•机器学习基础

达观数据王文广：如何玩转自然语言理解和深度学习实践？

一、深度学习概述深度学习是从机器学习基础上发展起来的，机器学习分为监督学习、非监督学习以及强化学习三种类型。深度学习是在机器学习的基础上把特征抽取工作放到里面一起来完成的，直接实现了端到端的学习。
达观数据·2020-07-01 08:53

实验室服务器安装anconda并安装机器学习基础包及TensorFlow/pytorch

目录：写在前面conda简介下载并安装conda检验当前python版本使用前激活conda简单的conda指令写在前面写这篇文章的目的：希望大家看完这篇文章之后理解什么是conda，学会安装conda，并用conda在任意一台机器（主要是服务器）上配置自己的python开发环境。如果你使用过conda，并且只是需要在服务器上配置自己的开发环境（独立的任意版本的python和你需要的pythonp
zhwli·2020-06-30 16:11

基于LSTM的Chatbot实例(1) — 研究背景及数据准备

一、背景一直想写一篇面对初学者的文章从上层应用到底层的机器学习基础方面全流程的阐释当下流行的深度学习算法（CNN，RNN等）。
晨丢丢·2020-06-30 13:58

AI实战：pytorch、 tensorflow 对比之推理时性能、GPU占用对比（一）：DenseNet

DenseNet定义论文链接：DenselyConnectedConvolutionalNetworks参考：深度/机器学习基础知识要点：CNN、ResNet、DenseNetDenseNet参数参数情况
szZack·2020-06-30 12:52

Python中sum函数的说明与代码

《机器学习基础：相似度和距离度量究竟是什么》Python内置的sum函数作用：对可迭代对象进行求和计算。sum(iterable[,start])iterable--可迭代对象，如：列表、元组、集合。
独步天秤·2020-06-30 08:04

吴恩达深度学习——深度学习概论

深度学习概论神经网络基础浅层神经网络深层神经网络需要机器学习基础什么是神经网络假设我们知道六个房屋价格样本，特征是房屋大小。它们的分布如上图，纵轴是房屋价格，标签。横轴是特征房屋大小。
愤怒的可乐·2020-06-30 08:12

ML：机器学习基础

何谓机器学习机器学习软件的作用为改善商业决策、提高生产率、检测疾病、预测天气。此外，它还可以作为实际工具应用于从政治到地质学的多个领域，解决其中的很多问题。甚至可以这么说，机器学习对于任何需要解释并操作数据的领域都有所裨益。机器学习横跨计算机科学、工程技术和统计学等多个学科，需要多学科的专业知识。除却一些无关紧要的情况，人们很难直接从原始数据本身获得所需信息。例如，对于垃圾邮件的检测，侦测一个单词
微步_ym·2020-06-30 07:29

玩转人工智能（8）Python机器学习基础库、autoML、Apollo2.0介绍

本文前半部分介绍numpy、scipy、matplotlib、pandas、pyTorch等机器学习的基本函数库。后半部分介绍cloudautoML和autoMLVersion、以及X度的Apollo2.0/auto技术。numpy库是python中用来处理数据的函数库，核心是数组计算。http://nbviewer.jupyter.org/github/lijin-THU/notes-pytho
Moscar_M·2020-06-30 05:54

机器学习基础概念

一、监督学习与无监督学习监督学习：X为图像或者其他对象，y为图像的类别或者其他标签目的：学习X到y的映射关系。当给出一个X，是否可以找到一个函数映射关系得到y标签无监督学习：无标签目的：学习X中的特征或者规律。有大量样本，但样本没有标签，我们就需要找到样本存在的规律进行分类等其他任务，最经典的算法就是k-meaus聚类算法答案是第二个机器学习最终目的是让机器可以参与决策，得出结论，而第二个安检时机
小白芷·2020-06-30 05:01

