吴恩达专题

Andrew Ng 吴恩达的深度学习课程作业 TensorFlow Tutorial (TF2兼容)

使用TensorFlow 2.6.0版本改写TensorFlow 1的代码，使用TF2兼容TF1的API。 1 - Exploring the Tensorflow Library 1.1 导入相关库 import mathimport h5pyimport matplotlib.pyplot as pltimport numpy as npimport tensorflow as

吴恩达公开课笔记--第3单元第3周内容

目标检测是计算机视觉中急速发展的一个领域，它的效果随着这几年技术的发展也好了很多。 3.1目标定位为了建立目标检测，我们先学习目标对象的定位。之前我们已经介绍了图像分类，通过给你一张图像，能够给出图像中物体的类别。比如猫狗识别等。而目标定位是不仅要识别出物体的类别，同时也负责生成一个物体的边框。后面还会介绍目标检测，目标检测是需要对一张图像中多个物体全部检测出来并给出对应的类

吴恩达公开课笔记--第3单元第2周内容

2.1 为什么要进行实例探究在上一周，我们已经学习了组成神经网络模型的基础构件，如卷积层、池化层、全连接层等内容。本节课主要介绍在计算机视觉领域近些年发展过程中积累的优秀实例，通过实例能够了解学习如何对基础的构件进行组合。从而在以后自己做计算机视觉相关任务时能够有所启发。网络总览：经典的网络模型： LeNet-5AlexNetVGG 卷积残差网络： ResNet （152层的神

Poetry Camera照相机将照片转换成诗歌并打印出来；吴恩达新课程深入了解Mistral；科学研究AI小助手data-to-paper

✨ 1: Poetry Camera 将拍摄的照片转换成诗歌并打印出来 Poetry Camera——一个能够把它所见之物转化成诗歌并打印出来的相机。你在一个美丽的公园，或者是一个充满故事的老街道。只要用Poetry Camera拍下这一刻，它就能立刻给你一首关于这个场景的诗。 Poetry Camera的核心是一个Raspberry Pi Zero 2 W，这是一个小巧但功能强大的

【吴恩达机器学习-week2】多个变量的线性回归问题

文章目录 1.1 目标2 问题陈述2.1 包含我们示例的矩阵 X2.2 参数向量 w \mathbf{w} w 和 b b b 3 使用多个变量进行模型预测3.1 逐元素单独预测3.2 单一预测，向量 4 使用多个变量计算成本5 使用多个变量的梯度下降5.1 使用多个变量计算梯度多个变量的梯度下降小结在这个实验中，你将扩展数据结构和之前开发的程序，以支持多个特征。一些程序

Coursera吴恩达深度学习专项课程01: Neural Networks and Deep Learning 学习笔记 Week 03

Neural Networks and Deep Learning Course Certificate 本文是学习 https://www.coursera.org/learn/neural-networks-deep-learning 这门课的笔记 Course Intro 文章目录 Neural Networks and Deep LearningWeek 03: Sh

deeplearning.ai 吴恩达网上课程学习（八）——深层神经网络分类代码实战

本文将学习如何利用Python的来实现多个隐藏层的图片分类问题：用两层和多层神经网络实现是否是猫图片的分类。本文的实践平台是Linux，Python3.4，基础库anaconda和spyder，参考文章的实现平台是jupyter notebook：多层神经网络代码实战理论知识学习请参看上篇：deeplearning.ai 吴恩达网上课程学习（七）——深层神经网络理论学习 1. 流程概

deeplearning.ai 吴恩达网上课程学习（七）——深层神经网络理论学习

本文主要来对浅层神经网络进行扩展，来了解深层神经网络的基本原理。本文参考链接：https://www.missshi.cn/api/view/blog/59a6ad67e519f50d040000e6 1.概念初识： Logistic回归：一个隐藏层的神经网络：五个隐藏层的神经网络：深层神经网络主要是指的包含的隐藏层的深度。神经网络的层数越多，可以拟合的场景越复

deeplearning.ai 吴恩达网上课程学习（六）——浅层神经网络分类代码实战

本文将学习如何利用Python的来实现具有一个隐藏层的平面数据分类问题。本文的实践平台是Linux，Python3.4，基础库anaconda和spyder，参考文章的实现平台是jupyter notebook：具有一个隐藏层的平面数据分类代码实战理论知识学习请参看上篇deeplearning.ai 吴恩达网上课程学习（五）——浅层神经网络理论学习目的：将创建的“花状”数据集分类

