机器学习理论

京东商城招聘自动调价系统架构师 T4级别

岗位级别：T4 岗位职责： 1.负责自动调价系统的架构设计 2.负责自动调价的预测、相关性算法设计 3.核心代码编写，代码review  任职要求： 1.熟悉数据挖掘、机器学习理论和算法
·2015-11-13 06:53

机器学习理论与实战（十四）概率图模型02

        02 概率图模型定义         翻开Jordan和Wainwright著作的书，正文开始（第二章）就说概率图模型的核心就是：分解（factorization）。的确是这样的，对于复杂的概率图模型，要在复杂交织的变量中求取某个变量的边缘概率，常规的做法就是套用贝叶斯公式，积分掉其他不相干
·2015-11-13 02:53

SVM(一) 问题的提出

SVM是支持向量机从诞生至今才10多年，发展史虽短，但其理论研究和算法实现方面却都取得了突破性进展，有力地推动机器学习理论和技术的发展。
·2015-11-12 20:29

机器学习理论与实战（十）K均值聚类和二分K均值聚类

        接下来就要说下无监督机器学习方法，所谓无监督机器学习前面也说过，就是没有标签的情况，对样本数据进行聚类分析、关联性分析等。主要包括K均值聚类（K-means clustering）和关联分析，这两大类都可以说的很简单也可以说的很复杂，学术的东西本身就一直在更新着。比如K均值聚类可以扩展一下形成层次聚类（Hierarchical Cluster
·2015-11-12 16:53

【深度】机器学习进化史：从线性模型到神经网络

【深度】机器学习进化史：从线性模型到神经网络 Reza Zadeh是斯坦福大学工程计算和数学研究所顾问教授，也是Databricks公司技术顾问，他主要专注于机器学习理论和应用，分布式计算，以及离散应用数学
·2015-11-01 10:53

机器学习理论与实战（十三）概率图模型01

         01 简单介绍          概率图模型是图论和概率论结合的产物，它的开创者是鼎鼎大名的Judea Pearl,我十分喜欢概率图模型这个工具，它是一个很有力的多变量而且变量关系可视化的建模工具，主要包括两个大方向：无向图模型和有向图模型。无向图模型又称马氏网络，它的应用很多，
·2015-11-01 08:30

机器学习理论与实战（十一）关联规则分析Apriori

          《机器学习实战》的最后的两个算法对我来说有点陌生，但学过后感觉蛮好玩，了解了一般的商品数据关联分析和搜索引擎智能提示的工作原理。先来看看关联分析（association analysis）吧，它又称关联规则学习（association rule learning）,它的主要工作就是快速找到经常在一起的频繁项，比如著名的“啤酒”和
·2015-10-28 09:31

SVM(一) 问题的提出

SVM是支持向量机从诞生至今才10多年，发展史虽短，但其理论研究和算法实现方面却都取得了突破性进展，有力地推动机器学习理论和技术的发展。
tiandijun·2015-08-27 17:00

实例详解机器学习如何解决问题

不管是工业界还是学术界，机器学习都是一个炙手可热的方向，但是学术界和工业界对机器学习的研究各有侧重，学术界侧重于对机器学习理论的研究，工业界侧重于如何用机器学习来解决实际问题。
u014114990·2015-08-24 19:00

DeepMind用ReinforcementLearning玩游戏

这两者不仅在实际应用中表现的很酷，在机器学习理论中也有不俗的表现。DeepMind工作人员合两者之精髓，在Stella模拟机上让机器自己玩了7个Atari2600的游戏，结果是玩的冲出美洲，走
wishchin·2015-01-05 17:00

【机器学习基础】理解为什么机器可以学习1——PAC学习模型

引言自从下定决心认真学习机器学习理论开始，接触到很多基本问题，但其实都不是很理解，比如损失函数、风险函数、经验结构最小化、结构风险最小化、学习方法的泛化能力、VC维等，这些概念在学习中都纯属空泛的概念存在
JasonDing1354·2014-12-11 20:07

