吴恩达专题

吴恩达机器学习第三课 week2 推荐算法（上）

目录 01 学习目标 02 推荐算法 2.1 定义 2.2 应用 2.3 算法 03 协同过滤推荐算法 04 电影推荐系统 4.1 问题描述 4.2 算法实现 05 总结 01 学习目标（1）了解推荐算法（2）掌握协同过滤推荐算法（Collaborative Filtering Recommender Algorithm）原理

吴恩达教程以及《统计学习方法》学习笔记

之前都在有道云笔记写的，CSDN不能上传文件，搬运过来实在比较耗费精力，在此给出分享链接： 1、吴恩达教程 2、统计学习方法

吴恩达机器学习笔记（week1——week5）

Week1 转自该大神~~~~~ http://scruel.gitee.io/ml-andrewng-notes/week1.html 一、引言(Introduction) 1.1 欢迎 1.2 机器学习是什么？ 1.3 监督学习 1.4 无监督学习二、单变量线性回归(Linear Regression with One Variable) 2.1 模型表示

coursera-斯坦福-机器学习-吴恩达-第11周笔记-ORC系统

coursera-斯坦福-机器学习-吴恩达-第11周笔记-ORC系统 coursera-斯坦福-机器学习-吴恩达-第11周笔记-ORC系统 1图像ORC 1问题描述2 滑动窗sliding windows3获取大量的图片4分析 2复习 quiz 1图像ORC 1.1问题描述在这一段介绍一种机器学习的应用实例照片OCR技术。我想介绍这部分内容的原因主要有以下三个

coursera-斯坦福-机器学习-吴恩达-第10周笔记-使用大数据训练

coursera-斯坦福-机器学习-吴恩达-第10周笔记-使用大数据训练 coursera-斯坦福-机器学习-吴恩达-第10周笔记-使用大数据训练大数据下的梯度下降 1 大数据2 随机梯度下降3 mini-batch梯度下降4 随机梯度下降的收敛性大数据的高级技巧 1在线学习2 mapreduce 3quiz 1 大数据下的梯度下降在接下来的几个视频里，我们会讲大

吴恩达机器学习第三课 week1 无监督机器学习（下）

目录 01 学习目标 02 异常检测算法 2.1 异常检测算法的概念 2.2 基于高斯模型的异常检测 03 利用异常检测算法检测网络服务器的故障 3.1 问题描述 3.2 算法实现 3.3 问题升级 04 总结 01 学习目标（1）理解异常检测算法（Anomaly Detection Algorithm）的原理（2）利用异常检测算法检测网络服务器的

吴恩达机器学习第三课 week1 无监督学习算法（上）

目录 01 学习目标 02 无监督学习 03 K-means聚类算法 3.1 K-means聚类算法原理 3.2 k-means算法实现 3.3 利用k-means算法压缩图片 04 总结 01 学习目标（1）了解无监督学习算法（2）掌握K-means聚类算法实现步骤（3）利用K-means聚类算法压缩图片 02 无监督学习概念

吴恩达：从 Agent 到 Agentic，超越基础模型的下一代 AI

Agentic AI：超越基础模型的下一代 AI — 来自吴恩达的洞察 “与其争论哪些工作才算是真正的 Agent，不如承认系统可以具有不同程度的 Agentic 特性。” —— 吴恩达 2024年 Snowflake 峰会开发者日上，人工智能领域的领军人物吴恩达 (Andrew Ng) 发表了题为“AI 代理工作流及其推动 AI 进展的潜力 (How AlAgentic workflo

吴恩达机器学习作业ex3:多类分类和前馈神经网络(Python实现)详细注释

文章目录 1 多类分类1.1数据集1.2 数据可视化1.3 向量化逻辑回归1.3.1 向量化代价函数1.3.2 矢量化梯度下降以及正则化表达1.4 一对多分类 2.神经网络2.1模型表示总结（自己训练求解参数全流程） 1 多类分类在本练习中，您将使用逻辑回归和神经网络来识别手写数字（从 0 到 9）。如今，自动手写数字识别被广泛使用 - 从识别邮件信封上的邮政编码到识别银行支

