机器学习
文章平均质量分 95
yc_23
这个作者很懒,什么都没留下…
展开
-
机器学习周报(9.23-9.29)
本周继续学习吴恩达机器学习的神经网络部分。了解了TensorFlow训练神经网络的细节,以及如何选择激活函数,并用代码简单实现了手写识别数字0和1。然后了解了什么是多类分类和Softmax回归函数,并通过改进Softmax加强计算精确度,最后用代码实现了手写识别数字0到9。通过本周的学习,了解了TensorFlow训练神经网络的细节,首先需要构建模型:使用Keras.Sequential定义神经网络模型、层的选择、选择激活函数,然后编译模型以指定损失函数和优化器,最后设置训练参数使用训练数据训练模型。原创 2024-09-29 12:23:55 · 439 阅读 · 0 评论 -
机器学习周报(9.16-9.22)
本周开始学习吴恩达机器学习的神经网络部分。了解了什么是神经元和神经网络中的层,并通过需求预测和图像识别的例子加深对神经网络的理解。然后了解了什么是正向传播以及相关代码部分。再是了解了什么是TensorFlow,如何使用TensorFLow建立一个神经网络和实现正向传播的方法。最后简单了解了ANI和AGI,还有“一个学习算法”的假设。通过本周的学习,了解到了神经网络是一种模仿人脑神经元连接方式的计算模型,用于处理和分析复杂数据。它由多个层组成,包括输入层、隐藏层和输出层。原创 2024-09-22 12:00:00 · 1161 阅读 · 0 评论 -
机器学习周报(9.9-9.15)
通过这周对吴恩达机器学习课程的学习,首先,学习了在多维特征下的线性回归算法,用于预测一个目标变量与多个特征变量之间的关系,并运用特征工程和多项式回归,来更好的拟合数据。然后,学习了监督学习的另一个问题:分类问题。以及解决分类问题的算法:逻辑回归算法。逻辑回归通过一个逻辑函数(通常是sigmoid函数)将线性组合的输入特征映射到概率值,输出结果在0到1之间。这样可以判断输入属于某一类别的概率。通过学习决策边界更好地了解了逻辑回归的函数是如何计算的。然后代入代价函数,使用特征缩放来更好地实现梯度下降算法。原创 2024-09-15 12:23:38 · 734 阅读 · 0 评论 -
机器学习周报(9.2-9.8)
本周开始学习了吴恩达的机器学习课程,了解了什么是机器学习,机器学习主要分为监督学习和无监督学习,并简单了解其含义。其次了解了什么是单变量线性回归,了解了线性回归模型、代价函数、梯度下降等知识,并简单推导、计算和改写批量梯度下降算法。通过这周对吴恩达的机器学习课程的学习,我由此正式学习到了机器学习,简单了解了什么是机器学习,机器学习是对一个程序能通过学习经验后提高任务的处理能力,以此优化其性能的过程。机器学习又可以简单分为监督学习和无监督学习。原创 2024-09-08 18:58:31 · 960 阅读 · 1 评论