李宏毅机器学习task5

最新推荐文章于 2024-07-11 14:06:01 发布
最新推荐文章于 2024-07-11 14:06:01 发布
阅读量248 收藏
点赞数
文章标签： 深度学习
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/Serendipity_101/article/details/126983278
版权

a7a952297a9140999e1b2cf187153cf9.jpg

424658a1d63f4d0483337077af7b2817.jpg 

3cfdd456e7f0429bb83d348c625d5afc.jpg 

4e6b3b9115294a49b8caea0965151bc6.jpg 

1c06e404ba384397bef7b8c08245bf14.jpg 

829d47cd2698433cab06be103bd09e58.jpg 

 

Serendipity_101
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
李宏毅机器学习|Task02
weixin_42724663的博客
08-17 280
下降到最优处时得到最终的w,b，带入模型，得到一条直线，用模型去泛化，预测其他数据，还行，但拟合的不是特别理想，我们想到用二次模型，或多次模型，引入二次项，可能拟合的更理想，注意最终还是线性模型，因为将二次项还是视作一个特征，图形可视化为一条曲线。：更多特征，但是参数表示得权重 w 可能会使某些特征权值过高，仍旧导致过拟合，所以加入正则化，原来代价函数后面加上一项，该项只考虑w，不包含偏执参数b会比较好，正则项前的λ越大，曲线越越平滑，但不一定越平滑泛化能力越好，需要我们手动调整λ来测试。...
李宏毅机器学习Task5
qq_38364952的博客
05-29 164
1.逻辑回归（logistic regression）      对于给定的一个x ，我们想要得到y^=P(y=1∣x)\hat{y}=P(y=1|x)y^​=P(y=1∣x) ，其中，x∈Rnxx\in R^{n_{x}}x∈Rnx​, 0≤y^≤10\leq \hat{y}\leq 10≤y^​≤1 1.1损失函数 对于y^(i)=sigmoid(WT...
Datawhale 李宏毅机器学习 Task5
FFTang的博客
11-23 401
因为 在 critical point （梯度接近0）处 一阶导 等于 0， 所以 只留下 含 Hessian 矩阵的二阶导数项。扩展： 现在有其他方法，无需计算 Hessian 矩阵 即可判断 critical point 是否为 鞍点。在考虑 并行运算时， 大的 Batch-size 在跑完一个epoch 时间比小的少。一个解释：开始 走小路， 让 分母的参数获得更多可靠的统计信息。Batch-size 小：不稳定， 时间短。Batch-size 大： 稳定，时间长。（但实际不一定，见下分析）
DW李宏毅机器学习Task5
momokofly的博客
09-23 186
1、当梯度很小时，优化效果没有达到期望 Optimization失败的原因：（1）local minimum；（2）saddle point（鞍点） gradient为0，会导致loss不下降，即卡在了critical point（包括local minimum和saddle point）。 对于local minimum的问题可能无法解决，但是saddle point还是有可能解决。 数学推导 Taylar Series Approximation，泰勒展开式近似 critical point是指，
李宏毅机器学习task3
Serendipity_101的博客
09-17 185
李宏毅机器学习-task5
zuyuhuo6777的博客
05-29 300
推导LR损失函数 Logistic 函数是一个概率分布函数，即给定某个特定输入，该函数将计算输出为“Success”的概率，即对问题的回答为“Yes”的概率。 损失函数： 学习LR梯度下降 Logistic回归模型、最大熵模型可归结为以似然函数为目标函数的最优化问题，通常通过迭代算法求解，它 是光滑的凸函数，因此多种最优化的方法都能适用。 常用方法： 梯度下...
李宏毅机器学习Task01
chensen99的博客
03-14 369
