机器学习基础

机器学习基础知识

文章目录概述一、机器学习分类1.1主要任务1.2分类方式1.3监督学习1.3.1判别式模型1.3.2生成式模型1.4无监督学习1.4.1聚类1.4.2降维1.5深度学习1.6强化学习二、机器学习步骤三、模型评估指标3.1分类问题3.2回归问题四、机器学习预备知识4.1数学基础4.2Python第三方库概述机器学习(MachineLearning,ML)是使用计算机来彰显数据背后的真实含义，目的是把
伟学算法·2022-08-18 07:03

【机器学习基础】集成学习回顾及总结

之前有将集成学习中的随机森林、GBDT、XGBoost等算法进行一一介绍，明白了每个算法的大概原理，最近复习了一下李宏毅老师的集成学习的课程，忽然对集成有了更清晰的认识，这里做一个回顾和总结。集成学习回顾及总结集成学习从直观的意思来说，就是合众人之力来解决一个问题，而每个人所起的作用又不相同，最
Uniqe·2022-08-16 09:00

机器学习基础篇（十）——聚类

机器学习基础篇（十）——聚类一、概论在前几节（5-9）知识中我们学习的是有关于监督学习的算法，本节开始我们将要开始学习无监督学习的相关知识。在一个典型的监督学习中，我们有一个有标签的训练集。
柚子味的羊·2022-08-12 07:42

Educode--机器学习基础模型与算法测试闯关实验

第1关：线性回归模型应用实现代码：#-*-coding:utf-8-*-'''油气藏的储量密度Y与生油门限以下平均地温梯度X1、生油门限以下总有机碳百分比X2、生油岩体积与沉积岩体积百分比X3、砂泥岩厚度百分比X4、有机转化率X5有关，数据文件为“1.xlsx”,字段如下：样本IDX1X2X3X4X5Y（注：数据取自教材《Matlab数据分析方法》）任务如下：（1）利用线性回归分析命令，求出Y与5
风落寒冬·2022-08-10 18:52

网易互娱(杭州)AI Lab-NLP算法实习生面经-2020年10月

开头是自我介绍，然后问项目，问机器学习基础，问NLP。
ModestYjx·2022-08-09 07:48

机器学习之Python Sklearn——线性回归

这里重点学习一下回归算法机器学习基础机器学习vs.传统编程!
moakap·2022-08-08 07:42

【机器学习】数据科学基础——机器学习基础实践（一）

【机器学习】数据科学基础——机器学习基础实践（一）活动地址：[CSDN21天学习挑战赛](https://marketing.csdn.net/p/bdabfb52c5d56532133df2adc1a728fd
云曦智划·2022-08-07 07:35

CSDN21天学机器学习_笔记1

同时借此机会，补充一下自己的机器学习基础知识。回归简介：回归是对一个或多个自变量和因变量之间的关系进行建模，求解的一种统计方法。简单来说，回归任务的目标就是根据输入数据预测输出的具体值。
AItairyang·2022-08-06 07:25

《零基础学机器学习》笔记-第1课-新手快速上路路径

《零基础学机器学习》作者：黄佳出版社：人民邮电出版社出版日期：2020年12月1.1机器学习的家族图谱主要包括机器学习快速上手路径、数学和Python基础知识、机器学习基础算法（线性回归和逻辑回归）、深度神经网络
Maker张·2022-08-04 13:47

机器学习基础-树相关算法总结与梳理

机器学习基础-树相关算法决策树决策树怎么建树，基尼系数公式集成学习Adaboost拟合目标是什么介绍下Adaboost，每个基学习器的权重怎么得到的介绍下GBDTGBDT中的梯度是什么，怎么用GBDT拟合的残差是真实的误差吗
城阙·2022-08-03 07:50

机器学习基础篇-集成学习

什么是集成学习集成学习是传统机器学习的基础上运用了一个重要思想：将多个弱分类器按照某种方法组合在一起，形成一个强分类器。（三个臭皮匠赛过诸葛亮）Bagging：把数据集通过有放回的抽样，划分为多个数据集，然后分别训练多个模型。针对分类问题，按照少数服从多数的原则进行投票，针对回归问题，求多个预测结果的平均值。Stacking：通常是不同的模型，而且每个分类器都用了全部的训练数据，得到预测结果y1,
AI干货中心·2022-08-01 07:23

