精华内容
下载资源
问答
  • 王德科—第一.
  • 吴恩达机器学习笔记pdf格式,共分10学习课程,可以通过视频资源对照学习。 吴恩达机器学习笔记pdf格式,共分10学习课程,可以通过视频资源对照学习。
  • 吴恩达机器学习公开课视频最早是斯坦福大学的课程视频(那个画面有点老),新版的视频在网易云课堂上可以随时学习。仅仅通过视频学习,可能会有点快,因为有的知识点需要反复推敲和回味。感谢github上一位朋友的精心...

    84d196265969fb491f6e1453a12f1988.png

    前言:

    最近在学习深度学习,看了不少教程,发现还是吴恩达的比较适用于我。吴恩达机器学习公开课视频最早是斯坦福大学的课程视频(那个画面有点老),新版的视频在网易云课堂上可以随时学习。仅仅通过视频学习,可能会有点快,因为有的知识点需要反复推敲和回味。感谢github上一位朋友的精心整理,让我们可以配合讲义一起学习,讲义有HTML版、PDF版、Markdown版的:视频配合讲义看,事半功倍

    本文包括接下来的系列文章,都会是吴恩达机器学习课程的个人学习总结,有很多文字和图片直接参考了PDF版的课程讲义,再次谢过提供讲义的朋友!

    网易云课堂课程视频:

    https://study.163.com/course/courseMain.htm?courseId=1004570029

    课程同步配套讲义:

    https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

    原文发布在语雀文档上,效果更好看点:

    第四周 · 语雀www.yuque.com
    2ab8a3aabc7707b425c9cbc04eefdc5d.png

    第四周

    1. 神经元

    1.1 神经元

    为了构建神经网络模型,我们需要首先思考大脑中的神经网络是怎样的?每一个神经元都可以被认为是一个处理单元/神经核(processing unit/Nucleus),它含有许多输入/树突(input/Dendrite),并且有一个输出/轴突(output/Axon)。神经网络是大量神经元相互链接并通过电脉冲来交流的一个网络。

    95bf0ee2687f4f45a338157683d3bb63.png

    1.2 神经元间的沟通

    神经元之间通过电信号进行沟通(微弱的电流)。所以如果神经元想要传递一个消息,它就会就通过它的轴突,发送一段微弱电流给其他神经元的树突。
    接收到信号的神经元会对消息进行处理,处理后可能会通过自己的轴突再将信息传递出去给其他神经元。这就是神经元之间信号传递的简要概述。

    2. 神经网络

    神经网络是模仿大脑神经元,建立的模型。模型中的每个神经元都是一个单独的【学习模型】,这些神经元也叫做激活单元(activation unit)

    2.1 Sigmoid神经元

    以下示例为逻辑回归模型中常用的,sigmoid神经元的简单示例:

    50219edcffaa2336e3b24910a74895c8.png

    中间的神经元(激活单元)是一个sigmoid函数,它将左边输入的

    和参数
    θ相乘后作为输入,经过自身的计算得到结果
    ,在神经网络中,参数又可被成为
    权重(weight)

    2.2 三层神经网络

    在Sigmod神经元的基础上,我们可以设计出一个简单的三层神经网络:

    515bc83cc0d305f741390ae3c03a133d.png

    作为神经网络的第一层,被称为
    输入层(Input Layer),输入层中的每个节点即输入单元,每个输入单元即包含着原始的输入值,
    作为中间单元,构成了神经网络的第二层,也称为中间层/
    隐藏层(Hidden Layers),他们的作用是:负责将数据进行处理,然后呈递到下一层;最后一层被称为输出层(Output Layer)神经网络模型中,通常只有一个输入层,一个输出层,中间层/隐藏层可以有任意多个。所有层加起来构成了整个神经网络模型。每一层的输出变量都是下一层的输入变量。
    对于上述模型,给每一层添加偏差单位(bias unit)后,图像如下:

    482f9bf85426badc843a796a54cec835.png

    中间层激活单元的表达式:

    2b04a531d0de19b79ca1d5ea270e78f9.png

    fa72b36b633af8cb908042951be145fe.png

    代表第i层的第j个激活单元;

    右上角 j 代表是从第j层映射到第 j + 1层时权重的矩阵;右下角
    mn代表该参数在θ矩阵中的位置.其中,θ 矩阵的形态m = 第 j + 1层激活单元数 ;n = 第 j 层激活单元数 + 1

    例如:

    第一层
    θ参数矩阵的形态3 x 4

    m = 第二层激活单元数 = 3;n = 第一层激活单元数 3 + 1 = 4

    第二层
    θ参数矩阵的形态1 x 4

    m = 第三层激活单元数 = 1;n = 第二层激活单元数 3 + 1 = 4

    输入层表达式:

    4e96544c0b7e02de41276e9e14893581.png

    分别用矩阵表示,我们可以得到:

    输出层表达式:

    6e5d07a700363660459c443aeda349cc.png

    从式子里可以看出,对于每个

    ,都依赖上层的x以及x对应的参数θ,这样从左至右逐级依赖的算法模型,称为:
    前向传播算法( FORWARD PROPAGATION ))

    2.3 神经网络的优势

    从2.2节我们可以看到,位于神经网络模型输出层的预测函数可以写作:

    6e5d07a700363660459c443aeda349cc.png

    我们可以把

    看成更为高级的特征值,也就是
    的进化体,虽然他们是由x决定的,但由于是梯度下降的,所以a是变化的,并且变化的越来越厉害,所以这些高级的特征值比普通的逻辑回归/线性回归模型中仅仅将x次方厉害,也能更好地预测新数据。
    从本质上来讲,神经网络能够通过学习得出其自身的一系列特征。在普通的逻辑回归中,我们被限制为使用数据中的原始特征
    .我们虽然可以使用一些二项式项来组合这些特征,但是我们仍然受到这些原始特征的限制。在神经网络中,原始特征只是输入层,在我们上面三层的神经网络例子中,第三层也就是输出层做出的预测利用的是第二层的特征,而非输入层中的原始特征,我们可以认为第二层中的特征是神经网络通过学习后自己得出的一系列用于预测输出变量的新特征。
    这就是神经网络模型相比于逻辑回归和线性回归的优势。

    3.样本和直观理解

    我们可以用一个单一的激活单元 + 不同的权重即可描三种二元逻辑运算符(BINARY LOGICAL OPERATORS) :逻辑与(AND)、 逻辑或(OR)、逻辑非(NOT)

    我们只需要将假设函数

    使用sigmoid函数即可:

    249236d84fbd6b2d041c6b3aa8b232a9.png


    从而:


    要想实现逻辑与AND,我们可以分别设置

    = -30,20,20,表达式

    要想实现逻辑或OR,可以设置
    分别 = -10,20, 20,

    要想实现逻辑非NOT,更简单,只需要一个输入即可。可以设置
    分别 = 10,-20,

    4.多类分类

    当我们要用神经网络模型来实现多分类,譬如训练一个模型来识别路人、汽车、摩托车和卡车。那么神经网络模型改如何构成?

    假设我们的输入有三个维度、输出根据上述可知有4个分类,并且是4个互斥的分类。那么我们的神经网络模型可以设计成如下的形状:

    e8cf6ff47d79097c51172c6e9bdb3586.png

    即总共4层、中间有两层隐藏层的网络结构。结果是4 x 1维矩阵。
    我们可以用

    ,
    ,
    ,
    ,

    来分别表示输出:
    路人、汽车、摩托、卡车。

    展开全文
  • (英文版)吴恩达机器学习第二笔记 这是我在coursera上看Andrew Ng的machine learning做的英文版笔记,可以帮助学英语的小伙伴熟悉熟悉一些专业术语在英文中的表达。由于笔记是OneNote记的所以没法粘贴过来只能...

    (英文版)吴恩达机器学习第二周笔记

    这是我在coursera上看Andrew Ng的machine learning做的英文版笔记,可以帮助学英语的小伙伴熟悉熟悉一些专业术语在英文中的表达。由于笔记是OneNote记的所以没法粘贴过来只能截图。想看PDF版本的笔记的话,可以去我的github中下载。谢谢大家的支持
    在这里插入图片描述
    在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

    展开全文
  • 基于机器学习的智能终端用户行为分析研究,勇帆,唐碧华,移动智能终端的网络数据流量特性在某种程度上可以反映用户的网络访问行为,进而能够体现用户自身的特征。在研究传统网络流量分类
  • 本文内容参考自中国海洋大学2014级博士生黄海广的机器学习笔记,同时加入了自己的学习和思考。原因是PDF版本的笔记有些冗长,阅读没有记录,故进行整理形成博客。 第一章 引言(Introduction) 第1节 欢迎...

