机器学习基础

机器学习笔记

=====================================================================专题分为六个篇章：1）机器学习基础篇褪去华衣裸视学习之高斯分布褪去华衣裸视学习之
大坨-童鞋·2020-07-09 16:27

python：scikit-learn（1），基本概念

《scikit-learn机器学习第2版》第1章机器学习基础机器学习：通过经验学习知道未来决策机器学习分为监督学习和无监督学习监督学习：分类类别已知机器学习的输入称为解释变量，输出称为响应变量组成监督学习经验的实例集合称为训练集
genome_denovo·2020-07-09 16:22

人工神经网络ANN建模基础须知

链接文章：机器学习基础须知、神经网络建模实践，其他博文人工神经网络ANN0、感知机：包括输入节点、输出节点两部分，输入节点和输出节点用一个表示权重的值连接。
Just Jump·2020-07-09 15:36

【机器学习基础第1期】期望风险、经验风险、结构风险的关系

首先引入损失函数的概念：损失函数就一个具体的样本而言，模型预测的值与真实值之间的差距。对于一个样本（xi,yi）其中yi为真实值，而f（xi）为我们的预测值。使用损失函数L（f(xi),yi）来表示真实值和预测值之间的差距。两者差距越小越好，最理想的情况是预测值刚好等于真实值。常见的损失函数如下：通过损失函数我们可以得知对于单个样本点的预测能力，对于训练样本集中所有数据的预测可以通过累加得到，这就
smilyccj·2020-07-09 14:35

机器学习实战笔记1

第一章机器学习基础机器学习就是把无序的东西转换成有用的信息。
liche717·2020-07-09 09:16

Bengio亲自授课，英国皇家院士参与，这份机器学习在线课别错过丨免费

而就在这几天，这间重视基础科研的研究所开启了免费暑期机器学习基础线上课，从机器学习入门到实践一课通。
视学算法·2020-07-09 04:08

机器学习基础--贝叶斯分类器

单纯的贝叶斯分类器很简单，基本上就是一个贝叶斯公式，要理解透彻贝叶斯分类器需要搞清楚两个概念似然函数基本上维基百科讲的很清楚，我这里在重复一下,可以直接去维基百科看在数理统计学中，似然函数是一种关于统计模型中的参数的函数，表示模型参数中的似然性。似然函数在统计推断中有重大作用，如在最大似然估计和费雪信息之中的应用等等。“似然性”与“或然性”或“概率”意思相近，都是指某种事件发生的可能性，但是在统计
Yoangh·2020-07-09 02:44

斯坦福大学机器学习笔记——机器学习基础以及有监督学习和无监督学习举例说明

机器学习（machinelearning）的定义：一个程序被认为能从经验E中学习，解决任务T，达到性能度量值P，当且仅当，有了经验E后，经过P评判，程序在任务T时的性能有所提升。以一个例子作为解释：例如：假设一个判断邮件是否为垃圾邮件的程序，则对应的任务T为给定一个邮件，分类这个邮件是否为垃圾邮件；经验E为给定的已经知道的邮件的标签；性能P这个程序正确分类垃圾邮件和非垃圾邮件的数量或者比率。机器学
wyl1813240346·2020-07-09 01:07

机器学习基础概念

机器学习：本单中，1.介绍了sklearn包的交大模块，分别是：分类，回归，聚类，降维，模型选择及预处理。2.介绍了机器学习的4个核心API模块，分别是Ensemble,Pipeline,Multiclass及ModelSelection3.介绍了机器学习是如何完成及度量的。4.机器学习的分类，有监督，无监督，半监督及增强学习。而深度学习和迁移学习，则是模式，并不是一种方法。重点介绍了有监督学习和
wxc20062006·2020-07-09 01:11

第十一篇：机器学习基础：logistic逻辑斯蒂回归算法（输出是0或1的二分类算法！！！）

1逻辑斯谛回归介绍-逻辑斯谛回归（LogisticRegression）是机器学习中的一种分类模型，逻辑斯谛回归是一种分类算法，虽然名字中带有回归。由于算法的简单和高效，在实际中应用非常广泛。-应用场景：两个类别之间的判断。逻辑回归就是解决二分类问题的利器:*广告点击率、是否为垃圾邮件、是否患病、金融诈骗、虚假账号2逻辑斯谛回归的原理-输入：h(w)=w1x1+w2x2+w3x3+...+b=wT
太阳不热·2020-07-08 21:49

