机器学习的自学

从零开始掌握Python机器学习:七步教程 基础篇 前言 「开始」往往是最难的,尤其是当选择太多的时候,一个人往往很难下定决定做出选择。本教程的目的是帮助几乎没有 Python 机器学习背景的新手成长为知识渊博的实践者,而且这个过程中仅需要使用免费的材料和资源即可。 第一步:基本 Python 技能 如果我们打算利用 Python 来执行机器学习,那么对 Python 有一些基本的了解就是至关重要的。 首先,你需要安装 Python。因为我们后... 阅读详情

下面的每个资源都是我亲身学过的,且是网上公开公认最优质的资源。

下面的每个学习步骤也是我一步步走过来的。希望大家以我为参考,少走弯路。

请大家不要浪费时间找非常多的资料,只看最精华的!

综述,机器学习的自学简单来说分为三个步骤

前期:知识储备包括数学知识,机器学习经典算法知识,编程技术(python)的掌握

中期:算法的代码实现

后期:实战水平提升

机器学习路径规划图

一、数学基础

很多人看到数学知识的时候就望而却步,数学是需要的,但是作为入门水平,对数学的要求没有那么的高。假设你上过大学的数学课(忘了也没事),需要的数学知识啃一啃还是基本能理解下来的。

1.1、数学内容

线性代数:矩阵/张量乘法、求逆,奇异值分解/特征值分解,行列式,范数等

统计与概率:概率分布,独立性与贝叶斯,最大似然(MLE)和最大后验估计(MAP)等

优化:线性优化,非线性优化(凸优化/非凸优化)以及其衍生的如梯度下降、牛顿法等

微积分:偏微分,链式法则,矩阵求导等

信息论、数值理论等

上面的看不太懂没事,不是特别难,学习一下就能理解了。

1.2、数学资源

网上有很多人会列举大量大量的课程资源,这是非常不负责任的事,学完那些我头发都得白了。实际上,我们只需要学习其中的一部分就够了。

1.2.1、吴恩达的斯坦福大学机器学习王牌课程CS229,课后就有对学生数学知识的要求和补充,这些数学知识是完全符合机器学习要求的,不多也不少。墙裂推荐要看,不过只有英文版的。

链接:https://pan.baidu.com/s/1NrCAW38C9lXFqPwqTlrVRA
密码:3k3m

1.2.2、深度学习的三大开山鼻祖之一Yoshua Bengio写的深度学习(包含了机器学习)领域的教科书,现在以开源的形式在网上公开。这部书被誉为深度学习的圣经。在这里我们只看这本书的第一部分,也就是数学基础。囊括了机器学习所需的所有必备数学基础,而且是从最基础的说起,也不多,必读的。

链接:https://pan.baidu.com/s/1GmmbqFewyCuEA7blXNC-7g
密码:6qqm

1.2.3、跟机器学习算法相结合的数学知识。上面两部分是理论层面的数学,机器学习算法中会对这些数学进行应用。

链接:机器学习理论篇1:机器学习的数学基础 - 知乎,知乎专栏上的一篇好文章,囊括了所有的应用知识点。

好了,数学方面我只推荐上面三个资源,三个都是必看的。里面很多可能你现在看不太懂,没关系。先大概过一遍,知道自己的数学水平在哪。在看到算法知识的时候,不懂的再回来补就好。后期需要更多的数学资料我会再更新的。

二、编程技术

编程语言:python3.5及以上,python易学,这个这期先不细讲。

三、经典算法知识

算法包括机器学习和深度学习,机器学习是深度学习的基础。所以务必先学机器学习的经典算法,再学深度学习的算法。

3.1、机器学习

3.1.1、课程资料

首推吴恩达的CS229,经典中的经典,在网易公开课里有视频,翻译,课程讲义,笔记是非常非常完备的。墙裂推荐。这个课程对数学有一定的要求,但我觉得只要你上过大学的数学,然后补一下上面的数学,完全可以直接来看这个CS229。

假设你的数学真的很差的话,怎么办?吴恩达在coursera上也开了一门跟CS229完全匹配的课程,coursera机器学习课。这门课是CS229的翻版,唯一不同的是它对数学基本是没有要求了,如果你对数学真的不懂的话,那就先看这个的教程吧。它跟CS229的关系就是同样的广度,但是深度浅很多,不过你学完coursera还是要回过头来看CS229的。这个也是免费的。

CS229课程视频:http://open.163.com/special/opencourse/machinelearning.html

课程讲义和中文笔记:https://pan.baidu.com/s/1MC_yWjcz_m5YoZFNBcsRSQ
密码:6rw6

3.1.2、配套书籍:

机器学习实战,必看。用代码实现了一遍各大经典机器学习算法,必须看,对你理解算法有很大帮助,同时里面也有应用。如果大家看上面纯理论的部分太枯燥了,就可以来看看这本书来知道在现实中机器学习算法是怎么应用的,会很大程度提升你的学习兴趣,当初我可是看了好几遍。

书籍及课后代码:链接:https://pan.baidu.com/s/15XtFOH18si316076GLKYfg
密码:sawb

李航《统计学习方法》,配合着看

链接:https://pan.baidu.com/s/1Mk_O71k-H8GHeaivWbzM-Q
密码:adep,配合着看

周志华《机器学习》,机器学习的百科全书,配合着看。

链接:https://pan.baidu.com/s/1lJoQnWToonvBU6cYwjrRKg
密码:7rzl

3.2、深度学习

说到深度学习,我们不得不提斯坦福的另一门王牌课程CS231,李飞飞教授的。这门课的课程,课后习题,堪称完美。必须必须看。整个系列下来,特别是课后的习题要做,做完之后你会发现,哇哦!它的课后习题就是写代码来实现算法的。这个在网易云课堂上有。

视频地址:http://study.163.com/course/introduction.htm?courseId=1004697005

课程笔记翻译,知乎专栏:贺完结!CS231n官方笔记授权翻译总集篇发布 - 知乎

墙裂建议要阅读这个知乎专栏,关于怎么学这门课,这个专栏写的很清楚。

课后作业配套答案:https://blog.youkuaiyun.com/bigdatadigest/article/category/7425092

3.3、学习时间

到这里了,你的机器学习和深度学习算是入门了。学完上面这些,按一天6小时,一周六天的话,起码也得三个月吧。上面是基本功一定要认真学。但是,还找不了工作。因为你还没把这些知识应用到实际当中。

3.4、实战部分

3.4.1、实战基础

这一个阶段,你要开始用tensorflow(谷歌的深度学习框架)、scikit-learn(python的机器学习框架),这两个框架极大程度地集成了各大算法。其实上面在学习cs231n的时候你就会用到一部分。

scikit-learn的学习:http://sklearn.apachecn.org/cn/0.19.0/

这是scikit-learn的官方文档中文版翻译,有理论有实战,最好的库学习资源,没有之一。认真看,传统的机器学习就是用这个库来实现的。

Tensorflow的学习:https://tensorflow.google.cn/api_docs/python/?hl=zh-cn

官方文档很详尽,还有实战例子,学习tensorflow的不二之选

3.4.2、实战进阶

仅仅看这两个教程是不够的,你需要更多地去应用这两个库。

接下来推荐一部神书,机器学习和深度学习的实战教学,非常非常的棒,网上有很多号称实战的书或者例子,我看了基本就是照搬官网的,只有这一本书,是完全按照工业界的流程解决方案进行实战,你不仅能学习到库的应用,还能深入了解工业界的流程解决方案,最好的实战教学书,没有之一。书名是hands-on-ml-with-sklearn-and-tf

链接:https://pan.baidu.com/s/1x318qTHGt9oZKQwHkoUvKA
密码:xssj

3.4.3、实战最终阶段

kaggle数据竞赛,如果你已经学到了这一步,恭喜你离梦想越来越近了:对于我们初学者来说,没有机会接触到机器学习真正的应用项目,所以一些比赛平台是我们不错的选择。参加kaggle竞赛可以给你的简历增分不少,里面有入门级别到专家级别的实战案例,满足你的各方面需求。如果你能学到这一步了,我相信也不需要再看这个了。

上述所有资料的合集:https://pan.baidu.com/s/1tPqsSmSMZa6qLyD0ng87IQ
密码:ve75

补充:

学到这个水平,应该是能够实习的水平了,还有很多后面再说吧。比如深度学习和机器学习的就业方向,深度学习得看论文,找工作还得对你得编程基础进行加强,具体就是数据结构与算法,我当年在这个上面可是吃了很大的亏。

这里面关于深度学习和机器学习的就业其实是两个方向,上面的其实也没有说全。一般来说,你得选择一个方向专攻。我建议的是,自学的最好在后期侧重机器学习方向,而不是深度学习。深度学习的岗位实在是太少,要求太高。机器学习还算稍微好点。

重点:上面的学习路径是主要框架,但是不意味着仅仅学习这些就够了。根据每个人基础的不同,你有可能需要另外的学习资料补充。但是,我希望大家可以按照上面的主框架走,先按上面我推荐的资源学,有需要的再去看别的(我之后也会推荐),上面的我能列出来的都是最经典的,最有效率,而且我亲身学过的。

Python经验分享

学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!

