深度学习教程(9) | AI应用实践策略(下)(吴恩达·完整版)

Deep Learning Specialization课程笔记——深度学习介绍 第一门课:神经网络和深度学习,会包含四周的课程,将学习如何建立神经网络,包括深度神经网络,以及如何用数据训练它。在这门课的结尾,将建立一个神经网络识别猫。what is a neural network?一张图解释什么是ReLU函数,就像房价预测的曲线是一样的:(同时这张图展示了什么是单个的神经元neuron)影响房价的不同因素共同决定了housing price:(这时,输入x参数是大小,卧室数... 阅读详情


第3门课 结构化机器学习项目,第2周: 机器学习策略 2

本系列为吴恩达老师《深度学习专项课程(Deep Learning Specialization)》学习与总结整理所得,对应的课程视频可以在这里查看。

引言

在ShowMeAI前一篇文章 AI应用实践策略(上) 中我们对以下内容进行了介绍:

  • 正交化方法(Orthogonalization)
  • 建立单值评价指标
  • 数据集划分要点
  • 人类水平误差与可避免偏差(Avoidable Bias)
  • 提高机器学习模型性能总结

本篇是吴恩达老师第3门课《Structuring Machine Learning Projects》(构建机器学习项目)后半部分的总结梳理。内容主要覆盖误差分析、系统迭代、数据匹配与定位、迁移学习、多任务学习、端到端系统等。

1.错误分析

误差分析  Carrying Out Error Analysis

如果希望让学习算法能够胜任人类能做的任务,但学习算法还没有达到人类的表现,那么人工检查一下算法犯的错误可以了解接下来应该做什么,这个过程称为错误分析(error analysis)。

假设正在调试猫分类器,取得了90%准确率,相当于10%错误,注意到算法将一些狗分类为猫,需要对模型的一些部分做相应调整,才能更好地提升分类的精度。

错误分析

1.1 收集错误样例

在开发集(测试集)中,获取大约100个错误标记的例子,然后手动检查,一次只看一个,看看开发集里有多少错误标记的样本是狗。

  • 100个数据中有5个样例是狗,如果对数据集的错误标记做努力去改进模型的精度,可以提升的上限是5%,仅可以达到9.5%的错误率,称为性能上限(ceiling on performance)。这种情况下,这样耗时的努力方向不是很值得的事。
  • 100个数据中,有50多个样例是狗,改进数据集的错误标记是一个值得的改进方向,可以将模型的精确度提升至95。

这种错误分析虽然简单,但是能够避免花费大量的时间精力去做一些对提高模型性能收效甚微的工作,让我们专注解决影响模型正确率的主要问题,十分必要。

错误分析可以同时评估多个影响模型性能的因素,通过各自在错误样本中所占的比例来判断其重要性。例如,猫类识别模型中,可能有以下几个可以优化的影响因素:

错误分析

  • 修改那些被分类成猫的狗狗图片标签。
  • 修改那些被错误分类的大型猫科动物,如:狮子,豹子等。
  • 提升模糊图片的质量。

可以建立表格来做并行的分析。如下图所示:

错误分析

在最左边,人工过一遍想分析的图像集,电子表格的每一列对应要评估的想法,如狗(Dog)的问题、猫科动物(Great cats)的问题、模糊图像(Blurry images)的问题,最后一列写评论(Comments)。

在这个步骤做到一半时,可能会发现其他错误类型,比如可能发现有Instagram滤镜,那些花哨的图像滤镜,干扰了分类器。在这种情况下可以在错误分析途中,增加一列多色滤镜(Instagram滤镜和Snapchat滤镜),再过一遍,并确定新的错误类型百分比,这个分析步骤的结果可以给出一个估计,是否值得去处理每个不同的错误类型。

错误分析

最终汇总到上述这样的表格里,我们可以敲定更有效的优化策略:把团队可以分成两个团队,其中一个改善大猫的识别,另一个改善模糊图片的识别。

1.2 小结

总结一下,进行错误分析时,你应该观察错误标记的例子,看看假阳性和假阴性,统计属于不同错误类型的错误数量(如上图)。在这个过程中,你可能会得到启发,归纳出新的错误类型。总之,通过统计不同错误标记类型占总数的百分比,有助于发现哪些问题亟待解决,或者提供构思新优化方向的灵感。

2.修正错误标记

清除标注错误的数据 Cleaning up Incorrectly Labeled Data

我们用mislabeled examples来表示学习算法输出了错误的 Y Y Y值。而在做错误分析时,有时会发现数据集中有些样本被人为地错误标记(incorrectly labeled)了,这时该如何处理呢?

