- 博客(81)
- 收藏
- 关注
RSS订阅原创 Javascript-web API-day01
思维导图04-获取DOM元素05-获取对象类型06-对象函数07-随机数08-随机数组下标09-取N-M的随机整数10-随机数组元素并删除11-随机颜色12-随机显示图片13-通过style属性修改样式14-随机更换背景图片15-通过类名修改样式16-通过classlist改写样式17-案例：轮播图随机版18-获取表单的值19-选中表单方框20-自定义属性21-定时器间歇函数22-用户倒计时效果23-综合案例：动态轮播图
2024-10-24 15:29:50
455
原创 黑马程序员-JavaScript-day04
思维导图-1思维导图-2数组生成柱状图99乘法表案例参数是数组的函数冒泡排序秒转化成时分秒匿名函数求数组最值函数数组筛选无参函数有参函数
2024-10-14 14:30:05
985
原创 黑马程序员-JavaScript-day02
/ 可以直接在switch外面判断num=4的情况。'您没有这么多钱，请重新选择''用户名和密码均正确''密码或用户名不正确''你选择的是语句1''你选择的是语句2''你选择的是语句3''请输入第一个数字''请输入第二个数字'1-100的偶数和是。
2024-09-21 11:52:15
1126
原创 黑马程序员-JavaScript-day01
JavaScript简介和体验01-JS书写位置02-JS注释和结束符03-JS输入输出04-变量的声明与复制05-变量的更新以及输入用户名案例06-交换变量07-变量的本质和命名规则08-数组的基本使用09-常量10-数字数据类型和算数运算符11-字符串类型12-模板字符串13-bool、null、undefine14-数据类型15-隐式转换、显示转换综合案例-交互表格
2024-09-13 14:30:21
458
原创 前端学习-day14
01-媒体查询02-媒体查询-书写顺序03-媒体查询04-媒体查询-link引入06-Bootstrap-使用07-Bootstrap-栅格系统08-Bootstrap-按钮样式09-Bootstrap-表格样式10-bootstrap组件11-bootstrap字体图标alloyTeam项目index.htmlindex.less
2024-09-07 21:06:13
751
原创 前端笔记-day13
01-体验vw和vh02-vw适配02-适配.html03-vw和vh不能混用03-vw和vh.html04-综合案例-酷我酷我（标准版）
2024-07-09 12:01:09
420
原创 前端笔记-day12
01-视口02-宽度适配方案03-rem体验04-rem基本使用05-媒体查询06-rem适配07-rem布局08-less-体验09-less-注释10-less-运算11-less-嵌套12-less-变量13-less-导入14-less-导出15-less-禁止导出16-急速问诊
2024-07-04 11:34:12
387
2
原创 前端笔记-day11
01-空间-平移02-视距03-空间旋转Z轴04-空间旋转X轴05-空间旋转Y轴06-立体呈现07-案例-3D导航08-空间缩放10-动画实现步骤11-animation复合属性12-animation拆分写法13-案例-走马灯14-案例-精灵动画15-多组动画16-全民出游
2024-06-30 22:18:57
349
原创 前端学习-day10
01-体验平面转换02-平移效果03-绝对定位元素居中04-案例-双开门06-转换旋转中心点07-案例-时钟-转换原点08-平面转换-多重转换09-缩放效果10-案例-按钮缩放11-倾斜效果12-渐变-线性13-案例-产品展示14-渐变-径向15-综合案例-喜马拉雅
2024-06-17 17:27:15
598
原创 喜马拉雅项目调整
1 频道部分下标旋转频道列表平移2 渐变按钮搜索放大镜登录按钮径向渐变3 左右图片缩小左边右边4 猜你喜欢区域播放按钮和遮罩图片缩放
2024-06-17 17:26:11
1207
原创 前端学习-day08
