•机器学习基础

深度学习 | 训练及优化方法

————————————————————————————深度学习教程与实战案列系列文章深度学习|绪论深度学习|线性代数基础深度学习|机器学习基础深度学习|实践方法论深度学习|应用深度学习|安装conda
_Summer tree·2020-06-22 02:40

深度学习 | 应用

深度学习教程与实战案列系列文章深度学习|绪论深度学习|线性代数基础深度学习|机器学习基础深度学习|实践方法论深度学习
_Summer tree·2020-06-22 02:09

深度学习 | TensorFlow 命名机制和变量共享、变量赋值与模型封装

————————————————————————————深度学习教程与实战案列系列文章深度学习|绪论深度学习|线性代数基础深度学习|机器学习基础深度学习|实践方法论深度学习|应用深度学习|安装conda
_Summer tree·2020-06-22 02:38

使用sklearn 机器学习基础知识

特征转化数据预处理:为什么要转化数据呢，就是要让它成为有效的特征，因为原始数据是很多脏数据无用数据的。常用的方法是标准化，归一化，特征的离散化等等连续型数据处理之二值化：Binarizer假设淘宝现在有个需求，我得根据年龄来进行物品推荐，把50以上的人分为老年，50以下分为非老年人，那么我们根据二值化可以很简单的把50以上的定为1，50以下的定为0。这样就方便我们后续的推荐了。Binarizer就
Metal1·2020-06-22 01:06

【深度学习实战】从零开始深度学习（一）：利用PyTorch开始深度学习

参考资料：《Pytorch深度学习》（人民邮电出版社）第三章深入了解神经网络《Pytorch深度学习》（人民邮电出版社）第四章机器学习基础Pytorch官方文档其他有参考的资料都在文章中以超链接的形式给出啦目录
喵木木·2020-06-21 22:28

【机器学习基础】噪声与误差

目标分布（TargetDistribution）在实际情形中，训练数据的误标签的情况，输入数据某一维不准确的情况，都可能导致数据信息不精准，产生噪声数据。由于受到噪声的影响，我们现在可以把y也看做是一种概率分布,y也是从某种分布中取样而来的，即y~P(y|x)。这里的P(y|x)被称为目标分布。回头来看，我们可以把学习的目标总结为，在常见的输入(符合P(x))中可以预测出理想的目标(P(y|x))
JasonDing1354·2020-06-21 22:11

《Python机器学习基础教程》学习笔记(9) 深度学习(神经网络)

主要讨论深度学习中可用于分类与回归的多层感知机（MLP）。MLP的原理是多次重复线性回归的的加权求和过程（中间的计算结果称为隐单元，隐单元构成隐层），计算最后一层的隐单元的经过一个非线性函数的加权求和得到结果。常用的非线性函数有校正非线性（也叫relu，函数为f(x)=max(0,x)）与正切双曲线（函数为f(x)=tanh(x)）。调参hidden_layer_sizes：数据类型为tuple，
坤斤拷·2020-06-21 21:13

Machine Learning 2 - 非线性回归算法分析

我们上文深入本质了解了机器学习基础线性回归算法后，本文继续研究非线性回归。非线性回归在机器学习中并非热点，并且较为小众，且其应用范畴也不如其他广。鉴于此，我们本文也将较为简单的介绍，并不会深入展开。
erixhao·2020-06-21 20:24

《Python机器学习基础教程》学习记录（一）

开篇  为了提升自己，准备学习《Python机器学习基础教程》作者:[德]安德里亚斯·穆勒/[美]莎拉·吉多，译者:张亮；写此博客，用作记录书中的代码，学习心得等。
csdn_Mr_H·2020-06-21 18:04

《Python机器学习基础教程》学习记录（四）

第2章监督学习  监督学习是最常用也是最成功的机器学习类型之一，每当想要根据给定输入预测某个结果，并且还有输入/输出对的示例时，都应该使用监督学习。2.1分类与回归  监督机器学习问题主要有两种，分别叫作分类（classification）与回归（regression）。区分分类任务和回归任务有一个简单方法，就是问一个问题：输出是否具有某种连续性。2.2泛化、过拟合与欠拟合  在监督学习中，我们想
csdn_Mr_H·2020-06-21 18:04

