•机器学习基础

《Python深度学习》第四章读书笔记

第四章机器学习基础本章重点：处理机器学习问题的通用工作流程：定义问题与要训练的数据。收集这些数据，有需要的话用标签来标注数据。选择衡量问题成功的指标。你要在验证数据上监控哪些指标？
Paul-Huang·2021-07-22 18:32

零基础的嵌入式机器学习：Edge Impulse使用教程之训练模型浅析(1)——分类模型

前言没有机器学习基础但是想利用嵌入式AI？EdgeImpulse绝对是不二之选！算法自动提供，代码一键生成，移植简单方便，简直是小白的福音！如果你打算涉及嵌入式机器学习，那就快来看看吧！
方恪·2021-07-19 20:57

集成学习（二）机器学习基础模型回顾 （作业一）

image.png（1）请详述线性回归的最小二乘法表达  使用二范数的平方和来衡量真实值与预测值的差距。即:找到使得最小的参数，即：求解最小化问题，令导数等于0：解得：（2）在线性回归模型中，极大似然估计与最小二乘估计有什么联系与区别？  线性回归得最小二乘估计等价于噪声的极大似然估计。  线性回归的一大假设是：误差服从均值为0的正态分布，且多个观测数据之间互不影响，相互独立。正态分布（高斯分布）
我想要日更徽章·2021-07-16 17:20

Datawhale开源教程学习——集成学习（task2机器学习基础模型）

目录Task02机器学习基础模型一、导论使用sklearn构建完整的机器学习项目流程二、作业Q1：详细阐述线性回归模型的最小二乘法表达。
InveR1el·2021-07-16 00:58

Datawhale集成学习学习笔记——机器学习基础

机器学习基础机器学习的三大主要任务使用sklearn构建完整的机器学习项目流程基本的回归模型基本的分类模型偏差与方差理论超参数调优机器学习的三大主要任务机器学习的一个重要的目标就是利用数学模型来理解数据
zhangkaihua88·2021-07-13 18:07

《机器学习实战》第一章 机器学习基础

机器学习基础概念训练集是用于训练机器学习算法的数据样本集合。目标变量是机器学习算法的预测结果，在分类算法中目标变量的类型通常是标称型的，而在回归算法中通常是连续型的。
大美mixer·2021-06-27 06:50

机器学习基础算法（1）-KNN

KNN（最近邻分类规则）--最简单的机器学习分类，回归算法个人认为机器学习的三个最主要的特性，是分类，回归，聚类。对于具体的问题，我们通过数据的抽象，运用函数来表示问题，在一定的空间内，用凸优化的思想来迭代，搜索更好的数值。这个过程得益于计算机不断发展的计算能力，实则是统计，概率，数学抽象问题和计算机编程的完美结合，便成为机器学习。使用KNN算法解决一个现实的分类问题：如何区分爱情片与动作片（不是
美队庆·2021-06-24 17:45

全内容集概述

该系列文章将会和之前所发布的机器学习教程有所不同，将会把之前所在机器学习中涉及到的困难的、单独的知识点进行一个总结及对一些常见的机器学习基础进行讲解。  该系列文章暂时由这几个课程组成：数
WarrenRyan·2021-06-23 07:52

MOOC网神经网络与深度学习TensorFlow实践4——回归问题

回归问题机器学习基础一元线性回归解析法实现一元线性回归多元线性回归解析法实现多元线性回归三维模型可视化
123梦野·2021-06-22 16:23

机器学习基础(1)-python3 环境搭建

下面将向大家介绍如何在本地搭建Python3开发环境。Python3可应用于多平台包括Windows、Linux和MacOSX。一、Python3下载Python3最新源码，二进制文档，新闻资讯等可以在Python的官网查看到：Python官网：https://www.python.org/你可以在以下链接中下载Python的文档，你可以下载HTML、PDF和PostScript等格式的文档。Py
小卢子_1093·2021-06-22 11:26

Python—numpy的基本使用(机器学习基础）

一.numpy概述1.NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nestedliststructure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。2.numpy（NumericalPython）提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。numpy支持高级大量
思君_4cd3·2021-06-22 01:45