01-相对定位02-绝对定位03-绝对定位居中04-固定定位05-堆叠顺序06-CSS精灵-基本使用07-案例-京东服务08-字体图标10.垂直对齐方式11-过度12-透明度13-光标类型14-轮播图
2024-05-23 21:13:08
385
原创 前端笔记-day06
01-浮动-基本使用02-浮动-产品布局03-浮动-清除浮动带来的影响04-清除浮动-额外标签法05-清除浮动-单伪元素法06-清除浮动-双伪元素法单伪元素和双伪元素CSS07-清除浮动-overflow08-flex布局-体验09-flex布局-组成10-flex布局-主轴对齐方式11-flex布局-侧轴对齐方式13-flex布局-修改主轴方向14-flex布局-弹性伸缩比15-flex布局-弹性换行16-flex布局-行对齐方式17-综合案例-抖音解决方案
2024-05-13 17:52:50
404
原创 前端笔记-day05
01-结构伪类选择器02-结构伪类选择器-公式用法03-伪元素选择器04-盒子模型-组成05-盒子模型-边框线06-盒子模型-单方向边框线07-盒子模型-内边距08-盒子模型-padding多值写法09-盒子模型-尺寸计算10-盒子模型-版心居中11-清除默认样式12-元素溢出overflow13-外边距合并现象14-外边距塌陷问题15-行内元素的垂直内外边距16-圆角的基本使用17-圆角-特殊场景18-扩展-盒子阴影19-综合案例-产品卡片20-综合案例-新浪新闻1
2024-05-11 21:37:35
479
原创 前端笔记-day04
01-后代选择器02-子代选择器03-并集选择器04-交集选择器05-伪类选择器06-拓展-超链接伪类07-CSS特性-继承性08-CSS特性-层叠性09-CSS特性-优先级11-Emmet写法12-背景图13-背景图平铺方式14-背景图位置15-背景图缩放16-背景图固定17-background属性18-显示模式19-显示模式转换20-综合案例-热词21-综合案例-banner效果
2024-05-11 20:51:59
487
原创 前端笔记-day03
01-初始CSS02-CSS引入方式03-标签选择器04-类选择器05-id选择器06-通配符选择器07-画盒子08-字体大小09-文字粗细10-字体倾斜11-行高12-行高垂直居中13-字体族14-font复合属性15-文本缩进16-文本对齐方式17-图片对齐方式18-文本修饰线19-文字颜色20-调试工具21-综合案例22-CSS简介
2024-05-11 20:26:45
364
原创 前端笔记-day02
01-无序列表02-有序列表03-定义列表04-表格06-表格-合并单元格07-表单-input08-表单-input占位文本09-表单-单选框10-表单-上传多个文件11-表单-多选框12-表单-下拉菜单13-表单-文本域14-表单-label标签15-表单-按钮16-无语义-span和div17-字体实体19-注册登录页面
2024-05-11 15:53:08
428
原创 前端笔记-day1
01-标签的写法02-HTML的基本骨架03-标签的关系04-注释05-标题标签06-段落标签07-换行与水平线标签08-文本格式化标签09-图像的基本使用10-图像的属性12-绝对路径13-超链接14-音频15-视频标签16-招聘案例18-个人简历19-vue简介
2024-05-11 15:32:21
519
原创 吴恩达机器学习-实践实验室：协同过滤推荐系统（Collaborative Filtering Recommender Systems）
在本练习中，您将实现协作过滤，以构建电影推荐系统。
2024-04-13 14:30:31
1314
原创 吴恩达机器学习实践实验室：决策树（Decision Trees）
在本练习中，您将从头开始实施决策树，并将其应用于蘑菇可食用还是有毒的分类任务。
2024-04-09 20:22:39
1741
1
原创 吴恩达机器学习：实践实验室-应用机器学习的建议（Advice for Applying ）
在这个实验室中，您将探索评估和改进机器学习模型的技术。
2024-03-25 21:28:26
1467
原创 吴恩达机器学习-可选实验室：Softmax函数
