机器学习总结

机器学习总结（个人向）

机器学习是人工智能的一个分支。人工智能致力于创造出比人类更能完成复杂任务的机器。这些任务通常涉及判断、策略和认知推理，这些技能的范围非常大——语言处理、图像识别、规划等等。使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测机器学习基本思想：Bayes定理只是一个从经验中学习的数学方法机器学习能产生影响的主要领域：物联网，聊天机器人，自动驾驶k-最近邻算法，回归算法，决策树算法，贝叶斯
wshappy-·2020-08-10 13:20

机器学习总结（二）

上一篇总结了线性回归，岭回归。其实还有一种常用的线性回归，就是局部加权线性回归(LocallyWeightedLinearRegression,LWLR)。在该算法中，我们给待预测点附近的每个点赋予一定的权重，然后在这个子集上基于最小均方差来进行普通的回归。注意这里，它不能预测没有数据集的地方，它只能预测有数据集的地方，主要的作用就是解决欠拟合的问题。我之前有个误解，就是想用这种方法，去预测将来的
撕裂的天堂·2020-08-03 03:43

机器学习总结（三）：SVM支持向量机（面试必考）

基本思想：试图寻找一个超平面来对样本分割，把样本中的正例和反例用超平面分开，并尽可能的使正例和反例之间的间隔最大。算法推导过程：（1）代价函数：假设正类样本y=wTx+b>=+1,负类样本y=wTx+b<=-1,两条边界之间的距离为2/||w||，最大化这个距离，应该最小化||w||，约束条件的目的是为了保证正类样本位于H1右边，负类样本位于H2左边，所以原始的代价函数就为：函数间隔（functi
西电校草·2020-08-02 23:27

机器学习总结

机器学习总结机器学习（MachineLearning，ML）是一门多领域交叉学科，涉及概率统计、非线性优化、信息论、人工智能、计算复杂性和控制论等多门学科。
洌泉_就这样吧·2020-08-02 23:04

机器学习总结——机器学习课程笔记整理

机器学习笔记整理说明基础点整理1.基础数学知识(1)一些零七八碎的基础知识(2)最优化相关问题(3)概率论相关问题(4)矩阵相关问题2.回归（线性回归、Logistic回归，Softmax回归）(1)线性回归(2)Logistic回归(3)Softmax回归(4)AUC（ROC曲线下的面积）用来衡量分类效果3.树（决策书、随机森林、梯度下降决策树、XGBoost、提升树）(1)熵的概念(2)决策树
Jichao_Peng·2020-08-02 20:39

机器学习总结——概率图模型

文章目录简介常见图模型NLP中概率图模型演变隐马尔可夫模型马尔科夫链参数三个基本问题存在的问题随机场马尔可夫随机场势函数团&最大团基于最大团定义的联合概率分离集性质最大熵马尔科夫随机场HMM与MEMM的区别优点缺点标记偏置问题条件随机场参数化形式三个基本问题优点与马尔科夫随机场区别与MEMM区别近似推断采样MCMCMetropolis-Hastings吉布斯采样变分推断概率图模型是一类用图来表达变
sonas_Guo·2020-08-01 12:14

特征组合&特征交叉 (Feature Crosses)

写在前面：之前收藏了一个网友些的谷歌机器学习总结教程（感恩），可是突然断更了，只能自己补完后面的笔记了。
weixin_34132768·2020-08-01 04:11

机器学习sklearn参数解释（GDBT+XGBOOST）

机器学习总结-sklearn参数解释实验数据集选取：1分类数据选取load_iris鸢尾花数据集fromsklearn.datasetsimportload_irisdata=load_iris()data.data
wuxiaosi808·2020-07-29 00:32

机器学习总结

调和平均和F1值的关系：调和平均容易受极端值的影响，F1值相当于把精准率和召回率放在同等重要的位置进行衡量。链接：为何选用F1值（调和平均数）衡量P与R？-weixin_39490983的博客-CSDN博客https://blog.csdn.net/weixin_39490983/article/details/88297899调和平均数在F1上的应用-简书https://www.jianshu.
DBL_fish·2020-07-28 09:31

