吳恩達機器學習筆記_第五週
神經網路——模型學習
Cost Function:從邏輯迴歸推廣過來
計算最小值,無論用什麼方法,都需要計算代價和偏導。
網路結構的前向傳播和可向量化的特點:
BP演算法:
總結:計算代價函式及偏導
進一步理解FPBP:
梯度檢驗:避免BP發生的小錯誤
確保自己的確在計算代價函式的偏導數,對於向量形式,可以這麼檢驗:
檢驗無誤後要記得關掉檢驗功能,否則速度會慢.記得!!
數值方法計算梯度比BP演算法慢.
隨機初始化權值:
都初始化為0的後果:
這樣相當於每個神經元學習的東西都相同,相當於只在計算一個特徵,這是完全多餘的做法.所以要打破對稱性.
隨機初始化為一個區間內的接近
總結:
1、選擇網路結構:
通常隱藏層一般越多越好,但計算量會大,一般預設一層隱藏層是比較合理的結構,隱藏層的數目稍微大於輸入層數目是可以接受的.
2、訓練網路
給了個無人駕駛的例子
相關推薦
吳恩達機器學習筆記_第五週
神經網路——模型學習 Cost Function:從邏輯迴歸推廣過來 計算最小值,無論用什麼方法,都需要計算代價和偏導。 網路結構的前向傳播和可向量化的特點: BP演算法: 總結:
吳恩達機器學習筆記_第三週
Logistic Regression邏輯迴歸(分類): 0:Negative Class 1:Positive Class 二元分類問題講起,雖然有迴歸二字,其實為分類演算法,處理離散y值。
【吳恩達機器學習筆記】第五章:多變數線性迴歸
目錄 多特徵下的目標函式 多元梯度下降法 多元梯度下降法中的方法 特徵縮放 選擇學習率 特徵和多項式迴歸 正規方程(區別於迭代法的直接解法) 正規方程在矩陣不可逆的情況下的解決方法
【吳恩達機器學習筆記】第三章:線性迴歸回顧
本章是對線性代數的一些簡單回顧,由於之前學過,所以這裡只是簡單的將課程中的一些例子粘過來 矩陣表示 矩陣加法和標量乘法 矩陣向量乘法 用矩陣向量乘法來同時計算多個預測值 矩陣乘法 用矩陣乘法同時計算多個迴歸
吳恩達機器學習筆記_第一週
畢業論文方向可能和神經網路掛鉤,神經網路也是機器學習的一部分。從這周開始決定跟著Andrew Ng公開課系統地學習機器學習,4/4日開課,第一週為試聽,今天先看了。以後每週更新一下。的確感覺講的不錯,
吳恩達機器學習筆記(十五)
原創部落格,轉載請註明出處! 1、目標I :資料壓縮 開始談論第二種型別的無監督學習問題,稱為降維。有幾個不同的的原因使你可能想要做降維。一是資料壓縮,後面我們會看了一些視訊後,資料壓縮不僅允許我們壓縮資料,因而使用較少的計算機記憶體或磁碟空間,它還能讓我們加快我們的學習演算法。 假設我
Coursera-AndrewNg(吳恩達)機器學習筆記——第三周
訓練 ros 方便 font 就是 梯度下降 全局最優 用法 郵件 一.邏輯回歸問題(分類問題) 生活中存在著許多分類問題,如判斷郵件是否為垃圾郵件;判斷腫瘤是惡性還是良性等。機器學習中邏輯回歸便是解決分類問題的一種方法。二分類:通常表示為y?{0,1},0:“Negat
吳恩達機器學習筆記一_單變量線性回歸
gre ima 梯度下降算法 line 公式 delta mat 所有 pan 單變量線性回歸 綱要 代價函數 梯度下降算法 全局最優與局部最優 代價函數 函數定義: \[ J(\theta_0,\theta_1,...)=\frac{1}{2m}\sum_{i=1}^
吳恩達機器學習筆記第三部分未完成且暫時不打算完成
Linear regression and logistic regression,when u apply them ,sometimes cause the overfitting.Another term for this is that thisalgorithm h
吳恩達機器學習筆記 —— 5 多變量線性回歸
