•机器学习基础

面经_OPPO研究院_数据科学研究员实习岗

职位要求：统计、计算机专业硕士及以上机器学习基础，精通主流机器学习算法编程基础，精通java、C、python之一深入掌握时间序列、据类、分类、关联分析之一逻辑思维、沟通能力、团队精神等软要求面试问的问题
Lucida_Scalzi·2020-08-21 21:54

决策树可视化【Matplotlib/Graphviz】

机器学习相关教程：TensorFlow实战|机器学习基础|深入浅出Flask|Python基础在这个教程里，
新缸中之脑·2020-08-21 10:10

机器学习基础——Adaboost

一、前言最近吴恩达的机器学习课程已经快学习完了。作为一个转行人员，发现学习的算法还是有点少，加上这一阵看了不少同志的面试经验，发现GradientBoosting以及相关的GBDT等算法是比较基础的。但是看了一下GB，发现这个没有具体实例，不太直观，加之看过不少人和书上的内容。Adaboost是Boosting族算法中最著名的，而且还是比较好懂的。特此总结一下。二、Adaboost原理和Boost
sooner高·2020-08-21 09:46

后端小白探索推荐系统知识体系

架构由基础到高层的层级（参考达观数据）：基础层：运算和存储组件：机器学习基础组件模型层更像是业务的数据结构。比如用户画像就是对一个用户有全方位的刻画。算法构建在模型和组件之上。更接近与推荐。
sharp·2020-08-20 22:05

后端小白探索推荐系统知识体系

架构由基础到高层的层级（参考达观数据）：基础层：运算和存储组件：机器学习基础组件模型层更像是业务的数据结构。比如用户画像就是对一个用户有全方位的刻画。算法构建在模型和组件之上。更接近与推荐。
sharp·2020-08-20 22:04

《深度学习》(美)Ian Goodfellow 花书简要笔记（第一部分：应用数学与机器学习基础）

说明:本篇Blog为自己刷《深度学习》时的简要笔记，仅记录对自己有启发或不熟悉的知识点，并非全面笔记。不过，对于任何一个学深度学习的人来说，这本书真的算是很好的一本入门书籍，公式推导都特别细致，很难得，必刷指数五颗星~第一章引言1、人工智能的真正挑战在于解决那些对于人来说很容易执行、但很难形式化描述的任务；人工智能的一个关键性挑战在于如何将这些非形式化的知识传达给计算机。2、对于很多任务来说，我们
Taowenx·2020-08-20 13:26

PCA线性代数讲解

1.线代基础对于深度学习，它需要一定的数学和机器学习基础，特别的，线性代数、概率与信息论和数值计算尤为重要（参见《deeplearning》一书）所以我们本章主要对线代进行讨论，当然主要是为了针对PCA
gcaxuxi·2020-08-20 11:26

由浅入深理解 RNN

本篇文章由浅入深地介绍了RNN的模型，适合有一定机器学习基础，想由浅入深地理解RNN的同学。本文目前写了主要框架，遇到不理解的地方，建议打开参考文献进行扩展阅读。
熊非子·2020-08-20 08:57

机器学习基础知识 -- 学习摘记

机器学习机器学习本质是一项监督分类/回归问题，"监督"表示你有许多样本，假设你知道这些样本的正确答案，我们不断地把样本交给机器，并告诉机器这些样本是正确或错误的，对机器进行训练，最终达到机器学习的目的。1、有监督学习（数据有label）监督学习就是教会计算机去完成任务，如：根据你已经标记为垃圾邮件的邮件学习识别垃圾邮件，根据你喜欢的电影推荐其他你可能喜欢的电影…监督学习可以理解为以下两种模型：回归
MrYucsdn·2020-08-20 02:51