【机器学习基础】理解为什么机器可以学习1——PAC学习模型

引言自从下定决心认真学习机器学习理论开始，接触到很多基本问题，但其实都不是很理解，比如损失函数、风险函数、经验结构最小化、结构风险最小化、学习方法的泛化能力、VC维等，这些概念在学习中都纯属空泛的概念存在
JasonDing1354·2014-12-11 20:00

Adaboost导论

作者：金良（golden1314521@gmail.com）csdn博客：http://blog.csdn.net/u012176591参考文献机器学习理论与实战（七）Adaboosthttp://blog.csdn.net
u012176591·2014-12-04 11:00

机器学习理论与实战：逻辑回归

转载自：http://blog.csdn.net/marvin521/article/details/9263483从这节算是开始进入“正规”的机器学习了吧，之所以“正规”因为它开始要建立价值函数（costfunction），接着优化价值函数求出权重，然后测试验证。这整套的流程是机器学习必经环节。今天要学习的话题是逻辑回归，逻辑回归也是一种有监督学习方法（supervisedmachinelear
u013524655·2014-11-16 11:00

机器学习综述——机器学习理论基础与发展脉络

机器学习综述摘要本文主要参考中科院自动化研究所复杂系统与智能科学实验室王珏研究员《关于机器学习的讨论》，讨论机器学习的描述，理论基础，发展历史以及研究现状。关键字:机器学习，科学依据，发展脉络0引言20世纪90年代初，当时的美国副总统提出了一个重要的计划——国家信息基本设施计划(NationalInformationInfrastructure,NII)。这个计划的技术含义包含了四个方面的内容：(
Solomon1588·2014-11-04 23:50

[置顶] 机器学习综述——机器学习理论基础与发展脉络

 机器学习综述摘要  本文主要参考中科院自动化研究所复杂系统与智能科学实验室王珏研究员《关于机器学习的讨论》，讨论机器学习的描述，理论基础，发展历史以及研究现状。关键字:机器学习，科学依据，发展脉络 0引言   20世纪90年代初，当时的美国副总统提出了一个重要的计划——国家信息基本设施计划(NationalInformationInfrastructure,NII)。这个计划的技术含义包含了四个
Solomon1558·2014-11-04 23:00

[置顶] 机器学习综述——机器学习理论基础与发展脉络

 机器学习综述摘要  本文主要参考中科院自动化研究所复杂系统与智能科学实验室王珏研究员《关于机器学习的讨论》，讨论机器学习的描述，理论基础，发展历史以及研究现状。关键字:机器学习，科学依据，发展脉络 0引言   20世纪90年代初，当时的美国副总统提出了一个重要的计划——国家信息基本设施计划(NationalInformationInfrastructure,NII)。这个计划的技术含义包含了四个
Solomon1558·2014-11-04 23:00

机器学习理论与实战（八）回归

机器学习理论与实战（八）回归分类：机器学习2013-07-2000:472270人阅读评论(6)收藏举报机器学习线性回归局部加权线性回归岭回归前向逐步回归按照《机器学习实战》的主线，结束有监督学习中关于分类的机器学习方法
pi9nc·2014-05-22 19:03

机器学习理论与实战（八）回归

机器学习理论与实战（八）回归分类： 机器学习2013-07-2000:47 2270人阅读 评论(6) 收藏 举报机器学习线性回归局部加权线性回归岭回归前向逐步回归    按照《机器学习实战》的主线，结束有监督学习中关于分类的机器学习方法
pi9nc·2014-05-22 19:00