修正错误标记

2.1 训练集错标

如果是在训练集中,由于机器学习算法对于随机误差的稳健性(Robust)(也称作「鲁棒性」),只要这些出错的样本数量较小,且分布近似随机,就不必花费时间一一修正。

2.2 验证集/测试集错标

如果是验证集与测试集中出现错标样本,该怎么处理呢?

方法很简单,使用上一小节内容介绍的错误分析方法,统计验证集中所有分类错误的样本中错标数据的占比。根据占比大小,决定是否需要修正所有错标数据,还是可以忽略。如下举例说明:

修正错误标记

(1) case1

如果评估算法后,是如下这种情况:

  • 总体验证集错误率:10%
  • 错标样本错误率:0.6%
  • 其他原因引起的错误率:9.4%

上面情况下错标样本引起的验证集错误率占比仅为0.6%,占验证集错误情况的6%,而其它类型错误占验证集错误情况的94%。这种情况下,可以忽略错标数据。

(2) case2

如果评估算法后,是如下这种情况:

  • 总体验证集错误率:2%
  • 错标样本错误率:0.6%
  • 其他原因引起的错误率:1.4%

上面情况下错标样本引起的验证集错误率占比依然为0.6%,但是却占验证集错误情况的30%,而其它类型错误占验证集错误情况的70%。这种情况下,错标数据不可忽略,需要手动修正。

通过前面的内容,我们了解到验证集的主要作用是「在不同算法之间进行比较,选择错误率最小的算法模型」。但是,如果验证集有错标数据的存在,当不同算法错误率比较接近的时候,我们无法仅仅根据总体验证集的效果判断哪个算法模型更好,必须修正错标数据。

关于修正错标数据,吴恩达老师还给出了一些建议:

  • 在验证集和测试集上同时使用同样的修正手段,以保证验证集和测试集来自相同的分布。
  • 同时检查判断正确和判断错误的例子(通常不用这么做)。
  • 在修正验证集和测试集时,鉴于训练集的分布不必和验证/测试集完全相同,可以不去修正训练集。

3.快速搭建系统并迭代

快速搭建你的第一个系统,并进行迭代 Build Your First System Quickly, then Iterate

如果我们想搭建一个全新的机器学习系统,吴恩达老师建议根据以下步骤快速搭建好第一个系统,然后反复迭代优化:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GX2QivZl-1649925346046)(http://image.showmeai.tech/deep_learning_tutorial/143.png)]

  • 设置好训练、验证、测试集及衡量指标,确定目标。
  • 快速训练出一个初步的系统,用训练集来拟合参数,用验证集调参,用测试集评估。
  • 通过偏差/方差分析以及错误分析等方法,决定下一步优先处理的方向。

4.在不同的分布上训练和测试

在不同的分布上的训练集和测试集 Training and Testing on Different Distributions

有时,我们很难得到来自同一个分布的训练集和验证/测试集。当训练集与验证/测试集不来自同一个分布的时候,我们应该如何解决这一问题,构建准确的机器学习模型呢?

仍以猫识别作为例子,我们的训练集可能由网络爬取得到,图片比较清晰,而且规模较大(例如20万);而验证/测试集可能来自用户手机拍摄,图片比较模糊,且数量较小(例如1万),难以满足作为训练集时的规模需要。

虽然验证集测试集图片质量不高,但是模型最终主要应用在对这些模糊的照片的处理上。有两种解决方法处理训练集和验证/测试集分布不一致:

①方法1:将训练集和验证/测试集完全混合,然后再随机选择一部分作为训练集,另一部分作为验证/测试集。

训练和测试分布偏差 solution1

例如,混合210000例样本,然后随机选择205000例样本作为训练集,2500例作为验证集,2500例作为测试集。

这种做法的优点是实现训练集和验证/测试集分布一致。缺点是验证/测试集中webpages图片所占的比重比mobile app图片大得多。(例如dev set包含2500例样本,大约有2381例来自webpages,只有119例来自mobile app。算法模型对比验证仍然主要由webpages决定,实际应用的mobile app图片所占比重很小,达不到验证效果。)

