吴恩达机器学习系列内容汇总_机器学习 csdn 大彤小忆-程序员宅基地

技术标签: 机器学习  

  学习吴恩达机器学习系列课程过程中使用到的课后编程练习题目和代码,点击 → Github链接进行查看。

  1. 学习机器学习过程中的一些经验与方法
  2. 吴恩达机器学习(一)—— 简介
  3. 吴恩达机器学习(二)—— 线性回归
  4. 吴恩达机器学习(三)—— ex1:Linear Regression(MATLAB+Python)
  5. 吴恩达机器学习(四)—— Logisitic回归
  6. 吴恩达机器学习(五)—— 正则化
  7. 吴恩达机器学习(六)—— ex2:Logistic Regression(MATLAB+Python)
  8. 吴恩达机器学习(七)—— 神经网络:Representation
  9. 吴恩达机器学习(八)—— ex3:Multi-class Classification and Neural Networks(MATLAB+Python)
  10. 吴恩达机器学习(九)—— 神经网络:Learning
  11. 吴恩达机器学习(十)—— ex4:Neural Networks Learning(MATLAB+Python)
  12. 吴恩达机器学习(十一)—— 应用机器学习的建议
  13. 吴恩达机器学习(十二)—— 机器学习系统的设计
  14. 吴恩达机器学习(十三)—— ex5:Regularized Linear Regression and Bias v.s. Variance(MATLAB+Python)
  15. 吴恩达机器学习(十四)—— 支持向量机
  16. 吴恩达机器学习(十五)—— ex6:Support Vector Machines(MATLAB+Python)
  17. 吴恩达机器学习(十六)—— 聚类
  18. 吴恩达机器学习(十七)—— 降维
  19. 吴恩达机器学习(十八)—— ex7:K-means Clustering and Principal Component Analysis (MATLAB + Python)
  20. 吴恩达机器学习(十九)—— 异常检测
  21. 吴恩达机器学习(二十)—— 推荐系统
  22. 吴恩达机器学习(二十一)—— ex8:Anomaly Detection and Recommender Systems (MATLAB + Python)
  23. 吴恩达机器学习(二十二)—— 大规模机器学习
  24. 吴恩达机器学习(二十三)—— 应用实例:图片文字识别

  
  写在后面的话:

  时隔将近一年,想把自己学习吴恩达机器学习系列课程时整理的笔记写成博客的想法,终于从开始萌芽到现在完成实现了。这个课程是研一的时候学的,当时除了上课也不知道该学些什么,偶然知道吴恩达老师的机器学习系列课程,又因为与自己的专业很相近,对以后可能会很有帮助,就开始学了起来。
  看视频、做笔记,一个阶段内容学完之后进行相应的编程练习,就是当时的学习步骤。因为在开始学习机器学习课程前,我先学习了Python语言,所以为了巩固所学的知识,每次编程练习时,除了用课程提供的MATLAB代码实现之外,我还会用Python语言再实现一遍。虽然大多数情况下还是会参考别人写好的代码,然后自己进行理解并改进,但是还是学到了很多知识。
  开始学习这个课程大概是2020年年初,本来计划着一两个月学完。但因为寒假和疫情迟迟没有开学的原因,在家学习效率低,一直拖到3月初才学完。虽然用的时间长,但是发现学完之后知识掌握的还是比较牢固和扎实的,加之吴恩达老师讲解的比较通俗易懂,学完之后还是很有收获。
  开始有想把当时学习过程中整理的笔记写成博客的想法,是在5月份了。当时因为疫情的原因还是没能开学,在家除了上课,就是补充了一些这门课中没有涉及的机器学习内容,比如决策树、朴素贝叶斯、AdaBoost等知识,然后开始了吴恩达深度学习系列课程的学习。到后面的时候,慢慢发现机器学习中的有些内容已经有所忘记,而且当时第一次学习,很多内容都不理解,笔记也记得比较乱,所以就有了写成博客的想法。一方面是想整理一下当时学的内容,顺便再复习一下;另一方面是想可以写出来提供给有需要的人看,帮助大家一起学习,并进行交流。
  这一写就写了将近一年,现在终于整理完成了。大体的内容和框架都是吴恩达老师上课讲的,自己进行了整理和简化。博客里的图表都是自己画的,因为吴恩达老师上课时的图表一般都是手画的,比较凌乱,所以为了方便阅读,几乎都重新画了一遍,这也导致写起来比较慢。加上平时还要学习别的东西,研究课题等,写这个系列内容不知不觉竟用了快一年时间了。
  最后的最后,希望写的东西可以帮助到大家的学习,也希望可以跟大家一起学习、共同进步!

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/HUAI_BI_TONG/article/details/115799393

智能推荐

2019 最值得被记录的 14 条 AI 安防领袖语录丨年终盘点_海康威视 语录-程序员宅基地

文章浏览阅读865次。2019-12-12 18:25:51雷锋网按:有时候看AI安防,就像这一幅画,墨绿色的树林诉说着这幅画的寂静,中间那条笔直的小路遥遥地伸向了远处,不经意地看,你会觉得这条小路的终点就在不远处。而仔细看时,你就会发现,这条小路是没有终点的。过去一年,有人说,AI安防之争即将结束;但大多数人还是笃定,AI安防这场战斗才刚刚开始。三年前,滴滴自动驾驶公司COO孟醒谈到一个观点:人工智能..._海康威视 语录