机器学习基础---分类评价指标---混淆矩阵及相关的二级指标、三级指标

混淆矩阵的定义混淆矩阵（ConfusionMatrix），它的本质远没有它的名字听上去那么拉风。矩阵，可以理解为就是一张表格，混淆矩阵其实就是一张表格而已。二分类的混淆矩阵以分类模型中最简单的二分类为例，对于这种问题，我们的模型最终需要判断样本的结果是0还是1，或者说是positive还是negative。我们通过样本的采集，能够直接知道真实情况下，哪些数据结果是positive，哪些结果是neg
xys430381_1·2020-06-30 04:39

自然语言处理之路：方法——机器学习基础

一个自然语言处理炼丹师的自白往期：自然语言处理之路：前提——英文自然语言处理之路：前提——数学自然语言处理之路：前提——语言学自然语言处理之路：工具——七种兵器因为各种媒体宣传，最近问问学校新入学计算机科学的学生们，想搞什么研究，结果十个里有九个要研究机器学习，中间还一些弄不清深度学习和机器学习的关系，实际上是想搞深度学习。原本深度学习（深度神经网络）只是机器学习领域一个分支，但因为其最近大火，导
坂本龙一·2020-06-30 01:06

机器学习基础--各种学习方式（8）--统计关系学习

统计关系学习独立同分布iid和统计关系学习是不同于迁移学习的！！！！传统机器学习模型假设数据是独立同分布的(independentandidenticallydistributed,iid)，也就是说，数据样本之间相互独立，不存在任何关系。然而，实际上有许多都是有关系的，比如学术论文之间存在引用关系等。我们把这种样本之间存在关系的数据叫做关系数据(relationaldata)，把基于关系数据的机
whitenightwu·2020-06-29 22:33

机器学习基础--math（20）--流形/黎曼流形

流形（manifold）流形（manifold）是高维空间中曲线、曲面概念的拓广。我们可以在低维上直观理解这个概念，比如我们说三维空间中的一个曲面是一个二维流形，因为它的本质维度（intrinsicdimension）只有2，一个点在这个二维流形上移动只有两个方向的自由度。同理，三维空间或者二维空间中的一条曲线都是一个一维流形。流形/黎曼流形粗浅地说，2维流形就是3维空间的2维曲面。3维流形就比较
whitenightwu·2020-06-29 22:33

机器学习基础--训练误差与泛化误差；泛化

训练误差与泛化误差  1）机器学习模型在训练数据集上表现出的误差叫做训练误差；  2）在任意一个测试数据样本上表现出的误差的期望值叫做泛化误差。  统计学习理论的一个假设是：训练数据集和测试数据集里的每一个数据样本都是从同一个概率分布中相互独立地生成出的（独立同分布假设）。  基于以上独立同分布假设，给定任意一个机器学习模型及其参数，它的训练误差的期望值和泛化误差都是一样的。然而从之前的章节中我们
whitenightwu·2020-06-29 22:33

重磅开源！所有的李航老师《统计学习方法》算法代码实现！！！

这本书的内容也基本成为各大厂面试同学们的机器学习基础的必备考纲，大家也许再学第一遍的时候，感觉自己懂了，但是面试官如果给你一个白板，让你写写核心
深度学习技术前沿·2020-06-29 17:56

python机器学习基础教程笔记01

https://github.com/amueller/introduction_to_ml_with_python/blob/master/01-introduction.ipynbNumPy是Python科学计算的基础包之一，功能包括多维数组、高等数学函数（线性代数运算和傅立叶变换等），以及伪随机数生成器。sk-learn中NumPy数组是基本数据结构。sk-learn接受NumPy数据格式的
白白白安安·2020-06-29 15:06

【机器学习基础】EM算法详解及其收敛性证明

EM算法详解（一）单高斯模型1.1一维高斯分布：1.2多维高斯分布：（二）最大似然估计2.1最大似然估计的数学概念：2.2最大似然估计的基本步骤：2.2.1构造似然函数：2.2.2对数似然函数：2.2.3计算参数估计值：（三）混合高斯模型3.1单高斯模型的局限：3.2全概率公式：3.3混合高斯模型的概念：（四）最大似然估计的局限4.1混合模型的似然函数：4.2对数似然函数估计时的问题：（五）最大期
Memory逆光·2020-06-29 14:08