②方法2:将原来的训练集和一部分验证/测试集组合当成训练集,剩下的验证/测试集分别作为验证集和测试集。

训练和测试分布偏差 solution2

例如,200000例webpages图片和5000例mobile app图片组合成训练集,剩下的2500例mobile app图片作为验证集,2500例mobile app图片作为测试集。

这种做法的核心在于验证/测试集全部来自于mobile app。这样保证了验证集最接近实际应用场合。这种方法较为常用,而且性能表现比较好。

5.数据不匹配

数据分布不匹配的偏差与方差分析 Bias and Variance with Mismatched Data Distributions

5.1 数据不匹配问题

ShowMeAI上一篇内容 AI应用实践策略(上) 里介绍过,根据人类表现误差、训练误差和验证误差的相对差异可以判定是否出现了bias或者variance。不过有一个问题:

如果训练集和验证/测试集来源于不同分布,则无法直接根据相对值大小来判断。

例如某个模型人类表现误差为0%,训练误差为1%,验证误差为10%。按照 AI应用实践策略(上) 里的方法我们会判断该模型出现了variance。但训练误差与验证误差之间的差值9%可能来自算法本身(variance),也可能来自于样本分布不同。(比如dev set都是很模糊的图片样本,本身就难以识别,跟算法模型关系不大。)

这种情况下,不能简单认为出现了variance。

在可能伴有训练集与验证/测试集分布不一致的情况下,定位是否出现variance的方法是设置定义一个训练-验证集(Training-dev Set)。训练-验证集和训练集的分布相同(或者是训练集分割出的子集),但是不参与训练过程,而是用于验证。

现在,我们有了训练集错误率、训练-验证集错误率,以及验证集错误率。其中,训练集错误率和训练-验证集错误率的差值反映了variance方差;而训练-验证集错误率和验证集错误率的差值反映了样本分布不一致的问题,从而说明模型擅长处理的数据和我们关心的数据来自不同的分布,我们称之为数据不匹配(Data Mismatch)问题。

举例说明,如果训练集错误率为1%,训练-验证集错误率为9%,验证集错误率为10%,则variance方差问题比较突出。如果训练集错误率为1%,训练-验证集错误率为1.5%,验证集错误率为10%,则数据不匹配比较突出。通过引入训练-验证集,能够比较准确地定位出现了variance还是数据不匹配问题。

总结人类水平误差、训练集错误率、训练-验证集错误率、验证集错误率、测试集错误率之间的差值所反映的问题如下图所示:

模型问题诊断

5.2 处理方法

处理数据不匹配问题 Addressing Data Mismatch

吴恩达老师给出了2条关于解决数据不匹配问题的建议:

  • ① 做错误分析,尝试了解训练集和验证/测试集的具体差异(主要是人工查看训练集和验证集的样本);
  • ② 尝试将训练数据调整得更像验证集,或者收集更多类似于验证/测试集的数据。

要将训练数据调整得更像验证集,我们可以使用人工数据合成方法(artificial data synthesis)。

数据不匹配solution

以语音识别问题为例,实际应用场合(验证/测试集)是包含背景噪声的,而作为训练样本的音频很可能是清晰而没有背景噪声的。为了让训练集与验证/测试集分布一致,我们可以给训练集人工添加背景噪声,合成类似实际场景的声音。

人工合成数据能够使数据集匹配,从而提升模型的效果。但需要注意的是,不能给每段语音都增加同一段背景噪声,因为这样模型会对这段背景噪音出现过拟合现象,使得效果不佳。

6.迁移学习

迁移学习  Transfer Learning

迁移学习(Tranfer Learning)是通过将已训练好的神经网络模型的一部分网络结构应用到另一模型,将一个神经网络从某个任务中学到的知识和经验运用到另一个任务中,以加快训练学习速度和提升模型效果。

迁移学习

例如,我们将为猫识别器构建的神经网络迁移应用到医疗影像诊断中。

迁移学习

猫识别器神经网络训练完成后,已经学习到了一些有关图像的结构和性质等方面的知识,这时候只要先删除神经网络中原有的输出层,加入新的输出层并随机初始化权重系数( W [ L ] W^{[L]} W[L]、 b [ L ] b^{[L]} b[L]),随后用新的训练集进行训练,就完成了以上的迁移学习。

