前言
吴恩达的课程堪称经典,有必要总结一下。
学以致用,以学促用,通过笔记总结,巩固学习成果,复习新学的概念。
目录
正文
应用计算机视觉是一个迭代的过程。
将现有数据集划分成训练集,测试集,开发集。
不匹配的训练和测试集。
偏差和方差。
偏差和方差,猫狗分类问题。
高偏差和高方差。
机器学习诊断问题的基本流程。
逻辑斯蒂回归正则化。
神经网络
正则化是如何减少过拟合的?
正则化与拟合程度判断。
正则化如何减少过拟合。
局部失活正则化方法。
实现局部失活。
在预测时测试。
并没有依赖任何一个神经元,因此,效果良好。
样本集不够时可以采取数据增强的方式获得更多的数据。
训练误差过小不一定是模型训练的好,也有可能是过拟合了。
标准化训练集,减去均值,同时除以方差。
梯度消失与梯度爆炸。
单一神经元模型。
检查你的梯度计算。
对一个神经网络的梯度进行计算。
梯度检查。
梯度检查实现笔记。