Python实现机器学习

1.机器学习基础知识传统的数据分析旨在回答关于过去的事实，机器学习的目的是回答关于未来事件的可能性的问题。
Vinyyu·2020-06-29 14:41

学习笔记(02):2019tensorflow2.0最新实战课程-机器学习基础

立即学习:https://edu.csdn.net/course/play/20753/259022机器学习基础相关知识一.训练数据、验证数据、测试数据（一）.建模前，我们吧数据分成三部分1.训练集：训练集用来训练构建模型
大顺.·2020-06-29 14:37

Tensorflow2.* 加载和预处理数据之用 tf.data 加载磁盘图片数据(4)

*机器学习基础知识篇：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Keras机器学习基础知识之对预处理的电影评论文本分类Tensorflow2.
深沉的背影·2020-06-29 13:33

Tensorflow2.* 加载和预处理数据之用 tf.data 加载文本数据（5）

*机器学习基础知识篇：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Keras机器学习基础知识之对预处理的电影评论文本分类Tensorflow2.
深沉的背影·2020-06-29 13:33

第十三篇：机器学习基础：线性回归算法、正规方程、梯度下降、正则化、岭回归

1线性回归简介1.1线性回归应用场景-房价预测、销售额度预测、贷款额度预测1.2什么是线性回归-线性回归(Linearregression)是利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式。特点：只有一个自变量的情况称为单变量回归，多于一个自变量情况的叫做多元回归####通用公式：h(w)=w1x1+w2x2+w3x3+...+b=wTx+b,其中
太阳不热·2020-06-29 09:49

机器学习入门（基础知识、线性回归算法）

文章目录1.机器学习基础1.1监督学习1.2无监督学习1.3泛化能力、过拟合、欠拟合1.3.1泛化能力1.3.2泛化能力的度量1.3.3过拟合与欠拟合1.4交叉验证法线性回归线性回归原理线性回归函数线性回归优化方法线性回归评估指标
Tiiian_·2020-06-29 06:18

《python机器学习基础教程》笔记（第1章）

这篇文章是为了在读完《Python机器学习基础》后对书本内容进行整理，我也是最近（不到两个月）才开始学习机器学习，不足错误之处肯定有，我很倾佩写这种某领域经典书籍的人，写的东西从不拖泥带水却又非常准确，
阿大古 古古古·2020-06-29 06:40

《Scikit-Learn与TensorFlow机器学习实用指南》 第06章 决策树

（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·2020-06-29 04:43

机器学习基础：理解梯度下降本质「附Python代码」

https://www.toutiao.com/a6646958932096975373/2019-01-1613:15:26今天我们尝试用最简单的方式来理解梯度下降，在之后我们会尝试理解更复杂的内容，也会在各种各样的案例中使用梯度下降来求解（事实上之前线性回归模型中我们已经使用了它），感兴趣的同学欢迎关注后续的更新（以及之前的内容）。梯度下降的原理在数据科学中，我们经常要寻找某个模型的最优解。梯
喜欢打酱油的老鸟·2020-06-29 03:47

课程学习向：花书 Deep Learning 第五章 机器学习基础

作者首先在前面推荐了两本书一本是Murphy(2012)MachinelearningAProbabilisticPerspective资源在这：https://download.csdn.net/download/u013032116/9998333还有一本是：Bishop(2006)：patternrecognitionandmachinelearning，这个原版和中译版网上都有。5.1学习
神经病研究神经网络·2020-06-28 23:09

机器学习基础-【决策树】

0.机器学习中分类和预测算法的评估：准确率速度强壮行可规模性可解释性1.什么是决策树/判定树（decisiontree)?判定树是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布。树的最顶层是根结点。2.机器学习中分类方法中的一个重要算法3.构造决策树的基本算法分支根结点结点树叶3.1熵（entropy）概念：信息和抽象，如
偏执的眸·2020-06-28 22:28

[Python深度学习]（三）机器学习基础

第4章机器学习基础4.1机器学习的四个分支4.1.1监督学习4.1.3自监督学习4.1.4强化学习4.2评估机器学习模型4.2.1训练集、验证集和测试机4.2.2评估模型的注意事项4.3数据预处理、特征过程和特征学习
gdtop818·2020-06-28 20:30