    本文内容参考自中国海洋大学2014级博士生黄海广的机器学习笔记,同时加入了自己的学习和思考。原因是PDF版本的笔记有些冗长,阅读没有记录,故进行整理形成博客。

    第一章 引言(Introduction)

    第1节 欢迎(Welcome)

    欢迎来到机器学习!

    第2节 引言(Introduction)

    1.1 欢迎

    参考视频 : 1 - 1 - Welcome (7 min).mkv

    1. 第一个视频主要讲了什么是机器学习,机器学习能做什么事情。
    2. 机器学习是目前信息技术中最激动人心的方向之一。
    3. 你每天都在不知不觉中使用了机器学习的算法。每次你打开谷歌或百度搜索你需要的内容,正式因为他们有良好的学习算法。他们用学习算法来对网页排序,使用图片分类器可以识别图片中的人脸。
    4. Andrew Ng感到激动的原因之一是有一天可以做出一个和人类一样聪明的机器,实现这个想法任重道远。
    5. 为什么机器学习如此受欢迎呢?原因是机器学习不只是用于人工智能领域,还可用于其他领域。我们创造智能的机器,有很多基础知识。比如,我们可以让机器找到A到B之间的最短距离,但我们仍然不知道怎么让机器做更有趣的事情,如web搜索,照片标记,反垃圾邮件。我们发现,唯一方法是让机器自己学习怎么来解决问题。所以,机器学习已经成为计算机的一个能力。
    6. 机器学习涉及的问题非常广泛。机器人,计算生物学等等。数据库挖掘,手写识别,自然语言处理,计算机视觉等等。

    1.2. 机器学习是什么?

    参考视频 : 1 - 2 - What is Machine Learning_ (7 min).mkv

    1. 我们尝试着进行定义,同时让你懂得何时会使用机器学习。实际上,即使是在机器学习的专业人士中,也不存在一个被广泛认可的定义来准确定义机器学习是什么或不是什么。
    2. 第一个机器学习定义,20世纪50年代,Arthur Samuel。机器学习是在进行特定编程的情况下,给予计算机学习能力的领域。他并不是个下棋高手,但是他编写了一个西洋棋程序,通过编程让西洋棋程序自己跟自己下了上万盘棋。通过观察哪种布局会赢,哪种会输,久而久之,西洋棋程序明白了什么样是好的布局,什么样是坏的布局,程序通过学习后水平超过了Samuel。尽管编写者自己是个菜鸟,但因为计算机有着足够的耐心去下上万盘的棋,通过这些练习计算机获得了无比丰富的经验,于是渐渐成为了比Samuel更厉害的棋手。
    3. 上述是一个有点不正式的定义,也比较古老。年代近一点的定义,卡耐基梅隆大学,Tom Mitchell。他定义机器学习是,一个程序被认为能从经验E中学习,解决任务T,达到性能度量值P,当且仅当,有了经验E后,经过P评判,程序在处理T时的性能有所提升。 根据下棋案例,我认为经验 E 就是程序上万次的自我练习获得的经验而任务 T 就是下棋,性能度量值 P 就是他在与一些新的对手比赛是,赢得比赛的概率。
    4. 本课中,我希望教你有关各种不同类型的学习算法。目前存在几种不同类型的学习算法,主要的两种类型被我们称为监督学习和无监督学习。监督学习是指我们教计算机如何去完成任务,在无监督学习中,我们打算让它自己进行学习。接下来的视频我会具体来介绍。PS. 如果你听到强化学习和推荐系统,不要担心,这些都是机器学习的一员。

    1.3 监督学习

    参考视频:1 - 3 - Supervised Learning (12 min).mkv

    这段视频中,我要定义最常见的一种机器学习问题,那就是监督学习。我们用一个例子介绍什么是监督学习,正式定义放在后面介绍。假如说你想预测房价。

    例1:一个学生收集了一些房价的数据。把这些数据画出来,横轴代表房子的面积(单位:平方英尺),纵轴表示房价(单位:千美元)。
    机器学习 监督学习 房价图片

    那么基于这组数据,假如你有一个朋友,他有一套750平方英尺的房子并且希望把房子卖掉,他想知道房子可以卖多少钱。关于这个问题,机器学习算法将会怎么帮助你呢?