【自动驾驶产业流程调研】（更新中）从招聘需求，观察自动驾驶领域行业概貌，及自动驾驶公司运作流程。

文章目录一、首先查看各个岗位要求感知研发（融合预测）感知深度学习方向路径规划与决策控制算法高精地图研发仿真研发行为预测与轨迹预测机器学习基础设施搭建前端研发后端研发软件研发工程师-嵌入式软件研发工程师-
zhaoyuyu_nudt·2020-08-19 23:28

Tensorflow2.*教程之对预处理的IMDB电影评论数据集进行文本分类（3）

Keras机器学习基础知识：对服装图像进行分类使用TensorflowHub对未处理的电影评论数据集IMDB进行分类后续关于tensorflow2.0文章继续更新...........现在是凌晨五点多了
深沉的背影·2020-08-19 05:04

机器学习基础：详解 5 大常用特征选择方法

在许多机器学习相关的书里，很难找到关于特征选择的内容，因为特征选择要解决的问题往往被视为机器学习的一个子模块，一般不会单独拿出来讨论。但特征选择是一个重要的数据预处理过程，特征选择主要有两个功能：减少特征数量、降维，使模型泛化能力更强，减少过拟合增强对特征和特征值之间的理解好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。本文将结合Sci
机器学习算法那些事·2020-08-19 01:16

Keras机器学习基础知识 . 使用TF Hub进行文本分类

写在前面此篇博客转载自tensorflow官方教程中文翻译版:https://www.tensorflow.org/tutorials/keras/text_classification_with_hub笔者有删改，同时笔者会以注释的形式将可能由环境问题带来的BUG写出来Note:TensorFlow社区翻译了这些文档。因为社区翻译是尽力而为，所以无法保证它们是最准确的，并且反映了最新的官方英文文
Ryan Huang·2020-08-19 01:07

第二篇，搭建机器学习基础环境

文章目录写在前面STEP.1安装CUDA10.2STEP.2安装cuDNN7.6.5结束写在前面上一篇文章（从0开始安装Ubuntu）中，讲解了如何安装Ubuntu18.04系统，以及安装完系统后的一些后续工作。这篇文章主要讲解如何安装Nvidia相关的机器学习开发基础环境。还是老前提，使用本文的方式进行安装，需要有一个好用的梯子。要做的事情：安装Nvidia驱动与CUDA10.2安装对应CUDA
huanghyw·2020-08-18 20:52

1.1机器学习基础-python深度机器学习

参考彭亮老师的视频教程：转载请注明出处及彭亮老师原创视频教程：http://pan.baidu.com/s/1kVNe5EJ1.课程介绍2.机器学习（MachineLearning,ML)2.1概念：多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。2.2学科
Linux????? Mr.Liyz·2020-08-18 17:53

机器学习基础

###1、基础学习学习前提学习过高等数学，例如微积分，线性代数，概率论等，对数学要求较高，但入门时勉强知道基本知识就可以。有一定的编程基础，接触过python最佳。学习目标理解机器学习的基本概念学会对原始数据进行抽象处理会使用python的机器学习相关库对常见的算法有个基本认识课程内容机器学习基本概念监督学习（分类、回归）非监督学习###2、机器学习概念多领域交叉学科，涉及概率论，极限，统计，凸分
Li_GaoGao·2020-08-18 15:53

【机器学习理论】第1部分 机器学习基础

对于机器学习算法也使用了一段时间，现在进行一个系统的学习和总结，也给自己补缺补差，回头来看，发现对于机器学习的理解更加的清晰，更加有条理，在整体的思路上的把握也更加的完善，所以建议对于机器学习的学习一定要多实践，多回头查看、【分类介绍】监督学习：在监督学习中，我们只需要给定输入样本集，机器就可以从中推测出指定目标变量的可能结果。监督学习使用两种类型的目标变量：标称型和数值型。标称型：其目标变量的结
墨竹 | kevinelstri·2020-08-18 15:09