如果新的数据集很小,可能只需要重新训练输出层前的最后一层的权重,即 W [ L ] W^{[L]} W[L]、 b [ L ] b^{[L]} b[L],并保持其他参数不变;而如果有足够多的数据,可以只保留网络结构,重新训练神经网络中所有层的系数。这时初始权重由之前的模型训练得到,这个过程称为预训练(Pre-Training),之后的权重更新过程称为微调(Fine-Tuning)。

上述过程的迁移学习会有效,是因为神经网络浅层部分能够检测出许多图片固有特征,例如图像边缘、纹理、曲线等。使用之前训练好的神经网络部分结果有助于我们更快更准确地提取X光片特征。二者处理的都是图片,而图片处理是有相同的地方,第一个训练好的神经网络已经帮我们实现如何提取图片有用特征了。因此,即便是即将训练的第二个神经网络样本数目少,仍然可以根据第一个神经网络结构和权重系数得到健壮性好的模型。

你也可以不止加入一个新的输出层,而是多加几个新层。

迁移学习

吴恩达老师指出,迁移学习适用于满足以下条件的场景:

  • 两个任务有同样的输入(比如都是图像或者都是音频);
  • 拥有更多数据的任务迁移到数据较少的任务;
  • 某一任务的低层次特征(底层神经网络的某些功能)对另一个任务的学习有帮助。

7.多任务学习

多任务学习 Multi-task Learning

除了我们前面讲到的构建神经网络解决二分类或者多分类任务,神经网络还可以完成多任务学习(Multi-Task Learning),它指的是使用单个神经网络模型,利用共享表示采用并行训练同时学习多个任务。

多任务学习的基本假设是多个任务之间具有相关性,并且任务之间可以利用相关性相互促进。例如,属性分类中,抹口红和戴耳环有一定的相关性,单独训练的时候是无法利用这些信息,多任务学习则可以利用任务相关性联合提高多个属性分类的精度。

下面是一个汽车自动驾驶的例子。这个场景中需要实现的多任务是识别行人、车辆、交通标志和信号灯。多任务学习模型的成本函数及对应的损失函数为:

多任务学习

其中, j j j代表任务下标,总有 c c c个任务。

多任务学习和Softmax回归看上去有些类似,容易混淆。它们的区别是,Softmax回归的输出向量 y y y中只有一个元素为1;而多任务学习的输出向量 y y y中可以有多个元素为1。

吴恩达老师指出,多任务学习的应用场景有以下特质:

  • 训练的一组任务可以共用低层次特征;
  • 通常,每个任务的数据量接近;
  • 能够训练一个足够大的神经网络,以同时做好所有的工作。多任务学习会降低性能的唯一情况(即和为每个任务训练单个神经网络相比性能更低的情况)是神经网络还不够大。

多任务学习

在多任务深度网络中,低层次信息的共享有助于减少计算量,同时共享表示层可以使得几个有共性的任务更好的结合相关性信息,任务特定层则可以单独建模任务特定的信息,实现共享信息和任务特定信息的统一。

在实践中,多任务学习的使用频率要远低于迁移学习。计算机视觉领域中的物体识别是一个多任务学习的例子。

8.端到端学习

什么是端到端的深度学习? What is End-to-end Deep Learning?

8.1 端到端学习与传统流水线

在传统的机器学习分块模型中,每一个模块处理一种输入,然后其输出作为下一个模块的输入,构成一条流水线。而端到端深度学习(End-to-end Deep Learning)将所有不同阶段的数据处理系统或学习系统模块组合在一起,只用一个单一的神经网络模型来实现所有的功能。它将所有模块混合在一起,只关心输入和输出。

如果数据量较少,传统机器学习分块模型所构成的流水线效果也不错。但如果训练样本非常大,应用的神经网络模型比较复杂,那么端到端深度学习模型的性能会比传统机器学习分块模型更好。

而如果数据集规模适中,还是可以使用流水线方法,但是可以混合端到端深度学习,通过神经网络绕过某些模块,直接输出某些特征。

如下是语音识别模型中传统流水线流程、混合模式和端到端学习模式的对比示意图。

端到端学习

8.2 端到端学习优缺点

是否使用端到端的深度学习方法 Whether to use end-to-end deep learning

如下是端到端学习的优缺点总结:

优点

  • 只要有足够多的数据,剩下的全部交给一个足够大的神经网络。比起传统的机器学习分块模型,可能更能捕获数据中的任何统计信息,而不需要用人类固有的认知(或者说,成见)来进行分析
  • 所需手工设计的组件更少,简化设计工作流程

缺点

  • 需要大量的数据
  • 排除了可能有用的人工设计组件

总结一下,决定一个问题是否应用端到端学习的关键点是:是否有足够的数据,支持能够直接学习从 x x x映射到 y y y并且足够复杂的函数。

ShowMeAI系列教程推荐

推荐文章

完结撒花!吴恩达DeepLearning.ai《深度学习》课程笔记目录总集 吴恩达 Coursera DeepLearning.ai《深度学习》系列课程笔记目录总集 阅读详情

相关推荐

吴恩达AI for Everyone

拒麦肯锡研究,2030年前AI会达到13万亿的市场价值!

女王の专属领地 2万+

吴恩达课程《Deep Learning Specialization》

在coursera上,

YMWM_的博客 816

吴恩达《人工智能转型手册》完整版.zip

人工智能(AI)是计算机科学的一个分支,它试图理解智能的本质,并生产出一种新的能以人类智能行为方式作出反应的智能机器。自20世纪50年代诞生以来,它已经经历了数次发展高潮与低谷。

weixin_35794316的博客 624

吴恩达|给所有人的AI课(全网百万观看量,附干货文档)非常详细收藏我这一篇就够了!

吴恩达《AI for Everyone》是AI入门者的首选课程,系统地讲解了机器学习、数据科学等核心概念。课程强调监督学习中的"输入-输出"映射关系,并梳理了AI在企业转型中的五步实施路径。同时指出AI的局限性,如难以处理需复杂情感理解的任务。文章还分享了神经网络从简单预测到人脸识别的应用实例,为读者构建完整的AI知识框架。文末提供AI学习大礼包,包含视频教程、学习路线等技术资料,适合不同基础的读者提升AI技能。

2401_84204207的博客 3522

吴恩达深度学习专项课程编程作业集合(LaTex版 Deep Learning Specialization (4 courses))

吴恩达深度学习专项课程编程作业集合 LaTex版 共计304页 Deep Learning Specialization (4 courses) 此文档整理了 Neural Networks and Deep Learning、Improving Deep Neural Networks、Structuring Machine Learning Projects、Convolutional Neural Networks 4门深度学习专项课程编程作业,采用LaTex排版,包括所有基础知识及作业代码,值得下载离线学习!

ComfyUI中一个超好用的变量管理类节点-KJNodes

在AI绘图中,ComfyUI的热度开始慢慢起来一些,但是这个软件在使用的过程中,需要很多连线,仅仅一个最简单的动画生成,就需要连接这么多线条,而且有些线会飞的很远,看起来就很不美观,尤其是一些复杂工作流,连接到最后自己可能已经分不太清楚到底连接好了没有。今天在研究C站的大佬们的工作流的时候,发现一个有意思的工作流,看起来大概是这种感觉:干净整洁。他用到了KJNodes这么个节点来管理变量,git上星标也不算很多,所以我想很多朋友可能还不知道,所以这里简单介绍下用法。

聚梦小课堂 7527

收藏级干货|吴恩达亲授AI入门心法:打好地基+实战力+数学助力+每日进步,小白也能变大神!

文章基于吴恩达建议,提出AI入门四大要点:先打好机器学习基础,理解核心概念;掌握深度学习与编程实战能力,熟悉常用库;数学不是门槛而是助力,了解基本概念即可;坚持每天学习一点,积累学习惯性。学习AI是为了理解世界,掌握基础后就能听懂时代声音。

m0_59163425的博客 949

深度学习教程(1) | 深度学习概论(吴恩达·完整版)

本篇为深度学习系列教程的引言,以房价预测为例,讲解神经网络(Neural Network)模型结构和基础知识,并介绍针对监督学习的几类典型神经网络:Standard NN,CNN和RNN等知识

ShowMeAI研究中心 1万+

C#上位机+TensorFlow Lite 轻量化AI模型部署实战(工业级完整版,低算力工控机首选)

