机器学习技法学习笔记

【机器学习】决策树 ( Decision Tree )

【机器学习】决策树(DecisionTree)文章目录【机器学习】决策树(DecisionTree)1.ID3(1)信息增益(2)ID3的算法流程(3)实现ID32.C4.53.CART(1)决策桩DecisionStump
AI天才研究院·2025-03-08 00:57

机器学习-随机森林解析

目录一、.随机森林的思想二、随机森林构建步骤1.自助采样2.特征随机选择3构建决策树4.集成预测三.随机森林的关键优势**(1)减少过拟合****(2)高效并行化****(3)特征重要性评估****(4)耐抗噪声**四.随机森林的优缺点优点缺点五.参数调优（以scikit-learn为例）波士顿房价预测一、.随机森林的思想1.通过组成多个弱学习器（决策树）形成一个学习器2.多样性增强：每颗决策树通
Mr终游·2025-03-08 00:21

深度学习笔记——基础部分

深度学习是一种机器学习的方式，通过模仿人脑吃力信息的方式，使用多层神经网络来学习数据的复杂模式和特征。
肆——·2025-03-07 23:45

机器学习基础（4）

超越基于常识的基准除了不同的评估方法，还应该利用基于常识的基准。训练深度学习模型就好比在平行世界里按下发射火箭的按钮，你听不到也看不到。你无法观察流形学习过程，它发生在数千维空间中，即使投影到三维空间中，你也无法解释它。唯一的反馈信号就是验证指标，就像隐形火箭的高度计。特别重要的是，我们需要知道火箭是否离开了地面。发射地点的海拔高度是多少？模型似乎有15%的精度——这算是很好吗？在开始处理一个数据
yyc_audio·2025-03-07 23:42

uniapp学习笔记之知识点大总结

文章目录一、uniapp介绍二、环境搭建2.1、利用HbuilderX初始化项目2.2、运行项目2.3、介绍项目目录和文件作用三、网络1、发起请求2、上传3、下载4、SocketTask1、SocketTask.onMessage(callback)2、SocketTask.send(object)3、SocketTask.close(object)4、SocketTask.onOpen(call
Qiuxuntao·2025-03-07 22:02

机器学习｜决策树｜Gini指数和熵的区别｜简单示例

如是我闻：在决策树模型中，Gini指数和熵（Entropy）是用来计算节点纯度的两种方法。它们都是评估分裂点的好坏，以选择最佳的属性来分裂。让我们先来了解一下这两种方法的定义，然后通过一个简单的例子来讨论它们之间的区别。Gini指数Gini指数是一个衡量数据分布不均匀程度的指标。在决策树中，它用于评估数据集的不纯度。Gini指数越低，数据的纯度越高。其计算公式为：Gini=1−∑i=1npi2Gi
漂亮_大男孩·2025-03-07 21:56

00计算机视觉学习内容

计算机视觉（ComputerVision）开发需要掌握数学基础、编程语言、图像处理、机器学习、深度学习等多个方面的知识。
依旧阳光的老码农·2025-03-07 21:26

01计算机视觉学习计划

计算机视觉系统学习计划（3-6个月）本计划按照数学→编程→图像处理→机器学习→深度学习→3D视觉→项目实战的顺序，确保从基础到高级，结合理论和实践。
依旧阳光的老码农·2025-03-07 20:15

决策树 vs 神经网络：何时使用？

4.结合使用的可能性5.总结在机器学习领域，决策树（DecisionTrees）和神经网络（NeuralNetworks）是两种常见但风格截然不同的算法。
HP-Succinum·2025-03-07 20:14

使用 Dlib 库进行人脸检测和人脸识别

Dlib是一个广泛使用的C++库，提供了多种用于机器学习和计算机视觉的工具。它包含了人脸检测、人脸识别、物体检测、图像处理等功能。
萧鼎·2025-03-07 19:32

