E-COM-NET
首页
在线工具
Layui镜像站
SUI文档
联系我们
推荐频道
Java
PHP
C++
C
C#
Python
Ruby
go语言
Scala
Servlet
Vue
MySQL
NoSQL
Redis
CSS
Oracle
SQL Server
DB2
HBase
Http
HTML5
Spring
Ajax
Jquery
JavaScript
Json
XML
NodeJs
mybatis
Hibernate
算法
设计模式
shell
数据结构
大数据
JS
消息中间件
正则表达式
Tomcat
SQL
Nginx
Shiro
Maven
Linux
•机器学习基础
《Scikit-Learn与TensorFlow机器学习实用指南》 第12章 设备和服务器上的分布式 TensorFlow
（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
·
2020-03-30 10:45
浅谈机器学习时代的哈希算法（二）
机器学习基础
为了理解机器学习如何被用来重新创建哈希表（和其他索引）的关键特征，我们需要快速重新审视统计建模的主要思想。
阿里云云栖号
·
2020-03-30 01:37
十、
机器学习基础
Ⅴ：机器学习的一般流程
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
·
2020-03-27 09:42
【
机器学习基础
】Logistic回归基础
softbinaryclassificationLogistics回归模型要解决的是分类问题，在之前的二元分类问题中，我们将数据分成正例和负例，但是像PLA算法一样，用单位阶跃函数来处理的这种瞬间跳跃的过程有时很难处理。于是，我们希望能得到正例的概率值是多少。logisticregression的假设我们在PLA和线性回归算法中都用数据的加权来计算一个分数s，在logistic回归中，我们用sig
JasonDing
·
2020-03-27 03:58
信息论和数理统计——
机器学习基础
目录一、信息论熵信源信息量信息熵条件熵信息增益信息增益比相对熵交叉熵最大熵原理二、数理统计与概率论的区别统计推断方式一：参数估计统计推断方式二：假设检验一、信息论信息论处理的是客观世界中的不确定性。通信的基本问题是在一点精确地或近似地复现在另一点所选取的消息。在生活中，信息的载体是消息。不同的消息带来的信息在直观感觉上不是完全相同的，比如“马云获得奥赛健美冠军”比“施瓦辛格获得奥赛健美冠军”的信息
雪山飞猪
·
2020-03-26 21:00
决策树算法之分类回归树 CART（Classification and Regression Trees）【1】
分类回归树CART是决策树家族中的基础算法，它非常直觉（intuitive），但看网上的文章，很少能把它讲的通俗易懂（也许是我理解能力不够），幸运的是，我在Youtube上看到了这个视频，可以让你在没有任何
机器学习基础
的情况下掌握
程序员在深圳
·
2020-03-26 02:43
【
机器学习基础
】将回归模型用于分类问题
线性模型回顾我们回顾一下之前的三种线性模型，它们的共同点是都要对输入的数据x做一个加权的分数s。下图表示了这三种不同的线性模型的表示方式、误差函数和求解最小的Ein的方法。这里可以看出，PLA算法这种线性分类模型，在求解Ein的时候是很困难的，相对而言，线性回归和logistic回归都有各自求解Ein的方法，那么我们能不能用这两种回归的计算方法来帮助求解线性分类问题的Ein呢？误差函数的比较接下来
JasonDing
·
2020-03-26 00:55
最优化理论——
机器学习基础
目录前言常见概念目标函数（objectivefunction）收敛（convergence）局部最小值（localmininum）全局最小值（globalmininum）导数（derivative）一阶导数（first-orderderivative）二阶导数（second-orderderivative）梯度（gradient）无约束优化（unconstrainedoptimization）约束
雪山飞猪
·
2020-03-25 15:00
Python深度学习-4.
机器学习基础
4.
