吴恩达机器学习笔记week15——异常检测问题 Anomaly detection

最新推荐文章于 2024-10-04 08:54:00 发布
最新推荐文章于 2024-10-04 08:54:00 发布
阅读量90 收藏
点赞数
文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Saulty/article/details/109380521
版权

吴恩达机器学习笔记week15——异常检测问题 Anomaly detection

15-1.问题动机 Problem motivation

一般用于非监督学习
在这里插入图片描述
在这里插入图片描述

15-2.高斯分布 Gaussian distribution/正态分布 normal distribution

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

15-3.算法 Algorithm

密度估计
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

15-4.开发和评估异常检测系统 Developing and evaluating an anomaly detection system

训练集无标签60%
验证集有标签20%
测试集有标签20%
在这里插入图片描述
在这里插入图片描述

15-5.异常检测.VS.监督学习 Anomal detection VS supervised learning

在这里插入图片描述
在这里插入图片描述

15-6.选择要使用的功能 Choosing what features to use

对特征数据进行处理，使之符合高斯分布
在这里插入图片描述
在异常的样例中找到可能的新特征
在这里插入图片描述
在这里插入图片描述

15-7.多变量高斯分布 Multivariate Gaussian distribution

问题的提出：绿色的叉不能被检测出异常
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

15-8.使用多变量高斯分布的异常检测 Anomaly detection using the multivariate Gaussian distribution

