李宏毅机器学习课程笔记

最新推荐文章于 2026-01-02 23:51:00 发布
原创 最新推荐文章于 2026-01-02 23:51:00 发布 · 156 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 #深度学习 #人工智能

这篇博客介绍了人工智能在股票预测、无人车控制、推荐系统和宝可梦战斗力预测等场景的应用。建模过程包括选择模型（如线性模型）、评估模型好坏、并通过梯度下降法寻找最佳函数参数。文章详细阐述了梯度下降的工作原理，用于最小化损失函数以优化模型性能。

一、举例引入

1. 股票预测

输入：股票起伏资料
输出：明天的道琼斯指数

2. 无人车

输入：传感器所获取的信息
输入：车辆控制操作（如方向盘左转50°）

3. 推荐系统

输入：使用者A 商品B
输出：购买可能性

4. 预测宝可梦的战斗力Combat Power

输入：一只宝可梦的相关信息（种类、生命值、进化前的CP值、重量）
输出：进化后的战斗力值

二、建模步骤

step 1. Model

首先，找一个函数集合（function set），比如我们可能认为
y=b+w∗xy=b+w*xy=b+w∗x</

最低0.47元/天 解锁文章
李宏毅机器学习课程笔记——第一章 机器学习介绍
m0_57255526的博客
09-13 1252
这里是李宏毅教授机器学习课程的笔记，内容完全是笔者个人的见解，希望大家批评指正。
《李宏毅机器学习课程详细笔记整理》
06-18
李宏毅教授的台湾大学2017年版《机器学习》课程被整理成了详细笔记并制作成PDF文档，供人学习分享。这份笔记内容丰富，涵盖了监督学习、非监督学习、深度学习、强化学习等多个重要领域，还涉及多种学习模型和算法的...
李宏毅机器学习课程笔记01 | Introduction of Machine/Deep Learning
好好学习天天向上
01-04 1230
函数的输入是b和w，函数的输出是输入某个特定的b和w，模型结果是是好还是不好L越大说明模型不好，L越小说明模型好假设有一个损失函数L(0.5k,1) ，模型为y=b+wx1 => y=0.5k+1x1(k是千人的意思)训练数据(本案例过去的订阅次数)输入到模型(函数)中，比如x输入1月1日订阅人数4.8k，计算得到模型预测的y(1月2日订阅人数)为5.3k，但实际只有4.9k求取估测的值跟实际的值（Label） 之间的差距。
李宏毅机器学习笔记
weixin_49119476的博客
04-29 2489
m和sigma都考虑了过去所有的gradient。区别：momentum主要考虑方向sigma主要考虑大小momentus是为了增加历史运动的惯性，RMS是为了缓和步伐的大小，变得更平缓network弹性逐渐变小。receptive field + parameter share 即为 convolutional layer。使用卷积层的神经网络即为CNN。CNN有比较大的bias，但是是专门为影像设计，所以在这方面做的很好。
李宏毅机器学习 (ML) 课程学习笔记
十子木的博客
05-08 855
【持续更新】李宏毅深度学习课程学习笔记。
李宏毅《机器学习》笔记
Kazeya的博客
11-17 3017
在GAN中，对于真实的训练样本的分布，记作PdataxPdata​x，这个分布也就是GAN试图去拟合、逼近的分布。另外有一个由参数控制的分布记作PGx;θP_G(x;θ，其实也就是GAN或者说Generator生成的对象的分布。简单来说我们的目标就是让PGx;θP_G(x;θ和越PdataxPdata​x接近越好。
李宏毅机器学习课程笔记02 | 机器学习任务攻略General Guide
好好学习天天向上
01-07 1571
看到一个你从来没有做过的问题,也许你可以先跑一些比较小的,比较浅的network,或甚至用一些,不是deep learning的方法 => **比较容易做Optimize的,**它们比较不会有optimization失败的问题。限制模型的方法有 ① 较少的参数，如果是深度学习就给较少的神经元个数，或者让模型modal共用参数 ②较少的features，比如从给三天的资料变成给两天的资料 ③early stopping ④regularization正则化 ⑤dropout。这里的创造不是凭空创造，需要。
李宏毅机器学习课程笔记05 | 卷积神经网络Convolutional Neural Network(CNN)
好好学习天天向上
03-05 1182
Full Connected Layer弹性最大 => Full Connected的network可以选择看一张图片还是看图片的部分，如果需要看图片的部分只需要将weight设置成0不需要看整张图，只需要看图片的一小部分就可侦测出重要的Pattern=> 这一小部分被称为=> 弹性会变小Model的弹性很高时容易导致弹性很好可以做各式各样的事情但没办法在每个任务表现很好。CNN存在。