deeplearning.ai 吴恩达网上课程学习（四）——Logistic代码实战，基于Linux，Python 3.4

此文章偏向于实践和自己的理解，本文讲述了Python代码的一些基本操作，由浅入深最后实现logistic的代码。(原文中代码实现基于jupyter notebook，文中代码实现基于之前搭建的Linux的Python平台，二者代码会有细小的区别。搭建平台的链接深度学习（一）：搭建TensorFlow) 原创内容来自： https://www.missshi.cn/api/view/blog

deeplearning.ai 吴恩达网上课程学习（三）——Python矢量化实现神经网络

本文主要讲述了矢量化和广播，在Python编程过程中提高了运行速度，中间讲述了Logistic回归中的矢量化表示。 (原文中代码实现基于jupyter notebook，文中代码实现基于之前搭建的Linux的TensorFlow平台，二者代码会有细小的区别，如果使用的是TensorFlow平台可使用本文的代码）矢量化：在大数据情况下能有效提高运行速度。 example 1：向量*向

deeplearning.ai 吴恩达网上课程学习（二）——神经网络基础

举一个逻辑回归的例子讲解神经网络的训练过程中为什么会用到前向传播和反向传播，以及前向传播与反向传播表示的含义。问题：给你一副图片，你需要判断这副图片中的内容是不是猫。如果是猫的话，输出为1，否则输出为0。我们用x表示输入图像，用y表示输出的标签。表示输入图像：输入图像是个RGB猫图像。数学符号：回顾一下逻辑回归：前边也讲过：机器学习（六）：CS229ML课程笔记

deeplearning.ai 吴恩达网上课程学习

CS229比较注重理论的研究：参看CS229吴恩达斯坦福机器学习课程总结而网易云的吴恩达deeplearning.ai更加注重编程的学习，让我们带着之前的理论知识和搭建好的平台一起进行下一步的学习吧~ 课程概要：在第一课中，你将会了解神经网络的基础：什么是神经网络和深度学习。也就是我们课程的第一部分第一周的内容。整套课程包含五个部分，每个部分通常需要两到四周。在第一部分中，我们将学习如何

吴恩达机器学习笔记：第 9 周-17大规模机器学习(Large Scale Machine Learning)17.3-17.4

目录第 9 周 17、大规模机器学习(Large Scale Machine Learning)17.3 小批量梯度下降17.4 随机梯度下降收敛第 9 周 17、大规模机器学习(Large Scale Machine Learning) 17.3 小批量梯度下降小批量梯度下降算法是介于批量梯度下降算法和随机梯度下降算法之间的算法，每计算常数𝑏次训练实例，便更新一

吴恩达机器学习笔记：第 9 周-16推荐系统(Recommender Systems) 16.3-16.4

目录第 9 周 16、推荐系统(Recommender Systems)16.3 协同过滤16.4 协同过滤算法第 9 周 16、推荐系统(Recommender Systems) 16.3 协同过滤在之前的基于内容的推荐系统中，对于每一部电影，我们都掌握了可用的特征，使用这些特征训练出了每一个用户的参数。相反地，如果我们拥有用户的参数，我们可以学习得出电影的特征。

吴恩达机器学习笔记：第 9 周-16推荐系统(Recommender Systems) 16.5-16.6

目录第 9 周 16、推荐系统(Recommender Systems)16.5 向量化：低秩矩阵分解16.6 推行工作上的细节：均值归一化第 9 周 16、推荐系统(Recommender Systems) 16.5 向量化：低秩矩阵分解在上几节视频中，我们谈到了协同过滤算法，本节视频中我将会讲到有关该算法的向量化实现，以及说说有关该算法你可以做的其他事情。举

【DeepLearning.AI】吴恩达系列课程——使用ChatGPT API构建系统（持续更新中——）

目录前言一、Language Models, the Chat Format and Tokens（LLM，交互形式）1-1、加载api-key1-2、使用辅助函数（即指令调整LLM）1-2、使用辅助函数（聊天格式）1-3、辅助函数修改（输出字节数）1-4、辅助函数修改（添加历史）二、Evaluate Inputs: Classification（对输入进行分类）2-1、加载api-ke

吴恩达深度学习笔记：深度学习的实践层面 (Practical aspects of Deep Learning)1.13-1.14

目录第二门课: 改善深层神经网络：超参数调试、正则化以及优化 (Improving Deep Neural Networks:Hyperparameter tuning, Regularization and Optimization)第一周：深度学习的实践层面 (Practical aspects of Deep Learning)1.13 梯度检验（Gradient ch