VB工程--百例97--是标题栏闪烁-程序员宅基地

文章浏览阅读84次。Option ExplicitPrivate Sub Timer1_Timer() FlashWindow Me.hwnd, True '调用flashwindow函数是窗体标题栏闪烁 Beep '使计算机的扬声器发出响声End SubOption ExplicitPublic Declare Function FlashWindow Lib "user32" (ByVal h..._flashwindowex vb

javascript RSA公钥加密_js rsa在已经有公钥-程序员宅基地

文章浏览阅读1.3w次。前面写了两篇:javascript SHA1加密, javascript MD5加密现在再来一篇RSA公钥加密首先引入js文件,不要问为什么,just引然后,js里面就可以这么加密了var encrypt = new JSEncrypt();encrypt.setPublicKey("这里放入你的公钥");var encryptData = encrypt.en_js rsa在已经有公钥

刚参加工作一年的JAVA程序员的年终总结-程序员宅基地

文章浏览阅读377次。总结并梳理这一年所学的知识前端angular jsbootstrap后端spring + springmvc + springboot + mybatis + hibernate + mysql + redis + mongodb服务器端linux转载于:https://www.cnblogs.com/L723/p/8413232.html..._工作一年的java程序员

纸小墨ink简洁主题story爱上你的故事-程序员宅基地

文章浏览阅读196次。主题介绍为纸小墨写的一款主题,该主题移植自Yumoegithub地址:ink-theme-storyDemoink-theme-story主题的一些食用说明菜单标题旁边有一个 · 字符,点击后便可显示菜单。1,2,3 分别代表 独立页面菜单、导航树(仅在文章界面有用)以及搜索框。一些功能评论点击加载, 可以应对一些墙导致无法加载的场景图片懒加载评论系统支持来必..._inkpaper表格

【LeetCode刷题】498.对角线遍历_给定一个含有 m x n 个元素的矩阵(m 行,n 列),请以对角线遍历的顺序返回这个矩阵-程序员宅基地

文章浏览阅读161次。目录题目:对角线遍历示例1:解题思路代码题目:对角线遍历给定一个含有 M x N 个元素的矩阵(M 行,N 列),请以对角线遍历的顺序返回这个矩阵中的所有元素,对角线遍历如下图所示。示例1:输入:[ [ 1, 2, 3 ], [ 4, 5, 6 ], [ 7, 8, 9 ]]输出: [1,2,4,7,5,3,6,8,9]解释:解题思路使用一个外层循环遍历所有的对角线。第一行和最后一列的元素都是对角线的起点。 使用一个内层 while循环遍历对角线上的所有元素。可以计算指_给定一个含有 m x n 个元素的矩阵(m 行,n 列),请以对角线遍历的顺序返回这个矩阵

随便推点

Boolan C++ STL与泛型编程_4_binder1st的代替品-程序员宅基地

文章浏览阅读136次。主要内容:本节主要讲解STL六大部件中剩下的4大部件,包括算法、迭代器、泛函数和适配器。分类器和容器在前两节已经讲解。算法与其他STL部件的区别之一在于算法是函数模板,其他的是类模板。这几大部件也是相互联系的。算法虽然对容器一无所知,但是它通过问答迭代器,通过迭代器实现了对容器的操作。当迭代器无法回答迭代器的问题时,编译就会报错。算法也是泛函数的应用场合之一。适配器则是在容器、迭代器、泛函数的基_binder1st的代替品

写好代码的10个秘密-程序员宅基地

文章浏览阅读208次。先给大家看一段据说是史上最强的程序:e100 33 f6 bf 0 20 b5 10 f3 a5 8c c8 5 0 2 50 68 13 1 cb e 1f be a1 1 bf 0 1e11b 6 57 b8 11 1 bb 21 13 89 7 4b 4b 48 79 f9 ad 86 e0 8b c8 bd ff ff e8 20e134 0 3d 0 1 74 1a 7f 3 aa eb f3 2d ff 0 50 e8 f 0 5a f7 d8 8

Vue项目部署公网ip和端口以及使用域名访问配置_npm vue ip配制-程序员宅基地

文章浏览阅读6.5k次,点赞2次,收藏11次。前提是已经配置好了相应的外网和内网端口的映射一.公网ip和端口配置在vue项目启动之前对项目下:项目名/config/index.js 文件进行修改原来的内容为:(位置在index.js的第16,17行作用)host: 'localhost', // can be overwritten by process.env.HOST port: 8080, //..._npm vue ip配制

POJ 3352 Road Construction-程序员宅基地

文章浏览阅读78次。Road ConstructionTime Limit:2000MSMemory Limit:65536KTotal Submissions:12646Accepted:6384DescriptionIt's almost summer time, and that means that it's a..._瑞典ss3352标准

Linux JDK的环境变量配置以及为什么需要配置_linux安装jdk安装好后javac可以用了还用配置环境变量吗?-程序员宅基地

文章浏览阅读1.4k次。Linux JDK的环境变量配置以及为什么需要配置首先,应该了解的是JDK是Java的软件工具开发包,全称Java Development Kit,其中的基本组件包括:javac – 编译器,将源程序转成字节码jar – 打包工具,将相关的类文件打包成一个文件javadoc – 文档生成器,从源码注释中提取文档jdb – debugger,查错工具java – 运行编译后的java程序(.class后缀的)appletviewer:小程序浏览器,一种..._linux安装jdk安装好后javac可以用了还用配置环境变量吗?

python根据词向量计算相似度_如何使用gensim的word2vec模型和python计算句子相似度...-程序员宅基地

文章浏览阅读2.2k次,点赞3次,收藏6次。如何使用gensim的word2vec模型和python计算句子相似度根据Gensim Word2Vec,我可以使用gensim包中的word2vec模型来计算2个单词之间的相似度。例如trained_model.similarity('woman', 'man')0.73723527但是,word2vec模型无法预测句子相似性。 我发现在gensim中具有句子相似性的LSI模型,但是,似乎不能与..._从python(gensim)的word2vec中获取相似性矩阵

推荐文章

热门文章

相关标签