实现卷积神经网络：吴恩达Course 4-卷积神经网络-week1作业 pytorch版

注意事项和老师用tensorflow写的结果不同，不过测试集准度更高了，以下几点原因： 1.没用Xaiver初始化，使用了pytorch默认的初始化方式 2.pytorch和tensorflow的padding机制不同，没有特意去还原tensorflow的方式，pytorch的padding设置值不可以比卷积核的宽度一半大，所以当步长大，用默认方式“SAME”不了 3.全连接层的线性函数输出神

用深层神经网络识别猫咪图片：吴恩达Course1-神经网络与深度学习-week3week4作业

代码有参考吴恩达老师的源代码，神经网络的图片为转载，图片来源见水印以下文件的【下载地址】，提取码：dv8a 所有文件存放位置C:.│ dnn_utils.py│ building deep neural network：step by step.py│ lr_utils.py│ testCases.py│├─datasetstest_catvnoncat.h5te

吴恩达2022机器学习专项课程C2W3：2.25 理解方差和偏差（诊断方差偏差正则化偏差方案搭建性能学习曲线）

目录引言名词替代影响模型偏差和方差的因素1.多项式阶数2.正则化参数判断是否有高偏差或高方差1.方法一：建立性能基准水平2.方法二：建立学习曲线解决线性回归高偏差或高方差解决神经网络的高偏差或高方差1.回顾机器学习问题2.神经网络高方差和高偏差3.神经网络正则化神经网络如何正则化总结引言机器学习系统开发的典型流程是从一个想法开始，然后训练模型。初次训练的结果通常不理想

吴恩达深度学习笔记：机器学习（ML）策略（1）（ML strategy（1））1.11-1.12

目录第三门课结构化机器学习项目（Structuring Machine Learning Projects）第一周机器学习（ML）策略（1）（ML strategy（1））1.11 超过人的表现（Surpassing human- level performance）1.12 改善你的模型的表现（ Improving your model performance）

吴恩达深度学习笔记：机器学习（ML）策略（1）（ML strategy（1））1.9-1.10

目录第三门课结构化机器学习项目（Structuring Machine Learning Projects）第一周机器学习（ML）策略（1）（ML strategy（1））1.9 可避免偏差（Avoidable bias）1.10 理解人的表现（Understanding human-level performance）第三门课结构化机器学习项目（Structurin

吴恩达老师开源翻译工作流Agent；阿里巴巴开源无需训练即可使用参考图像编辑图像的工具；Whisper Web 浏览器字幕生成

✨ 1: Translation Agent Translation Agent 吴恩达老师开源翻译工作流Agent Translation Agent 是一个基于反思工作流程的机器翻译系统的Python示范。其主要步骤包括：使用大语言模型（LLM）将文本从source_language翻译到target_language；让LLM反思这次翻译并提出改进建议；依据这些建议改进翻译。

大神出新品，吴恩达开源机器翻译智能体项目

节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学。针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。合集：《大模型面试宝典》(2024版) 正式发布！持续火爆！《AIGC 面试宝典》已圈粉无数！前段时间，随着 GPT-4o、Sora 的陆续问世，多模态模型在生

吴恩达2022机器学习专项课程C2W3：实验Lab_01模型评估与选择

这里写目录标题导入模块与实验环境配置回归1.构建并可视化数据集2.分割数据集3.重新绘制数据集3.特征缩放4.评估模型：计算训练集的误差5.评估模型：计算交叉验证集的误差添加多项式1.构建多项式特征集2.缩放特征3.使用标准化的计训练集和交叉验证集，计算它们的均方误差4.整合代码5.选择模型6.使用测试集检测泛化神经网络1.特征缩放2.构建和训练模型分类1.加载数据集2.划分数据集3

