墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
211平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
❀逻辑斯蒂回归的代价函数
m是样本个数
x^(i)是第i个样本的值
h(x^(i))是第i个样本的输出值(分到第1类的概率)
❀神经网络的代价函数
h(x)是个K维向量，表示分K类的结果
h(x)k表示输出向量的第k个值
h(x^(i))k表示第i个样本的输出结果的第k个值
i从1到m表示m个样本
k从1到K表示分K类
❀神经网络的正则化项
l表示神经网络层数
Sl表示 第l层神经网络的节点个数
i 从1到 Sl 表示第 l层节点数
j 从1到 Sl+1 表示第l+1层节点数
θji 表示 对 本层(l层) xi输出值 应乘的系数 来作为下一个层第j个节点输出值的一部分
我们需要找出θ，极小化代价函数
那么就需要把代价函数J对θji^(l)求偏导
假设我们只有1个训练样本
前向传播：就是输出第一层的激活值，然后计算第二层的值……直到最后一层
反向传播
原理：求导链式法则
2026版机器学习数学基础：线性代数、概率论、微积分系统课程
机器学习数学基础是理解算法原理和进行模型优化的核心支撑，涉及线性代数、概率论和微积分三大支柱。线性代数通过矩阵运算处理数据变换，为神经网络前向传播提供数学语言；概率论基于贝叶斯定理等原理构建不确定性模型，支撑分类算法的推理过程；微积分运用梯度下降等优化技术指导参数学习方向。这些数学工具的技术价值在于建立理论到实践的桥梁，避免仅停留在调包层面的应用瓶颈。在机器学习应用场景中，矩阵分解直接关联推荐系统协同过滤，概率分布应用于朴素贝叶斯分类器实现，梯度计算贯穿神经网络反向传播全过程。本课程针对机器学习实践中的数学
【吴恩达机器学习】章节10 神经网络参数的反向传播算法
目录: + 代价函数 + 反向传播算法 + 使用注意(展开参数，梯度检测，随机初始化，组合到一起） + 无人驾驶 谈论一个学习算法在给定训练集时为神经网络拟合参数 一·代价函数 二·反向传播算法 为了计算导数项，采用反向传播算法(1个训练样本) 细节 项是代价函数关于这些所计算出的中间项的偏导数，它们衡量的是为了影响这...
斯坦福CS229机器学习课程：中英字幕资源与高效学习路径全解析
机器学习作为人工智能的核心技术，其基础原理在于通过算法从数据中学习规律并做出预测或决策。核心概念如监督学习、无监督学习和深度学习，分别对应着有标签数据下的模式识别、无标签数据中的结构发现以及多层神经网络的复杂函数拟合。其技术价值在于能够自动化解决分类、回归、聚类等复杂任务，显著提升数据分析和决策的智能化水平。应用场景广泛覆盖推荐系统、计算机视觉、自然语言处理等领域。本文聚焦于斯坦福大学经典的CS229《机器学习》课程，该课程以其严谨的数学推导和系统的知识体系著称。针对中文学习者在语言和资料获取上的障碍，本文
吴恩达机器学习 - 神经网络的反向传播算法
题目链接：点击打开链接 笔记： 因为这一部分的内容确实难度比较大，所以我准备按最后一页笔记的思路一点一点的写出实现的思路和我的想法。 首先让数据可视化 执行代码 load('ex4data1.mat'); m = size(X, 1); sel = randperm(size(X, 1)); %乱序后随机选择100组数据进行展示 sel = se...
机器学习入门路径：经典AI算法与编程实战，三个月建立知识框架
机器学习学习常陷入碎片化困境，真正的入门关键在于理解经典AI算法原理并配合编程实战。逻辑回归、决策树、支持向量机等经典算法虽不追逐热点，却是工业界落地的基石，也是理解深度学习概念的桥梁。通过统一分析框架拆解算法本质、从零手写实现核心代码，再配合正确的环境搭建与数据预处理，即可快速建立完整知识地图。掌握混淆矩阵、交叉验证等评估手段，避免过拟合陷阱，配合基线模型、网格搜索调优策略，就能根据业务场景灵活选型。从鸢尾花分类到Kaggle竞赛，完整跑通数据加载、特征工程、模型训练、评估的流程，才是从“看过”到“会做”
机器学习书单推荐：2022年硬核实操验证的阶梯式学习指南
机器学习入门与进阶的核心挑战在于理论、代码与业务落地的断层。理解损失函数、梯度下降等基础概念是起点，但真正掌握需深入其数学原理与工程实现的映射关系；技术价值体现在能否将公式转化为可调试、可复现、可解释的代码逻辑；典型应用场景覆盖电商销量预测、医疗影像分析、金融风控建模及自动驾驶感知优化。本文聚焦‘认知阶梯’模型，围绕Hands-On Machine Learning、Deep Learning（Goodfellow）、Neural Networks and Deep Learning（Nielsen）和In
吴恩达机器学习CS229A_EX4_神经网络与反向传播算法_Python3
神经网络与反向传播算法 数据集依然是手写数字。 导入并初始化数据，这里用了 sklearn 的库函数用于生产原始 label 对应 NN 的输出形式： import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy.io import loadmat from sklearn.preproc...
