第一课 第一周 1.1 欢迎参加《机器学习》课程-(强推|双字)2022吴恩达机器学习Deeplearning.ai课程

热门回复：

• 168想扣篮:应昨天UP主的邀请，来这里做一下这门课和旧课的差别！ 首先说一下自己的情况：我是第一遍看这门课，零基础入门机器学习的研0学生。刚开始我的老师让我直接看cs231n，真就一点都看不懂，现在到了暑假决定用一个月时间把吴恩达老师的ML课程学完，代码跟着写一遍。我是先看的旧课，然后旧课刚看完了线性回归部分UP主就把新课搬来了，所以对照着看，看看这两门课有什么差别，但是我看新课的时候是倍速看的，主要是是看过了一遍已经知道大概了，抓重点看就行了，所以总结的可能不是很到位 话不多说，直接进入对比部分： 这次对比的是旧课前五部分和新课前两周，主要是线性回归梯度下降部分： 首先说结论，大体上是一样的，没什么差别，但是新课重点在于优化，也就是挤牙膏也要挤出一点不同的地方！ 优化的地方主要在于一些细节的部分，而这些都是新添加的，在旧课我没看到，下面举几个例子： 一：解释了下为什么cost function要除以2m，目的是使得func不会随着训练样本的增大而急剧增大。之后又解释了为什么是2m而不是km（k是常数），目的是方便后面梯度下降求导时把2约去使式子看起来更简洁 二：从底层解释为为什么在梯度下降时用Numpy自带的线性代数库计算要比用for等的方法快 三：有一些点和旧课不一样了，旧课中数据预处理部分的均值归一化的公式是(x-x.mean)/x.std，而新课中的是(x-x.mean)/(x.max-x.min)，而把(x-x.mean)/x.std称为一种叫z-score的方法 以上就是我对于这一部分的总结，可能有错误和不够完善的，希望看了课程的同学可以大方指出。我也会继续在这个帖子下面更新自己的学习总结对比，同时也希望大家可以监督我，希望在八月份开始前能把这个课程学完！ 研0的同学一起加油！暑假是用来找出差距、正视差距、弥补差距的！
• _Notte_:既然是tf 那就不好意思了，import torch as tf
• ywsjwyb:哈哈哈私信让搬还是有用的
• 59改意大利炮:好消息：是Python 坏消息：是Google开摆了的tensorflow
• 看到我请叫我去學习:up这个翻译真的太棒了，至少对比了其他家的翻译好太多了。我看了下官网，第三部分好像开始更新了，up什么时候安排上？[脱单doge]