Python学习路线

这里把Python常用的技术点做了整理,有各个领域的知识点汇总,可以按照上面的知识点找对应的学习资源。
在这里插入图片描述

学习软件

Python常用的开发软件,会给大家节省很多时间。
在这里插入图片描述

学习视频

编程学习一定要多多看视频,书籍和视频结合起来学习才能事半功倍。
在这里插入图片描述

100道练习题

在这里插入图片描述

实战案例

光学理论是没用的,学习编程切忌纸上谈兵,一定要动手实操,将自己学到的知识运用到实际当中。
在这里插入图片描述
最后祝大家天天进步!!

上面这份完整版的Python全套学习资料已经上传至优快云官方,朋友如果需要可以直接微信扫描下方优快云官方认证二维码免费领取【保证100%免费】。

机器学习系统学习路线图(从零基础到项目实战) 这篇学习路线图为机器学习初学者提供了系统的学习路径,分为四个阶段:基础、核心算法、深度学习入门和进阶实战。第一阶段强调数学基础和编程工具,推荐学习线性代数、概率论、微积分和Python编程。第二阶段聚焦核心算法,包括监督学习、无监督学习和集成学习,并建议通过Kaggle项目实践。第三阶段介绍深度学习,涵盖神经网络原理和框架如PyTorch和TensorFlow。第四阶段则涉及进阶方向如NLP、CV和推荐系统,以及工程实践如模型部署和版本管理。文章还推荐了多种学习资源和工具,鼓励通过小项目积累经验,形成知识体 阅读详情

相关推荐

机器学习自学路线:从理论到实践的完整指南

机器学习作为人工智能的核心技术,通过算法让计算机从数据中学习规律。其核心原理涉及特征提取、模型训练和预测推理三个关键环节,技术价值在于实现自动化决策和模式发现。在实际工程中,需要掌握Python编程、NumPy矩阵运算和scikit-learn等工具链,典型应用包括推荐系统、图像识别和金融风控等领域。对于自学者而言,建立'理论-工具-实践'的螺旋学习循环至关重要,特别要注重Kaggle竞赛实战和特征工程等热词相关的实践能力培养。通过分阶段的数学筑基、算法理解和工程实践训练,最终实现从Notebook原型到生

weixin_31597759的博客 377

机器学习教程(非常详细)从零基础入门到精通,看完这一篇就够了

从广义上来说,机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来说,机器学习是一种通过利用数据,训练出模型,然后使用模型预测的一种方法。

Python84310366的博客 3万+

机器学习怎么入门——自学篇

时也势也,最近因为机缘巧合,下定主意要从项目管理领域跳转到机器学习领域(人工智能/深度学习),为了更快更高效的进入学习状态,我对这一块的培训市场和自学方法也做了一些调研。上一篇(机器学习培训班这么多,你该如何选择?)已经就培训市场情况,做了一个简要说明,今天就自学成才道路进行简要分析。由于我也是刚刚开始这块的学习,难免会有纰漏,请大家批评指正。 首先,阐明以下个人背景:211工科硕士,双控工程毕

大雷的专栏 4万+

如何自学机器学习?

本书从机器学习的角度讲授这些数学知识,对它们在该领域的应用举例说明,使读者对某些抽象的数学知识和理论的实际应用有直观、具体的认识。本书内容紧凑,结构清晰,深入浅出,讲解详细。全书共11章和一个术语表,依次介绍了机器学习的基本概念、符号和定义、算法、基本实践方法、神经网络和深度学习、问题与解决方案、进阶操作、非监督学习以及其他学习方式等,涵盖了监督学习和非监督学习、支持向量机、神经网络、集成学习、梯度下降、聚类分析、维度降低、自编码器、迁移学习、强化学习、特征工程、超参数调试等众多核心概念和方法。