《 Python 机器学习基础教程》总结

处理机器学习问题学完了本书介绍的所有强大的方法，你现在可能很想马上行动，开始用你最喜欢的算法来解决数据相关的问题。但这通常并不是开始分析的好方法。机器学习算法通常只是更大的数据分析与决策过程的一小部分。为了有效地利用机器学习，我们需要退后一步，全面地思考问题。首先，你应该思考想要回答什么类型的问题。你想要做探索性分析，只是看看能否在数据中找到有趣的内容？或者你已经有了特定的目标？通常来说，你在开始
iOSDevLog·2021-06-19 09:34

AI基本知识体系（了解）

连接主义，行为主义3.人工智能的二、AI技术体系1.数学基础微积分、线性代数、概率统计、信息论、集合论、图论、博弈论2.计算机基础计算机原理、程序设计语言、操作系统、分布式系统、算法基础3.机器学习相关知识机器学习基础估计方法特征工程线性
Rockelbel·2021-06-15 13:04

时间管理

1.机器学习基础理论和数学相关算法的快速入门2.求职中经验总结和C++题目学习3.碎片时间：面试技巧，人际交往技巧4.每天晚上睡觉前：一天学习的总结，坚持写技术博客，同时计划好第二天的安排。
ArimaKisho·2021-06-12 11:24

机器学习基础算法之决策树和随机森林比较（实现鸢尾花数据集分析）

code:importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltimportmatplotlibasmplfromsklearnimporttreefromsklearn.treeimportDecisionTreeClassifierfromsklearn.model_selectionimporttrain_test_splitf
keeeeeenon·2021-06-12 04:18

神经网络与深度学习——TensorFlow实践（九）

第9讲回归问题机器学习基础机器学习：数据中学习，拟合模型学习算法：数据中产生模型的算法步骤：建立模型——学习模型——预测识别监督学习无监督学习半监督学习对数据学习，寻找属性和标记之间的映射关系样本未标记
庄园特聘拆椅狂魔·2021-06-08 15:58

0.课程介绍及教学说明

机器学习基础概念和基础知识机器学习常用算法，分类聚类机器学习流程阿里云PAI云计算、大数据、人工智能的概念及联系机器学习以及大数据、AI的关系机器学习的发展历史、现状及应用学习目的了解云计算、大数据与人工智能了解机器学习了解机器学习和人工智能的关系机器学习的现状和应用
etheon·2021-06-08 12:00

深度学校如何入门

【嵌牛正文】:Step1:学习机器学习基础开始于AndrewNg的机器学习机器学习-斯坦福大学。他的课程介绍了目前各种机器学习算法，更重要的是机器学
李欢洋·2021-06-05 06:46

面经

百度智能云AI平台总结：介绍一般没问题，但是一碰到机器学习基础就GG，算法题对于没见过类似的，一般也GG加强：机器学习基础（SVM，LR,CRF,HMM）一面：一个半小时。介绍简单自我介绍。
灰化肥发黑会挥发·2021-06-04 11:35

第 1 章 机器学习基础引言

机器学习（machinelearning）是从数据中提取知识。它是统计学、人工智能和计算机科学交叉的研究领域，也被称为预测分析（predictiveanalytics）或统计学习（statisticallearning）。近年来，机器学习方法已经应用到日常生活的方方面面。从自动推荐看什么电影、点什么食物、买什么商品，到个性化的在线电台和从照片中识别好友，许多现代化网站和设备的核心都是机器学习算法。
python基础机器学习·2021-06-04 01:51

机器学习基础

机器学习第一章：机器学习基础第二章：线性回归第三章：逻辑回归第四章：BP神经网络第五章：卷积神经网络第六章：循环神经网络第七章：决策树与随机森林第八章：支持向量机第九章：隐马尔科夫第十章：聚类等算法..
CC-Mac·2021-06-01 10:48

