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

  • 新成立的公司如何建账
  • 现金流量表利息费用怎么算
  • 小规模纳税人应交增值税明细科目
  • 烟丝是消费税的征收范围
  • 辞退员工补偿金是按实发工资算还是应发
  • 现金流量怎么影响股票价值
  • 租入固定资产改扩建
  • 过渡期损益会计分录
  • 生产企业出口退税
  • 纳税人提供应税服务的价格明显偏低
  • 新建厂房房产证办理流程
  • 货物运输代理服务税率
  • 个人经营所得核定征收超过多少要交税
  • 个体工商户该如何交税
  • 农产品加工业数据
  • 单位住房没有房产证是否可以买卖
  • 计提印花税怎么做凭证
  • 存货占比小有什么影响
  • 固定资产一次性计入费用的账务处理
  • 公路通行费抵扣进项税
  • 年初未交增值税借方怎么处理
  • 当月增加的固定资产
  • 收到个税返还手续费怎么开发票
  • 个人出租房屋税款代征点电话
  • 事业单位服务收入怎么做账
  • 劳务公司的账务怎么做账
  • win11dev预览修复工具
  • 安保服务差额征税如何开票
  • 完工产品成本怎么算
  • 国地税合并有什么角度写论文
  • 出口退税登记证在哪办
  • 城市赚钱项目
  • moments的用法
  • python抓取淘宝店铺商品
  • vue3.0配置
  • 真相 百科
  • 智能优化算法可以用到哪里
  • php如何入门
  • 税审报告什么时候出
  • Python打开文件的代码
  • 使用二氧化碳灭火器时人应该站在什么位置
  • 管理费用冲减其他应付款分录
  • 资产负债表的其他应收款怎么算出来的
  • 来料加工账务处理流程
  • 税法规定的增值税是指
  • 如何区分借贷方和负债方
  • 在建工程的成本包括应交增值税吗
  • 银行卡被误扣多少钱
  • 小规模取得增值税专用发票怎么做账
  • 小规模纳税企业在应交增值税明细科目
  • 人力资源外包服务费计入什么科目
  • 组织机构代码证和统一社会信用代码的关系
  • 支付投资者投入的款项
  • 捐赠支出算费用吗
  • 公司购买电视属于什么费用
  • 计提应付账款会计分录
  • 医疗机构药库设置标准
  • 企业的投资公司 私募
  • mysql数据库遇到的故障及分析
  • 在一台服务器上安装软件
  • 存储过程的输出参数有且只能有一个
  • sqlserver 千万数量级分页存储过程代码
  • mysql innode
  • windows已保护你的电脑,阻止你的应用
  • 不重装系统怎么修复
  • Linux环境下MySQL服务器优化的方法详解
  • /etc/rc.d/rc与/etc/rc.d/init.d的关系介绍
  • windows mobile10
  • win10 window
  • Win7注册表怎么恢复命令
  • [OpenGL ES 04]3D变换实践篇:平移,旋转,缩放
  • 关于超链接下列说法中错误的是
  • nodejs连接redis
  • python和java对接
  • python 数据结构库
  • 税务协查函格式 范文
  • 如何找回电子税务局企业密码
  • 税务uk数据怎么导出来
  • 工商局税务局合并了吗
  • 2016年营改增房屋租赁
  • 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