机器学习基础
4.1机器学习的四个分支4.1.1监督学习监督学习是目前最常见的机器学习类型。
coding_coder
·
2020-03-25 12:01
线性代数和概率论——
机器学习基础
目录一、线性代数常见概念标量（scalar）向量（vector）矩阵（matrix）张量（tensor）范数（norm）内积（innerproduct）线性空间（linearspace）内积空间（innerproductspace）正交基（orthogonalbasis）标准正交基（orthonormalbasis）线性变换（linearmapping）二、概率论两大学派频率学派（Frequent
雪山飞猪
·
2020-03-24 11:00
【
机器学习基础
】对偶支持向量机
引言在上一小节中，我们介绍，用二次规划的方法来求解支持向量机的问题。如果用非线性的特征转化的方式，可以在一个更复杂的Z空间里做二次规划。这种思想是希望通过最大间隔的方式来控制模型的复杂度，通过特征转换来实现复杂的边界。但是这引入了新的问题：在进行特征转换之后，在新的高维空间中，求解二次规划问题就会变得很困难。甚至在无限大的维度上求解最佳化的问题就变得不可能了。所以，这一小节，我们要解答的是，通过非
JasonDing
·
2020-03-23 08:15
【
机器学习基础
】非线性变换
引言在之前介绍的分类问题中，所涉及的分类的模型都是线性的，在非线性变换这一节中，我们将模型延伸到非线性的情况下来进行数据的分类。二次假设(QuadraticHypotheses)我们看到上面的例子，在左图中，圆圈和红叉的数据无法用一条直线将其分成两类，那么这这个例子中，我们其实可以用一个大圆圈将数据分类，所以现在我们考虑假设，该假设hSEP(x)是一个过原点的圆圈，这启示我们可以用系统化的方法结合
JasonDing
·
2020-03-22 16:02
机器学习基础
| 回归模型评估指标
目录MAE系列MSE系列R²系列回归模型中常用的评估指标可以分如下几类：MAE系列，即由MeanAbsoluteError衍生得到的指标；MSE系列，即由MeanSquaredError衍生得到的指标；R²系列；注：在英语中，error和deviation的含义是一样的，所以MeanAbsoluteError也可以叫做MeanAbsoluteDeviation(MAD)，其他指标同理可得；MAE系
dataxon
·
2020-03-21 17:00
机器学习基础
| 相似度或距离的度量
目录MinkowskiDistancePearsonCorrelationCoefficientCosineSimilarityMahalanobisDistance参考资料在机器学习的聚类或者分类任务中，需要度量样本间的距离或者相似度。本文总结常见距离(相似度)的计算方法。本文主要关注“数值数据”的相似度(距离)的度量，对于布尔数据、文本数据、图像数据的相似性度量，可以参考如下资料：https:
dataxon
·
2020-03-21 16:00
机器学习基础
| 分类模型评估指标
目录成对指标错误率和正确率Precision、RecallTPR(Sensitivity)、TNR(Specificity)综合指标F-ScoreMatthewsCorrelatonCoefficientBalancedClassificationRate图形指标ROC、AUC代价曲线(CostCurve)Gain/LiftChart在处理机器学习的分类问题中，我们需要评估分类结果的好坏以选择或者
dataxon
·
2020-03-21 12:00
机器学习基础
| 偏差与方差
偏差和方差的分解在有监督学习中，通过训练数据得到的模型，需要考察其泛化能力，通常用泛化误差来衡量模型泛化能力的高低。也可以用测试误差来衡量模型泛化能力，不过测试的样本是有限的(而且难以保证不是有偏的)。基于大数定律，假设每次参与模型训练的样本都是独立同分布的(实际有点难，会有样本重叠)，那么从多个训练样本中得到的经验误差(训练样本集上的平均损失)的期望就等于泛化误差，也就是说，多个样本上的平均训练
dataxon