吴恩达2022机器学习专项课程C2（高级学习算法）W1（神经网络）：2.1神经元与大脑

目录神经网络1.初始动机*2.发展历史3.深度学习*4.应用历程生物神经元1.基本功能2.神经元的互动方式3.信号传递与思维形成4.神经网络的形成生物神经元简化1.生物神经元的结构2.信号传递过程3.生物学术语与人工神经网络人工神经元*1.模型简化2.人工神经网络的构建3.计算和输入人工神经元vs生物神经元1.人脑知识的局限性2.深度学习的研究方向* 神经网络兴起的原因*1.历史背

吴恩达机器学习笔记三十七电影推荐系统使用特征成本函数协同过滤算法

以电影评分系统为例，令 r(i, j) 来表示用户 j 已经对电影 i 评分， y（i, j）表示评分具体是多少。假如每部电影有自己的特征，那么用户 j 对电影 i 的评分预测为 w(j) * x(i) + b(j) r(i, j) ：一个用户 j 是否对电影 i 进行了评分， 1 为已评 y(i, j)：用户 j 对电影 i 的评分 w(j) b(j)：用户 j 的参数

吴恩达2022机器学习专项课程(一）8.2 解决过拟合

目录解决过拟合（一）：增加数据解决过拟合（二）：减少特征特征选择缺点解决过拟合（三）：正则化总结解决过拟合（一）：增加数据收集更多训练数据，是解决过拟合的首要方法。解决过拟合（二）：减少特征如果收集不到更到的训练数据，则看看是否可以使用更少的特征，我们需要特征选择。特征选择选择合适的特征集，具体做法是根据直觉，保留你认为最有用的特征（课程专项第二部分会细

吴恩达深度学习笔记：深度学习的实践层面 (Practical aspects of Deep Learning)1.11-1.12

目录第二门课: 改善深层神经网络：超参数调试、正则化以及优化 (Improving Deep Neural Networks:Hyperparameter tuning, Regularization and Optimization)第一周：深度学习的实践层面 (Practical aspects of Deep Learning)1.11 神经网络的权重初始化（Weigh

吴恩达机器学习笔记：第 9 周-15 异常检测(Anomaly Detection) 15.1-15.2

目录第 9 周 15、异常检测(Anomaly Detection)15.1 问题的动机15.2 高斯分布第 9 周 15、异常检测(Anomaly Detection) 15.1 问题的动机在接下来的一系列视频中，我将向大家介绍异常检测(Anomaly detection)问题。这是机器学习算法的一个常见应用。这种算法的一个有趣之处在于：它虽然主要用于非监督学习问

吴恩达2022机器学习专项课程(一） 6.2 逻辑回归第三周课后实验：Lab2逻辑回归

问题预览/关键词逻辑回归预测分类创建逻辑回归算法Sigmoid函数Sigmoid函数的表示sigmoid输出的结果Numpy计算指数的方法实验python实现sigmoid函数打印输入的z值和sigmoid计算的值可视化z值和sigmoid的值添加更多数据，使用逻辑回归可以正常预测分类![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/36c29

吴恩达2022机器学习专项课程(一） 7.1 逻辑回归的成本函数第三周课后实验：Lab4逻辑回归的损失函数

问题预览/关键词上节课回顾逻辑回归模型使用线性回归模型的平方误差成本函数单个训练样本的损失损失函数，成本函数，代价函数的区别线性回归损失函数和逻辑回归损失函数的区别逻辑回归模型的成本函数是什么？逻辑回归模型的损失函数实验逻辑回归模型使用平方误差成本函数可视化y=1和y=0时的损失函数逻辑回归模型的损失函数新形式可视化新损失函数的成本函数总结上节课回顾上节课的决策边界是通过

我从吴恩达AI For Everyone中学到的十个重要AI观

作者：NewBeeNLP 本文约3500字，建议阅读10分钟本文作者与你分享吴恩达课中最值得记住的10个AI观，希望能让你学到些东西。写在前面 [ 导读 ]在这个人机共存的年代，每个人都应该去尝试了解并运用人工智慧这个超能力，思考自己未来在这个变化快速的世界的定位。曾经领导Google Brain的吴恩达教授公开的Coursera课程：AI For Everyone[1]非常有意义。这堂课