m0_49939117的博客

目录1.数据来源2.更新标签1.以记事本方式打开Hypnogram文件2.整理文件内容3.在matlab中更新标签附录：标签更新函数1.数据来源本实验数据来自physionet中的Sleep-EDF睡眠数据库，包含197个整夜多导睡眠图(PSG)数据。地址如下：Sleep-EDF Database Expanded v1.0.0数据库截图：其中PSG为受试者整夜多导睡眠图记录，包括Fpz-cz和Pz-oz两个通道的EEG、EOG、EMG和体温数据；Hypnog

目录6.1 循环核1.循环核2.按时间步展开6.2 循环计算层1.层数2.Tensorflow描述循环计算层6.3 循环计算过程(Ⅰ)步骤​代码6.4 循环计算过程(Ⅱ)步骤代码6.5 Embeddng编码​输入一个字母6.6 RNN实现股票预测6.7 LSTM实现股票预测6.8 GRU实现股票预测6.1 循环核复习：卷积就是特征提取器（CBAPD），借助卷积核提取空间特征后，送入全连接网络1.循环核参数时间共享，循环层..

5.1 卷积计算过程输入特征图的深度，决定了当前层卷积核的深度当前层卷积核的个数，决定了当前层输出特征图的深度5.2 感受野卷积神经网络各输出特征图中的每个像素点，在原始输入图片上映射区域的大小 ...

目录4.1 自制数据集4.2数据增强4.3 断点续训4.5 参数提取4.6 acc&loss可视化4.7 给图识物4.1 自制数据集自制数据使用方法：例如：4.2数据增强4.3 断点续训4.5 参数提取4.6 acc&loss可视化4.7 给图识物...

目录3.1 搭建网络八股sequential1.import2.加载数据集3.Sequential4.compile5.fit6.summary3.2 搭建网络八股class3.3 MNIST数据集3.4 FASHION数据集3.1 搭建网络八股sequential六步法：1.import导入库2.加载数据集加载train、test数据集3.Sequential4.compile5.fit6.summary打

目录2.1 基础知识​2.2 复杂度学习率1.复杂度2.学习率2.3 激活函数1.sigmoid函数2.tanh函数3.relu函数4.leaky-relu函数2.4 损失函数1.均方误差2.自定义损失函数​3.交叉熵损失函数4.softmax与交叉熵结合2.5 缓解过拟合正则化2.6 优化器1.SGD2.SGDM3.Adagrad4.RMSProp5.Adam2.1 基础知识2.2 复杂度学...

目录1.1 人工智能三学派1.2 神经网络设计过程1.搭建网络2.损失函数​3.梯度下降4.反向传播5.代码实例1.3 张量生成1.4 Tensorflow2常用函数1.5 鸢尾花分类1.读取数据（pycharm）2.数据集乱序3.数据分集4.数据配对5.定义可训练参数6.嵌套循环迭代7.计算准确率8.可视化1.1 人工智能三学派行为主义：基于控制论符号主义：基于算数逻辑表达式连接主义：基于仿生学1.2 神经网络..

目录13.1 深度学习基础13.2 图像识别与深度学习13.3 图像卷积13.4 卷积神经网络13.1 深度学习基础特征工程：尽可能选择和构建出好的特征，使得机器学习算法能够达到最佳性能深度神经网络：有多层隐含层的神经网络深度学习三要素：数据、算法、计算力13.2 图像识别与深度学习图像识别核心问题：图像特征的提取图像特征包含：形状特征、颜色特征、纹理特征13.3 图像卷积图像卷积运算：图像中的每个像素点，用其周围像素点的灰度值加权求和调整该点的灰..

目录12.1 小批量梯度下降法1.批量梯度下降法2.随机梯度下降3.小批量梯度下降4.三种算法等高线图​12.2 梯度下降法的优化1.样本的选择2.批量数3.学习率4.梯度12.3 keras和tf.keras12.4 Sequential模型1.构建模型2.配置训练方法​3.训练模型4.评估模型5.使用模型12.5 实例：手写字体识别设计结构实现代码12.6 模型的保存和加载1.保存模型参数2.加载模型参数..

