- 博客(11)
- 收藏
- 关注
原创 《吴恩达机器学习》学习笔记(第十一周)
本周报的目的在于汇报《吴恩达机器学习》课程第十一周的学习成果,主要聚焦于深度神经网络(CNN)的目标检测。在这一周的学习中,内容主要涵盖了神经网络模型的目标检测,同时对比了Faster R-CNN与YOLO的效果差异。本篇文章将对目标检测进行详细的阐述,并在最后部分对本周的学习内容进行总结。本周报旨在通过这种方式,将理论知识与实践应用有效地结合起来,为深度学习的基础内容学习与方向提供概括性总结。目标检测① 上周周报中,我们介绍的是利用CNN模型进行图像分类。
2024-09-08 17:37:06
906
原创 《吴恩达机器学习》学习笔记(第十周)
本周报的目的在于汇报《吴恩达机器学习》课程第十周的学习成果,主要聚焦于深度卷积神经网络(CNN)的模型。在这一周的学习中,内容主要涵盖了神经网络的深度卷积模型,其中包括了多种具有代表性的CNN模型,例如LeNet-5、AlexNet、以及VGG-16等。本篇文章将对这些模型进行详细的阐述,并在最后部分对本周的学习内容进行总结。本周报旨在通过这种方式,将理论知识与实践应用有效地结合起来,为深度学习的基础内容学习与方向提供概括性总结。深度卷积模型① 本文将主要介绍几个典型的CNN案例。
2024-08-31 12:28:01
789
原创 《吴恩达机器学习》学习笔记(第九周)
本文主要汇报《吴恩达机器学习》第九周的学习内容。本周,我们主要探讨了神经网络的卷积神经网络基础以及CNN模型等等内容。通过老师深入浅出的讲解,深刻理解了相关知识。最后,我们进行了本周学习内容的总结。卷积神经网络基础。
2024-08-25 21:45:39
1006
原创 《吴恩达机器学习》学习笔记(第八周)
本文主要汇报《吴恩达机器学习》第周八的学习内容。本周,我们主要探讨了神经网络的机器学习的策略以及误差分析等等内容。通过老师深入浅出的讲解,深刻理解了相关知识。最后,我们进行了本周学习内容的总结。
2024-08-18 05:26:24
582
原创 《吴恩达机器学习》学习笔记(第七周)
本文主要汇报《吴恩达机器学习》第七周的学习内容。本周,我们主要探讨了神经网络的机器学习的策略以及正交化等等内容。通过老师深入浅出的讲解,深刻理解了相关知识。最后,我们进行了本周学习内容的总结。机器学习策略。
2024-08-11 20:44:24
800
原创 《吴恩达机器学习》学习笔记(第六周)
本文主要汇报《吴恩达机器学习》第六周的学习内容。本周,我们主要探讨了神经网络的超参数,批标准化,softmax回归等等内容。通过老师深入浅出的讲解,深刻理解了相关知识。最后,我们进行了本周学习内容的总结。① TensorFlow的最大优点就是采用数据流图(data flow graphs)来进行数值运算。② 图中的节点(Nodes)表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组,即张量(tensor)。
2024-08-04 14:19:57
1011
原创 《吴恩达机器学习》学习笔记(第五周)
本文主要汇报《吴恩达机器学习》第五周的学习内容。本周,我们主要探讨了神经网络的优化算法,包括Mini-batch,加权平均,动量梯度下降算法等等。通过代码的实验对比了各种算法的优劣所在。最后,我们进行了本周学习内容的总结。
2024-07-28 20:39:21
973
原创 《吴恩达机器学习》学习笔记(第四周)
目录摘要Abstract1. 神经网络概述2. 浅层神经网络3. 计算神经网络输出4. 矩阵运算5. 非线性激活函数6. 激活函数梯度计算7. 反向传播8. 随即初始化9. 总结摘要本文主要汇报《吴恩达机器学习》第四周的学习内容。本周,我们主要探讨了神经网络的结构,包括输入层、隐藏层和输出层。我们通过计算图的形式,推导了神经网络的前向传播过程,并将其以向量化的方式进行总结。接下来,我们比较了不同的激活函数,并讨论了如何根据实际需求选择适当的激活函数
2024-07-20 14:57:43
676
原创 《吴恩达机器学习》学习笔记(第三周)
本文主要汇报《吴恩达机器学习》第三周的学习内容。在这周,主要学习了向量化计算的概念以及使用步骤和python代码的实现,本文主要记录向量化计算在逻辑回归中的使用以及逻辑回归向量化的梯度下降以及损失函数。最后总结本周的学习内容。Abstract① 深度学习算法中,数据量很大,在程序中应该尽量减少使用loop循环语句,而可以使用向量运算来提高程序运行速度。② 向量化(Vectorization)就是利用矩阵运算的思想,大大提高运算速度。例如下面所示在Python中使用向量化要比使用循环计算速度快得多。
2024-07-13 13:20:13
670
原创 《吴恩达机器学习》学习笔记(第二周)
① 本节课的内容比较简单,主要介绍了神经网络的基础——逻辑回归。② 首先,老师介绍了二分类问题,以图片为例,将多维输入x转化为feature vector,输出y只有{0,1}两个离散值。③ 接着,老师介绍了逻辑回归及其对应的Cost function形式。④ 然后,老师介绍了梯度下降算法,并使用计算图的方式来讲述神经网络的正向传播和反向传播两个过程。⑤ 最后,老师展示了在逻辑回归中使用梯度下降算法,总结出最优化参数w和b的算法流程。
2024-07-04 21:39:53
658
原创 《吴恩达机器学习》学习笔记(第一周)
机器学习是人工智能的一个重要分支,其核心是让计算机系统从数据中学习并改进。在这个过程中,不需要进行显式编程,而是通过算法让机器自我学习和提升。
2024-06-24 14:00:19
580
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人