机器学习基础

机器学习-Chapter 02 监督学习（Python）

@参考Python机器学习基础教程Chapter02监督学习1.分类与回归监督机器学习问题主要有两种，分别叫做分类（classification）与回归（regression）。
ZHOU_YU0715·2022-11-20 10:38

《python机器学习基础教程》代码实现 随机森林--分类

DecisionTreeClassifierfromsklearn.treeimportDecisionTreeClassifierfromsklearn.treeimportexport_graphvizfromsklearn.datasetsimportload_breast_cancerfromsklearn.model_selectionimporttrain_test_splitimpo
江水西流...·2022-11-20 09:58

《python机器学习基础教程》代码实现K近邻

KNeighborsClassifierfromsklearn.datasetsimportload_breast_cancerfromsklearn.model_selectionimporttrain_test_splitfromsklearn.neighborsimportKNeighborsClassifierimportmatplotlib.pyplotaspltcancer=load_
江水西流...·2022-11-20 09:57

《python机器学习基础教程》代码实现线性模型--回归

线性回归(LinearRegression)fromsklearn.baseimportTransformerMixinfromsklearn.linear_modelimportLinearRegressionimportmglearnfromsklearn.model_selectionimporttrain_test_splitX,y=mglearn.datasets.load_extend
江水西流...·2022-11-20 09:57

《python机器学习基础教程》代码实现线性模型--分类

Logistic回归fromsklearn.linear_modelimportLogisticRegressionfromsklearn.datasetsimportload_breast_cancerfromsklearn.model_selectionimporttrain_test_splitimportmatplotlib.pyplotaspltcancer=load_breast_ca
江水西流...·2022-11-20 09:57

机器学习-22：MachineLN之RL

你要的答案或许都在这里：小鹏的博客目录我想说：其实很多事情找对方法很重要，可以事半功倍，就好比学习；原本打算将机器学习基础写完以后再写深度学习、强化学习、迁移学习的内容，但是现在看还是中间穿插一点比较好
MachineLP·2022-11-20 04:35

机器学习基础学习-决策树（信息熵以及基尼系数进行划分）

1、什么是决策树这里上一个最简单的例子这样的一个过程形成了一个树的结构，这棵树所有叶子节点的位置就是最终做出的决策，这个决策可以看成对应聘者的信息的输入进行分类（录用或者考察）的过程。这样的一个过程就是决策树。对于决策树来说，他有树结构相应所有的性质（包括节点、深度等）这里的决策树的深度就是3，因为最多通过3次判断就能将数据进行相应的分类。这里每一个节点进行决策的属性都可以通过是或者否来回答问题，
小夭。·2022-11-20 03:09

神经网络——构建非线性映射

文章内容是假定您有基本的机器学习基础之上进行的（特别是熟悉的监督学习，逻辑回归，梯度下降的想法）1.关键词neuralnetworks神经网络activationfunction激活函数hyperbolic
weixin_33756418·2022-11-20 02:04

5分钟让你在大火的多模态领域权威榜单VQA上超越人类

一探：浅草才能没马蹄市面上有好多号称“用户上手简单”，“一步到位”，“傻瓜式”，但是真的，如果不懂两三行代码，没有一些机器学习基础，不趟几次浑水，是真的没办法上手的。
阿里云技术·2022-11-20 01:03

【Python机器学习基础教程】（三）

无监督学习与预处理无监督学习的预处理本章研究两类无监督学习：数据集变换与聚类数据集的无监督变换是创建数据新的表示的算法。无监督变换的一个常见应用是降维，它接受包含许多特征的数据的高维表示，并找到表示该数据的一种新方法，用较少的特征就可以概括其特性。降维的一个常见应用是为了可视化将数据将为2维。与之相反，聚类算法将数据划分成不同的组，每组包含相似的物项。预处理和缩放一些算法（如神经网络和SVM）对数
仿生程序员会梦见电子羊吗·2022-11-20 00:10

机器学习基础-引用同济子豪兄版

转载原自：7【子豪兄】机器学习基础_哔哩哔哩_bilibili目录机器学习任务：鸢尾花数据集：评估分类模型：分类模型（监督学习）训练集/测试集二分类问题（Binaryclassification）结论：
黑檀木与雪松·2022-11-19 20:18