吴恩达深度学习专项课程第一门课第四周编程实践
深度学习是人工智能领域中的一种机器学习方法，它通过模拟人脑的神经网络结构，实现了复杂数据的特征提取和模式识别。不同于传统的机器学习，深度学习能自动从数据中学习特征，减少了特征工程的需要，适合处理大规模、高维度的数据集。
coursera-斯坦福-机器学习-吴恩达-第5周笔记-反向传播
coursera-斯坦福-机器学习-吴恩达-第5周笔记-反向传播 1代价函数and反向传播 1代价函数 2误差反向传播 3直观感受反向传播 2神经网络的技巧 1参数的展开 2梯度检验 Gradient Checking 3随机初始化参数 4总结神经网络 3神经网络的应用 4测验quiz 5编程题 $$1代价函数and反向传播1.1代价函
深度前馈神经网络手推指南：从感知机到反向传播的完整数学实现
深度前馈神经网络是机器学习中理解模型可解释性与梯度计算原理的基础范式。其核心在于前馈过程的确定性映射与反向传播的链式法则耦合，本质是通过多层非线性变换提升表达能力，解决单层感知机无法处理XOR等线性不可分问题的局限。技术价值体现在参数可验证、梯度可追踪、中间变量可调试，支撑模型鲁棒训练与故障定位。典型应用场景包括二分类建模、教学实验验证及框架底层原理剖析。本文聚焦深度前馈神经网络和反向传播两大热词，以纯NumPy手推实现为线索，系统还原从输入到损失、再回传至每层权重的完整计算链。
Zemax操作16--激光谐振腔（含晶体）
谐振腔（含晶体）
0.0 Introduction-机器学习笔记-斯坦福吴恩达教授
搬运出处：原链接 斯坦福学习笔记 本书为斯坦福吴恩达教授的在 coursera 上的机器学习公开课的知识笔记，涵盖了大部分课上涉及到的知识点和内容，因为篇幅有限，部分公式的推导没有记录在案，但推荐大家还是在草稿本上演算一遍，加深印象，知其然还要知其所以然。 本书涉及到的程序代码均放在了我个人的 github 上，采用了 python 实现，大部分代码都是相关学习算法的完整实现和测试。我没有放这门课...
从零到一：基于Blazor和Elsa Workflows的工作流系统开发实战
本文详细介绍了如何利用Blazor和Elsa Workflows构建高效的工作流系统，从技术选型到生产环境部署，涵盖动态工作流建模、Blazor前端集成及性能优化等核心内容。通过实战案例，展示如何实现订单处理系统的自动化与灵活性，提升企业流程效率。
吴恩达机器学习课程：完全用Python完成，可以的！（附代码）
源 / 新智元“吴恩达的Coursera机器学习课程可以完全用Python完成！”这是Reddit论坛的机器学习看板出现一条热帖。可以说，吴恩达（Andrew Ng）的机...
基于STM32的智能火灾报警系统设计：多传感器融合与远程控制实现
本文详细介绍基于STM32单片机的智能火灾报警系统设计，采用多传感器融合技术（烟雾、温度、火焰检测）实现高精度火灾识别。系统集成远程控制与手机APP监控，通过加权决策算法降低误报率，提供多级响应策略，确保火灾预警的准确性与可靠性。
国科大学习资料--计算机视觉（胡占义、董秋雷）--2018-2019第二学期期末试卷
国科大学习资料–计算机视觉（胡占义、董秋雷）–2018-2019第二学期期末试卷 国科大学习资料–计算机视觉（胡占义、董秋雷）–2018-2019第二学期期末试卷 国科大学习资料–计算机视觉（胡占义、董秋雷）–2018-2019第二学期期末试卷 ...
斯坦福 机器学习课程汇总
斯坦福 机器学习课程汇总 以下内容来自：http://studyai.site/ 前言 首先感谢吴恩达建立Coursera这样一个优秀的在线学习平台，以及他发布在这个平台上的机器学习课程。 这门课程将整个机器学习领域的基础知识，用浅显易懂的方式，深入浅出的进行了介绍。使得一个拥有高中数学知识的学生也能听得明白。 如果你想要涉足机器学习、人工智能领域，或者对这一领域有浓厚的兴趣想要深入了解...
