吴恩达笔记10_异常检测

吴恩达机器学习-10-异常检测 “黑中有白，白中有黑，没有绝对的白，也没有绝对的黑，黑可衬白，白可映黑。 八种无监督异常检测技术 基于统计的异常检测技术 MA滑动平均法 3—Sigma（拉依达准则） 基于密度的异常检测 基于聚类的异常检测 基于``K-Means`聚类的异常检测 One Class SVM

吴恩达DL笔记

这个课程啥也没讲，就用一个最简单的例子引出神经网络。下图所示ReLu激活函数，全称是rectified linear unit，后面还会出现一个其他的激活函数。

吴恩达团队新作！

转载自| 机器之心 本研究评估了先进多模态基础模型在 10 个数据集上的多样本上下文学习，揭示了持续的性能提升。批量查询显著降低了每个示例的延迟和推理成本而不牺牲性能。 基于此，斯坦福吴恩达团队的最新研究——ManyICL，主要评估了目前最先进的多模态基础模型在从少样本 (少于 100) 到多样本（最高至 2000）上下文学习中的表现。 数据集方面，研究团队在 10 个跨越不同领域（包括自然影像、医学影像、遥感影像和分子影像等）和任务（包括多分类、多标签分类和细粒度分类）的数据集上进行了广泛的实验。 基准数据集汇总。 总的来说，吴恩达团队的这项研究为多模态基础模型的应用开辟了新的路径，特别是在快速适应新任务和领域方面。

吴恩达《Machine Learning》精炼笔记 10：异常检测

八种无监督异常检测技术 基于统计的异常检测技术 MA滑动平均法 3—Sigma（拉依达准则） 基于密度的异常检测 基于聚类的异常检测 基于``K-Means`聚类的异常检测 One Class SVM

吴恩达机器学习IV

吴恩达机器学习IV 于2020年11月15日2020年11月15日由Sukuna发布 这一周只需要对两个函数进行更改就行了 第一题:实现神经网络的前后传播 function [J grad] = nnCostFunction %开始训练 a1=X %5000*25 %第一层开始训练了 %Theta1 25*401 z2=(Theta1 * [ones(m,1) a1]')'; a2=sigmoid(z2); %5000*10 / (2 * m) * (sum(sum(t1 .^ 2)) + sum(sum(t2 .^ 2))); J = J + regularization; %取非1的元素,平方求和 % 5000 x 10 x 25 %sigmoidGradient是之前写好的求导函数 %不包含第1列:全部为1 d2 = (d3 * Theta2(:, 2:end)) .* sigmoidGradient(z2); % 10

吴恩达：告别，大数据

吴恩达：目前还是存在可扩展性难题。相比NLP，CV需要的计算能力更强大。如果能生产出比现在高10倍性能的处理器，就能够非常轻松建立包含10倍视频数据的基础视觉模型。 吴恩达：我想是的。 在过去一年，我一直在讨论以数据为中心的AI，我遇到了和10年前一样的评价：“没有新意”，“这是个错误的方向”。 吴恩达：使用50张图片训练什么样的模型？是微调大模型，还是全新的模型？ 吴恩达：让我讲一下Landing AI的工作。 吴恩达：很有可能。有很多研究人员已经指出，有偏差的数据是导致系统出现偏差的众多因素之一。其实，在设计数据方面也已经有了很多努力。 所面临的挑战是，Landing AI 在不雇用10,000名机器学习专家的情况下，如何做到这一点？ IEEE：所以为了提高质量，必须授权用户自己进行模型训练？ 吴恩达：是的，完全正确！

吴恩达，新冠阳性

金磊 发自 凹非寺 量子位 | 公众号 QbitAI 就在刚刚，AI大牛吴恩达发布推文： 我的新冠病毒检测呈阳性。 吴恩达称其目前的症状类似于轻微流感，而且他此前是已经打过疫苗的，否则情况会更加糟糕。 除此之外，他还对防疫工作者表示了感谢。 AI大牛吴恩达 吴恩达（Andrew Ng）是斯坦福大学计算机科学系和电子工程系教授。 也是谷歌大脑的联合创始人和主管，曾担任过百度首席科学家。 而吴恩达最“家喻户晓”的工作，是通过他开发的神经网络，仅是看了一周的油管视频，便自主学会识别哪些是关于猫的视频。 这个案例可以说是为人工智能领域翻开崭新一页。 …… 最后，也正如许多网友在吴恩达推文下的留言，希望能够早日康复。