    答:我们应用学习算法在这组数据中画一条直线,或者说拟合一条直线。根据这条直线我们可以推测出,这套房子可能会卖150000。当然这不是唯一的算法,可能还有更好的,我们不用直线而是用二次方程曲线去拟合,从而可以推测出,这套房子能卖接近200 000。稍后我们讨论,如何决定用直线还是二次方程。以上就是监督学习的例子。

    可以看出,监督学习指的是给学习算法一个数据集,这个数据集包含“正确答案”。在房价的例子中,房子面积是数据集,房价是“正确答案”。根据数据集中每个样本的价格(正确答案),预测其他房子的价格。用术语来说,这叫做回归问题。我们推测出的结果是连续值。

    再举另外一个监督学习的列子。例2:假设你想通过病历来推测乳腺癌良性与否,恶性肿瘤有害并且十分危险,而良性的肿瘤危害就没那么大,所以人们显然会很在意这个问题。
    机器学习 监督学习 肿瘤

    让我们来看一组数据:这个数据集中,横轴表示肿瘤的大小,纵轴上用1和0来表示是火不是恶性肿瘤,如果是恶性则记为1,不是恶性则记为0。用术语来讲,这是一个分类问题。我们试着推测出乳腺肿瘤是恶性(1),还是良性(0),这个值是离散的。

    现在来回顾一下,监督学习的基本思想是,数据集中的每个样本都有相应的“正确答案”。再根据这些样本进行预测,就像预测房价和肿瘤类型一样。预测的结果为连续值,记为回归问题;预测的结果为离散值,记为分类问题。

    1.4 无监督学习

    参考视频 : 1 - 4 - Unsupervised Learning (14 min).mkv

    在无监督学习中,我们已知的数据看上去有点不同于监督学习中的数据的样子,即无监督学习中的数据集没有任何的标签(类比于监督学习中的“正确答案”)。已知一个数据集,不知道如何处理,也不知道每个数据点是什么。针对数据集,无监督学习可以判断出数据集有几个不同的类别。
    监督学习和无监督学习

    无监督学习算法可能会把这些数据分成两个不同的“簇”,这种无监督学习算法叫做聚类算法。聚类算法的一个例子就是在谷歌新闻中。谷歌新闻每天都在手机网络上的新闻,并对这写新闻进行分组,相同类别的新闻聚类到一起。事实证明,聚类算法和无监督学习算法同样还用在很多其他的主题上,如基因学的理解应用,组织大型计算机集群等等。

    总结,垃圾邮件问题,区别邮件是否是垃圾邮件,这是个监督学习中的分类问题。新闻事件分类的例子,用聚类算法来把同一类文章聚类到一起,这个是无监督学习问题。

    以上是第1周 引言 的全部内容。

    展开全文
  • 简单版详细版 PDF版 VSDX版

    简单版

    这里写图片描述

    详细版
    这里写图片描述

    PDF版
    VSDX版

    展开全文
  • 多看看压缩包里面的PDF 在GUI中的submit貌似不可以选择,系统会自动选择已经编辑过的.m的文档提交,所以不用纠结选择不了文档 warmUpexercise 生成一个5*5的矩阵,跟着教程来 function A = warmUpExercise() %...
  • 简介 通过使用scikit-learn,TensorFlow和Keras等库来应对日常问题,发现基于项目的方法来掌握机器学习概念 主要特点•掌握Python的机器学习库,包括scikit-learn,...图书说明机器学习正在改变我们理解和与...
  • 吴恩达机器学习公开课视频最早是斯坦福大学的课程视频(那个画面有点老),新版的视频在网易云课堂上可以随时学习。仅仅通过视频学习,可能会有点快,因为有的知识点需要反复推敲和回味。感谢github上一位朋友的精心...
  • Logistic Regression 这是我在coursera上看Andrew Ng的machine learning做的英文版笔记,可以帮助学英语的小伙伴熟悉熟悉一些专业术语在英文中...想看PDF版本的笔记的话,可以去我的github中下载。谢谢大家的支持 ...
  • Support Vevtor Machines 这是我在coursera上看Andrew Ng的machine learning做的英文版笔记,可以帮助学英语的小伙伴熟悉熟悉一些专业术语在...想看PDF版本的笔记的话,可以去我的github中下载。谢谢大家的支持 ...
  • Neural Network:Learning 这是我在coursera上看Andrew Ng的machine learning做的英文版笔记,可以帮助学英语的小伙伴熟悉熟悉一些专业术语在...想看PDF版本的笔记的话,可以去我的github中下载。谢谢大家的支持 ...
  • Advice for Machine Learning 这是我在coursera上看Andrew Ng的machine learning做的英文版笔记,可以帮助学英语的小伙伴熟悉熟悉一些专业...想看PDF版本的笔记的话,可以去我的github中下载。谢谢大家的支持 ...
  • Neural Network:Representation 这是我在coursera上看Andrew Ng的machine learning做的英文版笔记,可以帮助学英语的小伙伴熟悉熟悉一些专业...想看PDF版本的笔记的话,可以去我的github中下载。谢谢大家的支持 ...
  • Large Scale Machine Learning 这是我在coursera上看Andrew Ng的machine learning做的英文版笔记,可以帮助学英语的小伙伴熟悉熟悉一些专业...想看PDF版本的笔记的话,可以去我的github中下载。谢谢大家的支持 ...
  • Anomaly Detection and Recommender System 这是我在coursera上看Andrew Ng的machine learning做的英文版笔记,可以帮助学英语的小伙伴...想看PDF版本的笔记的话,可以去我的github中下载。谢谢大家的支持 ...
  • Unsupervised Learning 这是我在coursera上看Andrew Ng的machine learning做的英文版笔记,可以帮助学英语的小伙伴熟悉熟悉一些...想看PDF版本的笔记的话,可以去我的github中下载。谢谢大家的支持 ...
  • 简单版 详细版 PDF版 VSDX版 转载于:https://www.cnblogs.com/tolic/p/7142210.html
  • Application Example: Photo OCR 这是我在coursera上看Andrew Ng的machine learning做的英文版笔记,可以帮助学英语的小伙伴熟悉熟悉一些...想看PDF版本的笔记的话,可以去我的github中下载。谢谢大家的支持 ...
  • 机器学习-笔记目录