机器学习总结——前言

机器学习任务类型主要分为两大类：•监督学习(SupervisedLearning)–分类(Classification)–回归(Regression)–排序(Ranking)•非监督学习(UnsupervisedLearning)–聚类(Clustering)–降维(DimensionalityReduction)–概率密度估计(densityestimation)监督学习：学习到一个x->y的映
二月鳥·2020-07-27 21:50

小白机器学习总结

机器学习就是：从大量数据中学习并提取“特征s(肯定是很多个)”--再用提取的“特征”做事情。特征s就是：一堆很高很高维的复杂高等数学公式学习并提取的过程：将够足多的数据输入给“网络模型(各种算法结构性组成)”，最终生成“特征s”在学习跑各种demo过程中，自己经常会很多问题，于是就查找答案解惑。将几个最帮助我进一步理解其中原理分享出来1､什么时候用什么激活函数---深度学习：激活函数的比较和优缺点
whackw·2020-07-15 19:02

NG机器学习总结-（二）损失函数和梯度下降算法

在学习具体的机器学习算法之前，有几个知识需要弄清楚，算法的模型表示、什么是损失函数以及梯度下降算法，了解这些会帮助我们更好的理解和学习具体的机器学习算法。我们学习第一个算法是线下回归，接下来会通过线性回归来具体介绍什么样的模型更重要以及监督学习的过程，顺便复习前一章的内容。一、模型表示首先我们举一个例子，利用前一章中的预测房价（这是一个监督学习任务并且是一个回归问题）。现在我们拥有某一个城市的住房
带着小板凳学习·2020-07-12 22:58

机器学习总结系列之Octave常用操作

记录了常用的或难记的一些Octave命令，以备查找。基本命令eye(4),生成一个4维单位矩阵ones(4，3),生成全1的4*3矩阵rand(4,3),生成一个4*3的随机矩阵size(A),返回一个行向量，代表行列length(A),返回最大维的那个数目helpcmd,查看命令详情加载数据load(“filename”)或loadfilename,将文件数据加载到对应的矩阵，矩阵名和filen
Wenqi_B·2020-07-12 03:34

通过这一篇文章就了解机器学习的主要内容和核心思想（包括一些算法思想总结）！！！

机器学习总结–一篇文章了解机器学习的主要要点和基础L1和L2正则化项对于L1正则项来说，因为L1正则项是一组菱形，这些交点容易易落在坐标轴上。
无人不智能，机器不学习·2020-07-11 14:03

吴恩达机器学习总结（P1-P11）

Machinelearning绪论前十一课，介绍机器学习的基本概念，相关应用场景，以及第一个机器学习算法，所涉及的数学知识基本都是高中知识。几个重要的概念机器学习分类强人工智能弱人工智能机器学习的方式监督式学习回归分类非监督式学习聚类相关机器学习的条件：大量的计算能力+大量的数据俩个重要的函数成本函数（代价函数）用来反映AI输出和真实输出的差异。显而易见的成本函数的结果值越趋向0，拟合效果越好假设
南乡人·2020-07-09 23:10

机器学习总结（十）：常用聚类算法（Kmeans、密度聚类、层次聚类）及常见问题

任务：将数据集中的样本划分成若干个通常不相交的子集。性能度量：类内相似度高，类间相似度低。两大类：1.有参考标签，外部指标；2.无参照，内部指标。距离计算：非负性，同一性（与自身距离为0），对称性，直递性（三角不等式）。包括欧式距离，曼哈顿距离等等。（1）K均值聚类步骤：1.随机选择k个样本作为初始均值向量；2.计算样本到各均值向量的距离，把它划到距离最小的簇；3.计算新的均值向量；4.迭代，直至
西电校草·2020-07-07 05:20

机器学习总结（三）：如何防止过拟合

通常过拟合由以下三种原因产生：1.假设过于复杂；2.数据存在很多噪音；3.数据规模太小。过拟合的解决方法通常有：1.earlystopping；2.数据集扩增；3.正则化；4.Dropout。Earlystopping：对模型的训练过程就是对模型参数的进行学习更新的过程。参数学习的过程中往往会用到一些迭代算法，比如梯度下降法。Earlystopping的目的就是在迭代次数还未到设定最大迭代次数时停
岸芃·2020-07-06 02:52