吴恩达被diss了

夏乙 岳排槐 发自 凹非寺 量子位 出品 | 公众号 QbitAI 吴恩达团队可能没想到突然被diss。 吴恩达Twitter一发，说得好像这个问题已经解决了一样，可是他们只找了4名放射科医师，略微超过了他们的平均成绩。 生物学家、医生、以及吴恩达的半个机器学习同行们对这条Twitter的不满，很大程度上也是因为吴恩达老师的学术地位和影响力。 与当年的洋洋洒洒、雷霆万钧相比，他这次对吴恩达的批评，应该算是“三和一少”的态度了。 而说马库斯，马库斯就到。 刚刚马库斯也出手参与了一下这件事，他又在Twitter上开炮： “过度炒作可能已经成了吴恩达的习惯，在影像诊断上，在汽车上，更普遍地说在AI上都是这样。” 关于未来 其实，放狠话的不仅仅是吴恩达。

吴恩达机器学习笔记

（1）Field of study that gives computers the ability to learn without being explicitly programmed 在没有显示编程的情况下，让计算机具有学习的能力

吴恩达 prompt 课程笔记

吴恩达 prompt 课程笔记 1. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 text = f""" You should express what you want 根据提供的文字是否能提取出步骤，如果能提取，按照格式输出步骤，不能则输出”无步骤提供“ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 text = f""" In 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

吴恩达机器学习II

吴恩达机器学习II 于2020年10月26日2020年10月26日由Sukuna发布 注意:X是一个 的矩阵,矩阵的第一列都是1!

吴恩达机器学习I

吴恩达机器学习I 于2020年10月20日2020年10月20日由Sukuna发布 第一题:WarmUp 让我们写一个函数返回一个单位阵 这真没啥好说的 function A = warmUpExercise % Save the cost J in every iteration J_history(iter) = computeCost(X, y, theta); end end 吴恩达给的代码里面出现了迭代

吴恩达机器学习III

吴恩达机器学习III 于2020年11月2日2020年11月2日由Sukuna发布 第一部分:多分类 X:是一个 维的矩阵,里面存的是m组数据集 第一题: 正则化的逻辑回归表达式 function [

吴恩达机器学习 - 正规函数

吴恩达机器学习笔记-4

偏斜类（skewed classes）问题，表现为训练集中有非常多的同一种类的实例，只有很少或没有其他类的实例。

吴恩达《 提示工程》学习笔记

吴恩达的《ChatGPT 提示工程》课程主要是分享使用大语言模型API来构建应用程序的一些可行性，以及如何构建的最佳实践。 问题： ``` 小明到烧烤店吃烧烤，肉串：5元/串，鸡翅: 10元/串，小明点了8串肉串，2串鸡翅。烧烤店有满100减5(优惠前金额超过100元可以使用）优惠活动。 请问小明需要支付多少钱。 问题： ``` 小明到烧烤店吃烧烤，肉串：5元/串，鸡翅: 10元/串，小明点了8串肉串，2串鸡翅。烧烤店有满100减5(优惠前金额超过100元可以使用）优惠活动。 请问小明需要支付多少钱。 ``` 学生答案： ``` 小明的总账单是：`5*8 + 10*2`，扣去满减金额，因此需要支付： 5*8 + 2*5  - 5  = 55元 ``` 你需要给出你的分析过程的计算结果。 response) 运行结果 (HelloPython) ➜  HelloChatGPT git:(main) ✗ python3 main.py 小明点了8串肉串，每串5元，共40元；点了2串鸡翅，每串10

吴恩达笔记8-KMeans

吴恩达机器学习-8-聚类和降维 本周的主要知识点是无监督学习中的两个重点：聚类和降维。 K-means算法过程 吴恩达视频的中的伪代码为 repeat { for i= to m # 计算每个样例属于的类 c(i) := index (from 1 to K) of cluster np.vstack((X[y == 0][:500], X[y == 1][:100], X[y == 2][:10

吴恩达机器学习笔记-5

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 reduction = U[:, :keep_dims] # 得到降维的结果 return np.matmul(x, reduction) x = np.random.uniform(size=(10 , 10)) pca(x).shape 异常检测 用途: 识别欺骗。

吴恩达机器学习笔记-2

又称为正则化参数（Regularization Parameter） 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 import numpy as np def mseWithRegular 给代价函数增加一个正则化的表达式，得到代价函数: image.png 代码实现: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 import numpy as np def

吴恩达机器学习笔记-1

通常可以考虑尝试些学习率： 0.01，0.03，0.1，0.3，1，3，10; 3倍增长 特征与多项式回归 如果我们采用多项式回归模型，在运行梯度下降算法前，特征缩放非常有必要。