机器学习基础概念：查准率、查全率、ROC、混淆矩阵、F1-Score 机器学习实战：分类器

机器学习：基础概念查准率、查全率F1-Score、ROC、混淆矩阵机器学习实战：分类器性能考核方法：使用交叉验证测量精度性能考核方法：混淆矩阵精度和召回率ROC曲线训练一个随机森林分类器，并计算ROC和ROCAUC分数查准率、查全率对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例TP、假正例FP、真反例TN、假反例FN四种，令TP、FP、TN、FN分别表示其对应的样例数，则
混混度日的咸鱼·2020-06-21 16:59

吐血整理：机器学习的30个基本概念，都在这里了（手绘图解）

导读：本文主要介绍机器学习基础知识，包括名词解释（约30个）、基础模型的算法原理及具体的建模过程。
大数据v·2020-06-21 15:30

深度学习500问

深度学习500问Referenceshttps://github.com/scutan90/DeepLearning-500-questions01.数学基础02.机器学习基础ROC曲线SVM（supportvectormachine
郭明君·2020-06-21 13:13

Python机器学习基础教程笔记（一）

description:《Python机器学习基础教程》的第一章笔记，书中用到的相关代码见github:https://github.com/amueller/introduction_to_ml_with_python
iAUTU·2020-06-21 07:00

机器学习基础教程——最小二乘法案列

机器学习——最小二乘法问题从1896年开始,每次奥林匹克运动会(简称奥运会)男子100米比赛赢得金牌所需的比赛时间。我们的目标是用这些数据学习一个函数模型,此模型依赖于奥运会举办年份和100米获胜时间,并且用这个模型预测将来比赛中的获胜时间。1.数据处理#读取原始数据，x,tdefget_initial_data(filename):data={}withopen(filename,"r")asf
面狐·2020-06-21 06:29

吴恩达深度学习第二课笔记——改善深层神经网络：超参数调试、正则化以及优化

：深度学习的实践层面(PracticalaspectsofDeepLearning)1.1训练，验证，测试集（Train/Dev/Testsets）1.2偏差，方差（Bias/Variance）1.3机器学习基础
solejay·2020-06-21 03:09

【机器学习基础】数学推导+纯Python实现机器学习算法4：决策树之ID3算法

Python机器学习算法实现Author：louwill作为机器学习中的一大类模型，树模型一直以来都颇受学界和业界的重视。目前无论是各大比赛各种大杀器的XGBoost、lightgbm还是像随机森林、Adaboost等典型集成学习模型，都是以决策树模型为基础的。传统的经典决策树算法包括ID3算法、C4.5算法以及GBDT的基分类器CART算法。三大经典决策树算法最主要的区别在于其特征选择准则的不同
风度78·2020-06-21 01:32

【机器学习基础】数学推导+纯Python实现机器学习算法5：决策树之CART算法

目录CART概述回归树分类树剪枝Python实现示例：分类树在数学推导+纯Python实现机器学习算法4：决策树之ID3算法中笔者已经对决策树的基本原理进行了大概的论述。本节将在上一讲的基础上继续对另一种决策树算法CART进行讲解。CART概述所谓CART算法，全名叫ClassificationandRegressionTree，即分类与回归树。顾名思义，相较于此前的ID3算法和C4.5算法，CA
风度78·2020-06-21 01:32

【机器学习基础】数学推导+纯Python实现机器学习算法6：感知机

Python机器学习算法实现Author：louwill今天笔者要实现的机器学习算法是感知机(perceptron)。感知机是一种较为简单的二分类模型，但由简至繁，感知机却是神经网络和支持向量机的基础。感知机旨在学习能够将输入数据划分为+1/-1的线性分离超平面，所以说整体而言感知机是一种线性模型。因为是线性模型，所以感知机的原理并不复杂，本节笔者就和大家来看一下感知机的基本原理和Python实现
风度78·2020-06-21 01:32

【机器学习基础】数学推导+纯Python实现机器学习算法1：线性回归

很多同学在学习机器学习的时候，理论粗略看一遍之后就直接上手编程了，非常值得表扬。但是他不是真正的上手写算法，而是去直接调用sklearn这样的package，这就不大妥当了。笔者不是说调包不好，在实际工作和研究中，封装好的简单易用的package给我们的工作带来了莫大的便利，大大提高了我们机器学习模型和算法的实现效率。但这仅限于使用过程中。笔者相信很多有企图心的同学肯定不满足于仅仅去使用这些pac
风度78·2020-06-21 01:32

python机器学习基础简介

一.入门指导：1.从一种语言开始目前人工智能方向最火的也就是python了。2.熟悉基本概念有监督学习与无监督学习的区别分类与回归的含义过拟合与欠拟合的现象3.常见算法K最近邻算法，线性模型，朴素贝叶斯，决策树，随机森林，SVMs，神经网络二.一些必要的库：包括：Numpy,Scipy,matplotlib,pandas,IPython,scikit-learn等等安装方式：pip3install
shun-ripking·2020-06-21 00:28

