机器学习吴恩达课程总结(二)

简介: 机器学习吴恩达课程总结(二)

6. 第六章 逻辑回归(Logistic Regression)

6.1 分类(Classification)

image.png

6.2 逻辑回归:假设陈述

image.png

6.3 决策边界(Decision Boundary)

image.png

6.4 损失函数(Cost Function)

image.png


6.5 简化代价函数与梯度下降

image.png

6.6 高级优化方法

优化算法:


梯度下降法(常用,简单)

共轭梯度法(conjugate gradient)

拟牛顿法(BFGS)

L-BFGS

高级优化算法的优点:


无需手动挑选学习率α \alphaα

通常比梯度下降法更快

高级优化算法的缺点:


更复杂


6.7 多分类:一对多(one-vs-all)

image.png

7. 第七章 正则化(Regularization)

7.1 过拟合问题(overfitting)

image.png

image.png

7.2 代价函数(cost function)

image.png


7.4 正则化逻辑回归

image.png


8. 第八章 神经网络:表示(Neural Network:Representation)

8.1 非线性假设(Non-linear hypothesis)

image.png


8.2 神经元和大脑

起源:算法尝试模仿大脑。


神经网络在80年代和90年代早期非常流行,在90年代后期流行度下降。


近来神经网络热度重新上升:已经在很多应用领域成为目前最先进的方法。


amazing:你能把几乎任何传感器接入到大脑中,大脑的学习算法就能找出学习数据的方法,并处理这些数据。这真是太神奇了,这也告诉我们通用人工智能是可行的,存在的!!!


8.3 模型展示1

image.png

image.png

8.4 模型展示2

image.png

image.png

8.5 示例与直观解释1

非线性分类器可以处理异或问题,而线性分类器不行。


8.6 示例与直观解释2

image.png


8.7 多分类

最后输出层输出n维向量,每一维表示是这一类的概率。

相关文章
|
1月前
|
机器学习/深度学习 供应链 算法
机器学习课程学习随笔
机器学习课程学习随笔
|
19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。
51 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
26 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 人工智能
【人工智能】<吴恩达-机器学习>单变量的线性回归&认识梯度下降
【1月更文挑战第26天】【人工智能】<吴恩达-机器学习>单变量的线性回归&认识梯度下降
|
1月前
|
机器学习/深度学习 人工智能 数据挖掘
【人工智能】<吴恩达-机器学习>监督学习&非监督学习
【1月更文挑战第26天】【人工智能】<吴恩达-机器学习>监督学习&非监督学习
|
2天前
|
机器学习/深度学习 人工智能 算法
【昆虫识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+机器学习+TensorFlow+ResNet50
昆虫识别系统,使用Python作为主要开发语言。通过TensorFlow搭建ResNet50卷积神经网络算法(CNN)模型。通过对10种常见的昆虫图片数据集('蜜蜂', '甲虫', '蝴蝶', '蝉', '蜻蜓', '蚱蜢', '蛾', '蝎子', '蜗牛', '蜘蛛')进行训练,得到一个识别精度较高的H5格式模型文件,然后使用Django搭建Web网页端可视化操作界面,实现用户上传一张昆虫图片识别其名称。
34 7
【昆虫识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+机器学习+TensorFlow+ResNet50

热门文章

最新文章