吴恩达

年中回望与感想

天涯浪子 提交于 2020-01-30 09:00:12
2018年在学习的道路上走走停停,停停走走,始终没有坚持下来。非常惭愧。 通过自己发给自己微信小号的聊天记录,大概归纳一下2018年学习了些什么东西 3月 主要看了一些大学的MOOC课程 吉林大学人工智能公开课看到了第9讲左右,后来发现它和中国大学MOOC上北大王敏文的《 人工智能原理 》课程比较相似,于是放弃了吉大公开课,继续看北大版的 网易公开课上的麻省理工学院的Patrick教授的 人工智能 基础课在本月看到了第16集 腾讯课堂上找了一门人工智能(机器学习)实践课看了大概3集左右,最后一集是朴素贝叶斯之垃圾邮件过滤实战 3.26大概是去哪面试了失败了(写着今日铩羽而归),晚上重拾selenium的学习,搞到了27号凌晨1:45 3.29却到新到单位上班了,还用微信记录了从单位到家的公交上下车时间,那前面的铩羽而归又是什么意思? 本月有记录的学习日:16、17、18、20、21、23、26、27 共8天 4月 4月主要在看北大版的人工智能MOOC与MIT的人工智能课 8号晚上刷了很久的抖音 本月可能已经看完MIT的课程了,最后的记录是第18集已看完 本月有记录的学习日:5、7、15、18、30 共5天 5月 5月主要在学的课程是北大版的人工智能原理,另外看了一些《意志力》这本书中的内容 本月有记录的学习日:5、8、13、20、23、25、27、28、(24、29两天在读《意志力

吴恩达deep learning ai 笔记总结(1-1) 神经网络与深度学习-介绍

孤街浪徒 提交于 2020-01-29 06:43:34
文章目录 课程摘要 What is neural network Simple neural network Multiple neural network Supervised leaning for Nenural Network Structured and Unstructured data Why is Deep Learning taking off 深度学习过程 课程摘要 从这门课中我们可以学到: 神经网络和深度学习 提高神经网络:超参数调整,正则化,优化 构建你的机器学习项目 卷积神经网络 自然语言处理:建立RNN What is neural network 神经网络是由人类大脑启发的学习算法 下面通过房屋预测来了解神经网络 Simple neural network 房地产市场中, 当给定房屋的大小 ,想要通过一种 适合的函数 来 预测价格 这是一个线性回归(linear regression)问题,因为价格随着房屋大小的函数连续输出 价格不会是负数,所以使用一种叫做ReLU(Rectified Linear Unit)的函数,起点为0。 这个函数就是一个神经元(neural)。 这个神经网络构建如下。 一个简单的神经网络有三个要素: 输入:size 神经元:ReLU函数 输出:price 利用这个神经网络,给定一个输入 x ,即可得到一个输出 y。

吴恩达深度学习第二周作业

ぐ巨炮叔叔 提交于 2020-01-21 21:54:55
吴恩达深度学习第二周作业 终于把吴sir的代码从头到尾弄通了,由于pyplot版本更新问题,绘制scatter图时要求参数c 必须为一维数组,也就是y值要squeeze一下,在导入的planar_utils模块直接修改plot_boundary函数,修改后还要重新启动一下,消除之前的内存。。。否则还是不成功。 来源: CSDN 作者: weixin_45316967 链接: https://blog.csdn.net/weixin_45316967/article/details/104064699