图像处理-机器学习总结

一、课程及书单课程：图像处理、矩阵论、模式识别、机器学习、最优化、凸优化、高性能计算书单：1、数字图像处理的MATLAB实现（第2版）（国外计算机科学经典教材）（美）冈萨雷斯，（美）伍兹著，阮秋琦等译/2011-06-01/电子工业出版社2、数字图像处理（第三版）(美)冈萨雷斯等著，阮秋琦译/2013-04-01/清华大学出版社这两本书的知识点比较全面，可根据需求有针对性的看，比如，做分割的时候主
GU-student·2020-07-04 02:33

7天入门机器学习总结

初识机器学习机器学习的概念机器学习是一种从数据当中发现复杂规律，并且利用规律对未来时刻、未知状况进行预测和判定的方法。机器学习是一种从数据当中发现复杂规律，并且利用规律对未来时刻、未知状况进行预测和判定的方法。机器学习的类型按学习方式分为三大类监督学习（Supervisedlearning）：从给定的训练数据集（历史数据）中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练
Iseeasong·2020-06-29 12:39

机器学习总结三之线性回归

机器学习总结三之线性回归线性回归定义线性回归：利用线性回归方程的最小二乘函数对一个或者多个自变量和因变量之间关心进行建模的方法线性回归数学定义：数据(Yi,Xi1,...,Xip),i=1,...n(Y
quentinl·2020-06-29 09:15

机器学习总结之——各种距离汇总

机器学习总结之——各种样本距离汇总  一般在机器学习模型中会涉及到衡量两个样本间的距离，如聚类、K-NearestNeighbor等，使用的距离可以使欧式距离，也是可以是其它距离，本文对各种距离度量的表示法进行了汇总
Greatpanc·2020-06-29 06:07

机器学习总结之——Dummy Coding(哑变量)

机器学习总结之——DummyCoding1、哑变量的概念  在构建回归模型时，如果自变量X为连续性变量，回归系数β可以解释为：在其他自变量不变的条件下，X每改变一个单位，所引起的因变量Y的平均变化量；如果自变量
Greatpanc·2020-06-29 06:36

机器学习总结之——线性分类器与非线性分类器

机器学习总结之——线性分类器与非线性分类器1、线性分类器1.1线性分类器的定义  线性分类器就是用一个“超平面”将正、负样本隔离开，如：  （1）二维平面上的正、负样本用一条直线来进行分类；  （2）三维立体空间内的正
Greatpanc·2020-06-29 06:36

机器学习总结（二）：梯度消失和梯度爆炸

神经网络的训练过程通常分为两个阶段：前向传播和反向传播。前向传播如下图所示，原理比较简单上一层的神经元与本层的神经元有连接，那么本层的神经元的激活等于上一层神经元对应的权值进行加权和运算，最后通过一个非线性函数（激活函数）如ReLu，sigmoid等函数，最后得到的结果就是本层神经元的输出。逐层逐神经元通过该操作向前传播，最终得到输出层的结果。反向传播由最后一层开始，逐层向前传播进行权值的调整，如
岸芃·2020-06-28 20:41

博士大佬为机器学习总结的人工智能入门指南！

今天给大家推荐一位认识的好朋友：top985高校AI博士（本硕博985），CSDN博客专家，其开源了周志华西瓜书《机器学习》纯手推笔记！荣登趋势榜，标星600+Github|博士大佬周志华《机器学习》手推笔记正式开！附pdf下载链接（可点击下载，回复【西瓜书手推笔记】即可下载打印版PDF版本）左右滑动查看更多他和他中科院大佬在业余时间创建了个人公众号【计算机视觉联盟】，分享博士的AI进阶之路：与读
Evan-yzh·2020-06-28 19:55