在这个实验室里，我们将探索softmax函数。当解决多类分类问题时，该函数用于Softmax回归和神经网络。注：通常，在本课程中，笔记本使用以0开始计数，以N-1结束计数的约定，∑𝑁−1.𝑖=0，而讲座以1开始，以N结束，∑𝑁𝑖=1.这是因为代码通常会以0开始迭代，而在讲座中，从1到N计数会产生更干净、更简洁的方程。这本笔记本的方程式比实验室的典型方程式多，因此将打破惯例，从1到N计数。在具有Softmax输出的Softmax回归和神经网络中，生成N个输出，并选择一个输出作为预测类别。
2024-03-24 17:18:00
1485
原创 吴恩达机器学习-可选实验室：Relu
所示的函数由线性片段（分段线性）组成。斜率在线性部分期间是一致的，然后在过渡点处突然变化。在过渡点，添加一个新的线性函数，当添加到现有函数时，将产生新的斜率。新函数是在过渡点添加的，但对该点之前的输出没有贡献。非线性激活函数负责在转换点之前和之后禁用输入。下面的练习提供了一个更具体的例子。该练习将在回归问题中使用以下网络，其中您必须对分段线性目标进行建模：网络在第一层有3个单元。每个人将对目标的一部分负责。单元0被预先编程并固定为映射第一个段。
2024-03-22 15:18:08
1418
2
原创 吴恩达机器学习-可选实验室：多类分类（Multi-class Classification）
在神经网络中，对于某个特定类别的数据点，在输出层中与该类别对应的神经元应该具有最大的输出值，并且这个输出值应该是该类别所有数据点的神经元输出值中最高的。如果将输出应用于softmax函数，则softmax的输出将提供输入在每个类别中的概率。最终，X_train 是生成的特征数据，y_train 是对应的标签数据，用于训练一个分类模型。线上方的点（类0和2）将输出零，而下方的点将输出大于零的值。给定一个输入示例，具有最高值的输出是输入的预测类。线左侧的点（类0和1）将输出零，而右侧的点将输出大于零的值。
2024-03-21 17:11:52
1327
原创 吴恩达机器学习-可选实验室：简单神经网络（Simple Neural Network）
在第一个可选实验室中，您在NumPy和Tensorflow中构建了一个神经元，并注意到它们的相似性。如讲座中所述，可以使用for循环访问层中的每个单元（j），并对该单元（W[:,j]）执行权重的点积，并对单元（b[j]）的偏差求和以形成z。回想一下，我们模型的输出是一个概率。让我们从编写一个类似于Tensorflow的model.product（）的例程开始。此图显示了整个网络的操作，与之前实验室的Tensorflow结果相同。我们可以在Tensorflow中复制以前实验室中训练过的权重和偏差。
2024-03-20 21:54:56
1404
2
原创 吴恩达机器学习-可选实验室：简单神经网络（Simple Neural Network）
在这个实验室中，我们将使用Tensorflow构建一个小型神经网络。
2024-03-20 20:26:21
1622
原创 吴恩达机器学习-可选实验室：神经元和层（Neurons and Layers）
AutoGraph 是 TensorFlow 中用于将普通 Python 代码转换成 TensorFlow 计算图的工具，设置日志级别为 0 可以关闭 AutoGraph 的日志输出，减少不必要的输出信息。后两行代码的含义是设置 TensorFlow 的日志级别，将 TensorFlow 的日志级别设置为 ERROR 级别，从而只记录 ERROR 级别及以上的日志信息，不记录更低级别的日志信息。实验室将探索神经元和层的内部工作原理，特别是将课程1中掌握的模型，即回归/线性模型和逻辑斯蒂模型，与之进行对比。
2024-03-17 20:09:17
1529
原创 吴恩达机器学习-可选的实验室-正则化成本和梯度（Regularized Cost and Gradient）
在上面的图表中，在前面的例子中尝试正则化。特别是:分类(逻辑回归)设置度为6,lambda为0(不正则化)，拟合数据现在将lambda设置为1(增加正则化)，拟合数据，注意差异。注意，在这个例子中，参数b没有被正则化。注意，这使用了本课程的标准模式，对所有m个例子进行for循环。线性回归和逻辑回归的梯度计算几乎是相同的，不同的只是fwb的计算。运行下面的单元格，看看它是如何工作的。运行下面的单元格，看看它是如何工作的。运行下面的单元格，看看它是如何工作的。运行下面的单元格，看看它是如何工作的。
