机器学习基础第19页

《Scikit-Learn与TensorFlow机器学习实用指南》第04章训练模型

（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

weixin_34392435·2022-02-23 07:14

《Python深度学习》读书笔记：第4章机器学习基础

目录第4章机器学习基础4.1机器学习的四个分支4.1.1监督学习4.1.2无监督学习4.1.3自监督学习4.1.4强化学习4.2评估机器学习模型4.2.1训练集、验证集和测试集4.2.2评估模型的注意事项

feiwen110·2022-02-22 07:32

第八个模型：神经网络学习（深度学习）模型

========================================================= MachineLearningnotebookPython机器学习基础教程

枪枪枪·2022-02-22 07:11

机器学习基础 | 偏差与方差

一、什么是偏差和方差在监督学习中，模型的泛化误差可分解为偏差、方差与噪声之和。偏差与方差分别是用于衡量一个模型泛化误差的两个方面。偏差：学习算法的期望预测与真实结果的偏离程度，刻画了算法本事的拟合能力方差：度量了同样大小的训练集的变动导致的学习性能的变化，即刻画了数据扰动所造成的影响。噪声则表达了在当前任务上任何学习算法所能达到的期望泛化误差的下界，即刻画了学习问题本身的难度。“偏差-方差分解”表

Ivan_Lan·2022-02-22 01:14

python学习书籍推荐-推荐python机器学习实践的书籍？

周志华老师的《机器学习》这本书作为该领域的入门教材，在内容上涵盖机器学习基础知识的很多方面。全书

weixin_37988176·2022-02-19 07:16

【机器学习基础】(三)：理解逻辑回归及二分类、多分类代码实践

本文是机器学习系列的第三篇，算上前置机器学习系列是第八篇。本文的概念相对简单，主要侧重于代码实践。上一篇文章说到，我们可以用线性回归做预测，但显然现实生活中不止有预测的问题还有分类的问题。我们可以从预测值的类型上简单区分：连续变量的预测为回归，离散变量的预测为分类。一、逻辑回归：二分类1.1理解逻辑回归我们把连续的预测值进行人工定义，边界的一边定义为1，另一边定义为0。这样我们就把回归问题转换成了

风度78·2022-02-19 07:29

机器学习基础总结

机器学习基础总结一、其它1.机器学习的编程流程模型的训练过程a.数据的加载b.数据的清洗c.数据的分割d.数据的特征工程e.算法对象构建f.算法模型训练g.算法模型的效果评估h.如果模型评估不好，那么进入模型的调整阶段

潇萧之炎·2022-02-16 11:18

【001】机器学习基础-凸优化基础

为什么开篇第一件事是介绍凸优化呢，原因很简单，就是它很重要！凸优化属于数学最优化的一个子领域，所以其理论本身也是科研领域一门比较复杂高深的研究方向，常被应用于运筹学、管理科学、运营管理、工业工程、系统工程、信号处理、统计学等，我们主要关注其在机器学习中的应用。类比于计算机程序由数据结构和算法组成一样，任何的AI问题可归结于以下公式：模型：目标函数，旨为实现目标的途径，方法有神经网络、SVM、逻辑回

归零者245号·2022-02-16 08:28

python机器学习基础04——sklearn之朴素贝叶斯

文章目录朴素贝叶斯算法高斯模型多项式模型朴素贝叶斯算法相关重点处：https://blog.csdn.net/xiaoyoupei/article/details/122641753贝叶斯思想，其实就是计算出条件概率(也就是某条件情况下，导致的结果的概率，选择概率大的)贝叶斯定理中必要知道什么是先验概率和后验概率。什么是先验概率和后验概率？举个例子：假设我们出门堵车的可能因素有两个：车辆太多和交通

友培·2022-02-16 07:51

机器学习基础之强化学习

文章目录任务与奖赏k-摇臂赌博机有模型学习免模型学习值函数近似模仿学习转自：https://www.zhenxiangsimple.com/2019/04/12/tech-ml-qhxx 强化学习的原理，就是通过结果的反馈来对有效规则进行强化，并弱化无效或者较差的规则的一种学习原理。跟常规的监督学习不同之处在于，在学习器的训练前没有标记样本的结果，而需要通过尝试来得到各行为的结果，进而来对训练本

