神经网络-模型表示 from 吴恩达的机器学习

本文介绍了神经网络模型的基本组成,包括输入层、隐藏层和输出层,并详细解释了各层的功能及如何通过权重矩阵传递信息。

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

模型表示

逻辑回归模型:



神经网络模型:



其中是输入单元(input units),我们将原始数据输入给它们。 是中间单元,它们负责将数据进行处理,然后呈递到下一层。 最后是输出单元,它负责计算

神经网络模型是许多逻辑单元按照不同层级组织起来的网络,每一层的输出变量都是下一层的输入变量。下图为一个3层的神经网络,第一层成为输入层(Input Layer),最后一层称为输出层(Output Layer),中间一层成为隐藏层(Hidden Layers)。每一层都增加一个偏差单位(bias unit):


引入表示法:

  代表第 层的第  个激活单元。

代表从第  层映射到第 层时的权重的矩阵。

    例如代表从第一层映射到第二层的权重的矩阵。其尺寸为:以第 层的激活单元数量为行数,以第  层的激活单元数加一为列数的矩阵。

对上图所示模型,各个单元和输出表示为:



神经网络第二种模型表示




### 吴恩达机器学习课程概述 吴恩达教授开设的《机器学习》课程提供了全面的基础教育,涵盖了监督学习、无监督学习以及如何应用这些技术解决实际问题[^1]。该课程不仅适合初学者入门,也能够帮助有一定基础的学习者深入理解算法原理。 #### 主要内容包括: - **线性回归与逻辑回归**:介绍基本概念及其应用场景。 - **神经网络**:讲解多层感知器结构及反向传播训练方法。 - **支持向量机(SVM)**:探讨最大间隔分类器理论。 - **聚类分析(K-means)** 和 **降维(PCA)** :探索数据压缩和可视化技巧。 - **异常检测** 及其在不同领域中的实践案例研究。 #### 学习资源推荐 对于希望获取更详细的资料或进一步提高技能的人来说,《机器学习年鉴》是一本不可多得的好书[^2]。书中除了总结了大量经典模型外,还收录了许多前沿研究成果和技术趋势预测文章。 此外,在线平台Coursera上可以找到由Andrew Ng亲自授课的官方版本视频教程链接[^3]。通过完成一系列精心设计的任务项目,学员们可以在实践中巩固所学知识并积累宝贵经验。 ```python import numpy as np from sklearn import datasets, linear_model from matplotlib import pyplot as plt # 加载糖尿病数据集作为示例 diabetes_X, diabetes_y = datasets.load_diabetes(return_X_y=True) # 创建线性回归对象 regr = linear_model.LinearRegression() # 训练模型 regr.fit(diabetes_X[:, None, 2], diabetes_y) plt.scatter(diabetes_X[:, 2], diabetes_y, color='black') plt.plot(diabetes_X[:, 2], regr.predict(diabetes_X[:, None, 2]), color='blue', linewidth=3) plt.show() ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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