机器学习-第一个应用/鸢尾花分类-Python

@参考Python机器学习基础教程鸢尾花分类一个简单的机器学习应用，构建第一个模型。对鸢尾花的分类，根据测量数据进行，该测量数据则为特征。
ZHOU_YU0715·2020-06-20 23:04

头条广告算法实习生面试总结

问机器学习项目，问机器学习基础知识。Auc是什么，为什么能用来当评测指标，问了逻辑回归，手推公式，分类算法和回归算法你了解哪些？牛顿梯度下降，什么是梯度？
rain_Man2018·2020-06-02 23:06

一、【python】机器学习基础

专有名词机器学习(machinelearning)预测分析(predictiveanalytics)统计学习(statisticallearning)监督学习(supervisedlearning)无监督学习(unsupervisedlearning)样本(sample)特征(feature)特征提取(featureextraction)分类(classification)类别(class)标签(
鱼换水·2020-05-30 21:00

第十篇：机器学习基础：SVM支持向量机算法模型原理

1.支持向量机概述1.1从算法的功能来划分===================================================================有监督学习：线性二分类与多分类（linearsupportvectorclassification）：非线性二分类与多分类（supportvectorclassification，SVC）：普通连续型变量的回归（suppor
太阳不热·2020-05-29 10:07

第八篇：机器学习基础：集成学习算法：随机森林、Adaboost、 XGBoost

1集成学习1.1。何为集成方法？集成学习是一种机器学习范式。在集成学习中，我们会训练多个模型（通常称为「弱学习器」）解决相同的问题，并将它们结合起来以获得更好的结果。最重要的假设是：当弱模型被正确组合时，我们可以得到更精确和/或更鲁棒的模型。集成方法的思想是通过将这些弱学习器的偏置和/或方差结合起来，从而创建一个「强学习器」（或「集成模型」），从而获得更好的性能。1.2。组合弱学习器：很重要的一点
太阳不热·2020-05-29 10:41

机器学习基础---应用实例（图片文字识别）和总结

一：问题描述和流程图将介绍一种机器学习的应用实例：照片OCR技术，介绍它的原因：（1）首先，展示一个复杂的机器学习系统是如何被组合起来的；（2）接着，介绍一下机器学习流水线的有关概念以及如何分配资源来对下一步计划作出决定；（适用于个人或者团队开发机器学习应用）（3）最后，介绍一下照片OCR问题，展现机器学习中有用的想法和概念，其中之一就是应用在计算机视觉问题中，另一个是人工数据合成的概念。照片OC
山上有风景·2020-05-26 00:00

机器学习基础---大规模机器学习

一：学习大数据集讲述能够处理海量数据的算法思考：为什么要使用海量数据集呢？要知道获取高性能的机器学习系统途径是采用低偏差的学习算法，并用大数据进行训练。低偏差：表明期望输出和真实标记之间误差小，学习算法拟合能力更强高偏差：表明期望输出和真实标记之间误差大，学习算法拟合能力较差低方差：表明训练数据集的变化对目标函数的估计值造成较小的变动高方差：表明训练数据集的变化对目标函数的估计值造成较大的变动这里
山上有风景·2020-05-25 22:00

机器学习基础---推荐系统

一：问题规划这一章中将讨论推荐系统的有关内容，它是在机器学习中的一个重要应用。机器学习领域的一个伟大思想：对于某些问题，有一些算法可以自动地学习一系列合适的特征，比起手动设计或编写特征更有效率。这是目前做的比较多的研究，有一些环境能让你开发某个算法来学习使用那些特征。接下里让我们通过推荐系统的学习来领略一些特征学习的思想。（还有其他很多算法自动进行特征学习）（一）案例讲解（电影评分）---推荐系统
山上有风景·2020-05-24 23:00

机器学习基础---无监督学习之异常检测

一：问题动机将介绍异常检测问题，这是机器学习算法的常见应用，那么什么是异常检测问题？（一）举例介绍异常检测举例：比如生产汽车引擎，需要进行质量测试，而作为测试的一部分，需要测量汽车引擎的一些特征变量：比如：x_1引擎运转时产生的热量；x_2引擎的振动；我们根据数据集：，把数据绘制成图，如下图：这样，异常检测问题可以定义如下：假设，之后生产了一个新的汽车引擎，而新的汽车引擎有一个特征变量集，所谓的异
山上有风景·2020-05-24 16:00

