吴恩达机器学习DAY-2（自用版）

最新推荐文章于 2025-06-01 14:50:26 发布
最新推荐文章于 2025-06-01 14:50:26 发布
阅读量503 收藏 2
点赞数 15
分类专栏： 吴恩达机器学习 文章标签： 机器学习 人工智能
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。
本文链接：https://blog.youkuaiyun.com/weixin_52591187/article/details/137454464
版权
本文介绍了无监督学习的两种关键应用：聚类算法如在新闻中的应用和基因数据分析，以及异常检测和降维技术，强调了无监督学习无需预设标签的特点。同时，与监督学习进行了对比，指出在客户分组中的价值。

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

2.4无监督学习Part-1

①例1：聚类算法Clustering：它将未标记的数据放入不同的集群中（图右）

ps：【聚类算法应用：谷歌新闻】— 寻找文章，找到提到相似词的文章并将他们分组到集群中，现在这些聚类算法会自行计算出哪些词暗示某些文章属于同一组

②例2：聚类算法：

·聚类遗传或DNA数据：颜色显示了不同个体具有或不具有特定基因活性的程度，运行聚类算法，可以把个体分组到不同的类别中。

·这是无监督学习是因为我们没有提前告诉算法，有一种人具有某些特征,让算法自动找出主要类型的个体，因为我们无法为算法提供正确答案。

③例3：客户分组：为了给客户提供更好的服务

④总结：

聚类算法是一种无监督算法，获取没有标签的数据并且尝试自动将他们分组到集群中

2.5无监督学习Part-2

①监督学习中：

数据同时带有输入x和输入标签y。无监督学习中：数据仅带有输入x而没有输出标签y。

②无监督学习可以分为以下三类：
聚类算法clustering异常检测anomaly detection降维dimensionality reduction
将相似的数据点组合在一起检测异常事件将一个大数据集压缩成小数据集，同时丢失尽可能少的东西
③question：答案：2&3