·
2020-03-21 11:00
《Scikit-Learn与TensorFlow机器学习实用指南》 第02章 一个完整的机器学习项目（下）
（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
·
2020-03-21 10:59
2020-02-02
职业发展规划及计划安排在校期间发展目标：互联网行业一二线公司或者银行证券公司的算法工程师研一下：
机器学习基础
+NLP领域知识+数据结构与算法
机器学习基础
：吴恩达视频课，记笔记，整理整体知识架构《西瓜书》
Johnny_S
·
2020-03-21 08:26
机器学习实战 [Machine learning in action]
《机器学习实战》主要介绍
机器学习基础
，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、Ad
TuringEmmy
·
2020-03-19 20:00
第一次的机器学习：
机器学习基础
概念和名词
尽管机器学习从分类上而言只是人工智能（也就是常说的AI）的分支之一，但其本身也是一个相当巨大的命题。在未来的一段时间里，我将花时间在专栏写一些我比较熟悉的机器学习相关的概念和算法，最主要的目的是为了梳理自己的知识体系，也是希望和大家分享学习的历程和感悟，以达到交流的目的。这两年大数据火了，机器学习、神经网络、数据挖掘、强化学习等等这些名词都火了，然而我常常在想，把这些名词挂在嘴边的我们，究竟能否在
乙醚_
·
2020-03-18 16:52
《机器学习实战》第一章 –
机器学习基础
print('HelloWorld!')我一直相信，兴趣是最好的老师！所以对新事物开始的学习，我总喜欢以问题为导向，“所学的东西到底能帮我们解决什么问题？”来引导我不断学习新知识，等有一定理解后再深入学习会事半功倍。《机器学习实战》以平铺直叙的表述和直接上手的简单例子，来帮助没有太多基础的人入门，也是我选择作为第一本入门书籍的原因。带着这是什么，可以用来做什么，为什么要这么做和该怎么做的思路，开始
奔跑的怪兽
·
2020-03-17 23:30
10本免费的机器学习和数据科学书籍
这是一个收集这些免费书籍的清单，该清单以统计基础开始，随后是到
机器学习基础
，最后结合使用所有内容，经典和现代混合的标题，希望你在这里找
阿里云云栖号
·
2020-03-17 11:53
机器学习基础
：台大李宏毅的线性代数视频公开课
大家应该对李宏毅老师不陌生吧？李宏毅现任国立台湾大学电气工程系助理教授，研究重点是机器学习（尤其是深度学习方向）、口语理解和语音识别。他的人工智能系列公开课是Youtube上最火的人工智能系列课程。很多机器学习初学者都学习过他的《机器学习》公开课。李老师讲课通俗易懂、课程案例生动有趣（还记得宝可梦和帝国时代），深受大家喜爱。其实李宏毅还有一个《线性代数》的公开课，是2019年台大秋季课程，这个课程
jpld
·
2020-03-16 21:00
【机器学习实战】第1章
机器学习基础
第1章
机器学习基础
机器学习基础
-首页.jpg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。
Joyyx
·
2020-03-16 06:11
机器学习基础
机器学习？是类似《生化危机6：终章》里“红女王”那样的存在吗？作为掌控着整个地下研究所运作的，最尖端的人工智能生命体，它让我们见识了计算机程序的厉害角色，同时警醒人类对科技与伦理关系的反思。在许多人直觉的观念里，机器学习就该是如此这般，不仅能打造具有模仿能力的机器人，还能赋予人工智能以“兼具人类情感”的未来。不得不说，以上理解是如此美好，但就现阶段而言，这更像是我们的一厢情愿！事实上的机器学习，还
橘色对白
·
2020-03-13 13:09
机器学习实战（一）：
机器学习基础