2024-03-13 21:28:23
931
原创 吴恩达机器学习-未分级实验:使用ScikitLearn进行逻辑回归（Logistic Regression using Scikit-Learn）
下面的代码从scikit- learn导入逻辑回归模型。你可以通过调用fit函数对训练数据进行拟合。在本实验中，你将:使用scikit-learn训练逻辑回归模型。您可以通过调用scorefunction来计算该模型的精确度。通过调用predict函数，您可以看到这个模型做出的预测。让我们从之前的数据集开始。
2024-03-12 16:55:25
588
原创 吴恩达机器学习-可选实验:梯度下降逻辑回归(Gradient Descent for Logistic Regression)
和前面一样，我们将使用一个辅助函数来绘制这些数据。标签y = 1的数据点显示为红色叉，而标签y = 0的数据点显示为蓝色圆。和前面一样，我们将使用一个辅助函数来绘制这些数据。标签y = 1的数据点显示为红色叉，而标签y = 0的数据点显示为黑色圆。只需要两个参数，w, b，就可以绘制出成本函数使用等高线图来更好地了解梯度下降是什么。实现上述方程(1)的代码如下所示。花点时间定位和比较例程中的函数与上面的方程。让我们从决策边界实验室中使用的相同的两个特征数据集开始。使用下面的单元格检查梯度函数的实现。
2024-03-12 16:43:11
1556
原创 吴恩达机器学习-可选实验室：逻辑回归的成本函数（Cost Funtion for Logistic Regression）
注意变量X和y不是标量值，而是形状分别为(m, n)和(m，)的矩阵，其中n是特征的数量，m是训练样例的数量。您可以看到成本函数的行为与预期一致，并且成本w = np.array([- 4,1,1])确实比w=np.array[-3,1,1]的代价高。在之前的实验中，您绘制了b = -3, w0 = 1, w1 = 1的决策边界。假设你想知道b = -4, w0 = 1, w1 = 1，或者w = np.Array([- 4,1,1])提供了一个更好的模型。在本实验中，您检查并使用了逻辑回归的成本函数。
2024-03-11 16:24:27
862
原创 吴恩达机器学习-可选实验:逻辑回归，逻辑损失（Logistic Regression,Logistic Loss）
然而，正如上面的幻灯片所指出的，fwb(x)现在有一个非线性分量，即sigmoid函数:fw,b(x) = sigmoid(wx +b)。一条用于目标为零或(y= 0)的情况，另一条用于目标为1 (y= 1)的情况。结合起来，这些曲线提供了对损失函数有用的行为，即当预测与目标匹配时为零，当预测与目标不同时值迅速增加。注意，在平方误差的情况下，它不是一个碗。注意，x轴是fw,b，这是一个sigmoid曲线的输出。好的，有了这个新的逻辑损失函数，我们就可以得到一个包含所有例子损失的代价函数。
2024-03-11 15:37:13
898
原创 吴恩达机器学习-可选实验室：逻辑回归，决策边界（Logistic Regression，Decision Boundary））
正如我们在讲座中看到的，通过使用高阶多项式项(例如:f(x)= g(x0^2 +x1-1))我们可以得到更复杂的非线性边界。(您将在课程中学习如何进一步将这些参数拟合到数据中)让我们试着通过绘制决策边界来理解这个训练过的模型预测的是什么。标签y = 1的数据点显示为红色,标记为y=0的数据点用蓝色圆圈表示。我们来看看它的图形是怎样的。我们先画出-3 +x0 +x 1= 0，也就是x1 =3- x0。现在，让我们回到我们的例子来理解逻辑回归模型是如何进行预测的。如果w·x+b>= 0，则模型预测y= 1。
2024-03-10 17:27:16
1157
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