神经网络与深度学习

机器学习由于其可解释性强，计算量小，等原因占据了主流，特征学习和最终模型预测学习分开进行，但由于数据形式多种多样（文本、视频），深度学习的在原有机器学习基础上，将特征提取也让计算机进行自己选择，准确率更高
路飞！·2020-06-28 20:16

收藏 | Google 发布关于机器学习工程的最佳实践

文章来自TensorFlow，作者Google，本文档旨在帮助已掌握机器学习基础知识的人员从Google机器学习的最佳实践中受益。
s张·2020-06-28 19:16

机器学习基础-假设空间、样本空间与归纳偏置

2019独角兽企业重金招聘Python工程师标准>>>在进入正题前先说一说函数，在陶哲轩所著的实分析集合论章节中定义：函数是从定义域A到值域B的映射，即对于A中的每个值B中都有唯一的值对应。假设定义域A中元素个数为X，值域B中元素个数为Y，那么产生函数个数为个。假设A={1,2},B={3,4}则可能产生的函数有：1、1->3,2->32、1->3,2->43、1->4,2->44、1->4,2-
weixin_34362790·2020-06-28 17:26

神经网络和机器学习基础入门分享

最近在做知识图谱实体对齐和属性对齐中，简单用了下Word2vec谷歌开源代码。Word2vec是一个将单词表征成向量的形式，它可以把文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。Word2vec采用CBOW（ContinuousBag-Of-WordsModel，连续词袋模型）和Skip-Gram（ContinuousSkip-GramModel）两
weixin_34277853·2020-06-28 15:31

机器学习基础

1.机器学习的方法：有监督学习（分类，回归）、无监督学习（聚类）、半监督学习、增强学习、多任务学习其中，有监督学习训练数据集有标记，无监督学习则无，半监督存在少量有标记的训练集大量无标记的训练数据集，增强学习不给具体步骤，只给出评价。2.机器学习步骤：数据预处理（数据清洗，数据采样，数据集拆分）——>特征工程（特征选择，特征降维，特征编码，规范化）其中各种步骤都存在一定的规则和方法。3.机器学习的
biglayman·2020-06-28 15:00

机器学习&深度学习基础（tensorflow版本实现的算法概述0）

tensorflow集成和实现了各种机器学习基础的算法，可以直接调用。
weixin_34260991·2020-06-28 15:01

《Scikit-Learn与TensorFlow机器学习实用指南》 第01章 机器学习概览

（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（
weixin_34257076·2020-06-28 15:04

【机器学习实战】第1章 机器学习基础

>>>第1章机器学习基础机器学习概述机器学习就是把无序的数据转换成有用的信息。获取海量的数据从海量数据中获取有用的信息我们会利用计算机来彰显数据背后的真实含义，这才是机器学习的意义。
weixin_33908217·2020-06-28 07:07

机器学习基础---再谈归纳偏置

2019独角兽企业重金招聘Python工程师标准>>>在“机器学习基础-假设空间、样本空间与归纳偏置”中提到了归纳偏置实际上是一种模型选择策略，尽管我们认为A模型更简单可能具有更好的泛化能力（更贴切实际问题对新数据的预测更准
weixin_33720452·2020-06-28 03:36

干货 | 5本大数据与机器学习书籍以及算法视频教程推荐，附下载~

Spark机器学习》4、《Python+Spark2.0+Hadoop机器学习与大数据实践》5、《机器学习周志华》机器学习是计算机科学与人工智能的重要分支领域.本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识
weixin_33686714·2020-06-28 03:03

谷歌机器学习规则要点简析：43条黄金法则

blog.itpub.net/31542492/viewspace-2156228/目录术语概览在进行机器学习之前机器学习第一阶段：您的第一个管道关于机器学习工程的最佳实践马丁·辛克维奇本文档旨在帮助已掌握机器学习基础知识的人员从
weixin_30856965·2020-06-28 01:53