机器学习总结（八）决策树ID3，C4.5算法，CART算法

本文主要总结决策树中的ID3,C4.5和CART算法，各种算法的特点，并对比了各种算法的不同点。决策树：是一种基本的分类和回归方法。在分类问题中，是基于特征对实例进行分类。既可以认为是if-then规则的集合，也可以认为是定义在特征空间和类空间上的条件概率分布。决策树模型：决策树由结点和有向边组成。结点一般有两种类型，一种是内部结点，一种是叶节点。内部结点一般表示一个特征，而叶节点表示一个类。当用
weixin_30695195·2020-06-27 23:00

python开发大全、系列文章、精品教程（转）

python自动化测试教程7、python网络爬虫教程8、python数据分析存储教程9、python可视化教程10、python爬虫助手11、python爬虫案例12、python机器学习算法案例13、机器学习总结
沙振宇·2020-06-27 09:29

NG机器学习总结-（五）正则化 Regularization

一、过拟合问题在解释什么是过拟合问题之前，首先还是以房价预测为例。假设这里我们用三种不同的模型去拟合数据集，如下图三种情况：从第一张图看，我们发现我们是用一条直线去拟合数据，但是这样的拟合效果并不好。从数据中，很明显随着房子面积的增大，房价的变化趋于稳定或者说越往后变化越平缓。这种情况属于模型并没有很好的拟合数据，我们称这种情况为欠拟合（underfitting）或者叫做高偏差。从第二张图看，我们
带着小板凳学习·2020-06-27 08:26

机器学习总结（一）

快找工作了，之前学的知识感觉太零碎，自问面试的时候能不能对答如流，觉得没什么底气。所以准备将之前所学做一个系统的总结，既是对所学知识的升华，也可以帮助初学者理清一个思路。那就从最简单的线性模型开始吧。线性模型线性回归首先解释一下什么叫回归，给定一个点集，能够用一条曲线，平面，或者超平面去拟合。这个过程就叫回归，如果是用来拟合的是直线，就叫线性回归，如果是一条二次曲线就叫二次回归。机器学习可以通过这
撕裂的天堂·2020-06-25 09:24

西瓜书机器学习总结（一）

1.基本概念1.数据集，特征属性，属性值，训练集，样本，标记，独立同分布的假设balabala….简单易懂2.归纳学习与归纳偏好：广义从样例学习，狭义是学习概念。西瓜模型的学习可以理解为从假设空间中搜索匹配，剔除不符合，最终会有多个模型，这个集合也可以叫做版本空间。然后我们必须根据规则选择一个，设计occam’srazor原理，选择最简单的。3.NFL:所有模型的期望性能相同。（假设各个机会相同）
helloworldsv·2020-06-25 07:13

机器学习总结(四)：极大似然估计与最小二乘法

在上一篇博客中，我简单复习了矩估计，这篇博客将对点估计中的另外两个常见估计方法进行总结，分别是极大似然估计与最小二乘法，首先会对各自知识点进行归纳，最后论证这两种参数估计方法在特定条件下的转换关系。极大似然估计基本概念在总体分布类型已知的前提下所使用的一种参数估计方法，这不同于矩估计，矩估计是在总体分布类型未知的情况下进行的。理论依据概率大的事件在一次观测中更容易出现通俗的解释似然估计法是在已知结
她说巷尾的樱花开了·2020-06-23 17:51

初学机器学习总结(梯度下降)

初学机器学习总结及梯度下降初学机器学习总结认识机器学习机器学习分类在监督学习方面无监督学习方面机器学习流程机器学习方法三要素梯度下降算法1.如何理解梯度？
声音·2020-06-21 13:21

机器学习总结之——机器学习项目完整流程

机器学习总结之——机器学习项目的完整流程1、分析项目需求，明确具体问题  进行一个项目前，首先要做的是要分析项目各个需求，以及明确各个需求所对应的具体问题并将其抽象成一个个数学问题，将项目过程转换成数学建模过程
Greatpanc·2020-06-21 12:50

##机器学习总结

机器学习总结-bluenight专栏-CSDN博客http://blog.csdn.net/chl033/article/details/5452060摘要:监督学习算法的输出如果是连续的，称为回归（Regression
葡萄喃喃呓语·2020-03-09 18:04