何谓机器学习机器学习就是把无序的数据转换成有用的信息，对与任何需要操作数据的领域都有所裨益。机器学习的主要任务就是分类，当我们决定使用某个机器学习算法进行分类，首先需要做的是算法训练，即学习如何分类。通常我们为算法输入大量已分类数据作为算法的训练集。训练集是用于训练机器学习算法的数据样本集合，每个训练样本包含多个特征和一个目标变量。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
Mr希灵
·
2020-03-13 06:10
深度学习如何入门？
欲了解更多，请往下看Step1:学习
机器学习基础
(可选，但强烈推荐)开始于AndrewNg的机器学习机器学习-斯坦福大学。
造数科技
·
2020-03-12 02:47
《机器学习实战》总结篇
代码传送门：https://github.com/xyxxmb/Machine-Learning-In-Action目录第一部分：分类【Ch1】
机器学习基础
【Ch2】k-近邻算法【Ch3】决策树【Ch4
牛奶芝麻
·
2020-03-12 00:02
【
机器学习基础
】随机森林算法
引入我们回顾一下之前学习的两个算法，Bagging算法中，通过bootstrapping得到不一样的数据，通过这些数据送到一个基本算法之后，得到不同的g，最后对这些g取平均得到G；决策树算法中，通过递归方式建立子树，最终得到一棵完整的树。这两种算法都有其鲜明的特点，决策树对于不同的数据相对会敏感一些，即其算法的variance很大，而Bagging的特点是通过投票和平均的方式来降低variance
JasonDing
·
2020-03-11 20:05
机器学习基础
——简单易懂的K邻近算法，根据邻居“找自己”
本文始发于个人公众号：TechFlow，原创不易，求个关注今天的文章给大家分享机器学习领域非常简单的模型——KNN，也就是KNearestNeighbours算法，翻译过来很简单，就是K最近邻居算法。这是一个经典的无监督学习的算法，原理非常直观，易于理解。监督与无监督简单介绍一下监督这个概念，监督是supervised的直译，我个人觉得不太准确，翻译成有标注和无标注可能更加准确。也就是说如果模型在
TechFlow2019
·
2020-03-11 08:00
八、
机器学习基础
Ⅲ：数据预处理、特征工程和特征学习
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
·
2020-03-11 04:30
【
机器学习基础
】自适应提升
WeightedBaseAlgorithm(1)基本算法引入权重加权这类算法给每个数据一个权重，这个权重可以看做是该数据点有几份。在之前介绍的SVM算法中，对于一个错误扣除C的分数，而对错误加权之后，每个数据点将扣除C·un这个多的分数，这个参数经过二次规划的计算之后，就会到α的上限中去。对于逻辑回归来说，un可以作为样本(xn,yn)的抽样比例。这两个例子说明将权重系数放入具体的算法中是可行的。
JasonDing
·
2020-03-08 18:53
九、
机器学习基础
Ⅳ：过拟合和欠拟合
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
·
2020-03-08 17:24
【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。
片刻_ApacheCN
·
2020-03-07 07:33
[Deep-Learning-with-Python]
机器学习基础
机器学习类型机器学习模型评估步骤深度学习数据准备特征工程过拟合解决机器学习问题的一般性流程机器学习四分支二分类、多分类以及回归问题都属于监督学习－－目标是学习训练输入和对应标签之间的关系。监督学习只是机器学习的冰山一角。机器学习主要分为４类:监督学习、非监督学习、半监督学习和强化学习。监督学习最常见的机器学习类型---学习输入数据和对应标签之间的映射关系。当下几乎所有的深度学习应用都属于监督学习类
七八音
·
2020-03-06 14:46
【
机器学习基础
】理解为什么机器可以学习2——Hoeffding不等式
