![](https://img-blog.csdnimg.cn/153f8770eaaa486e9b8b16ea0087b0c9.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
吴恩达机器学习课程笔记
文章平均质量分 93
包含吴恩达机器学习课程第1-18章的笔记,其中第3章和第5章分别为线性代数和Octave的教程,本专栏不作笔记
Fannnnf
这个作者很懒,什么都没留下…
展开
-
【CV】吴恩达机器学习课程笔记 | 第15章
目录15 异常检测15-1 问题动机15-2 高斯分布(正态分布)15-3 算法15-4 开发和评估异常检测系统15-5 异常检测vs监督学习15-6 选择要使用的特征15-7 多元高斯分布15-8 使用多元高斯分布的异常检测15 异常检测15-1 问题动机以飞机发动机的异常检测为例,x1x_1x1和x2x_2x2分别表示发动机的两个特征,先有一堆数据集表示.原创 2022-02-18 06:00:00 · 187 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记 | 第14章
目录14 降维14-1 目标I:数据压缩14-2 目标II:可视化14-3 主成分分析方法(PCA)14-4 主成分分析算法(PCA)14-5 压缩重现(解压缩)14-6 选择主成分数量14-7 应用PCA的建议14 降维14-1 目标I:数据压缩如上图,将数据从二维压缩为一维,以表示同一个物体的长度为例,x1x_1x1为用厘米表示,x2x_2x2为用英尺表.原创 2022-02-17 06:00:00 · 294 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记 | 第13章
目录13 聚类算法13-1 无监督学习13-2 K均值(K-means)算法13-3 优化目标13-4 随机初始化(K均值聚类算法)13-5 如何选择聚类数量K13 聚类算法13-1 无监督学习无监督学习的数据集是一堆不带标签的数据,他们没有yyy的值,只有xxx的值13-2 K均值(K-means)算法K均值算法的第一步(簇分配):确定两个聚类中心(图中.原创 2022-02-16 06:00:00 · 285 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记 | 第12章
目录12 支持向量机(SVM)12-1 优化目标12-2 大间距的理解12-3 支持向量机的数学原理12-4 核函数I12-5 核函数II12-6 使用支持向量机(SVM)12 支持向量机(SVM)12-1 优化目标上图左侧坐标系为y=1y=1y=1时代价函数的图像,支持向量机时画出粉色的曲线,命名为Cost1(z)Cost_1(z)Cost1(z),下标指.原创 2022-02-15 06:00:00 · 361 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记 | 第9章
本系列文章如果没有特殊说明,正文内容均解释的是文字上方的图片机器学习 | Coursera吴恩达机器学习系列课程_bilibili目录9 神经网络:Learning9-1 应用于神经网络的代价函数9-2 反向传播算法9-3 理解反向传播9-4 展开参数9-5 梯度检测9-6 随机初始化9-7 回顾总结9 神经网络:Learning9-1 应用于神经网络的代价函数用LLL表示神经网络的总层数(Layers)用sls_lsl表示第lll层单元(神经元)的数量(不包括偏置单元)hΘ(x)∈.原创 2022-02-14 06:00:00 · 178 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记 | 第8章
本系列文章如果没有特殊说明,正文内容均解释的是文字上方的图片机器学习 | Coursera吴恩达机器学习系列课程_bilibili目录8 神经网络的表示8-1 非线性假设8-2 神经元与大脑8-3 前向传播-模型展示I8-4 前向传播-模型展示II8-5 例子与理解I8-6 例子与理解II8-7 多元分类8 神经网络的表示8-1 非线性假设对于一幅图像来说,如果取出每个像素点的灰度值或其他特征表示方法来作为一个数据样本的话,数据集将会非常庞大,如果运用之前的回归算法来计算,将会产生非常大的计.原创 2022-02-13 06:00:00 · 239 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记 | 第7章
目录7 正则化7-1 过拟合问题7-2 (正则化更改)代价函数7-3 线性回归的正则化7-4 逻辑回归的正则化7 正则化7-1 过拟合问题上图左侧坐标系为欠拟合,用一条直线不能很好的表示这个数据集,偏差很大上图中间为合适的拟合上图右侧为过度拟合,拟合的曲线波动很大,假定函数中的变量过多,虽然代价函数非常接近0,但不能泛化到其他数据集中上图为在逻辑回归中.原创 2022-02-12 06:00:00 · 135 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记 | 第6章
本系列文章如果没有特殊说明,正文内容均解释的是文字上方的图片机器学习 | Coursera吴恩达机器学习系列课程_bilibili目录6 逻辑回归6-1 逻辑分类算法6-2 假设表示6-3 决策边界6-4 代价函数6-4 简化代价函数与梯度下降6-5 高级优化6-7 多元分类:一对多6 逻辑回归6-1 逻辑分类算法用于输出量yyy是离散值如0/1的情况不宜用线性回归进行机器学习6-2 假设表示在逻辑分类中,将假定函数改为hθ(x)=g(θTx)h_θ(x)=g(θ^Tx)hθ.原创 2022-02-11 06:00:00 · 325 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记 | 第4章