人脸识别SVM算法实现--参考麦子学院彭亮机器学习基础5.2

#本例为人脸识别的SVM算法#首先fetch_lfw_people导入数据#其次对数据进行处理，首先得到X,y,分割数据集为训练集和测试集,PCA降维,然后训练#最后查看正确率，classification_report以及confusion_matrix以及绘制出特征图和预测结果from__future__importprint_functionfromtimeimporttimeimportl
fukaixin12·2020-08-18 14:33

最近邻分类算法KNN实现--参考麦子学院彭亮机器学习基础4.2

importcsvimportrandomimportmathimportoperator#导入数据，并分为训练集和测试集defloadDataset(filename,split,trainingSet=[],testSet=[]):withopen(filename,'rt')ascsvfile:lines=csv.reader(csvfile)dataset=list(lines)forxi
fukaixin12·2020-08-18 14:33

机器学习之决策树算法ID3--参考麦子学院彭亮机器学习基础3.2决策树应用

#决策树算法#首先需要导入输入输出数据，并将输入输出数据转换为标准形式#然后使用sklearn的决策树tree进行处理#最后输出.dot文件结果，并用Graphviz输出决策树的图形#对已有的决策树对象，进行测试数据集predict测试fromsklearn.feature_extractionimportDictVectorizerimportcsvfromsklearnimporttreefr
fukaixin12·2020-08-18 14:33

麦子学院机器学习基础(5)-（神经网络NN)）(python)

一多层前向神经网络输入层（inputlayer）->隐藏层(hideenlayer)->输出层(outpulayer)每层由单元组成神经网络算法设计算法介绍二训练实例三代码实战importnumpyasnpdeftanh(x):#定义tan函数returnnp.tanh(x)deftanh_deriv(x):#定义tan函数的导数return1.0-np.tan(x)*np.tan(x)deflo
dianyingfei1058·2020-08-18 14:18

麦子学院学习视频之机器学习(1):1.1 机器学习介绍

最后还是选择了麦子学院的彭亮老师的《机器学习基础介绍》（以后简称机器学习课程）。说的挺好的，主要是通俗易懂。
weixin_30496751·2020-08-18 13:19

干货|机器学习的数学基础

机器学习基础Author：黄博转自：机器学习初学者机器学习，需要一定的数学基础，也需要一定的代码能力。
文文学霸·2020-08-18 13:08

西瓜书+实战+吴恩达机器学习（三）机器学习基础（多分类、类别不平衡）

文章目录0.前言1.多分类学习2.类别不平衡如果这篇文章对你有一点小小的帮助，请给个关注，点个赞喔，我会非常开心的~0.前言本篇介绍机器学习中的多分类和类别不平衡问题。1.多分类学习一些算法可以直接进行多分类，而另一些算法则不行，基本思路是：将多分类任务拆为若干个二分类任务求解。一对一（Onevs.One,OvO）：给定数据集，将NNN个类别两两配对，产生N(N−1)/2N(N-1)/2N(N−1
zhq9695·2020-08-18 13:09

【机器学习基础】数学推导+纯Python实现机器学习算法11：朴素贝叶斯

Python机器学习算法实现Author：louwill今天要讲的算法是朴素贝叶斯(NaiveBayes)。相较于之前的支持向量机等模型，朴素贝叶斯就要简单多了。朴素贝叶斯是一种基于贝叶斯定理和特征条件独立假设的分类算法。简单而言，对于给定的训练数据，朴素贝叶斯先基于特征条件独立假设学习输入和输出的联合概率分布，然后基于此分布对于新的实例，利用贝叶斯定理计算出最大的后验概率。朴素贝叶斯不会直接学习
风度78·2020-08-18 11:56

PRML第一章笔记

ps：这是对模式识别与机器学习这本书的学习笔记，主要是一些自己的看法和总结（需要有一定的机器学习基础，同时要结合PRML这本书）模式识别：模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的
yealxxy·2020-08-18 09:45