机器学习/深度学习入门建议

机器学习/深度学习入门建议第一阶段：Python基础视频：（选一个喜欢的就行）第二阶段：常用模块numpymatplotlibpandas书籍的话推荐看看《利用Python进行数据分析》第三阶段：机器学习基础建议观看吴恩达老师的课程
程序猿-饭饭·2022-11-19 19:16

机器学习基础 决策树算法

文章目录一、决策树算法简介二、决策树分类原理1.熵1.1概念1.2案例2.决策树的划分依据一----信息增益2.1概念2.2案例3.决策树的划分依据二----信息增益率3.1概念3.2案例3.2.1案例一3.2.2案例二3.3为什么使用C4.5要好4.决策树的划分依据三----基尼值和基尼指数4.1概念4.2案例5.小结5.1常见决策树的启发函数比较5.1.1ID3算法5.1.2C4.5算法5.1
落花雨时·2022-11-19 13:36

机器学习基础-方差 & 偏差

偏差&方差在统计学里面有两个衡量模型的重要指标，分别是偏差Bias和方差Variance。偏差：表示每次模型学习到的数据跟真实数据之间的差距。方差：表示每次模型学习到的数据之间的差距。以下我们通过以下几幅图来讲解这两个指标的含义。首先我们给定一个模型，训练5次，每次的结果分布我们这里表示为上图的黑色五角星。如果5次的结果都在我们可容忍的结果范围内（上图的圆圈中），那么就说明结果的偏差bias比较低
Vihagle·2022-11-19 11:59

【机器学习基础】数学推导+纯Python实现机器学习算法12：贝叶斯网络

Python机器学习算法实现Author：louwill在上一讲中，我们讲到了经典的朴素贝叶斯算法。朴素贝叶斯的一大特点就是特征的条件独立假设，但在现实情况下，条件独立这个假设通常过于严格，在实际中很难成立。特征之间的相关性限制了朴素贝叶斯的性能，所以本节笔者将继续介绍一种放宽了条件独立假设的贝叶斯算法——贝叶斯网络(BayesianNetwork)。贝叶斯网络的直观例子先以一个例子进行引入。假设
风度78·2022-11-19 10:26

传智python24期的_GitHub - gaogan-python/Python24: 传智播客&黑马出品的Python24期人工智能整套代码和讲义集合，这是至今为止所开放网上能够查找到的最新视频...

PythonAndMachineLearning传智播客&黑马出品的Python24期人工智能整套代码和讲义集合，仓库主要为了学习Python和机器学习基础，每一章的具体知识点可以在下面的目录中详细查看课程大纲
weixin_39978101·2022-11-19 10:44

Python深度学习-ch4机器学习基础(学习笔记）

4.1机器学习的四个分支4.1.1监督学习样本类别或者目标是已知的4.1.2无监督学习样本只有特征，无已知的类别或者目标，降维和聚类都是众所周知的无监督学习方法。4.1.3自监督学习自监督学习是监督学习的一个特例，它与众不同，值得单独归为一类。自监督学习是没有人工标注的标签的监督学习，你可以将它看作没有人类参与的监督学习。标签仍然存在（因为总要有什么东西来监督学习过程），但它们是从输入数据中生成的
不吃·2022-11-19 08:24

python深度学习笔记2--机器学习基础

一、机器学习分支监督学习：给定一组样本，机器学习可以学会将输入数据映射到已知目标[标注]主要包括分类和回归还有更多奇异的变体如序列生成目标检测图像分割无监督学习：没有目标的情况下寻找输入数据的有趣变换常见无监督学习方法降维和聚类自监督学习没有人工标注的标签强化学习二、评估机器学习模型机器学习的目的：得到可以泛化（generalize）的模型，即在前所未见的数据上表现很好的模型难题：过拟合——随着训
小杜今天学AI了吗·2022-11-19 08:16

深度学习-吴恩达-笔记-5-深度学习的实践层面

目录训练、验证、测试集偏差、方差机器学习基础正则化为什么正则化有利于预防过拟合dropout正则化理解dropout其它正则化方法归一化输入梯度消失/梯度爆炸神经网络的权重初始化梯度的数值逼近梯度检验梯度检验应用的注意事项
Leon.ENV·2022-11-19 08:07

datawhale 11月学习——水很深的深度学习：循环神经网络

前情回顾深度学习概述和数学基础机器学习基础前馈神经网络概述本次学习结合了李宏毅机器学习的相关章节进行学习，从首先补充了计算图的相关知识，随后，学习了RNN的结构，训练，及可能遇到的梯度消失的问题；再进步学习了
SheltonXiao·2022-11-19 07:26

