Machine Learning Yearning44~46

最新推荐文章于 2018-08-26 15:15:30 发布
原创 最新推荐文章于 2018-08-26 15:15:30 发布 · 169 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：

#吴恩达笔记

博客指出最优验证测试能正确指导解决问题的方向，强调了其在解决问题过程中的重要作用，为解决问题提供了关键指引。

这里写图片描述
这里写图片描述
这里写图片描述
最优验证测试就能够正确指导我们解决问题的方向。

MachineLearning Yearning
09-06
Deep Learning.ai 公司的吴恩达博士进行撰写内容原创为吴恩达博士，学习小组成员只对文献内容进行翻译，对于翻译有误的部分，欢迎大家提出。欢迎大家一起努力学习、提高，共同进步！
Machine Learning Yearning1~14
sunyao_123的博客
05-08 402
1.测试数据尽量和要应用的数据分布吻合，这可能和训练数据分布不吻合；尽可能的使得dev 和 test sets的分布相同。 2.如果我们的算法要应用到特定的领域，dev和test sets的分布最好是相同的。 3. dev和test sets的大小要基于模型来定。通过dev和test sets评估不同模型的差异，如果模型差异越小，所需数据量越大。 4.确定一个单值的评价标准（比如accura...
Machine Learning Yearning36~39
sunyao_123的博客
08-26 186
1.我们需要牢记的一点是，测试数据的分布一定要是我们期望的处理的数据的分布。所以如果期望的处理的数据有10000，而另一种分布的数据有200000，那么从210000里边分训练集和测试验证集是不合理的，因为这里边的验证集的分布大部分是第二种分布，并不是我们将来期望处理数据的分布。 但是由于我们能得到大量的数据，我们希望即使训练集和测试集分布不同，我们仍然能够利用这些信息。 我们假设验证集和测试...
Machine Learning Yearning20~22
sunyao_123的博客
08-26 259
1.即使是所有的数据都是相同的分布，训练数据越多也不一定会得到想象的提高。那么我们啥时决定增加数据呢？机器学习里边误差主要来源两个方面：bias 和variance。明白这两个概念能够帮助我们，是否是通过增加数据还是和其它策略一起来提高网络的效果。 比如我们现在的算法，在训练集和测试集的error分别为15%，16%，我们想要达到5%的error。这时增加数据会使得更难达到我们需要的结果。这时，...
Machine Learning Yearning47~49
sunyao_123的博客
08-26 250
1.端对端系统与非端对端系统。 非端对端： 缺点，会丢掉一些信息；对真实情况不能很好的近似，限制潜能。我们都确定每个步骤。 优点，手提特征比较具有鲁棒性；少量数据也可以。 端对端： 缺点，需要大量数据。 优点，数据足够的话，算法潜能非常大。...
Machine Learning Yearning23~27
sunyao_123的博客
05-11 255
1.如果有可避免的高的偏差（可避免是相对于人类的水平来说的），可以通过增加网络深度来解决。如果方差较高的话（过拟合），增加数据量。 2.现在有很多很棒的神经网络架构，尝试新的框架相较于增加网络模型和数据量具有高的不确定性。 3.增加模型的大小会减小bias，但是可能增加方差，也有过拟合的风险。但一般来说，这种过拟合是由于没有使用正则化。如果有一个设计不错的正则化模型，我们可以放心的增加模型大小...
Machine Learning Yearning15~19
sunyao_123的博客
05-08 222
1.如何进行错误分析呢？我们将错分类别做一个表。 横向是各种各样的error categories。观察多了，对比多了，就会想到各种的错误类别。然后通过这个表，来决定在哪方面投入精力。如上表，相对于狗这类，将方向放到Great cat或者Blurry更好。 2.如果发现被错分类别本身标签是错误的，那么我们需要考虑是否纠正这些错误的标签。这取决于这些标错的数据是否影响我们的判断。如果错分类里...
Machine Learning Yearning31~32
sunyao_123的博客
08-26 247
1.如果训练误差比较小，低于期望的误差，而验证误差却较高于寻来你误差，这时，bias较小，variance较大，增加训练数据也许能够减小验证误差和训练误差。但是，如果训练误差本来就比较大，而且验证误差更大，这时bias和variance都大，就得想办法同时减少bias和variance了。 2.在画学习曲线时，当样本很小时，根据数据集的不同情况，会出现学习曲线震动非常厉害的情况，比如都取了负样本...
Machine Learning Yearning28~30
sunyao_123的博客
05-17 740
1.通过画学习曲线来观察。学习曲线：横坐标是不同数量的训练样本，纵坐标是dev set的error。随着训练样本的增加，error降低。一般来说，我们有一个期望误差率，希望网络能够达到。比如：人类的误差率；直觉上任务应该达到的误差率；长期目标需要达到的误差率。 通过观察上述曲线，可以推断还需要多少训练样本才能达到期望误差率。但是如果误差曲线最后是平的： 那么，通过增加训练数据是不能够达...
Machine Learning Yearning40~43
sunyao_123的博客
08-26 215