看DeepMind如何用Reinforcement learning玩游戏

这两者不仅在实际应用中表现的很酷，在机器学习理论中也有不俗的表现。
尹绪森·2014-03-31 00:00

看DeepMind如何用Reinforcement learning玩游戏

这两者不仅在实际应用中表现的很酷，在机器学习理论中也有不俗的表现。
尹绪森·2014-03-31 00:00

SVM(一) 问题的提出

SVM是支持向量机从诞生至今才10多年，发展史虽短，但其理论研究和算法实现方面却都取得了突破性进展，有力地推动机器学习理论和技术的发展。
wangkr111·2014-03-13 14:00

机器学习理论与实战（十七）概率图模型05（极家族函数的引入）

概率图模型中极家族（exponentialfamilies）函数的引入        回顾概率图模型03中的内容，我们用联合树算法进行消息传递，本质是在求解某个变量的分布或者条件分布，求解一个分布不单纯局限在联合树算法上，还有其他算法，比如均值场。这些图模型中的变分推理方法都有一个统一的理论框架，都是依靠凸分析和极家族函数来支撑起来的，各种推理方法的本质其实都是在极家族函数的均值参数(MeanPa
cuoqu·2014-01-15 12:00

机器学习理论概观

机器学习的摸底就是将数据库和信息系统中的信息自动提炼并转换成只是，然后自动地加入知识库中。即机器学习的目的是自动获取知识。机器学习的一般过程是建立理论、形成假设、归纳推理。学习过程总是与两个因素相关：1.环境2.知识库在机器学习中，学习环节的任务就是解决环境提供的信息水平和实际应用中所需的信息水平之间的差距问题。机器学习两种研究方法：1.辨识或参数估计或建模2.以Rosenblatt的感知机为代表
HappyBKs·2013-10-21 09:00

机器学习理论与实战（十六）概率图模型04

04、概率图模型应用实例最近一篇文章《DeformableModelFittingbyRegularizedLandmarkMean-Shift》中的人脸点检测算法在速度和精度折中上达到了一个相对不错的水平，这篇技术报告就来阐述下这个算法的工作原理以及相关的铺垫算法。再说这篇文章之前，先说下传统的基于CLM（Constrainedlocalmodel）人脸点检测算法的不足之处，ASM也属于CLM的
marvin521·2013-09-09 20:02

机器学习理论与实战（十六）概率图模型04

     04、概率图模型应用实例    最近一篇文章《DeformableModelFittingbyRegularizedLandmarkMean-Shift》中的人脸点检测算法在速度和精度折中上达到了一个相对不错的水平，这篇技术报告就来阐述下这个算法的工作原理以及相关的铺垫算法。再说这篇文章之前，先说下传统的基于CLM（Constrainedlocalmodel）人脸点检测算法的不足之处，A
cuoqu·2013-09-09 20:00

机器学习理论与实战（十五）概率图模型03

03图模型推理算法     这节了解一下概率图模型的推理算法（Inferencealgorithm），也就是如何求边缘概率（marginalizationprobability）。推理算法分两大类，第一类是准确推理（ExactInference）,第二类就是近似推理（ApproximateInference）。准确推理就是通过把分解的式子中的不相干的变量积分掉（离散的就是求和）；由于有向图和无向图
cuoqu·2013-09-01 22:00

机器学习理论与实战（十四）概率图模型02

02概率图模型定义翻开Jordan和Wainwright著作的书，正文开始（第二章）就说概率图模型的核心就是：分解（factorization）。的确是这样的，对于复杂的概率图模型，要在复杂交织的变量中求取某个变量的边缘概率，常规的做法就是套用贝叶斯公式，积分掉其他不相干的变量，假设每个变量的取值状态为N，如果有M个变量，那么一个图模型的配置空间就有N^M，指数增长的哦，就这个配置空间已经让我们吃
marvin521·2013-08-31 00:06