擬合 進行 image 價格 常用 從表 cnblogs 優化 深度 本篇主要講的是多變量的線性回歸,從表達式的構建到矩陣的表示方法,再到損失函數和梯度下降求解方法,再到特征的縮放標準化,梯度下降的自動收斂和學習率調整,特征的常用構造方法、多維融合、高次項、平方根,最後基
吳恩達機器學習筆記 —— 9 神經網絡學習
滿了 線性回歸 復雜 amp 技術分享 tps 機器 神經網絡 前饋型神經網絡 本章講述了神經網絡的起源與神經元模型,並且描述了前饋型神經網絡的構造。 更多內容參考 機器學習&深度學習 在傳統的線性回歸或者邏輯回歸中,如果特征很多,想要手動組合很多有效的特征是不
吳恩達機器學習筆記(六) —— 支持向量機SVM
次數 括號 圖片 最小 我們 支持向量機svm UNC 意思 strong 主要內容: 一.損失函數 二.決策邊界 三.Kernel 四.使用SVM 一.損失函數 二.決策邊界 對於: 當C非常大時,括號括起來的部分就接近於0,所以就變成了:
吳恩達機器學習筆記 —— 17 推薦系統
htm 特征 問題 這就是 ref 圖片 系統 得出 工業 本章講述了推薦系統相關的知識,比如基於內容的推薦算法、基於協同過濾的推薦算法以及實踐中遇到的問題。 更多內容參考 機器學習&深度學習 推薦系統是機器學習在工業界應用最廣泛的方向,很多電子商務類、咨詢類的
吳恩達機器學習筆記 —— 12 機器學習系統設計
不知道 cor 算法 項目 詞語 樣本 我們 們的 ... http://www.cnblogs.com/xing901022/p/9362339.html 本章主要圍繞機器學習的推薦實踐過程以及評測指標,一方面告訴我們如何優化我們的模型;另一方面告訴我們對於分類的算法
吳恩達機器學習筆記 —— 14 無監督學習
www 最簡 業務 一次 曲線 logs img 下一個 com http://www.cnblogs.com/xing901022/p/9368432.html 本章講述的是第一個無監督的機器學習算法,在無監督的算法中,樣本數據只有特征向量,並沒有標註的y值。比如聚類
吳恩達機器學習筆記 —— 19 應用舉例:照片OCR(光學字符識別)
參考 https ocr 噪聲 也說 字符 www. 定位 cnblogs http://www.cnblogs.com/xing901022/p/9374258.html 本章講述的是一個復雜的機器學習系統,通過它可以看到機器學習的系統是如何組裝起來的;另外也說明了一
吳恩達機器學習筆記 —— 11 應用機器學習的建議
切分 image 們的 正則化 如果 mage 樣本 獲得 建議 http://www.cnblogs.com/xing901022/p/9356783.html 本篇講述了在機器學習應用時,如何進行下一步的優化。如訓練樣本的切分驗證?基於交叉驗證的參數與特征選擇?在訓
吳恩達機器學習筆記
叠代 公式 spec end webkit 測量 ase letter s函數 1 機器學習的含義 (1)Field of study that gives computers the ability to learn without being explicitly p
吳恩達機器學習筆記1-機器學習概述
可能 perf hat 定義 視頻 nbsp 這樣的 spec 學習能力 今天看了視頻的第一章-緒論:初識機器學習(Machine Learning) 1、定義: Arthur Samuel(1959).Machine Learning:Field of study tha
吳恩達機器學習筆記2-監督學習
word ins problems 一個 should regress ssi pri read 英文; Supervised Learning In supervised learning, we are given a data set and already kn