![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
吴恩达机器学习作业
张张同学!
其实路上风再大也没有关系。
展开
-
美国疫情预测
2020-2-02,1,11 2020-2-12,1,13 2020-2-22,0,34 2020-3-03,16,105 2020-3-13,356,2235 2020-3-23,11219,46443 2020-4-02,27174,217263 2020-4-12,29129,530830 2020-4-22,17733,843981 2020-5-02,51428,1095023 2020-5-12,22802,1408636 2020-5-22,22140,1592723 2020-6-01,2.原创 2020-09-21 20:04:14 · 568 阅读 · 1 评论 -
吴恩达机器学习作业练习6(支持向量机)
机器学习练习 6 - 支持向量机题目练习 题目 使用支持向量机(SVM)来构建垃圾邮件分类器。 我们将从一些简单的2D数据集开始使用SVM来查看它们的工作原理。 然后,我们将对一组原始电子邮件进行一些预处理工作,并使用SVM在处理的电子邮件上构建分类器,以确定它们是否为垃圾邮件。 练习 我们要做的第一件事是看一个简单的二维数据集,看看线性SVM如何对数据集进行不同的C值(类似于线性/逻辑回归中的正则化项)。 import numpy as np import pandas as pd import matp原创 2020-08-13 14:29:35 · 952 阅读 · 0 评论 -
吴恩达机器学习作业5(偏差和方差)
机器学习练习 5 - 偏差和方差 import numpy as np import scipy.io as sio import scipy.optimize as opt import pandas as pd import matplotlib.pyplot as plt import seaborn as sns def load_data(): """for ex5 d['X'] shape = (12, 1) pandas has trouble taking this原创 2020-08-12 22:28:41 · 2442 阅读 · 1 评论 -
吴恩达机器学习作业4( 机器学习练习 4 - 神经网络)
对于这个练习,我们将再次处理手写数字数据集,这次使用反向传播的前馈神经网络。 我们将通过反向传播算法实现神经网络成本函数和梯度计算的非正则化和正则化版本。 我们还将实现随机权重初始化和使用网络进行预测的方法。 由于我们在练习3中使用的数据集是相同的,所以我们将重新使用代码来加载数据。 import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy.io import loadmat data = loadm原创 2020-08-11 22:27:48 · 2209 阅读 · 0 评论 -
吴恩达机器学习作业3(多分类问题)
多分类问题一.复习二 .题目三.代码1.导入需要的包2. sigmoid 函数3.向量化的梯度函数 一.复习 二 .题目 对于此练习,我们将使用逻辑回归来识别手写数字(0到9)。 我们将扩展我们在练习2中写的逻辑回归的实现,并将其应用于一对一的分类。 让我们开始加载数据集。 它是在MATLAB的本机格式,所以要加载它在Python,我们需要使用一个SciPy工具。 三.代码 1.导入需要的包 import numpy as np import pandas as pd import matplotlib.原创 2020-08-07 11:47:28 · 1497 阅读 · 0 评论 -
吴恩达学习作业3(神经学习)
神经网络学习题目:准备数据train 1 model(训练一维模型)train k model(训练k维模型)进行预测神经网络模型图示feed forward prediction(前馈预测)准确率 题目: 对于这个练习,我们将再次处理手写数字数据集。这次使用反向传播的前馈神经网络,自动学习神经网络的参数。这部分和ex3里是一样的,5000张20*20像素的手写数字数据集,以及对应的数字(1-9,0对应10) import matplotlib.pyplot as plt import numpy as原创 2020-08-08 11:20:37 · 430 阅读 · 0 评论 -
吴恩达机器学习作业2(逻辑回归)
逻辑回归一.知识回顾二.题目二.编程的设计【1】引入一些包【2】准备数据【3】sigmoid 函数【4】cost function(代价函数)1.设置参数【5】gradient descent(梯度下降)1.损失梯度的推导2.代码【6】拟合参数【7】用训练集预测和验证【7】寻找决策边界1.输出最后拟合的参数2.根据边界公式计算X×θX \times \thetaX×θ3.画出图形 一.知识回顾 后续有代价函数误差什么什么的 二.题目 构建一个逻辑回归模型来预测,某个学生是否被大学录取,构建一个逻辑回归模型原创 2020-08-03 13:40:40 · 2561 阅读 · 0 评论 -
吴恩达机器学习作业1(单变量与多变量线性回归)
线性回归作业一.回顾线性回归知识点二.作业实战【1】导入需要的包【2】导入数据集并查看【3】使用梯度下降【4】变量初始化batch gradient decent(批量梯度下降)绘制线性模型以及数据,直观地看出它的拟合多变量线性回归 一.回顾线性回归知识点 二.作业实战 【1】导入需要的包 import numpy as np import pandas as pd import matplotlib.pyplot as plt 【2】导入数据集并查看 一定要把数据集和程序放在同一个文件夹里面, pa原创 2020-08-01 23:40:35 · 1169 阅读 · 0 评论