•机器学习基础

机器学习基础—矩阵

图如果m=n，称为A为n阶矩阵(或n阶矩阵)矩阵相等不但要行列相等，每一个行列位置上数也要相等矩阵加法矩阵的加法中有交换律和结合律。a=np.array([1,2,3])b=np.array([1,0,2])c=a+b[225]矩阵乘法如果矩阵可以相乘是满足一定条件就是矩阵A是mxs矩阵，B是sxn矩阵也就是A列要和B行一样才可以做乘法，C乘积矩阵为mxna=np.array([[1,2,3],[
zidea·2019-12-20 22:58

【机器学习基础】核逻辑回归

将软间隔支持向量机看做正则化模型上一小节中我们介绍了软间隔支持向量机，该模型允许有错分类数据的存在，从而使模型对数据有更好的适应性，有效避免过拟合的问题。现在我们回顾一下松弛变量ξn，我们用ξn来记录违反分类边界的数据到边界的距离。我们可以从另外一个角度，考虑一下ξn的计算：对于任何一个点，如果该点违反了边界，那么ξn记录了其到边界的距离；如果没有违反，ξn为0。所以我们可以用下面这个式子来表示：
JasonDing·2019-12-20 15:25

【机器学习基础】正则化

引言上一小节中，我们介绍了过拟合的概念，在机器学习中最大的危险就是过拟合，为了解决过拟合问题，通常有两种办法，第一是减少样本的特征（即维度），第二就是我们这里要说的“正则化”（又称为“惩罚”,penalty）。从多项式变换和线性回归说起在非线性变换小节中，我们有讨论Q次多项式变换的定义和其包含关系，这里如果是10次多项式变换，那么系数的个数是11个，而2次多项式的系数个数是3。从中我们可以看出，所
JasonDing·2019-12-19 19:20

粗糙集理论(Rough Set Theory)

集合近似定义的基本思想及其应用和粗糙集合环境下的机器学习基础研究。
涛哥的博客·2019-12-18 16:00

面向机器智能的Tensorflow实践

数据流图的概念还能理解，但是机器学习基础就不大能看明白，也没有使用Python数学计算库的使用经验。照着书上写的，实现一个CNN图像识别模型，主要是识别120来个品种的狗狗。
飞飞_行动计划·2019-12-18 13:12

机器学习基础（11）条件随机场的理解及BI-LSTM+CRF实战

在NLP领域，在神经网络兴起之前，条件随机场（CRF）一直是作为主力模型的存在，就算是在RNN系（包括BERT系）的模型兴起之后，也通常会在模型的最后添加一个CRF层，以提高准确率。因此，CRF是所有NLPer必须要精通且掌握的一个模型，本文将优先阐述清楚与CRF有关的全部基本概念，并详细对比HMM，最后献上BI-LSTM+CRF的实战代码及理解。相信读完本文，将对CRF的认识有一个新的高度。在阅
蘑菇轰炸机·2019-12-16 04:20

kaggle博客

数据挖掘完整流程机器学习基础与实践（一）----数据清洗10种机器学习算法的要点（附Python和R代码）http://blog.jobbole.com/92021/机器学习scikit-learn（一
maocy·2019-12-15 06:59

《机器学习实战》（一）：机器学习基础+补充:python命名规范

第一章：机器学习基础引入numpy库的所有函数：fromnumpyimport*生成4×4随机数组：randarray=random.rand(4,4)将数组转化为矩阵:randmat=mat(randarray
gg5d·2019-12-13 09:05

Netflix 内部 Python 框架 Metaflow 正式开源，可加速机器学习模型部署

Metaflow是网飞开发的「人性化」数据科学框架，同时也是其机器学习基础架构的重要组成部分，它提供了统一的架构栈接口，还与当前主流的Python数据科学框架如PyTorch、Tensorflow、SciKitLearn
羽飞·2019-12-13 00:16

《深度学习Ng》课程学习笔记02week1——深度学习的实用层面

1.3机器学习基础1.4正则化逻辑回归正则化神经网络正则化1.5为什么正则化可以减少过拟合？对于S类激活函数，当W接近与零时，激活函数更加趋近于线性函数，所以不会有太复杂的划
小爷Souljoy·2019-12-12 17:50