目录11.1 神经元与感知机​11.2 实例：单层神经网络1.神经网络的设计2.神经网络的实现3.具体步骤11.3 多层神经网络​1.异或问题2.复杂边界3.前馈神经网络4.万能近似定理5.隐含层设计11.4 误差反向传播算法1-1-1神经网络的误差反向传播11.5 激活函数1.sigmoid函数2.ReLu函数3.Leaky-ReLu函数4.其他函数11.6 实例：多层神经网络11.1 神经元与感知机11.2 ...

10.1 逻辑回归1.广义线性回归2.逻辑回归3.交叉熵损失函数sigmoid函数曲线为非凸曲线，使用交叉熵损失函数解决交叉熵损失函数可以反映出概率之间的误差10.2 实例：一元逻辑回归使用where函数设定阈值import tensorflow as tfimport numpy as nppred=np.array([0.6,0.2,0.8,0.49])tf.where(pred<0.5,0,1)...

9.1 基本原理1.一元凸函数求极值2.二元凸函数求极值沿梯度方向移动9.2 实例：梯度下降法一元线性回归可以转换为二元函数求极值的问题可利用梯度下降法求解多元线性回归问题1.流程2.代码#import libraryimport numpy as npimport matplotlib.pyplot as plt#load datasetx=np.array([137.97,104.5,100.00,124.32,79.20,99...

目录8.1 机器学习基础8.2 一元线性回归​8.3 解析法实现一元回归1.Python实现2.Numpy实现3.Tensorflow实现4.数据和模型可视化8.4 多元线性回归8.5 解析法实现多元线性回归8.1 机器学习基础机器学习即学习算法从数据中学习模型的过程8.2 一元线性回归8.3 解析法实现一元回归待解决问题1.Python实现#load datasetx=[137.97,104.5,100.00,124.3...

7.1 Tensorflow特性使用动态图机制· 架构7.2 创建张量1.创建Tensor对象张量由Tensor类实现，每个张量都是一个Tensor对象import tensorflow as tftf.constant([[1,2],[3,4]])·张量的numpy方法import tensorflow as tfa=tf.constant([[1,2],[3,4]])a.numpy()·参数为数字import tensorflow.

6.1 数字图像基本概念数字图像：连续的图像数字化、离散化之后的图像，是对连续图像的一种近似像素：图像的最小单位位图：记录每个像素值来存储和表达的图像色彩深度/位深度：位图中每个像素点要用多少个二进制位表示BMP格式：Windows系统标准位图格式·二值图像（仅有两种颜色的图像）每个像素只有两种可能取值，使用1位二进制表示，位深度为1·灰度图像每个像素使用一个字节表示，位深度为8（0为黑色，255为白色）·彩色图像每个像素都有红、绿、蓝三个分量每个像素点使用.

5.1 Matplotlib绘图基础使用前导入子库import matplotlib.pyplot as plt1.对figure对象进行绘制2.划分子图3.字体设置4.添加标题suptitle函数参数title函数参数可使用tight_layout函数检查坐标轴标签、刻度标签、子图标题、自动调整子图等调整子图位置5.2 散点图1.绘制散点图2. 添加文字3.坐标轴设置显示图例5....

4.1 多维数组4.2 创建 NumPy数组

3.1 序列数据结构特点：（1）成员有序排列；（2）元素位置称为下标或索引；（3）通过索引访问序列成员1.列表和元组·列表[]·元组()定义后不可修改·索引从0开始，分正/逆向索引·切片得到序列子集·打印print（序列名）·更新列表append添加insert插入+或extend合并del删除sort排序reverse逆序2.字典·字典键值对组成，各元素无序·遍历keys关键字values值items键值对

目录2.1 初识2.2 第一个程序2.3 输入与输出2.4 常量、变量及表达式1.数字2.字符串3.标识符4.常量5.变量6.运算符2.5 程序控制语句2.1 初识Python属于解释性语言，具有语法简洁、结构清晰、简单易学、功能强大、资源丰富等特性。且具有一定的可拓展、可移植性。2.2 第一个程序>>> #Determine whether the variable is a positive number #注释行.

1.1 开发环境介绍深度学习：机器学习的一个分支编程语言：Python开发框架：TensorFlow 2.0开发环境：Anaconda1.2 Anaconda安装与使用1.3 Hello World可以使用交互模式和脚本模式两种模式运行Python1.交互模式在Anaconda的环境base中选择python，输入以下代码。每输入一行代码回车后，python将执行相关操作。>>> 1+12>>> print('h...

