机器学习系列

李宏毅机器学习系列-结构化学习介绍

李宏毅机器学习系列-结构化学习介绍结构化学习是什么统一框架物体检测的例子文章总结的例子网页搜索的例子换个概率的角度理解这个框架框架遇到的问题与DNN的联系总结结构化学习是什么简单来说，就是找一个函数，输入一个
王伟王胖胖·2019-08-28 14:12

李宏毅机器学习系列-无监督学习之生成模型

李宏毅机器学习系列-无监督学习之生成模型让机器有有创造力生成模型PixelRNNVAE总结让机器有有创造力我们知道机器是可以学习我们告诉他的东西，也可以学习没有标签的东西，但是能不能让他自己有创造力呢，
王伟王胖胖·2019-08-27 18:09

李宏毅机器学习系列-无监督学习之自编码器

李宏毅机器学习系列-无监督学习之自编码器自编码器是什么自编码器文字处理自编码器搜索相似图片自编码器预训练DNN自编码器去噪自编码器用于CNN自编码器可当做生成器总结自编码器是什么先举个例子，比如我们用一个神经网络要把一张图片压成一个
王伟王胖胖·2019-08-27 12:20

李宏毅机器学习系列-深度学习小贴士

李宏毅机器学习系列-深度学习小贴士是过拟合的错么深度学习的技巧梯度消失ReluMaxout可调节的学习率RMSPropMomentumAdamEarlyStoppingRegularizationDropout
王伟王胖胖·2019-08-20 17:29

数据标注自动化工具Snorkel

要快速掌握机器学习应用的开发，推荐汇智网的机器学习系列教程。现在的机器学习尤其是深度学习模型很强大，但是训练这些模型需要大量的标注数据集！
ezpod·2019-08-18 19:02

李宏毅机器学习系列-反向传播

李宏毅机器学习系列-反向传播梯度下降法链式求导法则反向传播总结梯度下降法我们只到梯度下降法是用来进行模型学习参数的，神经网络的学习同样需要梯度下降法，我们设网络的参数θ\thetaθ为：他也是这样不停的更新的
王伟王胖胖·2019-08-18 15:43

李宏毅机器学习系列-逻辑回归

李宏毅机器学习系列-逻辑回归分类回顾逻辑回归+均方差损失函数生成模型与判别模型多分类逻辑回归的限制总结分类回顾我们先回顾下前面我们讲的分类的步骤，第一步先找到一个模型集合，是个概率模型，最后可以转化为sigmoid
王伟王胖胖·2019-08-15 12:58

李宏毅机器学习系列-回归演示

李宏毅机器学习系列-回归演示回归演示准备数据训练函数显示结果图像原始调用lr=0.0000001离我们最好的参数还远着，改变lr=0.000001好像有点震荡了，继续加大看看lr=0.00001可交互可视化调节调用
王伟王胖胖·2019-08-10 13:30

李宏毅机器学习系列-回归

李宏毅机器学习系列-回归回归的介绍精灵宝可梦的例子定义模型给定训练集和损失函数选择最好的模型结果总结回归的介绍回归简单来说就是给了输入，然后输出是一个数值，比如下面举的几个例子。
王伟王胖胖·2019-08-09 23:12

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

机器学习系列（三十）——F1 Score与Precision-Recall的平衡

本篇主要内容：F1Score，Precision-Recall的平衡，P-R曲线F1Score上篇我们提到，精准率和召回率这两个指标有时精准率低一些有时召回率低一些，有时可能都低。那么实际中用哪个指标比较好呢？这一般和应用场景有关，对于有些场景，我们更注重精准率，比如股票预测，假设预测的是一个二分类问题：股票会升还是降，显然为了利润我们关注的是升（即上升为类1），为什么这种情况下精准率指标更好呢？
Ice_spring·2019-07-24 16:52

机器学习系列(二十七)——决策边界与Logistic回归使用多项式特征

决策边界由逻辑回归的原理知，对于我们求得的概率：当时，，此时，即样本被分类为类别1，否则样本将被分类为类别0。而逻辑回归是基于线性回归的，这个影响分类结果的超平面就被称之为决策边界。如果仅有两个特征，则这个决策边界就是一条直线。以上篇文章中使用的分离出来的鸢尾花数据为例，我们来绘制一下相应的决策边界，绘制之前要知道求得的和截距值：x.png下面绘制决策边界：'''绘制决策边界'''defx2(x1
Ice_spring·2019-07-21 12:14