工业自动化轻量化AI部署指南:C# + TensorFlow Lite实战 摘要:本文针对工业自动化领域机器视觉部署的痛点,提出基于C#和TensorFlow Lite(TFLite)的轻量化解决方案。该方案完美适配低算力工控环境(J1900/2G内存),具有以下核心优势:1)极致轻量化,模型体积仅KB-MB级;2)CPU深度优化,单帧推理≤15ms;3)零环境依赖,纯C#部署;4)工业级稳定性,7×24小时运行。教程涵盖从环境搭建、模型转换到C#封装的完整流程,特别提供YOLOv8等工业常用模型的TFLi

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1032

第十二章 供水管网水力模型软件介绍

本文介绍了国内外主要供水管网建模软件及其特点,重点分析了某高建模软件V14的创新功能。国际主流软件包括开源的EPANET、商业软件InfoWorksWS、WaterGEMS和MIKEURBAN,各具特色但存在应用局限。某高V14软件实现了管网GIS与模型一体化管理,采用一G多网、一网多模、一模多案、网模合一技术路线,支持全信息模型建立和动态数据更新。其创新点包括水量分配理念革新(精确/模糊匹配、三种用水模式)和首创Web服务功能。通过并发计算、GPU加速等技术优化性能,具有较高性价比。

weixin_45258875的博客 210

Coursera吴恩达《深度学习》课程总结(全)

01 神经网络和深度学习(Neural Networks and Deep Learning) 1-1 深度学习概论 主要介绍:主要对深度学习进行了简要概述。首先,我们使用房价预测的例子来建立最简单的单个神经元组成的神经网络模型。然后,我们将例子复杂化,建立标准的神经网络模型结构。接着,我们从监督式学习入手,介绍了不同的神经网络类型,包括Standard NN,CNN和RNN。不同的神经网络模型适合处理不同类型的问题。对数据集本身来说,分为结构化数据和非结构化数据。近些年来,深度学习对非结构化数据的处理

csdn_xmj的博客 5万+

基于知识图谱的智能工作流引擎

随着大数据和人工智能技术的快速发展,企业和组织对数据的依赖程度日益增加。为了更好地管理和利用这些数据,知识图谱逐渐成为一种重要的工具。知识图谱不仅能够以结构化的方式表示复杂的知识,而且能够通过推理和查询提供深层次的信息。然而,如何将知识图谱应用于实际业务场景中,尤其是如何构建智能工作流引擎,仍然是一个具有挑战性的问题。智能工作流引擎是一种能够自动化执行复杂业务流程的系统,它可以通过对业务规则和数据的分析,自动生成和优化工作流,从而提高工作效率和准确性。

AI天才研究院 1872

吴恩达老师深度学习课程完整笔记

为了方便学习深度学习课程,转载一个吴恩达老师的一个深度学习笔记,转载的网站是下面这个 https://blog.youkuaiyun.com/red_stone1/article/details/80207815 从去年8月份开始,AI界大IP吴恩达在coursera上开设了由5们课组成的深度学习专项课程,掀起了一股人工智能深度学习热潮。这里附上deeplearning.ai的官网: deeplearnin...

Miracle8070 6万+

RSL-RL:开源人形机器人强化学习控制研究库

摘要:RSL-RL是一款专为机器人领域设计的开源强化学习库,其核心特点是紧凑性、可修改性和高性能。该库聚焦PPO和BC两大主流算法,并整合了对称性增强、好奇心驱动等机器人专用技术。通过纯GPU训练优化,RSL-RL在大型仿真中展现出卓越的吞吐性能,已成功应用于腿足运动控制、全身协调等多个机器人研究场景。其轻量级架构包含运行器、算法和网络三个可独立修改的组件,支持TensorBoard等主流日志工具。该框架特别适合需要快速原型开发的机器人研究者,但不适用于通用机器学习基准测试。开源地址:https://git

2506_90492529的博客 1680

无线通信基础:调制与解调技术_(42).7.3.2多进制频移键控解调(MFSK解调)

MFSK解调是一种通过频谱分析和频率检测来恢复数字信号的技术。本文介绍了MFSK解调的基本原理,包括信号接收、频谱分析、频率检测和符号判决。在实际应用中,噪声会对解调性能产生影响,因此引入了信噪比优化和多步判决方法来提高解调的准确性。通过性能评估,可以更好地理解MFSK解调在不同噪声环境下的表现。这些方法和技术为MFSK在实际通信系统中的应用提供了理论和实践基础。

2401_87715305的博客 1320

深度学习教程(8) | AI应用实践策略(上)(吴恩达·完整版)

本节覆盖机器学习中的一些策略和方法,让我们能够更快更有效地让机器学习系统工作,内容包括:正交化方法,建立单值评价指标,数据集划分要点,人类水平误差与可避免偏差,提高机器学习模型性能总结等。......