人邮异步社区 1458

Machine Learning机器学习自学资料整理

机器学习目前比较热,网上也散落着很多相关的公开课和学习资源,做一个汇总整理,便于大家参考对比。希望大家持续补充|– 手册类 |--- 课程图谱博客:http://blog.coursegraph.com/ |--- W3shool 关于 Python 3.xx 版本技术文档 |---- 网页地址: http://www.w3cschool.cc/python3/

muzilanlan的专栏 7677

Python 音频: sounddevice 使用 左声道/右声道/立体声 --- 播放,录音

# coding: utf8 """ Python 音频: 使用 sounddevice 操作声卡的 左声道, 右声道, 立体声 仅限 MME, Windows DirectSound, Windows WASAPI, Windows WDM-KS 等支持双声道的驱动类型 """ import os import sounddevice as sd import soundfile mapping_left_ch = 1 # 左声道为 1 mapping_right_ch

weixin_42019925的博客 4927

如何自学机器学习

如何自学机器学习很多都会有一个问题“如何自学书本知识之外的内容”。也许你是想增加一些技能,也许仅仅是爱好,也许是你读报纸书刊遇到一个你想去了解的知识点,也许是你要开始进行独立的研究……总之,你总会面临一些需要自学的情况。

tclxspy的博客 1050

MitoZ|动物线粒体基因组组装注释软件

一、MitoZ是什么 是基于python3开发的可以自动过滤双端测序的原始数据、mt基因组组装、mt基因组注释以及mt基因组可视化的工具。 官方的说明文档地址:https://gitee.com/CHANyp/MitoZ#citation 二、MitoZ的安装 git clone https://gitee.com/CHANyp/MitoZ.git cd MitoZ/version_2.4-alpha tar -jxvf release_MitoZ_v2.4-alpha.tar.bz2 三、运行Mito

qq_50637636的博客 1万+

自学机器学习_我用来自学机器学习的最佳资源

自学机器学习The field of machine learning is becoming more and more mainstream every year. With this growth come many libraries and tools to abstract away some of the most difficult concepts to implement fo...

cumi6497的博客 550

Revit获取族预览图

最近做到和族库相关的功能需要获取到族文件的预览图,在RevitAPI中提供了ElementType.GetPreviewImage方法,但是前提就是你是在Revit里面操作的,并且已经拿到了Symbol对象实例,才可以调用此方法。然后在网上找了另外一种方式,通过读取Revit文件,在REVITPREVIEW4.0字段截取文件信息,将其转换为图片格式。 一、使用RevitAPI中ElementType.GetPreviewImage方法 [Autodesk.Revit.Attributes.Transac.

weixin_44631419的博客 1757

FOC:【1】浅析SVPWM算法(七段式)以及MATLAB仿真验证

最近的科研项目需要使用到SVPWM算法,网上相关的原理介绍很多。对于纯应用的需求来说,或许有些内容上的冗余。 本文的目的就是简要并且明确的给出具体的计算步骤,可以帮助快速上手。同时利用MATLAB进行了简单算法验证。.....................

Alex的技术博客 1万+

从苹果店员到机器学习工程师,高中学历澳洲小哥的自学路

点击我爱计算机视觉标星,更快获取CVML新技术本文转载自新智元(AI_era)。新智元报道来源:towardsdatascience 作者:Daniel Bourke编译:小...

我爱计算机视觉 389

SDM660电源部分配置:

SDM660电源部分配置: Panel power supplies 1、Reference power supplies Description Name Regulator Voltage (V) Panel power supply 0 vddio PMIC 660/L11 1.8 Panel power supply 1 Lab PMIC 660/lab 4.6 Panel power s...

weixin_41811215的博客 4730

不错的机器学习自学网站

不错的机器学习自学网站,推荐一下 www.jiqixuexi.net

1590

OpenClaw:深度学习驱动的智能编程工具实战解析

智能编程工具通过深度学习技术革新传统开发流程,其核心在于代码语义理解与实时协作能力。这类工具采用AI代码补全、错误预测等技术,显著降低开发者认知负荷,尤其适用于复杂业务逻辑开发和遗留系统维护场景。以OpenClaw为例,其智能填充和上下文感知功能可提升40%编码效率,减少65%调试时间。关键技术实现包含自然语言处理、代码静态分析等,在金融科技、电商系统等领域具有广泛应用前景。热词提示:代码理解引擎、智能工作流整合展现了当前AI辅助开发的最新趋势。

chubaisheng8627的博客 321

保姆级教程:手把手教你为裕泰微YT8521 PHY芯片编写Linux设备树(DTS)节点与驱动

本文提供了一份详细的保姆级教程,手把手教你为裕泰微YT8521 PHY芯片编写Linux设备树(DTS)节点与驱动。从基础配置到RGMII接口的特殊设置,再到驱动开发的关键步骤和调试技巧,帮助开发者快速掌握PHY芯片的移植与开发。

weixin_33734785的博客 338

机器学习入门自学怎么样?多久能学会?