机器学习系列（二十二）——多项式回归

多项式回归前面我们学习过线性回归，线性回归模型需要假设数据背后存在线性关系。线性回归而实际中，有线性关系的数据集比较少，更多的数据之间是非线性关系。进而——多项式回归产生。其实多项式回归完全是线性回归的思路，只是相当于在原来的数据上增加了二次项、三次项、...等更高次的多项式特征项，然后用线性回归求解。二次多项式回归下面以一个例子来感受一下多项式回归，首先生成模拟数据集：importnumpyas
Ice_spring·2019-07-17 10:24

【实战演练】机器学习系列05-浅谈线性回归与梯度下降算法

上一篇介绍了机器学习的一些基本概念，其中有感知机与线性回归算法的介绍。在介绍中，应该令人最不可思议的就是，为啥这样的一堆y=x1*w1+x2*w2+x3*w3.....+xn*wn，通过机器学习，最终可以拟合出正确的模型呢？其实机器学习，搭建了人工神经网络，结合线性回归方程与梯度下降算法，通过不停的输入训练数据，回顾计算结果，调整计算参数，最终才能达到目标。我们先从基本概念讲起：1、瞎猜方程解假设
繁星亮·2019-07-15 10:47

【实战演练】机器学习系列04-keras搭建手写识别神经网络

由于国内网络问题，建议使用离线的mnist.npz数据集。（这是一个很基本上所有深度学习与神经网络教学案例都会拿来用的手写数字数据集）下载好之后，进入C:\ProgramData\Anaconda3\Lib\site-packages\keras\datasets下面的mnist.py，使用notepad++编辑，将origin路径修改为mnist.npz的真实路径。1、导入数据path='c:/
繁星亮·2019-07-13 23:40

【实战演练】机器学习系列03-keras搭建猫狗识别神经网络

上一篇介绍了keras的安装与搭建线性回归神经网络，这篇我们尝试搭建猫狗识别的神经网络。提前下载猫狗图片kaggle数据集，下载链接：https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/data里面带有test1.zip与train.zip的压缩包，其中train里面的图片是用于对模型进行训练的，而test里面的图片是用来对模型进
繁星亮·2019-07-13 23:06

【实战演练】机器学习系列02-安装tensorflow与keras搭建线性回归神经网络

keras是一个深度学习的框架，可以快速地搭建神经网络并且进行巡检与测试，是一个可以快速入门神经网络的软件。使用keras前，需要先安装tensorflow。1、安装tensorflow先更新pip，pip与linux的yum差不多，如果源不够新，可能安装软件的时候会导致依赖关系不全，安装软件失败。管理员身份运行cmd窗口pip install msgpackpython –m pip insta
繁星亮·2019-07-13 17:19

【实战演练】机器学习系列01-安装anaconda

1、安装anacondaAnaconda是python的一个发行版，集成了很多科学计算的包，只要安装了Anaconda就不需要在另行安装python了。（当然，自行安装python，然后pip安装一堆包也是可以的）另外，anaconda还提供了一些很有用的工具。因此机器学习的介绍，我们实验环境先安装Anaconda（官网下载也有python2、3版本不同的exe，建议安装python3版本）2、A
繁星亮·2019-07-13 17:57

李宏毅机器学习系列-循环伸进网络RNN

李宏毅机器学习系列-循环伸进网络RNN神经网络可能也需要记忆RNN简介LSTM总结最近做语音研究，可能要用到RNN，所以把李宏毅老师的RNN看了下，顺便做下记录吧，方便以后自己回顾和大家学习。
王伟王胖胖·2019-07-07 23:15

贝叶斯⑥——银行借贷模型（贝叶斯与决策树对比）

贝叶斯机器学习系列：贝叶斯①——贝叶斯原理篇（联合概率&条件概率&贝叶斯定理&拉普拉斯平滑)贝叶斯②——贝叶斯3种分类模型及Sklearn使用（高斯&多项式&伯努利）贝叶斯③——Python实现贝叶斯文本分类
数据小斑马·2019-06-27 08:38

贝叶斯④——Sklean新闻分类（CountVectorizer&TfidfTransformer&TfidfVectorizer）

贝叶斯机器学习系列：贝叶斯①——贝叶斯原理篇（联合概率&条件概率&贝叶斯定理&拉普拉斯平滑)贝叶斯②——贝叶斯3种分类模型及Sklearn使用（高斯&多项式&伯努利）贝叶斯③——Python实现贝叶斯文本分类
数据小斑马·2019-06-26 21:21

