixi=w1x1+w2x2=0w\cdotx=\sum\limits_{i=1}^nw_ix_i=w_1x_1+w_2x_2=0w⋅x=i=1∑nwixi=w1x1+w2x2=0w⋅x=∣

WangXinmingg·2023-07-26 22:14

2019-05-01

跟着coursera上的课程AppliedMachineLearninginPython学习了一个机器学习的示例，很简单的对水果进行分类，下载数据之后发现，哎对文件的简单复制粘贴会改变数据文件的分隔符，

月照寒江·2023-07-25 07:20

跟着我，一步步实践极简积极人生，收获满满的幸福

刚好学完《AlifeofHappinessandFulfillment/美满幸福的一生》（Coursera上有免费课程，但是老师是印度教授，印度口音英语，嘿嘿），这周就聊聊这个话题，一来回答朋友的问题，

李李极简积极人生·2023-07-22 23:42

学习Python的资料

如果您想学习Python，以下是一些有用的资源：官方文档：https://docs.python.org/zh-cn/3/书籍：《Python编程从入门到实践》、《Python基础教程》等在线课程：Udemy、Coursera

半清斋·2023-07-22 01:59

从阿里的User Interest Center看模型线上实时serving方法

这里是「王喆的机器学习笔记」的第二十九篇文章。最近写书的时候在总结一些深度学习模型线上serving的主流方法。

王喆的机器学习笔记·2023-07-21 06:21

Coursera C++ Part B [Week1] C++进阶

C++PartB是C++进阶课程，bf课程网址https://www.coursera.org/learn/c-plus-plus-b/home/welcomecourseoverviewIntroductiontotheSTLlibraryIteratorcategoriesandexamplesContainersandalgorithmsLambdaexpressions

小啾Kris·2023-07-20 23:10

GraphQL 入门与实践

其实不仅Facebook，其他公司也有在探索相关类似的技术，Netflix也曾推出他们的方案Falcor，Coursera在Facebook推出GraphQL后，取消了相关研发，直接使用GraphQL。

前端码农小王·2023-07-20 17:06

机器学习笔记

神经元神经网络的基本模型是神经元，神经元的基本模型就是数学中的乘、加运算：神经元神经网络两层的神经网络（一个隐藏层）更进一步地，过激活函数以提高表现力的神经元模型：常用的激活函数有:relusigmoidtanh损失函数loss计算得到的预测值与已知答案的差距：均方误差MSE自定义损失函数：根据问题的实际情况交叉熵CE（CrossEntropy）反向传播训练中，以减小loss值为优化目标，有梯度下

微雨旧时歌丶·2023-07-20 15:27

机器学习笔记--xgboost核心思想

今天给大家讲xgboost，这是一个非常优秀的算法，在各大回归类的人工智能竞赛中，经常可以在榜首看到这个算法的身影。前面我们已经讲了决策树，提升树（BoostingDecisionTree）是迭代多棵决策树来共同决策，当采用平方误差作为损失函数的时候，每一棵树学习的是之前所有树之和的残差值，残差=真实值-预测值。比如A的年龄是18岁，第一棵树的预测值是13岁，与真实值相差了5岁（就是我们说的残差）

weixin_39210914·2023-07-19 23:10

机器学习笔记（2-4）--林轩田机器学习基石课程

Non-SeparateData当我们不知道数据集是否线性可分时，我们采用贪心的算法，构建modifiedPLA.ModifiedPLA:和普通的PLA不同的是，它在选点时采用随机的方法，并且采用贪心的思想，保存当前最好的w_t.好不好的标准在于造成的错误点数是否更少。直到运行时间足够久后才停止算法。

数学系的计算机学生·2023-07-19 16:14

吴恩达机器学习笔记（5）—— 神经网络

又摸鱼摸了好久，终于开学了，不能再摸鱼了，这学期课都是嵌入式开发方面的，我给自己的电脑买了个新硬盘装了Linux，不再像以前在虚拟机里小打小闹了，折腾了好几天的新系统，现在有时间写新的笔记了。这次给大家带来的是神经网络，比较难，我可能写的也不是太明白，就看看吧。非线性假设其实神经网络是一个很古老的算法，不过在很长的一段时间内受计算机的机能所限，这个算法没有太大的进展。直到了现在，计算机的飞速发展，