深度学习（花书）读书笔记——第五章-机器学习基础

深度学习是机器学习的一个特定分支。我们要想充分理解深度学习,必须对机器学习的基本原理有深刻的理解。5.1学习算法机器学习算法是一种能够从数据中学习的算法。然而,我们所谓的‘学习’是什么意思呢?Mitchell(1997)提供了一个简洁的定义:‘‘对于某类任务T和性能度量P,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,它在任务T上由性能度量P衡量的性能有所提升。”5.1.1任务T通
weixin_40824190·2020-07-08 19:53

机器学习基础：(Python)训练集测试集分割与交叉验证

摘要：本文讲述了如何用Python对训练集测试集进行分割与交叉验证。在上一篇关于Python中的线性回归的文章之后，我想再写一篇关于训练测试分割和交叉验证的文章。在数据科学和数据分析领域中，这两个概念经常被用作防止或最小化过度拟合的工具。我会解释当使用统计模型时，通常将模型拟合在训练集上，以便对未被训练的数据进行预测。在统计学和机器学习领域中，我们通常把数据分成两个子集：训练数据和测试数据，并且把
weixin_34199405·2020-07-08 17:56

深度学习（花书）笔记1

第一章引言1.20世纪40到60年代控制论cybernetics2.20世纪80到90年代联结主义connectionism3.2006年深度学习第一部分应用数学与机器学习基础第二章线性代数2.1标量向量矩阵和张量标量一个单独的数
shouzhoudd·2020-07-08 05:59

认知机器学习基础

人类最引以为傲的就是其高于地球生命的智慧：超强的分析能力、学习能力、记忆能力，丰富的情感，引领人类进步的各种发明创造；人类为何如此聪慧？到底什么是智能？听说最近ai猛上天了，人工智能到底是怎么回事？什么是智能？经过训练，能够理解人类的一些行为并作出反应的狗（扔球，喂食），我们通常会说这狗很聪明；有些小孩子能够很快的学习知识并且举一反三，我们也会说这孩子好聪明；再举一些详细的例子：啼哭是人类婴儿的本
沉默的羔洋·2020-07-07 23:21

人工智能与机器学习-分类器

机器学习基础第三章-分类器一、查准率?查全率？查准率（Precision）（精度）是衡量某一检索系统的信号噪声比的一种指标，即检出的相关文献与检出的全部文献的百分比。
missbearC·2020-07-07 17:08

机器学习基础（四十五）—— 模拟退火（Simulated Annealing）

模拟退火算法是受物理学领域启发而提出的一种优化算法。所谓的退火是指将合金加热后再慢慢冷却的过程。大量的原子因为受到激发而向周围跳跃，然后又逐渐稳定到一个低能阶的状态，所以这些原子能够找到一个低能阶的配置（configuration）。退火算法以一个问题的随机解开始。它用一个变量来表示温度，这一温度开始时非常高，而后逐渐变低：defannealing(...,T=10000.,cool=0.95,.
Inside_Zhang·2020-07-07 12:26

《Python机器学习基础教程》处理文本数据

《Python机器学习基础教程》笔记一、文本数据中的数据类型一般有如下四种类型：①分类数据：来自固定列表中的数据（例如，红、黄、蓝）。
elma_tww·2020-07-07 07:21

《Python机器学习基础教程》网格搜索GridSearchCV

《Python机器学习基础教程》笔记机器学习模型的泛化性能可以通过调参来提升，但找到一个模型的重要参数（提供最佳泛化性能的参数）的取值是一项棘手的任务，不过，Scikit-Learn中有一些标准方法可以帮助找到最佳参数
elma_tww·2020-07-07 07:20

《Python机器学习基础教程》各种交叉验证方法

《Python机器学习基础教程》笔记交叉验证时一种评估泛化性能的统计学方法，它比单次划分训练集和测试集的方法更加稳定、全面。
elma_tww·2020-07-07 07:20