引入在上一小节"理解为什么机器可以学习——PAC学习模型"中，我们主要讨论了假设的错误率问题和如何说一个学习器是可学习的，并给出了PAC学习理论。这一小节，我们将沿着这个方向，讨论一下，有限假设空间的样本复杂度，并用Hoeffding不等式来界定概率边界。假设空间的样本复杂度PAC可学习性很大程度上由所需的训练样本数量决定。随着问题规模的增长所带来的所需训练样本的增长称为学习问题的样本复杂度（sa
JasonDing
·
2020-03-05 05:11
机器学习基础
（2）- PCA与LDA比较
本文用于理解机器学习中常见的两种降维方法，主成分分析和线性判别分析，并对两者进行简单的对比。基本目录如下：什么是PCA？1.1先导数学知识准备1.2PCA基本概念理解1.3PCA推导之最大方差理论什么是LDA？2.1LDA基本概念理解2.2LDA理论推导PCA与LDA的比较分析------------------第一菇-什么是PCA------------------1.1先导数学知识准备在正式深
蘑菇轰炸机
·
2020-03-04 09:50
机器学习基础
——详解自然语言处理之tf-idf
本文始发于个人公众号：TechFlow，原创不易，求个关注今天的文章和大家聊聊文本分析当中的一个简单但又大名鼎鼎的算法——TF-idf。说起来这个算法是自然语言处理领域的重要算法，但是因为它太有名了，以至于虽然我不是从事NLP领域的，但在面试的时候仍然被问过好几次，可见这个算法的重要性。好在算法本身并不困难，虽然从名字上看疑惑重重，但是一旦理解了其中的原理，一切都水到渠成，再也不怕面试的时候想不起
TechFlow2019
·
2020-03-04 08:00
深度学习（五）：
机器学习基础
版权声明:本文为博主原创文章，转载请注明出处，商业转载请联系作者(
[email protected]
)，谢谢合作！何为学习 对机器学习中的“学习”比较正式的定义是：对于某类任务P和性能度量T，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T上有性能度量P衡量的性能会有所提升。更通俗一些的解释是，对于一个人脸检测任务（任务T），我们可以以识别准确率（性能度量P）来衡量学习算
交大小浪花
·
2020-03-03 18:13
【
机器学习基础
】验证
模型选择问题(ModelSelectionProblem)我们在之前得知，通过最小化Ein来选择最好的模型不是一个正确的办法，因为这样可能会付出模型复杂度的代价、造成泛化效果差、造成过拟合的发生。为了解决这个问题，我们的想法是找一些测试数据来看看哪种模型对应测试数据的效果更好，但是用新的测试数据来作这个事情，实际上是做不到的自欺欺人的办法。我们对比这两种方式，用训练数据来作选择的话，由于这些数据决
JasonDing
·
2020-03-01 02:30
【
机器学习基础
】理解为什么机器可以学习1——PAC学习模型
引言自从下定决心认真学习机器学习理论开始，接触到很多基本问题，但其实都不是很理解，比如损失函数、风险函数、经验结构最小化、结构风险最小化、学习方法的泛化能力、VC维等，这些概念在学习中都纯属空泛的概念存在，我都不理解这些概念存在的意义。为什么会存在这样的问题呢？我自己想了一下，有几个原因：首先，很多相关的书籍在讲授这些概念的时候，很少说这些为什么会有这样的概念问题，为解决什么问题引入的这些概念；然
JasonDing
·
2020-02-29 13:34
六、
机器学习基础
Ⅰ：机器学习的四个标签
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
·
2020-02-29 01:12
【
机器学习基础
】支持向量回归
引言这一小节介绍一下支持向量回归，我们在之前介绍的核逻辑回归使用表示定理(RepresenterTheorem)，将逻辑回归编程Kernel的形式，这一节我们沿着这个思路出发，看看如何将回归问题和Kernel的形式结合起来。KernelRidgeRegression上次介绍的表示定理告诉我们，如果我们要处理的是有L2的正则项的线性模型，其最优解是数据zn的线性组合。我们可以将这样的线性模型变成Ke
JasonDing
·
2020-02-27 01:31