一文带你了解机器学习基础：梯度下降和最小二乘法

一文带你了解机器学习基础：梯度下降和最小二乘法在开始本文之前，有兴趣的可以浏览一下这个文章，人工智能中的最优化问题。
GhostintheCode·2019-12-12 09:12

聚类随笔

机器学习基础聚类分析个人认为这是一个比较简单容易理解的机器学习算法一个例子假设我们在超市做客群分析，不同顾客有不同关注点，不同顾客按特征可以划分为不同群体，但是如何划分和划分为那些群体我们都不知道。
zidea·2019-12-12 07:57

机器学习基础（8）- 朴素贝叶斯分类模型

本文主要用于理解朴素贝叶斯模型的原理，并且通过对实际案例的剖析来加深大家的理解。基本目录如下：先导数学知识1.1条件概率1.2贝叶斯定理1.3条件独立朴素贝叶斯模型2.1模型原理与流程2.2案例解析------------------第一菇-先导数学知识------------------在深入模型细节之前，还是先为大家铺垫一下理解该模型所需的先导数学知识。1.1条件概率最基本的高中（初中）的知识
蘑菇轰炸机·2019-12-12 05:40

第二章_机器学习基础

文章目录第二章机器学习基础2.1各种常见算法图示2.2监督学习、非监督学习、半监督学习、弱监督学习？2.3监督学习有哪些步骤2.4多实例学习？2.5分类网络和回归的区别？2.6什么是神经网络？
九霄王·2019-12-09 20:52

机器学习基础-最优化方法梯度下降

最优化方法-梯度下降这是机器学习基础的第五篇，本文主要的学习内容为最优化方法即梯度下降：梯度下降：实现梯度下降、线性回归中的梯度下降随机梯度下降：相关代码调用即可1.前言：机器学习方法论之前已经学习了分类算法
Charles Han·2019-12-08 11:08

【TensorFlow】Keras机器学习基础知识-使用TF.Hub进行文本分类

此笔记本（notebook）使用评论文本将影评分为积极（positive）或消极（nagetive）两类。这是一个二元（binary）或者二分类问题，一种重要且应用广泛的机器学习问题。本教程演示了使用TensorflowHub和Keras进行迁移学习的基本应用。我们将使用来源于网络电影数据库（InternetMovieDatabase）的IMDB数据集（IMDBdataset），其包含50,000
Cfan927·2019-12-07 21:45

机器学习基础（7）- 决策树启发函数及剪枝方法介绍

本文用于记录决策树相关的启发函数及剪枝技巧，主要用于自我温习回顾基础。基本目录如下：启发函数的类型1.1ID3-最大信息增益1.2C4.5-最大信息增益比1.3CART-最大基尼指数1.4总结剪枝处理2.1预剪枝2.2后剪枝------------------第一菇-启发函数的类型------------------1.1信息增益决策树是一种十分常见的传统机器学习方法，而其最核心的部分即为如何选择
蘑菇轰炸机·2019-12-07 02:29

【机器学习基础】VC维与模型复杂度、样本复杂度

引言上一小节，我们引入了VC维的概念，用它来描述假设集合的表达能力。这一小节中，我们将从VC维的物理意义出发，进一步学习如何根据VC维传达的信息来选择模型和假设集合。VC维的物理意义如果我们将假设集合的数量|H|比作假设集合的自由度，那么VC维就是假设集合在做二元分类的有效的自由度，即这个假设空间能够产生多少Dichotomies的能力（VC维说的是，到什么时候，假设集合还能shatter，还能产
JasonDing·2019-12-02 06:40

【机器学习基础】交叉熵（cross entropy）损失函数是凸函数吗？

之所以会有这个问题，是因为在学习logisticregression时，《统计机器学习》一书说它的负对数似然函数是凸函数，而logisticregression的负对数似然函数（negativeloglikelihood）和交叉熵函数（crossentropy）具有一样的形式。先给出结论，logisticregression时，crossentropy是凸的，但多层神经网络时，crossentro
wuliytTaotao·2019-12-01 21:00