机器学习介绍：我觉得按照这张图解释就可以了。 机器学习定义：研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 蓝色的方块scenario：指的是学习的情景，通常学习的情景是你没有办法控制的。通常分为有监督学习，无监督学习，迁移学习，强化学习等。 task：根据任务的不同可以分为分类(Classification)和回归(Regression)。分类表示的是一个离散值，比如一张图片是猫还是狗，而回归输出的是一个连续值，比如房价和天气预报的预
李宏毅机器学习Task06
qq_43751122的博客
10-23 142
写在正文前：卷积神经网络早有耳闻，但是本次的任务我觉得是我到现在为止最难理解的，这3天的时间我觉得仅仅能够看个皮毛，很多内部的东西都没搞懂。 卷积神经网络 图像识别中的卷积神经网络 图像识别问题：输入一张图片，将这张图片表示成里面的像素，也就是很长很长的向量，然后输出这种图片的类型。 根据神经网络的特性，我们期待说每一层都在做一种分类，比如说第一层的神经元完成最简单的分类工作，比如有没有颜色，有没有黄色，有没有斜条纹，第二层的工作比第一层复杂一些，然后依次第三层要更复杂，最后逐步输出结果。 如果我们依然用
李宏毅机器学习task2 回归
Serendipity_101的博客
09-15 190
李宏毅机器学习HW5.zip
04-08
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的...
李宏毅机器学习全套资料
08-31
《李宏毅机器学习全套资料》是一份全面深入的机器学习教育资源，主要涵盖了教学演示文稿、作业解决方案以及详尽的课程内容。这份资源对于想要深入理解和掌握机器学习这一领域的学习者来说，无疑是一份宝贵的参考资料...
李宏毅机器学习hw4.zip
04-08
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的...
GCN-LSTM实现时空预测
weixin_44992737的博客
07-10 510
GCN-LSTM实现交通流量预测,时空预测,
基于深度学习的点云降噪
weixin_42605076的博客
07-10 1353
基于深度学习的点云降噪是一种利用深度学习模型处理三维点云数据，以去除噪声并恢复点云的原始形状和细节的方法。点云数据广泛应用于自动驾驶、机器人导航、3D扫描和虚拟现实（VR）等领域，因此高质量的点云数据处理至关重要。
Transformer-LSTM分类 | Matlab实现Transformer-LSTM多特征分类预测/故障诊断
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
07-10 812
Transformer-LSTM分类 | Matlab实现Transformer-LSTM多特征分类预测/故障诊断
【深度学习】图形模型基础(6)：模型优化理论
MUKAMO的博客
07-10 905
模型优化理论关注提升模型性能、准确性和效率。SGD（随机梯度下降）是其关键算法之一，通过随机选取样本计算梯度并更新模型参数，以提高训练速度和适用性。SGD尤其适合大规模数据集，但可能因梯度噪声导致收敛波动。改进算法如动量法和自适应学习率算法（如Adam）进一步加速收敛并提升精度。总之，模型优化理论和SGD是机器学习不可或缺的工具，助力提升模型性能，推动深度学习发展。
【人工智能】深度学习：神经网络模型
最新发布
边走、边悟、迟早变好
07-11 1331
神经网络（Neural Network）是一种模拟人脑神经元连接方式的计算模型。其基本组成部分是神经元（Neurons），通过加权连接和激活函数构成复杂的网络结构。神经网络广泛应用于模式识别、分类和回归等领域。
人工智能及深度学习在病理组学中的应用概述｜系列推文·24-07-11
qq_45404805的博客
07-10 1184
首先，小罗会带大家回顾计算机和编程的起源，解释从最初的电子计算器到现代计算机的发展历程，以及高级编程语言如何简化计算机指令的编写。其次，本期推文会深入探讨机器学习的不同类型，包括深度学习、神经网络和其他学习算法，以及它们如何被应用于解决实际问题，特别是在病理学领域。最后，小罗会列举一些AI技术当前面临的挑战，包括算法的单一任务限制、对大量数据集的需求以及计算过程中的能源效率问题……。
李宏毅机器学习如何提交代码
08-17
关于李宏毅机器学习课程作业代码的提交方式，通常是通过指定的方式将代码上传至指定的平台或仓库。具体的提交方式可能会在课程的学习平台或者教学材料中进行说明。建议您仔细阅读课程的相关资料，以了解如何正确提交...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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