【
机器学习基础
】软间隔支持向量机
引言在上一小节中，我们介绍了核支持向量机。于是，不管是简单的问题还是复杂的问题，我们都可以做得到。然而，像高斯核的方法太复杂了，可能造成过拟合的问题。导致过拟合的现象的原因有可能是你选择特征转换太强大了，导致无法用最大间隔的方法控制模型的复杂度，还有一个原因是，如果坚持将所有的数据都做到正确分类，这样有可能将噪声也考虑到模型的构建之中，这样就会将噪声拟合进你的结果中去了。软间隔支持向量机第一步：容
JasonDing
·
2020-02-26 23:34
机器学习—路线图
机器学习数据处理步骤：
机器学习基础
与实践（一）----数据清洗
机器学习基础
与实践（二）----数据转换
机器学习基础
与实践（三）----数据降维之PCA基本机器学习算法推导：决策树：https://blog.csdn.net
财务自由_lang
·
2020-02-26 15:07
机器学习基础
机器学习的应用实例搜索引擎记录用户的点击，从中学习优化下次搜索结果垃圾邮件过滤商店的款台收费软件基于以前的统计知识，认为买尿布的人通常喜欢喝啤酒小明给孩子买完尿布又去买了啤酒，账单信息发现这两种商品经常一起买人脸识别自然语言处理产品推荐图像识别专家系统机器学习就是将无序的数据转化为有用的信息。监督与无监督监督学习：机器知道预测什么，即目标变量的分类信息。包括分类和回归。无监督学习：数据没有类别信息
谢小帅
·
2020-02-25 20:17
Python深度学习（四）
机器学习基础
本章涵盖了分类和回归以外的机器学习形式机器学习模型的正式评估过程为深度学习准备数据特征工程解决过拟合解决机器学习问题的通用工作流程在第三章的三个实际例子之后，您应该开始熟悉如何使用神经网络来处理分类和回归问题，并且您已经看到了机器学习的核心问题：过拟合。这一章将把你的一些新直觉形式化到一个坚固的概念框架中，用来解决深度学习的问题。我们将把所有这些概念——模型评估、数据预处理和特性工程，以及处理过拟
凤凰花开那一天
·
2020-02-25 07:51
【
机器学习基础
】从感知机模型说起
感知机（perceptron）感知器（perceptron）1957年由Rosenblatt提出，是神经网络与支持向量机的基础。感知器是二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1和-1二值。感知机对应于输入空间（特征空间）中将实例划分为正负两类的分离超平面，属于判别模型。感知机学习旨在求出将训练数据进行线性划分的分离超平面。分离超平面分类法分离超平面进行分类的过程是构
JasonDing
·
2020-02-25 06:57
算法工程师面试准备——
机器学习基础
文章目录特征工程为什么要归一化类别型特征编码如何处理高维组合特征常见距离度量方式有哪些？文本表示模型有什么？图像数据不足时的处理方法缺失值如何处理？模型评估有哪些常见的评价指标准确率的局限性RMSE指标居高不下的原因（95%的时间区间表现很好）谈谈ROC曲线ROC和P-R比有何特点？为什么AUC可以不受正负样本比例影响哪些场景要用余弦相似度而不是欧氏距离，为何？离线测试很充分，为何还要A/B测试如
iwtbs_kevin
·
2020-02-25 00:32
面试
机器学习实战
【
机器学习基础
】
机器学习基础
引入
机器学习是什么“机器学习”是人工智能的核心研究领域之一，其最初的研究动机是为了让计算机系统具有人的学习能力以便实现人工智能。事实上，由于“经验”在计算机系统中主要是以数据的形式存在的，因此机器学习需要设法对数据进行分析，这就使得它逐渐成为智能数据分析技术的创新源之一。机器学习是构建复杂系统的一种方法，也许依靠我们的脑力把处理一个问题的所有规则写成程序可能不容易做到，那么我们就让机器自己去根据数据和
JasonDing
·
2020-02-24 22:50
上一页
27
28
29
30
31
32
33
34
下一页
按字母分类：
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
U
V
W
X
Y
Z
其他