【机器学习】吴恩达机器学习课程笔记LESSON1

目录一、前言二、课堂笔记三、总结一、前言为打牢机器学习基础，最近开始看吴恩达老师的视频。听课过程中的笔记、心得、疑惑特在此记录。
Rachel MuZy·2022-11-19 02:13

深度学习 机器学习基础_深度学习的基础

深度学习机器学习基础WhenIwasyoung,IreallylikeLego.ItwasamazingformebecauseIcanbuildanythingwithsmallblocks.Icouldbuilddragons
weixin_26729283·2022-11-17 11:57

Python机器学习基础知识和相关术语

目录1函数定义1.1线性函数1.2二次函数或多次函数1.3激活函数2.4对数函数2机器学习的数据结构张量2.1张量的概念2.2标量——0D（阶）张量2.3 向量——1D（阶）张量2.4 矩阵——2D（阶）张量2.5序列数据——3D（阶）张量2.6图像数据——4D（阶）张量2.7视频数据——5D（阶）张量在学习之前先看一下：机器学习的数学基础1函数定义首先所有函数都要满足函数定义，函数的输出值是独一
赵广陆·2022-11-16 10:38

机器学习基础补习08---决策树和随机森林

这篇文章简单写一下两个比较经典的分类算法，决策树和随机森林决策树决策树的定义（1）每个非叶结点表示一种对样本的分割，通常是选用样本的某一个特征，将样本分散到不同子节点中（2）子节点继续对分散来的样本继续进行分割操作（3）叶子节点表示输出，每个分散该叶结点中样本都属于同一类（或近似的回归值）决策树架构（1）决策树学习：a.一种根据样本为基础的归纳学习b.采用的是自顶向下的递归方法：开始数据都在根节点
多欢喜 ·2022-11-16 09:29

【机器学习基础】如何在Python中处理不平衡数据

特征锦囊：如何在Python中处理不平衡数据????Index1、到底什么是不平衡数据2、处理不平衡数据的理论方法3、Python里有什么包可以处理不平衡样本4、Python中具体如何处理失衡样本印象中很久之前有位朋友说要我写一篇如何处理不平衡数据的文章，整理相关的理论与实践知识（可惜本人太懒了，现在才开始写），于是乎有了今天的文章。失衡样本在我们真实世界中是十分常见的，那么我们在机器学习（ML）
风度78·2022-11-15 16:43

【机器学习基础】机器学习距离与相似度计算

写在前面涵盖了常用到的距离与相似度计算方式，其中包括欧几里得距离、标准化欧几里得距离、曼哈顿距离、汉明距离、切比雪夫距离、马氏距离、兰氏距离、闵科夫斯基距离、编辑距离、余弦相似度、杰卡德相似度、Dice系数。欧几里得距离在数学中，欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”（即直线）距离。欧几里得距离有时候有称欧氏距离，在数据分析及挖掘中经常会被使用到，例如聚类或计算相似度。如果我们将
风度78·2022-11-15 13:40

【机器学习基础】机器学习中“距离与相似度”计算汇总

写在前面涵盖了常用到的距离与相似度计算方式，其中包括欧几里得距离、标准化欧几里得距离、曼哈顿距离、汉明距离、切比雪夫距离、马氏距离、兰氏距离、闵科夫斯基距离、编辑距离、余弦相似度、杰卡德相似度、Dice系数。欧几里得距离在数学中，欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”（即直线）距离。欧几里得距离有时候有称欧氏距离，在数据分析及挖掘中经常会被使用到，例如聚类或计算相似度。如果我们将
风度78·2022-11-15 13:10

【机器学习基础】数学推导+纯Python实现机器学习算法18：奇异值分解SVD

Python机器学习算法实现Author：louwillMachineLearningLab奇异值分解（SingularValueDecomposition，SVD）作为一种常用的矩阵分解和数据降维方法，在机器学习中也得到了广泛的应用，比如自然语言处理中的SVD词向量和潜在语义索引，推荐系统中的特征分解，SVD用于PCA降维以及图像去噪与压缩等。作为一个基础算法，我们有必要将其单独拎出来在机器学习
风度78·2022-11-15 13:09