机智的神棍酱·2023-07-17 06:15

python 分类变量转为哑变量_机器学习笔记——哑变量处理

在机器学习的特征处理环节，免不了需要用到类别型特征，这类特征进入模型的方式与一般数值型变量有所不同。通常根据模型的需要，类别型特征需要进行哑变量处理，即按照特征类别进行编码，一般一个类别为k的特征需要编码为一组k-1【避免引起多重共线性】个衍生哑变量，这样就可以表示特征内部所有的类别(将其中基准比较类设为0，当k-1个哑变量都为0时，即为基准类)。这种哑变量的编码过程在R和Python中的有成熟的

weixin_39664477·2023-07-17 01:59

可解释机器学习笔记（一）——可解释性

可解释性可解释性定义可解释性包含的性质可解释性方法分类自解释or事后可解释解释方法的输出特征概要统计量(FeatureSummaryStatistic)特征概要可视化(FeatureSummaryVisualization)模型内部(ModelInternal)数据点(DataPoint)代理模型特定于模型(Model-specific)or模型无关(Model-agnostic)局部(Local

小白成长之旅·2023-07-16 18:11

机器学习笔记之变分自编码器(一)模型表示

机器学习笔记之变分自编码器——模型表示引言回顾：高斯混合模型变分自编码器——概率图视角介绍总结引言本节将介绍变分自编码器(VariationalAutoEncoder,VAE)。

静静的喝酒·2023-07-16 15:18

机器学习笔记之卡尔曼滤波(一)动态模型基本介绍

机器学习笔记之卡尔曼滤波——动态模型基本介绍引言回顾：动态模型动态模型的相关任务卡尔曼滤波介绍引言本节从动态模型开始，介绍卡尔曼滤波(KalmanFilter)。

静静的喝酒·2023-07-16 15:18

深度学习笔记之Transformer(八)Transformer模型架构基本介绍

机器学习笔记之Transformer——Transformer模型架构基本介绍引言回顾：简单理解：Seq2seq\text{Seq2seq}Seq2seq模型架构与自编码器自注意力机制Transformer

静静的喝酒·2023-07-16 14:15

前端自学记录——视频书籍等资源评测（持续更新中......）

一、视频1.Coursera约翰霍普金斯大学HTML,CSS,andJavascriptforWebDevelopers课程这门课在Coursera上评分挺高的（4.8分），对HTML,CSS和Javascript

Zaralike·2023-07-16 08:40

机器学习笔记 - 探索PaddlePaddle框架的对象检测、分割和关键点检测

一、PaddlePaddle简述PaddlePaddle（PArallelDistributedDeepLEarning）是百度于2016年发布的开源深度学习框架。它为各种机器学习任务提供了统一的平台。但是最近的基准测试显示PaddlePaddle是潜在的领跑者，其基准速度超过了其更知名的竞争对手。PaddlePaddle与PyTorch或Tensorflow的基准比较PaddlePaddle中提

坐望云起·2023-07-16 03:49

机器学习笔记——假设空间与归纳偏好

一，假设空间学习过程是一个在所有假设组成的空间，即假设空间中进行搜索的过程。搜索目标是找到与训练集“匹配”的假设。举个例子：这里要学习的目标是“好瓜”。暂且假设“好瓜”可由色泽，根蒂，敲声这三个因素完全确定。于是，我们学得的将是“好瓜是某种色泽，某种根蒂，某种敲声的瓜”这样的概念。图1.1直观地显示出了这个西瓜问题的假设空间。需要注意的是，现实问题中我们常面临很大的假设空间，但学习过程是基于有限样

章小幽·2023-07-15 06:06

机器学习笔记 - 深度学习在网球运动分析上的应用

一、简述观看网球比赛时，您可以根据中间或角落的发球次数、球的深度、向左或向右的偏好来自动丰富视图，具体取决于球员所处的位置。此类统计数据可以通过Hawk-Eye、IBMSlamtracker等工具提供。Hawk-Eye是一个复杂的系统，由多达10个高速摄像头组成，能够高精度跟踪球、获取其真实位置并显示任何弹跳的重建。IBMSlamtracker，一个提供实时分数和统计数据（每个点15到25个参数）

