使用numpy构建基本函数需要记住的内容：-np.exp（x）适用于任何np.array x并将指数函数应用于每个坐标-sigmoid函数及其梯度-image2vector通常用于深度学习-np.reshape...提示：sigmoid函数有时也称为逻辑函数，是一种非线性函数，可用于机器学习（逻辑回归），也能用于深度学习。...31.3 重塑数组深度学习中两个常用的numpy函数是np.shape和np.reshape()。-X.shape用于获取矩阵/向量X的shape（维度）。...向量化——为确保代码的高效计算需要记住的内容：-向量化在深度学习中非常重要， 它保证了计算的效率和清晰度。-了解L1和L2损失函数。...----参考资料：吴恩达《深度学习》L1W2作业1 - Heywhale.com
Course1：神经网络和深度学习，包括： ---- [1] Week1：深度学习概述 [2] Week2：神经网络基础 [3] Week3：浅层神经网络 [4] Week4：深层神经网络 [5...] 深度学习的基本流程 ---- [1] Week1：深度学习概述 1.2 什么是神经网络？...机器学习的数据分为结构化数据和非结构化数据。非结构化数据包括音频、图片、文本等等。 1.4 为什么深度学习会兴起？...吴恩达的矩阵表示法：用列向量表示一个样本，因此 X.shape==(n_x,m)，n_x 表示特征数，m 是样本大小。 ? ?...---- [5] 深度学习的基本流程 最后，深度学习的基本流程总结如下： ? ---- 至此，Course1 的总结就到这里。
regression:回归 supervised:有监督的 logistic回归是一种学习算法被用于有监督学习问题,当y全都是0或1时 例子:判断是否有猫 给定一个由特征向量x代表的图像,那个算法将会估计猫是否在那个图像里的可能性
边缘检测算子中的数字用于进行边缘检测 计算机视觉不一定要去使用那些研究者们所选择的这九个数字，而是将这 9 个数字当成学习参数 1.3 padding ?...一般而言，最大池化比平均池化要常用些，但例外就是深度很深的神经网络，可以用平均池化来分解规模为 7×7×1000 的网络的表示层，在整个空间内求平均值，得到1×1×1000，取代全连接层。...池化过程中没有需要学习的参数。执行反向传播时，反向传播没有参数适用于最大池化。...2.6 计算机视觉现状 数据量少：传统机器学习方法，手工特征工程，迁移学习等 数据量大：深度学习方法 提升基准测试或者竞赛： 集成：训练多个分类器，取均值 multi-crop：对同一张图随机裁剪10次...，这样学习算法会竭尽全力使右边这个式子变大（?(?, ?)），或者使左边这个式子（?(?, ?)）变小，这样左右两边至少有一个?的间隔。 4.5 人脸验证与而分类 ?
在吴恩达机器学习系列课程完结后不久，一位名叫Tess Ferrandez的小姐姐在推特上分享了一套自己的课程笔记，瞬间收获了3k+赞和1k+转发。...吴恩达自己也在推特上转发称赞了这一位有诚意的学习者，毕竟他一直倡导学习是一件简单快乐的事情。 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
去年 6 月，吴恩达宣布 deeplearning.ai 创业项目，8 月，该项目揭晓：一套由5门课组成的深度学习系列课程——Deep Learning Specialization，旨在推广普及深度学习知识...好记性不如烂笔头，在上网络课程时做好笔记，不仅可以帮助你保持专注，而且还可以梳理学习到的知识，方便以后复习。...如果你在上完吴恩达的深度学习课程之后，也能够做出下面这样一份笔记，那么升职加薪应该离你不远了，笔芯~ 深度学习简介 ? 逻辑回归 ? 浅层神经网络 ? 深度神经网络 ? 机器学习应用设置 ?...机器学习项目结构化 ? 误差分析 ? 训练和测试结果不匹配 ? 拓展训练 ? 卷积基础 ? ? 深度卷积神经网络 ? 经典卷积网络 ? 特殊网络 ? 实操建议 ? 探测算法 ? 人脸识别 ?...吴恩达课程笔记下载地址： https://pan.baidu.com/s/1zsReYG7FhI9vHjTIdbxp5g
吴恩达机器学习IV 于2020年11月15日2020年11月15日由Sukuna发布 这一周只需要对两个函数进行更改就行了 第一题:实现神经网络的前后传播 function [J grad] = nnCostFunction
损失函数测量预测（p（）和期望输出（y（）之间的差异。换句话说。损失函数计算单个培训示例的错误。
2 机器学习的分类 ? ...无监督学习： 无监督的学习使我们能够很少或根本不知道我们的结果应该是什么样子。 我们可以从数据中推导出结构，我们不一定知道变量的影响。...在无监督学习的基础上，没有基于预测结果的反馈。...关于梯度下降和正规方程的优缺对比： Gradient Descent Normal Equation 需要选择合适的学习效率 不需要选择学习效率 需迭代 无需迭代 计算复杂度为O(kn2) 因为要计算XTX...学习效率是一个比较小的数，因此 ? 是一个比1小但很接近1的数。第二项和以前的线性回归中一样。 除了梯度下降，通过正规方程如下： ?