【机器学习基础】梯度提升决策树

引言上一节中介绍了《随机森林算法》，该算法使用bagging的方式作出一些决策树来，同时在决策树的学习过程中加入了更多的随机因素。该模型可以自动做到验证过程同时还可以进行特征选择。这一节，我们将决策树和AdaBoost算法结合起来，在AdaBoost中每一轮迭代，都会给数据更新一个权重，利用这个权重，我们学习得到一个g，在这里我们得到一个决策树，最终利用线性组合的方式得到多个决策树组成的G。1.加
JasonDing·2019-11-30 15:12

烧脑的 SVM 推导

机器学习基础什么是SVM算法二元线性分类问题(简单)可分问题什么样线性方程是最好线性的方程，离这条子线最近那些点离这条线最远，这也是SVM的目标有很多判别线支持向量与我们直线最近那些点(向量)就是支持向量回忆解析几何
zidea·2019-11-14 06:00

机器学习基础知识整理归纳

关于机器学习的一些基本概念的整理1.前言1.机器学习是一门致力于研究如何通过计算的手段，利用经验来改善系统自身的性能的学科。1997年Mitchell给出一个更形式化的定义，假设用P来评估计算机程序在某任务类T上的性能，若一个程序通过利用经验E在T中任务上获得了性能改善，则我们就说关于T和P，该程序对E进行了学习。机器学习所研究的主要内容，是关于在计算机上从数据中产生“模型”的算法，即学习算法(l
GOLDEN_STAGE·2019-11-09 20:00

2018-07-31 第一部分 应用数学与机器学习基础

第二章线性代数标量、向量、矩阵和张量标量（scalar）：单独的数向量（vector）：一列数矩阵（matrix）：二维数组张量（tensor）：超过两位的数组转置：(A^T)_{i,j}=A_{i,j}相加：C=A+B，其中C_{i,j}=A_{i,j}+B_{i,j}乘标量：D=a·B+c，其中D_{i,j}=a·B_{i,j}+c加向量：C=A+b，其中C_{i,j}=A_{i,j}+b_j
彩虹9025·2019-11-04 23:41

机器学习基础（1）- ROC曲线理解

本文用于理解ROC曲线的定义，绘制过程及其应用实现，主要用于自我温习回顾基础基本目录如下：什么是ROC曲线？1.1ROC曲线的历史1.2ROC曲线的定义1.3ROC曲线的应用场景如何绘制ROC曲线？2.1ROC曲线的绘制原理2.2ROC曲线绘制的Python实现------------------第一菇-什么是ROC曲线------------------1.1ROC曲线的历史自从读了吴军老师的《
蘑菇轰炸机·2019-11-04 04:38

机器学习中的正则化是什么原理？

注意，文章面向那些有一定机器学习基础的人，故文中涉及的部分内容并没有详细介绍。如果你还不太了解机器学习，那么我建议你先放下这篇文章。如果可能的话，还请你期待一下未来有可能出现的理论篇(☆ﾟ∀ﾟ)。
KAAAsS·2019-11-01 15:45

第五章 机器学习基础

》拟合训练数据和寻找能够泛化到新数据的参数有哪些不同。》如何使用额外的数据设置超参数。》机器学习本质上属于应用统计学，更多关注于如何用计算机统计地估计复杂函数，不太关注这些函数的置信区间;因此我们会探讨两种统计学的主要方法:频率估计和贝叶斯推断。》大部分深度学习算法都基于随机梯度下降求解。我们将介绍如何组合不同的算法部分，例如优化算法、代价函数、模型和数据集，来建立一个机器学习算法。》一些限制传统
N89757·2019-10-31 20:03

推荐《Python机器学习基础教程》高清中文版PDF+高清英文版PDF+源代码

推荐机器学习入门书《Python机器学习基础教程》，以Python语言介绍。主要内容包括：机
pythonstudy13·2019-10-31 04:57

机器学习基础

关键技术特征:比如鸟的体重、后背颜色等成为特征机器学习的主要任务是分类训练集:用于训练机器学习算法的样本集合目标变量:机器学习算法的预测结果机器学习算法通常都有两个独立的样本集:训练数据和测试数据主要任务监督学习:这类算法知道要预测什么,即目标变量的分类信息，比如回归和分类无监督学习：没有类别信息和目标值如何选择合适的算法选择算法需要考虑两个问题：使用机器学习的目的，想要算法完成何种任务如果要预测
FlinkMe·2019-10-13 22:00