放羊郎·2022-02-15 07:40

《分布式机器学习》笔记1-机器学习基础

今天开始更新《分布式机器学习》的系列笔记，保证每周2-3更，大家一起学习啊~~第一次笔记是机器学习基础，就简单的整理一下知识点。

菜鸡不得行·2022-02-15 02:53

tensorflow搭建简单回归模型

模型说明这是一个简单的线性回归模型image.png损失函数是均方误差image.png这个有机器学习基础的同学应该很熟悉了。

skullfang·2022-02-14 14:59

深度学习笔记总结

神经网络与深度学习结构(图片选自《神经网络与深度学习》一邱锡鹏)机器学习基础学习可参考：机器学习知识点总结（待更新）_GoAl的博客-CSDN博客_机器学习知识点总结常见的分类算法SVM、神经网络、随机森林

GoAI·2022-02-14 12:31

线性回归原理与python实现

机器学习第一章：机器学习基础第二章：线性回归第三章：逻辑回归第四章：BP神经网络第五章：卷积神经网络第六章：循环神经网络第七章：决策树与随机森林第八章：支持向量机第九章：隐马尔科夫第十章：聚类等算法..

CC-Mac·2022-02-14 09:06

机器学习朴素贝叶斯_机器学习基础朴素贝叶斯分类

机器学习朴素贝叶斯Inthepreviousstories,IhadgivenanexplanationoftheprogramforimplementationofvariousRegressionmodels.Also,IhaddescribedtheimplementationoftheLogisticRegression,KNNandSVMClassificationmodel.Inthi

yuan xiong·2022-02-14 07:56

inspiredhss·2022-02-13 14:17

机器学习基础学习-sklearn中的SVM

前言理论部分参考支持向量机SVM（理论部分）写代码之前，我们要把数据做标准化处理，因为SVM寻找的是使margin最大的中间的那根线，而我们衡量margin的方式是数据点之间的距离，这里涉及到距离，如果我们的数据点在不同的维度上，量纲不同，那我们对数据的估计是有问题的。举个例子，下图有四个样本点，两个属于红色类别，两个属于蓝色类别。如果数据在这两个维度上数据尺度相差过大，例如横轴上范围在（0,1）

小夭crying·2022-02-13 07:52

【机器学习基础】机器学习和深度学习的练习数据

0.导语初学者学习机器学习和深度学习的时候，经常会找不到练习的数据，本文提供了获取数据的一些方法。一、scikit-learn自带数据集Scikit-learn内置了很多可以用于机器学习的数据，可以用两行代码就可以使用这些数据。一、自带数据集自带的小的数据集为：sklearn.datasets.load_load_bostonBoston房屋价格回归506*13fetch_california_h

风度78·2022-02-11 07:50

【机器学习基础】获取机器学习和深度学习的练习数据

0.导语初学者学习机器学习和深度学习的时候，经常会找不到练习的数据，本文提供了获取数据的一些方法。一、scikit-learn自带数据集Scikit-learn内置了很多可以用于机器学习的数据，可以用两行代码就可以使用这些数据。一、自带数据集自带的小的数据集为：sklearn.datasets.load_load_bostonBoston房屋价格回归506*13fetch_california_h

风度78·2022-02-11 07:20

基于anaconda2（python2.7）安装graphlab

基于anaconda2（python2.7）安装graphlab基于anaconda2（python2.7）安装graphlab背景：在学习机器学习基础：案例研究.时需要用到graphlab。

daojinjin·2022-02-09 07:49

10scikit-learn 机器学习基础入门

机器学习和scikit-learn介绍监督学习介绍机器学习中，我们通常会接触到：监督学习、非监督学习、半监督学习，强化学习等不同的应用类型。其中，监督学习（英语：Supervisedlearning）是最为常见，且应用最为广泛的分支之一。监督学习的目标是从已知训练数据中学习一个预测模型，使得这个模型对于其他输入数据产生一个预测输出。其中，监督学习的「监督」是相对与「非监督」的一种表达，二者的区别在

Jachin111·2022-02-08 10:26

机器学习——决策树算法之代码+数学实例解析

决策树代码实例讲解（1）实例（2）模型结果（3）准备数据（4）代码实现（5）代码片段讲解4、决策树数学实例讲解（1）基尼系数简介（2）求解上述实例1、文章简介写该文章，主要借阅的资料有：①《python机器学习基础教程