3，Word2Vec词向量 当我们要对一个词汇表学习一个词嵌入模型时，实际上是要学习一个词嵌入矩阵，当我们学习好了这样一个嵌入矩阵后，通过嵌入矩阵与对应词的onehot向量相乘，则可得到该单词的embedding...Word2Vec是一种学习词嵌入矩阵非常流行的方法。它基于上下文相似的词具有相似的语义这一假设。 Word2Vec可以由两种方式来构建一个监督学习问题。第一种是CBOW，即通过上下文预测中间词。...具体做法是引入一个二叉树，树的叶子结点数量为V，每个叶子结点表示一个单词，树的平均深度即为log(2,V)，树在每一层的分叉方向的概率都由一个二分类模型来拟合。...负采样方法的基本想法是用一个简单的二分类问题来学习词嵌入矩阵。 定义一个新的学习问题：预测两个词之间是否是上下文-目标词对，如果是词对，则目标标签为1，否则为0。...即通过深度优先搜索或广度优先搜索遍历所有可能的翻译输出，并从中找到整个句子条件概率最大的翻译结果。这种方案听上去很稳妥，实际上会因为计算量过大难以实施。
吴恩达机器学习II 于2020年10月26日2020年10月26日由Sukuna发布 注意:X是一个 的矩阵,矩阵的第一列都是1!...==================================================== end 首先先求出预测值,就用第一题的那个函数,求出预测值(注意:X*theta是第一个实验作业里面的线性回归函数的表达式...)注意:h.就是求转置的意思,这样可以带入代价函数算出J grad就是每一次下降的时候递减的值,注意:没算学习效率 第三题:0&1判断 这时候就用一手if对矩阵每个元素进行判定 像exp,log,if这些作用在矩阵里面就是对每个元素求值
吴恩达机器学习I 于2020年10月20日2020年10月20日由Sukuna发布 第一题:WarmUp 让我们写一个函数返回一个单位阵 这真没啥好说的 function A = warmUpExercise...% Save the cost J in every iteration J_history(iter) = computeCost(X, y, theta); end end 吴恩达给的代码里面出现了迭代
吴恩达机器学习III 于2020年11月2日2020年11月2日由Sukuna发布 第一部分:多分类 X:是一个 维的矩阵,里面存的是m组数据集 第一题: 正则化的逻辑回归表达式 function [...max:求出最可能的特征的值,求每行最大的值即可 X * all_theta.’乘出来就是一个 维的矩阵,保存的是每一个数据集属于哪一个集合的可能性 第二部分 神经网络 第四题:计算神经网络(不要求反向学习
【吴恩达课后编程作业】Course 1 - 神经网络和深度学习 - 第三周作业 - 带有一个隐藏层的平面数据分类 ---- 上一篇：【 课程1 - 第三周测验】※※※※※ 【回到目录】※※※※※下一篇...的github上的文章，本文参考Planar data classification with one hidden layer，我基于他的文章加以自己的理解发表这篇博客，力求让大家以最轻松的姿态理解吴恩达的视频...向后传播 说明：反向传播通常是深度学习中最难（数学意义）部分，为了帮助你，这里有反向传播讲座的幻灯片， 由于我们正在构建向量化实现，因此我们将需要使用这下面的六个方程： ?...上面两个图分别代表了具有良好学习速率（收敛）和不良学习速率（发散）的梯度下降算法。...---- 完整代码 作业代码 # -*- coding: utf-8 -*- """ 本文博客地址：https://blog.csdn.net/u013733326/article/details/79702148
深度学习概念 深度学习指的是训练神经网络，有时候规模很大。...也许通过深度学习获利最大的就是在线广告，给网站输入广告信息，网站会考虑是否给你看这个广告，有时还需要输入一些用户信息。...for循环 当你应用深度学习算法，你会发现在代码中显示的使用for循环会使算法的效率很低，同时在深度学习领域，会有越来越大的数据集，所以能够应用你的算法完全不显示for循环的话是很有用的，可以帮你处理更大的数据集...向量化效果截图 当你正在实现深度学习算法，使用向量化技术真的可以更快得到结果，向量化之后，运行速度会大幅提升，你可能听说过，可扩展深度学习实现是在GPU上做的，GPU也叫图像处理单元(graphics...第二章作业笔记： 1.4标准化行 另一个在深度学习和机器学习的技巧是标准化数据，因为梯度下降收敛的更快在标准化之后，这使得有更好的性能。 ?