机器学习理论与实战（十四）概率图模型02

     02概率图模型定义    翻开Jordan和Wainwright著作的书，正文开始（第二章）就说概率图模型的核心就是：分解（factorization）。的确是这样的，对于复杂的概率图模型，要在复杂交织的变量中求取某个变量的边缘概率，常规的做法就是套用贝叶斯公式，积分掉其他不相干的变量，假设每个变量的取值状态为N，如果有M个变量，那么一个图模型的配置空间就有N^M，指数增长的哦，就这个配
cuoqu·2013-08-31 00:00

机器学习理论与实战（十三）概率图模型01

01简单介绍概率图模型是图论和概率论结合的产物，它的开创者是鼎鼎大名的JudeaPearl,我十分喜欢概率图模型这个工具，它是一个很有力的多变量而且变量关系可视化的建模工具，主要包括两个大方向：无向图模型和有向图模型。无向图模型又称马氏网络，它的应用很多，有典型的基于马尔科夫随机场的图像处理，图像分割，立体匹配等，也有和机器学习结合求取模型参数的结构化学习方法。严格的说他们都是在求后验概率:p(y
marvin521·2013-08-17 16:34

机器学习理论与实战（十三）概率图模型01

     01简单介绍     概率图模型是图论和概率论结合的产物，它的开创者是鼎鼎大名的JudeaPearl,我十分喜欢概率图模型这个工具，它是一个很有力的多变量而且变量关系可视化的建模工具，主要包括两个大方向：无向图模型和有向图模型。无向图模型又称马氏网络，它的应用很多，有典型的基于马尔科夫随机场的图像处理，图像分割，立体匹配等，也有和机器学习结合求取模型参数的结构化学习方法。严格的说他们都是
cuoqu·2013-08-17 16:00

机器学习理论与实战（十二）神经网络

    神经网络又火了，因为深度学习火了，所以必须增加个传统神经网络的介绍,尤其是backpropagation算法。很简单，俺也就不舞文弄墨的说复杂咯，神经网络模型如（图一）所示：（图一）     （图一）中的神经网络模型是由多个感知器（perceptron）分几层组合而成，所谓感知器就是单层的神经网络（准确的说应该不叫神经网络咯），它只有一个输出节点，如（图二）所示：(图二) 感知器     
cuoqu·2013-08-10 23:00

机器学习理论与实战

前面的近20篇博文已经牵扯到很多机器学习算法咯，已经吊足了胃口，决定从后面开始正式系统的学习机器学习理论，并尝试进入实战阶段，涵盖：加州理工(caltech)的 YaserAbu-Mostafa教授的机器学习
·2013-08-07 16:00

机器学习理论与实战（十一）关联规则分析Apriori

     《机器学习实战》的最后的两个算法对我来说有点陌生，但学过后感觉蛮好玩，了解了一般的商品数据关联分析和搜索引擎智能提示的工作原理。先来看看关联分析（associationanalysis）吧，它又称关联规则学习（associationrulelearning）,它的主要工作就是快速找到经常在一起的频繁项，比如著名的“啤酒”和“尿布”。试想一下，给我们一堆交易数据，每次的交易数据中有不同的商
cuoqu·2013-08-04 23:00

机器学习理论与实战（十）K均值聚类和二分K均值聚类

    接下来就要说下无监督机器学习方法，所谓无监督机器学习前面也说过，就是没有标签的情况，对样本数据进行聚类分析、关联性分析等。主要包括K均值聚类（K-meansclustering）和关联分析，这两大类都可以说的很简单也可以说的很复杂，学术的东西本身就一直在更新着。比如K均值聚类可以扩展一下形成层次聚类（HierarchicalClustering），也可以进入概率分布的空间进行聚类，就像前段
cuoqu·2013-07-31 22:00

机器学习理论与实战（九）回归树和模型树

    前一节的回归是一种全局回归模型，它设定了一个模型，不管是线性还是非线性的模型，然后拟合数据得到参数，现实中会有些数据很复杂，肉眼几乎看不出符合那种模型，因此构建全局的模型就有点不合适。这节介绍的树回归就是为了解决这类问题，它通过构建决策节点把数据数据切分成区域，然后局部区域进行回归拟合。先来看看分类回归树吧（CART:ClassificationAndRegressionTrees）,这个
cuoqu·2013-07-27 00:00