Python算法总结（十）// 优点、缺点和参数

注：本文总结参考《Python机器学习基础教程》及老师课件，感谢作者！
陈同学2020·2020-07-07 05:56

浅谈人工智能学习入门

这里写目录标题AI学习战略1、数学基础学习课程2、代码基础学习课程3、机器学习基础学习课程4、深度学习基础学习课程5、强化学习基础6、应用方向AI学习战略人工智能的学习，从横向来分，可简单分为工程能力与研究能力
zaiwuhan2014·2020-07-07 03:35

深度学习入门笔记（一）：机器学习基础

专栏——深度学习入门笔记文章目录专栏——深度学习入门笔记本章内容一.人工智能的机遇与挑战二.机器学习2.1什么是机器学习2.2用机器学习解决问题的一般流程2.3数据预处理2.4特征工程2.5模型性能的评估与选择三.深度学习的发展历程和应用3.1深度学习的发展历程3.2深度学习的应用参考文章本章内容人工智能的发展及其面临的挑战机器学习的基础知识和基本概念特征工程的方法和流程深度学习的发展及应用195
逐梦er·2020-07-06 18:31

《Python机器学习基础教程》（二）——处理文本数据（交叉验证、网格搜索）

第7章处理文本数据1.1思维导图1.2代码前期准备机器学习新手必看：JupyterNotebook入门指南JupyterNotebook介绍、安装及使用教程问题1输入jupyternotebook后提示——‘jupyter’不是内部或外部命令，也不是可运行的程序或批处理文件。按照下面链接一通操作之后——‘jupyter’不是内部或外部命令，也不是可运行的程序输入jupyternotebook之后仍
Seal_Wings·2020-07-06 15:50

Bengio亲自授课，英国皇家院士参与，这份机器学习在线课别错过丨免费

而就在这几天，这间重视基础科研的研究所开启了免费暑期机器学习基础线上课，从机器学习入门到实践一课通。
QbitAl·2020-07-06 15:39

新版《机器学习基础》来了，教材PDF、PPT可下载 | 资源

今天，一本名为FoundationsofMachineLearning（《机器学习基础》）的课在Reddit上热度飙升至300，里面可谓内容丰富。
量子位·2020-07-06 10:09

机器学习基础--多尺度

尺度空间(ScaleSpace)/分辨率不变  如果不同的尺度下都有同样的关键点，那么在不同的尺度的输入图像下就都可以检测出来关键点匹配，也就是尺度不变性。  另外，高斯核是唯一可以产生多尺度空间的核。图像金字塔  一般包括2个步骤，分别是使用低通滤波平滑图像；对图像进行降采样（也即图像缩小为原来的1/4，长宽高缩小为1/2），从而得到一系列尺寸缩小的图像。图像金字塔也正如其名，是以一个降采样的形
whitenightwu·2020-07-06 08:11

机器学习基础--网络嵌入方法（Network Embedding）

网络嵌入方法（NetworkEmbedding）  旨在学习网络中节点的低维度潜在表示，所学习到的特征表示可以用作基于图的各种任务的特征，例如分类，聚类，链路预测和可视化。  由于信息网络可能包含数十亿个节点和边缘，因此在整个网络上执行复杂的推理过程可能会非常棘手。因此有人提出了用于解决该问题的一种方法是网络嵌入（NetworkEmbedding）。NE的中心思想就是找到一种映射函数，该函数将网络
whitenightwu·2020-07-06 08:11

2020-4-27 深度学习 汇总

AppliedMathandMachineLearningBasics第二章线性代数linearalgebra第三章概率与信息论ProbabilityandInformationTheory第四章数值计算NumericalComputation第五章机器学习基础
没人不认识我·2020-07-06 04:05

机器学习基础 维基翻译 保序回归 随机森林 Pipeline处理 及简单的sklearn例子

Isotonicregression(保序回归)Innumericalanalysis,isotonicregression(IR)involvesfindingaweightedleast-squaresfitxtoRnwithweightsvectorwtoRnsubjecttoasetofnon-contradictoryconstraintsofthekindxi>=xj.(x分量保序)S
斯温jack·2020-07-05 12:43

机器学习第一课

机器学习基础数据集（dataset）：比如，鸢尾花数据：特征-种类（全部数字化）样本（Sample）:每一行数据除种类外，每一列表达样本的一个特征（feature）：用矩阵X描述第i个样本行写作X(i)
fffffffff_jj·2020-07-05 09:09