基于神经网络的机器学习基础

函数拟合是人工神经网络的理论基础。基于人工神经网络的机器学习的理论基石是如下定理：多层神经网络可以拟合任何函数（这种说法不够严谨，但基本意思是这样的）。与此相关的一个定理是：多项式可以逼近任何连续函数。传统的方法是线性拟合，包括广义的线性回归方法（GLM）和高维回归方法（SVM）等。线性回归方面有个致命的缺陷，即解决不了非线性问题。最简单的非线性运算异或（XOR），即使用最复杂的线性回归方法也无法
piaoshiming·2020-08-17 15:55

python机器学习基础之numpy.reshape详解

一、定义：这个方法是在不改变数据内容的情况下，改变一个数组的格式，参数及返回值。官网介绍：参数介绍：a：数组–需要处理的数据newshape：新的格式–整数或整数数组，如(2,3)表示2行3列，新的形状应该与原来的形状兼容，即行数和列数相乘后等于a中元素的数量order：首先做出翻译：order:可选范围为{‘C’,‘F’,‘A’}。使用索引顺序读取a的元素，并按照索引顺序将元素放到变换后的的数组
曾牛·2020-08-17 13:53

机器学习基础（六十一）—— 范数及范数的微分

ℓ1范数的微分λ∥s∥1ℓ1范数在0点不可微会影响梯度方法的应用。解决方案：（1）非梯度方法（2）“平滑”ℓ1范数使用x2+ϵ−−−−−√来代替|x|，对ℓ1范数进行平滑，其中ϵ是平滑参数（“smoothingparameter”）。矩阵F范数二范数和F范数是不同的概念。矩阵的诱导2范数即为我们常说的2范数，其定义如下：∥A∥2=maxeig(AHA)−−−−−−−−−−−−√而矩阵的F=2时的范
Inside_Zhang·2020-08-17 13:03

《Python机器学习基础教程》学习笔记(7) 随机森林与梯度提升回归树

集成（ensemble）是合并多个机器学习模型来构造性能更优的模型的方法。决策树集成即是以决策树为基础的模型，主要有随机森林（randomforest）与梯度提升回归树（gradientboosteddecisiontree,GBDT）。随机森林随机森林本质上是许多以不同方式过拟合的决策树的集合，我们可以对这些互不相同的树的结果取平均值来降低过拟合，这样既能减少过拟合又能保持树的预测能力。随机森林
坤斤拷·2020-08-17 11:03

机器学习基础-10.决策树

一、决策树1.概念决策树在现实生活中应用广泛，也非常容易理解，通过构建一颗决策树，只要根据树的的判断条件不断地进行下去，最终就会返回一个结果。例如下图所示。决策树天然地可以解决多分类问题，同时也可以应用于回归问题中。现在先通过sklearn中封装的决策树方法对数据进行分类，来学习决策树。importnumpyasnpimportmatplotlib.pyplotaspltfromsklearnim
闲人勿-·2020-08-17 01:16

机器学习基础知识点归纳

一.生成模型与判别模型1.概念介绍参考：https://blog.csdn.net/u012101561/article/details/52814571参考：http://www.cnblogs.com/fanyabo/p/4067295.html监督学习的任务是学习一个模型，对给定的输入预测相应的输出，监督学习模型可分为生成模型与判别模型。直观来说，生成模型学习的是联合概率分布P(X,Y)，然
huipingx·2020-08-16 06:39

随机森林（random forest）模型原理及sklearn实现

本文的主要内容是基于Python机器学习基础教程决策树部分进行整理和总结。
June �·2020-08-16 05:49

《Python深度学习——基于PyTorch》ch05机器学习基础笔记

5.1机器学习的基本任务监督学习分类回归目标检测识别无监督学习聚类降维半监督学习自编码推荐生成式对抗强化学习分类回归5.2机器学习的一般流程定义问题明确目标收集数据数据探索与预处理选择模型及损失函数评估及优化模型5.3过拟合与欠拟合权重正则化Dropout正则化BatchNormalization权重初始化5.4选择合适的激活函数sigmoid表达式：f(x)=11+e−xf(x)=\frac{1
张欣-男·2020-08-16 01:25