机器学习

第一章：机器学习基础01机器学习第二章：监督学习01感知机02感知机原始形式(鸢尾花分类)03感知机对偶形式(鸢尾花分类)04线性回归05scikit-learn库之线性回归06普通线性回归(波斯顿房价预测
小猿取经·2019-10-08 21:00

机器学习--机器学习基础

机器学习（MachineLearning）--机器学习基础机器学习概述机器学习(MachineLearning,ML)是使用计算机来彰显数据背后的真实含义，它为了把无序的数据转换成有用的信息。
SUNNY小飞·2019-09-30 23:24

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。importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt%matplotlibinlineimpor
GuessIt·2019-09-27 12:01

机器学习基础(一)-线性回归

简介原理推导简介线性回归是数理统计中，利用数理统计中回归分析，来==确定两种或两种以上变量间相互依赖的定量关系==的一种统计分析方法包括一元线性回归（一个自变量）和多元线性回归(多个自变量)原理推导问题建模有一组房屋数据两个维度：房屋面积(X)与售价(Y)找出二者之间的关系[站外图片上传中...(image-e5a537-1548663838750)]问题分析需要找出一条直线来拟合二者的关系x:房
阿瑟_TJRS·2019-09-26 10:12

机器学习基础——数据降维

数据降维数据降维是机器学习领域中非常重要的内容，所谓的降维就是指采用某种映射方法，将高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数f:x→yf:x\rightarrowyf:x→y，其中x是原始数据点的表达，目前多使用向量表达形式。y是数据点映射后的低维向量表达，通常y的维度小于x的维度。维度灾难与降维对于kkk近邻法，最好要求采样点比较密集。理论上给定测试样本x⃗\vecx
绝尘花遗落·2019-09-20 21:30

【机器学习】机器学习基础

0.引言本篇博客记录在学习机器学习过程中一些收获，算是在磕磕绊绊中前行吧，感谢在学习过程中帮助过我的人，感谢！同时在学习过程中也阅读了不少博客，学习到很多知识，十分感谢他/她们的无私分享。由于学习的时间有点久了，近来开始整理总结，所以尽可能的标明知识点的出处；如果未能标明的，感到十分抱歉，可联系我添上。1.基本流程机器学习的一个基本流程可以总结如下：数据收集很好理解，我们需要找到这样一个数据集；数
Chen_HW·2019-09-16 09:00

转载：《机器学习》周志华西瓜书 笔记/习题答案 总目录

西瓜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
GUO_z_y·2019-09-10 09:42

机器学习基础之一文读懂决策树

行内公式无法显示参考：https://segmentfault.com/a/11...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，如果需要深入了解决策树算法可以查看进阶部分算法原理。importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt%matplotlibinlineimportseabornassnsi
GuessIt·2019-09-08 00:00

【英语流利说】数据分析师笔试+二面经验

【笔试】笔试主要分为填空题和问答题，其中填空题主要考一些概率题、SQL、假设检验、机器学习基础；问答题有两题，第一题是SQL，第二题是一个分析为什么某门课程得销售量下降。
Asher117·2019-09-07 21:51

机器学习基础之K近邻

K近邻  K-NN算法可以说是最简单的机器学习算法，他使用距离预测点最近的点的均值来进行预测。k近邻算法的输入为实例的特征向量，对应于特征空间的点；输出为实例的类别，可以取多类。k近邻算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例的类别，通过多数表决等方式进行预测。因此，k近邻算法不具有显式的学习过程。  k近邻算法实际上利用训练数据集对特征向量空间
GuessIt·2019-09-07 00:00

机器学习

支持向量机（SVM）Apriori最大期望算法（EM）PageRank算法AdaBoost算法k-近邻算法（kNN）朴素贝叶斯算法（NB）分类回归树算法（CART）Logistic回归算法第一部分分类第1章机器学习基础
qq_42618217·2019-09-05 16:00

机器学习基础回顾

序言----为了巩固一下之前的知识，最近重温了下西瓜书和统计学习方法，所以顺带写篇博客。一、什么是机器学习，即机器学习的定义。我认为可以从广义和狭义上去说，广义上说就是让机器具有类似人一样的学习能力，通过学习新知识来提高自己的能力，而非直接编程告诉机器每一步执行什么。狭义上说，就是让计算机基于数据构建（概率统计）模型，并通过该模型对未知数据进行预测与分析的方法。（西蒙曾对“学习”下过这么一个定义：
蒹葭杰克·2019-09-05 00:53