机器学习基础-如何评价分类结果的优劣？

Howtomeasurethequalityofclassificationresults？在刚接触机器学习的时候，我们可以自己动手完成一个简单的KNN算法，但是我们不禁会疑惑，它的效果怎样？在机器学习中如何评价一个算法的好坏？我们在机器学习过程中还有需要注意那些其他的问题呢？我们仍然以一个著名的鸢尾花数据集来学习机器学习中判断模型的有些的各种指标。一、数据准备对于算法优劣的度量，通常的做法是将原
从来只看自己_7faa·2020-07-05 05:43

大二发顶会的大神

二这个是一些基础需要了解的，但是不需要全部数学基础还有机器学习基础去弄，而是直接上手项目，或者看论文。最主要的还是业务能力，碰到什么问题，市场上关注哪一块就去弄。。一些经典的算法也非常重要，而不只是
qq1123703939·2020-07-05 02:54

机器学习规则：ML工程的最佳实践[译]

MartinZinkevich本文档旨在帮助具有机器学习基础知识的人员从Google的机器学习中获得最佳实践的好处。
guohecang·2020-07-04 16:51

机器学习基础01-线性代数

文章目录数学基础内容与学习路线week1:线性代数week2:微积分week3:概率论+统计week4:概率论+信息论week5:优化方法学习数学基础的建议标量、向量与矩阵向量的表示向量的一般属性向量运算矩阵定义矩阵运算特殊矩阵线性相关性与矩阵的秩线性组合与线性表示线性相关与线性无关矩阵的秩矩阵的范数与迹思考问题向量的范数常用的向量范数矩阵的范数范数有什么用？迹矩阵变换和矩阵分解线性变换及其矩阵表
exeron·2020-07-04 15:08

画出决策边界线--plot_2d_separator.py源代码【来自python机器学习基础教程】

1importnumpyasnp2importmatplotlib.pyplotasplt3from.plot_helpersimportcm2,cm3,discrete_scatter45def_call_classifier_chunked(classifier_pred_or_decide,X):6#Thechunk_sizeisusedtochunkthelargearraystowork
aaa2549769750·2020-07-04 10:36

模型评估及评估指标

1模型评估模型评估是对训练好的模型性能进行评估,机器学习的任务有回归,分类和聚类,(见博客:机器学习基础概念),针对不同的任务有不同的评价指标,下文详解.2分类模型评价指标2.1一级指标序号一级指标真实值模型预测值说明
天然玩家·2020-07-04 09:24

【自学笔记】之Python机器学习算法（1）

PS：参考书籍《Python机器学习算法》——赵志勇@电子工业出版社0.1机器学习基础0.1.1机器学习的概念机器学习能够从无序的数据中提取出有用的信息，那么什么是机器学习呢？
Runffycsdn·2020-07-04 08:13

机器学习规则:ML工程最佳实践----rules_of_ml section 1【翻译】

作者：黄永刚机器学习规则:ML工程最佳实践本文旨在指引具有机器学习基础知识的工程师等人，更好的从机器学习的实践中收益。
weixin_34138521·2020-07-04 03:52

机器学习基础--FPS(FarthestPointSampling)最远点采样法

简介在PointNet++中用到了FPS(FarthestPointSampling)最远点采样法，该方法比随机采样的优势在于它可以尽可能的覆盖空间中的所有点。实现步骤假设一共有n个点,整个点集为N={f1,f2,…,fn},目标是选取n1个起始点做为下一步的中心点:①随机选取一个点fi为起始点，并写入起始点集B={fi};②选取剩余n-1个点计算和fi点的距离，选择最远点fj写入起始点集B={f
zyddst1314·2020-07-04 01:05

《Python机器学习基础教程》第一章笔记（最简单的监督学习）：鸢尾花品种预测

《Python机器学习基础教程》第一章笔记（最简单的监督学习）：鸢尾花品种预测三行程序三行程序fromsklearn.datasetsimportload_irisimportpandasaspdimportnumpyasnpfromsklearn.model_selectionimporttrain_test_splitfromsklearn.neighborsimportKNeighborsC
python__reported·2020-07-02 14:24

