Coursera - 机器学习基石 - 课程笔记 - Week 16

最新推荐文章于 2024-10-04 22:36:54 发布
最新推荐文章于 2024-10-04 22:36:54 发布
阅读量144 收藏
点赞数
分类专栏： Cousera-课程笔记 文章标签： 人工智能 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/cary_leo/article/details/105911416
版权

Three Learning Principles

Occam’s Razor

  • 数据的解释应做到最简单，但不能比这个更简单
  • 去除不必要解释
  • 最简单的解释就是最好的
  • 简单的假设
    • 小的假设集合
    • 更少的参数
  • 简单的模型
    • 候选模型不会很多
    • 包含少量的假设

Sampling Bias

  • 如果数据的采样存在一定的偏差，那么学到的模型也会有类似的偏差
  • 根据对测试环境的了解，让训练环境与测试环境尽可能的接近

Data Snooping

  • “偷看数据”可能会影响整个模型的能力
  • 训练过程中会因为偷看，让模型受到测试数据的污染
  • 数据服用造成间接的偷看
  • 避免“由数据决定建模”
  • 时刻怀疑“污染”的可能性

Power of Three

支锦铭
关注
专栏目录
Coursera-机器学习-斯坦福大学：机器学习-斯坦福大学
02-04
Coursera-机器学习-斯坦福大学：机器学习-斯坦福大学
Coursera-机器学习-Andrew-NG：这是斯坦福大学我的Coursera机器学习的库，Andrew NG课程的作业
02-04
《机器学习之旅——深入探索Andrew NG的Coursera课程》 机器学习，作为现代科技的基石，已经成为数据科学、人工智能和计算机科学领域的热门话题。在这个领域中，Andrew Ng的Coursera机器学习课程堪称经典，它为全球...
Coursera - 机器学习基石 - 课程笔记 - Week 1
支锦铭的博客
05-02 194
Formalize the Learning Problem 输入：x∈X\bold{x} \in \mathcal{X}x∈X 输出：y∈Yy \in \mathcal{Y}y∈Y 需要学习的未知模式（目标函数）：f:X→Yf: \mathcal{X} \to \mathcal{Y}f:X→Y 数据（训练样例）：D={(x1,y1),(x2,y2),…,(xN,yN)}\mathcal{D} ...
Coursera - 机器学习基石 - 课程笔记 - Week 7
支锦铭的博客
05-03 198
The VC Dimension Definition of VC Dimension 可以学习的情形： mH(N)m_{\mathcal H}(N)mH​(N)在kkk处为突破点（好的假设集H\mathcal HH） NNN足够大（好的数据集D\mathcal DD），（大概率）使得Ein(h)≈Eout(h)E_{in}(h) \approx E_{out}(h)Ein​(h)≈Eout​...
Coursera - 机器学习基石 - 课程笔记 - Week 6
支锦铭的博客
05-03 182
Theory of Generalization Restriction of Break Point 突破点的限制（让其增长地更慢） 对于N≥kN \ge kN≥k的情况，kkk很大程度上限制了NNN的增长 Bounding Function: Basic Cases 界限函数B(N,k)B(N,k)B(N,k)：当突破点为kkk时，mH(N)m_{\mathcal H}(N)mH​...
Coursera - 机器学习基石 - 课程笔记 - Week 4
支锦铭的博客
05-02 197
Feasibility of Learning Learning is Impossible 由于真实的模式fff是未知的，我们很难最终确定ggg是否真的很拟合，甚至可能永远得不到“正确的”答案（控制因素太多） 学习的目的是预测既有数据集以外的内容，如果任何一种可能的假设都能够你和数据集以外的结果，那么相当于“没有学到东西” Probability to the Rescue 对于推断在数据...
Coursera - 机器学习基石 - 课程笔记 - Week 14
支锦铭的博客
05-04 205
Regularization Regularized Hypothesis Set 过拟合线性通过正则化约束到更好的拟合状态 通过正则化从高阶拟合转换为低阶拟合 低阶多项式可以视为高阶系数均为极小值的高阶多项式 高阶转换为低阶：向高阶系数施加限制 优化目标变成含约束的优化问题——高阶系数非常小 可以扩展解决问题的视野——任意k个系数非常小，可以有更好的性能 后者比前者相对宽松，但是要比完全...
Coursera - 机器学习基石 - 课程笔记 - Week 8
支锦铭的博客
05-03 148
Noise & Error Noise and Probabilistic Target 噪声：概率化情形 VC在以下情形下仍然成立 x∼(i.i.d)P(x)\bold x \sim (i.i.d) P(\bold x)x∼(i.i.d)P(x) y∼(i.i.d)P(y∣x)y \sim (i.i.d) P(y | \bold x)y∼(i.i.d)P(y∣x) (x,y)∼P(x...
Coursera - 机器学习基石 - 课程笔记 - Week 10
