位置: IT常识 - 正文

【机器学习】python实现吴恩达机器学习作业合集(含数据集)

编辑:rootadmin
【机器学习】python实现吴恩达机器学习作业合集(含数据集)

推荐整理分享【机器学习】python实现吴恩达机器学习作业合集(含数据集),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:,内容如对您有帮助,希望把文章链接给更多的朋友!

学习感言:

从3.7第一天开始,到今天4.4,一个多月的时间,陆续完成了听课,代码实现和总结博客,过程些许艰难,作为一个刚入门的学习者,收获了很多。总结一下这一段时间的学习过程吧。后面的学习方向还在思考。

目录

1.0 线性回归预测

2.0 线性可分logistic逻辑回归

2.1 线性不可分logistic逻辑回归

3.0 logistic逻辑回归手写多分类问题

3.1 神经网络正向传播

4.0 神经网络反向传播(BP算法)

5.0 方差与偏差

6.0 SVM支持向量机

7.0 kmeans聚类

7.1 PCA主成分分析

8.0 异常检测

8.1 推荐系统(协同过滤算法)


作业涉及到的数据集:

之前的数据集过期了,重新更新

链接:https://pan.baidu.com/s/14gmrdWvIYopPWK_qsJHq5w?pwd=ifuf  提取码:ifuf

Ng课程大纲总结 

无监督学习

线性规划,逻辑回归,神经网络,SVM

无监督学习

K-means , PCA , 异常检测

应用【机器学习】python实现吴恩达机器学习作业合集(含数据集)

推荐系统,

大规模机器学习

映射化简和数据并行:

将我们的数据集分配给不多台 计算机,让每一台计算机处理数据集的一个子集,然后我们将计所的结果汇总在求和。这样 的方法叫做映射简化。如果任何学习算法能够表达为,对训练集的函数的求和,那么便能将这个任 务分配给多台计算机(或者同一台计算机的不同 CPU 核心),以达到加速处理的目的。

构建机器学习系统tips

方差/偏差 ,正则化

决定下一步做什么:

算法评估,学习曲线(判断高偏差/高方差问题),误差分析

上限分析:机器学习的应用中,我们通常需要通过几个步骤才能进行最终的预测,我们如何能够 知道哪一部分最值得我们花时间和精力去改善呢?这个问题可以通过上限分析来回答。

问题描述和流程图滑动窗口分类算法(CV)获取大量数据和人工数据以下是零碎:

现有的机器学习种类繁多,我们一般可以进行如下的分类标准:

是否在人类监督下学习(监督学习、非监督学习、半监督学习和强化学习)是否可以动态的增量学习(在线学习和批量学习)是简单的将新的数据点和已知的数据点进行匹配,还是像科学家那样对训练数据进行模型检测,然后建立一个预测模型(基于实例的学习和基于模型的学习) 一 、监督学习与无监督学习 监督学习(Supervised Learning):对于数据集中每一个样本都有对应的标签,包括回归(regression)和分类(classification);K近邻算法线性回归logistic回归支持向量机(SVM)决策树和随机森林神经网络无监督学习(Unsupervised Learning):数据集中没有任何的标签,包括聚类(clustering),著名的一个例子是鸡尾酒晚会。实现公式:[W,s,v] = svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x’);聚类算法

K均值算法(K-means)基于密度的聚类方法(DBSCAN)最大期望算法可视化和降维

主成分分析(PCA)核主成分分析关联规则学习

AprioriEclat 异常检测半监督学习 有些算法可以处理部分标记的训练数据,通常是大量未标记的数据和少量标记的数据,这种成为半监督学习。

如照片识别就是很好的例子。在线相册可以指定识别同一个人的照片(无监督学习),当你把这些同一个人增加一个标签的后,新的有同一个人的照片就自动帮你加上标签了。

强化学习

强化学习,它的学习系统能够观测环境,做出选择,执行操作并获得回报,或者是以负面回报的形式获得惩罚。它必须自行学习什么是最好的策略,从而随着时间推移获得最大的回 

二、在线学习 

    如果你有一个由连续的用户流引发的连续的数据流,进入你的网站,你能做的是使用一个在线学习机制,从数据流中学习 用户的偏好,然后使用这些信息来优化一些关于网站的决策。

    在线学习算法指的是对数据流而非离线的静态数据集的学习。许多在线网站都有持续不断的用户流,对于每一个用户,网站希望能在不将数据存储到数据库中便顺利地进行算法学习。

在线学习:产品搜索界面   产品推荐 三、模型训练及选择(model selection)

可以依据训练误差和测试误差来评估假设hθ(x); 一般来说,我们将数据集划分成训练集(60%)、验证集(20%)和测试集(20%);

训练集

训练集用来训练模型,学习参数θ :minJ(θ);即确定模型的权重和偏置这些参数,通常我们称这些参数为学习参数。

验证集

验证集用于模型的选择,更具体地来说,验证集并不参与学习参数的确定,也就是验证集并没有参与梯度下降的过程。用训练集对模型训练完毕后,再用验证集对模型测试,测试模型是否准确而不是训练模型的参数。