介绍常见的图片分类模型与算法

介绍常见的图片分类模型与算法在机器学习和深度学习的领域中，图片分类任务是一个广泛的应用场景。
萧鼎·2025-03-07 19:31

STM32江科大学习笔记

STM32江科大学习笔记-制作中...GPIO操作其它的库函数输出流程输出的库函数输出的例子输入流程输入的库函数输入的例子栗子按键开关类1个按键-控制开跟关2个按键-分别控制开跟关按键双击事件按键长按事件外设模块类蜂鸣器
weixin_38647099·2025-03-07 17:09

量化投资与算法交易

在过去几年里，人们普遍认为，算法交易和机器学习结合是未来股票、期货等金融产品的必然趋势。机器学习是由多个数据源（如财务报表、交易历史数据、社交网络数据等）自动分析生成的模型，能够预测出股价
AI天才研究院·2025-03-07 17:08

江科大51单片机学习笔记之LED点阵屏

文章目录一、LED点阵屏介绍二、LED点阵屏工作原理三、74HC595四、实验1补充：C51的sfr、sbit1、位声明2、74HC595写入字节函数3、测试写入字节函数4、显示数据函数5、LED点阵屏显示笑脸（实验最终现象）四、实验21、点阵屏模块化2、利用文字取模软件生成图像数据3、保存图像数据4、主函数一、LED点阵屏介绍LED点阵屏由若干个独立的LED组成，LED以矩阵的形式排列，以灯珠亮
刘小橙666·2025-03-07 16:04

江科大51单片机学习笔记之蜂鸣器

文章目录一、蜂鸣器介绍二、常用驱动电路三、实验1、将所需的文件添加到工程中2、测试按键和数码管功能是否正常3、添加蜂鸣器功能4、模块化一、蜂鸣器介绍蜂鸣器是一种将电信号转换为声音信号的器件，常用来产生设备的按键音、报警音等提示信号蜂鸣器按驱动方式可分为有源蜂鸣器和无源蜂鸣器•有源蜂鸣器：内部自带振荡源，将正负极接上直流电压即可持续发声，频率固定•无源蜂鸣器：内部不带振荡源，需要控制器提供振荡脉冲才
刘小橙666·2025-03-07 16:04

Unity AI 技术浅析（二）

UnityAI涵盖了从智能代理（Agents）、机器学习（MachineLearning）到自然语言处理（NLP）等多个领域。
爱研究的小牛·2025-03-07 16:33

51单片机学习笔记——第二天：蜂鸣器

今天是51单片机学习的第二天，今天学习了如何使用蜂鸣器，学习笔记如下：蜂鸣器主要分为压电式蜂鸣器和电磁式蜂鸣器两种类型。压电式蜂鸣器，也叫做无源蜂鸣器。这里的源不是指“电源”，而是振荡源。
bit__bit·2025-03-07 16:32

pandas学习笔记—DataFrame查询

1、列查询importpandasaspd#创建测试dfdf_book=pd.DataFrame(data=[['论语',5,5],['三体',10,6],['资治通鉴',8,9],['DEEPLEARNING',3,5],['黄帝内经',7,10]],columns=['书名','数量','单价'],index=['a','b','c','d','e'])#用列名直接访问，单列会返回series
风之小西·2025-03-07 16:59

Paper Reading | AI & 数据库融合经典论文回顾

幸运的是，基于机器学习的技术可以缓解这个问题。另一方面，数据库技术可以优化AI模型（DB
·2025-03-07 16:14

2024年Python最新蓝桥杯 基础练习全解 答案+解析 共17题 python，三年经验Python开发面经总结

学习Python门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。
2401_84139963·2025-03-07 16:26

机器学习——使用分类特征的一种独热编码，

在我们目前看到的例子中，每个特性只能具有两个可能的值中的一个，耳朵形状不是尖的就是软的，脸型不是圆就是不圆，胡须不是存在就是不存在，但是如果特性可以具有两个以上的离散值呢？如何使用一个热编码来解决这样的特性？下图是我们宠物收养中心申请的新培训集，所有的数据都是一样的，除了耳形特征有尖软之外还有椭圆形，所以这个特征仍然是一个分类值特征，但它可以有三个可能的值，而不仅仅是两个可能的值，这意味着当你在这
小卷心菜.·2025-03-07 16:23