机器学习理论与实战（八）回归

按照《机器学习实战》的主线，结束有监督学习中关于分类的机器学习方法，进入回归部分。所谓回归就是数据进行曲线拟合，回归一般用来做预测，涵盖线性回归（经典最小二乘法）、局部加权线性回归、岭回归和逐步线性回归。先来看下线性回归，即经典最小二乘法，说到最小二乘法就不得说下线性代数，因为一般说线性回归只通过计算一个公式就可以得到答案，如（公式一）所示：（公式一）其中X是表示样本特征组成的矩阵，Y表示对应的值
marvin521·2013-07-20 00:32

机器学习理论与实战（八）回归

    按照《机器学习实战》的主线，结束有监督学习中关于分类的机器学习方法，进入回归部分。所谓回归就是数据进行曲线拟合，回归一般用来做预测，涵盖线性回归（经典最小二乘法）、局部加权线性回归、岭回归和逐步线性回归。先来看下线性回归，即经典最小二乘法，说到最小二乘法就不得说下线性代数，因为一般说线性回归只通过计算一个公式就可以得到答案，如（公式一）所示：（公式一）    其中X是表示样本特征组成的矩阵
cuoqu·2013-07-20 00:00

机器学习理论与实战（七）Adaboost

Adaboost也是一种原理简单，但很实用的有监督机器学习算法，它是daptiveboosting的简称。说到boosting算法，就不得提一提bagging算法，他们两个都是把一些弱分类器组合起来来进行分类的方法，统称为集成方法（ensemblemethod）,类似于投资，“不把鸡蛋放在一个篮子”，虽然每个弱分类器分类的不那么准确，但是如果把多个弱分类器组合起来可以得到相当不错的结果，另外要说的
marvin521·2013-07-13 16:53

机器学习理论与实战（七）Adaboost

     Adaboost也是一种原理简单，但很实用的有监督机器学习算法，它是daptiveboosting的简称。说到boosting算法，就不得提一提bagging算法，他们两个都是把一些弱分类器组合起来来进行分类的方法，统称为集成方法（ensemblemethod）,类似于投资，“不把鸡蛋放在一个篮子”，虽然每个弱分类器分类的不那么准确，但是如果把多个弱分类器组合起来可以得到相当不错的结果，
cuoqu·2013-07-13 16:00

机器学习理论与实战（六）支持向量机

    上节基本完成了SVM的理论推倒，寻找最大化间隔的目标最终转换成求解拉格朗日乘子变量alpha的求解问题，求出了alpha即可求解出SVM的权重W，有了权重也就有了最大间隔距离，但是其实上节我们有个假设：就是训练集是线性可分的，这样求出的alpha在[0,infinite]。但是如果数据不是线性可分的呢？此时我们就要允许部分的样本可以越过分类器，这样优化的目标函数就可以不变，只要引入松弛变量
cuoqu·2013-07-11 23:00

机器学习理论与实战（五）支持向量机

    做机器学习的一定对支持向量机（supportvectormachine-SVM）颇为熟悉，因为在深度学习出现之前，SVM一直霸占着机器学习老大哥的位子。他的理论很优美，各种变种改进版本也很多，比如latent-SVM,structural-SVM等。这节先来看看SVM的理论吧，在（图一）中A图表示有两类的数据集，图B,C,D都提供了一个线性分类器来对数据进行分类？但是哪个效果好一些？（图一
cuoqu·2013-07-09 23:00

