吴恩达《机器学习》课程总结(19)总结

简介: (1)涉及到的算法1.监督学习:线性回归,逻辑回归,神经网络,SVM。线性回归(下面第三行x0(i)其实是1,可以去掉)逻辑回归神经网络(写出前向传播即可,反向框架会自动计算)SVM2.非监督学习:聚类算法(K-mean),降维(PCA)K-meanPCA3.异常检测4.推荐系统(2)策略1.偏差与方差,正则化训练误差减去人类最高水平为偏差(欠拟合),交叉验证集误差减训练误差为方差(过拟合);正则化解决方差问题,不对θ0正则化;2.学习曲线全过程观测偏差与方差,所以更全面。

(1)涉及到的算法

1.监督学习:线性回归,逻辑回归,神经网络,SVM。

线性回归(下面第三行x0(i)其实是1,可以去掉)

逻辑回归

神经网络(写出前向传播即可,反向框架会自动计算)

SVM

2.非监督学习:聚类算法(K-mean),降维(PCA)

K-mean

PCA

3.异常检测

4.推荐系统

(2)策略

1.偏差与方差,正则化

训练误差减去人类最高水平为偏差(欠拟合),交叉验证集误差减训练误差为方差(过拟合);

正则化解决方差问题,不对θ0正则化;

2.学习曲线

全过程观测偏差与方差,所以更全面。

3.误差分析

找到哪种原因造成误差最大,最该花时间的地方。

4.评价方法

尽量使用单一指标评价,准确率不适合类偏斜,用精确度和召回率判定

精确度是预测的视角(预测为正样本中有多少是正样本),召回率是样本视角(正样本有多少被预测到了)

F1=2(PR)/(P+R)

5.数据集的拆分

训练集用于训练模型,,交叉验证集用于筛选模型/调参,测试集用来做最终评价。

6.上限分析

每一步假设输出完全正确时,能提高多少的正确率,提高最高的地方就是最该马上花时间解决的地方。

(3)应用

1.OCR

检测,分割,识别,现在常常不分割了,直接序列化识别。

2.大规模的机器学习

小批量的训练方法以及使用并行计算。

相关文章
|
11天前
|
机器学习/深度学习 人工智能 自然语言处理
算法金 | 吴恩达:机器学习的六个核心算法!
吴恩达教授在《The Batch》周报中介绍了机器学习领域的六个基础算法:线性回归、逻辑回归、梯度下降、神经网络、决策树和k均值聚类。这些算法是现代AI的基石,涵盖了从简单的统计建模到复杂的深度学习。线性回归用于连续变量预测,逻辑回归用于二分类,梯度下降用于优化模型参数,神经网络处理非线性关系,决策树提供直观的分类规则,而k均值聚类则用于无监督学习中的数据分组。这些算法各有优缺点,广泛应用于经济学、金融、医学、市场营销等多个领域。通过不断学习和实践,我们可以更好地掌握这些工具,发掘智能的乐趣。
37 1
算法金 | 吴恩达:机器学习的六个核心算法!
|
1月前
|
机器学习/深度学习 监控 算法
LabVIEW使用机器学习分类模型探索基于技能课程的学习
LabVIEW使用机器学习分类模型探索基于技能课程的学习
22 1
|
1月前
|
机器学习/深度学习 人工智能 算法
机器学习的魔法(一)从零开始理解吴恩达的精炼笔记
机器学习的魔法(一)从零开始理解吴恩达的精炼笔记
|
1月前
|
机器学习/深度学习
Coursera 吴恩达Machine Learning(机器学习)课程 |第五周测验答案(仅供参考)
Coursera 吴恩达Machine Learning(机器学习)课程 |第五周测验答案(仅供参考)
|
1月前
|
机器学习/深度学习 人工智能
【人工智能】<吴恩达-机器学习>多变量线性回归&学习率&特征值
【1月更文挑战第26天】【人工智能】<吴恩达-机器学习>多变量线性回归&学习率&特征值
|
1月前
|
机器学习/深度学习 人工智能 算法
【人工智能】<吴恩达-机器学习>批量梯度下降&矩阵和向量运算概述
【1月更文挑战第26天】【人工智能】<吴恩达-机器学习>批量梯度下降&矩阵和向量运算概述
|
1月前
|
机器学习/深度学习 存储 搜索推荐
利用机器学习算法改善电商推荐系统的效率
电商行业日益竞争激烈,提升用户体验成为关键。本文将探讨如何利用机器学习算法优化电商推荐系统,通过分析用户行为数据和商品信息,实现个性化推荐,从而提高推荐效率和准确性。
121 14
|
1月前
|
机器学习/深度学习 算法 搜索推荐
Machine Learning机器学习之决策树算法 Decision Tree(附Python代码)
Machine Learning机器学习之决策树算法 Decision Tree(附Python代码)
|
1月前
|
机器学习/深度学习 算法 数据可视化
实现机器学习算法时,特征选择是非常重要的一步,你有哪些推荐的方法?
实现机器学习算法时,特征选择是非常重要的一步,你有哪些推荐的方法?
43 1
|
1月前
|
机器学习/深度学习 数据采集 算法
解码癌症预测的密码:可解释性机器学习算法SHAP揭示XGBoost模型的预测机制
解码癌症预测的密码:可解释性机器学习算法SHAP揭示XGBoost模型的预测机制
182 0