贝叶斯③——Python实现贝叶斯文本分类（伯努利&多项式模型对比）

贝叶斯机器学习系列：贝叶斯①——贝叶斯原理篇（联合概率&条件概率&贝叶斯定理&拉普拉斯平滑)贝叶斯②——贝叶斯3种分类模型及Sklearn使用（高斯&多项式&伯努利）贝叶斯④——Sklean新闻分类（TF-IDF
数据小斑马·2019-06-25 22:20

贝叶斯②——贝叶斯3种分类模型及Sklearn使用（高斯&多项式&伯努利）

贝叶斯机器学习系列：贝叶斯①——贝叶斯原理篇（联合概率&条件概率&贝叶斯定理&拉普拉斯平滑)贝叶斯③——Python实现贝叶斯文本分类（伯努利&多项式模型对比）贝叶斯④——Sklean新闻分类（TF-IDF
数据小斑马·2019-06-24 23:09

贝叶斯①——贝叶斯原理篇（联合概率&条件概率&贝叶斯定理&拉普拉斯平滑)

贝叶斯机器学习系列：贝叶斯②——贝叶斯3种分类模型及Sklearn使用（高斯&多项式&伯努利）贝叶斯③——Python实现贝叶斯文本分类（伯努利&多项式模型对比）贝叶斯④——Sklean新闻分类（TF-IDF
数据小斑马·2019-06-24 21:19

机器学习系列6：决策树

决策树是一种基本的分类与回归方法。这里主要讨论决策树用于分类。决策树模型是描述对样本进行分类的树形结构。树由结点和有向边组成：内部结点表示一个特征或者属性。叶子结点表示一个分类。有向边代表了一个划分规则。决策树从根结点到子结点的的有向边代表了一条路径。决策树的路径是互斥并且是完备的。用决策树分类时，对样本的某个特征进行测试，根据测试结果将样本分配到树的子结点上。此时每个子结点对应该特征的一个取值。
_世界和平_·2019-06-20 17:05

机器学习系列25：随机梯度下降算法

如今机器学习的数据集动则几千万或上亿，如果运用我们之前学过的Batch梯度下降算法，就会发现效率很低，因为在梯度下降时，每次循环都要对所有的数据进行求和，这会浪费大量的时间。有没有更好的方法去处理大数据呢？答案是有的。我们在处理大数据时，会选择随机梯度下降算法（Stochasticgradientdescent）。下面是随机梯度下降算法的代价函数：之后是随机梯度下降算法：首先需要随机打乱所有的数据
supfeng·2019-06-10 09:25

机器学习系列1：线性回归详解

一、什么是机器学习？机器学习包括：1.监督学习（supervisedlearning）①回归：寻找一个假设函数，根据大量的训练集X来预测目标变量Y，若要预测的目标变量是连续的，则是回归问题，如房价预测。②分类：如果预测的目标变量只能取一小部分离散值，则是分类问题。2.无监督学习（Unsupervisedlearning）没有标记的数据，如聚类，降维等。3.半监督学习（Semi-supervised
_世界和平_·2019-05-25 10:28

机器学习系列2：误差、梯度下降、交叉验证、归一化和评价指标

一、详细理解误差（error）与偏差（bias）和方差（variance）1.偏差与方差对图片的解释：准：bias低，模型在样本上拟合地好不好。lowbias相当于打靶时都落在靶心附近，但是手不一定稳（分布比较乱）。确：variance低，模型在测试集上的表现好。lowvariance相当于打靶时手很稳，分布紧密，但是不一定在靶心附近。与模型复杂度的关系：模型约复杂，拟合能力越好，对训练样本拟合地
_世界和平_·2019-05-25 10:20

机器学习系列 15：集成学习

目录1.1集成学习1.2提升（Boosting）方法  1.2.1AdaBoost    1.2.1.1AdaBoost的算法描述    1.2.1.2AdaBoost算法解释  1.2.2其他提升（Boosting）方法1.3Bagging与随机森林  1.3.1Bagging    1.3.1.1Bagging的算法描述  1.3.2随机森林1.4结合策略  1.4.1平均法  1.4.2投票
空杯的境界·2019-05-15 22:08

机器学习系列22：异常检测

现在有一个网站，为了防止该网站被人恶意攻击，你采取了以下措施。给每个用户建立用户画像，记录他的一些操作，例如：打字速度，浏览时间，点击网页次数等等。。。可以将这些特征建立一个模型，让它有一个阈值，当低于这个阈值时，就可能是有人在恶意攻击你的网站，这时候你就要小心了。就像下图，如果超出蓝圈，那这个数据就有可能发生了异常：那么这个模型是怎么建立出来的呢？用到的是异常检测算法（Anomalydetect
SuperFengCode·2019-05-15 18:59