【Python】决策树代码实践

前言  最近在上机器学习基础，作业要求手写一个决策树代码，一开始以为很难，所以一直没动工，但是当自己亲自去实践，学习一下别人的思路，然后自己动手敲代码，发现其实也不难。PPT转Python完全可行！
记录无知岁月·2022-11-13 14:31

【machine learning】KNN算法

适逢学习机器学习基础知识，就将书中内容读读记记，本博文代码参考书本MachineLearninginAction（《机器学习实战》）。
enjoyhot·2022-11-11 18:49

【机器学习】几种常见的有监督学习算法

稍微有一点机器学习基础的人看，这本书都略微浅显，说了很多，但几乎都是浅尝辄止，用的示例也不太好。个人不推荐阅读。1.线性回归1.简单介绍线性回归。线性回归是用于预测回归问题的算法。算法根据训练
皮皮要HAPPY·2022-11-10 10:22

机器学习基础：K近邻算法（Machine Learning Fundamentals: KNN）

基本概念k近邻法(k-nearestneighbor,k-NN)是1967年由CoverT和HartP提出的一种基本分类与回归方法。基本概念如下：存在一个样本数据集合，所有特征属性已知，并且样本集中每个对象都已知所属分类。对不知道分类的待测对象，将待测对象的每个特征属性与样本集中数据对应的特征属性进行比较，然后算法提取样本最相似对象(最近邻)的分类标签。一般来说，我们只选择样本数据集中前k个最相似
此人姓于名叫罩百灵·2022-11-09 12:49

sklearn基础篇（三）-- 鸢尾花(iris)数据集分析和分类

后面对Sklearn的学习主要以《Python机器学习基础教程》和《机器学习实战基于scikit-learn和tensorflow》，两本互为补充进行学习，下面是开篇的学习内容。
长路漫漫2021·2022-11-09 12:48

Python深度学习-基于pytorch-1

Python深度学习参考《Python深度学习》目录如下：第1章什么是深度学习第2章神经网络的数学基础第3章神经网络入门第4章机器学习基础第5章深度学习用于计算机视觉第6章深度学习用于文本和序列第7章高级的深度学习最佳实践第
冲冲冲(ಡωಡ)·2022-11-09 07:37

机器学习基础——特征提取（笔记一）

1.机器学习简介定义：机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测数据集的构成：特征值+目标值对于每一行的数据可以成为样本，有些数据集可以没有目标值机器学习算法分类：目标值：类别——分类问题算法：K-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归目标值：连续型的数据——回归问题算法：线性回归，岭回归目标值：无——无监督学习算法：K-means机器学习开发流程：获取数据数据处理
dongcidacigogogo·2022-11-08 17:45

机器学习基础 - 决策树算法

机器学习基础-决策树算法1.本章的主要学习内容为决策树：决策树、信息熵与最优划分、基尼系数、CART实现：决策树实现2.初始决策树决策树是一个非常有意思的模型，它的建模思路是尽可能模拟人做决策的过程。
Charles Han·2022-11-08 09:18

图解机器学习神器：Scikit-Learn

图解机器学习本文详解scikit-learn工具库的用法，覆盖机器学习基础知识、SKLearn讲解、SKLearn三大核心API、SKLearn高级API等内容。
Python数据之道·2022-11-07 11:41

【机器学习基础】数学推导+纯Python实现机器学习算法30：系列总结与感悟

Python机器学习算法实现Author：louwillMachineLearningLab终于到了最后的总结。从第一篇线性回归的文章开始到现在，已经接近有两年的时间了。当然，也不是纯写这30篇文章用了这么长时间，在第14篇Ridge回归之后中间断更了10个多月，好在今年抽出时间把全部补齐了。一点总结整个系列对常用的、主流的机器学习模型与算法进行了梳理，主题只有两个，一个是数学推导，一个手写实现。
风度78·2022-11-07 08:43

Python深度学习之机器学习基础

Python深度学习之机器学习基础一、前言本文记录弗朗索瓦·肖莱的《Python深度学习》第四章机器学习基础有关笔记。
Rong_Gong·2022-11-07 08:40

