ML:吴恩达 机器学习 课程笔记(Week7~8)

最新推荐文章于 2025-09-06 09:26:50 发布
转载 最新推荐文章于 2025-09-06 09:26:50 发布 · 104 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/mengnan/p/9307696.html
文章标签：

#人工智能

本文探讨了机器学习中的几个核心概念：支持向量机用于有监督学习，无监督学习的方法及其应用场景，还有降维技术如主成分分析等对于数据处理的重要性。
  • Support Vector Machines
  • Unsupervised Learning
  • Dimensionality Reduction

18353165.jpg
89369304.jpg
30943964.jpg
96037731.jpg
89787057.jpg
39170375.jpg
92435383.jpg
8348573.jpg
21008524.jpg
25437067.jpg
7019195.jpg

转载于:https://www.cnblogs.com/mengnan/p/9307696.html

吴恩达机器学习基础课程笔记
tjujackson的博客
03-06 1383
吴恩达机器学习2022笔记
吴恩达机器学习课后作业源码及笔记_机器学习_吴恩达_
10-01
今天，我们所要探讨的，是那些有幸参与了吴恩达机器学习课程的同学们所珍藏的宝贵资料——“吴恩达机器学习课后作业源码及笔记”。这份资料集作业解答和编程代码于一体，对于那些已经或正在学习吴恩达课程的朋友们来...
ML:吴恩达 机器学习 课程笔记(Week9~10)
weixin_30235225的博客
07-13 115
Anomaly Detection Recommender Systems Large Scale Machine Learning 转载于:https://www.cnblogs.com/mengnan/p/9307694.html
ML:吴恩达 机器学习 课程笔记(Week3~4)
weixin_30377461的博客
07-13 83
Logistic Regression Regularization Neural Networks: Representation 转载于:https://www.cnblogs.com/mengnan/p/9307703.html
吴恩达机器学习课程笔记week1
linjinshu1的博客
12-28 1701
有监督学习(Supervised learning)：实际应用中，有监督学习使用最广泛，并取得了最快速的进步和创新。Course1、Course2聚焦于有监督学习。无监督学习(Unsupervised learning)：Course3聚焦于无监督学习。强化学习(Reinforcement learning)：由于应用没有前两者广泛，所以本课程没有简单介绍。使用“学习算法”的实用建议（很重要）：“学习算法”本身只是一种工具，比工具本身更重要的是 如何正确使用这些工具。
吴恩达机器学习 Course2 week1学习笔记
linjinshu1的博客
01-28 797
TensorFlow是实现深度学习算法的框架之一，但目前国内最常使用PyTorch，但不用担心，两者代码几乎完全相同。安装TensorFlow 的CPU版本# 安装时会自动选择和Python环境匹配的版本安装TensorFlow-GPU版本，硬件最好为AMD显卡(N卡)。然后，配置好CUDA# 安装时会自动选择和Python环境匹配的版本注：从 TensorFlow 2.1 开始，包已经被合并到tensorflow包中。你只需要安装tensorflow，它会自动检测并利用 GPU。
ML:吴恩达 机器学习 课程笔记(Week1~2)
weixin_30729609的博客
07-13 91
吴恩达(Andrew Ng)机器学习课程：课程主页 由于博客编辑器有些不顺手，所有的课程笔记将全部以手写照片形式上传。有机会将在之后上传课程中各个ML算法实现的Octave版本。 Linear Regression with One Variable Linear Algebra Review Linear Regression with Multiple Variables Octave/Ma...
ML:吴恩达 机器学习 课程笔记(Week5~6)
weixin_30439131的博客
07-13 99
Neural Networks: Learning Advice for Applying Machine Learning Machine Learning System Design 转载于:https://www.cnblogs.com/mengnan/p/9307697.html
吴恩达机器学习入门笔记（Week 2）
m0_73835785的博客
07-05 822
分布范围，成本函数形状类似椭圆，利用梯度下降寻找最优解的过程越曲折。对两个特征进行特殊处理缩小分布范围之间的差异，有助于加快最优解的寻找过程。）分布范围越大，对应参数的分布范围越小。不同特征分布范围差异越大，成本函数的形状越不规则，寻找最优解所需时间也就越长。2、多变量线性回归模型(multiple linear regression)4、正规方程（Normal equation）成本函数形状（J）与特征范围之间的关系：特征（（3）迭代图（learning curve）3、多元线性回归矢量化梯度实现。