吴恩达关于论文阅读的建议

那年仲夏 提交于 2020-01-20 22:24:06
本文总结了吴恩达在斯坦福大学CS230深度学习课程在YouTube上的演讲: 对职业发展的一些建议以及阅读研究论文的方法 Andrew提出的主要建议: 重视论文阅读:这是非常重要的技巧。当他试图在深度学习中掌握一个新主题时,他就会阅读科研论文。 具体的步骤是: 编写一份论文列表:尝试创建一份论文列表、包括你拥有的任何文本或学习资源。 过一遍列表:以一种并行的方式阅读论文,也就是同时处理多篇论文。具体地说,试着快速浏览并理解每一篇文章,而不是全部读完。也许你读了每一篇文章的10-20%,但这足以让你对手头的文章有一个高水平的理解。在那之后,你可能会决定删除其中的一些论文,或者只是浏览一两篇论文,把它们通读一遍。 他还提到,如果你读到: 5-20篇论文 (在选择的领域,比如语音识别)=>这可能是足够的知识,你可以实现一个语音识别系统,但可能不够研究或让你处于前沿。 50-100篇论文 =>你可能会对这个领域的应用(比如语音识别)有很好的理解。 如何读论文? 不要从头读到尾。相反,需要多次遍历论文,下面是具体如何做的: 阅读文章标题、摘要和图 :通过阅读文章标题、摘要、关键网络架构图,或许还有实验部分,你将能够对论文的概念有一个大致的了解。在深度学习中,有很多研究论文都是将整篇论文总结成一两个图形,而不需要费力地通读全文。 读介绍+结论+图+略过其他 :介绍

吴恩达深度学习笔记(deeplearning.ai)之循环神经网络(RNN)(一)

烂漫一生 提交于 2020-01-20 04:42:52
RNN 首先思考这样一个问题:在处理序列学习问题时,为什么不使用标准的神经网络(建立多个隐藏层得到最终的输出)解决,而是提出了RNN这一新概念? 标准神经网络如下图所示: 标准神经网络在解决序列问题时,存在两个问题: 难以解决每个训练样例子输入输出长度不同的情况,因为序列的长度代表着输入层、输出层的维度,不可能每训练一个样例就改变一次网络结构。 标准的神经网络不能共享从文本不同位置上学到的特征。举例说明:如果Harry作为人名位于一个训练例子中的第一个位置,而当Harry出现在其他例子的不同位置时,我们希望模型依然能识别其为人名,而不是只能识别位于第一个位置的Harry。 前向传播 以NLP中“命名实体识别“任务为例,序列中每一个输入字符对应一个输出,即 \(T_y=T_x\) : \(a^{<0>}\) 是初始的隐状态,一般置为零向量。 \(a^{<i>}\) 代表输入序列中第 \(i\) 个输入所隐含的信息,即时间步 \(i\) 的激活值。 \(x^{<i>}\) 代表输入序列中第i个字符,输入序列的长度为 \(T_x\) 。 \(\hat{y}^{<i>}\) 代表与 \(x^{<i>}\) 相对应的输出值。 RNN在进行前向传播时,不光考虑当前时刻的输入 \(x^{<i>}​\) ,也会考虑包含上一时刻的信息(激活值 \(a^{<i-1>}​\) )。计算公式如下: \[a

1.吴恩达深度学习第一周

梦想与她 提交于 2020-01-20 02:54:08
1.1 欢迎 深度学习改变了传统的互联网业务,例如网络搜索和广告。但是深度学习同时也使得许多产品和企业以很多方式帮助人们。从获得更好的健康关注:深度学习读取x光图像,到生活中的个性化教育,到精准化农业甚至到驾驶汽车和其他方面。如果你想用深度学习来做这些令人窒息的操作,我(吴老师)将帮助你做到这一点。学完这套课程之后,你将能更加自信的继续深度学习之路。AI让我们在接下来的十年中创造更好的社会和时代。 AI是最新的电力,在几百年前,我们社会的电气化改变了每个行业(医疗,交通等)。AI领域发展最为迅速的就是深度学习了。因此,现在深度学习是广受欢迎的一种技巧。这个课程会帮你获得这种技能。 这门课程中你会学到: 第一门课,神经网络和深度学习,第一部门中将会学习如何建立神经网络,包含一个深度神经网络,以及如何在数据上训练他们。最后,将会用神经网络辨认喵星人。 第二门课,深度学习方面的实践,提升你的深度学习网络。学习构建深度学习网络以及如何让他表现良好。将会学到:超参数调整,正则化,诊断偏差,方差以及一些高级优化算法(如momentum,adam)。 第三门课,将会用2周的时间,学习如何结构化你的机器学习工程,构建机器学习的策略改变了深度学习的错误。举个例子:分割数据的方式,分割为训练集,比较集或改变的验证集以及测试集合,在深度学习中贡献不同,影响很大,应该如何处理呢?如果你听说过

吴恩达ML课程笔记(Chapter13)