ShowMeAI研究中心 9922

如何用Python打造PubMed API客户端:科研文献检索自动化实践

PubMed提供了官方的Entrez E-utilities API接口,支持程序化检索文献,但直接调用API需处理请求重试、参数封装、数据解析等问题。批量获取文献ID及结构化详情(标题、作者、DOI等)内置重试机制,应对网络波动或API限流统一数据输出格式,便于后续分析(如文献计量、AI文本处理)灵活适配不同检索需求(如指定数据库、结果数量)本文实现的PubMed API客户端,通过封装API请求、重试机制、数据解析,让科研文献检索从“手动点击”变为“代码自动化”。

ASKCOS博客 360

深度学习教程 | 吴恩达专项课程 · 全套笔记解读

本篇内容是组织的「深度学习原理知识大全」系列教程入口,教程依托吴恩达老师《深度学习专项课程》,对内容做了重新梳理与制作,以更全面和直观的图文方式,对深度学习涉及的知识、模型、原理、应用领域等进行详解......

ShowMeAI研究中心 1万+

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

吴恩达deeplearning.ai深度学习课程空白作业

  吴恩达deeplearning.ai深度学习课程的空白作业,包括深度学习微专业五门课程的全部空白编程作业,经多方整理而来。网上找来的作业好多都是已经被别人写过的,不便于自己练习,而且很多都缺失各种数据文件,找起来费时费力。所以我特地整理了一遍,搞到全部空白作业与所有的数据文件,并上传到优快云,欢迎下载:   https://www.baidu.com/ .........

ccgcccccc的博客 1万+

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

吴恩达深度学习笔记 最全最详细!这一篇足够了!

为了方便学习深度学习课程,转载一个吴恩达老师的一个深度学习笔记,转载的网站是下面这个 https://blog.youkuaiyun.com/red_stone1/article/details/80207815 从去年8月份开始,AI界大IP吴恩达在coursera上开设了由5们课组成的深度学习专项课程,掀起了一股人工智能深度学习热潮。这里附上deeplearning.ai的官网: deeplearning.ai 关于该深度学习专项课程,本人非常推荐!它对于理解各种算法背后的原理非常有帮助,同时提供了大

是木子啦~ 1万+

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

深度学习教程 | AI应用实践策略(下)

现在,我们有了训练集错误率、训练-验证集错误率,以及验证集错误率。其中,训练集错误率和训练-验证集错误率的差值反映了variance方差;而训练-验证集错误率和验证集错误率的差值反映了样本分布不一致的问题,从而说明模型擅长处理的数据和我们关心的数据来自不同的分布,我们称之为。

weixin_42907150的博客 1027

吴恩达新作《如何构建自己的AI职业》看哭我

《How to Build Your Career in AI》是吴恩达创作的一本关于如何在AI领域建立职业生涯的书籍,主要关注学习AI技术技能、选择项目和有序安排项目等方面的职业发展建议。这本书更像是一个对于AI入局者的checklist,为想要在AI领域发展的人提供了学习和职业发展方面的建议,有助于他们更好地适应AI领域的职业需求。

qingkahui24689的博客 1540

微软和吴恩达的两门超绝的免费AI公开课,打破小白的AI认知

大家好,我是凡人。前两天有好几个朋友在问我,有没有大厂出品的权威AI课程,在对比40多个免费AI课程后,选择了微软和吴恩达两门公开课程,他们在GitHup上有超高的人气,分别是18.3K和66.1K颗星,下面我们就一起来看看这两门课程。

weixin_40780178的博客 3255
上一篇: 深度学习教程(8) | AI应用实践策略(上)(吴恩达·完整版)
下一篇: 深度学习教程(10) | 卷积神经网络解读(吴恩达·完整版)
ShowMeAI
博客等级 码龄5年 6514粉丝 672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

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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