吴恩达机器学习入门笔记（Week 1）
m0_73835785的博客
06-27 1065
吴恩达机器学习入门笔记
matlab吴恩达代码-Andrew.Ng-ML-Study:吴恩达机器学习\深度学习，学习笔记和代码
05-26
coursera上也有吴恩达机器学习和深度学习对应课程。如果想写课后编程作业，强烈建议免费申请或购买对应的课程。 当初免费申请了coursera:深度学习的课程只做了week1到week3的作业就去忙期末了。没有做week4结果...
STM32传感器模块编程实践(十六)DIY人脸识别智能垃圾桶模型
光子物联
09-05 857
本文介绍了一种基于STM32单片机的人脸识别智能垃圾桶模型。该系统由STM32F103C8T6主控芯片、ASR-PRO语音交互模块、SG90舵机和人脸识别模块组成。语音模块用于验证口令，只有口令正确才能录入人脸；识别成功后舵机带动垃圾桶盖打开。控制流程包括人脸识别、语音交互和舵机驱动，通过串口指令实现人脸录入与识别。系统采用STM32CubeMX配置GPIO、PWM和串口参数，Keil5编写控制程序，最终实现人脸识别控制垃圾桶
AI驱动的软件测试：革命性的自动化、缺陷检测与实验优化
最新发布
zzywxc787的博客
09-06 480
人工智能（AI）和机器学习（ML）技术的融入，正在从根本上重塑软件测试的格局，将其从一种主要是手动的、重复性的任务转变为一种智能的、预测性的、且持续优化的过程。*说明：多臂老虎机算法（MAB）由于将更多流量分配给了更好的版本B，其累积回报（点击次数）的增长速度远快于传统A/B测试（固定50/50分流）。： 利用NLP技术（如文本分类）自动分析新提交的Bug报告的内容、标题和描述，将其自动分类（如“前端UI问题”、“后端API错误”），并推荐或分配给最合适的开发人员（基于谁修改了相关代码文件）。
怎么快速构建一个deep search模型呢
qq_57565004的博客
09-05 696
本文提出了一种快速构建具备深度信息检索能力的智能体系统（DeepSearch）的方法。该方法采用分阶段开发策略：首先基于RAG架构搭建基础检索链路，再通过LangChain框架整合大语言模型和搜索引擎API，赋予系统自主规划与迭代搜索能力，最终实现多源信息整合和结构化报告生成。技术选型上强调利用开源工具（如LangChain、ChromaDB）和预训练模型，通过"思考-检索-整合-迭代"的智能体工作流，高效构建可验证原型的核心功能。
机器学习基础-day03-机器学习中的线性回归
XZSSWJS的博客
09-04 941
初学小小白，个人笔记使用，仅供参考
机器学习从入门到精通 - 强化学习初探：Q-Learning到Deep Q-Network实战
THMAIL的博客
09-04 1373
本文介绍了强化学习从Q-Learning到Deep Q-Network(DQN)的进阶过程。首先阐述了强化学习的基本框架，包括Agent、Environment、State、Action和Reward的交互关系，以及马尔可夫决策过程(MDP)的核心假设。重点讲解了Q-Learning算法，详细推导了其基于贝尔曼方程的时间差分更新公式，并说明了ε-greedy策略在探索与利用之间的平衡作用。随后指出Q-Table在处理高维状态空间时的局限性，进而引入DQN解决方案。DQN采用神经网络作为函数逼近器，并依靠经验
SpringAI Alibaba Graph 流式对话
weixin_60523038的博客
09-03 421
SrpingAi Alibaba Graph实现流式对话，工作流，Graph工作流，代码工作流，流式
AI-调查研究-69-具身智能 关键能力全景解析：算法、硬件、仿真与数据的系统综述
永远好奇，无限进步！
09-04 1073
具身智能的发展依赖算法、硬件、仿真环境、嵌入式系统和数据处理的全方位支撑。智能算法是核心大脑，涵盖感知、认知和控制三层：感知侧通过视觉、听觉和多模态融合实现环境理解；认知层借助规划、强化学习与符号推理完成决策；控制层则确保精确动作执行，并结合端到端学习与混合智能架构优化性能。硬件作为“躯体”，包括高精度传感器、伺服驱动和异构计算平台，其性能直接决定智能水平。仿真环境提供安全高效的“数字训练场”，显著降低现实试错成本，支持大规模并行训练。嵌入式系统则构建从终端到云端的分层协同架构，保障实时性与稳定性。
Crush AI：终端里的新晋编码神器，快到飞起
berxtjkl的博客
09-03 842
如果你曾是Open Code的用户，那么Crush会让你倍感亲切。它由Open Code的核心开发者加入Charm团队后倾力打造，可以看作是一次彻底的重构和升华。最核心的变化在于，Crush完全由Go语言构建，这意味着它拥有了闪电般的原生性能和无与伦比的跨平台兼容性，无论是macOS、Linux还是Windows用户，都能享受到丝滑的体验。Crush目前仍处于早期发展阶段，缺少一些高级功能，比如自定义指令或复杂的规划模式。
吴恩达机器学习课程笔记：完整配套指南
吴恩达教授是机器学习和人工智能领域的知名专家，他所讲授的课程内容丰富，涵盖面广，非常适合初学者以及希望系统学习机器学习的读者。这份笔记可以作为学习过程中的重要参考，帮助读者更好地理解课程内容，加深记忆...
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