客人Sum2丶·2022-02-07 07:34

水利第一学期环境安装

1.Python（机器学习基础）安装方式一：到Python主页下载，https://www.python.org/downloads安装时选择全部特性安装方式二：安装Anaconda环境由专门公司维护，

UponTheSky·2022-02-06 12:25

python numpy包常用函数的使用方法

1.random 我们在进行机器学习基础建模的时候，一个必不可少的问题就是参数的初始化问题，初始化是通过random包实现的，这个包已经被集成到numpy中了，我们来学习其中几个比较常用的初始化方法。

不分享的知识毫无意义·2022-02-03 06:20

吴恩达深度学习课程笔记（精华版）--1.网络基础和系统构建

编者有一定机器学习基础，也看过Andrew的机器学习课程。

Caucher·2021-12-29 21:32

【机器学习基础】卷积神经网络（CNN）基础

最近几天陆续补充了一些“线性回归”部分内容，这节继续机器学习基础部分，这节主要对CNN的基础进行整理，仅限于基础原理的了解，更复杂的内容和实践放在以后再进行总结。

Uniqe·2021-11-25 00:00

【经验篇】聊聊双非计算机硕士如何进大厂

我以自己的学习历程作为base，聊聊这三年的研究生生活文章目录1.写在前面1.1我的情况1.2文章初衷1.3北京实习的感悟2.双非如何准备算法岗位2.1认清自己的情况2.2准备阶段2.2.1时间建议2.2.2机器学习基础

InceptionZ·2021-11-24 19:02

机器学习入门详细解析（一）开发流程\sklearn\k近邻算法\朴素贝叶斯算法\交叉验证

机器学习基础文章目录机器学习基础机器学习开发流程机器学习模型是什么机器学习算法分类（监督学习，无监督学习）sklearn数据集数据集划分sklearn数据集接口介绍转化器和预估器转换器估计器小结分类算法

qq_40697046·2021-11-22 17:59

python机器学习基础特征工程算法详解

目录一、机器学习概述二、数据集的构成1.数据集存储2.可用的数据集3.常用数据集的结构三、特征工程1.字典数据特征抽取2.文本特征抽取3.文本特征抽取：tf-idf4.特征预处理：归一化5.特征预处理：标准化6.特征预处理：缺失值处理一、机器学习概述机器学习是从数据中，自动分析获得规律（模型），并利用规律对未知数据进行预测。二、数据集的构成1.数据集存储机器学习的历史数据通常使用csv文件存储。不

·2021-11-12 17:17

python机器学习基础K近邻算法详解KNN

目录一、k-近邻算法原理及API1.k-近邻算法原理2.k-近邻算法API3.k-近邻算法特点二、k-近邻算法案例分析案例信息概述第一部分：处理数据1.数据量缩小2.处理时间3.进一步处理时间4.提取并构造时间特征5.删除无用特征6.签到数量少于3次的地点，删除7.提取目标值y8.数据分割第二部分：特征工程标准化第三部分：进行算法流程1.算法执行2.预测结果3.检验效果一、k-近邻算法原理及API

·2021-11-12 17:16

python机器学习基础决策树与随机森林概率论

目录一、决策树原理概述1.决策树原理2.信息论①信息熵②决策树的分类依据③其他决策树使用的算法④决策树API二、决策树算法案例1.案例概述2.数据处理3.特征工程4.使用决策树进行预测5.决策树优缺点及改进三、随机森林1.集成学习方法2.单个树建立过程3.随机森林API4.随机森林使用案例5.随机森林的优点一、决策树原理概述1.决策树原理决策树的分类原理，相当于程序中的if-then结构，通过条件

·2021-11-12 17:39

python机器学习基础线性回归与岭回归算法详解

目录一、什么是线性回归1.线性回归简述2.数组和矩阵数组矩阵3.线性回归的算法二、权重的求解1.正规方程2.梯度下降三、线性回归案例1.案例概述2.数据获取3.数据分割4.数据标准化5.模型训练6.回归性能评估7.梯度下降与正规方程区别四、岭回归Ridge1.过拟合与欠拟合2.正则化一、什么是线性回归1.线性回归简述线性回归，是一种趋势，通过这个趋势，我们能预测所需要得到的大致目标值。线性关系在二

