吴恩达机器学习——笔记记录

最新推荐文章于 2025-08-09 22:10:24 发布
原创 最新推荐文章于 2025-08-09 22:10:24 发布 · 355 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#机器学习 #吴恩达

这份文档记录了从第一章到总结的所有课程笔记摘要，作者希望通过复习能够更好地理解所学内容。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

从第一章到最后的总结，在观看所有课程时的笔记摘要，还有好多不懂，希望以后回来看看能发现全是明白的，哈哈。

这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述

结束，好累。。。。。。

机器学习吴恩达2022课程笔记——高级学习篇
weixin_62701031的博客
02-04 1124
由于在B个样本的训练集可能会在根节点和根节点附近的一些节点选择相同特征，故采用在每个节点上，当选择一个特征用于分割时，如果有n个特征可用，则选择k
吴恩达机器学习基础课程笔记
tjujackson的博客
03-06 1354
吴恩达机器学习2022笔记
吴恩达机器学习笔记 —— 16 异常点检测
xingoo
07-31 398
吴恩达机器学习笔记 —— 16 异常点检测 本篇介绍了异常点检测相关的知识 更多内容参考 机器学习&深度学习 我感觉这篇整理的很好很用心，可以详细参考： https://blog.youkuaiyun.com/Snail_Moved_Slowly/article/details/78826088 什么是异常点检测？比如针对飞机的引擎做测试，x1代表...
吴恩达机器学习入门（配合吴恩达机器学习视频篇）
热门推荐
moffy_abo的博客
02-28 1万+
这几天把吴恩达机器学习的视频看了下，都是很基础的，很适合入门视频链接：网易云课堂-吴恩达机器学习配套讲解链接：第一节　第二节　第三节　第四节　第五节入门的话每天看一节就可以，用到的知识也都很基础（微积分、矩阵等大学里都学过的知识）...
吴恩达机器学习——强化学习理论知识，个人学习笔记
weixin_54846138的博客
09-01 902
状态-动作 价值函数的定义（Q函数的定义）显然，这是一个关于 状态 和 动作 的函数，其结果为我们在整个决策过程中所获得的价值。这是一个递归的定义。以离散模型进行举例说明Q值的作用：共有6个状态，其中1、6为最终状态。根据回报公式 和 Q函数的定义，可以计算出Q（s, a）值：从上面的例子中，我们发现，计算出每个状态所有可能的Q值，挑选最大的Q值的动作a，则能获得最优策略。贝尔曼方程贝尔曼期望方程用于计算在给定策略π下，状态s采取动作a时的期望回报。
吴恩达机器学习笔记
weixin_49119476的博客
04-29 2664
机器学习分为监督学习和无监督学习、（强化学习）。监督学习（supervised learning)分为回归和分类问题。 无监督学习（unsupervised learning）有聚类、异常检测和降维三个应用。sigmoid函数对应，在最外层加入sigmoid函数（有点像激活函数），就是逻辑回归算法举例子，在cost function中加入额外式子作为新的cost function，会使得w3和w4权重减小。lambda:入，正则化参数红框可加可不加lambda的选择，过大或过小结果都不好
吴恩达机器学习——神经网络学习笔记
kathh的博客
07-16 276
术语 神经网络 Neural Networks 输入层 input layer 隐藏层 hidden layer 输出层 ourput layer a(j)i 第j层第i个激活项（具体的一个神经元输入或输出的值） θ(j) 权重矩阵（控制从第j层到第j+1层映射） 例子 ...
吴恩达机器学习入门笔记（Week 1）
m0_73835785的博客
06-27 1062
吴恩达机器学习入门笔记
吴恩达机器学习——笔记
weixin_40005699的博客
04-23 626