2018-01-26 伟大的周五

有谈价格的，有谈音质的，有谈机器学习总结chaptertitle的。lastpositionheard做的不错，但也有bug。跟同事笑称，要知情不
alucardzhou·2020-02-21 06:27

机器学习总结

1.RF,GBDT的区别；GBDT,XGboost的区别GBDT在训练每棵树时候只能串行，不能并行，在确定分割节点和分割值的时候可以对多个特征进行并行RandomForest可以并行Bagging（RF）:每次有放回的采样n个样本，采样K次形成K个数据集，训练每棵树时，采样一定数量特征进行训练，汇总在一起进行预测Boosting:提升的思想，串行训练一系列弱分类器，每个弱分类器的训练依赖于之前分类
sylvainwang·2020-02-10 19:06

机器学习总结 （机器学习实践笔记）

1.1：机器学习方法的类别有监督学习有监督学习是机器学习中最常见的类型。它本质上是一种函数逼近。我们试图将数据点映射为一个模糊函数。通过优化，我们希望依据训练数据拟合出一个与未来数据取得最佳逼近效果的函数。该类方法之所以成为“有监督方法”，是因为它们需要接收一个训练集或学习集无监督学习无监督学习只分析数据，而不向某个Y映射。该类方法之所以称为“无监督方法”，是因为它们并不知道输出结果为何物，而是需
treelake·2020-01-02 23:35

机器学习总结

文章目录1机器学习的相关视频2机器学习相关书籍3机器学习框架4机器学习IDE5机器学习训练数据集6机器学习内容总结CleverCode偶然的一次机会看到机器学习的教学视频，同时查看了一些机器学习方面的书籍。刚开始学习机器学习的时候还是比较兴奋，但是学习完了之后，发现有一点困扰。机器学习这应该是一门学科，要让它真正的落地还是比较难的。不像是你学习redis的相关知识，立马就能够应用到自己的项目中，或
CleverCode·2019-09-09 12:25

机器学习总结

文章目录1机器学习的相关视频2机器学习相关书籍3机器学习框架4机器学习IDE5机器学习训练数据集6机器学习内容总结CleverCode偶然的一次机会看到机器学习的教学视频，同时查看了一些机器学习方面的书籍。刚开始学习机器学习的时候还是比较兴奋，但是学习完了之后，发现有一点困扰。机器学习这应该是一门学科，要让它真正的落地还是比较难的。不像是你学习redis的相关知识，立马就能够应用到自己的项目中，或
CleverCode·2019-09-09 12:25

百面机器学习总结

一特征工程1特征归一化为什么对数值类型特征做归一化：使不同指标之间具有可比性，将所有特征统一到一个大致相同的数值区间内。常用方法：①线性函数归一化：使结果映射到【0，1】的范围，对原始数据等比缩放X_norm=(X-X_max)/(X_max-X_min)②零-均值归一化：将原始数据映射到均值为0，标准差为1的分布上z=（X-u）/theta(通过梯度下降法求解的模型通常是需要归一化的，对决策树不
强仔fight·2019-08-22 18:03

李宏毅机器学习系列-机器学习介绍

李宏毅机器学习系列-机器学习介绍机器学习介绍生物的本能人类设定好的天生本能机器学习是什么机器学习框架机器学习LearningMap监督学习半监督学习和迁移学习无监督学习结构化学习强化学习为什么要学习机器学习总结机器学习介绍人工智能其实早在
王伟王胖胖·2019-08-08 11:19

算法岗面试——机器学习总结

SVM！参考资料支持向量机通俗导论（理解SVM的三层境界）参考资料支持向量机（SVM）从入门到放弃再到掌握支持向量机(SupportVectorMachine)是Cortes和Vapnik于1995年首先提出的。1.支持向量机主要是解决什么问题的？SVM主要用于解决分类问题，它的目的是学会一个分类函数或分类模型(或者叫做分类器)。2.应用场景支持向量机本身便是一种监督式学习的方法，它广泛地应用于统
早上起来闹钟又丢了·2019-07-27 16:02