深度学习实战35-图卷积神经网络GCN模型的搭建与应用
大家好，我是微学AI，今天给大家介绍一下深度学习实战35-图卷积神经网络GCN模型的搭建与应用，GCN是一种用于处理图结构数据的深度学习模型，它可以捕捉节点之间的拓扑关系和局部特征，并进行图级别的预测和分类任务。下面将介绍如何搭建并应用GCN模型。
斯坦福机器学习课程汇总
斯坦福机器学习课程汇总 以下内容来自：http://studyai.site/ 前言首先感谢吴恩达建立Coursera这样一个优秀的在线学习平台，以及他发布在这个平台上的机器学习课程。 这门课程将整个机器学习领域的基础知识，用浅显易懂的方式，深入浅出的进行了介绍。使得一个拥有高中数学知识的学生也能听得明白。 如果你想要涉足机器学习、人工智能...
[机器学习] 第二章 模型评估与选择 2.ROC：roc_curve原理及源代码详解
代码见：https://github.com/Carrie-Yi/machine_learning/tree/main/roc_curve
解决anaconda占用C盘空间过多问题
anaconda就算安装在其他盘，默认会把索引、锁定文件、压缩包等都放到系统盘(C盘)，我用了两年，占用30GB。 1. 卸载不用的虚拟环境 查看已安装的虚拟环境 conda env list 卸载不用的、过期的虚拟环境 conda remove -n (要卸载的环境的名字) --all 2. 删除索引缓存、锁定文件、未使用过的包和tar包 conda clean -a 清理完之后，删除了15GB，还剩15GB，舒服了 ...
AI入门指南：四位大牛课程构建机器学习到深度学习完整路径
机器学习作为人工智能的核心技术，通过算法让计算机从数据中学习规律。其基本原理涉及特征提取、模型训练和预测推理，其中梯度下降等优化算法是关键。深度学习作为机器学习的延伸，利用神经网络模拟人脑处理复杂模式，在图像识别、自然语言处理等领域展现出强大能力。PyTorch框架凭借动态计算图和易用性，成为深度学习实践的重要工具。计算机视觉作为AI的热门应用方向，通过卷积神经网络实现图像分类、目标检测等任务。本文基于李宏毅、吴恩达、李飞飞、李沐四位专家的经典课程，系统梳理从机器学习基础到深度学习实战的学习路径，帮助初学者
RedCap：一种通信技术的概述
总结起来，RedCap是一种基于数据包交换的通信技术，它提供了一种高效、可靠的数据传输机制。通过使用RedCap，我们可以轻松地发送和接收数据包，并确保数据的完整性和正确性。在上面的示例中，我们首先导入了RedCap库，并创建了一个RedCap实例。然后，我们定义了目标地址和源地址，并创建了一个数据包，其中包含了目标地址、源地址和要发送的数据。本文将介绍RedCap的基本原理和使用方法，并提供一些相关的源代码示例。RedCap还提供了其他一些功能，如数据包的重传机制、流量控制和拥塞控制等。
西瓜书机器学习自学笔记：构建知识地图与学习导航系统
机器学习领域知识庞杂，初学者容易陷入碎片化学习，缺乏系统定位。原理上，构建知识地图能帮助学习者明确当前进度、前置依赖与后续方向，提升学习效率。技术价值在于，通过模块化笔记、符号约定和推导补全，将经典教材如周志华《机器学习》（西瓜书）中的算法体系（SVM、神经网络、决策树等）串联起来，形成可复用、可检索的知识单元。应用场景上，这种体系化方法适用于自学、期末复习、算法岗面试准备以及实际项目中的快速查漏补缺。本文围绕西瓜书配套笔记的目录导航设计，分享如何利用知识地图组织学习路径，解决“学完就散”的痛点。
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
斯坦福CS229机器学习课程2026版：中文字幕与课件资源高效学习指南
机器学习作为人工智能的核心分支，其基础理论是理解现代算法模型的关键。从监督学习到无监督学习，其原理建立在统计学与优化理论之上，通过算法从数据中自动学习规律，为预测与决策提供支持。这一技术价值在于将数据转化为可行动的洞察，广泛应用于推荐系统、计算机视觉、自然语言处理等领域。对于希望系统掌握机器学习核心的学习者，斯坦福CS229课程提供了从线性回归到前沿模型的完整知识体系。本文聚焦于该课程2026年夏季最新版本，其配套的**中文字幕**和**官方课件**极大降低了学习门槛，并提供了从资源获取、学习路径规划到实践
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
CS 自学指南硬核筑基之选：CMU 11-785 Introduction to Deep Learning 深度学习系统入门路线解读
CMU 11-785（Introduction to Deep Learning）是 [CS 自学指南](https://gitcode.com/GitHub_Trending/cs/cs-self-learning/blob/adce8e13789dc16aa6d1fbe163e9541736defae4/README.md?utm_source=gitcode_repo_files) 深度学习
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
644
扫一扫