吴恩达神经网络学习笔记1

代码解释并不是全部代码，思路的流程 import numpy as np# 如何判断咖啡豆是烤好了# 假设此神经网络由2层构成###### 这部分代码只是如何建立2层网络，###### 并不包含如何加载神经网络中的参数 w 和 b######################## 第1层网络# x 是输入矩阵# x 是由温度200 和持续时间 17min 构成的

重磅：吴恩达最新的机器学习书籍《Machine Learning Yearning》两年磨一剑

《Machine Learning Yearning》是吴恩达历时两年打磨而成的机器学习和深度学习实践宝典。这本书旨在为读者提供实战经验，以帮助他们在机器学习项目中取得成功。吴恩达通过自身多年的实践经验，为读者提供了宝贵的指导，涵盖了从项目构建到调试、部署和维护等方方面面的实用技巧。这本书突破了理论层面，注重实际操作，让读者能够更好地应对真实世界中的机器学习挑战。吴恩达通过深入浅出的方式，解析

吴恩达深度学习笔记：机器学习（ML）策略（1）（ML strategy（1））1.3-1.4

目录第三门课结构化机器学习项目（Structuring Machine Learning Projects）第一周机器学习（ML）策略（1）（ML strategy（1））1.3 单一数字评估指标（Single number evaluation metric）1.4 满足和优化指标（Satisficing and optimizing metrics）第三门课结构化

吴恩达2022机器学习专项课程C2W2：2.22 多类 softmax softmax与神经网络 softmax的代码改良多标签分类

目录多分类问题1.什么是多分类问题2.多分类问题案例3.二分类与多分类的区别 Softmax1. 什么是Softmax2.逻辑回归预测的计算过程3. Softmax预测的计算过程4.Softmax 回归与逻辑回归的关系5. Softmax的损失函数 softmax与神经网络1.设置Softmax层2.Softmax层的计算3.softmax激活函数与其它激活函数的区别4.TensorFlo

【强推|双语】吴恩达机器学习Deeplearning.ai课程链接

Andrew Ng 吴恩达的深度学习课程作业 TensorFlow Tutorial (TF2兼容)

使用TensorFlow 2.6.0版本改写TensorFlow 1的代码，使用TF2兼容TF1的API。 1 - Exploring the Tensorflow Library 1.1 导入相关库 import mathimport h5pyimport matplotlib.pyplot as pltimport numpy as npimport tensorflow as

吴恩达公开课笔记--第3单元第3周内容

目标检测是计算机视觉中急速发展的一个领域，它的效果随着这几年技术的发展也好了很多。 3.1目标定位为了建立目标检测，我们先学习目标对象的定位。之前我们已经介绍了图像分类，通过给你一张图像，能够给出图像中物体的类别。比如猫狗识别等。而目标定位是不仅要识别出物体的类别，同时也负责生成一个物体的边框。后面还会介绍目标检测，目标检测是需要对一张图像中多个物体全部检测出来并给出对应的类

吴恩达公开课笔记--第3单元第2周内容

2.1 为什么要进行实例探究在上一周，我们已经学习了组成神经网络模型的基础构件，如卷积层、池化层、全连接层等内容。本节课主要介绍在计算机视觉领域近些年发展过程中积累的优秀实例，通过实例能够了解学习如何对基础的构件进行组合。从而在以后自己做计算机视觉相关任务时能够有所启发。网络总览：经典的网络模型： LeNet-5AlexNetVGG 卷积残差网络： ResNet （152层的神

Poetry Camera照相机将照片转换成诗歌并打印出来；吴恩达新课程深入了解Mistral；科学研究AI小助手data-to-paper

✨ 1: Poetry Camera 将拍摄的照片转换成诗歌并打印出来 Poetry Camera——一个能够把它所见之物转化成诗歌并打印出来的相机。你在一个美丽的公园，或者是一个充满故事的老街道。只要用Poetry Camera拍下这一刻，它就能立刻给你一首关于这个场景的诗。 Poetry Camera的核心是一个Raspberry Pi Zero 2 W，这是一个小巧但功能强大的