cs229

资源 | 源自斯坦福CS229，机器学习备忘录在集结

据项目介绍，该repository旨在总结斯坦福CS229机器学习课程的所有重要概念，包括：●学习该课程所需的重要预备知识，例如概率与统计、代数与微积分等进修课程。
weixin_33943836·2022-06-06 07:21

凸优化学习（四）——凸优化问题

注意，本文内容来自于吴恩达老师cs229课堂笔记的中文翻译项目:https://github.com/Kivy-CN/Stanford-CS-229-CN中的凸优化部分的内容进行翻译学习。
冬之晓东·2022-05-13 07:43

预测数值型数据：回归

本文首先介绍线性回归（具体概念解释可以参考CS229,吴恩达讲义的译文：传送门），包括其名称的由来和python实现。在这之后引入了局部平滑技术，分析如何更好地你和数据。
吐泡泡的璐璐·2022-04-19 09:03

【李宏毅机器学习】Convolutiona Neural Network 卷积神经网络（p17） 学习笔记

全文总结于哔哩大学的视频：李宏毅2020机器学习深度学习(完整版)国语2020版课后作业范例和作业说明在github上：点击此处李宏毅上传了2020版本的机器学习视频和吴恩达的CS229机器学习相比，中文版本的机器学习显得亲民了许多
running snail szj·2022-04-04 10:52

机器学习CS229：lesson2&exercise4

这是一个分类学习问题，已知80名学生两次考试的成绩和他们是否被大学录取。要求预测学生能否被大学录取。解决方法是用批梯度上升的方法求使得极大似然函数最大的theta。使用MATLAB编程，代码如下：%ex4%xscoreygotocollege%batchtheta=[0;0;0];counter=1000;J=zeros(counter,1)alpha=0.0001;fornum=1:counte
小太阳花儿·2022-02-16 20:56

CS229学习笔记（0）

CS229_0-监督学习监督学习（SupervisedLearning）首先我们通过一些例子来讨论监督学习问题吧。假设我们有如下数据集：我们可以将上述数据集绘制成如下图所示：那么我们如何根据这些数据集预测其他房屋的价格呢？为了今后更好地学习，以上例为例，我们将房屋面积定义为输入变量，其亦称为特征变量；将房屋价格定义为输出变量，其亦称为目标变量；表示一个训练实例，其中上标表示第个训练实例；集合表示训
SmallRookie·2022-02-15 13:51

CS229学习笔记（一）——线性回归（Linear Regression）

我们加入房屋的卧室数量作为该例的另一特征量：这样，是一个二维矢量，例如代表该训练集中第个房屋的住房面积，而代表其卧室数量。我们使用关于的线性函数去估计：为了简化公式，我们约定（interceptterm），因此有：等式最右部分我们将和均视为矢量，表示输入变量的数量（不包含）。为了衡量对每一，与相应的的逼近程度，我们定义代价函数（costfunction）：（一）概率解释当我们面对一个回归问题，为什
RookieLiuWW·2022-02-11 08:24

斯坦福CS229机器学习中文速查笔记.pdf

斯坦福CS229是一门经典的机器学习课程，算是机器学习领域的明星课，相信不少人在B站上看过这门课的视频。这门课主要介绍了机器学习和统计模式识别。
python大数据分析·2021-09-13 15:49

关于线性回归和逻辑回归的只言片语

以下内容是在看了吴恩达教授的CS229之后自己整理出来的，估计有错，可能还TMD（战区导弹防御TheaterMissileDefense）有不少。一.线性回归总说回归回归，到底做的是什么呢？
伊格洛夫·2021-06-24 18:33

SVM 大边界数学推导和意义

SVM大边界数学推导和意义有一篇从头到尾的推导文章值得看SVM碎碎念还有参考CS229中SVM数学意义的推导。。
重新出发_砥砺前行·2021-05-06 05:08

ML_chapter2线性模型

MachineLearningChapter2线性模型学习总结于《机器学习》周志华、cs229、CSDN大佬们的博客一、似然与概率1.似然(likelihood)L(θ)=P(y^∣x;θ)L(\theta
Actually_xxl·2021-05-01 21:48

CS229 Week10 Large Scale

title:CS229Week10LargeScaledate:2017-03-2618:46:00categories:ML/CS229mathjax:truetags:[MachineLearning,CS229
gb_QA_log·2021-04-23 18:58