坐望云起·2023-07-14 12:45

机器学习笔记：随机森林

1集成学习集成学习通过构建多个学习器采用加权的方式来完成学习任务一般来讲，多个学习器同属于一种模型，比如决策树，线性模型，而不会交叉用多种模型为了保证集成学习的有效性，多个弱分类器之间应该满足两个条件准确性：个体学习器要有一定的准确性，这样才能有好的效果多样性：学习器之间要有一些差异，完全相同的几个学习器集成起来后几乎不会有提升2随机森林随机森林是集成学习中Bagging方式的代表采样多组训练集，

UQI-LIUWJ·2023-07-13 22:32

机器学习笔记 - 理解机器学习可解释性的重要性

一、可解释性为什么重要人工智能领域的几乎所有研究都集中在更好的架构、超越基准、新颖的学习技术上，或者在某些情况下只是建立具有十亿、百亿个参数的巨大模型。可解释机器学习的研究相对较少。媒体中人工智能的日益普及和复杂性只会使可解释性的情况恶化。在一些高风险领域，如金融和医疗保健，数据科学家通常最终使用更传统的机器学习模型（线性模型或基于树的模型或者模型等）。这是因为，模型解释其决策的能力对业务非常重要

坐望云起·2023-07-13 20:25

2019-3-12晨间日记

晚上十点半任务清单昨日完成的任务，最重要的三件事：1.写字营拍摄前准备完成2.看英文小说3.往家打电话改进：1.多方打探看影响因素2.英文小说继续看3.看看爸爸的病怎么办习惯养成：跑步学英语周目标·完成进度写作0%Coursera0%

yesifeng·2023-07-13 20:43

机器学习笔记 - 学习图像生成模型在医疗行业用例的思路

一、概述合成图像生成是使用算法或模拟来替换真实世界数据创建新图像的过程。与数据隐私、有限的数据可用性、数据标签、无效的数据治理、高成本以及对大量数据的需求相关的挑战正在推动使用合成数据来满足各行各业对人工智能解决方案的高需求。人们对使用深度学习的医疗诊断系统越来越感兴趣。然而，由于专有和隐私原因，对公众的数据访问非常有限，从而导致公众在这一研究领域的贡献有限。同样，在没有专家注释和准确元数据的情况

坐望云起·2023-06-20 10:46

机器学习笔记 - 基于MobileNetV2的迁移学习训练关键点检测器

一、下载数据集StanfordExtra数据集包含12000张狗的图像以及关键点和分割图图。GitHub-benjiebob/StanfordExtra：12k标记的野外狗实例，带有2D关键点和分割。我们的ECCV2020论文发布的数据集：谁把狗排除在外？3D动物重建，循环中期望最大化。https://github.com/benjiebob/StanfordExtra数据集下载

坐望云起·2023-06-20 06:44

机器学习笔记 - EANet 外部注意论文简读及代码实现

一、论文简述论文作者提出了一种新的轻量级注意力机制，称之为外部注意力。如图所示，计算自注意力需要首先通过计算自查询向量和自关键字向量之间的仿射关系来计算注意力图，然后通过用该注意力图加权自值向量来生成新的特征图。外部关注的作用不同。我们首先通过计算自查询向量和外部可学习密钥存储器之间的亲和力来计算注意力图，然后通过将该注意力图乘以另一个外部可学习值存储器来生成细化的特征图。在实践中，这两个存储器是

坐望云起·2023-06-19 14:01

Coursera—Andrew Ng机器学习—课程笔记 Lecture 5 Octave Tutorial

5.1基本操作参考视频:5-1-BasicOperations(14控制输出格式的长短min).mkv5.1.1简单运算不等于符号的写法是这个波浪线加上等于符号(~=)，而不是等于感叹号加等号(!=)11==1%判断相等21~=2%判断不等31&&0%求逻辑与41||0%求逻辑或5xor(1,0)%求异或简化命令行PS1('>>');分号semicolon不打印结果>>a=3;%semicolon

上半场结束，中场已休息，下半场ing·2023-06-19 14:16

机器学习笔记07---朴素贝叶斯分类器

一、贝叶斯决策论贝叶斯决策论是概率框架下实施决策的基本方法。对分类任务来说，在所有相关概率都已知的理想情形下，贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。贝叶斯公式：其中，P(c)是类"先验"概率；P(x|c)是样本x相对于类标记c的类条件概率，或称为"似然"(likelihood)；P(x)是用于归一化的“证据”因子。对给定样本x，证据因子P(x)与类标记无关，因此估计P(c

