- 博客(11)
- 收藏
- 关注
原创 吴恩达机器学习作业Python合集
吴恩达机器学习课后作业Python实现(一):线性回归吴恩达机器学习课后作业Python实现(二):逻辑回归吴恩达机器学习作业Python实现(三):多类分类与前馈神经网络
2024-01-08 21:31:33 415
原创 连续时间信号的采样与恢复 Matlab仿真
记录在学数字信号处理过程中一些个人理解与感悟,本文主要讲的是采样定理在Matlab实现,在此之前会先讲一下傅里叶变换以及采样定理的公式推导等等,本人才疏学浅,此文可能难免出现错误之处,读者如有发现,望请斧正!
2022-10-20 20:26:53 10522 4
原创 吴恩达机器学习作业Python实现(八):异常检测与推荐系统
在数据集中,您将拟合高斯分布,然后找到概率很低的值,因此可以被视为异常,之后再将异常检测算法应用到具有更多维度的更大的数据集上,首先我们先对数据进行可视化。在这部分练习中,你将实现一个异常检测算法来检测服务器计算机中的异常行为,这些特征度量着每个服务器的吞吐量和响应延迟,当你的服务器在运行时,收集了 m = 307 个关于它们如何运行的样本,有一个未标记的数据集 {从上面的图我们可以清晰的看到,哪些样本的概率高,哪些样本的概率低,概率低的样本很大程度上就是异常值。接下来将全部异常值找出来。
2022-09-17 16:47:03 740
原创 吴恩达机器学习作业Python实现(七):K-means和PCA
K-means算法是一种将相似的数据自动聚类的方法,具体来说,给你一个训练集,并希望将数据分组为几个内聚的簇,其背后是一个迭代的过程,从猜测初始的质心开始,然后通过反复将样例分配到它们最近的质心来改进这个猜测,然后根据分配重新计算质心。在本练习中,您将会使用K-means算法实现并用于图像压缩,首先从一个2D数据集开始,帮助你对K-means算法的工作原理建立直观认识,之后再运用到图像压缩上,方法是减少图像中出现的颜色的数量,只保留图像中最常见的颜色。在计算主成分之后,可以使用它们来减少数据集的特征维数。
2022-09-17 14:11:05 1145
原创 吴恩达机器学习作业Python实现(六):支持向量机
在本练习前半部分,将对各种2D数据集使用支持向量机,通过这些数据集可以更加直观了解支持向量机的工作方式,以及如何在支持向量机中使用高斯核。后半部分,使用支持向量机搭建一个垃圾邮件分类器。
2022-09-13 17:07:42 2443
原创 吴恩达机器学习作业Python实现(五):偏差和方差
偏差代表着模型与数据的拟合程度,高偏差的模型容易出现拟合不足,而方差代表着模型的泛化能力,高方差的模型对训练数据会出现过度拟合,即对新的样本泛化能力很差。通过学习曲线图可知,随着训练样本增加,训练误差比较低,虽然验证误差整体趋势是下降,但是最后的误差还是很大,训练误差与验证误差存在差距,说明模型对训练数据存在过拟合,高方差的问题,不能很好地推广。增加了特征之后,由于增加的特征为各次幂,故数据差异很大,比如x = 40,它的八次方就达到了10的12次方,所以我们需要对特征向量进行特征标准化。...
2022-08-30 16:34:40 992
原创 吴恩达机器学习作业Python实现(四):神经网络(反向传播)
理解神经网络是如何学习的一个很好的办法是,可视化隐藏层单元所捕获的内容,对于我们所训练的网络,注意到θ1中每一行都是一个401维的向量,代表每个隐藏层单元的参数。梯度检测主要是用来验证反向传播算法是否正确,在您的神经网络中,您正在最小化代价函数J(θ),需要参数进行梯度检查,首先我们可以将θ1和θ2展开变成长向量θ,之后使用以下梯度检测过程,其计算使用了逼近思想,计算一点的导数可以取其临近两点的斜率代替,如果这两点足够近,那么就可以使用这个斜率代替该点导数。我们读入的y为(1,2,3,4,…........
2022-08-30 16:33:42 1550
原创 吴恩达机器学习课后作业Python实现(三):多类分类与前馈神经网络
在前一部分实现了多类逻辑回归识别手写数字,然后,逻辑回归并不能形成更复杂的假设,在这一部分,将搭建一个前馈神经网络对相同的数据集实现识别手写数字,神经网络可以实现非常复杂的非线性模型,在这部分我们将利用已经训练好的权重进行预测。接着加载数据,其中包含5000个训练示例,每个训练示例为20×20的数字灰度图,每个像素都有一个浮点数表示,其中20×20被转为1×400,每个训练示例为数据矩阵X的一行,每一行都是一个手写数字图像的训练示例。共5000行,10列,每行代表一个样本,每列是预测对应数字的概率。....
2022-08-11 16:35:37 1542
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人