[Github项目推荐] 机器学习& Python 知识点速查表

其中前两份都是来自斯坦福大学的课程，分别是CS229机器学习和CS230深度学习课程。
材才才·2021-04-18 07:03

K-means算法、EM算法——斯坦福CS229机器学习个人总结（五）

这一份总结的主题是无监督学习的EM算法。在前面提到的逻辑回归、SVM、朴素贝叶斯等算法，他们的训练数据都是带有标签的（预分类结果），这样的算法被称为监督学习。当训练数据没有标签，只提供特征时，称为无监督学习。EM算法（Expectationmaxmizationalgorithm，最大期望算法）就是一种无监督学习算法，而它的名字本身就已经包含了这个算法的特点以及做法——“期望”、“最大化”。下面会
NJiahe·2020-09-14 09:36

学习理论、模型选择、特征选择——斯坦福CS229机器学习个人总结（四）

这一份总结里的主要内容不是算法，是关于如何对偏差和方差进行权衡、如何选择模型、如何选择特征的内容，通过这些可以在实际中对问题进行更好地选择与修改模型。1、学习理论（Learningtheory）1.1、偏差/方差（Bias/variance）图一对一个理想的模型来说，它不关心对训练集合的准确度，而是更关心对从未出现过的全新的测试集进行测试时的性能，即泛化能力（Generalizationabili
NJiahe·2020-09-14 09:34

凸优化学习（三）——凸函数

注意，本文内容来自于吴恩达老师cs229课堂笔记的中文翻译项目:https://github.com/Kivy-CN/Stanford-CS-229-CN中的凸优化部分的内容进行翻译学习。
冬之晓东·2020-08-25 03:12

吴恩达-斯坦福CS229机器学习课程-2017（秋）最新课程分享

原吴恩达-斯坦福CS229机器学习课程-2017（秋）最新课程分享2017年10月04日12:47:13扫描头像关注公众号获取更多干货阅读数：6683标签：思维导图神经网络深度学习机器学习人工智能更多个人分类
shishi_m037192554·2020-08-25 00:19

重磅！吴恩达家的NLP课程发布啦！

解锁自然语言处理搜索、推荐与算法岗求职秘籍文|灵魂写手rumor酱美|人美心细小谨思密达斯坦福计算机系副教授、人工智能实验室主任、Coursera平台联合创始人、前百度首席科学家、机器学习入门必备网课CS229
夕小瑶·2020-08-24 04:13

[CS229学习笔记] 5.判别学习算法与生成学习算法，高斯判别分析，朴素贝叶斯，垃圾邮件分类，拉普拉斯平滑

本文对应的是吴恩达老师的CS229机器学习的第五课。这节课介绍了判别学习算法和生成学习算法，并给出了生成学习算法的一个实例：利用朴素贝叶斯进行垃圾邮件分类。
一个球·2020-08-22 13:03

[CS229学习笔记] 4.牛顿法，指数族分布与广义线性模型，softmax

本文对应的是吴恩达老师的CS229机器学习的第四课。这节课先介绍了牛顿法，然后给出了指数族的定义，并从指数族出发，介绍了广义线性模型并以此解释最小二乘、逻辑回归、softmax等模型的来源。
一个球·2020-08-22 13:03

[CS229学习笔记] 2.线性回归及梯度下降

本文对应的是吴恩达老师的CS229机器学习的第二课。这节课先介绍了线性回归及其损失函数；然后讲述了两个简单的优化方法，批梯度下降和随机梯度下降；最后推导了矩阵形式的线性回归。
一个球·2020-08-22 13:02

[CS229学习笔记] 3.欠拟合与过拟合，局部加权线性回归，线性回归的概率解释，逻辑回归，及感知机学习算法

本文对应的是吴恩达老师的CS229机器学习的第三课。
一个球·2020-08-22 13:02

隐马尔科夫模型_统计学习方法_学习笔记

前言统计学习方法一书中第9章关于EM算法的核心内容，与之前斯坦福CS229学习笔记差不多，因此不再叙述了。
OliverLee456·2020-08-22 12:24

CS229学习笔记（3）

CS229_3-正规方程正规方程上一小节中，我们使用批量梯度下降算法，通过不断迭代以求得最佳参数的值。本小节将介绍另一种方法——正规方程（TheNormalEuqations）来计算出最佳参数的值。在介绍正规方程法之前，我们先看看一些基本概念。MatrixDerivatives对于一个的矩阵到实数的函数映射，其关于的导数为：其中为的矩阵。便于理解，我们不妨假设矩阵为：函数映射为：根据上述公式，我们
SmallRookie·2020-08-21 20:59