深度学习的数学之魂：传统机器学习的超越者

深度学习的数学之魂：传统机器学习的超越者前言第一部分：神经元的数学语言1.1神经元模型的启示1.2激活函数的非线性魔法第二部分：网络结构的层次之美2.1网络结构的多样性2.2层次结构的力量第三部分：图像的力量与直观理解
洋葱蚯蚓·2025-03-07 13:39

机器学习与深度学习里生成模型和判别模型的理解

两个模型是啥我们从几句话进入这两个概念：1、机器学习分为有监督的机器学习和无监督的机器学习；2、有监督的机器学习就是已知训练集数据的类别情况来训练分类器，无监督的机器学习就是不知道训练集的类别情况来训练分类器
程序员羊羊·2025-03-07 12:03

计算机视觉 vs 机器视觉 | 机器学习 vs 深度学习：核心差异与行业启示

一、计算机视觉（CV）与机器视觉（MV）：从学术研究到工业落地的分水岭1.定义与目标差异计算机视觉（CV）目标是赋予计算机类似人类的视觉理解能力，通过算法对图像或视频中的目标进行识别、跟踪和语义理解。其核心是研究如何从二维图像反推三维世界的结构和规律。例如，自动驾驶中通过多摄像头融合实现道路场景理解，属于典型的CV任务。机器视觉（MV）聚焦于工业场景的自动化检测与控制，强调实时性和精准性。MV系统
程序员Linc·2025-03-07 12:00

Uboot启动学习笔记之四-uboot之初体验

u-boot初体验在这里我们首先要问自己一个问题，前面将了那么多准备的工作，就是为了启动个uboot，那么uboot到底有什么用?它是一致运行的吗，或者叫她的生命周期如何?uboot属于bootloader的一种，是用来引导启动内核的，它的最终目的就是，从flash中读出内核，放到内存中，启动内核.1.uboot的作用1)uboot主要作用是用来启动操作系统内核。体现在uboot最后一句代码就是启
six2me·2025-03-07 11:16

学生行为习惯画像可视分析平台

学生行为习惯，画像分析，可视化，机器学习，数据挖掘，教育科技1.背景介绍随着教育信息化进程的不断加速，海量教育数据正在被生成和积累。
AI智能涌现深度研究·2025-03-07 11:12

蚂蚁集团可转正实习算法岗内推-自然语言

具备极佳的工程实现能力，精通C/C++、Java、Pvthon、Perl等至少一门语言:对目前主流的深度学习平台:tensorflow、pytorch、mxnet等，至少对其中一个有上手经验;熟悉深度学习以及常见机器学习算法的原理与算法
飞300·2025-03-07 10:59

深圳传音控股AI算法岗内推

1扎实的数学基础，熟练掌握机器学习相关的数学知识。2熟悉常用的机器学习算法，掌握常用的深度学习模型与编程实践。3熟悉Pytorch或TensorFlow等深度学习框架，有一定项目经验。
飞300·2025-03-07 10:57

地球科学数据学习笔记---流向与风向、浪向

一、流向（current）流向一般指流体前进的方向、去向，一般以正北方向为正，例如流体从南流向北，则流向为0°，其示意图如下二、风向与浪向风向与浪向一般都指来向，与流向相反，例如风从南吹向北，则为南风，风向为180°。气象数据中一般会将风速数据存成u、v两个分量（雷达数据除外），u分量表示纬向风，v分量表示经向风。u为正，表示西风，风向为270°；v为正，表示南风，风向为180°。示意图如下所示，
fried-ghost·2025-03-07 10:18

基于NLP的客户意见分析：从数据到洞察

在这个专栏中，你将会找到：●深入解析：每一篇文章都将深入剖析Python的高级概念和应用，包括但不限于数据分析、机器学习、Web开发等。●实战案例：通过丰富的实战案例，带你一步步实现
Echo_Wish·2025-03-07 10:47