机器学习基础—集成学习Task13（Stacking）

导语：本次任务的主题是“Stacking集成学习算法”。竞赛圈中，它(Stacking)可以帮你打败当前学术界性能最好的算法！学习链接：集成学习:EnsembleLearning项目-github.1.Stacking原理Stacking严格来说并不是一种算法，而是精美而又复杂的，对模型集成的一种策略!在上一任务中，我们知道Blending在集成的过程中只会用到验证集的数据，即数据划分方式为hol
0cp·2021-05-13 21:35

机器学习（1）：机器学习基础

深度学习的第一步从机器学习开始！机器学习就是把无需的数据转换成有用的信息！！！机器学习的数据一般称为特征值特征值分类：数值型（一般是十进制数字）、二值型（0或1）、枚举类型机器学习的主要任务就是分类！！！目标变量是机器学习算法的预测结果，在分类算法种目标变量的类型通常是标称型的，而在回归算法种通常是连续型的。训练样本集必须知道目标变量的值，以便机器去学校算法可以发现特征和目标变量之间的关系为了测试
会飞的大妖怪·2021-05-10 14:22

《Scikit-Learn与TensorFlow机器学习实用指南》 第03章 分类

（第一部分机器学习基础）第01章机器学习概览第02章一个完整的机器学习项目（上）第02章一个完整的机器学习项目（下）第03章分类第04章训练模型第05章支持向量机第06章决策树第07章集成学习和随机森林第
SeanCheney·2021-05-08 05:35

思考

（军事、汽车）4，很多没有机器学习基础的照样学习深度学习，那为啥我不行？多学习，多总结，写出来经验。每一节课30块钱。
大海一滴写字的地方·2021-05-05 18:05

知识图谱-从建模到应用相关知识整理

文章可能需要部分NLP基础、深度学习、机器学习基础。本人是知识图谱初学者，如果文章有错误欢迎指正，以免误导。文章内容过长，不支持发表。可在此下载：百度云Github知识图谱书籍：expl
Spinggang·2021-05-02 22:56

七、机器学习基础Ⅱ：评估机器学习模型

文章代码来源：《deeplearningonkeras》，非常好的一本书，大家如果英语好，推荐直接阅读该书，如果时间不够，可以看看此系列文章，文章为我自己翻译的内容加上自己的一些思考，水平有限，多有不足，请多指正，翻译版权所有，若有转载，请先联系本人。个人方向为数值计算，日后会向深度学习和计算问题的融合方面靠近，若有相近专业人士，欢迎联系。系列文章：一、搭建属于你的第一个神经网络二、训练完的网络去
抄书侠·2021-05-02 11:09

4、机器学习基础

4.1数据预处理1、向量化神经网络的所有输入和目标都必须是浮点数张量，前面二分类和多分类的例子都是用one-shot编码将数据处理成float32格式的张量。2、值标准化数据的各个特征取值范围相差较大时，例如有的在0-1之间，有的在100-200之间，将其输入到神经网络中是不安全的，为了使网络学习更加容易，输入数据应该具有以下特征：取值较小：大部分值都在0~1范围内同质性：所有特征的取值都应该在大
丁功春·2021-04-30 15:45

Matlab入门4 机器学习基础算法

【实验名称】机器学习基础算法【实验目的】1.熟悉matlab机器学
一半西瓜·2021-04-29 17:14

资源《机器学习基础：案例研究》by 华盛顿大学

此前分享了两个机器学习相关的资源，即《最全深度学习资源集合（Github：AwesomeDeepLearning）》和《动手学深度学习》byAmazonAI:李沐。本回继续分享下Coursera上华盛顿大学机器学习的专项课程，课程视频（中英字幕）、课件和代码都已经下载下来了，获取方式见于评论区哈。，还不会快学起来哈。言归正传。不同于其他大佬们的更偏理论、算法原理、数学推导等的机器学习课程，本门课程
古柳_Deserts_X·2021-04-27 14:10