·2021-11-12 16:05

机器学习基础知识之概率论的Matlab描述概率的图像（三）

机器学习基础知识之概率论的Matlab描述概率的图像（三）文章目录机器学习基础知识之概率论的Matlab描述概率的图像（三）一、引言二、具体的案例1、截尾均值2、内四分极值!

hhh江月·2021-11-12 13:17

【机器学习基础】关于深度学习的Tips

继续回到神经网络章节，上次只对模型进行了简要的介绍，以及做了一个HelloWorld的练习，这节主要是对当我们结果不好时具体该去做些什么呢？本节就总结一些在深度学习中一些基本的解决问题的办法。为什么说是“基本的办法”？因为这一部分主要是比较基础的内容，是一些常用的，比较容易理解的，不过多的去讨论各式各样的网络结构，只是介绍这些方法都做了些什么。对于深度学习的探索后面会再开专题，专门去学习和讨论（突

Uniqe·2021-11-12 09:00

【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程（九）（回归问题））

【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程（九）（回归问题））9回归问题9.1机器学习基础9.1.1机器学习9.1.1.1监督学习（SupervisedLearning）9.1.1.2

踏破万里无云·2021-11-10 09:05

【机器学习基础】常见损失函数总结

在机器学习三步走中，其中最重要的就是第二步找到用于衡量模型好坏的方法，也就是损失函数，通过求解最小化（有时也最大化）损失，从而求得模型的参数。前面分别对线性回归、LR以及实战部分的SVM、决策树以及集成学习算法进行了概述，其中都用到了不同的损失函数，今天在这里对机器学习中常见的损失函数进行一个总结。常见损失函数总结上面说到，损失函数的选择对于模型训练起到了至关重要的作用，在不同的算法中往往有着不同

Uniqe·2021-11-09 23:00

机器学习基础学习-在逻辑回归中使用多项式特征

前言在之前的博客中讲到的逻辑回归，其实本质是在平面上找一条直线，用这条直线来分割所有样本对应的分类。所以之前说逻辑回归在绝大多数情况下，只能解决二分类问题，因为这个直线只能将我们的平面分成两个部分。但即使如此，我们会发现直线这种分类方式太过于简单了，有很多其他情况不能单纯通过直线来分类，比如下图，在我们的特征平面中分布着一些样本点，红色属于一类，蓝色属于另一类，对于这些样本点来说，我们不能通过直线

小夭crying·2021-11-09 18:44

绝对肝货，【机器学期基础知识】概率论的Matlab描述概率的图像，讲透了

文章目录机器学习基础知识之概率论的Matlab描述概率的图像（二）一、引言二、实际的Matlab的应用1、F分布2、泊松分布3、指数分布4、均匀分布5、二项分布6、这个是求一组随机数据的平均值7、试生成一组

人工智能-迪迦·2021-11-08 15:43

机器学习基础知识之概率论的Matlab描述概率的图像（二）

机器学习基础知识之概率论的Matlab描述概率的图像（二）文章目录机器学习基础知识之概率论的Matlab描述概率的图像（二）一、引言二、实际的Matlab的应用1、F分布2、泊松分布3、指数分布4、均匀分布

hhh江月·2021-11-06 11:57

【机器学习基础】神经网络/深度学习基础

神经网络是深度学习的基础，上节提到由LR能够联系到神经网络，本节就对神经网络和BP算法进行一个回顾和总结。1.由LR到神经网络前面在逻辑回归的文章末尾提到，当样本是线性不可分时，需要对样本数据进行转换，转换过后在进行分类，那么转换的这个步骤就成为特征的提取的过程，结构如图所示：如上图所示，图中的结构每进行一次转换的结构，就称为一个神经元，还可以有如下这样的结构：同样，一个红色的框起来的部分称之为神