1.当训练数据有两个分布数据，测试数据只有其中一个分布数据，这时后如果测试数据错误率比我们预期的要高，那么可以从以下方面进行检查：1，在训练数据效果不好，这时主要问题是训练数据分布的高的可以避免的bias的存在；2，如果训练集表现较好，但是对于和训练集具有相同分布的未见过的数据（此处不是验证集或者测试集）效果不好，那么是因为高的variance；3，如果训练集效果好，对于和训练集具有相同分布的未见...
精选资源
吴恩达-Machine Learning Yearning.pdf
09-15
吴恩达-Machine Learning Yearning.pdf 吴恩达的Machine Learning Yearning是一本关于机器学习策略的书籍，书中涵盖了机器学习的各个方面，从机器学习的策略到实现细节都有所涉及。下面是对书中所涉及的知识点的...
基于Python_Flask框架与MySQL_57数据库构建的轻量级企业级后台管理系统_集成用户权限管理_角色分配_数据可视化仪表盘_日志记录_文件上传下载_多模块CRUD操作_.zip
12-20
基于Python_Flask框架与MySQL_57数据库构建的轻量级企业级后台管理系统_集成用户权限管理_角色分配_数据可视化仪表盘_日志记录_文件上传下载_多模块CRUD操作_.zip
一个使用Python编程语言实现数据挖掘领域核心经典算法的综合性开源代码库与学习资源项目_该项目系统性地涵盖了从数据预处理到模型评估的完整数据挖掘流程包含决策树算法如ID3_C4.zip
12-20
一个使用Python编程语言实现数据挖掘领域核心经典算法的综合性开源代码库与学习资源项目_该项目系统性地涵盖了从数据预处理到模型评估的完整数据挖掘流程包含决策树算法如ID3_C4.zip
基于Vue.js与JavaScript的古籍文字检测识别系统源码及部署指南
12-20
**项目概述：** 本资源提供了一套采用Vue.js与JavaScript技术栈构建的古籍文献文字检测与识别系统的完整源代码及相关项目文档。当前系统版本为`v4.0+`，基于`vue-cli`脚手架工具开发。 **环境配置与运行指引：** 1. **获取项目文件**后，进入项目主目录。 2. 执行依赖安装命令： ```bash npm install ``` 若网络环境导致安装缓慢，可通过指定镜像源加速： ```bash npm install --registry=https://registry.npm.taobao.org ``` 3. 启动本地开发服务器： ```bash npm run dev ``` 启动后，可在浏览器中查看运行效果。 **构建与部署：** - 生成测试环境产物： ```bash npm run build:stage ``` - 生成生产环境优化版本： ```bash npm run build:prod ``` **辅助操作命令：** - 预览构建后效果： ```bash npm run preview ``` - 结合资源分析报告预览： ```bash npm run preview -- --report ``` - 代码质量检查与自动修复： ```bash npm run lint npm run lint -- --fix ``` **适用说明：** 本系统代码经过完整功能验证，运行稳定可靠。适用于计算机科学、人工智能、电子信息工程等相关专业的高校师生、研究人员及开发人员，可用于学术研究、课程实践、毕业设计或项目原型开发。使用者可在现有基础上进行功能扩展或定制修改，以满足特定应用场景需求。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
EI复现基于阶梯碳交易的含P2G-CCS耦合和燃气掺氢的虚拟电厂优化调度（Matlab代码实现）
12-20
【EI复现】基于阶梯碳交易的含P2G-CCS耦合和燃气掺氢的虚拟电厂优化调度（Matlab代码实现）内容概要：本文介绍了基于阶梯碳交易机制的虚拟电厂优化调度模型，重点研究了包含P2G-CCS（电转气-碳捕集与封存）耦合技术和燃气掺氢技术的综合能源系统在Matlab平台上的仿真与代码实现。该模型充分考虑碳排放约束与阶梯式碳交易成本，通过优化虚拟电厂内部多种能源设备的协同运行，提升能源利用效率并降低碳排放。文中详细阐述了系统架构、数学建模、目标函数构建（涵盖经济性与环保性）、约束条件处理及求解方法，并依托YALMIP工具包调用求解器进行实例验证，实现了科研级复现。此外，文档附带网盘资源链接，提供完整代码与相关资料支持进一步学习与拓展。; 适合人群：具备一定电力系统、优化理论及Matlab编程基础的研究生、科研人员或从事综合能源系统、低碳调度方向的工程技术人员；熟悉YALMIP和常用优化算法者更佳。; 使用场景及目标：①学习和复现EI级别关于虚拟电厂低碳优化调度的学术论文；②掌握P2G-CCS、燃气掺氢等新型低碳技术在电力系统中的建模与应用；③理解阶梯碳交易机制对调度决策的影响；④实践基于Matlab/YALMIP的混合整数线性规划或非线性规划问题建模与求解流程。; 阅读建议：建议结合提供的网盘资源，先通读文档理解整体思路，再逐步调试代码，重点关注模型构建与代码实现之间的映射关系；可尝试修改参数、结构或引入新的约束条件以深化理解并拓展应用场景。
【Ćuk转换器】Ćuk转换器将输入的直流电压转换为输出的直流电压，同时输出电压的极性相反（Simulink仿真实现）
最新发布
12-20
【Ćuk转换器】Ćuk转换器将输入的直流电压转换为输出的直流电压，同时输出电压的极性相反（Simulink仿真实现）
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