深入理解Kettle：ETL工具的学习与实践

本学习笔记着重于Kettle的核心——转换引擎，详细探讨其数据处理的各个步骤，包括数据的输入、转换、输出以及工作原理，提供了一系列的学习资源和实践操作指南，旨在帮助学习者深入理解并掌握Kettle的转换引擎
未知方程 无解·2025-03-07 10:14

Bert模型学习笔记

Bert模型学习笔记Fromhttps://www.bilibili.com/video/BV1Ey4y1874yemmm讲实话这个视频太简单了，不建议看。
文三路张同学·2025-03-07 09:39

Bert学习笔记

一、Bert架构BERT使用了双向的TransformerGPT使用从左到右的单向信息ELMo把单独训练的从左到右及从右到左的LSTM模型进行合并二、Bert预训练任务2.1遮蔽语言模型MLM任务：随机屏蔽（masking）部分输入token，然后只预测那些被屏蔽的token。问题：预训练任务与微调任务不一致原因：在finetuning期间从未看到[MASK]token，预训练和finetunin
缓释多巴胺。·2025-03-07 09:05

R语言机器学习系列-随机森林回归代码解读

回归问题指的是因变量或者被预测变量是连续性变量的情形，比如预测身高体重的具体数值是多少的情形。整个代码大致可以分为包、数据、模型、预测评估4个部分，接下来逐一解读。1、包部分，也就是加载各类包，包括随机森林包randomForest，数据相关包tidyverse、skimr、DataExplorer，模型评估包caret。2、数据部分，主要是读取数据，处理缺失值，转换变量类型。3、模型部分。为了对
Mrrunsen·2025-03-07 09:33

【学习笔记5】Linux下cuda、cudnn、pytorch版本对应关系

一、cuda和cudnnNVIDIACUDAToolkit（CUDA）为创建高性能GPU加速应用程序提供了一个开发环境。借助CUDA工具包，您可以在GPU加速的嵌入式系统、桌面工作站、企业数据中心、基于云的平台和HPC超级计算机上开发、优化和部署您的应用程序。该工具包包括GPU加速库、调试和优化工具、C/C++编译器以及用于部署应用程序的运行时库。全球的深度学习研究人员和框架开发人员都依赖cuDN
longii11·2025-03-07 08:56

rhcsa个人学习笔记

一、配置网卡cd/etc/sysconfig/network-scripts/进入网卡文件夹vimifcfg-eth0修改网卡配置ipaddr=172.25.250.10netmask=255.255.255.0gateway=172.25.250.254dns=172.25.250.254systemctlrestartNetworkManagerifdowneth0;关闭网卡ifupeth0;
小峰彩铃·2025-03-07 05:25

Linux | 学习笔记

Linux|学习笔记用户管理用户和组管理#查看用户身份[admin@CentOS8~]$idadminuid=1000(admin)gid=1000(admin)组=1000(admin),10(wheel
Fomalhaut α PsA·2025-03-07 05:24

神经网络ＶＳ决策树

神经网络（NeuralNetworks）和决策树（DecisionTrees）是两种不同的机器学习算法，各自具有独特的优点和适用场景。
Persistence is gold·2025-03-07 01:16

学习笔记 3.容器化技术 1.2 Docker进阶

Docker进阶Docker进阶数据挂载数据卷挂载主机目录Compose集成式应用组合Compose简介安装和卸载使用Compose构建dubbo-admin服务Compose命令说明Compose模板文件Docker进阶数据挂载在容器中管理数据主要有两种方式：数据卷（Volumes）：在Docker可管理的范围内挂载主机目录（Bindmounts）：在宿主机上的内存数据卷数据卷是一个可供一个或者
薛定谔的悠米·2025-03-07 01:15

深度神经网络——决策树的实现与剪枝

概述决策树是一种有用的机器学习算法，用于回归和分类任务。“决策树”这个名字来源于这样一个事实：算法不断地将数据集划分为越来越小的部分，直到数据被划分为单个实例，然后对实例进行分类。
知来者逆·2025-03-07 00:39

【Gaussian Model】高斯分布模型

检测阶段：计算概率判断异常点3.示例代码4.高斯分布异常检测的优缺点优点缺点5.适用场景6.结论高斯分布模型用于异常检测（GaussianModelforAnomalyDetection）在数据分析和机器学习任务中
HP-Succinum·2025-03-07 00:36