个人机器学习总结之线性回归

1.线性回归1.1算法原理（1）情景：给定一定数量的数据点，通过拟合得到其回归直线，使得所有点到这个直线的距离之和（损失函数）最小。即：已知各个点的坐标，反求直线表达式的最优系数解。假定直线参数为θ，则直线表达式为：得到的直线（平面）表达式应使得损失函数最小，其中损失函数表达式：（2）求解方式：第一种：直接求解欲使损失函数最小，对损失函数进行求导等于0（实际问题中极小值即为最小值）第二种：梯度下降
asd8596·2019-07-23 14:00

吴恩达机器学习总结（一）线性回归和梯度下降

吴恩达这个机器学习课程是值得像我这样的初窥人工智能领域的同学们来学习的，该课程涉及的数学公式较少，很多结论都是直接呈现在屏幕上了，所以在看视频学习的过程中是很容易理解Ng所讲的内容的。不过课后作业相比于视频就比较的深入了，很多时候需要自己写代码来构造算法。整体课程大致分为三个部分：监督学习、无监督学习、以及如何优化机器学习系统。其中监督学习包括：线性回归、Logistics回归、神经网络和支持向量
Anaconda_·2019-05-14 21:58

Python&机器学习总结(二)

①Python中的SortPython中的内建排序函数有sort（）和sorted（）两个list.sort(func=None,key=None,reverse=False(orTrue))对于reverse这个bool类型参数，当reverse=False时：为正向排序；当reverse=True时：为方向排序。默认为False。执行完后会改变原来的list，如果你不需要原来的list，这种效
芩溪儿·2019-03-27 19:00

吴恩达机器学习总结-入门、Linear Regression、Gradient Descent、Linear Algebra

ChineseSoftwareDeveloperNetwork机器学习主要有两种机器学习的算法分类监督学习无监督学习两者的区别为是否需要人工参与数据结果的标注。还有一些算法也属于机器学习领域，诸如：半监督学习:介于监督学习于无监督学习之间。推荐算法:买完商品后还推荐同款的算法。强化学习:通过观察来学习如何做出动作，每个动作都会对环境有所影响，而环境的反馈又可以引导该学习算法。迁移学习监督学习(Su
诗杨诗祺·2019-03-11 18:52

Python&机器学习总结(一)

①numpy中np.c_和np.r_np.r_是按列连接两个矩阵，就是把两矩阵上下相加，要求列数相等，类似于pandas中的concat()。np.c_是按行连接两个矩阵，就是把两矩阵左右相加，要求行数相等，类似于pandas中的merge()。下面看一个例子：importnumpyasnpa=np.array([1,2,3])b=np.array([4,5,6])c=np.c_[a,b]prin
芩溪儿·2019-03-05 22:00

【机器学习总结】向量、矩阵求导公式

关于向量求导用到的公式实在是太多了…经常公式推着推着就被卡住，这里一次性做个总结吧。文章目录0.引言1.向量对元素求导2.向量对向量求导3.矩阵对向量求导4.矩阵复合向量的求导0.引言  正文中，元素使用字母a，b，c等表示，向量使用小写的x，y，zx，y，zx，y，z等表示，并且默认是列向量，矩阵使用大写的A,B,C进行表示。1.向量对元素求导行向量对元素求导∂xT∂a=[∂x1∂a,∂x2∂a
Mankind_萌凯·2019-02-27 13:10

快速入门人工智能的方法，持续更新ing

以下是你做AI必须懂的知识点关键词搜索如下：深度学习总结机器学习总结https://blog.csdn.net/aliceyangxi1987/article/details/7107
湾区人工智能·2018-11-15 19:55

周志华机器学习总结第二章

模型评估与选择经验误差与过拟合评估方法生成测试集与训练集的方法留出法（hold-out)交叉验证法(crossvalidation)自助法（bootstrapping）调参与最终模型性能度量P和R根据P-R曲线比较学习器性能ROC和AUC代价敏感错误率和代价曲线下面所有的#()\#()#()表示括号内元素的个数经验误差与过拟合错误率：错误分类的样本数占总样本数的比例精度：1-错误率误差：学习器实际
夜夜0810·2018-10-16 09:12
上一页 1 2 3 4 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他