码农工程师_个人页

2021年12月

• 12.17 23:56:42
  发表了文章 2021-12-17 23:56:42

  吴恩达《卷积神经网络》精炼笔记（3）-- 目标检测

  吴恩达《卷积神经网络》精炼笔记（3）-- 目标检测

  
• 12.17 23:45:18
  发表了文章 2021-12-17 23:45:18

  重磅 | 吴恩达新书《Machine Learning Yearning》最新版分享

  重磅 | 吴恩达新书《Machine Learning Yearning》最新版分享

  
• 12.17 23:40:43
  发表了文章 2021-12-17 23:40:43

  干货 | 神经网络与深度学习精选文章汇总

  干货 | 神经网络与深度学习精选文章汇总
• 12.17 22:38:34
  发表了文章 2021-12-17 22:38:34

  吴恩达《构建机器学习项目》精炼笔记（2）-- 机器学习策略（下）

  吴恩达《构建机器学习项目》精炼笔记（2）-- 机器学习策略（下）

  
• 12.17 22:15:01
  发表了文章 2021-12-17 22:15:01

  吴恩达《优化深度神经网络》精炼笔记（3）-- 超参数调试、Batch正则化和编程框架

  上节课我们主要介绍了深度神经网络的优化算法。

  
• 12.17 20:55:22
  发表了文章 2021-12-17 20:55:22

  吴恩达《优化深度神经网络》精炼笔记（2）-- 优化算法

  上节课我们主要介绍了如何建立一个实用的深度学习神经网络。

  
• 12.17 20:42:58
  发表了文章 2021-12-17 20:42:58

  吴恩达《优化深度神经网络》精炼笔记（1）-- 深度学习的实用层面

  吴恩达的深度学习专项课程的第一门课《神经网络与深度学习》的所有精炼笔记我已经整理完毕。迷路的小伙伴请见文章末尾的推荐阅读：

  
• 12.17 20:30:27
  发表了文章 2021-12-17 20:30:27

  深入浅出机器学习技法（二）：对偶支持向量机（DSVM）

  上节课我们主要介绍了线性支持向量机（Linear Support Vector Machine）。

  
• 12.17 20:22:59
  发表了文章 2021-12-17 20:22:59

  深入浅出机器学习技法（一）：线性支持向量机（LSVM）

  机器学习技法是机器学习基石的提升，在此系列中我们将讨论各类机器学习典型算法，包括支持向量机、决策树、随机森林、GBDT等等。

  
• 12.17 20:13:17
  发表了文章 2021-12-17 20:13:17

  吴恩达《神经网络与深度学习》精炼笔记（5）-- 深层神经网络

  上节课我们主要介绍了浅层神经网络。

  
• 12.17 20:05:56
  发表了文章 2021-12-17 20:05:56

  吴恩达《神经网络与深度学习》精炼笔记（4）-- 浅层神经网络

  上节课我们主要介绍了向量化、矩阵计算的方法和python编程的相关技巧。

  
• 12.17 19:54:48
  发表了文章 2021-12-17 19:54:48

  Coursera吴恩达《神经网络与深度学习》课程笔记（3）-- 神经网络基础之Python与向量化

  上节课我们主要介绍了逻辑回归，以输出概率的形式来处理二分类问题。

  
• 12.17 19:49:18
  发表了文章 2021-12-17 19:49:18

  Coursera吴恩达《神经网络与深度学习》课程笔记（2）-- 神经网络基础之逻辑回归

  上节课我们主要对深度学习（Deep Learning）的概念做了简要的概述。

  
• 12.17 19:38:52
  发表了文章 2021-12-17 19:38:52

  干货|机器学习基石精选文章链接

  下面这部分内容列出了机器学习基石的精选文章。

  
• 12.17 18:53:51
  发表了文章 2021-12-17 18:53:51

  台湾大学林轩田机器学习基石课程学习笔记16（完结） -- Three Learning Principles

  上节课我们讲了一个机器学习很重要的工具——Validation。

  
• 12.17 18:47:18
  发表了文章 2021-12-17 18:47:18

  台湾大学林轩田机器学习基石课程学习笔记15 -- Validation

  上节课我们主要讲了为了避免overfitting，可以使用regularization方法来解决。

  
• 12.17 18:27:54
  发表了文章 2021-12-17 18:27:54

  台湾大学林轩田机器学习基石课程学习笔记14 -- Regularization

  上节课我们介绍了过拟合发生的原因并介绍了解决overfitting的简单方法。本节课，我们将介绍解决overfitting的另一种非常重要的方法：Regularization规则化。

