吴恩达·Machine Learning || chap18 Application example photo OCR & chap19 Conclusion简记

最新推荐文章于 2024-08-14 15:57:33 发布
最新推荐文章于 2024-08-14 15:57:33 发布
阅读量123 收藏
点赞数
分类专栏： Machine Learning 文章标签： 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/qq_46203130/article/details/120255026
版权

18 Application example photo OCR

18-1 Problem description and pipeline

The photo OCR problem

1.Text detection

2.Character segmentation

3.Character classification (recognition)

4.*Spelling correction

Photo OCR pipeline

在这里插入图片描述

18-2 Sliding windows

Text detection | Pedestrian detection

Supervised learning for pedestrian detection
在这里插入图片描述

Sliding window detection

Text detection
在这里插入图片描述

1D Sliding window for character segmentation
在这里插入图片描述

18-3 Getting lots of data: Artificial data synthesis

Character recognition

Artificial data synthesis for photo OCR

在这里插入图片描述

Synthesizing data by introducing distortions

Discussion on getting more data

  1. Make sure you have a low bias classifier before expending the effort(Plot learning curves). E.g. keep increasing the number of features/number of hidden units in neural network until you have a low bias classifier

  2. How much work would it be to get 10x as much data as we currently have?

    • Artificial data synthesis

    • Collect/label it yourself

    • Crowd source"(E.g. Amazon Mechanical Turk)

18-4 Ceiling analysis What part of the pipeline to work on next

Estimating the errors due to each component(ceiling analysis

What part of the pipeline should you spend the most time trying to improve?

Another ceiling analysis example
Face recognition from images (Artificial example
在这里插入图片描述

19 Conclusion-Summary and Thank you

Summary: Main topics
Supervised Learning
-Linear regression, logistic regression, neural networks, SVMS
Unsupervised Learning
-K-means, PCA, Anomaly detection
Special applications/special topics
-Recommender systems, large scale machine learning
Advice on building a machine learning system
-Bias/variance, regularization; deciding what to work on next: evaluation of learning algorithms, learning curves, error analysis, ceiling analysis