“机器学习系列”文章合集

相关文章合集如下：机器学习系列01：k近邻法（k-NN）的原理及实现机器学习系列02：感知机机器学习系列03：线性回归模型机器学习系列04：梯度下降法及Python实现机器学习系列05：Log
空杯的境界·2019-04-13 13:38

机器学习系列 13：贝叶斯分类 01 - 贝叶斯决策论、朴素贝叶斯分类器 和 半朴素贝叶斯分类器

  本内容将介绍贝叶斯决策论、朴素贝叶斯分类器和半朴素贝叶斯分类器。在下一篇中介绍贝叶斯网络。  贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。  阅读本内容时，需要具备一定的概率论和统计学知识。在这里介绍了相关知识点，您可以先简单阅览一下；也可以直接阅读本内容，当遇到不了解的知识点时，再进行了解。1.1贝叶斯定理  在概率论与统计学中，贝叶斯定理（BayesT
空杯的境界·2019-04-13 13:36

机器学习系列(一)--术语篇

机器学习的术语：机器学习正是这样一门学科，它致力于研究如何通过计算的手段，利用经验来改善系统自身的性能.在计算机系统中，“经验”通常以“数据”形式存在，因此，机器学习所研究的主要内容，是关于在计算机上从数据中产生“模型”（model)的算法，即“学习算法”（learningalgorithm).有了学习算法，我们把经验数据提供给它，它就能基于这些数据产生模型；在面对新的情况时(例如看到一个没剖开的
风骚的小柴犬·2019-04-01 17:00

机器学习系列15：学习曲线

我们在调试一个学习算法时，通常会用学习曲线（LearningCurves）观察机器学习算法是否为欠拟合或过拟合。随着样本数的不断增大，我们发现在高偏差（欠拟合）时交叉验证集代价函数J_cv(θ)和测试集代价函数J_test(θ)的图像如下，这个图像也叫做学习曲线（LearningCurves）：在高偏差时，随着样本数目的增加，测试集的偏差与交叉验证集的偏差几乎相等，测试集的偏差在上升到一定程度后就
supfeng·2019-03-24 19:11

学习机器学习，主要牵涉到哪些数学知识？

放假在家想写写机器学习系列的文章，除夕前先来开个头，后面会一直写下去，搞机器学习算法也有一年多了，体会多少还是有一些的，这里记录在博客中，一来为自己后面的面试做点储备，二来是为了分享，因为很多都是从大家的博客中去学习的
duozhishidai·2019-03-19 14:30

机器学习系列13：机器学习诊断法

在机器学习中，我们训练了一个模型，可能会发现这个模型得到的数据与实际数据偏差太大。这时，通常我们会在如下办法中选择去优化我们的算法：得到更多的训练集；减小特征的数目；尝试去增加特征；增加多项式；增大λ；减小λ。以上这些步骤通常会花费你大量的时间，而且毫无目的地选择很可能会没有效果。为了防止以上的事情发生，减少让你抓狂的几率，维护世界的和平，我们需要用到机器学习诊断法（Machinelearning
supfeng·2019-03-17 17:49

吴恩达机器学习系列理论加实践(七、正则化及matlab实践)

七、正则化7.1过拟合问题什么是过拟合问题，之前我们学习了线性回归、逻辑回归，他门都能够有效的解决许多问题，但是有些时候可能会遇到过拟合问题导致效果很差。在这里将会讨论过拟合问题，他是怎么引起来的，以及通过学习一种正则化技术来改善或者减少过拟合问题。如果我们有非常多的特征，我们通过学习得到的假设可能能够非常好地适应训练集（代价函数可能几乎为0），但是可能会不能推广到新的数据，比如在测试集当中效果却
Enjoy_endless·2019-01-25 16:31

吴恩达机器学习系列理论加实践(七、正则化及matlab实践)

七、正则化7.1过拟合问题什么是过拟合问题，之前我们学习了线性回归、逻辑回归，他门都能够有效的解决许多问题，但是有些时候可能会遇到过拟合问题导致效果很差。在这里将会讨论过拟合问题，他是怎么引起来的，以及通过学习一种正则化技术来改善或者减少过拟合问题。如果我们有非常多的特征，我们通过学习得到的假设可能能够非常好地适应训练集（代价函数可能几乎为0），但是可能会不能推广到新的数据，比如在测试集当中效果却
Enjoy_endless·2019-01-25 16:31