测试集

测试集只使用一次,即在训练完成后评价最终的模型时使用。它既不参与学习参数过程,也不参数超参数选择过程,而仅仅使用于模型的评价。 不能在训练过程中使用测试集,而后再用相同的测试集去测试模型。这样做其实是一个cheat,使得模型测试时准确率很高。

四、模型优化

欠拟合,高偏差:说明没有很好的拟合训练数据 

过拟合,高方差:拟合训练数据过于完美,J(θ)≈0,导致模型的泛化能力很差,对于新样本不能准确预测

五、机器学习系统设计不对称分类的误差评估(skewed classes)

错误率:有多少比例的西瓜被判断错误;

查准率(precision):算法挑出来的西瓜中有多少比例是好西瓜;

查全率(recall):所有的好西瓜中有多少比例被算法跳了出来。

如果我们想要比较确信为正例时才判定为正例,那么提高阈值,模型会对应高查准率,低召回率;如果希望避免假阴性,那么降低阈值,模型会对应低查准率,高召回率六、高级优化算法:共轭梯度算法BFGSL-BFGS

        优点:无需人工选择参数α;运算速度比梯度下降更快 

        缺点:更加复杂

最后:放一下Ng的结语,激励自己继续前进吧~  感谢老师

本文链接地址:https://www.jiuchutong.com/zhishi/299421.html 转载请保留说明!

上一篇:朴素贝叶斯(Naive Bayes)详解(朴素贝叶斯算法)

下一篇:CV攻城狮入门VIT(vision transformer)之旅——VIT原理详解篇

  • 营业税金及附加是什么科目
  • 涉税专业服务是做什么的
  • 建筑业营改增前后区别
  • 会计和税法折旧年限不同如何计算终结期现金净流量
  • 赠送的物业费需要交个税吗
  • 商贸企业收到的检测费可以抵扣进项税吗
  • 冲销主营业务收入后导致发生额变大
  • 管理费用是负的是什么意思
  • 没有税收编码的发票怎么开具红字票
  • 年底结账时利息收入怎么做处理?
  • 未分配利润调整到其他应付款
  • 坏账准备需要做账吗
  • 坏账损失的账务处理办法
  • 企业注销后资金处理
  • 年增收节支总额与新增利税的关系
  • 印花税的购销合同改成买卖合同了吗?
  • 民办学校会计分录 百度网盘
  • 收购免税农产品的进项税可以抵扣吗
  • 经营费用包括哪些内容
  • 预计负债估计退出怎么算
  • 银行余额调节表的作用
  • 如何防范税务风险
  • 如何永久关闭win10系统更新
  • ac1203路由器
  • 代扣代缴个税手续费返还会计分录
  • php 提交表单
  • 怎么用云服务
  • 办公室装修费怎么入账
  • 什么情况下要预提集装箱
  • 提示框架
  • vue3中使用gis地图
  • 数据分析实战
  • 瀑布流实现方式
  • ip6tables-restore命令 还原ip6tables表
  • ps怎么把图片套入样机快捷键
  • 报关单在哪里打出来
  • 直接转销法能不能用
  • 政府补贴什么时候开始的
  • 合伙企业与公司一样具有高度的人合性
  • 一次性收取一年租金增值税怎么计算
  • element-ui tree 异步树实现勾选自动展开、指定展开、指定勾选
  • 织梦系统
  • centos8 mongodb
  • 个体户开发票超过定额是如何交税?
  • MySQL数据库远程登录
  • 对股息红利的征税
  • 残保金是计入管理费用还是?
  • 建筑工程和建筑装饰工程的区别
  • 主营业务收入可以进一般户吗
  • 施工仪器的主要类别
  • 建安业一般纳税人税率是多少
  • 没有发票会怎样
  • 营改增是从什么时候开始实施的
  • 计提商业承兑汇票会计分录怎么写
  • 委托付款做账怎么做
  • 收据能开发票吗
  • 企业当年实现的净利润即为企业当年可供分配的利润
  • 个税和社保基数不一致怎么办
  • 母子公司之间内部交易形成的坏账可以所得税税前扣除吗
  • 应计入财务费用的科目是
  • SQL Server在AlwaysOn中使用内存表的“踩坑”记录
  • sqli
  • Win10 Mobile 10536预览版用得越久越卡顿是怎么回事?
  • Windows Server 2008搭建终端服务器
  • logrotate syslog
  • win7屏幕颜色不正常
  • win7如何设置鼠标
  • windows xp功能介绍
  • mac系统怎么创建用户
  • win10系统优化的方法
  • ftp上传网站的步骤
  • em和px
  • node. js教程
  • jquery源码分析笔记
  • shell循环遍历目录
  • js传参是什么意思
  • java learning
  • bootstrap layer弹框
  • 江西省税务局公众号
  • 电子税务局房产税原值怎么改
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设