吴恩达机器学习Day-5（自用版）
weixin_52591187的博客
07-01 559
Objective目的：minimizeJ(w,b)
吴恩达机器学习DAY-3（自用版）
weixin_52591187的博客
04-14 1034
在分类模型中：只有少量可能的输出（ps：区分猫狗），因此存在一组离散的，有限的可能输出（predicts categories && small number of possible outputs）在这个未分级的实验中，您可以看到线性回归模型是如何在代码中定义的，并且您可以看到显示模型对给定w和b的选择的一些数据的拟合程度的图表。您还可以尝试不同的w和b值，看看它是否改善了对数据的拟合。f的工作是采用新的输入x和输出进行估计和预测y-hat（y-hat是对y的估计或预测，y指代真训练集中的真实值）；
吴恩达机器学习Day-4（自用版）
weixin_52591187的博客
04-30 454
J是衡量平方误差有多大的成本函数，因此选择最小化这些平方误差的w，使他们尽可能小，才能为我们提供一个好的模型。
吴恩达机器学习笔记DAY-6（自用版）
weixin_52591187的博客
07-02 1283
①梯度下降：不仅用于线性回归，还用于训练一些先进的神经网络模型，也被成为深度学习模型。②梯度下降是一种可用于尝试最小化任何函数的算法，不仅仅是最小化。线性回归的成本函数。③事实证明，梯度下降适用于更一般的函数，
吴恩达机器学习DAY-1（自用版）
weixin_52591187的博客
04-06 554
①Arthur Samuel：没有直接对问题进行显式编程的情况下，让 计算机拥有学习能⼒的研究领域（跳棋程序）（选B）②机器学习算法一般来说可以分为两大类：-监督学习（Supervised Learning）-使用较多，快速发展-无监督学习（Unsupervised Learning）
吴恩达机器学习笔记DAY-7（自用版）
weixin_52591187的博客
07-04 630
某些机器学习库可能在后端使用这种复杂方法求解w&b，但对于大多学习算法，梯度下降提供了更好的方法完成工作。参数：①向量w=[w1，w2，w3，...... wn]: 第i个训练示例（实际上是有各种因素的列表，比如下图中第二行方框）①回顾：之前更多的是一个特征x（例如房屋的大小->预测房屋的价格）速度慢（feature>10000）：第i个训练样例中的第j个特征（列表中的一个值）........卧室数量，层数，房屋年龄等。以前单维度：f（x）=wx+b。多元线性回归：f（x）=
吴恩达机器学习---自己的笔记（Day1-6）
qq_18601463的博客
10-15 282
Day1 机器学习： 有监督学习：有监督学习指的就是我们给学习算法一个数据集。这个数据集由“正确答案”组成。在房价的例子中，我们给了一系列房子的数据，我们给定数据集中每个样本的正确价格，即它们实际的售价然后运用学习算法，算出更多的正确答案。比如你朋友那个新房子的价格。用术语来讲，这叫做回归问题。我们试着推测出一个连续值的结果，即房子的价格。 回归这个词的意思是，我们在试着推测出这一系列连续值属性。 分类：分类指的是，我们试着推测出离散的输出值：0或1良性或恶性，而事实上在分类问题中，输出可能不止两个值。比如
8. 吴恩达机器学习课程-作业8-异常检测和推荐系统
wujing1_1的博客
02-22 781
fork了别人的项目，自己重新填写，我的代码如下 https://gitee.com/fakerlove/machine-learning/tree/master/code 代码原链接 文章目录8. 吴恩达机器学习课程-作业8-异常检测和推荐系统8.1 异常检测8.1.1 题目介绍8.1.2 可视化数据8.1.3 代码1) 高斯分布2) 估计高斯参数3) 选择阈值4) 高维数据集8.2 推荐系统8.2.1 题目介绍8.2.2 代码1) 协同过滤代价函数2) 协同过滤梯度3) 正规化的损失函数4) 检查梯
吴恩达机器学习笔记day2
qq_52817786的博客
06-05 298
此节用到了向量库numpy。
吴恩达老师机器学习课程--神经网络
qq_38908130的博客
01-07 443
一、为什么使用神经网络？ 复杂的非线性分类，决策边界很复杂 特征过多时，特征映射项非常多，计算成本高，容易过拟合，例如：图片的分类问题 二、神经元与大脑 起源：用来模拟大脑的算法 我们几乎可以将任何传感器接入大脑 主要学习将它应用于现代机器学习技术 三、神经网络结构及表达 神经网络模型：（逻辑单元） 组成单元：输入，隐藏层，权重，输出，如图所示 数学推导：ai(j)a_i^{(j)}ai(j)​为第j个激活层的第i个单元，θ(j)\theta^{(j)}θ(j)为从j层到j+1层的偏重 a1(
吴恩达机器学习Day4
CBBCSSSSS的博客
01-19 186
吴恩达机器学习笔记！
吴恩达老师机器学习课程--单变量线性回归（附练习题的python实现）
qq_38908130的博客
08-04 868
