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

  • 捐赠税前扣除比例表
  • 房产税的税收优惠政策
  • 个体户查账征收怎么交税?
  • 固定资产的折旧费用计入什么科目
  • 公司名下的车过户到个人名下费用
  • 非财政补助结余分配期末有余额吗
  • 汽车4s店索赔和维修
  • 上月应交税金
  • 契税的发票开错了还可以作废吗?
  • 以前年度的所得税怎么入账
  • 准予扣除的工会经费怎么算
  • 期末留抵税额大于销项税额本月还需要计提吗
  • 公司注销取不到采购发票怎么汇算清缴?
  • 解聘职工赔偿工资包括哪些
  • 企业亏损情况下股东借款怎么办
  • 公司租个人车辆如何办理
  • 油品沥青消费税征收范围
  • 子公司注销投资收益是否纳税合并层面
  • 财务做账借贷分别表示
  • 境外公司在境内取得的收入如何交税
  • 在卖场当中常见的问题
  • 生产企业提供售后服务
  • 企业间借款增值税怎么算
  • 公司购买基金怎样入账
  • 文化事业建设费减免政策
  • 电脑重装系统启动
  • Win11/Win10 21H2 正式版发布前,微软再次推送可靠性补丁更新 KB4023057
  • macos10.15.7
  • php字符串赋值
  • 销售使用过的汽车会计分录
  • 增值税专票开错了可以作废吗
  • 补缴的土地出让金需要计提吗
  • 税务稽查补税
  • 补税的分录
  • 覆盖的盖
  • 微信php源码
  • 库存现金账务处理案例
  • php怎么上传图片并保存到数据库
  • 印花税账务处理会计分录
  • 律师费开票税费谁承担
  • 小企业的流动资产
  • 出租改自用房产税
  • mysql 内连接查询
  • mysql用在哪些方面
  • mysql怎么截取字段
  • 对方发票丢了能红冲重开吗
  • mysql查询某个字段重复数据
  • 烟丝缴纳消费税计算
  • 先付款后签协议是否违法
  • 开红字发票需要做收回原发票吗?
  • 增值税销项税额属于什么科目
  • 公司支付员工工资方式有几种
  • 有限合伙企业的
  • 分销佣金税务账务怎么做
  • 只有进项税额没有销项税额怎么结转
  • 做账财务费用负数
  • 购入土地使用权的,以评估价格为计税依据
  • 跨月销项负数发票分录
  • 多付款项退回怎么做账
  • 车子租赁费开什么发票?多少税
  • 研发支出资本化支出在资产负债表哪里体现
  • 车属于固定资产嘛
  • 小企业建账选哪种会计制度
  • sqlserver r服务
  • php+mysql prepare 与普通查询的性能对比实例讲解
  • win8系统界面切换成win7
  • 如何强制退出当前程序mac
  • 主板不支持u盘装系统怎么办
  • linux检查文件内容
  • winex.exe - winex是什么进程
  • linux小技巧
  • centos7搭建lamp 详细
  • win7安装补丁慢的原因
  • Win10 Mobile Build 14342上手体验视频
  • windows10储存
  • python编程术语
  • node断点调试
  • nodejs音乐播放器
  • 发票查询打印如何操作
  • 广东电子税务局app
  • 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