TensorFlow系列专题（二）：机器学习基础

一.数据预处理数据预处理的方式较多，针对不同类型的数据，预处理的方式和内容也不尽相同，这里我们简单介绍几种较为常用的方式：1:归一化归一化是对数据集进行区间缩放，缩放到[0,1]的区间内，把有单位的数据转化为没有单位的数据，即统一数据的衡量标准，消除单位的影响。归一化之后的数据处理起来更方便，同时也能加快程序运行时的收敛速度。2:标准化标准化是在不改变原数据分布的前提下，将数据按比例缩放，使之落入
人工智能遇见磐创·2021-04-26 19:46

不知道叫什么名字

机器学习基础https://zh.coursera.org/course/ntumlone机器学习技法https://zh.coursera.org/course/ntumltwo这两门都是很好的入门课程
曹恭泽·2021-04-26 07:44

2021李宏毅机器学习 1 机器学习基础 笔记

机器学习的任务：-regression：输出是一个标量scalar；-classification：给出多个classes，输出正确的类别；-structuredlearning：创造有结构的东西，比如生成一个图片或者文档；机器学习完成任务，是通过找到一个function来实现的，一个案例学习：以youtube每天的点击量预测为例1.先写出一个有未知参数的function作为model，想用哪个函
我能学会机器学习吗·2021-04-24 16:27

【机器学习基础】(六)：通俗易懂无监督学习K-Means聚类算法及代码实践

K-Means是一种无监督学习方法，用于将无标签的数据集进行聚类。其中K指集群的数量，Means表示寻找集群中心点的手段。一、无监督学习K-Means贴标签是需要花钱的。所以人们研究处理无标签数据集的方法。（笔者狭隘了）面对无标签的数据集，我们期望从数据中找出一定的规律。一种最简单也最快速的聚类算法应运而生---K-Means。它的核心思想很简单：物以类聚。用直白的话简单解释它的算法执行过程如下：
风度78·2021-04-23 11:00

学习笔记TF008:机器学习基础 线性回归

有监督学习，带标注信息输入数据集，标注真实期望输出，训练推断模型，覆盖初始数据集，预测新样本输出。推断模型具体运算步骤代码设置。由给定问题解决模型确定。模型确定，运算固定。相关数据是模型参数，训练过程不断更新，模型学习，调整输出。训练闭环一般结构：初始化模型参数(随机赋值或全0)->输入训练数据(样本及期望输出，随机打乱次序)->训练数据执行推断模型(得到输出)->计算损失(输出与期望输出差距)-
利炳根·2021-04-23 01:19

【飞桨】李宏毅机器学习特训营 PaddlePaddle学习回顾与心得

学习心得本次课程以李宏毅老师的机器学习基础课程作为理论指导，结合paddlepaddle进行同步作业实践，对于
mying_三丘·2021-04-22 19:33

机器学习基础：AUC

AUC简介AUC是AreaUnderCurve的首字母缩写，这里的Curve指的就是ROC曲线，AUC就是ROC曲线下面的面积（下面会介绍）AUC是模型评价指标，只能评价二分类模型，其他的二分类模型指标有logloss，precision，accuracy等为什么要用AUC因为ROC曲线有个很好的特性：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现类不平衡
AndyJee_0404·2021-04-21 14:15

机器学习基础(3)-Python3基础语法

Python3基础语法1.编码默认情况下，Python3源码文件以UTF-8编码，所有字符串都是unicode字符串。当然你也可以为源码文件指定不同的编码：#-*-coding:cp-1252-*-上述定义允许在源文件中使用Windows-1252字符集中的字符编码，对应适合语言为保加利亚语、白罗斯语、马其顿语、俄语、塞尔维亚语。2.标识符第一个字符必须是字母表中字母或下划线_。标识符的其他的部分
小卢子_1093·2021-04-18 12:33

算法岗实习面试经历（机器学习/强化学习岗实习生）

机器学习基础知识问答：(1)常见的评价指标，以分类问题为例。(2)详细解释分类问题中的，精度召回率等概念。(3)softmax是怎么做分类的？(4)介绍一下ROC曲线，介绍一下AUC。
条件反射104·2021-04-02 22:10

