吴恩达机器学习笔记-2

代表逻辑函数（logistic function）, 是一个常用的逻辑函数为 S形函数（Sigmoid function），公式为： image.png python 代码实现sigmoid函数： 1 2 代价函数 逻辑回归的代价函数为： image.png 其中: image.png 代入代价函数: image.png 逻辑回归代价函数的Python代码实现： 1 2 3 4 5 6 7 8 接着，类似地第我们选择另一个类标记为 正向类（y=2），再将其它类都标记为负向类，将这个模型记作 ℎ(2)?(?) ,依此类推。 最大的 i，即 image.png 2-正则化 过拟合问题 就以多项式理解，x 的次数越高，拟合的越好，但相应的预测的能力就可能变差。 如何解决？ 丢弃一些不能帮助我们正确预测的特征。 experience_loss = lmd * np.sum(w ** 2) loss = (constrct_loss + experience_loss) / (2 * len(predict

吴恩达DL笔记

2 神经网络基础 以逻辑回归为例子。如果使用Java，遍历每一个数据可能需要for循环一个一个来，但是Python不然，可以直接进行矩阵计算，所以把所有的特征并成一列计算更方便。

吴恩达团队新作！

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。 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 end); t2 = Theta2(:, 2:end); regularization = lambda / (2 * m) * (sum(sum(t1 .^ 2)) + sum(sum(t2 .^ 2 = (d3 * Theta2(:, 2:end)) .* sigmoidGradient(z2); % 10 x 26 Theta2_grad %这里是求最后的梯度下降值 %偏差乘以原来的元素就是梯度下降值 a2_with_a0 = [ones(m, 1) a2]; D2 = d3' * a2_with_a0; Theta2_grad = D2 / m; %正则化,不对第一行处理,因为是bias量 regularization = lambda / m * [zeros(size(Theta2, 1), 1) Theta2(:, 2:end)]; Theta2_grad = Theta2_grad + regularization

吴恩达：告别，大数据

吴恩达：十年前，当我发起 Google Brain 项目，并使用 Google的计算基础设施构建“大”神经网络的时候，引起了很多争议。 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。 吴恩达：并非如此。比方说，智能手机上有许多不同类型的缺陷，如果要检测智能手机外壳的缺陷，那可能会是划痕、凹痕、坑痕、材料变色或者其它类型的瑕疵。

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

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 （2） measured by P, improves with experience E 对于一个程序，给它一个任务T和一个性能测量方法P，如果在经验E的影响下，P对T的测量结果得到了改进，那么就说该程序从E中学习 2 关于梯度下降和正规方程的优缺对比： Gradient Descent Normal Equation 需要选择合适的学习效率 不需要选择学习效率 需迭代 无需迭代 计算复杂度为O(kn2) 因为要计算XTX ...]; end 接着使用fminunc()函数 options = optimset('GradObj', 'on', 'MaxIter', 100); initialTheta = zeros(2,1 Use a model selection algorithm (studied later in the course). 2) Regularization Keep all the features

吴恩达 prompt 课程笔记

吴恩达 prompt 课程笔记 1. for Text 2:") print(response) 策略4: “Few-shot” prompting 给出少量的例子 1 2 3 4 5 6 7 8 9 10 11 12 print("\nCompletion for prompt 2:") print(response) 策略2: Instruct the model to work out its own solution Land cost: 100x 2. Solar panel cost: 250x 3. Issue 2.

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! *(ones(m, 1) - y)) / m +(lambda/(2*m)) * sum(theta(2:end).^2); grad(1) = (X(:, 1).' * (h - y)) /m; grad (2:end) = (X(:, 2:end).' * (h - y)) /m + (lambda/m) * theta(2:end); % =============================== ============================= end 这里主要区分了grad中1和2之间的区别,其他的和公式相差无二

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 f=X*theta; f=f-y; J=1/m/2*(f'*f); % ======================================================== % 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 theta = zeros(size(X, 2), 1); % ==================== YOUR CODE HERE ====================== % Instructions

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 [ *(ones(m, 1) - y)) / m +(lambda/(2*m)) * sum(theta(2:end).^2); grad(1) = (X(:, 1).' * (h - y)) /m; grad (2:end) = (X(:, 2:end).' * (h - y)) /m + (lambda/m) * theta(2:end); % ============================== 比如C=max(A,[],2),在矩阵中，第2维度表示列，第1维度表示行 max这个函数有两个输出，但是调用这个函数的程序只把第二个输出赋值给了p，不需要第一个输出，于是第一个输出就写成~ 第一个输出就是一个索引表 .'); X1 = [ones(size(X1), 1), X1]; % Add ones to the X1 data matrix [~, p] = max(X1 * Theta2.