  
• 12.17 18:10:30
  发表了文章 2021-12-17 18:10:30

  台湾大学林轩田机器学习基石课程学习笔记13 -- Hazard of Overfitting

  上节课我们主要介绍了非线性分类模型，通过非线性变换，将非线性模型映射到另一个空间，转换为线性模型，再来进行分类，分析了非线性变换可能会使计算复杂度增加。

  
• 12.17 17:50:48
  发表了文章 2021-12-17 17:50:48

  台湾大学林轩田机器学习基石课程学习笔记12 -- Nonlinear Transformation

  上一节课，我们介绍了分类问题的三种线性模型，可以用来解决binary classification和multiclass classification问题。本节课主要介绍非线性的模型来解决分类问题。

  
• 12.17 17:39:52
  发表了文章 2021-12-17 17:39:52

  台湾大学林轩田机器学习基石课程学习笔记11 -- Linear Models for Classification

  台湾大学林轩田机器学习基石课程学习笔记11 -- Linear Models for Classification

  
• 12.17 15:51:13
  发表了文章 2021-12-17 15:51:13

  台湾大学林轩田机器学习基石课程学习笔记10 -- Logistic Regression

  上一节课，我们介绍了Linear Regression线性回归，以及用平方错误来寻找最佳的权重向量w，获得最好的线性预测。本节课将介绍Logistic Regression逻辑回归问题。

  
• 12.17 14:58:31
  发表了文章 2021-12-17 14:58:31

  台湾大学林轩田机器学习基石课程学习笔记9 -- Linear Regression

  上节课，我们主要介绍了在有noise的情况下，VC Bound理论仍然是成立的。

  
• 12.17 14:48:32
  发表了文章 2021-12-17 14:48:32

  台湾大学林轩田机器学习基石课程学习笔记8 -- Noise and Error

  上一节课，我们主要介绍了VC Dimension的概念。

  
• 12.17 14:43:43
  发表了文章 2021-12-17 14:43:43

  台湾大学林轩田机器学习基石课程学习笔记7 -- The VC Dimension

  前几节课着重介绍了机器能够学习的条件并做了详细的推导和解释。

  
• 12.17 14:35:36
  发表了文章 2021-12-17 14:35:36

  台湾大学林轩田机器学习基石课程学习笔记6 -- Theory of Generalization

  上一节课，我们主要探讨了当M的数值大小对机器学习的影响。

  
• 12.17 14:26:36
  发表了文章 2021-12-17 14:26:36

  台湾大学林轩田机器学习基石课程学习笔记5 -- Training versus Testing

  上节课，我们主要介绍了机器学习的可行性。

  
• 12.17 14:18:09
  发表了文章 2021-12-17 14:18:09

  台湾大学林轩田机器学习基石课程学习笔记4 -- Feasibility of Learning

  上节课，我们主要介绍了根据不同的设定，机器学习可以分为不同的类型。

  
• 12.17 14:11:20
  发表了文章 2021-12-17 14:11:20

  台湾大学林轩田机器学习基石课程学习笔记3 -- Types of Learning

  上节课我们主要介绍了解决线性分类问题的一个简单的方法：PLA。

  
• 12.17 13:53:57
  发表了文章 2021-12-17 13:53:57

  台湾大学林轩田机器学习基石课程学习笔记2 -- Learning to Answer Yes/No

  上节课，我们主要简述了机器学习的定义及其重要性，

  
• 12.17 12:41:15
  发表了文章 2021-12-17 12:41:15

  台湾大学林轩田机器学习基石课程学习笔记1 -- The Learning Problem

  最近在看NTU林轩田的《机器学习基石》课程，个人感觉讲的非常好。整个基石课程分成四个部分：