吴恩达机器学习系列理论加实践(五/六 、逻辑回归及matlab实践)

五、Octave教程这一块课程介绍的是关于Octave软件使用相关的知识，我这里使用的是matlab，所以对于这一块也没有具体跟进，有兴趣的可以自我学习。**第三周**六、逻辑回归6.1分类问题之前课程介绍的是线性回归问题(连续值)，现在开始学习逻辑回归分类问题(离散值)。分类问题的例子有：判断一封电子邮件是否是垃圾邮件；判断一次金融交易是否是欺诈；区别一个肿瘤是恶性的还是良性的。现在讨论二分类问
Enjoy_endless·2019-01-24 15:28

吴恩达机器学习系列理论加实践(二 、单变量线性回归及matlab实践)

二、单变量线性回归2.1模型表示同样以之前的房屋价格预测实例开始：通过学习算法利用训练集训练模型h，对于新输入的数据sizeofhouse就可以输出其预测值price；如何表达这个模型h：2.2cost损失函数表示什么意思呢：首先2.1我们给出了模型预测函数h，其预测输出值即h(这里表示预测的房价)，而y表示真实的房价，他们之间差值的平方即表示此预测函数的代价函数，如上式子；1/m是表示取所有预测
Enjoy_endless·2019-01-21 22:31

【机器学习】特征选择（过滤式、包裹式、嵌入式）

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。1.前言  从给定的特征集合中选择出相关特征子集的过程，称为“特征选择”。
齐在·2019-01-11 17:34

Pandas 知识点补充——机器学习系列

Pandas知识点补充01.pandasCheatSheetimportpandasaspdimportnumpyasnpDataFrame:就是一个SQL的表格Table**一个张量（有时是一个矩阵），就是一个容器。****有序的容器包容后结果****一个DataFrame可以被表示成一个JSON，也可以被表示成一个CSV****可以被JSON初始化**data0={'a':[1,2,3],'b
小螳螂·2019-01-06 21:04

【机器学习】K-Means聚类及其变体

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。
齐在·2019-01-02 20:12

人工智能之机器学习算法体系汇总

1.人工智能之机器学习体系汇总Github开源机器学习系列文章及算法源码【直接上干货】此处梳理出面向人工智能的机器学习方法体系，主要体现机器学习方法和逻辑关系，理清机器学习脉络，后续文章会针对机器学习系列讲解算法原理和实战
莫凡的博客·2018-12-24 22:21

【机器学习】Stacking与K折交叉验证

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。
齐在·2018-12-21 22:37

【机器学习】监督学习、非监督学习、批量学习、在线学习、基于实例学习、基于模型学习

其他机器学习系列文章见于专题：机器学习进阶之路——学习笔记整理，欢迎大家关注。
齐在·2018-12-18 13:08

机器学习系列 05：Logistic 回归及 Python 实现

  本内容将介绍机器学习中的Logistic回归及Python代码实现，和Softmax回归。  Logistic回归（logisticregression，也称逻辑回归和对数几率回归）是一种经典的分类模型，属于广义的线性回归分析模型。虽然名称中包含了“回归”，但是实际上它不是回归模型，而是分类模型。一、Logistic回归  在阅读本内容前，需要了解线性回归模型的基本概念。如果您还不了解，可以参
空杯的境界·2018-12-03 00:00

机器学习系列（8）：人脸识别基本原理及Python实现

这里是机器学习系列第八篇，带你揭开它们神秘的面纱。”若图片挂了，可移步：https://mp.weixin.qq.com/s?
LSayhi·2018-11-06 10:07

AI-023: 吴恩达教授（Andrew Ng）的机器学习课程学习笔记75-80. Large scale ML

本文是学习AndrewNg的机器学习系列教程的学习笔记。教学视频地址：https://study.163.com/course/introduction.htm?
铭记北宸·2018-11-05 22:23

机器学习系列 02：感知机

  本内容将介绍机器学习中的感知机模型，并说明感知机学习算法的原始形式和对偶形式。  感知机（perceptron）是二分类的线性分类模型，属于判别模型，是一种监督学习算法。  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）中将实例划分为正负两类的分离超平面，属于判别模型。感知机学习旨在求出将训练数据进行线性划分的分离超平面，为此，导入基于误分类的损失
空杯的境界·2018-10-25 22:56
上一页 10 11 12 13 14 15 16 17 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他