逻辑回归只能完成线性分类，使用神经网络完成复杂的假设。2.1 模型表示神经网络架构如图：神经网络架构因为图像大小为20像素*20像素，因此提供了400个输入层单元（除偏置单元外）文件ex3weight.mat包含了已经训练好的两层θ值，神经网络包括25个单元的隐藏层和10个输出单元的输出层（对应了数字1-10）2.2 前向传播及预测...

1.多元分类利用一对多逻辑回归以及神经网络识别手写数字（0--9）1.1 数据集ex3data1.mat文件中包含5000个手写数字的训练样本。mat格式文件意味着数据已经以矩阵形式被保存在matlab中，该文件可通过load命令将保存的数据载入。这5000个样本中的每个样本都是20像素*20像素的灰度图像，每个像素由一个浮点数表示，指示该位置的灰度强度，20*20的像素网络被展为一400维向量。在矩阵X中，每个训练样本都是单独一行，这给了我们一个5000*400的矩阵X，其中每一行都是一个

目录1.Logistic Regression1.1 数据可视化1.2 执行1.2.1 sigmoid函数1.2.2 代价函数和梯度下降1.2.3 使用高级优化算法1.2.4 评估Logistic回归2.正则logistic回归2.1 数据可视化2.2 特征映射2.3 代价函数和梯度 2.3.1 使用优化算法学习参数2.4 绘制决策边界1.Logistic Regression构建logistic回归模型，预测学生是否被大学所录取。...

初始化% Initializationclear ; close all; clc1.WarmUpExercise()function A = warmUpExercise()A =eye(5); endex1.m%% ==================== Part 1: Basic Function ====================% Complete warmUpExercise.mfprintf('Running warmUpExercise ...

12-1 优化目标支持向量机算法：SVM若θ^T*x≥0，h_θ(x)=1；否则为012-2 大间隔的直观理解支持向量机算法如下：SVM可以找到一条间隔更大的决策边界，这段间距称为支持向量机间距当C过大时，决策边界为红色曲线；当C较小时，决策边界为黑色曲线。黑色比红色拟合的效果更好12-3 大间隔分类器的数学原理（选学知识）向量u与向量v的内积：P为v在u上的投影长度，(u^T)v=u1v1+u2v2对于SVM：当决策边界...

目录11-1 优先级11-2 误差分析 11-3 不对称分类的误差评估11-4 精确度和召回率的权衡11-5 机器学习数据11-1 优先级区分正常与垃圾邮件，可通过监督学习来完成，x=邮件特征，y=1（垃圾邮件）or 0（正常邮件）x可以选择若干个关键词作为区分的指标，如：deal、discount、buy等实际上，通常在训练集中，挑选出现频率最高的n个单词（10000<n<50000）大量的数据不一定对检测垃圾邮件有益，因此要增加特征值...

目录10-1 决定下一步计划10-2 评估假设10-3 模型选择和训练/验证/测试集10-4 诊断偏差与方差10-5 正则化和偏差、方差10-6 学习曲线10-7 决定下一步10-1 决定下一步计划假设在进行机器学习时，已经得到了代价函数最小化的值，但在预测新的输入时产生了误差，算法改进方法如下：1.使用更多训练样本2.选用更少的特征，避免过拟合3.选用更多特征4.增加多项式特征5.增大或减小正则化参数λ10-2 评估假设举例：size

9-1 代价函数神经网络在分类问题的应用，假设有一个类似下图所示的神经网络结构，并且有一组训练集：{（x^(1),y^(1)),（x^(2),y^(2)),（x^(3),y^(3)),......（x^(m),y^(m))}L:神经网络总层数s_l:第L层的单元数，即神经元数量（不包括偏置单元）通常用来解决以下分类问题中的两类：二元分类 多类别分类（K个类别） 输出非零即一，因此只有一个输出单元，s_l=1 此时有K个输出，通常K≥3，s_l=k 其代价函数.

