吳恩達《機器學習》課程總結（19）總結

線性回歸（下面第三行x0

(i)其實是1，可以去掉）

邏輯回歸

神經網路（寫出前向傳播即可，反向框架會自動計算）

pca訓練誤差減去人類最高水平為偏差(欠擬合)，交叉驗證集誤差減訓練誤差為方差(過擬合)；

正則化解決方差問題，不對θ0正則化；

全過程觀測偏差與方差，所以更全面。

找到哪種原因造成誤差最大，最該花時間的地方。

盡量使用單一指標評價，準確率不適合類偏斜，用精確度和召回率判定

精確度是**的視角（**為正樣本中有多少是正樣本），召回率是樣本視角（正樣本有多少被**到了）

f1=2（pr）/（p+r）

訓練集用於訓練模型，，交叉驗證集用於篩選模型/調參，測試集用來做最終評價。

每一步假設輸出完全正確時，能提高多少的正確率，提高最高的地方就是最該馬上花時間解決的地方。

檢測，分割，識別，現在常常不分割了，直接序列化識別。

小批量的訓練方法以及使用平行計算。

吳恩達《機器學習》課程總結 19 總結

線性回歸 下面第三行x0 i 其實是1，可以去掉 邏輯回歸 神經網路 寫出前向傳播即可，反向框架會自動計算 pca訓練誤差減去人類最高水平為偏差 欠擬合 交叉驗證集誤差減訓練誤差為方差 過擬合 正則化解決方差問題，不對 0正則化 全過程觀測偏差與方差，所以更全面。找到哪種原因造成誤差最大，最該花時間...

吳恩達老師課程總結

吳恩達老師課程總結1 深度學習概論 目錄 1.1神經網路的概念 1.2用神經網路進行監督學習 1.3深度學習的興起 1.1神經網路的概念 隨著ai日益博取眼球，方興未艾，神經網路再度火熱，談及神經網路，首先我們要解決乙個問題，什麼是神經網路？在我看來，神經網路是一種強大的學習演算法，這種演算法受到人...

吳恩達《機器學習》課程總結 15 異常檢測

將正常的樣本繪製成圖表 假設可以 如下圖所示 當新的測試樣本同樣繪製到圖示上，如果偏離中心越遠說明越可能不正常，使用某個可能性閾值，當低於正常可能性閾值時判斷其為異常，然後做進一步的檢查。異常檢測常用於工業生產 異常使用者等實際場景中。以上這種方法叫密度評估 1 高斯分布也稱為正態分佈，其記為 2 ...