机器学习理论与实战（三）朴素贝叶斯

     贝叶斯决策一直很有争议，今年是贝叶斯250周年，历经沉浮，今天它的应用又开始逐渐活跃，有兴趣的可以看看斯坦福BradEfron大师对其的反思，两篇文章：“Bayes'Theoreminthe21stCentury”和“A250-YEARARGUMENT:BELIEF,BEHAVIOR,ANDTHEBOOTSTRAP”。俺就不参合这事了，下面来看看朴素贝叶斯分类器。     有时我们想知道
·2013-07-08 14:00

机器学习理论与实战（三）朴素贝叶斯

机器学习理论与实战（三）朴素贝叶斯分类： 机器学习2013-07-0711:35 396人阅读 评论(0) 收藏 举报朴素贝叶斯naivebayes机器学习     贝叶斯决策一直很有争议，今年是贝叶斯
pi9nc·2013-07-08 09:00

regression 回归

 机器学习理论与实战（四）逻辑回归分类： 机器学习 最优化2013-07-0715:36 202人阅读 评论(0) 收藏 举报逻辑回归logisticregression机器学习machinelearning
pi9nc·2013-07-08 09:00

机器学习理论与实战（四）逻辑回归

从这节算是开始进入“正规”的机器学习了吧，之所以“正规”因为它开始要建立价值函数（costfunction），接着优化价值函数求出权重，然后测试验证。这整套的流程是机器学习必经环节。今天要学习的话题是逻辑回归，逻辑回归也是一种有监督学习方法（supervisedmachinelearning）。逻辑回归一般用来做预测，也可以用来做分类，预测是某个类别^.^！线性回归想比大家都不陌生了，y=kx+b
marvin521·2013-07-07 15:34

机器学习理论与实战（四）逻辑回归

     从这节算是开始进入“正规”的机器学习了吧，之所以“正规”因为它开始要建立价值函数（costfunction），接着优化价值函数求出权重，然后测试验证。这整套的流程是机器学习必经环节。今天要学习的话题是逻辑回归，逻辑回归也是一种有监督学习方法（supervisedmachinelearning）。逻辑回归一般用来做预测，也可以用来做分类，预测是某个类别^.^！线性回归想比大家都不陌生了，y
cuoqu·2013-07-07 15:00

机器学习理论与实战（三）朴素贝叶斯

贝叶斯决策一直很有争议，今年是贝叶斯250周年，历经沉浮，今天它的应用又开始逐渐活跃，有兴趣的可以看看斯坦福BradEfron大师对其的反思，两篇文章：“Bayes'Theoreminthe21stCentury”和“A250-YEARARGUMENT:BELIEF,BEHAVIOR,ANDTHEBOOTSTRAP”。俺就不参合这事了，下面来看看朴素贝叶斯分类器。有时我们想知道给定一个样本时，它属
marvin521·2013-07-07 11:16

机器学习理论与实战（三）朴素贝叶斯

     贝叶斯决策一直很有争议，今年是贝叶斯250周年，历经沉浮，今天它的应用又开始逐渐活跃，有兴趣的可以看看斯坦福BradEfron大师对其的反思，两篇文章：“Bayes'Theoreminthe21stCentury”和“A250-YEARARGUMENT:BELIEF,BEHAVIOR,ANDTHEBOOTSTRAP”。俺就不参合这事了，下面来看看朴素贝叶斯分类器。     有时我们想知道
cuoqu·2013-07-07 11:00

机器学习理论与实战（二）决策树

    决策树也是有监督机器学习方法。电影《无耻混蛋》里有一幕游戏，在德军小酒馆里有几个人在玩20问题游戏，游戏规则是一个设迷者在纸牌中抽出一个目标（可以是人，也可以是物），而猜谜者可以提问题，设迷者只能回答是或者不是，在几个问题（最多二十个问题）之后，猜谜者通过逐步缩小范围就准确的找到了答案。这就类似于决策树的工作原理。（图一）是一个判断邮件类别的工作方式，可以看出判别方法很简单，基本都是阈值判
cuoqu·2013-07-05 23:00
上一页 2 3 4 5 6 7 8 9 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他