Python机器学习基础教程-第1章-鸢尾花的例子KNN

前言本系列教程基本就是摘抄《Python机器学习基础教程》中的例子内容。
weixin_30528371·2020-06-27 21:29

【机器学习基础】对 softmax 和 cross-entropy 求导

目录符号定义对softmax求导对cross-entropy求导对softmax和cross-entropy一起求导References在论文中看到对softmax和cross-entropy的求导，一脸懵逼，故来整理整理。以softmaxregression为例来展示求导过程，softmaxregression可以看成一个不含隐含层的多分类神经网络，如Fig.1所示。Fig.1SoftmaxRe
weixin_30496431·2020-06-27 20:55

鸢尾花分类——Python机器学习起步

引言一直对AI有着莫大的兴趣，最近买了周志华先生的西瓜书，也是干货满满，最近也想从实战方面入手，了解一下机器学习，本文以《Python机器学习基础教程》为指导。
weixin_30278311·2020-06-27 15:58

神经网络浅讲：从神经元到深度学习

本文对阅读没有一定的前提要求，但是懂一些机器学习基础会更好地帮助理解本文。神经网络是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技术。人脑中的神经
weixin_30271335·2020-06-27 15:03

小白机器学习基础算法学习必经之路

未来，人工智能是生产力，是变革社会的主要技术力量之一。掌握人工智能技术，需要从基础的机器学习算法开始学习，逐渐建立机器学习知识体系。本场Chat首先带大家入门什么是机器学习和机器学习的应用领域，帮助大家建立机器学习的概念模型，然后用最简单的线性回归和逻辑回归算法，让大家掌握机器学习神秘的“三板斧”（解决方法）。通过举一反三，引导大家建立以后机器学习和深度学习的学习路线。本场Chat您将了解如下内容
GitChat的博客·2020-06-27 11:24

机器学习实战笔记（一）KNN算法

1.机器学习基础机器学习可以分为监督学习和无监督学习，监督学习又可以分为分类和回归，之所以称之为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。
HJ_彼岸·2020-06-27 08:07

TF2.0 TensorFlow 2 / 2.0 官方文档中文版

Python3.7文档地址文档地址：TensorFlow2/2.0中文文档Github：Github-tensorflow2-docs知乎专栏：Zhihu-Tensorflow2-docs目录(持续更新)基础-机器学习基础
极客兔兔·2020-06-27 08:19

第1章 引言 《Python机器学习基础教程》读书笔记之二

第1章引言机器学习是人数据中提取知识，它是统计学，人工智能和计算机科学交叉的研究领域，也被称为预测分析或统计学习。本章将解释机器学习如此流行的原因，并探讨机器学习可以解决哪些类型的问题。然后将向你展示如何构建第一个机器学习模型，同时介绍一些重要的概念。1.1为何选择机器学习人为制订规制有两个特点：所需要的逻辑只适用于单一领域和单项任务。任务稍有变化，都可能需要重写整个系统。制定规则，需要对人类专家
陆洪春晓·2020-06-27 08:51

机器学习系列：（一）机器学习基础

声明：版权所有，转载请联系作者并注明出处http://blog.csdn.net/u013719780?viewmode=contents博主简介：风雪夜归子（英文名:Allen），机器学习算法攻城狮，喜爱钻研MachineLearning的黑科技，对DeepLearning和ArtificialIntelligence充满兴趣，经常关注kaggle数据挖掘竞赛平台，对数据、MachineLear
风雪夜归子·2020-06-27 07:18

人工智能----机器学习基础

第一、弱监督学习监督学习、非监督学习、半监督学习这些概念都比较好理解且常见。何为弱监督学习？看起来就是指样本有标记，可能不止一个，还可能不正确，其训练的目的是为了将结果往好的标记上靠。感觉是非监督学习的样本上加了一些有意义的杂质。第二、模型质量评价这里需要记住以下几点：1、正确率不是衡量模型好坏的唯一标准；反例如下：正确率确实是一个很直观很好的评价指标，但是有时候正确率高并不能完全代表一个算法就好
请叫我马老师·2020-06-27 03:05
上一页 24 25 26 27 28 29 30 31 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他