    2018-10-22 23:21:45
    吴恩达的网课 《机器学习》 及配套的pdf。 周志华的西瓜书 《机器学习》 李航的 《统计学习方法》 斋藤康毅的 《深度学习入门》 学到哪里跟到哪里。 还是老规矩会把所有代码贴上来。 目前的情况有点混乱。 ...
  • 3、浏览程序猿网站机器学习的推荐链接; 4、写出学习分享的PDF文件; 准备分享的内容: 1、机器学习的应用范围 2、算法模型的分类: 监督学习 非监督学习 线性回归算法 梯度下降 神经网络 3、数学相关的储备 4、...
  • 机器学习思维导图

    2018-01-10 10:19:16
    耗时3,,,翻译了一篇英文的机器学习导图,将其转换为xmind格式、并且提供源文件以及pdf文件,欢迎各位大佬转发给star…..下面附上github链接:https://github.com/cyzLoveDream/Machine-Learning-Pro
  • 机器学习-勘误

    千次阅读 2016-11-13 15:02:43
    如何使用本书(写在第十次印刷之际):[PDF] http://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/MLbook2016.htm 本书 2016 年 1 月底出版, 首印 5000 册一内竟告售罄; 此后 8 个月重印 9 次, ...
  • 1.2志华老师的《机器学习》 1.3斯坦福大学公开课 http://open.163.com/movie/2008/1/M/C/M6SGF6VB4_M6SGHFBMC.html ng的视频 1.4 矩阵理论 《矩阵分析与应用》 张贤达 pdf 第二版 熟悉矩阵分解,特征值、特征...
  • 深度学习是包含多级非线性变换的层级机器学习方法,深层神经网络是目前的主要形式,其神经元间的连接模式受启发于动物视觉皮层组织,而卷积神经网络则是其中一种经典而广泛应用的结构.卷积神经网络的局部连接、权值共享...
  • 不多说了~直接看教授的论述吧~ 很快就会有一个了解,以及对machine learning的发展有所了解。 http://www.chinakdd.com/userfiles/file/bc2a9e4e-59d6-44ab-a459-1b13fbb8b423.pdf
  • Coursera_机器学习 在此回购中,我密切关注了斯坦福大学Andrew Ng的。 证书 我在更新此README文件的同一天(2020/04/07)已完成课程,可以通过以下链接验证我的认证: 。 内容 该课程最初分为11,每个课程对应的...
  • 习题-有答案.pdf

    2020-03-19 17:59:11
    国科大老师机器学习期末复习题。考试98%的原题都会在这里面,2%是自由扩展题。考试之前多多练习,都有答案,保证精品。
  • 基于区域性构建支持向量机模型的空域水印算法,晁沛,亚建,为提高基于机器学习的数字水印算法的鲁棒性与不可感知性,根据支持向量机在有限训练样本的情况下具有很好的学习和泛化能力,图像��

空空如也

空空如也

1 2 3
收藏数 53
精华内容 21
关键字:

机器学习周pdf