吴恩达

最近刚开始吴恩达老师的深度学习，在写第二周作业的时候，出现两个报错 第一个报错：无法导入lr_utils模块 第二个报错：datasets/train_catvnoncat.h5不存在 解决方案 import syssys.path#运行结果 'C:\\Users\\wanghao\\10841', 'D:\\anaconda3\\python37.zip', 'D:\\anaconda3\\DLLs', 'D:\\anaconda3\\lib', 'D:\\anaconda3', '', 'D:\\anaconda3\\lib\\site-packages', 'D:\\anaconda3\\lib\\site-packages\\win32', 'D:\\anaconda3\\lib\\site-packages\\win32\\lib', 'D:\\anaconda3\\lib\\site-packages\\Pythonwin', 'D:\\anaconda3\\lib\\site-packages\\IPython\\extensions', 'C:\\Users\\wanghao\\10841\\.ipython'将lr_utlis.py和datasets文件保存在 'C:\\Users\\wanghao\\10841 路径下即可（注：此处以个人环境为例） 来源：

http://daniellaah.github.io/2016/Machine-Learning-Andrew-Ng-My-Notes https://github.com/imLogM/Machine_Learning_AndrewNg 来源： https://www.cnblogs.com/pengzhi12345/p/11543110.html

Python基础： 网络教程推荐： 系统学习python3可以看 廖雪峰老师的教程 ： 教程地址： 点击查看 2. 系统学完也不一定记得很清楚，这时我们需要一个快速的查询手册， 菜鸟教程 是一个不错的选择： 教程地址： 点击查看 3. 快速掌握知识的一个方法就是多加练习，对于初学者一味的做练习题显得过于枯燥， 实验楼 可以帮助你，找到你感兴趣的小实验： 学习地址： 点击查看 SQL基础 可能有的朋友会问，我学网路爬虫，学机器学习，跟SQL有关系吗？答案是有的，对于网络爬虫而言，一个数据持久化的好方法就是将爬取到的数据入库，方便后续分析处理。而对于机器学习而言，SQL更是必须掌握的技能，我们都知道，机器学习算法工程师的很大一部分工作就是做数据清洗和特征工程等数据预处理的工作，数据预处理的的好坏直接影响模型的最终精度。因此，作为数据预处理的得力助手SQL语言，我们必须好好掌握。 网络教程推荐： 我还是感觉， 菜鸟教程 是一个不错的选择，指令查询起来很方便，推荐给大家。 教程地址： 点击查看 书籍资源推荐： 1.想要系统学习SQL的，可以看下《 SQL必知必会 》，这本书还是蛮有名的（密码: hpfe）: 点击下载 算法入门 书籍资源推荐： 1. 对于非科班出身的人来说，补充下算法基础还是很有必要的，不过枯燥的算法可能打消很多人的积极性，《 算法图解 》（python）图文并茂，通俗易懂

来源： https://www.cnblogs.com/HYWZ36/p/11529005.html

【目录】【中文】【deplearning.ai】【吴恩达课后作业目录】 https://blog.csdn.net/u013733326/article/details/79827273 来源： https://www.cnblogs.com/ilyar1015/p/11460276.html

2. Shell 2.1 简介 shell脚本执行方式Shell 是一个用 C 语言编写的程序，通过 Shell 用户可以访问操作系统内核服务。它类似于 DOS 下的 command 和后来的 cmd.exe。Shell 既是一种命令语言，又是一种程序设计语言。 Shell script 是一种为 shell 编写的脚本程序。Shell 编程一般指 shell脚本编程，不是指开发 shell 自身。 Shell 编程跟 java、php 编程一样，只要有一个能编写代码的文本编辑器和一个能解释执行的脚本解释器就可以了。 Linux 的 Shell 种类众多，一个系统可以存在多个 shell，可以通过 cat /etc/shells 命令查看系统中安装的 shell。 Bash 由于易用和免费，在日常工作中被广泛使用。同时，Bash 也是大多数Linux 系统默认的 Shell。 2.2快速入门 1 编写脚本 新建 /root/test/shell/01.sh 文件 #!/bin/bash​echo 'hello world' # !是一个约定的标记，它告诉系统这个脚本需要什么解释器来执行，即使用哪一种 Shell。 echo 命令用于向窗口输出文本。 2 解释器 java 需要 虚拟机解释器, 同理 shell脚本也需要 解析器 [root@node04 shells]# cat