Uniqe·2021-11-05 17:00

机器学习基础知识之概率论的Matlab描述概率的图像（一）

机器学习基础知识之概率论的Matlab描述概率的图像（一）（由于有很多的分布，而且还有一维分布以及多维分布，因此，我们一篇博文写下来的话内容量太大，文章太长，因此，我们分三次写完所有的基本的一维以及多维的概率图像的绘制

hhh江月·2021-11-04 11:45

机器学习基础知识之概率论的随机变量及其分布

❤️机器学习基础知识❤️之概率论的❤️随机变量及其分布❤️文章目录❤️机器学习基础知识❤️之概率论的❤️随机变量及其分布❤️一、随机变量以及其分布1、连续变量2、离散变量3、概率密度二、随机变量的数学期望

hhh江月·2021-11-01 17:06

机器学习基础环境部署 | 机器学习系列

目录前言Anaconda安装使用conda配置python3.6环境Spyder配置与使用安装PyTorch总结前言本文主要是分享一下机器学习初期，基本的环境搭建。也适用于其他python工程化项目环境搭建。都差不多。Anaconda安装anaconda官方链接：Anaconda|TheWorld'sMostPopularDataSciencePlatform点击GetStarted点击Downl

剑客阿良_ALiang·2021-10-31 17:17

【机器学习基础】正则化及多分类问题总结

本节主要是填前面的坑，前面要对正则化，以及多分类的问题进行一个单独总结，这里就通过搜集一些网上资料对这两块内容进行一个总结。1.正则化正则化是一种回归形式，为了防止模型的过拟合的方法，它将系数估计（coefficientestimate）朝零的方向进行约束、调整或缩小。也就是说，正则化可以在学习过程中降低模型复杂度和不稳定程度，从而避免过拟合的危险。正则化分为L1正则和L2正则，L1正则化和L2正

Uniqe·2021-10-27 08:00

机器学习基础知识点

机器学习基础知识点文章目录机器学习基础知识点监督学习回归线性回归岭回归lasso回归分类k最近邻分类朴素贝叶斯分类logistic回归支持向量机其他随机梯度下降线性判别分析决策树无监督学习聚类k均值分层次聚类谱聚类高斯混合模型降维

陆嵩·2021-10-24 14:14

【机器学习基础】——梯度下降

梯度下降是机器学习中一种重要的优化算法，不单单涉及到经典机器学习算法，在神经网络、深度学习以及涉及到模型参数训练的很多场景都要用到梯度下降算法，因此在此单独作为1节对这部分进行总结，主要从梯度下降的原理，优化的梯度下降方法包括SGD、MBGD、Adagrad、Momentm、RMSprop、Adam等算法，并依据可视化比较各算法的性能，资料主要来源于视频、论文和博客，参考资料会在末尾贴出。梯度下降

Uniqe·2021-10-12 21:00

机器学习基础：matplotlib的使用

一、Matplotlib之HelloWorld1.实现一个简单的Matplotlib画图—以折线图为例1.1matplotlib.pyplot模块matplotlib.pytplot包含了一系列类似于matlab的画图函数。importmatplotlib.pyplotasplt1.2图形绘制流程创建画布–plt.figure()plt.figure(figsize=(),dpi=)figsize

GeniusAng·2021-09-14 19:13

机器学习基础篇：感知机、线性判别、逻辑斯蒂回归、朴素贝叶斯

感知机、线性判别、逻辑斯蒂回归、朴素贝叶斯目录感知机、线性判别、逻辑斯蒂回归、朴素贝叶斯感知机感知机模型解决的问题模型形式(定义)学习策略求解算法线性判别模型形式学习策略求解算法概率判别模型：逻辑斯蒂回归模型形式学习策略概率生成模型：高斯判别分析模型形式朴素贝叶斯参考感知机感知机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

guieraxbc·2021-08-31 01:02

b站唐老师人工智能基础知识笔记

1.1.人工智能概述1.2.人工智能发展历程1.3.人工智能主要分支1.4.机器学习工作流程1.5.机器学习算法分类1.6.模型评估1.7.Azure机器学习模型搭建实验1.8.深度学习简介【了解】2.机器学习基础环境安装与使用

柠檬A123·2021-08-19 10:08

《深度卷积神经网络原理与实践》笔记第一章机器学习基础

本笔记是依据周浦城等教授编著的《深度卷积神经网络原理与实践》的个人笔记（Version：1.0.2）整理作者：sq_csl第一章机器学习基础1.1机器学习概述1.1.1概念概念ML（MachineLearning

sq_csl·2021-08-08 15:40

推荐频道

机器学习基础

《Scikit-Learn与TensorFlow机器学习实用指南》 第04章 训练模型

《Python深度学习》读书笔记：第4章 机器学习基础