判断凸包是否相交 （UVA10256、HDU6590）

最近他开始转型AI了，在学习机器学习基础。有一天，他翻开书，看到了分类模型之支持向量机这一节。
A_Thinking_Reed_·2020-08-15 13:41

3.23 线性模型 ——读《python机器学习基础教程》第二章

线性模型1.用于回归的线性模型2.线性回归（普通最小二乘法OLS）线性回归寻找参数w和b，使得对训练集的预测值与真实的回归目标值y之间的均方误差最小。线性回归没有参数，这是一个优点，但也因此无法控制模型的复杂度。例子：#linearregressionfromsklearn.linear_modelimportLinearRegressionfromsklearn.model_selectioni
RainbowCoral·2020-08-15 07:00

3.19读《python机器学习基础教程》第一章基础知识

书中提到的一些资源网站：补充材料（代码示例、IPythonnotebook等）可以在https://github.com/amueller/introduction_to_ml_with_python下载。scikit-learn包含许多目前最先进的机器学习算法，每个算法都有详细的文档（http://scikit-learn.org/stable/documentation）。scikit-lea
RainbowCoral·2020-08-15 07:29

3.20 k近邻/数据集举例 ——读《python机器学习基础教程》第二章

样本数据集forge数据集包含26个数据点和2个特征（shape函数）#生成数据集X,y=mglearn.datasets.make_forge()#数据集绘图mglearn.discrete_scatter(X[:,0],X[:,1],y)plt.legend(["Class0","Class1"],loc=4)plt.xlabel("Firstfeature")plt.ylabel("Seco
RainbowCoral·2020-08-15 07:29

pyhton机器学习与数据挖掘 -- 线性回归

参考内容:python数据挖掘与机器学习实战.方魏.机械工业出版社.2019.05机器学习基础:从入门到求职.胡欢武.电子工业出版社.2019.03回归分析是一种应用极为广泛的数量分析方法。
落@槿（nick）·2020-08-14 18:05

Machine Learning -- 揭开机器学习的面纱

4.2按任务类型分类4.2.1回归问题4.2.2分类问题4.2.3聚类问题4.2.4降维问题5.开发机器学习的一般步骤参考内容:python数据挖掘与机器学习实战.方魏.机械工业出版社.2019.05机器学习基础
落@槿（nick）·2020-08-14 18:04

机器学习--读书笔记（一）

第一章机器学习基础1.什么是机器学习作者的朋友问到所从事的职业，回答“机器学习”，又问“什么是机器学习”，通过回答朋友职业问题的提问引出何为机器学习，利用计算机来彰显数据背后的真实含义，才是机器学习的真实含义
我在学机器学习·2020-08-14 18:19

机器学习基础（十八） —— decision stump

分享一下我老师大神的人工智能教程。零基础！通俗易懂！风趣幽默！还带黄段子！希望你也加入到我们人工智能的队伍中来！https://blog.csdn.net/jiangjunshow基本原理decisionstump，决策树桩（我称它为一刀切），也称单层决策树（aoneleveldecisiontree），单层也就意味着尽可对每一列属性进行一次判断。如下图所示（仅对petallength进行了判断）
阿拉斯加的狗·2020-08-14 17:57

《Python机器学习基础教程》学习记录（三）

第一章1.7.4构建第一个模型：k近邻算法步骤：构建模型做出预测评估模型  k近邻分类器，这是一个很容易理解的算法。构建此模型只需要保存训练集即可。要对一个新的数据点做出预测，算法会在训练集中寻找与这个新数据点距离最近的数据点，然后将找到的数据点的标签赋值给这个新数据点。  k近邻算法中k的含义是，我们可以考虑训练集中与新数据点最近的任意k个邻居（比如说，距离最近的3个或5个邻居），而不是只考虑最
csdn_Mr_H·2020-08-14 15:39