「转」合集 - ML courses 笔记合集

StudyAI（吴恩达课程_文字笔记）整理[斯坦福CS229课程整理]MachineLearningAutumn2016更新笔记Stanford机器学习---第一讲.LinearRegressionwithonevariable
程序猪小羊·2020-08-21 09:48

招聘公司提前批算法工程师面经

CS229、小蓝书、西瓜书、葫芦书balabala挑一个比赛介绍一下？C++用了多久？熟悉吗？虚函数和纯虚函数有什么区别？
cigai4477·2020-08-20 00:18

逻辑回归与最大熵模型_统计学习方法_学习笔记

关于逻辑回归的一种理解思路在我的斯坦福CS229的第一篇笔记--线性回归中已经做了介绍。
OliverLee456·2020-08-19 01:20

数学基础 | (3) cs229概率论基础

目录1.概率的基本要素2.随机变量3.两个随机变量4.多个随机变量1.概率的基本要素为了定义集合上的概率，我们需要一些基本元素：样本空间:随机实验的所有结果的集合(所有样本点的集合)。在这里，每个结果（样本点）可以被认为是实验结束时现实世界状态的完整描述。事件集(事件空间)F:事件,事件A是的子集，即是一个实验可能结果的集合(包含一些样本点)。F需要满足以下三个条件：概率(度量)P：函数P是一个（
CoreJT·2020-08-18 16:13

吴恩达的 CS229，有人把它浓缩成 6 张中文速查表！

点击上方“AI有道”，选择“星标”公众号重磅干货，第一时间送达吴恩达在斯坦福开设的机器学习课CS229，是很多人最初入门机器学习的课，历史悠久，而且仍然是最经典的机器学习课程之一。
红色石头Will·2020-08-18 16:21

机器学习cs229——（一）概要

目录监督学习（supervisedlearning）机器学习理论无监督学习增强学习机器学习：使计算机模拟或实现人类的学习行为，以获取新的知识或技能。并重新组织已有的知识结构使之不断改善自身的性能。监督学习（supervisedlearning）问题引入根据给定的一组采集数据，预测房价。我们可以看到，问题只有单个输入变量，即单个特征。因变量为价格，可以取任意值，即连续。因此我们可以利用线性回归将给定
Jack LDZ·2020-08-18 15:02

【数学基础】一份非常适合人工智能学习的线性代数基础材料中文版 （国内教材精华）...

概率论与数理统计三部分，我整理了相关数学基础资料：源文件下载：https://github.com/fengdu78/Data-Science-Notes/tree/master/0.math内容简介一、斯坦福大学CS229
风度78·2020-08-18 14:45

斯坦福CS229机器学习笔记-Lecture9- Learning Theory 学习理论

声明：此系列博文根据斯坦福CS229课程，吴恩达主讲所写，为本人自学笔记，写成博客分享出来博文中部分图片和公式都来源于CS229官方notes。
Teeyohuang·2020-08-18 14:59

斯坦福CS229机器学习课程的数学基础（概率论）翻译完成

本文是斯坦福大学CS229机器学习课程的基础材料的中文翻译翻译：线性代数（黄海广），概率论（石振宇博士）审核修改：黄海广Stanfordcs229manchinelearning课程，相比于Coursera
湾区人工智能·2020-08-18 13:15

首发：吴恩达的 CS229的数学基础（概率论），有人把它做成了在线翻译版本！...

本文是斯坦福大学CS229机器学习课程的基础材料，原始文件下载[1]原文作者：ArianMaleki，TomDo翻译：石振宇[2]审核和修改制作：黄海广[3]备注：请关注github[4]的更新。
风度78·2020-08-18 13:59

斯坦福CS229机器学习课程的数学基础（线性代数）翻译完成

（黄海广）本文是斯坦福大学CS229机器学习课程的基础材料的中文翻译翻译：黄海广机器学习，需要一定的数
湾区人工智能·2020-08-18 13:23

【数学基础】一份非常适合人工智能学习的概率论基础材料中文版 （国内教材精华）...

概率论与数理统计三部分，我整理了相关数学基础资料：源文件下载：https://github.com/fengdu78/Data-Science-Notes/tree/master/0.math内容简介一、斯坦福大学CS229
风度78·2020-08-17 11:00

【数学基础】一份非常适合人工智能学习的高等数学基础材料中文版 （国内教材精华）...

