吴恩达机器学习课程作业解析
文章平均质量分 95
以22年吴恩达的课程为依托,写的课后作业的题解。
保姆式教学,一步一解释。
FOUR_A
免责声明:资料部分来源于合法的互联网渠道收集和整理,部分自己学习积累成果,供大家学习参考与交流。收取的费用仅用于收集和整理资料耗费时间的酬劳。 本人尊重原创作者或出版方,资料版权归原作者或出版方所有,本人不对所涉及的版权问题或内容负法律责任。如有侵权,请举报或通知本人删除。
联系方式:Y17371983539
展开
-
【吴恩达机器学习-week2】多个变量的特征缩放和学习率问题
内容概要:这份文档旨在为学习者提供吴恩达《机器学习》课程中第二周的学习内容概述,重点介绍了多个变量的特征缩放和学习率问题。在机器学习中,特征缩放和学习率选择是非常重要的问题,可以影响到模型的性能和收敛速度。本周的课程将介绍特征缩放的方法,以及如何选择合适的学习率来确保梯度下降算法的有效运行。适合人群:对机器学习和梯度下降算法感兴趣的学习者,特别是想深入了解特征缩放和学习率选择的学生或从业者。能学到什么:①理解特征缩放的原理和方法;②学习如何选择合适的学习率;③掌握特征缩放和学习率选择在梯度下降算法中原创 2024-05-11 22:38:36 · 936 阅读 · 2 评论 -
【吴恩达机器学习-week2】多个变量的线性回归问题
内容概要:这份文档旨在为学习者提供吴恩达《机器学习》课程中第二周的学习内容概述,重点介绍了多个变量的线性回归问题。该课程涵盖了线性回归模型的基本原理、多元线性回归的概念以及相关的数学推导和实践案例。学习者将通过本周的学习,掌握多个变量的线性回归模型的建立和应用,以及如何利用梯度下降等算法进行模型训练和优化。适合人群:对机器学习和线性回归模型感兴趣的学习者,特别是想深入理解多元线性回归的学生或从业者。能学到什么:①理解多个变量的线性回归模型的原理和假设;②掌握多元线性回归模型的建立和求解方法;③学习如原创 2024-05-11 22:38:04 · 897 阅读 · 1 评论 -
【吴恩达机器学习-week2】Python、NumPy、向量化
在吴恩达的机器学习课程第二周中,我们学习了Python编程语言以及NumPy库的基础知识。通过这些内容,我们掌握了如何使用Python进行基本的编程任务,并学会了利用NumPy库进行向量化编程,从而提高代码的运行效率。这些技能对于理解和实现机器学习算法至关重要,为我们后续的学习打下了坚实的基础。原创 2024-05-10 16:46:00 · 830 阅读 · 0 评论 -
【吴恩达机器学习-week1】用梯度下降算法训练模型
到目前为止,在这门课程中,你已经开发了一个线性模型,用于预测fwbxifwbxifwbxiwxib(1)fwbxiwxib1在线性回归中,你利用输入训练数据来拟合参数wbw,bwb,通过最小化我们的预测值fwbxifwbxi和实际数据yiy^{(i)}yi之间的误差度量来完成。这个度量被称为costcostcostJwbJ(w,b)Jwb。在训练中,你测量所有训练样本xi。原创 2024-05-10 16:42:29 · 1319 阅读 · 1 评论 -
【吴恩达机器学习-week1】Regression Model-回归模型
线性回归建立了一个模型,建立了特征和目标之间的关系。在上面的示例中,特征是房屋大小,目标是房屋价格。对于简单线性回归,模型有两个参数∗w∗*w*∗w∗和∗b∗*b*∗b∗,它们的值使用训练数据进行“拟合”。一旦确定了模型的参数,就可以使用模型对新的数据进行预测。成本方程提供了一个衡量预测值与训练数据匹配程度的指标。最小化成本可以提供wwwbbb的最佳值。原创 2024-04-23 10:00:00 · 1050 阅读 · 0 评论 -
jupyter简要使用手册
希望这个简要的手册能够帮助你开始使用 Jupyter Notebook!原创 2024-04-19 21:59:29 · 354 阅读 · 0 评论