机器学习基础 | 监督学习与无监督学习的快速入门指南

介绍监督学习和无监督学习有什么区别？对于机器学习的初学者和新手来说，这是一个常见的问题。答案是理解机器学习算法本质的核心。如果没有明白监督学习与无监督学习之间的区别，你的机器学习之旅就无法继续进行。实际上，这是你踏上机器学习之旅之初应该学习的东西。如果我们不了解线性回归，逻辑回归，聚类，神经网络等算法的适用范围，就不能简单地跳到模型构建阶段。如果我们不知道机器学习算法的目标是什么，我们将无法建立一
woshicver·2020-05-17 21:07

深度学习工程师能力模型

其中，专业知识包括编程基础、机器学习基础、神经网络基础、深度学习基础；工程能力包括代码规范能力、算法模型实现能力、工程开发与架构设计能力；业务理解与实践包括行业及业务知识、业务应用能力.4
PetterLiu·2020-05-16 15:00

机器学习基础学习笔记

机器学习基础一、机器学习概述机器学习直白来讲，是根据已有的数据，进行算法选择，并基于算法和数据构建模型，最终对未来进行预测；输入一组数据X-Y，想要得到X-Y间的一个目标函数f。
SuanCaiyu1806·2020-05-15 15:28

机器学习基础概念和度量指标

Nofreelunchtheorem在所有问题都同等重要，且真实的目标函数为均匀分布时，总误差与学习算法无关！生成模型与判别模型生成模型：通过联合分布求出条件概率分布的模型。NB+HMM.判别模型：直接学习决策函数或条件概率，学习的准确率更高。kNN+决策树。模型评估方法数据集的作用训练集：训练模型。验证集：模型选择。测试集：确定泛化误差。训练集和测试集的产生：留出法:D=S∪T+S∩T=Ø交叉验
justisme·2020-05-06 15:00

机器学习基础---逻辑回归（假设函数与线性回归不同）

一：分类（一）分类基础在分类问题中，你要预测的变量y是离散的值，我们将学习一种叫做逻辑回归(LogisticRegression)的算法，这是目前最流行使用最广泛的一种学习算法。在分类问题中，我们尝试预测的是结果是否属于某一个类（例如正确或错误）。分类问题的例子有：判断一封电子邮件是否是垃圾邮件；判断一次金融交易是否是欺诈；之前我们也谈到了肿瘤分类问题的例子，区别一个肿瘤是恶性的还是良性的。我们从
山上有风景·2020-04-30 20:00

机器学习基础

Materials计算机基础：https://github.com/zkywsg/Daily-DeepLearning基于Python的机器学习、经典数学算法(基于python)：https://www.bilibili.com/video/BV1Tb411H7uC?p=19python全栈笔记：https://blog.csdn.net/CUFEECR/article/list/2B站小甲鱼：h
Shaoqian_Ma·2020-04-24 16:02

--神经网络浅谈

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
听见温暖www·2020-04-21 10:00

Coursera台大机器学习基础课程学习笔记2 -- 机器学习的分类

Coursera台大机器学习基础课程学习笔记2--机器学习的分类总体思路：各种类型的机器学习分类按照输出空间类型分Y按照数据标记类型分yn按照不同目标函数类型分f按照不同的输入空间类型分X按照输出空间类型
史努B·2020-04-13 13:59

机器学习基础之模型集成

集成(ensemble)是合并多个机器学习模型来构建更强大的模型的方法。主要需要解决两个问题：如何获得个体学习器使用什么样的结合规则个体学习器  个体学习器可以分为同质和异质两种：同质指的是不同个体学习器属于同一种类，比如都是决策树。异质指的是个体学习器属于不同种类，比如既有决策树又有SVM。  目前来说，同质个体学习器的应用是最广泛的，一般我们常说的集成学习的方法都是指的同质个体学习器，而同质个
心里有点小空白·2020-04-13 07:13

简述机器学习与深度学习基础概念以及基本模型

文章目录一.理清关系二.机器学习基础2.1监督学习2.1.1回归2.1.2分类2.1.3打标签2.2非监督学习2.2.1聚类2.2.2降维2.3半监督学习2.4强化学习三.深度学习基础3.1神经网络3.1.1
LinKing06·2020-04-11 20:11