支锦铭的博客
05-03 159
Logistic Regression Logistic Regression Problem 二元分类：尝试明确“是”或者“否” “软”二元分类：尝试明确“是”的概率P(+1∣x)P(+1|\bold x)P(+1∣x) 我们希望在完成第二个任务时，希望能够有直接对应的标签（概率），但是只有第一个任务的结果 将二元标签（是和否）视为概率式标签的含噪声版本 使用和“硬”二元分类相同的数据，希望...
Coursera - 机器学习基石 - 课程笔记 - Week 9
支锦铭的博客
05-03 167
Linear Regression Problem Linear Regression Problem 直观的概念：对一个客体的多个特征x=(x0,x1,…,xd)\bold x = (x_0, x_1, \ldots, x_d)x=(x0​,x1​,…,xd​)，使用加权和计算得到一个实数值作为结果：y≈∑i=0dwixiy \approx \sum_{i=0}^d w_i x_iy≈∑i=0...
Coursera - 机器学习基石 - 课程笔记 - Week 15
支锦铭的博客
05-04 183
Validation Model Selection Problem 模型选择：选择最佳的路线组合 选择Hm∗\mathcal{H}_{m^{\ast}}Hm∗​以保证gm∗=Am∗(D)g_{m^{\ast}} = \mathcal{A}_{m^{\ast}}(\mathcal {D})gm∗​=Am∗​(D)具有一个比较低的Eout(gm∗)E_{out}(g_{m^{\ast}})Eout...
coursera-machine-learning：Coursera的机器学习课程中的MATLAB作业
02-03
Coursera上的机器学习课程是全球最受欢迎的在线教育平台之一，由斯坦福大学的Andrew Ng教授主讲，深入浅出地介绍了机器学习的基本概念、算法和实践应用。MATLAB作为一款强大的数值计算和科学计算软件，被广泛应用于...
coursera-crypto:Coursera密码学课程的各种作业
06-03
这个压缩包“coursera-crypto-master”很可能是该课程学员的学习资料，特别是针对Ruby编程语言的实现。下面我们将深入探讨密码学的基础知识以及它与Ruby编程语言的结合应用。 **密码学基础** 密码学是一门研究信息...
coursera-machine-learning-master.zip_Y7Y_coursera_机器学习_机器学习matla
07-15
《机器学习MATLAB版：Coursera课程精要与实践》 在当今的科技时代，机器学习已经成为数据科学和人工智能领域的重要基石。Coursera上的"机器学习"课程由斯坦福大学的Andrew Ng教授主讲，是全球最受欢迎的在线课程之...
扩散模型（2）--1
m0_63860007的博客
09-29 880
生成模型通过学习并建模输入数据的分布，从而采集生成新的样木，该模型广泛运用于图片视频生成、文本生成和药物分子生成。扩散模型是一类概率生成模型，扩散模型通过向数据中逐步。
基于Keras的U-Net模型在图像分割与计数中的应用
最新发布
深度学习实战训练营，一起交流探索深度学习
10-04 753
网络结构优化：项目基于经典的U-Net模型进行改进，采用了更深的网络层次结构，使模型能够在多尺度上捕捉到图像中的细节信息。特别是针对医学图像分割，项目通过增加卷积层数和引入Dropout层来增强模型的特征提取能力，并有效防止过拟合，从而提高模型在训练数据较少情况下的表现。项目中采用了he_normal初始化器和relu激活函数组合，使得网络在训练时能够更快地收敛，降低梯度消失的风险。自定义数据增强策略：在中实现了一个自定义的图像增强类。
深度学习每周学习总结J1（ResNet-50算法实战与解析 - 鸟类识别）
qq_33489955的博客
10-04 746
数据导入及处理部分：本次数据导入没有使用torchvision自带的数据集，需要将原始数据进行处理包括数据导入，查看数据分类情况，定义transforms，进行数据类型转换等操作。划分数据集：划定训练集测试集后，再使用torch.utils.data中的DataLoader()分别加载上一步处理好的训练及测试数据，查看批处理维度.模型构建部分：resnet-50。
Linux嵌入式有发展吗，以及对uboot，kernel，rootfs的领悟
rjszcb的博客
09-30 710
上一份工作是2022,11—2023，11年底，汽车公司，底层修修改改，编译镜像，修改后，客户给东西，重新编译给他，客制化配置启动参数，环境，支持应用部门，不懂怎么使用某些驱动。uboot到底是干嘛的，想想，emmc的镜像文件是怎么被读到ddr的，emmc为啥可以被分区，烧录镜像，tftp网络命令为啥可以运行，启动设备时，为啥lcd可以看到图像，kernel还没启动，怎么出图像的。不管做应用开发，驱动开发也好，知道，系统原理，驱动框架，进程管理调度，内核竞争，信号，中断，锁，这些就够了。
Coursera机器学习课程笔记：从线性回归到逻辑回归
"这是一份来自Coursera课程的机器学习笔记，由Andrew NG教授讲解，由Yuval W整理。笔记涵盖了机器学习的基础概念、监督学习、无监督学习、线性回归（包括单变量和多变量）、梯度下降、线性代数、逻辑回归以及正则化...
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