最新版学习笔记---Python机器学习基础教程（6）决策树---附完整代码

决策树1.构造决策树2.如何控制决策树的复杂度（深度）3.分析决策树4.决策树的特征重要性5.决策树的优点、缺点和参数决策树是广泛用于分类和回归的任务模型。下面看图片理解一下什么叫决策树：在这张图中，树的每个节点代表一个问题或者一个包含答案的终结点（叶结点）。树的边将问题的答案与将问的下一个问题连接起来。用机器学习的语言来说就是，为了区分四类动物，我们利用三个特征来构建一个模型。1.构造决策树我们
非鱼子焉·2020-08-14 00:53

最新版学习笔记---Python机器学习基础教程（5）朴素贝叶斯分类模型---附完整代码

朴素贝叶斯分类器1.朴素贝叶斯分类器概念2.朴素贝叶斯分类器分类3.对朴素贝叶斯（高斯）分类模型进行分析在这里我们讲怎么用python实现朴素贝叶斯分类器，具体的关于朴素贝叶斯分类模型的详细讲解，我会在接下来的学习中涉及。1.朴素贝叶斯分类器概念朴素贝叶斯分类模型是一种简单的构造分类器的方法。它将问题分为特征向量和决策向量两类（通过独立检查每个特征来学习参数，并从每个特征中收集简单的类别统计数据。
非鱼子焉·2020-08-14 00:21

最新版学习笔记---Python机器学习基础教程（4）线性模型（分类）---附完整代码

线性模型1.用于二分类的线性模型2.用于多分类的线性模型线性模型也同样应用于分类问题。1.用于二分类的线性模型首先我们看一下二分类，预测公式：这个公式上一篇博文里面的线性回归公式非常相似，但是我们没有返回特征的加权求和，而是为预测设置了阈值（0）。如果函数值小于0，我们就预测类别-1；若函数值大于0，我们就预测类别+1。最常见的两种线性分类算法是Logistic回归和线性支持向量机（线性SVM）在
非鱼子焉·2020-08-14 00:51

最新版学习笔记---Python机器学习基础教程（3）线性模型（回归）---附完整代码

线性模型1.用于回归的线性模型2.线性回归（OLS普通最小二乘法）3.岭回归4.Lasso线性模型是实践中广泛应用的一类模型。线性模型利用输入特征的线性函数进行预测。这里就在不写需要什么环境了，可以翻看之前的笔记。1.用于回归的线性模型对于回归问题，线性模型预测的一般公式如下：其中w是斜率，b是y轴偏移。我们在一维wave数据集上学习参数w和b。运行代码如下：importmatplotlib.py
非鱼子焉·2020-08-14 00:51

机器学习 | 目录（持续更新）

本笔记分为五部分：机器学习基础监督学习算法无监督学习算法深度学习算法强化学习算法所有已完成的笔记都会发布到CSDNBlog上，感兴趣的小伙伴可以关注一下，我将会坚持更新机器学习以及深度学习的笔记。
X1AO___X1A·2020-08-13 22:00

核支持向量机，python实现

参考用书：python机器学习基础教程[德]AndreasC.Muller[美]SarahGuido著张亮译支持向量机可以同时用于分类和回归，但这篇文章只介绍用于分类的情况，它在SVC中实现。
何国庆·2020-08-13 17:55

机器学习基础知识-神经网络与深度学习学习笔记（二）

机器学习基础知识-神经网络与深度学习学习笔记（二）最近在学习复旦邱锡鹏老师的《神经网络与深度学习》，并对书中推荐的论文进行了阅读。
Doit_·2020-08-13 16:15
上一页 19 20 21 22 23 24 25 26 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他