深入浅出地理解-随机森林与XGBoost模型

2.3随机森林的参数调整三、XGBoost：高效且强大的Boosting方法3.1Boosting的基本原理3.2XGBoost的优化3.3XGBoost的优点四、随机森林与XGBoost的对比五、总结在机器学习的实战中
HP-Succinum·2025-03-07 00:06

芯科科技通过全新并发多协议SoC重新定义智能家居连接

MG26系列SoC现已全面供货，为开发人员提供最高性能和人工智能/机器学习功能致力于以安全、智能无线连接技术，建立更互联世界的全球领导厂商SiliconLabs（亦称“芯科科技”，NASDAQ：SLAB
电子科技圈·2025-03-06 23:56

【Python编程】Python交互式应用框架巅峰对决 —— Streamlit vs Gradio

它们各有独特的设计理念和适用场景，以下是基于功能特性、开发效率和应用场景的对比分析：一、核心定位与功能对比特性GradioStreamlit核心目标快速部署机器学习模型交互界面构建数据科学和复杂交互应用输入
木亦汐丫·2025-03-06 23:54

系统架构设计师-第8章-系统质量属性与架构评估-学习笔记

开发期质量属性主要指在软件开发阶段所关注的质量属性，主要包含6个方面。(1)易理解性:指设计被开发人员理解的难易程度。(2)可扩展性:软件因适应新需求或需求变化而增加新功能的能力，也称为灵活性。(3)可重用性:指垂用软件系统或某一部分的难易程度。(4)可测试性:对软件测试以证明其满足需求规范的难易程度.(5)可维护性:当需要修改缺陷、增加功能、提高质量属性时，识别修改点并实施修改的难易程度.(6)
2401_83974370·2025-03-06 23:22

机器学习平台系列（一） - 初探 Jupyter Notebook 认证机制

最近准备调研下JupyterNotebook的单用户安全机制（认证）以及如何实现多租户，以便集成到公司的云平台，进而作为基于大数据平台的机器学习平台的一部分。
窝窝和牛牛·2025-03-06 22:45

《机器学习实战：从数据清洗到云端部署的可视化进阶指南（三）》

▍前言：阶段核心突破当前已完成模型开发与优化升级核心任务，成功将理论模型转化为工业级解决方案。本阶段基于前期标准化数据，实现从基础模型构建到高性能算法迭代的跨越式发展。▍章节回顾：攻坚与优化成果3.模型开发阶段算法实现：逻辑回归：搭建分类基线（LogisticRegression，准确率基准）支持向量机：对比线性核与RBF核性能差异（F1-score提升12%）K近邻：动态优化邻居数（k=5时验证
庸俗今天不摸鱼·2025-03-06 21:11

C++学习笔记（十二）——函数

一、函数的作用函数是C++代码模块化的基础。函数有以下作用：提高代码复用性：相同的代码块可多次调用，而不必重复编写。增强程序可读性：将逻辑拆分，使代码结构更清晰。便于调试和维护：修改函数不会影响其他部分，降低错误风险。二、函数的基本语法语法：返回类型函数名(参数列表){//函数体return返回值;//如果返回类型是void，则不需要return}注意：返回类型：函数返回值的数据类型（如int、d
奕天者·2025-03-06 21:38

2025全球机器学习技术大会即将召开：汇聚全球AI顶尖专家，共话未来技术趋势

由CSDN与Boolan联合主办的「2025全球机器学习技术大会」（MLSummit2025）将于4月18日至19日在上海虹桥西郊庄园丽笙大酒店隆重举行。
·2025-03-06 18:36

详解：Grok中文版 _Grok 3 国内中文版本在线使用

作为该公司核心技术之一，GrokAI专注于推动人工智能在各行各业的实际应用，尤其在数据分析、自然语言处理（NLP）、自动化决策、机器学习等领域表现出色。Grok的最大亮点在于其强大的数据处理能力。
·2025-03-06 18:35
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他