因为训练单词嵌入在计算上非常耗时耗力，所以大多数ML练习者都会加载一组经过预先训练的嵌入。__接下来，让我们加载单词向量。对于此作业，我们将使用50维GloVe向量表示单词。运行以下单元格以加载。words你已经看到，单向向量不能很好地说明相似的单词。GloVe向量提供有关单个单词含义的更多有用信息。现在让我们看看如何使用GloVe向量确定两个单词的相似程度。......

编程作业 7 - K-means 和 PCA(主成分分析)在本练习中，我们将实现K-means聚类，并使用它来压缩图像。我们将从一个简单的2D数据集开始，以了解K-means是如何工作的，然后我们将其应用于图像压缩。我们还将对主成分分析进行实验，并了解如何使用它来找到面部图像的低维表示。K-means 聚类我们将实施和应用K-means到一个简单的二维数据集，以获得一些直观的工作原理。K-mean

你将学习如何使用残差网络（ResNets）构建非常深的卷积网络。理论上讲，更深的网络可以表现更复杂的特征。但实际上，他们很难训练。引入的残差网络使你可以训练比以前实际可行的深层网络。这项作业将使用Keras完成。...

在此作业中，你将使用numpy实现卷积（CONV）和池化（POOL）层，包括正向传播和反向传播。符号：我们假设你已经熟悉numpy或者已经完成了之前的专业课程。那就开始吧！让我们首先导入在作业过程中需要用到的包：2 作业大纲你将实现构建卷积神经网络的需要的模块！要求实现的每个函数都有详细的说明，以帮助你完成所需的步骤：本笔记本将要求你使用 numpy从头开始实现这些函数。在下一本笔记本中，你将学习

初始化参数运行优化循环正向传播以计算损失函数反向传播以计算相对于损失函数的梯度剪裁梯度以避免梯度爆炸使用梯度下降方法更新参数返回学习的参数图1循环神经网络，类似于你在上一个笔记本“手把手实现循环神经网络”中构建的内容。在每个时间步，RNN都会根据给定的先前字符来预测下一个字符。数据集X=(x⟨1⟩,x⟨2⟩,...,x⟨Tx⟩)X=(x⟨1⟩,x⟨2⟩,...,x⟨Tx​⟩)Y=(...

深度神经网络应用 – 图像分类你将使用在上一个作业中实现的函数来构建深层网络，并将其应用于分类cat图像和非cat图像。 希望你会看到相对于先前的逻辑回归实现的分类，准确性有所提高。完成此任务后，你将能够：建立深度神经网络并将其应用于监督学习。1 安装包让我们首先导入在作业过程中需要的所有软件包。numpy是Python科学计算的基本包。matplotlib 是在Python中常用的绘制图形的库。

在这一部分中，你将实现一个称为“Emojifier-v1”的基准模型。图2基准模型（Emojifier-V1）。模型的输入是与句子相对应的字符串（例如，“Iloveyou”。在代码中，输出将是维度为（1,5）的概率向量，然后将其传递到argmax层中以提取概率最大的表情符号的输出索引。为了使我们的标签成为适合训练softmax分类器的格式，让我们将从当前YYY的维度、(m,1)(m,1)(m,1)

编程作业 8 - 异常检测和推荐系统在本练习中，我们将使用高斯模型实现异常检查算法，并将其以用于检查网络上的故障服务器。我们还将看到如何协作过滤构建推荐系统，并将其应用于电影推荐数据集。Anomaly detection（异常检测）我们的第一个任务是使用高斯模型来检测数据集中未标记的示例是否应被歧视为异常。我们有一个简单的二维数据集开始，以帮助可视化该算法正在做什么。import numpy as

DNN梯度检验

正则化深度学习模型具有很高的灵活性和能力，如果训练数据集不够大，将会造成一个严重的问题–过拟合。尽管它在训练集上效果很好，但是学到的网络不能应用到测试集中！你将学习：在深度学习模型中使用正则化。# import packagesimport numpy as npimport matplotlib.pyplot as pltfrom reg_utils import sigmoid, relu,