自学机器学习具有灵活性和经济性优势,但面临系统性不足的挑战。学习周期通常为6-12个月入门,进阶需额外6-12个月。高效自学需制定计划、善用资源(Coursera/Kaggle等)、注重实践和持续学习。建议打好数学编程基础后逐步深入算法学习,通过项目实践巩固知识,并保持长期投入的学习态度。自学适合有自律能力的学习者,是进入AI领域的经济可行路径。

OpenCVtuxiang的博客 450

YOLOv13优化Faster_Block:卷积(Partial Convolution)、多层感知机(MLP)结构和残差连接

Faster_Block 代表了现代深度学习中效率与性能平衡的一个典型案例。它通过部分卷积技术巧妙地减少了计算开销,同时通过精心设计的架构保持了强大的特征学习能力。这种设计思想对于移动端部署、实时应用和大规模模型训练都具有重要意义。 未来的发展方向可能包括更智能的动态分割策略、与新兴硬件的深度适配,以及与其他先进技术(如自注意力机制、神经架构搜索等)的结合。Faster_Block 的成功展示了在深度学习领域,创新往往来自于对问题本质的深刻理解和巧妙的工程实现。

FJN110的博客 430

机器学习自学成才的十条戒律

作者 | Daniel Bourke 译者 | 盖磊 策划 | 陈思 在机器学习技能自学成才的过程中,我们必须对自身的教育和启蒙负责。本文列出了十条不应...

机器学习算法那些事 304

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

machine learning自学日记

为了暑研的时候能有一个好的表现——课题是信院同学比较Match的统计加上机器学习的内容,也是为了探索自己的将来的科研道路,决定在暑假之前学习机器学习这门课程。 先制定一个学习计划表: 1.参考书籍与课程 首先吴恩达的课程很多人推荐过,但是CGG曾经说过内容有些水,我觉得应该比较适合作为课外阅读的对象,但是干货学习可能还不够,知乎上有人推荐了台湾大学林轩田老师的《机器学习基石》 西瓜书,知乎...

wujiduan的博客 277

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

自学成才的机器学习工程师

作者:Daniel Bourke编译:ronghuaiyang导读使用数学,代码和数据来揭示大自然的秘密。写代码可能会让人变得有点沮丧,需要让自己的周围充满色彩自律和自学这两个词不能掉以...

Pysamlam的博客 165

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

一份中外结合的 Machine Learning 自学计划

看了Siraj Raval的3个月学习机器学习计划的视频,感觉非常好,地址:https://www.youtube.com/watch?v=Cr6VqTRO1v0结合一些我们学习中的经验得出一份Hybrid的机器学习自学计划。根据Siraj的建议:机器学习的涉及的知识比例分布的 35%线性代数25%概率论和统计学15%微积分15%算法及其复杂性10%是数据预处理知识强烈建议订阅:Siraj Rav...

孙启超 1万+

如何自学机器学习?零基础到实战的完整路径

机器学习作为人工智能的核心领域,已成为技术人必备的硬实力。本文为自学者梳理出一条从零基础到项目落地的系统学习路线,涵盖知识框架、工具链与实战技巧。

m0_60721065的博客 1313

我是如何每周坚持 5 天自学机器学习,并拿到offer的

本文作者是工程师 Daniel Bourke ,在本文中他分享了自己是如何通过 9 个月的自学,最终找到一份机器学习工作的经验,以下是他的全文。 我在卧室里学习和工作 我退出了 Apple,开启了一个 Web 项目,但失败了。我的心不在这上面。 我想学机器学习,它让我兴奋。我本来打算把这一切都学好的。我不需要制定所有的规则,机器会为我学习。但我没有工作。 但兴奋是没有用的。 我开始...

喜欢打酱油的老鸟 875

如何快速入门ml-mastery-zh:面向初学者的完整自学路线图

ml-mastery-zh是MachineLearningMastery博客文章的中文翻译项目,为中文读者提供了丰富的机器学习学习资源。本指南将带你快速掌握这个项目的使用方法,开启你的机器学习自学之旅。 ## 为什么选择ml-mastery-zh? 机器学习是一个快速发展的领域,掌握它需要系统的学习和实践。ml-mastery-zh项目汇集了大量优质的机器学习文章,涵盖从基础概念到高级技术的各

gitblog_00063的博客 719
上一篇: 想学习机器学习,研一工科生,目前已掌握Python基础,请问学习的路线应该是什么样子的呢?
下一篇: 在 R 和 Python 之间,数据分析专家一般使用哪种编程语言?
壹只小小码农
博客等级 码龄5年 8105粉丝 1333原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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