概率论与数理统计三部分，我整理了相关数学基础资料：源文件下载：https://github.com/fengdu78/Data-Science-Notes/tree/master/0.math内容简介一、斯坦福大学CS229
风度78·2020-08-16 06:28

CS229 笔记：关于 Logistic Regression 的六个小问题

*AndrewNg.在斯坦福讲授的CS229是非常好的机器学习入门材料。我很后悔现在才开始学。
asher_lithium·2020-08-14 17:11

PCA(主成分分析) python实现

PCA(主成分分析)python实现主要参考了吴恩达老师的UFLDLUFLDL推导的话，建议先看吴恩达老师的UFLDL和CS229，然后的周志华老师的西瓜书感觉比较简略。
Roc-Ng·2020-08-13 23:45

cs229笔记-逻辑回归

对于分类问题，我们常常用到逻辑回归，这是对于离散值的预测，比如1代表正常邮件正，0代表垃圾邮件。下面从二元的分类开始讨论：如图，这是一个用线性回归尝试预测离散值的例子，在逻辑回归中，我们选取h(x)=0.5作为临界点判断值为0或1，很明显，当数据集只有前八个时，我们发现能线性回归很好的预测结果，但是当出现第九个数据的时候反而使得0.5的分界点开始右偏，性能0反而不如数据集8个时的假设函数。对于这种
dust_finger·2020-08-13 17:51

【数学基础】一份非常适合人工智能学习的线性代数基础材料中文版 （CS229线性代数）...

本文是斯坦福大学CS229机器学习课程的基础材料，是斯坦福各大人工智能课程的数学基础，本文为线性代数部分，原始文件下载[1]原文作者：ZicoKolter，修改：ChuongDo，TengyuMa翻译：
风度78·2020-08-13 10:50

第一讲：监督学习之回归方法

我主要以CS229课程内容为主线，介绍课程相关，供大家一起交流学习。
xyk_hust·2020-08-12 00:58

机器学习笔记(2)---监督学习之正规方程

前言正规方程公式推导前言本机器学习笔记是跟着原斯坦福大学吴恩达老师cs229课程学习后做的课后笔记。
sweird·2020-08-11 05:33

第三弹：深度学习入门，免费学习资源，2020.07.05更新

://www.trochilidaetechnology.com/以下为[深度学习]领域免费学习资源（按质量优先级排序后）:斯坦福深度学习公开课CS230简介：AndrewNG教授斯坦福机器学习公开课CS229
蜂鸟科技·2020-08-09 02:49

Logistic Regression及python实现

关于线性回归与逻辑回归的详细介绍与数学推导，在我前面翻译的CS229讲义里都有提到：CS229LectureNote1(监督学习、线性回归)、CS229
OraYang·2020-08-08 22:26

吴恩达cs229|编程作业第三周（Python）

练习三：多分类和神经网络目录1.包含的文件2.多分类问题3.神经网络1.包含的文件文件名含义ex3.py逻辑回归多分类ex3_nn.py神经网络分类ex3data1.mat手写数字集ex3weights.mat神经网络初始权重displayData.py可视化数据sigmoid.pySigmoid函数lrCostFunction.py多分类逻辑回归代价函数oneVsAll.py训练多分类器pred
NotFound1911·2020-08-08 19:07

凸优化学习（二）——凸集

注意，本文内容来自于吴恩达老师cs229课堂笔记的中文翻译项目:https://github.com/Kivy-CN/Stanford-CS-229-CN中的凸优化部分的内容进行翻译学习。
冬之晓东·2020-08-03 21:32

凸优化学习（六）——一个简单的对偶实例

注意，本文内容来自于吴恩达老师cs229课堂笔记的中文翻译项目:https://github.com/Kivy-CN/Stanford-CS-229-CN中的凸优化部分的内容进行翻译学习。
冬之晓东·2020-08-03 21:00

支持向量机笔记（一） functional and geometric margins

我是以stanford的cs229的讲义为蓝本的，上面有些洋文我感觉翻译出来就失去了原有的味道，（主要是我不会翻译）。
csy463168656·2020-08-03 16:05

吴恩达老师机器学习记录----SVM第四步：SMO算法步骤总结

先贴一下cs229课程的官网地址：http://cs229.stanford.edu/首先是待优化问题：$$max_\alphaW(\alpha)=\sum_{i=1}^m\alpha_i-\frac{
树荫下的野草·2020-08-03 06:01
上一页 1 2 3 4 5 6 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他