8-1 非线性假设一个非线性分类例子如下;若使用logistic回归拟合，可能导致过拟合问题。或是让机器识别下图的物体，选取车轮处像素点为pixel 2，车门处pixel 1：最终产生一个数据集如下，我们需要非线性假设来区分这两种情况。若使用50*50像素的灰度图片，会产生2500个像素点（如果是RGB图像会产生7500个像素点），因为特征过多（可能高达300万），使用常规拟合无法满足要求，因此要使用神经网络。8-2 神经元和大脑起源：人们想制造出模拟人类大脑的算法.

7-1 过拟合问题如图为房屋价格预测模型对于该类问题，我们可以使用一次函数曲线拟合，但因实际上房价会随着面积增大而趋于稳定，因此一次函数不能很好的拟合数据集，称为欠拟合。我们也可以使用四次函数曲线拟合，尽管曲线可能会包含所有数据点，但因四次曲线在图像上表现为一会凹一会凸不停波动的形式，因此不能很好的拟合，称为过拟合。解决方法：1.减少特征数量2.正则化（保留特征数量）7-2 代价函数若使用四次函数Θ0+Θ1*x+Θ2*x^2+Θ3*x^3+Θ4*x^4拟合数据，会产.

6-1 分类分类问题：例1：垃圾邮件分类例2：欺诈网站判断例3：肿瘤良/恶性分类设y∈｛0，1｝ （其中0表示正面分类，1表示负面分类）例：肿瘤分类问题，1表示恶性，0表示良性用直线h_Θ（x）=Θ^T*x对数据进行拟合设置阈值为0.5,若h_Θ（x）≥0.5，预测y=1；若h_Θ（x）≤0.5，预测y=0。但若延长横轴，并在训练集内增加一个位于横轴较右端的元素，此时阈值仍设0.5，得到的拟合曲线如图此时得到的结果并不理想，因为拟合直线左边的恶性肿瘤被认为..

5-1 基本操作1.基本运算5+6ans = 11>> 3-2ans = 1>> 5*8ans = 40>> 1/2ans = 0.5000 2^6ans = 642.逻辑运算 1==2 %falseans = logical 0>> 1~=2 %trueans = logical 1>> 1&

4-1 多功能现有多个影响房价的特征：x1，x2，x3......，其数量为n，房价即输出为y，x^(i)表示第i个特征的特征向量，x^(i)_j：第i个训练样本中第j个特征量的值。此时假设函数为：h_Θ(x)=Θ_0+Θ_1+Θ_2...简化：1.定义x_0=1。2.x=[x_0 x_1 x_2......x_n] Θ=[Θ_1 Θ_2 Θ_3...Θ_n]3.多元线性回归：h_Θ(x)=Θ^T*x4-2 多元梯度下降法（Ⅰ模型）当特征数大于等于1时4-3 ..

3-1 矩阵和向量1.矩阵定义：数字组成的阵列矩阵维数：矩阵行数乘以列数Aij:矩阵第i行第j列的数% The ; denotes we are going back to a new row.A = [1, 2, 3; 4, 5, 6; 7, 8, 9; 10, 11, 12]2.向量定义：一个n*1的矩阵n=维数Yi：第i行的数通常使用大写字母表示矩阵，小写字母表示向量% Initialize a vector v = [1;2;3] 3-2 加法

2-1 模型描述数据集：房屋大小（x） 价格（y） 2104 460 1416 232 1534 315 852 178 m=训练样本数量x=输入变量/特征y=输出变量/特征（x,y）=一个训练样本（x（i），y（i））=第i个训练样本假设函数：线性回归： h~Θ~(x)=Θ~0~+Θ~1~2-2 代价函数（Ⅰ）Θ定义为参数，找到最合适的Θ~0~和Θ~1~，使直线与数据点更好的...

哔哩哔哩：《机器学习》（吴恩达）1-1 简介机器学习从AI研究中诞生，可应用于数据挖掘、机器自主编写应用、个性化推送等功能。1-2 定义Arthur Samuel:在没有明确设置的情况下，使计算机具有学习能力的研究领域Tom Mitchell:计算机程序从经验E中学习，解决某一任务T和某一性能度量P，通过P测定在T上的表现因经验E而提高。1-3 监督学习1.定义给计算机一组包含正确答案的数据集，使其给出更多的正确答案。2.回归问题预测连续数值的输出例如：根