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

  • 乐视手机pro3参数(乐视手机pro3)(乐视手机1pro参数)

    乐视手机pro3参数(乐视手机pro3)(乐视手机1pro参数)

  • 苹果手机如何设置软件密码锁(苹果手机如何设置门禁卡nfc功能)

    苹果手机如何设置软件密码锁(苹果手机如何设置门禁卡nfc功能)

  • 荣耀30s支持防水功能吗(荣耀30是否支持防水)

    荣耀30s支持防水功能吗(荣耀30是否支持防水)

  • 闲鱼走平台验机是什么意思(闲鱼走平台验机要钱吗)

    闲鱼走平台验机是什么意思(闲鱼走平台验机要钱吗)

  • qq显示解除关系是被对方删了吗(qq显示解除关系怎么回事)

    qq显示解除关系是被对方删了吗(qq显示解除关系怎么回事)

  • vivox27防水性能怎么样(vivox21防水性能)

    vivox27防水性能怎么样(vivox21防水性能)

  • 魅族怎么开发者选项(魅族手机如何开发者选项)

    魅族怎么开发者选项(魅族手机如何开发者选项)

  • 微信隐藏了怎么弄出来(微信隐藏了怎么整出来)

    微信隐藏了怎么弄出来(微信隐藏了怎么整出来)

  • 手机如何分享wifi密码(手机如何分享wifi密码给电脑使用)

    手机如何分享wifi密码(手机如何分享wifi密码给电脑使用)

  • 网络机顶盒怎么连wifi(网络机顶盒怎么恢复出厂设置)

    网络机顶盒怎么连wifi(网络机顶盒怎么恢复出厂设置)

  • 快手直播人数在哪显示(快手直播人数在线刷)

    快手直播人数在哪显示(快手直播人数在线刷)

  • 荣耀9屏幕尺寸(荣耀magic5尺寸)

    荣耀9屏幕尺寸(荣耀magic5尺寸)

  • iphone7和6splus对比(iphone7跟6splus哪个好)

    iphone7和6splus对比(iphone7跟6splus哪个好)

  • 拼多多极速退款买家不退货怎么办(拼多多极速退款在哪里设置的)

    拼多多极速退款买家不退货怎么办(拼多多极速退款在哪里设置的)

  • 苹果11在国内上市时间(iphone11在国外多少钱)

    苹果11在国内上市时间(iphone11在国外多少钱)

  • 苹果相机专业模式在哪(苹果相机专业模式怎么打开)

    苹果相机专业模式在哪(苹果相机专业模式怎么打开)

  • Mac系统的文件权限如何修改?修改Mac系统的文件权限方法教程(mac文件权限限制怎么解决)

    Mac系统的文件权限如何修改?修改Mac系统的文件权限方法教程(mac文件权限限制怎么解决)

  • 路由器管家怎么用?(路由器管家怎么登录)

    路由器管家怎么用?(路由器管家怎么登录)

  • 苹果手机查看激活日期教程(苹果手机查看激活id账号信息)

    苹果手机查看激活日期教程(苹果手机查看激活id账号信息)

  • 刚装好的服务器系统打不开网页(刚装好的服务器怎么安装)

    刚装好的服务器系统打不开网页(刚装好的服务器怎么安装)

  • dotnetfx.exe是什么进程(dotnetfx35.exe)

    dotnetfx.exe是什么进程(dotnetfx35.exe)

  • 前端实现文件上传(点击+拖拽)(前端实现文件上传的命令)

    前端实现文件上传(点击+拖拽)(前端实现文件上传的命令)

  • 【vue3】关于ref、toRef、toRefs那些事(vue3.0中的ref)

    【vue3】关于ref、toRef、toRefs那些事(vue3.0中的ref)

  • 电子承兑被退回在哪里
  • 企业结算时待摊费用怎么办
  • 国家电子产品投诉电话
  • 其他应收款的对方科目有哪些
  • 母公司捐赠资金给子公司
  • 在公司交社保不满十年,女性按照什么退税
  • 企业没有收入怎么办
  • 子公司注销投资收益是否纳税合并层面
  • 专票上少打了开户行账号可以认证吗
  • 增值税普通发票几个点
  • 个税手续费返还奖励财务人员的文件
  • 分期付款的车怎么做分录
  • 企业收到红字发票,应该如何申报报表?
  • 借方与贷方区别
  • 季报中现金流量表报的是当季的还是本年累计数
  • 如何理解增值税的三种类型?它们的区别是什么?
  • 新版edge浏览器历史记录
  • hp tpn-c120笔记本
  • 现金流量表的内涵及其编制基础
  • 银行汇票银行不予受理的是
  • window10下载cad2014
  • PHP:Memcached::getVersion()的用法_Memcached类
  • 工会经费税前扣除标准2022
  • php中array_unshift()修改数组key注意事项分析
  • css calculate
  • tcpdump 监听指定端口
  • php实现微信支付功能
  • 深究Python中的asyncio库-线程并发函数
  • 物流货运发票要交税吗
  • 个人佣金收入怎样交税
  • 应税工资和实发工资区别
  • 销项负数发票需不需要增加库存
  • sql 行列转换
  • 手机超过多少钱算贵
  • mysql5.5创建用户
  • 代缴社保费怎么做分录
  • 两个独立核算单位可以共用一个账户吗
  • 转出未交增值税年末怎么转平
  • 关于餐饮行业
  • 保证金159001收益如何计算
  • 先开发票钱后进怎样做帐?
  • 融资租赁首付款的性质
  • 分支机构可不可以不建账合并到总机构?
  • 进料料件复出可以给第三方吗
  • 供货方代垫运费计入什么科目
  • 预算收入包括增值税吗
  • 小规模纳税人劳务费税率
  • 应付账款平账调到哪个科目
  • 红字申请单能作废吗
  • 党委经费是国家政府出吗?
  • 什么是经营所得现金
  • 现成的财务报表
  • 电脑算固定资产哪一类
  • 明细账建账的步骤
  • 建立备查账簿登记的有哪些
  • 系统组策略打不开
  • windows2000server安装过程
  • win7无法访问局域网电脑
  • centos6启动不了
  • windows sky high
  • 如何避免升级为查帐征收
  • linux如何直接访问gpio不用设备树
  • js小球与边框碰撞反弹
  • kindeditor获取内容
  • js解析机制
  • js读取cookies
  • shell编程$1
  • app开发指南
  • python如何发送http请求
  • unity3d人物模型
  • jquery datatable服务端分页
  • javascript的对象
  • 江苏国家电子税务局官网登录
  • 每月公积金900元交多少
  • 黑龙江电子税务局app手机
  • 济南房产税如何计算公式
  • 太平税务局电话
  • 企业税务情况查询
  • 安徽省建筑施工企业排名
  • 我国现行消费税在生产环节征收
  • 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