相關(guān)文章

• 

  吳恩達(dá)機(jī)器學(xué)習(xí)2022-Jupyter-機(jī)器學(xué)習(xí)實(shí)例

  在這個(gè)實(shí)驗(yàn)室里: 探索特征工程和多項(xiàng)式回歸，它可以讓你使用線性回歸機(jī)制來適應(yīng)非常復(fù)雜，甚至非常非線性的函數(shù)。 您將利用在以前的實(shí)驗(yàn)中開發(fā)的函數(shù)以及matplotlib和NumPy。 線性回歸提供了一種模型方法，公式形式為: 如果您的特性/數(shù)據(jù)是非線性的或者是特性的組合，該

  2024年02月16日

  瀏覽(18)
• 

  吳恩達(dá)《機(jī)器學(xué)習(xí)》5-6:向量化

  在深度學(xué)習(xí)和數(shù)值計(jì)算中，效率和性能是至關(guān)重要的。一個(gè)有效的方法是使用向量化技術(shù)，它可以顯著提高計(jì)算速度，減少代碼的復(fù)雜性。接下來將介紹向量化的概念以及如何在不同編程語言和工具中應(yīng)用它，包括 Octave、MATLAB、Python、NumPy、C和C++。 一、什么是向量化？ 向量

  2024年02月05日

  瀏覽(23)
• 

  吳恩達(dá)機(jī)器學(xué)習(xí)2022-Jupyter

  在這個(gè)實(shí)驗(yàn)室中，您將擴(kuò)展數(shù)據(jù)結(jié)構(gòu)和以前開發(fā)的例程，以支持多個(gè)特性。一些程序被更新使得實(shí)驗(yàn)室看起來很長，但是它對(duì)以前的程序做了一些小的調(diào)整使得它可以很快的回顧。 擴(kuò)展我們的回歸模型例程以支持多個(gè)特性 擴(kuò)展數(shù)據(jù)結(jié)構(gòu)以支持多個(gè)特性 重寫預(yù)測(cè)，成本和梯度

  2024年02月16日

  瀏覽(15)
• 

  【機(jī)器學(xué)習(xí)】吳恩達(dá)課程1-Introduction

  計(jì)算機(jī)程序從經(jīng)驗(yàn)E中學(xué)習(xí)，解決某一任務(wù)T，進(jìn)行某一性能P，通過P測(cè)定在T上的表現(xiàn)因經(jīng)驗(yàn)E而提高。 跳棋程序 E：程序自身下的上萬盤棋局 T：下跳棋 P：與新對(duì)手下跳棋時(shí)贏的概率 給算法一個(gè)數(shù)據(jù)集，其中包含了正確答案，算法的目的是給出更多的正確答案。 （1）預(yù)測(cè)房價(jià)

  2024年02月16日

  瀏覽(24)
• 

  吳恩達(dá)《機(jī)器學(xué)習(xí)》2-2-＞2-4:代價(jià)函數(shù)

  一、代價(jià)函數(shù)的概念 代價(jià)函數(shù)是在監(jiān)督學(xué)習(xí)中用于評(píng)估模型的性能和幫助選擇最佳模型參數(shù)的重要工具。它表示了模型的預(yù)測(cè)輸出與實(shí)際目標(biāo)值之間的差距，即建模誤差。代價(jià)函數(shù)的目標(biāo)是找到使建模誤差最小化的模型參數(shù)。 二、代價(jià)函數(shù)的理解 訓(xùn)練集數(shù)據(jù) ：假設(shè)我們有一

  2024年02月07日

  瀏覽(30)

• 吳恩達(dá)《深度學(xué)習(xí)》筆記匯總

  第一門課：神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)（第一周）——深度學(xué)習(xí)引言 第一門課：神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)（第二周）——神經(jīng)網(wǎng)絡(luò)的編程基礎(chǔ) 第一門課：神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)（第三周）——淺層神經(jīng)網(wǎng)絡(luò) 第一門課：神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)（第四周）——深層神經(jīng)網(wǎng)絡(luò) 第二門課：改善深層

  2024年01月25日

  瀏覽(26)

• 關(guān)于吳恩達(dá)機(jī)器學(xué)習(xí)中反向傳播的理解

  在機(jī)器學(xué)習(xí)視頻反向傳播章節(jié) [1] 中： 我們用 (delta) 來表示誤差，則： (boldsymboldelta^{left(4right)}=boldsymbol a^{left(4right)}?boldsymbol y) 。我們利用這個(gè)誤差值來計(jì)算前一層的誤差： (boldsymboldelta^{left(3right)}=left(boldsymbolTheta^{left(3right)}right)^Tboldsymboldelta^{left(4rig

  2024年02月01日

  瀏覽(23)
• 

  學(xué)習(xí)筆記：吳恩達(dá)ChatGPT提示工程

  以下為個(gè)人筆記，原課程網(wǎng)址Short Courses | Learn Generative AI from DeepLearning.AI 1.1 基礎(chǔ)LLM 輸入 輸出 輸入 輸出 之所以這樣輸出的原因是，基礎(chǔ)LLM的輸出基于它的訓(xùn)練數(shù)據(jù)，可能會(huì)產(chǎn)生我們不想得到的信息 1.2 指令微調(diào)型LLM 輸入 輸出 首先使用1.1中經(jīng)過大量文本數(shù)據(jù)訓(xùn)練過的基礎(chǔ)L

  2024年02月08日

  瀏覽(26)
• 

  吳恩達(dá)471機(jī)器學(xué)習(xí)入門課程1第3周——邏輯回歸

  實(shí)施邏輯回歸并將其應(yīng)用于兩個(gè)不同的數(shù)據(jù)集。 在這一部分中,你將建立一個(gè)邏輯回歸模型來預(yù)測(cè)學(xué)生是否被大學(xué)錄取。 2.1、問題描述 假設(shè)你是一所大學(xué)部門的管理員，并且想要根據(jù)每個(gè)申請(qǐng)人在兩次考試中的成績來確定他們被錄取的機(jī)會(huì)。 你有先前申請(qǐng)者的歷史數(shù)據(jù)，可

  2024年02月09日

  瀏覽(22)

• 吳恩達(dá)機(jī)器學(xué)習(xí)2022-Jupyter-用scikitlearn實(shí)現(xiàn)邏輯回歸

  使用 scikit-learn 培訓(xùn) Logit模型模型。 下面的代碼導(dǎo)入了 scikit-learn 的 Logit模型模型。您可以通過調(diào)用 fit 函數(shù)將此模型適合于訓(xùn)練數(shù)據(jù)。 輸出： 通過調(diào)用預(yù)測(cè)函數(shù)，您可以看到這個(gè)模型所做的預(yù)測(cè)。 輸出： 您可以通過調(diào)用 score 函數(shù)來計(jì)算這個(gè)模型的精度。 輸出：

  2024年02月16日

  瀏覽(24)