The Prestige
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
吴恩达 machine learning
05-04
吴恩达 machine learning 公开课讲义 吴恩达 machine learning 公开课讲义 吴恩达 machine learning 公开课讲义 吴恩达 machine learning 公开课讲义
（全）2020吴恩达机器学习MachineLearning第五周编程作业ex4
05-04
在本资源中，我们关注的是2020年吴恩达教授的《机器学习》（Machine Learning）课程的第五周编程作业，名为“ex4”。吴恩达是全球知名的计算机科学家，尤其在人工智能和深度学习领域有着深厚的造诣。他的这门机器...
吴恩达·Machine Learning || chap5&6 Octave Tutorial&Logistic Regression 简记
qq_46203130的博客
08-06 97
5 Octave Tutorial （Octave也可以用MATLAB学习，个人决定使用Python进行学习实现,5-6建议无论学习什么语言都可以看一看） 5-1 Basic operations 5-2 Moving data around 5-3 Computing on data 5-4 Plotting data 5-5 for,while,if statements,and function 5-6 Vectorization Vectorization example hθ(x)=∑j=0
吴恩达·Machine Learning || chap12 Support Vector Machines简记
qq_46203130的博客
09-06 83
12-1 Optimization objective Alternative view of logistic regression hθ(x)=11+e−θTxh _ { \theta } ( x ) = \frac { 1 } { 1 + e ^ { - \theta ^ { T } x } }hθ​(x)=1+e−θTx1​ If y=1y=1y=1,we want hθ(x)≈1,θTx≫0h_{\theta}(x)\approx1, \theta^Tx\gg0hθ​(x)≈1,θTx≫0 If
吴恩达·Machine Learning || chap1 Introduction 简记
qq_46203130的博客
07-26 75
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
吴恩达·Machine Learning || chap17 Large scale machine learning简记
qq_46203130的博客
09-12 112
17 Large scale machine learning 17-1 Learning with large datasets Machine learning and data Classify between confusable words. E.g., (to, two, too), (then, than) It’s not who has the best algorithm that wins It’s who has the most data Learning with large
吴恩达·Machine Learning || chap15 Anomaly detection简记
qq_46203130的博客
09-10 132
15 Anomaly detection 15-1 Problem motivation Anomaly detection example Aircraft engine features: ​ x1x_1x1​=heat generated ​ x2x_2x2​=vibration intensity ​ ⋯\cdots⋯ Dataset: {x(1),x(2),⋯ ,x(m)}\{ x ^ { ( 1 ) } , x ^ { ( 2 ) } , \cdots , x ^ { ( m ) } \}{x(
吴恩达·Machine Learning || chap13 Clustering简记
qq_46203130的博客
09-08 94
13 Clustering 13-1 Unsupervised learning introduction Supervised learning Training set: {(x(1),y(1)),(x(2),y(2)),(x(3),y(3)),⋯ ,(x(m),y(m))}\{ ( x ^ { ( 1 ) } , y ^ { ( 1 ) } ) , ( x ^ { ( 2 ) } , y ^ { ( 2 ) } ) , ( x ^ { ( 3 ) } , y ^ { ( 3 ) } ) , \cdo
吴恩达·Machine Learning || chap9 Neural Network : Learning简记
qq_46203130的博客
08-16 89
9 Neural Network : Learning 9-1 Cost function Neural Network(classification) (x(1),y(1)),(x(2),y(2)),⋯ ,(x(m),y(m))(x^{(1)},y^{(1)}),(x^{(2)},y^{(2)}),\cdots,(x^{(m)},y^{(m)})(x(1),y(1)),(x(2),y(2)),⋯,(x(m),y(m)) LLL = total no. of layers in network sls_ls
吴恩达·Machine Learning || chap10 Advice for applying machine learning简记
qq_46203130的博客
09-03 113
10 Advice for applying machine learning 10-1 Deciding what to try next Debugging a learning algorithm Suppose you have implemented regularized linear regression to predict housing prices. J(θ)=12m[∑i=1m(h0(x(i))−y(i))2+λ∑j=1mθj2]J ( \theta ) = \frac { 1 }
吴恩达·Machine Learning || chap11 Machine learning system design简记
qq_46203130的博客
09-04 331
11 Machine learning system design 11-1 Prioritizing what to work on: Spam classification example Building a spam classifier Supervised learning. x=features of email. y=spam(1) or not spam(0). Features x: Choose 100 words indicative of spam/not spam xj={1&
（全）2020吴恩达机器学习MachineLearning第六周编程作业ex5
05-02
压缩包内含吴恩达老师《Machine Learning》课程第六周的编程作业ex5所需完成的四个m文件，解压放进课程作业原始压缩包中即可。压缩包中所有编程作业均为本人独立完成，并尽量使用向量化计算，全部满分通过。
机器学习速成第二集——监督学习之分类（理论部分）！
2302_80644606的博客
08-12 1270
监督学习中的分类部分是机器学习中非常重要的一个领域，它涉及将输入数据映射到预定义的类别或标签上。在监督学习中，算法通过有标记的数据进行训练，从而能够对新的未标记数据进行预测和分类。
人工智能与机器学习原理精解【12】
基础数学与应用数学
08-14 539
分级聚类（Hierarchical Clustering），又称为层次聚类，是一种通过连续不断地将最为相似的群组两两合并，来构造出一个群组的层级结构的聚类方法。分级聚类是一种无监督学习算法，它不依赖于带有正确答案的样本数据进行训练，而是直接在一组数据中找寻某种结构。在分级聚类中，每个群组都是从单一元素开始的，通过不断合并，最终形成一个树状的层次结构。
机器学习之随机森林
零度°C的博客
08-10 959
随机森林（Random Forest，简称RF）是一种集成学习方法，由Leo Breiman于2001年提出。它通过构建多个决策树来进行分类或回归预测，每棵树的构建过程中引入随机性，以提高模型的泛化能力。随机森林的基本原理是“集思广益”，即通过集成多个弱学习器（在这种情况下是决策树）来形成一个强学习器。每棵树在训练时使用不同的数据子集，并且在选择分裂节点时只考虑一部分特征，这种随机性使得每棵树都具有一定独立性，从而减少了模型的过拟合风险。
【ACM出版，往届会后三个半月EI见刊/检索】第四届物联网与机器学习国际学术会议（IoTML 2024，8月23-25）
最新发布
ai_1020的博客
08-14 842
【ACM独立出版，高录用，见刊检索快速稳定】第四届物联网与机器学习国际学术会议（IoTML 2024）2024 4th International Conference on Internet of Things and Machine Learning
机器学习速成第三集——无监督学习之降维（理论部分）！
2302_80644606的博客
08-14 451
无监督学习中的降维技术是将高维数据降低到低维空间，以便更容易处理和可视化。常见的降维方法包括主成分分析（PCA）、独立成分分析（ICA）、t分布随机邻近嵌入（t-SNE）、线性判别分析（LDA）等。
深度学习精要：吴恩达Machine Learning Yearning实战指南
"Machine Learning Yearning 是一本由吴恩达（Andrew Ng）编写的关于深度学习实践的书籍，它总结了吴老师在机器学习领域多年的经验，尤其针对深度学习的实战技巧提供了宝贵的指导。这本书旨在帮助读者更好地理解和...
评论
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