课程视频课程PPT    下载密码:95wq上周主要讲解经典的无监督聚类算法k-means，包括k-means的优化目标，原理以及一些参数设置细节；和降维算法PCA的原理，目标，问题规划以及应用等问题；本周将继续学习机器学习的应用--异常检测和推荐系统，包括高斯分布，开发和评估异常检测系统、多元高斯分布，异常检测算法的应用以及推荐算法(协同过滤)的原理和应用。 目录一、异常检测...

课程视频第一周PPT汇总吴恩达深度学习专项课程共分为五个部分，本篇博客将介绍第一部分神经网络和深度学习专项的第一周课程：深度学习概论。本周内容比较简单，大多是一些介绍性的内容。通过本周的学习，你将会了解什么是神经网络？用神经网络进行监督学习以及为什么深度学习会兴起？目录1.什么是神经网络？2.用神经网络进行监督学习3.为什么深度学习会兴起？1.什么是神经网络？首先看...

课程视频链接：https://www.coursera.org/learn/machine-learning/home/welcome第三周PPT  下载密码:8o4e上一篇博客主要介绍了第二周的课程的内容，包括多变量线性回归，使用梯度下降法求解多变量线性回归的实用技巧，特征缩放与模型特征选择并介绍了多项式回归，最后引入一种线性回归的解析解法并与梯度下降法进行比较。本篇博客将系统的介绍第三...

吴恩达深度学习专项课程的所有实验均采用JupyterNotebooks实现，不熟悉的朋友可以提前使用一下Notebooks。本周的编程作业主要包含两部分：第一部分Python基础，旨在通过该实验熟悉Python Numpy的基本操作，函数的用法、向量矩阵的操作以及理解NumPy中的广播，最后能够编写出向量化的代码，为之后的实验打好基础；第2部分，用神经网络的思维来实现逻辑回归算法，包括构建学习算.

课程主页课程视频和PPT上节课我们主要讲了为了避免overfitting，可以使用regularization方法来解决。在之前的上加上一个regularizer，生成,将其最小化，这样可以有效减少模型的复杂度，避免过拟合现象的发生。那么，机器学习领域还有许多选择，如何保证训练的模型具有良好的泛化能力？本节课将介绍一些概念和方法来解决这个选择性的问题。目录1. Model Sele...

课程视频第三周PPT汇总吴恩达深度学习专项课程共分为五个部分，本篇博客将介绍第一部分神经网络和深度学习专项的第三周课程：浅层神经网络，浅层指的是单隐藏层神经网络。本周课程主要学习单隐层神经网络的结构、符号表示、前向/反向传播及向量化实现、浅层神经网络的梯度下降法、常用的激活函数以及参数初始化的技巧。目录1.神经网络概览2.神经网络表示3.计算神经网络的输出4.多个例子中的向...

吴恩达深度学习专项课程的所有实验均采用JupyterNotebooks实现，不熟悉的朋友可以提前使用一下Notebooks。本周的实验主要是训练一个单隐层神经网络，进行2分类任务。采用的数据集都是平面数据集(2维数据集，输入特征数=2）。目录1.实验综述2.导入必要的包3.数据集4.简单逻辑回归5.神经网络模型6.在其他数据集上进行尝试1.实验综述2...

课程视频课程PPT吴恩达深度学习专项课程共分为五个部分，本篇博客将介绍第一部分神经网络和深度学习专项的第四周课程：深层神经网络，深层指的是多隐藏层神经网络。截止目前我们已经学习了单隐层神经网络和逻辑回归的前向/反向传播，向量化以及随机初始化参数的重要性等内容。本周我们会把之前学的内容组合起来，构建深层神经网络。目录1.深层神经网络2.深层网络中的前向传播3.核对矩阵的维数...

GitHub 地址PyTorch主要是提供了两个核心的功能特性：1）一个类似于NumPy的n维张量，但是可以在GPU上运行2）搭建和训练神经网络时的自动微分/求导机制我们将使用全连接的ReLU网络作为运行示例。该网络将有一个单一的隐藏层，并将使用梯度下降训练，通过最小化网络输出和真正结果的欧几里得距离，来拟合随机生成的数据。目录1. 张量2. 自动求导3. nn模块...

课程视频课程PPT吴恩达深度学习专项课程共分为五个部分，本篇博客将介绍第一部分神经网络和深度学习专项的第四周课程：深层神经网络，深层指的是多隐藏层神经网络。截止目前我们已经学习了单隐层神经网络和逻辑回归的前向/反向传播，向量化以及随机初始化参数的重要性等内容。本周我们会把之前学的内容组合起来，构建深层神经网络。目录1.深层神经网络2.深层网络中的前向传播3.核对矩阵的维数...