机器学习之单变量线性回归 吴恩达老师的coursera课程翻译版：https://www.bilibili.com/video/BV164411b7dx?p=5 参考github上大佬python实现算法的笔记：https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes 很经典的课程啦，这个翻译还可以，有不清楚的直接看英文。网上笔记很多，我也记录一下，记得牢固一点。 本章节学习的是监督学习两大类（回归问题、分类问题）中的回归问题。 一、模型描述 变量表示
吴恩达机器学习课后作业1.1——多变量线性回归（Linear regression with multiple variable）
weixin_46915208的博客
06-02 624
假设你要卖掉你的房子，你想知道一个好的市场价格是多少。其中一种方法是，首先收集最近出售的房屋的信息。在本部分的练习中，你将使用多元线性回归来预测房屋价格。
吴恩达机器学习课后作业1——单变量线性回归（Linear regression with one variable）
weixin_46915208的博客
06-02 976
假设你正在考虑在不同的城市开一家新店。该连锁店已经在各个城市开设了餐车，你可以获得这些城市的利润和人口数据。在本部分的练习中，您将透过这些数据，通过单变量实现线性回归，以预测餐车的利润。
PyTorch实战——基于生成对抗网络生成服饰图像
盼小辉丶的博客
06-01 451
我们已经学习了生成对抗网络 (Generative Adversarial Network, GAN) 的工作原理，接下来，将学习如何将其应用于生成其他形式的内容。在本节中，介绍使用 GAN 创建灰度图像，包括外套、衬衫、凉鞋等服饰，学习在设计生成器网络时如何镜像判别器网络。在本节中，生成器和判别器网络使用全连接层，全连接层的每个神经元都与前一层和后一层的所有神经元相连接。
【课堂笔记】生成对抗网络 Generative Adversarial Network（GAN）
最新发布
qq_40432278的博客
06-01 335
这样能够生成与真实数据分布相似的合成数据，用于数据增强；同时通过生成器和判别器的对抗训练，生成器学习到真实数据的概率分布，生成的样本更加逼真、细节丰富。一方面，许多机器学习任务需要大量标注数据，但真实数据可能稀缺或昂贵（如医学影像、稀有事件数据）。在上述推导中，对随机分布进行了期望积分，但实际操作过程中直接计算上述积分是不可行的，我们会采用。另一方面，传统生成模型（如变分自编码器VAE）生成的样本往往模糊或缺乏多样性，难以。（通常是正态或均匀分布），输出生成的假数据。这两个神经网络是对抗性的，生成器。
【SCI论文写作】机器学习与时间序列医疗健康预测
u012133341的博客
05-29 45
【摘要】机器学习在医疗健康时间序列预测中展现出巨大潜力，可应用于疾病进展预测、临床恶化预警和住院时长优化等领域。报告详细阐述了从数据获取到模型部署的全流程技术实现，重点分析了医疗时间序列数据的不规则性、高维性和信息性缺失等挑战，并提出了针对性预处理方法。在模型选择上，深度学习（LSTM、Transformer等）因其捕捉复杂时间依赖性的能力成为主流方案。报告特别强调了临床可解释性和伦理合规的重要性，指出成功系统需平衡技术性能与临床实用性。通过人机协作模式，这些预测模型有望提升医疗决策质量，但需解决数据质量、
AI赋能金融风控：基于机器学习的智能欺诈检测系统实战教程
m0_72958694的博客
05-28 528
在数字化转型浪潮中，金融欺诈手段呈现智能化、隐蔽化趋势。传统规则引擎已难以应对复杂多变的欺诈模式，而机器学习技术通过自动学习数据特征，正在重塑金融风控体系。本文将基于Python生态，以信用卡欺诈检测为切入点，完整展示从数据预处理到模型部署的全流程解决方案，重点解析Scikit-learn与XGBoost在异常检测中的协同应用，最终构建可实时预警的智能风控系统。
【SCI论文写作】机器学习与时间序列 脑电图(EEG)数据的机器学习预测模型：实现与优化
u012133341的博客
05-29 345
摘要 本文系统性地探讨了利用深度学习模型（如LSTM、Transformer）分析EEG信号进行状态监测（以睡眠分期为例）的优化策略。主要内容包括： 任务与数据：明确EEG状态监测任务（如睡眠阶段分类），介绍公开数据集（如Sleep-EDF）及输入数据形态（时频特征序列）。 模型架构：解析LSTM、GRU和Transformer的时序建模优势，提供PyTorch实现示例。 训练优化： 时序交叉验证：采用时间顺序分割、滚动窗口验证或按被试分组验证，避免数据泄露。 超参数调优：通过Optuna（贝叶斯优化）高效
吴恩达机器学习scikit-learn版本是什么
03-22
吴恩达的机器学习课程在早期版本中使用的scikit-learn版本通常是**0.15到0.17之间的版本**（对应课程发布时期约2013-2014年）[^2]。这一推断基于以下分析： 1. **课程时间背景** 吴恩达的Coursera机器学习课程最...
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