【机器学习基础】无监督学习（5）——生成模型

优质资源分享学习路线指引（点击解锁）知识定位人群定位Python实战微信订餐小程序进阶级本课程是pythonflask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。Python量化交易实战入门级手把手带你打造一个易扩展、更安全、效率更高的量化交易系统前面无监督学习主要针对的是一种“降维”的学习任务，将数据降维到另一个能够表达数据含义的某种空间中，本节主要是无监督学习中的
qq_43479892·2022-07-25 07:23

【机器学习基础】——另一个视角解释SVM

SVM的另一种解释前面已经较为详细地对SVM进行了推导，前面有提到SVM可以利用梯度下降来进行求解，但并未进行详细的解释，本节主要从另一个视角对SVM进行解释，首先先回顾之前有关SVM的有关内容，然后从机器学习的三步走的角度去对SVM进行一个解释。那么对于传统的机器学习，每个方法最大区别就是损失
Uniqe·2022-07-24 15:00

机器学习基础算法之K近邻，朴素贝叶斯，决策树与随机森林

机器学习基础算法之K近邻，朴素贝叶斯，决策树与随机森林1.scikit-learn数据集API2.获取数据集的返回类型3.数据集分隔4.sklearn机器学习算法的实现-估计器5.K近邻6.朴素贝叶斯7
静幽水1·2022-07-24 07:14

【机器学习基础】无监督学习（5）——生成模型

前面无监督学习主要针对的是一种“降维”的学习任务，将数据降维到另一个能够表达数据含义的某种空间中，本节主要是无监督学习中的另一个任务——生成进行介绍。生成模型0.生成模型介绍通常生成模型是指学习样本数据的分布，可以生成一些新的数据，是相对于判别模型而言的，并不特指有监督学习和无监督学习，比如朴
Uniqe·2022-07-22 18:00

机器学习 周志华 pdf 全文内容分享

作为这一领域的入门教材，本书尽可能涵盖机器学习基础知识的所有方面。
coder_ten·2022-07-20 23:06

【机器学习基础】正规方程法（Normal equation）（正则化和非正则化）——吴恩达课程笔记

在求使得代价函数最小的参数θ中，也可以不用梯度下降法进行逐步递归求解，可以使用正规方程法（NormalEquation）一次性算出θ。用这种方法不需要进行特征缩放（featurescaling）。在特征数少的情况（吴恩达教授的标准是一万以下）用正规方程法更好，但如果特征数较多，计算量很大，会比较慢，这个时候还是采用梯度下降法比较好。特征方程法介绍：（1）现做如下规定：假设有m个样本实例，每个样本有
EthenWillson·2022-07-20 07:53

深度/机器学习基础知识要点：CTC算法

ConnectionistTemporalClassification(CTC)CTC适合语音识别和手写字符识别任务定义输入表示：符号序列X=[x1,x2,...,xT]X=[x_{1},x_{2},...,x_{T}]X=[x1,x2,...,xT]输出表示：符号序列Y=[y1,y2,...,yU]Y=[y_{1},y_{2},...,y_{U}]Y=[y1,y2,...,yU]目标：找到输入X
szZack·2022-07-19 07:31

神经网络——机器学习基础

机器学习基础本章会将你对这些问题的直觉固化为解决深度学习问题的可靠的概念框架。我们将把所有这些概念——模型评估、数据预处理、特征工程、解决过拟合——整合为详细的七步工作流程，用来解决任何机器学习任务。
前丨尘忆·梦·2022-07-18 07:58

机器学习基础

文章目录第二章机器学习基础2.1基本概念2.1.1大话理解机器学习本质2.1.2什么是神经网络2.1.3各种常见算法图示2.1.4计算图的导数计算2.1.5理解局部最优与全局最优2.1.5大数据与深度学习之间的关系
wooyang2018·2022-07-17 07:37

#《机器学习》_周志华(西瓜书)&南瓜书__第1章 绪论 _第2章 模型评估与选择

迁移学习符号(离散)->统计(连续)概率统计概率和统计VS代数和逻辑大数据分析：收集、分析、预测1-3章：机器学习基础知识4-10章：经典而常用的机器学习方法11-16章：
Gao&&Xi·2022-07-14 07:14