在这里插入图片描述
在这里插入图片描述
高斯分布 VS 多元高斯分布
在这里插入图片描述
在这里插入图片描述

Saulty
关注
Machine Learning - Coursera 吴恩达机器学习教程 Week9 学习笔记（异常检测，推荐系统）
zhang35的博客
02-23 632
异常检测（Anomaly detection） 建立模型p，类似表示属于正常情况的概率，小于某个值就认为它是异常的。 应用场景 诈骗检测 异常零件检测 数据中心电脑工作情况监控 高斯分布 / 正态分布(Gaussian Distribution) 参数估计 给你一组x，假设它们服从高斯分布，计算出μ和σ的值。 这样就能算出新成员的概率。 密度估计 假设x的各个特征是独立的，p(x)就可以用以下公式计算。 计算p(x)的过程也被称为密度估计。 异常检测算法 利用x的密度估计，计算它的概率，看是否
斯坦福大学吴恩达机器学习教程中文笔记——week9——异常检测，推荐系统
Laic Zhang的博客
04-22 1983
第9周 文章目录第9周@[toc] 十五、异常检测(Anomaly Detection)15.1 问题的动机15.2 高斯分布15.3 算法15.4 开发和评价一个异常检测系统15.5 异常检测与监督学习对比15.6 选择特征15.7 多元高斯分布（选修）15.8 使用多元高斯分布进行异常检测（可选）十六、推荐系统(Recommender Systems)16.1 问题形式化16.2 基于内容的推...
吴恩达机器学习课程笔记——第一周
yanyunfei0921的博客
08-05 448
吴恩达机器学习课程笔记——第一周。
吴恩达机器学习入门笔记（Week 1）
m0_73835785的博客
06-27 875
吴恩达机器学习入门笔记
机器学习- 吴恩达Andrew Ng Week9 知识总结 Anomaly Detection
AI架构师易筋
07-03 282
Coursera课程地址 因为Coursera的课程还有考试和论坛，后续的笔记是基于Coursera https://www.coursera.org/learn/machine-learning/home/welcome 异常检测 Anomaly Detection 1. 问题动机 Problem motivation 就像在其他学习问题中一样，我们得到了一个数据集X(1), X(2), …, X(m). 然后我们给出了一个新的例子，x(test), 我们想知道这个新例子是否异常/异常。 我们定义了一个
【吴恩达机器学习笔记】Part3-Week1（下） 异常检测（Anomaly Detection）
hotpants的博客
01-23 274
高斯分布
《机器学习-吴恩达》课程笔记Week9
SofiaT的博客
06-03 193
异常检测 推荐系统
Cousera吴恩达机器学习week6笔记
loserChen的博客
02-08 307
Density Estimation Gaussian Distribution 他的图像如下：以均值为中心，方差为宽度。 有了均值与方差的计算方法，就有了参数估计这一名词。就是：给你了一些样本值，你可以求出他们的均值与方差，然后用这两个参数估计总体样本的分布。 第二个比较重要的数学知识就是独立分布的概率，等于概率的乘积。 Algorithm Building an Anomaly Det...
吴恩达机器学习笔记（week6——）
weixin_41745696的博客
10-01 173
http://ai-start.com/ml2014/html/week6.html Week6 十、应用机器学习的建议(Advice for Applying Machine Learning) 10.1 决定下一步做什么 10.2 评估一个假设 10.3 模型选择和交叉验证集 10.4 诊断偏差和方差 10.5 正则化和偏差/方差 10.6 学习曲线 10.7 决定下一...
85 机器学习吴恩达机器学习中文版笔记：异常检测（Anomaly Detection）.docx
10-22
吴恩达机器学习中文版笔记：异常检测（Anomaly Detection） 吴恩达机器学习中文版笔记中，异常检测（Anomaly Detection）是一种常见的机器学习算法，用于检测数据中的异常值或异常模式。这种算法虽然主要用于非监督...
2022吴恩达机器学习笔记汇总(共10章节).zip
12-27
2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip...
吴恩达机器学习课后作业源码及笔记_机器学习_吴恩达_
10-01
这份名为“吴恩达机器学习课后作业源码及笔记”的压缩包文件，无疑是针对他开设的机器学习课程的学习辅助资料。这份资料包括了课程中的习题解答以及相关的编程代码，对于正在学习或已经学过吴恩达机器学习课程的人来...
机器学习笔记 - week6 -（十一、机器学习系统的设计）
qq_24428851的博客
09-27 800
值，假设我们使用一种需要大量参数的学习算法，比如有很多特征的逻辑回归或线性回归，或者用带有许多隐藏单元的神经网络，那又是另外一种带有很多参数的学习算法，这些都是非常强大的学习算法，它们有很多参数，这些参数可以拟合非常复杂的函数，因此我要调用这些，我将把这些算法想象成低偏差算法，因为我们能够拟合非常复杂的函数，而且因为我们有非常强大的学习算法，这些学习算法能够拟合非常复杂的函数。于是他们把诸如这样的机器学习问题，当做一类监督学习问题，并尝试将其分类，什么样的词，在一个英文句子特定的位置，才是合适的。
李宏毅机器学习2022-HW8-Anomaly Detection
Tunny_one
09-27 631
李宏毅机器学习2022-HW8-Anomaly Detection
第十四周：机器学习笔记
Zcymatics的博客
09-29 808
本周周报在机器学习的理论内容中，概述了Transformer里面Decoder的内容，其中包括Decoder的结构、autoregressive decoder（自回归解码器）以及non-autoregressive decoder（非自回归解码器），此外还讲述了Transformer 的训练过程，并在最后提供了序列到序列模型训练常用的Tips。在Pytorch代码学习中，本周报详细的讲述了训练模型的一些常用手段和流程，并通过代码实现了包括数据收集、模型搭建、模型训练、结果展示等过程。
大数据分析案例-基于逻辑回归算法构建抑郁非抑郁推文识别模型
最新发布
m0_64336780的博客
10-04 2517
本项目基于逻辑回归算法构建抑郁非抑郁推文识别模型具有重要的研究背景和应用价值。通过该模型的研究和应用，我们可以更好地理解和预测社交媒体中用户的心理健康状况，为抑郁症等心理疾病的防治提供有力的支持。在本次实验中，我们探索了使用不同的机器学习算法——逻辑回归、决策树和XGBoost——来构建抑郁非抑郁推文识别模型。经过严格的模型训练和验证过程，我们对比了三种模型的性能，并发现逻辑回归模型在准确率上达到了91%，超过了决策树和XGBoost模型。因此，我们最终选择了逻辑回归模型作为本次实验的最终模型。
240929-CGAN条件生成对抗网络
weixin_66378701的博客
09-29 841
前面我们学习了GAN（）和DCGAN（），接下来继续来看CGAN（Conditional GAN）条件生成对抗网络。
机器学习和深度学习的区别
dhdjjfhdghh的博客
09-26 1503
深度学习是机器学习的一个子集，它基于人工神经网络的概念，特别是那些具有多个非线性变换的层（即深度）。深度学习模型能够自动从原始数据中提取复杂的特征，而无需人为干预。层次结构：深度学习模型由多个层次的神经元组成，每一层都对输入数据进行转换和抽象，从而捕捉数据的复杂特征。自动特征提取：与传统机器学习方法相比，深度学习能够自动从原始数据中学习特征，减少了对人工特征工程的依赖。计算密集型：深度学习模型通常需要大量的计算资源，包括高性能的GPU，以训练大规模的数据集和复杂的模型结构。代表性模型。
吴恩达机器学习笔记：斯坦福大学2014年机器学习课程学习笔记
吴恩达机器学习个人笔记完整版 吴恩达机器学习个人笔记完整版是根据斯坦福大学2014年机器学习课程视频所做的笔记，主要记录吴恩达老师上课时的重点。该笔记对机器学习的基本概念、模型、算法和应用进行了详细的介绍...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值