李宏毅机器学习深度学习笔记一机器学习深度学习原理
dly0000_1的博客
03-11 948
李宏毅老师机器学习深度学习经典课程笔记。
李宏毅机器学习笔记4
qq_62270288的博客
07-12 914
本周学习李宏毅老师2025春季机器学习课程，本周对机器学习的过程进行总结，包括训练过程中出现的各种情况分别对应什么问题和解决办法。training。
2017 年李宏毅机器学习课程个人笔记
08-18
2017年李宏毅机器学习课程个人笔记，不仅涵盖了当年课程的所有精华部分，还结合了李宏毅教授个人的教学风格与思路，为学习者提供了一种全新的学习角度。这份笔记是学习者在课堂上认真听取、吸收知识后，结合自身理解...
李宏毅机器学习学习笔记
08-05
李宏毅机器学习学习笔记 本资源主要介绍了 Adaptive Learning Rate 的基本思想和方法，以及相关的算法和策略，如 Adgrad、RMSProp、Adam、Learning Rate Decay、Warm Up 等。 Adaptive Learning Rate 的主要思想是...
机器学习——贝叶斯
2401_83998832的博客
12-29 1431
正向概率：假设袋子里有10个白球，90个黑球，然后从袋子里面拿出1个球，拿出的球是白球的概率是多少？显然，白球的概率是1/10逆向概率：如果我们事先并不知道袋子里白球、黑球的比例，然后通过多次试验，根据拿出来的球的颜色推测袋子里白球、黑球的比例贝叶斯分类器的代码使用：朴素贝叶斯算法，中文处理classalpha=1.0参数：1.多项式分布的朴素贝叶斯。2.控制模型拟合时的平滑度定义：alpha是一个浮点数，表示添加剂（拉普拉斯/Lidstone）平滑参数。
【机器学习】02_线性模型
Dasi_C_upup的博客
12-31 810
本文系统介绍了机器学习中的线性模型，包括线性回归、对数几率回归和线性判别分析三大核心算法。重点讲解了线性回归的最小二乘法求解和L1/L2正则化特性，对比了岭回归与Lasso回归的几何意义和应用场景。详细推导了对数几率回归的sigmoid函数和交叉熵损失函数，并解释其优于均方误差的原因。此外，阐述了LDA算法的类内散度和类间散度矩阵，以及多分类策略和类别不平衡处理方法。全文通过数学公式推导、几何直观解释和对比表格，为理解线性模型提供了全面的理论基础。
【机器学习】生成对抗网络（GAN）
2401_84149564的博客
01-02 708
生成对抗网络（GAN）是一种通过生成器与判别器对抗博弈来学习数据分布的深度学习模型。生成器试图生成逼真样本，判别器则负责区分真实与生成样本。本文详细介绍了GAN的核心思想、数学目标、训练流程及常见挑战（如梯度消失、模式崩溃），并列举了DCGAN、WGAN等经典变体。通过Python代码实现了一个生成正弦曲线的简易GAN，展示了训练过程和结果可视化。实验表明，经过100轮训练后，生成器能产生与真实正弦曲线相似的样本，验证了GAN在数据生成任务中的有效性。
机器学习--K-means聚类&DBSCAN&TF-IDF
2301_77717128的博客
12-30 1070
本文摘要介绍了三种机器学习方法：K-means聚类、DBSCAN和TF-IDF。K-means聚类通过欧式距离和轮廓系数评估聚类效果，需预先设定K值。DBSCAN基于密度聚类，能发现任意形状簇并识别噪声点。TF-IDF通过词频和逆文档频率提取文本关键词，适用于文本分析。文中还提供了Python实现示例，包括参数设置和实际应用代码，展示了从数据预处理到模型评估的完整流程。
机器学习-逻辑回归的成本函数
最新发布
weixin_64179111的博客
01-02 180
所以我们只关注对数函数 横轴0-1的部分，因为我们模型0要输出两种情况，0-1，所以要分情况去定义成本函数，1是一种情况，0是一种情况，在用代码实现的时候，也要对数据集的输出结果进行区分然后再带入模型进行训练，要用梯度下降，对模型进行训练，代价函数最好是凸函数，这样用梯度下降优化的时候，可以找到全局最小值，在线性回归中，成本函数是，均方误差，计算预测值和真实值的差值的平方，然后取平均值，来衡量模型的效果，所以我们要找到一个新的损失函数来定于逻辑回归的成本函数，如下图所示。下面是输出为0的时候的成本函数。
李宏毅机器学习课程笔记：从深度学习到卷积神经网络
"李宏毅的机器学习课程笔记涵盖了从基础的回归分析、梯度上升算法，到分类问题、反向传播、卷积神经网络（CNN）、半监督学习、无监督学习以及线性模型等多个核心主题。这些内容构成了深度学习和机器学习的基础理论与...
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