机器学习基础学习-多元线性回归问题（梯度下降法实现）

1、基本概念在之前的博客当中描述了怎样模拟出了梯度下降的过程如果是多维情况，theta其实是一个向量，那么对其求导的损失函数也是向量，梯度就是损失函数对每个方向的theta求偏导。和之前的一维线性回归相比，我们对只是对w这个数字进行求导，而现在针对多系数theta，对theta整个向量进行求导。有两个参数的梯度下降法进行可视化，一圈一圈代表等高线，圈上的值就是梯度。越外层J的取值越大，越里层J的取
小夭。·2022-07-14 07:54

吴恩达深度学习第二课第一周知识总结

吴恩达深度学习第二课知识总结（一）仅供自己记录整理1.1训练，验证，测试1.2偏差，方差偏差：欠拟合训练集错误率50%，验证集错误率50%方差：过拟合训练集错误率1%，验证集错误率50%1.3机器学习基础训练神经网络的方法
yeeanna·2022-07-13 07:45

[自学CV]000-计算机视觉学习路线

打算按照这个整理一下相关内容，应对招聘，但愿能坚持整理全，奥利给文章目录第一章：机器学习与计算机视觉1.1计算机视觉简介1.1.1技术背景1.1.2计算机视觉简介1.1.3机器学习的数学基础1.2计算机视觉与机器学习基础
deyiwang89·2022-07-12 07:17

【深度学习】（一）机器学习基础学习笔记

机器学习基础作为一个图像算法工程师，传统图像算法和深度学习算法都应该掌握，这样在面对不同的实际场景时可以有更多得解决方法。之前的文章基本上都是以传统方法为主，所以今天一起来学习一下有关深度学习的算法。
Nirvana；·2022-07-09 07:00

机器学习基础：用 Lasso 做特征选择

大家入门机器学习第一个接触的模型应该是简单线性回归，但是在学Lasso时往往一带而过。其实Lasso回归也是机器学习模型中的常青树，在工业界应用十分广泛。在很多项目，尤其是特征选择中都会见到他的影子。Lasso给简单线性回归加了L1正则化，可以将不重要变量的系数收缩到0，从而实现了特征选择。本文重点也是在讲解其原理后演示如何用其进行特征选择，希望大家能收获一点新知识。lasso原理Lasso就是在
机器学习算法与Python实战·2022-07-06 07:07

机器学习基础：奇异值分解（SVD）

SVD原理奇异值分解（SingularValueDecomposition）是线性代数中一种重要的矩阵分解，也是在机器学习领域广泛应用的算法，它不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及自然语言处理等领域。有一个×的实数矩阵，我们想要把它分解成如下的形式：A=UΣVTA=U\SigmaV^TA=UΣVT其中和均为单位正交阵，即有=^=UUT=I和=^=VVT=I，称为左奇异矩阵，称
机器学习算法与Python实战·2022-07-06 07:37

机器学习基础概念练习题与答案

1.你会怎么定义机器学习？答：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，你能提出四种类型吗？答：机器学习非常利于：1.不存在已知算法解决方案的复杂问题2.需要大量手动调整或是规则列表超长的问题，3.创建可以适应环境波动的系统，4.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？答：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
莱维贝贝、·2022-07-05 10:34

四、机器学习基础

文章目录1、训练集(training)，交叉验证集(dev)和测试集(test)2、偏差(bias)和方差(variance)的处理3、Basicrecipeformachinelearning4、神经网络的归一化/正则化4.1正则化可以减少过拟合风险的原因4.2Dropout归一化4.3其他归一化方法5、设置问题来加速模型训练5.1归一化数据集5.2梯度消失和梯度爆炸5.3梯度检验THEEND1
Dragon Fly·2022-07-05 10:33

【机器学习基础】不会时间序列预测？不要紧，大神来教你

作者：LeandroRabelo译者：李洁整理：Lemonbit译文出品：Python数据之道「Python数据之道」导语本文内容较长，较为详细的阐述了进行时间序列预测的步骤，有些内容可能暂时用不到或者看不懂，但不要紧，知道有这么一个概念，后续碰到的时候，继续深入学习以及使用就可以。一文弄懂时间序列预测的基本原理PhotobyAdrianSchwarzonUnsplash我们被随处可见的模式所包围
风度78·2022-07-05 07:36

机器学习基础：用 Lasso 做特征选择

大家入门机器学习第一个接触的模型应该是简单线性回归，但是在学Lasso时往往一带而过。其实Lasso回归也是机器学习模型中的常青树，在工业界应用十分广泛。在很多项目，尤其是特征选择中都会见到他的影子。Lasso给简单线性回归加了L1正则化，可以将不重要变量的系数收缩到0，从而实现了特
机器学习算法与Python·2022-07-03 23:00