（考研数学一功底，仅供个人纪录） 机器学习 监督学习/无监督学习 单变量线性回归 （1）模型表示 （2）代价函数（costfunction）——残差平方和 （3） 直观理解——图示法 （4）梯度下降——求解全局最小值 学习率α；梯度下降算法；梯度下降中的线性回归 正规方程法 3.线性代数回顾 4.多变量线性回归 ...
吴恩达机器学习课后作业源码及笔记_机器学习_吴恩达_
10-01
今天，我们所要探讨的，是那些有幸参与了吴恩达机器学习课程的同学们所珍藏的宝贵资料——“吴恩达机器学习课后作业源码及笔记”。这份资料集作业解答和编程代码于一体，对于那些已经或正在学习吴恩达课程的朋友们来...
吴恩达机器学习系列课程笔记——第一章：什么是机器学习(Machine Learning)
weixin_43895667的博客
07-16 2897
吴恩达机器学习系列课程笔记——第一章：什么是机器学习Machine Learning
机器学习笔记（吴恩达）
kyxdjy的博客
04-25 7708
机器学习笔记（吴恩达）
机器学习及其KNN算法
qq1851417332的博客
08-08 1304
机器学习（Machine Learning, ML）是人工智能的核心分支，旨在通过算法让计算机从数据中自动学习规律并优化性能，而无需显式编程。这一技术领域起源于20世纪50年代，随着计算能力的提升和大数据时代的到来，在21世纪得到了迅猛发展。
机器学习 集成学习之随机森林
weixin_72931638的博客
08-05 1344
集成学习：通过组合多个基础学习器（如决策树、逻辑回归等）提升模型性能，典型方法包括：Bagging（如随机森林）Boosting（如AdaBoost、XGBoost）堆叠模型（Stacking），用于垃圾邮件识别，包含4500行数据，57个特征列（A列到BED列），BFD列为标签结果（0和1）。特征说明：前48个连续特征为单词频率（如makeaddress3d等），用于识别垃圾邮件关键词。后6个连续特征为字符频率（如数字12等），用于监测QQ号、手机号等敏感字符。
【线性代数】线性方程组与矩阵——（1）线性方程组与矩阵初步
weixin_45725295的博客
08-09 564
由m×nm\times nm×n个数aiji12m;j12n排成mmm行nnn列的数表称为mmm行nnn列矩阵，简称m×nm\times nm×n矩阵，记作Aa11a12a1na21a22a2n⋮⋮⋮am1am2amnA​a11​a21​⋮am1​​a12​a22​⋮am2​​​a1。
机器学习-LinearRegression
iamfromhuoxing的博客
08-06 912
条件密度 = 切片fX∣Y​x∣yfXY​xyfY​y。#%% md。
机器学习在高频交易订单簿大单管理中的应用实践
木头大左的博客
08-07 286
高频交易的核心目标在于利用微小的价格差异和极短的持仓时间来实现盈利，这要求系统能够实时处理海量的市场数据，并作出快速而精准的交易决策。传统的订单簿管理方法往往依赖于预设的规则和静态的模型，难以适应市场条件的快速变化。大单拆分是订单簿管理中的关键环节，其目标是将一个大订单拆分为多个小订单，以减少对市场的冲击。市场状态预测是订单簿大单管理的重要环节，准确的预测可以帮助交易系统选择合适的大单执行时机，从而降低市场冲击和交易成本。在高频交易中，订单簿的异常变化可能导致交易策略的失效或产生意外的市场冲击。
机器学习——05 决策树
念头通达
08-07 383
ID3决策树（信息熵、信息增益）、C4.5决策树（ID3树的不足、信息增益率）、CART分类树（基尼值与基尼指数）、案例：泰坦尼克号生存预测、CART回归树、剪枝*（决策树正则化、预剪枝&后剪枝）
python学智能算法（三十六）|SVM-拉格朗日函数求解（中）-软边界
最新发布
专注python+工程实践的热心婶子
08-09 1052
本文详细推导了软间隔SVM的拉格朗日方程求解过程。首先建立包含松弛变量ξ的拉格朗日函数，然后通过分别对w、b和ξ_i求偏导，得到关键表达式：w可由样本线性表示、α与y的加权和为零、以及α_i的取值范围0≤α_i≤C。将这些结果代入原方程后，最终简化为仅含α_i的优化问题。整个推导过程清晰地展示了软间隔SVM的数学基础，为后续求解奠定了基础。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值