一件迷途小书童·2023-06-18 19:50

机器学习笔记 - 基于Scikit-Learn的各种分类器进行分类并比较

一、概述scikit-learn是基于python语言构建机器学习应用程序的最佳库之一。简单易用，并且它有很多示例和教程。除了监督式机器学习（分类和回归）外，它还可用于聚类、降维、特征提取和工程以及数据预处理。该接口在所有这些方法上都是一致的，因此它不仅易于使用，而且也很容易构建一个大型分类器/回归模型集合并使用相同的命令训练它们。我们这里基于scikit-learn构建，训练，评估和验证分类器，

坐望云起·2023-06-18 16:09

机器学习笔记-Task03-极大似然估计&EM算法

文章目录1.简介1.1何为EM算法?1.2似然函数、极大似然估计1.2.1问题描述-调查学生身高分布1.2.2参数估计1.2.3总结1.2.4求极大似然函数估计的一般步骤2.EM算法2.1问题描述2.2问题求解2.3总结2.3.1相关概念2.3.2与K-Means算法对比3.EM算法推导3.1相关基础3.1.1期望3.1.2凸函数3.1.3Jensen不等式3.2公式推导3.3EM算法流程3.4E

修行僧yicen·2023-06-18 09:56

机器学习笔记——11 混合高斯模型(Mixtures of Gaussian)：利用EM算法估计参数

机器学习笔记——11混合高斯模型(MixturesofGaussian)：利用EM算法估计参数本文主要介绍混合高斯模型，它涉及到对个分布来源，因此参数的估计将是一个难题。

_Volcano·2023-06-18 09:51

机器学习笔记 - 基于深度学习的多种目标跟踪检测框架简述

一、目标跟踪对象跟踪是执行一组初始对象检测的任务，为每个初始检测创建唯一的ID，然后在每个对象在视频中的帧中移动时跟踪它们，从而维护ID分配。最先进的方法涉及融合来自RGB和基于事件的相机的数据，以产生更可靠的对象跟踪。仅使用RGB图像作为输入的基于CNN的模型也很有效。最受欢迎的基准测试是OTB。有几个特定于对象跟踪的评估指标，包括HOTA、MOTA、IDF1和Track-mAP。1、什么是OT

坐望云起·2023-06-18 05:06

《AI for everyone》（1）：什么是AI

学习coursera在线课程《AIforeveryone》的笔记一、AI介绍弱人工智能ANI与强人工智能AGI图片发自App强人工智能也称为通用人工智能，它能做人类能力范围内的任何事情；而弱人工智能只能成为某一领域的专家

太空旅客007·2023-06-18 01:35

机器学习笔记 - 多实例学习（MIL）弱监督学习

一、多实例学习概述多实例学习（MIL）是一种弱监督学习形式，其中训练实例被排列在称为袋的集合中，并为整个袋提供标签。这种方式越来越受到人们的关注，因为它自然适合各种问题，并允许利用弱标记数据。因此，它被应用于计算机视觉和文档分类等不同的应用领域。多实例学习（MIL）处理以集合形式排列的训练数据，称为bag。不提供袋子中所含实例的单独标签。这种问题表述引起了研究界的广泛关注，尤其是近年来，解决大型问

坐望云起·2023-06-17 08:39

机器学习笔记 - 一种估算模型训练所需的样本量的方法

一、简述高质量和足够多的数据是开发任何机器学习模型的基础。在缺乏对特定系统建模所需的最佳数据量的事先估计的情况下，数据收集最终要么产生太少而无法进行有效培训，要么产生太多导致资源的浪费。我经常被问到这个场景需要多少图像，通常我都会根据场景的复杂程度给出一个估计的范围，但是需要多少数据这个问题很难直接回答出一个数量出来，因为需要的数据量既取决于问题的复杂性，也取决于所选算法的复杂性。但在许多实际场景

坐望云起·2023-06-16 16:29

【机器学习笔记】——TensorFlow的安装（cuda10.0+cuDNN7.4)