硬啃：《Deep Learning》机器学习基础篇（一）

深度学习已经成为了当代人类生活中不可缺少的部分，自从2006年被正式提出以来，经过十几年的发展演变，深度学习的进展在人类生活中创造了巨大的价值财富。也有更多的人希望能够从深度学习中学习到更多的知识，今天开始我从基础开始进行深度学习的系统学习。首先，需要大家有一定的基础知识的学习，其中包含线性代数、概率论与数理统计、简易数值计算等基础知识，这些知识在本科学习中都会有所学习，不清楚的可以简单回顾以下基
CodeByZhou·2022-06-28 07:54

研究生工作周报（第六周）

学习目标：机器学习总结深度学习第四课《卷积神经网络》-Stanford吴恩达教授"花书"第一部分第五章机器学习基础学习内容：像素填充padding卷积步长(StridedConvolutions)三维卷积
wangyunpeng33·2022-06-27 07:12

【研究生工作周报】（第五周）

Apriori，FP-growth算法《结构化机器学习课程》学习内容：bagging（自举汇聚法）和boosting（提升方法）AdaBoostAprioriFP-growth机器学习策略“花书”应用数学和机器学习基础学习时间
wangyunpeng33·2022-06-27 07:41

决策树（decision tree）（笔记）

最近在自学图灵教材《Python机器学习基础教程》，在csdn以博客的形式做些笔记。决策树是广泛用于分类和回归任务的模型。本质上，它从一层层的if/else问题中进行学习，并得出结论。
叫Lzy·2022-06-26 07:51

随机森林和梯度提升回归树（笔记）

最近在自学图灵教材《Python机器学习基础教程》，在csdn以博客的形式做些笔记。决策树集成集成（ensemble）是合并多个机器学习模型来构建更强大模型的方法。
叫Lzy·2022-06-26 07:51

机器学习基础自学笔记——决策树(Decision Tree)

决策树(DecisionTree)目录决策树(DecisionTree)信息熵条件熵信息增益基尼系数决策树主要优缺点：剪枝处理随机森林本文是本人学习决策树时候的笔记，可能很对地方不是比较专业，主要为去理解相关概念为主~这是我的第一篇博客，若博客有错误欢迎大家指出~本博客后续也会不断更新~信息熵文献参考引用：·知乎：忆臻·知乎:林君·知乎：许铁-巡洋舰科技信息熵概念：信息熵把信息中排除了冗余信息后的
康康好老啊·2022-06-26 07:49

【机器学习基础】超全汇总！机器学习常用术语词汇表（建议收藏）

刚接触机器学习框架TensorFlow的新手们，这篇由Google官方出品的常用术语词汇表，一定是你必不可少的入门资料！本术语表列出了基本的机器学习术语和TensorFlow专用术语的定义，希望能帮助您快速熟悉TensorFlow入门内容，轻松打开机器学习世界的大门。本文来源：https://developers.google.cn/machine-learning/glossary?hl=zh-
风度78·2022-06-12 07:04

机器学习基础 --- 线性回归（Linear Regression）

内容简介符号说明一、线性回归（最小二乘法及其几何意义）1、矩阵表达下的最小二乘法2、最小二乘法的几何意义二、线性回归（最小二乘法-概率视角-高斯噪声-MLE)三、线性回归（正则化-岭回归）四、线性回归（正则化-岭回归-贝叶斯角度-高斯噪声高斯先验-MAP）五、总结最后数学建模精选资料共享，研究生学长数模指导，建模比赛思路分享，关注我不迷路！建模指导，比赛协助，有问必答，欢迎打扰
dc_sinor·2022-06-12 07:53

机器学习基础 聚类算法

文章目录一、聚类算法简介1.认识聚类算法1.1聚类算法在现实中的应用1.2聚类算法的概念1.3聚类算法与分类算法最大的区别2小结二、聚类算法api初步使用1.api介绍2.案例2.1流程分析2.2代码实现3.小结三、聚类算法实现流程1.k-means聚类步骤2.案例练习3.小结四、模型评估1.误差平方和(SSE\Thesumofsquaresduetoerror)：2“肘”方法(Elbowmeth
落花雨时·2022-06-11 17:40