拜拜、爱过 提交于 2020-01-19 01:50:54
文章目录 Lesson13 13-2 k-means算法 13-3 优化目标 13-4 随机初始化 13-5选取聚类的数量 Lesson13 K:聚类的数量 c (i) :样本点x (i) 被分到的聚类的索引值 μ k :第k个聚类中心的位置 13-2 k-means算法 1.聚类算法:把无标记(non-label)的数据分成一簇一簇的算法 2.k-means算法: 我的另一篇博客 3.k-means算法也可以分类那些数据比较集中的数据集,比如像这样: 4.这里需要注意一点,大写K用来表示聚类/簇的数量,小写k用来表示1~K区间里的某一个数 13-3 优化目标 1.优化目标: c i :第i个点被分类到的聚类的索引 J(c (1) ,c (2) ,…c (m) ,μ 1 ,…,μ k )= 1 m \frac{1}{m} m 1 ​ ∑ i = 1 m x i 到 x i 被 分 类 到 的 聚 类 中 心 点 的 平 方 \sum_{i=1}^m{xi到xi被分类到的聚类中心点的平方} ∑ i = 1 m ​ x i 到 x i 被 分 类 到 的 聚 类 中 心 点 的 平 方 我们就是要找到这一套c和μ,使得上述J最小。K-means算法的第一步就是在找这套c,第二步就是找这套μ 13-4 随机初始化 1.首先需要注意,应该使K<m 2.随机选取聚类中心的方法

机器学习之线性回归

痞子三分冷 提交于 2020-01-18 08:11:21
主要是对吴恩达机器学习的视频来学习,学习了线性回归内容,总体进行复盘总结; 1、一元线性回归 回归模型是表示输入变量到输出变量之间映射的函数,回归问题等价于函数拟合,回归函数的求解最常用的代价函数是平方损失函数,平方损失函数可以用最小二乘法进行解决,本例中使用梯度下降法进行处理; 梯度下降法:优点:可以处理复杂的目标函数 缺点:如果代价函数不是凸函数,则容易得到局部最优解 学习率的选择,过小导致收敛速度慢,过大则会造成震荡 方法一:自己编写python代码实现 x = [ 1 , 2 , 3 , 4 , 5 , 6 ] y = [ 7 , 8 , 9 , 10 , 11 , 12 ] #x,y,数据,a 学习率,m迭代轮数 def linerRegre ( x , y , a , m ) : theta0 = 0 theta1 = 0 diff = [ 0 , 0 ] l = len ( x ) while m > 0 : for i in range ( l ) : diff [ 0 ] += theta0 + theta1 * x [ i ] - y [ i ] diff [ 1 ] += theta0 * x [ i ] + theta1 * x [ i ] * x [ i ] - x [ i ] * y [ i ] theta0 = theta0 - a / l *

机器学习原理视频

蹲街弑〆低调 提交于 2020-01-13 03:45:27
想自学机器学习和深度学习?不妨边看专家讲解视频边自学。不仅能感受世界各地专家的熏陶,也能快速获取知识,一举两得。这篇文章整理了一个 YouTube 视频列表,供希望在该领域学习的朋友使用。   视频观看建议   我将视频分为三类:机器学习、神经网络、深度学习。为方便起见,你可以使用我创建的列表按顺序学习。特别推荐初学者根据顺序学习,以更好地理解视频。   这套参考视频集需要时间消化,若觉得视频太多请根据需要调节每次的学习时长。视频长度从几分钟到几小时不等。我已写出每个视频的摘要,供读者查阅。   一、机器学习相关视频   1. 机器人和人工智能的未来(斯坦福大学,吴恩达)   原标题:The Future of Robotics and Artificial Intelligence   链接:https://www.youtube.com/watch?v=AY4ajbu_G3k&feature=youtu.be   时长:16 分钟 26 秒   总结:开启机器学习之旅最好的方法就是,莫过于听全世界最好的老师和专家讲课。斯坦福大学 的吴恩达在此讲述了自己幼时的梦想,创造一个可以像人类一样思考和工作的机器人,并改善千万人的生活。另外,他还探讨了人类大脑和使机器行为更类人的软件之间的相似性。   2. 吴恩达机器学习讲座系列   原标题:Lecture Collection |