2，为什么深度学习会兴起？ 当数据规模增长到非常大时，深度神经网络的表现通常会远远超过传统的机器学习算法。 深度学习的兴起可以归功于数据规模，计算性能，以及计算算法的进步。 ? ?...机器学习中的目标函数通常由损失函数和正则化项组成。...对于多样本的情况，逻辑回归的交叉熵损失函数是关于w和b参数的凸函数，即至多仅有一个极值点，这一优良性质使得它能够很好地被用于w和b的学习。 ?...3，参数和超参数 参数是机器学习模型通过对数据学习获得优化的参数。而超参数是我们设计算法时，需要人工指定的参数。通常可以使用交叉验证的方法来有优化机器学习算法的超参数，俗称调参。...超参数包括学习率alpha，神经网络的层数L，各层的节点个数，正反向传播循环的次数，激活函数的形式，以及最优化算法的选取等。 ?
来源：机器之心 通过本文用优美的信息图为大家解读深度学习课程的知识与亮点~ 吴恩达在推特上展示了一份由 TessFerrandez 完成的深度学习专项课程信息图，这套信息图优美地记录了深度学习课程的知识与亮点...信息图下载地址：https://pan.baidu.com/s/1DtYg3TyplXQOVZ-YmplJaw 深度学习基础 1. 深度学习基本概念 ?...如上所示，经典机器学习和深度学习模型所需要的样本数有非常大的差别，深度学习的样本数是经典 ML 的成千上万倍。...其它学习方法 ? 机器学习和深度学习当然不止监督学习方法，还有如迁移学习、多任务学习和端到端的学习等。 卷积网络 13. 卷积神经网络基础 ?...以上是所有关于吴恩达深度学习专项课程的信息图，由于它们包含的信息较多，我们只介绍了一部分，还有很多内容只是简单的一笔带过。所以各位读者最好可以下载该信息图，并在后面的学习过程中慢慢理解与优化。
吴恩达的《ChatGPT 提示工程》课程主要是分享使用大语言模型API来构建应用程序的一些可行性，以及如何构建的最佳实践。...Instruction Turned LLM使用RLHF（基于人类反馈的强化学习）。 Instruction Turned LLM更易用，更安全。 二、提示工程关键原则 1....(HelloPython) ➜ HelloPrompt git:(main) ✗ 五、推理类应用 在传统的机器学习工作流程中，如果你想要提取一段文本的积极和消极的内容，你必须收集标签数据集，训练模型...当前，学习贯彻习近平新时代中国特色社会主义思想主题教育正在全党深入开展，广大党员干部要以此为契机，牢固树立和践行正确政绩观，把为民造福作为最大政绩，想人民之所想，行人民之所嘱，使一切决策和工作着眼于更好满足人民需求
机器学习系统设计思路，向量机，聚类 机器学习系统设计 确定优先级 如何设计一个垃圾邮件分类器算法?...基于邮件的路由信息开发一系列复杂的特征 基于邮件的正文信息开发一系列复杂的特征，包括考虑截词的处理 为探测刻意的拼写错误（例如: 把 watch 写成 w4tch）开发复杂的算法 误差分析 构建一个学习算法的推荐方法为...： 从一个简单的能快速实现的算法开始，实现该算法并用交叉验证集数据测试这个算法 绘制学习曲线，决定是增加更多数据，或者添加更多特征，还是其他选择 进行误差分析：人工检查交叉验证集中我们算法中产生预测误差的实例...选择阈值的一种方法是是计算 F1 值（F1 Score），其计算公式为： image.png 机器学习数据 关于机器学习数据与特征值的选取比较有效的检测方法： 一个人类专家看到了特征值 x，能很有信心的预测出...我们实际上能得到一组庞大的训练集，并且在这个训练集中训练一个有很多参数的学习算法吗？ 向量机 支持向量机 简称 SVM，在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。
简介 MachineLearning YearningSharing 是北京科技大学“机器学习研讨小组”旗下的文献翻译项目，其原文由Deep Learning.ai 公司的吴恩达博士进行撰写。...本部分文献翻译工作旨在研讨小组内部交流，内容原创为吴恩达博士，学习小组成员只对文献内容进行翻译，对于翻译有误的部分，欢迎大家提出。欢迎大家一起努力学习、提高，共同进步！...致谢 Deep Learning.ai公司 吴恩达（原文撰稿人） 陆顺（1-5章） 梁爽（6-10章） 郑烨（11-15章） 吴晨瑶（16-20章） 玉岩（21-25章） 陈波昊（25-30章） 翟昊（...第一部分：吴恩达《ML Yearning》| 关于开发集、测试集的搭建 第二部分：吴恩达《ML Yearning》| 基础的误差分析& 偏差、方差分析 第三部分：吴恩达《ML Yearning》| 关于学习曲线的分析...&与人类级别的表现对比 第四部分：吴恩达《ML Yearning》| 在不同的数据分布上训练及测设&Debug的一些推断算法 47.
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