Outline

大纲和导航，持续更新机器学习基础1.误差https://www.cnblogs.com/chaojunwang-ml/p/11189411.html2.梯度下降https://www.cnblogs.com
王朝君BITer·2019-09-03 17:00

我的推荐系统入门经验～

1、第一阶段-掌握机器学习基础知识，打好基础学习推荐系统，还是要掌握一定的机器学习知识的，从特征获取、特征处理、特征选择，到基本的机器学习模型如逻辑回归、GBDT等等，都需要你熟练
python爬虫人工智能大数据·2019-09-01 08:00

Python机器学习基础教程学习笔记（1）——用到的库

Python机器学习基础教程学习笔记（1）——用到的库1Numpynumpy数组importnumpyasnpx=np.array([[1,2,3],[4,5,6]])print("x:\n{}".format
neumeng·2019-08-27 17:05

机器学习基础——线性回归

线性回归简介线性回归可分为一元回归和多元回归，一元回归就是只有一个影响因子，也就是大家熟悉的线性方程，多元回归就是有多个影响因子。一元线性回归方程是简单来说就是二维平面上的一条直线；多元线性回归方程从数学角度如果只有两个影响因子可以看做是回归平面，如果涉及到高维度不能用图形来描述。可以用损失值来衡量回归损失函数要选择最优的θ，使得h(x)最近进真实值。这个问题就转化为求解最优的θ，使损失函数J(θ
kylinxjd·2019-08-22 15:45

我的推荐系统入门经验～（文末有福利）

（一定要看到最后哦，三重福利送给你）1、第一阶段-掌握机器学习基础知识，打好基础学习推荐系统，还是要掌握一定的机器学习知识的，从特征获取、特征处理、特征选择，到基本的机器学习模型如
悄悄的努力·2019-08-21 13:07

机器学习基础问题汇总

文章目录一、数据预处理1.1如何处理数据集中丢失或损坏的数据？1.2为什么需要对数值类型的特征做归一化？1.3处理不平衡数据集的6个技巧1.4特征选择的方法有哪些？1.5什么是组合特征？如何处理高维组合特征？1.6在对数据进行预处理时，应该怎样处理类别型特征？二、模型评估方法2.1如何理解准确率的局限性？2.2如何权衡精确率与召回率？2.3回归模型在95%的时间区间内的预测误差都小于1%，但是为什
Seven_0507·2019-08-20 10:23

送3套机器学习实战项目，内含完整机器学习视频+资料

此资料附完整机器学习基础及框架使用教程，内含3套实战项目链接:https://pan.baidu.com/s/1UyvGg39dvbi4xk2ICGnzLg密码:y7hf此资料长期更新，想要获取最新资源
上海小胖·2019-08-20 07:00

《机器学习实战》学习笔记（一）：机器学习基础

【机器学习】《机器学习实战》读书笔记及代码总目录https://blog.csdn.net/TeFuirnever/article/details/99701256——————————————————————————————————————————————————————目录本章内容1、何谓机器学习2、关键术语3、机器学习的主要任务4、如何选择合适的算法5、开发机器学习应用程序的步骤6、Pytho
我是管小亮 :)·2019-08-19 00:00

《机器学习实战》学习笔记 总目录

——————————————————————————————————————————————————————好好看书，好好写博客，好好码代码，好好搞深度学习，好好搞机器学习，希望能坚持下去目录第1章-机器学习基础读书笔记
我是管小亮 :)·2019-08-18 00:00

机器学习基础

1.机器学习定义机器学习是一门能够让系统从数据中学习的计算机科学。2.机器学习在哪些问题上表现突出？机器学习非常有利于：不存在已知算法解决方案的复杂问题，需要大量手动调整或是规则列表超长的问题，创建可以适用环境波动的系统，以及帮助人类学习（比如数据挖掘）。3.什么是被标记的训练数据集？被标记的训练集是指包含每个实例所期望的解决方案的训练集。4.最常见的监督式学习任务是什么？最常见的两个监督式学习任
Big_Chuan·2019-08-09 10:00
上一页 29 30 31 32 33 34 35 36 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他