《Python机器学习基础教程》第二章笔记:ValueError: cannot reshape array of size 4000000 into shape (1000,1000)

@[TOC](《Python机器学习基础教程》第二章笔记:ValueError:cannotreshapearrayofsize4000000intoshape(1000,1000))成功解决：增加命令
python__reported·2020-07-02 14:24

大数据技术之机器学习和推荐系统

目录├─1.笔记│├─1_推荐系统简介.pdf│├─2_数学基础.pdf│├─3_机器学习基础.pdf│├─4_机器学习模型.pdf│├─5_推荐系统算法详解.pdf│├─6_电影推荐系统设计.pdf│
m0_46238607·2020-07-02 11:12

一线算法工程师经典面试题

一、机器学习基础题1、LSTM的公式2、RNN为什么出现梯度消失及BPTT的推导3、DQN的基本原理么4、GBDT和随机森林有什么区别5、GBDT的原理，如何做分类和回归6、随机森林的随机体现在哪方面7
不一样的算法工程师·2020-07-02 06:47

机器学习实战(Machine Learning in Action)笔记--Chapter1：机器学习基础

非均衡分类问题第1章机器学习基础专家系统训练样本、特征、目标变量（分类问题中为类别）训练数据和测试数据知识表示监督学习：分类、回归无监督学习将数据集合分成由类似的对象组成的多个类的过程被称为聚类将寻找描述数据统计值的过程称之为密度估计监督学习的用途
笨笨的粽子妞·2020-07-02 01:32

【机器学习基础】数学推导+纯Python实现机器学习算法22：最大熵模型

Python机器学习算法实现Author：louwillMachineLearningLab最大熵原理（MaximumEntropyPrinciple）是一种基于信息熵理论的一般原理，在机器学习领域也有着广泛的应用价值。基于最大熵原理确定的分类模型也叫最大熵模型。所谓信息熵，即一种描述信息不确定程度的量。而最大熵方法认为熵在由已知信息得到的约束条件下的最大化概率分布是充分利用已知信息并对未知部分作
风度78·2020-07-01 23:09

机器学习基础 - [第三章：逻辑回归]（6）使用逻辑回归解决多分类问题

1、如何使用逻辑回归解决多分类问题？我们知道，逻辑回归只能解决二分类问题，即y={0,1}y=\{0,1\}y={0,1},当遇到多分类问题（下图1是多分类问题的一些实例），即y的取值超过2时，比如y={0，1，2，3}y=\{0，1，2，3\}y={0，1，2，3}我们应该解决这种问题呢？2、onevsall思想当遇到多分类问题时，我们可以使用一对多的思想来解决。一对多思想是指将多元分类问题转化
Olivaf·2020-07-01 23:49

人工智能和大数据—第五章线性回归

一，机器学习基础知识（一）有监督学习和无监督学习1.机器学习（ML）举例：学生在考试前做了很多的题目，归纳了相同或
XU_MAN_·2020-07-01 14:15

第1章 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。是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的
Slashyouth·2020-07-01 13:47

机器学习基础：贝叶斯定理及其应用示例

贝叶斯定理：(1)P(h∣D)=P(D∣h)P(h)P(D){P(h|D)=\frac{P(D|h)P(h)}{P(D)}\tag{1}}P(h∣D)=P(D)P(D∣h)P(h)(1)全概率公式：(2)P(B)=∑k=1nP(B∣Ai)P(Ai){P(B)=\sum_{k=1}^nP(B|A_i)P(A_i)\tag{2}}P(B)=k=1∑nP(B∣Ai)P(Ai)(2)示例已知某种疾病的发病
w8ed·2020-07-01 11:42

《Python机器学习基础教程》学习笔记(3) k近邻算法(knn)

概述k近邻算法（knn），是一个理论上比较成熟的方法，也是最简单的机器学习算法之一，常用于分类，也用于回归。原理及实现：挖个坑应用分类数据集：mglearn的forge调用方法：sklearn.neighbors.KNeighborsClassifier库的KNeighborsClassifier方法importmglearnfromsklearn.model_selectionimporttra
坤斤拷·2020-07-01 09:43
上一页 23 24 25 26 27 28 29 30 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他