吴恩达机器学习笔记2-简介1

根据吴老师的讲解，我们使用网络搜索、垃圾邮件的过滤这些都是机器学习在支撑，google或微软的机器学习算法为你筛选喜欢的网页或过滤垃圾邮件。 而对于吴老师，他希望有一天可以做出和人类一样聪明的机器来，这是一件非常激动人心又有点让人担忧的目标。但是，目前的研究进展离这一目标很挺遥远的。 吴老师最后还提到很多公司让他帮忙在斯坦福大学找一些毕业生，而这些职位中的大多数是机器学习相关的。也就是说，机器学习就业前景很好，学它准没错。

吴恩达机器学习 - 正规函数

theta = zeros(size(X, 2), 1); % ====================== YOUR CODE HERE ====================== % Instructions

吴恩达机器学习笔记-4

对于数据集中的每一个数据，按照距离 K个中心点的距离，将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类； 计算每一个组的平均值，将该组所关联的中心点移动到平均值的位置； 重复步骤 2- (2),…?(?)和 ?1,?2,…,??。 K-均值迭代算法 第一个循环(cluster assignment)是用于减小 ?(?) 这种模式下，它的畸变值会迅速下降，从 1 到 2，从 2 到 3 之后，你会在 3 的时候达到一个肘点。 在此之后，畸变值就下降的非常慢，我们就选这个转折点。

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。 2. ``` 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。 手机特性</h2>        

生物识别/人脸识别

               
• iOS 16的iPhone 以人民为中心的政绩观 2. 为民造福的使命担当 3.

吴恩达笔记2_梯度下降和正规方程

吴恩达机器学习-2-梯度下降与正规方程 第二周主要讲解的内容包含： 多维特征 多变量梯度下降 梯度下降法实践 正规方程 ---- 多维特征Multiple Features 还是利用房价模型的例子，增加了更多的特征 theta，求代价函数J import numpy as np def computeCost(X,y,theta): inner = np.power(((X * theta.T) - y), 2) # 求解每个平方项 return np.sum(inner) / (2 / len(X)) # 求和再除以2*len(X) 梯度下降法实践 特征缩放 面对多维度特征问题，我们需要保证这些特征具有相近的尺度 0.01, 0.03, 0.1, 0.31, 3,10 特征和多项式回归 如房价预测问题， h_{\theta}{(x)} = \theta_0+\theta_1 \cdot宽度 + \theta_2

吴恩达机器学习笔记 —— 2 单变量线性回归

第一章讲述了基本的机器学习的概念以及分类，这里从单变量的线性回归入手，吴恩达讲解了机器学习中的几个重要因素，如模型、损失函数、优化方法等 更多内容参考 机器学习&深度学习 首先以房价预测入手： 房子的面积

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。 规定：p\geq1，常用的距离计算公式有 当p=2时，即为欧式距离，比较常用，即： ? 当p=1时，即曼哈顿距离，即： ? 当p趋于无穷，为切比雪夫距离，它是各个坐标距离的最大值： ? 图解K-means 给定需要划分的数据，随机确定两个聚类中心点 计算其他数据和这两个中心点的距离，划入距离小的类中，假设两个类是C_1,C_2 确定上述步骤中两个类是C_1,C_2的均值，这个均值就是新的聚类中心 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 2, 2]) # 预测值的簇类 y_pred = KMeans(n_clusters=2, random_state=random_state).fit_predict(X) y_pred array

吴恩达机器学习笔记-5

2：是用英寸表示同一物体的长度。 这给了我们高度冗余表示，也许不是两个分开的特征 ?1 和 ?2 ，这两个基本的长度度量，我们可以减少数据到一维。 使用降维的方法将其降至 2 维，我们便可以将其可视化了。 2 。 2) , 则其概率密度函数为： 高斯分布的异常检测算法 对于每一个样本值，计算特征，并以此估算高斯分布中的? 和?2的估计值; 以此来绘制一个估计函数，在这个估计函数之外的值即异常值； 模型计算 ? 通常我们会令 b 在 2-100 之间。