机器学习实战pdf原文内容分享

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、AdaBoost
Johngo学长·2022-11-06 12:37

python数据挖掘算法的书籍_机器学习和数据挖掘推荐书单

《机器学习实战》本书第一部分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、AdaBoost集成方法
weixin_39661353·2022-11-06 09:44

机器学习教程总结

本文对这一年来机器之心发布的教程进行总结，共分为What和How两大部分，在两大板块下又进行细分，目录如下：What概念机器学习基础深度模型基础
woniu199166·2022-11-05 07:17

【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面（1.3）

【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面（1.3）1.3机器学习基础训练神经网络的基本方法：初识模型训练完成后，要看下算法的偏差高不高，如果较高，就试着评估训练集或训练数据的性能
醪糟小丸子·2022-11-01 23:04

机器学习基础介绍

这算是一篇对机器学习的扫盲文章吧，在这篇文章中将会主要的介绍一些有关机器学习的基本概念。同时读者可以点击链接：机器学习-目录_欲游山河十万里的博客-CSDN博客学习完整的机器学习的相关知识。机器学习正如我们根据过去的经验来判断明天的天气，吃货们希望从购买经验中挑选一个好瓜，那能不能让计算机帮助人类来实现这个呢？机器学习正是这样的一门学科，人的“经验”对应计算机中的“数据”，让计算机来学习这些经验数
欲游山河十万里·2022-11-01 14:51

《计算机视觉基础知识蓝皮书》第10篇 模型部署基础

本专栏将系统性地讲解计算机视觉基础知识、包含第1篇机器学习基础、第2篇深度学习基础、第3篇卷积神经网络、第4篇经典热门网络结构、第5篇目标检测基础、第6篇网络搭建及训练、第7篇模型优化方法及思路、第8篇模型超参数调整策略
迪菲赫尔曼·2022-10-31 10:54

【机器学习基础】(四)：通俗理解支持向量机SVM及代码实践

上一篇文章我们介绍了使用逻辑回归来处理分类问题，本文我们讲一个更强大的分类模型。本文依旧侧重代码实践，你会发现我们解决问题的手段越来越丰富，问题处理起来越来越简单。支持向量机(SupportVectorMachine,SVM)是最受欢迎的机器学习模型之一。它特别适合处理中小型复杂数据集的分类任务。一、什么是支持向量机SMV在众多实例中寻找一个最优的决策边界，这个边界上的实例叫做支持向量，它们“支持
风度78·2022-10-30 07:06

《神经网络与深度学习》学习笔记

电子版：https://nndl.github.io/B站视频：https://www.bilibili.com/video/BV1P3411u7c1神经网络与深度学习第一部分机器学习基础1.绪论1.1
SDUer_DZL·2022-10-30 07:05

机器学习基础：六种方法帮你解决模型过拟合问题

在机器学习中，过拟合（overfitting）会使模型的预测性能变差，通常发生在模型过于复杂的情况下，如参数过多等。本文对过拟合及其解决方法进行了归纳阐述。喜欢本文记得收藏、点赞、关注。【注】文末提供技术交流群正如巴菲特所言：「近似的正确好过精确的错误。」在机器学习中，如果模型过于专注于特定的训练数据而错过了要点，那么该模型就被认为是过拟合。该模型提供的答案和正确答案相距甚远，即准确率降低。这类模
Love Python数据挖掘·2022-10-26 09:32

《计算机视觉基础知识蓝皮书》第8篇 模型超参数调整策略

本专栏将系统性地讲解计算机视觉基础知识、包含第1篇机器学习基础、第2篇深度学习基础、第3篇卷积神经网络、第4篇经典热门网络结构、第5篇目标检测基础、第6篇网络搭建及训练、第7篇模型优化方法及思路、第8篇模型超参数调整策略
迪菲赫尔曼·2022-10-26 09:28

机器学习基础-精确率和召回率

分类模型的评估estimator.score()：一般最常见使用的是准确率，即预测结果正确的百分比混淆矩阵在分类任务下，预测结果(PredictedCondition)与正确标记(TrueCondition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)精确率(Precision)与召回率(Recall)分类模型评估API•sklearn.metrics.classification_rep
笨小孩Qu·2022-10-25 21:05
上一页 10 11 12 13 14 15 16 17 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他