我是win7，显卡GTX1050Ti，选的cuda10.0，cuDNN7.4tensorflow分为CPU版本和GPU版本，CPU版本运行较慢。1安装anaconda3（python3.6）2安装tensorflow2.1CPU版本安装不依赖于其他，直接在cmd中condainstalltensflow2.2GPU版本安装1）是否支持GPU版本在控制面板-设备管理-显示配置器中查看是否有支持GPU

阿脸阿脸·2023-06-16 15:51

深度学习FPGA实现基础知识11

吴恩达也是在线教育平台Coursera的联合创始人（withDaphneKoller）。2014年5月16日，吴恩达加入百度，担任百度公司首席科学家，负责百度

北雨·寒冰~·2023-06-16 11:37

机器学习笔记之K近邻学习算法

机器学习笔记之K近邻学习算法引言回顾：投票法回顾：明可夫斯基距离K\mathcalKK近邻算法算法描述K\mathcalKK值的选择小插曲：懒惰学习与急切学习KD\text{KD}KD树描述及示例K\mathcalKK

静静的喝酒·2023-06-14 15:57

来美感触最深的一句话——"老外写的东西都很简单"

这句话听起来的怪怪的，但的确也是我来美国感触最深的一点：google、youtube、coursera上的各大名校的公开课、各种在线付费课程，这是一个知识和工具"泛滥"的国家——获取知识的学习曲线非常平滑

Einc·2023-06-14 09:30

【机器学习笔记（六）】之集成算法的简介(Bagging, Boosting, Stacking)

本文章由公号【开发小鸽】发布！欢迎关注！！！老规矩–妹妹镇楼：集成算法(Ensemblelearning)一.目的：用多个算法进行集成，让机器学习效果比单个算法的效果更好。二.类别：(1).Bagging:训练多个分类器取平均f(x)=1/M∑m=1Mfm(x)f(x)=1/M\sum_{m=1}^{M}f_{m}(x)f(x)=1/Mm=1∑Mfm(x)(2).Boosting：从弱学习器开始加

开发小鸽·2023-06-13 03:06

试着坚持一个月！会让你脱胎换骨的5款网站，知乎70w精选

★★★：Coursera是一款能够让你免费学习一流大学课程的网站，包括斯坦福大

办公技巧达人·2023-06-12 22:32

我的猫片识别神经网络会识别错那些图片

忙里偷闲，用几天的时间上完了Coursera的DL的第一课。虽然之前ML花了差不多10个月学完了，但已经过去一年，能记得的东西实在不多。

一口快乐水·2023-06-12 19:59

吴恩达机器学习笔记（一）

概念机器学习是研究计算机模仿人类学习的过程，利用新的数据改善自身的性能，是人工智能的核心。机器学习、人工智能、深度学习之间的关系：AI、ML、DL的包含关系人工智能=机器人；机器学习是实现人工智能的一种方法；深度学习是实现机器学习的一种技术。概念包含关系上：人工智能>机器学习>深度学习。视频课简记:1、引言1.1欢迎1、机器学习很常见，如谷歌搜索（搜出的网站排序算法）、邮箱的垃圾站（无监督）。2、

yh_y·2023-06-12 00:10

近期todo

技术《unix环境高级编程》coursera上的大数据课程《深入理解计算机操作系统》的实验高性能mysql杂书《贫穷的本质》

不知名小号·2023-06-11 01:54

机器学习笔记 - 通过视觉注意识别黑色素瘤论文简读

一、概述我们提出了一种基于注意力的黑色素瘤识别方法。与其他网络参数一起学习的注意力模块估计了高亮显示与病变分类相关的感兴趣图像区域的注意力图。与仅输出类标签相比，这些注意力映射提供了更易于解释的输出。此外，我们建议通过正则化具有感兴趣区域（ROI）的注意力图（例如，病变分割或皮肤镜特征）来利用先验信息。只要这种先验信息可用，就可以进一步细化分类性能和注意力图。据我们所知，我们是第一个为黑色素瘤识别

坐望云起·2023-06-10 20:59

Learning how to learn 1

又因为课程是在coursera上的英文课程，所以笔记也是英文写的。由于加入了“不出局”，今天必须提交作业了，实在写不出其他东西了，所以把这篇学习笔记发表出来，希望战友们见谅。

AlexanderGreat·2023-06-10 09:01

推荐频道

coursera机器学习笔记