神经网络与深度学习理论,tensorflow2.0教程,cnn

*免责声明:1\此方法仅提供参考2\搬了其他博主的操作方法,以贴上路径.3*场景一:神经网络与深度学习理论场景二:tensorflow的安装场景三:numpy包介绍场景四:机器学习基础场景五:线性回归模型场景六
weeksooo·2021-04-02 18:48

机器学习

一.机器学习基础与特征工程二.机器学习算法篇-线性回归(1)三.机器学习算法篇-线性回归(2)四.机器学习算法篇-逻辑回归
·2021-03-31 21:51

一.机器学习基础与特征工程

1.机器学习基础1.1数学基础需要的数学知识：高等数学、线性代数、概率与统计。当然一开始不用深入进去，可以在学习过程中逐步积累。
·2021-03-31 21:42

一.机器学习基础与特征工程

1.机器学习基础1.1数学基础需要的数学知识：高等数学、线性代数、概率与统计。当然一开始不用深入进去，可以在学习过程中逐步积累。
·2021-03-31 21:42

机器学习

一.机器学习基础与特征工程二.机器学习算法篇-线性回归(1)三.机器学习算法篇-线性回归(2)四.机器学习算法篇-逻辑回归
·2021-03-31 20:12

【机器学习基础】通俗易懂无监督学习K-Means聚类算法及代码实践

K-Means是一种无监督学习方法，用于将无标签的数据集进行聚类。其中K指集群的数量，Means表示寻找集群中心点的手段。一、无监督学习K-Means贴标签是需要花钱的。所以人们研究处理无标签数据集的方法。（笔者狭隘了）面对无标签的数据集，我们期望从数据中找出一定的规律。一种最简单也最快速的聚类算法应运而生---K-Means。它的核心思想很简单：物以类聚。用直白的话简单解释它的算法执行过程如下：
风度78·2021-03-23 11:00

DataWhale集成学习Task2--掌握基本的回归模型

摘要：回顾Task1，分类属于有监督学习的应用之一，其因变量是连续型变量，下面我们来详细解读一下分类，掌握分类的基本模型机器学习基础度量指标MSE均方误差：MSE(y,y^)=1nsamples∑i=0nsamples
程序员狐小李·2021-03-18 23:09

（DataWhale组队学习）集成学习之机器学习基础——机器学习三大主要任务

有监督学习和无监督学习的区别有监督学习：对具有标记的训练样本进行学习，以尽可能对训练样本集外的数据进行分类预测。常用的方法有线性回归（LR），支持向量机（SVM），置信度传播（BP），随机森林（RF），梯度提升迭代决策树（GBDT）无监督学习：对未标记的样本进行训练学习，并发现这些样本中的结构知识。常用方法K均值聚类（KMeans），深度学习(DL)。回归和分类（有监督学习）回归：因变量是连续型变
起名字什么的好难·2021-03-15 20:04

【机器学习基础】5种数据同分布的检测方法！

作者：小雨姑娘，康涅狄格大学，Datawhale成员在数据挖掘比赛中，很重要的一个技巧就是要确定训练集与测试集特征是否同分布，这也是机器学习的一个很重要的假设。但很多时候我们知道这个道理，却很难有方法来保证数据同分布，这篇文章就分享一下我所了解的同分布检验方法。一、KS检验KS是一种非参数检验方法，可以在不知道数据具体分布的情况下检验两个数据分布是否一致。当然这样方便的代价就是当检验的数据分布符合
风度78·2021-03-01 11:00

机器学习基础篇（十二）——多层感知机

机器学习基础篇（十二）——多层感知机一、概述多层感知机（MLP：Multi-LayerPerceptron）由感知机(PLA:PerceptronLearningAlgorithm)推广而来。
柚子味的羊·2021-02-26 10:57

“吴恩达deeplearning.ai”学习笔记（p47-p60：第二课时第一章：超参数调试、正则化以及优化）

上接：第一课时第四章：深度神经网络目录：1.机器深度学习1.1训练_开发_测试集1.2偏差_方差1.3机器学习基础1.4正则化1.5为什么正则化可以减少过拟合？
KQ.·2021-02-25 21:35
上一页 16 17 18 19 20 21 22 23 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他