本系列文章如果没有特殊说明,正文内容均解释的是文字上方的图片机器学习 | Coursera吴恩达机器学习系列课程_bilibili目录4 多变量线性回归4-1 多特征4-2 多元梯度下降法4-3 多元梯度下降法I——特征缩放缩放归一化4-4 多元梯度下降法演练I——学习率α4-5 特征和多项式回归4-6 正规方程(Normal Equation)(区别于迭代方法的直接解法)4 多变量线性回归4-1 多特征用n来表示数据集中特征的数量,这里有4个特征y表示输出量用x(i)x^{(i)}.原创 2022-02-10 06:00:00 · 372 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记 | 第1-2章
本系列文章如果没有特殊说明,正文内容均解释的是文字上方的图片机器学习 | Coursera吴恩达机器学习系列课程_bilibili目录1 介绍1-3 监督学习1-4 无监督学习2 单变量线性回归2-2 代价函数2-5 Batch 梯度下降算法1 介绍1-3 监督学习包括线性回归和逻辑回归1-4 无监督学习无监督学习不需要给数据打上标签,也就是不需要人告诉机器一部分正确答案是什么2 单变量线性回归2-2 代价函数Hypothesis即假定函数,是线性回归时机器推测出来的对.原创 2022-02-09 16:04:31 · 1005 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记第11章
11 机器学习系统设计11-1 确定执行的优先级:以垃圾邮件分类为例11-2 误差分析不要在编写程序时进行过早的优化,在编写完整个系统后再根据学习曲线优化系统;先编写一个简单粗暴的算法,再根据输出的结果改进算法误差分析:观察被错误分类的数据有何共同的特征(以垃圾邮件分类为例,查看被错误分类的垃圾邮件有何共同的特征)或以数值方式表示误差推荐在交叉验证集上做误差分析11-3 不对称性分类的误差评估偏斜类问题:一个数据集中的一类数据样本比另外一类的样本少的多(比如1占样本的0.5%,而0占样本原创 2022-02-06 14:16:09 · 318 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记 | 第1-15章
吴恩达机器学习 目录1监督学习无监督学习2代价函数Batch 梯度下降算法4多特征多元梯度下降法多元梯度下降法I——特征缩放缩放归一化多元梯度下降法演练I——学习率α特征和多项式回归正规方程(Normal.原创 2022-01-30 22:34:22 · 818 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记第10章
10 应用机器学习的建议10-1 决定下一步做什么10-2 评估假设函数随机选择数据集中的70%作为训练集,30%作为测试集,将数据集分为两个部分首先根据训练集计算出参数Θ\ThetaΘ把参数Θ\ThetaΘ代入测试集计算代价函数的值(这里是线性回归的代价函数,逻辑回归的代价函数同理):Jtest(θ)=12mtest∑i=1mtest(hθ(xtest(i))−ytest(i))2J_{test}(θ)=\frac{1}{2m_{test}}\sum_{i=1}^{m_{test}}(h_原创 2022-02-06 14:16:53 · 1077 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记第17章
目录17 大规模机器学习17-1 学习大数据集17-2 随机梯度下降17-3 mini-batch 梯度下降17-4 随机梯度下降收敛17-5 在线学习机制17-6 map-reduce和数据并行17 大规模机器学习17-1 学习大数据集如果数据集中有1亿个样本,那么梯度下降算法的计算量会变得很大如果训练效果(误差)的图像是像左边的坐标系一样的话,那么1亿个样本的数据集训练的效果很可能会比1000个样本的数据集好而如果图像像右边的坐标系一样的话,1000个样本的数据集很有可能训练效果跟1亿个样原创 2022-02-08 00:14:00 · 1359 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记第16章
目录16 推荐系统16-1 问题规划16-2 基于内容的推荐算法16-3 协同过滤16-4 协同过滤算法16-5 向量化:低秩矩阵的分解16-6 实施细节:均值归一化16 推荐系统16-1 问题规划以电影评分预测系统为例,机器学习系统需要预测问号处的值来决定向用户推荐哪部电影nun_unu表示用户的数量,这里=4nmn_mnm表示电影的数量,这里=5r(i,j)r(i,j)r(i,j):如果用户jjj已经给电影iii进行评分了的话,r(i,j)=1r(i,j)=1r(i,j)=1y(i原创 2022-02-07 22:35:44 · 193 阅读 · 0 评论 -
【CV】吴恩达机器学习课程笔记第18章
目录18 应用案例:照片OCR18-1 问题描述与流程(pipeline)18-2 滑动窗口(sliding windows)分类器18-3 获取大量数据和人工数据合成18-4 上限分析:下一步要做流水线中的哪一个18 应用案例:照片OCR18-1 问题描述与流程(pipeline)1.找到一张图片2.首先识别出文字区域3.然后分割出单独文字4.最后运用分类器识别出文字以上称为机器学习流水线,每一步都是一个机器学习模块18-2 滑动窗口(sliding windows)分类器在文字区域原创 2022-02-08 01:08:53 · 2272 阅读 · 0 评论