机器学习基础 朴素贝叶斯算法

文章目录一、朴素贝叶斯算法简介二、概率基础复习1.概率定义2.案例：判断女神对你的喜欢情况3.联合概率、条件概率与相互独立4.贝叶斯公式4.1公式介绍4.2案例计算4.3文章分类计算三、案例：商品评论情感分析1.api介绍2.商品评论情感分析2.1步骤分析2.2代码实现四、朴素贝叶斯算法总结1.朴素贝叶斯优缺点2.朴素贝叶斯内容汇总2.1NB的原理2.2朴素贝叶斯朴素在哪里？2.3为什么引入条件独
落花雨时·2022-06-11 17:40

机器学习基础 集成学习基础（Boosting+Adaboost+GBDT）

文章目录一、Boosting1.什么是boosting2.实现过程：3.bagging集成与boosting集成的区别：4.AdaBoost介绍4.1构造过程细节4.2关键点剖析4.3api介绍二、GBDT介绍1.DecisionTree：CART回归树1.1回归树生成算法（复习）2.GradientBoosting：拟合负梯度3.GBDT算法原理一、Boosting1.什么是boosting随着
落花雨时·2022-06-11 17:10

Python深度学习篇五《深度学习用于计算机视觉》

前言前期回顾：Python深度学习篇四《机器学习基础》上面这篇里面写了关于向量数据最常见的机器学习任务。好，接下来切入正题。
虚坏叔叔·2022-06-08 07:09

机器学习基础：人工智能、机器学习、深度学习的概念和关系（一）

本文属于入门深度学习系列文章的第一篇，该系列专栏主要是记录我在Coursera上学习AndrewNg的MachineLearning和DeepLearning.AI课程时做的笔记，如果有错误请联系我，我将尽快修改。1.人工智能1.1概念让机器能够像人一样思考、行动，替人类完成复杂的工作。1.2分类[1]：弱人工智能：可以代替人力处理某一领域的工作。强人工智能：拥有和人类一样的智能水平，可以代替一般
George_Will·2022-06-07 19:54

三张图读懂机器学习：基本概念、五大流派与九种常见算法

四大会计师事务所之一的普华永道（PwC）近日发布了多份解读机器学习基础的图表，其中介绍了机器学习的基本概念、原理、历史、未来趋势和一些常见
来跟我学AI·2022-06-06 07:11

机器学习基础备忘录

本文侧重代码实现，不讨论原理。github图床出了一点问题，就不插图了。文章目录距离计算模型选择留出法交叉验证法留一法性能度量均方误差MSE均方根误差RMSE平均绝对误差MAE准确率混淆矩阵ROC曲线协方差CovSklearn线性模型线性回归逻辑回归Pytorch简介偏导数计算多次求导非标量输出线性回归SVM距离计算欧氏距离:d(x,y)=∑k=1N(xk−yk)2欧氏距离:d(x,y)=\sqr
阿腾木·2022-06-06 07:53

PaddlePaddle课程学习心得

百度飞桨暑假期间学了机器学习基础知识，但都处于理论阶段还没有进行实践。百度飞桨——百度架构师手把手带你零基础实践深度学习这门课程正好提供了实践平台。
曹四岁·2022-06-04 07:36

机器学习基础-监督学习与无监督学习

机器学习基础-监督学习与无监督学习机器学习(MachineLearning)主要研究计算机系统对特定任务的性能，逐步进行改善的算法和统计模型。
nuist__NJUPT·2022-06-03 22:35

Python深度学习（机器学习基础）--学习笔记（八）

第4章机器学习基础4.1机器学习的四个分支在前面的例子中，你已经熟悉了三种类型的机器学习问题：二分类问题、多分类问题和标量回归问题。。
呆萌的小透明·2022-06-03 07:05

Python深度学习篇四《机器学习基础》

前言前期回顾：Python深度学习篇三《神经网络入门》上面这篇里面写了关于向量数据最常见的机器学习任务。好，接下来切入正题。本章包括以下内容：除分类和回归之外的机器学习形式评估机器学习模型的规范流程为深度学习准备数据特征工程解决过拟合处理机器学习问题的通用工作流程学完第3章的三个实例，你应该已经知道如何用神经网络解决分类问题和回归问题，而且也看到了机器学习的核心难题：过拟合。本章会将你对这些问题的
qq_43479892·2022-06-03 07:54
上一页 12 13 14 15 16 17 18 19 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他