网易云课堂-深度学习工程师微专业 第一周测验 - 深度学习简介 1.和“AI是新电力”相类似的说法是什么？ 【  】AI为我们的家庭和办公室的个人设备供电，类似于电力。 【  】通过“智能电网”，AI提供新的电能。 【 】AI在计算机上运行，​​并由电力驱动，但是它正在让以前的计算机不能做的事情变为可能。 【★】就像100年前产生电能一样，AI正在改变很多的行业。 2.哪些是深度学习快速发展的原因？ (两个选项) 【★】 现在我们有了更好更快的计算能力。 【  】神经网络是一个全新的领域。 【★】 我们现在可以获得更多的数据。 【  】深度学习已经取得了重大的进展，比如在在线广告、语音识别和图像识别方面有了很多的应用。 3.回想一下关于不同的机器学习思想的迭代图。下面哪(个/些)陈述是正确的？ 【★】能够让深度学习工程师快速地实现自己的想法。 【★】在更好更快的计算机上能够帮助一个团队减少迭代(训练)的时间。 【  】在数据量很多的数据集上训练上的时间要快于小数据集。 【★】 使用更新的深度学习算法可以使我们能够更快地训练好模型（即使更换CPU / GPU硬件）。 4.当一个经验丰富的深度学习工程师在处理一个新的问题的时候，他们通常可以利用先前的经验来在第一次尝试中训练一个表现很好的模型，而不需要通过不同的模型迭代多次从而选择一个较好的模型，这个说法是正确的吗？ 【  】正确 【★

博主只是初学机器学习的新人一枚，这篇博客旨在分享一下吴恩达机器学习课程编程练习6的答案，同时也是相当于自己对这一章的内容做一个回顾，让自己理解的更加的透彻，理性讨论，不喜勿喷 本章的主题是Support Vector Machines(SVM)，即支持向量机，SVM是一类按照监督学习方式对数据进行二元分类的广义线性分类器，与前面提到的逻辑回归和神经网络类似，而SVM与二者相比，在学习复杂的非线性方程时，提供了一种更为清晰，更加强大的方法，线性回归、逻辑回归、神经网络和SVM的总结可以参考下列博文(侵删)： 线性回归、逻辑回归、神经网络、SVM总结 来源： https://blog.csdn.net/qq_37210730/article/details/99677888

4.1深层神经网络 （1）到底是深层还是浅层是一个相对的概念，不必太纠结，以下是一个四层的深度神经网络： （2）一些符号定义： a [0] =x（输入层也叫做第0层） L=4：表示网络的层数 g:表示激活函数 第l层输出用a [l] ，最终的输出用a [L] 表示 n [1] =5:表示第一层有五个神经元，第l层神经元个数用n [l] 表示 4.2前向传播和反向传播 （1）前向传播：输入a [l-1] ,输出是a [l] ,缓存为z [l] ，步骤如下：（ 下面第一个式子应该是a [l-1] ） 向量化： （2）反向传播:输入da [l] ,输出da [l-1] ,dw [l] ,db [l] （4）da [l-1] =w [l]T ·dz [l] 由第四个式子带入到第一各式子中得 向量化： （3）总结：第一层可能是Relu激活函数，第二层为另一个Relu函数，第三层可能是sigmoid函数（如果做二分类的话），输出值为a[L],用来计算损失，这样就可以以向后迭代进行反向传播就到来求dw[3],db[3],dw[2],db[2],dw[1],db[1].在计算的时候，缓存会把z[1]z[2]z[3]传递过来，然后回传da[2],da[1],可以用来计算da[0],但是不会使用它。整个过程如下图所示 4.3深层网络的前向传播 （1）前向传播归纳为： 向量化实现过程： 4

本阶段的博客内容是关于深度学习知识，总结吴恩达老师的课程的内容，笔记大部分转载自 https://www.cnblogs.com/ys99/ 这个博主。 1.1欢迎 主要讲了五门课的内容： 第一门课：神经网络基础，构建网络等； 第二门课：神经网络的训练技巧； 第三门课：构建机器学习系统的一些策略，下一步该怎么走（吴恩达老师新书《Machine Learning Yearning》就是针对这个以及上一课）； 第四门课：卷积神经网络相关； 第五门课：循环神经网络相关。 1.2什么是神经网络 （1）常说的深度学习指的就是训练神经网络，或者也指特别大规模的神经网络。 （2）每一个神经元都代表着从输入到输出的函数映射，如下的房价预测： （3）激活函数Relu（Rectified Linear Unit）其实就是max(0,x)。 （4）神经网络非常擅长计算从x到y的精确映射函数（个人理解：神经网络实质就是非线性的多项式拟合），神经网络的输入单元个数一般是特征个数，中间称为隐藏层，然后输出单元个数依据实际情况而定，如下输出是房价的预测值，故是一个神经元。 1.3神经网络的监督学习 （1）神经网络在监督学习上的应用： （2）数据包括结构化数据和非结构化数据，图像语言语音都是非结构化数据，是神经网络要研究解决的重点。 1.4为什么深度学习会兴起 （1）三点原因：数据规模大、计算速度提高、算法的创新