【机器学习基础】噪声与误差

目标分布（TargetDistribution）在实际情形中，训练数据的误标签的情况，输入数据某一维不准确的情况，都可能导致数据信息不精准，产生噪声数据。由于受到噪声的影响，我们现在可以把y也看做是一种概率分布,y也是从某种分布中取样而来的，即y~P(y|x)。这里的P(y|x)被称为目标分布。回头来看，我们可以把学习的目标总结为，在常见的输入(符合P(x))中可以预测出理想的目标(P(y|x))
JasonDing·2020-04-11 17:20

机器学习基础之决策树

决策树入门  这一部分简单介绍了决策树的原理和sklearn的调用方法。importwarningswarnings.filterwarnings('ignore')importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt%matplotlibinlineimportseabornassnsimportmglearn  决策树本质上是一
心里有点小空白·2020-04-11 16:25

总结：数据清洗的一些总结

前言在整理项目的时候发现清洗过程是一个非常细节的过程，几乎贯穿始终，也是后续步骤特征提取等的前置条件，所以整理如下,因为展开较大，所以我已近上传mindnode脑图和原始照片尺寸，请在这里下载数据清洗脑图原版这里写图片描述数据清洗思维导图.png致谢机器学习基础与实践
mrlevo520·2020-04-11 09:38

10本免费机器学习与数据科学电子书

该书单从统计学基础开始，进阶至机器学习基础，然后扩展到几个更大的话题，先是对高级话题进行快速概览，最后再对全部内容加以总结。书单中既有经典话题，也有当代的前沿话题，希望你能在其中找到感兴趣的话题。1.
邓kai·2020-04-11 05:25

Machine Learning -- 揭开机器学习的面纱

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.2019.031.何为机器学习？
欲_槿·2020-04-09 11:00

机器学习基础之线性模型

用于回归的线性模型线性回归  什么是线性回归呢？回归问题的一般模型如下：$$y=\sumw[i]*x[i]+b$$如下图所示，对于一维数据，线性回归就是根据给定的点$(x_i,y_i)$拟合出一条直线$$y=ax+b$$即求出系数a、b。importwarningswarnings.filterwarnings('ignore')importpandasaspdimportnumpyasnpimp
心里有点小空白·2020-04-06 19:12

机器学习基础：分类vs回归

摘要：在机器学习中我们也许会对分类和回归两个算法有所混淆或者困惑，看完本文相信会有所收获经常看到这样的问题：“如何计算回归问题的准确度？”像这样的问题反映了没有真正理解分类和回归之间的区别，以及测量的准确度是什么。这是分类和回归问题之间的一个重要区别。从根本上说，分类就是预测一个标签，而回归则是预测一个数量。在本文中，你将发现分类和回归之间的区别。看完文章后，你将会知道：预测模型是关于从输入到输出
阿里云云栖号·2020-04-05 21:38

《deep learning》学习笔记（5）——机器学习基础

http://blog.csdn.net/u011239443/article/details/772021365.1学习算法学习算法：对于某类任务T和性能度量P，一个计算机程序被认为可以从经验E中学习是指，通过经验E改进后，它在任务T上由性能度量P衡量的性能有所提升。5.1.1任务T样本：我们从某些希望机器学习系统处理的对象或事件中收集到的已经量化的特征（feature）的集合。常见的机器学习任
小爷Souljoy·2020-04-04 05:47

【机器学习基础】过拟合

泛化能力差和过拟合问题以一维的回归分析为例，输出为目标函数加上一点噪声yn=fn(xn)+noise。如果用高阶多项式去拟合数据的话（比如有五个数据点，用四次多项式去拟合的话，如果让该多项式曲线均通过这几个数据点的话，则只有唯一解），这种情况可能使得训练误差Ein很小，但是实际的真实误差就可能很大，这说明我们求解的模型的泛化能力很差(badgeneralization)，这在训练误差很小的情况下推
JasonDing·2020-04-03 03:31

提升方法(Boosting)算法笔记(一)-Python

出差结束，继续好好学习机器学习基础算法，今天了解提升方法(Boosting)，主要侧重于AdaBoost算法，同样理论知识来自PeterHarrington的《机器学习实战》和李航的《统计学习方法》，非常感谢这些优秀人物和优秀书籍
keepStriving·2020-03-30 14:38
上一页 26 27 28 29 30 31 32 33 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他